基于遥感的内陆水体叶绿素a监测研究

李代伟 吴天振 姜祥乐 张帆 王滢 李楠

摘 要：对内陆水体开展叶绿素a浓度遥感反演和预测是水质治理与定量遥感领域的重要研究方向，但内陆水体的物质成分和理化性质相对复杂，实现高效且准确的遥感监测存在一定困难。文章梳理了水体叶绿素a的反演原理与光谱特征，归纳了国内外学者在内陆水体叶绿素a遥感监测研究中常用的数据与方法并分析了各自的优缺点与适用性，在此基础上总结了目前应用遥感方法监测内陆水体叶绿素a浓度所面临的实际问题以及未来研究的展望。

关键词：叶绿素a;遥感反演;内陆水体;水质监测;研究综述

中图分类号：X87  文献标识码：A  文章编号：1673-260X（2022）03-0014-07

内陆水体是人类赖以生存和发展的自然生态系统重要组成部分，在水源供给、抗旱排洪、交通航运、调节气候、提供生物栖息地、维护生态多样性等方面发挥着不可替代的重要作用。近年来，在人类活动与气候变化等因素影响下，内陆水资源、水环境与水生态均面临不同程度的问题和威胁，水体富营养化及引起的藻类水华是当前内陆水体普遍存在的污染问题，流域开发与生态协调间的稳态平衡逐渐受到有关部门的重视。

叶绿素a（Chlorophyll-a）是蓝藻进行光合作用的核心元素，并且在浮游生物体内含量相对稳定，便于在实验室条件下进行提纯分析，通过测定水体叶绿素a含量可以初步判定水体富营养化的程度，借以进一步把握水体质量状况。因此，对内陆水体叶绿素a浓度进行全范围长时序的动态监测是陆地水资源保护与修复的重要前提。而传统水质监测手段是通过大量实测点状数据来推及整个湖面的水质状况，这种传统监测方式费时费力成本较高，不适宜大面积水域进行短时序的水质监测。遥感技术作为一种基于波谱理论快速获取地表信息的新兴观测技术，具有大面积同步观测、周期动态成像、不受地面地形限制等优势。目前国内外大量学者利用遥感数据对于内陆江河、大型湖泊、水库库区与城市小型水体开展了叶绿素a浓度遥感监测。梳理基于遥感方式监测内陆水体叶绿素a浓度的相关理论基础与常用数据和方法并加以比较总结，对于加强流域水环境管理、污染源控制与生态文明建设具有重要现实意义。

1 叶绿素a浓度遥感反演原理

当太阳光线从大气射入内陆水体表面时，会在水汽界面发生反射、折射、吸收等光学现象，传感器最终捕获的水体光谱特征主要由其自身光学性质、水中物质成分、气象条件与传感器成像角度等因素共同决定。太阳光经过大气介质到达水面的过程中，小部分会被大气散射，其余大部分到达水面，传输到水面的光大部分被反射，剩下部分则进入水体。纯度较高的水体在可见光波段与光谱反射率之间的函数关系近乎线性，当纯水中出现其他物质时，水体的反射率曲线将会发生变化。叶绿素a作为一种光学敏感性较高的物质，其浓度发生变化时水体的光谱曲线会出现相对应的峰值或谷值，基于对叶绿素a特征光谱的研究可以实现对水体叶绿素a浓度的反演监测与预测[1]。

大部分内陆水体叶绿素a光谱曲线在750nm前存在“三峰两谷”走势特征。在440nm附近，叶绿素a的反射率较低，其原因为水体的叶绿素a与黄色物质在蓝紫光波段的强吸收所致;叶绿素a在红光波段的强吸收导致在675nm附近出现了第二个反射谷。因细胞壁与无机悬浮物的散射作用、浮游植物与胡萝卜素的弱吸收作用[2]，致使不同的内陆水体大致在550-580nm区间出现绿色反射峰;685nm与700nm附近出现的叶绿素a荧光峰，被认为是水体叶绿素a浓度判定的典型标志[3]。多数学者研究发现，随着叶绿素a浓度由低变高，对应的叶绿素a峰值点在685-720nm区间变化，反射峰随叶绿素a浓度增大向长波方向移动，出现“红移”效应[4]。由于700nm附近的反射峰位置与700nm附近反射峰与675nm附近吸收峰的反射比与叶绿素a浓度具有很好的相关性，较多的水体叶绿素a浓度确定与反演算法基于此开展[5]。

