孟祥亮，馮建飛，付萍杰，?，張家威，張雨煊，孟飛

(1.山東建筑大學(xué)測(cè)繪地理信息學(xué)院，山東 濟(jì)南 250101；2.山東省生態(tài)環(huán)境監(jiān)測(cè)中心，山東 濟(jì)南 250101；3.山東科技大學(xué)測(cè)繪與空間信息學(xué)院，山東 青島 266000)

0 引言

水體葉綠素a(Chla)是水體富營(yíng)養(yǎng)化程度的重要指標(biāo)之一，對(duì)湖庫葉綠素a 濃度的廣域定量監(jiān)測(cè)和實(shí)時(shí)定點(diǎn)分析是監(jiān)測(cè)湖庫水體營(yíng)養(yǎng)狀態(tài)的基本需求。水體葉綠素a 濃度的監(jiān)測(cè)難點(diǎn)之一在于其空間異質(zhì)性，地面監(jiān)測(cè)雖然精度較高，但局限于某一特定時(shí)刻，難以滿足動(dòng)態(tài)變化的監(jiān)測(cè)。 遙感技術(shù)具有監(jiān)測(cè)范圍廣、監(jiān)測(cè)時(shí)序長(zhǎng)的優(yōu)勢(shì)[1]，但大氣中水汽分子、氣溶膠等物質(zhì)會(huì)消耗掉大部分的離水輻射信號(hào)(90%～95%)，且內(nèi)陸水體空間布局分散，地理狀況多變，其光學(xué)特性表現(xiàn)為復(fù)雜性和區(qū)域性[2－4]。 大氣校正能夠消除部分大氣影響，還原目標(biāo)地物的光譜信號(hào)，高精度的大氣校正可以降低不同空間和不同時(shí)相影像大氣校正誤差對(duì)模型構(gòu)建和應(yīng)用帶來的不確定性，是提升水質(zhì)遙感監(jiān)測(cè)模型時(shí)空移植性的前提，對(duì)于提高水色反演模型的準(zhǔn)確性和普適性具有重要意義。

學(xué)者們針對(duì)水質(zhì)反演的大氣校正方法開展了多項(xiàng)研究。 杜挺等[5]采用HJ－1B 多光譜影像，對(duì)太湖流域進(jìn)行的反演中發(fā)現(xiàn)光譜超立方體的快速視線大氣分析(Fast Line－of－Fight Atmospheric Analysis of Spectral Hypercubes， FLAASH)和對(duì)太陽光譜中衛(wèi)星信號(hào)的二次分析(Second Simulation of the Satellite Signal in the Solar Spectrum， 6S)算法效果較好，但快速大氣校正( Quick Atmospheric Correction，QUAC)算法下的典型地物光譜出現(xiàn)失真現(xiàn)象。 商子健等[6]以歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)為指標(biāo)，驗(yàn)證了6S 大氣校正模型在GF－1 多光譜影像水體反演方面的適用性，其效果優(yōu)于FLAASH 大氣校正。 曾群等[7]將不同的波段組合因子運(yùn)用到大氣校正模型中，發(fā)現(xiàn)對(duì)于渾濁、高動(dòng)態(tài)特性的水體，F(xiàn)LAASH 優(yōu)于QUAC。 潘岑岑等[8]利用Hyspex 高光譜數(shù)據(jù)的研究指出，基于統(tǒng)計(jì)學(xué)的QUAC 和經(jīng)驗(yàn)線性法兩種大氣校正方法效果不穩(wěn)定，導(dǎo)致其系數(shù)變化較大。 崔成嶺等[9]指出6S 大氣校正查找表精度較低的現(xiàn)狀，通過實(shí)時(shí)創(chuàng)建查找表的方式對(duì)資源1 號(hào)02D(ZY－1 02D)高光譜影像做大氣校正處理，總體精度與FLAASH 相近，且發(fā)現(xiàn)6S 對(duì)藍(lán)光波段的校正不完全。 劉瑤等[10]測(cè)試了資源1 號(hào)02D 高光譜影像在內(nèi)陸水體葉綠素a 濃度反演方面的適用性，其波段比值模型取得了最好的效果，并指出針對(duì)于ZY－1 02D 水體圖像的降噪和大氣校正方法是未來的發(fā)展方向。 高光譜影像的大氣校正在針對(duì)不同地物的反演中亦表現(xiàn)出不同的效果[11－12]，了解地物反演的參數(shù)貢獻(xiàn)有利于提高大氣校正的精度和效率。 目前，針對(duì)高光譜影像在二類水體葉綠素a 濃度反演方面的大氣校正方法相關(guān)研究較少，由于波段連續(xù)細(xì)微的高光譜數(shù)據(jù)對(duì)大氣干擾極為敏感，需要更精準(zhǔn)的大氣校正處理，才能滿足水體葉綠素a 濃度反演的數(shù)據(jù)需求。

