基于遙感技術的克欽湖葉綠素反演研究

劉 宇

(牡丹江師范學院歷史與文化學院，黑龍江牡丹江157011)

基于遙感技術的克欽湖葉綠素反演研究

劉 宇

(牡丹江師范學院歷史與文化學院，黑龍江牡丹江157011)

目前，利用遙感影像和同步水質采樣數據建立的葉綠素a反演模型，已日趨成熟，但精度并不高。本文通過手持高光譜儀器對克欽湖進行光譜采樣，將同時過境的TM影像與手持高光譜數據進行相關分析、光譜校正，得到更為精準的遙感反射率值。并對校正后的數據進行歸一化處理，與克欽湖體水質參數葉綠素a建立相關反演模型，經過篩選與模型檢驗選擇出最佳模型。將該模型應用到TM多光譜遙感影像上，反演出克欽湖葉綠素a濃度的分布情況，并取得到較好的效果。

TM影像；高光譜；葉綠素a；克欽湖

1 數據的獲取

克欽湖位于黑龍江省扎龍濕地內部，是該區內最大的內陸湖泊，總面積約27平方公里，其中，南湖面積18?2平方公里，北湖面積9平方公里，平均水深3米左右。本次野外調查是在2011年9月25~10月5日期間進行的，通過對克欽湖水體表面反射光譜測量和野外數據采集，共獲得了30個采樣點，每個對象采集10條光譜數據，剔除異常光譜，其余光譜數據取均值作為該點的反射率。水體的反射光譜曲線使用FieldSpec HH野外光譜輻射儀完成，波長范圍為350 nm~1050nm，光譜分辨率為3?5nm，采樣間隔為1?5nm。測量方法根據唐軍武等所述方法[9]，測量時天氣晴朗，無云遮擋。同時用GPS獲取采樣點位置信息，并同步采集水樣。圖1顯示的是此次克欽湖各采樣點的分布情況。

圖1 采樣點位置示意圖

2 TM影像的預處理與校正

實測水質數據和地物光譜數據與TM影像數據的同步性是本研究的關鍵所在。為了保證數據的同步性，本次野外采樣嚴格按照影像要求同步進行。采用的數據為2011年10月2日的Landsat5/TM影像。

2.1 幾何校正

由于傳感器平臺的緯度、高度、速度的變化，以及大氣反射、地球曲率、地形的高低等因素的影響，使得遙感圖像產生了不可避免的幾何畸變。因此，在對遙感數據應用前，首先就需要對遙感影像進行幾何校正。本次研究幾何校正部分是利用erdas8.4中的多項式幾何校正模型(Polynomial)完成的，對照影像是從馬里蘭大學獲取的2006年TM影像，選擇了60個GCP，從總體效果來看，幾何校正的效果比較理想。如圖2所示。

圖2幾何校正前后對比

2.2 輻射定標

輻射定標是將傳感器記錄的電壓或數字量化值(DN)值轉換成具有實際物理意義的大氣頂層輻射亮度或反射率[11]。輻射定標的原理是建立數字量化值與對應視場中輻射亮度值之間的定量關系，以消除傳感器本身產生的誤差。本文采用的是ENVI 4.5中有專門進行輻射校正的模塊Calibration Utilities進行輻射定標。

2.3 基于高光譜實測數據的相對輻射校正

雖然運用野外波普測試回歸分析法對TM影像進行相對輻射校正需要進行同步野外光譜采集，目前并不常用，但筆者認為這種方法更能體現地表真實的反射率情況。其原理是利用野外光譜儀與遙感影像對應的點進行回歸分析。

本文運用22個點來建回歸方程，8個點做檢驗。由于TM3的波段范圍為630nm~690nm。所以在建回歸方程時，所選用高光譜數據取的是630nm~690nm的光譜平均值。TM2、TM4分別相對應的高光譜值為520nm~600nm和760nm~900nm的平均值。

表1 相對輻射校正模型

表1為TM2、TM3、TM4與高光譜數據的擬合情況。其中TM3的擬合情況最好，標準估計誤差最低，為0.021。圖3為3個波段的檢驗情況，可以看出TM3波段的實際光譜與預測光譜相差很小。

圖3 TM影像相對輻射校正檢驗

3 葉綠素a濃度反演的遙感定量模型

3.1 葉綠素a相關分析

為全面考察葉綠素a與遙感敏感波段的相關性，本文采用統計分析軟件SPSS對反射率與葉綠素濃度進行相關性分析。設水體各水質參數為因變量，TM各個波段，以及波段組合為自變量。對預處理后的TM影像的各個波段反射率值及各波段組合與實測的葉綠素a濃度值進行了Pearson相關分析，如表2所示。

表2 葉綠素a與TM波段相關系數

可以看出，經實測光譜的相對輻射校正后，TM影像的2，3，4波段與葉綠素濃度均有較高的相關性，分別為－0.912，0.922，0.871。其中TM2為負相關，這與實測高光譜與葉綠素a的相關性一致。初步選擇三個相關性最高的因子TM3，TM2＋TM3，TM 3－TM 2/TM 3＋TM 2建立模型，相關性分別為0.922，0.925，0.920。3.2 葉綠素a模型建立與檢驗

