基于GOCI影像的湖泊懸浮物濃度分類反演

趙麗娜，王艷楠，金 琦，馮 馳，潘洪洲，張 杰，呂 恒,2,*，李云梅,2

1 南京師范大學虛擬地理環(huán)境教育部重點實驗室， 南京 210023

2 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京 210023

基于GOCI影像的湖泊懸浮物濃度分類反演

趙麗娜1，王艷楠1，金 琦1，馮 馳1，潘洪洲1，張 杰1，呂 恒1,2,*，李云梅1,2

1 南京師范大學虛擬地理環(huán)境教育部重點實驗室， 南京 210023

2 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京 210023

懸浮物直接影響到光在水體中的傳播，進而影響著水生生態(tài)環(huán)境，最終決定了湖泊的初級生產(chǎn)力。傳統(tǒng)的遙感反演估算模型大多是針對某一湖區(qū)進行統(tǒng)一建模，忽視了不同區(qū)域水體光學性質(zhì)的復雜差異性，并且傳統(tǒng)的傳感器時間分辨率和空間分辨率受到一定限制。針對太湖、巢湖、滇池、洞庭湖4個湖區(qū)利用兩步聚類法將高光譜模擬到GOCI影像上的波段進行分類，將水體類型分為三類，第一類水體為懸浮物主導的水體，第二類水體為懸浮物和葉綠素a共同主導的水體，第三類水體為葉綠素a主導的水體。針對不同類型水體的光學特征，分別構(gòu)建了懸浮物濃度反演模型，結(jié)果表明第一類水體可以利用B7/B4，第二和第三類水體可以利用B7/(B8+B4)作為波段組合因子對懸浮物濃度進行模型構(gòu)建。精度驗證結(jié)果表明，分類建模后第一類和第三類水體懸浮物濃度估算精度都得到了較明顯提高，第一類水體RMSE降低了9.19mg/L，MAPE降低了3%，第三類水體RMSE降低了5.63 mg/L，MAPE降低了13.97%，第二類水體精度稍有降低。最后將反演模型應用于2013年5月13日的GOCI影像，可知整體而言太湖西南部地區(qū)懸浮物濃度較高，東北部地區(qū)懸浮物濃度較低，并且從9：00到15：00，太湖南部懸浮物濃度較高的區(qū)域在逐漸縮小。

富營養(yǎng)化湖泊；懸浮物；GOCI影像；遙感反演；光學分類

懸浮物廣泛分布于海洋、湖泊、河流等水體，其濃度是水質(zhì)和水環(huán)境評價重要的參數(shù)之一，懸浮物含量的多少直接影響到光在水體中的傳播，進而影響著水生生態(tài)環(huán)境，最終決定了湖泊的初級生產(chǎn)力[1]。懸浮物的時空分布狀況和運動規(guī)律的研究還直接關系到正確估算水土流失、航道港口的沖淤變化、近岸水產(chǎn)養(yǎng)殖開發(fā)等重要問題[2]。其次，水動力條件對懸浮顆粒物濃度分布以及懸浮和沉降過程起著非常重要的作用，通過懸浮物的輸運模擬，可以更加明確水動力條件如何變化[3]。遙感技術因其覆蓋范圍廣，成本低等優(yōu)點被廣泛應用于懸浮物濃度時空分布監(jiān)測中。用于監(jiān)測總懸浮物濃度的遙感影像主要包括TM數(shù)據(jù)、SeaWiFS數(shù)據(jù)、MODIS數(shù)據(jù)、MERIS數(shù)據(jù)等，許多學者利用這些數(shù)據(jù)建立了多種估算總懸浮物濃度的方法[4- 9]，并且取得了不錯的效果。

雖然SeaWiFS，MODIS，MERIS這些極軌海洋水色衛(wèi)星可以較為準確的模擬懸浮物濃度，但是在中低緯度只能一天獲取一景影像，不能實現(xiàn)一天內(nèi)懸浮物濃度變化的監(jiān)測。GOCI(Geostationary Ocean Color Imager)是韓國于2010年6月27日發(fā)射的全球第一顆地球同步軌道海洋水色衛(wèi)星COMS(Communication, Ocean and Meteorological Satellite)上所搭載的傳感器，其主要目的是從靜止的平臺上以高時間頻率持續(xù)觀測環(huán)朝鮮半島的海洋水色和研究海洋、陸地和大氣迅速變化的過程。該傳感器一天返回八景影像，所以對于監(jiān)測一天內(nèi)懸浮物濃度變化有著非常重要的意義[10]。國內(nèi)外已有學者利用GOCI影像或者GOCI影像與其他影像共同反演近岸水體懸浮物濃度變化[11- 15]。而內(nèi)陸湖泊與近岸水體所含物質(zhì)有明顯差異，GOCI影像在監(jiān)測內(nèi)陸湖泊的適用性還有待進一步驗證。

