AQUAVis：用于沿海和内陆水域的Landsat-Sentinel虚拟遥感反射率（Rrs）产品星座

《Science of Remote Sensing》：AQUAVis: Landsat-sentinel virtual constellation of remote sensing reflectance (Rrs) product for coastal and inland waters

本研究提出AQUAVis框架，通过整合Landsat-8/9与Sentinel-2A/B的遥感数据，采用大气校正、 adjacency效应修正、 sunglint校正及光谱调整等技术，生成全球一致的水体反射率产品。验证显示与AERONET-OC实地数据吻合度高（MAPE<5%），支持Chl-a等水质量参数的机器学习建模，显著提升大范围水环境监测的时空分辨率。

　　随着地球观测技术的不断进步，卫星遥感技术在内陆和沿海水域监测中发挥着越来越重要的作用。Landsat-8和Landsat-9搭载的Operational Land Imager（OLI）传感器，以及Sentinel-2A和Sentinel-2B（S2A/B）搭载的MultiSpectral Instrument（MSI）传感器，已经成为遥感研究的重要工具。这些传感器在可见光和近红外波段提供了中等空间分辨率的多光谱数据，适用于研究水体光学特性。然而，这些传感器在数据处理和融合过程中面临诸多挑战，如大气校正、相邻效应和太阳镜面反射（sunglint）等。为了提高观测频率并捕捉水体光学活性物质的时空变化，研究人员提出了一个名为AQUAVis的全新框架，旨在为水体研究提供一致的遥感反射率（Remote Sensing Reflectance, Rrs）数据集。

AQUAVis框架包括一系列处理步骤，旨在实现OLI和MSI数据的无缝整合。这些步骤包括大气校正、相邻效应校正和太阳镜面反射校正，以及基于全球4000多个水体数据集的光谱带宽调整。研究团队利用了2015年至2023年期间获取的3568张Landsat-8/9和2986张Sentinel-2A/B的图像数据，总计约6.6TB。为了评估AQUAVis的性能，研究人员使用了来自AErosol RObotic NETwork-Ocean Color（AERONET-OC）的2664组地面实测数据，覆盖了全球23个地点。结果表明，AQUAVis生成的Rrs数据与实测数据之间表现出高度的一致性，光谱差异在可见光波段仅为0.39%，而在近红外波段则达到21%。

为了进一步验证AQUAVis的实用性，研究团队使用了XGBoost机器学习算法，基于GLORIA数据集进行Chl-a（叶绿素a）浓度的估算。该算法在广泛的Chl-a浓度范围内表现出高空间一致性，展示了AQUAVis在水体质量监测中的巨大潜力。通过这些数据整合，AQUAVis为大规模水体质量监测提供了稳定的Rrs产品，有助于更全面地理解水体质量动态变化和趋势。

在数据描述部分，研究团队详细介绍了Landsat-8/9和Sentinel-2A/B的图像数据。这些卫星提供了不同分辨率的光谱数据，其中Landsat-8/9的OLI传感器在可见光和近红外波段具有10-30米的空间分辨率，而Sentinel-2A/B的MSI传感器则在可见光和近红外波段具有10-20米的分辨率。这些传感器的光谱特性相近，使得它们在水体监测中具有协同工作的潜力。为了实现数据整合，研究团队对数据进行了多种处理，包括对OLI和MSI传感器进行标准化的重投影和空间重采样，确保它们的光谱带宽调整后能够匹配。

在处理流程中，AQUAVis采用了多种校正方法，包括大气校正、相邻效应校正和太阳镜面反射校正。其中，大气校正主要依赖于NASA和ESA提供的标准校正参数，将数字数转换为顶部大气反射率（TOA reflectance）。为了减少校正误差，研究团队还应用了 vicarious 校正，即利用地面实测数据与卫星数据进行对比，从而优化校正参数。此外，研究团队还利用了基于大气点扩散函数（APSF）的相邻效应校正方法，以减少由相邻陆地像素引起的反射率误差。对于太阳镜面反射校正，研究团队采用了基于Fresnel反射的计算方法，以提高水体反射率的准确性。

在数据生成阶段，AQUAVis生成了两个主要产品：S30和L30。S30是通过将Sentinel-2A/B的MSI数据调整到OLI的光谱波段而生成的30米分辨率数据集，而L30则是通过将Landsat-8/9的OLI数据与MSI数据进行匹配并调整后的30米分辨率数据集。这些产品不仅提供了标准化的水体反射率数据，还包含了用于评估像素可靠性的质量评估（QA）带。通过这些处理步骤，AQUAVis能够确保生成的数据在空间和光谱上的一致性。

在验证部分，AQUAVis的Rrs产品与AERONET-OC的实测数据进行了对比，结果显示了较高的数据一致性。特别是在蓝色和绿色波段，AQUAVis与实测数据之间的相关性分别达到了0.88和0.62，表明其在这些波段的准确性较高。然而，在近红外波段，由于水体反射率较低，AQUAVis的数据与实测数据之间存在一定的误差，如MAPE（平均绝对百分比误差）和MAE（平均绝对误差）。这些误差可能源于大气校正的不确定性、地面实测数据的噪声以及传感器本身的局限性。

此外，研究团队还利用AQUAVis生成的Rrs数据集，通过XGBoost算法进行了Chl-a浓度的估算。结果表明，AQUAVis在不同浓度范围内的Chl-a估算表现出良好的性能，显示出其在水体质量监测中的应用潜力。通过这些数据，研究团队还生成了Chl-a分布图，进一步验证了AQUAVis在不同水体类型中的适用性。

研究团队还评估了AQUAVis在不同时间窗口内的表现，特别是在高动态的藻类繁殖事件中。通过分析短时间内的Chl-a时间序列数据，AQUAVis能够捕捉到藻类繁殖的快速变化，显示出其在高时间分辨率监测中的优势。这表明，AQUAVis不仅适用于长期的水体质量监测，还能支持对短期水体变化的及时响应。

在讨论和结论部分，研究团队强调了AQUAVis框架在水体遥感中的重要性。该框架通过整合OLI和MSI数据，提高了水体反射率的一致性，为水体质量监测提供了可靠的数据支持。尽管AQUAVis在某些波段和特定水体类型中仍存在一定的误差，但其整体性能和数据一致性表明，该框架在提升水体监测能力方面具有显著的优势。未来的研究可以进一步优化AQUAVis的处理流程，提高其在不同水体条件下的准确性，并探索其在其他水体质量指标估算中的应用潜力。通过这些努力，AQUAVis有望成为支持水体质量监测和生态管理的重要工具。