原名：Drone-based hyperspectral remote sensing of cyanobacteria using vertical cumulative pigment concentration in a deep reservoir

译名：使用无人机高光谱遥感反演深水水库中的蓝藻垂向累积色素

期刊：Remote Sensing of Environment

发表时间：2020.01

DOI:doi.org/10.1016/j.rse.2019.111517

1.研究背景

遥感是研究有害藻类水华时空分布的重要方法。蓝藻色素（如藻蓝素PC)的垂直分布是遥感中的关键问题，因为蓝藻的昼夜垂直迁移可能会影响光谱信号。尽管使用遥感手段研究藻类水华已有许多成果，但很少有研究考虑内陆水域蓝藻的垂直分布。本研究开发了一种改进的生物光学遥感方法，利用不同水深的原位遥感反射率(Rrs)和累积PC和叶绿素a (Chl-a)浓度(从水面到5米水深的累积浓度)来反演水体叶绿素垂直浓度。结果表明，基于表面Rrs和表面色素浓度的生物光学算法比基于次表面Rrs和表面色素的生物光学算法精度更高。在生物光学算法中应用垂直累积色素浓度和亚表面Rrs测量可以提高色素估计的性能，无人机高光谱成像是一种有效的工具，可用于蓝藻色素的广泛遥感。

2.研究区域和研究方法

Daechung水库，是一座人工水库，为周边城市提供生活和工业用水，是藻华暴发的主要区域，所以选择Sookcheon地区作为研究区域。由于无人机操作的限制，研究区域分为三个部分(A、B和C)，主要监测断面为C断面（如图1）

图1 研究区位图

3.数据采集

（1）水样采集：2018年7月26日至10月25日进行了7次地表水采样，结果见表1。根据浮游植物浓度的不同，预浓缩水的体积在5 ~ 20 L之间。所有的水样都储存在一个加冰的盒子里，然后被转移到实验室进行实验测定。

表1 无人机现场采样数量

（2）水质测量：采用YSI EXO-2水质多探头(YSI, Yellow Springs, Ohio, USA)监测垂直水质剖面。水温、溶解氧、pH、蓝藻PC (BGA-PC)和叶绿素-a浓度5个水质参数，从表层到5 m深度，间隔0.5 s连续测量;通过缩短高光谱感知和现场测量之间的时间间隔来确定深度。垂直剖面的连续记录以0.05 m的间隔转换为深度-浓度数据。

（3）遥感反射率数据收集：使用手持式光谱辐射计（FiledSpec）从82个采样点中收集遥感反射率数据。

（4）无人机传感器测量高光谱反射率:使用MATRICE M600 Pro无人机搭载Nano Hyperspec?高光谱成像传感器采集高光谱图像。高光谱图像使用SpectralView?软件（美国马萨诸塞州Headwell Photonics Inc.）进行校正。

图2 MATRICE M600 Pro六光机无人机(A)和Nano-Hyperspec?高光谱成像传感器(B)

4.浓度估算

此研究使用波段比值法估计表面和垂直方向的累积PC和chl-a浓度,PC使用的是709nm和620nm的波段反射比，而chl-a使用709和665nm的波段计算遥感反射比。计算公式如下：

5.研究结果

（1）水体表面的色度浓度

水表面的色素浓度数据如下表所示。主要包括平均值、最小值、最大值和标准偏差。总体来看，实验测定色素浓度要高于YSI传感器测量值。

表2 水样的实验室实测浓度

（2）无人机高光谱表面反射率与色素浓度的关系

将不同深度的累积色素浓度与便携式传感器在不同深度收集的Rrs波段比数据进行比较。累积PC浓度与Rrs带比的关系如表3所示。0.5 m累积PC浓度对地表、次地表和1.0 m次地表Rrs测量的R方值性能最高，分别为0.8509、0.9448和8315。0.5 m地下Rrs数据在1.0 m累积PC浓度处R方值最高，为0.8982。总体而言，地下1.0累积的PC浓度下，R方值最好。

图3 水面下Rrs波段比率与累积PC浓度的比较

表3 不同深度的R2值

（3）PC分布图

在所有图像中，表面PC浓度(A、B、C)的范围约为1.5 ~ 11mg /m3，而1.0 m累积PC浓度(D、E、F)的范围为0.5 ~ 8mg /m3。使用YSI传感器测量的表层和1.0 m累积浓度的PC分布图显示出相似的估计模式;而采用表面PC浓度的线性回归结果显示，其斜率比累积PC浓度的斜率高约1倍。PC浓度较高的区域位于湖缘附近(B、C、E、F)。A和D区域的表面和累积PC浓度都极高。在该地区设置围栏，防止有害气体向下游扩散。围栏可能导致浮游植物和其他颗粒在水面附近聚集，从而导致高浓度PC。

图4 水体表面PC浓度分布图

6.研究结论

本研究的主要目的是将地下Rrs测量和垂直累积色素应用于藻类色素遥感的生物光学算法，并利用无人机高光谱图像开发PC分布图。主要研究结果如下:

（1）实验的Chl-a和PC浓度均高于传感器测得的浓度。测量条件的不确定性，如集落大小，每个细胞的色素含量，浊度和藻类群落的分类结构，可能导致这种差异。

（2）与应用表面PC浓度(实验和传感器测量)相比，应用垂直累积PC浓度有助于提高生物光学算法的整体性能。与PC浓度不同的是，实验的Chl-a浓度与生物光学算法的相关性较弱，而传感器测得的PC浓度与算法之间没有相关性。

（3）基于无人机的表面反射率对原位Rrs的R2为0.85，其带比与累积色素浓度的相关性略弱于原位表面Rrs带比与累积色素浓度的相关性。垂直累积浓度提高了生物光学算法的性能;编制的PC分布图准确地描述了空间分布。

7.引用格式：Kwon YS, Pyo J, Kwon YH, Duan H, Cho KH, Park Y. Drone-based hyperspectral remote sensing of cyanobacteria using vertical cumulative pigment concentration in a deep reservoir. Remote Sensing of Environment. 2020 Jan 1;236:111517.

转自：“科研圈内人”微信公众号

如有侵权，请联系本站删除！