基于ZY-1 02D影像的白洋淀水域葉綠素a濃度遙感反演

封紅娥,李戰*,黃波

(1.河北省水文工程地質勘查院，石家莊 050021；2.河北省遙感中心，石家莊 050021;3.河北省自然資源遙感智能監測技術創新中心，石家莊 050021)

2017年設立雄安新區后，白洋淀以其獨特的地理位置成為新區的焦點。白洋淀位于雄安新區建設范圍的核心區域，是雄安新區發展的重要生態水體。近年來，由于人類頻繁活動、經濟發展和氣候變化等因素，白洋淀水體受到一定污染，嚴重影響了周邊居民的生產、生活。因此，對白洋淀流域的水質情況進行監測尤為重要。葉綠素a濃度是水體富營養化的重要指標，對葉綠素a濃度進行監測，有助于對白洋淀水體水質污染的發生進行預警，對水體治理進程進行監測與評估，對白洋淀流域水生態保護治理工作具有重要的現實意義。

常規水質監測方法耗時長，成本高，局限性大，但遙感技術具有連續監測、視角寬廣、周期性等優點，可以有效的監測一定時間內流域水質參數在空間和時間上的變化，具有監測范圍廣、速度快、成本低的特點，便于進行大范圍的水體水質動態監測[1-2]。目前已有眾多學者對葉綠素a濃度的反演進行了研究，基于機載高光譜數據，根據水體固有光學特性，采用矩陣反演模型反演葉綠素a濃度，得到了較好的反演結果[3]；Ruddick等[4]學者提出自適應的兩個波段(672 nm和704 nm)反射率比值算法反演葉綠素a濃度，可以省去后向散射因子和入射光環境因子的估算，取得較好的反演精度。

內陸湖泊的水質監測是國家水質評估和水污染防治的重要根據，大范圍、高效的水質監測極為重要[5-7]。朱云芳等[8]學者基于高分一號衛星數據構建了BP(back propagation)神經網絡模型和比值模型進行葉綠素a濃度反演；胡輝輝等[9]學者基于多源數據時空融合，采用神經網絡模型反演出了白洋淀葉綠素a濃度。Elalem等[10]提出了一種新的葉綠素a濃度反演半分析模型——APPEL(approach by elimination),以葉綠素在紅光波段強吸收、近紅外波段高反射的光譜特征為原理，以不同波段組合來去除懸浮物、有色可溶性有機物(colored dissolved organic matter，CDOM) 和后向散射的影響，取得了較好的反演效果。白洋淀流域內水與蘆葦共生兼有荷花，生態植物多且水體較小，水質較復雜，對數據質量要求相對較高，目前對葉綠素a濃度的反演方法無法同時滿足其對空間及光譜分辨率要求，使其反演精度的提高有一定局限性。

中國于2019年9月成功發射了資源一號02D星(ZY-102D衛星)，該衛星搭載了新一代AHSI(advanced hyperspectral imager)高光譜及VNIC(visible near-infrared camera)多光譜相機，可有效獲取大幅寬高光譜及多光譜數據，較以往數據幅寬更寬，覆蓋能力更強，在內陸水體的葉綠素a濃度反演方面，具有很高的應用潛力[11-12]。現基于ZY-1 02D高光譜及多光譜數據和同步獲取的葉綠素a濃度實測數據，充分發揮高光譜及多光譜數據的光譜分辨率及空間分辨率優勢，進行葉綠素a濃度反演模型構建及反演精度分析，為白洋淀流域葉綠素a濃度反演提供一種適用性較高的方法。

1 研究區概況

白洋淀屬海河流域大清河南支水系湖泊，被譽為“華北明珠”，是華北平原最大的淡水湖泊和濕地生態系統[9]，由白洋淀、藻苲淀、馬棚淀、腰葫蘆淀等140多個大小不等的淀泊組成。由于數據獲取制約且白洋淀南部區域污染較重，現以雄安新區內白洋淀圈頭淀區為研究區域，位于38°47′9.554″N～38°52′39.348″N和115°51′6.119″E～116°3′53.853″E之間(圖1)。白洋淀地面景觀以水體、蘆葦沼澤為主。白洋淀資源豐富，以大面積蘆葦蕩和千畝連片的荷花淀而聞名。

