基于Landsat 8影像的Himawari-8葉綠素a空間降尺度研究

熊遠康,范冬林,何宏昌,史今科,張 潔,肖 斌,付波霖

基于Landsat 8影像的Himawari-8葉綠素a空間降尺度研究

熊遠康,范冬林*,何宏昌,史今科,張 潔,肖 斌,付波霖

(桂林理工大學測繪地理信息學院,廣西 桂林 541000)

新型地球靜止氣象衛星Himawari-8由于空間分辨率較低,其葉綠素a產品難以滿足空間異質性高的近岸海域水質監測要求.為了克服這個限制,基于非線性的隨機森林算法,利用陸地資源衛星Landsat8的波段反射率數據和Himawari-8的葉綠素a產品,通過構建降尺度模型,以提高Himawari-8的葉綠素a數據的空間分辨率.結果表明,2個秋季模型和2個冬季模型的模型決定系數(R)分別達到0.6、0.72、0.71和0.85;均方根誤差(RMSE)為別為1.47,1.05,1.89,0.76mg/m3.通過實測站點數據對比分析表明,降尺度模型生成的葉綠素a與葵花葉綠素a數據具有較高的一致性,R達到了0.81,能較好的反映近岸海域葉綠素a濃度的空間變化特征.

降尺度；葉綠素a；隨機森林；Himawari-8；Landsat 8

葉綠素a是監測沿海水質環境的重要指標,它表明了浮游植物的生物量,反映了海洋的初級生產力.傳統的葉綠素a濃度通過直接測量水質獲取,例如分光光度法、高效液相色譜法和熒光分析法等.由于這類方法是基于原位實測數據的收集,因此往往在空間或時間上受到限制,不能實時準確的反應沿海的葉綠素a的時空分布特征[1].

在過去20年里,遙感逐漸成為浮游植物生物量近實時測量的新技術手段[2].海洋寬視場傳感器SeaWiFS、中分辨率成像光譜儀MERIS和MODIS、可見光紅外成像輻射儀VIIRS、海陸顏色儀OLCI等搭載在不同衛星上的傳感器相繼投入海洋水色監測中[3].葉綠素a濃度可以通過衛星傳感器測量的遙感反射率間接估算出來,用作全球和區域范圍內浮游植物豐度的指標[4].陸地衛星Landsat8 因其具有較高的空間分辨率(30m),良好的輻射測量和幾何性能,在海洋水域得到了廣泛應用[5].新型地球靜止氣象衛星機載H8上的高級成像儀(AHI)具有16個光譜通道,其中6個在可見光至短波紅外波段范圍內,相比于Landsat8具備更高精度的時間分辨率. AHI具有2種觀測尺度,全盤觀測和區域觀測,提供了10min的時間分辨率觀測,可以對海洋進行高頻的定量觀測[6].但其空間分辨率較差,其較粗的空間分辨率雖然可以有效地用于公海的同質區域,但無法解決空間異質性高的近岸海域水質監測問題[7].

為了解決這一問題, Atkinson等[8]利用分辨率高的遙感反射率數據對分辨率低的葉綠素數據進行降尺度,可以有效提高葉綠素a數據的空間分辨率. Fu等[9]利用四階多項式回歸,結合Landsat8的反射率數據對MODIS 4km分辨率的葉綠素a數據進行降尺度得到了30m分辨率的葉綠素a數據,但多項式方法表現出對異常值比較敏感. Guo等[10]為了降低異常值的敏感性,利用U-STFM時空融合模型來獲取高分辨率下反射率的時空細節變化,再通過OC2M-HI回歸模型將1km的MODIS的葉綠素a數據降尺度到30m,有效減少異常值對于降尺度結果的影響,但模型對于Landsat8時序圖像前后的反射率不能做到很好的預測.機器學習方法不使用固定的數學形式來定義預測因子和預測變量之間的關系,能準確擬合反射率與葉綠素a濃度之間的非線性關系,基于遺傳編程(GP)方法進行葉綠素a降尺度研究,表明GP算法比多項式回歸在沿海地區有更好的擬合精度,但GP算法表現在近岸難以捕捉到特定的高濃度葉綠素a值[11].支持向量回歸(SVR)和隨機森林回歸(RFR),是先進的非線性數據驅動方法,對輸入數據的質量要求相對較低,對異常值不敏感,可處理大量高維數組,計算密集程度也較低[12],已被測試并廣泛用于降尺度研究,可作為降尺度建模的替代方法[13-14].

