基于遙感的內陸水體葉綠素a監測研究

李代偉 吳天振 姜祥樂 張帆 王瀅 李楠

摘 要：對內陸水體開展葉綠素a濃度遙感反演和預測是水質治理與定量遙感領域的重要研究方向，但內陸水體的物質成分和理化性質相對復雜，實現高效且準確的遙感監測存在一定困難。文章梳理了水體葉綠素a的反演原理與光譜特征，歸納了國內外學者在內陸水體葉綠素a遙感監測研究中常用的數據與方法并分析了各自的優缺點與適用性，在此基礎上總結了目前應用遙感方法監測內陸水體葉綠素a濃度所面臨的實際問題以及未來研究的展望。

關鍵詞：葉綠素a;遙感反演;內陸水體;水質監測;研究綜述

中圖分類號：X87? 文獻標識碼：A? 文章編號：1673-260X（2022）03-0014-07

內陸水體是人類賴以生存和發展的自然生態系統重要組成部分，在水源供給、抗旱排洪、交通航運、調節氣候、提供生物棲息地、維護生態多樣性等方面發揮著不可替代的重要作用。近年來，在人類活動與氣候變化等因素影響下，內陸水資源、水環境與水生態均面臨不同程度的問題和威脅，水體富營養化及引起的藻類水華是當前內陸水體普遍存在的污染問題，流域開發與生態協調間的穩態平衡逐漸受到有關部門的重視。

葉綠素a（Chlorophyll-a）是藍藻進行光合作用的核心元素，并且在浮游生物體內含量相對穩定，便于在實驗室條件下進行提純分析，通過測定水體葉綠素a含量可以初步判定水體富營養化的程度，借以進一步把握水體質量狀況。因此，對內陸水體葉綠素a濃度進行全范圍長時序的動態監測是陸地水資源保護與修復的重要前提。而傳統水質監測手段是通過大量實測點狀數據來推及整個湖面的水質狀況，這種傳統監測方式費時費力成本較高，不適宜大面積水域進行短時序的水質監測。遙感技術作為一種基于波譜理論快速獲取地表信息的新興觀測技術，具有大面積同步觀測、周期動態成像、不受地面地形限制等優勢。目前國內外大量學者利用遙感數據對于內陸江河、大型湖泊、水庫庫區與城市小型水體開展了葉綠素a濃度遙感監測。梳理基于遙感方式監測內陸水體葉綠素a濃度的相關理論基礎與常用數據和方法并加以比較總結，對于加強流域水環境管理、污染源控制與生態文明建設具有重要現實意義。

1 葉綠素a濃度遙感反演原理

當太陽光線從大氣射入內陸水體表面時，會在水汽界面發生反射、折射、吸收等光學現象，傳感器最終捕獲的水體光譜特征主要由其自身光學性質、水中物質成分、氣象條件與傳感器成像角度等因素共同決定。太陽光經過大氣介質到達水面的過程中，小部分會被大氣散射，其余大部分到達水面，傳輸到水面的光大部分被反射，剩下部分則進入水體。純度較高的水體在可見光波段與光譜反射率之間的函數關系近乎線性，當純水中出現其他物質時，水體的反射率曲線將會發生變化。葉綠素a作為一種光學敏感性較高的物質，其濃度發生變化時水體的光譜曲線會出現相對應的峰值或谷值，基于對葉綠素a特征光譜的研究可以實現對水體葉綠素a濃度的反演監測與預測[1]。

大部分內陸水體葉綠素a光譜曲線在750nm前存在“三峰兩谷”走勢特征。在440nm附近，葉綠素a的反射率較低，其原因為水體的葉綠素a與黃色物質在藍紫光波段的強吸收所致;葉綠素a在紅光波段的強吸收導致在675nm附近出現了第二個反射谷。因細胞壁與無機懸浮物的散射作用、浮游植物與胡蘿卜素的弱吸收作用[2]，致使不同的內陸水體大致在550-580nm區間出現綠色反射峰;685nm與700nm附近出現的葉綠素a熒光峰，被認為是水體葉綠素a濃度判定的典型標志[3]。多數學者研究發現，隨著葉綠素a濃度由低變高，對應的葉綠素a峰值點在685-720nm區間變化，反射峰隨葉綠素a濃度增大向長波方向移動，出現“紅移”效應[4]。由于700nm附近的反射峰位置與700nm附近反射峰與675nm附近吸收峰的反射比與葉綠素a濃度具有很好的相關性，較多的水體葉綠素a濃度確定與反演算法基于此開展[5]。

