CN108038351A - 一种基于遥感影像和水生态模型的叶绿素计算方法 - Google Patents

一种基于遥感影像和水生态模型的叶绿素计算方法 Download PDF

Info

Publication number
CN108038351A
CN108038351A CN201711279499.4A CN201711279499A CN108038351A CN 108038351 A CN108038351 A CN 108038351A CN 201711279499 A CN201711279499 A CN 201711279499A CN 108038351 A CN108038351 A CN 108038351A
Authority
CN
China
Prior art keywords
mrow
msub
mfrac
remote sensing
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711279499.4A
Other languages
English (en)
Other versions
CN108038351B (zh
Inventor
张万顺
许典子
彭虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201711279499.4A priority Critical patent/CN108038351B/zh
Publication of CN108038351A publication Critical patent/CN108038351A/zh
Application granted granted Critical
Publication of CN108038351B publication Critical patent/CN108038351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Farming Of Fish And Shellfish (AREA)
  • Peptides Or Proteins (AREA)

Abstract

本发明公开了一种基于遥感影像和水生态模型的叶绿素计算方法，包括：步骤1，基于遥感影像资料数据进行辐射定标、大气校正、图像裁剪及融合等数据预处理；步骤2，构建遥感水质反演模型，实现水温、叶绿素浓度等指标的分别反演；步骤3，将遥感影像反演得到的上述各项指标浓度和未来气象变化作为水生态模型输入条件，模拟水域环境在未来气象变化条件下，未来一段时间内由营养物质转化、藻类生长死亡等变化，引起的叶绿素浓度动态变化过程。本发明适用于水环境监控与预测，具有普适性，计算精度高，能实现监测布点有限条件下，流域大面积实时叶绿素浓度预测模拟，可形成集成遥感影像与水生态模型一体化的叶绿素浓度预测体系。

