基于遥感数据的湖泊富营养化反演方法

技术领域

本发明属于遥感技术领域，具体涉及基于遥感数据的湖泊富营养化反演方法。

背景技术

随着经济发展同全球气候变化的大背景下，内陆水体的富营养化已经成为一个严重的全球性问题(Wen et al.2019)。湖泊富营养化导致蓝藻水华爆发频繁，湖泊水质恶化及生态系统功能退化(Adrian et al.2009；Duan et al.2009；Huisman et al.2018)。国际湖泊环境委员会对全球湖泊状况的调查显示，有54％的亚洲湖泊、53％的欧洲湖泊、48％的北美湖泊、41％的南美湖泊和28％的非洲湖泊受到富营养化的影响(www.lescienze.it)。因此，湖泊富营养化监测已经成为目前内陆湖泊最迫切的现实需求(IOCCG 2018)。水体营养状态是描述水体生态特征和判断水质状况的重要指标(Adamovich et al.2016)，与全球水体碳循环紧密联系(Holgerson and Raymond 2016)，获取大尺度、长时序的湖泊营养状态评估结果，对于了解湖泊富营养化进程、支持社会经济及环境部门决策与治理都具有重要意义。

目前利用遥感手段评价湖泊的富营养化研究大部分集中于反演水色参数，间接计算营养状态指数。一方面，针对特定湖泊或特定区域建立经验性算法，在大尺度湖泊营养状态监测方面的适用性较低，或者仅计算采样当年的营养状态指数，缺少时间尺度上的数据扩展。另一方面，内陆水体光学遥感仍主要依赖于MODIS(250m和500m)，MERIS(300m)和Sentinel(300m)等中分辨率卫星传感器(Duan et al.2017；Li et al.2012；Pahlevan etal.2020)，不仅无法观测较为详细的空间细节，更难以实现对中小型湖泊(面积<100km

目前，已有许多研究结合不同卫星传感器的波段设置及各个湖泊水环境的差异，建立定量反演模型实现了对湖泊的富营养化遥感反演。评价方法主要分为三类：(1)通过遥感反演叶绿素(Thiemann and Kaufmann 2000；Wang et al.2008)，透明度(Le etal.2008)，悬浮物(Liu et al.2019)等水质参数进一步计算得到TSI；(2)通过直接建立特征波段或波段组合(Iwashita et al.2004)等与TSI之间的关系模型反演TSI；(3)利用水色Forel-Ule指数(Chen et al.2019；Wang et al.2018)、光学活性物质吸收系数(aOACs)(Shi et al.2019；Wen et al.2019；Zhang et al.2018)，机器学习(Watanabe etal.2020)等其他方法对TSI进行建模。然而，由于水体本身光学性质的复杂性，传感器接受的辐射信息易受外界因素的干扰，常规遥感器的分辨率比较低以及遥感数据处理技术不够成熟等原因，富营养化遥感监测方面尚存在一些不足：(1)相关水质参数的遥感反演精度有限，间接法可能比直接法产生更大的不确定性(Babin 2003；Odermatt et al.2012；Olmanson et al.2008；Sass et al.2007；Song et al.2012)；(2)由于内陆水域光学特性的高度复杂性，TSI相关参数的遥感反演算法大多基于经验方法；导致算法的适用性受到极大限制(Babin 2003；Shi et al.2013)；(3)基于水体表层的水质参数测量结果构建模型具有局限性，遥感所获取到的光学信息而是一定深度内水体信息的综合反映(Shang etal.2011；Shi et al.2014)，富营养化评价的指标选择需要进一步确定。

