基于高光谱影像湖泊叶绿素a浓度反演分析

针对湖泊叶绿素a浓度的快速变化及水体富营养化问题,以太湖水体为例,利用太湖区域2019年10月、11月和12月的珠海一号高光谱影像,采用波谱特征分析、主成分分析、皮尔逊相关系数、建立反演模型分析江苏省太湖区域水体叶绿素a浓度的分布状态以及时空变化状况。通过主成分分析划分与水体信息相关的成分,提出采用珠海一号高光谱影像的中红外波段建立耦合可见光和近红外辐射信号的WCI模型。结果表明:(1)水体光谱曲线特征与主成分分析结果一致,分别为光合作用波段、细胞散射波段和水体增温波段。(2)改进的耦合可见光与中红外辐射信号的建立的WCI模型的反演精度最高,均方根误差RMSE为(1.4008 mg·L^-1),平均相对误差(MRE)为10.69%。(3)2019年10月一12月间,湖泊叶绿素浓度整体变化不大,太湖叶绿素a浓度的遥感反演结果总体上呈现为湖西区域浓度较低,湖东区域浓度较高的特征。     

真光层深度的遥感反演及其在富营养化评价中的应用

真光层深度直接影响水体中浮游植物的分布和初级生产力以及水体生态环境,是水生态研究的一个重要参数.利用2006年10月24日～11月2日太湖水下实测光谱数据和光合有效辐射(PAR)数据,通过数据的处理和分析,尝试建立真光层深度与水面以下遥感反射率的关系模型,并利用真光层深度与透明度的关系,建立水体富营养化真光层深度评价模型.研究结果表明:真光层深度与归一化遥感反射率具有很好的相关性;选用特定波段的归一化反射率作为变量,建立两者的关系模型能较好的反演真光层深度,所建立的模型算法中,指数模型拟合方程的综合效果好于其他模型,波段比值算法反演精度要好于单波段算法;利用利用真光层深度进行富营养化评价具有一定的应用价值,利用该模型对太湖水体进行富营养化评价,得出太湖西部湖区大部分已富营养化,东部湖区处于中营养化和轻度富营养化状态.     

基于光谱特征和HSV变换融合MODIS影像的滇池叶绿素a浓度监测

使用实测高光谱数据,研究滇池水体的光谱特征,应用统计方法建立滇池叶绿素a浓度的高光谱反演模型,并基于滇池水体的光谱特征,运用HSV变换融合遥感影像技术,监测水体叶绿素a浓度分布。结果表明:滇池水体光谱的反射峰位于550和700nm附近;此2个反射峰的位置和大小对水体叶绿素a浓度的变化反应最敏感。随着水体叶绿素a浓度升高,2个反射峰的峰值越接近,同时,550nm附近反射峰向短波方向偏移,而700nm附近反射峰向长波方向偏移。用这2个反射峰峰值的差值作为参数建立的滇池水体叶绿素a浓度估测模型,其精度较高;HSV变换融合MODIS遥感影像的假彩色合成图能直观反演滇池水体叶绿素a浓度的空间分布。     

基于ETM+影像的千岛湖叶绿素a浓度卫星遥感反演研究

以千岛湖为研究对象,利用Landsat 7 ETM+遥感影像与野外实测数据,建立叶绿素a浓度的遥感定量反演模型。将叶绿素a浓度与波段反射率组合进行Pearson相关性分析,选择(B4+B2)/B3波段组合构建叶绿素a反演模型,并得到千岛湖叶绿素a浓度的时空分布。结果表明:(1)2007年千岛湖叶绿素a浓度低于4μg/L的水体面积占水体总面积达到99%以上,整体水质优良;(2)千岛湖叶绿素a浓度随季节变化特征明显,夏季容易出现局地高值,秋季平均浓度整体升高;(3)通过反演不同时期的叶绿素a浓度分布,可以刻画出千岛湖藻类的消长过程,从空间上发现易爆发富营养化的区域。该反演模型能较为精确地估算千岛湖的叶绿素a浓度,对今后水体富营养化的监测和预警具有重要意义。     

