Ⅱ類水體光學(xué)分類方法研究進(jìn)展

宋子豪，況潤元

（江西理工大學(xué)土木與測繪工程學(xué)院，江西 贛州341000）

0 引言

水體光學(xué)特性及其形成機(jī)理的研究是提高水色參數(shù)遙感反演精度的前提[1]。在海洋水色遙感領(lǐng)域，Morel等[2]根據(jù)水體光學(xué)特性差異將水體分為Ⅰ類水體和Ⅱ類水體，Ⅰ類水體一般指大洋開闊水體，主要受浮游植物和其伴生物的影響，由于其成分相對單一，水體光譜變化比較穩(wěn)定，可以用單一算法反演其水質(zhì)參數(shù)，其光學(xué)特性研究比較成熟；Ⅱ類水體主要是近岸和內(nèi)陸水體，受氣候、陸地和人類活動(dòng)的影響，物質(zhì)組成較為復(fù)雜，水體光譜信息由多種因素共同主導(dǎo)，其光學(xué)特性遠(yuǎn)比Ⅰ類水體復(fù)雜，很難通過實(shí)地采樣概括一個(gè)區(qū)域所有時(shí)期的水體光學(xué)特性。這些水域的生物光學(xué)特性在空間上也表現(xiàn)出很大的量值差異，這種光學(xué)特性復(fù)雜的水體使得區(qū)域生物光學(xué)算法的使用變得困難，對遙感影像的大氣校正也是一種挑戰(zhàn)，適用于Ⅰ類水體的算法也不再適用于Ⅱ類水體，因此有必要研究符合該類特定水體的算法[3～7]。

為了克服水體反演算法時(shí)空上的局限性，解決光學(xué)復(fù)雜水域中遙感信號(hào)反演精度的其中一種辦法就是通過將具有相似光學(xué)特性的水體進(jìn)行分組，分別為每一類水體單獨(dú)開發(fā)一個(gè)特定的模型[8～10]。對Ⅱ類水體進(jìn)行分類有助于識(shí)別光學(xué)復(fù)雜水域，分析水體環(huán)境變化，闡明某一類內(nèi)不同屬性之間的關(guān)系，并量化一個(gè)地區(qū)的生態(tài)參數(shù)和不同類別水體之間的本質(zhì)差異，了解生物地球化學(xué)過程以及改善遙感影像大氣校正，有望提高對不同類型水體的生物光學(xué)特性的認(rèn)識(shí)和對水色模型應(yīng)用條件的理解[4，7，9，11，12]。近年來的研究已經(jīng)證明了水體光學(xué)分類的重要性，尤其是在提高水質(zhì)參數(shù)反演精度方面，取得了突出的進(jìn)展[8，10，13～15]。針對Ⅰ類水體，已經(jīng)有很多學(xué)者開發(fā)了不同的分類方案，由于Ⅱ類水體的光學(xué)復(fù)雜性，在大多數(shù)情況下，適用于Ⅰ類水體的分類方法不再適用于Ⅱ類水體[16]。近年來，很多國內(nèi)外學(xué)者致力于Ⅱ類水體光學(xué)分類的研究，分類的主要依據(jù)是水體所表現(xiàn)出的生物光學(xué)特性的差異，即不同水體的光學(xué)特征存在區(qū)別，常用的劃分標(biāo)準(zhǔn)主要是水中浮游植物、非色素顆粒和CDOM等水色要素的主導(dǎo)成分以及各種表觀和固有光學(xué)參數(shù)的相似程度，水體存在的類別數(shù)量則與水體的光學(xué)復(fù)雜程度有關(guān)。本文對國內(nèi)外使用的分類方法進(jìn)行評述，有助于進(jìn)一步開展Ⅱ類水體光學(xué)分類的探索。