對三個最高因子分別與葉綠素濃度做線性回歸，從圖4(a)可以發現三個因子的R2非常接近。將剩余的8個點代入對應模型可得到模擬值，而且從圖4(b)的檢驗情況上看也非常接近。所以很難抉擇具體用哪一個模型。由于TM2＋TM3模型的標準估計誤差稍低，為0?76，R2也為三者中最高的0?89，檢驗情況也很好，而且模型不繁瑣，只用了一次加法，綜合考慮，選擇TM2＋TM3作為反演葉綠素濃度的模型。

圖4 葉綠素a的TM模型與檢驗

3.3 葉綠素濃度的反演

把葉綠素a最優TM模型輸入ERDAS圖象處理軟件中的Modeler模塊中，即Y＝49.39(TM2＋TM3)－43?07，得到克欽湖葉綠素a濃度分布圖，如圖5所示。

圖5 克欽湖葉綠素分布圖

從圖5中可以看出，克欽湖北湖葉綠素濃度較高，湖面東、西、南三側葉綠素濃度為最高區域，達到7?5mg~9mg/l。在靠近湖心的地方，葉綠素濃度逐漸由大變小，葉綠素濃度下降到6加7.5mg/l左右，并且一直延續到南岸。克欽湖南湖葉綠素濃度要比北湖小，湖面大部分地區都為3mg~4mg/l。只有靠近北湖地區和東側較高，達到4.5mg~6mg/l。這可能是由于北湖的水局部流動過來的原因(克欽湖南北湖中間有一小部分相通)。而且這與同步的水質采樣數據基本一致。由此可見，克欽湖的水體葉綠素濃度總體南湖比較低，北湖較高，大的趨勢是由南向北遞增。

4 結論

本文通過利用手持高光譜儀器對TM影像進行光譜校正，獲得更為準確的TM影像反射率值，并選取了各個波段以及幾種波段組合與葉綠素濃度進行相關性分析。發現TM2＋TM3作為反演模型更為合適。最后將8個檢驗點作為本次模型的進行檢驗，取得不錯的效果，在一定程度上可以滿足該地區的水質監測需要。但由于本次試驗只對葉綠素模型反演，缺乏懸浮物和黃色物質等實測數據，再加上訓練樣本有限，無法更準確f對水體光譜曲線進行分析，今后研究將會改善這部分工作，進一步提高反演精度。也希望此模型可以對研究這一領域的學者提供有效r幫助。

[1] 王學軍，馬廷.應用遙感技術監測和評價太湖水質狀況[J].環境科學，2000，21(6):65－68.

[2] 佘豐寧，蔡啟銘，陳宇煒，等.水體葉綠素含量的遙感定量模型[J].湖泊科學，1996，8(3):41－45.

[3] 楊一鵬，王橋，肖青，等.基于TM數據的太湖葉綠素a濃度定量遙感反演方法研究[J].地理與地理信息科學，2006，22(2): 5－8.

[4] 疏小舟，尹球，匡定波.內陸水體藻類葉綠素濃度與反射光譜特征的關系[J].遙感學報，2000，4(1):41－45.

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

[6] 普瑞良，宮鵬.高光譜遙感及其應用[M].北京:高等教育出版社，2000.

[7] 陳文霞，陳安升，蔡之華.基于高光譜吸收特征參數的分類研究[J].計算機工程與應用，2008，44(28):230.

[8] 聞建光，肖青，楊一鵬，等.基于高光譜數據提取水體葉綠素a濃度的混合光譜模型[J].水科學進展，2007，18(2):270－276.

[9] 史合印，邢前國，等.基于導數光譜的渾濁河口水體葉綠素濃度反演[J].海洋環境科學，2010，29(4):575－578.

[10] 焦洪波，查勇，李云梅，等.基于高光譜遙感反射比的太湖水體葉綠素a含量估算模型[J].遙感學報，2006，10(2):242－248.

[11] 唐軍武，田國良，汪小勇，等.水體光譜測量分析:水面以上測量法[J].遙感學報，2004，8(1):37－44.

[12] 趙萍，馮學智，林廣發，等.SPOT衛星影像居民地信息自動提取的決策樹方法研究[J].遙感學報，2003，7(4):309－315. [13] 梁順林.定量遙感[M].北京:科學出版社，2009.

責任編輯:程艷艷

Research on Inversion of Chlorophyll in Kexin Lake Based on Remote Sensing Technology

LIU Yu
(School of History and Culture，Mudanjiang Normal University，Mudanjiang 157011，China)

At present，the chlorophylla inversion model established by remote sensing image and synchronouswater quality sampling data has become amature technology，but the accuracy is not high.In this paper，the hand－held high spectrum instrument is used to make sample on Kexin Lake，and correlative analyses on TM images passed through the lens and the hand－held hyperspectral data aremade.The spectral correction is carried out to obtain a more accurate remote sensing reflectance value.And the corrected data are normalized，and the correlativemodel is established with the chlorophyll a of the water quality parameters of Kachin Lake.The bestmodel is selected by screening and model checking.Themodel is applied to TM multi－spectral remote sensing image，and the distribu-tion of chlorophyll a concentration in Kexin Lake is retrieved，which is proved to have good results.

TM image；high spectrum；chlorophyll a；Kexin Lake

D95

A

1009－3907(2017)06－0020－05

2017－04－10

牡丹江師范學院服務地方專項項目(FG201602)

劉宇(1985－)，男，遼寧丹東人，助教，碩士，主要從事資源與信息系統研究工作。