CN113203694A - Msi的湖泊富营养指数遥感估算方法 - Google Patents
Msi的湖泊富营养指数遥感估算方法 Download PDFInfo
- Publication number
- CN113203694A CN113203694A CN202110451640.4A CN202110451640A CN113203694A CN 113203694 A CN113203694 A CN 113203694A CN 202110451640 A CN202110451640 A CN 202110451640A CN 113203694 A CN113203694 A CN 113203694A
- Authority
- CN
- China
- Prior art keywords
- lake
- tsi
- eutrophication
- index
- 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.)
- Granted
Links
- 238000012851 eutrophication Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 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 claims abstract description 37
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 29
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 25
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 25
- 239000011574 phosphorus Substances 0.000 claims abstract description 25
- 238000002310 reflectometry Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000012952 Resampling Methods 0.000 claims abstract description 9
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- YKFRUJSEPGHZFJ-UHFFFAOYSA-N N-trimethylsilylimidazole Chemical compound C[Si](C)(C)N1C=CN=C1 YKFRUJSEPGHZFJ-UHFFFAOYSA-N 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 8
- 235000019804 chlorophyll Nutrition 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 235000003784 poor nutrition Nutrition 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000002835 absorbance Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 4
- 239000013543 active substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 239000006228 supernatant Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 241001420622 Meris Species 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- APUPEJJSWDHEBO-UHFFFAOYSA-P ammonium molybdate Chemical compound [NH4+].[NH4+].[O-][Mo]([O-])(=O)=O APUPEJJSWDHEBO-UHFFFAOYSA-P 0.000 description 1
- 229940010552 ammonium molybdate Drugs 0.000 description 1
- 235000018660 ammonium molybdate Nutrition 0.000 description 1
- 239000011609 ammonium molybdate Substances 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 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
- 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
- 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
Abstract
