基于高分五号卫星遥感数据的长江河口叶绿素a浓度反演

肖臣稷，王 卿，王 敏，阮俊杰，陈 敏，丁 玲，黄沈发,

(1.东华大学 环境科学与工程学院，上海 201620；2.上海市环境科学研究院，上海 200233；3.中国长江三峡集团有限公司，北京 100038；4.上海勘测设计研究院有限公司，上海 200335)

水体叶绿素a的浓度是表征水体富营养化水平的重要指标之一。随着卫星遥感技术的发展，基于多光谱或高光谱卫星遥感影像开展水体叶绿素a浓度的遥感反演已取得显著进展，并发展出标准蓝绿比值法[1]、红外比值法[2]、归一化叶绿素指数(NDCI)法[3]、三波段模型[4]、四波段模型[5]、正交函数分析[6]等算法。这些反演模型中，半经验方法占据主导地位，经验方法次之，分析法在应用中使用得较少[7]。

高光谱遥感技术的快速发展使得高光谱遥感影像在水色反演中得到越来越多的应用。研究表明，基于高光谱遥感影像的水色反演精度比基于多光谱遥感影像的高，这是因为多光谱影像波段少且间距宽，难以准确选择敏感波段。开展高光谱遥感水色反演则可实现精确选用对反射率敏感的特定波段的算法，如特征峰[8]、生物光学模型[9]等，以及基于连续光谱的一阶导数光谱[10]等算法，还可通过迭代优化[11]等方法进行处理。

Kratzer等[12]研究表明，使用卫星遥感进行叶绿素a浓度的反演对传感器的空间分辨率有着明确的要求。高分五号卫星是我国于2018年5月9日发射的首颗高光谱综合观测卫星，运行于太阳同步轨道。其光谱分辨率既高又全，在0.4～2.5 μm内具有330个波段，光谱分辨率最高可达0.03 cm-1，光谱定标精度最高可达0.008 cm-1，还具有30 m的空间分辨率与60 km的幅宽[13]。这些性能足以满足对叶绿素a浓度进行反演的基本要求，并且韦安娜等[14]已经应用高分五号卫星的遥感数据在内陆水体中对叶绿素a浓度进行反演。

长江河口及其邻近海域是我国富营养化水平最高的海域，其中长江口的富营养化指数为5～6[15]，呈现出中重度的富营养化[16]。这是因为长三角城市群的兴起使得人口剧增，导致城市生活污水、工农业污染的排放量不断增加，大量污染物被排放到长江中，致使生态环境恶化[17]。基于高分五号卫星高光谱影像提取长江河口水体的表面反射率，结合实际采样数据进行数学建模，遥感监测研究长江河口的水质，旨在为高分五号卫星多光谱遥感的应用找到方法，为高分系列卫星的高光谱遥感在更大时空尺度中的推广应用提供案例，以及为长江口环境监测与保护提供技术支撑。

1 实测与反演研究方法

1.1 研究区域点位选取与叶绿素a浓度实测

长江河口位于上海市北部，起自江苏江阴鹅鼻嘴，止于入海口的鸡骨礁，长约232 km。其经纬度为东经120.2°～122.3°、北纬30.8°～32.2°，包含崇明岛、长兴岛、横沙岛等岛屿与多个沙洲。区域内径流大、输沙量多、余流速度较大，物理化学环境受潮汐作用及上游来水等水文条件交汇混合的复杂影响。

由于长江口水动力较强，水色变化相对较快，为保证遥感数据与现场数据的一致性，现场监测在卫星经过时同步开展。通过查询卫星轨道数据，计算得出卫星过境时间为2019年5月24日13时，卫星过境时刻及其前后5 min各进行一次现场采样，根据HJ 897—2017《水质 叶绿素a 的测定 分光光度法》进行检测，并将3组数据的平均值作为测量值。由于长江河口的水域可达性较差，为获得较多的点位数量，同时选取部分河流、湖泊的点位进行采样。共获得9个点位，各点位的经纬度及实测叶绿素a浓度cchl-a如表1所示。

表1 采样点经纬度及实测叶绿素a浓度

1.2 卫星影像预处理及水体光谱数据提取

使用的高分五号卫星影像的基本情况如表2所示。其中，影像L1_60372_GF5_2874264同时用于样点数据选取及后续反演，影像L1_60371_GF5_2874334及L1_60373_GF5_2874323仅用于选取样点数据。

表2 高分五号卫星影像的基本信息Table 2 Basic information of GF-5 satellite images

影像数据预处理包括地理校正、辐射定标、大气校正及半手工水体提取。选取5～10个地面控制点(ground control point, GCP)，采用亚米级差分GPS现场测量地理坐标，选用polynomial二阶校正模型进行几何精校正。使用ENVI 5.3软件中Radiometric Correction的子工具Radiometric Calibration将高分五号卫星影像数据包中的辐射定标参数代入影像后即完成辐射定标。采用FLAASH进行大气校正。图1为处理前和大气校正后的长江河口影像。在提取可见-近红外波段差值的阈值基础上，手动操作去除易与人工建筑光谱混淆的河流、湖泊，以实现水体的提取。根据实际采样点的经纬度，在ENVI 5.3软件中提取各点位的水体光谱数据(见图2)作为反演模型的输入参数。

