-
湖泊是淡水资源的重要载体,对区域生态环境的维护发挥着重要的作用[1]。随着中国经济的快速发展以及城镇面积的大幅扩张,国内生产与生活用水需求日益增长,由此造成的湖泊环境与生态破坏现象不胜枚举,湖泊水华暴发、水体缺氧等问题频频发生,并由此引发了一系列经济与社会问题[2]。洱海亦出现了水体富营养化的现象[1],水生生态系统逐步退化、湖泊水体富营养化进程加快等问题日益突出[3],同时针对洱海的相关研究[4]发现,其水质呈现变坏的趋势,暗藏蓝藻水华暴发的隐患。
蓝藻水华通常是指在富营养化水体中出现蓝藻大量繁殖的现象,主要表现为水体表面覆盖着一层蓝绿色并伴有恶臭气味的浮沫,水体藻细胞浓度一般都达到并超过1.5×107个·L−1,叶绿素a质量浓度大于10 mg·m−3[5]。叶绿素a(chlorophyll a, Chl-a)是浮游植物(藻类)中最常见的色素,其质量浓度是评价水体富营养化程度的核心参数[6]。传统的湖泊营养状态评价方法主要依赖于对水体的实地取样分析,然而该方法易受局部天气与环境影响,取样与测试过程也比较耗时耗力、成本较高,较难实现对湖泊富营养状态在精细时空尺度上的监测[7]。与之相比,遥感(remote sensing, RS)技术具有覆盖范围广、获取资料快、周期短等优点,可弥补传统水质采样的诸多不足,因此,已被广泛应用于湖泊水环境和水生态等方面的监测。目前,在利用遥感技术的水质参数反演方面,反演方法经历了分析法、经验法、半经验法、机器学习和综合法[8],已建立起具有较高精度和一定普适性的水质参数反演模型,可以用于宏观的水质评价[9-10]。并且形成了遥感反演叶绿素a质量浓度的多种算法,但不同的算法也存在一定的局限性[11],且不同的算法在不同的传感器之间的适应性也存在差异[12]。
已有许多针对不同地区、不同季节、不同水质参数、不同的反演方法和算法、不同的卫星遥感数据源的水质反演方面的研究。潘鑫等[13]利用高分六号卫星影像,采用3种模型对太湖进行叶绿素a质量浓度反演,得出了适合高分六号卫星影像太湖叶绿素a质量浓度反演的模型。郑震[14]基于OLI影像,建立了叶绿素a质量浓度反演的数学回归模型,分析了东张水库叶绿素a质量浓度的时空分布特点。陈命男[15]利用Landsat 8数据,建立了淀山湖的叶绿素a反演的回归模型。但雨生等[16]基于Sentinel-2数据建立了可靠的BP神经网络模型,用以监测平寨水库水质。马丰魁等[17]以密云水库为研究对象,采用BP神经网络算法反演4个水质参数,并且得到了较为可信的研究结果。徐鹏飞等[18]建立了神经网络模型,对千岛湖清洁水体的叶绿素a质量浓度进行反演,并利用该模型对千岛湖的叶绿素a质量浓度进行时空特征分析。
由此可见,已有许多利用遥感数据反演水质参数的研究,分析方法亦较为成熟,这些研究为不同地区湖泊的水质监测提供了可靠的参考依据。但内陆水体光学特征具有较强的区域性和季节性[8],而且针对叶绿素a反演的各种算法仍受到季节和地理位置等的限制[11],致使各地区建立的水质参数反演模型不具有普适性。为此,针对不同地区、不同季节及不同的传感器[11],仍需要根据实际情况有针对性地建立适合当地的相关模型,为水污染防治提供合理的数据支撑[19]。近年来,利用遥感技术监测洱海水质情况的研究主要包括蓝藻水华的空间分布特征[20]、土地利用变化与水质的关系[21]、干季水质的时空变化[22]等。毕顺等[23]利用OLCI数据,采用了三波段模型对洱海2017年4月19日叶绿素a质量浓度的分布进行了估算。但该研究的三波段模型中第三波段的选取需要满足一系列的假设条件,且三波段模型主要适用于中高浓度叶绿素水体,不适用于高度浑浊水体[11];还有研究[24]表明,OLCI数据虽具有较高辐射分辨率,但其空间分辨率(为300 m)较低,在中小型内陆水体的监测上能力有限。由于洱海属中型湖泊,因此,选用空间分辨率较高的多光谱遥感影像能较为准确地获取水质采样点的反射率数据,这也是提高模型水质反演精度较为主要的因素之一[25]。
鉴于以上所述,本研究选取空间分辨率较高、也是近些年最流行的多光谱遥感数据之一的Sentinel-2数据,以较少利用Sentinel-2数据反演叶绿素a质量浓度的洱海作为研究区域,建立2种叶绿素a质量浓度反演模型,反演洱海叶绿素a质量浓度的空间分布,旨在利用不同数据源和方法探索适用于洱海流域的叶绿素a质量浓度反演模型,为相关部门的水质监测和水污染防治提供参考。
基于Sentinel-2影像的洱海叶绿素a质量浓度反演
Mass concentration inversion for chlorophyll a in Erhai lake based on Sentinel-2
-
