Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2021 , Vol. 40 >Issue 1: 142 - 153

DOI: https://doi.org/10.11978/2019110

Marine Survey and Monitoring

Remote sensing retrieval of chlorophyll-a concentration in coastal aquaculture area of Zhelin Bay

  • PAN Cuihong , 1, 2 ,
  • XIA Lihua , 1, 3 ,
  • WU Zhifeng 1, 4 ,
  • WANG Meng 1 ,
  • XIE Xuetong 1 ,
  • WANG Fang 1
Expand
  • 1. School of Geography Science, Guangzhou University, Guangzhou 510006, China
  • 2. South China Institute of Environmental Science, MEE, Guangzhou 510006, China
  • 3. Guangdong Rural Water Environment Non-point Source Pollution Comprehensive Treatment Engineering Technology Research Center, Guangzhou 510006, China
  • 4. Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou), Guangzhou 511485, China
XIA Lihua. email:

Received date: 2019-11-06

  Request revised date: 2020-03-24

  Online published: 2020-04-01

Supported by

Key Special Project for Introduced Talents Team of Southern Marine Science and Engineering Guangdong Laboratory(Guangzhou)(GML2019ZD0301)

Guangdong Science and Technology Plan Project(2015A020216021)

The National Natural Science Foundation of China(41876204)

Copyright

Copyright reserved © 2021.
Fold

Abstract

Mariculture has become a major source of pollution in offshore waters. Chlorophyll-a, as a parameter of primary productivity, is an important indicator of water quality evaluation. We took Zhelin Bay of Guangdong Province as our study area. Using Sentinel-2 spectral image on September 4, 2018 and in-situ measured chlorophyll-a concentration, we constructed an estimation model of chlorophyll-a concentration to obtain the spatial distribution of chlorophyll-a concentration. In the chlorophyll-a concentration inversion model, we selected a linear regression model, a three-band model and the Normalized Difference Chlorophyll Index (NDCI) for comparative analysis. Through comparison and evaluation, a model with high inversion accuracy was used to estimate the chlorophyll-a concentration in multiple months of 2018 and analyze its distribution characteristics. The results showed that the inversion accuracy of the NDCI model was significantly higher than that of the other models. The decision coefficient R2 of the NDCI model was 0.8, the root mean square error (RMSE) was 9.7, and the mean absolute percentage error (MAPE) was 0.99. The time applicability of the NDCI model was tested by the measured data, which showed that the NDCI model could more accurately and effectively estimated the spatial distribution characteristics of chlorophyll-a concentration. The chlorophyll-a concentration showed a trend of decreasing from nearshore to the outside of the bay. The overall trend of chlorophyll-a concentration in the aquaculture area was as follows: pond breeding area > tidal flat breeding area > cage culture area > floating raft breeding area. Under the influence of water exchange, rainfall and culture activities, the concentration of chlorophyll-a in the culture area of the fish pond was the lowest in February when the fish was in the seedling stage, and its change trend was February < April < June < December. This study provides a valuable reference for environmental monitoring of marine aquaculture waters in Zhelin Bay.

Key words： marine aquaculture; chlorophyll-a concentration; back analysis; Sentinel-2; NDCI model

Cite this article

PAN Cuihong , XIA Lihua , WU Zhifeng , WANG Meng , XIE Xuetong , WANG Fang . Remote sensing retrieval of chlorophyll-a concentration in coastal aquaculture area of Zhelin Bay[J]. Journal of Tropical Oceanography, 2021 , 40(1) : 142 -153 . DOI: 10.11978/2019110

