基于ZY-1 02D影像的白洋淀水域叶绿素a浓度遥感反演

封红娥,李战*,黄波

(1.河北省水文工程地质勘查院，石家庄 050021；2.河北省遥感中心，石家庄 050021;3.河北省自然资源遥感智能监测技术创新中心，石家庄 050021)

2017年设立雄安新区后，白洋淀以其独特的地理位置成为新区的焦点。白洋淀位于雄安新区建设范围的核心区域，是雄安新区发展的重要生态水体。近年来，由于人类频繁活动、经济发展和气候变化等因素，白洋淀水体受到一定污染，严重影响了周边居民的生产、生活。因此，对白洋淀流域的水质情况进行监测尤为重要。叶绿素a浓度是水体富营养化的重要指标，对叶绿素a浓度进行监测，有助于对白洋淀水体水质污染的发生进行预警，对水体治理进程进行监测与评估，对白洋淀流域水生态保护治理工作具有重要的现实意义。

常规水质监测方法耗时长，成本高，局限性大，但遥感技术具有连续监测、视角宽广、周期性等优点，可以有效的监测一定时间内流域水质参数在空间和时间上的变化，具有监测范围广、速度快、成本低的特点，便于进行大范围的水体水质动态监测[1-2]。目前已有众多学者对叶绿素a浓度的反演进行了研究，基于机载高光谱数据，根据水体固有光学特性，采用矩阵反演模型反演叶绿素a浓度，得到了较好的反演结果[3]；Ruddick等[4]学者提出自适应的两个波段(672 nm和704 nm)反射率比值算法反演叶绿素a浓度，可以省去后向散射因子和入射光环境因子的估算，取得较好的反演精度。

内陆湖泊的水质监测是国家水质评估和水污染防治的重要根据，大范围、高效的水质监测极为重要[5-7]。朱云芳等[8]学者基于高分一号卫星数据构建了BP(back propagation)神经网络模型和比值模型进行叶绿素a浓度反演；胡辉辉等[9]学者基于多源数据时空融合，采用神经网络模型反演出了白洋淀叶绿素a浓度。Elalem等[10]提出了一种新的叶绿素a浓度反演半分析模型——APPEL(approach by elimination),以叶绿素在红光波段强吸收、近红外波段高反射的光谱特征为原理，以不同波段组合来去除悬浮物、有色可溶性有机物(colored dissolved organic matter，CDOM) 和后向散射的影响，取得了较好的反演效果。白洋淀流域内水与芦苇共生兼有荷花，生态植物多且水体较小，水质较复杂，对数据质量要求相对较高，目前对叶绿素a浓度的反演方法无法同时满足其对空间及光谱分辨率要求，使其反演精度的提高有一定局限性。

中国于2019年9月成功发射了资源一号02D星(ZY-102D卫星)，该卫星搭载了新一代AHSI(advanced hyperspectral imager)高光谱及VNIC(visible near-infrared camera)多光谱相机，可有效获取大幅宽高光谱及多光谱数据，较以往数据幅宽更宽，覆盖能力更强，在内陆水体的叶绿素a浓度反演方面，具有很高的应用潜力[11-12]。现基于ZY-1 02D高光谱及多光谱数据和同步获取的叶绿素a浓度实测数据，充分发挥高光谱及多光谱数据的光谱分辨率及空间分辨率优势，进行叶绿素a浓度反演模型构建及反演精度分析，为白洋淀流域叶绿素a浓度反演提供一种适用性较高的方法。

1 研究区概况

白洋淀属海河流域大清河南支水系湖泊，被誉为“华北明珠”，是华北平原最大的淡水湖泊和湿地生态系统[9]，由白洋淀、藻苲淀、马棚淀、腰葫芦淀等140多个大小不等的淀泊组成。由于数据获取制约且白洋淀南部区域污染较重，现以雄安新区内白洋淀圈头淀区为研究区域，位于38°47′9.554″N～38°52′39.348″N和115°51′6.119″E～116°3′53.853″E之间(图1)。白洋淀地面景观以水体、芦苇沼泽为主。白洋淀资源丰富，以大面积芦苇荡和千亩连片的荷花淀而闻名。

