2015, Vol. 36
2. 中国科学院南京地理与湖泊研究所湖泊与环境国家重点实验室, 南京 210008;
3. 中国科学院大学, 北京 100049
2. State Key Laboratory of Lake Science and Environment, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China
水体中的总悬浮物(total suspended matter，TSM)对光具有强烈的吸收和散射作用，悬浮物浓度的分布直接决定着光在水体中的传播，从而影响着水体的透明度、 真光层深度等光学参数[1,2]，进而影响湖泊热量收支、 水生生物的生长和水体初级生产力[3]. 在遥感卫星发射之前，TSM浓度只能通过巡航采样获得，传统的处理方法缺乏空间性和实时性以致测得的湖泊环境与实际情况相距较大[4]. 然而，随着湖泊水色遥感的发展，TSM浓度的空间分布和动态变化可以通过全球覆盖的遥感技术加以监测. 因此，利用遥感卫星监测TSM浓度变化已经获得了广泛的关注并且在湖泊水色领域已经取得诸多进展[5]. 归纳起来利用遥感估算TSM的方法主要有基于分析的方法[6, 7, 8]、 基于半分析的方法[9, 10, 11, 12, 13]和基于经验的方法[14, 15, 16, 17]，而目前以经验和半分析方法为主. 分析方法的机制较为明确，但较为复杂[18]; 半分析的方法会因为受到光学测量误差的影响而限制此法的应用[12]; 经验的方法简单易于构建，而且在某种程度上可以降低大气校正误差带来的影响[14].
国内外基于经验方法对TSM浓度的研究多集中在较高浓度水体. 马荣华等[19]利用Landsat ETM数据的算术组合ETM4/ETM1较好地估测了太湖总悬浮物浓度; 邬明权等[20]以TM2、 TM3和TM3/TM2为自变量通过最小二乘法拟合得到的指数模型可以有效反演渤海总悬浮浓度; 温小乐等[21]构建了以TM3+TM2为自变量的闽江下游悬浮物估算模型，相关系数达到0.8; 管义国等[22]以Landsat TM/ETM+为数据源对其3、 4波段进行加法运算估算巢湖悬浮物浓度; Dekker等[23]利用Landsat TM的2、 3波段为变量对弗里斯兰湖区(Fluessen湖泊、 Sneekermeer湖泊、 Groote Brekken湖泊、 Koevordermeer湖泊、 Tjeukemeer湖泊和Slotermeer湖泊)总悬浮浓度进行估算. 这些湖泊年均TSM浓度分别为(61±50)、 (15±10)、 (25±12)、 (44±16)和(13~89)mg ·L-1. 以上学者通过比较不同悬浮物浓度的光谱曲线表明: 在690~900 nm波段，水体反射率随悬浮物含量的增加而单调增加，适合用来监测悬浮物. 但对于较清洁的水体，反射率在该位置的变化并不明显，因而限制其方法的进一步应用. 到目前为止，Landsat卫星数据是应用最多的遥感数据，它所提供的高空间分辨率影像可以很好地满足内陆水体的遥感探测要求，尤其是于2013年2月发射的Landsat 8卫星因其波段更多，波段划分更加精细，每个像元行的像元数目更多等特点很好地继承了Landsat系列数据的延续性.
新安江水库又名千岛湖，因水质清澈闻名于世，有学者研究表明，新安江水库全湖平均水质可达Ⅰ类水质标准[24]. 随着人口压力增加、 社会经济发展及资源的开发利用，我国水库水质环境面临着日益严峻的挑战，作为水质较好的一些水库未来将更多地成为饮用水源地. 新安江水库作为钱塘江的重要水源，对保障钱塘江中下游的水域生态安全及未来长三角饮用水供水安全起着极其重要的作用，因此迫切需要加强新安江水库水质监测和评价研究. 本文以新安江水库为研究区域，结合水质采样数据和Landsat 8遥感影像数据，构建新安江水库TSM浓度遥感估算模型，分析新安江水库TSM的空间变化及影响因素.
