本发明涉及富营养化湖泊藻蓝素的MODIS遥感监测方法。
背景技术：
：：卫星遥感技术具有准实时、周期性强、覆盖范围广、成本低等优势，可以弥补常规水质监测方法的不足，已成为湖泊水质实时监测的重要手段(马荣华,2010)。蓝藻水华的遥感研究，以往主要关注叶绿素a(Chlorophylla，Chla)，但叶绿素a是所有藻类的共同色素，不能完全代表蓝藻。藻蓝素(Phycocyaninpigmentconcentration，PC)是蓝藻的指示型色素，可以更有效地提供蓝藻信息，以便更全面的对水质情况做出评价(隋战鹰等，2003)。因此，探明蓝藻主要色素浓度，对湖泊水质监测意义重大。藻蓝素是表征蓝藻的重要指标，藻蓝素浓度的估算对于定量监测蓝藻的生长变化具有重要意义。利用遥感估算藻蓝素的理论基础是藻蓝素具有指示性的光谱特征(马荣华等,2009)，且与其他水色参数如藻蓝素、黄色物质(Chromophoricdissolvedorganicmatter，CDOM)等不重合。藻蓝素在蓝光波段具有吸收作用，620nm附近明显的特征吸收峰对藻蓝素具有较好的指示作用(Purvesetal.,1995)，因此基于该特征波段或者波段组合建立了一系列估算算法，主要包括经验模型、半分析模型和生物光学模型三种类型。经验算法大多基于红光波段(R)和近红外波段(NIR)，主要是由于藻蓝素在红光波段(R)对光有很强的吸收，并且在红光波段(R)和近红外波段(NIR)悬浮物和CDOM的吸收降到很低(Maetal.,2006)，这些波段的遥感反射率能较好的反映藻蓝素的吸收和散射特征。因此R和NIR波段比值算法在浑浊水体藻蓝素浓度反演中取得了较好的效果，选择的波段组合主要包括：Rrs(709)和Rrs(620)，(Hunteretal.,2008；Randolphetal.,2008)，Rrs(710)和Rrs(670)，(Hunteretal.,2009)，Rrs(710)和Rrs(620)(Hunteretal.,2010)。Schalles和Yacobi(2000)则使用了两个红光波段比值的方法Rrs(650)/Rrs(625)应用于藻蓝素估算，Chen等(2014)则使用了绿光波段和短波红外波段来估算藻蓝素。上述算法对波段设置的要求较为严格，有些算法无法应用于传感器，因此有一些文献基于传感器的波段设置使用经验算法来估算藻蓝素，例如Vincent等(2004)使用LandsatTM的1、3、5、7波段应用于美国伊利湖的藻蓝素估算；Dash等(2011)则提出使用Rrs(556)和Rrs(520)的斜率来估算藻蓝素；Becker等(2009)基于最小二乘法来建立了适用于MODIS影像的藻蓝素浓度估算算法。经验算法多基于统计结果，虽然波段比值能较好的消除其他物质带来的影响，但大都缺乏生物光学理论的支持。于是Dekker(1993)发展了一种半分析基线算法，该算法通过Rrs(624)与Rrs(600)、Rrs(648)两个波段所连基线的相对高度来计算藻蓝素浓度，研究表明该方法也可以应用于其他水体(Ruiz-Verdúetal.,2008)，Wynne等(2008)基于实测数据使用FLH用来估算藻蓝素含量。应用于MERIS影像的基线算法对选用波段进行了调整，Qi等(2014b)根据620nm和它附近两个波段(560、710nm)基线高度的相关形式建立了藻蓝素估算算法。此外，Hunter等(2008；2010)建立了半分析三波段算法，将藻蓝素的估算模型[Rrs-1(615)-Rrs-1(600)]×Rrs(725)用于构建了藻蓝素的估算模型。三波段算法用到的光谱参量是:[Rrs-1(λ1)-Rrs-1(λ2)]×Rrs(λ3)，其中λ1-3指红到近红外范围内的3个波段。算法建立在以下三个假设的基础上的：1)λ2的SPM和黄色物质吸收与λ1相近；2)λ3的反射特性受水体组分的影响最小；3)三个波段的总后向散射近似相等。这三个假设条件在内陆湖泊很难完全成立。因此，Simis等(2005)在Gons(1999)反演藻蓝素浓度的算法基础上，建立了利用生物光学模型反演藻蓝素浓度的遥感算法：首先建立778.75nm波长处后向散射系数的遥感估算方法(公式1-1)，然后利用后向散射系数推出620nm处的色素吸收系数(公式1-2)。其中，Rw是离水反射率；δ为0.84。