2 叶绿素a浓度遥感反演数据源

用于内陆水体进行叶绿素a浓度遥感监测的数据以多光谱与高光谱等传统影像源为主;伴随着影像获取手段的进步，利用高空间分辨率数据的水质监测研究也正逐渐发展壮大。根据光谱分辨率的差异性，不同传感器的遥感数据在构建不同类型叶绿素a反演模型与不同水体类型的监测研究区有着各自的优势性，随着遥感数据同化融合技术的进步，学者们对基于多源遥感数据的监测研究进行了一定的探索。

2.1 多光谱遥感数据

多光谱影像作为遥感监测应用最为广泛的影像数据，国内外学者以此为数据源对内陆水质叶绿素a反演做了大量反演监测与模型优化。常见的用于水质监测研究多光谱遥感数据源有美国发射的陆地资源（Landsat）系列卫星、欧空局发射的哨兵（Sentinel）系列卫星与中国发射的环境与灾害监测预报环境一号（HJ-1A/B）系列卫星等。

Landsat作为发射在轨时间最长的对地观测系列卫星，具有易于获取、估算精度较高、定标理论较为成熟等优势，是定量获取水体叶绿素a较好的数据源。早期Carpenter等人通过研究MSS影像与藻类水体叶绿素a浓度的关系发现，MSS数据在实测水质数据较少的内陆湖泊有着合理的反演精度。何报寅等对于存在数据缺行的Landsat 7 ETM+影像采用ALR算法进行数据修复后将其应用于与武汉东湖水反演监测，反演模型达到了合理的精度范围，验证了修复的ETM+影像进行内陆水质监测的可行性。段海梅等以Landsat 8 OLI数据为例，采用了4种大气校正算法与3种反演算法共计12种算法组合对同一内陆湖泊展开水质反演，实验结果表明对于OLI数据经过6S大气校正使用NDCI指数反演算法反演精度最为理想。

HJ-1A/B是我国自主设计研发的用于监测自然灾害与环境变化的国产化卫星，其搭载的CCD相机因具备良好的空间分辨率与较短的时间分辨率，是一种较为理想的水环境质量检测影像数据源[6]，一经投入使用就被广泛应用于本土化的水质遥感监测。徐祎凡等利用环境卫星CCD影像与湖面实测高光谱数据，构建了基于CCD多光谱数据的三湖一库（太湖、巢湖、滇池、三峡水库）的叶绿素a反演模型与富营养化评价指数模型，研究表明：水库水质情况远好于内陆大型湖泊，且水库的水质与蓄水量具有高度相关性[7]。朱利等人通过比较分析了HJ-1 CCD相机与GF-1 WFV傳感器的波谱响应函数，发现两传感器在波段设置上具有极大的相似性，理论上可采用相同的反演模型进行水质遥感监测，随后将此方法应用于太湖试验区进行多项水质参数监测反演证明了该理论的可行性。这一实验验证两国产卫星传感器水质反演监测模型的通用性，为国产化卫星进行水质遥感反演提供了新思路与新途径[8]。

Sentinel-2 A/B组合星具有短至5天的时间分辨率与高达10m的空间分辨率，所搭载的MSI传感器在可见光至红外波段有13个光谱通道，这昭示着其对于流动性较高、水质变化较快的小型内陆水体反演有着特有的优势。Toming等使用MSI影像对9个小型湖泊和2个大型湖泊进行水质监测，实验结果显示MSI数据与叶绿素a浓度之间具有较好的相关性[9]。Ansper等人利用Sentinel-2年际影像反演了Estonian湖的叶绿素a浓度，研究证明了MSI数据可有效对内陆湖泊的叶绿素a浓度进行反演和长时序动态监测[10]。Mark等人利用Sentinel-2 MSI与Sentinel-3 OLCI对五大洲24个湖泊水质进行了协同反演，对比MSI与OLCI波段响应曲线发现，对于叶绿素a这一参数两传感器响应函数大致相同，基于此项结论并考虑到OLCI较低的分辨率和内陆水体较小的地理范围，MSI是一种极其理想的内陆水体反演传感器[11]。

