王亚琪， 王 繁,2， 陈迤岳

(1.杭州师范大学生命与环境科学学院，浙江 杭州 310036； 2.杭州师范大学生态系统保护与恢复杭州市重点实验室，浙江 杭州 310036)

海洋水体颗粒有机碳遥感反演研究进展

王亚琪1， 王 繁1,2， 陈迤岳1

(1.杭州师范大学生命与环境科学学院，浙江 杭州 310036； 2.杭州师范大学生态系统保护与恢复杭州市重点实验室，浙江 杭州 310036)

海水颗粒有机碳(POC)对海洋碳循环以及调节CO2影响下的全球气候变化具有重要意义.遥感技术是获取海水POC信息的重要方法，POC遥感监测与空间模式已成为海洋领域的热点科学问题.本文全面总结了国内外海洋颗粒有机碳遥感反演算法，包括一类和二类水体的表层和垂向POC浓度遥感反演，以及POC遥感获取方式分类、比较与分析.同时，本文对海洋颗粒有机碳遥感反演进行了展望，提出结合POC表层和垂向分布，建立近岸海域水体POC三维遥感模式.

海洋颗粒有机碳；遥感；反演算法；水体类型；表层垂向

海洋碳循环对调节CO2作用下全球气候变化有着重要的作用，一直是国际研究的热点.研究表明，人类每年向大气排放的CO2约有一半被海洋所吸收，并通过浮游植物的光合作用转化为颗粒有机碳(particulate organic carbon, POC)被沉降固定下来[1-3]，POC是海洋生物体代谢、沉积物再悬浮及陆源输入产生的有机颗粒物，包括浮游植物细胞、细菌以及有机碎屑等，是海水中碳固化和迁移输出的主要形式[3].随着海洋碳循环研究的深入，常规获取POC的方法往往无法胜任大范围POC的海洋调查研究.1993年美国正式公布全球海洋研究的生物-光学框架，利用生物-光学模型结合海洋水色遥感估测水体水色要素(浮游植物、悬浮物、黄色物质、颗粒有机碳等)成为海洋生物地球化学一种新的研究手段[4]，并且随着SeaWiFS(宽视场海洋观测传感器)，MODIS(中分辨率成像光谱仪)和MERIS(中分辨率成像光谱仪)的不断发展，水色卫星的空间分辨率、时间分辨率以及光谱分辨率都有显著提高，为遥感反演提供更好的技术支持.

1 海洋水体颗粒有机碳遥感反演算法概述

目前能够通过水色遥感获取的水质参数主要有叶绿素(Chl)、悬浮泥沙、有色可溶解性有机物[5].POC本身不具有光学活性，直接应用遥感信号获取水体POC信息并非易事；但是POC的一些生物地球化学过程使得它和叶绿素、悬浮物等物质以及颗粒物光衰减系数、后向散射系数等固有光学量联系起来，作为光学遥感的基础，实现POC的遥感反演[6].POC遥感反演算法分为两种，一种是基于表观光学量的经验算法，另一种是基于固有光学量的半分析算法.

基于表观光学量的经验算法，首先建立表观光学量和现场实测水体组分浓度的经验统计关系，再根据水体组分浓度和POC的经验关系反演出POC浓度.在实际计算中，可采用遥感反射率Rrs、漫衰减系数K等作为表观光学量指标.经验算法灵活方便，在遥感反演中广泛应用；但是该方法缺乏物理依据，完全依赖实测数据的精度，有很强的时效和区域限制[7].

基于固有光学量的半分析算法，以辐射传输方程为基础，建立表观光学量到固有光学量的反演模型，再根据水体固有光学量和水体组分浓度的经验统计关系反演POC浓度.在实际计算中，可采用颗粒物光衰减系数、后向散射系数等作为固有光学量指标.由于理论计算和水体散射机制之间存在差异，同时一些水体光学参数测定困难，现阶段遥感反演都是半分析模式(即理论加经验).随着对水体光学性质的深入认知以及理论基础的进一步完善，分析模式将成为可能[8].

