湖泊科学   2023, Vol. 35 Issue (4): 1491-1500.  DOI: 10.18307/2023.0444
0

研究论文——流域水文与水资源安全

引用本文 [复制中英文]

石晓光, 杨倩, 周超, 纪文政, 陶锋, 李维邦, 赵瑞雪, 林楠, 查干湖冰封期光谱特征及影响因素. 湖泊科学, 2023, 35(4): 1491-1500. DOI: 10.18307/2023.0444
[复制中文]
Shi Xiaoguang, Yang Qian, Zhou Chao, Ji Wenzheng, Tao Feng, Li Weibang, Zhao Ruixue, Lin Nan. Spectral characteristics and influencing factors of lake ice in Lake Chagan during frozen season. Journal of Lake Sciences, 2023, 35(4): 1491-1500. DOI: 10.18307/2023.0444
[复制英文]

基金项目

吉林省教育厅科学研究规划项目(JJKH20210290KJ)、吉林省科技发展计划项目(20210203016SF)和长春市朝阳区科技项目(朝科技合(2021)01号)联合资助

通信作者

杨倩, E-mail: yangqian@iga.ac.cn

文章历史

2022-10-17 收稿
2022-12-11 收修改稿

码上扫一扫

查干湖冰封期光谱特征及影响因素
石晓光1,2 , 杨倩2 , 周超3 , 纪文政4,5 , 陶锋1,2 , 李维邦1 , 赵瑞雪1,2 , 林楠1     
(1: 吉林建筑大学测绘与勘查工程学院, 长春 130118)
(2: 中国科学院东北地理与农业生态研究所, 长春 130102)
(3: 国家海洋环境监测中心, 大连 116023)
(4: 中国科学院西北生态环境资源研究所, 兰州 730000)
(5: 中国科学院大学, 北京 100049)
摘要:湖冰光谱特征是湖冰遥感反演的物理基础, 是研究湖冰光学特性和空间分布的理论依据。本文以查干湖为例, 使用ASD Field Spec 4便携式地物光谱仪采集冰封期不同类型湖冰、积雪和水体光谱, 利用Savitzky-Golay滤波法和包络线去除法分析白冰、灰冰、黑冰、雪冰、积雪和水体的反射光谱特征, 探索气泡对湖冰反射光谱特征的影响。积雪和雪冰、白冰和灰冰、黑冰和水体的反射特征随着波长的变化特征基本一致, 冰的反射率介于积雪和水体之间, 其中白冰的反射率高于灰冰和黑冰, 在包络线去除结果中, 黑冰和水体在440 nm吸收谷处的吸收面积为5.184和10.878、吸收深度为0.052和0.106, 雪、雪冰、白冰、灰冰在800和1030 nm吸收谷处的吸收面积和吸收深度的变化表现为雪 < 雪冰 < 灰冰 < 白冰。气泡是影响湖冰光谱特征的重要因素, 气泡使白冰反射率减小和黑冰反射率增大, 并且气泡使得白冰在800/1030 nm和黑冰在440 nm处的吸收面积和吸收深度减小, 其中气泡大小和疏密程度的不同会导致湖冰反射率的影响程度存在差异。同时, 本文选取时间同步的Landsat 8 OLI遥感影像, 在完成辐射校正、大气校正和Fmask去云处理后, 根据实测光谱特性差异选取敏感波段和最佳遥感指数实现湖冰遥感分类。结果显示, 红波段和近红外波段是湖冰遥感分类的最佳波段, 结合光谱特征、波段运算和阈值法能有效区分积雪、湖冰和水体。
关键词湖冰    光谱    反射特征    气泡    查干湖    
Spectral characteristics and influencing factors of lake ice in Lake Chagan during frozen season
Shi Xiaoguang1,2 , Yang Qian2 , Zhou Chao3 , Ji Wenzheng4,5 , Tao Feng1,2 , Li Weibang1 , Zhao Ruixue1,2 , Lin Nan1     
(1: School of Geomatics and Prospecting Engineering, Jilin Jianzhu University, Changchun 130118, P. R. China)
(2: Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, P. R. China)
(3: National Marine Environment Monitoring Center, Dalian 116023, P. R. China)
(4: Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, P. R. China)
(5: University of Chinese Academy of Sciences, Beijing 100049, P. R. China)
Abstract: Lake ice spectral characteristics are the physical basis of remote sensing inversion of lake ice and the theoretical basis for studying the optical properties and spatial distribution of lake ice. In this paper, taking Lake Chagan as an example, we used ASD FieldSpec 4 portable feature spectrometer to collect spectra of different types of lake ice, snow and water bodies during frozen season, and used Savitzky-Golay filtering method and envelope removal method to analyze the reflection spectral characteristics of white ice, gray ice, black ice, snow ice, snow and water bodies, and to explore the influence of air bubbles on the reflection spectral characteristics of lake ice. The reflectance characteristics of snow and snow ice, white and gray ice, black ice, and water bodies were basically the same with wavelength. The reflectance of ice was between that of snow and water bodies, where the reflectance of white ice was higher than that of gray and black ice. In the envelope removal results, the absorption areas of black ice and water bodies at the absorption valley of 440 nm were 5.184 and 10.878, and the absorption depths were 0.052 and 0.106. For snow, snow ice, white ice, and gray ice at 800 nm and 1030 nm absorption valley, the variation of absorption area and absorption depth showed as snow < snow ice < gray ice < white ice. The bubbles reduced the reflectance of white ice and increased the reflectance of black ice, and the bubbles reduced the absorption area and absorption depth of white ice at 800/1030 nm, and black ice at 440 nm, where the differences in the size and density of bubbles led to the differences in the reflectance of lake ice. Moreover, the time-synchronized Landsat 8 OLI remote sensing images were selected, and the sensitive bands and the best remote sensing indices were selected according to the differences of the measured spectral properties to realize the remote sensing classification of lake ice after completing the radiometric correction, atmospheric correction, and Fmask de-clouding process. The results showed that the red band and near-infrared band were the best bands for remote sensing classification of lake ice, and the combination of spectral characteristics, band math, and threshold method could effectively distinguish snow, lake ice, and water bodies.
Keywords: Lake ice    spectra    reflectance characteristics    bubbles    Lake Chagan    

