东海叶绿素浓度反演算法研究.

Presentation on theme: "东海叶绿素浓度反演算法研究."— Presentation transcript:

1 东海叶绿素浓度反演算法研究

2 一、叶绿素浓度监测意义 （1）全球气候变化 海水叶绿素浓度反映水体浮游生物数量，浮游生物在
阳光照射下发生光合作用，吸收CO2 而放出O2，所以通过 叶绿素的监测，可以了解海洋吸收CO2 的能力，也就是说 海洋在缓解全球气候变暖的作用。目前美国已完成了全球 海洋叶绿素的季节分布图、年分布图和多年平均分布图的 制作，并已公布于众。

3 一、叶绿素浓度监测意义 （2）海洋初级生产力 海洋浮游生物是海洋生物的食物链之源，浮游生物在
光合作用下，吸收的CO2 与水分子结合会转化为葡萄糖（C6H12O6），再和其他碳氢化合物结合而转化为更高级 的碳氢化合物，如淀粉、纤维素等。海洋初级生产力定义为 海洋浮游生物光合作用的速率。中国各海区的叶绿素和初级 生产力的研究，已取得了较快的发展。总的看来，东海区的 浙江沿岸上升流、台湾浅滩上升流区和台湾海峡中、北部的 初级生产力较高；渤海湾和南海中部以南的海区的初级生产 力较低，这个变化趋势与世界其他同类各海区的情况是一致 的。

4 一、叶绿素浓度监测意义 海洋初级生产力的研究意义： A、了解海洋生命，如鱼、虾、贝类的潜在产量。 B、了解海洋在全球碳循环中的作用。
C、了解海区水体水质，如营养程度及赤潮机理等。

5 一、叶绿素浓度监测意义 （3）海洋富营养和赤潮预报
海洋浮游生物的数量既取决于光照、水温也取决于水体营养程度。光照、水温与季节地区关系密切；水体营养程度既取决于水温和低部营养水上升，又取决于陆上江河入海的营养盐数量。当水体营养度超过限度，也就是说水体富营养，此时浮游生物会急剧增加，叶绿素浓度也相应地急增。通过对叶绿素浓度的监测，可以判断该海域是否处于富营养状态。

6 一、叶绿素浓度监测意义 （4）赤潮预报 当水体处于富营养状态时，浮游生物会不断增长，水体液态氧严重不足，
使大批海洋生物（如鱼虾贝类）死亡，导致赤潮灾害发生。赤潮发生除了富营养 的先决条件以外，还与许多因素有关，如水温、水流、光照等，目前关于赤潮发 生的机理尚不十分清楚。 海洋遥感学家相信，通过卫星对赤潮监测的资料积累，终究会提示赤潮发生 的机理。国内外对卫星遥感探测赤潮方法已有众多研究，这些方法从原理上可分 为两类：一是基于赤潮水体光学特性的海洋水色遥感探测（叶绿素浓度增加）， 二是利用赤潮发生过程中水体温度异常的热红外遥感探测。 遥感数据与赤潮信息之间是非线性的，用通常方法是难以建立这种非线性关 系的，但应用人工神经网络方法却可以得到较为满意的映射函数。人工神经网络 方法提取赤潮信息时，既借鉴了先验知识（训练样本），又充分考虑到不同目标 信息在遥感数据中的特征，其结果的表达更为合理和准确。在获得一定代表性赤 潮水体信息的基础上，人工神经网络方法实时处理能力使赤潮的实时监测有望实 现。 我国近岸海 域是赤潮多发区，每年经济损失达数10 亿元，赤潮监测是海洋监测的主要内容 之一

7 二、目前业务化应用叶绿素反演模型

8 二、目前业务化应用叶绿素反演模型 目前卫星海色遥感在中国海存在的问题： 一是标准大气校正算法在中国海失效，
传统的“黑象素”假设不在成立，蓝波段离水辐亮度被明 显的低估； 二是由于中国海属于陆架海又受到三大河流的影响，近岸 区域富含泥沙悬移质、有色可溶有机物CDOM，使得在大洋 水中得到成功应用的传统叶绿素浓度反演算法（如SeaWiFS OC2、OC4ver4 等）在中国海不再有效。

9 三、东海叶绿素浓度反演算法 3.1 实验基础： 为了改善 SeaWiFS 标准大气校正算法处理结果，最终发展
适用于东海的叶绿素浓度反演的经验算法，我们在2002 年9 月、2003 年9 月参与两次“973”航次，在东海进行了 Hyper-TSRB 现场试验以及叶绿素浓度的同步测量。

10 三、东海叶绿素浓度反演算法 3.1 实验基础： 海面高光谱辐射计(Hyper-TSRB)直接测量的光学参数有： 一是海面向下的辐照度E-d；
二是向上的辐亮度L-u。 结合海面高光谱辐射计Hyper-TSRB 在水下部分0.65m 深 度算法，利用仪器附带的数据处理软件Prosoft可以间接得到归 一化离水辐亮度Lwn 和遥感反射比Rrs。

