梁其椿，張玉超，薛 坤，段洪濤，馬榮華

(1：中國科學院南京地理與湖泊研究所，中國科學院流域地理學重點實驗室， 南京 210008) (2：中國科學院大學，北京 100049) (3：淮陰師范學院，江蘇省區(qū)域現代農業(yè)與環(huán)境保護協(xié)同創(chuàng)新中心，淮安223001)

巢湖藻類高斯垂向分布結構參數的遙感估算*

梁其椿1,2，張玉超1,3，薛 坤1,2，段洪濤1，馬榮華1,3

(1：中國科學院南京地理與湖泊研究所，中國科學院流域地理學重點實驗室， 南京 210008) (2：中國科學院大學，北京 100049) (3：淮陰師范學院，江蘇省區(qū)域現代農業(yè)與環(huán)境保護協(xié)同創(chuàng)新中心，淮安223001)

藻類垂向分布異質性導致了遙感反演的湖泊表層葉綠素a濃度結果與單元水柱內藻類生物量間不存在一一對應的關系，因此有效確定藻類垂向分布結構是遙感反演湖泊藻類生物量的基礎. 受自身因素和外環(huán)境條件的影響，藻類垂向分布結構呈現出多種類型，其中高斯類型應用最廣. 本文基于3200組HydroLight模擬的高斯垂向數據構建BP神經網絡，實現用MODIS數據相對應的3個波段的遙感反射比Rrs(469)、Rrs(555)、Rrs(645)和表層葉綠素a濃度共同估算高斯垂向分布結構參數h和σ. 經巢湖地面實測數據驗證顯示，h和σ的估算值與實測值的相關系數分別為0.97和0.95，對應的相對誤差分別為13.20%和12.36%，兩者相對誤差同時小于30%的占總數據量的87.5%，表明該BP神經網絡估算巢湖藻類高斯垂向分布結構的有效性和準確性，為基于衛(wèi)星遙感數據獲取湖泊藻類生物量提供了重要的理論基礎.

葉綠素a；高斯垂向分布；HydroLight；BP神經網絡；巢湖

湖泊水色遙感可以利用多種星載傳感器探測以及反演內陸水體葉綠素等水體水色要素參數[1]. 遙感器接收到的水體遙感反射比是光線經由水面射入水體，經過水體以及水體中各組分的吸收和散射共同作用后，射出水面的離水輻亮度與總入射輻照度之比，包含了水體中一定深度內垂向各水層的光學特性信息[2]. 傳統(tǒng)的湖泊水色遙感大多基于水色參數或水體光學特性在垂向上是均質的假設，但事實上由于氣象、環(huán)境條件以及藻顆粒自身因素的影響，湖泊水體中藻類垂向分布具有明顯的不均一性[3]. 藻類垂向分布的不均一性導致了表層葉綠素a(Chl.a)濃度反演結果與單元水柱內藻類生物量間不存在一一對應關系，所以有效確定葉綠素a濃度的垂向分布是遙感反演藻類生物量的基礎.

目前針對藻類垂向分布的研究主要集中在大洋I類水體，受生活習性和外環(huán)境條件影響，藻類垂向分布結構呈現出多種類型：高斯分布[4]、指數分布[5]、線性分布[6]等，其中高斯分布應用最廣泛. 國內外學者通過研究I類水體中藻類高斯垂向分布對遙感反射比的影響，基于統(tǒng)計回歸[7-8]、人工神經網絡[9-10]等方法成功獲取高斯垂向分布結構參數. 與大洋水體相比，富營養(yǎng)化湖泊水深較淺，在風、浪以及藻類自身生理特征影響下[11-12]，湖泊藻類垂向呈現多樣化、多變性的特點. 巢湖是我國典型的內陸富營養(yǎng)化湖泊[13]，Xue等[14]針對巢湖藻類垂向分布野外實測，通過最優(yōu)曲線擬合的方法將巢湖藻類垂向分布歸結為4種類型：垂向均一分布、高斯分布、指數分布、冪函數分布. 馬孟梟等[15]也有類似結論，且強調高斯模型分布是水面未發(fā)生藻華時葉綠素a的主要垂向分布形式. 因此，研究藻類高斯垂向分布結構參數的遙感估算，是實現獲取富營養(yǎng)化湖泊藻總量的關鍵環(huán)節(jié). 此外，富營養(yǎng)化湖泊水體光學活性物質組成較為復雜，其光學特性不僅僅受浮游植物的影響[16]，這進一步加大了湖泊藻類垂向分布結構參數估算的難度和精度.

本文根據巢湖野外觀測數據和同步外環(huán)境數據，利用HydroLight開展了巢湖水體輻射傳輸模擬，構建藻類高斯垂向分布結構參數(c0、h和σ)與遙感反射比(Rrs)映射關系的模擬數據庫；在分析高斯垂向分布結構參數對Rrs影響的基礎上，選取MODIS數據的對應波段469、555和645 nm處的Rrs和表層葉綠素a濃度CChl.a(0)作為輸入參數，構建了估算藻類高斯垂向結構參數c0、h和σ的BP神經網絡估算模型；利用模擬數據和實測數據對模型的估算精度開展了測試與驗證；最后針對HydroLight輻射傳輸模擬的參數設定、藻類高斯垂向分布結構的影響因素以及衛(wèi)星數據的推廣應用進行了討論. 本研究工作是富營養(yǎng)化湖泊藻總量遙感估算的重要基礎，可為湖泊藍藻水華生態(tài)災害監(jiān)測和預測預警提供重要的技術支撐.