文章結(jié)合內(nèi)陸水環(huán)境研究對(duì)影像光譜高精度的需求及高光譜衛(wèi)星遙感器的特點(diǎn)，以南四湖為研究區(qū)，以(ZY－1 02D)高光譜遙感影像為數(shù)據(jù)源，按照6S、FLAASH、QUAC 大氣校正的特點(diǎn)，從影像外部大氣產(chǎn)品校正、影像內(nèi)部大氣補(bǔ)償參數(shù)校正和影像的光譜均值校正3 個(gè)角度分別對(duì)影像進(jìn)行大氣校正，進(jìn)而提取多維光譜指數(shù)，并利用半分析和機(jī)器學(xué)習(xí)方法驗(yàn)證反演模型的反演精度。

1 數(shù)據(jù)源與實(shí)驗(yàn)區(qū)選取

1.1 研究區(qū)和水體樣本采集

南四湖位于微山縣境內(nèi)，由微山、昭陽、獨(dú)山和南陽等4 個(gè)湖泊南北相連組成，是南水北調(diào)東線工程重要的水源地[13－14]，湖內(nèi)水生生物與水禽種類眾多[15]，其水質(zhì)狀況對(duì)東線工程以及生物多樣性影響巨大。 南四湖面積約為1 266 km2，平均水深為1.5 m[16]，其流域多年平均年降水量在700 mm 以上，入湖河流有50 多條[17]，且來水河流近九成集中于上級(jí)湖，外流入湖和湖內(nèi)運(yùn)作均對(duì)南四湖水質(zhì)產(chǎn)生不同程度影響[18]。

根據(jù)衛(wèi)星過境時(shí)間，按照均勻布點(diǎn)原則，在獨(dú)山湖周邊采集38 個(gè)表層水樣，分布如圖1 所示。 文章所用地圖審圖號(hào)為魯SG(2023)031 號(hào)。

圖1 南四湖位置及實(shí)測(cè)點(diǎn)分布示意圖

1.2 數(shù)據(jù)源及其預(yù)處理

遙感影像數(shù)據(jù)為2021 年9 月12 日的ZY－1 02D 高光譜數(shù)據(jù)，其搭載的可見短波紅外高光譜相機(jī)(Advanced Hyperspectral Imager， AHSI)傳感器比高分5 號(hào)的信噪比更高，但波段數(shù)量減少到166 個(gè)，光譜分辨率也隨之降低[19]。 原始影像數(shù)據(jù)經(jīng)輻射定標(biāo)處理，得到大氣校正需要的表觀反射率和輻射亮度值。

外業(yè)數(shù)據(jù)采集利用美國(guó)ASD 公司生產(chǎn)的FieldSpec 4 Hi－Res 便攜式地物光譜儀，按照白板、水體、天空、白板的順序，實(shí)測(cè)采樣點(diǎn)水體高光譜數(shù)據(jù)，每點(diǎn)重復(fù)5 次。 瓶裝湖面表層水樣[20]，放入黑色不透光袋中保存，并用GPS 定位儀記錄采集點(diǎn)位置信息。 返回室內(nèi)避光處， 采用美國(guó)安諾牌ChloroTech 121A 手持式葉綠素測(cè)定儀測(cè)定水體葉綠素a 濃度。

2 理論和方法

2.1 大氣校正模型

大氣校正可以保留由影像地物重要組成成分差異導(dǎo)致的反射率的微小差別信息[8]。 針對(duì)不同地物的光譜異質(zhì)性及周邊環(huán)境的差異，衍生出的大氣校正方法也具有各自的側(cè)重性。 6S 模型側(cè)重影像過境時(shí)的觀測(cè)及大氣條件參數(shù)，并基于此參數(shù)建立的查找表進(jìn)行逐像元插值得到監(jiān)測(cè)點(diǎn)的大氣校正系數(shù)；FLAASH 模型則側(cè)重于影像像素光譜特征，考慮周邊像元對(duì)目標(biāo)像元造成的“鄰近效應(yīng)”、光譜噪聲等因素對(duì)目標(biāo)地物校正；QUAC 模型則是整幅影像的光譜信息收集，監(jiān)測(cè)點(diǎn)的光譜特征即為目標(biāo)地物的光譜均值。