2.2 高光谱遥感数据

由于叶绿素a反射峰值红移现象受浓度变化影响较为缓慢[4]，且进行叶绿素a反演的特征波段的宽度最好应控制在5nm范围内，因而更高的光谱分辨率能够更为精细准确地提取并反演水质信息。高光谱传感器相较于传统多光谱数据波段数量更多，波段宽度变窄，光谱分辨率大大提高，是一种理想的内陆水质反演数据源。随着光谱理论与反演方法的日趋成熟，高光谱影像在内陆水质定量遥感监测中逐渐被加以重视并得到了广泛应用[12]。

吴敏等使用MODIS波段组合与巢湖水质参数进行匹配拟合，发现1、10-11的波段组合与叶绿素a浓度具有很强的相关性，对比TM数据的相关研究结果较为吻合。莫登奎等基于Hyperion高光谱影像对东洞庭湖水质进行分析研究，验证了700nm存在叶绿素a反射峰是对水体叶绿素a进行遥感监测的典型标志。王彦飞等以HJ-1 HSI高光谱卫星影像为研究对象，通过多个评价维度对影像质量进行综合分析评判，研究表明530-900nm是较为合适水质反演波段区间，HSI作为一种全新的国产高光谱影像数据源能够胜任二类水体遥感反演研究[13]。邓实权等人使用GF-5 AHSI高光谱数据基于光学区分理论，对低浑浊度鄱阳湖叶绿素a浓度进行遥感监测，此次高光谱反演（R2=0.82）效果相较于前期使用实测光谱建模的最优波段反演（R2=0.76）精度得到有效提升。韦安娜等使用AHSI影像对高度浑浊鄱阳湖水体进行叶绿素a反演研究，利用穷举思想结合水体光学特征得出叶绿素a的最优三波段反演组合为681.3nm、709.9nm、829.6nm，结合前人研究证明了AHSI高光谱数据用于湖泊叶绿素a反演具有较高的可信度。

2.3 高空间分辨率遥感数据

内陆水体相较于大洋等开阔水体更易受人类活动、陆源污染、季节更替以及水体流动性等因素影响，具有物质成分繁多、污染来源丰富、理化性质多样与光学性质复杂等特质，这些特征很大程度上导致了内陆水质遥感研究具有一定的复杂性与不确定性。而高空间分辨率的遥感影像能够提供十分精细的地物信息，可以将地理范围不大的内陆水域的水质信息得到直观体现，得益于近几年无人机（Unmanned Aerial Vehicle，UAV）技术的迅猛发展，借助机载系统获取的高分辨数据在成像时效与质量方面得到显著改善，高空间分辨率影像正逐渐成为内陆水体叶绿素a遥感监测研究的重要数据源。

Ekercin将土耳其伊斯坦布尔市的城区河道叶绿素a浓度与高空间分辨率IKONOS影像（4m）进行多元回归建模，反演精度效果理想，验证了高分辨卫星遥感影像在狭长小型河道开展叶绿素a监测的可行性。李鑫等人以无人机航拍影像为数据源，提出了一种用于识别蓝藻的归一化差值植被指数，该指数对水域蓝藻提取效果良好，为使用无人机影像对水体叶绿素a进行提取与溯源提供了方法支撑[14]。Castro等人依次使用了Landsat 8 OLI（30m）、Sentinel-2 MSI（10m）、Rededge Micasens（8cm）三个在不同空间分辨率的传感器对小型饮用水库开展叶绿素a濃度反演研究，通过对多尺度影像数据的比照研究发现，无人机数据可以很好地适应基于传统多光谱影像所开发的算法模型，这种算法继承性对于快速普及无人机水质遥感监测研究具有重要意义[15]。黄宇等使用无人机挂载的空间分辨率高达4cm的高光谱传感器对内陆河流进行机载遥感水质反演研究，由于影像同时具备高空间分辨率与高光谱分辨率的双重优势，对叶绿素a浓度的反演效果极其显著（R2=0.99），研究证明了利用无人机高光谱技术开展水质监测精度较高且结果可信。

