大氣校正對基于遙感指數(shù)提取藻華信息的影響

張月， 肖彧， 常晶晶， 劉健， 王亞瓊， 賀春燕, 何冰

(吉林農業(yè)大學資源與環(huán)境學院，長春 130118)

大氣校正對基于遙感指數(shù)提取藻華信息的影響

張月， 肖彧， 常晶晶， 劉健， 王亞瓊， 賀春燕, 何冰

(吉林農業(yè)大學資源與環(huán)境學院，長春 130118)

遙感技術使大范圍實時監(jiān)測藍藻水華成為可能，但大氣效應與太陽、地物及傳感器的幾何關系會影響輻射傳輸方程，從而對基于遙感指數(shù)的藍藻信息提取產生影響，因此，探討這些影響因子對藻華信息的提取精度有著積極意義?；贛ODIS大氣校正前后2種產品(MOD02和MOD09)，利用單波段、比值植被指數(shù)、歸一化差值植被指數(shù)和歸一化水體指數(shù)4種遙感指數(shù)對2006年全年太湖藻華信息進行提取，并定量分析了氣溶膠光學厚度、太陽高度角和衛(wèi)星觀測角等因素對遙感指數(shù)的影響程度。結果表明：比值植被指數(shù)與歸一化差值植被指數(shù)受大氣影響程度較其他二者低，且比值植被指數(shù)對大氣因素的敏感性較歸一化差值植被指數(shù)低；氣溶膠的光學厚度與太陽高度角在不同程度上對指數(shù)提取結果造成影響，因此利用遙感指數(shù)提取藻華信息時需謹慎，以避免誤判。

大氣校正；遙感指數(shù)；MODIS；太湖；藻華

0 引言

近年來，太湖水體污染與富營養(yǎng)化日趨嚴重，大部分水體處于中度甚至極度富營養(yǎng)狀態(tài)，嚴重的富營養(yǎng)化常常誘發(fā)藍藻水華。藍藻水華暴發(fā)的同時，水體中葉綠素含量會顯著升高，導致水體光譜特征發(fā)生變化。利用具有多波段、實時性強、可大面積同步觀測等優(yōu)勢的遙感技術使大范圍快速監(jiān)測藻華動態(tài)成為可能。但是，藻華信息的獲取常常受水文、氣象及地形等因素的影響，造成藻華提取中的多種不確定性，因此近些年很多學者一直在探索能夠快速準確獲取藻華信息的方法。其中，某些學者根據(jù)光譜曲線的變化特征，利用某些波段的和、差、比值或歸一化算法，設定相應閾值，進行藻類信息的提取，如徐京萍等[1]分別采用比值、歸一化差值植被指數(shù)(normalized difference vegetation index,NDVI)和增強型植被指數(shù)(enhanced vegetation index,EVI)識別模式確定太湖藍藻的分布范圍；段洪濤等[2]基于不同遙感數(shù)據(jù)，包括MODIS/Terra，CBERS-2 CCD，ETM和IRS-P6 LISS3，采用單波段、波段差值及比值植被指數(shù)等方法，提取不同歷史時期太湖藍藻水華。這種基于遙感指數(shù)進行信息提取的方法簡單可行、易于操作，但所獲得的水質參數(shù)與遙感數(shù)據(jù)之間相關性往往難以保證。

衛(wèi)星傳感器接收到的電磁波在大氣傳輸?shù)倪^程中與大氣相互作用，從而造成影像失真[3]；傳感器本身在發(fā)射后也會隨時間而逐漸衰減，又造成衛(wèi)星接收到的數(shù)據(jù)不一致[4-5]。雖然在數(shù)據(jù)預處理階段會進行輻射校正，但未必會完全去除大氣等因素所帶來的影響。這些因素究竟在多大程度上影響遙感指數(shù)以及各指數(shù)受影響程度的差異會如何影響藻華信息的提取精度等方面的研究還很少。本文考慮電磁輻射在大氣中的傳輸過程，選取氣溶膠的光學厚度(aerosol optical thickness,AOT)、太陽高度角及衛(wèi)星觀測角作為影響因子，基于藻華提取結果，并結合太湖站實測數(shù)據(jù)，對所采用的近紅外單波段(near-infrared，NIR)、比值植被指數(shù)(ratio vegetation index,RVI)、NDVI和歸一化水體指數(shù)(normalized difference water index,NDWI)4種遙感指數(shù)進行可靠性評價。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