湖冰作为冰冻圈的重要组成部分,是气候变化的敏感指示器。卫星遥感技术能够快速、大范围地监测湖冰生消过程,为评估湖冰对不同空间尺度的气候变化响应提供有效数据源[1-2]。卫星传感器能够获取目标的辐射能量变化,其中地物反射特征反映地物反射能量和入射能量的关系,是遥感机理的重要组成部分。湖冰及其表面积雪的反射辐射特征是控制冰面能量平衡的主要因素,对湖冰反演分类、湖冰物候信息提取具有重要的研究价值[3]。因而,本文开展地面实验获取不同类型的湖冰反射光谱特征,旨在为湖冰遥感参数反演和图像分类提供理论依据和技术支持。

现有的冰面反射特征研究主要集中在海冰光学特性测试,国内相关研究主要在极地地区和渤海湾周边开展,内陆湖泊的湖冰表观光学特性研究尚未大范围开展,其光谱特征获取主要借助于便携式光谱仪开展的单点观测实验。Bolsenga和Greene利用扫描光谱辐射计测量美国五大湖地区的冰雪光谱反射率,冰雪反射率的获取受限于大气条件和湖冰类型,均受到观测时间和观测地点的影响[4]。曾群柱等在我国西北地区野外实测冰川冰、蜂窝状冰川冰和直生冰等9种类型冰、雪及浑浊水体的反射光谱特性,提出各类冰、雪及水体最佳遥感波段,湖冰的敏感波段范围为670~760 nm[5]。Zibordi等对比南森冰盖(南极洲)上典型冰川冰、湖冰和浅层积雪的反射光谱特征,证实了冰川冰和湖冰反射特征的相似性,发现湖冰的反射率在绿波段到蓝波段下降明显[6]。Lei等于2009年2—4月在芬兰和爱沙尼亚的7个湖泊开展冰封期光照条件和湖冰光学特性实地调查,发现当海冰和湖冰被积雪覆盖时,它们的反射特征没有明显的区别,裸露的海冰反射率略高于裸露的湖冰[7]。于淼等在乌梁素海观测气泡冰、表层有大量泥沙的冰、稀疏大气泡冰、致密小气泡冰和融化冰的双向反射因子及其变化因子,发现角度对湖冰反射特征的影响比较稳定,但反射特征随着波长的变化受到气泡和泥沙含量等物理性质的影响[8]

从以上研究可以发现,国内外更关注不同类型和融化状态的湖冰光谱特征的研究,主要受到观测高度、光照条件和观测时间的影响,缺乏对湖冰光谱特征的定量分析,尚未深入研究湖冰物理结构对湖冰反射特征的影响。查干湖是吉林省面积最大的天然湖泊,其冰雪旅游业发达、交通便利,平整冰分布广泛且冰层稳定、表面形态丰富,适合开展连续的地面光谱观测实验。本文基于ASD Field Spec 4便携式地物光谱仪获取冰封期查干湖不同类型的湖冰、水体和积雪的反射光谱,利用Savitzky-Golay卷积平滑和包络线去除确定吸收深度和吸收面积,定量分析湖冰光谱反射特征,分析气泡对湖冰反射光谱特征的影响,并利用红波段和近红外波段的光谱特征结合反射率阈值法实现查干湖湖冰遥感分类。

