2018, Vol. 38
[PDF全文]
由于海岸带人口密度大和资源过度利用, 导致海岸带环境恶化, 近岸海域水生生态系统承受着巨大压力(Harvey et al., 2015).福建海岸线漫长曲折, 人口多集中在东部沿海, 大量生活生产污水的排放及密集的水产养殖业致使福建近岸海域水环境面临很大风险, 富营养化、赤潮等问题频繁发生.叶绿素a(Chl-a)浓度作为评价水体富营养化程度的关键指标, 在水环境评估中尤为重要(Attila et al., 2013; Yang et al., 2017).然而, 有限的站点观测数据远远满足不了福建近岸海域Chl-a浓度准确、实时、连续观测的需求.目前, 利用遥感数据的光谱信息, 结合实测数据可对Chl-a浓度变化进行模拟.虽然基于遥感影像的水体Chl-a浓度反演的研究已有很多, 但由于近岸水体属于二类水体, 受悬浮物(TSS)、有色可溶性有机物(CDOM)等的影响(Mouw et al., 2015; Odermatt et al., 2012), 水体光谱特征复杂, 存在明显的区域特征.利用遥感技术准确反演区域近岸水体Chl-a浓度仍存在很大挑战(Yang et al., 2017).如何利用有限的浮标观测数据和时序遥感影像, 构建可靠的Chl-a浓度时序遥感反演模型, 准确了解福建近岸二类水体Chl-a浓度分布及其时空变化规律, 对近岸水环境监测有重要意义.
近岸二类水体Chl-a浓度遥感反演方法大体可分为经验统计方法、半经验分析方法和辐射传输模型(张渊智等, 2011; 赵英时, 2013).传统的经验模型是基于波段比值的色素算法(Clark, 1981), 幂指数模型、三次方模型、多元回归模型等都是以波段比值模型为基础根据不同的研究区域建立的模型.经验统计方法简便快捷, 但区域通用性较差.在传统经验模型的基础上加入固有光学参数, 形成半经验模型, 可使模型更具适用性, 并提高反演精度(Nazeer et al., 2016; 唐军武等, 1997).由于近岸二类水体内部环境复杂, 光谱与水体组分的关系无法简单的用线性关系来表达(刘阁, 2016).许多学者将机器学习方法引入到近岸二类水体水质参量浓度反演中, 并逐渐得到广泛应用.如在芬兰海湾的海水富营养化研究中, 运用神经网络算法估测Chl-a、悬浮物、透明度等水质参数(Zhang et al., 2002).尽管神经网络算法对噪声数据具有较强容错性和鲁棒性, 并且能逼近任意非线性关系, 但神经网络参数较多、中间结果无法观察、学习时间过长, 有可能陷入局部极小值.除了神经网络算法外, 支持向量机(SVM)、随机森林(RF)、Gubist等机器学习方法也被应用到近岸Chl-a、悬浮泥沙等水质参量浓度的反演研究中(Yong et al., 2014; Kong et al., 2017), 结果表明SVM在解决非线性及小样本数据问题上具有优越性.机器学习在数据分析上适用范围广、可靠性强(周志华, 2016; 毕顺等, 2018), 被越来越多的学者应用到水色遥感研究中.然而, 随机森林作为当前最流行的机器学习方法之一, 在近岸水色遥感研究中应用还较少, 且缺乏时序遥感反演.对于辐射传输模型, 虽然具有较高的反演精度和较好的通用性(Bukata et al., 1981; Kondratyev et al., 1998; 韩留生, 2014), 但此模型是基于水体中各组分的吸收、散射特征已知的假设, 必须对相应的水域做大量的先期测量和分析工作, 受测量手段和测量数据精度的限制, 使用效果还不够理想(赵英时, 2013).
自1978年世界上第一颗载有海岸带水色扫描仪(CZCS)的水色卫星开始, 海洋卫星遥感观测蓬勃发展, 搭载有海洋水色和温度扫描仪(OCTS)、宽视场海洋观测传感器(SeaWiFS)、中等分辨率成像光谱仪(MODIS)、可见光红外成像辐射仪(VIIRS)及海洋和陆地颜色仪(OLCI)的卫星相继发射, 为海洋遥感观测提供强大的数据支撑.此外, Sentinel系列卫星、国产高分系列卫星、资源卫星和环境小卫星等也被广泛应用于水色、水文的遥感监测(赵英时, 2013; 刘阁, 2016; 李亭亭等, 2017; 毕顺等, 2018).不同遥感数据源因各自的观测优势, 在不同区域水环境遥感中得到了相应的应用.
