EN中文

地球信息科学学报 >

2014 , Vol. 16 >Issue 6: 989 - 996

DOI: https://doi.org/10.3724/SP.J.1047.2014.00989

太湖浮游藻类的后向散射分离及其叶绿素a浓度反演

  • 阎福礼 , 1 ,
  • 刘韶菲 1, 2 ,
  • 王世新 , 1, * ,
  • 周艺 1
展开
  • 1. 中国科学院遥感与数字地球研究所,北京 100101
  • 2. 中国科学院研究生院,北京 100049
*通讯作者：王世新(1965-),男,博导,研究员,主要从事人居环境定量遥感研究。E-mail:

作者简介：阎福礼(1973-),男,博士,副研究员,主要从事定量反演研究。E-mail:

收稿日期: 2014-03-17

  要求修回日期: 2014-04-18

  网络出版日期: 2014-11-01

基金资助

国家自然科学基金项目“富营养化水体的比辐射率测量及其红外水温遥感反演”(41371363)

收起

Phytoplankton Backscattering Coefficients Partitioning and Its Applications in Retrieving Chlorophyll-a Concentrations in Taihu Lake

  • YAN Fuli , 1 ,
  • LIU Shaofei 1, 2 ,
  • WANG Shixin , 1, * ,
  • ZHOU Yi 1
Expand
  • 1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
  • 2. Graduate University of Chinese Academy of Sciences, Beijing 100039, China
*Corresponding author: WANG Shixin, E-mail:

Received date: 2014-03-17

  Request revised date: 2014-04-18

  Online published: 2014-11-01

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

浮游藻类的后向散射是水体光谱构成的重要组成部分,作为水体辐射传输模型中的重要参数,高精度的藻类后向散射系数对水体叶绿素a浓度的遥感反演精度至关重要。本文以简化的辐射传输模型-生物光学模型为基础,尝试性分离了太湖浮游藻类的后向散射系数。通过藻类后向散射规律分析,建立了浮游藻类吸收、后向散射特征的叶绿素a反演模型,改善了叶绿素a浓度的遥感反演精度。分析表明：藻类颗粒物的后向散射系数与吸收系数之间存在反比关系,且在560 nm、700 nm附近存在明显的散射峰,与叶绿素a浓度之间相关性显著;低密度藻类水体总悬浮颗粒的后向散射以非色素颗粒为主导,适合采用经典的指数模型模拟后向散射系数,而藻类密度较高的富营养化水体,水体总悬浮颗粒的后向散射以藻类颗粒为主导,传统的指数模型已不适用;采用分离藻类后向散射系数的方法,使得叶绿素a浓度的反演值与真实值相关系数从0.66提高到0.98,相对误差从55%降低到38%,均方根误差(RMSE)也由60.95 μg/L降低至13.98 μg/L。其真实性检验表明,与经典指数模型方法相比,利用藻类颗粒后向散射分离方法反演叶绿素a浓度,能够显著改善反演精度。

关键词： 藻类颗粒; 后向散射系数; 分离; 富营养化水体

本文引用格式

阎福礼 , 刘韶菲 , 王世新 , 周艺 . 太湖浮游藻类的后向散射分离及其叶绿素a浓度反演[J]. 地球信息科学学报, 2014 , 16(6) : 989 -996 . DOI: 10.3724/SP.J.1047.2014.00989

