内陆水体藻蓝蛋白遥感反演研究进展

吕丽丽，宋开山，刘阁，温志丹，尚盈辛，李思佳

1.中国科学院东北地理与农业生态研究所遥感中心,长春130102;

2.中国科学院大学,北京100049;

3.聊城大学 环境与规划学院,聊城252000

1 引 言

相比海洋生态系统，内陆水体（湖泊、水库、河流）生态系统与人类生产生活的关系更加密切。内陆水体中各浮游动植物、颗粒和溶解性有机物、无机物、微生物、碳源和氮源等物质相互作用，共同维持着水体生物化学生态系统的平衡（Duan等，2012；Song 等，2019；Wen 等，2019）。在内陆水体中浮游藻类，因其含有的色素可以捕获太阳光并将其转化成能量，充当着一切能量的提供者（Hmimina等，2019）。有研究表明，色素组成及其比例的不同是引起藻类间吸收光谱变化的主要原因（Zhao等，2018）。藻蓝蛋白PC（Phycocyanin），是蓝藻的标志性色素，仅存在于蓝藻中，可以指示蓝藻生物量，具有吸收和传递光能的性质，分子量约为232 KDa，具有荧光性，呈亮蓝色，属于胞内蛋白，易溶于水、乙醇等极性溶剂（Zhao 等，2018）。PC 是天然光学活性物质，在620 nm 附近处有明显的特征吸收峰，这正给遥感监测其浓度提供了理论依据。近年来，内陆水体富营养化现象加剧，蓝藻水华现象频发，导致水生生态系统严重失衡，有些蓝藻产生藻毒素，严重威胁着人类和动物健康安全（Matthews 等，2010；Shi 等，2015a；Song 等，2021）。利用遥感技术监测PC 浓度，进而来监测水体中的蓝藻生物量，是一种有效地、大尺度、快速精确地监测蓝藻水华的策略（Duan等，2017；Miao等，2020）。

PC第一次出现在遥感学科领域，应归功于美国的Gordon 学者，Gordon 等（1980）首次阐述了PC的光谱特征，标志着PC 遥感应用的开端。20 世纪90年代航空遥感传感器CAMS、CASI（Dekker 等，1991；Millie 等，1992；Dekker，1993）被应用于监测PC 浓度；2000年以后随着各大卫星遥感平台数据的相继开放，MERIS 以及欧空局的Sentinal-3 OLCI 等数据增设了620 nm 波段，加之3 大分辨率的提升，算法的不断优化，大大提升了PC 遥感监测技术在各个尺度和准实时监测的能力（Ogashawara，2020；Yan 等，2018）；在随后的十几年内PC 遥感研究处于爆发期，无论是基础原理，算法开发，还是遥感平台的应用都得到了突飞猛进的发展，遥感技术已成为蓝藻监测及水质管理领域中不可或缺的有效工具。然而，与3大经典光学活性物质相比，PC 的遥感研究相对较少，因为其620 nm 的吸收峰光学信号较弱、且易受到水体类型和叶绿素a、悬浮物等的影响。另外，PC实际浓度的测定尚没有一个标准方法可循，目前主流的提取方法有手动研磨法、超声破壁法、冻融法、超声冻融联用法（Hunter 等，2010；Sarada等，1999）。测定方法有吸光度法（Bennett和Bogorad，1973）、荧光分光光度计标准曲线法（Lyu等，2013）、酶联反应测定法（Zimba，2012）、荧光探针测定法（Mishra 等，2009；Song 等，2013）。以上萃取和测定方法间PC 的测定值存在差异，尤其是在低浓度水体中，想要做到高精度反演仍是一个挑战（Liu等，2018）。

