|本文共2841字，阅读约需9分钟
0
论文信息
标题：A decade-long chlorophyll-a data record in lakes across China from VIIRS observations
期刊：Remote Sensing of Environment （一区）
时间：2024
作者：Zhigang Cao
一句话总结：基于VIIRS影像，采用DNN算法反演了中国大型湖泊过去十年的Chl-a浓度，揭示了其时空变化趋势及其影响因素。
声明：以下内容仅代表个人对文章的理解，水平有限，难免出现错讹，欢迎批评指正！
1
亮点
（1）VIIRS遥感反射率在清澈和浑浊湖泊中的性能得到评估。
（2）构建了一种稳健的深度学习算法用于湖泊Chl-a的遥感估算。
（3）该算法展现了整合VIIRS和OLCI数据进行Chl-a估算的能力。
（4）利用VIIRS图像反演了中国217个大型湖泊的Chl-a时空变化。
（5）自2012年以来，中国东部平原的Chl-a呈上升趋势，而青藏高原的Chl-a呈下降趋势。
2
研究意义
（1）叶绿素-a（Chl-a）浓度，作为水体中浮游植物生物量的指标，通常被用来衡量湖泊的富营养化状态和评估水生生态健康。由于资金支持和研究基础的有限，全球大多数湖泊并没有足够的实地数据记录。此外，实地工作在空间和时间覆盖上受到很大限制，影响了湖泊学家对湖泊中Chl-a变化的理解。
（2）基于现场Rrs(λ)光谱的算法应用于卫星图像受到大气校正（AC）的影响；
（3）VIIRS在监测湖泊方面具有潜在的可能性，但VIIRS在广泛区域内推导湖泊中Chl-a的可行性尚未得到充分记录。
（4）本研究目标是：
验证NOAA MSL12衍生的VIIRS Rrs(λ)产品在清澈和浑浊湖泊中的表现，并检查其用于获取Chl-a的可行性；
构建了一个深度神经网络算法，从Rrs(λ)中提取具有不同水质属性的湖泊中的叶Chl-a，并将该算法与现有算法和其他机器学习（ML）方法进行比较；
将实用的算法应用于使用2012年至2021年的VIIRS测量数据在中国217个大湖泊中绘制Chl-a的空间和时间变化，然后揭示其趋势。
3
材料与方法
3.1 研究区
本研究仅关注面积大于50平方公里的湖泊，共调查了中国217个自然湖泊。
研究区概况图
3.2 实测数据集
（1）在每个湖泊中，根据湖泊面积和实际情况，调查了大约3到40个不同地区的站点。在28个湖泊中收集了Rrs(λ)数据。
（2）收集了太湖的Chl-a数据，来源于太湖湖泊生态系统研究实验室，以检验开发的模型用于长期趋势监测的可行性。
3.3 遥感数据处理
（1）本研究收集了2012年至2021年间覆盖中国217个自然湖泊的超过85,000个VIIRS传感器数据记录，使用MSL12系统处理这些数据以生成数据记录，包括归一化离水辐射。
（2）通过改进的大气校正算法和其他质量控制措施，计算了Rrs(λ)值，并排除了低质量像素。
（3）最终，每个像素平均获得了425个有效观测值，用于生成Chl-a的时间序列，研究发现中国西部地区的有效观测值多于东部地区。
3.4 Chl-a反演
（1）生成了VIIRS Rrs(λ)和Chl-a的匹配数据，以评估MSL12衍生的Rrs(λ)的性能，并开发了估算Chl-a的算法。
（2）四种常用的机器学习算法，即深度神经网络（DNN）、随机森林（RF）、支持向量回归（SVR）和极端梯度提升（XGB），用来反演湖泊中的Chl-a。
（3）根据先前研究的经验，768个Rrs(λ)-Chl-a匹配数据被随机分为训练集和测试集，使用70%-30%的划分比例。采用K折交叉验证进行模型检验。
（4）蒙特卡洛模拟被用来量化VIIRS衍生的Rrs(λ)对Chl-a提取的影响。
3.5 统计分析
（1）使用季节性Mann-Kendall分析来分析2012年至2021年Chl-a的变化率。Sen的斜率被估计为过去十年的变化率。
（2）采用下述公式评估富营养化状态：
（3）使用了几个统计指标来评估模型的准确性和偏差：
5
研究结果
5.1 VIIRS获取的Rrs（λ）的精度
（1）NOAA MSL12的Rrs(λ)数据在中国28个不同浑浊度和富营养化水平的湖泊中显示出较高的准确性。
（2）下图展示了从410到862 nm的VIIRS和现场Rrs(λ)匹配数据的直方图。在551、638和671 nm处的Rrs(λ)匹配数据的直方图重叠得很好。Rrs(745)和Rrs(862)匹配数据的直方图通常也很好地叠加，在Rrs(862)的直方图上观察到轻微的偏移。
不同VIIRS波长下MSL12获取的Rrs（λ）的直方图
5.2 浊度的空间变化特征分析