Abstract

As key parameters in bio-optical model, the backscattering coefficients of phytoplankton plays an important role in modelling the reflectance spectra and retrieving chlorophyll-a (CHL-a) concentrations from eutrophic water. An exponential model is usually used to simulate the total backscattering coefficients by omitting the phytoplankton backscattering in inland water characterized by lower concentrations of CHL-a. However, the exponential model is not valid for inland water with high CHL-a concentrations, and high relative errors and residues may exist in retrieving the CHL-a concentrations in the algae blooming area, due to the errors made by omitting or introducing inaccurate backscattering coefficients of phytoplankton. Therefore, a precise determination of the phytoplankton backscattering coefficients is of great importance in retrieving chlorophyll-a concentrations. Based on the classical bio-optical model, we proposed a method to partition the phytoplankton backscattering coefficients. The variations of the backscattering coefficients of phytoplankton particles with wavelengths in 400~700 nm and the chlorophyll-a concentrations are illustrated and discussed in details. According to the results mentioned above, following conclusions are drawn: (a) it is appropriate to model the total backscattering coefficients by using exponential function in most Case 2 waters with lower concentrations of Chlorophyll-a, where the non-algal suspended sediments dominated the optical properties. However, it is not applicable in eutrophic waters with higher concentrations of chlorophyll-a, where the algal particles dominated the optical properties; (b) phytoplankton backscattering coefficients vary inversely to their absorption coefficients, and two backscattering peaks emerge in the wavelengths of 560nm and 700nm, which are significantly correlated with CHL-a concentrations; (c) compare to the exponential model, the accuracy of the bio-optical model using the partitioned phytoplankton backscattering coefficients has improved greatly: the correlation coefficient between the retrieved and the measured CHL-a is increased from 0.66 to 0.98, the average relative error decreases from 55% to 38% , and the RMSE decreases from 60.95 to 13.98 in estimating CHL-a concentrations.

Key words： phytoplankton; backscattering coefficients; partitioning; eutrophic water

1 引言

叶绿素a浓度既是表征浮游藻类生物量的重要指标,也是开展水华灾害遥感监测的重要内容。目前,水体叶绿素a遥感反演的方法主要有2类：(1)是统计回归方法,(2)是利用水体组分生物光学物理特性的反射率模型方法。统计方法简单常用,但难以建立稳定的模型[1]。因此,很多学者选择了基于水体组分生物光学特性的反射率模型进行研究,取得了良好的应用效果。如基于生物光学特性模拟光谱库的叶绿素a反演[2],以及生物光学模型分析复杂因素的叶绿素a反演[3]等。然而所有研究都表明,要进行高精度的叶绿素a浓度反演,精确描述水质组分的生物光学特性参数是核心问题。对于水体组分吸收特性,一般采用仪器测量的方式,精确获取三大组分的吸收系数[1,4]。对于后向散射而言,总悬浮颗粒物后向散射特征由藻类颗粒物和非色素颗粒物共同决定,其中,非色素颗粒物的后向散射特性研究已趋于成熟,一般采用指数模型进行模拟[5-6];而藻类颗粒物的后向散射特性研究还非常有限[5],大部分工作局限于叶绿素a浓度较低的水体。一般而言,低藻类密度(低叶绿素a浓度)的水体中,后向散射作用主要由非色素悬浮颗粒引起,藻类颗粒物的作用可以忽略[7]。然而,藻类叶绿素a吸收、散射作用的存在必然会对水体光谱特征产生影响,因此,为了进一步提高低藻类密度(低叶绿素a浓度)水体的叶绿素a反演精度,Carder和Morel分别建立了叶绿素a浓度与藻类颗粒后向散射系数之间的经验关系[8-10]。Sathyendranath也提出了藻类颗粒后向散射系数与吸收系数之间的经验公式[11-12]。也有学者依据藻类颗粒自身特性,如粒径、折射率、吸收系数和粒度分布等,建立了藻类细胞散射特性的理论模型,但由于测量技术的限制,很难对模型的适用范围进行严格的验证[13-14]。大量事实表明,高藻类密度(叶绿素a浓度高)水体与低密度藻类水体的后向散射特征截然不同[5,15]。现有的藻类后向散射模型仅适用于低藻类密度(叶绿素a浓度较低)水体,在叶绿素a浓度较高的水体中,如水华区域,反演误差较大。目前,采用掩膜水华区域是较为通行的做法[16]。然而,高精度监测水体中的叶绿素a浓度(包括水华区域)是水华灾害预警的关键环节。因此,研究和探索高密度浮游藻类的后向散射特性,建立高精度的叶绿素a反演模型,对于水华灾害的遥感监测与预警具有重要的现实意义[17]。
本文以现有生物光学模型为基础,尝试性地分离了高浑浊水体中浮游藻类的后向散射系数,探讨了不同叶绿素a浓度藻类的后向散射特征,建立了藻类颗粒后向散射特征的叶绿素a浓度反演模型,评价并验证模型的反演精度及其适用性。

