CN112881293A - 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 - Google Patents
一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 Download PDFInfo
- Publication number
- CN112881293A CN112881293A CN202110025488.3A CN202110025488A CN112881293A CN 112881293 A CN112881293 A CN 112881293A CN 202110025488 A CN202110025488 A CN 202110025488A CN 112881293 A CN112881293 A CN 112881293A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll
- concentration
- sampling
- water body
- satellite
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 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 50
- 229930002868 chlorophyll a Natural products 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 238000004108 freeze drying Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 230000008033 biological extinction Effects 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法,包括:(1)对待测内陆湖泊的清洁水体进行多点采样;(2)采样时获取光谱数据,采样后测出各样点叶绿素a浓度值;(3)获取高分一号卫星对该内陆湖泊的影像数据并预处理;(4)利用样点的光谱数据和叶绿素a浓度值,通过使用线性、指数和对数函数来测试所有可能的单波段和波段组合形式;并利用验证样点进行模型的精度评估,获取最佳函数和最佳波段输入模型;(5)将遥感影像各波段值导入所构建的最佳函数中,确定高光谱情况下的最佳反演模型,最终对内陆湖泊清洁水体的叶绿素a浓度值进行有效反演。利用本发明,可以提高内陆湖泊清洁水体叶绿素a浓度反演精确度。
Description
技术领域
本发明涉及水体叶绿素a浓度监测领域,尤其是涉及一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法。
背景技术
水体参数是水环境质量的直观反映,也是水质评估的重要依据,目前常用的水体参数有水体透明度、叶绿素a浓度、总悬浮物浓度、总磷、总氮、有色可溶性有机物含量等,其中叶绿素a是水体中浮游植物以及水藻类生物的主要成分,其浓度的高低表示了水体初级生产力以及富营养化程度。内陆水库作为淡水主要涵养方式,直接关系着区域防洪、生活生产用水供给、流域生态环境保持、水资源分类等活动,因此,实现水体相关水质参数的有效监测对于水资源保护具有极其重要的意义。
遥感作为一种在地理学、生态学等学科常用的研究手段,从空间层面实现了多尺度、多时相的空间分布及动态变化研究,可以满足不同的研究需求。近年来越来越多的研究者开始将水质评估的技术手段转向卫星遥感技术,希望能够利用遥感的高频率、大范围、准实时的优点解决传统水质检测方法的种种限制和缺陷。目前常用于水体水色参数监测的遥感影像有MODIS影像、Landsat系列影像、环境一号影像数据、高分系列影像以及GOCI数据影像等。
高分影像作为重要的国产遥感影像系列,由于其较高的空间分辨率、较长年限的数据集以及较强的水体参数表达能力,在水体环境相关参数监测中得到了极其广泛的应用。利用高分影像各波段光谱反射特征对水体水质进行研究,实现了水体参数的科学有效反演,在一定程度上克服了传统研究中时效性缺乏、代表性不足等弊端,有利于研究区域水体环境参数的空间化反演与监测。国内外学者根据不同遥感影像的数据特征,利用多种方法构造了水体叶绿素a浓度反演模型,实现了水体参数的监测。如公开号为CN111650131A的中国专利文献公开了一种高泥沙含量水体表层叶绿素a浓度反演方法,公开号为CN102200576A的中国专利文献公开了一种叶绿素a浓度反演方法及系统。
但是现有的大部分模型对于复杂水体的反演说服力仍有不足,精确度有待提升;同时,由于部分内陆水库属于洁净水体,相关水质指标含量较低,常规方法难以有效反映出其水体水色参数,对于洁净水体的反演精确度有待提高。
发明内容
基于以上问题,本发明提供了一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法,以解决内陆湖泊清洁水体叶绿素a浓度反演难的问题。
一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法,包括以下步骤:
(1)对待测内陆湖泊的清洁水体进行多点采样,共采集样点n个,其中m个作为反演样点,用于反演模型的构造,剩余(n-m)个作为验证样点,用于验证所构造反演模型的精确度;
(2)采样过程中,对各样点的辐射数据进行测量,获取光谱数据;采样后,对采样水体进行实验室分析,测算出各样点叶绿素a浓度值Chla;
(3)获取高分一号卫星对该内陆湖泊的影像数据,对数据进行预处理操作;选取内陆湖泊区域各年份不同季节的影像1~2副,并对各年份影像进行平均处理,从而得到各年份该内陆水库区域水体遥感平均监测影像;
(4)利用反演样点中样点的光谱数据和测算出的叶绿素a浓度值,通过使用线性、指数和对数函数来测试所有可能的单波段和波段组合形式;并利用验证样点进行模型的精度评估,获取最佳函数和最佳波段输入模型;
