中國東部海域浮游植物類群遙感反演研究

趙海陽，沈芳*，孫雪融，魏小島

( 1. 華東師范大學 河口海岸學國家重點實驗室，上海 200241；2. 華東師范大學 崇明生態研究院，上海 202162)

1 引言

浮游植物在生物地球化學循環中扮演著十分重要的角色。研究表明，盡管浮游植物的生物量只有陸地植物生物量的1%，但貢獻了全球大約50%的初級生產力[1-2]。由于形態和生理特征的差異，不同浮游植物在生物地球化學過程和海洋生態系統中的作用有所差別[3]。如硅藻貢獻了海洋初級生產力的40%，同時也是全球硅循環的重要驅動因素[4]；甲藻在生長代謝過程中產生的二甲基硫，能夠形成硫酸鹽氣溶膠，進而維持全球輻射平衡[5]。

因此，為了更加全面地認識浮游植物在全球生態系統中所起的作用，需要對浮游植物的生物量、空間分布、類群和種群組成等信息進行有效觀測。其中，遙感技術的發展，有效彌補了傳統調查方式較難進行大范圍、連續觀測的不足，同時使得對地觀測變得更加經濟高效。葉綠素a（Chlorophylla，Chla）濃度常被用來指示浮游植物生物量[6]，其衛星反演一直以來是水色遙感領域的重要研究內容[7]。但近年來隨著人們對海洋生態系統、生物地球化學循環、氣候變化等研究的逐步深入，大量研究顯示，Chla濃度已無法滿足人們對浮游植物類群進行深入了解的迫切需求[8-10]，使得發展浮游植物類群遙感反演方法變得十分必要。

目前，浮游植物類群遙感反演方法主要分為3種：基于浮游植物豐度法、基于生態環境因子法、基于光學輻射法[9,11]。不同浮游植物因大小、形狀、外部和內部結構以及色素成分上的差異會改變光學輻射信號，同時衛星影像經過大氣校正，首先得到水體的遙感反射率（Remote Sensing Reflectance，Rrs）。因此，利用遙感反射率反演浮游植物類群是最為直接的方法[11]。然而，對于水體光學性質復雜的中國東部海域，使用遙感反射率反演浮游植物類群的研究仍相對較少[12-13]。

已有研究表明，基于波段組合的Chla濃度反演模型簡單高效，被廣泛使用[14-15]。因此，可以通過尋找與浮游植物類群Chla濃度相關性最高的波段組合，建立反演模型。此外，基于遙感反射率數據以及其他表觀光學變量的奇異值分解法，在大洋一類水體估算浮游植物類群Chla濃度時取得了較好的結果[16-17]。上述的研究方法主要是基于相對簡單的線性回歸模型，而機器學習算法，特別是極端梯度提升算法（eXtreme Gradient Boosting，XGBoost），因其高效的可擴展性和靈活性以及快速準確的特點，近年來在水色遙感領域中得到了不斷的發展和應用[18-19]。基于大量實測數據，本研究使用了3種建模方法究構建浮游植物類群反演模型，即基于波段組合法、基于奇異值分解的多元線性回歸法、基于奇異值分解的XGBoost回歸法，并對比驗證了不同模型的估算精度。

Sentinel-3/OLCI（Ocean and Land Colour Instrument）傳感器作為新一代的水色傳感器，其在波段設置方面繼 承 了Envisat/MERIS（Medium Resolution Imaging Spectrometer）傳感器的參數，并針對水色遙感探測進行了優化[20]。為了獲得較高精度的遙感反射率產品，本研究利用實測的遙感反射率數據對OLCI 3種大氣校正算法（C2RCC（Case 2 Regional Coast Color）、POLYMER（POLYnomial-based algorithm applied to MERIS）、MUMM（Management Unit of Mathematical Models））進行了評估。

綜上，本研究以中國東部海域為研究區，構建并對比了3種浮游植物類群遙感反演模型，驗證了針對OLCI傳感器的3種大氣校正算法，并評估了大氣校正對浮游植物類群反演模型的影響。將精度較高的硅藻Chla濃度反演模型（基于奇異值分解的多元線性回歸法）應用至使用C2RCC大氣校正算法計算得到的OLCI遙感反射率數據，估算中國東部海域硅藻Chla濃度。

