7.1 水体分布提取方法
水体分布提取采用最新的改进双峰法进行面向对象的水体分布提取。改进双峰法主要技术流程如下 1) 输入数据。输入经过辐射校正、几何校正和大气校正的遥感反射率或瑞利校正反射率图像。 2) 边界膨胀。对输入数据采样简单阈值分割法进行水体分布粗提取，然后对粗提取水体面积膨胀，膨胀到粗提取边界的2 ~ 3倍，将膨胀后的矢量边界作为后续处理的感兴趣区域（ROI）（如下图所示）。
水体分布粗提取后边界膨胀
3) 阈值选择。在2)步得到的ROI区域内统计水体指数灰度直方图，并在先验阈值区间内寻找直方图最小值的遥感反射率作为图像分割的阈值（如下图所示，两条红线之间的区域即为先验阈值区间，直方图最小值所在阈值为16500，该值大小等于遥感反射率乘以10000乘以π）。
双峰法直方图阈值选择
4) 图像分割。利用3）步获得的阈值对水体指数图像进行图像分割，大于该阈值的像元设为0（陆地），小于该阈值的像元设为1（水体）（如下图左图所示）。
5) 最小连通区去除。图像阈值分割的结果会有很多杂乱的斑点和小的水体，设置最小连通区像元数量N，将小于N个像元的水体像元值设为0，可有效去除图中斑点，只保留研究区水体（如下图右图所示）。
最小连通区去除前后比较
7.2 水质参数反演方法
利用遥感图像反演内陆水质参数需要完成的操作步骤主要有六个，依次是：辐射校正、几何校正、水陆分界、大气校正、水草水华识别和水质参数反演，其流程如下图所示。
原始遥感图像 (1) (2) (3) (4) (5) (6)
辐射校正 几何校正 水陆分界 大气校正 水草水华识别 水质参数反演 水体掩膜图像 遥感反射率图像 水草水华分类图 水质参数专题图
遥感图像反演内陆水质参数的操作流程
辐射校正和几何校正是遥感图像处理的通用流程。水陆分界是水体遥感的特殊操作，用于提取水体研究区域。根据水体和陆地光谱差异采用阈值分割，计算得到水体掩膜图像，其中水体为1，陆地为0。大气校正对于水体要素遥感反演至关重要。水体反射率比较低，遥感器接收的来自水体的信号中很大的部分是来自大气散射，因此利用遥感数据监测水质首先要对遥感图像进行精确的大气校正。来自水草和水华的遥感数据无法用于反演水面以下的水体要素，因此首先要把水草和水华区域提取出来，然后利用非水华和非水草的遥感图像反演水体要素。
（1）数据获取
数据获取是研究工作的基础，获取的数据包括水体实验数据和卫星遥感数据。 1）水体实验数据获取
课题组已经在水体实验数据，这些实验数据很多是和光学遥感卫星同步或准同步的。 2）卫星遥感数据获取
计划获取与地面实验同步的GF1,5,6号卫星遥感图像数据。 （2）数据处理
数据处理是重要环节，数据包括水体实验数据的处理和卫星遥感数据的预处理。水体实验数据处理主要包括水面反射率光谱特征分析、水体固有光学特性分析、水体光学分类。卫星遥感数据的预处理主要包括水体提取和大气校正。
1）水面反射率光谱特征分析
利用全部水面实测遥感反射率光谱数据分析其光谱特征，包括反射峰、反射谷、反射率拐点等信息，为水质参数反演方法的波段选择提供支持。
2）水体提取
将研究基于改进双峰法的水体边界自动化提取方法，为后面开展水质参数反演提供支持。 3）大气校正
将利用与光学遥感卫星同步获取的水面反射率光谱数据，对比现有各种典型大气校正方法，确定最适宜进行水质参数浓度反演的大气校正方法。
（3）水质参数反演算法
水质参数反演算法主要包括传统反演策略、硬分类反演策略、软分类反演策略。每种反演策略中需要检验典型的水质参数反演方法的适用性。首先利用水体实验获取的水面光谱数据集对比每种策略的水质参数浓度反演结果，确定最佳的反演策略、反演方法以及其中的步骤和参数。
（4）水质参数反演模块开发
基于经过检验的水质参数反演最优算法，开发水质参数遥感反演模块。 7.3 叶绿素a浓度反演方法
叶绿素a是水体中浮游植物或藻类植物中最重要的色素，也是水体中藻类浓度、种类等的重要指示因素，因此它也是反映水体富营养化程度的重要指标。水体叶绿素a浓度反演是水色遥感的核心内容。
目前，利用遥感技术反演水体叶绿素a浓度的方法主要有经验模型、半分析模型、分析模型、智能模型等。由于内陆浑浊二类水体的光学特性较为复杂，分析模型和智能模型算法的精度受实测水体固有光学量和表观光学量的影响较大，模型的稳定性较差，不能用于水体叶绿素a浓度反演。本节构建了叶绿素a
反演半经验模型。
常用的基于水体光谱特征参量的叶绿素a浓度反演算法包括两波段比值算法（TBR）、归一化叶绿素指数算法（NDCI）、综合叶绿素指数算法（SCI）、三波段半分析算法（TBS）和四波段半分析算法（FBS）。这五种算法的模型拟合结果如下图所示。
基于水体光谱特征参量的叶绿素a浓度遥感反演模型
从图中可以看出三波段半分析算法和四波段半分析算法的拟合趋势有误，数据点的分布较乱，拟合公式不能反应叶绿素a浓度的大小，因此这两种方法不适用与叶绿素a浓度的反演。两波段比值算法、归一化叶绿素指数算法和综合叶绿素指数算法的拟合趋势较好，拟合度R2也较高。其中综合叶绿素指数和两波段比值算法的拟合效果最好，可以作为基于水体光谱特征参量的叶绿素a浓度反演算法。
7.4 悬浮物浓度反演方法
我们计算了总悬浮物浓度与遥感反射率每个波段遥感反射率的相关系数平方，并进一步计算了总悬浮物浓度倒数与每个波段遥感反射率倒数的相关系数平方，结果如下图所示。
遥感反射率与总悬浮物浓度的相关系数平方
从图中可以发现，总悬浮物浓度倒数与每个波段遥感反射率倒数的相关系数平方明显大于总悬浮物浓度与遥感反射率每个波段遥感反射率的相关系数平方。因此，可以建立总悬浮物浓度倒数与每个波段遥感反射率倒数线性回归公式：
1/TSM = A*(1/Rrs(λ)) + B
上式经过变换，得到TSM的计算公式如下：
TSM?Rrs(?)
A?B*Rrs(?)上式实际上可以从生物光学模型中推导得到。内陆水体中最常用的生物光学模型如下所示：
R(0?)(?)?f*bb(?)a(?)?bb(?)
其中，R(0-)是刚好在水面以下辐照度比，f是一个与光场分布有关的参数，a是水体总的吸收系数，bb
是水体总的后向散射系数。
将上式中的吸收系数和散射系数展开，同时将R(0-)(λ)用遥感反射率Rrs(λ)表示，得到：
Rrs(?)?
(1?r(?v))*(1?r(?s))/n2~bbw(?)?bbp*b'p(?)*Csf *~Qaw(?)?aph(?)?ad(?)?acdom(?)?bbw(?)?bbp*b'p(?)*Cs其中，aph(λ)是浮游植物色素吸收系数，ad(λ)是非色素悬浮物吸收系数，acdom(λ)是CDOM吸收系数，aw
卫星数据水环境监测方案 - 图文
