研究方法：

1. 數(shù)據(jù)收集：在吉林查干湖不同區(qū)域和時(shí)間段，使用高光譜相機(jī)獲取水體的反射光譜數(shù)據(jù)。同時(shí)，通過(guò)傳統(tǒng)方法采集水樣，測(cè)定葉綠素A的實(shí)際含量。

2. 數(shù)據(jù)分析：對(duì)收集到的光譜數(shù)據(jù)進(jìn)行預(yù)處理，提取與葉綠素A含量相關(guān)的特征波長(zhǎng)。這些特征可能包括特定波長(zhǎng)處的反射率、吸收峰等。

3. 模型建立：利用化學(xué)計(jì)量學(xué)和機(jī)器學(xué)習(xí)算法，建立吉林查干湖水體葉綠素A含量與光譜特征之間的定量模型?？梢圆捎镁€性或非線性回歸、支持向量機(jī)等算法進(jìn)行建模。通過(guò)訓(xùn)練和優(yōu)化模型，確定模型參數(shù)并評(píng)估模型的性能。

4. 模型驗(yàn)證：使用獨(dú)立的驗(yàn)證數(shù)據(jù)集對(duì)建立的模型進(jìn)行驗(yàn)證。通過(guò)比較模型預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)性、均方誤差等指標(biāo)，評(píng)估模型的準(zhǔn)確性和可靠性。

為了探討高光譜相機(jī)在水體葉綠素A含量的模型研究中的應(yīng)用，本文以吉林省查干湖水體為例進(jìn)行了研究。葉綠素A是水體中重要的成分，其濃度與水體中藻類(lèi)的種類(lèi)、數(shù)量以及水質(zhì)狀況密切相關(guān)。通過(guò)測(cè)定葉綠素A含量可以在一定程度上反映水質(zhì)狀況。然而，葉綠素遙感監(jiān)測(cè)存在著許多困難，比如水體中其他物質(zhì)的光學(xué)影響，以及藻類(lèi)和其他污染物質(zhì)的差異等。這導(dǎo)致了在提取光譜特征時(shí)無(wú)法建立整體分析模型。

1實(shí)驗(yàn)材料與方法

1.1研究區(qū)概況

查干湖主體處于前郭縣境內(nèi)，小部分水體跨大安市和乾安縣.地處嫩江與霍林河交匯的水網(wǎng)地區(qū)，屬內(nèi)陸半咸水湖泊，是吉林省最重要的漁業(yè)基地，也是松遼平原第一大湖、查干湖地處大陸性季風(fēng)型半干旱

氣候區(qū)，年均氣溫4.5℃,≥14℃的水溫日數(shù)145d;日照時(shí)數(shù)2880h,年均輻射量4429 MJ/m2,5月-9月份輻射量為2319MJ/m2;年均降雨量為450.8mm,蒸發(fā)量為1063.5mm;春季多大風(fēng)，其中風(fēng)速≥17m/s的日數(shù)年均29d;冰封期130d左右，結(jié)冰期日數(shù)150d左右，冰厚0.8-1.1m.該湖正常運(yùn)行水位130m時(shí)，水域面積3.72×10?hm2,平均水深2.52m,水體容積5.98×10?m3;集水區(qū)內(nèi)均為鹽堿化農(nóng)田和牧場(chǎng)；湖底平坦，粉沙質(zhì)土壤，周?chē)寥罏榘租}堿土；湖泊水質(zhì)為蘇打型鹽堿水，多泥沙懸浮，透明度在20~50 cm之間，葉綠素a濃度7月份較高，在40μg/L左右，采樣期間其它月份一般在5-30μg/L左右(表1),屬富營(yíng)養(yǎng)型湖泊.查干湖主要補(bǔ)給來(lái)源為引松工程，其次還有霍林河、洮兒河、嫩江、天然降水和地下水等為查干湖補(bǔ)給水源[,12]