2 海洋水体表层颗粒有机碳遥感反演算法

为了获得更好的水色遥感反演精度，Morel和Prieur[9]根据海水的光学性质把海水划分为两类：Ⅰ类水体(Case I Waters)和Ⅱ类水体(Case II Waters).一类水体主要是开阔的大洋及远离海岸的陆架区[10]，其光学特性相对简单，主要受浮游植物及其伴生物的影响，一般只考虑纯水和叶绿素的吸收作用；二类水体主要是受陆源影响较大的近岸、河口和湖泊河流水域，其光学特性比较复杂，需要考虑浮游植物、悬浮泥沙、黄色物质和颗粒有机物的影响[7].本文就这两类水体分别进行颗粒有机碳遥感反演方法的研究总结.

2.1 一类水体表层颗粒有机碳遥感反演算法

2.1.1 基于叶绿素的表层颗粒有机碳遥感反演算法

叶绿素作为海洋初级生产力模型估算的重要参数，人们已建立了成熟的叶绿素水色反演模型[11]，如基于蓝绿波段比值的SeaWiFS的OC4V4算法[12]，作为基于叶绿素的颗粒有机碳遥感反演的基础.在远离陆源影响的一类水体中，表层POC主要来源于浮游植物活动，通过POC浓度和叶绿素的关系以及叶绿素和遥感反射率之间的定量关系，可实现基于叶绿素颗粒有机碳的反演.研究表明，在北大西洋[13-14]、南大洋[15]、墨西哥湾[16]等地区均发现叶绿素与POC浓度之间有很好的拟合关系(见表1).

表1 叶绿素Chl和颗粒有机碳POC的回归方程Tab. 1 Regression equation of chlorophyll and particulate organic carbon

备注：R2为决定系数

Mishonov等[15]发现，在南太平洋POC浓度最大值区，叶绿素浓度并不都是相当高的，因此基于叶绿素的POC算法会存在误差.其原因可能是，水体中叶绿素含量相对少，只占浮游植物的1.5%～4%[18]，此外，细胞内叶绿素的分布也会随着辐照度、温度和营养盐变化而变化[19].因此许多学者尝试用其他海洋水色产品来估算POC浓度，来提高POC遥感反演的精度[15,19].

2.1.2 基于遥感反射率的表层颗粒有机碳遥感反演算法

研究[20-21]发现随着POC浓度的增加，海水的遥感反射率光谱峰值从蓝波段(412nm、443nm)向绿波段(490nm、555nm)偏移从而提出蓝绿波段比值经验算法，经验算法虽然缺少明确的物理意义，但却是遥感获取POC浓度简单快捷的方法.蓝绿波段比值算法幂函数形式是：POC=A[Rrs(λ)/Rrs(555)]B，表2列举了蓝绿波段比值算法来估算POC浓度.

Son等研究[16]发现，多波段方法更能区分辐射峰值的转移并提高反演精度.在此基础上，Son借鉴归一化植被指数，提出了归一化碳指数NDCI(Normalized Difference Carbon Index)，结果精度较高(R2=0.97,N=58)；又在NDCI基础上提出了最大归一化碳指标MNDCI(Maximum Normalized Difference Carbon Index)(R2=0.99,N=58)，比之前的NDCI指数的精度更高，MNDCI指数不论对一类水体还是二类水体都有很好的借鉴.

表2 蓝绿波段比值算法估算颗粒有机碳POC浓度Tab. 2 Blue-green band ratio algorithm for estimating the concentration of POC

在相对稳定的一类水体，利用POC和遥感反射率或反射率比值之间的经验关系来反演POC，精度较高、简单方便；但是针对复杂的水域环境，基于两者的统计关系建立的经验算法缺乏完整的理论支持，因此缺乏通用性和普适性，需要更大范围的实测数据进一步检验.