Description

一种基于遥感影像和水生态模型的叶绿素计算方法
技术领域
本发明属于水环境监控与预测领域，特别涉及一种基于遥感影像和水生态模型的叶绿素计算方法。
背景技术
随着城镇化的快速扩张和工业快速发展，以及农业生产中化肥、农药的大量使用，大量城镇生活污水和工农业废水排入江、河、湖、库等水体，使水体的污染负荷不断增加，造成我国内陆水体富营养化日益严重，“水华”事件频繁发生，严重影响和制约了水体功能的发挥和水资源的利用，对流域的饮用水安全和社会生产造成了直接威胁。因此能够及时有效地模拟预测水体“水华”风险的程度、“水华”暴发时间，以及“水华”暴发影响的水域范围，显得尤为重要。
保护水资源、防治水体富营养化，离不开富营养化水体监测监控。我国水环境监测监控技术目前存在一系列的问题，如监测频率较低；移动水质分析监控能力不强；不能实现快速、适时的水质检测，及时掌握水体富营养化状况变化的动态；监控网站的信息技术、联测联报的技术协调以及监测数据即时处理等能力还有待加强等。遥感技术是获取环境信息的有效工具，近年来，将遥感技术应用于水体富营养化监控，可以获取实时、连续和快速的环境信息，通过全面数据分析，为管理者提供宏观决策参考。其水质反演模型多为经验或半经验-半分析公式，缺乏藻类生长机理，忽视了外界气象因素与水文因素对水体水质的影响，同时由于遥感影像获取具有周期性例如Landsat系列卫星为16天一次，MODIS陆地数据为8天一次，仅能对当天叶绿素浓度进行反演，不能及时有效预测水体未来的水华风险。而单纯通过富营养化生态动力学模型对水体水华风险进行模拟预测需要大量的实测数据作支撑，而实际情况中往往难以快速便捷获取足够多的实测样本数据，因此可以通过遥感影像反演获取精细到像元单元的海量样本数据应用于水生态动力学模型进行模拟预测，使得模拟结果更加精确可靠。
发明内容
本发明的目的是提供一种基于遥感影像和水生态模型的叶绿素计算方法，使管理员能在野外有限布点的条件下，利用遥感技术进行大面积水体监测，并与数值模拟结合，进行水体叶绿素浓度及富营养化状况的监控与预测。
本发明以遥感影像为基础数据，通过遥感影像的辐射定标及大气校正等预处理后，进行水体温度反演和叶绿素浓度等反演，并与水生态模型相结合，能在传统布点有限的情况下，对水体中叶绿素浓度时空变化情况进行实时动态模拟。
为达到上述目的，本发明提出的一种基于遥感影像和水生态模型的叶绿素计算方法，包括以下步骤：
步骤1，遥感影像数据预处理；
步骤2，构建遥感水质反演模型，并将反演结果作为水生态模型计算的初值条件，具体实现如下，
步骤2-1，首先对研究区域实测光谱数据进行遥感反射率的提取，并进一步做归一化处理，选取遥感影像中具有实测遥感反演模型指标数据的采样点；
步骤2-2，建立遥感影像不同波段的运算组合，将选取的采样点实测遥感反演模型指标值与不同波段组合进行相关性分析，选择相关系数最大的波段组合，并将波段组合作为自变量，遥感反演模型指标作为因变量，构建反演模型，其中遥感反演模型指标包括水温、透明度、pH、总氮(TN)、总磷(TP)、化学需氧量(COD)、氨氮(NH3-N)、溶解氧(DO)、生化需氧量(BOD)、叶绿素浓度共十个指标；
步骤3，将反演模型得到的遥感反演模型指标值作为初值条件，在未来气象变化条件下，通过模拟水域环境中的营养物质转化、藻类生长死亡过程，计算未来一段时间的叶绿素浓度动态变化过程，实现方式如下，
步骤3-1，建立遥感反演模型指标与水生态模型指标之间的转化关系；
步骤3-2，基于二维规则网格构建技术，构建用于叶绿素时空分布模拟的二维规则网格体系，将实测水底地形和反演模型得到的遥感反演模型指标值插值到二维规则网格中，并构建水动力学模型，得到研究区域的水动力流场；
步骤3-3，进一步构建守恒物质对流扩散模型；
步骤3-4，模拟水域环境中的营养物质转化、藻类生长死亡过程，根据水质成分的转化与迁移规律，构建包括浮游植物动力学子系统、磷循环子系统、氮循环子系统和溶解氧平衡子系统的水生态模型，在未来气象变化条件下，计算获得未来一段时间的叶绿素动态时空分布特征。
进一步的，步骤1中所述遥感影像预处理包括以下子步骤，
步骤1-1，对遥感影像进行辐射定标，将传感器记录的无量纲的DN值转换成大气顶层辐射亮度或反射率，具体计算公式为，
L＝Gain*DN+Bias
其中，L为辐射亮度或反射率，DN为卫星载荷观测值，Gain为定标斜率，Bias为定标截距；
步骤1-2，对辐射定标之后的遥感影像进行大气校正，通过大气校正模型获取的大气顶层辐射亮度转换为地表反射率的相关参数，将卫星影像的辐射亮度转换为地表反射率，计算公式如下，
ρs＝y/(1+Xc*y)
y＝Xa*L-Xb
式中，ρs是地表反射率，L是辐射亮度，Xa、Xb、Xc由大气校正模型计算得到，是将表观辐亮度值转换为地表反射率的转换参数；
步骤1-3，根据研究区域要求对遥感影像进行影像裁剪，当研究区域不在一副完整的遥感影像中时，将研究区域所在的多幅遥感影像进行拼接融合；
其中，步骤1-3与步骤1-1和1-2没有先后顺序。
进一步的，所述步骤3-2中二维规则网格体系的构建方式为，选取研究区域的左下角和右上角，作为四边形的顶点，按照等间距的原则将四边形划分为n×n个规则网格，并将实测水底地形和反演模型得到的遥感反演模型指标值插值到每一个网格中，构建二维规则网格；
水动力模型的构建方式为，采用单宽流量qx，qy及水位ζ作为因变量的二维圣维南方程组模拟水动力学过程，具体方程如下，
连续方程：
动量方程：
式中，－水位(m)；h－水深(m)；u、v－沿水深平均流速在x、y方向速度分量(m/s)；f－科氏力系数；ρ－密度(kg/m3)；γ－广义涡粘性系数；P、E和qc－单位时间内降雨强度、水面蒸发量和汇入项(m/s)；τbx、τby－床面x、y方向的切应力，应用摩阻定律有τbx/ρ＝Cfu(u2+v2)1/2,τby/ρ＝Cfv(u2+v2)1/2；Cf－摩阻系数，Cf＝n2g/h1/2；n－糙率；τsx、τsy是自由表面x、y方向的风应力：
τbx/ρ＝γu(u2+v2)1/2，τbx/ρ＝γv(u2+v2)1/2。
进一步的，步骤3-3守恒物质对流扩散模型中水生态模型指标满足如下的守恒方程，
其中，Ci－第i种水生态模型指标的断面平均浓度；Ex和Ey－河道的纵向和横向扩散系数；Ski－第i种水生态模型指标的源漏项，i取值为1～8，其中，C1为氨氮、C2为硝氮、C3为无机磷、C4为浮游植物，也指叶绿素，C5为生化需氧量BOD、C6为溶解氧、C7为有机氮、C8为有机磷。
进一步的，步骤3-4的实现方式如下，
(1)浮游植物动力学子系统
浮游植物C4的源漏项SK4由浮游植物生长率、死亡率和降解率来表示，
其中，浮游植物的生长率表示为，
Gpl＝G(T)·G(I)·G(N)
浮游植物的死亡率表示为，
Dpl＝KlR+KlGZ(t)
浮游植物的降解率表示为，
式中，C4－浮游植物浓度，即叶绿素浓度；Gpl－生长率；Dpl－死亡率；KS4－降解率；G(T)－温度调节因子；G(I)－光照衰减因子；G(N)－营养限制因子；KlR－单位质量浮游植物有机碳氧化为CO2的量；KlG－浮游动物捕食率；Z(t)－与碳等价的浮游动物浓度；VS4－浮游植物净降解速度；D－平均水深；
(2)磷循环子系统
磷循环子系统中存在三种形式的磷：无机磷、有机磷和浮游植物磷，
浮游植物磷：
无机磷C3的源漏项SK3：
有机磷C8的源漏项SK8：
式中，APC－浮游植物的磷碳比；C3－无机磷浓度；K83－20℃时溶解无机磷的矿化反应系数；θ83－矿化反应的温度系数；T－水温；C8－有机磷浓度；KmPC－在磷循环中浮游植物达到极限时的半饱和常数；VS3－降解速度；fD3－水体中的无机磷所占的比重；fD8－水体中有机磷所占的比重；
(3)氮循环子系统
氮循环子系统中包含四种形式的氮：有机氮、氨氮、硝氮和浮游植物氮；
浮游植物氮：
有机氮C7的源漏项SK7：
氨氮C1的源漏项SK1：
硝氮C2的源漏项SK2：
其中，
式中，ANC－浮游植物的氮碳比；C7－有机氮；K12和K71－20℃时有机氮的硝化反应和矿化反应系数；θ12和θ71－硝化反应和矿化反应的温度系数；C6－溶解氧；KNIT－硝化反应中氧化达到极限时的半饱和常数；VS3－降解速度；fD7－水体中的有机氮占的比重；C1－氨氮；KmN－生长率G(N)是饱和生长率一半时的氮浓度；fON－死亡和氧化的浮游植物中转化为有机氮的比重；C2－硝氮；K2D－20℃时氨氮的反硝化反应系数；θD－反硝化反应的温度系数；－反硝化反应中氧达到极限时的半饱和常数；
(4)溶解氧平衡子系统
BOD(C5)的源漏项SK5：
溶解氧C6的源漏项SK6：
式中，C5－生化需氧量BOD；K1D－浮游植物的死亡率；AOC－浮游植物呼吸作用时氧对碳的比率；KD－20℃时的耗氧系数；θD，θa，θ1R－分别为温度系数；KBOD－达到氧极限时的半饱和常数；fD5－水体中溶解的BOD占的比重；KD－耗氧系数；Ka－富氧系数；K1R－20℃时的内源呼吸率；SOD－悬浮物。
本发明原理如下：
水生态模型是模拟水体水质、水生态状况，及水体中污染物迁移转化规律、藻类生消变化规律，进行水质保护、水环境评价和管理的有效工具。富营养化水体中的藻类生长会打破原有生态平衡，同样不利于人体和社会经济增长，可认为是水体中的污染物质。因此，可采用水生态模型模拟预测水体中藻类生物量(以叶绿素为指征)的动态变化过程。通过遥感影像数据反演得到叶绿素浓度等，并作为水生态模型的初始条件，在未来气象变化条件下，模拟叶绿素的动态时空分布，为水环境管理决策提供参考。
和现有技术相比，本发明具有以下优点和有益效果：
1、综合性强，基于实时和大面积的遥感影像数据，将其作为初值，同时考虑水动力、水质、气象等多种因素对叶绿素浓度的时空分布影响。
2、适用性强，可用于不同地域不同资料程度的水体，具有普遍适用性。
