一种基于GEE的大尺度区域湖库叶绿素a制图方法技术

一种基于GEE的大尺度区域湖库叶绿素a制图方法，本发明专利技术涉及一种区域湖库叶绿素a制图方法。本发明专利技术提供了一种基于GEE的大尺度区域湖库叶绿素a制图方法，准确地估算多时空尺度叶绿素a浓度及其空间变化状况监测。具体方法：一、获取叶绿素a实测数据；二、获取遥感影像数据；三、筛选出有效匹配数据；四、有效匹配数据进行随机分配；五、构建湖库叶绿素a随机森林反演模型；六、将步骤五所述的叶绿素a反演模型应用于GEE存储的天顶角反射率实现大尺度区域、多时空尺度湖库叶绿素a快速制图。本发明专利技术的方法构建了适用于天顶角反射率的大尺度区域湖库叶绿素a反演模型，可实现多尺度时序和空间水质和富营养化程度监测和快速制图。水质和富营养化程度监测和快速制图。水质和富营养化程度监测和快速制图。

【技术实现步骤摘要】
一种基于GEE的大尺度区域湖库叶绿素a制图方法


[0001]本专利技术涉及一种区域湖库叶绿素a制图方法。

技术介绍

[0002]叶绿素a(Chlorophyll
‑
a,Chl
‑
a)是湖泊、水库水环境监测的重要指标之一，其浓度变化能综合反映水质情况。水体叶绿素a含量过高容易导致水质变差、溶解氧降低、藻华暴发以及藻毒素释放，严重威胁水生生物的生存环境，以及人类生产生活用水安全。在剧烈人为活动影响和全球气候变暖情景下，湖库富营养化情形日益加重。据统计，全球面积大于25km2的2058个湖泊中，63.1％处于富营养化状态，其中亚洲以54％富营养化湖泊位列首位。因此，湖泊富营养化已经成为影响大部分水生态系统的全球水质问题。
[0003]传统的水质监测是野外采样—室内化学分析方法，也是目前我国环境生态环境监测部门采取的主要方法，这一方法虽然精度高，但其弊端比较多：首先，单个采样点不能代替整个湖库水质状况，无法全面反映流域尺度污染状况；其次，采样和实验过程需要消耗大量人力、物力和财力；再者，不能实现可视化图景和连续时空序列表达。特别是，单个湖库Chl
‑
a时空变化研究在进行大尺度范围的监测研究方面受限，难以满足当今社会对水质监测的需求。
[0004]开展基于大尺度的湖库Chl
‑
a浓度监测研究目的，一为不同的环境因素控制着局部尺度(即单个湖库)或多尺度(即区域湖库群)湖库的营养状况，个别湖库的富营养化状态是由湖库内部生物因素主导，通过湖库定点原位采样可了解湖泊富营养化机制过程。相比之下，非生物因素(即气候和水文因素)及其它们之间的联系是决定湖泊在多个尺度上生物地球化学的关键因素，它常常需要监测数十个或数百个湖库以建立营养状况的时空格局。因此，为了了解湖库对全球气候和区域环境变化的响应机制，需要对湖库营养状况进行大尺度研究。
[0005]遥感技术具有实时快速、准确和低成本的优势，能够获取卫星存档数据实现连续的时空变化分析，为国家、洲际或全球大尺度水质监测和评价提供契机，通过采用易于分析指标和方式，可实现对湖库进行连续、快速的监测和评价，更好的为水资源管理和污染控制政策的实施提供参考依据。但受限于大区域空间差异和计算机处理能力，国家、洲际或全球湖库叶绿素a浓度同步卫星遥感监测算法暂未报道，缺乏应用大尺度区域叶绿素a快速制图方法。

