2. 深圳大学空间信息智能感知与服务深圳市重点实验室, 广东 深圳 518060;
3. 广东省国土资源测绘院, 广东 广州 510500
2. Shenzhen Key Laboratory of Spatial Smart Sensing and Services, Shenzhen University, Shenzhen 518060, China;
3. Surveying and Mapping Institute Lands and Resource Department of Guangdong Province, Guangzhou 510500, China
中国是海洋大国，海岸线长达18 000多km，水深在50 m以内的近海海域面积达50万km2，而近海岸区域大部分的测深数据还是空白。因此，急需弥补近海岸区域测深数据的空白，充分掌握近海岸区域水底地形及底质情况，这对于中国国民经济、国防安全和“一带一路”战略都具有十分重要的意义[1-2]。
传统的水深探测主要是采用铅垂线和声呐的实地测量方法，精度较高，但是费时、费力、成本高，且受航道影响较大，特别是在船只难以到达的浅水区域，无法开展测深作业。随着遥感技术的发展，利用多光谱遥感影像可以快速反演大面积水域的水深。这种方法成本较低、覆盖范围广，但是受水质及大气校正的影响较大，测深精度不高，且一般只适用于深度小于20 m的水域[3-7]。相反，机载激光雷达测深系统(airborne LiDAR bathymetry, ALB)具有精度高、效率高、机动性强的特点，运用ALB系统开展近海岸测深作业可以有效地填补近海岸区域内的水深数据空白[8-9]。
文献[10]通过试验验证了激光测深的可行性，随后，加拿大、瑞典、美国、澳大利亚等国家开展了ALB系统的研制。由于激光测深技术比较复杂，研制难度大，直到1985年，加拿大研制出了世界上第一台可以使用的ALB系统(名为LARSEN-500)[11-12]。近年来，随着计算机，激光雷达，定位定姿等科学技术的发展，ALB系统得到了逐步的改进和完善，其成本更低、体积更小、应用性更强。目前全世界比较成熟的商业化ALB系统主要有加拿大Optech公司(已被美国Teledyne公司收购)的SHOALS系统(已升级为CZMIL系统)、瑞典AHAB公司的HawkEye系统、澳大利亚Tenix公司的LADS系统，美国NASA的EAARL系统、奥地利RIEGL公司的VQ-880-G系统等[3-4]。中国从20世纪90年代开始开展ALB系统研发，包括中国海洋大学、中国科学院上海光学精密机械研究所等单位相继进行了相关系统的研制，目前还处于试验阶段，尚未实现真正产业化应用。为满足针对浅海区域的低成本测深需求，深圳大学在深圳市“创新链+产业链”未来产业专项资金资助下开始开展轻型浅水ALB系统的研发工作[3]。
ALB系统的测深能力一方面来自于系统自身性能，另一方面来自于所测量水体的浑浊度，对于较浑浊的水体，部分ALB系统发射的激光束难以穿透水体获取水底回波信号，而CZMIL(costal zone mapping and imaging LiDAR)等系统拥有浑水处理算法模块，在浅水、浑浊的条件下仍然表现出较为优异的性能[13-16]。CZMIL系统是加拿大Optech公司近年研制成功的一款蓝绿双激光ALB系统，能够同时产生海滩和海底的高分辨率遥感影像和三维数据。CZMIL系统的测深能力主要受到水体漫衰减系数(diffuse attenuation coefficient, Kd)的影响，通常情况下，海水越清澈，则漫衰减系数越小，激光更容易穿透海水，有效测深值也越大[17-19]。因此，在开展激光测深试验之前，通过获取海水的漫衰减系数估算出ALB系统的最大测深能力，可以为开展激光测深作业提供重要的依据。传统测量漫衰减系数的方式主要是运用船载或者岸基的测量系统(赛奇盘等仪器)进行实地测量[20-21]，但是这种方法费时费力，也难以获取大面积水域的漫衰减系数空间分布。随着海色遥感技术的兴起，运用星载遥感数据可以反演大面积水域的漫衰减系数，主要方法是通过卫星搭载的传感器获取海水不同深度的辐照度，并通过指数回归计算出漫衰减系数值[19, 22]。本文总结和选取了中国南海北部海域漫衰减系数反演算法，运用Aqua-MODIS遥感影像数据和中国科学院南海海洋研究所等单位实地采集的水色试验数据[23]，得到了中国南海北部海域漫衰减系数Kd(532)的分布图，估算了该区域在CZMIL海道测量模式下的最大可测水深的空间分布。
