基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究

丁梦娇; 丘仲锋; 张海龙; 李兆鑫; 毛颖

doi:doi:10.3788/AOS201939.0601002

光学学报, 2019, 39 (6): 0601002, 网络出版: 2019-06-17

基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究下载： 1069次

Inversion Algorithm for Turbidity of Bohai and Yellow Seas Based on NPP-VIIRS Satellite Data

论文大纲

丁梦娇丘仲锋 ^*张海龙李兆鑫毛颖

作者单位

南京信息工程大学海洋科学学院, 江苏南京 210044

大气光学 VIIRS卫星浊度渤黄海遥感卫星 atmospheric optics VIIRS satellite turbidity Bohai and Yellow seas remote sensing satellite

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

浊度是水环境和水质状况的重要监测指标。卫星遥感技术具有宏观的空间覆盖性和重复的定期采样性,是一种有效的监测水体浊度的方法。基于NPP-VIIRS卫星的遥感反射率,建立了一个适用于渤黄海的水体浊度遥感反演算法,并将其应用到VIIRS卫星图像上,研究了渤黄海水体浊度的时空分布特征。结果表明:该算法具有较高的反演精度(决定系数R²为0.97,均方根误差为16 NTU,平均绝对误差为23 NTU,平均相对误差为34.63%)。渤黄海水体浊度在空间尺度上基本呈现近岸高、远岸低的分布特征;在时间尺度上,冬季浊度维持在一个较高的水平,春季浊度高值区逐渐收缩, 夏季达到最低,只在沿岸区域仍有较高的浊度,而秋季浊度又逐渐升高。

Abstract

Turbidity is an important indicator for monitoring water environment and water quality, and the satellite remote sensing technology has the advantages of macroscopic spatial coverage and repeated sampling, which is an effective way of monitoring water turbidity. Based on the remote sensing reflectivity of NPP-VIIRS satellite, a water turbidity remote sensing inversion algorithm is developed and applied to the VIIRS satellite data to obtain a long-time series of satellite-derived water turbidity in the Bohai and Yellow seas. The results indicate that the proposed algorithm has a high accuracy with the R2 of 0.97, the root mean square error of 16 NTU, the mean absolute deviation of 23 NTU, and the mean relative error of 34.63%. On a spatial scale, the turbidity distributions are generally high in the near-shore areas and low in the offshore areas. In contrast in the time scale, the water turbidity is at a high level in winter, but the regions with high turbidity shrink in spring. The turbidity is generally at the lowest level in summer and only the coastal waters show high turbidity values. In autumn, the turbidity gradually increases.

1 引言

浊度(T)反映了光线在透过水层时受到的阻碍程度,海水浊度是指均匀分布于海水中的可溶性微小颗粒物或可溶性有机与无机化合物等对入射光线的散射、吸收导致光线的衰减程度,是表征海水光学现象的物理特征指标^[1]。浊度不仅与悬浮物的浓度有关,还与水体组分、颗粒大小、形状及其表面的反射性能有关。浊度会引起水体温度垂直结构的改变,对初级生产力有重要的影响,同时在对海洋生态和生物化学过程、水动力环境与物质输运的研究中起重要作用^[2-4]。此外,浊度还通常用作其他光学参量的指示参数,如总悬浮颗粒物(TSP)或下行辐照度的漫反射衰减系数(K_d)^[5]。目前,浊度已经是许多国家和地区定期测量的水质环境监测指标,2008年被提议作为欧盟海洋战略框架指令评估生态系统功能的监测参数之一^[6-7]。研究者通常采用美国环境保护署(USEPA)提出的比浊度法来测量水体浊度(单位为NTU),用其表示在与入射光成90°角的方向上测量的散射光强度。传统研究中,浊度观测网通常基于沿海平台,而这种站点式观测获取的数据较少,无法满足足够的空间代表性和覆盖率^[8-9]。相比而言,卫星遥感技术具有时间长、范围大等监测优势,为监测浊度的动态变化提供了较理想的手段^[10]。

目前,浊度的遥感反演已有较成熟的发展,涉及多种卫星传感器,如Landsat5-TM (Thematic Mapper)、SPOT (Systeme Probatoire d'Observation de laTerre)、MODIS (Moderate Resolution Imaging Spectroradiometer)、MERIS (Medium Resolution Imaging Spectrometer) 和GOCI (Geostationary Ocean Color Imager)等。Goodin等^[11]采用Landsat5-TM数据和法国SPOT传感器的红光波段数据来估测美国Tuttel Creek Reservoir水体的浊度和西班牙Guadalquivir河的水体浊度^[12]。王建国等^[13]利用MODIS数据,建立了基于红绿波段比值的反演算法(QAA-RGR),并进行了验证,还利用该算法分析了渤海水体浊度的季节分布特征。基于MERIS卫星传感器,Joshi等^[14]用蓝绿光波段比值建立的线性模型来反演Alqueva Reservoir的水体浊度。Qiu等^[15]利用GOCI卫星传感器瑞利散射校正后的反射率数据反演得到中国近海水体浊度数据,该研究为水体浊度的反演提供了一种新方法。

