CN109799199B - 一种叶绿素a浓度的协同反演方法 - Google Patents

Abstract

本发明实施例提供一种叶绿素a浓度的协同反演方法，该方法包括获取试验区的第一遥感影像数据和第二遥感影像数据，提取试验区中的水体区域；采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a浓度协同反演模型集；根据协同反演模型集中各个协同反演模型各自对应的叶绿素a浓度反演值，以及水体区域中叶绿素a浓度实测值，分析各协同反演模型的反演精度；根据各协同反演模型的反演精度，建立最优协同反演模型。本发明实施例根据不同卫星传感器的传感器特性，发挥两种遥感影像的优势，得到高精度的叶绿素a浓度协同反演模型，提高了叶绿素a浓度的反演精度。

Description

一种叶绿素a浓度的协同反演方法

技术领域

本发明实施例涉及叶绿素浓度反演技术领域，尤其涉及一种叶绿素a浓度的协同反演方法。

背景技术

叶绿素a浓度是反映水华生长状态的重要指示因子，因此对叶绿素a浓度的精确监测有助于对水华的发生、发展和治理进行跟踪、监测和评估。随着卫星遥感技术的发展和对水质参数遥感光谱特征的进一步研究，遥感技术可监测的水质参数种类逐渐增多，水质参数的反演精度也逐步提高。

2012年Elalem等提出了一种新的叶绿素浓度反演模型APPEL(APProach byELimination)，结合南魁北克4个湖泊的9年实测数据和同步的MODIS影像数据对叶绿素a浓度进行了反演，决定系数达到了0.95。APPEL模型是一种新的半分析模型，以叶绿素在红波段强吸收、近红外波段高反射的光谱特征为原理，以不同波段组合来去除悬浮物、CDOM和后向散射的影响，最终构建而成的叶绿素浓度反演模型，该模型是建立在对水质参数光谱特征分析的基础之上针对遥感影像波段提出，具有较强的理论基础。内陆水体叶绿素a浓度遥感反演不仅受到传感器通道光谱特征的制约，还受到影像空间分辨率的影响，二者共同决定水体叶绿素a浓度的反演精度。

近来，国产卫星的空间分辨率有着极大的提升，如高分一号宽视角传感器(GF-1/WFV)在单景200公里幅宽的条件下空间分辨率达到了16m，与30m空间分辨率的Landsat8/OLI相比包含了更丰富的地面物体空间特征信息。然而，与Landsat8/OLI相比GF-1/WFV各通道有效波段宽度更宽，对地物光谱的卷积效果更明显，光谱特征信息被平滑，限制了叶绿素a浓度反演模型的精度。因此，利用单一卫星传感器获取的遥感影像数据构建而成的叶绿素浓度反演模型，反演精度会受到传感器特性的限制。

发明内容

针对传统叶绿素a浓度反演方法利用单一卫星传感器获取的遥感影像数据构建叶绿素a浓度反演模型，反演精度会受到传感器特性的限制的缺陷。本发明实施例提供一种叶绿素a浓度的协同反演方法。

本发明实施例提供一种叶绿素a浓度的协同反演方法，包括：

S1，获取试验区的第一遥感影像数据和第二遥感影像数据，提取试验区中的水体区域；

S2，采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a浓度协同反演模型集；

S3，根据协同反演模型集中各个协同反演模型各自对应的叶绿素a浓度反演值，以及水体区域中叶绿素a浓度实测值，分析各协同反演模型的反演精度；

S4，根据各协同反演模型的反演精度，建立最优协同反演模型。

其中，所述S1中，所述提取试验区中的水体区域具体包括：

根据所述第一遥感影像数据和第二遥感影像数据，利用NDWI指数与目视解译相结合的方法，获取水体区域。

其中，所述第一遥感影像数据为GF-1/WFV影像数据，所述第二遥感影像数据为Landsat8/OLI影像数据。

其中，步骤S2中，所述构建叶绿素a协同反演模型集具体包括：

分析GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性，构建叶绿素a浓度协同反演模型集；其中，所述传感器特性至少包括辐射分辨率、光谱分辨率和空间分辨率。

