基于Landsat8影像反演洪湖葉綠素a濃度

周志立，田文俊，梅新

(湖北大學(xué)資源環(huán)境學(xué)院,湖北 武漢 430062)

基于Landsat8影像反演洪湖葉綠素a濃度

周志立，田文俊，梅新

(湖北大學(xué)資源環(huán)境學(xué)院,湖北 武漢 430062)

利用已有水質(zhì)采樣數(shù)據(jù)和相應(yīng)的Landsat8影像數(shù)據(jù)，以洪湖為例，對洪湖葉綠素a(Chl-a)濃度進(jìn)行反演研究，建立線性反演模型和支持向量回歸機(jī)反演模型，為快速獲取洪湖水體葉綠素a濃度提供新的技術(shù)方案.結(jié)果表明支持向量回歸機(jī)反演模型在樣本數(shù)較少的情況下也能得到較高的反演精度，并且具有結(jié)構(gòu)風(fēng)險(xiǎn)較小的優(yōu)點(diǎn)，擬合函數(shù)的判定系數(shù)達(dá)0.918，能有效評估湖泊水質(zhì)，為洪湖水環(huán)境監(jiān)測保護(hù)提供有力支持.

葉綠素a ；支持向量回歸機(jī)； Landsat8； 洪湖； 遙感

0 引言

自2007年太湖發(fā)生藍(lán)藻危機(jī)事件后，國內(nèi)對湖泊營養(yǎng)化監(jiān)測更加重視，葉綠素a(Chl-a)濃度是浮游植物分布的指示劑，是衡量水體初級生產(chǎn)力和營養(yǎng)化的基本指標(biāo)[1].快速準(zhǔn)確地監(jiān)測湖泊葉綠素a濃度對湖泊水環(huán)境管理有著重要意義.

遙感數(shù)據(jù)獲取周期短，信息量巨大，目前已有眾多學(xué)者對使用遙感影像反演水體葉綠素a(Chl-a)濃度進(jìn)行了研究，并建立了相應(yīng)的反演模型. 張麗華，戴學(xué)芳等利用TM影像波段組合與實(shí)測葉綠素a濃度數(shù)據(jù)建立了烏梁素海的葉綠素a濃度反演模型，為烏梁素?！包S苔”預(yù)警提供理論依據(jù)[2].朱利，李云梅等研究發(fā)現(xiàn)利用GF-1衛(wèi)星WFV數(shù)據(jù)與水質(zhì)參數(shù)建立的反演模型能有效反應(yīng)葉綠素a的空間變化規(guī)律[3].黃靈光，方豫等利用Landsat-8 OLI數(shù)據(jù)建立了與鄱陽湖葉綠素a實(shí)測數(shù)據(jù)間的反演模型，模型精度高達(dá)0.816[4]. 這些研究表明使用遙感影像能有效反演湖泊水體葉綠素a濃度，并能取得較高的精度.

但是目前對于江漢平原淺水湖泊水質(zhì)的遙感反演研究仍然較少，具體的反演方法及反演精度評估等仍研究不足，本文中以湖北省洪湖為研究區(qū)域，結(jié)合實(shí)測洪湖葉綠素a濃度數(shù)據(jù)與Landsat8 OLI影像數(shù)據(jù)，運(yùn)用線性回歸與支持向量機(jī)回歸方法擬合二者之間的函數(shù)關(guān)系，并對反演結(jié)果進(jìn)行綜合評估，以期找到較為快捷合適的方法，為快速獲取洪湖葉綠素a濃度提供一種解決方案.

1 研究區(qū)與研究數(shù)據(jù)

圖1 采樣點(diǎn)分布圖

洪湖地處長江中游北岸，跨湖北省東南部洪湖、監(jiān)利二市(縣)，處于江漢平原四湖水系尾端,是長江和漢水支流東荊河之間的洼地壅塞湖.匯水區(qū)域5 025 km2，現(xiàn)存水面積344 km2，是湖北省最大的湖泊，也是我國第七大淡水湖泊.洪湖平均水深1.34 m，最大水深2.30 m，最小水深0.40 m，屬大型淺水湖泊.洪湖還兼具供水、灌溉、濕地生物棲息地、養(yǎng)殖、航運(yùn)和旅游等多種功能，在江漢平原乃至長江中下游湖泊中具有代表性和典型性[5].

2013年4月24日至4月26日實(shí)地取樣測得的洪湖水質(zhì)數(shù)據(jù)共43個點(diǎn)，各采樣點(diǎn)在湖面均勻分布，分布情況如圖1所示.葉綠素a濃度數(shù)據(jù)根據(jù)2003年國家環(huán)?？偩职l(fā)布的地表水和污水檢測技術(shù)規(guī)范采集，存儲水樣，在實(shí)驗(yàn)室內(nèi)采用分光光度法，換算得到葉綠素a含量，采樣點(diǎn)分布及具體數(shù)值如表1所示.

