湛江灣水體顆粒物后向散射特性及其遙感反演研究

余 果, 鐘雅楓, 付東洋, 劉大召, 徐華兵

1. 廣東海洋大學化學與環境學院, 廣東 湛江 524088

2. 廣東海洋大學電子與信息工程學院, 廣東 湛江 524088

3. 南方海洋科學與工程廣東省實驗室(湛江), 南海資源大數據中心, 廣東 湛江 524025

4. 廣東省海洋遙感與信息技術工程技術中心, 廣東 湛江 524088

引 言

顆粒物后向散射系數(bbp)是水體中重要的固有光學量, 主要受到水中懸浮顆粒物的濃度, 大小, 組成, 形狀和結構等因素影響[1], 而懸浮顆粒物在海洋生態系統和生物地球化學循環中扮演著重要的角色[2], 因此了解bbp的光譜特性及影響因子對近海二類水體的光學和生態環境研究具有重要的意義。 近年來, 國內外學者對海洋中bbp的光譜特性及影響因子進行了相關的研究, 如Gordon等[3]在圣地亞哥和夏威夷近海海域進行研究發現,bbp隨波長的變化可以用冪函數表示; Reynolds等[2]利用楚科奇海和波弗特海的現場實測數據來分析海水中bbp與懸浮物濃度、 體積組成和尺寸分布之間的關系; 姜玲玲等[4]發現渤海近岸不同季節水體顆粒物的粒徑構成對bbp具有不同的影響; Sun等[5]基于渤海、 黃海和東海的野外測量數據, 分析了顆粒物后向散射比的變化規律, 并對顆粒物后向散射比變化的驅動機制展開了研究。 然而, 目前對于受人類活動影響較大和富營養水平較高的半封閉海灣水體顆粒物的光學行為仍缺乏深入地了解, 對湛江灣bbp的研究可為近海二類水體光學研究提供一次有意義的補充。

水體表面的光譜反射率與bbp大致成正比, 水體表面的光譜反射率能被衛星或者其他的光學探測器所接收, 通過遙感反演, 來獲取bbp信息, 再利用bbp與水體中生物地球化學參數的關系, 從而得到懸浮物, 粒徑譜斜率和顆粒有機碳(POC)等信息[6-8], 因此bbp反演的準確性至關重要。 準分析算法(QAA)是半分析算法(SAA)中比較經典的算法之一, 從遙感反射率出發, 經過一些經驗和分析模型得到水體固有光學量, 一些學者在QAA的基礎上改進和擴展了許多不同方法, 以適應和得到不同水域的生物光學參量[9-11]。 然而, 不同水域的光學性質差異性較大, 基于QAA及其擴展的估計方法是否適用于湛江灣, 還有待進一步研究。 近年來, 隨著機器學習在遙感領域的發展, 一些學者利用隨機森林、 人工神經網絡和支持向量機等方法成功反演水體中的生物光學參數[12-13], 證明了機器學習在遙感反演中的應用潛力, 然而將隨機森林算法應用到bbp的反演還未見報道。 隨機森林(RF)是一種集成學習方法, 在訓練期間構建大量決策樹, 每個樹之間相互獨立, 并將所有決策樹預測的平均值輸出作為模型預測結果。 隨機森林方法在數據集處理上表現較穩定, 運行速度快, 泛化性能好, 不容易產生過擬合, 并且對異常值和噪聲的敏感性較低, 具有較好的可推廣性和準確性[12]。 本工作試圖建立隨機森林算法來反演光學性質較復雜的湛江灣bbp。

湛江灣位于雷州半島東北部, 是南海西北部海域的一個半封閉海灣, 灣內水動力條件較差, 水體生態系統受到人類活動的影響較嚴重, 水體光學性質較復雜, 開展該區域生物光學參量研究對我國近海二類水體光學特性研究及水體生態環境研究具有重要的價值。 本文利用2018年1月在湛江灣的原位數據, 分析了水體bbp的光譜特性及影響因子, 構建了bbp的隨機森林反演模型, 并比較了隨機森林模型與QAA-v6[9]、 QAA-RGB[10]和QAA-705[11]三種半分析算法的反演精度。

1 實驗部分

1.1 數據采集

圖1為2018年1月在湛江灣海域設置的采樣站位, 共收集了24個站位的原位遙感反射率和水體后向散射系數數據。 同步采集了表層水樣, 水樣置于冷藏冰箱當天帶回實驗室, 用于測量葉綠素a和無機懸浮顆粒物的濃度。