福建近岸水质状况存在明显的空间异质性, 不同区域差异较大, 赤潮等与Chl-a浓度变化有关的海洋事件发生区域一般面积较小、持续时间短、变化快(张春桂等, 2010; 郑高强等, 2015).这些特性为福建近岸海域Chl-a浓度的遥感监测提出较高的时空分辨率要求.MODIS数据质量好, 时间分辨率高, 连续监测能力强, 可以免费获取(http://modis.gsfc.nasa.gov), 已被广泛应用于二类水体水质研究中(赵英时, 2013; Wang et al., 2016; Wang et al., 2017; Carswell et al., 2017; Fu et al., 2018).所以, 本文选择适合于福建区域尺度应用的MODIS 500 m中等分辨率遥感影像作为实验数据, 其高时间分辨率优势有助于提供多时相、连续的遥感观测数据.考虑到福建近岸海域浮标监测站点有限但时间观测连续的实际情况, 结合时序MODIS遥感观测数据, 基于机器学习中适用于小样本数据的随机森林方法建立福建近岸海域的Chl-a浓度遥感反演模型, 并与传统的特征波段组合模型对比, 验证并评估不同模型的反演精度.
2 研究区及数据(Study area and data) 2.1 研究区及概况本文研究区为福建近岸海域, 介于23°33′ N~28°20′ N、117°30′ E~120°40′ E之间(图 1), 是中国大陆重要的出海口.福建省靠近北回归线, 受季风环流和地形的影响, 形成暖热湿润的亚热带季风气候, 夏季盛行东南季风, 冬季盛行西北季风.夏季随着海洋季风北进和极峰北退, 会有台风雨发生, 雨量充沛, 年平均降雨量1400~2000 mm.受热带海洋气团影响, 夏季炎热, 光照充足, 年平均气温17~22 ℃.福建省水系密布, 河流众多, 主要河流有闽江、九龙江、晋江等, 分别在福州、漳州、泉州入海, 给近岸海域带来大量淡水和陆源物质.福建海岸线漫长曲折, 大部分人口集中在东部沿海地区, 生活生产污水的大量汇入及水产养殖业的快速发展, 使得近岸水体污染日益加剧, 给近岸生态环境带来很大压力.
 |
| 图 1 福建近岸研究区域及浮标观测站点分布 Fig. 1 The study area and float in-situ sites measurement sites |
本文使用的遥感影像为MODIS 500 m影像数据, 获取时间跨度从2017年9月—11月, 共22景.MODIS 500 m影像具有7个波段, 在MODIS 250 m波段(包括1~2波段, 分别为红波段、近红外波段)的基础上增加了蓝、绿和短波红外波段.
原始遥感影像由于卫星的姿态、轨道及地球的运动和形状等外部因素和遥感本身性能结构等原因, 存在系统性几何变形和非系统性几何变形, 所以要对遥感影像进行几何校正.本文使用ENVI 5.3的Georeference工具对影像进行几何校正.为削弱甚至消除光谱亮度失真及大气对遥感信号的影响, 获取地物真实光谱反射率, 还需对影像进行辐射定标和大气校正(梁顺林, 2013；赵英时, 2013).这里使用ENVI 5.3的辐射校正(Radiometric Calibration)工具进行辐射定标.目前常用的基于大气参数的大气校正模型有LOWTRAN, MODTRAN(Berk et al., 2013), 6S(Vermote et al., 2006)等大气辐射近似计算模型(梁顺林, 2013).ENVI中的FLAASH大气校正模块整合了MODTRAN大气辐射传输编码, 可以对Landsat、SPOT、AVHRR、ASTER、MODIS、MERIS等多光谱、高光谱数据进行快速有效的大气校正分析(李小文, 2013; Elvidge et al., 2013).过往研究表明, 对黄海近岸海域、太湖、上海长江口等二类水体MODIS 1B卫星影像进行FLAASH大气校正后能较好地消除大气影响, 获得可靠的地表反射率数据(刘瑜, 2013; 郑翔宇, 2017; 李国砚等, 2008).因此, 本文选择认可度高、通用性强的FLAASH大气校正模块对MODIS影像进行大气校正, 并分析大气校正后特征地物的影像光谱特征, 以确保大气校正的准确性.