2 數據與方法

2.1 研究區概況

本研究的實測原位數據來自于中國東部海域（圖1）。中國東部海域包括渤海、黃海和東海，總面積約為1×106km2[21]。中國東部海域也是我國重要的碳匯，年固碳量達222×106t[22]。受到黑潮、臺灣暖流、浙閩沿岸流等多種流系[23]以及河流輸入泥沙和營養鹽的影響，該區域的浮游植物類群存在較大的時空變化[24]。

圖1 研究區位置以及采樣站位Fig. 1 Location of the study area and sampling stations

2.2 實測遙感反射率數據

本研究共采集獲取了2015-2020年8個航次的228條遙感反射率數據（圖1）。該數據由Sea-Bird Scientific公司的海面高光譜測量儀（HyperSAS）測定，波段范圍為349 ～ 856 nm，分辨率為1 nm。數據測定和處理參考文獻[25]。根據OLCI的波譜響應函數，利用式（1）將實測的遙感反射率卷積計算為OLCI等效波長測得的遙感反射率[26]。卷積完成后得到16個等效波段，即400 nm、412.5 nm、442.5 nm、490 nm、510 nm、560 nm、620 nm、665 nm、673.75 nm、681.25 nm、708.75 nm、753.75 nm、761.25 nm、764.375 nm、767.5 nm、778.75 nm。由于受到水汽吸收作用的影響，761.25 nm、764.375 nm、767.5 nm波段不參與大氣校正，因此，之后的研究只使用了經過大氣校正的13個波段。

式中，Rrs為 傳感器測量的等效遙感反射率； λ1、 λ2為波段范圍內的下限和上限；S(λi) 為波長 λi處傳感器的光譜響應函數；Rrs(λi)為 λi處實測的遙感反射率。

2.3 實測浮游植物色素濃度數據

不同的浮游植物含有特定的特征色素，在原位測量中，常通過測定特征色素來確定浮游植物類群[27]。本研究采用來自2015-2020年9個航次共511個站位（圖1）的海水表層特征色素濃度數據（航次及采樣信息詳見文獻[28-29]）。在野外采集特征色素時，將水樣過濾富集到孔徑為0.7 μm，直徑為25 mm的Whatman GF/F玻璃纖維濾膜上，然后放入-40℃的冰箱中冷凍避光保存。返回實驗室后通過高效液相色譜（High Performance Liquid Chromatography, HPLC）測定色素濃度。

CHEMTAX是根據浮游植物特征色素濃度估算不同浮游植物類群Chla濃度的程序[30]。程序通過最速下降法不斷迭代，調整特征色素比率矩陣，定量確定浮游植物類群組成。本研究參考Sun等[31]在中國東部海域給出的初始特征色素比率矩陣，使用實測的多甲藻黃素、19’-丁酰氧基-巖藻黃素、巖藻黃素、19’-己酰氧基-巖藻黃素、新黃素、青綠藻黃素、紫黃素、別藻黃素、葉黃素(Lutein)、玉米黃素度、葉綠素b、葉綠素a的濃度，計算得到青綠藻（Prasinophytes）、甲藻（Dinoflagellates）、隱藻（Cryptophytes）、綠藻（Chlorophytes）、藍藻（Cyanobacteria）、硅藻（Diatoms）、金藻（Chrysophytes）、定鞭藻（Prymnesiophytes）的Chla濃度。

2.4 衛星影像數據

OLCI傳感器是歐洲空間局（The European Space Agency，ESA）Sentinel-3A（2016年2月16日發射）和Sentinel-3B（2018年4月25日發射）衛星上的有效載荷之一。OLCI的波段范圍為400～1 020 nm，包括21個波段。兩顆衛星在同一軌道運行，于當地太陽時10點過境。OLCI傳感器的L1B（傳感器接收到的天頂輻亮度）產品包括了兩種空間分辨率的產品，分別是300 m分辨率（Full Resolution，FR）和1.2 km分辨率（Reduce Resolution，RR）[32]。本研究使用的是300 m分辨率的L1B數據（https://scihub.copernicus.eu/dhus）。

