文章信息
- 顺布日, 青松, 郝艳玲. 2019.
- SHUN Bu-ri, QING Song, HAO Yan-ling. 2019.
- 基于半分析方法的黄河口悬浮物浓度遥感反演
- Remote sensing retrieval of suspended-particulate-matterconcentrations in Yellow River estuary based on semi-analytical method
- 海洋科学, 43(12): 17-27
- Marine Sciences, 43(12): 17-27.
- http://dx.doi.org/10.11759/hykx20190414002
-
文章历史
- 收稿日期:2019-04-14
- 修回日期:2019-07-18
2. 内蒙古大学生态与环境学院, 内蒙古 呼和浩特 010021
2. The School of Ecology and Environment of Inner Mongolia University, Hohhot 010021, China
悬浮物(Suspended Particulate Matter, SPM)与海洋中许多物理、生物地球化学过程密切相关。悬浮物浓度在不同水域中的变化很大, 不仅受水动力的影响, 还控制着浮游植物的初级生产力。河口是河流和沿海水域之间的重要纽带, 受径流影响, 悬浮物浓度的时空分布特征复杂。因此, 对河口水域的悬浮物浓度动态监测具有重要意义[1-5]。传统的悬浮物浓度调查方式, 不仅费时费力, 而且时空分辨率低。遥感技术具有大面积同步、速度快、成本低等优势, 已在悬浮物调查方面得到了广泛应用[6-8]。
目前, 悬浮物浓度的遥感算法主要以经验统计算法和半分析算法为主。经验算法数学公式简单且容易实现, 很多学者已建立了反射率(或浑浊度)与悬浮物浓度之间的经验关系。Islam等[9]利用单波段经验算法(R2=0.98), 反演了恒河和布拉马普特拉河区域悬沙浓度(SSC)。Novoa等[5]针对吉伦德河口、卢瓦尔河口和法国大西洋沿岸的布尔涅夫湾建立了三种单波段模型。模型中使用的波段为绿、红、近红外波段。结果表明, 绿、红波段适合于低浓度水域, 近红外波段适合于高浓度水域。相似的算法还出现在Sławomir等[10]的研究中。D’Sa等[11]将利用水面之上遥感反射率(Above-surface remote-sensing reflectance, Rrs)之比, 即Rrs(670)/Rrs(555)波段比算法应用于Sea WiFS数据, 分析了墨西哥湾北部沿海区域悬浮物浓度空间分布特征。Gokul等[3]发现印度东南海岸水体中碎屑吸收系数ad(443)和悬浮物浓度之间存在幂函数关系(R2=0.9), 而ad(443)可以通过波段比Rrs(620)/ Rrs(490)反演得到。Sławomir等[10]利用波罗的海南部沿海区域的73个站位实测数据, 建立了悬浮物浓度波段比模型, 发现最适合的波段比为Rrs(490)/Rrs(589)或Rrs(490)/Rrs(625)。波段组合与悬浮物浓度之间的经验关系也能得到较好的反演结果[4, 6]。此外, 还有一些学者建立了浑浊度与悬浮物浓度之间的经验关系[12-14]。
然而, 经验算法区域依赖性强, 通用性有限, 悬浮物浓度变化大的水域中期反演误差较大[5]。半分析算法是基于辐射传输方程建立遥感反射率与水体固有光学特性之间的关系模型, 适用范围较广。目前, 悬浮物浓度半分析方法主要有如下四种: (1)Nechad模型[15]; (2)多波段准-分析算法[16-18](Quasi-Analytical Algorithm, QAA); (3)最优化方法[19]; (4)半经验辐射传输模型[20](semi-empiricalradiative transfer, SERT)。
Nechad等[15]基于南北海地区的实测数据, 建立了一种悬浮物浓度反演的单波段半分析算法, 此算法适合于多种卫星传感器。Constantin等[21]等将Nechad算法应用于MODIS和SEVIRI卫星数据, 分析了吉伦德河口羽状锋时空分布特征。QAA算法于2002年由Lee等[16]开发。Alcântara等[17]和Sun等[18]将此算法应用于悬浮物浓度反演研究中。此外, Eleveld等[22]将最优化算法应用于MERIS数据, 反演得到了悬浮物浓度, 并分析了潮汐和气象因素对河口悬浮颗粒物浓度的影响。Lee等通过最优化的生物光学模型算法, 计算得到悬浮物浓度[23-24]。Shen等[20]利用SERT模型, 采用多波段滑动策略的估算方法, 反演了杭州湾海域大范围悬浮物浓度。半分析算法的优点是具有较高的反演精度, 无需训练样本, 并且适用于不同悬浮物浓度的水体中。
因此, 本文利用黄河口的现场实测数据, 检验了上述四个半分析算法在黄河口水体中的适用性, 并将算法应用于Landsat-8 OLI遥感数据, 分析黄河口悬浮物浓度时空分布特征。
1 数据 1.1 研究区黄河口位于东营市垦利区境内, 北靠渤海湾, 南靠莱州湾。黄河是世界上含沙量最高的河流, 每年向黄河口区域输入大量的泥沙。进入渤海的悬浮物总量之中黄河的贡献占绝大多数[25-26]。
本文采用了2005年8月和9月, 2011年7月, 2011年12月和2015年6月, 在黄河口区域以及渤海湾、莱州湾区域采集的145个站位的光谱数据(其中16个站点无匹配的悬浮物浓度数据)和129个站位的悬浮物浓度数据, 详见表 1。站位分布如图 1所示。
站位 | 时间 | 测量数据 | 应用 |
129 | 2015年8月、2011年7月和12月 | SPM、Rrs | 半分析模型检验 |
16 | 2015年6月 | Rrs | 大气校正验证 |
![]() |
图 1 黄河口区域实测数据站位图 Fig. 1 Location of in-situ data in the Yellow River estuary |
利用ASD光谱分析仪(350~1 050 nm)采集了遥感反射率数据。现场水体光谱数据采用水面之上测量法[27], 在晴天, 平静海面上进行, 方位角为135°, 观测角为40°。遥感反射率(Rrs)由如下公式1计算得到:
