湛江港海域叶绿素a浓度的高光谱遥感反演

基于表观光学法研究冬季湛江港海域高光谱遥感叶绿素a浓度的反演模型构建,结果表明,该海域单波段遥感反射率与叶绿素a浓度相关性低,波段比值和遥感反射率的一阶微分法可提高叶绿素a浓度反演精度。665nm处的遥感反射率一阶微分值与叶绿素a浓度相关性良好,相关系数可达0.84。一阶微分相关系数大于0.8的波段大部分处于叶绿素a红光强烈吸收区域,对于富营养化的湛江港海域采用一阶微分方法构建叶绿素a浓度的遥感反演模型具有合理性。     

高分六号影像在内陆水体叶绿素a反演中的应用潜力分析

GF-6 WFV影像具有宽覆盖、高时空分辨率、高光谱分辨率等特点,目前在农业和林业遥感领域都有一定应用,但是在水质遥感中的应用潜力还缺乏系统的评估。本文以潘家口和大黑汀水库为研究区,采用2019年9月24—25日获取的潘家口和大黑汀水库叶绿素a浓度、实测遥感反射率和准同步GF-6 WFV影像,构建了潘家口和大黑汀水库叶绿素a浓度经验反演模型,探索GF-6 WFV在内陆水体叶绿素a浓度遥感监测中的应用潜力。研究结果表明,基于GF-6 WFV模拟光谱构建的潘家口和大黑汀水库叶绿素a浓度经验模型决定系数均在0.90以上,GF-6 WFV影像在水体叶绿素a遥感监测中具有应用潜力,尤其是新增的黄波段和红边波段1,有助于提高GF-6 WFV影像叶绿素a浓度遥感监测能力;GF-6 WFV影像大气校正误差降低了叶绿素a浓度遥感监测精度,GF-6 WFV影像水体大气校正精度有待改进,以提升GF-6 WFV影像水质遥感监测能力。     

粤西海域总氮遥感反演初探

总氮质量浓度是衡量水环境的主要指标之一。以粤西海域为研究对象,将实测的总氮质量浓度和水体高光谱遥感反射率数据进行回归分析处理,结果表明:无论是单波段,还是波段因子,总氮质量浓度与水体高光谱遥感反射率的相关性仅达到0.593;研究区域的总氮和悬浮物具有较好的相关性,相关系数最高可以达到0.76。通过悬浮物间接的遥感监测粤西海域的总氮是一个有效的途径。     

铅污染水稻的冠层高光谱特征研究

本研究通过铅污染土壤中的水稻盆钵栽培试验,考察了水稻对土壤重金属铅的吸收以及铅对水稻生长的胁迫,并借助地面高光谱辐射仪器获取多个生育期（苗期、分蘖前期、分蘖盛期、拔节期和孕穗期）的水稻冠层高光谱反射数据。在进行光谱测量的同时测定了水稻植株体内的铅含量与冠层叶片叶绿素含量。分析结果表明:铅污染胁迫下水稻冠层叶片叶绿素含量与叶绿素a、b组成变化明显,可见光区间520nm～560nm和630nm～690nm处是铅污染水稻对冠层反射高光谱敏感的特征波段。通过模拟高光谱分辨率遥感传感器MODIS的相应波段（第4通道:545nm～564nm、第1通道附近:620nm～670nm）以及考虑叶绿素的荧光特征（760nm）,本研究分别选择敏感波段中的552nm,672nm与760nm构造了复合归一化污染指数CNDPI（Compos-ite Normalized Difference Pollution Index）,分析发现CNDPI能够明显地区分不同铅污染水平的水稻。在分蘖前期采用适当的冠层光谱反射率形式（敏感波段、CNDPI）可以实现水稻铅污染的遥感监测。     

黑臭水体水面阴影提取的自适应阈值算法研究

黑臭水体水面阴影对水面光谱信息产生干扰,严重地影响了利用高空间分辨率遥感数据进行水质状况监测的精度,因此,在数据预处理中必须进行阴影剔除。本研究基于无人机高光谱遥感数据,通过分析各种波段组合下黑臭水体水面的阴影像元和水体像元的光谱特征空间,选择以492、666和792 nm处的反射率建立黑臭水体的河面阴影指数（RSSI）,并利用最大类间方差法（OTSU）自动确定划分本影、半影以及水体的阈值。利用南京金川河和龙江河的无人机高光谱遥感影像对算法进行测试,结果表明：RSSI阴影指数能突出显示阴影与水体的差异;OTSU自适应确定的阈值能较好地区分本影、半影和水体,阴影的总体识别精度达到85%以上。该算法能够有效地识别黑臭水体水面阴影,为后续开展水体的定性、定量遥感监测提供数据预处理的技术支持。     