1 材料與方法

1.1 研究區(qū)域概況

巢湖(31°25′28″～31°43′28″N，117°16′54″～117°51′46″E)，是長江水系下游湖泊，位于安徽省中部，由合肥市、巢湖市、肥東縣、肥西縣、廬江縣二市三縣環(huán)抱，是我國五大淡水湖之一，是合肥市和巢湖市最重要的生活水源[17]. 巢湖平均水深約2.96 m，湖水面積約770 km2，年內水位變幅大，透明度低，湖濱帶水生植物分布較少[18]. 巢湖入湖河流約33條，其中主要出入河流有9條. 過去30年中，由于城市污水和工業(yè)污水等外源污染的注入，巢湖的水污染和富營養(yǎng)化問題越來越嚴重[19-20]，暴發(fā)了多次藍藻水華[21].

1.1.1 野外數據采集與分析 分別于2013年5月28日、7月24日和2015年5月24日開展巢湖野外采樣，采樣點數分別為9、2、15個(圖1)，每個采樣點垂向采集水樣的水深分別為0、0.1、0.2、0.4、0.7、1.0、1.5、2.0、3.0 m，采樣時天空晴朗，無云或者少云. 現場測量每個點位的Rrs、水深、透明度、風速、風向等，并且每個采樣點于9個水深處各采集500 ml水樣，用于測定葉綠素a、有色可溶解性有機物(CDOM)、溶解態(tài)有機碳(DOC)濃度等.

1.1.2 葉綠素a濃度測定與處理 水樣經過GF/C膜過濾后，通過凍融萃取，以90%丙酮溶液做參比，利用分光光度計測定葉綠素a濃度[22].

圖1 采樣點分布Fig.1 Distribution of sampling sites

1.1.3 水體光譜測量與處理 利用美國ASD公司生產的FieldSpec Pro Dual VNIR野外雙通道光譜儀，采用水面以上測量法獲取水體350～1050 nm范圍內波段的遙感反射光譜[23].

在避開太陽直射反射、忽略或避開水面泡沫的情況下，水體總光譜信號(Lsw)可近似看做水體離水輻亮度(Lw)和天空光輻亮度(Lsky)之和，即：

Lsw=Lw+r·Lsky

(1)

式中，r為氣-水界面對天空光的反射率，與風速、太陽高度角和觀測幾何等有關，取值為0.026～0.028.

由于Lw在遙感中容易測定，因此，遙感反射比(Rrs, sr-1)可以定義為水體離水輻亮度與恰好位于水體表面的向下輻照度(Ed(0+))的比值，即：

(2)

Ed(0+)可表示為：

(3)

式中，Lp為標準白板輻亮度，ρp為標準白板的反射率，校正值為30%.

根據以上各式可以推導出水體遙感反射比為：

(4)

1.2 藻類高斯垂向分布的數學表達

野外實測數據表明，巢湖藻類垂向呈高斯分布時，葉綠素a濃度最大值出現在水體表層(深度≈0 m)，與已有研究結果一致[4]，葉綠素a濃度垂向分布的高斯模型公式為[14]：

(5)

式中，CChl.a(z)是深度z處的葉綠素a濃度；c0是背景葉綠素a濃度值(μg/L)；h是與峰值強度有關的參數；σ是標準偏差，與分層中葉綠素極大值寬度有關；z是水深(m).

1.3 野外觀測數據集

對26個采樣點的葉綠素a垂向分布數據(每個采樣點分別測量9個不同水深(0、0.1、0.2、0.4、0.7、1.0、1.5、2.0、3.0 m)的葉綠素a濃度)分別進行曲線擬合(線性函數、二次多項式、高斯函數、指數函數、冪指數)，把具有最大R2(>0.85)、最小RMSE的函數類型作為該采樣點的最優(yōu)垂向分布類型[14]，結果顯示，8組葉綠素a垂向分布數據的最優(yōu)垂向分布類型為高斯分布類型，本研究以此8組高斯類型垂向數據作為神經網絡模型的實測驗證數據(分布情況見圖1).