最后除以藻蓝素的比吸收系数来计算藻蓝素浓度，这种方法也是目前使用最为广泛的藻蓝素估算方法，算法经过(Duanetal.,2012；Leetal.,2011；Randolphetal.,2008；Simisetal.,2007；Wheeleretal.,2012)等人在世界多个不同的水体进行了验证，并应用到MERIS遥感数据上，均取得了不错的效果。综上所述，虽然以上算法均成功进行了色素浓度估算，但巢湖藻蓝素浓度估算仍面临以下问题：多数算法基于实测高光谱数据，由于MODIS波段传感器波段设置的原因，半分析和生物光学算法难以应用于MODIS传感器；此外大气校正的限制，导致无法获得准确的MODIS卫星传感器的遥感反射率数据，这导致了经验算法应用效果不佳。而近年来一些新型算法，包括非线性最优化法、神经网络法、线性混合模型和EOF算法等也应用于色素浓度的估算，均能够在不同程度上提高色素浓度估算精度(Bonanseaetal.,2015；Craigetal.,2012；Tebbsetal.,2013；ThiemannandKaufmann,2000；Zhangetal.,2011)。这类算法只分析数值变化的特点，对波段并无特殊要求，并且有基于实测光谱EOF分解的研究成果表明，该方法在估算沿海藻蓝素估算的应用效果良好。因此本文尝试利用EOF分解技术，揭示Rrc数据的变化模式，构建一种能够应用于卫星影像的巢湖水体色素浓度估算算法。参考文献：Becker,R.H.,Sultan,M.I.,Boyer,G.L.,Twiss,M.R.,&Konopko,E.(2009).MappingcyanobacterialbloomsintheGreatLakesusingMODIS.JournalofGreatLakesResearch,35,447-453Bonansea,M.,Rodriguez,M.C.,Pinotti,L.,&Ferrero,S.(2015).Usingmulti-temporalLandsatimageryandlinearmixedmodelsforassessingwaterqualityparametersinRíoTerceroreservoir(Argentina).RemoteSensingofEnvironment,158,28-41Chen,J.,Yin,S.,Xiao,R.,Xu,Q.,&Lin,C.(2014).DerivingremotesensingreflectancefromturbidCaseIIwatersusinggreen-shortwaveinfraredbandsbasedmodel.AdvancesinSpaceResearch,53,1229-1238Craig,S.E.,Jones,C.T.,Li,W.K.W.,Lazin,G.,Horne,E.,Caverhill,C.,&Cullen,J.J.(2012).Derivingopticalmetricsofcoastalphytoplanktonbiomassfromoceancolour.RemoteSensingofEnvironment,119,72-83Dash,P.,Walker,N.D.,Mishra,D.R.,Hu,C.,Pinckney,J.L.,&D’Sa,E.J.(2011).EstimationofcyanobacterialpigmentsinafreshwaterlakeusingOCMsatellitedata.RemoteSensingofEnvironment,115,3409-3423Dekker,A.G.(1993).DetectionofopticalwaterqualityparametersforeutrophicwatersbyhighresolutionremotesensingDuan,H.,Ma,R.,&Hu,C.(2012).EvaluationofremotesensingalgorithmsforcyanobacterialpigmentretrievalsduringspringbloomformationinseverallakesofEastChina.RemoteSensingofEnvironment,126,126-135Gons,H.J.(1999).Opticalteledetectionofchlorophyllainturbidinlandwaters.EnvironmentalScience&Technology,33,1127-1132Le,C.,Li,Y.,Zha,Y.,Sun,D.,Huang,C.,&Zhang,H.