基于GF6-WFV数据的中国东部典型湖库叶绿素a浓度反演

doi:10.11873/j.issn.1004-0323.2024.1.0170

基于GF6-WFV数据的中国东部典型湖库叶绿素a浓度反演

卜博^,¹^,²^,³, 张方方^,²^,³, 李俊生²^,³^,⁴, 王胜蕾²^,³, 李景宜¹, 谢娅³^,⁵, 王超⁶, 桑瑞丹⁷, 田彬⁸

1.宝鸡文理学院地理与环境学院/陕西省灾害监测与机理模拟重点实验室，陕西宝鸡 721013

2.可持续发展大数据国际研究中心，北京 100094

3.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094

4.中国科学院大学，北京 100049

5.中国地质大学（北京）地球科学与资源学院，北京 100083

6.河南省科学院地理研究所，河南郑州 450052

7.河南理工大学，河南焦作 450000

8.中国矿业大学，江苏徐州 221116

Chlorophyll-a Concentration Inversion based on GF6-WFV Data in a Typical Lake Reservoir in Eastern China

Bo BU^,¹^,²^,³, ZHANG Fangfang^,²^,³, LI Junsheng²^,³^,⁴, WANG Shenglei²^,³, LI Jingyi¹, XIE Ya³^,⁵, WANG Chao⁶, SANG Ruidan⁷, TIAN Bin⁸

1.Shaanxi Provincial Key Laboratory of Disaster Monitoring and Mechanism Simulation/College of Geography and Environment，Baoji University of Arts and Sciences，Baoji 721013，China

2.International Research Center of Big Data for Sustainable Development，Beijing 100094，China

3.Key Laboratory of Digital Earth，Institute of Aerospace Information Innovation，Chinese Academy of Sciences，Beijing 100094，China

4.University of Chinese Academy of Sciences，Beijing 100049，China

5.School of Geosciences and Resources，China University of Geosciences （Beijing），Beijing 100083，China

6.Institute of Geography，Henan Academy of Sciences，Zhengzhou 450052，China

7.Henan Polytechnic University，Jiaozuo 450000，China

8.China University of Mining and Technology，Xuzhou 221116，China

通讯作者: 张方方，副研究员，主要从事水环境遥感方面的研究。E⁃mail:zhangff07@radi.ac.cn

收稿日期: 2023-01-05 修回日期: 2024-01-20

基金资助:

可持续发展大数据国际研究中心主任青年基金. CBAS2022DF005
国家重点研发计划项目. 2022YFC3204101. 2022YFC3800700

Received: 2023-01-05 Revised: 2024-01-20

作者简介 About authors

卜博，硕士研究生，主要从事资源遥感方面的研究E⁃mail:1244717021@qq.com , E-mail：1244717021@qq.com

摘要

高分六号中分辨率宽幅相机（GF6-WFV）设计了两个红边波段，具有水体叶绿素a浓度监测的潜力。实验选取官厅水库、陆浑水库和白洋淀等6个中国东部典型湖库为研究区，获取141个采样点实测光谱和叶绿素a浓度数据。基于实测数据对4种常用的叶绿素a浓度反演半经验模型进行参数优化和模型精度验证，选取最优反演模型。结果表明，GF6-WFV数据新增红边Ⅰ波段（B5：710 nm）和红波段（B3：660 nm）构建的两波段比值模型反演精度较高，相关系数平方（R²）为0.89，平均相对误差（MRE）为34.71%，均方根误差（RMSE）为13.29 mg/m³。研究表明：利用GF6-WFV影像数据能有效反演水体叶绿素a浓度，研究基于多湖库、多时相数据建立的GF6-WFV影像水体叶绿素a浓度反演模型，在中国东部典型湖库具有较好的适用性。

关键词： 高分六号卫星 ; 内陆水体 ; 叶绿素a浓度 ; 反演模型 ; 中国东部典型湖库

Abstract

The Gaofen-6 medium resolution wide-width camera （GF6-WFV） is designed with two red-edge bands， which has the potential to monitor chlorophyll a concentration in water. In this study， six typical lakes in eastern China， including Guanting Reservoir， Luhun Reservoir and Baiyangdian Lake， were selected as the study area， and measured spectrum and chlorophyll a concentration data were obtained from 141 sampling points. Based on the measured data， the parameters of four kinds of commonly used semi-empirical inversion models of chlorophyll a concentration were optimized and the model accuracy verified， and the optimal inversion model was selected. The results show that the red edge band Ⅰ （B5：710 nm） and red band （B3： 660 nm） are newly added in GF6-WFV data. Which construct a two-band ratio 2BDA model with high inversion accuracy， correlation coefficient square （R²） is 0.89， the Mean Relative Error （MRE） is 34.71 %， and the Root Mean Square Error （RMSE） is 13.29 mg/m³. The results show that the chlorophyll a concentration in water body can be effectively retrieved by using GF6-WFV image data. The inversion model of chlorophyll a concentration in water body established in this paper based on multi-lake and multi-temporal data has good applicability in typical lake repositories in eastern China.

