注册 登录 English Version
辐射与水参量反演与产品 | 浏览量 : 927 下载量: 1106 CSCD: 3 更多指标

  • 导出

  • 分享

  • 收藏

  • 专辑

    • 高分一号卫星浑浊水体水质参数软分类反演

    • Estimation of water quality parameters of GF-1 WFV in turbid water based on soft classification

    • 张方方

      12 ，

      李俊生

      123 ，

      王超

      4 ，

      王胜蕾

      12
    • 2023年27卷第3期 页码：769-779   

      纸质出版日期： 2023-03-07 ，

    • DOI： 10.11834/jrs.20232442     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 张方方，李俊生，王超，王胜蕾.2023.高分一号卫星浑浊水体水质参数软分类反演.遥感学报，27（3）： 769-779 DOI： 10.11834/jrs.20232442.
    Zhang F F，Li J S，Wang C and Wang S L. 2023. Estimation of water quality parameters of GF-1 WFV in turbid water based on soft classification. National Remote Sensing Bulletin， 27（3）：769-779 DOI： 10.11834/jrs.20232442.
  •  
  •  
    论文导航

    摘要

    高分一号卫星宽幅盖相机（GF-1 WFV）拥有高空间和高时间分辨率，在水环境遥感应用方面有较大潜力，现有研究以特定区域算法为主，缺少可用于大范围的水质参数反演算法。基于以上问题，本研究在全国开展了28次共计68个航次的水面测量与采样实验，获取了具有较好典型性和代表性的647个采样点数据用于水质参数反演建模和验证。为了满足光学特性复杂的浑浊水体大范围水质参数反演的需求，发展了基于软分类的GF-1 WFV水质参数反演算法。算法首先将水体分为4类，并计算各类型水体的质心光谱；然后为各类型水体优选和优化适用的叶绿素a浓度、总悬浮物浓度和透明度反演模型，并用距离权重进行加权融合获取最终的水质参数反演结果。经星地同步实验数据验证，水体叶绿素a浓度、总悬浮物浓度和透明度反演的相对误差分别为33.1%、28.6%和17.6%，且类别边界过渡平滑，避免了不同模型导致的数值跳变问题。结果表明，本算法具有大范围水质参数反演产品生产的能力。

    译

    Abstract

    The GF-1 wide-field-of-view cameras (GF-1 WFV) has high spatial and temporal resolution, and has great potential in the application of water environment remote sensing. Existing studies mainly focus on region-specific algorithms, and lack of water-quality parameter estimation algorithms that can be used in a large range. Based on the above problems, this study carried out 28 water surface measurement and sampling experiments with 68 voyages in China, and obtained 647 typical and representative sampling point data for water quality parameter estimation modeling and validation. The study area included Taihu Lake, Chaohu Lake, Dianchi Lake, Three Gorges Reservoir, Guanting Reservoir, Yuqiao Reservoir, Shandong Pingyin Small Water Body, Shaanxi Yulin Small Water Body, Ningxia Ningdong Base Small Water Body. The GF-1 WFV images were used the relative atmospheric correction algorithm based on Sentinel2-MSI data of uniform invariant ground object spectral database to obtain the water remote sensing reflectance data. In order to meet the needs of large-scale estimation of water quality parameters in turbid water with complex optical characteristics, a GF-1 WFV water quality parameter estimation algorithm based on soft classification was developed. Firstly, the algorithm divided the water into four types (OWTs) by a stepwise iterative K-mean clustering method and calculated the centroid spectra of each type of water by the average of all spectra of this category, among them, OWT1 was jointly dominated by phytoplankton and non-algae particles, OWT2 was dominated by non-algae particles, OWT3 was dominated by phytoplankton, OWT4 was bloom (no water quality inversion in this water type); Then, the Spectral Angular distance (SAD) was used to calculate the distance from each pixel to each type of centroid spectra and the SAD was converted into distance weight, and the suitable estimation models of chlorophyll a concentration, total suspended solids concentration and transparency were selected and optimized for each type of water body, and the final estimation results of water quality parameters were obtained by weighted fusion with distance weight. In this paper, several band ratio and difference models were investigated. Chlorophyll a used the blue green ratio model in OWT1, the red green ratio model in OWT2, and the red near-infrared ratio model in OWT3. The total suspended concentration was applicable to the red green ratio model in OWT1, the green near-infrared ratio model in OWT2, and the red near-infrared ratio model in OWT3. The transparency models of the three types of water bodies all used the green band and match the blue and red band to constructed ratio model. The mean relative errors of chlorophyll a concentration, total suspended solids concentration and transparency estimation were 33.1%, 28.6% and 17.6% verified by satellite earth synchronization experiment data, and the transition of category boundary was smooth, which avoiding the numerical jump caused by different models. The results showed that this algorithm had the ability to generate water quality parameter production of wide range area. Due to the limitation of the GF-1 WFV sensor band setting (only four broad bands from visible light to near-infrared), the quantification processing and models have great limitations, and the applicability and scalability of the model need to be further improved.

