CN109917098A - 深圳海域水质评价方法及系统 - Google Patents

Abstract

本发明涉及一种深圳海域水质评价方法，包括：a.对Landsat 8数据进行预处理，其中，Landsat 8数据为Landsat 8卫星影像数据；b.根据预处理后的Landsat 8数据，进行水质参数反演模型的开发；c.基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。本发明还涉及一种深圳海域水质评价系统。在水质评价模型方面，利用现有多个模型进行水质评价，并将结果进行对比，论证了本发明模型的评价结果更为准确，更具有指示意义和应用价值。

Description

深圳海域水质评价方法及系统

技术领域

本发明涉及一种深圳海域水质评价方法及系统。

背景技术

对于深圳这样的海滨城市，水域是承载其经济发展、交通运输、人文社科等方方面面的环境基础。因此，对水域进行周期性的高质量监测尤为意义深远。

遥感技术具有大幅面、快速、周期性和低成本的优点，利用遥感技术对水域进行监测可以满足监测对求空间的广泛性和时间的连续性的需，不论是作为单独的监测手段还是与传统方法互补，都能产生显著的效益。

现有的基于遥感技术的水质评价体系在水质评价模型部分往往使用的是已有的评价模型，缺少对水质参数的调研和对模型的修改。而成熟的水质评价体系应该是建立在实测数据上的，应该对实测数据进行统计分析和水域调研并对模型进行改进，这样模型的水质评价结果才具有说服力。

水质参数是水质评价模型的基础，现有基于遥感技术的水质评价体系的水质参数普遍是通过通用反演算法获取的。但是，一方面，在海洋学里，沿岸水体被称为为二类水体二类水体受到人类活动的强烈影响，水体组成成分复杂，往往具有显著的地域特征；另一方面，现有的水质参数反演模型的研发大多建立在研究区域实测数据的基础上，往往具有区域特性。综上，现有水质参数模型在二类水体的移植性差，不具有普适性，如果将现有反演模型直接应用在深圳水域，精度会很差，且结果不准确，没有参考价值。

发明内容

有鉴于此，有必要提供一种深圳海域水质评价方法及系统。

本发明提供一种深圳海域水质评价方法，该方法包括如下步骤：a.对Landsat 8数据进行预处理，其中，Landsat 8数据为Landsat 8卫星影像数据；b.根据预处理后的Landsat 8数据，进行水质参数反演模型的开发；c.基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。

其中，所述的步骤a具体包括：对Landsat 8数据进行辐射校正；对辐射校正后的Landsat 8数据进行大气校正；对大气校正后的Landsat 8数据进行去云处理；对去云处理后的Landsat 8数据进行水域提取。

所述水质参数反演模型包括：叶绿素a浓度反演模型、悬浮物浓度反演模型和海表温度反演模型。

所述叶绿素a浓度反演模型、所述悬浮物浓度反演模型开发具体包括：通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配；通过浮标点水域归一化光谱分析确定敏感波段；对敏感波段组合和实测数据进行相关性分析，寻找相关性最高的波段组合；利用相关性最好的敏感波段建立反演模型，通过精度验证筛选最佳模型，得到深圳海域叶绿素a浓度反演模型以及悬浮物浓度反演模型。

所述海表温度反演模型开发具体包括：通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配；对普适性单通道算法进行改进：利用MODIS近红外水汽二级产品MOD05获取更精确的水汽含量估计，结合深圳环境参数对模型相关系数进行微调；根据上述改进后的模型及微调后的模型相关系数建立深圳海域海表温度反演模型。

所述的步骤c具体包括：通过水质参数反演模型、对实测数据的统计分析以及深圳市水质调研，选择叶绿素a浓度、悬浮物浓度和海表温度对深圳海域水环境评价指标分析；根据深圳海域水环境评价指标建立深圳海域水质评价模型：所述深圳海域水质评价模型建立在综合指数法的基础上，借鉴时间尺度距平指数的设计思想选择叶绿素a浓度、悬浮物浓度和海表温度作为评价因子，建立深圳海域水质评价模型。