其中，所述分析GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性，构建叶绿素a浓度协同反演模型集进一步包括：

S21，单波段替代反演：

将OLI影像的空间分辨率重采样至WFV空间分辨率，分别利用OLI的窄近红外通道直接替代WFV的宽近红外通道，OLI的红波段直接替代WFV的红波段，OLI的蓝波段直接替代WFV的蓝波段，分别构建叶绿素a浓度协同反演模型；

S22，单波段融合反演：

分别将OLI近红外波段与WFV近红外波段、OLI红波段与WFV红波段、OLI蓝波段与WFV蓝波段进行融合，利用融合后的波段和WFV的原始波段分别计算叶绿素a光谱指数，结合叶绿素a浓度实测值，建立单波段融合协同反演模型；

S23，三波段融合反演：

将WFV与OLI的蓝、红、近红外三个波段分别融合，利用融合后的三波段建立叶绿素a浓度的协同反演模型；

其中，所述S3具体包括：

针对每一协同反演模型，计算叶绿素a浓度反演值和叶绿素a浓度实测值的均方根误差RMSE和/或平均相对误差σ，分析各协同反演模型的反演精度。

本发明实施例提供的叶绿素a浓度的协同反演方法，通过采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a浓度协同反演模型集，分析各协同反演模型的反演精度，并根据各协同反演模型的反演精度，建立最优协同反演模型。本发明实施例根据不同卫星传感器的传感器特性，发挥两种遥感影像的优势，得到高精度的叶绿素a浓度协同反演模型，提高了叶绿素a浓度的反演精度，为水体遥感监测提供了技术支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例提供的叶绿素a浓度的协同反演方法流程示意图；

图2为根据本发明实施例提供的最优协同反演模型的叶绿素a浓度反演值和实测值的对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“第一”、“第二”、仅用于描述目的，而不能理解为指示或暗示相对重要性。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

由于传统叶绿素a浓度反演方法利用单一卫星传感器获取的遥感影像数据构建叶绿素浓度反演模型，反演精度会受到传感器特性的限制。例如高分一号宽视角传感器(GF-1/WFV)在单景200公里幅宽的条件下空间分辨率达到了16m，与30m空间分辨率的Landsat8/OLI相比包含了更丰富的地面物体空间特征信息。然而，与Landsat8/OLI相比GF-1/WFV各通道有效波段宽度更宽，对地物光谱的卷积效果更明显，光谱特征信息被平滑，限制了叶绿素a浓度反演模型的精度。

因此，本发明实施例提供了一种叶绿素a浓度的协同反演方法，通过采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a浓度协同反演模型集，分析各协同反演模型的反演精度，并根据各协同反演模型的反演精度，建立最优协同反演模型。本发明实施例根据不同卫星传感器的传感器特性，发挥两种遥感影像的优势，得到高精度的叶绿素a浓度协同反演模型，提高了叶绿素a浓度的反演精度，为水体遥感监测提供了技术支持。解决了传统叶绿素a浓度反演方法利用单一卫星传感器获取的遥感影像数据构建叶绿素浓度反演模型，反演精度会受到传感器特性限制的技术问题。

图1为根据本发明实施例提供的叶绿素a浓度的协同反演方法的结构示意图；如图1所示，该方法包括：

S1，获取试验区的第一遥感影像数据和第二遥感影像数据，提取试验区中的水体区域。

其中，试验区即是指卫星传感器对遥感影像数据的采集区域。根据第一遥感影像数据和第二遥感影像数据，利用NDWI指数与目视解译相结合的方法，获取水体区域。

本发明实施例中，第一遥感影像数据为GF-1/WFV影像数据，即是指GF-1卫星WFV传感器采集的影像数据。第二遥感影像数据为Landsat8/OLI影像数据。Landsat8/OLI影像数据是指Landsat8卫星OLI(Operational Land Imager陆地成像仪)传感器采集的影像数据。为描述简洁，以下实施例中，“GF-1/WFV影像数据”也简称为“WFV”；“Landsat8/OLI影像数据”也简称为“OLI”。