1 方法原理 1.1 漫衰减系数Kd(490)反演算法1978年10月，世界上第一代海色卫星传感器coastal zone color scanner(CZCS)诞生。CZCS搭载在Nimbus-7卫星上，主要用来研究全球海洋生物资源，随后，科学家运用CZCS记录的遥感影像数据反演海水漫衰减系数，并提出了不同的经验和半分析漫衰减系数反演算法[24]。文献[25]在CZSZ基础上，首次建立了漫衰减系数Kd(490)和蓝(443 nm)、绿(555 nm)两个波段的离水辐亮度比值之间的经验关系式
(1)
式中，Lup(443)和Lup(550)分别表示蓝绿波段的离水辐亮度值；Kw(490)表示纯水的漫衰减系数值，大小为0.022 m-1。文献[26]建立了Kd(490)和其他波段Kd(λ)之间的经验关系
(2)
运用式(2)，可通过Kd(490)计算出其他波段Kd值。2000年，文献[27]根据现场实测的漫衰减系数和离水辐亮度值，用统计方法推算出Kd(490)和Lwn(490)/Lwn(555)的经验关系式，如式(3)所示
(3)
式中，Lwn表示归一化离水辐亮度。第2代海色传感器SeaWiFS将该方法作为数据处理的标准业务化算法[27]。该算法在大洋开阔水体(Ⅰ类水体)比较适用，但是中国南海北部海域属于Ⅰ类水体和Ⅱ类水体并存的混合水体，水体光学性质较为复杂[23]，上述国际通用的漫衰减系数反演算法并不完全适用于该区域。2008年，文献[23]根据2003—2005年中国南海北部区域收集的水体光学数据，建立了南海北部区域漫衰减系数和遥感反射比之间的经验关系式。该算法得到的Kd(490)和实测Kd(490)决定系数R2为0.856，均方根误差RMSE为0.094 m-1。基于此，笔者选取该漫衰减系数反演算法进行下一步试验。
1.2 ALB系统最大测深值估算本文采用的ALB系统是Optech公司旗下的CZMIL测深系统，该系统采用了蓝绿波段(532 nm)和红外波段(1064 nm)双激光，其主要参数如表 1所示[28]。
| 参数 | 说明 |
| 测量速度/kHz | 10 |
| 飞行高度/m | 400 |
| 人眼安全高度/m | 150 |
| 高光谱传感器 | CASI-1500 |
| 激光波长/nm | 绿532，红1064 |
| 测量密度/m | 2 |
| 扫描宽度/m | 291 |
| 扫描角度/(°) | 20 |
| 深度测量精度 | (0.09+(0.013d)2)1/2 m, 2σ |
| 水平测量精度 | (3.5+0.05d) m, 2σ |
机载激光雷达测深回波信号强度的方程如式(4)和式(5)所示[8]
(4)
(5)
式中，Pb表示激光接收器接收到的底部回波强度；Pw表示体散射回波强度；PT表示激光发射强度；ρ表示底质反射率；η表示系统的综合衰减系数；Fp表示视场角系数；nw表示水体折射率；Ar表示激光接收器的孔径面积；θ表示天顶角；M(θi)表示热点效应；N(θi)表示脉冲拉伸效应；H表示飞机的飞行高度；D表示水深；τ表示大气的光学厚度；β表示体散射系数。激光雷达回波信号由3部分组成：水面回波，水底回波，水体后向散射回波。从该方程可以看出，激光回波强度随深度和漫衰减系数增加呈指数衰减。因此水体漫衰减系数越小，激光回波强度越大，可探测深度也越深。
根据文献[29]研究结果表明，激光雷达最大测深与系统衰减系数有以下关系
(6)
(7)
式中，PT表示激光峰值发射功率；ρ表示底部反射率；Ar表示激光接收器的有效面积；η表示接收系统的效率；H表示飞机的飞行高度；PB表示背景噪声功率；Г表示系统衰减系数。对于固定的ALB系统，PA/PB是系统的固定参数，因此最大测深深度主要取决于系统衰减系数Г。文献[30]用蒙特卡洛方法建立了如下关系式
(8)
式中，c表示光束衰减系数；ω0表示单次散射率，即光束散射系数和光束衰减系数的比值[8]。根据文献[31]研究表明，系统有效衰减系数Г介于光束衰减系数和漫射衰减系数之间
(9)
而根据文献[8]得到漫衰减系数与光束衰减系数之间的关系，如下所示
(10)
结合式(8)和式(10)，可以得到系统有效衰减系数和漫衰减系数之间关系
(11)
从而得到最大测深值与漫衰减系数之间的经验关系式
(12)
根据文献[14]可知，在CZMIL海道测量模式下(白天)，当底部反射率大于15%时, 单脉冲最大测深深度可以近似为
