一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法

一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法
【专利摘要】本发明提供一种富营养化湖泊藻类垂向分布的MODIS遥感监测方法，通过野外监测获取藻类垂向分布类型；以野外实测水体表面光谱信息和环境信息为基础，构建基于地面实测光谱数据（Rrs）的藻类垂向分布的遥感监测方法；通过模拟不同气溶胶类型及厚度、不同太阳高度角、卫星观测角及方位角，获取地面监测遥感反射比Rrs与模拟的瑞利散射矫正后Rrc之间的定量关系；进而将基于地面实测光谱数据的藻类垂向分布类型监测方法推广至经过瑞利散射矫正的MODIS卫星影像数据。基于该方法，可以准确获取富营养化湖泊藻类垂向分布类型的年际、月际变化规律及其空间分布，为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
【专利说明】一种富营养化湖泊水体藻类垂向分布类型MODIS遥感监测 方法

【技术领域】
[0001] 本发明涉及富营养化湖泊水体藻类垂向分布类型MODIS遥感监测方法。

【背景技术】
[0002] 在富营养化水体，遥感手段已经被广泛用于监测藻华的暴发程度和频率 (Bresciani et al. 2014; Hu 2009; Kahru et al. 2007; Kutser et al. 2006; Odermatt et al. 2012)，也在色素浓度的反演方面开展了大量工作，例如，叶绿素浓度 (Duan et al. 2010; Song et al. 2013b)、藻蓝素浓度（Duan et al. 2012; Song et al. 2013a)等。这些工作大都基于表层水体光学参数的反演或水柱的垂向均一假设。然而，遥 感信号反映的是水面之下一定深度的垂向结构，仅仅依赖于表层会引入误差。
[0003] 遥感监测藻华的面积会在短时间内产生很大的变化，例如，利用GOCI数据监测 中国东海藻华面积显示受潮汐或洋流的影响，一天之内藻华面积会产生大于100%的误差 (Lou and Hu 2014)。实际上，浅水湖泊的藻华暴发不是短时间内生物量的急剧增加，而 是已经存在的大量藻颗粒在水体中上下移动引起的（Cao et al. 2006)。也就是说，藻华 暴发受外界水动力或环境因子的影响改变了藻类的垂向分布结构，从而引起表面看起来的 短时间内藻华突然暴发或消失（Beaver et al. 2013; BlottiSre et al. 2013; Ndong et al. 2014)。此外，一些蓝藻具有依靠调节自身浮力在水中上下移动的能力（Kutser et al. 2008)。藻类垂向结构的变化使得只监测水表面藻华不能反映整个水体的富营养化状 况。而且，遥感反演光学参数的精度（Stramska and Stramski 2005)和色素生物量的估计 (Silulwane et al. 2010)都存在很大的挑战。因此，水柱藻总量比藻华暴发的面积和频率 更能较为全面的反映水体的富营养化状况，从而评价藻华的危害。
[0004] 为了实现藻总量的估算，单元水柱的藻类垂向分布类型遥感识别是关键的一步。 在一类水体的海洋水色遥感中，很多学者已经研究了色素或叶绿素a的垂向分布（Andr6 1992; Hidalgo-Gonzalez and Alvarez-Borrego 2001; MiIIdn-Nufiez et al. 1997; Morel and Berthon 1989; Silulwane et al. 2010; Xiu et al. 2008)及其对遥感反 射比的影响（Gordon and Clark 1980; Kutser et al. 2008; Sathyendranath et al. 1989; Stramska and Stramski 2005)。高斯模型（Andr6 1992; Hidalgo-Gonzalez and Alvarez-Borrego 2001; MiIIdn-Nufiez et al. 1997; Morel and Berthon 1989; Sathyendranath et al. 1989)或者改进的高斯模型（Silulwane et al. 2010)多被 用来描述叶绿素a的垂向结构，并且假设在同一个季节或区域内藻类垂向分布类型不变 (Hidalgo-Gonzalez and Alvarez-Borrego 2001; Silulwane et al. 2010)。尽管目前 很少基于实测数据研究富营养化湖泊藻类垂向分布变化（Kutser et al. 2008)，然而，在 富营养化湖泊依然存在藻类垂向分布变化较快，甚至在一天内呈现不同的分布类型的情况 (D'Alimonte et al. 2014)。这种情况导致在海洋和近岸水体得到的假设条件不适用于内 陆湖泊。总之，揭示藻类垂向分布结构是研发藻总量的遥感估算反演算法的重要步骤。