    译

    关键词

    GF-1 WFV; 水体类型; 叶绿素a; 总悬浮物; 透明度

    译

    Keywords

    GF-1 WFV; water types (OWTs); chlorophyll a; total suspended solids; transparency

    译

    1　引言

    高分一号卫星是中国高分辨率对地观测系统的首发星，从2013年4月26日发射以来，已经在轨运行10年，持续获取海量对地观测数据。高分一号卫星宽幅盖相机（GF-1 WFV）拥有16 m的空间分辨率、4 d的重放周期、10 bit的量化级数，在水环境遥感应用方面拥有较大的潜力，可为水资源管理、水环境与水生态保护治理提供第一手科学数据支撑。随着GF-1B/C/D星、GF-2、GF-6等高分系列卫星的发射，拥有和GF1-WFV类似波段设置的传感器越来越多，GF-1WFV在水环境遥感应用方面的方式、方法、模型等可为别的传感器提供有用的借鉴，多传感器互相配合可以进一步提高监测频率和效率，提升国产卫星的水环境应用水平。因此，基于GF-1 WFV的水环境遥感算法研究具有重要意义。

    译

    目前，利用GF-1 WFV数据开展的水环境遥感应用研究已经具有一定规模。其中，以水华提取的应用效果最好（

    赵少华 等，2015；周婷 等，2020；Zhang等，2020）。水质参数反演方面主要集中在总悬浮物浓度（TSM）或泥沙含量（谢旭，2018；高晨 等，2019；黄聪，2017；章敏超 等，2018；刘大召 等，2020；程乾 等，2015；Shang和Shen，2016；Tian等，2016；Yao等，2020；Liu等，2021）和叶绿素a浓度（Chla）反演方面（涂明 等，2021；浦玲伟，2019；徐鹏飞 等，2020；程春梅 等，2019；Xu等，2020）。也有部分研究涉及了透明度（SDD）（朱利 等，2015；曹畅，2021）、浊度（曹引 等，2019）、水体颜色指数（姜倩，2020；曹畅，2021）、溶解氧（翟召坤 等，2018）等参数。研究方法多数都是采用基于光谱指数的经验算法，也有少量机器学习方法的探索（朱云芳 等，2017；Hang等，2022；杭鑫 等，2021）。
    译

    现有的研究多数是在特定水域开展的，建立算法模型的实验数据量较少且集中在特定区域，数据的覆盖性和代表性较差，难以适应浑浊水体光学特性复杂的问题。针对大范围的光学复杂水体需要通过先分类再建模的方法（硬分类反演算法）提高算法的普适性（

    Le等，2011；Liu等，2013；Eleveld等，2017；李云梅 等，2022）。硬分类反演算法因为不同类型水体使用了不同的模型，导致类别边界出现数值跳变问题，不符合水体均一性特点（张方方，2014）。因此，国内外学者进一步发展了软分类反演算法，通过不同类型水体权重进行加权融合，提高了反演结果的精度和类别边界处的平滑性（Bao等，2015；Jackson等，2017；Moore等，2001，2009，2014；Zhang等，2015，2019）。
    译

    现有对GF-1 WFV在水质参数反演方面的研究普遍存在数据覆盖性和代表较差的问题，难以应用目前流行的分类反演方法，算法在大范围的适用性和可扩展性难以衡量，也无法生产大范围数据产品。基于以上问题，本研究在全国大范围开展野外实验，获取多种类型的典型水体数据，建立普适性更好的基于软分类的GF-1 WFV数据水质参数反演算法，为生产基于GF-1 WFV数据的大范围水质参数反演产品提供算法支持（

    柳钦火 等，2023）。
    译

    2　研究区与数据获取

    2.1　研究区

    本文在太湖、巢湖、滇池、三峡水库、官厅水库、于桥水库、山东平阴小型水体、陕西榆林小型水体、宁夏宁东基地小型水体等9个水体开展了28次共计68个航次的水面测量与采样实验，获取了647个采样点数据，时间跨度2006年—2020年。实验区域包含了国家环保部门重点关注的“三湖一库”（太湖、巢湖、滇池、三峡水库）、典型北方水体（官厅水库、于桥水库）和多类型小型水体（山东平阴、陕西榆林、宁夏宁东）；空间分布上涉及北方、南方、东部、西部，具有较好的典型性和代表性。基于以上区域的实验数据建立的水质参数反演模型具有大范围应用的适用性。

    译

    2.2　数据获取

    通过以上水面测量和采样实验一共获取了647个采样点数据，其中623个采样点数据用于水质参数反演建模，24个采样点数据（2020年9月5日太湖实验，当天有同步的GF-1 WFV1影像）用于精度评价。实验中现场测量了水面光谱（水面以上法）和透明度（塞氏盘法），并采集水样带回实验室分析和测量水体叶绿素a浓度（乙醇萃取法）和总悬浮物浓度（称重法）。采样、运输、测量过程中由于各种原因导致部分采样点或部分参数失败或丢失，实际各参数可用数据分别为：水面光谱647条，叶绿素a浓度数据506个，总悬浮物浓度数据560个，透明度数据408个。

    译

    3　方法

    本研究发展了基于软分类的GF-1 WFV影像水质参数反演算法，核心方法包括水体光学分类、软分类反演算法与模型构建以及应用于GF-1 WFV影像的技术流程。

    译

    3.1　水体光学分类

    水体光学分类主要基于水体遥感反射率光谱进行。针对实测水面遥感反射率光谱采用逐步迭代的K-mean聚类方法。首先给定一个聚类数目进行一次K-mean聚类，然后合并类间距最近的两类，且每次只合并类间距离最近的两类，类别数目减小1，然后重复这个过程，直到聚类结束，而不是一次性的分为若干类。该分类方法能够较好继承上一次分类的特征，可以较好的将同一类型的水体分为一类（

    Shen等，2015；Jackson等，2017）。
    译

    分类前，首先需要对各条光谱进行平滑处理和归一化处理。平滑处理是为了剔除大噪声并保证原始曲线的形状尽可能保持不变。这里的平滑处理是利用窗口为15，多项式级数为2的Savitzky-Golay算法实现的（

    Ruffin，2008）。归一化处理则是为了剔除环境光照等影响，使得各光谱曲线之间不存在尺度差别，仅与曲线形状特征有关。本文采用400—900 nm各波长光谱的平均值作为归一化的基准值，各波长光谱除以该基准值进行归一化处理。应用以上方法将本文的647条实测光谱分为了4类，其中1类是水华，不参与水质参数反演。
    译