6S 輻射傳輸模型由5S 模型發(fā)展而來[21]，波段處理范圍為0.25 ～4.0 μm，通過模擬信號(hào)傳輸過程的太陽輻射，并計(jì)算信號(hào)在進(jìn)入傳感器前的輻射能量，得到校正參數(shù)進(jìn)行大氣校正[7]。 ZY－1 02D 高光譜影像需進(jìn)行可見光近紅外波段(Visible and Near-Infrared，VNIR)和短波紅外波段(Short Wave Infrared，SWIR)的數(shù)據(jù)整合，將表觀輻亮度轉(zhuǎn)換為表觀反射率，由式(1)表示為

式中ρTOA為表觀反射率； Lλ為波段λ 處的中心波長(zhǎng)，nm；d 為日地距離，AU；Eλ為波段λ 處的太陽光譜輻照度，W/(m2·μm)；θ 為太陽天頂角，(°)。

6S 模型通過輸入表觀反射率和影像元文件，得到各波段大氣校正系數(shù)xa、xb、xc。 將表觀反射率轉(zhuǎn)化為真實(shí)的地表反射率ρr，可由式(2)和(3)表示為

FLAASH 模型基于MODTRAN4 ＋輻射傳輸模型，波段區(qū)間0.4 ～2.5 μm。 通過設(shè)定模型參數(shù)，逐像元反演校正參數(shù)。 針對(duì)不同的波段區(qū)間，進(jìn)行特定的水汽反演，采用暗目標(biāo)法進(jìn)行氣溶膠厚度的反演。 影像像元光譜輻射亮度由式(4)表示為

式中L 為像元輻射亮度；ρ 和ρe分別為像元與相鄰像元地表反射率均值；S 為大氣球面反照率；Lα為大氣程輻射； A、B 是依賴于大氣(透過率) 和幾何狀況的系數(shù)。S、Lα、A、B 可由輻射傳輸模型MODTRAN4＋計(jì)算得到。

QUAC 是基于影像本身的統(tǒng)計(jì)方法，采集像元內(nèi)的地物光譜值，取同一地物的光譜平均值作為判別地物的經(jīng)驗(yàn)值，利用端元平均反射率與參考物進(jìn)行對(duì)比確定大氣的影響。 QUAC 大氣校正算法并不依賴影像獲取過程中的各類參數(shù)信息，大氣參數(shù)和儀器標(biāo)定的誤差對(duì)校正結(jié)果的影響較小[7]。 端元平均反射率ρ′由式(5)表示為

式中ρ1，ρ2，…，ρn為視場(chǎng)內(nèi)各物質(zhì)的端元光譜反射率；n 為端元個(gè)數(shù)。

2.2 水體葉綠素a 濃度反演

(1) 三波段光譜指數(shù)

光譜指數(shù)是一種基于光譜反射率構(gòu)建的指標(biāo)函數(shù)，依據(jù)地物的光譜特性，通過波段組合度量地表參量[22]。 在嘗試了多種三波段組合后，選擇遍歷后相關(guān)系數(shù)較高的公式反演三波段指數(shù)(Three-Band Index，TBI)，由式(6)表示為

式中Rλ1、Rλ2、Rλ3分別為395 ～900 nm 范圍內(nèi)波長(zhǎng)為λ1、λ2和λ3處的遙感反射率。

(2) 四波段光譜指數(shù)

按照三波段光譜指數(shù)法選取波段組合的方法，運(yùn)用水體反演葉綠素a 濃度的四波段公式反演四波段指數(shù)(Four-Band Index，F(xiàn)BI)，由式(7)[23]表示為

式中Rλ4為395～900 nm 范圍內(nèi)波長(zhǎng)為λ4處的遙感反射率。

(3) CatBoost 算法

CatBoost 算法是梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)算法框架的改進(jìn)算法，運(yùn)用排序提升方法構(gòu)建模型，在不同的迭代中會(huì)采用不同的排列順序，訓(xùn)練集中的噪聲點(diǎn)被消除，梯度估計(jì)與濃度預(yù)測(cè)誤差得到了解決。 CatBoost 算法通過減少超參數(shù)調(diào)優(yōu)來抵抗模型過度擬合，增強(qiáng)了算法的準(zhǔn)確性和泛化能力，其計(jì)算過程添加了先驗(yàn)值和權(quán)重參數(shù)，一些低頻率類型的數(shù)據(jù)和噪聲點(diǎn)對(duì)數(shù)據(jù)整體趨勢(shì)的影響得到有效控制。 CatBoost 算法可由式(8)表示為