2.4 多源融合数据

不同遥感数据源在不同分辨率类型上对于传感器成像细节的辨别能力互有优劣，很难有单一的数据源能够胜任大部分研究区的水质遥感监测，基于对适宜研究需要的理想数据源的追求，部分学者开始尝试将不同来源的遥感数据进行融合后应用于内陆水体的叶绿素a监测。

陈芸芝等融合了MODIS Aqua、MODIS Terra、SeaWiFs三种传感器的各波段反射率进行叶绿素a反演研究，融合影像波段数目倍增，光谱信息更加丰富，将反演结果与传统方法计算得到的叶绿素a浓度进行对比发现，融合影像所建模型具有少噪点、低误差、高灵活性等优势[16]。封红娥等利用WFV数据具有短重返周期、较高空间分辨率与OLI数据具备较高光谱分辨率的特点，探索两数据融合进行协同反演的最优组合方式，经过实测数据验证表明：融合数据的最优反演模型精度达到了R2=0.9164，相较于单一数据源反演精度得到明显提升。祁国华等使用增强时空自适应反射率融合模型（ESTARFM）融合了GF-1、Landsat系列、Sentinel-2、MODIS多源卫星遥感数据，得到了兼具高空间与高时间分辨率的遥感数据，借助融合数据构建了Logistic巢湖水华气象风险概率预测模型，经验证该模型预测准确性较高，多源融合数据可为内陆水体的水华监测提供可靠数据支持[17]。刘曼等人综合OLI、WFV及MSI多光谱与Sentinel-1A IW主动雷达影像数据构建了一种主被动遥感相结合的水体指数，用于定量分析漓江流域水质时空演化特征，将该综合水体指数结合叶绿素a反演算法对漓江流域开展年际动态监测，反演相关系数达到了0.98，反演效果揭示了综合多源主被动遥感的水质监测方式能够综合各传感器与遥感模式的优势性，大幅度提升水质反演效果[18]。

3 叶绿素a浓度遥感反演方法

应用遥感方式监测与预报内陆水体叶绿素a浓度经过40余年的发展，随着传感器分辨率不断提高，采样数据不断精确以及反演理论不断成熟，反演方法由定性分析逐渐发展为定量反演，其间主要历经了分析方法、经验方法、半分析方法与智能方法的演变。

3.1 分析方法

分析方法又称解析方法，其主要基于水体自身的固有光学量（Inherent Optical Properties，IOPs）与水汽界面的表观光学量（Apparent Optical Properties，AOPs）之间的关系对水中光场分布进行模拟，利用水体后向散射与水体中吸收与散射的比值进行模型构建，进而对水质情况进行遥感回溯与反演[19]。

分析方法的优势在于无须现场实测水质数据与过境卫星影像进行拟合，且水体光学机理与辐射传输方程引入使得模型具有很强的物理解释性，因此在一定程度上可突破时空局限性，将其应用于光学特征类似的水体进行反演也能得到较为理想的结果[20]。Gordon最早结合叶绿素a浓度与离水辐射亮度之间的关系，利用分析方法构建了经典的Gordon模型，虽然模型表现形式较为复杂，但模型拟合效果符合预期，首次证明了分析方法应用于监测水体叶绿素a含量的可行性[3]。张运林等在对太湖湖区进行固有光学特性的测量与分析的基础之上，构建了反射率比值分析模型，对于叶绿素a浓度R706/R682反演效果最佳，研究表明由水体光谱特征构建的分析模型能够胜任内陆湖区叶绿素a遥测[21]。

因物理光学模型的引入在建模过程中的必要性，分析方法客观存在公式推导繁琐，光谱仪器使用成本高，环境变量估算不易控制等缺点，虽然光谱理论日趋成熟，但在实际操作中存在诸多的限制性。面向遥感水质监测的业务化与流程化需求，研究学者开始对分析方法进行改进与完善，逐渐发展出了经验法和半分析法两类主流水质反演方法。