2.5 大氣校正算法

C2RCC大氣校正算法通過大量的實測數據，利用水體光學傳輸模型和大氣傳輸模型，模擬了不同情況下的天頂輻亮度和離水反射數據集，再利用模擬的數據集構建神經網絡模型，完成天頂輻亮度和離水反射之間的計算。在構建離水反射數據集時，使用了從世界各地光學復雜水體采集的光學參數，因此能夠適用于光學二類水體[33-34]。

POLYMER大氣校正算法利用從藍光到近紅外光的整個光譜范圍，將大氣和水體的信號解耦，完成大氣校正。該方法依賴于兩個基本模型，一個是關于大氣的估計模型，該大氣模型使用全光譜建立多項式擬合大氣貢獻，使得最終的模型可以適用于有太陽耀光污染的區域；另一個是離水反射模型，該模型使用Chla濃度和后向散射系數模擬離水反射。其中后向散射系數的引入使得模型能夠適用于光學二類水體[35-36]。

MUMM大氣校正算法是對標準SeaWiFS大氣校正算法的擴展。SeaWiFS標準大氣校正算法假設水體在近紅外波段的離水反射為0，衛星近紅外波段接收到的信號都是由氣溶膠反射貢獻，通過將氣溶膠貢獻從近紅外波段推算至短波波段，完成大氣校正[37]。然而，這一假設多適用于水色組分相對簡單的一類水體。針對渾濁水體，Ruddick 等[38]將近紅外波段離水反射為0的假設替換為在興趣區內765 nm和865 nm波段離水反射比和氣溶膠散射比為定值的假設，從而推算氣溶膠散射，完成大氣校正。

在使用實測數據進行大氣校正結果驗證時，本研究選擇在采樣站位前后3 h過境的衛星影像上，以采樣點為中心，空間上3×3窗口平均值，作為該站位衛星探測的遙感反射率。

2.6 浮游植物類群遙感反演模型

2.6.1 波段組合法

波段組合法（Band Combination，BC）是建立遙感反射率波段組合值與不同浮游植物類群Chla濃度之間經驗關系的方法。利用相關系數，選擇與各浮游植物類群Chla濃度相關性最高的遙感反射率波段組合（表1）。在找到各浮游植物類群最優波段組合后，分別使用一次函數、二次函數、三次函數、冪函數和指數函數將波段組合值與浮游植物Chla濃度進行擬合，確定最優的建模方式。

表1 本研究采用的波段組合形式Table 1 The band combinations used in this study

2.6.2 基于奇異值分解的多元線性回歸法

在構建基于奇異值分解的多元線性回歸法（SVD（Singular Value Decomposition）+MLR（Multiple Linear Regression））模型時，首先對建模數據集的遙感反射率進行標準化，將標準化后的遙感反射率矩陣（Rrsstandardized，矩陣大小為M×N，M為光譜數量，N為波段數量）進行奇異值分解，如下所示，

式中，正交矩陣U（M×M）的列向量為左奇異向量，代表建模數據的主成分； Λ（M×N）為矩陣Rrsstandardized的奇異值矩陣，是一個對角陣，奇異值由大到小在矩陣對角線排列；正交矩陣V（N×N）的列向量為右奇異向量。計算過程中，當第n+1個主成分代表的方差小于第一個主成分代表方差的0.000 1倍時，該主成分被當作是無意義的而被舍棄[16]。最終，將前n個主成分與浮游植物Chla濃度的對數（ lgCp）進行多元線性回歸，公式為

式中，a和b1,b2,···,bn為方程的回歸系數；Cp為浮游植物Chla濃度；u1,u2,···,un為前n個主成分。

當將該方法應用至遙感影像進行浮游植物類群Chla濃度估算時，首先將影像的遙感反射率矩陣進行標準化隨后將數據投影到建模數據奇異值分解后的特征空間上得到Uapplication矩陣（式（4）），通過使用Uapplication矩陣的列向量和建模時擬合的回歸系數來估算各浮游植物類群Chla濃度的對數該方法流程如圖2所示。

