李云梅，趙煥，畢順，呂恒

1.南京師范大學(xué) 地理科學(xué)學(xué)院,南京210023;

2.生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心,北京100094

1 引 言

水環(huán)境遙感利用遙感傳感器采集水體反射光譜數(shù)據(jù)，進(jìn)而構(gòu)建水環(huán)境參數(shù)遙感反演模型，定量提取葉綠素濃度、懸浮物濃度、透明度、水華等信息（Shi等，2015；Zeng等，2020；Lei等，2020；Mu 等，2019）。太陽(yáng)入射輻射經(jīng)氣—水界面，一部分被反射，另一部分則進(jìn)入水體，這部分入射輻射在水體內(nèi)與水體組分的粒子發(fā)生碰撞，部分被粒子吸收，部分可能到達(dá)水體底部再經(jīng)水體底部介質(zhì)反射或吸收，部分經(jīng)粒子單次或多次散射再逸出水面，形成水體反射光譜信息并被遙感傳感器探測(cè)和接收（Mobley 和Sundman，2003）。太陽(yáng)輻射在水體中的吸收、散射、衰減，主要受水體組分如純水、浮游植物（葉綠素為主要色素成分）、懸浮顆粒、有色可溶性有機(jī)物的影響，因此，葉綠素、懸浮物、有色可溶性有機(jī)物也被稱為水體光學(xué)活性物質(zhì)。內(nèi)陸及近岸水體由于其成因、構(gòu)造、陸域環(huán)境等差異，導(dǎo)致水體中光學(xué)活性物質(zhì)組成及濃度具有很強(qiáng)的時(shí)空分異性，使得區(qū)域水體之間和水體內(nèi)部的光學(xué)特性都存在較大差異（Sun 等，2012；Shi 等，2013）。如圖1 所示為中國(guó)6 個(gè)典型水體的水面遙感反射率Rrs（Remote sensing reflectance）光譜曲線，雖然不同水體普遍具有反射率低，并且從紅光到近紅外波段反射率逐漸降低并接近于零的特點(diǎn)，但是，水體組分的不同使得這些水體反射率在波形特征上存在顯著的差異，如太湖、巢湖等富營(yíng)養(yǎng)化水體，反射光譜曲線波峰、波谷變化顯著，存在兩個(gè)明顯的反射峰，第一個(gè)反射峰位于550—580 nm 范圍內(nèi)，該反射峰是由于葉綠素a和胡蘿卜素的弱吸收以及細(xì)胞的散射作用形成，第二個(gè)反射峰位于700 nm附近，由葉綠素a的熒光作用以及水體組分的吸收散射作用共同導(dǎo)致，在675 nm 附近存在著一個(gè)由于葉綠素a 吸收作用所導(dǎo)致的吸收谷（劉忠華等，2011；黃昌春等，2011）；相對(duì)清潔的千島湖、青海湖等水體，其整體反射率最低，700 nm 附近的反射峰不明顯，在560 nm 附近達(dá)到反射峰后，反射率迅速降低并逐漸接近于0；洞庭湖、三峽庫(kù)區(qū)等懸浮泥沙含量較高的水體，遙感反射率相對(duì)較高，而且在560—700 nm 波形平緩，峰谷變化不明顯（徐祎凡等，2011；Zheng 等，2016）。水體遙感反射率的這些差異，主要由于水體光學(xué)特征的主導(dǎo)水體組分不同而導(dǎo)致，同時(shí)，遙感反射率與水環(huán)境參數(shù)之間的相關(guān)關(guān)系也同步發(fā)生了變化，這也是水環(huán)境參數(shù)遙感反演模型往往具有區(qū)域性特征，某時(shí)某地建立的模型難以推廣到其他區(qū)域和時(shí)相的主要原因（樂(lè)成峰等，2007）。

圖1 不同水體遙感反射率Fig.1 Remote sensing reflectance of different water bodies

一般而言，缺少懸浮物或可溶性物質(zhì)的水體往往呈現(xiàn)深藍(lán)色或綠色（如遠(yuǎn)洋水體）；含高濃度懸浮物質(zhì)的水體在整個(gè)可見(jiàn)光—近紅外波段呈現(xiàn)較高的反射率；含高濃度可溶性有機(jī)物質(zhì)的水體呈現(xiàn)深色；含有大量浮游植物的水體往往表現(xiàn)為綠色。相比于大洋水體，內(nèi)陸及近岸水體的物質(zhì)來(lái)源豐富、組成復(fù)雜，水面遙感反射率受多種水體組分共同影響，與水環(huán)境參數(shù)的映射關(guān)系更加復(fù)雜，并且受到水域形態(tài)、地形、區(qū)位、環(huán)境等因素的影響，使得水環(huán)境參數(shù)遙感反演模型具有較強(qiáng)的區(qū)域特征，嚴(yán)重地阻礙了模型的推廣應(yīng)用。根據(jù)水體的光學(xué)特征建立水體光學(xué)分類方法，進(jìn)而針對(duì)不同水體光學(xué)類型分別構(gòu)建水環(huán)境參數(shù)反演模型，不但能夠提高同類型水體模型反演精度，而且便于在相似水體推廣應(yīng)用，是解決內(nèi)陸及近岸水體環(huán)境時(shí)空差異顯著、模型普適性不高的一種有效途徑。

