城市遥感：叶绿素浓度反演方法

叶绿素a(chl-a)是藻类物质中富含的色素，其含量较为稳定，易于人工测定，其浓度是反映水体富营养化程度的一个重要指标，同时还对浮游植物生物量和初级生产力的评估有着十分重要的意义。然而由于水体具有复杂的光学特性，水体中的叶绿素a含量易受多种因素的影响，传统的人工监测方法无法进行实时、动态、全范围的监测，遥感技术具有高空间、高光谱、高时间分辨率等优势，使其成为叶绿素浓度监测的合适手段。

1.遥感监测叶绿素浓度的原理

水体的光谱特征比较复杂，由水体中各种光学活性物质的光辐射散射性质和吸收度决定的。纯水在可见光波段呈现出的反射率曲线是接近线性的，当水体中出现其他物质时，水体的光谱反射率曲线将出现谷值和峰值。叶绿素a是光学活性物质，在水体中，因叶绿素a浓度的不同，其光谱反射峰也会发生变化。图22-3为水体中含有叶绿素a时的水面光谱曲线图。水体中的藻类物质在蓝紫光波段(0.42～0.50μm)和红光波段(0.675μm)呈现出吸收峰，若水体中含有大量叶绿素a，由于叶绿素a的强吸收性，则水体反射率曲线会在这两个波段中出现谷值，而在近红外波段(0.70μm)处，水体光谱特征将会出现一个显著的反射峰，这种现象是水体中含有藻类物质的显著特征。综上所述，遥感监测水体叶绿素a的基本原理就是在一定波长范围内，叶绿素a浓度的不同会导致水体的反射率显著不同。通过分析不同叶绿素a浓度水体水面上的反射光谱特征，构建叶绿素a的浓度与水体反射率之间的模型关系，这是利用遥感反演水体叶绿素a浓度的基础与关键。

图22-3　含有叶绿素a时的水面光谱曲线图

2.叶绿素a浓度的反演的遥感数据源

随着对地观测技术的发展，越来越多的传感器可用于叶绿素a浓度的反演。综合现有研究，目前国内外学者常常利用高光谱遥感和多光谱遥感数据进行叶绿素a浓度的反演。

1)基于高光谱数据的叶绿素a浓度的反演

高光谱数据的波段范围可以从可见光延伸到短波红外，甚至到中红外，波段数高达数百个，光谱分辨率可达10nm以内，可形成一条近似于连续的光谱曲线。对于复杂光学特性的内陆水体，高光谱数据的多波段和狭小的光谱范围有利于排除其他水质参数的影响。因此高光谱数据是叶绿素浓度反演的重要数据源。叶绿素a浓度遥感反演常用的星载高光谱数据有日本的GLI数据、加拿大的CASI数据、美国的AVIRIS数据、Hyperion数据和芬兰的AISA数据、中国的高分五号、珠海一号等。如Hoogenboom等(1998)基于AVIRIS数据提出矩阵反演模型，根据水下辐照度反演水体叶绿素。Kallio等(2003)利用AISA数据获得了芬兰两个湖泊的叶绿素a浓度在连续两天时间内的空间位置变化。莫登奎等(2013)利用Hyperion数据对东洞庭湖叶绿素a浓度和悬浮物浓度进行反演，得到了与洞庭湖水质资料相一致的结果。对于复杂光学特性的内陆水体，Hyperion数据的多波段和狭小的光谱范围有利于排除其他水质参数的影响。

