一種富營養化湖泊水體藻類垂向分布類型modis遙感監測方法
【專利摘要】本發明提供一種富營養化湖泊藻類垂向分布的MODIS遙感監測方法，通過野外監測獲取藻類垂向分布類型；以野外實測水體表面光譜信息和環境信息為基礎，構建基于地面實測光譜數據（Rrs）的藻類垂向分布的遙感監測方法；通過模擬不同氣溶膠類型及厚度、不同太陽高度角、衛星觀測角及方位角，獲取地面監測遙感反射比Rrs與模擬的瑞利散射矯正后Rrc之間的定量關系；進而將基于地面實測光譜數據的藻類垂向分布類型監測方法推廣至經過瑞利散射矯正的MODIS衛星影像數據。基于該方法，可以準確獲取富營養化湖泊藻類垂向分布類型的年際、月際變化規律及其空間分布，為水利、環保等部門的水資源管理、水環境保護的科學決策提供科技支撐。
【專利說明】一種富營養化湖泊水體藻類垂向分布類型MODIS遙感監測 方法
【技術領域】
[0001] 本發明涉及富營養化湖泊水體藻類垂向分布類型MODIS遙感監測方法。
【背景技術】
[0002] 在富營養化水體，遙感手段已經被廣泛用于監測藻華的暴發程度和頻率 (Bresciani et al. 2014; Hu 2009; Kahru et al. 2007; Kutser et al. 2006; Odermatt et al. 2012)，也在色素濃度的反演方面開展了大量工作，例如，葉綠素濃度 (Duan et al. 2010; Song et al. 2013b)、藻藍素濃度（Duan et al. 2012; Song et al. 2013a)等。這些工作大都基于表層水體光學參數的反演或水柱的垂向均一假設。然而，遙 感信號反映的是水面之下一定深度的垂向結構，僅僅依賴于表層會引入誤差。
[0003] 遙感監測藻華的面積會在短時間內產生很大的變化，例如，利用GOCI數據監測 中國東海藻華面積顯示受潮汐或洋流的影響，一天之內藻華面積會產生大于100%的誤差 (Lou and Hu 2014)。實際上，淺水湖泊的藻華暴發不是短時間內生物量的急劇增加，而 是已經存在的大量藻顆粒在水體中上下移動引起的（Cao et al. 2006)。也就是說，藻華 暴發受外界水動力或環境因子的影響改變了藻類的垂向分布結構，從而引起表面看起來的 短時間內藻華突然暴發或消失（Beaver et al. 2013; BlottiSre et al. 2013; Ndong et al. 2014)。此外，一些藍藻具有依靠調節自身浮力在水中上下移動的能力（Kutser et al. 2008)。藻類垂向結構的變化使得只監測水表面藻華不能反映整個水體的富營養化狀 況。而且，遙感反演光學參數的精度（Stramska and Stramski 2005)和色素生物量的估計 (Silulwane et al. 2010)都存在很大的挑戰。因此，水柱藻總量比藻華暴發的面積和頻率 更能較為全面的反映水體的富營養化狀況，從而評價藻華的危害。
[0004] 為了實現藻總量的估算，單元水柱的藻類垂向分布類型遙感識別是關鍵的一步。 在一類水體的海洋水色遙感中，很多學者已經研究了色素或葉綠素a的垂向分布（Andr6 1992; Hidalgo-Gonzalez and Alvarez-Borrego 2001; MiIIdn-Nufiez et al. 1997; Morel and Berthon 1989; Silulwane et al. 2010; Xiu et al. 2008)及其對遙感反 射比的影響（Gordon and Clark 1980; Kutser et al. 2008; Sathyendranath et al. 1989; Stramska and Stramski 2005)。高斯模型（Andr6 1992; Hidalgo-Gonzalez and Alvarez-Borrego 2001; MiIIdn-Nufiez et al. 1997; Morel and Berthon 1989; Sathyendranath et al. 1989)或者改進的高斯模型（Silulwane et al. 2010)多被 用來描述葉綠素a的垂向結構，并且假設在同一個季節或區域內藻類垂向分布類型不變 (Hidalgo-Gonzalez and Alvarez-Borrego 2001; Silulwane et al. 2010)。盡管目前 很少基于實測數據研究富營養化湖泊藻類垂向分布變化（Kutser et al. 2008)，然而，在 富營養化湖泊依然存在藻類垂向分布變化較快，甚至在一天內呈現不同的分布類型的情況 (D'Alimonte et al. 2014)。這種情況導致在海洋和近岸水體得到的假設條件不適用于內 陸湖泊。總之，揭示藻類垂向分布結構是研發藻總量的遙感估算反演算法的重要步驟。
