一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法

本发明涉及水色遥感理论应用技术研究领域，具体为一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法。

背景技术：

1、经济的快速增长和人类的频繁活动导致水体污染程度不断加剧，湖泊生态环境遭受破坏，蓝藻水华现象开始出现，水环境生态问题日益严重。叶绿素a含量是影响湖泊生态状况的重要因子，在某种程度上能反映出水体中浮游植物数量和水质情况，是水质遥感监测中最重要参数之一。及时、准确掌握叶绿素a浓度的时空分布和演变趋势，是流域可持续开发和生态环境保护的关键举措之一。传统的采样方式和实验检测，不仅花费大量的人力、物力和财力，而且得到的仅是样点数据，对大面积水域的叶绿素a浓度监测具有一定的局限性，难以满足高频次、大面积的监测要求。

2、相比而言，卫星遥感具有监测范围广、周期性监测等优点，能够对大面积水域进行持续观测。

3、目前，湖泊叶绿素a浓度的监测主要依赖于海洋水色卫星，如利用modis、meris、olci等卫星获取长时间序列的湖泊叶绿素a浓度的时空变化。然而，海洋水色传感器的空间分辨率较低(300m-1000m)，通常只能用于监测面积较大的内陆湖泊水体或水库。事实上，全球小于100km2的湖泊占全球湖泊总面积的63.48％，中国2693个1km2以上的湖泊中10km2以内的有2000个，这些中小面积的湖泊是内陆湖泊水体的重要组成部分。gf-1卫星是2013年4月26日成功发射的对地观测系统专项系列卫星中首颗高分辨率国产卫星，搭载4台16m分辨率的多光谱相机，重访周期4天，具有空间分辨率、时间分辨率高的特点。

4、目前，已有研究开始使用gf-1wfv影像数据进行湖泊水体叶绿素a浓度的反演。常用的遥感反演叶绿素a浓度的模型构建方法主要有经验模型、半经验/半分析模型和分析模型，三种模型都有各自的优点和不足，其中经验模型和半经验/半分析模型在内陆湖泊水体叶绿素a浓度反演中得到广泛应用。有学者利用gf-1wfv影像为数据源，采用经验模型反演算法，通过单个波段或波段组合的反射率值与实测水体叶绿素a浓度数据进行相关分析，选取决定系数(r2＝0.751)最大的三波段模型为反演模型，验证模型精度并利用此模型对南四湖的叶绿素a浓度进行遥感反演；还有学者利用gf-1wfv影像数据以及高光谱数据，通过相关分析得到叶绿素a的敏感波段，并构建了一元回归联合反演模型，得到叶绿素a浓度分布情况，为大面积监测水库水质的时空变化提供了依据。然而，上述学者在研究中虽选取了叶绿素a浓度值与遥感反射率相关性最好的波段组合方式，但往往未考虑不同模型形式、不同波段组合方式的反演模型的决定系数相差很小，甚至只相差0.01。

5、因此，只通过决定系数来筛选最佳的反演模型存在一定局限性，本发明的提出弥补了这一不足。通过采用经验模型和半经验/半分析模型算法，运用相关性分析可以建立遥感反射率与实测数据之间的显著关系，并对模型算法的建立具有重要作用。该算法简单易于实现，可以直观反映数据之间的相关度。

技术实现思路

1、本发明的目的在于提供了一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法。基于gf-1wfv遥感影像同步的叶绿素a浓度实测数据和rrs,利用经验模型和半经验/半分析模型方法找寻最佳的叶绿素a浓度估算模型，算法模型性能在充分评估后，利用此模型获取了湖泊水体叶绿素a浓度的时空分布。该方法的原理、过程和结果可为高分系列卫星估算我国内陆水体的叶绿素a浓度和评估我国湖泊的富营养化进行提供基础。

2、本发明可以通过以下技术方案实现：一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法，包括如下步骤：

3、1)基于gf-1 wfv遥感影像数据，获取4个波段的湖泊水体遥感反射率值rrs，并采集gf-1 wfv卫星同步过境的湖泊水体叶绿素a浓度实测数据；

4、2)结合经验模型和半经验/半分析模型中的波段比值模型算法，构建叶绿素a浓度的反演模型算法；

5、基于步骤1)得到的rrs和叶绿素a浓度实测数据进行随机筛选获取输入波段比值模型的反演数据(约占总数据集的三分之二)，并以叶绿素a浓度为输出，构建叶绿素a浓度反演算法。

