Remote Sensing Science May 2015, Volume 3, Issue 2, PP.25-30
Study on Remote Sensing Retrieval Models of Chlorophyll-a Concentration in Bohai Bay Huilin Ye 1#, Jingqin Mu 2, Guoqing Yao 1 1. College of Information Engineering, China University of Geosciences (Beijing), Beijing 100083, China 2. College of Computer Science, Tangshan Normal University, Tangshan Hebei 063000, China #
Email: hlye@cugb.edu.cn
Abstract Based on in-situ measurements of chlorophyll-a concentration and ETM imagery in Bohai bay, remote sensing retrieval models were built up. According to the feature of the spectral reflectance of Bohai bay coastal water, analysis was conducted to decide the correlation between the reflectance of the first 4 bands of ETM and chlorophyll-a concentration for making a statistical model. To improve the retrieval accuracy, a BP neural network model was constructed, consisting of 4 input nodes (the reflectance of the first 4 bands of ETM), 8 hidden nodes and 1 output node (chlorophyll-a concentration). The results indicate that the BP neural network model has higher accuracy with R2 achieved 0.956 than the statistical model with R2 achieved 0.864 and the BP neural network model provides a reliable basis and method for monitoring water chlorophyll-a concentration by remote sensing technology quickly and accurately. Keywords: Bohai bay; Chlorophyll-a Concentration; Statistical Model; BP Neural Network Model
渤海湾叶绿素 a 浓度的遥感反演模型研究 * 叶慧琳 1，母景琴 2，姚国清 1 1. 中国地质大学（北京）信息工程学院，北京 100083 2. 唐山师范学院计算机系，河北 唐山 063000 摘 要：利用水面采样数据与准同步的 ETM 影像，建立了渤海湾叶绿素 a 浓度的遥感反演模型。根据渤海湾近海水域光 谱特征，分析了 ETM 影像前 4 个波段的反射率与叶绿素 a 浓度的相关性，以此建立了 R2 为 0.864、RMSE 为 0.957 的统 计模型。为进一步提高反演精度，构建了由 ETM 前 4 个波段反射率作为输入节点、8 个隐含节点和叶绿素 a 浓度作为输 出节点组成的 BP 神经网络模型，其 R2 为 0.956、RMSE 为 0.856。结果表明，BP 神经网络模型的反演精度高于统计模型， 为利用遥感技术快速、准确地监测水域叶绿素 a 浓度提供了可靠的基础和方法。 关键词：渤海湾；叶绿素 a 浓度；统计模型；BP 神经网络模型
引言 水体中叶绿素a浓度的高低与藻类的种类和数量等有密切关系，因此叶绿素a浓度是反映水体中浮游植物 生物量的综合指标[1]，也是评价海洋水质、有机污染程度和渔场资源的重要参数[2]。准确探测、分析和模拟 叶绿素a浓度及其时空分布变化特征，对于掌握近岸渔业资源、监测赤潮和评估水体富营养化状况具有重要 的研究意义[3]。传统的叶绿素a浓度测定方法主要靠测量船的走航取样并在实验室中进行测量[4]，成本高且 耗时长，并且这种逐点采样的测量方式，采样分散，无法满足大范围、长时间的连续同步测量需求[3,5]，难 以表现水质指标在空间和时间上的分布变化。利用卫星遥感方法估算海水叶绿素a浓度可以弥补常规方法的 *
基金资助：受唐山市工业应用基础指令项目支持资助（项目编号：12140204A-4） 。 - 25 http://www.ivypub.org/RSS
缺陷，已成为监测水体叶绿素a浓度的重要手段。 自20世纪70年代以来，国内外学者们提出了多种基于遥感数据的分析方法，如陈楚群[5]、佘丰宁[6]、吕 恒[7]、李继龙[8]、李苗[9]、邬明权[10]、王贵臣[11]等分别利用遥感影像和实测资料构建了叶绿素a浓度的回归 反演模型。近年来，潘梅娥[12]、王琦[13]、姜广甲[14]、刘大召[15]、刘朝相[16]、杜娟[17]、温新龙[18]等也利用不 同的卫星数据源进行叶绿素a浓度反演的研究。根据理论基础及实测数据量的大小，利用遥感数据反演水质 参数的方法主要包括经验－统计方法、半经验－半分析方法和理论方法[19]。
1