另一方面，随着对地观测技术的发展和卫星遥感影像分辨率的不断提高，对于大数据处理的复杂程度及工作量，基于目前常用的遥感分析工具无法在较快时间内完成，对于运行内存、硬件性能及存储空间都是极大的考验(Bian et al.2020)。2010年谷歌联合美国地质调查局开发的Google Earth Engine(GEE)，拥有超过40年的PB级遥感数据，如陆地卫星Landsat、MODIS、国家海洋和大气管理局高分辨率卫星NOAA AVHRR、哨兵卫星Sentinel1、2、3和5-P，以及陆地高级观测卫星ALOS数据(Gorelick et al.2017)，在大范围、长时间序列的遥感分析处理上具有无可比拟的优势(Chen et al.2017；Wang et al.2020)，到目前为止，GEE已广泛应用于土地利用/覆盖变化(Liu et al.2018)、水稻(Dong etal.2016)、湿地(Jennifer et al.2017；Tang et al.2016)、藻华(Hu et al.2010；Zhanget al.2015)以及开阔地表水体(Pekel et al.2016；Zou et al.2017；Zou et al.2018)的大规模应用，显示出水色遥感研究的巨大潜力，为Landsat-8湖泊富营养化遥感反演研究提供了契机。

参考文献：

Adamovich,B.V.,Zhukova,T.V.,Mikheeva,T.M.,Kovalevskaya,R.Z.,&Luk’yanova,E.V.(2016).Long-term variations of the trophic state index in theNarochanskie Lakes and its relation with the major hydroecologicalparameters.Water Resources,43,809-817

Adrian,R.,Reilly,C.M.O.,Zagarese,H.,Baines,S.B.,Hessen,D.O.,Keller,W.,Livingstone,D.M.,Sommaruga,R.,Straile,D.,&Van Donk,E.(2009).Lakes assentinels of climate change.Limnology and Oceanography,54,2283-2297

Babin,M.,Stramski,D.,Ferrari,G.M.,Claustre,H.,Bricaud,A.,Obolensky,G.,Hoepffner,N.

(2003).Variations in the light absorption coefficients ofphytoplankton,nonalgal particles,and dissolved organic matter in coastalwaters around Europe.Journal of Geophysical Research Oceans,108

Bian,J.,Li,A.,Lei,G.,Zhang,Z.,&Nan,X.(2020).Global high-resolutionmountain green cover index mapping based on Landsat images and Google EarthEngine.ISPRS Journal ofPhotogrammetry and Remote Sensing,162,63-76

Cao,Z.,Ma,R.,Duan,H.,Pahlevan,N.,Melack,J.,Shen,M.,&Xue,K.(2020).Amachine learning approach to estimate chlorophyll-a from Landsat-8measurements in inland lakes.Remote Sensing of Environment,248,111974

Chen,B.,Xiao,X.,Li,X.,Pan,L.,Doughty,R.,Ma,J.,Dong,J.,Qin,Y.,Zhao,B.,&Wu,Z.(2017).A mangrove forest map of China in 2015:Analysis of timeseries Landsat 7/8 and Sentinel-1Aimagery in Google Earth Engine cloudcomputing platform.ISPRS Journal of Photogrammetry and Remote Sensing,131,104-120

Chen,Q.,Huang,M.,&Tang,X.(2019).Eutrophication assessment of seasonalurban lakes in China Yangtze River Basin using Landsat 8-derived Forel-Uleindex:Asix-year(2013–2018)observation.Science of The Total Environment

Le,C.F.,Li,Y.M.,Zha,Y.,Sun,D.Y.,&Wang,L.Z.(2008).Euphotic depth:retrieval from in situ reflectance and application in assessingeutrophication.Acta Ecologica Sinica,28,2614-2621Dong,J.,Xiao,X.,Menarguez,M.A.,Zhang,G.,Qin,Y.,Thau,D.,Biradar,C.,&Moore,B.(2016).

