增强型地表水叶绿素a遥感技术：将动态藻类垂直运动模型与多光谱卫星图像相结合

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Enhanced remote sensing of surface water Chlorophyll-a: Coupling dynamic algae vertical movement modeling with multi-spectral satellite images

　　

葛盛羲 | 凯登·A·墨菲 | 马克·A·蒂舍 | 琳达·K·威弗斯 | 秦荣军

美国俄亥俄州立大学地理空间数据分析实验室，哥伦布43210

摘要

由于遥感能够对大大小小的水体进行持续观测，它在水质监测中发挥着日益重要的作用。然而，当前的遥感方法在将卫星观测数据与现场测量结果对齐方面存在局限性，这主要是由于藻类的动态垂直运动以及卫星穿越的时间限制所致。因此，许多研究依赖于大面积水体、时空替代或机会性成像来检测藻华，这限制了遥感在常规监测任务（如定期估算叶绿素-a（Chl-a）中的应用。凭借近乎每日的全球覆盖能力，PlanetScope影像为克服这些局限性提供了新的机会。在本研究中，我们提出了一种新颖的现场采样增强框架，该框架通过藻类行为函数（ABF）来整合卫星观测数据与现场数据，从而实现现场测量的时间调整，生成更精确的现场与卫星数据匹配结果，提升了叶绿素-a估算模型的稳健性。我们使用2022年至2023年的PlanetScope影像以及同步采集的声呐测量数据，结合垂直剖面和时间戳信息，修正了俄亥俄州两个湖泊（Grand Lake St. Marys，样本数量=84；Del-Co水库，样本数量=333）中的现场与卫星数据的时间差异。与未经修正的基线模型相比，增强后的模型使叶绿素-a的预测精度（均方根误差RMSE）提高了5.8%-18.0%，尤其是在非藻华期，显示出更早检测藻华的潜力。此外，ABF具有中等程度的地理迁移性：利用从一个水库获取的ABF模型成功改善了距离该水库156公里（埃里湖西部）和383公里（休伦湖萨吉诺湾）的两个湖泊的叶绿素-a预测精度，精度提升幅度达到28.5%-35.3%。总体而言，这些结果表明ABF是一种实用的、与传感器类型无关的预处理步骤，可以嵌入到操作流程中，以提高高分辨率叶绿素-a的反演精度，实现更早的有害藻华警报，并支持跨流域趋势分析。

引言

有害藻华（HAB）的特点是产生毒素的蓝细菌或蓝绿藻的显著增殖，对儿童等脆弱人群构成严重健康风险，并通过影响水质及其味道和气味来复杂化水处理过程（Rajasekhar等人，2012年；Weirich和Miller，2014年）。HAB通常由农业径流中的营养物质驱动（Mrdjen等人，2018年），这些营养物质会显著降低水质并释放对人类健康和水生生态系统有害的毒素。叶绿素-a（Chl-a）作为浮游植物生物量的主要光学指标，在HAB监测和风险评估中至关重要。然而，不足的空间和时间覆盖范围常常限制了对小型和中型水体的HAB监测，使得难以分析其季节性模式以做出早期预测。此外，藻类在一天内的垂直分布可能会发生显著变化（Ganf和Oliver，1982年；Hampton等人，2014年），这增加了通过现场和遥感方法准确观测和分析藻类动态的难度。

卫星遥感为湖泊生物量监测提供了强大的工具，具备广泛的长期观测能力。这种方法利用卫星图像的独特反射特性，通过识别各种地面物体的光谱特征来区分藻类和水体。多光谱卫星传感器，包括Landsat系列、Sentinel-2和PlanetScope，在大范围内显著提升了蓝细菌色素的检测能力。由400多颗卫星组成的PlanetScope卫星星座提供几乎每日的全球覆盖，并具有4米的地距（GSD），有助于通过密集的时空观测来监测湖泊中小型藻类的动态。具体而言，叶绿素-a的浓度（作为藻类生物量的指标）与卫星图像捕获的光谱反射特征有很好的相关性（Rolim等人，2023年；Zou和Shu，2024年）。因此，从卫星图像中提取的光谱特征已成为量化叶绿素-a浓度和其他蓝细菌色素（如藻蓝蛋白PC）的主要手段。

已开发了几种基于遥感图像的光谱指数来定量评估藻类，包括标准化差异叶绿素指数（NDCI）和特定吸收带指数（SABI）（Alawadi，2010年；Mishra和Mishra，2012年），以及其他基于光谱的回归方法（Kokal等人，2024年；Sugumaran和Thomas，2012年）。这些指数利用藻类相关色素（如叶绿素-a和藻蓝蛋白）的独特光谱特征，从卫星图像中识别和量化藻华。NDCI评估叶绿素的浓度，这是藻类生物量的直接指标，而SABI专门用于检测与有毒蓝细菌相关的有害色素。可以通过基于机器学习（ML）的方法来增强预测，通过在光谱特征和叶绿素-a之间进行回归。常用的ML方法包括支持向量机（SVM）（Cortes和Vapnik，1995年；Zhang等人，2020年）、随机森林（Belgiu和Dr?gu?，2016年；Ho，1995年；Shen等人，2022年）和卷积神经网络（CNNs）（Aptoula和Ariman，2021年；Pyo等人，2019年）。最近，可解释的集成方法（如XGBoost）也实现了从多源数据中稳健估计富营养化程度（Zhu等人，2024年），以及局部级联/堆叠集成模型用于预测溶解氧（Chen等人，2025年）。

