CN115656105A - 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 - Google Patents
富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 Download PDFInfo
- Publication number
- CN115656105A CN115656105A CN202211322691.8A CN202211322691A CN115656105A CN 115656105 A CN115656105 A CN 115656105A CN 202211322691 A CN202211322691 A CN 202211322691A CN 115656105 A CN115656105 A CN 115656105A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- methane
- chlorophyll
- concentration
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供富营养化藻型水体甲烷扩散排放的卫星遥感监测方法，获取研究区域卫星遥感影像数据、光合有效辐射数据、地表温度数据和实测甲烷扩散通量数据；利用卫星遥感影像数据建立漫衰减系数和叶绿素a浓度的估算模型；以漫衰减系数、叶绿素a浓度、光合有效辐射数据、地表温度数据和/或其不同数学变换形式的组合为自变量，实测甲烷扩散通量数据为因变量，利用随机森林算法建立预测模型并进行精度验证，选取使模型精度最佳的自变量建立甲烷扩散排放预测模型用于水体甲烷扩散排放监测，本发明的方法可实现目标水域大面积、同步、准确、连续的水体甲烷排放监测。
Description
技术领域
本发明属于遥感环境监测技术领域，具体涉及富营养化湖泊藻型水体甲烷扩散排放的卫星遥感监测方法。
背景技术
甲烷是重要的大气温室气体，对气候变暖影响显著。目前大气甲烷浓度呈现快速增长趋势，但导致大气浓度变异原因还不明了，因此亟需开展甲烷不同排放源的研究。富营养化水体对气候变化敏感，初级生产力高，已被发现是大气甲烷重要的自然排放源。扩散是富营养化水体甲烷重要排放方式。富营养化水体地球化学循环过程较为复杂，基于传统人工调查等方法很难捕捉甲烷扩散排放的时空变化规律，也难以应用于区域尺度水体甲烷扩散排放监测，致使甲烷扩散排放量估算存在较大的不确定性。卫星遥感具有大面积同步连续观测优势的遥感技术可以克服传统观测方法的局限，为富营养化水体甲烷扩散排放研究提供关键技术支撑。
发明内容
本发明的目的在于克服现有技术的不足，结合遥感影像，提供一种富营养化藻型水体甲扩散排放的卫星遥感监测方法，实现富营养化水体甲烷扩散排放的大面积、连续、同步观测。
本发明的上述技术目的通过如下技术方案实现：
一种富营养化藻型水体甲烷扩散排放的卫星遥感监测方法，包括：
获取研究区域卫星遥感影像数据、光合有效辐射数据、地表温度数据和实测甲烷扩散通量数据；
利用卫星遥感影像数据建立漫衰减系数Kd(490)和叶绿素a浓度的估算模型；
以漫衰减系数Kd(490)、叶绿素a浓度、光合有效辐射数据、地表温度数据和/或其不同数学变换形式的组合为自变量，实测甲烷扩散通量数据为因变量，利用随机森林算法建立预测模型并进行精度验证，选取使模型精度最佳的自变量建立甲烷扩散排放预测模型；利用所述甲烷扩散排放预测模型监测富营养化藻型水体甲烷扩散排放。
作为一种优选的实施方式，所述利用卫星遥感影像数据建立漫衰减系数Kd(490)和叶绿素a浓度的估算模型的方法为：
对卫星遥感影像数据进行预处理，分别获取瑞利散射校正后的遥感反射率R rc数据及精确大气校正后的遥感反射率R rs数据；
利用R rs数据结合半分析算法建立漫衰减系数Kd(490)估算模型；
利用R rc数据结合实测叶绿素a浓度数据建立叶绿素a浓度估算模型。
作为一种优选的实施方式，利用645nm和859nm波段对应的遥感反射率R rc值建立叶绿素a的估算模型。
作为一种优选的实施方式，所述卫星遥感影像数据选用MODIS/Aqua的L1A级数据，光合有效辐射数据和地表温度数据选用MODIS对应的光合有效辐射PAR产品和地表温度产品数据。
作为一种优选的实施方式，将具有不同分辨率的遥感反射率与遥感产品数据重采样到相同的空间分辨率，并剔除云覆盖较高和太阳耀斑的影像，仅保留无云或者云覆盖低的影像用于计算。
作为一种优选的实施方式，所述不同数学变换形式的组合指对所述漫衰减系数Kd(490)、叶绿素a浓度、光合有效辐射数据、地表温度数据四个自变量参数中的多个进行不同数学形式的组合，形成新的自变量参数。
作为一种优选的实施方式，所述不同数学变换形式的组合指对所述漫衰减系数Kd(490)、叶绿素a浓度、光合有效辐射数据、地表温度数据四个自变量参数中的两个进行不同数学形式的组合，形成新的自变量参数。
作为一种优选的实施方式，所述不同数学变换形式的组合包括对所述四个自变量参数中的多个以乘积形式，或乘积后取对数的形式组合形成的新的自变量参数。
作为一种优选的实施方式，利用随机森林算法建立预测模型后，利用独立样本验证模型精度。