Mapping paddy rice planting area in northeastern Asia with Landsat 8images,phenology-based algorithm and Google Earth Engine.Remote Sensing ofEnvironment,142-154

Downing,J.A.,Prairie,Y.T.,Cole,J.J.,Duarte,C.M.,Tranvik,L.J.,Striegl,R.G.,McDowell,W.H.,Kortelainen,P.,Caraco,N.F.,Melack,J.M.,&Middelburg,J.J.(2006).The global abundance and size distribution of lakes,ponds,andimpoundments.Limnology and Oceanography,51,2388-2397Duan,H.,Ma,R.,Xu,X.,Kong,F.,Zhang,S.,Kong,W.,Hao,J.,&Shang,L.(2009).Two-Decade Reconstruction of AlgalBlooms in China's Lake Taihu.Environmental Science&Technology,43,3522-3528

Duan,H.,Tao,M.,Loiselle,S.A.,Zhao,W.,Cao,Z.,Ma,R.,&Tang,X.(2017).MODIS observations of cyanobacterial risks in a eutrophic lake:Implicationsfor long-term safety evaluation in drinking-water source.Water Research,S0043135417304980

Gorelick,N.,Hancher,M.,Dixon,M.,Ilyushchenko,S.,&Moore,R.(2017).Google Earth Engine:Planetary-scale geospatial analysis for everyone.RemoteSensing of Environment,202

Holgerson,M.A.,&Raymond,P.A.(2016).Large contribution to inland waterCO2 and CH4emissions from very small ponds.Nature Geoscience,9,222-226

Hu,C.,Lee,Z.,Ma,R.,Yu,K.,Li,D.,&Shang,S.(2010).MODIS observations ofcyanobacteria blooms in Taihu Lake,China

Huisman,J.,Codd,G.A.,Paerl,H.W.,Ibelings,B.W.,Verspagen,J.M.H.,&Visser,P.M.(2018).Cyanobacterial blooms.Nature Reviews Microbiology,16,471-483

IOCCG(2018).Earth Observations in Support of Global Water QualityMonitoring.In S.Greb,A.Dekker,&C.Binding(Eds.),Reports of the InternationalOcean-Colour Coordinating Group.Dartmouth,Canada

Iwashita,K.,Kudoh,K.,Fujii,H.,&Nishikawa,H.(2004).Satellite analysisfor water flow of Lake Inbanuma.Advances in Space Research,33,284-289

Jennifer,H.,Evan,D.L.,Gregory,M.D.,&Jahan,K.(2017).Google EarthEngine,Open-Access Satellite Data,and Machine Learning in Support of Large-Area Probabilistic Wetland Mapping.Remote Sensing,9,1315-1315

Li,Y.,Wang,Q.,Wu,C.,Zhao,S.,&Huang,C.(2012).Estimation of Chlorophylla Concentration Using NIR/Red Bands of MERIS and Classification Procedure inInland Turbid Water.IEEE Transactions on Geoence&Remote Sensing,50,988-997

Liu,D.,Duan,H.,Yu,S.,Shen,M.,&Xue,K.(2019).Human-inducedeutrophication dominates the bio-optical compositions of suspended particlesin shallow lakes:Implications for remote sensing.Science of The TotalEnvironment,667,112-123

Liu,X.,Hu,G.,Chen,Y.,Li,X.,Xu,X.,Li,S.,Pei,F.,&Wang,S.(2018).High-resolution multi-temporal mapping of global urban land using Landsat imagesbased on the Google Earth Engine Platform.Remote Sensing of Environment,209,227-239

Ma,R.,Yang,G.,Duan,H.,Jiang,J.,Wang,S.,Feng,X.,Li,A.,Kong,F.,Xue,B.,Wu,J.,&Li,S.(2011).China’s lakes at present:Number,area and spatialdistribution.SCIENCE CHINA Earth Sciences,54,283-289

McClain,C.R.(2009).ADecade of Satellite Ocean ColorObservations.Annual Review of Marine Science,1,19-42

Mouw,C.B.,Greb,S.,Aurin,D.,DiGiacomo,P.M.,Lee,Z.,Twardowski,M.,Binding,C.,Hu,C.,Ma,R.,Moore,T.,Moses,W.,&Craig,S.E.(2015).Aquatic colorradiometry remote sensing of coastal and inland waters:Challenges andrecommendations for future satellite missions.Remote Sensing of Environment,160,15-30

