基于Landsat 8影像的Himawari-8叶绿素a空间降尺度研究

熊远康,范冬林,何宏昌,史今科,张 洁,肖 斌,付波霖

基于Landsat 8影像的Himawari-8叶绿素a空间降尺度研究

熊远康,范冬林*,何宏昌,史今科,张 洁,肖 斌,付波霖

(桂林理工大学测绘地理信息学院,广西 桂林 541000)

新型地球静止气象卫星Himawari-8由于空间分辨率较低,其叶绿素a产品难以满足空间异质性高的近岸海域水质监测要求.为了克服这个限制,基于非线性的随机森林算法,利用陆地资源卫星Landsat8的波段反射率数据和Himawari-8的叶绿素a产品,通过构建降尺度模型,以提高Himawari-8的叶绿素a数据的空间分辨率.结果表明,2个秋季模型和2个冬季模型的模型决定系数(R)分别达到0.6、0.72、0.71和0.85;均方根误差(RMSE)为别为1.47,1.05,1.89,0.76mg/m3.通过实测站点数据对比分析表明,降尺度模型生成的叶绿素a与葵花叶绿素a数据具有较高的一致性,R达到了0.81,能较好的反映近岸海域叶绿素a浓度的空间变化特征.

降尺度；叶绿素a；随机森林；Himawari-8；Landsat 8

叶绿素a是监测沿海水质环境的重要指标,它表明了浮游植物的生物量,反映了海洋的初级生产力.传统的叶绿素a浓度通过直接测量水质获取,例如分光光度法、高效液相色谱法和荧光分析法等.由于这类方法是基于原位实测数据的收集,因此往往在空间或时间上受到限制,不能实时准确的反应沿海的叶绿素a的时空分布特征[1].

在过去20年里,遥感逐渐成为浮游植物生物量近实时测量的新技术手段[2].海洋宽视场传感器SeaWiFS、中分辨率成像光谱仪MERIS和MODIS、可见光红外成像辐射仪VIIRS、海陆颜色仪OLCI等搭载在不同卫星上的传感器相继投入海洋水色监测中[3].叶绿素a浓度可以通过卫星传感器测量的遥感反射率间接估算出来,用作全球和区域范围内浮游植物丰度的指标[4].陆地卫星Landsat8 因其具有较高的空间分辨率(30m),良好的辐射测量和几何性能,在海洋水域得到了广泛应用[5].新型地球静止气象卫星机载H8上的高级成像仪(AHI)具有16个光谱通道,其中6个在可见光至短波红外波段范围内,相比于Landsat8具备更高精度的时间分辨率. AHI具有2种观测尺度,全盘观测和区域观测,提供了10min的时间分辨率观测,可以对海洋进行高频的定量观测[6].但其空间分辨率较差,其较粗的空间分辨率虽然可以有效地用于公海的同质区域,但无法解决空间异质性高的近岸海域水质监测问题[7].

为了解决这一问题, Atkinson等[8]利用分辨率高的遥感反射率数据对分辨率低的叶绿素数据进行降尺度,可以有效提高叶绿素a数据的空间分辨率. Fu等[9]利用四阶多项式回归,结合Landsat8的反射率数据对MODIS 4km分辨率的叶绿素a数据进行降尺度得到了30m分辨率的叶绿素a数据,但多项式方法表现出对异常值比较敏感. Guo等[10]为了降低异常值的敏感性,利用U-STFM时空融合模型来获取高分辨率下反射率的时空细节变化,再通过OC2M-HI回归模型将1km的MODIS的叶绿素a数据降尺度到30m,有效减少异常值对于降尺度结果的影响,但模型对于Landsat8时序图像前后的反射率不能做到很好的预测.机器学习方法不使用固定的数学形式来定义预测因子和预测变量之间的关系,能准确拟合反射率与叶绿素a浓度之间的非线性关系,基于遗传编程(GP)方法进行叶绿素a降尺度研究,表明GP算法比多项式回归在沿海地区有更好的拟合精度,但GP算法表现在近岸难以捕捉到特定的高浓度叶绿素a值[11].支持向量回归(SVR)和随机森林回归(RFR),是先进的非线性数据驱动方法,对输入数据的质量要求相对较低,对异常值不敏感,可处理大量高维数组,计算密集程度也较低[12],已被测试并广泛用于降尺度研究,可作为降尺度建模的替代方法[13-14].