乌梁素海冰封期浮游植物分布特征及其与水质指标的关系北大核心CSCD

为揭示寒旱区冰封期富营养化湖泊水体中浮游植物群落结构及其与水质指标的响应关系,该研究以乌梁素海为对象,于2019年1月在湖区设立12个采样点采集水样及浮游植物,通过对浮游植物定性定量检测和水体理化性质测定分析,以明确冰封期乌梁素海浮游植物群落结构空间变化特征及主要水质指标的分布规律;结合RDA分析和Pearson相关性分析揭示了浮游植物与水质指标的响应关系,为水体富营养化程度评估及防控提供理论依据。结果显示:(1)冰封期乌梁素海12个样点的水质指标特征差异明显,各水质指标从北到南具有不同的变化趋势。(2)冰封期乌梁素海共检出浮游植物61种,其中隐藻门的丰度最高(4.76×10^(6)个·L^(-1)),甲藻门的生物量最高(18.09 mg·L^(-1)),但湖区不同位置的优势浮游植物类群有所差异,北湖区蓝隐藻和伪鱼腥藻丰度明显高于南湖区。(3)不同种类的浮游植物在空间分布上存在明显的差异,且在P3样点的多样性最低,P8样点的多样性最高,并发现中、下湖区物种类型多且组成较为均匀。(4)浮游植物的丰度与TP呈显著正相关关系,生物量与TP呈极显著正相关关系,多样性指数与TP呈正相关关系。研究表明,冰封期乌梁素海水体处于中等营养水平,水体中总磷(TP)含量是影响浮游植物物种丰度和生物量的主要影响因子;寒旱区冰封期富营养化湖泊浮游植物分布特征为北湖区隐藻门、蓝藻门和甲藻门占优势;南湖区中绿藻门丰度最高。     

湿地小叶章叶绿素含量的高光谱遥感估算模型

通过实测不同覆盖度和水深状况下小叶章(Calamagroestis angustifolia)的冠层高光谱反射率与叶绿素a(Chl-a)浓度,采用高光谱可见光-近红外波段及其微分光谱波段(350～1050 nm)逐波段构建FNDVI、FRVI、FDVI、FDNDVI、FDRVI和FDDVI植被指数,分别找出与Chl-a具有最佳相关性波段组合的植被指数,建立小叶章Chl-a含量的最佳估算模型,并对比分析了最佳模型与线性模型的预测精度.结果显示:微分光谱植被指数与Chl-a的最佳预测模型(FDNDVI、FDRVI和FDDVI)比反射率植被指数最佳模型(FNDVI、FRVI和FDVI)的预测精度分别提高了6.86%、4.82%和10.10%;植被指数(FNDVI、FD-VI、FDNDVI和FDRVI)与Chl-a含量具有较好的线性关系,而最佳模型比线性模型预测精度仅仅提高了0.60%、1.40%、1.02%和0.93%,可以用简单的线性模型反演湿地小叶章的Chl-a含量.     

基于GOCI影像的湖泊悬浮物浓度分类反演

悬浮物直接影响到光在水体中的传播,进而影响着水生生态环境,最终决定了湖泊的初级生产力。传统的遥感反演估算模型大多是针对某一湖区进行统一建模,忽视了不同区域水体光学性质的复杂差异性,并且传统的传感器时间分辨率和空间分辨率受到一定限制。针对太湖、巢湖、滇池、洞庭湖4个湖区利用两步聚类法将高光谱模拟到GOCI影像上的波段进行分类,将水体类型分为三类,第一类水体为悬浮物主导的水体,第二类水体为悬浮物和叶绿素a共同主导的水体,第三类水体为叶绿素a主导的水体。针对不同类型水体的光学特征,分别构建了悬浮物浓度反演模型,结果表明第一类水体可以利用B7/B4,第二和第三类水体可以利用B7/(B8+B4)作为波段组合因子对悬浮物浓度进行模型构建。精度验证结果表明,分类建模后第一类和第三类水体悬浮物浓度估算精度都得到了较明显提高,第一类水体RMSE降低了9.19mg/L,MAPE降低了3%,第三类水体RMSE降低了5.63 mg/L,MAPE降低了13.97%,第二类水体精度稍有降低。最后将反演模型应用于2013年5月13日的GOCI影像,可知整体而言太湖西南部地区悬浮物浓度较高,东北部地区悬浮物浓度较低,并且从9:00到15:00,太湖南部悬浮物浓度较高的区域在逐渐缩小。     