Odermatt,D.,Gitelson,A.,Brando,V.E.,&Schaepman,M.(2012).Review ofconstituent retrieval in optically deep and complex waters from satelliteimagery.Remote Sensing of Environment,118,116-126

Olmanson,LG,Bauer,ME,Brezonik,&PL(2008).A20-year Landsat waterclarity census of Minnesota's 10,000 lakes.Remote Sensing of Environment,2008,112(11),4086-4097

Pahlevan,N.,Smith,B.,Schalles,J.,Binding,C.E.,&Stumpf,R.(2020).Seamless retrievals of chlorophyll-a from Sentinel-2(MSI)and Sentinel-3(OLCI)in inland and coastal waters:A machine-learning approach.Remote Sensingof Environment,240,111604

Pekel,J.-F.,Cottam,A.,Gorelick,N.,&Belward,A.S.(2016).High-resolutionmapping of global surface water and its long-term changes.Nature,540,418-422

Sass,G.Z.,Creed,I.F.,Bayley,S.E.,&Devito,K.J.(2007).Understandingvariation in trophic status of lakes on the Boreal Plain:A20 yearretrospective using Landsat TM imagery.Remote Sensing of Environment,109,127-141

Shang,S.,Lee,Z.,&Wei,G.(2011).Characterization of MODIS-derivedeuphotic zone depth:Results for the China Sea.Remote Sensing of Environment,115,180-186

Shi,K.,Li,Y.,Li,L.,&Lu,H.(2013).Absorption characteristics ofoptically complex inland waters:Implications for water opticalclassification.Journal of Geophysical Research Biogeoences,118,860–874

Shi,K.,Zhang,Y.,Liu,X.,Wang,M.,&Qin,B.(2014).Remote sensing ofdiffuse attenuation coefficient of photosynthetically active radiation inLake Taihu using MERIS data

Shi,K.,Zhang,Y.,Song,K.,Liu,M.,Zhou,Y.,Zhang,Y.,Li,Y.,Zhu,G.,&Qin,B.(2019).A semi-analytical approach for remote sensing of trophic state ininland waters:Bio-optical mechanism and application.Remote Sensing ofEnvironment,232,111349

Song,K.,Li,L.,Li,S.,Tedesco,L.,Hall,B.,&Li,L.(2012).HyperspectralRemote Sensing of Total Phosphorus(TP)in Three Central Indiana Water SupplyReservoirs.Water,Air,&Soil Pollution,223,1481-1502

Tang,Z.,Li,Y.,Gu,Y.,Jiang,W.,Xue,Y.,Hu,Q.,LaGrange,T.,Bishop,A.,Drahota,J.,&Li,R.(2016).Assessing Nebraska playa wetland inundation statusduring 1985–2015 using Landsat data and Google Earth Engine.EnvironmentalMonitoring and Assessment,188,654

Thiemann,S.,&Kaufmann,H.(2000).Determination of Chlorophyll Contentand Trophic State of Lakes Using Field Spectrometer and IRS-1C Satellite Datain the Mecklenburg Lake District,Germany.Remote Sensing of Environment,73,227-235

Wang,S.,Li,J.,Bing,Z.,Evangelos,S.,Tyler,A.N.,Qian,S.,Zhang,F.,Tiit,K.,Lehmann,M.K.,&Wu,Y.(2018).Trophic state assessment of global inland watersusing a MODIS-derived Forel-Ule index.Remote Sensing of Environment,217,444-460

Wang,X.,Xiao,X.,Zou,Z.,Hou,L.,Qin,Y.,Dong,J.,Doughty,R.B.,Chen,B.,Zhang,X.,Chen,Y.,Ma,J.,Zhao,B.,&Li,B.(2020).Mapping coastal wetlands of Chinausing time series Landsat images in 2018 and Google Earth Engine.ISPRSJournal of Photogrammetry and Remote Sensing,163,312-326