本文基于隨機森林回歸算法建立一種葉綠素a的降尺度模型,利用降尺度原理,結合高空間分辨率Landsat8反射率數據對高時間分辨率Himawari-8葉綠素a產品數據進行降尺度,以提高Himawari-8葉綠素a產品數據的空間分辨率,獲得更高分辨率的葉綠素a濃度,進而分析其近岸海域時空變化趨勢,實現對近岸海域復雜水體的水質監測.

1 數據與方法

1.1 研究區概況

研究區位于中國北部灣北部(20°40￠072N～ 22°07￠162N,107°47￠122E～109°54￠352E),地處于熱帶與亞熱帶之間,局部屬于亞熱帶海洋季風氣候,當地平均氣溫為22.4℃,年平均降雨量為1670mm,平均水深42m.近年來,隨著沿海工業和水產養殖的快速發展,北海、欽州灣沿岸一帶海域水質污染加劇,與北部灣富營養進程一致[15],北部灣葉綠素平均質量濃度由1994年的0.94μg/L[16]升至2016年的1.46μg/L[17],陸源營養鹽輸入和養殖活動明顯的欽州灣2009年表層水體葉綠素a已達5.39μg/L[18],導致研究區近岸海域水體環境復雜,監測難度大大提高.為更好的監測沿岸水體質量,迫切需要獲取更加精細分辨率的葉綠素a濃度數據.

1.2 數據源

高空間分辨率數據來源于美國地質勘探局(USGS)的Landsat8多光譜影像數據.影像數據為Landsat8上搭載的陸地成像儀(OLI)傳感器獲取,其空間分辨為30m,獲取時間分別為2017年2月14日,2017年10月28日,2018年2月1日,2018年5月12日和2018年10月31日,所有影像的含云量都小于10%.為了便于分析討論,根據研究區氣候狀況,用2月份的數據構建的模型用冬季模型表述,10月份的數據構建的模型用秋季模型表述.

葉綠素a數據來源于日本航空航天局(https://www.eorc.jaxa.jp/ptree/)公布的Himawari-8的葉綠素a濃度數據產品,空間分辨率為5km,時間分辨率為10min.本文采用Himawari-8葉綠素a的成像時間與Landsat8影像數據時間一致.

實測數據來自于香港環境保護署公布的(https://cd.epic.epd.gov.hk/)站點數據,數據獲取日期為2018年5月14日,其采樣和分析方法為:從表層0～0.5m處采集水樣,并在500mL深色容器中冷藏.幾小時后,在實驗室采用流動注射分光光度法對其進行處理和分析[19].站點點位分布如下圖1所示.

圖1 研究區實測站點點位分布

1.3 數據預處理

對Landsat8影像數據進行輻射定標和大氣校正,將圖像灰度(DN)值轉為遙感反射率并消除大氣吸收和散射的干擾,然后進行歸一化差異水指數(NDWI)計算,區分陸地和水體,以便更好的獲取水體的遙感反射率,減少陸地對水體反射率的干擾. NDWI計算公式如式(1):

式中:Green和NIR分別是30m分辨率下Landsat的綠色波段和近紅外波段的反射率,根據NDWI計算結果,結合地物邊緣位置的NDWI值,本文設置0.1為水陸分割閾值,大于0.1的為水體,小于0.1的則為陸地.

對預處理后的影像使用最鄰近重采樣的方法進行上采樣,把分辨率為30m的Landsat8的反射率數據采樣至與Himawari-8葉綠素a濃度產品相同的空間分辨率(5km).對Himawari-8的葉綠素a濃度產品數據按照研究區范圍進行裁剪,并與重采樣后Landsat8的遙感反射率數據進行匹配.獲得匹配樣本集(1,),其中1為重采樣后的Landsat各個波段的反射率值,為Himawari-8的葉綠素a濃度數據.

基于波段組合方法對匹配得到1進行特征擴展,得到21種波段組合的特征變量2.利用相關性分析對1和2(表1)進行特征篩選,得到適合建立降尺度模型的特征變量.從表1中可以看出,相關性最高的特征變量為B3/B1.為了防止模型過擬合,本文選取相關性都在0.5以上的單波段及波段組合作為模型的特征變量(共14中特征變量)進行建模.分別對這14種特征變量和葉綠素a濃度做定量分析,其中僅b3/b1、b3/b2波段組合與葉綠素a呈線性關系,由于隨機森林的預測能力不受多重共線性的影響,所以其線性關系不會對預測結果造成影響.