图1 研究区范围Fig.1 Research area

2 数据获取

2.1 实测数据获取

2021年5月24日开展了与ZY1E-02D卫星的同步试验。由于白洋淀区域水与芦苇共生，且荷花较多，因此在水样采集过程中选取距离植被较远，且水质均一的水域样点，并根据现场情况尽可能的使样点在水面均匀分布，共布设30个采样点，其中有效站点为28个(图2)。水样采集后避光低温保存，当天运送至实验室后采用热乙醇-分光光度计法进行叶绿素a浓度测量[13-14]。水面光谱利用ASD(analytical spectral devices)光谱仪选择“水面以上法”进行测量[15]。测量水体时，取观测天顶角为倾斜向下40°，相对于太阳入射平面的观测方位角为135°；天空光谱值观测天顶角为倾斜向上40°，观测方位角与测量水面光谱值时一致，参考板测量时角度为垂直向下。实验中共获取28个样点的光谱数据，其光谱反射率计算公式为

图2 白洋淀研究区水面实验采样点分布Fig.2 Distribution of water surface experiment sampling points in Baiyangdian research area

(1)

式(1)中：λ为波长；Rrs为水面遥感光谱反射率；Lt(λ)、Lsky(λ)和LP(λ)分别为测得的水面、天空光及参考板的光谱值;ρP(λ)为实验室内标定的参考板反射率；ρsky(λ)为天空光在气水界面的反射率，可以根据文献[16]确定。

2.2 遥感数据源及预处理

选用ZY-1 02D的2021年5月24日一景AHSI高光谱影像及一景VNIC多光谱影像为遥感影像数据源。其中高光谱影像数据空间分辨率为30 m，卫星数据波长范围为395～2 500 nm，共计166个波段，其中可见光波段76个，近红外波段90个。多光谱影像数据空间分辨率为10 m，卫星数据波长范围为452～1 047 nm，共计9个波段。本研究对获取的两景影像进行了预处理主要包括辐射定标、大气校正、正射校正等[17-18]。ZY-1 02D AHSI大气校正后的采样点反射率曲线[图3(a)]、ZY-1 02D VNIC大气校正后采样点反射率曲线[图3(b)]及实测反射率曲线[图3(c)]的如图3所示。观察[图3(a)、图3(b)]两幅大气校正后的反射率曲线图可知，叶绿素a在560、700 nm有两处明显的反射峰，与相同谱段内地面实测高光谱遥感反射率数据的光谱特征呈现一致性。ZY-1 02D VNIC大气校正后的反射率曲线[图3(b)]在840 nm左右呈现一明显的吸收峰，与地面实测反射率曲线变化一致，而ZY-1 02D AHSI校正后的反射率曲线在750 nm后出现了多个波峰、波谷，与实测反射率曲线相比具有较大的不同，因此大气校正未消除750 nm后的的误差，本研究将使用750 nm前的波段数据进行水色要素光谱特征信息的提取。由于白洋淀流域内地物类型复杂，因此选用归一化水指数(normalized difference water index，NDWI)及人工目视解译结合的方法，提取了较精准的水体范围，如图2所示。

3 叶绿素a浓度反演模型构建

3.1 模型构建原理

半分析模型通过水体组成成分的光谱特征与统计分析相结合，具有一定的物理依据，模型精度较高，在内陆水质监测中适宜性较好，因此选取Elalem等[10]提出的APPEL模型进行叶绿素a浓度反演的研究，这是一种针对叶绿素a浓度提取的新型半分析模型，其反演公式为

APPEL=R(nir)-{[R(blue)-R(nir)]R(nir)+

[R(red)-R(nir)]}

(2)