2 水體光學(xué)分類方法

水體光學(xué)分類可追溯到1951年，Jerlov 和Koczy（1951）收集了全球大量航次的觀測(cè)數(shù)據(jù)，發(fā)現(xiàn)不同海區(qū)水體的光學(xué)指標(biāo)（主要指漫衰減系數(shù)）存在較大的不同，這主要與各水體中懸浮物質(zhì)和有色可溶性有機(jī)物CDOM（Colored Dissolved Organic Matter）的空間差異有關(guān)。這一發(fā)現(xiàn)表明基于光學(xué)的水體區(qū)分能直接體現(xiàn)水體質(zhì)量的差異，以此為依據(jù)，Jerlov 等將全球水體分為8 類，包括大洋3 類和近岸5 類。隨后，Morel 和Prieur（1977）又將大洋水體劃分為一類（Case I）和二類（Case II）水體。Case I 水體定義為：水體的吸收和散射特性主要由浮游植物及其降解產(chǎn)物（無(wú)機(jī)懸浮物質(zhì)和CDOM）決定。與之相對(duì)的，Case II水體則是光學(xué)特性主要受無(wú)機(jī)懸浮物質(zhì)與CDOM的影響且不與浮游植物濃度協(xié)變的水體。盡管Case I和Case II 水體光學(xué)分類的概念最初是針對(duì)大洋水體提出的，由于內(nèi)陸及近岸水體的光學(xué)特征通常由多種水體光學(xué)物質(zhì)決定，因此，內(nèi)陸及近岸水體常常被歸類為二類水體。相比于一類水體，二類水體的光學(xué)特性和影響因素要復(fù)雜得多。二類水體中，水體光譜的主要影響因素包括浮游植物、懸浮物質(zhì)和CDOM，由于這3 種參數(shù)以及水體底部的反射彼此獨(dú)立變化同時(shí)又相互影響，導(dǎo)致二類水體的組分與區(qū)域環(huán)境、季節(jié)氣候等都有直接的關(guān)系，呈現(xiàn)出多樣化的光學(xué)特征（Mobley 等，2004）。根據(jù)研究目標(biāo)的不同，內(nèi)陸及近岸水體被劃分出多種光學(xué)類型（Spyrakos 等，2018；Li 等，2012）。一般而言，內(nèi)陸及近岸水體光學(xué)分類方法主要包括以下3 類（表1）：基于固有光學(xué)特征的光學(xué)分類、基于遙感反射率波形特征的光學(xué)分類、以參數(shù)反演為目標(biāo)的光學(xué)分類。

表1 水體光學(xué)分類方法匯總表Table 1 Methodological summary of water optical classification

2.1 基于固有光學(xué)特征的光學(xué)分類

水體的固有光學(xué)特性包括浮游植物、非色素顆粒物、CDOM、純水等水體組分的吸收、散射系數(shù)、水體衰減系數(shù)等，水體固有光學(xué)特性只與水體成分有關(guān)，不隨光照條件而變化，是連接水色參數(shù)和水體遙感反射率的中間環(huán)節(jié)，水體光學(xué)組分及其濃度變化，導(dǎo)致輻射傳輸過(guò)程中的衰減和后向散射變化，并最終影響水面遙感反射率（李云梅 等，2006；Zhang 等，2007；陸超平 等，2012）。水體固有光學(xué)特征參數(shù)是與水環(huán)境參數(shù)聯(lián)系最為緊密的一類光學(xué)變量，因此，許多研究以此為依據(jù)進(jìn)行水體光學(xué)屬性分類。Prieur 和Sathyendranath（1981）基于浮游植物、非色素顆粒物和黃色物質(zhì)在特定波段對(duì)總吸收量的貢獻(xiàn)，將水體劃分為Case I 和Case II 類型。Le 等（2009）基于歸一化的浮游植物單位吸收系數(shù)a*ph（λ），歸類了4種類型的吸收光譜，研究表明a*ph（λ）主要由藻類附著色素和包裹效應(yīng)決定，此外，太湖水體a*ph（440）/a*ph（675）變化較大，說(shuō)明色素與葉綠素a 濃度的變化范圍較大。姜廣甲等（2016）根據(jù)IOCCG規(guī)則，以非色素顆粒物吸收系數(shù)（ad（λ））、色素顆粒物吸收系數(shù)（aph（λ））、CDOM 吸收系數(shù)（ag（λ））為指標(biāo)對(duì)珠江口海域水體進(jìn)行分類，結(jié)果表明，珠江口海域水體光學(xué)主導(dǎo)因子時(shí)空差異顯著。整體上，ag、ad共同主導(dǎo)類型控制了珠江口海域水體的光學(xué)特性，陸源物質(zhì)（腐殖質(zhì)和懸浮泥沙）對(duì)其貢獻(xiàn)較大。其次是ag主導(dǎo)類型，珠江口中部至西南部海域ag類型占主導(dǎo)地位，特別是降雨量較大的夏季，地表徑流攜帶大量腐殖質(zhì)進(jìn)入河口海域，在水動(dòng)力條件下由中部向西南部海域擴(kuò)散，形成了“半月灣”的形狀。ad類型主要在珠江口海域東南部占優(yōu)勢(shì)，可能是受潮流的影響，將河口內(nèi)的懸浮泥沙搬運(yùn)至東南部海域而導(dǎo)致。孫德勇等（2007）比較前人的研究成果發(fā)現(xiàn)，太湖水體的后向散射率變化范圍較大，說(shuō)明影響各樣點(diǎn)水體光學(xué)特性的顆粒物主導(dǎo)因子復(fù)雜多變，以顆粒物折射系數(shù)np為指標(biāo)，可將水中顆粒物主導(dǎo)因子分為3 種類型：（1）浮游植物主導(dǎo)（np＜1.09）；（2）無(wú)機(jī)顆粒物主導(dǎo)（np＞1.15）；（3）兩者共同主導(dǎo)（1.09＜np＜1.15）。在2006年秋季的觀測(cè)結(jié)果中，64%的站點(diǎn)水中顆粒物由浮游植物和無(wú)機(jī)顆粒物共同主導(dǎo)，共同影響水體光學(xué)特性，25%的站點(diǎn)由浮游植物主導(dǎo)，11%的站點(diǎn)由無(wú)機(jī)顆粒物主導(dǎo)（孫德勇等，2007）。基于水體固有光學(xué)特征的分類，雖然能夠直觀地表征水體光學(xué)屬性—水環(huán)境參數(shù)的關(guān)聯(lián)關(guān)系，但是，由遙感傳感器觀測(cè)到的表觀光學(xué)參數(shù)，推算到固有光學(xué)特征參數(shù)，其中涉及一系列復(fù)雜的光學(xué)過(guò)程，計(jì)算過(guò)程容易造成誤差累積，限制了該類分類方法在水環(huán)境參數(shù)遙感反演中的應(yīng)用。