摘要: 为动态监测洱海水体富营养污染物,利用遥感技术对反映水体富营养化的核心参数——叶绿素a质量浓度进行反演,建立适合当地当季的反演模型,对水体叶绿素a质量浓度进行宏观监测;通过洱海的秋季Sentinel-2影像和实测叶绿素a质量浓度数据,使用参数相关分析方法选取反演波段,建立BP神经网络模型和多元线性回归模型,随机选择7个样本点对2种模型进行交叉验证后,对洱海叶绿素a质量浓度进行反演。结果表明:Sentinel-2数据与叶绿素a质量浓度具有显著的相关关系(Pearson积矩相关系数的绝对值大于0.7, P < 0.001),且分别在单波段、单波段比值和双波段比值中相关系数最大的波段及波段组合为B6、B7/B6和(B6+B8)/(B7+B8a);隐含层神经元节点数为4的3层BP神经网络模型的均方根误差最小,决定系数最大,分别为0.002 8和0.925;2019年10月12日、11月9日,洱海叶绿素a质量浓度在空间上均呈北部高于南部的分布状态;BP神经网络模型的平均绝对误差百分比为21.36%、均方根误差为0.002 8、决定系数为0.925,多元线性回归模型的平均绝对误差百分比为27.90%、均方根误差为0.004 5、决定系数为0.788。总体而言,BP神经网络模型的叶绿素a质量浓度反演精度高于多元线性回归模型。本研究成果可为相关部门对洱海水质进行动态监测以及制定洱海水质保护措施提供参考。
-
关键词:
- 叶绿素反演 /
- Sentinel-2 /
- 洱海 /
- BP神经网络
Abstract: In order to dynamically monitor eutrophic pollutants in Erhai lake, the remote sensing technology was used to invert the chlorophyll-a mass concentration, the core parameter reflecting eutrophication of water. The inversion model suitable for the local season was established to conduct the macro monitoring of the mass concentration of chlorophyll-a in water. Based on Sentinel-2 images and measured mass concentration data of chlorophyll a in Erhai lake in autumn, the inversion bands were selected by parameter correlation analysis method, then BP neural network model and multiple linear regression model were established. Seven sample points were randomly selected to cross-verify the two models, and then the mass concentration of chlorophyll a in Erhai lake was inverted. The results showed that a significant correlation occurred between Sentinel - 2 data and the mass concentration of chlorophyll a (the absolute value of Pearson's product moment correlation coefficient was higher than 0.7, P < 0.001), and the bands or band combinations with the largest correlation coefficient in single band, single band ratio and dual band ratio were B6, B7 / B6 and (B6 + B8) / (B7 + B8a), respectively; the three-layer BP neural network model with four neuron nodes in hidden layer had the smallest root mean square error and the largest determination coefficient, which were 0.0028 and 0.925, respectively. On October 12th and November 9th, 2019, the spatial distribution of mass concentration of chlorophyll a in the northern part of Erhai lake was higher than that in the southern part. The mean absolute percentage error of BP neural network model was 21.36%, the root