1 引言(Introduction)

叶绿素a浓度是衡量湖泊水体初级生产力和富营养化程度的基本指标，因此，对其进行动态监测十分必要.传统的人工实地监测方法工作量大、投资高、时间长，已不能满足水环境保护工作的需求，遥感技术因具有成本低、速度快、资料同步性好、大面积观测等优点已经被广泛地应用于湖泊叶绿素a动态监测(阎福礼等，2006；张兵等，2009；朱利等，2010；田野等，2015).水体叶绿素a的遥感监测原理是水体的光谱特征主要由其物质组成决定，纯净水体的反射主要在蓝绿光波段，其余波段较强吸收，尤其是到了近红外波段，几乎完全吸收(温新龙等，2014)，但当水体中藻类泛滥，叶绿素a浓度升高时，反射光谱就会呈现植被特征，此时近红外波段出现反射陡峰，与纯净水体光谱曲线截然不同.因此，可以通过遥感反射率的不同进行太湖叶绿素a浓度的监测.

太湖是典型的二类水体，叶绿素a浓度的反演一直是水色遥感领域的研究热点，二类水体光学特征复杂，光谱特征与组分浓度之间的关系并不能完全采用已经成功应用于一类水体的线性反演模型来表示(IOCCG，2000)，因此，其业务化反演精度有待提高.为了业务化运行监测太湖水华水质，在已经积累了一定数量的光谱数据和水质参数的基础上，相比多光谱经验模型在不同季节、不同湖区需要修改参数及生物光学模型需要输入的参数过多的缺点，利用能够模拟复杂非线性问题的BP模型可以用于实测数据积累较多的内陆水体遥感反演.目前BP神经网络在国内外已经得到了很多应用，其中包括水质参数浓度的反演，并且取得了很好的效果，国外学者如Keiner等(1998)构建了具有2个隐含节点的BP神经网络模型，将TM影像波段信息作为输入层，悬浮物和叶绿素a浓度作为输出层，结果表明，BP神经网络模型反演结果优于传统经验模型；Schiller等(1999)利用MERIS数据和两层BP神经网络模型成功同步反演了悬浮物、叶绿素和CDOM 3个水质参数.国内学者如吕恒等(2009)利用MODIS数据建立了一个两层BP神经网络模型反演太湖的水质参数，结果表明，BP神经网络模型较线性反演模型反演精度大大提高；杨柳等(2013)利用BP神经网络对温榆河进行了水质参数反演，反演结果优于传统线性回归模型；侯君等(2008)利用BP神经网络对湖泊水体富营养化进行了短期预测，结果表明，BP神经网络能有效合理地模拟富营养化进程中的非线性行为，并能成功预测湖泊中叶绿素a的含量；赵玉芹等(2009)利用BP神经网络成功地对渭河水质参数进行了遥感反演.

高分一号卫星是国产的高分辨率卫星，而分辨率的提高为进行水质参数反演提供了巨大便利.但目前利用高分一号卫星进行内陆水体叶绿素a反演的研究较少，且已有的研究也只停留在利用一类水体反演方法上.为探索将高分一号卫星应用于二类水体进行内陆水体水质参数反演的应用潜力，本文以太湖为研究对象，利用BP神经网络结合GF-1 WFV4传感器建立一个2层BP神经网络模型进行太湖叶绿素a浓度反演，并与波段比值经验模型反演结果进行对比.同时，将经过太湖水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络模型反演整个湖面的叶绿素a浓度分布，并对反演结果进行分析以验证其有效性.

2 研究区与传感器介绍(Research area and sensor introduction) 2.1 研究区概况

太湖是中国五大淡水湖之一，北临无锡，南濒湖州，西依宜兴，东近苏州.研究区地理位置如图 1所示.该图是采用2014年10月24日高分一号卫星4号多光谱传感器(WFV4)过境太湖时第4、3、2波段合成的假彩色图像，观测角度大概为26.6º，可以较直观地展示太湖的地理位置及当日的水面状况.

太湖在城市供水、养殖、灌溉和航运中起着非常重要的作用(秦伯强等，2002).但近年来太湖流域遭到了严重的化工、纺织印染、黑色冶金污染，加之工业化和城市化进程的加快、布局的分散性、经营方式的多边性等导致太湖水环境承受的压力越来越大；与此同时，排污管道不健全和柴油发动机渔船的使用造成的污染也越来越严重，导致了蓝藻大量繁殖，水体生态环境和富营养化不断恶化.为此，针对表征太湖藻类含量的重要参数叶绿素a浓度的研究成为了太湖治理和预警工作的重点之一(钱昊钟等，2013).

2.2 GF-1卫星影像介绍

GF-1卫星是中国自主研发的第一颗高分辨率卫星，于2013年成功发射.该卫星搭载了一台2 m分辨率全色相机(PMS)、一台8 m分辨率多光谱相机(MMS)和4台16 m分辨率多光谱相机(WFV).表 1给出了GF-1 WFV传感器的各项参数.