太湖位于長江三角洲南緣(E119°52′32″～120°36′10″,N30°55′44″～31°32′58″)，自東向西有東太湖、青口灣、貢湖、梅梁湖和竺山湖5個湖灣，是我國五大淡水湖之一。湖泊面積約2 338.1 km2，平均水深l.9 m，年平均溫度15.3～16℃，年降水量950～1 250 mm[6]。太湖的主要功能包括飲用水源、農業(yè)灌溉、游覽、航運、水產養(yǎng)殖及工業(yè)用水等。

1.2 數(shù)據(jù)源及其預處理

綜合考慮時間分辨率、光譜分辨率及數(shù)據(jù)可用性等因素，本文選用MODIS數(shù)據(jù)。為了分析大氣校正對提取太湖藻華信息的影響，本文利用MODIS/Terra提供的2種影像產品：未經過大氣校正的大氣上界輻射值產品(level-1b calibrated geolocated radiances,MOD02)和已去除大氣影響的地表反射率產品(surface reflectance,MOD09)，作為提取藍藻信息的基礎數(shù)據(jù)。另外，還選用MODIS的地理定位數(shù)據(jù)產品(geolocation data set,MOD03)，并從中獲取太陽高度角及衛(wèi)星觀測角數(shù)據(jù)，以及氣溶膠產品(MODIS collection5 level2,MOD04)作為代表大氣污染程度的參數(shù)。

為了對基于遙感指數(shù)提取藻華信息的結果進行精度評價，本文選用2006年太湖的實時水質觀測數(shù)據(jù)湖泊浮游植物葉綠素濃度數(shù)值。該實測水質數(shù)據(jù)來自中國科學院太湖湖泊生態(tài)系統(tǒng)觀測研究站，該站共包括32個常規(guī)監(jiān)測點位，均勻分布于太湖湖區(qū)。本文所用到的葉綠素濃度為利用相關儀器對太湖上中下層水體混合樣的測定，數(shù)據(jù)質量可靠。

為了保證所用圖像的質量，本文對全年圖像采用人工目視識別方法篩選掉上空被云層覆蓋或存在較多霧靄的圖像，并盡量保證所選時相呈現(xiàn)出一定的梯度，最終確定太湖上空天氣狀態(tài)較好的天數(shù)為47 d，并對這47 d的圖像進行幾何糾正、格式轉換、重采樣及圖幅裁剪等預處理。

2 原理與方法

2.1 大氣校正的影響因子

大氣作為星載傳感器與地球表層之間的介質層，其吸收和散射作用、大氣程輻射、背景變化以及不同的觀測幾何等使成像光譜數(shù)據(jù)的信號組成非常復雜，因此消除大氣對電磁波屬性量的影響，恢復其在地球表層的本來面目，就成為定量遙感不可逃避的問題[7-8]。

AOT是表示氣溶膠總含量的參數(shù)，可作為不斷變化的大氣狀態(tài)中影響藻華信息提取的重要因素；在電磁信號的傳輸過程中，太陽、地物及傳感器三者的幾何關系不斷地發(fā)生變化，這種幾何關系的改變必然會使傳感器接收到的信號由于角度的影響而失真。因此，本文選擇AOT、太陽高度角和衛(wèi)星觀測角作為電磁輻射在大氣傳輸過程中所受到的影響因素，對遙感指數(shù)提取藻華信息進行可靠性評價。

2.2 藻類水體的光譜特征

藻類的光譜特征是色素吸收與其細胞表面散射相互作用的結果，其波譜曲線的形態(tài)基本相似(圖1)。不同藻類因細胞形狀和色素含量組成的不同，其反射峰的具體位置和數(shù)值也有所變化[9]，集中表現(xiàn)出2個特征吸收峰和1個特征反射峰，因此可以利用相應波段上的這些特征關系進行藻華信息的提取。

