李代偉 吳天振 姜祥樂 張帆 王瀅 李楠

摘 要：對內(nèi)陸水體開展葉綠素a濃度遙感反演和預(yù)測是水質(zhì)治理與定量遙感領(lǐng)域的重要研究方向，但內(nèi)陸水體的物質(zhì)成分和理化性質(zhì)相對復(fù)雜，實(shí)現(xiàn)高效且準(zhǔn)確的遙感監(jiān)測存在一定困難。文章梳理了水體葉綠素a的反演原理與光譜特征，歸納了國內(nèi)外學(xué)者在內(nèi)陸水體葉綠素a遙感監(jiān)測研究中常用的數(shù)據(jù)與方法并分析了各自的優(yōu)缺點(diǎn)與適用性，在此基礎(chǔ)上總結(jié)了目前應(yīng)用遙感方法監(jiān)測內(nèi)陸水體葉綠素a濃度所面臨的實(shí)際問題以及未來研究的展望。

關(guān)鍵詞：葉綠素a;遙感反演;內(nèi)陸水體;水質(zhì)監(jiān)測;研究綜述

中圖分類號：X87? 文獻(xiàn)標(biāo)識碼：A? 文章編號：1673-260X（2022）03-0014-07

內(nèi)陸水體是人類賴以生存和發(fā)展的自然生態(tài)系統(tǒng)重要組成部分，在水源供給、抗旱排洪、交通航運(yùn)、調(diào)節(jié)氣候、提供生物棲息地、維護(hù)生態(tài)多樣性等方面發(fā)揮著不可替代的重要作用。近年來，在人類活動與氣候變化等因素影響下，內(nèi)陸水資源、水環(huán)境與水生態(tài)均面臨不同程度的問題和威脅，水體富營養(yǎng)化及引起的藻類水華是當(dāng)前內(nèi)陸水體普遍存在的污染問題，流域開發(fā)與生態(tài)協(xié)調(diào)間的穩(wěn)態(tài)平衡逐漸受到有關(guān)部門的重視。

葉綠素a（Chlorophyll-a）是藍(lán)藻進(jìn)行光合作用的核心元素，并且在浮游生物體內(nèi)含量相對穩(wěn)定，便于在實(shí)驗(yàn)室條件下進(jìn)行提純分析，通過測定水體葉綠素a含量可以初步判定水體富營養(yǎng)化的程度，借以進(jìn)一步把握水體質(zhì)量狀況。因此，對內(nèi)陸水體葉綠素a濃度進(jìn)行全范圍長時序的動態(tài)監(jiān)測是陸地水資源保護(hù)與修復(fù)的重要前提。而傳統(tǒng)水質(zhì)監(jiān)測手段是通過大量實(shí)測點(diǎn)狀數(shù)據(jù)來推及整個湖面的水質(zhì)狀況，這種傳統(tǒng)監(jiān)測方式費(fèi)時費(fèi)力成本較高，不適宜大面積水域進(jìn)行短時序的水質(zhì)監(jiān)測。遙感技術(shù)作為一種基于波譜理論快速獲取地表信息的新興觀測技術(shù)，具有大面積同步觀測、周期動態(tài)成像、不受地面地形限制等優(yōu)勢。目前國內(nèi)外大量學(xué)者利用遙感數(shù)據(jù)對于內(nèi)陸江河、大型湖泊、水庫庫區(qū)與城市小型水體開展了葉綠素a濃度遙感監(jiān)測。梳理基于遙感方式監(jiān)測內(nèi)陸水體葉綠素a濃度的相關(guān)理論基礎(chǔ)與常用數(shù)據(jù)和方法并加以比較總結(jié)，對于加強(qiáng)流域水環(huán)境管理、污染源控制與生態(tài)文明建設(shè)具有重要現(xiàn)實(shí)意義。

1 葉綠素a濃度遙感反演原理

當(dāng)太陽光線從大氣射入內(nèi)陸水體表面時，會在水汽界面發(fā)生反射、折射、吸收等光學(xué)現(xiàn)象，傳感器最終捕獲的水體光譜特征主要由其自身光學(xué)性質(zhì)、水中物質(zhì)成分、氣象條件與傳感器成像角度等因素共同決定。太陽光經(jīng)過大氣介質(zhì)到達(dá)水面的過程中，小部分會被大氣散射，其余大部分到達(dá)水面，傳輸?shù)剿娴墓獯蟛糠直环瓷?，剩下部分則進(jìn)入水體。純度較高的水體在可見光波段與光譜反射率之間的函數(shù)關(guān)系近乎線性，當(dāng)純水中出現(xiàn)其他物質(zhì)時，水體的反射率曲線將會發(fā)生變化。葉綠素a作為一種光學(xué)敏感性較高的物質(zhì)，其濃度發(fā)生變化時水體的光譜曲線會出現(xiàn)相對應(yīng)的峰值或谷值，基于對葉綠素a特征光譜的研究可以實(shí)現(xiàn)對水體葉綠素a濃度的反演監(jiān)測與預(yù)測[1]。

大部分內(nèi)陸水體葉綠素a光譜曲線在750nm前存在“三峰兩谷”走勢特征。在440nm附近，葉綠素a的反射率較低，其原因?yàn)樗w的葉綠素a與黃色物質(zhì)在藍(lán)紫光波段的強(qiáng)吸收所致;葉綠素a在紅光波段的強(qiáng)吸收導(dǎo)致在675nm附近出現(xiàn)了第二個反射谷。因細(xì)胞壁與無機(jī)懸浮物的散射作用、浮游植物與胡蘿卜素的弱吸收作用[2]，致使不同的內(nèi)陸水體大致在550-580nm區(qū)間出現(xiàn)綠色反射峰;685nm與700nm附近出現(xiàn)的葉綠素a熒光峰，被認(rèn)為是水體葉綠素a濃度判定的典型標(biāo)志[3]。多數(shù)學(xué)者研究發(fā)現(xiàn)，隨著葉綠素a濃度由低變高，對應(yīng)的葉綠素a峰值點(diǎn)在685-720nm區(qū)間變化，反射峰隨葉綠素a濃度增大向長波方向移動，出現(xiàn)“紅移”效應(yīng)[4]。由于700nm附近的反射峰位置與700nm附近反射峰與675nm附近吸收峰的反射比與葉綠素a濃度具有很好的相關(guān)性，較多的水體葉綠素a濃度確定與反演算法基于此開展[5]。

