杜雨春子 青 松① 包玉海 郝艷玲

烏梁素海沉水植物群落光譜特征及其受覆蓋度的影響分析*

杜雨春子1, 2青 松1, 2①包玉海1, 2郝艷玲3

(1. 內(nèi)蒙古師范大學(xué)地理科學(xué)學(xué)院 呼和浩特 010022; 2. 內(nèi)蒙古師范大學(xué)內(nèi)蒙古自治區(qū)遙感與地理信息系統(tǒng)重點(diǎn)實(shí)驗(yàn)室 呼和浩特 010022; 3. 內(nèi)蒙古大學(xué)生態(tài)與環(huán)境學(xué)院 呼和浩特 010021)

沉水植物是湖泊生態(tài)系統(tǒng)重要組成, 也是水質(zhì)與健康狀況的指標(biāo)性類群, 可以采用遙感技術(shù)對(duì)其生長和分布情況進(jìn)行監(jiān)測(cè)?；趯?shí)測(cè)光譜數(shù)據(jù), 分析了烏梁素海沉水植物光譜特征, 研究了覆蓋度對(duì)烏梁素海沉水植物反射光譜的影響, 建立了烏梁素海沉水植物覆蓋度反演模型。結(jié)果表明: 沉水植物群落的光譜反射率隨覆蓋度減少而下降, 覆蓋度為1%～20%時(shí), 沉水植物群落光譜反射率與水體反射率非常接近, 但在813 nm和1 069 nm處仍存在差異。在710～746 nm波段附近, 沉水植物群落光譜反射率與覆蓋度呈顯著正相關(guān)。在建立的單波段/波段比沉水植物覆蓋度反演模型中, 波段比覆蓋度反演模型要優(yōu)于單波段反演模型, 波段比反演模型的決定系數(shù)(coefficient of determination)2>0.716, 均方根誤差(root mean square error, RMSE)小于14.90%, 平均相對(duì)于誤差(mean relative percentage error, MRPE)小于35.65%, 反演精度較高, 適用于60%～100%沉水植物覆蓋度反演。利用波段響應(yīng)函數(shù), 將實(shí)測(cè)光譜反射率積分到Sentinel-2 MSI波段上, 建立了multi spectral instrument (MSI)覆蓋度反演模型。波段比二次多項(xiàng)式反演效果最好(2為0.94, RMSE為4.62%, MRPE為6.22%), 可以用于烏梁素海沉水植物覆蓋度的反演。

沉水植物; 光譜反射率; 覆蓋度; 相關(guān)分析; 回歸模型; 烏梁素海

沉水植物是湖泊生態(tài)系統(tǒng)的重要水生植物類型之一, 可以改善生態(tài)系統(tǒng)的多樣性, 穩(wěn)定沉積物、吸收營養(yǎng)鹽、凈化水體、維持漁業(yè)生產(chǎn)和抑制浮游植物生長等生態(tài)功能(Blindow,2002; 童昌華等, 2004; 王衛(wèi)紅等, 2006; Liu,2018)。因此, 大范圍、準(zhǔn)確、快速獲得沉水植物的時(shí)空分布對(duì)湖泊水體治理和水生態(tài)修復(fù)具有十分重要的意義。

傳統(tǒng)監(jiān)測(cè)沉水植物分布與生長狀況的現(xiàn)場(chǎng)調(diào)查法和潛水測(cè)量法耗時(shí)耗力、監(jiān)測(cè)覆蓋范圍小, 而且影響水體環(huán)境(Barillé, 2010)。遙感技術(shù)作為監(jiān)測(cè)水生植物的有效工具, 不僅成本較低, 省時(shí)省力, 而且能夠大面積同步獲取地物信息, 有著傳統(tǒng)方法不可比擬的優(yōu)勢(shì)(王琪等, 2016)。在多光譜應(yīng)用方面, 許多學(xué)者利用Landsat系列衛(wèi)星遙感影像數(shù)據(jù)(林川等, 2010)和我國環(huán)境及高分衛(wèi)星(Luo, 2002; Chen, 2018)遙感數(shù)據(jù)對(duì)水生植物進(jìn)行遙感監(jiān)測(cè)、初步分類、提取和制圖, 并獲得了很好的研究結(jié)果; 其中, Brooks等(2015)利用Landsat Thematic Mapper和Multispectral Scanner Systrm影像評(píng)估了勞倫斯大湖沉水植物的分布情況, 并指出沉水植物的分布有利于凈化水質(zhì), 改善水體透明度。Traganos等(2018)基于Sentinel-2 Multi Spectral Instrument數(shù)據(jù), 利用決策樹方法繪制了希臘西北部愛琴海Thermaikos海灣的沉水植物分布圖。Liu等(2015)基于MODIS數(shù)據(jù), 利用floating algal index (FAI)指數(shù)和vegetation presence frequency (VPF)方法有效地繪制了太湖水生植物分布圖。Dogan等(2009)利用Quickbird衛(wèi)星遙感影像數(shù)據(jù)繪制了淺水湖泊中沉水植物覆蓋度的分布圖, 并指出冠層水深是影響遙感大規(guī)模監(jiān)測(cè)沉水植物覆蓋度和豐度的主要因素。近幾年來, 隨著高光譜遙感技術(shù)的應(yīng)用與發(fā)展(張達(dá)等, 2013), 將高光譜遙感數(shù)據(jù)用于沉水植物覆蓋度等方面的監(jiān)測(cè)研究, 有效的提高了反演精度。例如, Pu等(2013)利用Hyperion高光譜遙感數(shù)據(jù)對(duì)美國佛羅里達(dá)州西部海岸的沉水植物覆蓋度進(jìn)行了反演, 結(jié)果表明, 當(dāng)覆蓋度為3級(jí)和5級(jí)時(shí), 反演精度分別達(dá)到95.9%和78.4%。Zou等(2013)在富營養(yǎng)化湖中, 利用實(shí)測(cè)數(shù)據(jù)研究了沉水植物光譜特征, 并指出沉水植物光譜反射率隨覆蓋度的減少而下降。但是當(dāng)前國內(nèi)外將沉水植物的實(shí)測(cè)光譜特征與遙感推廣應(yīng)用相結(jié)合進(jìn)行沉水植物覆蓋度的綜合研究還較少。