2.6.3 基于奇異值分解的XGBoost回歸法

XGBoost是一種基于梯度提升樹的機器學習方法[39]。其將多個弱學習器結合成為一個強的學習器，通過不斷地向集成模型中添加預測模型，且每一個新添加的預測模型都對前一個模型的預測殘差進行擬合，以完成最后的模型構建。基于奇異值分解的XGBoost（記為SVD+XGBoost）的浮游植物類群Chla濃度反演算法的流程與SVD+MLR 法一致，僅將多元線性回歸模型替換為XGBoost回歸模型（圖2）。

圖2 基于奇異值分解的浮游植物類群Chl a濃度反演算法流程Fig. 2 Flow chart of Chl a concentration inversion algorithm of phytoplankton groups based on singular value decomposition

2.7 精度評價指標

為評估建立的各類群浮游植物Chla濃度反演模型的精度，以及3種大氣校正算法的精度，研究使用了決定系數（R2）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）、中值絕對百分比誤差（Median Absolute Percentage Error，MAPE）作為評價指標。各指標公式為

式中，E代表模型預測值；M代表實測值；N代表實測值與預測值匹配到的數量。

3 結果與分析

3.1 浮游植物類群Chl a濃度統計

利用實測的色素濃度數據和CHEMTAX軟件計算得到的8類浮游植物的Chla濃度的統計結果如表2所示。為避免Chla濃度較低所帶來的不確定性[16]，研究將浮游植物類群Chla濃度的閾值設為0.001 mg/m3，即當某一類群Chla濃度小于該閾值時，樣本被剔除。由于8類浮游植物并不是在每個站位都出現，因此，各浮游植物類群Chla濃度的樣本數量并不相同，其中觀測到藍藻的站位個數最多（465個），觀測到綠藻的站位個數最少（216個）。不同浮游植物類群的平均Chla濃度也有較大差別，其中硅藻的Chla濃度平均值在8類浮游植物中最高（1.13 mg/m3），甲藻次之（0.29 mg/m3），定鞭藻的Chla濃度平均值（0.08 mg/m3）最低。在實測數據中，8個站位的硅藻Chla濃度大于10 mg/m3，而甲藻Chla濃度大于10 mg/m3的站位僅有1個。青綠藻、隱藻、金藻、定鞭藻的Chla濃度相對較低，僅有較少的站位大于1 mg/m3，分別為4個、5個、7個、3個。雖然綠藻Chla濃度大于1 mg/m3的站位有10個，但大多數站位的濃度低于0.3 mg/m3。

表2 8類浮游植物葉綠素a濃度統計特征Table 2 Statistical characteristics of Chl a concentration of eight phytoplankton groups

將各浮游植物類群Chla濃度與對應站位的實測遙感反射率進行匹配，8類浮游植物匹配到的點對數量為：青綠藻119對、甲藻90對、隱藻107對、綠藻73對、藍藻128對、硅藻116對、金藻92對、定鞭藻128對。按照4∶1的比例將上述匹配數據隨機分成建模數據集和驗證數據集。

3.2 不同大氣校正算法驗證與比較

將影像大氣校正后得到的遙感反射率與匹配的實測值進行比較，對3種大氣校正方法進行驗證，結果見表3。由于有些大氣校正算法會產生無效值，因此，不同大氣校正算法得到的匹配點數量不同。經C2RCC校正后的影像具有最多的匹配點（48個），經POLYMER校正后的影像具有46個匹配點，而經MUMM校正后的影像只包含27個匹配點。在400 nm、412.5 nm、442.5 nm、490 nm波段，C2RCC大氣校正效果優于另外兩種算法，MUMM效果最差。在其余波段，POLYMER相比于另外兩種大氣校正算法效果最差（RMSE≥0.003 2 sr-1）。如圖3所示，3種大氣校正方法在紅光和近紅外波段，即665 nm、673.75 nm、681.25 nm、708.75 nm、753.75 nm、778.75 nm波段處易低估遙感反射率。經MUMM算法校正后的遙感反射率在400 nm、412.5 nm、445.5 nm易出現高估現象，且與實測值之間差別較大（MAPE≥140%）。除少數點外，POLYMER大氣校正后的各波段遙感反射率均比對應的實測值低，且在708.75 nm、753.75 nm、778.75 nm波段處，POLYMER大氣校正后的數據存在負值。

