基于Landsat 8 影像的后官湖葉綠素a 濃度反演研究

劉 威，蔡永香，甘藝垚，王 倩，黃 爽，王雨軒

（長江大學 地球科學學院，湖北 武漢 430100）

水質監測技術是評價水質污染情況的主要手段。湖泊中葉綠素a 濃度反映了水體中藻類等浮游植物的分布情況，是衡量水體營養化的重要指標之一［1］。

遙感技術具有衛星運行周期快、影像覆蓋面積廣、獲取數據方便等優勢，可以突破時間和空間上的限制，利用遙感數據在可見光波段和近紅外波段對葉綠素a 的高吸收率和高反射率的光學性質，構建反演模型，預測水體葉綠素a 濃度的分布情況，可以極大提升水質監測效率［2］。但由于不同區域內陸水體的水質參數存在較大差異，所使用傳感器的空間分辨率和輻射分辨率也存在較大區別，導致不同水體的反演模型不盡相同。

國外對湖泊葉綠素a 濃度的研究較多。Kuhn 等［3］分別利用Landsat 8 和Sentinel-2 影像對亞馬孫河、哥倫比亞河和密西西比河水體葉綠素a 濃度進行反演研究，結果表明Landsat8 影像數據在亞馬孫河上反演精度最高（平均差異僅4%）。Anas 等［4］分別對尚普蘭湖、密西西比灣、布羅姆湖以及奈恩湖的MODIS 數據進行波段組合以及三波段比值的方法來估算葉綠素a 濃度，結果表明藍光波段、紅色波段以及近紅外波段是葉綠素a 濃度反演的敏感波段。Han 等［5］利用高光譜數據直接分析一個較為混濁的水庫，研究結果顯示R705/R670（近紅外/紅外）是葉綠素a 濃度反演的有效因子。國內也有諸多相應的研究，趙文宇等［6］利用Landsat 8 數據對東道海子河流葉綠素a 濃度進行單波段和波段比值研究，通過統計分析得到最佳模型，并應用到不同年份影像上，監測東道海子河流葉綠素a 濃度時序分布狀況。封紅娥等［7］利用GF-1 和Landsat 8數據，分別以單波段替代、單波段融合和三波段融合的協同反演方法，分析空間分辨率和光譜分辨率在多源遙感數據中對于提高內陸水體葉綠素a 濃度的影像特征，結果發現在近紅外波段處，影像光譜分辨率的影響大于空間分辨率，在藍光和紅光波段處反之。

2009 年3 月，武漢市委、市政府在“關于印發《2009 年武漢市資源節約型和環境友好型社會建設綜合配套改革試驗工作意見》的通知”（武發〔2009〕6 號）中指出，后官湖生態宜居新城將作為全市規劃建設的六大重點功能區之一，而后官湖的水質質量將直接影響生態宜居新城的建設。因此，后官湖水質評估與監測對蔡甸后官湖生態宜居新城建設起至關重要的作用，對武漢市發展也具有重大戰略意義。

本文基于Landsat 8 OLI30 m 空間分辨率多光譜影像數據，對武漢后官湖水體中葉綠素a 濃度狀況展開研究。①野外采集，獲取研究水域葉綠素a 濃度實測數據，并獲取同期的遙感影像數據；②分析相關文獻，確定反演葉綠素a 的敏感波段，結合實測數據，進行單波段和波段組合相關性分析，確定最佳波段組合；③采用交叉驗證方法，確定葉綠素a 濃度的最佳反演模型；④將此最佳反演模型應用于2015—2020 年六幅影像數據上，得到后官湖水域2015—2020 年間的水體葉綠素a 濃度分布情況，并對后官湖水域狀況進行分析。

1 研究區概況

后官湖地處武漢蔡甸區（圖1），中心位于30°30'2″～30°34'31″ N，113°59'18″～114°8'49″ E，區位優越，交通便利，占地面積3 186.3 hm2，是蔡甸東湖的一部分，隨著城市化進程，后官湖成為獨立湖泊。周邊為后官湖國家濕地公園，是武漢重點保護水域之一。但近年來，社會經濟發展迅猛，人口密度增大，城鎮化、工業化進程加快，污染日益嚴重，大量生活、工農業廢水排放，導致湖水水質明顯下降，水污染情況嚴峻。

圖1 研究區位置示意圖Fig.1 The location of study area

2 數據獲取與預處理

選用Landsat 8 OLI 影像數據，它具有良好的空間分辨率，能夠以更高精度提取地物、植被等信息。該影像數據是從地理空間數據云網站下載，也為后續研究提供了數據支持。