3.2 经验方法

经验方法将波段反射率信息与实测水质数据结合进行数学统计分析，筛选出最优的波段或波段组合建立回归模型对水质参数开展遥感反演。根据波段组合数量的不同，可将经验模型简单分为单波段模型与多波段模型。大量研究表明近红外与红外波段的双波段比值模型能够有效削弱因太阳高度角、观测视场与大气效应所产生的误差，是针对内陆低悬浮物浓度水体叶绿素a反演较为通用化的经验模型。

由于不需要复杂的物理分析过程，只需足够的波谱与水质数据就能通过回归分析方法完成模型构建，经验方法因而具有运算量小、建模简单等优势，是一种算法成熟、应用广泛的反演方法。Dekker等基于TM影像与实测叶绿素a浓度对荷兰内陆湖泊展开水质反演模型研究，将多个统计学建模的反演模型比照研究发现，对于常见的中低叶绿素a浓度湖泊指数模型比线性模型拟合效果更好，而高浓度叶绿素a湖泊应用线性模型效果更优[22]。冯驰等依照叶绿素a浓度将研究区分为三种水体类型，使用GOCI数据结合回归分析方法建立了适用不同叶绿素a浓度水体的反演模型，揭示了对于二类水体采用先分类后反演的方式能够减小水质要素间的相互影响从而显著降低反演误差[23]。

虽然建模过程仅需面向数据便可以便捷迅速地构建反演模型，但由于缺乏物理机理的推导过程，经验模型不可避免地具有模型解释性差、时空依赖性强、结果迁移性弱等劣势，在水质监测日趋精细化与定量化的发展过程中，使用单一且传统的经验方法建模的频率逐渐降低。

3.3 半分析方法

半分析方法以辐射传输方程为整体性理论框架，以数学统计方法为差异性建模手段，即使表达模型具有一定的实际物理意义，又有效解决了建模难度过大的问题。作为分析方法与经验方法精进结合的产物，兼具两种方法各自的优势性，是近些年来逐渐发展壮大变为主流的水质遥感反演方法。

闻建光等采用不同方法对太湖叶绿素a浓度进行遥感反演，通过比较得出了以半分析方法建模的混合光谱法（R2=0.9705）综合反演效果最佳，一阶微分法（R2=0.9615）与比值法（R2=0.9367）效果依次次之。實验有效证明了半分析模型较于传统统计学经验模型可一定程度上摆脱时序与地域差异，具有更高的通用性与精确性[24]。Lyua等将4种不同叶绿素a半分析算法应用于5种典型内陆湖泊进行反演效果分析，经对比验证发现四波段算法对常规内陆水体反演精度最高，对于较为浑浊的内陆水体综合叶绿素a指数算法（Synthetic Chlorophyll Index， SCI）更加适用[25]。

半分析法相较于先前两种单一方法有着不可比拟的独到优势，但在模型构建的过程中需要对其他方法进行合理布局与分段建模，这在一定程度上会使建模过程繁杂、人为主观误差因素增加，从而造成反演精度的损失。

3.4 智能方法

得益于人工智能（Artificial Intelligence，AI）技术在图像分类与识别领域的优异表现，许多学者针对AI在遥感水质监测领域的落地应用做了深入研究。而机器学习作为实现Al最为核心的方法途径，且对于遥感水质反演这种非线性拟合过程具有极佳的贴合性，在近些年的水质遥测研究中受到了极大的追捧。机器学习方法主要被用于利用样本数据对传统经验方法统计建模过程的优化与改进，使之充分挖掘数据间的隐性关系，以达到准确构建反演回归模型的目的。目前，基于智能方法应用于内陆水体遥感监测较为主流且成熟的方法为神经网络方法，随机森林、支持向量机等其他方法也受到了一定的关注。相关研究已经有力佐证智能方法构建的反演模型具有鲁棒性强、人工干预误差小、预测效果好等显著优势。

