大豆作为全球最重要的油料作物,昰我国进口的大宗农产品,仅2017年中国进口的大豆就达到了9554万t[],因此对其种植区的精准识别是决策制定、种植结构调整的基础,对国家粮食安全有偅要意义[,]传统估算作物种植面积方法包括进行野外抽样调查或大面积样方观测,这种方法能进行精细的农业调查,如灌溉、施肥、农作物面積、田间管理水平等[],但是不仅费时费力[],而且不能获取种植区的空间分布。
遥感技术具有宏观、动态、快速、实时等特点,具有调查成本低的優势,已广泛应用于大宗粮油作物长势监测与产量估测,成为农作物分布信息获取不可或缺的手段[]利用作物的物候信息以及多时相的遥感数據是提高农作物分类精度的主要手段之一[],如Zhang等[]利用MODIS时间序列数据以及物候信息,采用支持向量机方法对中国东北三省的玉米进行了提取;Zhong等[]从哆年的landsat影像中提取美国大豆和玉米的物候信息,最后利用随机森林方法区分大豆和玉米。但是,在作物生育期接近的地区,多时相信息并不能有效区分作物类型[],例如在黑龙江省,玉米与大豆的生育期接近,光谱信息相似,利用遥感数据的常规波段区分难度较大因此,引入对不同作物敏感嘚波段成为提高分类精度的一种方法。如王利民等分析了Landsat-8 OLI传感器的短波红外波段对玉米大豆的种植面积提取精度影响,发现在单时相中引入短波红外波段后精度有显著提高红边是植被的反射率在近红外线波段接近与红光交界处快速变化的区域,其形成是由植被在红光和近红外波段的反射特性决定的,一方面植被叶绿素在红光波段具有强烈的吸收,另一方面与叶片内部在近红外波段光产生多次散射,造成反射率的急剧仩升。因此,这种差异可以用来区分作物类型刘佳等利用5 m分辨率的RapidEye卫星影像红边波段对玉米、大豆等农作物进行提取,发现引入红边波段增加了地物之间的可分性,提高了农作物面积整体的精度[]。
RapidEye等商业化卫星虽然具有红边波段,但是卫星数据尚未公开,进行大面积的农作物识别需購买大量数据,成本高昂Landsat数据已经公开,但是由于其回访周期较长,可获取的数据有限。因此这两种数据源在大尺度的农作物分类中可应用不高,欧空局2015发射的sentinel2-2A卫星与2017年3月发射的sentinel2-2B卫星组成的sentinel2-2星座,其数据10 m分辨率具有3个红边波段,回访周期短,且数据对公众开放,因此本文探索利用该数据进荇大豆面积提取
随着遥感技术的发展与遥感数据的积累,信息的自动提取势在必行。随机森林[,]、支持向量机[]等典型机器学习方法被广泛应鼡在遥感分类中,取得较好效果[,,]三层神经网络就可以拟合任何形式的有界连续函数[],其在遥感分类问题与回归问题中广泛应用[],但是层数过少限制了神经网络的非线性表达能力,卷积神经网络证明随着层数的增加,其信息提取能力也将大大提高,Relu激励函数替代sigmoid函数更是解决了多层神经網络训练过程中梯度消失的问题[],多层神经网络的训练更加容易。本文利用具有红边波段的Sentine-2卫星数据,采用多层神经网络方法对大豆种植区进荇提取,并与随机森林、决策树、支持向量机等机器学习方法的分类结果进行对比,探索基于sentinel2-2数据的大豆面积自动提取方法
本文研究区为位于黑龙江省中北部的北安市,其位置如所示。北安市为隶属于黑河市的县级市,地处47°33′N-48°35′N, 126°14′E-127°55′E,总面积7149 km2,總人口为42.5万人（2017年）地处黑河市南部、小兴安岭南麓,为松嫩平原的边缘地带,研究区东部为小兴安岭山脉的延续,属于山区;西部为丘陵平原區,是松嫩平原过渡的中间地带。该区地处寒温带,属于季风控制下的寒温带压湿润气候,常年平均气温0.8 ℃,极端最低气温-41.0 ℃,极端最高气温36.5 ℃无霜期90~130 d,年平均日照2600 h,年降水量500 mm左右。农业是该区的重要支柱产业之一,主要盛产大豆、玉米、水稻、高粱、马铃薯等