2 葉綠素a濃度遙感反演數據源

用于內陸水體進行葉綠素a濃度遙感監測的數據以多光譜與高光譜等傳統影像源為主;伴隨著影像獲取手段的進步，利用高空間分辨率數據的水質監測研究也正逐漸發展壯大。根據光譜分辨率的差異性，不同傳感器的遙感數據在構建不同類型葉綠素a反演模型與不同水體類型的監測研究區有著各自的優勢性，隨著遙感數據同化融合技術的進步，學者們對基于多源遙感數據的監測研究進行了一定的探索。

2.1 多光譜遙感數據

多光譜影像作為遙感監測應用最為廣泛的影像數據，國內外學者以此為數據源對內陸水質葉綠素a反演做了大量反演監測與模型優化。常見的用于水質監測研究多光譜遙感數據源有美國發射的陸地資源（Landsat）系列衛星、歐空局發射的哨兵（Sentinel）系列衛星與中國發射的環境與災害監測預報環境一號（HJ-1A/B）系列衛星等。

Landsat作為發射在軌時間最長的對地觀測系列衛星，具有易于獲取、估算精度較高、定標理論較為成熟等優勢，是定量獲取水體葉綠素a較好的數據源。早期Carpenter等人通過研究MSS影像與藻類水體葉綠素a濃度的關系發現，MSS數據在實測水質數據較少的內陸湖泊有著合理的反演精度。何報寅等對于存在數據缺行的Landsat 7 ETM+影像采用ALR算法進行數據修復后將其應用于與武漢東湖水反演監測，反演模型達到了合理的精度范圍，驗證了修復的ETM+影像進行內陸水質監測的可行性。段海梅等以Landsat 8 OLI數據為例，采用了4種大氣校正算法與3種反演算法共計12種算法組合對同一內陸湖泊展開水質反演，實驗結果表明對于OLI數據經過6S大氣校正使用NDCI指數反演算法反演精度最為理想。

HJ-1A/B是我國自主設計研發的用于監測自然災害與環境變化的國產化衛星，其搭載的CCD相機因具備良好的空間分辨率與較短的時間分辨率，是一種較為理想的水環境質量檢測影像數據源[6]，一經投入使用就被廣泛應用于本土化的水質遙感監測。徐祎凡等利用環境衛星CCD影像與湖面實測高光譜數據，構建了基于CCD多光譜數據的三湖一庫（太湖、巢湖、滇池、三峽水庫）的葉綠素a反演模型與富營養化評價指數模型，研究表明：水庫水質情況遠好于內陸大型湖泊，且水庫的水質與蓄水量具有高度相關性[7]。朱利等人通過比較分析了HJ-1 CCD相機與GF-1 WFV傳感器的波譜響應函數，發現兩傳感器在波段設置上具有極大的相似性，理論上可采用相同的反演模型進行水質遙感監測，隨后將此方法應用于太湖試驗區進行多項水質參數監測反演證明了該理論的可行性。這一實驗驗證兩國產衛星傳感器水質反演監測模型的通用性，為國產化衛星進行水質遙感反演提供了新思路與新途徑[8]。

Sentinel-2 A/B組合星具有短至5天的時間分辨率與高達10m的空間分辨率，所搭載的MSI傳感器在可見光至紅外波段有13個光譜通道，這昭示著其對于流動性較高、水質變化較快的小型內陸水體反演有著特有的優勢。Toming等使用MSI影像對9個小型湖泊和2個大型湖泊進行水質監測，實驗結果顯示MSI數據與葉綠素a濃度之間具有較好的相關性[9]。Ansper等人利用Sentinel-2年際影像反演了Estonian湖的葉綠素a濃度，研究證明了MSI數據可有效對內陸湖泊的葉綠素a濃度進行反演和長時序動態監測[10]。Mark等人利用Sentinel-2 MSI與Sentinel-3 OLCI對五大洲24個湖泊水質進行了協同反演，對比MSI與OLCI波段響應曲線發現，對于葉綠素a這一參數兩傳感器響應函數大致相同，基于此項結論并考慮到OLCI較低的分辨率和內陸水體較小的地理范圍，MSI是一種極其理想的內陸水體反演傳感器[11]。