1 数据采集与处理 1.1 研究区及野外采样新安江水库位于中国浙江省杭州市西南部的淳安县和建德市境内，流域面积达10 442 km2，常年水位在108 m左右，主要包括浙江省的淳安县及安徽黄山地区的歙县、 休宁县等，入库河流30余条，在设计水位108 m时水面面积为573 km2，蓄水库容178.4×108 m3. 库区纵长150 km，最宽处10 km，最大水深100 m，平均水深30.44 m，岸线长度1 406 km，有1 078个岛屿. 新安江水库属亚热带湿润季风气候，多年平均气温17.8℃，平均降水量1 489.0 mm，平均蒸发量1 355.1 mm，多年入库净流量94.1×108 m3，出库水量91.07×108 m3，水体交换周期长达2 a，街口断面以上集雨面积6 000 km2，入库流量约占总流量的60%[25].
于2013年11~12月Landsat 8卫星过境时进行了2次野外同步实验. 其中11月12日布设了8个站点，11月29日至12月1日全湖采集60个水样(图 1). 采样时记录每个样点的经纬度、 风速、 风向等信息. 将水样低温冷藏，并当天送到实验室. 总悬浮物浓度采用常规的干燥、 烘烧、 称重法(GB 11901-89标准)测定，将Whatman GFF滤膜在105℃温度下烘干称重，然后过滤一定体积的水样在105℃温度下重新烘干称重，进而计算得到总悬浮物浓度[26].
 | 图 1 采样点分布示意Fig. 1 Distribution of sampling sites in Xin anjiang Reservoir |
考虑到新安江水库湖口狭窄的特点，中低分辨率遥感影像的像元尺度比新安江水库某些湖口的宽度还大，这就导致了大量混合像元的出现，从而造成反演精度的降低，因此需要基于较高空间分辨率的遥感影像来构建适合清洁内陆水体的TSM遥感估算模型. Landsat 8是太阳同步轨道卫星，轨道高度为705 km，轨道倾角是98.2°,每98.9 min绕地球一圈，其时间和空间分辨率与Landsat 5/Landsat 7一致. 与Landsat 5/Landsat 7相比，Landsat 8涵盖的波段更多、 波段划分更加精细，每景卫星数据的下行速率也由原来的150 Mbps提高到441 Mbps，数据总量是以往的3倍. 本研究选择与野外采样时间准同步的两景Landsat 8数据分别用于模型的构建和验证，其中与2013年11月12日对应的准同步卫星过境时间为2013年11月15日，与2013年11月29日至12月1日对应的准同步卫星过境时间为2013年12月1日，2013年11月29日至12月1日的60个样点用于模型的构建，2013年11月12日的8个样点用于模型的验证，由于新安江水库水体总悬浮物浓度随时间变化并不是很大，本研究采用的卫星过境时间和采样时间差以及两次采样时间差是可以接受的. 对获取的影像进行辐射定标和大气校正计算，辐射定标的目的是将遥感影像的DN(digital number)值转换为辐亮度; 大气校正是为了消除大气吸收和散射的影响，本研究采用6S模型[27]对影像进行大气校正，将辐亮度转换为地物表面的遥感反射率[28]. 6S模型是目前世界上发展较为完善的大气校正方法之一，非常适合可见光-近红外波段的数据，很多研究表明该模型的校正结果比其他模型的高，且计算时间快[29]，表 1给出了利用6S模型对2013年12月1日Landsat 8影像的第二、 三和八波段进行大气校正的参数设置.
