巢湖藻類高斯垂向分布結(jié)構(gòu)參數(shù)的遙感估算*

梁其椿，張玉超，薛 坤，段洪濤，馬榮華

(1：中國科學(xué)院南京地理與湖泊研究所，中國科學(xué)院流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室， 南京 210008) (2：中國科學(xué)院大學(xué)，北京 100049) (3：淮陰師范學(xué)院，江蘇省區(qū)域現(xiàn)代農(nóng)業(yè)與環(huán)境保護(hù)協(xié)同創(chuàng)新中心，淮安223001)

巢湖藻類高斯垂向分布結(jié)構(gòu)參數(shù)的遙感估算*

梁其椿1,2，張玉超1,3，薛 坤1,2，段洪濤1，馬榮華1,3

(1：中國科學(xué)院南京地理與湖泊研究所，中國科學(xué)院流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室， 南京 210008) (2：中國科學(xué)院大學(xué)，北京 100049) (3：淮陰師范學(xué)院，江蘇省區(qū)域現(xiàn)代農(nóng)業(yè)與環(huán)境保護(hù)協(xié)同創(chuàng)新中心，淮安223001)

藻類垂向分布異質(zhì)性導(dǎo)致了遙感反演的湖泊表層葉綠素a濃度結(jié)果與單元水柱內(nèi)藻類生物量間不存在一一對應(yīng)的關(guān)系，因此有效確定藻類垂向分布結(jié)構(gòu)是遙感反演湖泊藻類生物量的基礎(chǔ). 受自身因素和外環(huán)境條件的影響，藻類垂向分布結(jié)構(gòu)呈現(xiàn)出多種類型，其中高斯類型應(yīng)用最廣. 本文基于3200組HydroLight模擬的高斯垂向數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)用MODIS數(shù)據(jù)相對應(yīng)的3個波段的遙感反射比Rrs(469)、Rrs(555)、Rrs(645)和表層葉綠素a濃度共同估算高斯垂向分布結(jié)構(gòu)參數(shù)h和σ. 經(jīng)巢湖地面實(shí)測數(shù)據(jù)驗(yàn)證顯示，h和σ的估算值與實(shí)測值的相關(guān)系數(shù)分別為0.97和0.95，對應(yīng)的相對誤差分別為13.20%和12.36%，兩者相對誤差同時小于30%的占總數(shù)據(jù)量的87.5%，表明該BP神經(jīng)網(wǎng)絡(luò)估算巢湖藻類高斯垂向分布結(jié)構(gòu)的有效性和準(zhǔn)確性，為基于衛(wèi)星遙感數(shù)據(jù)獲取湖泊藻類生物量提供了重要的理論基礎(chǔ).

葉綠素a；高斯垂向分布；HydroLight；BP神經(jīng)網(wǎng)絡(luò)；巢湖

湖泊水色遙感可以利用多種星載傳感器探測以及反演內(nèi)陸水體葉綠素等水體水色要素參數(shù)[1]. 遙感器接收到的水體遙感反射比是光線經(jīng)由水面射入水體，經(jīng)過水體以及水體中各組分的吸收和散射共同作用后，射出水面的離水輻亮度與總?cè)肷漭椪斩戎?，包含了水體中一定深度內(nèi)垂向各水層的光學(xué)特性信息[2]. 傳統(tǒng)的湖泊水色遙感大多基于水色參數(shù)或水體光學(xué)特性在垂向上是均質(zhì)的假設(shè)，但事實(shí)上由于氣象、環(huán)境條件以及藻顆粒自身因素的影響，湖泊水體中藻類垂向分布具有明顯的不均一性[3]. 藻類垂向分布的不均一性導(dǎo)致了表層葉綠素a(Chl.a)濃度反演結(jié)果與單元水柱內(nèi)藻類生物量間不存在一一對應(yīng)關(guān)系，所以有效確定葉綠素a濃度的垂向分布是遙感反演藻類生物量的基礎(chǔ).

目前針對藻類垂向分布的研究主要集中在大洋I類水體，受生活習(xí)性和外環(huán)境條件影響，藻類垂向分布結(jié)構(gòu)呈現(xiàn)出多種類型：高斯分布[4]、指數(shù)分布[5]、線性分布[6]等，其中高斯分布應(yīng)用最廣泛. 國內(nèi)外學(xué)者通過研究I類水體中藻類高斯垂向分布對遙感反射比的影響，基于統(tǒng)計回歸[7-8]、人工神經(jīng)網(wǎng)絡(luò)[9-10]等方法成功獲取高斯垂向分布結(jié)構(gòu)參數(shù). 與大洋水體相比，富營養(yǎng)化湖泊水深較淺，在風(fēng)、浪以及藻類自身生理特征影響下[11-12]，湖泊藻類垂向呈現(xiàn)多樣化、多變性的特點(diǎn). 巢湖是我國典型的內(nèi)陸富營養(yǎng)化湖泊[13]，Xue等[14]針對巢湖藻類垂向分布野外實(shí)測，通過最優(yōu)曲線擬合的方法將巢湖藻類垂向分布?xì)w結(jié)為4種類型：垂向均一分布、高斯分布、指數(shù)分布、冪函數(shù)分布. 馬孟梟等[15]也有類似結(jié)論，且強(qiáng)調(diào)高斯模型分布是水面未發(fā)生藻華時葉綠素a的主要垂向分布形式. 因此，研究藻類高斯垂向分布結(jié)構(gòu)參數(shù)的遙感估算，是實(shí)現(xiàn)獲取富營養(yǎng)化湖泊藻總量的關(guān)鍵環(huán)節(jié). 此外，富營養(yǎng)化湖泊水體光學(xué)活性物質(zhì)組成較為復(fù)雜，其光學(xué)特性不僅僅受浮游植物的影響[16]，這進(jìn)一步加大了湖泊藻類垂向分布結(jié)構(gòu)參數(shù)估算的難度和精度.