2.2 高光譜遙感數據

由于葉綠素a反射峰值紅移現象受濃度變化影響較為緩慢[4]，且進行葉綠素a反演的特征波段的寬度最好應控制在5nm范圍內，因而更高的光譜分辨率能夠更為精細準確地提取并反演水質信息。高光譜傳感器相較于傳統多光譜數據波段數量更多，波段寬度變窄，光譜分辨率大大提高，是一種理想的內陸水質反演數據源。隨著光譜理論與反演方法的日趨成熟，高光譜影像在內陸水質定量遙感監測中逐漸被加以重視并得到了廣泛應用[12]。

吳敏等使用MODIS波段組合與巢湖水質參數進行匹配擬合，發現1、10-11的波段組合與葉綠素a濃度具有很強的相關性，對比TM數據的相關研究結果較為吻合。莫登奎等基于Hyperion高光譜影像對東洞庭湖水質進行分析研究，驗證了700nm存在葉綠素a反射峰是對水體葉綠素a進行遙感監測的典型標志。王彥飛等以HJ-1 HSI高光譜衛星影像為研究對象，通過多個評價維度對影像質量進行綜合分析評判，研究表明530-900nm是較為合適水質反演波段區間，HSI作為一種全新的國產高光譜影像數據源能夠勝任二類水體遙感反演研究[13]。鄧實權等人使用GF-5 AHSI高光譜數據基于光學區分理論，對低渾濁度鄱陽湖葉綠素a濃度進行遙感監測，此次高光譜反演（R2=0.82）效果相較于前期使用實測光譜建模的最優波段反演（R2=0.76）精度得到有效提升。韋安娜等使用AHSI影像對高度渾濁鄱陽湖水體進行葉綠素a反演研究，利用窮舉思想結合水體光學特征得出葉綠素a的最優三波段反演組合為681.3nm、709.9nm、829.6nm，結合前人研究證明了AHSI高光譜數據用于湖泊葉綠素a反演具有較高的可信度。

2.3 高空間分辨率遙感數據

內陸水體相較于大洋等開闊水體更易受人類活動、陸源污染、季節更替以及水體流動性等因素影響，具有物質成分繁多、污染來源豐富、理化性質多樣與光學性質復雜等特質，這些特征很大程度上導致了內陸水質遙感研究具有一定的復雜性與不確定性。而高空間分辨率的遙感影像能夠提供十分精細的地物信息，可以將地理范圍不大的內陸水域的水質信息得到直觀體現，得益于近幾年無人機（Unmanned Aerial Vehicle，UAV）技術的迅猛發展，借助機載系統獲取的高分辨數據在成像時效與質量方面得到顯著改善，高空間分辨率影像正逐漸成為內陸水體葉綠素a遙感監測研究的重要數據源。

Ekercin將土耳其伊斯坦布爾市的城區河道葉綠素a濃度與高空間分辨率IKONOS影像（4m）進行多元回歸建模，反演精度效果理想，驗證了高分辨衛星遙感影像在狹長小型河道開展葉綠素a監測的可行性。李鑫等人以無人機航拍影像為數據源，提出了一種用于識別藍藻的歸一化差值植被指數，該指數對水域藍藻提取效果良好，為使用無人機影像對水體葉綠素a進行提取與溯源提供了方法支撐[14]。Castro等人依次使用了Landsat 8 OLI（30m）、Sentinel-2 MSI（10m）、Rededge Micasens（8cm）三個在不同空間分辨率的傳感器對小型飲用水庫開展葉綠素a濃度反演研究，通過對多尺度影像數據的比照研究發現，無人機數據可以很好地適應基于傳統多光譜影像所開發的算法模型，這種算法繼承性對于快速普及無人機水質遙感監測研究具有重要意義[15]。黃宇等使用無人機掛載的空間分辨率高達4cm的高光譜傳感器對內陸河流進行機載遙感水質反演研究，由于影像同時具備高空間分辨率與高光譜分辨率的雙重優勢，對葉綠素a濃度的反演效果極其顯著（R2=0.99），研究證明了利用無人機高光譜技術開展水質監測精度較高且結果可信。