需要说明的是，本发明实施例提供的叶绿素a浓度的协同反演方法，除了采用GF-1/WFV与Landsat8/OLI影像数据，还适用于其他具有可见光、近红外等波段的遥感影像，本发明实施例在此不做限制。

S2，采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a浓度协同反演模型集。

具体地，本实施例在地面实测叶绿素a浓度。分析GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性，构建叶绿素a浓度协同反演模型集；其中，所述传感器特性至少包括辐射分辨率、光谱分辨率和空间分辨率。

分析GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性可以得到第一遥感影像数据和第二遥感影像数据的特性。本实施例中，研究GF-1/WFV与Landsat8/OLI的传感器特性，发现在辐射分辨率方面，GF-1/WFV灰度范围整体小于Landsat8/OLI，因此Landsat8/OLI在成像时包含的地物信息更丰富，能够更好的显示水体的细微差异；在光谱分辨率方面，Landsat8/OLI与GF-1/WFV在蓝、绿、红波段的中心波长的位置距离较近，而在近红外波段处的中心波长Landsat8/OLI(870nm)与GF-1/WFV(830nm)距离较大，有效波宽也在近红外波段相差最大，差值为91nm；在空间分辨率方面，GF-1/WFV与Landsat8/OLI的均值相差较小，同质性、熵、角二阶矩、相关性均相等，但是GF-1/WFV的方差、对比度以及非相似性都远远大于Landsat8/OLI，说明在空间分辨率上，GF-1/WFV包含有更加丰富的纹理信息，使其在空间尺度较小的内陆水质监测中具有较大优势，在反应水质的细节信息上更优于OLI。

在了解GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性之后，根据第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，采用半经验方法构建叶绿素a协同反演模型集。叶绿素a协同反演模型的构建过程具体包括：

S21，单波段替代反演：

将OLI影像的空间分辨率重采样至WFV空间分辨率，分别利用OLI的窄近红外通道直接替代WFV的宽近红外通道，OLI的红波段直接替代WFV的红波段，OLI的蓝波段直接替代WFV的蓝波段，分别构建叶绿素a协同反演模型：

chla∝b′_NIR-((b_Blue-b′_NIR)*b′_NIR+b_Red-b′_NIR)

chla∝b_NIR-((b_Blue-b_NIR)*b_NIR+b′_Red-b_NIR)

chla∝b_NIR-((b′_Blue-b_NIR)*b_NIR+b_Red-b_NIR)

式中，b′_NIR代表OLI近红外波段，b′_Red代表OLI红波段，b′_Blue代表OLI蓝波段，b_NIR代表WFV近红外波段，b_Red代表WFV红波段，b_Blue代表WFV蓝波段。

S22，单波段融合反演：

分别将OLI近红外波段与WFV近红外波段、OLI红波段与WFV红波段、OLI蓝波段与WFV蓝波段进行融合，利用融合后的波段和WFV的原始波段分别计算叶绿素a光谱指数，结合叶绿素a浓度实测值，建立单波段融合协同反演模型，单波段融合后的叶绿素a光谱指数如下：

chla∝b”_NIR-((b_Blue-b”_NIR)*b”_NIR+b_Red-b”_NIR)

chla∝b_NIR-((b_Blue-b_NIR)*b_NIR+b”_Red-b_NIR)

chla∝b_NIR-((b”_Blue-b_NIR)*b_NIR+b_Red-b_NIR)

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段，其它参量同上。

S23，三波段融合反演

将WFV与OLI的蓝、红、近红外三个波段分别融合，利用融合后的三波段建立叶绿素a浓度的协同反演模型，融合后的叶绿素a光谱指数为：

chla∝b”_NIR-((b”_Blue-b”_NIR)*b”_NIR+b”_Red-b”_NIR)

