陶 慜，段洪濤，齊 琳，張玉超，馬榮華

(1： 中國科學院南京地理與湖泊研究所湖泊與環(huán)境國家重點實驗室，南京 210008;2： 中國科學院大學，北京 100049)

一種基于MODIS影像可業(yè)務化運行的巢湖水體葉綠素a估算算法*

陶 慜1，2，段洪濤1，齊 琳1，2，張玉超1，馬榮華1

(1： 中國科學院南京地理與湖泊研究所湖泊與環(huán)境國家重點實驗室，南京 210008;2： 中國科學院大學，北京 100049)

現(xiàn)有水色衛(wèi)星主要是針對大洋清潔水體設計，內陸渾濁水體多數(shù)波段經常飽和；而發(fā)展可以業(yè)務化運行的內陸水體葉綠素a算法，為生產實踐服務，一直是水色遙感的重點和難點之一. 利用2013年巢湖星地同步數(shù)據(N=55)，通過經驗正交函數(shù)(empirical orthogonal function，EOF)分析方法，選用MODIS唯一不飽和的4個波段(469、555、645、859 nm)數(shù)據進行分解，然后回歸建模；并使用第三方獨立的巢湖實測數(shù)據(N=40)進行驗證(R2=0.63，URMSE=85.46%). 結果表明：該算法用于MODIS影像上，空間分布合理，季節(jié)差異明顯，且在高懸浮物水體、不同氣溶膠條件下均有很好的抗擾動性. 實踐證明EOF算法可以應用于業(yè)務化運行的內陸水體葉綠素a濃度估算，并對其他水色參數(shù)反演具有一定的借鑒意義.

業(yè)務化運行； 葉綠素a； MODIS； 經驗正交函數(shù)； 內陸水體； 巢湖

巢湖位于安徽省，是我國第5大淡水湖，是長江中下游重要的淡水資源和生態(tài)濕地[1]，在當?shù)厝嗣裆詈徒洕l(fā)展中發(fā)揮著重要的作用. 近年來，隨著巢湖流域經濟的快速發(fā)展，大量點源、面源污染物進入水體，巢湖水質污染嚴重；另外，巢湖閘、裕溪閘等的修建使巢湖逐漸成為半封閉水域[2]，水體自凈功能逐漸喪失，巢湖富營養(yǎng)化情況日益嚴峻. 為了保證巢湖水質安全和流域經濟可持續(xù)發(fā)展，亟需加強水質狀況的實時監(jiān)測. 衛(wèi)星遙感具有大范圍、周期性和快捷性等特點，已成為湖泊水質實時監(jiān)測的重要手段. 葉綠素a(Chl.a)是所有藻類的共同色素，是表征湖泊水質變化程度的重要指標. 因此，利用衛(wèi)星遙感定量估測Chl.a濃度，可以很好地評估湖泊水質，具有重要的科學價值和實際研究意義.

對于內陸水體Chl.a濃度的估算方法，以水體輻射傳輸理論和流體力學為基礎的生物光學模型[3]，可以很好地解釋水體中生物光學機理問題. 但由于內陸湖泊等Ⅱ類水體物質來源復雜，水體間光學特性差異較大，并且衛(wèi)星數(shù)據波段數(shù)量很有限，導致這種方法很難直接應用于衛(wèi)星上，因此無法實現(xiàn)業(yè)務化運行. 而針對Chl.a吸收或者反射峰，提取相關峰值信息的形狀指數(shù)模型(MPH、FLH算法)，已證實具有很大的潛力并且能夠很好地應用于衛(wèi)星上. 如Hu等基于SeaWiFS和MODIS三波段差值提出的OCI算法，改變NASA近40年來一直延續(xù)使用的算法(OC1-4)，2014年被NASA采用作為所有水色衛(wèi)星傳感器(MODIS、VIIRS、MERIS、SeaWiFS、CZCS、OCTS)的標準算法[4]. 但衛(wèi)星遙感數(shù)據中特征波段的缺失導致這類算法無法使用，這些算法的應用在很大程度上受限于大氣校正的效果. 除了以上的半經驗和半分析算法，近年來一些人工智能模型也應用到Chl.a濃度反演上，包括神經網絡模型[5]、支持向量機算法[6]、經驗正交函數(shù)(empirical orthogonal function，EOF)分解算法等，這類人工智能類算法只分析數(shù)值變化的特點，對波段并無特殊要求；并且基于實測光譜EOF分解的研究成果表明，該方法在反演沿海Chl.a濃度的應用效果良好[7].