式(2)中：R(red)、R(blue)、R(nir)分别为红光、蓝光和近红外波段的反射率值。

在APPEL模型中红光波段用于去除悬浮物的影响，蓝光波段可用于去除CDOM影响，近红外波段是叶绿素的敏感波段，叶绿素a强反射，水体强吸收，此波段不仅可以用来获取最大的叶绿素a信息量，同时可以去除蓝光和红光波段中叶绿素a信息以及水体后向散射影响[19-20]。基于APPEL模型充分发挥ZY-1 02D AHSI高光谱影像光谱分辨率的优势、ZY-1 02D VNIC多光谱影像空间分辨率的优势，通过3种不同的反演方式对叶绿素a浓度进行反演，分析ZY-1 02D AHSI和ZY-1 02D VNIC两种影像的反演特征，从而进一步提高叶绿素a浓度的反演精度。

3.2 叶绿素a浓度模型构建

根据模型构建原理，分别基于ZY-1 02D AHSI影像、ZY-1 02D VNIC影像构建叶绿素a浓度反演模型。由于700 nm附近的反射峰是叶绿素a浓度最主要的光谱特征，这段光谱中的很多光谱特征都与叶绿素a具有显著相关性[21]，在内陆水体水质的遥感监测中影像近红外波段的光谱分辨率比空间分辨率影响更大，蓝光波段与红光波段的空间分辨率对叶绿素a浓度反演精度的影响大于光谱分辨率[22]。本研究将ZY-1 02D AHSI影像中心波长最接近700 nm的第36波段(696 nm)的空间分辨率重采样至10 m并替代ZY-1 02D VNIC的近红外波段构建叶绿素a浓度反演模型，构建的三种叶绿素a浓度反演模型为

APPELa=R(nira)-{[R(bluea)-R(nira)]R(nira)+[R(reda)-R(nira)]}

(3)

APPELv=R(nirv)-{[R(bluev)-R(nirv)]R(nirv)+[R(redv)-R(nirv)]}

(4)

APPELt=R(nira)-{[R(bluev)-R(nira)]R(nira)+[R(redv)-R(nira)]}

(5)

式中：R(bluea)、R(reda)、R(nira)分别表示ZY-1 02D AHSI的蓝光(band 6)、红光(band 35)、近红外波段(band 36)的反射率值；R(bluev)、R(redv)、R(nirv)分别表示ZY-1 02D VNIC的蓝光(band 5)、红光(band 3)、近红外波段(band 7)的反射率值。

3.3 模型反演结果与精度评价

基于所构建的3种反演模型，在获取的28个采样点中随机选取14个采样点构建反演模型，其余点进行精度验证。基于ZY-1 02D AHSI影像与ZY-102D VNIC两种影像，利用叶绿素a浓度实测值与APPEL值进行叶绿素a浓度反演，拟合公式如表1所示。

表1 叶绿素a浓度反演模型公式Table 1 Inversion model formula of chlorophyll a concentration

对构建的叶绿素a浓度反演模型进行精度评价的指标共有3项，分别为拟合度R2、平均无偏相对误差(average unbiased relative error，AURE)、均方根误差(root mean square error，RMSE)，其中AURE和RMSE的计算公式为

(6)

(7)

式中：n为采样点数量，Yi和Xi分别代表叶绿素a浓度的反演值和实测值。利用剩余的14组实测数据对以上三种反演模型的反演结果与实测数据进行比对如图4所示，反演结果的精度评价如表2所示。

图4 叶绿素a浓度反演结果与实测数据对比Fig.4 Comparison between inversion results of chlorophyll a concentration and measured data

由表1及表2结果可知，以VNIC、AHSI 2种传感器联合构建的叶绿素a浓度反演模型的R2为0.897 0高于其他两种模型，AURE、RMSE分别为38.30%、1.30 μg/L高于基于VNIC传感器的反演模型，低于基于AHSI传感器的反演模型，基于 VNIC 传感器的叶绿素a浓度反演模型中反演效果最佳。

表2 基于ZY-1 02D影像的叶绿素a浓度反演模型和精度评价Table 2 Inversion model and accuracy evaluation of chlorophyll a concentration based on ZY-102D image