海水养殖业已成为近岸海洋环境的重要污染源, 对海水养殖水体的监测刻不容缓。根据《2017年广东省海洋环境公报》显示, 潮州市柘林湾的海水水质状况一年四季均劣于第四类海水水质标准, 监测结果表明湾区水体质量差的主要原因是海水养殖区排放大量的无机氮和活性磷酸盐, 水体中氮磷营养物质的富集引起藻类及其他浮游生物的迅速繁殖(广东省海洋与渔业厅, 2018)。已有研究表明, 水体中的叶绿素a浓度与氮盐、磷酸盐浓度具有显著相关关系(陈永川 等, 2008; 蔡玉婷, 2010; Davidson et al, 2012; 陈学民 等, 2013; 江源 等, 2013; 杨凡 等, 2019), 因此叶绿素a浓度是评价水体富营养化和水体质量的重要指标(孙伟, 2008)。许多研究者对柘林湾海水养殖区的水质及近岸水体生态环境做了研究, 如王增焕等(2004)根据渔业水域生态环境数据对叶绿素a的含量、组成及季节变化进行了讨论, 得出柘林湾水域的叶绿素含量和季节变化受营养盐等理化因子的变化影响; 朱小山等(2005)根据实测数据分析了1999年10月—2020年9月柘林湾海域氮磷的分布特征, 并对增养殖区的富营养化状态进行了评价, 认为柘林湾的污染来源为陆源污染与养殖自身污染; 黄长江等(2005)在2001年7月—2002年7月对柘林湾及其周边水域开展了叶绿素a浓度周年调查, 结果表明黄冈河及湾口外侧的叶绿素a浓度明显高于湾内。对于柘林湾这种大规模海水增养殖区和赤潮重灾区, 对水质开展监测是刻不容缓的, 但面对大面积的海湾或海水养殖区, 人工定点监测既耗时又耗力, 并且难以掌握复杂的养殖区水体整体状况, 而遥感技术的发展则为人们进行大面积的水质监测提供了契机。
在海洋遥感领域研究中, 海水通常被分为Ⅰ类水体和Ⅱ类水体。Ⅰ类水体主要由浮游植物及其衍生物决定水体光学性质的变化; 而Ⅱ类水体光学性质的变化不仅受浮游植物及其衍生物的影响, 而且还受其他物质如悬浮泥沙和有色溶解有机物的影响。近岸海水养殖水域属于Ⅱ类水体, 目前利用遥感手段对这类水体的叶绿素a浓度进行反演的方法主要有经验模型(Kallio et al, 2003; 闻建光 等, 2007; 潘应阳 等, 2017)、分析模型(吴仪 等, 2017)和半经验分析模型(Magnuson et al, 2004)。
经验模型一般先对实测的叶绿素a浓度与水体光谱波段信息进行统计, 选出叶绿素a的光谱敏感波段, 然后以单波段反射率或者波段组合、一阶微分的值等作为因子, 利用神经网络、线性回归以及支持向量机等方法获得叶绿素a浓度与光谱信息的数学关系式(潘应阳 等, 2017), 以实现利用遥感技术来反演水体中叶绿素a浓度的目的。如王金梁等(2014)利用人工神经网络和支持向量机分别对Juam水库和Yeongsan水库中的叶绿素a浓度进行了反演, 并得到水库的叶绿素a浓度空间分布特征。李修竹等(2019)基于支持向量机法建立了长江口及其邻近海域叶绿素a浓度的估算模型, 并取得了较好的结果。然而, 经验模型由于缺乏物理依据, 其在浑浊的Ⅱ类水体中的反演精度较低, 且普适性较弱。
分析模型依据电磁波在水体中的物理传输原理, 借助生物光学模型分析得到遥感参数与水体中叶绿素a固有光学特征的关系, 从而利用遥感反演水体中的叶绿素a浓度, 因此在不同水体中模型的适用性都相对较强。如吴仪等(2017)构建了新丰江水库叶绿素a浓度的分析模型, 经反演得到叶绿素a浓度的时空分布特征。但由于分析模型的机理过于复杂, 建立模型的难度较大, 因而其应用并不广泛(潘应阳 等, 2017)。
半经验模型是结合经验模型与传输模型对水体叶绿素a浓度进行的反演, 即把叶绿素a的固有光学特征和水体的光谱反射率相结合, 构建叶绿素a的敏感指数, 然后通过线性统计建立叶绿素a浓度的反演模型。这种方法体现了电磁辐射在水体中的传输特性, 故具有一定的物理特性。主要的半经验模型有三波段模型、归一化叶绿素a模型和荧光峰面积模型等。其中, 三波段模型基于光学生物模型, 在波段选择上尽可能地减少其他水体组分的干扰, 模型具普适性(宋挺 等, 2017), 受到了研究者的青睐。如郭宇龙等(2015)构建了适用于静止水色卫星(Geostationary Ocean Color Imager, GOCI)影像数据的叶绿素a浓度三波段模型, 并用于估算三峡水库、巢湖、洞庭湖和太湖的水体叶绿素a浓度; Zhang等(2011)同样利用三波段模型对珠江口叶绿素a浓度进行估算, 并得到了较好的效果。归一化叶绿素a指数模型(Normalized Difference Chlorophyll Index, NDCI)能有效地避免水中悬浮物对短波光谱的影响, 对浑浊水体中的叶绿素a具有敏感性(安如 等, 2013)。荧光峰面积模型由荧光峰的高度与位置决定, 而叶绿素浓度变化影响着荧光峰高度与荧光峰面积。研究者根据荧光峰面积模型做了大量研究, 如Liu等(2011)利用荧光峰高度和位置结合的荧光包围区面积来估算珠江口近岸海域叶绿素a浓度。
Ⅱ类水体中叶绿素a浓度的众多反演模型被应用在不同的卫星影像中, 不同的卫星影像具有各自的特性与优势。国内外学者利用地球观测卫星高光谱遥感传感器(Earth Observing-1 Hyperion) (安如 等, 2013)、环境一号卫星(HJ-1A/B CCD)(罗建美 等, 2017; 孙小涵 等, 2018)、美国陆地卫星4~5号专题制图仪(Thematic Mapper, TM) (陈楚群 等, 1996; 李苗 等, 2012)、中等分辨率成像光谱仪(Moderate Resolution Imaging spectroradiometer, MODIS) (Zhang et al, 2011; 张明慧 等, 2018; 赵文静 等, 2018)及中分辨率成像光谱仪(Medium Resolution Imaging Spectrometer, MERIS) (安如 等, 2013)进行了叶绿素a浓度反演, 并且均得到了较好成果。但这些影像数据的空间分辨率低, 在小尺度区域进行叶绿素a浓度反演具有一定的局限性。欧洲航天局的哨兵2号(Sentinel-2)影像是新一代多光谱影像, 共有12个波段, 具有较高的时间和空间分辨率, 适用于近岸水体监测。
因此本文将结合Sentinel-2影像与实测叶绿素a浓度数据, 构建近岸海水养殖水体中的叶绿素a浓度反演模型, 通过对比分析后以精度高的反演模型估算叶绿素a浓度, 并分析其空间分布特征。本文旨在探讨遥感技术在养殖水体水质监测中的应用, 降低监测成本, 响应国家提倡的水产养殖业绿色发展, 为生态养殖模式的实施提供技术参考。

1 研究区概况

研究区位于广东省潮州市饶平县黄冈河出海口南侧的柘林湾(116°57′0″—117°6′0″E, 23°32′24″—23°40′12″N)。柘林湾是饶平县最大的港湾, 湾外有南澳岛阻挡风浪, 湾内有水深条件相对较好的潮汐水道(三百门水道)以及大范围的浅滩(欧素英 等, 2016), 为海水养殖提供了得天独厚的自然条件, 成为广东省最大的水产养殖基地。柘林湾作为广东省沿海八大湾区之一, 2017年《广东省海岸带综合保护与利用总体规划的通知》(粤府〔2017〕120号)明确指出, 对该湾区进行陆海污染物排放, 强化海洋空间资源管控和景观整治, 加强海洋生态保护与修复, 防范海洋灾害风险, 因此以柘林湾海水养殖区为研究对象将具有重要意义。浮筏养殖是在浅海海区利用绳索、浮桶、竹竿、玻璃或塑料浮子等器材制成平台式的筏架, 进行大型藻类、贝类及其他海产动物的养殖。滩涂养殖是对海产动植物在潮间带滩涂特定条件下进行的养殖。根据实地调查与网上资料查阅, 柘林湾主要的海水养殖方式有池塘养殖、滩涂插养、浮筏养殖以及网箱养殖等(图1), 其中滩涂养殖以牡蛎养殖为主, 浮筏养殖以贝类为主。
图1 研究区养殖类型分布示意图

底图来源于天地图在线地图(https://map.tianditu.gov.cn/)