(13)
从式(13)可知，评测ALB系统测深能力的漫衰减系数为Kd(532)，然而通过星载传感器遥感反演的漫衰减系数为Kd(490)，因此需要通过试验建立Kd(532)和Kd(490)的关系，将Kd(490)转化为Kd(532)。
2 试验与讨论 2.1 南海北部海域实测水色数据本文使用的水色光学数据是由中国科学院南海海洋研究所提供的2003—2005年秋季南海北部海域水色实测数据[23, 32]。该试验共分两次采集数据，第1次于2003年秋季对广东省海岸线进行实地采样，第2次于2004—2005年对南海北部区域进行实地采样。研究区域范围如图 4所示。该数据涵盖了近岸的Ⅱ类水体到大洋的Ⅰ类水体，利用分光辐射谱仪测量了7个波段(412 nm、443 nm、490 nm、520 nm、555 nm、620 nm、683 nm)的向下辐照度Ed(z, λ)，向上离水辐亮度Lu(z, λ)和表面入射光谱辐照度Es(0, λ)。通过该试验数据，可以计算出各波段的向下漫衰减系数Kd(λ)和遥感反射比Rrs(λ)。为最大限度地减小偶然误差的影响，该试验将每个站位测量2~3次，测量结果取恰好水平面以下到最大测量深度之间测量数据的均值。
|
| 图 4 南海北部海域漫衰减系数Kd(532)空间分布图 Fig. 4 Spatial distribution of diffuse attenuation coefficient at 532 nm in the northern South China Sea |
南海北部区域实验站位的遥感反射比如图 1所示，漫衰减系数如图 2所示，其中每条曲线代表不同的站位。对于近岸水体，在412~555 nm, 遥感反射比随波长的增加而增加，漫衰减系数随波长的增加而递减；在555~683 nm，遥感反射比随波长的增加而递减，漫衰减系数随波长的增加而增加。对于外海水体，遥感反射比随波长变化较小；漫衰减系数在412~555 nm波段随波长变化不大，在555~683 nm波段，漫衰减系数随波长的增加而增加。综上，可以看出南海北部区域水体生物光学特性多样，水体相对比较复杂。
|
| 图 1 南海北部区域试验站位的遥感反射率光谱 Fig. 1 Remote sensing reflectance at different stations in northern South China Sea |
|
| 图 2 南海北部区域试验站位的漫衰减系数光谱 Fig. 2 Diffuse attenuation coefficient at different stations in northern South China Sea |
2.2 南海北部海域漫衰减系数Kd(532)计算
Optech公司的CZMIL系统采用了Nd:YAG激光器，其中用于探测水底信息的激光为蓝绿激光(波长为532 nm)，该波段激光穿透海水的能力最强[11]。因此对CZMIL系统进行测深能力估算，首先必须估算出海水Kd(532)值。而当前国际上通用的水色遥感标准数据产品是Kd(490)，因此需要将Kd(490)转化为Kd(532)。根据文献[23]研究结果，结合式(3)，将412、443、520、555与620 nm这5个波段的Kd(λ)和Kd(490)进行线性拟合，拟合结果如表 2所示。
| 波长/nm | 412 | 443 | 520 | 555 | 620 |
| R2 | 0.993 | 0.997 | 0.997 | 0.989 | 0.848 |
| RMSE | 0.029 | 0.015 | 0.009 | 0.015 | 0.054 |
| 斜率A(λ) | 1.603 | 1.314 | 0.812 | 0.660 | 0.579 |
| 截距B(λ) | -0.036 | -0.021 | 0.029 | 0.058 | 0.358 |
接着使用412、443、520、555和620 nm这5个回归直线的斜率和对应波长进行拟合，得到了各波段波长和回归直线斜率之间的关系，如图 3所示。其拟合后的决定系数R2为0.999 8，均方根误差RMSE为0.011 12。对于532 nm波段, 得到A(532)=0.749；再用内插法，得到B(532)=0.038 9，最终得到Kd(532)和Kd(490)之间的关系为
|