本文根據(jù)巢湖野外觀測數(shù)據(jù)和同步外環(huán)境數(shù)據(jù)，利用HydroLight開展了巢湖水體輻射傳輸模擬，構(gòu)建藻類高斯垂向分布結(jié)構(gòu)參數(shù)(c0、h和σ)與遙感反射比(Rrs)映射關(guān)系的模擬數(shù)據(jù)庫；在分析高斯垂向分布結(jié)構(gòu)參數(shù)對Rrs影響的基礎(chǔ)上，選取MODIS數(shù)據(jù)的對應(yīng)波段469、555和645 nm處的Rrs和表層葉綠素a濃度CChl.a(0)作為輸入?yún)?shù)，構(gòu)建了估算藻類高斯垂向結(jié)構(gòu)參數(shù)c0、h和σ的BP神經(jīng)網(wǎng)絡(luò)估算模型；利用模擬數(shù)據(jù)和實(shí)測數(shù)據(jù)對模型的估算精度開展了測試與驗(yàn)證；最后針對HydroLight輻射傳輸模擬的參數(shù)設(shè)定、藻類高斯垂向分布結(jié)構(gòu)的影響因素以及衛(wèi)星數(shù)據(jù)的推廣應(yīng)用進(jìn)行了討論. 本研究工作是富營養(yǎng)化湖泊藻總量遙感估算的重要基礎(chǔ)，可為湖泊藍(lán)藻水華生態(tài)災(zāi)害監(jiān)測和預(yù)測預(yù)警提供重要的技術(shù)支撐.

1 材料與方法

1.1 研究區(qū)域概況

巢湖(31°25′28″～31°43′28″N，117°16′54″～117°51′46″E)，是長江水系下游湖泊，位于安徽省中部，由合肥市、巢湖市、肥東縣、肥西縣、廬江縣二市三縣環(huán)抱，是我國五大淡水湖之一，是合肥市和巢湖市最重要的生活水源[17]. 巢湖平均水深約2.96 m，湖水面積約770 km2，年內(nèi)水位變幅大，透明度低，湖濱帶水生植物分布較少[18]. 巢湖入湖河流約33條，其中主要出入河流有9條. 過去30年中，由于城市污水和工業(yè)污水等外源污染的注入，巢湖的水污染和富營養(yǎng)化問題越來越嚴(yán)重[19-20]，暴發(fā)了多次藍(lán)藻水華[21].

1.1.1 野外數(shù)據(jù)采集與分析 分別于2013年5月28日、7月24日和2015年5月24日開展巢湖野外采樣，采樣點(diǎn)數(shù)分別為9、2、15個(圖1)，每個采樣點(diǎn)垂向采集水樣的水深分別為0、0.1、0.2、0.4、0.7、1.0、1.5、2.0、3.0 m，采樣時天空晴朗，無云或者少云. 現(xiàn)場測量每個點(diǎn)位的Rrs、水深、透明度、風(fēng)速、風(fēng)向等，并且每個采樣點(diǎn)于9個水深處各采集500 ml水樣，用于測定葉綠素a、有色可溶解性有機(jī)物(CDOM)、溶解態(tài)有機(jī)碳(DOC)濃度等.

1.1.2 葉綠素a濃度測定與處理 水樣經(jīng)過GF/C膜過濾后，通過凍融萃取，以90%丙酮溶液做參比，利用分光光度計測定葉綠素a濃度[22].

圖1 采樣點(diǎn)分布Fig.1 Distribution of sampling sites

1.1.3 水體光譜測量與處理 利用美國ASD公司生產(chǎn)的FieldSpec Pro Dual VNIR野外雙通道光譜儀，采用水面以上測量法獲取水體350～1050 nm范圍內(nèi)波段的遙感反射光譜[23].

在避開太陽直射反射、忽略或避開水面泡沫的情況下，水體總光譜信號(Lsw)可近似看做水體離水輻亮度(Lw)和天空光輻亮度(Lsky)之和，即：

Lsw=Lw+r·Lsky

(1)

式中，r為氣-水界面對天空光的反射率，與風(fēng)速、太陽高度角和觀測幾何等有關(guān)，取值為0.026～0.028.

由于Lw在遙感中容易測定，因此，遙感反射比(Rrs, sr-1)可以定義為水體離水輻亮度與恰好位于水體表面的向下輻照度(Ed(0+))的比值，即：

(2)

Ed(0+)可表示為：

(3)

式中，Lp為標(biāo)準(zhǔn)白板輻亮度，ρp為標(biāo)準(zhǔn)白板的反射率，校正值為30%.

根據(jù)以上各式可以推導(dǎo)出水體遙感反射比為：

(4)

1.2 藻類高斯垂向分布的數(shù)學(xué)表達(dá)

野外實(shí)測數(shù)據(jù)表明，巢湖藻類垂向呈高斯分布時，葉綠素a濃度最大值出現(xiàn)在水體表層(深度≈0 m)，與已有研究結(jié)果一致[4]，葉綠素a濃度垂向分布的高斯模型公式為[14]：

(5)

式中，CChl.a(z)是深度z處的葉綠素a濃度；c0是背景葉綠素a濃度值(μg/L)；h是與峰值強(qiáng)度有關(guān)的參數(shù)；σ是標(biāo)準(zhǔn)偏差，與分層中葉綠素極大值寬度有關(guān)；z是水深(m).

1.3 野外觀測數(shù)據(jù)集

對26個采樣點(diǎn)的葉綠素a垂向分布數(shù)據(jù)(每個采樣點(diǎn)分別測量9個不同水深(0、0.1、0.2、0.4、0.7、1.0、1.5、2.0、3.0 m)的葉綠素a濃度)分別進(jìn)行曲線擬合(線性函數(shù)、二次多項(xiàng)式、高斯函數(shù)、指數(shù)函數(shù)、冪指數(shù))，把具有最大R2(>0.85)、最小RMSE的函數(shù)類型作為該采樣點(diǎn)的最優(yōu)垂向分布類型[14]，結(jié)果顯示，8組葉綠素a垂向分布數(shù)據(jù)的最優(yōu)垂向分布類型為高斯分布類型，本研究以此8組高斯類型垂向數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的實(shí)測驗(yàn)證數(shù)據(jù)(分布情況見圖1).

