近20年来，内陆湖泊水体富营养化现象日趋严重,藻类的大量繁殖引发了水质危机. 而叶绿素a作为重要的水质参数之一，其吸收和散射光谱特征是建立遥感反演半经验模型的理论基础^{[1, 2]}. 国外，有研究者采用不同的波段比值分别与遥感数据建立关系，进行了叶绿素a浓度的反演^{[3, 4, 5]}； Moses等^[6]结合MERIS、 MODIS影像利用三波段模型成功估算出一些内陆湖泊、 近岸海域的叶绿素a浓度； 国内，Wang等^[7]通过对波段组合取对数或水质参数取对数，结合TM影像估算了太湖叶绿素a浓度； 杜聪等^[8]利用Hyperion卫星影像构建三波段模型反演内陆湖水体叶绿素a浓度. 在一类水体中，水体光学性质相对简单，而在二类水体中除了考虑叶绿素外，还需要考虑其他水体组分的影响，水体总的光谱特征具有区域性和季节性^{[9, 10, 11, 12]}，因此对二类水体进行光学分类具有重要的意义. Shi等^[13]在基于水体光谱分类的基础上结合MERIS影像反演了太湖叶绿素a浓度，李渊等^[14]通过对水体分类的方法成功估算了太湖的悬浮物浓度.

GOCI作为世界上第一颗旨向海洋水色观测的静止卫星，设计用于提供高频率的影像覆盖，以提高海洋的观测能力. 在海洋研究上，Park等^[15]曾利用GOCI影像使用OC4算法获取日本东海区域的叶绿素a浓度，并指出关于GOCI卫星反演叶绿素a浓度的算法尚有待研究； Hu等^[16]也曾在研究信噪比对海洋叶绿素a浓度反演精度的影响中使用到GOCI影像. 在内陆湖泊研究上，包颖等^[17]曾根据GOCI的波段设置提出使用第七与第五波段建立比值模型反演太湖叶绿素a浓度； Moon等^[18]通过降低与溶解有机物相关性大的GOCI第一波段及与浮游物质相关性大的第四波段，强化与叶绿素a相关性大的GOCI第二和第三波段，建立了波段比值模型，进行日本霞浦湖叶绿素a浓度反演. 但内陆湖泊光学特征时空差异显著，所建立模型的适用性和稳定性以及实用性有待进一步验证^[19].

因此，针对内陆水体的光学复杂特征，本研究在对光谱数据分类的基础上，探寻不同水体类型下表征叶绿素a浓度的敏感波段，建立针对不同类型水体的叶绿素a浓度估算模型，从而得到基于GOCI影像的内陆湖泊叶绿素a浓度估算通用反演模型. 发展基于GOCI的高时间分辨率的内陆湖泊叶绿素a浓度反演模型，对提高水华暴发的预警与监测能力具有重要的意义.

1 材料与方法 1.1 研究区介绍

太湖位于长江三角洲的南缘，是中国五大淡水湖之一，位于长江中下游工业化和城市化迅速发展的地区，水面面积2 339 km². 平均深度约1.9 m. 洞庭湖为中国第二大淡水湖，位于湖南省东北部，湖区位于长江中下游荆江南岸，湖区面积4 040 km²，平均水深6.39 m. 太湖、 洞庭湖作为重要的内陆水源地，其水质变化与人类活动关系密切^[20]，选择二者作为研究区不但能够提高水体分类时的数据量及分类后类别差异，也能够在一定程度上说明本研究所建模型的适用性. 采样点位分布如图 1、 图 2所示.