2 水体反射率模型与叶绿素a反演

2.1 数据获取与预处理

实测数据获取于2007年11月20-22日的太湖水面实验,包括49个采样点的水面光谱数据(图1),及其室内分析获得的吸收系数(藻类颗粒物、非色素悬浮物及黄色物质吸收系数)和理化数据(总悬浮颗粒物浓度TSS、有机物质浓度OSS和叶绿素a浓度CHL-a)。水面光谱测量采用“水面以上法”,水体采样使用标准采样器,水体组分的固有光学量测量参照NASA海洋光学规范[18-19]。采样点叶绿素a浓度分布范围为7~387.1 μg/L,悬浮物浓度分布范围为11.7~165.3 mg/L。验证样点获取时间为2003年10月27-28日,叶绿素a浓度分布范围为9~ 231 μg/L,悬浮物浓度分布范围为14~86 mg/L。
Fig. 1 Sampling locations in Taihu Lake

图1 太湖采样点分布图

2.2 水体反射率模型

在内陆水体中,以生物光学模型为基础,遥感反射率 R rs 与固有光学量之间的关系通常被表达为[20-21]：
R rs = ft Q n 2 b b a + b b (1)
式(1)中, bb为水体总后向散射系数; a为水体总吸收系数;t是气-水界面的透射率;n是水体折射系数;t/n2近似等于0.54;Q与f均为太阳天顶角 θ s 的函数[22]。为了便于计算,通常假设f/Q为常数,但针对不同水体,MOREL提出f/Q取值通常介于0.08到0.24之间。仅针对太湖湖区不同研究取值也存在差异[23]。本文选取f/Q=0.176[24]。
虽然水体的吸收主要受纯水、藻类颗粒物、黄色物质(溶解性有机质)、非色素颗粒物影响,但对于后向散射而言,黄色物质作用微弱,暂不考虑其影响,因此有：
a = a w + a p h + a d + a y (2)
b b = b bw + b bp h + b bs (3)
式(2)中, a w 、 a p h 、 a d 和 a y 分别表示纯水、藻类颗粒物、非色素颗粒物和黄色物质的吸收系数;式(3)中 b bw 、 b bp h 和 b bs 表示纯水、藻类颗粒物和非色素颗粒物的后向散射系数。其中,纯水的吸收与散射系数取值参考Pope[25]和Smith[26]的研究,建立查找表进行模拟计算。
2.2.1 吸收系数模拟模型
非色素颗粒物是水样中的总悬浮颗粒经去除浮游植物色素的处理后,得到的一类颗粒物的总称[27]。其吸收特性受到颗粒物的种类、粒径等物理特征影响,通常用负指数模型模拟[28],如式(4)所示。
a d ( λ ) = a d ( 440 ) × exp ( S d × ( 440 - λ ) ) (4)
利用实测吸收系数针对模型进行最小二乘优化,确定曲线斜率参数Sd=0.012176。然后,将440 nm处的吸收系数ad(440)实测值与TSS、chla进行回归分析,定量关系为：ad(440)=0.0554×TSS-0.0152×CHL-a+0.623。由此得到可见光波段范围内非色素颗粒物吸收系数模型。
黄色物质是指被微生物和浮游生物分解后产生的溶解性有机质[7],其吸收光谱特征类似非色素颗粒物,呈e指数衰减趋势,如式(5)所示。
a y ( λ ) = a y ( 440 ) × exp ( S y × ( 440 - λ ) ) (5)
同样利用最小二乘法优化得到模型参数Sy=0.010304,取440 nm处实测吸收系数均值1.161122,作为吸收系数模拟模型中ay(440)值。
藻类颗粒物吸收较为复杂,受到藻类种群、光照和色素细胞包囊等诸多因素影响,变化复杂[29]。目前,难以通过模型高精度模拟藻类颗粒物吸收特性。本研究利用实测数据进行插值计算,获得叶绿素a浓度范围7~388 μg/L间隔为1 μg/L,波长范围400~700 nm间隔为1 nm对应的藻类颗粒物吸收系数取值查找表,定量描述藻类颗粒物吸收系数与叶绿素a浓度之间的对应关系,并将其直接运用到生物光学模型中进行反演。
2.2.2 后向散射系数分离及模拟
非色素颗粒物的后向散射系数采用Mie理论,并结合实测粒径分布进行模拟[30-31],其与非色素颗粒物浓度(SPM)、波长存在以下关系：
b bs ( λ ) = 3 SPM 2 ρ SPM ln D min D max ∫ D min D max Q bb ( D , m r , λ ) D - 2 dD (6)
其中,非色素颗粒物浓度由等式 SPM = TSS - 0.07×CHL-a计算得到[32-33]。 ρ SPM =2600 kg/m3,是沉积物密度。D是沉积物颗粒的直径, Q bb 是沉积物颗粒折射指数 m r 的后向散射效率因子。 D min - D max 的粒径分布范围0.01~120 μm,包括细小和絮状颗粒。沉积颗粒的折射指数在1.10-1.15之间,均值为1.125。计算获得所有采样点非色素颗粒物后向散射系数。
藻类颗粒物后向散射系数可通过式(7)进行分离计算。
b bp h = b bp - b bs (7)
式中, bbph表示藻类颗粒物后向散射系数;bbp表示总悬浮颗粒后向散射系数,利用生物光学模型,并结合样点吸收系数实测值,通过计算获得[34];bbs表示非色素颗粒物后向散射系数。已知bbph与叶绿素浓度之间存在紧密的相关关系[8-10],结合分离获得的藻类颗粒物后向散射系数,建立查找表,可定量描述其与浓度、波长关系。

