湖泊藻华与叶绿素浓度评估

监测湖泊中的藻华和叶绿素a（Chl-a）浓度，对于富营养化治理、饮用水源保护及生态系统健康评估至关重要。蓝藻大量繁殖时会产生有害毒素，进而对饮用水供应和水生生物构成威胁。因此，对作为藻类生物量替代指标的叶绿素a进行准确、空间连续的监测，是环境管理和水质建模的关键。传统的现场采样方法能提供精确的点测量数据，但空间覆盖稀疏且耗费人力。相比之下，遥感技术可实现大范围、可重复且可扩展的评估。在各类遥感技术中，高光谱成像能提供详尽的光谱信息，即便在光学特性复杂的内陆水域，也能可靠区分藻类色素并估算叶绿素浓度。

高光谱成像（HSI）能够对水质参数进行跨空间和时间的详细光谱表征。

本文聚焦于地面高光谱成像系统，该系统可对湖泊和水库进行高分辨率、灵活且经济高效的监测。通过在近水面的固定或移动平台（如码头、监测塔或船只）上运行，地面高光谱成像填补了原位测量与航空/卫星观测之间的空白。

高光谱遥感原理

高光谱传感器可获取400–1000纳米的可见光至近红外波段范围内、数百个连续的窄光谱波段（通常带宽为2–10纳米）的反射率数据。这种精细的光谱分辨率能够精确识别与色素、悬浮物及溶解性有机物质相关的细微吸收和散射特征。