圖1 研究區范圍Fig.1 Research area

2 數據獲取

2.1 實測數據獲取

2021年5月24日開展了與ZY1E-02D衛星的同步試驗。由于白洋淀區域水與蘆葦共生，且荷花較多，因此在水樣采集過程中選取距離植被較遠，且水質均一的水域樣點，并根據現場情況盡可能的使樣點在水面均勻分布，共布設30個采樣點，其中有效站點為28個(圖2)。水樣采集后避光低溫保存，當天運送至實驗室后采用熱乙醇-分光光度計法進行葉綠素a濃度測量[13-14]。水面光譜利用ASD(analytical spectral devices)光譜儀選擇“水面以上法”進行測量[15]。測量水體時，取觀測天頂角為傾斜向下40°，相對于太陽入射平面的觀測方位角為135°；天空光譜值觀測天頂角為傾斜向上40°，觀測方位角與測量水面光譜值時一致，參考板測量時角度為垂直向下。實驗中共獲取28個樣點的光譜數據，其光譜反射率計算公式為

圖2 白洋淀研究區水面實驗采樣點分布Fig.2 Distribution of water surface experiment sampling points in Baiyangdian research area

(1)

式(1)中：λ為波長；Rrs為水面遙感光譜反射率；Lt(λ)、Lsky(λ)和LP(λ)分別為測得的水面、天空光及參考板的光譜值;ρP(λ)為實驗室內標定的參考板反射率；ρsky(λ)為天空光在氣水界面的反射率，可以根據文獻[16]確定。

2.2 遙感數據源及預處理

選用ZY-1 02D的2021年5月24日一景AHSI高光譜影像及一景VNIC多光譜影像為遙感影像數據源。其中高光譜影像數據空間分辨率為30 m，衛星數據波長范圍為395～2 500 nm，共計166個波段，其中可見光波段76個，近紅外波段90個。多光譜影像數據空間分辨率為10 m，衛星數據波長范圍為452～1 047 nm，共計9個波段。本研究對獲取的兩景影像進行了預處理主要包括輻射定標、大氣校正、正射校正等[17-18]。ZY-1 02D AHSI大氣校正后的采樣點反射率曲線[圖3(a)]、ZY-1 02D VNIC大氣校正后采樣點反射率曲線[圖3(b)]及實測反射率曲線[圖3(c)]的如圖3所示。觀察[圖3(a)、圖3(b)]兩幅大氣校正后的反射率曲線圖可知，葉綠素a在560、700 nm有兩處明顯的反射峰，與相同譜段內地面實測高光譜遙感反射率數據的光譜特征呈現一致性。ZY-1 02D VNIC大氣校正后的反射率曲線[圖3(b)]在840 nm左右呈現一明顯的吸收峰，與地面實測反射率曲線變化一致，而ZY-1 02D AHSI校正后的反射率曲線在750 nm后出現了多個波峰、波谷，與實測反射率曲線相比具有較大的不同，因此大氣校正未消除750 nm后的的誤差，本研究將使用750 nm前的波段數據進行水色要素光譜特征信息的提取。由于白洋淀流域內地物類型復雜，因此選用歸一化水指數(normalized difference water index，NDWI)及人工目視解譯結合的方法，提取了較精準的水體范圍，如圖2所示。

3 葉綠素a濃度反演模型構建

3.1 模型構建原理

半分析模型通過水體組成成分的光譜特征與統計分析相結合，具有一定的物理依據，模型精度較高，在內陸水質監測中適宜性較好，因此選取Elalem等[10]提出的APPEL模型進行葉綠素a濃度反演的研究，這是一種針對葉綠素a濃度提取的新型半分析模型，其反演公式為

APPEL=R(nir)-{[R(blue)-R(nir)]R(nir)+

[R(red)-R(nir)]}

(2)

