CN113673737B - 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
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 Download PDFInfo
- Publication number
- CN113673737B CN113673737B CN202010407922.XA CN202010407922A CN113673737B CN 113673737 B CN113673737 B CN 113673737B CN 202010407922 A CN202010407922 A CN 202010407922A CN 113673737 B CN113673737 B CN 113673737B
- Authority
- CN
- China
- Prior art keywords
- concentration
- data
- remote sensing
- water body
- par
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 7
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 7
- 241000195493 Cryptophyta Species 0.000 title claims description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 241000192710 Microcystis aeruginosa Species 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 229930002868 chlorophyll a Natural products 0.000 claims description 5
- 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 description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000004090 dissolution Methods 0.000 abstract description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 7
- 229910052799 carbon Inorganic materials 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000012851 eutrophication Methods 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 2
- 102000003939 Membrane transport proteins Human genes 0.000 description 2
- 108090000301 Membrane transport proteins Proteins 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 2
- 238000004177 carbon cycle Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241000192700 Cyanobacteria Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000006303 photolysis reaction Methods 0.000 description 1
- 230000015843 photosynthesis, light reaction Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
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
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Kd(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、Kd(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、Kd(PAR)产品数据进行对数化处理，建立Chla、ln(LST)、ln(Kd(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(Kd(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(Kd(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、Kd(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； Kd(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、Kd(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、Kd(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Kd(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、Kd(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(Kd(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、Kd(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 semianalyticalmodel.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 (7)
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：
基于MODIS-Aqua卫星数据反演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cCO2为因变量，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)的回归方程如下：
；
式中，x1=Chla，x2=ln(LST)，x3=ln(K d(PAR))，x4=PAR，A0-A14为方程系数；
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，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。
3.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。
4.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。
5.根据权利要求4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。
6.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。
7.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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407922.XA CN113673737B (zh) | 2020-05-14 | 2020-05-14 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407922.XA CN113673737B (zh) | 2020-05-14 | 2020-05-14 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673737A CN113673737A (zh) | 2021-11-19 |
| CN113673737B true CN113673737B (zh) | 2023-07-28 |
Family
ID=78537400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010407922.XA Active CN113673737B (zh) | 2020-05-14 | 2020-05-14 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673737B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444253A (zh) * | 2021-11-26 | 2022-05-06 | 中林信达（北京）科技信息有限责任公司 | 一种估算湖泊水体二氧化碳分压的方法 |
| CN114462701A (zh) * | 2022-01-29 | 2022-05-10 | 武汉大学 | 基于陆地水储量的月尺度陆地植被碳储量计算优化方法 |
| CN114254526B (zh) * | 2022-03-01 | 2022-05-17 | 中国长江三峡集团有限公司 | 一种湖泊水-气界面二氧化碳交换量的评估方法及系统 |
| CN115436570B (zh) * | 2022-08-25 | 2023-07-07 | 二十一世纪空间技术应用股份有限公司 | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 |
| CN116665066A (zh) * | 2023-07-31 | 2023-08-29 | 平安科技（深圳）有限公司 | 遥感数据处理方法、平台、计算机设备和可读存储介质 |
| CN118334593A (zh) * | 2024-06-14 | 2024-07-12 | 广东工业大学 | 基于卫星遥感影像的河口近海溶解氧化亚氮浓度监测方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6536272B1 (en) * | 1999-08-06 | 2003-03-25 | University Of Miami | Water monitoring, data collection, and transmission module |
| WO2009090745A1 (ja) * | 2008-01-17 | 2009-07-23 | Fujitsu Limited | 二酸化炭素濃度補正装置、二酸化炭素濃度補正方法および二酸化炭素濃度補正プログラム |
| CN103363962A (zh) * | 2013-07-23 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱影像的湖泊水储量遥感估算方法 |
| CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
| CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
| CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
| WO2016090478A1 (en) * | 2014-12-09 | 2016-06-16 | Oceaneos Environmental Solutions, Inc. | Process and method for remotely measuring and quantifying carbon dioxide sequestration from ocean iron enrichment |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106468658A (zh) * | 2016-09-05 | 2017-03-01 | 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 |
| CN108152289A (zh) * | 2017-12-14 | 2018-06-12 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层外藻总量遥感间接监测方法 |
| WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN109406405A (zh) * | 2018-10-11 | 2019-03-01 | 核工业北京地质研究院 | 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法 |
| CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
| CN110174359A (zh) * | 2019-05-27 | 2019-08-27 | 生态环境部南京环境科学研究所 | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 |
