太湖水体典型组分混合光谱分解模型研究

面向湖泊藻华准确、快速、连续地高/多光谱遥感监测与预警的需要，本研究以长江中下游典型富营养化湖泊-太湖为研究试验场，以梅梁湖、北太湖为重点实验区，利用野外采样富集提取太湖水体中典型组份：非藻类悬浮物、黄色物质，结合太湖主要藻种的实验室培养，获取并构建实验室控制条件下太湖水体中典型组份藻类、非藻类悬浮物、黄色物质和纯水在各种配比条件下的混合光谱及荧光光谱数据库；分析太湖水体典型组份间的混合光谱及荧光效应，研究各组分光谱间相互影响机理，探索利用荧光峰的特征变化反演二类水体的叶绿素a浓度的可能性；构建基于多次散射理论的太湖典型组分非线性混合光谱分解模型，利用生物光学模型模拟典型组份端元卫星光谱特征，实现该混合光谱分解模型在多源卫星图像（如MODIS、TM等）中的应用，以期提高太湖水体典型组份的卫星遥感反演精度，为准确分析太湖典型组份长期时空变化特征服务，继而为蓝藻藻华预测预警提供理论与技术支持。

叶绿素a是衡量水体初级生产力的重要指针，反应了浮游藻类的生长水平及水体营养水平。II类水体中光学活性物质之间复杂的相互作用，使得很难将光谱辐射率（或者反射比）的变化与任何一种单一组分联系起来。本研究将混合光谱分解算法应用到太湖叶绿素a浓度的反演上。首先，本研究设计了太湖水体主要组分（叶绿素a、NPSS、CDOM和纯水）混合配比模拟实验，通过Hydrolight模拟得到不同组分类型不同浓度的混合光谱。其次，本研究重点分析混合光谱中CDOM及NPSS对叶绿素a反射率的影响，同时利用模拟所得的单组分光谱选取各组分的端元波谱。第三，基于Hydrolight模拟的光谱数据构建了Chla的混合光谱分解算法，并使用模拟反射率和实测反射率数据成功验证。基于MERIS数据本研究算法与其它多种模型对比发现，新算法的叶绿素a浓度的反演精度明显优于其他模型。最后，基于本算法，本研究还对太湖叶绿素a浓度的空间分布及其与环境因素的关系进行了分析，并对新模型的应用和其估算浑浊湖泊水面叶绿素a浓度的局限性进行了讨论。. 在上述研究基础上，本研究还混合光谱分解算法应用于精确估算蓝藻水华面积，研发了评估蓝藻水华亚像素盖度的算法(the algae pixel-growing algorithm，APA)，用来实现太湖蓝藻水华MODIS的高精度遥感监测。该算法基于MODIS瑞利校正反射率(Rrc)和浮游藻类指数(FAI，由三个光谱波段的Rrc推导而来)。通过与同步的Landsat TM / ETM +数据对比验证可知，相对于其他常用方法，如线性分离算法(LA)，APA能更加准确地估算藻华面积和藻华强度（RSE=15.2km2，RE=9.9%）。此外，本研究研究还表明，与归一化植被指数(NDVI)和增强型植被指数(EVI)相比，FAI更适用于评估藻类区域范围，尤其是应用于APA算法。本研究为复杂的内陆水体的水华客观精确评估提供了理论基础。. 在表层Chla反演算法研究基础上，结合野外观测，我们发现受藻类自身生理特征以及水动力条件的影响，仅仅针对水体表层藻类观测是不够的，因此，我们又尝试性探讨了藻类的垂向非均匀分布对Chla反演算法的影响，为下一步面上基金研究做了很好的预研工作。.