基于遥感的内陆水体叶绿素a监测研究 李代伟 吴天振 姜祥乐 张帆 王滢 李楠摘 要：对内陆水体开展叶绿素a浓度遥感反演和预测是水质治理与定量遥感领域的重要研究方向，但内陆水体的物质成分和理化性质相对复杂，实现高效且准确的遥感监测存在一定困难文章梳理了水体叶绿素a的反演原理与光谱特征，归纳了国内外学者在内陆水体叶绿素a遥感监测研究中常用的数据与方法并分析了各自的优缺点与适用性，在此基础上总结了目前应用遥感方法监测内陆水体叶绿素a浓度所面临的实际问题以及未来研究的展望关键词：叶绿素a;遥感反演;内陆水体;水质监测;研究综述：X87 ：A ：1673-260X（2022）03-0014-07内陆水体是人类赖以生存和发展的自然生态系统重要组成部分，在水源供给、抗旱排洪、交通航运、调节气候、提供生物栖息地、维护生态多样性等方面发挥着不可替代的重要作用近年来，在人类活动与气候变化等因素影响下，内陆水资源、水环境与水生态均面临不同程度的问题和威胁，水体富营养化及引起的藻类水华是当前内陆水体普遍存在的污染问题，流域开发与生态协调间的稳态平衡逐渐受到有关部门的重视叶绿素a（Chlorophyll-a）是蓝藻进行光合作用的核心元素，并且在浮游生物体内含量相对稳定，便于在实验室条件下进行提纯分析，通过测定水体叶绿素a含量可以初步判定水体富营养化的程度，借以进一步把握水体质量状况。
因此，对内陆水体叶绿素a浓度进行全范围长时序的动态监测是陆地水资源保护与修复的重要前提而传统水质监测手段是通过大量实测点状数据来推及整个湖面的水质状况，这种传统监测方式费时费力成本较高，不适宜大面积水域进行短时序的水质监测遥感技术作为一种基于波谱理论快速获取地表信息的新兴观测技术，具有大面积同步观测、周期动态成像、不受地面地形限制等优势目前国内外大量学者利用遥感数据对于内陆江河、大型湖泊、水库库区与城市小型水体开展了叶绿素a浓度遥感监测梳理基于遥感方式监测内陆水体叶绿素a浓度的相关理论基础与常用数据和方法并加以比较总结，对于加强流域水环境管理、污染源控制与生态文明建设具有重要现实意义1 叶绿素a浓度遥感反演原理当太阳光线从大气射入内陆水体表面时，会在水汽界面发生反射、折射、吸收等光学现象，传感器最终捕获的水体光谱特征主要由其自身光学性质、水中物质成分、气象条件与传感器成像角度等因素共同决定太阳光经过大气介质到达水面的过程中，小部分会被大气散射，其余大部分到达水面，传输到水面的光大部分被反射，剩下部分则进入水体纯度较高的水体在可见光波段与光谱反射率之间的函数关系近乎线性，当纯水中出现其他物质时，水体的反射率曲线将会发生变化。
叶绿素a作为一种光学敏感性较高的物质，其浓度发生变化时水体的光谱曲线会出现相对应的峰值或谷值，基于对叶绿素a特征光谱的研究可以实现对水体叶绿素a浓度的反演监测与预测[1]大部分内陆水体叶绿素a光谱曲线在750nm前存在“三峰两谷”走势特征在440nm附近，叶绿素a的反射率较低，其原因为水体的叶绿素a与黄色物质在蓝紫光波段的强吸收所致;叶绿素a在红光波段的强吸收导致在675nm附近出现了第二个反射谷因细胞壁与无机悬浮物的散射作用、浮游植物与胡萝卜素的弱吸收作用[2]，致使不同的内陆水体大致在550-580nm区间出现绿色反射峰;685nm与700nm附近出现的叶绿素a荧光峰，被认为是水体叶绿素a浓度判定的典型标志[3]多数学者研究发现，随着叶绿素a浓度由低变高，对应的叶绿素a峰值点在685-720nm区间变化，反射峰随叶绿素a浓度增大向长波方向移动，出现“红移”效应[4]由于700nm附近的反射峰位置与700nm附近反射峰与675nm附近吸收峰的反射比与叶绿素a浓度具有很好的相关性，较多的水体叶绿素a浓度确定与反演算法基于此开展[5]2 叶绿素a浓度遥感反演数据源用于内陆水体进行叶绿素a浓度遥感监测的数据以多光谱与高光谱等传统影像源为主;伴随着影像获取手段的进步，利用高空间分辨率数据的水质监测研究也正逐渐发展壮大。