2.1.3 基于颗粒物光衰减系数cp的表层颗粒有机碳遥感反演算法

在陆源影响较小的大洋区域，POC浓度主要受浮游植物和有机碎屑的影响，与颗粒物的衰减系数有较稳定的相关性，cp(660)可以用于估算POC浓度[23].在大西洋[21]、太平洋[24]、墨西哥湾[16]等地区，使用携带CTD的SeaTech透射率仪测量的cp值和POC浓度都呈很好的线性相关.Son[16]等建立了莫斯科湾基于cp的POC表层回归方程：POC=256.5cp+13.8(R2=0.64,N=500).Behrenfeld[24]等建立了赤道太平洋的颗粒物光衰减系数cp和POC数据的回归分析方程：POC=585cp(660)+7.6(R2=0.75,N=67)，结果表明在开放海域cp可以作为浮游植物生物碳量的指标.

国内学者方习生[25]建立了菲律宾海的POC回归方程，并与国外同行在其他区域获得的线性回归方程斜率进行对比，发现菲律宾海回归方程斜率比其他海区斜率大2～4倍，方习生认为可能是浮游植物大量繁殖及其生理和组成差异造成的.同时颗粒物粒径对光衰减作用也会产生影响，根据Bishop等[26]对赤道太平洋悬浮颗粒粒级的分析，大约41%～89%的光衰减信号是由<8μm的颗粒产生的，因此要获得更好的反演精度需要考虑颗粒物体积浓度的变化.

2.1.4 基于颗粒物后向散射系数bbp的表层颗粒有机碳遥感反演算法

遥感通过水体后向散射信息来获取水体组分浓度，因此水体后向散射系数对遥感反演模型具有重要意义[27].由于溶解物的散射基本可以忽略，颗粒后向散射系数更能反映颗粒物浓度的变化.Loisel等[28]发现南大洋的POC和bbp之间几乎呈现线性关系，基于bbp的空间和时间变化得到全球颗粒物库空间分布和季节变化.Allison等[22]在南极半岛附近海域、南极极地锋面(PFZ)以及罗斯海3个站点得到bbp反演的表层POC浓度的幂指函数，从而揭示了南大洋表层POC变化.基于辐射传输方程的QAA(Quasi-Analytical Algorithm)[29]和GSM(Garver-Siegel-Maritorena)[30]模型是利用遥感反射率Rrs获得bbp经典的半分析算法，比单纯经验模型更具有适应性与准确性，从而为水色卫星遥感反演POC浓度架起了桥梁.

2.2 二类水体表层颗粒有机碳遥感反演算法

近海以及大陆架的二类水体因其受陆源无机泥沙、有机碎屑和有色溶解物的影响，光学特性复杂[7]，适用于一类清洁大洋的POC遥感反演方法不能直接用于二类水体，因此要根据二类水体的实际情况深入了解地区差异以及光学特性来进行POC反演[31].

2.2.1 基于遥感反射率的表层颗粒有机碳遥感反演算法

国内学者[32-33]把适用于海洋水体的波段比值模型、NDCI等模型得到的POC浓度与国内二类水体实测POC浓度对比，得出基于一类海水的POC估测模型不适合于国内二类水体，因此开展了区域性研究(见表3).研究表明，在不同区域并且水域比较复杂的二类水体中，应建立不同的算法或模型来提高反演精度.

