CN113673737A - 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 - Google Patents

Abstract

本发明涉及基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法，通过湖泊水环境参数卫星遥感产品实现对水体溶解CO₂浓度的估算。利用MODIS‑Aqua卫星遥感影像对湖泊水体溶解CO₂浓度进行每天一次的处理分析，基于像元的计算获取湖泊水体溶解CO₂浓度的空间分布，并对湖泊全湖与子区域的水体溶解CO₂浓度进行统计分析，初步实现湖泊水体溶解CO₂遥感自动估算。采用本发明的方法能够全面获得250m空间分辨率的湖泊水体溶解CO₂浓度空间分布，对评估湖泊水‑气界面CO₂源汇功能具有重要借鉴和指导意义，可以为区域碳排放和环境保护提供重要的科学依据与技术支撑。

Description

基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法

技术领域

本发明涉及环境工程与图像处理技术领域，具体涉及一种基于卫星遥感影像的藻型湖泊水体溶解CO₂估算方法。

背景技术

水是生命之源，而湖泊是地球上最重要的淡水资源之一、是湖泊流域地区经济可持续发展和人们赖以生存的重要基础。同时，湖泊虽然面积远小于海洋，但其生态系统生产力很高，且与陆地生态系统物质、能量和信息交换强烈，是全球碳(C)循环的重要组成部分目前，我国内陆湖泊面临的一个主要问题是水体的富营养化，其重要特征是藻类，特别是蓝藻大量繁殖，异常生长，极易堆积，形成水华。一方面，藻类大量繁殖使得湖泊初级生产力大幅提高，消耗更多的CO₂；另一方面，导致湖泊富营养化的外源输入营养物质会加强有机质的分解产生更多的CO₂，同时堆积的藻类腐烂降解也会产生CO₂，进而抵消初级生产力消耗的CO₂。因此，在富营养化的藻型湖泊中，水体的溶解CO₂浓度存在着极高的时空分异。

目前，传统研究主要通过野外采样手段，在不同区域进行大规模采样分析，不仅费时费力，而且由于湖泊水体高度的时空异质性，有限的采样点数据无法代表全湖水体；或者有限的采样频次无法代表全年的湖泊水体。因此，目前关于湖泊碳排放的估算差异高达近10倍，而这些不确定性导致湖泊等内陆水体与大陆和全球尺度碳循环的界限和联系并不清晰。因此，如何准确评估湖泊CO₂排放量及其在全球碳循环中的作用是一个目前亟需解决的一个关键问题。

卫星遥感快捷、大范围和周期性的特点为湖泊水体碳通量研究提供了更好的研究手段。特别是随着拥有适合湖泊水体水色波段的卫星，如美国国家航空航天局AquaMODIS(全球1 天可以重返一次)、欧空局Sentinel-3OLCI(目前已经发射2颗，全球2天可以重返1次)和我国高分系列卫星(GF-5有高光谱传感器)等已经发射。因此，开展基于卫星遥感的湖泊水体溶解CO₂浓度，对准确估算湖泊水气界面CO₂交换通量具有重要的研究意义和科学价值。

发明内容

本发明的目的在于提供一种基于卫星遥感影像的藻型湖泊水体溶解CO₂估算方法，利用现有公开的湖泊水环境参数卫星遥感产品，实现准确地估算目标水域的水体溶解CO₂浓度及其空间变化状况，为区域碳排放和环境保护提供重要的科学依据与技术支撑。

为达成上述目的，本发明所采用的技术方案如下：

一种基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法，包括：

获取目标水域叶绿素a浓度Chla、水温LST、光合有效辐射PAR、光合有效辐射漫射衰减系数K_d(PAR)遥感产品数据；

采集目标水域表层水体样本，获取实测溶解CO₂浓度；

以获取的Chla、LST、PAR、K_d(PAR)数据为自变量，CO₂浓度为因变量建立回归方程；

基于所述回归方程结合待测湖泊遥感数据估算藻型湖泊水体溶解二氧化碳。

进一步的，所述遥感产品数据基于MODIS-Aqua卫星数据反演获取。

进一步的，对获取的遥感产品数据进行水华像元和水生植被像元剔除处理；通过浮藻指数FAI剔除水华像元，并通过掩膜处理剔除包含水生植被的像元。

进一步的，通过pH-碱度计算法获取溶解CO₂浓度。

进一步的，以①水体样本采样时间与遥感产品卫星观测时间时差不超过5小时；②采样点坐标中心像元周围3×3像元窗口中的一半像素具有有效数据，且有效数据的变异系数小于 10％为准则进行星地同步数据匹配，获得样点-像元配对数据集；基于样点-像元配对数据集中的数据建立回归方程。