PC 定量遥感反演研究的意义在于，可利用PC与蓝藻生物量，与藻毒素之间强烈的正相关关系，定量监测水体中蓝藻生物量或藻毒素含量，这对理解蓝藻暴发机制及其早期预警具有重要意义。基于这点，关于PC 光学性质（反射、吸收、荧光）、反演模型及应用拓展的研究，都成为近年来水环境遥感研究领域的热点。国际上已有几篇综述性论文发表（Ogashawara，2020；Ogashawara等，2013；Yan 等，2018），他们的侧重点或是反演算法对比或是文献统计分析，缺少PC 光学性质的全面概述，缺少PC 反演的影响因素分析等。因此，本研究领域迫切需要一个从多角度、多维度、系统地综述论文来概括总结国内外PC 遥感研究的发展趋势及取得的新成果。基于这点，本综述更注重对PC 光学性质、反演算法开发和验证、影响因素以及多种卫星数据源应用的梳理，并深入挖掘其未来的发展方向。

2 文献计量分析及概述

在过去的30 a里，PC遥感研究不断发展进步，涉及到的研究区300余个，遍布全球各地，主要集中分布在欧美地区及中国境内，还有少数分布在非洲、印度、韩国等地区。经文献查阅，这些水体无论是湖泊、水库还是河流均属于富营养化或超富营养化水体类型。中国境内涉及的相关研究区多分布在南方富营养化较为严重的一些湖泊，例如，太湖、巢湖、滇池、洱海等。从PC 遥感反演发文数量上看，自1990年至今一直呈持续增加的趋势（图1），增加趋势可分为3 个阶段，即2005年之前属于起步阶段，零星有些研究，2005年—2015年属于快速增加阶段，以算法开发，各数据源应用为主，2015年之后属于稳定发展阶段。这3 个阶段也充分体现了30 a 来PC 遥感反演研究的发展和日趋成熟。

图1 PC反演研究自1990年以来的发文数量及其发展的3个阶段Fig.1 The number of papers published by PC inversion since 1990

PC 遥感反演研究在国家尺度上的分布情况表明（图2），美国在该领域研究中发文数量遥遥领先，占研究发文总数量的40%；中国位居第二，占总数量的25%，欧洲国家占总数量的21%，韩国占总数量的8%，而南非、印度、加拿大、巴西等国家在这方面的研究则很少。总体来看，全球还有很多国家从来没有涉及PC 遥感研究领域，并且，已有这些国家在此领域的发展极度不平衡，按照排名顺序发文数量呈断崖式下降。可喜的是，中国在此领域的研究数量超过了欧洲，但在文章质量和影响力上，中国离欧美还有一定差距。

图2 自1992年以来所有PC反演研究发文数量在主要国家的分布情况Fig.2 Distribution of the number of papers published in PC inversion studies since 1992 in major countries

3 藻蓝蛋白的光学性质

3.1 藻蓝蛋白的吸收特性

PC的吸收系数一般表示为aPC(620)，以aPC(620)除以PC浓度来表示PC单位吸收系数，即(620)。这两个参数对定量遥感反演PC 浓度都是至关重要的。从中国几个典型水体的藻类吸收光谱曲线（图3），可以看到3 个明显的吸收峰，绿色线指示Chla 的吸收峰（443 nm、675 nm），蓝色线指示了PC 的吸收峰（620 nm）。相比于Chla的吸收峰，PC 吸收信号较弱，大概只有Chla 吸收峰强度的20%（Schalles 和Yacobi，2000）。所以要想在遥感上得到与Chla 等效的光谱信号，需要较高的PC浓度（Shi 等，2015a；Yan 等，2018）。

图3 几个内陆水体反射光谱和吸收光谱（蓝色：PC吸收峰，绿色：叶绿素a吸收峰，红色：散射峰，黄色PC荧光峰，数据来源：课题组自测）Fig.3 Reflection and absorption spectra of several inland water bodies（blue：PC absorption peak，green：chlorophyll a absorption peak，red：scattering peak，yellow PC fluorescence peak）

