基于Landsat8 OLI 遙感數據反演烏梁素海浮游植物生物量

岳程鵬，李 興，包龍山，魏敬鋌

（1.內蒙古師范大學 地理科學學院，呼和浩特 010022；2.內蒙古師范大學 內蒙古節水農業工程 研究中心，呼和浩特 010022；3.鄂爾多斯林業和草原局，內蒙古 鄂爾多斯 016100； 4.內蒙古環科園環境科技有限責任公司，呼和浩特 010011）

0 引 言

【研究意義】烏梁素海作為內蒙古“一湖兩?！敝匾M成部分，其一旦消失將造成土地沙漠化和加劇華北地區沙塵暴，近年來富營養化問題突出，因此研究烏梁素海水體環境十分必要，可為湖泊水質治理與改善提供一定的依據和借鑒。遙感技術在水體監測中具有無法替代的優勢：速度快、范圍廣、成本低、周期性短[1]，利用遙感對水質進行監測，可以極大地提高水質監測效率。

【研究進展】國內外學者運用遙感數據對水質參數進行反演，取得了豐厚的研究成果。水環境遙感反演常用的方法有經驗模型、半經驗（半分析模型）、分析模型。經驗模型方面，馬馳[2]采用回歸分析，建立松嫩平原水體中葉綠素a 和懸浮物量的遙感模型；Zhan 等[3]基于Landsat8 OLI 圖像，在NIR 和可見光波段，構建反演黃河三角洲表面懸浮物濃度的經驗立體模型；Abdelmalik[4]基于ASTER 遙感數據與水質參數的相關性構建埃及Qaroun 湖泊的水質反演回歸模型。半經驗模型方面，Zheng 等[5]基于浮游植物光吸收系數，運用半分析法構建了廣義疊加模型（GSCM）獲得美國切薩皮克海灣的葉綠素 a 質量濃度；Fernanda 等[6]基于近紅外波段的半經驗算法和紅光區波段的半分析算法分別構建Funil 水庫葉綠素a 的預測模型；陳軍等[7]以太湖水質濃度試驗數據和同步的Hyperion 影像為數據基礎，運用四波段半分析法反演葉綠素a 質量濃度。分析模型方面，Giardino 等[8]利用Hyperion 數據，基于生物光學模型對Garda 湖的葉綠素和懸浮物進行了質量濃度反演，吳儀等[9]研究水體的輻射傳輸機理，分析入射光的吸收和散射，推導葉綠素質量濃度遙感反演模型。

【切入點】前人對水環境遙感反演研究均取得了重要的科研成果，但是多數學者對水環境的遙感監測僅僅基于單季度反演，缺乏多個季度反演。為此，選取烏梁素海Landsat8 OLI 遙感影像并提取水體采樣點遙感反射率，結合實測水體葉綠素a質量濃度數據，采用回歸分析方法，構建多季度（春、夏、秋）浮游植物生物量反演模型。由于浮游植物生物量和葉綠素a 質量濃度高度相關，葉綠素a 能夠反映綠色植物和藍藻對水環境污染程度，因此葉綠素a 常被用作浮游植物生物量代用指標[10-11]?！緮M解決的關鍵問題】通過對烏梁素海多個季度（春、夏、秋）浮游植物生物量進行反演，本研究可以為同類型寒旱區湖泊生態環境治理提供一定的理論依據和借鑒。

1 材料與方法

1.1 研究區概況

烏梁素海位于內蒙古巴彥淖爾市烏拉特前旗境內，呼和浩特、包頭、鄂爾多斯三角地帶的邊緣，河套平原東端，為我國第八大淡水湖，是全球荒漠半荒漠地區極為少見的大型寒旱區湖泊[12-13]。烏梁素海流域屬于內陸斷陷盆地，是典型的牛軛湖。溫帶大陸性氣候顯著，冬季寒冷漫長，夏季炎熱短暫。烏梁素海是河套灌區工業廢水、農業退水、生活污水的承泄場所，水環境較差，成為內蒙古湖泊水質最為惡化、富營養化最為嚴重的草-藻型湖泊[14-16]。

