[发明专利]一种富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法

说明书

技术领域

本发明涉及富营养化湖泊水体叶绿素a 的MODIS卫星高精度监测方法。

背景技术

遥感技术广泛地应用于监测水体富营养化和藻华，大大改善了水质的实时监测能力（Matthews, 2010; Odermatt et al., 2012）。叶绿素a（Chla, μg/L）是藻华强度和水质营养状况的重要标志，成为水质遥感最普遍的参数，（Chaeffer et al., 2012; Matthews, 2010; Qi et al., 2014）。近年来，由于频繁出现的藻华，对饮用水和灌溉用水水质产生了严重的威胁（Duan et al., 2009; Guo, 2007），利用遥感监测水体叶绿素a迅速成为研究热点（Paerl & Huisman, 2008; Paerl & Huisman, 2009; Matthews, 2010; Odermatt et al., 2012）。然而，往往出现类似问题的水体通常都是光学特性复杂的二类水（Morel & Prieur, 1977），因此，对于光学特性复杂的内陆和沿海水域进行精准的水色遥感反演（特别是Chla）一直是一个严峻的挑战（IOCCG, 2000）。

通过全面回顾关于二类水体的文献，四个特性通常被用来评估Chla浓度：色素在442nm波段处吸收最大值（Bricaud et al., 1995; Gitelson et al., 1992）；色素在665nm波段处第二吸收最大值（Bricaud et al., 1995）；572nm波段附近由于色素吸收最小值和SPM的散射而产生的反射峰（Gitelson et al., 1992; Schalles et al., 1998）；700nm波段附近由于浮游植物、SPM、CDOM和纯水吸收的总值最小而形成的反射峰（Gitelson et al., 1992; Vasilkov & Kopelevich, 1982; Vos et al., 1986）；以及685nm波段附近的荧光峰（Gitelson et al., 1994; Gower, 1980; Gower et al., 1999）。基于第一特性，OC2,OC3和OC4算法得到发展并且可以应用于一类水以及低Chla浓度的二类水（D'Sa & Miller, 2003; Horion et al., 2010; Mélin et al., 2007; Witter et al., 2009），因为所有的中等分辨率海洋水色光谱分析仪都能获取Chla的第一特征的吸收波段（Matthews, 2010）。但是OC2-OC4算法只适用于反演Chla浓度小于10μg/L的光学特性复杂水体，无法了应用于富营养化水体。近年来有些算法发展尝试使用了第二和第三特性（绿光和红光波段），并在改善Chla数据结果精确性方面取得了重大的进步（Dall'Olmo & Gitelson, 2005; Gitelson et al., 2008; Le et al., 2013; Le et al., 2009; Shen et al., 2010; Tassan & Ferrari, 2003; Thiemann & Kaufmann, 2000）。然而，除了shen和le的研究，大多数这方面研究都是基于实地测量的光谱数据（Le et al., 2013; Shen et al., 2010）。目前，基于700nm左右和670nm左右的波段比值算法被广泛应用于评估富营养化水体的Chla浓度（Duan et al., 2007; Gitelson et al., 1993; Gons, 1999; Moses & Gitlson, 2009）。Chla与700/670nm比值之间的相关性主要来源于叶绿素a光谱的第四个特性。后来，这个比值算法又演变和发展为“三波段算法”（ Dall'Olmo & Gitelson, 2005; Duan et al., 2010; Gitelson et al., 2008; Moses et al., 2009; Zimba & Gitelson, 2006）和“四波段算法”，这些算法大大提高了浑浊水体中Chla浓度的反演精度（Le et al., 2013; Le et al., 2009）。FLH（Dierberg & Carriker, 1994; Giardino et al., 2005）、MCI（Binding et al., 2011; Gower et al., 2005）以及MPH（Matthews et al., 2012）则是基于685nm波段附近的荧光性最大值的线性基线算法，FLH适用于浓度小于30 μg/L的水体，其他两个适用于浓度小于100μg/L的水体（Gower et al., 2005; Matthews et al., 2012）。除了上面提到的Chla算法外，人工神经网络算法（Keiner, 1999），多元回归分析（Tyler et al., 2006），EOF（Craig et al., 2005），SDA（Oyama et al., 2010; Oyama et al., 2009），以及LUT方法（Yang et al., 2011）也被应用于Chla的估算。尽管这些算法比其他算法改善了部分相关性，但是这些改善与其复杂的数学过程而言则显得微不足道（Matthews, 2010）。