1 Ⅱ類水體光學(xué)分類方法研究現(xiàn)狀

通過分析國內(nèi)外Ⅱ類水體分類方法研究的相關(guān)文獻(xiàn)發(fā)現(xiàn)，研究者在分類中使用的數(shù)據(jù)類型多樣，但是主要以實(shí)測的水體高光譜反射率數(shù)據(jù)為主（圖1左），高光譜數(shù)據(jù)以其超高的光譜分辨率使得對地物的分辨識(shí)別能力大大提高，在對水體光學(xué)特性的研究中具有獨(dú)到的優(yōu)勢。分類方法的研究是學(xué)者較為關(guān)注的內(nèi)容，通過整理研究者使用的分類方法（圖1右），發(fā)現(xiàn)聚類分析法的應(yīng)用最為廣泛。進(jìn)一步選取典型案例，將分類方法、研究者及年份、數(shù)據(jù)類型、研究區(qū)域、分類目的和分類結(jié)果等6個(gè)方面列于表1，發(fā)現(xiàn)研究者多使用單一數(shù)據(jù)及分類方法，研究區(qū)域主要分布于全球眾多湖泊及沿海。Ⅱ類水體分類研究從進(jìn)入21世紀(jì)開始興起并不斷發(fā)展，目前發(fā)展受高光譜高時(shí)空分辨率數(shù)據(jù)源以及定量水體信息解譯方法制約。

表1 Ⅱ類水體光學(xué)分類方法典型案例

圖1 研究中使用的數(shù)據(jù)類型和分類方法統(tǒng)計(jì)

2 Ⅱ類水體光學(xué)分類方法及應(yīng)用

2.1 基于光譜形狀的水體分類

水體的光譜特征主要是由水本身物質(zhì)組成對光輻射的吸收和散射性質(zhì)決定的，同時(shí)又受到各種水狀態(tài)的影響[17]。光譜形狀分類就是利用遙感反射率本身的反射特性，比較不同波段的反射率大小，或者建立光譜指數(shù)，通過對反射率或者光譜指數(shù)的分類實(shí)現(xiàn)水體光學(xué)分類[18～22]。不同成分的水體類別其光譜反射率曲線是不同的，一般來講，由于藻類的低吸收，在560nm附近會(huì)出現(xiàn)明顯的峰值，而在705nm附近有葉綠素a的熒光峰，且隨著濃度的增加，峰高隨之增加，反射峰位置也向著長波方向移動(dòng)，580nm～680nm波段對不同的泥沙濃度出現(xiàn)峰值，700nm～900nm波段對懸浮物濃度變化最為敏感，CDOM在410nm附近有明顯的吸收峰。這些敏感波段可以用來判斷水中成分的大致情況，實(shí)現(xiàn)從光譜曲線的形狀上對水體進(jìn)行分類。Uudeberg等[23]通過比較不同渾濁度水體在不同波長范圍的最大反射率值實(shí)現(xiàn)對水體光譜的分類，該方法使得每種水體類型都與特定的生物光學(xué)條件相關(guān)，具有直觀性，但缺少了定量分析，因此還需要結(jié)合相關(guān)的相似度檢驗(yàn)方法對分類結(jié)果進(jìn)行檢測。

2.2 監(jiān)督分類法

監(jiān)督分類又稱訓(xùn)練分類法，通常從待分類地物中選取已知類別的感興趣區(qū)，利用樣本區(qū)的特征訓(xùn)練分類算法，從而完成對整個(gè)研究區(qū)的分類。在對水體進(jìn)行監(jiān)督分類時(shí)，由于不同成分的水體其像元亮度不同，且波譜趨勢變化也不同，通過人工目視解譯提取出各主要類別的特征樣本，采用不同的監(jiān)督分類算法實(shí)現(xiàn)影像或高光譜曲線的分類[24，25]。Ye等[26]提出了最值監(jiān)督分類法對黃海水域進(jìn)行分類研究，即在一定波長范圍內(nèi)根據(jù)光譜曲線的最大值和最小值，提取出各主要類別即特征樣本譜，再通過先驗(yàn)知識(shí)對每條波譜設(shè)定閾值進(jìn)行分類，該方法能夠抓住最主要特征區(qū)分開各種形狀的波譜，把變化趨勢相同或相近的水體劃歸一類，將分類應(yīng)用于MERIS影像，揭示了黃海水域不同水體的季節(jié)性變化和時(shí)空分布特征。由于該方法需要豐富的先驗(yàn)知識(shí)，樣本的選取精度很大程度上決定了分類結(jié)果的準(zhǔn)確性，因此目前應(yīng)用較少。

2.3 聚類分析法

聚類分析屬于無監(jiān)督分類，是指不需要先驗(yàn)類別作為樣本的條件下，主要根據(jù)統(tǒng)計(jì)性判別準(zhǔn)則，按數(shù)據(jù)間的相似度進(jìn)行歸類合并的方法。將聚類分析應(yīng)用于水體反射率，根據(jù)反射率曲線間的相似度對其進(jìn)行劃分，從而實(shí)現(xiàn)水體的分類是目前比較常用的方法。聚類的方法主要有K均值算法、ISODATA算法、模糊C均值聚類法（FCM）、層次聚類算法、Ward聚類法和兩步聚類法。