MSI的湖泊富营养指数遥感估算方法，它涉及一种MSI的湖泊富营养指数遥感估算方法。本发明的目的是为了提高湖泊富营养状态评价的系统性和精确程度。本方法如下：获取连续三年的内陆典型湖泊水体星地同步数据，利用修订的卡尔森富营养化指数公式和实测的叶绿素a、透明度和总磷浓度值计算富营养化指数，评价湖泊富营养状况和等级；将同步MSI Level1C影像数据经过重采样和大气校正预处理，获取湖泊水体采样点对应的遥感反射率；根据第一波段、第四波段和第五波段反射率组合，构建富营养化指数TSI反演模型并精度验证；获取典型内陆湖泊富营养化指数的时空分布。本发明的湖泊富营养化指数遥感估算方法，提高了湖泊富营养化监测的效率和精度，属于富营养指数遥感估算领域。
Description
技术领域
本发明涉及一种MSI的湖泊富营养指数遥感估算方法。
背景技术
全球面积大于25km2的2058个湖泊中，63.1％处于富营养化状态，亚洲54％、欧洲53％、北美48％、非洲28％和南美41％的湖泊受到富营养化影响。由于陆源输入营养负荷增加和生产力急剧增长，缺氧和藻华事件频繁暴发，湖泊富营养化已经成为影响大部分淡水生态系统的全球水质问题。
湖泊水生态环境监测的常用范式是富营养化状况，它是光、热、水动力学和营养物如氮和磷的结合形成的一系列生物、化学和物理过程。
目前，国内外普遍采用“野外采样—室内试验”方法，以实测总磷、叶绿素a和透明度等浓度作为富营养化参数指标，引入一种被广泛采用的数值—卡尔森富营养化状态指数(Trophic status index，TSI)，定量富营养状态，表征湖泊为“寡养”、“中养”或“富营养化”等级。
传统的野外离散采样和室内分析测试方法，一方面需要大量人力、物力和财力且耗时长，水样的保存时间、保存温度、不同仪器测量精度、水样前处理操作等都会对TSI指数计算的结果造成较大影响。其次，湖泊单个样本的营养程度不能代表整个湖泊，且部分湖泊由于地处偏远，难以进行现场测量，限制区域尺度或全球尺度湖泊富营养化评估，缺乏对大区域尺度上湖泊生物地球化学循环过程的理解和富营养化治理政策综合实施。
卫星遥感技术被广泛用于监测湖泊水生环境，并基于反射率光谱和存档数据提供时空连续的动态变化，可弥补传统方法的不足。
富营养指数TSI三个指标中，叶绿素a作为光学活性物质具有独特的光学特性，富营养化遥感监测主要通过估算水体中叶绿素a的浓度来实现。叶绿素a定量遥感反演的数据源主要有OLI、MODIS、SPOT、MSI、OLCI和MERIS，反演模型主要有基线法、波段比值模型、三波段模型、四波段模型、QAA生物光学模型和人工智能机器学习算法(Gitelson et al.,2008；Gower et al.,2005；Gurlin et al.,2011；Moses et al.,2009；Shen et al.,2010；Yanget al.,2010)。近年来，随着人工智能新型算法发展，线性回归算法、神经网络法、随机森林和Boost算法在不同程度上提高叶绿素a浓度估算精度。Li Sijia等(2021)基于MSI数据产品验证了两波段模型、三波段模型、三波段叶绿素指数模型、MCI叶绿素指数模型、SCI综合叶绿素指数模型以及人工智能机器算法如线性回归、支持向量机和Catboost算法在中国典型湖泊的适用性，其中支持向量机获得较高的反演精度。Watanabe et al.,(2015)应用Landsat OLI数据反演叶绿素a浓度，进而估算水体富营养指数TSI。
富营养指数TSI三个指标中，总磷和透明度参数无显著的光学特性。湖泊透明度遥感监测是通过不同遥感数据源获取的反射率与透明度实测值建立经验算法(Olmanson etal.,2008；Song et al.,2020)。虽然部分研究已尝试构建水体透明度的半分析算法，但其更适用于大洋或沿岸水体(Lee et al.,2016)，针对光学特性复杂的内陆湖泊水体精度较低。Olmanson et al.,(2008)采用Landsat系列产品反演明尼苏达州湖泊透明度，进而计算TSI和评价富营养状况。总磷遥感反演监测是通过总磷实测值与水体光学活性物质(如叶绿素a和总悬浮物浓度)的相关关系而间接反演(Kutser et al.,1995；Sun et al.,2013)。
但富营养化指数TSI是反映湖泊水质状况的综合指标，叶绿素a、透明度和总磷等单个指标的遥感识别、监测以及定量估算不能反映湖泊综合富营养状态。Song et al.,(2012)应用高光谱数据分别用估测叶绿素a、透明度和总磷的浓度值，进一步计算印第安纳水库富营养化指数TSI。Sheela et al.,(2011)应用IRS LISS III数据产品反演水体透明度和叶绿素a估算TSI。Shi Kun et al.,(2019)运用Landsat OLI数据产品和半分析算法估算光学活性物质的总吸收系数，进而估算TSI。
综上，所述湖泊富营养状况的遥感监测多采用一个富营养化指标、多个富营养化指标或者以光学活性物质吸收系数为间接参数的遥感识别、监测以及定量估算，进而估算TSI。这种湖泊富营养指数TSI估算精度受限于多个指标独立反演不确定性的叠加，且由于内陆水体光学的复杂性和经验算法时空移植性差等缺陷，TSI估算难以在湖泊富营养大尺度应用中开展。
发明内容
本发明的目的是为了提高湖泊富营养状态评价的系统性和精确程度，提供了一种MSI的湖泊富营养指数遥感估算方法。
MSI的湖泊富营养指数遥感估算方法按照以下步骤进行：
步骤一、通过连续三年实地采集湖泊水体样品，测定叶绿素a、总磷和透明度水质参数的浓度，根据修订的卡尔森富营养化指数公式，计算湖泊水体样品富营养化指数TSI值，并进行湖泊富营养状况评价，将湖泊富营养化划分三个等级:TSI<30,贫营养状态等级；30<TSI<50,中营养等级；50<TSI<100,富营养等级；
步骤二、结合连续三年的内陆湖泊水体星地同步数据，将MSI Level1C遥感影像经过重采样和大气校正预处理，提取湖泊水体采样点对应的遥感反射率，得到的第一波段至第六波段的遥感反射率值依次记为rhown1至rhown6；