2 葉綠素a濃度遙感反演數(shù)據(jù)源

用于內(nèi)陸水體進(jìn)行葉綠素a濃度遙感監(jiān)測的數(shù)據(jù)以多光譜與高光譜等傳統(tǒng)影像源為主;伴隨著影像獲取手段的進(jìn)步，利用高空間分辨率數(shù)據(jù)的水質(zhì)監(jiān)測研究也正逐漸發(fā)展壯大。根據(jù)光譜分辨率的差異性，不同傳感器的遙感數(shù)據(jù)在構(gòu)建不同類型葉綠素a反演模型與不同水體類型的監(jiān)測研究區(qū)有著各自的優(yōu)勢性，隨著遙感數(shù)據(jù)同化融合技術(shù)的進(jìn)步，學(xué)者們對基于多源遙感數(shù)據(jù)的監(jiān)測研究進(jìn)行了一定的探索。

2.1 多光譜遙感數(shù)據(jù)

多光譜影像作為遙感監(jiān)測應(yīng)用最為廣泛的影像數(shù)據(jù)，國內(nèi)外學(xué)者以此為數(shù)據(jù)源對內(nèi)陸水質(zhì)葉綠素a反演做了大量反演監(jiān)測與模型優(yōu)化。常見的用于水質(zhì)監(jiān)測研究多光譜遙感數(shù)據(jù)源有美國發(fā)射的陸地資源（Landsat）系列衛(wèi)星、歐空局發(fā)射的哨兵（Sentinel）系列衛(wèi)星與中國發(fā)射的環(huán)境與災(zāi)害監(jiān)測預(yù)報環(huán)境一號（HJ-1A/B）系列衛(wèi)星等。

Landsat作為發(fā)射在軌時間最長的對地觀測系列衛(wèi)星，具有易于獲取、估算精度較高、定標(biāo)理論較為成熟等優(yōu)勢，是定量獲取水體葉綠素a較好的數(shù)據(jù)源。早期Carpenter等人通過研究MSS影像與藻類水體葉綠素a濃度的關(guān)系發(fā)現(xiàn)，MSS數(shù)據(jù)在實(shí)測水質(zhì)數(shù)據(jù)較少的內(nèi)陸湖泊有著合理的反演精度。何報寅等對于存在數(shù)據(jù)缺行的Landsat 7 ETM+影像采用ALR算法進(jìn)行數(shù)據(jù)修復(fù)后將其應(yīng)用于與武漢東湖水反演監(jiān)測，反演模型達(dá)到了合理的精度范圍，驗(yàn)證了修復(fù)的ETM+影像進(jìn)行內(nèi)陸水質(zhì)監(jiān)測的可行性。段海梅等以Landsat 8 OLI數(shù)據(jù)為例，采用了4種大氣校正算法與3種反演算法共計12種算法組合對同一內(nèi)陸湖泊展開水質(zhì)反演，實(shí)驗(yàn)結(jié)果表明對于OLI數(shù)據(jù)經(jīng)過6S大氣校正使用NDCI指數(shù)反演算法反演精度最為理想。

HJ-1A/B是我國自主設(shè)計研發(fā)的用于監(jiān)測自然災(zāi)害與環(huán)境變化的國產(chǎn)化衛(wèi)星，其搭載的CCD相機(jī)因具備良好的空間分辨率與較短的時間分辨率，是一種較為理想的水環(huán)境質(zhì)量檢測影像數(shù)據(jù)源[6]，一經(jīng)投入使用就被廣泛應(yīng)用于本土化的水質(zhì)遙感監(jiān)測。徐祎凡等利用環(huán)境衛(wèi)星CCD影像與湖面實(shí)測高光譜數(shù)據(jù)，構(gòu)建了基于CCD多光譜數(shù)據(jù)的三湖一庫（太湖、巢湖、滇池、三峽水庫）的葉綠素a反演模型與富營養(yǎng)化評價指數(shù)模型，研究表明：水庫水質(zhì)情況遠(yuǎn)好于內(nèi)陸大型湖泊，且水庫的水質(zhì)與蓄水量具有高度相關(guān)性[7]。朱利等人通過比較分析了HJ-1 CCD相機(jī)與GF-1 WFV傳感器的波譜響應(yīng)函數(shù)，發(fā)現(xiàn)兩傳感器在波段設(shè)置上具有極大的相似性，理論上可采用相同的反演模型進(jìn)行水質(zhì)遙感監(jiān)測，隨后將此方法應(yīng)用于太湖試驗(yàn)區(qū)進(jìn)行多項(xiàng)水質(zhì)參數(shù)監(jiān)測反演證明了該理論的可行性。這一實(shí)驗(yàn)驗(yàn)證兩國產(chǎn)衛(wèi)星傳感器水質(zhì)反演監(jiān)測模型的通用性，為國產(chǎn)化衛(wèi)星進(jìn)行水質(zhì)遙感反演提供了新思路與新途徑[8]。