技术实现思路

[0006]本专利技术提供了一种基于GEE的大尺度区域湖库叶绿素a制图方法，准确地估算多时空尺度叶绿素a浓度及其空间变化状况监测。
[0007]本专利技术基于GEE的大尺度区域湖库叶绿素a制图方法按照以下步骤进行：一、采集不同气候地理环境背景的湖库水体样品，获取叶绿素a实测数据；
[0008]二、基于GEE计算云平台获取与现场采集水样对应的遥感影像数据，提取各个波段
的天顶反射率值和备注信息；
[0009]三、根据备注信息，移除受云、山体阴影、大气气溶胶的遥感影像数据，筛选出有效匹配数据；
[0010]四、将步骤三得到的有效匹配数据进行随机分配，其中70％为叶绿素a反演模型校正数据集，30％为模型验证数据集；
[0011]五、基于叶绿素a实测数据、天顶反射率值、叶绿素a反演模型校正数据集和叶绿素a反演模型验证数据集，构建湖库叶绿素a随机森林反演模型，具体包括：
[0012]a)针对模型校正数据集，分析各波段天顶反射率值与实测叶绿素a数据的相关性，遴选相关性高的波段；
[0013]b)针对模型校正数据集，训练与叶绿素a浓度相关性好的波段不同组合形式，与叶绿素a浓度值共同作为模型输入变量；
[0014]c)针对模型校正数据集，进行参数化，构建叶绿素a遥感反演模型；
[0015]d)针对模型验证数据集，验证叶绿素a遥感反演模型；
[0016]六、将步骤五所述的叶绿素a反演模型应用于GEE平台上遥感影像的天顶反射率实现大尺度区域、多时空尺度湖库叶绿素a快速制图。
[0017]所述步骤一中，水体叶绿素a浓度测定方法采用丙酮萃取法，根据Jeffrey
‑
Humphrey方程式和过滤水样体积计算Chl
‑
a的浓度值(单位，μg/L)。
[0018]所述步骤二中，遥感数据直接选用GEE存储的Landsat系列卫星(TM/ETM+/OLI)的天顶反射率(TOA)数据。
[0019]进一步，所述步骤二中，遥感数据采集时间窗口为
±
7天，空间窗口为3
×
3像元，上述过程可通过GEE云平台编程业务化实现。
[0020]所述步骤三中，有效匹配数据获取过程中，根据备注信息，移除受云、山体阴影和大气气溶胶等影响较大的遥感影像数据，筛选出有效匹配数据；
[0021]所述步骤四中，使用随机函数rand将有效匹配数据随机分为叶绿素a反演模型校正数据集(N
校正
＝2/3
×
N
总
，70％)和模型验证数据集(N
验正
＝1/3
×
N
总
，30％)；N
总
表示有效匹配数据，N
校正
表示叶绿素a反演模型校正数据集，N
验正
表示叶绿素a反演模型验证数据集。
[0022]所述步骤五中，采用相关分析进行各波段天顶反射率值与实测叶绿素a高度相关性检验，优选与叶绿素a相关性较好的波段作为随机森林算法的输入变量，构建反演模型。其中，Landsat系列卫星(TM/ETM+/OLI)的天顶反射率(TOA)所对应传感器波段参见表1所示，各波段天顶反射率值与实测叶绿素a高度相关性检验如表2所示。
[0023]表1应传感器波段
[0024]Landsat系列传感器红波段(波长)蓝波段(波长)TMB3(0.63
‑
0.69μm)Band1(0.45
‑
0.52μm)ETM+B3(0.63
‑
0.69μm)Band1(0.45
‑
0.52μm)OLIB4(0.64
‑
0.67μm)Band3(0.45
‑
0.51μm)
[0025]表2波段组合的相关性检验
[0026][0027]B表示波段，G表示红波段，R表示红波段，NIR表示红波段
[0028]所述步骤五中，通过模型验证数据集，对步骤五构建的湖库像元叶绿素a浓度进行验证。
[0029]作为本专利技术的进一步改进，所述方案包括，将所构建的叶绿素a反演模型应用于GEE存储的中国Landsat系列卫星遥感数据的天顶遥感反射率，实现1985
‑
2020年中国北方湖泊(面积>1km2)叶绿素a浓度变化快速制图。
[0030]本专利技术针对湖泊叶绿素a浓度，是浮游植物细胞色素叶绿素a含量，其依托遥感大数据和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GEE的大尺度区域湖库叶绿素a制图方法，其特征在于基于GEE的大尺度区域湖库叶绿素a制图方法按照以下步骤进行：一、采集不同气候地理环境背景的湖库水体样品，获取叶绿素a实测数据；二、基于GEE计算云平台获取与现场采集水样对应的遥感影像数据，提取各个波段的天顶反射率值和备注信息；三、根据备注信息，移除受云、山体阴影、大气气溶胶的遥感影像数据，筛选出有效匹配数据；四、将步骤三得到的有效匹配数据进行随机分配，其中70％为叶绿素a反演模型校正数据集，30％为模型验证数据集；五、基于叶绿素a实测数据、天顶反射率值、叶绿素a反演模型校正数据集和叶绿素a反演模型验证数据集，构建湖库叶绿素a随机森林反演模型，具体包括：a)针对模型校正数据集，分析各波段天顶反射率值与实测叶绿素a数据的相关性，遴选相关性高的波段；b)针对模型校正数据集，训练与叶绿素a浓度相关性好的波段不同组合形式，与叶绿素a浓度值共同作为模型输入变量；c)针对模型校正数据集，进行参数化，构建叶绿素a遥感反演模型；d)针对模型验证数据集，验证叶绿素a遥感反演模型；六、将步骤五所述的叶绿素a反演...

【专利技术属性】
技术研发人员：李思佳，陈方方，宋开山，温志丹，
申请(专利权)人：中国科学院东北地理与农业生态研究所，
类型：发明
国别省市：