在海洋遙感中，海水按其光學性質(zhì)不同劃分為一類水體和二類水體。但是在大多數(shù)情況下，這種分類方法不能滿足對光學特性復雜內(nèi)陸渾濁水體的研究[16]，國內(nèi)外諸學者均提出了許多針對不同水體的多種懸浮物濃度反演模型，但是這些模型主要是針對特定水體，或某一水體的特定時期，對光學特征復雜多變的中國內(nèi)陸富營養(yǎng)化湖泊反演精度很不穩(wěn)定，這就需要構(gòu)建一種新方法對中國的內(nèi)陸富營養(yǎng)化湖泊水體中懸浮物濃度進行監(jiān)測。

本研究以太湖、巢湖、滇池、洞庭湖4個湖區(qū)為研究區(qū)域，研究我國內(nèi)陸水體光學分類特征，在此基礎上基于GOCI影像數(shù)據(jù)建立不同光學特征的懸浮物濃度反演模型，利用光譜角匹配(SAM)方法，建立我國內(nèi)陸湖泊的懸浮物濃度先分類后反演的策略，這對于提高模型的通用性和精度具有重要的意義。

1 研究區(qū)域

本研究涉及4個湖區(qū)，分別為太湖，巢湖，滇池，洞庭湖，其類型、位置、面積、平均水深、以及采樣點數(shù)如表1所示。四大湖區(qū)均屬于淡水湖，水深均小于10m，在不同的區(qū)域，湖泊的水質(zhì)等級也有所差別。這4個湖泊中，除了洞庭湖水質(zhì)稍好，其他3個湖區(qū)的水質(zhì)均不容樂觀。

表1 研究區(qū)簡介

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)的獲取

2.1.1 參數(shù)的測定

本次數(shù)據(jù)包括太湖2006年11月、2008年11月、2009年4月、2010年5月、2010年8月、2011年8月、2012年10月、2013年5月8期數(shù)據(jù)，巢湖2009年6月1期數(shù)據(jù)，滇池2009年9月1期數(shù)據(jù)，洞庭湖2013年8月1期數(shù)據(jù)，共11期數(shù)據(jù)包括331個樣點。不同湖區(qū)的樣點數(shù)如表1所示，對對應樣點先進行光譜測量，然后進行野外采樣，將水樣低溫冷藏，并盡快送至實驗室，測量總懸浮物濃度、無機懸浮物濃度、有機懸浮物濃度、葉綠素濃度等指標。

總懸浮物、無機懸浮物、有機懸浮物濃度的測定采用常規(guī)稱重法(GB11901- 89標準)。

葉綠素濃度的測量采用熱乙醇法，用0.45μm的GF/F濾膜過濾，冷凍48h后用90%的熱乙醇萃取，靜置4—6h后利用分光光度計對萃取液進行測量。

測量遙感反射率光譜采用的是美國ASD公司生產(chǎn)的ASD FieldSpec Pro便攜式光譜輻射計，具體做法是將儀器在觀測平面內(nèi)向上旋轉(zhuǎn)特定角度(使得天空光的觀測天頂角等于水面測量時的觀測角)。整個過程需要測量的量包括：水體、灰板(反射率為30%)以及天空光的輻射信息，每個參數(shù)測量10條的光譜信息。測量水面反射光譜信息時，記錄各采樣點的坐標以及測量時的風速、風向等輔助信息[17]。

2.1.2 遙感影像的選擇及預處理

根據(jù)野外采樣的時間，選擇2013年5月13日GOCI影像，對影像進行輻射定標、幾何校正，大氣校正等操作。其中輻射定標是利用GOCI數(shù)據(jù)的輻射定標參數(shù)通過ENVI軟件完成的。幾何校正采用GLT幾何校正法。大氣校正采用6S大氣校正算法。