[0005] 參考文獻： Andre, J. -M. (1992). Ocean color remote-sensing and the subsurface vertical structure of phytoplankton pigments. Deep Sea Research Part A. Oceanographic Research Papers, 39, 763-779〇
[0006] Beaver，J. R.，Casamatta，D. A.，East，T. L，Havens，K. E.，Rodusky， A. J. , James, R. T. , Tausz, C. E. , & Buccier，K. M. (2013). Extreme weather events influence the phytoplankton community structure in a large lowland subtropical lake (Lake Okeechobee，Florida，USA) ? Hydrobiologia，709，213-226。
[0007] Blottiere, L., Rossi, M., Madricardo, F., & Hulot, F. D. (2013). Modeling the role of wind and warming on Microcystis aeruginosa blooms in shallow lakes with different trophic status. Theoretical Ecology, 7， 35-52。
[0008] Bresciani，M.，Adamo，M.，De Carolis，G.，Matta，E.，Pasquariello， G. , Vaiciut ，D.，& Giardino，C. (2014). Monitoring blooms and surface accumulation of cyanobacteria in the Curonian Lagoon by combining MERIS and ASAR data. Remote Sensing of Environment, 146， 124-135。
[0009] Cao，H.，Kong，F.，Luo，L，Shi，X.，Yang，Z.，Zhang，X.，& Tao，Y. (2006). Effects of Wind and Wind-Induced Waves on Vertical Phytoplankton Distribution and Surface Blooms ofMicrocystis aeruginosain Lake Taihu. Journal of Freshwater Ecology， 21， 231-238。
[0010] D'Alimonte，D.，Zibordi，G.，Kajiyama，T.，& Berthon，J.-R (2014) ? Comparison between MERIS and regional high-level products in European seas. Remote Sensing of Environment, 140， 378-395。
[0011] Duanj H., Maj R., & Hu, C. (2012). Evaluation of remote sensing algorithms for cyanobacterial pigment retrievals during spring bloom formation in several lakes of East China. Remote Sensing of Environment, 126， 126-135。
[0012] Duan，H.，Ma，R.，Zhang，Y.，Loiselle，S. A.，Xu，J.，Zhao，C.，Zhou， L，& Shang，L (2010). A new three-band algorithm for estimating chlorophyll concentrations in turbid inland lakes. Environmental Research Letters, 5， 044009〇
[0013] Gordon, H. R. , & Clark, D. K. (1980). Remote sensing optical properties of a stratified ocean: an improved interpretation. AppI. Opt. , 19，3428-3430。
[0014] Hidalgo-Gonzalezj R. M. , & Alvarez-Borregoj S. (2001). Chlorophyll profiles and the water column structure in the Gulf of California. Oceanologica Acta, 24, 19-28〇