Fig. 1 Overview of the study area and the distribution of aquaculture type areas

2 研究数据

2.1 叶绿素a浓度

2018年9月4日—9日对柘林湾近岸海水养殖水体进行采样测量, 共采集47个样本, 并记录样本坐标。按照《中华人民共和国国家环境保护标准(HJ 897-2017)》中的叶绿素a测定方法——丙酮分光光度法(魏复盛, 2002), 利用美国哈希公司的Hydrolab DS5对海水养殖水体样本中的叶绿素a浓度进行测定。根据哈希水质分析仪(Hydrolab DS5)中叶绿素a探头的光学信息(电压值)与叶绿素a实际浓度呈线性关系的原理, 本文利用哈希叶绿素a探头的电压值与丙酮分光光度法所测的叶绿素a实际浓度值做线性回归模型(图2), 当样本出现异常值或缺失值(A13, A17, A30)时以拟合值代替, 其他则用实际测量值, 两种方法相结合以保证水质中叶绿素a浓度的准确性。样本的叶绿素a浓度最高达115.78μg·L-1, 最小为3.18μg·L-1, 其中池塘养殖区的样本浓度高于其他养殖区, 平均值达到77.67μg·L-1(表1)。
图2 哈希叶绿素a探头电压值与实测叶绿素a浓度的相关关系

Fig. 2 Linear relationship between voltage value of chlorophyll-a probe and measured chlorophyll-a concentration

表1 各样本叶绿素a浓度统计结果

Tab. 1 Statistical results of chlorophyll-a concentration of the samples

养殖类型 样本 浓度范围/(μg·L-1) 平均浓度/(μg·L-1)
池塘养殖区 A20, A21, A22, A23, A25, A26, A39, A27, A30, A31,
A29, A35, A45, A34, A24, A46, A37, A38, A43		 15.63~115.78 77.67
牡蛎养殖区 A9, A28, A33, A40, A42, A44, A36, A47 5.56~56.6 24.92
网箱养殖区 A2, A3, A8, A11, A12, A13, A14, A16 3.66~38.62 16.55
浮筏养殖区 A4, A5, A6, A17, A18, A19 3.18~26.90 15.94
非养殖区 A1, A7, A10, A15, A32, A41 3.22~14.25 7.87
此外, 2019年8月15日在柘林湾采集了8个样本(图3), 用于对研究区不同时相的叶绿素a浓度估算进行有效性验证, 这8个样本数据不参与模型的构建。
图3 样本点分布

底图来源于OpenStreet在线地图(https://osm-boundaries.com/ Map)

Fig. 3 Distribution of sampling sites (background image from OpenStreet online map: https://osm-boundaries.com/ Map)

2.2 卫星数据

哨兵2号卫星拥有可见光-近红外以及短波红外共13个波段(表2), 空间分辨率有10m、20m和60m三种。与应用较广泛的Landsat8卫星相比, Sentinel-2卫星传感器拥有较高的空间分辨率以及3个额外波段, 一般用于林业监测、地表覆盖变化、内陆河流及沿海区域的自然环境监测等方面。
表2 Sentinel-2影像波段介绍

Tab. 2 Introduction to sentinel-2 image bands

Sentinel-2波段 中心波长/nm
波段1(海岸线气溶胶) 443
波段2(蓝) 490
波段3(绿) 556
波段4(红) 665
波段5(植被红边) 705
波段6(植被红边) 740
波段7(植被红边) 783
波段8(近红外) 842
波段8a(植被红边) 865
波段9(水汽) 945
波段10(短波-卷云) 1375
波段11(短波1) 1610
波段12(短波2) 2190
本文从ESA( European Space Agency)官网获取了2018年9月4日与地面测量同步及云量为8.644%的Sentinel-2影像1c级产品, 用于叶绿素a浓度反演模型建立; 其他时相的5景Sentinel-2影像用于估算海水养殖区的水体中叶绿素a浓度, 影像详细信息如表3所示。利用Brookman Consult开发的SNAP软件对Sentinel-2数据进行辐射定标和大气校正, 得到水体的真实反射率(Gitelson et al, 2003)。通过前人研究发现, Sentinel-2卫星数据的波段1(中心波长443nm)~波段7(中心波长783nm)是水体信息提取的主要波段, 如李亭亭(2018)利用Sentinel-2影像的波段3(中心波长556nm)与波段4(中心波长665nm)开展了效果较好的鄱阳湖水体叶绿素a浓度反演; 蒋丹丹等(2019)利用Sentinel-2影像的波段3(中心波长556nm)~波段7(中心波长783 nm)实现了较高精度的城市水体提取, 因此Sentinel-2影像可应用在本文的研究中。
表3 用于本次研究的柘林湾Sentinel-2影像信息

Tab. 3 Sentinel-2 image information in the study of Zhelin Bay

序号 数据类型 成像时间 备注
1 S2B_MSIL1C 2018-04-02 0.74%, 无云
2 S2B_MSIL1C 2018-06-11 4.44%, 无云
3 S2A_MSIL1C 2018-09-04 8.644%, 少量云
4 S2B_MSIL2A 2018-12-18 0.0%, 无云
5 S2B_MSIL2A 2019-02-06 0.0%, 无云
6 S2B_MSIL2A 2019-08-15 26.42%, 少量云

2.3 近岸水产养殖水域

为了避免其他地物对水质反演的影响, 本文对海水养殖区水体之外的区域进行掩膜, 以提高工作效率。目前基于遥感技术提取水体边界的方法众多, 主要有波段阈值法、多波段谱间关系法(杨树文 等, 2010)、指数法(骆剑承 等, 2009; Rokni et al, 2014)、图像变换(周小莉 等, 2016)及基于知识的自动判别方法(Lv et al, 2010)等。由于近岸海水养殖中, 池塘养殖的围基与建筑物相对较小, 单独利用光谱信息进行养殖区域水体提取时可能出现“同谱异物”和“同物异谱”现象。因此, 本文根据海水养殖的空间分布特征, 利用面向对象多尺度分割方法, 结合影像对象的光谱、几何及纹理特征对养殖水体进行提取, 从而得到水域分布图。

