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
浊度(
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(
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
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. 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
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
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
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(
式中:
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(
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
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
为确定反演算法的函数形式,分别画出
式中:
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(
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
利用独立数据集(
由于卫星观测的
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
综上分析,本研究采用
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. 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
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。
[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.
[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.
Ren Y Q, Wang S Z. A seawater turbidity sensor[J]. Ocean Technology, 2004, 23(4): 29-31.
[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.
[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.
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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
Article Outline
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.