海洋微生物中光谱检测方案(光纤光谱仪)

智能文字提取功能测试中

上海昊量光电设备有限公司地址：上海市徐汇区漕宝路86号光大会展中心F座03楼电话：021-51083793 传真：021-34241962-8009网址： www. auniontech.com邮箱： info@auniontech 高光谱海洋学数据的导数分析 Elena Torrecilla和 Jaume Piera西班牙国家研究委员会(UTM-CSIC)海洋技术小组 Meritxell Vilaseca 西班牙加泰罗尼亚大学(CD6-UPC)传感器、仪器和系统开发技术中心 1.介绍 人们早就认识到，在海水中传播光对海洋的生产力是必不可少的。它为洋流提供了必要的能量里，大多数海洋生物都是由靠近海洋表面的薄暖水层支撑的。光在海洋叶绿素的海洋植物的生物量的初步形成过程中起着决定性的作用，通过光合作用的过程，这是整个海洋食物链的基础。因此，光的传播是上海洋生态和生物地球化学循环的一个关键因素，因为它对化合物的动力学有很强的影响。此外，海洋中的光的变异性受到水柱中各成分分布的强烈影响，水柱在水平和垂直空间和时间尺度上都是不同的。 海洋光学的子学科，涉及光通过海洋水柱和表面传播的评估，已经成为理解水动力学和组成的基础。在过去的几十年里，沿海和开放海洋研究在实地和遥感光学测量方面的数量显著增加。近年来在监测表面和水下光学性能方面的进展，特别是与从多光谱到高光谱分辨率(高光谱)采集系统的逐步转变有关。高光谱技术为光学海洋学家更精确地描述复杂海洋环境提供了可能(Chang et al.， 2004)。最近，针对不同的监测应用开发了一种范围广泛的高光谱传感器，其覆盖范围从数百个到数千个连续光谱带。利用高采样率高光谱系统可能提供绘制浮游植物功能类型的类力，包括检测有害藻华(Nair et al.， 2008)；克雷格et al .，2006)。 较高的光谱分辨率提供了更好地进行海洋光学测量的光谱形状分析的机会。导数光谱学(导数光谱学)等技术，可以增强光谱中的细微特征，已被广泛用于评估光学上重要的水成分的信息。高光谱数据的导数比传统的基于离散谱带比值的分析(多光谱法)能产生更多的信息。但是，在进行高光谱测量时，必须考虑测量系统的不确定性。必须遵循适当的校准策略，因为测量* 依赖干测量系统的相关7 童系统 谱车 包括一个测量精度依赖于测量系统的相关不确定性。一个精确校准的光谱辐射计包括一个表征过程，用光谱灵敏度、信噪比、暗电流、波长标定、非线性、测量的温度依赖性和光谱散射，或所谓的光谱散射光来描述仪器的行为(Brown etal.， 2006)。光谱辐射计的散射光被描述为不需要的背景辐射，由于分散装置和其他内部光学元件的缺陷而散射。 在海洋光学应用中，必须特别注意对高光谱传感器(如噪声、光谱散射光)的固有畸变的校正，因为测量的辐射分布中的误差可能是显著的，并可能导致对水性质的不准确恢复。当通常的导数光谱学被用于探索高光谱数据的细微特征时，这个问题变得更加重要(Torrecilla etal.， 2008a)。导数分析对噪声是出了名的敏感，为了解决这个问题，必须采用平滑技术。因此，为了使导数分析得到最优的应用，值得注意的是，必须根据每种高光谱数据的分辨率对平滑和导数参数(滤波器大小和频带分离)进行适当的选择(Torrecilla et al.，2007)。必须努力确定去噪和解决感兴趣的光谱特征之间的最佳权衡。 本章有两个主要目标。第-一个是对利用海洋学的高光谱技术所取得的相关进展进行简要的回顾，以及描述在将导数光谱学应用于高光谱传感器获取的数据时必须考虑的-一些重要问题。第二个目标是提供一些结果来证明将导数光谱学应用于海洋环境中遥感反射率的高光谱测量的可行性，特别是识别浮游植物色素组合。在此部分，提出了一种基于仿真的框架来解决这一问题，并在对高光谱数据进行导数分析时，特别注意了相关参数的作用。例如，还讨论了各高光谱分辨率仪器的光谱灵敏度对基于导数的方法的结果的影响。 2.海洋光学：概术 为了理解光在海洋中的传播，这是一个光学复杂的环境，将辐射转移理论定义为理论框架(Kirk， 1994； Mobley， 1994)。海水的光学性质分为固有性质和表观性质。 光学性质(IOPs， AOPs)与辐射传递方程(RTE)有关。图1中显示了大多数数量，并且与波长有关。 图1所示：根据Mobley1994年图3.27说明海洋光学量之间的关系的原理图。 光谱吸收和散射系数是固有的光学性质(IOPs)，即它们只受水中介质成分的影响，不受环境光照条件的影响。IOPs是一种添加剂，它们的变化通常归因于天然海洋水域中四种水生介质的变化：纯水、浮游植物、碎屑、胶质细胞或有色溶解有机质(CDOM)。相比之下，表观光学性质(AOPs)， 如光谱辐照度和辐照度，并不是附加的，并且依赖于介质和环境光场的方向结构。一些类型的模型已经被报道来预测AOPs的现场测量和环境条件(“直接模型")或者估计IOPs的实验测量(“逆向模型")(IOCCG， 2000)。 IOPs和AOPs的原位和遥感光学观测是两个互补的海洋学应用，提供了海洋中重要的生物和生物地球化学变量的直接代理的潜力(Chang et al.， 2006)。遥感提供了全球尺度的光学数据，而原位测量则有助于校准遥感测量和获取更高的时间分辨率数据。这两种海洋观测对于提供有关在水柱中具有光学重要成分的相对浓度的相关信息都很重要。一些研究传统上侧重于发展生物光学算法，将可测量的光学性质与浮游植物的主要色素叶绿素a联系在一起，叶绿素a是浮游植物生物量的代理(Bricaud et al.， 1998；雷诺兹et al .，2001；O'Reilly et al.， 2000)，以及对海洋有害藻华(HABs)等现象的检测(Cullen et al.， 1997)。然而，最近出现了其他方法。 应用于估计的表面浓度颗粒有机碳(POC)光学测量(Stramski et al .，2008)，推导出浮游植物群落的垂直分布在公海基于近地表并且内容(Uitz et al.，2006)，和浮游植物功能映射类型(击球)从海洋颜色数据(Nair et al .，2008)，它作为贡献的映射生物多样性在全球范围内海洋浮游植物。 3.海洋学中的高光谱数据采集系统 在过去的几十年里，仪器技术的进步和创新使光学传感器广泛应用于海洋中不同的监测应用，包括主动和被动系统。无源辐射测量系统已被广泛应用于测量辐射、辐照度分布和太阳诱导的荧光等性质。它们只能在阳光下工作，而且只能在透光深度(即光强度下降到地表的1%的深度)内进行测量。另一方面，有源辐射测量系统利用内部光源来测量其他光学特性，如吸收、散射和荧光。这些系统能够在更深的深度和波长上提供光学测量，而这些波长降低了海洋的穿透能力(例如，电磁光谱中的紫外线部分)。然而，它们的使用需要更高的功耗。 光学仪器的迅速成熟导致了最近最重要的进展，那就是高光谱传感器的发展。在数百个窄而密的波长范围内测量水面和水下光场的能力，其分辨率超过10纳米，已经成为海洋光学领域中最强大和发展最快的技术之一。相对于多光谱测量，高光谱传感器有可能使提取更详细的光谱信息，而不是在任何其他类型的原位和遥感光学数据中。