本发明提供一种深圳海域水质评价系统，该系统包括预处理模块、反演模型开发模块、水质评价模型开发模块，其中：所述预处理模块用于对Landsat 8数据进行预处理，其中，Landsat 8数据为Landsat 8卫星影像数据；所述反演模型开发模块用于根据预处理后的Landsat 8数据，进行水质参数反演模型的开发；所述水质评价模型开发模块用于基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。

其中，所述预处理模块具体用于：对Landsat 8数据进行辐射校正；对辐射校正后的Landsat 8数据进行大气校正；对大气校正后的Landsat 8数据进行去云处理；对去云处理后的Landsat 8数据进行水域提取。

所述水质参数反演模型包括：叶绿素a浓度反演模型、悬浮物浓度反演模型和海表温度反演模型。

所述叶绿素a浓度反演模型、所述悬浮物浓度反演模型开发具体包括：通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配；通过浮标点水域归一化光谱分析确定敏感波段；对敏感波段组合和实测数据进行相关性分析，寻找相关性最高的波段组合；利用相关性最好的敏感波段建立反演模型，通过精度验证筛选最佳模型，得到深圳海域叶绿素a浓度反演模型以及悬浮物浓度反演模型。

所述海表温度反演模型开发具体包括：通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配；对普适性单通道算法进行改进：利用MODIS近红外水汽二级产品MOD05获取更精确的水汽含量估计，结合深圳环境参数对模型相关系数进行微调；根据上述改进后的模型及微调后的模型相关系数建立深圳海域海表温度反演模型。

所述水质评价模型开发模块具体用于：通过水质参数反演模型、对实测数据的统计分析以及深圳市水质调研，选择叶绿素a浓度、悬浮物浓度和海表温度对深圳海域水环境评价指标分析；

根据深圳海域水环境评价指标建立深圳海域水质评价模型：所述深圳海域水质评价模型建立在综合指数法的基础上，借鉴时间尺度距平指数的设计思想选择叶绿素a浓度、悬浮物浓度和海表温度作为评价因子，建立深圳海域水质评价模型。

本发明是基于深圳海域的实测数据开发水质参数的反演模型，结果具有更高的精度。在水质评价模型方面，本发明模型的评价结果更为准确，更具有指示意义。利用现有多个模型进行水质评价，并将结果对比，本发明在实测数据和水质调研的基础上选取合适的参数结合综合指数法和时间距平思想设计模型，模型更具有应用价值。

附图说明

图1为本发明深圳海域水质评价方法的流程图；

图2为本发明深圳海域水质评价系统的硬件架构图；

图3为本发明实施例叶绿素a反演模型精度验证结果示意图；

图4为本发明实施例悬浮物浓度反演模型精度验证结果示意图；

图5为本发明实施例海表温度反演模型精度验证结果示意图；

图6为本发明实施例深圳湾近年水质变化情况示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明深圳海域水质评价方法较佳实施例的作业流程图。

步骤S1，对Landsat 8数据进行预处理。其中，Landsat 8数据为Landsat 8卫星影像数据。具体而言：

本实施例中，对Landsat 8数据预处理包括：

a.对Landsat 8数据进行辐射校正：辐射校正是遥感影像处理的基本过程，其目的是将原始影像的DN值转换成辐射亮度，即得到大气外表层反射率的过程，相关公式如下：

L_sensor＝K×DN+T 公式1

上式中，L_sensor代表的是Landsat 8的表观辐亮度，K和T是影像头文件的增益值和偏移量两个参数：0.0003342和0.1。

b.对辐射校正后的Landsat 8数据进行大气校正：大气校正是从辐射校正得到大气表层反射率计算得到地球表面的反射率的过程。通过大气校正可以剔除大气组成成分例如二氧化碳、颗粒物、气溶胶等物质对辐射传输过程的影响，从而消除电磁波在大气传输过程中产生的误差。使用的大气校正模型是MODTRAN的Flaash模型。

