湖泊是人类赖以生存的主要淡水储存地，相对于海洋而言，湖泊面积小，但水体环境参数的空间变化大。受限于湖泊的空间尺度和需要的观测细节，常见的海洋水色传感器难以有效监测中小型湖泊。 

　　宽波段陆地卫星传感器具有较高的空间分辨率，是湖泊环境遥感的重要数据源之一，可有效弥补水色卫星的空间观测缺陷。作为典型的宽波段传感器，Landsat系列传感器（TM、ETM+和OLI）具有较高的空间分辨率和较长的观测时间两大优势，但仍存在信噪比低、带宽大、波段数量少，且缺少内陆水体叶绿素a的光学敏感波段等问题。因此，Landsat等宽波段卫星传感器估算湖泊叶绿素等参数的性能和算法开发需进一步探究。 

　　在国家自然科学基金重点、面上和青年项目的资助下，中国科学院南京地理与湖泊研究所马荣华研究员课题组曹志刚博士，近三年来针对宽波段传感器估算湖泊水体参数的机理和应用问题，联合加州大学圣芭芭拉分校、NASA戈达德太空飞行中心（GSFC）、塔尔图大学等机构的科研人员，开展系列研究并取得进展，相关成果发表在Remote Sensing of Environment、ISPRS Journal of Photogrammetry and Remote Sensing、International Journal of Applied Earth Observation and Geoinformation等遥感领域顶级期刊上。 

　　（1）研究评估了宽波段传感器辐射敏感性和带宽对遥感水体光学特性的影响，确定了宽波段传感器反演湖泊水色物质浓度的理论可行性。传感器带宽的增加会显著增加传感器的波段和中心波长遥感反射率之间的差异，在710 nm和665 nm处的差异较其他波长高。分析模型反演水体吸收系数的精度受带宽影响比波段匹配、深度神经网络算法更敏感。带宽的增加主要影响叶绿素a估算算法的精度，对悬浮物的算法影响较弱，表明悬浮物、透明度的反演相对可行，但是叶绿素a的反演难度较大。同时，研究也提出了内陆水体光学遥感观测时典型波段的带宽阈值。 

图1 不同算法反演水体吸收系数不确定性随带宽增加的变化

图2 OLCI和MSI传感器反演湖泊叶绿素a和悬浮物浓度的空间差异 

　　（2）研究分析了卫星时间分辨率变化对湖泊环境遥感时间序列“真实性”的影响。以江淮流域大型湖泊群2003-2017年悬浮物浓度时空分布为例，更长的时间分辨率会显著增加其SPM产品与日尺度SPM产品间的差异，这种差异存在时空变异性。卫星不理想观测环境（如云层覆盖）和水质快速变化（如湖泊边界季节性变化、藻华和水生植被分布）是主要原因。为确保卫星获取悬浮物等数据集时间序列不确定性小于10％，数据观测的时间分辨率的最小要求应在5 d之内，水质变化较大的湖泊的时间分辨率最低要求为3 d。该结果为卫星传感器的选择和湖泊野外实地调查采样频次提供理论支撑。 

图3 不同时间分辨率下悬浮物时间序列的不确定性空间分布 

　　（3）在空间格局观测上，以Landsat-8 OLI为例，开发了一种基于机器学习技术的湖泊叶绿素a估算算法，取得了比传统经验算法和随机森林更好的效果。研究获取了中国江淮流域600多个1 km²以上湖泊的叶绿素a时空格局，发现了小型湖泊的叶绿素a浓度较大型湖泊更高。在时间序列上，以太湖为例，评价了TM、ETM+和OLI辐射一致性，将Landsat-8 OLI的算法扩展到TM和ETM+上，得到了太湖1984-2019年非蓝藻水华覆盖水体的叶绿素a时空变化规律。虽然Landsat系列数据的时间分辨率有限，有效卫星观测影像偏少，该时间序列仍发现了1984-1992、1994-1997、1999-2009和2012-2019四个叶绿素a浓度增加的时间段，为扩展湖泊遥感参数的时间长度提供了实践的支持。 

图4 江淮流域湖泊群的平均叶绿素a的空间分布及随湖泊面积尺寸的变化 

图5 太湖1984-2019年每3年平均叶绿素a时空分布（不包含蓝藻水华覆盖的像元） 

　　相关论文链接如下： 

　　Cao, Z., Ma, R., Duan, H., & Xue, K. (2019). Effects of broad bandwidth on the remote sensing of inland waters: Implications for high spatial resolution satellite data applications. ISPRS Journal of Photogrammetry and Remote Sensing, 153, 110-122. https://doi.org/10.1016/j.isprsjprs.2019.05.001  

　　Cao, Z., Ma, R., Duan, H., Xue, K., & Shen, M. (2019). Effect of Satellite Temporal Resolution on Long-Term Suspended Particulate Matter in Inland Lakes. Remote Sensing, 11(23). https://doi.org/10.3390/rs11232785   

　　Cao, Z., Ma, R., Duan, T., Pahlevan, N., Melack, J., Shen, M., & Xue, K. (2020). A machine learning approach to estimate chlorophyll-a from Landsat-8 measurements in inland lakes. Remote Sensing of Environment, 248, 111974. https://doi.org/10.1016/j.rse.2020.111974

　　Cao, Z., Melack, J. M., Liu, M., Duan, H., & Ma, R. (2021). Spatial and seasonal variability of chlorophyll a in different-sized lakes across eastern China. Inland Waters, 1-10. https://doi.org/10.1080/20442041.2021.1970462 　　 

　　Cao, Z., Ma, R., Melack, J. M., Duan, H., Liu, M., Kutser, T., Xue, K., Shen, M., Qi, T., & Yuan, H. (2022). Landsat observations of chlorophyll-a variations in Lake Taihu from 1984 to 2019. International Journal of Applied Earth Observation and Geoinformation, 106. https://doi.org/10.1016/j.jag.2021.102642