[0015] Hu, C. (2009). A novel ocean color index to detect floating algae in the global oceans. Remote Sensing of Environment, 113， 2118-2129。
[0016] Kahru, M., Savchuk, 0. P. , & Elmgren, R. (2007). Satellite measurements of cyanobacterial bloom frequency in the Baltic Sea: interannual and spatial variability. Marine Ecology Progress Series, 343， 15-23。
[0017] Kutser, T., Metsamaa, L., & Dekker, A. G. (2008). Influence of the vertical distribution of cyanobacteria in the water column on the remote sensing signal. Estuarine, Coastal and Shelf Science, 78， 649_654〇
[0018] Kutser, T., Metsamaa, L., Strombeck, N., & Vahtmae, E. (2006). Monitoring cyanobacterial blooms by satellite remote sensing. Estuarine, Coastal and Shelf Science, 67， 303-312。
[0019] Lou, X. , & Hu, C. (2014). Diurnal changes of a harmful algal bloom in the East China Sea: Observations from GOCI. Remote Sensing of Environment, 140， 562-572。
[0020] Milldn-Nufiezj R., Alvarez-Borregoj S., & Trees, C. C. (1997). Modeling the vertical distribution of chlorophyll in the California Current System. Journal of Geophysical Research, 102， 8587。
[0021] Morel，A.，& Berthon，J.-R (1989) ? Surface pigments，algal biomass profiles, and potential production of the euphotic layer: Relationships reinvestigated in view of remote-sensing applications. Limnology and Oceanography, 1545-1562。
[0022] Ndong，M.，Bird，D.，Nguyen-Quang，T.，de Boutray，M. L，Zamyadi，A.， Vincon-Leitej B. , Lemaire，B. J. , Prevost, M. , & Dorner, S. (2014). Estimating the risk of cyanobacterial occurrence using an index integrating meteorological factors: application to drinking water production. Water Res, 56， 98-108。
[0023] Odermatt，D.，Pomati，F.，Pitarch，J.，Carpenter，J.，Kawka，M.， Schaepman，M. , & Wtiest, A. (2012). MERIS observations of phytoplankton blooms in a stratified eutrophic lake. Remote Sensing of Environment, 126，232-239。
[0024] Sathyendranath, S., Platt, T., Caverhi11, C. M. , Warnock, R. E., & Lewis, M.R. (1989). Remote sensing of oceanic primary production: computations using a spectral model. Deep Sea Research Part A. Oceanographic Research Papers, 36， 431-453。