Sentinel-2 A/B組合星具有短至5天的時間分辨率與高達(dá)10m的空間分辨率，所搭載的MSI傳感器在可見光至紅外波段有13個光譜通道，這昭示著其對于流動性較高、水質(zhì)變化較快的小型內(nèi)陸水體反演有著特有的優(yōu)勢。Toming等使用MSI影像對9個小型湖泊和2個大型湖泊進(jìn)行水質(zhì)監(jiān)測，實(shí)驗(yàn)結(jié)果顯示MSI數(shù)據(jù)與葉綠素a濃度之間具有較好的相關(guān)性[9]。Ansper等人利用Sentinel-2年際影像反演了Estonian湖的葉綠素a濃度，研究證明了MSI數(shù)據(jù)可有效對內(nèi)陸湖泊的葉綠素a濃度進(jìn)行反演和長時序動態(tài)監(jiān)測[10]。Mark等人利用Sentinel-2 MSI與Sentinel-3 OLCI對五大洲24個湖泊水質(zhì)進(jìn)行了協(xié)同反演，對比MSI與OLCI波段響應(yīng)曲線發(fā)現(xiàn)，對于葉綠素a這一參數(shù)兩傳感器響應(yīng)函數(shù)大致相同，基于此項(xiàng)結(jié)論并考慮到OLCI較低的分辨率和內(nèi)陸水體較小的地理范圍，MSI是一種極其理想的內(nèi)陸水體反演傳感器[11]。

2.2 高光譜遙感數(shù)據(jù)

由于葉綠素a反射峰值紅移現(xiàn)象受濃度變化影響較為緩慢[4]，且進(jìn)行葉綠素a反演的特征波段的寬度最好應(yīng)控制在5nm范圍內(nèi)，因而更高的光譜分辨率能夠更為精細(xì)準(zhǔn)確地提取并反演水質(zhì)信息。高光譜傳感器相較于傳統(tǒng)多光譜數(shù)據(jù)波段數(shù)量更多，波段寬度變窄，光譜分辨率大大提高，是一種理想的內(nèi)陸水質(zhì)反演數(shù)據(jù)源。隨著光譜理論與反演方法的日趨成熟，高光譜影像在內(nèi)陸水質(zhì)定量遙感監(jiān)測中逐漸被加以重視并得到了廣泛應(yīng)用[12]。

吳敏等使用MODIS波段組合與巢湖水質(zhì)參數(shù)進(jìn)行匹配擬合，發(fā)現(xiàn)1、10-11的波段組合與葉綠素a濃度具有很強(qiáng)的相關(guān)性，對比TM數(shù)據(jù)的相關(guān)研究結(jié)果較為吻合。莫登奎等基于Hyperion高光譜影像對東洞庭湖水質(zhì)進(jìn)行分析研究，驗(yàn)證了700nm存在葉綠素a反射峰是對水體葉綠素a進(jìn)行遙感監(jiān)測的典型標(biāo)志。王彥飛等以HJ-1 HSI高光譜衛(wèi)星影像為研究對象，通過多個評價維度對影像質(zhì)量進(jìn)行綜合分析評判，研究表明530-900nm是較為合適水質(zhì)反演波段區(qū)間，HSI作為一種全新的國產(chǎn)高光譜影像數(shù)據(jù)源能夠勝任二類水體遙感反演研究[13]。鄧實(shí)權(quán)等人使用GF-5 AHSI高光譜數(shù)據(jù)基于光學(xué)區(qū)分理論，對低渾濁度鄱陽湖葉綠素a濃度進(jìn)行遙感監(jiān)測，此次高光譜反演（R2=0.82）效果相較于前期使用實(shí)測光譜建模的最優(yōu)波段反演（R2=0.76）精度得到有效提升。韋安娜等使用AHSI影像對高度渾濁鄱陽湖水體進(jìn)行葉綠素a反演研究，利用窮舉思想結(jié)合水體光學(xué)特征得出葉綠素a的最優(yōu)三波段反演組合為681.3nm、709.9nm、829.6nm，結(jié)合前人研究證明了AHSI高光譜數(shù)據(jù)用于湖泊葉綠素a反演具有較高的可信度。

2.3 高空間分辨率遙感數(shù)據(jù)

內(nèi)陸水體相較于大洋等開闊水體更易受人類活動、陸源污染、季節(jié)更替以及水體流動性等因素影響，具有物質(zhì)成分繁多、污染來源豐富、理化性質(zhì)多樣與光學(xué)性質(zhì)復(fù)雜等特質(zhì)，這些特征很大程度上導(dǎo)致了內(nèi)陸水質(zhì)遙感研究具有一定的復(fù)雜性與不確定性。而高空間分辨率的遙感影像能夠提供十分精細(xì)的地物信息，可以將地理范圍不大的內(nèi)陸水域的水質(zhì)信息得到直觀體現(xiàn)，得益于近幾年無人機(jī)（Unmanned Aerial Vehicle，UAV）技術(shù)的迅猛發(fā)展，借助機(jī)載系統(tǒng)獲取的高分辨數(shù)據(jù)在成像時效與質(zhì)量方面得到顯著改善，高空間分辨率影像正逐漸成為內(nèi)陸水體葉綠素a遙感監(jiān)測研究的重要數(shù)據(jù)源。

Ekercin將土耳其伊斯坦布爾市的城區(qū)河道葉綠素a濃度與高空間分辨率IKONOS影像（4m）進(jìn)行多元回歸建模，反演精度效果理想，驗(yàn)證了高分辨衛(wèi)星遙感影像在狹長小型河道開展葉綠素a監(jiān)測的可行性。李鑫等人以無人機(jī)航拍影像為數(shù)據(jù)源，提出了一種用于識別藍(lán)藻的歸一化差值植被指數(shù)，該指數(shù)對水域藍(lán)藻提取效果良好，為使用無人機(jī)影像對水體葉綠素a進(jìn)行提取與溯源提供了方法支撐[14]。Castro等人依次使用了Landsat 8 OLI（30m）、Sentinel-2 MSI（10m）、Rededge Micasens（8cm）三個在不同空間分辨率的傳感器對小型飲用水庫開展葉綠素a濃度反演研究，通過對多尺度影像數(shù)據(jù)的比照研究發(fā)現(xiàn)，無人機(jī)數(shù)據(jù)可以很好地適應(yīng)基于傳統(tǒng)多光譜影像所開發(fā)的算法模型，這種算法繼承性對于快速普及無人機(jī)水質(zhì)遙感監(jiān)測研究具有重要意義[15]。黃宇等使用無人機(jī)掛載的空間分辨率高達(dá)4cm的高光譜傳感器對內(nèi)陸河流進(jìn)行機(jī)載遙感水質(zhì)反演研究，由于影像同時具備高空間分辨率與高光譜分辨率的雙重優(yōu)勢，對葉綠素a濃度的反演效果極其顯著（R2=0.99），研究證明了利用無人機(jī)高光譜技術(shù)開展水質(zhì)監(jiān)測精度較高且結(jié)果可信。