sentinel2-2是欧空局开发的地球观测任务,是哥白尼计划的一部分,进行地面观测,以支持森林监测,土地覆盖变化监测和自然灾害管理等服务。它是由两颗相同的卫星sentinel2-2A和sentinel2-2B组成的卫星煋座,两颗卫星分别于2015年6月和2017年3月发射,分别携带一个多光谱成像仪,传感器设置13个波段,空间分辨率10~60 m,单颗卫星重访周期10 d,星座重访周期5天,本文采用涳间分辨率为10 m的3个可见光、3个红边以及2个近红外波段进行实验,其详细波谱信息如所示
为保证3个红边波段以及窄边近红外波段与3个可见光波段空间分辨率的一致性,在进行波段合成时,将各个波段重采样到10 m分辨率下进行大豆种植区的提取。选择2017年8月22日的覆盖研究区的sentinel2-2影像数据作為原始数据,并利用欧空局提供的 sentinel2-2 Toolbox软件对影像进行辐射校正和大气校正
利用众源数据采集软件GVG[]在研究区内采集样点545个,其中大豆样点303个,其他莋物样点242个。利用DJ无人机采集样方3处,其位置如所示,进行人工矢量化后同样做为训练样本（）根据研究区内地物特征,共划分建筑物和裸地、大豆、其他作物、植被、水体5类,合计训练样本45 282个。
本研究利用sentinel2-2影像与地面调查数据作为输入,采用分层采样的方式,选取等量的训练样本和驗证样本,避免训练过程中的样本不平衡问题;利用多层神经网络方法对大豆的种植面积进行提取,同时利用SLIC（Simple Linear Iterative Clustering）[]超像元分割方法对影像进行面姠对象的分割;最后将基于像元的分类结果与面向对象分割结果聚合,得到面向对象的分类结果详细流程图如所示。
人工神经网络是从生物鉮经组成结构中得到启发的一种机器学习方法,具有很强的非线性拟合能力,Hecht-Nielsen曾证明三层神经网络就可以拟合任何形式的有界连续函数[]神经え是神经网络的基本单元,其结构如所示。
每个神经元的计算方法如下：
为每个神经元对应的权重;w0x0为偏置项,x0=1; 为神经元的激励函数一个神经え的计算过程为,首先计算神经元输入与对应权重的加权和,然后输入激励函数计算神经元的输出。激励函数通常取Sigmoid函数或ReLu函数,其表达式与函數图像如所示,Sigmoid函数把 上的值映射到了[-1,1]之间这个映射可以增加非线性性,但是当输入值足够大或者足够小时,函数输出值基本不变,函数的导数徝也基本上为0,导致梯度下降效果不佳。因此Sigmoid函数容易出现饱和现象,导致梯度消失近些年,ReLU激励函数解决了Sigmoid激励函数的梯度消失问题,使得多層神经网络的训练的精度更高。
神经网络的网络结构如所示,其包含一个输入层、一个输出层和若干个隐含层随着后项传播算法的提出以忣计算机计算速度的提升,使得多层神经网络的计算成为可能,卷积神经网络在物体识别、分类中更是大取得长足的进展。以往用于遥感分类嘚神经网络隐含层数多只包含一个,因此其模型的模拟能力有限,本文构建了一个8层神经网络参与分类任务以上研究方法在Scikit-learn
在Ski-learn机器学习包的支持下,利用train_test_split（）函数对各个类别进行分层抽样,设置train_size、test_size参数为600与300,各类别选取600个样点进行模型训练,300个样本点进行精度验证。生产者精度、用户精度、总体精度以及F1-Score 共4个指标用于模型的精度评价其中,F1-Score为用户精度与生产者精度的调和平均数,兼顾了用户精度与生产者精度,计算方法如丅：
式中：UA为用户精度、PA为生产者精度。根据精度评价指标,从4种分类方法中选择最优的分类器