上式中，K、M是模型的相关系数，由传感器的瞬时观测环境决定，λ和λ_e是像素点反射率和平均反射率，L_sensor代表的是Landsat 8的表观辐亮度。

c.对大气校正后的Landsat 8数据进行去云处理：去云处理只要通过Landsat 8数据的卷云波段来实现。

Location＝B₉＞K₀ 公式3

上式中，Location代表云区域，B₉为影像经过大气校正后的卷云波段像元反射率值，K₀是云阈值，B₉大于阈值的区域即为云区域。同时Landsat 8影像除了常规的光谱波段以外，还有新增的QA波段，即质量控制波段，该波段利用数值表示像元遭云影响的情况。本文将QA波段和上式相结合，进行云区域检测工作，并对结果进行目视检查，从而保证了反演模型的可靠性。

d.对去云处理后的Landsat 8数据进行水域提取：本实施例的水域提取工作主要通过归一化水体指数来实现：

式中，NDWI为水体指数，B_Green代表影像数据的GREEN波段，B_Nir代表NIR波段，本发明根据水体指数的计算结果选择合适的阈值来提取水域。

步骤S2，根据预处理后的Landsat 8数据，进行水质参数反演模型的开发。其中，所述水质参数包括：叶绿素a浓度、悬浮物浓度和海表温度。具体而言：

第一步，叶绿素a浓度和悬浮物浓度的反演模型开发具体包括：

a.通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配，具体包括对实测数据的数据清洗工作，将极端值数据和空白数据剔除，然后按照时间关系选择相匹配的Landsat 8数据；b.通过浮标点水域归一化光谱分析确定敏感波段；c.对敏感波段组合和实测数据进行相关性分析，寻找相关性最高的波段组合；d.反演模型建立：将实测数据的三分之二用于建模，三分之一用于精度验证，利用相关性最好的敏感波段建立反演模型，经精度验证，筛选最佳模型，得到深圳海域叶绿素a浓度反演模型为：

式中，C_chla代表叶绿素a浓度，X为Landsat 8影像波段的波段组合，TM5代表NIR波段，TM4代表RED波段，该波段经实验分析具有良好的叶绿素a浓度相关性。

深圳海域悬浮物浓度反演模型为：

式中，C_TSM代表悬浮物浓度，X为Landsat 8影像波段的波段组合(TM3代表GREEN波段，TM4代表RED波段)，该波段经实验分析具有良好的悬浮物浓度相关性。

第二步，海表温度反演模型开发具体包括：

a.同第一步的步骤a，通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配；b.模型的改进：本实施例对普适性单通道算法进行改进，改进之处有：利用MODIS近红外水汽二级产品MOD05获取更精确的水汽含量估计，结合深圳环境参数对模型相关系数进行微调；c.根据上述改进后的模型及微调后的模型相关系数建立深圳海域海表温度反演模型。

深圳海域海表温度反演模型如下：

式中，

式中，λ＝10.9μm，c₁.19104×108W·μm4·m-2·sr-1，c₂＝1.43877×104μm·K。T₀和在数据预处理环节得到，γ与δ为普朗克法则的线性近似，参数ε＝0.98，和是大气影响因子，ω为水汽含量估计。

步骤S3，基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。具体而言：

首先，对深圳海域水环境评价指标分析：通过对实测数据的统计分析和深圳市水质调研，选择海表水温异常变化程度(ΔT)、悬浮物浓度(SS)及叶绿素含量(Chla)等在深圳水域具有较强指示意义的参数作为水质监测、评价、分类的指标和依据。

海表水温异常变化程度(ΔT)：海表温度一年四季都在变化，但对于固定的区域，其年际变化应符合一定的规律，四季的水温分布应有一定的科学范围。当水温的变化超出了常规的区间的现象往往伴随着温排水，赤潮等水污染现象的发生，因此水温变化可以指示水环境的健康。在本实施例中，对深圳海域2014年-2016年十三个浮标点的海表温度实测结果进行统计与分析，得出深圳主要海域的四季各自的平均温度作为温度变化的标准衡量数据T_m，将t时刻(x，y)位置的温度变化表示为：

