论文部分内容阅读
高光谱遥感在区域水质监测中具有不可替代的优势，然而以往研究对象多为室外天然水体，是反映混合藻类的总体效应，且包含了水体中悬浮物和黄色物质的光学效应，难以区分单一藻种的高光谱特征。如何提取单一藻类的高光谱特征、如何实现高光谱分解并建立相应的Chl-α反演模型，已经成为高光谱遥感在水体藻类监测的关键问题。
本文选择分布较为广泛的小球藻(Chlorella vulgaris)和铜绿微囊藻(Microcystisaeruginosa)为研究对象，开发藻类高光谱特征提取算法且将其应用到Chl-α反演模型。(1)进行室内藻类光谱实验，并同步采集水样在实验室内测定Chl-α含量。 (2)分别建立基于混合高斯函数(Gaussian Model)的小球藻和铜绿微囊藻高光谱信息模型，且利用模拟退火算法(Simulated Annealing)实现模型非线性参数拟合，提取两种藻的高光谱特征。(3)基于Trust-Region Reflective Newton算法，通过非线性回归分析反演分解后的高光谱信息模型的峰高值(hi)与Chl-α的定量模型，以此实现水体小球藻和铜绿微囊藻Chl-α浓度的预测功能，此外，还将藻类高光谱特征提取算法与3种传统方法--单波段法、波段比值法和一阶微分法进行比较分析。
结果表明：(1)从高光谱特征来看，小球藻在540nm和700nm附近存在明显的特征波峰，而铜绿微囊藻的光谱在530nm、660nm和700nm附近存在3个较强的特征波峰，在610nm和680nm附近存在明显的吸收峰。相比之下，660nm是区别于小球藻和铜绿微囊藻的特征波段。 (2)藻类高光谱特征提取算法能有效揭示小球藻和铜绿微囊藻的光谱本质特征，两者叠加的Gaussian函数的最佳个数分别为7和8个。相应的小球藻和铜绿微囊藻Chl一口反演模型分别为 h<,706>=-1.007×10<-8>x<3>+3.509×10<-6>x<2>-3.71×10<-4>x+0.0158 和h<,468>=-1.025×10<-8>x<3>-3.116×10<-6>x<2>+2.802×10<-4>x-0.0009。(3)与传统方法相比，藻类高光谱特征提取算法可决系数高(接近0.9)，相对运算较为简单，能有效揭示高光谱信息的物理本质，其结果能在应用上具有可移植性，且对外因(其他藻类、悬浮物、黄色物质等)并不敏感。