基于浮标的实测站点数据来自福建省海洋预报台(http://www.fjmf.gov.cn), 具体分布如图 1中圆点标注所示.各浮标站点数据每隔30 min更新一次, 因此可获得Chl-a浓度的时间序列现场观测数据.本文选取与遥感影像获取时间相对应的实测数据进行研究, 并根据福建省海洋预报台发布的海洋观测信息对浮标实测Chl-a浓度异常值进行筛选和剔除, 最后共得到163个时序浮标观测数据(2017年9—11月, 表 1), 用于遥感建模和模型验证.
| 表 1 浮标站点实测数据统计信息 Table 1 Statistics of float in-situ measurement data |
 |
随机森林(RF)是Bagging的一个扩展变体, 在以决策树为基学习器构建Bagging集成的基础上, 进一步在决策树的训练过程中引入了随机属性选择(Breiman, 2001; 周志华, 2016).在个体决策树的构建过程中, 随机森林使用“随机型”决策树, 只需考察一个属性子集.随着个体学习器数目的增加, 随机森林会收敛到更低的泛化误差(周志华, 2016), 具有较好的鲁棒性(Su et al., 2018), 适合小样本数据建模.在建模过程中, RF只需输入两个参数即决策树的数目ntree和基决策树的每个结点的自变量数目mtry, 并且每个参数对自身变化不敏感(Liaw et al., 2002; Su et al., 2018), 这一优势有利于Chl-a浓度的预测.
本文利用Python中的scikit-learn特征重要性模块对MODIS 500 m影像各个波段特征在随机森林建模过程中的相对重要性大小进行排序(图 2), 重要性是指变量对预测精度贡献率的大小, 总和为1(毕顺等, 2018).根据特征波段的相对重要性及其与实测叶绿素的相关性(表 2), 因MODIS波段6相对重要性和相关性都很低, 最终选择第1~5和7波段作为RF模型的输入特征.图 3为使用RF方法构建Chl-a反演模型的过程.建模过程可以分为三步：构建并输入训练数据集、训练预测模型和Chl-a浓度预测.首先, 提取经过预处理后的MODIS影像波段, 然后根据实测点位的地理坐标选取对应点的波段反射率值作为数据集, 随机选择数据集的70%作为训练数据集, 剩余的30%作为测试数据集；在训练过程中, 根据
 |
| 图 2 MODIS 500 m遥感数据各个波段对RF模型的相对重要性 Fig. 2 Feature importances of MODIS 500 m bands for random forest model |
| 表 2 MODIS不同波段及波段组合与浮标实测叶绿素a浓度的相关性 Table 2 Pearson correlation coefficients between MODIS different band combinations and float in-situ Chl-a concentration |
|
 |
| 图 3 基于MODIS 500 m遥感数据采用RF模型估测福建近岸海域Chl-a浓度流程图 Fig. 3 Flowchart for Chl-a concentration estimation using a random forest approach based on MODIS 500m images |
 |
| 图 4 网格搜索法确定RF模型的最优参数(ntree和mtry) Fig. 4 The determination of optimal input parameters (ntree and mtry) for RF model based on grid-search method |
在传统经验方法中, Chl-a浓度信息一般通过其与波谱特征之间的关系确定.研究显示, 随着水体Chl-a浓度的增加, 近红外波段的光谱反射值增大.因此, 近红外波段可作为提取Chl-a浓度的重要信息源.波段比值能消除不同太阳高度角和观测角所引起的误差, 部分消除水面光滑性和微小波浪随时间和空间变化引起的干扰(Potes et al., 2012), 并抵消一些大气的影响(赵英时, 2013).近红与红波段的反射比值、红波段与蓝波段的反射比值、蓝波段与近红波段的反射比值均可用来估测Chl-a浓度(Dall′Olmo et al., 2006; Zimba et al., 2006; Moses et al., 2012; Blondeau-Patissier et al., 2014; Nazeer et al., 2016; 罗建美等, 2017; 孟凡晓等, 2017).此外, 叶绿素吸收峰和反射峰的比值也可较好的估测Chl-a浓度(Pinkerton et al., 2005).这里根据波谱特征以及过往经验构建不同波段组合, 并计算不同波段及波段组合与实测Chl-a浓度之间的Pearson相关系数, 选择相关性最大的波段组合即红光波段与近红波段的比值, 作为回归模型的自变量(表 2), 建立福建近岸水体Chl-a浓度反演模型.