研究区域 渤海湾是我国渤海三大海湾之一，位于渤海西部，是三面环陆的浅海盆，总面积15900km2。海底地势
由岸向湾中央缓慢倾斜，平均水深12.5米。海河、大清河等汇入渤海湾，向其注入大量悬浮泥沙，沉积物以 淤泥和粉沙淤泥为主[10]。近年来环渤海地区经济活动增加，人口稠密，其水域生态系统受到了严重影响。 渤海湾每年都要接纳大量的陆源污染物，由于其半封闭的地理环境，海水循环更新能力差，造成水体的富 营养化严重，赤潮频繁发生，渤海湾的环境问题日益突出。
2
研究方法 本次研究获取了渤海湾近海水域从2007年10月至2010年8月历时约3年，不同时间采集的叶绿素a的浓度
数据，10个观测站的分布位置如图1所示，采集的样本的叶绿素a浓度范围为0.00097-18.5µg/L。根据采样日 期就近选取了覆盖渤海湾水域云量较少的ETM影像，共获得对应样本62个，影像获取日期和采样日期如表1 所示。研究中将全部样本随机分成两组，其中46个样本用作模型训练，16个样本用作模型检验。 表 1 数据采样表 卫星过境日期 2007 年 10 月 20 日 2008 年 10 月 6 日
采样日期 2007 年 10 月 9 日 2008 年 10 月 1 日
采样点数 2 5
2009 年 4 月 16 日 2009 年 5 月 2 日 2009 年 5 月 18 日
2009 年 5 月 1 日
6 6 6
2009 年 10 月 1 日
7 8
2010 年 5 月 12 日
5 2
2010 年 8 月 15 日
8 7
2009 年 9 月 23 日 2009 年 10 月 9 日 2010 年 4 月 3 日 2010 年 6 月 6 日
图 1 观测站分布图
2.1
2010 年 7 月 24 日 2010 年 9 月 10 日
ETM 影像的预处理 水体的反射率远低于大多数其他地物，除在蓝绿波段有较强反射，在其他可见光波段都明显地吸收，
尤其在近红外波段强吸收。但当水中含有其他物质时，反射光谱曲线会发生变化。水中含叶绿素时，近红 外波段明显抬升，且随着叶绿素浓度的增大，水体对近红外光的反射率显著增大，同时蓝光波段的反射率 下降，绿光波段的反射率增高[4,20]。故本次研究使用ETM的前4个波段来构造反演模型。 本次研究使用的是ETM L1T影像产品，经过系统辐射校正和地面控制点几何校正。由于受传感器和大 气的影响，多时相影像上同一目标的光谱特征差异很大，影响影像信息的提取，必须对影像进行大气校正 处理[10]。首先利用ENVI 5.1软件的辐射定标工具Landsat Calibration及ETM头文件数据，对影像进行辐射定 标，将传感器记录的电压或数字量化值（DN值）转换成绝对辐射亮度值（辐射率）[21]；再利用ENVI 5.1中 的FLAASH大气校正模块对ETM影像进行大气校正。FLAASH大气校正是目前使用效果较好的大气校正工具， 它可以高保真地恢复地物波谱信息，获得地物比较准确的地表温度、反射率以及辐射率等真实物理模型参 - 26 http://www.ivypub.org/RSS
数[22-23]。
2.2 象元阵列的选择 为了削弱随机噪声影响和减小几何误差，取影像上采样点相邻象元阵的平均值替代该点的反射率。本 次研究提取了采样点及邻近3×3、5×5、7×7、9×9、11×11象元阵的平均反射率，并计算所有采样点各 象元阵的平均值，如图2所示。可知，取5×5阵列时，反射率平均值已相对稳定，当象元阵列增大时，平均 值不再显著变化，因此，取采样点相邻5×5象元阵的平均值作为该采样点的反射率。
图 2 所有采样点象元阵列的平均值分布图
2.3 统计反演模型的建立 根据对渤海湾水体光谱特征的分析，在SPSS软件的支持下对ETM影像前4个波段及波段组合与叶绿素a 浓度进行相关性分析，其中，𝑇𝑀3/(𝑇𝑀1 + 𝑇𝑀4)与叶绿素a浓度的自然对数的相关系数最高。然后采用逐步 回归方法，结果如表2所示，构建了统计模型： ln(Chla) = 33.635 − 31.850 ×
𝑇𝑀3
𝑇𝑀1+𝑇𝑀4
+ 25.887 × ln �
𝑇𝑀3
𝑇𝑀1+𝑇𝑀4
𝑇𝑀4
� + 0.937 × ln �𝑇𝑀3+𝑇𝑀4�
(1)
式中：TM1、TM3、TM4为ETM第1、3、4波段的反射率，ln(Chla )为叶绿素a浓度的自然对数。该模型的R2为 0.864，RMSE为0.957，训练组与测试组的实测值和模型输出值如图3所示。 表 2 逐步回归模型汇总 模型 1 2 3
R a
0.791 0.906b 0.930c
R方
调整 R 方
标准估计的误差
0.626 0.821 0.864
0.617 0.812 0.855
1.553515302149 1.087385945345 0.957376956749
更改统计量 R 方更改
F 更改
Df1
Df2
Sig.F 更改
0.626 0.195 0.044
73.550 46.808 13.472
1 1 1
44 43 42
0.000 0.000 0.001
a. 预测变量: (常量), TM3/(TM1+TM4); b. 预测变量: (常量), TM3/(TM1+TM4), ln(TM3/(TM1+TM4)); c. 预测变量: (常量), TM3/(TM1+TM4), ln(TM3/(TM1+TM4)), ln(TM4/(TM3+TM4)); 因变量: ln(Chla)
2.4 BP 神经网络反演模型的建立 由图3可以看出，用一般统计方法构建的渤海湾叶绿素a浓度的反演模型，用于监测叶绿素a浓度时存在 较大误差。这是由于渤海湾水体的光学特性复杂，很难用一般统计模型来描述，因此尝试构建神经网络模 型来反演渤海湾的叶绿素a浓度。 人工神经网络方法(Artificial Neural Network)是模仿人脑及其活动的一个理论化的数学模型，是一个大 - 27 http://www.ivypub.org/RSS