ΔT_(x，y，t)＝|T_(x，y，t)-T_m|，各海域的四季平均温度统计结果见下表。

深圳各海域四季平均温度/℃(T_m)

叶绿素a浓度：叶绿素a浓度与水质有着直接的联系，藻类和浮游植物密集的地区往往具有较高的叶绿素a浓度。对深圳浮标站的叶绿素a实测数据进行分析，发现深圳海域叶绿素a浓度变化的范围主要在0-15mg/m3，因此将深圳海域叶绿素a浓度的评价因子C_t ^*定为5mg/m3是一个合理的选择。

悬浮物浓度：悬浮物浓度对水体中的泥沙和颗粒物值有着直接的指示作用，是很好的水环境评价指标。对深圳海域浮标点的悬浮物浓度实测结果进行统计，发现深圳海域悬浮物浓度的主要分布区间是0-40g/m3，均值为19.8/m30，所以将悬浮物的评价因子S^*定为10mg/m3。

然后，根据深圳海域水环境评价指标建立深圳海域水质评价模型：本实施例的评价模型建立在综合指数法的基础上，借鉴时间尺度距平指数的设计思想，本实施例选择海表水温变化(ΔT)、悬浮物浓度(SS)及叶绿素含量(Chla)作为评价因子，模型打分越高代表污染越严重：

POINT_(x，y)＝l₁*ΔT_(x，y，t)/T^* _(x，y，t))+l₂*SS_(x，y，t)/S^*+l₃*CHLA_(x，y，t)/C^*

公式12

ΔT_(x，y，t)＝|T_(x，y，t)-T_m| 公式13

T^* _(x，y，t)＝|T_{Max(x，y，t0)}-T_{Min(x，y，t0)}| 公式14

式中，POINT_(x，y)代表(x，y)处的打分结果，，ΔT_(x，y，t)为在t时刻海表温度异常变化，T^* _(x，y，t)为历史同期海水温度最高值和最低值之间的差异，因此公式8中的第一项是当前水温度与历史同期海表温度的距平值。SS_(x，y，t)为当前t时刻海水的悬浮颗粒物浓度，S^*为悬浮物的评价因子CHLA_(x，y，t)为当前t时刻海水的叶绿素浓度，C^*为深圳海域历史同期叶绿素评价因子，其中l₁，l₂，l₃为三种因子的权重，通过深圳海域实测浮标站点观测和国家评分标准，认为近岸海域叶绿素和悬浮物浓度对海洋健康的影响较重，因此三种环境因子的权重分配如下l₁＝0.2，l₂＝0.5，l₃＝0.3。

参阅图2所示，是本发明深圳海域水质评价系统10的硬件架构图。该系统包括：预处理模块101、反演模型开发模块102、水质评价模型开发模块103。

所述预处理模块101用于对Landsat 8数据进行预处理。其中，Landsat 8数据为Landsat 8卫星影像数据。具体而言：

本实施例中，对Landsat 8数据预处理包括：

a.对Landsat 8数据进行辐射校正：辐射校正是遥感影像处理的基本过程，其目的是将原始影像的DN值转换成辐射亮度，即得到大气外表层反射率的过程，相关公式如下：

L_sensor＝K×DN+T公式1

上式中，L_sensor代表的是Landsat 8的表观辐亮度，K和T是影像头文件的增益值和偏移量两个参数：0.0003342和0.1。

b.对辐射校正后的Landsat 8数据进行大气校正：大气校正是从辐射校正得到大气表层反射率计算得到地球表面的反射率的过程。通过大气校正可以剔除大气组成成分例如二氧化碳、颗粒物、气溶胶等物质对辐射传输过程的影响，从而消除电磁波在大气传输过程中产生的误差。使用的大气校正模型是MODTRAN的Flaash模型