本文基于随机森林回归算法建立一种叶绿素a的降尺度模型,利用降尺度原理,结合高空间分辨率Landsat8反射率数据对高时间分辨率Himawari-8叶绿素a产品数据进行降尺度,以提高Himawari-8叶绿素a产品数据的空间分辨率,获得更高分辨率的叶绿素a浓度,进而分析其近岸海域时空变化趋势,实现对近岸海域复杂水体的水质监测.

1 数据与方法

1.1 研究区概况

研究区位于中国北部湾北部(20°40¢07²N～ 22°07¢16²N,107°47¢12²E～109°54¢35²E),地处于热带与亚热带之间,局部属于亚热带海洋季风气候,当地平均气温为22.4℃,年平均降雨量为1670mm,平均水深42m.近年来,随着沿海工业和水产养殖的快速发展,北海、钦州湾沿岸一带海域水质污染加剧,与北部湾富营养进程一致[15],北部湾叶绿素平均质量浓度由1994年的0.94µg/L[16]升至2016年的1.46µg/L[17],陆源营养盐输入和养殖活动明显的钦州湾2009年表层水体叶绿素a已达5.39µg/L[18],导致研究区近岸海域水体环境复杂,监测难度大大提高.为更好的监测沿岸水体质量,迫切需要获取更加精细分辨率的叶绿素a浓度数据.

1.2 数据源

高空间分辨率数据来源于美国地质勘探局(USGS)的Landsat8多光谱影像数据.影像数据为Landsat8上搭载的陆地成像仪(OLI)传感器获取,其空间分辨为30m,获取时间分别为2017年2月14日,2017年10月28日,2018年2月1日,2018年5月12日和2018年10月31日,所有影像的含云量都小于10%.为了便于分析讨论,根据研究区气候状况,用2月份的数据构建的模型用冬季模型表述,10月份的数据构建的模型用秋季模型表述.

叶绿素a数据来源于日本航空航天局(https://www.eorc.jaxa.jp/ptree/)公布的Himawari-8的叶绿素a浓度数据产品,空间分辨率为5km,时间分辨率为10min.本文采用Himawari-8叶绿素a的成像时间与Landsat8影像数据时间一致.

实测数据来自于香港环境保护署公布的(https://cd.epic.epd.gov.hk/)站点数据,数据获取日期为2018年5月14日,其采样和分析方法为:从表层0～0.5m处采集水样,并在500mL深色容器中冷藏.几小时后,在实验室采用流动注射分光光度法对其进行处理和分析[19].站点点位分布如下图1所示.

图1 研究区实测站点点位分布

1.3 数据预处理

对Landsat8影像数据进行辐射定标和大气校正,将图像灰度(DN)值转为遥感反射率并消除大气吸收和散射的干扰,然后进行归一化差异水指数(NDWI)计算,区分陆地和水体,以便更好的获取水体的遥感反射率,减少陆地对水体反射率的干扰. NDWI计算公式如式(1):

式中:Green和NIR分别是30m分辨率下Landsat的绿色波段和近红外波段的反射率,根据NDWI计算结果,结合地物边缘位置的NDWI值,本文设置0.1为水陆分割阈值,大于0.1的为水体,小于0.1的则为陆地.

对预处理后的影像使用最邻近重采样的方法进行上采样,把分辨率为30m的Landsat8的反射率数据采样至与Himawari-8叶绿素a浓度产品相同的空间分辨率(5km).对Himawari-8的叶绿素a浓度产品数据按照研究区范围进行裁剪,并与重采样后Landsat8的遥感反射率数据进行匹配.获得匹配样本集(1,),其中1为重采样后的Landsat各个波段的反射率值,为Himawari-8的叶绿素a浓度数据.

基于波段组合方法对匹配得到1进行特征扩展,得到21种波段组合的特征变量2.利用相关性分析对1和2(表1)进行特征筛选,得到适合建立降尺度模型的特征变量.从表1中可以看出,相关性最高的特征变量为B3/B1.为了防止模型过拟合,本文选取相关性都在0.5以上的单波段及波段组合作为模型的特征变量(共14中特征变量)进行建模.分别对这14种特征变量和叶绿素a浓度做定量分析,其中仅b3/b1、b3/b2波段组合与叶绿素a呈线性关系,由于随机森林的预测能力不受多重共线性的影响,所以其线性关系不会对预测结果造成影响.