表1 基于野外實(shí)測數(shù)據(jù)的HydroLight輻射傳輸模擬輸入?yún)?shù)

Tab.1 Input parameters of HydroLight radiative transfer simulation based on field data

參數(shù)設(shè)定值太陽天頂角/°30風(fēng)速/(m/s)2．25水體折射率1．34SPIM/(mg/L)35．45ag(440)/m-10．6光譜斜率Sg/nm-10．019

1.4 基于野外觀測數(shù)據(jù)構(gòu)建HydroLight模擬數(shù)據(jù)庫

HydroLight是根據(jù)文獻(xiàn)[24]用Fortran語言編寫的輻射傳輸模型. 本文基于HydroLight的CASE 2模型計算了無機(jī)懸浮物(SPIM)和CDOM吸收光譜形態(tài)因子ag(440)[25]不變的條件下，與葉綠素a濃度垂向分布結(jié)構(gòu)相關(guān)的固有光學(xué)性質(zhì)(IOPs)的垂直分布對Rrs的影響. 模擬的光譜范圍是400～700 nm，間隔5 nm. 葉綠素a濃度垂向分布以巢湖野外觀測數(shù)據(jù)為依據(jù)，c0、h和σ的設(shè)定范圍分別為2～40、5～80和0.1～1，覆蓋了野外觀測數(shù)據(jù)的分布范圍，又考慮到模擬數(shù)據(jù)庫的運(yùn)行效率，分別設(shè)定間隔為2、5和0.1，共3200組. 其他HydroLight輻射傳輸模擬的輸入?yún)?shù)均取2014年巢湖對應(yīng)平均值，具體見表1.

2 BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計

在c0、h和σ已知的條件下，即可獲取葉綠素a濃度的垂向分布. 內(nèi)陸湖泊光學(xué)組分復(fù)雜，且存在大量光學(xué)淺水區(qū)[16]，c0情況復(fù)雜多變，而CChl.a(0)可以通過遙感反演，所以本文選擇h和σ為神經(jīng)網(wǎng)絡(luò)反演對象，結(jié)合CChl.a(0)，獲取c0值.

2.1 基于光譜特征確定神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘?/p>

如圖2所示，Rrs呈現(xiàn)了典型的湖泊水體可見光光譜特征：由于葉綠素a在藍(lán)紫光波段的吸收峰以及黃色物質(zhì)的吸收作用，在400～500 nm范圍內(nèi)Rrs較低[26]；580 nm波長附近屬于葉綠素a和胡蘿卜素弱吸收區(qū)域，加上細(xì)胞散射作用的影響，所以該波長附近出現(xiàn)反射峰[27]；630 nm附近呈肩狀或反射谷，原因是藻藍(lán)素在此處的吸收峰，以及葉綠素a等有機(jī)質(zhì)反射能力在600 nm后逐步下降[28]；由于葉綠素a在682 nm附近的強(qiáng)烈吸收作用，該波段附近出現(xiàn)反射谷[29].

圖2 c0、h和σ參數(shù)一個變化其他不變得到的代表性光譜曲線對比圖Fig.2 The comparison chart of representative spectral curve corresponding to several chlorophyll-a concentrations Gaussian model

圖2中3條垂線分別對應(yīng)著MODIS的band 3、4、1的中心波長. Pearson相關(guān)性分析表明，σ與Rrs(469)、Rrs(555)和Rrs(645)呈現(xiàn)顯著正相關(guān)(r分別為0.584、0.519、0.47，P<0.01)，而h與Rrs(469)、Rrs(555)和Rrs(645)則呈現(xiàn)顯著負(fù)相關(guān)(r分別為-0.635、-0.668、-0.681，P<0.01).

基于上述光譜特征分析，并考慮衛(wèi)星的波段設(shè)置，本研究選取Rrs(469)、Rrs(555)、Rrs(645)和CChl.a(0)作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)⒘?

2.2 BP神經(jīng)網(wǎng)絡(luò)隱含層結(jié)構(gòu)設(shè)計

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)需要事先確定好網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的重點(diǎn)和難點(diǎn)就是設(shè)計隱含層結(jié)構(gòu)[30]. 現(xiàn)有研究表明，1個隱含層、多個隱含層節(jié)點(diǎn)的3層BP神經(jīng)網(wǎng)絡(luò)能有效逼近任何歸一化的輸入-輸出映射[31]. 因此，本研究也采用1個隱含層的BP神經(jīng)網(wǎng)絡(luò). 為了獲取最佳隱含層節(jié)點(diǎn)數(shù)，本研究構(gòu)造若干不同隱含層節(jié)點(diǎn)的網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練，選擇性能最好的網(wǎng)絡(luò)[32].

2.3 BP神經(jīng)網(wǎng)絡(luò)研究方案

1)選取Rrs(469)、Rrs(555)、Rrs(645)和CChl.a(0)作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)⒘?，輸出參量是h和σ；

2)確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)：1個隱含層，多個隱含層節(jié)點(diǎn)；

3)從模擬數(shù)據(jù)庫中隨機(jī)挑選3000組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩下的200組作為測試數(shù)據(jù)，8組實(shí)測數(shù)據(jù)為驗(yàn)證數(shù)據(jù)；

4)采用Matlab的newff函數(shù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的計算流程見圖3.