2.2 基于遙感反射率波形特征的光學(xué)分類

圖1 呈現(xiàn)出不同水體遙感反射率絕對(duì)值大小、光譜曲線的峰谷高度和深度差異特征，這些特征蘊(yùn)含了水環(huán)境參數(shù)組分及濃度信息，因此，許多研究基于遙感反射率曲線特征，建立水體光學(xué)分類方法，進(jìn)而構(gòu)建水環(huán)境參數(shù)反演模型。其中一類方法通過(guò)對(duì)光譜曲線特征的相對(duì)比較進(jìn)行分類，如Li等（2012）針對(duì)MERIS的波段設(shè)置，利用5—9 波段（555—713.75 nm）的遙感反射率的相對(duì)大小對(duì)比，建立了水體類型的分類方法將太湖水體分為Type A、Type B、Type C、Type D等類型（圖2），其中，A 類水體在近紅外波段具有較高的反射率，由于含有浮游藻類和水生植物，所以其光譜具有綠色植被信息；B 類水體從波段5—波段9 具有較平緩的曲線。這類水體較其他類型的水體具有較高的懸浮物濃度和較低的葉綠素a 濃度；C 類水體在波段5 和波段9 具有兩個(gè)光譜峰值，波段5（555—565 nm）處的峰值是由于低的葉綠素吸收率所造成，而波段9（703.75—713.75 nm）處的峰值則是由于低的葉綠素a吸收率和高的水體吸收率以及藻類散射綜合作用的結(jié)果（Gitelson，1992；Candiani等，2007）；D 類水體從波段5—波段9 逐漸下降，沒(méi)有明顯的反射峰值。

圖2 基于MERIS波段設(shè)置的太湖水體光學(xué)類型Fig.2 Optical types of Taihu Lake based on MERIS bands

在水體光學(xué)分類中，聚類分析的方法也被大量應(yīng)用。水體光學(xué)聚類的過(guò)程是將光譜數(shù)據(jù)劃分成群組（簇）的過(guò)程。根據(jù)水面光譜的自然分布性質(zhì)，光譜變量之間存在著程度不同的相似性（親疏關(guān)系），按照一定的準(zhǔn)則將相似的數(shù)據(jù)聚集成簇，確定水體光學(xué)類型。根據(jù)不同聚類準(zhǔn)則，又可分為層次聚類（Shi 等，2014）、K 均值（K-means）聚類（Palacios 等，2012；Spyrakos 等，2018）、模糊聚類（González Vilas 等，2011；Moore 等，2014）等方法。此外，根據(jù)水體光學(xué)類型的歸屬定義，又可以分為“硬分類”和“軟分類”，兩者最大的差異在于，硬分類認(rèn)為參與訓(xùn)練的光譜必須被嚴(yán)格地劃分為某一個(gè)類（即便它與當(dāng)前的任何一個(gè)聚類中心距離都較遠(yuǎn)），而軟分類則通過(guò)隸屬度（或理解為權(quán)重）的方式將光譜分配給所有類別，并按照隸屬度值的大小確定其與哪些聚類中心存在更強(qiáng)的聯(lián)系（Smith 等，2018；Zhang 等，2019），其中，模糊C 均值聚類FCM（Fuzzy C-Means）是一種常用的軟分類方法。不同研究在數(shù)據(jù)預(yù)處理方面存在細(xì)微的差異（Moore 等，2014；Mélin 等，2011；Jackson 等，2017；Vantrepotte 等，2012；畢順，2021），包括距離范式、是否歸一化、聚類數(shù)量的確定等。以FCM 為例，軟分類的基本原理與實(shí)現(xiàn)方法如下（Bezdek等，1984）：

假設(shè)數(shù)據(jù)集中觀測(cè)數(shù)為N且光譜維度數(shù)為D，則軟分類的目標(biāo)就是將數(shù)據(jù)集中N×D個(gè)樣本按其相似性劃分為K個(gè)簇，并通過(guò)最小化以下目標(biāo)函數(shù)J（U，V）實(shí)現(xiàn)：

