趙海陽，沈芳*，孫雪融，魏小島

( 1. 華東師范大學(xué) 河口海岸學(xué)國家重點(diǎn)實(shí)驗(yàn)室，上海 200241；2. 華東師范大學(xué) 崇明生態(tài)研究院，上海 202162)

1 引言

浮游植物在生物地球化學(xué)循環(huán)中扮演著十分重要的角色。研究表明，盡管浮游植物的生物量只有陸地植物生物量的1%，但貢獻(xiàn)了全球大約50%的初級生產(chǎn)力[1-2]。由于形態(tài)和生理特征的差異，不同浮游植物在生物地球化學(xué)過程和海洋生態(tài)系統(tǒng)中的作用有所差別[3]。如硅藻貢獻(xiàn)了海洋初級生產(chǎn)力的40%，同時也是全球硅循環(huán)的重要驅(qū)動因素[4]；甲藻在生長代謝過程中產(chǎn)生的二甲基硫，能夠形成硫酸鹽氣溶膠，進(jìn)而維持全球輻射平衡[5]。

因此，為了更加全面地認(rèn)識浮游植物在全球生態(tài)系統(tǒng)中所起的作用，需要對浮游植物的生物量、空間分布、類群和種群組成等信息進(jìn)行有效觀測。其中，遙感技術(shù)的發(fā)展，有效彌補(bǔ)了傳統(tǒng)調(diào)查方式較難進(jìn)行大范圍、連續(xù)觀測的不足，同時使得對地觀測變得更加經(jīng)濟(jì)高效。葉綠素a（Chlorophylla，Chla）濃度常被用來指示浮游植物生物量[6]，其衛(wèi)星反演一直以來是水色遙感領(lǐng)域的重要研究內(nèi)容[7]。但近年來隨著人們對海洋生態(tài)系統(tǒng)、生物地球化學(xué)循環(huán)、氣候變化等研究的逐步深入，大量研究顯示，Chla濃度已無法滿足人們對浮游植物類群進(jìn)行深入了解的迫切需求[8-10]，使得發(fā)展浮游植物類群遙感反演方法變得十分必要。

目前，浮游植物類群遙感反演方法主要分為3種：基于浮游植物豐度法、基于生態(tài)環(huán)境因子法、基于光學(xué)輻射法[9,11]。不同浮游植物因大小、形狀、外部和內(nèi)部結(jié)構(gòu)以及色素成分上的差異會改變光學(xué)輻射信號，同時衛(wèi)星影像經(jīng)過大氣校正，首先得到水體的遙感反射率（Remote Sensing Reflectance，Rrs）。因此，利用遙感反射率反演浮游植物類群是最為直接的方法[11]。然而，對于水體光學(xué)性質(zhì)復(fù)雜的中國東部海域，使用遙感反射率反演浮游植物類群的研究仍相對較少[12-13]。

已有研究表明，基于波段組合的Chla濃度反演模型簡單高效，被廣泛使用[14-15]。因此，可以通過尋找與浮游植物類群Chla濃度相關(guān)性最高的波段組合，建立反演模型。此外，基于遙感反射率數(shù)據(jù)以及其他表觀光學(xué)變量的奇異值分解法，在大洋一類水體估算浮游植物類群Chla濃度時取得了較好的結(jié)果[16-17]。上述的研究方法主要是基于相對簡單的線性回歸模型，而機(jī)器學(xué)習(xí)算法，特別是極端梯度提升算法（eXtreme Gradient Boosting，XGBoost），因其高效的可擴(kuò)展性和靈活性以及快速準(zhǔn)確的特點(diǎn)，近年來在水色遙感領(lǐng)域中得到了不斷的發(fā)展和應(yīng)用[18-19]。基于大量實(shí)測數(shù)據(jù)，本研究使用了3種建模方法究構(gòu)建浮游植物類群反演模型，即基于波段組合法、基于奇異值分解的多元線性回歸法、基于奇異值分解的XGBoost回歸法，并對比驗(yàn)證了不同模型的估算精度。