1 实验区与实验方案 1.1 实验区概况

查干湖(45°05′~45°30′N,124°03′~124°34′E)是吉林省境内最大的天然湖泊(图 1),总面积372 km2,蓄水量达3×108 m3,平均水深2.5 m,最大水深4.5 m。查干湖降水多集中在7—9月,多年平均降水量、蒸发量和气温分别为400 mm、1449 mm和4.5℃[9-10]。查干湖冰封期约为4~5个月,每年冬季11月结冰,至次年4月融化。本研究先后于2019年11月和2020年12月前往查干湖开展冰情调查和光谱测量,地表类型涵盖水体、积雪和湖冰,其中湖冰包括白冰、黑冰、灰冰、雪冰4种类型。当湖面形成稳定的冰盖后,根据冰面的颜色和厚度可识别白冰和灰冰,分别呈现白色和灰色。黑冰主要是指湖水表面新的薄冰层,冰体透明,受到下伏半透明水体的影响,呈现深色或者黑色。雪冰是由雪或冰冻结而形成的白色而多孔的冰。

图 1 研究区位置图 Fig.1 Location map of the study area
1.2 野外实测数据

本文采用ASD Field Spec 4便携式地物光谱仪进行光谱采集,波段范围为350~2500 nm,其中350~1050 nm的光谱分辨率是3 nm,采样间隔为l.4 nm;1050~2500 nm的光谱分辨率是10 nm,采样间隔为2 nm,本文主要分析350~1600 nm波长范围的光谱变化特征。选择晴天开展光谱测量,最佳测量时间为当地时间9:00—14:00,以避免光照几何条件改变产生的差异。光谱数据采集时,先进行暗电流校正,然后将光纤探头固定在手柄上,距离冰雪表面50 cm测量,探头的最大视场角度为25°,可辐射的最大面积为0.04 m2,每个点同步测量5次取平均值。

1.3 光谱数据预处理 1.3.1 Savitzky-Golay滤波

在野外测量中,由于光谱仪的灵敏性及外界环境会对采集的光谱曲线产生噪声干扰,故需对光谱曲线做平滑滤波处理以消除光谱曲线的噪声干扰[11]。Savitzky-Golay滤波法是一种通过局部多项式回归模型来平滑时序数据的时域低通滤波方法,最大优点在于滤波噪声的同时可以确保信号的形状和宽度不变[12]。因此本文采用Savitzky-Golay滤波法进行光谱曲线的平滑滤波处理,光谱在波长i处经平滑后的值为[13]

$ X_{i, \text { Savitzky-Golay }}=\frac{\sum\limits_{j=-m}^m c_j X_{i+j}}{N} $ (1)

式中,Xi, Savitzky-Golay为波长i处平滑后的值,Xi+j为平滑处理前的值,m为波长一侧平滑窗口数,N为归一化指数,$\sum\limits_{j=-m}^m $为平滑系数,可用多项式拟合求得。

1.3.2 包络线去除

包络线去除又称连续统去除,是一种能有效增强吸收特性的光谱分析方法,通过将反射光谱吸收强烈部分的波段特征进行归一化转换,突出光谱曲线的吸收、反射特征,从而实现光谱吸收特征分析和光谱特征波段选择[14-16]。本文利用ENVI软件实现包络线去除处理,首先计算原始光谱反射率和包络线反射率比值,即曲线包络线去除值CR;吸收面积(AREA)定义为吸收起点到吸收终点的面积之和,定义吸收深度(DEP)为1和CR的差值,吸收位置(WP)为CR最小值对应的波长,计算方法如公式(2)~(4)所示:

$ A R E A=\int_{\lambda_{\text {sant }}}^{\lambda_{\text {end }}} C R $ (2)
$ D E P=1-C R_{\min } $ (3)
$ W P=\lambda_{\left(C R_{\min }\right)} $ (4)

式中,CR是曲线包络线去除值,λstartλend是吸收起点和吸收终点对应的波长,CRmin是包络线去除后的曲线吸收谷内的最小值,λ(CRmin)是包络线去除后的曲线吸收谷内的最小值对应的波长[13, 17-19]

1.4 湖冰遥感分类方法 1.4.1 遥感数据及预处理

本文使用Landsat 8 OLI数据开展湖冰遥感分类研究。Landsat 8于2013年2月11日由美国航空航天局(NASA)和美国地质调查局(USGS)联合发射,携带陆地成像仪(Operational Land Imager, OLI)和热红外传感器(Thermal Infrared Sensor, TIRS)。Landsat 8共有11个波段(陆地成像仪包括9个波段、热红外传感器包括2波段),其中,波段1~7和波段9的空间分辨率为30 m,波段8的空间分辨率为15 m,波段10~11的空间分辨率为100 m;时间分辨率为16天。本文从USGS上获取与野外光谱采集时间同步的Landsat 8 OLI影像,下载的影像时间为2019年11月25日,影像的行列号为119和29。首先对Landsat 8影像进行辐射定标和大气校正,并使用掩膜函数(Function of mask, Fmask)4.0算法对影像进行云检测[20],获取云覆盖掩膜数据,对大气校正后的影像进行去云处理。