    3.2　GF-1 WFV影像处理

    基于软分类的水质参数反演算法应用于GF-1 WFV影像时需要对数据进行必要的预处理，主要包括辐射校正、几何校正、大气校正。其中，辐射校正利用中国资源卫星应用中心发布的定标系数进行，几何校正利用Sentinel-2 MSI影像做基准进行几何配准。GF-1 WFV影像只有蓝、绿、红和近红外4个波段，无法进行精确大气校正。由于分布均匀且面积较大的地物（均匀不变地物）具有稳定的光学特性，且可以避免邻近效应的影响，可以通过建立均匀不变地物已知反射率与待校正影像像元之间的关系实现相对大气校正（

    Yuan和Elvidge，1996；Du等，2002；Canty等，2004；郭丽峰 等，2009；张方方 等，2022）。Sentinel-2 MSI L2A数据是目前全球使用较为广泛的地表反射率产品，且时间分辨率较高。因此，本文采用基于Sentinel-2 MSI L2A影像的GF1-WFV影像进行相对大气校正方法，具体方法见文献（张方方 等，2022）。
    译

    3.3　水质参数软分类反演

    不同类型水体采用不同的水质参数反演模型，会造成类别边界附近反演数值的跳跃，不符合水体均匀性、渐变性的特点。因此，本研究利用软分类反演算法，在提高反演精度的同时，实现分类边界的平滑过渡（

    Bao等，2015；Zhang等，2015，2019；Moore等，2001，2009，2014）。具体方法如下（张方方，2014）：
    译

    （1）质心光谱计算。根据3.1节的分类结果，对分类后的实测水面遥感反射率光谱求光谱均值，每一类水体得到一条平均光谱，将该平均光谱等效为GF1-WFV图像遥感反射率，即为该类水体的质心光谱。

    译

    （2）距离计算。采用光谱角度距离（SAD）表征每一条光谱和质心光谱的相似度。计算公式如下：

    译

    SAD(xi,yi)=cos(xi,yi)=x1y1+x2y2+x3y3+x4y4√x12+x22+x32+x42√y12+y22+y32+y42
         		(1)

    式中，xi为GF1-WFV第i波段遥感反射率，yi为GF1-WFV质心光谱的第i波段遥感反射率。

    译

    （3）权重计算。SAD表征了像元光谱与质心光谱的相似度，相似度越高，SAD越小，反之则越大。进一步将SAD转换为权重（W），使得相似度越高，W值越大，反之则越小。计算公式如下：

    译

    Wi=1/SADi1/SAD1+1/SAD2+1/SAD3
         		(2)

    式中，i表示第i类水体，Wi为第i类水体的权重，SADi为第i类水体的光谱角度距离。

    译

    （4）加权融合。利用不同类型水体优选和优化的模型（具体模型见4.3节），分别反演水质参数。并将分类反演结果进行加权融合，得到最终结果。公式如下：

    译

    WQ=WQ1×W1+WQ2×W2+WQ3×W3
         		(3)

    式中，WQ1、WQ2、WQ3分别是三类水体的水质参数优化模型在同一像元的反演结果，W1、W2、W3分别是根据式（2）计算的三类水体在同一像元的权重（水华除外）。

    译

    3.4　精度评价

    水体遥感反射率、叶绿素a浓度、总悬浮物浓度和透明度采用采用平均相对误差（ARE）和均方根误差（RMSE）进行反演精度评价。公式如下：

    译

    ARE=1NN∑i=1|VE,i-VM,i|VM,i
         		(4)
    RMSE=√N∑i=1(VE,i-VM,i)2N
         		(5)

    式中，VE， i和VM， i分别指反演（或大气校正后光谱）数据和实测数据，N指验证数据量。

    译

    4　结　果

    4.1　实测水面光谱及水质参数

    根据采样点水质各组分特点和光谱曲线特征，以及K-means逐步迭代聚类中计算的类间距综合考察，将647条实测光谱共分为4类。分别为：OWT1：浮游植物和非藻类颗粒物共同主导型，OWT2：非藻类颗粒物主导型，OWT3：浮游植物主导型，OWT4：水华（不做水质反演）。将每类光谱求均值即可得到质心光谱。如图1所示。

    译

    fig

    图1  水体分类后质心光谱曲线图

    Fig.1  Centroid water spectrums after optical classification

    icon 下载:  原图 | 高精图 | 低精图

    根据质心光谱（图1）和水质参数（表1）分析各类型水体的光学特征如下：OWT1的叶绿素a浓度和总悬浮物浓度是三类水体（水华除外）中最低的，因此透明度最高。OWT1的光谱反射率从560 nm附近的峰值向长波方向逐渐降低，在700 nm附近呈现较小的反射峰，短波红外波段反射率较低。OWT2的总悬浮物浓度最高，其光谱曲线在黄、红波段反射率较高。OWT3的叶绿素a浓度最高，导致700 nm附近的反射率十分突出，甚至高过了560 nm附近的反射峰。OWT4（水华）的主要特征是红边和近红外波段反射率很高，和三类水体的光谱特征差异明显。

    译

    表1  实测水质参数统计表
    Table 1  Statistics of measured water quality parameters
    水体类型水质参数中值均值标准差
    OWT1 SDD（cm） 77.5 75.3 17.5
    TSM（mg/l） 17.2 19.1 9.1
    Chla（mg/m3） 20.7 21.5 9.0
    OWT2 SDD（cm） 23.0 25.0 9.1
    TSM（mg/l） 62.1 77.9 40.6
    Chla（mg/m3） 20.3 35.1 28.4
    OWT3 SDD（cm） 35.0 36.1 14.7
    TSM（mg/l） 52.7 69.5 41.1
    Chla（mg/m3） 124.1 156.0 99.9
    icon 下载:  导出CSV icon 下载:  下载表格图片