表1 基于野外實測數據的HydroLight輻射傳輸模擬輸入參數

Tab.1 Input parameters of HydroLight radiative transfer simulation based on field data

參數設定值太陽天頂角/°30風速/(m/s)2．25水體折射率1．34SPIM/(mg/L)35．45ag(440)/m-10．6光譜斜率Sg/nm-10．019

1.4 基于野外觀測數據構建HydroLight模擬數據庫

HydroLight是根據文獻[24]用Fortran語言編寫的輻射傳輸模型. 本文基于HydroLight的CASE 2模型計算了無機懸浮物(SPIM)和CDOM吸收光譜形態(tài)因子ag(440)[25]不變的條件下，與葉綠素a濃度垂向分布結構相關的固有光學性質(IOPs)的垂直分布對Rrs的影響. 模擬的光譜范圍是400～700 nm，間隔5 nm. 葉綠素a濃度垂向分布以巢湖野外觀測數據為依據，c0、h和σ的設定范圍分別為2～40、5～80和0.1～1，覆蓋了野外觀測數據的分布范圍，又考慮到模擬數據庫的運行效率，分別設定間隔為2、5和0.1，共3200組. 其他HydroLight輻射傳輸模擬的輸入參數均取2014年巢湖對應平均值，具體見表1.

2 BP神經網絡模型的設計

在c0、h和σ已知的條件下，即可獲取葉綠素a濃度的垂向分布. 內陸湖泊光學組分復雜，且存在大量光學淺水區(qū)[16]，c0情況復雜多變，而CChl.a(0)可以通過遙感反演，所以本文選擇h和σ為神經網絡反演對象，結合CChl.a(0)，獲取c0值.

2.1 基于光譜特征確定神經網絡的輸入參量

如圖2所示，Rrs呈現了典型的湖泊水體可見光光譜特征：由于葉綠素a在藍紫光波段的吸收峰以及黃色物質的吸收作用，在400～500 nm范圍內Rrs較低[26]；580 nm波長附近屬于葉綠素a和胡蘿卜素弱吸收區(qū)域，加上細胞散射作用的影響，所以該波長附近出現反射峰[27]；630 nm附近呈肩狀或反射谷，原因是藻藍素在此處的吸收峰，以及葉綠素a等有機質反射能力在600 nm后逐步下降[28]；由于葉綠素a在682 nm附近的強烈吸收作用，該波段附近出現反射谷[29].

圖2 c0、h和σ參數一個變化其他不變得到的代表性光譜曲線對比圖Fig.2 The comparison chart of representative spectral curve corresponding to several chlorophyll-a concentrations Gaussian model

圖2中3條垂線分別對應著MODIS的band 3、4、1的中心波長. Pearson相關性分析表明，σ與Rrs(469)、Rrs(555)和Rrs(645)呈現顯著正相關(r分別為0.584、0.519、0.47，P<0.01)，而h與Rrs(469)、Rrs(555)和Rrs(645)則呈現顯著負相關(r分別為-0.635、-0.668、-0.681，P<0.01).

基于上述光譜特征分析，并考慮衛(wèi)星的波段設置，本研究選取Rrs(469)、Rrs(555)、Rrs(645)和CChl.a(0)作為神經網絡模型的輸入參量.

2.2 BP神經網絡隱含層結構設計

應用BP神經網絡需要事先確定好網絡結構，網絡結構優(yōu)化的重點和難點就是設計隱含層結構[30]. 現有研究表明，1個隱含層、多個隱含層節(jié)點的3層BP神經網絡能有效逼近任何歸一化的輸入-輸出映射[31]. 因此，本研究也采用1個隱含層的BP神經網絡. 為了獲取最佳隱含層節(jié)點數，本研究構造若干不同隱含層節(jié)點的網絡分別進行訓練，選擇性能最好的網絡[32].

2.3 BP神經網絡研究方案

1)選取Rrs(469)、Rrs(555)、Rrs(645)和CChl.a(0)作為神經網絡模型的輸入參量，輸出參量是h和σ；

2)確定BP神經網絡的結構：1個隱含層，多個隱含層節(jié)點；

3)從模擬數據庫中隨機挑選3000組數據作為訓練數據，剩下的200組作為測試數據，8組實測數據為驗證數據；

4)采用Matlab的newff函數構建BP神經網絡，BP神經網絡的計算流程見圖3.

圖3 BP神經網絡的計算流程Fig.3 Flow chart of BP neural network

2.4 評價指標

采用Matlab構建BP神經網絡默認的訓練性能(performance)評價指標為均方誤差(Mean Square Error,MSE)：

(6)

網絡估算結果評價采用相關系數(R)和相對誤差(RE)，R和RE計算公式分別如下：

(7)

(8)

用變異系數(Coefficient of Variation,CV)衡量數據離散程度：

(9)

3 結果與驗證

3.1 BP神經網絡隱含層節(jié)點數確定結果

基于3000組HydroLight模擬數據，構建若干不同隱含層節(jié)點的BP神經網絡分別進行訓練，訓練性能如圖4所示，隨著節(jié)點數增加，MSE先減小后增大，其最小值(0.0306)對應隱含層節(jié)點數為10，所以本文采用10個隱含層節(jié)點結構的BP神經網絡.

圖4 不同隱含層節(jié)點數對應的MSEFig.4 Number of hidden layer nodes and corresponding MSE

3.2 HydroLight模擬數據測試結果

為了進一步驗證本模型估算效果，選用200組HydroLight獨立模擬數據作為神經網絡的測試集(HydroLight模擬數據庫共3200組數據，隨機抽取其中3000組用于訓練神經網絡，剩下200組用于測試網絡)，測試結果見圖5.

