Ⅱ類水體懸移質(zhì)泥沙含量遙感反演綜述

楊佳 范建容 張茜彧 于江 朱昕

摘要：懸移質(zhì)泥沙是水環(huán)境的重要參數(shù)之一，其含量的變化對流域生態(tài)環(huán)境有著多方面的影響。傳統(tǒng)研究方法能夠?qū)崿F(xiàn)懸移質(zhì)泥含量的精確分析，但存在布點有限、時效不足等問題，而遙感技術可彌補傳統(tǒng)研究方法的不足，實現(xiàn)大面積水域的同步觀測?；趹乙瀑|(zhì)泥沙含量遙感反演的4類模型：物理模型、半分析模型、經(jīng)驗模型、人工智能算法模型，總結了Ⅱ類水體懸移質(zhì)泥沙含量遙感反演的研究進展，探討了反演研究中存在的離水輻亮度提取難度大、混合像元不易分解等問題，并針對我國內(nèi)陸山區(qū)河流，提出山區(qū)Ⅱ類水體懸移質(zhì)泥沙含量遙感反演發(fā)展面臨的關鍵問題。

關 鍵 詞：Ⅱ類水體; 懸移質(zhì)泥沙; 衛(wèi)星遙感; 反演模型; 內(nèi)陸山區(qū)河流

1 研究背景

水體按其光學性質(zhì)的差異分為Ⅰ類水體、Ⅱ類水體[1]。Ⅰ類水體組成簡單，光學性質(zhì)由浮游植物及其附屬物決定[2]。Ⅱ類水體組成復雜，其光學性質(zhì)主要受葉綠素、有色可溶性有機物、總懸浮顆粒物等水色因子的影響，情況復雜且不穩(wěn)定[3]。在淡水生態(tài)系統(tǒng)中藻類為水體的主要組成成分，藻類色素的主要成分——葉綠素a含量的變化對水體光譜信息有很大的影響。有色可溶性物質(zhì)主要存在于內(nèi)陸湖體，多呈黃棕色，其含量變化造成光譜信息的變化較為明顯。在濁度較高的水體中，葉綠素光譜信息和有色可溶性物質(zhì)的光譜信息均被總懸浮顆粒物的光譜信息所掩蓋。

懸移質(zhì)泥沙是Ⅱ類水體的重要組成成分，多為微小固體顆粒，具有粒徑小、易附著污染物、遷徙能力強等特點。我國內(nèi)陸水體多為Ⅱ類水體，懸移質(zhì)泥沙廣泛存在其中。懸移質(zhì)泥沙含量的變化對河道的演變、河流地貌的發(fā)育影響重大[4]。河流懸移質(zhì)泥沙含量過高時，下流泥沙淤積嚴重，輕則改變河流流向（如淮河），重則形成地上河（如黃河下游），對河流兩岸人民的生命財產(chǎn)安全造成一定的威脅[5]。 懸移質(zhì)泥沙上附著的污染物（N、P等營養(yǎng)鹽）隨水流輸移發(fā)生遷移，易產(chǎn)生大范圍的水體污染，造成水域生態(tài)系統(tǒng)紊亂。監(jiān)測水體中懸移質(zhì)泥沙含量的變化，掌握懸移質(zhì)泥沙含量的時空變化特征，對流域的生態(tài)環(huán)境以及人類生產(chǎn)生活具有重要意義。

懸移質(zhì)泥沙含量的監(jiān)測研究存在流域范圍廣、綜合環(huán)境復雜等問題。以往懸移質(zhì)泥沙監(jiān)測多是基于野外實測水樣分析其含量的變化。傳統(tǒng)的研究方法包括水文站取樣、船只走航取樣。水文站取樣可獲得時間序列連續(xù)的數(shù)據(jù)，但只能反映水文站臨近水域懸移質(zhì)泥沙含量變化的情況，空間連續(xù)不足。船只走航取樣僅可獲取一定水域短期內(nèi)的樣本數(shù)據(jù)[6]。野外實測的方法在懸移質(zhì)泥含量精確分析方面具有一定優(yōu)勢，但仍存在監(jiān)測范圍較小、水樣不足、耗時費力等問題。遙感數(shù)據(jù)具有時間連續(xù)，空間覆蓋廣，數(shù)據(jù)獲取方便等特點[7]?；谶b感數(shù)據(jù)，構建懸移質(zhì)泥沙反演模型，監(jiān)測水體懸移質(zhì)泥沙含量的變化，研究水體懸移質(zhì)泥沙的變化特征，不僅為遙感技術的應用提供了一種新的思路，同時也為水色研究提供了一種新的范式。