进一步的，根据CO₂浓度从小到大的顺序将配对数据集排列，每间隔3个样本挑出一个样本作为验证样本，建立模型训练数据集和模型验证数据集，基于模型训练数据集建立回归方程后采用模型验证数据集进行数据验证。

进一步的，对LST、K_d(PAR)产品数据进行对数化处理，建立Chla、ln(LST)、ln(K_d(PAR)、 PAR和ln(cCO₂)的回归方程，确定回归方程的系数。

进一步的，建立的回归方程如下：

式中，x₁＝Chla，x₂＝ln(LST)，x₃＝ln(K_d(PAR))，x₄＝PAR，A₀-A₁₄为方程系数。

进一步的，所述方法还包括，计算全湖或子区域的水体溶解CO₂浓度的平均值、标准差等统计指标，以作为长时序时空变化分析的数据支撑。

进一步的，所述方法还包括，生成水体溶解CO₂浓度影像，获得其空间分布情况。

本发明的算法原理如下：

理论上，水体中溶解CO₂浓度主要受溶解度泵和生物泵驱动。溶解度泵取决于风速、温度、盐度和碳酸的离解。CO₂在水体中的溶解度与温度和盐度成反比。生物泵主要在表层水中通过浮游植物的光合作用与生物的呼吸分解作用共同影响溶解CO₂。浮游植物的光合作用从水体吸收溶解的CO₂，导致溶解CO₂降低；浮游植物与细菌等微生物的呼吸作用释放CO₂到水体，导致溶解CO₂升高。在富营养化的藻型湖泊水体中，浮游植物在水体中的物质能量循环中占主导地位，同时浮游植物还是富营养化程度的直接指示指标，间接反映了外源输入污染物，是影响水体中溶解CO₂的重要因素。

叶绿素a作为浮游植物共有的色素，其浓度大小可以直接表征浮游植物生物量的多少。并且，叶绿素a浓度(Chla)是水色三要素之一，是常规水色遥感产品。此外，对水体中各种生物化学反应都有重要影响的水温(LST)也可以通过遥感手段反演。光合有效辐射(PAR) 以及对应波段的水体漫衰减系数(K_d(PAR))分别影响了水体接受到用于生化反应的能量强弱以及水下光场中能量的衰减快慢，同时作用于藻类光合作用与有机质的光解，因此本发明中也利用两者的遥感产品来解释水体中溶解CO₂的变化。综上所述，本发明基于卫星遥感的Chla、 LST、K_d(PAR)、PAR产品，通过多元二次多元式回归算法建立了这些自变量与水体溶解CO₂浓度的定量关系，实现了对水体溶解CO₂浓度的遥感估算。

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是模型预测与实测CO₂浓度的散点图，方框表示训练集样本，圆点表示验证集样本。

图2是2004年05月05日MODIS影像真彩色图(a)与CO₂浓度分布估算结果(b)。

图3是2013年11月29日MODIS影像真彩色图(a)与CO₂浓度分布估算结果(b)。

图4是2018年11月01日MODIS影像真彩色图(a)与CO₂浓度分布估算结果(b)。

图5是2002年7月-2018年12月太湖五个子湖区平均水体溶解CO₂浓度变化示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

实施例1

本实施例以太湖为例，利用MODIS-Aqua卫星数据，对本发明的技术方案作进一步描述。

实施例中数据来源如下：

利用太湖湖泊生态系统研究站(简称太湖站)长期在太湖进行的月度半湖、季度全湖水质采样分析数据中的pH、水温以及碱度指标，通过pH-碱度计算法得到溶解CO₂浓度(Xiao et al.2020)。pH-碱度计算法要求在现场使用经标准缓冲液校准过的复合电极测量pH，用多参数探针测量水温，用盐酸标准溶液滴定测量总碱度。最后记录采样时间与地点经纬度坐标，作为与卫星数据匹配的依据。