根据光谱分辨率的差异性，不同传感器的遥感数据在构建不同类型叶绿素a反演模型与不同水体类型的监测研究区有着各自的优势性，随着遥感数据同化融合技术的进步，学者们对基于多源遥感数据的监测研究进行了一定的探索2.1 多光谱遥感数据多光谱影像作为遥感监测应用最为广泛的影像数据，国内外学者以此为数据源对内陆水质叶绿素a反演做了大量反演监测与模型优化常见的用于水质监测研究多光谱遥感数据源有美国发射的陆地资源（Landsat）系列卫星、欧空局发射的哨兵（Sentinel）系列卫星与中国发射的环境与灾害监测预报环境一号（HJ-1A/B）系列卫星等Landsat作为发射在轨时间最长的对地观测系列卫星，具有易于获取、估算精度较高、定标理论较为成熟等优势，是定量获取水体叶绿素a较好的数据源早期Carpenter等人通过研究MSS影像与藻类水体叶绿素a浓度的关系发现，MSS数据在实测水质数据较少的内陆湖泊有着合理的反演精度何报寅等对于存在数据缺行的Landsat 7 ETM+影像采用ALR算法进行数据修复后将其应用于与武汉东湖水反演监测，反演模型达到了合理的精度范围，验证了修复的ETM+影像进行内陆水质监测的可行性。
段海梅等以Landsat 8 OLI数据为例，采用了4种大气校正算法与3种反演算法共计12种算法组合对同一内陆湖泊展开水质反演，实验结果表明对于OLI数据经过6S大气校正使用NDCI指数反演算法反演精度最为理想HJ-1A/B是我国自主设计研发的用于监测自然灾害与环境变化的国产化卫星，其搭载的CCD相机因具备良好的空间分辨率与较短的时间分辨率，是一种较为理想的水环境质量检测影像数据源[6]，一经投入使用就被广泛应用于本土化的水质遥感监测徐祎凡等利用环境卫星CCD影像与湖面实测高光谱数据，构建了基于CCD多光谱数据的三湖一库（太湖、巢湖、滇池、三峡水库）的叶绿素a反演模型与富营养化评价指数模型，研究表明：水库水质情况远好于内陆大型湖泊，且水库的水质与蓄水量具有高度相关性[7]朱利等人通过比较分析了HJ-1 CCD相机与GF-1 WFV傳感器的波谱响应函数，发现两传感器在波段设置上具有极大的相似性，理论上可采用相同的反演模型进行水质遥感监测，随后将此方法应用于太湖试验区进行多项水质参数监测反演证明了该理论的可行性这一实验验证两国产卫星传感器水质反演监测模型的通用性，为国产化卫星进行水质遥感反演提供了新思路与新途径[8]。
Sentinel-2 A/B组合星具有短至5天的时间分辨率与高达10m的空间分辨率，所搭载的MSI传感器在可见光至红外波段有13个光谱通道，这昭示着其对于流动性较高、水质变化较快的小型内陆水体反演有着特有的优势Toming等使用MSI影像对9个小型湖泊和2个大型湖泊进行水质监测，实验结果显示MSI数据与叶绿素a浓度之间具有较好的相关性[9]Ansper等人利用Sentinel-2年际影像反演了Estonian湖的叶绿素a浓度，研究证明了MSI数据可有效对内陆湖泊的叶绿素a浓度进行反演和长时序动态监测[10]Mark等人利用Sentinel-2 MSI与Sentinel-3 OLCI对五大洲24个湖泊水质进行了协同反演，对比MSI与OLCI波段响应曲线发现，对于叶绿素a这一参数两传感器响应函数大致相同，基于此项结论并考虑到OLCI较低的分辨率和内陆水体较小的地理范围，MSI是一种极其理想的内陆水体反演传感器[11]2.2 高光谱遥感数据由于叶绿素a反射峰值红移现象受浓度变化影响较为缓慢[4]，且进行叶绿素a反演的特征波段的宽度最好应控制在5nm范围内，因而更高的光谱分辨率能够更为精细准确地提取并反演水质信息。