圖1 湛江灣采樣站位圖

1.2 測量方法

利用德國TriOS RAMSES水面光譜儀(波長范圍是320～950 nm, 光譜精度是0.3 nm)獲得光譜輻射參數(包括水體上行輻射亮度、 天空漫散射光下行輻射亮度和水表面入射輻照度), 測量方法參考唐軍武等[14]提出的水面以上測量法。 遙感反射率的計算公式為[14]

(1)

式(1)中,Lu(λ)為水體上行輻射亮度,Lsky(λ)為天空漫散射光下行輻射亮度,r為氣—水界面對天空光的反射率, 在本文中取值0.025,Ed(λ)為水表面入射輻照度。

利用美國HydroScat-6p后向散射儀測量水體整個剖面的后向散射系數, HydroScat-6p攜帶6個波段, 分別為420, 442, 470, 510, 590和700 nm, 測量之后的數據在HOBI Labs用戶手冊的指導下進行sigma校正, 校正后的值減去純水的后向散射系數就得到顆粒物后向散射系數, 其中純水的后向散射系數為純水散射系數的一半, 純水散射系數數值參考Buiteveld等[15]實測的結果。

葉綠素a的濃度通過熒光分光光度法測定, 用Whatman玻璃纖維濾膜(GF/F)過濾1 L水樣, 使用90%丙酮萃取濾膜上的Chl a, 并通過10-AU型特納熒光儀測定得到Chl a濃度[16]。 無機懸浮顆粒物濃度通過重量法測定, 將GF/F濾膜放在電熱恒溫干燥箱中進行恒溫脫水, 冷卻后放在硅膠干燥器中6～8 h后再進行稱重, 用稱重好的濾膜過濾2 L水樣, 使用馬弗爐灰化過濾好的濾膜, 然后用十萬分之一分析天平稱量殘留物的質量, 從而得到無機懸浮顆粒物的濃度[17]。

1.3 bbp反演算法步驟

利用MatlabR2018a中的TreeBagger工具實現隨機森林模型的構建, 將5個不同波段(443, 492, 560, 665和705 nm)的實測遙感反射率作為輸入變量,bbp(510)作為輸出變量。 在模型訓練之前需要對RF對應的葉子節點數與樹的數量擇優選取, 經過不斷調試, 確定最優樹個數與最優葉子節點個數分別為100和5。 采用上述參數進行模型訓練, 并利用袋外誤差來衡量模型自身的性能, 從而得到隨機森林模型的預測結果。

QAA-v6算法是Lee等[9]在2014年提出的, 在本研究中, 由于各站位實測Rrs(670)均大于0.001 5 sr-1, 將Rrs(443)、Rrs(490)、Rrs(555)和Rrs(670)作為輸入, 經過一些理論和經驗公式的計算, 得到bbp(510), 詳細計算步驟參見文獻[9]。 Pitarch和Vanhellemont[10]基于高空間分辨率衛星傳感器的波段設置, 在QAA算法的基礎上提出QAA-RGB, 該算法表明僅使用紅、 綠、 藍三個波段處的遙感反射率就可以得到大部分的固有光學量, 包括水體后向散射系數和吸收系數等, 具體計算步驟參見文獻[10]。 Qing等[11]針對近岸和內陸高渾濁水體, 提出QAA-705, 該模型將QAA算法中的參考波長555和670 nm替換為705 nm, 并且對算法中的一些模型重新參數化, 改進后的模型步驟參見文獻[11]。

1.4 精度評估

采用決定系數(R2)、 平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)對顆粒物后向散射系數估計模型的性能進行定量評價, 見式(2)—式(4)。

(2)

(3)

(4)

