基于小波理論的干旱區(qū)內(nèi)陸湖泊葉綠素a的TM影像遙感反演

史 銳,張 紅,岳 榮,張霄羽,王美萍,石 偉

1 巴彥淖爾市環(huán)境科學(xué)研究所, 巴彥淖爾 015000 2 山西大學(xué)環(huán)境與資源學(xué)院, 太原 030006 3 山西大學(xué)黃土高原研究所, 太原 030006

基于小波理論的干旱區(qū)內(nèi)陸湖泊葉綠素a的TM影像遙感反演

史 銳1,張 紅2,*,岳 榮1,張霄羽2,王美萍1,石 偉3

1 巴彥淖爾市環(huán)境科學(xué)研究所, 巴彥淖爾 015000 2 山西大學(xué)環(huán)境與資源學(xué)院, 太原 030006 3 山西大學(xué)黃土高原研究所, 太原 030006

葉綠素a(Chl-a)是衡量湖泊富營(yíng)養(yǎng)化的重要指標(biāo),利用遙感技術(shù)動(dòng)態(tài)監(jiān)測(cè)面積較大的湖區(qū)水體中Chl-a濃度對(duì)了解湖區(qū)水質(zhì)具有重要意義。以內(nèi)蒙古烏梁素海為例,提出利用TM影像中的水體實(shí)測(cè)光譜進(jìn)行小波去噪和光譜信號(hào)重構(gòu),并結(jié)合水質(zhì)采樣實(shí)測(cè)數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)擬合,建立光譜反射率比值與Chl-a濃度的反演模型的方法。結(jié)果顯示:小波理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型可以適用于估算烏梁素海Chl-a濃度,去噪后Chl-a濃度與光譜信號(hào)的相關(guān)系數(shù)(-0.575)較去噪前(-0.417)明顯增強(qiáng),去噪后的采樣點(diǎn)光譜信號(hào)與Chl-a濃度之間表現(xiàn)出比原始信號(hào)更強(qiáng)的負(fù)相關(guān)性,證明了去噪后的觀測(cè)值可進(jìn)一步減弱隨機(jī)誤差的干擾和去除噪聲,使觀測(cè)數(shù)據(jù)更加逼近Chl-a濃度的真實(shí)情況,圖像去噪重構(gòu)結(jié)果顯示重構(gòu)后的光譜范圍較之前有所縮窄,部分信號(hào)點(diǎn)得到了增強(qiáng),但基本剖面結(jié)構(gòu)并沒有產(chǎn)生較大變化,反演模型的平均相對(duì)誤差為0.142,與其他研究相比差別不大。反演得出的烏梁素海Chl-a濃度分布反映了污染源的分布,同時(shí)說明了烏梁素海Chl-a濃度在時(shí)空分布上呈現(xiàn)一定的差異,表現(xiàn)為豐水期呈現(xiàn)淺水區(qū)Chl-a濃度值高于湖心區(qū),來水區(qū)高于其他湖區(qū)的分布趨勢(shì),枯水期烏梁素海中部呈現(xiàn)由西向東Chl-a濃度逐步降低的分布規(guī)律,西部呈均一化分布。反演模型基本可以滿足實(shí)際預(yù)測(cè)的需要。但模型在具體應(yīng)用中在影像數(shù)據(jù)采集、數(shù)據(jù)量及算法方面還有很大的改進(jìn)空間,該方法的提出為干旱區(qū)大型內(nèi)陸水體富營(yíng)養(yǎng)化的實(shí)時(shí)定量遙感監(jiān)測(cè)提供了新的解決方案。

小波分析；神經(jīng)網(wǎng)絡(luò)模型；遙感反演；葉綠素a；湖泊水質(zhì)；陸地衛(wèi)星影像；富營(yíng)養(yǎng)化

Chl-a濃度是衡量水質(zhì)狀況評(píng)價(jià)的一個(gè)重要指標(biāo),常用于估測(cè)浮游植物的生物量和初級(jí)生產(chǎn)力,直觀反映水體的富營(yíng)養(yǎng)化程度。傳統(tǒng)的人工調(diào)查方法可精確測(cè)定水體局部Chl-a濃度,但成本高、耗時(shí)長(zhǎng),難以應(yīng)對(duì)大范圍突發(fā)性的水體污染。而基于遙感的水質(zhì)監(jiān)測(cè)具有大范圍、快速、動(dòng)態(tài)及低成本等優(yōu)勢(shì),因此,遙感技術(shù)在大面積湖泊水質(zhì)監(jiān)測(cè)方面具有巨大潛力,是常規(guī)水質(zhì)監(jiān)測(cè)的重要補(bǔ)充。國(guó)內(nèi)外學(xué)者在利用遙感技術(shù)研究湖泊水質(zhì)方面做了大量的工作。Gitelson等[1-2]利用藻類水體在700nm附近反射峰位置的移動(dòng)規(guī)律和光譜曲線的微分技術(shù)進(jìn)行建模估算Chl-a濃度。段洪濤[3]等利用TM數(shù)據(jù)和野外實(shí)測(cè)高光譜數(shù)據(jù)對(duì)吉林省查干湖等3個(gè)湖泊進(jìn)行了Chl-a濃度的反演,其研究結(jié)論表明利用TM數(shù)據(jù)可以有效的反演Chl-a濃度和評(píng)估湖泊的富營(yíng)養(yǎng)化狀態(tài)。徐祎凡[4]等利用環(huán)境一號(hào)衛(wèi)星多光譜數(shù)據(jù)對(duì)三湖一庫富營(yíng)養(yǎng)化狀態(tài)進(jìn)行了評(píng)價(jià)。王琦[5]等通過Pearson相關(guān)系數(shù)篩選HJ- 1衛(wèi)星多光譜波段數(shù)據(jù)并利用相關(guān)系數(shù)高的波段組合與Chl-a濃度建立線性反演模型,提高了特定條件下Chl-a濃度的反演精度。郭宇龍[6]等利用高光譜影像重構(gòu)數(shù)據(jù),與Chl-a濃度數(shù)據(jù)建立三波段模型,發(fā)現(xiàn)反演結(jié)果要優(yōu)于原始數(shù)據(jù)。

