摘要
水色遥感是以传感器接收到的水体表面辐射光谱为基础数据，通过相关处理获取水体中不同成分的光学特性的基本信息，以此进行监测和研究的方法。水体的颜色、透明度和反射特性是水色遥感的主要研究内容，叶绿素a作为影响水体颜色的光学活性水质参数，其浓度的高低不仅能反映水体中藻类和浮游植物的生长状态，更是评估水生态系统健康状况和水体质量的重要指标。在光学条件复杂、水体组分丰富的内陆湖泊中，通过遥感技术对叶绿素a浓度进行全域范围的长时序监测，充分考虑叶绿素a浓度在不同水域的分布情况，分析非光学活性水质参数等水体组分、水上空气组分以及周边植被分布状态对其分布的影响是至关重要的，这也是传统监测技术不能具备、目前研究需要深入探讨的关键问题。 针对水体叶绿素a浓度的监测，遥感数据是进行不同时间和空间分辨率监测的基础数据，大气校正是保证水体光谱基础数据准确性的关键，反演模型是水体叶绿素a浓度精准预测的保障。因此，本文分别以高光谱和多光谱遥感数据为数据源，针对不同遥感数据的传感器特点，分别做了大气校正处理和反演模型构建，注重引入统计学的加权平均框架来提高光谱基础数据的精度等。本文的主要研究成果和结论如下: （1）对比了 6S、FLAASH、QUAC三种大气校正算法在资源1号02D高光谱影像数据中的适用性。利用实测的光谱数据，通过光谱曲线对比和精度评价指标SAM、CC、RMSE的评估，发现6S算法的校正效果最优。FLAASH模型的光谱信息保持较弱，QUAC模型校正后的影像反射率缺乏代表性，校正效果不稳定。 （2）利用三种大气校正的高光谱数据，分别构建三波段和四波段指数，作为特征构建一元线性模型和CatBoost模型。对比发现CatBoost模型的叶绿素a浓度反演精度，整体优于一元线性模型。同时6S大气校正后的波段特征对叶绿素a浓度的预测效果普遍较好，其中6S-四波段-CatBoost的反演组合表现最佳，R2在0.80以上，均方根误差在5μg/L以下，这表明大气校正、特征选取、反演模型均能在一定程度上提高资源1号02D影像数据在独山湖的反演精度。 （3）评估了 Acolite、C2RCC、Sen2cor三种大气校正算法在哨兵2多光谱影像数据中的适用性。通过与多期实测光谱数据的对比发现，C2RCC算法能够较好的还原湖泊沿岸及植被生长水域附近的离水反射率，Acolite和Sen2cor则使湖中心宽阔水域的光谱更接近实测值。由此本文引入统计学中的加权平均框架，将各大气校正算法的优势充分结合。实验表明在南四湖水域中，加权后的算法相较于单个算法，在光谱形状和光谱值误差方面的表现更优。 (4)对南四湖水域的叶绿素a浓度进行时空分析发现，在时相上，全湖整体在秋季的叶绿素a浓度由低到高为2023年、2019年、2020年、2021年。单独分析2023年，叶绿素a浓度从春季到夏季再到秋季，呈现递减状态。在空间上，叶绿素a浓度分布自沿岸至湖中心，呈现先高后低再高的状态，这与湖区水生植被的分布及生长状况密不可分。上、下级湖叶绿素a浓度均值相近，但受其他因素干扰易造成局部浓度偏高，空间分布呈现非均一性。
NETL