进行特征波段比值建模时, 首先获取MODIS 500 m波段1与波段2的比值信息, 结合相应实测站点的Chl-a浓度进行线性回归建模, 获得反演模型；接着利用回归模型对Chl-a浓度进行遥感反演, 获得浓度空间分布, 并对模型进行精度评价.得到的回归模型见式(1).
|
(1) |
式中, B1、B2分别为MODIS 500 m影像的第1、2波段(红、近红波段), y为Chl-a浓度预测值.
4 结果与分析(Results and analysis)本研究基于MODIS 500 m时序遥感数据, 采用RF机器学习方法及BR特征波段比值方法建立反演模型, 开展福建近岸海域Chl-a浓度遥感反演.同时, 采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R2)定量评价各个模型的估测精度.图 5a为RF模型反演的Chl-a浓度值与站点实测的Chl-a浓度值的散点回归验证, RMSE为0.49 μg·L-1, MAPE为37.50%, R2为0.87.总体上反演结果与实测浓度值有较好的相关性, 且精度也较高, 但模型预测值整体略低于实测值；由图 5b可知, BR模型的反演精度明显低于RF模型, RMSE为0.52 μg·L-1, MAPE为50.20%, R2为0.21.在低浓度范围(≤1.0 μg·L-1)的预测精度相对较好, 但随着Chl-a浓度的升高, 预测精度有所下降.两种模型反演精度出现较大差异除了与模型自身算法和性能有关外, 还可能受二类水体复杂光学特性的影响.Chl-a浓度分布受多种因素综合影响, 其动态变化是一个复杂的过程.传统的特征波段比值方法虽简单实用, 但简单的遥感特征波段组合较难准确反映近岸水体Chl-a的光学特性, 会影响到BR线性回归模型的反演精度；而随机森林作为有效的非线性建模方法, 适用于小样本建模, 能在建模过程中进行参数优化、变量重要性排序, 并且能很好地学习影像特征波段和Chl-a浓度之间的关系, 从而提高模型预测精度.此外, Chl-a浓度分布还受自然与人类活动等因素的综合影响, 比如气象、水文、近岸开发及水产养殖等.为使遥感监测模型更加可靠, 还需综合考虑更多的影响因素.
 |
| 图 5 RF(a)和BR(b)模型预测的与实测的叶绿素a浓度的散点回归验证 Fig. 5 Scatter plot between RF-estimated (a) and BR-estimated(b) and in-situ Chl-a concentration |
使用RF与BR两种模型, 分别对2017年9月上、中、下旬的Chl-a浓度进行MODIS遥感反演, 得到福建近岸海域的Chl-a浓度分布(图 6), 研究2017年9月福建近岸海域Chl-a浓度的空间分布格局和时间变化特征.
