基于小波理論的干旱區內陸湖泊葉綠素a的TM影像遙感反演

史 銳,張 紅,岳 榮,張霄羽,王美萍,石 偉

1 巴彥淖爾市環境科學研究所, 巴彥淖爾 015000 2 山西大學環境與資源學院, 太原 030006 3 山西大學黃土高原研究所, 太原 030006

基于小波理論的干旱區內陸湖泊葉綠素a的TM影像遙感反演

史 銳1,張 紅2,*,岳 榮1,張霄羽2,王美萍1,石 偉3

1 巴彥淖爾市環境科學研究所, 巴彥淖爾 015000 2 山西大學環境與資源學院, 太原 030006 3 山西大學黃土高原研究所, 太原 030006

葉綠素a(Chl-a)是衡量湖泊富營養化的重要指標,利用遙感技術動態監測面積較大的湖區水體中Chl-a濃度對了解湖區水質具有重要意義。以內蒙古烏梁素海為例,提出利用TM影像中的水體實測光譜進行小波去噪和光譜信號重構,并結合水質采樣實測數據進行神經網絡擬合,建立光譜反射率比值與Chl-a濃度的反演模型的方法。結果顯示:小波理論和神經網絡相結合的模型可以適用于估算烏梁素海Chl-a濃度,去噪后Chl-a濃度與光譜信號的相關系數(-0.575)較去噪前(-0.417)明顯增強,去噪后的采樣點光譜信號與Chl-a濃度之間表現出比原始信號更強的負相關性,證明了去噪后的觀測值可進一步減弱隨機誤差的干擾和去除噪聲,使觀測數據更加逼近Chl-a濃度的真實情況,圖像去噪重構結果顯示重構后的光譜范圍較之前有所縮窄,部分信號點得到了增強,但基本剖面結構并沒有產生較大變化,反演模型的平均相對誤差為0.142,與其他研究相比差別不大。反演得出的烏梁素海Chl-a濃度分布反映了污染源的分布,同時說明了烏梁素海Chl-a濃度在時空分布上呈現一定的差異,表現為豐水期呈現淺水區Chl-a濃度值高于湖心區,來水區高于其他湖區的分布趨勢,枯水期烏梁素海中部呈現由西向東Chl-a濃度逐步降低的分布規律,西部呈均一化分布。反演模型基本可以滿足實際預測的需要。但模型在具體應用中在影像數據采集、數據量及算法方面還有很大的改進空間,該方法的提出為干旱區大型內陸水體富營養化的實時定量遙感監測提供了新的解決方案。

小波分析；神經網絡模型；遙感反演；葉綠素a；湖泊水質；陸地衛星影像；富營養化

Chl-a濃度是衡量水質狀況評價的一個重要指標,常用于估測浮游植物的生物量和初級生產力,直觀反映水體的富營養化程度。傳統的人工調查方法可精確測定水體局部Chl-a濃度,但成本高、耗時長,難以應對大范圍突發性的水體污染。而基于遙感的水質監測具有大范圍、快速、動態及低成本等優勢,因此,遙感技術在大面積湖泊水質監測方面具有巨大潛力,是常規水質監測的重要補充。國內外學者在利用遙感技術研究湖泊水質方面做了大量的工作。Gitelson等[1-2]利用藻類水體在700nm附近反射峰位置的移動規律和光譜曲線的微分技術進行建模估算Chl-a濃度。段洪濤[3]等利用TM數據和野外實測高光譜數據對吉林省查干湖等3個湖泊進行了Chl-a濃度的反演,其研究結論表明利用TM數據可以有效的反演Chl-a濃度和評估湖泊的富營養化狀態。徐祎凡[4]等利用環境一號衛星多光譜數據對三湖一庫富營養化狀態進行了評價。王琦[5]等通過Pearson相關系數篩選HJ- 1衛星多光譜波段數據并利用相關系數高的波段組合與Chl-a濃度建立線性反演模型,提高了特定條件下Chl-a濃度的反演精度。郭宇龍[6]等利用高光譜影像重構數據,與Chl-a濃度數據建立三波段模型,發現反演結果要優于原始數據。