表1 Landsat8波段和波段组合与Himawari-8的叶绿素a浓度的相关性

1.4 研究方法

随机森林(RF)相比于其他“黑箱”机器学习算法,简单易实现、计算开销小、模型可解释性强.同时,RF算法可有效防止变量共线性现象,避免模型过拟合问题[20].在回归问题中,最终的估计值是使用所有个体的平均值得出的,主要有两个超参数,第一个参数是ntree(森林中生长的决策树的数量),第二个参数是mtry(树的每个节点上随机采样的预测变量的数量).为了确定ntree和mtry超参数的最优组合,本文利用数据预处理后得到14种特征变量,以Himawari-8叶绿素a数据作为特征值,根据Belgiu等[21]提到的超参数数值范围,采用网格搜索(GridSearchCV)遍历参数组合,通过交叉验证确定最优超参数,ntree为600,mtry为14(特征变量总数).本文在构建随机森林回归时使用10倍交叉验证.其主要优点是:(1)根据数据可用性和用户需求,简单地包含或排除预测变量;(2)可能包含连续且分类的预测变量;(3)用户必须指定的模型参数数量相对较少;(4)过度拟合的风险降至最低;(5)自动计算可变重要性评分,以评估各个预测变量对最终模型的贡献[22].

1.4.1 降尺度方法 本文假设不同尺度下(30m和5km)Landsat8波段特征和Himawari-8叶绿素a浓度数据之间存在如式(2)的关系,并且这种关系可以通过最大似然来估计.

式中:表示5km分辨率下Himawari-8的叶绿素a浓度数据;表示数据预处理后得到14种特征变量;为机器学习算法建立的非线性回归函数.通过建模得到模型在5km分辨率下的残差,残差是实际值与回归估计值差异程度的一种评价[23].计算公式如式(3):

图2 降尺度技术路线

Fig.2 Downscaling technology roadmap

1.4.2 模型精度评价方法 利用Pearson(皮尔逊)相关系数来衡量降尺度叶绿素a浓度与Himawari8原始叶绿素a浓度之间的相关性,为评价各个模型对叶绿素a浓度降尺度的精度,本文选取了20%的样本对模型精度进行测试,并计算系数2,均方根误差RMSE,其中2用于评价Himawari8原始叶绿素a浓度与降尺度叶绿素a浓度线性相关程度,RMSE用于反映两者之间的偏差程度.

2 结果与讨论

2.1 实验与结果评估

标准化是训练模型之前的一个先决步骤,以确保所有变量保持在同一尺度上.因此,通过减去平均值并除以样本集的标准偏差,对训练和验证集中的所有自变量进行标准化.这种预处理加速了收敛,使得模型的训练有效.实验总共选取了2273个像素样本,按照8:2的比例采用分层随机抽样的方式分割训练和测试集,使其符合总样本分布趋势,大致呈正态分布.其中1638个样本作为训练集,剩余635个样本作为验证集.针对秋季(10月)和冬季(2月)影像数据,利用随机森林回归算法建立降尺度模型,四个模型都表现出很好的精度,训练集2分别为0.89、0.93、0.92、0.95;测试集的2为0.60、0.72、0.71、0.85;如图3所示,模型对Himawari-8叶绿素a的拟合程度很好,能反映出研究区内大部分叶绿素a的变化特征.冬季模型的2要低于秋季模型,且RMSE也高于秋季模型,模型建模选取的特征变量相同,出现这一现象的原因可能是冬季的叶绿素a浓度比秋季高,而高浓度叶绿素a样本数量有限,模型难以捕捉这部分特征变化,从而导致该区间(15～20mg/m3)叶绿素浓度被低估,致使2相较秋季低,RMSE偏大.

冬季模型对叶绿素a浓度在2.5～7.5mg/m3区间内的样本能给出很好预测,对于大于7.5mg/m3的叶绿素a浓度,模型预测精度较低.结合冬季样本分析(图4),冬季模型样本叶绿素a浓度主要分布在2～7mg/m3,大于7mg/m3的样本较少,使得模型对高于7.5mg/m3的数据训练不够,从而导致模型在叶绿素a浓度大于7.5mg/m3以后呈发散状.秋季样本叶绿素a浓度总体较冬季小,主要分布在0～5mg/m3,且秋季样本分布与冬季相比呈非正态分布趋势,非正态分布可能会增加叶绿素a浓度与Landsat波段组合反射率之间的非线性关系,而随机森林作为非线性模型,所以在秋季可能比在冬季产生更好的预测结果.