本論文以內(nèi)蒙古巴彥淖爾市境內(nèi)烏梁素海沉水植物群落為研究對(duì)象, 基于地物光譜儀測(cè)定的沉水植物光譜數(shù)據(jù), 開展如下研究: 1)分析不同覆蓋度的沉水植物光譜特征差異; 2)探討覆蓋度對(duì)沉水植物群落光譜特征的影響; 3)建立沉水植物覆蓋度的遙感反演模型; 4)利用Sentinel-2 MSI遙感數(shù)據(jù)反演得到烏梁素海沉水植物覆蓋度分布圖。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

烏梁素海(108°43′～108°57′E, 40°36′～41°03′N)(圖1)位于內(nèi)蒙古巴彥淖爾市烏拉特前旗境內(nèi), 是地球上同一緯度最大的自然濕地。湖泊呈南北長、東西窄的狹長形態(tài), 湖岸線長130 km。湖泊蓄水量2.5億～3億m3, 水深為0.5～3.0 m, 平均水深1.5 m, 水域面積273.32 km2。所在地區(qū)的多年平均氣溫為7.3 °C, 多年平均降雨量為224 mm, 湖水于每年11月初結(jié)冰, 次年4月份解凍, 冰封期為5個(gè)月。從20世紀(jì)90年代起, 由于自然氣候條件干旱, 烏梁素海的自然補(bǔ)水量持續(xù)減少, 再加上所屬地區(qū)的生活污水、農(nóng)業(yè)退水和工業(yè)廢水, 未經(jīng)處理就直接排放, 使湖泊水質(zhì)下降, 生態(tài)功能急劇退化, 湖區(qū)內(nèi)沉水植物等大型水生植物瘋長, 烏梁素海成為了重度富營養(yǎng)化草型湖泊(于瑞宏等, 2004; 張巖, 2012; 于玲紅等, 2014; 李建茹等, 2017)。烏梁素海作為內(nèi)蒙古“一湖兩?！钡闹匾M成部分, 其一旦消失, 不僅會(huì)造成土地沙化, 而且我國北方的生態(tài)屏障將受到重創(chuàng)(岳程鵬等, 2020)。因此, 利用遙感大范圍、快速和周期性監(jiān)測(cè)烏梁素海沉水植被, 對(duì)于保護(hù)烏梁素海生境有著極其重要的意義。

烏梁素海水生植被生長茂盛, 在全湖范圍內(nèi)廣泛分布, 植被種類大致可以分為挺水植被、沉水植被和漂浮藻類三類。其中, 沉水植被有龍須眼子菜、菹草、狐尾藻、茨藻、輪藻、竹葉眼子菜等, 龍須眼子菜和穗花狐尾藻為沉水植被優(yōu)勢(shì)種, 5月中旬開始萌芽, 10月開始逐漸衰退, 主要分布在明水區(qū), 但是南部明水區(qū)分布較少(岳丹等, 2015; 包菡等, 2016; 衛(wèi)亞星等, 2017; Cao, 2020)。

圖1 烏梁素海地理位置及實(shí)測(cè)站位圖

1.2 野外觀測(cè)

本研究分別于2019年6月17日、7月19日、8月20日、9月21日在烏梁素海開展了4次為期2 d的野外調(diào)查, 共獲得有效實(shí)測(cè)光譜數(shù)據(jù)218組(圖1), 沉水植物(64組)和開闊水體(154組)的遙感反射率光譜、沉水植物覆蓋度和現(xiàn)場(chǎng)照片, 且選擇以上月份為沉水植物生長期, 適用于沉水植物的覆蓋度遙感反演研究。

