CN112131708B - 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 - Google Patents
基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 Download PDFInfo
- Publication number
- CN112131708B CN112131708B CN202010858522.0A CN202010858522A CN112131708B CN 112131708 B CN112131708 B CN 112131708B CN 202010858522 A CN202010858522 A CN 202010858522A CN 112131708 B CN112131708 B CN 112131708B
- Authority
- CN
- China
- Prior art keywords
- data
- exp
- chlorophyll
- inversion
- remote sensing
- 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
Links
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 49
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 239000005422 algal bloom Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 239000000049 pigment Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003811 acetone extraction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于HY‑1C数据的高原湖泊叶绿素a浓度遥感反演方法。对高原湖泊的HY‑1C卫星数据进行6SV大气校正，基于校正的遥感反射比R rs‑s 数据构建叶绿素a反演指数，之后建立叶绿素a反演指数与叶绿素a浓度Chla的关系模型，即Chla反演模型。本发明的模型针对高原湖泊适用性好，可实现大范围、高分辨率的叶绿素a浓度反演。
Description
技术领域
本发明属于遥感技术领域，具体涉及一种富营养化湖泊叶绿素a浓度的遥感反演方法。
背景技术
云南省星云湖、洱海富营养化程度很严重，藻华时常爆发，监测叶绿素a浓度有助于研究引起藻华发生的浮游植物优势类别、不同色素浓度的空间及季节分布。星云湖、洱海属于高原湖泊，受地形因素影响，采用常规的叶绿素a浓度反演方法并不能获得良好的反演效果。此外，对于该类湖泊的监测有较高的空间分辨率需求，HY-1C卫星空间分辨率为50米，每三天过境一次，可以提高小型湖泊的遥感监测的高空间分辨率需求，但HY-1C卫星数据为宽波段数据，叶绿素a的特征波段较窄，限制了宽波段卫星数据在水体叶绿素a浓度反演中的应用，目前还没有较好的算法能解决这一问题。
发明内容
本发明的目的在于提供基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法，为湖泊群水体的藻华及色素浓度遥感监测提供必要的技术支撑，有助于湖泊水环境关键参数数据库的建立，为湖泊水环境安全提供决策依据。
为实现上述技术目的，本发明采用如下技术方案：
基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法，包括如下步骤：
步骤1：获取湖泊实测叶绿素a浓度数据及同步的HY-1C卫星数据；
步骤2：对HY-1C卫星数据进行6SV大气校正，得到经过大气校正后的HY-1C数据的遥感反射比Rrs-s；
步骤3：基于校正的遥感反射比Rrs-s数据构建叶绿素a反演指数NDVIexp，如下式所示；
NDVIexp＝(exp(Rrs-sλ1)-exp(Rrs-sλ2))/(exp(Rrs-sλ1)+exp(Rrs-sλ2))
步骤4：构建NDVIexp指数构建与叶绿素a浓度Chla相关模型，即Chla反演模型；
步骤5：获取待测湖泊HY-1C数据并进行大气校正后，代入步骤3建立的Chla反演模型，实现待测湖泊的叶绿素a浓度遥感反演。
作为本发明的进一步改进，所述方法还包括：获取湖泊的实测遥感反射率Rrs数据，利用Rrs数据验证校正后的Rrc-s数据，使误差在限定范围内。进一步的，所述实测遥感反率Rrs数据由ASD双通道光谱仪测量得到。
作为本发明的进一步改进，所述方法还包括，获取高原湖泊海拔数据，基于海拔数据调整6SV大气校正的输入参数。本发明针对高原湖泊实施遥感反演，湖泊海拔较高，因此考虑地形因素，对大气校正的输入参数进行调整。进一步的，调整的输入参数包括大气压、水汽含量。
作为本发明的进一步改进，所述步骤3中，基于825nm、655nm波段构建叶绿素a反演指数NDVIexp。构建的叶绿素a反演指数NDVIexp如下式所示：
NDVIexp＝(exp(Rrs-s825)-exp(Rrs-s655))/(exp(Rrs-s825)+exp(Rrs-s655))
本发明设计了指数形式的归一化差值植被指数，可提高低值区域、降低高值区域，实现叶绿素a浓度范围较大的模型构建；构建的反演指数NDVIexp与叶绿素a浓度存在较好的相关关系，从而进一步构建叶绿素a浓度的反演模型。
作为本发明的进一步改进，建立NDVIexp与叶绿素a的线性相关模型。