Sentinel-3/OLCI（Ocean and Land Colour Instrument）傳感器作為新一代的水色傳感器，其在波段設(shè)置方面繼 承 了Envisat/MERIS（Medium Resolution Imaging Spectrometer）傳感器的參數(shù)，并針對水色遙感探測進(jìn)行了優(yōu)化[20]。為了獲得較高精度的遙感反射率產(chǎn)品，本研究利用實(shí)測的遙感反射率數(shù)據(jù)對OLCI 3種大氣校正算法（C2RCC（Case 2 Regional Coast Color）、POLYMER（POLYnomial-based algorithm applied to MERIS）、MUMM（Management Unit of Mathematical Models））進(jìn)行了評估。

綜上，本研究以中國東部海域?yàn)檠芯繀^(qū)，構(gòu)建并對比了3種浮游植物類群遙感反演模型，驗(yàn)證了針對OLCI傳感器的3種大氣校正算法，并評估了大氣校正對浮游植物類群反演模型的影響。將精度較高的硅藻Chla濃度反演模型（基于奇異值分解的多元線性回歸法）應(yīng)用至使用C2RCC大氣校正算法計(jì)算得到的OLCI遙感反射率數(shù)據(jù)，估算中國東部海域硅藻Chla濃度。

2 數(shù)據(jù)與方法

2.1 研究區(qū)概況

本研究的實(shí)測原位數(shù)據(jù)來自于中國東部海域（圖1）。中國東部海域包括渤海、黃海和東海，總面積約為1×106km2[21]。中國東部海域也是我國重要的碳匯，年固碳量達(dá)222×106t[22]。受到黑潮、臺灣暖流、浙閩沿岸流等多種流系[23]以及河流輸入泥沙和營養(yǎng)鹽的影響，該區(qū)域的浮游植物類群存在較大的時空變化[24]。

圖1 研究區(qū)位置以及采樣站位Fig. 1 Location of the study area and sampling stations

2.2 實(shí)測遙感反射率數(shù)據(jù)

本研究共采集獲取了2015-2020年8個航次的228條遙感反射率數(shù)據(jù)（圖1）。該數(shù)據(jù)由Sea-Bird Scientific公司的海面高光譜測量儀（HyperSAS）測定，波段范圍為349 ～ 856 nm，分辨率為1 nm。數(shù)據(jù)測定和處理參考文獻(xiàn)[25]。根據(jù)OLCI的波譜響應(yīng)函數(shù)，利用式（1）將實(shí)測的遙感反射率卷積計(jì)算為OLCI等效波長測得的遙感反射率[26]。卷積完成后得到16個等效波段，即400 nm、412.5 nm、442.5 nm、490 nm、510 nm、560 nm、620 nm、665 nm、673.75 nm、681.25 nm、708.75 nm、753.75 nm、761.25 nm、764.375 nm、767.5 nm、778.75 nm。由于受到水汽吸收作用的影響，761.25 nm、764.375 nm、767.5 nm波段不參與大氣校正，因此，之后的研究只使用了經(jīng)過大氣校正的13個波段。

式中，Rrs為 傳感器測量的等效遙感反射率； λ1、 λ2為波段范圍內(nèi)的下限和上限；S(λi) 為波長 λi處傳感器的光譜響應(yīng)函數(shù)；Rrs(λi)為 λi處實(shí)測的遙感反射率。

2.3 實(shí)測浮游植物色素濃度數(shù)據(jù)

不同的浮游植物含有特定的特征色素，在原位測量中，常通過測定特征色素來確定浮游植物類群[27]。本研究采用來自2015-2020年9個航次共511個站位（圖1）的海水表層特征色素濃度數(shù)據(jù)（航次及采樣信息詳見文獻(xiàn)[28-29]）。在野外采集特征色素時，將水樣過濾富集到孔徑為0.7 μm，直徑為25 mm的Whatman GF/F玻璃纖維濾膜上，然后放入-40℃的冰箱中冷凍避光保存。返回實(shí)驗(yàn)室后通過高效液相色譜（High Performance Liquid Chromatography, HPLC）測定色素濃度。

