环境科学  2016, Vol. 37 Issue (3): 862-872   PDF    
引用本文
杜成功, 李云梅, 王桥, 朱利, 吕恒. 面向GOCI数据的太湖总磷浓度反演及其日内变化研究[J]. 环境科学, 2016, 37(3): 862-872.
DU Cheng-gong, LI Yun-mei, WANG Qiao, ZHU Li, LÜ Heng. Inversion Model and Daily Variation of Total Phosphorus Concentrations in Taihu Lake Based on GOCI Data[J]. Environmental Science, 2016, 37(3): 862-872.
面向GOCI数据的太湖总磷浓度反演及其日内变化研究
杜成功1, 李云梅1,2 , 王桥3, 朱利3, 吕恒1,2    
1. 南京师范大学虚拟地理环境教育部重点实验室, 南京 210023;
2. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023;
3. 环境保护部卫星环境应用中心, 北京 100029
收稿日期: 2015-06-09; 修订日期: 2015-10-16.
基金项目: 国家自然科学基金项目(41271343);高分辨率对地观测系统重大专项(05-Y30B02-9001-13/15-6)
作者简介: 杜成功(1991~),男,硕士研究生,主要研究方向为水坏境遥感监测,E-mail:ducg1023@163.com
通讯联系人, 李云梅, E-mail:liyunmei@njnu.edu.cn
摘要: 总磷浓度是水质评价的一个重要指标,是水体富营养化、蓝藻水华暴发的重要影响因素,遥感技术具有范围广、时效高的优势,利用卫星遥感监测总磷浓度,对于水质和富营养化的研究有着重要意义. 利用2013~2014年3次地面实验数据,构建了基于GOCI影像的总磷反演模型,为了检验模型的适用性,选取2014年春、夏、秋、冬各1日GOCI影像,对太湖总磷浓度的日内变化进行分析. 结果表明,利用GOCI数据8个波段的波段组合作为变量,进行逐步回归分析所建立的模型具有较高的反演精度,模型的决定系数为0.898,平均绝对误差百分比为14.296%,均方根误差为0.026mg ·L-1. 同时,利用地面实测样点与同步卫星影像对模型进行了精度分析, 2014年8月5日和2014年10月24日同步影像的验证精度分别为:平均绝对误差百分比为33.642%和22.551%,均方根误差为0.076 mg ·L-1和0.028 mg ·L-1. 对4个季节中4 d的30幅影像对比分析表明,不同季节总磷浓度的绝对含量存在差异,但是,总磷浓度的时空分布及从早晨到下午的差异性存在相似性. 从空间分布上看,梅梁湾、竺山湾、贡湖湾及西南部沿岸小梅港、长兜港总磷浓度长期偏高,各个区域的总磷浓度变化受到风向、风速等因素的影响; 从时间变化上看,早上总磷浓度最高,随后逐渐降低,反映了总磷浓度受到温度和光照影响的效果.
关键词: GOCI影像     太湖     总磷     遥感反演     时空变化    
Inversion Model and Daily Variation of Total Phosphorus Concentrations in Taihu Lake Based on GOCI Data
DU Cheng-gong1, LI Yun-mei1,2, WANG Qiao3, ZHU Li3, LÜ Heng1,2     
1. Key Laboratory of Virtual Geographic Environment, Ministry of Education, Nanjing Normal University, Nanjing 210023, China;
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China;
3. Satellite Environment Application Center, Ministry of Environmental Protection, Beijing 100029, China
Abstract: The TP concentration is an important index of water quality and an important influencing factor of eutrophication and algae blooms. Remote sensing technology has advantages of wide scope and high time limited efficacy. Monitoring the concentration of TP by satellite remote sensing is important for the study of water quality and eutrophication. In situ datasets collected during the three times of experiments in Taihu Lake between 2013 and 2014 were used to develop the TP inversion model based on GOCI data. The GOCI data in spring, summer, autumn and winter in 2014 were selected to analyze the time and space changes of TP concentration in Taihu Lake. The results showed that the TP algorithm was built up based on the variables, which was to use the eight band combination of GOCI data as variable, and build model using Multi factor linear regression method. The algorithm achieved more accurate TP estimation with R2=0.898, MAPE=14.296%, RMSE=0.026 mg ·L-1. Meantime, a analysis on the precision of the model by using the measured sample points and the synchronous satellite images with MAPE=33.642%, 22.551%,RMSE=0.076 mg ·L-1, 0.028 mg ·L-1 on August 5, 2014 and October 24, 2014. Through the analysis of the 30 images on the four days of the four seasons, it showed that the absolute concentration of total phosphorus was different in different seasons. But temporal and spatial distribution of total phosphorus concentration was similar in the morning and afternoon. In spatial distribution, the TP concentration in Meiliang Bay, Zhushan Bay, Gonghu Bay, Xiaomei Port and Changdou Port in the southwest coast was at a continuously high position. The TP concentration change in different regions was influenced by wind direction, wind speed and other factors. The TP concentration highest in the morning, and then gradually decreased, this phenomenon reflected that the TP concentration was affected by temperature and light.
Key words: GOCI data     Taihu Lake     total phosphorus     remote sensing inversion     spatial-temporal change    