图 1

Fig. 1

图 1 2006~2013年太湖采样点位置分布Fig. 1 Distribution of sampling points in Lake Taihu

图 2

Fig. 2

图 2 2013年洞庭湖采样点位置分布Fig. 2 Distribution of sampling points in Lake Dongting

实验使用数据为2006年11月至2013年8月太湖、 洞庭湖共335条实测数据，其中太湖数据284条，洞庭湖数据51条，去除个别明显异常的数据，得到332条数据. 野外实测光谱数据采集使用的是由美国分析光谱仪器公司(Analytical Spectral Devices)制造的ASD野外光谱辐射仪(ASD Field Spec)，其光谱范围为350～1 050 nm，采样间隔为1.581 9 nm，光谱分辨率是3 nm，有512个波段，视场角为3.5°. 数据采集方法为二类水体水面以上光谱测量法^[21]，同时测定相应的辅助数据(气温、 风速、 水温、 水深等). 将采集的水样放入水样箱中低温保存，带回实验室进行室内实验，以测定各种水质参数，包括叶绿素a(chlorophyll-a，Chla)浓度，总悬浮物(total suspended matter，TSM)浓度等.

对于TSM，使用直径为47 mm，孔径为0.4 μm的GF/F滤膜过滤水样，滤膜预先用马弗炉在450℃条件下煅烧4~6 h，过滤后的滤膜再经鼓风箱烘干，使用高精度电子秤称量，减去空白滤膜的重量，测得TSM数据. 测量Chla时，将一定体积的水样通过直径为47 mm，孔径为0.4 μm的GF/F滤膜，取滤膜保存在棕色小瓶中冷冻48 h至细胞破裂，向棕色小瓶中加入20 mL的85%的热乙醇水浴2 min，避光萃取4~6 h，取萃取液使用分光光度计测量即可，计算方法参考乙醇法提取叶绿素a^[22]. 1.3 影像数据

GOCI主要用于实时连续观测海洋环境及渔业信息，每天获取10景影像，白天8景晚上2景，数据幅宽为2 500 km×2 500 km，空间分辨率为500 m，波段范围在0.412～0.865 μm之间设置有8个波段^[23]，具体波段设置及观测重点见表 1. GOCI数据通过官方网站(http：//kosc. kordi. re. kr)下载，并进行6S大气校正处理^[24].

表 1(Table 1)

表 1 GOCI遥感影像8个波段指标Table 1 Spectral bands of the GOCI remote sensing image 波段 中心波长/nm 波宽 观测重点 b1 412 20 黄色物质、 浊度 b2 443 20 叶绿素吸光最大值 b3 490 20 叶绿素及其他色素 b4 555 20 浊度、 浮游物质 b5 660 20 荧光信号、 叶绿素、 浮游物质 b6 680 20 大气校正、 荧光信号 b7 745 10 气溶胶厚度、 植被指数 b8 865 40 计算海上水蒸汽量

表 1 GOCI遥感影像8个波段指标Table 1 Spectral bands of the GOCI remote sensing image

分类采用两步聚类法，两步聚类采用对数极大似然估计值度量类间距离，并根据施瓦兹贝叶斯准则(BIC)或Akaike信息准则(AIC)等指标自动确定最佳聚类个数^[25]. 通过该方法将所采集的实测光谱数据使用SPSS 18.0.0软件进行自动分类，默认聚类数为15，聚类准则为BIC. 施瓦茨贝叶斯准则是确定最佳类别数的最重要的指标，反映了聚类结果的复杂性，通常BIC会随着聚类数目的增加先减小后增大，当BIC达到最小值时，一般认为聚类结果最为理想. 本次分类中，当聚类数为3时，BIC达到最小值且BIC变化率达到最大值，因而最终把所有采样点分为3类，其中类型一122条数据，类型二156条数据，类型三54条数据. 表 2为分类后不同水体类型的叶绿素a浓度和总悬浮物浓度的分布特征，图 3为分类后3种水体类型的平均光谱反射率曲线. 从表 2和图 3可以看出，3种水体类型的光谱差异体现了不同水质参数水平，类型一的总悬浮物浓度均值最高，叶绿素a浓度均值最低，其平均反射光谱总体反射率在420～700 nm范围内保持较高水平，在675 nm处的叶绿素a吸收峰较弱； 类型三叶绿素a浓度均值最高，故其平均光谱曲线特征较为突出，即440 nm处吸收峰和550 nm附近反射峰较为明显，并在700 nm附近呈现叶绿素a反射所引起的肩峰. 类型二的叶绿素a均值及总悬浮物均值在类型一和类型三变化范围之间，光谱曲线同时呈现较高的总体反射率和较为明显的叶绿素a吸收峰.

