朱雨新，李云梅,2，張 玉，王懷警，蔡小蘭，成 鑫，呂 恒,2

(1：南京師范大學(xué)虛擬地理環(huán)境教育部重點實驗室，南京 210023) (2：江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京 210023)

近年來，我國淡水湖庫頻發(fā)水華，水華暴發(fā)不僅僅會造成水體污染、水生系統(tǒng)紊亂，還會直接威脅到當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展，我國已經(jīng)儼然成為了世界上水華暴發(fā)最嚴(yán)重、分布最廣的國家之一[1]。湖泊中形成水華的藻類主要為藍(lán)藻、綠藻及硅藻，其中藍(lán)藻水華以微囊藻、長孢藻、束絲藻等為主導(dǎo)[2]、綠藻以小球藻和柵藻為多，常見硅藻主要為小環(huán)藻及舟形藻，我國沿海海域也頻發(fā)水華，主要由硅藻及甲藻引發(fā)。各個湖泊的優(yōu)勢種不盡相同，太湖以微囊藻為絕對優(yōu)勢[2]，而微囊藻和魚腥藻在巢湖占主導(dǎo)地位[3]，滇池則以微囊藻和束絲藻為主[4]。不同類群的危害、環(huán)境適應(yīng)性、時空分布特征、物種演替規(guī)律以及處理方法并不相同，因此，準(zhǔn)確了解優(yōu)勢種信息，對湖泊生態(tài)系統(tǒng)修復(fù)、水華預(yù)警預(yù)測具有重要意義。

目前在藻類識別方面各國學(xué)者做了大量的研究，除了傳統(tǒng)的顯微鏡方法[5]之外，主要還有圖像法、吸光光度法[6]、熒光光度法[7]、高壓液相色譜法[8]、流式細(xì)胞儀法、化學(xué)發(fā)光流動射法和分子探針法[9]，這些研究大都是利用藻類的細(xì)胞形態(tài)特征、藻種DNA等實現(xiàn)藻類識別。隨著遙感技術(shù)的發(fā)展，基于遙感的藻類識別方法應(yīng)運(yùn)而生。藻類的遙感識別主要依據(jù)水體固有光學(xué)特性或者表觀光學(xué)特性建模，因此，藻類的吸收和散射特性是開展藻類遙感監(jiān)測的基礎(chǔ)[10]。Mahoney[11]在固有光學(xué)特性的基礎(chǔ)上建立了鞭毛藻的生物光學(xué)定量反演模型。黃昌春等[12]利用四階微分、標(biāo)準(zhǔn)化系數(shù)等方法對太湖水體吸收光譜進(jìn)行處理從而對藻類組成進(jìn)行計算分析。趙巧華和秦伯強(qiáng)[13]采用實驗室培養(yǎng)的方式，測算五種藻類的標(biāo)準(zhǔn)化吸收光譜，分析了同種藻類吸收光譜特征及不同藻類的標(biāo)準(zhǔn)化吸收譜，最終實現(xiàn)了混合藻吸收譜的分離。戴紅亮等[14-15]和王瑜[16]基于室內(nèi)控制試驗及模擬試驗，結(jié)合色素吸收特征、藻細(xì)胞特征和反射光譜特征等，探索性地建立了藻種門類間比例遙感估算方法。褚喬等[10]在3種主要水華藍(lán)藻固有光學(xué)特性的基礎(chǔ)上，通過甄別不同水華藍(lán)藻的吸收、散射和后向散射光譜的特征波段，構(gòu)建了基于吸收和散射特性的5種水華藍(lán)藻類群的非線性最優(yōu)化定量識別模型，實現(xiàn)了巢湖主要水華藍(lán)藻類群的定量監(jiān)測，初步分析了巢湖主要水華藍(lán)藻類群的時空分布特性。Xi等[17]基于經(jīng)驗正交函數(shù)(EOF)檢索各種浮游植物色素，并采用廣泛的全球原位色素測量數(shù)據(jù)集，檢索多種藻類的葉綠素a濃度，進(jìn)而在在全球范圍內(nèi)反演不同浮游植物的葉綠素a濃度。Sun等[18]利用多年累積的浮游植物色素和浮游植物吸收光譜數(shù)據(jù)集，獲得了8類常見浮游植物類群組成信息，進(jìn)一步采用矩陣反演方法，構(gòu)建了各浮游植物類群的比吸收系數(shù)，實現(xiàn)了基于浮游植物吸收系數(shù)的浮游植物類群組成反演。此類研究多是通過獲取不同藻種的標(biāo)準(zhǔn)化吸收、散射曲線，分析其特征差異并配合一定的數(shù)學(xué)方法進(jìn)行藻類研究，大多聚焦于不同門類之間的差異，對于同門類不同藻種的光學(xué)特性差異研究較少。此外，國內(nèi)外學(xué)者初步開展了基于藻類遙感識別的相關(guān)研究。崔廷偉等[19]利用687～728 nm波段的特征反射峰對藻類進(jìn)行了識別。Xi等[20]以代表5種浮游植物光譜的標(biāo)準(zhǔn)遙感反射率光譜為基礎(chǔ)，建立了一個廣泛的數(shù)據(jù)集，提出了一種基于相似指數(shù)法的浮游植物群落識別方法，將6個分類群的128個浮游植物藻類譜分為5個譜群，并對該方法的性能進(jìn)行了測試。Shen[21]基于綠-紅光譜斜率，提出了一種利用MERIS數(shù)據(jù)識別東海藻華優(yōu)勢種的方法。以上研究證明利用遙感反射率光譜進(jìn)行藻類分類是可行的，但是，現(xiàn)有研究大多只針對海洋中的藻類，且大都是針對不同門類獲取的分類結(jié)果，針對內(nèi)陸湖泊可應(yīng)用于衛(wèi)星影像的藍(lán)藻或綠藻種間識別的模型鮮有報道。此外，內(nèi)陸水體的光學(xué)特性復(fù)雜，對光譜信息的干擾因素較多，增大了利用遙感信息進(jìn)行藻類分類的困難，需要針對內(nèi)陸水體的藻類及其生存環(huán)境，開展藻類遙感識別方法的研究。