Keywords： Gaofen-6 satellite ; Inland water ; Chlorophyll a concentration ; Inversion model ; Typical lake reservoir in eastern China

PDF (6950KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

卜博, 张方方, 李俊生, 王胜蕾, 李景宜, 谢娅, 王超, 桑瑞丹, 田彬. 基于GF6-WFV数据的中国东部典型湖库叶绿素a浓度反演. 遥感技术与应用[J], 2024, 39(1): 170-184 doi:10.11873/j.issn.1004-0323.2024.1.0170

Bo BU, ZHANG Fangfang, LI Junsheng, WANG Shenglei, LI Jingyi, XIE Ya, WANG Chao, SANG Ruidan, TIAN Bin. Chlorophyll-a Concentration Inversion based on GF6-WFV Data in a Typical Lake Reservoir in Eastern China. Remote Sensing Technology and Application[J], 2024, 39(1): 170-184 doi:10.11873/j.issn.1004-0323.2024.1.0170

1 引言

高分6号卫星（GF6）是我国第一台具有红边波段的多光谱卫星，也是国内第一台主打并应用于精准农业观测的高分卫星^［1］。高分6号卫星与高分1号卫星（GF1）都带有16 m中空间分辨率宽幅相机（WFV），相比于GF1-WFV，GF6-WFV在可见光范围内拥有8个波段，使之在内陆水体光学遥感方面更具潜力。GF6-WFV在GF1-WFV的4波段基础上增设的4个波段：其中包含反映植被光谱特性的红边Ⅰ波段B5（710 nm），红边Ⅱ波段B6（750 nm）；用于提高沙化土地识别的黄波段B8（610 nm）；以及用于海岸带监测和大气校正的深蓝谱段B7（425 nm）^［2］。其中，两个红边波段对内陆水体叶绿素a浓度反演具有重要利用价值。

目前，GF6-WFV因其独特的波段设置，在内陆水体监测方面，已经成功应用于巢湖水域面积监测、可可西里地区典型水体识别模型研究^［3］、太湖^［4］和潘家口大黑汀水库^［5］的叶绿素a浓度反演，以及蓝藻提取方法和适用性研究分析^［6］。不仅如此，相关研究人员还针对太湖叶绿素a浓度反演模型和精度验证完成初步探索，提出针对于GF6-WFV数据的最佳使用波段和反演模型，并对水质参数反演中的经验模型，半经验模型、半解析模型和分析模型的相关应用效果和特定区域下的最优水质参数反演模型进行分析研究。李梦雅^［7］基于高分6数据结合高分2和Landsat-8 OLI数据，以巢湖为研究区，提出一种基于深度学习的水体提取方法，对变化下的水体空间格局变化中水体提取，洪涝灾害监测等进行相关技术支持。潘鑫等^［8］基于高分六号卫星遥感影像，以太湖为研究区，多方应用波段比值模型、归一化差异叶绿素指数（NDCI）模型和三波段模型等，定量反演了太湖蓝藻的叶绿素a质量浓度，利用同步影像和相关指标对其模型精度和反演结果进行验证，结果表明，基于高分6-WFV数据的太湖叶绿素a质量浓度反演方面NDCI模型具有更好的适用性。曹引等^［5］利用GF6-WFV数据，结合实测光谱数据和水质参数数据，构建叶绿素a经验模型，探索相关的数据应用潜力和模型反演精度，新增黄波段和红边Ⅰ波段B5（710 nm）对叶绿素a浓度反演的应用潜力，并表明现有的大气校正方法降低了反演精度，新的大气校正算法有待开发，用以提高数据反演质量。整体来看，针对GF6-WFV的叶绿素反演研究还比较少，未能充分发挥GF6的优势，目前少有针对多个湖库、多个时间、多实测数据的内陆水体叶绿素a浓度等水质参数的研究，而且，针对常用叶绿素a浓度反演模型间的对比研究较少。

目前针对水体叶绿素a浓度的反演方法主要可分为：经验方法、半解析法和解析法^［9-10］。经验方法需要通过建立统计数据、实测叶绿素a浓度数据及遥感影像数据三者之间的相关关系，选择最优的统计分析数据模型，达到对于叶绿素a浓度的反演与估测，经验模型主要有一阶微分模型，波段比值模型^［11］和神经网络模型^［12-13］。半解析法将已知水体光谱特征结合数理统计模型，选择最佳匹配波段或波段组合作为相关变量，从而完成对于水体叶绿素a浓度的估计与测量，半解析模型主要有三波段模型^［14-16］、四波段模型^［17-18］，概念模型和Apple模型。解析法则通过描述相关的辐照度对于水质参数之间的关系，模拟电磁波在水中的传播过程，建立辐照度比值与水体叶绿素a的吸收系数和后向散射系数之间的关系，达到对于叶绿素a浓度的估测，其主要由诸如生物光学模型^［19-20］、遗传算法和主成分分析算法所组成。针对多光谱卫星还是以半经验模型为主，传统的叶绿素a反演算法在GF6-WFV上具有一定的应用潜力，但是需要深入研究与验证。