Song等人基于统计方法分别构建了经验回归模型与神经网络模型来反演查干湖叶绿素a含量，研究结果表明神经网络模型比传统的近红外比红外波段构建的回归模型具有更高的反演精度。臧友华基于对于经典向量机方法与遗传算法基本概念的理解，创造性地提出了一种基于遗传算法的支持向量机模型（GA-SVM模型），将叶绿素a浓度与敏感波段作为变量输入该模型，反演结果达到了极其显著的相关性水平，GA-SVM作为新型机器学习模型能够用于定量监测内陆水体的叶绿素a浓度。Hafeez等将叶绿素a高相关性波段组结合Landsat系列影像进行了常见智能方法的对比研究，实验结果表明相比于随机森林、决策树回归与支持向量机三种常用机器学习方法，神经网络模型具有最高的反演精度[26]。

智能化反演模型的研究基于機器学习展开，而应用机器学习方法进行拟合前输入的训练数据不足或存在噪音，会致使反演结果过度拟合现象的发生;且机器学习方法在整个拟合过程是一个标准的“黑箱模型”，各个变量间的因果关系具有极高的不确定性，这很大程度上决定了基于智能方法所构建的模型无可避免地缺乏解释性[27]。

4 存在问题

将遥感方法应用于内陆水体叶绿素a浓度的反演研究，对于内陆水环境和水生态的时效性与全局性监测具有重要的现实意义和广阔的应用前景。但受内陆水体自身的复杂性以及对叶绿素a光谱机理的认知存在不足等因素影响，目前内陆水体叶绿素a遥感反演研究存在如下几个问题：

（1）采样数据同步性不足。对于经验方法及其衍生方法和部分分析方法而言，获取与遥感影像同步或准同步的水质数据是进行星地协同反演的一个基本前提。内陆水体的水域范围通常不大，相对于海洋等开阔水体可以较为容易地获取反映整个研究区域的叶绿素a浓度实测数据。多数水质样本需要先进行接触性采样再送至实验室内进行提纯分析，整个采样流程中会受到天气条件、船舶扰动、运输损耗、主观操作、仪器精度等误差因素影响，这些影响会使水体样本数据与影像数据缺乏一定的同步性，致使研究区的叶绿素a浓度时空分布情况无法得到客观反映，最终对遥感反演结果产生直接影响。

（2）影像数据利用率不高。遥感影像的合理应用是使用遥感方法进行水质监测不同于传统监测手段的必要条件。不同遥感数据源在不同分辨率类型有着各自的优劣，但是碍于数据融合技术的局限，目前只有少量的反演监测综合考虑了不同传感器数据来进行研究。多数传感器都具备红外波段与微波波段数据，可从现有研究不难看出几乎所有的内陆遥感水质监测都围绕可见光波段与近红波段展开，其中很大部分原因是叶绿素a的光谱敏感特征所决定，但不可否认对于叶绿素a与微波遥感的光学机理认知不足也一定程度上造成了影像资源无法得到高效利用这一现象的存在。

（3）大气校正算法待改进。卫星获取的水体信号约90%为大气噪声，只有极小部分信号是水体自身信息的体现[28]，大气校正能够有效消除大气和光照等因素对水体反射的影响，使水中叶绿素a的信息在影像上得到精确表征，高精度的大气校正算法是内陆水体叶绿素a遥感反演的关键过程。虽然在遥感研究领域有较多的大气校正算法模型被提出并应用于不同的监测对象，但由于内陆水体的上空气溶胶成分复杂且水面反射光校正影响因素多变，相对而言构建适宜特定内陆水体类型的大气校正的算法研究还不够成熟，对经典校正算法的盲目套用会给内陆水质叶绿素a的遥感监测带来不可控制的误差影响。

（4）光谱机理探索不深入。对于分析与半分析方法而言，水体生物-光学模型与辐射传输理论的深入探讨是构建精确反演模型的核心步骤。内陆水体受地表径流与河床泥沙影响往往具有较高的悬浮物与黄色物质浓度，这些其他物质组分会对水中叶绿素a的光学性质发生改变。例如，悬浮物作为一种强散射体物质影响了我国大部分内陆湖泊叶绿素a的光学贡献，这在很大程度上会使叶绿素a的浓度无法客观反映在遥感反射率上[29]。但目前许多研究选择忽略探究水中其他物质组分对叶绿素a的光学影响，抑或只将各组分浓度与光谱间的函数关系默认为简单的线性关系进行处理，这势必会造成反演结果精确性与可信度的降低。