表3 国内二类水体基于遥感反射率的表层颗粒有机碳遥感反演算法Tab. 3 Retrieval algorithm of surface POC based on remote sensing reflectance of case II water in China

2.2.2 基于颗粒物光衰减系数cp的表层颗粒有机碳遥感反演算法

颗粒物衰减系数cp(660)代表的是总颗粒物浓度的光学特征，受颗粒物组成、浓度以及折射指数等因素的影响[6]，在受陆源影响较大的区域无机泥沙增大了对颗粒物的散射率，并且陆源碎屑的吸收及其单位质量碳含量也会影响到cp和POC的关系.白雁[23]在Gardner公式的基础上，用有机颗粒物的光衰减系数cpom代替颗粒光衰减系数cp从而建立了固有光学量的遥感半分析SIO算法，结果表明在无机泥沙影响较大的近岸水域，此方法对POC的估算是合理的.潘德炉、刘琼[6]在白雁SIO算法基础上，分干季(春夏)湿季(秋冬)分别利用颗粒衰减系数cp(660)反演东海陆架区表层POC浓度，结果显示获得的SIO算法与基于Stramski[21]等提出的蓝绿波段比算法的MODIS标准POC产品相比具有更高的精度.

2.2.3 基于颗粒物后向散射系数bbp的表层颗粒有机碳遥感反演算法

颗粒物后向散射系数bbp是获得POC浓度遥感反演的关键问题，基于辐射传输方程的QAA[29]和GSM[30]模型是获得bbp的经典半分析算法.但陈莉琼[8]和汪文琦[36]认为QAA和GSM模型因其采用以叶绿素为主的大洋生物-光学公式，对二类水体的适用性较差，于是汪文琦等[36]提出改进算法中的经验值，通过生物光学模型来缩小输入参数和实测值的误差.白雁[23]也针对二类水体光学复杂特性改进了Lee的QAA算法得到SIO-QAA算法，由之前单一的555nm参考波段又加入510nm波段计算总吸收系数，把叶绿素的影响降到最低.研究者对经典算法进行不断改进使其不断适应二类复杂水体的环境并开发在不同海洋光学环境下半解析模型，以提高模型适应性.

2.2.4 基于悬浮物的表层颗粒有机碳遥感反演算法

近海河口区水体总悬浮颗粒物(TSM)是颗粒有机碳(POC)水平和垂向输移的主要载体，水体POC浓度与TSM浓度有显著正相关关系，并且通过TSM和遥感反射率Rrs的关系间接获得基于悬浮物颗粒有机碳的遥感反演.邢建伟[37]对长江口POC与TSM实测数据分析证实春夏秋冬四季两者均呈现极显著的线性正相关关系.另外潮动力引起的沉积物再悬浮与沉降引起TSM浓度和粒径的变化不仅是影响POC吸附能力的主要因素，也是影响水体固有光学性质的主要因素，因此基于悬浮物的POC遥感反演也要加入潮动力对悬浮物浓度和粒径的影响因素.

2.2.5 基于叶绿素的表层颗粒有机碳的遥感反演算法

对浮游植物较多的内陆水体，藻类叶绿素含量高，Gons算法[38]和Simis算法[39]是经典的内陆水体叶绿素反演算法，再通过叶绿素和POC之间的函数关系，从而实现内陆水体基于叶绿素的颗粒有机碳遥感反演.国内学者吴静汇等[40]对Gons算法和Simis算法进行改进，得到特定波长浮游植物色素吸收aph(665)和POC浓度关系，并对富营养化湖泊巢湖进行POC浓度估测，结果二类水体Gons算法(R2=0.786)和Simis算法(R2=0.656)比基于后向散射系数(R2=0.1)和反射率比值(R2=0.48)的算法精度都高.

3 海洋水体垂向颗粒有机碳遥感反演算法

根据研究，卫星能探测的水深约为1/Kd[41]，(其中Kd为上层海水太阳辐射的垂向漫衰减系数)，大洋水体真光层可达到的水深范围有限，近海混浊水体真光层更浅，遥感只能获取表层水体信息，很难直接反映水下有机碳的真实分布情况，因此建立水体POC的垂向分布模型显得尤为重要.

3.1 一类水体垂向颗粒有机碳遥感反演算法

第一种混匀分布：受潮汐影响或者对流作用强烈，POC浓度上下均匀，表层水体的POC浓度等于水下混匀水层POC浓度.Stramska等[42]认为海洋表面湍流使得海水是均质的并假设POC浓度等于表层POC浓度，并在200 m的光学深度对POC储量进行定量估算.