[0005] 参考文献： Andre, J. -M. (1992). Ocean color remote-sensing and the subsurface vertical structure of phytoplankton pigments. Deep Sea Research Part A. Oceanographic Research Papers, 39, 763-779〇
[0006] Beaver，J. R.，Casamatta，D. A.，East，T. L，Havens，K. E.，Rodusky， A. J. , James, R. T. , Tausz, C. E. , & Buccier，K. M. (2013). Extreme weather events influence the phytoplankton community structure in a large lowland subtropical lake (Lake Okeechobee，Florida，USA) ? Hydrobiologia，709，213-226。
[0007] Blottiere, L., Rossi, M., Madricardo, F., & Hulot, F. D. (2013). Modeling the role of wind and warming on Microcystis aeruginosa blooms in shallow lakes with different trophic status. Theoretical Ecology, 7， 35-52。
[0008] Bresciani，M.，Adamo，M.，De Carolis，G.，Matta，E.，Pasquariello， G. , Vaiciut ，D.，& Giardino，C. (2014). Monitoring blooms and surface accumulation of cyanobacteria in the Curonian Lagoon by combining MERIS and ASAR data. Remote Sensing of Environment, 146， 124-135。
[0009] Cao，H.，Kong，F.，Luo，L，Shi，X.，Yang，Z.，Zhang，X.，& Tao，Y. (2006). Effects of Wind and Wind-Induced Waves on Vertical Phytoplankton Distribution and Surface Blooms ofMicrocystis aeruginosain Lake Taihu. Journal of Freshwater Ecology， 21， 231-238。
[0010] D'Alimonte，D.，Zibordi，G.，Kajiyama，T.，& Berthon，J.-R (2014) ? Comparison between MERIS and regional high-level products in European seas. Remote Sensing of Environment, 140， 378-395。
[0011] Duanj H., Maj R., & Hu, C. (2012). Evaluation of remote sensing algorithms for cyanobacterial pigment retrievals during spring bloom formation in several lakes of East China. Remote Sensing of Environment, 126， 126-135。
[0012] Duan，H.，Ma，R.，Zhang，Y.，Loiselle，S. A.，Xu，J.，Zhao，C.，Zhou， L，& Shang，L (2010). A new three-band algorithm for estimating chlorophyll concentrations in turbid inland lakes. Environmental Research Letters, 5， 044009〇
[0013] Gordon, H. R. , & Clark, D. K. (1980). Remote sensing optical properties of a stratified ocean: an improved interpretation. AppI. Opt. , 19，3428-3430。
[0014] Hidalgo-Gonzalezj R. M. , & Alvarez-Borregoj S. (2001). Chlorophyll profiles and the water column structure in the Gulf of California. Oceanologica Acta, 24, 19-28〇