传感器波段设置对植被遥感参数反演的影响研究

植被是陆地生态系统的基本组成部分,遥感观测的植被冠层反射特性与植被参数之间的响应关系是植被遥感的基础,也是遥感传感器设计的关键.利用Sobol算法和PROSAIL模型,对叶绿素含量和叶面积指数等植被参数进行全局敏感性分析,研究植被参数在典型遥感波段(蓝、绿、红、红边和近红外)的响应敏感性,并对比了由传感器的中心波长和波段宽度差异造成的影响.结果表明,在480～680nm可见光波段,冠层反射率对叶绿素含量变化的总敏感度达81.3％,且在宽波段的传感器中更敏感;在720～735nm红边波段,太阳天顶角的总敏感度可达7.2％,且在宽波段的传感器更敏感;在790～960nm近红外波段,干物质含量的总敏感度达60.5％,且在窄波段的传感器中略敏感.研究结果对无人机遥感应用等领域提供理论依据,对传感器的选择具有参考价值.     

富营养化的太湖水体叶绿素a浓度模型反演

半经验模型反演叶绿素a浓度是目前遥感反演水体叶绿素a浓度的主要方法。但是,大量研究结果表明,太湖水体浑浊,富营养化严重,各种半经验模型的反演精度和模型适用性有较大差异。因此,研究一种既满足一定精度要求,又具有时间普适性的叶绿素a浓度反演算法,对提高模型适用性,促进遥感的反演应用具有重要意义。本研究通过2005年6-10月地面实测数据,建立太湖叶绿素a浓度一阶微分反演模型、波段比值反演模型和三波段反演模型,对比各模型反演效果,认为波段比值模型与三波段模型具有较好的反演效果。运用2006年11月和2007年11月实测数据对这三种模型加以检验,结果表明,三波段模型反演高富营养化的太湖水体,不仅精度高,平均误差仅为实测浓度差的8.3%,而且适用性较强,不同年份数据的检验结果证明平均误差均低于实测浓度差的20%。因此,三波段模型是这三种反演模型中效果最好的一类模型。     

太湖浮游藻类的后向散射分离及其叶绿素a浓度反演

浮游藻类的后向散射是水体光谱构成的重要组成部分,作为水体辐射传输模型中的重要参数,高精度的藻类后向散射系数对水体叶绿素a浓度的遥感反演精度至关重要。本文以简化的辐射传输模型-生物光学模型为基础,尝试性分离了太湖浮游藻类的后向散射系数。通过藻类后向散射规律分析,建立了浮游藻类吸收、后向散射特征的叶绿素a反演模型,改善了叶绿素a浓度的遥感反演精度。分析表明：藻类颗粒物的后向散射系数与吸收系数之间存在反比关系,且在560 nm、700 nm附近存在明显的散射峰,与叶绿素a浓度之间相关性显著;低密度藻类水体总悬浮颗粒的后向散射以非色素颗粒为主导,适合采用经典的指数模型模拟后向散射系数,而藻类密度较高的富营养化水体,水体总悬浮颗粒的后向散射以藻类颗粒为主导,传统的指数模型已不适用;采用分离藻类后向散射系数的方法,使得叶绿素a浓度的反演值与真实值相关系数从0.66提高到0.98,相对误差从55%降低到38%,均方根误差(RMSE)也由60.95 μg/L降低至13.98 μg/L。其真实性检验表明,与经典指数模型方法相比,利用藻类颗粒后向散射分离方法反演叶绿素a浓度,能够显著改善反演精度。     

