CN115078262A - 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 - Google Patents

一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 Download PDF

Info

Publication number
CN115078262A
CN115078262A CN202110268305.0A CN202110268305A CN115078262A CN 115078262 A CN115078262 A CN 115078262A CN 202110268305 A CN202110268305 A CN 202110268305A CN 115078262 A CN115078262 A CN 115078262A
Authority
CN
China
Prior art keywords
chlorophyll
data
long
modis
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.)
Pending
Application number
CN202110268305.0A
Other languages
English (en)
Inventor
黄津辉
王波
郭宏伟
祝晓瞳
田上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202110268305.0A priority Critical patent/CN115078262A/zh
Publication of CN115078262A publication Critical patent/CN115078262A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Physics & Mathematics (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)

Abstract

本发明属于水体水质监测方法与应用技术领域，具体公开了一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，该检测方法以长时间序列的MODIS数据为基础，主要包括以下步骤；(1)实测水质数据获取；(2)遥感数据预处理；(3)相关性分析、经验模型、多元线性回归模型、随机森林模型的构建与评估；(4)绘制叶绿素a的长期时空分布图。本发明以长时间序列的MODIS数据为基础，克服了传统水质监测无法满足长期、实时和大尺度监测需求的局限性，在反演过程中使用并对比了经验模型、多元线性回归模型和随机森林模型，提高了内陆湖泊叶绿素a的反演精度。