但是,上述基于遙感方法的湖泊水質參數動態監測研究基本上是基于波段反射率值或其變換形式與水質參數進行線性或者簡單的非線性回歸模擬,精度有限[7],算法本身的模擬有限性導致模型不能很好地擬合光學信號與水質參數之間復雜的函數關系,同時,水質學方面的遙感機理研究仍不成熟[8],因此,建立通用的、精確的數學模型存在困難。而人工神經網絡(Artificial Neural Networks,ANN)的非線性映射能力則在此類問題處理中表現出優勢,它不需要對系統進行透徹的了解,卻能準確得到輸入與輸出的映射關系,從而大大簡化設計的難度。然而,傳統的神經網絡模型在建立光譜與水質參數的關系時,往往直接采用遙感影像的光譜時間序列來建模,光譜時間序列由于存在弱平穩性、隨機性、多時間尺度等特征而影響了建模的精度[9]。小波分析是非平穩信號分析的有力工具,將小波分析與神經網絡算法結合,可以逼近任意函數,靈活性很大,在優化、信號處理與模式識別、智能控制、故障診斷等許多領域都有著廣泛的應用[10- 12]。

本文通過多年來內蒙古烏梁素海Chl-a濃度監測數據與歷史TM影像數據,嘗試通過小波模去噪重構與小波變換神經網絡方法對二者進行擬合,探討該方法的可行性,在此基礎上利用該方法對烏梁素海中Chl-a濃度進行估算,并結合烏梁素海周邊污染源分布評價模型反演出的烏梁素海Chl-a分布特征是否合理。

1 研究區域概況

烏梁素海位于中國內蒙古西部干旱荒漠地區,是內蒙古第二大淡水湖。湖區南北長35—40 km,東西寬5—10km,總面積296 km2,湖泊水位海拔1018. 5m時,平均水深1.09m,庫容3.3億m3。烏梁素海是河套灌區地表徑流和地下水的排泄區,是灌區退水進入黃河的通道,同時也是野生候鳥的重要棲息地,其中有國家一級保護鳥類5種,二級保護鳥類25種,總鳥類品種有195種[13]。另外,漁業的年產量為200t左右,蘆葦的年產量為11×104t。目前烏梁素海濕地面臨的生態環境問題非常嚴重,由于河套灌區內的農田退水和生活污染物的排放導致烏梁素海的水質正在不斷惡化。據監測部門數據,有7項水質指標超過Ⅳ類水質標準,湖內藻類大量繁殖,湖泊富營養化嚴重,再加上近年來,湖內大量種植蘆葦,使得湖泊淤積日趨嚴重。

圖1 烏梁素海地理位置Fig.1 The location of Wuliangsuhai Lake

2 數據與研究方法

巴彥淖爾市環境保護監測站從2010年1月至2014年11月,分季度采用GPS定位在烏梁素海進口區、湖心區及出口區布設樣點(圖2),共采樣29d,采集樣本87個。Chl-a的測定采用取300ml水樣用微孔玻璃纖維濾膜(0.45μm)抽濾,濾膜低溫干燥后,用90%丙酮低溫萃取,離心后取上清液采用SURVEYOR型葉綠素測試儀測定含量,實驗方法和計算按規范進行。

2.2 TM影像數據獲取

遙感影像數據來源于中國科學院信息中心地理數據空間云(http://www.gscloud.cn/)。由于Chl-a采樣時間段為2010—2014年每年度的1、3、5、7、9、11月份,而landsat8于2013年2月發射,提供的landsat8數據時間為2013年5月以后,因此,本研究在2010年1月—2013年5月選用landsat7 TM影像數據,2013年5月以后選用Landsat8 TM影像數據,保證成像日期與野外實測時間準同步。影像數據選用當月的云量低于20%的數據。

2.3 研究方法

水質的光學遙感監測容易受到諸如大氣條件等外界因素的影響,所以影像數據的預處理非常重要[14]。本研究首先對遙感數據進行幾何校正、大氣校正,并采用面向對象提取研究區域水邊界。而后根據宋瑜[15]等關于“700 nm附近波段與625 nm附近波段所構建的Chl-a濃度模型R2最高”的研究結論,選擇landsat7影像數據中Band3(波長：630—690nm)、landsat8影像數據中Band4(波長：640—670nm)[16]；但一般來說,現實中的信號均含有噪聲,需要在對TM影像數據做進一步分析之前將有效的信號提取出來。傳統的方法是采用濾波器進行去噪處理,但是該方法不能很好的區分信號的高頻和由噪聲所引起的高頻干擾[17]。而小波變換具有良好的時頻局部化性質,因此,本研究對選定水邊界內的TM影像數據進行小波模極大值重構去噪,再對采樣點的原始光譜信號、重構光譜信號與采樣點Chl-a濃度進行非參數相關性檢驗,判定去噪重構后的光譜信號是否提高了與Chl-a濃度的相關程度,如提高相關性則提取重構信號的單位固有光學量(SIOPs),并將其進行歸一化處理后,歸一化后的SIOPs數據與采樣點Chl-a濃度進行小波神經網絡訓練,符合精度要求后建模反演。具體研究技術路線如圖3所示。