其中,Xi和Yi分別為顆粒物后向散射系數的實測值和估計值,Z為顆粒物后向散射系數實測值的平均值。

2 結果與討論

2.1 湛江灣海域水體生物光學參數的變化

在調查期間, 湛江灣海域水體表層(水下0.6 m以內)生物光學參數變化幅度較大。 Chl a濃度標準差為0.63 mg·m-3, 變異系數為20.9%。 從標準差和變異系數的大小可以看出, ISM濃度的變化范圍比Chl a稍大, 標準差為2.54 mg·L-1, 變異系數為25.4%。 營養鹽和有機物的陸源輸入、 人類的養殖活動、 工業和生活廢水的排放可能是導致湛江灣葉綠素a變化的主要原因[18], 而引起ISM變化的主要因素為水深、 季風、 潮汐和人類采砂活動等[19]。 在以往的研究中, 通常用水體中懸浮顆粒物組成(Chl a/TSM)來表示懸浮顆粒物組成[5], 然而總懸浮顆粒物(TSM)包括無機懸浮顆粒物(ISM)和有機懸浮顆粒物(OSM), 而OSM可能包括Chl a為主的藻類顆粒物, 為了消除Chla的影響, 本研究以Chla/ISM作為懸浮顆粒物組成的指標[20], Chla/ISM也同樣呈現出較大的變化, 變異系數為36.2%。 此外,bbp則表現出更大的可變性,bbp(420),bbp(442),bbp(470),bbp(510),bbp(590)和bbp(700)的變異系數均在50%～60%之間,bbp最大值出現在470 nm, 為0.2112 m-1, 最小值出現在700 nm, 為0.026 1 m-1。 湛江灣水體bbp數值跨越了兩個數量級, 這與世界其他海洋及沿岸海域bbp數值具有一定的可比較性[2, 4]。bbp數值大于0.1 m-1的位置位于湛江灣灣口及靠近工廠排污口附近的海域, 這些區域ISM及Chl a濃度相對較高。 各生物光學參數具體變化范圍、 均值、 標準差和變異系數見表1。

表1 湛江灣水體生物光學參數的變化

2.2 湛江灣水體顆粒物后向散射系數的光譜特性

觀測到湛江灣同一站位bbp在不同的波段呈現較小的數值差異, 且不同站位bbp從短波段到長波段可能表現出不同的變化趨勢, 但總體變化趨勢較平穩, 如圖2所示。 為了準確描述湛江灣水體bbp的光譜特性, 本研究以510 nm作為參考波長, 計算出bbp光譜模型斜率指數,bbp光譜模型一般滿足以下關系[2]

(5)

圖2 各站位顆粒物后向散射系數光譜圖

式(5)中,λ0為參考波長,n為光譜模型斜率指數, 應用該式對湛江灣水體bbp的光譜特性進行模擬。 由表2可知, 其他各波段bbp與bbp(510)之間具有極強的相關性, 將bbp(λ)與bbp(510)進行線性擬合, 擬合關系式為：bbp(λ)=A(λ)bbp(510), 各波長擬合決定系數R2都在0.99及以上, 獲得的系數A分別為1.015 1, 1.043 8, 1.060 6, 1, 0.885 9, 0.785 1, 然后再利用A與波長比值λ/λ0進行冪函數擬合, 得到湛江灣水體bbp光譜模型斜率指數n=1.55(R2=0.89)。 諸多學者對光譜模型斜率指數進行了研究, 如波弗特和楚科奇海域n的變化范圍為0.13～3.01, 中值為1[2]; 中國黃海、 東海海區n的變化范圍為0.61～1.99, 平均值為1.146[21]。 對于不同海區該指數具有一定的差別, 這種差異性可能是不同水體顆粒物的濃度、 組成、 結構相異等所導致。

表2 各個波段bbp與bbp(510)的相關性

2.3 湛江灣水體顆粒物后向散射系數的影響因子

顆粒物后向散射系數一階驅動因子主要是水體中懸浮顆粒物濃度[22], 而懸浮顆粒物又分為無機懸浮顆粒物和有機懸浮顆粒物, 而有機懸浮顆粒物通常以藻類顆粒物為主, 在本研究中, 以Chl a濃度代表藻類顆粒物的濃度, 對bbp(510)與ISM、 Chla的濃度進行相關性分析發現,bbp(510)與ISM顯示出較高的正相關關系, 相關系數為0.84(p<0.01), 而與Chla則顯示無明顯相關性, 表明研究區域水體bbp一階驅動因子主要為無機懸浮顆粒物濃度。 為了進一步定量確定無機懸浮顆粒物對bbp的影響, 本研究進行了回歸分析, 得到bbp(510)與ISM濃度呈現乘冪關系, 如圖3所示,bbp(510)與ISM濃度乘冪指數為1.88, 與世界其他海域報告的數值有所差別[2], 一方面可能是因為不同水體中ISM濃度、 大小、 結構和組成的差異, 另一方面可能是因為參考波段選取不同。bbp二階驅動因子主要是水體中懸浮顆粒物組成、 結構、 密度、 形狀等[22], 利用Chla/ISM來表征顆粒物組成, 對其與bbp(510)進行回歸分析得到bbp(510)與Chla/ISM呈現指數關系, 如圖4所示, 低bbp值對應高Chla/ISM值, 高Chla/ISM通常是以藻類顆粒物為主, 而高bbp值對應低Chla/ISM值, 低Chla/ISM通常是以無機懸浮顆粒物為主, 表明湛江灣水體顆粒物組成對bbp有重要的貢獻, 與Sun等[5]在渤海、 黃海和東海的研究結果相一致。