（1）使用现场数据计算出的几个Rrs(λ)光谱比值与Chl-a的相关性并不显著，表明在广泛区域内对湖泊中的叶绿素-a进行估算存在困难。
（2）DNN模型也优于其他三种机器学习模型。
基于VIIRS反演Chl-a的30%独立测试数据集进行验证
（3）在生成长期的Chl-a数据记录之前，应该检查从VIIRS图像反演的Chl-a的空间和季节完整性。下图展示了2015年8月中国东部平原和青藏高原湖泊的Chl-a分布格局，并与相应Chl-a产品的空间分布进行比较。DNN反演的Chl-a显示出可靠的结果，符合典型湖泊中已发布的结果。
中国东部平原和青藏高原湖泊的叶绿素a示例
5.3 中国湖泊叶绿素a的时空变化
（1）基于DNN模型反演了中国217个大型湖泊的长期叶Chl-a浓度。
（2）中国湖泊中VIIRS反演的Chl-a时间序列揭示了三个主要模式：(a) 西部中国湖泊的Chl-a含量较低，而东部中国湖泊的Chl-a含量较高，(b) 随着海拔升高，湖泊中的叶绿素-a含量降低，表明平原湖泊的Chl-a含量高于山区湖泊，以及(c) 湖泊中的Chl-a含量与湖泊深度呈某种程度的负相关，即深水湖泊通常比浅水湖泊具有更低的Chl-a含量。
2012年至2022年各地区VIIRS得出的季节平均Chl-a变化
6
讨论
6.1 该算法在观测Chl-a时间序列中的可行性和局限性
（1）DNN算法利用VIIRS遥感反射率数据与现场Chl-a浓度数据之间的同步匹配，避免了大气校正带来的不确定性，并利用VIIRS数据中从绿色到近红外波段的Rrs(λ)数据，有效提高了Chl-a估值的准确性。
（2）局限性：首先，训练数据集中缺乏高CDOM浓度样本，可能影响模型在类似水体中的表现；其次，高密度藻类和高度浑浊水体中，MSL12的Rrs(λ)数据丢失较多，可能限制了模型捕捉极端水环境的能力。此外，邻近效应残留和底部反射的影响也可能导致叶绿素a估算存在偏差。此外，模型的空间分辨率较低，难以观测小型湖泊，且模型的泛化能力依赖于训练数据集的范围，可能需要根据实际情况进行模型调整或训练。
6.2 VIIRS和OLCI数据在湖泊监测中的整合
（1）该研究将OLCI在490、560、620、674、754和865 nm波段得到的归一化水面辐射亮度(nLw(λ))转换为遥感反射率(Rrs(λ))，并将其作为DNN模型的输入，用于估算中国湖泊的Chl-a浓度。
（2）结果表明，OLCI估算的Chl-a浓度与同一天VIIRS图像中东部平原和青藏高原湖泊的Chl-a浓度吻合良好，说明两者可以相互补充，共同监测湖泊。
（3）此外，OLCI在长江沿岸和赛林错附近的一些小型湖泊中估算的Chl-a浓度表明，OLCI可填补VIIRS在监测小型水体方面的空白。
中国东部平原和青藏高原湖泊的VIIRS和OLCI衍生叶绿素a比较示例
6.3 中国湖泊Chl-a时空格局的调控因素
（1）空间差异: 东部地区湖泊Chl-a浓度高于西部地区，可能与东部地区经济活动强度和人口密度更高有关，导致更多营养物质进入湖泊。
（2）水深影响: 浅水湖泊比深水湖泊生产力更高，Chl-a浓度也更高。
（3）季节变化: 中国湖泊Chl-a浓度夏季高于冬季，这与高温和夏季径流增加有关。
（4）长期趋势: 东部地区湖泊Chl-a浓度呈上升趋势，而西部地区湖泊Chl-a浓度呈下降趋势，这与气候变化和人类活动有关。
6.4 对湖泊环境长期观测的影响
（1）本研究提供了过去十年中国大型湖泊Chl-a的首次完整图像，对于未进行实地调查的湖泊尤为重要。
（2）中国被研究的湖泊中，贫营养和中营养湖泊占54.5%，而45.5%的中国湖泊属于富营养。
7
结论
本研究首先对中国湖泊中NOAA VIIRS遥感反射率(Rrs(λ))产品的性能进行了全面评估。随后，利用VIIRS的Rrs(λ)数据与现场Chl-a浓度数据进行匹配，构建了一种实用且稳健的深度神经网络(DNN)算法用于Chl-a的遥感估算。该算法精度较高，平均误差为32%，优于现有的叶绿素a估算算法。它还生成了中国多个典型湖泊Chl-a的空间和季节性图像，涵盖了从清澈到浑浊以及高度浑浊的水体。本研究提供了过去十年中国大型湖泊Chl-a的首次完整图像。VIIRS数据记录揭示了Chl-a的空间和时间趋势，并且具有下降或上升趋势的湖泊比例相等。自2012年以来，中国东部地区的Chl-a呈上升趋势，而西部湖泊的Chl-a呈下降趋势。我们的数据集不仅丰富了我们对中国湖泊光学特性的理解，而且还评估了湖泊的富营养化水平。未来，该算法将扩展到NOAA-20和NOAA-21卫星上的VIIRS数据，以提供长期的连续Chl-a观测，并阐明Chl-a空间和时间变化背后的驱动因素。
喜欢也行，不喜欢也行；如果觉得有用处的话，还请点点右下角的赞/在看，记得关注我哟！！！