步骤三、计算rhown1和rhown4、rhown4和rhown5的比值，将三分之二的数据用于构建湖泊富营养指数TSI反演模型；
步骤四、步骤三中剩余三分之一的数据用于湖泊富营养指数TSI反演模型的精度验证；
步骤五、将步骤三所构建的湖泊富营养指数TSI反演模型作用于中国典型内陆湖泊的MSI遥感影像上，得到典型湖泊对应富营养指数的时空分布。
步骤一中计算富营养化指数TSI采用的是修订的卡尔森富营养化指数公式，其计算公式表达为：
TSI＝0.54×TSIM(Chl-a)+0.297×TSIM(SDD)+0.163×TSIM(TP) (4)
式中，Chl-a、TP和SDD分别为叶绿素a、总磷和透明度，叶绿素a的单位：μg L-1，总磷的单位：mg L-1，透明度的单位：m；TSIM(Chl-a)、TSIM(SDD)和TSIM(TP)分别表示叶绿素a、总磷和透明度相对应的TSI值。
步骤二中所述重采样预处理是基于EAS的SNAP7.0.0软件平台，将MSI Level1C影像数据重采样至10m。
步骤二中大气校正采用的是EAS开发的CR2CC-nets算法，可在SNAP7.0.0软件平台实现，在该算法中，所需盐度、温度和海拔高度参数为实地采样湖泊水体测定的盐度值、水温值和海拔高度值；臭氧层厚度为默认值330DU；气压为默认值1000Pa；总悬浮物bpart因子默认值为1.72，bwit因子默认值为3.1；叶绿素指数CHLexp因子默认值为1.04，CHLfak因子默认值为21.0；tosa神经网络训练数据集阈值默认值为0.05；大气校正反射率神经网络训练数据集阈值默认值为0.1；云量检测下行透射比默认值为0.955。
步骤三中所述富营养指数TSI反演模型如下：
y＝-34.04×x1-1.114×x2+97.376，R2＝0.80 (5)
其中y为富营养指数TSI，x1为rhown4和rhown5的比值，x2为rhown1和rhown4的比值。
步骤四中所述精度验证的表达式如下：
其中，RMSE是均方根误差，MAPE是平均绝对百分比误差，N是样本数，yi是测量值，yi'是估算值。
依据本专利方法计算出来的TSI具有较高的可信度。湖泊富营养化指数TSI和rhown4/rhown5(Rrs(665)/Rrs(704))、rhown1/rhown4(Rrs(443)/Rrs(665))的相关性模型是本发明首先确立的。
本发明方法通过构建湖泊富营养化TSI指数反演模型，确定了一种新的、便捷的估算湖泊富营养化指数方法，即只需提取湖泊哨兵2号MSI Level1C产品rhown4/rhown5(Rrs(665)/Rrs(704))、rhown1/rhown4(Rrs(443)/Rrs(665))反射率比，就可通过该模型计算出湖泊的富营养化指数TSI值，进而针对湖泊富营养状况评价。
本发明所述的湖泊富营养指数TSI反演模型，具有较高的反演精度，均方根误差可达到5.47，平均相对误差为9.48％，相对于现有技术精度显著提高；另一方面，MSI传感器是搭载在哨兵Sentinel卫星，自2015年发射，较高的时间分辨率(2-5天)和空间分辨率(10,20和60m)使其在内陆湖泊水生态系统监测具有广阔应用前景；本发明所述方法的湖泊富营养指数TSI反演模型，是基于中国内陆湖泊大尺度实时监测数据建立，在内陆湖泊水生态系统健康监测和评估的通用性方面具有更好的潜力，极大地提高湖泊富营养化评估的效率和规模。
本发明将有助于评估湖泊水体富营养状态的时空变化及其发展趋势，可有效评估湖泊富营养状态和生态修复的绩效，对分析湖泊生态系统的结构和功能、预测湖泊富营养化状态和制定防控政策具有重要意义，为政府部门的水环境保护、水生态资源管理的科学决策提供科技支撑。本发明的湖泊富营养化指数遥感估算方法，提高了湖泊富营养化监测的效率和精度。
附图说明
图1是实验一中中国典型湖泊采样分布图(2017-2019年)；
图2是实验一中哨兵2号Level-1C产品在SNAP软件处理MSI Level-1C产品流程图；
图3是实验一中rhown4/rhown5(Rrs(665)/Rrs(704))、rhown1/rhown4(Rrs(443)/Rrs(665))和TSI的建模拟合图；
图4是实验一中rhown4/rhown5(Rrs(665)/Rrs(704))、rhown1/rhown4(Rrs(443)/Rrs(665))和TSI的精度验证拟合图；
图5是实验一中计算得到查干湖4月的TSI的时空分布图；
图6是实验一中计算得到查干湖8月的TSI的时空分布图；
图7是实验一中计算得到查干湖10月的TSI的时空分布图。
具体实施方式
本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。
具体实施方式一：本实施方式中MSI的湖泊富营养指数遥感估算方法按照以下步骤进行：
步骤一、通过连续三年实地采集湖泊水体样品，测定叶绿素a、总磷和透明度水质参数的浓度，根据修订的卡尔森富营养化指数公式，计算湖泊水体样品富营养化指数TSI值，并进行湖泊富营养状况评价，将湖泊富营养化划分三个等级:TSI<30,贫营养状态等级；30<TSI<50,中营养等级；50<TSI<100,富营养等级；
步骤二、结合连续三年的内陆湖泊水体星地同步数据，将MSI Level1C遥感影像经过重采样和大气校正预处理，提取湖泊水体采样点对应的遥感反射率，得到的第一波段至第六波段的遥感反射率值依次记为rhown1至rhown6；
步骤三、计算rhown1和rhown4、rhown4和rhown5的比值，将三分之二的数据用于构建湖泊富营养指数TSI反演模型；