2 水色遙感

2.1 水色遙感研究現(xiàn)狀

遙感技術應用初期，衛(wèi)星影像空間分辨率低，光譜連續(xù)性不足，導致遙感地面監(jiān)測信息獲取能力較低。隨著衛(wèi)星傳感器的不斷發(fā)展，基于遙感影像獲取地物信息的能力得到大幅提高。人們由最初的簡單記錄遙感影像信息發(fā)展到如今定量反演目標物的物理參量。

國內(nèi)外學者從20世紀60年代開始就應用衛(wèi)星傳感器對水體環(huán)境進行監(jiān)測[8]。1978年NASA（National Aeronautics and Space Administration）發(fā)射了世界上第一顆探測海洋水色要素的傳感器CZCS（Coastal Zone Color Scanner）[9]。1997年NASA針對CZCS水色通道少、光譜分辨率低等問題，發(fā)射了第二代水色衛(wèi)星傳感器SeaWiFS（Sea-vie-wing Wide Field-of-view Sensor）[10]。2002年中國發(fā)射了搭載COCTS（Chinese Ocean Color Temperature Scanner）傳感器的HY-1A衛(wèi)星[11]。2009年韓國發(fā)射了第一顆地球靜止海洋水色傳感器GOCI（Geo-stationary Ocean Color Imager）[12]。歐洲、日本、印度也發(fā)射了多顆水色衛(wèi)星，如哨兵系列衛(wèi)星[13]、ALOS（Advanced Land Observation Satellite） 系列衛(wèi)星[14]、OCM（Ocean Color Monitor）系列衛(wèi)星[15]等（見表1）。如今世界各國已發(fā)射了多顆水色衛(wèi)星，水色遙感具備多種可用數(shù)據(jù)。

2 沿海地區(qū)環(huán)境監(jiān)測

隨著水色衛(wèi)星傳感器的發(fā)展，遙感數(shù)據(jù)質(zhì)量不斷提高，使得定量反演水體中懸移質(zhì)泥沙的含量成為可能。1993年Tassan針對海岸帶水體提出懸移質(zhì)泥沙遙感反演模型，應用Landsat-TM數(shù)據(jù)進行了懸移質(zhì)泥沙含量反演[16]。2002年陳濤基于經(jīng)驗模型反演得出Gironde河口的懸移質(zhì)泥沙含量[17]。2009年樊彥國基于綜合地理模型與遙感反演模型研究分析黃河三角州水體懸移質(zhì)泥沙含量的變化，為了解該水域的海岸線蝕退情況提供了參考依據(jù)[18]。2016年孔金玲在曹妃甸近岸海域基于實測數(shù)據(jù)及Landsat-5數(shù)據(jù)，構建水體表、中、底3個不同層次的經(jīng)驗反演模型，研究發(fā)現(xiàn)懸移質(zhì)泥沙含量的垂向空間分布由表部及底部呈現(xiàn)增大趨勢[19]。利用Landsat-8數(shù)據(jù)分析建模、反演獲得該區(qū)域每個季節(jié)懸移質(zhì)泥沙的空間分布特征：春季分布高值集中于西海岸，夏秋時珠江口頂區(qū)域高值分布較為集中，冬季總體分布呈現(xiàn)從珠江口頂向東南方向擴散[20]。如今，國內(nèi)外學者應用遙感技術對懸移質(zhì)泥沙含量的定量反演研究均取得了很大進展。

2.2 水色遙感過程

水體光譜信息主要由水體的物質(zhì)組成決定，同時受水的狀態(tài)影響。Ⅰ類水體與Ⅱ類水體的反射光譜曲線存在明顯差異，Ⅱ類水體反射率高于Ⅰ類水體，且反射峰值出現(xiàn)在波長更長的波段。以水質(zhì)參數(shù)中的懸疑質(zhì)泥沙為例，隨著Ⅱ類水體中懸移質(zhì)泥沙含量的增加，水體反射率光譜曲線不斷升高，反射峰值波長向長波方向移動，反射峰值形態(tài)也變得更寬。不同泥沙濃度的光譜曲線在0.58～0.68 μm 波長范圍內(nèi)出現(xiàn)峰值，此波段對水中泥沙反應最敏感，即遙感監(jiān)測水體懸疑質(zhì)泥沙含量的最優(yōu)波段。