针对以上问题，研究结合中国东部典型湖库实验数据，开展叶绿素a浓度反演模型优选和参数优化工作，发展适合GF6-WFV数据的叶绿素a反演模型，并利用同步或准同步卫星影像数据进行结果验证。分析GF6-WFV数据在中国东部典型湖库叶绿素a浓度反演方面的应用潜力，为GF6-WFV数据在多类型内陆水体富营养化监测应用提供借鉴。

2 数据与研究区

2.1　研究区概况

研究区为中国东部6个不同类型的内陆湖泊和水库，具有较好的区域典型性。其中，白洋淀是华北平原最大的淡水湖泊，也是典型的内陆浅水湖泊，不同淀区光学特性复杂多样^［21］。陆浑水库，位于河南省洛阳市黄河二级支流伊河上，雨季浑浊，旱季清澈^［22］。官厅水库是北京市的备用水源地之一，水体营养水平较高^［23］。太湖位于长江三角洲腹地，是人类活动和自然原因共同作用下富营养化问题突出的内陆湖泊水体之一^［24］。小浪底水库位于河南省境内，是黄河干流上的一座大型水库，由于深度较大，泥沙沉积，水体较为清澈^［25］。于桥水库是天津市重要的国家级水源地，但富营养化问题较为突出^［26］。研究区分布如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区及采样点分布图

审图号：GS（2020）4619

Fig.1 Distribution map of study area and sampling points

2.2　实测数据

在2018年5月到2021年6月间，分别于白洋淀、陆浑水库、官厅水库、太湖、小浪底水库和于桥水库6个研究区开展了10次野外实验（如表1），实验日期分布在5、6、9、10、11月，覆盖了春夏秋3几个季节，具有较好的时间代表性，有效获取了141个采样点的水面遥感反射率光谱、水体叶绿素a浓度以及其他辅助参数数据，其中2019年5月21日~22日的白洋淀和2019年10月8日于桥水库是与GF6-WFV数据的准同步实验。

表1 数据获取情况

Table 1 Data acquisition condition

实验日期	研究区	GF6影像日期	采样点数	MODIS气溶胶数据	能见度/km
2019年5月21日~22日	白洋淀	2019年5月22日	13	0.282 3	17.37
2019年5月22日	官厅水库	2019年5月6日	15	0.381 0	11.94
2021年5月20日	陆浑水库	2021年5月21日	12	0.190 0	28.51
2019年5月1日	太湖	2019年5月4日	7	0.535 5	7.80
2020年9月5日	太湖	2020年9月7日	17	0.512 8	8.23
2020年10月22日	小浪底水库	2020年10月25日	18	0.504 9	8.39
2021年6月4日	小浪底水库	2021年6月6日	17	0.283 7	17.26
2018年11月1日	于桥水库	2018年11月3日	13	0.894 3	4.10
2018年11月22日	于桥水库	2018年11月27日	11	0.191 0	28.33
2019年10月8日	于桥水库	2019年10月8日	18	0.165 7	33.84

新窗口打开| 下载CSV

实验涉及的主要研究区及其相关数据使用情况如表1所示。

光谱测量方法。实验所用到的ASD 便携式地物光谱仪/近红外光谱仪，该仪器实际的波谱分辨率为1 nm，采集到的光谱范围在350~2 500 nm，在野外实地针对水体所采集到的相关光谱数据，其范围包括可见光范围内的全部波段信息。按照相关的水体光谱采集实验研究标准，利用GPS对试验区的水体重点区域进行定位，按照“水面以上法”测量标准^［27］，使用相关的光谱测量设备（ASD 便携式地物光谱仪/近红外光谱仪）采集水面光谱数据。

其采样点位的水体实测光谱反射率（ $R_{r s}^{w} (λ)$ ）通过测量天空光辐亮度（ $L_{s k y} (λ)$ ），参考白板辐亮度（ $L_{p} (λ)$ ）和水面辐亮度（ $L_{u} (λ)$ ）的关系，根据以下公式（1）计算得出：

R_{r s}^{w} (λ) = \frac{L_{u} (λ) - ρ_{s k y} (λ) L_{s k y} (λ)}{π L_{p} (λ) ∕ ρ_{p} (λ)}

（1）

其中： $ρ_{s k y} (λ)$ 为天空光在水面的反射率，其来源于相关查找表； $ρ_{p}$ 为实验用参考板的反射率，在实验前完成相关的定标操作。实测光谱在后期需要结合GF6-WFV光谱响应函数，完成针对GF6-WFV数据的光谱等效。