| 图 3 各波段波长与回归直线斜率之间的关系 Fig. 3 Relationship between slope of regression lines and wavelengths |
(14)
本文选取2014年Aqua-MODIS数据中试验区域412 nm和555 nm遥感反射比数据，对CZMIL系统在南海北部海域的测深性能进行保守估计。首先使用文献[23]中向下辐照度漫衰减系数反演算法得到该区域漫衰减系数Kd(490)，利用式(14)将Kd(490)转化为Kd(532)。图 4(b)、(c)、(d)分别表示南海北部海域1月、6月和10月的Kd(532)空间分布图，其中1月份Kd(532)平均值为0.115 0 m-1，6月份Kd(532)平均值为0.089 4 m-1，10月份Kd(532)平均值为0.090 3 m-1，由此可知，该海域6月份的平均水质优于其他两个月，所以更适合进行激光雷达测深作业。图 4中漫衰减系数Kd(532)用不同的颜色进行区分，下方的色条对应的刻度表示Kd(532)值。
接着，利用式(13)进一步得到6月份南海北部海域CZMIL系统最大测深值的空间分布图，如图 5所示，该区域可测水深约为0~71.18 m。图 6是CZMIL最大探测深度的频数分布直方图，横轴代表CZMIL最大探测深度值，纵轴代表不同深度对应的频数，由图 6可知，南海北部大部分海域的CZMIL最大可探测深度范围约为55~65 m。
|
| 图 5 南海北部海域CZMIL系统测深性能空间分布图，2014年6月 Fig. 5 Spatial distribution of CZMIL's bathymetric ability in the northern South China Sea, June, 2014 |
|
| 图 6 CZMIL最大探测深度的频数分布直方图 Fig. 6 Frequency distribution histogram of CZMIL maximum depth |
从图 4、图 5和图 6可以看出，广东省近岸海域水质相对较差，CZMIL可测深度较低，在20 m以内，主要原因是广东沿海地区经济飞速发展及人口不断增长，近岸海域受到陆地工农业生产、生活排放、海产养殖、海上工程及交通运输等的影响；珠江入海口区域漫衰减系数Kd(532)高达0.5 m-1以内，大部分海域CZMIL可测深度在15 m以下，主要原因是珠江携带大量悬移质泥沙入海，使得该区域水体浑浊度增加；海南岛沿岸海域的水质情况分布不均，海南岛北部沿岸海域的漫衰减系数Kd(532)大于南部沿岸海域，西部沿岸海域的Kd(532)大于东部沿岸海域，而西北部沿岸海域的Kd(532)则相对较高，海南岛沿岸海域最大可探测深度约为7~48 m；南海北部海域中远离海岸线的大部分海岛礁，滩涂和河口的水质较好，运用CZMIL等激光测深系统可以快速地进行测深作业，填补传统测深作业的不足之处。图 4(b)、(c)、(d)和图 5中出现了白色区域，致使无法估算CZMIL系统在该白色区域的测深能力，这是因为MODIS业务化算法主要针对Ⅰ类大洋水体，而对Ⅱ类水体上空气溶胶光学特性反演算法有待发展。下一步研究中，可以将Ⅱ类水体的大气校正方法应用于白色区域，从而进一步全面地分析CZMIL等激光测深系统在该海域的测深能力[33-35]。
3 结论本文运用中国南海北部海域水色测量数据，研究了南海北部海域漫衰减系数Kd(490)反演算法，根据各波段Kd(λ)和Kd(490)之间的线性关系，推算了CZMIL系统激光发射波段Kd(532)与Kd(490)之间的函数关系，运用Aqua-MODIS二级数据评估了南海北部海域在CZMIL海道测量模式下最大可测深度的空间分布，得到如下结论：
(1) 通过合成南海北部海域1月、6月、10月3个不同时期的漫衰减系数空间分布图，发现6月份漫衰减系数Kd(532)平均值比其他两个月相对较低，因此该月份比其他两个月份更适合机载激光雷达测深作业。
(2) CZMIL系统在中国南海北部海域可测水深约为0~71.18 m。然而对于近岸海域，由于水体浑浊度较高，漫衰减系数值较大，大部分区域最大可测深度在20 m以内，对于部分高浑浊水体区域，激光雷达测深系统难以发挥其优势。
(3) 远离海岸线的大部分海岛礁，滩涂和河口的水质相对较好，运用激光雷达测深系统可以快速有效地进行测深作业，弥补传统测深方法的空白。
致谢: 感谢中国科学院南海海洋研究所提供的中国南海北部海域实测水色数据。
| [1] |
范晓婷.