實測葉綠素a 濃度數據是在Landsat 8 OLI 影像數據衛星過境時間2019 年12 月17 日野外采集水樣，在實驗室通過分光光度法［8］換算得到。具體操作步驟參照實驗室葉綠素a 濃度測定［9］。通過計算分析，剔除異常值后得到13 個，樣本點的分布如圖2 所示。

圖2 采樣點分布圖Fig.2 Distribution of sampling points

經過輻射定標［10］、大氣校正［11］、圖像融合［12］和水域提?。?3］后得到后官湖水體輻射亮度值。

3 葉綠素a 濃度反演模型構建及驗證

3.1 葉綠素a 光譜特征分析

按照內陸水體葉綠素a 的光譜特性，其高反射率波段范圍550～590 nm，675 nm 附近的吸收峰以及700 nm附近的反射峰是研究葉綠素a 反演的主要波段。因此，本文選用與上述波段范圍相對應Landsat 8 OLI 遙感數據11 個波段中的前五個波段（B1—B5）來反演水體中的葉綠素a 濃度。

3.2 反演模型構建

3.2.1 波段及波段組合分析 通過調研相關文獻［14-20］，總結近年來葉綠素a 濃度反演模型所用到的波段組合及其決定系數R2（表1），可以看出均為采用經驗模型中的波段比值進行相關性分析。

表1 葉綠素a 濃度反演模型Tab.1 Introduction to chlorophyll a concentration inversion model

本文也將采用構建反演經驗模型的方式［21］，對Landsat 8 OLI 數據前5 個波段及組合與實測數據進行了相關性統計分析，在表2 中列出單波段、波段比值以及常用的最佳反演NDVI 模型（歸一化植被指數模型）在各類回歸模型中與葉綠素a 實測濃度的Pearson 相關性。最終篩選出相關系數大于0.7 的波段組合B5/B2、B5/B3、B5/B4、B3/B1、NDVI。

表2 反演波段與葉綠素a 的Pearson 相關系數Tab.2 Pearson correlation coefficient between inversion band and chlorophyll a

3.2.2 Landsat 經驗反演模型構建 對篩選出的相關性較高的五組波段組合，以葉綠素a 濃度為因變量，以波段組合值為自變量，分別構建不同回歸方程進行擬合，見表3。

從表3 可知，模型相關性普遍較高，其中最高相關系數的是波段組合B5/B2 的指數模型，R2為0.755，最低相關系數是NDVI 的指數模型，R2為0.492。由于本次實驗過程中實測葉綠素a 濃度點數據較少，在進行相關性統計分析時，容易產生“強擬合弱預測”的情況。因此在后續選擇最佳反演模型時，采取多次交叉驗證的方式，即每次從訓練集中隨機挑選10 個樣本作為訓練集/驗證集數據展開訓練，以減少訓練數據少造成的實驗誤差影響。

表3 Landsat 反演模型與葉綠素a 濃度回歸方程描述Tab.3 Landsat inversion model and chlorophyll a concentration regression equation description

3.2.3 最佳反演模型的選擇 選擇回歸分析相關系數高的B5/B2、B5/B4、B3/B1 三組波段組合，采用多次交叉驗證方式進行精度驗證，取平均值作為最后的結果。其中，以平均相對誤差、均方根誤差（RMSE）作為精度的評價指標，平均相對誤差和均方根誤差結果見表4。

從表4 的精度分析來看，三種波段組合模型在相同數據樣本條件下，反演得到的葉綠素a 濃度范圍略有差距，但從平均相對誤差和均方根 誤差的數據來分析，B5/B4 的指數模型誤差要遠小于其他模型，其相對誤差和均方根誤差分別為11.4%，0.006。將反演葉綠素a 濃度值與實測值進行制圖對比，如圖3 所示，可以看出實測濃度與反演濃度相差不大。這說明B5/B4 指數模型y=0.011e29.168x反演效果較好，選取它作為最佳模型，應用于其他年份的影像數據上，反演得到后官湖水體的葉綠素a 濃度變化情況。

圖3 葉綠素a 濃度實測值與反演值折線圖Fig.3 Broken line graph of measured and inverted chlorophyll a concentration

表4 Landsat 反演模型精度對比分析Tab.4 Comparison and analysis of landsat inversion model accuracy

4 模型的應用

4.1 后官湖水體營養化狀態評價方法

卡爾森營養狀態指數法是由美國卡爾森提出［22］，并在國內外廣泛用于評價內陸湖泊水體營養化的評價方法。其計算公式為：

式中：Its表示卡爾森營養狀態指數，Ca 表示水體葉綠素a 濃度（μg/L）。

將前文中得到的葉綠素a 濃度最佳反演模型y=0.011e29.168x帶入式（1）中，即可計算得到水體Its指數值。不同葉綠素a 濃度范圍對應不同水體營養等級，劃分標準見表5［23］。

