CN110068539B - 一种富营养化浅水湖泊有色溶解有机物的遥感方法 - Google Patents

一种富营养化浅水湖泊有色溶解有机物的遥感方法 Download PDF

Info

Publication number
CN110068539B
CN110068539B CN201910354578.XA CN201910354578A CN110068539B CN 110068539 B CN110068539 B CN 110068539B CN 201910354578 A CN201910354578 A CN 201910354578A CN 110068539 B CN110068539 B CN 110068539B
Authority
CN
China
Prior art keywords
tsi
remote sensing
chl
cdom
organic matters
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.)
Active
Application number
CN201910354578.XA
Other languages
English (en)
Other versions
CN110068539A (zh
Inventor
刘�东
段洪涛
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.)
Nanjing Institute of Geography and Limnology of CAS
Original Assignee
Nanjing Institute of Geography and Limnology of CAS
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 Nanjing Institute of Geography and Limnology of CAS filed Critical Nanjing Institute of Geography and Limnology of CAS
Priority to CN201910354578.XA priority Critical patent/CN110068539B/zh
Publication of CN110068539A publication Critical patent/CN110068539A/zh
Application granted granted Critical
Publication of CN110068539B publication Critical patent/CN110068539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种富营养化浅水湖泊有色溶解有机物的遥感方法，通过构建富营养化浅水湖泊TSI(Chl‑a)与TSI、TSI与aCDOM(280)的关系模型，并基于改进的QAA_E半分析模型反演计算Chl‑a浓度，建立了适用于富营养化浅水湖泊CDOM含量的遥感反演方法，由遥感TSI直接估算CDOM浓度，可实现大面积、长时间序列富营养化湖泊CDOM含量快速获取。