(2011).Remoteestimationofchlorophyllainopticallycomplexwatersbasedonopticalclassification.RemoteSensingofEnvironment,115,725-737Purves,W.K.,Orians,G.H.,&Craig,H.(1995).Heller.1995.Life:TheScienceofBiologyMa,R.,Tang,J.,&Dai,J.(2006).Bio‐opticalmodelwithoptimalparametersuitableforTaihuLakeinwatercolourremotesensing.InternationalJournalofRemoteSensing,27,4305-4328Hunter,P.,Tyler,A.,Willby,N.,&Gilvear,D.(2008).ThespatialdynamicsofverticalmigrationbyMicrocystisaeruginosainaeutrophicshallowlake:Acasestudyusinghighspatialresolutiontime-seriesairborneremotesensingHunter,P.D.,Tyler,A.N.,Carvalho,L.,Codd,G.A.,&Maberly,S.C.(2010).Hyperspectralremotesensingofcyanobacterialpigmentsasindicatorsforcellpopulationsandtoxinsineutrophiclakes.RemoteSensingofEnvironment,114,2705-2718Hunter,P.D.,Tyler,A.N.,Gilvear,D.J.,&Willby,N.J.(2009).Usingremotesensingtoaidtheassessmentofhumanhealthrisksfrombloomsofpotentiallytoxiccyanobacteria.EnvironmentalScience&Technology,43,2627-2633Qi,L.,Hu,C.,Duan,H.,Cannizzaro,J.,&Ma,R.(2014b).AnovelMERISalgorithmtoderivecyanobacterialphycocyaninpigmentconcentrationsinaeutrophiclake:Theoreticalbasisandpracticalconsiderations.RemoteSensingofEnvironment,154,298-317Randolph,K.,Wilson,J.,Tedesco,L.,Li,L.,Pascual,D.L.,&Soyeux,E.(2008).Hyperspectralremotesensingofcyanobacteriainturbidproductivewaterusingopticallyactivepigments,chlorophyllaandphycocyanin.RemoteSensingofEnvironment,112,4009-4019Ruiz-Verdú,A.,Simis,S.G.H.,deHoyos,C.,Gons,H.J.,&-Martínez,R.(2008).Anevaluationofalgorithmsfortheremotesensingofcyanobacterialbiomass.RemoteSensingofEnvironment,112,3996-4008Schalles,J.F.,&Yacobi,Y.Z.(2000).Remotedetectionandseasonalpatternsofphycocyanin,carotenoidandchlorophyllpigmentsineutrophicwaters.ErgebnisseDerLimnologie,55,153-168Simis,S.,Peters,S.,&Gons,H.