吳傳慶，殷守敬，朱 利，馬萬棟，吳 迪

(環(huán)境保護部衛(wèi)星環(huán)境應用中心，北京 100094)

0 引言

水華遙感監(jiān)測的應用研究是伴隨著我國內陸水體的富營養(yǎng)化和水華的大量爆發(fā)而逐漸開展起來的。對于突發(fā)多變的水華，常規(guī)地面監(jiān)測方法的作用有限。遙感技術具有快速、大尺度和動態(tài)監(jiān)測等特點，是監(jiān)測水華的有效手段。目前，我國的環(huán)境保護部門和氣象部門等均已開始利用MODIS和環(huán)境衛(wèi)星CCD數(shù)據(jù)對太湖和巢湖等大型湖泊進行業(yè)務化水華監(jiān)測，取得了較好的效果。

已有的水華提取方法較多，大體分為目視識別方法、植被指數(shù)方法和浮游藻類指數(shù)(floating algae index，F(xiàn)AI)方法等3類。目視識別方法主要根據(jù)水華的植被光譜特征、選擇合適的波段組合進行勾取，該方法的人為影響較大;植被指數(shù)方法是利用藍藻水華在近紅外波段的光譜陡坡效應(這是藍藻水華與水體的明顯差異)實現(xiàn)對藍藻水華分布信息的表達，該類方法包括歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)法、增強型植被指數(shù)(enhanced vegetation index，EVI)法［1］、線性化NDVI指數(shù)法［2］和線性大氣抗阻指數(shù)(linear atmospheric resistance index，LARI)法［3－5］等，其中后 3 種指數(shù)法是對NDVI法的改進，以減小大氣或懸浮物對水華提取的影響;FAI方法［6］不依賴于因氣溶膠導致的大氣瑞利散射校正，可以用于非晴朗天氣和太陽耀斑區(qū)域的水華識別，但該指數(shù)的建立必須要有1個紅波段、1個近紅外波段和1個短波紅外波段的數(shù)據(jù)，適用于國外的Landsat5 TM和MODIS數(shù)據(jù)，卻不適用于我國的環(huán)境一號(HJ－1)A/B星和中巴資源衛(wèi)星系列的CCD數(shù)據(jù)，因為后兩者均無短波紅外波段設置。

鑒于業(yè)務化水華遙感監(jiān)測要求傳感器具有較高的重返頻率，因此本研究以MODIS數(shù)據(jù)為信息源。但MODIS數(shù)據(jù)的空間分布率較低，因此，如何解決亞像元級別的水華面積提取，直接影響到水華面積監(jiān)測的精度。本文基于混合像元分解原理，通過混合像元分解得到水華組分在混合像元中的豐度(百分比)，以實現(xiàn)亞像元級的水華面積提取，從而提高水華提取精度。

1 混合像元的分解原理

混合像元的存在是很多傳統(tǒng)像元級遙感模型精度不高的主要原因。由像元級到亞像元級，進入像元內部，將混合像元分解為不同的“基本組分單元”或稱“端元”(endmember)，并求得這些基本組分所占的比例，這就是“混合像元分解”。多年來，國內外學者們探索遙感光譜的成像機理，模擬光譜的混合過程，研究和發(fā)展了多種混合光譜分解方法，提出了不同的光譜混合模型。Ichoku等［7］將光譜混合模型歸結為5種類型:線性模型、概率模型、幾何光學模型、隨機幾何模型和模糊分析模型，其中最受歡迎且使用最多的是線性模型［8］。后來，有些學者又提出神經網絡法(artificial neural network，ANN)［9］和支持向量機法(support vector machines，SVM)［10］等。本文采用的光譜混合模型是線性光譜混合模型(linear spectral mixture model，LSMM)。

LSMM是建立在像元內相同地物光譜特征相似且線性可加性基礎上的，其優(yōu)點是構模簡單、物理含義明確、理論上有較好的科學性，對于解決像元內的混合現(xiàn)象有一定的效果。LSMM是混合像元分解的常用方法［11－13］，其定義為:在經過輻射定標和大氣校正的圖像中，像元在某波段的反射率(亮度值)是由構成像元的端元反射率(亮度值)以其所占像元面積比例為權重系數(shù)的線性組合，即

式中:Riλ為第λ波段的第i個像元的光譜反射率(已知);fki為對應于第i個像元的第k個端元(k=1，2，…，n)所占的面積比值(待求);Ckλ為第k個基本組分在第λ波段的光譜反射率;εiλ為殘余誤差值(即光譜的非模型化部分);n為基本組分的數(shù)目，模式使用時的可用波段數(shù)要大于n，以便利用最小二乘法求解。