圖1 不同藻類濃度的水體反射光譜[10]Fig.1 Reflectance spectra of water bodies with different algae densities[10]

2.3 藻華信息的提取

根據(jù)藻類水體的光譜特征，本文選取NIR,RVI,NDVI及NDWI 4種遙感指數(shù)用于提取藻華信息。

1)近紅外單波段(NIR)，植被的光譜曲線在近紅外波段會出現(xiàn)“陡坡效應”，之后在近紅外波段形成反射高臺[11-13]，因此相關研究表明，近紅外波段是區(qū)分藍藻水華與渾濁、清潔水體的最佳波段。

2)比值植被指數(shù)(RVI)，定義為近紅外波段和可見光波段的反射率之比，通過比值運算擴大強、弱反射率波段的差距，達到突出感興趣地物的目的[14]。

3)歸一化差值植被指數(shù)(NDVI)，定義為[15-16]

NDVI=(ρNIR-ρRed)/(ρNIR+ρRed) ,

(1)

式中:ρNIR代表近紅外波段反射率；ρRed代表紅光波段反射率。

4)歸一化水體指數(shù)(NDWI)，定義為[17]

NDWI=(ρGreen-ρNIR)/(ρGreen+ρNIR) ,

(2)

式中ρGreen代表綠光波段反射率。

本研究利用上述4種遙感指數(shù)，借助太湖藻華的指數(shù)直方圖，采用自選閾值法，分別對2006年太湖無云狀態(tài)的MOD02和MOD09圖像(大氣校正前后)的藻華信息進行提取。在自選閾值法中，根據(jù)各指數(shù)直方圖的具體變化趨勢，由實驗人員自行設定閾值。對于NIR，RVI和NDVI法，閾值通常選在直方圖主峰的右下端，位于閾值右側的像元為藻華像元；對于NDWI法，閾值常選在直方圖主峰的左下端，位于閾值左側的像元為藻華像元。

由于利用遙感指數(shù)提取藻華信息的精度與閾值有關，而閾值與直方圖的形狀和位置存在直接關系，直方圖的形態(tài)又主要受大氣因素的影響，因此為了判定大氣等因素對遙感指數(shù)提取藻華信息結果的影響，本文利用大氣校正前后設定的閾值與影響因子的相關性來判斷遙感指數(shù)受大氣校正的影響程度。首先，分別探討3個影響因子與大氣校正前后設定閾值的相關性，得到每個因子對藻華信息提取結果的影響程度；然后，綜合討論3個因子與設定閾值的相關性，得到3個因子對藻華信息提取結果的總體影響，從這2個方面來獲得大氣校正對4種遙感指數(shù)提取藻華信息結果的影響程度。

為了得到大氣校正對遙感指數(shù)影響的可靠評價，本文利用2006年太湖站的實測水質數(shù)據(jù)，對4種遙感指數(shù)大氣校正前后的藻華信息提取結果進行驗證。具體驗證方法為：在47 d的提取結果中，選取具有實測數(shù)據(jù)的天數(shù)；判斷在32個實測點位上這些天數(shù)的提取結果是否正確，并統(tǒng)計出提取結果的正確率；得到4種遙感指數(shù)對大氣校正前后圖像提取藻華信息結果的精度，以獲得較為可靠的遙感指數(shù)。

3 結果與分析

3.1 大氣因素對遙感指數(shù)的影響

由于本文選用的4種遙感指數(shù)形式各不相同，加之受到大氣因素的影響，其直方圖的位置與形態(tài)各異，這樣所設定的閾值對于每一景影像或是大氣校正前后的同一景圖像都是不同的，那么根據(jù)直方圖的走勢所設定的閾值即可作為判定大氣校正對提取藻華信息的遙感指數(shù)影響的一種指示性因子。因此，本文對比了4種指數(shù)方法中大氣校正前后閾值的均值和標準差(表1)。

