基于无人机高光谱与卫星数据的河流叶绿素a和悬浮物浓度监测
基于无人机高光谱与卫星数据的河流叶绿素a和悬浮物浓度监测
英文: Monitoring of chlorophyll-a and suspended sediment concentrations in optically complex inland rivers using multisource remote sensing measurements
研究单位
北京师范大学
华中师范大学
摘要
近几十年来，受气候变化和人类活动复合影响，城市河流浮游植物增殖及沉积物输入问题日益突出。鉴于河流宽度有限，传统高空间分辨率卫星在波段设置、带宽及信噪比方面存在局限，无人机凭借其卓越的时空分辨率，成为河流环境监测及反演不确定性评估的重要工具。该研究基于无人机高光谱（X20P）、多光谱（P4M）图像以及Sentinel-2 MSI、Landsat-8 OLI和Landsat-9 OLI2卫星数据，系统评估了河流叶绿素a（Chla）和悬浮物（SS）浓度反演的不确定性。通过逐步多元回归及典型反演算法，分别构建了基于无人机和卫星数据的Chla和SS模型，并深入分析了模型性能。研究结果显示，在Chla浓度反演中，传感器性能排序为：X20P > P4M > Landsat9 OLI2 > Sentinel-2 MSI > Landsat8 OLI；而在SS反演中，排序为：X20P > Sentinel-2 MSI > P4M > Landsat9 OLI2 > Landsat8 OLI。此外，基于无人机的模型分析揭示了高空间分辨率卫星反演的不确定性，指出窄带宽及精细波段设置对Chla反演至关重要。典型Chla反演算法NDCI仅在特定波段有效（波段1：684-724nm，波段2：660-680nm），而Landsat8和Landsat9缺失关键红边波段（700-710nm），严重限制了Chla反演的实际应用。然而，不同传感器波段差异对SS反演影响较小，各传感器R/B算法（典型的SS反演算法）与SS相关性介于0.68至0.77之间。另一方面，Chla监测对空间分辨率要求高于SS监测。无人机影像重采样至10m和30m分辨率时，Chla监测精度显著下降，而对SS反演影响较小。以P4M为例，原始分辨率（RMSE<30cm=6.28mg/L）图像重采样至10m（RMSE10m=5.85mg/L）和30m（RMSE30m=4.08mg/L）分辨率后，SS反演精度反而有所提升。该研究结果不仅展示了未来监测Chla和SS的多种选择，还强调了无人机与卫星协同作用在实现更大空间和时间尺度上精确观测的重要性，为水环境管理与保护提供了有力支持。
研究数据
高光谱数据：高光谱数据由Cubert X20P机载框幅式高光谱成像仪获取。该成像仪采用革命性的框幅式高光谱成像技术，具有20MP的超高清大面阵光谱探测器，可同步获取350~1000 nm范围内164个光谱通道高光谱图像，在1/1000秒内获得整个高光谱立方体数据，更适合高速移动式测量，数据真实可靠无伪影，影像具有厘米级地理坐标信息，配备一体式无刷云台，内置控制及固态存储，适合多旋翼或固定翼无人机搭载。
研究过程
图1 研究区域的地理位置、采样点位置和多源遥感数据真彩色图像（a：研究区域位置；b：采样点分布；c：2022年7月25日基于无人机的多光谱图像；d：2022年7月25日基于无人机的高光谱图像；e：2022年7月25日Sentinel-2 MSI图像；f：2022年7月25日Landsat8 OLI图像；g：2022年7月25日Landsat9 OLI2图像）
表1 卫星影像获取日期
图2 各传感器的带宽及波段分布（a）、各采样点（NPS-南排水河；NY-南运河）高光谱曲线平均值
表2 常用于Chla和SS反演的光谱指数（R-红色，G-绿色，B-蓝色，RE-红边，NIR-近红外）
图3 NPS和NY中Chla（ug/L）和SS（mg/L）的分布
图4 Chla（a）和SS（b）与基于多源遥感数据的典型光谱指数的相关性（***P < 0.001，**P < 0.01，*P < 0.05）
图5 多源遥感数据的逐步回归交叉验证结果：（a）Chla、（b）SS
图6 Chla实测值和模型预测值的散点图
图7 SS实测值和模型预测值的散点图
表3 Landsat8与Landsat9反演Chla的精度比较
图8 重采样后Chla和SS逐步多元回归模型的精度（a和c分别为基于无人机重采样图像的Chla回归模型的R-sq和RMSE；b和d分别为基于无人机重采样图像的SS回归模型的R-sq和RMSE）
图9 基于X20P的归一化差异叶绿素指数（NDCI）波段选择
研究结论
该研究比较了基于无人机的多光谱、高光谱传感器，以及Sentinel-2 MSI、Landsat8 OLI和Landsat9 OLI2等卫星传感器在监测城市河流Chla和SS方面的性能。无人机技术有效解决了大气影响、混合像元和邻近效应等难题，为评估常用高空间分辨率卫星在Chla和SS监测中的不确定性提供了有力工具。通过多源遥感数据的对比分析，深入探讨了遥感技术反演水色参数的不确定性，并揭示了不同传感器在Chla和SS反演中的独特优势与局限性。
研究发现，Chla和SS的反演对传感器的要求存在显著差异。在Chla反演中，传感器性能排序为：X20P > P4M > Landsat9 OLI2 > Sentinel-2 MSI > Landsat8 OLI，表明高空间分辨率对Chla监测至关重要。而在SS反演中，性能排序为：X20P > Sentinel-2 MSI > P4M > Landsat9 OLI2 > Landsat8 OLI，说明更大的空间尺度有望提高SS监测的准确性，这与不同参数空间分布的异质性有关。窄带宽和精确的波段设置对于Chla监测至关重要，因其光学特征仅存在于特定波段范围内，而SS监测则主要依赖红光和近红外波段。
该研究结果表明，无人机在水环境昼夜时空动态格局监测方面具有广阔的应用前景，能够为地面和卫星监测提供重要补充。在大多数情况下，无人机与高空间分辨率卫星的联合使用可显著提高监测精度，且产生的空间浓度梯度反演结果相似，表明两种技术的联合应用是未来发展的重要方向。该研究成果为高空间和时间分辨率的水体遥感及多源数据联合观测提供了有益参考，并建议未来应进一步推进水环境的协同观测，充分发挥多源数据的协同作用，以实现更精准、高效的水环境监测与管理。
原文链接：https://doi.org/10.1016/j.ecolind.2023.111041