圖3 BP神經(jīng)網(wǎng)絡(luò)的計算流程Fig.3 Flow chart of BP neural network

2.4 評價指標(biāo)

采用Matlab構(gòu)建BP神經(jīng)網(wǎng)絡(luò)默認(rèn)的訓(xùn)練性能(performance)評價指標(biāo)為均方誤差(Mean Square Error,MSE)：

(6)

網(wǎng)絡(luò)估算結(jié)果評價采用相關(guān)系數(shù)(R)和相對誤差(RE)，R和RE計算公式分別如下：

(7)

(8)

用變異系數(shù)(Coefficient of Variation,CV)衡量數(shù)據(jù)離散程度：

(9)

3 結(jié)果與驗(yàn)證

3.1 BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)確定結(jié)果

基于3000組HydroLight模擬數(shù)據(jù)，構(gòu)建若干不同隱含層節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練，訓(xùn)練性能如圖4所示，隨著節(jié)點(diǎn)數(shù)增加，MSE先減小后增大，其最小值(0.0306)對應(yīng)隱含層節(jié)點(diǎn)數(shù)為10，所以本文采用10個隱含層節(jié)點(diǎn)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò).

圖4 不同隱含層節(jié)點(diǎn)數(shù)對應(yīng)的MSEFig.4 Number of hidden layer nodes and corresponding MSE

3.2 HydroLight模擬數(shù)據(jù)測試結(jié)果

為了進(jìn)一步驗(yàn)證本模型估算效果，選用200組HydroLight獨(dú)立模擬數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的測試集(HydroLight模擬數(shù)據(jù)庫共3200組數(shù)據(jù)，隨機(jī)抽取其中3000組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，剩下200組用于測試網(wǎng)絡(luò))，測試結(jié)果見圖5.

200組數(shù)據(jù)數(shù)值范圍基本覆蓋HydroLight模擬設(shè)定范圍，h的測試值和估算值的相關(guān)系數(shù)和相對誤差分別為0.96和13.99%，σ的測試值和估算值的相關(guān)系數(shù)和相對誤差分別為0.98和10.18%，h和相對應(yīng)σ的相對誤差同時小于30%的占總數(shù)據(jù)量的83.5%，說明該BP神經(jīng)網(wǎng)絡(luò)模型具有較好的穩(wěn)定性和精確性，利用該網(wǎng)絡(luò)模型基本可以滿足估算藻類高斯垂向分布結(jié)構(gòu)參數(shù)精度要求.

圖5 HydroLight模擬與網(wǎng)絡(luò)估算的h和σ對比Fig.5 Comparisons of simulated h and σ by HydroLight and test h and σ (R represents the correlation coefficient, RE represents the relative error, the same below)

3.3 野外實(shí)測數(shù)據(jù)驗(yàn)證結(jié)果

在模擬數(shù)據(jù)驗(yàn)證的基礎(chǔ)上，本研究利用野外實(shí)測數(shù)據(jù)對該神經(jīng)網(wǎng)絡(luò)模型的估算效果進(jìn)行進(jìn)一步驗(yàn)證，探討該模型對野外實(shí)測數(shù)據(jù)的適用性，驗(yàn)證結(jié)果如圖6.

圖6 巢湖野外實(shí)測的與網(wǎng)絡(luò)估算的h和σ對比Fig.6 Comparisons of measured h and σ in Lake Chaohu and test h and σ

野外測量分別于2013年5月28日、7月24日和2015年5月24日進(jìn)行，采樣點(diǎn)位的分布覆蓋了巢湖的東湖區(qū)和西湖區(qū)，h和σ的實(shí)測值和估算值的相關(guān)系數(shù)分別為0.97和0.95，對應(yīng)的相對誤差分別為13.20%和12.36%，h和相對應(yīng)σ的相對誤差同時小于30%的占總數(shù)據(jù)量的87.5%，說明該BP神經(jīng)網(wǎng)絡(luò)針對野外實(shí)測光譜數(shù)據(jù)，依然具有較好地估算巢湖野外藻類高斯垂向分布結(jié)構(gòu)的能力.

4 討論

4.1 HydroLight輻射傳輸模擬的參數(shù)設(shè)定

本文使用HydroLight進(jìn)行輻射傳輸模擬時，太陽天頂角、風(fēng)速、SPIM、ag(440)等都取2014年巢湖實(shí)測數(shù)據(jù)的平均值，為了檢驗(yàn)輻射傳輸模擬結(jié)果對上述參數(shù)的敏感度，本研究在假定葉綠素垂向分布結(jié)構(gòu)不變的情況下，分別改變太陽天頂角、風(fēng)速、SPIM、ag(440)，探討上述參數(shù)對Rrs模擬光譜的影響，基于巢湖2014年數(shù)據(jù)，具體取值范圍分別為：30°～60°、1～5 m/s、20～50 mg/L、0.16～1.16 m-1，間隔分別為1°、0.01 m/s、1 mg/L、0.01 m-1. 結(jié)果(圖7)表明，在400～700 nm波長范圍內(nèi)，太陽天頂角(CV≤0.66%)、風(fēng)速(CV≤0.22%)對Rrs的影響不明顯；SPIM變化對Rrs的影響主要在550～700 nm波段范圍內(nèi)(CV≥5.49%)，該范圍內(nèi)Rrs與SPIM呈正相關(guān)(R>0.9,P<0.01)；ag(440)變化對Rrs的影響則主要在綠光波段(CV≥1.46%)，變化規(guī)律與SPIM相反(R<-0.9,P<0.01).

圖7 改變太陽天頂角、風(fēng)速、SPIM、ag(440)進(jìn)行輻射傳輸模擬得到的Rrs等值線圖Fig.7 Rrs contour maps corresponding to varied solar zenith angle, wind speed, SPIM and ag(440)

從表2可以看出，太陽天頂角、風(fēng)速、SPIM、ag(440)的改變對于Rrs(469)、Rrs(555)、Rrs(645)的影響總體較小，CV都小于15%. 此外，巢湖葉綠素a濃度、SPIM、ag(440)的平均值均呈現(xiàn)從西湖區(qū)到東湖區(qū)降低的趨勢. 但是，方差分析(ANOVA)結(jié)果表明葉綠素a濃度具有顯著的空間差異(F=25.68,P<0.001)，而SPIM(P=0.35)和ag(440) (P=0.24)沒有顯著的空間差異. 說明本研究中構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)方法適用于太陽天頂角、風(fēng)速、SPIM和ag(440)變化的大規(guī)模數(shù)據(jù)集.