mean square error was 0.002 8, and the coefficient of determination was 0.925. The mean absolute percentage error of multiple linear regression model was 27.90%, the root mean square error was 0.004 5, and the coefficient of determination was 0.788. In general, the inversion accuracy of mass concentration of chlorophyll-a by BP neural network model was higher than that by multiple linear regression model. The results of this study can provide a reference for relevant departments to dynamically monitor water quality of Erhai lake and formulate water quality protection measures of Erhai lake.-
Key words:
- chlorophyll inversion /
- Sentinel-2 /
- Erhai lake /
- BP neural network
-
表 1 Sentinel-2数据信息
Table 1. Sentinel-2 data information
序号 日期 卫星 产品级别 1 2019年11月9日 Sentinel-2A Level-2A 2 2019年10月12日 Sentinel-2B Level-2A 表 2 Sentinel-2传感器波段信息
Table 2. Spectral bands for the Sentinel-2 sensors
波段号 波段 Sentinel-2A Sentinel-2B 空间分辨率/m 中心波长/nm 波宽/nm 中心波长/nm 波宽/nm B1 沿海气溶胶 442.7 21 442.3 21 60 B2 蓝 492.4 66 492.1 66 10 B3 绿 559.8 36 559.0 36 10 B4 红 664.6 31 665.0 31 10 B5 植被红边 704.1 15 703.8 16 20 B6 植被红边 740.5 15 739.1 15 20 B7 植被红边 782.8 20 779.7 20 20 B8 近红外 832.8 106 833.0 106 10 B8a 窄波近红外 864.7 21 864.0 22 20 B9 水蒸气 945.1 20 943.2 21 60 B10 短波红外-卷云 1 373.5 31 1 376.9 30 60 B11 短波红外 1 613.7 91 1 610.4 94 20 B12 短波红外 2 202.4 175 2 185.7 185 20 表 3 各波段/波段组合反射率与叶绿素a质量浓度的相关性
Table 3. Correlation between reflectance of each band/band combination and chlorophyll-a mass concentration
波段/波段组合 Pearson相关系数 P 样本数 波段/波段组合 Pearson相关系数 P 样本数 B2 -0.148 0.435 30 B8/B6 0.297 0.110 30 B3 -0.099 0.602 30 B8/B7 0.470 0.009 30 B4 0.233 0.216 30 B7/B6 -0.713 < 0.001 30 B5 0.186 0.324 30 (1/B4-1/B5)×B6 -0.128 0.501 30 B6 0.811 < 0.001 30 (1/B4-1/B5)×B7 -0.086 0.653 30 B7 0.724 < 0.001 30 (1/B4-1/B5)×B8 -0.098 0.606 30 B8 0.788 < 0.001 30 (1/B4-1/B5)×B8a -0.070 0.713 30 B8a 0.694 < 0.001 30 (B6+B7)/(B8+B8a) -0.382 0.037 30 B5/B4 -0.009 0.963 30 (B6+B8)/(B7+B8a) 0.821 < 0.001 30 B8a/B6 0.081 0.669 30 (B8-B6)/(B8+B6) 0.363 0.048 30 B8a/B7 0.264 0.158 30 (B8-B7)/(B8+B7) 0.477 0.008 30 B8a/B8 -0.621 < 0.001 30 (B8-B4)/(B8+B4) 0.489 0.006 30 表 4 隐含层不同神经元个数的R2和RMSE
