基于MERIS遥感图像的太湖叶绿素浓度反演

王根深　王得玉

摘要以太湖为试验区，基于MERIS遥感图像数据以及同步实测的太湖水质参数数据，应用归一化叶绿素指数算法（NDCI），对太湖水体叶绿素a浓度进行反演，得到了太湖区域的水体叶绿素a反演结果，并对反演结果进行了验证和分析。结果表明：归一化叶绿素指数反演算法能够精确地反演太湖区域的叶绿素a浓度值，模型的决定系数（R2）为0.881 2，反演精度优于传统经验统计模型，可为今后更精确地反演内陆水体的叶绿素a浓度提供参考依据。

关键词MERIS遥感图像；叶绿素a；归一化叶绿素指数反演算法；太湖

中圖分类号X87文献标识码

A文章编号0517-6611（2017）30-0071-04

AbstractA novel index，normalized difference chlorophyll index（NDCI） was introduced in this study to invert the chlorophyll a（Chl.a） concentration form MERIS remote sensing image and the data of water quality parameters of Taihu Lake，and the inversion results were verified and analyzed.The inversion results showed that normalized Difference chlorophyll Index could accurately reflect the chlorophyll a concentration in the Taihu Lake， the coefficient of decision was 0.881 2， which was better than traditional empirical model，and provided a reference for the more accurate inversion of chlorophyll a concentration in inland water.

Key wordsMERIS remote sensing image；Chlorophylla；NDCI；Taihu Lake

内陆水体，特别是位于经济发达、人口密集地区的湖泊和河口，一般受到人类活动影响较大，湖泊水污染和水体富营养程度日益加重。叶绿素a是重要的水色参数之一，也是评价水体富营养化程度的重要指标[1]。通过测定叶绿素a浓度，能够直接反映水体的营养化程度，这是目前水环境监测中常用并行之有效的方法之一。

遥感技术的出现和应用为水体污染检测和研究开辟了新的途径。利用遥感技术监测水体，可快速获得较为准确的大面积水体信息及空间分布特征。

目前，利用遥感技术估算叶绿素a浓度主要有3种方法：经验法、半分析法和分析法。经验方法主要对大量的地面实测数据进行统计分析，应用简便，运算快捷。杨伟等[2]验证了TM二三四波段反演叶绿素a浓度效果较好，但经验方法由于缺乏一定的物理基础，过多依赖于实测数据，有较大的时空限制。分析法以光在水体中的传输机理为理论基础。李云梅等[3]利用Gordon模型对太湖的水体反射波谱进行模拟，并反演水体的叶绿素浓度。但是分析法需要大量准同步的气象和水体固有光学特性等数据，而这些数据的获取又很困难，因此，分析法很难在实际中得到应用。目前应用最广泛的是半分析法。半分析法通过分析水体组分与固有光学量、固有光学量与表观光学量之间的关系来反演水质参数浓度，具有很强的实用性。Gitelson等[4]利用MERIS数据和MODIS数据验证了两波段法、三波段法在浑浊水体中的估算精度；Le等[5]利用半分析法估算了太湖的叶绿素a浓度。

笔者以太湖为研究区域，利用MERIS遥感数据及水面实测数据，对太湖叶绿素a浓度的估算方法进一步深入研究，引入一种估算精度高、计算简单、适用性强的叶绿素a浓度估算方法——归一化叶绿素指数法（NDCI），并对该方法进行精度评价。

1研究区概况

研究区选择位于长江三角洲的太湖。太湖是我国第三大淡水湖泊，地处长江三角洲，流域范围包括江苏、上海、浙江、安徽等地区，水资源总量丰富，地势平坦，土壤肥沃，气候温热，水陆交通方便，是著名的鱼米之乡、旅游胜地，太湖为当地经济发展提供了良好的条件。太湖水面面积约2 338.1 km2，位于119°52′32″～120°36′10″ E，30°55′40″～31°32′58″ N，区域位置见图1。近年来，随着太湖地区经济发展，水体污染严重程度增加，水体富营养化程度日益加重。

2试验数据及预处理

2.1水面实测数据

2004年10月20—29日，在太湖67个测点（图2）进行了野外测量，测点均匀分布于整个太湖水域，涵盖了从极度到中度富营养化水体，从浑浊到清澈水体。首先根据NASA SeaWiFS海洋光学规范，测量了水体反射率光谱和水体的后向散射系数。接着在该采样点取水样，带回实验室进行相应水质参数和水色组分吸收系数的测量。