表2 改變太陽天頂角、風(fēng)速、SPIM、ag(440)得到的Rrs(469)、Rrs(555)、Rrs(645)的變異系數(shù)(%)

4.2 影響藻類高斯垂向分布的主要因素

巢湖水體中的浮游植物以藍(lán)藻門、綠藻門和硅藻門為主(一般達(dá)90%以上)，其中又以藍(lán)藻門居多[33]. 巢湖中的綠藻門和硅藻門藻類主要以懸浮形態(tài)(藻類在水體中運(yùn)動形態(tài)主要包括懸浮、上浮和游泳)存在，其空間位置完全受水動力條件影響[34]. 此外，藍(lán)藻有偽空泡/偽空胞氣囊結(jié)構(gòu)，會根據(jù)其自身生理節(jié)律、生理狀態(tài)以及環(huán)境變化，通過上浮或者下沉選擇最適宜的生長、生存空間[35-36].

圖8 BP神經(jīng)網(wǎng)絡(luò)輸入實(shí)測Rrs估算的與實(shí)測的葉綠素a濃度垂向分布Fig.8 Vertical structures of simulated and measured chlorophyll-a concentrations

圖8是BP神經(jīng)網(wǎng)絡(luò)基于野外實(shí)測數(shù)據(jù)得到的葉綠素a濃度垂向結(jié)構(gòu)和實(shí)測的葉綠素a濃度垂向數(shù)據(jù). 4-9月是藍(lán)藻生物量增加的階段[12]，所以7月(圖8d)葉綠素a濃度垂向整體比5月(圖8a～c)高；風(fēng)浪的攪動作用會促進(jìn)水柱中藻顆粒上下混合、垂向分布趨于均勻[37]，風(fēng)速越大，葉綠素a濃度垂向變異系數(shù)越小(圖8)；由于藻類生物活動與沉積物及水體中營養(yǎng)鹽的相互作用，巢湖西半湖(圖8b)葉綠素a濃度高于東半湖(圖8a)[38].

4.3 BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于衛(wèi)星數(shù)據(jù)

本研究構(gòu)建BP神經(jīng)網(wǎng)絡(luò)過程中，雖然選擇輸入?yún)⒘績H考慮了MODIS衛(wèi)星波段設(shè)置，但是目前大多數(shù)衛(wèi)星(VIIRS、Landsat、HJ-1、EO-1、ALOS等)的波段均有上述波段或類似波段設(shè)置.

本文BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘渴褂玫氖荝rs，欲將此模型應(yīng)用于衛(wèi)星數(shù)據(jù)上，需要解決地面光譜與衛(wèi)星波段之間的波段響應(yīng)函數(shù)關(guān)系以及大氣校正的問題. 但是，由于湖面上空氣溶膠分布類型比海面更為復(fù)雜、多變，Ⅱ類水體的大氣校正成了國際水色遙感的難題[16]. 如圖9所示，實(shí)測光譜根據(jù)MODIS光譜響應(yīng)函數(shù)重采樣得到遙感反射率(Rrs_modis)，根據(jù)SeaDAS查找表模擬的不同氣溶膠類型和厚度以及不同觀測角度下的Rrs_modis與經(jīng)過瑞利校正和吸收氣體校正的反射率(Rayleigh Corrected Reflectance，Rrc_modis)的關(guān)系，可以看出不同氣溶膠類型(Rrc_modis(λ=469 nm, r75f95v01)-Rrc_modis(λ=469 nm,r80f95v01)=0.006)和厚度(Rrc_modis(λ=469 nm,τa=1)-Rrc_modis(λ=469 nm,τa=0.1)=0.132)以及不同觀測角度(Rrc_modis(λ=469 nm,θ0=60°,θ=20°,φ=40°)-Rrc_modis(λ=469 nm,θ0=40°,θ=40°,φ=40°)=0.004)都會對遙感反射比造成不同影響，且對于不同波段的影響不同(λ=555 nm時，上述3個差值分別為0.004、0.119、0.007). 下一步研究中，可以通過尋找對上述大氣影響不敏感的指數(shù)形式，調(diào)整輸入?yún)?shù)，從而將模型推廣應(yīng)用至MODIS的Rrc數(shù)據(jù)[39-40].

此外，應(yīng)用衛(wèi)星影像進(jìn)行野外采樣對應(yīng)的遙感分析與高斯參數(shù)反演，MODIS的象元尺度大于250 m，空間分辨率較高的Landsat象元尺度是30 m，而湖泊水體水質(zhì)變化的空間尺度往往小于10 m[1]，導(dǎo)致在一個衛(wèi)星影像象元內(nèi)，可能存在多種藻類高斯垂向分布結(jié)構(gòu)，甚至存在多種垂向分布結(jié)構(gòu)類型，會降低估算高斯參數(shù)的精確度.

圖9 不同氣溶膠類型、厚度與傳感器觀測角度下的Rrc_modis和Rrs_modisFig.9 Rrc_modis and Rrs_modis under different atmospheric conditions and different sensor observation conditions

4.4 Hydrolight模擬與BP神經(jīng)網(wǎng)絡(luò)模型的局限性

Hydrolight模擬是在對自然水體的固有光學(xué)量進(jìn)行參數(shù)化的基礎(chǔ)上進(jìn)行的理論模擬. 模擬得到的數(shù)據(jù)集是一種概念化的結(jié)果，與自然水體的測量數(shù)據(jù)會有一定差異. 由于野外儀器測量及室內(nèi)分析本身存在誤差，理論上，不可能得到與自然水體的測量結(jié)果完全吻合的水體表觀光學(xué)特性.

此外，神經(jīng)網(wǎng)絡(luò)是一種黑箱模型，通常都是“不可解釋”的[41]，且神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定缺乏嚴(yán)格的理論依據(jù)指導(dǎo)[30]. 上述不確定性均是該估算模型的主要誤差來源.