圖3 bbp(510)與ISM濃度的關系

圖4 bbp(510)與Chla/ISM的關系

2.4 湛江灣水體顆粒物后向散射系數的遙感反演

bbp包含了水體中懸浮顆粒物信息, 這些信息最終可以反映在水面遙感反射率光譜中。 選取了QAA-v6、 QAA-RGB和QAA-705三種半分析算法[9-11], 與所構建的隨機森林模型進行對比。 仍然以bbp(510)作為實驗分析, 以便將反演值與實測值進行對比。 隨機森林模型利用5個波段(443, 492, 560, 665和705 nm)處的遙感反射率作為輸入,bbp(510)作為輸出。 圖5比較了四種方法bbp(510)的估算精度, 可以看出本文構建的隨機森林模型[圖5(d)]反演精度最高, 具有最高的R2和最低的MAPE、 RMSE。 雖然QAA-v6[圖5(a)]、 QAA-RGB[圖5(b)]和QAA-705[圖5(c)]也具有較高的R2, 但是其估計值和測量值之間存在顯著差異, 反演值整體偏大, 同時MAPE和RMSE也較大, 其精度不理想, 顯然, 利用QAA及其擴展的方法來反演湛江灣海域水體bbp(510)具有一定的誤差, 這些誤差可能來源于QAA及其擴展的方法中的經驗公式, 經驗公式中的參數需要經過一定的區域化調試來適應該水域bbp的反演, 但調試需要測量更多的固有光學量來進行驗證, 因此此方法存在一定的局限性。 隨機森林算法表現明顯優于QAA-v6、 QAA-RGB和QAA-705算法。 從自變量重要性直方圖(圖6)來看,Rrs(560)、Rrs(665)、Rrs(705)對bbp(510)的貢獻居前三位, 這些波段都是懸浮顆粒物的特征波段, 從側面也印證了bbp(510)與懸浮顆粒物關系密切。 同時, 這5個波段是Sentinel-2或者Landsat-8衛星的中心波段, 為實現湛江灣海域的高空間分辨率反演bbp(510)提供了可能。 綜合考慮, 在湛江灣海域使用Rrs來對bbp進行反演, 隨機森林是首選方法, 但是需要進一步通過優化該模型來提高bbp的反演精度。

圖5 隨機森林(d)與QAA-v6 (a)、 QAA-RGB (b)和QAA-705 (c)算法的比較

圖6 隨機森林的自變量重要性直方圖

3 結 論

(1)湛江灣水體實測bbp呈現較大的可變性, 數值變化范圍為0.026 1～0.211 2 m-1,bbp從短波段到長波段總體變化趨勢較平穩, 其光譜變化通過建立的冪函數模型進行模擬, 得到顆粒物后向散射系數模型斜率指數n為1.55。

(2)bbp(510)與ISM存在較高的正相關關系, 相關系數為0.84, 與Chl a無明顯相關關系, 表明湛江灣水體bbp一階驅動因子主要為無機懸浮顆粒物濃度; Chl a/ISM與bbp呈現指數關系, 決定系數R2為0.62, 表明二階驅動因子水體顆粒物組成對bbp變異有重要的貢獻。

(3)利用原位遙感反射率建立了隨機森林模型, 用于估算湛江灣bbp, 與QAA-v6、 QAA-RGB和QAA-705算法的比較表明, 隨機森林算法的反演精度最高, 決定系數R2為0.86, 平均絕對百分比誤差MAPE為12%, 均方根誤差RMSE為0.02 m-1。 隨機森林算法為具有復雜光學性質的湛江灣水體顆粒物后向散射系數的遙感估算提供了一種有效的方法, 但還需要進一步通過優化該模型來提高bbp的反演精度。