CHEMTAX是根據(jù)浮游植物特征色素濃度估算不同浮游植物類群Chla濃度的程序[30]。程序通過最速下降法不斷迭代，調(diào)整特征色素比率矩陣，定量確定浮游植物類群組成。本研究參考Sun等[31]在中國東部海域給出的初始特征色素比率矩陣，使用實(shí)測的多甲藻黃素、19’-丁酰氧基-巖藻黃素、巖藻黃素、19’-己酰氧基-巖藻黃素、新黃素、青綠藻黃素、紫黃素、別藻黃素、葉黃素(Lutein)、玉米黃素度、葉綠素b、葉綠素a的濃度，計(jì)算得到青綠藻（Prasinophytes）、甲藻（Dinoflagellates）、隱藻（Cryptophytes）、綠藻（Chlorophytes）、藍(lán)藻（Cyanobacteria）、硅藻（Diatoms）、金藻（Chrysophytes）、定鞭藻（Prymnesiophytes）的Chla濃度。

2.4 衛(wèi)星影像數(shù)據(jù)

OLCI傳感器是歐洲空間局（The European Space Agency，ESA）Sentinel-3A（2016年2月16日發(fā)射）和Sentinel-3B（2018年4月25日發(fā)射）衛(wèi)星上的有效載荷之一。OLCI的波段范圍為400～1 020 nm，包括21個波段。兩顆衛(wèi)星在同一軌道運(yùn)行，于當(dāng)?shù)靥枙r10點(diǎn)過境。OLCI傳感器的L1B（傳感器接收到的天頂輻亮度）產(chǎn)品包括了兩種空間分辨率的產(chǎn)品，分別是300 m分辨率（Full Resolution，F(xiàn)R）和1.2 km分辨率（Reduce Resolution，RR）[32]。本研究使用的是300 m分辨率的L1B數(shù)據(jù)（https://scihub.copernicus.eu/dhus）。

2.5 大氣校正算法

C2RCC大氣校正算法通過大量的實(shí)測數(shù)據(jù)，利用水體光學(xué)傳輸模型和大氣傳輸模型，模擬了不同情況下的天頂輻亮度和離水反射數(shù)據(jù)集，再利用模擬的數(shù)據(jù)集構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，完成天頂輻亮度和離水反射之間的計(jì)算。在構(gòu)建離水反射數(shù)據(jù)集時，使用了從世界各地光學(xué)復(fù)雜水體采集的光學(xué)參數(shù)，因此能夠適用于光學(xué)二類水體[33-34]。

POLYMER大氣校正算法利用從藍(lán)光到近紅外光的整個光譜范圍，將大氣和水體的信號解耦，完成大氣校正。該方法依賴于兩個基本模型，一個是關(guān)于大氣的估計(jì)模型，該大氣模型使用全光譜建立多項(xiàng)式擬合大氣貢獻(xiàn)，使得最終的模型可以適用于有太陽耀光污染的區(qū)域；另一個是離水反射模型，該模型使用Chla濃度和后向散射系數(shù)模擬離水反射。其中后向散射系數(shù)的引入使得模型能夠適用于光學(xué)二類水體[35-36]。

MUMM大氣校正算法是對標(biāo)準(zhǔn)SeaWiFS大氣校正算法的擴(kuò)展。SeaWiFS標(biāo)準(zhǔn)大氣校正算法假設(shè)水體在近紅外波段的離水反射為0，衛(wèi)星近紅外波段接收到的信號都是由氣溶膠反射貢獻(xiàn)，通過將氣溶膠貢獻(xiàn)從近紅外波段推算至短波波段，完成大氣校正[37]。然而，這一假設(shè)多適用于水色組分相對簡單的一類水體。針對渾濁水體，Ruddick 等[38]將近紅外波段離水反射為0的假設(shè)替換為在興趣區(qū)內(nèi)765 nm和865 nm波段離水反射比和氣溶膠散射比為定值的假設(shè)，從而推算氣溶膠散射，完成大氣校正。

在使用實(shí)測數(shù)據(jù)進(jìn)行大氣校正結(jié)果驗(yàn)證時，本研究選擇在采樣站位前后3 h過境的衛(wèi)星影像上，以采樣點(diǎn)為中心，空間上3×3窗口平均值，作為該站位衛(wèi)星探測的遙感反射率。

2.6 浮游植物類群遙感反演模型

2.6.1 波段組合法

波段組合法（Band Combination，BC）是建立遙感反射率波段組合值與不同浮游植物類群Chla濃度之間經(jīng)驗(yàn)關(guān)系的方法。利用相關(guān)系數(shù)，選擇與各浮游植物類群Chla濃度相關(guān)性最高的遙感反射率波段組合（表1）。在找到各浮游植物類群最優(yōu)波段組合后，分別使用一次函數(shù)、二次函數(shù)、三次函數(shù)、冪函數(shù)和指數(shù)函數(shù)將波段組合值與浮游植物Chla濃度進(jìn)行擬合，確定最優(yōu)的建模方式。