2.3 叶绿素a浓度反演

利用光谱匹配方法,结合模型进行水质参数反演[2]。首先,通过改变作为模型输入变量的叶绿素a浓度和总悬浮物浓度值,进行光谱模拟,并建立包括不同水体组分组成的水体光谱曲线库;然后,提取目标水体光谱,与光谱库中的已知光谱进行逐个比对,找到最匹配的光谱,便可求解叶绿素a浓度。光谱匹配具体公式表达为：
式(8)中,Rmeas表示遥感获取的目标水体的反射率光谱;Rmod表示光谱库中的已知反射率光谱; 表示对所有波段求和。通常定义一个最小距离D2来衡量光谱之间的匹配程度。

3 模型反演结果与分析

3.1 总悬浮颗粒物后向散射特性

一般认为,总悬浮颗粒物后向散射系数遵循米散射变化规律,可采用指数关系进行表达[6]。实测数据表明[24],含有低密度藻类的太湖水体后向散射系数随波长的增加而减小,可以采用指数模型模拟;而含有高密度藻类的太湖水体的后向散射特征有显著的不同,如图2中后向散射系数在532 nm、589 nm处,表现出向上凸的后向散射峰值,在865 nm处后向散射急剧增加。这表明,在低藻类密度的水体中,水体后向散射系数的主导因素是非色素颗粒物,适宜指数关系模型进行定量描述;而在高藻类密度水体中,水体后向散射系数的主导因素是浮游藻类[5],采用指数模型将导致极大的反演误差。
Fig. 2 The backscattering coefficients measured by HydroScat-6 sensor[24]

图2 HS-6后向散射仪实测六通道总颗粒物后向散射系数[24]