表1 4種遙感指數(shù)中大氣校正前后所設閾值的均值與標準差*MOD02為大氣校正前的數(shù)據(jù)；MOD09為大氣校正后的數(shù)據(jù)。Tab.1 Mean values and standard deviations of the thresholds before and after atmospheric correction for four indices

從表1可以看出，MOD02和MOD09閾值的均值都存在不同程度的差異，這種差別主要是由大氣等因素的影響而導致直方圖的位置發(fā)生變化而造成的。因此，在利用遙感指數(shù)提取藻華信息的過程中，大氣因素是很重要的一方面。

為了檢驗大氣校正在多大程度上對遙感指數(shù)提取藻華信息的結果產生影響，本文分別統(tǒng)計了AOT、太陽高度角、衛(wèi)星觀測角及4種指數(shù)中所設閾值的相關性。經計算發(fā)現(xiàn)，閾值與AOT和太陽高度角存在一定的相關性，但與衛(wèi)星觀測角卻無明顯的相關關系。后經查閱MODIS相關的數(shù)據(jù)資料發(fā)現(xiàn)MOD02和MOD09產品均已對衛(wèi)星觀測角做了粗校正，所以衛(wèi)星觀測角這一因素將不作為本文后續(xù)研究的對象。

本文分別統(tǒng)計了AOT和太陽高度角與閾值的相關性，如表2所示。

表2 4種遙感指數(shù)中大氣校正前后所設閾值與AOT和太陽高度角的相關性*MOD02為大氣校正前的數(shù)據(jù)；MOD09為大氣校正后的數(shù)據(jù)。Tab.2 Relationships between the thresholds before and after atmospheric correction and AOT,solar zenith angle for four indices

考慮到影響因子之間并不相互獨立，為得到相對全面的統(tǒng)計結果，又探討了AOT和太陽高度角對遙感指數(shù)的綜合影響，如圖2所示。

從圖2(a)可以看出，單波段法大氣校正前AOT與太陽高度角對MOD02產品閾值的選取影響較大，綜合相關系數(shù)為0.82；大氣校正后2個因素與MOD09產品的閾值相關性減小，綜合相關系數(shù)為0.53，這說明對于近紅外波段而言，MOD09產品在一定程度上去除了AOT與太陽高度角的影響，但并沒有完全消除其影響。另外，大氣校正前后閾值與AOT都呈正相關趨勢，相關系數(shù)分別為0.56和0.40，即閾值隨著AOT的增大而增大，但兩者都未通過95%的置信度驗證。這是由于AOT的值越大，其對太陽輻射的散射作用也越強，導致影像的DN值偏大，直方圖右移，所以閾值也會相應增加。而大氣校正前后閾值與太陽高度角呈負相關趨勢，相關系數(shù)分別為-0.80和-0.50，即太陽高度角越大，閾值反而越小，且兩者均通過97%的置信度驗證。因為太陽高度角越大，太陽輻射到達地面所經過的路徑就越短，受大氣程輻射的影響就越小，所以直方圖右移的距離也越小，閾值也會相應地減小。可見，只憑借近紅外波段并不能消除大氣等因素的影響，所以利用此方法提取的藻華信息并不可靠。

(a) NIR法(b) RVI法

(c) NDVI法 (d) NDWI法

圖2 大氣校正前后AOT與太陽高度角和閾值的相關性

Fig.2 Relationships between AOT and solar zenith angle, thresholds before and after atmospheric correction

從圖2(b)可以看出，RVI法的AOT與太陽高度角對大氣校正前后閾值的選取影響程度相近，綜合相關系數(shù)分別為0.45和0.44。大氣校正前AOT與閾值均呈正相關，相關系數(shù)分別為0.27和0.04，但兩者均未通過95%的置信度驗證。而大氣校正前后太陽高度角與閾值仍呈負相關，相關系數(shù)分別為-0.45和-0.40，且兩者均通過97%的置信度驗證，這與單波段法所表現(xiàn)的趨勢相一致。不過，RVI法中閾值與2個因子的相關性明顯較單波段法中降低了很多，說明這種比值形式可以消除部分大氣等因素造成的影響。但大氣校正前后閾值與2個因子的相關性并沒有明顯變化，也說明該方法對大氣和太陽高度角的變化不十分敏感。