步骤四、步骤三中剩余三分之一的数据用于湖泊富营养指数TSI反演模型的精度验证；
步骤五、将步骤三所构建的湖泊富营养指数TSI反演模型作用于中国典型内陆湖泊的MSI遥感影像上，得到典型湖泊对应富营养指数的时空分布。
具体实施方式二：本实施方式与具体实施方式一不同的是步骤一中计算富营养化指数TSI采用的是修订的卡尔森富营养化指数公式，其计算公式表达为：
TSI＝0.54×TSIM(Chl-a)+0.297×TSIM(SDD)+0.163×TSIM(TP) (4)
式中，Chl-a、TP和SDD分别为叶绿素a、总磷和透明度，叶绿素a的单位：μg L-1，总磷的单位：mg L-1，透明度的单位：m；TSIM(Chl-a)、TSIM(SDD)和TSIM(TP)分别表示叶绿素a、总磷和透明度相对应的TSI值。其他与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是步骤二中所述重采样预处理是基于EAS的SNAP7.0.0软件平台，将MSI Level1C影像数据重采样至10m。其他与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是步骤二中大气校正采用的是EAS开发的CR2CC-nets算法，可在SNAP7.0.0软件平台实现，在该算法中，所需盐度、温度和海拔高度参数为实地采样湖泊水体测定的盐度值、水温值和海拔高度值；臭氧层厚度为默认值330DU；气压为默认值1000Pa；总悬浮物bpart因子默认值为1.72，bwit因子默认值为3.1；叶绿素指数CHLexp因子默认值为1.04，CHLfak因子默认值为21.0；tosa神经网络训练数据集阈值默认值为0.05；大气校正反射率神经网络训练数据集阈值默认值为0.1；云量检测下行透射比默认值为0.955。其他与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是步骤三中所述富营养指数TSI反演模型如下：
y＝-34.04×x1-1.114×x2+97.376，R2＝0.80 (5)
其中y为富营养指数TSI，x1为rhown4和rhown5的比值，x2为rhown1和rhown4的比值。其他与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是步骤四中所述精度验证的表达式如下：
其中，RMSE是均方根误差，MAPE是平均绝对百分比误差，N是样本数，yi是测量值，yi'是估算值。其他与具体实施方式一至五之一相同。
采用下述实验验证本发明效果：
实验一：
MSI的湖泊富营养指数遥感估算方法按照以下步骤进行：
步骤一、对分布在全国的42个湖泊和水库(以下统称湖泊)进行采样(图1)，每个湖泊设置3-8个采样点，共计获取431个采样点。使用塞氏盘现场测定水体透明度，精度为0.01m，每个样点重复三次，记录并计算平均值作为该点的透明度实测值。同时使用采水器采集表层水体(0-0.5m)，每个样点采集2L，置于车载冰箱中运送至实验室避光冷藏保存，运送到实验室24h内测定其总磷和叶绿素a浓度。
步骤二、步骤一所述叶绿素a和总磷预处理和测定操作如下：将水样经0.45μm孔径的玻璃纤维滤膜(中国半岛工业有限公司生产)，将滤膜剪碎后放入玻璃离心管，加入10mL质量浓度为90％的丙酮溶液萃取，混合均匀后避光冷藏静置24h，对其研磨、离心后取上清液。以质量浓度为90％丙酮溶液为空白参考，将上清液放置到紫外可见光分光光度计(型号UV-2600PC，日本岛津公司生产)测定波长为630nm、647nm、664nm和750nm的吸光度，并参考叶绿素a-分光光度法(HJ897-2017)公式计算叶绿素a浓度，如下：
Chl-a—水样中叶绿素a的浓度，单位为μg L-1；
D630—待测样品在630nm波长下的吸光度值；
D647—待测样品在647nm波长下的吸光度值；
D664—待测样品在664nm波长下的吸光度值；
D750—待测样品在750nm波长下的吸光度值；
V1—水体样品的定容体积，单位为mL；
V—取样体积，单位为L；
参照地表水环境质量标准(GB3838-2002)，总磷测试方法采用钼酸铵分光光度法(GB11893-89)。每个水样重复测定叶绿素a和总磷三次，记录并计算平均值作为该点的实测值。
步骤三、根据修订的卡尔森富营养化指数公式，富营养化指数TSI由TSIM(Chl-a)、TSIM(SDD)和TSIM(TP)计算，如下：
式中，Chl-a和TP为叶绿素a(μg L-1)和总磷(mg L-1)浓度值，SDD为透明度深度(m)。富营养化指数TSI可计算如下：
TSI＝0.54×TSIM(Chl-a)+0.297×TSIM(SDD)+0.163×TSIM(TP) (12)
湖泊富营养化可划分三个等级:TSI<30,贫营养状态等级；30<TSI<50,中营养等级；50<TSI<100,富营养等级。
步骤四、利用步骤一获取的实地采样湖泊星地同步数据，下载经过正射校正和几何精校正的MSI Level-1C级多光谱数据，累计获取253景无云Level-1C级多光谱数据覆盖对应湖泊，考虑影像时间窗为±7天。
步骤五、步骤四所述Level-1C级多光谱数据，在EAS的SNAP7.0.0软件平台重采样至10m。
步骤六、步骤五所述获取重采样后的数据在SNAP7.0.0软件平台实现CR2CC-nets大气校正，获得大气校正后的rhown1[Rrs(443)]、rhown2[Rrs(492)]、rhown3[Rrs(560)]、rhown4[Rrs(665)]、rhown5[Rrs(704)]和rhown6[Rrs(740)]遥感反射率。