随着工农业经济的高速发展，每年大量的工农业废水和城市生活污水排入湖泊水体，导致我国湖泊水体中磷(P)浓度普遍偏高. 对湖泊水体总磷进行准确监测，是对湖泊环境进行有效管理和控制水体富营养化的重要环节. 国内外许多学者对总磷的遥感监测模型进行了研究. 如文献[1]基于特定营养盐和海水表层温度的关系，通过温度间接建立了营养盐遥感反演模型. 还有一些研究则直接基于水面光谱与总磷的相关关系建立其遥感反演模型，如Isenstein等[2]以尚普兰湖为研究区域，以Landsat ETM+数据为遥感数据源，利用多元线性回归方程建立了P营养物质的反演方程. Wu等[3]则是根据Landsat TM数据建立了钱塘江P含量的遥感反演经验模型，并探讨了其空间分布特征. Gao等[4]根据总磷浓度对巢湖进行分区，对不同区域分别利用多元线性回归方法建立了总磷反演模型. Sun等[5]针对内陆富营养化湖泊，结合光谱分类和支持向量机方法，构建了总磷反演模型，并将此模型应用于HJ1A/HSI影像. 王丽艳等[6]利用长时间序列的 MODIS 数据，通过分析各波段及波段组合反射率因子与呼伦湖水体总磷浓度之间的关系建立了利用 MODIS 数据遥感反演呼伦湖水体总磷浓度的半经验模型. Chang等[7]则是基于MODIS数据，采用遗传算法程序对美国佛罗里达州西部坦帕湾的总磷浓度的空间分布进行了研究. 潘洁等[8]基于Hyperion影像，对射阳河口的无机氮磷浓度反演进行了研究. 王林等[9]综合利用大洋河河口海域水体调查的实测数据及环境一号CCD影像数据，建立了营养盐的经验反演模型，进行了该区域营养盐浓度反演研究.

太湖是典型的大型富营养化浅水湖泊，其浮游植物漂移、 分解，底泥再悬浮、 营养盐释放等容易受到水动力扰动的影响，导致1 d中水体营养盐随着风速风向等气象条件而发生变化. 通常的遥感数据，由于受到时间分辨率的制约，难以监测短时间内湖泊总磷的变化情况. 2010年韩国发射了世界上第一颗地球静止海洋水色卫星，1 d可提供8景GOCI(geostationary ocean color imager)影像数据[10]，该数据的使用，为研究短时期内水体总磷的时空变化及其与环境、 气候等因素的相互关系提供了新的数据源.

目前对太湖总磷浓度反演的研究比较少，Sun等[5]的模型比较复杂,同时针对环境星的影像； Song等[11]的模型针对高光谱遥感数据. 没有适用于GOCI数据的总磷反演模型，为了发挥GOCI数据的优势，因此本研究采用 GOCI 影像及同步实测总磷浓度数据对太湖水体总磷浓度反演进行探讨，建立基于 GOCI遥感影像的总磷反演模型并进行验证. 选取最优反演模型，利用GOCI遥感影像分析太湖水体总磷浓度的时空变化.