從圖2(c)可以看出，NDVI法的大氣校正前AOT和太陽高度角對閾值選取影響較大，兩者與閾值的綜合相關系數(shù)為0.42，而大氣校正后的相關系數(shù)降低到0.34。另外，大氣校正前后閾值與AOT均呈正相關，相關系數(shù)分別為0.18和0.11，但兩者均未通過95%置信度驗證；大氣校正前后閾值與太陽高度角都呈負相關，相關系數(shù)分別為-0.42和-0.33，校正前通過97%置信度驗證，而校正后未通過95%置信度驗證?？梢钥闯觯琋DVI法中可以部分去除大氣等因素的影響，而且大氣校正后閾值與2個因子的相關性最小，這說明NDVI對AOT和太陽高度角的變化較為敏感。

從圖2(d)可以看出， NDWI法與前面2種植被指數(shù)法相比，在大氣校正前后閾值受AOT與太陽高度角的影響都明顯增大，綜合相關系數(shù)分別為0.57和0.46?？梢钥闯?，NDWI受上述因子的影響較大，對大氣等因素的變化較為敏感。另外，該方法中大氣校正前后閾值與AOT均呈負相關，相關系數(shù)分別為-0.34和-0.23，但兩者均未通過95%的置信度驗證；大氣校正前后閾值與太陽高度角都呈正相關，相關系數(shù)分別為0.58和0.46，而且均已通過98%的置信度驗證。可以看出，NDWI方法中閾值與2個因子的相關趨勢與前面3種方法相反，這點是由于其公式本身的結構所致。

綜上所述，AOT和太陽高度角對這4種遙感指數(shù)都會造成不同程度的影響。其中，RVI與NDVI法受大氣因素的影響較小，但NDVI較RVI來說，對上述因素更加敏感，而RVI表現(xiàn)得較為穩(wěn)定，大氣校正前后的區(qū)別并不大；單波段與NDWI法受大氣因素的影響較大，且大氣校正前后的結果差異較大，對大氣因素十分敏感。

3.2 遙感指數(shù)的可靠性評價

利用2006年太湖站葉綠素a濃度實測數(shù)據(jù)對遙感指數(shù)提取藻華信息的結果進行可靠性分析。在本文選取的47 d數(shù)據(jù)中，與太湖站實測數(shù)據(jù)相重合的天數(shù)有41 d。根據(jù)湖泊營養(yǎng)等級劃分標準，葉綠素a濃度≤3 μg/L定義為貧營養(yǎng)化，葉綠素a濃度在3～11 μg/L之間的定義為中營養(yǎng)化，葉綠素a濃度為11 μg/L及11～78 μg/L之間的定義為富營養(yǎng)化，葉綠素a濃度≥78 μg/L定義為超富營養(yǎng)化[18]。據(jù)此標準對4種指數(shù)大氣校正前后的藻華信息提取結果進行精度驗證。

在32個實測點位中，對于NIR法，大氣校正前后結果與實測值的符合率分別為14%和21%；對于RVI法，大氣校正前后結果與實測值的符合率分別為68%和71%；對于NDVI法，大氣校正前后結果與實測值的符合率分別為50%和57%；對于NDWI法，大氣校正前后結果與實測值的符合率分別為21%和29%?？梢姡?種指數(shù)提取的藻華信息結果中，RVI法所得結果的精度較高，其次是NDVI的提取結果，兩者都可以大體反映出湖泊的富營養(yǎng)化狀況，而且RVI法在大氣校正前后提取結果的精度差別不大，表明該方法對大氣因素的影響相對不敏感；NDWI的提取結果精度較低，利用NIR法獲得的結果精度最差，甚至于對于湖中有些達到超富營養(yǎng)化指標的點都沒被檢測出。這些利用實測水質數(shù)據(jù)進行驗證的結果與大氣因素對遙感指數(shù)影響的討論結果是一致的。