Watanabe,F.S.Y.,Miyoshi,G.T.,Rodrigues,T.W.P.,Bernardo,N.M.R.,Rotta,L.H.S.,

Wen,Z.,Song,K.,Liu,G.,Shang,Y.,Fang,C.,Du,J.,&Lyu,L.(2019).Quantifying the trophic status of lakes using total light absorption ofoptically active components.Environmental Pollution,245,684-693

Zhang,Y.,Ma,R.,Zhang,M.,Duan,H.,Loiselle,S.,&Xu,J.(2015).Fourteen-Year Record (2000–2013)of the Spatial and Temporal Dynamics of Floating AlgaeBlooms in Lake Chaohu,Observed from Time Series of MODIS Images.RemoteSensing,7,10523-10542

Zhang,Y.,Zhou,Y.,Shi,K.,Qin,B.,Yao,X.,&Zhang,Y.(2018).Opticalproperties and composition changes in chromophoric dissolved organic matteralong trophic gradients:

Implications for monitoring and assessing lake eutrophication.WaterResearch,131,255-263Wang,Z.J.,Hong,J.M.,&Du,G.S.(2008).Use of satelliteimagery to assess the trophic state of Miyun Reservoir,Beijing,China.Environmental Pollution,155,13-19

Zou,Z.,Dong,J.,Menarguez,M.A.,Xiao,X.,Qin,Y.,Doughty,R.B.,Hooker,K.V.,&Hambright,K.D.(2017).Continued decrease of open surface water body areain Oklahoma during 1984–2015.ence of The Total Environment,595,451-460

Zou,Z.,Xiao,X.,Dong,J.,Qin,Y.,&Wang,J.(2018).Divergent trends ofopen-surface water body area in the contiguous United States from 1984to2016.Proceedings of the National Academy of ences,115

发明内容

本发明的目的在于开发一种适用于Landsat-8产品数据的湖泊富营养化遥感评估方法。结合星地同步野外实验获取实测遥感反射比R

为达成上述目的，本发明所采用的技术方案如下：

基于遥感数据的湖泊富营养化反演方法，包括：

(1)获取湖泊红光波段与短波红外波段遥感反射率数据，建立其差值与对应像元数目的直方图，取统计参数计算阈值，将湖泊划分为两类水体；

(2)利用湖泊蓝光、绿光及红光波段遥感反射率数据构建基线1如下：

利用蓝光、绿光和近红外波段遥感反射率数据构建基线2如下：

式中，λ为各波段的波长；SR

将基线2减去基线1的差值作为蓝藻生物量指数CBI；

(3)针对不同类型湖泊水体分别建立蓝藻生物量指数CBI和同步的湖泊实测TSI值间的拟合模型，即湖泊富营养化反演模型。

作为本发明的进一步改进，采用Landsat-8OLI传感器的Surface Reflectance产品数据作为数据源。

作为本发明的进一步改进，利用红光655nm、红外1609nm波段将湖泊划分为两类水体。

进一步的，所述分类方法为：取各个季节的遥感无云影像，绘制感兴趣区，提取该区域内各个像元的红光波段地表反射率与短波红外波段地表反射率；基于其差值与对应的像元数量绘制直方图，利用均值减去两倍标准差获得分类阈值，将水体分为两类水体。

作为本发明的进一步改进，利用蓝光482nm、绿光561nm及红光655nm波段构建基线1；利用蓝光482nm、绿光561nm和近红外波段865nm构建基线2。

作为本发明的进一步改进，所述TSI值基于采样点位的实测叶绿素a值计算。

作为本发明的进一步改进，还包括产品数据大气校正评价，将OLI SurfaceReflectance产品数据除以π转换为R

作为本发明的进一步改进，还包括结合Landsat-8光谱响应函数，基于实测遥感反射比R

作为本发明的进一步改进，所述方法中，利用改进的归一化水体指数MNDWI从遥感影像中提取水体覆盖区域。

作为本发明的进一步改进，所述方法还包括，对用于建立拟合模型的数据集进行筛选，包括：

①结合采样点定位数据和卫星影像去除云、太阳耀斑覆盖的样点；

②结合采样时间和卫星过境时间数据，使用±6h的时间窗口匹配数据集。

作为本发明的进一步改进，湖泊富营养化模型结构参数的确定方式为：基于CBI与TSI的相关关系构建线性拟合、指数拟合及多项式模型；在保证预测精度的前提下，以模型最简、项数最少为原则调整参数，获取最优的模型结构参数。