 | 表 1 利用6S模型对2013年12月1日Landsat 8影像的第二、 三和八波段进行大气校正步骤Table 1 Example 6S input parameters from the band 2,band 3 and band 8 of Landsat 8 scene on December 1st,2013 |
运用SPSS 17.0进行数据统计分析，包括计算平均值、 最大值、 最小值、 绝对值、 标准差、 方差分析、 线性等，显著性水平用显著(P<0.05) 和不显著(P>0.05)表示. 模型系数确定采用最小二乘法非线性拟合得到，在Matlab软件中完成. 引入决定系数、 平均绝对百分比误差(mean absolute percentage error,MAPE)、 均方根误差(root mean square error,RMSE)和相对误差(relative error,RE)、 误差的绝对值(absolute error,abs)、 误差绝对值的最大值[MAX(abs)]和误差绝对值的最小值[MIN(abs)]作为统计量来检验反演值和实测值是否一致的评判标准. MAPE、 RMSE和RE的计算式如下:
通过对多光谱变量与总悬浮物浓度进行相关分析，可以发现，对总悬浮物浓度信息敏感的波段是绿光波段(第3波段，波段范围: 530~590 nm)，其次是全色波段(第8波段，波段范围: 500~680 nm)和蓝光波段(第2波段，波段范围: 450~510 nm)，线性相关的决定系数分别是0.51、 0.42和0.37. 图 2给出了基于Landsat 8第二、 三和八波段的单波段模型以及回归分析数据，从中可以看出，单波段模型很难用于较清洁新安江水库水体TSM浓度的遥感估算.
 | 图 2 TSM估算值和实测值进行回归分析Fig. 2 Regression analysis between the estimated and measured total suspended matter concentrations(CTSM) |
为了寻求总悬浮颗粒物浓度信息最敏感的遥感数据多波段变量因子，通过3种形式: Band(a)/Band(b)、 a*Band(a)+b*Band(b)和a*Band(a)+b*Band(b)+c*Band(c)对Landsat 8的OLI传感器的9个波段进行组合运算，组合种类分别为72、 36和336种，将这些组合作为总悬浮颗粒物浓度的估算因子，并且分析这些因子与总悬浮颗粒物浓度之间的相关性. 选择与总悬浮颗粒物浓度相关性好的估算因子进行回归分析并建立回归方程，这些估算因子中相关系数最大的3种组合形式分别为: Band 3/Band 2、 a*Band 2+ b*Band 8和a*Band 2+b*Band 3+c*Band 8. 图 3给出了基于以上3种估算因子构建的多波段模型以及回归分析数据，结果表明，这3种模型的决定系数分别为0.73、 0.90和0.92.
 | 图 3 TSM估算值和实测值的回归分析Fig. 3 Regression analysis between the estimated CTSM and the measured CTSM |
图 4给出了对单波段模型和多波段模型进行验证过程的回归分析数据，从中可以看出，利用验证样本对单波段(Band 3)模型验证时预测值和实测值的均方根误差RMSE为0.66 mg ·L-1,平均绝对百分比MAPE为62.30%，平均相对误差RE为50.64%，误差绝对值的最大值MAX(abs)和最小值MIN(abs)分别为1.04 mg ·L-1和0.32 mg ·L-1; 利用验证样本对波段比值(Band 3/Band 2)模型验证时预测值和实测值的RMSE为0.19 mg ·L-1，MAPE为16.43%，RE为12.80%，MAX(abs)和MIN(abs)分别为0.38 mg ·L-1和0.03 mg ·L-1; 利用验证样本对a*Band 2+b*Band 8模型验证时预测值和实测值的RMSE为0.20 mg ·L-1，MAPE为19.84%，RE为15.40%，MAX(abs) 和MIN(abs)分别为0.29 mg ·L-1和0.09mg ·L-1; 利用验证样本对a*Band 2+ b*Band 3+c*Band 8模型进行验证的RMSE为0.16 mg ·L-1，MAPE为14.79%，RE为11.49%，MAX(abs)和MIN(abs)分别为0.22 mg ·L-1和0.07 mg ·L-1. 综合考虑模型的稳定性和实用性，选择最优的波段组合模型作为新安江水库的估算模型，构建的模型如下:
 | 图 4 悬浮物浓度测量值与模型估算值对比Fig. 4 Comparison between the estimated CTSM and the measured CTSM |
表 2给出了三波段模型的每个验证点实验值和估算值的相对误差百分比情况，其中所有样点的精度均高于80%，38%样点的精度高于90%.