表1 本研究采用的波段組合形式Table 1 The band combinations used in this study

2.6.2 基于奇異值分解的多元線性回歸法

在構(gòu)建基于奇異值分解的多元線性回歸法（SVD（Singular Value Decomposition）+MLR（Multiple Linear Regression））模型時，首先對建模數(shù)據(jù)集的遙感反射率進(jìn)行標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化后的遙感反射率矩陣（Rrsstandardized，矩陣大小為M×N，M為光譜數(shù)量，N為波段數(shù)量）進(jìn)行奇異值分解，如下所示，

式中，正交矩陣U（M×M）的列向量為左奇異向量，代表建模數(shù)據(jù)的主成分； Λ（M×N）為矩陣Rrsstandardized的奇異值矩陣，是一個對角陣，奇異值由大到小在矩陣對角線排列；正交矩陣V（N×N）的列向量為右奇異向量。計(jì)算過程中，當(dāng)?shù)趎+1個主成分代表的方差小于第一個主成分代表方差的0.000 1倍時，該主成分被當(dāng)作是無意義的而被舍棄[16]。最終，將前n個主成分與浮游植物Chla濃度的對數(shù)（ lgCp）進(jìn)行多元線性回歸，公式為

式中，a和b1,b2,···,bn為方程的回歸系數(shù)；Cp為浮游植物Chla濃度；u1,u2,···,un為前n個主成分。

當(dāng)將該方法應(yīng)用至遙感影像進(jìn)行浮游植物類群Chla濃度估算時，首先將影像的遙感反射率矩陣進(jìn)行標(biāo)準(zhǔn)化隨后將數(shù)據(jù)投影到建模數(shù)據(jù)奇異值分解后的特征空間上得到Uapplication矩陣（式（4）），通過使用Uapplication矩陣的列向量和建模時擬合的回歸系數(shù)來估算各浮游植物類群Chla濃度的對數(shù)該方法流程如圖2所示。

2.6.3 基于奇異值分解的XGBoost回歸法

XGBoost是一種基于梯度提升樹的機(jī)器學(xué)習(xí)方法[39]。其將多個弱學(xué)習(xí)器結(jié)合成為一個強(qiáng)的學(xué)習(xí)器，通過不斷地向集成模型中添加預(yù)測模型，且每一個新添加的預(yù)測模型都對前一個模型的預(yù)測殘差進(jìn)行擬合，以完成最后的模型構(gòu)建?；谄娈愔捣纸獾腦GBoost（記為SVD+XGBoost）的浮游植物類群Chla濃度反演算法的流程與SVD+MLR 法一致，僅將多元線性回歸模型替換為XGBoost回歸模型（圖2）。

圖2 基于奇異值分解的浮游植物類群Chl a濃度反演算法流程Fig. 2 Flow chart of Chl a concentration inversion algorithm of phytoplankton groups based on singular value decomposition

2.7 精度評價指標(biāo)

為評估建立的各類群浮游植物Chla濃度反演模型的精度，以及3種大氣校正算法的精度，研究使用了決定系數(shù)（R2）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）、中值絕對百分比誤差（Median Absolute Percentage Error，MAPE）作為評價指標(biāo)。各指標(biāo)公式為

式中，E代表模型預(yù)測值；M代表實(shí)測值；N代表實(shí)測值與預(yù)測值匹配到的數(shù)量。

3 結(jié)果與分析

3.1 浮游植物類群Chl a濃度統(tǒng)計(jì)