 |
| 图 6 RF和BR模型预测的2017年9月上(a)、中(b)、下旬(c)福建近岸MODIS Chl-a浓度分布(a. 2017年9月5日RF(左)与BR(右)模型预测的Chl-a浓度分布; b. 2017年9月16日RF(左)与BR(右)模型预测的Chl-a浓度分布; c. 2017年9月27日RF(左)与BR(右)模型预测的Chl-a浓度分布) Fig. 6 RF-estimated and BR-estimated MODIS Chl-a concentration distribution along the coast of Fujian Province in September 2017 |
结果分析发现, 2017年9月福建近岸海域Chl-a浓度主要集中在0~2 μg·L-1.横向上, 总体分布大致呈现近岸高于远岸, 且随离岸距离增加而降低的空间特征.其中, 近岸海域Chl-a浓度大多高于1 μg·L-1, 尤其是在中部海域(如福州、泉州、莆田、厦门近岸).这可能是受海底地势影响, 沿岸海域海水较浅, 水体容易扰动, 引起整体水层营养盐混合, 促进浮游植物生长；福建省港湾众多, 近岸水体与远海开放大洋水体交换缓慢, 营养物质容易累积.近岸开发、港口航运等人类活动引起的水体扰动, 也会对浮游植物生长产生影响(李良德, 2015).另外, 福建近岸水产养殖业发达, 也会在一定程度上对Chl-a浓度空间分布(近岸高于远岸)造成影响(马从丽, 2017).根据浓度分布图, 距海岸10 km外海域, Chl-a浓度主要集中在1 μg·L-1以下.从纵向分布来看, Chl-a浓度较高的区域主要分布在河流入海口附近, 大量生活生产污水排放和陆源物质的汇入, 为藻类生长提供了丰富的营养物质.其中, 闽江(在福州入海)、九龙江(在漳州入海)入海口附近的Chl-a浓度明显高于周围水域.根据历史监测资料及现场调查显示近30年九龙江河口水质富营养化程度呈恶化趋势, 藻类繁殖迅速, 是造成九龙江入海口叶绿素浓度较高的主要原因(郭洲华, 2012).
9月5日, RF、BR两种模型反演的Chl-a浓度均在较低范围内, 晋江(在泉州入海)、九龙江(在漳州入海)入海口附近Chl-a浓度高于周围区域.RF模型反演浓度分布显示, 福建近岸水体Chl-a浓度均低于1 μg·L-1, 与福建省海洋预报台发布的海洋要素观测信息相符；而BR模型在大部分区域的反演结果略低于实际浓度分布值, 近岸均在0.8 μg·L-1以内.气象资料显示, 9月3日和4日, 漳州和泉州两市出现明显降水, 地表径流与河流携带陆源物质注入近岸, 晋江、九龙江入海口附近水体搅动、营养丰富, 可促进藻类生长, 导致Chl-a浓度升高.9月中旬, 受台风“泰利”的外围影响, 全省自南到北先后有明显降水过程, 沿海风浪较大, 导致水体搅动混合及入海径流量增大, 为海表提供丰富营养物质, 使得福建近岸的Chl-a浓度整体升高并通过风浪有所扩散.9月下旬, 受副热带高压控制, 天气以阴为主, 沿海风浪较小, 水温偏高, 水体混合减弱, 营养物质不易上翻, 不利于藻类生长, Chl-a浓度范围由9月中旬的1~1.5 μg·L-1下降至0.8~1.3 μg·L-1.其中, 宁德、福州近岸水体Chl-a浓度下降明显, 均降至0.8 μg·L-1以下.RF模型反演浓度分布呈现南部高于北部、中部最高的趋势, BR模型的反演结果同样显示中部地区浓度最高.Chl-a浓度高值区出现在闽江、九龙江入海口之间(即莆田、泉州、厦门、漳州近岸).闽江、九龙江之间还有晋江、木兰溪(在莆田入海)两水系, 晋江、石狮、莆田工业密集, 水产养殖较多, 近岸生活生产污染较严重, 为藻类生长提供丰富的营养盐, 加上适宜藻类生长的水文条件和区位环境使得近岸中部海域Chl-a浓度较高.
整体来看, 福建近岸海域2017年9月Chl-a浓度呈上旬整体浓度较低(1 μg·L-1左右)、中旬大部分区域(莆田、厦门、泉州、漳州近岸)有所升高(1~1.5 μg·L-1左右)、下旬浓度有所降低(0.8~1.3 μg·L-1左右)的变化趋势.近岸Chl-a浓度变化的影响因素复杂, 人为活动(如污染排放、水产养殖)与自然环境(如淡水注入、水文气象)等因素都会对其产生影响, 从而导致模型预测具有一定的不确定性.
5 结论(Conclusions)1) 本文面向福建近岸海域, 结合MODIS遥感影像及浮标实测数据, 采用“时间连续弥补空间稀疏”的建模策略, 通过RF方法构建合理的Chl-a浓度反演模型, 使用均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R2)进行精度评价, 并与传统的BR模型进行对比.结果表明, RF反演模型稳定可靠、精度较高, 可弥补传统水质监测无法提供空间连续、宏观、大范围参量信息分布的局限性.该研究提出了基于机器学习的MODIS时序Chl-a浓度遥感反演方法, 可为福建近岸水环境连续、大范围监测提供技术支持.