(5)将遥感影像各波段值导入所构建的最佳函数中,确定高光谱情况下的最佳反演模型,最终对内陆湖泊清洁水体的叶绿素a浓度值进行有效反演。
本发明的方法,通过对线性、多项式、指数模型下的各种单波段以及多波段组合形式进行全面分析,择优建立最佳经验模型,最终实现了内陆湖泊区域清洁水体叶绿素a浓度的有效反演。
进一步地,步骤(1)中,采样时要求当日天气均以晴为主,水面平静,采样时间为11:00~16:00。
进一步地,步骤(2)中,利用美国分析光谱仪器公司生产的野外光谱辐射仪对各样点的辐射数据进行测量,选用的光谱范围为400~900nm,增量为1nm。
步骤(2)中,测算各样点叶绿素a浓度值Chla的具体过程为:
采样时使用5L采水器采集距表层50cm湖水,采样后立即返回实验室用WhatmanGF/C进行过滤预处理、冷冻干燥,用丙酮—分光光度计法进行测量。
步骤(3)中,对数据进行预处理操作包括正射校正、辐射定标、大气校准和影像裁剪等步骤;
其中,正射校正具体为:选用相近时期同区域Landsat全色影像作为参照影像,利用ENVI软件自身所提供的RPC正射校正流程化工具实现影像的正射校正处理;
辐射定标具体为:利用辐射定标系数将图像灰度值转换为反射率信息,相关波段增益值Gain以及偏置参数Offset由中国资源卫星应用中心获取;
大气校准具体为:在ENVI软件中,运用其FLAASH Atmospheric Correction工具,依据植被以及水体的波普曲线的反射以及吸收特征,结合影像头文件信息,设定相关参数,实现对影像的大气校准处理;
步骤(4)中,所述的最佳函数为:
式中,y是Chla浓度,x是波段的各种组合,a和b为拟合的系数;
所述的最佳波段输入模型为B1/B2或(B1-B2)/(B1+B2),其中,B1和B2表示波段,相对应的,最佳函数为y=a·eb·(B1/B2)或y=a·eb·(B1-B2)/(B1+B2)。
步骤(5)中,确定的最佳反演模型为:
或者
chla=0.014*e0.25*(B1-B2)/(B1+B2)
式中,确定的波段B1为红光波段,B2为近红外波段。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用高分一号遥感影像,与其他常用遥感影像相比,能够实现高空间分辨率、多光谱、大区域范围的地表监测,为水文地貌较为复杂的内陆湖泊水质监测提供了可能。
2、本发明进一步提高了水体叶绿素a浓度反演精确度,对常用的线性、多项式以及指数模型下的多种单波段以及波段组合形式进行了较为全面的模型精确度验证,建立了内陆湖泊清洁水体叶绿素a浓度反演最佳模型。
附图说明
图1为本发明实施例中千岛湖位置及采样样点示意;
图2为本发明实施例中千岛湖实测样点叶绿素a光谱特征;
图3为本发明实施例中,经验模型y=a·eb·(B1/B2)对应的相关系数以及残差图;
图4为本发明实施例中,经验模型y=a·eb·(B1-B2)/(B1+B2)对应的相关系数以及残差图;
图5为最佳波段输入模型为B1/B2时,最佳反演模型的拟合和验证集对比图;
图6为最佳波段输入模型为(B1-B2)/(B1+B2)时,最佳反演模型的拟合和验证集对比图;
图7为本发明实施例中千岛湖叶绿素a浓度反演结果;
图8为本发明实施例中反演值与实地测量值相对误差空间分布图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
本发明以千岛湖为例,对千岛湖清洁水体叶绿素a浓度进行反演,包括以下步骤:
(1)水体实测样点数据获取:
A.依照均匀随机采样方法,对千岛湖区域水体进行采样(如图1所示),共采集有效样点61个,采样时间分别为2018-4-10、2018-04-19、2018-06-18、2018-10-25,其中53个作为反演样点,用于反演模型的构造,剩余8个作为验证样点,用于验证所构造反演模型的精确度。
B.采样当日天气均以晴为主,水面平静,采样时间为11:00~16:00,均匀分布于千岛湖水域范围。
C.实测样点叶绿素a浓度数据主要通过人工选择采样点的方式实现,利用美国分析光谱仪器公司(ASD)的野外光谱辐射仪对各样点的辐射数据进行测量,选用的光谱范围为400~900nm,增量为1nm,可以实现不同波长条件下水体光反射率监测;采样时,采用唐军武提出的水体水面以上光谱测量方法实现,保障采样实测数据的准确性。实测样点叶绿素a光谱特征如图2所示。
D.对人工采集的采样点水体进行实验室分析,使用0.45m的GF/F滤膜过滤水样,将得到的滤膜放入离心管中进行冷冻,利用热乙醇法萃取,再用25mm的玻璃纤维滤膜过滤萃取液,并记录液体体积,测量其665nm处的消光率(E665)和750nm处的消光率(E750),加入1mol/L的盐酸进行酸化,1min后测量其在665和750nm处的消光率A665和A750,从而测算出各样点叶绿素a浓度值Chla。
(2)高分一号遥感数据处理
高分一号宽幅覆盖相机(Wide Field of View,WFV)获取的16米多光谱影像对研究区域进行探索,利用该传感器4个波段(蓝(450~520nm)、绿(520~590nm)、红(630~690nm)、近红外(770~890nm))对地物不同的波普反射特征,从而实现对水体参数的反演。
高分一号卫星相关参数如下表1所示。
表1
所获取的高分遥感影像数据由于数据记录形式、云层干扰、坐标系统等影响,无法直接利用,需要对其进行进一步处理,主要包含以下步骤:
正射校正:选用相近时期同区域Landsat全色影像作为参照影像,利用ENVI软件自身所提供的RPC正射校正流程化工具实现影像的正射校正处理。
辐射定标:所获取的高分遥感影像数据是以相对像元值的形式记录,并非像元真实反射率信息,因此首先需要对其进行辐射定标处理,利用其辐射定标系数将图像灰度值转换为反射率信息,相关波段增益值(Gain)以及偏置参数(Offset)可由中国资源卫星应用中心获取。
大气校正:为了消除大气中大气分子、颗粒、气溶胶散射等对地物反射信息的影响,需要对影像进行大气校正处理,在ENVI软件中,运用其FLAASH AtmosphericCorrection工具,依据植被以及水体的波普曲线的反射以及吸收特征,结合影像头文件信息,设定相关参数,实现对影像的大气校准处理。