图2显示了由多光谱和高光谱系统收集的浮游植物吸收(IOP)和遥感反射光谱(AOP)的例子。不同波长的吸收或反射的高光谱模式提供了更多关于光谱奇异性的信息。 高光谱比多光谱反演浮游植物物种识别的优势在于，更准确的光谱信息，如与浮游植物色素吸收峰有关的光谱特征，得到了解决。过去，利用离散多谱带中获得的单波段比值分析来解决各种水柱性质(如叶绿素a浓度(O "Reillyet al.. 2000)、特定物种的存在和其他水成分(Sathyendranath et al.，2004)等)。然而，高光谱传感器的出现提供了丰富的光谱信息，并促进了水柱成分的识别，如光谱上独一无二的浮游植物种类。例如Craig et al.(2006)评估了对有毒鞭毛虫Karenia brevis进行远程检测和监测的可行性，将两种数值方法应用于遥感反射率的原位高光谱测量。Bracher et al.(2008)最近采用了差分光吸收光谱(DOAS)技术，从高光谱分辨率提取了蓝藻和硅藻两种主要浮游植物群的吸收和牛物量， 卫星传感器SCIAMACHY(用于大气制图的扫描成像吸收光谱仪)的数据。Lohrenz等人(2008)直接探索了遥感反射率的高光谱模式，以更好地表征沿海地区的水团性质， Gagnon等人(2008)在光学复杂的浅水区进行了底栖生物组合的海床测绘。 图2所示。(左)高光谱(固体连续线，1 nm分辨率)和多光谱(闭合圆)浮游植物吸收光谱。(右)高光谱(实线，1nm分辨率)和多光谱(闭合圆)遥感反射光谱。 (Dariusz Stramski和斯克里普斯海洋学研究所(Scripps Institution of Oceanography)的Dariusz Stramski和Rick Reynolds提供了吸收和多光谱遥感反射率数据，这些数据来自2005年在东大西洋上进行的ANT-XXIII/1远征中进行的实地测量(Stramski et al.， 2008)。 3.1 高光谱传感器 高光谱传感器通常使用衍射光栅或线性可变光滤波器作为色散元件，将光分离成以期望波长为中心的特定波段，并使用不同的扫描机制生成一或二维高分辨率光谱或图像。机械扫描分光计传统上是通过使用单光检测器来获取光谱，并在通过样品后将色散元件旋转到特定的光谱区域。然而，最近的光谱仪使用一个固定的光栅和多元素阵列探测器，允许在有限的光谱区域同时获得整个光谱。 阵列光谱仪被广泛地用作海洋应用中光谱分布的快速测量工具(图3)，其中采集速度是一个重要的问题。光谱可以用三种类型的阵列来测量：电荷耦合器件(CCD)、光电二极管或互补金属氧化物半导体(CMOS)。当今的所有技术都有高性能，只要设计得当，并且每种技术都有各自的优缺点。例如， CCD阵列显示的动态范围(灵敏度)略高，系统噪声比CMOS低，而CMOS阵列则提供了更多的集成，更小的系统尺寸和更高的速度。阵列类型的正确选择取决于许多参数(如像素尺寸、灵敏度、光谱范围覆盖范围、动态范围、饱和度曝光、集成时间)和具体应用。阵列光谱仪的其他重要优点包括非移动部件、鲁棒性和低生产成本。一个关键的挑战是建造小尺寸的阵列光谱仪而不影响性能。然而，与机械扫描光谱仪相比，由于缺乏输出狭缝和全波长范围内的整体照明，它们有几个缺点，如固定波长分辨率、较低的灵敏度和较高的滤光辐射(下文将更详细地描述)。 图3所示：用于海洋监测的微型高光谱cmos阵列光谱仪 (Insion spectrometer) 及其内部视图的例子(Pons等人，2007)。凹面光栅通过输入光纤将收集到的光分解，并在阵列中的一个检测器中对每个组件进行图像处理。 新技术和光电元件的微型化已经允许开发精确、低成本和节能的高光谱传感器，用于测量海洋高光谱分辨率IOPs和AOPs(吸收，总上升流或下降的辐射和辐照等)。在海洋高光谱测量仪器的设计和开发中，需要考虑其探测系统所需的几个最优特性。波长范围应该很广，最好是在350到750 nm之间。应选择动态范围大的低光级探测器。因此，它的响应度应该在覆盖的整个光谱区域上较高，特别是在蓝色和红色的光谱部分，而暗信号应该较低。此外，为了尽量减小测量过程中各种外部扰动(如改变天空条件、产生辐照度高频波动的表面波噪声、船舶阴影效应)，系统的扫描时间要快。最快的设备是带有固定光栅系统的多元素阵列光谱仪。 3.2用于海洋学平台的高光谱传感器 目前可用的基于线性阵列探测器的微型光谱仪，在尺寸、成本、分辨率、范围和性能之间表现出最好的折衷。因此，它们的使用不再局限于台式应用程序，而是被部署在成熟的航海观测平台上。正在部署新的跨学科海洋观测平台，包括高光谱传感器(Dickey et al.， 2006)。目前有各种基于卫星的高光谱成像仪：NASA的EO-1卫星上的Hyperion传感器， ESA的PROBA卫星上的CHRIS传感器，或者美国空军研究实验室在MightySat II卫星上的FTHSI传感器。此外，现有的高光谱机载传感器的例子提供高空间分辨率图像的特定区域是光线的海洋便携式高光谱成像仪光谱(菲尔，戴维斯et al .，2002)，小型机载光谱成像仪(属于接近)，机载可见光红外成像光谱仪(AVIRIS)等其他海洋原位观测平台的高光谱传感器可能是合适的船只和系留浮标(Kuwahara et al .，2007)。这些平台提供高空间和时间分辨率的连续测量，即使在多云情况下也能提供数据，从而补充卫星和飞机的离散观测，并提供校准和验证所需的数据。此外，拉格朗日平台跟踪特定的水团(例如浮子和漂流物)可以在卫星或海洋研究船通常无法到达的海洋区域提供高光谱测量。这些研究计划的目标是通过对同时进行的光学和水文测量的精确分析来确定被调查的水体的物质组成。 新出现的海洋观测平台能够集成高光谱仪器的数量正在不断增加。例如，新的自主水下航行器(AUVs)是最近开发出来的，集成了用于自适应采样的设备，并且能够在较长时间内执行一系列预先编程的监视调查(Perry & Rudnick， 2003)。这个仪器家族的另一个成员是特殊的auv， 叫做滑翔机，它通过改变浮力以最小的能量消耗推动自己在水中前进。滑翔机提供了广泛的空间覆盖范围测量，其中包括三到四周的光学特性(Woods，2009)。另一种监测海洋中光学性质变化的方法是使用剖面系统，例妆，它可以成为一些新兴的有线天文台的一部分。仪器平台，如垂直剖面仪系统(VPS)，海王星加拿大的一部分(海王星，2009年)，是世界上第一个直接接入互联网的区域规模的海底海洋观测站，为收集大量高光谱测量数据提供了巨大的能量和带宽。 在不久的将来，利用所有这些平台收集到的高光谱数据集的数量将会增加，这些平台涵盖了广泛的时间和空间尺度。新的跨学科研究计划正在被成功地实施，例如高光谱海岸海洋动力学实验(HyCODE，2009)，旨在开发高光谱海洋颜色传感器的新功能。在这个框架内，正在进行若干短期和长期的合作实地实验，包括同时使用部署在实地和远程的高光谱设备，以校准、实地测量和将地下光学性质与遥感海洋颜色测量联系起来。这些研究对于开发和验证光学模型以及进一步了解导致IOPs和AOPs在海洋中的时间和空间变化的过程至关重要。HyCODE实验最重要的挑战之一是质量控制协议的标准化，包括对测量的可靠性进行详细分析的程序的定义和对仪器误差影响的评估。 