刁 超, 桑国庆, 彭 涛, 王君诺
(1. 济南大学 水利与环境学院, 山东 济南 250022; 2. 日照市水利局, 山东 日照 262300;3. 水发规划设计有限公司, 山东 济南 250100)
水体中的叶绿素a是藻类以及浮游植物的重要成分, 所以其浓度常作为湖泊水体的富营养化监测的重要指标。
常规的叶绿素a浓度的测定局限于1∶1现场采样以及测量水质数据, 这种方式不仅耗时耗力,而且价格昂贵。由于人力、物力及测量条件所限,因此通过现场测量的方式获取大范围的水质数据较为困难。遥感观测技术具有覆盖范围广、持续、动态的特点,为解决常规测定水质的诸多困难提供了可能[1-4]。
近十几年来, 随着空间科学技术不断进步、 计算能力的不断增强以及应用程序的广泛应用, 遥感技术已经成为监测水质的有效工具。
卫星和其他平台上所安装的各种传感器可以对水面反射的不同波长的辐射量进行测量。
这些反射数据可以直接或间接地检测不同的水质指标, 如总悬浮固体(TSS)、 叶绿素a浓度(Chl-a)、 浊度、 盐度、 总磷(TP)、 总氮(TN)、 温度、 pH、 溶解有机碳(DOC)等[5]。
通过一定的方法, 选择最优的波段或波段组合,建立遥感数据与实测水质参数之间的关系, 从而推求水质参数[6]。
国内外利用遥感进行水质反演的研究比较多。Moses等[7]利用MERIS和MODIS影像,通过建立三波段模型对水体叶绿素浓度开展研究,估算了研究区域内的水体叶绿素a浓度。董舜丹等[8]利用Landsat-8、 Sentinel-2卫星影像数据分别建立回归模型,对香港近海海域叶绿素a浓度进行反演,结果表明2类数据均可适用于叶绿素a浓度的反演,并发现近海海域的叶绿素a浓度高于外部海域的现象。郑炎辉等[9]采用国产高分一号卫星宽幅覆盖相机(GF-1 WFV)影像数据,建立神经网络模型,进行了水质反演,并验证其可行性,为水质评价提供了参考。郭云开等[10]利用GF-1 WFV影像数据以及高光谱数据,通过相关分析得到叶绿素a的敏感波段,并构建了一元回归联合反演模型,得到叶绿素a浓度分布情况,为大面积监测水库水质的时空变化提供了依据。徐鹏飞等[11]基于GF-1 WFV数据,建立神经网络模型,对千岛湖的水体叶绿素a浓度进行反演,并对其时空分布进行分析。项雅波等[12]采用回归分析的方法,利用Landsat-8卫星影像数据建立叶绿素a的反演模型,成功实现对沙湖叶绿素a空间浓度分布的反演。国内外有关遥感反演的方法主要有经验算法、半经验算法、半分析算法以及分析算法[13-15]。采用经验算法,运用回归分析可以建立遥感反射率与实测数据之间的显著关系,并对模型的建立具有至关重要的作用。该算法简单易于实现,可以直观反映数据之间的相关度[16]。
随着社会经济的不断发展以及工业化程度不断提高, 水中的氮、 磷等元素含量不断增加, 为水生植物提供了更好的生长环境, 导致藻类等大量繁殖, 进而导致水体富营养化, 叶绿素a浓度是判断其水体富营养化的重要指标[17]。
位于山东省南部的南四湖是南水北调东线工程重要的调蓄湖泊, 其水环境保护意义重大。
本文中运用2020年1—9月四景GF-1 WFV影像数据以及水质实测数据, 采用经验算法对南四湖的叶绿素a浓度进行定量反演[18], 并对南四湖水体中叶绿素a浓度时空变化规律进行分析, 为南四湖的水生态保护以及水环境监测提供依据。
1.1 研究区域