不同类型内陆水体的aPC(620)值差异较大，aPC(620)在中国东部湖泊数值范围为0.05—1.56 m-1（Duan等，2012），在荷兰北部湖泊为0.002-1.2 m-1（Simis等，2005），在美国印第安纳州水库为0.008-1.25 m-1（Li 等，2015），这表明内陆水体aPC(620)有强烈的变异性。有研究表明，aPC(620)会随着水体营养化等级的增加而增大（Matthews等，2020）。另外，aPC(620)也呈现季节性变化，一般是夏秋季较高，春冬季较低（Schalles 和Yacobi，2000）。这些研究结果表明aPC(620)不仅具有时空变异性，同时也受水质类型的影响。

根据定义，PC 单位吸收(620)可以反映aPC(620)与PC 浓度的关系，一般的(620)与PC浓度呈负相关关系（Duan 等，2012；Shi 等，2015a）。不同地区不同类型水体，(620)差别较大，中国东部湖泊(620)的范围为0.001—1.2 m2·mg-1（Duan 等，2012），荷兰北部湖泊为0.0088—0.1868 m2·mg-1（Simis 等，2005）。(620)受多种因素影响，包括细胞形态、光利用率、其他色素物质的干扰（Simis 等，2005）。同时，PC浓度测定的不确定性也是(620)强变异性的重要因素。利用生物光学模型精确反演PC 的关键是选择一个合适的(620)值，因此(620)的变异是不可忽略的（Duan 等，2012；Lyu 等，2013；Ruiz-Verdú 等，2008；Simis 等，2005）。Simis 算法中将(620)值固定为0.0095 m2·mg-1（Simis等，2005），但后来他们又调整到0.007 m2·mg-1（Simis等，2007），因为新的PC提取方法使PC的萃取效率提高了28%。但是，Le 等（2011） 和Mishra 等（2013）等人认为0.007 m2·mg-1仍然偏高，在研究中则使用了较低的(620)，如0.0043 m·2mg-1（Jupp等，1994）和0.0048 m2·mg-1（Mishra 等，2013），甚至在有的研究中，没有测定(620)的值，而是直接使用已报道的平均值0.0046 m2·mg-1（Li 等，2015）。基于(620)易变的性质，Mishra 等（2013）利用同一组数据集，考察了3 种(620)（报道过的0.0048 m2·mg-1、平均值、模拟值）对PC 浓度反演精度的影响，3 种情况下得到的PC 估算平均相对误差在10%—22%变异。结果还表明，(620)随着Rrs(620)/Rrs(665)的比值呈线性增加。总而言之，(620)值不是一个固定值，受季节、细胞形态、蓝藻种类、色素浓度等多种因素影响。

3.2 藻蓝蛋白的反射光谱特性

在富含蓝藻的水体中，反射光谱曲线具有3个明显的反射峰（图3），第1 个反射峰位于500—600 nm，是由藻类散射吸收引起的最大最宽的绿峰，第2 个峰位于640—660 nm，是由位于两边的620 nm、670 nm 波段处的PC 吸收，Chla 吸收，共同作用形成的（Hunter 等，2008），第3 个峰位于700—710 nm，是由Chla 强吸收和散射引起的。然而，这些峰并不是孤立的，固定不变的。有研究表明，PC光谱特征的位置是随着PC浓度在Chla浓度比例中改变而变化的（Hunter 等，2010），可能小于620 nm也可能大于620 nm。在贫营养水体中，PC 浓度很低，光谱曲线620 nm 处没有明显的吸收谷，导致低浓度时，PC 反演精度较低（Li 等，2012；Simis等，2007），而在中营养、富营养水体中620 nm 处有明显的吸收谷，且PC 浓度越高，620 nm 的吸收谷越深。而在浮渣出现以后，即水面被蓝藻覆盖，光谱呈现典型植被特征（光谱上753 nm 反射峰高于709 nm）时，PC 反演算法已经没有意义，此时应该考虑更换算法去检测浮渣蓝藻生物量（Shi等，2019）。