2.3 技术流程

具体技术路线如图 2所示.本文利用野外采集的叶绿素a浓度和同步的GF-1 WFV4影像数据分别建立了BP神经网络模型和波段比值经验模型，并对比分析两种模型结果.同时，将GF-1 WFV4影像经水体掩膜应用于训练好的BP神经网络模型反演整个太湖的叶绿素a浓度分布，并对其结果进行分析.

3 实验数据采集与预处理(Experimental data acquisition and preprocessing) 3.1 数据采集

根据之前对太湖叶绿素a的研究，在太湖叶绿素a高浓度区湖心区北部、竹山湾、梅梁湾附近设定为采样点密集区，南部湖面为采样点稀疏区，此次试验共布设水面采样点28个，于2014年10月24日在太湖实地完成，经筛选共获取有效数据点25个，采样点分布如图 3所示.但考虑到湖面采样点分布均匀性和插值精度，采用均匀分布的20个采样点用于此次分析研究.每个采样点叶绿素a采用基于热乙醇萃取的分光光度法测量.采用与此次试验同步的2014年10月24日GF-1 WFV4影像，当天天空云量较少，影像数据质量较好，适合提取其光谱值进行水质反演模型的研究.

3.2 预处理 3.2.1 辐射定标

直接获取的GF-1 WFV4影像的像元值是经过量化的、无量纲的DN值，而进行水质监测需要用到的是绝对辐射亮度值，辐射定标就是从DN值获得辐亮度值的过程.该过程可以在ENVI中利用绝对定标系数根据公式(1)完成.

(1)

式中，L_e(λ_e)为转换后辐亮度(W·m^-2·sr^-1·μm^-1)，DN为卫星载荷观测值，G为定标斜率(W·m^-2·sr^-1·μm^-1).公式(1)和G值可在中国资源卫星应用中心官网下载得到，2014年GF-1 WFV4定标参数如表 2所示.

3.2.2 FLAASH大气校正

大气校正的目的是消除大气分子、气溶胶散射和光照等因素对地物反射的影响，获得地物真实反射率(杨柳等，2013).该过程可以使用ENVI中的FLASSH大气校正模块来实现.植被真实光谱曲线具有其独特的特征，在绿波段处有一反射峰，两侧蓝波段和红波段则有2个吸收带，近红外波段有一反射陡坡.水体反射在蓝绿光波段较多，在红和近红外波段大多吸收，纯净水体在蓝波段出现反射峰，含叶绿素的清水在绿波段出现反射峰.图 4给出了植被和水体大气校正前后光谱曲线分布情况(图中4条竖线(包括左侧纵坐标及右边3条竖线)依次代表蓝、绿、红、近红外中心波长)，可以看出，经过FLAASH大气校正，去除了大气的干扰，光谱曲线有了明显变化，更接近于植被和水体的真实反射光谱.

4 BP神经网络建模与验证(Modeling and verification of BP neural network) 4.1 BP神经网络建模原理

BP(Back Propagation)神经网络由输入层、隐含层和输出层构成，外界的输入信息通过输入层传递给中间隐含层；隐含层进行内部信息处理，并将处理结果传递到输出层；输出层输出处理结果.将实际输出与期望输出进行比较，不符时进入误差反向传播，直到输出误差达到要求为止.BP神经网络具有自适应、自学习、自组织和非线性映射的功能，非常适用于模拟各种错综复杂的非线性关系，研究证明，具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数(吕恒等，2006).BP神经网络示意图如图 5所示，其中，X_i为输入因子，Y_j为输出值，W_ih为输入层至隐含层连接权值，W_hj为隐含层至输出层连接权值.

4.2 BP神经网络输入因子分析

水体具有其独特的光谱特征，纯净水体较强反射分布在蓝绿光波段，其他可见光波段强烈吸收，且随波长增加反射率降低，在近红外波段反射率为零.但随着水质的变化，其光谱曲线产生相应变化，由此可知，采用GF-1 WFV4四个波段进行水质参数反演具有合理性.但研究表明，采用单波段往往不能很好地反映影响因子与水质参数之间的关系，采用多波段组合可以部分消除水表面光滑度和微波随时间和空间变化的干扰，并在一定程度上减小其他污染物的影响(Koponen et al.，2002).将经过辐射校正和大气校正后的波段信息和取对数处理后的4个波段做组合后计算与叶绿素a浓度的Person相关系数，各因子与叶绿素a的相关系数见表 3.选择相关系数最大的几个变量作为输入因子，最终选择b4/b3、b4/b2、b4/b1、b4/(b1+b2+b3)作为BP神经网络的输入层.20个采样点的4个输入层因子值见表 4.