4.海洋学中的高光谱数据预处理和后处理方法 4.1数据质量保证 当可以进行高光谱测量并用于进一步分析时，必须始终考虑测量系统的不确定性。必须采取适当的校准和预处理策略，因为测量的准确性取决于测量系统的相关不确定性。在光学海洋学中最明显的例子可能是在若干场运动中进行的原位辐射测量，目前仍有必要对海洋彩色卫星和机载平台收集的遥感测量进行适当的校准和验证(Zibordi et al.， 2001；麦克莱恩etal .，2004；克拉克et al .，2003)。 对于原位和遥感应用来说，一种校正良好的高光谱分辨率阵列光谱仪应该同样包括它的特性和对所有有意义的不确定性来源的评估(Lewis， 2008；沃斯et al .，2008)。因此，总是有必要从响应度、信噪比、暗电流、非线性、测量的温度依赖性和光谱散射，或所谓的仪器的光谱散射等方面来描述仪器的行为。 这些系统的热响应的变化是由于探测器阵列所使用的硅。例如，在SORTIE(光谱海洋辐射转移研究实验)项目的框架内，对原位高光谱辐射测量进行了校正并证明是非常可重复的(McLean， 2008)。采用百叶窗进行热表征，并在二极管阵列上安装热敏电阻。基于阵列的光谱仪的光谱散射或散射光被描述为由于固定色散元件和其他光学元件(如高阶衍射光栅、表面和内部挡板)的缺陷而散射的不需要的背景辐射。利用一组单色谱线源覆盖整个仪器的操作光谱范围，可以利用一组单色谱线源来描述仪器对测量误差的响应。该方法是基信于计算号与阵光谱中光列波谱的总信号的比值(Brown et al.，2006)。图4显示了该光谱滤光校正方法在高光谱cmos阵列光谱仪上的有效性示例(Torrecilla et al.， 2008a)。通过校准宽带光源和绿色吸收带通滤波器，证明了该校正方法的有效性。滤光片带通区域外的滤光信号明显减少了两个数量级以上，达到了10-4级。 图4所示：在图3中，利用带通滤波器的宽带源对微型高光谱cmos阵列光谱仪进行了光谱偏光校正。规范化测量和校正信号。y轴是对数尺度。 为了水下光学测量的目的，必须特别注意光谱散射光的数据预处理和校正。在水下光学测量中，需要收集非常微弱的信号，并且测量的辐射分布中的误差可能非常大，从而导致对水性质的不准确检索。例如，图5(左面板)描述了在Alfacs湾(Ebre Delta， NW地中海)的一个测试地点，在两个不同的深度，通过一个微型高光谱ccd阵列分光计采集的测量的和光谱的光的校正信号。值得注意的是，在每一深度测量的被测数据和光谱色光校正数据之间的百分比差异(图5，右图)具有光谱相关性(即不同的光谱波段)。因此，在进行光谱偏光校正时，对信号的振幅和形状进行了修正。这是一个非常重要的问题，当光谱形状分析技术，如本章衍生光谱学的中心话题，下面描述的是用来探索高光谱数据中的细微特征。 图5所示：(左)利用微型高光谱ccd阵列光谱仪获得的光谱偏光校正应用于水下两深度的野外测量。(右)各深度测量信号与校正信号的百分比差异。 除了上述修正，目前正在开发新的光谱测量装置和部署技术，以优化光谱仪的吞吐量和准确度。有些分光计是用二维区域探测器设计的。它们对信噪比进行了显著的改进，通过平均垂直的一排像素来获取每个波段上整个频谱的值。另一种解决方案是一种叫做多播技术的新部署技术，它包括执行和处理多个数据类型，以便在高光谱设备收集水下辐射测量时达到最高的精度(McLean， 2008)。除了辐射测量和波长校准之外，这些都是需要解决的关键问题，这些校准必须定期使用标准和高特定性的灯(例如在国家标准和技术研究所[NIST])进行。 4.2导数分析 在遥感和原位光学海洋学中出现的高光谱技术导致需要不断评价和改进高光谱处理方法。较高的光谱分辨率提供了发展和评价光谱形状分析的高级方法的机会，例如导数光谱学，它能更好地区分光谱中的细微特征，并且可能对区分光学上重要的水成分至关重要。 导数光谱学是利用不同计算算法分析高光谱数据的常用方法(Tsai& Philpot， 1998；鲁芬，etal.，2008)。估计导数光谱的过程中可以使用一个有限的解决均差算法，名叫“有限近似"，由给定频谱的计算曲率的变化在一个采样间隔(^入)或带分离(BS)，定义为入=入j一i， 入>入第1阶导数和第n阶导数是用Eqs：1和2求得： 导数分析可以应用于对固有和表观海洋光学性质的高光谱测量(如吸收、辐照度、遥感反射率)。它是增强光谱特征的有用工具，例如，因为它们可能与被认为的水样中存在的色素吸收带有关(图6，左侧面板)。高光谱数据的导数受天光条件可能的光谱波动影响较小。然而，通过导数光 一个 的重要导数光谱学成功地提取光谱细节取决于选择的波段分离。选择一个合适的带分离的重(△入=b)在每种情况下源于利益的光谱数据特征与规模较小的频带分离将不会保存在导数的结果。图6(右面板)显示了左面板显示的频谱的不同导数，根据不同的有限波段分辨率或波段分离(BS)计算。 图6所示：(左)原始光谱及其含有独特浮游植物海藻培养的水样的二阶导数，由微型高光谱ccd阵列光谱仪获得。(右)二阶导数计算了几个波段分离值(BS)，每一个都导致不同尺度的光谱特征。 高光谱数据中的噪声级可以是相当大的，因为窄带所收集的少量能量可能被内部传感器的噪声所超过。为了使导数分析这一明显对噪声敏感的技术得到最优应用，必须将平滑技术应用于高光谱数据的导数计算(Vaiphasa， 2006)。在过去的几十年里，有许多平滑算法被开发出来(例如Savitzky-Golay， Kawata-Minami或mean-filter平滑)。在所有方法中，所应用的平滑级别取决于过滤器窗口(WS)的大小。因此值得注意的是，必须根据每一种高光谱数据的分辨率(Torrecilla et al.，2007)，对平滑和导数参数(过滤大小和波段分离)进行适当的选择。必须作出重要的努力，以确定去噪和解决有趣的光谱细节的能力之间的最佳折衷。 高光谱遥感反射率的测量提供的优势(Rrs(入))结合导数光谱最近利用光学海洋学中用于各种目的。例如，Louchard et al。 (2002)评估定性和定量信息的主要沉积色素从衍生品浅海洋底栖生物基质高光谱Rrs(入)。此外，通过一一些导数峰大小的分析，提出了一种测深算法。克雷格et al。 (2006)发现的有毒赤潮浮游植物吸收的四阶导数光谱的分析，估计从原位高光谱测量的Rrs(入)使用一个准解析反演算法。对这些有害藻华的监测是可能的，因为某些附属色素是单独的浮游植物分类群所特有的，在高光谱吸收光谱中比在波长有限的多光谱光谱光谱中可以更好地分化。此外， Lubac等(2008)也证实了超espectral比多谱反演对其他藻华的鉴别优势。在这种情况下，直接反演和定量评估分析的基础上的位置Rrs的二阶导数的最大值和最小值(入)。 4.3一种基于模型的评价处理方法有效性的方法 对高光谱遥感反射率进行导数分析的研究大多集中在利用离散导数光谱值的比值来表征或分类海洋环境。然而，越来越先进和现代的方法开始利用包含在整个导数谱中的信息。例如， Filippi(2007)提出了导数光谱学和人工神经网络算法的结合。derivative-neural方法已经被证明是有效的提供水深、海底类型和成分浓度估计从遥感反射率(Rrs(入))测量。 