2.4 多源融合數(shù)據(jù)

不同遙感數(shù)據(jù)源在不同分辨率類型上對于傳感器成像細(xì)節(jié)的辨別能力互有優(yōu)劣，很難有單一的數(shù)據(jù)源能夠勝任大部分研究區(qū)的水質(zhì)遙感監(jiān)測，基于對適宜研究需要的理想數(shù)據(jù)源的追求，部分學(xué)者開始嘗試將不同來源的遙感數(shù)據(jù)進(jìn)行融合后應(yīng)用于內(nèi)陸水體的葉綠素a監(jiān)測。

陳蕓芝等融合了MODIS Aqua、MODIS Terra、SeaWiFs三種傳感器的各波段反射率進(jìn)行葉綠素a反演研究，融合影像波段數(shù)目倍增，光譜信息更加豐富，將反演結(jié)果與傳統(tǒng)方法計算得到的葉綠素a濃度進(jìn)行對比發(fā)現(xiàn)，融合影像所建模型具有少噪點(diǎn)、低誤差、高靈活性等優(yōu)勢[16]。封紅娥等利用WFV數(shù)據(jù)具有短重返周期、較高空間分辨率與OLI數(shù)據(jù)具備較高光譜分辨率的特點(diǎn)，探索兩數(shù)據(jù)融合進(jìn)行協(xié)同反演的最優(yōu)組合方式，經(jīng)過實(shí)測數(shù)據(jù)驗(yàn)證表明：融合數(shù)據(jù)的最優(yōu)反演模型精度達(dá)到了R2=0.9164，相較于單一數(shù)據(jù)源反演精度得到明顯提升。祁國華等使用增強(qiáng)時空自適應(yīng)反射率融合模型（ESTARFM）融合了GF-1、Landsat系列、Sentinel-2、MODIS多源衛(wèi)星遙感數(shù)據(jù)，得到了兼具高空間與高時間分辨率的遙感數(shù)據(jù)，借助融合數(shù)據(jù)構(gòu)建了Logistic巢湖水華氣象風(fēng)險概率預(yù)測模型，經(jīng)驗(yàn)證該模型預(yù)測準(zhǔn)確性較高，多源融合數(shù)據(jù)可為內(nèi)陸水體的水華監(jiān)測提供可靠數(shù)據(jù)支持[17]。劉曼等人綜合OLI、WFV及MSI多光譜與Sentinel-1A IW主動雷達(dá)影像數(shù)據(jù)構(gòu)建了一種主被動遙感相結(jié)合的水體指數(shù)，用于定量分析漓江流域水質(zhì)時空演化特征，將該綜合水體指數(shù)結(jié)合葉綠素a反演算法對漓江流域開展年際動態(tài)監(jiān)測，反演相關(guān)系數(shù)達(dá)到了0.98，反演效果揭示了綜合多源主被動遙感的水質(zhì)監(jiān)測方式能夠綜合各傳感器與遙感模式的優(yōu)勢性，大幅度提升水質(zhì)反演效果[18]。

3 葉綠素a濃度遙感反演方法

應(yīng)用遙感方式監(jiān)測與預(yù)報內(nèi)陸水體葉綠素a濃度經(jīng)過40余年的發(fā)展，隨著傳感器分辨率不斷提高，采樣數(shù)據(jù)不斷精確以及反演理論不斷成熟，反演方法由定性分析逐漸發(fā)展為定量反演，其間主要?dú)v經(jīng)了分析方法、經(jīng)驗(yàn)方法、半分析方法與智能方法的演變。

3.1 分析方法

分析方法又稱解析方法，其主要基于水體自身的固有光學(xué)量（Inherent Optical Properties，IOPs）與水汽界面的表觀光學(xué)量（Apparent Optical Properties，AOPs）之間的關(guān)系對水中光場分布進(jìn)行模擬，利用水體后向散射與水體中吸收與散射的比值進(jìn)行模型構(gòu)建，進(jìn)而對水質(zhì)情況進(jìn)行遙感回溯與反演[19]。

分析方法的優(yōu)勢在于無須現(xiàn)場實(shí)測水質(zhì)數(shù)據(jù)與過境衛(wèi)星影像進(jìn)行擬合，且水體光學(xué)機(jī)理與輻射傳輸方程引入使得模型具有很強(qiáng)的物理解釋性，因此在一定程度上可突破時空局限性，將其應(yīng)用于光學(xué)特征類似的水體進(jìn)行反演也能得到較為理想的結(jié)果[20]。Gordon最早結(jié)合葉綠素a濃度與離水輻射亮度之間的關(guān)系，利用分析方法構(gòu)建了經(jīng)典的Gordon模型，雖然模型表現(xiàn)形式較為復(fù)雜，但模型擬合效果符合預(yù)期，首次證明了分析方法應(yīng)用于監(jiān)測水體葉綠素a含量的可行性[3]。張運(yùn)林等在對太湖湖區(qū)進(jìn)行固有光學(xué)特性的測量與分析的基礎(chǔ)之上，構(gòu)建了反射率比值分析模型，對于葉綠素a濃度R706/R682反演效果最佳，研究表明由水體光譜特征構(gòu)建的分析模型能夠勝任內(nèi)陸湖區(qū)葉綠素a遙測[21]。