利用實(shí)測的色素濃度數(shù)據(jù)和CHEMTAX軟件計(jì)算得到的8類浮游植物的Chla濃度的統(tǒng)計(jì)結(jié)果如表2所示。為避免Chla濃度較低所帶來的不確定性[16]，研究將浮游植物類群Chla濃度的閾值設(shè)為0.001 mg/m3，即當(dāng)某一類群Chla濃度小于該閾值時，樣本被剔除。由于8類浮游植物并不是在每個站位都出現(xiàn)，因此，各浮游植物類群Chla濃度的樣本數(shù)量并不相同，其中觀測到藍(lán)藻的站位個數(shù)最多（465個），觀測到綠藻的站位個數(shù)最少（216個）。不同浮游植物類群的平均Chla濃度也有較大差別，其中硅藻的Chla濃度平均值在8類浮游植物中最高（1.13 mg/m3），甲藻次之（0.29 mg/m3），定鞭藻的Chla濃度平均值（0.08 mg/m3）最低。在實(shí)測數(shù)據(jù)中，8個站位的硅藻Chla濃度大于10 mg/m3，而甲藻Chla濃度大于10 mg/m3的站位僅有1個。青綠藻、隱藻、金藻、定鞭藻的Chla濃度相對較低，僅有較少的站位大于1 mg/m3，分別為4個、5個、7個、3個。雖然綠藻Chla濃度大于1 mg/m3的站位有10個，但大多數(shù)站位的濃度低于0.3 mg/m3。

表2 8類浮游植物葉綠素a濃度統(tǒng)計(jì)特征Table 2 Statistical characteristics of Chl a concentration of eight phytoplankton groups

將各浮游植物類群Chla濃度與對應(yīng)站位的實(shí)測遙感反射率進(jìn)行匹配，8類浮游植物匹配到的點(diǎn)對數(shù)量為：青綠藻119對、甲藻90對、隱藻107對、綠藻73對、藍(lán)藻128對、硅藻116對、金藻92對、定鞭藻128對。按照4∶1的比例將上述匹配數(shù)據(jù)隨機(jī)分成建模數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集。

3.2 不同大氣校正算法驗(yàn)證與比較

將影像大氣校正后得到的遙感反射率與匹配的實(shí)測值進(jìn)行比較，對3種大氣校正方法進(jìn)行驗(yàn)證，結(jié)果見表3。由于有些大氣校正算法會產(chǎn)生無效值，因此，不同大氣校正算法得到的匹配點(diǎn)數(shù)量不同。經(jīng)C2RCC校正后的影像具有最多的匹配點(diǎn)（48個），經(jīng)POLYMER校正后的影像具有46個匹配點(diǎn)，而經(jīng)MUMM校正后的影像只包含27個匹配點(diǎn)。在400 nm、412.5 nm、442.5 nm、490 nm波段，C2RCC大氣校正效果優(yōu)于另外兩種算法，MUMM效果最差。在其余波段，POLYMER相比于另外兩種大氣校正算法效果最差（RMSE≥0.003 2 sr-1）。如圖3所示，3種大氣校正方法在紅光和近紅外波段，即665 nm、673.75 nm、681.25 nm、708.75 nm、753.75 nm、778.75 nm波段處易低估遙感反射率。經(jīng)MUMM算法校正后的遙感反射率在400 nm、412.5 nm、445.5 nm易出現(xiàn)高估現(xiàn)象，且與實(shí)測值之間差別較大（MAPE≥140%）。除少數(shù)點(diǎn)外，POLYMER大氣校正后的各波段遙感反射率均比對應(yīng)的實(shí)測值低，且在708.75 nm、753.75 nm、778.75 nm波段處，POLYMER大氣校正后的數(shù)據(jù)存在負(fù)值。

圖3 3種大氣校正方法獲得的遙感反射率與實(shí)測遙感反射率驗(yàn)證結(jié)果Fig. 3 Validation of remote sensing reflectance obtained by three atmospheric correction methods with in-situ remote sensing reflectance

表3 3種大氣校正算法的精度評價Table 3 Accuracy evaluation of three atmospheric correction algorithms

受陸源和人類活動的影響，中國東部沿海上空存在多種氣溶膠類型，其中城市型氣溶膠和混合型氣溶膠是該區(qū)域主要的氣溶膠類型[40]。C2RCC和MUMM大氣校正算法中的氣溶膠模型在建立過程中，很少考慮到中國東部沿海氣溶膠的光學(xué)特性[41-42]，因而造成對氣溶膠信號貢獻(xiàn)的錯誤估計(jì)[43-44]。此外，MUMM大氣校正算法遵循興趣區(qū)內(nèi)765 nm和865 nm波段離水反射比為定值的假設(shè)，而已有研究表明，在渾濁水域兩個波段的離水反射存在明顯的變化[45]。POLYMER大氣校正中的離水反射模型僅考慮Chla濃度和后向散射系數(shù)，對于渾濁水域的其他水色組分，模型假設(shè)有色可溶有機(jī)物隨Chla濃度變化，且未考慮非藻類顆粒物的吸收，而該假設(shè)并不適用于水色組分復(fù)雜的中國東部海域。