1.2數(shù)據(jù)獲取方法

為研究查干湖水質(zhì)，2004年5月到2005年6月，共進(jìn)行了7次野外采樣，對(duì)研究區(qū)內(nèi)代表點(diǎn)位分別用GPS進(jìn)行定位導(dǎo)向，同步測(cè)量各點(diǎn)水體透明度和反射光譜，并采集水樣，用以實(shí)驗(yàn)室分析其他水質(zhì)參數(shù).7次采樣共計(jì)95點(diǎn)，隨機(jī)選取其中50個(gè)作為建模數(shù)據(jù)，其余用以模型驗(yàn)證.葉綠素a濃度的測(cè)定在采樣后，立即返回實(shí)驗(yàn)室過(guò)濾，然后用丙酮萃取，蔽光24h后，采用分光光度計(jì)法測(cè)定.反射光譜測(cè)量采用用廣東賽斯拜克產(chǎn)品SineSpecSCX系列-成像高光譜相機(jī)進(jìn)行相關(guān)研究。可在350-1050nm波長(zhǎng)范圍內(nèi)進(jìn)行連續(xù)測(cè)量，采樣間隔為1.4nm,光譜分辨率3nm,視場(chǎng)角25°,共有512個(gè)采樣值.

光譜測(cè)量時(shí)間為北京時(shí)10:00～14:00,7次采樣當(dāng)時(shí)天氣晴朗無(wú)風(fēng)，湖面基本平靜.光譜測(cè)量在距水面上方1m處進(jìn)行，光譜儀傳感器探頭方向基本垂直于水面.在每個(gè)點(diǎn)位，進(jìn)行20次反射光譜測(cè)量，最后取其平均值作為該點(diǎn)的光譜反射值，每個(gè)樣點(diǎn)測(cè)定前都進(jìn)行白板定標(biāo).實(shí)驗(yàn)室內(nèi)對(duì)每條平均反射光譜利用其在350-1000nm范圍內(nèi)的波段反射率進(jìn)行歸一化處理，選取400-1000nm波譜范圍作為研究數(shù)據(jù).

1.3建模方法

數(shù)據(jù)處理與建模方法在水質(zhì)參數(shù)高光譜研究中起關(guān)鍵作用，在本研究中將主要從三個(gè)方面來(lái)對(duì)獲取數(shù)據(jù)加以分析，并在此基礎(chǔ)上建立模型.首先，分別對(duì)水體高光譜數(shù)據(jù)、微分光譜數(shù)據(jù)與同步獲取的對(duì)應(yīng)采樣點(diǎn)水體葉綠素?cái)?shù)據(jù)逐波段相關(guān)分析，并進(jìn)行線性回歸分析.微分光譜采用以下公式計(jì)算：

R(λ;)2=〔R(A+)-R(A;-)〕/(λ;+y-λ;-1)

(1)

其中，λ,A;,λ?-1為相鄰波長(zhǎng)，R(λ?)'為波長(zhǎng)λ;的一階微分反射光譜.然后，采用光譜比值法建立水體葉綠素含量反演模型，評(píng)價(jià)不同比值法建立模型的精度；在此基礎(chǔ)上建立神經(jīng)網(wǎng)絡(luò)模型，將與水體葉綠素含量相關(guān)密切的波段作為輸入變量，反演水體葉綠素含量；最后對(duì)比分析不同方法建立的水體葉綠素a含量模型的精度.

2分析與討論

2.1光譜反射率特征

查干湖水體光譜反射率呈現(xiàn)典型的內(nèi)陸水體光譜特征(圖1).400-500 nm范圍內(nèi)，由于葉綠素a在藍(lán)光波段的吸收峰及黃色物質(zhì)在該范圍的強(qiáng)烈吸收作用，水體的反射率較低[13],但由于懸浮物的影響，葉綠素a在440nm的吸收峰不是很明顯；510-620nm范圍的反射峰是由于葉綠素、胡蘿素弱吸收，細(xì)胞和懸浮顆粒的散射作用形成的[3],該反射峰值與色素組成有關(guān)，而且水體葉綠素濃度越高，該反射峰值也越高，可以作為葉綠素定量標(biāo)志[14];630、675nm附近出現(xiàn)反射率低谷，630 nm低谷是由于藻青蛋白吸收引起[3],675mm是葉綠素a的又一吸收峰，因此當(dāng)藻類(lèi)密度較高時(shí)水體光譜反射率曲線在該處出現(xiàn)谷值1;685-715nm存在一個(gè)明顯的反射峰，一般認(rèn)為是葉綠素a的熒光峰3,9,19,且會(huì)隨著葉綠素a濃度的增加而向長(zhǎng)波方向移動(dòng)[3],該反射峰的出現(xiàn)是含藻類(lèi)水體最顯著的光譜特征，其存在與否通常被認(rèn)為是判定水體是否含有藻類(lèi)葉綠素的依據(jù)，反射峰的位置和數(shù)值是葉綠素a濃度的指示(8).在近紅外的短波方向820nm左右存在一個(gè)懸浮物反射峰，而進(jìn)入900 nm左右，水體反射率急劇下降.