作为本发明的进一步改进，所述方法还包括步骤6，预留同步的HY-1C卫星数据，对Chla反演模型进行验证；以Rrs-s为输入参数，代入所述Chla反演模型中进行计算及验证。优选预留1/2同步卫星数据进行验证。
本发明针对高原湖泊，利用HY-1C卫星的遥感数据实现叶绿素a遥感反演，基于HY-1C卫星的825nm、655nm波段，利用基于辐射传输的模拟的6SV大气校正模型进行卫星数据校正，并基于高原地形对6SV输入参数进行调整，设计指数形式的叶绿素a反演指数NDVIexp，建立叶绿素a的反演模型，实现高原湖泊的叶绿素a遥感反演。本发明的模型针对高原湖泊适用性好，可实现大范围、高分辨率的叶绿素a浓度反演。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是叶绿素a浓度与NDVIexp的关系散点图。
图2是洱海叶绿素a浓度空间分布图。
图3是星云湖叶绿素a浓度空间分布图。
前述图示1-3中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公知的，并不在本例中再做赘述。
具体实施方式
实施例以云贵高原的洱海、星云湖为例，对本发明的技术方案作进一步阐述。
步骤1：获取洱海、星云湖实测遥感反率Rrs数据、实测叶绿素a浓度数据及同步的HY-1C卫星数据，洱海根据离岸距离、采样点间距选择了24个采样点，星云湖面积较小，均匀分布11个采样点；分别于2019年8、10月，采样两次，共70个采样点。
其中，实测的遥感反射率Rrs数据采用美国ASD公司的双通道地面光谱监测仪获取；叶绿素a浓度采用丙酮萃取法利用分光光度计测量；HY-1C卫星CZI传感器数据(空间分辨率50米，每3天过境一次)从国家海洋卫星中心网站免费下载。HY-1C卫星的CZI传感器，只有4个波段，波段设置较宽，掩盖了叶绿素a浓度较窄的特征波段，但是具有较高的空间分辨率(50米)。
步骤2：对HY-1C卫星数据进行6SV大气校正，得到经过大气校正后的HY-1C数据的遥感反射比Rrs-s；
获取洱海、星云湖的海拔数据，根据具体的海拔值，分别计算大气压、水汽含量等输入参数，以调整6SV大气校正方法的输入参数。
输入HY-1C卫星数据，获取经过大气校正后的HY-1C数据的遥感反射比Rrs-s；
利用Rrs数据验证校正后的Rrs-s数据，平均相对误差控制在50％以内的，认为大气校正结果可以接受，满足条件的数据共有62组。将获取62组Rrs-s数据中的一半数据作为模型建立的数据集，另一半预留用于验证。
步骤3：基于校正的遥感反射比Rrs-s数据构建叶绿素a反演指数NDVIexp，如下式所示；
NDVIexp＝(exp(Rrs-s825)-exp(Rrs-s655))/(exp(Rrs-s825)+exp(Rrs-s655))
星云湖为高度富营养化湖泊藻华暴发频发，具有近红外抬升的特征，CZI传感器的825nm波段可以体现这一特征。叶绿素a浓度含量高时，655nm所在的红光波段呈现高吸收特征，遥感反射较低。因此两者的差与和的比值算法，可以突出叶绿素a的特征，结合指数形式提高低值区域、降低高值区域后，可实现叶绿素a浓度范围较大的模型构建。
步骤4：构建NDVIexp指数构建与叶绿素a浓度Chla相关模型，即Chla反演模型，如下所示：
Chla＝24910*NDVIexp+220.82(N＝31，P＜0.05，R2＝0.5474)
步骤5：获取待测时间范围的洱海、星云湖湖泊HY-1C数据并进行大气校正后，代入步骤3建立的Chla反演模型，实现待测湖泊的叶绿素a浓度遥感反演。如图2、3所示。
步骤6：基于预留的同步HY-1C卫星数据对Chla反演模型进行验证；以Rrs-s为输入参数，代入所述Chla反演模型中进行计算，并用对应的实测Chla数据对模型得到的结果进行验证，平均相对误差为28.92mg/m3。
Claims (10)
1.基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法，其特征在于，包括如下步骤：
步骤1：获取湖泊实测叶绿素a浓度数据及同步的HY-1C卫星数据；
步骤2：对HY-1C卫星数据进行6SV大气校正，得到经过大气校正后的HY-1C数据的遥感反射比Rrs-s；
步骤3：基于校正的遥感反射比Rrs-s数据构建叶绿素a反演指数NDVIexp，如下式所示；
NDVIexp＝(exp(Rrs-sλ1)-exp(Rrs-sλ2))/(exp(Rrs-sλ1)+exp(Rrs-sλ2))
步骤4：构建NDVIexp指数与叶绿素a浓度Chla的关系模型，即Chla反演模型；
步骤5：获取待测湖泊HY-1C数据并进行大气校正后，代入步骤3建立的Chla反演模型，实现待测湖泊的叶绿素a浓度遥感反演。
2.根据权利要求1所述的方法，其特征在于，还包括：获取湖泊的实测遥感反射率Rrs数据，利用Rrs数据验证校正后的Rrs-s数据，选取误差在限定范围内的Rrs-s数据用于模型构建。
3.根据权利要求2所述的方法，其特征在于，所述实测遥感反率Rrs数据由ASD双通道光谱仪测量得到。
4.根据权利要求1所述的方法，其特征在于，还包括，获取高原湖泊海拔数据，基于海拔数据调整6SV大气校正的输入参数。
5.根据权利要求1所述的方法，其特征在于，调整的输入参数包括大气压、水汽含量。
6.根据权利要求1所述的方法，其特征在于，所述步骤3中，基于825nm、655nm波段构建叶绿素a反演指数NDVIexp。
7.根据权利要求1或6所述的方法，其特征在于，构建的叶绿素a反演指数NDVIexp如下式所示：