1.2 數據采集與處理

于2016—2018 年春季（4、5 月）、夏季（6、7、8 月）、秋季（9、10 月）在烏梁素海進行采樣，使用GPS 設置固定采樣點位置（圖1），在每個采樣點水下0.5 m處采取1 L的葉綠素水樣，裝入聚乙烯瓶中，每升葉綠素水樣現場加入2～4 mL 的1% MgCO3溶液，然后將聚乙烯瓶進行密封保存，運回實驗室進行分析，葉綠素a 質量濃度的測定使用分光光度計法。

圖1 烏梁素海采樣點 Fig.1 Sampling points in Lake Wuliangsuhai

1.3 遙感數據獲取與處理

從中國科學院遙感與數字地球研究所的對地觀測數據共享（ids.ceode.ac.cn）網上下載與采樣時間（2016—2018 年春、夏、秋季）相近的Landsat8 OLI遙感影像，云量覆蓋率均小于10%，利用ENVI 5.5遙感軟件對遙感影像進行預處理，包括輻射定標、大氣校正、裁剪等步驟。

1.4 烏梁素海遙感反射率的變化特征

遙感反射率是湖泊水色的綜合反映，是水體光學活性物質吸收和散射互相作用的結果，包含了湖泊中 葉綠素、總懸浮物、有色可溶性有機物濃度等光學活性物質的信息[17]。由于夏季烏梁素海浮游植物生長迅速，水體光譜反射較強，因此選擇2017 年7 月的水體光譜反射曲線。由圖2 可以看出，烏梁素海光譜特性基本上符合二類水體的光譜特征，波普之間的反射率差異明顯，藍光波段（450～515 nm）處形成1 個吸收谷，這是由于藻類色素對于藍光的強吸收造成的，在綠光波段（525～600 nm）處形成1 個反射峰，這主要是由于葉綠素a和胡蘿卜素吸收較弱加上細胞的散射作用而導致的，部分樣點的紅光波段（630～680 nm）也形成一個吸收谷，藻類濃度較高時，水體反射率曲線在這個波段處會形成谷值，部分樣點的近紅外波段處（845～885 nm）形成一個反射峰，近紅外波段的強反射則源于光線在藍藻細胞內部的多次散射[18-20]。

圖2 烏梁素海2017 年7 月各采樣點遙感反射率 Fig.2 Remote sensing reflectance of sampling points in Lake Wuliangsuhai in July 2017

1.5 模型構建

1.5.1 Spss 主成分分析

1）設有n 個樣本，每個樣本選取烏梁素海Landsat8 OLI 遙感影像前7 個波段的遙感反射率作為不同變量，分別為Coastal（海岸波段）、Blue (藍）、Green（綠）、Red（紅）、NIR（近紅外）、SWIR 1（短波紅外1）、SWIR 2（短波紅外2），記為Rij(i=1,2,3…,n j=1,2,3,…,7)。

2）對變量Rij進行標準化處理。

3）KMO ( Kaiser-Meyer-Olkin )檢驗和Bartlett 球形度用于定量的檢驗變量之間是否具有相關性。KMO 檢驗大于0.6，即樣本符合數據結構合理的要求，Bartlett's 檢驗的P 值小于0.05，可以進行主成分提取。

4）提取主成分個數（主成分的特征值大于1，陡坡圖檢驗—陡坡趨于平緩的位置判斷提取主成分的數量）。

5）各個主成分與葉綠素a 質量濃度之間進行Pearson 相關分析，確定影響烏梁素海遙感反射率的主要主成分。

1.5.2 波段比值方法

采用不同波段反射率比值可以在一定程度上消除水體表層光滑度和微波隨時空變化所產生的影響，同時也可以減小其他水體污染物的干擾[17]。通過對烏梁素海遙感影像各波段的反射率分析，首先選擇近紅外波段、紅光波段進行比值處理，再將比值與實測葉綠素a 質量濃度之間進行Pearson 相關分析，選取相關系數最大者進行回歸分析，建立葉綠素a 質量濃度反演模型。比值模型如下：