[0015] Hu, C. (2009). A novel ocean color index to detect floating algae in the global oceans. Remote Sensing of Environment, 113， 2118-2129。
[0016] Kahru, M., Savchuk, 0. P. , & Elmgren, R. (2007). Satellite measurements of cyanobacterial bloom frequency in the Baltic Sea: interannual and spatial variability. Marine Ecology Progress Series, 343， 15-23。
[0017] Kutser, T., Metsamaa, L., & Dekker, A. G. (2008). Influence of the vertical distribution of cyanobacteria in the water column on the remote sensing signal. Estuarine, Coastal and Shelf Science, 78， 649_654〇
[0018] Kutser, T., Metsamaa, L., Strombeck, N., & Vahtmae, E. (2006). Monitoring cyanobacterial blooms by satellite remote sensing. Estuarine, Coastal and Shelf Science, 67， 303-312。
[0019] Lou, X. , & Hu, C. (2014). Diurnal changes of a harmful algal bloom in the East China Sea: Observations from GOCI. Remote Sensing of Environment, 140， 562-572。
[0020] Milldn-Nufiezj R., Alvarez-Borregoj S., & Trees, C. C. (1997). Modeling the vertical distribution of chlorophyll in the California Current System. Journal of Geophysical Research, 102， 8587。
[0021] Morel，A.，& Berthon，J.-R (1989) ? Surface pigments，algal biomass profiles, and potential production of the euphotic layer: Relationships reinvestigated in view of remote-sensing applications. Limnology and Oceanography, 1545-1562。
[0022] Ndong，M.，Bird，D.，Nguyen-Quang，T.，de Boutray，M. L，Zamyadi，A.， Vincon-Leitej B. , Lemaire，B. J. , Prevost, M. , & Dorner, S. (2014). Estimating the risk of cyanobacterial occurrence using an index integrating meteorological factors: application to drinking water production. Water Res, 56， 98-108。
[0023] Odermatt，D.，Pomati，F.，Pitarch，J.，Carpenter，J.，Kawka，M.， Schaepman，M. , & Wtiest, A. (2012). MERIS observations of phytoplankton blooms in a stratified eutrophic lake. Remote Sensing of Environment, 126，232-239。
[0024] Sathyendranath, S., Platt, T., Caverhi11, C. M. , Warnock, R. E., & Lewis, M.R. (1989). Remote sensing of oceanic primary production: computations using a spectral model. Deep Sea Research Part A. Oceanographic Research Papers, 36， 431-453。