图3 模型的训练集和验证集散点图

左为训练集,右为测试集

由图5、6可见,模型预测的沿岸叶绿素a浓度和实际值有一定的误差,通过残差校正后能很好的反映沿岸叶绿素a浓度值的变化趋势.残差的计算方法是用原始Himawari-8叶绿素a数据浓度减去模型预测的叶绿素a浓度.秋季模型的残差变化范围为-1.36～0.89mg/m3,冬季模型的残差范围为-2.7～1.36mg/m3,秋季模型的降尺度结果要明显优于冬季模型.模型残差的变化范围大小,决定了模型精度的高低,残差变化范围越大,说明模型的精度越低.残差绝对值较大的区域集中在沿岸一带,由于该区域的原始训练样本较少,导致模型对较大的叶绿素a浓度会产生过高或过低的估计.模型在经过残差校正后,其降尺度结果(图7)可以清晰的看出叶绿素a浓度的层级变换趋势,靠近海岸的地区叶绿素a浓度高,远离海岸的地区叶绿素a浓度低.由于原始Himawari-8叶绿素a空间分辨率过大的原因,导致水体与陆地交接部分叶绿素a浓度值缺失.通过降尺度处理后,能给出很好的预测,使沿岸叶绿素a的空间分布特征表现的更加明显.研究区域内,叶绿素a浓度分布总体表现为钦州湾和北海市湾区一带高,其它区域低.在季节尺度上,叶绿素a表现为冬季高,秋季低,遗憾的是由于研究的时间尺度太短,无法具体的阐明叶绿素a浓度的时序变化特征.

图5 秋季和冬季5km分辨率的Himawari8原始叶绿素a浓度概况

图7 模型降尺度得到30m分辨率的叶绿素a浓度

北海市沿岸湾区部分的叶绿素a浓度普遍比其它地方的高(图7),是由于近年来北海市湾区人类活动频繁,水产养殖密集,加上内陆河流的输入,同时由于地形缘故水域流通缓慢,降低了水的交换能力,导致该区域富营养化严重.不论是秋季模型还是冬季模型,对于海洋中一些比较高的叶绿素a浓度值,模型预测时会低估这些值,引起这种变化的原因是由于秋冬季节Himawari-8叶绿素a浓度的高可变性,这降低了最大似然估计的准确性.冬季叶绿素a较低的区域比秋季的少,表明冬季的叶绿素a浓度比秋季的高.这一现象的原因可能在于夏季降水频率较高,降水降低了表层的盐度,并改变了影响浮游植物群落结构营养物的比例[24].降水增加了海洋的混浊度,从而降低了透光层的深度,导致浮游植物生长的减少和叶绿素a浓度的降低.由夏入秋时,入海径流量逐渐减少,导致由陆源输入的营养物质减少,致使秋季水体叶绿素a含量偏低.同时由于冬季表层海水温度降低,密度高,相比于秋季海水水体垂直运动较强,营养盐丰富的底层水很容易到达上层[25],且冬季季风强劲,稳定度小,在浅海地区涡动混合非常强烈,致使冬季叶绿素a浓度要高于秋季.