    4.2　GF-1 WFV水体大气校正精度评价

    大气校正的精度是水质参数反演的关键，直接决定了水质参数反演模型的精度。本文在太湖进行了星地同步实验（2020年9月5日），获取了24个采样点的光谱数据，验证了基于均匀不变地物的GF-1 WFV影像相对大气校正的精度。如图2所示，GF-1 WFV第1—3波段精度较高，ARE在10%左右，可以较好的满足水质参数反演的需求。第4波段精度稍差，ARE达到了25.47%。由于第4波段是近红外波段，水体本身吸收较强、反射率较低，此精度也可以用于水质参数反演。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图2  GF-1 WFV大气校正精度评价

    Fig.2  Accuracy evaluation of GF-1 WFV atmospheric correction

    图3显示了大气校正后的遥感反射率影像和典型水体的光谱曲线。在真彩色图像上，A点呈现绿色，表明浮游植物含量较高，光谱曲线上表现出较高的绿波段反射率和较低的红、近红外波段反射率。C点亮度较高，表明非藻类颗粒物含量较高，光谱曲线上红波段反射率明显上升。B点的颜色和光谱都介于A、C之间。总之，大气校正后遥感反射率光谱形状较好，可以用于构建水质参数反演模型。

    译

    fig

    图3  经过大气校正的GF-1 WFV影像遥感反射率影像及光谱曲线示意图

    Fig.3  Image and schematic diagram of GF1-WFV remote sensing reflectance after atmospheric correction

    icon 下载:  原图 | 高精图 | 低精图
    fig
    icon 下载:  | 高精图 | 低精图

      （a） 波段1 （b） 波段2

      （a） Band 1 （b） Band 2

    4.3　水质参数反演模型及精度评估

    GF-1 WFV影像仅有4个波段，复杂的反演模型难以构建，本文考察了多种波段比值和差值模型，为不同类型水体优选了适用的模型并优化了模型参数（图4）。由于OWT1到OWT3叶绿素a浓度逐渐提高，叶绿素a浓度反演模型所用波段逐渐后移，OWT1使用了蓝—绿比值，OWT2使用了红—绿比值，OWT3使用了红—近红外比值。内陆浑浊水体绿波段为反射率峰值，且比较稳定，悬浮物浓度相对较低的OWT1在红波段响应较好，适用红—绿比值模型；非藻类颗粒物在近红外波段具有较好的响应，绿—近红外比值模型适用于非藻类颗粒物主导型的OWT2；浮游植物影响较大的OWT3仍然优选了红—近红外比值模型。浑浊水体绿波段的透过率较好，3类水体的透明度模型都使用了绿波段并匹配蓝、红波段构建了透明度反演模型。

    译

    fig

    图4  GF-1 WFV水质参数反演模型

    Fig.4  Models of water quality parameters estimation for GF-1 WFV

    icon 下载:  原图 | 高精图 | 低精图

    本文使用了2020年9月5日的太湖星地同步实验数据检验了水质参数反演模型的精度（图5）。结果表明，叶绿素a的相对误差最大，透明度最小，反演精度较高，但是叶绿素a的R2最大，高于悬浮物和透明度，表明反演结果和实测数据的趋势一致性较好。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图5  GF-1 WFV水质参数反演模型精度评价

    Fig.5  Accuracy evaluation of GF-1 WFV water quality parameters estimation models

    4.4　太湖水质参数反演示例

    应用本文构建的基于软分类的水质参数反演模型反演了2020年9月5日的叶绿素a浓度、总悬浮物浓度和透明度（图6）。结果显示，该景影像上有一定面积的水华分布，大部分湖区为浮游植物和非藻类颗粒物共同主导型水体，水华附近为浮游植物主导型水体，湖岸边和北部部分湖区为非藻类颗粒物主导型水体，东太湖因分布大量水草，无法进行水质参数反演，本文做了掩膜处理。反演结果表明，太湖北部的梅梁湾、竺山湾、贡湖湾以及西部、南部沿岸的叶绿素a浓度较高，中心区域较低；北部梅梁湖、竺山湾以及西部、南部沿岸总悬浮物浓度较高，中心湖区也有一定程度的升高；透明度与叶绿素a、悬浮物结果相反，北部梅梁湾、竺山湾和中心湖区透明度较低，其他湖区透明度较高。由于应用了基于距离权重的加权融合，分类边界处保持了平滑，未出现数值跳跃的现象。以上结果符合太湖的水质分布规律，进一步检验了本文算法的精度和可靠性。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图6  2020年9月5日太湖GF-1WFV水质参数反演示例图

    Fig.6  Example diagram of GF-1WFV water quality parameters estimation in Taihu Lake on September 5， 2020

    5　分析和讨论

    5.1　GF-1 WFV影像的定量化预处理

    GF-1 WFV数据因具有较高的时间和空间分辨率，且具有较长时间的持续性，比较适合水环境遥感监测。但是水体在遥感影像上是弱信号，对传感器的辐射精度、稳定性、信噪比、量化等级等要求都高于陆地目标（

    梁文秀 等，2015；豆新格，2022），基于辐射传输的定量化处理难以达到理想的效果。本研究借助Sentinel-2 MSI数据对GF-1 WFV进行相对大气校正的方法避开了GF-1 WFV数据本身的辐射定标和稳定性问题以及传感器本身的局限性，使得仅有4波段的国产卫星影像的遥感反射率数据的精度和稳定性达到了较高水平，解决了GF-1 WFV大范围内陆水体水质参数反演产品生产的瓶颈。
    译