[0025] Silulwane, N. F. , Richardson, A. J.，Shillington，F. A. , & Mitchell-Innes， B. A. (2010). Identification and classification of vertical chlorophyll patterns in the Benguela upwelling system and Angola-Benguela front using an artificial neural network. South African Journal of Marine Science, 23， 37-51。
[0026] Song，K.，Li, L，Li, Z.，Tedesco，L，Hall，B.，& Shi，K. (2013a) ? Remote detection of cyanobacteria through phycocyanin for water supply source using three-band model. Ecological Informatics, 15， 22-33。
[0027] Song，K.，Li, L，Tedesco，L P.，Li, S.，Duan，H.，Liu，D.，Hall，B. E.， Du, J., Li, Z., Shi, K. , & Zhao, Y. (2013b). Remote estimation of chlorophyll-a in turbid inland waters: Three-band model versus GA-PLS model. Remote Sensing of Environment, 136，342-357〇
[0028] Stramska, M., & Stramski, D. (2005). Effects of a nonuniform vertical profile of chlorophyll concentration on remote-sensing reflectance of the ocean. AppL Opt.，44，1735-1747。
[0029] Xiuj P., Liu, Y., & Tang, J. (2008). Variations of ocean colour parameters with nonuniform vertical profiles of chlorophyll concentration. International Journal of Remote Sensing, 29， 831-849。
【發明內容】
[0030] 本發明目的在于提供一種富營養化湖泊水體藻類垂向分布類型MODIS遙感監測 方法，利用遙感手段精確獲取富營養化湖泊水體藻類垂向分布類型，繼而準確估算藻類總 存量，分析藍藻水華發生、發展狀況及趨勢，科學評估湖泊污染治理與生態修復效果，為水 利、環保等部門的水資源管理、水環境保護的科學決策提供科技支撐。
[0031] 本發明的上述目的通過獨立權利要求的技術特征實現，從屬權利要求以另選或有 利的方式發展獨立權利要求的技術特征。
[0032] 為達成上述目的，本發明所采用的技術方案如下： 一種富營養化湖泊水體藻類垂向分布類型MODIS遙感監測方法，包括：通過野外監測 獲取藻類垂向分布類型；以野外實測水體表面光譜信息（Rre)和環境信息為基礎，構建藻類 垂向分布的遙感監測方法；通過模擬不同氣溶膠類型及厚度、不同太陽高度角、衛星觀測角 及方位角，獲取地面監測遙感反射比（R re)與模擬的瑞利散射矯正后艮。之間的定量關系； 進而將基于地面實測光譜數據的藻類垂向分布類型監測方法推廣至經過瑞利散射矯正的 MODIS衛星影像數據，大大提高了該方法的實用性；基于該方法，可以準確獲取富營養化湖 泊藻類垂向分布類型的年際、月際變化規律及其空間分布。
[0033] 作為進一步的實施方式，具體地，所述的方法包括如下步驟： 1、 確定藻類垂向分布類型 基于水體光學活性物質（葉綠素a、無機懸浮物、黃色物質）的基本監測原理，通過野外 實地監測獲取水體中不同深度處藻類以及其他光學活性物質的濃度，通過聚類分析得到藻 類垂向分布類型，以及與其他光學活性物質垂向分布間的關系； 2、 構建基于實測光譜信息和同步環境信息的藻類垂向分布類型的遙感監測方法 在獲取藻類垂向分布信息的同時，獲取水體表層的遙感信息（R re)以及周圍的環境信息 (離岸距離、風速、水深等)，通過相關性分析，確定基于水體表層遙感信息和風速構建藻類 垂向分布類型的遙感監測決策分類樹； 3、 獲取地面監測遙感反射比（Rre)與模擬的瑞利散射矯正后Rrc之間的定量關系 為了確定基于MODIS衛星數據的藻類垂向分布類型決策樹中的NDBI閾值，考察巢湖地 區在不同氣溶膠類型及厚度、不同太陽高度角、衛星觀測角以及方位角對地面監測的遙感 反射比與模擬的瑞利散射矯正后的Rm之間的定量關系的影響，并通過模擬數據確定兩者 之間的定量模型，從而確定NDBI針對MODIS衛星影像的決策閾值； 4、 構建藻類垂向分布類型的MODIS遙感監測方法 基于前述步驟和方法，可以將基于地面實測光譜數據的藻類垂向分布類型決策樹推廣 至經過瑞利散射矯正的衛星影像數據，實現全影像藻類垂向分布類型的空間分布；基于該 方法，可以準確獲取富營養化湖泊藻類垂向分布類型的年際、月際變化規律及其空間分布。