1 材料与方法 1.1 研究区

太湖位于长江三角洲的南缘，是中国五大淡水湖之一，界于北纬30°55′40″~31°32′58″和东经119°52′32″~120°36′10″之间，河港纵横，河口众多，有主要进出河流50余条，是周边沿岸城市重要的水源地，同时湖中各种浮游植物、 动物和栖息类动物种类繁多，具有良好的水生态系统. 兼有远航、 灌溉、 渔业、 旅游等多种功能，对社会和经济的发展有着至关重要的作用. 太湖西部主要入湖港口及湖湾[12]如图 1所示.

图 1 太湖主要入湖港口及采样点分布示意 Fig. 1 Ports into the lake and sampling stations in Lake Taihu
1.2 地面实验数据

2013年8月1~3日、 2014年8月5~6日、 2014年10月23~24日对太湖进行了3次地面实验，总共对76个采样点同步进行水面光谱观测和水样采集，采样点分布如图 1所示，其中部分样点在3次采样中重复采样. 水样在实验的当天带回实验室，采用常规的测量方法测量总磷含量.

水面光谱数据利用ASD公司生产的ASD Field Spec Pro 便携式光谱仪进行采集，包括：标准灰板、 水体和天空光的光谱辐亮度信息，同时记录了GPS点位、 风速、 气压及天气状况. 水面光谱数据按照唐军武等[13]介绍的方法换算成水面遥感反射率.

1.3 GOCI遥感数据

采用2014年8月5日和2014年10月24日的GOCI数据进行建模及检验，并将模型应用到2014年1月1日、 2014年3月22日、 2014年8月4日、 2014年10月24日的GOCI影像中，分析不同季节太湖总磷含量日内变化规律. 由于没有专门针对内陆水体的GOCI影像的成熟大气校正方法，因此，运用目前世界上发展较为成熟的6S大气校正算法对GOCI影像进行大气校正.

GOCI 水色遥感传感器搭载于COMS(communication ocean and meteorological satellite)卫星平台，可获取从可见光到近红外共8个波段的遥感物理量，可对目标区域进行连续观测(08: 00~15:00，时间分辨率为1 h)，其波段设置如表 1所示.

表 1 GOCI波段及参数信息 Table 1 GOCI band and parameter information
1.4 研究方法

通过对GOCI各波段遥感反射率与实测总磷数据进行相关性分析，找出相关性高的波段，同时选取GOCI各波段反射率值进行多种模式组合，讨论每个组合与总磷浓度的相关性，最后选取相关性高的波段及波段组合建立一元及多元回归模型，通过模型精度对比，确定最适合的模型，并将模型应用于GOCI影像上，分析太湖总磷时空变化规律.

2 结果与分析 2.1 总磷浓度与GOCI数据相关性分析

本文利用遥感反射率进行太湖总磷浓度反演模型研究，对遥感反射率和总磷浓度进行了相关性分析，如图 2所示，400~695 nm波段范围内，两者呈负相关关系，随着波长的增加，其相关性整体减弱. 695~900 nm波段范围内，两者呈现正相关关系，相关性大小整体一致. 正负相关系数在-0.38~0.42之间，结果表明单波段与总磷浓度之间的相关性一般，无法确定相关性高的敏感波段，由于是针对GOCI数据的反演模型，所以通过GOCI数据8个波段之间的组合运算来探讨与总磷浓度敏感性高的变量.

图 2 总磷与遥感反射率在不同波长处的相关系数 Fig. 2 Correlate coefficients between TP and remote sensing reflectance at different wavelengths

由于与卫星数据同步的地面样点数据较少，因此，采用地面实测光谱模拟得到GOCI相应波段的遥感反射率数据，并利用该数据，分析总磷浓度与GOCI影像8个波段遥感反射率的相关关系. 采用任意两波段的和、 差、 比值、 NDVI算法以及对单个波段求对数的方式，对8个波段进行组合，一共构建了128种组合方式，将原波段及转换后的波段反射率与总磷浓度实测值进行相关性分析，结果如图 3所示.