作为一种优选的实施方式，所述方法还包括，利用长时序的遥感数据结合所述甲烷扩散排放预测模型获取长时序的水体甲烷扩散排放时空分布结果。
本发明的方法利用遥感数据结合机器学习，通过卫星影像数据实现对目标水域大面积、同步、连续的水体甲烷排放监测，获取甲烷扩散排放的空间分布及其在不同时间尺度（天-月-年）分布，有效解决了水体甲烷排放时空异质性强的问题，减少富营养化水体甲烷排放的观测成本，并通过输入参数的研究及对其交互作用考虑，提高了预测模型的准确性，从而提高水体甲烷排放估算精度。
附图说明
图1为本发明方法的流程图。
图2为估算甲烷扩散通量(F m)的验证图。
图3为本发明遥感监测的2002-2020年太湖甲烷扩散通量(F m)的时间序列图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步说明。
选取太湖为研究区域。太湖(119.55-120.34E， 30.55-31.32N)水域面积为2338km2，是我国第三大淡水湖，长期藻华富营养化问题困扰，蓝藻水华频繁暴发，是典型的富营养化藻型湖泊。
从NASA海洋水色网站(https://oceandata.sci.gsfc.nasa.gov/)下载太湖富营养化水域2002年7月-2020年12月MODIS/Aqua的L1A级数据供遥感反射率的计算使用，并下载MODIS/Aqua的水面日平均光合有效辐射PAR产品和地表温度产品(MYD11A1)，其中日平均光合有效辐射PAR是模型的输入变量之一，地表温度作为表层水温（LST）变量来估算甲烷扩散通量(F m)。
影像数据预处理，主要包括辐射校正、几何校正和研究区裁剪，其中所述辐射校正指辐射定标和大气校正，经SeaDAS 7.5处理得到经过瑞利散射等去除后的遥感反射率R rc，另外采用6SV模型对原始数据进行精确大气校正以获取遥感反射率R rs。为保证具有相同的空间分辨率，并支持下一步的计算，将具有不同分辨率的MODIS反射率与产品数据重采样到相同的空间分辨率(250 m)。另外，剔除云覆盖较高和太阳耀斑的影像，仅保留无云或者云覆盖低的影像。
结合2012-2017年太湖星地同步数据，实测数据是甲烷扩散通量(F m)，基于同步卫星影像，反演/计算与实测甲烷扩散通量(F m)同步的Kd(490)和Chl-a数据，其中漫衰减系数Kd(490)的遥感提取主要是根据Huang等(2017)开发的半分析算法得到（Huang, C. C.,Yao, L., Huang, T., Zhang, M. L., Zhu, A. X., & Yang, H.. (2017). Wind andrainfall regulation of the diffuse attenuation coefficient in large, shallowlakes from long-term MODIS observations using a semianalytical model. Journalof Geophysical Research: Atmospheres, 122(13): 6748-6763.），如下：
其中，b bp(645)为645 nm的颗粒后向散射系数，Rrs(645)与Rrs(531)分别为645 nm及531 nm波段的遥感反射率，a(645)为吸收系数，b b(645)为后向散射系数，U(645)为中间变量，r rs(645)为恰在水面以下的遥感反射率。
进一步的，叶绿素a浓度遥感提取使用Shi等(2017)等针对富营养湖区开发的算法（Shi, K,, Zhang, Y. L,, Zhou, Y. Q., Liu, X. H., Zhu, G. W., Qin, B. Q., &Gao, G.. (2017). Long-term MODIS observations of cyanobacterial dynamics inLake Taihu: Responses to nutrient enrichment and meteorological factors.Scientific Reports, 7: 40326），该算法是利用实测叶绿素a数据和645nm、859nm波长的遥感反射率建立的拟合模型：
其中，R rc(λ)是经过瑞利校正λ波长处的反射率，则R rc(645)、Rrc(859)分别为MODIS数据中645 nm及859 nm波段R rc值。
结合上述步骤，以遥感反演的水体叶绿素a浓度(Chl-a)、表层温度(LST)、漫衰减系数(Kd)、光合有效辐射产品（PAR）以及不同参数之间的乘积或乘积后取对数的组合为自变量，实测甲烷扩散通量为因变量，结合随机森林算法(参数配置为：bootstrap=True,max_features=0.1, min_samples_leaf=2,min_samples_split=4, n_estimators=100)，以Chl-a、LST、Kd、PAR、Chl-a×LST、log10(Chl-a×LST)、Chl-a×Kd、LST×Kd、log10(LST×Kd)、Kd×PAR为最终输入变量，进行拟合回归，构建甲烷扩散排放的预测模型并采用独立样本数据验证预测模型的精度，如图2所示；
