面向二类水体叶绿素a浓度遥感反演的光谱纯化研究

Spectral purification is a procedure and methods used to process mixing spectra by filter, calibration, transformation and separation based on the specific component pure spectrum so as to decrease the probability of the same object with the different spectrums and improve the remote sensing inversion precision. As the main biomass index of water body, chlorophyll-a has close relationship with the primary production and carbon cycle. Considering the complexness of bio-optical property and requirement for model robust and precision of chlorophyll-a concentration remote sensing inversion in case-II water, the projection will take Taihu lake as typical area and study the following contents: (1) Bio-optical property of suspended material and phytoplankton，their contribution to the water body spectrum and affection on the chlorophyll-a remote sensing inversion and under different concentration gradient. (2) Feature extraction and indentify of pure spectra on chlorophyll-a component in case-II water. (3) Algorithms and procedure of spectral purification, and the chlorophyll-a inversion model based on spectral purification. The study result can provide the base and method supporting to the chlorophyll-a remote sensing inversion and monitoring in the case-II water, the new algorithms for the spectral processing in hyperspectral remote sensing and remote sensing information extraction, and a valuable reference for vegetation and atmospheric remote sensing as well.

光谱纯化指利用指定的纯组分光谱对混合光谱进行"滤波-校正-变换-分离"的数学处理获得组分光谱的方法和流程，用来降低"同物异谱"的概率，改进遥感反演的精度。 叶绿素a浓度是水体生物量的主要指标，与水体初级生产力和碳循环密切相关。项目借鉴实验室化学分析中的纯化概念，针对二类水体生物-光学性质的复杂性、叶绿素a浓度遥感反演和监测对模型稳健性和精度的要求，选择太湖为典型研究区，开展如下研究：（1）典型浓度梯度下悬浮物组分和浮游植物的光学性质及其对水体光谱的贡献和对水体叶绿素a浓度反演的影响；（2）二类水体中叶绿素a组分的"纯谱"的特征提取和识别；（3）水体光谱纯化算法、流程和基于光谱纯化处理的水体叶绿素a浓度反演模型。研究成果不仅可为二类水体水色指标的遥感反演和监测提供基础支撑和方法支持，而且可为高光谱遥感数据处理和遥感信息提取提供新方法，对于植被遥感和大气遥感也具有重要的参考价值。

水体中的叶绿素a浓度(Chla)是评估水体富营养化的重要指标。基于遥感手段开展大型水体的Chla的反演估计，是水色遥感中的重要内容。项目以太湖为研究区，提出光谱纯化处理，结合其他的方法来改进Chla的遥感估计精度。.基于多期数据集建立反演模型并进行模型验证。数据集划分方式为：（1）混合所有调查数据，随机抽取2/3建模，1/3验证。（2）使用2016年前的数据建模，2016年及其后的数据进行验证。使用3波段半分析模型作为参考。项目内容和结论如下。.（1）纯谱的提取.选择确定4个光谱特征提取了面向浑浊水体Chla遥感估计的纯谱。对比分类与回归决策树、反向传播神经网络、支持向量机、袋装决策树(BT)、加权K近邻（WKNN）和模糊模式识别（FPR）方法，表明FPR、BT和WKNN建立的模型对水体光谱中的纯谱识别具有高的查准率。.（2）散射的校正.以Rrs(705)/Rrs(670)为判据，以1.6为阈值，把水体划分为浮游藻类控制的水体和悬浮泥沙控制的水体两个类别。对比确定了水体后向散射的估计方法并进行了散射去除，按照类别建立了比值模型并进行了对比验证，表明散射校正后的模型具有更好的性能，精度可提高5%，且误差的分布更有规律。.（3）Chla遥感估计模型的构建.考虑藻类颗粒物的散射影响，构建了秋季太湖水体的4波段的半分析模型并进行了对比验证。考虑水体时间和空间的差异性，建立了不同分区的Chla估计模型，获得了更高的估计精度，模型验证RMSE为11.5ug/L，高于比值、三波段和四波段模型（RMSE>16.8ug/L）。基于人工配比的混合实验和野外数据建立了光谱分解反演模型并进行了验证。建立了考虑环境因素的非线性模型和等级判别模型。对比确定了适用于光谱降噪的光谱非负矩阵分解方法，验证了其对模型的精度影响，降低了高浓度样点的估计误差。.总体上看，所建立模型的精度提高了1-10%。光谱散射校正、降噪和光谱分解可提高3-5%的精度，考虑不同分区、附加环境因素、非线性建模可提高5-10%的精度。综合光谱预处理、光谱组合、建模方法、考虑环境因子能够有效的提高可应用的Chla遥感估计精度。