200組數據數值范圍基本覆蓋HydroLight模擬設定范圍，h的測試值和估算值的相關系數和相對誤差分別為0.96和13.99%，σ的測試值和估算值的相關系數和相對誤差分別為0.98和10.18%，h和相對應σ的相對誤差同時小于30%的占總數據量的83.5%，說明該BP神經網絡模型具有較好的穩(wěn)定性和精確性，利用該網絡模型基本可以滿足估算藻類高斯垂向分布結構參數精度要求.

圖5 HydroLight模擬與網絡估算的h和σ對比Fig.5 Comparisons of simulated h and σ by HydroLight and test h and σ (R represents the correlation coefficient, RE represents the relative error, the same below)

3.3 野外實測數據驗證結果

在模擬數據驗證的基礎上，本研究利用野外實測數據對該神經網絡模型的估算效果進行進一步驗證，探討該模型對野外實測數據的適用性，驗證結果如圖6.

圖6 巢湖野外實測的與網絡估算的h和σ對比Fig.6 Comparisons of measured h and σ in Lake Chaohu and test h and σ

野外測量分別于2013年5月28日、7月24日和2015年5月24日進行，采樣點位的分布覆蓋了巢湖的東湖區(qū)和西湖區(qū)，h和σ的實測值和估算值的相關系數分別為0.97和0.95，對應的相對誤差分別為13.20%和12.36%，h和相對應σ的相對誤差同時小于30%的占總數據量的87.5%，說明該BP神經網絡針對野外實測光譜數據，依然具有較好地估算巢湖野外藻類高斯垂向分布結構的能力.

4 討論

4.1 HydroLight輻射傳輸模擬的參數設定

本文使用HydroLight進行輻射傳輸模擬時，太陽天頂角、風速、SPIM、ag(440)等都取2014年巢湖實測數據的平均值，為了檢驗輻射傳輸模擬結果對上述參數的敏感度，本研究在假定葉綠素垂向分布結構不變的情況下，分別改變太陽天頂角、風速、SPIM、ag(440)，探討上述參數對Rrs模擬光譜的影響，基于巢湖2014年數據，具體取值范圍分別為：30°～60°、1～5 m/s、20～50 mg/L、0.16～1.16 m-1，間隔分別為1°、0.01 m/s、1 mg/L、0.01 m-1. 結果(圖7)表明，在400～700 nm波長范圍內，太陽天頂角(CV≤0.66%)、風速(CV≤0.22%)對Rrs的影響不明顯；SPIM變化對Rrs的影響主要在550～700 nm波段范圍內(CV≥5.49%)，該范圍內Rrs與SPIM呈正相關(R>0.9,P<0.01)；ag(440)變化對Rrs的影響則主要在綠光波段(CV≥1.46%)，變化規(guī)律與SPIM相反(R<-0.9,P<0.01).

圖7 改變太陽天頂角、風速、SPIM、ag(440)進行輻射傳輸模擬得到的Rrs等值線圖Fig.7 Rrs contour maps corresponding to varied solar zenith angle, wind speed, SPIM and ag(440)

從表2可以看出，太陽天頂角、風速、SPIM、ag(440)的改變對于Rrs(469)、Rrs(555)、Rrs(645)的影響總體較小，CV都小于15%. 此外，巢湖葉綠素a濃度、SPIM、ag(440)的平均值均呈現從西湖區(qū)到東湖區(qū)降低的趨勢. 但是，方差分析(ANOVA)結果表明葉綠素a濃度具有顯著的空間差異(F=25.68,P<0.001)，而SPIM(P=0.35)和ag(440) (P=0.24)沒有顯著的空間差異. 說明本研究中構建的BP神經網絡方法適用于太陽天頂角、風速、SPIM和ag(440)變化的大規(guī)模數據集.

表2 改變太陽天頂角、風速、SPIM、ag(440)得到的Rrs(469)、Rrs(555)、Rrs(645)的變異系數(%)

4.2 影響藻類高斯垂向分布的主要因素

巢湖水體中的浮游植物以藍藻門、綠藻門和硅藻門為主(一般達90%以上)，其中又以藍藻門居多[33]. 巢湖中的綠藻門和硅藻門藻類主要以懸浮形態(tài)(藻類在水體中運動形態(tài)主要包括懸浮、上浮和游泳)存在，其空間位置完全受水動力條件影響[34]. 此外，藍藻有偽空泡/偽空胞氣囊結構，會根據其自身生理節(jié)律、生理狀態(tài)以及環(huán)境變化，通過上浮或者下沉選擇最適宜的生長、生存空間[35-36].

圖8 BP神經網絡輸入實測Rrs估算的與實測的葉綠素a濃度垂向分布Fig.8 Vertical structures of simulated and measured chlorophyll-a concentrations

圖8是BP神經網絡基于野外實測數據得到的葉綠素a濃度垂向結構和實測的葉綠素a濃度垂向數據. 4-9月是藍藻生物量增加的階段[12]，所以7月(圖8d)葉綠素a濃度垂向整體比5月(圖8a～c)高；風浪的攪動作用會促進水柱中藻顆粒上下混合、垂向分布趨于均勻[37]，風速越大，葉綠素a濃度垂向變異系數越小(圖8)；由于藻類生物活動與沉積物及水體中營養(yǎng)鹽的相互作用，巢湖西半湖(圖8b)葉綠素a濃度高于東半湖(圖8a)[38].