2011年,美国国家航空航天局(NASA)、美国国家海洋和大气管理局(NOAA)和美国空军共同发射了NPP(NPOESS Preparatory Project)卫星,该卫星携带了可见光红外成像仪(VIIRS)传感器^[16]。VIIRS的质量约为275 kg,每4 h经过赤道一次,星下点空间分辨率为400 m,扫描带边缘空间分辨率约为800 m。该仪器有22个光谱通道,其中心波长覆盖412 ~12050 nm。VIIRS传感器可收集陆地、大气、冰层和海洋在可见光及红外波段的辐射图像,VIIRS是中分辨率成像光谱仪MODIS系列的拓展和改进^[17]。相关研究表明,MODIS等卫星传感器的在轨运行时间较长,导致部分数据质量有所降低^[18-19]。相比而言,NPP-VIIRS卫星传感器作为新型环境监测卫星,在轨运行时间较短,影像数据质量较高,其时空分辨率与MODIS相近^[20-21],这为黄海浊度监测提供了新型数据源。NPP-VIIRS卫星传感器也可用来开展不同传感器影像协同应用,从而提高对黄海水体浊度的精确监测。然而,目前基于NPP-VIRRS数据的水体浊度监测研究鲜有报道。此前,国内外学者针对MODIS、GOCI等卫星数据提出了浊度反演算法,该算法是否能成功移植到VIIRS卫星还有待研究。

针对以上问题,本文以渤黄海为研究区域,结合VIIRS卫星遥感反射率(R_rs)数据和实测浊度数据,分别构建了单波段形式和多波段组合形式的遥感反演算法,从而确定适用于渤黄海的水体浊度遥感反演算法,并对渤黄海水体浊度进行时空变化分析,旨在为渤黄海区域水体浊度的遥感反演提供新的方法和思路,并为后续研究海洋生物化学过程提供重要的数据支持。

2 研究区概况和研究数据

2.1 研究区概述

本研究区域为渤海和黄海。渤黄海属于中国近海,是典型的海洋二类水体^[22]。渤黄海由于其特殊的地理位置,拥有丰富的生物与矿产资源,其典型的地质沉积环境对民众生活也有深远影响,因此一直是学者们的研究重点。每年都会有长江、黄河等河流的水体注入海里并且携带大量泥沙和沉积物,使得大量的泥沙和其他颗粒物质堆积在海床上,对海水变化产生影响^[23-25]。

2.2 实测数据的获取

本研究采用的浊度数据由两大部分组成,分别为航次观测和浮标观测数据。

1) 航次观测数据。该数据为海鸟科学公司提供的环境表征光学(ECO)系列的原位荧光计和后向散射仪器测量海洋数据,包括水温参数、光学参数(如R_rs)、后向散射系数和环境参数(如浊度)。在渤黄海进行5次巡航,其航次时间分别为2015年夏季,2016年夏季和冬季,以及2018年春季和夏季,共收集到400个站点的浊度数据。具体航次站位如图1中黑点所示。

2) 浮标观测数据。该数据由放置在江苏近岸附近的浮标测得。每个浮标上安装一台YSI EXO2(型号EX02,YSI,美国)多参数探头,测定浊度、温度、pH值、溶解氧等。本研究收集了2013年全年江苏近岸3个浮标站点的浊度观测数据,采样频率为15 min。浮标所在的位置如图1中的三角符号所示。

图2分别展示了浮标和航次观测的浊度数据统计情况,其中R_Min表示最小值,R_Max表示最大值,R_Mean表示平均值,R_SD表示标准差,R_CV表示变异系数,N表示个数。从图2中可以看出,浮标和航次的水体浊度统计直方图都呈现出对数正态分布的特点。浮标测量的水体浊度主要在10~500 NTU范围内,这是由于浮标所在的苏北浅滩常年由高浑浊水体控制;而航次观测的渤黄海水体浊度变化较小,在0.01~100 NTU范围内。

图 1. 研究区域及浮标、航次调查站位图

Fig. 1. Study area, location of buoy, and sampling stations of different cruises

下载图片查看所有图片

图 2. 基于(a)浮标和(b)航次观测的水体浊度统计结果

Fig. 2. Turbidity statistics of water bodies based on (a) buoy and (b) cruise observation

下载图片查看所有图片

2.3 VIIRS卫星数据与预处理

将VIIRS的L2级数据下载于NASA水色官网(http://oceancolor.gsfc.nasa.gov/cgi/browse. pl)。本研究选用5个L2级数据波段(410,443,486,551,671 nm)的遥感反射率、叶绿素浓度和衰减系数K_d等。VIIRS的大气校正产品采用SeaDAS v7.1(SeaWiFS Data Analysis System)进行处理,校正了常见气体对辐射的吸收以及耀斑和海面白帽的辐射信号等,之后利用近红外波段迭代算法获取各个波段的遥感反射率^[16,26]。同时,在NASA水色官网(https://oceandata.sci.gsfc.nasa.gov/VIIRS-SNPP/Mapped/Monthly/4 km/)下载NPP-VIIRS的月平均遥感反射率数据,用于分析渤黄海海域水体浊度的时空变化。

在建立实测数据与卫星数据的匹配时,鉴于渤黄海在时空尺度上高度变化的特点,本研究采用更为严格的匹配方法,具体规则如下:航次数据时间窗口(卫星过境时间与现场测量时间间隔)限定在±6 h内,而浮标数据时间窗口设定为±1 h;空间窗口为现场测量位置周围至少60%以上像素为有效值的3×3像素空间内,中心经纬度距现场测量位置经纬度最近像元点的值。最后,取上述时间和空间条件下的所有有效像元均值作为卫星观测值。根据上述规则,星地匹配数据集共41个,其中航次数据10个,浮标数据31个,站点分布如图1中红色圆点所示。