3 研究方法

在2018年9月4日—9日共采集47个样本(图3), 利用其中的40个样本进行叶绿素a浓度估算模型的构建, 剩余的7个样本用于模型的误差分析。

3.1 经验模型

在构建经验模型前, 首先通过SPSS软件对无量纲化处理后的样本点所在2018年9月4日Sentinel-2影像像元的光谱值与叶绿素a浓度进行相关性分析。从Sentinel-2影像各波段光谱值与叶绿素a浓度的相关性(图4)中可以看出, 在波段2(中心波长490nm)处两者呈负相关, 皮尔森相关系数为0.73, 这可能是由于柘林湾近岸水质浑浊, 水体中叶绿素a和黄色物质在400~500nm波段范围的光强吸收作用导致的。在波段3(中心波长556nm)处, 光谱值与叶绿素a浓度也呈负相关关系, 皮尔森相关系数为0.66; 样本在此波段范围内有个小反射峰, 根据叶绿素a的光谱特性, 此反射峰可作为叶绿素a浓度的定量标识。在波段9(中心波长945nm)处, 光谱值与叶绿素a浓度呈正相关关系, 皮尔森相关系数为0.75; 在近红外波段处, 由于水体的强吸收作用, 光谱值相对较低, 但随着水体中叶绿素a浓度的增加, 此波段范围内的光谱值增加, 因此也可作为叶绿素a浓度的判断因子。在各个波段与叶绿素a浓度的相关性中, 波段2(中心波长490nm)与波段9(中心波长945nm)的皮尔森相关系数最高, 波段2与波段9的比值能消除一定的噪声影响。因此, 本文以波段9(中心波长945nm)处的光谱值, 以及波段2(中心波长490nm)与波段9(波长945nm)的光谱比值作为因子, 与40个实测样本点进行统计分析, 并对比反演精度, 构建研究区水体中叶绿素a浓度的经验模型。
图4 各波段因子与叶绿素a浓度的相关性

Fig. 4 Correlation between the factor of each band and chlorophyll-a concentration

3.1.1 单波段
本文通过相关性分析, 选出关联度最高的波段9(波长945nm)作为自变量因子与叶绿素a浓度进行线性回归分析, 并建立相应模型。
3.1.2 波段比值
波段比值法通常以近红外波段范围内光谱极大值波段的光谱反射率与红波段范围内极小值波段的光谱反射率进行比值运算, 然后以比值作为自变量因子, 与叶绿素a浓度进行回归分析, 并建立估算模型。也有研究者通过相关性分析, 得到相关性高的波段进行比值运算, 然后利用比值与叶绿素a浓度进行回归分析并建立模型, 如陈楚群等(1996)通过关联度分析得到叶绿素a浓度的敏感波段, 以波段组合建立了广东大亚湾叶绿素a浓度估算模型。本文通过波段分析, 选取波段9与波段2的比值作为自变量因子, 与叶绿素a浓度进行回归分析, 得到叶绿素a浓度估算模型。

3.2 半经验分析模型

本文利用半经验分析模型中的三波段模型与归一化叶绿素a(NDCI)模型对水体中的叶绿素a浓度进行反演。
3.2.1 三波段模型
早在2003年Gitelson等(2003)提出了三波段遥感反射率模型, 用于陆地植被色素含量估算。随着研究的深入, 这种模型在水域中的应用已经得到了验证。三波段模型在波段选择上尽可能地减少了其他水体组分的干扰, 具有一定的物理特性, 因此模型在一定程度上具有较好的适用性(宋挺 等, 2017)。许多研究者运用该模型对叶绿素a浓度进行反演, 并获得了较高精度的反演结果。三波段模型可用以下公式表示:
$\left[\frac{1}{R_{\left(\lambda_{1}\right)}}-\frac{1}{R_{\left(\lambda_{2}\right)}}\right] \times R_{\left(\lambda_{3}\right)} \propto C_{\mathrm{chl}-a}$
模型中, $R_{\left(\lambda_{1}\right)}$为波段λi的光谱反射率, Cchl-a为叶绿素a浓度。其中, λ1应选择叶绿素a 处于极大值的红光吸收峰附近; λ2目的在于去除部分可溶性黄色物质和悬浮物对水体吸收系数的影响, 应选择与λ1相邻的荧光峰波段; λ3所在波段区域, 其受水体的吸收应主要由纯水主导(宋挺 等, 2017)。根据Dall' Olmo等(2005)的研究, 认为λ1、λ2和λ3的取值范围分别是660~690nm、700~750nm和≥730nm。因此, 本文的λ1、λ2和λ3分别取665nm、705nm、740nm波段, 即本文的三波段模型为:
$\left[\frac{1}{R_{(665 \mathrm{nm})}}-\frac{1}{R_{(705 \mathrm{nm})}}\right] \times R_{(740 \mathrm{nm})} \propto C_{\mathrm{chl}-a}$
3.2.2 归一化叶绿素指数模型(NDCI模型)
Mishra等(2012)提出了一种叶绿素估算指数NDCI模型, 这个指数模型根据665~675nm附近的吸收峰和700~710nm附近的反射峰是由水体中叶绿素a浓度造成的原理而产生的, 能有效地避免水中悬浮物对短波光谱的影响, 因而对浑浊水体中的叶绿素a具有敏感性。模型表达式如下:
$\frac{R_{\left(\lambda_{2}\right)}-R_{\left(\lambda_{1}\right)}}{R_{\left(\lambda_{1}\right)}+R_{\left(\lambda_{2}\right)}} \propto C_{\mathrm{chl}-a}$
模型中, $R_{\left(\lambda_{1}\right)}$为波段λ1处的反射率, $R_{\left(\lambda_{2}\right)}$为波段λ2处的反射率。本文的λ1取665nm波段, λ2取705nm波段, 即本文的NDCI模型为:
$\frac{R_{(705 \mathrm{nm})}-R_{(665 \mathrm{nm})}}{R_{(665 \mathrm{nm})}+R_{(705 \mathrm{nm})}} \propto C_{\mathrm{chl}-a}$

3.3 模型精度误差分析方法

本文利用未参与建模的7个样本点对上述反演模型进行精度验证, 引入均方根误差(Root Mean Square Error, RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE), 以及平均绝对误差(Mean Absolute Error, MAE)作为标准, 对所求反演模型的精度进行评价, 值越大, 表示估算误差越大, 模型的精度越低。计算公式分别为:
$\mathrm{RMSE}=\sqrt{\frac{\sum_{i=1}^{n}\left(C_{i \text { 估貿 })}-C_{i \text { 实吋 }}\right)^{2}}{n}}$
$\operatorname{MAPE}=\frac{\sum_{i=1}^{n} \mid \frac{C_{i \text { 估算 }}-C_{i \text { 实测 }}}{C_{i \text { 实测 }}}}{n} \times 100 \%$
$\operatorname{MAE}=\frac{\sum_{i=1}^{n}\left|C_{i \text { 估算 }}-C_{i \text { 实测 }}\right|}{n}$
以上各式中, Ci估算为模型预测的叶绿素a浓度, Ci实测为实际测量的叶绿素a浓度, n为样本数。