图 3 波段组合与实测总磷浓度相关系数 Fig. 3 Correlation coefficient between band combination and the measured total phosphorus concentration

图 3中，正负相关系数的范围为-0.877~0.515，128个波段组合中有51个的相关系数绝对值大于0.4. 相关系数最大的波段组合是(r6-r7)/(r6+r7)，R=0.877，其次为r3-r7，R=0.870，式中，ri，i=1,……,8，表示GOCI数据相对应的波段遥感反射率.

2.2 总磷浓度反演模型的建立

对2.1节中相关系数绝对值大于0.8的16个波段组合分别进行检验，构建总磷浓度反演模型. 随机选取实测数据中的62个点位数据进行建模实验，剩余14个点位数据用于模型验证. 以每种波段组合为变量，分别构建线性模型、 指数模型、 幂函数模型和二次函数模型； 同时，考虑到多变量对总磷浓度的共同作用与影响，对变量进行逐步线性回归分析和进入回归分析，建立多元回归分析模型. 各个模型的分析结果见表 2.

表 2 不同变量建模分析 Table 2 Modeling analysis of different variables

根据表 2可以看出建模效果最好的为第19个变量组合所构建的回归分析模型，式中的x1为r3-r7，x2为(r6-r8)/(r6+r8)，模型的决定系数R2为0.898，且F值为122.457，结果较为可靠.

2.3 总磷浓度反演模型检验

模型的精度和适用性通过地面同步采样和光谱测量数据以及星-地同步数据进行检验.

2.3.1 利用地面同步数据进行模型检验

利用剩余的14个实测数据对精度最高的模型y=-6.739x1-0.217x2+0.303进行验证分析. 图 4为实测值与预测值对比结果. 从中可以看出，模型反演的预测值与实测值之间误差较小，结果比较接近，相对误差最小值为0.116%，平均绝对误差百分比MAPE和均方根误差RMSE分别为14.296%、 0.026 mg·L-1. 可见所建立的模型具有较高的精度及一定的适应性.

图 4 总磷浓度预测值与实测值对比 Fig. 4 Comparison of the predicted total phosphorus concentrations and the measured total phosphorus concentrations
2.3.2 利用星-地同步数据进行模型检验

2014年8月5日与2014年10月24日分别获取了4个与GOCI影像同步的数据，因此，利用这两天的GOCI影像数据，对反演结果进行评价. 首先，选择与采样时间相近的GOCI影像进行总磷反演，其次，根据实测的总磷浓度与反演结果进行对比分析. 图 5、 图 6为影像反演和实测值对比结果.

图 5 2014年8月5日影像总磷预测值与实测值对比 Fig. 5 Comparison of the predicted total phosphorus concentrations from GOCI data and the measured total phosphorus concentrations on August 5, 2014

图 6 2014年10月24日影像总磷预测值与实测值对比 Fig. 6 Comparison of the predicted total phosphorus concentrations from GOCI data and the measured total phosphorus concentrations on October 24, 2014

从图 5、 图 6中可以看出，模型反演结果与实测结果相近，2014年8月，平均绝对误差百分比MAPE=33.642%，均方根误差RMSE=0.076mg·L-1，2014年10月，平均绝对误差百分比MAPE=22.551%，均方根误差RMSE=0.028mg·L-1. 说明所建立的模型适用于GOCI影像的总磷浓度的反演.