2.4 模型评价指标

为了评估模型的效果,采用常用于验证海洋算法的线性回归方式对模型的实测浊度与反演浊度进行比较;采用决定系数(R²)、均方根误差(S_RMSE)、平均绝对误差(S_MAE)和平均相对误差(S_MRE)对模型进行精度评估。所用4个统计指标可分别表示为

\begin{array}{l} R^{2} = \frac{{[\overset{N}{\sum_{i = 1}} (x_{i} - \bar{x}) (y_{i} - \bar{y})]}^{2}}{\overset{N}{\sum_{i = 1}} (x_{i} {- \bar{x})}^{2} \overset{N}{\sum_{i = 1}} (y_{i} {- \bar{y})}^{2}}, (1) \\ S_{RMSE} = \sqrt[]{\frac{1}{N} \overset{N}{\sum_{i = 1}} (x_{i} - y_{i})^{2}}, (2) \\ S_{MAE} = \frac{1}{N} \overset{N}{\sum_{i = 1}} | x_{i} - y_{i} |, (3) \\ S_{MRE} = \frac{1}{N} \overset{N}{\sum_{i = 1}} |\frac{x_{i} - y_{i}}{y_{i}}| \times 100 %, (4) \end{array}

式中:x_i和y_i分别表示第i个样品的反演浊度和实测浊度; $\bar{x}$ 和 $\bar{y}$ 分别表示反演浊度和实测浊度的平均值;N表示总样本数。

3 浊度反演算法

本研究使用的建模数据是星地匹配的卫星遥感反射率数据和相对应的实测浊度数据。

3.1 敏感波段的选择

为了检测浊度(T)与VIIRS的R_rs光谱的相关性,设计了相关性实验(图3),分析R_rs与T、lg R_rs与T、R_rs与lg T以及lg R_rs与lg T不同组合形式的相关关系。结果表明:lg R_rs与lg T的相关系数在各个波段都比其他几种形式高,高达0.99(在486 nm波段)。因此后续建模过程采用经过lg处理的R_rs和T数据。

图 3. 不同形式下Rrs与浊度相关系数随波段的变化图

Fig. 3. Correlation coefficient between Rrs under different forms and T versus wavelength

下载图片查看所有图片

3.2 浊度遥感反演算法的建立

在以往水体组分的遥感研究中,研究人员通常会将单波段、波段比以及波段组合应用于半经验或者经验算法中^[27]。鉴于此,本研究对采用不同波段组合(如表1所示,其中X1~X6分别代表6种不同的波段组合,λ_j表示VIIRS的第j个波段)的lg R_rs数据与lg T进行相关性分析。研究发现,lg T与单波段lg R_rs(λ₃)、双波段组合 $\frac{\lg R_{rs} (λ_{2}) + \lg R_{rs} (λ_{3})}{\lg R_{rs} (λ_{2}) / \lg R_{rs} (λ_{3})}$ 的相关性最为理想,相关系数都达到0.988。因此,使用这两种组合(为便于区分和描述,分别命名为X1和X2)分别建模,进而选择最优反演算法的组合形式。

为确定反演算法的函数形式,分别画出X1和X2模型的散点图。图4和图5分别为lg T与单波段lg R_rs(λ₃)、双波段组合 $\frac{\lg R_{rs} (λ_{2}) + \lg R_{rs} (λ_{3})}{\lg R_{rs} (λ_{2}) / \lg R_{rs} (λ_{3})}$ 的模型散点图。从图4和图5中可以看出,两者的关系可基本确定为线性。故建模的函数形式为

T = 10^{(aX + b)}, (5)

式中:X为VIIRS的R_rs波段组合;a和b为模型参数,可通过拟合得到。

本研究将41个高精度的星地匹配样本数据随机分成两个数据集:模型校准数据集(N=32,所有星地匹配数据的80%)和独立验证数据集(N=9,所有星地匹配数据的20%)。图4(a)和图5(a)分别显示了使用X1和X2建模的模型算法估计浊度与实测浊度之间的散点图,同时表2汇总了相应的模型参数和误差评价指标。由图4(a)和图5(a)可得:采用X1建模比采用X2建模的精度更高;其决定系数R²分别为0.974和0.971,均方根误差S_RMSE分别为16 NTU和9.4 NTU,平均绝对误差S_MAE分别为23 NTU和17 NTU,平均相对误差S_MRE分别为34.63%和37.93%。

表 1. lg T与lg Rrs不同波段组合之间的相关系数比较

Table 1. Comparison of correlation coefficients between lg T and lg Rrs under different band combinations

