内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究

doi:10.11873/j.issn.1004-0323.2022.4.0993

内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究

赵方睿^,¹^,², 王强², 温志丹², 刘晓静², 尚盈辛², 陶慧², 杜云霞², 宋开山^,²

1.吉林师范大学旅游与地理科学学院，吉林四平 136000

2.中国科学院东北地理与农业生态研究所，吉林长春 130102

Optimization Model of Suspended Matter Band Ratio in Inland Water and Influence of Algae Abundance on Model Accuracy

Zhao Fangrui^,¹^,², Wang Qiang², Wen Zhidan², Liu Xiaojing², Shang Yingxin², Tao Hui², Du Yunxia², Song Kaishan^,²

1.College of Tourism and Geography，Jilin Normal University，Siping 136000，China

2.Northeast Institute of Geography and Agroecology，Chinese Academy of Sciences，Changchun 130102，China

通讯作者: 宋开山（1974-），男，吉林靖宇人，博士，研究员，主要从事植被组分高光谱模型、地表参数与气候变化关系遥感和水色遥感研究。E⁃mail:songks@iga.ac.cn

收稿日期: 2021-03-04 修回日期: 2022-07-11

基金资助:

国家自然科学基金重点项目. 41730104
吉林省自然科学基金学科布局项目. 20200201054JC

Received: 2021-03-04 Revised: 2022-07-11

作者简介 About authors

赵方睿(1996-)，女，吉林四平人，硕士研究生，主要从事遥感与地理信息系统研究E⁃mail:935239274@qq.com , E-mail：935239274@qq.com

摘要

内陆水体中浮游植物的存在对悬浮物（TSM）遥感反演模型精度具有一定的影响，藻类丰度会导致水体遥感反射率降低。实验基于中国、澳大利亚和美国内陆水体的372个采样点（4个数据集）水质分析和光谱实测数据，构建内陆水体遥感反射率与TSM的相关关系，建立最优波段比模型（OBR），并分析了藻类颗粒物存在对该模型精度的影响。由于水质的不均一性，不同区域的水质参数敏感波段存在差异，因此各数据集用于建模的最优波段比值不同。结果表明，OBR模型精度较高，误差较小，中国水体模型验证均具有较好效果（石头口门水库：R²=0.87，RMSE=14.1 mg/L；查干湖：R²=0.82，RMSE=23.6 mg/L），澳大利亚水体模型验证效果最佳，R²值高达0.95（RMSE=4.2 mg/L），美国水体模型精度较低（R²=0.78，RMSE=3.7 mg/L）。研究发现，模型精度受水体叶绿素（Chla）浓度和Chla/TSM比率影响，当水体以TSM浓度较高的非藻类颗粒物为主时（如中国石头口门水库和南澳洲地区水体数据集），最优波段比值模型表现更好；而当水体以浮游植物为主时，水体中的浮游植物的丰度会使光谱信号复杂化，从而限制或降低TSM浓度遥感算法的精度（如美国印第安纳州中部水库数据集）。

关键词： 遥感反演 ; 模型构建 ; 悬浮物 ; 叶绿素 ; 最优波段比值模型

Abstract

The presence of inland phytoplankton in inland water has a certain impact on the accuracy of Total Solid Matter（TSM） inversed remote sensing model， and the abundance of algae will influence the decreasing of remote sensing reflectance of water. Based on in situ dataset of water quality and spectrum of 372 sampling points across China， Australia and the United States， the relationship between the reflectance of water body and TSM is established and the Optimal Band Ratio（OBR） model is applied to analyze the influence of algae particles on the accuracy of the model. Due to the unbalance of water quality parameters in various regions， the sensitive bands of water quality parameters varies in different regions， therefore the optimal band ratio used for modeling in each dataset is different. The results show that the high accuracy of OBR model is observed with low errors. The model validation for two water bodies in China have a good performance （STKM： R²=0.87， RMSE=14.1； CGH： R²=0.82， RMSE=23.6）. The validation of Australian waterbody achieves high coefficient of 0.95 （R²=0.95， RMSE=4.2）， while the model applied to American water body has a lower accuracy （R²=0.78， RMSE=3.7）. It is found that the model accuracy is affected by Chla concentration and Chla/TSM ratio. When the water is dominated by non-algal particles with high TSM concentration （such as water datasets from Shitoukoumen， China and South Australia）， the model of optimal band ratio performs better. However， when the water body is dominated by phytoplankton， the water body will complicate the spectral signal， thus limiting or reducing the accuracy of remote sensing algorithm （such as the water body data set in central Indiana， USA）.