(2006).MERISpotentialforremotesensingofwaterqualityparametersforturbidinlandwater.Simis,SGH,Blue-greencatastrophe:remotesensingofmassvirallysisofcyanobacteria.Ph.D.thesis,VrijeUniversiteitAmsterdam,97-120Simis,S.G.H.,Ruiz-Verdú,A.,Domínguez-Gómez,J.A.,-Martinez,R.,Peters,S.W.M.,&Gons,H.J.(2007).Influenceofphytoplanktonpigmentcompositiononremotesensingofcyanobacterialbiomass.RemoteSensingofEnvironment,106,414-427Tebbs,E.J.,Remedios,J.J.,&Harper,D.M.(2013).Remotesensingofchlorophyll-aasameasureofcyanobacterialbiomassinLakeBogoria,ahypertrophic,saline–alkaline,flamingolake,usingLandsatETM+.RemoteSensingofEnvironment,135,92-106Thiemann,S.,&Kaufmann,H.(2000).DeterminationofchlorophyllcontentandtrophicstateoflakesusingfieldspectrometerandIRS-1CsatellitedataintheMecklenburgLakeDistrict,Germany.RemoteSensingofEnvironment,73,227-235Vincent,R.K.,Qin,X.,McKay,R.M.L.,Miner,J.,Czajkowski,K.,Savino,J.,&Bridgeman,T.(2004).PhycocyanindetectionfromLANDSATTMdataformappingcyanobacterialbloomsinLakeErie.RemoteSensingofEnvironment,89,381-392Wheeler,S.M.,Morrissey,L.A.,Levine,S.N.,Livingston,G.P.,&Vincent,W.F.(2012).MappingcyanobacterialbloomsinLakeChamplain'sMissisquoiBayusingQuickBirdandMERISsatellitedata.JournalofGreatLakesResearch,38,68-75Wynne,T.,Stumpf,R.,Tomlinson,M.,Warner,R.,Tester,P.,Dyble,J.,&Fahnenstiel,G.(2008).RelatingspectralshapetocyanobacterialbloomsintheLaurentianGreatLakes.InternationalJournalofRemoteSensing,29,3665-3672Zhang,Y.,Lin,S.,Qian,X.,Wang,Q.g.,Qian,Y.,Liu,J.,&Ge,Y.(2011).TemporalandspatialvariabilityofchlorophyllaconcentrationinLakeTaihuusingMODIStime-seriesdata.Hydrobiologia,661,235-250技术实现要素：本发明的目的在于提供一种富营养化湖泊藻蓝素的MODIS遥感监测方法，可精确获取富营养化湖泊藻蓝素浓度时空分布，理解蓝藻水华发生的周期，以便更全面的对水质情况做出评价，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技术支撑。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。为达成上述目的，本发明所采用的技术方案如下：一种富营养化湖泊藻蓝素的MODIS(MODerate-resolutionImagingspectroradiometer)遥感监测方法，包括：基于MODISRGB影像人工判读和野外实测数据分析，将富营养化湖泊影像分类为藻华影像和非藻华影像；结合近两年内年富营养化湖泊星地同步数据，获取基于EOF分解的藻蓝素估算算法；最后，利用历史获取的MODIS数据，获取富营养化湖泊水体藻蓝素长时间序列空间分布结果，计算藻蓝素浓度的年际、月际变化规律。