3、及时性强，能对实时遥感影像数据进行快速分析与处理，能对叶绿素时空分布进行快速预测，保证评价结果的及时有效性。
4、精度更高，覆盖全流域的遥感影像实时资料，更小控制单元下的水生态模拟模拟，可为叶绿素浓度模拟提供更高精度的结果。
5、需要较少的水文、水质和气象等实测监测数据。
附图说明
图1为本发明实施例具体的流程框架图；
图2为本发明实施例中大气校正技术路线图；
图3为本发明实施例中遥感反演模型指标与水生态模型计算指标之间的转化图；
图4为本发明实施例中水生态模型框架图；
图5为本发明实施例中太湖2015年4月17日遥感影像反演的叶绿素浓度分布图；
图6为本发明实施例中太湖2015年5月12日遥感影像反演的叶绿素浓度分布图；
图7为本发明实施例中太湖二维规则网格划分图；
图8为本发明实施例中太湖水体的叶绿素时空分布模拟结果。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1为本发明实施例一种基于遥感影像和水生态模型的叶绿素计算方法流程图，具体包括如下步骤：
步骤1，遥感影像数据预处理，对GF、Landsat、MODIS等卫星影像数据均适用：包括辐射定标、大气校正和影像裁剪及融合等过程。
步骤1-1，先进行辐射定标：其目的在于消除传感器本身产生的误差，将传感器记录的无量纲的DN值转换成具有实际物理意义的大气顶层辐射亮度或反射率，具体计算公式为：
L＝Gain*DN+Bias
其中：L为辐射亮度或反射率(W·m-2·sr-1·um-1),DN为卫星载荷观测值；Gain为定标斜率(W·m-2·sr-1·um-1)，Bias为定标截距(W·m-2·sr-1·um-1)，不同卫星的定标参数取值不同，取值来源于中国资源卫星应用中心：http://www.cresda.com/CN/Downloads/dbcs/index.shtml.
步骤1-2，大气校正：通过运行大气校正模型[1]获取的大气顶层辐射亮度转换为地表反射率的相关参数，将卫星影像的辐射亮度转换为地表反射率，可通过6s、FLAASH等大气校正模型实现；计算公式如下所示：
ρs＝y/(1+Xc*y)
y＝Xa*L-Xb
式中：ρs是地表反射率；L是辐射亮度；Xa、Xb、Xc由大气校正模型计算得到，是将表观辐亮度值转换为地表反射率的转换参数。
[1]刘佳,王利民,杨玲波,等.基于6S模型的GF-1卫星影像大气校正及效果[J].农业工程学报,2015,31(19):159-168.
大气校正模型需要以遥感卫星1级数据(未进行任何处理的原始数据)、元数据及传感器公开参数为输入数据，不需要其他外源辅助数据，大气校正技术路线见附图2，大气校正模型的输入参数主要包括：
(1)IGEOM几何参数(如传感器类型、太阳天顶角、方位角、成像时间、经纬度等，可从遥感影像xml文件获取)；
(2)IDATM气候类型(可根据实际情况选取，如中纬度夏、中纬度冬等)；
(3)IAER气溶胶类型(可根据实际情况选取，如大陆型、海洋型、城市型等)；
(4)V能见度(输入为550nm处的气溶胶光学厚度)；
(5)XPS目标海拔高度(利用GPS测得)；
(6)XPP传感器海拔高度(-1000表示卫星传感器)；
(7)IWAVE波谱响应函数(根据不同的传感器类型进行选择)；
(8)INHOMO地表异质性参数(0表示非异质，1表示异质性地表)；
(9)IRAPP反射率(小于0表示已经辐射定标后的表观反射率值，大于0表示辐射亮度值)。
步骤1-3，影像裁剪及融合：若研究区域并非在一副完整遥感影像中，需进行多幅影像拼接融合。影像裁剪分为规则分幅裁剪和不规则分幅裁剪两种类型。规则分幅裁剪是通过左上角和右下角两点的坐标，确定影像的裁剪位置。不规则分幅裁剪是指裁剪影像的边界范围是一个任意多边形，通过生成一个完整的闭合多边形区域确定裁剪位置。在实际处理过程中，需根据研究区域要求进行影像裁剪。在影像裁剪后，将处理后的数据转换为ASCⅡ格式文件输出。影像裁剪可在任意步骤前后进行。
步骤2，遥感影像数据温度与叶绿素浓度等反演：通过大气校正后，建立水温、透明度、pH、总氮(TN)、总磷(TP)、化学需氧量(COD)、氨氮(NH3-N)、溶解氧(DO)、生化需氧量(BOD)、叶绿素浓度反演模型，进行水质反演，并将反演结果作为水生态模型计算的初值条件。
步骤2-1首先对太湖实测光谱数据进行遥感反射率的提取，并进一步做归一化处理，选取具有实测水质数据的采样点。此步骤在Envi classic中进行，打开进行预处理后的遥感影像，在ROI tool界面上的ROI_Type下的input points from ASCll，选择对应的具有实测水质数据的采样点波段信息文件，在ROI tool界面点击output ROIs to ASCll导出；
步骤2-2建立遥感影像不同波段(B1、B2、……、Bn)的运算组合，如B1+B2、B1-B2、B1*B2、B1/B2等。将选取的采样点的实测叶绿素浓度值与不同波段组合进行相关性分析，选择相关系数最大的波段组合，将此作为自变量，将叶绿素作为因变量，构建叶绿素浓度反演模型；
步骤2-3类比步骤2.3，建立水温、透明度、pH、TN、TP、COD、NH3-N、DO、BOD浓度反演模型；
步骤3，叶绿素动态时空分布模拟：将遥感影像反演得到的水温、叶绿素浓度等作为初值条件，在未来气象变化条件下，模拟水域环境中的营养物质转化、藻类生长死亡等过程，计算未来一段时间的叶绿素浓度动态变化过程。
步骤3-1，建立遥感反演模型指标与水生态模型指标之间的转化关系，水生态模型指标值由遥感反演模型指标乘系数得到，将叶绿素浓度等作为水生态模型输入条件，具体转换关系如下表1所示：
表1水生态模型指标与遥感反演模型指标转化表
步骤3-2，水动力学模型：基于二维规则网格构建技术，构建用于叶绿素时空分布模拟的二维规则网格体系及其水动力模型，水动力模型可模拟得到研究区域不同时刻的流场(流量、水位、流速等)，不同流场条件下，污染物扩散和迁移转化状态不同，水质浓度场也将不同。
首先选取研究区域的左下角和右上角，作为四边形的顶点(此四边形能将水域范围囊括在内)，按照等间距的原则将四边形划分为n×n个规则网格，并把实测水底地形和遥感影像反演的水质数据插值到每一个网格中，构建二维规则网格。
采用单宽流量qx，qy及水位ζ(实测数据)作为因变量的二维圣维南方程组模拟湖库水动力学过程，具体方程如下：
连续方程：
动量方程：
式中：－水位(m)；h－水深(m)；u、v－沿水深平均流速在x、y方向速度分量(m/s)；f－科氏力系数；ρ－密度(kg/m3)；γ－广义涡粘性系数；P、E和qc－单位时间内降雨强度、水面蒸发量和汇入项(m/s)；τbx、τby－床面x、y方向的切应力，应用摩阻定律有τbx/ρ＝Cfu(u2+v2)1/2,τby/ρ＝Cfv(u2+v2)1/2；Cf－摩阻系数，Cf＝n2g/h1/2；n－糙率；τsx、τsy是自由表面x、y方向的风应力：
τbx/ρ＝γu(u2+v2)1/2，τbx/ρ＝γv(u2+v2)1/2
步骤3-3，进一步构建守恒物质对流扩散模型：在河流水体中，考虑稀释扩散过程、迁移传递过程，以及物质转化及生物的新陈代谢过程，污染物的直接负荷、边界负荷等因素，水质成分满足如下的守恒方程：
式中：Ci－第i种水生态模型指标的断面平均浓度；Ex和Ey－河道的纵向和横向扩散系数；Ski－第i种水生态模型指标的源漏项，i取值为1～8，其中，C1为氨氮、C2为硝氮、C3为无机磷、C4为浮游植物，也指叶绿素，C5为生化需氧量BOD、C6为溶解氧、C7为有机氮、C8为有机磷。
步骤3-4，水生态模型构建：主要考虑8个指标，包括：氨氮(C1)、硝氮(C2)、无机磷(C3)、浮游植物(C4,以叶绿素为表征)、生化需氧量(C5)、溶解氧(C6)、有机氮(C7)、有机磷(C8)。这8个指标被分为4个相互作用子系统：浮游植物动力学子系统、磷循环子系统、氮循环子系统和溶解氧平衡子系统，水生态模型框架见附图4。水生态模型通过考虑这几个子系统之间的物理化学过程来表达它们的迁移和转化规律，以及基本动力学相互作用关系，并在未来气象变化条件下，模拟未来一段时间的叶绿素动态时空分布特征。
(1)浮游植物动力学子系统：
浮游植物动力学子系统在水生态模型中占有核心位置，直接影响了其他几个子系统。浮游植物的源漏项SK4可由浮游植物生长率、死亡率和降解率来表示：
其中，浮游植物的生长率表示为:
Gpl＝G(T)·G(I)·G(N)
浮游植物的死亡率表示为：
Dpl＝KlR+KlGZ(t)
浮游植物的降解率表示为：
式中：C4－浮游植物浓度(mg/L)，即叶绿素浓度；Gpl－生长率(day-1)；Dpl－死亡率(day-1)；KS4－降解率(day-1)；G(T)－温度调节因子，无量纲；G(I)－光照衰减因子，无量纲；G(N)－营养限制因子，无量纲；KlR－单位质量浮游植物有机碳氧化为CO2的量(day-1)；KlG－浮游动物捕食率(mgC/day)；Z(t)－与碳等价的浮游动物浓度(mgC/L)；VS4－浮游植物净降解速度(m/day)；D－平均水深(m)。
(2)磷循环子系统：
磷循环子系统中存在三种形式的磷：无机磷(磷酸盐磷)、有机磷和浮游植物磷。浮游植物以无机磷为营养源用以维持自身生长；同时通过内源呼吸作用及非掠食性死亡，浮游植物体内的磷转化为有机磷和无机磷形式；有机磷通过矿化作用和细菌的分解作用转化为无机磷，重新开始循环。在水体中溶解无机磷和悬浮颗粒之间存在吸附解吸过程，悬浮颗粒吸附溶解无机磷后再沉降的过程也是磷的一个损失来源。
浮游植物磷：
无机磷C3的源漏项SK3：
有机磷C8的源漏项SK8：