表1 Landsat8波段和波段組合與Himawari-8的葉綠素a濃度的相關性

1.4 研究方法

隨機森林(RF)相比于其他“黑箱”機器學習算法,簡單易實現、計算開銷小、模型可解釋性強.同時,RF算法可有效防止變量共線性現象,避免模型過擬合問題[20].在回歸問題中,最終的估計值是使用所有個體的平均值得出的,主要有兩個超參數,第一個參數是ntree(森林中生長的決策樹的數量),第二個參數是mtry(樹的每個節點上隨機采樣的預測變量的數量).為了確定ntree和mtry超參數的最優組合,本文利用數據預處理后得到14種特征變量,以Himawari-8葉綠素a數據作為特征值,根據Belgiu等[21]提到的超參數數值范圍,采用網格搜索(GridSearchCV)遍歷參數組合,通過交叉驗證確定最優超參數,ntree為600,mtry為14(特征變量總數).本文在構建隨機森林回歸時使用10倍交叉驗證.其主要優點是:(1)根據數據可用性和用戶需求,簡單地包含或排除預測變量;(2)可能包含連續且分類的預測變量;(3)用戶必須指定的模型參數數量相對較少;(4)過度擬合的風險降至最低;(5)自動計算可變重要性評分,以評估各個預測變量對最終模型的貢獻[22].

1.4.1 降尺度方法 本文假設不同尺度下(30m和5km)Landsat8波段特征和Himawari-8葉綠素a濃度數據之間存在如式(2)的關系,并且這種關系可以通過最大似然來估計.

式中:表示5km分辨率下Himawari-8的葉綠素a濃度數據;表示數據預處理后得到14種特征變量;為機器學習算法建立的非線性回歸函數.通過建模得到模型在5km分辨率下的殘差,殘差是實際值與回歸估計值差異程度的一種評價[23].計算公式如式(3):

圖2 降尺度技術路線

Fig.2 Downscaling technology roadmap

1.4.2 模型精度評價方法 利用Pearson(皮爾遜)相關系數來衡量降尺度葉綠素a濃度與Himawari8原始葉綠素a濃度之間的相關性,為評價各個模型對葉綠素a濃度降尺度的精度,本文選取了20%的樣本對模型精度進行測試,并計算系數2,均方根誤差RMSE,其中2用于評價Himawari8原始葉綠素a濃度與降尺度葉綠素a濃度線性相關程度,RMSE用于反映兩者之間的偏差程度.

2 結果與討論

2.1 實驗與結果評估

標準化是訓練模型之前的一個先決步驟,以確保所有變量保持在同一尺度上.因此,通過減去平均值并除以樣本集的標準偏差,對訓練和驗證集中的所有自變量進行標準化.這種預處理加速了收斂,使得模型的訓練有效.實驗總共選取了2273個像素樣本,按照8:2的比例采用分層隨機抽樣的方式分割訓練和測試集,使其符合總樣本分布趨勢,大致呈正態分布.其中1638個樣本作為訓練集,剩余635個樣本作為驗證集.針對秋季(10月)和冬季(2月)影像數據,利用隨機森林回歸算法建立降尺度模型,四個模型都表現出很好的精度,訓練集2分別為0.89、0.93、0.92、0.95;測試集的2為0.60、0.72、0.71、0.85;如圖3所示,模型對Himawari-8葉綠素a的擬合程度很好,能反映出研究區內大部分葉綠素a的變化特征.冬季模型的2要低于秋季模型,且RMSE也高于秋季模型,模型建模選取的特征變量相同,出現這一現象的原因可能是冬季的葉綠素a濃度比秋季高,而高濃度葉綠素a樣本數量有限,模型難以捕捉這部分特征變化,從而導致該區間(15～20mg/m3)葉綠素濃度被低估,致使2相較秋季低,RMSE偏大.