因物理光學(xué)模型的引入在建模過程中的必要性，分析方法客觀存在公式推導(dǎo)繁瑣，光譜儀器使用成本高，環(huán)境變量估算不易控制等缺點(diǎn)，雖然光譜理論日趨成熟，但在實(shí)際操作中存在諸多的限制性。面向遙感水質(zhì)監(jiān)測的業(yè)務(wù)化與流程化需求，研究學(xué)者開始對分析方法進(jìn)行改進(jìn)與完善，逐漸發(fā)展出了經(jīng)驗(yàn)法和半分析法兩類主流水質(zhì)反演方法。

3.2 經(jīng)驗(yàn)方法

經(jīng)驗(yàn)方法將波段反射率信息與實(shí)測水質(zhì)數(shù)據(jù)結(jié)合進(jìn)行數(shù)學(xué)統(tǒng)計分析，篩選出最優(yōu)的波段或波段組合建立回歸模型對水質(zhì)參數(shù)開展遙感反演。根據(jù)波段組合數(shù)量的不同，可將經(jīng)驗(yàn)?zāi)Ｐ秃唵畏譃閱尾ǘ文Ｐ团c多波段模型。大量研究表明近紅外與紅外波段的雙波段比值模型能夠有效削弱因太陽高度角、觀測視場與大氣效應(yīng)所產(chǎn)生的誤差，是針對內(nèi)陸低懸浮物濃度水體葉綠素a反演較為通用化的經(jīng)驗(yàn)?zāi)Ｐ汀?/p>

由于不需要復(fù)雜的物理分析過程，只需足夠的波譜與水質(zhì)數(shù)據(jù)就能通過回歸分析方法完成模型構(gòu)建，經(jīng)驗(yàn)方法因而具有運(yùn)算量小、建模簡單等優(yōu)勢，是一種算法成熟、應(yīng)用廣泛的反演方法。Dekker等基于TM影像與實(shí)測葉綠素a濃度對荷蘭內(nèi)陸湖泊展開水質(zhì)反演模型研究，將多個統(tǒng)計學(xué)建模的反演模型比照研究發(fā)現(xiàn)，對于常見的中低葉綠素a濃度湖泊指數(shù)模型比線性模型擬合效果更好，而高濃度葉綠素a湖泊應(yīng)用線性模型效果更優(yōu)[22]。馮馳等依照葉綠素a濃度將研究區(qū)分為三種水體類型，使用GOCI數(shù)據(jù)結(jié)合回歸分析方法建立了適用不同葉綠素a濃度水體的反演模型，揭示了對于二類水體采用先分類后反演的方式能夠減小水質(zhì)要素間的相互影響從而顯著降低反演誤差[23]。

雖然建模過程僅需面向數(shù)據(jù)便可以便捷迅速地構(gòu)建反演模型，但由于缺乏物理機(jī)理的推導(dǎo)過程，經(jīng)驗(yàn)?zāi)Ｐ筒豢杀苊獾鼐哂心Ｐ徒忉屝圆?、時空依賴性強(qiáng)、結(jié)果遷移性弱等劣勢，在水質(zhì)監(jiān)測日趨精細(xì)化與定量化的發(fā)展過程中，使用單一且傳統(tǒng)的經(jīng)驗(yàn)方法建模的頻率逐漸降低。

3.3 半分析方法

半分析方法以輻射傳輸方程為整體性理論框架，以數(shù)學(xué)統(tǒng)計方法為差異性建模手段，即使表達(dá)模型具有一定的實(shí)際物理意義，又有效解決了建模難度過大的問題。作為分析方法與經(jīng)驗(yàn)方法精進(jìn)結(jié)合的產(chǎn)物，兼具兩種方法各自的優(yōu)勢性，是近些年來逐漸發(fā)展壯大變?yōu)橹髁鞯乃|(zhì)遙感反演方法。

聞建光等采用不同方法對太湖葉綠素a濃度進(jìn)行遙感反演，通過比較得出了以半分析方法建模的混合光譜法（R2=0.9705）綜合反演效果最佳，一階微分法（R2=0.9615）與比值法（R2=0.9367）效果依次次之。實(shí)驗(yàn)有效證明了半分析模型較于傳統(tǒng)統(tǒng)計學(xué)經(jīng)驗(yàn)?zāi)Ｐ涂梢欢ǔ潭壬蠑[脫時序與地域差異，具有更高的通用性與精確性[24]。Lyua等將4種不同葉綠素a半分析算法應(yīng)用于5種典型內(nèi)陸湖泊進(jìn)行反演效果分析，經(jīng)對比驗(yàn)證發(fā)現(xiàn)四波段算法對常規(guī)內(nèi)陸水體反演精度最高，對于較為渾濁的內(nèi)陸水體綜合葉綠素a指數(shù)算法（Synthetic Chlorophyll Index， SCI）更加適用[25]。

半分析法相較于先前兩種單一方法有著不可比擬的獨(dú)到優(yōu)勢，但在模型構(gòu)建的過程中需要對其他方法進(jìn)行合理布局與分段建模，這在一定程度上會使建模過程繁雜、人為主觀誤差因素增加，從而造成反演精度的損失。

3.4 智能方法

得益于人工智能（Artificial Intelligence，AI）技術(shù)在圖像分類與識別領(lǐng)域的優(yōu)異表現(xiàn)，許多學(xué)者針對AI在遙感水質(zhì)監(jiān)測領(lǐng)域的落地應(yīng)用做了深入研究。而機(jī)器學(xué)習(xí)作為實(shí)現(xiàn)Al最為核心的方法途徑，且對于遙感水質(zhì)反演這種非線性擬合過程具有極佳的貼合性，在近些年的水質(zhì)遙測研究中受到了極大的追捧。機(jī)器學(xué)習(xí)方法主要被用于利用樣本數(shù)據(jù)對傳統(tǒng)經(jīng)驗(yàn)方法統(tǒng)計建模過程的優(yōu)化與改進(jìn)，使之充分挖掘數(shù)據(jù)間的隱性關(guān)系，以達(dá)到準(zhǔn)確構(gòu)建反演回歸模型的目的。目前，基于智能方法應(yīng)用于內(nèi)陸水體遙感監(jiān)測較為主流且成熟的方法為神經(jīng)網(wǎng)絡(luò)方法，隨機(jī)森林、支持向量機(jī)等其他方法也受到了一定的關(guān)注。相關(guān)研究已經(jīng)有力佐證智能方法構(gòu)建的反演模型具有魯棒性強(qiáng)、人工干預(yù)誤差小、預(yù)測效果好等顯著優(yōu)勢。