式中xσj，k、xσp，k分別為第k 個(gè)訓(xùn)練樣本的第j、p 個(gè)類別特征；xi，k為類別特征平均值；[]為指示函數(shù)運(yùn)算，即括號(hào)內(nèi)兩個(gè)量相等時(shí)取1，否則取0；Yj為第j 個(gè)樣本的標(biāo)簽； P 為添加的先驗(yàn)項(xiàng)；a 為先驗(yàn)值的權(quán)重。

(4) 反演模型構(gòu)建

對(duì)大氣校正的影像提取像元光譜，并基于葉綠素a 實(shí)測(cè)濃度，提取最優(yōu)TBI 和FBI 用于CatBoost模型的特征組建。 CatBoost 模型采取相同的隨機(jī)種子進(jìn)行訓(xùn)練集(70%)與驗(yàn)證集(30%)的劃分，網(wǎng)格搜索法在指定范圍內(nèi)進(jìn)行枚舉[24]，將效果最好的參數(shù)用于模型構(gòu)建。

一元線性模型的建模參數(shù)分別為TBI 和FBI 的最優(yōu)遍歷結(jié)果[25]，訓(xùn)練集與驗(yàn)證集的劃分同CatBoost 模型。

2.3 大氣校正及葉綠素a 反演精度評(píng)價(jià)

為定量比較大氣校正模型的校正效果，使用光譜角制圖(Spectral Angle Mapper，SAM)[26]、均方根誤差(Root Mean Square Error，RMSE)和相關(guān)系數(shù)來衡量不同模型校正后的影像光譜反射率與實(shí)測(cè)反射率之間的接近程度[21]。 SAM 光譜角α 的余弦值由式(9)表示為

式中N 為樣本總數(shù)；Ai、Bi分別為第i 個(gè)像元向量的光譜值。

相關(guān)系數(shù)r 由式(10)表示為

式中Xi、Yi分別為像元光譜值和實(shí)測(cè)光譜值；和分別為像元、實(shí)測(cè)的光譜均值。

葉綠素a 濃度反演精度采用決定系數(shù)R2和均方根誤差RMSE 評(píng)價(jià)。 RMSE 和R2分別由式(11)和(12)表示為

式中Xai、Yai分別為葉綠素a 濃度的實(shí)測(cè)值和反演值；yi、分別為實(shí)測(cè)值和模型反演值；為N 個(gè)yi的均值。

3 結(jié)果與分析

3.1 大氣校正

3.1.1 大氣校正下的光譜曲線對(duì)比

由于實(shí)測(cè)點(diǎn)位分布在獨(dú)山湖區(qū)域，因此僅針對(duì)南四湖的獨(dú)山湖區(qū)域展開分析。 不同大氣校正參數(shù)見表1，觀測(cè)日期為2021 年10 月22 日，過境時(shí)間為世界標(biāo)準(zhǔn)時(shí)間(Universal Time Coordinated， UTC)03:19:42，中心經(jīng)緯度為35.28°N、116.80°E。 其中，F(xiàn)LAASH、QUAC 大氣校正參數(shù)均在ENVI 中完成，由于沒有相應(yīng)的傳感器類型，所以統(tǒng)一選擇“unknown sensor”。

表1 大氣校正參數(shù)表

為保證光譜信息的可信度，任取一點(diǎn)(14 號(hào)點(diǎn))的實(shí)測(cè)值和全部監(jiān)測(cè)點(diǎn)光譜均值，分別與大氣校正光譜對(duì)比，結(jié)果如圖2 所示。 由于葉綠素和類胡蘿卜素的吸收，在440 和490 nm 附近形成兩個(gè)小反射谷；藻類色素的低吸收以及水中懸浮物的散射，使得光譜曲線在570 nm 附近形成了大反射峰；4 種光譜曲線均在675 和700 nm 附近分別形成了大反射谷和大反射峰，這與前人的研究結(jié)果一致[27]。 對(duì)比圖2(a)和(b)發(fā)現(xiàn)，除反射率略有升高外，光譜均值與14 號(hào)點(diǎn)光譜曲線的整體趨勢(shì)基本一致。 由于受到水面天空光等多種信號(hào)的影響，大氣校正曲線普遍高于實(shí)測(cè)光譜曲線。 校正方式的不同使得光譜反射率的值高于實(shí)測(cè)值的程度也不一樣，6S 借助大氣校正產(chǎn)品逐一計(jì)算得到每波段每像素的地表反射率值，光譜反射率最接近實(shí)測(cè)值；而FLAASH 是基于整張圖像[4]，且重采樣減少了光譜的波段數(shù)量，對(duì)于藍(lán)光波段的不完全校正使得FLAASH 曲線出現(xiàn)部分負(fù)值。 QUAC 則是基于影像本身，且水體占比較大，有利于進(jìn)行水體的光譜校正。