2) 本文利用RF与BR两种模型反演获得了2017年9月上、中、下旬福建近岸海域的Chl-a浓度空间分布, 并综合分析其时空变化特征及影响因素.虽然RF模型具有较好的反演效果, 但仍然存在一些限制因素, 使得反演存在一定的不确定性：①二类水体存在复杂的光学特性和物理、化学、生物过程, 难以精确模拟它的发展变化(向先全等, 2011)；②浮标实测数据本身存在一定误差, 且FLAASH大气校正精度与输入的大气参数、仪器的定标精度有关(童庆禧等, 2010), 会对反演精度有一定的影响；③RF模型为黑箱模型, 可解释性较差, 增加了模型的不确定性.
3) 综上, 本文采用机器学习和传统特征波段比值方法, 结合时序遥感影像和浮标观测数据, 建立福建近岸海域Chl-a浓度时序遥感反演模型, 取得了较好的研究结果.但本研究仍存在一些不足, 值得进一步深入研究：①浮标观测数据有限, 为了实现反演的全面性, 应在研究区域获得更多浮标观测点；②对福建近岸二类水体的光学特性认识不够明确, 需要加强对不同水质参数的光谱特征研究；③结合多尺度遥感数据, 进一步优化遥感建模方法, 研究长时序的福建近岸海域Chl-a浓度变化趋势, 分析其与人类活动、气候变化等因素之间的关系, 为福建近岸海域Chl-a浓度的有效监测提供技术支持.
Attila J, Koponen S, Kallio K, et al. 2013. Meris case ii water processor comparison on coastal sites of the northern baltic sea[J]. Remote Sensing of Environment, 12: 138–149.
|
Blondeau-Patissier D, Gower J F R, Dekker A G, et al. 2014. A review of ocean color remote sensing methods and statistical techniques for the detection, mapping and analysis of phytoplankton blooms in coastal and open oceans[J]. Progress in Oceanography, 123(4): 123–144.
|
Johansson U, Boström H. 2014. Regression conformal prediction with random forests[M]. Machine Learning: 155–176.
|
Bukata R P, Jerome J H, Bruton J E. 1981. Validation of a five-component optical model for estimating chlorophyll a and suspended mineral concentrations in lake ontario[J]. Applied Optics, 20(20): 34–72.
|
Berk A. 2013. Voigt equivalent widths and spectral-bin single-line transmittances:Exact expansions and the MODTRAN ©; 5 implementation[J]. Journal of Quantitative Spectroscopy & Radiative Transfer, 118(118): 102–120.
|
毕顺, 李云梅, 吕恒, 等. 2018. 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.
|
Carswell T, Costa M, Young E, et al. 2017. Evaluation of MODIS-Aqua Atmospheric Correction and Chlorophyll Products of Western North American Coastal Waters Based on 13 Years of Data[J]. Remote Sensing, 9(10): 63–88.
|
Clark D. K. 1981. Phytoplankton Pigment Algorithms for the Nimbus-7 CZCS[M]. Oceanography from Space. Springer US, 13: 227-237
|
Dall'Olmo G, Gitelson A A. 2006. Effect of bio-optical parameter variability and uncertainties in reflectance measurements on the remote estimation of chlorophyll-a concentration in turbid productive waters:Modeling results[J]. Applied Optics, 45(15): 3577–3592.
DOI:10.1364/AO.45.003577
|
Elvidge C D, Zhizhin M, Hsu F C, et al. 2013. VIIRS Nightfire:Satellite Pyrometry at Night[J]. Remote Sensing, 5(9): 4423–4449.
DOI:10.3390/rs5094423
|
Fu Y, Xu S, Zhang C, et al. 2018. Spatial downscaling of MODIS Chlorophyll-a using Landsat 8 images for complex coastal water monitoring[J]. Estuarine Coastal & Shelf Science, 209: 149–159.
|
Harvey E T, Kratzer S, Philipson P. 2015. Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters[J]. Remote Sensing of Environment, 158: 417–430.
