基于HJ-1ACCD数据的湖泊叶绿素a浓度反演

来源:用户上传      作者:

　　摘要：为及时、快速地获取百花湖叶绿素a浓度情况，形成具有可操作性的水质遥感监测技术，结合HJ-1A卫星数据与2012年4月实测的光谱数据，建立百花湖叶绿素a的遥感反演模型。结果表明：①第1波段和第2波段比值（B2/B1）与叶绿素a浓度的相关性最好，相关系数（R2）为0.84。②利用波段比值构建的回归模型具有不错的反演效果，模型决定系数（R2）为0.87，平均绝对误差（MAPE）为13%，均方根误差（RMSE）为4.32mg/m3;用12月份实测的数据对模型进行验证，效果也比较理想，说明该模型适用于百花湖冬、春季叶绿素a浓度的反演，在一定时间范围内具有一定的普适性。③百花湖湖边叶绿素a浓度高于湖心，分布趋势自北向南逐渐增加;④营养状态指数空间分布主要呈富营养化状态，富营养状态区域占全湖的85%，中营养状态区域仅占全湖的15%。叶绿素a反演及富营养化评价结果与实际分析情况相符，表明HJ-1ACCD数据可用于百花湖水质参数的遥感监测。
　　关键词：叶绿素a;HJ-1ACCD1数据;遥感反演;百花湖;贵阳市
　　中图法分类号：X52
　　文献标志码：A
　　DOI：10.16232/j.cnki.1001-4179.2019.03.012
　　文章编号：1001-4179（2019）03-0066-07
　　葉绿素a是藻类生物的重要组成成分之一，其含量的多寡能够表征水中浮游植物的生物量和生产力状况，是反映水体富营养化程度的一个重要参数。传统的监测采用实地采样分析，该方法虽能较准确地反映采样点的水质情况，但耗时耗力，采样数量十分有限，不能反映出水质指标的整体分布情况，无法实现大范围的动态监测。在水环境监测中，遥感反演叶绿素a浓度作为一种重要的技术手段，具有实时、宏观和便于长时间序列监测的优势，近几十年来被广泛应用于研究中。
　　环境一号卫星是我国专用于环境和灾害监测的对地观测系统，由两颗光学卫星（HJ-1A、HJ-1B）和1颗雷达卫星（HJ-1C）组成，具有大范围、全天候、全天时、动态的环境和灾害监测能力。该卫星搭载的CCD相机和超光谱成像仪（HSI），可获取高时间分辨率、高光谱分辨率、中等空间分辨率的对地观测数据，数据可获取性强，已成为我国环境遥感监测的主要数据源之
　　近年来，国内利用这一数据开展了一些关于叶绿素a浓度反演模型的研究。如周正等口利用HJ-1A/BCCD数据和实测叶绿素a浓度，建立了东湖叶绿素a遥感估测模型，并运用该模型得到该湖区叶绿素a浓度的空间分布;杨荣等3使用HJ-1A卫星CCD1，数据，通过对各种波段组合的趋势拟合分析，构建了适合滇池的叶绿素a和悬浮物浓度的反演模型;罗建美等以滦河口北部海域为研究区，通过HJ-1ACCD2影像数据和实测数据，建立了适合该区域的叶绿素a浓度反演模型，并得出HJ-1ACCD2数据可用于水文情况较复杂的II类水体叶绿素a浓度反演的结论;杨婷等[5]通过对实测光谱数据和影像光谱数据的分析，研究了HJ-1A超光谱影像波段与太湖叶绿素a浓度以及悬浮物浓度之间的关系，并建立了相应的反演模型;乔晓景等利用HJ-1卫星CCD数据的第1.3波段对长江中游武汉河段建立了悬浮物浓度反演模型，得出悬浮物浓度分布图。
