田小娟，曾群，2，王正，孫禧勇

（1.華中師范大學城市與環(huán)境科學學院，湖北 武漢430079；2.華中師范大學學報編輯部，湖北 武漢430079；3.中國國土資源航空物探遙感中心，北京100083）

0 引言

搭載于韓國COMS衛(wèi)星上的GOCI（geostationary ocean color imager）傳感器，是世界上第一個靜止軌道水色衛(wèi)星傳感器，可獲得地面像元空間分辨率為500m、時間分辨率為1h和8個波段（6個可見光、2個近紅外）的遙感影像數(shù)據，約覆蓋中國2／3的近岸水域，為中國水環(huán)境遙感動態(tài)監(jiān)測提供了很好的數(shù)據源［1］.

Gordon等1994年展開對大洋清潔Ⅰ類水體大氣校正研究［2］；Wang Menghua等根據“水體在短波紅外（shortwave infrared，SWIR）波段吸收能力比在近紅外波段更強的特性”提出了目前業(yè)務化程度最高的利用短波紅外波段進行渾濁水體大氣校正的算法（NIR－SWIR算法）［3］，并在中國近海和世界上許多渾濁水體區(qū)域進行了驗證，取得較好的效果［4－5］，陳軍等提出一種改進的NIR－SWIR大氣校正算法（交叉校準），并在中國的渤海和太湖的渾濁水體進行驗證，提高了MODIS數(shù)據的信噪比和遙感反射率的反演精度［6］.但GOCI沒有短波紅外波段，無法應用該算法進行渾濁水體大氣校正處理.GOCI的官方數(shù)據處理軟件（GDPS，GOCI data processing system）內置的光譜匹配算法（SSMM，spectral shape matching method），試圖解決渾濁水體的大氣校正問題［7］，但在渤海近岸依然存在較大范圍的大氣校正失敗區(qū)域［8］.

大氣校正可看作是對輸入光譜的一個非線性函數(shù)逼近，可用BP神經網絡對其進行模擬［9］.基于反向輻射傳輸模型，Schroeder和Schiller將人工神經網絡算法首次引入Ⅱ類水體大氣校正領域，建立了針對MERIS數(shù)據反演的水色組分濃度和氣溶膠的神經網絡模型，該算法在渤海渾濁水體區(qū)域有較好的適用性［10］；丁靜等利用模擬數(shù)據集，建立了東海Ⅱ類水體水色大氣校正和反演水體組分濃度的神經網絡模型，取得了較好的效果［11］.但目前還少有針對GOCI數(shù)據的神經網絡大氣校正研究.因此，本文中擬利用部分MODIS／Aqua數(shù)據的獲取時間與部分GOCI傳感器過境時間基本一致的優(yōu)勢，以GOCI的星上反射率為輸入，以NIR－SWIR大氣校正算法獲取的MODIS渾濁水體遙感反射率產品為輸出，建立神經網絡模型，嘗試解決GOCI影像的渤海近岸渾濁水體區(qū)域大氣校正失敗問題.

1 水色遙感大氣校正基本原理

根據水體－大氣輻射傳輸過程，在水體渾濁度較高的情況下，可以忽略水體底質的影響，衛(wèi)星傳感器接收到的總信號Lt（λ）［2］：

式中，Lr（λ）為瑞利散射；Lma（λ）為氣溶膠散射項，是氣溶膠散射La（λ）和瑞利－氣溶膠之間的多次散射Lra（λ）之和；T（λ）為太陽直射透過率；Lg（λ）為太陽耀斑輻射；t（λ）為大氣漫射透過率；Lf（λ）為白帽反射影響；Lw（λ）為離水輻亮度；W 為白帽覆蓋率.除了Lma（λ），其他項都可以結合輔助參數(shù)計算獲取.針對清潔Ⅰ類水體，Gordon和Wang1994年在黑像元假設的基礎上，提出了新一代海洋水色衛(wèi)星遙感大氣校正算法，被NASA作為SeaWiFS和MODIS的標準業(yè)務化算法.針對渾濁水體，分別提出了光譜迭代、光譜優(yōu)化、神經網絡、主成分分析等改進大氣校正算法［12］；Wang Menghua等針對MODIS數(shù)據，提出近紅外－短波紅外大氣校正算法（NIR－SWIR算法），在中國近海和世界上許多區(qū)域得到驗證，并取得很好的結果［4－5］，是目前最好的業(yè)務化大氣校正算法.

