Detection of Suspended-Matter Concentrations in the Shallow Subtropical Lake Taihu, China, Using the SVR Model Based on DSFs

De Yong Sun, Yun Mei Li, Qiao Wang, Heng Lv, Cheng Feng Le, Chang Chun Huang, and Shao Qi Gong

Abstract—Accurate detection of suspended-matter concentra- tions in water columns is an important task in remotely sensing water color. This letter aims to identify an optimal model for estimating suspended-matter concentration in the optically com- plex Lake Taihu of China. Remote sensing reflectance R_rs(lambda;), inherent optical properties, and constituent concentrations of the Lake water were synchronously measured in November of 2007. After the effects of water constituents on R_rs(lambda;) were analyzed, the definitive spectral factors were determined, which are indicative primarily of total suspended matter (TSM). Several methods were compared in modeling the relationship between R_rs(lambda;) and TSM. Results show that the support vector regression (SVR) model performs best with a root-mean-square error of

• 1. mg l^minus;1 (R² = 0.968). Its predictive errors in four seasons were also assessed with the mean absolute percentage errors varying in the range of 22.0%–60.0%. Thus, the SVR model can be used to reliably retrieve TSM concentrations in Lake Taihu. This finding offers new insights into the optical signals of in-water constituents in optically complex lakes.

·

Index Terms—Definitive spectral factors (DSFs), Lake Taihu, support vector regression (SVR), suspended matter.

• • 1. INTRODUCTION

I

N CASE I WATERS, suspended particulates occur mainly in the form of organic phytoplankton and corresponding detritus [1], and chlorophyll can be easily detected by optical remote sensing images [2]. Nevertheless, this does not always hold true for Case II waters, where terrestrial particulates and resuspended sediments coexist with phytoplankton and colored dissolved organic matter (CDOM) [3]. The suspended particles markedly attenuate light in the water column and interfere with remote chlorophyll estimation [4]. Thus, detection of suspended particulates is crucial to improving estimates of chlorophyll and understanding the variability of water ecolog-

Manuscript received February 1, 2010; revised March 22, 2010. Date of

publication May 27, 2010; date of current version October 13, 2010. This work was supported in part by the National Science and Technology Support Project (2008BAC34B05), by the National Natural Science Foundations (40971215), by the National Natural Science Foundations for Young Scholars (40701136, 40801145) of China, by the Foundation of Graduate Innovation Training plan of Jiangsu Province (CX08B_015Z), and by Nanjing Normal University (181200000220).

D. Y. Sun and S. Q. Gong are with the College of Remote Sensing, Nanjing University of Information Science and Technology, Nanjing 210044, China (e-mail: sundeyong1984@163.com; shaoqigong@163.com).

Y. M. Li, Q. Wang, H. Lv, C. F. Le, and C. C. Huang are with the Key Laboratory of Virtual Geographic Environment (Nanjing Normal Uni- versity), Ministry of Education, Nanjing 210046, China (e-mail: liyunmei@ njnu.edu.cn; wangqiao@sepa.gov.cn; Henglu@gmail.com; lcf322@126.com; huangchangchun_aaa@163.com).

Digital Object Identifier 10.1109/LGRS.2010.2048299

ical structure and water transparency. Meanwhile, suspended particulates also play an important role in water-quality man- agement since they are related to total primary production and fluxes of heavy metals and micropollutants [5].

Previous studies have made use of visible wavelength ratio algorithms to infer the distribution of suspended matters [6], [7]. These algorithms work well in coastal and estuarine waters whose optical properties are likely dominated by mineral sed- iments. However, these site-specific algorithms vary widely in their complexity. Their performance is also severely compro- mised in the presence of other optically active constituents. A novel reflectance ratio model developed by Doxaran et al. [8], which utilizes near-infrared and visible wavelengths, proved

successful for waters having an extremely high (e.g., up to 2000 mg l^minus;1) concentration of suspended particulates. At near-infrared wavelengths, the reflectance changes markedly,

·

which differs widely from that of inland productive turbid lakes, where pure water absorption and particulate scattering may exert a similar influence on near-infrared reflectance. A single- band visible reflectance (665 nm) model has been developed to estimate suspended-sediment concentrations in the moderately turbid waters of the Irish Sea [9]. The success of this model, however, is dependent on the absence of interference from phytoplankton absorption at 665 nm in light of relatively low phytoplankton pigment concentrations.