第二种指数衰减分布：水体层化程度不高，浮游植物随水下光照强度的减弱而逐渐减少，POC浓度随水深逐渐降低.

第三种高斯分布：在浮游植物主导且层化程度较高的大洋，POC浓度与叶绿素次表层最大值一致，真光层呈高斯分布.Duforêt-Gaurier等[43]根据透光层和混合层深度的比值将水体划分为层化的高斯分布和均匀混合的水体.

3.1.1 基于颗粒物光衰减系数cp的垂向颗粒有机碳遥感反演算法

1980年以来，世界海洋环流实验WOCE、海洋通量联合研究计划JGOFS、南大西洋通风实验SAVE和其他项目试验研究发现：在大西洋[21,44]、太平洋[21]、阿拉伯海、罗斯海[45]、印度洋[46]等地区，垂向深度内实测cp值和POC浓度有很好的回归关系(见表4).cp又可以通过水体漫射衰减系数Kd(490)、归一化离水辐亮度LWN(555)表示出来,从而为水色卫星遥感反演POC浓度架起了桥梁[47-48].

表4 垂向颗粒物光衰减系数cp和颗粒有机碳POC的回归方程Tab. 4 Regression equation of cp and POC in vertical direction

备注：POC单位(mg/m3),cp单位(m-1)

3.1.2 基于颗粒物后向散射系数bbp的垂向颗粒有机碳遥感反演算法

研究发现：在大西洋[21]、太平洋[21,49-50]、罗斯海[51]等地，垂向深度内实测颗粒物后向散射系数bbp值和POC浓度有很好的回归关系(见表5).bbp又可以通过遥感反射率建立经验模型或通过半分析算法QAA、GSM与遥感反射率联系起来，从而实现基于bbp的POC遥感反演.

表5 垂向颗粒物后向散射系数bbp和颗粒有机碳POC的回归方程Tab. 5 Regression equation of bbp and POC in vertical direction

备注：POC单位(mg/m3),bbp单位(m-1)

3.2 二类水体垂向颗粒有机碳遥感反演算法

根据水体特点将水域划分为不同垂向类型，分区域建立POC垂向模型.现阶段对二类水体垂向遥感的研究相对较少.对于东海以及近岸二类水体，潘德炉，刘琼[6]根据遥感盐度、温度、叶绿素产品对不同季节的POC划分为衰减型分布、混匀分布、次表层最大(高斯分布)、半层化分布(折线分布)4个不同类型.春季陆源影响较大的近岸常表现为表层高、底层低的衰减型分布，陆架区由于次表层密跃层呈现表层POC含量低、上混合层均匀的半层化分布；夏季陆架区cp(660)呈现与叶绿素次表层最大值一致的高斯分布，近岸受潮汐影响是混匀分布；秋冬季浮游植物少且对流作用强cp(660)呈现上下混匀型分布.根据东海水域的4个不同类型建立了不同的POC垂向分布模型.

4 海洋水体颗粒有机碳遥感反演研究展望

目前，关于海洋水体表层颗粒有机碳的遥感算法相对比较成熟，包括利用遥感反射率、叶绿素、悬浮物等表观光学量反演以及颗粒物光衰减系数cp、颗粒物后向散射系数bbp等固有光学量遥感反演，在相对稳定的大洋区域，反演结果比较可行，但是在陆源输入且复杂多变的近岸区域，POC浓度和各个参数之间的相关性变得离散，在以下方面还有待深入研究：

1)充分考虑区域性以及季节性的差异建立不同的分析算法成为一个亟待解决的问题;

2)由一类水体过渡到二类水体并没有明显的分界线，由一类水体到二类水体的过渡区域是否可以定义为一个中间水体，因为水体划分越精细，越有利于遥感监测;

3)POC垂向遥感反演算法的研究相对比较薄弱，要减少对实测数据的依赖，增加算法的适用性，建立能够模拟潮动力、粒径分布和风浪输运的POC垂向分布模型尤为重要;

4)结合POC表层和垂向分布建立海洋三维立体观测是颗粒有机碳遥感监测的一个趋势，今后要对水色遥感和生物地球化学机理进行交叉研究来提高POC的遥感监测精度.