但是,上述基于遙感方法的湖泊水質(zhì)參數(shù)動(dòng)態(tài)監(jiān)測(cè)研究基本上是基于波段反射率值或其變換形式與水質(zhì)參數(shù)進(jìn)行線性或者簡(jiǎn)單的非線性回歸模擬,精度有限[7],算法本身的模擬有限性導(dǎo)致模型不能很好地?cái)M合光學(xué)信號(hào)與水質(zhì)參數(shù)之間復(fù)雜的函數(shù)關(guān)系,同時(shí),水質(zhì)學(xué)方面的遙感機(jī)理研究仍不成熟[8],因此,建立通用的、精確的數(shù)學(xué)模型存在困難。而人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)的非線性映射能力則在此類問題處理中表現(xiàn)出優(yōu)勢(shì),它不需要對(duì)系統(tǒng)進(jìn)行透徹的了解,卻能準(zhǔn)確得到輸入與輸出的映射關(guān)系,從而大大簡(jiǎn)化設(shè)計(jì)的難度。然而,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型在建立光譜與水質(zhì)參數(shù)的關(guān)系時(shí),往往直接采用遙感影像的光譜時(shí)間序列來建模,光譜時(shí)間序列由于存在弱平穩(wěn)性、隨機(jī)性、多時(shí)間尺度等特征而影響了建模的精度[9]。小波分析是非平穩(wěn)信號(hào)分析的有力工具,將小波分析與神經(jīng)網(wǎng)絡(luò)算法結(jié)合,可以逼近任意函數(shù),靈活性很大,在優(yōu)化、信號(hào)處理與模式識(shí)別、智能控制、故障診斷等許多領(lǐng)域都有著廣泛的應(yīng)用[10- 12]。

本文通過多年來內(nèi)蒙古烏梁素海Chl-a濃度監(jiān)測(cè)數(shù)據(jù)與歷史TM影像數(shù)據(jù),嘗試通過小波模去噪重構(gòu)與小波變換神經(jīng)網(wǎng)絡(luò)方法對(duì)二者進(jìn)行擬合,探討該方法的可行性,在此基礎(chǔ)上利用該方法對(duì)烏梁素海中Chl-a濃度進(jìn)行估算,并結(jié)合烏梁素海周邊污染源分布評(píng)價(jià)模型反演出的烏梁素海Chl-a分布特征是否合理。

1 研究區(qū)域概況

烏梁素海位于中國(guó)內(nèi)蒙古西部干旱荒漠地區(qū),是內(nèi)蒙古第二大淡水湖。湖區(qū)南北長(zhǎng)35—40 km,東西寬5—10km,總面積296 km2,湖泊水位海拔1018. 5m時(shí),平均水深1.09m,庫容3.3億m3。烏梁素海是河套灌區(qū)地表徑流和地下水的排泄區(qū),是灌區(qū)退水進(jìn)入黃河的通道,同時(shí)也是野生候鳥的重要棲息地,其中有國(guó)家一級(jí)保護(hù)鳥類5種,二級(jí)保護(hù)鳥類25種,總鳥類品種有195種[13]。另外,漁業(yè)的年產(chǎn)量為200t左右,蘆葦?shù)哪戤a(chǎn)量為11×104t。目前烏梁素海濕地面臨的生態(tài)環(huán)境問題非常嚴(yán)重,由于河套灌區(qū)內(nèi)的農(nóng)田退水和生活污染物的排放導(dǎo)致烏梁素海的水質(zhì)正在不斷惡化。據(jù)監(jiān)測(cè)部門數(shù)據(jù),有7項(xiàng)水質(zhì)指標(biāo)超過Ⅳ類水質(zhì)標(biāo)準(zhǔn),湖內(nèi)藻類大量繁殖,湖泊富營(yíng)養(yǎng)化嚴(yán)重,再加上近年來,湖內(nèi)大量種植蘆葦,使得湖泊淤積日趨嚴(yán)重。

圖1 烏梁素海地理位置Fig.1 The location of Wuliangsuhai Lake

2 數(shù)據(jù)與研究方法

巴彥淖爾市環(huán)境保護(hù)監(jiān)測(cè)站從2010年1月至2014年11月,分季度采用GPS定位在烏梁素海進(jìn)口區(qū)、湖心區(qū)及出口區(qū)布設(shè)樣點(diǎn)(圖2),共采樣29d,采集樣本87個(gè)。Chl-a的測(cè)定采用取300ml水樣用微孔玻璃纖維濾膜(0.45μm)抽濾,濾膜低溫干燥后,用90%丙酮低溫萃取,離心后取上清液采用SURVEYOR型葉綠素測(cè)試儀測(cè)定含量,實(shí)驗(yàn)方法和計(jì)算按規(guī)范進(jìn)行。

2.2 TM影像數(shù)據(jù)獲取

遙感影像數(shù)據(jù)來源于中國(guó)科學(xué)院信息中心地理數(shù)據(jù)空間云(http://www.gscloud.cn/)。由于Chl-a采樣時(shí)間段為2010—2014年每年度的1、3、5、7、9、11月份,而landsat8于2013年2月發(fā)射,提供的landsat8數(shù)據(jù)時(shí)間為2013年5月以后,因此,本研究在2010年1月—2013年5月選用landsat7 TM影像數(shù)據(jù),2013年5月以后選用Landsat8 TM影像數(shù)據(jù),保證成像日期與野外實(shí)測(cè)時(shí)間準(zhǔn)同步。影像數(shù)據(jù)選用當(dāng)月的云量低于20%的數(shù)據(jù)。