基于生物光学模型反演的总悬浮颗粒物后向散射特征与实测数据表现出明显的一致性(图3)。高、低藻类密度水体的后向散射特征存在显著差异。如图3所示,叶绿素a浓度低的样点(如样点T25),藻类颗粒物的后向散射率较低,非色素颗粒物是主要散射体,后向散射系数表现出良好的米散射特性,可采用指数模型模拟;而另外一部分样点位于藻类颗粒物散射作用为主导高藻类颗粒物密度水域(如样点T19),样点在560 nm与700 nm附近出现明显的散射峰。针对这一部分样点,若依然采用上述指数模型进行描述,则会产生很大的误差,严重影响反演模型的精度。因此,有必要将藻类颗粒物的影响从后向散射信息中分离,对藻类颗粒物和非色素颗粒物的后向散射系数分别进行模拟,增加对藻类颗粒物后向散射特征的研究,为提高建模精度提供有益的尝试。由于HS-6后向散射测量仪的测量数据与本文试验数据的采样时间、水质状况、光照情况等大不相同,导致后向散射系数曲线在数值上存在一定差异。
Fig. 3 Backscattering coefficients of the total suspended particulates in Taihu Lake

图3 太湖总悬浮颗粒的后向散射特性

3.2 藻类颗粒后向散射特征

图4描述了藻类颗粒物后向散射系数与叶绿素a浓度、波长的关系。分析可知,藻类颗粒后向散射特征曲线,在560 nm、700 nm附近表现出散射峰值,而且,随着叶绿素a浓度的增加,峰值特性越发突出。尤其是在700 nm附近,当叶绿素a浓度大于100 μg/L时,后向散射系数陡增,其与叶绿素a浓度之间的相关系数达到0.95。将后向散射特征与吸收特征结合起来进行分析可知(图5),藻类的后向散射系数与其吸收系数之间存在反比关系,即存在吸收峰-散射谷、散射峰-吸收谷的严格对应关系。由此可见,吸收越强,后向散射越弱;而当吸收减弱时,后向散射的能量则相应增加。进一步针对藻类颗粒的后向散射特征波段进行分析,在蓝光440 nm附近后向散射系数谷值,此时吸收系数达到峰值;而在560 nm附近的绿光波段具有后向散射峰值特征,却对应吸收谷值。这一吸收、后向散射特性是蓝绿波段比值方法反演叶绿素a浓度的理论基础,该经验方法早已广泛地应用于大洋一类水体的叶绿素a浓度遥感反演,并取得了巨大的成功[35]。然而二类水体中悬浮泥沙、黄色物质在蓝光波段的强烈吸收完全淹没了藻类的吸收特征,导致蓝绿波段比值模型在二类水体中并不适用[36-37]。浮游藻类另一组重要的叶绿素a特征波段表现为：藻类颗粒在675 nm附近的吸收峰以及700 nm及以上的后向散射峰值的匹配。通常采用的 700 nm以上波长的叶绿素a荧光峰与675 nm处吸收峰的比值,进行叶绿素a反演,也得到了极为广泛的应用[38-39]。
Fig. 4 The relationship between the phytoplankton backscattering coefficients and the chlorophyll-a concentration

图4 藻类颗粒物后向散射系数与叶绿素a浓度的关系

Fig. 5 The comparison between the phytoplankton scattering coefficients and its absorption coefficients

图5 藻类颗粒物后向散射系数与吸收系数特征比较

3.3 光谱模拟分析

为了评价上述方法建模的光谱模拟精度,模拟了49个实测点的光谱曲线,分别提取高叶绿素浓度样点T19(CHL-a=146.1 μg/L,TSS=78.93 mg/L)与低叶绿素浓度样点T1(CHL-a =20.5 μg/L,TSS=18.68 mg/L)的模拟光谱,与实测光谱进行比较(图6)。可知,模拟的水体光谱反射率能够反映出样点理化组成的改变。其中,高叶绿素a浓度样点,表现出类似于植被的光谱特性,在700 nm附近出现陡坡;而低叶绿素a浓度样点,与普通水体光谱特征相近,在400~700 nm之间光谱值随波长变化相对平缓。模拟光谱与实测光谱曲线进行相关性分析,发现其相关系数均可达到0.9以上,说明模拟光谱的曲线形态与真实值基本吻合。计算所有样点模拟光谱与实测光谱之间的相对误差,其中,86%的样点相对误差小于20%,其余14%的样点相对误差也小于40%。大误差多集中于低叶绿素a浓度的样点处,而高叶绿素a浓度的样点拟合精度较高(图6)。
Fig. 6 Comparison on the simulated reflectance spectrum of the water samples with different CHL-a concentrations.