2 研究區(qū)域概況

我國的渤海、黃海和東海均屬于典型Ⅱ類水體區(qū)域，以渤海的情況最為復雜.渤海（37°07′～41°0′N，117°35′～121°10′E），面積約7.7萬km2，平均水深18m，有近1／3面積水深在10m以內.渤海周圍有3個主要海灣：北面為遼東灣，西面為渤海灣、南面為萊州灣.渤海沿岸江河縱橫，有大小河流40條，其中萊洲灣沿岸19條，渤海灣沿岸16條，遼東灣沿岸15條，形成渤海沿岸三大水系和三大海灣生態(tài)系統(tǒng).入海河流每年攜帶大量泥沙堆積于3個海灣.其中，黃河的注入量最大，每年注入420×108m3，泥沙量多達109t.因此，在渤海近岸黃河入海口區(qū)域（圖1），水體具有高渾濁度、高時空變異度的特點［13］.該區(qū)域位于輕重工業(yè)和農業(yè)發(fā)達、人口密集的環(huán)渤海經濟圈，海洋與陸地、人與環(huán)境交互作用顯著，近岸、河口等受陸源物質排放影響嚴重.因此，選擇該區(qū)域為研究對象，開展該區(qū)域的水環(huán)境遙感監(jiān)測研究對區(qū)域可持續(xù)發(fā)展有積極意義.

3 數(shù)據的來源與預處理

圖1 2011年9月21日02景GOCI影像渤海研究區(qū)域假彩色合成圖R（波段1）、G（波段2）、B（波段3）

選取2011年8月26日—2012年5月14日期間云覆蓋面積少、準同步的GOCI影像和MODIS／Aqua數(shù)據共計23景.利用SeaDAS V6.4軟件中內嵌的NIR－SWIR大氣校正算法對MODIS／Aqua數(shù)據進行大氣校正處理，獲取相應可見光、近紅外波段遙感反射率數(shù)據；采用GDPS V1.1軟件對GOCI L1B級數(shù)據進行處理獲取星上輻亮度和水體遙感反射率數(shù)據，進行神經網絡大氣校正處理和算法結果對比分析.

4 神經網絡大氣校正處理

人工神經網絡是具有適應性的簡單單元組成的廣泛并行互連的網絡，它的組織能夠模擬生物神經系統(tǒng)對真實世界物體的交互反應［10］，是包含輸入輸出的非線性系統(tǒng)的動態(tài)過程，輸入與輸出具有如下關系：

其中，x＝（xi，…，xm）；T 為輸入向量；y為輸出；ωi是權系數(shù)；θ為閾值；f（x）是神經激發(fā)函數(shù)，它是線性函數(shù)，也可以是非線性函數(shù).

圖2 三層反向傳播算法的神經網絡結構圖

如圖2所示，每個輸入節(jié)點代表一個波段，輸入層的值分發(fā)到隱含層的每個節(jié)點，并在此進行如上運算，隱含層的輸出值再次成為輸出層的輸入，并再次進行運算，輸出層的輸出將是所求物理量.隱含層的節(jié)點數(shù)由函數(shù)的復雜程度決定.

使用matlab軟件nntool命令調用神經網絡工具箱，構建神經網絡模型.充分考慮影像的條帶、動態(tài)范圍等因素，選取約3 000組經校準的Aqua／MODIS遙感反射率（Rrs）數(shù)據作為訓練樣本.其中，以MODIS的遙感反射率（Rrs）為輸出，以GOCI星上反射率ρTOA為輸入.隱含層和輸出層的傳輸函數(shù)均采用雙曲正切S型函數(shù)（TANSIG），訓練函數(shù)采用共軛梯度函數(shù)（scaled conjugate gradient，TrainSCG），學習函數(shù)使用梯度下降動量學習函數(shù)（gradient descent with momentum weight／bias learning function，Learngdm）.

5 大氣校正結果及驗證

5.1 神經網絡大氣校正結果 為了檢驗大氣校正算法的有效性，采用建立的神經網絡模型對2012年3月11日04景GOCI影像進行大氣校正處理，以及GDPS標準算法大氣校正處理.圖3為2012年3月11日04景的GOCI影像標準算法和神經網絡大氣校正結果遙感反射率（Rrs）分布圖.

如圖3（a～h）所示，從空間分布上看，Rrs－GDPS 8個波段都存在大面積大氣校正失敗區(qū)域（黃河口、渤海灣、萊州灣西部、部分遼東灣）.由此表明，GOCI標準算法在高渾濁水體區(qū)域存在大氣校正失敗的問題（圖中呈白色區(qū)域，無有效數(shù)據）.而Rrs－ANN在上述失敗區(qū)域8個波段幾乎都表現(xiàn)出有效值，尤其是在443、490、555、680、745nm 波段效果非常明顯（圖3b、c、d、f、g）.而412、660、865nm（圖3a、e、h）波段神經網絡算法遙感反射率（Rrs）相比標準算法已經有很大的改進，但分布的合理性還需要進一步驗證.總之，在遙感反射率的空間分布上，GOCI影像神經網絡算法基本上是解決GOCI影像標準算法渾濁水體大氣校正失敗的問題.