2.3 研究方法

水質(zhì)的光學(xué)遙感監(jiān)測(cè)容易受到諸如大氣條件等外界因素的影響,所以影像數(shù)據(jù)的預(yù)處理非常重要[14]。本研究首先對(duì)遙感數(shù)據(jù)進(jìn)行幾何校正、大氣校正,并采用面向?qū)ο筇崛⊙芯繀^(qū)域水邊界。而后根據(jù)宋瑜[15]等關(guān)于“700 nm附近波段與625 nm附近波段所構(gòu)建的Chl-a濃度模型R2最高”的研究結(jié)論,選擇landsat7影像數(shù)據(jù)中Band3(波長(zhǎng)：630—690nm)、landsat8影像數(shù)據(jù)中Band4(波長(zhǎng)：640—670nm)[16]；但一般來說,現(xiàn)實(shí)中的信號(hào)均含有噪聲,需要在對(duì)TM影像數(shù)據(jù)做進(jìn)一步分析之前將有效的信號(hào)提取出來。傳統(tǒng)的方法是采用濾波器進(jìn)行去噪處理,但是該方法不能很好的區(qū)分信號(hào)的高頻和由噪聲所引起的高頻干擾[17]。而小波變換具有良好的時(shí)頻局部化性質(zhì),因此,本研究對(duì)選定水邊界內(nèi)的TM影像數(shù)據(jù)進(jìn)行小波模極大值重構(gòu)去噪,再對(duì)采樣點(diǎn)的原始光譜信號(hào)、重構(gòu)光譜信號(hào)與采樣點(diǎn)Chl-a濃度進(jìn)行非參數(shù)相關(guān)性檢驗(yàn),判定去噪重構(gòu)后的光譜信號(hào)是否提高了與Chl-a濃度的相關(guān)程度,如提高相關(guān)性則提取重構(gòu)信號(hào)的單位固有光學(xué)量(SIOPs),并將其進(jìn)行歸一化處理后,歸一化后的SIOPs數(shù)據(jù)與采樣點(diǎn)Chl-a濃度進(jìn)行小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練,符合精度要求后建模反演。具體研究技術(shù)路線如圖3所示。

圖2 布點(diǎn)采樣圖Fig.2 Sampling location for monitoring Chl-a concentration

圖3 遙感影像反演chl-a的技術(shù)路線圖Fig.3 Technical flow chart of remote sensing inversion of chl-a concentration

2.3.1 小波模極大值去噪重構(gòu)

由于信號(hào)和噪聲的小波變換系數(shù)在不同尺度上具有不同的傳播特性,而TM遙感數(shù)據(jù)基本屬于緩變信號(hào),隨著尺度的增大,噪聲所對(duì)應(yīng)的模極大值逐漸增大,因此,連續(xù)做若干次小波分解之后,綜合各個(gè)尺度上模極大值的位置和幅值信息,可以判斷哪些模極大值是由噪聲引起,哪些模極大值是由信號(hào)產(chǎn)生的[18-23]。剔除由噪聲所引起的模極大值,再由剩余的模極大值重構(gòu)信號(hào),即可實(shí)現(xiàn)去除噪聲信息的目的[24]。其具體原理如下：

孔老一正在為一只手打沒了的老兵扎繃帶，順著聲音看去，見是老三，驚得嘴都合不攏。盡管衢州城離蘭溪不過幾十公里地，但這兵荒馬亂的，老三不聽政府號(hào)召疏散轉(zhuǎn)移，反而跑陣地上來干什么嗎？

設(shè)t0是尺度2J上的模極大值點(diǎn),t1、t2是t0前后相鄰的2個(gè)模極大值點(diǎn),t1′是t1傳播到下一尺度2j(1 ≤j≤J-1) 上的相應(yīng)模極大值點(diǎn),則t0對(duì)應(yīng)的傳播點(diǎn)將在區(qū)間[t1′,t2]之間搜索。具體如下:

1)若存在模極大值點(diǎn)t0′∈[t1′,t2]且t0′=t0,且滿足W2′f(t0′)和W2′f(t0)符號(hào)相同,則t0′是t0的傳播點(diǎn)；

4) 重復(fù)以上過程,直至所需的尺度。

2.3.2 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是采用小波或者尺度函數(shù)來代替前向神經(jīng)網(wǎng)絡(luò)中的Sigmoid函數(shù)作為激活函數(shù),生成一個(gè)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上相似的神經(jīng)網(wǎng)絡(luò),從網(wǎng)絡(luò)結(jié)構(gòu)形式上來看又可分兩類,一類為小波變換與常規(guī)神經(jīng)網(wǎng)絡(luò)的結(jié)合,另一類為小波分解與前向神經(jīng)網(wǎng)絡(luò)的結(jié)合。第一類小波神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是“結(jié)合”,它可以很好的表達(dá)因變量與變量之間緊密聯(lián)系又互相獨(dú)立的非線性關(guān)系。第二類小波神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是“分解”,在探尋主成分因子時(shí)有較多的應(yīng)用,由于Chl-a與光譜信號(hào)有明顯的相關(guān)特性,因此,本研究選取第一類小波神經(jīng)網(wǎng)絡(luò)進(jìn)行研究。