表1 采樣點(diǎn)具體數(shù)值表

本文中所使用的洪湖所在區(qū)遙感影像為Landsat8 OLI_TIRS影像，采用的是時間上最接近的2013年4月26號，行號為123，帶號為39的影像.并采用ENVI5.1軟件對影像進(jìn)行輻射定標(biāo)及大氣校正處理，獲取所需的反射率數(shù)據(jù).

2 反演模型的建立

2.1 研究方法 利用準(zhǔn)同步的Landsat 8 OLI_TIRS遙感數(shù)據(jù)和實(shí)地監(jiān)測的葉綠素-a數(shù)據(jù)，分析波段及波段組合與水質(zhì)參數(shù)間的相關(guān)系數(shù)，優(yōu)選擬合參數(shù)與自變量，分別建立基于統(tǒng)計(jì)分析的多元線性反演模型和支持向量機(jī)的非線性反演模型，并對模型精度進(jìn)行對比分析.

2.2 數(shù)據(jù)分析 本文中主要使用Landsat8 OLI多光譜7個波段數(shù)據(jù)進(jìn)行反演分析，各波段與葉綠素a(Chl-a)的相關(guān)系數(shù)如表2所示，從表2中可以看出B2-B4與葉綠素a濃度相關(guān)度較大，其他波段與之相關(guān)度較低，相關(guān)度最高的為Chl-a與B4，相關(guān)系數(shù)為0.631，但是仍為較低水平.眾多學(xué)者研究發(fā)現(xiàn)，遙感影像單波段間存在較多冗余信息，使用波段組合能突出葉綠素a在水體反射率中的影響.但是受湖泊水體環(huán)境，水質(zhì)信息采集時間以及遙感影像波長等眾多因素影響，不同湖泊下葉綠素a濃度與影像波段組合間的相關(guān)性大小不盡相同.在本文研究區(qū)域下，葉綠素a濃度與波段組合間的相關(guān)性如表3所示：

表2 Landsat8單波段與Chl-a相關(guān)性

表3 葉綠素a濃度與波段組合相關(guān)性

從表3可以看出，葉綠素a濃度與波段組合間的相關(guān)性較單一波段間有較大提高，其中Chl-a與B4/(B1+B2)間的相關(guān)性高達(dá)0.783，波段組合能有效提高兩者間的相關(guān)系數(shù)，這與相關(guān)學(xué)者對利用遙感影像反演水體葉綠素a含量的研究大致相同.

2.3 線性回歸模型的建立 隨機(jī)選取43個采樣點(diǎn)中的34個點(diǎn)作為訓(xùn)練集，剩余9個點(diǎn)作為測試集建立回歸模型.結(jié)合相關(guān)系數(shù)最大的幾個波段組合分別建立線性回歸模型和支持向量回歸模型，以模型的判定系數(shù)(R2)和均方誤差(MSE)作為評價(jià)指標(biāo).

對于反演Chl-a的多元線性回歸模型，選取B1、B4、B4/(B1+B2)作為自變量建立多元線性回歸模型，模型采用SPSS19構(gòu)建，顯著性水平為0.05時，回歸方程如下所示：

cChl-a=51.596-41.911X1-0.107X2+0.076X3

(1)

式中cChl-a為葉綠素a濃度，X1為B4/(B1+B2)，X2為B1，X3為B4.

該回歸方程在訓(xùn)練集和測試集上的擬合效果如圖2和圖3所示：

圖2 線性模型訓(xùn)練集擬合圖

圖3 線性模型測試集擬合圖

從圖2可以看出，在訓(xùn)練集上多元線性回歸模型判定系數(shù)僅為0.687，擬合精度較低，均方誤差(MSE)為1.874，誤差較大；在預(yù)測集上R2僅為0.594，MSE高達(dá)3.781，模型適應(yīng)能力較低，模型精度不足以用來表示光譜信息與Chl-a間的函數(shù)關(guān)系.由于洪湖水體為典型的二類水體，水體成分復(fù)雜并相互影響，導(dǎo)致水體的光學(xué)特征較為復(fù)雜，且構(gòu)建回歸模型的訓(xùn)練集較少，很難用簡單的線性模型來描述水體Chl-a含量和相對應(yīng)遙感波段反射率間的復(fù)雜關(guān)系，因此，考慮采用支持向量回歸機(jī)來構(gòu)建回歸模型.