为了检验这种方法或本章所述方法的有效性，最好有大量观测到的海洋高光谱数据集，包括广泛的环境条件。然而，由于有效的高光谱数据集仍然难以获得，而且常常不可用，所以使用了海洋辐射传输(RT)模型。水光是辐射转移数值模型的一个例子(Mobley， 1994；莫布里&Sundman，2008)，计算辐射分布和派生的数量(例如Rrs(入))鉴于水柱IOPs和其他海洋环境条件。水文代码采用数学上复杂的不变量嵌入技术来求解辐射转移方程(RTE，图1)，并提供了在受控环境中进行数值模拟的可能性(Albert & Mobley， 2003；Kempeneers et al .，2005)。例如，图7描述几个Hydrolight-generated高光谱Rrs光谱(入)，对应于不同的公海场景，每个由一个浮游植物群。 图7所示： Hydrolight辐射传输模拟，结果显示四个遥感相对于红光Rrs(入)(1纳米分辨率)不同组合条件下获得的。标签表明每一个主要浮游植物群在每种情况下被考虑。 一个逻辑步骤改善Hydrolight-based的方法，当使用模拟高光谱Rrs(入)为基础的进一步验证一些处理技术，是进行传感器实验。探索潜在的目标的任何处理技术，传感器的响应的Rrs(入)收购必须考虑被收购。如果基于模拟的方法包括传感器在噪声、灵敏度、光谱分辨率、散射光等方面的影响，寺如第4.1节所述，将从高光谱海洋学数据进行更精确和更真实的检索。这是下一节将讨论的主要问题之一。 5.实验结果 5.1实验殳计 在接下来的研究中，我们调查所提供的潜在高光谱传感器和导数光谱识别浮游植物组合从高光谱遥感反射率的测量(Rrs(入))公海水域。为了实现这一目标，我们使用了一个基于模拟的框架，其中包括使用水文- ecolight版本5的辐射传输模型(Mobley & Sundman， 2008)。本研究的分析方法如图8所示。 图8所示：流程图显示方法随访检测浮游植物组合的自动识别高光谱Rrs(入)和导数光谱 生成一组Hydrolight-simulated高光谱Rrs光谱(X)(1纳米分辨率)考虑固有的成分存在于水体及其光学性质(吸收、散射等)。传感器的行为也可以包括在Rrs(入)计算(请参见图8)虚线框。图中定义的下一步是归一化的二阶导数的计算Rrs(入)光谱(即Rrs(入)规范化的Rrs(入)获得在入=555海里)。规范化的Rrs(乍)作为输入，以强调导数光谱之前每个光谱的形状奇异点。以前的导数分析，均值滤波平滑型也应用于规范化Rrs(数)数据。它由选择的过滤器窗口内的点的简单平均值组成。如第4.2节所述，实现平滑和导数的有效方法是仔细调整滤波器大小和采样间隔，以更好地匹配每种情况下感兴趣的光谱特征的范围。 最后，验证的目标潜在的高光谱Rrs(入)测量确定浮游植物组合是通过二阶导数光谱的比较，而不不；是 离 散 散 的 R r s 光 谱 ( X ) 。 为 了 进 行 比 较 ， 采 用 了 基 于 层 次 聚 类 分 析 ( H C A ) 的 方 法 ( J a i n etal.， 1999)。HCA是一种常见的方法，它通过创建一个层次化的集群树来使用单个链接算法将数据集划分为子集(集群)。连接算法是基于先前计算两两之间的距离观察(即每一个二阶导数规范化Rrs光谱(X))。所选的距离度量决定了如何计算两个光谱的相似性。在这种情况下，1减去两个向量夹角的余弦作为距离度量(余弦距离)。作为一种链接算法，选择向量之间的最短距离，也称为最近邻居(单链接)。这种层次树的传统表示形式是树状图，一端是单个元素，另一端是一个包含所有元素的集群。注意，余弦距离两个观察越小，越相似的特性两个衍生品相比规范化Rrs光谱(入)。因此，在树状图中，与浮游植物成分相似的观测相对应的光谱比具有非常不同的浮游植物成分的光谱更接近。导数光谱法应用到高光谱测量的可行性Rrs(入)来识别浮游植物组合将评估通过分析距离属于类似的浮游植物的光谱组合出现在计算集群树(或系统)。 5.2自动识别浮游植物群 本节所示的结果提供了第一个集成高光谱的优点和局限性的详细演示Rrs(入)数据和导数光谱的自动识别在公海水域浮游植物组合。高光谱Rrs(入)的数据集，覆盖范围的环境条件，创建使用六种不同的浮游植物吸收和散射特性组(图9中，左面板)(Kim和Philpot，2006)。 图9所示：(左)六组浮游植物的特异性吸收光谱。(右)模拟高光谱Rrs光谱(入)(1纳米分辨率)对应于不同的控制浮游植物群在不同浓度(0.01，0.03，0.05，0.01和0.03 mg/ m3)。 总共30高光谱Rrs光谱模拟(入)，它们由一个沿着水柱浮游植物群，被认为是均匀的。该光谱由6个不同的主要浮游植物群和5个不同浓度的浓度(图9，右侧)组成，与在非开放海域条件下的典型浓度相对应。必须指出Rrs(入)光谱显示伟大的变化在大小和光谱形状，在对应的变量中浮游植物组成和浓度。 光谱导数和集群技术(HCA)单独使用来识别和组类似浮游植物组合从高光谱Rrs光谱(入)。图10显示了聚类分析的结果应用到原始高光谱归一化Rrs光谱(X)(前面板)和高光谱归一化Rrs(N)的二阶导数光谱(中央面板)。每个模拟Rrs(入)识别与一个特定的标签，包括控制浮游植物群的名称和浓度的值。例如，以硅藻为主导的浮游植物群，沿均质水柱浓度为0.05 mg/m3，则标识该情况的标签为Diat_0.05。值得注意的是，当原始规范化Rrs(入)是用于聚类分析(图10，前面板)，唯一一组集群圆满的Rrs光谱(X)是一个对应于Prasinophyceae浮游植物群(见青颜色的标签)。剩下的病例，来自不同的浮游植物群，是混合的。然而，当二阶导数的规范化Rrs(入)，大多数的浮游植物组织在不同浓度识别和更紧密的树突连接的系统树图。因此，同一浮游植物群(和颜色)的光谱导数更靠近树状图。唯一没有很好分组的情况是那些对应于最低浓度率(即0.01，或在某些情况下0.03 mg/m3)的情况。该方法不会在如此低的浓度下解析不同的浮游植物组合，并将这些情况分组组同一个集群中(参见图10中中央面板底部的多色集群)。 结果证实使用中包含的所有信息的潜在高光谱归一化Rrs的导数(数)相比，使用多光谱测量或带离散谱的比率值，并且一致的结果Torrecilla et al .(2008 b)。基于高光谱输入信息的HCA聚类分析，在不同的光学条件下，能够自动地将同一浮游植物类群对应的组合聚在一起。此外，该导数分析工具的性能取决于对每个特定数据集和分析的每个特定目的的光谱数据的检查和选择合适的参数(即平滑滤波大小和频带分离)。如果平滑和衍生品分析参数，例如，选择太粗，光谱特性感兴趣的将丢失和糟糕的结果可以实现自动识别的浮游植物组合使用聚类分析的衍生品的Rrs光谱(X)。这是图10(下图)所示的情况，在图中可以看到Prymnesiophyceae和diatomic被分组在一起，与Cyanophyceae(蓝色)组相对应的光谱似乎与其他浮游植物群落混合在一起。 图10所示：基于集群分析：(上)原始高光谱归一化Rrs(入)，(中心)高光谱归一化Rrs(入)的二阶导数光谱和二阶导数(底部)的高光谱归一化Rrs光谱(入)使用分析参数太粗(即导数带分离和平滑滤波器的大小)。 