　　近年来有关基于环境卫星遥感影像的叶绿素a浓度反演研究主要集中于大面积湖泊或近海岸大面积水体区域，对于内陆小型湖泊水库的研究较少。目前针对贵阳市百花湖的水质监测研究大部分采用常规的实验室分析方法，利用遥感影像进行监测的研究尚未发现。因此，本文初次结合HJ-1CCD多光谱数据与实测：光谱数据，以其他区域水质遥感监测研究为基础，对百花湖叶绿素a浓度遥感监测方法进行更深入的探讨，寻找出适合该湖叶绿素a浓度反演和富营养化的评价方法，以弥补传统监测方法在污染物的空间分布与动态监测中的不足。
　　1 研究区概况
　　百花湖（E106°27'～E106°34'，N26°35'～N26°42'）位于贵州省中部的贵阳西北郊处，是猫跳河梯级电站的第二级蓄水库，因处于地理环境特殊的喀斯特分布区，喀斯特溶蚀侵蚀和溶蚀构造地貌，使得湖水呈碱性，流域内水循环交替迅速，属于贵州喀斯特高原人工湖泊之一。图1为研究区监测点示意图。
　　百花湖水库来水主要由红枫湖的下泄水及长冲河、东门桥河、麦城河和麦西河4源汇成，水库大坝坝高48.7m，平均水深13.0m，整体上呈一狭长带状，沿SW-NE向分布。库区为亚热带气候环境，年平均气温149C，年均降雨量约为1004mm，枯水期降雨量约占全年降雨量的26%，丰水期（5～9月）降雨量约占全年的74%。百花湖水库年蓄水量在11820～16465万m’之间，河流区（N26°38'689"，E106°30'366"）为百花水库最大来水河流入口处，过水量大，两岸狭窄，是流速最快的水域，水深10～15m，过渡区（N26°39'674"，E106°31'709"）位于水库中央，汇集了主要支流来水，水面宽阔，水流较缓，水深15～20m，湖泊区（N26°41'218"，E106°32'757"）位于坝前，水深20～45m。近年来随着人口增长和社会经济的发展进步以及湖泊两岸工业用水、生活污水等的肆意排放，使得百花湖水体水质状况不容乐观，水污染问题日渐严重。
　　数据与方法
　　2.1 研究数据
　　2.1.1 遥感数据
　　研究选用的HJ-1ACCD1影像数据，成像时间为2012年4月1日01：41：03（格林威治时间），分辨率为30m，研究区上空基本无云覆盖。影像从中国资源卫星应用中心网站（http：//www.cresda.com）获取。参考影像为经过几何精校正的Landsat5-TM影像，为西安80坐标系，6度分带20N带，GaussKruger投影，IAG75椭球体。HJ-1A的CCD多光谱数据包括蓝、绿、红、近红外4个波段，波段设置如表1所示。 　　2.1.2 实测数据
　　2012年4月2日进行了与遥感卫星数据同步的地面实验，共采集了24个监测点的数据，每个点测量了10组数据，取平均值以减少误差，叶绿素a的测定采用分光光度法。光谱测量仪器采用美国分析光谱仪器公司（Analytical Spectral Devices）生产的Fieldspec HandHeld便携式野外光谱仪，该仪器测定的光谱范围为350～1080nm，采样间隔为1.4nm，光谱分辨率为3nm，视场角为25°。光谱测量在北京时间10：00～14：00进行，光谱处理方法采用水面以上测量法，光谱仪传感器探头方向基本垂直于水面。采样时天气晴朗，湖面基本平静。对每个采样点进行至少10次反射光谱测量，计算遥感反射率前，先剔除异常光谱曲线，再将剩余的光谱曲线作平均处理，处理后的值为该点的实际光谱反射值。
　　2.2 研究方法
　　2.2.1 遥感影像预处理
　　（1）辐射定标是将遥感影像的DN（digitalnum-ber）值转换为辐射亮度，以实现定量研究。建立遥感传感器的数字量化输出值DN与其所对应视场中辐射亮度值之间的定量关系，即对影像进行辐射定标。计算公式如下
　　公式