水體具有透光性和水面反射性，衛(wèi)星傳感器接收到的水體光譜信息包括大氣散射、水面反射、水體中向上散射以及淺水水底反射[21]。水質(zhì)參數(shù)含量變化時，水體光學信號的吸收、反射、散射性均受到一定的影響。水色遙感即通過對衛(wèi)星傳感器所接收到的水體光譜信息進行監(jiān)測分析，建立離水輻亮度與水質(zhì)參數(shù)含量之間的關系，反演得出各水質(zhì)參數(shù)含量。

離水輻亮度的獲取是進行水色遙感的關鍵，其精度關系到水色遙感反演結果的準確性。衛(wèi)星傳感器顯示的光譜信息為數(shù)字量化值（DN灰度值），在水色遙感的過程中進行輻射定標將DN值轉(zhuǎn)為輻亮度。衛(wèi)星傳感器接收到總的輻亮度中離水輻亮度所占比例不足10%，大氣程輻射所占比例高達90%[22]，通過大氣校正剔除大氣程輻射得到離水輻亮度。基于離水輻亮度中的水質(zhì)參數(shù)敏感波段與水質(zhì)參數(shù)含量建立關系，即可進行特定水質(zhì)參數(shù)遙感反演。

3 懸移質(zhì)泥沙含量遙感反演模型

水體懸移質(zhì)泥沙含量遙感反演的關鍵在于構建懸移質(zhì)泥沙含量與離水輻亮度之間的關系。在應用遙感技術反演懸移質(zhì)泥沙含量的研究過程中，國內(nèi)外專家提出了一些定量反演模型。這些模型主要分為4類：物理模型、半分析模型、經(jīng)驗統(tǒng)計模型、人工智能算法模型。

3.1 物理模型

水色遙感分為離水輻亮度反演和水質(zhì)參數(shù)含量反演兩個過程。物理模型首先基于光在水下的水體輻射傳輸方程模擬光在水體中的吸收、反射、散射等過程，從而得到水體離水輻亮度，然后應用生物-光學模型構建懸移質(zhì)泥沙含量與離水輻亮度之間的關系，最終反演得出水體的懸移質(zhì)泥沙含量。

1980年Moore分析傳感器接收到的懸移質(zhì)泥沙的離水輻亮度，發(fā)現(xiàn)隨著水體中懸移質(zhì)泥沙含量的增加，光的后向散射也不斷增強，因而對于懸移質(zhì)泥沙含量較多的渾濁水體，基于水體后向散射特性建立理論模型進行遙感反演[23];1998年Hoogenboom在理論模型的基礎上，對不同組成濃度的水體（近海岸Ⅱ類水土區(qū)域;內(nèi)陸富營養(yǎng)化淺水區(qū)域）構建不同的模型提取水體中葉綠素以及懸移質(zhì)泥沙含量，均取得了不錯的結果[24];2001年Dekker對Landsat-TM、SPOT影像進行迭代的大氣和空氣-水界面校正處理，在此基礎上應用遙感影像與實測數(shù)據(jù)構建生物光學模型反演得出Southern Frisian湖的懸移質(zhì)泥沙含量[25]。

物理模型基于衛(wèi)星傳感器接收到的離水輻亮度即可反演懸移質(zhì)泥沙含量，且不需要衛(wèi)星影像獲取時刻的同步野外實測數(shù)據(jù)檢驗，但此模型反演精度較低，且不適用于光學特征復雜的水體。