同时,为了保证影像代表性,选取千岛湖区域各年份不同季节影像1~2副,并对各年份影像进行平均处理,消除季相变化带来的影响,最终得到各年份千岛湖区域水体遥感平均监测影像。
(3)叶绿素a浓度反演的最佳函数与最佳波段输入模型
通过使用线性、指数和对数函数来测试所有可能的单波段和波段组合形式,其中x是波段的各种组合(取400-900nm波段),y是chla浓度,根据建模流程,共有2260512个模型(单波段:3个函数×501波段输入,双波段:3种函数×3种波段组合×251001波段输入),但其中存在一些无效模型(9个函数×501)和重复模型(6个函数×125250个),最终只构建了1504503个模型。通过模型精度评估,获取最佳函数与最佳波段输入模型。
表2
结合表2中建模集的R2和验证集RMSE,AME,RRMSE,B1/B2模型R2在0.91以上,而(B1-B2)/(B1+B2)模型R2低于0.91,B1/B2具有更好的模拟效果。
从验证集来看(B1-B2)/(B1+B2)模型(RMSE=0.026m-1,AME=26%)略好于B1/B2模型(RMSE=0.035m-1,AME=36%),误差较小。综上,B1/B2可作为最优选择模型,(B1-B2)/(B1+B2)可作为备选模型。
图3表明用B1/B2作为指数模型输入,B1选用620-900nm范围波段,B2选用510-570nm范围波段,可使模型R2>0.9,RMSE≤0.001。图4表明用(B1-B2)/(B1+B2)作为指数模型输入,B1选用550-650nm范围波段,B2选用700-900nm范围波段,可使模型R2>0.9,RMSE≤0.001。
(4)反演模型构建
依据两种模型在不同输入组合下的相关系数以及残差计算,发现,运用红光波段或近红外波段进行叶绿素a浓度值反演具有较高的反演效果,相应的反演模型分别为:
chla=0.014*e0.25*(B1-B2)/(B1+B2)
式中,波段B1为红光波段,B2为近红外波段。
利用上述两个模型可以获得较好的预测性能R2>0.9,RMSE≤0.001,图5为利用B1/B2模型拟合结果与验证集的对比图,图6为(B1-B2)/(B1+B2)模型结果与验证集的对比结果。
结果分析:
(一)千岛湖清洁水体叶绿素a浓度分布
千岛湖叶绿素a浓度反演结果如图7所示,研究发现,叶绿素高浓度区域位于靠近岸边的地方,尤其是东北、西南两端的叶绿素浓度明显高于湖心地区;湖区东南至西北向轴线叶绿素浓度相对较低。这与前人研究结果一致,这一方面是由于水华易在岸边带堆积,另一方面与岸边带的芦苇分布以及湖边陆地植被干扰有关。
(二)方法精确度评价
提取反演值与8个实地测量值进行比较,如表3所示,发现大多数点相对误差都在10%以内,方法精确度相对较高。
表3
(三)有效性评价
提取所有模拟值计算相对误差,依据相对误差进行Kriging空间插值,得到高分一号卫星反演值的相对误差空间分布图,如图8所示。
结果发现,GF卫星的整体误差度较低,且较为均衡,相对误差大多在8.6%以下,中部及北部部分板块误差在8.6%-11.1%之间,对叶绿素a浓度较低的清洁水体反演效果较佳。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法,其特征在于,包括以下步骤:
(1)对待测内陆湖泊的清洁水体进行多点采样,共采集样点n个,其中m个作为反演样点,用于反演模型的构造,剩余(n-m)个作为验证样点,用于验证所构造反演模型的精确度;
(2)采样过程中,对各样点的辐射数据进行测量,获取光谱数据;采样后,对采样水体进行实验室分析,测算出各样点叶绿素a浓度值Chla;
(3)获取高分一号卫星对该内陆湖泊的影像数据,对数据进行预处理操作;选取内陆湖泊区域各年份不同季节的影像1~2副,并对各年份影像进行平均处理,从而得到各年份该内陆水库区域水体遥感平均监测影像;
(4)利用反演样点中样点的光谱数据和测算出的叶绿素a浓度值,通过使用线性、指数和对数函数来测试所有可能的单波段和波段组合形式;并利用验证样点进行模型的精度评估,获取最佳函数和最佳波段输入模型;
(5)将遥感影像各波段值导入所构建的最佳函数中,确定高光谱情况下的最佳反演模型,最终对内陆湖泊清洁水体的叶绿素a浓度值进行有效反演。
2.根据权利要求1所述的基于高分一号卫星的内陆湖泊叶绿素a浓度反演方法,其特征在于,步骤(1)中,采样时要求当日天气均以晴为主,水面平静,采样时间为11:00~16:00。
3.根据权利要求1所述的基于高分一号卫星的内陆湖泊叶绿素a浓度反演方法,其特征在于,步骤(2)中,利用美国分析光谱仪器公司生产的野外光谱辐射仪对各样点的辐射数据进行测量,选用的光谱范围为400~900nm,增量为1nm。
4.根据权利要求1所述的基于高分一号卫星的内陆湖泊叶绿素a浓度反演方法,其特征在于,步骤(2)中,测算各样点叶绿素a浓度值Chla的具体过程为:
采样时使用5L采水器采集距表层50cm湖水,采样后立即返回实验室用Whatman GF/C进行过滤预处理、冷冻干燥,用丙酮—分光光度计法进行测量。
5.根据权利要求1所述的基于高分一号卫星的内陆湖泊叶绿素a浓度反演方法,其特征在于,步骤(3)中,对数据进行预处理操作包括正射校正、辐射定标、大气校准和影像裁剪;
其中,正射校正具体为:选用相近时期同区域Landsat全色影像作为参照影像,利用ENVI软件自身所提供的RPC正射校正流程化工具实现影像的正射校正处理;
辐射定标具体为:利用辐射定标系数将图像灰度值转换为反射率信息,相关波段增益值Gain以及偏置参数Offset由中国资源卫星应用中心获取;
大气校准具体为:在ENVI软件中,运用其FLAASH Atmospheric Correction工具,依据植被以及水体的波普曲线的反射以及吸收特征,结合影像头文件信息,设定相关参数,实现对影像的大气校准处理。