NDVIexp＝(exp(Rrs-s825)-exp(Rrs-s655))/(exp(Rrs-s825)+exp(Rrs-s655))。
8.根据权利要求1所述的方法，其特征在于，建立NDVIexp与叶绿素a的线性相关模型。
9.根据权利要求1所述的方法，其特征在于，还包括步骤6，预留同步的HY-1C卫星数据，对Chla反演模型进行验证；以Rrs-s为输入参数，代入所述Chla反演模型中进行计算及验证。
10.根据权利要求9所述的方法，其特征在于，预留1/2卫星数据验证反演模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010858522.0A CN112131708B (zh) | 2020-08-24 | 2020-08-24 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010858522.0A CN112131708B (zh) | 2020-08-24 | 2020-08-24 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131708A CN112131708A (zh) | 2020-12-25 |
| CN112131708B true CN112131708B (zh) | 2023-11-28 |
Family
ID=73848335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010858522.0A Active CN112131708B (zh) | 2020-08-24 | 2020-08-24 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131708B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816423A (zh) * | 2021-02-06 | 2021-05-18 | 岳阳市洞庭水环境研究所 | 一种蓝藻爆发分析方法及系统 |
| CN113763272B (zh) * | 2021-09-03 | 2024-06-11 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 |
| CN115080905B (zh) * | 2022-06-07 | 2024-05-17 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
| CN115615936B (zh) * | 2022-12-05 | 2023-03-14 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103528965A (zh) * | 2013-08-28 | 2014-01-22 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
| CN104502283A (zh) * | 2014-12-15 | 2015-04-08 | 南京农业大学 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN109596577A (zh) * | 2018-11-12 | 2019-04-09 | 河南农业大学 | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 |
| CN109858186A (zh) * | 2019-03-11 | 2019-06-07 | 武汉大学 | 联合光学和热学数据的农田干旱评估方法 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 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 |
| CN110929423A (zh) * | 2019-12-17 | 2020-03-27 | 山东科技大学 | 一种综合干旱模型的土壤含水量反演方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150206255A1 (en) * | 2011-05-13 | 2015-07-23 | HydroBio, Inc | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data |
-
2020
- 2020-08-24 CN CN202010858522.0A patent/CN112131708B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103528965A (zh) * | 2013-08-28 | 2014-01-22 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
| CN104502283A (zh) * | 2014-12-15 | 2015-04-08 | 南京农业大学 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN109596577A (zh) * | 2018-11-12 | 2019-04-09 | 河南农业大学 | 小麦白粉病病情监测模型的构建方法及宽角度适应的监测方法 |