| 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 |
| CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10916002B2 (en) * | 2018-08-31 | 2021-02-09 | International Business Machines Corporation | Enhancing temporal and spatial resolution and correcting data anomalies of remote sensed data for estimating high spatio-temporal resolution vegetation indices |
-
2020
- 2020-05-14 CN CN202010407922.XA patent/CN113673737B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6536272B1 (en) * | 1999-08-06 | 2003-03-25 | University Of Miami | Water monitoring, data collection, and transmission module |
| WO2009090745A1 (ja) * | 2008-01-17 | 2009-07-23 | Fujitsu Limited | 二酸化炭素濃度補正装置、二酸化炭素濃度補正方法および二酸化炭素濃度補正プログラム |
| CN103363962A (zh) * | 2013-07-23 | 2013-10-23 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱影像的湖泊水储量遥感估算方法 |
| CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
| CN103760112A (zh) * | 2014-01-23 | 2014-04-30 | 中国科学院南京地理与湖泊研究所 | 基于遥感的湖泊水体蓝藻丰度的估算方法 |
| WO2016090478A1 (en) * | 2014-12-09 | 2016-06-16 | Oceaneos Environmental Solutions, Inc. | Process and method for remotely measuring and quantifying carbon dioxide sequestration from ocean iron enrichment |
| CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106468658A (zh) * | 2016-09-05 | 2017-03-01 | 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 |
| WO2018214190A1 (zh) * | 2017-06-19 | 2018-11-29 | 中国科学院南京地理与湖泊研究所 | 一种面向湖泊蓝藻灾害的立体监控及数据挖掘系统和方法 |
| CN108152289A (zh) * | 2017-12-14 | 2018-06-12 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊真光层外藻总量遥感间接监测方法 |
| CN109406405A (zh) * | 2018-10-11 | 2019-03-01 | 核工业北京地质研究院 | 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法 |
| CN110082349A (zh) * | 2019-02-01 | 2019-08-02 | 南京师范大学 | 一种基于olci的内陆富营养化湖泊水体蓝藻生物量比例遥感估算方法 |
| CN110174359A (zh) * | 2019-05-27 | 2019-08-27 | 生态环境部南京环境科学研究所 | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 |
| 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 |
| CN110728642A (zh) * | 2019-10-17 | 2020-01-24 | 自然资源部第二海洋研究所 | 一种针对goci卫星晨昏观测的神经网络大气校正方法 |
Non-Patent Citations (6)
| Title |
|---|
| Dynamics of air–sea CO2 fluxes in the northwestern European shelf based on voluntary observing ship and satellite observations;P Marrec 等;《BIOGEOSCIENCES》;第12卷;全文 * |
| Remote estimation of surface p CO2 on the West Florida Shelf;Shuangling Chen 等;《Continental Shelf Research》;第128卷;全文 * |
| Satellite Estimation of Dissolved Carbon Dioxide Concentrations in China’s Lake Taihu;Tianci Qi 等;《ENVIRONMENTAL SCIENCE & TECHNOLOGY》;第54卷;全文 * |
| 利用中巴地球资源卫星数据反演武汉市湖泊营养状态指数;何报寅;梁胜文;丁超;杨小琴;胡柯;;长江流域资源与环境(第12期);全文 * |
| 厦门港湾水体中的二氧化碳体系;顾德宇,杨绪琳,王伟强;台湾海峡(第02期);全文 * |
| 基于MODIS的青藏高原湖泊透明度遥感反演;刘;朱立平;王君波;乔宝晋;鞠建廷;黄磊;;地理科学进展(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673737A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113673737B (zh) | 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 | |
| Henehan et al. | A new boron isotope-pH calibration for Orbulina universa, with implications for understanding and accounting for ‘vital effects’ | |
| CN111597756A (zh) | 一种基于无人机多光谱数据的水质参数反演方法 | |
| Huang et al. | Using remote sensing to track variation in phosphorus and its interaction with chlorophyll-a and suspended sediment | |
| Regaudie-de-Gioux et al. | Global patterns in oceanic planktonic metabolism | |
| Jiang et al. | Short‐term dynamics of oxygen and carbon in productive nearshore shallow seawater systems off Taiwan: Observations and modeling | |
| Bresnan et al. | The Scottish coastal observatory 1997–2013. Part 2-description of Scotland’s coastal waters | |
| CN115656105A (zh) | 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 | |
| US20180217119A1 (en) | Process and method for the enhancement of sequestering atmospheric carbon through ocean iron fertilization, and method for calculating net carbon capture from said process and method | |
| Zhang et al. | Direct measurements of dissolved N2 and N2O highlight the strong nitrogen (N) removal potential of riverine wetlands in a headwater stream | |
| Xun et al. | Methane ebullition fluxes and temperature sensitivity in a shallow lake | |
| Chen et al. | Disentangling environmental effects on picophytoplankton communities in the Eastern Indian Ocean | |
| Koopmans et al. | The response of seagrass (Posidonia oceanica) meadow metabolism to CO 2 levels and hydrodynamic exchange determined with aquatic eddy covariance | |
| CN113155751B (zh) | 富营养化湖泊poc垂向结构类型的遥感识别方法 | |
| Hieu et al. | Estimating the Chlorophyll-a in the Nha Trang Bay using Landsat-8 OLI data | |
| Singh et al. | A Review of Phytoplankton Primary Production in Relation to Environmental Forcing in Indian Estuaries | |
| Stanley et al. | Quantifying photosynthetic rates of microphytobenthos using the triple isotope composition of dissolved oxygen | |
| Minutolo et al. | Sedimentary mud and phaeophytin-a are reliable predictors of oxygen consumption and nitrogen turnover in the southern North Sea | |
| Phung | A comparison of biogeochemical argo sensors, remote sensing systems, and shipborne field fluorometers to measure chlorophyll a concentrations in the pacific ocean off the northern coast of New Zealand | |
| Hohenegger et al. | Growth of the foraminifer Nummulites venosus in nature and culture | |
| Charria et al. | PREVIMER: A contribution to in situ coastal observing systems | |
| CN103902833A (zh) | 一种近海海洋低氧状况的推测方法 | |
| Domysheva et al. | Experimental assessment of the carbon dioxide flow in the atmosphere-water system of the littoral and pelagic zones of Lake Baikal during hydrological summer | |
| Higgins | Carbonate Chemistry Characterization in A Low-Inflow Estuary with Recent Seagrass Loss | |
| Evans et al. | Puget Sound Water Resources: Evaluating Methods for Identification and Monitoring of Factors in the Puget Sound that Indicate Eutrophication and Hypoxia |
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 |