1.4.2 阈值法

纯净水体在近红外和中红外波段的反射率很低,几乎趋近于零[21]。理论上讲,没有任何杂质的冰反射率也很低,然而在自然界中的湖冰因湖泊环境会含有其他杂质以及产生大量的气泡,且冰表面凹凸不平、粗糙程度不同,这就导致湖冰在可见光和近红外波段的反射率比纯净冰高[22-23]。湖冰、积雪和水体光谱特性差异是遥感技术区分三者的理论基础。考虑到冰和水体在红波段和近红外波段反射率差异较大,本文使用阈值法来识别湖冰[21, 24],具体判定公式如下所示:

$ \begin{gathered} { Band } 1- { Band } 2>a \\ { Band } 1>b \end{gathered} $ (5)

式中,Band1和Band2分别为Landsat 8 OLI影像的红波段和近红外波段,ab分别为阈值。首先通过实测光谱确定ab大致阈值范围,然后等间距递增,结合密度分割结果和目视解译结果,确定最终阈值。

2 结果与分析 2.1 表面类型对湖冰光谱的影响

图 2为不同类型湖冰、雪和水体反射光谱曲线及其去包络线结果,表 1为对应吸收特征的统计结果。图 2显示的光谱使用查干湖多次地面观测获取的同一类型地物光谱平均值。在350~800 nm波长范围内,雪、雪冰、白冰、灰冰均在620和800 nm处出现反射峰和吸收谷,黑冰和水体先后在440和560 nm处出现吸收谷和反射峰。Lei等在芬兰和爱沙尼亚地区的实地调查中发现,雪和裸冰的反射率最大值在550~620 nm波长范围内[7],和查干湖湖冰的反射率变化相一致。黑冰和水体在440 nm吸收谷处的吸收面积为5.184和10.878、吸收深度为0.052和0.106,水体的吸收面积和吸收深度为黑冰的2倍。在800~1100 nm波长范围内,雪、雪冰、白冰、灰冰在840和1100 nm处出现反射峰,在800和1030 nm处出现吸收谷,其中1030和1100 nm处的吸收谷和反射峰作为明显,雪、雪冰、白冰、灰冰在800和1030 nm吸收谷处的吸收面积和吸收深度的变化表现为雪 < 雪冰 < 灰冰 < 白冰,白冰和灰冰的吸收面积和吸收深度变化不明显,在1030 nm吸收谷处白冰的吸收深度是雪的3倍。在1100~1600 nm波长范围内,雪、雪冰、白冰、灰冰的光谱曲线持续下降,而雪和雪冰在1240和1365 nm处存在2个较为平缓的拐点,即肩状平台,在拐点之后两侧雪和雪冰的反射率快速下降。总之,湖冰表面类型对光谱曲线的影响显著,雪与雪冰、白冰和灰冰、黑冰和水体光谱曲线变化趋势一致,雪、雪冰、白冰、灰冰在620、840、1100 nm处存在反射峰,在800、1030 nm处存在吸收谷;黑冰和水体在560 nm处存在反射峰。需要说明的是,在2019年11月24日野外调查中发现查干湖存在尚未封冻、细长水道,水体是自然状态下实地观测获取光谱。

图 2 不同类型的湖冰光谱曲线(a)及其去包络线结果(b) Fig.2 Spectral curves of different types of lake ice (a) and their de-envelope results (a)
表 1 不同类型湖冰吸收特征参数统计 Tab. 1 Statistical of ice absorption characteristics of different types of lakes
2.2 气泡对湖冰光谱特性的影响 2.2.1 气泡连通性

图 3为具有不同表面气泡连通性的白冰反射光谱曲线及其去包络线结果。需要说明的是,表面气泡是指从垂直角度观测冰层表面人眼可见的气泡,以下简称气泡。在350~760 nm波长范围内气泡连通性使白冰的光谱曲线形态发生改变。成片气泡白冰在350 nm处反射率最大,密集小气泡白冰在590 nm达到反射率的最大值,成片大气泡白冰的吸收曲线在350~760 nm波长范围有明显的吸收谷,成片大气泡在450 nm处的吸收面积和吸收深度分别为11.404和0.046。在760~1100 nm波长范围内,光谱曲线的趋势都是先下降再上升,并在800与1030 nm和840与1100 nm处出现吸收谷和反射峰,其中1030和1100 nm处的吸收谷和反射峰较为明显,在800与1030 nm吸收谷处成片大气泡白冰的吸收面积和吸收深度分别为1.118与19.928和0.024与0.263、密集小气泡白冰的吸收面积和吸收深度分别为10.277与87.581和0.175与0.631,密集小气泡的吸收面积和吸收深度远大于成片气泡。在1100~1600 nm波长范围内,密集小气泡呈缓慢下降的趋势,成片气泡在1250~1360 nm处存一个肩状平台,在平台两侧成片气泡快速下降,在1430 nm后呈缓慢下降趋势。总之,成片大气泡改变了光谱曲线形态,使其更接近雪的光谱特征,气泡密度对吸收面积和吸收深度的影响明显,在1030 nm处气泡密度越大光谱曲线的吸收深度和吸收面积越大,反之亦然。需要说明的是成片大气泡存在于冰的近表层,区别于冰物理定义的冰层内部气泡。