式中：APC－浮游植物的磷碳比(mgP/mgC)；C3－无机磷浓度(mg/L)；K83－20℃时溶解无机磷的矿化反应系数(day-1)；θ83－矿化反应的温度系数，无量纲；T－水温(℃)；C8－有机磷浓度(mg/L)；KmPC－在磷循环中浮游植物达到极限时的半饱和常数(mgC/L)；VS3－降解速度(m/day)；fD3－水体中的无机磷所占的比重，无量纲；fD8－水体中有机磷所占的比重，无量纲。
(3)氮循环子系统：
氮循环子系统中包含四种形式的氮：有机氮、氨氮、硝氮和浮游植物氮。浮游植物以氨氮和硝氮为营养源来维持自身生长，各类氮的吸收率和所得到的总无机氮的浓度成正比；在浮游植物死亡和内源呼吸过程中，细胞体内的氮一部分转化为氨氮形式，其余转化为有机氮形式；有机氮在细菌的分解作用下转化为氨氮，其颗粒部分的沉降导致了氮的损失；氨氮在硝化细菌和氧的作用下转化为硝酸盐，重现开始循环。
浮游植物氮：
有机氮C7的源漏项SK7：
氨氮C1的源漏项SK1：
硝氮C2的源漏项SK2：
其中：
式中，ANC－浮游植物的氮碳比(mgN/mgC)；C7－有机氮(mg/L)；K12和K71－20℃时有机氮的硝化反应和矿化反应系数，day-1；θ12和θ71－硝化反应和矿化反应的温度系数，无量纲；C6－溶解氧(mg/L)；KNIT－硝化反应中氧化达到极限时的半饱和常数(mgC/L)；VS3－降解速度(m/day)；fD7－水体中的有机氮占的比重，无量纲；C1－氨氮(mg/L)；KmN－生长率G(N)是饱和生长率一半时的氮浓度(mg/L)；fON－死亡和氧化的浮游植物中转化为有机氮的比重，无量纲；C2－硝氮(mg/L)；K2D－20℃时氨氮的反硝化反应系数(day-1)；θD－反硝化反应的温度系数，无量纲；－反硝化反应中氧达到极限时的半饱和常数(mgC/L·day)。
(4)溶解氧平衡子系统：溶解氧受到的作用是双重的，大气复氧和浮游植物生长期间光合作用释放出氧是氧气的来源；藻类的呼吸作用，排放废水和各类污染源中的含碳物质的氧化作用和硝化作用导致了氧气的消耗。
BOD(C5)的源漏项SK5：
溶解氧C6的源漏项SK6：
式中，C5－生化需氧量(mg/L)；K1D－浮游植物的死亡率(day-1)；AOC－浮游植物呼吸作用时氧对碳的比率(mgO2/mgC)；KD－20℃时的耗氧系数(day-1)；θD，θa，θ1R－分别为温度系数，无量纲；KBOD－达到氧极限时的半饱和常数(day-1)；fD5－水体中溶解的BOD占的比重，无量纲；KD－耗氧系数，day-1；Ka－富氧系数(day-1)；K1R－20℃时的内源呼吸率(day-1)；SOD－悬浮物(mg/L)。
下面将以太湖水体为例对本发明进一步说明。
1、对2015年4月17日及2015年5月12日的GF-1影像数据，进行辐射定标、大气校正及遥感影像裁剪。
影像裁剪在ENVI 5.2中的Region of interest(ROI)Tool面板中实现。打开图像后将影像按Linear2％拉伸显示，打开Region of interest(ROI)Tool面板，并在图像上绘制需要四边形，绘制大致包括太湖范围内的四边形，作为裁剪区域，保存绘制的四边形ROI，在Subset Data from ROIs Parameters面板中，设置好参数，完成裁剪，将裁剪后的影像数据转化为ASCⅡ格式文件导出。
2、提取太湖湖区实测数据采样点的遥感影像不同波段反射率，进行不同波段时间的运算组合，将采样点的实测叶绿素浓度与不同波段组合结果进行相关性分析，得到与叶绿素相关性最大的波段组合。其中，2015年4月得到的波段组合为B2/(B3+B4)，2015年5月得到的波段组合为B3/(B2+B4)。并将此波段组合作为自变量x，将叶绿素浓度作为因变量y，得到叶绿素反演模型，即2015年4月叶绿素浓度反演模型为y＝-0.577x+0.335，2015年5月叶绿素浓度反演模型为y＝0.022x-0.008。类比叶绿素，建立水温、透明度、pH、TN、TP、COD、NH3-N、DO、BOD浓度反演模型。
3、对研究范围进行网格划分，太湖的计算网格划分总数为300×300个(图7)，并将实测水底地形和反演得到的叶绿素、水温、透明度、pH、TN、TP、COD、NH3-N、DO、BOD浓度值插值到网格中，并转换成水生态模型指标(图3)，作为水生态模型输入条件。如图5和图6，遥感水质反演结果表明，太湖西南部和西北部叶绿素a浓度较高，其中西北部浓度范围从0.02mg/L到0.15mg/L，西南部浓度范围从0.02mg/L到0.04mg/L，太湖大范围面积的叶绿素浓度水平处于0.02～0.03mg/L间。
4、构建太湖水动力-水生态动力学模型，并用当地历史的水文等实测资料和通过GF-1影像反演后的2015年4月17日水质结果作为水生态模型输入条件，考虑水动力流场和污染物迁移转化过程等，在未来气象变化条件下，进行太湖富营养化生态动力学模型计算，图8为通过水生态模型计算后得到的5月12日叶绿素浓度场，并与2015年5月12日遥感影像反演结果(图6)进行对比，可看出模拟的叶绿素的浓度分布连续，结果较为精确合理。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于遥感影像和水生态模型的叶绿素计算方法，其特征在于，包括如下步骤：
步骤1，遥感影像数据预处理；
步骤2，构建遥感水质反演模型，并将反演结果作为水生态模型计算的初值条件，具体实现如下，
步骤2-1，首先对研究区域实测光谱数据进行遥感反射率的提取，并进一步做归一化处理，选取遥感影像中具有实测遥感反演模型指标数据的采样点；
步骤2-2，建立遥感影像不同波段的运算组合，将选取的采样点实测遥感反演模型指标值与不同波段组合进行相关性分析，选择相关系数最大的波段组合，并将波段组合作为自变量，遥感反演模型指标作为因变量，构建反演模型，其中遥感反演模型指标包括水温、透明度、pH、总氮(TN)、总磷(TP)、化学需氧量(COD)、氨氮(NH3-N)、溶解氧(DO)、生化需氧量(BOD)、叶绿素浓度共十个指标；
步骤3，将反演模型得到的遥感反演模型指标值作为初值条件，在未来气象变化条件下，通过模拟水域环境中的营养物质转化、藻类生长死亡过程，计算未来一段时间的叶绿素浓度动态变化过程，实现方式如下，
步骤3-1，建立遥感反演模型指标与水生态模型指标之间的转化关系；
步骤3-2，基于二维规则网格构建技术，构建用于叶绿素时空分布模拟的二维规则网格体系，将实测水底地形和反演模型得到的遥感反演模型指标值插值到二维规则网格中，并构建水动力学模型，得到研究区域的水动力流场；
步骤3-3，进一步构建守恒物质对流扩散模型；
步骤3-4，模拟水域环境中的营养物质转化、藻类生长死亡过程，根据水质成分的转化与迁移规律，构建包括浮游植物动力学子系统、磷循环子系统、氮循环子系统和溶解氧平衡子系统的水生态模型，在未来气象变化条件下，计算获得未来一段时间的叶绿素动态时空分布特征。
2.如权利要求1所述的一种基于遥感影像和水生态模型的叶绿素计算方法，其特征在于：步骤1中所述遥感影像预处理包括以下子步骤，
步骤1-1，对遥感影像进行辐射定标，将传感器记录的无量纲的DN值转换成大气顶层辐射亮度或反射率，具体计算公式为，
L＝Gain*DN+Bias
其中，L为辐射亮度或反射率，DN为卫星载荷观测值，Gain为定标斜率，Bias为定标截距；
步骤1-2，对辐射定标之后的遥感影像进行大气校正，通过大气校正模型获取的大气顶层辐射亮度转换为地表反射率的相关参数，将卫星影像的辐射亮度转换为地表反射率，计算公式如下，
ρs＝y/(1+Xc*y)
y＝Xa*L-Xb
式中，ρs是地表反射率，L是辐射亮度，Xa、Xb、Xc由大气校正模型计算得到，是将表观辐亮度值转换为地表反射率的转换参数；
步骤1-3，根据研究区域要求对遥感影像进行影像裁剪，当研究区域不在一副完整的遥感影像中时，将研究区域所在的多幅遥感影像进行拼接融合；
其中，步骤1-3与步骤1-1和1-2没有先后顺序。
3.如权利要求1或2所述的一种基于遥感影像和水生态模型的叶绿素计算方法，其特征在于：所述步骤3-2中二维规则网格体系的构建方式为，选取研究区域的左下角和右上角，作为四边形的顶点，按照等间距的原则将四边形划分为n×n个规则网格，并将实测水底地形和反演模型得到的遥感反演模型指标值插值到每一个网格中，构建二维规则网格；
水动力模型的构建方式为，采用单宽流量qx，qy及水位ζ作为因变量的二维圣维南方程组模拟水动力学过程，具体方程如下，
连续方程：
动量方程：
式中，－水位(m)；h－水深(m)；u、v－沿水深平均流速在x、y方向速度分量(m/s)；f－科氏力系数；ρ－密度(kg/m3)；γ－广义涡粘性系数；P、E和qc－单位时间内降雨强度、水面蒸发量和汇入项(m/s)；τbx、τby－床面x、y方向的切应力，应用摩阻定律有τbx/ρ＝Cfu(u2+v2)1/2,τby/ρ＝Cfv(u2+v2)1/2；Cf－摩阻系数，Cf＝n2g/h1/2；n－糙率；τsx、τsy是自由表面x、y方向的风应力：
τbx/ρ＝γu(u2+v2)1/2，τbx/ρ＝γv(u2+v2)1/2。
4.如权利要求3所述的一种基于遥感影像和水生态模型的叶绿素计算方法，其特征在于：步骤3-3守恒物质对流扩散模型中水生态模型指标满足如下的守恒方程，