圖2 布點采樣圖Fig.2 Sampling location for monitoring Chl-a concentration

圖3 遙感影像反演chl-a的技術路線圖Fig.3 Technical flow chart of remote sensing inversion of chl-a concentration

2.3.1 小波模極大值去噪重構

由于信號和噪聲的小波變換系數在不同尺度上具有不同的傳播特性,而TM遙感數據基本屬于緩變信號,隨著尺度的增大,噪聲所對應的模極大值逐漸增大,因此,連續做若干次小波分解之后,綜合各個尺度上模極大值的位置和幅值信息,可以判斷哪些模極大值是由噪聲引起,哪些模極大值是由信號產生的[18-23]。剔除由噪聲所引起的模極大值,再由剩余的模極大值重構信號,即可實現去除噪聲信息的目的[24]。其具體原理如下：

孔老一正在為一只手打沒了的老兵扎繃帶，順著聲音看去，見是老三，驚得嘴都合不攏。盡管衢州城離蘭溪不過幾十公里地，但這兵荒馬亂的，老三不聽政府號召疏散轉移，反而跑陣地上來干什么嗎？

設t0是尺度2J上的模極大值點,t1、t2是t0前后相鄰的2個模極大值點,t1′是t1傳播到下一尺度2j(1 ≤j≤J-1) 上的相應模極大值點,則t0對應的傳播點將在區間[t1′,t2]之間搜索。具體如下:

1)若存在模極大值點t0′∈[t1′,t2]且t0′=t0,且滿足W2′f(t0′)和W2′f(t0)符號相同,則t0′是t0的傳播點；

4) 重復以上過程,直至所需的尺度。

2.3.2 小波神經網絡

小波神經網絡是采用小波或者尺度函數來代替前向神經網絡中的Sigmoid函數作為激活函數,生成一個與徑向基函數神經網絡結構上相似的神經網絡,從網絡結構形式上來看又可分兩類,一類為小波變換與常規神經網絡的結合,另一類為小波分解與前向神經網絡的結合。第一類小波神經網絡的特點是“結合”,它可以很好的表達因變量與變量之間緊密聯系又互相獨立的非線性關系。第二類小波神經網絡的特點是“分解”,在探尋主成分因子時有較多的應用,由于Chl-a與光譜信號有明顯的相關特性,因此,本研究選取第一類小波神經網絡進行研究。

3 結果與分析

3.1 小波模極大值重構去噪分析

SIOPs信號小波模極大值重構去噪效果見圖4,從圖中可以看出,經小波處理后,去噪信號相比原始信號剔除了明顯變化的尖峰點,原來有些波動的曲線變得更為光滑。圖4中原始信號編號為24的低值點采樣日期為2012年1月7日,根據采樣記錄,當日溫度為5℃,為當地冬季罕見高溫,本已凍結的湖面開始融化,在湖體表層產生了小部分水蒸氣,吸收了較多的光學量,因此導致出現了明顯的低值,這樣的光學信號變化不能簡單理解為噪聲。同時,為了檢驗小波去噪重構性能,對樣本的原始信號和去噪后信號與Chl-a濃度進行了Spearman檢驗,結果見表1,由表可知,樣本的原始光譜信號與Chl-a濃度有顯著負相關,相關系數為-0.417,出現這種情況是由于Chl-a對700nm波段附近入射光有吸收作用,因此,Chl-a濃度越高,吸收的光的能量就越多,衛星接收到的反射光就越少,相比原始信號,去噪后的光譜信號與Ch-a濃度之間表現出更強的負相關性(-0.575),說明經去噪后的觀測值可進一步減弱隨機誤差的干擾和去除噪聲,使觀測數據更加逼近Chl-a濃度的真實情況,對建模有較大的幫助。

圖4 采樣點光譜信號去噪前后對比圖Fig.4 The comparison between original signal, denoised signal and concentration of Chl-a

因子Item檢驗方法TestmethodN原始信號Originalsignal去噪信號Denoisedsignal相關系數CorrelationcoefficientSig．相關系數CorrelationcoefficientSig．Chl-aspearman81-0．417??0．002-0．575??0．002