我国海岸线现状及其保护建议[J]. 地质调查与研究, 2008, 31(1): 28–32.
FAN Xiaoting. Strategy Choice of the Preservation and Management of Chinese Coastline[J]. Geological Survey and Research, 2008, 31(1): 28–32. |
| [2] |
李清泉, 朱家松, 汪驰升, 等.
海岸带区域船载水岸一体综合测量技术概述[J]. 测绘地理信息, 2017, 42(5): 1–6.
LI Qingquan, ZHU Jiasong, WANG Chisheng, et al. Shipborne Combined Laser and Bathymetric Surveying Technique in Coastal Zone:an Overview[J]. Journal of Geomatics, 2017, 42(5): 1–6. |
| [3] |
李清泉, 卢艺, 胡水波, 等.
海岸带地理环境遥感监测综述[J]. 遥感学报, 2016, 20(5): 1216–1229.
LI Qingquan, LU Yi, HU Shuibo, et al. Review of Remotely Sensed Geo-environmental Monitoring of Coastal Zones[J]. Journal of Remote Sensing, 2016, 20(5): 1216–1229. |
| [4] |
翟国君, 吴太旗, 欧阳永忠, 等.
机载激光测深技术研究进展[J]. 海洋测绘, 2012, 32(2): 67–71.
ZHAI Guojun, WU Taiqi, OUYANG Yongzhong, et al. The Development of Airborne Laser Bathymetry[J]. Hydrographic Surveying and Charting, 2012, 32(2): 67–71. |
| [5] |
阳凡林, 李家彪, 吴自银, 等.
多波束测深瞬时姿态误差的改正方法[J]. 测绘学报, 2009, 38(5): 450–456.
YANG Fanlin, LI Jiabiao, WU Ziyin, et al. The Methods of Removing Instantaneous Attitude Errors for Multibeam Bathymetry Data[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(5): 450–456. DOI:10.3321/j.issn:1001-1595.2009.05.012 |
| [6] |
黄辰虎, 陆秀平, 欧阳永忠, 等.
多波束水深测量误差源分析与成果质量评定[J]. 海洋测绘, 2014, 34(2): 1–6.
HUANG Chenhu, LU Xiuping, OUYANG Yongzhong, et al. Analysis of Error Source and Quality Assessment about Multibeam Sounding Product[J]. Hydrographic Surveying and Charting, 2014, 34(2): 1–6. |
| [7] |
管明雷, 黄辰虎, 李清泉, 等.
利用水位修正模型精化潮位数值模拟[J]. 测绘通报, 2017(6): 68–71.