图6 不同叶绿素a浓度的模拟反射率光谱对比

3.4 反演结果对比分析

为了验证藻类颗粒后向散射分离方法是否能够改善高藻类密度水体的叶绿素a反演效果,本文分别采用藻类颗粒后向散射分离方法和经典指数模型方法模拟后向散射系数,并进行叶绿素a浓度反演(图7)。分析发现,利用经典指数模型方法模拟后向散射系数(图7(a)),其反演值与实测值之间的决定系数R2仅为0.43,相关系数0.66;而利用藻类颗粒后向散射分离的方法描述后向散射特征(图7(c)),反演值与实测值之间的决定系数R2达到0.97,相关系数0.98。从反演值与实测值之间的相对误差来看,利用经典指数模型方法模拟后向散射系数的平均相对误差为55%,且高叶绿素浓度样点的相对误差很大(图7(b));而利用藻类颗粒后向散射分离的方法模拟后向散射系数的平均相对误差为38%,降低了17%。较大的差多集中于低浓度样点,由于低浓度样点的叶绿素a浓度值很小,即使较小的绝对误差也导致了较大的相对误差(图7(d))。评价两种方法反演结果的RMSE发现,利用经典指数模型方法模拟后向散射系数的RMSE为60.95 μg/L,而利用藻类颗粒后向散射分离的方法模拟后向散射系数的RMSE仅为13.98 μg/L。结果表明,对具有高密度水华区域的富营养化水体而言,实现藻类颗粒后向散射系数的分离及模拟,可以有效地提高生物光学模型叶绿素a浓度的反演精度。
Fig. 7 The retrieved CHL-a concentration and its relative errors by different simulating methods of the backscattering coefficients

图7 不同后向散射系数模拟方法的叶绿素a反演结果与相对误差

3.5 模型真实性检验

为了验证模型的适用性,利用2003年10月27-28日的采样数据,进行了模型的真实性检验。结果显示,利用经典指数模型方法的反演值与实测值的决定系数R2为0.0041,相关系数0.06,平均相对误差86%,RMSE为75.86 μg/L;而利用藻类颗粒后向散射分离方法,其反演值与实测值之间的决定系数R2为0.91,相关系数0.95,平均相对误差44%,RMSE为51.45 μg/L(图8)。与经典指数模型方法相比,利用藻类颗粒后向散射分离方法反演叶绿素a精度有明显的改善。
Fig. 8 The retrieved CHL-a concentration and its relative errors by using the in-situ datasets obtained on October 27-28, 2003

图8 2003年10月27-28日叶绿素a反演结果与相对误差.

4 结论

富营养化水体,水华频发,水体生物光学特性差异显著,经典的指数模型模拟水体后向散射已不适用于高密度藻类水体,对高精度的叶绿素a反演带来极大的挑战。本文从定量描述内陆水体固有光学特性入手,探究了浮游藻类的后向散射特性,研究结论如下：
(1)对于富营养化水体而言,悬浮物后向散射系数特征随叶绿素浓度变化存在很大差异。低密度藻类的水体悬浮物后向散射符合米散射特征,适合采用传统的指数模型模拟;而高藻类颗粒密度水域中,总悬浮物后向散射系数以藻类颗粒为主导,传统的指数模型已经不适用。
(2)分析发现,藻类颗粒的吸收系数与后向散射系数之间存在反比关系。藻类的后向散射系数在560 nm、700 nm附近存在显著的散射峰,且与叶绿素a浓度相关显著。700 nm附近藻类的后向散射系数与叶绿素a浓度相关系数达到0.95。
(3)通过实现藻类后向散射系数的分离及模拟,使得利用生物光学模型反演富营养化水体叶绿素a浓度,反演值与真实值相关系数从0.66提高到0.98,相对误差从55%降低到38%, RMSE也由60.95 μg/L降低至13.98 μg/L。
实验说明,通过实现藻类后向散射系数的分离及模拟,能提高利用生物光学模型反演富营养化水体叶绿素a浓度的应用精度。有效地模拟藻类后向散射系数是建立高精度水色参数反演模型的保证。虽然本研究分离藻类后向散射系数后叶绿素浓度反演精度改善明显,但由于本文重点关注叶绿素a浓度反演精度,黄色物质采用440 nm均值(440 nm的吸收实测值在0.6-3.8之间,均值1.161122)为基础的黄色物质经典吸收模型,这必然会造成一定的模型误差。今后的研究中可考虑黄色物质吸收的多样性,进一步改善模型的反演精度。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
马荣华,唐军武,段洪涛,等.湖泊水色遥感研究进展[J].湖泊科学,2009,21(2):143-158.