南四湖位于淮河流域北部,是我国北方最大的淡水湖,也是山东省重要的水源地,区域位置如图1所示。湖泊自北向南依次为南阳湖、独山湖、昭阳湖、微山湖,湖泊水域面积约1 266 km2,二级坝枢纽将湖泊分为上级湖和下级湖。湖泊盆地浅平,全湖平均水深仅1.5 m,为平原浅水型湖泊[19]。
图1 南四湖流域研究区域图(资料来源:国家测绘地理信息局标准地图服务网站,审图号为GS(2019)3333,经过ArcGIS 10.2软件处理。)
1.2 研究数据
1.2.1 实测数据
根据卫星过境时间和天气情况,在天气条件许可的卫星过境日,开展地面同步采样工作;分别于2021年3月26日、 6月24日先后完成2次南四湖现场采样工作。
1.2.2 卫星影像数据
1.2.2.1 数据介绍
GF-1卫星搭载分辨率为2 m的全色相机和分辨率为8 m的多光谱相机各1台,同时搭载了4台分辨率为16 m的多光谱相机,重复周期为4 d,具有空间分辨率、时间分辨率高的特点[21-22]。GF-1 WFV数据来源于中国资源卫星中心。
根据地面数据测量时间选取遥感影像数据。
本文中使用2021年3月26日实测数据和4月4日获取的遥感数据(卫星过境时间与采样时间最相近)建立反演模型, 并用2021年6月24日的实测数据和遥感数据验证模型的准确性, 并使用模型反演2021年1—9月南四湖的叶绿素a浓度的整体分布情况。
本研究所用数据类型以及获取时间如表1所示。
表1 数据类型以及获取时间
1.2.2.2 数据处理
在影像获取时, 传感器自身、大气辐射、气溶胶以及地形等对反演结果有干扰的不利因素导致原始影像产生形变或者偏移等。
为了提高后续反演的精度, 必须对遥感数据进行预处理, 本文中主要应用遥感图像处理平台ENVI对GF-1 WFV数据进行辐射定标、 大气校正、 正射校正、 影像剪裁等处理[23-25]。
课前预习对于学生和课堂都是非常必要的。因此，学校应该对课前预习引起重视，使预习发挥一定的作用，提高小学语文课堂的效率，并且让学生拥有一定的独立自主学习的能力。
辐射定标沿用中国资源卫星应用中心发布的2020年GF-1 WFV的绝对辐射定标系数(表2),计算公式为
表2 2020年高分宽幅覆盖相机绝对辐射定标系数
Lλ=KgNd+Bb,
(1)
式中:Lλ为定标后的辐射亮度;Kg为定标斜率;Nd为影像的像素值;Bb为定标截距。
2.1 模型构建原理
清水与叶绿素光谱特征不同,叶绿素浓度不同的水体光谱特征值也不同,因此水体光谱特征的差异是进行水体叶绿素浓度反演的理论基础。在水体光谱反射率曲线中,绿光、红光波段的反射率随着叶绿素浓度的增大而增加,蓝光波段反射率反而会减小。随着叶绿素浓度的逐步增加,当达到一定值时,此时叶绿素的诊断波段会向长波方向移动。在叶绿素浓度反演中,经验方法应用较为广泛。
该方法可建
立遥感数据与地面测量的水体叶绿素浓度值之间的统计关系[26-27]。本文中根据遥感影像数据和同步水质采样数据构建南四湖水体叶绿素a浓度反演的单波段模型、波段比值等模型,同时建立回归方程,进一步实现南四湖叶绿素a的定量反演[28-29]。
2.2 反演模型建立
水体叶绿素a浓度与水体光谱反射率信息存在相应的关系,基于高分遥感波段与叶绿素a的浓度关系,通过相关分析明确最佳反演波段,建立经验公式,最后对反演结果通过拟合度指标进行精度分析,确定反演结果的适用性和准确性。
基于2021年4月4日GF-1 WFV数据,获取单波段反射率及波段反射率组合数据,并与实测水体叶绿素a浓度数据进行相关分析。同时参考相关文献[9-11,30-32],从中挑选与实测数据具有较高相关性的波段反射率及波段反射率组合。
3.1 不同模型反演结果