2.2 实测验证

由于缺乏原位的实测叶绿素a数据,为进一步评估降尺度结果的准确性,采用香港环境署公布站点数据(图1),对模型精度进行验证.考虑到实测数据的采样周期和Landsat数据的重访周期不一致问题,本文先验证Himawari-8数据的精度,再利用Himawari-8数据代替实测数据进行验证.本文共匹配2018年15组实测与Himawari-8数据点对,由图8(a)可以看出虽然Himawari-8原始叶绿素a浓度数据普遍比实测的站点数据要大,但总体呈线性相关,2达到0.82,说明了Himawari-8数据的可靠性,可利用Himawari-8的叶绿素a数据代替实测数据进行验证.利用降尺度模型得到的叶绿素a浓度数据能很好的拟合实际的Himawari-8叶绿素a浓度(图8(b)),这说明了模型的精度较好.通过实测验证表明,该方法可以用来提高叶绿素a的空间分辨率,以提供更多的空间细节信息,以用于复杂的近岸水体叶绿素a浓度监测.然而,该方法也有局限性,因为模型精度受到原始Himawari-8数据精度的限制,从图8(a)中可以看出Himawari-8数据与实测站点数据之间的平均绝对误差为0.341mg/m3,在利用Himawari-8数据作为特征值进行降尺度时,降尺度得到的叶绿素a数据与Himawari-8数据之间的平均绝对误差为0.157mg/m3(图8(b)),根据误差传播理论,降尺度后得到叶绿素a值与实测站点数据之间的误差约为±0.5mg/m3,并且实测数据的采样时间与卫星过境时间不是严格意义上的同步[26].本研究中的模型仅基于卫星数据建模,相比于传统叶绿素a反演得到高分辨率的叶绿素a数据,较少的依赖原位实测样本数据,更适合原位测量叶绿素a数据有限的地区.

2.3 敏感性分析

遥感数据的系统不确定性主要来自于传感器的影响、数据处理产生的误差、气候和云的影响.对于给定的数学模型,灵敏度分析(SA)能测量输入变量的不确定性和波动对系统输出性能的影响程度.一般来说,灵敏度分析可以通过局部灵敏度分析和全局灵敏度分析两种方式进行,前者探索给定一组因子值的重要模型因子,后者将输出中的不确定性分配给每个输入因子中的不确定性,以识别重要因子[27].进行灵敏度分析可以测试降尺度模型的稳定性.通过改变模型特征波段的反射率的值,来评估模型输出值的波动程度,以判断模型的稳定性.本文仅选取与Himawari-8叶绿素a浓度相关性较高的B3和B1波段的反射率进行敏感性分析,改变特征变量的反射率对模型预测结果的影响如表2所示.B3波段对叶绿素a集中度的影响相对强于B1波段.减少B3波段的反射率,模型的变化率最高达到了13.2%,远比增加其波段对模型的变化率8.4%要高.而B1波段恰恰相反.波段比例范围变化越大,对模型结果的影响越大.由此可以得出结论,叶绿素a浓度降尺度的精度很大程度上取决于地表反射率的精度,所以大气校正是降尺度过程中最关键的一步.虽然这一模型对表面反射率比较敏感,但模型的构建不依赖于原位实测数据的采集,可以为原位实测数据有限的区域提供一种新的获取高空间分辨率的叶绿素a浓度的思路和方法.

表2 B1和B3波段对模型的敏感性描述

3 结论

3.1 基于机器学习算法,利用Landsat8OLI反射率数据为新型地球静止气象卫星Himawari-8的叶绿素a产品数据开发了一种降尺度模型,将空间分辨率为5km的Himawari-8的叶绿素a浓度数据降尺度得到空间分辨率为30m的叶绿素a浓度数据,降尺度后叶绿素a浓度与葵花数据一致性高,2达到0.81.

3.2 从降尺度的结果来看,模型的精度比较好,能够有效的反映叶绿素a浓度的空间分布特征,实现对沿海空间复杂海域的叶绿素a浓度进行监测.

3.3 通过敏感性分析,大气校正在模型反演中具有重要作用,间接决定了模型精度,后续可以通过精细的大气校正,进一步提高降尺度结果的精度.降尺度结果能提供更详细的空间变化,再结合长时间序列的观测数据,有望开展近岸海域复杂水体的叶绿素a的时空变化.

[1] Bierman P, Lewis M, Ostendor B, et al. A review of methods for analysing spatial and temporal patterns in coastal water quality [J]. Ecological Indicators, 2011,11(1):103-114.

[2] Goetz S J, Gardiner N, Viers J H. Monitoring freshwater, estuarine and near-shore benthic ecosystems with multi-sensor remote sensing: An introduction to the special issue [J]. Remote Sensing of Environment, 2008,112(11):3993-3995.

[3] 于博文.基于深度学习的VIIRS卫星全球海洋叶绿素a浓度反演[D]. 北京:中国地质大学, 2019.

Yu B W. Global ocean chlorophyll-a concentration inversion based on deep learning viirs satellite [D]. Beijing: China University of Geosciences, 2019.