在經(jīng)過上述預處理之后，利用太湖矢量邊界對GOCI影像進行裁剪，然后利用GOCI影像第八波段(中心波長為865nm)和第六波段(中心波長為680nm)求得NDVI，結(jié)合目視解譯確定大于零值的區(qū)域為水華區(qū)域，提取出水華斑塊。由于東太湖在5月份大部分被水草覆蓋，所以將東太湖用水草區(qū)進行覆蓋，不作為研究區(qū)域。

2.2 研究方法

2.2.1 基于GOCI波段的水體光學分類方法

本研究包含湖區(qū)較多，水體光學特性較為復雜，在研究之前取得先驗知識具有一定難度；有些學者采用的經(jīng)驗常數(shù)主要是根據(jù)各自研究區(qū)的數(shù)據(jù)統(tǒng)計分析得到的[18]，對于其他研究區(qū)或同一研究區(qū)不同時間的采樣數(shù)據(jù)，經(jīng)驗常數(shù)也往往各不相同，因此監(jiān)督分類方法不適合用于本研究。經(jīng)過綜合考慮，本研究采用較為簡單并且比較有效的非監(jiān)督分類方法中兩步聚類法對模擬GOCI波段8個波段進行分類，在前人研究中，有采用聚類方法對高光譜數(shù)據(jù)進行分類，然后再將分別建立的模型應用于影像的方法[19]。此種分類方法雖然在分類后基本上可以應用于目前所有的遙感影像數(shù)據(jù)，但是此方法沒有針對性，利用多光譜數(shù)據(jù)進行分類和利用其中幾個波段進行分類的結(jié)果一定是不同的。本文針對GOCI影像設置的8個波段進行分類，能更加有效合理的應用于GOCI影像。首先利用GOCI影像的光譜響應函數(shù)將高光譜數(shù)據(jù)模擬到GOCI影像的八個波段，然后將這八個波段采用兩步聚類法進行分類。之所以采用兩步聚類法，是因為該方法不用提前輸入分類數(shù)，計算量小，完全根據(jù)光譜曲線大小和形狀進行分類，而懸浮物濃度的大小以及懸浮物與葉綠素組合關系也反應在光譜曲線上，所以利用該方法分類再進行建模會更加有效。

2.2.2 像元水體類別判定方法

從光譜形狀和光譜亮度上對遙感影像進行分類是目前比較常用的分類方法。Kruse 1993年提出了一種稱為光譜角度匹配(SAM)的技術，通過由成像光譜數(shù)據(jù)提取的地物光譜曲線與光譜庫(實驗室或者野外測量的標準曲線)的光譜曲線的匹配分析而識別地物類別的技術，這種方法在區(qū)分光譜形狀存在較大差異的水體類型時較為有效。常用的距離測度方法為計算一條給定的光譜曲線與標準曲線的歐氏距離。也有研究將光譜角匹配(SAM)和歐式距離結(jié)合起來有效提高分類的準確性[20]。這種方法主要用于高光譜影像中成效顯著。一般來說幾種類型中，有些可以通過形狀進行很好的區(qū)分，有些類型形狀基本一致，但是大小存在差異的情況該方法較為適用。本研究中3種類型水體在形狀上存在較大程度的差異(圖1)，但是在光譜亮度上的區(qū)別并不明顯，尤其是第一類和第二類水體的光譜曲線有較大程度的重疊現(xiàn)象。綜合分析，本研究采用光譜角匹配(SAM)技術對GOCI影像進行光學分類，將每一類型水體的平均光譜曲線作為標準光譜曲線，該方法表達如下：

式中，xi為第i波段平均光譜值， yi為第i波段遙感影像光譜值，θ為光譜角度。

計算遙感影像光譜曲線與幾種平均光譜曲線的角度，將影像水體類型歸入θ值最小的一類。為了確定該方法精度是否可靠，本研究先利用該方法對高光譜數(shù)據(jù)模擬后的GOCI數(shù)據(jù)進行分類，經(jīng)過計算，用此類方法錯分的樣點數(shù)為26個，占總樣點的7.9%，利用光譜角匹配(SAM)技術與歐式距離相結(jié)合的方法錯分的樣點數(shù)為32個，占總樣點的9.7%，所以利用光譜角匹配(SAM)技術更加準確。