3 結(jié)果與分析

3.1 小波模極大值重構(gòu)去噪分析

SIOPs信號(hào)小波模極大值重構(gòu)去噪效果見圖4,從圖中可以看出,經(jīng)小波處理后,去噪信號(hào)相比原始信號(hào)剔除了明顯變化的尖峰點(diǎn),原來有些波動(dòng)的曲線變得更為光滑。圖4中原始信號(hào)編號(hào)為24的低值點(diǎn)采樣日期為2012年1月7日,根據(jù)采樣記錄,當(dāng)日溫度為5℃,為當(dāng)?shù)囟竞币姼邷?本已凍結(jié)的湖面開始融化,在湖體表層產(chǎn)生了小部分水蒸氣,吸收了較多的光學(xué)量,因此導(dǎo)致出現(xiàn)了明顯的低值,這樣的光學(xué)信號(hào)變化不能簡(jiǎn)單理解為噪聲。同時(shí),為了檢驗(yàn)小波去噪重構(gòu)性能,對(duì)樣本的原始信號(hào)和去噪后信號(hào)與Chl-a濃度進(jìn)行了Spearman檢驗(yàn),結(jié)果見表1,由表可知,樣本的原始光譜信號(hào)與Chl-a濃度有顯著負(fù)相關(guān),相關(guān)系數(shù)為-0.417,出現(xiàn)這種情況是由于Chl-a對(duì)700nm波段附近入射光有吸收作用,因此,Chl-a濃度越高,吸收的光的能量就越多,衛(wèi)星接收到的反射光就越少,相比原始信號(hào),去噪后的光譜信號(hào)與Ch-a濃度之間表現(xiàn)出更強(qiáng)的負(fù)相關(guān)性(-0.575),說明經(jīng)去噪后的觀測(cè)值可進(jìn)一步減弱隨機(jī)誤差的干擾和去除噪聲,使觀測(cè)數(shù)據(jù)更加逼近Chl-a濃度的真實(shí)情況,對(duì)建模有較大的幫助。

圖4 采樣點(diǎn)光譜信號(hào)去噪前后對(duì)比圖Fig.4 The comparison between original signal, denoised signal and concentration of Chl-a

因子Item檢驗(yàn)方法TestmethodN原始信號(hào)Originalsignal去噪信號(hào)Denoisedsignal相關(guān)系數(shù)CorrelationcoefficientSig．相關(guān)系數(shù)CorrelationcoefficientSig．Chl-aspearman81-0．417??0．002-0．575??0．002

**表示在置信度(單側(cè))為0.01時(shí),相關(guān)性是顯著的

基于去噪后的光譜信號(hào)增強(qiáng)了表達(dá)水體中Chl-a濃度信息的結(jié)論,本研究對(duì)獲取的遙感影像進(jìn)行重構(gòu)。首先,在MATLAB平臺(tái)下提取出TM影像中的光譜值,考慮到提高圖像重構(gòu)速度、計(jì)算機(jī)內(nèi)存及實(shí)際反演要求,在影像上選取718×406個(gè)像素。以2014年7月份TM圖像為例,去噪重構(gòu)具體步驟如下：在matlab2012a以上版本環(huán)境下,采用交替投影法進(jìn)行小波模重構(gòu),首先通過wfilters函數(shù)計(jì)算小波分解系數(shù)和模極大序列,再通過swa函數(shù)得到待重建的信號(hào),并進(jìn)行迭代初始化,然后對(duì)待重建信號(hào)通過Py_Pgama函數(shù)進(jìn)行Py投影和 Pgama投影,最后通過iswt函數(shù)進(jìn)行Pv投影與重建計(jì)算,其圖像分解重構(gòu)過程如圖5所示。從圖中可以看出,重構(gòu)圖像能夠較好地分辨出烏梁素海的各種分區(qū),并得到了原始圖像的大體輪廓,重構(gòu)圖像增強(qiáng)的邊緣與體現(xiàn)的細(xì)節(jié)特征與實(shí)地調(diào)查的情況基本相吻合。為了考證去噪重構(gòu)后的圖像是否改變了原有光譜的基本結(jié)構(gòu),本研究在ENVI環(huán)境中隨機(jī)提取了原始圖像與重構(gòu)圖像的光譜剖面信息(圖6),從圖中可以看出,重構(gòu)后的光譜范圍較之前有所縮窄,部分信號(hào)點(diǎn)得到了增強(qiáng),但基本剖面結(jié)構(gòu)并沒有產(chǎn)生較大變化,可見小波模極大值去噪重構(gòu)處理確實(shí)在一定程度上改善了重構(gòu)圖像的成像質(zhì)量。

圖5 2014年7月影像小波分解重構(gòu)圖解Fig.5 The diagram of decomposition and reconstruct image by wavelet of 2014.7

圖6 2014-07 TM影像重構(gòu)前后波譜剖面圖Fig.6 The comparison of spectrum between original image and constructed image

3.2 神經(jīng)網(wǎng)絡(luò)擬合及精度分析

將小波重構(gòu)后的光譜信號(hào)與原始信號(hào)分別做為神經(jīng)網(wǎng)絡(luò)輸入,湖泊Chl-a的實(shí)測(cè)值做為神經(jīng)網(wǎng)絡(luò)輸出,隨機(jī)選取70%的樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,30%的樣本進(jìn)行檢驗(yàn)。去噪前后的小波神經(jīng)網(wǎng)絡(luò)的反演值與監(jiān)測(cè)值相關(guān)分析見圖7所示,從圖中可以看出,去噪后小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果有了明顯提升,特別是在驗(yàn)證環(huán)節(jié),R2由0.226提升至了0.779,而總體訓(xùn)練R2也由0.558提升至0.762。去噪后的訓(xùn)練過程監(jiān)測(cè)值與反演值的R2為0.754,檢驗(yàn)過程為0.779,同時(shí)從表2可以看出,去噪后反演值與監(jiān)測(cè)值的各項(xiàng)統(tǒng)計(jì)量均較為接近,反演值平均相對(duì)誤差為0.142。劉朝向等[26]利用SVM模型對(duì)媯水河中Chl-a濃度進(jìn)行了兩期反演研究,其反演值與監(jiān)測(cè)值的一元線性回歸R2分別為0.76與0.80,平均相對(duì)誤差分別為0.12與0.13,與本文的擬合精度差別不大,由于本研究訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)量小,在一定程度上影響到估算精度,但這也說明本文提出的方法在反演Chl-a濃度的精度方面是可行的,并且隨著樣本量的增大,模型的精度會(huì)進(jìn)一步提高,應(yīng)用前景廣闊。