圖3 3種大氣校正方法獲得的遙感反射率與實測遙感反射率驗證結果Fig. 3 Validation of remote sensing reflectance obtained by three atmospheric correction methods with in-situ remote sensing reflectance

表3 3種大氣校正算法的精度評價Table 3 Accuracy evaluation of three atmospheric correction algorithms

受陸源和人類活動的影響，中國東部沿海上空存在多種氣溶膠類型，其中城市型氣溶膠和混合型氣溶膠是該區域主要的氣溶膠類型[40]。C2RCC和MUMM大氣校正算法中的氣溶膠模型在建立過程中，很少考慮到中國東部沿海氣溶膠的光學特性[41-42]，因而造成對氣溶膠信號貢獻的錯誤估計[43-44]。此外，MUMM大氣校正算法遵循興趣區內765 nm和865 nm波段離水反射比為定值的假設，而已有研究表明，在渾濁水域兩個波段的離水反射存在明顯的變化[45]。POLYMER大氣校正中的離水反射模型僅考慮Chla濃度和后向散射系數，對于渾濁水域的其他水色組分，模型假設有色可溶有機物隨Chla濃度變化，且未考慮非藻類顆粒物的吸收，而該假設并不適用于水色組分復雜的中國東部海域。

3.3 不同浮游植物類群反演模型驗證與比較

利用建模數據集，即由CHEMTAX計算得到的8類浮游植物Chla濃度及其對應的實測遙感反射率，采用3種方法（2.6節所述）構建浮游植物類群遙感反演模型，并利用驗證數據集進行模型精度驗證。由于本研究中Chla濃度的數值跨越多個量級，因此在回歸建模以及之后的精度評價中，全部采用Chla濃度對數（以10為底）形式。

采用波段組合法進行回歸建模時，對于各浮游植物類群選擇的最優波段組合及對應的回歸方程見表4。硅藻Chla濃度對數與對應的遙感反射率波段組合值的相關性為0.76，使用波段組合法建立的反演模型相比于其他類群浮游植物在驗證集上的精度較高，R2為0.55（表5）。青綠藻、甲藻和隱藻的Chla濃度對數與其對應的遙感反射率波段組合值的相關性大于0.5，基于波段組合法的反演模型在實測數據組成的驗證集上的R2分別為：0.29、0.31、0.31。對于綠藻、藍藻、金藻和定鞭藻，根據對應的波段組合建立的模型反演精度較差（R2＜0.2），可能與Chla濃度的對數和其相關性最高的波段組合值相關性較低有關（相關系數小于0.42）。

表4 8類浮游植物葉綠素a濃度反演模型使用的波段組合形式及回歸方程Table 4 Band combinations form and regression equations used in Chl a concentration inversion model of eight phytoplankton groups

表5列出了3種方法建立的遙感反演模型在估算8類浮游植物Chla濃度的精度評價結果。對于各浮游植物類群，使用SVD+XGBoost方法建立的模型精度均為最優，其中甲藻、硅藻Chla濃度反演模型的R2大于0.7，青綠藻、隱藻、定鞭藻的Chla濃度反演模型的R2大于0.47；相比于波段組合法和SVD+MLR建立的綠藻、藍藻和金藻Chla濃度遙感反演模型，使用SVD+XGBoost建立的反演模型的精度有顯著提高。說明SVD+XGBoost回歸模型具有一定的優勢。

表5 8類浮游植物葉綠素a濃度遙感反演模型的精度評價Table 5 Accuracy of inversion model for Chl a concentration of eight phytoplankton groups