光譜測(cè)量采用美國ASD公司生產(chǎn)的ASD Field Spec 4地物光譜儀, 其測(cè)量波段范圍為350～2 500 nm, 光譜分辨率為3 nm, 光纖視場(chǎng)為25°, 350～1 000 nm內(nèi)采樣間隔為1.4 nm, 1 001～2 500 nm內(nèi)采樣間隔為1.1 nm。光譜測(cè)量方法采用唐軍武等(2004)提出的水面以上水體光譜測(cè)量方法。遙感反射率rs(remote sensing reflectance)測(cè)量在無風(fēng)、天氣晴朗時(shí)進(jìn)行, 且每個(gè)樣點(diǎn)需要測(cè)量標(biāo)準(zhǔn)灰板、水體和天空光等輻射亮度信息, 各測(cè)15條光譜數(shù)據(jù)(即3組), 剔除異常數(shù)據(jù)之后, 取均值作為該點(diǎn)的光譜數(shù)據(jù)。為了避開水體對(duì)太陽直射反射和船體陰影等影響, 需要采用一定的觀測(cè)角度, 儀器觀測(cè)平面與太陽入射平面夾角為90°～145°之間, 且儀器與水體之間的距離為1 m。用利1 m×1 m的樣方框現(xiàn)場(chǎng)測(cè)定沉水植物樣方內(nèi)覆蓋度(coverage), 在每個(gè)樣方中, 使用細(xì)分框架和11個(gè)覆蓋度等級(jí)(覆蓋率為10%, 即0 (0%)、1 (1%～10%)和11 (91%～100%)來估算覆蓋度。用塞氏盤測(cè)量水體透明度, 利用手持GPS定位儀記錄每個(gè)站點(diǎn)的位置。

1.3 遙感影像數(shù)據(jù)及其預(yù)處理

本文選用2019年6月16日和2019年8月20日, 2景無云覆蓋的Sentinel-2 MSI Level-2A級(jí)地表反射率產(chǎn)品(MSI-2A)影像數(shù)據(jù)(https://scihub.copernicus. eu/), 反演烏梁素海沉水植物覆蓋度。

Sentinel-2衛(wèi)星搭載的多光譜成像儀MSI, 共有13個(gè)波段, 不僅有可見光、近紅外和短波紅外波段, 還包含了3個(gè)“紅邊”波段, 和一個(gè)增強(qiáng)的窄近紅外波段。Sentinel-2 A和B兩顆衛(wèi)星在過境時(shí)間上互補(bǔ), 重訪周期提升為5 d (Drusch, 2012; Tyler, 2016; Pahlevan, 2017)。

MSI-2A是利用歐空局提供的Sen2cor軟件對(duì)Sentinel-2衛(wèi)星影像進(jìn)行大氣校正后的地表反射率產(chǎn)品(Main-Knorn, 2015)。該算法的核心是大氣輻射傳輸模型IibRadtran (Mayer, 2005)。IibRadtran是用于計(jì)算大氣輻射傳輸?shù)能浖? 該算法用離散縱坐標(biāo)法計(jì)算地球大氣、太陽以及熱輻射傳輸, 包含有不同的計(jì)算模塊, 適用于各種大氣條件, 例如太陽和部分地球光譜的輻射、輻照度和光化通量(霍娟等, 2006; 蘇偉等, 2018)。Sen2cor是基于IibRadtran代碼生成的查找表, 并對(duì)Sentinel-2影像進(jìn)行大氣校正, 利用Python編譯的可移植代碼, 為用戶提供命令和集成的軟件(張曉月等, 2020)。

近年來，寶勝黨建工作創(chuàng)新開拓和穩(wěn)健務(wù)實(shí)并重，黨委切實(shí)履行從嚴(yán)管黨治黨責(zé)任，圍繞“黨旗領(lǐng)航發(fā)展”主題，實(shí)施五大工程，開展具有特色化品牌化黨建項(xiàng)目，構(gòu)建“1+5+X”黨建新模式，實(shí)現(xiàn)黨建工作與企業(yè)生產(chǎn)經(jīng)營互融互促，以黨建工作促進(jìn)生產(chǎn)經(jīng)營，以經(jīng)營業(yè)績檢驗(yàn)黨建成效。

將MSI-2A數(shù)據(jù)的各個(gè)波段灰度值乘以0.000 1, 得到地表反射率, 并通過如公式(1)轉(zhuǎn)化為遙感反射率。

式中,w是地表反射率,rs為遙感反射率。

其次, 對(duì)影像進(jìn)行陸地掩膜, 裁剪, 并重采樣MSI-2A產(chǎn)品, 得到統(tǒng)一的20 m空間分辨率。

另外, 本文試圖利用Sentinel-2 MSI遙感數(shù)據(jù)進(jìn)行沉水植物覆蓋度的反演。針對(duì)上述傳感器的波段設(shè)置, 進(jìn)行了烏梁素海實(shí)測(cè)遙感反射率的波段積分運(yùn)算, 具體見公式(2), 光譜響應(yīng)函數(shù)如圖2所示。

式中,rs()表示實(shí)測(cè)遙感反射率;F表示MSI數(shù)據(jù)的第波段的光譜響應(yīng)函數(shù)。

圖2 光譜響應(yīng)函數(shù): Sentinel-2 MSI

Fig.2 Relative spectral response function: Sentinel-2 MSI

注: b1～b12分別代表MSI每個(gè)波段的光譜響應(yīng)函數(shù)

1.4 數(shù)據(jù)處理與分析

首先, 基于沉水植物光譜特征, 進(jìn)行覆蓋度與沉水植物光譜之間的相關(guān)分析, 確定相關(guān)性最大的單波段和波段比。相關(guān)分析同時(shí)考慮了皮爾遜(線性)和斯皮爾曼(單調(diào)性)相關(guān)分析法。