Table 4. R2 and RMSE of different numbers of neurons in the hidden layer
神经元个数 决定系数 均方根误差 3 0.770 0.004 5 4 0.925 0.002 8 5 0.564 0.005 1 6 0.335 0.004 7 7 0.587 0.006 1 8 0.361 0.004 9 9 0.791 0.007 4 10 0.851 0.004 5 11 0.661 0.007 1 12 0.418 0.007 9 表 5 检验数据对2种模型误差检验结果
Table 5. Error testing of two models using test data
样本编号 实测值/
(mg·L−1)线性回归模型
估测值BP神经网络
估测值线性回归模型
相对误差/%BP神经网络
相对误差/%1 0.014 0 0.007 0 0.013 1 49.82 6.36 2 0.006 5 0.008 3 0.011 3 27.90 74.01 3 0.015 6 0.008 6 0.013 8 44.72 11.66 4 0.017 0 0.012 0 0.014 7 29.33 13.73 5 0.021 8 0.019 0 0.017 6 12.69 19.48 6 0.011 0 0.009 2 0.012 6 16.63 14.81 7 0.015 4 0.013 2 0.013 9 14.20 9.49 注:线性回归模型的平均绝对误差百分比(MAPE)为27.90%,均方根误差(RMSE)为0.004 5,决定系数(R2)为0.788;BP神经网络的平均绝对误差百分比(MAPE)为21.36%,均方根误差(RMSE)为0.002 8,决定系数(R2)为0.925。 -
[1] 彭文启, 王世岩, 刘晓波. 洱海水质评价[J]. 中国水利水电科学研究院学报, 2005,3(3): 192-198. doi: 10.13244/j.cnki.jiwhr.2005.03.007 [2] 项继权. 湖泊治理: 从“工程治污”到“综合治理”: 云南洱海水污染治理的经验与思考[J]. 中国软科学, 2013(2): 81-89. doi: 10.3969/j.issn.1002-9753.2013.02.009 [3] 马巍, 苏建广, 杨洋, 等. 洱海水质演变特征及主要影响因子分析[J/OL]. 中国水利水电科学研究院学报, 1-9(2021-06-23)[2022-06-10].https://kns.cnki.net/kcms/detail/11.5020.TV.20210623.1038.001.html. 10.13244/j.cnki.jiwhr.20200248 [4] 石宏博, 黄玥, 李杰, 等. 洱海水质评价及污染物来源分析[J]. 水电能源科学, 2021, 39(10): 72-75. [5] 张亚鹏. 真菌棘孢木霉SHS3对微囊藻的溶藻活性及其溶藻机制[D]. 南京: 南京大学, 2018. [6] CUI T W, ZHANG J, WANG K, et al. Remote sensing of chlorophyll a concentration in turbid coastal waters based on a global optical water classification system[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 187-201. doi: 10.1016/j.isprsjprs.2020.02.017 [7] 周博天, 张雅燕, 施坤. 湖泊营养状态遥感评价及其表征参数反演算法研究进展[J]. 遥感学报, 2022, 26(1): 77-91. doi: 10.11834/jrs.20221232 [8] 王波, 黄津辉, 郭宏伟, 等. 基于遥感的内陆水体水质监测研究进展[J]. 水资源保护, 2022, 38(3): 117-124. doi: 10.3880/j.issn.1004-6933.2022.03.016 [9] 王林, 白洪伟. 基于遥感技术的湖泊水质参数反演研究综述[J]. 全球定位系统, 2013, 38(1): 57-61. doi: 10.3969/j.issn.1008-9268.2013.01.014 [10] 吴煜晨. 基于MODIS遥感数据源的内陆水体叶绿素a浓度反演算法综述[J]. 江西水利科技, 2017, 43(1): 14-18. doi: 10.3969/j.issn.1004-4701.2017.01.03 [11] 罗婕纯一, 秦龙君, 毛鹏, 等. 水质遥感监测的关键要素叶绿素a的反演算法研究进展[J]. 