This letter explores the suitability of a new model based on definitive spectral factors (DSFs) in retrieving suspended- matter concentrations in turbid Lake Taihu waters. Meanwhile, the support vector regression (SVR) method is utilized to develop the inverse model, which is regarded as a promising alternative in Case II waters because of its many advantages, such as fewer parameters to be determined, a unique and global minimum solution, and high-generalization ability. This letter also pioneers the retrieval of suspended particulates in a highly turbid lake using the SVR method.

• • 1. MATERIALS AND METHODS

1. Water Sampling

Lake Taihu is one of the

剩余内容已隐藏，支付完成后下载完整资料

---

利用基于DSF的SVR模型检测太湖浅水亚热带湖泊悬浮物浓度

孙德勇，李云梅，王桥，吕恒，乐成峰，黄昌春，邵启功

摘要 - 精确检测水柱中的悬浮物浓度是遥感水色的一项重要任务。 这封信旨在确定一个估算中国太湖光合复合体中悬浮物浓度的最佳模型。 在2007年11月同步测量了遥感反射率R_RS（lambda;），固有光学性质和湖水组分浓度。在分析了水组分浓度对R_RS（lambda;）的影响后，确定了光谱确定了主要指示总悬浮物（TSM）的因素。 在建模R_RS（lambda;）和TSM之间的关系时比较了几种方法。 结果表明，支持向量回归（SVR）模型以root-meansquare的误差为最佳

• 1. mg^minus;1（R²= 0.968）。 其预测误差也在四个季节进行评估，平均绝对误差在22.0％-60.0％的范围内变化。 因此，SVR模型可以用来可靠地检索太湖的TSM浓度。 这一发现为光学复杂的湖泊中水中成分的光学信号提供了新的见解。

·

索引术语 - 明确的光谱因子（DSF），太湖，支持向量回归（SVR），悬浮物质。

• • 1. 介绍

悬浮颗粒物主要以有机浮游植物和相应的碎屑形式存在[1]，叶绿素可以通过光学遥感图像很容易地检测[2]。 然而，这种情况并不总是适用于案例II水域，其中陆地颗粒物和悬浮沉积物与浮游植物和有色溶解有机物质（CDOM）共存[3]。 悬浮颗粒明显减弱了水体中的光线，并干扰了遥远的叶绿素估计[4]。 因此，悬浮颗粒物的检测对于改进叶绿素的估算和了解水生态

结构和水透明度。 同时，悬浮颗粒物在水质管理中也起着重要作用，因为它们与总重金属和微量污染物的初级生产和通量有关[5]。

以前的研究已经利用可见波长比算法来推断悬浮物的分布[6]，[7]。 这些算法在沿海和河口水域中运行良好，其光学性质可能主要受矿物沉积物控制。 但是，这些特定于站点的算法的复杂性差别很大。 在其他光学活性成分存在下，其性能也受到严重影响。 Doxaran等人开发了一种新颖的反射比率模型。 [8]，它利用近红外和可见波长，证明

对于悬浮颗粒浓度极高（例如高达2000mg / l^minus;1）浓度的水域而言是成功的。 在近红外波长处，反射率显着变化，

·

这与内陆生产性浑浊湖的差异很大，其中纯水吸收和颗粒散射可能对近红外反射率产生类似的影响。 已经开发了单波段可见反射（665 nm）模型来估计爱尔兰海中度混浊水体中的悬浮沉积物浓度[9]。 然而，该模型的成功取决于在浮游植物色素浓度相对较低的情况下，665 nm处没有浮游植物吸收干扰。

这封信探讨了基于确定性光谱因子（DSFs）的新模型在浑浊太湖水域中取回悬浮物浓度时的适用性。 同时，利用支持向量回归（SVR）方法开发了反演模型，该模型由于具有待定参数较少，具有独特的全局最小解，和高泛化能力。 这封信还使用SVR方法开创了高浊度湖泊中悬浮颗粒物的获取。