利用长时序的遥感影像数据，计算得到2002年7月到2020年12月日尺度太湖甲烷扩散排放通量，如图3所示。
Claims (10)
1.一种富营养化藻型水体甲烷扩散排放的卫星遥感监测方法，其特征在于，包括：
获取研究区域卫星遥感影像数据、光合有效辐射数据、地表温度数据和实测甲烷扩散通量数据；
利用卫星遥感影像数据建立漫衰减系数Kd(490)和叶绿素a浓度的估算模型；
以漫衰减系数Kd(490)、叶绿素a浓度、光合有效辐射数据、地表温度数据和/或其不同数学变换形式的组合为自变量，实测甲烷扩散通量数据为因变量，利用随机森林算法建立预测模型并进行精度验证，选取使模型精度最佳的自变量建立甲烷扩散排放预测模型；利用所述甲烷扩散排放预测模型监测富营养化藻型水体甲烷扩散排放。
2.根据权利要求1所述的方法，其特征在于，所述利用卫星遥感影像数据建立漫衰减系数Kd(490)和叶绿素a浓度的估算模型的方法为：
对卫星遥感影像数据进行预处理，分别获取瑞利散射校正后的遥感反射率R rc数据及精确大气校正后的遥感反射率R rs数据；
利用R rs数据结合半分析算法建立漫衰减系数Kd(490)估算模型；
利用R rc数据结合实测叶绿素a浓度数据建立叶绿素a浓度估算模型。
3.根据权利要求2所述的方法，其特征在于，利用645nm和859nm波段对应的遥感反射率R rc值建立叶绿素a的估算模型。
4.根据权利要求1所述的方法，其特征在于，所述卫星遥感影像数据选用MODIS/Aqua的L1A级数据，光合有效辐射数据和地表温度数据选用MODIS对应的光合有效辐射PAR产品和地表温度产品数据。
5.根据权利要求2所述的方法，其特征在于，将具有不同分辨率的遥感反射率与遥感产品数据重采样到相同的空间分辨率，并剔除云覆盖较高和太阳耀斑的影像，仅保留无云或者云覆盖低的影像用于计算。
6.根据权利要求1所述的方法，其特征在于，所述不同数学变换形式的组合指对所述漫衰减系数Kd(490)、叶绿素a浓度、光合有效辐射数据、地表温度数据四个自变量参数中的多个进行不同数学形式的组合，形成新的自变量参数。
7.根据权利要求6所述的方法，其特征在于，所述不同数学变换形式的组合指对所述漫衰减系数Kd(490)、叶绿素a浓度、光合有效辐射数据、地表温度数据四个自变量参数中的两个进行不同数学形式的组合，形成新的自变量参数。
8.根据权利要求6或7所述的方法，其特征在于，所述不同数学变换形式的组合包括对所述四个自变量参数中的多个以乘积形式，或乘积后取对数的形式组合形成的新的自变量参数。
9.根据权利要求1所述的方法，其特征在于，利用随机森林算法建立预测模型后，利用独立样本验证模型精度。
10.根据权利要求1所述的方法，其特征在于，还包括，利用长时序的遥感数据结合所述甲烷扩散排放预测模型获取长时序的水体甲烷扩散排放时空分布结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211322691.8A CN115656105A (zh) | 2022-10-27 | 2022-10-27 | 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211322691.8A CN115656105A (zh) | 2022-10-27 | 2022-10-27 | 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115656105A true CN115656105A (zh) | 2023-01-31 |
Family
ID=84992112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211322691.8A Pending CN115656105A (zh) | 2022-10-27 | 2022-10-27 | 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656105A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
| CN117491301A (zh) * | 2023-12-29 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种高坝水库水环境垂向监测方法、系统及设备 |
-
2022
- 2022-10-27 CN CN202211322691.8A patent/CN115656105A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
| CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
| CN117491301A (zh) * | 2023-12-29 | 2024-02-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种高坝水库水环境垂向监测方法、系统及设备 |