图1 预处理前后的遥感影像Fig.1 Remote sensing images before and after preprocessing

图2 各点位的光谱数据Fig.2 Radiation data of each point

1.3 遥感反演建模方法

基于常规的数学反演方法，采用数种代数模型通过计算机筛选不同波段组合方式中决定系数R2最大的波段组合。根据实测的叶绿素a浓度分布情况，选用指数形式作为代数模型的基本形式，通过改变中间参数X即波段组合方式实现模型的差异化处理。

cchl-a=CeAX+B

式中：X为中间参数，是数个波段经一定方式的组合；A、B、C为待定系数。利用计算机根据穷举法初步列举各种波段组合中各项波段组合参数与叶绿素a浓度的相关性，选取各模型中相关性最强的波段组合参数及实测cchl-a推算待定系数A、B、C。

1.3.1 简单的波段组合参数

所使用的波段组合方式包括任意两个波段的差值与比值的经验参数，如式(1)和(2)所示。

X=R1-R2

(1)

X=R1/R2

(2)

为提升反演精度并降低水体其他参数的干扰，在式(1)和(2)的基础上组合得到如式(3)和(4)所示的组合参数。

(3)

X=(R1-R2)+(R3-R4)

(4)

式中：Rn为在该组合方式中使用的第n个波段的反射率。

1.3.2 基于生物光学模型的波段组合参数

基于生物光学模型构建算法属于分析或半分析法。相关算法的波段组合参数如下：

Mishra等[3]提出的NDCI法的中间参数如式(5)所示，该算法也可用于监测水体的叶绿素a浓度。

X=(R1-R2)/(R1+R2)

(5)

邢前国等[18]使用的反射谷算法的中间参数如式(6)所示。该算法可在降低其他水体参数的干扰下研究叶绿素a特征吸收峰对整体光谱的影响。

(6)

式中：λn为在该组合方式中使用的第n个波段的波长。

Dall′Olmo等[19]在Gitelson等[4]的基础上改进得到三波段模型，该模型通过一定假设消去了除色素颗粒物吸收以外的光学参数，得到色素颗粒物对光的吸收率与3个波段反射率的关系，将该关系作为中间参数，如式(7)所示。

(7)

Le等[5]提出四波段模型，其将各种物质的吸收系数和反射系数代入遥感反射率的光学方程得到组合参数，如式(8)所示。陈军等[20]研究指出，4个波段应在波长660～750 nm内选取。

(8)

1.4 遥感反演评价体系

反演评价体系包括反演模型的统计学参数分析、反演结果影像分析、误差稳定性分析等3方面，其中，统计学参数分析作定量分析，后两者作定性分析。使用SPSS 20.0软件计算统计学参数。用决定系数R2表征自变量对目标变量的解释程度；用平均相对误差与均方根误差ERMSE表征模型的准确性；用F统计值及其检验概率P判断模型的显著性，采用的阈值α=0.005。反演结果影像分析包括图像判读和云阴影分析。云阴影分析利用部分影像中的阴影区域整体光照强度弱于其他区域，且难以通过其他已知参数进行稳定计算的特征，对西北侧距离陈行水库较近的一处阴影区域(见图3)进行判读。若某一模型在该区域内的反演结果与其他区域存在明显差异，表明该模型受光照条件的影响较大，反之，受不确定因素的影响较小。

图3 云阴影位置Fig.3 Position of cloud shadow

误差稳定性分析中，为输入参数的反射率添加随机误差可近似模拟微小随机扰动对反演模型的影响。随机生成在[0.95,1.05]内均匀分布的随机变量作为倍率与实际反射率相乘，得到一个与实际反射率有微小差距的模拟反射率，基于模拟反射率使用各种代数模型进行反演得到模拟反演结果。将全部研究区域的模拟反演结果与实际反演结果的比值输出为图像。

2 结果与讨论

2.1 遥感反演结果

利用8种中间参数构建的代数模型如表3所示。

表3 基于8种中间参数构建的代数模型Table 3 Models built by eight intermediate parameters

8种代数模型的反演结果与实际结果如图4所示。由图4可知：模型f、g、h的叶绿素a浓度反演结果最接近实测结果；模型a～e中明显有数个点与直线的偏离程度较大，其中模型a在低叶绿素a浓度下拟合精度较好，但在叶绿素a浓度较高时误差极大，说明模型a难以应用于叶绿素a浓度较高的环境。

图4 8种代数模型的叶绿素a浓度反演数值与实测数值对比Fig.4 Comparison of inverse values of chlorophyll-a concentration by eight algebraic models and the test results