　　式中，L为辐射亮度值，W/（m2·sr·μm），DN为影像的数字量化值;g为绝对定标系数增益，W-1·m3.sr·μum;Lo为偏移值，W/（m·sr·μm）。
　　（2） 大气校正可消除大气分子、气溶胶散射和光照等因素对地物反射的影响，从而获得地物真实反射率[10]。FLAASH是目前使用效果较好的大气校正方法，它能够高保真地恢复地物波谱信息，以获得地物较准确的地表温度、反射率以及辐射率等真实物理模型参数。本文采用ENVI5.1软件中的FLAASH校正模块对HJ-1ACCD影像进行大气校正。
　　（3） 为准确提取研究区水体信息，本文根据徐函秋[13]提出的利用中红外波段替换近红外波段构成的改进归一化差异水体指数MNDWI（ModifiedNDWI）提取研究区水体信息。该方法提取效果优于NDWI（归一化水体差异指数），更能够揭示水体微细特征（如水质变化等）、区分阴影和水体以及快速、准确地提取水体信息，从而减小其他地物的影响。
　　2.2.2 模型精度评价方法
　　本文使用均方根误差（RMSE）和平均绝对百分比误差（MAPE）作为模型反演精度的评价依据，其计算公式如下
　　公式
　　其中，ximea代表实验室测定的叶绿素a浓度，mg/m3;ximod代表反演模型计算的叶绿素a浓度，mg/m3;n为样本数。
　　3 结果与分析
　　3.1 叶绿素a浓度遥感定量反演
　　3.1.1 叶绿素a光谱特征分析
　　不同叶绿素a浓度的反射率光谱曲线均存在两个峰值，分别位于575nm和700nm（叶绿素a的荧光峰）附近，前峰值一般高于后峰值，但当叶绿素a浓度较高时会出现荧光峰高于前峰的现象。反射率曲线在443nm和670nm附近将出现谷值。叶绿素a浓度变化对蓝、绿光波段的影响较大，不同叶绿素浓度的遥感反射率在蓝、绿光波段差别显著，在近红外波段基本相似[14]。百花湖水体反射率光谱曲线（图2）具有以下特点：①430～520nm（对应CCD的B2波段）范围内，水体的反射率较低，这是由于叶绿素a、类胡萝卜素以及溶解性有机物质的吸收所致;②520～600nm（对应CCD的B1波段）范围内，水体的反射率较高，且水体叶绿素a浓度越高，其反射峰值也越大，说明该波段光谱反射率对叶绿素a浓度的变化比较敏感;②在630～690nm（对应CCD的B3波段）附近出现反射率谷值，这是由于藻类叶绿素在红光波段强烈吸收反射率的结果;④在760nm以后（对应CCD的B4波段）出现又一反射峰，这主要是由悬浮物所引起的。
　　3.1.2 波段等效变换
　　由于HJ-1ACCD卫星影像为多光谱数据，传感器的感光元件在每个波段范围内的感应强度不同，因此，在成像过程中，应根据相应的波段响应函数来对该范围内的所有辐射能量值进行积分运算，以提高遥感反演模型的精度。ASD光谱仪所测得的反射率为窄波段数据，为更好地分析水体反射率与叶绿素a浓度的相关性，在建立基于实测光谱数据的卫星反演模型前，需将窄波段的光谱反射率等效变换为宽波段的光谱反射率数据。首先根据HJ-1ACCD1的波段设置（图2），再采用Dekker等15的方法，根据对应的光谱响应函数计算该波段的波段等效值，具体算法见式（4）。
　　公式
　　式中，R等效为等效变换后的反射率值，R。为ASD光谱仪测量的遥感反射率值f（λ）为光谱响应函数，入、入2为光谱响应函数两端的光谱响应点。
　　3.1.3 敏感波段确定
　　对获取的24个样本进行分析，剔除数值异常的光谱曲线，最终将2/3的样本用于建模，其余1/3样本用于模型的验证。根据监测时GPS记录的经纬度坐标，利用ENVI5.1遥感处理软件提取影像中监测点对应的反射率值，对影像各波段及波段组合的反射率与实测叶绿素a浓度进行相关性分析以确定其敏感波段或波段组合，结果见表2。