3 結(jié)果與分析

3.1 基于GOCI波段的水體分類結(jié)果

圖1為利用GOCI影像八個波段進行分類后每一類水體的光譜曲線以及每一類水體光譜曲線平均值曲線，其中第一類數(shù)據(jù)133個，第二類數(shù)據(jù)154個，第三類數(shù)據(jù)44個。為了確定這三類水體的光譜特征主導因子，分別對3種水體類型的葉綠素a濃度和總懸浮物濃度的最大值、最小值，平均值以及有機懸浮物濃度與總懸浮物濃度比值即OSM/TSM均值[21]進行統(tǒng)計，結(jié)果如表2所示，從表中可以看出，第一類水體懸浮物濃度均值最高，第三類水體葉綠素a濃度均值最高，結(jié)合OSM/TSM比值均值可以看出，第一類水體OSM/TSM最低，為0.20，第三類水體OSM/TSM最高，為0.51。第二類水體葉綠素和懸浮物濃度都較少，但OSM/TSM均值介于第一類水體和第三類水體之間，因為有機懸浮物主要是藻類，湖中藻類越多，葉綠素含量則越多，因此相對而言可以簡單認為第一類水體為懸浮物主導型，第二類水體為共同主導型，第三類水體為葉綠素主導型[22]。

從圖1中可以看出，3種類型水體的遙感反射率曲線在形狀和大小上都存在區(qū)別，第一類水體的光譜曲線整體較高，第三類水體光譜曲線整體較低，第一類水體和第二類水體在Band1—Band4波段基本一致，區(qū)別主要體現(xiàn)在Band5—Band8，第二類水體的光譜曲線在Band4之后下降趨勢較第一類水體下降趨勢較快，第三類水體的光譜曲線最為特殊，主要表現(xiàn)在Band5—Band8，下降趨勢較第一類和第二類小，這些波段特征主要與水體中的葉綠素和懸浮物有關，懸浮物主要是以散射作用為主而葉綠素主要是以吸收作用為主，散射作用增大遙感反射率而吸收作用降低遙感反射率，第一類水體主要受懸浮物濃度控制，因而整體反射率較高。第三類主要受葉綠素濃度控制，在可見光主要表現(xiàn)出吸收特性，反射率值較低，而在近紅外波段吸收降低，主要表現(xiàn)為反射，所以反射率較高。水體的遙感反射率光譜曲線既能反映水體光學特性的主導因子，也能體現(xiàn)水體組分濃度的大小，這為本研究中利用遙感反射率光譜曲線估算不同類型水體中懸浮物濃度奠定了基礎。

圖1 各類型水體的遙感反射率光譜曲線Fig.1 Remote sensing reflectance spectrum of different water types

表2 3種水體類型中懸浮物濃度及葉綠素a濃度以及OSM/TSM統(tǒng)計

3.2 三類水體反演模型分析

本研究主要是利用GOCI影像對太湖懸浮物濃度進行遙感反演，因此針對GOCI數(shù)據(jù)特定的波段設置，參考其他學者所構(gòu)建的懸浮物濃度遙感估算模型，分別從單波段、波段比值、多波段組合及經(jīng)典的TASSAN波段組合以及改進后的TASSAN線性模型等多種方法構(gòu)建懸浮物濃度遙感估算模型[23- 29]。

第一類水體用96個數(shù)據(jù)進行建模，37個數(shù)據(jù)進行驗證；第二類水體用103個數(shù)據(jù)進行建模，51個數(shù)據(jù)進行驗證；第三類水體用32個數(shù)據(jù)進行建模，12個數(shù)據(jù)進行驗證。3種類型水體和全部數(shù)據(jù)的懸浮物濃度反演模型以及R2如表3所示。