步骤七、在CR2CC-nets大气校正算法中，所需盐度、温度和海拔高度参数为步骤一实地采样湖泊水体测定的盐度值、水温值和海拔高度值；臭氧层厚度为默认值330DU；气压为默认值1000Pa；总悬浮物bpart因子默认值为1.72，bwit因子默认值为3.1；叶绿素指数CHLexp因子默认值为1.04，CHLfak因子默认值为21.0；tosa神经网络训练数据集阈值默认值为0.05；大气校正反射率神经网络训练数据集阈值默认值为0.1；云量检测下行透射比默认值为0.955。
步骤八、基于步骤一所述实地湖泊采样GPS信息，在步骤六获取的校正后数据提取3×3像元rhown1-6反射率值，步骤五、S6和S7步骤都是在SNAP 7.0.0软件平台中执行(图2)。
步骤九、对所述步骤三计算采样点的富营养指数TSI和步骤八提取rhown1-6反射率值星地同步数据，在MATLAB软件中随机分组，其中287个星地同步样本数据用于构建TSI反演模型建模数据组，144个星地同步样本数据用于TSI反演模型验证数据组。
步骤十、基于步骤九获取的建模数据组，采用Microsoft Excel 2017软件进行富营养化指数TSI和rhown1-6反射率相关性拟合分析，该相关性可以用以下模型进行描述：TSI＝-34.04×[Rrs(665)/Rrs(704)]-1.114×[Rrs(443)/Rrs(665)]+97.376(R2＝0.80，N＝287)(图3)，数据点在回归线两侧均匀分布。其中，均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为5.47和9.48％，计算公式如下：
其中，RMSE是均方根误差，MAPE是平均绝对百分比误差，N是样本数，yi是测量值，yi'是估算值。
步骤十一、依据TSI反演模型，可以根据(rhown4/rhown5,Rrs(665)/Rrs(704)；rhown1/rhown4,Rrs(443)/Rrs(665))来估算湖泊富营养化指数TSI。
步骤十二、为了验证TSI反演模型的准确性，基于步骤S9获取的验证数据组，进行TSI实测值与依据本专利方法估算出来的TSI值进行拟合分析(图4)，结果表明均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为7.36和12.61％，验证精度较好。
步骤十三、所述步骤十二中，基于步骤九获取的验证数据组，56.9％的采样点TSI值为50-100富营养，40.9％的采样点TSI值为30-50中营养，2.2％的采样点TSI值为0-30贫营养。
步骤十四、基于所述步骤十一获取的富营养化指数TSI反演模型，获取典型湖泊查干湖春季(4月)、夏季(8月)和秋季(10月)的MSI影像，应用本专利发明的TSI反演模型，计算得到查干湖的TSI的时空分布(图5)。
依据本专利方法计算出来的TSI具有较高的可信度。湖泊富营养化指数TSI和rhown4/rhown5(Rrs(665)/Rrs(704))、rhown1/rhown4(Rrs(443)/Rrs(665))的相关性模型是本发明首先确立的。
本发明方法通过构建湖泊富营养化TSI指数反演模型，确定了一种新的、便捷的估算湖泊富营养化指数方法，即只需提取湖泊哨兵2号MSI Level1C产品rhown4/rhown5(Rrs(665)/Rrs(704))、rhown1/rhown4(Rrs(443)/Rrs(665))反射率比，就可通过该模型计算出湖泊的富营养化指数TSI值，进而针对湖泊富营养状况评价。
本发明所述的湖泊富营养指数TSI反演模型，具有较高的反演精度，均方根误差在本实验中可达到5.47，平均相对误差为9.48％，相对于现有技术精度显著提高；另一方面，MSI传感器是搭载在哨兵Sentinel卫星，自2015年发射，较高的时间分辨率(2-5天)和空间分辨率(10,20和60m)使其在内陆湖泊水生态系统监测具有广阔应用前景；本发明所述方法的湖泊富营养指数TSI反演模型，是基于中国内陆湖泊大尺度实时监测数据建立，在内陆湖泊水生态系统健康监测和评估的通用性方面具有更好的潜力，极大地提高湖泊富营养化评估的效率和规模。
本发明将有助于评估湖泊水体富营养状态的时空变化及其发展趋势，可有效评估湖泊富营养状态和生态修复的绩效，对分析湖泊生态系统的结构和功能、预测湖泊富营养化状态和制定防控政策具有重要意义，为政府部门的水环境保护、水生态资源管理的科学决策提供科技支撑。
Claims (6)
1.MSI的湖泊富营养指数遥感估算方法，其特征在于所述MSI的湖泊富营养指数遥感估算方法按照以下步骤进行：
步骤一、通过连续三年实地采集湖泊水体样品，测定叶绿素a、总磷和透明度水质参数的浓度，根据修订的卡尔森富营养化指数公式，计算湖泊水体样品富营养化指数TSI值，并进行湖泊富营养状况评价，将湖泊富营养化划分三个等级:TSI<30,贫营养状态等级；30<TSI<50,中营养等级；50<TSI<100,富营养等级；
步骤二、结合连续三年的内陆湖泊水体星地同步数据，将MSI Level1C遥感影像经过重采样和大气校正预处理，提取湖泊水体采样点对应的遥感反射率，得到的第一波段至第六波段的遥感反射率值依次记为rhown1至rhown6；
步骤三、计算rhown1和rhown4、rhown4和rhown5的比值，将三分之二的数据用于构建湖泊富营养指数TSI反演模型；
步骤四、步骤三中剩余三分之一的数据用于湖泊富营养指数TSI反演模型的精度验证；
步骤五、将步骤三所构建的湖泊富营养指数TSI反演模型作用于中国典型内陆湖泊的MSI遥感影像上，得到典型湖泊对应富营养指数的时空分布。