　　從表2中可以看出，影像各波段与叶绿素a浓度的相关程度均不高。有学者提出，采用单波段往往不能很好地反映影响因子与水质参数间的关系，故利用HJ-1ACCD影像的单波段反射率模型反演叶绿素;a浓度：是不合适的研究发现，采用叶绿素a特征波段组合能够增大叶绿素a反射峰与吸收峰间的差异，定程度上可减小其他污染物的影响，以更好地对叶绿素a浓度进行反演。因此，本文根据前人的研究经验，选择16种波段组合的反射率值与实测叶绿素;a浓度值进行相关分析，结果发现，B2/B1与叶绿素a浓度的相关性最大，R2达0.84，这与其他学者的研究结论一致，其次是（B1+B4）/（B1+B3）和B3/B2与叶绿素a浓度的相关性，R？分别为0.76和0.74。 　　由于考虑到水体在不同波段的光谱辐射亮度不同，采用比值法可以部分消除大气的影响，减少空间和时间上水面粗糙度变化的干扰2，本文最终选取B2/B1为自变量与16个样点的叶绿素a浓度数据建立回归模型。
　　3.2 叶绿素a反演模型构建
　　3.2.1 回归模型建立
　　基于上述相关分析的结果，将16个样点的叶绿素a浓度数据与波段组合（B2/B1）进行回归统计分析，得到多项叶绿素a浓度遥感反演模型（见表3）。
　　为筛选出最佳回归模型，本文比较分析不同波段组合及不同模型的RMSE和MAPE来判定模型的反演效果。从表3可知，线性模型和幂指数模型的MAPE均最小，其中，幂指数模型的R2和F均大于线性模型，且RMSE小于线性模型。因此，两种模型中幂指数模型的效果较好;对数、倒数、二次模型和三次模型的MAPE一样，但前两者的R2及F高于后两者，表明相关性比后两者显著;指数模型，虽相关系数也高达0.85，但RMSE和MAPE分别为4.89mg/m3和15%，在几种模型中误差为最大，故不采用该模型;对比效果较好的3种模型（幂指数模型、二次模型和三次模型），幂指数模型与叶绿素a浓度相关系数最大，且RMSE和MAPE最小，表明三者之间幂指数模型的反演效果最佳。因此，最终选取幂指数模型作为百花湖叶绿素a浓度反演模型。
　　3.2.2 模型验证
　　为检验模型的准确性及适用性，将剩余的8组叶绿素a浓度数据作为验证集，对建立的幂指数反演模型进行验证。将8个反演值与地面实测值进行精度分析，见图3（a）。计算出两者之间的相关系数R2为0.87，表明了两者具有显著的相关性。此外，为进一步验证所建反演模型的合理性和可靠性，使用同年12月份的10组实测数据对该模型进行独立验证，见图3（b）。
　　结果表明，基于幂指数模型反演的叶绿素a浓度值最大相对误差为29%，最小相对误差为0.5%，MAPE为5.6mg/m3，MAPE平均相对误差为9.2%，说明该模型适用于百花湖叶绿素a浓度的反演。相较于平均浓度，除了个别值的反演精度稍低，其他反演值与实测值均比较接近。误差主要发生于个别叶绿素a浓度较高的值，这是由于内陆水体易受人为和自然因素的影响，不同点叶绿素a浓度可能会产生较大差异，导致实测的数据点并不能有效代表所在区域内的平均浓度值，在一定程度上会影响模型的反演精度。另外，经12月份数据验证发现，相关系数也较好（R2=0.82），反演误差较小（RMSE=3.4mg/m3，MAPE=12.3%），说明该模型可以较好地应用于百花湖冬、春季叶绿素a浓度的反演。百花湖12月份（冬季）的水体叶绿素a浓度相较于4月份（春季）的叶绿素a浓度总体上稍低一些，这是由于冬季水体的平均水温较低，一定程度上抑制了浮游植物的生长，导致叶绿素a含量降低。此结果进一步说明了该模型在一定时间范围内的普适性。
