基于遥感反射率分类的鄱阳湖悬浮泥沙浓度反演研究

宋子豪

摘 要：本文以鄱阳湖为研究区，对水体進行光学分类，并针对不同类别水体构建悬浮泥沙浓度反演模型，以提高其反演精度。结果表明，分类后悬浮泥沙浓度反演模型精度均有所提高。

关键词：鄱阳湖;光学分类;悬浮泥沙;反演模型

中图分类号：TP79;X832文献标识码：A文章编号：1003-5168（2021）10-0121-04

Research on Retrieval of Suspended Sediment Concentration in Poyang Lake Based on Remote Sensing Reflectance Classification

SONG Zihao

（School of Civil and Surveying & Mapping Engineering， Jiangxi University of Science and Technology，Ganzhou Jiangxi 341000）

Abstract： In this paper， Poyang Lake is taken as the research area， the water body is optically classified， and the inversion model of suspended sediment concentration is constructed for different types of water body to improve the inversion accuracy. The results show that the accuracy of the model is improved after classification.

Keywords： Poyang Lake;optical classification;suspended sediment;inversion model

悬浮泥沙是评价水体水质的重要指标之一，其浓度的高低直接影响水体的光学性质，因此，获得悬浮泥沙浓度在时间和空间上的分布信息对于管理和保护湖泊生态系统是非常必要的[1]。利用遥感技术反演水体的悬浮泥沙浓度具有方便、快速及有效的特点，使得大范围、低成本的水质监测成为可能[2]。受气候、陆地和人类活动的影响，二类水体成分和光学特性较为复杂，目前还无法建立一种通用的高精度悬浮泥沙反演模式。为了克服二类水体水色参数反演算法时空上的局限性，很多学者提出对具有相似光学特性的水体进行分类，分别为每一类水体单独开发一种特定的反演模型，以提高其反演精度，并取得了不错的成果。周晓宇等基于太湖水体原位观测数据，对太湖水体进行了光学分类，并基于分类建立了适用于不同类别水体的总悬浮物浓度高光谱反演模型。结果表明，分类后反演模型在精度和稳定性上均有所提升[3]。李渊等利用环境一号建立了基于分类的太湖和巢湖水体总悬浮物浓度反演模型，同样表明了基于分类的方法可以有效提高反演估算精度[4]。Vantrepotte等使用Ward算法把不同季节英吉利海峡东部、北海南部和法属圭那三个地区水域的211个站位的水体光谱数据分成了4类，通过对悬浮物浓度的估计，证明了基于分类的反演算法在改善海洋颜色产品检索方面的潜力，以及该类特定算法在卫星信息方面的适用性[5]。本文以鄱阳湖为研究区，对水体进行光学分类，针对不同类别水体构建悬浮泥沙浓度反演模型，以提高其反演精度。

1 数据处理与研究方法

研究中使用2014年7月、9月和2015年8月野外航行采集的实测数据，主要包括采样点经纬度坐标、悬浮泥沙浓度和水体光谱数据。其中，2014年7月和9月的反射率数据用于水体的分类研究，2015年8月的悬浮泥沙浓度数据作为反演模型的精度验证。

反射率是水体分类的核心，为了获取水体原位反射率，对参数进行计算，公式为：

[Rrs=Lsw-ρ Lsky/Lpλπ/ρpλ]            （1）

式中：[Lsw]为水面总辐亮度;[ρ]为气水界面对天空光的反射率;[Lsky]为天空方向的辐亮度;[ρpλ]为标准板反射率;[Lpλ]为测得的标准板辐亮度。通过计算，得到2014年两次采样的反射率曲线（见图1）。选择与实测数据相近时间的Landsat8遥感影像，使用ENVI5.3软件对影像进行辐射定标和大气校正，以获取影像反射率值，用于反演模型的建立。

K均值算法是目前应用较为广泛的一种聚类分析方法，已有诸多学者将其应用于水体分类研究中。Feng等利用K均值算法对东京湾45个观测站的水体光谱进行分类，并基于水体分类提出了一种优化参数反射模型的方法，与未分类水体相比，分类水体的模型精度在正向上显著提高[6]。Xue等使用K均值算法，对长江和淮河流域下游的几个大型湖泊现场测量的遥感反射率进行分类，针对不同类别水体开发了用于估算浮游植物的反演算法。结果表明，基于类别的反演算法在估算生物光学参数以及监测光学变化复杂的湖水研究中具有很好的潜力[7]。本研究利用K均值算法对反射率曲线进行聚类，采用逐次迭代的聚类方法，即初始类别数目定义一个较大的数，每次聚类完成后合并距离最近的两个类，反复迭代直到聚类结束。