因此，本研究擬通過內(nèi)陸湖泊代表性藻種培養(yǎng)實驗，建立不同藻種遙感反射率數(shù)據(jù)集，進(jìn)而分析太湖優(yōu)勢藍(lán)藻、綠藻藻種的反射率特征，并構(gòu)建基于特征波段的藻種分類模型，應(yīng)用于衛(wèi)星影像，分析太湖優(yōu)勢藻種的空間分布特征。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)太湖是中國的第三大淡水湖泊，位于長江三角洲(30°55′40″～31°32′58″N，119°52′32″～120°36′10″E)(圖1)，北臨江蘇無錫，東近江蘇蘇州，是周邊城市的重要水源地。湖泊面積為2339 km2，平均水深1.9 m。近年來太湖富營養(yǎng)化問題嚴(yán)重，是我國典型的內(nèi)陸富營養(yǎng)化湖泊，水華主要發(fā)生在夏季至冬季。太湖藻類主要由藍(lán)藻、綠藻、硅藻、隱藻、裸藻和甲藻6大門類組成，其中藍(lán)藻占絕對優(yōu)勢，其次為綠藻[2]。

圖1 研究區(qū)位置示意圖及樣點分布(右上角為2019年12月8日及2020年8月16日在太湖野外實測獲取的29條遙感反射率數(shù)據(jù))Fig.1 Location of study area and distribution map of sample sites (The upper right corner shows 29 remote sensing reflectance data obtained from field measurements in Lake Taihu on December 8, 2019 and August 16, 2020)

分別于2019年12月8日和2020年8月16日在太湖進(jìn)行了野外觀測，兩次共獲取29個表層樣點數(shù)據(jù)，并取水樣分析不同浮游植物生物量。

1.2 藻種培養(yǎng)

由太湖藻種調(diào)查報告以及生物量數(shù)據(jù)報告可知[22]，太湖藍(lán)藻中的微囊藻、束絲藻、假魚腥藻以及綠藻中的小球藻和柵藻生物量占總生物量的80%以上，可視為代替優(yōu)勢種。因此，本研究選取銅綠微囊藻(Microcystisaeruginosa)、束絲藻(Aphanizomeninsp.)、假魚腥藻(Pseudanabaenasp.)、小球藻(Chlorellasp.)和四尾柵藻(Scenedesmusquadricauda)進(jìn)行室內(nèi)培養(yǎng)實驗，藻種均為純藻，購于中國科學(xué)院淡水藻種庫，編號分別為FACHB-1174、FACHB-1399、FACHB-1277、FACHB-8及FACHB-44，藻種培養(yǎng)基均為BG-11。藻種儲存在25℃、2000 lx光強(qiáng)的光照恒溫培養(yǎng)箱中。實驗前，將在光照培養(yǎng)箱中馴化一周的藻種轉(zhuǎn)移至事先滅菌的50 mL錐形瓶中，生長7～10天后進(jìn)行逐級擴(kuò)大培養(yǎng)[23]。培養(yǎng)期間每隔2～4 h人工搖瓶一次，直到達(dá)到實驗所需藻量(約5 L)。