Keywords： Remote sensing inversion ; Model construction ; Total suspended solids ; Chlorophyll-a ; OBR

PDF (3551KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

赵方睿, 王强, 温志丹, 刘晓静, 尚盈辛, 陶慧, 杜云霞, 宋开山. 内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究. 遥感技术与应用[J], 2022, 37(4): 993-1002 doi:10.11873/j.issn.1004-0323.2022.4.0993

Zhao Fangrui, Wang Qiang, Wen Zhidan, Liu Xiaojing, Shang Yingxin, Tao Hui, Du Yunxia, Song Kaishan. Optimization Model of Suspended Matter Band Ratio in Inland Water and Influence of Algae Abundance on Model Accuracy. Remote Sensing Technology and Application[J], 2022, 37(4): 993-1002 doi:10.11873/j.issn.1004-0323.2022.4.0993

1 引言

湖泊是地球上重要的淡水资源，水质状况直接影响到人类的生存与发展。水体悬浮物（Total Suspended Matter，TSM）作为水域生态系统中的重要组成部分，是衡量水质和水环境评价的重要参考指标之一^［1］。它们包括很多种物质，如不能溶于水的无机物质和有机物质以及粘土、微生物等。TSM是水体不清澈的一个极为关键的因素，对水体的透明度有较大影响，改变了太阳光照在水下的分布和浮游植物对光照的利用，最终影响湖泊初级生产力^［2］。对于内陆水域，TSM往往与氮、磷、重金属和微污染物通量有关^［3-4］。水中TSM含量已经是度量区域水污染严重程度的一个极为关键的指标。研究TSM的光谱特性，对湖泊水环境评价、管理湖泊生态系统和有效开展水环境治理具有重要意义^［5-6］。

近年来，利用遥感技术检测水体悬浮物浓度已成为研究热点^［7-8］。遥感技术具有周期性、大尺度、可历史追溯的优点，对监测水体悬浮物浓度具有突出优势。目前水体TSM浓度的遥感估算方法主要包括经验方法^［9］、半分析方法^［10］和分析方法^［11］。研究表明经验方法可在一定程度上减少大气校正带来的误差且模型易于构建^［12］，因此应用经验模型估算TSM浓度应用较为广泛^［13］。但由于土壤侵蚀和其他人为影响造成的内陆水域空间和成分异质性，内陆水体TSM遥感反演算法仍需要进一步改进^［14-16］。水体中TSM的存在对叶绿素a（Chl-a）反演的影响已被广泛认识^［17-19］，利用遥感反射率的一阶导数可以减少水—沙复合信号，通过导数变换可以部分去除或减少环境因素的干扰^［20］。在400—900 nm光谱范围内，随着TSM浓度的变化，通过导数分析能够有效地降低TSM对Chl-a估算的影响^［21-23］。相比之下，浮游植物丰度（用Chl-a浓度来表征）对TSM遥感估计的影响仍有待研究^［24］，如何最大限度消除Chl-a的影响，提高内陆水体TSM反演精度，一直是水色遥感领域的难题。有研究表明Chl-a强吸收是导致TSM遥感模型低估的主要原因，当内陆浑浊水体TSM浓度大致相当时，浮游植物丰度会导致水体遥感反射率降低；Chl-a与悬浮物浓度的相对比值（Chl-a/TSM）是影响模型精度的主控因子，比值越小则模型精度越高。

在中国、澳大利亚、美国共7处水域进行光谱数据和同步实测水质数据并分析，建立水体TSM浓度经验模型，分析内陆水体Chl-a光学吸收对TSM遥感模型精度的影响。本研究对提高富营养化水体的悬浮物反演具有重要意义。