$ {R_{{\rm{rs}}}} = \left[ {{L_{{\rm{sw}}}}\left( \lambda \right) - r{L_{{\rm{sk}}}}\left( \lambda \right)} \right]{\rho _{\rm{P}}}\left( \lambda \right)/{\rm{ \mathsf{ π} }}{L_{\rm{p}}}\left( \lambda \right), $ | (1) |
其中, Lsw(λ), Lsk(λ), Lp(λ)分别为测量的水体, 天空和标准板辐亮度; r 为海气界面反射率, 对于平静海面取值0.022;
遥感反射率光谱曲线如图 2所示。由于悬浮物浓度的变化, 水体反射率的光谱形状和大小出现很大波动, 尤其600~900 nm波段处的反射率随着悬浮物浓度的增加而增加。
![]() |
图 2 黄河口实测遥感反射率光谱曲线 Fig. 2 Measured remote sensing reflectance of the Yellow River estuary |
采用重量法测量悬浮物浓度。首先使用采样瓶采集海表水, 再将水样用先称好的45 mm聚碳酸酯膜式过滤器过滤, 薄膜的孔径为0.45 μm。过滤后, 将滤膜上留下的盐分用超纯水清洗三次, 放回培养皿中冷冻。之后将滤纸放到60℃烤箱中烘干4小时, 再次称重。两次重量的差除以水样体积可得到悬浮物浓度。研究区的悬浮物浓度范围为3.8~ 2 301 mg/L, 平均值和标准差分别为119.44 mg/L和323.9 mg/L。
1.3 遥感数据本文所用的遥感数据为黄河口海域2017年4景Landsat-8 OLI影像。OLI数据包括9个波段, 空间分辨率为30 m, 其中包括一个15 m分辨率的全色波段。利用Vanhellemont和Ruddick等[28-29]的算法对黄河口区域Landsat-8 OLI影像进行大气校正。
2 方法 2.1 半分析算法本文利用实测的129组数据检验了悬浮物浓度半分析算法Nechad模型, QAA模型、最优化模型和SERT模型。然后将算法应用于Landsat-8 OLI数据, 得到黄河口悬浮物浓度图。
2.1.1 Nechad模型Nechad反演模型如下:
$ {\rm{SPM}} = \frac{{{A^{\rm{ \mathsf{ ρ} }}}{\rho _{\rm{W}}}}}{{1 - {\rho _{\rm{W}}}/{C^{\rm{ \mathsf{ ρ} }}}}} + {B^{\rm{ \mathsf{ ρ} }}}^{^{^{[15]}}}, $ | (2) |
$ {\rho _{\rm{W}}} = {\rm{ \mathsf{ π} }}{R_{{\rm{rs}}}}, $ | (3) |
Aρ(g/m3)、Bρ(g/m3)、Cρ(g/m3)为系数; ρw(sr–1)为离水辐亮度; Rrs(sr–1)为遥感反射率。
针对Landsat-8 OLI数据的波段设置, 本文检验了Nechad561, Nechad655和Nechad865三种算法(见表 2)。
λ/nm | Aρ/(g/m3) | Bρ/(g/m3) | Cρ/(g/m3) |
561 | 104.2 | 3.47 | 14.49 |
655 | 289.29 | 2.1 | 16.86 |
865 | 2 971.9 | 2.3 | 21.15 |
QAA模型如下:
$ {r_{{\rm{rs}}}}\left( \lambda \right) = \frac{{{R_{{\rm{rs}}}}\left( \lambda \right)}}{{0.52 + 1.7{R_{{\rm{rs}}}}\left( \lambda \right)}}, $ | (4) |
$ \begin{array}{l} u\left( \lambda \right) = \frac{{ - {g_0} + \sqrt {{{\left( {{g_0}} \right)}^2} + 4{g_1}{r_{{\rm{rs}}}}\left( \lambda \right)} }}{{2{g_1}}};\\ {g_0} = 0.089, \quad {g_1} = 0.125, \end{array} $ | (5) |
$ a(865) = {a_{\rm{w}}}(865) = 4.6052, $ | (6) |
$ {b_{{\rm{bw}}}}(865) = 0.000283, $ | (7) |
$ {b_{{\rm{bp}}}}(865) = \frac{{u(865)a(865)}}{{1 - u(865)}} - {b_{{\rm{bw}}}}(865), $ | (8) |
$ y = 2.0\left[ {1 - 1.2\exp \left[ { - 0.9\frac{{{r_{{\rm{rs}}}}(443)}}{{{r_{{\rm{rs}}}}(555)}}} \right]} \right], $ | (9) |
$ {b_{{\rm{bp}}}}(550) = {b_{{\rm{bp}}}}(865){\left( {\frac{{865}}{{550}}} \right)^y}, $ | (10) |
$ {\rm{SPM}} = 72.082{b_{{\rm{bp}}}}(550) + {7.2792^{[18]}}, $ | (11) |
本文提出了如下非线性最优化问题:
目标函数为
$ {\rm{F}} = {{{{\left[ {{{\sum\nolimits_{400}^{900} {\left( {{{\hat R}_{{\rm{rs}}}} - {R_{{\rm{rs}}}}} \right)} }^2}} \right]}^{0.5}}} \mathord{\left/ {\vphantom {{{{\left[ {{{\sum\nolimits_{400}^{900} {\left( {{{\hat R}_{{\rm{rs}}}} - {R_{{\rm{rs}}}}} \right)} }^2}} \right]}^{0.5}}} {\sum\nolimits_{400}^{900} {{{\hat R}_{{\rm{rs}}}}} }}} \right. } {\sum\nolimits_{400}^{900} {{{\hat R}_{{\rm{rs}}}}} }}, $ | (12) |