5.3传感器响应对提出的自动识别的影响 传感器灵敏度分析也进行了测试传感器的响应的影响，辐射测量的假设会在拟议的方法(图8)来识别不同的浮游植物衍生品组合的高光谱Rrs光谱(光). 为海洋监测目的而设计的微型高光谱cmos阵列光谱仪的响应(图3)(Ponsetal.， 2007)；Torrecilla et al.， 2008a)的特点是敏感性。获得的光谱灵敏度曲线既适用于模拟高光谱water-leaving光辉(Lw(下)和下降辐照度(Ed(X))的比率是用来估计新数据集的Rrs光谱(X)。每个新Rrs光谱(入)(图11中，红色曲线在左面板)现在有大约3海里的光谱分辨率，与1纳米分辨率Hydrolight-modeled Rrs(一)，因为它已经适应了传感器的光谱分辨率。Rrs光谱(X)的大小基本上没有修改后传感器的光谱灵敏度的考虑。这是由于遥感反射率是一种表观光学性质，以两种辐射性质之比获得。这配给作为一个有效的方法去除的影响大小的Ed(X)，Lw()，和其他可能的外部光的波动。然而，小Rrs光谱(入)之间的差异，1和3纳米光谱分辨率变得更加明显在导数分析的结果(图11中，右面板)，并将进一步聚类分析起着重要的作用。 图11所示：(左)的一个例子模拟高光谱遥感反射率，Rrs(入)，应用传感器建模之前和之后的反应(黑色和红色的曲线，分别)。(右)左面板中光谱的二阶导数。 类似地，前面的小节，和聚类分析进行导数hyperspectral-sensor Rrs(的)的新数据集。如图12所示，只有考虑导数光谱(右面板)时，才有可能对类似浮游植物群落进行适当的识别和聚类。同样，通过过所有低浓度(0.01 mg/m3)的情况进行分组，也创建了一个集群。 图12所示：模拟导数和聚类分析的结果当高光谱传感器的响应的敏感性被认为是基于：(左)原始高光谱传感器规范化Rrs(入)和(右)的二阶导数高光谱传感器规范化Rrs光谱(入)。 虽然得到了类似的结果，甚至包括传感器在灵敏度方面的响应的影响，但需要指出的是，应用导数光谱学需要加以适应。合适的值平滑滤波器的大小和导数乐队选择分离，因为不同的新的Rrs光谱分辨率()数据集。此外，基于这个实验的结果，选择低成本和微型高光谱CMOS-array光谱仪(脑桥et al .，2007)已被证实为水组件作为一个潜在的工具检测和监控。 6.结论和未来的工作 导数光谱已经满意地应用于数值模拟高光谱遥感反射率(Rrs(入))对应于不同公海环境。其可行性确定浮游植物色素组合相比，使用生Rrs光谱(入)或传统的离散谱比率乐队(Torrecilla etal .，2008 b)已经确认使用验证方法基于层次聚类分析(HCA)。同时也进行了模拟实验，包括在高光谱传感器灵敏度方面的响应模型，并在此基础上进行辐射测量。目的是分析传感器对所提出的分析方法的影响。对于每一个模拟的高光谱数据集，需要根据信号的特性，特别是信号的光谱分辨率，对导数分析所涉及的参数进行适当的调整(即平滑滤波大小和导数波段分离)。 实验产生的有前景的结果，当所有信息包含在高光谱Rrs(入)的二阶导数光谱。因此，该方法可以为光学海洋学家更好地描述复杂的海洋水域，探测有害藻华，或从高光谱海洋学信息中绘制浮游植物的功能类型提供一种手段。高光谱技术的最新进展(如：小型化和电力供应减少)有大量的传感器配置适合合并在一个大量的原位和遥感平台的海洋观测系统(如卫星、滑翔机)，这将使这些挑战需要克服一旦高光谱数据变得可用。 未来的研究将集中在实验的基础上更大的领域高光谱数据集，从集成的潜力高光谱Rrs(入)测量和导数光谱一直在强调这个工作。然而，在采用基于模拟的实验时，设计一种更真实的方法，将有助于更好地验证所提方法的有效性。建议对分析过程中涉及的上述几个因素进行详细的考虑。例如，应该探讨在辐射传输模型中作为输入的固有光学性质(IOPs)的一些可变性的可能性。此外，如果模拟方法中包含了由传感器(噪声、光谱散射光、热效应等)引起的失真实验，那么基于派生的识别不同浮游植物成分的方法的准确性将得到提高。 7.确认 这项研究得到了西班牙科学与创新部资助的项目HIDRA (PIE06-301102)和ANERIS(PIF08-015)。 8.参考 ( Albert， A. & Mobley， C. D. (2003). An analytical model for subsurface irradiance and r e motesensing reflectance in deep and s h allow case-2 waters. Opt. Express.， 1 1 (22)， 2873-2890. ) ( Bracher， A.； Vountas， M.； Dinter， T. ； Bu r rows， J.P . ； Ro t tgers， R. & P e ek e n， I. (2 0 08).Quantitative observation of cyanobacteria and diatoms from spaceee iusing PhytoDOAS on SCIAMACHY data. Biogeosciences Discussions， 5，4559-4590. ) Bricaud， A.； Morel， A.； Babin， M.； Allali， K. & Claustre， H. (1998). Variations of lightabsorption by suspended particles with chlorophyll a concentration in oceanic (case1) waters： Analysis and implications for bio-optical models.J. Geophys. Res.， 103，31033-31044 Brown， S. W.； Eppeldauer， G. P. & Lykke， K. R. (2006). Facility for spectral irradiance andradiance responsivity calibrations using uniform sources. Applied Optics， Vol. 45，No.32，pp.8218-8237. Chang， G. C.； Mahoney， K.； Briggs-Whitmire， A.； Kohler， D.； Mobley， C.； Moline， M.；Lewis，M.； Boss， E.； Kim， M.； Philpot， W. & Dickey， T. (2004). The New Age ofHyperspectral Oceanography.Oceanography，17(2)，22-29. Chang，， G. C.