规模的非线性自适应系统[24]，具有强大的自学习、自组织、并行处理信息和非线性容错能力 [25-26]。理论上 已经证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数[27]。因而， 神经网络模型可以更好地模拟遥感光谱特性与叶绿素a浓度之间的复杂关系。近年来，人工神经网络也被应 用在海洋水色遥感的反演问题[28-30]。BP神经网络(Back-Propagation Neural Network)是一种基于误差反传算法 的多层前馈网络，可以通过神经网络的自学习功能确定神经元之间的耦合权值，从而使网络整体具有近似 函数的功能，非常适用于非线性系统的建模研究[31]。BP神经网络作为人工神经网络模型中最常用的一种， 已被应用于藻类生长、水质状况等预测方面的研究中[32-33]。 本次研究利用BP神经网络模型来反演渤海湾叶绿素a浓度，BP神经网络由输入层、隐含层和输入层组成， 其中隐含层可以有多个节点。将ETM影像前4个波段的反射率值（经FLAASH大气校正后）作为输入节点， 将叶绿素a浓度实测值作为输出节点，设置隐含层节点数为8，该BP神经网络模型结构如图4所示，激活函数 选用双曲正切函数，训练采用Levenberg-Marquardt算法，在MATLAB R2011b软件中实现。经训练后得该模 型的R2为0.956、RMSE为0.672，训练组与测试组的实测值和模型输出值如图5所示。 4
训练组 测试组
3.5 3 实测值µg/L
2.5 2
1.5 1 0.5 0 0
0.5
1
1.5 2 2.5 输出值µg/L
3
3.5
4
图 3 叶绿素 a 浓度实测值与统计模型输出值的散点图 输入层
隐含层
输出层
band1反射率
band2反射率 叶绿素a浓度值
……
band3反射率
band4反射率
共8层
图 4 BP 神经网络模型结构图
3
图 5 叶绿素 a 浓度实测值与 BP 神经网络模型输出值的散点图
结论 渤海湾水域受人类活动影响强烈，水体组成成分复杂，用单一模型反演其叶绿素a浓度难免具有片面性，
BP神经网络模型具有强大的自学习、自组织、并行处理信息和非线性容错能力，其反演效果要好于统计模 型。因此，以BP神经网络模型为代表的人工神经网络模型对于发展基于遥感数据的分析方法具有重要意义， 同时也为利用遥感技术快速、准确地监测水域叶绿素a浓度提供了可靠的方法，具有很大的开发潜力和广泛 - 28 http://www.ivypub.org/RSS
的应用前景。 本文构建的统计模型和BP神经网络模型的反演精度主要受以下几方面的限制： （1）海洋生态系统本身非常复杂，具有极大的不确定性和混沌性，精确模拟它的发展变化非常困难， 甚至是不可能的[34]； 实测数据测量本身具有随机误差，且无法获得严格同步的ETM影像，造成反演精度不足； （3）FLAASH大气校正方法对ETM影像的校正依赖于输入的大气参数和仪器定标精度[35]，校正结果不 可避免的仍然存在一定的误差，会影响到反演精度； （3）目前对于BP神经网络的结构设计（如隐含层节点数）、网络参数的选取（如学习率等）没有统一 的标准，受人为因素（如经验）的影响。为了提高网络的泛化能力，需要合理设计训练集，因此必须通过 大量的试验获取满意的结构和参数，这种网络模型难免带有缺陷[31]。
REFERENCES [1] J Lin, Y P Su, R X Yu, et al. Study on Chlorophyll-a Trend in Shanzi Reservoir of Fujian Province Using Artificial Neural Network Model [J]. JOURNAL OF SUBTROPICAL RESOURCES AND ENVIRONMENT, 2007, 2(4): 33-40 [2] P F Cong, C L Wang, L M Qu, et al. Remotely Sensed Estimation Models of Ocean Primary Production [J]. ECOLOGY AND ENVIRONMENTAL SCIENCES, 2009, 3(18): 1016-1019 [3] L Qian, W L Liu, W Li, et al. Distribution Characteristics of Surface Chlorophyll-A Concentrations in the Bohai Sea [J]. JOURNAL OF SALT AMD CHEMICAL INDUSTRY, 2010, 39(5): 20-24 [4] A X Mei, W L Peng, Q M Qin, et al. An Introduction to Remote Sensing [M]. Beijing: HIGHER EDUCATION PRESS, 2001 [5] C Q Chen, P Shi, Q W Mao. Study on Modeling Chlorophyll Concentration of Surface Coastal Water Using TM Data [J]. REMOTE SENSING OF ENVIRONMENT CHINA, 1996, 03: 168-176 [6] F N She, Q M Cai, Y W Chen, et al. Quantitative Analysis on Chlorophyll-a Concentration in Taihu Lake Using Thematic Mapper Data [J]. JOURNAL OF LAKE SCIENCES, 1996, 03: 201-207 [7] H Lv, N Jiang, L C Luo. Quantitative Retrieval of Chlorophyll-a by Remote Sensing in Taihu Lake Based on TM Data [J]. SCIENTIA GEOGRAPHICA