作为进一步的示例，前述方法的具体实现包括：(1)基于MODISRGB影像人工判读和野外实测数据分析，将富营养化湖泊分为藻华影像和非藻华影像；富营养化湖泊主要包含清洁水体、高悬浮物主导水体和藻华主导水体三种水体；清洁水体与高悬浮物主导水体典型光谱特征类似，将清洁水体、高悬浮物主导水体归为非藻华影像，藻华主导水体归为藻华影像，选取指数FAI用以区分这两类影像；(2)结合连续两年的富营养化湖泊星地同步数据，获取基于EOF分解的藻蓝素估算算法；利用步骤(1)的方法将获取的富营养化湖泊星地同步数据，分类为藻华影像和非藻华影像进行模型训练；非藻华影像模型输入使用所有波段Rrc统一减去近红外波段Rrc的形式，以消除悬浮物的影响；藻华影像模型基于藻华影像的星地同步实测数据，原波段输入，建立基于EOF分解的藻蓝素估算算法；其中，所述Rrc指遥感反射率；(3)获取基于EOF算法的藻蓝素估算结果；将训练模型应用于经过瑞利校正后的MODIS卫星影像数据，实测数据和影像自洽性验证表明，估算结果在浑浊水体和气溶胶较薄条件下具有一定的抗扰动性；(4)获取富营养化湖泊藻蓝素长时间序列时空分布结果；基于前述步骤和方法，将藻蓝素估算算法应用至历史获取的MODIS影像，获取长时间序列的藻蓝素空间分布结果，并分析藻蓝素的年际、月际变化规律。其中，所述步骤(1)中分类选用的指标FAI表达形式为：FAI＝Rrc'(859)-Rrc(859)(1)Rrc'(859)＝Rrc(645)-[Rrc(1240)-Rrc(645)]*(859-645)/(1240-645)(2)其中，Rrc(λ)是经过瑞利校正的λ波长处的反射率，Rrc’(859)是基于645nm和1240nm波段线性内插得到的859nm波段相对反射率。之后，统计每景非藻华影像受边界效应影响的像元数目，以此像元数目为单幅阈值，每景非藻华影像对应一个阈值；做直方图计算所有单幅非藻华影像阈值的平均值和标准差，计算非藻华影像的统一阈值将每景影像受影响的像元数做成直方图，获取该直方图的平均值和标准差作为区分藻华影像和非藻华影像的统一阈值，对影像进行分类，获取藻华影像和非藻华影像；阈值计算方式为：平均值+2*标准差。藻华影像和非藻华影像可通过目视分辨，高悬浮物主导水体归入非藻华影像中，但由于高悬浮物主导水体和藻华主导水体信号较强，会出现误判现象，因此本发明设计了一种分类算法加以区分。采用本发明的分类方法，可以有效去除高悬浮物主导水体的影响，避免高悬浮物水体和藻华水体误判。所述步骤(2)中，对于非藻华影像，模型的输入形式为：Rrc(λ)＝Rrc(λ)-Rrc(859)(3)对于藻华影像，直接输入原始Rrc数据。其中，所选用的MODIS卫星影像数据经过辐射定标、大气瑞利散射校正和几何校正。由以上发明的技术方案可知，本发明的富营养化湖泊水体藻蓝素的MODIS卫星高精度监测方法，基于湖泊藻蓝素遥感监测基本原理，理解蓝藻水华发生、发展的周期，以便更全面的对水质情况做出评价，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。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。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。附图说明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是富营养化湖泊三种典型水体及其光谱特征。图2是藻华影像和非藻华影像的像元阈值判断直方图。图3是近红外波段随SPM增加的变化情况。图4是MODIS藻蓝素估算算法流程图。图5是巢湖MODISEOF藻蓝素估算结果。图6是太湖MODISEOF藻蓝素与MERISPCI藻蓝素估算结果比较。图7是2000-2014年巢湖藻蓝素含量的年际时空分布。图8是2000-2014年巢湖藻蓝素含量月均时空分布。前述图示1-8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。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。