[0025] Silulwane, N. F. , Richardson, A. J.，Shillington，F. A. , & Mitchell-Innes， B. A. (2010). Identification and classification of vertical chlorophyll patterns in the Benguela upwelling system and Angola-Benguela front using an artificial neural network. South African Journal of Marine Science, 23， 37-51。
[0026] Song，K.，Li, L，Li, Z.，Tedesco，L，Hall，B.，& Shi，K. (2013a) ? Remote detection of cyanobacteria through phycocyanin for water supply source using three-band model. Ecological Informatics, 15， 22-33。
[0027] Song，K.，Li, L，Tedesco，L P.，Li, S.，Duan，H.，Liu，D.，Hall，B. E.， Du, J., Li, Z., Shi, K. , & Zhao, Y. (2013b). Remote estimation of chlorophyll-a in turbid inland waters: Three-band model versus GA-PLS model. Remote Sensing of Environment, 136，342-357〇
[0028] Stramska, M., & Stramski, D. (2005). Effects of a nonuniform vertical profile of chlorophyll concentration on remote-sensing reflectance of the ocean. AppL Opt.，44，1735-1747。
[0029] Xiuj P., Liu, Y., & Tang, J. (2008). Variations of ocean colour parameters with nonuniform vertical profiles of chlorophyll concentration. International Journal of Remote Sensing, 29， 831-849。


【发明内容】

[0030] 本发明目的在于提供一种富营养化湖泊水体藻类垂向分布类型MODIS遥感监测 方法，利用遥感手段精确获取富营养化湖泊水体藻类垂向分布类型，继而准确估算藻类总 存量，分析蓝藻水华发生、发展状况及趋势，科学评估湖泊污染治理与生态修复效果，为水 利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
[0031] 本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有 利的方式发展独立权利要求的技术特征。
[0032] 为达成上述目的，本发明所采用的技术方案如下： 一种富营养化湖泊水体藻类垂向分布类型MODIS遥感监测方法，包括：通过野外监测 获取藻类垂向分布类型；以野外实测水体表面光谱信息（Rre)和环境信息为基础，构建藻类 垂向分布的遥感监测方法；通过模拟不同气溶胶类型及厚度、不同太阳高度角、卫星观测角 及方位角，获取地面监测遥感反射比（R re)与模拟的瑞利散射矫正后艮。之间的定量关系； 进而将基于地面实测光谱数据的藻类垂向分布类型监测方法推广至经过瑞利散射矫正的 MODIS卫星影像数据，大大提高了该方法的实用性；基于该方法，可以准确获取富营养化湖 泊藻类垂向分布类型的年际、月际变化规律及其空间分布。
[0033] 作为进一步的实施方式，具体地，所述的方法包括如下步骤： 1、 确定藻类垂向分布类型 基于水体光学活性物质（叶绿素a、无机悬浮物、黄色物质）的基本监测原理，通过野外 实地监测获取水体中不同深度处藻类以及其他光学活性物质的浓度，通过聚类分析得到藻 类垂向分布类型，以及与其他光学活性物质垂向分布间的关系； 2、 构建基于实测光谱信息和同步环境信息的藻类垂向分布类型的遥感监测方法 在获取藻类垂向分布信息的同时，获取水体表层的遥感信息（R re)以及周围的环境信息 (离岸距离、风速、水深等)，通过相关性分析，确定基于水体表层遥感信息和风速构建藻类 垂向分布类型的遥感监测决策分类树； 3、 获取地面监测遥感反射比（Rre)与模拟的瑞利散射矫正后Rrc之间的定量关系 为了确定基于MODIS卫星数据的藻类垂向分布类型决策树中的NDBI阈值，考察巢湖地 区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对地面监测的遥感 反射比与模拟的瑞利散射矫正后的Rm之间的定量关系的影响，并通过模拟数据确定两者 之间的定量模型，从而确定NDBI针对MODIS卫星影像的决策阈值； 4、 构建藻类垂向分布类型的MODIS遥感监测方法 基于前述步骤和方法，可以将基于地面实测光谱数据的藻类垂向分布类型决策树推广 至经过瑞利散射矫正的卫星影像数据，实现全影像藻类垂向分布类型的空间分布；基于该 方法，可以准确获取富营养化湖泊藻类垂向分布类型的年际、月际变化规律及其空间分布。