冬季模型對葉綠素a濃度在2.5～7.5mg/m3區間內的樣本能給出很好預測,對于大于7.5mg/m3的葉綠素a濃度,模型預測精度較低.結合冬季樣本分析(圖4),冬季模型樣本葉綠素a濃度主要分布在2～7mg/m3,大于7mg/m3的樣本較少,使得模型對高于7.5mg/m3的數據訓練不夠,從而導致模型在葉綠素a濃度大于7.5mg/m3以后呈發散狀.秋季樣本葉綠素a濃度總體較冬季小,主要分布在0～5mg/m3,且秋季樣本分布與冬季相比呈非正態分布趨勢,非正態分布可能會增加葉綠素a濃度與Landsat波段組合反射率之間的非線性關系,而隨機森林作為非線性模型,所以在秋季可能比在冬季產生更好的預測結果.

圖3 模型的訓練集和驗證集散點圖

左為訓練集,右為測試集

由圖5、6可見,模型預測的沿岸葉綠素a濃度和實際值有一定的誤差,通過殘差校正后能很好的反映沿岸葉綠素a濃度值的變化趨勢.殘差的計算方法是用原始Himawari-8葉綠素a數據濃度減去模型預測的葉綠素a濃度.秋季模型的殘差變化范圍為-1.36～0.89mg/m3,冬季模型的殘差范圍為-2.7～1.36mg/m3,秋季模型的降尺度結果要明顯優于冬季模型.模型殘差的變化范圍大小,決定了模型精度的高低,殘差變化范圍越大,說明模型的精度越低.殘差絕對值較大的區域集中在沿岸一帶,由于該區域的原始訓練樣本較少,導致模型對較大的葉綠素a濃度會產生過高或過低的估計.模型在經過殘差校正后,其降尺度結果(圖7)可以清晰的看出葉綠素a濃度的層級變換趨勢,靠近海岸的地區葉綠素a濃度高,遠離海岸的地區葉綠素a濃度低.由于原始Himawari-8葉綠素a空間分辨率過大的原因,導致水體與陸地交接部分葉綠素a濃度值缺失.通過降尺度處理后,能給出很好的預測,使沿岸葉綠素a的空間分布特征表現的更加明顯.研究區域內,葉綠素a濃度分布總體表現為欽州灣和北海市灣區一帶高,其它區域低.在季節尺度上,葉綠素a表現為冬季高,秋季低,遺憾的是由于研究的時間尺度太短,無法具體的闡明葉綠素a濃度的時序變化特征.

圖5 秋季和冬季5km分辨率的Himawari8原始葉綠素a濃度概況

圖7 模型降尺度得到30m分辨率的葉綠素a濃度

北海市沿岸灣區部分的葉綠素a濃度普遍比其它地方的高(圖7),是由于近年來北海市灣區人類活動頻繁,水產養殖密集,加上內陸河流的輸入,同時由于地形緣故水域流通緩慢,降低了水的交換能力,導致該區域富營養化嚴重.不論是秋季模型還是冬季模型,對于海洋中一些比較高的葉綠素a濃度值,模型預測時會低估這些值,引起這種變化的原因是由于秋冬季節Himawari-8葉綠素a濃度的高可變性,這降低了最大似然估計的準確性.冬季葉綠素a較低的區域比秋季的少,表明冬季的葉綠素a濃度比秋季的高.這一現象的原因可能在于夏季降水頻率較高,降水降低了表層的鹽度,并改變了影響浮游植物群落結構營養物的比例[24].降水增加了海洋的混濁度,從而降低了透光層的深度,導致浮游植物生長的減少和葉綠素a濃度的降低.由夏入秋時,入海徑流量逐漸減少,導致由陸源輸入的營養物質減少,致使秋季水體葉綠素a含量偏低.同時由于冬季表層海水溫度降低,密度高,相比于秋季海水水體垂直運動較強,營養鹽豐富的底層水很容易到達上層[25],且冬季季風強勁,穩定度小,在淺海地區渦動混合非常強烈,致使冬季葉綠素a濃度要高于秋季.