• • 1. 材料和方法

1. 水采样

太湖是中国最大的内陆淡水湖之一。 它的面积为2338.1公里²，平均深度为1.9米[10]。 2007年11月8 - 21日采集了地表水样本，在整个湖区定期分布的74个台站使用Niskin瓶[3]。 它们立即在低温下保存（2◦C至4◦C）。 这些

水样在同一天内在实验室进行分析。 在采样时，还记录了气候条件（即风速，风向和水温）。

1. 所有参数的测量

用便携式ASD FieldSpec光谱辐射计测量水反射光谱，我们可以参考Sun等人。 [3]。 根据中国湖泊调查标准[11]测量悬浮颗粒物浓度，详细描述也可以在Sun等人的论文中看到。 [12]。 测量浮游植物色素吸收系数a_pH值（lambda;），非藻类吸收a_小憩（lambda;），

因为它比其他内核的数字难度更小[19]。 同时，v-SVR算法在ε-SVR方面的优势在于自动调整被逼近函数周围的ε-管的宽度，这是基于MATLAB软件实现的。

• • 1. 结果

A.悬浮颗粒浓度和光学参数的变化

悬浮颗粒物浓度和光学参数在太湖表现出很大的变化性。 总悬浮物

和CDOM吸收a

定量滤波技术[13]。 颗粒散射共同作用，

CDOM

（lambda;）进行了使用

（TSM）浓度范围从8.5到116.6 mg·l^minus;1

平均值为32.7 mg·l^minus;1，标准差为

有效的b_p用WETLabs AC-S [14]测量，并且

24.0mg·l^minus;1。 有机悬浮物（OSM）有一个意思

浓度8.8 mg·l^minus;1。 平均值为23.9 mg·l^minus;1

使用WETLabs ECO-BB9 [15]测量微粒后向散射系数b_BP。 这也被详细描述

孙等人。 [12]。

C.数据选择和数学方法

一些反射光谱是异常的。 有一些与植被非常相似，这是由藻华引起的结果。 其他异常光谱归因于在较浅部分的湖底处存在浸没植物。 这些异常光谱被丢弃，以确保数据集的最高质量，使47组数据有用。 这些样本被随机分成两部分：32个样本的训练数据集和15个样本的验证数据集。 计算平均绝对误差百分比（MAPE）和根方均误差（rmse），以指示检索模型的准确性。 这些准确度标准计算如下

用于无机悬浮物（ISM）浓度。 因此，整个太湖水域的ISM浓度高于OSM浓度。 此外，TSM浓度与ISM浓度密切相关，ISM = 0.9484 TSM 7.189（R²= 0.9881，p lt;0.001）。 相反，

TSM与OSM没有相关性，具有回归关系

minus;

的OSM = 0.0516TSM 7.189（R²= 0.1968，p lt;0.002）。

这表明ISM主宰悬浮颗粒

浓度变化。 如果成功检索TSM浓度，也可以估计ISM和OSM浓度。

Nonalgal颗粒的平均吸收系数为

minus;1（标准偏差，SD = 1.27米minus;1）在440纳米处是所有水组分中最大的。 该值远高于浮游植物色素和CDOM的平均值

0.92和0.47米minus;1。 颗粒后向散射

1 Sigma; 系数范围从0.09到0.25米minus;1，平均值

n

r

sbquo; .

.

.

minus;

MAPE =

.y_i-yi .

(1)

为0.21mu;mminus;1（SD =0.03mu;mminus;1）。 微粒散射

n i=1

n

, 1RME =

n

i=1

Y_i

义

.