遥感技术与应用, 2021, 36(3): 473-488. [12] JOHANSEN R, BECK R, NOWOSAD J, et al. Evaluating the portability of satellite derived chlorophyll-a algorithms for temperate inland lakes using airborne hyperspectral imagery and dense surface observations[J]. Harmful Algae, 2018, 76: 35-46. doi: 10.1016/j.hal.2018.05.001 [13] 潘鑫, 杨子, 杨英宝, 等. 基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演[J]. 河海大学学报(自然科学版), 2021, 49(1): 50-56. [14] 郑震. 基于OLI遥感影像的叶绿素a质量浓度反演研究[J]. 灌溉排水学报, 2017, 36(3): 89-93. doi: 10.13522/j.cnki.ggps.2017.03.016 [15] 陈命男. 基于Landsat 8数据的淀山湖叶绿素a浓度遥感反演研究[J]. 中国资源综合利用, 2021, 39(2): 44-46. doi: 10.3969/j.issn.1008-9500.2021.02.015 [16] 但雨生, 周忠发, 李韶慧, 等. 基于Sentinel-2的平寨水库叶绿素a浓度反演[J]. 环境工程, 2020, 38(3): 180-185. doi: 10.13205/j.hjgc.202003030 [17] 马丰魁, 姜群鸥, 徐藜丹, 等. 基于BP神经网络算法的密云水库水质参数反演研究[J]. 生态环境学报, 2020, 29(3): 569-579. doi: 10.16258/j.cnki.1674-5906.2020.03.017 [18] 徐鹏飞, 程乾, 金平斌. 基于神经网络模型的千岛湖清洁水体叶绿素a遥感反演研究[J]. 长江流域资源与环境, 2021, 30(7): 1670-1679. [19] 张宏建, 王冰, 周健, 等. 基于BP神经网络的内陆河流水质遥感反演[J]. 华中师范大学学报(自然科学版), 2022, 56(2): 333-341. [20] 张娇, 陈莉琼, 陈晓玲. 基于FAI方法的洱海蓝藻水华遥感监测[J]. 湖泊科学, 2016, 28(4): 718-725. doi: 10.18307/2016.0404 [21] 杜芳芳. 湖泊流域土地利用变化与湖泊水质关系研究[D]. 昆明: 昆明理工大学, 2011. [22] 祁兰兰, 王金亮, 农兰萍, 等. 基于GF-1卫星数据的洱海干季水质时空变化监测[J]. 人民长江, 2021, 52(9): 24-31. doi: 10.16232/j.cnki.1001-4179.2021.09.005 [23] 毕顺, 李云梅, 吕恒, 等. 基于OLCI数据的洱海叶绿素a浓度估算[J]. 湖泊科学, 2018, 30(3): 701-712. doi: 10.18307/2018.0312 [24] KRAVITZ J, MATTHEWS M, BERNARD S, et al. Application of Sentinel 3 OLCI for chl-a retrieval over small inland water targets: Successes and challenges[J]. Remote Sensing of Environment, 2020, 237: 111562. doi: 10.1016/j.rse.2019.111562 [25] 冼翠玲, 张艳军, 张明琴, 等. 基于高分辨率多光谱影像的温瑞塘河水质反演模型研究[J]. 中国农村水利水电, 2017(3): 90-95. doi: 10.3969/j.issn.1007-2284.2017.03.020 [26] 杨斌, 李丹, 王磊, 等. 基于Sentinel-2A岷江上游地表生物量反演与植被特征分析[J]. 科技导报, 2017, 35(21): 74-80. [27] European Space Agency. Level-2A algorithm overview[EB/OL]. (2022-03-19)[2022-04-10].https://sentinel.esa.int/web/sentinel/technical-guides/sentinel-2-msi/level-2a/algorithm. [28] 赵姝雅. 基于遥感的白洋淀水质参数反演研究[D]. 廊坊: 北华航天工业学院, 2019. [29] 韩秀珍, 郑伟, 刘诚, 等. 基于MERSI和MODIS的太湖水体叶绿素a含量反演[J]. 地理研究, 2011, 30(2): 291-300. [30] 董舜丹, 何宏昌, 付波霖, 等. 基于Landsat-8陆地成像仪与Sentinel-2多光谱成像仪传感器的香港近海海域叶绿素a浓度遥感反演[J]. 