2.4 多源融合數據

不同遙感數據源在不同分辨率類型上對于傳感器成像細節的辨別能力互有優劣，很難有單一的數據源能夠勝任大部分研究區的水質遙感監測，基于對適宜研究需要的理想數據源的追求，部分學者開始嘗試將不同來源的遙感數據進行融合后應用于內陸水體的葉綠素a監測。

陳蕓芝等融合了MODIS Aqua、MODIS Terra、SeaWiFs三種傳感器的各波段反射率進行葉綠素a反演研究，融合影像波段數目倍增，光譜信息更加豐富，將反演結果與傳統方法計算得到的葉綠素a濃度進行對比發現，融合影像所建模型具有少噪點、低誤差、高靈活性等優勢[16]。封紅娥等利用WFV數據具有短重返周期、較高空間分辨率與OLI數據具備較高光譜分辨率的特點，探索兩數據融合進行協同反演的最優組合方式，經過實測數據驗證表明：融合數據的最優反演模型精度達到了R2=0.9164，相較于單一數據源反演精度得到明顯提升。祁國華等使用增強時空自適應反射率融合模型（ESTARFM）融合了GF-1、Landsat系列、Sentinel-2、MODIS多源衛星遙感數據，得到了兼具高空間與高時間分辨率的遙感數據，借助融合數據構建了Logistic巢湖水華氣象風險概率預測模型，經驗證該模型預測準確性較高，多源融合數據可為內陸水體的水華監測提供可靠數據支持[17]。劉曼等人綜合OLI、WFV及MSI多光譜與Sentinel-1A IW主動雷達影像數據構建了一種主被動遙感相結合的水體指數，用于定量分析漓江流域水質時空演化特征，將該綜合水體指數結合葉綠素a反演算法對漓江流域開展年際動態監測，反演相關系數達到了0.98，反演效果揭示了綜合多源主被動遙感的水質監測方式能夠綜合各傳感器與遙感模式的優勢性，大幅度提升水質反演效果[18]。

3 葉綠素a濃度遙感反演方法

應用遙感方式監測與預報內陸水體葉綠素a濃度經過40余年的發展，隨著傳感器分辨率不斷提高，采樣數據不斷精確以及反演理論不斷成熟，反演方法由定性分析逐漸發展為定量反演，其間主要歷經了分析方法、經驗方法、半分析方法與智能方法的演變。

3.1 分析方法

分析方法又稱解析方法，其主要基于水體自身的固有光學量（Inherent Optical Properties，IOPs）與水汽界面的表觀光學量（Apparent Optical Properties，AOPs）之間的關系對水中光場分布進行模擬，利用水體后向散射與水體中吸收與散射的比值進行模型構建，進而對水質情況進行遙感回溯與反演[19]。

分析方法的優勢在于無須現場實測水質數據與過境衛星影像進行擬合，且水體光學機理與輻射傳輸方程引入使得模型具有很強的物理解釋性，因此在一定程度上可突破時空局限性，將其應用于光學特征類似的水體進行反演也能得到較為理想的結果[20]。Gordon最早結合葉綠素a濃度與離水輻射亮度之間的關系，利用分析方法構建了經典的Gordon模型，雖然模型表現形式較為復雜，但模型擬合效果符合預期，首次證明了分析方法應用于監測水體葉綠素a含量的可行性[3]。張運林等在對太湖湖區進行固有光學特性的測量與分析的基礎之上，構建了反射率比值分析模型，對于葉綠素a濃度R706/R682反演效果最佳，研究表明由水體光譜特征構建的分析模型能夠勝任內陸湖區葉綠素a遙測[21]。

因物理光學模型的引入在建模過程中的必要性，分析方法客觀存在公式推導繁瑣，光譜儀器使用成本高，環境變量估算不易控制等缺點，雖然光譜理論日趨成熟，但在實際操作中存在諸多的限制性。面向遙感水質監測的業務化與流程化需求，研究學者開始對分析方法進行改進與完善，逐漸發展出了經驗法和半分析法兩類主流水質反演方法。