| CN109858186A (zh) * | 2019-03-11 | 2019-06-07 | 武汉大学 | 联合光学和热学数据的农田干旱评估方法 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 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 |
| CN110929423A (zh) * | 2019-12-17 | 2020-03-27 | 山东科技大学 | 一种综合干旱模型的土壤含水量反演方法 |
Non-Patent Citations (3)
| Title |
|---|
| Linearization of NDVI Based on its Relationship with Vegetation Fraction;Zhangyan Jiang 等;《PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING》;第965-975页 * |
| 基于Landsat-8 OLI的鄱阳湖叶绿素a浓度定量反演;黄灵光;方豫;张大文;林联盛;;江西科学(第04期);全文 * |
| 基于Sentinel卫星的浑浊水体叶绿素反演对比研究――以鄱阳湖为例;李亭亭;田礼乔;李建;张;孙兆华;;华中师范大学学报(自然科学版)(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131708A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131708B (zh) | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 | |
| Cihlar et al. | Multitemporal, multichannel AVHRR data sets for land biosphere studies—artifacts and corrections | |
| CN112504979B (zh) | 一种基于高光谱遥感的水体叶绿素浓度反演方法及装置 | |
| Sun et al. | Aerosol optical depth retrieval by HJ-1/CCD supported by MODIS surface reflectance data | |
| CN103048276B (zh) | 一种用于检测作物冠层叶片碳氮比的光谱指数构造方法 | |
| CN113552080B (zh) | 一种超光谱遥感地表大气相对湿度的实时反演算法 | |
| CN111638195A (zh) | 一种干旱监测方法和装置 | |
| CN114676636A (zh) | 一种综合植被和生境特征的草原区土壤水分快速反演方法 | |
| CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
| CN116977873A (zh) | 一种基于高分卫星遥感的裸露沙地决策树提取方法 | |
| CN111191380A (zh) | 一种基于地基光谱仪测量数据的大气气溶胶光学厚度估算方法和装置 | |
| CN113763272B (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
| CN111241991A (zh) | 一种基于遥感影像的水质分类方法 | |
| CN110702228B (zh) | 一种航空高光谱影像的边缘辐射校正方法 | |
| Aleksanin et al. | Specificity of atmospheric correction of satellite data on ocean color in the Far East | |
| CN114419455B (zh) | 一种基于多源遥感数据的区域沙化程度判断方法 | |
| Liu et al. | A novel wavelength selection strategy for chlorophyll prediction by MWPLS and GA | |
| CN110096743B (zh) | 基于遥感数据和高程信息估算地表水汽压方法 | |
| Singh et al. | A robust method for removal of glint effects from satellite ocean colour imagery | |
| CN105784647B (zh) | 基于太阳宽谱直接辐射提取激光谱线透过率方法 | |
| CN107389595B (zh) | 一种基于modis三通道加权平均的水汽反演方法 | |
| CN105445232A (zh) | 一种后向散射系数线性约束的水体固有光学量反演方法 | |
| Guo et al. | Performance of Hyperspectral Data in Predicting and Mapping Soil Organic Matter Content | |
| CN111507223B (zh) | 植物物种beta多样性的估算方法及系统 | |
| Sun | Development of the Sun-Edwards-Slingo radiation scheme (SES2) |
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 |