作为本发明的进一步改进，还包括，对建立的拟合模型采用3层刀切法进行交叉验证，通过3组随机选择的训练集和验证集，基于RMSE和MRE对模型性能进行评价，选择精度效果最好的模型作为最终的反演模型。

作为本发明的进一步改进，还包括，将构建的湖泊富营养化反演模型应用至湖泊遥感数据，基于GEE平台进行遥感数据处理与计算，获取湖泊TSI空间分布与时序变化。

本发明利用波段基线法开发了适合Landsat-8传感器的湖泊富营养化评估模型，算法性能通过实测数据充分评估后，获取了2013-2018年中国东部平原的146个10km

本发明的针对Landsat-8 OLI传感器提出的在内陆浑浊湖泊水体中TSI的估算方法。该方法基于研究区域的19个湖泊实测叶绿素a数据和同步的Landsat-8 OLI地表反射率产品数据为基础，使用可见光波段及近红外波段构建蓝藻生物量指数CBI，利用CBI与TSI的拟合关系构建CBI-TSI算法，将CBI-TSI算法应用于Landsat-8的内陆湖泊叶绿素a浓度估算。最后，将该算法应用到了中国东部平原长江中下游流域和淮河流域的146个10km

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制，在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示，为了清晰起见，在每个图中，并非每个组成部分均被标记，其中：

图1是星地同步采样研究区。

图2是OLI产品数据与实测遥感反射比的精度对比。

图3是基于Landsat-8产品数据的CBI-TSI反演算法的流程图。

图4是洪泽湖Landsat-8红光波段和短波红外波段OLI影像。

图5是水体分类阈值计算方法。

图6是CBI-TSI算法在训练集(a)和验证集(b)的表现。

图7是2017年5月27日太湖野外试验遥感卫星影像RGB合成图(a)、实测TSI空间插值结果(b)及基于Landsat-8 OLI产品数据SR的CBI-TSI反演结果(c)。

图8是2018年长江中下游和淮河流域146个湖泊的营养状态指数TSI平均值空间分布。

图9是某一段时期的(2013-2019年)长江中下游和淮河流域146个湖泊的TSI变化率，上方的柱状图与左侧的条形图分别是湖泊TSI变化率按湖泊几何中心所在经度与纬度排序的统计结果。

前述图示1-9中，作为英文形式表达的各坐标、标识或其他表示，均为本领域所公知的，并不在本例中再做赘述。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是应为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

实施例1

本实施例以长江中下游和淮河流域146个湖泊为例，对本发明的技术方案作进一步描述。

本发明的方法以研究区域实测叶绿素a数据和同步的Landsat-8OLI的SR数据为基础，利用叶绿素a数据计算不同测样点处的TSI，使用可见光波段和近红外波段构建CBI指数，进而构建基于CBI的TSI富营养化反演模型(CBI-TSI)；之后，将算法应用到一些湖泊案例中评估其性能；最后，将该算法应用到了中国东部平原长江中下游流域和淮河流域的146个10km

作为示例性的描述，下面结合附图所示，对前述方法的实施进行具体说明。

步骤1、基于Landsat-8遥感产品数据，获取7个波段的湖泊水体表面反射率SR数据集；并采集Landsat-8同步过境采集的湖泊实测遥感反射比R

如图1所示，采样点位于江淮流域湖泊群，主要位于长江及淮河中下游湖泊；遥感反射比R

其中，TSI值在0-30表明贫营养化，30-50表明中营养化，50-70表明轻度富营养化，70-80表明中度富营养化，80-100表明重度富营养化。

采用Landsat-8OLI传感器的Surface Reflectance遥感产品作为数据源，该产品数据使用Landsat Surface Reflectance Code(LaSRC)进行了气溶胶校正、瑞利散射校正和卷云校正。