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>hC</mi> <mi>i</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>t</mi> </mrow> </mfrac> <mo>+</mo> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>x</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>x</mi> </msub> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>y</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>y</mi> </msub> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>x</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>hE</mi> <mi>x</mi> </msub> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>x</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>y</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <msub> <mi>hE</mi> <mi>y</mi> </msub> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>y</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>hS</mi> <mrow> <mi>k</mi> <mi>i</mi> </mrow> </msub> </mrow>
其中，Ci－第i种水生态模型指标的断面平均浓度；Ex和Ey－河道的纵向和横向扩散系数；Ski－第i种水生态模型指标的源漏项，i取值为1～8，其中，C1为氨氮、C2为硝氮、C3为无机磷、C4为浮游植物，也指叶绿素，C5为生化需氧量BOD、C6为溶解氧、C7为有机氮、C8为有机磷。
5.如权利要求4所述的一种基于遥感影像和水生态模型的叶绿素计算方法，其特征在于：步骤3-4的实现方式如下，
(1)浮游植物动力学子系统
浮游植物C4的源漏项SK4由浮游植物生长率、死亡率和降解率来表示，
<mrow> <msub> <mi>S</mi> <mrow> <mi>K</mi> <mn>4</mn> </mrow> </msub> <mo>:</mo> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mn>4</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>G</mi> <mrow> <mi>p</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>D</mi> <mrow> <mi>p</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>K</mi> <mrow> <mi>S</mi> <mn>4</mn> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>C</mi> <mn>4</mn> </msub> </mrow>
其中，浮游植物的生长率表示为，
Gpl＝G(T)·G(I)·G(N)
浮游植物的死亡率表示为，
Dpl＝KlR+KlGZ(t)
浮游植物的降解率表示为，
<mrow> <msub> <mi>K</mi> <mrow> <mi>S</mi> <mn>4</mn> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>V</mi> <mrow> <mi>S</mi> <mn>4</mn> </mrow> </msub> <mi>D</mi> </mfrac> </mrow>
式中，C4－浮游植物浓度，即叶绿素浓度；Gpl－生长率；Dpl－死亡率；KS4－降解率；G(T)－温度调节因子；G(I)－光照衰减因子；G(N)－营养限制因子；KlR－单位质量浮游植物有机碳氧化为CO2的量；KlG－浮游动物捕食率；Z(t)－与碳等价的浮游动物浓度；VS4－浮游植物净降解速度；D－平均水深；
(2)磷循环子系统
磷循环子系统中存在三种形式的磷：无机磷、有机磷和浮游植物磷，
浮游植物磷：
无机磷C3的源漏项SK3：
有机磷C8的源漏项SK8：
式中，APC－浮游植物的磷碳比；C3－无机磷浓度；K83－20℃时溶解无机磷的矿化反应系数；θ83－矿化反应的温度系数；T－水温；C8－有机磷浓度；KmPC－在磷循环中浮游植物达到极限时的半饱和常数；VS3－降解速度；fD3－水体中的无机磷所占的比重；fD8－水体中有机磷所占的比重；
(3)氮循环子系统
氮循环子系统中包含四种形式的氮：有机氮、氨氮、硝氮和浮游植物氮；
浮游植物氮：
有机氮C7的源漏项SK7：
氨氮C1的源漏项SK1：
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mn>1</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <msub> <mi>K</mi> <mn>71</mn> </msub> <msubsup> <mi>&amp;theta;</mi> <mn>71</mn> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <msub> <mi>C</mi> <mn>7</mn> </msub> <mo>-</mo> <msub> <mi>G</mi> <mrow> <mi>p</mi> <mi>l</mi> </mrow> </msub> <msub> <mi>C</mi> <mn>4</mn> </msub> <msub> <mi>P</mi> <mrow> <msub> <mi>NH</mi> <mn>3</mn> </msub> </mrow> </msub> <msub> <mi>A</mi> <mrow> <mi>N</mi> <mi>C</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>K</mi> <mn>12</mn> </msub> <msubsup> <mi>&amp;theta;</mi> <mn>12</mn> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <msub> <mi>C</mi> <mn>1</mn> </msub> <mfrac> <msub> <mi>C</mi> <mn>6</mn> </msub> <mrow> <msub> <mi>K</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>+</mo> <msub> <mi>D</mi> <mrow> <mi>p</mi> <mi>l</mi> </mrow> </msub> <msub> <mi>C</mi> <mn>4</mn> </msub> <msub> <mi>A</mi> <mrow> <mi>N</mi> <mi>C</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>O</mi> <mi>N</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mrow>
硝氮C2的源漏项SK2：
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mn>2</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <msub> <mi>K</mi> <mn>12</mn> </msub> <msubsup> <mi>&amp;theta;</mi> <mn>12</mn> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <msub> <mi>C</mi> <mn>1</mn> </msub> <mfrac> <msub> <mi>C</mi> <mn>6</mn> </msub> <mrow> <msub> <mi>K</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>-</mo> <msub> <mi>G</mi> <mrow> <mi>p</mi> <mi>l</mi> </mrow> </msub> <msub> <mi>C</mi> <mn>4</mn> </msub> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <msub> <mi>NH</mi> <mn>3</mn> </msub> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <msub> <mi>A</mi> <mrow> <mi>N</mi> <mi>C</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>K</mi> <mrow> <mn>2</mn> <mi>D</mi> </mrow> </msub> <msub> <mi>&amp;theta;</mi> <mi>D</mi> </msub> <msub> <mi>C</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mfrac> <msub> <mi>K</mi> <mrow> <msub> <mi>NO</mi> <mn>3</mn> </msub> </mrow> </msub> <mrow> <msub> <mi>K</mi> <mrow> <msub> <mi>NO</mi> <mn>3</mn> </msub> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
