湖泊水体叶绿素a含量估算的波段宽度变化影响分析——以太湖为例

为研究不同波段宽度遥感数据对监测水体叶绿素a含量的影响,以太湖水体实测高光谱遥感反射率数据为基础,分析计算不同波段宽度下遥感反射率的归一化值与叶绿素a浓度之间的相关系数。随着波段宽度在75.93nm范围内不断递增,最大相关系数逐渐减小,最大正相关波段向长波方向移动,最大负相关波段向短波方向移动。而波段宽度在31.6nm范围内变化时,最大正相关波段和最大负相关波段都会保持相对稳定。通过对不同波段处相关系数平均值和标准差的对比分析认为,718.77^~34.58nm为叶绿素a遥感监测的最佳波段范围。这将对遥感传感器的波段设置,以及实际水体叶绿素a遥感监测时的波段选择,具有重要的参考价值。     

基于高光谱遥感反射比的太湖水体叶绿素a含量估算模型

旨在寻找叶绿素a的高光谱遥感敏感波段并建立其定量估算模型。通过对太湖水体的连续监测，获得了从2004年6月到8月3个月的太湖水体高光谱数据和水质化学分析数据。利用实测的高光谱数据分析计算太湖水体的离水辐亮度和遥感反射比；然后，通过相关分析寻找反演叶绿素a浓度的高光谱敏感波段，进而建立反演太湖水体叶绿素a浓度的高光谱遥感定量估算模型，并用相关数据对模型进行精度分析。研究发现，水体的遥感反射比光谱在719nm和725nm存在两个峰，其中719nm处的峰更明显且稳定。通过模型的对比分析，发现用这两个峰值处的遥感反射比参与建模可以提高叶绿素a的估算精度；并且认为由反射比比值变量R719／R670所建立的线性模型对叶绿素a浓度的估算精度最理想。     

水稻叶面积指数的高光谱遥感估算模型

通过不同氮素营养水平的水稻田间试验 ,采用单变量线性与非线性拟合模型和逐步回归分析 ,用1 999年试验数据为训练样本 ,建立水稻LAI的高光谱遥感估算模型 ,用 2 0 0 0年试验数据作为测试样本数据 ,对其精度进行评价和验证。结果表明 ,高光谱变量与LAI之间的拟合分析中 ,蓝边内一阶微分的总和与红边内一阶微分的总和的比值和归一化差植被指数是最佳的变量     

基于OLCI数据的洱海叶绿素a浓度估算

海陆颜色仪(OLCI)是搭载在Sentinel-3上的新型水色遥感传感器,其对于内陆清洁水体水质遥感监测的适用性有待验证.本研究以评价水体富营养化程度的重要参数叶绿素a(Chl.a)浓度为指标,以高原湖泊洱海为研究区,基于2017年4月19日共20个星地同步实验数据,建立了3种可应用于OLCI数据的Chl.a浓度遥感估算模型(波段比值模型、三波段模型以及FLH模型),并估算了当日洱海Chl.a浓度的空间分布.结果表明:(1)选用波段Oa8(665 nm)、Oa11(708.75 nm)和Oa12(753.75 nm)构建的三波段模型最适用于洱海水域的Chl.a浓度估算,其平均绝对误差百分比为12.37%,低于波段比值模型的16.04%和FLH模型的13.50%;(2)对OLCI使用的大气校正方法中,基于去瑞利散射的暗像元法对估算模型的适用性要优于6S、FLAASH以及QUAC方法;(3)洱海OLCI影像中近岸水体受邻近效应影响严重,近红外波段Oa12(753.75 nm)受陆地邻近效应影响的距离为1~2个像元,而Oa8(665 nm)、Oa10(681.25 nm)和Oa11(708.75 nm)波段为1个像元;(4)2017年4月19日全湖Chl.a浓度均值为12.15±5.72μg/L,洱海中部水域Chl.a浓度最低(9.00~12.00μg/L),北部水域浓度最高(12.00~22.76μg/L),南部水域浓度稍高(12.00~14.00μg/L),阳南溪与波罗江入湖口受降雨径流的影响出现"羽流现象",导致Chl.a浓度偏低,约为8.33μg/L.     

HJ-1B/IRS热红外数据反演太湖水温的方法比较

太湖是我国典型的富营养化湖泊,水温是影响太湖藻类生长的重要环境因子之一,我国环境减灾卫星HJ-1B搭载的红外多光谱相机IRS对太湖水温动态遥感监测具有较大的性能优势.利用6景过境太湖的IRS热红外遥感影像,分别采用单通道普适性算法、辐射传输模型法和单窗算法反演太湖水温,并与实测水温和同期的TERRA/MODIS温度产品进行对比.结果表明,普适性单通道算法反演水温偏高,而辐射传输模型法和单窗算法则偏低;3种算法反演水温的均方根误差在1.001 K以内,单窗算法反演精度最高,其次是辐射传输模型法,再次为普适性单通道算法,而同期MODIS温度产品的均方根误差为1.507 K.3种算法从IRS热红外数据反演的水温直方图均呈正峰态、尖峰状态分布,反演结果能真实地反映太湖水温的空间分布特征.本研究对只有单个热红外通道的卫星传感器开展内陆水体水温遥感监测具有一定的参考意义.     