2.2卫星数据获取

内陆水体光学特性复杂，对传感器提出了较高要求，需要较高光谱分辨率、空间分辨率和时间分辨率等[6]。MERIS是搭载在ENVISAT-1上的中等分辨率成像频谱仪，是目前最具优势的水色传感器之一，主要用于海洋海岸带的水色监测，具有高时间、高空间、高光谱分辨率及高灵敏度的优点。MERIS传感器在光谱分辨率、水色波段设置以及辐射灵敏度等方面优于SeaWIFS、MODIS。其空间分辨率为300 m，波谱范围是412～1 050 nm，波谱分辨率范围为7.5～20.0 nm，有15个波段（390～1 040 nm），覆盖可见光到近红外，可以应用于复杂二类水体的监测。

MERIS数据产品分为3级：Level 1b数据（经过辐射校正后的大气层顶辐射亮度）；Level 2b数据（经过大气校正后的产品数据，主要包括叶绿素浓度、各波段归一化离水辐射率、气溶胶辐射等产品信息）；Level 3b数据（经地理校正及平均后的海洋产品数据，分辨率降低）[7]。该研究选用的MERIS遥感数据是2004年10月20日卫星经过太湖境内实时数据，可用于太湖叶绿素浓度的反演分析。

2.3数据预处理

该研究所选用的MERIS 2b遥感数据是在1b数据的基础上经过粗略幾何校正和大气校正后的数据，带有卫星方位角、时间信息、经纬度信息、太阳方位角和太阳天顶角等附属信息，图像较为清晰，但其精度还需要进一步校正。

BEAM软件是一款开源集成处理遥感栅格数据的软件，由BEAM软件处理器和经过可扩展预先定义的参数文件构成，还由经过几何校正的二级产品子集处理器组成。该软件对于MERIS、AATSR、ASAR、MODIS等数据格式的处理比其他遥感处理软件高效。

首先利用BEAM 5.0软件，对影像进行预处理，由于MERIS 2b产品已经经过了辐射能量转换，即将大气顶层辐射亮度转换为大气层顶的反射率，故无需进行辐射能量转换，可以直接进行其他预处理流程，流程如下：

（1）辐射校正。辐射校正就是将遥感图像上的灰度值转化为入瞳辐亮度。该研究采用辐射传输模型对数据进行辐射校正。

（2）几何校正。几何校正是指消除或改正遥感影像几何误差的过程。MERIS遥感数据的经纬度信息存储在Tie Point Grid中。宋瑜等[8]通过对比使用BEAM软件中的几何校正模块和ENVI软件中的Georeference MERIS对MERIS数据进行几何校正的结果，发现前者的校正精度更好。因此，该研究采用BEAM软件进行几何校正，选择一幅影像作为基准图像，将其他影像与基准图像进行几何配准，几何校正的同时进行投影转换，所选择的控制点应该尽可能均匀地分布在校正区域内，且数量要合理，使相同地标出现在校正后的图像相同位置[9]。几何校正的同时进行重投影转换，坐标系为WGS84，经纬度投影，采用最近邻方法重采样，选择3次多项式进行校正，目的是提高几何校正精度。

（3）图像裁剪。裁剪的目的是将研究区域之外的图像去除，按照太湖所在的经纬度范围进行裁剪，使裁剪成的太湖图像的边界范围变成一个矩形。按照太湖所在的经纬度范围进行裁剪，设置数据格式：North latitude bound：31.615；West longitude bound：119.997；South latitude bound：30.824；East longitude bound：120.541。

（4）掩膜处理。裁剪完成后还需进行一定的掩膜处理，掩膜（mask）掉陆地和云信息，主要剔除被标识为云层（cloud）和陆地（land）的像元、含有耀斑的像元（bright）、杂散光污染的像元（glint）、大气校正算法失效的像元（invalid）、产品值溢出或明显异常的像元等（duplicated），但是云层边缘和薄云部分难以去除[10]。

3归一化叶绿素指数法

3.1叶绿素的光谱特征分析

在内陆水体叶绿素的遥感反演中，叶绿素a的光谱特征相对较为复杂，在蓝、绿、红、近红外波段都存在能反映其浓度高低的特征区间。对于野外实测水体光谱反射率值，利用Matlab软件绘制出水体的反射率光谱，以便找出指示叶绿素含量的重要敏感性波段。图3给出了部分采样点的反射率光谱曲线，实测的水体反射率光谱中，剔除数据异常的17#、48#和57#样点，有效数据样点为64个。