其中，
式中，ANC－浮游植物的氮碳比；C7－有机氮；K12和K71－20℃时有机氮的硝化反应和矿化反应系数；θ12和θ71－硝化反应和矿化反应的温度系数；C6－溶解氧；KNIT－硝化反应中氧化达到极限时的半饱和常数；VS3－降解速度；fD7－水体中的有机氮占的比重；C1－氨氮；KmN－生长率G(N)是饱和生长率一半时的氮浓度；fON－死亡和氧化的浮游植物中转化为有机氮的比重；C2－硝氮；K2D－20℃时氨氮的反硝化反应系数；θD－反硝化反应的温度系数；－反硝化反应中氧达到极限时的半饱和常数；
(4)溶解氧平衡子系统
BOD(C5)的源漏项SK5：
<mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mn>5</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <msub> <mi>K</mi> <mrow> <mn>1</mn> <mi>D</mi> </mrow> </msub> <msub> <mi>C</mi> <mn>4</mn> </msub> <msub> <mi>A</mi> <mrow> <mi>O</mi> <mi>C</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>K</mi> <mi>D</mi> </msub> <msubsup> <mi>&amp;theta;</mi> <mi>D</mi> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <msub> <mi>C</mi> <mn>5</mn> </msub> <mfrac> <msub> <mi>C</mi> <mn>6</mn> </msub> <mrow> <msub> <mi>K</mi> <mrow> <mi>B</mi> <mi>O</mi> <mi>D</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>-</mo> <mfrac> <msub> <mi>V</mi> <mrow> <mi>S</mi> <mn>3</mn> </mrow> </msub> <mi>D</mi> </mfrac> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>D</mi> <mn>5</mn> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>C</mi> <mn>5</mn> </msub> <mo>-</mo> <mfrac> <mn>160</mn> <mn>56</mn> </mfrac> <msub> <mi>K</mi> <mrow> <mn>2</mn> <mi>D</mi> </mrow> </msub> <msubsup> <mi>&amp;theta;</mi> <mi>D</mi> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mfrac> <msub> <mi>K</mi> <mrow> <msub> <mi>NO</mi> <mn>3</mn> </msub> </mrow> </msub> <mrow> <msub> <mi>K</mi> <mrow> <msub> <mi>NO</mi> <mn>3</mn> </msub> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <msub> <mi>C</mi> <mn>2</mn> </msub> </mrow>
溶解氧C6的源漏项SK6：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mfrac> <mrow> <mo>&amp;part;</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> <mrow> <mo>&amp;part;</mo> <mi>t</mi> </mrow> </mfrac> <mo>=</mo> <msub> <mi>K</mi> <mi>a</mi> </msub> <msubsup> <mi>&amp;theta;</mi> <mi>a</mi> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mrow> <msub> <mi>C</mi> <mn>5</mn> </msub> <mo>-</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>K</mi> <mi>D</mi> </msub> <msubsup> <mi>&amp;theta;</mi> <mi>D</mi> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <msub> <mi>C</mi> <mn>5</mn> </msub> <mfrac> <msub> <mi>C</mi> <mn>6</mn> </msub> <mrow> <msub> <mi>K</mi> <mrow> <mi>B</mi> <mi>O</mi> <mi>D</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>-</mo> <mfrac> <mn>64</mn> <mn>14</mn> </mfrac> <msub> <mi>K</mi> <mn>12</mn> </msub> <msubsup> <mi>&amp;theta;</mi> <mn>12</mn> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mfrac> <msub> <mi>C</mi> <mn>6</mn> </msub> <mrow> <msub> <mi>K</mi> <mrow> <mi>N</mi> <mi>I</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <msub> <mi>C</mi> <mn>6</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mn>32</mn> <mn>12</mn> </mfrac> <msub> <mi>K</mi> <mrow> <mn>1</mn> <mi>R</mi> </mrow> </msub> <msubsup> <mi>&amp;theta;</mi> <mrow> <mn>1</mn> <mi>R</mi> </mrow> <mrow> <mi>T</mi> <mo>-</mo> <mn>20</mn> </mrow> </msubsup> <msub> <mi>C</mi> <mn>4</mn> </msub> <mo>-</mo> <mfrac> <mrow> <mi>S</mi> <mi>O</mi> <mi>D</mi> </mrow> <mi>D</mi> </mfrac> <mo>+</mo> <msub> <mi>G</mi> <mrow> <mi>p</mi> <mi>l</mi> </mrow> </msub> <msub> <mi>C</mi> <mn>4</mn> </msub> <mrow> <mo>(</mo> <mrow> <mfrac> <mn>32</mn> <mn>12</mn> </mfrac> <mo>+</mo> <mfrac> <mn>48</mn> <mn>14</mn> </mfrac> <msub> <mi>A</mi> <mrow> <mi>N</mi> <mi>C</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>P</mi> <mrow> <msub> <mi>NH</mi> <mn>3</mn> </msub> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
式中，C5－生化需氧量BOD；K1D－浮游植物的死亡率；AOC－浮游植物呼吸作用时氧对碳的比率；KD－20℃时的耗氧系数；θD，θa，θ1R－分别为温度系数；KBOD－达到氧极限时的半饱和常数；fD5－水体中溶解的BOD占的比重；KD－耗氧系数；Ka－富氧系数；K1R－20℃时的内源呼吸率；SOD－悬浮物。
CN201711279499.4A 2017-12-06 2017-12-06 一种基于遥感影像和水生态模型的叶绿素计算方法 Active CN108038351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711279499.4A CN108038351B (zh) 2017-12-06 2017-12-06 一种基于遥感影像和水生态模型的叶绿素计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711279499.4A CN108038351B (zh) 2017-12-06 2017-12-06 一种基于遥感影像和水生态模型的叶绿素计算方法