图 3 不同表面气泡连通性的白冰反射光谱曲线及其去包络线结果 Fig.3 Reflectance spectral curves of white ice with different surface bubble connectivity and their de-envelope results
2.2.2 气泡大小

图 4为不同表面气泡大小的黑冰反射光谱曲线及其去包络线结果。在350~1000 nm波长范围内,原始光谱曲线的整体趋势一致,并且黑冰的反射率随着气泡粒径的增大而增大,不同气泡大小的黑冰光谱曲线呈现“一大一小”双峰特征,分别为560和840 nm,其中560 nm处反射率达到最大值,同时在800 nm处出现吸收谷,在440、800 nm处的吸收谷黑冰的吸收面积和吸收深度随着气泡粒径的增大而减小,在440 nm处7 cm气泡黑冰的吸收面积和吸收深度为17.081和0.158,10 cm气泡黑冰的吸收面积和吸收深度为8.422和0.080;在800 nm处7 cm气泡黑冰和10 cm气泡黑冰的吸收面积分别为75.034和58.059,吸收深度分别为0.672和0.785。在1000~1600 nm波段范围内,气泡对黑冰反射率无明显影响,光谱曲线呈缓慢下降状态。总之,气泡的大小对反射率影响明显,在440 nm处7 cm气泡黑冰的吸收面积和吸收深度是10 cm气泡黑冰的2倍。图 4显示的表面气泡在实地调查中钻开后为硬度较高的冰雪粒,而非空气。此外,光谱曲线在1000和1400 nm波段附近存在一些剧烈的波动。1000 nm处的数据波动是由于该波段处于光谱仪探测器的交接波段,不同探测器之间有重复造成的;1400 nm波段附近是由于大气和积雪中水汽影响造成的[25]

图 4 不同表面气泡大小的黑冰反射光谱曲线及其去包络线结果 Fig.4 Reflectance spectral curves of black ice with different surface bubble sizes and their de-envelope results
2.2.3 气泡疏密程度

图 5为不同表面气泡密集度反射光谱曲线及其去包络线结果。沿着垂直观测方向,本文根据实地观察到气泡大小和间距定性描述气泡,少量气泡是指气泡数量稀少且肉眼难以察觉,稀疏气泡是指湖冰表面气泡半径较大、间距较大、数量少的气泡,密集气泡是指湖冰表面气泡半径较小、间距较小、数量多的气泡。从图 5可以看出,黑冰的反射率受气泡密集程度的影响明显,反射率随着气泡密集度的增加而增大,主要由于大量致密气泡增强了湖冰近表层体散射,使得气泡冰的反射率变大[8]。光谱吸收曲线在440 nm存在明显的吸收谷,少量气泡、稀疏气泡和密集气泡黑冰的吸收面积和吸收深度分别为20.118、6.230、5.549和0.184、0.061、0.055,气泡的存在降低黑冰的吸收面积和吸收深度,在440 nm气泡对黑冰的吸收面积和吸收深度不明显。少量气泡、稀疏气泡和密集气泡黑冰的光谱曲线均在560 nm处达到反射率的最大值,数值分别为0.068、0.097和0.133,稀疏气泡和密集气泡黑冰的反射率最大值相对于少量气泡分别增长了42.65 % 和95.59 %。少量气泡黑冰的光谱曲线在560~1600 nm波段范围内呈下降态势,稀疏气泡和密集气泡黑冰的光谱曲线均在1110 nm处出现反射峰,是光谱曲线呈现“一大一小”双峰特征,同时在1020 nm处存在吸收谷,气泡越密集吸收谷的吸收面积和吸收深度越小,稀疏气泡黑冰的吸收面积和吸收深度为75.165和0.411,密集气泡黑冰的吸收面积和吸收深度为35.032和0.342。密集气泡黑冰在1230和1360 nm存在两个平缓的拐点,在拐点的两侧光谱曲线快速下降。

图 5 不同表面气泡密集度的黑冰反射光谱曲线及其去包络线结果 Fig.5 Reflectance spectral curves of black ice with different surface bubble densities and their de-envelope results