2.3.1 K均值算法

K均值算法是一種經(jīng)典的劃分聚類算法，該算法通過優(yōu)化最小二乘目標(biāo)函數(shù)以最小化數(shù)據(jù)點(diǎn)和聚類中心之間的距離，然后反復(fù)調(diào)整聚類中心，直到滿足條件為止[27～29]。Spyrakos等[3]將K均值算法應(yīng)用于來自全球內(nèi)陸和沿海水域的250多種水生系統(tǒng)的綜合數(shù)據(jù)集，在聚類過程中使用間隙統(tǒng)計(jì)量來確定最佳的聚類數(shù)，將內(nèi)陸水體分為了13種不同的類別，以及海洋環(huán)境中的9個(gè)類別，該分類為全球適用的地球水體觀測計(jì)劃的設(shè)計(jì)提供了框架。該算法需要事先指定聚類數(shù)K值，且對初始聚類中心的選擇比較敏感，在實(shí)際應(yīng)用中仍需要一定的先驗(yàn)知識(shí)。

2.3.2 ISODATA算法

ISODATA算法克服了K均值算法的不足，不需要人為地指定聚類數(shù)K值，并增加了對聚類結(jié)果的“合并”和“分裂”兩個(gè)操作，可以自動(dòng)調(diào)節(jié)聚類數(shù)目，迭代地將樣本數(shù)據(jù)劃分為較為理想的類別。Mélin和Vantrepotte[13]利用全分辨率SeaWIFS全球遙感反射率數(shù)據(jù)集，為沿海地區(qū)和邊緣海域編制了一套訓(xùn)練數(shù)據(jù)集，運(yùn)用ISODATA算法將數(shù)據(jù)集分成了16類，涵蓋了從非常渾濁到貧營養(yǎng)各種狀態(tài)，分析了不同區(qū)域之間的一般光學(xué)相似性，并對局部光學(xué)變異性進(jìn)行了量化，該組光學(xué)水類型有效地分類了沿海地區(qū)、邊緣海域和大型內(nèi)陸水體。Guan等[30]利用ISODATA算法為鄱陽湖水域確定了4種光學(xué)水體類別，然后使用基于平方-馬哈拉諾比斯距離的分類方案對MERIS影像進(jìn)行分類，分析了鄱陽湖水域2003至2012年不同水體類型的時(shí)空變化，對分類結(jié)果進(jìn)行驗(yàn)證，發(fā)現(xiàn)衛(wèi)星分類的整體精度為91.2%，Kappa系數(shù)為0.863。

2.3.3 FCM算法

FCM算法是用隸屬度確定每個(gè)數(shù)據(jù)屬于某個(gè)聚類程度的算法。該算法通過迭代最小化目標(biāo)函數(shù)，將給定的數(shù)據(jù)集聚類為指定數(shù)量的類別，數(shù)據(jù)點(diǎn)到特定集群的分配由其隸屬度值決定，其隸屬度值u介于0到1之間，隸屬度值越接近1，則表示該數(shù)據(jù)點(diǎn)屬于特定簇的確定性越高[4，11，31]。Majid Nazeer等[9]將 FCM 算法應(yīng)用于香港沿海水域的分類研究，將Landsat TM/ETM+和HJ-1影像上的反射率值以及實(shí)測的葉綠素a濃度和固體懸浮物濃度數(shù)據(jù)3個(gè)數(shù)據(jù)集作為FCM算法的輸入，通過多次修改聚類數(shù)目和模糊化參數(shù)以獲得更精確的聚類結(jié)果，將香港沿海水域劃分為5類，以便準(zhǔn)確估算葉綠素a和懸浮固體濃度。FCM算法的優(yōu)點(diǎn)是避免了由硬聚類方法產(chǎn)生的類型成員的尖銳邊界，分類成員資格可以用作特定于類別的生物光學(xué)算法的加權(quán)系數(shù)，缺點(diǎn)是仍需要指定其他參數(shù)，即需要指定類別數(shù)目以及確定集群中模糊程度的加權(quán)指數(shù)。針對類別數(shù)目的指定，Moore等[5]提出使用有效性度量的方法來客觀地評估聚類的最佳數(shù)量，并采用了10種有效性度量方法，理想情況下，有效性度量應(yīng)給出相同的最佳選擇，從而用于聚類數(shù)c值的輸入；Bi等[32]提出了一種改進(jìn)的FCM-m算法，針對不同數(shù)據(jù)集，通過優(yōu)化模糊器參數(shù)m，實(shí)現(xiàn)更嚴(yán)格的隸屬度值分配來降低非隸屬集群的估計(jì)誤差，結(jié)果表明，該算法性能優(yōu)于原始FCM。