X	General form	Best band combination	R²
X1	lg R_rs(λ₃)	λ₃=486 nm	0.988
X2	$\frac{\lg R_{rs} (λ_{2}) + \lg R_{rs} (λ_{3})}{\lg R_{rs} (λ_{2}) / \lg R_{rs} (λ_{3})}$	λ₂=443 nm,λ₃=486 nm	0.988
X3	lg R_rs(λ₄)-lg R_rs(λ₅)	λ₄=551 nm,λ₅=671 nm	0.902
X4	lg R_rs(λ₄)/lg R_rs(λ₅)	λ₄=551 nm,λ₅=671 nm	0.729
X5	$\frac{l g R_{rs} (λ_{3}) - \lg R_{rs} (λ_{5})}{\lg R_{rs} (λ_{3}) + \lg R_{rs} (λ_{5})}$	λ₃=486 nm,λ₅=671 nm	0.729
X6	$\frac{\lg R_{rs} (λ_{4}) - \lg R_{rs} (λ_{5})}{\lg R_{rs} (λ_{4}) / \lg R_{rs} (λ_{5})}$	λ₄=551 nm,λ₅=671 nm	0.934

查看所有表

图 4. 浊度与X1建模的结果(蓝色点为实测数据与卫星数据的匹配数据集)。(a)模型校准;(b)模型验证

Fig. 4. Turbidity and result of inversion model developed using X1 (blue dots are matching dataset of measured data and satellite data). (a) Model calibration; (b) model validation

下载图片查看所有图片

图 5. 浊度与X2的建模结果(蓝色点为实测数据与卫星数据的匹配数据集)。(a)模型校准;(b)模型验证

Fig. 5. Turbidity and result of inversion model developed using X2 (blue dots are matching dataset of measured data and satellite data). (a) Model calibration; (b) model validation

下载图片查看所有图片

表 2. 浊度反演模型的系数以及精度评价参数统计

Table 2. Statistics of coefficients of turbidity inversion model and its accuracy evaluation parameters

Independent variable	Coefficient of model		N	R²	S_RMSE /NTU	S_MAE /NTU	S_MRE /%
Independent variable	a	b	N	R²	S_RMSE /NTU	S_MAE /NTU	S_MRE /%
X1X2	3.4361.684	8.0247.784	3232	0.9740.971	16.09.4	2317	34.6337.93

查看所有表

3.3 模型的精度评价和敏感性分析

利用独立数据集(N=9)进行模型的精度评估,结果如图4(b)和图5(b)所示。单波段lg R_rs(λ₃)和双波段 $\frac{\lg R_{rs} (λ_{2}) + \lg R_{rs} (λ_{3})}{\lg R_{rs} (λ_{2}) / \lg R_{rs} (λ_{3})}$ 模型的决定系数R²分别为0.991和0.992,均方根误差S_RMSE分别为7.4 NTU和5.3 NTU,平均绝对误差S_MAE分别为10 NTU和7.9 NTU,平均相对误差S_MRE分别为20.53%和19.87%。研究区域的浊度T与遥感反射率R_rs之间更加趋向于满足指数函数的关系,且R_rs的对数与T的对数满足较好的线性关系。X1模型只用了单波段信息,而X2模型使用了双波段组合形式。双波段覆盖蓝光波段,但大气校正在该波段处不太准确,可能出现负数现象^[15];此外,单波段模型效果比多波段组合的模拟效果好。

由于卫星观测的R_rs数据存在一定的不确定性,为验证模型在实际情况下的稳定性,本研究利用星地匹配的所有数据对模型进行了敏感性分析。首先对模型的输入数据进行处理,即在443 nm和486 nm波段的R_rs数据中引入±5%的误差,这组随机误差服从均值为0、标准差为5%的正态分布。然后对带有模拟误差的波段数据输入模型进行反演,重复该过程1000次,以生成近似正态分布的随机误差,最终得到单波段和双波段模型在模拟误差影响下各自评价参数的波动情况。图6(a)、(b)分别为引入模拟误差后单波段和双波段模型预测值与实测值的散点图,展示了1000次模拟过程中的平均预测值及偏差情况。可以发现,图6(a)、(b)的平均相对误差波动分别为2.96%和3.28%,波动程度较小,均小于5%,因此本模型对输入端的误差敏感性不大,模型较稳定;且X1模型相对于X2模型更稳定。

图 6. 在443 nm和486 nm的Rrs中引入±5%的模拟随机误差后,不同模型估计的浊度值与实测值的散点图(蓝色点为实测数据与卫星数据的匹配数据集)。(a) X1模型;(b) X2模型

Fig. 6. Scatter plots of measured and estimated turbidity obtained by different models after adding ±5% random errors to Rrs at 443 nm and 486 nm (blue dots are matching dataset of measured data and satellite data). (a) X1 model; (b) X2 model

下载图片查看所有图片

综上分析,本研究采用X1单波段进行建模,即建立模型的表示式为

T = 10^{[3.44 \lg R_{rs} (λ_{3}) + 8.02]} 。 (6)

该模型精度较高,说明基于VIIRS遥感数据可以反演得到较理想的渤黄海海域的浊度遥感数据。

4 渤黄海浊度时空变化分析

通过上文分析可得,基于VIIRS卫星遥感反射率构建的算法能够较好地反演渤黄海水体浊度。为了分析渤黄海浊度的分布特点,收集了2012—2018年VIIRS卫星月平均遥感反射率数据,并采用构建的单波段浊度反演模型得到2012—2018年渤黄海浊度月产品数据;在此基础上,采用均值合成法得到多年的季节平均图和月平均图。