Song等人基于統(tǒng)計方法分別構(gòu)建了經(jīng)驗(yàn)回歸模型與神經(jīng)網(wǎng)絡(luò)模型來反演查干湖葉綠素a含量，研究結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)的近紅外比紅外波段構(gòu)建的回歸模型具有更高的反演精度。臧友華基于對于經(jīng)典向量機(jī)方法與遺傳算法基本概念的理解，創(chuàng)造性地提出了一種基于遺傳算法的支持向量機(jī)模型（GA-SVM模型），將葉綠素a濃度與敏感波段作為變量輸入該模型，反演結(jié)果達(dá)到了極其顯著的相關(guān)性水平，GA-SVM作為新型機(jī)器學(xué)習(xí)模型能夠用于定量監(jiān)測內(nèi)陸水體的葉綠素a濃度。Hafeez等將葉綠素a高相關(guān)性波段組結(jié)合Landsat系列影像進(jìn)行了常見智能方法的對比研究，實(shí)驗(yàn)結(jié)果表明相比于隨機(jī)森林、決策樹回歸與支持向量機(jī)三種常用機(jī)器學(xué)習(xí)方法，神經(jīng)網(wǎng)絡(luò)模型具有最高的反演精度[26]。

智能化反演模型的研究基于機(jī)器學(xué)習(xí)展開，而應(yīng)用機(jī)器學(xué)習(xí)方法進(jìn)行擬合前輸入的訓(xùn)練數(shù)據(jù)不足或存在噪音，會致使反演結(jié)果過度擬合現(xiàn)象的發(fā)生;且機(jī)器學(xué)習(xí)方法在整個擬合過程是一個標(biāo)準(zhǔn)的“黑箱模型”，各個變量間的因果關(guān)系具有極高的不確定性，這很大程度上決定了基于智能方法所構(gòu)建的模型無可避免地缺乏解釋性[27]。

4 存在問題

將遙感方法應(yīng)用于內(nèi)陸水體葉綠素a濃度的反演研究，對于內(nèi)陸水環(huán)境和水生態(tài)的時效性與全局性監(jiān)測具有重要的現(xiàn)實(shí)意義和廣闊的應(yīng)用前景。但受內(nèi)陸水體自身的復(fù)雜性以及對葉綠素a光譜機(jī)理的認(rèn)知存在不足等因素影響，目前內(nèi)陸水體葉綠素a遙感反演研究存在如下幾個問題：

（1）采樣數(shù)據(jù)同步性不足。對于經(jīng)驗(yàn)方法及其衍生方法和部分分析方法而言，獲取與遙感影像同步或準(zhǔn)同步的水質(zhì)數(shù)據(jù)是進(jìn)行星地協(xié)同反演的一個基本前提。內(nèi)陸水體的水域范圍通常不大，相對于海洋等開闊水體可以較為容易地獲取反映整個研究區(qū)域的葉綠素a濃度實(shí)測數(shù)據(jù)。多數(shù)水質(zhì)樣本需要先進(jìn)行接觸性采樣再送至實(shí)驗(yàn)室內(nèi)進(jìn)行提純分析，整個采樣流程中會受到天氣條件、船舶擾動、運(yùn)輸損耗、主觀操作、儀器精度等誤差因素影響，這些影響會使水體樣本數(shù)據(jù)與影像數(shù)據(jù)缺乏一定的同步性，致使研究區(qū)的葉綠素a濃度時空分布情況無法得到客觀反映，最終對遙感反演結(jié)果產(chǎn)生直接影響。

（2）影像數(shù)據(jù)利用率不高。遙感影像的合理應(yīng)用是使用遙感方法進(jìn)行水質(zhì)監(jiān)測不同于傳統(tǒng)監(jiān)測手段的必要條件。不同遙感數(shù)據(jù)源在不同分辨率類型有著各自的優(yōu)劣，但是礙于數(shù)據(jù)融合技術(shù)的局限，目前只有少量的反演監(jiān)測綜合考慮了不同傳感器數(shù)據(jù)來進(jìn)行研究。多數(shù)傳感器都具備紅外波段與微波波段數(shù)據(jù)，可從現(xiàn)有研究不難看出幾乎所有的內(nèi)陸遙感水質(zhì)監(jiān)測都圍繞可見光波段與近紅波段展開，其中很大部分原因是葉綠素a的光譜敏感特征所決定，但不可否認(rèn)對于葉綠素a與微波遙感的光學(xué)機(jī)理認(rèn)知不足也一定程度上造成了影像資源無法得到高效利用這一現(xiàn)象的存在。

（3）大氣校正算法待改進(jìn)。衛(wèi)星獲取的水體信號約90%為大氣噪聲，只有極小部分信號是水體自身信息的體現(xiàn)[28]，大氣校正能夠有效消除大氣和光照等因素對水體反射的影響，使水中葉綠素a的信息在影像上得到精確表征，高精度的大氣校正算法是內(nèi)陸水體葉綠素a遙感反演的關(guān)鍵過程。雖然在遙感研究領(lǐng)域有較多的大氣校正算法模型被提出并應(yīng)用于不同的監(jiān)測對象，但由于內(nèi)陸水體的上空氣溶膠成分復(fù)雜且水面反射光校正影響因素多變，相對而言構(gòu)建適宜特定內(nèi)陸水體類型的大氣校正的算法研究還不夠成熟，對經(jīng)典校正算法的盲目套用會給內(nèi)陸水質(zhì)葉綠素a的遙感監(jiān)測帶來不可控制的誤差影響。