圖7 去噪前后小波神經(jīng)網(wǎng)絡(luò)擬合效果分析Fig.7 The analysis of wavelet neural network fitting result between original signal and denoised signal

3.3 基于小波理論的Chl-a反演結(jié)果空間分布分析

由于烏梁素海平水期有大量的蘆葦種植,混淆了其他水生植物的光譜反映[27],影響影像數(shù)據(jù)中水體光譜反射信息,因此,本研究不對(duì)其進(jìn)行反演,同時(shí)枯水期與豐水期也有少部分湖區(qū)有較高的蘆葦覆蓋度(>50%),這些湖區(qū)在反演中也需要剔除掉。本研究采用如下方法進(jìn)行剔除：首先通過實(shí)地調(diào)查,確定豐水期與枯水期蘆葦覆蓋度較高的湖區(qū),通過GPS劃定范圍,采用ENVI的RIO工具對(duì)遙感圖件中這部分區(qū)域進(jìn)行標(biāo)識(shí),然后通過目視解譯劃定整個(gè)湖區(qū)中蘆葦覆蓋度較高的區(qū)域,再進(jìn)行裁剪,裁剪后的圖像在matlab中可讀取“0”值,需在matlab中對(duì)所有的“0”進(jìn)行賦空值操作。

表2 反演值與檢測(cè)值描述性分析

2014年烏梁素海豐水期與枯水期Chl-a濃度分布見圖8所示,從圖中可以看出,烏梁素海Chl-a濃度在時(shí)空分布上呈現(xiàn)一定的差異,但大體上來說,呈現(xiàn)豐水期淺水區(qū)(主要為靠近湖岸湖區(qū))Chl-a濃度值高于湖心區(qū)(主要為深水區(qū)),來水區(qū)(湖區(qū)中部西側(cè))高于其他湖區(qū)的空間分布趨勢(shì)。在實(shí)地調(diào)研中發(fā)現(xiàn),在烏梁素海豐水期(主要為6—9月份)正值當(dāng)?shù)剞r(nóng)業(yè)生產(chǎn)活動(dòng)高峰期,河套灌區(qū)大量富含N、P元素的農(nóng)田退水從烏梁素海中部的進(jìn)口區(qū)進(jìn)入湖區(qū)[28- 30],在進(jìn)口區(qū)及附近湖區(qū)造成N、P元素的大量富集[31]。有研究表明水體中Chl-a濃度的變化是水體營(yíng)養(yǎng)條件如溫度、光照、營(yíng)養(yǎng)鹽等因素綜合作用的結(jié)果[32],而當(dāng)?shù)?—9月份光照條件好,溫度較高,適宜藻類生長(zhǎng),這些綜合因素造成來水區(qū)Chl-a濃度升高；其次,烏梁素海兩岸10km內(nèi),尤其北側(cè)有大量分散居民點(diǎn)與散養(yǎng)殖戶,散排的生活污水與養(yǎng)殖廢水通過地表徑流進(jìn)入烏梁素海湖體內(nèi),提高了兩岸附近及北側(cè)湖區(qū)營(yíng)養(yǎng)鹽含量,造成了北側(cè)及兩岸湖區(qū)Chl-a濃度升高；再次,烏梁素海東南側(cè)基本無居民點(diǎn)分布,因此,東南側(cè)湖區(qū)Chl-a濃度較西北側(cè)相對(duì)較低?？菟?12月—翌年4月)也基本呈現(xiàn)與豐水期大致相同的空間分布規(guī)律,但細(xì)節(jié)上不盡相同,從枯水期Chl-a分布圖可以看出,枯水期Chl-a開始向湖心區(qū)“蔓延”,在烏梁素海中部形成由西向東濃度逐步降低的分布規(guī)律,同時(shí),在湖體西部呈現(xiàn)均一化的分布趨勢(shì),綜合來看,反演結(jié)論與其他關(guān)于烏梁素海富營(yíng)養(yǎng)化的研究結(jié)論基本保持一致[33]。

圖8 烏梁素海豐水期、枯水期Chl-a濃度分布圖Fig.8 The distribution of Chl-a concentration of wet season and dry season in Wuliangsuhai Lake

高陽俊[34]等針對(duì)長(zhǎng)江及淮河中下游、黃河及海河下游和大運(yùn)河沿岸的142個(gè)湖泊的水質(zhì)和水生態(tài)數(shù)據(jù),采用Chl-a濃度六段分級(jí)的方法,得到各指標(biāo)富營(yíng)養(yǎng)化控制的分級(jí)標(biāo)準(zhǔn)值,本研究利用這種方法評(píng)價(jià)了烏梁素海豐水期與枯水期富營(yíng)養(yǎng)化程度,結(jié)果見表3。從表中可以看出,枯水期中富營(yíng)養(yǎng)化與輕度富營(yíng)養(yǎng)化的面積占比分別達(dá)到了41.93%與38.30%,豐水期面積占比分別為13.24%與22.66%,枯水期中富營(yíng)養(yǎng)化與輕度富營(yíng)養(yǎng)化的面積占比相比豐水期提高了近30與16個(gè)百分點(diǎn),由此可見,烏梁素海在一年內(nèi)富營(yíng)養(yǎng)化水平在隨水期發(fā)展提高,同時(shí)也證明了一年內(nèi)烏梁素海的水質(zhì)在惡化。

表3 基于Chl-a分級(jí)的湖區(qū)富營(yíng)養(yǎng)化評(píng)價(jià)