SINICA, 2006, 26(4): 472-476 [8] J L Li, M Y Jin. Applications of Landsat TM Data for Mapping of Red Tide Distribution in Bohai Bay [C]. XXI ISPRS Congress 2008, 2009: 405-408 [9] M Li, S Y Zang, C S Wu. Inversion of Chlorophyll-a Concentration Based on TM Remote Sensing Image in Keqin Lake [J]. JOURNAL OF AGRO-ENVIRONMENT SCIENCE, 2012, 12: 2473-2479 [10] M Q Wu, S Han, Y Q Zhao, et al. Quantitative Estimation of Chlorophyll-a and Total Suspended Matter Concentration with Landsat TM [J]. REMONT SENSING INFORMATION, 2012, 27(4): 91-95 [11] G C Wang, T T Liu. Chlorophyll a Concentration Monitoring of Dongping Lake Based on Linear Regression Analysis [J]. JOURNAL OF CAPITAL NORMAL UNIVERSITY (NATURAL SCIENCE EDITION), 2015, 02: 72-77 [12] M E Pan, K Yang, L Hong. Remote Sensing Quantitative Retrieval Models Research of Inland Water Chlorophyll-a Concentration Based on HJ-1 Satellite Images [J]. SCIENCE TECHNOLOGY AND ENGINEERING, 2013, 15: 4228-4233 [13] Q Wang, W Meng, Y F Ma, et al. on the Inversion Models for Chlorophyll-a Concentration Based on the HJ-1 Satellite Images of Dahuofang Reservoir, Liaoning [J].JOURNAL OF SAFETY AND ENVIRONMENT, 2013, 04: 137-141 [14] G J Jiang, L Zhou, R H Ma, et al. Remote Sensing Retrieval for Chlorophyll-a Concentration in Turbid Case II Waters (II): Application on MERIS Image [J]. J. INFRARED MILLIM. WAVES, 2013, 04: 372-378 [15] D Z Liu, D Y Fu, Y Z Ding, et al. Remote Sensing of Chlorophyll-a in Zhanjiang Bay and Its Adjacent Waters Based on FY-3A [J]. JOURNAL OF MARINE SCIENCES, 2013, 04: 32-36 [16] C X Liu, Z N Gong, W J Zhao, et al. Remote Sensing Retrieval of Chlorophyll-a Concentration in Beijing Guishuihe River Using Support Vector Machine Model [J]. REMOTE SENSING TECHNOLOGY AND APPLICATION, 2014, 03: 419-427 - 29 http://www.ivypub.org/RSS
[17] J Du, G F Yang, J Q Li. Quantitative Retrieval of Chlorophyll-A by Remote Sensing in Linghe River Based on HJ-1B Data [J]. WATER SAVING IRRIGATION, 2014, 09: 50-53+56 [18] X L Wen, Y S Jiang, Y C Li, et al. Quantitative Estimation of Chlorophyll-a Concentration in Lake Taihu Based on HJ-1 Satellite Images [J]. ENVIRONMENTAL SCIENCE & TECHNOLOGY, 2014, 10: 149-153 [19] X R Xu. Physical of Remote Sensing [M]. Beijing: PEKING UNIVERSITY PRESS, 2005. 02 [20] Y Z Zhang, X Z Zheng, B Zhang. Study on Retrieval of Chlorophyll Concentration by Remote Sensing in Bohai Sea [J]. JOURNAL OF TIANJING UNIVERSITY OF SCIENCE & TECHNOLOGY, 2010, 25(1): 51-53 [21] S L Liang. Quantitative Remote Sensing of Land Surfaces [M]. Beijing: SCIENCE PRESS, 2009. 