4 结果与分析

4.1 估算模型的建立与精度对比

随机选取40个样本点进行建模, 将单波段模型、比值模型、三波段模型及NDCI模型确定最优波段后的光谱信息因子作为自变量x, 与实测的样本点进行回归分析, 得到与叶绿素 a 浓度的线性关系(图5)。从图5中可以看出, 比值模型与NDCI模型的决定系数R2较高, 分别为0.77与0.8。各模型用7个样本点进行误差验证, 引用RMSE、MAPE及MAE作为标准进行精度评价, 评价结果见表4。从表中的数据可看出, NDCI模型的估算精度是所有模型中最高的, 其RMSE、MAPE及MAE均较小, 基本满足反演的精度要求, 因此本文利用此模型对水产养殖水体中的叶绿素a浓度进行估算。
图5 叶绿素a浓度反演模型

a. 单波段模型; b. 比值模型; c. 三波段模型; d. NDCI模型

Fig. 5 Various chlorophyll-a inversion models: (a) single band model, (b) the ratio of the model, (c) three-band model, and (d) NDCI model

表4 不同叶绿素a浓度反演模型的精度对比

Tab. 4 Accuracy comparison of different chlorophyll-a inversion models

模型 线性表达式 x变量 R2 RMSE MAPE MAE
单波段模型 y=0.1151x-11.744 $ R_{(945 \mathrm{nm})}$ 0.58 15.55 1.06 12.24
比值模型 y=58.071x-3.9114 $ \frac{R_{(945 \mathrm{nm})}}{R_{(495 \mathrm{nm})}}$ 0.77 10.70 0.75 7.98
三波段模型 y=92.307x+14.176 $ \left[\frac{1}{R_{(665 \mathrm{nm})}}-\frac{1}{R_{(705 \mathrm{nm})}}\right] \times R_{(740 \mathrm{nm})}$ 0.76 9.95 1.27 5.70
NDCI模型 y= 238.32x+10.586 $ \frac{R_{(705 \mathrm{nm})}-R_{(665 \mathrm{nm})}}{R_{(665 \mathrm{nm})}+R_{(705 \mathrm{nm})}}$ 0.80 9.70 0.99 7.75

4.2 NDCI模型的普适性评价

叶绿素a浓度遥感反演方法的普适性是遥感技术在水体叶绿素a浓度反演中具实用性的重要前提, 其普适性主要表现为相同方法在不同时间、区域及遥感数据源间的可移植性。为了验证本文NDCI模型对近岸水产养殖区水域叶绿素a浓度反演的有效性, 将上述所建估算模型运用在2019年8月15日的Sentinel-2影像中, 并利用2019年8月15日所测的8个样本点进行精度评价。根据评价结果(表5), NDCI模型估算2019年8月15日样本点叶绿素a浓度的RMSE为3.29, MAPE为0.52, MAE为2.19, 标准差(Standard Deviation, SD)为4.85, 为各模型中精度最佳。由此可见, NDCI模型在不同时序影像的水体叶绿素a浓度估算中具有稳定性, 即该模型具有较好的普适性, 故本文将其运用于研究区水域长时序的叶绿素a浓度估算中。
表5 各模型反演2019年8月15日叶绿素a浓度的精度对比

Tab. 5 Accuracy comparison of chlorophyll-a concentration on August 15, 2019 estimated by various models

模型 RMSE MAPE MAE SD
单波段模型 42.79 14.14 42.33 8.11
比值模型 16.51 5.93 16.38 3.41
三波段模型 6.92 2.62 6.46 2.92
NDCI模型 3.29 0.52 2.19 4.85

4.3 叶绿素a浓度的时空分布特征

在对2018年9月4日的叶绿素a浓度反演结果中, 叶绿素a由近岸向湾外逐渐降低, 养殖区集中分布区域的叶绿素a浓度高于无养殖区(图6)。在各养殖类型区的叶绿素a浓度对比中, 池塘养殖水体的叶绿素a浓度高于滩涂插养区、网箱养殖区和浮筏养殖区。池塘养殖水体的叶绿素a浓度基本在48μg·L-1以上, 而黄冈河西侧池塘水体的叶绿素a浓度又高于东侧。根据野外调查发现, 黄冈河西侧养殖区(碧州村)陆域与海域的水体交换管道是由养殖户自行铺设的, 导致养殖的饵食残留物、代谢物和废水等污染物不容易扩散, 因此西侧池塘水体中的叶绿素a浓度高于东侧池塘。此外滩涂插养区、网箱养殖区与浮筏养殖区水体中的叶绿素a浓度高于无养殖区水体, 浓度均大于17μg·L-1。
图6 2018年9月4日叶绿素a浓度的NDCI模型估算结果

Fig. 6 NDCI model-estimated results of chlorophyll-a concentration on September 4, 2018

为了探究柘林湾海水养殖区叶绿素a浓度的时空分布规律, 本文选取2018年4月、6月、9月、12月及2019年2月图像质量较好的5景Sentinel-2影像, 对柘林湾海水养殖区水体的叶绿素a浓度进行了时间序列的反演, 反演结果如图7所示。同时, 按养殖类型对叶绿素a浓度的反演结果进行统计(表6), 结果显示柘林湾养殖区叶绿素a浓度的总体趋势为: 池塘养殖区>滩涂插养区>网箱养殖区>浮筏养殖区。由于近岸海域水体交换开放, 因此网箱养殖区水体中的叶绿素a浓度相对较低, 但网箱附近水体的叶绿素a浓度仍比非养殖区和浮筏养殖区高, 这是由于浮筏与网箱的存在导致潮流动力受到影响, 造成养殖产生的污染物难以扩散。
图7 2018年4月(a)、6月(b)、12月(c)与2019年2月(d)叶绿素a浓度的NDCI模型估算结果

Fig. 7 NDCI model-estimated the results of chlorophyll-a concentration in April (a), June (b), and December (c) of 2018 and February 2019 (d)

表6 不同时间各养殖类型区的叶绿素a平均浓度

Tab. 6 Average chlorophyll-a concentration of each culture type at different times