2.2光譜反射率、微分光譜與水體葉綠素a含量的相關(guān)分析

微分光譜技術(shù)通過(guò)對(duì)反射光譜進(jìn)行數(shù)學(xué)運(yùn)算，可以迅速地確定光譜彎曲點(diǎn)及最大最小反射率的波長(zhǎng)位置，微分技術(shù)對(duì)光譜信噪比非常敏感.研究表明，光譜的低階微分處理對(duì)噪聲影響敏感性較低，因而在實(shí)際應(yīng)用中較有效[l?|.一般認(rèn)為，可用一階微分處理去除部分線性或接近線性的背景、噪聲光譜對(duì)目標(biāo)光譜(必須為非線性的)的影響[17].在本研究中，對(duì)采集的全部光譜數(shù)據(jù)按公式(1)進(jìn)行了微分處理，然后將光譜反射率、微分光譜與水體葉綠素a含量數(shù)據(jù)進(jìn)行線性相關(guān)分析與逐波段線性回歸分析、如圖2所示，光譜反射率與葉綠素濃度在400-600nm區(qū)間相關(guān)系數(shù)在0.45-0.5左右；600-730nm區(qū)間，相關(guān)系數(shù)在

0.55左右；730-900nm區(qū)間的相關(guān)系數(shù)在0.70左右.光譜反射率與葉綠素濃度在紅光與近紅外短波方向密切相關(guān)的現(xiàn)象在內(nèi)陸懸浮物多且富營(yíng)養(yǎng)化水體中較為常見(jiàn)[1,8],這種現(xiàn)象目前還沒(méi)有給出其物理原因.從微分光譜與葉綠素濃度的相關(guān)系數(shù)的變化趨勢(shì)看，在藍(lán)、綠光波段相關(guān)系數(shù)較小，在紅光、近紅外的短波方向相關(guān)系數(shù)較高，但總體上沒(méi)有光譜反射率與水體葉綠素含量的相關(guān)系數(shù)高.

由以上分析表明，各波段光譜反射率、微分光譜與葉綠素a濃度的相關(guān)系數(shù)、線性回歸確定性系數(shù)普遍較低.這是由于查干湖多懸浮物，其高反射率掩蓋了水體中的葉綠素信息[19],同時(shí)本研究共計(jì)進(jìn)行了7次采樣，時(shí)間跨度較大，因此在采樣過(guò)程中，外界環(huán)境不可避免會(huì)對(duì)采集的光譜值有一定的影響，水體各種組成成分的變化同樣會(huì)對(duì)光譜反射率產(chǎn)生影響，以上種種影響都會(huì)對(duì)葉綠素反演起到干擾作用.這與以往針對(duì)富營(yíng)養(yǎng)化水體進(jìn)行研究的結(jié)果相似[1].

2.3波段比值法回歸模型的構(gòu)建

采用反射比可以部分地消除水表面光滑度和微波隨時(shí)間和空間變化的干擾，并在一定程度上減小其他污染物的影響',5,20,21].在葉綠素遙感中，通常利用葉綠素濃度與光譜響應(yīng)間的明顯特征，采用不同波段比值法擴(kuò)大葉綠素吸收峰與葉綠素反射峰或熒光峰間的差異，提取葉綠素濃度信息[1,5,22,281.

我們采用葉綠素?zé)晒夥?700nm)和葉綠素反射峰(580nm)兩個(gè)波段的反射率比值作為白變量，葉綠素濃度作為因變量，隨機(jī)提取50組數(shù)據(jù)建立回歸方程(圖3a):

Y=0.5554e?0s(R2=0.6239,N=50,P<0.01)

(1)

以剩余的46組數(shù)據(jù)對(duì)回歸模型(1)進(jìn)行了驗(yàn)證，并對(duì)所有樣本的預(yù)測(cè)值與實(shí)測(cè)值之間的關(guān)系進(jìn)行了線性回歸，結(jié)果如圖(3b),從圖3b中可以看出，線性回歸的中心線與1:1線之間存在一定的偏離，而且回歸的確定性系數(shù)R2僅為0.5767,剩余殘差RMSE為5.87624(μg/L),表明模型預(yù)測(cè)結(jié)果不是很理想.

Koponcn等人發(fā)現(xiàn)!8.21],通過(guò)對(duì)光譜反射率值進(jìn)行對(duì)數(shù)轉(zhuǎn)換，有助于對(duì)葉綠素a含量進(jìn)行定量遙感.