； Dickey， T. & Lewis， M. (2006). Toward a global ocean system formeasurements of optical properties using remote sensing and in situ observations.In： Remote Sensing of the Marine Environment： Manual of Remote Sensing， Volume 6，Chapter 9， edited by J. Gower， 285-326. Clark， D. K.； Yarbrough， M. A.； Feinholz， M. E.； Flora， S.；Broenkow， W.； Kim， Y. S.； Johnson，B. C.； Brown，S. W.； Yuen， M. & Mueller， J. L. (2003).MOBY， a radiometric buoy forperformance monitoring and vicarious calibration of satellite ocean color sensors：measurement and data analysis protocols. Ocean Optics Protocols for Satellite OceanColor Sensor Validation， NASA Technical Report Series， Revision 4， Volume 6， Mueller， J.L.， Fargion， G. S. and McClain， C. R.， Greenbelt， MD， NASA Goddard Space FlightCenter，NASA/TM-2003-211621，3-34. Craig， S. E.； Lohrenz， S. E.； Lee， Z.； Mahoney， K. L.； Kirkpatrick， G. J.； Schofield， O. M. &Steward，R. G. (2006).Use of hyperspectral remote sensing reflectance for detectionand assessment of the harmful alga， Karenia brevis. Applied Optics， Vol. 45， No. 21，pp.5414-5425. Cullen， J.J.； Ciotti， A.M.； Davis， R.F. & Lewis，M.R. (1997). Optical detection and assessmentof algal blooms. Limnol. Oceanogr.， 42 (5)，1223-1239. Davis， C. O.； Bowles，J.；Leathers， R.A.； Korwan， D.； Downes， T.V.； Snyder， W.A.； Rhea， W.J.；Chen， W.； Fisher， J.；Bissett W.P. & Reisse， R.A. (2002). Ocean PHILLS hyperspectralimager： Design， characterization， and calibration. Opt. Express， 10(4)， 210-221. Dickey， T.； Lewis， M. & Chang， G. (2006). Optical oceanography： recent advances and futuredirections using global remote sensing and in situ observations. Reviews ofGeophysics，44， RG1001，1-39. Filippi，A. M. (2007) Derivative-Neural Spectroscopy for HyperspectralBathymetryInversion.The Professional Geographer， 59 (2)， 236-255. Gagnon， P.； Scheibling， R.E.； Jones， W. & Tully， D. (2008). The role of digital bathymetry inmapping shallow marine vegetation from hyperspectral image data. Int. Journal ofRemote Sensing， 29，3，879-904. HyCODE (2009). Retrieved on 1 July 2009. IOCCG， International Ocean-Colour Coordinating Group (2000). Remote sensing of oceancolour in coastal， and other optically-complex waters， edited by S. Sathyendranath，IOCCG Rep. 3， pp 140， Dartmouth， N. S.， Canada. Jain， A.K.； Murty， M. N. & Flynn， P. J. (1999). Data clustering： A review. ACM Comput.Surveys， 31，3， 264-323. Kempeneers， P.； Sterckx， S.；Debruyn， W.； De Backer， S. ；Scheunders， P.；Park，Y. & Ruddick，K. (2005). Retrieval of oceanic constituents from ocean color using simulatedannealing， Proceedings of the 25th International Geoscience andRemote SensinoSymposium (IGARSS)， Seoul. Kim， M. & Philpot， W. (2006) Ocean Optical Phytoplankton Simulator. Retrieved on 12 June2009. Kirk， J. T. O. (1994). Light and Photosynthesis in Aquatic Ecosystems， 2nd ed.， pp. 509，Cambridge Univ. Press，New York. Kuwahara， V.S.； Chang， G. & Dickey， T.D. (2007). Innovations in ocean optics for coastal andopen ocean mooring applications， Proceedings of IEEE/OEE Oceans Conference andExhibition， OCEANS'07 Europe， Aberdeen. Lewis， M. (2008) Spectral Ocean Radiance Transfer Investigation Experiment (SORTIE)， PanOcean Remote Sensing Conference， Guangzhou， China. Lohrenz， S.E.