在光学遥感中，水体较之土壤、植被和冰雪等其他典型地物，在可见光范围内的反射率相对较低，整体上随波长的增加而不断降低，因此在遥感影像上多为暗黑色显示。水面实测光谱曲线如图2所示，从建模阶段的相关光谱曲线显示，采样点实测光谱曲线整体在570 nm、650 nm、710 nm和820 nm存在反射峰，在620 nm、670 nm和750 nm处存在吸收谷，少数采样点存在反射峰后移和反射峰降低现象，在建模数据中，通过查看实际点位数据信息得知，在620 nm处的部分反常是官厅水库水体的实测光谱与其余建模数据的差异造成的，这也显示了研究区水体的差异性，检验数据整体趋势一致，无明显的光谱曲线差异，总的来讲，研究区整体水体光谱特性，满足水体含有叶绿素a的相关特征。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 实测光谱曲线图

Fig.2 In-situ measured spectral graph

实测光谱在后期需要结合GF6-WFV光谱响应函数，完成针对GF6-WFV数据的光谱等效。本文所用到的遥感数据集——GF6-WFV数据，是典型的光学遥感卫星数据，其WFV数据的是典型的多光谱数据，卫星的传感器在400~900 nm光谱范围内设置了8个波段，其各个波段的响应范围也不尽相同。因此，将实测光谱数据与卫星遥感数据进行分析比较时，需要利用高分6号WFV数据的光谱响应函数对水体的实测光谱进行光谱等效，最终的光谱反射率才具有可比性和适用性。在相关的实际计算中，光谱等效具体的计算公式如下所示：

R_rs (λ)

= \frac{\int_{λ m i n}^{λ m a x} R (λ) * S (λ) * F 0 (λ)}{\int_{λ m i n}^{λ m a x} S (λ) * F 0 (λ)}

（2）

其中：λ为GF6-WFV传感器的中心波长；R_rs （λ）为便携式光谱仪实地测量的水体遥感反射率在波长λ nm处的等效遥感反射率，λ_max和λ_min分别是高分6号WFV传感器对应波段的光谱响应函数的最大和最小的边界值，R（λ）为实测的水体遥感反射率，S（λ）为波长λ nm处的GF6-WFV数据的光谱响应函数，F0（λ）是波长λ nm处的大气层顶太阳辐照度。

叶绿素a浓度测量与处理。在水体光谱采集的同时，使用采水器采集当前点位的水体样本，进行封装、避光、冷藏带回，在实验室内利用热乙醇——分光光度计法，测量叶绿素a浓度。实验的6个中国东部典型湖库研究区范围内，时间跨度达到3 a之久，选取10个时间节点上的叶绿素浓度进行时段、分区统计，分别对研究区范围内的叶绿素a浓度进行统计，确定相关叶绿素a浓度范围，具体统计结果如表2所示。

表2 实测水体叶绿素a浓度统计表

Table 2 Statistical table of measured chlorophyll a concentration in water

序号	实验日期	地点	采样点数目	最小值/(mg/m³)	最大值/(mg/m³)	平均值/(mg/m³)
1	2019年5月21日~22日	白洋淀	13	3.91	17.42	10.66
2	2019年5月22日	官厅水库	15	5.30	18.04	11.67
3	2021年5月20日	陆浑水库	12	6.05	17.09	11.57
4	2019年5月1日	太湖	7	11.78	49.48	30.63
5	2020年9月5日	太湖	17	4.84	31.87	18.35
6	2020年10月22日	小浪底水库	18	3.96	17.63	10.80
7	2021年6月4日	小浪底水库	17	4.06	17.47	10.77
8	2018年11月1日	于桥水库	13	17.48	44.52	31.00
9	2018年11月22日	于桥水库	11	13.23	38.77	26.00
10	2019年10月8日	于桥水库	18	5.49	99.21	52.35

新窗口打开| 下载CSV

整体来看，6个典型内陆水体的叶绿素a浓度范围，在不同湖库存在一定的差异性：其中白洋淀、官厅水库、陆浑水库和小浪底水库整体低于太湖和于桥水库，前四者较后两者来讲，叶绿素a浓度统计值较为集中，浓度跨度及其差异性相对较小。在同一研究区范围内，不同季节和水情状态的叶绿素a浓度范围也存在一定的差异性与不确定性：如以大面积、开放型水域为代表的太湖，其叶绿素a浓度范围在夏季高于秋季。

GF6发射于2018年6月2日，相对影像对比可知，于桥水库在2018年11月3日和27日水体边界范围明显大于2019年10月8日，2018年的叶绿素a浓度范围值小于2019年10月，而且2018年GF6-WFV数据质量存在条带现象等诸多质量问题，这是因为该时段属于卫星在轨测试阶段，故而数据质量不佳。