藻类通常表现出显著的日变化垂直迁移（DVM），即为了光合作用而进行的日内运动，这一过程受到时间、天气和物种组成等因素的影响（D. Liu等人，2021年；Tilney等人，2015年；Wynne等人，2010年）。然而，卫星图像通常仅在一天中的某个时刻测量水面的叶绿素-a浓度，往往无法捕捉到水面的峰值叶绿素-a水平（Arnone等人，2017年）。在非藻华条件下，这种情况更为严重，因为捕捉与叶绿素-a相关的精细光谱信号需要大量的连续现场数据。虽然之前的研究已经利用日变化垂直迁移从卫星观测中解释藻类生物量（Lai、Liu等人，2023年；D. Liu等人，2021年），但我们强调明确推断卫星穿越时的叶绿素-a浓度，并在模型校准过程中使用它来校正现场与卫星之间的时间差异，可以使得基于卫星的叶绿素-a估算模型更加准确，从而强调了在操作监测中纳入日变化垂直运动的必要性。受此需求的启发，本研究引入了一种新的方法，用于定量描述白天的藻类运动和生物物理光合作用调节，称为“藻类行为函数（ABF）”。该函数在减少由于时间不对齐导致的现场测量与卫星观测之间的差异方面发挥了关键作用，从而提高了基于卫星的叶绿素-a回归模型的精度。此外，我们探讨了影响ABF的环境因素，包括一天中的时间、藻类类型和风速，以了解和预测藻类行为及其对监测工作的影响。我们的研究首先简要介绍了研究区域和收集的数据（第2节）。第3节详细描述了我们的方法，包括用于数据增强的ABF建模、叶绿素-a估算和精度评估。第4节展示了在研究区域中加入ABF后叶绿素-a估算性能的定量实验结果。第5节讨论了ABF对藻类监测的益处以及在非藻华季节下水下或非藻华条件下叶绿素-a估算的潜力，以及所提出方法的局限性。最后，第6节总结了ABF在藻类监测中的优势和用途。

章节片段

材料和研究区域

在这项研究中，我们使用了美国中西部的水体数据，包括现场叶绿素-a测量和遥感数据。第2.1节描述了研究区域，包括两个俄亥俄州的水体——Grand Lake St. Marys和Del-Co Water Company水库。我们利用现场和深度测量数据建立了叶绿素-a预测和藻类日变化垂直运动模型。此外，我们还研究了两个大型水体，即埃里湖西部和休伦湖的萨吉诺湾，以验证

方法论

准确的基于卫星的叶绿素-a估算经常受到固定时间表卫星过境和现场测量之间固有时间差异的影响，而藻类的日变化垂直运动和生物物理光合作用调节进一步加剧了这些差异。为了解决这些时间不匹配问题，我们提出了藻类行为函数（ABF），这是一个数学模型，它利用高频声呐数据将现场测量数据与卫星观测结果对齐。

我们的工作探讨了

结果与分析

所有研究区域中的现场与卫星叶绿素-a估算结果因建模方法的不同而有所不同；然而，一致地整合ABF可以显著提高精度。当现场测量与卫星观测之间的时间不匹配未得到修正时，统计回归和机器学习模型会产生不同的误差分布，而经过ABF调整的模型显示出较低的RMSE和较高的R²。

通过使用日时间信息和更先进的方法进行基于ABF的调整

现场测量与遥感观测时间对齐的好处

我们的贡献在于引入了一种与传感器类型无关的藻类行为函数（ABF），该函数通过模拟昼夜行为（ABF-I）和风驱动混合（ABF-II），以及考虑分类群的扩展（ABF-III/IV），在独立的PlanetScope（GLSM，Del-Co）和Landsat-8/9（埃里湖，萨吉诺湾）模型中实现了MAPE/RMSE的一致性降低。现场测量与遥感观测时间的一致性对藻类监测的精度起着关键作用

结论

本研究通过引入一种与传感器类型无关的藻类行为函数（ABF），显著提高了内陆水体叶绿素-a的反演精度，该函数明确考虑了亚日的藻类动态。该框架包括一个捕捉昼夜变化的时序成分（ABF-I）和一个调节近表面部分的风混合成分（ABF-II）；当有这些信息时，考虑分类群的扩展（ABF-III/IV）进一步进行了调整。这种新方法不仅改善了回归模型

CRediT作者贡献声明

葛盛羲：撰写 – 原初草案，可视化，验证，方法论，概念化。凯登·A·墨菲：验证，调查，正式分析，数据管理。马克·A·蒂舍：调查，正式分析，数据管理。琳达·K·威弗斯：撰写 – 审阅与编辑，监督，资源管理，项目协调，资金获取，数据管理。秦荣军：撰写 – 审阅与编辑，监督，资源管理，项目协调，资金获取，

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了美国陆军工程研究开发中心水生有害物种研究计划下的HAB研究与发展倡议的资助（W912HZ2120012）。我们感谢Del-Co Water Company在其水库提供的协助和采样支持。