3.2 經驗方法

經驗方法將波段反射率信息與實測水質數據結合進行數學統計分析，篩選出最優的波段或波段組合建立回歸模型對水質參數開展遙感反演。根據波段組合數量的不同，可將經驗模型簡單分為單波段模型與多波段模型。大量研究表明近紅外與紅外波段的雙波段比值模型能夠有效削弱因太陽高度角、觀測視場與大氣效應所產生的誤差，是針對內陸低懸浮物濃度水體葉綠素a反演較為通用化的經驗模型。

由于不需要復雜的物理分析過程，只需足夠的波譜與水質數據就能通過回歸分析方法完成模型構建，經驗方法因而具有運算量小、建模簡單等優勢，是一種算法成熟、應用廣泛的反演方法。Dekker等基于TM影像與實測葉綠素a濃度對荷蘭內陸湖泊展開水質反演模型研究，將多個統計學建模的反演模型比照研究發現，對于常見的中低葉綠素a濃度湖泊指數模型比線性模型擬合效果更好，而高濃度葉綠素a湖泊應用線性模型效果更優[22]。馮馳等依照葉綠素a濃度將研究區分為三種水體類型，使用GOCI數據結合回歸分析方法建立了適用不同葉綠素a濃度水體的反演模型，揭示了對于二類水體采用先分類后反演的方式能夠減小水質要素間的相互影響從而顯著降低反演誤差[23]。

雖然建模過程僅需面向數據便可以便捷迅速地構建反演模型，但由于缺乏物理機理的推導過程，經驗模型不可避免地具有模型解釋性差、時空依賴性強、結果遷移性弱等劣勢，在水質監測日趨精細化與定量化的發展過程中，使用單一且傳統的經驗方法建模的頻率逐漸降低。

3.3 半分析方法

半分析方法以輻射傳輸方程為整體性理論框架，以數學統計方法為差異性建模手段，即使表達模型具有一定的實際物理意義，又有效解決了建模難度過大的問題。作為分析方法與經驗方法精進結合的產物，兼具兩種方法各自的優勢性，是近些年來逐漸發展壯大變為主流的水質遙感反演方法。

聞建光等采用不同方法對太湖葉綠素a濃度進行遙感反演，通過比較得出了以半分析方法建模的混合光譜法（R2=0.9705）綜合反演效果最佳，一階微分法（R2=0.9615）與比值法（R2=0.9367）效果依次次之。實驗有效證明了半分析模型較于傳統統計學經驗模型可一定程度上擺脫時序與地域差異，具有更高的通用性與精確性[24]。Lyua等將4種不同葉綠素a半分析算法應用于5種典型內陸湖泊進行反演效果分析，經對比驗證發現四波段算法對常規內陸水體反演精度最高，對于較為渾濁的內陸水體綜合葉綠素a指數算法（Synthetic Chlorophyll Index， SCI）更加適用[25]。

半分析法相較于先前兩種單一方法有著不可比擬的獨到優勢，但在模型構建的過程中需要對其他方法進行合理布局與分段建模，這在一定程度上會使建模過程繁雜、人為主觀誤差因素增加，從而造成反演精度的損失。

3.4 智能方法

得益于人工智能（Artificial Intelligence，AI）技術在圖像分類與識別領域的優異表現，許多學者針對AI在遙感水質監測領域的落地應用做了深入研究。而機器學習作為實現Al最為核心的方法途徑，且對于遙感水質反演這種非線性擬合過程具有極佳的貼合性，在近些年的水質遙測研究中受到了極大的追捧。機器學習方法主要被用于利用樣本數據對傳統經驗方法統計建模過程的優化與改進，使之充分挖掘數據間的隱性關系，以達到準確構建反演回歸模型的目的。目前，基于智能方法應用于內陸水體遙感監測較為主流且成熟的方法為神經網絡方法，隨機森林、支持向量機等其他方法也受到了一定的關注。相關研究已經有力佐證智能方法構建的反演模型具有魯棒性強、人工干預誤差小、預測效果好等顯著優勢。