由如下方式给出了非线性最小化问题的初始值
$ {a_{{\rm{ph}}}}{\left( {440} \right)^0} = 0.072{\left[ {{R_{{\rm{rs}}}}{{\left( {440} \right)}^0}/{R_{{\rm{rs}}}}{{\left( {550} \right)}^0}} \right]^{ - 1.62}}, $ | (13) |
$ {a_{{\rm{dg}}}}{\left( {440} \right)^0} = {a_{{\rm{ph}}}}{(440)^0}, $ | (14) |
$ {b_{{\rm{bp}}}}{\left( {440} \right)^0} = 30{a_{\rm{w}}}\left( {640} \right){R_{{\rm{rs}}}}{\left( {640} \right)^0}, $ | (15) |
模型参数化由如下公式15~23给出。
$ {\hat R_{{\rm{rs}}}} = \frac{{{R_{{\rm{rs}}}}\left( \lambda \right)}}{{0.52 + 1.7{R_{{\rm{rs}}}}\left( \lambda \right)}}, $ | (16) |
$ {\hat R_{{\rm{rs}}}} = {g_0}u\left( \lambda \right) + {g_1}u{\left( \lambda \right)^2};{g_0} = 0.089, {g_1} = 0.125, $ | (17) |
$ u\left( \lambda \right) = {b_{\rm{b}}}\left( \lambda \right)/\left[ {a\left( \lambda \right) + {b_{\rm{b}}}\left( \lambda \right)} \right], $ | (18) |
$ a\left( \lambda \right) = {a_{\rm{w}}}\left( \lambda \right) + {a_{{\rm{ph}}}}\left( \lambda \right) + {a_{{\rm{dg}}}}\left( \lambda \right), $ | (19) |
$ {b_{\rm{b}}}\left( \lambda \right) = {b_{{\rm{bw}}}}\left( \lambda \right) + {b_{{\rm{bp}}}}\left( \lambda \right), $ | (20) |
$ {a_{{\rm{ph}}}}\left( \lambda \right) = \left[ {{a_0}\left( \lambda \right) + {a_1}\left( \lambda \right)\ln \left( {{a_{{\rm{ph}}}}\left( {440} \right)} \right)} \right]{a_{{\rm{ph}}}}\left( {440} \right), $ | (21) |
$ {a_{{\rm{dg}}}}\left( \lambda \right) = {a_{{\rm{dg}}}}\left( {440} \right)\exp \left[ { - S\left( {\lambda - 440} \right)} \right], $ | (22) |
$ {b_{{\rm{bp}}}}\left( \lambda \right) = {b_{{\rm{bp}}}}\left( {400} \right){\left( {400/\lambda } \right)^y}, $ | (23) |
$ y = 2.0\left[ {1 - 1.2\exp \left[ { - 0.9\frac{{{r_{{\rm{rs}}}}{{\left( {443} \right)}^0}}}{{{r_{{\rm{rs}}}}{{\left( {555} \right)}^0}}}} \right]} \right], $ | (24) |
其中
SERT反演模型如下:
$ {R_{{\rm{rs}}}}{\rm{ = }}{\frac{{\alpha \beta {C_{{\rm{SS}}}}}}{{1{\rm{ + }}\beta {{\rm{C}}_{{\rm{SS}}}}{\rm{ + }}\sqrt {1{\rm{ + }}2\beta {C_{{\rm{SS}}}}} }}^{[20]}}, $ | (25) |
其中
λ/nm | α | β |
561 | 0.049 3 | 35.335 2 |
620 | 0.065 2 | 20.471 1 |
655 | 0.076 3 | 11.530 6 |
709 | 0.076 | 10.61 |
779 | 0.094 | 3.502 7 |
本文采用了多波段滑动策略的估算方法[20]和第655波段反演了悬浮物浓度, 具体步骤如下:
若Rrs(620) < 0.010, 选用561 nm波段的SERT模型
若Rrs(708) < 0.018, 选用620 nm波段的SERT模型
若Rrs(778) < 0.023, 选用708 nm波段的SERT模型
否则, 选用778 nm波段的SERT模型。
黄河口处的悬浮物基本以悬浮泥沙为主, 因此SERT模型可用于黄河口悬浮物浓度反演。
2.2 算法验证和遥感应用利用如下方式检验四个半分析模型的反演精度:决定系数(R2)、平均百分比误差(Mean Absolute Percentage Error, MAPE)、均方根误差(root mean square error, RMSE)和平均比值(RATIO)。
$ {\rm{MPAE}} = \frac{1}{n}\sum\nolimits_{i = 1}^n {\left| {\frac{{{x_i} - {y_i}}}{{{x_i}}}} \right|} \left( {100{\rm{\% }}} \right), $ | (26) |