如圖3（a）、（e）、（h）所示，遼東灣到渤海灣之間的近海水域，GOCI神經網絡算法遙感反射率明顯高于GOCI標準算法的遙感反射率.該區(qū)域沿岸經濟稍不發(fā)達于京津冀地區(qū)，相比GOCI標準算法失敗區(qū)域（高渾濁水體），該區(qū)域水體較不渾濁.標準算法還未完全失效，但效果不佳，神經網絡標準算法在此區(qū)域效果合理.由以上分析表明，神經網絡大氣校正算法在這個渾濁度的區(qū)域效果顯著.如圖a～h所示，遼東灣區(qū)域，GOCI神經網絡算法的遙感反射率略高于GOCI標準算法的遙感反射率.較不混濁水體區(qū)域的兩種大氣校正結果對比表明GOCI神經網絡算法對GOCI標準算法也起改進作用.

圖3 2012年3月11日04景GOCI影像標準算法（GDPS）和神經網絡算法（ANN）大氣校正結果遙感反射率（Rrs）分布圖

5.2 誤差分析 如圖3（h）所示，部分波段如865nm波段，神經網絡大氣校正算法的結果，遙感反射率空間分布并不是十分理想，對GDPS標準算法大氣校正失敗并沒有起改進作用，在遼東灣，渤海灣和萊州灣仍存在大面積無遙感反射率（Rrs）區(qū)域的問題，還有待進一步改進，考慮實驗所采用的GOCI影像與MODIS／Aqua影像是準同步的，所以排除由影像獲取不同步所帶來的誤差.但由于GOCI和MODIS／Aqua在波段寬度、波長、信噪比等方面存在一定差異，不排除此類差異引起誤差的可能性.特別是GOCI的865nm、MODIS的869nm兩個傳感器近紅外波段的帶寬差異最大，這是否就是該波段神經網絡算法改進效果不佳的主要原因，還有待做進一步的研究.后續(xù)研究將重點分析傳感器差異對神經網絡大氣校正算法的影響.

表1 GOCI和MODIS兩個傳感器的波長帶寬信噪比設置及差異

6 結論

本文中針對GOCI官方數(shù)據處理軟件GDPS內置的標準大氣校正算法在渤海近岸渾濁水體區(qū)域存在大面積失敗區(qū)域的問題，以MODIS／Aqua數(shù)據NIR－SWIR大氣校正所得的可見光近紅外波段遙感反射率產品結果和GOCI的星上反射率數(shù)據為基礎，建立神經網絡模型，進行渾濁水體大氣校正研究.結果表明神經網絡大氣校正算法能顯著減少標準算法產品中大氣校正失敗區(qū)域，特別是在443、490、555、680、745nm波段效果更佳；但412、660、865nm波段的空間分布還有進一步改進的余地.后續(xù)驗證工作將圍繞傳感器差異引起的算法誤差和基于實測數(shù)據的算法評價等展開.

［1］卞吉.韓國將發(fā)射通信海洋氣象衛(wèi)星［N］.中國氣象報，2010－01－15（04）.

［2］Gordon H R，Wang M.Retrieval of water－leaving radiance and aerosol optical thickness over the oceans with SeaWiFS：apreliminary algorithm［J］.Applied optics，1994，33（3）：443－452.

［3］Wang M，Shi W.The NIR－SWIR combined atmospheric correction approach for MODIS ocean color data processing［J］.Optics Express，2007，15（24）：15722－15733.

［4］Wang M，Tang J，Shi W.MODIS－derived ocean color products along the China east coastal region［J］.Geophysical Research Letters，2007，34（6）：1－5.

［5］Wang M，Shi W，Tang J.Water property monitoring and assessment for China's inland Lake Taihu from MODISAqua measurements［J］.Remote Sens Environ，2011，115（3）：841－854.

［6］Chen Jun，Cui Tingwei，Lin Changsong.An improved SWIR atmospheric correction model：a cross－calibration－based model［J］.IEEE Geoscience and Remote Sensing Society，2013，DOI：10.1109／TGRS.2013.2278340.

［7］Ahn Yu Hwan，Ryu Joo Hyung，Lee Zhong Ping，et al.Atmospheric and BRDF correction method for geostationary ocean color Imagery（GOCI）［J］.Korean Journal of Remote Sensing，2010（2）：175－188.

［8］Shanmugam P.CAAS：an atmospheric correction algorithm for the remote sensing of complex waters［J］.Annales Geophysicae，2012，30（1）：203－220.

［9］Gons H J，Rijkeboer M，Ruddick K G.Effect of a waveband shift on chlorophyll retrieval from MERIS imagery of inland and coastal waters［J］.J Plankton Res，2005，27（1）：125－127.

［10］Schill E R H，Doerffer R.Neural network for emulation of an inverse model operational derivation of caseⅡ water properties from MERIS data［J］.International Journal of Remote Sensing，1999，20（9）：1735－1746.

［11］丁靜.基于神經網絡的二類水體大氣修正與水色要素反演［D］.青島：中國海洋大學，2004.

［12］楊建洪，王錦，趙冬至.海洋水色遙感大氣校正算法研究進展［J］.海洋環(huán)境科學，2008（1）：97－100.

［13］黃海軍，李成治，郭建軍.黃河口海域懸沙光譜特征的研究［J］.海洋科學，1994（5）：40－44.