1.3 遙感反射率測量

純藻的實驗過程為：于地面放置10 m×10 m純黑尼龍黑布，并將純黑的玻璃桶(四壁噴上黑漆)放置其上，玻璃桶尺寸為底部直徑15 cm，高15 cm。向桶中加入1 L純水，然后以200 mL為梯度分3次加入藻的母液并攪拌均勻，待水面平靜后測量一次遙感反射率，測完取200 mL供室內(nèi)試驗使用，每一梯度的數(shù)據(jù)以藻種名+1/2/3命名記錄。3次實驗共獲得40個有效數(shù)據(jù)，選取第1次實驗的15個數(shù)據(jù)點進(jìn)行模型的構(gòu)建，剩余25個數(shù)據(jù)點作為驗證集。

混藻實驗數(shù)據(jù)用以驗證算法在混合情況的適用性，此階段實驗進(jìn)行了兩種藻種之間的混合，以銅綠微囊藻和束絲藻的混合為例，向純黑的有機(jī)玻璃桶中加入1 L純水、50 mL銅綠微囊藻和100 mL的束絲藻，分兩次再加入50 mL束絲藻，與純藻實驗相同，每加入一次藻液攪拌均勻，待水面平靜后測量一次遙感反射率。經(jīng)實驗共獲得24個混藻有效實驗樣點，具體體積配比如表1所示，實驗中默認(rèn)所有藻種生物量均為1×106mg/L。

表1 混藻實驗體積配比Tab.1 Volume ratio of mixed algae experiment

于2021年9月和12月選取晴朗無云的天氣使用美國ASD公司生產(chǎn)的野外光譜儀進(jìn)行遙感反射率測量。儀器波段范圍為350～1050 nm，光譜分辨率為2 nm。測量觀測幾何參照Cimoli等[24]、Nam等[25]的研究，具體觀測如圖2所示。

圖2 光譜測量示意圖Fig.2 Schematic diagram of spectral measurement

測量的參數(shù)包括：水體總的輻亮度Lsw、儀器對著天空測量的天空漫散射光值Lsky、標(biāo)準(zhǔn)灰板輻亮度Lp(反射率為30%)。儀器對著水面測量時，每次連續(xù)采集15條光譜曲線，處理時剔除異常數(shù)據(jù)后取均值為水面反射率。遙感反射率的計算公式為：

Rrs=(Lsw-r·Lsky)ρp/(π·Lp)

(1)

式中，ρp為標(biāo)準(zhǔn)參考版的反射率，r取0.022。最終取不同藻種實測遙感反射率減去同裝置測量的純水反射率(背景值)做分析。

1.4 室內(nèi)分析數(shù)據(jù)

藻類顆粒物吸收系數(shù)采用Tassan和Ferrari[26]建立的定量濾膜技術(shù)測定。首先，利用直徑25 mm、孔徑0.7 μm的Whatman GF/F濾膜過濾25 mL水樣，然后，在島津UV3600plus型分光光度計下用積分球在透射率模式與反射率模式下分別測量，得到顆粒物吸收系數(shù)ap(λ)，非色素顆粒物吸收系數(shù)(ad(λ))測量過程與上述步驟相同，只需在測量之前先將水樣用0.1 mol/L的次氯酸鈉溶液漂白3遍，最后一遍至少停留30 min。色素顆粒物吸收系數(shù)為總顆粒物吸收系數(shù)與非色素顆粒物吸收系數(shù)之差，即aph(λ)=ap(λ)-ad(λ)。

浮游植物生物量采用細(xì)胞體積轉(zhuǎn)換法測定，通過顯微鏡檢查浮游植物群落組成，并采用隨機(jī)視野法對每一種屬浮游藻類進(jìn)行計數(shù)，得到各物種的浮游植物豐度，并求和得到總浮游植物豐度。由于浮游植物細(xì)胞密度接近于水的密度，1 mm3約等于1 mg鮮重生物量，因此生物量(mg/L)為體積(μm3)與豐度(cells/L)的乘積。