**表示在置信度(單側)為0.01時,相關性是顯著的

基于去噪后的光譜信號增強了表達水體中Chl-a濃度信息的結論,本研究對獲取的遙感影像進行重構。首先,在MATLAB平臺下提取出TM影像中的光譜值,考慮到提高圖像重構速度、計算機內存及實際反演要求,在影像上選取718×406個像素。以2014年7月份TM圖像為例,去噪重構具體步驟如下：在matlab2012a以上版本環境下,采用交替投影法進行小波模重構,首先通過wfilters函數計算小波分解系數和模極大序列,再通過swa函數得到待重建的信號,并進行迭代初始化,然后對待重建信號通過Py_Pgama函數進行Py投影和 Pgama投影,最后通過iswt函數進行Pv投影與重建計算,其圖像分解重構過程如圖5所示。從圖中可以看出,重構圖像能夠較好地分辨出烏梁素海的各種分區,并得到了原始圖像的大體輪廓,重構圖像增強的邊緣與體現的細節特征與實地調查的情況基本相吻合。為了考證去噪重構后的圖像是否改變了原有光譜的基本結構,本研究在ENVI環境中隨機提取了原始圖像與重構圖像的光譜剖面信息(圖6),從圖中可以看出,重構后的光譜范圍較之前有所縮窄,部分信號點得到了增強,但基本剖面結構并沒有產生較大變化,可見小波模極大值去噪重構處理確實在一定程度上改善了重構圖像的成像質量。

圖5 2014年7月影像小波分解重構圖解Fig.5 The diagram of decomposition and reconstruct image by wavelet of 2014.7

圖6 2014-07 TM影像重構前后波譜剖面圖Fig.6 The comparison of spectrum between original image and constructed image

3.2 神經網絡擬合及精度分析

將小波重構后的光譜信號與原始信號分別做為神經網絡輸入,湖泊Chl-a的實測值做為神經網絡輸出,隨機選取70%的樣本進行神經網絡訓練,30%的樣本進行檢驗。去噪前后的小波神經網絡的反演值與監測值相關分析見圖7所示,從圖中可以看出,去噪后小波神經網絡訓練的效果有了明顯提升,特別是在驗證環節,R2由0.226提升至了0.779,而總體訓練R2也由0.558提升至0.762。去噪后的訓練過程監測值與反演值的R2為0.754,檢驗過程為0.779,同時從表2可以看出,去噪后反演值與監測值的各項統計量均較為接近,反演值平均相對誤差為0.142。劉朝向等[26]利用SVM模型對媯水河中Chl-a濃度進行了兩期反演研究,其反演值與監測值的一元線性回歸R2分別為0.76與0.80,平均相對誤差分別為0.12與0.13,與本文的擬合精度差別不大,由于本研究訓練神經網絡模型的數據量小,在一定程度上影響到估算精度,但這也說明本文提出的方法在反演Chl-a濃度的精度方面是可行的,并且隨著樣本量的增大,模型的精度會進一步提高,應用前景廣闊。

圖7 去噪前后小波神經網絡擬合效果分析Fig.7 The analysis of wavelet neural network fitting result between original signal and denoised signal

3.3 基于小波理論的Chl-a反演結果空間分布分析

由于烏梁素海平水期有大量的蘆葦種植,混淆了其他水生植物的光譜反映[27],影響影像數據中水體光譜反射信息,因此,本研究不對其進行反演,同時枯水期與豐水期也有少部分湖區有較高的蘆葦覆蓋度(>50%),這些湖區在反演中也需要剔除掉。本研究采用如下方法進行剔除：首先通過實地調查,確定豐水期與枯水期蘆葦覆蓋度較高的湖區,通過GPS劃定范圍,采用ENVI的RIO工具對遙感圖件中這部分區域進行標識,然后通過目視解譯劃定整個湖區中蘆葦覆蓋度較高的區域,再進行裁剪,裁剪后的圖像在matlab中可讀取“0”值,需在matlab中對所有的“0”進行賦空值操作。