式中：RRed代表紅光波段反射率；RNIR代表近紅外波段反射率。在Landsat8 OLI 遙感影像中分別對應于4 波段、5 波段。

1.5.3 波段差值方法

根據烏梁素海遙感影像上紅波段、近紅外波段的波普差異，首先選擇近紅外波段、紅光波段進行差值處理，再將差值與葉綠素a 質量濃度做Pearson 相關性分析，進行回歸分析，進行葉綠素a質量濃度反演。差值模型如下：

式中：RRed代表紅光波段反射率；RNIR代表近紅外波段反射率。在Landsat8 OLI 遙感影像中分別對應于4 波段、5 波段。

2 結果與分析

2.1 構建反演模型

2.1.1 春季浮游植物生物量反演

選取2016、2017、2018 年4、5 月共6 幅烏梁素海Landsat8 OLI 遙感影像，云量覆蓋率均小于10%，對遙感影像進行輻射定標、大氣校正等預處理，提取各采樣點的遙感反射率，對采樣點的波段進行組合，共72 組數據，抽取其中60 組數據構建主成分、比值和差值模型。

通過主成分分析，確定KMO 檢驗系數為0.805，大于0.6，即樣本符合數據結構合理的要求，Bartlett's檢驗的P 值小于0.001，可以進行主成分提取，提取了1 個主成分，主成分的貢獻率為87.31%。將主成分、比值和差值模型分別與同期實測的葉綠素a 質量濃度進行相關性分析。比值模型中b5（近紅外）/b4（紅光）與葉綠素a 質量濃度的相關系數為0.641，相關性極顯著（P＜0.01）；差值模型中b5-b4與葉綠素a 質量濃度的相關系數為0.605，相關性極顯著（P＜0.01）；主成分與葉綠素a 質量濃度的相關系數為0.123，二者無相關性。

因此分別將b5/b4、b5-b4作為自變量對因變量葉綠素a 質量濃度進行反演，運用origin 軟件分別選用線性、二次多項式、指數函數進行回歸分析擬合，詳細結果見表1。由表1 可知，比值模型中，二次多項式Y=0.343X2-0.66X+10.56 的擬合效果最好，決定系數R2為0.511，F 檢驗值為24.143，差值模型中，指數擬合效果最好，決定系數R2為0.467，F 檢驗值為15.841。

表1 春季烏梁素海浮游植物生物量反演模型 Table 1 Phytoplankton inversion model in Lake Wuliangsuhai in spring

2.1.2 夏季浮游植物生物量反演模型

選取2017 年6、7、8 月共3 幅烏梁素海Landsat8 OLI 遙感影像，云量覆蓋率均小于10%，對遙感影像進行輻射定標、大氣校正等預處理，提取各采樣點的遙感反射率，進行波段組合，共36 組數據，抽取其中24 組數據構建主成分分析、比值模型、差值模型。

自古以來，山東盛產魁梧高大的漢子。鞏曉彬之外，球隊的主力中鋒紀民尚也是當時國家隊的?？?。與鞏曉彬不同，紀民尚以精準中投和踏實作風著稱，從青年時便有了“老黃牛”的外號。再加上多次獲得搶斷王的后衛鞠維松，這三個人構成了山東男籃在聯賽初期的戰力來源。大部分時間，葉鵬成為了這支隊伍的主帥。

對烏梁素海遙感反射率運用SPSS 進行主成分分析，KMO 檢驗系數為0.757，大于0.6，即樣本符合數據結構合理的要求，Bartlett's 檢驗的P 值小于0.001，可以進行主成分提取，提取了2 個主成分，第一主成分的貢獻率為80.764%，第二主成分的貢獻率為15.605%，這2 個主成分的貢獻率累計達到96%左右。