在可见光范围内，一般水体的反射率总体上比较低，不超过10%，一般为4%～5%[11]，且随着波长的增大逐渐降低，到600 nm处为2%～3%，超过800 nm，水体几乎为全吸收体，因此在近红外的遥感影像上，清澈的水体呈现黑色[12]。但是在富营养化水体中，水体叶绿素浓度增加，蓝光波段的反射率下降，绿光波段的反射率增高，水体反射率光谱特征其结论并不完全相同，近红外波段仍存在一定的反射率，该波段水体影像不呈现黑色，而是呈现灰色，甚至是浅灰色[13]。图3叶绿素光谱曲线呈现明显的“峰和谷特征”，特有的峰谷特征为其在遥感影像上提供了有效的信息，具体叶绿素光谱特征：①波长540～557、697～703、666～693 nm处光谱反射率的大小受叶绿素浓度变化的影响较大，对探测叶绿素具有重要作用。②波长400～500、605～620、690～700 nm处，由于叶绿素吸收作用明显，反射率低，对叶绿素含量的变化最敏感。③波长675 nm附近的吸收谷，叶绿素在红波波段吸收最强，叶绿素吸收和细胞壁散射均衡，对藻类密度和叶绿素浓度的反射敏感度最低[14]。④波长700 nm附近的反射峰是由于浮游植物分子吸收光能后，受到太阳激发进行光合作用，激发出的能量产生荧光化的结果，它是判断湖泊水体是否含有叶绿素的重要光谱特征，反射峰的位置和数值是叶绿素浓度的指示，荧光反射峰近似满足高斯正态分布[15]。⑤在波长706 nm附近，反射曲线的斜率开始发生变化，近红外波段处水体强烈吸收，反射率逐步下降，该处的反射依赖于有机和无机悬浮物的浓度，对藻类色素的反应最不敏感[16]。

3.2归一化叶绿素指数法

水中叶绿素a浓度影响到水的光谱响应。叶绿素浓度上升时，蓝光波段的响应下降，绿光、红光波段的响应上升。并且当叶绿素a的浓度增加到一定值时，叶绿素a的诊断波段向长波段方向移动，因此在进行水质叶绿素a浓度检测时，核心问题在于建立水体反射率和叶绿素a浓度之间的定量关系。因此，在进行叶绿素a浓度反演时，常用方法是对叶绿素a的有效响应波段建立最佳比值或各种组合模型。

Mishra[17]在对比了两波段、三波段等模型的优缺点之后，提出一种估算叶绿素浓度的新指数——归一化叶绿素指数，并且验证了该方法在浑浊 Ⅱ 类水体中的适用性。其模型公式为

CChl.a∞[Rrs（λ2）-Rrs（λ1）]

[Rrs（λ2）+Rrs（λ1）] （1）

式中，CChl.a是叶绿素a浓度，Rrs（λ1）、Rrs（λ2）分别为波段λ1、λ2处的反射率。NDCI指数的构建采用归一化的形式，部分消除由于太阳高度角的变化、大气辐射等因素所带来的影响。

λ1和λ2的选择有所限定：λ1选在665～675 nm附近的吸收峰处，该处的吸收峰主要是叶绿素吸收所致；

λ2位于700 nm附近的反射峰，该反射峰对水体中叶绿素a浓度含量变化敏感。假定CDOM和TSS在这两波段处吸收近似相等，因此在选择λ1和λ2的波段時距离不宜过远。λ1、λ2均选择光学特性由叶绿素a主导的特征光谱处，也在一定程度上减少了其他水体组分的影响。

4建模与分析

4.1模型构建实测数据随机选取15个采样点（表1），用于模型构建。

首先在BEAM软件中选择第7、9波段，对应的中心波长分别为665和708 nm。然后在MERIS影像中得到对应点的反射率因子，再将[R（708）-R（665）]/[R（708）+R（665）]作为自变量，实测的样本点的叶绿素a浓度作为因变量，在Matlab中作图进行回归分析，得到每个遥感反射率因子与叶绿素a浓度之间的回归关系以及反演模型（图4）。

根据图4，建立的反演模型如下：

y=27 084 x2+1 440.3x+20.636 （2）

从图4可以看出，叶绿素a浓度与水体反射率因子之间的关系是非线性的，数据样点基本均匀分布在曲线两侧，NDCI与叶绿素a浓度实测值的相关性较好，R2=0.881 2。