2.3.4 層次聚類算法

層次聚類算法是通過度量樣本之間的親疏程度以達(dá)到分類目的的聚類方法。在層次聚類分析中，通過比較輸入的光譜值之間的成對距離來創(chuàng)建距離矩陣，以定義相似性或不相似性。Phillips等[33]對加拿大西海岸水體進(jìn)行層次聚類分析，旨在改善復(fù)雜沿海區(qū)域的生物光學(xué)算法，首先對光譜數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)正交函數(shù)分析以定義光學(xué)水變化的主要驅(qū)動(dòng)因子，用于指示啟動(dòng)層次聚類分析的可能的類別數(shù)量，通過聚類定義了4種光學(xué)水體。層次聚類并不需要事先指定聚類數(shù)目，距離和規(guī)則的相似度容易定義，但是計(jì)算復(fù)雜度較高，異常值會(huì)對計(jì)算產(chǎn)生很大影響，因此應(yīng)用比較少。

2.3.5 Ward聚類算法

Ward聚類法又稱離差平方和法，其基本思想來源于方差分析。該方法通過最小化每個(gè)步驟中可形成的任意兩個(gè)聚類的平方和來評估聚類之間的距離，對噪聲和離群值的敏感性較低，規(guī)則的定義相對容易[34～35]。Vantrepotte等[8]利用Ward聚類法對東英吉利海峽、北海南部和法屬圭亞那沿海的水域進(jìn)行分類研究，通過該方法定義了4種光學(xué)類別水體，該項(xiàng)工作進(jìn)一步證明了基于類的反演方法在光學(xué)復(fù)雜水域中獲取生物光學(xué)產(chǎn)品的潛力和充分性。Ward聚類法不需要事先指定聚類數(shù)目，但是對最佳聚類結(jié)果的檢驗(yàn)仍需要一定的經(jīng)驗(yàn)和方法。

2.3.6 兩步聚類算法

兩步聚類算法是SPSS中常用的一種聚類方法，該方法采用數(shù)的極大似然估計(jì)值度量變量之間的距離，并能根據(jù)施瓦茲貝葉斯準(zhǔn)則（BIC）或Akaike信息準(zhǔn)則（AIC）等指標(biāo)自動(dòng)確定最佳聚類個(gè)數(shù)。馮馳、趙麗娜和Lyu等使用兩步聚類法對從太湖、洞庭湖、巢湖、滇池和三峽水庫收集的實(shí)測光譜數(shù)據(jù)進(jìn)行聚類研究[36～38]，基于分類對內(nèi)陸湖泊葉綠素a和懸浮物濃度進(jìn)行反演，并對不同的反演算法精度進(jìn)行評估，進(jìn)一步證明了水體分類的潛力。兩步聚類適用于規(guī)模較小的數(shù)據(jù)集，且聚類效果與以上幾種方法相比不足，因此應(yīng)用比較少。

2.4 多波段比值法

多波段比值法主要是利用敏感波段對水中成分的光譜反應(yīng)，結(jié)合譜形變化和數(shù)學(xué)公式，建立劃分規(guī)則實(shí)現(xiàn)對水體光譜的分類，此類方法直觀判讀效果好，定量化程度高，誤分率較低。目前主要有：光譜斜率法，TD680、NTD675分類法和NS&ND分類法。

2.4.1 光譜斜率法

況潤元等[39]提出了基于光譜斜率的水體分類算法，該方法是利用兩個(gè)不同的敏感波段進(jìn)行斜率計(jì)算，根據(jù)不同水體成分和濃度對斜率大小的影響對水體光譜進(jìn)行劃分，其基本公式如下：

