论文部分内容阅读
高光谱遥感具有监测范围广、速度快、成本低及便于长期动态监测的优势,已经广泛用于大范围水质监测中。然而以往对于藻类高光谱的研究多集中在室外的湖泊、水库、河流等天然水体,结合水体的光谱特征与采样点叶绿素a浓度之间的关系建立各种经验模型和半经验模型来反演水体叶绿素a浓度。但这种方法反映的是水体中藻类物质的总体效应,并且容易受到水体中黄色物质、悬浮颗粒物等的影响,无法区分出水体中特定藻类的浓度和光谱特征。并且对藻类浓度反演模型的研究多数停留在对不同波段光谱反射率、反射率导数的组合、算术运算中。在高光谱地质遥感中发展出了从光谱吸收特征参数(包括吸收波段波长位置、深度、宽度、斜率、对称度和光谱绝对反射值等)提取各种地质矿物的定性、定量信息的方法,但在水质遥感中尚未得到应用。
本研究选择绿藻中具有代表性的小球藻(Chlorella vulgaris)和蓝藻中具有代表性的聚球藻(Synechococcus sp)作为研究对象,利用便携式地物光谱仪测定了不同藻类浓度下两种单一藻类及其混合藻的反射光谱,并同步采集水样,测定叶绿素a含量。
对3组藻类的反射光谱特征,用神经网络模型中的径向基函数(radial basis function,RBF)对高光谱图形进行了非线性拟合,使光谱数据信息得到最大程度的利用。通过对比拟合前后各波段反射率与叶绿素a浓度的相关性、单一藻类叶绿素a浓度反演结果和混合藻的叶绿素a浓度分离结果表明,相比反射率的原始测量值,经过径向基函数拟合后的反射光谱数据能更好的表征藻类的光谱特征,可以应用到叶绿素a浓度的反演模型中。
分别利用传统的单波段反射率模型、三波段模型、两波段模型,并利用光谱吸收特征参数建立的吸收峰深度模型、吸收峰斜率模型、吸收峰对称度模型、光谱吸收指数模型建立了单一的小球藻和聚球藻叶绿素a定量模型。从拟合方程的可决系数(R2)来看,传统方法中小球藻的最优拟合模型是用实际反射率建立的单波段反射率模型(R2=0.976)。聚球藻的最优拟合模型是用实际反射率建立的两波段模型(R2=0.9303)。利用光谱吸收指数建立的模型中,小球藻利用吸收峰深度拟合的模型拟合度最好(R2=0.9905),聚球藻利用吸收峰斜率拟合的模型拟合度最好(R2=0.9896)。利用反射率拟合值建立的三波段模型和两波段模型能达到更好的拟合效果。地质遥感中使用的光谱吸收特征参数能较好应用于叶绿素a定量模型中。
在对小球藻和聚球藻高光谱特征与叶绿素a浓度研究基础上,利用传统方法和光谱吸收特征参数对混合藻中两种单一藻类的叶绿素a浓度进行了分离反演。对比两类分离模型,利用神经网络模型拟合值建立的三波段分离模型和两波段分离模型的计算结果的均方根误差(Root Mean Square Error,RMSE)都远小于直接利用测量值建立的分离模型计算的结果。光谱吸收特征参数模型能达到更好的分离效果,除吸收峰对称度模型分离结果的RMSE较大外,另外3个模型分离结果的RMSE都比较小。
本研究的结果表明,利用神经网络模型径向基函数拟合后的高光谱反射率数据可以很好的对藻类叶绿素a浓度进行反演和分离。同时,在藻类叶绿素a的反演模型和分离模型中引入地质遥感中使用的光谱吸收特征参数,可为水质定量遥感提供新的方法和参考。