高光谱传感器相较于传统多光谱数据波段数量更多，波段宽度变窄，光谱分辨率大大提高，是一种理想的内陆水质反演数据源随着光谱理论与反演方法的日趋成熟，高光谱影像在内陆水质定量遥感监测中逐渐被加以重视并得到了广泛应用[12]吴敏等使用MODIS波段组合与巢湖水质参数进行匹配拟合，发现1、10-11的波段组合与叶绿素a浓度具有很强的相关性，对比TM数据的相关研究结果较为吻合莫登奎等基于Hyperion高光谱影像对东洞庭湖水质进行分析研究，验证了700nm存在叶绿素a反射峰是对水体叶绿素a进行遥感监测的典型标志王彦飞等以HJ-1 HSI高光谱卫星影像为研究对象，通过多个评价维度对影像质量进行综合分析评判，研究表明530-900nm是较为合适水质反演波段区间，HSI作为一种全新的国产高光谱影像数据源能够胜任二类水体遥感反演研究[13]邓实权等人使用GF-5 AHSI高光谱数据基于光学区分理论，对低浑浊度鄱阳湖叶绿素a浓度进行遥感监测，此次高光谱反演（R2=0.82）效果相较于前期使用实测光谱建模的最优波段反演（R2=0.76）精度得到有效提升韦安娜等使用AHSI影像对高度浑浊鄱阳湖水体进行叶绿素a反演研究，利用穷举思想结合水体光学特征得出叶绿素a的最优三波段反演组合为681.3nm、709.9nm、829.6nm，结合前人研究证明了AHSI高光谱数据用于湖泊叶绿素a反演具有较高的可信度。
2.3 高空间分辨率遥感数据内陆水体相较于大洋等开阔水体更易受人类活动、陆源污染、季节更替以及水体流动性等因素影响，具有物质成分繁多、污染来源丰富、理化性质多样与光学性质复杂等特质，这些特征很大程度上导致了内陆水质遥感研究具有一定的复杂性与不确定性而高空间分辨率的遥感影像能够提供十分精细的地物信息，可以将地理范围不大的内陆水域的水质信息得到直观体现，得益于近几年无人机（Unmanned Aerial Vehicle，UAV）技术的迅猛发展，借助机载系统获取的高分辨数据在成像时效与质量方面得到显著改善，高空间分辨率影像正逐渐成为内陆水体叶绿素a遥感监测研究的重要数据源Ekercin将土耳其伊斯坦布尔市的城区河道叶绿素a浓度与高空间分辨率IKONOS影像（4m）进行多元回归建模，反演精度效果理想，验证了高分辨卫星遥感影像在狭长小型河道开展叶绿素a监测的可行性李鑫等人以无人机航拍影像为数据源，提出了一种用于识别蓝藻的归一化差值植被指数，该指数对水域蓝藻提取效果良好，为使用无人机影像对水体叶绿素a进行提取与溯源提供了方法支撑[14]Castro等人依次使用了Landsat 8 OLI（30m）、Sentinel-2 MSI（10m）、Rededge Micasens（8cm）三个在不同空间分辨率的传感器对小型饮用水库开展叶绿素a濃度反演研究，通过对多尺度影像数据的比照研究发现，无人机数据可以很好地适应基于传统多光谱影像所开发的算法模型，这种算法继承性对于快速普及无人机水质遥感监测研究具有重要意义[15]。
黄宇等使用无人机挂载的空间分辨率高达4cm的高光谱传感器对内陆河流进行机载遥感水质反演研究，由于影像同时具备高空间分辨率与高光谱分辨率的双重优势，对叶绿素a浓度的反演效果极其显著（R2=0.99），研究证明了利用无人机高光谱技术开展水质监测精度较高且结果可信2.4 多源融合数据不同遥感数据源在不同分辨率类型上对于传感器成像细节的辨别能力互有优劣，很难有单一的数据源能够胜任大部分研究区的水质遥感监测，基于对适宜研究需要的理想数据源的追求，部分学者开始尝试将不同来源的遥感数据进行融合后应用于内陆水体的叶绿素a监测陈芸芝等融合了MODIS Aqua、MODIS Terra、SeaWiFs三种传感器的各波段反射率进行叶绿素a反演研究，融合影像波段数目倍增，光谱信息更加丰富，将反演结果与传统方法计算得到的叶绿素a浓度进行对比发现，融合影像所建模型具有少噪点、低误差、高灵活性等优势[16]封红娥等利用WFV数据具有短重返周期、较高空间分辨率与OLI数据具备较高光谱。