因此對(duì)In(Ro/R?sn)和In(Chl-a)進(jìn)行了對(duì)數(shù)處理，然后以隨機(jī)挑選的50組數(shù)據(jù)進(jìn)行回歸，得到的回歸方程為：

y=1.4821e2501

(2)

式中，y為In(Chl-a);x為In(R/Rw)數(shù)值，回歸的確定性系數(shù)R2為0.7067、以剩余樣本對(duì)模型進(jìn)行了驗(yàn)證，并將全部樣本的實(shí)測(cè)值與預(yù)測(cè)值進(jìn)行線性回歸，其方程為：

y =0.5727x +0.5628

(3)

最終回歸的確定性系數(shù)R2為0.6733,剩余殘差RMSE為4.8144μg/L.通過(guò)對(duì)比表明對(duì)數(shù)處理使回歸精度有了明顯提高，這主要是對(duì)數(shù)處理能夠?qū)ζx正常情況較大的數(shù)據(jù)起到歸一化作用，使數(shù)據(jù)更加收斂.

2.4葉綠素a含量的神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代中后期世界范圍內(nèi)迅速發(fā)展起來(lái)的一個(gè)前沿領(lǐng)域，因其良好的預(yù)測(cè)性和實(shí)用性被廣泛應(yīng)用于各個(gè)領(lǐng)域，尤其在遙感影像自動(dòng)分類(lèi)與定量分析方面得到了廣泛應(yīng)用4-261.由于BP神經(jīng)網(wǎng)絡(luò)具有并行處理、非線性、容錯(cuò)性、自適應(yīng)和自學(xué)習(xí)的特點(diǎn)，在數(shù)據(jù)擬合與模擬中有著無(wú)比的優(yōu)越性、因此本文嘗試采用BP神經(jīng)網(wǎng)絡(luò)，把多個(gè)波段的反射率作為輸入矢量來(lái)預(yù)測(cè)查干湖水體葉綠素a隨光譜反射率的變化，改善以往單波段或比值法建立模型參與波段少、反演精度低的缺陷.

本研究采用的BP神經(jīng)網(wǎng)絡(luò)模型是由Matlab的Neural Network Toolbox提供，網(wǎng)絡(luò)共有3層，依次為輸入層、隱藏層和輸出層.輸入層為不同診斷波段的光譜反射率，中間層的神經(jīng)元個(gè)數(shù)為2-10之間的可變因子；輸出層神經(jīng)元為1.中間隱藏層的激活函數(shù)為tansig,輸出層為purelin函數(shù)，使得輸出結(jié)果不局限在0-1之間；訓(xùn)練函數(shù)采用的是trainlm,該函數(shù)由Levenberg-Marquardt開(kāi)發(fā)，其特點(diǎn)是運(yùn)算高效，收斂快.在96個(gè)水體葉綠素a數(shù)據(jù)中隨機(jī)抽取50個(gè)作為訓(xùn)練樣本的學(xué)習(xí)目標(biāo)T,將431 nm、681 nm、705nm、820 nm處的反射率作為輸入矢量P(選擇這4個(gè)波段的反射率主要是綜合考慮水體在可見(jiàn)光與紅邊處的光譜反射特征

差異較大，處于葉綠素吸收或反射峰值區(qū)，而以人工神經(jīng)網(wǎng)絡(luò)來(lái)擬合實(shí)測(cè)數(shù)據(jù)需要尋求不同波段的互補(bǔ)優(yōu)

勢(shì)),中間隱藏層的神經(jīng)元可在2-10之間變動(dòng)，輸出層神經(jīng)元為1,設(shè)置網(wǎng)絡(luò)學(xué)習(xí)的迭代次數(shù)為300.