7.根据权利要求6所述的基于高分一号卫星的内陆湖泊叶绿素a浓度反演方法,其特征在于,步骤(4)中,所述的最佳波段输入模型为B1/B2或(B1-B2)/(B1+B2),其中,B1和B2表示波段,相对应的,最佳函数为y=a·eb·(B1/B2)或y=a·eb·(B1-B2)/(B1+B2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025488.3A CN112881293A (zh) | 2021-01-08 | 2021-01-08 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110025488.3A CN112881293A (zh) | 2021-01-08 | 2021-01-08 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112881293A true CN112881293A (zh) | 2021-06-01 |
Family
ID=76047428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110025488.3A Pending CN112881293A (zh) | 2021-01-08 | 2021-01-08 | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881293A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340825A (zh) * | 2021-06-17 | 2021-09-03 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
CN113945527A (zh) * | 2021-11-15 | 2022-01-18 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN115080905A (zh) * | 2022-06-07 | 2022-09-20 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 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 |
CN115656057A (zh) * | 2022-12-05 | 2023-01-31 | 中国水利水电科学研究院 | 基于多源数据融合的水华精准协同监测方法 |
CN116482317A (zh) * | 2023-04-26 | 2023-07-25 | 大连理工大学 | 湖泊水体营养状态实时监测方法、系统、设备及介质 |
CN116542901A (zh) * | 2023-03-06 | 2023-08-04 | 广东工业大学 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
CN116952906A (zh) * | 2023-09-20 | 2023-10-27 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781147A (zh) * | 2020-07-06 | 2020-10-16 | 淮阴师范学院 | 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法 |
CN112131746A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
-
2021
- 2021-01-08 CN CN202110025488.3A patent/CN112881293A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781147A (zh) * | 2020-07-06 | 2020-10-16 | 淮阴师范学院 | 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法 |
CN112131746A (zh) * | 2020-09-24 | 2020-12-25 | 中国科学院空天信息创新研究院 | 叶绿素a浓度反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐鹏飞 等: "基于 GF1_WFV 的千岛湖水体叶绿素 a 浓度时空变化", 中国环境科学, vol. 40, no. 10, pages 1 - 3 * |
潘梅娥;杨昆;洪亮;: "基于环境一号卫星影像的内陆水体叶绿素α浓度遥感定量反演模型研究", 科学技术与工程, no. 15, pages 2 - 3 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340825A (zh) * | 2021-06-17 | 2021-09-03 | 重庆大学 | 一种在高浊度背景干扰下叶绿素a浓度的测算方法 |
CN113945527A (zh) * | 2021-11-15 | 2022-01-18 | 江苏天汇空间信息研究院有限公司 | 基于卫星数据得到水质总磷参数反演最优模型的方法 |
CN115080905A (zh) * | 2022-06-07 | 2022-09-20 | 昆明理工大学 | 一种高原湖泊叶绿素a浓度遥感反演方法 |
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 |
CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 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 |
CN115656057A (zh) * | 2022-12-05 | 2023-01-31 | 中国水利水电科学研究院 | 基于多源数据融合的水华精准协同监测方法 |