芦苇地叶面积指数的遥感反演

 叶面积指数（LAI）是植被冠层结构的一个重要参数，它的改变标志着植被发生了生物物理变化。本文提出了一种利用混和模型 从TM图像上获取叶面积指数的方法。首先，利用冠层反射率（FCR）模型计算并得到查找表； 然后，利用从查找表得到的统计关系进行 LAI制图。试验表明，该方法简单易行，并可较精确地用来反演芦苇地的叶面积指数。     

用LAI监测植被信息分析飞蝗生境

东亚飞蝗自20世纪80年代以来在我国再度猖獗危害。本文选择国家一类蝗区河北省黄骅市为实验区,用植被冠层孔隙度反演了该地区不同植被的LAI。从光学模型建立机理及数量分析的角度,分析和对比了四种由植被冠层孔隙度反演LAI的算法。结果表明,在四种估算方法中LAI-2000算法最适用于研究区植被LAI的估算。为了验证分析结果,用实测的植被盖度与四种算法反演的LAI进行了拟合。发现LAI与植被盖度之间呈明显的正相关关系,且LAI-2000算法最能反映研究区的植被特征。在此基础上,建立了LAI与飞蝗发生面积的关系模型,发现两者之间呈负线性相关,即随着LAI的减小,飞蝗的发生面积呈线性增大。研究结果为实时、快速、大面积监测蝗虫种群动态奠定了基础,并为合理、经济地防治蝗灾提供了科学依据。     

基于三维荧光和平行因子分析法的太湖水体CDOM组分光学特征

基于2008年11月份太湖全湖69个样点的CDOM三维荧光光谱数据,将平行因子分析法与现有荧光基团相结合,确定CDOM的组成成分及其荧光光谱特征,进一步分析其动力学机制.太湖CDOM荧光基团主要是类腐殖质,其类蛋白质组分可能主要来源于太湖水体生物残骸;同时,类腐殖质荧光发射波长随着荧光强度的增加向长波方向移动,存在"红移"效应.利用平行因子分析法可以将三维荧光矩阵分解为6个主成分,这6种成分可以解释92.48%的变量,平均贡献率分别是PCI占19.709%,PC2占18.685%,PC3占16.914%、PC4占16.62%、PC5占15.514%、PC6占12.558%.275nm处的吸收系数肩值除去受陆源类腐殖质影响外,影响其大小的主要是峰N,其次是峰M;而影响该肩值形状的主要是峰A和N,其次是峰T和M.根据荧光基团的类别,太湖CDOM源类型可以分为四类:①陆源主导类型;②偏陆源主导类型;③偏海源主导类型;④海源主导类型.     

因子分析法在水质参数反演中的应用

2008年11月、2009年4月,分别对太湖水体以及2009年6月对巢湖水体进行野外实验.对太湖水体遥感反射率进行因子分析,并利用遥感反射率的不同因子,对叶绿素和总悬浮物浓度进行反演,并对反演因子的普适性进行验证.利用第一因子反演太湖春季叶绿素浓度,平均相对误差为22.1%,均方根误差为3.48g/L,利用该方法反演巢湖、太湖秋季水体的叶绿素浓度没有取得较好的效果;利用第二因子反演太湖春季总悬浮物浓度,平均相对误差为13.9%,均方根误差为11.33mg/L,利用该因子反演巢湖、太湖秋季水体的总悬浮物浓度同样取得较好效果.结果表明:利用遥感反射率的第一因子对叶绿素浓度进行反演,该方法不具有普适性;利用遥感反射率的第二因子对总悬浮物浓度进行反演能取得较好的结果,此方法具有一定的普适性.     

基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演

三波段模型是基于生物光学模型构建的叶绿素a浓度反演半分析模型,是目前反演内陆富营养化浑浊水体叶绿素a浓度效果较好的方法.本文通过星地同步实验,分析巢湖水体各组分光谱特征,分别基于地面实测数据与环境一号卫星高光谱遥感数据建立三波段模型反演巢湖水体叶绿素a浓度.结果表明,由于特征波段在不同数据源的位置不同,导致了两个模型波段选择及反演精度的差异.因此,只有在充分考虑遥感数据的光谱特征的条件下,分析遥感信息理论和实际图幅影像有效结合在一起的地物信息,才能进一步优化三波段模型的波段选择,实现遥感数据定量反演水体叶绿素a浓度的目标.