将OLI Surface Reflectance产品数据除以π转换为R

结合Landsat-8光谱响应函数，将实测遥感反射比R

使用改进的归一化水体指数MNDWI，利用MNDWI>0.6的阈值去除云和陆地覆盖的区域，得到仅有水体覆盖的区域的结果。MNDWI计算公式如下：

式中Green为Landsat-8OLI绿光波段，MIR为中红外波段。

步骤2、CBI-TSI算法开发使用的数据和算法结构；

基于已有的湖泊采样数据(图1)，采用以下几个标准筛选数据：

(1)比较记录的采样时间和当天卫星过境时间，保留±6h内的采样点；(2)将采样点的经纬度定位到当日的卫星影像上，若目视发现有云覆盖或者太阳耀斑，则该采样点作废。按照上述标准，共得到数据469个。随机将星地同步数据分为两类，366个用来建模，103个用来验证。

CBI-TSI方法流程如图3所示，首先，基于遥感数据进行水体分类。以洪泽湖为例，选取各个季节的Landsat 8OLI无云影像，绘制感兴趣区(ROI，图4)提取该区域内各个像元的红光波段地表反射率SR(655)与短波红外波段地表反射率SR(1609)，进一步地，计算各个像元处SR(655)减去SR(1609)的差值，基于像元值与像元数量绘制直方图，利用均值减去两倍标准差获得水体分类阈值0.08(图5)，将水体分为藻类主导水体和非藻类主导水体，分别记为Type I与Type II；

接着，利用蓝光482nm、绿光561nm及红光655nm波段构建基线1：

利用蓝光、绿光和近红外波段865nm构建基线2：

将基线2减去基线1得到蓝藻生物量指数CBI：

然后，将CBI作为输入，对应点位的TSI测量值作为输出，基于两种水体光谱类型分别建立回归模型。

回归模型的构建类型分为：线性模型、指数模型、幂函数模型及多项式模型。通过比较四种模型拟合精度，在保持模型取得较高预测精度的前提下，选择模型结构简单、计算效率高的模型。同时，为了保证模型的稳定性和对训练集的不依赖性，3层刀切法方法被用于交叉验证。通过3组随机选择的训练集和验证集对模型性能进行评价(平均的RMSE和MRE)，选择精度效果最好的模型作为最终的模型。

CBI-TSI算法在训练和验证的数据集上都体现了较高的精度(图6)，大部分的数据点都均匀分布在1:1线附近，验证集精度略低于训练集。统计结果显示，交叉验证中训练集的平均RMSE＝4.65,MRE为7.54％(N＝366)；在验证集上也体现了较高的精度，平均RMSE＝4.81,MRE为6.85％(N＝103)。表明了模型对于训练集依赖性弱，具备较好的抗干扰性能，说明了模型具备较好的泛化能力，该算法能够获得较好地适用于这些湖泊的TSI反演及水体营养状态评估。

步骤3、结合星地同步试验，对采样湖泊的实测TSI进行空间插值，使用反距离法插值得到全湖TSI空间分布，对比结合星地同步卫星数据计算获得的该湖泊遥感CBI-TSI空间分布结果。

图7展示了2017年5月27日太湖野外试验遥感卫星影像RGB合成图(a)、实测TSI空间插值结果(b)及基于Landsat-8OLI产品数据SR的CBI-TSI反演结果(c)。CBI-TSI算法获取的湖泊营养状态空间分布于RGB影像图空间分布一致，在绿色的藻类覆盖较高的区域，水体富营养化水平高，在清澈水体富营养化水平较低，而且湖泊外围水体高于中心水体，这与我们期待的结果一致。

步骤4、将TSI反演算法应用至湖泊遥感数据，获取湖泊2018年平均TSI空间分布结果；

图8展示了研究区域内湖泊面积大于10km

本实施例将CBI-TSI算法应用到了2013-2019年共964景的Landsat-8的产品数据，146个10km

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。