从NASA OBPG(https://oceandata.sci.gsfc.nasa.gov/)的数据网站下载太湖区域的 MODIS-Aqua的L1A级数据。从NASAEOSDIS(https://earthdata.nasa.gov)网站下载太湖区域MODIS-Aqua卫星反演得到的MYD04气溶胶光学厚度(AOD)，3km分辨率日间产品。利用SeaDAS 7.3.2，采用NASA OBPG公布的替代定标文件(Reprocessing 2014.1)对L1A 数据进行替代定标，之后结合几何地理文件，将L1A数据转换为L1B文件，用于后期的大气校正处理。太湖Chla产品使用Shi et al.(2017)提出的指数经验算法反演；水温遥感产品使用NASAEOSDIS(https://earthdata.nasa.gov)提供的MODIS-Aqua卫星反演得到的MYD11A1(Collection6)LST，原始分辨率为1km日间产品，重采样为250m分辨率与其他产品匹配； K_d(PAR)产品使用Huang et al.(2017)提出的半分析算法反演；PAR产品使用NASA OBPG(https://oceandata.sci.gsfc.nasa.gov/)网站提供的MODIS-Aqua卫星反演得到的日平均PAR 的L2级产品，原始分辨率为1km日间产品，重采样为250m分辨率与其他产品匹配。

之后，以卫星Chla、LST、K_d(PAR)、PAR产品数据为基础进行太湖水体溶解CO₂浓度的估算具体处理流程如下：

1)对遥感获取到的Chla、LST、K_d(PAR)、PAR产品数据进行预处理。由于在蓝藻水华区域无法反演有意义的Chla与K_d(PAR)参数，因此采用Hu et al.(2010)提出的浮藻指数(FAI) 来剔除影像数据中的水华像元(FAI>-0.004)。此外，由于太湖东部区域存在大量水生植被，不适用本发明所述的方法，故进行掩膜处理剔除这部分数据。

2)对LST、K_d(PAR)产品数据进行对数化处理；

3)以①采样时间与卫星观测时间时差不超过5小时，②采样点坐标中心像元周围3×3 像元窗口中的一半像素具有有效数据，且这些有效数据的变异系数小于10％为准则将太湖站样点的水体CO₂浓度与预处理后的遥感影像栅格数据像元进行匹配，获得样点-像元配对数据集。共获得样点-像元配对80对，根据CO₂浓度从小到大的顺序将配对数据集排列，每间隔3个样本挑出一个样本作为验证样本，得到配对数据数为54的模型训练数据集和配对数据数为26的模型验证数据集。

4)通过模型训练数据集样本进行回归计算以确定方程系数，回归方程如下：

式中，x₁＝Chla，x₂＝ln(LST)，x₃＝ln(K_d(PAR))，x₄＝PAR，A₀-A₁₄为方程系数，A₀＝4.736， A₁＝-0.0791，A₂＝-0.412，A₃＝-0.275，A₄＝0.00383，A₅＝0.00121，A₆＝0.194，A₇＝0.232，A₈＝0.00106， A₉＝-0.00434，A₁₀＝0.00769，A₁₁＝0.000781，A₁₂＝-0.108，A₁₃＝-0.0334，A₁₄＝0.00675。

利用训练数据集样本与验证数据集样本对模型的预测精度进行评估，结果如图1所示。模型的预测结果同野外实测CO₂浓度结果的均方根误差(RMSE)与无偏差百分比差异(UPD) 均较小，且散点均匀的分布在1：1线两侧，说明模型对于1-100μmol L-¹接近2个数量级范围内的CO₂浓度具有很好的预测能力。

5)将完成预处理后的遥感影像栅格数据通过经纬网格关联起来，并以像元为单位将Chla、 LST、K_d(PAR)、PAR数据代入回归方程估算对应像元的水体溶解CO₂浓度(cCO₂，μmolL-¹)。

6)计算太湖全湖以及五个子区域(西北湖区、梅梁湾湖区、贡湖湾湖区、湖心区、西南湖区)的水体溶解CO₂浓度的平均值、标准差等统计指标，以作为长时序时空变化分析的数据支撑。

最终，湖泊水体溶解CO₂浓度影像数据后处理：包括生成水体溶解CO₂浓度影像，获得其空间分布情况。

利用上述算法，对太湖水体溶解CO₂浓度进行自动计算，发现对于不同子湖区水域、不同水体特征的影像，算法都发挥了较好的作用，估算结果具体如图2-4所示，图5进一步对太湖五个子区域长时序日平均CO₂浓度变化曲线统计显示，以分析水体溶解CO₂的时空分异规律。