評價光譜混合模型的精度用殘差εiλ或均方根(root－mean－square，RMS)誤差表示，即

LSMM從混合像元中分離Riλ并提取出各端元的平均光譜反射率Ckλ，通過求解線性方程來反解該端元在像元中所占的面積比例fki，從而將所有像元分解成這些基本組分的分量。LSMM計算的結果表現(xiàn)為各端元的分量值圖像和以RMS誤差表示的殘余誤差圖像。通常以RMS誤差和殘余誤差εiλ盡可能小以及像元分解后的分量f應滿足0≤f≤1的標準，來衡量和評價端元選擇的好壞。

2 數(shù)據(jù)來源與處理方法

2．1 遙感數(shù)據(jù)

本文使用的遙感數(shù)據(jù)為2010年8月3日獲取的覆蓋太湖的 MODIS數(shù)據(jù)和 HJ－1 CCD數(shù)據(jù)。MODIS數(shù)據(jù)的空間分辨率為250m，采集時刻為北京時13:12，數(shù)據(jù)編號為 AQUA_2010_08_03_05_12_GZ．MOD02QKM．HDF;HJ－1 CCD數(shù)據(jù)的空間分辨率為30 m，采集時刻為10:34，數(shù)據(jù)編號為 HJ1ACCD2－448－80－20100803－L20000368814。2景圖像均經過輻射定標、大氣校正和幾何糾正，保證2幅圖像之間位置誤差不超過30 m。30 m分辨率的HJ－1 CCD數(shù)據(jù)相對MODIS數(shù)據(jù)而言，能減少大量的混合像元現(xiàn)象，多年的遙感監(jiān)測實踐證明，其能夠用于更準確地提取水華面積和細節(jié)信息。本文以同時相的HJ－1 CCD水華面積提取結果作為標準，對低空間分辨率MODIS數(shù)據(jù)亞像元級水華面積提取方法效果進行檢驗。因此，以HJ－1 CCD為基準對MODIS數(shù)據(jù)進行交叉輻射校正，盡量使2景圖像在反射率上一致(圖1)，以減少2種傳感器輻射差異帶來的水華信息提取誤差。

圖1 太湖遙感圖像(20100803)Fig．1 Remote sensing images of Taihu Lake(20100803)

2．2 純像元選取

正確選取水體和水華純凈像元是成功實現(xiàn)線性分解方法的關鍵。太湖湖底地形十分平坦，平均水深1．89 m，水容量不大，利于湖水混合，使全湖水文特性、化學成份經常處于較均一狀態(tài)［14］。在通常情況下，決定太湖水體光譜反射率的物質主要有3類:①浮游植物，主要是藻類;②由浮游植物死亡而產生的有機碎屑，以及陸生或湖體底泥經再懸浮而產生的無機懸浮顆粒，總稱為非色素懸浮物(以下簡稱“懸浮物”);③由黃腐酸和腐殖酸組成的溶解性有機物，通常被稱為黃色物質［15］。太湖正常水體的光譜反射率一般低于3%;而發(fā)生水華時，水華區(qū)的光譜反射率往往能超過10%(圖2)。

因此，在通常情況下，上述3類物質對水體光譜的影響可以忽略。于是，整個湖區(qū)的像元可以簡化為3類，即水體純像元、水華純像元、水體與藍藻水華的混合像元(圖3)。

圖2 藍藻水華和正常水體反射率光譜曲線Fig．2 Reflectivity spectrum curves of algae bloom and normal water body

圖3 太湖水域的3種像元Fig．3 Three kinds of pixels in Taihu Lake

2類純像元選取的具體方法為:①目視判斷選取出水華區(qū)，并在水華區(qū)中選取NDVI值最高的像元為水華純像元;②在湖區(qū)選取全波段DN值或者反射率值總和最低的像元為水體純像元(具體操作時可選10個極小值像元求其平均)。

2．3 像元分解與水華面積計算

首先，基于幾何糾正和交叉輻射定標后的MODIS數(shù)據(jù)提取水體和水華純像元;然后，利用這2種純像元值對圖像中的太湖水面區(qū)域進行線性分解，圖4(a)(b)分別為水華和水體的端元混合模型(LSMM)分量圖，分別表示水華和水體在太湖的分布情況;最后，用每個像元的水華分量乘以像元的面積，得到水華面積。

圖4 太湖地區(qū)MODIS圖像LSMM分量圖Fig．4 LSMM components of MODIS image in Taihu Lake area

實際上，水華分量值比較低的像元存在著2種情況:①少量水華和水體的混合像元;②含藻類的水體像元。忽略第一種情況，對水體提取的精度影響不大;第二種情況則不是水華。因此，操作時可選取一定的閾值進行控制。本文通過水華分量圖像與原始圖像逐像元對比，選取0．12為閾值(即小于0．12的像元不納入統(tǒng)計)。水華分量值大于0．12的水域(圖5)基本覆蓋了圖1(c)中的水華范圍。

3 結果與分析

本文利用相同的NDVI閾值法對同一天獲取的MODIS數(shù)據(jù)和HJ－1 CCD數(shù)據(jù)進行了水華面積提取，并與混合像元分解法的提取結果進行比較，其結果如表1所示。