將第一主成分、第二主成分、比值模型、差值模型分別與葉綠素a 質量濃度進行相關性分析，第二主成分與葉綠素a 質量濃度相關系數為0.859，相關性較高，因此第二主成分可以較好地反映葉綠素a 質量濃度的信息；比值模型中b5（近紅外）/b4（紅光）與葉綠素a 質量濃度的相關性極顯著；差值模型中b5-b4與葉綠素a 質量濃度的相關性極顯著。

因此分別將第二主成分、b5/b4、b5-b4作為自變量對因變量葉綠素a 質量濃度進行反演，運用origin 軟件分別選用線性、二次多項式、指數函數進行回歸分析擬合，詳細結果見表2。由表2 可知，比值模型中，二次多項式Y=0.026X2+2.374X+8.206 的擬合效果最好，決定系數R2為0.816，F 檢驗值為46.482，其次是線性函數，R2和F 值分別是0.815、96.637；主成分模型中，擬合效果最好的函數也是二次多項式，決定系數R2是0.738，F 檢驗值是29.612。

表2 夏季烏梁素海浮游植物生物量反演模型 Table 2 Phytoplankton inversion model in Lake Wuliangsuhai in summer

2.1.3 秋季浮游植物生物量反演模型

選取2016 年9、10 月、2017 年9 月、2018 年9、10 月共5 幅烏梁素海Landsat8 OLI 遙感影像，云量覆蓋率均小于10%，對遙感影像進行輻射定標、大氣校正等預處理，提取各采樣點的遙感反射率，進行波段組合，共60 組數據，抽取其中50 組數據構建比值模型和波段（b5-b4）/b3模型。

主成分與葉綠素a 質量濃度沒有相關性，比值模型中b5（近紅外）/b4（紅光）與葉綠素a 質量濃度的相關系數小于（b5-b4）/b3（b3為綠光波段）模型。因此選擇（b5-b4）/b3作為自變量對因變量葉綠素a 質量濃度進行反演，運用origin 軟件分別選用線性、二次多項式、指數函數進行回歸分析擬合，結果見表3。如表3 所示，模型中，二次多項式Y = -0.025X2+2.616X + 8.629 的擬合效果最好，決定系數R2為0.602，F 檢驗值為34.859，其次是線性函數，R2和F 值分別是0.591、67.856。

表3 秋季烏梁素海浮游植物生物量反演模型 Table 3 Phytoplankton inversion modelin Lake Wuliangsuhai in autumn

2.2 精度檢驗及誤差分析

2.2.1 春季浮游植物生物量反演模型檢驗

選擇基于b5/b4為自變量的二次多項回歸模型Y = 0.343X2-0.66X+10.56 作為驗證模型，由于春季預處理后的3 幅遙感影像中剩余12 組數據未參與模型的構建，具有獨立性，因此使用剩余的12 組數據對模型進行反演精度檢驗，繪制實測值與反演值散點圖（圖3）。烏梁素海春季實測值與預測值值之間的RMSE 是6.88 mg/m3，最小相對誤差12%，最大相對誤差51%，說明該模型反演效果相對較差。

圖3 春季實測值與預測值散點圖 Fig.3 Scattered points of measured and predicted values in spring

2.2.2 夏季浮游植物生物量反演模型檢驗

選擇基于b5/b4為自變量的二次多項回歸模型Y = 0.026X2+2.374X+8.20 作為驗證模型，由于夏季預處理后的3 幅遙感影像中剩余12 組數據未參與模型的構建，具有獨立性，因此使用剩余的12 組數據對模型進行反演精度檢驗，繪制實測值與反演值散點圖（圖4）。烏梁素海夏季實測值與預測值值之間的RMSE 是3.67 mg/m3，最小相對誤差2.55%，最大相對誤差50.86%，平均相對誤差22.38%，說明該模型反演效果相對較好，具有一定的實用性。