Song等人基于統計方法分別構建了經驗回歸模型與神經網絡模型來反演查干湖葉綠素a含量，研究結果表明神經網絡模型比傳統的近紅外比紅外波段構建的回歸模型具有更高的反演精度。臧友華基于對于經典向量機方法與遺傳算法基本概念的理解，創造性地提出了一種基于遺傳算法的支持向量機模型（GA-SVM模型），將葉綠素a濃度與敏感波段作為變量輸入該模型，反演結果達到了極其顯著的相關性水平，GA-SVM作為新型機器學習模型能夠用于定量監測內陸水體的葉綠素a濃度。Hafeez等將葉綠素a高相關性波段組結合Landsat系列影像進行了常見智能方法的對比研究，實驗結果表明相比于隨機森林、決策樹回歸與支持向量機三種常用機器學習方法，神經網絡模型具有最高的反演精度[26]。

智能化反演模型的研究基于機器學習展開，而應用機器學習方法進行擬合前輸入的訓練數據不足或存在噪音，會致使反演結果過度擬合現象的發生;且機器學習方法在整個擬合過程是一個標準的“黑箱模型”，各個變量間的因果關系具有極高的不確定性，這很大程度上決定了基于智能方法所構建的模型無可避免地缺乏解釋性[27]。

4 存在問題

將遙感方法應用于內陸水體葉綠素a濃度的反演研究，對于內陸水環境和水生態的時效性與全局性監測具有重要的現實意義和廣闊的應用前景。但受內陸水體自身的復雜性以及對葉綠素a光譜機理的認知存在不足等因素影響，目前內陸水體葉綠素a遙感反演研究存在如下幾個問題：

（1）采樣數據同步性不足。對于經驗方法及其衍生方法和部分分析方法而言，獲取與遙感影像同步或準同步的水質數據是進行星地協同反演的一個基本前提。內陸水體的水域范圍通常不大，相對于海洋等開闊水體可以較為容易地獲取反映整個研究區域的葉綠素a濃度實測數據。多數水質樣本需要先進行接觸性采樣再送至實驗室內進行提純分析，整個采樣流程中會受到天氣條件、船舶擾動、運輸損耗、主觀操作、儀器精度等誤差因素影響，這些影響會使水體樣本數據與影像數據缺乏一定的同步性，致使研究區的葉綠素a濃度時空分布情況無法得到客觀反映，最終對遙感反演結果產生直接影響。

（2）影像數據利用率不高。遙感影像的合理應用是使用遙感方法進行水質監測不同于傳統監測手段的必要條件。不同遙感數據源在不同分辨率類型有著各自的優劣，但是礙于數據融合技術的局限，目前只有少量的反演監測綜合考慮了不同傳感器數據來進行研究。多數傳感器都具備紅外波段與微波波段數據，可從現有研究不難看出幾乎所有的內陸遙感水質監測都圍繞可見光波段與近紅波段展開，其中很大部分原因是葉綠素a的光譜敏感特征所決定，但不可否認對于葉綠素a與微波遙感的光學機理認知不足也一定程度上造成了影像資源無法得到高效利用這一現象的存在。

（3）大氣校正算法待改進。衛星獲取的水體信號約90%為大氣噪聲，只有極小部分信號是水體自身信息的體現[28]，大氣校正能夠有效消除大氣和光照等因素對水體反射的影響，使水中葉綠素a的信息在影像上得到精確表征，高精度的大氣校正算法是內陸水體葉綠素a遙感反演的關鍵過程。雖然在遙感研究領域有較多的大氣校正算法模型被提出并應用于不同的監測對象，但由于內陸水體的上空氣溶膠成分復雜且水面反射光校正影響因素多變，相對而言構建適宜特定內陸水體類型的大氣校正的算法研究還不夠成熟，對經典校正算法的盲目套用會給內陸水質葉綠素a的遙感監測帶來不可控制的誤差影響。

（4）光譜機理探索不深入。對于分析與半分析方法而言，水體生物-光學模型與輻射傳輸理論的深入探討是構建精確反演模型的核心步驟。內陸水體受地表徑流與河床泥沙影響往往具有較高的懸浮物與黃色物質濃度，這些其他物質組分會對水中葉綠素a的光學性質發生改變。例如，懸浮物作為一種強散射體物質影響了我國大部分內陸湖泊葉綠素a的光學貢獻，這在很大程度上會使葉綠素a的濃度無法客觀反映在遙感反射率上[29]。但目前許多研究選擇忽略探究水中其他物質組分對葉綠素a的光學影響，抑或只將各組分濃度與光譜間的函數關系默認為簡單的線性關系進行處理，這勢必會造成反演結果精確性與可信度的降低。