基于反射峰面积的水体叶绿素遥感反演模拟研究

叶绿素浓度是水体富营养化状态的重要指标,也是水色遥感反演的水质参数之一。水体中叶绿素浓度的遥感反演主要是建立实测光谱和实测水质参数二者之间的关系模型,利用遥感影像进行叶绿素浓度的信息提取。传统的叶绿素浓度遥感反演受区域性和季节性的影响,反演精度不高,而且反演模型不具普适性,需对叶绿素光谱特征进行分析,建立高精度的反演模型。本文采用Hydrolight数据模拟了不同叶绿素浓度(1~200 µg·L^-1)的水体在可见光近红外的反射波谱曲线,通过分析叶绿素的光谱特征选取了特征波段或波段组合,并建立了叶绿素浓度反演模型。研究表明,除反射峰波长模型外,反射峰面积模型、三波段模型、红光线高度模型等均能较好地反演叶绿素浓度。在不同叶绿素反演模型中,除红光线模型外,最优的是反射峰面积模型,其决定系数为0.9689,反演误差为25.25 µg·L^-1;其次是三波段模型,其决定系数为0.9637,反演误差为10.66 µg·L^-1。究其原因,三波段模型考虑了水体中非色素悬浮物、黄色物质及水体后向散射对叶绿素浓度反演造成的影响;反射峰面积模型除此之外还综合考虑了叶绿素散射效率的影响。     

MODIS遥感数据提取赤潮信息方法与应用——以珠江口为例

近年来,中国沿海近岸二类水体中的赤潮频发,对海洋环境、社会经济和公众健康都造成较大危害,因此,针对近岸二类水体中较小范围赤潮的遥感监测分析有重要意义。本文的工作主要集中在:(1)分析典型赤潮海水、泥沙浑浊海水、赤潮泥沙混合海水,以及清洁海水的MODIS影像光谱特征;(2)分析叶绿素a法,温度法,荧光法和波段比值法,在近岸小范围赤潮识别应用中的优势和缺点;(3)提出监督分类的赤潮信息提取方法,其中典型赤潮样本的选取基于蓝绿波段反射率比值和MODIS 1,4,3波段。利用本方法,对珠江口海域2006年2月赤潮进行了提取,取得良好的效果。     

太湖水质参数MODIS的遥感定量提取方法

本文利用MODIS数据的可见光、近红外波段和准实时的地面采样数据,分别利用线性回归模型和神经网络模型反演了太湖的叶绿素a和悬浮物浓度.结果表明,利用MODIS数据的波段组合(M2/M8)和(M2/M9)可估算太湖的叶绿素a浓度;而MODIS数据的波段组合(M12/M17)、(M13/M17)及MODIS(M4)波段能定量估算太湖的悬浮物浓度,但估算精度仍不能满足实际需要.因此,构建了一个以MODIS可见光及近红外波段为输入,以太湖水质参数为输出的2层BP神经网络模型反演太湖的水质参数,大大提高了反演精度.     

一种湿地河流叶绿素a遥感反演方法

叶绿素a作为一项重要的水质安全评价指标,其浓度的准确监测对水产行业发展、水生态系统平衡和人类饮水安全等有着重要意义。随着对地观测卫星传感器空间和光谱分辨率的提高,遥感技术在河流水质时空变化监测中发挥着越来越重要的作用。本文以新疆巴音布鲁克湿地河流水体为研究对象,同步采集了水体反射光谱和水样,并在实验室对叶绿素a、浊度等水质参数进行测定。首先,基于光谱波段对叶绿素a浓度的敏感性分析,构建了多种光谱指数模型;然后,提出以4.50 mg/m³作为水体叶绿素a浓度分级阈值,利用三波段半分析模型因子D3B与叶绿素a的线性关系建立水体叶绿素a浓度分级标准,进而对比评估了11种经验、半分析模型分别在全部样本数据集和两级叶绿素a浓度数据集中的精度表现;其次,根据各模型精度结果选用三波段半分析模型D3B和蓝绿波段比模型OC₂V4,组成叶绿素a分级反演算法OC₂-D3B,其精度（R²=0.96,RMSE=0.32 mg/m³,MAE=0.24 mg/m³,MRE=5.71%）相比以上2种单一算法提高了50%以上;最后,本文利用Sentinel-2影像,对湿地河流水体叶绿素a浓度的空间分布特征和季节时序模式进行了分析,得到该水域夏季叶绿素a含量最高,春秋季次之,冬季最低的结论。此外,本研究还发现气温相比其他环境因子对水体Chl-a浓度的控制作用更加明显。     

Estimation of total suspended matter in the Zhujiang (Pearl) River estuary from Hyperion imagery