[0034] 由以上本發明的技術方案可知，本發明提出的富營養化湖泊水體藻類垂向分布類 型MODIS遙感監測方法，旨在基于野外實測數據，選擇對于藻類垂向分布類型顯著相關的 因素，構建區分藻華與非藻華水體的NDBI指數，繼而形成基于實測數據的藻類垂向分布類 型的遙感監測方法；通過地面實測光譜數據與經過瑞利散射矯正后的R m數據的定量關 系這一核心，成功實現了對MODIS影像中藻類垂向分布類型的判別，更加客觀真實地反映 湖泊藻類垂向分布類型的時空分布。藻類垂向分布類型的遙感監測是實現藻類總存量的 估算的前提和基礎，湖泊藻類分布類型以及藻類總存量的長期高精度監測，有助于科學評 估年際間水體富營養化狀態的變化及其發展趨勢，有效評估湖泊污染治理和生態修復的績 效，為水利、環保等部門的水資源管理、水環境保護的科學決策提供科技支撐。
[0035] 應當理解，前述構思以及在下面更加詳細地描述的額外構思的所有組合只要在這 樣的構思不相互矛盾的情況下都可以被視為本公開的發明主題的一部分。另外，所要求保 護的主題的所有組合都被視為本公開的發明主題的一部分。
[0036] 結合附圖從下面的描述中可以更加全面地理解本發明教導的前述和其他方面、實 施例和特征。本發明的其他附加方面例如示例性實施方式的特征和/或有益效果將在下面 的描述中顯見，或通過根據本發明教導的【具體實施方式】的實踐中得知。
【專利附圖】
【附圖說明】
[0037] 附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組 成部分可以用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記。 現在，將通過例子并參考附圖來描述本發明的各個方面的實施例，其中： 圖1是巢湖藻類垂向分布類型示意圖。
[0038] 圖2是不同藻類垂向分布類型對應的水體表層遙感反射比光譜曲線示意圖。
[0039] 圖3是不同環境因子對藻類垂向分布類型的影響示意圖。
[0040] 圖4是基于實測光譜的藻類垂向分布類型遙感決策樹示意圖。
[0041] 圖5是不同氣溶膠類型及其厚度條件下，與Rre間的定量關系示意圖。
[0042] 圖6是基于MODIS的藻類垂向分布類型遙感決策樹示意圖。
[0043] 圖7是巢湖藻類垂向分布類型的空間分布示意圖。
[0044] 前述圖示1-7中，作為英文形式表達的各坐標、標識或其他表示，均為本領域所公 知的，并不在本例中再做贅述。
【具體實施方式】
[0045] 為了更了解本發明的技術內容，特舉具體實施例并配合所附圖式說明如下。
[0046] 在本公開中參照附圖來描述本發明的各方面，附圖中示出了許多說明的實施例。 本公開的實施例不必定意在包括本發明的所有方面。應當理解，上面介紹的多種構思和 實施例，以及下面更加詳細地描述的那些構思和實施方式可以以很多方式中任意一種來實 施，這是應為本發明所公開的構思和實施例并不限于任何實施方式。另外，本發明公開的一 些方面可以單獨使用，或者與本發明公開的其他方面的任何適當組合來使用。
[0047] 本發明給予一種富營養化湖泊水體藻類垂向分布類型遙感監測方法，上述目的是 這樣實現的：通過野外監測獲取藻類垂向分布類型；以野外實測水體表面光譜信息（R re)和 環境信息為基礎，構建藻類垂向分布的遙感監測方法；通過模擬不同氣溶膠類型及厚度、不 同太陽高度角、衛星觀測角及方位角，獲取地面監測遙感反射比（Rre)與模擬的瑞利散射矯 正后Rm之間的定量關系；進而將基于地面實測光譜數據的藻類垂向分布類型監測方法推 廣至經過瑞利散射矯正的MODIS衛星影像數據，大大提高了該方法的實用性；基于該方法， 可以準確獲取富營養化湖泊藻類垂向分布類型的年際、月際變化規律及其空間分布。
[0048] 下面結合附圖1-7所示，示例性地說明前述方法的具體實現。
[0049] 1、確定藻類垂向分布類型 基于水體光學活性物質（葉綠素a、無機懸浮物、黃色物質）的基本監測原理，通過野外 實地監測獲取水體中不同深度處藻類以及其他光學活性物質的濃度，通過聚類分析得到藻 類垂向分布類型，以及與其他光學活性物質垂向分布間的關系。
[0050] 本例中，利用野外垂向分層采樣器獲取藻類（葉綠素a，Chla)在不同水層的濃 度分布情況，采用聚類分析的方法確定藻類垂向分布類型包括均一型（Type 1)、高斯型 (Type 2)、指數型（Type 3)以及冪指數型（Type 4)四類（圖1)，而水體中的其它光學活性 物質(無機懸浮物和黃色物質）則呈現均一型垂向分布。
[0051] 示例性地，前述的水體表層的光譜特征來自于巢湖野外實測的光譜數據Rre，監測 儀器為美國ASD公司的雙通道地面光譜監測儀（350-1050nm)。