式中，U=［uij］K×N表示由第j條觀測(cè)數(shù)據(jù)（D維）對(duì)每一個(gè)質(zhì)心i的隸屬度uij構(gòu)成的隸屬度矩陣，||xj-vi||表示觀測(cè)數(shù)據(jù)的向量xj與聚類質(zhì)心的向量vi之間的特征距離。矩陣范數(shù)A是計(jì)算特征距離的準(zhǔn)則，可以是歐氏距離、馬氏距離、曼哈頓距離等。m∈（1，∞）是權(quán)重指數(shù)，控制著FCM的模糊程度，其值越高則分配的隸屬度值越相近（即更模糊），越接近于1 則分類效果越接近硬分類（Dembélé 和Kastner，2003）。該目標(biāo)函數(shù)的求解需要滿足以下兩個(gè)限制條件：

基于式（2）中的限定條件，用拉格朗日法求解式（1）后，可得vi和uij分別為

從式（3）與（4）中可以看出，聚類中心vi是所有數(shù)據(jù)向量xij基于uij的加權(quán)平均，而uij則是每個(gè)數(shù)據(jù)向量xj距離所有質(zhì)心向量vi的反距離權(quán)重。vi與uij在計(jì)算公式中互為變量，因此初始化時(shí)可以生成隨機(jī)的uij矩陣，并計(jì)算新的質(zhì)心矩陣vi，最后代入式（1）計(jì)算目標(biāo)函數(shù)值J。

權(quán)重指數(shù)m值的引入使得FCM 區(qū)別于如kmeans 等硬聚類，某個(gè)數(shù)據(jù)點(diǎn)并不直接分配給某一簇，而是經(jīng)隸屬度分配給所有的簇，但其分配合理與否十分依賴于m值的恰當(dāng)選擇（Xue 等，2019；Bi 等，2018；Vantrepotte 等，2012；Brewin等，2015）。以往的研究中常將m取值為2，這是基于某些特定數(shù)據(jù)集的先驗(yàn)知識(shí)（如低維度低噪聲的數(shù)據(jù)集）與減少計(jì)算時(shí)間（如式（2）—（4））中可以省略指數(shù)項(xiàng)）的考慮（Bezdek，1973）。但后續(xù)關(guān)于高維度數(shù)據(jù)的聚類研究發(fā)現(xiàn)m=2并不能得到合適的隸屬度分布（Bi 等，2019；Schw?mmle 和Jensen，2010；Futschik 和Carlisle，2005），m值應(yīng)當(dāng)盡可能小于2?；诖耍呿槪?021）設(shè)計(jì)了一種新的迭代優(yōu)化方法計(jì)算更加合理的m值，并利用全球35個(gè)研究區(qū)內(nèi)共計(jì)2306條光譜數(shù)據(jù)，以Sentinel-3 OLCI（Ocean and Land Colour Instrument）傳感器波段（412 nm、442 nm、510 nm、560 nm、620 nm、666 nm、681 nm、708 nm、754 nm 和866 nm，共10 個(gè)波段）的歸一化光譜值作為聚類輸入，優(yōu)化m值為1.5，獲得了17種內(nèi)陸典型的水體光譜類型。

基于遙感反射率波形特征的水體光學(xué)分類，不考慮水環(huán)境參數(shù)的影響，僅依靠傳感器采集的光學(xué)信息進(jìn)行分類，使得具有類似波譜特征的水體聚集為同一類型，便于后續(xù)進(jìn)行水環(huán)境參數(shù)反演建模和應(yīng)用。在實(shí)際應(yīng)用中，有時(shí)可能更關(guān)注某個(gè)特定水環(huán)境指標(biāo)的反演結(jié)果，但是，利用該類方法獲得的水體類型不一定適用于特定參數(shù)的模型構(gòu)建，因此，也有學(xué)者以具體參數(shù)反演為目標(biāo)，建立水體光學(xué)分類的方法。