$ {\rm{RMSE}} = \sqrt {\frac{1}{n}\sum\nolimits_{i = 1}^n {{{\left( {{x_i} - {y_i}} \right)}^2}} } , $ | (27) |
$ {\rm{RATIO}} = \frac{1}{n}\sum\nolimits_{i = 1}^n {\left( {\frac{{{x_i}}}{{{y_i}}}} \right)} , $ | (28) |
其中n为样本个数; xi为实测SPM浓度; yi为反演的SPM浓度。
将SPM算法应用于2017年4景大气校正之后的Landsat-8OLI影像, 反演得到研究区悬浮物浓度时空分布图。
3 结果 3.1 模型检验 3.1.1 单个模型利用129组实测SPM和Rrs数据检验了上述四种半分析模型。图 3为模型反演的SPM与实测值散点图。Nechad561模型在低浓度区域(< 30 mg/L)的散点集中分布于在1︰2线和2︰1线以内, 反演结果较好, 然而在中高浓度区域(> 30 mg/L)存在偏离, R2为0.23、RMSE为338.7 mg/L。Nechad665模型在低浓度区域和中高浓度区域的散点存在偏离, 均出现超过1︰2线和2︰1线的散点, R2为0.39、RMSE为326.3 mg/L。Nechad865模型在中高浓度区域的散点分布于1︰2线和2︰1线以内, 低浓度区域存在偏离, R2为0.82、RMSE为232.6 mg/L。QAA561模型在低浓度区域反演精度较好, 在中高浓度区域散点出现分散, R2为0.63, RMSE为266.04 mg/L。QAA561模型反演精度较低, R2只有0.49, 散点偏离1︰2线程度较大, 反演值大于实测值。QAA865模型反演精度较高, 散点较好地分布于1︰1线周围, 但在中高浓度区域和低浓度区域均存在误差, R2为0.87, RMSE为229.7 mg/L。最优化模型在中高浓度区域和低浓度区域也存在散点的偏离, R2为0.79, RMSE为207.5 mg/L, 无法应用于OLI图像。SERT665模型反演精度较低, R2为0.44, RMSE达到了42 467.14。SERT滑动模型反演精度较高R2为0.76, RMSE较高, 为1 317.13 mg/L。低浓度区散点出现分散, 在中高浓度区偏离了实测值。但无法将该模型应用在本文遥感影像中。
![]() |
图 3 模型反演的SPM和实测SPM散点图 Fig. 3 Scatter plot of model-retrieved SPM and in-situ SPM, (a) Nechad561, (b) Nechad655, (c) Nechad865, (d) QAA 561model, (e) QAA655 model, (f) QAA 865model, (g) SERT655 model, (h) SERT model, and (i) optimization model 注: a: Nechad561, b: Nechad655, c: Nechad865, d: QAA561模型, e: QAA655模型, f: QAA865模型, g: SERT655模型, h: SERT滑动模型, i:最优化模型 |
这些结果表明, 可以把两个Nechad模型结合起来, 在低浓度区域采用Nechad561型, 在中高浓度区域采用Nechad865模型, 建立新的Nechad分段模型反演大范围悬浮物浓度水域。用相同的方法, 把QAA561和QAA865模型相结合, 建立QAA分段模型。
3.1.2 分段模型由3.1.1节的结果可知, 由于黄河口水域悬浮物浓度变化范围较大(3.8~2 301mg/L), 单一算法不适合于此区域的SPM反演。因此, 根据实测SPM和遥感反射率建立了基于QAA算法和Nechad算法的分段模型。见图 4(a)为分段模型建立, (b1)为QAA分段模型检验, (b2)为Nechad分段模型检验。
![]() |
图 4 分段模型(a)模型建立(界限); 模型检验(b) Fig. 4 Segmented model(a) model construction: QAA561 or Nechad561 when ρw < 0.00955, QAA865 or Nechad 865 when ρw > =0.009 55 and (b) model validation 注: a:当ρw < 0.009 55时, 用QAA561或Nechad561;当ρw > = 0.009 55时, 用QAA865或Nechad865 |
利用ρw(865)值可以将研究区水域划分为低浓度和中高浓度水体。从图 4(a)中看出ρw(865)和SPM变化趋势一致, ρw(865)随SPM浓度的增加而上升, 在SPM=30mg/L处出现拐点, 对应的ρw(865)值为0.009 55。因此, 以ρw(865)=0.009 55点作为分界值, 将研究区水域分为低浓度和中高浓度的水体, 在低浓度区域(图 4(a)中红线左侧区域)采用QAA561模型或Nchad561模型, 在中高浓度区域(图 4(a)中红线右侧区域)采用QAA865模型或Nchad865模型。从图 4(b1, b2)中可以看出, 分段模型得到的SPM与实测值有很好的一致性, 散点基本分布于1︰2线和2︰1线以内, SPM浓度大于1 000 mg/L的四个散点处于悬浮物饱和状态, 无法用分段模型反演。QAA模型R2为0.86, MAPE为38.5%, RMSE和RATIO分别为229.64 mg/L和1.12。Nechad分段模型R2为0.82, MAPE为34.3%, RMSE和RATIO分别为232.5 mg/L和1.18。分段模型得到的SPM反演结果优于单一Nechad模型、QAA模型、最优化模型和SERT模型。因此, 本文将QAA分段模型和Nechad分段模型应用于遥感图像。
3.2 模型遥感应用 3.2.1 大气校正结果验证利用2015年6月5日的Rrs数据, 检验了时空匹配的OLI数据大气校正结果。图 5为实测与Landsat-8 OLI数据遥感反射率对比图。结果表明, 可见光波段处的校正精度较好, 近红外波段存在较大的不确定性, 然而低SPM浓度水域的ρw(865)值均较小。因此本文建立的分段模型可应用于OLI数据进行SPM反演。