- yr

i

Sigma;2 (2)

在4.8474.04米minus;1的平均值有很大的变化范围

25.75米minus;1。 最大颗粒散射系数

考虑到湖泊充满，预计高达74.04米minus;1

与悬浮颗粒。 然而，这个值低于

Doxaran等人报道的大约100mminus;1的b_p（555）值。

其中n是样本的数量，y_i是测量值，而

yij是估计值。

这里简单描述了神经网络（NN）和SVR方法。 NN方法最初是为了模拟人类大脑的功能而开发的。 理论上，已经证明，任何函数，无论多么复杂，都可以用NN来表示，这就是所谓的Kolmogorov表示定理[16]。 然而，神经网络模型可能会遇到一个重要问题，即神经网络模型基于经验风险最小化原则，这很容易导致训练数据集过拟合，从而导致泛化能力差。 支持向量机是Vapnik [17]提出的一种通用学习方法，已逐渐应用于遥感领域的水色[3]，[18]。 基本概念是通过非线性映射将通用输入模式x映射到高维特征空间，并解决该特征空间中的线性回归问题。 SVR功能是在具有相应参数的特定内核函数的基础上实现的。 径向基函数核是

[20]。 后向散射比（b_BP/ b_p）可以精确表示

颗粒组合的性质[21]，其范围从

0.003至0.026，平均值为0.012（SD = 0.006）。 该

R_RS（lambda;）谱由于高度可变而显示出大的变化性

水成分[3]。 这些光谱也非常相似

那些在其他浑浊水域发现的[22]。 反射率已经

在570,700和815nm附近有明显的峰。 那里

是由叶绿素a吸收引起的在675nm附近的反射槽。 这些光谱特征构成了取回水中成分的基础。

1. TSM检索的DSF

图1所示为纯水和非水物质对400-900nm总吸收的贡献。 虽然非水材料占据了短波长的总吸收量，但纯水占长波长带中总吸收量的大部分。 在680nm处，纯水的平均吸收贡献率近似于

图1.纯水和非水物质对400-900nm水体总吸收的吸收贡献率。 at代表总吸收系数; aw表示纯水吸收系数; 和_tw代表非水物质在水体中的吸收系数，包括CDOM，浮游植物和非藻颗粒。 _tw：a_t或_w：a_t组的中间贡献率曲线反映了采集样本的平均水平，中间两侧的曲线曲线分别代表平均值plusmn;SD的贡献率。

minus;

minus;

与非水材料相同，均为50％，标准偏差约为10％（图1）。 这个贡献率从680nm逐渐增加到更长的波长。 在720纳米处，平均贡献率达到约95％，标准偏差为2.6％。 超过750纳米时，非水物质的吸收通常被假定为零，因此，总吸收完全归因于纯水。 考虑到其非常弱的吸收贡献，非水物质对720nm后的吸水率的影响可忽略不计，因此，_ta_w。 为了确定反向散射，从收集的样品计算纯水对总后向散射的平均贡献率。 ECO-BB9的9个波长处的平均b_BW/ b_BT值在0.3％至2.2％的范围内。 这种相对性明确地表明，纯水对总后向散射的贡献是微不足道的，可以安全地忽略。

asymp;

基于前面的分析，Gordon等人提出的广泛使用的模型。 用于检索水中成分的[（3）]可以近似为（4）对于超过720nm的光谱波长

B_BT（lambda;）

图2 2007年太湖水域一些典型样品的平均IOPs和遥感反射率.IOP包括CDOM吸收系数（a_CDOM），浮游植物色素吸收系数（a_pH值），

有吸收系数（anap），纯水吸收系数（aw）和颗粒后向散射系数（b_BP）。 遥感反射

光谱包括三条光谱曲线，中间代表平均值，两侧分别代表平均值plusmn;SD。

R_RS（lambda;）光谱表现出750nm附近的反射率峰和815nm附近的反射峰，其中纯水具有相应的吸收峰和谷（图2）。 随着R_RS（lambda;）从815nm逐渐减小到更长波长，纯水的吸收系数呈现出相反的快速增长趋势。 R_RS（lambda;）中的这些光谱变化与纯水吸收密切相关，这表明纯水在近红外光谱带中主导R_RS（lambda;）的形状。 粒子后向散射的变化具有平滑的趋势，这在以前的

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[23721]，资料为PDF文档或Word文档，PDF文档可免费转换为Word