    5.2　GF-1 WFV传感器波段设置的局限性

    GF-1 WFV仅有蓝、绿、红、近红外4个波段，且为陆地遥感设计的宽波段传感器，对关键水体特征的捕捉能力有限。虽然本文在浑浊水体取得了较好的效果，但是无法覆盖更多类型的水体，也难以支撑更为精细的水体光学分类。由于波段较少的限制，一些常用的水质反演模型（如半分析算法QAA、三波段/四波段算法、基线高度法等）无法在GF-1 WFV影像上使用，使得可用于GF-1 WFV影像的算法模型大大减少，进一步限制了水质参数反演精度的提升。

    译

    5.3　算法的适用性及可扩展性

    本文的实测数据达到了647个采样点，覆盖了典型的浑浊水体，但是未涉及中东部较清洁水体以及青藏高原清洁水体。清洁水体对光的吸收较强，使得水体的暗目标特性较强，对传感器在低反射区间的响应要求较高，GF-1 WFV传感器能否满足清洁水体水质反演的需求有待进一步研究。虽然4波段的GF-1 WFV影像难以支撑更为精细的水体光学分类，但是仍然具有适当增加分类数量的潜力，特别是蓝波段的利用率不足，可以进一步研究利用蓝波段增加水体类型并在清洁水体开展算法适用性及可扩展性评估，完善基于软分类的GF-1 WFV水质参数反演体系架构。

    译

    6　结论

    本文针对特定区域GF-1 WFV水质参数反演算法在光学特性复杂的浑浊水体普适性较差的问题，发展了基于软分类的水体叶绿素a浓度、总悬浮物浓度和透明度反演算法，经星地同步实验验证，算法精度较高、效果较好。通过距离权重的加权融合使得分类边界处较为平滑，有效避免了不同算法导致的数值跳变问题。

    译

    针对GF-1 WFV数据定标精度和稳定性较差的问题，使用了基于Sentinel-2 MSI L2A地表反射率数据的均匀不变地物相对大气校正算法解决了GF-1 WFV数据大气校正的瓶颈问题，使得GF-1 WFV数据的遥感反射率精度达到Sentinel-2 MSI的同等水平，为水质参数反演提供了高质量的基础数据。

    译

    通过多达647个采样点的实测数据建立的软分类反演算法具有在浑浊水体较好的典型性和代表性，本文研发的算法和模型将用于GF-1 WFV影像生产全国大中型水体的叶绿素a浓度、总悬浮物浓度和透明度产品。但是缺乏青藏高原和东部部分清洁水体区域样本，这些区域的产品将暂时空缺，后续有待进一步补充数据和模型，并扩展水体类型用于适配清洁水体算法研发及产品生产。

    译

    致谢

    致谢:感谢中国资源卫星应用中心提供GF1-WFV影像。感谢中国科学院空天信息创新研究院水环境遥感团队历届研究生在野外采样测量和室内参数测量中的贡献。由于人员较多，不再一一列出姓名，在此一并表示感谢。

    参考文献（References）

    Bao Y, Tian Q J and Chen M. 2015. A weighted algorithm based on normalized mutual information for estimating the chlorophyll-a concentration in inland waters using geostationary ocean color imager (GOCI) data. Remote Sensing, 7(9): 11731-11752. [DOI: 10.3390/rs70911731] [百度学术] 

    Canty M, Nielsen A A and Schmidt M. 2004. Automatic radiometric normalization of multitemporal satellite imagery. Remote Sensing of Environment, 91(3-4): 441-451. [DOI: 10.1016/j.rse.2003.10.024] [百度学术] 

    Cao C. 2021. Water Quality Monitoring of Typical Reservoirs in Beijing Tianjin Hebei Region Based on GF1 Satellite Remote Sensing Data. Beijing: China University of Geosciences (Beijing) [百度学术] 

    曹畅. 2021. 基于高分一号卫星的京津冀典型水库水色指数和透明度监测研究. 北京: 中国地质大学(北京) [DOI: 10.27493/d.cnki.gzdzy.2021.001658] [百度学术] 

    Cao Y, Ye Y T, Zhao H L, Jiang Y Z and Wang H. 2019. Remote sensing of total suspended matter concentration and turbidity in a macrophytic lake. Journal of Remote Sensing, 23(6): 1253-1268. [百度学术] 

    曹引, 冶运涛, 赵红莉, 蒋云钟, 王浩. 2019. 草型湖泊总悬浮物浓度和浊度遥感监测. 遥感学报, 23(6): 1253-1268 [DOI: 10.11834/jrs.20198144] [百度学术] 

    Cheng C M, Li Y, Ding Y, Tu Q G and Qin P. 2019. Remote sensing estimation of chlorophyll-a and total suspended matter concentration in qiantang river based on GF-1/WFV data. Journal of Yangtze River Scientific Research Institute, 36(1): 21-28 [百度学术] 

    程春梅, 李渊, 丁奕, 涂乾光, 秦鹏. 2019. 基于GF-1/WFV的钱塘江叶绿素a和总悬浮物浓度遥感估算. 长江科学院院报, 36(1): 21-28 [DOI: 10.11988/ckyyb.20170701] [百度学术] 

    Cheng Q, Liu B, Li T and Zhu L. 2015. Research on remote sensing retrieval of suspended sediment concentration in Hangzhou Bay by GF-1 satellite. Marine Environmental Science, 34(4): 558-563, 577. [百度学术] 

    程乾, 刘波, 李婷, 朱利. 2015. 基于高分1号杭州湾河口悬浮泥沙浓度遥感反演模型构建及应用. 海洋环境科学, 34(4): 558-563, 577 [DOI: 10.13634/j.cnki.mes.2015.04.015] [百度学术] 

    Dou X G. 2022. Time Series Calibration Research and Verification of GF1 Satellite. Changchun: Jilin University [百度学术] 