式(2)中：R(red)、R(blue)、R(nir)分別為紅光、藍光和近紅外波段的反射率值。

在APPEL模型中紅光波段用于去除懸浮物的影響，藍光波段可用于去除CDOM影響，近紅外波段是葉綠素的敏感波段，葉綠素a強反射，水體強吸收，此波段不僅可以用來獲取最大的葉綠素a信息量，同時可以去除藍光和紅光波段中葉綠素a信息以及水體后向散射影響[19-20]。基于APPEL模型充分發揮ZY-1 02D AHSI高光譜影像光譜分辨率的優勢、ZY-1 02D VNIC多光譜影像空間分辨率的優勢，通過3種不同的反演方式對葉綠素a濃度進行反演，分析ZY-1 02D AHSI和ZY-1 02D VNIC兩種影像的反演特征，從而進一步提高葉綠素a濃度的反演精度。

3.2 葉綠素a濃度模型構建

根據模型構建原理，分別基于ZY-1 02D AHSI影像、ZY-1 02D VNIC影像構建葉綠素a濃度反演模型。由于700 nm附近的反射峰是葉綠素a濃度最主要的光譜特征，這段光譜中的很多光譜特征都與葉綠素a具有顯著相關性[21]，在內陸水體水質的遙感監測中影像近紅外波段的光譜分辨率比空間分辨率影響更大，藍光波段與紅光波段的空間分辨率對葉綠素a濃度反演精度的影響大于光譜分辨率[22]。本研究將ZY-1 02D AHSI影像中心波長最接近700 nm的第36波段(696 nm)的空間分辨率重采樣至10 m并替代ZY-1 02D VNIC的近紅外波段構建葉綠素a濃度反演模型，構建的三種葉綠素a濃度反演模型為

APPELa=R(nira)-{[R(bluea)-R(nira)]R(nira)+[R(reda)-R(nira)]}

(3)

APPELv=R(nirv)-{[R(bluev)-R(nirv)]R(nirv)+[R(redv)-R(nirv)]}

(4)

APPELt=R(nira)-{[R(bluev)-R(nira)]R(nira)+[R(redv)-R(nira)]}

(5)

式中：R(bluea)、R(reda)、R(nira)分別表示ZY-1 02D AHSI的藍光(band 6)、紅光(band 35)、近紅外波段(band 36)的反射率值；R(bluev)、R(redv)、R(nirv)分別表示ZY-1 02D VNIC的藍光(band 5)、紅光(band 3)、近紅外波段(band 7)的反射率值。

3.3 模型反演結果與精度評價

基于所構建的3種反演模型，在獲取的28個采樣點中隨機選取14個采樣點構建反演模型，其余點進行精度驗證。基于ZY-1 02D AHSI影像與ZY-102D VNIC兩種影像，利用葉綠素a濃度實測值與APPEL值進行葉綠素a濃度反演，擬合公式如表1所示。

表1 葉綠素a濃度反演模型公式Table 1 Inversion model formula of chlorophyll a concentration

對構建的葉綠素a濃度反演模型進行精度評價的指標共有3項，分別為擬合度R2、平均無偏相對誤差(average unbiased relative error，AURE)、均方根誤差(root mean square error，RMSE)，其中AURE和RMSE的計算公式為

(6)

(7)

式中：n為采樣點數量，Yi和Xi分別代表葉綠素a濃度的反演值和實測值。利用剩余的14組實測數據對以上三種反演模型的反演結果與實測數據進行比對如圖4所示，反演結果的精度評價如表2所示。

圖4 葉綠素a濃度反演結果與實測數據對比Fig.4 Comparison between inversion results of chlorophyll a concentration and measured data

由表1及表2結果可知，以VNIC、AHSI 2種傳感器聯合構建的葉綠素a濃度反演模型的R2為0.897 0高于其他兩種模型，AURE、RMSE分別為38.30%、1.30 μg/L高于基于VNIC傳感器的反演模型，低于基于AHSI傳感器的反演模型，基于 VNIC 傳感器的葉綠素a濃度反演模型中反演效果最佳。

表2 基于ZY-1 02D影像的葉綠素a濃度反演模型和精度評價Table 2 Inversion model and accuracy evaluation of chlorophyll a concentration based on ZY-102D image

