2018, Vol. 30 
(2: 江苏省地理信息资源开发与利用协同创新中心, 南京 210023)
(3: 环境保护部卫星环境应用中心, 北京 100094)
(2: Jiangsu Centre for Collaboration Innovation in Geographical Information Resource Development and Application, Nanjing 210023, R. P. China)
(3: Satellite Environment Centre, Ministry of Environmental Protection, Beijing 100094, R. P. China)
1996和2003年洱海蓝藻水华的大面积暴发，敲响了洱海水环境保护的警钟.在1980s前，洱海受人类活动影响少，水体处于贫营养水平；1980s中后期，随着周围经济的发展及对洱海的不合理开发利用，使得洱海水质和生态环境遭到严重破坏，水体营养水平迅速上升至中营养水平，其中在1996和2003年达到富营养状态[1-2].随着城镇化进程不断加快，旅游业快速发展，洱海流域产生的生活污水、垃圾和农业面源污染控制难度逐年加大[3].近年来，水华时有发生，洱海成为全国富营养化初期湖泊的典型代表，为避免步入滇池、太湖等重度富营养湖泊的后尘，需要完善现有的水质监测手段.而传统的监测方法费时费力，难以满足长期连续监测的需要，因此如何利用好遥感手段实现洱海水质监测是应多方需求与科学发展提出的一项重要举措.
叶绿素a(Chl.a)浓度是衡量水体富营养化程度的重要水质参数，遥感估算Chl.a浓度是实现遥感水环境监测和评价的基础，更是水色遥感的重点和难点[4]，国内外学者构建了大量的基于野外实测数据或遥感影像数据的Chl.a浓度估算模型.主要有：(1)蓝绿波段比值算法[5-6]：主要应用于大洋水体；(2)近红外与红光波段比值算法[7-11]：多用于复杂的Ⅱ类水体，主要为受悬浮物与有色可溶性有机物(colored dissolved organic matter，CDOM)影响的内陆水体；(3)基线法：包括反射峰基线法与荧光峰基线法，两者都是基于顶峰距基线的距离与Chl.a浓度的关系来实现估算，最早由Neville等提出[12]，该算法成功应用于多种类型水体[13-17].以上算法都是基于统计的经验算法，其简单易用的特性成为诸多卫星数据的业务化模型算法，用于发布Chl.a浓度估算产品，但是缺乏生物光学理论的支持使得这些算法具有很强的区域特点；(4)三波段半分析算法[18-21]，以及由此演化的四波段算法[22-23]和UMOC算法[24]：都以生物光学模型为基础，提高了在浑浊Ⅱ类水体Chl.a浓度估算的精度；(5)QAA算法模型[25-26]：由多个经验、半分析以及分析子模型构建，广泛应用于固有光学量的反演，进而估算Chl.a浓度.以上算法基于生物光学模型与辐射传输理论，属于分析与半分析的算法，相比经验算法具有较高的普适性.但局限于Ⅱ类水体的光学特性之复杂，水体环境的时空分布之变化，这些算法在特定地区的适用性还需要更多的研究进行验证、改进与完善.此外，算法的发展又往往局限于传感器的性能，水色传感器CZCS、SeaWiFS、OCTS等最早应用于海洋Ⅰ类水体，以经验算法为主；而对于内陆浑浊水体，主要采用多光谱传感器如TM、ETM+、OLI、GF-WFV以及HJ-CCD等，很多研究针对这些多光谱传感器在内陆水色反演上已经开展了很多研究[27-33].洱海属于高原湖泊中较为清洁的内陆水体，常用的多光谱传感器一方面局限于较低的辐射分辨率，难以提取Chl.a浓度细微的差别；另一方面局限于较长的重访周期，难以应对西南高原多云雨的天气状况，无法满足连续观测的需要.而搭载在Sentinel-3卫星上的新一代OLCI传感器，有着小于3 d的时间分辨率，同时又具备21个波段、较高的信噪比以及辐射分辨率，如果能将该数据应用于洱海的遥感监测，将提高我国内陆湖泊水质监测能力.
洱海是西南地区重要的高原湖泊之一，湖泊富营养化的管控监测尤为重要，为弥补传统地面测量的不足，本文试图通过野外实测数据和OLCI传感器数据构建一种适用于洱海区域精度较高的Chl.a估算模型，以期实现利用遥感手段对洱海富营养化状态做出有效监测，为管理部门提供决策支持服务，并为后续长时间动态连续观测洱海水质奠定模型基础.
1 研究区与方法 1.1 研究区洱海(25.61°~25.98°N，100.08°~100.31°E)是云南省第二大淡水湖，湖泊面积256.5 km2，平均水深10 m，最大水深20 m.洱海是当地重要的饮用水源(日供水量达8.3×104 m3)，同时也是沿岸地区工业、农业以及畜牧业的主要用水来源. 30多年来，洱海附近地区的经济迅速发展和人口持续增长，导致越来越多的污染物输入洱海，进而导致洱海水质正面临着严峻的富营养化形势[34-36].近年来，洱海水质状况虽有改善(表 1)，但一年之中处于Ⅲ类水质(参考《地表水环境质量标准》(GB 3838-2002))的平均时间长达5~7个月，仍有一半以上时间水质未达到Ⅱ类.
|
表 1 洱海2011-2016年水质类别情况* Tab.1 Water quality category of Lake Erhai from 2011 to 2016 |
在洱海共布设24个样点(图 1)，于2017年4月19日采样，现场测定水体透明度(SSD).采集表层水样并保存在低温条件下(2~4℃)，当日运送回实验室对Chl.a浓度、总悬浮物(TSM)浓度、无机悬浮物(ISM)浓度和有机悬浮物(OSM)浓度等指标进行测定.实测数据的统计结果如表 2所示. Chl.a浓度测量采用了热乙醇-分光光度计法[37].总悬浮颗粒物浓度、有机颗粒物浓度以及无机颗粒物浓度采用常规的煅烧法进行测定[38].
|
图 1 洱海地理位置与采样点分布 Fig.1 Geographical location and in-stiu samples of Lake Erhai |
|
|
表 2 洱海水样实测数据统计 Tab.2 Statistical data of in-situ samples in Lake Erhai |
本研究所使用的OLCI数据为Level-1B产品，为辐射亮度产品，其自带的辅助数据集还包括：经纬度信息、质量文件(包括地表、云和海岸线等掩膜文件)、海平面压力、水汽总量、臭氧总量、湿度、水平风矢量和大气温度阔线等.获取地面实测的同步影像于当地时间11点38分40秒过境，影像空间分辨率为300 m，共有21个波段(表 3).
|
|
表 3 OLCI波段设置 Tab.3 The band settings of OLCI |
OLCI的处理软件为欧空局官方提供的SNAP(sentinel application platform)，它是继BEAM之后的新一代欧空局官方处理软件，SNAP中包括Sentinel-3卫星的处理工具箱，拥有丰富的可视化、分析和批处理工具，同时它还支持Envisat(MERIS和AATSR)、ERS(ATSR)、SMPS以及MODIS(Aqua和Terra)、Landsat系列、ALOS(AVNIR和PRISM)等传感器(http://step.esa.int/main/toolboxes/snap/). OLCI在SNAP中的打开方式有两种：per-pixel goe-coding和tie-points，前者基于自带的辅助数据集中的经纬度信息自动进行地理配准，而后者通过tie-points绑定数据集中所有影像地理位置以实现快速加载，本研究使用per-pixel goe-coding打开方式，并对洱海周围地区进行裁剪、重投影、辐亮度转反射率和瑞利散射校正等操作，将预处理后的影像输出为ENVI可读取的DAT格式进行后续操作.
暗像元法由Gordon等于1994年提出[39]，主要应用于Ⅰ类水体，它假设水体暗像元近红外波段(＞700 nm，本研究选择OLCI-Oa20与Oa19)水体辐射亮度近似为0，传感器在该波段接收到的辐射全部来源于大气效应，由此推算出区域内的大气参数和气溶胶校正因子，并对可见光进行外推校正.洱海可认为是较清洁的水体，且假设洱海范围内大气状况水平均一，其大气参数可以通过上述方法获得，具体原理见文献[40].校正流程为：(1)影像做去瑞利散射校正；(2)基于Canny算子对水体近红外波段影像进行边缘提取；(3)按3×3窗口进行分块，统计每一个子块中是否包括边缘像素，若有则剔除该子块；(4)计算剩余子块中像元值的均值，所有子块中均值最小的子块则认为是暗像元区域；(5)计算大气校正因子，并外推到可见光波段，逐波段进行校正.此外，本研究还使用6S模型、FLAASH模型以及QUAC模型用于不同结果的比较. 6S模型是5S模型的改进版，用于模拟0.25~4.00 μm太阳反射波段的辐射传输过程，该模型考虑了地形高度和传感器高度，用于模拟航空观测和卫星观测以提供大气校正参数. FLAASH是一种适用于多光谱影像和高光谱影像的大气校正模块，该模型移植了MODTRAN中辐射传输的计算方法，可以选择不同的传感器类型、大气模型和气溶胶模型. QUAC则是ENVI中植入的基于影像的快速大气校正方法，其特点是快速便捷[41].
1.4 叶绿素a浓度估算模型国内外学者的大量研究[8]表明，基于近红外比红光波段、基线法以及三波段算法是叶绿素浓度遥感估算最常用的3种算法，其易用性与适用性已经在众多Ⅱ类水体中得以证实，下面对3种模型的假设条件以及模型构建方法进行介绍.
比值模型(Rrs(λ2)/Rrs(λ1))(Rrs：remote sensing reflectance，遥感反射率)中第1波段λ1一般位于675 nm Chl.a吸收峰附近，第2波段λ2一般位于700~760 nm附近.该类方法基于以下3个假设[9]：(1)在λ1处色素吸收在水体组分吸收中占主导地位，即aph(λ1)>>anap(λ1)+aCDOM(λ1)(a表示物质的吸收系数，下标ph、nap和CDOM分别表示色素颗粒物、非色素颗粒物和有色可溶性有机物的吸收系数，下同)；(2)λ1和λ2处水体总后向散射可以认为近似相等，即bb(λ1)≈bb(λ2)(bb表示水体的总后向散射系数，下同)；(3)λ2处水体总吸收由纯水导致，即aw(λ2)>>anap(λ2)+aCDOM(λ2)+bb(λ2).已有的波段组合形式包括Rrs(700)/Rrs(670)，Rrs(719)/Rrs(667)以及Rrs(706)/Rrs(682)等.比值模型的波段选择范围较窄，通过光学特性分析后可以通过波段迭代的方式寻找最优的波段组合形式.
基线法(Rrs(λ2)-Rrs(λ1)+[Rrs(λ1)-Rrs(λ3)](λ2-λ1)/(λ3-λ1))原理是将λ1和λ3的遥感反射率的连线作为基线，再建立λ2处遥感反射率与该基线的距离和Chl.a浓度的关系，从而实现Chl.a浓度估算的目的[12]. FLH(Fluorescence Line Height)算法选定的峰值波长为681 nm，基线为665和709 nm，该算法在Ⅱ类水体中得到了广泛的应用.
三波段模型([Rrs(λ1)-1-Rrs(λ2)-1]Rrs(λ3))的建立基于3个假设[18]：(1)λ1位于Chl.a吸收峰附近且λ1和λ2处的非色素颗粒物和CDOM吸收系数近似相等，即aph(λ1)>>aph(λ2), anap(λ1)>>anap(λ2)和aCDOM(λ1)>>aCDOM(λ2)；(2)λ3处纯水吸收占主导，水体组分的吸收可以忽略不计，即aw(λ3)>>anap(λ3)+aCDOM(λ3)+bb(λ3)；(3)3个波段处的总后向散射系数近似相等，即bb(λ1)≈bb(λ2)≈bb(λ3).三波段模型中常用的波段组合形式为[Rrs(690)-1-Rrs(693)-1]Rrs(800)，[Rrs(666)-1-Rrs(688)-1]Rrs(725)以及[Rrs(671)-1-Rrs(710)-1]Rrs(740)等.三波段具体位置的确定还需要具体分析特定水域中的光学特性并选择满足上述3个假设的波段位置.
采用3个指标评价模型效果，包括决定系数R2、平均绝对误差百分比(mean absolute percentage error，MAPE)以及均方根误差(root mean square error，RMSE)，分别见公式(1)和(2).
| $ MAPE = \frac{1}{n}\sum\limits_{i = 1}^n {\left| {\frac{{{y_i}-y{'_i}}}{{{y_i}}}} \right| \times 100\% } $ | (1) |
| $ RMSE = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{\left( {{y_i}-y{'_i}} \right)}^2}} } $ | (2) |
式中，n为样本数量，yi和y′ i分别为Chl.a浓度的实测值和估算值.
2 叶绿素a浓度估算模型的建立和验证 2.1 洱海水体光学特性分析水体的吸收特征受到纯水、色素颗粒物、非色素颗粒物以及CDOM吸收的共同影响. aph在440 nm附近由于Chl.a的吸收作用出现极大值，在450~550 nm处大致随着波长的增大而降低，在550 nm处由于叶绿素和胡萝卜素的弱吸收出现极小值，之后逐渐增大，在675 nm处由于Chl.a的强吸收出现了明显的峰值，700 nm以后又逐渐变小，在近红外波段近似为0. anap随着波长的增大而遵循指数衰减的规律，在750 nm以后非色素颗粒物的吸收可以近似忽略. aCDOM与anap曲线都呈现衰减的趋势，其在350~400 nm处衰减较缓，而在600 nm之后趋向于0，CDOM吸收光谱曲线的斜率要远大于非色素颗粒物，这也导致了aCDOM在短波范围内(350~400 nm)迅速减弱(图 2a).
|
图 2 洱海水体中各物质组成吸收系数均值光谱(a)和各组分占总吸收的比例(b) Fig.2 Mean spectrum of absorption coefficient of each composition in Lake Erhai (a) and percentage of absorption of each composition in total absorption (b) |
与富营养化的太湖相比[42]，洱海aph在440 nm极大值处约为0.29±0.04 m-1，小于太湖春季的0.62±0.25 m-1、夏季的5.49±3.50 m-1以及秋季的2.03±1.14 m-1；anap在440 nm处约为0.72±0.08 m-1，小于太湖春季的2.24±0.59 m-1、夏季的2.00±0.89 m-1以及秋季的3.50±0.75 m-1；洱海aCDOM在355 nm处为1.48±0.09 m-1, 大于太湖春季的0.37±0.07 m-1、冬季的1.13±0.50 m-1，但小于太湖夏季的3.59±0.63 m-1.洱海水体的吸收贡献中，在350~400 nm处以CDOM和非色素颗粒物吸收贡献占主导，在400~575 nm处以非色素颗粒物吸收占主导，而575 nm以后以纯水的吸收占主导(图 2b)，而富营养化的滇池以色素颗粒物吸收为主[43].处于富营养化初级阶段的洱海，其光学特性与重度富营养化的湖泊(太湖、滇池等)存在明显差异，因此迫切需要重新构建一个适用于洱海Chl.a浓度的估算模型.
2.2 模型构建与验证通过2.1节分析以选择OLCI传感器中满足模型假设的波段，如图 2b所示，洱海水体中色素颗粒物吸收在660 nm左右(Oa8)占主导，满足比值模型假设(1)；在700 nm左右(Oa11)处色素颗粒吸收远小于660 nm处，此处纯水吸收逐渐占主导地位，分别满足比值模型假设(1)与三波段模型假设(2)；纯水的吸收在750 nm(Oa12)左右达到极大值，满足三波段假设(3).至此，参考已有研究中的波段选择与光学特性分析的结果，对于3种Chl.a浓度估算模型的波段选择见表 4.
|
|
表 4 波段比值、三波段和FLH模型的波段选择以及建模效果的比较 Tab.4 Band selection and comparison of Band-Ratio, Three-Bands and FLH model |
在所有实测样点中选择与卫星过境时间±6 h的样点作为星地同步点用于建模，共20个样点(其中随机选择14个用于建模, 剩余6个用于模型验证).令x表示不同模型选择的波段计算因子，y表示Chl.a浓度，通过一元线性回归可得3种Chl.a浓度估算模型的模型公式以及模型决定系数(表 4).