表2 反演值與檢測值描述性分析

2014年烏梁素海豐水期與枯水期Chl-a濃度分布見圖8所示,從圖中可以看出,烏梁素海Chl-a濃度在時空分布上呈現一定的差異,但大體上來說,呈現豐水期淺水區(主要為靠近湖岸湖區)Chl-a濃度值高于湖心區(主要為深水區),來水區(湖區中部西側)高于其他湖區的空間分布趨勢。在實地調研中發現,在烏梁素海豐水期(主要為6—9月份)正值當地農業生產活動高峰期,河套灌區大量富含N、P元素的農田退水從烏梁素海中部的進口區進入湖區[28- 30],在進口區及附近湖區造成N、P元素的大量富集[31]。有研究表明水體中Chl-a濃度的變化是水體營養條件如溫度、光照、營養鹽等因素綜合作用的結果[32],而當地6—9月份光照條件好,溫度較高,適宜藻類生長,這些綜合因素造成來水區Chl-a濃度升高；其次,烏梁素海兩岸10km內,尤其北側有大量分散居民點與散養殖戶,散排的生活污水與養殖廢水通過地表徑流進入烏梁素海湖體內,提高了兩岸附近及北側湖區營養鹽含量,造成了北側及兩岸湖區Chl-a濃度升高；再次,烏梁素海東南側基本無居民點分布,因此,東南側湖區Chl-a濃度較西北側相對較低。枯水期(12月—翌年4月)也基本呈現與豐水期大致相同的空間分布規律,但細節上不盡相同,從枯水期Chl-a分布圖可以看出,枯水期Chl-a開始向湖心區“蔓延”,在烏梁素海中部形成由西向東濃度逐步降低的分布規律,同時,在湖體西部呈現均一化的分布趨勢,綜合來看,反演結論與其他關于烏梁素海富營養化的研究結論基本保持一致[33]。

圖8 烏梁素海豐水期、枯水期Chl-a濃度分布圖Fig.8 The distribution of Chl-a concentration of wet season and dry season in Wuliangsuhai Lake

高陽俊[34]等針對長江及淮河中下游、黃河及海河下游和大運河沿岸的142個湖泊的水質和水生態數據,采用Chl-a濃度六段分級的方法,得到各指標富營養化控制的分級標準值,本研究利用這種方法評價了烏梁素海豐水期與枯水期富營養化程度,結果見表3。從表中可以看出,枯水期中富營養化與輕度富營養化的面積占比分別達到了41.93%與38.30%,豐水期面積占比分別為13.24%與22.66%,枯水期中富營養化與輕度富營養化的面積占比相比豐水期提高了近30與16個百分點,由此可見,烏梁素海在一年內富營養化水平在隨水期發展提高,同時也證明了一年內烏梁素海的水質在惡化。

表3 基于Chl-a分級的湖區富營養化評價

4 討論

本研究利用TM影像數據,提出通過小波去噪和神經網絡方法反演Chl-a濃度的方法。首先,TM影像中SIOPs的變化要受到湖體中Chl-a和其他水質與環境因子的共同影響,其他因子對SIOPs信號中產生的影響即為噪聲,這些噪聲分布于所有的小波系數上,雖然可以通過去噪與重構能大致恢復原始信號的趨勢,但卻無法徹底去除與頻帶相互重疊的噪聲,重構后的信號仍然攜帶的這部分噪聲將降低神經網絡模擬的精度,但受限于本研究樣本量不足,樣點數量較少,沒有監測其他環境因子,所以很難以從統計上判斷信號中極大值或極小值攜帶的這部分噪聲的比例,也無法有針對性的去除信號中非Chl-a因子引起的SIOPs信號的變化,因此,在采樣數據較全,樣本量較大的情況下,針對其他環境因子與SIOPs進行關聯分析,分析其對SIOPs產生的影響,而后有針對性的進行比對去噪,對于提高本文研究方法的精度將是有效的；其次,由于光傳輸環境與衛星傳感器姿勢等條件的差異,衛星接收到的反射光信息在空間的傳輸中的損耗計算較為復雜,而應用神經網絡對Chl-a進行反演可以有效的避開這個難點,但神經網絡的特點是從海量數據中尋找規律,應用這個方法也意味著繁重的采樣分析工作。同時,本文數據量雖較小,但模型的精度基本可以滿足反演要求,反演出的Chl-a濃度分布也和掌握的污染源分布情況基本契合,因此,有理由相信隨著數據量的增大,該方法的精度勢必有明顯提升。再次,從選用的數據上來看,本研究選取了TM影像作為反演數據,但TM影像為衛星拍攝,光的傳輸距離較長,要受到大氣狀況的影響,SIOPs解釋反映Chl-a的程度要減弱,因此,從數據準確性來講,利用近感光學元件收集SIOPs相對來說要比利用衛星影像要好,同時采用近感方法還可以避免因水體植被存在而影響光學信號,隨著無人機技術的快速發展,利用無人機攜帶近感光學元件獲取大湖泊光學信息,而后應用本文提出的方法也是提高模型精度的方法。