2.3 以參數(shù)反演為目標(biāo)的光學(xué)分類

有些水環(huán)境參數(shù)如總磷、COD 等，本身沒(méi)有光學(xué)特征，難以直接利用遙感反射率構(gòu)建其反演模型，這類參數(shù)往往需要通過(guò)葉綠素、懸浮物等進(jìn)行間接反演，而其水體光學(xué)分類方法則可能需要依據(jù)水質(zhì)參數(shù)的統(tǒng)計(jì)規(guī)律進(jìn)行構(gòu)建。例如，磷濃度是評(píng)價(jià)水體富營(yíng)養(yǎng)化的重要指標(biāo)，然而，水體中各形態(tài)磷的轉(zhuǎn)化途徑、數(shù)量變化受浮游植物、沉積物懸浮等多種因素影響，存在較大的時(shí)空差異。在重度富營(yíng)養(yǎng)化水體，磷被藻顆粒吸附并吸收轉(zhuǎn)化為顆粒磷，同時(shí)藻在生長(zhǎng)及死亡過(guò)程中都會(huì)與水體發(fā)生磷元素交換，因此總磷濃度與葉綠素a 濃度有較好的相關(guān)性（陳俊等，2016）；而在非藻類顆粒物占主導(dǎo)的河口地區(qū)，由于入湖河流的輸入，顆粒磷更容易吸附在懸浮物上，同時(shí)此類區(qū)域由于水流的劇烈攪動(dòng)也會(huì)導(dǎo)致水中磷含量的增加，因此總磷含量與無(wú)機(jī)懸浮物濃度具有更好的相關(guān)性。杜成功（2018）考察了太湖、滇池、洞庭湖、洪澤湖等7 個(gè)內(nèi)陸水體中葉綠素濃度（Chla）與無(wú)機(jī)懸浮顆粒物濃度（ISM）的比值，以Chla/ISM 的大小確定水體為非藻類顆粒物占主導(dǎo)還是浮游植物占主導(dǎo)，并通過(guò)遙感反射率Ln（Rrs700/Rrs675）與Ln（Chla/ISM）的關(guān)系，確定水體類型劃分的閾值，將水體劃分為浮游植物或非藻類顆粒物占主導(dǎo)兩種類型，分類結(jié)果突出了不同類型水體中磷濃度與葉綠素或懸浮物的相關(guān)關(guān)系。Sun 等（2011）針對(duì)內(nèi)陸渾濁水體，提出了TD680 指數(shù)計(jì)算680 nm 附近的遙感反射谷深度，結(jié)合ISM/TSM（總懸浮物濃度）閾值構(gòu)建分類準(zhǔn)則，將水體分為3 種類型，提高了葉綠素a 濃度、懸浮物濃度估算模型精度。Gower等（2005，2008）以681 nm 和753 nm 為基線，計(jì)算709 nm 峰高，構(gòu)建了MCI（Maximum chlorophyll index）指數(shù)用于檢測(cè)705 nm 附近離水輻射的峰值，該指數(shù)可用于區(qū)分水華、水生植物等覆蓋的水體。

以參數(shù)反演為目標(biāo)的水體光學(xué)分類，其目的是強(qiáng)化分類后特定水環(huán)境參數(shù)與水體光學(xué)特征的關(guān)聯(lián)關(guān)系，對(duì)于提高具體指標(biāo)的遙感反演精度具有重要的意義。

3 基于水體光學(xué)分類的水環(huán)境參數(shù)反演方法

水體光學(xué)分類在一定程度上實(shí)現(xiàn)了光譜純化，有利于對(duì)同類型水體構(gòu)建水環(huán)境參數(shù)反演模型，也有利于在同類水體中進(jìn)行模型推廣應(yīng)用。水體光學(xué)分類建模在大洋水體中已經(jīng)取得了很好的效果，由于海洋一類水體具有明確的光學(xué)主導(dǎo)因素，其遙感反射率與葉綠素濃度等水環(huán)境參數(shù)的相關(guān)關(guān)系比較穩(wěn)定，因此，針對(duì)大洋一類水體已有很多成熟的算法，例如基于暗像元的大氣校正方法，以O(shè)C（Ocean Color）系列為代表的葉綠素濃度估算經(jīng)驗(yàn)?zāi)Ｐ蚈C4、OC5、OC6 等（O’Reilly 等，2000，2019）以及以QAA（Quasi-analytical Algorithm）為代表的半分析模型（O’Reilly 等，1998；Morel 和Maritorena，2001；Lee 等，2002；Maritorena 等，2002）。然而，二類水體具有復(fù)雜的光學(xué)特性（尤其是藻類與非藻類顆粒物光學(xué)信號(hào)的非協(xié)同變化），導(dǎo)致難以建立較為普適的高精度模型，通常針對(duì)具體的海岸或湖庫(kù)等研究區(qū)域，需構(gòu)建本地化 算 法（Gilerson 等，2010；Gitelson 等，2011；Gurlin 等，2011），以葉綠素濃度遙感估算為例，Matthews 和Odermatt（2015）針對(duì)富營(yíng)養(yǎng)化程度較高的水體開(kāi)發(fā)了波峰基線模型和比值模型，Gitelson 等（2008）針對(duì)渾濁的富營(yíng)養(yǎng)化水體建立了三波段模型，Liu等（2020）針對(duì)高渾濁的Case II水體建立了TC2（Turbid Case-2）模型，Shen 等（2010）針對(duì)河口高懸浮泥沙含量低葉綠素濃度水體，基于620 nm 附近的基線特征構(gòu)建了SCI 指數(shù)（Synthetic Chlorophyll Index）算法。這些模型在局部研究區(qū)域通常能得到精度較高的估算結(jié)果，但跨區(qū)域使用時(shí)卻普遍難以適用，其原因在于各研究區(qū)的水體類型之間存在差異，導(dǎo)致模型率定的參數(shù)不適用，甚至由于一些生物光學(xué)的基本假設(shè)不成立，導(dǎo)致模型產(chǎn)生較大的誤差。因此，針對(duì)光學(xué)屬性復(fù)雜的內(nèi)陸及近岸水體，將二類水體進(jìn)一步劃分為不同類型，在水體光學(xué)分類的基礎(chǔ)上，進(jìn)行水環(huán)境參數(shù)遙感反演模型構(gòu)建和應(yīng)用，是進(jìn)行大范圍、大區(qū)域水環(huán)境監(jiān)測(cè)的必由之路（Matthews等，2012）。先分類、再反演的方法大體上可以劃分為3種類型：分類與模型算法融合、基于水體光學(xué)類型優(yōu)選算法，以及優(yōu)選多模型混合計(jì)算方法。