与其他两个散射峰相比，反映PC 吸收的反射峰信号是最弱的，这给遥感反演PC 浓度带来了一定难度，多数研究使用实测高光谱数据或高光谱航空遥感影像（AISA、CASI、CHRIS），以获得满意的离水辐亮度信号。对于多光谱卫星传感器，含有620 nm 波段设置的，也多被用于PC 遥感反演研究。总之，结合PC 光谱特征和其他峰、谷的分析，包括其量级的大小、位置、峰高、峰面积、求导等方法、开发各种PC反演算法。

4 藻蓝蛋白与叶绿素a、蓝藻生物量的关系

叶绿素a存在于所有藻类中，研究多以Chla为代理指示总藻的含量，PC 只存在于蓝藻中，可以指示蓝藻生物量。藻毒素大多存在与藻蓝细胞中，随藻蓝生物量增加而增多。他们之间的关系不仅可以用于妥善处理PC 反演精度的问题，还可以用于间接估算蓝藻生物量，藻毒素浓度等，拓展PC遥感反演的意义及实际应用价值。

一般的，内陆水体中，PC 与Chla 的关系有两种情况：第一，只有在蓝藻主导的水体中，他们之间才存在显著正相关性，例如南非的Hart bees poort 水库、韩国Baekje 水库，PC 与Chla 均具有很好的正相关关系；而对于非蓝藻主导的水体，南非的Thee water skloof 水库，两者相关性较弱。第二，只有在适宜的PC：Chla 比值范围内，两者关系才成立，当PC：Chla＜0.5 时，两者关系较弱，当PC：Chla≥0.5 时，两者关系增强（Hunter 等，2008；Li等，2012；Simis等，2005，2007）。太湖PC 浓度为7—50 μg·L-1范围内时，PC 与Chla 高度相关（郭一洋等，2016）。Ahn 等（2007）利用两者的紧密关系，以PC代替Chla，提出了基于PC浓度的蓝藻预警系统，得出PC 浓度为0.1 μg·L-1、30 μg·L-1和700 μg·L-1时分别指示安全水平、警惕水平、警告水平。

相比于Chla，PC与蓝藻生物量间的关系更加稳定，据报道两者相关关系高达0.7—0.8（表1）。但也有研究表明，不同种类蓝藻含有PC 浓度是不同。例如PC 在Planktothrix agardhi藻中比在Lemmemanniella sp藻中的含量低4倍多，（Mishra等，2013）。另外，PC 也可以作为桥梁连接Chla 和蓝藻生物量，从而实现大量的Chla 反演算法被应用于蓝藻生物量监测的目的（Pyo 等，2020）。值得一提的是，PC：Chla 比值赋有特别的意义，即可以指示总藻中蓝藻的比列，这对早期蓝藻水华预警以及理解内陆水体中浮游生物群落结构具有重要意义。

表1 藻蓝蛋白与叶绿素a、蓝藻生物量、藻毒素的关系Table 1 The relationship between phycocyanin，chlorophyll a，cyanobacteria，and microcystin

PC 与藻毒素关系研究不多。Shi 等（2015b）通过两步估算法，利用藻毒素与Chla、Chla 与MODIS 指数这两个紧密的关系，反演得到2003 到2013年的藻毒素浓度年际变化规律。其他研究也发现藻毒素浓度与PC浓度强烈正相关（Hunter等，2008；Sridhar和Vincent，2007）。由于藻毒素不是光学活性物质，理论上不能直接与遥感反射率（Rrs）数据建立关系，所以，这些关系为二步法反演藻毒素提供了理论基础。

