監測湖泊中的藻華和葉綠素a（Chl-a）濃度，對于富營養化治理、飲用水源保護及生態系統健康評估至關重要。藍藻大量繁殖時會產生有害毒素，進而對飲用水供應和水生生物構成威脅。因此，對作為藻類生物量替代指標的葉綠素a進行準確、空間連續的監測，是環境管理和水質建模的關鍵。傳統的現場采樣方法能提供精確的點測量數據，但空間覆蓋稀疏且耗費人力。相比之下，遙感技術可實現大范圍、可重復且可擴展的評估。在各類遙感技術中，高光譜成像能提供詳盡的光譜信息，即便在光學特性復雜的內陸水域，也能可靠區分藻類色素并估算葉綠素濃度。

高光譜成像（HSI）能夠對水質參數進行跨空間和時間的詳細光譜表征。

本文聚焦于地面高光譜成像系統，該系統可對湖泊和水庫進行高分辨率、靈活且經濟高效的監測。通過在近水面的固定或移動平臺（如碼頭、監測塔或船只）上運行，地面高光譜成像填補了原位測量與航空/衛星觀測之間的空白。

高光譜遙感原理

高光譜傳感器可獲取400–1000納米的可見光至近紅外波段范圍內、數百個連續的窄光譜波段（通常帶寬為2–10納米）的反射率數據。這種精細的光譜分辨率能夠精確識別與色素、懸浮物及溶解性有機物質相關的細微吸收和散射特征。

