CN101852722B - 一种实现水体叶绿素a遥感反演精度评估方法 - Google Patents

Abstract

一种实现水体叶绿素a遥感反演精度评估方法，其步骤如下：(1)叶绿素a浓度数据、水面光谱数据以及高光谱遥感影像读入；(2)搜索最优参数与叶绿素a浓度的回归模型；(3)以实测浓度作为该像元的浓度真值，计算模型预测值与实测值的偏差，并以偏差作为该四波段遥感反演模型的反演误差；(4)以步骤(3)的计算结果作为反演误差，以不确定原理为基础，构建两个临近浓度节点区段的带模型；(5)利用“带模型”计算叶绿素a浓度反演结果的相对误差和绝对误差。

Description

一种实现水体叶绿素a遥感反演精度评估方法

技术领域

本发明涉及一种实现水体叶绿素a遥感反演精度评估方法，属于海洋水色遥感与内陆水环境遥感技术领域，适用于定量遥感的理论方法和应用技术研究。

背景技术

目前，内陆与近海水体污染严重，面临着富营养化的威胁。利用遥感技术可以及时快速大尺度同步监测水质状况与变化趋势，对于水资源管理与水环境保护具有十分重要的意义。

水色遥感产品的精度评估与精度表达问题是目前水色遥感研究的热点与难点。在传统水色遥感理论与应用研究过程中，反演结果的精度及其表达方式较少受关注，许多水色遥感产品因缺少精度描述信息而被闲置。因此，对遥感数据反演产品精度的研究有助于提高遥感数据的利用率。常用的精度描述方式为计算实测值与模型预测值之间的偏差，这种方式有利于总体上把握产品精度信息。但是这种精度评估方法只适合于卫星同步实验站点附近水域反演精度的评估，而不适合于地面实验测点以外区域的外推，容易导致较大的偏差。

遥感产品的精度问题的研究进展是定量遥感发展水平的一个重要标志。在遥感数据处理与模型分析过程中，误差将从一种形式转化成另外一种形式。将带有误差的遥感数据作为空间分析算法或模型的输入参数，将导致分析结果也具有误差。数据精度信息是数据的重要组成部分，遥感数据精度问题的关键在于遥感数据精度信息的表达。在过去的数十年中，许多学者对遥感数据精度的表达方法做了有益的探讨，并逐步形成了以“带模型”为理论核心的研究热潮。ε-带模型是“带模型”的雏形，随后逐渐出现了E-带模型，S-带模型和G-带模型等。

发明内容

本发明的目的在于提供一种实现水体叶绿素a遥感反演精度评估方法，主要借助于广义上的“带模型”理论，即将水质参数反演函数等效地视为一条空间曲线，将实测值与模型预测值之间的偏差视为反演函数在各个节点处的反演误差，构建一种实用性强，精度信息详细的叶绿素a浓度反演精度评估方法，实现太湖叶绿素a浓度遥感反演精度的评估。

本发明的技术解决方案是：一种实现水体叶绿素a遥感反演精度评估方法能够获取像元级别的水质浓度反演精度的描述信息。以回归系数或均方根误差作为反演精度描述指标的传统反演精度评估方法具有精度信息过于综合且不详细，局部区域精度信息不准确等缺点。而本发明的带模型评估方法不仅有利于用户详细了解反演产品的质量，以确定其使用范围，而且有利于提高遥感数据的利用率。

本发明一种实现水体叶绿素a遥感反演精度评估方法，其步骤如下：

(1)叶绿素a浓度数据、光谱数据以及高光谱遥感影像读入。

(2)建立基于四波段的叶绿素a浓度半分析遥感反演模型。为了减少波段搜索处理的计算量，初步确定λ₁、λ₂、λ₃和λ₄搜索范围的前提下，以枚举的方法，分别回归了遥感参数与叶绿素a浓度的对数值之间、遥感参数与叶绿素a浓度的指数值之间、以及遥感参数与叶绿素a浓度之间三种经验关系，以回归系数最高者作为最终的反演结果。

所采用的叶绿素a浓度遥感反演模型如下式：

$\mathrm{pChla}=\frac{R^{-1}\left({\mathrm{\λ}}_1\right)-R^{-1}\left({\mathrm{\λ}}_2\right)}{R^{-1}\left({\mathrm{\λ}}_3\right)-R^{-1}\left({\mathrm{\λ}}_4\right)}$

