近海岸与内陆湖泊与人类密切相关，其环境正经历史无前例的改变。监测其水环境时空格局，将有助于理解水体的变化趋势，优化水环境管理方式。如今，传统野外调查和实验室测量的方式在观测区域或全球水体变化方面存在时空尺度有限等问题，而卫星遥感则凭借着大尺度覆盖、高频率重访、免费等优势，优势愈发凸显。目前，水色遥感已成为水体监测的重要手段之一。然而，传统水体大气校正方法在浑水时常失效，遥感反射率的缺失与较高的不确定性造成传统水色遥感定量反演算法难以应用，一定程度上限制了大尺度水色遥感的进程。 　　

不同于开阔大洋，近海岸和内陆水体（湖库、河流）相对较为浑浊，因此，MODIS等数据的陆地反射率产品近年来被用于监测湖泊蓝藻水华、透明度和浊度，但却鲜用于观测叶绿素a、藻蓝素、CDOM等研究。至今，有关MODIS陆地反射率的两个基础问题尚不明确：一是MODIS等陆地反射率产品在全球近岸和内陆水体的精度究竟如何？是否可靠？二是MODIS陆地反射率可被用于观测哪些水色参数？ 　　

面向MODIS陆地反射率观测全球水体的性能基准问题，中国科学院流域地理学重点实验室曹志刚博士基于全球4143条实测光谱、2320个叶绿素a、1467个悬浮物数据（图1），全面解析了MODIS陆地反射率产品在全球水体的潜力和局限性，研究成果以What water color parameters could be mapped using MODIS land reflectance products: A global evaluation over coastal and inland waters为题，发表在地球科学领域顶级期刊Earth-Science Reviews上。

图1 研究所用数据统计分布 　　

研究主要结论概括如下： 　　

（1）MODIS陆地反射率产品(R_land)在全球水体显著高于实测遥感反射率（Rrs），在红光和绿光波段具备一定的精度（红光：MAPE=22%，绿光MAPE=37.6%），但在469nm和859nm精度较差（图2）。全球的评价结果与之前在太湖和Chesapeake湾的评价结果相似（Feng et al. 2018. WRR）。对比于传统短波红外水色大气校正方法（Rrs_SWIR），R_land亦出现高估，并且二者在空间上出现不一致，R_land在浑-清水界限时存在“突变”现象。

图2 MODIS陆地反射率与实测Rrs的对比 　　

（2）R_land图像不仅存在“突变”，其在所有波段亦存在大量负值（图3）。以555 nm为例，2003-2020年的R_land负值在全球广泛分布，澳大利亚、印度以及非洲西部沿海区域甚至超过了5%。概括而言，R_land在浑水区域出现的负值较低；但是，近红外波段在富营养化严重及藻华区域的负值显著，例如859 nm在太湖超过了7%，在Chesapeake湾超过20%。负值的出现主要与陆地大气校正中气溶胶信号过校正以及气溶胶信号估算模式有关。

图3 2003-2020年间555nm处R_land负值像元比例 　　

（3）R_land与机器学习相结合成功估算了全球水体悬浮物浓度，但无法用于准确获取全球水体叶绿素a浓度。随机森林、支持向量机和XGBoost等方法均比传统经验和半分析算法具备更好的精度，在全球水体悬浮物浓度的估算误差小于25%，可用于估算全球近岸和内陆湖泊的悬浮物浓度分布（图4）。但是，R_land无法获取准确的叶绿素a浓度，机器学习模型误差亦超过50%（图5）。

图4 2020年8月全球近岸和内陆湖泊平均悬浮物浓度分布 　　

（4）对于蓝藻水华、水生植被等图像解译而言，R_land主要是影响空间突变及负值等。对于水色因子的定量反演而言，R_land在红光和绿光具备一定精度，因此可用于获取悬浮物相关的参数，包括了透明度、下行漫射衰减系数等。倘若这些参数与叶绿素a相关（如清水），则性能会有所下降。主要由于R_land波段所限以及近红外和蓝光的高不确定性，R_land目前无法获取大尺度的水体色素相关参数，如叶绿素、藻蓝素、DOC、POC等。因此，R_land虽能快速获取和处理，但并不是水色遥感的最优选择，具体应用时需谨慎。

图5 不同算法从R_land估算叶绿素a的性能对比 　　

该研究受到国家自然科学基金、江苏省自然科学青年基金等项目资助。论文链接：https://doi.org/10.1016/j.earscirev.2022.104154。