| CN117491301B (zh) * | 2023-12-29 | 2024-03-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种高坝水库水环境垂向监测方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
| Shephard et al. | TES ammonia retrieval strategy and global observations of the spatial and seasonal variability of ammonia | |
| Chen et al. | Joint retrieval of the aerosol fine mode fraction and optical depth using MODIS spectral reflectance over northern and eastern China: Artificial neural network method | |
| Wang et al. | Terrestrial ecosystem carbon flux estimated using GOSAT and OCO-2 XCO 2 retrievals | |
| Hao et al. | Estimating hourly land surface downward shortwave and photosynthetically active radiation from DSCOVR/EPIC observations | |
| Zhong et al. | Clear sky irradiances using REST2 and MODIS | |
| Pahlevan et al. | Uncertainties in coastal ocean color products: Impacts of spatial sampling | |
| CN113970376B (zh) | 一种基于海洋区域再分析资料的卫星红外载荷定标方法 | |
| CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
| CN114819150B (zh) | 一种极地海洋冬季初级生产力遥感反演方法 | |
| CN108256186A (zh) | 一种在线计算查找表的逐像元大气校正方法 | |
| CN111426643B (zh) | 一种大气二氧化氮柱浓度反演条带噪声自适应窗口校正方法 | |
| Tang et al. | Dependence of remote sensing accuracy of global horizontal irradiance at different scales on satellite sampling frequency | |
| CN115290512A (zh) | 一种估算海洋表层颗粒有机碳浓度的水色遥感方法及装置 | |
| Potdar et al. | Statistical analysis of total column ozone during three recent solar cycles over India | |
| CN111650128B (zh) | 一种基于地表反射率库的高分辨率大气气溶胶反演方法 | |
| Borbas et al. | MODIS atmospheric profile retrieval algorithm theoretical basis document | |
| CN116185616A (zh) | 一种fy-3d mersi l1b数据自动化再处理方法 | |
| CN116822141A (zh) | 利用卫星微光遥感反演夜间大气气溶胶光学厚度的方法 | |
| He et al. | Modis aerosol optical thickness product algorithm verification and analysis | |
| CN113740263B (zh) | 一种气溶胶光学厚度反演方法及大气颗粒物遥感反演方法 | |
| Plummer et al. | An update on the Globcarbon initiative: multi-sensor estimation of global biophysical products for global terrestrial carbon studies | |
| Zhang et al. | Comparisons of OCO-2 satellite derived XCO2 with in situ and modeled data over global ocean | |
| Mia et al. | Landsat thermal infrared based monitoring of heat losses from Kuju fumaroles area in Japan |
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 |