表 2(Table 2)

表 2 3种水体类型的水质参数特征Table 2 Water quality parameters of three types of water body 类别 水质参数 最大值 最小值 平均值 类型一 Chla/μg ·L-1 173.38 1.88 14.05 TSM/mg ·L-1 196.20 3.40 48.94 类型二 Chla/μg ·L-1 219.71 0.55 32.36 TSM/mg ·L-1 244.90 3.75 35.84 类型三 Chla/μg ·L-1 270.30 14.02 79.64 TSM/mg ·L-1 132.33 7.00 39.32

表 2 3种水体类型的水质参数特征Table 2 Water quality parameters of three types of water body

图 3

Fig. 3

图 3 3种水体的平均光谱曲线Fig. 3 Average reflectance spectra of three types of water body

将332条数据的遥感反射率通过GOCI光谱响应函数模拟到GOCI的8个波段上，如图 4. 对于3种水体类型而言，模拟后的光谱标准曲线保留了一部分原有特征，类型一仍保持较高的反射率，660 nm以后反射率骤然下降； 类型二在555 nm后表现出反射率逐渐下降的趋势； 类型三保留了440 nm附近的吸收峰，680 nm以及700 nm附近的光谱特征由于GOCI 700 nm荧光峰波段的缺少而被平滑化，但680 nm与745 nm范围内较低的斜率体现了该类水体高叶绿素a浓度的特征，这为后文反演模型的建立提供了依据. 结合表 2和图 4可知，3种水体类型的叶绿素a与总悬浮物浓度比值分别为0.287、 0.903、 2.026. 类型一表现出以悬浮物主导的水体特征，其总体反射率水平较高造成叶绿素a的荧光峰信号被掩盖，故叶绿素a的主要特征表现在蓝绿波段. 类型二为叶绿素a和悬浮物共同主导的水体类型，即在443 nm附近表现出吸收峰的同时，660 nm附近的荧光峰也较为明显，这是由浮游植物的弱吸收以及悬浮颗粒物后向散射共同作用的结果. 类型三则明显表现出叶绿素主导的光谱特征，由于叶绿素荧光峰的存在，680 nm和745 nm之间的斜率较小且光谱变化较为平缓，这与类型一、 二存在明显差异.

图 4

Fig. 4

图 4 模拟GOCI后3种水体类型的平均光谱曲线Fig. 4 Simulated GOCI reflectance of three types of water body

对于单波段模型，研究所用的光谱数据归一化后的反射率与叶绿素的相关性提高效果不明显； 由于GOCI的波段设置较少，无法应用三波段模型及四波段对叶绿素a的浓度进行反演，因此，选择波段比值建立反演模型. 为评价模型的反演效果，选取相对误差(ARE)、 平均相对误差(MAPE)以及均方根误差(RMSE)对模型进行评价.

每类数据中，按叶绿素a浓度从大到小排序，每3个数据中，取第3个作为验证数据，不参与模型建立，因此参与建模的数据为250条，模型验证的数据为76条. 为了对比分类对叶绿素a模型反演精度的影响，同时利用未分类的数据进行叶绿素a浓度的建模与精度验证. 在波段选择上，对样点叶绿素a浓度及波段反射率比值取自然对数，根据以上两者之间的相关性进行波段迭代，选择相关性最高的波段比值模型作为最佳迭代波段.