Although remote sensing data have been used to estimate total suspended matter (TSM) in coastal waters, it has limitations when applied to estuary waters in low spatial resolution situations. The spatial resolution of ocean color satellites such as SeaWiFS and MODIS is usually ～1 km, and therefore is not adequate for small, local-scale areas such as the Zhujiang (Pearl) River estuary. In contrast, 30 m-resolution EO-1 Hyperion imagery has potential for studying TSM in localized areas. We measured the surface spectral radiance reflectance of the river estuary water in the visible and near infra-red spectral range. Sensitivity analysis indicated that the ratio of remote sensing reflectance at 813 nm (Rrs(813)) to reflectance at 559 nm (Rrs(559)) could be used to estimate TSM concentration, and a linear relationship was established between the ratio and in-situ TSM concentration. We applied the linear relationship to Hyperion imagery to map TSM concentration in the estuary. The Hyperion imagery provided sufficient spatial resolution to detect spatiotemporal changes in TSM concentrations in the estuary small estuary area. This study demonstrated the usefulness of Hyperion imagery for mapping the distribution of TSM in estuary waters.     

一种基于FY3D/MERSI2的AOD遥感反演方法

针对目前国产卫星对气溶胶遥感监测应用较少的情况,本研究综合暗象元和SARA算法优势,基于FY-3D MERSI2数据构建了一套气溶胶光学厚度(Aerial Optical Depth, AOD)快速遥感反演方法。首先,引入了传统暗象元算法中的地表反射率经验关系,然后利用AERONET长时间序列的地基观测数据,构建了红波段和蓝波段气溶胶光学厚度、不对称因子和单次散射率之间的关系,最后利用MOD04和AERONET的AOD产品对研究反演结果进行了验证和评估分析。结果发现：① 本研究反演的AOD不仅保持了与MODIS的气溶胶产品空间分布的一致性,而且合理地呈现了AOD的高值分布,改进了MOD04气溶胶产品在云和亮目标方面反演缺失问题;② 利用AERONET地基观测结果对本研究获取的MERSI2的AOD反演结果进行了对比分析,发现二者具有较高的线性相关性,蓝波段AOD线性相关系数超过0.85;③ 利用MERSI2数据完整地捕捉到了2018年3月9—14日京津冀及周边区域的一次重污染过程中气溶胶时空分布变化情况,这也说明了FY3D卫星具备良好的气溶胶遥感监测能力,为我国灰霾监测和预警提供参考依据。本研究对大力发展国产卫星在大气环境遥感的应用有重要参考意义。     

Evaluation of spectral scale effects in estimation of vegetation leaf area index using spectral indices methods

Spectral index methodology has been widely used in Leaf Area Index (LAI) retrieval at different spatial scales. There are differences in the spectral response of different remote sensors and thus spectral scale effect generated during the use of spectral indices to retrieve LAI. In this study, PROSPECT, leaf optical properties model and Scattering by Arbitrarily Inclined Layers (SAIL) model, were used to simulate canopy spectral reflectance with a bandwidth of 5 nm and a Gaussian spectral response function was employed to simulate the spectral data at six bandwidths ranging from 10 to 35 nm. Additionally, for bandwidths from 5 to 35 nm, the correlation between the spectral index and LAI, and the sensitivities of the spectral index to changes in LAI and bandwidth were analyzed. Finally, the reflectance data at six bandwidths ranging from 40 to 65 nm were used to verify the spectral scale effect generated during the use of the spectral index to retrieve LAI. Results indicate that Vegetation Index of the Universal Pattern Decomposition (VIUPD) had the highest accuracy during LAI retrieval. Followed by Normalized Difference Vegetation Index (NDVI), Modified Simple Ratio Indices (MSRI) and Triangle Vegetation Index (TVI), although the coefficient of determination R ² was higher than 0.96, the retrieved LAI values were less than the actual value and thus lacked validity. Other spectral indices were significantly affected by the spectral scale effect with poor retrieval results. In this study, VIUPD, which exhibited a relatively good correlation and sensitivity to LAI, was less affected by the spectral scale effect and had a relatively good retrieval capability. This conclusion supports a purported feature independent of the sensor of this model and also confirms the great potential of VIUPD for retrieval of physicochemical parameters of vegetation using multi-source remote sensing data.