然后, 建立單波段/波段比與覆蓋度之間的回歸模型, 模型如下:

最后, 采用均方根誤差(root mean square error, RMSE), 平均相對(duì)誤差(mean relative percentage error, MRPE)以及Pearson相關(guān)系數(shù)評(píng)價(jià)反演模型精度, 計(jì)算公式為:

式中,xpre和xmea分別表示通過模型計(jì)算反演得到的覆蓋度和實(shí)際測(cè)量的覆蓋度;為采樣點(diǎn)數(shù)。

2 結(jié)果與討論

2.1 不同覆蓋度的沉水植物光譜特征分析

沉水植物光譜曲線表現(xiàn)出典型的植被光譜特征(圖3), 在可見光部分的藍(lán)波段(480 nm為中心)和紅光波段(680 nm為中心)附近有較強(qiáng)的吸收, 形成兩個(gè)吸收谷, 在540～560 nm附近形成了明顯的反射綠峰; 在670～720 nm之間反射率增高最快, 出現(xiàn)“紅邊”; 當(dāng)波長大于700 nm, 沉水植物光譜反射率顯著增加, 形成了水生植物在近紅外波段典型的高反射區(qū)。上述結(jié)果與杜雨春子等(2020)研究結(jié)果一致。

沉水植物群落的平均光譜反射率隨覆蓋度降低而下降, 在530～650 nm和710～935 nm差異明顯, 但是在776～850 nm波段之間差異最為明顯(圖3b)。由表1可以看出, 在770～850 nm波段之間, 沉水植物群落光譜反射率最大值為0.186, 最小值為0.000 4, 開闊水體光譜反射率最大值為0.002 8, 最小值為0.000 1。在1 028～1 110 nm波段之間, 沉水植物群落光譜反射率最大值為0.141, 最小值為0.000 1, 開闊水體光譜反射率最大值為0.001 42, 最小值趨近于零。伴隨沉水植物群落覆蓋度的不斷降低, 水體的面積逐漸增多, 綠光波段和近紅外波段的光譜反射率也隨之下降, 與Beget等(2007)的研究結(jié)果一致。當(dāng)覆蓋度為1%～20%時(shí), 沉水植物群落光譜反射率與水體反射率非常接近, 但是在813 nm和1 069 nm處仍存在細(xì)微差異, 這足以表明沉水植物的光譜特征除了受到群落覆蓋度影響以外, 往往還受到水體環(huán)境因素的影響(Hestir, 2008)。

圖3 沉水植物不同覆蓋度實(shí)測(cè)光譜(a)和平均光譜(b)對(duì)比圖

注: A表示在770～850 nm范圍內(nèi)813 nm處的平均光譜反射率, B表示在1 028～1 110 nm范圍內(nèi)1 069 nm處的平均光譜反射率;rs()為遙感反射率

表1 沉水植物不同覆蓋度實(shí)測(cè)光譜參數(shù)

2.2 覆蓋度與沉水植物光譜反射率的相關(guān)分析

通過對(duì)不同覆蓋度的沉水植物光譜特征分析, 可以發(fā)現(xiàn)沉水植物群落的光譜反射率隨覆蓋度的減少而降低。所以對(duì)2019年6、7、8、9月沉水植物群落的光譜反射率與覆蓋度進(jìn)行相關(guān)性分析。通過相關(guān)分析可知, 在700～900 nm波段附近, 沉水植物群落光譜反射率與覆蓋度呈正相關(guān), 在710～746 nm波段附近, 沉水植物群落光譜反射率與覆蓋度呈顯著正相關(guān), 是光譜反射率對(duì)覆蓋度變化最敏感的波段。皮爾遜相關(guān)系數(shù)與斯皮爾曼相關(guān)系數(shù)所對(duì)應(yīng)的特征波段差異很大, 其中沉水植物群落的光譜反射率與覆蓋度皮爾遜最高的相關(guān)系數(shù)位于727 nm處,=0.844, 在882 nm處斯皮爾曼相關(guān)系數(shù)最高,=0.833, 這是因?yàn)樵?27 nm之后沉水植物光譜反射率與覆蓋度可能存在非線性關(guān)系。當(dāng)沉水植物覆蓋度減少時(shí), 沉水植物的綠光波段和近紅外波段的光譜反射率也隨之下降, 水體環(huán)境逐漸成為主導(dǎo)因素, 而水體通過吸收和散射造成了光衰減(Visser, 2013), 這可能也是影響沉水植物群落與覆蓋度相關(guān)性的因素。利用迭代算法對(duì)400～1 350 nm (5 nm間隔)波段區(qū)間的實(shí)測(cè)反射率逐一兩兩比值, 并與相對(duì)應(yīng)的沉水植物覆蓋度進(jìn)行相關(guān)性計(jì)算, 發(fā)現(xiàn)在rs(860)/rs(710)處皮爾遜相關(guān)系數(shù)最高,=0.866, 在rs(910)/rs(690)處斯皮爾曼相關(guān)系數(shù)最高,=0.831。