（5）反演模型通用性較低。反演是遙感監測研究的本質，反演模型是遙感監測研究結果以數學抽象形式的最終體現。由于內陸水體遠比大洋等開闊水域物化成分復雜，致使水體光譜曲線與葉綠素a濃度之間的函數關系缺乏穩定性，且幾乎沒有針對小型內陸水域進行水質監測的衛星傳感器作為研究的數據源;所以至今絕大多數內陸水體葉綠素a的遙感反演模型都被限制于單一研究區域，甚至對反演季節都有著嚴苛的要求。大量遷移性較弱的模型會徒增后繼研究者的研究成本，不利于整個水質定量遙感領域的發展。

5 研究期望

通過上述對內陸水體葉綠素a遙感反演研究原理、數據、方法與問題的總結，結合當前遙感與水質研究領域的發展現狀，對于后續相關研究提出以下幾點建議與期望：

（1）規范實測水質數據業務流程。進行實地采樣的方法選擇上應盡量采用浮標、手持儀等非接觸式的采樣方法;樣本提純分析時可適當選擇環保或化驗機構代為進行專業處理;可以考慮建立一個業務化的水質數據共享平臺，先前研究者的實測數據和各個監測站點的歷史數據都可以被上傳至該平臺供后續研究所使用，為遙感水質監測的長遠發展提供開放化與規范化的數據支撐。

（2）拓展遙感影像數據獲取途徑。針對現有遙感數據源應用于小型內陸水體葉綠素a監測普遍存在著空間、時間、光譜分辨率三者間的相互制約等問題。目前而言，推進數據融合技術與無人機技術的發展是解決衛星傳感器性能制約的一種有效途徑;但從整個遙感水質監測領域的長遠發展來看，實現遙感水質監測的體系化與業務化是趨勢所在，對此發射專門針對內陸水體水質遙感監測的傳感器具有一定的必要性。

（3）加強光學物理特性深入探討。一方面應加強傳感器在精細光譜方面的深入研究，著重考慮高光譜與超光譜在水質監測領域的高效利用;另一方面需深入探究水中葉綠素a與其他組分的光學差異和光學貢獻，尤其要注重水體間各組分間光學特征耦合效應函數的研究工作，這對研究適用于內陸水體遙感監測的大氣校正算法和構建通用化的水體生物-光學模型具有極其重要的理論意義。

（4）推動通用反演模型分級構建。在短時間內構建一種適用于全球尺度的內陸水體葉綠素a遙感反演模型客觀上存在較大難度。可以先著手于初步建立適用于同種水體類型或同種氣候類型的泛通用化反演模型，待后續理論與技術限制得到突破再考慮將泛通用模型進行合理性外延，最終逐步實現構建具備高遷移性與拓展性的通用化反演模型。

——————————

參考文獻：

〔1〕陶然，彭金嬋，張豪，等.內陸水體葉綠素a濃度遙感監測方法研究進展[J].地理信息世界，2019，26（04）：44-53.

〔2〕羅婕純一，秦龍君，毛鵬，等.水質遙感監測的關鍵要素葉綠素a的反演算法研究進展[J].遙感技術與應用，2021，36（03）：473-488.

〔3〕Gordon H R. Diffuse reflectance of the ocean： the theory of its augmentation by chlorophyll a fluorescence at 685 nm[J]. Applied Optics， 1979， 18（08）： 6-1161.

〔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，2000，25（01）：41-45.

〔5〕楊敏，商少凌，汪文琦，等.水庫水體近紅外反射峰與葉綠素含量之間的關系初探[J].湖泊科學，2009， 21（02）：228-233.

〔6〕楊煜，李云梅，王橋，等.基于環境一號衛星高光譜遙感數據的巢湖水體葉綠素a濃度反演[J].湖泊科學，2010，22（04）：495-503.

〔7〕徐祎凡，李云梅，王橋，等.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[J].環境科學學報，2011，31（01）：81-93.

〔8〕朱利，李云梅，趙少華，等.基于GF-1號衛星WFV數據的太湖水質遙感監測[J].國土資源遙感，2015，27（01）：113-120.

