水是生命之源,是关系社会发展和人类进步的重要物质。太湖作为我国长江中下游重要的淡水资源,具有防洪、灌溉、航运、供水以及渔业等多种功能。然而,随着社会经济的快速发展,太湖污染和富营养化问题日趋严重,太湖水环境质量和生态安全已经成为流域可持续发展的瓶颈。如何有效的提高湖泊水质信息的获取能力、分析能力和预警能力,是太湖“十一五”期间主要研究目标之一。湖泊水环境监测是获取湖泊水质信息、开展蓝藻水华预测预警的有效途径和信息基础。常规水质监测耗时耗力,无法反映大范围水域水质分布情况,遥感技术可以快速、及时的提供整个湖泊或者整个区域的水华分布状况,还可通过与蓝藻生物量的监测结果结合,实现蓝藻水华的预警。遥感技术在水质研究领域内的应用,拓展了水污染管理和控制的思路,是湖泊蓝藻水华预测预警的重要技术支撑。本研究从水质遥感监测的基本原理入手,在总结国内外水质遥感研究成果的基础上,从水质遥感监测的主要数据源、主要水质参数以及反演算法三个方面归纳分析了现有水质遥感领域的研究进展,并讨论分析了目前存在的问题。主要研究内容包括：　　 ⑴对遥感图像的几何粗校正选用UTM投影,参考基点为51zone,再结合MODIS遥感数据中自带的经纬度信息来完成,考虑到波段问不同的空间分辨率,几何校正的过程中采用最邻近像元采样法分别将分辨率为500m和1000m的光谱波段重采样到250m的空间分辨率上。在此基础上,通过地面控制点,完成MODIS影像的精校正,并将校正误差控制在0.5个像素内。选用伪恒定物体(PIFs)相对辐射校正方法,通过构建决策树,针对不同波段选择不同伪恒定物体的方法,将其余各月份MODIS星上辐亮度值统一校正至2005年8月15日MODIS遥感影像的基准之上。　　 ⑵在几何校正和大气相对校正的基础上,以2005年7月至12月的水质监测数据和MODIS数据为建模样本,利用统计回归方法、主成分分析方法、BP神经网络方法以及支持向量机方法,分别构建了反演全年太湖叶绿素α和悬浮物浓度的通用模型,并选用分别具有太湖冬季、春季和夏季特征的1月、3月和6月数据作为验证样本,检验上述模型的预测能力,结果表明,以BP神经网络模型和支持向量机模型为代表的机器学习算法,在预测非线性、复杂的关系中,具有一定的优势,其中支持向量机方法因其构建理论的优势,能够有效地克服BP神经网络模型的“过学习”和“欠学习”问题,对悬浮物和叶绿素α浓度均有较好的预测能力。　　 ⑶为了获取太湖叶绿素α和悬浮物浓度的全年分布规律,本文利用支持向量机模型反演了2005年太湖叶绿素α和悬浮物浓度分布情况。研究表明,太湖水域叶绿素α浓度总体水平较高,主要水域处于中、高富营养化水平,总体时空演化规律是:冬季至夏季,大量藻类分布区域由太湖南部沿岸区经湖心区进入梅梁湖、竺山湖以及贡湖;夏季至冬季,藻类分布区沿着相反的方向改变:太湖悬浮物浓度较高,具备非常典型的Ⅱ类水体特征;太湖悬浮物分布存在显著时空差异:湖心区悬浮物浓度最高,其次是梅梁湖、贡湖和竺山湖,东太湖水域悬浮物浓度最低,从时间上看,太湖悬浮物浓度整体(尤其是湖心区)冬季最高,其次是春季、秋季,夏季浓度最低。本研究的太湖叶绿素α和悬浮物全年浓度分布规律与其他研究人员的研究结果基本一致,具有一定的可信度。　　 ⑷在上述水质遥感研究的基础上,本研究对水质遥感与数值模拟技术综合运用开展了初步探索。以叶绿素α浓度作为预测对象,通过模拟的湖泊流场来预测短期叶绿素α浓度的分布变化,并与该时刻遥感反演结果对比验证。研究表明,遥感技术与数值模拟技术的综合应用是可行的,但其中存在着以下主要问题:类似于太湖这样的Ⅱ类水体,悬浮物浓度较高,只有水体表层藻类的叶绿素α的信息能够被卫星所捕捉到,表层以下的光谱信息被水体里的悬浮物和黄色物质的光谱信息所掩盖,无法获知水深方向藻类的真实分布情况;藻类生活于复杂的水生生态系统中,影响其生物量的因素繁多,定量描述其动态变化揭示水华发生机理的水生态模型有待于深入研究,模型预测精度有待提高。　　 ⑸构建了基于MODIS的太湖水质遥感监测方法,利用该方法反演分析了2005年太湖叶绿素α和悬浮物浓度分布规律,并将该方法与环境水动力模型初步综合应用于太湖叶绿素α浓度分布的预测中。随着今后现场监测和MODIS数据的积累,太湖水质反演算法的精度将得到进一步提高。与此同时,随着太湖水华暴发机理研究的深入,太湖水生态模型的逐步完善,水质遥感技术和水生态模型的综合应用,可望为太湖蓝藻水华预测预警体系的构建提供有力的技术支撑。