目前常用于水色遙感的衛(wèi)星傳感器主要包括SeaWiFS、MERIS、MODIS等[8]. 考慮到巢湖等長江中下游湖泊多為淺水湖泊，平均水深只有2.69 m，由于受風浪等影響容易引起沉積物再懸浮，一天之內水質(特別是Chl.a濃度)變化較大，對于衛(wèi)星數(shù)據時相要求較高；而MODIS一天之內過境2次，數(shù)據獲取較為容易，便于業(yè)務化監(jiān)測湖泊水質，是在軌傳感器中相對理想的數(shù)據源[9]. 需要說明的是，MODIS Terra/Aqua傳感器海洋波段主要針對大洋清潔水體設計，比較敏感，在內陸渾濁水體中多數(shù)波段經常飽和[4]，大氣校正(主要是氣溶膠校正)困難，導致無法獲得足夠的波段及其遙感反射比數(shù)據. 事實上，目前還沒有完全適用于內陸渾濁水體的傳感器.

本文以巢湖為研究區(qū)，嘗試利用MODIS只經過瑞利校正的反射率數(shù)據(rayleigh corrected reflectance，Rrc)，不依賴于多數(shù)算法中常用的Chl.a特征峰波段，而是用純粹的EOF分解技術，揭示Rrc數(shù)據的變化模式，構建一種能夠業(yè)務化運行的巢湖水體Chl.a濃度反演算法. 由于瑞利校正后得到的巢湖地區(qū)Rrc波段較少，只有4個波段(469、555、645、859 nm)；因此，針對沒有去除氣溶膠影響的Rrc數(shù)據，利用對波段數(shù)量要求不高的EOF分解方法進行Chl.a濃度業(yè)務化反演，也許是目前比較有效的一種解決方法.

1 數(shù)據與方法

1.1 研究區(qū)概況

巢湖(31°25′28″～31°43′28″N， 117°16′54″～117°51′46″E)地處安徽省中部，位于長江流域下游，是我國五大淡水湖之一(圖1). 巢湖水域面積約769.55 km2，平均水深2.69 m，多年平均水位8.37 m，蓄水量20.7×108m3[1]. 受當?shù)亟洕焖侔l(fā)展的影響，巢湖水域富營養(yǎng)化問題嚴重，藍藻水華頻繁暴發(fā).

1.2 實測數(shù)據采集與處理

1.2.1 水樣采集 2013年5-10月期間，在巢湖分別進行5次野外實驗，具體日期和樣點分布如圖1所示. 每個樣點采集表層水樣用于化學分析，同時測量透明度和光譜，并利用GPS記錄采樣位置和采樣時間等輔助數(shù)據.

圖1 巢湖水體采樣點位置分布Fig.1 Spatial distribution of sampling sites in Lake Chaohu

1.2.2 水質參數(shù)分析 水體經1.2 μm的Whatman GF/F玻璃纖維膜過濾后避光保存，使用液氮反復凍融3次后，加入90%丙酮溶液避光提取12～15 h，離心后采用分光光度法測定Chl.a濃度[10]. 懸浮物采用稱重法測定. 用0.7 μm的Whatman GF/F濾膜過濾水樣后，烘箱105℃條件下烘4～6 h后稱重并減去膜重，得到總懸浮物(SPM)濃度[11-13].

1.3 MODIS 衛(wèi)星數(shù)據收集與處理

MODIS衛(wèi)星數(shù)據處理主要分為3步：① 從NASA網站上選取與實測葉綠素同步的0級數(shù)據，然后進行輻射定標得到L1B數(shù)據；② 利用SeaDAS軟件去除氣體吸收(臭氧吸收)和瑞利散射(分子效應)的影響，從而得到瑞利校正后的反射率數(shù)據；③ 根據實測采樣點的經緯度位置信息，提取實測采樣點對應的Rrc數(shù)據，每個Rrc數(shù)據都通過3×3窗口檢驗，以減少雜散光的影響并保證空間同質性[14].