對比3種建模方法、8類浮游植物，硅藻的估算精度均較好（R2≥0.55），可能是因為相對于其他浮游植物，其Chla濃度較高，光學信號更容易捕捉。相比之下，綠藻的估算精度在3種建模方法建立的模型中均表現較差（R2≤0.32），特別是基于SVD+MLR法的綠藻Chla濃度反演模型，驗證結果R2小于0。波段組合法和SVD+MLR法建立的綠藻、藍藻和金藻Chla濃度反演模型的驗證結果R2≤0.2，說明波段組合法和SVD+MLR法可能不適合綠藻、藍藻、金藻Chla濃度反演。

由圖4至圖6的散點圖可以看出，硅藻和青綠藻的驗證結果在實測Chla濃度低于0.01 mg/m3時均存在一個高估的樣本點，且基于3種建模方法的反演模型對該樣本點的預測值與實測值差別均較大，這可能是由于本研究所采集的青綠藻和硅藻的Chla濃度小于0.01 mg/m3的樣本點較少，使得模型在構建過程中無法很好地覆蓋到Chla濃度小于0.01 mg/m3的情況。

圖4 基于波段組合法建立的8類浮游植物葉綠素a濃度反演模型的驗證結果（葉綠素a濃度單位：mg/m3）Fig. 4 Validation results of Chl a concentration inversion model of eight phytoplankton groups based on band combination method (the unit of Chl a concentration is mg/m3)

圖6 基于SVD+XGBoost建立的8類浮游植物葉綠素a濃度反演模型的驗證結果（葉綠素a濃度單位：mg/m3）Fig. 6 Validation results of Chl a concentration inversion model of eight phytoplankton groups based on SVD+XGBoost method (the unit of Chl a concentration is mg/m3)

3.4 基于衛星影像的浮游植物類群遙感反演模型驗證

由3.2節大氣校正算法驗證結果可知，C2RCC大氣校正方法在精度上具有一定的優勢，本研究選擇經C2RCC大氣校正后的影像進行進一步研究。3.3節結果顯示，利用3種建模方法建立的反演模型在估算甲藻、隱藻、硅藻Chla濃度時精度較高，而其他類群浮游植物Chla濃度的反演模型仍有待進一步提高，因此，本研究僅選取甲藻、隱藻、硅藻Chla濃度反演模型進行衛星應用驗證。選擇完全獨立于建模數據集的實測浮游植物類群Chla濃度，在經大氣校正后的影像上取對應站位的遙感反射率（時空匹配算法仍按照在時間上選擇衛星過境前后3 h，空間上選擇3×3的窗口平均值），利用獲取到的遙感反射率和建立的反演模型估算3類浮游植物Chla濃度。

由圖7至圖9可以看出，當將3種建模方法建立的反演模型應用到影像上時，各浮游植物類群Chla濃度的反演精度都有所下降。特別是甲藻與隱藻，基于3種方法建立的甲藻Chla濃度反演模型精度的決定系數均小于0。基于波段組合法建立的甲藻Chla濃度反演模型，雖然有部分預測值和實測值處于1∶1線上，但是部分樣本點存在嚴重高估的現象。對于隱藻，3種建模方法得到的反演值大部分都低于實測值。對于硅藻，基于SVD+MLR法建立的模型的反演精度最高（R2=0.56，MAPE=45%），使用波段組合法建立的模型反演精度也相對較好（R2=0.44，MAPE=58%）。

圖7 基于波段組合法的浮游植物類群葉綠素a濃度衛星反演驗證（葉綠素a濃度單位：mg/m3）Fig. 7 Validation of satellite inversion results of phytoplankton group Chl a concentration based on band combination method (the unit of Chl a concentration is mg/m3)

圖9 基于SVD+XGBoost的浮游植物類群葉綠素a濃度衛星反演驗證（葉綠素a濃度單位：mg/m3）Fig. 9 Validation of satellite inversion results of phytoplankton group Chl a concentration based on SVD+XGBoost method (the unit of Chl a concentration is mg/m3)

實測驗證數據集上的結果顯示，基于多個波段進行奇異值分解后建立的反演模型都有較高的反演精度，但是將模型應用到衛星影像上時，精度下降明顯，特別是基于SVD+XGBoost法建立的反演模型。這可能是由于衛星大氣校正后得到的遙感反射率和真實值存在差距，大氣校正的準確性對使用多個波段進行奇異值分解后建立的反演模型的估算精度的影響較大。