表5 水體營養狀態劃分標準Tab.5 Standards for the classification of water nutrition status

4.2 葉綠素a 濃度時空分布分析

將上述反演模型和卡爾森營養狀態指數應用于經過預處理的2015—2020 年Landsat 8 OLI 影像數據中，計算分析得到這六年間后官湖葉綠素a 濃度時空分布圖（圖4）和水體各等級營養狀態面積占比表（表6）。

從表6 可看出，在2015—2020 年間，后官湖大部分水域都處于中營養和輕度富營養狀況，從2015 年開始，水質在逐漸富營養化，2018 年表現尤為突出，但從2019 年水體營養化程度開始回落，水質在逐漸好轉。

表6 各等級營養狀態面積占比Tab.6 Proportion of the area of each grade of nutritional status%

2015—2020 年間每年11—12 月份的葉綠素a 濃度時空分布如圖4 所示。從空間分布上看，遠離市區的西側水體葉綠素a 濃度低，靠近居民區的東側濃度較高；湖心水域濃度主要集中在5～7 μg/L 范圍內，屬于水質較好的中營養狀態水體，而湖岸水域濃度主要集中于35～50 μg/L 范圍內，少數年份超過55.67 μg/L，屬于中度或重度富營養狀態的水體。這可能是由于后官湖屬于城內湖泊，受人為因素影響較大，靠近居民區的附近水體營養過剩，且數據采集時間是冬季，湖泊水體流動性差，造成靠岸綠藻大量生長所致。尤其在靠近蔡甸區政府的湖區，葉綠素a 濃度明顯高于其他水域。

圖4 2015—2020 年葉綠素a 濃度時空分布圖Fig.4 Temporal and spatial distribution of chlorophyll a concentration from 2015 to 2020

在時間分布特征上，從2015 年開始，后官湖水質逐漸惡化，2018 年水質最差，后官湖葉綠素a 濃度達到最高濃度值64.872 μg/L，水體中富含藍藻和綠藻，局部水域存在水華問題，這可能與附近居民水產養殖有關。但這一情況2019 年得到好轉，并在2020 年葉綠素a 的濃度持續下降，這可能與疫情導致人為活動減少，給水體帶來的影響也減少有關。

此外，本文計算制作了2020 年后官湖在不同月份（季節）葉綠素a 濃度的時空分布圖（圖5）。從圖5 可以看出，2020 年8 月份（夏季）和11 月份（秋季）的葉綠素a 濃度在整體水平上高于2 月份（冬季）和4 月份（春季），其中，8 月份的葉綠素a 濃度最高。在四個季節的平均葉綠素a 濃度水平上，2 月份平均濃度為24.255 μg/L，4 月份為20.413 μg/L，8 月份為35.274 μg/L，11 月份為30.411 μg/L。這與冬季寒冷，水體中藻類在寒冬氣候下大量死亡有關；另方面，也與2020 年年初受疫情影響，人為活動減少，對水體的影響也減少有關。

圖5 2020 年不同月份（季節）葉綠素a 濃度時空分布圖Fig.5 Spatio-temporal distribution of chlorophyll a concentration in different months（seasons）in 2020

總體來看，后官湖水域在2015—2020 年六年間，葉綠素a 濃度平均含量變化不大，只在局部區域的特定時間段內出現葉綠素a 濃度有所升高的情況。在不同季節葉綠素a 濃度大致表現為夏季、秋季大于春季、冬季。

5 結論

基于遙感和GIS 技術，利用葉綠素a 濃度實測數據和地面同步的Landsat 8 OLI 遙感影像數據，建立葉綠素a 濃度反演模型，分析了近6 年武漢后官湖葉綠素a 濃度的時空分布情況，研究結果如下。

（1）在分析相關文獻的基礎上，利用Landsat 8 OLI 的前五個波段構建波段及波段組合模型，并通過統計學方法，確定出最優的后官湖水體葉綠素a 濃度反演模型是B5/B4 指數模型y=0.011e29.168x。

（2）利用該模型反演出2015—2020 年后官湖葉綠素a 濃度分布情況，并計算分析了六年間后官湖水質的營養化狀態。從后官湖水體葉綠素a 濃度和營養化狀態的空間分布特征來看，湖心水域濃度主要集中在5～7 μg/L 范圍內，湖岸水域濃度主要集中于35～50 μg/L 范圍內，呈現自西向東逐漸增加，湖心低于湖岸的趨勢；在時間分布特征上，從2015 年開始，水質逐漸惡化，2018 年達到濃度異常高值64.872 μg/L，部分水域處于重度富營養化狀況，但從2019 年水體富營養化程度開始回落，水質在逐漸好轉，且在不同季節中，水質呈現春季、冬季優于夏季、秋季的趨勢。