Publications (2)

Publication Number Publication Date
CN108038351A true CN108038351A (zh) 2018-05-15
CN108038351B CN108038351B (zh) 2020-06-09

Family

ID=62095668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711279499.4A Active CN108038351B (zh) 2017-12-06 2017-12-06 一种基于遥感影像和水生态模型的叶绿素计算方法

Country Status (1)

Country Link
CN (1) CN108038351B (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN109060614A (zh) * 2018-09-04 2018-12-21 中国科学院南海海洋研究所 一种海洋大气光学参数的测量方法及设备
CN109086948A (zh) * 2018-09-17 2018-12-25 中国水利水电科学研究院 基于数据同化的湖库富营养化预警方法
CN109406405A (zh) * 2018-10-11 2019-03-01 核工业北京地质研究院 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法
CN109489721A (zh) * 2018-11-09 2019-03-19 朱光兴 一种水环境敏感区遥感识别系统
CN109493332A (zh) * 2018-11-06 2019-03-19 北京京航计算通讯研究所 基于envi的优化矢量选取roi遥感影像预处理系统
CN109711066A (zh) * 2018-12-28 2019-05-03 南开大学 一种浅水型小型湖库水华预测方法及预测模型
CN109740180A (zh) * 2018-11-30 2019-05-10 北京航空航天大学 一种基于几何光学模型的稀疏水生植被冠层方向反射率模拟方法
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法
CN110597932A (zh) * 2019-07-05 2019-12-20 袁静 一种基于遥感影像的环境综合评估预测方法
CN110910471A (zh) * 2019-11-13 2020-03-24 江苏禹治流域管理技术研究院有限公司 城市水地图及其制作显示方法
CN110987063A (zh) * 2019-11-18 2020-04-10 广东岭秀科技有限公司 一种遥感监测河湖水文水生态要素的方法
CN111797186A (zh) * 2020-06-17 2020-10-20 南开大学 一种遥感反演水体cod的方法
CN113011740A (zh) * 2021-03-18 2021-06-22 长江水资源保护科学研究所 一种用于构建湖泊湿地生态对水位梯度响应关系的方法
CN113063906A (zh) * 2021-02-09 2021-07-02 国家海洋局南海预报中心(国家海洋局广州海洋预报台) 一种叶绿素a锋面的检测方法及装置
CN113077847A (zh) * 2021-04-08 2021-07-06 北京城市排水集团有限责任公司 在线模型水质转换方法、系统、电子设备及介质
CN113379262A (zh) * 2021-06-18 2021-09-10 武汉大学 河道内水草影响电站发电的风险预警方法及系统
CN113627296A (zh) * 2021-08-02 2021-11-09 齐鲁空天信息研究院 叶绿素a浓度插值方法、装置、电子设备及存储介质
CN113793374A (zh) * 2021-09-01 2021-12-14 自然资源部第二海洋研究所 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法
CN114018338A (zh) * 2021-11-17 2022-02-08 天津市水利科学研究院 基于光谱指数模型的水体识别系统
CN114239422A (zh) * 2022-02-23 2022-03-25 中国海洋大学 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
CN115100414A (zh) * 2022-07-25 2022-09-23 中国水产科学研究院南海水产研究所 一种基于数据分析的藻类培养方法、系统及介质
CN116337819A (zh) * 2023-03-27 2023-06-27 北京智科远达数据技术有限公司 一种水体化学需氧量浓度的反演方法
CN116359137A (zh) * 2023-05-31 2023-06-30 武汉大学 多水域城市生态环境遥感监测方法
CN117113735A (zh) * 2023-10-25 2023-11-24 湖南大学 基于多层次生态模型的藻华智能预警方法与系统
CN117392564A (zh) * 2023-10-13 2024-01-12 哈尔滨师范大学 一种基于深度学习的河流水质反演方法、电子设备及存储介质
CN117435867A (zh) * 2023-12-21 2024-01-23 中关村睿宸卫星创新应用研究院 确定叶绿素浓度变化时间规律的方法、装置、介质及设备
CN117516639A (zh) * 2024-01-08 2024-02-06 吉林农业大学 一种基于多光谱点云融合的高通量温室植物表型测量系统
CN117669392A (zh) * 2024-02-01 2024-03-08 自然资源部第二海洋研究所 一种河流营养盐通量的遥感监测方法
CN117688847A (zh) * 2024-02-02 2024-03-12 自然资源部第二海洋研究所 基于控制机制及机器学习的海气氧通量遥感反演方法
CN117992801A (zh) * 2024-04-03 2024-05-07 南京信息工程大学 一种通过卫星遥感技术的海域监测方法与系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105115941B (zh) * 2015-09-30 2017-09-12 国家海洋局南海预报中心 一种提取复杂水体叶绿素浓度分布信息的遥感反演方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105115941B (zh) * 2015-09-30 2017-09-12 国家海洋局南海预报中心 一种提取复杂水体叶绿素浓度分布信息的遥感反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANSHUN ZHANG等: "Chlorophyll a (Chl-a) Concentration Measurement and Prediction in Taihu Lake Based on MODIS Image Data", 《PROCEEDINGS OF THE 8TH INTERNATIONAL SYMPOSIUM ON SPATIAL ACCURACY ASSESSMENT IN NATURAL RESOURCES AND ENVIRONMENTAL SCIENCES》 *
冼翠玲: "基于遥感的香溪河水质模拟方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑 》 *
彭虹等: "浅水水体水质生态修复的数值模拟", 《水利规划与设计》 *