3种模型的验证结果见图 3，三波段模型MAPE为12.37 %，要低于波段比值模型的16.04 %和FLH模型的13.50 %；三波段模型的RMSE为1.61 μg/L，要低于波段比值模型的2.01 μg/L和FLH模型的1.92 μg/L. 3种模型在实测Chl.a浓度低于10.00 μg/L时都存在明显的高估趋势，而当浓度高于13.00 μg/L时则有低估的趋势.其中波段比值的低估趋势最严重，该模型估算值浓度没有呈现明显的差异，说明波段比值的结果对Chl.a浓度的敏感性不强. FLH模型虽然MAPE和RMSE都要低于波段比值模型，但是其决定系数0.496要显著低于波段比值的0.612和三波段的0.661，这说明FLH模型中的因子变量无法解释Chl.a浓度的变化，其拟合效果较差.因此，本文选用Oa8、Oa11和Oa12构建的三波段模型是较适用于洱海水域的Chl.a浓度估算模型，该模型精度在可以接受的范围内.
|
图 3 3种模型验证结果(n=6) Fig.3 Validation results of three models (n=6) |
将所建立的Chl.a浓度三波段估算模型应用于洱海OLCI数据上，计算得到洱海水体Chl.a浓度空间分布(图 4). 2017年4月19日全湖水体Chl.a浓度平均为12.15±5.72 μg/L.估算结果在空间上呈现出一定差异，因此将洱海在空间上分为3个部分(洱海北部A、洱海中部B和洱海南部C)分别进行讨论.
|
图 4 洱海水体叶绿素a浓度的空间分布(2017年4月19日) Fig.4 Spatial distribution of chlorophyll-a concentration in Lake Erhai (April 19, 2017) |
A区域为整个湖区中水体Chl.a浓度最高的区域，浓度为12.00~22.76 μg/L. A区域北部共有4条入湖河流，分别是弥苴河、罗时江、永安江和西闸河，河流径流面积共计1279.8 km2，河流长度共116.9 km，占总洱海入湖水量的64.5 %. 4条河流流经牛街乡、三营镇、茈碧湖镇、凤羽镇、右所镇、邓川镇和上关镇等地区，大量的人为污染物排入河流是造成该区域水体Chl.a浓度较高的原因，而沙坪湾(a)、海潮河湾(b)以及红山湾(c)也是洱海藻华发生频率较高的区域[34].
B区域为整个湖区水体Chl.a浓度较低的区域，浓度为9.00~12.00 μg/L，在B区域的东部沿湖水域整体Chl.a浓度偏低.洱海西部为苍山十八溪的入湖口，水体Chl.a浓度要略高于东部水域.西部地区主要地物类型为农业用地，农业废水中的营养物质会促进藻类生长，进而提高水体Chl.a浓度[35-36].
C区域水体的Chl.a浓度跨度较大，此处出现整个区域的最低值8.33 μg/L，位于洱海C区南部，而在B区域北部水域中心浓度偏高，为12.00~14.00 μg/L，这与Han等[44]和摆晓虎等[45]的研究结果相似.而阳南溪(d)和波罗江(e)入湖口水域的Chl.a浓度显著低于C区平均浓度，这可能是降雨导致的“羽流现象”所造成的[46].大理站降雨观测资料表明，4月17日至18日大理区域存在连续降雨现象，日降雨量分别达35和13 mm，连续的降雨导致清洁的径流入湖，稀释了湖中原有的Chl.a.而查看3月的历史影像(图 5)，发现2017年3月22日在阳溪(f)和茫涌溪(g)也发生了明显的“羽流现象”，降雨数据中3月19日和3月21日也都发生过降雨，日累计降雨量分别为6和16 mm.与太湖“羽流现象”[47]相反，洱海一些入湖径流(如阳南溪、阳溪、茫涌溪以及波罗江)造成了稀释Chl.a浓度的效果，这些效果与洱海流域的水土状态、地形分布、地物类型、风场等的关系还需要进一步分析.
|
图 5 OLCI影像(R17 G5 B2)标准假彩色显示(2017年3月22日) Fig.5 OLCI image (R17 G5 B2) standard false color display (March 22, 2017) |
大气的噪声会削弱卫星影像地面信号的反差进而降低卫星信号值与反演参数的相关性，因此大气校正后的卫星信号值若与水质参数存在良好的相关性能则表明该大气处理方法对于该水域具有很好的适用性[48-49].目前国内外还没有针对OLCI提出特定的大气校正方法，本研究以OLCI影像的校正结果与Chl.a浓度的Pearson相关系数来评价不同大气校正对于洱海水域的适用性(图 6a).讨论中使用的大气校正方法包括6S模型、FLAASH模型、QUAC模型以及本研究中基于去瑞利散射的暗像元法，其中6S模型和FLAASH模型分别使用Urban、Continental、Stratospheric和Urban、Rural、Tropospheric气溶胶模型.
|
图 6 不同大气校正结果后Rrs与Chl.a浓度的Pearson系数曲线，Oa13为OLCI的氧气吸收波段(a)和不同大气校正结果运用到三波段模型的估算浓度比较(b) Fig.6 Performance curves of Rrs and Chl.a concentrations after different atmospheric correction results while the Oa13 is the oxygen absorption band of OLCI (a) and the comparison between different results of atmospheric correction applied to the Three-Band Model (b) |
分别提取不同大气校正影像中同步点位的遥感反射率与Chl.a浓度进行相关性分析，其中基于去瑞利散射的暗像元法适用性最好，在Oa11相关系数达到最大，为0.5478，而FLAASH模型和QUAC模型较差，6S模型则表现出最差的相关性，整个波段范围相关性系数在0值左右变动.在实际操作中，6S需要输入较多的几何、大气参数以及大气和气溶胶模式等，这些主观的预估值是6S大气校正失效的重要原因[41]. 6S和FLAASH模型中不同气溶胶模式的校正结果差异不明显，两个模型中的Urban气溶胶模式要略优于其他模式.分别选用暗像元法、6S-Urban、QUAC以及FLAASH-Urban的校正结果运用三波段模型进行Chl.a浓度估算(图 6b)，其中暗像元法的MAPE和RMSE分别为12.37 %和1.61 μg/L，要小于6S-Urban模型的49.85 %和6.01 μg/L、QUAC模型的32.25 %和4.66 μg/L以及FLASH模型的37.02 %和4.75 μg/L.因此，基于去瑞利散射的暗像元法具有更好的适用性，而其余3种大气校正方法可能不适用于较为清洁的洱海.