Description

一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测 方法
技术领域
本发明属于水体水质监测方法与应用技术领域，具体涉及一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法。
背景技术
内陆湖泊在全球淡水资源中占有重要的地位，不仅为水生动物和植物提供栖息地，也为人类提供宝贵的社会和经济服务，支撑着农业、工业和旅游业的发展。近年来，随着全球气候变化和人类活动的影响，许多湖泊面临水质下降、水体富营养化和水生态系统破坏等一系列问题，水质监测作为水环境管理的一个重要环节，可以有效保护水环境、控制水污染和维护水环境的健康。
叶绿素a浓度是衡量内陆湖泊富营养化程度的重要指标之一，不仅体现浮游植物的生物量和初级生产力，也影响水体的反射光谱特征，因此监测叶绿素a浓度对内陆湖泊水生态环境保护具有重要的意义。传统水质监测主要采用现场水样采集和实验室测定的方法，虽然可监测的参数多，精度较高，但费时费力，经济成本高昂，并且单点尺度的水质难以代表整个水域的水质状况。遥感技术具有范围广、速度快和低成本等优势，满足实时和大尺度的水质监测需求，同时可以揭示常规方法难以发现的污染物和污染物的迁移和分布特征。
目前，常用的内陆湖泊水质监测遥感数据源包括Landsat系列、Sentinel-2、MODIS等。Landsat系列拥有较高的空间分辨率和光谱分辨率，但回归周期较长(16天)，不适合内陆湖泊的实时动态监测。Sentinel-2拥有较高的时间分辨率(5天)和极高的空间分辨率(10m)，但两颗卫星发射时间较晚，Sentinel-2A发射于2015年，Sentinel-2B发射于2017年，不适合湖泊的长期动态监测。MODIS是搭载在美国EOS卫星上重要的光学传感器，Terra和Aqua卫星分别在一天中的上午和下午过境，观测整个地球表面，因此MODIS的时间分辨率为1天。此外，MODIS接收相对简单，全球免费获取，提供了有助于辐射校正的大气廓线数据，在湖泊水质的长期动态监测中表现出巨大的发展潜力。
水质遥感监测方法主要包括分析法、经验法和半经验法等，这些方法在应用于水质监测时均存在各自的优势和缺陷。分析法具有严格的物理意义，但建立模型时需要测量大量参数；经验法利用简单易用的回归模型构建相对复杂的关系，但遥感数据和实测数据的相关性往往得不到保障；半经验法可以在一定程度上提高水质监测的精度，但仍存在时空局限性。
因此，希望提供一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，满足实际中长期、连续和大范围的高精度水质监测需求。
发明内容
针对现有技术存在的上述不足，本发明的目的在于提供一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，该检测方法以长时间序列的MODIS数据为基础，主要包括以下步骤；(1)实测水质数据获取；(2)遥感数据预处理；(3)相关性分析、经验模型、多元线性回归模型、随机森林模型的构建与评估；(4)绘制叶绿素a的长期时空分布图。本方法对内陆湖泊适应性好、监测精度高、适合长期连续和大面积的高精度水质监测。
为实现上述目的，本发明采用如下技术方案：
基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，步骤如下：
(1)实测水质数据获取。在湖面均匀设置一定数量的采样点，水样采集并储存后利用YSI多参数水质分析仪测定叶绿素a浓度。
(2)遥感数据预处理。利用ENVI 5.3和MRT(MODIS Reproduction Tool)软件实现MODIS影像的预处理，主要包括重投影和重采样、波段合成、像元值提取、可用影像筛选等。
(3)相关性分析、经验模型、多元线性回归模型、随机森林模型的构建与评估。对MODIS的7个单波段和不同波段组合与实测叶绿素a数据进行相关性分析，获得适合反演的最佳波段或波段组合，分别训练经验模型、多元线性回归模型和随机森林模型，利用R2和RMSE评估三种模型的反演精度，最终确定适合叶绿素a的最佳反演模型。
(4)绘制叶绿素a的长期时空分布图。利用步骤(3)中最佳反演模型对长时间序列的MODIS数据进行反演，获取叶绿素a浓度的年际变化和季节变化，在ArcGIS中利用克里金插值法获取叶绿素a浓度的空间分布。
和现有技术相比，本发明具有以下优点：
本发明以长时间序列的MODIS数据为基础，克服了传统水质监测无法满足长期、实时和大尺度监测需求的局限性，在反演过程中使用并对比了经验模型、多元线性回归模型和随机森林模型，提高了内陆湖泊叶绿素a的反演精度。同时，本发明通过绘制叶绿素a的长期时空分布图，有助于全面、实时、快捷、动态地从遥感数据中获取信息，了解区域湖泊的历史水质状况，为环境保护和水务管理部门提供科学方法和理论依据，以此构建的水质监测体系可以起到日常水质预警和污染物溯源的作用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的检测方法流程示意图。
图2为本发明实施例的叶绿素a遥感反演模型精度验证图。
图3为本发明实施例的叶绿素a浓度时间变化(年际变化和季节变化)图。
图4为本发明实施例的叶绿素a浓度空间变化图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
实施例1
请参照图1，本实施例提供一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，包括以下步骤：
(1)实测水质数据获取。选取某一内陆湖泊作为研究区，在湖面均匀设置10个采样点，在2014至2017年每年无冰期间采样，水样采集后利用YSI-EXO2多参数水质分析仪测定叶绿素a浓度，如表1所示。
表1 2014至2017年10个监测站点实测叶绿素a浓度(μg/L)
Figure BDA0002973186290000041
Figure BDA0002973186290000051
(2)MODIS数据下载和预处理。下载MOD09GA 500m地表反射率每日产品，该数据已经修正了大气气体和气溶胶对光谱的影响；利用MRT软件实现MODIS影像重投影和重采样，利用小熊工具箱软件实现影像批处理；利用ENVI中的Layer Stacking工具实现B1到B7的7个波段合成；利用ENVI中的ROI工具提取监测站点和整个湖面的像元值，计算后即为地表反射率。
(3)相关性分析、经验模型、多元线性回归模型、随机森林模型的构建与评估。对MODIS的7个单波段和不同波段组合与实测叶绿素a数据进行相关性分析，相关性大小用皮尔逊相关系数R表示，获得适合反演的最佳波段或波段组合；分别训练经验模型、多元线性回归模型和随机森林模型，利用R2和RMSE评估三种模型的反演精度，最终确定适合叶绿素a的最佳反演模型。
(4)绘制叶绿素a浓度的长期时空分布图。将对长时间序列的MODIS数据导入最佳反演模型，对2009至2018年湖泊叶绿素a浓度进行反演，获取叶绿素a浓度的年际变化和季节变化，在ArcGIS中利用克里金插值法获取叶绿素a浓度的空间分布。
相关性分析结果：通过MODIS的7个单波段和不同波段组合与实测叶绿素a数据进行相关性分析(表2)，发现B4/B5与叶绿素a的皮尔逊相关系数最大，达到了0.641。
表2单波段和波段组合与实测叶绿素a数据的皮尔逊相关系数大小
单波段和波段组合 皮尔逊相关系数R
B1 0.314
B2 0.275
B3 0.305
B4 0.308
B5 0.140
B6 0.301
B7 0.307
B<sub>i</sub>+B<sub>j</sub>(i，j＝1,2,3,4,5,6,7) 0.311
B<sub>i</sub>-B<sub>j</sub>(i，j＝1,2,3,4,5,6,7) 0.607
B<sub>i</sub>×B<sub>j</sub>(i，j＝1,2,3,4,5,6,7) 0.338
B<sub>i</sub>/Bj(i，j＝1,2,3,4,5,6,7) 0.641
NDVI((B<sub>i</sub>-B<sub>j</sub>)/(B<sub>i</sub>+B<sub>j</sub>)) 0.626
(2)经验模型、多元线性回归模型和随机森林模型结果。由图2可知将B4/B5作为输入变量，叶绿素a实测值作为输出变量，线性拟合的结果R2达到0.41；多元线性回归模型预测结果的R2为0.081，RMSE为0.692μg/L，预测结果较差；随机森林模型预测结果的R2为0.841，RMSE为0.482μg/L，预测结果较好。因此，随机森林模型是适合该研究区的最佳反演模型。
(3)时空分布结果。由图3可知，在2009-2018年间，叶绿素a浓度在年尺度上趋于稳定，年叶绿素a平均浓度变化最大值为0.13μg/L；叶绿素a浓度在月尺度上呈现先降低后升高的周期性变化，月叶绿素a平均浓度变化最大值为0.65μg/L。由图4可知，叶绿素a浓度在2015年7月17日的南部和东部较高，在2016年10月30日的西南部和东北较高，在2017年9月5日的南部则较低。