3.2 半分析模型

1985年Gordon研究分析了光在水體中的輻射傳輸過程，基于固有光學參量吸收系數(shù)以及后向散射系數(shù)，建立了光譜反射率與懸移質(zhì)泥沙含量之間的關系，并構建了Gordon模型反演懸移質(zhì)泥沙含量[26];1992年，黎夏基于Gordon模型和負指數(shù)模型建立了懸移質(zhì)泥沙含量遙感反演的統(tǒng)一式模型，應用于珠江口伶仃洋的懸移質(zhì)泥沙含量反演研究，并得到其他區(qū)域數(shù)據(jù)的驗證[27];2010年Shen基于Kubelka-Munk兩流近似的輻射傳輸理論建立了SERT模型，并通過現(xiàn)場測量和室外控制池實驗來校準數(shù)據(jù)集，最后利用MERIS數(shù)據(jù)反演大范圍水域的懸移質(zhì)泥沙含量[28]。2012年陳勇等基于準單散射Gordon模型反演了1974～2009年長江口懸移質(zhì)泥沙含量的時空分布特征，反演結果證明懸移質(zhì)泥沙含量在河口區(qū)域存在多級分帶分布的特征[29]。2014年陳燕在渤海灣近岸海域應用多波段準分析算法建立懸移質(zhì)泥沙含量與Landsat影像之間的關系，反演研究區(qū)的懸移質(zhì)泥沙含量并分析其空間分布特征[30]。

半分析模型物理含義清晰，在已知水質(zhì)參數(shù)固有光學特性的基礎上，可對任意區(qū)域的水體進行遙感反演，且反演精度較高;但半分析模型實則為簡化版的分析模型，在懸移質(zhì)泥沙遙感反演過程中忽略了光在水體中的多次散射以及水底反射，這對最終反演結果的精度會造成不可忽略的影響。

3.3 經(jīng)驗統(tǒng)計模型

經(jīng)驗統(tǒng)計模型是基于同步測量的水體懸移質(zhì)泥沙含量數(shù)據(jù)以及遙感光譜數(shù)據(jù)，構建懸移質(zhì)泥沙含量和水體表觀光學性質(zhì)之間的定量關系[31]。模型的一般形式為

如表2所示，2005年寥迎娣通過大氣校正后的SeaWiFS數(shù)據(jù)構建指數(shù)模型監(jiān)測東部沿海區(qū)域懸移質(zhì)泥沙空間分布[32];2014年林承達基于Landsat-7 ETM+單波段數(shù)據(jù)、多波段比值數(shù)據(jù)構建了多種經(jīng)驗模型反演長江中游懸移質(zhì)泥沙含量，結果表明該區(qū)域單波段反演結果優(yōu)于波段組合[33];2015年朱樊基于MODIS數(shù)據(jù)的兩個波段構建了二次函數(shù)模型反演不同季節(jié)珠江河口區(qū)域懸移質(zhì)泥沙含量，發(fā)現(xiàn)珠江河口區(qū)域的懸移質(zhì)泥沙整體分布西北方向高于東南方向，河口風速是造成珠江河口區(qū)域懸移質(zhì)泥沙含量時序變化的主要原因[34]。

2018年章敏超基于GF-1數(shù)據(jù)構建了舟山近海域單波段經(jīng)驗統(tǒng)計模型和波段組合經(jīng)驗統(tǒng)計模型，分析了不同模型的相關系數(shù)并進行精度驗證，研究發(fā)現(xiàn)基于（B3/B2）波段組合的二次模型反演精度更高，但不適用于懸移質(zhì)泥沙含量較低的情況[35]。

經(jīng)驗統(tǒng)計模型建模算法簡單，模型表達式具有多樣性（線性、指數(shù)、對數(shù)、冪），適用于光學特征復雜的水體，針對區(qū)域懸移質(zhì)泥沙含量遙感反演精度較高，但需要同步實測數(shù)據(jù)，缺乏物理機制且普適性較差，不能直接應用于其他水域。

3.4 人工智能算法模型

近年來懸移質(zhì)泥沙遙感反演模型還包括基于人工智能算法構建的神經(jīng)網(wǎng)絡模型、主成分分析模型、支持向量機模型等。

神經(jīng)網(wǎng)絡模型屬于經(jīng)驗模型的一種，它基于多光譜遙感數(shù)據(jù)，構建離水輻亮度與懸疑質(zhì)泥沙含量的多元線性回歸關系。多層前饋網(wǎng)絡模型是目前應用最為廣泛的神經(jīng)網(wǎng)絡模型之一，通過反向傳播學系算法（Back Propagation Neural Network，BPNN），調(diào)整全值使網(wǎng)絡總誤差最小。2014年何報寅基于環(huán)境衛(wèi)星數(shù)據(jù)與懸移質(zhì)泥沙含量構建了廣義回歸神經(jīng)網(wǎng)絡模型（General Regression Neural Network，GRNN）來反演長江中游水體的懸移質(zhì)泥沙含量，研究結果表明當實測數(shù)據(jù)較少時，GRNN模型相比于BPNN模型其反演精度更高[36];2015年Chen基于 MODIS數(shù)據(jù)構建多層次反向神經(jīng)網(wǎng)絡模型來反演中國東部沿海的懸疑質(zhì)泥沙含量，反演效果較好[37]。