    豆新格. 2022. 高分一号卫星时间序列定标研究与验证. 长春: 吉林大学 [DOI: 10.27162/d.cnki.gjlin.2022.005324] [百度学术] 

    Du Y, Teillet P M and Cihlar J. 2002. Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Remote Sensing of Environment, 82(1): 123-134. [DOI: 10.1016/S0034-4257(02)00029-9] [百度学术] 

    Eleveld M A, Ruescas A B, Hommersom A, Moore T S, Peters S W M and Brockmann C. 2017. An optical classification tool for global lake waters. Remote Sensing, 9(5): 420. [DOI: 10.3390/rs9050420] [百度学术] 

    Gao C, Xu J, Gao D, Wang L L and Wang Y Q. 2019. Retrieval of concentration of total suspended matter from GF-1 satellite and field measured spectral data during flood period in Poyang Lake. Remote Sensing for Land and Resources, 31(1): 101-109 [百度学术] 

    高晨, 徐健, 高丹, 王莉莉, 王野乔. 2019. 基于GF-1与实测光谱数据鄱阳湖丰水期总悬浮物浓度反演. 国土资源遥感, 31(1): 101-109 [DOI: 10.6046/gtzyyg.2019.01.14] [百度学术] 

    Guo L F, Gao X H, Kang J and Meng X Q. 2009. Application of the pseudo-invariant feature in normalization process of the remote sensing images. Remote Sensing Technology and Application, 24(5): 588-595 [百度学术] 

    郭丽峰, 高小红, 亢健, 孟小前. 2009. 伪不变特征法在遥感影像归一化处理中的应用. 遥感技术与应用, 24(5): 588-595 [百度学术] 

    Hang X, Cao Y, Hang R R, Xu M, Huo Y, Sun L X and Zhu S H. 2021. Estimation model of chlorophyll-a concentration in Taihu Lake based on random forest algorithm and gaofen observations. Meteorological Monthly, 47(12): 1525-1536 [百度学术] 

    杭鑫, 曹云, 杭蓉蓉, 徐萌, 霍焱, 孙良宵, 朱士华. 2021. 基于随机森林算法与高分观测的太湖叶绿素a浓度估算模型. 气象, 47(12): 1525-1536 [DOI: 10.7519/j.issn.1000-0526.2021.12.008] [百度学术] 

    Hang X, Li Y C, Li X Y, Xu M and Sun L X. 2022. Estimation of chlorophyll-a concentration in Lake Taihu from Gaofen-1 wide-field-of-view data through a machine learning trained algorithm. Journal of Meteorological Research, 36(1): 208-226. [DOI: 10.1007/s13351-022-1146-y] [百度学术] 

    Huang C. 2017. Inversion of Water SSC and Decision Tree Analysis of Poyang Lake Based on GF-1 Image. Nanchang: East China University of Technology [百度学术] 

    黄聪. 2017. 基于高分一号卫星影像的鄱阳湖水体悬浮泥沙浓度反演与决策树分析. 南昌: 东华理工大学 [百度学术] 

    Jackson T, Sathyendranath S and Mélin F. 2017. An improved optical classification scheme for the ocean colour essential climate variable and its applications. Remote Sensing of Environment, 203: 152-161. [DOI: 10.1016/j.rse.2017.03.036] [百度学术] 

    Jiang Q. 2020. Study on the Effectiveness Evaluation Method of Satellite Remote Sensing in the Monitoring of Lake and Reservoir Water Quality——Take GF-1 Satellite as An Example. Lanzhou: Lanzhou Jiaotong University [百度学术] 

    姜倩. 2020. 卫星遥感在湖库水质监测中的有效性评价方法研究——以GF-1号卫星为例. 兰州: 兰州交通大学 [DOI: 10.27205/d.cnki.gltec.2020.000038] [百度学术] 

    Le C F, Li Y M, Zha Y, Sun D Y, Huang C C and Zhang H. 2011. Remote estimation of chlorophyll a in optically complex waters based on optical classification. Remote Sensing of Environment, 115(2): 725-737. [DOI: 10.1016/j.rse.2010.10.014] [百度学术] 

    Li Y M, Zhao H, Bi S and Lyu H. 2022. Research progress of remote sensing monitoring of case II water environmental parameters based on water optical classification. Journal of National Remote Sensing, 26(1): 19-31 [百度学术] 

    李云梅, 赵焕, 毕顺, 吕恒. 2022. 基于水体光学分类的二类水体水环境参数遥感监测进展. 遥感学报, 26(1): 19-31 [DOI: 10.11834/jrs.20221212] [百度学术] 

    Liang W X, Li J S, Zhou D M, Shen Q and Zhang F F. 2015. Evaluation of GF-1 WFV characteristics in monitoring inland water environment. Remote Sensing Technology and Application, 30(4): 810-818 [百度学术] 

    梁文秀, 李俊生, 周德民, 申茜, 张方方. 2015. 面向内陆水环境监测的GF-1卫星WFV数据特征评价. 遥感技术与应用, 30(4): 810-818 [DOI: 10.11873/j.issn.1004-0323.2015.4.0810] [百度学术] 

    Liu D Z, Li Z, Chen Z H and Chen Y C. 2020. Influence of Hong Kong-Zhuhai-Macao Bridge on the distribution of suspended sediment in the Pearl River estuary. Journal of Guangdong Ocean University, 40(6): 89-95 [百度学术] 

    刘大召, 李卓, 陈仔豪, 程永存. 2020. 基于高分1号遥感数据港珠澳大桥对珠江口海域悬浮泥沙分布的影响. 广东海洋大学学报, 40(6): 89-95 [DOI: 10.3969/j.issn.1673-9159.2020.06.011] [百度学术] 