Chla＝f(pChla)

式中，λ₁、λ₂、λ₃和λ₄为四个不同的波长；R为反射率；Chla为叶绿素a浓度；pChla为半分析算法遥感参数；f()为遥感参数与叶绿素a浓度之间的函数关系。

(3)以实测浓度作为该实测站点所在影像像元的浓度真值，计算模型预测值与实测值的偏差，并以偏差作为该四波段遥感反演模型的反演误差。具体是将步骤(2)搜索而得的最优拟合结果作为叶绿素a浓度反演结果，计算实验样本的叶绿素a浓度与模型预报浓度之间的偏差，并以该偏差作为模型在该遥感参数值处的反演误差。

(4)以步骤(3)的计算结果作为反演误差，以不确定性原理为基础，构建两个临近浓度节点区段的带模型：在平面坐标系中，假设C(x，y)是由端点A(x_a，y_a)和端点B(x_b，y_b)定义的随机线元AB上的任意一点，则C的坐标可由A和B点表示如下：

x＝(1-t)x_a+tx_b

y＝(1-t)y_a+ty_b

式中，t为定比分系数，其取值范围为0≤t≤1。假设：①端点A与端点B的测量误差是不相关的，即两者的协方差等于0；②误差主要集中在叶绿素a浓度参数，而遥感反射率参数不存在误差。即假设遥感参数的测量是准确的，而把遥感参数的测量误差综合到叶绿素a浓度估算误差中去(即随机线元上的任意点在x轴上的分量不存在误差，而测量误差仅存在y分量上)。由此，对上式的y分量两边取方差可得：

D(y)＝(1-t)²D(y_a)+t²D(y_b)

(5)利用“带模型”计算叶绿素a浓度反演结果的相对误差和绝对误差。

本发明一种实现水体叶绿素a遥感反演精度评估方法，其优点及功效在于：本发明将广义上的“带模型”误差理论，应用于水色遥感反演产品的精度评估中，即将水质参数反演函数等效地视为一条空间曲线，将实测值与模型预测值之间的偏差视为反演函数在各个节点处的反演误差，构建一种实用性强，精度信息详细的叶绿素a浓度反演精度评估方法，实现太湖叶绿素a浓度遥感反演精度的评估。本方法优点与特殊之处在于，不仅可以得到所有实验样本空间的总体精度信息，更重要的是能得到产品精度的详细信息，即能给出在不同的浓度范围内水色遥感反演产品的精度描述信息，能为用户提供高可信度的产品。

具体实施方式

为了更好地说明本发明涉及的一种实现水体叶绿素a遥感反演精度评估方法，本发明的模型建立和验证数据集为2004年8月19日上午10点的Hyperion高光谱影像数据和与卫星过境同步的水质浓度数据。本发明一种实现水体叶绿素a遥感反演精度评估方法，具体实现步骤如下：

(1)实验数据和影像数据的读入：读入太湖2004年8月19日的Hyperion高光谱影像数据、叶绿素a浓度等数据；

(2)建立叶绿素a遥感反演的四波段半分析模型。基于指数回归模型，并选择λ₁＝671.02nm，λ₂＝701.55nm，λ₃＝711.72nm和λ₄＝742.25nm作为四波段半分析算法的反演波段，能较好的从2004年8月19日获取的Hyperion数据中提取叶绿素a浓度空间分布信息。叶绿素a浓度的对数值与四波段参数之间具有较好的线性关系，相关系数R²为0.8613，拟合的绝对误差为10.8639μg/L，相对误差为21.087％，均方根误差为11.8327μg/L。

(3)以实测浓度作为该实测站点所在影像像元的浓度真值，计算模型预测值与实测值的偏差，并以偏差作为该四波段遥感参数对应的模型的反演误差。将每一组实测数据的四波段遥感参数作为步骤(2)的结果的输入参数，可得模型的叶绿素a浓度预报值，该值与实验值的偏差作为该测点模型的反演误差。