3.3 不同浮游植物類群反演模型驗(yàn)證與比較

利用建模數(shù)據(jù)集，即由CHEMTAX計(jì)算得到的8類浮游植物Chla濃度及其對應(yīng)的實(shí)測遙感反射率，采用3種方法（2.6節(jié)所述）構(gòu)建浮游植物類群遙感反演模型，并利用驗(yàn)證數(shù)據(jù)集進(jìn)行模型精度驗(yàn)證。由于本研究中Chla濃度的數(shù)值跨越多個量級，因此在回歸建模以及之后的精度評價中，全部采用Chla濃度對數(shù)（以10為底）形式。

采用波段組合法進(jìn)行回歸建模時，對于各浮游植物類群選擇的最優(yōu)波段組合及對應(yīng)的回歸方程見表4。硅藻Chla濃度對數(shù)與對應(yīng)的遙感反射率波段組合值的相關(guān)性為0.76，使用波段組合法建立的反演模型相比于其他類群浮游植物在驗(yàn)證集上的精度較高，R2為0.55（表5）。青綠藻、甲藻和隱藻的Chla濃度對數(shù)與其對應(yīng)的遙感反射率波段組合值的相關(guān)性大于0.5，基于波段組合法的反演模型在實(shí)測數(shù)據(jù)組成的驗(yàn)證集上的R2分別為：0.29、0.31、0.31。對于綠藻、藍(lán)藻、金藻和定鞭藻，根據(jù)對應(yīng)的波段組合建立的模型反演精度較差（R2＜0.2），可能與Chla濃度的對數(shù)和其相關(guān)性最高的波段組合值相關(guān)性較低有關(guān)（相關(guān)系數(shù)小于0.42）。

表4 8類浮游植物葉綠素a濃度反演模型使用的波段組合形式及回歸方程Table 4 Band combinations form and regression equations used in Chl a concentration inversion model of eight phytoplankton groups

表5列出了3種方法建立的遙感反演模型在估算8類浮游植物Chla濃度的精度評價結(jié)果。對于各浮游植物類群，使用SVD+XGBoost方法建立的模型精度均為最優(yōu)，其中甲藻、硅藻Chla濃度反演模型的R2大于0.7，青綠藻、隱藻、定鞭藻的Chla濃度反演模型的R2大于0.47；相比于波段組合法和SVD+MLR建立的綠藻、藍(lán)藻和金藻Chla濃度遙感反演模型，使用SVD+XGBoost建立的反演模型的精度有顯著提高。說明SVD+XGBoost回歸模型具有一定的優(yōu)勢。

表5 8類浮游植物葉綠素a濃度遙感反演模型的精度評價Table 5 Accuracy of inversion model for Chl a concentration of eight phytoplankton groups

對比3種建模方法、8類浮游植物，硅藻的估算精度均較好（R2≥0.55），可能是因?yàn)橄鄬τ谄渌∮沃参?，其Chla濃度較高，光學(xué)信號更容易捕捉。相比之下，綠藻的估算精度在3種建模方法建立的模型中均表現(xiàn)較差（R2≤0.32），特別是基于SVD+MLR法的綠藻Chla濃度反演模型，驗(yàn)證結(jié)果R2小于0。波段組合法和SVD+MLR法建立的綠藻、藍(lán)藻和金藻Chla濃度反演模型的驗(yàn)證結(jié)果R2≤0.2，說明波段組合法和SVD+MLR法可能不適合綠藻、藍(lán)藻、金藻Chla濃度反演。

由圖4至圖6的散點(diǎn)圖可以看出，硅藻和青綠藻的驗(yàn)證結(jié)果在實(shí)測Chla濃度低于0.01 mg/m3時均存在一個高估的樣本點(diǎn)，且基于3種建模方法的反演模型對該樣本點(diǎn)的預(yù)測值與實(shí)測值差別均較大，這可能是由于本研究所采集的青綠藻和硅藻的Chla濃度小于0.01 mg/m3的樣本點(diǎn)較少，使得模型在構(gòu)建過程中無法很好地覆蓋到Chla濃度小于0.01 mg/m3的情況。