從表3中可以看出，第一類水體的最佳波段組合因子為B7/B4，第二類和第三類水體的最佳波段組合因子為B7/(B8+B4)，這表明了GOCI數(shù)據(jù)的B4、B7、B8三個波段與懸浮物濃度有著密切的關系，B4波段是綠波段的反射峰，通常懸浮物濃度越高，這一波段的反射峰越高，而B7和B8波段為近紅外波段，也是渾濁水體懸浮物濃度反演最為有效的波段區(qū)間。3種類型水體和未分類水體所利用的波段組合因子分子都是B7，這是由于B7與懸浮物濃度的相關性最高，比值模型中分母多為555nm或者包含555nm，555nm波段的選擇則可以消除水體中非懸浮物的影響。從R2可以看出分類后第一類水體懸浮物濃度的反演精度有很大程度的提高，第三類水體R2稍有提高，第二類水體R2比未分類水體低，這是由于未分類水體中懸浮物濃度較高的樣點明顯增加了整體的相關性，造成部分樣點懸浮物濃度估算結(jié)果存在較大偏差，正如分類后第一類水體的誤差明顯降低，所以不能僅憑R2來評判模型的好壞。通過RMSE和MAPE的統(tǒng)計值(表4)可以看出，分類后第一類水體RMSE降低了9.19 mg/L，MAPE降低了3%，第三類水體RMSE降低了5.63 mg/L，MAPE降低了13.97%，只有第二類水體精度稍有降低，分類后RMSE升高了0.17 mg/L，MAPE升高了0.99%。從圖2中可以看出，雖然第一類水體在分類后反演的懸浮物濃度在高值區(qū)仍存在低估現(xiàn)象，但是相對于未分類數(shù)據(jù)反演的懸浮濃度精度有較大提高，第三類水體利用未分類數(shù)據(jù)所建立的模型對懸浮物濃度進行反演后，存在較大的高估現(xiàn)象，而分類后精度也大大提高?？傮w而言，懸浮物濃度和葉綠素濃度都較小的情況下，分類水體懸浮物濃度反演與未分類水體懸浮物濃度反演精度相差不大，正如第二類水體。當葉綠素濃度偏大或者懸浮物濃度偏大的情況下，分類明顯有助于反演精度的提高。

表3 分類后及未分類水體懸浮物濃度最優(yōu)估算模型匯總

表4 三類水體分類后誤差統(tǒng)計

圖2 懸浮物濃度實測值與估算值散點圖 Fig.2 The scatter plot of estimated TSM concentration and measured TSM concentration

3.3 基于GOCI影像數(shù)據(jù)的懸浮物濃度時空分布

本研究選取了2013年5月13日一天八景影像，對影像進行輻射定標、幾何校正、大氣校正，然后進行水體提取，水華提取。

圖3給出的是利用光譜匹配得到的2013年5月13日12時影像的水體類型分布圖，水草區(qū)已被覆蓋，從圖中可以看出，2013年5月13日當天3種類型的水體均有分布，第一類和第二類水體分布最為廣泛。第一類水體主要分布于太湖西南部區(qū)域，第二類水體主要分布在太湖中東部區(qū)域，第三類水體主要分布在竺山灣、梅梁灣、貢湖灣，通過表2的統(tǒng)計可知，第三類水體是葉綠素濃度較高的水體類型，從圖中可以看出該區(qū)域邊界正是水華發(fā)生的區(qū)域。第三類水體以及水華斑塊主要分布在湖灣區(qū)是與湖灣的特殊條件相關聯(lián)的，湖灣區(qū)受風浪的擾動較小，藻類容易在此區(qū)域聚集并且漂浮在湖面上層。

圖3 2013年5月13日12時影像水體類型分布圖Fig.3 Distribution of water types on May 12, 2013

圖4為利用分類后建立的懸浮物濃度反演模型得出的2013年5月13日8:00—13:00八景影像的懸浮物濃度分布圖，水草區(qū)已被覆蓋，從圖中可以看出，懸浮物濃度在一天之內(nèi)空間和時間上都發(fā)生了變化，這說明利用高時間分辨率的影像研究懸浮物濃度在一天之中變化是有必要的。懸浮物濃度整體西南部偏高東北部偏低，并且隨著時間變化，懸浮物濃度高的區(qū)域范圍逐漸縮小。8:00到9:00懸浮物濃度變化較大，據(jù)研究GOCI 8:00的影像存在較大偏差，所以我們不對這幅影像進行分析。9:00，太湖西南部懸浮物濃度大于100mg/L，東北部懸浮物濃度大都介于0—20 mg/L，懸浮物濃度相差較為懸殊，在其后的時間里，懸浮物呈現(xiàn)出逐漸混合的趨勢，懸浮物濃度大于100 mg/L區(qū)域范圍和懸浮物濃度小于20 mg/L 的區(qū)域范圍逐漸縮小，而懸浮物濃度介于20—80 mg/L的區(qū)域范圍逐漸擴大，到14：00和15:00，太湖只有西部邊界區(qū)域懸浮物濃度大于100 mg/L，中部大部分區(qū)域懸浮物濃度介于20—60 mg/L，貢湖灣以及梅梁灣灣口懸浮物濃度介于0—20 mg/L。