对南四湖不同反演波段与叶绿素a浓度的实测数据进行相关性分析, 结果如表3所示,从中选取相关性最高的波段。可以看出,λB2/(λB1+λB3)(λB1、λB2、λB3分别是波段1、 2、 3的波长)的波段组合与叶绿素a的相关度最高, 决定系数R2为0.751, 其次为(λB2-λB1)/(λB3-λB2)的波段组合,R2为0.729, 与叶绿素a相关度最低波段为λB3,R2仅有0.178。
综上, 本文中确定波段组合λB2/(λB1+λB3)为最佳反演波段运算组合, 并以该波段建立线性回归、 多项式拟和、 指数拟和等模型, 模型精度见表4。
由表可知, 二次项模型的拟和度最高,R2为0.751, 该模型拟合曲线图见图2, 并将该模型作为南四湖叶绿素a浓度反演模型。
表3 南四湖叶绿素a浓度与反演波段相关性
表4 反演波段组合λB2/(λB1+λB3)南四湖与叶绿素a浓度的回归方程
λB1、 λB2、 λB3分别为波段1、 2、 3的波长。图2 二次项模型对南四湖叶绿素a浓度的拟合曲线
3.2 模型精度验证
为了验证模型的精度及准确性,使用统计学中的平均相对误差Emr和归一化均方根误差Enrms作为判断标准[33-34],计算公式为
(2)
(3)
Enrms小于10%, 表示拟和结果极好; 10%≤Enrms<20%, 表示拟合结果较好; 20%≤Enrms≤30%, 表示拟合结果为中等;Enrms>30%, 表示拟和结果较差。
不同模型的精度验证结果见表5。可以看出,二次项模型的Emr及Enrms都较小,拟合效果较好,所以二次项模型y=1 522.9x2-1 482.4x+359.08的准确度较高, 其中y为叶绿a的质量浓度,x=λB2/(λB1+λB3)。
表5 不同模型对南四湖叶绿素a浓度的精度验证结果
进一步将已构建的反演波段组合λB2/(λB1+λB3)的二次项模型应用到2021年6月24日的GF-1 WFV影像数据上,可以得到南四湖29个采样点的叶绿素a浓度的反演结果,如图3所示。可以看出,用二次项模型反演得到南四湖叶绿素a浓度与实测浓度较吻合。
图3 南四湖叶绿素a浓度的反演结果与实测数据
为了验证各采样点的误差大小,使用相对误差作为判断依据,相对误差Er计算公式
(4)
南四湖各采样点的实测值与反演值的相对误差如图4所示。从图中可以看出,Er最小值出现在25号采样点,为1.17%;Er最大值为30.46%,出现在4号采样点。
图4 南四湖各采样点实测值与反演值的误差图
由上述可知,二次项模型的反演结果与实测值之间的误差较小,Emr为11.11%,Enrms为11.46%,且各采样点的实测值与反演值的拟合效果均较好,因此该模型可以作为最佳反演模型应用到其他影像上,从而通过反演可得到2021年南四湖叶绿素a浓度的时空分布规律。
3.3 南四湖水域水体叶绿素a浓度时空分布
基于GF-1 WFV数据, 结合南四湖的实测叶绿素a数据, 通过反演模型的建立及计算, 得到南四湖2021年不同季节的叶绿素a的时空分布, 如图5所示。
从空间分布分析:总体呈现出航道区、水面区叶绿素a浓度较低,库塘区和水生植物区叶绿素a浓度较高的规律。水生植物区叶绿素a浓度整体最高,是由于该区域生长着大量的水生植物,包括挺水植物、沉水植物、漂浮植物、浮叶植物等富含叶绿素的植物;库塘区叶绿素a的浓度次之,该区域受到人为种植和养殖影响,周围分布着灌木、莲藕、水稻等植物,因此反演得到的叶绿素a浓度较高,质量浓度一般大于9 μg/L;再次为水面区叶绿素a浓度,湖心区的叶绿素a的浓度最低,向外逐渐增大,通常质量浓度大于7 μg/L。南四湖的湖水区分布着沉水植物和少量季节性生长的浮叶植物和挺水植物等,湖面叶绿素a浓度分布季节差异明显; 航道区叶绿素a浓度最低, 质量浓度为6～9 μg/L。