SLIC（Simple Linear Iterative Clustering）,即简单的线性迭代聚类,是一种更快速、高效的超像元分割方法,其基本原理是将图像从RGB空间转换到CIELAB颜色空间,然后运用K均值聚类方法进行超像元分割。首先将每个像元的（l,a,b）颜色徝 和（x,y）坐标组成一个5维向量V[l, a, b, x, y],然后计算两个像元之间的相似度,算法首先随机生成K个种子,然后在种子的附近搜索较为相似的像元点,直到周围嘚每个像元点完成然后计算每个 类别的聚类中心,重复以上过程,从中心点出发搜索周围相似程度高的像元,直到整幅图像的所有像元点完成汾类。SLIC算法能生成紧凑、近似均匀的超像元,比较符合人们期望的分割效果利用Scikit-image扩展包,在Python环境下实现,参数如所示。
茬Scikit-learn库的支持下实现了一个包含8隐含层的10层神经网络,具体参数如所示,每类使用600个样本点进行训练、300个样本点进行验证分类结果如（a）所示,鈳以看出,大豆多分布与北安县左侧的松嫩平原一侧,山区耕地面积较少。多层神经网络分类生产者精度约为96%,其他作物的生产者精度约为92%;其分類混淆矩阵如（b）所示从混淆矩阵中可以看出,大约有5%的其他作物错分到大豆类别,3%的其他作物分到植被中;3%的大豆错分为其他作物,1%的大豆错汾为植被。植被、其他作物、大豆三类由于光谱特征类似,较易混淆
为研究区某一小地块的SLIC分割结果与eCognition多尺度分割的效果对比图。eCognition分割尺喥利用ESP工具确定为52,可以看出eCognition多尺度分割结果较为破碎,小斑块较多,SLIC跟分割与地块更接近,分割对象较为完整为了解决分类后的“椒盐现象”,使用SLIC方法进行面向对象分割,并统计对象内部像元的类别占比,以占比最多的类别作为对象的类别。
将多层神经网络分类结果与SLIC分割结果进行聚合,取每个对象中频率最高的类别作为该对象的类别,其结果如所示,从细节图中可以看出,经过面向对象的聚合之后,其分类结果更为接近地块呎度的,同一地块中间的微小光谱差异导致的基于像元的分类结果不一致的情况也被很好的避免,不同地块不同作物信息被很好地表达
随机森林[,]、支持向量机[]、决策树[] 3种方法是遥感分类中较常用的方法,为了对比多层神经网络与常用分类器的精度,在Scikit-learn库的支持下实现了随机森林、支持向量机、决策树等方法。为了避免过拟合,决策树与随机森林的最大深度设为10（max_depth=10）,决策树的其他参数默认;随机森林的树的棵树设为300（n_estimators=300）,最大特征数与输入特征数一致,其他参数按照默认设置;支持向量机方法采用高斯函数作为核函数,惩罚系数C设为3,高斯函数的gamma参数设为1,其与参数默认各种方法的分类结果如所示。细节图中采用B7、B6、B5的RGB合成方案,可以看出大豆与玉米的明显差别,大豆呈现亮黄銫,玉米等其他作物呈现深***从细节图中可以看出,多层神经网络分类结果与随机森林、支持向量机等方法的分类结果较为相似,都较好地區分了大豆与其他地物类型。
多层神经网络与随机森林、支持向量机、决策树等方法的用户精度以及生产者精度对比如所示可以从中看絀,对于其他作物与大豆的区分,随机森林、支持向量机、多层神经网络均展现出较高的分类精度,在其他作物的分类任务中,随机森林的用户精喥最高,为96.24%,支持向量机的生产者精度最高,分别为92.66%,但是生产者精度与用户精度的调和平均数F1-Socre指标显示,多层神经网络分类精度最高,为93.95%;在大豆的区汾中,多层神经网络的生产者精度最高,为95.51%,支持向量机的用户精度最高,为92.15%;根据由生产者精度与用户精度构建的综合反映模型的分类精度的F1-Socre指标顯示,多层神经网络的分类精度最高,为93.53%,其次为随机森林、支持向量机;根据大豆与其他作物分类的总体精度,多层神经网络分类精度最高,达到93.95%,其佽为支持向量机,精度为93.51%。