[1] SIEGEL D A, BUESSELER K O, DONEY S C, et al. Global assessment of ocean carbon export by combining satellite observations and food-web models[J]. Global Biogeochemical Cycles,2014,28(3):181-196.

[2] HONJO S, MANGANINI S J, KRISHFIELD R A, et al. Particulate organic carbon fluxes to the ocean interior and factors controlling the biological pump: A synthesis of global sediment trap programs since 1983[J]. Progress in Oceanography,2008,76(3):217-285.

[3] 张乃星,宋金明,贺志鹏.海水颗粒有机碳(POC)变化的生物地球化学机制[J].生态学报,2013,26(7):2328-2339.

[4] 曹文熙,黄良民.海洋生物-光学研究进展与展望[J].自然科学进展,2004,14(1):20-27.

[5] 吴静汇,段洪涛,张玉超,等.巢湖水体POC浓度遥感反演算法与验证[J].红外与毫米波学报,2015,34(6):750-756.

[6] 刘琼.东海上层海洋有机碳储量的遥感估算方法研究[D].武汉：武汉大学,2013.

[7] 王繁.河口水体悬浮物固有光学性质及浓度遥感反演模式研究[D].杭州：浙江大学,2008.

[8] 陈莉琼.基于辐射传输机理的鄱阳湖悬浮颗粒物浓度遥感反演研究[D].武汉：武汉大学,2011.

[9] MOREL A, PRIEUR L. Analysis of variations in ocean color[J]. Limnology and Oceanography,1977,22(4):709-722.

[10] GUNDERSEN J S, GARDNER W D, RICHARDSON M J, et al. Effects of monsoons on the seasonal and spatial distributions of POC and chlorophyll in the Arabian Sea[J]. Deep Sea Research Part II: Topical Studies in Oceanography,1998,45(10-11):2103-2132.

[11] MÉLIN F. Global distribution of the random uncertainty associated with satellite-derived Chl a[J]. Geoscience and Remote Sensing Letters, IEEE,2010,7(1):220-224.

[12] O’REILLY J E, MARITORENA S, MITCHELL B G, et al. Ocean color chlorophyll algorithms for Sea WiFS[J]. Journal of Geophysical Research: Oceans,1998,103(C11):24937-24953.

[13] SATHYENDRANATH S, STUART V, NAIR A, et al. Carbon-to-chlorophyll ratio and growth rate of phytoplankton in the sea[J]. Marine Ecology Progress,2009,383(12):73-84.

[14] STRAMSKA M, STRAMSKI D. Variability of particulate organic carbon concentration in the north polar Atlantic based on ocean color observations with Sea-viewing Wide Field-of-view Sensor (SeaWiFS)[J]. Journal of Geophysical Research Oceans,2005,110(C10):423-436.

[15] MISHONOV A V, GARDNER W D, RICHARDSON M J. Remote sensing and surface POC concentration in the South Atlantic[J]. Deep Sea Research Part II: Topical Studies in Oceanography,2003,50(22):2997-3015.

[16] SON Y B, GARDNER W D, MISHONOV A V, et al. Multispectral remote-sensing algorithms for particulate organic carbon (POC): The Gulf of Mexico[J]. Remote Sensing of Environment,2009,113(1):50-61.

[17] MOREL A, GENTILI B, CHAMI M, et al. Bio-optical properties of high chlorophyll Case 1 waters and of yellow-substance-dominated Case 2 waters[J]. Deep Sea Research Part I: Oceanographic Research Papers,2006,53(9):1439-1459.