4 討論

本研究利用TM影像數(shù)據(jù),提出通過小波去噪和神經(jīng)網(wǎng)絡(luò)方法反演Chl-a濃度的方法。首先,TM影像中SIOPs的變化要受到湖體中Chl-a和其他水質(zhì)與環(huán)境因子的共同影響,其他因子對(duì)SIOPs信號(hào)中產(chǎn)生的影響即為噪聲,這些噪聲分布于所有的小波系數(shù)上,雖然可以通過去噪與重構(gòu)能大致恢復(fù)原始信號(hào)的趨勢(shì),但卻無法徹底去除與頻帶相互重疊的噪聲,重構(gòu)后的信號(hào)仍然攜帶的這部分噪聲將降低神經(jīng)網(wǎng)絡(luò)模擬的精度,但受限于本研究樣本量不足,樣點(diǎn)數(shù)量較少,沒有監(jiān)測(cè)其他環(huán)境因子,所以很難以從統(tǒng)計(jì)上判斷信號(hào)中極大值或極小值攜帶的這部分噪聲的比例,也無法有針對(duì)性的去除信號(hào)中非Chl-a因子引起的SIOPs信號(hào)的變化,因此,在采樣數(shù)據(jù)較全,樣本量較大的情況下,針對(duì)其他環(huán)境因子與SIOPs進(jìn)行關(guān)聯(lián)分析,分析其對(duì)SIOPs產(chǎn)生的影響,而后有針對(duì)性的進(jìn)行比對(duì)去噪,對(duì)于提高本文研究方法的精度將是有效的；其次,由于光傳輸環(huán)境與衛(wèi)星傳感器姿勢(shì)等條件的差異,衛(wèi)星接收到的反射光信息在空間的傳輸中的損耗計(jì)算較為復(fù)雜,而應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)Chl-a進(jìn)行反演可以有效的避開這個(gè)難點(diǎn),但神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是從海量數(shù)據(jù)中尋找規(guī)律,應(yīng)用這個(gè)方法也意味著繁重的采樣分析工作。同時(shí),本文數(shù)據(jù)量雖較小,但模型的精度基本可以滿足反演要求,反演出的Chl-a濃度分布也和掌握的污染源分布情況基本契合,因此,有理由相信隨著數(shù)據(jù)量的增大,該方法的精度勢(shì)必有明顯提升。再次,從選用的數(shù)據(jù)上來看,本研究選取了TM影像作為反演數(shù)據(jù),但TM影像為衛(wèi)星拍攝,光的傳輸距離較長(zhǎng),要受到大氣狀況的影響,SIOPs解釋反映Chl-a的程度要減弱,因此,從數(shù)據(jù)準(zhǔn)確性來講,利用近感光學(xué)元件收集SIOPs相對(duì)來說要比利用衛(wèi)星影像要好,同時(shí)采用近感方法還可以避免因水體植被存在而影響光學(xué)信號(hào),隨著無人機(jī)技術(shù)的快速發(fā)展,利用無人機(jī)攜帶近感光學(xué)元件獲取大湖泊光學(xué)信息,而后應(yīng)用本文提出的方法也是提高模型精度的方法。

5 結(jié)論

本研究利用TM影像數(shù)據(jù),提出通過小波去噪和神經(jīng)網(wǎng)絡(luò)方法反演Chl-a的方法,并驗(yàn)證了該方法的適用性,進(jìn)一步對(duì)烏梁素海Chl-a濃度的分布原因進(jìn)行了討論,具體結(jié)論如下：

(1)小波去噪后的采樣點(diǎn)光譜信號(hào)與Ch-a濃度之間表現(xiàn)出比原始信號(hào)更強(qiáng)的負(fù)相關(guān)性,原始光學(xué)信號(hào)中,非Chl-a引起的光學(xué)噪聲去除率在一定程度上決定模型反演的精度。

(2)本文的擬合精度與國(guó)內(nèi)相關(guān)研究的精度差別不大,表明小波分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在可以適用于烏梁素海Chl-a濃度反演,但該法在反演Chl-a濃度的精度方面還有很大的提升空間；

(3)本文應(yīng)用提出的方法對(duì)烏梁素海進(jìn)行了豐水期和枯水期Chl-a的反演,結(jié)果表明烏梁素海Chl-a濃度在時(shí)空分布上呈現(xiàn)一定的差異,豐水期呈現(xiàn)淺水區(qū)Chl-a濃度值高于湖心區(qū),來水區(qū)高于其他湖區(qū)的分布趨勢(shì)；枯水期烏梁素海中部呈現(xiàn)由西向東Chl-a濃度逐步降低的分布規(guī)律,西部呈均一化分布。

致謝：感謝巴彥淖爾市環(huán)境保護(hù)局、巴彥淖爾市環(huán)境保護(hù)監(jiān)測(cè)站在提供葉綠素a監(jiān)測(cè)數(shù)據(jù)方面給予的支持。

[1] Gitelson A A, Schalles J F, Hladik C M. Remote chlorophyll-a retrieval in turbid, productive estuaries: Chesapeake Bay case study. Remote Sensing of Environment, 2007, 109(4): 464- 472.

[2] Kallio K, Kutser T, Hannonen T, Koponen S, Pulliainen J, Veps?l?inen J, Pyh?lahti T. Retrieval of water quality from airborne imaging spectrometry of various lake types in different seasons. Science of the Total Environment, 2001, 268(1/3): 59- 77.

[3] 段洪濤, 張柏, 宋開山, 王宗明, 張樹清. 查干湖葉綠素a濃度高光譜定量模型研究. 環(huán)境科學(xué), 2006, 27(3): 503- 507.

[4] 徐祎凡, 李云梅, 王橋, 呂恒, 劉忠華, 徐昕, 檀靜, 郭宇龍, 吳傳慶. 基于環(huán)境一號(hào)衛(wèi)星多光譜影像數(shù)據(jù)的三湖一庫富營(yíng)養(yǎng)化狀態(tài)評(píng)價(jià). 環(huán)境科學(xué)學(xué)報(bào), 2011, 31(1): 81- 93.