CN116542901A (zh) * | 2023-03-06 | 2023-08-04 | 广东工业大学 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
CN116542901B (zh) * | 2023-03-06 | 2023-11-07 | 广东工业大学 | 一种计算面状区域叶绿素a浓度平均值的方法及装置 |
CN116482317A (zh) * | 2023-04-26 | 2023-07-25 | 大连理工大学 | 湖泊水体营养状态实时监测方法、系统、设备及介质 |
CN116482317B (zh) * | 2023-04-26 | 2023-10-27 | 大连理工大学 | 湖泊水体营养状态实时监测方法、系统、设备及介质 |
CN116952906A (zh) * | 2023-09-20 | 2023-10-27 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
CN116952906B (zh) * | 2023-09-20 | 2024-01-12 | 南京航天宏图信息技术有限公司 | 水体健康状态评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112881293A (zh) | 一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法 | |
CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN108956505B (zh) | 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置 | |
CN109799199B (zh) | 一种叶绿素a浓度的协同反演方法 | |
CN106408005B (zh) | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 | |
CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
Li et al. | Estimation of chlorophyll-a concentrations in a highly turbid eutrophic lake using a classification-based MODIS land-band algorithm | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN113553907A (zh) | 一种基于遥感技术的森林生态环境状况评价方法 | |
CN109300133B (zh) | 一种城市河网区水体提取方法 | |
CN113252583A (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Hang et al. | Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN109959621B (zh) | 一种基于中高分辨率时序遥感数据的水环境分析方法 | |
Liu et al. | Autumn phenology of a temperate deciduous forest: Validation of remote sensing approach with decadal leaf-litterfall measurements | |
Wu et al. | Study on the optimal algorithm prediction of corn leaf component information based on hyperspectral imaging | |
CN111781147A (zh) | 基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法 | |
Igamberdiev et al. | Determination of chlorophyll content of small water bodies (kettle holes) using hyperspectral airborne data | |
CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
CN114705632A (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 | |
CN113763272A (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 | |
González Trilla et al. | Relating biophysical parameters of coastal marshes to hyperspectral reflectance data in the Bahia Blanca Estuary, Argentina | |
Jiang et al. | Validation of MODIS ocean-colour products in the coastal waters of the Yellow Sea and East China Sea | |
Lunetta et al. | Measurement of water colour using AVIRIS imagery to assess the potential for an operational monitoring capability in the Pamlico Sound Estuary, USA |
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 |