4 結論

1)NIR法與NDWI法所設閾值和AOT及太陽高度角的相關性較高，而RVI和NDVI法所設閾值與兩者相關性較低，說明RVI和NDVI法可以部分去除大氣因素的影響，用其提取藻華信息的精度較高。

2)RVI法在校正前后與影響因子的相關性差異并不明顯，可見該指數(shù)對大氣因素的影響不敏感。

3)本文選用的全年47 d圖像數(shù)據(jù)雖有限，卻可在一定程度上支持本文的統(tǒng)計分析，但為了進一步得出較為可靠的結論，后續(xù)研究擬選用更長時間序列的圖像作為數(shù)據(jù)源。

4)對于這4種遙感指數(shù)，大氣校正后提取藻華信息時所設定的閾值與大氣因素間仍存在相關性，這其中的原因還需繼續(xù)探索。

[1] 徐京萍,張柏,李方,等.基于MODIS數(shù)據(jù)的太湖藻華水體識別模式[J].湖泊科學,2008,20(2):191-195. Xu J P,Zhang B,Li F,et al.Detecting modes of cyanobacteria bloom using MODIS data in Lake Taihu[J].Journal of Lake Sciences,2008,20(2):191-195.

[2] 段洪濤,張壽選,張淵智.太湖藍藻水華遙感監(jiān)測方法[J].湖泊科學,2008,20(2):145-152. Duan H T,Zhang S X,Zhang Y Z.Cyanobacteria bloom monitoring with remote sensing in Lake Taihu[J].Journal of Lake Sciences,2008,20(2):145-152.

[3] 梅安新,彭望琭,秦其明,等.遙感導論[M].北京:高等教育出版社,2001:28-33. Mei A X,Peng W L,Qin Q M,et al.An Introduction to Remote Sensing[M].Beijing:Higher Education Press,2001:28-33.

[4] Staylor W F.Degradation rates of the AVHRR visible channel for the NOAA 6,7,and 9 spacecraft[J].Journal of Atmospheric and Oceanic Technology,1990,7(3):411-423.

[5] Chander G,Markham B.Revised Landsat-5 TM radiometric calibration procedures and post calibration dynamic ranges[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(11):2674-2677.

[6] 秦伯強,胡維平,陳偉民,等.太湖水環(huán)境演化過程與機理[M].北京:科學出版社,2004:1-8. Qin B Q,Hu W P,Chen W M,et al.The Process and Mechanism of Water Environment Evolution in Lake Taihu[M].Beijing:Science Press,2004:1-8.

[7] 徐希孺.遙感物理[M].北京:北京大學出版社,2005:292-297. Xu X R.Remote Sensing Physics[M].Beijing:Peking University Press,2005:292-297.

[8] Richer R.Geo-atmospheric processing of airborne imaging spectrometry data[J].International Journal of Remote Sensing,2002,23(13):2631-2649.

[9] Dekker A G.The use of the thematic mapper for the analysis of eutrophic lakes:A case study in the Netherlands[J].International Journal of Remote Sensing,1993,14(5):799-822.

[10]Thiemann S,Kaufmann H.Determination of chlorophyll content and trophic state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg Lake district,Germany[J].Remote Sensing of Environment,2000,73(2):227-235.

[11]Dall’Olmo G,Gitelson A A,Rundquist D C,et al.Assessing the potential of SeaWIFS and MODIS for estimating chlorophyll concentration in turbid productive waters using red and near-infrared bands[J].Remote Sensing and Environment,2005,96(2):176-187.

[12]Reinart A,Kutser T.Comparison of different satellite sensors in detecting cyanobacterial bloom events in the Baltic Sea[J].Remote Sensing and Environment,2006,102(1/2):74-85.

[13]Koponen S,Pulliainen J,Kallio K,et al.Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data[J].Remote Sensing of Environment,2002,79(1):51-59.

[14]顧亮,張玉超,錢新,等.遙感指數(shù)在湖泊葉綠素a反演研究中的應用[J].環(huán)境保護科學,2008,34(2):53-56. Gu L,Zhang Y C,Qian X,et al.Application of remote sensing index in retrieving chlorophyll-a concentration of lakes[J].Environmental Protection Science,2008,34(2):53-56.