〔9〕Toming K， Kutser T， Laas A，et al. First experiences in mapping lake water quality parameters with Sentinel-2 MSI imagery[J]. Remote Sensing， 2016， 8（640）.

〔10〕Ansper A， Alikas K. Retrieval of chlorophyll a from Sentinel-2 MSI data for the European Union Water Framework Directive reporting purposes[J]. Remote Sensing， 2019， 11（64）.

〔11〕Warren M A， Simis S G H， Selmes N. Complementary water quality observations from high and medium resolution Sentinel sensors by aligning chlorophyll-a and turbidity algorithms[J]. Remote Sensing of Environment， 2021， 265（2021）： 112651.

〔12〕曹暢，王勝蕾，李俊生，等.基于MODIS數據的全國144個重點湖庫營養狀態監測：以2018年夏季為例[J].湖泊科學，2021，33（02）：405-413.

〔13〕王彥飛，李云梅，呂恒，等.環境一號衛星高光譜遙感數據的內陸水質監測適宜性——以巢湖為例[J].湖泊科學，2011，23（05）：789-795.

〔14〕李鑫，孫偉，李林.基于小型無人機可見光遙感的藍藻識別研究[J].測繪與空間地理信息，2017， 40（04）：153-156，159.

〔15〕Castro C C， Gómez J A D， Martín J D， et al. An UAV and satellite multispectral data approach to monitor water quality in small reservoirs[J]. Remote Sensing， 2020， 12（09）：1514.

〔16〕陳蕓芝，鄭高強，汪小欽，等.基于GSM01融合的多傳感器數據葉綠素a濃度反演[J].地球信息科學學報，2013，15（06）：911-917.

〔17〕祁國華，馬曉雙，何詩瑜，等.基于多源遙感數據的巢湖水華長時序時空變化（2009—2018年）分析與發生概率預測[J].湖泊科學，2021，33（02）：414-427.

〔18〕劉曼，付波霖，何宏昌，等.基于多時相主被動遙感的漓江水面監測與水質參數反演（2016-2020年）[J].湖泊科學，2021，33（03）：687-706.

〔19〕李云梅，黃家柱，韋玉春，等.用分析模型方法反演水體葉綠素的濃度[J].遙感學報，2006，31（02）：169-175.

〔20〕劉文雅，鄧孺孺，梁業恒，等.基于輻射傳輸模型的巢湖葉綠素a濃度反演[J].國土資源遙感，2019，31（02）：102-110.

〔21〕張運林，秦伯強.基于水體固有光學特性的太湖浮游植物色素的定量反演[J].環境科學，2006，46（12）：2439-2444.

〔22〕Dekker A G， PETERS S V M. The use of the Thematic Mapper for the analysis of eutrophic lakes： a case study in the Netherlands[J]. Remote Sensing， 1993， 14（05）： 799-821.

〔23〕馮馳，金琦，王艷楠，等.基于GOCI影像和水體光學分類的內陸湖泊葉綠素a濃度遙感估算[J].環境科學，2015，36（05）：1557-1564.

〔24〕聞建光，肖青，楊一鵬，等.基于Hyperion數據的太湖水體葉綠素a濃度遙感估算[J].湖泊科學，2006，18（04）：327-336.

〔25〕Lyua H， Li X J， Wang Y N， et al. Evaluation of chlorophyll-a retrieval algorithms based on MERIS bands for optically varying eutrophic inland lakes[J]. Science of the Total Environment， 2015， 530-531（2015）： 373-382.

〔26〕Hafeez S， Wong M S， Ho H C， et al. Comparison of machine learning algorithms for retrieval of water quality indicators in case-II waters： a case study of Hong Kong[J]. Remote Sensing， 2019， 11（06）.

〔27〕Reichstein M， Valls G C， Stevens J， et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature， 2019， 566（7743）.

〔28〕Novoa S， Doxaran D， Ody A， et al. Atmospheric corrections and multi-conditional algorithm for multi-sensor remote sensing of suspended particulate matter in low-to-high turbidity levels coastal waters[J]. Remote Sensing， 2017， 9（61）.

〔29〕周冠華，唐軍武，田國良，等.內陸水質遙感不確定性：問題綜述[J].地球科學進展，2009，24（02）： 150-158.