1.5 影像及數(shù)據(jù)處理

OLCI(ocean and land colour instrument)傳感器基于中分辨率成像光譜儀MERIS(medium resolution imaging spectrometer)開發(fā)，優(yōu)化后相比較MERIS傳感器改進(jìn)了7個光譜波段，可觀測到沿海地區(qū)的海洋水色，在400～1020 nm波段范圍內(nèi)共設(shè)置21個光譜通道，其中包含16個水色波段，并具有高信噪比的優(yōu)勢?？臻g分辨率為300 m，能反映精細(xì)尺度下湖泊水質(zhì)狀況。結(jié)合現(xiàn)場數(shù)據(jù)采集時間，使用了2019年12月8日以及2020年8月17日OLCI影像。采用的數(shù)據(jù)為Level-1B產(chǎn)品，在SNAP中使用per-pixel geo-coding打開，并對太湖周圍地區(qū)進(jìn)行裁剪、重投影、輻亮度轉(zhuǎn)反射率和瑞利散射校正等操作，將預(yù)處理后的影像輸出為ENVI可讀取的DAT格式進(jìn)行后續(xù)操作，大氣校正方法選用6S模型。使用均方根誤差(RMSE)及平均絕對百分比誤差(MAPE)進(jìn)行大氣校正精度評價，精度評價公式為：

(2)

(3)

2 藻種分類算法的構(gòu)建

2.1 遙感反射率特征

如圖3所示，實驗室觀測的遙感反射率校正前后數(shù)值略有差別，對光譜的波谷特征影響不大。總體來看，隨著濃度的升高，藻種遙感反射率絕對值呈上升趨勢，且曲線特征愈加明顯，濃度較低時，曲線較為平滑，隨著濃度的升高，遙感反射率絕對值上升的同時波谷特征也愈加明顯。遙感反射率光譜與藻類色素吸收和藻顆粒散射具有明顯的共變關(guān)系。銅綠微囊藻(圖3A)在440～490 nm處藻類葉綠素和類胡蘿卜素的強(qiáng)吸收造成該波段遙感反射率低，光譜上表現(xiàn)出一個谷[27]。620和675 nm處藻藍(lán)蛋白和葉綠素a主導(dǎo)的強(qiáng)吸收使得遙感反射率光譜出現(xiàn)明顯的谷[27]。而550和700 nm附近，藻類色素普遍吸收微弱且藻類顆粒物散射較強(qiáng)[28]，同時，由于675 nm處的強(qiáng)吸收，700 nm出現(xiàn)一個反射峰。這些光譜特征與樂成峰等[29]的研究結(jié)果一致。

圖3 不同藻種遙感反射率曲線(實線表示校正后遙感反射率(δRrs)；虛線表示校正前遙感反射率(Rrs)。綠、橙、紅陰影部分表示特征波段：綠色表示560和590 nm；橙色表示620 nm；紅色表示660和700 nm)Fig.3 Remote sensing reflectance spectra of different algae species (The solid line in the figure represents the remote sensing reflectance after correction (δRrs), and the dotted line represents the remote sensing reflectance before correction (Rrs). The shaded parts are characteristic bands: green represent 560 and 590 nm; orange represent 620 nm; red represent 660 and 700 nm)

束絲藻(圖3B)曲線峰谷特征與銅綠微囊藻大致相同，只是在440～600 nm較銅綠微囊藻更為平滑，沒有出現(xiàn)峰谷特征，620和675 nm處藻藍(lán)蛋白和葉綠素a主導(dǎo)的強(qiáng)吸收使得遙感反射率光譜出現(xiàn)反射谷[30]，但是反射谷沒有銅綠微囊藻明顯，同時，由于675 nm處的強(qiáng)吸收因而700 nm出現(xiàn)一個反射峰，這些特征為后續(xù)藻種區(qū)分奠定了基礎(chǔ)。