    Liu J, Sun D Y, Zhang Y L and Li Y M. 2013. Pre-classification improves relationships between water clarity, light attenuation, and suspended particulates in turbid inland waters. Hydrobiologia, 711(1): 71-86. [DOI: 10.1007/s10750-013-1462-4] [百度学术] 

    Liu Q H, Wen J G, Zhou X, Zhao J, Li Z Y, Li X, Ma M G, Wang W Z, Liao X H, Liu S M, Fan W J, Xiao Q, Zhong B, Li J, Xin X Z, Li L, Jia L, Gao Z H, Jin J D, Liang S, Xin J, Liao C J and Wu Y R. 2023. Technique system of remote sensing product generation and validation of GF common products. National Remote Sensing Bulletin， 27(3): 544-562 [百度学术] 

    柳钦火, 闻建光, 周翔, 赵坚, 李增元,李新, 马明国, 王维真, 廖小罕, 刘绍民, 范闻捷, 肖青, 仲波, 李静, 辛晓洲, 李丽, 贾立, 高志海, 金家栋, 梁师, 邢进, 廖楚江, 吴一戎. 2023. 高分遥感共性产品生成和真实性检验技术体系. 遥感学报, 27(3): 544-562 [DOI： 10.11834/jrs.20235022] [百度学术] 

    Liu Y, Fan J P and Jiang H. 2021. Evaluation of parametric and nonparametric algorithms for the estimation of suspended particulate matter in turbid water using gaofen-1 wide field-of-view sensors. Journal of the Indian Society of Remote Sensing, 49(11): 2673-2687. [DOI: 10.1007/S12524-021-01405-7] [百度学术] 

    Moore T S, Campbell J W and Dowell M D. 2009. A class-based approach to characterizing and mapping the uncertainty of the MODIS ocean chlorophyll product. Remote Sensing of Environment, 113(11): 2424-2430. [DOI: 10.1016/j.rse.2009.07.016] [百度学术] 

    Moore T S, Campbell J W and Feng H. 2001. A fuzzy logic classification scheme for selecting and blending satellite ocean color algorithms. IEEE Transactions on Geoscience and Remote Sensing, 39(8): 1764-1776. [DOI: 10.1109/36.942555] [百度学术] 

    Moore T S, Dowell M D, Bradt S and Verdu A R. 2014. An optical water type framework for selecting and blending retrievals from bio-optical algorithms in lakes and coastal waters. Remote Sensing of Environment, 143: 97-111. [DOI: 10.1016/j.rse.2013.11.021] [百度学术] 

    Pu L W. 2019. Remote Sensing Inversion of Chlorophyll-a Concentration in the Eastern Coastal Zone of Taihu Lake Based on High Resolution Image. Suzhou: Suzhou University of Science and Technology (浦玲伟. 2019. 基于高分影像的太湖东岸带叶绿素a浓度遥感反演研究. 苏州: 苏州科技大学) [百度学术] 

    Ruffin C, King R L and Younan N H. 2008. A combined derivative spectroscopy and savitzky-golay filtering method for the analysis of hyperspectral data. GIScience and Remote Sensing, 45(1): 1-15. [DOI: 10.2747/1548-1603.45.1.1] [百度学术] 

    Shang P and Shen F. 2016. Atmospheric correction of satellite gf-1/wfv imagery and quantitative estimation of suspended particulate matter in the yangtze estuary. Sensors, 16(12): 1997. [DOI: 10.3390/s16121997] [百度学术] 

    Shen Q, Li J S, Zhang F F, Sun X, Li J, Li W and Zhang B. 2015. Classification of several optically complex waters in China using in situ remote sensing reflectance. Remote Sensing, 7(11): 14731-14756. [DOI: 10.3390/rs71114731] [百度学术] 

    Tian L Q, Wai O W H, Chen X L, Li W B, Li J, Li W K and Zhang H D. 2016. Retrieval of total suspended matter concentration from gaofen-1 wide field imager (WFI) multispectral imagery with the assistance of terra modis in turbid water-case in deep bay. International Journal of Remote Sensing, 2016, 37(14): 3400-3413. [DOI: 10.1080/01431161.2016.1199084] [百度学术] 

    Tu M and Zhang L L. 2021. Inversion analysis of lake chlorophyll a concentration based on high resolution remote sensing technology. Technical Supervision in Water Resources, (10): 126-132 [百度学术] 

    涂明, 章李乐. 2021. 基于高分遥感技术的湖泊叶绿素a浓度反演分析. 水利技术监督, (10): 126-132 [DOI: 10.3969/j.issn.1008-1305.2021.10.032] [百度学术] 

    Xie X. 2018. Estimation and Analysis of Total Suspended Matter by Remote Sensing in the Lower Reaches of Minjiang. Fuzhou: Fuzhou University [百度学术] 

    谢旭. 2018. 闽江下游悬浮物浓度遥感反演与分析. 福州: 福州大学 [百度学术] 

    Xu P F, Mao F, Jin P B and Cheng Q. 2020. Spatial-temporal variations of chlorophyll-a in Qiandao lake using GF1_WFV data. China Environmental Science, 40(10): 4580-4588 [百度学术] 

    徐鹏飞, 毛峰, 金平斌, 程乾. 2020. 基于GF1_WFV的千岛湖水体叶绿素a浓度时空变化. 中国环境科学, 40(10): 4580-4588 [DOI: 10.3969/j.issn.1000-6923.2020.10.045] [百度学术] 

    Yao R, Cai L N, Liu J Q and Zhou M R. 2020. GF-1 satellite observations of suspended sediment injection of Yellow River Estuary, China. Remote Sensing, 12(19): 3126. [DOI: 10.3390/rs12193126] [百度学术] 

    Yuan D and Elvidge C D. 1996. Comparison of relative radiometric normalization techniques. ISPRS Journal of Photogrammetry and Remote Sensing, 51(3): 117-126. [DOI: 10.1016/0924-2716(96)00018-4] [百度学术] 