[2]
杨硕,王世新,周艺,等.基于光谱匹配的内陆水体反演算法[J].光谱学与光谱分析,2010,30(11):3056-3060.

[3]
Hakvoort H, De Haan J, Jordans R, et al.Towards airborne remote sensing of water quality in The Netherlands—validation and error analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2002,57(3): 171-183.

[4]
Ma R, Tang J, Dai J, et al.Absorption and scattering properties of water body in Taihu Lake, China: Absorption[J]. International Journal of Remote Sensing, 2006,27(19):4277-4304.

[5]
姜玲玲,赵冬至,王林,等.水体后向散射特性研究进展[J].遥感技术与应用,2013,28(1):150-156.

[6]
Lee Z P, Carder K L, Arnone R A.Deriving inherent optical properties from water color: A multiband quasi-analytical algorithm for optically deep waters[J]. Applied optics, 2002,41(27):5755-5772.

[7]
李云梅,黄家柱,韦玉春,等.用分析模型方法反演水体叶绿素的浓度[J].遥感学报,2006,10(2):169-175.

[8]
Carder K L, Steward R G, Paul J H, et al.Relationships between chlorophyll and ocean color constituents as they affect remote-sensing reflectance models[J]. Limnology and Oceanography, 1986,31(2):403-413.

[9]
Carder K L, Hawes S K, Baker K A, et al.Reflectance model for quantifying chlorophyll a in the presence of productivity degradation products[J]. Journal of Geophysical Research: Oceans (1978-2012), 1991,96(C11):20599-20611.

[10]
Morel A, Ahn Y H.Optical efficiency factors of free-living marine bacteria: Influence of bacterioplankton upon the optical properties and particulate organic carbon in oceanic waters[J]. Journal of Marine Research, 1990,48(1):145-175.

[11]
Sathyendranath S, Prieur L, Morel A.A three-component model of ocean colour and its application to remote sensing of phytoplankton pigments in coastal waters[J]. International Journal of Remote Sensing, 1989,10(8):1373-1394.

[12]
Pierson D C, Strömbeck N.A modelling approach to evaluate preliminary remote sensing algorithms: Use of water quality data from Swedish Great Lakes[J]. Geophysica, 2000,36(1-2):177-202.

[13]
Bricaud A, Morel A.Light attenuation and scattering by phytoplanktonic cells: A theoretical modeling[J]. Applied Optics, 1986,25(4):571-580.

[14]
周雯,曹文熙,李彩,等.由吸收系数和粒度分布计算浮游植物的散射光谱特征[J].光学学报,2009,28(8):1429-1433.

[15]
Kutser T.Estimation of water quality in turbid inland and coastal waters by passive optical remote sensing[D]. Estonia: Dissertationes Geophysicales Universitas Tartuensis, 1997.

[16]
李俊生. 高光谱遥感反演内陆水质参数分析方法研究—以太湖为例[D].北京:中国科学院遥感应用研究所,2007.

[17]
孔繁翔,马荣华,高俊峰.太湖蓝藻水华的预防、预测和预警的理论与实践[J].湖泊科学,2009,21(3):314-328.

[18]
唐军武,田国良,汪小勇,等.水体光谱测量与分析I: 水面以上法[J].遥感学报,2004,8(1):37-44.