基于云模型的鄱阳湖秋季周边湿地水体富营养化评价

针对水体富营养化评价过程中存在随机性和模糊性的特点,基于鄱阳湖周边湿地30个采样点的实测水质数据,选取叶绿素a（Chl-a）、总磷（TP）、总氮（TN）、高锰酸盐指数（COD_Mn）及透明度（SD）为水质评价因子,生成云模型对鄱阳湖周边湿地水体进行富营养化评价,并与综合营养状态指数评价结果进行比较。结果表明：两种方法的评价结果存在一定差异,但都反映了鄱阳湖周边湿地水体总体上处于轻度富营养化状态。该方法能为鄱阳湖湿地水体富营养化评价提供重要的方法和手段。     

乌梁素海浮游细菌群落结构及其对富营养化因子的响应

【目的】揭示乌梁素海浮游细菌的群落结构及其对富营养化环境因子的响应,认识乌梁素海浮游细菌多样性,以丰富微生物与富营养化关系的理论。【方法】提取水体浮游细菌总DNA,利用细菌通用引物对63F/1387R进行PCR扩增,构建小口、沙尖北和红圪卜3个湖区16S rRNA基因克隆文库;以典型对应分析(CCA)方法解析浮游细菌群落结构对环境因子的响应。【结果】各湖区中富营养化程度最重的红圪卜位点细菌多样性、丰富度及均匀度最高,而富营养化程度最轻的小口位点细菌多样性、丰富度及均匀度最低。Proteobacteria、Bacteroidetes和Actinobacteria为水体中优势类群。α-、γ-、δ-Proteobacteria,Actinobacteria及Bacteroidetes等菌群丰度随着水体的富营养化程度改变而有显著的变化。各湖区皆存在许多可能具有污染物降解及驱动生源要素循环能力的细菌类群。CCA分析表明TN、NH4+、NO3-和COD等水体指标对浮游细菌群落结构组成的影响较大。此外,乌梁素海水体内未知细菌类群很多;且不同于一般淡水生态系统,乌梁素海中存在9.6%的轻度嗜盐碱性细菌。【结论】乌梁素海水体中浮游细菌多样性较高,细菌群落结构复杂、其类群组成与富营养化因子紧密相关。     

乌梁素海全季不同形态氮磷及浮游植物分布特征

为监测乌梁素海全季不同形态氮磷及浮游植物分布特征, 研究了乌梁素海2016年4—11月和2017年1月的不同形态氮磷和藻类的浓度变化。实验结果表明: 总氮浓度秋季最高, 总磷浓度冬季最高, 应加强对河套灌区农事行为的管理以减少氮磷等营养盐排入; 对乌梁素海12个监测点浮游植物镜检知共监测到浮游植物6门69属, 全年以硅藻、绿藻种群占优势; 乌梁素海各采样点浮游植物丰度在6.88×107—96.66×107 cell•L -1间变化, 浮游植物各种群丰度表现为春冬季低, 夏秋季高; 空间采样点丰度值由大到小顺序为南部明水区和出水口、N13（芦苇区）、进水口附近点位和Q10（旅游区）。掌握全季不同形态氮磷及浮游植物分布特征对各季度有针对性地治理湖泊水体意义重大, 为乌梁素海以及寒区富营养化湖泊的进一步修复提供理论支持与参考。     

Developing a two-step method for retrieving cyanobacteria abundance from inland eutrophic lakes using MERIS data