5 藻蓝蛋白的遥感反演算法

5.1 经验算法

经验算法是直接使用统计回归方法，建立实测PC 浓度与实测光谱反射率或各种光学传感器观测的反射率数据之间的关系，此方法很少考虑辐射原理，操作简单，是PC 定量遥感反演研究中使用较多的算法（表2），但此算法具有空间局限性，只适用于选定研究区的当次数据集（Yan 等，2018）。在经验算法中，波段比算法能消除一些干扰因素，如大气的影响，例如Rrs(710)/Rrs(620)（Seppälä 等，2007），Rrs(709)/Rrs(620) （Chi 等，2016；Kwon 等，2020），Rrs(747)/Rrs(665)（Sòria-Perpinyà 等，2020），Rrs(700)/Rrs(600)（Mishra 等，2009），Rrs(764)/Rrs(628)（Schalles 和Yacobi，2000）。可以看出，这些算法的反演精度均较高。Mishra等（2009）认为使用600 nm代替620 nm，可以有效消除Chla 的影响，反演精度得到提高。Millie 等（1992）基于CAMS 影像的Orange/red 与PC 浓度建立经验回归关系，但由于实测PC 浓度值准确度的问题，反演精度不高）。Vincent等（2004）在美国Lake Erie，基于Landsat TM 数据，利用多个波段比为自变量，PC浓度为因变量，进行多元线性回归，取得较好的反演精度。Medina-Cobo 等（2014）在西班牙的几个湖泊中，基于MERIS数据的B9和B6波段的差与和之比，成功反演PC 浓度。Varunan和Shanmugam（2017）在印度富营养化湖泊中，利用实测光谱数据开发了波段比Rrs(620)/Rrs(652)算法，反演出aPC(620)的值，然后利用固定（620）=0.0072，成功反演PC 浓度值，然后将算法应用到HICO 影像，同样获得了较高反演精度。Torbick 等（2018）在英格兰北部湖泊，基于Landsat 7 ETM+，Landsat OLI数据，利用NIR/green+NIR/blue 算法，反演了PC 浓度，并利用GIS 空间分析方法将PC 浓度与肌肉萎缩病联系起来，建立了肌肉萎缩病风险因子评价体系。Sòria-Perpinyàd等（2020）基于Sentinel-2 MSI 影像数据，利用B5和B4比值算法，成功反演PC浓度。

表2 PC遥感算法汇总Table 2 PC remote sensing algorithm summary

续表

续表

续表

除了波段比使用较多外，由Dekker（1993）提出的基线法，也经常用于PC 遥感反演，Ruiz-Verdú 等人在西班牙荷兰水体中，对比了基线法和Simis嵌套法对PC 反演的效果，两个算法都取得较高精度，Simis 嵌套法精度更高一些（Ruiz-Verdú等，2008）。另外，Castagna等（2020）基于Landsat 8 OLI 互补色橙线高算法，成功反演PC 浓度。Tao 等（2017）基于MODIS 影像，利用多元线性回归，成功地反演了中国巢湖PC 浓度。Sun 等（2015）在中国巢湖，基于Landsat系列卫星，利用可见光、近红外及两者之比，进行多元线性回归，成功反演PC 浓度。除这些算法外，还有高斯函数（Wang 等，2016，2017），正交函数（Soja-Woźniak 等，2017），波段差（Beck 等，2017）等经验算法用于PC浓度的遥感估算。

5.2 半分析算法

为了克服上述经验算法的缺点，近年来基于水体固有光学特性（IOPs）结合一些经验关系及水体辐射传输理论，提出的半分析方法受到更多关注。一般的，半分析算法包括：三波段算法、四波段算法、嵌套波段比算法、准分析算法（QAA）、衍生算法（光谱形状算法SS）等。这些算法主要致力于解决以下3 个问题：大气校正、620 nm 处藻类吸收的分解和足够的光谱分辨率（Yan等，2018）。未来的半分析算法将致力于最小化其他色素对PC反演的影响。