[19]
Mueller J L, Fargion G S, McClain C R, et al. Ocean Optics Protocols For Satellite Ocean Color Sensor Validation, Revision 5, Volume VI: Special Topics in Ocean Optics Protocols, Part 2[R]. NASA Report 211621, 2003,1-36.

[20]
Dekker A G, Peters S W M. The use of the Thematic Mapper for the analysis of eutrophic lakes: A case study in the Netherlands[J]. International Journal of Remote Sensing, 1993,14(5):799-821.

[21]
Gordon H R, Brown O B, Evans R H, et al.A semianalytic radiance model of ocean color[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 1988,93(D9):10909-10924.

[22]
Morel A, Gentili B.Diffuse reflectance of oceanic waters: its dependence on Sun angle as influenced by the molecular scattering contribution[J]. Applied optics, 1991,30(30):4427-4438.

[23]
Morel A, Gentili B.Diffuse reflectance of oceanic waters. II Bidirectional aspects[J]. Applied Optics, 1993,32(33):6864-6879.

[24]
扶卿华. 太湖水体光谱响应机理与水质参数反演研究[D].北京:中国科学院遥感应用研究所,2008.

[25]
Pope R M, Fry E S.Absorption spectrum (380-700 nm) of pure water. II. Integrating cavity measurements[J]. Applied optics, 1997,36(33):8710-8723.

[26]
Smith R C, Baker K S.Optical properties of the clearest natural waters (200~800 nm)[J]. Applied optics, 1981,20(2):177-184.

[27]
朱建华,李铜基.黄东海非色素颗粒与黄色物质的吸收系数光谱模型研究[J].海洋技术,2004,23(2):7-13.

[28]
Roesler C S, Perry M J, Carder K L.Modeling in situ phytoplankton absorption from total absorption spectra in productive inland marine waters[J]. Limnol.Oceanogr, 1989,34(8):1510-1523.

[29]
郝景燕,马荣华,段洪涛,等. 太湖水体吸收分解(Ⅰ):悬浮颗粒与浮游植物色素的分离[J]. 湖泊科学,2010(3):337-348.

[30]
Forget P, Ouillon S, Lahet F, et al.Inversion of reflectance spectra of nonchlorophyllous turbid coastal waters[J]. Remote Sensing of Environment, 1999,68(3):264-272.

[31]
俞宏,蔡启铭,吴敬禄.太湖水体吸收系数与散射系数的特征研究[J].水科学进展,2003,14(1):46-49.

[32]
Hoogenboom H J, Dekker A G, Althuis I J A. Simulation of AVIRIS sensitivity for detecting chlorophyll over coastal and inland waters[J]. Remote Sensing of Environment, 1998,65(3):333-340.

[33]
孙德勇,李云梅,王桥,等.太湖水体中悬浮颗粒物的比吸收光谱特性及其参数化分析[J].环境科学学报,2009,29(9):1820-1829.

[34]
李俊生,张兵,张霞,等.一种计算水体中悬浮物后向散射系数的方法[J].遥感学报,2008,12(2):193-198.

[35]
Kahru M, Mitchell B G.Empirical chlorophyll algorithm and preliminary SeaWiFS validation for the California Current[J]. International Journal of Remote Sensing, 1999,20(17):3423-3429.

[36]
Darecki M, Stramski D.An evaluation of MODIS and SeaWiFS bio-optical algorithms in the Baltic Sea[J]. Remote Sensing of Environment, 2004,89(3):326-350.

[37]
Darecki M, Weeks A, Sagan S, et al.Optical characteristics of two contrasting Case 2 waters and their influence on remote sensing algorithms[J]. Continental Shelf Research, 2003,23(3):237-250.

[38]
姜广甲,周琳,马荣华,等.浑浊Ⅱ类水体叶绿素a浓度遥感反演(Ⅱ):MERIS 遥感数据的应用[J].红外与毫米波学报,2013,32(4):372-378.

[39]
黄昌春,李云梅,徐良将,等.内陆水体叶绿素反演模型普适性及其影响因素研究[J].环境科学,2013,34(2):525-531.

Options
文章导航

/

〈 〉