CN102200576B - 叶绿素a浓度反演方法及系统 - Google Patents

Abstract

本发明公开了一种叶绿素a浓度反演方法及系统，该方法包括：S1：获取环境一号卫星的多光谱遥感数据；S2：判断是否有所述多光谱数据获取的日期，若有且所述日期能够和叶绿素a浓度季节类反演模型匹配，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。本发明通过利用环境一号卫星的多光谱和高光谱数据，解决了反演模型受到时间和空间限制的问题，并可实现计算机自动运行与业务化运行。

Description

叶绿素a浓度反演方法及系统

技术领域

本发明涉及环境信息监测技术领域，特别涉及一种叶绿素a浓度反演方法及系统。

背景技术

叶绿素a是藻类植物中最丰富的色素，它将阳光转变成能量，存在于藻类植物细胞内的叶绿体中，反射绿光并吸收红光和蓝光，使藻类呈现绿色。监测藻类中的叶绿素a浓度是水环境遥感中主要的监测项目之一，是反映水体富营养化程度的一个重要的参数指标。

叶绿素a浓度定量遥感反演的方法也大致可分为经验方法、半经验方法和分析方法三种。20世纪80-90年代以经验方法为主，90年代后以半经验方法为主，目前关于分析方法的研究有所上升。分析方法虽然目前因为受条件限制发展比较缓慢，但是代表着未来水质遥感定量反演的趋势。

(1)经验方法

经验方法是应用较为广泛的叶绿素a浓度反演方法，它是通过建立遥感数据与地面监测的水体叶绿素a浓度值之间的统计关系来实现叶绿素a浓度的定量遥感反演。由于水体叶绿素a浓度与遥感数据之间的因果关系不能保证，所以该方法的结果缺乏物理依据，且反演模型受时间和空间特殊性限制很大，可移植性差。

(2)半经验方法

该方法由于对于特定水体进行了实地光谱侧量以确定最佳反演波段或波段组合，因而具有一定的物理意义。具体来说，它是将已知的水质参数光谱特征与统计分析模型相结合，选择最佳的波段或波段组合作为相关变量估算水质参数的方法。参与建模的变量主要有叶绿素a特征吸收谷和反射峰所在波段的反射比、特征反射峰的位置以及690nm附近反射率的一阶微分值等。由于水体叶绿素a浓度与遥感数据之间的关系因为实测高光谱数据的先验知识作保证，所以该方法具有一定的物理依据，结果可信度较高，但这种方法得到的反演模型同样受到时间和空间特殊性限制，对于不同时间和地域的水质参数反演则需要进行参数校正。

(3)分析方法

分析方法是指用生物光学模型描述水体各组分(包括浮游植物、悬浮物、可溶性有机物等)与辐照度比之间的关系，模拟水中光场分布，进而反演水质参数，其中，以水体后向散射与水体中吸收与散射的比值模拟水体反射的模型被称为分析模型。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何解决反演模型受到时间和空间限制，以及如何实现计算机自动运行与业务化运行的问题。

(二)技术方案

为解决上述技术问题，本发明提供了一种叶绿素a浓度反演方法，包括以下步骤：

S1：获取环境一号卫星的多光谱遥感数据；

S2：判断是否有所述多光谱数据获取的日期，若是且所述日期能够和叶绿素a浓度季节类反演模型匹配，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。

其中，步骤S2中，在根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算之前，对所述多光谱遥感数据进行处理，以获得多光谱遥感数据的反射率图像。

其中，

所述叶绿素a浓度季节类反演模型为：

判断所述日期所属的季节，

若为春季，则根据式(1)进行叶绿素a浓度的计算，

Chl-a＝exp(0.0542+0.1668*NDVI)    (1)

若为夏季，则根据式(2)进行叶绿素a浓度的计算，

Chl-a＝exp(0.0456+0.2262*NDVI)    (2)

若为秋季，则根据式(3)进行叶绿素a浓度的计算，

Chl-a＝exp(0.0405+12.814*NDVI)    (3)

其中，NDVI＝(NIR-R)/(NIR+R)，Chl-a为叶绿素a浓度，NDVI为归一化植被指数，NIR为所述多光谱遥感数据的反射率图像的红外波段，R为所述多光谱遥感数据的反射率图像的红波段。

其中，步骤S2中，所述基于波段优化的叶绿素a模型为：

Chl-a＝1060.6x+34.465

其中，Chl-a为叶绿素a浓度，

为环境一号卫星的高光谱遥感数据660nm处反射率的倒数，

为环境一号卫星的高光谱遥感数据690nm处反射率的倒数，R_rs(745)为环境一号卫星的高光谱遥感数据745nm处遥感反射率。

本发明还公开了一种叶绿素a浓度反演系统，其特征在于，包括：

图像获取模块，用于获取环境一号卫星的多光谱遥感数据；

浓度计算模块，用于判断是否有所述多光谱数据获取的日期，若是且所述日期能够和叶绿素a浓度季节类反演模型匹配，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。

(三)有益效果

本发明通过利用环境一号卫星的多光谱和高光谱数据，解决了反演模型受到时间和空间限制的问题，并可实现计算机自动运行与业务化运行。

附图说明

图1是按照本发明一种实施方式的叶绿素a浓度反演方法的流程图；

图2是按照本发明一种实施方式的叶绿素a浓度反演系统的结构框图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1是按照本发明一种实施方式的叶绿素a浓度反演方法的流程图，包括以下步骤：

叶绿素a浓度反演方法，包括以下步骤：

S1：获取环境一号卫星的多光谱遥感数据；

S2：判断是否有所述多光谱数据获取的日期，若是且所述日期能够和叶绿素a浓度季节类反演模型匹配(由于叶绿素a浓度季节类反演模型只有春季、夏季和秋季的计算方法，而冬季因为业务量少的关系未提供计算方法，因此，若所述时间为冬季，则使用基于波段优化的叶绿素a模型进行叶绿素a浓度的计算)，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。