OLCI影像更精确的大气校正方法还需要严格的地面实测光谱数据进行支撑，欧空局也将后续发布更高级的数据产品，并提供Level-2级产品中大气校正的方案，届时可以更详细地分析OLCI大气校正的算法.相关性比较结果表明，本研究基于去瑞利散射的暗像元法对于洱海水体Chl.a浓度估算模型是具备适用性的.
3.2 邻近效应对估算结果的影响影像中近岸水体像元灰度值常常会受附近地表反射的影响而高于正常水体反射率，这种现象称之为邻近效应，它在低空间分辨率影像中更为显著[50].由于近红外光谱区域中陆地反射率要明显高于水体反射率，邻近效应在近红外光谱区域中更为显著，这种效应对于洱海类型的清洁水体是十分重要的.为了考虑到邻近效应对于模型因子的输入，分别在OLCI的665、681.25、708.75和753.75 nm波段影像中随机选取一条横断线(图 7a)，按公式(3)计算相对偏差，即当前像元与下一像元之间的相对差异.理论上，像元值的改变反映着地物类型的变化，在水陆边界处相对偏差将达到峰值，而水体和陆地内的像元相对偏差都应处于相对稳定的状态，若水体像元中存在较大的相对偏差值则表明水体像元受到了陆地邻近效应的影响.
|
图 7 横断线位置(康廊村沿洱海区域)(a)和OLCI影像中近岸水体像元值的相对偏差变化(0表示水陆边界)(b) Fig.7 Cross-section position (areas along Lake Erhai besides Kanlang Village) (a) and variation of the relative deviation of the pixel values of the nearshore water in the OLCI image (0 for the aquatic boundary) (b) |
| $ 相对误差 = \frac{{D{N_{{\rm{current}}}}-D{N_{{\rm{next}}}}}}{{D{N_{{\rm{current}}}}}} $ | (3) |
式中，DNcurrent表示当前像元的灰度值，DNnext表示当前像元在横断面往湖心方向的下一个像元灰度值.
从图 7b可以看出，当像元与岸边距离为1时，4个波段像元的相对偏差达到0.65~0.87，受陆地邻近效应影响较为严重；当像元距离为2时，近红外波段Oa12(753.75 nm)的相对偏差仍较高(0.45)，而其余3个波段的相对偏差降低到0值附近；当像元距离≥3时，各波段相对偏差在-0.2~0.1范围内，此时受陆地邻近效应的影响较前两种情况小，随着距离的增加，出现的相对偏差绝大部分应来源于水体像元之间的差异.本文在湖区其他位置选择不同的横断线进行同样的相对偏差分析，像元距离与相对偏差的响应关系同图 7a表现基本一致.由此表明，OLCI洱海影像中对于近红外波段Oa12，受陆地邻近效应影响的距离为1~2个像元；对于Oa8(665 nm)、Oa10(681.25 nm)和Oa11(708.75 nm)，受陆地邻近效应影响的距离为1个像元.
与其他区域邻近效应影响的研究[51](研究区域：鄱阳湖；MODIS-859 nm像元距离为0时，相对偏差为0.21；像元距离为1时，相对偏差为0.05)相比，洱海水体在陆地边界处相对偏差达到0.9，在像元距离为1时仍然保持0.6以上，相对偏差远远高于其他水体的边缘处.其主要原因是洱海水体较为清澈，进入传感器的信号较弱(Chl.a浓度均值12.19 μg/L，TSM浓度均值4.168 mg/L，SSD均值1.67 m；鄱阳湖北部河道TSM均值51.2 mg/L)，陆地的信号经多次反射影响近岸水体的像元，而OLCI空间分辨率300 m所造成的混合像元效应更会加重陆地的邻近效应，这对于洱海岸边水体像元的精确大气校正造成很大的困难，间接影响估算的结果，故本研究对离岸2个像元距离的水体像元进行掩膜处理，同时也可以有效避免近岸水体水底反射的干扰.
4 结论本文基于野外实测数据与OLCI数据验证了3种可应用于OLCI数据的Chl.a浓度估算模型(包括波段比值模型、三波段模型以及FLH模型)在洱海地区的适用性，并估算了洱海的Chl.a浓度分布，得出以下结论：
1) 基于OLCI-Oa8、Oa11和Oa12构建的三波段模型(模型公式：y=174.3196x+40.6407，x=[1/Rrs(Oa8)-1/Rrs(Oa11)]Rrs(Oa12))是最适用于洱海地区的Chl.a浓度估算模型，其平均相对误差为12.37 %，低于波段比值模型的16.04 %和FLH模型的13.50 %；其均方根误差为1.61 μg/L，要低于波段比值模型的2.01 μg/L和FLH模型的1.92 μg/L.
2) 本文提出基于去瑞利散射校正的暗像元法作为OLCI大气校正的尝试，对于洱海Chl.a浓度估算有着较强的适用性，大气校正结果对于模型的适用性要好于6S模型、FLAASH模型以及QUAC模型.
3) OLCI影像中，较为清洁的洱海岸边水体像元容易受到陆地邻近效应的影响，近红外波段Oa12(753.75 nm)受影响的距离为1~2个像元，而Oa8(665 nm)、Oa10(681.25 nm)、Oa11(708.75 nm)受影响的距离为1个像元，本研究对离岸两个像元距离的水体像元进行了掩膜处理，同时可以避免近岸水体水底反射的干扰.