2.3.3 模型适用性及影响因素分析

很多学者利用GOCI影像数据建立了内陆富营养化湖泊的水质参数反演模型，冯驰等[14]和郭宇龙等[15]针对GOCI数据分别构建了两种新的叶绿素反演模型； 江彬彬等[16]和赵丽娜等[17]等则运用GOCI数据进行了总悬浮物反演模型的研究. 而针对总磷浓度的反演模型比较少. 本文建立模型采用的62个样点总磷浓度范围为0.036~0.396mg·L-1，均值为(0.154±0.086)mg·L-1，浓度范围比较大，研究表明当水体中的磷超过0.01 mg·L-1时就可能引起水的富营养化发生，可见太湖水体重度富营养化，同时图 4中14个验证点能够较好地分布在1∶1线附近，不存在明显的高估低估现象，可见模型在此范围内有较好的适用性. 另外太湖是典型的富营养化湖泊，众多研究发现，富营养化湖泊中总磷与悬浮物、 叶绿素a有着很好的相关性，Song等[11]、 韩涛等[18] 和邓建才等[19]发现太湖底泥的再悬浮是水中总磷的重要来源； 另外Song等[11]和刘瑶等[20]也说明了总磷的变化受到水体浮游植物的影响，从而导致总磷与叶绿素a有一定的相关性. 可见此类湖泊的总磷浓度主要受这两个参数的影响. 为了分析叶绿素浓度与悬浮物浓度对所建立模型的影响程度，研究了模型的相对误差和总磷浓度与叶绿素浓度的比值(TP∶Chla)以及总磷浓度与总悬浮物浓度比值(TP∶TSM)的关系. 图 7给出了模型的相对误差与TP∶Chla之间以及相对误差与TP∶TSM值的关系，从中可以看出模型的相对误差随着TP∶Chla的值增加呈逐渐递减的趋势，但该递减趋势并不明显. 模型相对误差与PC∶TSM值基本上没有相关性. 由此可见，两种成分对模型的影响较小. 所构建的模型能够较好地反演水体中的总磷浓度. 所以本文所构建的模型适用于运用GOCI数据分析富营养化湖泊的总磷浓度的变化研究中.

图 7 模型影响因素分析 Fig. 7 Analysis of influencing factors on the inversion model
2.4 太湖总磷浓度时空变化分析

选取2014年4个季节共4 d 30景影像进行总磷浓度变化分析，数据获取日期分别为2014年1月1日(7景)，2014年3月22日(8景)，2014年8月4日(8景)，2014年10月24日(7景). 这些影像数据质量良好，没有云层覆盖.

2.4.1 太湖总磷浓度空间分布变化

(1)太湖总磷浓度空间分布规律

2014年1月1日08:00~14:00太湖总磷浓度反演结果如图 8所示. 从早上08:00的影像可以看出最高值出现在太湖西南部沿岸区域，其余高值区出现在梅梁湾、 竺山湾、 贡湖湾，湖心区高值区呈现块状分布. 西南部出现一条带状的高值区，总磷向东北方向扩散，其余区域总磷分布均匀，浓度相对较低. 为了具体地分析太湖的总磷浓度的区域差异性，将全湖分为梅梁湾、 竺山湾、 贡湖湾、 西部沿岸及湖心区这5个区域进行分析讨论，如图 9，可见梅梁湾的总磷浓度最高，其次是竺山湾，两湾的浓度高于全湖. 最低的区域为湖心区.

图 8 2014年1月1日太湖总磷浓度时空分布 Fig. 8 Temporal and spatial distribution of total phosphorus concentration on January 1, 2014

图 9 太湖总磷平均含量的日内变化 Fig. 9 Diurnal variation of the average content of total phosphorus in Lake Taihu

图 10所展现的是2014年春季3月22日的1 d 8景的影像，可以看出当天全湖的总磷高值区位于梅梁湾、 竺山湾、 贡湖湾及西部沿岸区域. 竺山湾浓度整体最高，西南部沿岸区域总磷含量明显高于周边地区，湖心区含量较低.

图 10 2014年3月22日太湖总磷浓度时空分布 Fig. 10 Temporal and spatial distribution of total phosphorus concentration on March 22,2014

图 11所示为2014年8月4日1 d 8景影像的太湖总磷浓度，从中可以看出，水华发生地梅梁湾、 竺山湾、 贡湖湾及西北部沿岸区域总磷浓度很高，较其余区域差异很明显，从西部沿岸区域延伸出多条总磷浓度高的条带状区域，湖心区相比较之下含量比较低.