5 結論

本研究利用TM影像數據,提出通過小波去噪和神經網絡方法反演Chl-a的方法,并驗證了該方法的適用性,進一步對烏梁素海Chl-a濃度的分布原因進行了討論,具體結論如下：

(1)小波去噪后的采樣點光譜信號與Ch-a濃度之間表現出比原始信號更強的負相關性,原始光學信號中,非Chl-a引起的光學噪聲去除率在一定程度上決定模型反演的精度。

(2)本文的擬合精度與國內相關研究的精度差別不大,表明小波分析和神經網絡相結合的方法在可以適用于烏梁素海Chl-a濃度反演,但該法在反演Chl-a濃度的精度方面還有很大的提升空間；

(3)本文應用提出的方法對烏梁素海進行了豐水期和枯水期Chl-a的反演,結果表明烏梁素海Chl-a濃度在時空分布上呈現一定的差異,豐水期呈現淺水區Chl-a濃度值高于湖心區,來水區高于其他湖區的分布趨勢；枯水期烏梁素海中部呈現由西向東Chl-a濃度逐步降低的分布規律,西部呈均一化分布。

致謝：感謝巴彥淖爾市環境保護局、巴彥淖爾市環境保護監測站在提供葉綠素a監測數據方面給予的支持。

[1] Gitelson A A, Schalles J F, Hladik C M. Remote chlorophyll-a retrieval in turbid, productive estuaries: Chesapeake Bay case study. Remote Sensing of Environment, 2007, 109(4): 464- 472.

[2] Kallio K, Kutser T, Hannonen T, Koponen S, Pulliainen J, Veps?l?inen J, Pyh?lahti T. Retrieval of water quality from airborne imaging spectrometry of various lake types in different seasons. Science of the Total Environment, 2001, 268(1/3): 59- 77.

[3] 段洪濤, 張柏, 宋開山, 王宗明, 張樹清. 查干湖葉綠素a濃度高光譜定量模型研究. 環境科學, 2006, 27(3): 503- 507.

[4] 徐祎凡, 李云梅, 王橋, 呂恒, 劉忠華, 徐昕, 檀靜, 郭宇龍, 吳傳慶. 基于環境一號衛星多光譜影像數據的三湖一庫富營養化狀態評價. 環境科學學報, 2011, 31(1): 81- 93.

[5] 王琦, 孟偉, 馬云峰, 史玉強, 胡筱敏. 基于HJ- 1衛星的大伙房水庫葉綠素a濃度反演模型研究. 安全與環境學報, 2013, 13(4): 137- 141.

[6] 郭宇龍, 李云梅, 呂恒, 王珊珊, 王永波. 基于主成分降維的總懸浮物濃度遙感估算模型適用性分析. 湖泊科學, 2013, 25(6): 892- 899.

[7] 張兵, 申茜, 李俊生, 張浩, 吳迪. 太湖水體3種典型水質參數的高光譜遙感反演. 湖泊科學, 2009, 21(2): 182- 192.

[8] He W Q, Chen S, Liu X H, Chen J N. Water quality monitoring in a slightly-polluted inland water body through remote sensing-Case study of the Guanting Reservoir in Beijing, China. Frontiers of Environmental Science & Engineering in China, 2008, 2(2): 163- 171.

[9] 何紅曼, 米海存, 霍艾迪, Chen X H. 西安市曲江南湖富營養化遙感監測與評價. 中國水土保持, 2013, (9): 65- 68.

[10] 姚霞, 王雪, 黃宇, 湯守鵬, 田永超, 曹衛星, 朱艷. 應用近紅外光譜法估測小麥葉片糖氮比. 應用生態學報, 2015, 26(8): 2371- 2378.

[11] 吳燕鋒, 趙海珍, 巴特爾·巴克, 李維, 魏小琴, Rasulov H. 塔吉克斯坦瓦赫什河流域干濕演變特征. 干旱區研究, 2015, 32(4): 644- 650.

[12] Aloui C, Jammazi R. Dependence and risk assessment for oil prices and exchange rate portfolios: A wavelet based approach. Physica A: Statistical Mechanics and its Applications, 2015, 436: 62- 86.

[13] 譚梟, 王希, 王秀茹, 劉蘭妹, 王紅雷. 基于GIS的烏梁素海東岸上游地區水土流失動態變化研究. 水土保持通報, 2014, 34(1): 193- 198.