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段，其它参数同上。

S3，根据协同反演模型集中各个协同反演模型各自对应的叶绿素a浓度反演值，以及水体区域中叶绿素a浓度实测值，分析各协同反演模型的反演精度。

S4，根据各协同反演模型的反演精度，建立最优协同反演模型。

比较各协同反演模型的反演精度，发现近红外单波段替代、红波段融合和蓝波段融合三种协同反演模型均提高了叶绿素a反演精度，因此，本实施例上述三种协同反演模型进行组合，构建最优协同反演模型，即分别取OLI近红外波段、WFV与OLI融合红波段和WFV与OLI融合蓝波段，构建叶绿素a光谱指数：

chla∝b′_NIR-((b”_Blue-b_NIR)*b′_NIR+b”_Red-b′_NIR)

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段，其它参数同上。

图2为根据本发明实施例提供的最优协同反演模型的叶绿素a浓度反演值和实测值的对比图，如图2所示，根据最优协同反演模型反演得到的估算叶绿素a浓度和地面实测的叶绿素a浓度建立散点图，其结果参照图2。最优协同反演的精度验证如下表1，均方根误差降低到12.94，同时平均相对误差降低到16.62％，都远低于其他协同反演结果的误差，显著提高了叶绿素a浓度的反演精度。

表1最优协同反演模型精度验证

本发明实施例提供的叶绿素a浓度的协同反演方法，通过采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a协同反演模型集，分析各协同反演模型的反演精度，并根据各协同反演模型的反演精度，建立最优协同反演模型。本发明实施例根据不同卫星传感器的传感器特性，发挥两种遥感影像的优势，得到高精度的叶绿素a浓度协同反演模型，提高了叶绿素a浓度的反演精度。

在上述各实施例的基础上，步骤S3具体包括：

针对每一协同反演模型，计算叶绿素a浓度反演值和叶绿素a浓度实测值的均方根误差RMSE和/或平均相对误差σ，分析各协同反演模型的反演精度。

具体地，通过叶绿素a浓度反演值和叶绿素a浓度实测值的计算均方根误差RMSE和平均相对误差σ对不同叶绿素a协同反演模型的反演精度进行评价对比，完成不同叶绿素a协同模型对应的反演值的精度对比。

其中，地面采集叶绿素a浓度的实测值共测量31个点，剔除3个失效点，共获取28个采样点，采样点详细经纬度信息见表2，收集的数据主要包括叶绿素a浓度实测值以及同步遥感数据GF1/WFV与Landsat8/OLI反射率产品。

表2叶绿素a浓度实测值的采样点坐标信息

比较各协同反演模型的反演精度，发现近红外单波段替代、红波段融合和蓝波段融合三种协同反演模型均提高了叶绿素a反演精度，因此，本实施例上述三种协同反演模型进行组合，构建最优协同反演模型，即分别取OLI近红外波段、WFV与OLI融合红波段和WFV与OLI融合蓝波段，构建叶绿素a光谱指数：

chla∝b′_NIR-((b”_Blue-b_NIR)*b′_NIR+b”_Red-b′_NIR)

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段，其它参数同上。

本发明实施例提供的叶绿素a浓度的协同反演方法，通过采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a协同反演模型集，分析各协同反演模型的反演精度，并根据各协同反演模型的反演精度，建立最优协同反演模型。本发明实施例根据不同卫星传感器的传感器特性，发挥两种遥感影像的优势，得到高精度的叶绿素a协同反演模型，提高了叶绿素a浓度的反演精度，为水体遥感监测提供了技术支持。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种叶绿素a浓度的协同反演方法，其特征在于，包括：

S1，获取试验区的第一遥感影像数据和第二遥感影像数据，提取试验区中的水体区域；

S2，采集水体区域中叶绿素a浓度实测值，基于第一遥感影像数据、第二遥感影像数据以及叶绿素a浓度实测值，构建叶绿素a浓度的协同反演模型集；所述构建叶绿素a浓度的协同反演模型集具体包括：