[5] 王琦, 孟偉, 馬云峰, 史玉強(qiáng), 胡筱敏. 基于HJ- 1衛(wèi)星的大伙房水庫葉綠素a濃度反演模型研究. 安全與環(huán)境學(xué)報(bào), 2013, 13(4): 137- 141.

[6] 郭宇龍, 李云梅, 呂恒, 王珊珊, 王永波. 基于主成分降維的總懸浮物濃度遙感估算模型適用性分析. 湖泊科學(xué), 2013, 25(6): 892- 899.

[7] 張兵, 申茜, 李俊生, 張浩, 吳迪. 太湖水體3種典型水質(zhì)參數(shù)的高光譜遙感反演. 湖泊科學(xué), 2009, 21(2): 182- 192.

[8] He W Q, Chen S, Liu X H, Chen J N. Water quality monitoring in a slightly-polluted inland water body through remote sensing-Case study of the Guanting Reservoir in Beijing, China. Frontiers of Environmental Science & Engineering in China, 2008, 2(2): 163- 171.

[9] 何紅曼, 米海存, 霍艾迪, Chen X H. 西安市曲江南湖富營(yíng)養(yǎng)化遙感監(jiān)測(cè)與評(píng)價(jià). 中國(guó)水土保持, 2013, (9): 65- 68.

[10] 姚霞, 王雪, 黃宇, 湯守鵬, 田永超, 曹衛(wèi)星, 朱艷. 應(yīng)用近紅外光譜法估測(cè)小麥葉片糖氮比. 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(8): 2371- 2378.

[11] 吳燕鋒, 趙海珍, 巴特爾·巴克, 李維, 魏小琴, Rasulov H. 塔吉克斯坦瓦赫什河流域干濕演變特征. 干旱區(qū)研究, 2015, 32(4): 644- 650.

[12] Aloui C, Jammazi R. Dependence and risk assessment for oil prices and exchange rate portfolios: A wavelet based approach. Physica A: Statistical Mechanics and its Applications, 2015, 436: 62- 86.

[13] 譚梟, 王希, 王秀茹, 劉蘭妹, 王紅雷. 基于GIS的烏梁素海東岸上游地區(qū)水土流失動(dòng)態(tài)變化研究. 水土保持通報(bào), 2014, 34(1): 193- 198.

[14] Lee J H W, Huang Y, Dickman M, Jayawardena A W. Neural network modelling of coastal algal blooms. Ecological Modelling, 2003, 159(2/3): 179- 201.

[15] 宋瑜, 宋曉東, 江洪, 郭照冰, 郭青海. 基于定量遙感反演的內(nèi)陸水體藻類監(jiān)測(cè). 光譜學(xué)與光譜分析, 2010, 30(4): 1075- 1079.

[16] 李苗, 臧淑英, 吳長(zhǎng)山. 基于TM影像的克欽湖葉綠素a濃度反演. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào), 2012, 31(12): 2473- 2479.

[17] 梁亮, 楊敏華, 臧卓. 基于小波去噪與SVR的小麥冠層含氮率高光譜測(cè)定. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(12): 248- 253.

[18] Yochum M, Binczak S. A wavelet based method for electrical stimulation artifacts removal in electromyogram. Biomedical Signal Processing and Control, 2015, 22: 1- 10.

[19] M A Hassan M A, Bushroa A R, Mahmoodian R. Identification of critical load for scratch adhesion strength of nitride-based thin films using wavelet analysis and a proposed analytical model. Surface and Coatings Technology, 2015, 277: 216- 221.

[20] Carvalho A T, Lima A C S, Cunha C F F C, Petraglia M. Identification of partial discharges immersed in noise in large hydro-generators based on improved wavelet selection methods. Measurement, 2015, 75: 122- 133.

[21] Tanaka S, Sannomaru S, Imachi M, Hagihara S, Okazawa S, Okada H. Analysis of dynamic stress concentration problems employing spline-based wavelet Galerkin method. Engineering Analysis with Boundary Elements, 2015, 58: 129- 139.

[22] Gupta A K, Saha Ray S. Numerical treatment for the solution of fractional fifth-order Sawada-Kotera equation using second kind Chebyshev wavelet method. Applied Mathematical Modelling, 2015, 39(17): 5121- 5130.

[23] 桑燕芳, 王中根, 劉昌明. 小波分析方法在水文學(xué)研究中的應(yīng)用現(xiàn)狀及展望. 地理科學(xué)進(jìn)展, 2013, 32(9): 1413- 1422.

[24] 陶珂, 朱建軍. 小波去噪質(zhì)量評(píng)價(jià)方法的對(duì)比研究. 大地測(cè)量與地球動(dòng)力學(xué), 2012, 32(2): 128- 133.

[25] Hill P R, Achim A M, Bull D R, Al-Mualla M E. Dual-tree complex wavelet coefficient magnitude modelling using the bivariate Cauchy-Rayleigh distribution for image denoising. Signal Processing, 2014, 105: 464- 472.

[26] 劉朝相, 宮兆寧, 趙文吉, 崔天翔, 林川, 張翼然. 基于SVM模型的媯水河葉綠素a濃度的遙感反演. 遙感技術(shù)與應(yīng)用, 2014, 29(3): 419- 427.

[27] Zhao Y H, Deng X Z, Lu Q, Huang W. Regional rural development, nitrogen input and output in farming-grazing system and its environmental impacts—a case study of the wuliangsuhai catchment. Procedia Environmental Sciences, 2010, 2: 542- 556.

[28] Guo X J, He L S, Li Q, Yuan D H, Deng Y. Investigating the spatial variability of dissolved organic matter quantity and composition in Lake Wuliangsuhai. Ecological Engineering, 2014, 62: 93- 101.