4.3 BP神经网络模型构建与检验

选择与叶绿素a浓度显著相关的4个波段组合作为BP神经网络的输入层，叶绿素a浓度作为输出层.BP神经网络采用S型双曲正切函数作为隐含层传递函数，线性函数作为输出层函数对模型进行快速训练.设定最大训练次数为1000次，学习速率为0.001.为了加快网络的收敛速度，使网络更好地拟合，提高网络的泛化能力，在模型建立之前，需对样本进行归一化处理，使得输入值、目标值分布在-1到1之间.为保证检验样本分布的合理性，按递增方式均匀选取5个样本用于模型检验，剩余15个作为训练样本.BP神经网络设计中最为关键的步聚是隐含层神经元节点数的选择，它直接影响网络对复杂问题的映射能力(吕恒等，2006).在隐含层结点数的选取上，目前并没有一个统一的计算方法.但隐含层结点数过少，则网络收敛速度过慢达不到精度的要求，结点数过多，则增加了计算量，也会导致过拟合，降低网络的泛化能力.因此，需要通过多次实验来确定隐含层的最佳结点数(侯君等，2008).经过多次训练，隐含层节点数最终选择4，此时均方根误差RMSE最小仅为7.6068，可决系数R²最大为0.9680，相对误差e最小值为0.96%，最大值为13.31%，5个预测样本的平均相对误差仅为6.75%，预测结果较好.图 6是BP神经网络模型预测值与实测值的散点图，可以看出，预测值与实测值实现了较好的拟合.

4.4 与其它方法的比对分析

利用多光谱遥感数据进行叶绿素a反演，相比需要输入过多参数的生物光学模型，通常采用波段比值模型.根据相关性分析结果，采用与叶绿素a浓度相关系数最大的因子b4/b1对叶绿素a建立波段比值模型，模型建立在IBM SPSS Statistics 20和Excel 2013中进行，模型具体如公式(2)所示.

(2)

利用该模型对相同的5个预测样本进行预测检验，RMSE为18.7915，R²为0.9541，e最小值为4.43%，最大值为30.40%，平均值e为19.16%.图 7是波段比值模型预测值与实测值的散点图.下面对两种模型预测值的相对误差进行对比，结果见表 5.从表 5可以看出，BP神经网络模型5个预测样本相对差最小值为0.96%，最大值仅为13.31%，其中，相对误差在10%以内的点有4个，占据预测样本的80%，5个预测样本的平均相对误差为6.75%，预测精度较高.波段比值模型相对误差最小值为4.43%，最大值为30.41%，其中，相对误差小于10%的点只有1个，预测结果远不如BP神经网络.

两种模型精度指标对比结果见表 6，可以看出，波段比值模型的可决系数R²小于BP神经网络模型，且均方根误差RMSE和平均相对误差e均大于BP神经网络模型.总体来看，BP神经网络模型预测精度较波段比值经验模型大大提高.

5 太湖叶绿素a浓度反演及分析(Inversion and analysis of chlorophyll a concentration in Taihu)

为只对太湖水体进行反演，需将太湖水域通过掩膜提取出来.将经过掩膜处理的GF-1 WFV4影像进行波段提取及波段组合，计算b4/b3、b4/b2、b4/b1、b4/(b1+b2+b3)4个因子值并将其作为训练好的BP神经网络模型的输入层进行整个太湖叶绿素a浓度的反演，并将结果进行分级显示(图 8).将叶绿素a浓度反演结果按低、中、高浓度3个等级分不同颜色显示，图中黄色代表叶绿素a高浓度分布，可以看出，叶绿素a高浓度区集中分布在湖心区北部、竺山湾和梅梁湾区域，浓度达70 mg·L^-1以上，这几个地方因为水浅、水流缓慢及盛行风向的作用而成为太湖受污染或富营养化较为严重的地方；且从图中可以看出，西部湖面叶绿素a浓度高于东部湖面，这是因为太湖夏季多东南风，漂浮在湖面的藻类受风的影响向西北方向移动，造成西部叶绿素a浓度高于东部.由此可知，太湖叶绿素a分布有着较明显的区域差异，呈现西北高、东南低的分布规律.这与之前的研究基本一致.

6 结论(Conclusions)

1) 对影像进行预处理的作用是凸显光谱信息及消除噪声，经辐射定标、大气校正后地物光谱曲线更加接近于真实值.单波段与水质参数之间的相关系数往往较低，取对数和波段组合后各因子与叶绿素浓度的相关系数大大提高，这是由于去除了仪器本身和外界环境的影响，光谱信息更准确地反映水体的物质组成.

2) 内陆水体多为二类水体，光学性质复杂，具有模拟复杂非线性功能的BP神经网络相对于波段比值模型更适用，本文以太湖为研究对象，利用BP神经网络模型较好地实现了水质参数——叶绿素a与光谱反射率之间的非线性拟合.

3) BP神经网络可用于实测数据积累较多的内陆水体遥感反演，在后期逐步增加光谱数据和水质参数的基础上，有望进一步提高太湖叶绿素a业务化反演精度.

4) GF-1卫星是国产的高分辨率卫星，在水质参数反演方面表现出了巨大的应用潜力，通过高分一号卫星16 m高空间分辨率多光谱宽覆盖(WFV)数据监测发现，太湖北部地区叶绿素a浓度相对较高，湖心区北部、竹山湾和梅梁湾区域叶绿素浓度高达70 mg·L^-1以上，这也为太湖的水华和富营养化监测提供了参考.

致谢: 本文所用的太湖光谱测量数据和水质参数数据在南京师范大学吕恒老师等协助下获得，在此表示感谢！