本发明基于MODIS卫星数据对富营养化湖泊藻蓝素浓度进行高精度监测，上述目的是这样实现的：基于MODISRGB影像人工判读和野外实测数据分析，将富营养化湖泊分类为藻华影像和非藻华影像。通过野外实验和实验室测量分析，获得采样点位置数据和水质参数数据，包括藻蓝素、悬浮物等；从NASA网站获取MODIS卫星数据，并对MODIS卫星数据进行辐射校正和瑞利校正，获得与野外试验采样点星地同步的Rrc数据。对Rrc数据进行EOF分解，并参考影像条件、水质变化情况，分两类藻华影像和非藻华影像进行点位的训练，其中非藻华影像的波段输入将所有波段Rrc减去Rrc(859)后进行EOF分解，再训练光谱点位，将EOF分解的得分值与实测藻蓝素进行多元线性回归，建立基于EOF分解的主要色素浓度遥感估算算法。将算法应用于2000-2014年MODIS影像，获取长时间序列的藻蓝素估算结果，并计算藻蓝素的年际、月际变化规律。作为示例性的描述，下面结合附图所示，以巢湖为例，对前述方法的实施进行具体说明。步骤1、基于MODISRGB影像人工判读和野外实测数据分析，将巢湖影像分为藻华影像和非藻华影像；基于MODISRGB影像人工判读和野外实测数据分析，巢湖同常规富营养化湖泊，主要包含三种典型水体：清洁水体、高悬浮物主导水体和藻华主导水体。由于高悬浮物主导水体和藻华主导水体信号较强，会出现误判现象，因此需要区分高悬浮物水体影像和藻华影像，分别训练建立估算模型。分别对比分析清洁水体与高悬浮物主导水体以及藻华主导水体的光谱特征(图1)，发现高悬浮物区域点位(S2)Rrc光谱显著高于清洁水体点位S1，但光谱形状类似，因此可以将清洁水体、高悬浮物主导水体归为一类影像。而对于藻华主导水体，藻华区域点位(S3)近红外波段(859nm)的反射率显著增加，光谱形状发生很大变化，因此将藻华影像单独分为另一类影像。胡传民博士提出的浮游藻类指数(FAI，Floatingalgaeindex)，对于海岸带和内陆湖泊水体具有很好的稳定性，可以有效提取蓝藻藻华(Hu,2009)。FAI指数以645和1240nm波段为基线，计算859与基线的差值来判断藻华，具体计算公式为：FAI＝Rrc'(859)-Rrc(859)(1)Rrc'(859)＝Rrc(645)-[Rrc(1240)-Rrc(645)]*(859-645)/(1240-645)(2)根据FAI指数和相关阈值，将巢湖影像分为非藻华影像和藻华影像。FAI对高悬浮物较为敏感，选择纯藻华像元FAI＝0.02为阈值，可以有效区分“非藻华影像”。但在实际计算中发现，非藻华影像由于受水陆边界效应、条带及小片藻华等三种情况的影响，易造成将非藻华影像误判为藻华影像，特别是水陆边界效应造成的混分情况最多，约占80％以上。藻华影像通过目视解译很好区分，对2000-2014年所有影像进行筛选，将所有藻华影像剔除之后，统计出每景非藻华影像受边界效应影响的像元数。将每景影像受影响的像元数做成直方图(图2)，图中N为影像总数。该直方图中包括1182个影像，计算该直方图的平均值和标准差，均值为102.59，标准差为91.02。直方图经过SPSS的数据检验该分布符合正态分布，据此计算通用的像元阈值，像元阈值的计算方法为：平均值+2*标准差，据此计算本实施例的像元阈值约285个像元，即藻华面积需大于17.80km2，将该阈值作为区分非藻华影像和藻华影像的统一阈值。2、结合2013-2014年巢湖星地同步数据，获取基于EOF分解的藻蓝素估算算法；利用步骤(1)的方法将获取的富营养化湖泊星地同步数据，分类为藻华影像和非藻华影像进行模型训练。具体流程如图4所示，将富营养化湖泊MODISRrc数据逐一像元计算FAI值，将FAI＞0.02的藻华像元总数目达到285个像元，即藻华面积需大于17.80km2的影像归类为藻华影像，其余为非藻华影像。对非藻华影像Rrc统一减去近红外波段Rrc，消除悬浮物影响，对藻华图像直接采用原始Rrc数据计算。基于星地同步数据进行EOF分解的藻蓝素估算模型构建分为2个过程，具体如下：1)对Rrc光谱进行归一化，得到NRrc数据。对归一化光谱利用MATLABTM的princomp函数进行EOF分解。EOF分解的输出包括EOF每个模态的得分向量，每个得分向量都是原四个波段的线性组合，即波段的重新归类。除此之外，还包括每个波段的载荷值，即原波段进行线性组合的系数，还有每个模态的贡献方差，用于说明描述原波段变化模式的解释程度。2)对点位进行训练，确定训练点位集，并根据所得到的EOF各个模态的得分值与实测色素浓度作多元逐步回归分析。