![]() |
图 5 实测数据与Landsat-8 OLI数据遥感反射率对比 Fig. 5 Comparison of remote sensing reflectances of measured and OLI data |
图 6为QAA分段模型(上面4个)和Nechad分段模型(下面4个)得到的黄河口悬浮物浓度四季分布图。在河口区域出现了4个站位的SPM高浓度值(> 1 000 mg/L), 大部分站位浓度值都低于300 mg/L, 为了8个图像的表现效果(8个图的图例范围一致起来, 使得能够在同一水平上对比分析), SPM取值为0~300 mg/L。
![]() |
图 6 黄河口悬浮物浓度时空分布图 Fig. 6 SPM distribution maps of the Yellow River estuary |
悬浮物浓度季节性分布的总体态势是冬(2017年12月19日)、春(2017年3月6日)高, 夏(2017年7月12日)、秋(2017年9月30日)低, 悬浮物浓度高值区域主要集中在黄河口附近。这种变化特征与Zhang等[31]和Qiao等[32]的研究结果一致。更重要的是, 同一影像的分段模型和QAA分段模型反演结果在数量集上存在差别, 但空间分布趋势一致。因此, 图 7中定量对比了分段模型与QAA模型的SPM值。从图 7中可以看出, 两种模型得到的SPM浓度呈较好的相关性, 斜率和截距在四个季度基本一致。这种结果间接表明了Nechad和QAA模型的适用性和通用性较高。
![]() |
图 7 Nechad分段模型与QAA分段模型在OLI影像上的SPM浓度对比 Fig. 7 SPM concentrations ofNechadand QAA segmented modelsin OLI images: (a) March 6, 2017, (b) July12, 2015, (c) September 30, 2017, and (d) December 19, 2017 注: a: 2017年3月6日, b: 2017年7月12日, c: 2017年9月30日, d: 2017年12月19日 |
为了验证遥感反射率变化对分段模型的影响, 进行了分段模型的误差敏感性分析。在遥感反射率光谱数据中引入随机误差, 随机误差服从均值为0, 标准差为10%、20%、30%、40%、50%、100%、200%和300%的正态分布。每种误差引入5 000次, 取平均结果。图 8a为Nechad分段模型敏感性分析图, 图 8b为QAA分段模型敏感性分析图, 表 4为分段模型敏感性分析统计量。可以看出Nechad分段模型散点的变动非常小, 散点基本分布在1︰2和2︰1线之内。随机误差从0%到50%, R2只减少了0.19, 平均百分比误差增加只有13.3%, 误差控制在50%以内, 说明该模型是稳定可靠的。QAA分段模型散点的变动非常大, 随机误差从0%到50%, R2减少了0.28, 平均百分比误差增加了27.1%, 随机误差增加到50%以后, 散点开始偏离1︰1线, 误差越大散点的分布越广。这可能QAA模型的经验参数较多有关。
![]() |
图 8 模型敏感性分析 Fig. 8 Model sensitivity analysis: (a) Nechad segmented model and (b) QAA segmented model 注: a: Nechad分段模型; b: QAA分段模型 |
波段/nm | MAPE | RMSE/(mg/L) | RATIO | R2 |
443 | 18.9% | 0.01 | 0.94 | 0.73 |
483 | 16.4% | 0.01 | 1.11 | 0.75 |
561 | 17.6% | 0.02 | 1.22 | 0.85 |
655 | 25.2% | 0.02 | 1.18 | 0.92 |
865 | 77.3% | 0.02 | 0.75 | 0.82 |
模型 | 误差 | MAPE | RMSE | RATIO | R2 |
Nechad分段模型 | 0% | 34.3% | 232.51 | 1.18 | 0.82 |
10% | 35.0% | 232.92 | 1.19 | 0.81 | |
20% | 36.8% | 233.94 | 1.22 | 0.78 | |
30% | 39.7% | 234.78 | 1.26 | 0.74 | |
40% | 43.4% | 237.63 | 1.42 | 0.68 | |
50% | 47.6% | 240.05 | 1.78 | 0.63 | |
100% | 73.3% | 264.02 | 1.18 | 0.38 | |
200% | 132.9% | 343.24 | 1.68 | 0.20 | |
300% | 195.5% | 443.44 | 1.31 | 0.16 | |
QAA分段模型 | 0% | 38.4% | 229.64 | 1.12 | 0.86 |
10% | 40.8% | 228.67 | 1.10 | 0.86 | |
20% | 54.0% | 228.47 | 1.00 | 0.80 | |
30% | 57.1% | 227.66 | 1.06 | 0.74 | |
40% | 61.4% | 229.30 | 1.22 | 0.66 | |
50% | 65.5% | 249.04 | 1.51 | 0.58 | |
100% | 82.4% | 850.99 | 2.54 | 0.36 | |
200% | 149.2% | 3 077.70 | 2.58 | 0.14 | |
300% | 326.7% | 12 912.21 | 2.44 | 0.08 |
通过上述结果发现, SERT655模型, SERT滑动模型, 最优化模型, QAA模型和Nechad模型整体上均可得到较好的SPM反演结果。然而, 四种模型在低、中高浓度SPM水域中的表现均不同。