| 表 2 估算数据和采样数据的比较1)Table 2 Comparison between the processed result and the measured data |
很多学者利用经验的方法构建了遥感估算的单波段模型，Baban 等[30]通过分析发现Landsat TM影像的第一波段(450~520 nm)对该研究区域悬浮物浓度最为敏感，并构建了遥感影像的灰度值与悬浮物浓度的线性关系; 许珺等[31]运用SPOT数据对河流水体悬浮固体、 浓度进行研究，发现SPOT数据的第1波段(500~590 nm)对水体中的悬浮固体比较敏感，并根据影像灰度值与悬浮物之间的相关关系对台湾淡水河的悬浮固体浓度进行了分级评价; Baban[32]和Eleveld等[33]利用SeaWiFS的第五波段(545~565nm)对研究区悬浮物浓度进行了研究; Miller等[5]构建了MODIS-Terra的第一波段(620~670 nm)遥感反射率和实测TSM浓度的线性关系，发现该模型在估算研究区不同TSM浓度时具有较好的稳定性. 基于以上学者的研究，选择与以上波段范围相符的Landsat 8第二、 三和八波段来构建单波段模型，利用这些模型对新安江水库TSM浓度进行估算发现，这些模型的估算值和测量值之间的平均相对误差较大，分别为36.67%、 34.11%和36.01%，主要因为以上学者的研究都是针对浑浊二类水体，并不适合新安江水库的清洁内陆水体.
Woodruff等[34]、 Zhang等[35]和Duan等[36]的研究表明，波段的组合运算和水质参数具有很好的相关性，为了寻求总悬浮物浓度信息最敏感的遥感数据多波段变量因子，对不同波段进行组合运算，通过比较，波段组合模型的估算精度较单波段模型有明显提高. Williams[37]研究认为模型的好坏可以用决定系数来评价，评价标准为: R2≥0.91为精准; 0.82≤R2≤0.9为较好; 0.66≤R2≤0.81为一般; 0.50≤R2≤0.65为较差. 由三波段模型[式(4)]的决定系数可知，该模型对本研究区域TSM浓度估算效果是精确的. 同时，为了进一步评估本研究的模型，选择Miller模型[20]、 Doxaran 1 和Doxaran 2 模型[38]、 Han 模型[39]、 Tassan模型[40]以及Dekker[23]模型估算新安江水库TSM浓度. 研究发现，这些模型的估算值和测量值之间的平均相对误差分别是90%、 107%、 125%、 70%、 62%和114%，模型的精度低，不能满足新安江水库中TSM估算精度的要求，因此，需要一个改进的模型对该地区TSM浓度进行估算. 本研究选用Landsat 8的第二(450~510 nm)、 三(530~590 nm)和第八(500~680 nm)波段数据来构建总悬浮物浓度的估算模型，通过这种线性回归的方法构建的模型在某种程度上降低了大气校正误差带来的影响[29]. 利用验证样本对该模型进行验证，结果表明该模型精度较高，因此可以认为，利用上述3个波段构建的模型对新安江水库总悬浮物浓度信息的估算方法是可行的. 由于是经验模型，其内在机制并不清楚，并且受到样本数量的限制，本文所构建的三波段模型对于更大变化范围的TSM浓度估算是否仍然有效还需要更深入的研究.