2.根据权利要求1所述MSI的湖泊富营养指数遥感估算方法，其特征在于步骤一中计算富营养化指数TSI采用的是修订的卡尔森富营养化指数公式，其计算公式表达为：
TSI＝0.54×TSIM(Chl-a)+0.297×TSIM(SDD)+0.163×TSIM(TP) (4)
式中，Chl-a、TP和SDD分别为叶绿素a、总磷和透明度，叶绿素a的单位：μg L-1，总磷的单位：mg L-1，透明度的单位：m；TSIM(Chl-a)、TSIM(SDD)和TSIM(TP)分别表示叶绿素a、总磷和透明度相对应的TSI值。
3.根据权利要求1所述MSI的湖泊富营养指数遥感估算方法，其特征在于步骤二中所述重采样预处理是基于EAS的SNAP7.0.0软件平台，将MSI Level1C影像数据重采样至10m。
4.根据权利要求1所述MSI的湖泊富营养指数遥感估算方法，其特征在于步骤二中大气校正采用的是EAS开发的CR2CC-nets算法，可在SNAP7.0.0软件平台实现，在该算法中，所需盐度、温度和海拔高度参数为实地采样湖泊水体测定的盐度值、水温值和海拔高度值；臭氧层厚度为默认值330DU；气压为默认值1000Pa；总悬浮物bpart因子默认值为1.72，bwit因子默认值为3.1；叶绿素指数CHLexp因子默认值为1.04，CHLfak因子默认值为21.0；tosa神经网络训练数据集阈值默认值为0.05；大气校正反射率神经网络训练数据集阈值默认值为0.1；云量检测下行透射比默认值为0.955。
5.根据权利要求1所述MSI的湖泊富营养指数遥感估算方法，其特征在于步骤三中所述富营养指数TSI反演模型如下：
y＝-34.04×x1-1.114×x2+97.376，R2＝0.80 (5)
其中y为富营养指数TSI，x1为rhown4和rhown5的比值，x2为rhown1和rhown4的比值。
6.根据权利要求1所述MSI的湖泊富营养指数遥感估算方法，其特征在于步骤四中所述精度验证的表达式如下：
其中，RMSE是均方根误差，MAPE是平均绝对百分比误差，N是样本数，yi是测量值，yi'是估算值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110451640.4A CN113203694B (zh) | 2021-04-26 | 2021-04-26 | Msi的湖泊富营养指数遥感估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110451640.4A CN113203694B (zh) | 2021-04-26 | 2021-04-26 | Msi的湖泊富营养指数遥感估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113203694A true CN113203694A (zh) | 2021-08-03 |
| CN113203694B CN113203694B (zh) | 2023-04-07 |
Family
ID=77028863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110451640.4A Active CN113203694B (zh) | 2021-04-26 | 2021-04-26 | Msi的湖泊富营养指数遥感估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113203694B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793374A (zh) * | 2021-09-01 | 2021-12-14 | 自然资源部第二海洋研究所 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
| CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 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 |
| CN114705632A (zh) * | 2021-11-18 | 2022-07-05 | 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 |
| CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
| CN114993268A (zh) * | 2022-04-13 | 2022-09-02 | 南京信息工程大学 | 结合CatBoost的水深反演方法、装置及存储介质 |
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU3326699A (en) * | 1998-03-23 | 1999-10-18 | Novozymes A/S | Phytase variants |
| CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| CN104820224A (zh) * | 2015-05-08 | 2015-08-05 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
| 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 |
| 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 |