上式中，K、M是模型的相关系数，由传感器的瞬时观测环境决定，λ和λ_e是像素点反射率和平均反射率，L_sensor代表的是Landsat 8的表观辐亮度。

c.对大气校正后的Landsat 8数据进行去云处理：去云处理只要通过Landsat 8数据的卷云波段来实现。

Location＝B₉＞K₀公式3

上式中，Location代表云区域，B₉为影像经过大气校正后的卷云波段像元反射率值，K₀是云阈值，B₉大于阈值的区域即为云区域。同时Landsat 8影像除了常规的光谱波段以外，还有新增的QA波段，即质量控制波段，该波段利用数值表示像元遭云影响的情况。本文将QA波段和上式相结合，进行云区域检测工作，并对结果进行目视检查，从而保证了反演模型的可靠性。

d.对去云处理后的Landsat 8数据进行水域提取：本实施例的水域提取工作主要通过归一化水体指数来实现：

式中，NDWI为水体指数，B_Green代表影像数据的GREEN波段，B_Nir代表NIR波段，本发明根据水体指数的计算结果选择合适的阈值来提取水域。

所述反演模型开发模块102用于根据预处理后的Landsat 8数据进行水质参数反演模型的开发。其中，所述水质参数包括：叶绿素a浓度、悬浮物浓度和海表温度。具体而言：

第一步，叶绿素a浓度和悬浮物浓度的反演模型开发具体包括：

a.通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配，具体包括对实测数据的数据清洗工作，将极端值数据和空白数据剔除，然后按照时间关系选择相匹配的Landsat 8数据；b.通过浮标点水域归一化光谱分析确定敏感波段；c.对敏感波段组合和实测数据进行相关性分析，寻找相关性最高的波段组合；d.反演模型建立：将实测数据的三分之二用于建模，三分之一用于精度验证，利用相关性最好的敏感波段建立反演模型，经精度验证，筛选最佳模型，得到深圳海域叶绿素a浓度反演模型为：

式中，C_chla代表叶绿素a浓度，X为Landsat 8影像波段的波段组合TM5代表NIR波段，TM4代表RED波段，该波段经实验分析具有良好的叶绿素a浓度相关性。

深圳海域悬浮物浓度反演模型为：

式中，C_TSM代表悬浮物浓度，X为Landsat 8影像波段的波段组合(TM3代表GREEN波段，TM4代表RED波段)，该波段经实验分析具有良好的悬浮物浓度相关性。

第二步，海表温度反演模型开发具体包括：

a.同第一步的步骤a，通过数据统计与分析对实测数据和Landsat 8数据进行筛选和匹配；b.模型的改进：本实施例对普适性单通道算法进行改进，改进之处有：利用MODIS近红外水汽二级产品MOD05获取更精确的水汽含量估计，结合深圳环境参数对模型相关系数进行微调；c.根据上述改进后的模型及微调后的模型相关系数建立深圳海域海表温度反演模型。

深圳海域海表温度反演模型如下：

式中，

式中，λ＝10.9μm，c₁.19104×108W·μm4·m-2·sr-1，c₂＝1.43877×104μm·K。T₀和在数据预处理环节得到，γ与δ为普朗克法则的线性近似，参数ε＝0.98，和是大气影响因子，ω为水汽含量估计。

步骤S3，基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。具体而言：

首先，对深圳海域水环境评价指标分析：通过对实测数据的统计分析和深圳市水质调研，选择海表水温异常变化程度(ΔT)、悬浮物浓度(SS)及叶绿素含量(Chla)等在深圳水域具有较强指示意义的参数作为水质监测、评价、分类的指标和依据。

海表水温异常变化程度(ΔT)：海表温度一年四季都在变化，但对于固定的区域，其年际变化应符合一定的规律，四季的水温分布应有一定的科学范围。当水温的变化超出了常规的区间的现象往往伴随着温排水，赤潮等水污染现象的发生，因此水温变化可以指示水环境的健康。在本实施例中，对深圳海域2014年-2016年十三个浮标点的海表温度实测结果进行统计与分析，得出深圳主要海域的四季各自的平均温度作为温度变化的标准衡量数据T_m，将t时刻(x，y)位置的温度变化表示为：

ΔT_(x，y，t)＝|T_(x，y，t)-T_m|，各海域的四季平均温度统计结果见下表。

深圳各海域四季平均温度/℃(T_m)