　　3.3 反演模型实例应用
　　3.3.1 叶绿素a浓度反演结果
　　根据幂指数模型分別计算出4月和12月的叶绿素a浓度反演值，在ArcGIS10.2中利用空间插值法得到其空间分布情况（图4）。由图4可知，百花湖叶绿素a浓度总体较高。这可能是由于百花湖属于一个狭长形的河道型湖泊，湖区之间的水体交换能力相对较弱，湖中载有污染物的水体不能很快与其他湖区水体进行交换，水质指标迅速累积导致其质量浓度升高。时间上，4月份的叶绿素a浓度总体上高于12月份的叶绿素a浓度，表现出春季高、冬季低的特点，这主要是由于温度的降低限制了浮游植物的生长。空间上，水质指标的分布随水流方向呈逐渐减小的趋势，但变化不大。浓度值较高的点位于团坡附近的样点13、14和15，造成该处浓度高的原因是由于上游红枫湖汇入的河段相对升温快且伴有营养物质，加上附近人为因素的影响，促进了藻类的快速生长;麦西河口处的样点1也是因为支流河段以及人类活动的影响而使叶绿素a浓度升高;相较于样点1，位于干厂坝的样点3虽然也处于湖泊支流河口处，但基本很少受到人类的影响，其叶绿素a浓度相对较低;位于姜家铺附近的样点7虽然没有受到外来水流的影响，叶绿素a浓度值较高是由于其周边有大片的农田，加上自然地理因素的影响所致。可以发现，人为因素对水体藻类生长的贡献较大，受人为影响较少的湖区中心叶绿素a浓度相对较低。其次，由于湖岸的水体相对于湖中心深度较浅，阳光透过性好，水体含氧量也较高，温度适宜，加上湖岸的人类活动较多，可以满足藻类生物生长和繁殖所需的阳光、氧气、温度和营养要求。因此，导致百花湖叶绿素a浓度总体分布呈湖边高、湖心低，方向自北向南逐渐升高的特征。
　　3.3.2 水体富营养化状态评价
　　关于水体富营养化的判断依据，目前仍没有形成统一的标准或模型。在水环境监测中，监测的水质指标主要集中在悬浮沉积物、叶绿素和透明度、浑浊度等参数。Carlson营养状态指数（TSI）是由水体透明度、叶绿素a浓度及总磷浓度等多项指标转换而来，这几项指标中的任何一个参数都可单独用来评价水体的富营养状态，相对于其他几个参数，叶绿素a更适合用来评价湖泊水体的营养状态。另外，由于2012年百花湖水质污染较为严重，水体呈现富营养化状态，而叶绿素a浓度是衡量富营养化状态的重要指标。因此，本文以叶绿素a浓度为标准计算的营养状态指数来评价百花湖水体的富营养化状况。其计算公式如下：
　　公式
　　式中，TSI（chl-a）为卡尔森营养状态指数;chl-a为叶绿素浓度，mg/m3。
　　基于反演模型，由，上述公式（4）计算出的TSI值可在一定程度上评价水体的营养状态，按照TSI与水体营养状态的对应关系，采用0～100的一系列连续数字将百花湖富营养状态分为4个等级，即贫营养（<40）、中营养（40～50）、富营养（50～70）和极度富营养（>70）。TSI值与湖泊水体营养状态的对应关系见表4。 　　将TSI通过空间插值得到百花湖水体4月和12月的富营养化状态分布情况（图5）。