[15]Rouse J W,Haas D W.Monitoring the Vernal Advancement and Retrogradation(Greenwave Effect)of Natural Vegetation[R].Greenbelt,Md:NASA Goddard Space Flight Cent,1974:11-13.

[16]Tucker C J.Red and photographic infrared linear combinations for monitoring vegetation[J].Remote Sensing of Environment,1979,8(2):127-150.

[17]趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003:121-124. Zhao Y S.The Principle and Method of Analysis of Remote Sensing Application[M].Beijing:Science Press,2003:121-124.

[18]金相燦,劉明亮.中國湖泊富營養(yǎng)化[M].北京:中國環(huán)境科學出版社,1990:51-54. Jin X C,Liu M L.Lake Eutrophication in China[M].Beijing:China Environment Science Press,1990:51-54.

(責任編輯：邢宇)

Effects of atmospheric correction on extracting cyanobacteria bloom information based on remote sensing indices

ZHANG Yue， XIAO Yu, CHANG Jingjing, LIU Jian, WANG Yaqiong, HE Chunyan， HE Bing

(CollegeofResourcesandEnvironment,JilinAgriculturalUniversity,Changchun130118,China)

Accurate maps of the spatial and temporal dynamics of cyanobacteria blooms are urgently needed in the Taihu Lake, which is a drinking water resource for cities around the lake. Satellite imagery can be used as a cost-effective method for remotely monitor trends in cyanobacteria blooms. However, atmospheric effects and sun-target-satellite geometry can make multi-temporal images of blooms inconsistent with each other and cause uncertainties in bloom data extraction. In this paper, four remote sensing approaches were applied to retrieve cyanobacteria bloom information in the Taihu Lake during the whole year of 2006. These approaches included the near infrared (NIR) single band data, the ratio vegetation index (RVI), the normalized difference vegetation index (NDVI), and the normalized difference water index(NDWI). Two kinds of MODIS (moderate-resolution imaging spectroradiometer) products, i.e., the top-of-atmosphere (TOA) radiance images without atmospheric correction (MOD02) and the surface reflectance images with atmospheric correction (MOD09), were selected as the data source. Furthermore, three factors comprising the aerosol optical thickness (AOT), the solar zenith angle, and the sensor zenith angle were chosen as indicators of radiation transfer processes to evaluate their influence on the remote sensing indices during the extraction of cyanobacteria bloom information. Specifically, the relationships between retrieval threshold values and the three indicators were analyzed to evaluate the temporal influences quantitatively. The results showed that: ① these three factors had more impact on NIR single band data and the NDWI, and less impact on the RVI and NDVI (RVI was less sensitive than NDVI in regard to the atmospheric factors); ② both AOT and the solar zenith angle were positively correlated with the threshold values. Whether or not these relationships hold water for other cases needs to be further examined. It is thus held that these four remote sensing approaches should be used carefully for monitoring cyanobacteria blooms when atmospheric correction is not applied.

atmospheric correction; remote sensing indices; MODIS; Taihu Lake; cyanobacteria bloom

2014-04-01；

2014-08-04

吉林農業(yè)大學國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目“基于遙感指數(shù)的藻華時空變化研究”(編號：201310193007 )和吉林農業(yè)大學科研啟動基金項目“藍藻水華信息提取中遙感指數(shù)的可靠性研究”(編號：201240)共同資助。

10.6046/gtzyyg.2015.03.02

張月,肖彧,常晶晶，等.大氣校正對基于遙感指數(shù)提取藻華信息的影響[J].國土資源遙感,2015,27(3):7-12.(Zhang Y,Xiao Y,Chang J J,et al.Effects of atmospheric correction on extracting cyanobacteria bloom information based on remote sensing indices[J].Remote Sensing for Land and Resources,2015,27(3):7-12.)

TP 79

A

1001-070X(2015)03-0007-06

張月(1985-)，女，碩士，講師，主要從事遙感技術應用研究。Email: lisa_ling7892002@163.com。