2.3 沉水植物覆蓋度的回歸模型建立

表2 單波段/波段比沉水植物覆蓋度反演模型

注:表示自變量rs();表示反演覆蓋度;2表示決定系數(shù);rs()表示遙感反射率

圖4為單波段/波段比覆蓋度反演模型的實(shí)測(cè)覆蓋度與反演覆蓋度對(duì)比圖, 從圖4可以看出, 波段比反演模型的穩(wěn)定性要優(yōu)于單波段, 這是因?yàn)椴ǘ伪戎悼稍谝欢ǔ潭壬舷煌瑫r(shí)間和空間上水表面光滑度和大氣對(duì)電磁波的影響, 并部分地減少其他物質(zhì)的干擾(潘應(yīng)陽等, 2018), 而單波段卻不能。從圖可以看出在單波段模型中, 二次多項(xiàng)式反演模型的精度要高于線性反演模型的精度, 二次多項(xiàng)式模型的決定系數(shù)2＜0.738, 均方根誤差＜15.03%, 平均相對(duì)誤差＜38.0%。在波段比模型中, 線性模型的精度要高于二次多項(xiàng)式模型的精度, 其中線性模型的決定系數(shù)2＞0.716, 均方根誤差＜14.90%, 平均相對(duì)誤差＜35.65%。通過MRPE、RMSE和散點(diǎn)圖可以看出大部分反演值與實(shí)測(cè)值有較好的一致性, 其中單波段模型最好的覆蓋度反演精度集中在80%～100%, 波段比模型最好的覆蓋度反演精度集中在60%～100%。

2.4 沉水植物覆蓋度反演模型的遙感應(yīng)用

本文試圖利用MSI的2A級(jí)地表反射率產(chǎn)品數(shù)據(jù)對(duì)沉水植物覆蓋度進(jìn)行反演。首先, 基于波段響應(yīng)函數(shù), 將實(shí)測(cè)光譜反射率積分到Sentinel-2 MSI波段上, 見圖2和公式2; 然后, 對(duì)波段積分后的MSI單波段反射率/波段比值與實(shí)測(cè)覆蓋度之間進(jìn)行相關(guān)性分析, 見圖5; 由圖5a和5b可以發(fā)現(xiàn), MSI第5波段(中心波段為705 nm)的沉水植物光譜反射率與覆蓋度皮爾遜相關(guān)系數(shù)最高,=0.87, 在Band 8A波段(中心波段為865 nm)斯皮爾曼相關(guān)系數(shù)最高,=0.86。在波段比rs(Narrow NIR)/rs(Green)處沉水植物光譜反射率與覆蓋度的相關(guān)系數(shù)最高, 其中皮爾遜相關(guān)系數(shù)為=0.83, 斯皮爾曼相關(guān)系數(shù)為=0.80。因此, 將波段積分后的rs(Narrow NIR)/rs(Green)作為自變量, 利用LOOCV方法建立MSI波段比覆蓋度反演模型, 其中, 波段比線性函數(shù)模型為=12.92+31.2,2=0.696, 波段比二次多項(xiàng)式函數(shù)模型為=-1.752+ 22.32+24.8,2=0.725。

圖4 沉水植物覆蓋度反演值與實(shí)測(cè)值對(duì)比

注:: 樣本數(shù)量;2: 決定系數(shù);: 均方根誤差;: 平均相對(duì)誤差

圖5 Sentinel-2 MSI沉水植物光譜反射率與覆蓋度的相關(guān)系數(shù)

注: 紅點(diǎn)和綠點(diǎn)分別代表皮爾遜和斯皮爾曼相關(guān)系數(shù)最優(yōu)的波段位置; B1～B10表示將實(shí)測(cè)光譜反射率利用波段積分運(yùn)算后得到的Sentinel-2 MSI的各波段的光譜反射率

圖6為MSI覆蓋度反演值與實(shí)測(cè)值對(duì)比圖。由圖6可知, MSI覆蓋度反演結(jié)果與實(shí)測(cè)值之間有良好的一致性, 其中波段比二次多項(xiàng)式反演結(jié)果最好, 決定系數(shù)2為0.725, 均方根誤差為14.49%, 平均相對(duì)誤差為34.56%。通過散點(diǎn)圖可以看出大部分反演的覆蓋度位于1︰1線附近, 表明Sentinel-2 MSI波段比二次多項(xiàng)式反演型獲得了較好的反演結(jié)果。

將MSI的波段比二次多項(xiàng)式模型應(yīng)用于MSI地表反射率數(shù)據(jù)(2019年6月16日和8月20日), 圖7對(duì)比了波段比情況下MSI反演的覆蓋度和實(shí)測(cè)值。從散點(diǎn)圖可以看出, 反演覆蓋度和實(shí)測(cè)覆蓋度具有較好的一致性。其中, MSI的波段比決定系數(shù)2為0.94。然而, 由于實(shí)測(cè)點(diǎn)位(1 m×1 m)與遙感數(shù)據(jù)空間尺度(20 m×20 m)不一致, 因此反演沉水植物覆蓋度與實(shí)測(cè)值之間存在一定的偏差(Page, 2019)。