圖4 夏季實測值與預測值散點圖 Fig.4 Scattered points of measured and predicted values in summer

2.2.3 秋季浮游植物生物量反演模型檢驗

選擇基于（b5-b4）/b3為自變量的二次多項回歸模型Y =-0.025X2+2.616X+8.629 作為驗證模型，由于秋季預處理后的3 幅遙感影像中剩余10 組數據未參與模型的構建，具有獨立性，因此使用剩余的10 組數據對模型進行反演精度檢驗，繪制實測值與反演值散點圖（圖5）。烏梁素海秋季實測值與預測值值之間的RMSE是4.63 mg/m3，最小相對誤差19%，最大相對誤差42%，說明該模型反演一般。

圖5 秋季實測值與預測值散點圖 Fig.5 Scattered points of measured and predicted values in autumn

3 討 論

由于冬季氣溫低，浮游植物生物量較少，提取的遙感反射率不明顯，所以本研究只選擇了3 季的數據用以建立春、夏、秋季節的浮游植物生物量反演模型。本文所構建的烏梁素海秋季浮游植物生物量反演模型和馬馳[2]所構建的松嫩平原水體秋季葉綠素a 反演模型都是由近紅外（b5）、紅光（b4）、綠光（b3）波段反射率值經數學變換組合而成，二者都符合葉綠素a 的光學特性即葉綠素a 一般在近紅外波段和綠光波段形成反射峰，在紅光波段形成吸收谷[21]，因此三波段反射率值經數學變換組合，可以增強對水體葉綠素a 變化的敏感度。與春秋二季浮游植物生物量反演模型精度相比，夏季浮游植物生物量反演模型精度最高，如表2 比值多項式模型所示，決定系數R2為0.816，再如圖4 所示，夏季實測值與預測值的均方根方差RMSE 為3.67 mg/m3，唐爽等[22]構建的艾比湖夏季浮游植物生物量反演模型精度也較高，其決定系數R2為0.832，二者研究結果相似的原因可為夏季氣溫高，浮游植物快速繁殖，傳感器對葉綠素a 的監測能力強。

相比其他研究僅僅采用單一季節數據進行反演，本研究構建春、夏、秋3 季的浮游植物生物量反演模型，具有一定的普適性，這對烏梁素海水質改善提供了一定的理論依據，同時Landsat8 OLI 遙感影像的應用，能體現湖區的真實地理環境，反演結果可以細化到湖區每一點，反映出湖區浮游植物生物量的分布，極大地提高水質監測效率。但是烏梁素海春、秋季反演模型中實測值與預測值的誤差較大，影響反演模型的精度的主要原因可分為：①試驗數據采集缺乏同步性，烏梁素海野外實測數據與Landsat8 OLI 遙感影像過境時間不同步；②空間分辨率不高，Landsat8 OLI空間分辨率為30 m，較高的空間分辨率可以更加精細監測水質變化；③采樣點數量較少，由于采樣的主客觀條件限制，烏梁素海采樣點數量較少。今后對烏梁素海浮游植物生物量反演進一步研究時，應選擇多種遙感衛星數據構建反演模型，對源于不同遙感數據源的反演模型給予精度驗證，以此提高反演模型精度，為烏梁素海水質監測提供更加精確的理論。

4 結 論

1）烏梁素海夏季浮游植物生物量反演模型Y= 0.026X2+2.374X+8.20 反演精度較高，R2和RMSE 分別為0.816 和3.67 mg/m3。

2）為了縮小誤差，提高精度，使用光譜儀采集水體光譜數據（采集水樣與采集光譜數據務必同步），細胞體積轉化法計算浮游植物生物量濃度，利用高光譜遙感影像數據（空間分辨率較高）監測水質。