主成分分析模型通過數(shù)據(jù)降維將原始多光譜遙感數(shù)據(jù)簡化為幾個不相關的變量，既保留水體光譜信息又消除不同波段間的影響，從而提高模型的反演精度。2015年楊姝基于Landsat-5 TM數(shù)據(jù)與實測懸疑質(zhì)泥沙含量構建了主成分分析模型來反演中國渤海灣近岸海域的懸疑質(zhì)泥沙分布，研究結果表明懸疑質(zhì)泥沙含量較高的區(qū)域主要集中在南部及西南部近岸海域[38]。

支持向量機模型是建立在統(tǒng)計學的VC維理論和結構風險最小原理基礎上，應用于模式識別、分類、以及回歸分析的學習模型[39]。2015年何報寅基于環(huán)境衛(wèi)星數(shù)據(jù)，應用果蠅算法優(yōu)化后的支持向量機模型（Support Vector Machine，SVM）反演了長江中游懸疑質(zhì)泥沙含量，結果表明SVM模型受數(shù)據(jù)波動影響較小，反演結果良好[40]。

神經(jīng)網(wǎng)絡模型、主成分分析模型和支持向量機模型均屬于經(jīng)驗統(tǒng)計模型，與傳統(tǒng)的經(jīng)驗統(tǒng)計模型（線性、指數(shù)、冪）相比，這些人工智能算法模型穩(wěn)定、運算快捷、在小樣本情況下的反演精度較高。

3.5 小 結

物理模型依賴于物理機制，但由于目前理論機制研究不足，不能反演光學特征復雜的Ⅱ類水體。半分析模型基于簡化的輻射傳輸理論，適用性強，應用廣泛。經(jīng)驗統(tǒng)計模型忽略水體的生物光學特征，不考慮水體內(nèi)部的輻射傳輸過程，算法簡單，適用于可實測采樣的水體，但可移植性存在不足。基于人工智能算法的經(jīng)驗統(tǒng)計模型缺乏物理機制，但只需少量樣本數(shù)據(jù)即可進行遙感反演，反演結果精度較高。

4 問題與展望

綜上所述，基于4種模型反演Ⅱ類水體懸移質(zhì)泥沙含量均取得了不錯的結果，并廣泛應用于懸移質(zhì)泥沙含量監(jiān)測、時空分布特征分析等方面，為流域的生態(tài)環(huán)境評定提供了依據(jù)。懸移質(zhì)泥沙含量遙感反演模型多是針對特定水域，基于單一傳感器遙感數(shù)據(jù)與實測數(shù)據(jù)構建模型，其中仍存在一些不足。

（1） 遙感傳感器接收到的水體光譜信號易受到大氣環(huán)境、流域綜合環(huán)境、水體深度等諸多因素的影響，存在一定的誤差。

（2） 由于遙感影像分辨率的限制，水體遙感影像特征不明顯，部分水域存在波譜混合的現(xiàn)象。

（3） 傳感器接收的信號主要來自表層水體，而水體斷面平均含沙量數(shù)據(jù)獲取難度較大，實測數(shù)據(jù)的代表性受到實際采樣條件的限制和采樣點至像元面的尺度效應影響。

目前國內(nèi)外Ⅱ類水體懸移質(zhì)泥沙含量遙感反演多是以?？?、河口、內(nèi)陸湖泊為研究對象，有關內(nèi)陸河流的研究較少，特別是山區(qū)河流這一方向目前還是空白。山區(qū)地質(zhì)條件復雜、河流水文特征多變、人力監(jiān)測困難，隨著遙感傳感器的發(fā)展，遙感影像分辨率不斷提高，為山區(qū)河流懸移質(zhì)泥沙含量的研究提供了新的思路。由于山區(qū)河流本身存在復雜性：① 山區(qū)多云影覆蓋、下墊面環(huán)境復雜，衛(wèi)星傳感器接收的水體光譜信息所受干擾較大，因而大氣校正對山區(qū)河流懸移質(zhì)泥沙遙感反演尤為重要;② 山區(qū)河流水深不定，水淺處水底反射較強;河流寬度不定，較窄處與河岸地物易形成混合像元;河流流速較快，湍急處產(chǎn)生水花影響水面反射;③ 山區(qū)河流中的泥沙粒徑大小的差異及其附著的污染物都會對遙感影像光譜信息產(chǎn)生影響;其懸移質(zhì)泥沙含量遙感反演研究難度較大。

參考文獻：

[1] 許大力， 李福金. 近海岸懸浮泥沙遙感反演模型的分析探討[J]. 測繪與空間地理信息， 2012， 35（3）： 65-68.