假魚腥藻(圖3C)的遙感反射率數(shù)值較其他兩種藍(lán)藻更高，其曲線特征與其余兩種藍(lán)藻大致相同，但其峰谷趨勢卻沒有其余兩種藍(lán)藻明顯，620和675 nm處藻藍(lán)蛋白和葉綠素a主導(dǎo)的強(qiáng)吸收使得遙感反射率光譜出現(xiàn)明顯的谷[30]。而700 nm附近，藻類色素普遍吸收微弱且藻類顆粒物散射較強(qiáng)[28]，同時，疊加了675 nm處的強(qiáng)吸收，使得700 nm出現(xiàn)一個反射峰。在590 nm處較其他兩種藍(lán)藻多出一個峰，可能是由假魚腥藻含有的藻紅素和藻藍(lán)素分別在580和620 nm附近的吸收共同造成的[31]，假魚腥藻生長過程呈現(xiàn)棕紅色也正是由藻紅素這種色素引起的。

四尾柵藻(圖3D)與小球藻(圖3E)在540和700 nm附近存在明顯的特征反射峰。前者是藻類色素物質(zhì)的弱吸收和藻顆粒的散射造成的，后者則主要是由于675 nm的強(qiáng)吸收形成的反射峰?？傮w來看，隨著藻濃度的升高，反射峰的峰高逐漸增加。與3種藍(lán)藻不同的是，小球藻和四尾柵藻遙感反射率曲線均沒有表現(xiàn)出620 nm附近藻藍(lán)蛋白的反射谷，因此，620 nm附近的反射谷或許可作為區(qū)分藍(lán)綠藻的遙感識別特征。而四尾柵藻與小球藻的曲線幾乎沒有區(qū)別，這也為進(jìn)一步區(qū)分識別綠藻增加了難度。

2.2 藻種分類算法的構(gòu)建

不同藻種的遙感反射率數(shù)值大小存在一定的差別，大小的差別來源于很多方面：光源強(qiáng)度、濃度高低、色素組分等。僅從絕對值比較會帶來很多的不確定性，且一些系統(tǒng)誤差也會對數(shù)值造成影響，難以構(gòu)建穩(wěn)健的內(nèi)陸湖泊藻種分類算法。為避免數(shù)值高低不一致對方法造成的誤差，對5種藻種的實測遙感反射率曲線進(jìn)行了歸一化處理[20]，將所有波段的遙感反射率除以560 nm處的遙感反射率數(shù)值得到歸一化結(jié)果，如圖4所示。

圖4 5種藻種歸一化前(a)、后(b)的遙感反射率曲線Fig.4 Remote sensing reflectance spectra of five algae species before (a) and after (b) normalization

由于藍(lán)綠藻本身形態(tài)、所含色素的差異，藍(lán)藻反射率曲線在660 nm左右呈現(xiàn)出峰值，而綠藻卻為谷值；681 nm處藍(lán)藻呈現(xiàn)一個小的波谷，而綠藻在此處仍處于快速上升階段，此特征由620 nm處藻藍(lán)蛋白的吸收和675 nm葉綠素的強(qiáng)吸收共同造成。基于此特征，定義藍(lán)綠藻峰谷差異指數(shù)DI(difference index)進(jìn)行藍(lán)藻和綠藻的區(qū)分，此外，由于兩種綠藻的DI值差異較大，根據(jù)DI閾值，還可進(jìn)一步區(qū)分四尾柵藻和小球藻。DI的計算方法為：

DI=Rrs(λ1)-Rrs(λ2)

(4)

式中，λ1=656 nm，λ2=681 nm。

藍(lán)藻中3種藻的光譜差異主要體現(xiàn)在500～700 nm波段，因此，構(gòu)建了參數(shù)ADI(algae distinguish index)計算該波段范圍反射谷的深度(圖5)，通過ADI值的大小區(qū)分不同藍(lán)藻藻種。ADI的計算公式為：

圖5 DI及ADI構(gòu)建示意圖(DI示意圖以銅綠微囊藻和四尾柵藻為例)Fig.5 Schematic of DI and ADI (The DI schematic diagram takes Microcystis aeruginosa and Scenedesmus quadricauda as examples)

(5)

式中，λ1=560 nm,λ2=620 nm,λ3=656 nm。

綜上，利用第一次實驗獲取的遙感反射率實測數(shù)據(jù)率定DI及ADI的閾值，結(jié)果如圖6所示，即兩種綠藻的DI值均小于0，而3種藍(lán)藻的DI值均大于0，兩種綠藻的DI值差異較大，將其閾值界定為-0.0015以進(jìn)行兩種綠藻的區(qū)分；3種藍(lán)藻間的閾值，首先通過確定不同種類之間的分界線，然后經(jīng)多次試錯最終確定，算法流程如圖7所示。

圖6 模型閾值選取(虛線表示閾值)Fig.6 Model threshold selection (The dotted line indicates the threshold)