[14] Lee J H W, Huang Y, Dickman M, Jayawardena A W. Neural network modelling of coastal algal blooms. Ecological Modelling, 2003, 159(2/3): 179- 201.

[15] 宋瑜, 宋曉東, 江洪, 郭照冰, 郭青海. 基于定量遙感反演的內陸水體藻類監測. 光譜學與光譜分析, 2010, 30(4): 1075- 1079.

[16] 李苗, 臧淑英, 吳長山. 基于TM影像的克欽湖葉綠素a濃度反演. 農業環境科學學報, 2012, 31(12): 2473- 2479.

[17] 梁亮, 楊敏華, 臧卓. 基于小波去噪與SVR的小麥冠層含氮率高光譜測定. 農業工程學報, 2010, 26(12): 248- 253.

[18] Yochum M, Binczak S. A wavelet based method for electrical stimulation artifacts removal in electromyogram. Biomedical Signal Processing and Control, 2015, 22: 1- 10.

[19] M A Hassan M A, Bushroa A R, Mahmoodian R. Identification of critical load for scratch adhesion strength of nitride-based thin films using wavelet analysis and a proposed analytical model. Surface and Coatings Technology, 2015, 277: 216- 221.

[20] Carvalho A T, Lima A C S, Cunha C F F C, Petraglia M. Identification of partial discharges immersed in noise in large hydro-generators based on improved wavelet selection methods. Measurement, 2015, 75: 122- 133.

[21] Tanaka S, Sannomaru S, Imachi M, Hagihara S, Okazawa S, Okada H. Analysis of dynamic stress concentration problems employing spline-based wavelet Galerkin method. Engineering Analysis with Boundary Elements, 2015, 58: 129- 139.

[22] Gupta A K, Saha Ray S. Numerical treatment for the solution of fractional fifth-order Sawada-Kotera equation using second kind Chebyshev wavelet method. Applied Mathematical Modelling, 2015, 39(17): 5121- 5130.

[23] 桑燕芳, 王中根, 劉昌明. 小波分析方法在水文學研究中的應用現狀及展望. 地理科學進展, 2013, 32(9): 1413- 1422.

[24] 陶珂, 朱建軍. 小波去噪質量評價方法的對比研究. 大地測量與地球動力學, 2012, 32(2): 128- 133.

[25] Hill P R, Achim A M, Bull D R, Al-Mualla M E. Dual-tree complex wavelet coefficient magnitude modelling using the bivariate Cauchy-Rayleigh distribution for image denoising. Signal Processing, 2014, 105: 464- 472.

[26] 劉朝相, 宮兆寧, 趙文吉, 崔天翔, 林川, 張翼然. 基于SVM模型的媯水河葉綠素a濃度的遙感反演. 遙感技術與應用, 2014, 29(3): 419- 427.

[27] Zhao Y H, Deng X Z, Lu Q, Huang W. Regional rural development, nitrogen input and output in farming-grazing system and its environmental impacts—a case study of the wuliangsuhai catchment. Procedia Environmental Sciences, 2010, 2: 542- 556.

[28] Guo X J, He L S, Li Q, Yuan D H, Deng Y. Investigating the spatial variability of dissolved organic matter quantity and composition in Lake Wuliangsuhai. Ecological Engineering, 2014, 62: 93- 101.

[29] 郝芳華, 孫雯, 曾阿妍, 李鵬, 張嘉勛, 岳勇. HYDRUS- 1D模型對河套灌區不同灌施情景下氮素遷移的模擬. 環境科學學報, 2008, 28(5): 853- 858.

[30] 張璇, 郝芳華, 王曉, 王云慧, 歐陽威. 河套灌區不同耕作方式下土壤磷素的流失評價. 農業工程學報, 2011, 27(6): 59- 65.

[31] 肖博文, 成文連, 姚榮, 劉華民, 劉玉虹. 內蒙古烏梁素海N、P的變化趨勢研究. 水資源與水工程學報, 2015, 26(1): 43- 46, 51- 51.

[32] 秦伯強, 高光, 朱廣偉, 張運林, 宋玉芝, 湯祥明, 許海, 鄧建明. 湖泊富營養化及其生態系統響應. 科學通報, 2013, 58(10): 855- 864.

[33] 馬龍, 吳敬祿. 近50年來內蒙古河套平原氣候及湖泊環境演變. 干旱區研究, 2010, 27(6): 871- 877.