因此, 以Sentinel-2 MSI地表反射率rs(Narrow NIR)/rs(Green)作為自變量建立了沉水植物覆蓋度反演模型, 模型為=-2.152+25.596+11.41,2=0.94。利用Sentinel-2 MSI地表反射率數(shù)據(jù)反演的覆蓋度散點(diǎn)大部分都位于1︰1線附近, 反演模型的均方根誤差為4.62%, 平均相對(duì)誤差為6.22%(圖8)。Sentinel-2 MSI地表反射率波段比二次多項(xiàng)式覆蓋度反演模型可以用于估算研究地點(diǎn)的沉水植物覆蓋度, 而且具有較高的精度。

圖6 Sentinel-2 MSI沉水植物覆蓋度反演值與實(shí)測(cè)值對(duì)比圖

圖7 Sentinel-2 MSI影像數(shù)據(jù)波段比模型的覆蓋度的反演值與實(shí)測(cè)值對(duì)比圖

因此, 利用以上Sentinel-2 MSI地表反射率數(shù)據(jù)的波段比二次多項(xiàng)式模型得到了2019年6月16日和8月20日烏梁素海沉水植物覆蓋度分布圖(圖9)。6月與8月沉水植物覆蓋度差異明顯, 6月沉水植物在中部的覆蓋度最高, 東南部覆蓋度次之, 東部覆蓋度最少; 但到了8月, 沉水植物在東南部覆蓋度最高, 東部覆蓋度次之, 中部沉水植物覆蓋度幾乎為零。這是因?yàn)橹胁繀^(qū)域生長的沉水植物主要為菹草, 3月下旬到6月末為菹草生長旺期, 且葉片為長條形并浮在水面上, 7～9月為衰敗期, 植株衰敗死亡, 沉入湖底進(jìn)入休眠期; 東部和東南部主要為龍須眼子菜, 龍須眼子菜5月中旬開始萌芽, 6月開始生長, 7～9月為生長旺期, 10月開始逐漸衰退。這種沉水植物覆蓋度空間分布特征與現(xiàn)場(chǎng)船舶走航觀測(cè)結(jié)果大體一致。

圖8 Sentinel-2 MSI遙感地表反射率數(shù)據(jù)波段比模型的覆蓋度反演值與實(shí)測(cè)值對(duì)比圖

3 結(jié)論

1) 沉水植物群落的光譜反射率隨覆蓋度減少而下降, 在776～850 nm波段之間差異最為明顯。當(dāng)覆蓋度為1%～20%時(shí), 沉水植物群落光譜反射率與水體反射率非常接近, 但是在813和1 069 nm處仍存在細(xì)微差異。

2) 在710～746 nm波段附近, 沉水植物群落光譜反射率與覆蓋度呈顯著正相關(guān), 是光譜反射率對(duì)覆蓋度變化最敏感的波段。在727 nm之前沉水植物群落光譜反射率與覆蓋度的線性關(guān)系較好, 在727 nm之后兩者存在很好的非線性關(guān)系。

3) 利用LOOCV方法, 以單波段/波段比為自變量建立了沉水植物覆蓋度的反演模型, 其中波段比模型的擬合效果要優(yōu)于單波段模型, 反演精度較高, 適用于60%～100%沉水植物覆蓋度反演。

圖9 烏梁素海沉水植物覆蓋度分布圖

注: 手動(dòng)提取了挺水植物

4) 利用波段積分運(yùn)算將實(shí)測(cè)光譜反射率擴(kuò)展應(yīng)用到Sentinel-2 MSI波段上, 建立了MSI單波段/波段比覆蓋度反演模型。獲得2019年6月16日和8月20日烏梁素海沉水植物覆蓋度分布圖。然而, MSI遙感反演的沉水植物覆蓋度具有一定的不確定性, 這主要是由于實(shí)測(cè)點(diǎn)位與遙感數(shù)據(jù)空間尺度不一致造成的。因此, 在以后的研究中可以結(jié)合無人機(jī)高光譜對(duì)烏梁素海沉水植物覆蓋度遙感反演模型進(jìn)行驗(yàn)證。

于玲紅, 張曉雅, 李衛(wèi)平, 等, 2014. 冬季烏梁素海浮游藻類群落結(jié)構(gòu)特征[J]. 環(huán)境工程, 32(3): 43-47.

于瑞宏, 李暢游, 劉廷璽, 等, 2004. 烏梁素海濕地環(huán)境的演變[J]. 地理學(xué)報(bào), 59(6): 948-955.

衛(wèi)亞星, 王莉雯, 2017. 烏梁素海濕地蘆葦最大羧化速率的高光譜遙感[J]. 生態(tài)學(xué)報(bào), 37(3): 841-850.

王琪, 周興東, 羅菊花, 等, 2016. 近30年太湖沉水植物優(yōu)勢(shì)種遙感監(jiān)測(cè)及變化分析[J]. 水資源保護(hù), 32(5): 123-129, 135.

王衛(wèi)紅, 季民, 2006. 沉水植物川蔓藻的生態(tài)學(xué)特征及其對(duì)環(huán)境變化的響應(yīng)[J]. 海洋通報(bào), 25(3): 13-22.

包菡, 卓義, 劉華民, 等, 2016. 烏梁素海蘆葦濕地遙感生物量估算研究[J]. 干旱區(qū)研究, 33(5): 1028-1035.