2.3　遥感影像数据

在中国资源卫星应用中心数据平台下载GF6-WFV数据，选取实验日期前后相关GF6-WFV数据，研究区水体上方无云的影像。本研究选取成像日期与地面实验日期相近的GF6-WFV数据，并以研究区水体区域无云覆盖作为限制条件，在中国资源卫星应用中心数据平台进行下载。受其独特的幅宽和成像时间等相关问题综合影响，不能按照一般影像数据筛选标准中，全幅云量占比对研究区存在的数据影像进行选择，从而防止影像数据遗漏。

辅助的遥感数据包括Sentinel-2和MODIS气溶胶数据。在相同的筛选条件下，以相关的实验日期和对应的GF6-WFV影像数据时间为参考项，在此时间前后选取至少一景研究区范围内的Sentinel-2数据，并对符合条件的Sentinel-2数据完成筛选，为后期几何校正提供参考影像；MODIS气溶胶数据选择与GF6-WFV影像数据时间一致，用于辅助FLAASH大气校正过程参数提取。

3 方法

3.1　叶绿素a浓度建模

叶绿素a浓度反演模型构建方面。已有叶绿素a浓度反演算法中，整体上来看，模型方法上从经验方法到半解析法，再到解析法的算法反演精度越来越高，而与之相对应所带来的：相应辅助估测数据参数数量也越来越多，算法越来越复杂，对于数据及其辅助参数的要求也越来越严格。

最近几年也有专门针对GF1-WFV数据和GF6-WFV数据所使用的单波段或多波段组合针对单一湖库的叶绿素a，悬浮物浓度和透明度等相关水质参数进行反演的案例，明确指出新加入的红边波段B5（710 nm）和黄波段B8（610 nm）对其反演具有一定的优势，综合实验所采集的相关数据，结合相对经典的叶绿素a模型反演方法，用于本文相关的问题中，本文具体所使用的模型光谱指数如表3所示。

表3 常用水体叶绿素a浓度反演模型

Table 3 Inversion models of water chlorophyll a concentration were commonly used

序号	简称	GF6-WFV光谱指数	参考文献
1	2BDA	R₆₆₀/R₇₁₀	Mittenzwey等（1992）
2	FLH	R₆₆₀-R₅₅₅-((660-555)/(710-555))*(R₇₁₀-R₅₅₅)	Letelier等（1996）
3	BR	R₇₁₀/R₆₁₀	Gurlin等（2011）
4	NDCI	X = (R₇₁₀-R₆₆₀)/(R₇₁₀+R₆₆₀)	Mishra等（2012）

注：以R₇₁₀为例，R为波段，710为波段中心波长710 nm，R₇₁₀代表在波长为710 nm处的遥感反射率，GF6-WFV数据的8个波段，其中心波长为光谱响应函数中值的波长值；简称中的同类模型以下标符号区分

新窗口打开| 下载CSV

3.2　基于GF6-WFV数据的叶绿素a反演流程

基于GF6-WFV数据的叶绿素a浓度反演技术流程如图3所示：首先，依据研究区寻找对应的GF6-WFV数据，完成辐射定标，结合GF6-WFV数据的光谱响应函数与通过MODIS气溶胶数据所得初始能见度数据，完成FLAASH大气校正过程，并以Sentinel-2数据为基准影像，进行GF6-WFV数据的几何校正，然后，在此基础上完成研究区影像光谱反射率的提取和水体边界提取，并对结果参照实测等效反射率完成大气校正精度评价。最后，将之前得到的遥感影像光谱反射率，直接带入最优的反演模型，从而进行研究区水体叶绿素a浓度反演，得到影像反演结果值及其空间分布图，进而在此基础上进行相关分析。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 基于GF6-WFV数据的叶绿素a浓度反演技术流程

Fig.3 Technical flow of chlorophyll a concentration inversion based on GF6-WFV data

图像上水体的反射率提取，利用IDL程序使用3X3窗口，提取采样点位于影像上的相关波段的反射率数据结果，将其导入Excel中，并进行排序，利用提取结果与反射率计算公式将其转换为水体的反射率数据（R_rs），其中的地表反射率（SR）转换为遥感反射率（R_rs），公式如下：

R_rs ≈ SR/(10 000*π)（3）

定量遥感的关键步骤便是针对遥感影像的大气校正，本研究采用ENVI的FLAASH大气校正模块进行，所需要的初始能见度参数选取MOD/MYD（全称MODIS Terra/Aqua Aerosol）气溶胶数据，利用“暗目标算法”下在550 nm处的气溶胶光学厚度通过公式（4）换算而来，从而完成针对研究区影像数据的大气校正过程。本研究参考使用6S/6SV模型对于影像数字化量化值（DN）转换为初始能见度：

能见度（km） = exp［-In（AOT（550）/2.7628）/0.79902］（4）

实验对于MOD/MYD04数据的选取以GF6-WFV数据日期为标准，目的在于，相对准确的还原研究区当日大气能见度，用以还原初始能见度相关信息，具体信息如表1所示。

3.3　精度评价

实测光谱数据。按照模型与检验数据划分标准，在模型构建阶段，将研究区内所有实测光谱数据进行整体的筛选区分，剔除光谱异常点（主要去除实验中，相关记录以水华、水草主导的水体采样点）。