[2] 馬萬棟， 吳傳慶， 殷守敬，等. 基于實測光譜的煙臺四十里灣水體葉綠素a遙感反演[J]. 中國環(huán)境監(jiān)測， 2015， 31（4）： 135-140.

[3] 周起超， 張運林， 周永強，等. 撫仙湖秋、冬季光衰減特征及其與有色可溶性有機物的關系[J]. 湖泊科學， 2016， 28（6）： 1316-1327.

[4] 賀方舟， 朱勇輝， 郭小虎， 等. 水庫下游懸移質(zhì)泥沙沿程恢復研究進展[J]. 長江科學院院報， 2017， 34（12）： 1-6.

[5] 宋振杰， 吳曉， 邢國攀， 等. 2010年黃河調(diào)水調(diào)沙期間河口泥沙輸運過程的數(shù)值模擬[J]. 海洋湖沼通報， 2018（1）：9-14.

[6] 況潤元， 謝佳， 張萌， 等. 基于實測數(shù)據(jù)的鄱陽湖懸浮泥沙粒度遙感反演模式分析[J]. 長江科學院院報， 2017， 34（11）： 132-137.

[7] 王震， 喬璐璐， 王云飛. 東中國海表層懸浮體濃度衛(wèi)星遙感反演研究進展[J]. 沉積學報， 2016， 34（2）： 292-307.

[8] 欒虹. 基于landsat8珠江口懸浮泥沙及葉綠素a濃度遙感反演及時空變化[D].廣州：廣東海洋大學， 2016.

[9] B HOOKER S， 張鍔. 海洋水色成像：從CZCS至SeaWiFS[J]. 紅外， 1994（12）： 1-6.

[10] 何執(zhí)兼， 鄧孺孺. 應用水色衛(wèi)星對海水油及COD的遙感探測[J]. 中山大學學報（自然科學版）， 1999， 38（3）： 81-84.

[11] 潘德爐， 何賢強， 李淑菁， 等. 我國第一顆海洋衛(wèi)星HY-1A的應用潛力研究[J]. 海洋學報， 2004， 26（2）： 37-44.

[12] 李冠男， 王林， 王祥， 等. 靜止水色衛(wèi)星GOCI及其應用進展[J]. 海洋環(huán)境科學， 2014， 33（6）： 966-971.

[13] 畢愷藝， 牛錚， 黃妮， 等. 基于Sentinel-2A時序數(shù)據(jù)和面向?qū)ο鬀Q策樹方法的植被識別[J]. 地理與地理信息科學， 2017， 33（5）： 16-20.

[14] 熊金國， 王世新， 周藝. 不同指數(shù)模型提取ALOS AVNIR-2影像中水體的敏感性和精度分析[J]. 國土資源遙感， 2010， 22（4）： 46-50.

[15] Tripathy M， Raman M， Chauhan P. Estimation of photosynthetically available radiation （PAR） from OCEANSAT -I OCM using a simple atmospheric radiative transfer model[J]. Advances in Space Research， 2015， 56（7）： 1441-1452.

[16] Tassan S. An improved in-water algorithm for the determination of chlorophyll and suspended sediment concentration from Thematic Mapper data in coastal waters[J]. International Journal of Remote Sensing， 1993， 14（6）： 1221-1229.

[17] 陳濤， 牛瑞卿， 李平湘， 等. 基于人工神經(jīng)網(wǎng)絡的植被覆蓋遙感反演方法研究[J]. 遙感技術與應用， 2010， 25（1）： 24-30.

[18] 樊彥國， 李瑞華， 侯春玲， 等. 黃河三角洲近海水體含沙量遙感信息模型研究[J]. 海洋科學， 2009， 33（8）： 36-39.

[19] 孔金玲， 楊晶， 蒲永峰， 等. 曹妃甸近岸海域垂向懸沙含量遙感反演[J]. 地球信息科學學報， 2016， 18（10）： 1428-1434.