5 結(jié)論

本研究在分析高斯垂向分布結(jié)構(gòu)參數(shù)對水體遙感反射比Rrs影響的基礎(chǔ)上，選取Rrs(469)、Rrs(555)、Rrs(645)和CChl.a(0)作為輸入?yún)⒘?，?gòu)建了估算高斯垂向結(jié)構(gòu)參數(shù)(c0、h和σ)的BP神經(jīng)網(wǎng)絡(luò)模型. HydroLight模擬數(shù)據(jù)驗(yàn)證表明，h和σ的HydroLight模擬值和網(wǎng)絡(luò)估算值的相關(guān)系數(shù)分別為0.96和0.98，對應(yīng)的相對誤差分別為13.99%和10.18%，h和相對應(yīng)σ的相對誤差同時小于30%的占總數(shù)據(jù)量的83.5%；野外實(shí)測數(shù)據(jù)驗(yàn)證表明，h和σ的實(shí)測值和網(wǎng)絡(luò)估算值的相關(guān)系數(shù)分別為0.97和0.95，對應(yīng)的相對誤差分別為13.20%和12.36%，h和相對應(yīng)σ的相對誤差同時小于30%的占總數(shù)據(jù)量的87.5%，說明該BP神經(jīng)網(wǎng)絡(luò)能夠較好地估算巢湖野外藻類高斯垂向分布結(jié)構(gòu)，且BP神經(jīng)網(wǎng)絡(luò)反演巢湖藻類高斯垂向分布結(jié)構(gòu)參數(shù)的方法適用于太陽天頂角、風(fēng)速、SPIM和ag(440)變化的大規(guī)模數(shù)據(jù)集. 進(jìn)一步的研究中，欲將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于衛(wèi)星數(shù)據(jù)，大氣校正和空間尺度問題亟待解決.

致謝：感謝中國科學(xué)院南京地理與湖泊研究所“湖泊-流域科學(xué)數(shù)據(jù)共享平臺”提供數(shù)據(jù)支持，感謝意大利錫耶納大學(xué)Steven A.Loiselle教授對本文英文摘要的修改和潤色，感謝薛坤、李晶、陶慜、吳靜匯、曹志剛、沈明、張壹萱等參與采樣.

[1] Ma Ronghua, Tang Junwu, Duan Hongtaoetal. Progress in lake water color remote sensing.JLakeSci, 2009, 21(2): 143-158. DOI:10.18307/2009.0201. [馬榮華, 唐軍武, 段洪濤等. 湖泊水色遙感研究進(jìn)展. 湖泊科學(xué), 2009, 21(2): 143-158.]

[2] Zaneveld JR, Barnard A, Boss E. Theoretical derivation of the depth average of remotely sensed optical parameters.OpticsExpress, 2005, 13(22): 9052-9061.DOI:10.1364/OPEX.13.009052.

[3] Ma Ronghua, Zhang Yuchao, Duan Hongtao. The status and development of the non-traditional lake water color remote sensing.JLakeSci, 2016, 28(2): 237-245. DOI:10.18307/2016.0201. [馬榮華, 張玉超, 段洪濤. 非傳統(tǒng)湖泊水色遙感的現(xiàn)狀與發(fā)展. 湖泊科學(xué), 2016, 28(2): 237-245.]

[4] Lewis MR, Cullen JJ, Platt T. Phytoplankton and thermal structure in the upper ocean: Consequences of non-uniformity in chlorophyll profile.JournalofGeophysicalResearchOceans, 1983, 88(C4): 2565-2570. DOI:10.1029/JC088iC04p02565.

[5] Uitz J, Claustre H, Morel Aetal. Vertical distribution of phytoplankton communities in open ocean: An assessment based on surface chlorophyll.JournalofGeophysicalResearchOceans, 2006, 111(C8):275-303. DOI:10.1029/2005JC003207.

[6] Pertami ND, Kanno S, Arthana IW. Study on the vertical distribution of chlorophyll in coastal ocean; development of vertical model function at western sumbawa sea.RevistaTransporteYTerritorio, 2012, (1): 128-132.

[7] Hidalgo-Gonzalez RM, Alvarez-Borrego S. Chlorophyll profiles and the water column structure in the Gulf of California.OceanologicaActa, 2001, 24(1): 19-28.DOI:10.1016/S0399-1784(00)01126-9.

[9] Feng Chunjing, Zhao Chaofang. Study of the vertical distribution of chlorophyll in the ocean based on artificial neural networks.PeriodicalofOceanUniversityofChina, 2004, 34(3): 497-505.[馮春晶, 趙朝方. 基于人工神經(jīng)網(wǎng)絡(luò)研究海水中葉綠素濃度的垂直分布. 中國海洋大學(xué)學(xué)報: 自然科學(xué)版, 2004, 34(3): 497-505.]

[10] Liu Bin. The Feasibility of deriving the vertical distribution of chlorophyll concentration from sea surface reflectance measurements in case 1 water[Dissertation]. Qingdao: Ocean University of China, 2009.[劉斌. 一類水域中從海面反射比反演葉綠素濃度垂直分布初探[學(xué)位論文]. 青島: 中國海洋大學(xué), 2009.]

[11] Cao HS, Kong FX, Luo LCetal. Effects of wind and wind-induced waves on vertical phytoplankton distribution and surface blooms ofMicrocystisaeruginosain Lake Taihu.JournalofFreshwaterEcology, 2006, 21(2): 231-238. DOI:10.1080/02705060.2006.9664991.

[12] Kong Fanxiang, Gao Guang. Hypothesis on cyanobacteria bloom-forming mechanism in large shallow eutrophic lakes.ActaEcolSin, 2005, (3): 589-595. [孔繁翔, 高光. 大型淺水富營養(yǎng)化湖泊中藍(lán)藻水華形成機(jī)理的思考. 生態(tài)學(xué)報, 2005, (3): 589-595.]

[13] Wang Sumin, Dou Hongshen eds. Lakes of China. Beijing: Science Press, 1998.[王蘇民, 竇鴻身. 中國湖泊志. 北京: 科學(xué)出版社, 1998.]