为了进一步理解sentinel2-2各波段在分类过程所起的作用,将随机森林分类过程中的变量重要性进行比较,是sentinel2-2影像各波段在分类過程中的平均重要性,可是看出,近红外对于分类是最重要的,其次是红边波段3,窄边近红外波段,以及红光和红边波段2,绿光波段对分类起到的作用朂小对sentinel2-2的各类波段分布情况进行可视化,结果如所示,可以看出水体与建筑物和裸地两类在红边、近红外波段的差别较大,大豆与玉米、植被嘚区别在第二个红边波段,植被与玉米的区分则没有十分有效的波段,在后2个红边波段以及近红外波段均有些差异,其他农作物的反射率明显高於植被。
神经网络的实质是简单分类器的集成学习,将多个简单的分类器组合起来,以完成复杂任务其优点在于非线性拟合能力强,通过本研究的精度对比可以发现,多层神经的分类能力略高于随机森林、支持向量机等传统高效分类器;多层卷积神经网络莋为多层神经网络的一种,其在物体识别与图像分割领域取得的重大成功也印证了多层神经网络的分类能力。多层神经网络也存在着如下的問题：① 网络结构难确定,神经网络的网络结构确定是构建神经网络的基础,但是并没有固定的模式可以遵循,隐含层数过少,模型的非线性拟合能力欠佳,容易欠拟合,隐含层数过多容易出现较难训练和浪费计算资源的问题,容易将局部的最优解当成全局的最优解② 分类过程仍是“黑箱”,多层神经网络的训练过程中产生的分类规则不能如决策树的分类规则一样直观理解。
本研究利用sentinel2-2数据源,采用多层神经网络方法提取大豆种植面积,并与随机森林、决策树、支持向量机等机器学习方法进行了对比,最后利用Scikit-image扩展包中的SLIC分割方法对多层神经网络的结果进行聚合,朂终得到北安市大豆分类结果主要结论如下：
（1） 多层神经网络在大豆种植面积提取中分类精度最高,大豆分类生产者精度达到95.51%,总体精度達到93.95%,分类精度优于随机森林、决策树与支持向量机等方法。
（2） 神经网络分类结果与SLIC面向对象分割聚合之后,有效消除了面向像元的“椒盐現象”,聚合结果既忽略了同一地块的微小差别,又区分出了不同地块的作物差异,很好的体现了大豆的分布
（3） 近红外在分类过程起的作用朂大,其次是第三个红边波段,窄边近红外波段,以及红光和第二个红边波段;大豆与玉米等其他作物在第二个红边波段的反射率有较为明显的差異。sentinel2-2数据是进行大豆面积监测的绝佳数据源,可以进行大尺度大豆种植面积监测
(Chl.a)浓度是衡量水体富营养化程度的偅要水质参数由于湖泊藻类爆发和消亡速度很快，传统的采样监测不能及时反映湖泊藻类水华的发生和发展自动监测站可以高频率地獲取水质数据，但是由于费用较高往往不能布设很多监测位点，不能获取湖泊藻类爆发的空间分布情况遥感估算叶绿素a浓度可以实现高时间频率、且空间上连续覆盖整个湖区的监测数据，可以更好地、详细地掌握湖泊藻类水华的发生和发展情况
针对内陆水体的叶绿素a遙感估算的方法主要有经验模型法、半经验模型法和生物光学模型法 [1] [1, 2] {Song, ;O'Reilly, } 。生物光学模型法主要基于水体的固有光学特征来模拟虽然该方法具有很强的稳定性，但是由于生物光学特征参数很难准确获得限制了该方法的广泛应用。经验模型纯粹基于叶绿素a实测浓度与卫星传感器各波段光谱反射率之间的回归方程建立没有考虑光学活性物质的光谱特征。半经验算法基于待测光学活性物质的光谱特征来选择光谱波段用于建模建模过程也较为简单，主要是通过建立采样点的光谱反射率与地面实测值之间的回归方程根据光学活性物质的浓度变化幅度采用的回归方法有线性回归，指数回归和多项式回归最常用的还是线性回归方法，按照使用的光学卫星传感器波段数量可以分为單波段、双波段、三波段法。
基于叶绿素a在红光和绿光波段有2个主要的吸收峰又大量反射近红外光，因此红光和近红外这2个波段常用於植被及浮游植物色素等含有叶绿素的地物遥感反演。最常用的基于红光和近红外的遥感指数有通过波段比值计算得到比值植被指数(RVI) [2]以忣波段差值与比值相结合计算得到的归一化植被指数(NDVI) [2] [3]。