Cyanobacteria are the main dominant species in inland eutrophic lakes during algae blooms, and measures of cyanobacteria abundance can be used for monitoring and early detection of algal blooms by remote sensing. During May 2013 and August 2016, a total 137 water samples were collected from Lake Taihu and Lake Chaohu. Remote-sensing reflectance was measured, surface water was collected in the field, and chlorophyll-a concentration, phycocyanin concentration, suspended-matter concentration and phytoplankton pigment absorption parameters were measured in the laboratory. The composition and density of planktonic algae were also detected by microscope examination. The remote-sensing reflectance at 15 MERIS bands was simulated based on our measured spectral data, and a two-step method for detecting cyanobacteria abundance using the partial least squares model based on 5 MERIS bands was developed. The results showed that the estimation algorithm can predict cyanobacteria abundance in inland eutrophic lakes with satisfactory accuracy, with RMSE of 7.56 and MAPE of 13.44 %. This algorithm was successfully applied to the MERIS image acquired on August 12, 2010, and showed a reasonable spatial distribution of cyanobacteria abundance in Lake Taihu. It demonstrated that the developed estimation method was an effective way to monitor cyanobacteria abundance in water with a potential to be successfully applied to Sentinel-3 images.     

太湖春季水体固有光学特性及其对遥感反射率变化的影响

吸收特性和后向散射特性是水体重要的光学特性,同时也是建立生物光学模型的基本参数。利用2009年4月太湖春季实测数据,结合生物光学模型推导了太湖春季水体颗粒物后向散射系数,在此基础上分析了太湖春季水体的吸收特性和后向散射特性,并利用经验正交分解方法对遥感反射率变化的影响因子进行了分析。结果表明：（1）非色素颗粒物是影响太湖春季水体吸收特性的主导因子,色素颗粒物和CDOM对总吸收（不包含纯水）的贡献相对较小,且色素颗粒物在梅梁湾湖区的包裹效应明显大于其他湖区。（2）颗粒物后向散射系数与总悬浮物和无机悬浮物具有很强的相关性（相关系数均在0.88以上）,与有机悬浮物的相关性相对较弱（相关系数均在0.73以下）,且水体中多次散射对水面总辐亮度有较大的贡献,平均贡献率高达93.46%。（3）利用经验正交分解方法将遥感反射率变化光谱分解成3个正交因子,3个正交因子总共解释了约99%的遥感反射率变化信息,其中,第一正交因子解释了93%的变化信息,第二和第三正交因子分别解释了5%和1%的变化信息。通过对各正交因子与水体不同组分的吸收和后向散射系数进行相关性分析得出,颗粒物的后向散射对水面反射光谱的形成具有非常重要的影响,太湖春季水体遥感反射率的变化主要取决于无机颗粒物的吸收和后向散射,有机颗粒物对遥感反射率的变化影响较小。     

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。     

巢湖叶绿素a浓度的时空分布及其与氮、磷浓度关系

基于巢湖水体2002~2007年水质监测资料,对叶绿素a浓度的分布、动态及与TN、TP的关系进行了统计分析。巢湖叶绿素a浓度与TN、TP的浓度分布存在明显的空间差异,西半湖叶绿素a浓度全年高于20μg/L,TN为1.94~3.84mg/L,TP为0.20~0.42mg/L;东半湖叶绿素a浓度全年小于5.5μg/L,TN为0.95~1.83mg/L,TP为0.08~0.14mg/L。在东半湖,叶绿素a含量与TN呈不明显的正线性关系,当TP浓度较低时,叶绿素a随TP的增加小幅上升,但是当TP>0.15mg/L时,叶绿素a随TP的增加而明显上升;在西半湖,当水体TN<5.8mg/L或者TP<2.0mg/L时,叶绿素a含量与TN、TP关系为正线性关系,当TN在5.8~9.4mg/L或者TP介于0.2~0.3mg/L间时,叶绿素a含量与TN、TP关系为不显著的负线性关系,当TP浓度>0.3mg/L时,叶绿素a含量与TP关系又为正线性关系。西半湖叶绿素a浓度的变化可能是藻类生物活动与沉积物及水体中营养盐的相互作用结果。在治理巢湖富营养化时,应优先控制西半湖的磷元素。     