　　根据图5可以看出，由于该期间百花湖的叶绿素a浓度值普遍较高，导致其营养状态指数值（TSI）总体也较高，其中，富营养状态区域占全湖总面积的85%，而中营养状态区域仅占全湖面积的15%。由于湖岸周边人类活动频繁及农业生产中大量化肥和农药在土壤中残留，其中的氮和磷通过大气、水体迁移等方式进入湖中，为水中营养物质的迅速累积提供了条件;中游部分（采样点14、15）和上游部分（采样点19、20）由于受支流中其他营养物质输入及环境的影响，使得TSI值比其他区域的稍高，水体营养状态略大于其他区域，TSI值分布趋势由南向北先升高后降低，空间分布情况与叶绿素a浓度分布相似。由此得出，百花湖主要是由于人类活动、生活污水、工业废水及地表径流中其他营养物质输入等各种环境因子的共同作用导致水体中营养物质增多，藻类异常增殖、水体透明度、溶解氧降低，最终呈现富营养化状态。该研究结论与高廷进等[918]实验室水样分析结果相符，进一步说明了由叶绿素a浓度值计算的营养状态结果是合理的。从时间上来看，百花湖富营养程度从4月到12月呈降低状态，水质稍见好转，但主要是由于水温降低所致，因此，水质问题仍较严重。
　　4 结论
　　本文结合HJ-1ACCD1影像数据和实测光谱数据，以贵阳市百花湖为研究区，进行叶绿素a浓度遥感定量反演的可行性探究，通过对比分析各波段与叶绿素a浓度间关系，建立多项叶绿素a遥感反演模型，得出叶绿素a浓度和富营养化状态的空间分布情况并分析其成因。总结如下：
　　（1） 通过对HJ-1ACCD1各波段反射率与叶绿素a浓度的相关性分析，发现叶绿素a浓度的敏感波段为蓝、绿波段。其中，蓝、绿波段比值（B2/B1）与叶绿素a浓度相关性最高，相关系数R2为0.84。
　　（2） 以比值（B2/B1）为自变量，叶绿素a浓度实测值为因变量，建立一系列形式的拟合模型，并对相应模型进行精度分析和样区检验。得出适用于百花湖叶绿素a浓度的反演模型为：y=3.2425x10.29;将12月份的数对模型进行验证，得到较高的精度，说明了该模型在一定时间范围内具有普适性。
　　（3） 百花湖叶绿素a浓度整体呈“湖边高、湖心低”的分布趋势，方向自北向南逐渐增加;营养状态指数空间分布存在“入流处高、出流处低”的现象，主要受营养物质输入的影响。其中，富营养状态区域占全湖总面积的85%，中营养状态区域仅占全湖面积的15%，水体主要表现为富营养化状态。研究结果可弥补百花湖水质常规监测的不足，为遥感影像反演水质参数提供一定的技术参考。
　　参考文献：
　　[1]朱云芳，朱利，李家国，等.基于GF-1WFV影像和BP神经网络的太湖叶绿素a反演[J].环境科学学报，2017，37（1）：130-137.
　　[2]周正，何连，刘良明.基于HJ-1A/BCCD数据的东湖叶绿素a浓度反演可行性研究[J].测绘通报，2011（3）：11-14.
　　[3]楊荣，杨昆，洪亮，等.基于HJ-1A卫星CCD1数据的滇池水质参数反演模型研究[J].节水灌溉，2015（3）：4-45.
　　[4]罗建美，霍永伟，韩晓庆.基于HJ卫星的近岸II类水体叶绿素a浓度定量遥感反演研究——以滦河口北部海城为例[J].海洋学报，2017，39（4）：117-129.
　　[5]杨婷，张慧，王桥，等.基于HJ-1A卫星超光谱数据的太湖叶绿素a浓度及悬浮物浓度反演[J]环境科学，2011，32（11）：3207-3214.
　　[6]乔晓景，何报寅，张文，等.基于HJ-1卫星CCD数据的长江中游武汉河段悬浮物浓度反演[J].华中师范大学学报：自然科学版，2013，47（5）：716-719.
　　[7]李秋华.贵州高原水库富营养化特征及评价[J].贵州师范大学学报：自然科学版，2018，36（2）：1-8.
　　[8]夏品华，林陶.百花湖水库后生浮游动物群落结构时空分布特征及水质评价[J].贵州师范大学学报：自然科学版，2018，36（1）：45-56.