湖泊水體的上行離水反射光譜是***種復合信號，受多種因素影響，包括：

l 葉綠素 a 及輔助色素（如藻藍蛋白、類胡蘿卜素）的吸收作用

l 懸浮沉積物和浮游植物的后向散射作用

l 有色溶解性有機物質（CDOM）的吸收作用

l 葉綠素在 681 納米附近的熒光發射

地面系統能夠以極高的信噪比（SNR）解析這些精細尺度特征，使其成為校準與驗證研究的理想選擇。

地面高光譜成像的優勢

l 可控觀測幾何

地面系統（安裝在碼頭、船只或三腳架上）可對觀測角度和光照角度進行精確控制，*大限度減少鏡面反射和鄰域效應。

l 高時空分辨率

可捕捉厘米至米尺度的局部藻華斑塊或梯度變化。

重復采集（分鐘至小時***）能夠對藻華演變進行時間序列分析。

l 與原位測量直接對準

可輕松與水樣采集（葉綠素 a、藻藍蛋白、總懸浮固體（TSM）、有色溶解性有機物質（CDOM）結合。

有助于衛星或無人機應用的算法驗證。

l 成本效益與易獲取性

避免飛機成本、飛行后勤和空域許可問題。

適用于連續或半永jiu監測站。

l 光譜配置的靈活性

便攜式光譜儀或高光譜相機可根據目標色素調整至可見光或可見 - 近紅外（VNIR）波段范圍。

地面高光譜成像系統配置

典型組件

l 高光譜相機（推掃式）

l 穩定安裝平臺（三腳架、云臺或萬向節）

l 校準附件（Spectralon 板、用于輻射定標的參考燈）

l 帶 GPS / 時間標記的數據采集計算機

l 可選的下行輻照度輻射傳感器（用于計算反射率）

安裝選項

l 固定站點：安裝在碼頭、監測塔或橋梁上，用于重復測量

l 移動平臺：搭載在船只或浮筏上，對湖泊斷面進行掃描

l 掃描設置：水平掃描湖泊的部分區域，以生成高光譜鑲嵌圖

藻類和葉綠素檢測的關鍵光譜特征

高光譜成像在內陸水域的優勢

l 增強色素鑒別能力

高光譜數據可解析窄吸收特征（例如藻藍蛋白的 620 納米吸收峰），從而實現藍藻與綠藻的區分。

l 提升葉綠素定量精度

窄波段指數可捕捉細微的紅邊偏移，能夠在貧營養和富營養水體中均實現葉綠素估算。

l 算法設計靈活性

用戶可調整自定義波段組合，或應用半分析模型，不受限于固定的多光譜波段。

l 跨傳感器可遷移性與機器學習訓練

高光譜數據集支持機器學習模型（如隨機森林（RF）、極端梯度提升（XGB）、卷積神經網絡（CNN））的開發，這些模型可在不同湖泊和季節間泛化。

l 前瞻性

新的衛星任務（PRISMA、DESIS、EnMAP、CHIME）和航空傳感器確保了數據的連續性和quan球覆蓋。

現場實施示例

實際部署可包括以下環節：

l ***臺 ClydeHSI VNIR-S 相機（波段范圍 400–1000 納米，光譜分辨率 5 納米）安裝在俯瞰湖泊的碼頭

l 白天時段每 30 分鐘進行***次周期性成像

l 同步采集水樣，用于測定葉綠素 a（Chl-a）、藻藍蛋白（PC）和總懸浮固體（TSM）

l 使用反射率 99% 的 Spectralon 板進行校準

l 處理數據以繪制近岸區葉綠素 a 分布地圖，分辨率約為 10 厘米。

此類系統可探測藻華的早期發生、追蹤色素的日變化，并為衛星算法驗證提供真實的地面數據。

高光譜數據使用流程

l 數據采集

獲取高光譜影像（例如 PRISMA、DESIS、EnMAP 衛星或航空影像）

確保采集時間與用于校準的野外采樣時間同步

l 預處理

進行輻射定標和大氣校正，以推導離水反射率（ρw 或 Rrs）

執行耀光和鄰近效應校正（對小型湖泊至關重要）

l 光譜分析

使用感興趣區域（ROI）掩膜或 shapefile 提取水體像素的光譜

計算光譜指數（例如 NDCI、MCI、藻藍蛋白（PC）比值）

可選步驟：進行導數分析或連續統去除，以增強光譜特征

l 算法應用

應用基于本地野外數據訓練的優化經驗模型或機器學習回歸模型

生成葉綠素和 / 或藻藍蛋白濃度分布圖

l 驗證與校準

將衛星反演的濃度與原位葉綠素 a 數據進行對比

使用均方根誤差（RMSE）、偏差和決定系數（R2）評估精度

l 輸出

生成葉綠素 a 和藻藍蛋白（PC）濃度的地理參考地圖

識別藻華區域及其時間變化，為管理應對提供支持

示例：高光譜數據在湖泊葉綠素估算中的應用

1. 從湖泊區域的高光譜影像中提取反射光譜

2. 為每個像素計算歸***化葉綠素指數（NDCI）或三波段紅邊指數

3. 利用基于野外數據得出的回歸系數，將指數值轉換為葉綠素 a 濃度

4. 可視化空間分布，以識別藻華強度區域

這流程可實現對藻華動態的近實時監測，并有助于與水動力模型或水質模型進行整合。

可選：基于無人機的高光譜成像系統

若需要覆蓋更大的湖泊區域，無人機（UAV）高光譜系統可提供***種靈活的中間解決方案。搭載在無人機上的現代輕量化推掃式或快照式相機（例如 Headwall Nano-Hyperspec、

Cubert UHD）能夠：

l 獲取厘米***分辨率的光譜數據

l 在數分鐘內覆蓋整個湖泊表面

l 支持與地基系統相同的校準和處理流程

然而，無人機作業需要獲得空域許可、保證光照穩定，并進行精確的輻射定標，以確保結果的定量性。

地基高光譜成像為湖泊水質監測提供了***種強大、靈活且經濟高效的方法。高光譜成像為監測湖泊中的藻華和葉綠素動態提供了***種定量、光譜信息豐富且可擴展的解決方案。其窄波段數據能夠捕捉到多光譜系統所遺漏的關鍵色素吸收和散射特征，從而實現對藻類生物量和藍藻活動的精zhun檢測。

主要優勢包括：

l 高時間分辨率和局部區域的準確性

l 可直接驗證生物光學模型和機器學習模型

l 適用于長期部署或自動化部署

l 具有與無人機（UAV）和衛星系統整合的潛力

通過聚焦地基地基高光譜觀測，研究人員和管理人員能夠建立連續、定量的色素監測框架，為有害藻華預警系統提供支持，并為更廣泛的遙感網絡提供可靠的校準依據。

注：文章來源于網絡，如有侵權，請聯系刪除