由于巢湖水體較為渾濁，MODIS水色波段通常處于飽和狀態(tài)；469～2130 nm間的7個陸地波段，由于動態(tài)范圍較寬、敏感性低因此很少飽和[15]. 對前6個波段的Rrc數(shù)值進行盒圖分析(圖2)，可以看到第5波段(1240 nm)易受噪聲影響，離群值太大不能用于建模；第6波段(1640 nm)的Rrc值普遍偏小，基本接近0，對EOF分解結果意義不大. 因此，本文選取469、555、645和859 nm前4個波段用于EOF建模.

圖2 MODIS-Rrc 6個波段的盒圖分析Fig.2 Boxplot analysis of 6 bands using MODIS Rrc

4個波段的Rrc光譜如圖3a所示. 通過對光譜特征的分析發(fā)現(xiàn)，不同Chl.a濃度下Rrc光譜變化的特征很類似，但振幅完全不同. 值得注意的是，有2個實測點859 nm波段的Rrc反射率明顯高于其他點，且在645 nm波段出現(xiàn)吸收峰，這2個點位代表水華發(fā)生時Rrc光譜的變化情況，這樣的點位用于建?？梢蕴岣吣Ｐ偷倪m用性.

1.4 模型訓練點的篩選

部分訓練點由于受到影像質量和大氣條件的影響，光譜形狀異常，這些訓練點會影響模型的精度，因此需要對模型訓練點進行篩選. 通過把所有訓練點位，都標記在對應天數(shù)的RGB原圖上，刪除靠近影像邊緣，易受水陸混合效應影響的樣點；另外，根據當天的影像質量，需要刪除天氣、影像明顯損壞等有問題，以及光譜特征比較異常的樣點. 篩選后用于建模的樣點為55個，有效樣點水質參數(shù)的統(tǒng)計結果(表1)表明，用于建模的數(shù)據分布范圍很寬，Chl.a最小濃度為8.19 μg/L，最大濃度可以達到727.16 μg/L，SPM濃度的變化范圍也比較大，基于該數(shù)據集構建的模型適用性更廣.

表1 EOF建模的有效樣點的水質參數(shù)統(tǒng)計

*缺少7個5月SPM數(shù)據.

2 EOF算法構建、驗證與應用

2.1 EOF方法概述

EOF方法是一種數(shù)學統(tǒng)計方法，可用于分析變量的結構特征，這種數(shù)學分析的方法最初是引入氣象和氣候學的研究中，近年來，有關海岸帶水體反射率光譜與水體組分含量的研究中也逐漸采用該方法[16]. EOF的結果是對變量數(shù)據的所有變化模式進行分析之后，得出一組正交不相關的變量集. 第一模態(tài)代表最大部分的貢獻方差，后幾個模態(tài)逐漸減少，貢獻方差表征對變量變化模式的解釋程度，因此選擇前幾個模態(tài)，就可以在不損失變量信息的情況下進行重新歸類.

對Rrc數(shù)據進行EOF分析，即對Rrc數(shù)據進行重新歸類，對Chl.a總體變化貢獻顯著的波段數(shù)據進行重新組合. 另外，回歸分析的一個重要前提要求變量不能線性相關，而EOF分解的模態(tài)彼此正交不相關，便于進行Chl.a反演的回歸建模.

2.2 基于EOF分解方法模型構建

2.2.1 光譜歸一化預處理 對Rrc數(shù)據進行EOF分析表明，第一模態(tài)含有89.52%的貢獻方差(圖3c)，除第一波段外，它的形狀與Rrc平均形狀類似，這表明它所描述的是光譜振幅的變化. 對Rrc進行歸一化之后(公式(1))得到NRrc(normalized reflectance raleigh corrected，NRrc)光譜[17]，歸一化過程大大減弱不同濃度的光譜分散程度，光譜變化的模式更容易被識別(圖3b). 累積方差結果(圖3c和3d)表明，歸一化對各模態(tài)累積方差的改變并不大，歸一化后前3個模態(tài)累計貢獻方差達100%，而歸一化前前3個模態(tài)累計貢獻方差只有99.47%.

