內陸水體藻藍蛋白濃度遙感監測方法分析

　　摘要 藻藍蛋白(PC)是內陸水域藍藻存在的一個重要指標。眾所周知，藍藻水華對水生生態系統、農業用水及人類健康有著重要的影響。近年來，內陸水體PC濃度遙感監測得到了廣泛的關注。然而，由于內陸水體的生物光學特性復雜，定量監測PC濃度仍然是一個挑戰。本文討論了利用現有遙感數據對PC的監測方法，以期為PC遙感監測研究提供一定的參考。

　　本文源自農業災害研究 2020年6期《農業災害研究》雜志，于2011年經國家新聞出版總署批準正式創刊，CN:36-1317/S，本刊在國內外有廣泛的覆蓋面，題材新穎，信息量大、時效性強的特點，其中主要欄目有：農藥、動物疫病、獸藥等。《農業災害研究》雜志客觀、全面、準確反映中國常見農業災害(尤其是植物病蟲草害和動物疫病)以及由農業引起的次生災害領域的研究水平和技術進步狀況的學術刊物。

　　關鍵詞 藻藍蛋白;遙感;方法分析

　　中圖分類號：X52 文獻標識碼： 文章編號：2095–3305(2020)06–0–02

　　DOI：10.19383/j.cnki.nyzhyj.2020.06.065

　　近年來，由于對水環境和人類健康的不利影響，內陸水體富營養化現象受到越來越多的關注。作為富營養化的一種重要表現形式，頻繁的藍藻水華已經對人類及其環境造成了嚴重威脅。然而，由于缺乏對藍藻毒素的定量調查，很難估算其對飲用水和灌溉水、漁業和地表水等重要資源的潛在危害。因此，對內陸水體藍藻水華的估算，特別是通過遙感技術提供實時的、動態的監測十分重要。

　　葉綠素a(Chl-a)作為浮游植物生物量的標志，在內陸水體中的遙感算法已經較為成熟[1]。藻藍蛋白(PC)作為藍藻特有的色素，已經證明了其在估算藍藻生物量方面的巨大潛力。目前，所提出的幾種產自內陸水域的PC反演算法大多依賴于620 nm附近的光譜曲線特征。一旦遙感數據缺失PC該敏感波段，就只能利用傳統的經驗方法建立模型。因此，不同的遙感數據由于波段數量和位置的不同，產生了不同的估算模型。

　　1 藻藍蛋白估算模型

　　1.1 經驗模型

　　傳統的經驗模型是根據遙感光學特征參數與實測PC濃度之間的統計關系所建立的回歸模型。例如，Vincent等[2]利用TM數據波段比值估算了北美伊利湖的PC濃度。馬榮華等[3]利用MODIS數據，通過建立多項式回歸模型來估算PC濃度。Wozniak等[4]利用OLCI數據建立了波段比值回歸模型，結果顯示高光譜數據在經驗模型中具有一定的潛力，并且隨著高光譜傳感器的發展，傳統的經驗模型也更加注重光譜曲線的光學特性。相對于PC而言，這些算法主要利用了620 nm附近的獨特吸收特性。例如，一些研究人員已經成功地使用650 nm/625 nm/709 nm/620 nm的反射率比值估算了PC濃度。

　　傳統的經驗模型雖然是建立在一定的光譜特征基礎上，但就模型本身而言，仍然是基于實測數據與光譜信息的統計關系上建立的。因此，模型的通用性并不理想，在空間上與時間上的變化很難產生穩定的結果。

　　1.2 半經驗半分析模型

　　為了克服傳統經驗模型的缺點，基于水體光學特性的半分析算法應運而生，并應用于簡單的傳輸模型。在借鑒Chl-a半分析模型算法的基礎上，Gitelson等[5]通過分離620 nm處PC吸收率，提出了幾種估算PC的半分析算法。這些算法已經在一些PC濃度較高的富營養化水域得到了一定的驗證。與傳統的經驗算法相比，半經驗半分析模型在時間和空間尺度上具有更高的通用性。然而，與這些算法仍然存在大氣校正、參數確定等一系列困難。模型的參數確定，尤其是在620 nm處PC吸收參數的確定對模型反演的精度至關重要，參數的不確定性將直接影響算法的精度。在內陸渾濁水體，參數隨時間、空間及水環境的變化而變化，將使得模型在大尺度空間中的應用變得困難。

　　為減少渾濁水體其他水質參數對光譜曲線的影響，Dall'Olmo等[6]提出了三波段半經驗半分析模型，并在對內陸渾濁水體葉綠素a反演取得較好的效果，其公式可表示如下：

　　式中，Rλ1為受水質參數吸收影響最大位置所對應的反射率值，Rλ2為受水質參數吸收影響最小位置所對應的反射率值，Rλ3為受散射影響最小位置所對應的反射率值。因此，三波段的位置λ1、λ2、λ3應分別選擇在620 nm、600 nm、725 nm。然而，由于λ1與λ2波段選取位置較為接近，這種重疊效應使得三波段模型中PC的反演很難達到葉綠素a濃度的反演效果。與此同時，一些學者提出對三波段模型進行一定的校正，校正后λ2波段位置通常設置在650～710 nm處。

　　1.3 分析模型

　　分析模型是通過將多波段數據轉換成吸收系數(a)和向后散射系數(b)的反演算法。該方法在不同水域得到一定的進展。模型假設吸收系數約等于葉綠素a吸收與PC吸收之和。

　　其中，φ1和φ2可以通過波段比值的經驗法估算，φ1=aChl-a (665)/aChl-a (620)，φ2=aPC(665)/aPC (620)。與半經驗半分析模型相比，分析模型是建立在一定的物理基礎上，并且在一定的水域取得了更好的反演效果。然而，由于缺乏aPC(620)的實地測量，導致參數φ1和φ2無法導出和標定，進而導致PC濃度估算中存在較大的不確定性。

　　此外，在內陸水域中除PC和葉綠素a，還存在一定的浮游植物、溶解有機物和無機顆粒物等。由于這些組分的存在，測定PC吸收系數要比設定的情況復雜得多。將多波段反射數據轉換為吸收系數的過程，也會導致一定的不確定性。因此，在內陸水體的分析模型中，參考光譜波段的選擇和經驗參數的確定是一個相當困難的問題。

　　2 小結

　　藻藍蛋白(PC)的定量估算是監測內陸和沿海環境中藍藻水華的關鍵。PC的吸收特性決定了其反演算法較為適合的使用波長范圍為610～630 nm波段。目前，常用的反演算法包括了傳統經驗算法中的波段比值模型、半經驗半分析算法中的三波段模型、分析模型和一些其他校正模型。然而，大多數的衛星傳感器缺少620 nm附近的特定波段。因此，現有的PC反演算法大多集中于野外、船載或機載高光譜傳感器的數據，并進行反演。而在衛星數據中的大規模應用還需要進一步的改進和研究。