從整體來看，太湖懸浮物濃度從西北到東南呈現(xiàn)出遞減的趨勢，這是因為太湖的入湖河流如太滆運河，漕橋河、太滆南運河，燒香河、橫塘河以及西氿、東氿和團氿等基本都位于太湖西部，一方面河流攜帶的懸浮物使得河流入湖口處的懸浮物濃度較大，另一方面河流入湖擾動了底泥，也增大了懸浮物的濃度。另外，從實驗當天風速記錄可以得知，2013年5月13日當天風向為東風或者東南風，其中東南風居多，風速為0.8—3.2m/s之間，這也可以解釋太湖懸浮物濃度為何從西北到東南呈現(xiàn)出遞減趨勢，風向是懸浮物遷移的重要因素。

圖4 2013年5月13日GOCI影像懸浮物濃度分布圖Fig.4 Distribution of TSM concentration retrieved from GOCI image on May 13, 2013

4 結(jié)論與討論

(1)從GOCI影像反演得到的TSM時空變化圖可以得知，懸浮物在一天之中變化是非常顯著的，所以如MODIS、MERIS等一天最多一景的影像來研究懸浮物濃度變化會存在誤差，而GOCI影像從8時到13時返回八景影像，對于一天內(nèi)研究區(qū)內(nèi)懸浮物濃度時空變化具有重要意義。尤其對于突發(fā)污染事件的監(jiān)測，更加有效。但是GOCI的空間分辨能力為500m，相對較低，將GOCI影像與高空間分辨率的影像結(jié)合應用，既發(fā)揮GOCI高時間分辨率的優(yōu)勢，又發(fā)揮其他影像如高分影像高空間分辨率的優(yōu)勢，可以對水色遙感反演有更加深入的研究。

(2)本研究首先將ASD測得的高光譜數(shù)據(jù)利用光譜響應函數(shù)模擬到GOCI的8個波段，然后利用這8個波段的數(shù)據(jù)進行分類，這樣分類之后每類數(shù)據(jù)的平均值作為標準光譜曲線，可以對任何GOCI影像進行光譜匹配并進行反演，比利用高光譜數(shù)據(jù)進行分類再應用到GOCI影像更加合理。但是標準光譜曲線在分類數(shù)據(jù)改變的情況會發(fā)生變化，并不是固定的，只能依靠增加數(shù)據(jù)量，使得采樣數(shù)據(jù)盡可能多的包含各種水體來進行分類，這樣標準光譜曲線更具有代表性。本研究利用太湖、巢湖、滇池、洞庭湖四大湖區(qū)共331個樣點，時間跨度也較大，頗具代表性。此外，發(fā)展其他更適合于GOCI影像的分類方法也是很有必要的。

(3)遙感影像的大氣校正一直是水色遙感的關鍵難題之一，GOCI影像作為一種全新的水色遙感數(shù)據(jù)源，目前還缺少比較成熟的大氣校正算法，能否對GOCI影像進行有效的大氣校正，直接關系到GOCI影像光譜匹配的正確性及最終反演結(jié)果的準確性，本研究雖然采用了目前常用的大氣校正算法，但有些波段校正效果仍然不是十分理想，這可能會對最終的反演結(jié)果產(chǎn)生一定的影響。

[1] 光潔, 韋玉春, 黃家柱, 李云梅, 聞建光, 郭建平. 分季節(jié)的太湖懸浮物遙感估測模型研究. 湖泊科學, 2007, 19(3): 241- 249.

[2] 陳曉翔, 丁曉英. 用FY- 1D數(shù)據(jù)估算珠江口海域懸浮泥沙含量. 中山大學學報: 自然科學版, 2004, 43(S1): 194- 196.

[3] 江文勝, 蘇健, 楊華, 張英娟, 姜華, 王慶業(yè), 張凱, 田恬. 渤海懸浮物濃度分布和水動力特征的關系. 海洋學報, 2002, 24(S1): 212- 217.

[4] 馬榮華, 戴錦芳. 結(jié)合Landsat ETM與實測光譜估測太湖葉綠素及懸浮物含量. 湖泊科學, 2005, 17(2): 97- 103.

[5] Binding C E, Bowers D G, Mitchelson-Jacob E G. An algorithm for the retrieval of suspended sediment concentrations in the Irish Sea from SeaWiFS ocean colour satellite imagery. International Journal of Remote Sensing, 2003, 24(19): 3791- 3806.