图 11 2014年8月4日太湖总磷浓度时空分布 Fig. 11 Temporal and spatial distribution of total phosphorus concentration on August 4,2014

从2014年10月24日影像中看出(图 12)，08:00梅梁湾北部及竺山湾南部总磷浓度比较高，竺山湾和梅梁湾的总磷平均浓度远大于全湖的浓度，在竺山湾出口处向东南部湖心延伸有一条总磷含量高的条带出现，其余区域总磷含量较低.

图 12 2014年10月24日太湖总磷浓度时空分布 Fig. 12 Temporal and spatial distribution of total phosphorus concentration on October 24,2014

(2)太湖总磷浓度空间差异性原因分析

从4个季节30幅总磷反演影像中可以看出梅梁湾、 竺山湾、 贡湖湾及西部沿岸是总磷含量较高的区域，而湖心区含量比较低. 主要由于3个湖湾及西部沿岸区域受到入湖河流及点源的污染较为严重，从图 1中可以明显看出太湖西部分布着众多入湖港口，大量的生活污水及工业废水排入太湖，带入了大量的营养盐物质，水体富营养化程度比较高，是水华易发生地. 此外，长期的富营养化状态导致底泥中含有丰富的营养盐，致使这几个区域的总磷浓度一直处于较高的状态. 同时，从影像上可以看出，西南部沿岸总磷含量明显高于周边地区，主要因为该区域有两条入湖河道，即长兜港和小梅港，长兜港为太湖流域最大的入湖河道[21]，东、 西苕溪在此汇合后流入太湖，由于经过城镇，带入了大量的生活污水、 工业废水，同时，由于此河道通航，水流量大，导致底泥再悬浮较其他区域显著，也是造成该区域营养盐浓度较高的原因. 湖心区及东部区域总磷浓度较低，水质相对较好，主要由于沿岸输入的总磷在迁移过程中逐渐被稀释； 而东部湖区拥有较多的大型水生植物，这些植物在生长过程中吸收磷元素，并对底泥的再悬浮起到了抑制作用[22]，另一方面这部分区域位于太湖下游，主要是出湖河道，污染源较少，从而使得总磷浓度比较低.

2.4.2 太湖总磷浓度随时间的变化

(1)太湖总磷浓度随时间的变化规律

从图 8中可以看出2014年1月1日早上08:00全湖的总磷浓度最高，随着时间的变化，全湖的总磷浓度逐渐降低，西南部高值区逐渐向东北区域扩散. 图 9定量地表现了总磷含量均值1 d的变化状况，08:00~09:00之间总磷含量普遍下降最快，09:00~13:00之间全湖各区域总磷下降缓慢，而从13：00~14：00又开始加快. 西南部出现一条带状的高值区，总磷向东北方向扩散，其余区域总磷分布均匀，浓度相对较低.

2014年3月22日随着时间变化，太湖整体总磷浓度逐渐降低，总磷浓度高值区降低尤为明显，湖心区变化不大. 总磷含量整体趋势从东向西逐渐降低. 到15:00，西南部长兜港和小梅港附近总磷浓度相比于附近区域较高.

水华暴发期2014年8月4日上午08:00的影像显示梅梁湾、 竺山湾、 贡湖湾以及西部沿岸总磷浓度很高，随着时间的变化，高值区逐渐变少，整体由南部向北部慢慢降低. 在当天15:00，3个湾的北部沿岸区域总磷浓度还是较高.

2014年10月24日全湖整体浓度逐渐降低. 从图 9中看出，从08:00~09:00影像反演结果显示梅梁湾及竺山湾浓度逐渐降低，但是从10:00点开始浓度逐渐升高，在11:00点到达最大值，影像中显示太湖整体总磷浓度最后的变化也是由南向北递减. 高值区也是发生水华的区域，同时从竺山湾出口处向东南部湖心延伸总磷含量高的条带也是水华漂浮的区域.