经过样点整理保留10期6个研究区中共计141个采样点，将没有同步影像的110个采样点用于叶绿素a浓度反演模型的构建，有同步影像的31个采样点数据进行模型检验。

精度评价指标方面，选取相关系数平方（R²）、平均相对误差（Mean Relative Error，MRE）、均方根误差（Root Mean Squared Error， RMSE）等3大指标进行相应的精度评价，通过对比R²、MRE和RMSE等3种精度评价因子，以相关系数最高、平均相对误差和均方根误差最小为原则，进行模型构建和精度验证，其相应的计算公式如下所示：

M R E = 100 % * \frac{1}{N} \sum_{i = 1}^{n} \frac{|Y_{m e a} - Y_{c a l}|}{Y_{m e a}}

（5）

R M S E = \sqrt[]{\frac{1}{N} \sum_{i = 1}^{n} (Y_{c a l} - Y_{m e a})^{2}}

（6）

其中：（ $Y_{m e a}$ ）和（ $Y_{c a l}$ ）分别为真值和估测值。

大气校正精度评价中，以地面实测等效光谱反射率为真值（ $Y_{m e a}$ ），与之相对应基于GF6-WFV影像提取的反射率为估测值（ $Y_{c a l}$ ）；叶绿素a反演以最基本的模型（如指数、线性、对数、二次多项式和乘幂）为主，以地面实测叶绿素a浓度值为真值（ $Y_{m e a}$ ），与之相对应基于GF6-WFV影像反射率反演的叶绿素a浓度值为估测值（ $Y_{c a l}$ ）。

4 结果

4.1　GF6-WFV数据遥感反射率精度评价

由于GF6-WFV数据有8个波段，研究选取实测采样点光谱数据，结合官方提供的光谱响应函数和相关的参数指标，将实测光谱数据等效为GF6-WFV对应反射率，并以此为真实值，将具有同步或准同步影像的采样点数据的提取值为估测值，逐个波段进行遥感反射率精度评价，从表2可知，用于验证的采样点实验日期为2019年5月21日至22日的白洋淀、10月8日的于桥水库。

从图4可知：在FLAASH大气校正后，图像的遥感反射率相关的精度评价体系中，除B7（425 nm）的R²较低，其余的7个波段的R²皆在0.60以上。验证表明，FLAASH大气校正在放弃默认值（40 km）引入气溶胶数据所得初始能见度值后，会统一不同影像间的反射率差异，但也因此在B7（425 nm）、B1（485 nm）和B2（555 nm）波段出现过校正现象；从均方根误差（RMSE）相比，除B7（425 nm）、B1（485 nm）和B4（830 nm）的RMSE分别0.008 137、0.005 553和0.005 903外，其余的5个波段基本在0.003 3以下；最后，再结合平均相对误差（MRE）可见，精度相对较高的也是除B7（425 nm）、B1（485 nm）、B6（750 nm）、B4（830 nm）波段的其他4个波段，整体的平均相对误差在40 %以内。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 GF6-WFV大气校正精度评价

Fig.4 Accuracy evaluation of GF6-WFV atmospheric correction

由精度评价散点图可知，GF6-WFV遥感反射率在B7（425 nm）、B1（485 nm）和B2（555 nm）波段，存在图像在水体的反射率为负值的现象，降低了用于评价的相关指标，在B4（830 nm）波段整体的评价指标皆劣势于其他波段。整体来看，GF6-WFV遥感反射率精度在B7（425 nm）、B4（830 nm）波段的存在较大的不足，存在相关性不强、误差较大等问题，其余6个波段可用性较强，能够用于基于影像光谱的叶绿素a浓度相关的建模与反演等相关应用。

4.2　叶绿素a浓度模型及精度评价

在基于图像反射率的叶绿素a浓度反演阶段，将模型构建阶段选取的最优模型及其公式带入图像提取的反射率值，反演计算得出研究区范围内的叶绿素a浓度估估测值（ $Y_{c a l}$ ），通过对比，叶绿素a浓度实测值和估测值的R²、MRE、RMSE等3种精度评价因子，得出最优的遥感影像叶绿素a浓度反演模型，并将其结果应用于图像进行验证。

以上实测等效光谱建模和图像遥感反射率反演叶绿素a浓度精度评价结果如图5和图6所示，由图可知，在NDCI、FLH和2BDA等4种模型中，整体在实测等效光谱建模阶段，除FLH模型外，整体上相关系数平方（R²）较高达到0.60以上，NDCI和2BDA建模阶段的R²更是达到了0.90和0.91，说明实测等效光谱建模阶段NDCI模型和叶绿素a浓度相关性较高；在GF6-WFV数据反演叶绿素a浓度阶段，整体精度评价指标皆有所降低，NDCI和2BDA模型应用于影像时相对误差（MRE）接近相差10%，在均方根误差（RMSE）方面，NDCI模型远高于和2BDA模型，2BDA模型的相对误差（MRE）和均方根误差（RMSE）整体较为优秀，均方根误差（RMSE）仅为13.29 mg/m³，这样一来。整体来看2BDA模型在本文中具有较好的适应性，能够达到相关应用标准。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 叶绿素a浓度反演模型构建