4.3 BP神經網絡模型應用于衛(wèi)星數據

本研究構建BP神經網絡過程中，雖然選擇輸入參量僅考慮了MODIS衛(wèi)星波段設置，但是目前大多數衛(wèi)星(VIIRS、Landsat、HJ-1、EO-1、ALOS等)的波段均有上述波段或類似波段設置.

本文BP神經網絡的輸入參量使用的是Rrs，欲將此模型應用于衛(wèi)星數據上，需要解決地面光譜與衛(wèi)星波段之間的波段響應函數關系以及大氣校正的問題. 但是，由于湖面上空氣溶膠分布類型比海面更為復雜、多變，Ⅱ類水體的大氣校正成了國際水色遙感的難題[16]. 如圖9所示，實測光譜根據MODIS光譜響應函數重采樣得到遙感反射率(Rrs_modis)，根據SeaDAS查找表模擬的不同氣溶膠類型和厚度以及不同觀測角度下的Rrs_modis與經過瑞利校正和吸收氣體校正的反射率(Rayleigh Corrected Reflectance，Rrc_modis)的關系，可以看出不同氣溶膠類型(Rrc_modis(λ=469 nm, r75f95v01)-Rrc_modis(λ=469 nm,r80f95v01)=0.006)和厚度(Rrc_modis(λ=469 nm,τa=1)-Rrc_modis(λ=469 nm,τa=0.1)=0.132)以及不同觀測角度(Rrc_modis(λ=469 nm,θ0=60°,θ=20°,φ=40°)-Rrc_modis(λ=469 nm,θ0=40°,θ=40°,φ=40°)=0.004)都會對遙感反射比造成不同影響，且對于不同波段的影響不同(λ=555 nm時，上述3個差值分別為0.004、0.119、0.007). 下一步研究中，可以通過尋找對上述大氣影響不敏感的指數形式，調整輸入參數，從而將模型推廣應用至MODIS的Rrc數據[39-40].

此外，應用衛(wèi)星影像進行野外采樣對應的遙感分析與高斯參數反演，MODIS的象元尺度大于250 m，空間分辨率較高的Landsat象元尺度是30 m，而湖泊水體水質變化的空間尺度往往小于10 m[1]，導致在一個衛(wèi)星影像象元內，可能存在多種藻類高斯垂向分布結構，甚至存在多種垂向分布結構類型，會降低估算高斯參數的精確度.

圖9 不同氣溶膠類型、厚度與傳感器觀測角度下的Rrc_modis和Rrs_modisFig.9 Rrc_modis and Rrs_modis under different atmospheric conditions and different sensor observation conditions

4.4 Hydrolight模擬與BP神經網絡模型的局限性

Hydrolight模擬是在對自然水體的固有光學量進行參數化的基礎上進行的理論模擬. 模擬得到的數據集是一種概念化的結果，與自然水體的測量數據會有一定差異. 由于野外儀器測量及室內分析本身存在誤差，理論上，不可能得到與自然水體的測量結果完全吻合的水體表觀光學特性.

此外，神經網絡是一種黑箱模型，通常都是“不可解釋”的[41]，且神經網絡隱含層節(jié)點數的確定缺乏嚴格的理論依據指導[30]. 上述不確定性均是該估算模型的主要誤差來源.

5 結論

本研究在分析高斯垂向分布結構參數對水體遙感反射比Rrs影響的基礎上，選取Rrs(469)、Rrs(555)、Rrs(645)和CChl.a(0)作為輸入參量，構建了估算高斯垂向結構參數(c0、h和σ)的BP神經網絡模型. HydroLight模擬數據驗證表明，h和σ的HydroLight模擬值和網絡估算值的相關系數分別為0.96和0.98，對應的相對誤差分別為13.99%和10.18%，h和相對應σ的相對誤差同時小于30%的占總數據量的83.5%；野外實測數據驗證表明，h和σ的實測值和網絡估算值的相關系數分別為0.97和0.95，對應的相對誤差分別為13.20%和12.36%，h和相對應σ的相對誤差同時小于30%的占總數據量的87.5%，說明該BP神經網絡能夠較好地估算巢湖野外藻類高斯垂向分布結構，且BP神經網絡反演巢湖藻類高斯垂向分布結構參數的方法適用于太陽天頂角、風速、SPIM和ag(440)變化的大規(guī)模數據集. 進一步的研究中，欲將BP神經網絡模型應用于衛(wèi)星數據，大氣校正和空間尺度問題亟待解決.

致謝：感謝中國科學院南京地理與湖泊研究所“湖泊-流域科學數據共享平臺”提供數據支持，感謝意大利錫耶納大學Steven A.Loiselle教授對本文英文摘要的修改和潤色，感謝薛坤、李晶、陶慜、吳靜匯、曹志剛、沈明、張壹萱等參與采樣.