湖泊水体的上行离水反射光谱是***种复合信号，受多种因素影响，包括：

l 叶绿素 a 及辅助色素（如藻蓝蛋白、类胡萝卜素）的吸收作用

l 悬浮沉积物和浮游植物的后向散射作用

l 有色溶解性有机物质（CDOM）的吸收作用

l 叶绿素在 681 纳米附近的荧光发射

地面系统能够以极高的信噪比（SNR）解析这些精细尺度特征，使其成为校准与验证研究的理想选择。

地面高光谱成像的优势

l 可控观测几何

地面系统（安装在码头、船只或三脚架上）可对观测角度和光照角度进行精确控制，*大限度减少镜面反射和邻域效应。

l 高时空分辨率

可捕捉厘米至米尺度的局部藻华斑块或梯度变化。

重复采集（分钟至小时***）能够对藻华演变进行时间序列分析。

l 与原位测量直接对准

可轻松与水样采集（叶绿素 a、藻蓝蛋白、总悬浮固体（TSM）、有色溶解性有机物质（CDOM）结合。

有助于卫星或无人机应用的算法验证。

l 成本效益与易获取性

避免飞机成本、飞行后勤和空域许可问题。

适用于连续或半永jiu监测站。

l 光谱配置的灵活性

便携式光谱仪或高光谱相机可根据目标色素调整至可见光或可见 - 近红外（VNIR）波段范围。

地面高光谱成像系统配置

典型组件

l 高光谱相机（推扫式）

l 稳定安装平台（三脚架、云台或万向节）

l 校准附件（Spectralon 板、用于辐射定标的参考灯）

l 带 GPS / 时间标记的数据采集计算机

l 可选的下行辐照度辐射传感器（用于计算反射率）

安装选项

l 固定站点：安装在码头、监测塔或桥梁上，用于重复测量

l 移动平台：搭载在船只或浮筏上，对湖泊断面进行扫描

l 扫描设置：水平扫描湖泊的部分区域，以生成高光谱镶嵌图

藻类和叶绿素检测的关键光谱特征

高光谱成像在内陆水域的优势

l 增强色素鉴别能力

高光谱数据可解析窄吸收特征（例如藻蓝蛋白的 620 纳米吸收峰），从而实现蓝藻与绿藻的区分。

l 提升叶绿素定量精度

窄波段指数可捕捉细微的红边偏移，能够在贫营养和富营养水体中均实现叶绿素估算。

l 算法设计灵活性

用户可调整自定义波段组合，或应用半分析模型，不受限于固定的多光谱波段。

l 跨传感器可迁移性与机器学习训练

高光谱数据集支持机器学习模型（如随机森林（RF）、极端梯度提升（XGB）、卷积神经网络（CNN））的开发，这些模型可在不同湖泊和季节间泛化。

l 前瞻性

新的卫星任务（PRISMA、DESIS、EnMAP、CHIME）和航空传感器确保了数据的连续性和quan球覆盖。

现场实施示例

实际部署可包括以下环节：

l ***台 ClydeHSI VNIR-S 相机（波段范围 400–1000 纳米，光谱分辨率 5 纳米）安装在俯瞰湖泊的码头

l 白天时段每 30 分钟进行***次周期性成像

l 同步采集水样，用于测定叶绿素 a（Chl-a）、藻蓝蛋白（PC）和总悬浮固体（TSM）

l 使用反射率 99% 的 Spectralon 板进行校准

l 处理数据以绘制近岸区叶绿素 a 分布地图，分辨率约为 10 厘米。

此类系统可探测藻华的早期发生、追踪色素的日变化，并为卫星算法验证提供真实的地面数据。

高光谱数据使用流程

l 数据采集

获取高光谱影像（例如 PRISMA、DESIS、EnMAP 卫星或航空影像）

确保采集时间与用于校准的野外采样时间同步

l 预处理

进行辐射定标和大气校正，以推导离水反射率（ρw 或 Rrs）

执行耀光和邻近效应校正（对小型湖泊至关重要）

l 光谱分析

使用感兴趣区域（ROI）掩膜或 shapefile 提取水体像素的光谱

计算光谱指数（例如 NDCI、MCI、藻蓝蛋白（PC）比值）

可选步骤：进行导数分析或连续统去除，以增强光谱特征

l 算法应用

应用基于本地野外数据训练的优化经验模型或机器学习回归模型

生成叶绿素和 / 或藻蓝蛋白浓度分布图

l 验证与校准

将卫星反演的浓度与原位叶绿素 a 数据进行对比

使用均方根误差（RMSE）、偏差和决定系数（R²）评估精度

l 输出

生成叶绿素 a 和藻蓝蛋白（PC）浓度的地理参考地图

识别藻华区域及其时间变化，为管理应对提供支持

示例：高光谱数据在湖泊叶绿素估算中的应用

1. 从湖泊区域的高光谱影像中提取反射光谱

2. 为每个像素计算归***化叶绿素指数（NDCI）或三波段红边指数

3. 利用基于野外数据得出的回归系数，将指数值转换为叶绿素 a 浓度

4. 可视化空间分布，以识别藻华强度区域

这流程可实现对藻华动态的近实时监测，并有助于与水动力模型或水质模型进行整合。

可选：基于无人机的高光谱成像系统

若需要覆盖更大的湖泊区域，无人机（UAV）高光谱系统可提供***种灵活的中间解决方案。搭载在无人机上的现代轻量化推扫式或快照式相机（例如 Headwall Nano-Hyperspec、

Cubert UHD）能够：

l 获取厘米***分辨率的光谱数据

l 在数分钟内覆盖整个湖泊表面

l 支持与地基系统相同的校准和处理流程

然而，无人机作业需要获得空域许可、保证光照稳定，并进行精确的辐射定标，以确保结果的定量性。

地基高光谱成像为湖泊水质监测提供了***种强大、灵活且经济高效的方法。高光谱成像为监测湖泊中的藻华和叶绿素动态提供了***种定量、光谱信息丰富且可扩展的解决方案。其窄波段数据能够捕捉到多光谱系统所遗漏的关键色素吸收和散射特征，从而实现对藻类生物量和蓝藻活动的精zhun检测。

主要优势包括：

l 高时间分辨率和局部区域的准确性

l 可直接验证生物光学模型和机器学习模型

l 适用于长期部署或自动化部署

l 具有与无人机（UAV）和卫星系统整合的潜力

通过聚焦地基地基高光谱观测，研究人员和管理人员能够建立连续、定量的色素监测框架，为有害藻华预警系统提供支持，并为更广泛的遥感网络提供可靠的校准依据。

注：文章来源于网络，如有侵权，请联系删除