[4] Tang D L, Ni I H, Kester D R, et al. Remote sensing observations of winter phytoplankton blooms southwest of the Luzon Strait in the South China Sea [J]. Marine Ecology Progress, 1999,191:43-51.

[5] Kim H H, Ko B C, Nam J Y. Predicting chlorophyll-a using Landsat 8OLI sensor data and the non-linear RANSAC method–a case study of Nakdong River, South Korea [J]. International Journal of Remote Sensing, 2016,37(14):3255-3271.

[6] Frouin R J, Shenoi S C, Rao K H, et al. Ocean color estimation by Himawari-8/AHI [C]//Spie Asia-pacific Remote Sensing. Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, 2016:987810.

[7] Nazeer M, Nichol J E. Development and application of a remote sensing-based Chlorophyll-a concentration prediction model for complex coastal waters of Hong Kong [J]. Journal of Hydrology, 2016, 532:80-89.

[8] Atkinson, Peter M. Downscaling in remote sensing [J]. International Journal of Applied Earth Observation & Geoinformation, 2013,22 (Complete):106-114.

[9] Fu Y, Xu S, Zhang C, et al. Spatial downscaling of MODIS Chlorophyll-a using Landsat 8images for complex coastal water monitoring [J]. Estuarine Coastal & Shelf Science, 2018,209:149-159.

[10] Guo S, Sun B, Zhang H K, et al. MODIS ocean color product downscaling via spatio-temporal fusion and regression: The case of chlorophyll-a in coastal waters [J]. International journal of applied earth observation and geoinformation, 2018,73:340-361.

[11] Mohebzadeh H, Yeom J, Lee T. Spatial downscaling of MODIS Chlorophyll-a with Genetic Programming in South Korea [J]. Remote Sensing, 2020,12(9):1412.DOI:10.3390/rs12091412.

[12] 杨明悦,毛献忠.基于特征重要性评分-随机森林的溶解氧预测模型及其在深圳湾的应用[J]. 中国环境科学, 2022,42(8):3876-3881.

Yang M Y, Mao X Z. Dissolved oxygen prediction model based on characteristic importance score-random forest and its application in Shenzhen Bay [J]. China EnvironmentalScience, 2022,42(8):3876- 3881.

[13] Ghosh A, Joshi P K. Hyperspectral imagery for disaggregation of land surface temperature with selected regression algorithms over different land use land cover scenes [J]. ISPRS journal of photogrammetry and remote sensing, 2014, 96: 76-93.

[14] Hutengs C, Vohland M. Downscaling land surface temperatures at regional scales with random forest regression [J]. Remote Sensing of Environment, 2016,178:127-141.

[15] 徐轶肖,陶晓娉,刘成辉,等.广西北海半岛夏季营养盐及水质状况分析[J]. 海洋科学, 2021,45(6):107-117.

Xu Y X, Tao X L, Liu C H, et al. Analysis of summer nutrient salts and water quality in Guangxi Beihai Peninsula [J]. Marine Science, 2021, 45(6):107-117.

[16] 刘子琳,宁修仁,蔡昱明.北部湾浮游植物粒径分级叶绿素a和初级生产力的分布特征[J]. 海洋学报, 1998,20(1):50-57.

Liu Z L, Ning X R, Cai Y M. Distribution characteristics of phytoplankton grain size graded chlorophyll a and primary productivity in Beibu Gulf [J]. Acta Oceanic Sinica, 1998,20(1):50- 57.

[17] 刘大召,晁俏利.北部湾海域叶绿素a质量浓度时空分布研究[J]. 海洋学研究, 2019,37(2):95-102.

Liu D Z, Chao Q L. Spatial and temporal distribution of chlorophyll-a mass concentration in Beibu Gulf [J]. Ocean Research, 2019,37(2): 95-102.

[18] 杨 斌,钟秋平,张晨晓,等.钦州湾叶绿素a和初级生产力时空变化及其影响因素[J]. 环境科学学报, 2015,35(5):1333-1340.

Yang B, Zhong Q P, Zhang C X, et al. Temporal and spatial variation of chlorophyll a and primary productivity in Qinzhou Bay and its influencing factors [J]. Journal of Environmental Science, 2015,35(5): 1333-1340.

[19] HK EPD. Marine water quality in Hong Kong in 2012[Z]. 2013

[20] 游介文,邹 滨,赵秀阁,等.基于随机森林模型的中国近地面NO2浓度估算[J]. 中国环境科学, 2019,39(3):969-979.