； Cai， W.， Chen， X. & Tuel， M.(2008). Characterizing water mass properties inriver dominated coastal waters using underway hyperspectral remote sensingreflectance， Proceedings ofOcean Optics XIX Conference， Barga，Italy. Louchard， E. M.； Reid， R. P.； Stephens， C. F.； Davis， C. O.； Leathers， R. A.； Downes， T. V. &Maffione， R. (2002). Derivative Analysis of Absorption Features in HyperspectralRemote Sensing Data of Carbonate Sediments. Optics Express， 10(26)，1573-1584. Lubac， B.； Loisel， H.； Guiselin， N.； Astoreca， R.； Felipe Artigas， L. & Meriaux， X. (2008) Hyperspectral and multispectral ocean color inversions to detect Phaeocystisglobosa blooms in coastal waters. J. Geophys. Res.， 113， C06026. McClain， C. R.； Feldman， G. C. & Hooker， S. B. (2004). An overview of the SeaWiFS projectand strategies for producing a climate research quality global ocean bio-opticaltime series. Deep Sea Research II， 51，5-42. McLean， S.(2008). Radiometric Data Processing Course， Ocean Optics XIX Conference， Barga，Italy. Mobley， C. D. (1994) Light and water： radiative transfer in natural waters， pp. 592， AcademicPress，San Diego， CA. Mobley， C. D. & Sundman， L. (2008). Hydrolight 5.0 Users’ guide. Sequoia Scientific， Inc.，Bellevue， WA. Nair， A.； Sathyendranath， S.； Platt， T.； Morales， J； Stuart， V.； Forget， M.； Devred， E. &Bouman， H. (2008). Remote sensing of phytoplankton functional types. RemoteSensing of Environment， 112，3366-3375. Neptune (2009). Retrieved on 26 June 2009. I F· MariOReilly， J. E.； Maritorena， S.； Siegel， D. A. et al (2000). Ocean Color Chlorophyll aAlgorithms for SeaWiFS， OC2， and OC4： Version 4.SeaWiFS Postlaunch TechnicalReport Series， Volume. 11， SeaWiFS Postlaunch Calibration and Validation Analyses， Part3， edited by Hooker，S. B. and Firestone， E. R.， Greenbelt， Maryland， NASA/TM-2000-206892，9-27. Perry， M. J. & Rudnick， D.L. (2003). Observing the oceans with autonomous and Lagrangianplatforms and sensors： The role of ALPS in sustained ocean observing systems.Oceanography，16(4)，31-36. Pons， S.； Aymerich， I.F.； Torrecilla， E. and Piera， J. (2007). Monolithic spectrometer forenvironmental monitoring applications， Proceedings of IEEE/OEE Oceans Conferenceand Exhibition， OCEANS'07 Europe， Aberdeen. Reynolds， R. A.； Stramski D. & Mitchell， B. G. (2001). A chlorophyll-dependentsemianalytical model derived from field measurements of absorption andbackscattering coefficients within the Southern Ocean. J. Geophys. Res.， 106， 7125-7138. Ruffin， C.； King， R.L. & Younan， N.H. (2008). A combined derivative spectroscopy andSavitzky-Golay filtering method for the analysis of hyperspectral data. GIScienceand Remote Sensing， 45 (1)， 1-15. Sathyendranath， S.； Watts， L.； Devred， E.； Platt， T.； Caverhill， C. & Maass， H. (2004).Discrimination of diatoms from other phytoplankton using ocean colour data. Mar.Ecol. Prog. Ser.，272，59-68. Stramski， D.；Reynolds， R.A.；Babin， M.； Kaczmarek， S.； Lewis， M.R.； Rottgers， R.