(4)以步骤(3)的计算结果作为反演误差，以不确定性原理为基础，构建两个临近浓度节点区段的带模型。将各个实测数据位置处的叶绿素a浓度估算偏差代入“带模型”中，并结合反演模型可得四波段半分析算法的带模型。可知，四波段半分析算法的估算误差随着反演参数(pChla)呈非规律性震荡变化；在10-20μg/L和50-100μg/L浓度区间段，叶绿素a浓度反演误差较低，大约为±20％；在20-50μg/L浓度区间，叶绿素a浓度反演误差较高，大约为±40％，局部区段甚至高达±60％左右。太湖水体的叶绿素a含量主要为20-50μg/L，因此，虽然四波段半分析算法的相关系数较高，但是对于浓度主要分布在20-50μg/L之间的太湖水体而言，其反演精度并不理想。根据四波段半分析算法反演精度的一个总体指标，在10-20μg/L和50-100μg/L区间，该指标与“带模型”表达的精度信息近似一致，而对于20-50μg/L区段，该指标将失效。

(5)利用“带模型”计算叶绿素a浓度反演结果的相对误差和绝对误差。利用四波段半分析算法及其带模型，从Hyperion影像中逐像元提取叶绿素a浓度及其反演精度信息。四波段半分析算法在10-20μg/L和50-100μg/L浓度区间具有较低的反演误差，而在20-50μg/L浓度区间的反演误差较高，因此四波段半分析算法精度呈湖心低，湖北和湖南高的格局。另外，四波段半分析算法在Hyperion影像中应用的绝对误差为不超过13.5μg/L，其对应的相对误差为72％；大部分区域的反演误差为7.5-10.5μg/L，其对应的相对误差为40-56％；局部区域的叶绿素a浓度估算误差较高，如沿湖区域，估算误差小于6μg/L，其对应的相对误差为32％。

Claims (1)

1.一种实现水体叶绿素a遥感反演精度评估方法，其特征在于：该方法包含以下步骤：

(1)读入实测的水体叶绿素a浓度数据、遥感参数以及高光谱遥感影像；

(2)建立基于四波段的叶绿素a浓度半分析遥感反演模型；为了减少波段搜索处理的计算量，初步确定λ₁、λ₂、λ₃和λ₄搜索范围的前提下，以枚举的方法，分别回归了遥感参数与叶绿素a浓度的对数值之间、遥感参数与叶绿素a浓度的指数值之间、以及遥感参数与叶绿素a浓度之间三种经验关系，以回归系数最高者作为最终的反演结果；

其中，步骤(2)中所采用的叶绿素a浓度半分析遥感反演模型如下式：

$\mathrm{pChla}=\frac{R^{-1}\left({\mathrm{\λ}}_1\right)-R^{-1}\left({\mathrm{\λ}}_2\right)}{R^{-1}\left({\mathrm{\λ}}_3\right)-R^{-1}\left({\mathrm{\λ}}_4\right)}$

Chla＝f(pChla)

式中，λ₁、λ₂、λ₃和λ₄为四个不同的波长；R为反射率；Chla为叶绿素a浓度；pChla为半分析算法遥感参数；f()为遥感参数与叶绿素a浓度之间的函数关系；

(3)以所述实测的水体叶绿素a浓度作为实测站点所在影像像元的叶绿素a浓度真值，计算根据步骤(2)所述的叶绿素a浓度半分析遥感反演模型所预测的叶绿素a浓度值与所述浓度真值的偏差，并以该偏差作为该遥感反演模型的反演误差；

(4)以步骤(3)的计算结果作为反演误差，以不确定性原理为基础，构建叶绿素a两个临近浓度节点区段的“带模型”；

其中，步骤(4)所述的带模型描述如下：在平面坐标系中，假设C(x，y)是由端点A(x_a，y_a)和端点B(x_b，y_b)定义的随机线元AB上的任意一点，则C的坐标可由A和B点表示如下：

x＝(1-t)x_a+tx_b

y＝(1-t)y_a+ty_b

式中，t为定比分系数，其取值范围为0≤t≤1，假设：①端点A与端点B的测量误差是不相关的，即两者的协方差等于0；②误差主要集中在叶绿素a浓度参数，遥感影像大气校正误差综合到叶绿素a浓度估算误差中，即随机线元上的任意点在x轴上的分量不存在误差，而测量误差仅存在y分量上；由此，对上式的y分量两边取方差可得：

D(y)＝(1-t)²D(y_a)+t²D(y_b)

式中，D()为求方差算子，即为线段AB上任意点的误差，其大小由线元端点的测量误差决定；

(5)利用“带模型”计算叶绿素a浓度反演结果的相对误差和绝对误差。