时间 鱼塘养殖区平均浓度/(μg·L-1) 牡蛎养殖区平均浓度/(μg·L-1) 网箱养殖区平均浓度/(μg·L-1) 浮筏养殖区平均浓度/(μg·L-1) 非养殖水体平均浓度/(μg·L-1)
2018年4月 45.65 18.10 3.81 5.39 4.12
2018年6月 40.19 17.61 12.65 14.96 14.08
2018年9月 65.52 31.17 19.38 16.25 14.26
2018年12月 75.54 17.08 18.54 17.12 12.54
2019年2月 34.49 10.28 9.71 9.11 5.50
1—2月为柘林湾近岸水产养殖周期中的空窗期, 3—6月为养殖初期, 8—12月为养殖收成期。根据各养殖类型区不同月份的平均浓度(表5), 从养殖周期上看, 柘林湾养殖区叶绿素a浓度的总体趋势为: 养殖空窗期<养殖初期<养殖收成期, 其中9月与12月池塘养殖区的叶绿素a浓度相对较高, 平均浓度分别为65μg·L-1、75.54μg·L-1。
根据潮州市2018年4月、6月、12月及2019年2月的日均降雨量(图8)与叶绿素a浓度对比情况来看, 当日均降雨量较小时, 该月份遥感影像所反演的水体叶绿素a浓度较高。其中, 池塘养殖区域受降雨量影响最明显, 2018年12月的日均降雨量仅为0.33mm, 池塘养殖区中水体的叶绿素a浓度平均高达75.54μg·L-1。
图8 2018年4月、6月、9月、12月与2019年2月潮州市日均降雨量

Fig. 8 Average daily rainfall of Chaozhou in April, June, and December of 2018 and in February 2019

5 结论

本文利用2018年9月4—9日的实测叶绿素a浓度及Sentinel-2卫星影像, 使用单波段模型、比值模型、三波段模型与NDCI模型对柘林湾海水养殖水体中的叶绿素a浓度进行了反演, 并根据各模型的精度对比与评估, 利用精度较高的NDCI模型估算了2018年多个月份的叶绿素a浓度, 进而分析了柘林湾近岸养殖区水体中叶绿素a浓度的时空分布规律。主要研究结论如下:
1) 根据误差评价结果, 所建的4个估算模型中, 比值模型、NDCI模型与三波段模型效果较好, 其中NDCI模型的精度最高, R2达到了0.8。在样本的光谱特征分析中, 波段4(中心波长665nm)为吸收峰, 波段5(中心波长705nm)为叶绿素a的荧光反射峰, 两个波段对叶绿素a浓度变化敏感。NDCI模型在波段选择上选用波段4与波段5, 在一定程度上减少了其他水体组分的影响, 所以模型的精度相对较高。通过对NDCI模型的时间适用性评价, NDCI法也表现出较好的稳定性。
2) 在NDCI模型估算2018年9月4日的叶绿素a浓度结果中, 池塘养殖水体的叶绿素a平均浓度高达65.52μg·L-1, 总体上近岸海域水体的叶绿素a浓度大于14μg·L-1, 表明水质状态较差。
3) 利用NDCI模型对2018年4月、6月、12月以及2019年2月柘林湾近岸养殖区水体中的叶绿素a浓度进行反演, 结果显示养殖集中分布区水体中的叶绿素a浓度高于非养殖区, 且不同养殖周期或养殖方式, 其产生的污染量也有所不同, 因而反演得到的叶绿素a浓度也不同。因受降雨量的影响大及水体交换条件限制, 池塘养殖区的叶绿素a浓度常年较高。
本研究对近岸海水养殖水体的水质状况监测具有一定的借鉴意义, 这种方法将在未来更高频率的海水养殖水体叶绿素浓度遥感监测中发挥更大的作用。但海水养殖水体监测研究仍存在需要深入解决的问题, 如水质污染监测过程存在卫星数据不完全同步的现象。同时, 广东省为多云多雨地区, 卫星影像质量较差, 如何降低影像质量对估算模型精度的影响, 也是往后需要进一步要探讨的。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
安如, 刘影影, 曲春梅, 等, 2013. NDCI法Ⅱ类水体叶绿素a浓度高光谱遥感数据估算[J]. 湖泊科学, 25(3):437-444.

AN RU, LIU YINGYING, QU CHUNMEI, et al, 2013. Estimation of chlorophyll-a concentration of case Ⅱwaters from hyperspectral remote sensing data in NDCI method[J]. Journal of Lake Sciences, 25(3):437-444 (in Chinese with English abstract).

[2]
蔡玉婷, 2010. 福建近海叶绿素a和初级生产力的分布特征[J]. 农业环境科学学报, 29(S1):174-179.

CAI YUTING, 2010. Distribution of chlorophyll-a and primary productivity in fujian coastal water[J] Journal of Agro-Environment Science, 29(S1):174-179 (in Chinese with English abstract).

[3]
陈楚群, 施平, 毛庆文, 1996. 应用TM数据估算沿岸海水表层叶绿素浓度模型研究[J]. 环境遥感, 11(3):168-176.

CHEN CHUQUN, SHI PING, MAO QINGWEN, 1996. Study on modeling chlorophyll concentration of surface coastal water using TM data[J]. Remote Sensing of Environment China, 11(3):168-176 (in Chinese with English abstract).

[4]
陈学民, 韩冰, 王莉莉, 等, 2013. 青海湖总磷、水温及矿化度与叶绿素a相关性分析[J]. 农业环境科学学报, 32(2):333-337.

CHEN XUEMIN, HAN BING, WANG LILI, et al, 2013. Analysis on the correlation between total phosphorus, water temperature, mineralization and chlorophyll-a in Qinghai Lake, China[J]. Journal of Agro- Environment Science, 32(2):333-337 (in Chinese with English abstract).

[5]
陈永川, 汤利, 张德刚, 等, 2008. 滇池叶绿素a的时空变化及水体磷对藻类生长的影响[J]. 农业环境科学学报, 27(4):1555-1560.

CHEN YONGCHUAN, TANG LI, ZHANG DEGANG, et al, 2008. The spatial and temporal dynamics of chlorophyll a concentrations and its relationship with phosphorus in Lake Dianchi[J]. Journal of Agro-Environment Science, 27(4):1555-1560 (in Chinese with English abstract).

[6]
广东省海洋与渔业厅, 2018. 2017年广东省海洋环境状况公报[R] (in Chinese).

[7]
郭宇龙, 李云梅, 李渊, 等, 2015. 一种基于GOCI数据的叶绿素a浓度三波段估算模型[J]. 环境科学, 36(9):3175-3185.

GUO YULONG, LI YUNMEI, LI YUAN, et al, 2015. A three band chlorophyll-a concentration estimation model based on GOCI imagery[J]. Environmental Science, 36(9):3175-3185 (in Chinese with English abstract).

[8]
黄长江, 董巧香, 吴常文, 等, 2005. 大规模增养殖区柘林湾叶绿素a的时空分布[J]. 海洋学报, 27(2):127-134.