11 三、东海叶绿素浓度反演算法 3.1 实验基础： 归一化的离水辐亮度Lwn光谱曲线(400nm~700nm)

12 三、东海叶绿素浓度反演算法 3.1 实验基础： 遥感反射比Rrs光谱曲线(400nm~700nm)

13 三、东海叶绿素浓度反演算法 3.2 东海SeaWiFS 大气校正结果修正
通过把 1998 年7 月JGOFS 航次、2002 年9 月973 航次、 2003 年9 月973航次的Hyper-TSRB 实测数据处理得到的各波 段遥感反射比和时空匹配的SEAWiFS 卫星资料经过标 准大 气校正算法处理得到的对应通道的遥感反射比进行逐 波段 校正。 本论文中尽量选取实测数据与SeaWiFS 卫星资料相匹配 的点，由于SeaWiFS 卫星资料受到云的影响很大，这为我们 进行下面的工作带来了不小的难度，

14 三、东海叶绿素浓度反演算法 3.2 东海SeaWiFS 大气校正结果修正 首先从众多的试验数据和SeaWIFS 卫星资料中遴选出的数
据点。然后： (1) SeaWiFS 412nm 通道的遥感反射比Rrs(412)的校正 (2) SeaWiFS 443nm 通道的遥感反射比Rrs(443)的校正 (3)SeaWiFS 490nm 通道的遥感反射比Rrs(490)的校正 (4) SeaWiFS 510nm 通道的遥感反射比Rrs(510)的校正 (5) SeaWiFS 555nm 通道的遥感反射比Rrs(555)的校正 (6) SeaWiFS 670nm 通道的遥感反射比Rrs(670)的校正

15 三、东海叶绿素浓度反演算法 Hyper-TSRB 实测数据和SEAWiFS 卫星得到的对应通道的遥感反射比进行逐波段校正

16 三、东海叶绿素浓度反演算法 3.2 东海SeaWiFS 大气校正结果修正 3.2 东海SeaWiFS 大气校正结果修正

17 三、东海叶绿素浓度反演算法 3.2 东海SeaWiFS 大气校正结果修正 其中： ■代表 SeaWiFS 可见光7 个
波段经过SeaDAS 处理得到的 遥感反射比 ▲代表Hyper-TSRB 现场实测 各波段的遥感反射比 ●代表经过二次校正以后的各 波段遥感反射比 按照上表的公式对一组 SeaDAS（详见附录）处理得到的光谱进行“二次校正”， 如下图所示： 校正结果对比图如下所示：

18 三、东海叶绿素浓度反演算法 将此图与未校正的数据对比，有了明显的改善：
尤其是在412nm、443nm、490nm波段的校正幅度比较大， 校正以后的光谱比SeaDAS 处理结果更逼近Hyper-TSRB 现场实测遥感反射比光谱 这也进一步证明了进行对应波段的校正是有必要的，以及以上提出的标准大气校正校正算法改善方法在东海的可行性。 对 SeaWiFS 卫星资料经过以上方法的处理的到的各波段的遥感反射比的波 段比与现场同步的Hyper-TSRB实测遥感反射比计算得到遥感反射比的波段比之间的对比关系如下图所示

19 三、东海叶绿素浓度反演算法 3.2 东海SeaWiFS 大气校正结果修正 对 SeaWiFS 卫星资料经过以上方法的处理的到的各波
段的遥感反射比的波段比与现场同步的Hyper-TSRB实测遥 感反射比计算得到遥感反射比的波段比之间的对比关系如 下图所示：

20 三、东海叶绿素浓度反演算法 3.2 东海SeaWiFS 大气校正结果修正
修正后的SeaWiFS 的R值与Hyper-TSRB 实测的R值之间对比关系 其中 R= log10(Rrs443>Rrs490>Rrs510/Rrs555)

21 三、东海叶绿素浓度反演算法 经过改善方法处理后的波段比相对于 SeaDAS 得到的波段 比有更高的精度，从一定程度上减少了由于“黑象素假设”
在高生产区和浑浊区对412nm、443nm 两个波段严重的过校 正带来的误差。

22 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
现今业务化运行的 SeaWiFS 卫星的叶绿素浓度反演算法（例如SeaWiFS 的OC2、OC4Ver4[39]算法皆采用的是波段比的形式。 首先对SeaWiFS 数据经过SeaDAS 进行处理得到遥感反射比， 然后根据3.2提出的逐波段校正算法进行遥感反射比的二次校正， 最后针对前面叶绿素浓度反演算法表中提及的eaWiFS OC4Ver4 算法中使用的波段比R= log10(Rrs443>Rrs490>Rrs510/Rrs555)和现场实测的叶绿素浓度[chl-a]，建立叶绿素浓度经验反演算法。