4) 2017年4月19日，洱海全湖Chl.a浓度均值为12.15±5.72 μg/L，洱海中部水域Chl.a浓度最低(9.00~12.00 μg/L)，北部水域浓度最高(12.00~22.76 μg/L)，南部水域浓度稍高(12.00~14.00 μg/L).受前一天降雨影响，在阳南溪与波罗江入湖口处存在明显的“羽流现象”，导致了较低的Chl.a浓度，约为8.33 μg/L.
致谢: 感谢大理州环境保护局的支持，及洱海实验中所有工作人员中在数据获取过程中所作的贡献，感谢郑著彬和杜成功博士在论文写作及修改中给予的帮助和指导.| [1] |
Li ZK, Yang PP, Su SF. Eutrophication trend of Erhai Lake from 2004 to 2013. Environmental Science Survey, 2015, 34(1): 1-3. [李泽坤, 杨萍萍, 苏社飞. 2004-2013年洱海富营养化变化趋势. 环境科学导刊, 2015, 34(1): 1-3.] |
| [2] |
Li JJ. Research and countermeasures for Erhai Lake eutrophication. J Lake Sci, 2001, 13(2): 187-192. [李杰君. 洱海富营养化探析及防治建议. 湖泊科学, 2001, 13(2): 187-192. DOI:10.18307/20010214] |
| [3] |
Yang SH, Song TQ. Problems of pollution derived from agriculture in Erhai Lake district and countermeasures. Research of Agricultural Modernization, 2006, 27(6): 428-431. [杨曙辉, 宋天庆. 洱海湖滨区的农业面源污染问题及对策. 农业现代化研究, 2006, 27(6): 428-431.] |
| [4] |
Feng C, Jin Q, Wang YN et al. Remote sensing estimation of chlorophyll-a concentration in inland lakes based on GOCI image and optical classification of water body. Environmental Science, 2015, 36(5): 1557-1564. [冯驰, 金琦, 王艳楠等. 基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算. 环境科学, 2015, 36(5): 1557-1564.] |
| [5] |
Gordon HR, Morel AY eds. Remote assessment of ocean color for interpretation of satellite visible imagery: A review. Springer Science & Business Media, 2012.
|
| [6] |
O'Reilly JE, Maritorena S, Mitchell BG et al. Ocean color chlorophyll algorithms for SeaWiFS. Journal of Geophysical Research:Oceans, 1998, 103(C11): 24937-24953. DOI:10.1029/98JC02160 |
| [7] |
Carder KL, Chen FR, Lee ZP et al. Semianalytic moderate-resolution imaging spectrometer algorithms for chlorophyll a and absorption with bio-optical domains based on nitrate-depletion temperatures. Journal of Geophysical Research:Oceans, 1999, 104(C3): 5403-5421. DOI:10.1029/1998JC900082 |
| [8] |
Gilerson AA, Gitelson AA, Zhou J et al. Algorithms for remote estimation of chlorophyll-a in coastal and inland waters using red and near infrared bands. Optics Express, 2010, 18(23): 24109-24125. DOI:10.1364/OE.18.024109 |
| [9] |
Gurlin D, Gitelson AA, Moses WJ. Remote estimation of chl-a concentration in turbid productive waters-Return to a simple two-band NIR-red model?. Remote Sensing of Environment, 2011, 115(12): 3479-3490. DOI:10.1016/j.rse.2011.08.011 |
| [10] |
Yacobi YZ, Moses WJ, Kaganovsky S et al. NIR-red reflectance-based algorithms for chlorophyll-a estimation in mesotrophic inland and coastal waters:Lake Kinneret case study. Water Research, 2011, 45(7): 2428-2436. DOI:10.1016/j.watres.2011.02.002 |
| [11] |
Huang CC, Shi K, Yang H et al. Satellite observation of hourly dynamic characteristics of algae with Geostationary Ocean Color Imager (GOCI) data in Lake Taihu. Remote Sensing of Environment, 2015, 159: 278-287. DOI:10.1016/j.rse.2014.12.016 |
| [12] |
Neville RA, Gower JFR. Passive remote sensing of phytoplankton via chlorophyll α fluorescence. Journal of Geophysical Research, 1977, 82(24): 3487-3493. DOI:10.1029/JC082i024p03487 |
| [13] |
Philpot WD. The derivative ratio algorithm:avoiding atmospheric effects in remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 1991, 29(3): 350-357. DOI:10.1109/36.79425 |
| [14] |
Tao BY, Mao ZH, Wang DF et al. The use of MERIS fluorescence bands for red tides monitoring in the East China Sea. Proc of SPIE, 2011, 8175: 81751K-1. DOI:10.1117/12.898056 |
| [15] |
Shen F, Zhou YX, Li DJ et al. Medium resolution imaging spectrometer (MERIS) estimation of chlorophyll-a concentration in the turbid sediment-laden waters of the Changjiang(Yangtze) Estuary. International Journal of Remote Sensing, 2010, 31(17/18): 4635-4650. |
| [16] |
Zhang FF, Zhang B, Li JS et al. Validation of a synthetic chlorophyll index for remote estimates of chlorophyll-a in a turbid hypereutrophic lake. International Journal of Remote Sensing, 2014, 35(1): 289-305. DOI:10.1080/01431161.2013.870679 |
| [17] |
Matthews MW, Bernard S, Robertson L. An algorithm for detecting trophic status (chlorophyll-a), cyanobacterial-dominance, surface scums and floating vegetation in inland and coastal waters. Remote Sensing of Environment, 2012, 124(124): 637-652. |