图 5基于三波段模型给出了新安将水库水体TSM浓度的时空分布，统计发现，该地区水体TSM平均浓度为2.19 mg ·L-1，最低浓度为0.04 mg ·L-1，最高浓度为24.54 mg ·L-1，这些高浓度部分位于湖的边缘区即与陆地交接处以及一些湖湾枝杈(最高处的像元数极少，所占百分比小于0.005%)，95%以上区域的水体悬浮物浓度在10 mg ·L-1以下，70%水域悬浮物浓度在2.0 mg ·L-1以下，20%的湖区悬浮物浓度分布在0.8 mg ·L-1左右. 从图 5中可以看出新安江水库TSM浓度整体较低，入湖区的悬浮物浓度明显高于其它地区，主要是由于街口一带污染较重，加之上游枝杈流域降水带来的悬浮物浓度较高，进入到水库后还没有完全沉降. 而对于大墅镇、 姜家镇、 枫树岭镇、 龙源乡和安阳乡这些区域除了受入湖河流的影响外主要还受河流采砂的影响[41]，采砂活动对生态环境的影响巨大，一方面采砂活动容易引起沉积泥沙的再悬浮，另一方面采砂后的洗砂明显增加水体中悬浮物浓度，降低水体透明度，减弱水下光环境以及一系列的生态影响[42]，采砂活动也扰动了泥沙中的有毒物质(如硫、 氨等)、 污染物等，对周围水体生物的生长造成很大的危害. 根据2009年县公共资源交易中心对淳安县千岛湖湖区部分水域采砂权拍卖公告[41]可知: 薜家源码头以上枫树岭水域，限定开采量为3万t; 毛家码头以上汾口水域，限定开采量为10万t; 东方大桥以上威坪水域，限定开采量为4万t; 游畈岛以上至田浦以下安阳水域，限定开采量为4万t; 田浦以上大墅水域，限定开采量为4万t; 溪口大桥以上临岐水域，限定开采量为4万t. 在图 5中表现为: 汾口水域TSM浓度最大，平均TSM浓度大于10 mg ·L-1; 其次是同时受薜家源码、 游畈岛和田浦这3个采砂场影响的安阳水域和大墅水域，平均TSM浓度为5.0 mg ·L-1; 最后是东方大桥以上威坪水域和溪口大桥以上临岐水域，其平均TSM浓度在2.5 mg ·L-1左右. 由此可见，利用遥感技术可分析采砂对新安江水库水体透明度影响的范围和程度，可为后续的研究和湖泊的合理化管理提供科学依据.
 | 图 5 2013年12月1日新安江水库TSM浓度空间分布Fig. 5 Distribution of total suspended matter concentration in Xin'anjiang Reservoir on December 1st,2013 |
(1)通过对多光谱变量与总悬浮物浓度进行相关性分析，发现Landsat 8的第二、 三和第八波段为新安江水库TSM浓度估算的敏感波段.
(2)针对特定研究区域(新安江水库)提出了一个TSM估算模型，该模型对较清洁水体而言，具有较好的效果，估算模型为:
(3)新安江水库TSM浓度整体较低，平均浓度为2.19 mg ·L-1，最低浓度为0.04 mg ·L-1，最高浓度为24.54 mg ·L-1，这些高浓度部分位于湖的边缘区以及一些湖湾枝杈位置，主要受入湖河流和水域采砂的影响，如: 枫树岭水域、 汾口水域、 威坪水域、 安阳水域、 大墅水域、 临岐水域等. 利用遥感技术分析采砂对新安江水库水体透明度影响的范围和程度，可为后续的研究和湖泊的合理化管理提供科学依据.
致谢：野外观测得到杭州市环境保护科学研究院的刘明亮、 殷燕工程师以及淳安县环境保护监测站的吴志旭站长支持和帮助. 刘笑菡、 刘刚、 牛城、 蒋浩等参加野外观测和室内分析，一并表示感谢.| [1] | Cole B E, Cloern J E. An empirical model for estimating phytoplankton productivity in estuaries [J]. Marine Ecology Progress Series, 1987, 36 (1): 299-305. |
| [2] | May C L, Koseff J R, Lucas L V, et al. Effects of spatial and temporal variability of turbidity on phytoplankton blooms [J]. Marine Ecology Progress Series, 2003, 254 (1): 111-128. |
| [3] | Zhang Y L, Wu Z X, Liu M L, et al. Thermal structure and response to long-term climatic changes in Lake Qiandaohu, a deep subtropical reservoir in China [J]. Limnology and Oceanography, 2014, 59 (4): 1193-1202. |
| [4] | Wang Y H, Deng Z D, Ma R H. Suspended solids concentration estimation in Lake Taihu using field spectra and MODIS data [J]. Acta Scientiae Circumstantiae, 2007, 27 (3): 509-515. |
| [5] | Miller R L, McKee B A. Using MODIS Terra 250 m imagery to map concentrations of total suspended matter in coastal waters [J]. Remote sensing of Environment, 2004, 93 (1-2): 259-266. |
| [6] | Doerffer R, Fischer J. Concentrations of chlorophyll, suspended matter, and gelbstoff in case Ⅱ waters derived from satellite coastal zone color scanner data with inverse modeling methods [J]. Journal of Geophysical Research: Oceans(1978-2012), 1994, 99 (C4): 7457-7466. |
| [7] | Chen K S, Kao W L, Tzeng Y C. Retrieval of surface parameters using dynamic learning neural network [J]. International Journal of Remote Sensing, 1995, 16 (5): 801-809. |