2 研究区概况

2.1　中国石头口门水库（STKM）

石头口门水库位于吉林省中部长春地区九台市境内（43°52'58.75″N、125°48'58.49″ E），是一座以防洪除涝、城市供水和农田灌溉为主，结合发电、养鱼和旅游等综合利用的大型水利枢纽工程，其流域面积约4 937.0 km²，水域面积42.0 km²，平均水深6.3 m，总库容1.28×10⁹ m³，年平均降水量641.6 mm。

2.2　中国查干湖（CGH）

查干湖地处松嫩平原西部，原名查干泡（45°14'33.52″ N、124°17'49.48″ E）。大部分水域位于吉林省前郭尔罗斯蒙古族自治县境内，是吉林省最大的天然淡水湖泊。查干湖东西长38 km，南北宽12 km，水深为4 m，水域最大面积为307 km²，最大蓄水量为4.15×10⁸ m³。该区年平均气温为5℃，年降水量为400—500 mm，年蒸发量为1 140—1 270 mm。

2.3　南澳洲地区水体（SA）

Myponga水库（MPR）位于阿德莱德南部约60 km （35°24'10.02″ S、138°26'13.29″ E），是饮用水水源地，为城市提供了大约5%的饮用水，水域面积2.8 km²，水深21.5 m；流经曼纳姆的墨累河（MRM）位于墨累河下游（34°44'55.11″S、139°19'33.22″E）；流经惠灵顿的墨累河（MRW）连接着亚历山大湖（35°23'55.19″S、139°27'33.11″ E），水深5.3 m，这条河毗邻南大洋海岸，通过抽水站成为阿德莱德的主要饮用水源。

2.4　美国印第安纳州中部水库（CIN）

Eagle Creek水库（ECR： 39°51'09.84″ N， 86°18'13.07″ W），水域面积5.0 km²，水深4.2 m；Morse水库（MR）（40°6'16.84″ N，86°2'17.22″ W），水域面积6.0 km²；Geist水库（GR）（35°56'16.84″ N，85°57'47.22″ W），水域面积7.5 km²，水深3.2 m，都是第安纳波利斯都市区90多万居民的饮用水水源地。

3 数据采集及处理

3.1　现场数据采集

在不同的TSM和Chl-a浓度条件下进行水体采样（TSM浓度：1.69—413.9 mg/L，Chl-a浓度：2.69—183.2 μg /L），采集水面下约0.5 m处水体（表1）。2006—2008年夏季和秋季对石头口门水库进行了11次实地采样调查，收集了119个样本；2006—2008年夏季和秋季对查干湖进行了7次实地采样调查，收集了66个样本；2009年2月—3月对南澳洲地区水体进行了2次实地采样调查，收集了45个样本；2005年9月6日—7日对美国印第安纳州中部水库进行了一次实地调查，共收集了52个样本。

表1 水质参数信息

Table 1 Water quality parameter informations

	水质参数	Min	Max	Mean	SD	CV	N
石头口门水库	SDD	5	120	38	23.7	0.62	119
	Turbidity	0.65	70.63	41.65	40.7	0.83
	TSM	3.67	225.2	58.78	54.78	0.84
	Chl-a	0.45	47.52	13.82	10.66	0.96
	Chl-a/TSM	0.01	2.64	0.52	0.59	1.12
查干湖	SDD	86	755	252	108	0.43	66
	Turbidity	0.03	15.33	2.09	2.12	1.04
	TSM	0.08	18.58	4.77	3.85	0.81
	Chl-a	0.45	37.52	8.82	7.66	0.87
	Chl-a/TSM	0.43	21.81	2.91	3.59	1.23
南澳洲水体	SDD	20	275	96.2	79.6	0.83	45
	Turbidity	0.80	41.50	13.07	11.16	0.85
	TSM	2.01	94.1	17.58	17.42	0.99
	Chl-a	6.27	75.3	19.09	13.46	0.70
	Chl-a/TSM	0.62	5.51	1.84	1.28	0.69
美国水库	SDD	24	150	62	32.4	0.52	52
	Turbidity	2.3	42.0	9.3	4.2	0.45
	TSM	2.1	54.5	18.7	7.3	0.39
	Chl-a	2.8	182.5	62.8	24.66	0.39
	Chl-a/TSM	1.10	9.37	3.72	1.38	0.39