[20] 欒虹， 付東洋， 李明杰， 等. 基于Landsat 8珠江口懸浮泥沙四季遙感反演與分析[J]. 海洋環(huán)境科學， 2017， 36（6）： 892-897.

[21] 戴昌達， 姜小光， 唐伶俐. 遙感圖像應用處理與分析[M].北京：清華大學出版社， 2004.

[22] 馬榮華， 唐軍武， 段洪濤， 等. 湖泊水色遙感研究進展[J]. 湖泊科學，2009，21（2）：91-96.

[23] Moore G. Satellite remote sensing of water turbidity[J]. International Association of Scientific Hydrology Bulletin， 1980， 25（4）： 407-421.

[24] Hoogenboom H J， Dekker A G， Alathuis I A. Simultation of AVIRIS sensitivity for detecting chlorophyll over coastal and inland waters[J]. Remote Sensing of Environment， 1998， 65（3）： 333-340.

[25] Dekker A G， Vos R J， Peters S W M. Comparison of remote sensing data， model results and in situ data for total suspended matter （TSM） in the southern Frisian lakes[J]. Science of the Total Environment， 2001， 268（1）： 197-214.

[26] Gordon H R， Morel A Y. Remote Assessment of Ocean Color for Interpretation of Satellite Visible Imagery[J]. Physics of the Earth & Planetary Interiors， 1985， 37（4）： 292-297.

[27] 黎夏. 懸浮泥沙遙感定量的統(tǒng)一模式及其在珠江口中的應用[J]. 遙感學報， 1992（2）： 106-114

[28] Shen F， Verhoef W， Zhou Y， et al. Satellite estimates of wide-range suspended sediment concentrations in changjiang （Yangtze） Estuary using MERIS data[J]. Estuaries & Coasts， 2010， 33（6）： 1420-1429.

[29] 陳勇， 韓震， 楊麗君， 等. 長江口水體表層懸浮泥沙時空分布對環(huán)境演變的響應[J]. 海洋學報， 2012， 34（1）： 145-152

[30] 陳燕， 孔金玲， 孫曉明， 等. 基于半分析模型的渤海灣近岸海域懸浮泥沙濃度遙感反演[J]. 地理與地理信息科學， 2014， 30（3）： 33-36

[31] 任敬萍， 趙進平. 二類水體水色遙感的主要進展與發(fā)展前景[J]. 地球科學進展， 2002， 17（3）： 363-371.

[32] 廖迎娣， 張瑋. 運用SeaWiFS遙感數(shù)據(jù)探測中國東部沿海懸浮泥沙濃度的研究[J]. 水動力學研究與進展， 2005， 20（5）： 558-564.

[33] 林承達， 周斌， 馬琪， 等. 基于遙感反演長江中游地區(qū)懸浮泥沙研究[J]. 長江流域資源與環(huán)境， 2014， 23（8）： 1119-1124.

[34] 朱樊， 歐素英， 張鑠涵， 等. 基于MODIS影像的珠江口表層懸沙濃度反演及時空變化分析[J]. 泥沙研究， 2015 （2）： 67-73.

[35] 章敏超， 郭碧云. 基于GF-1號的舟山近岸懸浮泥沙濃度反演研究[J]. 海洋開發(fā)與管理， 2018， 35（1）： 126-131.

[36] 何報寅， 張文， 喬曉景， 等. 基于GRNN模型的懸浮物遙感反演研究：以長江城陵磯段為例[J]. 華中師范大學學報（自然科學版）， 2014， 48（5）： 737-742.

[37] Chen J， Quan W， Cui T， et al. Estimation of total suspended matter concentration from MODIS data using a neural network model in the China eastern coastal zone[J]. Estuarine Coastal & Shelf Science， 2015， 155： 104-113.

[38] 楊姝. 渤海灣近岸海域懸浮泥沙濃度遙感反演模型建立及適用性分析[D].西安：長安大學，2015.

[39] 李致博. 基于支持向量機的海洋懸浮物濃度遙感反演模型研究[D].北京：中國地質(zhì)大學（北京）， 2012.

[40] 何報寅， 張文， 喬曉景， 等. 基于FOA-SVM方法的長江中游懸浮物濃度遙感反演研究[J]. 長江流域資源與環(huán)境， 2015， 24（4）： 647-652.

（編輯：胡旭東）