图 6为不同表面气泡密集度的白冰反射光谱曲线及其去包络线结果。气泡的存在影响白冰湖冰光谱反射率的数值范围。少量气泡、稀疏气泡和密集气泡白冰的光谱曲线均在560 nm处达到反射率的最大值,数值分别为0.348、0.320和0.274,稀疏气泡和密集气泡黑冰的反射率最大值相对于少量气泡分别减少了8.05 % 和21.26 %。白冰的光谱曲线在800和1030 nm波段处存在吸收谷,同时在840和1100 nm波段处存在反射峰,其中在1030和1100 nm的吸收谷和反射峰最为明显,少量气泡白冰在800和1030 nm对应的吸收谷的吸收面积和吸收深度最大,吸收面积分别为6.173和88.064、吸收深度分别为0.114和0.702,在800 nm处白冰的吸收面积和吸收深度变化表现为稀疏气泡(3.458和0.071)>密集气泡(2.430和0.051)、在1030 nm处白冰的吸收面积和吸收深度变化表现为稀疏气泡(70.616和0.573) < 密集气泡(65.047和0.607),白冰在1240~1360 nm波动范围内存在肩状平台。总之,气泡是影响湖冰反射率的重要因素,气泡使黑冰和白冰的吸收面积和吸收深度变小,气泡密集程度的大小对800与1030 nm处的白冰和440 nm处的黑冰的吸收面积和吸收深度无明显影响。

图 6 不同表面气泡密集度的白冰反射光谱曲线及其去包络线结果 Fig.6 Reflectance spectral curves of white ice with different surface bubble densities and their de-envelope results
3 基于光谱特征的湖冰遥感识别案例

根据查干湖野外调查结果,冬季查干湖冰面分类主要有雪、雪冰、白冰、黑冰、灰冰和水体6种类型。基于Landsat 8的波谱响应函数对实测的光谱数据进行重采样处理,表 2为不同类型湖冰、积雪和水体的光谱重采样结果,其中雪、雪冰、白冰、灰冰4种地类在红波段(630~680 nm)的反射率最高,而黑冰和水体在绿波段(525~600 nm)的反射率最高。利用不同类型水体、积雪和冰反射率重采样结果对不同的遥感指数进行计算,发现雪、冰、水体在ρred-ρNIRρred的区分度最高,因此为突出雪、冰、水体在红波段(630~680 nm)和近红外波段(845~885 nm)的差异,因而使用反射率差值法作为Landsat 8影像遥感分类的最佳遥感指标。通过实测光谱确定a阈值范围为0.050~0.100、b阈值范围为0.050~0.200,然后每次递增0.001,结合密度分割结果和目视解译结果,确定最终阈值a为0.065、b为0.075,并使用决策树分类应用在2019年11月25日去云后的Landsat 8 OLI影像上。图 7显示查干湖湖冰遥感分类结果,其中雪、冰、水体的面积占比分别为11.42 %、85.35 % 和3.23 %。本研究在查干湖的野外调查中共收集了6种不同类型冰、雪、水体的光谱数据,从图 2至6中可以发现,实测光谱的吸收位置主要集中在780~810、1020~1120 nm,而Landsat 8的波段范围没有覆盖对应的区间。由于影像的光谱范围和分辨率有限,只能区分出冰、雪和水体,因此需要使用更高光谱分辨率的遥感影像,才能实现湖冰精细化分类。

表 2 基于Landsat 8波谱响应函数的实测光谱重采样结果 Tab. 2 Resampling results of measured spectral data based on the wave response function of Landsat 8
图 7 基于光谱特征的查干湖湖冰遥感分类结果 Fig.7 Results of remote sensing classification of lake ice in Lake Chagan based on spectral features
4 结论

湖冰是冬季湖区“气-雪-冰-水”不同界面能量交换的产物,其反射光谱特征是湖冰遥感分类和反演的理论基础。本文使用ASD Field Spec 4便携式地物光谱仪,针对冰封期查干湖不同类型湖冰、雪和水体的光谱反射特征开展野外测量,探索不同状态下湖冰光谱反射特征,结合湖冰光谱反射特征对Landsat 8影像进行湖冰遥感分类,得到以下结论:

1) 湖冰表面类型是决定反射光谱光谱特征的主要因素,雪和雪冰、白冰和灰冰、黑冰和水体的光谱反射曲线变化趋势一致,反射率依次降低。雪、雪冰、白冰、灰冰在620和1100 nm处存在反射峰,在800和1030 nm处存在吸收谷;黑冰和水体在560 nm处存在反射峰。冰面地物的光谱特征的影响因素主要有地物物理性质、光源辐射强度和观测时间等因素,在应用和分析时需要注意环境因素的影响和干扰。