| [8] | 李云梅, 黄家柱, 陆皖宁, 等. 基于分析模型的太湖悬浮物浓度遥感监测[J]. 海洋与湖沼, 2006, 37 (2): 171-177. |
| [9] | Zhang Y L, Liu M L, Wang X, et al. Bio-optical properties and estimation of the optically active substances in Lake Tianmuhu in summer [J]. International Journal of Remote Sensing, 2009, 30 (11): 2837-2857. |
| [10] | Zhang M W, Tang J W, Dong Q, et al. Retrieval of total suspended matter concentration in the Yellow and East China Seas from MODIS imagery [J]. Remote Sensing of Environment, 2010, 114 (2): 392-403. |
| [11] | Mao Z H, Chen J Y, Pan D L, et al. A regional remote sensing algorithm for total suspended matter in the East China Sea [J]. Remote Sensing of Environment, 2012, 124 (1): 819-831. |
| [12] | 施坤, 李云梅, 刘忠华, 等. 基于半分析方法的内陆湖泊水体总悬浮物浓度遥感估算研究[J]. 环境科学, 2011, 32 (6): 1571-1580. |
| [13] | 刘忠华, 李云梅, 檀静, 等. 太湖、巢湖水体总悬浮物浓度半分析反演模型构建及其适用性评价[J]. 环境科学, 2012, 33 (9): 3001-3008. |
| [14] | Xi H Y, Zhang Y Z. Total suspended matter observation in the Pearl River estuary from in situ and MERIS data [J]. Environmental Monitoring and Assessment, 2011, 177 (1-4): 563-574. |
| [15] | Siswanto E, Tang J W, Yamaguchi H, et al. Empirical ocean-color algorithms to retrieve chlorophyll-a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas [J]. Journal of Oceanography, 2011, 67 (5): 627-650. |
| [16] | 吕恒, 魏小鸿. 太湖悬浮物浓度的MODIS数据定量反演提取[J]. 地球信息科学, 2008, 10 (2): 151-155. |
| [17] | 李渊, 李云梅, 施坤, 等. 基于光谱分类的总悬浮物浓度估算[J]. 光谱学与光谱分析, 2013, 33 (10): 2721-2726. |
| [18] | 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. |
| [19] | 马荣华, 戴锦芳. 结合Landsat ETM与实测光谱估测太湖叶绿素及悬浮物含量[J]. 湖泊科学, 2005, 17 (2): 97-103. |
| [20] | 邬明权, 韩松, 赵永清, 等. 应用Landsat TM影像估算渤海叶绿素a和总悬浮物浓度[J]. 遥感信息, 2012, 27 (4): 91-95. |
| [21] | 温小乐, 徐涵秋. 基于多源同步数据的闽江下游悬浮物定量遥感[J]. 环境科学, 2008, 29 (9): 2441-2447. |
| [22] | 管义国, 王心源, 吉文帅. 巢湖水体悬浮物的遥感分析[J]. 遥感信息, 2007,(5): 39-43. |
| [23] | Dekker A G, Vos R J, Peters S W M. Comparison of remote sensing data, model results and in situ data for total suspended matter(TSM) in the southern Frisian lakes [J]. Science of the Total Environment, 2001, 268 (1-3): 197-214. |
| [24] | 韩伟明, 胡水景, 金卫, 等. 千岛湖水环境质量调查与保护对策[J]. 湖泊科学, 1996, 8 (4): 337-344. |
| [25] | 韩晓霞, 朱广伟, 吴志旭, 等. 新安江水库(千岛湖)水质时空变化特征及保护策略[J]. 湖泊科学, 2013, 25 (6): 836-845. |
| [26] | Zhang Y L, Shi K, Liu X H, et al. Lake topography and wind waves determining seasonal-spatial dynamics of total suspended matter in turbid lake Taihu, China: assessment using long-term high-resolution MERIS Data [J]. PloS One, 2014, 9 (5): e98055. |
| [27] | Vermote E F, Tanré D, Deuze J L, et al. Second simulation of the satellite signal in the solar spectrum, 6S: An overview [J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35 (3): 675-686. |