叶绿素a浓度：叶绿素a浓度与水质有着直接的联系，藻类和浮游植物密集的地区往往具有较高的叶绿素a浓度。对深圳浮标站的叶绿素a实测数据进行分析，发现深圳海域叶绿素a浓度变化的范围主要在0-15mg/m3，因此将深圳海域叶绿素a浓度的评价因子C_t ^*定为5mg/m3是一个合理的选择。

悬浮物浓度：悬浮物浓度对水体中的泥沙和颗粒物值有着直接的指示作用，是很好的水环境评价指标。对深圳海域浮标点的悬浮物浓度实测结果进行统计，发现深圳海域悬浮物浓度的主要分布区间是0-40g/m3，均值为19.8/m30，所以将悬浮物的评价因子S^*定为10mg/m3。

然后，根据深圳海域水环境评价指标建立深圳海域水质评价模型：本实施例的评价模型建立在综合指数法的基础上，借鉴时间尺度距平指数的设计思想，本实施例选择海表水温变化(ΔT)、悬浮物浓度(SS)及叶绿素含量(Chla)作为评价因子，模型打分越高代表污染越严重：

POINT_(x，y)＝l₁*ΔT_(x，y，t)/T^* _(x，y，t))+l₂*SS_(x，y，t)/S^*+l₃*CHLA_(x，y，t)/C^*

公式12

ΔT_(x，y，t)＝|T_(x，y，t)-T_m|公式13

T^* _(x，y，t)＝|T_{Max(x，y，t0)}-T_{Min(x，y，t0})|公式14

式中，POINT_(x，y)代表(x，y)处的打分结果，，ΔT_(x，y，t)为在t时刻海表温度异常变化，T^* _(x，y，t)为历史同期海水温度最高值和最低值之间的差异，因此公式8中的第一项是当前水温度与历史同期海表温度的距平值。SS_(x，y，t)为当前t时刻海水的悬浮颗粒物浓度，S^*为悬浮物的评价因子CHLA_(x，y，t)为当前t时刻海水的叶绿素浓度，C^*为深圳海域历史同期叶绿素评价因子，其中l₁，l₂，l₃为三种因子的权重，通过深圳海域实测浮标站点观测和国家评分标准，认为近岸海域叶绿素和悬浮物浓度对海洋健康的影响较重，因此三种环境因子的权重分配如下l₁＝0.2，l₂＝0.5，l₃＝0.3。

实验及验证：

本发明经过实测数据的精度验证，经过实验的测试和模拟，结果具有良好的精度，具有可行性，反演模型部分的精度验证工作如下：

1.叶绿素a浓度反演模型精度验证：将实测数据的三分之一进行精度验证，因此本次共使用25条数据进行精度验证。考虑到邻近效应和质控因素，在进行时空匹配对比时，选取实测点所落像元为中心的3*3网格并剔除异常后的均值作为影像获取值与实测值进行对比验证。分别统计反演结果，MODIS SST产品和实测数据之间的线性相关情况，并计算误差的绝对值，请参考图3。

反演预测值和实测浓度的相关系数为0.7837，具有良好的相关性。绝对误差的最大值为2.17mg/m³，最小值为O.15mg/m³，误差均值为0.65mg/m³，标准差为0.55mg/m³，结果精度良好，具有可行性。

2.悬浮物浓度反演精度验证：将实测数据的三分之一进行精度验证，因此本次共使用18条数据进行精度验证。考虑到邻近效应和质控因素，在进行时空匹配对比时，选取实测点所落像元为中心的3*3网格并剔除异常后的均值作为影像获取值与实测值进行对比验证。分别统计反演结果，MODIS SST产品和实测数据之间的线性相关情况，并计算误差的绝对值，请参考图4。

3.海表温度反演精度验证：为了进一步验证反演结果的可靠性，利用实测数据对反演结果和MODIS SST产品MOD28进行交叉验证。在总计12景LANDSAT 8影像中共有6景影像在对应的卫星过境时间里浮标点有实测数据，MODIS SST产品情况相同，在6景影像对应的24个实测数据中有8个数据对应点位受到云覆盖的影像，为保证验证结果的精确性，将其剔除，因而共使用16个实测数据进行精度验证。