2) 气泡的大小和密集程度直接影响湖冰反射率的数值范围。气泡的存在不改变湖冰光谱形态特征,但会使得白冰的反射率减小、黑冰的反射率增大。在440 nm处气泡的粒径越大黑冰吸收面积和吸收深度越小,其中气泡粒径为7 cm的黑冰的吸收面积和吸收深度是气泡粒径为10 cm的黑冰的两倍,气泡降低了440 nm处黑冰和800与1030 nm处白冰的吸收面积和吸收深度。本文主要讨论冰面近表层可见气泡对湖冰光谱的影响,在未来工作中将考虑内部气泡对湖冰光谱特征的影响。

3) 基于Landsat 8波谱响应函数重采样实测光谱数据发现,红波段和近红外波段是湖冰遥感分类的最佳波段,为突出红波段和近红外波段的光谱差异采用波段组合结合阈值法进行湖冰遥感分类,查干湖湖冰遥感分类结果能有效的区分出雪、湖冰、水体的分布情况。由于湖冰分类受限于遥感数据光谱分辨率,因此无法对湖冰进行精细化分类。

虽然本文获取大量实测光谱数据,但是受限于研究条件、连续性及研究区的选择,仅对查干湖湖冰进行反射光谱特征分析和遥感图像分类,在未来的工作中需考虑将光谱反射特征与高光谱卫星遥感影像相结合,为实现湖冰精细化遥感分类提供理论基础。