圖7 算法流程圖Fig.7 Flow chart of algorithm

2.3 算法精度評價

2.3.1 基于室內(nèi)觀測數(shù)據(jù)的精度評價 使用1.3節(jié)所述的純藻及混藻所測得的遙感反射率作為驗證集(混藻驗證集中，當(dāng)某藻種生物量占比>60%時認(rèn)定該藻為優(yōu)勢藻種)，實驗共獲得49個驗證樣本數(shù)據(jù)，模型的精度評價使用混淆矩陣和Kappa系數(shù)(K值)[32]來表示，由于利用DI指數(shù)區(qū)分藍(lán)藻和綠藻精度為100%，因此評價只基于5種藻種類別來計算。得出的混淆矩陣及精度評價結(jié)果如表2所示。

表2 藻種分類模型混淆矩陣及精度評價結(jié)果Tab.2 Confusion matrix and accuracy evaluation results of algal species identification model

總體來看，整體識別精度達(dá)77.55%，Kappa系數(shù)為0.7178，說明數(shù)據(jù)具有較高的一致性，且精度較好，從類別識別來看，在驗證中表現(xiàn)出了較高的精度，利用DI指數(shù)區(qū)分藍(lán)藻和綠藻是可行的，但對兩種綠藻的區(qū)分效果相對差些；利用ADI指數(shù)區(qū)分銅綠微囊藻和假魚腥藻的精度較高，但是，當(dāng)束絲藻濃度較低時，可能被誤識別為假魚腥藻，小球藻濃度較低時，可能被誤識別為四尾柵藻，混藻中束絲藻與假魚腥藻混合容易產(chǎn)生誤分，與銅綠微囊藻混合時，濃度占比小于67%時也產(chǎn)生了誤分，混藻被錯分的樣點情況如表3所示。

表3 錯誤分類的混藻樣品Tab.3 Misclassified samples of mixed algae

2.3.2 基于野外實測數(shù)據(jù)的精度評價 使用2.1節(jié)所述太湖野外觀測遙感反射率數(shù)據(jù)及生物量數(shù)據(jù)進(jìn)行驗證，實驗室分析生物量結(jié)果表明數(shù)據(jù)集共包含45種浮游植物，藍(lán)藻和綠藻占絕對主導(dǎo)地位，實測生物量范圍為0.07～41.78 mg/L。數(shù)據(jù)中共有27個由藍(lán)藻主導(dǎo)的樣點，其中優(yōu)勢藻為微囊藻、假魚腥藻及束絲藻的樣點數(shù)分別為20、4和3個；綠藻主導(dǎo)的樣點2個，優(yōu)勢藻為小球藻及柵藻的樣點各1個(表4)。經(jīng)驗證，總體精度達(dá)79.31%。算法準(zhǔn)確地區(qū)分了藍(lán)藻、綠藻主導(dǎo)的樣點，并能準(zhǔn)確識別由銅綠微囊藻主導(dǎo)的樣點，由于湖泊中藻類組成復(fù)雜，導(dǎo)致部分點位被誤判為微囊藻，后續(xù)需增加實驗補(bǔ)充更多的藻種類型。

表4 野外實測數(shù)據(jù)識別結(jié)果Tab.4 Identification results of field measured data

2.3.3 基于衛(wèi)星影像的算法評估 將算法應(yīng)用于2019年12月8日和2020年8月17日的OLCI影像上，獲取冬、夏季太湖優(yōu)勢藻的時空分布。所使用的OLCI數(shù)據(jù)為Level-1B產(chǎn)品，大氣校正方法選用6S模型。選取560、620、665以及681 nm波段進(jìn)行計算，相關(guān)波段的實測值與6S大氣校正值的散點圖如圖8所示?？傮w來說，大氣校正精度尚可，數(shù)據(jù)大都集中于1∶1線附近。

圖8 OLCI-6S大氣校正后特征波段遙感反射率實測值與校正值散點圖Fig.8 Scatter plot of remote sensing reflectance of characteristic bands after OLCI-6S