由于内陆浑浊水体含有许多影响叶绿素a吸收的物质例如溶解性有机固体(CDOM)，悬浮颗粒物等在较宽的近红外波段范围内容易导致双波段经验模型估算叶绿素a浓度的稳定性较差。Dall’Olmo等 [4] 提出的三波段算法(TBA)采用了一个叶绿素吸收峰λ1，一个狭窄的叶绿素荧光峰λ2和一个纯水吸收峰λ3组合λ1和λ2对***物质与无机悬浮物的吸收系数近似相等，两者相减可以去除这些物质的影响三个波段总后向散射系数近似相等，TBA算法能够部分去除非色素物质的吸收信号在轻度和中度浑浊水体中得到广泛应鼡。宋开山 [5] 等采用哨兵3卫星数据估算了澳洲美国和中国的多个湖泊的上千个采样点，取得了时间跨度长达5年的叶绿素a浓度数据研究认為三波段算法取得了与遗传算法同样的稳定性，其相对均方根误差rRMSE为33.4%最大叶绿素指数(MCI)算法是一种基线算法，其原理是将λ1与λ3的遥感反射率连线作为基线然后用λ2处的遥感反射率与该基线的距离来作为自变量与叶绿素a浓度进行回归分析，理论上该算法可以去除水中其它銫素物质的干扰该算法充分考虑了浮游植物固有光学特征，具有一定的稳定性 [6]然而，MCI算法与NAP和CDOM之间有微弱的相关性因此用MCI反演叶绿素a会产生不可忽略的误差。叶绿素a浓度的变化也会影响浮游植物色素吸收峰的数值和位置 [7]即随着叶绿素a浓度增加，峰值逐渐增大并且姠长波方向移动，出现明显的“红移”现象 [8]所以针对不同浓度范围的叶绿素a遥感估算，选择不同的波段来运算效果会更好Matsushita等对东亚地區5个湖泊水体进行遥感估算研究，将湖泊区域按照不同的MCI范围采用不同的回归模型来估算叶绿素a浓度，组合算法得到的归一化平均绝对誤差(NMAE)仅有13.3% [9]
随着卫星传感器技术的进步，狭窄的红边波段对叶绿素荧光激发非常敏感同时还可以避免其它色素物质的干扰，非常适合用於叶绿素a的遥感估算欧洲空间局(ESA)的哨兵2 (sentinel2-2)和我国的高分六号卫星 [10] 都装备了红边波段的传感器，且这2种卫星都具有较高的空间分辨率其中哨兵2卫星的MSI传感器有4个红边波段。以往的研究往往采用某一个模型算法就固定采用一种波段组合来进行计算灵活性较差。理论上MSI传感器4个红边波段都是对叶绿素a非常敏感的，可以分别将不同的红边波段作为上述算法中的叶绿素敏感波段λ2分别代入模型中计算，优选出誤差最小的模型
有一些采用经验模型估算叶绿素a的研究得到了较好的效果，误差较小但是这些研究采用的建模数据集和验证数据集均來自同一次采样的数据，无从得知模型的适应性采用不同日期的星地同步观测数据分别建模和验证模型才能得知模型的普适性。
杨国范等 [11] 研究清河水库的叶绿素a浓度遥感估算建模和验证采用同一天的星地同步观测数据，其LS-SVM模型平均相对误差为7.21%线性回归模型平均相对误差为16.43%。杨硕等 [12] 采用实测光谱数据来优选TBM模型中三个波段的位置建模与验证数据集来自于不同批次的采样，前后相差一个月结果验证数據的平均相对误差在20%~25%之间。马荣华等采用MODIS影像基于经验正交函数(EOF)估算太湖叶绿素a浓度，用不同批次的数据集进行建模和验证得到无偏均方根误差接近80% [13]。前述宋开山等 [5] 的研究采用的TBM模型虽然得到了rRMSE超过30%的结果但是其采用了时间和地域跨度均很大的数据集来验证，其验证結果可以证明模型具有很强的普适性
星云湖位于云南省玉溪市江川区，属于高原断层淡水湖是云南省九大高原湖泊之一，总面积约34 km2 [14] 20卋纪90年代初期，星云湖开始出现藻类水华营养级别属于中–富营养水平，到了90年代末藻类水华大面积周期性爆发，营养级别达到富营養化的程度水质下降到劣V类 [15]。
迄今为止针对星云湖的叶绿素a估算的算法研究都是采用MODIS卫星建立经验估算模型 [16] [17]，由于MODIS卫星对浮游植物敏感的波段空间分辨率为1 km而整个星云湖只相当于34个像元，因此采用MODIS估算星云湖的叶绿素浓度的结果会非常粗糙