23 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
3.3.1 现场数据选取中遇到的难题以及解决方案： 由于卫星遥感数据反演得到的是海水上表层叶绿素浓度 的平均结果，因此在利用搜集到的叶绿素浓度的现场实测资 料时要充分考虑叶绿素浓度在上表层的垂直分布情况。分以 下两种情况进行分析： （1） 对于有垂直分布剖面数据的点，进行深度积分，计算 剖面总叶绿素浓度。 （2） 对于仅有表层叶绿素浓度没有垂直分布数据。 本文尽可能多的搜集了自 1997 年9 月SeaWiFS 投入运行 以来，现场试验和文献中提及到的东海叶绿素浓度现场资 料。

24 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
（1） 对于有垂直分布剖面数据的点，进行深度积分，计算剖面总叶绿素浓度。 海色卫星数据应用叶绿素浓度反演算法最终应该得到的叶绿素浓度值为深度上的平均： 其中， [Chl − a(h)]为深度为h 的实测叶绿素浓度 H为实测数据的剖面最大深度 本文尽可能多的搜集了自 1997 年9 月SeaWiFS 投入运行 以来，现场试验和文献中提及到的东海叶绿素浓度现场资 料。

25 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
取 2002 年9 月16 日E6（ E, N）站位为 例说明计算步骤。 分别在海表层（0m）、25m、45m、60m、80m 深度采样 测量，绘制叶绿素浓度的垂直分布散点连线图如下所示：

26 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
Σ[Chl - a]为折线与y 轴所包围的4 个直角梯形的面积： Σ[Chl - a]＝[（ ＋ ）×25＋（ ＋ ）×20＋（ ＋ ）×15＋ （ ＋ ）×20]/2 ＝ ug/l [Chl-a] = Σ[Chl - a]/H＝ /80＝ ug/l A=[Chl-a]/Chl-a(0)=0.4702/ =3.2778

27 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
（2） 对于仅有表层叶绿素浓度没有垂直分布数据 选取与之位置相近且有剖面数据的校正权重 A [Chl-a]=Chl-a(0)×A A 在本文中是一及其重要参数，是对同一海区仅有表层叶绿素浓度数据进行校正的权重参数，由它可以更好的利用来之不易的表层叶绿素浓度数据，避免剔除本已很珍贵的现场资料。

28 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
3.3.2 卫星数据在选取中遇到的难题以及解决方案 由于传感器本身性能缺陷、云层覆盖、白帽、太阳耀 斑的影响，使得海色卫星数据经常出现不连续。表现在遥 感图像上就有一些白色或者黑色的斑点，我们可以认为它 受到了噪声的干扰。 但是，信息总是相关存在的以临域信息为基础，采用 临域信息优化方法[59]，针对那些没有值而其周围八个象素 有值的象素点采用此法进行估计。如下图所示象素H9 没有 值，而H1~H8 是有值的。

29

30 3.3 SeaWiFS 数据东海叶绿素浓度反演算法

31 3.3 SeaWiFS 数据东海叶绿素浓度反演算法
应用 SeaDAS4.5 的标准大气校正算法处理了与现场资料同 步的SeaWiFS 资料，得到了各波段的遥感反射比，根据3.4 所 提出的东海的遥感反射比逐波段校正算法进行改善处理，得 到了相对准确的遥感反射比。参考SeaWiFS 业务化运行算法 OC4Ver4 的形式，建立了适用于东海的叶绿素浓度经验反演 算法，如下图所示：算法简单易行适用于快速大量的计算， 缺点是仅仅适用于东海属于区域性算法。

32 3.3 SeaWiFS 数据东海叶绿素浓度反演算法

33 四、结论与分析

34 四、结论与分析

35 四、结论与分析

36 四、结论与分析 对比以上图像发现在近岸水域（如长江口）二者有很大的差别：
经过校正后的OC4v4 算法处理得到叶绿素浓度在近岸比OC4v4 计算得到的叶绿素浓度要小许多； 通过一些实测资料的对比和一些文献上的介绍，OC4v4 算法在中国海近岸海区是不准确的，一般对叶绿素浓度有严重的高估现象； 在大洋水中（东经126oC 以东海区），两幅图像的差别并不大； 根据调查船现场实测资料以及相关文献记载，东海在冬季的叶绿素浓度变化范围为： ug/l；东海在春季的叶绿素浓度的变化范围为： ug/l；东海在夏季的叶绿素浓度的变化范围为：0.11-5ug/l；东海在秋季的叶绿素浓度的变化范围为： ug/l。

37 四、结论与分析 本文利用 2003 年9 月973 航次东海站位数据进行印证， 遗憾的是这8 个站位的数据仅仅有表层数据，没有剖面数
据，要根据其所在海区的垂直分布特性，得到其权重系数A。 由于卫星数据受云层影响，只有匹配的5个点。

38 四、结论与分析

39 四、结论与分析 平均相对误差为30.86%，明显高于SeaWiFS OC4ver4 的反演精度。由于现场试验数据的搜集工作非常困难，随着现场数据的进一步补充，本算法会得到进一步的印证，另外1998 年1-12 月SeaWiFS 资料反演叶绿素浓度结果也从侧面印证了本算法较传统的OC4ver4 在东海有更好的适用性。