Estimation algorithm for chlorophyll-a concentrations in water from hyperspectral images based on feature derivation and ensemble learning

Multicollinearity between feature bands is one of the main interferences in the process of retrieving chlorophyll-a (Chl-a) concentration in water bodies from hyperspectral data. Meanwhile, the model capability is also a decisive factor for inversion accuracy. To eliminate multicollinearity between feature bands and enhance data-driven of the retrieve of Chl-a concentration, this study proposed a feature bands selection strategy (FD-FI) based on knee-point-detection and variance inflation factor (VIF). Then, to realize model-driven, nine machine learning algorithms are combined to construct a MixModel, which was compared with other models. Chl-a concentration in Nansi Lake was estimated using “Zhuhai-No.1” remote sensing images and field measured data. The results show that the FD-FI strategy can effectively eliminate multicollinearity between bands or band combinations (VIF < 7). Using the same model, the strategy proposed in this study has a higher accuracy than existing strategies. In the five-fold cross-validation, XGBoost_FD-FI obtained the best performance with Coefficient of Determinatio (R²) and Root Mean Squared Error (RMSE) of 0.8351 and 6.6477 μg/L. In addition, combined with MixModel, the FD-FI strategy further improves the accuracy of Chl-a retrieval with R² = 0.8664 and RMSE = 5.7926 μg/L. When the model was applied to remote sensing images, the Chl-a spatial distribution obtained by the FD-FI strategy on the four models was the most consistent. MixModel is more sensitive to very high and low Chl-a concentrations, and its generalisation is more stable. Overall, this study provides an innovative approach for the selection of feature bands and model construction for Chl-a retrieval from inland lakes.     

基于多源遥感信息融合的广东省土地利用分类方法——以雷州半岛为例

准确高效的获取土地利用信息对生态环境评价非常重要。广东省地处华南热带和亚热带季风气候区,经济作物种类繁多,土地覆盖破碎,为土地利用精确分类带来很大不确定性,而常年多云雨的天气也为有效光学影像的获取带来困难。为提高土地覆盖分类精度,以雷州半岛为实验区,综合应用Landsat-TM/ETM、多时相HJ光学影像,以及X波段Terra SAR数据,通过分析不同地物类型在光谱、极化以及多时相特征上的差别,对原始图像进行特征提取。在此基础上融合多源遥感信息的地物特征运用面向对象土地覆盖分类方法获取研究区高精度的土地利用信息。结果显示这一方法能有效提高土地覆盖利用信息获取精度,为研究生态环境变化提供更准确的数据支持。     

Mapping large-scale distribution of submerged aquatic vegetation coverage using remote sensing

This study investigated the potential of using remote sensing for mapping and monitoring of submerged aquatic vegetation (SAV) on a large scale. The spectral characteristics of SAV with varied coverage were measured using a portable spectroradiometer on a man-made lake at the Chongming International Wetland Park, Shanghai, China. A good relationship between the coverage of SAV and their field spectral characteristics was established and the reflectance of SAV increased with its increasing coverage. A regression analysis was then carried out between the coverage and the reflectance at the wavelengths of four QuickBird bands. After making an atmospheric correction from a synchronous QuickBird image for the study site, the image digital number (DN) was converted into the ground reflectance. The reflectance image was then deduced into a distribution map of SAV coverage by using the results of the regression functions between the coverage of SAV and the reflectance rate measured in situ. An accuracy assessment indicated that this approach could be used to quickly monitor the distribution and growth situation of SAV. The implications of this observation, in terms of the ability of remote sensing to estimate and monitor the distribution and dynamics of SAV on a large scale are discussed.     