[0052] 如前所述，藻類垂向分布監測深度包括0、10、20、40、70、100、150、200、250和 300cm共計9個不同深度的監測數據。
[0053] 2、構建基于實測光譜信息和同步環境信息的藻類垂向分布類型的遙感監測方法 在獲取藻類垂向分布信息的同時，獲取水體表層的遙感信息（R re)以及周圍的環境信息 (離岸距離、風速、水深等)，通過相關性分析，確定基于水體表層遙感信息和風速構建藻類 垂向分布類型的遙感監測決策分類樹。
[0054] 本例子中，對于一般水體，水體的遙感反射比與不同深度水體的固有光學屬性綜 合體現，不同的藻類垂向分布類型也會對水體表層的遙感反射比產生一定的影響。
[0055] 圖2示例性第表示了不同藻類垂向分布類型對應的水體表層遙感反射比光譜曲 線。
[0056] 由于藻華水體在綠光波段（570nm)有個反射峰以及在665nm的反射谷十分顯著， 因此可以利用這兩個特征來區分藻華水華和非藻華水體。根據此特點，本實施例中提出了 NDBI (Normalized difference bloom index)指數，表達如下： NDBIErs= (Rrs (550) -Rrs (675)) / (Rrs (550) +Rrs (675)) (I) 通過考察環境因素(離岸距離、風速以及水深）對藻類垂向分布類型的影響發現，只 有風速對藻類垂向分布類型產生顯著影響，如圖3的示例，因此，基于NDBI和風速構建基于 實測光譜的藻類垂向分布類型遙感分類決策樹，如圖4所示。
[0057] 根據NDBI是否大于0? 24判斷是否有藻華發生，區分為Typel-2與Type3-4 : 在無藻華水體，當風速大于3. 5m/s時判定為Type 1，否則為Type 2 ; 在藻華水體，當風速小于I. 5 m/s時判定為Type 4,否則為Type 3。
[0058] 如前所示，Typel-2與Type3_4對應于前述的：均一型（Type 1)、高斯型（Type 2)、指數型（Type 3)以及冪指數型（Type 4)。
[0059] 3、獲取地面監測遙感反射比（R")與模擬的瑞利散射矯正后艮。之間的定量關系 為了確定基于MODIS衛星數據的藻類垂向分布類型決策樹中的NDBI閾值，考察巢湖地 區在不同氣溶膠類型及厚度、不同太陽高度角、衛星觀測角以及方位角對地面監測的遙感 反射比與模擬的瑞利散射矯正后的Rm之間的定量關系的影響，并通過模擬數據確定兩者 之間的定量模型，從而確定NDBI針對MODIS衛星影像的決策閾值。
[0060] 本例中，要將基于實測光譜數據得到葉綠素a的反演算法推廣至衛星影像數據， 大氣矯正不可忽略。
[0061] 但是目前仍然缺乏針對高渾濁水體有效的精確大氣矯正算法，本實施例中采用 MODIS影像的瑞利散射矯正，也就是通過這種矯正，大氣層頂的光學信息去除了瑞利散射的 影響，依然包含著氣溶膠信息以及衛星觀測信息。
[0062] 基于瑞利散射校正后的數據，NDBI修正表達為， NDBIErc= (Rrc (555) -Rrc (645)) / (Rrc (555) +Rrc (645)) (2) 其中，&。（入）是經過瑞利校正的入波長處的反射率。Rm是MODIS數據進行瑞利散射 校正，然后基于Hu等（2004)的研究將其轉換為瑞利散射校正后的反射率： Rrc = it LI/(FqCosBq) - RrRrc = -JtVt/(FQms6Q) - Rr (3) 式中，1414是校正臭氧和其他氣體吸收效應后的傳感器輻射率，Ftl是獲取數據時的大氣 圈外太陽福照度，9 cl是太陽天頂角，R1?是采用6S (例如Vermote等提出，1997)預測的瑞麗 反射率。
[0063] 基于福射傳輸理論以及假定一個非f禹合的海洋一大氣系統，R1?。可以表達為： 只rc =沒(2 十 V及tnrgrst只rc =十 V只target (4) 式中，Ra是氣溶膠反射率(包括來自于氣溶膠分子的相互作用），Rtawt是野外實測目標 (藻類或者水體）的表面反射率，h是從太陽到目標物的大氣透射率，t是從目標物到衛星傳 感器的大氣透射率。由于受風和水流的影響，浮游藻類通常呈現一種水面浮油的形態，因此 t可以看作浮游藻類的光透射率。
[0064] 為了考察不同氣溶膠類型及其厚度，以及衛星觀測造成的影響，我們根據巢湖地 區在不同氣溶膠類型及厚度、不同太陽高度角、衛星觀測角以及方位角對地面監測的遙感 反射比與模擬的瑞利散射矯正后的Rrc之間的定量關系的影響（圖5)，并通過模擬數據確定 兩者之間的定量模型，根據該模型確定NDBI應用于MODIS影像的閾值為0. 1193。
[0065] 前述的氣溶膠類型參照SeaDas的LUT的結果，氣溶膠厚度參照巢湖地區常年監測 結果范圍，觀測角度則依靠巢湖的地理位置確定。