[1] Ma Ronghua, Tang Junwu, Duan Hongtaoetal. Progress in lake water color remote sensing.JLakeSci, 2009, 21(2): 143-158. DOI:10.18307/2009.0201. [馬榮華, 唐軍武, 段洪濤等. 湖泊水色遙感研究進展. 湖泊科學, 2009, 21(2): 143-158.]

[2] Zaneveld JR, Barnard A, Boss E. Theoretical derivation of the depth average of remotely sensed optical parameters.OpticsExpress, 2005, 13(22): 9052-9061.DOI:10.1364/OPEX.13.009052.

[3] Ma Ronghua, Zhang Yuchao, Duan Hongtao. The status and development of the non-traditional lake water color remote sensing.JLakeSci, 2016, 28(2): 237-245. DOI:10.18307/2016.0201. [馬榮華, 張玉超, 段洪濤. 非傳統(tǒng)湖泊水色遙感的現狀與發(fā)展. 湖泊科學, 2016, 28(2): 237-245.]

[4] Lewis MR, Cullen JJ, Platt T. Phytoplankton and thermal structure in the upper ocean: Consequences of non-uniformity in chlorophyll profile.JournalofGeophysicalResearchOceans, 1983, 88(C4): 2565-2570. DOI:10.1029/JC088iC04p02565.

[5] Uitz J, Claustre H, Morel Aetal. Vertical distribution of phytoplankton communities in open ocean: An assessment based on surface chlorophyll.JournalofGeophysicalResearchOceans, 2006, 111(C8):275-303. DOI:10.1029/2005JC003207.

[6] Pertami ND, Kanno S, Arthana IW. Study on the vertical distribution of chlorophyll in coastal ocean; development of vertical model function at western sumbawa sea.RevistaTransporteYTerritorio, 2012, (1): 128-132.

[7] Hidalgo-Gonzalez RM, Alvarez-Borrego S. Chlorophyll profiles and the water column structure in the Gulf of California.OceanologicaActa, 2001, 24(1): 19-28.DOI:10.1016/S0399-1784(00)01126-9.

[9] Feng Chunjing, Zhao Chaofang. Study of the vertical distribution of chlorophyll in the ocean based on artificial neural networks.PeriodicalofOceanUniversityofChina, 2004, 34(3): 497-505.[馮春晶, 趙朝方. 基于人工神經網絡研究海水中葉綠素濃度的垂直分布. 中國海洋大學學報: 自然科學版, 2004, 34(3): 497-505.]

[10] Liu Bin. The Feasibility of deriving the vertical distribution of chlorophyll concentration from sea surface reflectance measurements in case 1 water[Dissertation]. Qingdao: Ocean University of China, 2009.[劉斌. 一類水域中從海面反射比反演葉綠素濃度垂直分布初探[學位論文]. 青島: 中國海洋大學, 2009.]

[11] Cao HS, Kong FX, Luo LCetal. Effects of wind and wind-induced waves on vertical phytoplankton distribution and surface blooms ofMicrocystisaeruginosain Lake Taihu.JournalofFreshwaterEcology, 2006, 21(2): 231-238. DOI:10.1080/02705060.2006.9664991.

[12] Kong Fanxiang, Gao Guang. Hypothesis on cyanobacteria bloom-forming mechanism in large shallow eutrophic lakes.ActaEcolSin, 2005, (3): 589-595. [孔繁翔, 高光. 大型淺水富營養(yǎng)化湖泊中藍藻水華形成機理的思考. 生態(tài)學報, 2005, (3): 589-595.]

[13] Wang Sumin, Dou Hongshen eds. Lakes of China. Beijing: Science Press, 1998.[王蘇民, 竇鴻身. 中國湖泊志. 北京: 科學出版社, 1998.]

[14] Xue K, Zhang Y, Duan Hetal. A remote sensing approach to estimate vertical profile classes of phytoplankton in a eutrophic lake.RemoteSensing, 2015, 7(11): 14403-14427. DOI:10.3390/rs71114403.

[15] Ma Mengxiao, Zhang Yuchao, Qian Xinetal. Vertical distribution of water quality and its influence on underwater light field in Lake Chaohu.EnvironmentalSciences, 2014, 35(5): 1698-1707. DOI:10.13227/j.hjkx.2014.05.010.[馬孟梟, 張玉超, 錢新等. 巢湖水體組分垂向分布特征及其對水下光場的影響. 環(huán)境科學, 2014, 35(5): 1698-1707.]

[16] Pan Delu, Ma Ronghua. Several key problems of lake water quality remote sensing.JLakeSci, 2008, 20(2): 139-144. DOI:10.18307/2008.0201.[潘德爐, 馬榮華. 湖泊水質遙感的幾個關鍵問題. 湖泊科學, 2008, 20(2): 139-144.]

[17] Liu Xin, Jiang Yu, Gao Junfeng. Pollution characteristics of heavy metals and the risk assessment for the surface sediments from Lake Chaohu and its main tributary rivers.JLakeSci, 2016, 28(3): 502-512. DOI:10.18307/2016.0305.[劉新, 蔣豫, 高俊峰等. 巢湖湖區(qū)及主要出入湖河流表層沉積物重金屬污染特征及風險評價. 湖泊科學, 2016, 28(3): 502-512.]