[0034] 由以上本发明的技术方案可知，本发明提出的富营养化湖泊水体藻类垂向分布类 型MODIS遥感监测方法，旨在基于野外实测数据，选择对于藻类垂向分布类型显著相关的 因素，构建区分藻华与非藻华水体的NDBI指数，继而形成基于实测数据的藻类垂向分布类 型的遥感监测方法；通过地面实测光谱数据与经过瑞利散射矫正后的R m数据的定量关 系这一核心，成功实现了对MODIS影像中藻类垂向分布类型的判别，更加客观真实地反映 湖泊藻类垂向分布类型的时空分布。藻类垂向分布类型的遥感监测是实现藻类总存量的 估算的前提和基础，湖泊藻类分布类型以及藻类总存量的长期高精度监测，有助于科学评 估年际间水体富营养化状态的变化及其发展趋势，有效评估湖泊污染治理和生态修复的绩 效，为水利、环保等部门的水资源管理、水环境保护的科学决策提供科技支撑。
[0035] 应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这 样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保 护的主题的所有组合都被视为本公开的发明主题的一部分。
[0036] 结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实 施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面 的描述中显见，或通过根据本发明教导的【具体实施方式】的实践中得知。

【专利附图】

【附图说明】
[0037] 附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组 成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。 现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中： 图1是巢湖藻类垂向分布类型示意图。
[0038] 图2是不同藻类垂向分布类型对应的水体表层遥感反射比光谱曲线示意图。
[0039] 图3是不同环境因子对藻类垂向分布类型的影响示意图。
[0040] 图4是基于实测光谱的藻类垂向分布类型遥感决策树示意图。
[0041] 图5是不同气溶胶类型及其厚度条件下，与Rre间的定量关系示意图。
[0042] 图6是基于MODIS的藻类垂向分布类型遥感决策树示意图。
[0043] 图7是巢湖藻类垂向分布类型的空间分布示意图。
[0044] 前述图示1-7中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公 知的，并不在本例中再做赘述。

【具体实施方式】
[0045] 为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
[0046] 在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。 本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和 实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实 施，这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一 些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
[0047] 本发明给予一种富营养化湖泊水体藻类垂向分布类型遥感监测方法，上述目的是 这样实现的：通过野外监测获取藻类垂向分布类型；以野外实测水体表面光谱信息（R re)和 环境信息为基础，构建藻类垂向分布的遥感监测方法；通过模拟不同气溶胶类型及厚度、不 同太阳高度角、卫星观测角及方位角，获取地面监测遥感反射比（Rre)与模拟的瑞利散射矫 正后Rm之间的定量关系；进而将基于地面实测光谱数据的藻类垂向分布类型监测方法推 广至经过瑞利散射矫正的MODIS卫星影像数据，大大提高了该方法的实用性；基于该方法， 可以准确获取富营养化湖泊藻类垂向分布类型的年际、月际变化规律及其空间分布。
[0048] 下面结合附图1-7所示，示例性地说明前述方法的具体实现。
[0049] 1、确定藻类垂向分布类型 基于水体光学活性物质（叶绿素a、无机悬浮物、黄色物质）的基本监测原理，通过野外 实地监测获取水体中不同深度处藻类以及其他光学活性物质的浓度，通过聚类分析得到藻 类垂向分布类型，以及与其他光学活性物质垂向分布间的关系。
[0050] 本例中，利用野外垂向分层采样器获取藻类（叶绿素a，Chla)在不同水层的浓 度分布情况，采用聚类分析的方法确定藻类垂向分布类型包括均一型（Type 1)、高斯型 (Type 2)、指数型（Type 3)以及幂指数型（Type 4)四类（图1)，而水体中的其它光学活性 物质(无机悬浮物和黄色物质）则呈现均一型垂向分布。