2.2 實測驗證

由于缺乏原位的實測葉綠素a數據,為進一步評估降尺度結果的準確性,采用香港環境署公布站點數據(圖1),對模型精度進行驗證.考慮到實測數據的采樣周期和Landsat數據的重訪周期不一致問題,本文先驗證Himawari-8數據的精度,再利用Himawari-8數據代替實測數據進行驗證.本文共匹配2018年15組實測與Himawari-8數據點對,由圖8(a)可以看出雖然Himawari-8原始葉綠素a濃度數據普遍比實測的站點數據要大,但總體呈線性相關,2達到0.82,說明了Himawari-8數據的可靠性,可利用Himawari-8的葉綠素a數據代替實測數據進行驗證.利用降尺度模型得到的葉綠素a濃度數據能很好的擬合實際的Himawari-8葉綠素a濃度(圖8(b)),這說明了模型的精度較好.通過實測驗證表明,該方法可以用來提高葉綠素a的空間分辨率,以提供更多的空間細節信息,以用于復雜的近岸水體葉綠素a濃度監測.然而,該方法也有局限性,因為模型精度受到原始Himawari-8數據精度的限制,從圖8(a)中可以看出Himawari-8數據與實測站點數據之間的平均絕對誤差為0.341mg/m3,在利用Himawari-8數據作為特征值進行降尺度時,降尺度得到的葉綠素a數據與Himawari-8數據之間的平均絕對誤差為0.157mg/m3(圖8(b)),根據誤差傳播理論,降尺度后得到葉綠素a值與實測站點數據之間的誤差約為±0.5mg/m3,并且實測數據的采樣時間與衛星過境時間不是嚴格意義上的同步[26].本研究中的模型僅基于衛星數據建模,相比于傳統葉綠素a反演得到高分辨率的葉綠素a數據,較少的依賴原位實測樣本數據,更適合原位測量葉綠素a數據有限的地區.

2.3 敏感性分析

遙感數據的系統不確定性主要來自于傳感器的影響、數據處理產生的誤差、氣候和云的影響.對于給定的數學模型,靈敏度分析(SA)能測量輸入變量的不確定性和波動對系統輸出性能的影響程度.一般來說,靈敏度分析可以通過局部靈敏度分析和全局靈敏度分析兩種方式進行,前者探索給定一組因子值的重要模型因子,后者將輸出中的不確定性分配給每個輸入因子中的不確定性,以識別重要因子[27].進行靈敏度分析可以測試降尺度模型的穩定性.通過改變模型特征波段的反射率的值,來評估模型輸出值的波動程度,以判斷模型的穩定性.本文僅選取與Himawari-8葉綠素a濃度相關性較高的B3和B1波段的反射率進行敏感性分析,改變特征變量的反射率對模型預測結果的影響如表2所示.B3波段對葉綠素a集中度的影響相對強于B1波段.減少B3波段的反射率,模型的變化率最高達到了13.2%,遠比增加其波段對模型的變化率8.4%要高.而B1波段恰恰相反.波段比例范圍變化越大,對模型結果的影響越大.由此可以得出結論,葉綠素a濃度降尺度的精度很大程度上取決于地表反射率的精度,所以大氣校正是降尺度過程中最關鍵的一步.雖然這一模型對表面反射率比較敏感,但模型的構建不依賴于原位實測數據的采集,可以為原位實測數據有限的區域提供一種新的獲取高空間分辨率的葉綠素a濃度的思路和方法.

表2 B1和B3波段對模型的敏感性描述

3 結論

3.1 基于機器學習算法,利用Landsat8OLI反射率數據為新型地球靜止氣象衛星Himawari-8的葉綠素a產品數據開發了一種降尺度模型,將空間分辨率為5km的Himawari-8的葉綠素a濃度數據降尺度得到空間分辨率為30m的葉綠素a濃度數據,降尺度后葉綠素a濃度與葵花數據一致性高,2達到0.81.

3.2 從降尺度的結果來看,模型的精度比較好,能夠有效的反映葉綠素a濃度的空間分布特征,實現對沿海空間復雜海域的葉綠素a濃度進行監測.

3.3 通過敏感性分析,大氣校正在模型反演中具有重要作用,間接決定了模型精度,后續可以通過精細的大氣校正,進一步提高降尺度結果的精度.降尺度結果能提供更詳細的空間變化,再結合長時間序列的觀測數據,有望開展近岸海域復雜水體的葉綠素a的時空變化.

[1] Bierman P, Lewis M, Ostendor B, et al. A review of methods for analysing spatial and temporal patterns in coastal water quality [J]. Ecological Indicators, 2011,11(1):103-114.

[2] Goetz S J, Gardiner N, Viers J H. Monitoring freshwater, estuarine and near-shore benthic ecosystems with multi-sensor remote sensing: An introduction to the special issue [J]. Remote Sensing of Environment, 2008,112(11):3993-3995.

[3] 于博文.基于深度學習的VIIRS衛星全球海洋葉綠素a濃度反演[D]. 北京:中國地質大學, 2019.

Yu B W. Global ocean chlorophyll-a concentration inversion based on deep learning viirs satellite [D]. Beijing: China University of Geosciences, 2019.