注：SDD：透明度（cm）；Turbidity：浊度（NTUs）；TSM：总悬浮物（mg/L）；ISM：无机悬浮物（mg/L）；Chl-a：叶绿素a（μg/L）；SD：标准差；CV=（SD/平均参数），变异系数

新窗口打开| 下载CSV

采样的同时，在现场使用YSI 600 XLM多参数探针（YSI Inc.， Yellow Springs， OH， USA）进行水质的现场测量，包括温度（℃）、浊度（NTUs）和pH值。在现场使用Secchi磁盘测定水体透明度（SDD）。同时，利用ASD或海洋光学USB4000光谱仪现场采集中国石头口门水库和查干湖的水面光谱数据。辐射率分别测量了大约1 m的水面（L_sw）和高于面板约0.25 m的标准灰色光谱（Labsphere， Inc.， North Sutton， NH）参考面板（L_p）。从而有效地避免由于受到船只尾迹的干扰和太阳直接辐射的影响，光谱仪被定位在135°的方位角和40°的天顶角。然后将光谱仪向上旋转90°—120°，采集天光辐射度（L_sky）。遥感反射率（Rrs）可计算为：

R_{r s} (0^{+}, λ) = \frac{(L_{S W} - r L_{s k y}) ρ_{p}}{π L_{p}}

（1）

其中：r为空气—水界面处的反射率（风速小于5 ms^-1时，r=0.028可以接受）； $ρ_{p}$ 为灰色光谱标准反射率（30%）。

南澳洲地区水体的光谱反射率是使用两个相互校准的海洋光学USB4000辐射计收集的，通过同时测量25%灰色光谱反射率标准的上升流辐度和相应的入射辐度，完成了仪器的内部校准。最低时的水面R值计算为^［25］：

R_{r s} (0^{+}, λ) = \frac{t F (λ) L_{u p} E_{c a l} (λ)}{n^{2} π E_{i n c} (λ) L_{c a l} (λ)}

（2）

其中：t是水—空气透射系数等于0.98；F是根据Ohde和Siegel（2003）^［26］计算得到的光谱浸没因子；n是水相对于空气的折射率为1.33；π是用来改变辐照度反射率R遥感反射率；R_cal（λ）的线性插值来匹配每个辐射计的波段中心的频谱板的反射率。

美国印第安纳州中部水库水体的原位光谱是用ASD光谱仪采集的。总上升流辐射率（L_up）被记录在一个光纤指向最低点，并设置在大约1.2 m以上的水面。在每个样品点使用白色光谱（99%）收集下行辐照度（E_d）测量值。遥感反射率（R_rs； sr^-1）是利用上升流最低点辐照度（L_up；w-m^-2·sr^-1）与下升流辐照度（L_d；W·m^-2）的比值得到的：

R_{r s} (0^{+}, λ) = \frac{L_{u p} (0^{+}, λ)}{E_{d} (0^{+}, λ)}

（3）

在这种光谱测量方法中，没有考虑水—空气界面辐射和路径辐射的影响，但这对基于波段比的算法可能没有显著的影响^［27-28］。

3.2　实验室分析

使用称重法和煅烧法测量总悬浮物浓度和无机悬浮物浓度^［29］，具体操作步骤：将0.7 μm孔径的Whatman GF/FTM滤膜在450 ℃的温度下煅烧4—6 h，去除空白膜中的水分及有机物质，等膜冷却后称重即为空白膜质量；然后过滤一定体积的原水样后，将滤膜放置恒温烘干箱中以65 ℃烘4—6 h，冷却后进行二次称重，两次重量差即为总TSM的重量，除以过滤的水样体积得到总TSM浓度。Chl-a浓度测量采用“丙酮溶液萃取法”^［30］。具体操作步骤：利用0.45 μm的微孔滤膜过滤一定体积的原水样，利用90%的丙酮对滤膜进行浸泡并萃取叶绿素，用UV-2600紫外分光光度计分别测得630 nm、647 nm、664 nm和750 nm处的吸光度，然后计算出Chl-a的浓度^［31］。