[0051] 示例性地，前述的水体表层的光谱特征来自于巢湖野外实测的光谱数据Rre，监测 仪器为美国ASD公司的双通道地面光谱监测仪（350-1050nm)。
[0052] 如前所述，藻类垂向分布监测深度包括0、10、20、40、70、100、150、200、250和 300cm共计9个不同深度的监测数据。
[0053] 2、构建基于实测光谱信息和同步环境信息的藻类垂向分布类型的遥感监测方法 在获取藻类垂向分布信息的同时，获取水体表层的遥感信息（R re)以及周围的环境信息 (离岸距离、风速、水深等)，通过相关性分析，确定基于水体表层遥感信息和风速构建藻类 垂向分布类型的遥感监测决策分类树。
[0054] 本例子中，对于一般水体，水体的遥感反射比与不同深度水体的固有光学属性综 合体现，不同的藻类垂向分布类型也会对水体表层的遥感反射比产生一定的影响。
[0055] 图2示例性第表示了不同藻类垂向分布类型对应的水体表层遥感反射比光谱曲 线。
[0056] 由于藻华水体在绿光波段（570nm)有个反射峰以及在665nm的反射谷十分显著， 因此可以利用这两个特征来区分藻华水华和非藻华水体。根据此特点，本实施例中提出了 NDBI (Normalized difference bloom index)指数，表达如下： NDBIErs= (Rrs (550) -Rrs (675)) / (Rrs (550) +Rrs (675)) (I) 通过考察环境因素(离岸距离、风速以及水深）对藻类垂向分布类型的影响发现，只 有风速对藻类垂向分布类型产生显著影响，如图3的示例，因此，基于NDBI和风速构建基于 实测光谱的藻类垂向分布类型遥感分类决策树，如图4所示。
[0057] 根据NDBI是否大于0? 24判断是否有藻华发生，区分为Typel-2与Type3-4 : 在无藻华水体，当风速大于3. 5m/s时判定为Type 1，否则为Type 2 ; 在藻华水体，当风速小于I. 5 m/s时判定为Type 4,否则为Type 3。
[0058] 如前所示，Typel-2与Type3_4对应于前述的：均一型（Type 1)、高斯型（Type 2)、指数型（Type 3)以及幂指数型（Type 4)。
[0059] 3、获取地面监测遥感反射比（R")与模拟的瑞利散射矫正后艮。之间的定量关系 为了确定基于MODIS卫星数据的藻类垂向分布类型决策树中的NDBI阈值，考察巢湖地 区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对地面监测的遥感 反射比与模拟的瑞利散射矫正后的Rm之间的定量关系的影响，并通过模拟数据确定两者 之间的定量模型，从而确定NDBI针对MODIS卫星影像的决策阈值。
[0060] 本例中，要将基于实测光谱数据得到叶绿素a的反演算法推广至卫星影像数据， 大气矫正不可忽略。
[0061] 但是目前仍然缺乏针对高浑浊水体有效的精确大气矫正算法，本实施例中采用 MODIS影像的瑞利散射矫正，也就是通过这种矫正，大气层顶的光学信息去除了瑞利散射的 影响，依然包含着气溶胶信息以及卫星观测信息。
[0062] 基于瑞利散射校正后的数据，NDBI修正表达为， NDBIErc= (Rrc (555) -Rrc (645)) / (Rrc (555) +Rrc (645)) (2) 其中，&。（入）是经过瑞利校正的入波长处的反射率。Rm是MODIS数据进行瑞利散射 校正，然后基于Hu等（2004)的研究将其转换为瑞利散射校正后的反射率： Rrc = it LI/(FqCosBq) - RrRrc = -JtVt/(FQms6Q) - Rr (3) 式中，1414是校正臭氧和其他气体吸收效应后的传感器辐射率，Ftl是获取数据时的大气 圈外太阳福照度，9 cl是太阳天顶角，R1?是采用6S (例如Vermote等提出，1997)预测的瑞丽 反射率。
[0063] 基于福射传输理论以及假定一个非f禹合的海洋一大气系统，R1?。可以表达为： 只rc =没(2 十 V及tnrgrst只rc =十 V只target (4) 式中，Ra是气溶胶反射率(包括来自于气溶胶分子的相互作用），Rtawt是野外实测目标 (藻类或者水体）的表面反射率，h是从太阳到目标物的大气透射率，t是从目标物到卫星传 感器的大气透射率。由于受风和水流的影响，浮游藻类通常呈现一种水面浮油的形态，因此 t可以看作浮游藻类的光透射率。
[0064] 为了考察不同气溶胶类型及其厚度，以及卫星观测造成的影响，我们根据巢湖地 区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对地面监测的遥感 反射比与模拟的瑞利散射矫正后的Rrc之间的定量关系的影响（图5)，并通过模拟数据确定 两者之间的定量模型，根据该模型确定NDBI应用于MODIS影像的阈值为0. 1193。
[0065] 前述的气溶胶类型参照SeaDas的LUT的结果，气溶胶厚度参照巢湖地区常年监测 结果范围，观测角度则依靠巢湖的地理位置确定。