02 [22] Y L Qiao, X B Zheng, X H Wang, et al. Whole-Process Radiometric Calibration of Optical Remote Sensors [J]. JOURNAL OF REMOTE SENSING, 2006, 10(5): 616-623 [23] J Chen, W Wang, Z Y Li, et al.LANDSAT-5 TM Data Radiometric Correction and Geospatial Positioning Accuracy [J]. JOURNAL OF IMAGE AND GRAPHICS, 2008, 13(6): 1094-1100 [24] Z L Jiang. Introduction to Artificial Neural Networks [M]. Beijing: HIGHER EDUCATION PRESS, 2001, 8: 10-13 [25] X P Wang, J Y Sun, X Jin. Prediction of Water Quality Index in Qiantang River Based on BP Neural Network Model [J]. JOURNAL OF ZHEJIANG UNIVERSITY(ENGINEERING SCIENCE), 2007, 41(2): 361-364 [26] Z Q Yi. Review of Research on Eutrophication Prediction in Lakes and Reservoirs with Intelligent Algorithm [J]. WATER RESOURCES AND POWER, 2010, 28(8): 33-36,26 [27] S Cong. Neural Network Theory and Applications with MATLAB Toolboxes [M]. Hefei: PRESS OF UNIVERSITY OF SCIENCE AND TECHNOLOGY OF CHINA, 1998 [28] T L Zhang, M X He. A Method to Retrieve the Oceanic Chlorophyll-a Concentrations in Case I Water Based on Artificial Neural Network [J]. JOURNAL OF REMOTE SENSING, 2002, 6(1): 40-44 [29] L E Keiner, X H Yan. A Neural Network Model for Estimating Sea Surface Chlorophyll and Sediments from Thematic Mapper Imagery [J]. REMOTE SENSING OF ENVIRONMENT, 1998, 66(2): 153-165 [30] H Li, C G Liu, J Fan, et al. Application of Back-propagation Neural Network for Predicting Chlorophyll-a Concentration in Rivers [J]. CHINA WATER & WASTEWATER, 2009, 25(5): 75-79 [31] E Y He, H Li, X X Ren, et al. The Application of BP Neural Network in the Prediction of Chlorophyll-a Concentration in the Bohai Gulf [J]. MARINE FORECASTS, 2008, 25(2): 1-10 [32] R Y Cai. Artificial Neutral Network Predicting Model of Noctiluca Scientillans Density and Physical and Chemical Parameters [J]. ENVIRONMENTAL MONITORING IN CHINA, 2001, (3): 52-55 [33] J Qiu, Y Yang, Y J Zhang, et al. Study of Forecasting Model on Water Quality Based on Improved BP Model [J]. JOURNAL OF YUNNAN AGRICULTURAL UNIVERSITY(NATURAL SCIENCES), 2007, 22(3): 417-422 [34] X Q Xiang, J H Tao. Prediction of Chl-a in Bohai Bay by Genetic Neural Network and Fuzzy Recognition [J]. MARINE ENVIRONMENTAL SCIENCE, 2011 ,30(2): 239-242, 278 [35] H Yang, X Zhang, T Shuai, et al. Comparision of FLAASH and Empirical Line Approach for Atmospheric Correction of OMIS-Ⅱ Imagery [J]. BULLETIN OF SURVEYING AND MAPPING, 2010, (8): 4-6, 10
【作者简介】 1
叶慧琳（1989-），女，汉族，硕士研究生，主要从事遥感信息处理与应用研究。
Email:hlye@cugb.edu.cn.
- 30 http://www.ivypub.org/RSS