3.1 分類與模型算法融合的方法

該類方法將模型融合于分類之中，結(jié)合分類確定不同的參數(shù)取值或參數(shù)計(jì)算方法，實(shí)現(xiàn)水環(huán)境參數(shù)的分類反演。Liu 等（2020）提出的TC2 模型，通過(guò)不同類型水體在近紅外波段處黃色物質(zhì)吸收（非藻類顆粒物與CDOM 吸收之和）的比例差異，選擇不同的近紅外波段計(jì)算浮游植物吸收系數(shù)，削弱了黃色物質(zhì)吸收對(duì)葉綠素a濃度估算的影響，提高了葉綠素a濃度反演的精度，并且將模型推廣應(yīng)用于不同類型水體，模型具有較強(qiáng)的普適性；Yu 等（2019）通過(guò)671 nm、745 nm 和862 nm遙感反射率的分類與加權(quán)建立了GAA（Globally Applicable Algorithm）算法用于無(wú)縫地估算從近海岸到遠(yuǎn)洋水體的懸浮物濃度，同時(shí)避免了高濁度的“過(guò)飽和”效應(yīng)以及低濃度值的低估效應(yīng)。Xu等（2020）利用MCI 指數(shù)，將水體區(qū)分為高度渾濁、中度渾濁和清潔水體，以此為依據(jù)確定665 nm處浮游植物吸收系數(shù)遙感估算模型，進(jìn)而反演顆粒有機(jī)碳及其內(nèi)外源濃度。Matsushita 等（2015）依據(jù)MCI與葉綠素濃度的關(guān)系，建立MCI閾值，將滇池等亞洲5個(gè)湖泊水體分為清潔型、渾濁性、高度渾濁型3類水體，并分別采用藍(lán)—綠波段算法、三波段算法、紅—近紅外波段算法進(jìn)行葉綠素濃度估算，說(shuō)明多類型算法模型更加適用于大范圍水環(huán)境參數(shù)估算。Jiang 等（2020）基于443 nm 處水體浮游植物吸收系數(shù)與非色素顆粒物吸收系數(shù)比值，將水體劃分為色素主導(dǎo)、非色素主導(dǎo)以及介于二者之間的類型，并進(jìn)一步構(gòu)建了葉綠素指數(shù)CI（Chla-Index），基于672 nm 的葉綠素a 吸收，以及555 nm 的顆粒物后向散射特征實(shí)現(xiàn)基于VIIRS（Visible infrared imaging radiometer）數(shù)據(jù)的3 類水體分類，針對(duì)每類水體采用的最優(yōu)模型，提高了每類水體遙感反演的精度，并且使得模型可同時(shí)應(yīng)用于不同水體。李玲玲等（2020）基于藍(lán)綠波段差值指數(shù)、光譜曲線在542 nm、631 nm、813 nm處圍成的三角形面積大小、綠光波段遙感反射率、歸一化黑臭水體指數(shù)等劃分城市水體類型，用于對(duì)黑臭水體進(jìn)行識(shí)別和分級(jí)。

該類方法本質(zhì)上是在水體光學(xué)分類的基礎(chǔ)上，確定不同類型水體所采用的模型算法，將光學(xué)特征與模型方法融合在一起，實(shí)現(xiàn)水環(huán)境參數(shù)的遙感定量估算。

3.2 基于水體光學(xué)類型優(yōu)選算法

該類方法在水體光學(xué)分類的基礎(chǔ)上，對(duì)每類水體構(gòu)建或優(yōu)選最佳模型，并將最優(yōu)模型應(yīng)用于每個(gè)水體光學(xué)類型中（Le 等，2011；Zhang 等，2019；Cui 等，2020）。Du 等（2018）利用構(gòu)建的光學(xué)分類方法分類后，兩種水體中水質(zhì)參數(shù)與總磷的關(guān)系有了大幅提升，在非藻類顆粒占優(yōu)勢(shì)的類型1 中，總磷和無(wú)機(jī)懸浮物具有良好的相關(guān)性，R2為0.731，在該類水體中，總磷濃度和葉綠素a之間相關(guān)性較弱，說(shuō)明總磷主要受非藻類顆粒物的影響，這種現(xiàn)象常常出現(xiàn)在非藻類顆粒占優(yōu)勢(shì)的湖泊和河流交匯的河口地區(qū)，水體組分主要受陸源徑流影響。在類型2 中，總磷與葉綠素a 呈正相關(guān)（R2為0.65），總磷和無(wú)機(jī)懸浮物濃度之間的關(guān)系很弱。在這種水體中，以浮游植物為主，藻類的生長(zhǎng)衰退過(guò)程對(duì)磷含量有重要影響?？偭诐舛入S著葉綠素a含量的增加而增加。依據(jù)兩類水體分別構(gòu)建的總磷濃度最優(yōu)估算模型精度比未分類的模型有了大幅提高。Cui 等（2020）在渤海灣的研究中，首先參考Wei 等（2016）建立的QA 系統(tǒng)（Quality Assurance system），將水體分為23 個(gè)水體光學(xué)類型，其次，在23 類水體光學(xué)類型中匹配并參數(shù)化最優(yōu)算法，最終應(yīng)用于MODIS（Moderateresolution Imaging Spectroradiometer） 數(shù) 據(jù) 中 得 到Chla估算結(jié)果。