| [18] |
Dall'Olmo G, Gitelson AA. Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters:experimental results. Applied Optics, 2005, 44(3): 412-422. DOI:10.1364/AO.44.000412 |
| [19] |
Gitelson AA, Dall'Olmo G, Moses W et al. A simple semi-analytical model for remote estimation of chlorophyll-a in turbid waters:Validation. Remote Sensing of Environment, 2008, 112(9): 3582-3593. DOI:10.1016/j.rse.2008.04.015 |
| [20] |
Xu JP, Zhang B, Song KS et al. Estimation of chlorophyll-a concentration in Lake Xinmiao base on a semi-analytical model. Journal of Infrared and Millimeter Waves, 2008, 27(3): 197-201. [徐京萍, 张柏, 宋开山等. 基于半分析模型的新庙泡叶绿素a浓度反演研究. 红外与毫米波学报, 2008, 27(3): 197-201.] |
| [21] |
Zhou GH, Liu QH, Ma RH et al. Inversion of chlorophyll-a concentration in turbid water of Lake Taihu based on optimized multi-spectral combination. J Lake Sci, 2008, 20(2): 153-159. [周冠华, 柳钦火, 马荣华等. 基于半分析模型的波段最优化组合反演混浊太湖水体叶绿素a. 湖泊科学, 2008, 20(2): 153-159. DOI:10.18307/2008.0203] |
| [22] |
Le CF, Li YM, Zha Y et al. A four-band semi-analytical model for estimating chlorophyll a in highly turbid lakes:The case of Taihu Lake, China. Remote Sensing of Environment, 2009, 113(6): 1175-1182. DOI:10.1016/j.rse.2009.02.005 |
| [23] |
Yang W, Matsushita B, Chen J et al. An enhanced three-band index for estimating chlorophyll-a in turbid case-ii waters:Case studies of Lake Kasumigaura, Japan, and Lake Dianchi, China. Geoscience & Remote Sensing Letters IEEE, 2010, 7(4): 655-659. |
| [24] |
Liu G, Li YM, Lv H et al. Remote sensing of chlorophyll-a concentrations in Lake Hongze using long time series MERIS observations. Environmental Science, 2017, 9: 1-20. [刘阁, 李云梅, 吕恒等. 基于MERIS影像的洪泽湖叶绿素a浓度时空变化规律分析. 环境科学, 2017, 9: 1-20.] |
| [25] |
Lee Z, Carder KL, Arnone RA. Deriving inherent optical properties from water color:a multiband quasi-analytical algorithm for optically deep waters. Applied Optics, 2002, 41(27): 5755-5772. DOI:10.1364/AO.41.005755 |
| [26] |
Lee Z, Lubac B, Werdell J et al. An update of the quasi-analytical algorithm (QAA_v5), 2009.
|
| [27] |
Rodríguez YC, El Anjoumi A, Gómez JAD et al. Using Landsat image time series to study a small water body in Northern Spain. Environmental monitoring and assessment, 2014, 186(6): 3511-3522. |
| [28] |
Singh K, Ghosh M, Sharma SR et al. Blue-Red-NIR Model for chlorophyll-a retrieval in hypersaline-alkaline water using Landsat ETM+ sensor. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3553-3559. DOI:10.1109/JSTARS.2014.2340856 |
| [29] |
Sakuno Y, Hatakeyama K, Miyamoto Y et al. Relationship between spectral reflectance and chlorophyll-a concentration in the eutrophic Lake Togo-ike//SPIE Remote Sensing. International Society for Optics and Photonics, 2014: 92400H-92400H-7.
|
| [30] |
Liu ZH. Remote Sensing inversion of chlorophyll a in typical polluted rivers of Taihu based on high spatial resolution data[Dissertation]. Nanjing: Nanjing Normal University, 2012. [刘忠华. 基于高分数据的太湖重点污染入湖河流叶绿素a浓度遥感反演[学位论文]. 南京: 南京师范大学, 2012. http://cdmd.cnki.com.cn/Article/CDMD-10319-1013105673.htm ]
|
| [31] |
Xu YF, Li YM, Wang Q et al. Eutrophication evaluation of three lakes and one reservoir using CCD images from the HJ-1 satellite. Acta Scientiae Circumstantiase, 2011, 31(1): 81-93. [徐祎凡, 李云梅, 王桥等. 基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价. 环境科学学报, 2011, 31(1): 81-93.] |
| [32] |
Yang Y, Li YM, Wang Q et al. Retrieval of chlorophyll-a concentration by Three-band model in Lake Chaohu. J Lake Sci, 2010, 22(4): 495-503. [杨煜, 李云梅, 王桥等. 基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演. 湖泊科学, 2010, 22(4): 495-503. DOI:10.18307/2010.0404] |
| [33] |
Jiao HB, Zha Y, Li YM et al. Modelling chlorophyll-a concentration in Taihu Lake from hyperspectral reflectance data. Journal of Remote Sensing, 2006, 10(2): 242-248. [焦红波, 查勇, 李云梅等. 基于高光谱遥感反射比的太湖水体叶绿素a含量估算模型. 遥感学报, 2006, 10(2): 242-248.] |
| [34] |
Lv XJ, Zhu J, Meng L. Pilot study on diversity of cyanobacteria bloom in Erhai Lake. Environmental Science Survey, 2010, 29(3): 32-35. [吕兴菊, 朱江, 孟良. 洱海水华蓝藻多样性初步研究. 环境科学导刊, 2010, 29(3): 32-35.] |
| [35] |