3.3　TSM建模方法

最佳波段比值法（OBR）是指选择两个具有最大相关性的反射率比值作为特征参数进行TSM浓度的反演建模，作为一种常用的水体信息提取方法，它的优势在于可减少水体表面粗糙度等影响，降低非水体光谱信息的干扰^［32］。实验利用Matlab计算在400—900 nm范围内的所有光谱波段的比值与TSM的相关系数，通过确定光谱波段的比值与TSM的相关系数最大值来确定适合反演不同区域TSM浓度的最佳波段比组合。另外，波段比值法在水质参数的模型构建中一直发挥重要作用，对抑制各种噪声具有明显的作用，因此实验也采用优化波段比值法进行模型构建^［33-34］。

3.4　模型精度评估

使用均方根误差（RMSE）、相对误差（RE ）和平均绝对误差（MAE）等参数进行预测值（y $'$ ）和实测值（y）之间的比对。RMSE、MAE和相对误差（RE）相关计算公式如下：

R M S E = \sqrt[]{\frac{\sum_{i = 1}^{N} ({y^{'}}_{i} - y_{i})^{2}}{N}}

和

R M S E % = 100 \times \frac{R M S E}{\bar{y}}

（5）

M A E = \frac{\sum_{i = 1}^{N} |y'_{i} - y_{i}|}{N}

（6）

R E = 100 \times ({y^{'}}_{i} - y_{i}) / y_{i}

（7）

其中：N为数据集中的样本数； $\bar{y}$ 为测量值的平均值^［35］。此外，实验采用了决定系数（R²）和预测偏差比（RPD）。由于R²是一个很常见的参数，这里省略其公式，RPD的计算方法为^［36］：

R P D = \frac{S D P}{(\sum (y^{'} {- y)}^{2} - {{[(y^{'} - y)]}^{2} / N} / {(N - 1))}^{1 / 2}}

（8）

其中，SDP由下式确定：

S D P = {\sum {y^{'}}^{2} - [{(y^{'})}^{2} / N] / {(N - 1))}}^{1 / 2}

（9）

Williams（2001）认为，当R²和RPD值大于0.91和2.5时，模型是准确的；当R²在0.82—0.9之间，RPD大于2时，预测效果较好；然而，当R²介于0.66和0.81之间且RPD大于1.5时，近似的预测是可以实现的。当R²在0.5到0.65之间，RPD在1.5以下时，预测效果较差。在本研究中，所有样本按照测量日期顺序排列，选取前两个样本进行校准（占样本的2/3），第三个样本进行验证（占样本的1/3），对每个数据集进行验证。

4 结果分析

4.1　水质参数与光谱特性分析

主要水质参数SDD、浊度、TSM、Chl-a的统计值如表1所示。中国石头口门水库和查干湖TSM范围较大，水体清澈度较低，浊度变化较大。南澳洲水体和美国水库水体TSM均值为中等浓度，分别为17.58 mg/L和18.7 mg/L，Chl-a浓度较高且变化较大。石头口门水库、查干湖和美国水库水体的Chl-a/TSM的值较低，南澳洲水体样品的Chl-a/TSM值略高于本研究其他水体。