DOI:10.1016/j.rse.2014.11.017
|
韩留生. 2014.近岸河口水色参数及透明度的高光谱遥感反演算法研究[D].北京: 中国科学院大学
http://d.wanfangdata.com.cn/Thesis/Y2674683 |
Kondratyev K Y, Pozdnyakov D V, Pettersson L H. 1998. Water quality remote sensing in the visible spectrum[J]. International Journal of Remote Sensing, 19(5): 957–979.
DOI:10.1080/014311698215810
|
Kong X, Sun Y, Su R, et al. 2017. Real-time eutrophication status evaluation of coastal waters using support vector machine with grid search algorithm[J]. Marine Pollution Bulletin, 119(1): 307–319.
DOI:10.1016/j.marpolbul.2017.04.022
|
Liaw A, Wiener M. 2002. Classification and regression by randomforest[J]. R News, 23(23): 18–22.
|
梁顺林, 李小文, 王锦地. 2013. 定量遥感:理念与算法[M]. 北京: 科学出版社.
|
李亭亭, 田礼乔, 李建, 等. 2017. 基于Sentinel卫星的浑浊水体叶绿素反演对比研究——以鄱阳湖为例[J]. 华中师范大学学报(自科版), 2017, 51(6): 858–864.
|
李国砚, 张仲元, 郑艳芬, 等. 2008. MODIS影像的大气校正及在太湖蓝藻监测中的应用[J]. 湖泊科学, 2008, 20(2): 160–166.
DOI:10.3321/j.issn:1003-5427.2008.02.004 |
李良德. 2015. 湄洲湾近岸海域生态健康评价与分析[J]. 化学工程与装备, 2015(7): 261–264.
|
罗建美, 霍永伟, 韩晓庆. 2017. 基于HJ卫星的近岸ⅱ类水体叶绿素a浓度定量遥感反演研究——以滦河口北部海域为例[J]. 海洋学报, 2017, 39(4): 117–129.
DOI:10.3969/j.issn.0253-4193.2017.04.012 |
刘阁. 2016.适用于不同光学特征二类水体的叶绿素a浓度遥感估算方法研究[D].南京: 南京师范大学
http://cdmd.cnki.com.cn/Article/CDMD-10319-1017280146.htm |
刘瑜. 2013. 基于FLAASH模型的MODIS1B数据的大气校正[J]. 测绘与空间地理信息, 2013, 36(3): 47–49.
DOI:10.3969/j.issn.1672-5867.2013.03.015 |
Moses W J, Gitelson A A, Berdnikov S, et al. 2012. Operational meris-based nir-red algorithms for estimating chlorophyll-a concentrations in coastal waters-the azov sea case study[J]. Remote Sensing of Environment, 121(138): 118–124.
|
Mouw C B, Greb S, Aurin D, et al. 2015. Aquatic color radiometry remote sensing of coastal and inland waters:Challenges and recommendations for future satellite missions[J]. Remote Sensing of Environment, 160: 15–30.
DOI:10.1016/j.rse.2015.02.001
|
Müller-Karger F E, Mcclain C R, Sambrotto R N, et al. 1990. A comparison of ship and coastal zone color scanner mapped distribution of phytoplankton in the southeastern bering sea[J]. Journal of Geophysical Research Oceans, 95(C7): 11483–11499.
DOI:10.1029/JC095iC07p11483
|
孟凡晓, 陈圣波, 张国亮, 等. 2017. 基于landsat-8数据南海近岸悬浮泥沙与叶绿素a浓度定量反演[J]. 世界地质, 2017, 36(2): 616–623.
DOI:10.3969/j.issn.1004-5589.2017.02.029 |
马从丽. 2017. 水产养殖对渔业水域环境带来的影响与应对策略[J]. 科技创新导报, 2017(20): 79–80.
|
Natesan U, Ferrer V A, Sahay A, et al. 2015. Monitoring chlorophyll-a concentration in the coastal waters of kalpakkam (India):Application of a regional algorithm using oceansat-2 ocean colour monitor[J]. Journal of the Indian Society of Remote Sensing, 43(1): 173–179.
DOI:10.1007/s12524-014-0390-8
|
Nazeer M, Nichol J E. 2016. Development and application of a remote sensing-based chlorophyll-a concentration prediction model for complex coastal waters of hong kong[J]. Journal of Hydrology, 532: 80–89.