Claims (5)

1.一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，其特征在于，该检测方法以长时间序列的MODIS数据为基础，主要包括以下步骤；(1)实测水质数据获取；(2)遥感数据预处理；(3)相关性分析、经验模型、多元线性回归模型、随机森林模型的构建与评估；(4)绘制叶绿素a的长期时空分布图。
2.根据权利要求1所述的基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，其特征在于，所述实测水质数据获取具体为：在湖面均匀设置一定数量的采样点，水样采集并储存后利用YSI多参数水质分析仪测定叶绿素a浓度。
3.根据权利要求1所述的基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，其特征在于，所述遥感数据预处理具体为利用ENVI 5.3和MRT(MODIS Reproduction Tool)软件实现MODIS影像的预处理。
4.根据权利要求3所述的基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，其特征在于，所述预处理包括重投影和重采样、波段合成、像元值提取或可用影像筛选。
5.根据权利要求1所述的基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法，其特征在于，所述步骤(3)具体为：对MODIS的7个单波段和不同波段组合与实测叶绿素a数据进行相关性分析，获得适合反演的最佳波段或波段组合，分别训练经验模型、多元线性回归模型和随机森林模型，利用R2和RMSE评估三种模型的反演精度，最终确定适合叶绿素a的最佳反演模型。
CN202110268305.0A 2021-03-12 2021-03-12 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法 Pending CN115078262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110268305.0A CN115078262A (zh) 2021-03-12 2021-03-12 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110268305.0A CN115078262A (zh) 2021-03-12 2021-03-12 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法

Publications (1)

Publication Number Publication Date
CN115078262A true CN115078262A (zh) 2022-09-20

Family

ID=83240907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110268305.0A Pending CN115078262A (zh) 2021-03-12 2021-03-12 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法

Country Status (1)

Country Link
CN (1) CN115078262A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117451639A (zh) * 2023-12-21 2024-01-26 内蒙古工业大学 一种基于遥感数据的水体叶绿素浓度反演方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN117451639A (zh) * 2023-12-21 2024-01-26 内蒙古工业大学 一种基于遥感数据的水体叶绿素浓度反演方法

Similar Documents

Publication Publication Date Title
Bresciani et al. Mapping phytoplankton blooms in deep subalpine lakes from Sentinel-2A and Landsat-8
CN115078262A (zh) 一种基于MODIS数据的内陆湖泊叶绿素a浓度长期遥感监测方法
Martens et al. Evaluating the land-surface energy partitioning in ERA5
Stumpf et al. Interannual variability of cyanobacterial blooms in Lake Erie
Brewin et al. Uncertainty in ocean-color estimates of chlorophyll for phytoplankton groups
Wang et al. VIIRS-derived chlorophyll-a using the ocean color index method
Engel-Cox et al. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality
Rodríguez-López et al. Spectral analysis using LANDSAT images to monitor the chlorophyll-a concentration in Lake Laja in Chile
Novoa et al. Water quality assessment using satellite-derived chlorophyll-a within the European directives, in the southeastern Bay of Biscay
Odebiri et al. Predicting soil organic carbon stocks under commercial forest plantations in KwaZulu-Natal province, South Africa using remotely sensed data
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
CN114241331B (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
CN110836870B (zh) 基于gee的大区域湖泊透明度快速制图方法
Li et al. Suitability of hyperspectral data for monitoring nitrogen and phosphorus content in constructed wetlands
CN114372707A (zh) 一种基于遥感数据的高寒湿地退化程度监测方法
CN113203694A (zh) Msi的湖泊富营养指数遥感估算方法
Liu et al. Eutrophication monitoring of lakes in Wuhan based on Sentinel-2 data
CN117825286A (zh) 一种基于遥感影像的湖泊水体叶绿素a浓度的反演方法
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
Sherman et al. Chlorophyll dynamics from Sentinel-3 using an optimized algorithm for enhanced ecological monitoring in complex urban estuarine waters
CN114021900A (zh) 反演土壤重金属污染风险等级的方法
CN115078261A (zh) 一种基于随机森林模型的内陆湖泊总磷浓度遥感监测方法
CN115931783A (zh) 一种基于GEE的大尺度区域湖库叶绿素a制图方法
Alsahli et al. Modeling Secchi Disk Depth Over the North Arabian Gulf Waters Using MODIS and MERIS Images
Meng et al. Mapping properties of vegetation in a tidal salt marsh from multi-spectral satellite imagery using the SCOPE model

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