圖4 基于波段組合法建立的8類浮游植物葉綠素a濃度反演模型的驗(yàn)證結(jié)果（葉綠素a濃度單位：mg/m3）Fig. 4 Validation results of Chl a concentration inversion model of eight phytoplankton groups based on band combination method (the unit of Chl a concentration is mg/m3)

圖6 基于SVD+XGBoost建立的8類浮游植物葉綠素a濃度反演模型的驗(yàn)證結(jié)果（葉綠素a濃度單位：mg/m3）Fig. 6 Validation results of Chl a concentration inversion model of eight phytoplankton groups based on SVD+XGBoost method (the unit of Chl a concentration is mg/m3)

3.4 基于衛(wèi)星影像的浮游植物類群遙感反演模型驗(yàn)證

由3.2節(jié)大氣校正算法驗(yàn)證結(jié)果可知，C2RCC大氣校正方法在精度上具有一定的優(yōu)勢，本研究選擇經(jīng)C2RCC大氣校正后的影像進(jìn)行進(jìn)一步研究。3.3節(jié)結(jié)果顯示，利用3種建模方法建立的反演模型在估算甲藻、隱藻、硅藻Chla濃度時精度較高，而其他類群浮游植物Chla濃度的反演模型仍有待進(jìn)一步提高，因此，本研究僅選取甲藻、隱藻、硅藻Chla濃度反演模型進(jìn)行衛(wèi)星應(yīng)用驗(yàn)證。選擇完全獨(dú)立于建模數(shù)據(jù)集的實(shí)測浮游植物類群Chla濃度，在經(jīng)大氣校正后的影像上取對應(yīng)站位的遙感反射率（時空匹配算法仍按照在時間上選擇衛(wèi)星過境前后3 h，空間上選擇3×3的窗口平均值），利用獲取到的遙感反射率和建立的反演模型估算3類浮游植物Chla濃度。

由圖7至圖9可以看出，當(dāng)將3種建模方法建立的反演模型應(yīng)用到影像上時，各浮游植物類群Chla濃度的反演精度都有所下降。特別是甲藻與隱藻，基于3種方法建立的甲藻Chla濃度反演模型精度的決定系數(shù)均小于0?；诓ǘ谓M合法建立的甲藻Chla濃度反演模型，雖然有部分預(yù)測值和實(shí)測值處于1∶1線上，但是部分樣本點(diǎn)存在嚴(yán)重高估的現(xiàn)象。對于隱藻，3種建模方法得到的反演值大部分都低于實(shí)測值。對于硅藻，基于SVD+MLR法建立的模型的反演精度最高（R2=0.56，MAPE=45%），使用波段組合法建立的模型反演精度也相對較好（R2=0.44，MAPE=58%）。

圖7 基于波段組合法的浮游植物類群葉綠素a濃度衛(wèi)星反演驗(yàn)證（葉綠素a濃度單位：mg/m3）Fig. 7 Validation of satellite inversion results of phytoplankton group Chl a concentration based on band combination method (the unit of Chl a concentration is mg/m3)

圖9 基于SVD+XGBoost的浮游植物類群葉綠素a濃度衛(wèi)星反演驗(yàn)證（葉綠素a濃度單位：mg/m3）Fig. 9 Validation of satellite inversion results of phytoplankton group Chl a concentration based on SVD+XGBoost method (the unit of Chl a concentration is mg/m3)

實(shí)測驗(yàn)證數(shù)據(jù)集上的結(jié)果顯示，基于多個波段進(jìn)行奇異值分解后建立的反演模型都有較高的反演精度，但是將模型應(yīng)用到衛(wèi)星影像上時，精度下降明顯，特別是基于SVD+XGBoost法建立的反演模型。這可能是由于衛(wèi)星大氣校正后得到的遙感反射率和真實(shí)值存在差距，大氣校正的準(zhǔn)確性對使用多個波段進(jìn)行奇異值分解后建立的反演模型的估算精度的影響較大。