精度验证结果显示相较于MODIS SST产品，实验算法反演的稳定性和精度均更优。从图5可以看出，实验算法的样本点分布较为集中，拟合的相关系数为0.9605，相关性好，算法反演结果稳定性良好。而MODISSST产品样本点分布较为分散，拟合的相关系数为0.6632，相关性弱于反演结果，稳定性较差。从绝对误差而言，反演结果的误差小于SST产品的误差。反演结果的样本点误差绝对值的平均值为2.0806℃，标准差为1.4605℃，最大误差为4.4836℃，最小误差为0.3495℃，绝对误差在1℃以内的样本占37.5％，绝对误差在2℃以内的样本占62.5％。MODIS SST产品样本点误差绝对值的平均值为2.6795℃，标准差为1.9745℃，最大误差为7.105℃，最小误差为0.3535℃，绝对误差在1℃以内的样本占25％，绝对误差在2℃以内的样本占50％。验证结果表明本发行提出的反演模型具有良好的可行性。

4.基于遥感数据的深圳水质评价体系应用说明：为了探究评价体系的可行性，选择深圳湾作为实验区进行试验。根据现有资料，深圳湾区域2000年至2010年间具有大规模填海造地现象，填海造田过程中大量泥沙排入海中，对深圳湾的水质造成了显著的影响，选取2003-01-18、2005-01-23、2007-01-29和2009-02-03深圳湾TM影像，提取出水域，按照本发明方法反演区域的叶绿素a、悬浮物和海表温度等参数，结合本发明提出的水环境评价模型进行打分，模型打分越高代表污染越严重，结果如图6所示。

选取深圳湾海域多年冬季的观测数据，可以看出随着填海的过程深圳的水质明显变差。深圳湾湾内及位于伶仃洋东北填海处的海域水质变化最为剧烈。模型评价结果与现有资料相符合，证明模型具有良好的可行性。

本发明针对现有反演模型普适性不足，直接使用在深圳反演结果精度不达标的问题，结合圳市水质监测浮标站点的实测数据分别对叶绿素a、海表温度和悬浮物浓度的反演模型进行改选具体方法为分析Landsat8数据各光谱波段及其组合对于深圳海域实测值的相关性，选择对浓度最敏感的波段组合，构建高精度的回归模型。在海表温度方面，目标区域的大气柱状水汽含量会对反演结果产生显著的影响，但是往往难以获取高质量的此类数据，已有研究的此项数据大多质量不好。本发明优化为使用MODIS的近红外水汽二级产品，该数据使用近红外波段获取水汽估计，数据质量良好，空间分辨率为1km，更适宜于近海海域的研究应用。

本发明对深圳海域的十三个浮标站点的数理分析，统计了各水质参数在深圳的值域分布，了解深圳水域近年来的水质情况和具有重要指示作用的水质因素，再借用综合指数法根据深圳水域的特点选择评价指标和因子权重，可以更好的说明问题，同时借鉴时间尺度距平指数的设计思想改进模型，开发出适合深圳海域的基于Landsat 8数据的水质评价体系。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (12)

1.一种深圳海域水质评价方法，其特征在于，该方法包括如下步骤：

a.对Landsat8数据进行预处理，其中，Landsat8数据为Landsat8卫星影像数据；

b.根据预处理后的Landsat8数据，进行水质参数反演模型的开发；

c.基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。

2.如权利要求1所述的方法，其特征在于，所述的步骤a具体包括：

对Landsat8数据进行辐射校正；对辐射校正后的Landsat8数据进行大气校正；对大气校正后的Landsat8数据进行去云处理；对去云处理后的Landsat8数据进行水域提取。