4.1 月际变化

图7为使用构建模型反演得到的2012—2018年渤黄海水体浊度的月平均分布。从时间分布上来看,渤黄海的整体变化为从9月到12月水体浊度逐渐增大;1月到3月基本保持稳定;4月到6月逐渐减小;7月和8月则保持稳定。从渤黄海水体浊度的空间分布来看,浊度的基本分布形态与海水等深线有一定的关联,大致表现为:海水深度越深,浊度越低;海水深度越浅,浊度越高,而且浊度从近岸到远岸有一定的落差。渤海浊度高值区主要分布在黄河河口、渤海湾、辽东湾湾底和辽东浅滩海域,而渤海海峡和渤海中部浊度较低;黄海浊度高值区集中在江苏近岸,尤其是苏北浅滩地区浊度最高。值得注意的是,图7中数据缺失部分(白色区域)是由于VIIRS的R_rs数据在高浑浊水体下的大气校正失效导致的。

图 7. 渤黄海水体浊度的多年(2012—2018年)月平均分布图

Fig. 7. Monthly average distributions of water turbidity in Bohai and Yellow seas (2012—2018)

下载图片查看所有图片

4.2 季节变化

图8为2012—2018年渤黄海水体浊度的多年季节分布。总体上来看,渤黄海水体浊度分布基本呈现近岸高、远岸低,冬季高、夏季低的分布特征。在季节尺度上,冬季水体浊度维持在一个较高的水平,春季浊度高值区逐渐收缩,于夏季达到最低,在沿岸区域仍有较高的浊度,秋季浊度又逐渐升高。

图 8. 渤黄海水体浊度的多年(2012—2018年)季节平均分布图

Fig. 8. Seasonal average distributions of water turbidity in Bohai and Yellow seas (2012—2018)

下载图片查看所有图片

5 结论

以渤黄海为研究区域,采用浮标和航次现场实测数据,与卫星进行高时空同步匹配,利用遥感反射率,建立了一个基于VIIRS卫星的渤黄海水体浊度的单波段遥感反演算法,并对算法进行了精度验证,最后利用该算法对渤黄海水体浊度进行时空分布分析,发现该区域在空间尺度和时间尺度上均呈现非均质性。渤黄海水体浊度基本呈现近岸高、远岸低,冬季高、夏季低的分布特征。冬季浊度高值区域主要位于苏北浅滩、长江口海域、渤海以及朝鲜半岛西侧,夏季浊度高值区域主要位于渤海沿岸、苏北浅滩、长江河口和朝鲜西侧,范围远小于冬季。

参考文献

[1] 王勇智, 鞠霞, 乔璐璐, 等. 夏冬季北黄海水体浊度分布特征研究[J]. 海洋与湖沼, 2014, 45(5): 928-937.

王勇智, 鞠霞, 乔璐璐, 等. 夏冬季北黄海水体浊度分布特征研究[J]. 海洋与湖沼, 2014, 45(5): 928-937.

Wang Y Z, Ju X, Qiao L L, et al. Water turbidity in the northern Yellow Sea in summer and winter[J]. Oceanologia et Limnologia Sinica, 2014, 45(5): 928-937.

[2] Friedl G, Wüest A. Disrupting biogeochemical cycles-consequences of damming[J]. Aquatic Sciences, 2002, 64(1): 55-65.

Friedl G, Wüest A. Disrupting biogeochemical cycles-consequences of damming[J]. Aquatic Sciences, 2002, 64(1): 55-65.

[3] 任永琴, 王世忠. 海水浊度测量传感器研究[J]. 海洋技术, 2004, 23(4): 29-31.

任永琴, 王世忠. 海水浊度测量传感器研究[J]. 海洋技术, 2004, 23(4): 29-31.

Ren Y Q, Wang S Z. A seawater turbidity sensor[J]. Ocean Technology, 2004, 23(4): 29-31.

[4] Nechad B, Ruddick K G, Neukermans G. Calibration and validation of a generic multisensor algorithm for mapping of turbidity in coastal waters[J]. Proceedings of SPIE, 2009, 7473: 74730H.

Nechad B, Ruddick K G, Neukermans G. Calibration and validation of a generic multisensor algorithm for mapping of turbidity in coastal waters[J]. Proceedings of SPIE, 2009, 7473: 74730H.

[5] Shi W, Wang M H. Characterization of global ocean turbidity from Moderate Resolution Imaging Spectroradiometer ocean color observations[J]. Journal of Geophysical Research, 2010, 115(C11): C11022.

Shi W, Wang M H. Characterization of global ocean turbidity from Moderate Resolution Imaging Spectroradiometer ocean color observations[J]. Journal of Geophysical Research, 2010, 115(C11): C11022.

[6] Juda L. The European union and the marine strategy framework directive: continuing the development of European ocean use management[J]. Ocean Development & International Law, 2010, 41(1): 34-54.

Juda L. The European union and the marine strategy framework directive: continuing the development of European ocean use management[J]. Ocean Development & International Law, 2010, 41(1): 34-54.

[7] PyhäläM. HELCOM Baltic Sea action plan: an ecosystem approach to the management of human activities[M] //Brander K, MacKenzie B, Omstedt A. Climate Impacts on the Baltic Sea: From Science to Policy. Berlin, Heidelberg: Springer, 2012: 45- 69.