(2)太湖总磷浓度随时间变化的原因分析

太湖总磷浓度的日内变化与当天的气候环境以及岸边河道有着密切的关系，风向和风速会导致水体表层营养盐的迁移，这对非沿岸区域有着显著的影响，如2014年1月1日西南部出现的带状总磷高值区，主要由于当天受西南风影响，风力4~5级； 2014年3月22日和2014年8月4日盛行东南风，风力携带表层营养物质向西北移动，导致当天总磷浓度自东向西、 自北向南逐渐减少； 2014年10月24日梅梁湾和竺山湾的变化与当天盛行的南风有关，表层水的总磷被南风输移到湾内. 而太湖沿岸的总磷浓度主要受到入湖河道的影响，以至于长时间都处于一个相对较高的状态. 夏季及秋季的GOCI影像反演的总磷浓度普遍高于冬季及春季，局部区域特别是3个湾地区有明显的变高趋势. 由于此时气候条件适宜，水华暴发，促使底泥中磷元素释放，同时，藻类、 水生植物的腐烂死亡也会释放营养盐. 另外，太湖夏秋季盛行东南风，会使一部分藻类及总磷随水流迁移到西北区域，从而增加了总磷的浓度. 夏季降雨量大，农作物施肥，河道从流域带入了大量营养盐进入太湖，也是湖泊的磷增加的原因.

从图 9中可以看出，一年四季太湖全湖的总磷浓度都是早上08:00最高，随后逐渐慢慢降低，到了下午15:00达到最低，呈现出慢慢降低的趋势，主要是由于湖泊中磷的含量与水温及光照有着密切的关系[23]. 低温会影响磷的吸附，从而导致低温条件下水体中磷的浓度高于高温条件下的浓度； 在低温条件下，虽然沉水植物腐烂分解缓慢，向上覆水体释放氮磷较少，但由于温度抑制了微生物的活动，减少磷的转换； 在低温状态下，藻类植物繁殖减慢会减少总磷的吸收； 光照与沉积物中磷释放量的变化趋势呈负相关[24]. 因此，经过一夜的低温状态，早上08:00的遥感影像呈现出较高的总磷浓度.

3 结论

(1)利用3次野外实验采样数据，拟合GOCI影像波段数据，建立基于GOCI数据的总磷浓度遥感反演模型. 利用2014年8月5日及2014年10月24日星地同步数据对模型进行验证，验证结果表明该模型可以应用于GOCI卫星数据的总磷浓度反演.

(2)利用2014年1月1日、 2014年3月22日、 2014年8月4日、 2014年10月24日的GOCI影像反演太湖总磷浓度，并对其日内变化时空特征及季节分异状况进行了分析. 结果表明，GOCI数据能够清晰展现总磷浓度的空间分布，能够体现出水体受风向等外界因素影响而导致的总磷浓度的变化. 从日内变化来看，太湖的总磷浓度从早上08:00以后逐渐降低，这主要和水温及光照有关； 从空间分布来看，4个季节的影像都表明，梅梁湾、 竺山湾、 贡湖湾这3个湾总磷浓度一直处于较高的水平，这主要和其长期处于富营养化的状态有关. 此外，由于受到入湖河流的影响，西部沿岸特别是西南部的小梅港、 长兜港，总磷浓度高于全湖的水平.

(3)利用GOCI数据高时间分辨率的特点，可以捕捉1 d内营养盐的变化特征，有利于对营养盐循环过程进行实时监测，在湖泊生态环境变化机制的研究中具有广阔的应用前景.