(1)

光譜歸一化并不影響對光譜變量的解釋程度，然而歸一化后各個模態(tài)的形態(tài)卻發(fā)生重大變化. 歸一化后第一模態(tài)的變化形態(tài)與歸一化前第二模態(tài)的變化形態(tài)類似，但貢獻方差(圖3d)的比例更大(58.24%)，歸一化前(圖3c)第二模態(tài)的貢獻方差只有7.03%，這種變化表明對Rrc數(shù)據進行歸一化處理非常關鍵，它更加真實地捕捉光譜形狀的變化模式，從而可以更精確地研究光譜變化所驅動的Chl.a濃度變化.

圖3 建模數(shù)據點：Rrc光譜特征(a)和NRrc光譜特征(b)； Rrc(c)和NRrc(d) EOF分解后的模態(tài)特征Fig.3 MODIS Rrc (a) and NRrc (b) spectra(469， 555， 645 and 859 nm) corresponding to the 55 in situ measurements； Loadings， variance explained represented for modes 1-4 of EOF analysis of Rrc (c) and NRrc (d)

圖4 不同Chl.a濃度下的NRrc(a)和EOF分解得分值(b)Fig.4 NRrc spectra (a) and scores after EOF analysis (b) under different Chl.a concentrations

2.2.2 EOF建模理論基礎 對光譜預處理后，利用EOF分解NRrc數(shù)據計算出每個模態(tài)的得分值，不同Chl.a濃度下的得分值呈現(xiàn)一定的特征. 將Chl.a濃度分為4個梯度——高濃度：大于100 μg/L；中濃度：50 ～100 μg/L；正常：20～50 μg/L；低濃度：小于20 μg/L，對NRrc光譜分別進行渲染，顯然不同Chl.a濃度下的NRrc是雜亂無序的(圖4a)，歸一化過程并沒有把不同Chl.a濃度區(qū)分出來. 若以4個模態(tài)為橫坐標，以每個模態(tài)的得分值為縱坐標按不同梯度Chl.a濃度進行渲染，結果表明經過EOF分解后，各波段重新線性組合的結果使得不同Chl.a濃度條件下的得分譜具有一定特征(圖4b)，即EOF分解提取出了波段貢獻的數(shù)值特征. 正是因為存在這樣的特征，才能以每個模態(tài)的得分值為因變量作Chl.a濃度的回歸分析，這是進行EOF回歸建模的基礎.

2.2.3 模型構建過程 模型構建可以簡單分為3個過程，具體如下：

1) 對Rrc數(shù)據進行歸一化，得到NRrc數(shù)據. 對歸一化光譜利用MATLABTM的princomp函數(shù)進行EOF分解. EOF分解的輸出包括EOF每個模態(tài)的得分向量，每個得分向量都是原4個波段的線性組合，即波段的重新歸類. 除此之外，還包括每個波段的載荷值，即原波段進行線性組合的系數(shù)，還有每個模態(tài)的貢獻方差，用于說明描述原波段變化模態(tài)的解釋程度.

圖5 EOF建模的模型誤差(a)；獨立數(shù)據集的EOF模型驗證結果(b)Fig.5 Relationships between in situ measured Chl.a concentrations and estimated Chl.a concentrations from MODIS(a)； Validation using independent field measurements from the 6 fixed stations (b)

2) 對訓練點位進行篩選，確定訓練點位集，并根據所得到的EOF各個模態(tài)的得分值與實測Chl.a濃度作多元逐步回歸分析. 使用MATLABTM的regress函數(shù)，以每個點位4個模態(tài)的得分值T1、T2、T3、T4為自變量，對應實測Chl.a濃度為因變量，可以得到回歸系數(shù)(β0～β4)：

β0+β1T1+β2T2+β3T3+β4T4=實測Chl.a

(2)

3) 將EOF算法應用于MODIS影像上，對Rrc影像上所有有效像素進行歸一化處理，經EOF分解得到每個像元的EOF得分.β0～β4是構建模型時訓練點位的回歸系數(shù)，T1～T4是影像上每個像素的EOF得分. 因此，反演所得到的Chl.a濃度為：