當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，把剩余樣本的光譜數(shù)據(jù)作為輸入矢量P,進(jìn)行模擬所得預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行

擬合，結(jié)果如圖4a所示.當(dāng)隱藏層的節(jié)點(diǎn)數(shù)為8時(shí)，確定性系數(shù)R2與剩余殘差RMSE分別為0.9515、

1.8425μg/L.可以看出，神經(jīng)網(wǎng)絡(luò)的模擬精度遠(yuǎn)遠(yuǎn)高于單波段與比值法構(gòu)建的回歸模型.當(dāng)隱藏層的節(jié)點(diǎn)數(shù)為2-9時(shí)，R2與RSME的變化情況以及二者的對(duì)比情況如表2.從表2可以看出隨著節(jié)點(diǎn)數(shù)量的增加，網(wǎng)絡(luò)的模擬精度在不斷增加，但也有個(gè)別情況下，節(jié)點(diǎn)數(shù)增大反而預(yù)測(cè)精度略有下降.一般而言，當(dāng)節(jié)點(diǎn)數(shù)為7-9時(shí)，網(wǎng)絡(luò)的模擬精度已經(jīng)趨于穩(wěn)定，節(jié)點(diǎn)數(shù)的增加對(duì)模擬的精度不會(huì)有太大的提高，而且節(jié)點(diǎn)過(guò)多可能出現(xiàn)過(guò)度擬合.

由圖2b微分光譜與水體葉綠素a的線性回歸的趨勢(shì)可以發(fā)現(xiàn)，水體葉綠素a與微分光譜在部分波段關(guān)系密切，因此在本研究中將580nm、700nm、800nm、860nm波長(zhǎng)處的微分光譜作為輸入變量，進(jìn)行了神經(jīng)網(wǎng)絡(luò)模擬，得到的結(jié)果如圖4b.從圖4b的結(jié)果可以看出，以微分光譜作為輸入變量的神經(jīng)網(wǎng)絡(luò)模型同樣可以收到良好的反演精度.筆者在本研究過(guò)程中，曾嘗試用不同波段的反射率以及微分光譜值作為輸入變量

進(jìn)行神經(jīng)網(wǎng)絡(luò)模擬，都收到了良好的模擬結(jié)果；但是當(dāng)輸入變量與水體葉綠素a濃度相關(guān)性較低時(shí)，神經(jīng)網(wǎng)絡(luò)的模擬精度就會(huì)有所下降，因此在神經(jīng)網(wǎng)絡(luò)模擬構(gòu)成中，所選擇的波段一定要與模擬目標(biāo)有一定的相關(guān)性.唐軍武等211在黃東海水域使用412、443、490、510、555nm等波段也取得了較好的效果.目前，國(guó)內(nèi)外利用神經(jīng)網(wǎng)絡(luò)算法反演水質(zhì)參數(shù)多用于遙感影像，由于神經(jīng)網(wǎng)絡(luò)強(qiáng)大的模擬能力，一般來(lái)說(shuō)精度都比較高，如Zhangl?]等利用神經(jīng)網(wǎng)絡(luò)模型在海岸帶水體取得了較好的效果.但是，神經(jīng)網(wǎng)絡(luò)模型提取葉綠素a的不足之處在于它需要大量的樣本(一般在50以上)來(lái)訓(xùn)練與測(cè)試，因此在以神經(jīng)網(wǎng)絡(luò)模型進(jìn)行水體葉綠素a反演時(shí)，一定要在大樣本事件的前提下進(jìn)行，并且網(wǎng)絡(luò)的訓(xùn)練以及隱藏層節(jié)點(diǎn)數(shù)都要合理控制，避免過(guò)度訓(xùn)練與過(guò)度擬合現(xiàn)象的發(fā)生.

3結(jié)論

本文在分析查干湖水體反射光譜特征的基礎(chǔ)上，通過(guò)對(duì)光譜反射率與葉綠素a濃度之間的關(guān)系進(jìn)行分析研究，結(jié)果表明：?jiǎn)尾ǘ喂庾V反射率與葉綠素a濃度的相關(guān)系數(shù)在藍(lán)、綠光波段為0.5左右，而在紅光以及近紅外短波方向，相關(guān)系數(shù)在0.5-0.7之間變化，并且隨著波長(zhǎng)的遞增，相關(guān)系數(shù)有所增加.光譜反射率比值(R/Rn)與葉綠素a濃度之間密切相關(guān)，對(duì)二者進(jìn)行對(duì)數(shù)處理后，回歸的精度有所提高，確定性系

數(shù)R2為0.7067,且兩者顯著性水平P<0.01,模型驗(yàn)證也呈極顯著水平P<0.01,可以用來(lái)估算葉綠素a濃度.無(wú)論是逐波段線性回歸，還是比值法建立的模型，其反演精度都不是很高，但是神經(jīng)元網(wǎng)絡(luò)模型可以大大提高高光譜定量反演葉綠素a含量的精度，以光譜反射率或微分光譜與葉綠素a相關(guān)系數(shù)較大的波段作為輸入變量，都能夠收到良好的反演精度.