　　[9]高廷进，李秋华，陈峰峰，等.贵州高原水库百花湖富营养化特征分析[J].环境保护学，2014，40（2）：22-29.
　　[10]杨柳，韩瑜，汪祖茂，等.基于BP神经网络的温榆河水质参数反演模型研究[J].水资源与水工程学报，2013，24（6）：25-28.
　　[11]乔延利，郑小兵，王先华，等.卫星光学传感器全过程辐射定标[J].遥感学报，2006，10（5）：616-623.
　　[12]陈俊，王文，李子扬，等.Landsat5TM数据的辐射校正与几何定位精度[J].中国图象图形学报，2008，13（6）：1094-1100.
　　[13]徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报，2005，9（5）：589-596.
　　[14]郑高强，陈芸芝，汪小钦，等.基于HJ-1A卫星CCD数据的厦门海域叶绿素a浓度反演[J].遥感技术与应用，2015，30（2）：235-241.
　　[15]Dekker A G，Malthus T J，Wijinen M M，et al. The Effect of Spectral Band Width and Positioning on the Spectral Signature Analysis of In-land Waters]J]. Remote Sensing of Environment，1992，41（2/3）：211-226.
　　[16]张志伟，曹安州，荣增瑞，等.台湾海峡及周边海城水色光谱特征性分析[J].海洋通报，2012，31（1）：80-87. 　　[17]王皓.基于HJ-1A星數据的大洋河河口水域水质参数反演研究[D].大连：辽宁师范大学，2012.
　　[18]高廷进，李秋华，孟博，等.贵州高原水库汞的分布特征及其对富营养化的响应[J].中国环境科学，2014，34（5）：1248-1257.
　　（编辑：黄文晋）
　　引用本文：黄启会，贺中华，梁虹，杨朝晖，曾信波：基于HJ-1ACCD数据的湖泊叶绿素a浓度反演一以贵阳市百花湖为例[J].人民长江，2019，50（3）：66-72.
　　Inversion of chlorophyll-a concentration in Baihua Lake in Guiyang City based on HJ-1A CCD data
　　HUANG Qihui'，HE Zhonghua'，LIANG Hong'，YANG Chaohui？2，ZENG Xinbo'
　　（1. School of Geography and Environmental Science，Guizhou Normal University，Guiyang 550001，China;2. National KarstRocky Desertification Control Engineering Technology Research Center，Guizhou Normal University，Guiyang 550001，China;3.Guizhou Provincial Water Resources Department，Guiyang 550002，China）
　　Abstract：In order to obtain the concentration of chlorophyll-a in Baihua Lake timely and quickly and develop operable water quality remote sensing monitoring technology，based on the HJ-1 A satellite data and measured spectral data，the remote sensing inversion model of chlorophyll-a of Baihua lake was established. The results showed that：（1） the correlation between the first band and second band ratio（B2/B1） and measured chlorophyll-a spectral data was the best with a correlation of0.84.（2）The regression model constructed by band ratio had a good inversion effect and the model determination coefficient was 0.87，withMAPE of 13%，and RMSE of 4.32mg/m3. In addition，the data of December was applied to verify the model and the ideal results were obtained，showing that the model is suitable for the inversion of chlorophyll-a concentration in Baihua in a certain time.（3） The concentration of chlorophyll-a close to the shoreline was higher than that of lake center，and gradually increased from north to south of the lake.（4） The spatial distribution of nutritional status index was mainly eutrophic，the eutrophic region accounted for 85% of the whole lake area，and the middle nutrition area accounted for 15% . The results of chlorophyll-a inver-sion and eutrophication evaluation coincided with the actual analysis，showing that HJ-1A CCD data can be used for remotesensing monitoring of water quality in Baihua Lake.
　　Key words：chlorophyll-a;HJ-1A CCD1 data;remote sensing inversion;Baihua Lake;Guiyang City
转载注明来源:https://www.xzbu.com/1/view-14801113.htm