遥感反演的叶绿素a浓度的整体分布如图5所示。由图5可知：模型b、c、e、g的叶绿素a浓度分布总体处于正常水平，且反演浓度大致为模型b>模型e>模型g>模型c。模型a、d、f在部分水域反演得到的叶绿素a浓度显著高于其他模型，且与实际认知不符，说明这4种模型还需作进一步检验与调整。模型h在九段沙附近反演得到的叶绿素a浓度明显比其他模型高，说明模型h的反演结果在能观察到底泥的浅水中会受底泥的干扰。模型b、e的反演结果中有大量较为明显的噪点，模型h也在一定程度上出现噪点。因这些模型主要是基于比值得到的，可见以比值为基础的代数模型在应用中还需作进一步调整。但同样基于比值的模型c未出现噪点。

图5 利用8种代数模型反演的叶绿素a浓度分布Fig.5 Distribution of chlorophyll-a concentration inversed by eight algebraic models

2.2 模型的统计学参数

8种代数模型的统计学参数如表4所示。由表4可知：随着使用的波段数的增多，模型整体精度逐渐提高。模型a除平均相对误差外的各项参数均最低，但进一步计算发现，模型a在叶绿素浓度低于20 μg/L时的反演精度为R2=0.975 7，F=201.111，P=3.13×10-5，说明模型a的应用仍有一定可行性。模型b的平均相对误差明显较高，这是由该模型在低浓度下有一个点的反演结果相对误差极高所导致的，表明该模型可能难以在低叶绿素a浓度水体中应用。模型h具有最高的R2与F统计值以及最低的均方根误差，模型d、f的这两项指标同样较高；但模型d、f、h的反演结果图存在一定缺陷(见第2.1节)，这可能是由影像信号的极小误差以及过拟合所导致的；模型c、e的精度统计结果相对较低，同时反演结果图的整体分布则更符合实际。因此c、d、e、f、h模型的应用可行性还需进一步判定。模型g的平均相对误差最低，其他精度评价指标在所有模型中表现良好，整体反演结果也较为理想。

表4 各模型反演结果的统计学参数(n=9)Table 4 Statistical parameters of each model(n=9)

将研究结果与文献[21-24]进行对比，结果如表5所示。由表5可知，与使用其他数据源的同种模型相比，使用高分五号卫星遥感数据构建的模型具有更高的R2和更低的平均相对误差(波段比值模型对比结果除外)，说明高分五号卫星数据相较于其他数据来源具有明显优势。

表5 基于不同数据源的反演精度比较

2.3 环境光照对反演结果的影响

图6为各个影像截取的中西北侧部分受云阴影影响的区域。由图6可知：模型a、b、g在阴影区域内的反演数值明显比其他区域高，即空间光照对这3种模型的影响较为明显,表明使用模型a、b、g时，每次反演都要重新确定光照条件，且当同一影像包含光照条件不同的区域时也需手动修正，这对实际操作提出更高的要求。模型f在该区域出现反演数值疑似偏低的结果，说明模型f还需进一步优化。模型c、d、e、h受云阴影影响时反演结果未发生显著变化，说明环境光照变化不大时，这4种模型受环境光照的影响较小，有较高的泛化潜力。但Hu[25]研究发现，模型c也会因受到云量以及太阳耀斑等因素的影响而出现误差。

图6 云阴影对8种代数模型反演结果的影响Fig.6 Effect of cloud shadow on inversion results of eight algebraic models

2.4 随机误差对反演结果的影响

各模型添加随机数前后的反演结果比值分布如图7所示,其中，红色表示随机噪声对反演的影响较大，蓝色表示随机噪声对反演结果的影响较小。由图7可知：在大多数水域中，小幅度随机误差不会明显影响模型a的反演结果。模型c、e、f、g受小幅度随机误差的影响逐渐变大，且模型f在部分区域反演结果受误差干扰极不稳定。模型b、d、h在反射率有较小的变化时，其反演结果会产生较大幅度的变化，特别是模型b在小幅度随机误差影响下的反演结果受误差干扰极不稳定。说明模型b、d、f、h可能难以应用于复杂的实际环境。总体而言，形式较简单的反演模型在随机误差的影响下较为稳定，而形式复杂的模型容易在结果中放大数据源中的随机误差。这可能是因为形式复杂的模型更注重反射率在精细条件下的变化。

图7 各代数模型的抗噪性能Fig.7 Noise-robust of each algebraic model

3 结 语

基于实测的水体叶绿素a浓度数据以及高分五号卫星的高光谱影像，构建8种反演代数模型并将其应用于长江河口的水质反演。结果表明：

(1)使用高分五号卫星在长江河口进行叶绿素a浓度的反演具有可行性，且相比其他卫星数据源具有明显优势。其中模型g的反演精度最高，其在环境光照条件基本稳定时反演精度最好，仅在云阴影下反演数值偏高。

(2)光照条件不明时，模型c、e的反演精度较高，但平均相对误差仍较大。

(3)复杂模型易受环境中的细微条件干扰，简单模型又因参数简单而拟合结果较差。故反演模型的复杂度应适中，且应尽量减少比值算法的使用。

受自然条件限制，本文采样点数量仍有不足，时间空间范围有限，未验证更广的时空尺度下模型的准确性。高分五号卫星在更广时空尺度下的应用，如模型在同一空间不同季节下的应用及同一时间更广空间的应用，尚待进一步研究。