其中，步骤S2中，在根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算之前，对所述多光谱遥感数据进行处理，以获得多光谱遥感数据的反射率图像。

其中，

所述叶绿素a浓度季节类反演模型为：

判断所述日期所属的季节，

若为春季，则根据式(1)进行叶绿素a浓度的计算，

Chl-a＝exp(0.0542+0.1668*NDVI)    (1)

若为夏季，则根据式(2)进行叶绿素a浓度的计算，

Chl-a＝exp(0.0456+0.2262*NDVI)    (2)

若为秋季，则根据式(3)进行叶绿素a浓度的计算，

Chl-a＝exp(0.0405+12.814*NDVI)    (3)

其中，NDVI＝(NIR-R)/(NIR+R)，Chl-a为叶绿素a浓度，NDVI为归一化植被指数，NIR为所述多光谱遥感数据的反射率图像的红外波段，R为所述多光谱遥感数据的反射率图像的红波段。

其中，步骤S2中，所述基于波段优化的叶绿素a模型为：

Chl-a＝1060.6x+34.465

其中，Chl-a为叶绿素a浓度，

为环境一号卫星的高光谱遥感数据660nm处反射率的倒数，

为环境一号卫星的高光谱遥感数据690nm处反射率的倒数，R_rs(745)为环境一号卫星的高光谱遥感数据745nm处遥感反射率。

本发明还公开了一种叶绿素a浓度反演系统，如图2所示，包括：

图像获取模块，用于获取环境一号卫星的多光谱遥感数据；

浓度计算模块，用于判断是否有所述多光谱数据获取的日期，若是且所述日期能够和叶绿素a浓度季节类反演模型匹配，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (3)

1.一种叶绿素a浓度反演方法，其特征在于，包括以下步骤：

S1：获取环境一号卫星的多光谱遥感数据；

S2：判断是否有所述多光谱数据获取的日期，若是且所述日期能够和叶绿素a浓度季节类反演模型匹配，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算；

其中，所述叶绿素a浓度季节类反演模型为：

判断所述日期所属的季节，

若为春季，则根据式（1）进行叶绿素a浓度的计算，

Chl-a＝exp(0.0542+0.1668*NDVI)    （1）

若为夏季，则根据式（2）进行叶绿素a浓度的计算，

Chl-a＝exp(0.0456+0.2262*NDVI)     （2）

若为秋季，则根据式（3）进行叶绿素a浓度的计算，

Chl-a＝exp(0.0405+12.814*NDVI)    （3）

其中，NDVI＝(NIR-R)/(NIR+R)，Chl-a为叶绿素a浓度，NDVI为归一化植被指数，NIR为所述多光谱遥感数据的反射率图像的红外波段，R为所述多光谱遥感数据的反射率图像的红波段；

其中，步骤S2中，所述基于波段优化的叶绿素a模型为：

Chl-a＝1060.6x+34.465

其中，Chl-a为叶绿素a浓度， $x=[R_{\mathrm{rs}}^{-1}\left(660\right)-R_{\mathrm{rs}}^{-1}\left(690\right)]R_{\mathrm{rs}}\left(745\right),R_{\mathrm{rs}}^{-1}\left(660\right)$ 为环境一号卫星的高光谱遥感数据660nm处反射率的倒数，

为环境一号卫星的高光谱遥感数据690nm处反射率的倒数，R_rs(745)为环境一号卫星的高光谱遥感数据745nm处遥感反射率。

2.如权利要求1所述的叶绿素a浓度反演方法，其特征在于，步骤S2中，在根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算之前，对所述多光谱遥感数据进行处理，以获得多光谱遥感数据的反射率图像。

3.一种叶绿素a浓度反演系统，其特征在于，包括：

图像获取模块，用于获取环境一号卫星的多光谱遥感数据；

浓度计算模块，用于判断是否有所述多光谱数据获取的日期，若是且所述日期能够和叶绿素a浓度季节类反演模型匹配，则根据所述日期选择叶绿素a浓度季节类反演模型进行叶绿素a浓度的计算，否则，选择基于波段优化的叶绿素a模型进行叶绿素a浓度的计算；

其中，所述叶绿素a浓度季节类反演模型为：

判断所述日期所属的季节，

若为春季，则根据式（1）进行叶绿素a浓度的计算，

Chl-a＝exp(0.0542+0.1668*NDVI)    （1）

若为夏季，则根据式（2）进行叶绿素a浓度的计算，

Chl-a＝exp(0.0456+0.2262*NDVI)    （2）

若为秋季，则根据式（3）进行叶绿素a浓度的计算，

Chl-a＝exp(0.0405+12.814*NDVI)    （3）

其中，NDVI＝(NIR-R)/(NIR+R)，Chl-a为叶绿素a浓度，NDVI为归一化植被指数，NIR为所述多光谱遥感数据的反射率图像的红外波段，R为所述多光谱遥感数据的反射率图像的红波段；

其中，所述基于波段优化的叶绿素a模型为：

Chl-a＝1060.6x+34.465

其中，Chl-a为叶绿素a浓度， $x=[R_{\mathrm{rs}}^{-1}\left(660\right)-R_{\mathrm{rs}}^{-1}\left(690\right)]R_{\mathrm{rs}}\left(745\right),$

为环境一号卫星的高光谱遥感数据660nm处反射率的倒数，

为环境一号卫星的高光谱遥感数据690nm处反射率的倒数，R_rs(745)为环境一号卫星的高光谱遥感数据745nm处遥感反射率。

Images