PyhäläM. HELCOM Baltic Sea action plan: an ecosystem approach to the management of human activities[M] //Brander K, MacKenzie B, Omstedt A. Climate Impacts on the Baltic Sea: From Science to Policy. Berlin, Heidelberg: Springer, 2012: 45- 69.

[8] Constantin S, Constantinescu Ş, Doxaran D. Long-term analysis of turbidity patterns in Danube Delta coastal area based on MODIS satellite data[J]. Journal of Marine Systems, 2017, 170: 10-21.

Constantin S, Constantinescu Ş, Doxaran D. Long-term analysis of turbidity patterns in Danube Delta coastal area based on MODIS satellite data[J]. Journal of Marine Systems, 2017, 170: 10-21.

[9] Caballero I, Navarro G. Application of extended full resolution MERIS imagery to assist coastal management of the area adjacent to the Guadalquivir estuary[J]. Progress in Oceanography, 2018, 165: 215-232.

Caballero I, Navarro G. Application of extended full resolution MERIS imagery to assist coastal management of the area adjacent to the Guadalquivir estuary[J]. Progress in Oceanography, 2018, 165: 215-232.

[10] 祝令亚. 湖泊水质遥感监测与评价方法研究[D]. 北京: 中国科学院研究生院, 2006.

祝令亚. 湖泊水质遥感监测与评价方法研究[D]. 北京: 中国科学院研究生院, 2006.

Zhu LY. Remote sensing monitoring and assessment of water quality for lakes[D]. Beijing: Graduate University of the Chinese Academy of Sciences, 2006.

[11] Goodin D G, Harrington J A. Jr, Nellis M D, et al. Mapping reservoir turbidity patterns using SPOT-HRV data[J]. Geocarto International, 1996, 11(4): 71-78.

Goodin D G, Harrington J A. Jr, Nellis M D, et al. Mapping reservoir turbidity patterns using SPOT-HRV data[J]. Geocarto International, 1996, 11(4): 71-78.

[12] 冯奇, 程学军, 沈欣, 等. 利用Landsat 8 OLI进行汉江下游水体浊度反演[J]. 武汉大学学报(信息科学版), 2017, 42(5): 643-647.

冯奇, 程学军, 沈欣, 等. 利用Landsat 8 OLI进行汉江下游水体浊度反演[J]. 武汉大学学报(信息科学版), 2017, 42(5): 643-647.

Feng Q, Cheng X J, Shen X, et al. Inland riverine turbidity estimation for Hanjiang River with Landsat 8 OLI imager[J]. Geomatics and Information Science of Wuhan University, 2017, 42(5): 643-647.

[13] 王建国, 陈树果, 张亭禄, 等. 基于MODIS陆地波段的近岸水体浊度遥感方法[J]. 海洋技术学报, 2016, 35(4): 20-25.

王建国, 陈树果, 张亭禄, 等. 基于MODIS陆地波段的近岸水体浊度遥感方法[J]. 海洋技术学报, 2016, 35(4): 20-25.

Wang J G, Chen S G, Zhang T L, et al. Remote sensing retrieval algorithm for the turbidity in coastal waters using MODIS land band data[J]. Journal of Ocean Technology, 2016, 35(4): 20-25.

[14] Joshi I D. D'Sa E J, Osburn C L, et al. Turbidity in Apalachicola Bay, Florida from Landsat 5 TM and field data: seasonal patterns and response to extreme events[J]. Remote Sensing, 2017, 9(4): 367.

Joshi I D. D'Sa E J, Osburn C L, et al. Turbidity in Apalachicola Bay, Florida from Landsat 5 TM and field data: seasonal patterns and response to extreme events[J]. Remote Sensing, 2017, 9(4): 367.

[15] Qiu Z F, Zheng L F, Zhou Y, et al. Innovative GOCI algorithm to derive turbidity in highly turbid waters: a case study in the Zhejiang coastal area[J]. Optics Express, 2015, 23(19): A1179-A1193.

Qiu Z F, Zheng L F, Zhou Y, et al. Innovative GOCI algorithm to derive turbidity in highly turbid waters: a case study in the Zhejiang coastal area[J]. Optics Express, 2015, 23(19): A1179-A1193.

[16] 余越, 胡秀清, 闵敏, 等. NPP/VIIRS微光图像融合中国中东部城市灯光算法[J]. 激光与光电子学进展, 2018, 55(10): 102804.

余越, 胡秀清, 闵敏, 等. NPP/VIIRS微光图像融合中国中东部城市灯光算法[J]. 激光与光电子学进展, 2018, 55(10): 102804.

Yu Y, Hu X Q, Min M, et al. NPP/visible infrared image radiometer suite low-light image fusion algorithm for city lights in mid-eastern China[J]. Laser & Optoelectronics Progress, 2018, 55(10): 102804.

[17] 李军, 朱建华, 韩冰, 等. VIIRS在中国渤海的遥感反射率产品验证[J]. 海洋技术学报, 2016, 35(2): 27-33.

李军, 朱建华, 韩冰, 等. VIIRS在中国渤海的遥感反射率产品验证[J]. 海洋技术学报, 2016, 35(2): 27-33.

Li J, Zhu J H, Han B, et al. Validation of the VIIRS radiometric products with MODIS and in-situ data in the Bohai Sea[J]. Journal of Ocean Technology, 2016, 35(2): 27-33.