[14] Xue K, Zhang Y, Duan Hetal. A remote sensing approach to estimate vertical profile classes of phytoplankton in a eutrophic lake.RemoteSensing, 2015, 7(11): 14403-14427. DOI:10.3390/rs71114403.

[15] Ma Mengxiao, Zhang Yuchao, Qian Xinetal. Vertical distribution of water quality and its influence on underwater light field in Lake Chaohu.EnvironmentalSciences, 2014, 35(5): 1698-1707. DOI:10.13227/j.hjkx.2014.05.010.[馬孟梟, 張玉超, 錢新等. 巢湖水體組分垂向分布特征及其對水下光場的影響. 環(huán)境科學(xué), 2014, 35(5): 1698-1707.]

[16] Pan Delu, Ma Ronghua. Several key problems of lake water quality remote sensing.JLakeSci, 2008, 20(2): 139-144. DOI:10.18307/2008.0201.[潘德爐, 馬榮華. 湖泊水質(zhì)遙感的幾個關(guān)鍵問題. 湖泊科學(xué), 2008, 20(2): 139-144.]

[17] Liu Xin, Jiang Yu, Gao Junfeng. Pollution characteristics of heavy metals and the risk assessment for the surface sediments from Lake Chaohu and its main tributary rivers.JLakeSci, 2016, 28(3): 502-512. DOI:10.18307/2016.0305.[劉新, 蔣豫, 高俊峰等. 巢湖湖區(qū)及主要出入湖河流表層沉積物重金屬污染特征及風(fēng)險評價. 湖泊科學(xué), 2016, 28(3): 502-512.]

[18] Zhang Min, Kong Fanxiang. The process, spatial and temporal distributions and mitigation strategies of the eutrophication of Lake Chaohu (1984-2013).JLakeSci, 2015, 27(5): 791-798. DOI:10.18307/2015.0505.[張民, 孔繁翔. 巢湖富營養(yǎng)化的歷程、空間分布與治理策略(1984—2013年). 湖泊科學(xué), 2015, 27(5): 791-798.]

[19] Chen X, Yang X, Dong Xetal. Nutrient dynamics linked to hydrological condition and anthropogenic nutrient loading in Chaohu Lake (southeast China).Hydrobiologia, 2011, 661(1):223-234. DOI:10.1007/s10750-010-0526-y.

[20] Ma Shuzhan, Pan Jizheng, Wu Xiaodongetal. Purification efficiencies of a multi-stage bypass constructed wetland for treating polluted water from Nanfei River, Chaohu Catchment.JLakeSci, 2016, 28(2): 303-311. DOI:10.18307/2016.0209.[馬書占, 潘繼征, 吳曉東等. 旁路多級人工濕地對巢湖流域南淝河水的凈化效果. 湖泊科學(xué), 2016, 28(2): 303-311.]

[21] Zhang Y, Ma R, Zhang Metal. Fourteen-year record (2000-2013) of the spatial and temporal dynamics of floating algae blooms in Lake Chaohu, observed from time series of MODIS images.RemoteSensing, 2015, 7(8): 10523-10542. DOI: 10.3390/rs70810523.

[22] Ma R, Tang J, Dai J. Bio-optical model with optimal parameter suitable for Taihu Lake in water colour remote sensing.InternationalJournalofRemoteSensing, 2006, 27(19): 4305-4328. DOI: 10.1080/01431160600857428.

[23] Mobley CD. Estimation of the remote-sensing reflectance from above-surface measurements.AppliedOptics, 1999, 38(36): 7442-7455. DOI: 10.1364/AO.38.007442.

[24] Mobley CD ed. Light and water: Radiative transfer in natural waters. Academic Press, 1994.

[25] Bricaud A, Morel A, Prieur L. Absorption by dissolved organic matter of the sea (yellow substance) in the UV and visible domains 1.Limnology&Oceanography, 1981, 26(1): 43-53.DOI:10.4319/lo.1981.26.1.0043.

[26] Li Suju, Wu Qian, Wang Xuejunetal. Correlations between reflectance spectra and contents of chlorophyll-a in Chaohu Lake.JLakeSci, 2002, 14(3): 228-234. DOI:10.18307/2002.0306.[李素菊, 吳倩, 王學(xué)軍等. 巢湖浮游植物葉綠素含量與反射光譜特征的關(guān)系. 湖泊科學(xué), 2002, 14(3): 228-234.]

[27] Zhou Yi, Zhou Weiqi, Wang Shixinetal. Applications of remote sensing techniques to inland water quality monitoring.AdvancesinWaterScience, 2004, 15(3): 312-317.[周藝, 周偉奇, 王世新等. 遙感技術(shù)在內(nèi)陸水體水質(zhì)監(jiān)測中的應(yīng)用. 水科學(xué)進(jìn)展, 2004, 15(3): 312-317.]

[28] Feng Wei, Feng Xuezhi, Ma Ronghua. Research on correlations between chlorophyll concentration and reflectance spectral of Taihu Lake.RemotSensInf, 2007, (1): 18-21.[馮偉, 馮學(xué)智, 馬榮華. 太湖水體葉綠素濃度與反射光譜特征關(guān)系的研究. 遙感信息, 2007, 2007, (1):18-21.]

[29] Yacobi YZ, Gitelson A, Mayo M. Remote sensing of chlorophyll in Lake Kinneret using high spectral-resolution radiometer and Landsat TM: Spectral features of reflectance and algorithm development.JournalofPlanktonResearch, 1995, 17(11): 2155-2173.DOI:10.1093/plankt/17.11.2155.

[30] Fan Jiani, Wang Zhenlei, Qian Feng. Research progress structural design of hidden layer in BP artificial neural networks.ControlEngineeringofChina, 2005, (S1): 109-113.[范佳妮, 王振雷, 錢鋒. BP人工神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)設(shè)計的研究進(jìn)展. 控制工程, 2005, (S1): 109-113.]