； Sciandra，A.； Stramska，M.；TwardowskiM，.S.； Franz，B.A. & Claustre， H. (2008).Relationships between the surface concentration of particulate organic carbon andoptical properties in the eastern South Pacific and eastern Atlantic Oceans.Biogeosciences 5： 171-201. Torrecilla， E.； Aymerich， I.F.； Pons S. & Piera， J.(2007). Effect of spectral resolution inhyperspectral data analysis. Proceedings of International Geoscience and RemoteSensing Symposium， pp. 910-913， Barcelona. Torrecilla， E.； Pons， S.； Vilaseca， M.； Piera， J. & Pujol， J.(2008a). Stray-light correction of in-water array spectroradiometers. Effects on underwater optical measurements.Proceedings of IEEE/OEE Oceans Conference and Exhibition， Quebec. Torrecilla， E.； Stramski， D.； Reynolds， R. A.； Piera， J. & Millan Nunez， E. (2008b).Identification of phytoplankton pigment assemblages using spectral shape analysisof hyperspectral remote-sensing reflectances， Proceedings of Ocean Optics XIXConference， Barga， Italy. Tsai， F. & Philpot， W.D. (1998). Derivative analysis of hyperspectral data. Remote Sensing ofEnvironment， 66， 1， 41-51. Uitz， J.； Claustre， H.； Morel， A. & Hooker， S. (2006). Vertical distribution of phytoplanktoncommunities in open-ocean： An assessment based on surface chlorophyll. Journal ofGeophysical Research， 111， CO8005， doi：10.1029/2005JC003207. Vaiphasa， C. (2006). Consideration of smoothing techniques for hyperspectral remotesensing.Journal of Photogrammetry and Remote Sensing， 60，2，91-99. Voss，K.； Gordon， H.； Lewis， M.； Johnson， C.； Yarbrough， M.； Flora， S.； Feinholz， M.， & Trees，C. (2008). Radiometry and Uncertainties from SORTIE (Spectral Ocean RadianceTransfer Investigation and Experiment)， NASA Carbon Cycle and Ecosystems JointScience Workshop. Wood，S. (2009). Autonomous underwater gliders. In： Underwater Vehicles， Chapter 26， editedby A. V. Inzartsev， 499-524， In-Tech， Vienna， Austria. Zibordi， G.； D'Alimonte， D.； van der Linde， D.； Berthon， J.-F.； Hooker， S.B.； Mueller， J.L.；Lazin， G. & McLean， S. (2002). The Eighth SeaWiFS Intercalibration Round-RobinExperiment (SIRREX-8)， September-December2001. NASA Tech. Memo.2002-206892，Volume 21.， edited by Hooker， S.B. & Firestone， E.R.， pp. 39， NASA Goddard SpaceFlight Center， Greenbelt， MD. Advances in Geoscience and Remote SensingEdited by Gary Jedlovec ISBN 978-953-307-005-6 Hard cover， 742 pagesPublisherInTechPublished online 01，October， 2009 Published in print edition October，2009 遥感是指通过记录或实时传感装置(s)获取与该物体不存在物理或亲密接触(如通过飞机、航天器、卫星、浮标或船舶)的物体或现象的信息。在实践中，遥感是通过使用各种设备来收集给定对象或区域的信息而进行的。人类的存在依赖于我们理解、利用、管理和维持我们所生活的环境的能力――地球科学是寻求实现这些目标的科学。这本书是由从事地球科学和遥感领域的世界级科学家、工程师和教育家的贡献。 如何引用 为了正确地引用这篇学术著作，请随意复制和粘贴以下内容： Elena Torrecilla， Jaume Piera和Meritxell Vilaseca(2009)。高光谱海洋学数据的衍生分析，地球科学和遥感的进展， Gary Jedlovec (Ed.)， ISBN： 978-953-307-005- 本章有两个主要目标。第一个是对利用海洋学的高光谱技术所取得的相关进展进行简要的回顾，以及微型光纤光谱仪描述在将导数光谱学应用于高光谱传感器获取的数据时必须考虑的一些重要问题。第二个目标是提供一些结果来证明将导数光谱学应用于海洋环境中遥感反射率的高光谱测量的可行性，微型光纤光谱仪特别是识别浮游植物色素组合。在此部分，微型光纤光谱仪提出了一种基于仿真的框架来解决这一问题，并在对高光谱数据进行导数分析时，特别注意了相关参数的作用。例如，还讨论了各高光谱分辨率仪器的光谱灵敏度对基于导数的方法的结果的影响。