Han T, Han WQ, Li HE et al. Evolution of eutrophication in the Erhai Lake and its relevant research progress. Journal of China Institute of Water Resources and Hydropower Research, 2005, 3(1): 73-75, 80. [韩涛, 彭文启, 李怀恩等. 洱海水体富营养化的演变及其研究进展. 中国水利水电科学研究院学报, 2005, 3(1): 73-75, 80.] |
| [36] |
Yang JY. Functional zoning of water resources in Zhu Jiang water system. Yunnan Environmental Science, 2004, S1(104): 105, 126. [杨建云. 洱海湖区非点源污染与洱海水质恶化. 云南环境科学, 2004, S1(S1): 104-105, 126.] |
| [37] |
Chen YW, Chen KN, Hu YH. Discussion on possible error for phytoplankton chlorophyll-a concentration analysis using hot-ethanol extraction method. J Lake Sci, 2006, 18(5): 550-552. [陈宇炜, 陈开宁, 胡耀辉. 浮游植物叶绿素a测定的"热乙醇法"及其测定误差的探讨. 湖泊科学, 2006, 18(5): 550-552. DOI:10.18307/2006.0519] |
| [38] |
Sun DY, Li YM, Huang JZ et al. Spectral absorption characteristics and slope coefficients analysis of in water constituents in Meiliang Bay of Lake Taihu in the summer season. Acta Ecological Sinica, 2008, 28(2): 749-760. [孙德勇, 李云梅, 黄家柱等. 太湖梅梁湾夏季水体组分光谱吸收特性. 生态学报, 2008, 28(2): 749-760.] |
| [39] |
Gordon HR, Wang M. Retrieval of water-leaving radiance and aerosol optical thickness over the oceans with SeaWiFS:a preliminary algorithm. Applied optics, 1994, 33(3): 443-452. DOI:10.1364/AO.33.000443 |
| [40] |
Zhu JJ, Chen J, Wang SQ et al. Spatial-temporal variation of chlorophyll-a concentration in Lake Dianchi from 2003 to 2009 and trend analysis based on MERIS data. J Lake Sci, 2011, 23(4): 581-590. [朱晶晶, 陈晋, 王胜强等. 基于MERIS数据的滇池叶绿素浓度时空变化(2003-2009年)及趋势. 湖泊科学, 2011, 23(4): 581-590. DOI:10.18307/2011.0414] |
| [41] |
Li GN, Wang L, Wang X et al. Geostationary ocean color imager and application progress. Marine Environmental Science, 2014, 33(6): 966-971. [李冠男, 王林, 王祥等. 静止水色卫星GOCI及其应用进展. 海洋环境科学, 2014, 33(6): 966-971.] |
| [42] |
Le CF, Li YM, Zha Y et al. Seasonal variation of in water constituents' absorption properties in Meiliang Bay of Taihu Lake. Environmental Science, 2008, 29(9): 2448-2455. [乐成峰, 李云梅, 查勇等. 太湖梅梁湾水体组分吸收特性季节差异分析. 环境科学, 2008, 29(9): 2448-2455.] |
| [43] |
Zhang H, Huang JZ, Li YM et al. Spectral absorption coefficients of optically active substances in Lake Dianchi. Environmental Science, 2011, 32(2): 452-463. [张红, 黄家柱, 李云梅等. 滇池水体光学物质的吸收特性研究. 环境科学, 2011, 32(2): 452-463.] |
| [44] |
Han XX, Feng L, Chen XL et al. MERIS observations of chlorophyll-a dynamics in Lake Erhai between 2003 and 2009. International Journal of Remote Sensing, 2014, 35(24): 8309-8322. DOI:10.1080/01431161.2014.985395 |
| [45] |
Bai XH, Cao T, Ni LY et al. Seasonal variation of water column optical parameters in Lake Erhai, China. Journal of Hydroecology, 2016, 37(2): 10-16. [摆晓虎, 曹特, 倪乐意等. 洱海水体光学特性的季节变化及其影响因素分析. 水生态学杂志, 2016, 37(2): 10-16.] |
| [46] |
Murphy RJ, Tolhurst TJ, Chapman MG et al. Spatial variation of chlorophyll on estuarine mudflats determined by field-based remote sensing. Marine Ecology Progress Series, 2008, 365: 45-55. DOI:10.3354/meps07456 |
| [47] |
Zhang YL, Shi K, Zhou YQ et al. Monitoring the river plume induced by heavy rainfall events in large, shallow, Lake Taihu using MODIS 250 m imagery. Remote Sensing of Environment, 2016, 173: 109-121. DOI:10.1016/j.rse.2015.11.020 |
| [48] |
Shi K, Zhang YL, Liu XH et al. Remote sensing of diffuse attenuation coefficient of photosynthetically active radiation in Lake Taihu using MERIS data. Remote Sensing of Environment, 2014, 140: 365-377. DOI:10.1016/j.rse.2013.09.013 |
| [49] |
Cao ZG, Duan HT, Cui HS et al. Remote estimation of suspended matters concentrations using VIIRS in Lake Hongze, China. J Infrared Millim Waves, 2016, 35(4): 462-469. [曹志刚, 段洪涛, 崔海山等. 基于VIIRS数据洪泽湖悬浮物浓度估算算法研究. 红外与毫米波学报, 2016, 35(4): 462-469. DOI:10.11972/j.issn.1001-9014.2016.04.014] |
| [50] |
Santer R, Schmechtig C. Adjacency effects on water surfaces:primary scattering approximation and sensitivity study. Applied Optics, 2000, 39(3): 361-375. DOI:10.1364/AO.39.000361 |
| [51] |
Feng L, Hu CM, Chen XL et al. Human induced turbidity changes in Poyang Lake between 2000 and 2010:Observations from MODIS. Journal of Geophysical Research:Oceans, 2012, 117(C7). DOI:10.1029/2011JC007864 |