嵌套波段比算法最早由Simis 等（2005）开发出来，此算法基于3 个假设：第一，aph(λ)=aChla(λ)+aPC(λ)；第二，固定aChla(665)对aChla(620)的贡献；第三，固定单位吸收（620）的值，此算法在其特定研究区内，反演精度很高。然而，在其他研究区，第二和第三假设引起的误差较大，因为这两个值都不是固定的，是随地域和时间变异的。后来，以此算法为基础的各种变体算法被广泛用于各个地区的PC 反演研究。其中，Randolph 等（2008）将算法的（620）更改为0.007，应用于美国印第安那州的3 个富营养化的水库，取得很好的反演精度。Duan 等（2012）和Yin 等（2011）将此算法应用于中国太湖，取得较高反演精度。Wheeler 等（2012）则是将此算法应用到法国Champlain 湖，利用Quick Bird 和MERIS数据，获得良好的反演精度。Lyu 等（2013）是以高度富营养化的太湖为研究对象，改进了算法中两个系数，并用非线性幂函数来代替固定的（620），并阐述了总悬浮颗粒物（TSM）对反演结果的影响。Chawira 等（2013）和Zhang 等（2015）利用此算法，基于MERIS 数据分别对非洲津巴布韦和美国大部分湖泊进行了PC 反演。除嵌套波段比算法，一些从遥感反射率估算aPC(620)的半分析算法不断涌现（Li 等，2015；Matthews 等，2020；Miao 等，2020）。这些算法主要是从总吸收中分离出PC 在620 nm 的吸收，消除了Chla、CDOM 和非PC物质的干扰。另一种是基于准分析模型（QAA）来分离各组分的吸收系数，将QAA 算法的波段修改后，应用于aPC(620)的估算，修改的算法成功的从总藻类吸收中分离出aPC(620)。该算法的优点在于没有忽略CDOM 和非藻类颗粒物吸收的贡献（Mishra等，2013；Lee等，2002）。

三波段和四波段算法最早被发明用与Chla 的遥感反演研究。Hunter等（2010）将算法中的Chla特征吸收波段更改为PC 特征吸收波段，第一次将此算法引入到PC 遥感反演研究中，并获得较高的反演精度。后来Song 等（2012a）对比了三波段和波段比模型对PC 反演的效果，发现三波段算法优于波段比算法。Le 等（2011）是将算法中的Chla特征吸收波段更改为PC 特征吸收波段，第一次将四波段算法引入到PC 遥感反演研究中，随后Liu等（2018）将修改后的四波段算法应用滇池。

QAA算法最早由Lee等（2002）提出，其优点是基于表观光学量AOPs 和经验关系，将水体中3 大光学活性物质CDOM、藻类、非藻类颗粒物在总吸收的贡献中分解成每个独立的变量，最后，依据各物质吸收系数实现其浓度的定量反演。QAA 算法可以最大程度的减少各物质间的干扰，但需要大量实测数据。QAA 算法多用于3 大光学活性物质定量遥感反演，很少应用于PC 遥感反演。Becker 等（2009）和Mishra 等（2013）将QAA算法中相关波段修改成PC 特征波段，分别基于MODIS和实测高光谱数据，实现了PC遥感估算。

5.3 衍生算法

衍生算法最早由Wynne 等（2008）提出，又叫做光谱形状算法SS（λ），此算法是基于光谱曲线中PC 特征吸收谷和其他峰或谷的位置形成特定的光谱形状，可用波段有620 nm、560 nm、654 nm、681 nm、714 nm等。Wynne等（2008）和Wynne等（2010）基于实测光谱数据和MERIS影像，利用SS（681）算法对美国密歇根湖和伊利湖PC 浓度进行遥感估算。Qi 等（2014）将其修改的光谱形状算法称之为PCI 指数基于实测光谱，在太湖PC 遥感反演中取得较好精度，随后PCI指数多次被用于PC遥感估算（Kudela等，2015；Sayers等，2019）。