    Zhai Z K, Lu S L, Bao Z, Ma J, Wang P and Dai Y. 2018. Water quality monitoring with GF1-WFV imagery in Panjiakou reservoir, Hebei province of China. Journal of China Institute of Water Resources and Hydropower Research, 16(4): 297-306 [百度学术] 

    翟召坤, 卢善龙, 暴柱, 马津, 王萍, 戴乙. 2018. 基于GF-1卫星WFV数据的潘家口水库水质参数遥感估算模型研究. 中国水利水电科学研究院学报, 16(4): 297-306 [DOI: 10.13244/j.cnki.jiwhr.2018.04.008] [百度学术] 

    Zhang F F. 2014. Soft Classification Based Remote Sensing Estimation of Chlorophyll-a Concentration and Long Time Series Analysis in Taihu Lake, China. Shanghai: East China Normal University [百度学术] 

    张方方. 2014. 基于软分类的太湖水体叶绿素a浓度遥感反演与长时间序列分析. 上海: 华东师范大学 [百度学术] 

    Zhang F F, Li J S, Shen Q, Zhang B, Tian L Q, Ye H P, Wang S L and Lu Z Y. 2019. A soft-classification-based chlorophyll-a estimation method using MERIS data in the highly turbid and eutrophic Taihu Lake. International Journal of Applied Earth Observation and Geoinformation, 74: 138-149. [DOI: 10.1016/j.jag.2018.07.018] [百度学术] 

    Zhang F F, Li J S, Shen Q, Zhang B, Wu C Q, Wu Y F, Wang G L, Wang S L and Lu Z Y. 2015. Algorithms and schemes for chlorophyll a estimation by remote sensing and optical classification for turbid Lake Taihu, China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(1): 350-364. [DOI: 10.1109/JSTARS.2014.2333540] [百度学术] 

    Zhang F F，Li J S，Wang C，Wang S L，Wang Z and Zhang B. 2023. Multitype inland water atmospheric correction and water quality estimation based on HY-1C CZI images. National Remote Sensing Bulletin，27（1）：79-91 [百度学术] 

    张方方，李俊生，王超，王胜蕾，王正，张兵.2023.基于HY-1C卫星CZI影像的多类型内陆水体大气校正及水质参数反演.遥感学报，27（1）：79-91 [DOI：1011834/jrs.20235010] [百度学术] 

    Zhang M C and Guo B Y. 2018. Retrieval of suspended sediment concentration in Zhoushan coastal area satellite based on GF-1. Ocean Development and Management, 35(1): 126-131 [百度学术] 

    章敏超, 郭碧云. 2018. 基于GF-1号的舟山近岸悬浮泥沙浓度反演研究. 海洋开发与管理, 35(1): 126-131 [DOI: 10.3969/j.issn.1005-9857.2018.01.022] [百度学术] 

    Zhang T T, Hu H, Ma X S and Zhang Y B. 2020. Long-term spatiotemporal variation and environmental driving forces analyses of algal blooms in Taihu Lake based on multi-source satellite and land observations. Water, 12(4): 1035. [DOI: 10.3390/w12041035] [百度学术] 

    Zhao S H, Wang Q, Yang Y P, Zhu L, Wang Z T and Jiang D. 2015. Application and demonstration study of gaofen-1 satellite environmental remote sensing monitoring. Satellite Application, (3): 37-40 [百度学术] 

    赵少华, 王桥, 杨一鹏, 朱利, 王中挺, 江东. 2015. 高分一号卫星环境遥感监测应用示范研究. 卫星应用, (3): 37-40 [百度学术] 

    Zhou T, Liu X N, Qi W Y, Xia P and Cao N. 2020. Temporal and spatial evolution characteristics of cyanobacteria in Chaohu Lake based on GF1 satellite imagery. Journal of North China University of Water Resources and Electric Power, 41(3): 62-66 [百度学术] 

    周婷, 刘小妮, 戚王月, 夏萍, 曹娜. 2020. 基于GF1卫星影像的巢湖蓝藻时空演变特征分析. 华北水利水电大学学报(自然科学版), 41(3): 62-66 [DOI: 10.19760/j.ncwu.zk.2020036] [百度学术] 

    Zhu L, Li Y M, Zhao S H and Guo Y L. 2015. Remote sensing monitoring of Taihu Lake water quality by using GF-1 satellite WFV data. Remote Sensing for Land and Resources, 27(1): 113-120 [百度学术] 

    朱利, 李云梅, 赵少华, 郭宇龙. 2015. 基于GF-1号卫星WFV数据的太湖水质遥感监测. 国土资源遥感, 27(1): 113-120 [DOI: 10.6046/gtzyyg.2015.01.18] [百度学术] 

    Zhu Y F, Zhu L, Li J G, Chen Y J, Zhang Y H, Hou H Q, Ju X and Zhang Y Z. 2017. The study of inversion of chlorophyll a in Taihu based on GF-1 WFV image and BP neural network. Acta Scientiae Circumstantiae, 37(1): 130-137 [百度学术] 

    朱云芳, 朱利, 李家国, 陈宜金, 张永红, 侯海倩, 鞠星, 张雅洲. 2017. 基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演. 环境科学学报, 37(1): 130-137 [DOI: 10.13671/j.hjkxxb.2016.0275] [百度学术] 

    文章被引用时，请邮件提醒。
    提交

    相关文章

    相关作者

    暂无数据

    相关机构

    国家卫星气象中心
    海南空天信息研究院海南省地球观测重点实验室
    中山大学 地理科学与规划学院
    广东省水环境遥感监测工程技术研究中心
    广东省城市化与地理环境空间模拟重点实验室
    0