（5）反演模型通用性较低。反演是遥感监测研究的本质，反演模型是遥感监测研究结果以数学抽象形式的最终体现。由于内陆水体远比大洋等开阔水域物化成分复杂，致使水体光谱曲线与叶绿素a浓度之间的函数关系缺乏稳定性，且几乎没有针对小型内陆水域进行水质监测的卫星传感器作为研究的数据源;所以至今绝大多数内陆水体叶绿素a的遥感反演模型都被限制于单一研究区域，甚至对反演季节都有着严苛的要求。大量迁移性较弱的模型会徒增后继研究者的研究成本，不利于整个水质定量遥感领域的发展。

5 研究期望

通过上述对内陆水体叶绿素a遥感反演研究原理、数据、方法与问题的总结，结合当前遥感与水质研究领域的发展现状，对于后续相关研究提出以下几点建议与期望：

（1）规范实测水质数据业务流程。进行实地采样的方法选择上应尽量采用浮标、手持仪等非接触式的采样方法;样本提纯分析时可适当选择环保或化验机构代为进行专业处理;可以考虑建立一个业务化的水质数据共享平台，先前研究者的实测数据和各个监测站点的历史数据都可以被上传至该平台供后续研究所使用，为遥感水质监测的长远发展提供开放化与规范化的数据支撑。

（2）拓展遥感影像数据获取途径。针对现有遥感数据源应用于小型内陆水体叶绿素a监测普遍存在着空间、时间、光谱分辨率三者间的相互制约等问题。目前而言，推进数据融合技术与无人机技术的发展是解决卫星传感器性能制约的一种有效途径;但从整个遥感水质监测领域的长远发展来看，实现遥感水质监测的体系化与业务化是趋势所在，对此发射专门针对内陆水体水质遥感监测的传感器具有一定的必要性。

（3）加强光学物理特性深入探讨。一方面应加强传感器在精细光谱方面的深入研究，着重考虑高光谱与超光谱在水质监测领域的高效利用;另一方面需深入探究水中叶绿素a与其他组分的光学差异和光学贡献，尤其要注重水体间各组分间光学特征耦合效应函数的研究工作，这对研究适用于内陆水体遥感监测的大气校正算法和构建通用化的水体生物-光学模型具有极其重要的理论意义。

（4）推动通用反演模型分级构建。在短时间内构建一种适用于全球尺度的内陆水体叶绿素a遥感反演模型客观上存在较大难度。可以先着手于初步建立适用于同种水体类型或同种气候类型的泛通用化反演模型，待后续理论与技术限制得到突破再考虑将泛通用模型进行合理性外延，最终逐步实现构建具备高迁移性与拓展性的通用化反演模型。

——————————

参考文献：

〔1〕陶然，彭金婵，张豪，等.内陆水体叶绿素a浓度遥感监测方法研究进展[J].地理信息世界，2019，26（04）：44-53.

〔2〕罗婕纯一，秦龙君，毛鹏，等.水质遥感监测的关键要素叶绿素a的反演算法研究进展[J].遥感技术与应用，2021，36（03）：473-488.

〔3〕Gordon H R. Diffuse reflectance of the ocean： the theory of its augmentation by chlorophyll a fluorescence at 685 nm[J]. Applied Optics， 1979， 18（08）： 6-1161.

〔4〕疏小舟，尹球，匡定波.内陆水体藻类叶绿素浓度与反射光谱特征的关系[J].遥感学报，2000，25（01）：41-45.

〔5〕杨敏，商少凌，汪文琦，等.水库水体近红外反射峰与叶绿素含量之间的关系初探[J].湖泊科学，2009， 21（02）：228-233.

〔6〕杨煜，李云梅，王桥，等.基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演[J].湖泊科学，2010，22（04）：495-503.

〔7〕徐祎凡，李云梅，王桥，等.基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价[J].环境科学学报，2011，31（01）：81-93.

〔8〕朱利，李云梅，赵少华，等.基于GF-1号卫星WFV数据的太湖水质遥感监测[J].国土资源遥感，2015，27（01）：113-120.