[18] 李旭文, 牛志春, 姜晟, 等. 环境监测卫星 Suomi NPP业务特性及生态环境监测应用[J]. 环境监控与预警, 2014, 6(3): 1-6.

李旭文, 牛志春, 姜晟, 等. 环境监测卫星 Suomi NPP业务特性及生态环境监测应用[J]. 环境监控与预警, 2014, 6(3): 1-6.

Li X W, Niu Z C, Jiang S, et al. Operational characteristics of environmental monitoring satellite Suomi NPP and usage in ecological environment monitoring[J]. Environmental Monitoring and Forewarning, 2014, 6(3): 1-6.

[19] 丁一, 黄娟, 崔廷伟, 等. 基于NDVI与丰度关系的MODIS影像浒苔混合像元分解方法[J]. 海洋学报, 2015, 37(7): 123-131.

丁一, 黄娟, 崔廷伟, 等. 基于NDVI与丰度关系的MODIS影像浒苔混合像元分解方法[J]. 海洋学报, 2015, 37(7): 123-131.

Ding Y, Huang J, Cui T W, et al. The decomposition method of MODIS images Enteromorpha mixed pixels based on the relation of NDVI to abundance[J]. Acta Oceanologica Sinica, 2015, 37(7): 123-131.

[20] Huang C, Chen Y, Wu J P, et al. An evaluation of Suomi NPP-VIIRS data for surface water detection[J]. Remote Sensing Letters, 2015, 6(2): 155-164.

Huang C, Chen Y, Wu J P, et al. An evaluation of Suomi NPP-VIIRS data for surface water detection[J]. Remote Sensing Letters, 2015, 6(2): 155-164.

[21] Hillger D, Seaman C, Liang C, et al. Suomi NPP VIIRS imagery evaluation[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(11): 6440-6455.

Hillger D, Seaman C, Liang C, et al. Suomi NPP VIIRS imagery evaluation[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(11): 6440-6455.

[22] 陈亚慧, 丘仲锋, 孙德勇, 等. 黄渤海悬浮颗粒物粒径的遥感反演研究[J]. 光学学报, 2015, 35(9): 0901008.

陈亚慧, 丘仲锋, 孙德勇, 等. 黄渤海悬浮颗粒物粒径的遥感反演研究[J]. 光学学报, 2015, 35(9): 0901008.

Chen Y H, Qiu Z F, Sun D Y, et al. Remote sensing of suspended particle size in Yellow Sea and Bohai Sea[J]. Acta Optica Sinica, 2015, 35(9): 0901008.

[23] Qiu Z F, Wu T T, Su Y Y. Retrieval of diffuse attenuation coefficient in the China seas from surface reflectance[J]. Optics Express, 2013, 21(13): 15287-15297.

Qiu Z F, Wu T T, Su Y Y. Retrieval of diffuse attenuation coefficient in the China seas from surface reflectance[J]. Optics Express, 2013, 21(13): 15287-15297.

[24] Qiu Z F, Su Y Y, Yang A N, et al. An approach for estimating absorption and backscattering coefficients from MERIS in the Bohai Sea[J]. International Journal of Remote Sensing, 2014, 35(24): 8169-8187.

Qiu Z F, Su Y Y, Yang A N, et al. An approach for estimating absorption and backscattering coefficients from MERIS in the Bohai Sea[J]. International Journal of Remote Sensing, 2014, 35(24): 8169-8187.

[25] Chen J, Cui T W, Tang J W, et al. Remote sensing of diffuse attenuation coefficient using MODIS imagery of turbid coastal waters: a case study in Bohai Sea[J]. Remote Sensing of Environment, 2014, 140: 78-93.

Chen J, Cui T W, Tang J W, et al. Remote sensing of diffuse attenuation coefficient using MODIS imagery of turbid coastal waters: a case study in Bohai Sea[J]. Remote Sensing of Environment, 2014, 140: 78-93.

[26] Bailey S W, Franz B A, Werdell P J. Estimation of near-infrared water-leaving reflectance for satellite ocean color data processing[J]. Optics Express, 2010, 18(7): 7521-7527.

Bailey S W, Franz B A, Werdell P J. Estimation of near-infrared water-leaving reflectance for satellite ocean color data processing[J]. Optics Express, 2010, 18(7): 7521-7527.

[27] He X Q, Bai Y, Pan D L, et al. Using geostationary satellite ocean color data to map the diurnal dynamics of suspended particulate matter in coastal waters[J]. Remote Sensing of Environment, 2013, 133: 225-239.

He X Q, Bai Y, Pan D L, et al. Using geostationary satellite ocean color data to map the diurnal dynamics of suspended particulate matter in coastal waters[J]. Remote Sensing of Environment, 2013, 133: 225-239.

丁梦娇, 丘仲锋, 张海龙, 李兆鑫, 毛颖. 基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究[J]. 光学学报, 2019, 39(6): 0601002. Mengjiao Ding, Zhongfeng Qiu, Hailong Zhang, Zhaoxin Li, Ying Mao. Inversion Algorithm for Turbidity of Bohai and Yellow Seas Based on NPP-VIIRS Satellite Data[J]. Acta Optica Sinica, 2019, 39(6): 0601002.