反演Chl.a=β0+β1T1+β2T2+β3T3+β4T4

(3)

基于55個訓練點位模擬出來的算法結果如圖5a所示，表明EOF模擬Chl.a濃度和實測Chl.a濃度之間具有顯著相關關系(R2=0.94)，無偏差RMSE(URMSE)[18]為65.27%. 實測Chl.a濃度20 μg/L以下的點位相較于其他濃度下的點位回歸情況，分散度會更高一些. 鑒于EOF模型只使用MODIS的4個非特征峰波段的前提下，該算法的性能是可以接受的.

2.3 模型驗證與精度評價

利用第三方提供的5個采樣點8次野外巡測(即2012年3、5、10、12月和2013年4、5、10、11月8次野外調查)獨立Chl.a濃度數(shù)據集(N=40)進行算法驗證. 驗證數(shù)據覆蓋湖區(qū)的不同位置，并且在沒有參與構建模型的3、4、11月均有數(shù)據，這樣的數(shù)據集更有利于檢驗算法的應用效果. 驗證結果(圖5b)表明，數(shù)據的相關性較好(R2= 0.63)，誤差范圍也可以接受(URMSE=85.46%)；在1∶1回歸線附近分散程度略高的驗證點，可能是由于野外采集及室內提取Chl.a濃度過程中存在一定偏差，同時尺度效應所帶來的單點誤差，都會對驗證結果帶來一定的影響.

2.4 巢湖Chl.a濃度時空變化

野外實測的Chl.a濃度受到時間和空間的限制，因此，驗證結果可能無法完全檢驗算法的性能. 為了進一步驗證EOF方法反演Chl.a濃度性能，也是為了檢驗模型業(yè)務化運行的能力，將該算法用于MODIS衛(wèi)星影像上來檢查空間分布和季節(jié)差異是否合理.

本文獲取了2013年130景的MODIS影像，通過EOF方法進行批量反演，對得到的MODIS Chl.a濃度分布圖進行逐一檢查，對照真彩色RGB，以確定相同位置Chl.a濃度的空間格局是否一致，并分析Chl.a濃度空間分布特征的季節(jié)平均變化趨勢(圖6b～e).Chl.a濃度較高的地區(qū)主要位于巢湖西半湖地區(qū)，東半湖的濃度略小一些(圖6a)，這與夏季平均Chl.a濃度(圖6c)的變化規(guī)律一致，而RGB圖像上中部地區(qū)出現(xiàn)小片區(qū)域的藻華，在反演的結果圖上也展現(xiàn)出，這個現(xiàn)象也進一步證明該算法是合理可信的.

圖6 EOF算法應用于巢湖影像結果(a)；2013年巢湖Chl.a濃度季節(jié)分布(b～e)Fig.6 The EOF algorithm applied to MODIS images (a) and the seasonal mean Chl.a distribution in 2013 (b-e)

3 討論

3.1 訓練點位選擇

EOF屬于統(tǒng)計學方法，它要求抽樣必須代表總體才有效，因此訓練數(shù)據集必須反映總體的特征. 本文使用的光譜數(shù)據集是人為抽樣的，影響到參數(shù)估計、無法代表總體參數(shù)的點位不能參與參數(shù)估計. 如果更改數(shù)據集，回歸系數(shù)將產生很大的變化，本文的模擬結果也證實了這一結論：從原始數(shù)據集隨機抽取N個數(shù)據(17

表2 更換數(shù)據集系數(shù)的統(tǒng)計結果*

*系統(tǒng)默認小于0.001時記為0.