通过上述方法即可建立基于遥感影像的湖泊水体溶解CO₂估算模型，估算精度较高；据此，卫星遥感监测将在大型藻型湖泊水体碳循环及温室气体排放研究中具有较好的前景。本发明能够全面获得250m空间分辨率的湖泊水体溶解CO₂浓度空间分布，对评估湖泊水-气界面CO₂源汇功能具有重要借鉴和指导意义，可以为区域碳排放和环境保护提供重要的科学依据与技术支撑。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

参考文献

Hu,C.M.,Lee,Z.P.,Ma,R.H.,Yu,K.,Li,D.Q.,&Shang,S.L.(2010).ModerateResolution Imaging Spectroradiometer (MODIS)observations of cyanobacteriablooms in Taihu Lake,China.Journal of Geophysical Research-Oceans,115, 20

Huang,C.C.,Yao,L.,Huang,T.,Zhang,M.L.,Zhu,A.X.,&Yang,H.(2017).Windand rainfall regulation of the diffuse attenuation coefficient in large,shallow lakes from long-term MODIS observations using a semianalytical model.Journal of Geophysical Research:Atmospheres,122,6748-6763

Shi,K.,Zhang,Y.,Zhou,Y.,Liu,X.,Zhu,G.,Qin,B.,&Gao,G.(2017).Long-termMODIS observations of cyanobacterial dynamics in Lake Taihu:Responses tonutrient enrichment and meteorological factors.Scientific Reports, 7,40326

Xiao,Q.,Xu,X.,Duan,H.,Qi,T.,Qin,B.,Lee,X.,Hu,Z.,Wang,W.,Xiao,W.,&Zhang,M.(2020).Eutrophic Lake Taihu as a significant CO2 source during 2000–2015.Water Research,170,115331。

Claims (10)

1.一种基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法，其特征在于，包括：

获取目标水域叶绿素a浓度Chla、水温LST、光合有效辐射PAR、光合有效辐射漫射衰减系数K_d(PAR)遥感产品数据；

采集目标水域表层水体样本，获取实测溶解CO₂浓度；

以获取的Chla、LST、PAR、K_d(PAR)数据为自变量，CO₂浓度为因变量建立回归方程；

基于所述回归方程结合待测湖泊遥感数据估算藻型湖泊水体溶解二氧化碳。

2.根据权利要求1所述的方法，其特征在于，所述遥感产品数据基于MODIS-Aqua卫星数据反演获取。

3.根据权利要求1所述的方法，其特征在于，对获取的遥感产品数据进行水华像元和水生植被像元剔除处理；通过浮藻指数FAI剔除水华像元，并通过掩膜处理剔除包含水生植被的像元。

4.根据权利要求1所述的方法，其特征在于，通过pH-碱度计算法获取溶解CO₂浓度。

5.根据权利要求1所述的方法，其特征在于，以①水体样本采样时间与遥感产品卫星观测时间时差不超过5小时；②采样点坐标中心像元周围3×3像元窗口中的一半像素具有有效数据，且有效数据的变异系数小于10％为准则进行星地同步数据匹配，获得样点-像元配对数据集；基于样点-像元配对数据集中的数据建立回归方程。

6.根据权利要求5所述的方法，其特征在于，根据CO₂浓度从小到大的顺序将配对数据集排列，每间隔3个样本挑出一个样本作为验证样本，建立模型训练数据集和模型验证数据集，基于模型训练数据集建立回归方程后采用模型验证数据集进行数据验证。

7.根据权利要求1所述的方法，其特征在于，对LST、K_d(PAR)产品数据进行对数化处理，建立Chla、ln(LST)、ln(K_d(PAR)、PAR和ln(cCO₂)的回归方程。

8.根据权利要求1或7所述的方法，其特征在于，建立的回归方程如下：

式中，x₁＝Chla，x₂＝ln(LST)，x₃＝ln(K_d(PAR))，x₄＝PAR，A₀-A₁₄为方程系数。

9.根据权利要求1所述的方法，其特征在于，还包括，计算全湖或子区域的水体溶解CO₂浓度相关统计指标，包括平均值、标准差，作为长时序时空变化分析的数据支撑。

10.根据权利要求1所述的方法，其特征在于，还包括，生成水体溶解CO₂浓度影像，获得其空间分布情况。

Images