SERT655模型反演精度较低, 算法类似于Nechad算法, SERT滑动模型反演精度较高, 在中高浓度和低浓度水体的反演精度较好, 适合反演大范围悬浮物水体。最优化模型能够同时获取多种参数, 然而只适合于高光谱遥感影像, 无法应用于少波段的光学数据, 如OLI影像。QAA模型也可以同时获取多种生物光学参量, 且应用于多种传感器, 然而模型的经验参数较多, 可能导致模型的稳定性降低。Nechad模型简单且易于实现, 相比其他三个模型可应用于多种光学传感器。虽然单个模型在不同SPM浓度水体中的表现不同, 但是通过水体的光学分类, 可将不同波段的QAA模型和Nechad模型结合起来。如: QAA561模型和Nechad561模型对反演低浓度水体上有优势, 但是不适合反演中高浓度浑浊水; QAA865模型和Nechad865模型在中高浓度水域的反演结果很好。因此, 结合561 nm和865 nm波段的分段模型的反演结果非常好。
5 结论本文利用黄河口129组现场实测数据对比分析了四种半分析模型。对SERT模型采用了多波段滑动策略的估算方法, 反演结果较好, R2为0.76, 适合大范围浓度水域, 但不适合应用于本文OLI遥感影像。SERT655模型反演精度较低, R2为0.44, 因此, 不应用于遥感影像。最优化模型的反演精度也较高, R2为0.78。QAA模型在561 nm波段处的反演精度较高, R2为0.63, 在低浓度区域反演精度高, QAA模型在655 nm波段处的反演精度最低, R2只有0.49, 反演值被高估, QAA模型在865 nm波段处的反演精度高, R2达到了0.87, 在中高浓度区域反演结果好。Nechad模型在不同水域中的SPM反演精度不同。561 nm波段处的Nechad模型在低浓度水域反演结果较好, 665 nm波段处的模型虽然适合于低浓度SPM水域, 但是在低浓度和中高浓度水域误差较大, 865 nm波段处的Nechad模型在中高浓度水域的反演结果很好。然而模型的区域性特征也很明显。
因此, 本文采用QAA分段模型和Nechad分段模型反演黄河口悬浮物浓度。以ρw(865)=0.009 55值划分低浓度和中高浓度水体, 在低浓度区域采用QAA561模型或Nechad561模型, 中高浓度区域采用QAA865模型或Nechad865模型。分段模型的反演结果均优于单一模型。根据误差敏感性分析可知, Nechad分段模型对遥感反射率误差不敏感, 稳定可靠, QAA分段模型稳定性较高。QAA分段模型和Nechad分段模型应用于Landsat-8OLI遥感数据, 获取了黄河口悬浮物浓度时空分布图。结果表明黄河口悬浮物浓度冬季和春季高, 夏季和秋季低。高值区域主要集中在黄河口附近。两种模型得到的SPM值在数量集上存在差异。然而, 空间分布趋势基本一致, 相关性较高。除了秋季节, R2接近1, 斜率和截距都很相似。在秋季节R2较高, 斜率和截距出现波动。结果表明两种算法具有较好的通用性。
[1] |
Doxaran D, Froidefond J M, Castaing P, et al. Dynamics of the turbidity maximum zone in a macrotidal estuary (the Gironde, France): observations from field and MODIS satellite data[J]. Estuarine Coastal & Shelf Science, 2009, 81(3): 321-332. |
[2] |
Loisel H, Mangin A, Vantrepotte V, et al. Variability of suspended particulate matter concentration in coastal waters under the Mekong's influence from ocean color (MERIS) remote sensing over the last decade[J]. Remote Sensing of Environment, 2014, 150(2): 218-230. |
[3] |
Gokul E A, Shanmugam P, Sundarabalan B, et al. Modeling the inherent optical properties and estimating the constituents׳ concentrations in turbid and eutrophic waters[J]. Continental Shelf Research, 2014, 84: 120-138. DOI:10.1016/j.csr.2014.05.013 |
[4] |
Cheng Z, Wang X, Paull D, et al. Application of the geostationary ocean color imager to mapping the diurnal and seasonal variability of surface suspended matter in a macro-tidal estuary[J]. Remote Sensing, 2016, 8(244). |
[5] |
Novoa S, Doxaran D, Ody A, et al. Atmospheric corrections and multi-conditional algorithm for multi-sensor remote sensing of suspended particulate matter in low-to- high turbidity levels coastal waters[J]. Remote Sensing, 2017, 9(1). |
[6] |
Tassan S. Local algorithms using SeaWiFS data for the retrieval of phytoplankton, pigments, suspended sediment, and yellow substance in coastal waters[J]. Applied Optics, 1994, 33(12): 2369-2378. DOI:10.1364/AO.33.002369 |
[7] |