1986—2019年新疆湖泊变化时空特征及趋势分析

干旱区湖泊是区域水资源系统的重要组成部分,不仅在维系区域生态系统平衡上发挥重要支撑作用,而且也对区域气候变化和人类活动具有重要的指示意义。基于Google Earth Engine(GEE)遥感云计算平台,以Landsat 5/7/8卫星遥感影像为主要数据源,分析了1986—2019年新疆维吾尔自治区湖泊数量以及面积变化的时空特征,并从气候要素变化、人类活动干扰等方面初步探讨了新疆湖泊变化的主要原因。结果表明：1986—2019年间,气温升高使得冰川积雪融水增加,新疆湖泊整体上呈现出扩张趋势。然而受人类活动的干扰程度以及地形海拔等因素,这种趋势存在显著的空间差异。全球变暖背景下,由于受到丰富稳定的雪冰融水的补给,受人为干扰较小的青藏高原北部地区湖泊呈现显著扩张。相反由于环天山地区强烈的人类活动以及冰川加速退缩影响,该区域湖泊面积持续高位波动状态。     

利用遥感光谱法进行农田土壤水分遥感动态监测

自 1 997年 4月至 1 998年 1 0月 ,在甘肃省定西县进行了大面积 0～ 5 0 cm土层农田土壤水分按每 1 5 d本底资料实际观测 ,对此间收到的 5幅 TM与 7幅 NOAA卫片数据资料进行了加工处理 ,并对地面光谱资料也进行了观测。在光谱反演与光谱和土壤水分相关性分析基础上 ,利用遥感技术和地理信息系统 ,初步建立了典型试验区 ( 3× 3km2 )遥感信息与土壤含水量之间的遥感光谱相关监测模型 ,做出了观测区土壤水分含量分布图和得到了大面积农田土壤水分宏观动态监测结果 ,并同地面实测土壤水分进行了精度校正。研究结果表明 ,文中提出的“光学植被盖度”概念 ,对土壤水分遥感监测研究是有益的 ,利用遥感光谱法和数学统计方法求出了有关物理参数 ,初步建立了 TM与 NOAA光谱水分监测模型 ,其模型监测 0～2 0 cm土层含水量的精度达到 90 %以上 ,实际监测土壤水分精度达到 72 .3% ;在遥感监测 2 0～ 5 0 cm土层土壤含水量中 ,利用遥感模型监测土壤水分精度达到 80 %以上 ,实际遥感监测精度达到 60 %左右 ,其结果可有效指导干旱半干旱雨养农业区春耕时间和动态监测大面积土壤墒情 ,可为农业生产提供科学依据。另外 ,经地面大量观测表明 ,一般来说 ,当土壤含水量为田间最大持水量的 5 5 %～ 85 %时 ,从生长状况和经济     

High-resolution satellite remote sensing of littoral vegetation of Lake Sevan (Armenia) as a basis for monitoring and assessment

Physics-based remote sensing in littoral environments for ecological monitoring and assessment is a challenging task that depends on adequate atmospheric conditions during data acquisition, sensor capabilities and correction of signal disturbances associated with water surface and water column. Airborne hyper-spectral scanners offer higher potential than satellite sensors for wetland monitoring and assessment. However, application in remote areas is often limited by national restrictions, time and high costs compared to satellite data. In this study, we tested the potential of the commercial, high-resolution multi-spectral satellite QuickBird for monitoring littoral zones of Lake Sevan (Armenia). We present a classification procedure that uses a physics-based image processing system (MIP) and GIS tools for calculating spatial metrics. We focused on classification of littoral sediment coverage over three consecutive years (2006–2008) to document changes in vegetation structure associated with a rise in water levels. We describe a spectral unmixing algorithm for basic classification and a supervised algorithm for mapping vegetation types. Atmospheric aerosol retrieval, lake-specific parameterisation and validation of classifications were supported by underwater spectral measurements in the respective seasons. Results revealed accurate classification of submersed aquatic vegetation and sediment structures in the littoral zone, documenting spatial vegetation dynamics induced by water level fluctuations and inter-annual variations in phytoplankton blooms. The data prove the cost-effective applicability of satellite remote-sensing approaches for high-resolution mapping in space and time of lake littoral zones playing a major role in lake ecosystem functioning. Such approaches could be used for monitoring wetlands anywhere in the world.