光譜形狀異常的離群值固然會影響到EOF得分的提取，但是還有一些光譜形狀異常的點位并非離群值，它們處于EOF得分的聚集區(qū)，但是回歸之后的結果與實測值的差值較大，因此影響回歸方程的建立. 對于這樣的點位，僅依靠前2個EOF得分的形狀無法進行剔除，因此對點位進行標注的步驟非常有必要，這樣方便找到異常目標點位進行刪除. 由于4個變量的EOF屬于高維空間分解，所以無法直觀展示異常光譜點位對EOF分解的影響. 根據前3個模態(tài)的累計貢獻方差圖(圖7a)，前2個模態(tài)的EOF累計貢獻方差達到85%，可以基本保證波段信息沒有損失，因此選擇前兩個主成分得分，二維散點圖方便說明問題. 將異常光譜(圖7b)的異常點位進行刪除，所有點位的得分值均發(fā)生重大變化，這樣的離群點位不能參與參數(shù)回歸，因此，這類異常光譜通常需要刪除.

圖7 EOF各模態(tài)累計貢獻方差(a)和不同光譜下的EOF形狀(b)Fig.7 Variance explained for modes 1-4 of EOF analysis (a) and EOF shape of different spectral(b)

3.2 訓練點位閾值的確定

在不斷篩選點位的過程中，面臨著使用EOF方法時訓練樣本的數(shù)目多少才會合適的問題. 因此本文使用統(tǒng)計學中的刀切法(Jackknife)對訓練集進行重采樣來確定樣本數(shù)目的閾值. 刀切法是再抽樣的一種統(tǒng)計方法[19]，每次從訓練集中刪除一些樣本，剩余的樣本成為刀切集，由一系列這樣的刀切集計算統(tǒng)計量的估計值. 刀切法要求樣本集需要事先給定，恰好符合我們的訓練點位集已經確定的情況. 對訓練集的所有55個點位進行EOF得分值的計算，隨機抽取N個點的得分值作為刀切集，與對應的實測Chl.a濃度進行多元逐步回歸分析，得到的回歸系數(shù)用于擬合余下(55-N)個點位的得分值，與實測Chl.a濃度進行驗證，并計算驗證結果的R2以及RMSE. 選取點位的過程重復1000次用于減小隨機誤差，并提高運算效率.

結果表明不同訓練點的個數(shù)條件下，RMSE(圖8a)存在一個急劇下降的過程，7個訓練點RMSE=0.32到17個訓練點條件下RMSE=0.29，RMSE迅速減小. 多于17個訓練點時RMSE的降低率明顯變緩. 同樣，R2(圖8b)也呈現(xiàn)同樣的規(guī)律，從7個訓練點R2=0.70，到17個訓練點條件下R2=0.80. 而當訓練點大于17時，R2增加的速率大幅下降. 雖然之后隨著訓練點數(shù)量的增加，R2仍然呈現(xiàn)上升趨勢，但上升的幅度很小，從17個訓練點條件下R2=0.80，到37個訓練點下R2=0.84. 這個結果證明多于17個樣本點對EOF反演Chl.a濃度的模型性能只有很小的改進，這也提供了用于構建EOF模型樣本數(shù)目的最低閾值，對再使用此類算法進行參數(shù)反演具有一定的借鑒意義.

圖8 不同訓練點條件下的RMSE(a)和R2(b)Fig.8 Number of training points versus Chl.a jackknife RMSE(a)and training points versus jackknife R2(b)

3.3 高懸浮物水體EOF適用性

2013年3月15日的影像顯示水體整體呈現(xiàn)白色，水體懸浮物含量較高(圖9a)；而通過EOF方法估算的Chl.a濃度(圖9b)并沒有受到懸浮物的顯著影響，整體呈現(xiàn)出較為合理的空間分布；特別是巢湖中部和南部，Chl.a濃度整體偏低(<30 μg/L)，與巢湖春季(圖6b)特征符合，而此處圖像顯示尤為渾濁，證實EOF方法對于高懸浮物水體具有較好效果.

3.4 云、大氣的影響對算法應用的影像

EOF算法只使用經過瑞利校正的MODIS數(shù)據，避免大氣校正帶來的誤差，因此它對不同條件下的氣溶膠濃度均表現(xiàn)出良好的應用效果. 圖10展示算法在不同的氣溶膠條件下的性能，根據真彩色RGB圖像的直觀顯示，2幅影像的氣溶膠條件不同，b圖的氣溶膠濃度顯然要高于a圖的情況[20]. 而EOF反演的結果表明，這2幅連續(xù)2天的影像在Chl.a的空間格局和濃度上大體趨于一致，并沒有因為氣溶膠厚度的增大帶來空間的異常，因此也說明EOF算法對不同的氣溶膠條件具有很好的抗擾動能力.