Description

一种富营养化浅水湖泊有色溶解有机物的遥感方法
技术领域
本发明涉及卫星遥感技术及其应用领域，具体涉及一种富营养化浅水湖泊有色溶解有机物的遥感方法。
背景技术
湖泊不仅为人类生存、工业和农业生产等提供大量的可用淡水，在生物多样性、航运和防洪等过程中也发挥重要的作用。湖泊水体中有色溶解有机物(colored dissolvedorganic matter,CDOM)具有强吸光性，尤是对可见光波段，从而影响浮游植物的初级生产力；CDOM的分解还会消耗水体氧气，造成水质变差甚至鱼类死亡等。对水体环境、物质来源简单的开放海洋水体，遥感技术长期应用于CDOM的监测，并有相关的全球产品发布。内陆湖泊CDOM来源复杂，且不同来源颗粒物也会影响CDOM遥感估算；目前，只有针对单个湖泊建立的CDOM遥感算法，难以应用于区域CDOM的大范围监测。
发明内容
为实现富营养化浅水湖泊CDOM的遥感监测，本发明提供了一种富营养化浅水湖泊有色溶解有机物的遥感方法，利用综合富营养化状态指数(trophic state index,TSI)估算CDOM含量。
本发明所采用的技术方案是：
一种富营养化浅水湖泊有色溶解有机物的遥感方法，包括如下步骤：
(1)在湖泊样点测量并采集有色溶解有机物在280nm波长处吸收系数aCDOM(280)，Chl-a浓度、总氮浓度、总磷浓度、透明度、高锰酸盐指数CODMn数据；
(2)基于步骤(1)获取的实测数据，分别构建TSI(Chl-a)与TSI的关系模型，及aCDOM(280)和TSI的关系模型；
(3)获取卫星遥感数据源，基于遥感数据源计算获取水体反射率Rrs；
(4)以不同波段水体反射率Rrs为输入，通过QAA_E半分析模型反演算得Chl-a浓度；
(5)基于步骤(4)反演得到的Chl-a浓度计算TSI(Chl-a)，将TSI(Chl-a)代入步骤(2)获取的关系模型，得到基于遥感数据计算的TSI数值；
(6)将步骤(5)获取的基于遥感数据计算的TSI数值代入步骤(2)获取的TSI和aCDOM(280)关系模型，获取aCDOM(280)估算结果。
进一步的，所述步骤(2)中，建立的关系模型如下：
[TSI]＝a1×exp(b1×[TSI(Chl-a)])
[aCDOM(280)]＝a2×[TSI]+b2 (1)
式中，a1，b1，a2和b2为模型的拟合参数。
由于CDOM信号弱和其他物质的影响，长江中下游富营养浅水湖泊CDOM直接遥感反演存在很大不确定性，而目前也没有通用的CDOM遥感算法。本发明通过构建富营养化浅水湖泊TSI(Chl-a)与TSI、TSI与aCDOM(280)的关系模型，并基于改进的QAA_E半分析模型反演计算Chl-a浓度，建立了适用于富营养化浅水湖泊CDOM含量的遥感反演方法，由遥感TSI直接估算CDOM浓度，可实现大面积、长时间序列富营养化湖泊CDOM含量快速获取。
附图说明
图1是富营养化浅水湖泊CDOM含量遥感估算流程图；
图2是aCDOM(280)估算的验证图。
具体实施方式
以我国长江中下游富营养化浅水湖泊颗粒物组分的遥感估算为例，并结合附图对本发明的具体实施进一步说明：
(1)在湖泊样点测量并采集有色溶解有机物在280nm波长处吸收系数(aCDOM(280))，Chl-a浓度、总氮浓度、总磷浓度、透明度、高锰酸盐指数(CODMn)数据。
采样湖泊包括长江中游的长湖至下游的昆承湖等55个湖泊，经度范围为112.45°E～120.75°E；采样时间为2012年7月31日至8月23日；其中，51个湖泊采集3个点位，4个湖泊采集2个点位，共采集161个站位。
aCDOM(280)：对每个站位采集的水样，野外使用孔径0.22μm的Millipore聚酯碳酸滤膜过滤原位水得到CDOM滤液样品并-4℃冷藏保存；回实验室后立即用岛津UV2401分光光度计测量吸光度光谱，并计算在280nm的吸收系数aCDOM(280)。
Chl-a浓度：对每个站位采集的水样，野外使用孔径0.45μm的Whatman玻璃纤维滤膜过滤原位水得到Chl-a滤膜样品并-18℃冷冻保存；回实验室后立即用岛津UV2401分光光度计测量630、663、645和750nm的吸光度，并计算Chl-a浓度。
总氮和总磷浓度：对每个站位采集的水样，野外使用孔径0.45μm的Whatman玻璃纤维滤膜过滤原位水分别得到总氮、总磷滤液样品并-18℃冷冻保存；回实验室后经过过氯酸铵消化后，通过分光光度分析法测量得到总氮和总磷浓度。
高锰酸盐指数CODMn：对每个站位采集的原位水-18℃冷冻保存，回实验室后通过高锰酸钾煮沸法测量得到高锰酸盐指数CODMn。
(2)构建TSI(Chl-a)与TSI的关系模型，及aCDOM(280)和TSI的关系模型；本实施例中TSI和TSI(Chl-a)参数计算直接采用现有方法(荆红卫等.2008)，基于实测数据拟合获取的关系模型如下：
[TSI]＝20.17×exp(0.016×[TSI(Chl-a)]),R2＝0.88,p<0.01 (2)
[aCDOM(280)]＝0.32×[TSI]-5.85,R＝0.78,p<0.01 (3)
(3)卫星数据的选择与处理。本实施例中使用OLCI/Sentinel-3卫星数据，更适用于内陆富营养化浅水湖泊。OLCI/Sentinel-3的组网观测可以实现富营养化浅水湖泊的高空间(300m×300m)、高时间分辨率(<1.5d)观测。
利用NASA发布的SeaDAS7.5数据处理系统对OLCI卫星数据进行辐射定标，得到大气顶层辐亮度；再利用6S模型由大气顶层辐亮度计算获取水体反射率Rrs。
(4)Chl-a浓度半分析反演。基于针对内陆富营养化浅水湖泊的改进型半分析模型QAA_E，以不同波段水体反射率为输入，进行半分析遥感反演得到Chl-a浓度。具体的步骤如下(式中参数由长江中下游富营养浅水湖泊实测数据拟合得到)：
①由遥感反射率Rrs计算波段λ的中间变量u(λ)，其中rrs(λ)为恰在水面下遥感反射率，如式(4)所示：
Figure BDA0002044994150000031
②由750nm中间变量u(750)计算各波段λ的后向散射系数bb(λ)，如式(5)所示：
Figure BDA0002044994150000032
式中，aw(λ)和bbw(λ)为纯水在波段λ的吸收系数和后向散射系数，为已知值。
③由叶绿素在674nm的吸收系数(aph(λ))估算Chl-a浓度，具体如式(6)所示：
Figure BDA0002044994150000033
式中，anw(λ)为水体中非水物质在波段λ的吸收系数。
(5)Chl-a富营养化指数计算。由半分析遥感反演得到的Chl-a浓度，根据式(7)(荆红卫等.2008)计算TSI(Chl-a)。
[TSI(Chl-a)]＝10×(2.5+1.086×[ln(Chl-a)]) (7)
将TSI(Chl-a)代入公式(2)，得到基于遥感数据计算的TSI数值；
(6)将步骤(5)获取的基于遥感数据计算的TSI数值代入步骤公式(3)，获取aCDOM(280)估算结果。
(7)基于长江中下游富营养浅水湖泊的实测数据对估算结果进行验证，结果如图2所示：均方根误差为3.46m-1，平均绝对误差为2.71m-1，平均百分比误差为18.06％。说明采用本发明的方法能够较准确的实现有色溶解有机物浓度估算。