〔9〕Toming K， Kutser T， Laas A，et al. First experiences in mapping lake water quality parameters with Sentinel-2 MSI imagery[J]. Remote Sensing， 2016， 8（640）.

〔10〕Ansper A， Alikas K. Retrieval of chlorophyll a from Sentinel-2 MSI data for the European Union Water Framework Directive reporting purposes[J]. Remote Sensing， 2019， 11（64）.

〔11〕Warren M A， Simis S G H， Selmes N. Complementary water quality observations from high and medium resolution Sentinel sensors by aligning chlorophyll-a and turbidity algorithms[J]. Remote Sensing of Environment， 2021， 265（2021）： 112651.

〔12〕曹畅，王胜蕾，李俊生，等.基于MODIS数据的全国144个重点湖库营养状态监测：以2018年夏季为例[J].湖泊科学，2021，33（02）：405-413.

〔13〕王彦飞，李云梅，吕恒，等.环境一号卫星高光谱遥感数据的内陆水质监测适宜性——以巢湖为例[J].湖泊科学，2011，23（05）：789-795.

〔14〕李鑫，孙伟，李林.基于小型无人机可见光遥感的蓝藻识别研究[J].测绘与空间地理信息，2017， 40（04）：153-156，159.

〔15〕Castro C C， Gómez J A D， Martín J D， et al. An UAV and satellite multispectral data approach to monitor water quality in small reservoirs[J]. Remote Sensing， 2020， 12（09）：1514.

〔16〕陈芸芝，郑高强，汪小钦，等.基于GSM01融合的多传感器数据叶绿素a浓度反演[J].地球信息科学学报，2013，15（06）：911-917.

〔17〕祁国华，马晓双，何诗瑜，等.基于多源遥感数据的巢湖水华长时序时空变化（2009—2018年）分析与发生概率预测[J].湖泊科学，2021，33（02）：414-427.

〔18〕刘曼，付波霖，何宏昌，等.基于多时相主被动遥感的漓江水面监测与水质参数反演（2016-2020年）[J].湖泊科学，2021，33（03）：687-706.

〔19〕李云梅，黄家柱，韦玉春，等.用分析模型方法反演水体叶绿素的浓度[J].遥感学报，2006，31（02）：169-175.

〔20〕刘文雅，邓孺孺，梁业恒，等.基于辐射传输模型的巢湖叶绿素a浓度反演[J].国土资源遥感，2019，31（02）：102-110.

〔21〕张运林，秦伯强.基于水体固有光学特性的太湖浮游植物色素的定量反演[J].环境科学，2006，46（12）：2439-2444.

〔22〕Dekker A G， PETERS S V M. The use of the Thematic Mapper for the analysis of eutrophic lakes： a case study in the Netherlands[J]. Remote Sensing， 1993， 14（05）： 799-821.

〔23〕冯驰，金琦，王艳楠，等.基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算[J].环境科学，2015，36（05）：1557-1564.

〔24〕闻建光，肖青，杨一鹏，等.基于Hyperion数据的太湖水体叶绿素a浓度遥感估算[J].湖泊科学，2006，18（04）：327-336.

〔25〕Lyua H， Li X J， Wang Y N， et al. Evaluation of chlorophyll-a retrieval algorithms based on MERIS bands for optically varying eutrophic inland lakes[J]. Science of the Total Environment， 2015， 530-531（2015）： 373-382.

〔26〕Hafeez S， Wong M S， Ho H C， et al. Comparison of machine learning algorithms for retrieval of water quality indicators in case-II waters： a case study of Hong Kong[J]. Remote Sensing， 2019， 11（06）.

〔27〕Reichstein M， Valls G C， Stevens J， et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature， 2019， 566（7743）.

〔28〕Novoa S， Doxaran D， Ody A， et al. Atmospheric corrections and multi-conditional algorithm for multi-sensor remote sensing of suspended particulate matter in low-to-high turbidity levels coastal waters[J]. Remote Sensing， 2017， 9（61）.

〔29〕周冠華，唐军武，田国良，等.内陆水质遥感不确定性：问题综述[J].地球科学进展，2009，24（02）： 150-158.