富营养化湖泊POC垂向结构类型的遥感识别方法

本发明涉及卫星遥感技术及其应用领域，具体涉及一种富营养化湖泊poc垂向结构类型的遥感识别方法。

背景技术：

内陆湖泊等水生生态系统，与陆地生态系统物质、能量和信息等交换强烈。受流域点源和面源等污染源排污的影响，全球面积大于25平均公里的湖泊中有约60％呈现富营养化。湖泊富营养化的一个直接后果是藻类的大量繁殖，一些湖泊甚至呈现出藻华频发的状态。藻类生长繁殖包含的一个重要过程是水体中的浮游藻类将水体或大气中的co2固定为poc。大量合成的poc可以为微生物活动提供能量，但微生物分解poc过程会大量消耗水体溶解氧造成水体缺氧，故而有必要对富营养化湖泊poc储量实现动态遥感监测。然而，受气象因子、藻类气泡、营养盐供应等的影响，水柱内藻类或poc并不是均匀分布，如藻华发生的时候表层poc最高、底层poc一般呈现低值。因此，需要借助poc的垂向分布结构信息，才能从遥感反演的表层poc浓度推算出水柱内总的poc储量。目前，尚未见关于湖泊poc垂向分布类型的相关研究，虽然已有部分研究开展了海洋poc垂向分布类型的研究，但经与富营养化湖泊实测数据对比发现，海洋的poc垂向分布类型并不适用于内陆富营养化湖泊，故而需要根据富营养化湖泊poc垂向采样数据概化其垂向结构信息。另一方面，由于poc垂向分布类型存在时空异质性，为实现湖泊总poc储量的遥感估算，还需要在遥感像元尺度上实现poc垂向分布类型的遥感识别，并根据可实时获取的环境数据实现不同poc垂向分布类型的划分。

技术实现要素：

为实现富营养化湖泊水柱内poc垂向分布类型的遥感识别，借助于各种生态环境下采集的富营养化湖泊群poc垂向数据，并结合遥感可以获取的浮游藻类指数(floatingalgaeindex,fai)、表层叶绿素浓度和风速数据，本发明构建了一种富营养湖泊遥感像元尺度水柱内poc垂向结构类型的遥感识别方法。

本发明所采用的技术方案是：

一种富营养化湖泊poc垂向结构类型的遥感识别方法，包括：

(1)根据富营养化湖泊群水柱内颗粒有机碳poc的水柱不同深度垂向采样数据，将poc垂向分布结构类型概化为均一分布类型、指数衰减类型和幂衰减类型；

(2)将水体表层像元划分为藻华像元和非藻华像元；

对于藻华像元，判断像元poc垂向结构为幂衰减类型；

对于非藻华像元，：

a.将poc垂向分布类型分为均一和非均一分布两种类型，均一分布下p1＝0，非均一分布下p1＝1，以同步获取的像元表层chl-a浓度、像元表层poc浓度作为自变量构建logistic模型计算阈值p1，将像元划分为均一和非均一分布两种类型；

b.将非均一分布类型的像元分为指数衰减类型和幂衰减类型，指数衰减类型下p2＝0，幂衰减类型下p2＝1，以同步获取的像元表层chl-a浓度、风速作为自变量构建logistic模型计算阈值p2，将像元划分为指数衰减类型和幂衰减类型。

水柱内不同深度poc浓度poc(z)的数学表达式如下：

logistic回归分析具体公式如下：

式中，ρ为属于类型2的概率；x1,…,xn为进行像元类型判断所使用的各个生态环境因子，包括遥感得到的湖泊表层chl-a浓度、poc浓度和风速；β0,β1,…,βn为各个预测因子的logistic回归分析拟合系数，即贡献权重。

作为本发明的进一步改进，基于不同场景下的采样数据对poc垂向分布结构类型进行概化。进一步的，所述不同场景包括不同湖泊、富营养状态、风速和季节。

作为本发明的进一步改进，所述(2)中，基于遥感反演的表层像元fai数值将水体表层像元划分为藻华像元和非藻华像元。

作为本发明的进一步改进，所述a、b中，像元表层chl-a浓度、像元表层poc浓度基于遥感反演获取。

进一步的，所述像元表层chl-a浓度的反演方式为：

对于藻华像元，采用光谱指数算法由大气顶层遥感反射率rrc反演表层chl-a浓度；

对于非藻华像元，先由湖泊水面遥感反射率rrs反演叶绿素吸收系数，然后基于叶绿素吸收系数与chl-a浓度的线性关系计算表层chl-a浓度。

进一步的，基于实测数据建立像元表层chl-a浓度和像元表层poc浓度的相关关系模型；之后结合遥感反演的像元表层chl-a浓度和所述相关关系模型获得像元表层poc浓度。

作为本发明的进一步改进，反演的数据源为olci/sentinel-3a卫星遥感数据。

进一步的，还包括对于遥感数据进行预处理，使用6s辐射传输模型进行辐射定标、大气校正，得到经瑞利散射校正后的大气顶层遥感反射率rrc和湖泊水面遥感反射率rrs。

进一步的，非藻华像元的划分为：当p1<0.5时，判断像元poc垂向分布为均一分布；当p1≥0.5且p2<0.5时，判断像元poc垂向分布为指数衰减类型，当p1≥0.5且p2≥0.5时，判断像元poc垂向分布为幂衰减类型。