HUANG CHANGJIANG, DONG QIAOXIANG, WU CHANGWEN et al, 2005. Spatial-temporal distribution of chlorophyll a in the Zhelin Bay--A large-scale maricultural area[J]. Acta Oceanologica Sinica, 27(2):127-134 (in Chinese with English abstract).

[9]
蒋丹丹, 原娟, 武文娟, 等, 2019. 基于Sentinel-2卫星影像的面向对象城市水体提取[J]. 地理空间信息, 17(5):10-13.

JIANG DANDAN, YUAN JUAN, WU WENJUAN, et al, 2019. Object-oriented Urban water body extraction based on Sentinel-2 satellite imagery[J]. Geospatial Information, 17(5):10-13 (in Chinese with English abstract).

[10]
江源, 彭秋志, 廖剑宇, 等, 2013. 浮游藻类与河流生境关系研究进展与展望[J]. 资源科学, 35(3):461-472.

JIANG YUAN, PENG QIUZHI, LIAO JIANYU, et al, 2013. Advances and prospects for research into phytoplankton and river habitats[J]. Resources Science, 35(3):461-472 (in Chinese with English abstract).

[11]
李苗, 臧淑英, 吴长山, 2012. 基于TM影像的克钦湖叶绿素a浓度反演[J]. 农业环境科学学报, 31(12):2473-2479.

LI MIAO, ZANG SHUYING, WU CHANGSHAN, 2012. Inversion of chlorophyll-a concentration based on TM remote sensing image in Keqin Lake[J]. Journal of Agro-Environment Science, 31(12):2473-2479 (in Chinese with English abstract).

[12]
李亭亭, 2018. 基于时序遥感数据的水环境时空采样布局优化方法研究——以鄱阳湖叶绿素为例[D]. 武汉: 武汉大学.

LI TINGTING, 2018. Spatio-temporal sampling schemes optimization for aquatic environment based on time-series remote sensing data-a case study of chlorophyll in Poyang Lake[D]. Wuhan: Wuhan University (in Chinese with English abstract).

[13]
李修竹, 苏荣国, 张传松, 等, 2019. 基于支持向量机的长江口及其邻近海域叶绿素a浓度预测模型[J]. 中国海洋大学学报, 49(1):69-76.

LI XIUZHU, SU RONGGUO, ZHANG CHUANSONG, et al, 2019. A Chl-a prediction model based on support vector machine in Yangtze River Estuaries and its adjacent sea areas[J]. Periodical of Ocean University of China, 49(1):69-76 (in Chinese with English abstract).

[14]
骆剑承, 盛永伟, 沈占锋, 等, 2009. 分步迭代的多光谱遥感水体信息高精度自动提取[J]. 遥感学报, 13(4):604-615.

LUO JIANCHENG, SHENG YONGWEI, SHEN ZHANFENG, et al, 2009. Automatic and high-precise extraction for water information from multispectral images with the step-by-step iterative transformation mechanism[J]. Journal of Remote Sensing, 13(4):604-615 (in Chinese with English abstract).

[15]
罗建美, 霍永伟, 韩晓庆, 2017. 基于HJ卫星的近岸Ⅱ类水体叶绿素a浓度定量遥感反演研究——以滦河口北部海域为例[J]. 海洋学报, 39(4):117-129.

LUO JIANMEI, HUO YONGWEI, HAN XIAOQING, 2017. Inversion of chlorophyll a concentration in offshore Ⅱ waters using HJ satellite data-Example in the north of the Luanhe Delta[J]. Haiyang Xuebao, 39(4):117-129 (in Chinese with English abstract).

[16]
欧素英, 罗凯文, 田枫, 2016. 柘林湾多口门潮汐汊道动力地貌的演变[J]. 热带海洋学报, 35(2):83-92.

OU SUYING, LUO KAIWEN, TIAN FENG, 2016. The mophodynamic evolution of Zhelin tidal inlets[J]. Journal of Tropical Oceanography, 35(2):83-92 (in Chinese with English abstract).

[17]
潘应阳, 国巧真, 孙金华, 2017. 水体叶绿素a浓度遥感反演方法研究进展[J]. 测绘科学, 42(1):43-48.

PAN YINGYANG, GUO QIAOZHEN, SUN JINHUA, 2017. Advances in remote sensing inversion method of chlorophyll a concentration[J]. Science of Surveying and Mapping, 42(1):43-48 (in Chinese with English abstract).

[18]
宋挺, 周文鳞, 刘军志, 等, 2017. 利用高光谱反演模型评估太湖水体叶绿素a浓度分布[J]. 环境科学学报, 37(3):888-899.

SONG TING, ZHOU WENLIN, LIU JUNZHI, et al, 2017. Evaluation on distribution of chlorophyll-a content in surface water of Taihu Lake by hyperspectral inversion models[J]. Acta Scientiae Circumstantiae, 37(3):888-899 (in Chinese with English abstract).

[19]
孙伟, 2008. 青岛近岸海域叶绿素a与初级生产力调查研究[D]. 青岛: 中国海洋大学.

SUN WEI, 2008. Study on chlorophyll-a and primary productivity in inshore waters of the Qingdao[D]. Qingdao: Ocean University of China (in Chinese with English abstract).

[20]
孙小涵, 胡连波, 冯永亮, 等, 2018. 基于HJ-1卫星数据的荣成湾叶绿素a浓度时空变化特征分析[J]. 海洋湖沼通报, (5):72-79.

SUN XIAOHAN, HU LIANBO, FENG YONGLIANG, et al, 2018. Temperal and spatial analysis of chlorophyll a concentration patterns in rongcheng bay using HJ-1 Satellite data[J]. Transactions of Oceanology and Limnology, (5):72-79 (in Chinese with English abstract).

[21]
王金梁, 秦其明, 李军, 等, 2014. 基于高光谱数据的水体叶绿素a指数反演模型的建立[J]. 农业工程学报, 30(3):128-134.

WANG JINLIANG, QIN QIMING, LI JUN, et al, 2014. Water chlorophyll-a retrieval index based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering, 30(3):128-134 (in Chinese with English abstract).

[22]
王增焕, 林钦, 李纯厚, 等, 2004. 广东东部重要渔业水域叶绿素变化特征的研究[J]. 海洋环境科学, 23(3):51-54.

WANG ZENGHUAN, LIN QIN, LI CHUNHOU, et al, 2004. Characteristic of chlorophyll concentration and composition along eastern Guangdong coastal waters[J]. Marine Environmental Science, 23(3):51-54.(in Chinese with English abstract)

[23]
魏复盛, 2002. 水和废水监测分析方法[M].4版. 北京: 中国环境科学出版社.