参考文献
[1] Silió-Calzada A, Bricaud A, Gentili B. Estimates of sea surface nitrate concentrations from sea surface temperature and chlorophyll concentration in upwelling areas: A case study for the Benguela system[J]. Remote Sensing of Environment, 2008, 112 (6): 3173-3180.
[2] Isenstein E M, Park M H. Assessment of nutrient distributions in Lake Champlain using satellite remote sensing[J]. Journal of Environmental Sciences, 2014, 26 (9): 1831-1836.
[3] Wu C F, Wu J P, Qi J G, et al. Empirical estimation of total phosphorus concentration in the mainstream of the Qiantang River in China using Landsat TM data[J]. International Journal of Remote Sensing, 2010, 31 (9): 2309-2324.
[4] Gao Y N, Gao J F, Yin H B, et al. Remote sensing estimation of the total phosphorus concentration in a large lake using band combinations and regional multivariate statistical modeling techniques[J]. Journal of Environmental Management, 2015, 151 : 33-43.
[5] Sun D Y, Qiu Z F, Li Y M, et al. Detection of total phosphorus concentrations of turbid inland waters using a remote sensing method[J]. Water, Air, & Soil Pollution, 2014, 225 : 1953.
[6] 王丽艳, 李畅游, 孙标. 基于MODIS数据遥感反演呼伦湖水体总磷浓度及富营养化状态评价[J]. 环境工程学报, 2014, 8 (12): 5528-5534.
[7] Chang N B, Xuan Z M, Yang Y J. Exploring spatiotemporal patterns of phosphorus concentrations in a coastal bay with MODIS images and machine learning models[J]. Remote Sensing of Environment, 2013, 134 : 100-110.
[8] 潘洁, 张鹰, 谭子辉. 基于高光谱的射阳河口悬浮泥沙浓度定量反演研究[J]. 海洋科学, 2011, 35 (9): 85-90.
[9] 王林, 赵冬至, 杨建洪. 基于环境一号卫星的大洋河河口海域营养盐遥感反演[J]. 中国环境科学, 2012, 32 (1): 136-141.
[10] 李冠男, 王林, 王祥, 等. 静止水色卫星GOCI及其应用进展[J]. 海洋环境科学, 2014, 33 (6): 966-971.
[11] Song K S, Li L, Li S, et al. Hyperspectral remote sensing of total phosphorus (TP) in three central Indiana water supply reservoirs[J]. Water, Air, & Soil Pollution, 2012, 223 (4): 1481-1502.
[12] 燕姝雯, 余辉, 张璐璐, 等. 2009年环太湖入出湖河流水量及污染负荷通量[J]. 湖泊科学, 2011, 23 (6): 855-862.
[13] 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.
[14] 冯驰, 金琦, 王艳楠, 等. 基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算[J]. 环境科学, 2015, 36 (5): 1557-1564.
[15] 郭宇龙, 李云梅, 李渊, 等. 一种基于GOCI数据的叶绿素a浓度三波段估算模型[J]. 环境科学, 2015, 36 (9): 3175-3185.
[16] 江彬彬, 张霄宇, 黄大松, 等. 基于GOCI的近岸高浓度悬浮泥沙遥感反演——以杭州湾及邻近海域为例[J]. 浙江大学学报(理学版), 2015, 42 (2): 213-220.
[17] 赵丽娜, 王艳楠, 金琦, 等. 基于GOCI影像的湖泊悬浮物浓度分类反演[J]. 生态学报, 2015, 35 (16): 5528-5536.
[18] 韩涛, 翟淑华, 胡维平, 等. 太湖氮、磷自净能力的实验与模型模拟[J]. 环境科学, 2013, 34 (10): 3862-3871.
[19] 邓建才, 陈桥, 翟水晶, 等. 太湖水体中氮、磷空间分布特征及环境效应[J]. 环境科学, 2008, 29 (12): 3382-3386.
[20] 刘瑶, 江辉. 鄱阳湖表层水体总磷含量遥感反演及其时空特征分析[J]. 自然资源学报, 2013, 28 (12): 2169-2177.
[21] 秦伯强, 胡维平, 陈伟民. 太湖水环境演化过程与机理[M]. 北京: 科学出版社, 2004.
[22] 冯露露, 李正魁, 周涛. 太湖浮游植物和各形态无机氮的时空分布特征[J]. 湖泊科学, 2012, 24 (5): 739-745.
[23] 张菊, 邓焕广, 王东启, 等. 不同温度条件下徒骇河沉水植物腐烂对上覆水体中营养盐浓度的影响[J]. 水资源保护, 2011, 27 (4): 22-26.
[24] 王琦, 姜霞, 金相灿, 等. 太湖不同营养水平湖区沉积物磷形态与生物可利用磷的分布及相互关系[J]. 湖泊科学, 2006, 18 (2): 120-126.
面向GOCI数据的太湖总磷浓度反演及其日内变化研究
杜成功, 李云梅 , 王桥, 朱利, 吕恒