5.4 基于机器学习的算法

近年来，随着计算机技术的迅速发展，遥感反演研究算法开发越来越依赖计算机，以期获得高精度反演结果。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。他是人工智能的核心，在全球人工智能浪潮的背景下，遥感算法开发也融入了机器学习算法，先后出现了遗传算法（Song 等，2012b）、支持向量机算法（Sun 等，2013）、人工神经网络算法（Park等，2017；Song等，2014）、堆叠自编码算法（Yim等，2020）、机器学习（Peterson 等，2019；Pyo 等，2020）。尤其是近两年，机器学习算法大量地出现在PC 遥感反演研究中，与上述几种算法相比，这类算法遥感估算精度很高，R2＞0.88，RMSE较低，且其适用多种数据源。但是，这类算法过多地依赖数理分析，缺少与水体固有光学特性和表观光学特性关联的机理研究。所以，未来PC 算法的发展还是会以机理研究为主，机器学习为辅。

5.5 间接估算方法

上述反演算法多数是利用遥感反射率数据或影像直接与实测PC 浓度建立关系，然而一些利用中间桥梁，如浊度、漫衰减系数Kd，经二步法间接实现PC遥感估算的方法也鲜有报道。Gitelson发现PC浓度与Kd值相关性很好（Gitelson等，1995），虽然文中并没有利用这个关系反演PC 浓度，但这一发现为未来间接反演PC 奠定了基础。另外，Richard Beck研究发现，PC浓度与浊度的关系为良好的正相关关系，并借助浊度与遥感反射率的关系，成功反演了PC浓度（Beck等，2019）。

6 卫星传感器

PC 遥感反演算法开发的最终目的是可以将这些算法成功地应用到卫星影像上，以期进行水体中PC 浓度在时间空间的遥感估算，为相关部门水质监管提供技术支撑。目前，PC反演算法的开发、验证多使用实测高光谱数据或航空影像（CASI-2、AISA Eagle），然而，为满足一定空间和频次上的PC浓度分布需要，多使用卫星影像数据源。首先，对于多光谱卫星数据，只有MERIS、Sentinel-3 OLCI 影像数据具有PC 敏感波段，是应用于PC 遥感反演研究最多的数据源。对于一些不具备PC 敏感波段的传感器，如Landsat 系列、MODIS 等，则可以通过构建多参数模型算法来弥补其波段设置的缺点。除多光谱传感器外，高光谱卫星影像数据（如Hyperion、HICO）也被用于PC 空间反演研究中。

6.1 Landsat系列数据

Landsat 数据具有较高的空间分辨率（30 m）和较长时间跨度（1980年代），但其波段设置没有覆盖PC 特征吸收波段（620 nm）。尽管如此，一些研究者仍然开发了一些巧妙的算法利用Landsat数据，成功进行PC 反演制图。Vincent 等（2004）等利用Landsat 5 TM，Landsat 7 ETM+，结合多个波段比线性回归算法B3/B1、B4/B1、B4/B3、B5/B3、B7/B3、B7/B4 对美国伊利湖PC 浓度进行反演并制图，适用于PC 浓度范围为0.9—5μg·L-1。Torbick 等（2018） 利用Landsat 7 ETM+数据和Landsat 8 OLI 数据，结合NIR/green 和NIR/blue 波段比回归模型对英格兰北部湖泊PC 含量进行反演并制图（Torbick 等，2018）。Sun 等（2015 利用相同的方法在滇池进行了PC 浓度制图。最有趣的是，Castagna 等（2020）利用Landsat 8 OLI 波段互补色与PC 浓度建立关系，提出橙线高Orange Line Height（OLH）算法，成功的反演PC浓度。