GUAN Minglei, HUANG Chenhu, LI Qingquan, et al. Improvement of Tidal Level Numerical Simulation Based on Water Level Correction Model[J]. Bulletin of Surveying and Mapping, 2017(6): 68–71. DOI:10.13474/j.cnki.11-2246.2017.0192 |
| [8] | GUENTHER G C. Airborne Laser Hydrography: System Design and Performance Factors[R]. NOAA Professional Paper Series. Rockville, MD: National Ocean Service, National Oceanic and Atmospheric Administration, 1985. http://agris.fao.org/agris-search/search.do?recordID=AV20120133453 |
| [9] | GUENTHER G C. Airborne LiDAR Bathymetry[M]//MAUNE D F. Digital Elevation Model Technologies and Applications: the DEM Users Manual. 2nd ed. Bethesda, MD: ASPRS, 2007: 237-306. |
| [10] | HICKMAN G D, HOGG J E. Application of an Airborne Pulsed Laser for Near Shore Bathymetric Measurements[J]. Remote Sensing of Environment, 1969, 1(1): 47–58. DOI:10.1016/S0034-4257(69)90088-1 |
| [11] | BANIC J, SIZGORIC S, O'NEIL R. Scanning LiDAR Bathymeter for Water Depth Measurement[C]//Proceedings of the SPIE Volume 663, Laser Radar Technology and Applications. Quebec City, Canada: SPIE, 1986, 663: 187-195. https://www.tandfonline.com/doi/abs/10.1080/10106048709354094 |
| [12] | WANG Chisheng, LI Qingquan, LIU Yanxiong, et al. A Comparison of Waveform Processing Algorithms for Single-wavelength LiDAR Bathymetry[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101: 22–35. DOI:10.1016/j.isprsjprs.2014.11.005 |
| [13] | RAMNATH V, FEYGELS V, KOPILEVICH Y, et al. Predicted Bathymetric LiDAR Performance of Coastal Zone Mapping and Imaging LiDAR (CZMIL)[C]//Proceedings of the SPIE Volume 7695, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery. Orlando, FL: SPIE, 2010, 7695: 769511. http://spie.org/x648.html?product_id=851978 |
| [14] | FEYGELS V I, PARK J Y, AITKEN J, et al. Coastal Zone Mapping and Imaging LiDAR (CZMIL): First Flights and System Validation[C]//Proceedings of the SPIE Volume 8532, Remote Sensing of the Ocean, Sea Ice, Coastal Waters, and Large Water Regions 2012. Edinburgh, United Kingdom: SPIE, 2012, 8532: 85321C. http://proceedings.spiedigitallibrary.org/proceeding.aspx?articleid=1385824&resultClick=1 |
| [15] | FEYGELS V I, PARK J Y, WOZENCRAFT J, et al. CZMIL (Coastal Zone Mapping and Imaging LiDAR): From First Flights to First Mission Through System Validation[C]//Proceedings of the SPIE Volume 8724, Ocean Sensing and Monitoring V. Baltimore, Maryland: SPIE, 2013, 8724: 87240A. http://spie.org/x648.xml?product_id=2017935 |
| [16] | RAMNATH V, FEYGELS V, KALLURI H, et al. CZMIL (Coastal Zone Mapping and Imaging LiDAR) Bathymetric Performance in Diverse Littoral Zones[C]//Proceedings of OCEANS'15 MTS/IEEE Washington. Washington, DC: IEEE, 2015: 1-10. http://ieeexplore.ieee.org/abstract/document/7404574/ |
| [17] | BAKER K S, SMITH R C. Quasi-inherent Characteristics of the Diffuse Attenuation Coefficient for Irradiance[C]//Proceedings of the SPIE Volume 208, Ocean Optics VI. Monterey: SPIE, 1980, 208: 60-63. http://proceedings.spiedigitallibrary.org/mobile/proceeding.aspx?articleid=1229450 |
| [18] | KIRK J T O. Light and Photosynthesis in Aquatic Ecosystems[M]. Cambridge: Cambridge University Press, 1994. |
| [19] | YU Xiaolong, SALAMA M S, SHEN Fang, et al. Retrieval of the Diffuse Attenuation Coefficient from GOCI Images Using the 2SeaColor Model:A Case Study in the Yangtze Estuary[J]. Remote Sensing of Environment, 2016, 175: 109–119. DOI:10.1016/j.rse.2015.12.053 |
| [20] | ZANEVELD J R V, BARTZ R, KITCHEN J C. Reflective-Tube Absorption Meter[C]//Proceedings of the SPIE Volume 1302, Ocean Optics X. Orlando, FL: SPIE, 1990, 1302: 124-136. |