圖2 不同大氣校正光譜對(duì)比

3.1.2 精度評(píng)價(jià)

38 個(gè)采樣點(diǎn)的實(shí)測(cè)光譜數(shù)據(jù)與大氣校正數(shù)據(jù)的指標(biāo)值如圖3 所示。 6S 和QUAC 模型的光譜角余弦值都在0.9 以上，而FLAASH 模型的余弦值略低一些，且各點(diǎn)之間的差異較大。 同時(shí)6S 模型的r在3 種大氣校正模型中最高，這也說明6S 模型對(duì)地物光譜信息的保持度高。 6S 與FLAASH 模型的RMSE 值均約為0.15，QUAC 的值與實(shí)測(cè)值的離散程度較大。 綜上所述，6S 模型的評(píng)估結(jié)果均表現(xiàn)良好，F(xiàn)LAASH 模型的光譜信息保持較弱，QUAC 模型校正后的影像反射率缺乏代表性，校正效果不穩(wěn)定。

圖3 大氣校正精度指標(biāo)圖

3.2 葉綠素a 濃度反演

3.2.1 多維光譜指數(shù)提取

在文章研究的光譜波段范圍內(nèi)(395～900 nm)，通過MATLAB 軟件實(shí)現(xiàn)基于TBI 和FBI 公式的波段反射率循環(huán)迭代。 基于實(shí)測(cè)葉綠素a 濃度，利用相關(guān)系數(shù)r 提取最優(yōu)的波段組合，計(jì)算模型參數(shù)。選取相關(guān)性最高的前5 個(gè)光譜指數(shù)組合作為CatBoost 反演模型的參數(shù)，選取相關(guān)性最優(yōu)的光譜指數(shù)進(jìn)行一元線性回歸模型的反演。 TBI 和FBI 的相關(guān)結(jié)果分別見表2 和3。

表2 三波段光譜指數(shù)及相關(guān)系數(shù)

表3 四波段光譜指數(shù)及相關(guān)系數(shù)

3.2.2 葉綠素a 濃度反演

對(duì)影像光譜數(shù)據(jù)和實(shí)測(cè)葉綠素a 濃度，數(shù)據(jù)測(cè)試集和訓(xùn)練集分別占30%、70%。 將基于TBI 和FBI 構(gòu)建的一元線性反演模型應(yīng)用到遙感影像上，分別得到12 個(gè)點(diǎn)的反演值。 將不同算法的反演值與實(shí)測(cè)值進(jìn)行擬合，結(jié)果如圖4 所示。 6S 大氣校正后得到的葉綠素a 濃度反演值，在以三波段和四波段作為特征參數(shù)的線性模型中，均具有良好表現(xiàn)。QUAC 大氣校正與FLAASH 大氣校正后的線性模型反演精度略有差異，其中QUAC 四波段線性模型精度最高。 整體來說，反演值與實(shí)測(cè)值的R2最高能達(dá)到0.74，模型效果較好。

圖4 不同大氣校正算法反演結(jié)果與實(shí)測(cè)結(jié)果擬合圖

選擇與一元線性模型相同的訓(xùn)練集，由于CatBoost 不需要過多調(diào)參，因此主要調(diào)節(jié)模型決策樹的數(shù)量(n＿estimators)、學(xué)習(xí)率(learning＿rate)和決策樹的深度(depth)，其余參數(shù)保持默認(rèn)，按照參數(shù)調(diào)優(yōu)標(biāo)準(zhǔn)，得到CatBoost 模型參數(shù)見表4。