[18] Zhang Min, Kong Fanxiang. The process, spatial and temporal distributions and mitigation strategies of the eutrophication of Lake Chaohu (1984-2013).JLakeSci, 2015, 27(5): 791-798. DOI:10.18307/2015.0505.[張民, 孔繁翔. 巢湖富營養(yǎng)化的歷程、空間分布與治理策略(1984—2013年). 湖泊科學, 2015, 27(5): 791-798.]

[19] Chen X, Yang X, Dong Xetal. Nutrient dynamics linked to hydrological condition and anthropogenic nutrient loading in Chaohu Lake (southeast China).Hydrobiologia, 2011, 661(1):223-234. DOI:10.1007/s10750-010-0526-y.

[20] Ma Shuzhan, Pan Jizheng, Wu Xiaodongetal. Purification efficiencies of a multi-stage bypass constructed wetland for treating polluted water from Nanfei River, Chaohu Catchment.JLakeSci, 2016, 28(2): 303-311. DOI:10.18307/2016.0209.[馬書占, 潘繼征, 吳曉東等. 旁路多級人工濕地對巢湖流域南淝河水的凈化效果. 湖泊科學, 2016, 28(2): 303-311.]

[21] Zhang Y, Ma R, Zhang Metal. Fourteen-year record (2000-2013) of the spatial and temporal dynamics of floating algae blooms in Lake Chaohu, observed from time series of MODIS images.RemoteSensing, 2015, 7(8): 10523-10542. DOI: 10.3390/rs70810523.

[22] Ma R, Tang J, Dai J. Bio-optical model with optimal parameter suitable for Taihu Lake in water colour remote sensing.InternationalJournalofRemoteSensing, 2006, 27(19): 4305-4328. DOI: 10.1080/01431160600857428.

[23] Mobley CD. Estimation of the remote-sensing reflectance from above-surface measurements.AppliedOptics, 1999, 38(36): 7442-7455. DOI: 10.1364/AO.38.007442.

[24] Mobley CD ed. Light and water: Radiative transfer in natural waters. Academic Press, 1994.

[25] Bricaud A, Morel A, Prieur L. Absorption by dissolved organic matter of the sea (yellow substance) in the UV and visible domains 1.Limnology&Oceanography, 1981, 26(1): 43-53.DOI:10.4319/lo.1981.26.1.0043.

[26] Li Suju, Wu Qian, Wang Xuejunetal. Correlations between reflectance spectra and contents of chlorophyll-a in Chaohu Lake.JLakeSci, 2002, 14(3): 228-234. DOI:10.18307/2002.0306.[李素菊, 吳倩, 王學軍等. 巢湖浮游植物葉綠素含量與反射光譜特征的關系. 湖泊科學, 2002, 14(3): 228-234.]

[27] Zhou Yi, Zhou Weiqi, Wang Shixinetal. Applications of remote sensing techniques to inland water quality monitoring.AdvancesinWaterScience, 2004, 15(3): 312-317.[周藝, 周偉奇, 王世新等. 遙感技術在內陸水體水質監(jiān)測中的應用. 水科學進展, 2004, 15(3): 312-317.]

[28] Feng Wei, Feng Xuezhi, Ma Ronghua. Research on correlations between chlorophyll concentration and reflectance spectral of Taihu Lake.RemotSensInf, 2007, (1): 18-21.[馮偉, 馮學智, 馬榮華. 太湖水體葉綠素濃度與反射光譜特征關系的研究. 遙感信息, 2007, 2007, (1):18-21.]

[29] Yacobi YZ, Gitelson A, Mayo M. Remote sensing of chlorophyll in Lake Kinneret using high spectral-resolution radiometer and Landsat TM: Spectral features of reflectance and algorithm development.JournalofPlanktonResearch, 1995, 17(11): 2155-2173.DOI:10.1093/plankt/17.11.2155.

[30] Fan Jiani, Wang Zhenlei, Qian Feng. Research progress structural design of hidden layer in BP artificial neural networks.ControlEngineeringofChina, 2005, (S1): 109-113.[范佳妮, 王振雷, 錢鋒. BP人工神經網絡隱層結構設計的研究進展. 控制工程, 2005, (S1): 109-113.]

[31] Hecht-Nielsen R. Kolmogorov’s mapping neural network existence theorem: Proceedings of the international conference on Neural Networks. New York: IEEE Press, 1987, 3: 11-13.

[32] Hüsken M, Jin Y, Sendhoff B. Structure optimization of neural networks for evolutionary design optimization.SoftComputing, 2005, 9(1): 21-28. DOI:10.1007/s00500-003-0330-y.

[33] Cheng Fang. The study of eutrophication condition and aquatic community structure of Taihu Lake[Dissertation]. Suzhou: Suzhou University, 2010.[成芳. 太湖水體富營養(yǎng)化與水生生物群落結構的研究[學位論文]. 蘇州：蘇州大學, 2010.]