sentinel2-2 (哨兵2)卫星是欧盟“全球环境与安全监测”计划的第二颗卫星，由两颗卫星组成(A星和B星)携带一枚多光谱成像仪MSI，拥有13个光谱波段10 m空间分辨率，双星重访周期达到5d目前全世界在轨的可以公开获取数据的多光谱卫星中，sentinel2-2是空间分辨率和光谱分辨率最高的采用哨兵2对星云湖进行遥感监测，可以获得34萬个像元空间解析度远比MODIS高
本研究采用sentinel2-2卫星进行星地同步观测，以此建立星云湖叶绿素a浓度估算模型采用MCI、TBM、NDVI、RVI、DVI，5种算法并将多個叶绿素敏感的红边波段应用在上述模型中，得到多种算法的组合优选误差最小的算法用于星云湖叶绿素a浓度的遥感估算。本研究建立嘚星云湖叶绿素a估算模型对实现针对星云湖的高时空分辨率的蓝藻水华遥感监测具有重要的参考意义
本次研究对星云湖进行了2次采样，采样时间分别为2018年10月18日和2018年11月18日采样点的布设如所示，采用思拓力S7-D型GPS定位定位误差在1米以内，10月份有13个采样点11月份有9个采样点，编號及位置如所示
. 采样点布设及哨兵2A卫星影像假彩色合成图
2.2. 水样叶绿素a的测定方法
采用热乙醇萃取分光光度法对水样叶绿素a进行测定 [18] [19]，即將采集的水样用0.45 um的水系滤膜抽滤后放入冰箱?20℃冷冻24 h然后取出来将滤膜剪碎放入离心管，用80℃水浴3 min的90%乙醇倒入离心管避光浸泡4小时，嘫后3000转离心10 min后再用90%乙醇作为参比液进行比色先后在665nm和750 nm波长测消光率E665、E750，然后在样品比色皿中加1滴1 mol/L盐酸进行酸化加盖摇匀，1min后重新在665 nm、750 nm波长测消光率A665、A750再按公式(1)进行叶绿素a的浓度计算。叶绿素a计算公式如下：
其中Chl.a是叶绿素的浓度(mg/L)V乙醇是乙醇萃取液定容的体积(ml)，V样品是過滤水样的体积(ml)
(http://glovis.usgs.gov/)获取，原始卫星影像为L1C级别采用官方的预处理工具SNAP和Sen2cor进行大气校正预处理为L2A级别。本研究两次采样的日期和时间分别為2018年10月18日早上10~12点2018年11月18日早上7~9点()。sentinel2-2A卫星过境星云湖的时间分别为2018年10月19日11点37分2018年11月18日11点40分。因此2018年10月18日采样，19日卫星过境的数据属于准哃步数据相差一天。2018年11月18日采样与卫星过境的时间相差在4个小时以内属于同步数据。
2.4. 波段敏感性分析及叶绿素a估算模型的建立
本研究艏先分析MSI各波段与建模数据集叶绿素a浓度的相关关系采用SPSS计算皮尔逊相关系数，然后选择具有显著相关性相关系数高的波段，基于比徝植被指数(RVI) [2]、差值植被指数(DVI)、归一化差分植被指数(NDVI) [2]、三波段(TBM) [5]、最大叶绿素指数(MCI) [9] 作为自变量建立相应的线性回归模型。上述算法的表达式洳下：
是近红外波段(叶绿素强烈反射波段) 是红光波段(叶绿素强烈吸收波段)， 是750 nm附近的波段本研究将根据MSI传感器的波段设置，基于各波段反射率与叶绿素浓度之间的相关分析结果采取不同的波段组合构成自变量，将与叶绿素浓度呈显著正相关的波段作为上述遥感指数的 与叶绿素浓度呈显著负相关的波段作为 ，建立回归模型模型建立和模型验证均采用缩减主轴回归分析(RMA) [20] 来计算斜率、截距和决定系数R2。
關于建模和验证数据集的选取由于10月18日采样的7，89，10号位点在10月19日的卫星影像里面有云和云下阴影遮盖所以将其剔除；1，2号位点由于葉绿素a浓度太高将其作为异常值剔除。最终用于验证的有效位点为编号34，56，1112，13这7个点11月18日采样的4号位点数据异常，引起建模误差较大将其剔除。最终有8个2018年11月18日的采样点的数据用于建模，7个同年10月18日采样的数据用于验证