[0066] 4、构建藻类垂向分布类型的MODIS遥感监测方法 基于前述步骤和方法，可以将基于地面实测光谱数据的藻类垂向分布类型决策树推广 至经过瑞利散射矫正的卫星影像数据，实现全影像藻类垂向分布类型的空间分布；基于该 方法，可以准确获取富营养化湖泊藻类垂向分布类型的年际、月际变化规律及其空间分布。 [0067] 本例子中，基于图4以及NDBI to。阈值，可确定巢湖藻类垂向分布类型的MODIS遥 感监测方法，如图6所示。
[0068] 依据基于MODIS影像的瑞利散射矫正，结合图4即可实现全影像中藻类垂向分布 类型空间分布。具体流程主要如下： ①对获取的MODIS影像进行了几何纠正和辐射定标计算，几何纠正采用Geographic Lat/Lon投影，结合遥感图像IB数据中的经纬度信息进行校正，校正后的位置精度可达 到0. 5个像素。在ERDAS中利用湖泊矢量边界，通过掩膜技术提取湖泊水域，除去岛屿植被 的影响，利用最近邻法，将MODIS 500m影像数据重采样为250m ; ② MODIS影像中逐一像元计算其在band 1 (645 nm)和band 4 (555 nm)的Rlx值； ③ 根据公式（2)逐一像元计算NDBI值； ④ 继而结合前述的判断方法即可得到藻类垂向分布类型的空间分布结果。
[0069] 图7示例性地给出了以巢湖的数据得到的巢湖藻类垂向分布类型的空间分布示 意图。
[0070] 通过上述方法即可实现藻类垂向分布类型的MODIS遥感监测，藻类垂向分布类型 是实现藻类总存量的估算的前提和基础，湖泊藻类分布类型以及藻类总存量的长期高精度 监测，有助于科学评估年际间水体富营养化状态的变化及其发展趋势，有效评估湖泊污染 治理和生态修复的绩效，为水利、环保等部门的水资源管理、水环境保护的科学决策提供科 技支撑。
[0071] 虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技 术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因 此，本发明的保护范围当视权利要求书所界定者为准。
【权利要求】
1. 一种富营养化湖泊水体藻类垂向分布类型MODIS遥感监测方法，其特征在于，包括 以下步骤： 1) 确定藻类垂向分布类型 通过野外实地监测获取水体中不同深度处藻类以及其他光学活性物质的浓度，通过聚 类分析得到藻类垂向分布类型，以及与其他光学活性物质垂向分布间的关系； 2) 构建基于实测光谱信息和同步环境信息的藻类垂向分布类型的遥感监测方法 在获取藻类垂向分布信息的同时，获取水体表层的遥感信息Rre以及周围的环境信息， 通过相关性分析，构建基于水体表层遥感信息和风速藻类垂向分布类型的遥感监测决策分 类树； 3) 获取地面监测遥感反射比与模拟的瑞利散射矫正后之间的定量关系 基于巢湖地区在不同气溶胶类型及厚度、不同太阳高度角、卫星观测角以及方位角对 地面监测的遥感反射比与模拟的瑞利散射矫正后的之间的定量关系的影响，并通过模 拟数据确定两者之间的定量模型，从而确定NDBI针对M0DIS卫星影像的决策阈值； 4) 构建藻类垂向分布类型的M0DIS遥感监测方法 基于前述步骤和方法，将基于地面实测光谱数据的藻类垂向分布类型决策树应用至经 过瑞利散射矫正的卫星影像数据，实现全影像藻类垂向分布类型的空间分布；基于该方法， 获取富营养化湖泊藻类垂向分布类型的年际、月际变化规律及其空间分布。
2. 根据权利要求1所述的富营养化湖泊水体藻类垂向分布类型遥感监测方法，其特征 在于，所述步骤1)中，前述的水体表层的光谱特征来自于巢湖野外实测的光谱数据R"，监 测仪器为美国ASD公司的双通道地面光谱监测仪。
3. 根据权利要求1所述的富营养化湖泊水体藻类垂向分布类型遥感监测方法，其特征 在于，所述步骤1)中，藻类垂向分布监测包括0、10、20、40、70、100、150、200、250和300cm 共计9个不同深度的监测数据。
4. 根据权利要求1所述的富营养化湖泊水体藻类垂向分布类型M0DIS遥感监测方法， 其特征在于，所述步骤2)中，基于地面实测光谱数据的藻类垂向分布类型评价指数NDBI表 达形式为： (Rrs (550) -Rrs (675)) / (Rrs (550) +Rrs (675))。
5. 根据权利要求1所述的富营养化湖泊水体藻类垂向分布类型MODIS遥感监测方法， 其特征在于，所述步骤3)中，其中，气溶胶类型参照SeaDas的LUT的结果，气溶胶厚度参照 巢湖地区常年监测结果范围，观测角度则依照巢湖的地理位置确定。
6. 根据权利要求1所述的富营养化湖泊水体藻类垂向分布类型MODIS遥感监测方法， 其特征在于，所述步骤4)中，应用于MODIS影像的NDBI指数表达形式为： (R" (555) -R" (645)) (555) +Rrc (645))，且建立在MODIS卫星影像的辐射定标、几何 纠正和大气瑞利散射校正的基础上。
【文档编号】G01N21/25GK104374713SQ201410725431
【公开日】2015年2月25日 申请日期:2014年12月3日 优先权日:2014年12月3日
【发明者】张玉超, 马荣华, 段洪涛, 陈开宁 申请人:中国科学院南京地理与湖泊研究所