Claims (6)

1.一种富营养化浅水湖泊有色溶解有机物的遥感方法，其特征在于，包括如下步骤：
(1)在湖泊样点测量并采集有色溶解有机物在280nm波长处吸收系数aCDOM(280)，Chl-a浓度、总氮浓度、总磷浓度、透明度、高锰酸盐指数CODMn数据；
(2)基于步骤(1)获取的实测数据，分别构建TSI(Chl-a)与TSI的关系模型，及aCDOM(280)和TSI的关系模型；
(3)获取卫星遥感数据源，基于遥感数据源计算获取水体反射率Rrs；
(4)以不同波段水体反射率Rrs为输入，通过QAA_E半分析模型反演算得Chl-a浓度；
(5)基于步骤(4)反演得到的Chl-a浓度计算TSI(Chl-a)，将TSI(Chl-a)代入步骤(2)获取的关系模型，得到基于遥感数据计算的TSI数值；
(6)将步骤(5)获取的基于遥感数据计算的TSI数值代入步骤(2)获取的TSI和aCDOM(280)关系模型，获取aCDOM(280)估算结果。
2.根据权利要求1所述的一种富营养化浅水湖泊有色溶解有机物的遥感方法，其特征在于，所述步骤(2)中，建立的关系模型如下：
[TSI]＝a1×exp(b1×[TSI(Chl-a)])
[aCDOM(280)]＝a2×[TSI]+b2 (1)
式中，a1，b1，a2和b2为模型的拟合参数。
3.根据权利要求1或2所述的一种富营养化浅水湖泊有色溶解有机物的遥感方法，其特征在于，所述步骤(2)中，基于实测数据拟合获取的关系模型如下：
[TSI]＝20.17×exp(0.016×[TSI(Chl-a)]),R2＝0.88,p<0.01 (2)
[aCDOM(280)]＝0.32×[TSI]-5.85,R＝0.78,p<0.01 (3)。
4.根据权利要求1所述的一种富营养化浅水湖泊有色溶解有机物的遥感方法，其特征在于，所述卫星遥感数据源选用Sentinel-3OLCI数据。
5.根据权利要求1所述的一种富营养化浅水湖泊有色溶解有机物的遥感方法，其特征在于，基于SeaDAS7.5数据处理系统对卫星遥感数据源进行辐射定标，得到大气顶层辐亮度；再利用6S模型由大气顶层辐亮度计算获取水体反射率Rrs。
6.根据权利要求1所述的一种富营养化浅水湖泊有色溶解有机物的遥感方法，其特征在于，所述步骤(4)中，基于改进的QAA_E半分析模型反演算得Chl-a浓度，包括如下步骤：
①由遥感反射率Rrs计算波段λ的中间变量u(λ)，其中rrs(λ)为恰在水面下遥感反射率，如式(4)所示：
Figure FDA0002044994140000021
②由750nm中间变量u(750)计算各波段λ的后向散射系数bb(λ)，如式(5)所示：
Figure FDA0002044994140000022
式中，aw(λ)和bbw(λ)为纯水在波段λ的吸收系数和后向散射系数；
③由叶绿素在674nm的吸收系数aph(λ)估算Chl-a浓度，如式(6)所示：
Figure FDA0002044994140000023
式中，anw(λ)为水体中非水物质在波段λ的吸收系数；式(4)～(6)中的参数基于实测数据拟合获取。
CN201910354578.XA 2019-04-29 2019-04-29 一种富营养化浅水湖泊有色溶解有机物的遥感方法 Active CN110068539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910354578.XA CN110068539B (zh) 2019-04-29 2019-04-29 一种富营养化浅水湖泊有色溶解有机物的遥感方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910354578.XA CN110068539B (zh) 2019-04-29 2019-04-29 一种富营养化浅水湖泊有色溶解有机物的遥感方法

Publications (2)

Publication Number Publication Date
CN110068539A CN110068539A (zh) 2019-07-30
CN110068539B true CN110068539B (zh) 2020-07-07