5 附录

附表Ⅰ见电子版(DOI:10.18307/2023.0444)。

附表Ⅰ 采样点详细信息 Appendix Ⅰ Details of sampling points
6 参考文献

[1]
Magnuson JJ, Robertson DM, Benson BJ et al. Historical trends in lake and river ice cover in the Northern Hemisphere. Science, 2000, 289(5485): 1743-1746. DOI:10.1126/science.289.5485.1743
[2]
Murfitt J, Duguay CR. 50 years of lake ice research from active microwave remote sensing: Progress and prospects. Remote Sensing of Environment, 2021, 264: 112616. DOI:10.1016/j.rse.2021.112616
[3]
Ke CQ, Xie HJ, Lei RB et al. Spectral features analysis of sea ice in the Arctic Ocean. Spectroscopy and Spectral Analysis, 2012, 32(4): 1081-1084. [柯长青, 谢红接, 雷瑞波等. 北极海冰的光谱特征分析. 光谱学与光谱分析, 2012, 32(4): 1081-1084. DOI:10.3964/j.issn.1000-0593(2012)04-1081-04]
[4]
Bolsenga SJ, Greene GM. Techniques to measure the spectral reflectance of ice. Proc SPIE 0489, Ocean Optics Ⅶ, 1984, 0489: 384-391. DOI:10.1117/12.943326
[5]
Zeng QZ, Cao MS, Feng XZ. Study on spectral reflection characteristics of snow, ice and water of Northwest China. Scientia Sinica : Series B, 1984(4): 370-377. [曾群柱, 曹梅盛, 冯学智等. 我国西北若干种冰、雪及水体反射光谱特性的研究. 中国科学: B辑, 1984(4): 370-377.]
[6]
Zibordi G, Meloni GP, Frezzotti M. Snow and ice reflectance spectra of the Nansen Ice Sheet surfaces. Cold Regions Science and Technology, 1996, 24(2): 147-151. DOI:10.1016/0165-232X(95)00018-7
[7]
Lei R, Leppäranta M, Erm A et al. Field investigations of apparent optical properties of ice cover in Finnish and Estonian lakes in winter 2009. Estonian Journal of Earth Sciences, 2011, 60(1): 50-64. DOI:10.3176/earth.2011.1.05
[8]
Yu M, Lu P, Cao XW et al. Field observations of the bidirectional reflectance characteristics of lake ice. Spectroscopy and Spectral Analysis, 2020, 40(8): 2453-2461. [于淼, 卢鹏, 曹晓卫等. 湖冰双向反射特征的现场观测研究. 光谱学与光谱分析, 2020, 40(8): 2453-2461. DOI:10.3964/j.issn.1000-0593(2020)08-2453-09]
[9]
Li SJ, Song KS, Zhao Y et al. Absorption characteristics of particulates and CDOM in waters of Chagan Lake and xinlicheng reservoir in autumn. Environmental Science, 2016, 37(1): 112-122. [李思佳, 宋开山, 赵莹等. 查干湖和新立城水库秋季水体悬浮颗粒物和CDOM吸收特性. 环境科学, 2016, 37(1): 112-122. DOI:10.13227/j.hjkx.2016.01.016]
[10]
Liu XM, Chen LW, Zhang GX et al. Spatiotemporal dynamics of succession and growth limitation of phytoplankton for nutrients and light in a large shallow lake. Water Research, 2021, 194: 116910. DOI:10.1016/j.watres.2021.116910
[11]
邱琳. 东洞庭湖典型湿地植被高光谱特征分析与识别[学位论文]. 长沙: 中南林业科技大学, 2013.
[12]
Duan DD, He YB, Luo SJ et al. Analysis on the ability to distinguish potato varieties with different hyperspectral parameters. Spectroscopy and Spectral Analysis, 2018, 38(10): 3215-3220. [段丁丁, 何英彬, 罗善军等. 不同高光谱特征参数区分马铃薯品种的优劣势分析. 光谱学与光谱分析, 2018, 38(10): 3215-3220. DOI:10.3964/j.issn.1000-0593(2018)10-3215-06]
[13]
王式琴. 基于高光谱的棉花叶片氮素变化特征及估算建模研究[学位论文]. 阿拉尔: 塔里木大学, 2021.
[14]
Bai JW, Zhao YC, Zhang B et al. Study on the classification methods of the hyperspectral image based on the continuum removed. Computer Engineering and Applications, 2003, 39(13): 88-90. [白继伟, 赵永超, 张兵等. 基于包络线消除的高光谱图像分类方法研究. 计算机工程与应用, 2003, 39(13): 88-90. DOI:10.3321/j.issn:1002-8331.2003.13.028]
[15]
李百超. 基于高光谱成像技术的苹果叶片氮素含量估测研究[学位论文]. 泰安: 山东农业大学, 2018.
[16]
Yue YM, Zhang B, Wang KL et al. Spectral indices for estimating ecological indicators of Karst rocky desertification. International Journal of Remote Sensing, 2010, 31(8): 2115-2122. DOI:10.1080/01431160903382892
[17]
Zhang YR, Gong ZN, Zhao WJ. Typical plant spectral characteristics analysis in Wild Duck Lake along water environment gradient. Spectroscopy and Spectral Analysis, 2012, 32(3): 743-748. [张翼然, 宫兆宁, 赵文吉. 水分环境梯度下野鸭湖湿地典型植物光谱特征分析. 光谱学与光谱分析, 2012, 32(3): 743-748. DOI:10.3964/j.issn.1000-0593(2012)03-0743-06]
[18]
Freek, van der Meer. Analysis of spectral absorption features in hyperspectral imagery. International Journal of Applied Earth Observation and Geoinformation, 2004, 5(1): 55-68. DOI:10.1016/j.jag.2003.09.001
[19]
Lin C, Gong ZC, Zhao WJ et al. Identifying typical plant ecological types based on spectral characteristic variables: A case study in Wild Duck Lake wetland, Beijing. Acta Ecologica Sinica, 2013, 33(4): 1172-1185. [林川, 宫兆宁, 赵文吉等. 基于光谱特征变量的湿地典型植物生态类型识别方法——以北京野鸭湖湿地为例. 生态学报, 2013, 33(4): 1172-1185. DOI:10.5846/stxb201204150539]
[20]
Qiu S, Zhu Z, He BB. Fmask 4.0: Improved cloud and cloud shadow detection in Landsats 4-8 and Sentinel-2 imagery. Remote Sensing of Environment, 2019, 231: 111205. DOI:10.1016/j.rse.2019.05.024
[21]
Yin QJ, Yang YL. Remote sensing monitoring of Lake Qinghai based on EOS/MODIS data. J Lake Sci, 2005, 17(4): 356-360. [殷青军, 杨英莲. 基于EOS/MODIS数据的青海湖遥感监测. 湖泊科学, 2005, 17(4): 356-360. DOI:10.18307/2005.0413]
[22]
Gou P, Ye QH, Wei QF. Lake ice change at the Nam Co Lake on the Tibetan Plateau during 2000-2013 and influencing factors. Progress in Geography, 2015, 34(10): 1241-1249. [勾鹏, 叶庆华, 魏秋方. 2000—2013年西藏纳木错湖冰变化及其影响因素. 地理科学进展, 2015, 34(10): 1241-1249. DOI:10.18306/dlkxjz.2015.10.004]
[23]
吴其慧. 基于遥感影像的呼伦湖湖冰近30年的变化分析及其影响因素研究[学位论文]. 呼和浩特: 内蒙古农业大学, 2018.
[24]
Reed B, Budde M, Spencer P et al. Integration of MODIS-derived metrics to assess interannual variability in snowpack, lake ice, and NDVI in southwest Alaska. Remote Sensing of Environment, 2009, 113(7): 1443-1452. DOI:10.1016/j.rse.2008.07.020
[25]
Hao XH, Wang J, Wang J et al. Observations of snow mixed pixel spectral characteristics using a ground-based spectral radiometer and comparing with unmixing algorithms. Spectroscopy and Spectral Analysis, 2012, 32(10): 2753-2758. [郝晓华, 王杰, 王建等. 积雪混合像元光谱特征观测及解混方法比较. 光谱学与光谱分析, 2012, 32(10): 2753-2758. DOI:10.3964/j.issn.1000-0593(2012)10-2753-06]