论文部分内容阅读
浮游植物比吸收系数(Phytoplankton specific absorption coefficient,a*ph（λ）)联系浮游植物种群和浮游植物吸收光谱。对种群比吸收系数的分析研究,可以弥补中国近海水体浮游植物种群比吸收光谱研究不足,为监测浮游植物种群浓度提供新思路。相比于传统的站点观测方式,卫星遥感技术可以提供大面积的同步观测数据,是研究浮游植物种群结构的理想手段。本文以东中国海（黄渤海和东海）为研究区域,结合现场实测数据,开发了适用于研究区域的浮游植物吸收分解模型、浮游植物吸收反演模型、并结合卫星遥感数据,建立浮游植物在675nm处的吸收反演模型,并对种群吸收特征进行研究,本文的主要结果如下:（1）由浮游植物吸收光谱的可加性,分别通过多元线性回归方法和高斯分解方法,建立了优势藻种浓度（Concentration,Ci）与浮游植物吸收系数(Phytoplankton absorption coefficient,aph（λ）)之间的吸收分解模型,随后采用现场实测数据对两种模型进行验证,决定系数（R2）均大于0.8,平均绝对误差（MAPE）小于50%,均方根误差（RMSE）小于0.04m-1。此外,通过三个精度评价指标对两个吸收分解模型进行对比分析。整体上看,两种模型的MAPE非常接近,但是线性回归模型的R2高于高斯分解模型,且高斯分解模型的RMSE远大于线性回归模型。因此,在本研究区域,确认线性回归模型为最优模型。基于已有研究得到的实验室培养活体藻类的比吸收光谱,对本研究反演得到的比吸收光谱进行辅助验证。结果表明本研究中得到的吸收光谱形状与量级与已有研究光谱特征相似。（2）基于东中国海的aph（λ）和叶绿素a（Chlorophyll a,Chla）浓度的实测数据,分别建立了Chla浓度与aph（λ）的幂函数模型,以及aph（675）和aph（λ）的参数化模型,随后采用实测数据对两种模型进行验证,两个模型决定系数R2均大于0.7,算法精度较高。其中,aph（675）和aph（λ）的参数化模型要优于Chla浓度与aph（λ）的幂函数模型。（3）通过深入挖掘aph（675）与Rrs之间的内在关系,提取浮游植物吸收在675nm处的光谱特征表征因子,最终确定Rrs（680）与aph（675）相关系数最高,为0.99。并且经过五种函数拟合得出浮游植物吸收在三次多项式函数模型拟合中效果最佳。通过实测数据对模型进行留一法交叉验证表明反演精度均较高,其中R2为0.999,RMSE为0.0001m-1。（4）选取与实测航次匹配的GOCI卫星数据,通过aph（675）的三次多项式反演模型获得aph（675）,结合浮游植物吸收反演模型得到aph（λ）,最后基于浮游植物吸收分解模型实现对浮游植物种群浓度的反演,精度结果较好,除蓝藻外,其他藻类R2大于0.7,MAPE和RMSE较小。结合吸收分解模型中获得的种群比吸收系数,从而得到各种群吸收系数。结合2016年卫星影像数据,获取研究区域的种群吸收贡献率,得到不同空间、时间尺度的种群吸收贡献率变化规律。绿藻在离岸海域占有较大的吸收贡献,近岸地区则是隐藻吸收贡献较大。从季节变化来看,春季金藻吸收对于总吸收的贡献较大,绿藻在夏季占有较大的吸收贡献。同时,甲藻在秋季的吸收贡献相对较高,冬季则为金藻。从月变化来看,青绿藻和隐藻吸收贡献在夏季和冬季会出现两次高值,蓝藻存在一个冬季“强峰”和一个秋季“弱峰”,五个研究区域在3-10月曲线形状相似,在贡献大小上有差别。整体上看青绿藻吸收对于总吸收来说贡献最低。