表4 CatBoost 模型反演參數(shù)設(shè)置

AHSI 影像反演模型和精度評(píng)價(jià)結(jié)果見表5。CatBoost 模型的建模精度總體良好，測(cè)試集最高相關(guān)系數(shù)R2＝0.80、RMSE ＝4.97 μg/L。 由于CatBoost 模型在不同參數(shù)組合中取得的精度最高，且在6S 和QUAC 大氣校正后的參數(shù)反演結(jié)果均較好，因此選用CatBoost 模型進(jìn)行南四湖水體葉綠素a 濃度反演。

表5 AHSI 影像反演模型和精度評(píng)價(jià)結(jié)果

對(duì)比不同大氣校正的模型建模結(jié)果，6S 大氣校正的模型擬合效果最好，其中四波段參數(shù)CatBoost模型的擬合精度最高。 基于QUAC 大氣校正的三波段參數(shù)和四波段參數(shù)組合的CatBoost 模型擬合精度均優(yōu)于FLAASH 大氣校正。 QUAC 大氣校正效果缺乏穩(wěn)定性，模型最低擬合精度R2＝0.35。

將模型應(yīng)用到影像，得到南四湖葉綠素a 濃度反演結(jié)果如圖5 所示。 可以看出，質(zhì)量濃度空間差異明顯，高值主要分布在南陽湖的東部沿岸和獨(dú)山湖的湖心，流動(dòng)性較弱區(qū)域，這與前人的研究結(jié)果相符[28]。 然而，該組合方法下模型的泛化能力較差，選取的波段對(duì)該地區(qū)的水體葉綠素a 缺乏敏感性，影像模糊是由于反射信號(hào)包含高光譜噪聲。

圖5 不同大氣校正下的CatBoost 模型AHSI 影像南四湖葉綠素a 濃度

對(duì)比不同光譜指數(shù)的反演，四波段參數(shù)選擇的波段反射率更接近實(shí)測(cè)反射率，參數(shù)信息更能體現(xiàn)葉綠素a 濃度變化。 這一點(diǎn)在6S 與QUAC 大氣校正的影像中表現(xiàn)明顯。

6S 大氣校正的三波段與四波段參數(shù)模型反演，R2均穩(wěn)定在較高水平，表明6S 大氣校正對(duì)于高光譜反演水體葉綠素a 濃度具有良好的適用性，可作為影像預(yù)處理時(shí)的優(yōu)先選擇大氣校正方法。

考慮到QUAC 模型以影像本身作為對(duì)象，對(duì)同類地物光譜采集取均值的校正特性，對(duì)比葉綠素a濃度反演結(jié)果分析，特征影像受地物異物同譜特性的影響較大。 由于受大氣等光學(xué)條件的影響，不同水體葉綠素a 濃度監(jiān)測(cè)點(diǎn)的光譜可能存在較大差異[5]，在求取均值后，不同葉綠素a 濃度對(duì)應(yīng)的光譜值存在相近或相等的情況，這將對(duì)反演造成困難，三波段和四波段參數(shù)的光譜值出現(xiàn)誤差，造成最終反演精度出現(xiàn)不確定性。

FLAASH 大氣校正后的反演效果均不理想，可能是選取的TBI 與FBI 所用波段對(duì)葉綠素a 并不敏感[29]，F(xiàn)LAASH 模型以大氣校正產(chǎn)品作為系數(shù)，不同波段參數(shù)的組合對(duì)影像的泛化能力也不盡相同，導(dǎo)致構(gòu)建的模型不能很好地預(yù)測(cè)水體中的葉綠素a濃度。

4 結(jié)論

基于南四湖ZY－1 02D 影像，分別進(jìn)行了6S、FLAASH 和QUAC 的大氣校正處理，并對(duì)提取的光譜反射率進(jìn)行多種組合，分別利用線性回歸模型和CatBoost 模型中反演水體中葉綠素a 濃度，得到主要結(jié)論如下:

(1) 6S 模型校正效果最佳，QUAC 次之，F(xiàn)LAASH 模型效果最差；

(2) CatBoost 模型能在一定程度上提高反演精度，排序提升的模型構(gòu)建以及先驗(yàn)值的添加消除了誤差噪聲，在不需要過多調(diào)參的情況下即可達(dá)到較好的回歸預(yù)測(cè)精度；

(3) 6S 模型的四波段組合CatBoost 模型反演結(jié)果的R2最高為0.80，更有利于提高光譜數(shù)據(jù)在南四湖中部的獨(dú)山湖葉綠素a 濃度反演中的真實(shí)性和反演精度。