由表 3可得，对于未分类数据叶绿素a模型反演的最佳波段为第七和第六波段，决定系数为0.463 6. 分类后的模型中，类型一的最佳波段为第四和第三波段； 类型二的最佳波段为是第五和第二波段； 类型三的最佳波段为第七和第六波段. 如表 4所示，分类后的平均相对误差分别为38.91%、 24.19%、 22.90%，均方根误差分别为4.87、 8.13、 11.66μg ·L^-1，分类前后的总体平均相对误差由49.78%降低到29.59%，总体均方根误差由14.10μg ·L^-1降低到9.29μg ·L^-1. 分类前后相同样点的总体精度可对比图 5及图 6. 由图 6可以看出，类型一能够较好地估测小于10μg ·L^-1的叶绿素a浓度，但对大于10μg ·L^-1的浓度存在普遍的低估现象； 类型二对于30～50μg ·L^-1的浓度区间能够较好地估测，但对小于20μg ·L^-1的区间存在高估现象； 而类型三在浓度区间60～80μg ·L^-1可进行较好的估测，每种反演模型的适用性与该水体类型的叶绿素a浓度特征存在密切关系.

表 3(Table 3)

表 3 不同类型水体及未分类数据的叶绿素a反演模型Table 3 Chlorophyll-a retrieval models and the determination coefficients of different types of water body and the unclassified data 类型 拟合趋势线1) x 决定系数(R2) 类型一 y=12.024x-1.890 7 ln(b4/b3) 0.738 5 类型二 y=5.3026x+1.538 9 ln(b5/b2) 0.731 8 类型三 y=1.7626x+4.614 8 ln(b7/b6) 0.674 8 未分类 y=2.1485x+4.434 3 ln(b7/b6) 0.463 6 1)x： 取自然对数的波段比值； y： 取自然对数的叶绿素a浓度

表 3 不同类型水体及未分类数据的叶绿素a反演模型Table 3 Chlorophyll-a retrieval models and the determination coefficients of different types of water body and the unclassified data

表 4(Table 4)

表 4 分类前后模型精度的验证Table 4 Verification of model accuracy before and after classification 类型 相对误差(ARE)/% 平均相对误差(RMSE)/% 均方根误差(MAPE)/μg ·L-1 类型一 Min 0. 51 38. 91 4. 87 Max 94. 59 类型二 Min 0. 53 24. 19 8. 13 Max 76. 35 类型三 Min 1. 58 22. 90 11. 66 Max 49. 52 分类前 Min 1. 15 49. 78 14. 10 Max 434. 66 分类后 Min 0. 51 29. 59 9. 29 Max 94. 59

表 4 分类前后模型精度的验证Table 4 Verification of model accuracy before and after classification

图 5

Fig. 5

图 5 分类前建模精度验证Fig. 5 Verification of modeling accuracy before classification

图 6

Fig. 6

图 6 分类后建模精度验证Fig. 6 Verification of modeling accuracy after classification

研究使用经过几何校正和辐射校正的GOCI的L1B影像产品，无需进行辐射亮度的转换，可直接进行大气校正. 影像大气校正模型为6S模型，模型中需要输入以下参数： 遥感器类型、 成像年月日和经纬度、 气溶胶浓度及类型、 辐射条件、 观测波段和海拔高度、 地表覆盖类型和反射率等. 此次大气校正的气溶胶光学厚度为野外实测值. 根据太湖地理位置以及成像时间，确定气溶胶模式为中纬度夏季. Wang等^[26]的研究表明太湖地区为弱吸收型气溶胶，因而校正时气溶胶类型选择为大陆型气溶胶. 6S模型输出的是大气校正参数x_a、 x_b、 x_c,可以根据这3个参数计算得到大气校正后的反射率. 如公式(1)、 (2)所示.

