藻蓝蛋白浓度遥感反演结果

藻蓝蛋白(PC)又称藻蓝素，是藻胆蛋白的一种。蓝藻是水体富营养化的优势藻种，而藻蓝蛋白是蓝藻的特征色素，因此藻蓝蛋白的浓度可以作为反映水体中蓝藻含量的重要指标，为预警蓝藻水华提供了新的指征。图22-4为蓝藻蛋白实测光谱数据。藻蓝蛋白在620nm处存在区别于其他藻类的吸收峰，因此国内外学者多根据这一光学特性对蓝藻进行识别、监测和定量估算。在水环境监测中，藻蓝蛋白的浓度能够有效地反映水体的初级生产力和富营养化水平，因此建立有效的藻蓝蛋白的反演模型，对于快速、实时、动态地定量监测湖泊水体的蓝藻生物量以及富营养化程度具有十分重要的意义。

图22-4　藻蓝蛋白实测光谱数据(苗松，2018)

国内外学者对藻蓝蛋白浓度反演做出了大量研究。如Dekker(1993)提出一种基线法，即通过624nm与附近两个波段600nm与648nm所连基线的相对高度来计算藻蓝蛋白的浓度。Schalles等(2000)提出了一种波段比值算法，利用650 nm与620 nm波段附近的遥感反射率的比值和藻蓝蛋白浓度之间的关系进行反演。Simis等(2007)首先利用波段比值的方法计算藻蓝蛋白在620 nm的吸收值，然后通过吸收系数计算藻蓝蛋白浓度，实验结果表明该方法可用于以蓝藻为主的浑浊水体的藻蓝蛋白反演，是目前使用最广泛的方法之一。苗松等(2018)以哨兵－3号数据为数据源，利用随机森林算法反演内陆湖泊藻蓝蛋白浓度。尹斌等(2011)将Simis半分析模型用于对滇池的藻蓝蛋白浓度反演，反演精度良好，同时还指出季节性差异导致的同生长期蓝藻细胞内色素浓度和组分的变化是导致模型误差的主要原因。鉴于随机森林算法反演精度良好，下面以该算法为例阐述藻蓝蛋白浓度反演流程，流程主要包括实地水样数据采样、藻蓝蛋白浓度的室内测量、遥感数据的获取与预处理、反演模型构建以及反演精度验证。

由于滇池、太湖、洪泽湖三个湖泊都发生过不同程度的富营养化现象，是我国湖泊治理和监测的重点对象。此外，这三个湖泊受地理位置、形成原因、气候条件、经济发展等因素的影响，它们中的水体具有完全不同的光学特性，因此选择该三个湖泊作为研究区域。

藻蓝蛋白浓度反演，首先需要实地采集水样数据并放入存储箱内保存，然后带回实验室借助相关仪器设备进行藻蓝蛋白浓度的测量，为分析、对比、校正卫星遥感反射率，最好用地面光谱仪对水面进行同步光谱测量。2016年7月22—23日、2016年12月6—9日和2017年4月13—14日分别对太湖、洪泽湖、滇池进行水面光谱测量和水样的采集，共采集109个实测数据，其中76个样本作为反演模型训练数据，33个作为模型验证数据。(www.xing528.com)

哨兵-3A卫星是欧洲航空局于2016年2月发射升空的多光谱遥感卫星，该卫星共搭载有4个传感器:海洋与陆地彩色成像光谱仪、海洋和陆地表面温度辐射计、合成孔径雷达高度计和微波辐射计。其中海洋与陆地彩色成像光谱仪传感器是一种中分辨率线阵推扫成像光谱仪，其共有21个光谱波段(包含藻蓝蛋白吸收特征峰的620nm波段)，空间分辨率为300m，为湖泊水质参数遥感反演提供了一种新的数据源。哨兵－3数据可通过欧洲航空局官方网站免费下载(https://scihub.copernicus.eu)。在利用遥感影像反演藻蓝蛋白浓度时要获取实验区实地采样日期附近少云甚至无云的影像，并借助ENVI、ERDAS、SNAP等遥感影像处理软件进行地形校正、大气校正、辐射校正等预处理。遥感反演需要获取准确的遥感反射率数据，因此对大气校正、辐射校正要求较高。为了确保反演精度，可在实地采样水体数据的同时，同步获取水面光谱数据，作为衡量遥感反射率数据精度的衡量标准，确保反演精度。

图22-5为太湖、洪泽湖、滇池藻蓝蛋白浓度的空间分布图。从图中我们可以看出，洪泽湖藻蓝蛋白浓度整体偏低，平均值为20.71μg/L。河口区水域由于换水周期频繁，水草较多，藻类生长迅速，藻蓝蛋白浓度较高，而其湖心湾区水体混浊，湖流扰动剧烈，藻蓝蛋白浓度最低。太湖藻蓝蛋白浓度一般为10～20μg/L，西部藻蓝蛋白浓度偏低。滇池藻蓝蛋白浓度北部整体高于南部，滇池北部的藻蓝蛋白浓度高于80μg/L。

为了说明随机森林反演模型的效果，将其反演结果与Simis半分析模型、PCI指数模型进行对比，发现随机森林反演模型的拟合度较高，反演精度较好，MAPE、RMSE分别为34.86%，38.67μg/L，观察实验结果还发现随机森林在低中浓度(低于100μg/L)时反演精度更好。Simis半分析模型反演精度整体较差，RMSE为64.75μg/L，MAPE为119.92%，当藻蓝蛋白浓度较低时，出现明显的高估现象；反之，出现低估现象。PCI指数模型在藻蓝蛋白低浓度区域时，其反演精度明显高于Simis半分析模型，但是在高浓度区域，与Simis半分析模型一样，反演误差较大。同时为了进一步评估随机森林反演模型的优劣，于2017年8月在巢湖采集19个样本点用于验证随机森林反演模型精度。藻蓝蛋白的实测值和随机森林反演值的散点图较好地分布在1∶1线附近，RMSE和MAPE分别达到10.72μg/L，22%。总结起来，由于随机森林是一种集成学习方法，反演精度较好。

图22-5　洪泽湖、滇池、太湖藻蓝蛋白分布图(苗松等，2018)