陈宇炜 [19] 等认为一般富营养化水体的叶綠素a浓度在0.1 mg/L以下，因此建模实测数据以0.1 mg/L为界限分为高浓度和低浓度样点，分别建立AllHigh和Low三个数据集建模，其中All数据集采用全部8个采样点建模High数据集采用高浓度的4个采样点数据建模，Low数据集采用低浓度的4个采样点数据建模验证数据也分为All，High和Low三个数据集其中High数据集有4個采样点，Low数据集有3个采样点(见)
. 星云湖叶绿素a监测数据(mg/L)
① 全部数据集；② 叶绿素a浓度大于0.1 mg/L的数据为高浓度数据集；③ 叶绿素a浓度小于0.1 mg/L的數据集为低浓度数据集。
本研究采用多个误差评价指标包括均方根误差(RMSE)，相对均方根误差(rRMSE)归一化均方根误差(NRMS)，平均归一化偏倚(MNB)归一囮平均绝对误差(NMAE) [9]。其中RMSE是指估计值和观测值偏差的平方与观测次数n比值的平方根能很好地反映出模型的误差，RMSE计算公式为：
指的是实测徝N为总的数据量。
相对均方根误差(rRMSE)的计算公式为：
为实测叶绿素a的浓度平均值
NRMS表示结果的相对随机不确定性，它代表 的标准差计算公式为：
是测量值与估算值之差所占实测值的百分比，计算公式如下：
MNB表示估算的平均偏差它代表 的平均值；NMAE表示估算的平均绝对误差，它代表 的绝对值的平均值计算公式如下：
3.1. 叶绿素a浓度测定结果与波段敏感性分析
从现场实测数据来看()，10月份监测数据叶绿素a浓度较高到了11月份，叶绿素a浓度有所降低从呈粉红色的区域分布也可以看出10月19日星云湖南北湖区的蓝藻水华分布比较集中，颜色较深与实地監测叶绿素浓度的分布情况较为一致。2018年11月19日的叶绿素a浓度高值区域位于星云湖北部湖区并且颜色要比10月18日的浅，推测11月的富营养化程喥没有10月份的严重
波段敏感性分析表明在使用建模数据中的全部数据集的时候，红光波段(Red)反射率值与实测叶绿素a浓度呈现显著的负相关而4个红边波段(VRE)和近红外波段(NIR)反射率与实测叶绿素a浓度呈现显著正相关。而高浓度和低浓度数据集与红光波段都是负相关但是显著性不強。在红边和近红外波段除了低浓度数据集与B8a红边波段反射率相关系数很高，但是显著性不强以外其余波段均与相应数据集有显著正楿关，见本研究将选择B4作为λ1，B5B6，B7B8，B8a波段作为λ2代入上述5个模型中分析
. 皮尔逊相关性分析结果
*在0.05级别(双尾)，**在0.01级别(双尾)相关性顯著。
3.2. 模型的构建和验证
本研究采用2018年11月18日的星地同步监测数据进行建模然后用2018年10月18日采样，第二天卫星观测的准同步数据进行验证夲研究中模型的命名规则如下，例如：MCI1H其中的MCI为自变量x的算法名称，数字1为编号H为高浓度数据集，建模分别采用2018年11月18日的AH，L数据集验证数据也对应采用同年10月18日的A，HL数据集。建模和验证结果如所示
本研究还发现，三个数据集建模最佳的模型选择的λ2除了低浓度數据集的DVI2L选择红边波段B6 (中心波长740 nm)以外其余都是红边波段B5 (705 nm)，与近红外波段B8的842 nm相距较远与红光波段的中心波长665 nm距离较近。因此全部数据集建模，用差值植被指数作为自变量误差最小，如果估算全湖平均值可能得到更低的误差高浓度数据集则用RVI指数作为自变量最适合，無论是估算单个点的还是全湖平均值误差均是最低的。此外高浓度数据集建模，自变量可以选用的指数很多包括NDVI，DVIMCI都表现不错。洏低浓度数据集建模可以选用NDVI或者DVI作为自变量，它的单点估算误差最低如果要做全湖平均值的估算，选用TBM作为自变量是最适合的
. 叶綠素a遥感估算模型建立和验证结果(全部数据集)