You J W, Zou B, Zhao X G, et al.Estimation of near-surface NO2concentrations in China based on random forest model [J]. China Environmental Science, 2019,39(3):969-979.

[21] Belgiu, Dragut. Random forest in remote sensing: A review of applications and future directions [J]. Isprs. J. Photogramm, 2016,2016, 114(-):24-31.

[22] Hutengs C, Vohland M. Downscaling land surface temperatures at regional scales with random forest regression [J]. Remote Sensing of Environment, 2016,178:127-141.

[23] 李光一,李海萍,万华伟,等.随机森林算法在新疆物种丰富度影响因素研究中的应用[J]. 中国环境科学, 2021,41(2):941-950.

Li G Y, Li H P, Wan H W, et al. Application of Stochastic Forest Algorithm in The Study of Influencing Factors of Species Richness in Xinjiang [J]. China Environmental Science,2021, 41(2):941-950.

[24] Maung S H T Ohara S, Matsuoka K, et al. Seasonal dynamics influencing coastal primary production and phytoplankton communities along the southern Myanmar coast [J]. Journal of Oceanography, 2017,73:345–364.

[25] 潘 俊.春夏季南黄海水文环境季节变化及其生态效应[D]. 青岛：中国科学院大学(中国科学院海洋研究所), 2020.

Pan J. Seasonal changes and ecological effects of the South Yellow Sea in spring and summer [D]. Qingdao: University of Chinese Academy of Sciences (Institute of Oceanology, Chinese Academy of Sciences), 2020.

[26] 孙宏亮,何宏昌,付波霖,等.香港近海海域叶绿素a定量反演及时空变化分析[J]. 中国环境科学, 2020,40(5):2222-2229.

Sun H L, He H C, Fu B L, et al. Analysis of chlorophyll a quantitative inversion and space-to-space change in hong Kong coastal waters [J]. Chinese Journal of Environmental Science, 2020,40(5):2222-2229.

[27] Lee L, Srivastava P K, Petropoulos G P. Overview of sensitivity analysis methods in earth observation modeling – Science direct [J]. Sensitivity Analysis in Earth Observation Modelling, 2017:3-24.

致谢：感谢美国地质勘探局提供的Landsat数据,感谢日本航空航天局提供的Himawari数据,感谢香港环境保护署提供的站点数据.

Spatial downscaling of chlorophyll A in Himawari-8 based on Landsat 8 images.

XIONG Yuan-kang, FAN Dong-lin*, HE Hong-chang, SHI Jin-ke, ZHANG Jie, XIAO Bin, FU Bo-lin

(College of Surveying and Geo-Informatics, Guilin University of Technology, Guilin 541000, China)., 2022,42(11)：5341～5350

The chlorophyll-a products of the new geostationary meteorological satellite Himawari-8 are difficult to meet the requirements of water quality monitoring in near-shore waters with high spatial heterogeneity due to their low spatial resolution. To overcome this limitation, a non-linear random forest algorithm was used to improve the spatial resolution of the chlorophyll a data from Himawari-8 by constructing a downscaling model using the band reflectance data from Landsat 8and the chlorophyll-a products from Himawari-8. The results showed that the coefficients of determination (2) of the two autumn models and two winter models reached 0.6, 0.72, 0.71 and 0.85, respectively, and the root mean square errors (RMSE) were 1.47, 1.05, 1.89, 0.76mg/m3, respectively. The comparative analysis of the measured site data showed that the chlorophyll-a data generated by the downscaled model had a high consistency with the chlorophyll-a data of Himawari-8, and the2reached 0.81 The spatial variation of chlorophyll-a concentration in the near-shore sea area is well reflected by the spatial variation of chlorophyll a data.

downscale；chlorophyll-a；random forests；himawari-8；landsat 8

X171

A

1000-6923(2022)11-5341-10

熊远康(1998-),男,湖北仙桃,桂林理工大学硕士研究生,主要从事海洋叶绿素a数据重构方面的研究.

2022-04-08

广东省重点领域研发计划项目(2020B1111030001);广西高校中青年教师科研基础能力提升项目(2021KY0255);广西自然科学基金(2022GXNSFBA035637);广西八桂学者专项

* 责任作者, 讲师, bodhifan@163.com