[29] 郝芳華, 孫雯, 曾阿妍, 李鵬, 張嘉勛, 岳勇. HYDRUS- 1D模型對(duì)河套灌區(qū)不同灌施情景下氮素遷移的模擬. 環(huán)境科學(xué)學(xué)報(bào), 2008, 28(5): 853- 858.

[30] 張璇, 郝芳華, 王曉, 王云慧, 歐陽威. 河套灌區(qū)不同耕作方式下土壤磷素的流失評(píng)價(jià). 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(6): 59- 65.

[31] 肖博文, 成文連, 姚榮, 劉華民, 劉玉虹. 內(nèi)蒙古烏梁素海N、P的變化趨勢(shì)研究. 水資源與水工程學(xué)報(bào), 2015, 26(1): 43- 46, 51- 51.

[32] 秦伯強(qiáng), 高光, 朱廣偉, 張運(yùn)林, 宋玉芝, 湯祥明, 許海, 鄧建明. 湖泊富營(yíng)養(yǎng)化及其生態(tài)系統(tǒng)響應(yīng). 科學(xué)通報(bào), 2013, 58(10): 855- 864.

[33] 馬龍, 吳敬祿. 近50年來內(nèi)蒙古河套平原氣候及湖泊環(huán)境演變. 干旱區(qū)研究, 2010, 27(6): 871- 877.

[34] 高陽俊, 曹勇, 趙振, 孫從軍. 基于葉綠素a分級(jí)的東部湖區(qū)富營(yíng)養(yǎng)化標(biāo)準(zhǔn)研究. 環(huán)境科學(xué)與技術(shù), 2011, 34(12H): 218- 220.

A wavelet theory based remote sensing inversion of chlorophyll a concentrations for inland lakes in arid areas using TM image data

SHI Rui1, ZHANG Hong2,*, YUE Rong1, ZHANG Xiaoyu2, WANG Meiping1, SHI Wei3

1InstituteofEnvironmentalScienceofBayannur,Bayannur015000,China2CollegeofEnvironmentalScienceandResources,ShanxiUniversity,Taiyuan030006,China3InstituteofLoessPlateau,ShanxiUniversity,Taiyuan030006,China

Chlorophyll a (Chl-a) concentration is an important indicator for measuring eutrophication and lake water quality. Therefore, a fast and sensitive remote sensing method for Chl-a concentrations is urgently needed, as this will enable real-time spatio-temporal monitoring of Chl-a distribution in large inland lakes, which will enhance water quality management and protection. Using Wuliangsuhai Lake (Inner Mongolia) as an example, this study established an effective remote sensing inversion method for Chl-a concentrations, based on Landsat Thematic Mapper (TM) image data. Chl-a concentration data from January 2010 to November 2014 was collected by the Environmental Monitoring Station of Bayannur city. TM images were acquired by the Information Center of the Chinese Academy of Sciences. After pre-treatment, the Wuliangsuhai TM images were de-noised and reconstructed based on a wavelet analysis. A neural network method was subsequently used to construct a model that relates the TM spectral reflectance ratios and Chl-a concentrations. The results indicated that the proposed method of combining wavelet analysis with a neural network model is suitable for inversely remote sensing Chl-a concentrations. The correlation coefficient between the wavelet de-noised spectral signal and the Chl-a concentration (-0.575) was higher than when the original spectral signal was used (-0.417). Furthermore, the negative correlation between the de oised spectral signal and water sample Chl-a concentrations was stronger than the original one. This demonstrated that the de oised monitoring values could further reduce the interference of random errors and noise. Furthermore, the remotely sensed Chl-a values could approach the sampled Chl-a concentrations. In addition, the de oised reconstruction of the TM images had a narrower reconstructed spectral than before, and part of the signals were enhanced. Nonetheless, the basic crosssectional structure of the images did not change notably. The mean relative error (MRE) of the proposed method was 0.142, and differed little from other models. In addition, the distribution of Chl-a concentration based on the TM inversion method was consistent with the distribution of the Wuliangsuhai Lake pollution sources. The spatio emporal distribution of Chl-a concentrations showed some variability. In the wet season, the Chl-a concentrations in shallow water areas were higher than those in the central area, whereas the Chl-a concentrations in the inlet area were higher than those in other areas. In the dry season, the Chl-a concentration decreased gradually from west to east in the middle of the lake, and showed a homogeneous pattern in the west of the lake. Overall, the precision of the TM remote sensing inversion method achieved a satisfactory prediction accuracy. However, given the lack of sufficient Chl-a monitoring sites and monitoring data, some factors that influenced the spectral reflectance ratio of TM image could not be removed or controlled for. Some improvements on TM image data acquisition, such as algorithm optimization and model verification, should therefore be a priority for the future. Alternatively, high esolution remote sensing image data could be used to acquire the spectral reflectance ratio of lake water, instead of TM images. In conclusion, this study could be used to improve lake water quality monitoring technologies, as well as contribute to real ime water quality monitoring. The proposed method for Wuliangsuhai Lake could be applied in other areas as well, and for other water pollutants.

wavelet analysis; artificial neural network; remote inversion; Chl-a concentration; lake water quality; landsat thematic mapper; eutrophication

國(guó)家水污染防治專項(xiàng)(烏梁素海綜合整治項(xiàng)目)

2015- 08- 25;

日期:2016- 06- 14

10.5846/stxb201508251766

*通訊作者Corresponding author.E-mail: zhanghong@sxu.edu.cn

史銳,張紅,岳榮,張霄羽,王美萍,石偉.基于小波理論的干旱區(qū)內(nèi)陸湖泊葉綠素a的TM影像遙感反演.生態(tài)學(xué)報(bào),2017,37(3):1043- 1053.

Shi R, Zhang H, Yue R, Zhang X Y, Wang M P, Shi W.A wavelet theory based remote sensing inversion of chlorophyll a concentrations for inland lakes in arid areas using TM image data.Acta Ecologica Sinica,2017,37(3):1043- 1053.