2.4 支持向量回歸機(jī)模型的建立 支持向量機(jī)(SVM，support vector machine)是由Vapnik首先提出的，它基于統(tǒng)計(jì)學(xué)理論，可用于模式分類和非線性回歸.支持向量機(jī)較好地解決了以往困擾很多學(xué)習(xí)方法的小樣本、非線性、過學(xué)習(xí)、高維數(shù)、局部極小值等實(shí)際問題，具有很強(qiáng)的推廣能力[6]. 本文中利用支持向量機(jī)，以部分?jǐn)?shù)據(jù)為訓(xùn)練集，尋找最優(yōu)超平面，并在實(shí)測數(shù)據(jù)上進(jìn)行測試，尋求最佳的反演模型，具體求解過程如下.

SVM的回歸模型構(gòu)造過程：以B2至B4共3個波段為輸入變量，并在輸入變量中分別加入表3中與各個水質(zhì)參數(shù)相關(guān)系數(shù)較大的波段組合，為了得到滿意的預(yù)測效果，提高支持向量機(jī)的收斂速度，消除采樣數(shù)據(jù)大小對計(jì)算結(jié)果的影響，首先對采樣數(shù)據(jù)進(jìn)行歸一化處理，本文中采用極差化處理方法，即：

(2)

式中xmax，xmin分別為采樣數(shù)據(jù)中的最大值和最小值.

SVM回歸模型的構(gòu)造在MATLAB2010b下進(jìn)行，利用臺灣大學(xué)林智仁(Lin Chih-Jen)教授開發(fā)的LIBSVM程序庫[7]，以B2,B3,B4以及B4/(B1+B2)為輸入變量，通過調(diào)節(jié)懲罰參數(shù)C、不敏感損失函數(shù)ε和核函數(shù)參數(shù)γ建立回歸模型，若模型在訓(xùn)練集和測試集上回歸效果均較好，則此模型為已訓(xùn)練好的模型，否則，調(diào)整參數(shù)重新訓(xùn)練.判斷模型是否訓(xùn)練成熟主要考察判定系數(shù)(R2)和均方誤差(MSE).

通過調(diào)節(jié)參數(shù)發(fā)現(xiàn)當(dāng)懲罰系數(shù)C為2.512 6，不敏感損失函數(shù)ε值為0.01，核函數(shù)參數(shù)γ為6.912 2時擬合效果最佳.該回歸方程在訓(xùn)練集和測試集上的擬合效果如圖4、5所示.

圖4 SVM訓(xùn)練集擬合圖

圖5 SVM測試集擬合圖

從圖4和圖5中可以看出，使用支持向量回歸機(jī)建立的模型在訓(xùn)練集上判定系數(shù)為0.918，均方誤差為0.018，擬合效果較好，精度較高；在測試集上判定系數(shù)能達(dá)到0.825，MSE僅為0.203，表現(xiàn)出模型良好的適應(yīng)能力.擬合效果較多元線性模型有了較大提升.

3 結(jié)果分析

圖6 2013年4月26日洪湖葉綠素a濃度分布圖(mg/m3)

本文中以湖北省洪湖為研究對象，分析了2013年4月24日至4月26日采集的水樣葉綠素a(Chl-a)含量與時間較為接近的2013年4月26日Landsat8影像各波段間的相關(guān)性，分別建立了多元線性回歸模型和支持向量回歸機(jī)模型.研究表明，使用波段組合能顯著提高水質(zhì)參數(shù)與光譜數(shù)據(jù)間的相關(guān)性，其中B4/(B1+B2)波段組合與葉綠素a含量間的相關(guān)性最高.同時使用支持向量回歸機(jī)能建立精度較高的反演模型，該模型在訓(xùn)練集和測試集上擬合判定系數(shù)均高于80%，均方誤差僅有0.2左右，模型精度足夠反演洪湖水體葉綠素a含量，體現(xiàn)出支持向量機(jī)在小樣本、非線性回歸問題上良好的性能.為了解整個湖區(qū)的葉綠素a濃度，驗(yàn)證模型的反演效果，本文中利用建立好的支持向量回歸模型反演了整個湖區(qū)的葉綠素a濃度，并制作了葉綠素a分布圖，如圖6所示.

根據(jù)國際公認(rèn)的葉綠素a含量六段分級標(biāo)準(zhǔn)對葉綠素a濃度分布圖分段[8]. 通過圖6可以看出，洪湖大部分區(qū)域?qū)儆谥袪I養(yǎng)化(葉綠素a含量<10)，湖區(qū)中部偏東葉綠素a含量較低；西北大片區(qū)域以及西南小部分區(qū)域葉綠素a含量較高(葉綠素a含量>10)屬于輕富營養(yǎng)化；湖區(qū)整體呈中營養(yǎng)化至輕富營養(yǎng)化，營養(yǎng)化程度呈現(xiàn)由西北向東南遞減趨勢.