2 结果与分析

2.1 反射率分类结果

使用2014年7月和9月的反射率进行分类研究，在聚类过程中初始类别定义为10类，在考虑每一类的光谱形状后将水体反射率数据集最终分为4类（见图2），并统计了四种类别水体悬浮泥沙参数，见表1。从图2可以看出，类别一到类别四所包含的反射率曲线数量、大小和形状均有所不同。通过分析每一类水体的光谱曲线特征和水色参数浓度可知：对于类别一，其光谱曲线在570～710 nm形成了一个略斜的宽峰，且峰值整体较高，反射率在0.05以上，悬浮泥沙平均浓度为0.066 7 g/L，该类水体属于高度浑浊水体;对于类别二，其光谱曲线在570～710 nm同样有一个宽峰，斜率较类型一水体高，而在580 nm附近有一个较窄的反射峰，随着波长的增加，反射率峰值下降，在670 nm附近出现一个不太明显的反射谷值，在810 nm，出现一个低峰，悬浮泥沙平均浓度为0.060 2 g/L，该类水体属于中度浑浊水体;对于类别三，其光谱曲线的宽峰状态不太明显，570 nm附近的反射峰更为明显，随着波长的增加，反射率值下降得较前两类水体快，即坡度更为陡峭，悬浮泥沙平均浓度为0.051 0 g/L，该类水体属于低度浑浊水体;对于类别四，其反射率值整体最低，最高值在0.025以下，在560 nm附近出现明显的峰值，主要是由藻类色素的低吸收和无机悬浮物、浮游植物细胞壁的散射作用所致，反射率整体形状为中间高两侧低，675 nm处出现谷值，而在700 nm处又出现一个峰值，悬浮泥沙平均浓度为0.023 9 mg/L，该类水体属于清澈水体。

2.2 懸浮泥沙反演模型构建

基于上述水体分类结果和Landsat8影像，对不同类别水体进行悬浮泥沙反演模型的构建，用于构建模型的采样点对应的影像反射率值如图3所示。选取适合模型构建的敏感性波段，将波段1～7的反射率值与悬浮泥沙浓度进行线性回归分析，不同波段的决定系数见表2。从表2可以看出，波段1～4对悬浮泥沙浓度的敏感度最好，决定系数较高;而波段比值可以消除影像噪声，降低其他水质参数影响，提高模型精度，因此将波段1～4进行组合，发现（Band1+Band4）/（Band1/Band4）组合可以有效提高对悬浮泥沙的敏感度，[R2]达到0.867，可以作为模型构建的自变量因子。基于该变量分别为分类前后的水体进行了悬浮泥沙反演模型的构建，每种类型水体的最优反演模型见表3。从表3可以看出，相对于未分类水体的悬浮泥沙反演模型，分类后构建的模型相关性均有不同程度的提高。为了评价模型的有效性，使用2015年8月采样的悬浮泥沙浓度数据对模型进行验证，结果见表4。从表4可以看出，相对于未分类水体的反演模型，分类后的悬浮泥沙反演模型精度均有所提高，平均绝对误差和平均相对误差明显下降，这表明对水体先分类再反演的方法可以有效提高悬浮泥沙浓度的反演精度。

3 结论

本研究利用K均值算法将鄱阳湖水体反射率分成4类，不同类别水体具有独特的光学特性，基于Landsat8影像分别为每一类水体建立了最优悬浮泥沙浓度反演模型，并使用实测数据进行验证。结果表明，除类别三水体外，其他类型水体的最优反演模型均为二次函数模型，相对于未分类水体，分类后反演精度均得到了提升，平均绝对误差由0.002 2 g/L降低至0.001 075 g/L，平均相对误差由8.76%降低至4.865%。

参考文献：

[1]邬国锋，崔丽娟，纪伟涛.基于时间序列MODIS影像的鄱阳湖丰水期悬浮泥沙浓度反演及变化[J].湖泊科学，2009（2）：288-297.

[2]刘王兵，于之锋，周斌，等.杭州湾HJCCD影像悬浮泥沙遥感定量反演[J].遥感学报，2013（4）：905-918.

[3]周晓宇，孙德勇，李云梅，等.结合水体光学分类反演太湖总悬浮物浓度[J].环境科学，2013（7）：2618-2627.

[4]李渊，李云梅，施坤，等.基于光谱分类的总悬浮物浓度估算[J].光谱学与光谱分析，2013（10）：2721-2726.

[5]VANTREPOTTE V，LOISEL H，DESSAILLY D，et al. Optical classification of contrasted coastal waters[J]. Remote Sensing of Environment，2012（none）：306-323.

[6]FENG H， CAMPBELL J W， DOWELL M D， et al. Modeling spectral reflectance of optically complex waters using bio-optical measurements from Tokyo Bay[J]. Remote Sensing of Environment，2005（3）：232-243.

[7]XUE K，MA R，WANG D， et al. Optical Classification of the Remote Sensing Reflectance and Its Application in Deriving the Specific Phytoplankton Absorption in Optically Complex Lakes[J].Remote Sensing，2019（2）：184.