2)基于多光谱数据的叶绿素a浓度的反演

虽然多光谱数据的波段数和光谱分辨率较高光谱数据低，但是其空间分辨率较高，所以多光谱数据也是水体叶绿素a浓度反演的一种重要数据源。水体叶绿素a浓度遥感反演常用的星载多光谱数据有美国Landsat的TM、ETM、OLI数据和MODIS数据、气象卫星NOAA的AVHRR数据，法国SPOT的HRV数据，欧洲航空局的MERIS数据，日本的ALOS数据，韩国的GOCI数据，中国的HJ-1A数据和GF-1数据等。赵文宇等(2017)利用Landsat 8 OLI数据对东道海叶绿素a进行光谱特性研究，发现Landsat 8 OLI数据的700～800nm波段适合检测内陆水体中叶绿素a浓度，尤其是叶绿素a浓度较高的水体，且在Landsat 8 OLI数据的11个波段中，前5个波段适合反演水体中的叶绿素a浓度。汪西莉等(2009)利用SPOT数据对渭河进行了遥感反演，发现SPOT数据某些波段值和水质参数之间存在关联。汤健等(2016)利用环境一号卫星中CCD数据对洞庭湖叶绿素a浓度进行动态监测和分析，结果表明CCD数据第3通道(HJ3)反射率与第2通道(HJ2)反射率和第4通道(HJ4)反射率之和的比值与洞庭湖水体叶绿素浓度有较高的相关性，利用此构建的洞庭湖叶绿素反演模型能够较好地反映洞庭湖叶绿素a的时空分布变化。

3.叶绿素a遥感反演方法

由于水体的光学特性相对复杂，难以建立通用性强、精度高的叶绿素a反演模型。目前叶绿素a遥感反演方法主要可以分为三大类:经验方法，半经验/半分析方法，分析方法。

1)经验方法

经验方法是指选择与实测数据同步的遥感数据的最优波段或者波段组合与实测数据进行统计分析，构建相关关系进而反演叶绿素a浓度。经验方法的主要算法有单波段模型、波段比值模型、神经网络模型等。(www.xing528.com)

单波段模型:单波段模型是指通过统计分析从遥感影像的所有波段中找出一个最优的波段，构建叶绿素a浓度与该最优波段的反射率之间的定量关系，从而反演叶绿素a浓度。研究表明，叶绿素a的反射光谱中的反射峰或吸收谷处通常都存在最佳的波长。利用单波段构建反演模型的过程简单，但是由于水体的光学复杂性，单波段反演模型精度普遍较低。假设单波段模型为一元线性回归模型，其可以表示为

式中，Cchl－a为叶绿素a浓度；A、B为模型的经验参数；Rx为最佳波段x处的水体反射率。

波段比值模型:波段比值法是对所有波段进行组合，然后选取相关性最大的波段组合进行反演建模(汪西莉等，2009)，这样有利于突出叶绿素a的信息，减少悬浮物、黄色物质等污染物以及大气和镜面反射的影响，从而提高反演的精度。这类方法是国内外学者最常用的方法之一。若利用波段比值构建一元线性回归模型，其可以表示为

式中，Cchl－a为叶绿素a浓度；A、B为模型的经验参数；Rx和Ry为最佳波段组合x和y处的遥感反射率。

神经网络模型:神经网络模型为一种非线性参数模型，通常包括三层:输入层、隐含层、输出层。朱云芳等(2017)基于高分一号影像，利用BP神经网络对太湖叶绿素a进行了反演，取得了比较好的结果。

光谱微分法:光谱微分模型率先由Rundquist等(1996)提出，该方法通过分析所有可能的波段，找出其中具有最佳相关性的波段的反射率以及与它们相邻的波段的反射率，计算出微分值，然后利用该微分值与叶绿素a浓度构建模型进行反演。光谱微分法可表示为

2)半经验/半分析方法

半经验/半分析方法是将理论分析及经验统计分析进行结合构建反演模型。半经验方法的经典代表算法包括三波段法、反射峰位置法等。

三波段法:是选择三个波段(三个波段分别用x，y，z表示)构建反演模型(Dall'Olmo et al.，2005)。该模型的波段选择具有以下三个原则:①x波段要位于叶绿素a的吸收峰附近并且与y波段的悬浮物和黄色物质吸收系数近似相等；②z波段选取在各物质吸收系数最小处，目的是让纯水吸收占主导，消除后向散射的影响；③3个波段要具有近似相等的总后向散射系数。该波段选择原则能够很好地去除悬浮物、黄色物质对水体吸收系数的强烈影响及后向散射的影响，具有明确的物理意义。

3)分析方法

分析方法是一种物理模型，其通过描述辐照度比与水质参数之间的关系，模拟电磁波在水体中的传播过程，建立辐照度比值与水体叶绿素a的吸收系数和后向散射系数之间的关系。其中的典型代表算法是生物光学模型。