所得優(yōu)勢藻結(jié)果分布如圖9所示。在冬季，微囊藻主導(dǎo)的區(qū)域主要分布在太湖北部及南部沿灣；束絲藻則在北部及南部沿灣小部分零碎區(qū)域占優(yōu)；假魚腥藻主導(dǎo)的區(qū)域位于湖心；柵藻為優(yōu)勢藻的區(qū)域只占一小部分并位于南部。此季節(jié)并未識別出小球藻主導(dǎo)的區(qū)域，在生物量實測結(jié)果中也幾乎沒有出現(xiàn)小球藻為主導(dǎo)地位的點位。在夏季，微囊藻的分布范圍更廣，全湖近一半水域優(yōu)勢藻種識別為微囊藻；束絲藻為優(yōu)勢的區(qū)域呈零散分布；假魚腥藻主導(dǎo)區(qū)域則分布于湖心及南部；柵藻及小球藻只占一小部分，于北部南部零碎分布?？傮w而言，藍(lán)藻占比高于綠藻，由優(yōu)勢種分布結(jié)果可以看出，夏季微囊藻的優(yōu)勢地位明顯高于冬季；在水華暴發(fā)區(qū)(紅圈處)，大部分區(qū)域優(yōu)勢藻種均識別為微囊藻，這與前人研究認(rèn)為太湖中水華主要由微囊藻引起的結(jié)果一致[33]。

圖9 2019年12月8日(冬季)和2020年8月17日(夏季)太湖優(yōu)勢藻種分布Fig.9 Distribution of dominant algae species in Lake Taihu on December 8, 2019 (winter) and August 17, 2020 (summer)

利用有同步生物量數(shù)據(jù)的29個樣點進(jìn)行星地同步驗證，精度如表5所示，總體精度達(dá)到51.72%。

表5 野外實測數(shù)據(jù)識別結(jié)果Tab.5 Identification results of field measured data

同時，與湖泊-流域科學(xué)數(shù)據(jù)中心(http://lake.geodata.cn/)下載的2017年0.5 m水深藻生物量數(shù)據(jù)進(jìn)行對比，為方便與本研究提出的方法進(jìn)行比較，將甲藻、硅藻等藻相加作為其他，只列出了藍(lán)藻及綠藻占總藻量的比例，數(shù)據(jù)顯示8月和12月的站點數(shù)據(jù)優(yōu)勢藻均為藍(lán)藻，對比站點經(jīng)緯度對應(yīng)的OLCI影像像元(表6)，識別結(jié)果也均為藍(lán)藻，二者結(jié)果一致。

表6 2017年0.5 m水深藻生物量數(shù)據(jù)Tab.6 Algae biomass data in water depth of 0.5 m in 2017

3 討論

色素組成是影響反射和吸收光譜特性的主要因素[30]，在實驗中發(fā)現(xiàn)，藍(lán)藻門和綠藻門的色素顆粒物吸收系數(shù)曲線存在差異。圖10為室內(nèi)實驗測量所得的5種藻種3個梯度的色素顆粒物吸收系數(shù)，屬于藍(lán)藻門的3種藻種(圖10A，B，C)主要特征為在450、620以及675 nm左右出現(xiàn)吸收峰，在550及660 nm左右出現(xiàn)吸收谷。440 nm左右的吸收峰是由于葉綠素及類胡蘿卜素的強(qiáng)吸收，620 nm的特征則是由藻藍(lán)蛋白引起的，675 nm處同樣是由于葉綠素a引起的強(qiáng)吸收，550 nm處藻類吸收微弱且散射較強(qiáng)，660 nm左右處的特征則是由620 nm處藻藍(lán)蛋白強(qiáng)吸收及675 nm葉綠素a強(qiáng)吸收共同造成的。此外，假魚腥藻在580 nm處較其余兩種藍(lán)藻多一個吸收峰，這是由藻紅素[31]引起；屬于綠藻門的兩種藻種(圖10D，E)主要特征為440、490及675 nm左右出現(xiàn)吸收峰，550 nm左右出現(xiàn)吸收谷，440及675 nm出現(xiàn)吸收峰及550 nm左右出現(xiàn)吸收谷的原因與藍(lán)藻相同，480 nm出現(xiàn)峰值是因為葉綠素b及α-胡蘿卜素強(qiáng)吸收，因為綠藻中不含藻藍(lán)素[34]，綠藻并未出現(xiàn)620 nm處的峰值，也正因此，660 nm左右處并未出現(xiàn)谷值。正是由于這些色素差異，才有可能利用560、620、660及680 nm進(jìn)行藻類識別算法的構(gòu)建，色素組成及其濃度差異，最終體現(xiàn)到遙感反射率的差異中，是遙感識別優(yōu)勢藻類的物理基礎(chǔ)。