[31] Hecht-Nielsen R. Kolmogorov’s mapping neural network existence theorem: Proceedings of the international conference on Neural Networks. New York: IEEE Press, 1987, 3: 11-13.

[32] Hüsken M, Jin Y, Sendhoff B. Structure optimization of neural networks for evolutionary design optimization.SoftComputing, 2005, 9(1): 21-28. DOI:10.1007/s00500-003-0330-y.

[33] Cheng Fang. The study of eutrophication condition and aquatic community structure of Taihu Lake[Dissertation]. Suzhou: Suzhou University, 2010.[成芳. 太湖水體富營養(yǎng)化與水生生物群落結(jié)構(gòu)的研究[學(xué)位論文]. 蘇州：蘇州大學(xué), 2010.]

[34] Hu Hongjun, Wei Yinxin eds. Freshwater algae in China: Systems, classification and ecology. Beijing: Science Press, 2006.[胡鴻鈞, 魏印心. 中國淡水藻類——系統(tǒng)、分類及生態(tài). 北京：科學(xué)出版社, 2006.]

[35] Cheng Huimin, Qiu Baosheng. Cyanobacterial gas vesicles and their regulation on the vertical distribution of cyanobacteria in water body.PlantPhysiologyCommunications, 2006, 42(5): 974-980.[成慧敏, 邱保勝. 藍(lán)藻的偽空泡及其對藍(lán)藻在水體中垂直分布的調(diào)節(jié). 植物生理學(xué)報, 2006, 42(5): 974-980.]

[36] Deng Daogui, Xie Ping, Zhou Qiongetal. Diel vertical migration ofMicrocystisand crustacean zooplankton in Lake Chaohu.EcologicScience, 2006, 25(1):8-12. [鄧道貴, 謝平, 周瓊等. 巢湖微囊藻和浮游甲殼動物晝夜垂直遷移的初步研究. 生態(tài)科學(xué), 2006, 25(1):8-12.]

[37] Zhu Yongchun, Cai Qiming. The dynamic research of the influence of wind field on the migration of algae in Taihu Lake.JLakeSci, 1997, 9(2): 152-158. DOI:10.18307/1997.0210. [朱永春, 蔡啟銘. 風(fēng)場對藻類在太湖中遷移影響的動力學(xué)研究. 湖泊科學(xué), 1997, 9(2):152-158.]

[38] Li Kun, Xiao Pu. Temporal and spatial distribution of chlorophyll-a concentration and its relationships with TN, TP concentrations in Lake Chaohu.JournalofBiology, 2011, 28(1): 53-56.[李堃, 肖莆. 巢湖葉綠素a濃度的時空分布及其與氮、磷濃度關(guān)系. 生物學(xué)雜志, 2011, 28(1): 53-56.]

[39] Qi L, Hu C, Duan Hetal. A novel MERIS algorithm to derive cyanobacterial phycocyanin pigment concentrations in a eutrophic lake: Theoretical basis and practical considerations.RemoteSensingofEnvironment, 2014, 154(154): 298-317. DOI:10.1016/j.rse.2014.08.026.

[40] Liang Q, Zhang Y, Ma Retal. A MODIS-based novel method to distinguish surface Cyanobacterial scums and aquatic macrophytes in Lake Taihu.RemoteSensing, 2017, 9(2): 133.

[41] Zhou Zhihua, Chen Shifu. Rule extraction from neural networks.JournalofComputerResearchandDevelopment, 2002, 39(4): 398-405.[周志華, 陳世福. 神經(jīng)網(wǎng)絡(luò)規(guī)則抽取. 計算機(jī)研究與發(fā)展, 2002, 39(4): 398-405.]

Remote sensing-based estimation for Gaussian distribution parameters of vertical structure of algal biomass in Lake Chaohu

LIANG Qichun1,2, ZHANG Yuchao1,3**, XUE Kun1,2, DUAN Hongtao1& MA Ronghua1,3

(1:KeyLaboratoryofWatershedGeographicSciences,NanjingInstituteofGeographyandLimnology,ChineseAcademyofSciences,Nanjing210008,P.R.China) (2:UniversityofChineseAcademyofSciences,Beijing100049,P.R.China) (3:JiangsuCollaborativeInnovationCenterofRegionalModernAgriculture&EnvironmentalProtection,HuaiyinNormalUniversity,Huaian223001,P.R.China)

The relationship between water surface reflectance and total depth integrated algae biomass can be very complex as different kinds of algal vertical distributions can occur. For this reason, effectively identifying the algae vertical profiles is fundamental to estimate algal biomass. Gaussian profiles are the most typical algae vertical profiles which occur in most environmental conditions (including external and internal system). In this research, a back propagation (BP) neural network was established to estimate Gaussian distribution parameters of the vertical structurehandσby wave bandsRrs(469),Rrs(555),Rrs(645) and chlorophyll-a concentration bandCChl.a(0). The BP neural network was trained by using 3000 simulated datasets (radiative transfer simulation based onin-situmeasured data by HydroLight), and verified by another 200 groups of simulated data and measured data. The correlation coefficient between estimated and measuredhandσwere 0.97 and 0.95, while the relative errors were 13.20% and 12.36%, respectively. The relative error ofhandσwas mostly less than 30%. This indicated that it is a good effectiveness of BP neural networks to estimate the vertical distribution parameters and able to explore the three dimensional algal distribution in Lake Chaohu, thereby providing a significant theoretical basis for remote sensing estimation of algal biomass.

Chlorophyll-a; Gaussian vertical distribution; HydroLight; back propagation neural network; Lake Chaohu

*國家自然科學(xué)基金項(xiàng)目(41431176,41471287)和江蘇省區(qū)域現(xiàn)代農(nóng)業(yè)與環(huán)境保護(hù)協(xié)同創(chuàng)新中心面上項(xiàng)目(HSXT236)聯(lián)合資助. 2016-04-21收稿；2016-07-18收修改稿. 梁其椿(1991～)，男，碩士研究生；E-mail: lqc_niglas@163.com.

; E-mail：yczhang@niglas.ac.cn.