本发明通过分析不同场景下的野外实测数据，概化poc垂向分布类型；然后，综合poc垂向结构时空异质的驱动因素，构建富营养湖泊不同像元poc垂向分布类型的遥感识别流程；最后，利用遥感反演的表层叶绿素、fai和风速，构建logistic模型对不同poc垂向分布类型进行划分。

与现有技术相比，本发明的有益效果有：①对富营养湖泊poc垂向分布进行数学概化，可以获得水柱内不同深度的poc浓度连续分布；②构建的二叉决策树可以实现遥感像元尺度的poc垂向分布类型识别，为湖泊poc储量遥感估算服务；③基于遥感表层chl-a、表层poc浓度和风速数据的poc垂向分布类型划分，可拓展性强。

附图说明

图1是poc垂向分布类型辨识流程图。

具体实施方式

以中国长江中下游典型富营养湖泊群为例，本发明详细说明构建的富营养湖泊poc垂向结构类型的遥感识别方法的具体实施方式，具体如下：

(1)olci/sentinel-3a遥感数据处理。由于poc垂向分布类型具有高时空异质特征，而且相对海洋湖泊面积较小，因此本发明选用时空分辨率均较高的olci/sentinel-3a卫星遥感数据。为去除大气的影响，先使用6s辐射传输模型进行辐射定标、大气校正等处理，得到经瑞利散射校正后的大气顶层遥感反射率(rrc)和湖泊水面遥感反射率(rrs)。

(2)表层fai遥感反演。由经瑞利散射校正后的大气顶层遥感反射率rrc，根据已报道的公式(3)计算得到不同像元处的表层fai：

式中，rrc(665)、rrc(865)和rrc(1020)分别是olci/sentinel-3a遥感数据中心波长为665nm，865nm和1020nm的波段的大气顶层遥感反射率。

(3)水体表层藻华像元判断。利用遥感反演的fai可以判断藻华覆盖水体，对于modis遥感数据，研究报道当fai>0.02时，水体100％被藻华覆盖。由同步获取的太湖olci/sentinel-3a和modis数据反演的fai进行交叉定标得到：modis反演的fai＝0.02对应于olci/sentinel-3a反演的fai＝0.0139。因此，对于olci/sentinel-3a反演的fai，fai>0.0139的像元被藻华覆盖。

(4)表层chl-a浓度遥感反演。对非藻华水体，本发明参考xueetal.,(2019)已报道的分析算法先由湖泊水面遥感反射率(rrs)遥感反演叶绿素吸收系数aph(674)，然后由aph(674)与chl-a浓度的线性关系计算表层chl-a浓度；对于藻华水体，本发明参考shietal.,(2017)已报道的光谱指数(spectralindex,si)算法由rrc遥感反演表层chl-a浓度，具体如下：

式中，rrc(665)和rrc(865)分别是olci/sentinel-3a遥感数据中心波长为665nm和865nm波段的大气顶层遥感反射率。

(5)表层poc浓度遥感反演。实测数据表明表层chl-a浓度与poc浓度之间存在显著线性关系，因此由遥感反演的表层chl-a浓度根据下式估算poc浓度：

poc＝0.0599×chl-a+2.4033(5)

(6)poc垂向分布类型遥感识别二叉决策树构建。如图1所示，

由于藻华发生是藻类聚集在水体表层的结果，即藻华发生时水体poc垂向分布幂衰减分布，因此判定fai≥0.0139遥感像元的poc垂向分布为幂衰减类型。对于fai<0.0139的非藻华像元，通过判断中间logistic变量p1是否大于0.5判断poc垂向分布是否均一。对于poc垂向非均一分布的像元，继续通过判断中间logistic变量p2是否大于0.5判断是否属于指数衰减类型。

(7)poc垂向分布与非均匀类型划分。对所有的实测数据样本集，将poc垂向分布类型分为均一(p1＝0)和非均一分布(p1＝1)。由实测数据可知：非均一分布类型呈现表层poc浓度高值；因此，以表层chl-a浓度、poc浓度为自变量输入，构建logistic模型得到p1的计算公式如下：

当p1<0.5时，判断像元poc垂向分布为均一分布；当p1≥0.5时，判断像元poc垂向分布为非均一分布。

(8)poc垂向分布指数衰减和幂衰减类型划分。对实测的poc垂向分布非均一样本，进一步分为指数衰减类型(p2＝0)和幂衰减类型(p2＝1)。进一步分析实测数据可知：幂衰减类型发生在基本水柱内所有藻类聚集在表层，且发生在风速很小时；因此，以表层chl-a浓度、风速作为自变量输入，构建logistic模型得到p2的计算公式如下。

当p2<0.5时，判断像元poc垂向分布为指数衰减类型；当p2≥0.5时，判断像元poc垂向分布为幂衰减类型。对长江中下游17个富营养湖泊采集的268个poc剖面：155个均一分布类型的判断精度为92.9％，65个幂衰减分布类型的判断精度为84.6％，48个指数衰减分布类型的判断精度为54.2％，三种类型的平均正确判断率为82.46％。