6、作为本发明的进一步优选，所述步骤1)中，采用高分系列卫星影像数据中的gf-1wfv作为数据源。

7、进一步的，对遥感影像数据进行预处理，以便获得更加精确的反射率数据。在envi5.3软件中进行辐射定标、大气校正、正射校正操作，得到大气校正后的反射率，同时利用面向对象分割方法提取所需要研究的湖泊水体区域的影像数据。

8、作为本发明的进一步优选，所述步骤2)中，对叶绿素浓度实测数据集进行筛选，包括：

9、(1)结合采样实测记录和卫星影像过境时间去除云层覆盖、太阳耀斑、藻华覆盖的异常样点；

10、(2)使用±6h的时间窗口去匹配数据集；

11、(3)保留每个样点数据的rrs变异系数都在10％以内的数据集；

12、(4)将实测叶绿素a浓度数据集随机分为两组，其中三分之二作为训练样本进行反演模型算法构建，剩下三分之一数据集作为验证样本用来对模型精度进行验证。

13、进一步的，采用的经验模型和半经验/半分析模型的波段比值模型算法，输入训练样本数据集，进行rrs和叶绿素a浓度实测值的相关性分析，其中包括rrs(485),rrs(550),rrs(675),rrs(789),rrs(789)/rrs(675)等，这些指数与不同水体中的叶绿素a浓度存在关联，是反演模型算法的重要参数。

14、进一步的，波段比值模型算法结构参数的确定方式为：

15、基于模型训练过程进行参数调整，调整参数为不同波段组合方式的rrs，并与叶绿素a浓度实测数据进行相关性分析比较，最终选取了四种精度较高的模型结构参数，分别为rrs(789)/rrs(675),[rrs(789)-rrs(675)]/[rrs(789)+rrs(675)],[1/rrs(675)-1/rrs(789)]×rrs(550),[1/rrs(675)-1/rrs(789)]/[1/rrs(550)-1/rrs(485)]。

16、进一步的，还包括对模型精度进行验证，根据留一交叉验证法进行交叉验证，通过随机筛选的三分之一验证样本，采用决定系数(r2)、均方根误差(rmse)和平均绝对误差百分比(mape)作为精度评价指标，选择精度效果最好的模型作为最终的反演模型。调参后再进行模型精度验证，获取最优的模型结构参数，使得最终模型具有高精度且泛化能力。

17、作为本发明的进一步优选，该反演方法还包括，将步骤2)构建的叶绿素a浓度反演算法应用于湖泊遥感影像数据，获取湖泊叶绿素a浓度的空间分布与时间变化特征；其中基于env i软件处理得到的gf-1wfv水体反射率数据集为基础，以含云量<10％的作为标准，去除云层再对湖泊水体进行遥感反演，得到不同时间下的湖泊水体叶绿素a浓度的空间分布图。

18、与现有技术相比，本发明具备以下有益效果：

19、1、本发明利用波段比值模型算法构建了适合gf-1wfv传感器的湖泊水体叶绿素a浓度估算模型，算法性能通过实测数据充分评估后，获取了2017年5-7月安徽省巢湖水域的叶绿素a浓度的时空分布。该方法的原理、过程和结果可为高分系列卫星估算全国内陆湖泊水体的叶绿素a浓度和评估全国湖泊水体的富营养化进程提供基础。本发明虽然仅仅使用巢湖水域52个样本点训练波段比值模型算法，但是这些数据覆盖范围较大，能够较好地代表巢湖水域及周边支流的水体光学属性，保证构建的模型具有较好的适用性。

20、2、本发明是针对gf-1wfv传感器提出的在内陆湖泊水体中进行叶绿素a浓度的估算方法。该方法以野外采集巢湖水域叶绿素a浓度实测数据和同步gf-1wfv的rrs数据为基础，通过flassh大气校正获得发射率值放大10000倍的rrs和4个波段及多个波段组合指数作为输入，将波段比值模型算法应用于gf-1wfv的内陆湖泊水体叶绿素a浓度估算。最后，将该模型算法应用到安徽省巢湖水域的叶绿素a浓度反演，获取了2017年5-7月巢湖水域叶绿素a浓度的时空分布。本发明的技术为高分系列卫星估算全国内陆湖泊水体的叶绿素a浓度和评估全国湖泊水体的富营养化进程提供基础。