| [21] | MANKOVSKY V I. Relation Between the Diffuse Attenuation Coefficient and the Secchi Depth[J]. Oceanology, 2014, 54(1): 32–37. DOI:10.1134/S0001437014010081 |
| [22] | JAMET C, LOISEL H, DESSAILLY D. Retrieval of the Spectral Diffuse Attenuation Coefficient Kd(λ) in Open and Coastal Ocean Waters Using a Neural Network Inversion[J]. Journal of Geophysical Research:Atmospheres, 2012, 117(C10): C10023. |
| [23] | WANG Guifen, CAO Wenxi, YANG Dingtian, et al. Variation in Downwelling Diffuse Attenuation Coefficient in the Northern South China Sea[J]. Chinese Journal of Oceanology and Limnology, 2008, 26(3): 323–333. DOI:10.1007/s00343-008-0323-x |
| [24] | HOVIS W A, CLARK D K, ANDERSON F, et al. Nimbus-7 Coastal Zone Color Scanner:System Description and Initial Imagery[J]. Science, 1980, 210(4465): 60–63. DOI:10.1126/science.210.4465.60 |
| [25] | AUSTIN R, PETZOLD T J. The Determination of the Diffuse Attenuation Coefficient of Sea Water Using the Coastal Zone Color Scanner[M]//GOWER J F R. Oceanography from Space. Boston, MA: Springer, 1981: 239-256. |
| [26] | AUSTIN R W, PETZOLD T J. Spectral Dependence of the Diffuse Attenuation Coefficient of Light in Ocean Waters[J]. Optical Engineering, 1986, 25(3): 253471. DOI:10.1117/12.7973845 |
| [27] | MUELLER J L. SeaWiFS Algorithm for the Diffuse Attenuation Coefficient, K(490), Using Water-Leaving Radiances at 490 and 555 nm[M]//HOOKER S B, FIRESTONE E R. SeaWiFS Postlaunch Technical Report Series. Greenbelt, MD: NASA Goddard Space Flight Center, 2000: 16-29. |
| [28] | PIERCE J W, FUCHS E, NELSO S, et al. Development of a Novel Laser System for the CZMIL LiDAR[C]//Proceedings of the SPIE Volume 7695, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XVI. Orlando, FL: SPIE, 2010, 7695: 76950V. http://spie.org/Publications/Proceedings/Paper/10.1117/12.851933 |
| [29] | STEINVALL O, KLEVEBRANT H, LEXANDER J, et al. Laser Depth Sounding in the Baltic Sea[J]. Applied Optics, 1981, 20(19): 3284–3286. DOI:10.1364/AO.20.003284 |
| [30] |
陈文革, 黄本雄, 杨宗凯, 等.
机载海洋激光雷达系统的有效衰减系数[J]. 电子学报, 1996, 24(6): 47–50.
CHEN Wen'ge, HUANG Benxiong, YANG Zongkai, et al. The Effective Attenuation Coefficient of Airborne Oceanic LiDAR System[J]. Acta Electronica Sinica, 1996, 24(6): 47–50. |
| [31] |
姜璐, 朱海, 李松.
机载激光雷达最大探测深度同海水透明度的关系[J]. 激光与红外, 2005, 35(6): 397–399.
JIANG Lu, ZHU Hai, LI Song. The Relationship between Max Survey Depth of Airborne Ocean LiDAR and Secchi Depth[J]. Laser & Infrared, 2005, 35(6): 397–399. |
| [32] |
王桂芬, 曹文熙, 杨顶田, 等.
基于光谱相关关系的海水总悬浮颗粒物吸收光谱的分解[J]. 光谱学与光谱分析, 2009, 29(1): 201–206.
WANG Guifen, CAO Wenxi, YANG Dingtian, et al. Decomposing Total Suspended Particle Absorption Based on the Spectral Correlation Relationship[J]. Spectroscopy and Spectral Analysis, 2009, 29(1): 201–206. |
| [33] |
彭妮娜, 易维宁, 麻金继, 等.
利用MODIS数据进行QuickBird-2卫星海岸带图像大气校正研究[J]. 光学学报, 2008, 28(5): 817–821.
PENG Ni'na, YI Weining, MA Jinji, et al. Atmospheric Correction of QuickBird-2 Imagery for Turbid Water Coastal Areas Using MODIS Data[J]. Acta Optica Sinica, 2008, 28(5): 817–821. |
| [34] |
张民伟, 唐军武, 丁静.
Ⅱ类水体遥感反演中的大气校正算法研究进展[J]. 海洋科学进展, 2009, 27(2): 266–274.
ZHANG Minwei, TANG Junwu, DING Jing. Advances in Studies on Atmospheric Correction Algorithm in Remote Sensing Retrieval for Case Ⅱ Waters[J]. Advances in Marine Science, 2009, 27(2): 266–274. |
| [35] | CHEN Jun, QUAN Wenting, ZHANG Minwei, et al. A Simple Atmospheric Correction Algorithm for MODIS in Shallow Turbid Waters:A Case Study in Taihu Lake[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(4): 1825–1833. DOI:10.1109/JSTARS.2012.2224849 |