圖10 5種藻種色素顆粒物吸收系數(shù)曲線(1、2、3分別表示實驗配比的3個濃度梯度)Fig.10 Absorption coefficient curve of pigment particles of five algae species (1, 2 and 3 represent three concentration gradients of the experimental ratio, respectively)

相較于色素顆粒物吸收系數(shù)曲線，遙感反射率的峰谷特征會相對弱化，并且隨著優(yōu)勢藻種占比發(fā)生變化，如圖11A所示，以微囊藻和小球藻的混合為例(藍(lán)綠混藻)，當(dāng)小球藻的占比較小時(混藻1)，曲線顯示為藍(lán)藻的特征：620 nm出現(xiàn)反射谷，660 nm附近出現(xiàn)反射峰，隨著小球藻占比的逐漸增大(混藻2、混藻3)，優(yōu)勢藻逐漸變?yōu)樾∏蛟澹?20 nm處的反射谷不再明顯，660 nm處的反射峰也趨于平緩。野外數(shù)據(jù)集中記錄為表面有明顯藻顆粒漂浮的代表性點位(圖11B)，其遙感反射率曲線大多表征為兩種形態(tài)，即點201912THL11_1和202008THL_1(兩條加粗線)，若呈現(xiàn)出紅色線的特征，則藻種信號較強(qiáng)，可以正確識別為微囊藻主導(dǎo)，而呈現(xiàn)出紫色線特征的點位則較為復(fù)雜，藻種反射率特征不明顯，判別精度不高。相較于室內(nèi)實驗，野外環(huán)境復(fù)雜，懸浮物及CDOM等水體組分的存在使得遙感反射率呈現(xiàn)多種形態(tài)[35]，室內(nèi)培養(yǎng)與野外藻種的生存狀態(tài)、藻種的多樣性等差異性都會影響模型的識別精度，這些問題都是后續(xù)研究需要解決的重點問題。

圖11 混藻及野外特征點位遙感反射率Fig.11 Remote sensing reflectance of mixed algae and field feature points

此外，由于大氣環(huán)境、水體的反射較低等因素影響，衛(wèi)星遙感傳感器獲取的水面信息非常微弱，給優(yōu)勢藻類的衛(wèi)星遙感識別造成了困難。為了提高藻類識別的精度，后續(xù)研究需進(jìn)一步補(bǔ)充驗證集以驗證方法精度，且在大氣校正、多種類型藻類光學(xué)特性方面，還需進(jìn)行更進(jìn)一步的研究。本研究基于OLCI影像進(jìn)行了初步的方法試驗，后期可推廣至有560、620、660及680 nm相近波段的其他影像。

4 結(jié)論

本研究基于室內(nèi)實驗培養(yǎng)藻種的遙感反射率，提出了能夠區(qū)分5種不同藍(lán)綠藻的方法。研究中培養(yǎng)了藍(lán)藻門及綠藻門中的5種藻種，經(jīng)實驗獲取遙感反射率，通過分析其特征并經(jīng)歸一化處理后，基于特征波段構(gòu)建了DI指數(shù)和ADI指數(shù)進(jìn)行藻種分類識別，結(jié)果表明：在室內(nèi)培養(yǎng)藻種驗證集中精度較好，總體精度為77.55%，利用DI指數(shù)可以較好地區(qū)分藍(lán)藻和綠藻，利用ADI指數(shù)可以有效區(qū)分3種藍(lán)藻，能夠準(zhǔn)確識別出銅綠微囊藻和假魚腥藻。將模型應(yīng)用于太湖野外觀測數(shù)據(jù)，總體精度達(dá)79.31%，能夠識別出樣點的主導(dǎo)藻種。嘗試將方法應(yīng)用于衛(wèi)星影像，并依據(jù)結(jié)果分析太湖優(yōu)勢藻種的空間分布特征，星地同步結(jié)果總體精度為51.72%。本研究為內(nèi)陸湖泊藻種識別提供了新思路，但要真正實現(xiàn)種間識別的應(yīng)用要求，下一步還需對遙感反射率數(shù)據(jù)集做進(jìn)一步的補(bǔ)充，將內(nèi)陸湖泊CDOM及懸浮物的影響考慮進(jìn)來，并提高大氣校正精度，將方法應(yīng)用于長時序的衛(wèi)星影像，為相關(guān)部門開展生態(tài)修復(fù)工作提供依據(jù)。