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985959A (zh) * 2018-08-09 2018-12-11 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN108985959B (zh) * 2018-08-09 2021-05-28 安徽大学 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN109060614B (zh) * 2018-09-04 2020-12-11 中国科学院南海海洋研究所 一种海洋大气光学参数的测量方法及设备
CN109060614A (zh) * 2018-09-04 2018-12-21 中国科学院南海海洋研究所 一种海洋大气光学参数的测量方法及设备
CN109086948A (zh) * 2018-09-17 2018-12-25 中国水利水电科学研究院 基于数据同化的湖库富营养化预警方法
CN109086948B (zh) * 2018-09-17 2022-03-25 中国水利水电科学研究院 基于数据同化的湖库富营养化预警方法
CN109406405A (zh) * 2018-10-11 2019-03-01 核工业北京地质研究院 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法
CN109493332A (zh) * 2018-11-06 2019-03-19 北京京航计算通讯研究所 基于envi的优化矢量选取roi遥感影像预处理系统
CN109493332B (zh) * 2018-11-06 2021-06-22 北京京航计算通讯研究所 基于envi的优化矢量选取roi遥感影像预处理系统
CN109489721A (zh) * 2018-11-09 2019-03-19 朱光兴 一种水环境敏感区遥感识别系统
CN109740180A (zh) * 2018-11-30 2019-05-10 北京航空航天大学 一种基于几何光学模型的稀疏水生植被冠层方向反射率模拟方法
CN109711066B (zh) * 2018-12-28 2023-01-31 南开大学 一种浅水型小型湖库水华预测方法及预测模型
CN109711066A (zh) * 2018-12-28 2019-05-03 南开大学 一种浅水型小型湖库水华预测方法及预测模型
CN110046415A (zh) * 2019-04-08 2019-07-23 中国科学院南京地理与湖泊研究所 一种时空精细化的土壤有机质含量遥感动态反演方法
CN110597932A (zh) * 2019-07-05 2019-12-20 袁静 一种基于遥感影像的环境综合评估预测方法
CN110910471A (zh) * 2019-11-13 2020-03-24 江苏禹治流域管理技术研究院有限公司 城市水地图及其制作显示方法
CN110910471B (zh) * 2019-11-13 2024-02-06 江苏禹治流域管理技术研究院有限公司 城市水地图及其制作显示方法
CN110987063A (zh) * 2019-11-18 2020-04-10 广东岭秀科技有限公司 一种遥感监测河湖水文水生态要素的方法
CN111797186A (zh) * 2020-06-17 2020-10-20 南开大学 一种遥感反演水体cod的方法
CN113063906A (zh) * 2021-02-09 2021-07-02 国家海洋局南海预报中心(国家海洋局广州海洋预报台) 一种叶绿素a锋面的检测方法及装置
CN113011740A (zh) * 2021-03-18 2021-06-22 长江水资源保护科学研究所 一种用于构建湖泊湿地生态对水位梯度响应关系的方法
CN113011740B (zh) * 2021-03-18 2021-09-14 长江水资源保护科学研究所 一种用于构建湖泊湿地生态对水位梯度响应关系的方法
CN113077847A (zh) * 2021-04-08 2021-07-06 北京城市排水集团有限责任公司 在线模型水质转换方法、系统、电子设备及介质
WO2022213620A1 (zh) * 2021-04-08 2022-10-13 北京城市排水集团有限责任公司 在线模型水质转换方法、系统、电子设备及介质
CN113379262A (zh) * 2021-06-18 2021-09-10 武汉大学 河道内水草影响电站发电的风险预警方法及系统
CN113379262B (zh) * 2021-06-18 2022-06-07 武汉大学 河道内水草影响电站发电的风险预警方法及系统
CN113627296A (zh) * 2021-08-02 2021-11-09 齐鲁空天信息研究院 叶绿素a浓度插值方法、装置、电子设备及存储介质
CN113627296B (zh) * 2021-08-02 2023-10-27 齐鲁空天信息研究院 叶绿素a浓度插值方法、装置、电子设备及存储介质
CN113793374A (zh) * 2021-09-01 2021-12-14 自然资源部第二海洋研究所 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法
CN113793374B (zh) * 2021-09-01 2023-12-22 自然资源部第二海洋研究所 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法
CN114018338A (zh) * 2021-11-17 2022-02-08 天津市水利科学研究院 基于光谱指数模型的水体识别系统
CN114018338B (zh) * 2021-11-17 2023-08-22 天津市水利科学研究院 基于光谱指数模型的水体识别系统
CN114239422A (zh) * 2022-02-23 2022-03-25 中国海洋大学 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
CN114239422B (zh) * 2022-02-23 2022-05-17 中国海洋大学 基于机器学习提高海洋叶绿素a浓度预报准确度的方法
CN115100414A (zh) * 2022-07-25 2022-09-23 中国水产科学研究院南海水产研究所 一种基于数据分析的藻类培养方法、系统及介质
CN116337819B (zh) * 2023-03-27 2023-10-27 北京智科远达数据技术有限公司 一种水体化学需氧量浓度的反演方法
CN116337819A (zh) * 2023-03-27 2023-06-27 北京智科远达数据技术有限公司 一种水体化学需氧量浓度的反演方法
CN116359137A (zh) * 2023-05-31 2023-06-30 武汉大学 多水域城市生态环境遥感监测方法
CN116359137B (zh) * 2023-05-31 2023-08-15 武汉大学 多水域城市生态环境遥感监测方法
CN117392564B (zh) * 2023-10-13 2024-04-05 哈尔滨师范大学 一种基于深度学习的河流水质反演方法、电子设备及存储介质
CN117392564A (zh) * 2023-10-13 2024-01-12 哈尔滨师范大学 一种基于深度学习的河流水质反演方法、电子设备及存储介质
CN117113735B (zh) * 2023-10-25 2024-01-02 湖南大学 基于多层次生态模型的藻华智能预警方法与系统
CN117113735A (zh) * 2023-10-25 2023-11-24 湖南大学 基于多层次生态模型的藻华智能预警方法与系统
CN117435867A (zh) * 2023-12-21 2024-01-23 中关村睿宸卫星创新应用研究院 确定叶绿素浓度变化时间规律的方法、装置、介质及设备
CN117435867B (zh) * 2023-12-21 2024-03-08 中关村睿宸卫星创新应用研究院 确定叶绿素浓度变化时间规律的方法、装置、介质及设备
CN117516639A (zh) * 2024-01-08 2024-02-06 吉林农业大学 一种基于多光谱点云融合的高通量温室植物表型测量系统
CN117669392A (zh) * 2024-02-01 2024-03-08 自然资源部第二海洋研究所 一种河流营养盐通量的遥感监测方法
CN117688847A (zh) * 2024-02-02 2024-03-12 自然资源部第二海洋研究所 基于控制机制及机器学习的海气氧通量遥感反演方法
CN117688847B (zh) * 2024-02-02 2024-05-31 自然资源部第二海洋研究所 基于控制机制及机器学习的海气氧通量遥感反演方法
CN117992801A (zh) * 2024-04-03 2024-05-07 南京信息工程大学 一种通过卫星遥感技术的海域监测方法与系统

Also Published As

Publication number Publication date
CN108038351B (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN108038351B (zh) 一种基于遥感影像和水生态模型的叶绿素计算方法
Evans et al. Variability in organic carbon reactivity across lake residence time and trophic gradients
Yang et al. Spatial‐temporal variation of lake surface water temperature and its driving factors in Yunnan‐Guizhou Plateau
Xia et al. The potential impacts of climate change factors on freshwater eutrophication: implications for research and countermeasures of water management in China
Komatsu et al. A modeling approach to forecast the effect of long-term climate change on lake water quality
Wondie et al. Seasonal variation in primary production of a large high altitude tropical lake (Lake Tana, Ethiopia): effects of nutrient availability and water transparency
Hofmann et al. Modeling the dynamics of continental shelf carbon
Conroy et al. “Dead Zone” dynamics in Lake Erie: the importance of weather and sampling intensity for calculated hypolimnetic oxygen depletion rates
Kim et al. Simulation of algal bloom dynamics in a river with the ensemble Kalman filter
Xia et al. Numerical simulation of salinity and dissolved oxygen at Perdido Bay and adjacent coastal ocean
Araujo et al. A synoptic assessment of the amazon river-ocean continuum during boreal autumn: from physics to plankton communities and carbon flux
Soares et al. Controls on dissolved organic carbon bioreactivity in river systems
Oliveira et al. Modeling the impact of extreme river discharge on the nutrient dynamics and dissolved oxygen in two adjacent estuaries (Portugal)
Yu et al. Assessment of water quality using chemometrics and multivariate statistics: a case study in chaobai river replenished by reclaimed water, North China
Kim et al. An offline unstructured biogeochemical model (UBM) for complex estuarine and coastal environments
Wei et al. Spatial distribution of nutrient loads and thresholds in large shallow lakes: The case of Chaohu Lake, China
Petihakis et al. Ecosystem modelling: Towards the development of a management tool for a marine coastal system part-II, ecosystem processes and biogeochemical fluxes
Villota-López et al. Applying EFDC Explorer model in the Gallinas River, Mexico to estimate its assimilation capacity for water quality protection
Signorini et al. Estuarine dissolved organic carbon flux from space: With application to Chesapeake and Delaware bays
Håkanson et al. A dynamic compartment model to predict sedimentation and suspended particulate matter in coastal areas
Shin et al. Quantifying the contribution of external loadings and internal hydrodynamic processes to the water quality of Lake Okeechobee
Yang et al. Assessing the Landscape Ecological Health (LEH) of Wetlands: Research Content and Evaluation Methods (2000–2022)
Xu et al. Distribution, transfer process and influence factors of phosphorus at sediment-water interface in the Huaihe River
Osterholz et al. Nearshore dissolved and particulate organic matter dynamics in the Southwestern Baltic Sea: environmental drivers and time series analysis (2010–2020)
Winde et al. Bladder wrack (Fucus vesiculosus) as a multi-isotope bio-monitor in an urbanized fjord of the western Baltic Sea

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant