结合两种水相分类方法，对各种水体中的悬浮颗粒物浓度进行半解析估算

《International Journal of Applied Earth Observation and Geoinformation》：Combining two water type classification schemes for semi-analytical estimation of suspended particulate matter concentrations in various water bodies

本研究提出结合光学水体类型（OWT）和颗粒物组成（PC）两种分类方法，开发了12类水型专用半分析算法，显著提升悬浮颗粒物（SPM）浓度反演精度，在4,513组实地数据中的MdAPE降至43.2%，卫星匹配验证误差为43.4%，并成功应用于湖泊和河口遥感影像分析。

　　本研究探讨了如何通过结合两种水体分类方案，提高悬浮颗粒物（SPM）浓度估计的准确性。SPM是水体中重要的物质，其浓度对水体的生物地球化学循环、生态系统生产力和碳固存等过程具有显著影响。然而，由于SPM的浓度不仅受水体光学特性影响，还受到颗粒物组成（有机主导或矿物主导）和有色溶解有机物（CDOM）等因素的制约，因此在多种水体环境中使用单一算法难以准确估计SPM浓度。为了解决这一问题，本研究提出了一种半分析方法，结合了光学水体类型（OWT）分类方案和颗粒物组成（PC）分类方案，以提升SPM浓度的估算精度。

### 研究背景与意义

悬浮颗粒物在水体中广泛存在，其浓度变化对水体的光学特性、生态系统的生产力以及水体中的碳循环都有重要影响。因此，了解全球范围内SPM的分布对于理解地球系统过程、解决水资源、生态系统和人类健康相关问题至关重要。卫星遥感技术可以有效地对全球范围内的水体进行观测，从而实现对SPM浓度的定期和广泛监测。然而，由于水体的多样性，传统的SPM估算方法在不同水体中表现出的精度存在较大差异。

### 研究目标与方法

本研究的主要目标是建立一种适用于各种水体环境的半分析方法，该方法能够同时考虑水体的浊度和颗粒物组成。具体来说，我们提出了以下三个目标：

1. **提出一种新的水体分类算法**：该算法能够考虑到水体的浊度和颗粒物组成的变化，从而更好地适应不同水体的特性。
2. **开发一系列子算法**：针对本研究中定义的水体类型，开发更精确的SPM估算方法。
3. **评估新算法的性能**：通过全球范围内的现场观测数据和卫星匹配数据，验证新算法的准确性。

为了实现这些目标，研究团队采用了两种水体分类方案。第一种是基于光学水体类型的分类方案，用于确定合适的参考波长和估算SPM浓度。第二种是基于颗粒物组成的分类方案，用于选择合适的质量特定颗粒物后向散射系数（$b_{bp}^*$）值。通过结合这两种分类方案，研究团队将全球水体划分为12种类型，并为每种类型开发了对应的SPM估算算法。

### 数据与方法

本研究使用了全球反射率社区数据集（GLORIA）中的现场观测数据，该数据集包含了7,572个远程反射率（Rrs）测量值，其中4,621个Rrs光谱具有对应的SPM数据。经过筛选，最终保留了4,513个Rrs-SPM数据对用于进一步分析。此外，研究还使用了MERIS和OLCI传感器的卫星数据，并通过大气校正处理得到Rrs数据。

为了评估新算法的性能，研究团队采用了三种常用的评估指标：均方根误差（RMSE）、中位绝对百分比误差（MdAPE）和偏差（Bias）。通过这些指标，研究团队可以衡量不同算法在估算SPM浓度时的准确性。

### 结果与分析

通过比较新算法与其他11种现有算法在估算SPM浓度方面的表现，研究团队发现新算法在多种水体中表现出更高的准确性。具体来说，MdAPE从51.3%到58.9%降低至43.2%。此外，使用226个卫星匹配数据对新算法进行了验证，结果表明其MdAPE为43.4%，与现场数据的估算精度相近。

研究还展示了新算法在不同水体中的应用，包括湖泊和河口。例如，在湖Kasumigaura（日本）和湖Turkana（肯尼亚）中，新算法的估算结果与现场观测数据吻合度较高。此外，研究还发现，SPM的分布模式与光学水体类型（OWT）的分类结果较为一致，但与颗粒物组成的分类结果存在差异。

### 讨论与展望

研究团队指出，传统的SPM估算方法在处理不同水体时存在局限性，因为它们通常依赖于单一的水体分类方案。例如，基于OWT的分类方案可以选择合适的参考波长，但无法解决颗粒物组成不同导致Rrs值差异的问题。相反，基于PC的分类方案可以更好地反映颗粒物组成的影响，但难以选择合适的参考波长。因此，结合这两种分类方案能够有效提升SPM估算的准确性。

此外，研究还指出，现有的SPM估算方法在某些水体中表现不佳，例如在有机主导的水体中，由于颗粒物组成的影响，传统方法容易低估SPM浓度。而新算法通过结合OWT和PC分类方案，能够更准确地反映SPM的分布情况。例如，在有机主导的水体中，新算法的MdAPE从49.9%降低至44.5%，在矿物主导的水体中，MdAPE从59.8%降低至44.7%。

研究团队还提到，尽管新算法在多种水体中表现出较高的准确性，但仍存在一些挑战。例如，估算POC/SPM比例的公式（Eq. 2）基于有限的现场数据，因此其适用性仍需进一步验证。此外，新算法需要特定的卫星传感器提供足够的波长数据，这可能限制了其在某些卫星数据（如Landsat数据）中的应用。

### 结论

综上所述，本研究提出了一种新的半分析方法，能够更准确地估算不同水体环境中的SPM浓度。该方法结合了光学水体类型和颗粒物组成的分类方案，从而提高了估算的精度。通过现场观测数据和卫星匹配数据的验证，研究团队发现新算法在多种水体中表现出更高的准确性。未来的研究可以进一步测试POC/SPM估算模型的普适性和分类阈值的鲁棒性，以提升新算法的准确性和适用性。

### 研究贡献

本研究的主要贡献在于提出了一种结合两种水体分类方案的半分析方法，该方法能够更准确地估算不同水体环境中的SPM浓度。通过使用光学水体类型分类方案和颗粒物组成分类方案，研究团队将全球水体划分为12种类型，并为每种类型开发了对应的SPM估算算法。这种方法不仅提高了估算的准确性，还增强了算法在不同水体中的适用性。

此外，本研究还通过现场观测数据和卫星匹配数据验证了新算法的性能。结果表明，新算法在多种水体中表现出更高的准确性，特别是在有机主导和矿物主导的水体中。因此，本研究为全球范围内的SPM估算提供了一种新的方法，有助于更全面地理解和管理水体环境。