對于有云條件下的影像，如果不做掩膜將云覆蓋的部分進行去除，對整幅Rrc影像進行EOF分解后，會導致無云部分的得分值偏高，隨之估算得到的Chl.a濃度也會普遍偏高或者局部出現(xiàn)異常. 因此，需要根據RGB圖像先勾出云層的掩膜，再進行Chl.a濃度估算.

4 結論

EOF分解很好地揭示了Rrc光譜的變化模式，從而與Chl.a濃度的變化進行回歸分析，結果表明，該模型可以利用很少的波段(4個)有效估算巢湖水體Chl.a濃度，空間分布合理，季節(jié)差異明顯，符合巢湖實際情況. 該方法在高懸浮物水體、不同氣溶膠條件下都具有很好的表現(xiàn)，適用性較強. 另外，EOF算法比較容易操作，運行的時間效率較高，通常一景影像在普通電腦上運行1.8478 s內就可完成，滿足業(yè)務化運行的需求. 反演結果精確、應用性能穩(wěn)定，因此，該方法可以用于巢湖水體Chl.a濃度的業(yè)務化監(jiān)測.

圖9 高懸浮物水體EOF算法應用情況Fig.9 Performance of the Chl.a retrieval algorithm under high suspended solids

圖10 不同氣溶膠厚度條件下(a、b)EOF算法應用情況Fig.10 Performance of the Chl.a retrieval algorithm under different aerosol conditions

需要注意的是，隨著更多高性能水色衛(wèi)星的發(fā)射，特別是我國高分系列衛(wèi)星的快速發(fā)展，相信有更多更好的衛(wèi)星數(shù)據可以選擇，EOF方法將有更多的波段可以使用，水色參數(shù)反演的精度將進一步提高，具有更廣闊的應用潛力.

致謝：感謝中國科學院南京地理與湖泊研究所“湖泊-流域科學數(shù)據共享平臺”提供數(shù)據．

[1] 王蘇民， 竇鴻身. 中國湖泊志. 北京：科學出版社， 1998：230.

[2] 臧小平， 吳國平， 涂 敏. 長江流域湖泊水庫水華防治對策. 人民長江， 2009， (9)： 5-8.

[3] Hu W， J?rgensen SE， Zhang F. A vertical-compressed three-dimensional ecological model in Lake Taihu， China.EcologicalModelling， 2006，190(3/4)：367-398.

[4] Hu C， Lee Z， Franz B.Chlorophyll a algorithms for oligotrophic oceans： A novel approach based on three-band reflectance difference.JournalofGeophysicalResearch， 2012，117(C1). DOI 10.1029/2011 JC 007395.

[5] Schiller H， Doerffer R. Neural network for emulation of an inverse model operational derivation of Case Ⅱ water properties from MERIS data.InternationalJournalofRemoteSensing， 1999，20(9)： 1735-1746.

[6] 劉朝相， 宮兆寧， 趙文吉. 基于SVM模型的媯水河Chl.a濃度的遙感反演. 遙感技術與應用， 2014，29(3)： 419-427.

[7] Craig SE， Jones CT， Li WKWetal. Deriving optical metrics of coastal phytoplankton biomass from ocean colour.RemoteSensingofEnvironment， 2012， 119：72-83.

[8] 姜廣甲， 周 琳， 馬榮華等. 渾濁Ⅱ類水體Chl.a濃度遙感反演(Ⅱ)： MERIS遙感數(shù)據的應用. 紅外與毫米波學報， 2013， 32(4)： 372-378.

[9] 馬榮華， 孔維娟， 段洪濤等. 基于MODIS影像估測太湖藍藻暴發(fā)期藻藍素含量. 中國環(huán)境科學， 2009，29(3)： 254-260.

[10] Ma R， Tang J， Dai J.Bio-optical model with optimal parameter suitable for Taihu Lake in water colour remote sensing.InternationalJournalofRemoteSensing， 2006， 27(19)：4305-4328.