單獨基于VNIC影像與AHSI影像的反演模型，R2分別為0.830 0、0.840 6，相差較小，基于AHSI傳感器的模型AURE為40.82%高于基于VNIC傳感器模型的AURE(35.65%)，且AHSI模型的RMSE(1.60 μg/L)高于VNIC反演模型的RMSE(1.24 μg/L)。由以上研究結果可知，基于VNIC傳感器的反演模型在白洋淀水域葉綠素a濃度反演中適用性較好，基于VNIC與AHSI兩種傳感器的聯合反演模型較基于AHSI傳感器的反演模型精度有一定提高，說明在白洋淀區域葉綠素a濃度反演中，由于白洋淀淀區內水草共生，水體面積較小，因而對空間分辨率有較高的要求，為進一步優化反演模型，本文在此研究結果的基礎上提高AHSI近紅外波段(696 nm)的空間分辨率進行下一步的模型建立與驗證。

4 模型優化與分析

Gram-Schmidt融合方法既可以較好地保留原始影像的光譜信息，又能最大程度的保留影像的空間紋理信息[23]，它是利用數學上的Gram-Schmidt(GS)變換進行正交變換的，在任意可內積空間，任一組相互獨立的向量都可通過GS變換找到該向量的一組正交基。設{u1,u2,…，un}的方式如下。

假設v1=u1,依次計算第i+1個正交向量，即

vi+1=ui+1-projwiui+1

(8)

(9)

式中：wi為已經計算的前i個正交向量跨越的空間;projwiui+1為ui+1在wi的正交投影。

利用Gram-Schmidt方法將AHSI影像的36波段與VNIC影像的7波段進行影像融合，融合后的波段影像空間分辨率由30 m提高至10 m，構建的葉綠素a濃度反演模型公式為

APPELu=R(nira,v)-{[R(bluev)-R(nira,v)]

R(nira,v)+[R(redv)-R(nira,v)]}

(10)

式(10)中：R(nira,v)為AHSI影像36波段與VNIC影像7波段融合后的反射率。

從圖5(a)中可以看出，優化后的模型R2提高至0.951，高于直接進行近紅外波段替代模型的反演結果。利用剩余14個點進行精度驗證的結果如圖5(b)所示，由圖5(b)所示，實測值與模型反演值之間呈現較小的差距，一致性較好，AURE與RMSE分別降低到13.62%、0.52 μg/L。通過對AHSI、VNIC兩種影像葉綠素a濃度聯合反演特征的研究，結合白洋淀淀區實際水體狀況，構建的模型顯著提高了葉綠素a濃度的反演精度，對ZY-1 02D衛星影像在白洋淀區域的研究與應用具有重要的參考價值。

圖5 模型優化后的APPEL值反演與驗證Fig.5 Inversion and verification of Appel value after model optimization

5 結論

(1)在本文的研究中發現ZY-1 02D衛星中的多光譜影像優于高光譜影像的葉綠素a濃度反演結果，造成這種結果的原因一方面由于ZY-1 02D 的多光譜影像不僅擁有較高的空間分辨率，也具有較豐富的波譜信息；另一方面則是對白洋淀這種水體面積較小、水草難以區分、水體組分復雜的水體進行葉綠素a濃度提取時，對空間分辨率具有較高的要求，相較于其他區域水體空間分辨率具有更大的影響。

(2)為進一步優化模型，選取對葉綠素a濃度提取最敏感的近紅外波段進行波段融合,將近紅外波段的空間分辨率由30 m提高至10 m，替代多光譜影像中的近紅外波段，使葉綠素a濃度反演模型的R2達到0.951，AURE與RMSE分別降低到13.62%、0.52 μg/L，優于模型優化之前的葉綠素a濃度反演結果，此研究成果對于ZY-1 02D影像在白洋淀水域的葉綠素a濃度提取具有重要意義，同時也對類似內陸水體的葉綠素a濃度提取具有重要參考價值。

(3)遙感技術在水質參數反演領域應用廣泛，但易受到數據時相、影像質量等多方面因素的制約，且ZY-1 02D AHSI星的重訪周期長，高光譜影像數據較少，同步實測數據獲取不易，使得多頻次和大范圍的監測需求難以滿足。由于時間與經費問題，本文只針對白洋淀南淀區進行了監測，下一步將獲取更多影像與實測數據，進一步修正已有模型，完成白洋淀全域的葉綠素a濃度監測研究。