其中：λi和 λj代表的是特征波長；Ri和Rj分別代表特征波長λi和λj對應(yīng)的水體遙感反射率。通過分析不同水體的特征波長，將實(shí)測光譜數(shù)據(jù)分為4類，然后在LandsatOLI上選取采樣點(diǎn)，根據(jù)其波譜形態(tài)建立基于斜率的分類算法，并應(yīng)用決策樹模型把鄱陽湖水體分為5類。Le等[6]在利用光譜斜率法進(jìn)行水體分類研究時(shí)，對于特征波長的選取結(jié)合了懸浮物和葉綠素濃度對光譜曲線的影響，并采用兩組斜率公式建立劃分規(guī)則將太湖、巢湖和三峽水庫水體分為了3類，基于分類對估算葉綠素a的半分析算法進(jìn)行了校準(zhǔn)和驗(yàn)證，結(jié)果表明分類可以大大提高光學(xué)復(fù)雜水中葉綠素a估算的準(zhǔn)確性。Zhou等[40]開發(fā)了一種適用于環(huán)境衛(wèi)星水體分類的斜率公式，該方法被應(yīng)用于三峽水庫高陽湖、漢豐湖和長壽湖的濁度動(dòng)態(tài)變化研究，結(jié)果表明：基于特定類別的檢索模型對復(fù)雜水域的濁度估算具有關(guān)鍵作用。

2.4.2 TD680、NTD675分類法

TD680（TroughDepths at 680 nm）水體分類方法是由Sun等[12]提出的，該方法是基于在680nm附近的反射率谷值與ISM/TSM（ISM：無機(jī)懸浮物濃度，TSM：總懸浮物濃度）比率存在顯著相關(guān)性的一種水體光學(xué)分類方法，并給出了TD680的計(jì)算公式：

其中：式（2）為當(dāng)（Rrs（λ1）＜Rrs（λ3））時(shí)的計(jì)算公式，式（3）為當(dāng)（Rrs（λ1）＞Rrs（λ3））時(shí)的計(jì)算公式，Rrs（λ）為在波長λ處的反射率。通過設(shè)定閾值將太湖、巢湖、三峽水庫和滇池的水體分為了3類，分別為：①類型一（TD680≥0.008 2sr-1），對應(yīng)ISM/TSM≤0.5；②類型二（0.008 2sr-1＞TD680＞0sr-1），對應(yīng) 0.5＜ISM/TSM＜0.8；③類型三（TD680≤0sr-1），對應(yīng) ISM/TSM≥0.8。Sun 等[41]還提出了NTD675分類法（Normalized Trough Depthat 675 nm），該方法是基于在675nm處的反射率谷值與Chl-a/TSM（Chl-a為葉綠素a濃度；TSM為總懸浮物濃度）比率存在顯著相關(guān)的一種水體分類方法，其中NTD675由下式得出：

其中：nRrs（λ）表示的是波長λ處，相對于675nm處反射率的歸一化遙感反射率，本質(zhì)上，定義的NTD675表示歸一化反射率在675nm處的波谷大小，使用nRrs（655）和nRrs（705）的連線作為基線。通過NTD675將太湖、巢湖、三峽水庫和滇池的水體分為了3類，分別為：①類型一（NTD675≥0.092），對應(yīng)Chl-a/TSM≥0.5水體；②類型二（0＜NTD675＜0.092），對應(yīng) Chl-a/TSM＜0.5水體；③類型三（NTD675≤0），葉綠素含量極低。利用測試數(shù)據(jù)對分類結(jié)果進(jìn)行評估，表明第一類、第二類和第三類水體的分類精度分別為77.8%、87.8%和100%。與TD680相比，NTD675使用了表征顆粒差異的新因素Chl-a/TSM，與反射率之間的關(guān)系更緊密，且光譜反射波谷的中心波長從680nm移至675nm，這與葉綠素a的最大吸收值對應(yīng)得更加合理充分。

2.4.3 NS&ND分類法

Huang等[42]基于水體反射率的光學(xué)形成機(jī)理，提出了結(jié)合歸一化遙感反射率斜率NS和歸一化遙感反射率深度ND兩種分類標(biāo)準(zhǔn)對水體進(jìn)行分類，其公式為：