蘇偉, 張明政, 蔣坤萍, 等, 2018. Sentinel-2衛(wèi)星影像的大氣校正方法[J]. 光學(xué)學(xué)報(bào), 38(1): 314-323.

杜雨春子, 青松, 曹萌萌, 等, 2020. 烏梁素海沉水植物群落光譜特征及冠層水深影響分析[J]. 湖泊科學(xué), 32(4): 1100-1115.

李建茹, 李興, 2017. 基于SOM的烏梁素海浮游植物群落結(jié)構(gòu)研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 26(4): 649-657.

張達(dá), 鄭玉權(quán), 2013. 高光譜遙感的發(fā)展與應(yīng)用[J]. 光學(xué)與光電技術(shù), 11(3): 67-73.

張巖, 2012. 烏梁素海結(jié)冰過程中污染物遷移機(jī)理及其應(yīng)用研究[J]. 呼和浩特: 內(nèi)蒙古農(nóng)業(yè)大學(xué)博士學(xué)位論文: 1-3.

張曉月, 李琳琳, 王瑩, 等, 2020. 采用Landsat8產(chǎn)品算法流程的高分一號(hào)數(shù)據(jù)大氣校正[J]. 農(nóng)業(yè)工程學(xué)報(bào), 36(1): 182-192.

林川, 宮兆寧, 趙文吉, 2010. 基于中分辨率TM數(shù)據(jù)的濕地水生植被提取[J]. 生態(tài)學(xué)報(bào), 30(23): 6460-6469.

岳丹, 劉東偉, 王立新, 等, 2015. 基于NDVI的烏梁素海濕地植被變化[J]. 干旱區(qū)研究, 32(2): 266-271.

岳程鵬, 李興, 包龍山, 等, 2020. 基于Landsat8 OLI遙感數(shù)據(jù)反演烏梁素海浮游植物生物量[J]. 灌溉排水學(xué)報(bào), 39(8): 122-128.

唐軍武, 田國良, 汪小勇, 等, 2004. 水體光譜測(cè)量與分析Ⅰ: 水面以上測(cè)量法[J]. 遙感學(xué)報(bào), 8(1): 37-44.

童昌華, 楊肖娥, 濮培民, 2004. 富營養(yǎng)化水體的水生植物凈化試驗(yàn)研究[J]. 應(yīng)用生態(tài)學(xué)報(bào), 15(8): 1447-1450.

潘應(yīng)陽, 國巧真, 付盈, 2018. 基于實(shí)測(cè)光譜的海河懸浮物濃度反演研究[J]. 中國環(huán)境監(jiān)測(cè), 34(3): 148-154.

霍娟, 呂達(dá)仁, 2006. 晴空與有云大氣輻射分布的數(shù)值模擬及其對(duì)全天空?qǐng)D像云識(shí)別的應(yīng)用[J]. 氣象學(xué)報(bào), 64(1): 31-38.

BARILLé L, ROBIN M, HARIN N,, 2010. Increase in seagrass distribution at Bourgneuf Bay (France) detected by spatial remote sensing [J]. Aquatic Botany, 92(3): 185-194.

BEGET M E, DI BELLA C M, 2007. Flooding: the effect of water depth on the spectral response of grass canopies [J]. Journal of Hydrology, 335(3/4): 285-294.

BLINDOW I, HARGEBY A, ANDERSSON G, 2002. Seasonal changes of mechanisms maintaining clear water in a Shallow Lake with abundantvegetation [J]. Aquatic Botany, 72(3/4): 315-334.

BROOKS C, GRIMM A, SHUCHMAN R,, 2015. A satellite-based multi-temporal assessment of the extent of nuisanceand related submerged aquatic vegetation for the Laurentian Great Lakes [J]. Remote Sensing of Environment, 157: 58-71.

CAO M M, QING S, DU Y C Z,, 2020. Remote sensing classification of aquatic vegetation in Ulansuhai Lake Based on discrete particle swarm optimization algorithm [J]. Journal of Coastal Research, 102(S1): 176-186.

CHEN Q, YU R H, HAO Y L,, 2018. A new method for mapping aquatic vegetation especially underwater vegetation in Lake Ulansuhai using GF-1 Satellite Data [J]. Remote Sensing, 10(8): 1279.

DOGAN O K, AKYUREK Z, BEKLIOGLU M, 2009. Identification and mapping of submerged plants in a shallow lake using Quickbird satellite data [J]. Journal of Environmental Management, 90(7): 2138-2143.

DRUSCH M, DEL Bello U, CARLIER S,, 2012. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services [J]. Remote Sensing of Environment, 120: 25-36.

HESTIR E L, KHANNA S, ANDREW M E,, 2008. Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem [J]. Remote Sensing of Environment, 112(11): 4043-4047.

LIU L, GUAN Y T, QIN T J,, 2018. Effects of water regime on the growth of the submerged macrophyteat different densities [J]. Journal of Freshwater Ecology, 33(1): 45-56.

LIU X H, ZHANG Y L, SHI K,, 2015. Mapping aquatic vegetation in a Large, Shallow Eutrophic Lake: a frequency-based approach using multiple years of MODIS Data [J]. Remote Sensing, 7(8): 10295-10320.