为了检验大气校正的效果，采用实测Rrs数据的9个点位模拟GOCI波段与相对应大气校正后GOCI影像上9个点位数据进行分析. 通过分析发现，经6 s大气校正后的遥感影像Rrs值与实测Rrs值较为接近，各个波段的平均相对误差分别为13.2%、 8.66%、 6.67%、 15.17%、 13.7%、 12.99%、 10.9%、 13.89%，均小于16%，其中，最小值为6.7%，最大值为15.17%. 此结果说明实测Rrs与经大气校正后的GOCI影像Rrs较为接近，证明GOCI影像经过6S大气校正处理后，能够满足叶绿素a浓度反演的要求. 3.2 水体类型判别及浓度反演

实现基于GOCI影像的水体叶绿素a浓度遥感反演，其关键是确定GOCI影像上每个像元的类别归属，进而针对所属类型采用相应的叶绿素a浓度遥感估算模型，在判定之前，需确定每种类型水体的标准光谱曲线，以不同类型水体各自的标准光谱曲线为基础，对像元进行分类. 本研究参照安斌等^[27]提出的方法，采用光谱角(SAM)结合欧式距离的匹配方法对GOCI影像进行光谱匹配，实现GOCI影像的光学分类，该方法的具体表达式如下：

图 7

Fig. 7

图 7 2013年5月13日10:00水体类型分布示意Fig. 7 Distribution of water body types of Lake Taihu at 10:00 on May 13,2013

本研究采用2014年5月13日的GOCI 8景太湖图像，进行叶绿素a浓度的日变化监测，如图 8. 太湖整体而言，竺山湾、 梅梁湾、 贡湖湾的叶绿素a平均浓度较全湖偏高，湖心以及太湖西部、 南部水域叶绿素a浓度较低； 对于浓度较高的区域，09:00梅梁湾叶绿素a浓度达到80μg ·L^-1，部分沿岸区域达到100μg ·L^-1以上，下午浓度逐渐降低； 小梅口和新塘港在08:00浓度达到50~80μg ·L^-1，10:00以后浓度则大幅度下降，根据太湖历史天气，2014年5月13日风向为东南风-南风，风力在3~4级，这就可以解释小梅口和新塘港下午叶绿素a浓度大幅度下降以及湖心区域有小范围叶绿素a浓度增高的缘由. 同样的，当天的南风使贡湖湾叶绿素a浓度逐渐减小.

图 8

Fig. 8

图 8 2013年5月13日GOCI不同时刻影像太湖叶绿素a浓度变化分布示意Fig. 8 Variation distribution of Chla concentration of Lake Taihu in the GOCI images acquired at different time on May 13,2013

(1)本研究在实测数据的基础上将水体分为三类，分别为以悬浮物主导(类型一)、 悬浮物叶绿素共同主导(类型二)以及叶绿素主导(类型三)水体. 根据不同水体的光谱特征以及GOCI影像的波段设置，选择不同的波段比值建立最适宜该类水体的叶绿素反演模型，依次为490 nm和555 nm、 660 nm和443 nm、 745 nm和680 nm. 分类前后的总体平均相对误差由49.78%降低到29.59%，总体均方根误差由14.10μg ·L^-1降低到9.29μg ·L^-1.

(2) 实验证明，分类后再反演的方法能够显著提高水质参数的反演精度. 以GOCI影像为依托的太湖叶绿素a浓度日变化幅度明显，且变化趋势与实际浓度范围相符合，说明实时监测太湖藻类生长及水藻暴发是可以进行的，这为利用GOCI卫星进行中国内陆湖水体富营养化及蓝藻暴发的监测提供了依据.

(3)对于内容复杂的内陆水体而言，简单的对所有水体应用同一叶绿素a浓度反演模型必然会造成很大的估算误差，利用具有差异性的光谱曲线进行聚类，可以得到光谱特征相似的水体类型，对不同水质类型的水体参数进行分析并发现其差异性，从而建立相对应的反演模型，其反演精度得到了显著提高. 因此针对光学特征复杂且时空变异较大的内陆水体，采用分类反演的方法是提高叶绿素a反演精度的有效途径.