[6] 呂恒, 魏小鴻. 太湖懸浮物濃度的MODIS數(shù)據(jù)定量反演提取. 地球信息科學學報, 2008, 10(2): 151- 155.

[7] Eleveld M A, van der Wal D, van Kessel T. Estuarine suspended particulate matter concentrations from sun-synchronous satellite remote sensing: tidal and meteorological effects and biases. Remote Sensing of Environment, 2014, 143: 204- 215.

[8] Xi H Y, Zhang Y Z. Total suspended matter observation in the Pearl River estuary from in situ and MERIS data. Environmental Monitoring and Assessment, 2011, 177(1/4): 563- 574.

[9] Kaba E, Philpot W, Steenhuis T. Evaluating suitability of MODIS-Terra images for reproducing historic sediment concentrations in water bodies: Lake Tana, Ethiopia. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 286- 297.

[10] Ryu J H, Han H J, Cho S, Park Y J, Ahn Y H. Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS). Ocean Science Journal, 2012, 47(3): 223- 233.

[11] Choi J K, Park Y J, Lee B R, Eom J, Moon J E, Ryu J H. Application of the Geostationary Ocean Color Imager (GOCI) to mapping the temporal dynamics of coastal water turbidity. Remote Sensing of Environment, 2014, 146: 24- 35.

[12] He X Q, Bai Y, Pan D L, Huang N L, Dong X, Chen J S, Chen C T A, Cui Q F. Using geostationary satellite ocean color data to map the diurnal dynamics of suspended particulate matter in coastal waters. Remote Sensing of Environment, 2013, 133: 225- 239.

[13] Doxaran D, Lamquin N, Park Y J, Mazeran C, Ryu J H, Wang M H, Poteau A. Retrieval of the seawater reflectance for suspended solids monitoring in the East China Sea using MODIS, MERIS and GOCI satellite data. Remote Sensing of Environment, 2014, 146: 36- 48.

[14] Vanhellemont Q, Neukermans G, Ruddick K. Synergy between polar-orbiting and geostationary sensors: remote sensing of the ocean at high spatial and high temporal resolution. Remote Sensing of Environment, 2014, 146(5):49-62.

[15] Ruddick K, Vanhellemont Q, Yan J, Neukermans G, Wei G M, Shang S L. Variability of suspended particulate matter in the Bohai Sea from the geostationary Ocean Color Imager (GOCI). Ocean Science Journal, 2012, 47(3): 331- 345.

[16] Arst H, Reinart A. Application of optical classifications to North European lakes. Aquatic Ecology, 2009, 43(4): 789- 801.

[17] 劉忠華. 基于高分數(shù)據(jù)的太湖重點污染入湖河流葉綠素a濃度遙感反演[D]. 南京: 南京師范大學, 2012: 1- 77.

[18] 周曉宇, 孫德勇, 李云梅, 李俊生, 龔紹琦. 結(jié)合水體光學分類反演太湖總懸浮物濃度. 環(huán)境科學, 2013, 34(7): 2618- 2627.

[19] Shi K, Li Y M, Li L, Lu H, Song K S, Liu Z H, Xu Y F, Li Z C. Remote chlorophyll-a estimates for inland waters based on a cluster-based classification. Science of the Total Environment, 2013, 444: 1- 15.

[20] 安斌, 陳書海, 嚴衛(wèi)東. SAM法在多光譜圖像分類中的應用. 中國體視學與圖像分析, 2005, 10(1): 55- 60.

[21] Sun D Y, Li Y M, Wang Q, Le C F, Huang C C, Shi K. Development of optical criteria to discriminate various types of highly turbid lake waters. Hydrobiologia, 2011, 669(1): 83- 104.

[22] 查桂紅. 基于GOCI影像的內(nèi)陸水體懸浮物濃度遙感估算研究[D]. 南京: 南京師范大學, 2013: 1- 75.

[23] Zhang Y L, Shi K, Liu X H, Zhou Y Q, Qin B Q. Lake topography and wind waves determining seasonal-spatial dynamics of total suspended matter in turbid Lake Taihu, China: assessment using long-term high-resolution MERIS data. PLoS ONE, 2014, 9(5): e98055.

[24] 李淵, 李云梅, 施坤, 呂恒, 郭宇龍, 周莉, 劉閣. 基于光譜分類的總懸浮物濃度估算. 光譜學與光譜分析, 2013, 33(10): 2721- 2726.