单独基于VNIC影像与AHSI影像的反演模型，R2分别为0.830 0、0.840 6，相差较小，基于AHSI传感器的模型AURE为40.82%高于基于VNIC传感器模型的AURE(35.65%)，且AHSI模型的RMSE(1.60 μg/L)高于VNIC反演模型的RMSE(1.24 μg/L)。由以上研究结果可知，基于VNIC传感器的反演模型在白洋淀水域叶绿素a浓度反演中适用性较好，基于VNIC与AHSI两种传感器的联合反演模型较基于AHSI传感器的反演模型精度有一定提高，说明在白洋淀区域叶绿素a浓度反演中，由于白洋淀淀区内水草共生，水体面积较小，因而对空间分辨率有较高的要求，为进一步优化反演模型，本文在此研究结果的基础上提高AHSI近红外波段(696 nm)的空间分辨率进行下一步的模型建立与验证。

4 模型优化与分析

Gram-Schmidt融合方法既可以较好地保留原始影像的光谱信息，又能最大程度的保留影像的空间纹理信息[23]，它是利用数学上的Gram-Schmidt(GS)变换进行正交变换的，在任意可内积空间，任一组相互独立的向量都可通过GS变换找到该向量的一组正交基。设{u1,u2,…，un}的方式如下。

假设v1=u1,依次计算第i+1个正交向量，即

vi+1=ui+1-projwiui+1

(8)

(9)

式中：wi为已经计算的前i个正交向量跨越的空间;projwiui+1为ui+1在wi的正交投影。

利用Gram-Schmidt方法将AHSI影像的36波段与VNIC影像的7波段进行影像融合，融合后的波段影像空间分辨率由30 m提高至10 m，构建的叶绿素a浓度反演模型公式为

APPELu=R(nira,v)-{[R(bluev)-R(nira,v)]

R(nira,v)+[R(redv)-R(nira,v)]}

(10)

式(10)中：R(nira,v)为AHSI影像36波段与VNIC影像7波段融合后的反射率。

从图5(a)中可以看出，优化后的模型R2提高至0.951，高于直接进行近红外波段替代模型的反演结果。利用剩余14个点进行精度验证的结果如图5(b)所示，由图5(b)所示，实测值与模型反演值之间呈现较小的差距，一致性较好，AURE与RMSE分别降低到13.62%、0.52 μg/L。通过对AHSI、VNIC两种影像叶绿素a浓度联合反演特征的研究，结合白洋淀淀区实际水体状况，构建的模型显著提高了叶绿素a浓度的反演精度，对ZY-1 02D卫星影像在白洋淀区域的研究与应用具有重要的参考价值。

图5 模型优化后的APPEL值反演与验证Fig.5 Inversion and verification of Appel value after model optimization

5 结论

(1)在本文的研究中发现ZY-1 02D卫星中的多光谱影像优于高光谱影像的叶绿素a浓度反演结果，造成这种结果的原因一方面由于ZY-1 02D 的多光谱影像不仅拥有较高的空间分辨率，也具有较丰富的波谱信息；另一方面则是对白洋淀这种水体面积较小、水草难以区分、水体组分复杂的水体进行叶绿素a浓度提取时，对空间分辨率具有较高的要求，相较于其他区域水体空间分辨率具有更大的影响。

(2)为进一步优化模型，选取对叶绿素a浓度提取最敏感的近红外波段进行波段融合,将近红外波段的空间分辨率由30 m提高至10 m，替代多光谱影像中的近红外波段，使叶绿素a浓度反演模型的R2达到0.951，AURE与RMSE分别降低到13.62%、0.52 μg/L，优于模型优化之前的叶绿素a浓度反演结果，此研究成果对于ZY-1 02D影像在白洋淀水域的叶绿素a浓度提取具有重要意义，同时也对类似内陆水体的叶绿素a浓度提取具有重要参考价值。

(3)遥感技术在水质参数反演领域应用广泛，但易受到数据时相、影像质量等多方面因素的制约，且ZY-1 02D AHSI星的重访周期长，高光谱影像数据较少，同步实测数据获取不易，使得多频次和大范围的监测需求难以满足。由于时间与经费问题，本文只针对白洋淀南淀区进行了监测，下一步将获取更多影像与实测数据，进一步修正已有模型，完成白洋淀全域的叶绿素a浓度监测研究。