3.如权利要求2所述的方法，其特征在于，所述水质参数反演模型包括：叶绿素a浓度反演模型、悬浮物浓度反演模型和海表温度反演模型。

4.如权利要求3所述的方法，其特征在于，所述叶绿素a浓度反演模型、所述悬浮物浓度反演模型开发具体包括：

通过数据统计与分析对实测数据和Landsat8数据进行筛选和匹配；通过浮标点水域归一化光谱分析确定敏感波段；对敏感波段组合和实测数据进行相关性分析，寻找相关性最高的波段组合；利用相关性最好的敏感波段建立反演模型，通过精度验证筛选最佳模型，得到深圳海域叶绿素a浓度反演模型以及悬浮物浓度反演模型。

5.如权利要求4所述的方法，其特征在于，所述海表温度反演模型开发具体包括：

通过数据统计与分析对实测数据和Landsat8数据进行筛选和匹配；对普适性单通道算法进行改进：利用MODIS近红外水汽二级产品MOD05获取更精确的水汽含量估计，结合深圳环境参数对模型相关系数进行微调；根据上述改进后的模型及微调后的模型相关系数建立深圳海域海表温度反演模型。

6.如权利要求5所述的方法，其特征在于，所述的步骤c具体包括：

通过水质参数反演模型、对实测数据的统计分析以及深圳市水质调研，选择叶绿素a浓度、悬浮物浓度和海表温度对深圳海域水环境评价指标分析；

根据深圳海域水环境评价指标建立深圳海域水质评价模型：所述深圳海域水质评价模型建立在综合指数法的基础上，借鉴时间尺度距平指数的设计思想选择叶绿素a浓度、悬浮物浓度和海表温度作为评价因子，建立深圳海域水质评价模型。

7.一种深圳海域水质评价系统，其特征在于，该系统包括预处理模块、反演模型开发模块、水质评价模型开发模块，其中：

所述预处理模块用于对Landsat8数据进行预处理，其中，Landsat8数据为Landsat8卫星影像数据；

所述反演模型开发模块用于根据预处理后的Landsat8数据，进行水质参数反演模型的开发；

所述水质评价模型开发模块用于基于开发的上述水质参数反演模型，开发深圳海域水质评价模型。

8.如权利要求7所述的系统，其特征在于，所述预处理模块具体用于：

对Landsat8数据进行辐射校正；对辐射校正后的Landsat8数据进行大气校正；对大气校正后的Landsat8数据进行去云处理；对去云处理后的Landsat8数据进行水域提取。

9.如权利要求8所述的系统，其特征在于，所述水质参数反演模型包括：叶绿素a浓度反演模型、悬浮物浓度反演模型和海表温度反演模型。

10.如权利要求9所述的系统，其特征在于，所述叶绿素a浓度反演模型、所述悬浮物浓度反演模型开发具体包括：

通过数据统计与分析对实测数据和Landsat8数据进行筛选和匹配；通过浮标点水域归一化光谱分析确定敏感波段；对敏感波段组合和实测数据进行相关性分析，寻找相关性最高的波段组合；利用相关性最好的敏感波段建立反演模型，通过精度验证筛选最佳模型，得到深圳海域叶绿素a浓度反演模型以及悬浮物浓度反演模型。

11.如权利要求10所述的系统，其特征在于，所述海表温度反演模型开发具体包括：

通过数据统计与分析对实测数据和Landsat8数据进行筛选和匹配；对普适性单通道算法进行改进：利用MODIS近红外水汽二级产品MOD05获取更精确的水汽含量估计，结合深圳环境参数对模型相关系数进行微调；根据上述改进后的模型及微调后的模型相关系数建立深圳海域海表温度反演模型。

12.如权利要求11所述的系统，其特征在于，所述水质评价模型开发模块具体用于：

通过水质参数反演模型、对实测数据的统计分析以及深圳市水质调研，选择叶绿素a浓度、悬浮物浓度和海表温度对深圳海域水环境评价指标分析；

根据深圳海域水环境评价指标建立深圳海域水质评价模型：所述深圳海域水质评价模型建立在综合指数法的基础上，借鉴时间尺度距平指数的设计思想选择叶绿素a浓度、悬浮物浓度和海表温度作为评价因子，建立深圳海域水质评价模型。