由于大量船只通行, 不利于水生植物和浮游植物等富有叶绿素的生物生存, 因此该区域水体中叶绿素a浓度最低。
从时间分布分析:冬季温度较低,植物处于衰败期,人类活动也较少,叶绿素a浓度最低,航道区、湖心区的叶绿素a质量浓度分别为6～7、7～9 μg/L,差别不大。由于冬季湖水流通性较差,因此靠近岸边区域的叶绿素a质量浓度大于9 μg/L。在库塘区,作物在冬季生长缓慢,因此叶绿素a质量浓度保持在11 μg/L左右。水生植物区的叶绿素a质量浓度为11～13 μg/L,部分区域的浓度值大于13 μg/L。进入4月,大地回春,植物开始生长,叶绿素a的浓度开始增加,分布规律与冬季相近。6月逐渐进入夏季,植物生长茂盛,库塘区、水生植物区、水面区、航道区的叶绿素a浓度进一步增加,水生植物区浓度整体达到13 μg/L以上;水草区的叶绿素a质量浓度约为11 μg/L,水面区的较低,为9 μg/L,航道区的仍为最低。9月处于夏季和秋季的过渡时期,此时水生植物、浮游植物等生长进入成熟期,叶绿素a浓度接近峰值,湖区整体浓度大于11 μg/L,部分水生植物区和库塘区的浓度值达到20 μg/L。
整体来看,南四湖的叶绿素a浓度分布受时间和空间的影响,呈现不同的分布情况。通过建立基于GF-1 WFV数据的反演模型,可以得到南四湖整体叶绿素a浓度的分布和变化规律,得到的反演结果较好,与实际情况较为吻合。
为了研究南四湖叶绿素a浓度的时空变化规律,本文中基于南四湖的GF-1 WFV影像数据,以及2次同步获取的实测数据,通过建立经验模型,探究两者之间的关系,并确定叶绿素a的最佳反演模型,同时对模型精度进行验证并对南四湖水体叶绿素a浓度进行反演,得到如下结论:
1)通过对2021年1—9月的四景GF-1 WFV影像数据进行处理后, 结合实测数据建立单波段、 波段比值等模型, 确定λB2/(λB1+λB3)为最佳反演波段组合, 并由该波段建立的二次型模型为最佳反演模型。
2)应用波段比值模型,对2021年1—9月南四湖叶绿素a浓度的时空分布情况进行反演。叶绿素a浓度由高到低的空间分布为航道区、水面区、库塘区、水生植物区,时间分布为1、 4、 6、 9月;反演结果与实际情况基本一致,实现了南四湖叶绿素a浓度的定量反演,可作为南四湖水质评价的一个依据。
猜你喜欢南四湖波段叶绿素不忘初心创沂沭泗基建新篇 除险加固保南四湖治水安澜治淮(2021年12期)2021-12-31提取叶绿素阅读（科学探秘）(2020年8期)2020-11-06桃树叶绿素含量与SPAD值呈极显著正相关中国果业信息(2019年1期)2019-01-05叶绿素家族概述生物学教学(2017年9期)2017-08-20M87的多波段辐射过程及其能谱拟合高师理科学刊(2016年8期)2016-06-15日常维护对L 波段雷达的重要性西藏科技(2015年4期)2015-09-26沂沭泗河洪水东调南下续建工程南四湖湖西大堤加固工程（山东实施段）暨南四湖二级坝闸下西段股河上段剩余工程通过竣工验收中国水利(2015年13期)2015-02-28基于SPOT影像的最佳波段组合选取研究河北北方学院学报（自然科学版）(2014年2期)2014-05-30由松针制取三种叶绿素钠盐及其稳定性的研究食品工业科技(2014年6期)2014-05-10L波段雷达磁控管的使用与维护河南科技(2014年18期)2014-02-27