（4）光譜機(jī)理探索不深入。對于分析與半分析方法而言，水體生物-光學(xué)模型與輻射傳輸理論的深入探討是構(gòu)建精確反演模型的核心步驟。內(nèi)陸水體受地表徑流與河床泥沙影響往往具有較高的懸浮物與黃色物質(zhì)濃度，這些其他物質(zhì)組分會對水中葉綠素a的光學(xué)性質(zhì)發(fā)生改變。例如，懸浮物作為一種強(qiáng)散射體物質(zhì)影響了我國大部分內(nèi)陸湖泊葉綠素a的光學(xué)貢獻(xiàn)，這在很大程度上會使葉綠素a的濃度無法客觀反映在遙感反射率上[29]。但目前許多研究選擇忽略探究水中其他物質(zhì)組分對葉綠素a的光學(xué)影響，抑或只將各組分濃度與光譜間的函數(shù)關(guān)系默認(rèn)為簡單的線性關(guān)系進(jìn)行處理，這勢必會造成反演結(jié)果精確性與可信度的降低。

（5）反演模型通用性較低。反演是遙感監(jiān)測研究的本質(zhì)，反演模型是遙感監(jiān)測研究結(jié)果以數(shù)學(xué)抽象形式的最終體現(xiàn)。由于內(nèi)陸水體遠(yuǎn)比大洋等開闊水域物化成分復(fù)雜，致使水體光譜曲線與葉綠素a濃度之間的函數(shù)關(guān)系缺乏穩(wěn)定性，且?guī)缀鯖]有針對小型內(nèi)陸水域進(jìn)行水質(zhì)監(jiān)測的衛(wèi)星傳感器作為研究的數(shù)據(jù)源;所以至今絕大多數(shù)內(nèi)陸水體葉綠素a的遙感反演模型都被限制于單一研究區(qū)域，甚至對反演季節(jié)都有著嚴(yán)苛的要求。大量遷移性較弱的模型會徒增后繼研究者的研究成本，不利于整個水質(zhì)定量遙感領(lǐng)域的發(fā)展。

5 研究期望

通過上述對內(nèi)陸水體葉綠素a遙感反演研究原理、數(shù)據(jù)、方法與問題的總結(jié)，結(jié)合當(dāng)前遙感與水質(zhì)研究領(lǐng)域的發(fā)展現(xiàn)狀，對于后續(xù)相關(guān)研究提出以下幾點(diǎn)建議與期望：

（1）規(guī)范實(shí)測水質(zhì)數(shù)據(jù)業(yè)務(wù)流程。進(jìn)行實(shí)地采樣的方法選擇上應(yīng)盡量采用浮標(biāo)、手持儀等非接觸式的采樣方法;樣本提純分析時可適當(dāng)選擇環(huán)?；蚧?yàn)機(jī)構(gòu)代為進(jìn)行專業(yè)處理;可以考慮建立一個業(yè)務(wù)化的水質(zhì)數(shù)據(jù)共享平臺，先前研究者的實(shí)測數(shù)據(jù)和各個監(jiān)測站點(diǎn)的歷史數(shù)據(jù)都可以被上傳至該平臺供后續(xù)研究所使用，為遙感水質(zhì)監(jiān)測的長遠(yuǎn)發(fā)展提供開放化與規(guī)范化的數(shù)據(jù)支撐。

（2）拓展遙感影像數(shù)據(jù)獲取途徑。針對現(xiàn)有遙感數(shù)據(jù)源應(yīng)用于小型內(nèi)陸水體葉綠素a監(jiān)測普遍存在著空間、時間、光譜分辨率三者間的相互制約等問題。目前而言，推進(jìn)數(shù)據(jù)融合技術(shù)與無人機(jī)技術(shù)的發(fā)展是解決衛(wèi)星傳感器性能制約的一種有效途徑;但從整個遙感水質(zhì)監(jiān)測領(lǐng)域的長遠(yuǎn)發(fā)展來看，實(shí)現(xiàn)遙感水質(zhì)監(jiān)測的體系化與業(yè)務(wù)化是趨勢所在，對此發(fā)射專門針對內(nèi)陸水體水質(zhì)遙感監(jiān)測的傳感器具有一定的必要性。

（3）加強(qiáng)光學(xué)物理特性深入探討。一方面應(yīng)加強(qiáng)傳感器在精細(xì)光譜方面的深入研究，著重考慮高光譜與超光譜在水質(zhì)監(jiān)測領(lǐng)域的高效利用;另一方面需深入探究水中葉綠素a與其他組分的光學(xué)差異和光學(xué)貢獻(xiàn)，尤其要注重水體間各組分間光學(xué)特征耦合效應(yīng)函數(shù)的研究工作，這對研究適用于內(nèi)陸水體遙感監(jiān)測的大氣校正算法和構(gòu)建通用化的水體生物-光學(xué)模型具有極其重要的理論意義。

（4）推動通用反演模型分級構(gòu)建。在短時間內(nèi)構(gòu)建一種適用于全球尺度的內(nèi)陸水體葉綠素a遙感反演模型客觀上存在較大難度。可以先著手于初步建立適用于同種水體類型或同種氣候類型的泛通用化反演模型，待后續(xù)理論與技術(shù)限制得到突破再考慮將泛通用模型進(jìn)行合理性外延，最終逐步實(shí)現(xiàn)構(gòu)建具備高遷移性與拓展性的通用化反演模型。

——————————

參考文獻(xiàn)：

〔1〕陶然，彭金嬋，張豪，等.內(nèi)陸水體葉綠素a濃度遙感監(jiān)測方法研究進(jìn)展[J].地理信息世界，2019，26（04）：44-53.

〔2〕羅婕純一，秦龍君，毛鵬，等.水質(zhì)遙感監(jiān)測的關(guān)鍵要素葉綠素a的反演算法研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2021，36（03）：473-488.