[25] Ma W, Xing Q, Chen C, Zhang Y, Yu D, Shi P. Using the normalized peak area of remote sensing reflectance in the near-infrared region to estimate total suspended matter. International Journal of Remote Sensing, 2011, 32(22): 7479- 7486.

[26] 施坤, 李云梅, 劉忠華, 徐祎凡, 徐昕, 馬萬泉, 陸超平. 基于半分析方法的內(nèi)陸湖泊水體總懸浮物濃度遙感估算研究. 環(huán)境科學, 2011, 32(6): 1571- 1580.

[27] Zhang B, Li J, Shen Q, Chen D. A bio-optical model based method of estimating total suspended matter of Lake Taihu from near-infrared remote sensing reflectance. Environmental Monitoring and Assessment, 2008, 145(1/3), 339- 347.

[28] 蓋利亞, 張繼賢, 劉正軍. 基于光譜特征的三峽壩區(qū)水色要素反演. 測繪科學, 2008, 33(1): 96-99.

[29] 宋慶君, 馬榮華, 唐軍武, 王曉梅. 秋季太湖懸浮物高光譜估算模型. 湖泊科學, 2008, 20(2): 196- 20.

Method for estimating the concentration of total suspended matter in lakes based on goci images using a classification system

ZHAO Lina1, WANG Yannan1, JIN Qi1, FENG Chi1, PAN Hongzhou1, ZHANG Jie1, Lü Heng1,2，*, LI Yunmei1,2

1KeyLaboratoryofVirtualGeographicEnvironment,MinistryofEducation,CollegeofGeographicScience,NanjingNormalUniversity,Nanjing210023,China2JiangsuCenterforCollaborativeInnovationinGeographicalInformationResourceDevelopmentandApplication,Nanjing210023,China

Total suspended matter (TSM) is an important water quality indicator that can directly affect the propagation of light in water and influence the aquatic ecological environment, and ultimately determines the primary productivity of a lake. Empirical TSM concentration estimation models are often built for specific study areas, ignoring variation in the optical properties of water among diverse areas. In addition, common satellite sensors cannot be successfully used to monitor inland lakes owing to their temporal and spatial resolution. Taihu Lake, Chaohu Lake, Dianchi Lake, and Dongting Lake were selected as our study lakes, and an automatic two-step cluster method was applied for water classification based on simulated geostationary ocean color imager (GOCI) reflectance spectra. The results showed that the water samples could be classified into three types. The optical features of Water Type 1 were influenced by the TSM, the optical characteristics of Water Type 2 were influenced by both TSM and chlorophyll-a (Chl-a), and the optical properties of Water Type 3 were mainly determined by Chl-a. Estimation models were then developed for each water type using a band ratio of B7/B4 for Water Type 1 and B7/(B8 + B4) for Water Types 2 and 3 to retrieve the concentration of suspended solids. The root mean-squared errors (RMSEs) and minimum absolute percentage errors (MAPEs) of Water Type 1 were 9.19 mg/L and 3%, and those of Water Type 3 were 5.63 mg/L and 13.97%, respectively, which were significantly lower than those estimated using methods that do not consider this classification. The RMSE and MAPE of Water Type 2 were slightly higher than those estimated with the general algorithm. The diurnal variation of the TSM concentration in Taihu Lake was studied based on the GOCI data acquired on May 13, 2013 using this classification method, and the results showed that the concentration of TSM was higher in the southwest than in the northeast. In addition, the area of higher TSM concentration in the southern region of the lake was reduced from 9:00 to 15:00(Beijing Local Time).

inland eutrophic lakes; total suspended matter (TSM); GOCI image; remote sensing retrieval; optical classification

國家自然科學基金項目(41171269，41471282)

2014- 11- 15;

日期:2015- 07- 07

10.5846/stxb201411152264

*通訊作者Corresponding author.E-mail: henglu@njnu.edu.cn

趙麗娜，王艷楠，金琦，馮馳，潘洪洲，張杰，呂恒，李云梅.基于GOCI影像的湖泊懸浮物濃度分類反演.生態(tài)學報,2015,35(16):5528- 5536.

Zhao L N, Wang Y N, Jin Q, Feng C, Pan H Z, Zhang J, Lü H, Li Y M.Method for estimating the concentration of total suspended matter in lakes based on goci images using a classification system.Acta Ecologica Sinica,2015,35(16):5528- 5536.