[34] Hu Hongjun, Wei Yinxin eds. Freshwater algae in China: Systems, classification and ecology. Beijing: Science Press, 2006.[胡鴻鈞, 魏印心. 中國淡水藻類——系統(tǒng)、分類及生態(tài). 北京：科學出版社, 2006.]

[35] Cheng Huimin, Qiu Baosheng. Cyanobacterial gas vesicles and their regulation on the vertical distribution of cyanobacteria in water body.PlantPhysiologyCommunications, 2006, 42(5): 974-980.[成慧敏, 邱保勝. 藍藻的偽空泡及其對藍藻在水體中垂直分布的調節(jié). 植物生理學報, 2006, 42(5): 974-980.]

[36] Deng Daogui, Xie Ping, Zhou Qiongetal. Diel vertical migration ofMicrocystisand crustacean zooplankton in Lake Chaohu.EcologicScience, 2006, 25(1):8-12. [鄧道貴, 謝平, 周瓊等. 巢湖微囊藻和浮游甲殼動物晝夜垂直遷移的初步研究. 生態(tài)科學, 2006, 25(1):8-12.]

[37] Zhu Yongchun, Cai Qiming. The dynamic research of the influence of wind field on the migration of algae in Taihu Lake.JLakeSci, 1997, 9(2): 152-158. DOI:10.18307/1997.0210. [朱永春, 蔡啟銘. 風場對藻類在太湖中遷移影響的動力學研究. 湖泊科學, 1997, 9(2):152-158.]

[38] Li Kun, Xiao Pu. Temporal and spatial distribution of chlorophyll-a concentration and its relationships with TN, TP concentrations in Lake Chaohu.JournalofBiology, 2011, 28(1): 53-56.[李堃, 肖莆. 巢湖葉綠素a濃度的時空分布及其與氮、磷濃度關系. 生物學雜志, 2011, 28(1): 53-56.]

[39] Qi L, Hu C, Duan Hetal. A novel MERIS algorithm to derive cyanobacterial phycocyanin pigment concentrations in a eutrophic lake: Theoretical basis and practical considerations.RemoteSensingofEnvironment, 2014, 154(154): 298-317. DOI:10.1016/j.rse.2014.08.026.

[40] Liang Q, Zhang Y, Ma Retal. A MODIS-based novel method to distinguish surface Cyanobacterial scums and aquatic macrophytes in Lake Taihu.RemoteSensing, 2017, 9(2): 133.

[41] Zhou Zhihua, Chen Shifu. Rule extraction from neural networks.JournalofComputerResearchandDevelopment, 2002, 39(4): 398-405.[周志華, 陳世福. 神經網絡規(guī)則抽取. 計算機研究與發(fā)展, 2002, 39(4): 398-405.]

Remote sensing-based estimation for Gaussian distribution parameters of vertical structure of algal biomass in Lake Chaohu

LIANG Qichun1,2, ZHANG Yuchao1,3**, XUE Kun1,2, DUAN Hongtao1& MA Ronghua1,3

(1:KeyLaboratoryofWatershedGeographicSciences,NanjingInstituteofGeographyandLimnology,ChineseAcademyofSciences,Nanjing210008,P.R.China) (2:UniversityofChineseAcademyofSciences,Beijing100049,P.R.China) (3:JiangsuCollaborativeInnovationCenterofRegionalModernAgriculture&EnvironmentalProtection,HuaiyinNormalUniversity,Huaian223001,P.R.China)

The relationship between water surface reflectance and total depth integrated algae biomass can be very complex as different kinds of algal vertical distributions can occur. For this reason, effectively identifying the algae vertical profiles is fundamental to estimate algal biomass. Gaussian profiles are the most typical algae vertical profiles which occur in most environmental conditions (including external and internal system). In this research, a back propagation (BP) neural network was established to estimate Gaussian distribution parameters of the vertical structurehandσby wave bandsRrs(469),Rrs(555),Rrs(645) and chlorophyll-a concentration bandCChl.a(0). The BP neural network was trained by using 3000 simulated datasets (radiative transfer simulation based onin-situmeasured data by HydroLight), and verified by another 200 groups of simulated data and measured data. The correlation coefficient between estimated and measuredhandσwere 0.97 and 0.95, while the relative errors were 13.20% and 12.36%, respectively. The relative error ofhandσwas mostly less than 30%. This indicated that it is a good effectiveness of BP neural networks to estimate the vertical distribution parameters and able to explore the three dimensional algal distribution in Lake Chaohu, thereby providing a significant theoretical basis for remote sensing estimation of algal biomass.

Chlorophyll-a; Gaussian vertical distribution; HydroLight; back propagation neural network; Lake Chaohu

*國家自然科學基金項目(41431176,41471287)和江蘇省區(qū)域現代農業(yè)與環(huán)境保護協(xié)同創(chuàng)新中心面上項目(HSXT236)聯合資助. 2016-04-21收稿；2016-07-18收修改稿. 梁其椿(1991～)，男，碩士研究生；E-mail: lqc_niglas@163.com.

; E-mail：yczhang@niglas.ac.cn.