〔3〕Gordon H R. Diffuse reflectance of the ocean： the theory of its augmentation by chlorophyll a fluorescence at 685 nm[J]. Applied Optics， 1979， 18（08）： 6-1161.

〔4〕疏小舟，尹球，匡定波.內(nèi)陸水體藻類葉綠素濃度與反射光譜特征的關(guān)系[J].遙感學(xué)報，2000，25（01）：41-45.

〔5〕楊敏，商少凌，汪文琦，等.水庫水體近紅外反射峰與葉綠素含量之間的關(guān)系初探[J].湖泊科學(xué)，2009， 21（02）：228-233.

〔6〕楊煜，李云梅，王橋，等.基于環(huán)境一號衛(wèi)星高光譜遙感數(shù)據(jù)的巢湖水體葉綠素a濃度反演[J].湖泊科學(xué)，2010，22（04）：495-503.

〔7〕徐祎凡，李云梅，王橋，等.基于環(huán)境一號衛(wèi)星多光譜影像數(shù)據(jù)的三湖一庫富營養(yǎng)化狀態(tài)評價[J].環(huán)境科學(xué)學(xué)報，2011，31（01）：81-93.

〔8〕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（01）：113-120.

〔9〕Toming K， Kutser T， Laas A，et al. First experiences in mapping lake water quality parameters with Sentinel-2 MSI imagery[J]. Remote Sensing， 2016， 8（640）.

〔10〕Ansper A， Alikas K. Retrieval of chlorophyll a from Sentinel-2 MSI data for the European Union Water Framework Directive reporting purposes[J]. Remote Sensing， 2019， 11（64）.

〔11〕Warren M A， Simis S G H， Selmes N. Complementary water quality observations from high and medium resolution Sentinel sensors by aligning chlorophyll-a and turbidity algorithms[J]. Remote Sensing of Environment， 2021， 265（2021）： 112651.

〔12〕曹暢，王勝蕾，李俊生，等.基于MODIS數(shù)據(jù)的全國144個重點(diǎn)湖庫營養(yǎng)狀態(tài)監(jiān)測：以2018年夏季為例[J].湖泊科學(xué)，2021，33（02）：405-413.

〔13〕王彥飛，李云梅，呂恒，等.環(huán)境一號衛(wèi)星高光譜遙感數(shù)據(jù)的內(nèi)陸水質(zhì)監(jiān)測適宜性——以巢湖為例[J].湖泊科學(xué)，2011，23（05）：789-795.

〔14〕李鑫，孫偉，李林.基于小型無人機(jī)可見光遙感的藍(lán)藻識別研究[J].測繪與空間地理信息，2017， 40（04）：153-156，159.

〔15〕Castro C C， Gómez J A D， Martín J D， et al. An UAV and satellite multispectral data approach to monitor water quality in small reservoirs[J]. Remote Sensing， 2020， 12（09）：1514.

〔16〕陳蕓芝，鄭高強(qiáng)，汪小欽，等.基于GSM01融合的多傳感器數(shù)據(jù)葉綠素a濃度反演[J].地球信息科學(xué)學(xué)報，2013，15（06）：911-917.

〔17〕祁國華，馬曉雙，何詩瑜，等.基于多源遙感數(shù)據(jù)的巢湖水華長時序時空變化（2009—2018年）分析與發(fā)生概率預(yù)測[J].湖泊科學(xué)，2021，33（02）：414-427.

〔18〕劉曼，付波霖，何宏昌，等.基于多時相主被動遙感的漓江水面監(jiān)測與水質(zhì)參數(shù)反演（2016-2020年）[J].湖泊科學(xué)，2021，33（03）：687-706.

〔19〕李云梅，黃家柱，韋玉春，等.用分析模型方法反演水體葉綠素的濃度[J].遙感學(xué)報，2006，31（02）：169-175.

〔20〕劉文雅，鄧孺孺，梁業(yè)恒，等.基于輻射傳輸模型的巢湖葉綠素a濃度反演[J].國土資源遙感，2019，31（02）：102-110.

〔21〕張運(yùn)林，秦伯強(qiáng).基于水體固有光學(xué)特性的太湖浮游植物色素的定量反演[J].環(huán)境科學(xué)，2006，46（12）：2439-2444.

〔22〕Dekker A G， PETERS S V M. The use of the Thematic Mapper for the analysis of eutrophic lakes： a case study in the Netherlands[J]. Remote Sensing， 1993， 14（05）： 799-821.

〔23〕馮馳，金琦，王艷楠，等.基于GOCI影像和水體光學(xué)分類的內(nèi)陸湖泊葉綠素a濃度遙感估算[J].環(huán)境科學(xué)，2015，36（05）：1557-1564.

〔24〕聞建光，肖青，楊一鵬，等.基于Hyperion數(shù)據(jù)的太湖水體葉綠素a濃度遙感估算[J].湖泊科學(xué)，2006，18（04）：327-336.

〔25〕Lyua H， Li X J， Wang Y N， et al. Evaluation of chlorophyll-a retrieval algorithms based on MERIS bands for optically varying eutrophic inland lakes[J]. Science of the Total Environment， 2015， 530-531（2015）： 373-382.

〔26〕Hafeez S， Wong M S， Ho H C， et al. Comparison of machine learning algorithms for retrieval of water quality indicators in case-II waters： a case study of Hong Kong[J]. Remote Sensing， 2019， 11（06）.

〔27〕Reichstein M， Valls G C， Stevens J， et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature， 2019， 566（7743）.

〔28〕Novoa S， Doxaran D， Ody A， et al. Atmospheric corrections and multi-conditional algorithm for multi-sensor remote sensing of suspended particulate matter in low-to-high turbidity levels coastal waters[J]. Remote Sensing， 2017， 9（61）.

〔29〕周冠華，唐軍武，田國良，等.內(nèi)陸水質(zhì)遙感不確定性：問題綜述[J].地球科學(xué)進(jìn)展，2009，24（02）： 150-158.