針對(duì)每種水體類型，分別使用不同模型的方法，提高了同類模型的使用效率，但是這種算法存在兩方面的問(wèn)題，一方面，如果分類錯(cuò)誤，則會(huì)直接導(dǎo)致模型算法錯(cuò)誤；另一方面，相鄰像元由于水體類型不同，模型估算的水質(zhì)參數(shù)可能產(chǎn)生較大差異，使得影像估算結(jié)果在空間上存在類與類之間的明顯邊界，這是大部分基于硬分類計(jì)算普遍存在的問(wèn)題（Liu 等，2020；Matthews 等，2012； Matthews 和Odermatt， 2015； Zhang 等，2019；Xue 等，2019），采用軟分類方法則能夠有效軟化類到類之間的過(guò)渡區(qū)域，生成更為平滑的影像產(chǎn)品（Moore 等，2014；Li 等，2019）。此外，通過(guò)優(yōu)選現(xiàn)有計(jì)算模型，進(jìn)行加權(quán)混合計(jì)算的方法，也被許多學(xué)者成功應(yīng)用于多個(gè)研究區(qū)域。

3.3 優(yōu)選多模型混合計(jì)算的方法

該類算法基于如下假設(shè)：已有的算法模型，都適用于特定區(qū)域水體，但是，推廣應(yīng)用于其他區(qū)域時(shí)，往往存在一定誤差，或者需要重新進(jìn)行參數(shù)率定。因此，在模型應(yīng)用中，需要反復(fù)進(jìn)行“數(shù)據(jù)收集—模型構(gòu)建（或重新參數(shù)化）—模型應(yīng)用”的工作，在缺少地面實(shí)測(cè)數(shù)據(jù)或者觀測(cè)數(shù)據(jù)較少的情況下，模型構(gòu)建或者重新率定參數(shù)的效果并不能得到保證。因此，基于已有研究成果的模型，通過(guò)加權(quán)混合的方式進(jìn)行計(jì)算，不失為一種提高模型適用性、在全局范圍提高遙感估算精度的有效方法。Moore 等（2014）收集了美國(guó)大量的湖泊與近海岸水體的表觀光譜與同步測(cè)量的水質(zhì)參數(shù)數(shù)據(jù)，首先建立了7種異質(zhì)性較強(qiáng)的水體光學(xué)類型，并根據(jù)隸屬度系數(shù)混合了OC4 和三波段模型，使得模型誤差從各自的-0.194 和0.115 降低至0.023，并最終應(yīng)用于Lake Erie 的MODIS 影像數(shù)據(jù)上，估算結(jié)果兼顧了極度富營(yíng)養(yǎng)化的西部湖區(qū)和較為清潔的中部和東部湖區(qū)。Jackson等（2017）對(duì)Moore 的分類框架進(jìn)行了完善，基于OC-CCI（Ocean Colour-Climate Change Initiative） 提供的Rrs影像產(chǎn)品，將水體類型擴(kuò)充到14類（新增了7類大洋水體類型），豐富之后的分類框架極大地提高了后續(xù)應(yīng)用于全球Chla 估算的精度，該方法已用于生產(chǎn)OC-CCI全球水色項(xiàng)目中的Chla產(chǎn)品。

該類方法一般以隸屬度（或隸屬度重分配后的權(quán)重系數(shù)）作為權(quán)值，將各類型最優(yōu)算法的估算結(jié)果進(jìn)行混合。該類方法的計(jì)算流程如圖3 所示。其中，各研究對(duì)候選算法的評(píng)估方法存在顯著差異，主要表現(xiàn)為候選算法評(píng)估指標(biāo)和算法之間的相對(duì)比較方式的差異。Moore 等（2014）的研究中僅包括了OC4（O’Reilly 等，2019）與三波段算法（Gitelson等，2011）兩個(gè)候選算法，對(duì)比時(shí)僅使用了均方根誤差RMSE（Root Mean Squared Error）、絕對(duì)百分比中值誤差MAPE （Median Absolute Percentage Error）以及偏差中值BIAS這3個(gè)誤差指標(biāo)，通過(guò)對(duì)所屬類的驗(yàn)證集計(jì)算精度，最終確定各類最優(yōu)化的候選算法。Smith 等（2018）采用了同樣的評(píng)價(jià)方法比較并混合了OCI（Hu 等，2012）與三波段模型（Gilerson 等，2010）的估算結(jié)果。當(dāng)候選算法增加時(shí)，Brewin 等（2015）的研究中基于自舉式（一種有放回的多次隨機(jī)抽樣）的方法使用了近13 種誤差指標(biāo)對(duì)15 個(gè)候選算法進(jìn)行相對(duì)評(píng)比打分，并最終確定適用于OC-CCI 中的Chla估算方法。采用類似的模型評(píng)估方法，Neil 等（2019）在13 種水體光學(xué)類別的基礎(chǔ)上（Spyrakos等，2018），對(duì)19個(gè)候選算法進(jìn)行打分評(píng)估，建立了針對(duì)不同水體類別的Chla 算法查找表。Jackson等（2017）基于OCI、OC5 和OC4 共3 個(gè)算法為全球14種水體光學(xué)類型匹配了各自合適的最優(yōu)算法。該方法的軟分類方法與Moore 等（2014）相似，但其在計(jì)算誤差指標(biāo)時(shí)充分考慮了各類之間的隸屬度，減弱了算法最終混合時(shí)其他類誤差引入的影響。畢順（2021）改進(jìn)FCM 分類方法，建立了FCMm方法，將二類水體劃分為17個(gè)光學(xué)類型，建立了基于準(zhǔn)確度、精確度、有效性的模型評(píng)分排序方法，對(duì)15 種葉綠素a 濃度估算模型進(jìn)行評(píng)分排序，進(jìn)而以分類求算的隸屬度為參數(shù)調(diào)節(jié)不同模型權(quán)重，建立了二類水體的葉綠素a濃度混合估算模型，葉綠素濃度估算結(jié)果優(yōu)于單一模型計(jì)算結(jié)果。