| [28] | Burns P, Nolin A. Using atmospherically-corrected Landsat imagery to measure glacier area change in the Cordillera Blanca, Peru from 1987 to 2010 [J]. Remote Sensing of Environment, 2014, 140 (1): 165-178. |
| [29] | Zhao W J, Tamura M, Takahashi H. Atmospheric and spectral corrections for estimating surface albedo from satellite data using 6S code [J]. Remote Sensing of Environment, 2001, 76 (2): 202-212. |
| [30] | Baban S M J. Detecting water quality parameters in the Norfolk Broads, U. K., using Landsat imagery [J]. International Journal of Remote Sensing, 1993, 14 (7): 1247-1267. |
| [31] | 许珺, 方红亮, 傅肃性, 等. 运用SPOT数据进行河流水体悬浮固体浓度的研究——以台湾淡水河为例[J]. 遥感技术与应用, 1999, 14 (4): 17-22. |
| [32] | Baban S M J. The use of Landsat imagery to map fluvial sediment discharge into coastal waters [J]. Marine Geology, 1995, 123 (3-4): 263-270. |
| [33] | Eleveld M A, Pasterkamp R, van der Woerd H J, et al. Remotely sensed seasonality in the spatial distribution of sea-surface suspended particulate matter in the southern North Sea [J]. Estuarine, Coastal and Shelf Science, 2008, 80 (1): 103-113. |
| [34] | Woodruff D L, Stumpf R P, Scope J A, et al. Remote estimation of water clarity in optically complex estuarine waters [J]. Remote Sensing of Environment, 1999, 68 (1): 41-52. |
| [35] | Zhang Y Z, Pulliainen J, Koponen S, et al. Application of an empirical neural network to surface water quality estimation in the Gulf of Finland using combined optical data and microwave data [J]. Remote Sensing of Environment, 2002, 81 (2-3): 327-336. |
| [36] | Duan H T, Ma R H, Zhang Y Z, et al. Remote-sensing assessment of regional inland lake water clarity in northeast China [J]. Limnology, 2009, 10 (2): 135-141. |
| [37] | Williams P C. Implementation of near-infrared technology [A]. In: Williams P, Norris K(Eds.). Near-infrared technology in the agricultural and food industries[M]. 2nd ed. USA: American Association of Cereal Chemists, Inc., 2001. |
| [38] | Doxaran D, Froidefond J M, Lavender S, et al. Spectral signature of highly turbid waters: Application with SPOT data to quantify suspended particulate matter concentrations [J]. Remote Sensing of Environment, 2002, 81 (1): 149-161. |
| [39] | Han Z, Jin Y Q, Yun C X. Suspended sediment concentrations in the Yangtze River estuary retrieved from the CMODIS data [J]. International Journal of Remote Sensing, 2006, 27 (19): 4329-4336. |
| [40] | Tassan S. An improved in-water algorithm for the determination of chlorophyll and suspended sediment concentration from Thematic Mapper data in coastal waters [J]. International Journal of Remote Sensing, 1993, 14 (6): 1221-1229. |
| [41] | 淳安县公共资源交易中心. 淳安县千岛湖湖区薜家源码头以上枫树岭等水域采砂权拍卖公告[EB/OL]. http://www. cajyzx. org. cn, 2009-08-24. |
| [42] | 邬国锋, 崔丽娟. 基于遥感技术的鄱阳湖采砂对水体透明度的影响[J]. 生态学报, 2008, 28 (12): 6113-6120. |