| CN112577955A (zh) * | 2020-11-23 | 2021-03-30 | 淮阴师范学院 | 一种水华水体检测方法和系统 |
-
2021
- 2021-04-26 CN CN202110451640.4A patent/CN113203694B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU3326699A (en) * | 1998-03-23 | 1999-10-18 | Novozymes A/S | Phytase variants |
| CN101295022A (zh) * | 2008-06-25 | 2008-10-29 | 中国农业科学院农业资源与农业区划研究所 | 从遥感数据aster反演地表温度和发射率的方法 |
| KR20110067964A (ko) * | 2009-12-15 | 2011-06-22 | 연세대학교 산학협력단 | 원격탐사 데이터를 이용한 수질 모니터링 방법 및 이를 이용한 수질 모니터링 장치 |
| CN104820224A (zh) * | 2015-05-08 | 2015-08-05 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
| 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 |
| 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 |
| CN112577955A (zh) * | 2020-11-23 | 2021-03-30 | 淮阴师范学院 | 一种水华水体检测方法和系统 |
Non-Patent Citations (13)
| Title |
|---|
| SIJIA LI: "Quantification of chlorophyll-a in typical lakes across China using Sentinel-2 MSI imagery with machine learning algorithm" * |
| TUULI SOOMETS: "Validation and Comparison of Water Quality Products in Baltic Lakes Using Sentinel-2 MSI and Sentinel-3 OLCI Data" * |
| 但雨生;周忠发;李韶慧;张昊天;蒋翼;: "基于Sentinel-2的平寨水库叶绿素a浓度反演" * |
| 冯驰等: "基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算", 《环境科学》 * |
| 吴廷宽等: "基于高光谱技术的湖泊富营养化综合评价研究――以贵阳市百花湖为例", 《水文》 * |
| 张博: "湖泊水质遥感研究进展" * |
| 徐凡等: "基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价", 《环境科学学报》 * |
| 徐祎凡等: "基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究", 《水利水电技术》 * |
| 曹霖等: "应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算", 《东北林业大学学报》 * |
| 李旭文等: "基于"哨兵3号"卫星OLCI影像和C2RCC算法的南黄海叶绿素a及总悬浮物反演效果分析", 《环境监控与预警》 * |
| 段洪涛: "应用高光谱数据定量反演查干湖水质参数研究" * |
| 段洪涛等: "查干湖富营养化状况高光谱遥感评价研究", 《环境科学学报》 * |
| 陈艳等: "基于Landsat卫星影像的草海水质遥感反演及营养状态评价", 《水生态学杂志》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793374A (zh) * | 2021-09-01 | 2021-12-14 | 自然资源部第二海洋研究所 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
| CN113793374B (zh) * | 2021-09-01 | 2023-12-22 | 自然资源部第二海洋研究所 | 一种基于利用改进的四波段遥感影像qaa算法水质反演结果反演水深的方法 |
| CN113916808A (zh) * | 2021-09-02 | 2022-01-11 | 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 |
| 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 |
| CN114705632A (zh) * | 2021-11-18 | 2022-07-05 | 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 |
| 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 |
| CN114993268A (zh) * | 2022-04-13 | 2022-09-02 | 南京信息工程大学 | 结合CatBoost的水深反演方法、装置及存储介质 |