使用MATLABTM的regress函数，以每个点位四个模态的得分值T1、T2、T3、T4为自变量，对应实测色素浓度为因变量，可以得到回归系数(β0-4)：β0+β1T1+β2T2+β3T3+β4T4＝实测色素浓度(4)非藻华影像包含高悬浮物影像，因此在非藻华影像藻蓝素估算模型构建过程中，需要消除悬浮物的影响，冯炼博士提出利用红光与近红外波段相减的方法来估算悬浮物的方法，一般来说，单个近红外波段与悬浮物之间具有单调递增的关系，实测结果也证实了同样的规律(图3)，在藻蓝素浓度均值65.88ug/L的条件下，悬浮物浓度越高，近红外波段(859nm)的反射率越高，其他波段则没有明显的变化规律。因此将所有波段Rrc统一减去近红外波段Rrc，可有效消除悬浮物的影响。用公式表述模型的输入形式为：Rrc(λ)＝Rrc(λ)-Rrc(859)(3)针对非藻华影像估算模型，将所有波段Rrc减去Rrc(859)后进行EOF分解，再训练光谱点位，建立适用于非藻华影像的模型I，估算效果较好。针对藻华影像的实测数据，按照EOF模型构建流程进行实测数据的点位训练，建立适用于藻华影像的模型II。3、获取基于EOF算法的藻蓝素估算结果；将EOF算法应用于MODIS影像上，对Rrc影像上所有有效像元进行归一化处理，经EOF分解得到每个像元的EOF得分值。β0-4是构建模型时训练点位的回归系数，T1-4是影像上每个像元的EOF得分值。因此，估算所得到的色素浓度为：估算色素浓度＝β0+β1T1+β2T2+β3T3+β4T4(5)依据基于MODIS影像的瑞利散射校正，结合公式(5)即可实现MODIS影像藻蓝素浓度的高精度估算。整体流程(图4)主要如下：①对获取的MODIS影像进行了辐射定标、瑞利校正和几何校正计算。使用SeaDAS7.2中内置查找表(lookuptables,LUTs)对影像进行部分大气校正(气体吸收校正和瑞利校正)，得到瑞利校正后的反射率Rrc。利用MODIS数据存储的经纬度信息进行几何校正，然后进行等距离圆柱体投影，最后将500m分辨率MODIS数据的469nm和555nm波段数据通过锐化的方法重采样到250m。②计算每景MODIS影像的FAI产品；③统计每景影像FAI>0.02的像元数目，如果藻华面积小于17.80km2(即FAI>0.02的藻华像元数没有达到285个)，则认为是非藻华影像，使用模型I进行估算；如果藻华面积大于17.80km2(即藻华像元数超过285个)，则认为是藻华影像，使用模型II进行估算。其中模型I输入参数为所有波段Rrc都减去Rrc859后再进行EOF分解，模型II使用原始Rrc直接输入进行EOF分解；④最后利用影像得分值与训练回归系数进行线性回归，得到藻蓝素浓度估算结果。结果如图5所示。此外，我们还将公式(5)直接应用于太湖，与MERISPCI结果进行对比，结果如图6所示。MERISPCI算法已被正式在太湖具有较高精度，对比结果显示虽然从藻蓝素浓度绝对值来看，MERISPCI藻蓝素估算结果更加精细；但是两者具有高度相似的空间分布特征，EOF估算空间结果与MERISPCI结果相对一致，证明估算结果在空间分布上较为合理，EOF算法具有一定的普适性。4、巢湖水体藻蓝素长时间序列空间分布结果依照上述步骤应用于2000-2014年巢湖的MODIS影像，即可获取巢湖长时间序列的藻蓝素时空变化趋势。对2000-2014年间MODIS藻蓝素浓度估算结果在同一坐标系下进行叠加，并按年份求平均，图7展示了藻蓝素浓度年平均分布情况。月均变化和年均的处理方法一样，按月份对藻蓝素估算结果进行平均(图8)，由于巢湖地区气溶胶含量在夏季较高，导致边界效应叠加，5-10月份湖岸线上藻蓝素浓度明显偏高。1、2、3、12月空间分布与其他月份存在差异，三个湖区浓度都比较低，其中2月、12月东部湖区浓度会更高一些；其他月份不同湖区月均藻蓝素浓度空间分布与年均空间分布相似，西部湖区藻蓝素浓度变化较为明显，中部、东部湖区变化则比较平稳。通过上述方法即可实现将MODIS历史影像逐一计算后，进行湖泊藻蓝素浓度的长期高精度监测(如图5)，有助于科学评估年际间藻蓝素浓度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。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。当前第1页1 2 3 当前第1页1 2 3