3.5 基于衛(wèi)星影像的硅藻類群遙感反演應(yīng)用

將在影像上表現(xiàn)較好，基于SVD+MLR法構(gòu)建的硅藻Chla濃度反演模型應(yīng)用到2020年5月和2020年8月過境中國東部海域所有OLCI影像上（包括Sentinel-3A和Sentinel-3B），得到2020年5月和2020年8月的月平均硅藻Chla濃度空間分布，如圖10所示。硅藻Chla濃度的高值區(qū)域集中在近岸海域，低值區(qū)域主要分布在黃海中部和東海外海以及長江口、杭州灣、蘇北沿岸等懸浮泥沙含量較多的渾濁水域。在渤海南部，2020年8月的硅藻Chla濃度存在一定的高值。據(jù)《2020中國海洋災(zāi)害公報》[46]顯示，該區(qū)域在2020年8月份暴發(fā)過以硅藻浮游植物為主導(dǎo)的赤潮災(zāi)害事件。在蘇北沿岸區(qū)域，由于受到高濃度懸浮泥沙的影響，導(dǎo)致離岸較近區(qū)域硅藻Chla濃度較低，相比于2020年8月，2020年5月的低值范圍更大。在長江口外部海域，由于長江徑流帶來的豐富營養(yǎng)鹽，該區(qū)域相較于東海其他區(qū)域硅藻Chla濃度較高。由于海表溫度的上升，2020年5月的硅藻Chla濃度月均值要高于2020年8月。從時空分布來看，上述結(jié)果與已有研究中針對中國東部海域Chla濃度時空變化規(guī)律的研究結(jié)果相一致[47-49]。

圖10 2020年5月和2020年8月中國東部海域硅藻葉綠素a濃度空間分布Fig. 10 The spatial distribution of diatom Chl a concentration in the eastern China seas in May 2020 and August 2020

4 結(jié)論

本研究利用實(shí)測的遙感反射率和8類浮游植物Chla濃度，對比了3種建模方法建立的遙感反演模型的精度；評估了3種大氣校正方法在中國東部海域的適用性以及對各類群浮游植物Chla濃度反演模型的影響。主要研究結(jié)論如下：

（1）相比于傳統(tǒng)的回歸模型構(gòu)建方法，SVD+XGBoost方法具有一定的優(yōu)勢。實(shí)測數(shù)據(jù)的驗(yàn)證結(jié)果顯示，基于SVD+XGBoost法的8類浮游植物Chla濃度反演模型的精度高于其他兩種建模方法。特別是對于硅藻和甲藻浮游植物，基于SVD+XGBoost法的反演模型在驗(yàn)證集上具有較好的精度（R2＞0.70），而其他6類浮游植物Chla濃度反演模型精度相對較低（R2≤0.51），仍有待進(jìn)一步研究。本研究中的浮游植物類群Chla濃度反演算法是經(jīng)驗(yàn)性的，今后將考慮從光學(xué)機(jī)理出發(fā)，深入探究不同浮游植物類群對遙感反射率貢獻(xiàn)的差異。

圖5 基于SVD+MLR建立的8類浮游植物葉綠素a濃度反演模型的驗(yàn)證結(jié)果（葉綠素a濃度單位：mg/m3）Fig. 5 Validation results of Chl a concentration inversion model of eight phytoplankton groups based on SVD+MLR method (the unit of Chl a concentration is mg/m3)

（2）在各波段，C2RCC相對于其他兩種大氣校正算法（MUMM、POLYMER）有較好的表現(xiàn)（RMSE均小于0.004 8 sr-1），且能獲得更多的有效值，但與實(shí)測值之間仍有差距，需要繼續(xù)發(fā)展適用于中國東部海域的高精度的大氣校正算法。

圖8 基于SVD+MLR的浮游植物類群葉綠素a濃度衛(wèi)星反演驗(yàn)證 （葉綠素a濃度單位：mg/m3）Fig. 8 Validation of satellite inversion results of phytoplankton group Chl a concentration based on SVD+MLR method (the unit of Chl a concentration is mg/m3)

（3）受大氣校正精度的影響，將浮游植物類群Chla濃度反演模型應(yīng)用到OLCI影像上時，模型估算精度有所下降，特別是基于SVD+XGBoost建立的反演模型，衛(wèi)星反演驗(yàn)證結(jié)果R2均小于0.2。相比之下，利用波段組合法、SVD+MLR法建立的硅藻Chla濃度反演模型在應(yīng)用到衛(wèi)星影像上時仍保持一定的精度（R2分別為0.44、0.56），具有一定的魯棒性。