Fig.5 Construction of chlorophyll a concentration inversion model

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 叶绿素a浓度反演结果精度评价

Fig.6 Precision evaluation of chlorophyll a concentration inversion results

4.3　叶绿素a浓度图像反演结果分析

实验通过上述方法，对比分析不同模型，找出最优模型——2BDA，基于此模型，在保证遥感影像数据质量的前提下，对于全部6个研究区的10期影像中，选取2019年5月6日官厅水库、2019年10月8日于桥水库、2021年6月6日小浪底水库、2019年5月22日白洋淀、2021年5月21日陆浑水库和2020年9月7日太湖，完成基于GF6-WFV影像下的叶绿素a浓度反演，其结果如图7所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 2BDA模型下基于GF6-WFV影像的叶绿素a浓度反演

Fig.7 Chlorophyll a concentration inversion based on GF6-WFV image in 2BDA model

叶绿素a浓度反演结果显示，官厅水库整体浓度偏低，集中在35 mg/m³以下，上中下游分段较为明显，且高浓度区在东北部岸边带状分布，在下游永定河入库处，存在部分高值区呈现扇形扩散，这与前人对于官厅水库存在东部污染大于西部的结论一致^［28-30］。小浪底水库叶绿素a浓度集中在30 mg/m³以下，整体呈现在上游地区大于下游库区，支流河道大于干流的现象，这与前人研究大体一致^［31-33］。陆浑水库反演结果显示，GF6-WFV数据在数据边缘处存在接缝问题，目前难以有效解决这一问题的发生，但其大体的空间分布，同样显示在入库口和狭窄河道的叶绿素a浓度要高于库区宽阔水域和中心，而且在水库大坝处呈现高浓度的现象这与前人关于沉积物空间分布特征类似^［34-35］。在太湖方面，由于其富营养化程度较高，在边缘区域和多个湖湾处出现富集现象，整体的叶绿素a浓度偏高，中心地区浓度较低^［36-38］，本研究得到的叶绿素a的空间分布于之前的相关研究基本一致。

于桥水库整体叶绿素a浓度呈现北部较高，南部较低，中心区域较低而西北岸边较高，因为研究区在当前研究背景下处于枯水期，受岸边环境影响较大，所以在当前时间浓度水平较高。对比岳昂等^［39］关于于桥水库藻华分布的研究结果，西北岸为主，严重情况下漫延至库心，东南部较少发生；殷子瑶等^［40］关于于桥水库水体透明度的论述“北高南低”；以及张扬等^［41］在于桥水库生态清淤背景下的水质影响因素分析中，发现强降雨对其水质参量中总磷的影响大于总氮，且总体的范围的主要位于库周沿岸浅水域和东部滩地。整体对比可知与本文通过叶绿素a浓度分布高值区范围大体一致。

白洋淀区域，由反演结果可知，叶绿素a浓度整体处于较低水平，淀区呈现北部、西部和南部高于东部，中东部较低。流通性河道高于一般性水体，零星分布水体高于聚集性大面积水体，存在城镇和农村聚居地边缘高于等内部水体的特点。结合马恺等^［42］对于白洋淀入淀水质评价分析，在空间上入淀污染程度大于出淀水体；张婷^［43］对于白洋淀水质时空变化及其影响分析中，认为白洋淀水质存在空间分异性——入湖口低于中心区域和出湖口；水质污染方面，西北部区域污染最为严重，东北部区域次之，东南和西南区域污染最轻。由此可见，GF6-WFV数据反演叶绿素a浓度分布结果与前人已有水质分析结果具有可比性和一致性。

结合研究区的叶绿素a浓度统计表和分布图，反演结果从整体上来看，研究区水体范围内，一般情况下，叶绿素a浓度岸边大于中心，狭窄河道大于宽阔水域，支流入口处大于出口处，水浅处大于水深地区。官厅水库、陆浑水库和小浪底水库整体的叶绿素a浓度偏低，于桥水库、白洋淀和太湖地区，受人为影响较大，在靠近城市和村落的水域，叶绿素a浓度较高。综上所述，基于GF6-WFV数据，反演叶绿素a浓度空间分布，方法上具有一定的合理性，结果可信度较高。