分析GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性，构建叶绿素a浓度的协同反演模型集；其中，所述分析GF-1/WFV传感器和Landsat8/OLI传感器的传感器特性，构建叶绿素a浓度的协同反演模型集进一步包括：

S21，单波段替代反演：

将OLI影像的空间分辨率重采样至WFV空间分辨率，分别利用OLI的窄近红外通道直接替代WFV的宽近红外通道，OLI的红波段直接替代WFV的红波段，OLI的蓝波段直接替代WFV的蓝波段，分别构建叶绿素a协同反演模型：

chla∝b'_NIR-((b_Blue-b'_NIR)*b'_NIR+b_Red-b'_NIR)；

chla∝b_NIR-((b_Blue-b_NIR)*b_NIR+b'_Red-b_NIR)；

chla∝b_NIR-((b'_Blue-b_NIR)*b_NIR+b_Red-b_NIR)；

式中，b'_NIR代表OLI近红外波段，b'_Red代表OLI红波段，b'_Blue代表OLI蓝波段，b_NIR代表WFV近红外波段，b_Red代表WFV红波段，b_Blue代表WFV蓝波段；

S22，单波段融合反演：

分别将OLI近红外波段与WFV近红外波段、OLI红波段与WFV红波段、OLI蓝波段与WFV蓝波段进行融合，利用融合后的波段和WFV的原始波段分别计算叶绿素a光谱指数，结合叶绿素a浓度实测值，建立单波段融合协同反演模型，单波段融合后的叶绿素a光谱指数如下：

chla∝b”_NIR-((b_Blue-b”_NIR)*b”_NIR+b_Red-b”_NIR)；

chla∝b_NIR-((b_Blue-b_NIR)*b_NIR+b”_Red-b_NIR)；

chla∝b_NIR-((b”_Blue-b_NIR)*b_NIR+b_Red-b_NIR)；

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段；

S23，三波段融合反演：

将WFV与OLI的蓝、红、近红外三个波段分别融合，利用融合后的三波段建立叶绿素a浓度的协同反演模型，融合后的叶绿素a光谱指数为：

chla∝b”_NIR-((b”_Blue-b”_NIR)*b”_NIR+b”_Red-b”_NIR)；

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段；

S3，根据协同反演模型集中各个协同反演模型各自对应的叶绿素a浓度反演值，以及水体区域中叶绿素a浓度实测值，分析各协同反演模型的反演精度；

S4，根据各协同反演模型的反演精度，建立最优协同反演模型，包括：

分别取OLI近红外波段、WFV与OLI融合红波段和WFV与OLI融合蓝波段，构建叶绿素a光谱指数：

chla∝b'_NIR-((b”_Blue-b_NIR)*b'_NIR+b”_Red-b'_NIR)；

式中，b”_NIR代表OLI与WFV近红外波段的融合波段，b”_Red代表OLI与WFV红波段的融合波段，b”_Blue代表OLI与WFV蓝波段的融合波段。

2.根据权利要求1所述的叶绿素a浓度的协同反演方法，其特征在于，所述S1中，所述提取试验区中的水体区域具体包括：

根据所述第一遥感影像数据和第二遥感影像数据，利用NDWI指数与目视解译相结合的方法，获取水体区域。

3.根据权利要求1所述的叶绿素a浓度的协同反演方法，其特征在于，所述第一遥感影像数据为GF-1/WFV影像数据，所述第二遥感影像数据为Landsat8/OLI影像数据。

4.根据权利要求1所述的叶绿素a浓度的协同反演方法，其特征在于，所述传感器特性至少包括辐射分辨率、光谱分辨率和空间分辨率。

5.根据权利要求1或4所述的叶绿素a浓度的协同反演方法，其特征在于，所述S3具体包括：

针对每一协同反演模型，计算叶绿素a浓度反演值和叶绿素a浓度实测值的均方根误差RMSE和/或平均相对误差σ，分析各协同反演模型的反演精度。

Images