[4] Tang D L, Ni I H, Kester D R, et al. Remote sensing observations of winter phytoplankton blooms southwest of the Luzon Strait in the South China Sea [J]. Marine Ecology Progress, 1999,191:43-51.

[5] Kim H H, Ko B C, Nam J Y. Predicting chlorophyll-a using Landsat 8OLI sensor data and the non-linear RANSAC method–a case study of Nakdong River, South Korea [J]. International Journal of Remote Sensing, 2016,37(14):3255-3271.

[6] Frouin R J, Shenoi S C, Rao K H, et al. Ocean color estimation by Himawari-8/AHI [C]//Spie Asia-pacific Remote Sensing. Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, 2016:987810.

[7] Nazeer M, Nichol J E. Development and application of a remote sensing-based Chlorophyll-a concentration prediction model for complex coastal waters of Hong Kong [J]. Journal of Hydrology, 2016, 532:80-89.

[8] Atkinson, Peter M. Downscaling in remote sensing [J]. International Journal of Applied Earth Observation & Geoinformation, 2013,22 (Complete):106-114.

[9] Fu Y, Xu S, Zhang C, et al. Spatial downscaling of MODIS Chlorophyll-a using Landsat 8images for complex coastal water monitoring [J]. Estuarine Coastal & Shelf Science, 2018,209:149-159.

[10] Guo S, Sun B, Zhang H K, et al. MODIS ocean color product downscaling via spatio-temporal fusion and regression: The case of chlorophyll-a in coastal waters [J]. International journal of applied earth observation and geoinformation, 2018,73:340-361.

[11] Mohebzadeh H, Yeom J, Lee T. Spatial downscaling of MODIS Chlorophyll-a with Genetic Programming in South Korea [J]. Remote Sensing, 2020,12(9):1412.DOI:10.3390/rs12091412.

[12] 楊明悅,毛獻忠.基于特征重要性評分-隨機森林的溶解氧預測模型及其在深圳灣的應用[J]. 中國環境科學, 2022,42(8):3876-3881.

Yang M Y, Mao X Z. Dissolved oxygen prediction model based on characteristic importance score-random forest and its application in Shenzhen Bay [J]. China EnvironmentalScience, 2022,42(8):3876- 3881.

[13] Ghosh A, Joshi P K. Hyperspectral imagery for disaggregation of land surface temperature with selected regression algorithms over different land use land cover scenes [J]. ISPRS journal of photogrammetry and remote sensing, 2014, 96: 76-93.

[14] Hutengs C, Vohland M. Downscaling land surface temperatures at regional scales with random forest regression [J]. Remote Sensing of Environment, 2016,178:127-141.

[15] 徐軼肖,陶曉娉,劉成輝,等.廣西北海半島夏季營養鹽及水質狀況分析[J]. 海洋科學, 2021,45(6):107-117.

Xu Y X, Tao X L, Liu C H, et al. Analysis of summer nutrient salts and water quality in Guangxi Beihai Peninsula [J]. Marine Science, 2021, 45(6):107-117.

[16] 劉子琳,寧修仁,蔡昱明.北部灣浮游植物粒徑分級葉綠素a和初級生產力的分布特征[J]. 海洋學報, 1998,20(1):50-57.

Liu Z L, Ning X R, Cai Y M. Distribution characteristics of phytoplankton grain size graded chlorophyll a and primary productivity in Beibu Gulf [J]. Acta Oceanic Sinica, 1998,20(1):50- 57.

[17] 劉大召,晁俏利.北部灣海域葉綠素a質量濃度時空分布研究[J]. 海洋學研究, 2019,37(2):95-102.

Liu D Z, Chao Q L. Spatial and temporal distribution of chlorophyll-a mass concentration in Beibu Gulf [J]. Ocean Research, 2019,37(2): 95-102.

[18] 楊 斌,鐘秋平,張晨曉,等.欽州灣葉綠素a和初級生產力時空變化及其影響因素[J]. 環境科學學報, 2015,35(5):1333-1340.

Yang B, Zhong Q P, Zhang C X, et al. Temporal and spatial variation of chlorophyll a and primary productivity in Qinzhou Bay and its influencing factors [J]. Journal of Environmental Science, 2015,35(5): 1333-1340.

[19] HK EPD. Marine water quality in Hong Kong in 2012[Z]. 2013

[20] 游介文,鄒 濱,趙秀閣,等.基于隨機森林模型的中國近地面NO2濃度估算[J]. 中國環境科學, 2019,39(3):969-979.

You J W, Zou B, Zhao X G, et al.Estimation of near-surface NO2concentrations in China based on random forest model [J]. China Environmental Science, 2019,39(3):969-979.

[21] Belgiu, Dragut. Random forest in remote sensing: A review of applications and future directions [J]. Isprs. J. Photogramm, 2016,2016, 114(-):24-31.

[22] Hutengs C, Vohland M. Downscaling land surface temperatures at regional scales with random forest regression [J]. Remote Sensing of Environment, 2016,178:127-141.

[23] 李光一,李海萍,萬華偉,等.隨機森林算法在新疆物種豐富度影響因素研究中的應用[J]. 中國環境科學, 2021,41(2):941-950.

Li G Y, Li H P, Wan H W, et al. Application of Stochastic Forest Algorithm in The Study of Influencing Factors of Species Richness in Xinjiang [J]. China Environmental Science,2021, 41(2):941-950.

[24] Maung S H T Ohara S, Matsuoka K, et al. Seasonal dynamics influencing coastal primary production and phytoplankton communities along the southern Myanmar coast [J]. Journal of Oceanography, 2017,73:345–364.

[25] 潘 俊.春夏季南黃海水文環境季節變化及其生態效應[D]. 青島：中國科學院大學(中國科學院海洋研究所), 2020.

Pan J. Seasonal changes and ecological effects of the South Yellow Sea in spring and summer [D]. Qingdao: University of Chinese Academy of Sciences (Institute of Oceanology, Chinese Academy of Sciences), 2020.

[26] 孫宏亮,何宏昌,付波霖,等.香港近海海域葉綠素a定量反演及時空變化分析[J]. 中國環境科學, 2020,40(5):2222-2229.

Sun H L, He H C, Fu B L, et al. Analysis of chlorophyll a quantitative inversion and space-to-space change in hong Kong coastal waters [J]. Chinese Journal of Environmental Science, 2020,40(5):2222-2229.

[27] Lee L, Srivastava P K, Petropoulos G P. Overview of sensitivity analysis methods in earth observation modeling – Science direct [J]. Sensitivity Analysis in Earth Observation Modelling, 2017:3-24.

致謝：感謝美國地質勘探局提供的Landsat數據,感謝日本航空航天局提供的Himawari數據,感謝香港環境保護署提供的站點數據.

Spatial downscaling of chlorophyll A in Himawari-8 based on Landsat 8 images.

XIONG Yuan-kang, FAN Dong-lin*, HE Hong-chang, SHI Jin-ke, ZHANG Jie, XIAO Bin, FU Bo-lin

(College of Surveying and Geo-Informatics, Guilin University of Technology, Guilin 541000, China)., 2022,42(11)：5341～5350

The chlorophyll-a products of the new geostationary meteorological satellite Himawari-8 are difficult to meet the requirements of water quality monitoring in near-shore waters with high spatial heterogeneity due to their low spatial resolution. To overcome this limitation, a non-linear random forest algorithm was used to improve the spatial resolution of the chlorophyll a data from Himawari-8 by constructing a downscaling model using the band reflectance data from Landsat 8and the chlorophyll-a products from Himawari-8. The results showed that the coefficients of determination (2) of the two autumn models and two winter models reached 0.6, 0.72, 0.71 and 0.85, respectively, and the root mean square errors (RMSE) were 1.47, 1.05, 1.89, 0.76mg/m3, respectively. The comparative analysis of the measured site data showed that the chlorophyll-a data generated by the downscaled model had a high consistency with the chlorophyll-a data of Himawari-8, and the2reached 0.81 The spatial variation of chlorophyll-a concentration in the near-shore sea area is well reflected by the spatial variation of chlorophyll a data.

downscale；chlorophyll-a；random forests；himawari-8；landsat 8

X171

A

1000-6923(2022)11-5341-10

熊遠康(1998-),男,湖北仙桃,桂林理工大學碩士研究生,主要從事海洋葉綠素a數據重構方面的研究.

2022-04-08

廣東省重點領域研發計劃項目(2020B1111030001);廣西高校中青年教師科研基礎能力提升項目(2021KY0255);廣西自然科學基金(2022GXNSFBA035637);廣西八桂學者專項

* 責任作者, 講師, bodhifan@163.com