| CN114858221A (zh) * | 2022-07-05 | 2022-08-05 | 中国长江三峡集团有限公司 | 一种基于水域营养状态预测的水华智能预警系统及方法 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113203694B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113203694B (zh) | Msi的湖泊富营养指数遥感估算方法 | |
| Brewin et al. | Uncertainty in ocean-color estimates of chlorophyll for phytoplankton groups | |
| Majozi et al. | Remote sensing of euphotic depth in shallow tropical inland waters of Lake Naivasha using MERIS data | |
| Xu et al. | Tracking spatio-temporal dynamics of POC sources in eutrophic lakes by remote sensing | |
| Novoa et al. | Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay | |
| CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
| 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 | |
| Zhu et al. | A hybrid decomposition and Machine learning model for forecasting Chlorophyll-a and total nitrogen concentration in coastal waters | |
| Zhou et al. | Distinguishing two phenotypes of blooms using the normalised difference peak-valley index (NDPI) and Cyano-Chlorophyta index (CCI) | |
| Fu et al. | Multi-sensor and multi-platform retrieval of water chlorophyll a concentration in karst wetlands using transfer learning frameworks with ASD, UAV, and Planet CubeSate reflectance data | |
| CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| Mélin | Uncertainties in ocean colour remote sensing | |
| CN114241331A (zh) | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 | |
| CN113916808B (zh) | 一种营养盐浓度的获得方法、装置、终端设备及存储介质 | |
| 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 | |
| CN113552034B (zh) | 浅水湖泊悬浮颗粒物浓度modis影像遥感反演方法 | |
| 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 | |
| Shen et al. | Microcystins risk assessment in lakes from space: Implications for SDG 6.1 evaluation | |
| Liu et al. | A satellite-based hybrid model for trophic state evaluation in inland waters across China | |
| Mbuh | Use of hyperspectral remote sensing to estimate water quality | |
| Wang et al. | Algal blooms in lakes in China over the past two decades: Patterns, trends, and drivers | |
| Jiang et al. | Validation of MODIS ocean-colour products in the coastal waters of the Yellow Sea and East China Sea | |
| CN105445233A (zh) | 华南沿海赤潮灾害应急监测与预警方法 | |
| 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 | |
| CN115931783A (zh) | 一种基于GEE的大尺度区域湖库叶绿素a制图方法 |
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 |