通过实地采样得到了以上不同地区水体的光谱数据（图1）。中国石头口门水库和查干湖的光谱在红外光700 nm处反射率值较高（图1（a）和图1（b）），其光谱形状特征与浑浊水体的相同；石头口门水库和查干湖的近红外光谱值较高，这与高混浊河口的光谱一致。美国3个水库水体在约680 nm处呈现出深度吸收槽，与以浮游植物为主的湖泊水体光谱形状特征相同（图1（d））。南澳洲Myponga水库的光谱反射率值较低（图1（c）），约705 nm处出现反射峰是含藻类水体最显著的光谱特征，其存在与否通常被认为是判定水体是否含藻类叶绿素的依据；670 nm附近是叶绿素a的吸收峰，因为藻类密度高则叶绿素a含量也高，导致水体光谱反射率出现谷值。王艳红等认为悬浮物特有的光谱特征是808 nm附近出现主反射峰，575 nm附近出现次反射峰；>900 nm的近红外波段几乎表现为水体吸收作用，水体反射率很低。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 实测水面反射率光谱曲线

Fig.1 Surface spectral reflectance curves

4.2　相关分析

对反射率及其导数与TSM浓度的比值序列进行相关分析，绘制每个数据集相对波长的相关系数图（R²）（图3）。结果表明在可见光和近红外光谱区域都有较大的R²值，在850 nm以上的蓝、绿和近红外区域，R²值普遍较低。按R²值分布趋势，可以将水体分为两组，第一组TSM浓度较高，在690~850 nm光谱区域R²值较高，非藻类颗粒主导水体上升流辐射（图2（a）和图2（b））。第二组为高藻质和非藻质颗粒混浊水体（即图2（c）和2（d）），约在700 nm处R²值较高。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 总悬浮物与各波段反射率和导数的相关性

Fig.2 Total suspended matter correlations with reflectance and derivative for each band

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 悬浮物浓度与各波段比值相关性分布图

Fig.3 Relationship between TSM concentration and ratios of different band spectral reflectance

导数反射率在蓝、绿、红区域R²值较高，而在近红外区域R²值较低。相关系数在可见光和近红外区域都有波动，特别是在蓝色和波长超过800 nm的区域。所收集数据集的R值的显著变化如图2所示。对于南澳洲水体（图3（c））和美国水库水体（图3（d）），导数分析被证明是改善TSM和光谱变量关联的有效方法。因此，最高的R²值通常产生在红色光谱区（Chl-a荧光峰）的高产水域。

4.3　波段比值分析

利用波段比值可以消除水表面光滑度和周围环境等背景噪声的干扰，并在一定程度上减少其他污染物的影响。本研究对400—900 nm（25万个组合）的带比对进行序列回归，得到了二维系数相关图（图3）。图中深红色区域表示波段比值与TSM浓度有较高的正相关系数，深蓝色区域表示波段比值与TSM浓度有较高的负相关系数。从各个数据集中可以看出R值变化很大，最大值在0.81到0.97之间。从不同水域收集的数据集的最佳波段组合位置并不一致。石头口门水库的总体格局与查干湖相似，在700 nm以上的光谱区域具有较高的R值和蓝绿比对（图3（a）、图3（b））。南澳洲水体光谱在红色（约690 nm）和蓝色（约400 nm）区域存在较高的相关带比对，需要进一步研究。（图3（c））。浑浊水体的最高波段比对通常出现在叶绿素吸收带或周围。可以看出，美国水库水体的波段比窗都较窄，R值较高，说明利用遥感数据进行TSM估计的波段比有限（图3（d））。

4.4　悬浮物浓度遥感反演

基于不同数据集的TSM最佳频带比（OBR）经验模型如图4（a）—图4（d）所示，模型相关参数总结在表2中。基于OBR模型，南澳洲地区水体数据集的建模和验证样本均沿1∶1线均匀分布（图4（c））。根据Williams（2001）提出的准则，由R²和RPD值可以看出模型的预测是准确的（表2）。南澳水体和石头口门数据集的波段比模型表现较好；除了3个离散值外，查干湖数据集的OBR模型表现也很好。美国水库数据集的OBR的建模和验证结果表明，TSM测量值与预测值之间呈非线性关系，尤其是当TSM浓度大于30 mg/L时，模型效果更差（图4（d））。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 TSM实测值与反演值对比