DOI:10.1016/j.jhydrol.2015.11.037
|
Odermatt D, Gitelson A, Brando V E, et al. 2012. Review of constituent retrieval in optically deep and complex waters from satellite imagery[J]. Remote Sensing of Environment, 118: 116–126.
DOI:10.1016/j.rse.2011.11.013
|
Pinkerton M H, Richardson K M, Boyd P W, et al. 2005. Intercomparison of ocean colour band-ratio algorithms for chlorophyll concentration in the subtropical front east of new zealand[J]. Remote Sensing of Environment, 97(3): 382–402.
DOI:10.1016/j.rse.2005.05.004
|
Potes M, Costa M J, Salgado R. 2012. Satellite remote sensing of water turbidity in alqueva reservoir and implications on lake modelling[J]. Hydrology & Earth System Sciences Discussions, 16(6): 1623–1633.
|
Su H, Li W, Yan X H. 2018. Retrieving temperature anomaly in the global subsurface and deeper ocean from satellite observations[J]. Journal of Geophysical Research Oceans, 123(5): 399–410.
|
唐军武, 田国良. 1997. 水色光谱分析与多成分反演算法[J]. 遥感学报, 1997, 1(4): 252–256.
|
Vermote E, Tanre D, Deuze J L, et al. 2006. 6S User Guide Version 3[J]. Control and Information Engineers, 23(6): 115–127.
|
Wang Y, Wang J, Levy R C, et al. 2017. MODIS retrieval of aerosol optical depth over turbid coastal water[J]. Remote Sensing, 9(6): 595–609.
DOI:10.3390/rs9060595
|
Wang J G, Chen S G, Zhang T L. 2016. Remote sensing retrieval algorithm for the turbidity in coastal waters using MODIS land band data[J]. Journal of Ocean Technology, 119(1): 307–312.
|
向先全, 陶建华. 2011. 基于模糊识别和遗传神经网络的渤海湾叶绿素a预测研究[J]. 海洋环境科学, 2011, 30(2): 239–242.
DOI:10.3969/j.issn.1007-6336.2011.02.020 |
Yang Z, Reiter M, Munyei N. 2017. Estimation of chlorophyll-a concentrations in diverse water bodies using ratio-based NIR/RED indices[J]. Remote Sensing Applications:Society and Environment, 6: 52–58.
DOI:10.1016/j.rsase.2017.04.004
|
Yong H K, Im J, Ha H K, et al. 2014. Machine learning approaches to coastal water quality monitoring using goci satellite data[J]. Mapping Sciences & Remote Sensing, 51(2): 158–174.
|
杨杭, 张霞, 帅通, 等. 2010. Omis-ⅱ图像大气校正之flaash法与经验线性法的比较[J]. 测绘通报, 2010(8): 4–6.
|
Zhang Y, Pulliainen J, Koponen S, et al. 2002. Application of an empirical neural network to surface water quality estimation in the gulf of finland using combined optical data and microwave data[J]. Remote Sensing of Environment, 81(2): 327–336.
|
Zimba P V, Gitelson A. 2006. Remote estimation of chlorophyll concentration in hyper-eutrophic aquatic systems:Model tuning and accuracy optimization[J]. Aquaculture, 256(1/4): 272–286.
|
张渊智, 陈楚群, 段洪涛. 2011. 水质遥感理论、方法及应用[M]. 北京: 高等教育出版社.
|
赵英时. 2013. 遥感应用分析原理与方法[M]. 北京: 科学出版社.
|
周志华. 2016. 机器学习:Machine learning[M]. 北京: 清华大学出版社.
|
郑高强, 陈芸芝, 汪小钦, 等. 2015. 基于HJ-1卫星CCD数据的厦门海域叶绿素a浓度反演[J]. 遥感技术与应用, 2015, 30(2): 235–241.
|
郑翔宇. 2017.基于多源数据的黄海绿潮遥感监测研究[D].北京: 中国科学院大学
http://cdmd.cnki.com.cn/Article/CDMD-80180-1017811423.htm |
张春桂, 任汉龙, 吴幸毓, 等. 2010. 福建沿海赤潮灾害气象预报[J]. 气象科技, 2010, 38(2): 253–258.
DOI:10.3969/j.issn.1671-6345.2010.02.022 |