圖3 優(yōu)選多模型混合計(jì)算方法流程Fig.3 Work flow of hybrid calculation by optimizing multiple models

4 方法的局限性

水體光學(xué)分類，將具有相似光學(xué)特征的水體歸集為相同類型，增強(qiáng)了同類型水體中遙感反射率與水環(huán)境參數(shù)相關(guān)關(guān)系的一致性，不但可以提高模型的精度，而且，在類似水體中推廣應(yīng)用也具有較好的穩(wěn)定性。此外，一些看似關(guān)聯(lián)不密切的內(nèi)在聯(lián)系，通過(guò)水體光學(xué)分類后也突顯出來(lái)，為參數(shù)反演模型構(gòu)建提供了條件（Xu 等，2021）。然而，在實(shí)際應(yīng)用中，水體光學(xué)分類也面臨一些問(wèn)題：（1）水體光學(xué)分類應(yīng)該分為多少類？無(wú)限細(xì)分，使得模型算法更加復(fù)雜，不利于模型推廣應(yīng)用，類型太少，又不能涵蓋一些重要的水體類型，導(dǎo)致模型難以應(yīng)用，因此，需要在數(shù)據(jù)不斷積累的基礎(chǔ)上，確定合理的分類數(shù)量和類型，才能促進(jìn)方法的應(yīng)用和推廣。（2）基于水體固有光學(xué)特征的分類方法，需要首先計(jì)算出固有光學(xué)量參數(shù)。然而，從衛(wèi)星影像數(shù)據(jù)計(jì)算固有光學(xué)參數(shù)的過(guò)程中，大氣校正誤差、固有光學(xué)參數(shù)計(jì)算誤差，都會(huì)累積到分類結(jié)果，進(jìn)而影響水環(huán)境參數(shù)反演的精度?；诜瓷渎使庾V特征的分類方法，往往需要使用水色敏感波段如709 nm 波段，目前，內(nèi)陸水環(huán)境遙感多采用多光譜傳感器獲取數(shù)據(jù)如OLI（Operational Land Imager）數(shù)據(jù)、國(guó)產(chǎn)高分多光譜數(shù)據(jù)等，其波段寬度以及中心波長(zhǎng)的位置設(shè)置，弱化了不同水體光學(xué)特征的差異，對(duì)水體光學(xué)分類準(zhǔn)確性產(chǎn)生影響。隨著高光譜數(shù)據(jù)的使用和水色遙感傳感器空間分辨率的進(jìn)一步提高，必將獲得更多精細(xì)波段的遙感反射率數(shù)據(jù)，提高固有光學(xué)參數(shù)反演的精度，促進(jìn)水體光學(xué)分類方法的進(jìn)一步發(fā)展和應(yīng)用。

5 結(jié) 語(yǔ)

內(nèi)陸及近岸水體組分復(fù)雜，并且隨著季節(jié)、區(qū)域的變化呈現(xiàn)出高度的動(dòng)態(tài)性，與之相應(yīng)的，由于受多種因素影響，水體光學(xué)特征從固有光學(xué)特性到表觀光學(xué)特性都表現(xiàn)出顯著的時(shí)空差異。為了更加準(zhǔn)確地監(jiān)測(cè)水環(huán)境狀況，依據(jù)水體光學(xué)分類建模是提高內(nèi)陸及近岸復(fù)雜水體水環(huán)境參數(shù)遙感反演精度的一種有效途徑，在長(zhǎng)時(shí)間序列、大區(qū)域范圍水環(huán)境遙感監(jiān)測(cè)中具有廣泛的應(yīng)用前景。具體應(yīng)用中，對(duì)于水體光學(xué)特征主導(dǎo)影響因素相對(duì)單一的水體，可以采用對(duì)該類水體建立最優(yōu)模型的方式，進(jìn)行水環(huán)境參數(shù)反演；對(duì)于水體光學(xué)特征主導(dǎo)影響因素時(shí)空異質(zhì)性大的水體，需要在分類的基礎(chǔ)上，采用多模型優(yōu)選混合計(jì)算的方法，提高參數(shù)反演精度并平滑不同類型水環(huán)境參數(shù)的邊界值；對(duì)于大區(qū)域范圍的水環(huán)境遙感監(jiān)測(cè)，需要在劃分水體光學(xué)類型的基礎(chǔ)上，再考慮對(duì)單個(gè)水體采用單一最優(yōu)模型還是混合計(jì)算的方式進(jìn)行參數(shù)反演；對(duì)于特定的水環(huán)境參數(shù)遙感監(jiān)測(cè)，可根據(jù)其光學(xué)特性或與之密切相關(guān)的水體光學(xué)活性物質(zhì)的光學(xué)特性，選取不同的光學(xué)分類方法，確定分類數(shù)量，以提高參數(shù)反演精度為目標(biāo)構(gòu)建遙感反演模型。