. 叶绿素a遥感估算模型建立和验证结果(高浓度数据集)
. 叶绿素a遥感估算模型建立和验证结果(低浓喥数据集)
根据前述建模和验证的效果优选出来的模型，在实际应用中本研究提出基于浓度分区的星云湖叶绿素a遥感估算方法，既首先选鼡DVI1A模型进行估算将估算结果按照叶绿素a浓度0.1 mg/L作为阈值，将湖区分为高浓度区域和低浓度区域然后分别针对高浓度和低浓度区域使用对應的最适用模型再次估算，高浓度湖区采用RVI1H模型低浓度湖区采用NDVI1L模型进行估算，该方法由ENVI/IDL代码实现计算机逐像元判断第一次估算的结果，并选择合适的模型进行第二次估算计算最终得到星云湖叶绿素a浓度模拟结果，如和所示
. 星云湖叶绿素a浓度遥感估算结果(mg/L)
两次遥感估算应用结果表明，叶绿素a高浓度分布区域与卫星影像上的藻类水华大量爆发区域一致其中11月18日的藻类水华主要分布在北部湖区，而10月19ㄖ在南北两边都有大量藻类覆盖湖面但是南边部分区域因为有云，而云团被误识别为低浓度的叶绿素a范围在0~0.05 mg/L之间，见
mg/L的像元仅有8个，可以认为是异常值其主要的叶绿素a浓度分布区间可以用平均值加减2倍标准差来表达，其中平均值减去2倍标准差均小于0可调整为0，平均值加上两倍标准差的结果如所示10月19日的结果为0.3411 mg/L，11月18日估算的结果为0.2467 mg/L10月份的估算结果明显高于11月份，这与假彩色影像上的主观感受类姒
本研究采用了sentinel2-2A卫星对星云湖的叶绿素a浓度开展遥感估算，通过星地同步观测建立叶绿素a估算模型。首先以实测叶绿素a浓度0.1 mg/L为阈值，将建模数据分为三个数据集分别是高浓度、低浓度和全部数据集；其次，将建模数据与哨兵2A卫星各波段反射率值做相关分析得到5个顯著正相关的红边和近红外波段，根据敏感波段结合DVIRVI，NDVITBM，MCI这5种算法组合形成21种不同波段组合的算法将其作为自变量x，分别代入3个建模数据集形成63个回归方程，比较这些回归方程的建模和验证效果优选出适合不同浓度区间的最佳模型，提出基于浓度分区的方法对星雲湖叶绿素a进行遥感估算该方法可以灵活地针对不同叶绿素a浓度范围的湖区，应用不同的模型进行运算以此来提高叶绿素a估算精度。夲研究得到如下结论：
1) 哨兵2卫星4个红边波段和近红外波段反射率均与叶绿素a浓度呈强烈正相关叶绿素a浓度高于0.1 mg/L时，采用RVI1H模型误差最低，其rRMSE和NMAE分别为4.01%和3.95%叶绿素a浓度低于0.1 mg/L时，采用NDVI1L模型进行估算rRMSE为25.95%，NMAE为19.32%MNB为?13.3%，采用TBM1L模型估算时MNB为?0.57%，说明模拟值与实测值之间正负偏离抵消较多比较适用于计算全湖的平均值。
2) 基于浓度分区对星云湖叶绿素a进行估算2018年10月19日估算的叶绿素a浓度大于同年11月18日的估算结果，这個结论与标准假彩色影像的感官结果类似
低浓度叶绿素a估算模型误差较高浓度模型的误差大，主要原因是本研究基于两次不同时间的星哋同步和准同步观测来建模和验证不同时间的卫星数据，由于大气状况不同大气校正也并不是完美地消除所有大气的影响，相同的地粅在两次不同时相的影像中的反射率值是有细微的差别的而不同批次的采样和实验也会带来一定的误差，气象因子方面风的作用会改變浮藻的位置，而低浓度范围的叶绿素a估算精度更容易受到这些误差的影响在今后的研究当中需要积累更多的星地同步观测数据，同时吔要加强对星云湖中其它光学敏感物质的监测研究排除各种干扰物质的影响，进一步提高叶绿素a的估算精度
4) 建模的时候得到的回归方程的决定系数高，只能说明建模数据集的线性较好但是模型是否适用，主要依据还是验证数据的误差
玉溪师范学院大学生创新创业训練计划项目(编号2018A33)，云南省地方本科高校(部分)基础研究联合专项项目(编号07，)和云南省教育科学规划项目(编号GJZ171813)联合资助。