其中：NS表示兩個(gè)反射率峰值之間的斜率，分別為550nm和700nm處，Rrs-Peak（λ）表示的是在波長λ處的反射率峰值；ND表示的是在波長675nm處的反射率深度，以620nm和700nm處的反射峰值之間的連線作為基線，Rrs-foot（λ）表示的是在波長λ處的反射率谷值。NS受熒光高度和顆粒物散射的影響，ND受葉綠素a吸收的影響，因此這兩個(gè)標(biāo)準(zhǔn)可以區(qū)分葉綠素a和顆粒物的不同濃度梯度，通過迭代優(yōu)化方法確定標(biāo)準(zhǔn)閾值，將太湖水體劃分為了4類，分別是：①類型一：低濁度生產(chǎn)水（NS＜-0.001 7且 ND＜0.21）；②類型二：低濁度高生產(chǎn)水（NS＜-0.001 7且 ND＞0.21）；③類型三：高濁度低生產(chǎn)水（NS＞-0.001 7且 ND＜0.09）；④類型四：高濁度高生產(chǎn)水（NS＞-0.001 7且 ND＞0.009）。研究表明基于該方法對水體進(jìn)行分類，可以提高葉綠素a和總懸浮物濃度的模型檢索精度。

3 結(jié)論與展望

從目前Ⅱ類水體光學(xué)分類方法的研究來看，實(shí)測高光譜和衛(wèi)星影像反射率數(shù)據(jù)已經(jīng)成為水體分類研究的主要數(shù)據(jù)來源。水體分類方法的研究上主要呈現(xiàn)兩個(gè)趨勢：一是將原有的傳統(tǒng)分類方法應(yīng)用于水體分類上，例如監(jiān)督分類和聚類分析，其中利用監(jiān)督分類對水體進(jìn)行分類的研究較少，而聚類方法的使用則呈現(xiàn)出多樣化的態(tài)勢；二是結(jié)合數(shù)學(xué)方法和光譜曲線特征提出的新的分類方法，例如光譜斜率法，TD680、NTD675分類法和NS&ND分類法。不同的分類方法在進(jìn)行具體分類時(shí)各具有一定的優(yōu)缺點(diǎn)（見表2）。大量研究結(jié)果表明，對Ⅱ類水體進(jìn)行光學(xué)分類能夠幫助我們更好地認(rèn)識(shí)復(fù)雜水體的光學(xué)特性以及提高水質(zhì)參數(shù)的反演精度。

表2 Ⅱ類水體光學(xué)分類方法的比較

盡管國內(nèi)外學(xué)者在水體分類研究上做了大量的工作，取得了不錯(cuò)的進(jìn)展，但也存在一些問題：Ⅱ類水體類型多樣，沿海水域與內(nèi)陸湖泊同樣存在光學(xué)多樣性的差異，這使得適用于某一類水域的分類方法是否適用于其他水域還有待驗(yàn)證；也有針對同一水域開發(fā)出不同的分類算法，但在分類效果的優(yōu)劣性上并沒有一個(gè)客觀而準(zhǔn)確的評價(jià)，這將使得其他研究者在分類方法的選擇上產(chǎn)生困難。關(guān)于未來Ⅱ類水體光學(xué)分類的研究應(yīng)注重以下幾個(gè)方面：①結(jié)合實(shí)測高光譜與多源遙感數(shù)據(jù)，深入研究水體光譜反射率曲線，遙感反射率包含了水體的定性和定量信息，基于反射率的水體分類存在著極大的優(yōu)勢，對探索更加有效的分類方法有著重要意義；②深入對大氣校正算法的研究，探尋更為精準(zhǔn)的大氣校正模型，盡可能的消除大氣作用對水體分類算法的影響；③深化對已有傳感器在水體分類研究中的應(yīng)用，不斷將新的數(shù)據(jù)源應(yīng)用于水體分類研究上，新的傳感器不但在時(shí)空分辨率上有著優(yōu)勢，同時(shí)在光譜分辨率上有著極大的進(jìn)步，如我國的高分五號(hào)和珠海一號(hào)衛(wèi)星等，這對于監(jiān)測水體類型的時(shí)空變化，探索水體光學(xué)性質(zhì)的分布規(guī)律有著重要幫助；④建立統(tǒng)一的水體分類體系，目前存在的水體分類方法多樣，但不具備普遍適用性，為已經(jīng)進(jìn)行過分類研究的Ⅱ類水體建立起一套完整的分類體系，收集已有測量的水體光學(xué)參數(shù)數(shù)據(jù)，探索表觀光學(xué)性質(zhì)、固有光學(xué)性質(zhì)和水質(zhì)參數(shù)三者之間的關(guān)系，以此探索具有普遍適用性的水體分類方法，從而實(shí)現(xiàn)更多Ⅱ類水體的精確分類。