[34] 高陽俊, 曹勇, 趙振, 孫從軍. 基于葉綠素a分級的東部湖區富營養化標準研究. 環境科學與技術, 2011, 34(12H): 218- 220.

A wavelet theory based remote sensing inversion of chlorophyll a concentrations for inland lakes in arid areas using TM image data

SHI Rui1, ZHANG Hong2,*, YUE Rong1, ZHANG Xiaoyu2, WANG Meiping1, SHI Wei3

1InstituteofEnvironmentalScienceofBayannur,Bayannur015000,China2CollegeofEnvironmentalScienceandResources,ShanxiUniversity,Taiyuan030006,China3InstituteofLoessPlateau,ShanxiUniversity,Taiyuan030006,China

Chlorophyll a (Chl-a) concentration is an important indicator for measuring eutrophication and lake water quality. Therefore, a fast and sensitive remote sensing method for Chl-a concentrations is urgently needed, as this will enable real-time spatio-temporal monitoring of Chl-a distribution in large inland lakes, which will enhance water quality management and protection. Using Wuliangsuhai Lake (Inner Mongolia) as an example, this study established an effective remote sensing inversion method for Chl-a concentrations, based on Landsat Thematic Mapper (TM) image data. Chl-a concentration data from January 2010 to November 2014 was collected by the Environmental Monitoring Station of Bayannur city. TM images were acquired by the Information Center of the Chinese Academy of Sciences. After pre-treatment, the Wuliangsuhai TM images were de-noised and reconstructed based on a wavelet analysis. A neural network method was subsequently used to construct a model that relates the TM spectral reflectance ratios and Chl-a concentrations. The results indicated that the proposed method of combining wavelet analysis with a neural network model is suitable for inversely remote sensing Chl-a concentrations. The correlation coefficient between the wavelet de-noised spectral signal and the Chl-a concentration (-0.575) was higher than when the original spectral signal was used (-0.417). Furthermore, the negative correlation between the de oised spectral signal and water sample Chl-a concentrations was stronger than the original one. This demonstrated that the de oised monitoring values could further reduce the interference of random errors and noise. Furthermore, the remotely sensed Chl-a values could approach the sampled Chl-a concentrations. In addition, the de oised reconstruction of the TM images had a narrower reconstructed spectral than before, and part of the signals were enhanced. Nonetheless, the basic crosssectional structure of the images did not change notably. The mean relative error (MRE) of the proposed method was 0.142, and differed little from other models. In addition, the distribution of Chl-a concentration based on the TM inversion method was consistent with the distribution of the Wuliangsuhai Lake pollution sources. The spatio emporal distribution of Chl-a concentrations showed some variability. In the wet season, the Chl-a concentrations in shallow water areas were higher than those in the central area, whereas the Chl-a concentrations in the inlet area were higher than those in other areas. In the dry season, the Chl-a concentration decreased gradually from west to east in the middle of the lake, and showed a homogeneous pattern in the west of the lake. Overall, the precision of the TM remote sensing inversion method achieved a satisfactory prediction accuracy. However, given the lack of sufficient Chl-a monitoring sites and monitoring data, some factors that influenced the spectral reflectance ratio of TM image could not be removed or controlled for. Some improvements on TM image data acquisition, such as algorithm optimization and model verification, should therefore be a priority for the future. Alternatively, high esolution remote sensing image data could be used to acquire the spectral reflectance ratio of lake water, instead of TM images. In conclusion, this study could be used to improve lake water quality monitoring technologies, as well as contribute to real ime water quality monitoring. The proposed method for Wuliangsuhai Lake could be applied in other areas as well, and for other water pollutants.

wavelet analysis; artificial neural network; remote inversion; Chl-a concentration; lake water quality; landsat thematic mapper; eutrophication

國家水污染防治專項(烏梁素海綜合整治項目)

2015- 08- 25;

日期:2016- 06- 14

10.5846/stxb201508251766

*通訊作者Corresponding author.E-mail: zhanghong@sxu.edu.cn

史銳,張紅,岳榮,張霄羽,王美萍,石偉.基于小波理論的干旱區內陸湖泊葉綠素a的TM影像遙感反演.生態學報,2017,37(3):1043- 1053.

Shi R, Zhang H, Yue R, Zhang X Y, Wang M P, Shi W.A wavelet theory based remote sensing inversion of chlorophyll a concentrations for inland lakes in arid areas using TM image data.Acta Ecologica Sinica,2017,37(3):1043- 1053.