[11] Cleveland JS， Weidemann AD. Quantifying absorption by aquatic particles： A multiply scattering correction for glass-fiber filters.LimnologyandOceanography， 1993， 38(6)：1321-1327.

[12] Duan H， Ma R， Hu C. Evaluation of remote sensing algorithms for cyanobacterial pigment retrievals during spring bloom formation in several lakes of East China.RemoteSensingofEnvironment， 2012，126：126-135.

[13] Duan H， Feng L， Ma Retal. Variability of particulate organic carbon in inland waters observed from MODIS Aqua imagery.EnvironmentalResearchLetters， 2014，9(8)：084011.

[14] Le C， Hu C， English Detal. Climate-driven chlorophyll-a changes in a turbid estuary： Observations from satellites and implications for management.RemoteSensingofEnvironment， 2013，130：11-24.

[15] Hu C， Chen Z， Clayton TDetal. Assessment of estuarine water-quality indicators using MODIS medium-resolution bands： Initial results from Tampa Bay， FL.RemoteSensingofEnvironment， 2004，93(3)：423-441.

[16] Mueller JL. Ocean color spectra measured off the Oregon coast： characteristic vectors.AppliedOptics， 1976，15(2)： 394-402.

[17] Barnes BB， Hu C， Cannizzaro JPetal. Estimation of diffuse attenuation of ultraviolet light in optically shallow Florida Keys waters from MODIS measurements.RemoteSensingofEnvironment， 2014， 140：519-532.

[18] Hooker SB， Lazin G， Zibordi Getal. An evaluation of above-and in-water methods for determining water-leaving radiances.JournalofAtmosphericandOceanicTechnology， 2002，19(4)： 486-515.

[19] 李寶慧. 淺談復雜樣本方差估計的一種方法——刀切法. 統(tǒng)計教育， 1998， (5)：24.

[20] Qi L， Hu C， Duan Hetal. A novel MERIS algorithm to derive cyanobacterial phycocyanin pigment concentrations in a eutrophic lake： Theoretical basis and practical considerations.RemoteSensingofEnvironment， 2014， 154： 298-317.

An operational algorithm to estimate chlorophyll-a concentrations in Lake Chaohu from MODIS imagery

TAO Min1，2， DUAN Hongtao1， QI Lin1，2， ZHANG Yuchao1& MA Ronghua1

(1：StateKeyLaboratoryofLakeScienceandEnvironment，NanjingInstituteofGeographyandLimnology，ChineseAcademyofSciences，Nanjing210008，P.R.China2：UniversityofChineseAcademyofSciences，Beijing100049，P.R.China)

Ocean color satellite is mainly designed for oceanic waters， but most of their bands are easily saturated in highly turbid waters. It’s a great challenge to monitor water quality using satellites， because there are no operational algorithm to estimate chlorophyll-a concentration (Chl.a) in inland waters. In this paper， a novel approach based on the Empirical Orthogonal Function (EOF) analysis was developed using the spectral variance from the Rayleigh-corrected reflectance data (Rrc) at 469， 555， 645 and 859 nm， and Chl.a was estimated by considering the regression relationships between the spectral variance and 55 concurrent field measurements. The validation was then performed using independent data (N=40) from other laboratory， withR2=0.63，URMSE=85.46%. Application of the algorithm to MODIS images showed that spatial distribution patterns and seasonal changes are reasonable. Besides， this algorithm is immune to perturbations from thick aerosols and different sediments. Hence， we suggest that EOF algorithm could be applied to estimate Chl.a concentrations in inland waters.

Operational algorithm； chlorophyll-a； MODIS； empirical orthogonal function； inland water； Lake Chaohu

J.LakeSci.(湖泊科學)， 2015， 27(6)： 1140-1150

DOI 10.18307/2015.0620

?2015 byJournalofLakeSciences

*國家高技術研究發(fā)展計劃”863”項目(2014AA06A509)和國家自然科學基金重點項目(41431176)聯(lián)合資助.

2014-11-10收稿；2015-04-10收修改稿.

陶慜(1991～)，女，碩士研究生，E-mail：tmalbee@126.com.

**通信作者；E-mail：htduan@niglas.ac.cn.