表1 不同方法水華面積提取結果比較Tab．1 Comparison among results of algae bloom area extraction with different methods

從表1可以看出:基于混合像元分解的亞像元級水華提取方法比常規(guī)NDVI閾值法的精度提高了近30%;使用相同的NDVI閾值法，由于MODIS空間分辨率低，部分混合像元中的水華面積沒有計算在內，因此提取的結果比HJ－1CCD數(shù)據(jù)的偏小。

4 結論

1)通過對不同方法水華面積提取結果的比較證明，本文提出的基于混合像元分解的亞像元級水華提取方法可以提高基于低空間分辨率遙感數(shù)據(jù)(如MODIS和NOAA等)的水華面積提取精度。

2)實際應用中，本文方法可直接基于遙感圖像的DN值進行水華面積提取，無需對遙感數(shù)據(jù)進行輻射校正和大氣校正(文中進行的輻射校正和大氣校正僅用于結果對比)。

3)本文方法的不足之處是無法得到水華的具體分布情況。

4)進行水華面積提取的具體操作時需要注意水華分量閾值的選取，因為不同閾值對水華面積提取結果的影響很大。建議通過對比水華分量圖像與真彩色圖像，分析不同水域對應的水華分量值，進行閾值的合理選取。

［1］ Huete A R，Justice C．MODIS Vegetation Index(MOD13)Algorithm Theoretical Basis Document Ver3［M］．Tucson:University of Arizona，1999．

［2］ Jiang Z Y，Huete A R，Chen J，et al．Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction［J］．Remote Sensing of Environment，2006，101(3):366－378．

［3］ Gitelson A A，Kaufman Y J，Merzlyak M N，et al．Use of a green channel in remote sensing of global vegetation form EOS－MODIS［J］．Remote Sensing of Environment，1996，58(3):289－298．

［4］ Kaufman Y J，Tanre D．Atmospherically resistance vegetation index(ARVI)for EOS－MODIS［J］．IEEE Transactions on Geoscience and Remote Sensing，1992，30(2):261－270．

［5］ 吳 迪．內陸水體藻類及富營養(yǎng)化遙感監(jiān)測與評價研究［D］．北京:中國科學院對地觀測與數(shù)字地球中心，2011:23－34．Wu D．Remote Sensing Monitoring and Evaluation Research of Inland Water Body Algae and Eutrophication［D］．Beijing:Earth Observation and Digital Earth Center，Chinese Academy of Sciences，2011:23－34．

［6］ Hu C M．A novel ocean color index to detect floating algae in the global oceans［J］．Remote Sensing of Environment，2009，113(10):2118－2129．

［7］ Ichoku C，Karnieli A．A review of mixture modeling techniques for sub－pixel land cover estimation［J］．Remote Sensing Reviews，1996，13(3/4):161－186．

［8］ 陶秋香，趙長勝，張連蓬．植被高光譜遙感分類中一種新的非線性混合光譜模型及其解算方法［J］．礦山測量，2004(1):28－31．Tao Q X，Zhao C S，Zhang L P．A new nonlinear mixing spectral model and its solution method in vegetation hyper spectral remote sensing classification［J］．Mine Surveying，2004(1):28－31．

［9］ Foody G M．Hard and soft classification by a neural network with lion cover estimation［J］．International Journal of Remote Sensing，2000，23:3853－3864．

［10］ Brown M，Gunn SR，Lewis H G．Support vector machines for optimal classification and spectral unmixing［J］．Ecological Modeling，1999，120(2/3):167－179．

［11］ 趙英時．遙感應用分析原理與方法［M］．北京:科學出版社，2003:328－334．Zhao Y S．The Principle and Method of Analysis of Remote Sensing Application［M］．Beijing:Science Press，2003:328－334．

［12］ 吳傳慶，王 橋，楊志峰．基于混合像元分解的水體遙感圖像去云法［J］．遙感學報，2006，10(2):177－183．Wu CQ，Wang Q，Yang Z F．Cloud－moving of water RS image based onmixed pixel model［J］．Journal of Remote Sensing，2006，10(2):177－183．

［13］ 饒 萍．EOS－MODIS像元組分分解及其應用［D］．長春:吉林大學，2006:21－34．Rao P．EOS－MODISPixel Component Decomposition and Its Application［D］．Changchun:Jilin University，2006:21－34．

［14］ 黃漪平．太湖水環(huán)境及其污染控制［M］．北京:科學出版社，2001:1－15．Huang Y P．Taihu Water Environment and Pollution Control［M］．Beijing:Science Press，2001:1－15．

［15］ 吳傳慶．湖泊富營養(yǎng)化高光譜遙感監(jiān)測機理——光譜實驗研究［D］．北京:北京師范大學，2008:10－100．Wu C Q．Lacustrine Eutrophic Hyperspectral Remote Sensing Monitoring Spectral Experiment Research［D］．Beijing:Beijing Normal University，2008:10－100．