Fig.4 Relation between Spectral Reflectance and Secchi disk depth

表2 波段组合与悬浮物相关系数

Table 2 Band combination and suspended matter correlation coefficient

数据集	波段选择	拟合方程	RMSE	RMSE%	MAE	RPD	R²
STKM	R880/R410	y=143.536x-22.043	14.1	24.5	10.7	5.3	0.87
CGH	R850/R550	y=483.254x-26.365	23.6	20.8	15.2	6.2	0.82
SA	R722/R690	y=160.975x-69.242	4.2	22.6	2.9	6.5	0.95
CIN	R720/R500	y=28.077x-10.335	3.7	22.8	2.9	4.9	0.78

注：*STKM，石头口门水库；CGH，查干湖；SA，南澳洲地区水体；CIN，美国印第安纳中部水库

新窗口打开| 下载CSV

将4个聚合数据集（n=282）进行比较，结果如图5所示。4个聚合数据集表现出相对相似的性能。除了查干湖外，其余水体测量结果与模型预测结果之间的相关性沿1∶1的直线拟合良好（图5（a）），进一步证实了波段比值模型具有良好的反演精度。OBR模型TSM预测的RMSE为14.6 mg/L，当TSM浓度小于20 mg/L时，存在TSM值高估或低估得现象（图5（b））。TSM浓度增加时，相对误差（RE）会降低。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 聚合数据集

Fig.5 Aggregated data set

5 藻类丰度对模型精度影响分析

图6（a）显示了相对误差（RE）的绝对值与Chl-a浓度的关系，在原数据集上没有观察到明显的相关性（R=0.17），但不同数据集的RE绝对值与Chl-a浓度之间的关系存在差异，R值分别为0.054（STKR）、0.362（CGL）、0.469（SA）、0.026（CIN）。研究表明，色素吸收与季节、环境条件、养分和光照利用率以及物种组成有关。同样，对非藻类颗粒的吸收也因成分、颗粒大小和浓度的不同而有所不同。图6（b）显示了RE的绝对值与Chl-a/TSM比值的相关关系（R=0.53），可以看出Chl-a/TSM比值高的样品通常会导致较高的RE值。同样，RE与Chl-a/TSM比值的相关性因数据集的不同而有较大差异，相关系数分别为0.394（STKR）、0.706（CGL）、0.685（SA）、0.331（CIN），因此Chl-a相对浓度与TSM的比值对TSM建模精度在不同地区具有一定差异。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 RE绝对值与Chl-a和Chl-a与TSM的浓度比的关系

Fig.6 The relationship between

6 结论

多平台遥感技术已成为内陆水环境动态监测的重要手段之一。由于内陆水体中各组分之间复杂的相互作用和影响机制，水体中浮游植物的存在对悬浮物遥感反演模型精度具有一定的影响，藻类丰度会导致水体遥感反射率降低。因此，建立精度高、普适性强的内陆水质参数遥感反演模型成为关键的科学问题，也是内陆水环境遥感反演领域的研究热点。实验获取了覆盖不同地区水体的现场反射率数据，利用光谱数据对TSM进行遥感反演，得出以下结论：

（1）采用地面光谱与实测水质参数建立的悬浮物反演模型，保证了光谱值与实测水质参数值的同步性。

（2）由于水质的不均一性，不同区域的水质参数敏感波段存在差异，因此选择各数据集的最优波段比值建模并验证。石头口门水库、查干湖、南澳洲水体和美国水库数据集的悬浮物浓度分别与R880/R410、R850/R550、R722/R690和R720/R500相关性最高，模型的平均绝对误差（MAE）分别为10.7、15.2、2.9、2.9。模型精度较高，模拟效果较好。

（3）当水体颗粒物以非藻类颗粒物（TSM）为主时（如中国石头口门水库和南澳洲水体），最优波段比值模型表现较好；而当水体颗粒物以色素颗粒为主时，水体中的Chl-a会使光谱信号复杂化，从而限制或降低TSM浓度遥感算法的精度（如美国水库）。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Duan

Hongtao

， Zhang

Bai

， Song

Kaishan

， et al.

Study on hyperspectral estimation model of transparency of Chagan Lake

［J］. Journal of Arid Land Resources and Environment， 2006， 20 （1）： 156-160.