3.5 基于衛星影像的硅藻類群遙感反演應用

將在影像上表現較好，基于SVD+MLR法構建的硅藻Chla濃度反演模型應用到2020年5月和2020年8月過境中國東部海域所有OLCI影像上（包括Sentinel-3A和Sentinel-3B），得到2020年5月和2020年8月的月平均硅藻Chla濃度空間分布，如圖10所示。硅藻Chla濃度的高值區域集中在近岸海域，低值區域主要分布在黃海中部和東海外海以及長江口、杭州灣、蘇北沿岸等懸浮泥沙含量較多的渾濁水域。在渤海南部，2020年8月的硅藻Chla濃度存在一定的高值。據《2020中國海洋災害公報》[46]顯示，該區域在2020年8月份暴發過以硅藻浮游植物為主導的赤潮災害事件。在蘇北沿岸區域，由于受到高濃度懸浮泥沙的影響，導致離岸較近區域硅藻Chla濃度較低，相比于2020年8月，2020年5月的低值范圍更大。在長江口外部海域，由于長江徑流帶來的豐富營養鹽，該區域相較于東海其他區域硅藻Chla濃度較高。由于海表溫度的上升，2020年5月的硅藻Chla濃度月均值要高于2020年8月。從時空分布來看，上述結果與已有研究中針對中國東部海域Chla濃度時空變化規律的研究結果相一致[47-49]。

圖10 2020年5月和2020年8月中國東部海域硅藻葉綠素a濃度空間分布Fig. 10 The spatial distribution of diatom Chl a concentration in the eastern China seas in May 2020 and August 2020

4 結論

本研究利用實測的遙感反射率和8類浮游植物Chla濃度，對比了3種建模方法建立的遙感反演模型的精度；評估了3種大氣校正方法在中國東部海域的適用性以及對各類群浮游植物Chla濃度反演模型的影響。主要研究結論如下：

（1）相比于傳統的回歸模型構建方法，SVD+XGBoost方法具有一定的優勢。實測數據的驗證結果顯示，基于SVD+XGBoost法的8類浮游植物Chla濃度反演模型的精度高于其他兩種建模方法。特別是對于硅藻和甲藻浮游植物，基于SVD+XGBoost法的反演模型在驗證集上具有較好的精度（R2＞0.70），而其他6類浮游植物Chla濃度反演模型精度相對較低（R2≤0.51），仍有待進一步研究。本研究中的浮游植物類群Chla濃度反演算法是經驗性的，今后將考慮從光學機理出發，深入探究不同浮游植物類群對遙感反射率貢獻的差異。

圖5 基于SVD+MLR建立的8類浮游植物葉綠素a濃度反演模型的驗證結果（葉綠素a濃度單位：mg/m3）Fig. 5 Validation results of Chl a concentration inversion model of eight phytoplankton groups based on SVD+MLR method (the unit of Chl a concentration is mg/m3)

（2）在各波段，C2RCC相對于其他兩種大氣校正算法（MUMM、POLYMER）有較好的表現（RMSE均小于0.004 8 sr-1），且能獲得更多的有效值，但與實測值之間仍有差距，需要繼續發展適用于中國東部海域的高精度的大氣校正算法。

圖8 基于SVD+MLR的浮游植物類群葉綠素a濃度衛星反演驗證 （葉綠素a濃度單位：mg/m3）Fig. 8 Validation of satellite inversion results of phytoplankton group Chl a concentration based on SVD+MLR method (the unit of Chl a concentration is mg/m3)

（3）受大氣校正精度的影響，將浮游植物類群Chla濃度反演模型應用到OLCI影像上時，模型估算精度有所下降，特別是基于SVD+XGBoost建立的反演模型，衛星反演驗證結果R2均小于0.2。相比之下，利用波段組合法、SVD+MLR法建立的硅藻Chla濃度反演模型在應用到衛星影像上時仍保持一定的精度（R2分別為0.44、0.56），具有一定的魯棒性。