4.2模型验证

为了验证归一化叶绿素指数法的反演精度，随机挑选9个样点对该模型进行验证。由表2可知，反演结果最小相对误差为0.63%，最大相对误差为52.33%，平均相对误差为14.40%。

结果表明：归一化叶绿素指数法反演得到的太湖水域叶绿素a浓度值与对应的叶绿素a浓度实测值大致相同，估算结果较为准确，相对误差较小，基本可满足目前水质参数估算的精度要求。

4.3反演结果误差分析部分样点叶绿素a浓度与实测值相差较大，可能由以下原因引起。

（1）湖泊水体存在较长的时间、空间差异性，不同环境、气候、测量条件的数据之间很难保持在统一的影响因子水平，使得利用简单的相关分析方法得到的结果往往具有一定的不确定性。

（2）由于内陆湖泊水体的叶绿素光谱特征受悬浮颗粒物、黄色物质的影响，其光谱特征明显高于一类水体叶绿素

光谱特征。叶绿素通常会被悬浮颗粒物、黄色物质所掩盖。

（3）实测叶绿素a浓度之间相差不大，影响光谱特征的光学物质含量相似，导致水体光谱具有相似特征。

5结语

该研究基于太湖实测叶绿素浓度数据和MERIS遥感数据，应用归一化叶绿素指数法，反演出太湖叶绿素浓度，并利用太湖实测数据进行验证，结果显示，归一化叶绿素指数法是一种精度高、计算简单、适用性强的叶绿素a浓度估算方法，为内陆浑浊水体叶绿素a浓度遥感监测的业务运行提供了有力例证。

参考文献

[1]

尹球，疏小舟，徐兆安，等.湖泊水环境指标的超光谱响应特征分析[J].红外与毫米波学报， 2004， 23（6）：427-430， 435.

[2] 杨伟， 陈晋， 松下文经.基于生物光学模型的水体叶绿素浓度反演算法[J].光谱学与光谱分析， 2009， 29（1）： 38-42.

[3] 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， 10（2）：169-175.

[4] GITELSON A A，DALLOLMO G，MOSES W， et al.A simple semianalytical model for remote estimation of chlorophylla in turbid waters： Validation[J].Remote sensing of environment， 2008， 112（9）： 3582-3593.

[5] LE C F， LI Y M， ZHA Y， et al.A fourband semianalytical model for estimating chlorophyll a in highly turbid lakes：The case of Taihu Lake， China[J].Remote sensing of environment， 2009， 113（6）：1175-1182.

[6] 姜广甲， 周琳， 马荣华，等.浑浊 Ⅱ 类水体叶绿素a浓度遥感反演（Ⅱ）：MERIS遥感数据的应用[J].红外与毫米波学报， 2013， 32（4）： 372-378.

[7] 王云飞.东海赤潮监测卫星遥感方法研究[D].青岛：中国海洋大学， 2009.

[8] 宋瑜， 宋晓东， 郭照冰，等.利用MERIS产品数据反演太湖叶绿素a浓度研究[J].遥感信息， 2009（4）： 19-24.

[9] 冯登超， 陈刚， 肖楷乐，等.遥感图像的几何精校正研究[J].国外电子测量技术， 2012， 31（5）： 41-43.

[10] 李莉， 尹球， 巩彩兰，等.太湖不同叶绿素a浓度水体荧光特征分析[J].光谱学与光谱分析，2011，31（1）：36-40.

[11] 王志辉， 易善桢.不同指数模型法在水体遥感提取中的比较研究[J].科学技术与工程， 2007， 7（4）： 534-537.

[12] 韩丽君.遥感在资源环境调查中的应用[J].太原理工大学学报（社会科学版）， 2005， 23（S1）： 69-71.

[13] 熊旭平.基于遥感的公路域生态环境质量评价[D].长沙：长沙理工大学， 2008.

[14] 吴传庆， 杨志峰， 王桥，等.叶绿素a浓度的动态峰反演方法[J].湖泊科学， 2009， 21（2）： 223-227.

[15] 刘英.千岛湖水体水质参数遥感及其估测模型研究[D].杭州：浙江大学， 2003.

[16] 展建敏.实测高光谱数据归一化区间变化对太湖叶绿素a含量估算的影响[D].南京：南京师范大学， 2009.

[17] MISHRA S，MISHRA D R.Normalized difference chlorophyll index： A novel model for remote estimation of chlorophylla， concentration in turbid productive waters[J].Remote sensing of environment， 2012， 117（2）： 394-406.