基于生物光学空间细节信息的陆地-水色遥感影像融合研究

The huge spatial resolution and band setting differences between the water color and land satellite data made their water constituents estimation results have different errors and difficult to be compared with each other. Therefore, even more and more remote sensing data are available nowadays, proper data source for inland water remote sensing is still in lack. This project take Taihu Lake for example, generating the spatial detail information with clear physical meaning using bio-optical model. Then, based on the bio-optical spatial detail information, the image fusion algorithm that is suitable to large resolution difference multisource images is built using the inversion fusion scheme restrained by the point spread function and spectral response function. The algorithm fused land satellite data and water color satellite data. The research is expected to improve the estimation accuracy of the typical water color parameters, the utilization of multisource remote sensing datasets, provide more suitable data source to remotely monitoring inland complex water.

水色卫星和陆地卫星影像数据巨大的空间分辨率、光谱设置差异，导致通过两种数据得到的水色参数估算结果各有缺陷，难以对比，造成虽然遥感数据源不断增多，但适用于内陆水色遥感的数据较为缺乏的现状。本项目以典型内陆浑浊水体—太湖为例，尝试以水体生物光学模型为基础生成具有明确物理意义的空间细节信息；而后基于生物光学空间细节信息，利用反演融合思想，以点扩散函数和波段响应函数为约束，构建适用于大分辨率差异多源影像数据的生物光学融合算法，用以融合陆地卫星数据和水色卫星数据。项目的研究，有望提高典型水色要素的估算精度，加强多源遥感数据利用率，为内陆浑浊水体的遥感监测提供更加适宜的数据源。

内陆水环境遥感监测长久以来面临着适宜数据源缺乏的问题：陆地卫星（如Landsat系列等）空间分辨率足够，但光谱设置无法满足水色参数精确估算的要求；水色卫星（如MERIS等）的光谱设置对水色参数估算更加合理，但空间分辨率不够。又由于水体光学性质特殊，其空间细节信息具有复杂和渐变的特点，为此，开发适用于内陆光学复杂水的多源影像融合方法十分迫切。本研究基于水体生物光学模型和多光谱高空间分辨率影像数据生成具有明确物理意义的生物光学空间细节信息，进而利用空间信息叠加算法将其融入低空间分辨率高光谱影像中，完成融合算法的理论框架。基于两组模拟数据，经过定量指标对比发现，本研究提出的算法相较于传统Pan-sharpening算法精度有明显提升。敏感性分析表明，生物光学空间细节信息对固有光学参数变化不敏感，算法稳定性和普适性强。在实际应用中，本研究针对多源准同步影像数据开发了多角度协同大气校正算法克服了多源数据因大气校正方法不同造成的系统偏差，得到精准的水面遥感反射率数据，GOCI影像、Sentinel-2 MSI影像和Sentinel-3 OLCI影像全波段平均相对误差都在0.2以下；基于字典对学习建立了水体多光谱数据的高光谱重构算法，增强了水体光谱信息，使水色要素估算精度得到明显提升；进而，通过融合Sentinel-2 MSI影像和Sentinel-3 OLCI影像，得到既有高空间分辨率，又有高光谱分辨率的影像产品；通过与同步采样点的高光谱数据以及叶绿素a浓度数据的精度对比发现，融合产品相较于输入数据，有更高的水体叶绿素a浓度估算精度。相较于Sentinel-2 MSI和Sentinel-3 OLCI，融合结果的平均相对误差降低了1.14和0.18。本研究可以为内陆水色遥感提供更加适宜的数据源，同时为图像融合中空间细节信息的生成提供了新的思路方法和理论借鉴。