基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究下载： 1069次

1 引言

2 研究区概况和研究数据

2.1 研究区概述

2.2 实测数据的获取

图 1. 研究区域及浮标、航次调查站位图

Fig. 1. Study area, location of buoy, and sampling stations of different cruises

图 2. 基于(a)浮标和(b)航次观测的水体浊度统计结果

Fig. 2. Turbidity statistics of water bodies based on (a) buoy and (b) cruise observation

2.3 VIIRS卫星数据与预处理

2.4 模型评价指标

3 浊度反演算法

3.1 敏感波段的选择

图 3. 不同形式下Rrs与浊度相关系数随波段的变化图

Fig. 3. Correlation coefficient between Rrs under different forms and T versus wavelength

3.2 浊度遥感反演算法的建立

表 1. lg T与lg Rrs不同波段组合之间的相关系数比较

Table 1. Comparison of correlation coefficients between lg T and lg Rrs under different band combinations

图 4. 浊度与X1建模的结果(蓝色点为实测数据与卫星数据的匹配数据集)。(a)模型校准;(b)模型验证

Fig. 4. Turbidity and result of inversion model developed using X1 (blue dots are matching dataset of measured data and satellite data). (a) Model calibration; (b) model validation

图 5. 浊度与X2的建模结果(蓝色点为实测数据与卫星数据的匹配数据集)。(a)模型校准;(b)模型验证

Fig. 5. Turbidity and result of inversion model developed using X2 (blue dots are matching dataset of measured data and satellite data). (a) Model calibration; (b) model validation

表 2. 浊度反演模型的系数以及精度评价参数统计

Table 2. Statistics of coefficients of turbidity inversion model and its accuracy evaluation parameters

3.3 模型的精度评价和敏感性分析

图 6. 在443 nm和486 nm的Rrs中引入±5%的模拟随机误差后,不同模型估计的浊度值与实测值的散点图(蓝色点为实测数据与卫星数据的匹配数据集)。(a) X1模型;(b) X2模型

Fig. 6. Scatter plots of measured and estimated turbidity obtained by different models after adding ±5% random errors to Rrs at 443 nm and 486 nm (blue dots are matching dataset of measured data and satellite data). (a) X1 model; (b) X2 model

4 渤黄海浊度时空变化分析

4.1 月际变化

图 7. 渤黄海水体浊度的多年(2012—2018年)月平均分布图

Fig. 7. Monthly average distributions of water turbidity in Bohai and Yellow seas (2012—2018)

4.2 季节变化

图 8. 渤黄海水体浊度的多年(2012—2018年)季节平均分布图

Fig. 8. Seasonal average distributions of water turbidity in Bohai and Yellow seas (2012—2018)

5 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究 下载： 1069次

1 引言

2 研究区概况和研究数据

2.1 研究区概述

2.2 实测数据的获取

图 1. 研究区域及浮标、航次调查站位图

Fig. 1. Study area, location of buoy, and sampling stations of different cruises

图 2. 基于(a)浮标和(b)航次观测的水体浊度统计结果

Fig. 2. Turbidity statistics of water bodies based on (a) buoy and (b) cruise observation

2.3 VIIRS卫星数据与预处理

2.4 模型评价指标

3 浊度反演算法

3.1 敏感波段的选择

图 3. 不同形式下Rrs与浊度相关系数随波段的变化图

Fig. 3. Correlation coefficient between Rrs under different forms and T versus wavelength

3.2 浊度遥感反演算法的建立

表 1. lg T与lg Rrs不同波段组合之间的相关系数比较

Table 1. Comparison of correlation coefficients between lg T and lg Rrs under different band combinations

图 4. 浊度与X1建模的结果(蓝色点为实测数据与卫星数据的匹配数据集)。(a)模型校准;(b)模型验证

Fig. 4. Turbidity and result of inversion model developed using X1 (blue dots are matching dataset of measured data and satellite data). (a) Model calibration; (b) model validation

图 5. 浊度与X2的建模结果(蓝色点为实测数据与卫星数据的匹配数据集)。(a)模型校准;(b)模型验证

Fig. 5. Turbidity and result of inversion model developed using X2 (blue dots are matching dataset of measured data and satellite data). (a) Model calibration; (b) model validation

表 2. 浊度反演模型的系数以及精度评价参数统计

Table 2. Statistics of coefficients of turbidity inversion model and its accuracy evaluation parameters

3.3 模型的精度评价和敏感性分析

图 6. 在443 nm和486 nm的Rrs中引入±5%的模拟随机误差后,不同模型估计的浊度值与实测值的散点图(蓝色点为实测数据与卫星数据的匹配数据集)。(a) X1模型;(b) X2模型

Fig. 6. Scatter plots of measured and estimated turbidity obtained by different models after adding ±5% random errors to Rrs at 443 nm and 486 nm (blue dots are matching dataset of measured data and satellite data). (a) X1 model; (b) X2 model

4 渤黄海浊度时空变化分析

4.1 月际变化

图 7. 渤黄海水体浊度的多年(2012—2018年)月平均分布图

Fig. 7. Monthly average distributions of water turbidity in Bohai and Yellow seas (2012—2018)

4.2 季节变化

图 8. 渤黄海水体浊度的多年(2012—2018年)季节平均分布图

Fig. 8. Seasonal average distributions of water turbidity in Bohai and Yellow seas (2012—2018)

5 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于NPP-VIIRS卫星数据的渤黄海浊度反演算法研究下载： 1069次