Family

ID=67369574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910354578.XA Active CN110068539B (zh) 2019-04-29 2019-04-29 一种富营养化浅水湖泊有色溶解有机物的遥感方法

Country Status (1)

Country Link
CN (1) CN110068539B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598251B (zh) * 2019-08-05 2021-11-09 中国科学院南京地理与湖泊研究所 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法
CN111781149B (zh) * 2020-06-10 2022-07-19 新疆天链遥感科技有限公司 利用遥感卫星检测挥发性有机化合物浓度的方法和装置
CN112630189B (zh) * 2020-09-18 2022-07-08 浙江大学 一种基于改进qaa算法的内陆水体水质反演方法
CN112989692A (zh) * 2021-02-10 2021-06-18 中国科学院南京地理与湖泊研究所 基于遥感数据的湖泊富营养化反演方法
CN113916808B (zh) * 2021-09-02 2022-05-27 自然资源部第二海洋研究所 一种营养盐浓度的获得方法、装置、终端设备及存储介质
CN114705632B (zh) * 2021-11-18 2024-02-06 中林信达（北京）科技信息有限责任公司 一种利用卫星遥感反射率估算水库营养状态指数的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0938631A (ja) * 1995-07-26 1997-02-10 Hitachi Ltd リモートセンシング応用広域水圏監視システム
CN106248600B (zh) * 2016-09-05 2019-12-20 中国科学院南京地理与湖泊研究所 基于有色可溶性有机物吸收系数的湖泊富营养化评价方法
CN106468658B (zh) * 2016-09-05 2019-08-02 中国科学院南京地理与湖泊研究所 一种富营养化湖泊藻蓝素的modis遥感监测方法
CN107589075B (zh) * 2017-09-07 2020-12-29 中国科学院南京地理与湖泊研究所 一种浅水湖泊固有光学参数的olci遥感监测方法
CN108614086A (zh) * 2018-05-02 2018-10-02 中国科学院东北地理与农业生态研究所 一种评价湖泊富营养化的方法

Also Published As

Publication number Publication date
CN110068539A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110068539B (zh) 一种富营养化浅水湖泊有色溶解有机物的遥感方法
Brewin et al. Underway spectrophotometry along the Atlantic Meridional Transect reveals high performance in satellite chlorophyll retrievals
Avagyan et al. Application of high-resolution spectral absorbance measurements to determine dissolved organic carbon concentration in remote areas
Zhou et al. Characterization of bulk and chromophoric dissolved organic matter in the Laurentian Great Lakes during summer 2013
Ali et al. Application of empirical and semi-analytical algorithms to MERIS data for estimating chlorophyll a in Case 2 waters of Lake Erie
CN113203694B (zh) Msi的湖泊富营养指数遥感估算方法
Son et al. Satellite-measured net primary production in the Chesapeake Bay
CN113324952B (zh) 水体漫衰减系数遥感反演方法及系统
CN115524294A (zh) 一种离水式实时智能遥感水质监测方法
Aulló-Maestro et al. Spatio-seasonal variability of chromophoric dissolved organic matter absorption and responses to photobleaching in a large shallow temperate lake
CN114705632B (zh) 一种利用卫星遥感反射率估算水库营养状态指数的方法
CN113420497B (zh) 浑浊湖泊总磷浓度遥感估算方法
Schaeffer et al. Northern Gulf of Mexico estuarine coloured dissolved organic matter derived from MODIS data
Shang et al. Characterization of CDOM absorption of reservoirs with its linkage of regions and ages across China
Odriozola et al. On the absorption of light in the Orinoco River plume
Gons et al. Optical teledetection of the vertical attenuation coefficient for downward quantum irradiance of photosynthetically available radiation in turbid inland waters
Ferreira et al. Variability in the light absorption coefficients of phytoplankton, non-algal particles, and colored dissolved organic matter in a subtropical bay (Brazil)
Cao et al. Spatio-temporal analysis of colored dissolved organic matter over Ebinur Lake in Xinjiang, China
CN113552034B (zh) 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法
Mu et al. Accumulation of dissolved organic matter in the transition from fresh to aged seasonal snow in an industrial city in NE China
Majozi et al. Water Quality and Remote Sensing: a Case Study of Lake Naivasha, Kenya.
Hieu et al. Estimating the Chlorophyll-a in the Nha Trang Bay using Landsat-8 OLI data
Maselli et al. Spectral angle minimization for the retrieval of optically active seawater constituents from MODIS data
Riha et al. Remote sensing of cyanobacteria and green algae in the Baltic Sea
Fu et al. Spatiotemporal characteristics and remote sensing estimation of colored dissolved organic matter around the Leizhou Peninsula

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