WEI FUSHENG, 2002. Water and wastewater monitoring and analysis methods[M]. 4th ed. Beijing: China Environmental Science Press, 2002 (in Chinese).

[24]
闻建光, 肖青, 杨一鹏, 等, 2007. 基于高光谱数据提取水体叶绿素a浓度的混合光谱模型[J]. 水科学进展, 18(2):270-276.

WEN JIANGUANG, XIAO QING, YANG YIPENG, et al, 2007. Spectral mixing model and its stability of chlorophyll-a concentration extraction based on hyperspectral data[J]. Advances in Water Science, 18(2):270-276 (in Chinese with English abstract).

[25]
吴仪, 邓孺孺, 秦雁, 等, 2017. 新丰江水库叶绿素浓度时空分布特征的遥感反演研究[J]. 遥感技术与应用, 32(5):825-834.

WU YI, DENG RURU, QIN YAN, et al, 2017. The study of spatial-temporal characteristics for chlorophyll concentration derived from remote sensing image in Xinfengjiang reservoir[J]. Remote Sensing Technology and Application, 32(5):825-834 (in Chinese with English abstract).

[26]
杨凡, 杨正健, 纪道斌, 等, 2019. 三峡库区不同河段支流丰水期叶绿素a和营养盐的空间分布特征[J]. 环境科学学报, 40(11):4944-4952.

YANG FAN, YANG ZHENGJIAN, JI DAOBIN, et al, 2019. Spatial distribution characteristics of chlorophyll-a and nutrient salts in tributaries of different river sections in the Three Gorges Reservoir area during the flood season[J]. Environmental Science, 40(11):4944-4952 (in Chinese with English abstract).

[27]
杨树文, 薛重生, 刘涛, 等, 2010. 一种利用TM影像自动提取细小水体的方法[J]. 测绘学报, 39(6):611-617.

YANG SHUWEN, XUE CHONGSHENG, LIU TAO, et al, 2010. A method of small water information automatic extraction from TM remote sensing images[J]. Acta Geodaetica et Cartographica Sinica, 39(6):611-617 (in Chinese with English abstract).

[28]
张明慧, 苏华, 季博文, 2018. MODIS时序影像的福建近岸叶绿素a浓度反演[J]. 环境科学学报, 38(12):4831-4839.

ZHANG MINGHUI, SU HUA, JI BOWEN, 2018. Retrieving nearshore chlorophyll-a concentration using MODIS time-series images in the Fujian Province (China)[J]. Acta Scientiae Circumstantiae, 38(12):4831-4839 (in Chinese with English abstract).

[29]
赵文静, 曹文熙, 胡水波, 等, 2018. 南海典型海区浮游植物吸收光谱特征及遥感反演产品的精度评估[J]. 热带海洋学报, 37(3):35-44.

ZHAO WENJING, CAO WENXI, HU SHUIBO, et al, 2018. The spectral characteristics of phytoplankton absorption coefficient and assessment of MODIS-Aqua products in typical sea areas of the South China Sea[J]. Journal of Tropical Oceanography, 37(3):35-44 (in Chinese with English abstract).

[30]
周小莉, 郭加伟, 刘锟铭, 2016. 基于陆地成像仪影像和主成分分析的水体信息提取——以鄱阳湖区为例[J]. 激光与光电子学进展, 53(8):080104.

ZHOU XIAOLI, GUO JIAWEI, LIU KUNMING, 2016. Water body information extraction based on operational land imager imagery and principal component analysis: A case study of Poyang Lake Region[J]. Laser & Optoelectronics Progress, 53(8):080104 (in Chinese with English abstract).

[31]
朱小山, 吴玲玲, 杨瑶, 等, 2005. 粤东柘林湾增养殖区氮磷的分布特征及其富营养化状态评价[J]. 海洋湖沼通报, 5(3):16-22.

ZHU XIAOSHAN, WU LINGLING, YANG YAO, et al, 2005. Distribution characteristics of a and Pin Zhelin Bay, one of mariculture zones of Guangdong Province, and assessment of its eutrophication[J]. Transactions of Oceanology and Limnology, (3):16-22 (in Chinese with English abstract).

[32]
DALL'OLMO G, GITELSON A A, 2005. Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters: experimental results[J]. Applied Optics, 44(3):412-422.

DOI PMID

[33]
DAVIDSON K, GOWEN R J, TETT P, et al, 2012. Harmful algal blooms: How strong is the evidence that nutrient ratios and forms influence their occurrence?[J]. Estuarine, Coastal and Shelf Science, 115:399-413.

[34]
GITELSON A A, GRITZ Y, MERZLYAK M N, 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 160(3):271-282.

PMID

[35]
KALLIO K, KOPONEN S, PULLIAINEN J, 2003. Feasibility of airborne imaging spectrometry for lake monitoring-a case study of spatial chlorophyll a distribution in two meso- eutrophic lakes[J]. International Journal of Remote Sensing, 24(19):3771-3790.

[36]
LIU FENFEN, CHEN CHUQUN, TANG SHILIN, et al, 2011. Retrieval of chlorophyll a concentration from a fluorescence enveloped area using hyperspectral data[J]. International Journal of Remote Sensing, 32(13):3611-3623.

DOI

[37]
LV WENTAO, YU QIUZE, YU WENXIAN, 2010. Water extraction in SAR images using GLCM and Support Vector Machine[C]// 2010 IEEE 10th international conference on signal processing. Beijing, China: IEEE: 740-743.

[38]
MAGNUSON A, HARDING L W JR, MALLONEE M E, et al, 2004. Bio-optical model for Chesapeake Bay and the Middle Atlantic Bight[J]. Estuarine, Coastal and Shelf Science, 61(3):403-424.

[39]
MISHRA S, MISHRA D R, 2012. Normalized difference chlorophyll index: A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters[J]. Remote Sensing of Environment, 117:394-406.

[40]
ROKNI K, AHMAD A, SELAMAT A, et al, 2014. Water feature extraction and change detection using multitemporal landsat imagery[J]. Remote Sensing, 6(5):4173-4189.

[41]
ZHANG YUANZHI, LIN HUI, CHEN CHUQUN, et al, 2011. Estimation of chlorophyll-a concentration in estuarine waters: case study of the Pearl River estuary, South China Sea[J]. Environmental Research Letters, 6(2):024016.

Options
Outlines

/

〈 〉