LUO J H, DUAN H T, MA R H,, 2017. Mapping species of submerged aquatic vegetation with multi-seasonal satellite images and considering life history information [J]. International Journal of Applied Earth Observation and Geoinformation, 57: 154-165.

MAIN-KNORN M, PFLUG B, DEBAECKER V,, 2015. Calibration and validation plan for the L2A processor and products of the sentinel-2 mission [J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-7/W3: 1249-1255.

MAYER B, KYLLING A, 2005. Technical note: the libRadtran software package for radiative transfer calculations- description and examples of use [J]. Atmospheric Chemistry and Physics, 5(7): 1855-1877.

PAGE B P, OLMANSON L G, MISHRA D R, 2019. A harmonized image processing workflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems [J]. Remote Sensing of Environment, 231: 111284.

PAHLEVAN N, SARKAR S, FRANZ B A, 2017. Sentinel-2 MultiSpectral Instrument (MSI) data processing for aquatic science applications: demonstrations and validations [J]. Remote Sensing of Environment, 201: 47-56.

PU R L, BELL S, 2013. A protocol for improving mapping and assessing of seagrass abundance along the West Central Coast of Florida using Landsat TM and EO-1 ALI/Hyperion images [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 83: 116-129.

TRAGANOS D, REINARTZ P, 2018. Mapping Mediterranean seagrasses with Sentinel-2 imagery [J]. Marine Pollution Bulletin, 134: 197-209.

TYLER A N, HUNTER P D, SPYRAKOS E,, 2016. Developments in Earth observation for the assessment and monitoring of inland, transitional, coastal and shelf-sea waters [J]. Science of the Total Environment, 572: 1307-1321.

VISSER F, WALLIS C, SINNOTT A M, 2013. Optical remote sensing of submerged aquatic vegetation: Opportunities for shallow Clearwater streams [J]. Limnologica, 43(5): 388-398.

WANG J J, LU X X, LIEW S C,, 2010. Remote sensing of suspended sediment concentrations of large rivers using multi-temporal MODIS images: an example in the Middle and Lower Yangtze River, China [J]. International Journal of Remote Sensing, 31(4): 1103-1111.

ZOU W N, YUAN L, ZHANG L Q, 2013. Analyzing the spectral response of submerged aquatic vegetation in a eutrophic lake, Shanghai, China [J]. Ecological Engineering, 57: 65-71.

SPECTRAL FEATURES OF SUBMERGED AQUATIC VEGETATION UNDER COVERAGE IMPACT IN THE ULANSUHAI LAKE

DU Yu-Chunzi1, 2, QING Song1, 2, BAO Yu-Hai1, 2, HAO Yan-Ling3

(1. College of Geographical Science, Inner Mongolia Normal University, Inner Mongolia, Hohhot 010022, China; 2.Inner Mongolian Key Laboratory of Remote Sensing & Geography Information System, Inner Mongolia Normal University, Hohhot 010022, China; 3.School of Ecology and Environment, Inner Mongolia University, Inner Mongolia, Hohhot 010021, China)

Submerged plants play an important role in lake ecosystems and act as an indicator of water quality and aquatic ecosystem health. Remote sensing technology offers opportunity to improve the monitoring on growth and distribution of submerged plants. To analyze the spectral characteristics of submerged aquatic vegetation in Ulansuhai Lake, Inner Mongolia, China, the effects of coverage on the reflectance spectra of submerged plants in the lake was explored based on measured spectral data. A submerged plant coverage retrieval model was established. Results show that the spectral reflectance of submerged plants decreased with the coverage decrease. The spectral reflectance of submerged plants was close to that of water at a coverage of 1%～20% although the differences remained at 813 nm and 1 069 nm. The spectral reflectance of submerged plants was significantly and positively correlated with the coverage in 710～746 nm band. Among models established of submerged plant coverage retrieval, the band ratio retrieval model was better than that of the single band retrieval model in performance. The band ratio retrieval model had the highest accuracy and was shown to be suitable for monitoring submerged plants with coverage of 60%～100%. In addition, the multi-spectral instrument (MSI) coverage retrieval model was established by integrating the measured spectral reflectance into the Sentinel-2 MSI bands using the band response function. The band ratio quadratic polynomial coverage retrieval model achieved the best effect. Therefore, the submerged plant coverage retrieval model developed in this study can be used to inverse the coverage of submerged aquatic vegetation in the Ulansuhai Lake.

submerged aquatic vegetation; spectral features; coverage; correlation analysis; regression model; Ulansuhai Lake

X173; X524

10.11693/hyhz20210900207

*國家自然科學(xué)基金項(xiàng)目, 41961057號(hào), 61461034號(hào); 內(nèi)蒙古自治區(qū)高等學(xué)校青年科技英才支持計(jì)劃項(xiàng)目NJYT-17-B04號(hào); 內(nèi)蒙古自治區(qū)自然科學(xué)基金項(xiàng)目, 2019MS04013號(hào), 2019MS03023號(hào)。杜雨春子, 碩士研究生, E-mail: 511832858@qq.com

青 松, 研究生導(dǎo)師, 副教授, E-mail:qingsong@imnu.edu.cn

2021-09-08 ,

2021-10-07