科学技术与工程, 2021, 21(20): 8702-8712. doi: 10.3969/j.issn.1671-1815.2021.20.058 [31] 谢小红, 魏虹, 李昌晓, 等. 水淹胁迫下枫杨(Pterocarya stenoptera C. DC. )幼苗叶片高光谱特征的研究[J]. 西南大学学报(自然科学版), 2011, 33(4): 93-98. [32] 张德丰. MATLAB R2020a神经网络典型案例分析[M]. 北京: 电子工业出版社, 2021. [33] BUCKTON D, O'MONGAIN E, DANAHER S. The use of neural networks for the estimation of oceanic constituents based on the MERIS instrument[J]. International Journal of Remote Sensing, 1999, 20(9): 1841-1851. doi: 10.1080/014311699212515 [34] SCHILLER H, DOERFFER R. Neural network for emulation of an inverse model operational derivation of Case II water properties from MERIS data[J]. International Journal of Remote Sensing, 1999, 20(9): 1735-1746. doi: 10.1080/014311699212443 [35] 张丽华, 林茂森, 田英, 等. 环境因子对大伙房水库叶绿素α的影响研究[J]. 环境科学与技术, 2020, 43(4): 230-236. doi: 10.19672/j.cnki.1003-6504.2020.04.033 [36] 赵玉芹, 汪西莉, 蒋赛. 渭河水质遥感反演的人工神经网络模型研究[J]. 遥感技术与应用, 2009, 24(1): 63-67. doi: 10.11873/j.issn.1004-0323.2009.1.63 [37] 岳佳佳, 庞博, 张艳君, 等. 基于神经网络的宽浅型湖泊水质反演研究[J]. 南水北调与水利科技, 2016, 14(2): 26-31. doi: 10.13476/j.cnki.nsbdqk.2016.02.006 [38] 杨柳, 韩瑜, 汪祖茂, 等. 基于BP神经网络的温榆河水质参数反演模型研究[J]. 水资源与水工程学报, 2013, 24(6): 25-28. doi: 10.11705/j.issn.1672-643X.2013.06.006 [39] 吴倩, 林蕾, 王学军, 等. 福海叶绿素含量的人工神经网络反演模型[J]. 地理与地理信息科学, 2004(4): 27-30. doi: 10.3969/j.issn.1672-0504.2004.04.007 [40] LIN S S, SHEN S L, ZHOU A, et al. Sustainable development and environmental restoration in Lake Erhai, China[J]. Journal of Cleaner Production, 2020, 258: 120758. doi: 10.1016/j.jclepro.2020.120758 [41] WANG X, DENG Y, TUO Y, et al. Study on the temporal and spatial distribution of chlorophyll a in Erhai Lake based on multispectral data from environmental satellites[J]. Ecological Informatics, 2021, 61: 101201. doi: 10.1016/j.ecoinf.2020.101201 [42] TAN W, LIU P, LIU Y, et al. A 30-year assessment of phytoplankton blooms in Erhai Lake using landsat Imagery: 1987 to 2016[J]. Remote Sensing, 2017, 9(12): 1265. doi: 10.3390/rs9121265 [43] 徐祎凡, 李云梅, 王桥, 等. 基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价[J]. 环境科学学报, 2011, 31(1): 81-93. doi: 10.13671/j.hjkxxb.2011.01.019 [44] 朱利, 李云梅, 赵少华, 等. 基于GF-1号卫星WFV数据的太湖水质遥感监测[J]. 国土资源遥感, 2015, 27(1): 113-120.