基于生物光学模型的水体多源遥感图像融合算法研究

针对内陆湖泊水环境遥感监测缺乏合适数据源这一问题,基于水体生物光学模型与传统图像融合算法,开发了一种适用于复杂内陆二类水体的生物光学融合(BOF)算法,用于融合多光谱数据和高光谱数据。利用Hyperion数据生成模拟数据集进行算法验证,并将实验结果与小波变换算法、Gram-Schmidt变换算法和色彩标准化算法分别进行对比,结果表明:从视觉效果来看,BOF算法较好地融合了高光谱数据的色彩信息和多光谱数据的空间细节信息;从图像精度指标来看,BOF算法不仅在多种分辨率差异下都得到最好的精度,且精度对分辨率差异不敏感;在叶绿素a浓度估算实验中,BOF算法也得到了最优的效果,均方根误差(RMSE)为9.817,其他三种算法的RMSE分别为18.841、15.913和15.655。新算法有较强的应用潜力,有望为内陆二类水体遥感监测提供更合适的数据源。

一种新的水体叶绿素a指数及其应用潜力分析

以具有代表性的野外实测光谱数据作为端元,对水体遥感反射率进行线性混合光谱分解,基于分解得到的各组分丰度,构建了一种新的水体叶绿素a指数CSI(叶绿素a光谱指数)。以太湖、巢湖、滇池以及三峡水库水体的307组实测叶绿素a浓度及高光谱数据为基础,分析了CSI的特性。以该指数为自变量,构建了内陆浑浊二类水体叶绿素a浓度估算模型,并分析了模型的抗噪性和传感器适应性。结果表明:1)CSI对水体叶绿素a浓度大小有较好的指示作用,以fCSI=0为条件将实测光谱分为2个类别,可以表征光谱特征的明显差异;2)CSI作为自变量的叶绿素a浓度估算模型在实测高光谱数据集中的精度与三波段算法(TBA)相近(二者估算结果的平均相对误差分别为0.332和0.330,均方根误差分别为9.892和9.929);3)以CSI为自变量得到的估算模型对无偏移噪声和有偏移噪声都有较好的抗性,其中无偏移噪声几乎不影响算法的精度,而三波段算法对两种噪声同样敏感,随着噪声增加,估算结果出现较大误差;4)新的估算算法对传感器波段设置不敏感,其优势在宽波段多光谱数据集中更加明显。相比于传统水体叶绿素半经验算法,CSI算法具有更高的稳定性和更强的应用潜力。

一种基于GOCI数据的叶绿素a浓度三波段估算模型

以标准三波段算法为基础,构建了适用于GOCI影像数据的叶绿素a浓度三波段估算模型.并以三峡水库、巢湖、洞庭湖和太湖水体的289组实测叶绿素a浓度以及光谱数据作为基础,模拟了GOCI影像和MERIS影像波段,率定了模型参数,并与MERIS三波段算法和目前常用的GOCI波段比值算法进行了对比分析,最终用GOCI影像数据进行了独立数据验证.结果表明:1对目前的数据集,680 nm处和660 nm处的色素颗粒物吸收系数具有相对固定的比例关系,比值为1.351;2 GOCI三波段模型在模型率定中,得到与MERIS三波段模型近似的效果,线性拟合的决定系数为0.809,略低于MERIS三波段模型的0.820,但明显优于GOCI比值模型(0.450),有效避免了GOCI波段比值模型中在叶绿素a浓度低值区出现的"扩散"现象,体现出较好的普适性;3通过验证数据集中平均相对误差和均方根误差两个误差指标的对比,发现GOCI三波段模型误差表现与建模数据一致,与MERIS数据接近,明显优于GOCI波段比值模型;4通过GOCI影像的同步验证,发现GOCI波段比值算法会对太湖叶绿素a浓度产生明显的低估,且难以体现叶绿素a浓度空间变异.GOCI三波段算法效果相对较好.相比于目前常用的波段比值算法,GOCI三波段算法具有更高的稳定性和精度,有较强的应用潜力.

基于GOCI影像的太湖水体漫衰减系数遥感反演

漫衰减系数是水体光学中的一个重要参数.采用2006~2009年的太湖野外实测数据,分析了太湖水体漫衰减系数光谱特性及其影响因子,在此基础上,结合GOCI传感器数据,分别构建漫衰减系数经验模型和半分析模型,寻找适合GOCI影像的太湖漫衰减系数反演模型,并分析太湖水体漫衰减系数的时空变化特征.结果表明:1太湖水体漫衰减系数主要受非色素颗粒物吸收主导,以GOCI第4、5、7波段构建的多元线性模型反演漫衰减系数,效果最好;2太湖水体漫衰减系数值域主要分布在0~15 m-1,大体可以分为3个等级,低值区:0~4 m-1,中值区:4~8 m-1,高值区:8~15 m-1,部分高值区高于15 m-1;3太湖水体漫衰减系数存在一定时空差异性,从空间上来说,太湖水体漫衰减系数呈现一定的梯度性,从东部到西部逐渐变高;从时间上来说,早上太湖漫衰减系数相对较高,从上午到下午,大体上呈现逐渐降低的趋势.