5 分析与讨论

5.1　610 nm、710 nm和750 nm波段对叶绿素a反演的影响

GF6-WFV数据新增的B5（710 nm）和B6（750 nm）波段位于叶绿素的近红外敏感区间，对叶绿素a浓度具有较强的的指示作用，特别是B5（710 nm）对高浓度叶绿素a的响应较好。B5（710 nm）对构建红/近红外波段比值和绿/近红外波段比值模型并应用于内陆浑浊水体具有十分重要的价值；B6（750 nm）波段丰富了近红外波长的波段设置，可以辅助构建三波段半分析模型、基线高度模型等，也具有重要价值。这两个波段的共同作用下，GF6-WFV数据在内陆水体叶绿素a浓度监测方面的应用潜力得到极大提升。B8（610 nm）并非叶绿素a的敏感波段，但是加密了绿和红波段之间的光谱设置，能提供特定的模型和算法更多的选择，其在叶绿素a反演上的作用还有待深入开发。

5.2　反演模型的适用性和代表性

实验选取了6个研究区的10次实验共计141个采样点数据用于叶绿素a浓度反演建模与精度评价。研究区涉及湖泊和水库，分布于中国东部多个省区，有较为清洁的水库，也有富营养化严重的湖泊，6个研究区作为中国东部典型湖库的代表。6个研究区的叶绿素a浓度从3.91 mg/m³~99.21 mg/m³不等，基本涵盖了较清洁、较浑浊、富营养化的水体类型，适用于多数中国东部内陆水体。但是缺少更为清洁的水体样本，例如分布于青藏高原的高寒清洁水体、东部水质优良的深水水库等。后续研究可着重扩展在内陆清洁水体的精度和适用性分析。

在叶绿素a浓度反演模型的选取方面，结合GF6-WFV数据相关波段和多种常用的叶绿素a浓度反演模型，进行模型迁移和参数修正，在逐波段大气校正精度评价的基础上，最终从4种叶绿素a浓度反演模型中选取最优模型——2BDA，进行基于GF6-WFV数据的多类型内陆水体叶绿素a浓度反演，并将其结果与实测叶绿素a浓度进行精度验证，整体上使得实验所使用的反演模型在达到适用性的基础上更具代表性。

5.3　GF6-WFV数据定量化问题

GF6-WFV数据在国际上首次采用了先进的自由曲面、四反离轴全反射式光学系统设计，用单相机超大视场成像代替了传统多相机拼幅成像体制。GF6-WFV数据一景图像是由三段数据组成，理论上三段数据为同一相机拍摄，应该没有数据“接缝”问题，而实际上很多数据确实无“接缝”现象，但是部分数据仍然存在“接缝”现象。例如本研究中2021年5月21的陆浑水库正好位于左幅图和中间图的接缝上，原始图像“接缝”现象十分明显（图8），其中B7 （425 nm）、B1 （485 nm）、B2 （555 nm）、B8 （610 nm）、B3 （660 nm）波段“接缝”比较明显，B5 （710 nm）、B6 （750 nm）、B4 （830 nm）波段视觉上不太明显，但是“接缝”现象仍然存在，主要是因为红边到近红外波段水体本身值较小，图像显示时被压缩显示了。这一问题通过辐射校正和大气校正后无法消除，并最终影响叶绿素a浓度的反演结果（如图7），导致接缝两侧的反演结果有较大偏差。该数据“接缝”问题的来源有待进一步核实，且需要研究消除“接缝”的技术方法。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 2021年5月21的陆浑水库GF6-WFV数据“接缝”现象（图中反射率数据扩大了10 000倍）

Fig.8 The GF6-WFV data "seam" phenomenon of Luhun Reservoir on May 21， 2021. The reflectance data in the figure has been magnified by 10 000 times

大气校正是定量化处理的关键步骤，GF6-WFV没有短波红外波段，无法在内陆浑浊水体使用水色遥感常用的短波红外大气校正算法。目前通常使用6S、FLAASH等陆地大气校正工具，应用于水体暗目标仍然存在较大偏差（图4），特别是蓝和近红外波段大气校正精度较差。GF6-WFV拥有一个深蓝波段和两个红边波段加一个近红外波段，具有使用深蓝算法和近红外迭代算法进行大气校正的潜力，相关研究有待进一步深入探讨。

6 结论

研究利用实测光谱与叶绿素a浓度数据，基于同步GF6-WFV数据，利用已有的半经验模型进行参数调整，将实测光谱数据在保证精度的情况下完成光谱等效，在分析模型适用性并完成精度评价后，进行面向GF6-WFV数据的中国东部典型湖库叶绿素a浓度反演。结果表明，利用GF6-WFV数据遥感反射率，能够完成对于叶绿素a浓度结果的有效反演，GF6-WFV数据对于大范围、多类型内陆水体的叶绿素a浓度遥感反演监测具有一定的可行性。同时，GF6-WFV数据新增的红边Ⅰ波段（B5：710 nm），对于提高叶绿素a浓度反演精度效果明显，对比同类多光谱数据集，扩宽了波段选择空间，为叶绿素a浓度反演提供更好的选择。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Chunling

， BAI

Zhaoguang

， HU

Zhiyong

， et al.

Technological innovation and application achievements of Gaofen-6 satellite

［J］. Satellite Application，2020（12）：12-17.