Ostlund C, Flink P, Strömbeck N, et al. Mapping of the water quality of Lake Erken, Sweden, from imaging spectrometry and Landsat Thematic Mapper[J]. Science of the Total Environment, 2001, 268(1-3): 139. DOI:10.1016/S0048-9697(00)00683-5 |
[8] |
Doxaran D, Froidefond J M, Castaing P. Remote-sensing reflectance of turbid sediment-dominated waters. Reduction of sediment type variations and changing illumination conditions effects by use of reflectance ratios[J]. Applied Optics, 2003, 42(15): 2623-2634. DOI:10.1364/AO.42.002623 |
[9] |
Islam M R, Begum S F, Yamaguchi Y, et al. The Ganges and Brahmaputra rivers in Bangladesh: basin denudation and sedimentation[J]. Hydrological Processes, 2015, 13(17): 2907-2923. |
[10] |
Sławomir B Woźniak, Mirosław Darecki, Monika Zabłocka, et al. New simple statistical formulas for estimating surface concentrations of suspended particulate matter (SPM) and particulate organic carbon (POC) from remote-sensing reflectance in the southern Baltic Sea[J]. Oceanologia, 2016, 58(3): 161-175. DOI:10.1016/j.oceano.2016.03.002 |
[11] |
D'Sa E J, Miller R L, Mckee B A. Suspended particulate matter dynamics in coastal waters from ocean color: Application to the northern Gulf of Mexico[J]. Geophysical Research Letters, 2007, 34(23): 5423-5427. |
[12] |
Dogliotti A I, Ruddick K G, Nechad B, et al. A single algorithm to retrieve turbidity from remotely-sensed data in all coastal and estuarine waters[J]. Remote Sensing of Environment, 2015, 156: 157-168. DOI:10.1016/j.rse.2014.09.020 |
[13] |
Kari E, Kratzer S, Harvey E T. Retrieval of suspended particulate matter from turbidity – model development, validation, and application to MERIS data over the Baltic Sea[J]. International Journal of Remote Sensing, 2017, 38(7): 1983-2003. DOI:10.1080/01431161.2016.1230289 |
[14] |
Sidik M B J, Gohin F, Bowers D, et al. The relationship between suspended particulate matter and turbidity at a mooring station in a coastal environment: consequences for satellite-derived products[J]. Oceanologia, 2017, 59(3): 365-378. DOI:10.1016/j.oceano.2017.04.003 |
[15] |
Nechad B, Ruddick K G, Park Y. Calibration and validation of a generic multisensor algorithm for mapping of total suspended matter in turbid waters[J]. Remote Sensing of Environment, 2010, 114(4): 854-866. DOI:10.1016/j.rse.2009.11.022 |
[16] |
Lee Z, Carder K L, Arnone R A. Deriving inherent optical properties from water color: a multiband quasi-analytical algorithm for optically deep waters[J]. Appl Opt, 2002, 41(27): 5755-5772. DOI:10.1364/AO.41.005755 |
[17] |
Alcântara E, Curtarelli M, Ogashawara I, et al. Developing QAA-based retrieval model of total suspended matter concentration in Itumbiara reservoir, Brazil[C]// Geoscience and Remote Sensing Symposium. IEEE, 2015: 711-714.