[0066] 4、構建藻類垂向分布類型的MODIS遙感監測方法 基于前述步驟和方法，可以將基于地面實測光譜數據的藻類垂向分布類型決策樹推廣 至經過瑞利散射矯正的衛星影像數據，實現全影像藻類垂向分布類型的空間分布；基于該 方法，可以準確獲取富營養化湖泊藻類垂向分布類型的年際、月際變化規律及其空間分布。 [0067] 本例子中，基于圖4以及NDBI to。閾值，可確定巢湖藻類垂向分布類型的MODIS遙 感監測方法，如圖6所示。
[0068] 依據基于MODIS影像的瑞利散射矯正，結合圖4即可實現全影像中藻類垂向分布 類型空間分布。具體流程主要如下： ①對獲取的MODIS影像進行了幾何糾正和輻射定標計算，幾何糾正采用Geographic Lat/Lon投影，結合遙感圖像IB數據中的經緯度信息進行校正，校正后的位置精度可達 到0. 5個像素。在ERDAS中利用湖泊矢量邊界，通過掩膜技術提取湖泊水域，除去島嶼植被 的影響，利用最近鄰法，將MODIS 500m影像數據重采樣為250m ; ② MODIS影像中逐一像元計算其在band 1 (645 nm)和band 4 (555 nm)的Rlx值； ③ 根據公式（2)逐一像元計算NDBI值； ④ 繼而結合前述的判斷方法即可得到藻類垂向分布類型的空間分布結果。
[0069] 圖7示例性地給出了以巢湖的數據得到的巢湖藻類垂向分布類型的空間分布示 意圖。
[0070] 通過上述方法即可實現藻類垂向分布類型的MODIS遙感監測，藻類垂向分布類型 是實現藻類總存量的估算的前提和基礎，湖泊藻類分布類型以及藻類總存量的長期高精度 監測，有助于科學評估年際間水體富營養化狀態的變化及其發展趨勢，有效評估湖泊污染 治理和生態修復的績效，為水利、環保等部門的水資源管理、水環境保護的科學決策提供科 技支撐。
[0071] 雖然本發明已以較佳實施例揭露如上，然其并非用以限定本發明。本發明所屬技 術領域中具有通常知識者，在不脫離本發明的精神和范圍內，當可作各種的更動與潤飾。因 此，本發明的保護范圍當視權利要求書所界定者為準。
【權利要求】
1. 一種富營養化湖泊水體藻類垂向分布類型MODIS遙感監測方法，其特征在于，包括 以下步驟： 1) 確定藻類垂向分布類型 通過野外實地監測獲取水體中不同深度處藻類以及其他光學活性物質的濃度，通過聚 類分析得到藻類垂向分布類型，以及與其他光學活性物質垂向分布間的關系； 2) 構建基于實測光譜信息和同步環境信息的藻類垂向分布類型的遙感監測方法 在獲取藻類垂向分布信息的同時，獲取水體表層的遙感信息Rre以及周圍的環境信息， 通過相關性分析，構建基于水體表層遙感信息和風速藻類垂向分布類型的遙感監測決策分 類樹； 3) 獲取地面監測遙感反射比與模擬的瑞利散射矯正后之間的定量關系 基于巢湖地區在不同氣溶膠類型及厚度、不同太陽高度角、衛星觀測角以及方位角對 地面監測的遙感反射比與模擬的瑞利散射矯正后的之間的定量關系的影響，并通過模 擬數據確定兩者之間的定量模型，從而確定NDBI針對M0DIS衛星影像的決策閾值； 4) 構建藻類垂向分布類型的M0DIS遙感監測方法 基于前述步驟和方法，將基于地面實測光譜數據的藻類垂向分布類型決策樹應用至經 過瑞利散射矯正的衛星影像數據，實現全影像藻類垂向分布類型的空間分布；基于該方法， 獲取富營養化湖泊藻類垂向分布類型的年際、月際變化規律及其空間分布。
2. 根據權利要求1所述的富營養化湖泊水體藻類垂向分布類型遙感監測方法，其特征 在于，所述步驟1)中，前述的水體表層的光譜特征來自于巢湖野外實測的光譜數據R"，監 測儀器為美國ASD公司的雙通道地面光譜監測儀。
3. 根據權利要求1所述的富營養化湖泊水體藻類垂向分布類型遙感監測方法，其特征 在于，所述步驟1)中，藻類垂向分布監測包括0、10、20、40、70、100、150、200、250和300cm 共計9個不同深度的監測數據。
4. 根據權利要求1所述的富營養化湖泊水體藻類垂向分布類型M0DIS遙感監測方法， 其特征在于，所述步驟2)中，基于地面實測光譜數據的藻類垂向分布類型評價指數NDBI表 達形式為： (Rrs (550) -Rrs (675)) / (Rrs (550) +Rrs (675))。
5. 根據權利要求1所述的富營養化湖泊水體藻類垂向分布類型MODIS遙感監測方法， 其特征在于，所述步驟3)中，其中，氣溶膠類型參照SeaDas的LUT的結果，氣溶膠厚度參照 巢湖地區常年監測結果范圍，觀測角度則依照巢湖的地理位置確定。
6. 根據權利要求1所述的富營養化湖泊水體藻類垂向分布類型MODIS遙感監測方法， 其特征在于，所述步驟4)中，應用于MODIS影像的NDBI指數表達形式為： (R" (555) -R" (645)) (555) +Rrc (645))，且建立在MODIS衛星影像的輻射定標、幾何 糾正和大氣瑞利散射校正的基礎上。
【文檔編號】G01N21/25GK104374713SQ201410725431
【公開日】2015年2月25日 申請日期:2014年12月3日 優先權日:2014年12月3日
【發明者】張玉超, 馬榮華, 段洪濤, 陳開寧 申請人:中國科學院南京地理與湖泊研究所