6.2 MERIS/Sentinel 3 OLCI数据

MERIS 影像数据具有300 m 空间分辨率，2—3 d 的重访周期，15 个波段设置，较高的信噪比。对比于其他卫星，MERIS数据在615—905 nm 具有更多的波段，这个区域覆盖了多个反射率特征用于PC 遥感估算。大多数研究使用MERIS 数据进行PC 反演，已经证明其良好的辐射、空间、时间、光谱分辨率。Simis 等（2005）基于MERIS 影像数据结合嵌套波段比算法，获得较高PC 反演精度。Guanter 等（2010）基于MERIS 影像数据结合嵌套波段比算法，对欧洲75个湖泊的PC 浓度进行遥感估算。Wynne 等（2010）基于MERIS 数据，利用光谱形状算法，对伊利湖进行了PC 浓度遥感估算。不幸的是，MERIS 数据在2012年停止提供，但欧空局的Sentinel-3 OLCI 数据继承了MERIS 数据的配置和优点，继续被用于PC 遥感反演研究。Miao（2020）基于OLCI 影像结合半分析算法，反演太湖、巢湖PC 浓度。Song 等（2013）利用实测光谱数据模拟OLCI 波段，采用三波段算法，很好的估算了PC 浓度。Beck 等（2019）利用同一套数据对比了多个传感器，WorldView-2/3、Sentinel-2 MSI、Landsat 8 OLI、MODIS、MERIS、OLCI 对PC估算的能力，结果表明，相比于其他传感器，OLCI具有与MERIS 一样的高精度。OLCI数据也被用于其他卫星传感器反演结果的验证（Castagna等，2020）。

6.3 MODIS数据

MODIS数据具有2景/d影像的高重访时间，前两个波段具有相对高的空间分辨率250 m，然而MODIS 波段设置没有覆盖PC 特征吸收波段。基于这个特点，大多数利用MODIS 数据进行PC 反演的研究，通常使用经验算法，如多项式拟合，多元线性回归（Tao 等，2017），高斯函数（Wang 等，2017）等。

7 结 语

本综述通过文献计量方法，从多角度系统地对当前藻蓝蛋白光学特性（吸收特性和反射特性）、反演算法、与其他水质参数的关系、多源遥感影像应用的研究、发展趋势及取得的新成果进行了梳理。结果表明，PC的光学特性随营养等级、季节、空间变异。目前已开发了多种PC 反演算法，包括经验模型，半分析模型、生物光学模型等，应用多种遥感数据源对水体进行了PC 空间反演，对富营养化水体蓝藻生物量估算、水环境检测与保护具有重要意义。本综述注重对PC 光学性质、反演算法开发和验证、影响因素分析的梳理，并指出当前研究的难点和未来的发展方向。在研究难点方面，首先，PC的萃取测试方法无统一标准，导致多个报道中实测PC浓度无法进行对比和引用，使得基于文献收集的更大尺度，例如全国尺度、或全球尺度的PC 遥感反演建模难以建立，另外，PC光谱信号弱，易受大气和其他光学活性物质的干扰。PC：Chla 比值作为蓝藻在总藻中的相对比例，是对PC 估算干扰最大的因素（Hunter 等，2008；Li等，2015；Simis等，2005）。另外，由于非藻类颗粒物后向散射可以掩盖PC 光谱信号，所以PC：TSM 比值是对PC 估算干扰的第二大因素。有些报道称，根据Chla、TSM 取值范围，对水体进行分类后，再反演PC，可以有效消除二者的干扰（郭一洋等，2016）。因此，合理处理这些干扰因素，正是准确反演PC的关键。

基于上述分析，PC遥感反演未来的发展方向，归纳为以下几个方面：（1）在PC 萃取测试方面，急需一个国际通用标椎化方法；（2）算法的发展，坚持与固有光学量相关的机理研究，并融合机器学习算法，以期带来较高反演精度；（3）研究区水体在空间、时间尺度上的发展，未来会向着更大地理空间尺度，更长时间序列历史追溯和未来预测方向发展；四是在应用方面的扩展，PC 遥感反演不仅局限于蓝藻生物量的定量估算，未来将更多的与藻毒素、相关疾病等建立关系，实现基于遥感的水体风险因子评级体系。

志 谢此论文感谢温志丹副研究员、刘阁副研究员、尚盈辛特别研究助理等老师们在文章写作构思上的指导和帮助，同时还感谢陶慧、王翔、蒲静、王强、侯俊斌、徐世琦、陈方方等同学们在数据查找收集过程中的帮助。