|
[18] |
Sun D, Qiu Z, Hu C, et al. A hybrid method to estimate suspended particle sizes from satellite measurements over Bohai Sea and Yellow Sea[J]. Journal of Geophysical Research Oceans, 2016, 121. |
[19] |
Giardino C, Candiani G, Bresciani M, et al. BOMBER: A tool for estimating water quality and bottom properties from remote sensing images[J]. Computers & Geosciences, 2012, 45(6): 313-318. |
[20] |
Shen Fang, Verhoef Wouter, Zhou Yunxuan, Salama Mhd. Suhyb, Liu Xiaoli. Satellite estimates of wide- range suspended sediment concentrations in Changjiang (Yangtze) estuary using MERIS data[J]. Estuaries and Coasts, 2010, 33(6): 1420-1429. DOI:10.1007/s12237-010-9313-2 |
[21] |
Constantin S, Doxaran D, Derkacheva A, et al. Multi- temporal dynamics of suspended particulate matter in a macro-tidal river Plume (the Gironde) as observed by satellite data[J]. Estuarine Coastal & Shelf Science, 2018, 202C: 172-184. |
[22] |
Eleveld M A, Wal D V D, Kessel T V. Estuarine suspended particulate matter concentrations from sun-synchronous satellite remote sensing: Tidal and meteorological effects and biases[J]. Remote Sensing of Environment, 2014, 143(3): 204-215. |
[23] |
Lee Z, Carder K L, Mobley C D, et al. Hyperspectral remote sensing for shallow waters. Ⅰ. A semianalytical model[J]. Appl Opt, 1998, 37(27): 6329-6338. DOI:10.1364/AO.37.006329 |
[24] |
Lee Z, Carder K L, Mobley C D, et al. Hyperspectral remote sensing for shallow waters. 2. Deriving bottom depths and water properties by optimization[J]. Applied Optics, 1999, 38(18): 3831-3843. DOI:10.1364/AO.38.003831 |
[25] |
崔廷伟, 张杰, 马毅, 等. 渤海悬浮物分布的遥感研究[J]. 海洋学报, 2009, 31(5): 10-18. Cui Tingwei, Zhang Jie, Ma Yi, et al. The study on the distribution of suspended particulate matter in the Bohai Sea by remote sensing[J]. Acta Oceanologica Sinica, 2009, 31(5): 10-18. |
[26] |
Qing S, Zhang J, Cui T, et al. Remote sensing retrieval of inorganic suspended particle size in the Bohai Sea[J]. Continental Shelf Research, 2014, 73: 64-71. DOI:10.1016/j.csr.2013.11.020 |
[27] |
唐军武, 田国良, 汪小勇, 等. 水体光谱测量与分析Ⅰ:水面以上测量法[J]. 遥感学报, 2004, 8(1): 37-44. Tang Junwu, Tian Guoliang, Wang Xiaoyong, et al. The methods of water spectra measurement and analysis Ⅰ: Above-water method[J]. Journal of Remote Sensing, 2004, 8(1): 37-44. |
[28] |
Vanhellemont Q, Ruddick K. Turbid wakes associated with offshore wind turbines observed with Landsat 8[J]. Remote Sensing of Environment, 2014, 145(8): 105-115. |
[29] |
Vanhellemont Q, Ruddick K. Advantages of high quality SWIR bands for ocean colour processing: examples from Landsat-8[J]. Remote Sensing of Environment, 2015, 161: 89-106. DOI:10.1016/j.rse.2015.02.007 |
[30] |
Tang Rugang, Shen Fang, Pan Yanqun, Kevin Ruddick, Shang Pei. Multi-source high-resolution satellite products in Yangtze Estuary: cross-comparisons and impacts of signal-to-noise ratio and spatial resolution[J]. Optics Express, 2019, 27(5): 6426-6440. DOI:10.1364/OE.27.006426 |
[31] |
Zhang M, Dong Q, Cui T, et al. Suspended sediment monitoring and assessment for Yellow River estuary from Landsat TM and ETM+ imagery[J]. Remote Sensing of Environment, 2014, 146: 136-147. DOI:10.1016/j.rse.2013.09.033 |
[32] |
Qiao S, Shi X, Zhu A, et al. Distribution and transport of suspended sediments off the Yellow River (Huanghe) mouth and the nearby Bohai Sea[J]. Estuarine Coastal and Shelf Science, 2010, 86(3): 337-344. DOI:10.1016/j.ecss.2009.07.019 |