洪湖地區(qū)以北方向主要為農(nóng)業(yè)區(qū)并接受四湖總干渠來水，農(nóng)業(yè)生產(chǎn)中較多的氮磷污染物隨干渠流入湖中，且洪湖周邊圍網(wǎng)養(yǎng)殖較為嚴(yán)重，養(yǎng)殖生產(chǎn)中的餌料對水體產(chǎn)生了較為嚴(yán)重的污染，并且圍網(wǎng)阻礙了水體流動；湖區(qū)東部與長江間僅有較少的農(nóng)田且與長江有若干涵閘相連，湖水受污染較少.圖6所表現(xiàn)出的洪湖水體質(zhì)量與其自然經(jīng)濟(jì)環(huán)境較為符合，體現(xiàn)出反演結(jié)果真實(shí)可信.

4 結(jié)論

1) 洪湖水體葉綠素a濃度與Landsat8單波段相關(guān)度較低，使用波段組合提高相關(guān)性，其與波段組合B4/(B1+B2)相關(guān)性最高，可以通過光譜信息反演葉綠素a濃度.

2) 支持向量回歸機(jī)在反演洪湖葉綠素a濃度上較多元線性回歸反演精度更高，判定系數(shù)高達(dá)0.8以上，體現(xiàn)出支持向量機(jī)在小樣本非線性問題上的優(yōu)勢，其建立的模型能夠用于反演洪湖葉綠素a濃度.通過分析發(fā)現(xiàn)，洪湖水體整體呈中營養(yǎng)化至輕富營養(yǎng)化，湖泊水質(zhì)環(huán)境問題較為嚴(yán)峻.

3) 本文中僅對洪湖葉綠素a濃度進(jìn)行了反演分析，深入分析洪湖水體質(zhì)量需要更多的水質(zhì)參數(shù)；并且在反演方法上僅使用了線性和支持向量回歸，對于神經(jīng)網(wǎng)絡(luò)和遺傳算法并未研究.這些將是下一步的研究方向.

[1] 楊一鵬,王橋,肖青,等.基于TM數(shù)據(jù)的太湖葉綠素a濃度定量遙感反演方法研究[J].地理與地理信息科學(xué),2006,22(2):3-8.

[2] 張麗華,戴學(xué)芳,包玉海，等.基于TM影像的烏梁素海葉綠素a濃度反演[J].環(huán)境工程, 2015,33(6):133-138.

[3] 朱利，李云梅，趙少華,等.基于GF-1號衛(wèi)星WFV數(shù)據(jù)的太湖水質(zhì)遙感監(jiān)測[J].國土資源遙感, 2015,27(1):451-456.

[4] 黃靈光，方豫，張大文,等.基于Landsat-8 OLI的鄱陽湖葉綠素a濃度定量反演[J].江西科學(xué),2016, 34(4):228-234.

[5] 胡德玉,陳德林,艾天成.1990—2000年洪湖水體環(huán)境質(zhì)量演變分析[J].濕地科學(xué),2006,4(2):115-120.

[6] 唐發(fā)明.基于統(tǒng)計(jì)學(xué)理論的支持向量機(jī)算法研究[D].武漢：華中科技大學(xué),2005:1-2.

[7] Chang Chih-Chung, Lin Chih-Jen. LIBSVM: a library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology, 2011, 27(2):389-396.

[8] 高陽俊,曹勇,趙振,等.基于葉綠素a分級的東部湖區(qū)富營養(yǎng)化標(biāo)準(zhǔn)研究[J].環(huán)境科學(xué)與技術(shù), 2011,34(12):218-220.

(責(zé)任編輯 游俊)

Quantitative retrieval of chlorophyll-a concentration by remote sensing in Honghu Lake based on Landsat8 data

ZHOU Zhili, TIAN Wenjun, MEI Xin

(Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062, China)

In order to provide a new technology that make fast acquisition of chlorophyll-a, two models: linear regression model and a support vector regression (SVR) model were established on the basis of the analysis of correlation between water quality sampling data and Landsat8 image.The results show that the support vector regression model can have high precision even with less samples,and has the advantage of minimum structure risk too.The SVR model coefficient of determination reaches 0.918,it can be used to evaluate lake water quality and represent powerful support for Honghu Lake water environmental protection.

chlorophyll-a; support vector regression; Landsat8; Honghu Lake; remote sensing

2016-07-27

湖北省自然科學(xué)基金(2012FFB00305)資助

周志立(1990-)，男，碩士生，E-mail：zhou_zhili@foxmail.com； 梅新，通信作者，博士，副教授， E-mail：xin.mei@qq.com

1000-2375(2017)02-0212-05

X832

A

10.3969/j.issn.1000-2375.2017.02.020