[18] EPPLEY R W, CHAVEZ F P, BARBER R T. Standing stocks of particulate carbon and nitrogen in the equatorial Pacific at 150 W[J]. Journal of Geophysical Research: Oceans,1992,97(C1):655-661.

[19] BEHRENFELD M J, BOSS E. The beam attenuation to chlorophyll ratio: an optical index of phytoplankton physiology in the surface ocean?[J]. Deep Sea Research Part I: Oceanographic Research Papers,2003,50(12):1537-1549.

[20] SON Y B, GARDNER W D, MISHONOV A V, et al. Model-based remote sensing algorithms for particulate organic carbon (POC) in the Northeastern Gulf of Mexico[J]. Journal of Earth System Science,2009,118(1):1-10.

[21] STRAMSKI D, REYNOLDS R A, BABIN M, et al. Relationships between the surface concentration of particulate organic carbon and optical properties in the eastern South Pacific and eastern Atlantic Oceans[J]. Biogeosciences,2008,5(1):171-201.

[22] ALLISON D B, STRAMSKI D, MITCHELL B G. Empirical ocean color algorithms for estimating particulate organic carbon in the Southern Ocean[J]. Journal of Geophysical Research Oceans,2010,115(C10):1971-1982.

[23] 白雁.中国近海固有光学量及有机碳卫星遥感反演研究[D].上海：中国科学院上海技术物理研究所,2007.

[24] BEHRENFELD M J, BOSS E. Beam attenuation and chlorophyll concentration as alternative optical indices of phytoplankton biomass[J]. Journal of Marine Research,2006,64(3):431-451.

[25] 方习生,魏建伟,石学法,等.菲律宾海西部海区有机悬浮颗粒观测及其分布特征[J].海洋科学进展,2013,31(4):485-497.

[26] BISHOP J K B. Transmissometer measurement of POC[J]. Deep Sea Research Part I Oceanographic Research Papers,1999,46(2):353-369.

[27] 丛丕福,曲丽梅,韩庚辰,等.海洋颗粒有机碳的遥感探测与应用分析[J].海洋环境科学,2012,31(2):300-304.

[28] LOISEL H, BOSE E, STRAMSKI D, et al. Seasonal variability of the backscattering coefficients in the Mediterranean Sea based on Satellite SeaWIFS imagery[J]. Geophysical Research Letters,2001,28(22):4203-4206.

[29] LEE Z P, CARDER K L, ARNONE R A. Deriving inherent optical properties from water color: a multiband quasi-analytical algorithm for optically deep waters[J]. Applied Optics,2002,41(27):5755-5772.

[30] GARVER S A, SIEGEL D A. Inherent optical property inversion of ocean color spectra and its biogeochemical interpretation: 1. Time series from the Sargasso Sea[J]. Journal of Geophysical Research: Oceans,1997,102(C8):18607-18625.

[31] 巩彩兰,樊伟.海洋水色卫星遥感二类水体反演算法的国际研究进展[J].海洋通报,2002,21(2):77-83.

[32] 牟冰.基于静止轨道水色卫星GOCI的渤海浑浊水体遥感信息提取方法研究[D].青岛：中国海洋大学,2014.

[33] 姜广甲,苏文,马荣华,等.富营养化水体颗粒有机碳浓度的遥感估算及动态变化特征[J].红外与毫米波学报,2015,34(2):203-210.

[34] WANG G, ZHOU W, CAO W, et al. Variation of particulate organic carbon and its relationship with bio-optical properties during a phytoplankton bloom in the Pearl River estuary[J]. Marine Pollution Bulletin,2011,62(9):1939-1947.

[35] 张杰,吕恒,潘洪洲,等.内陆湖泊颗粒有机碳反演及日变化初步研究[J].武汉大学学报(信息科学版),2015,40(12):1618-1624.

[36] 汪文琦,董强,商少凌,等.基于两种半分析算法的水体吸收系数反演[J].热带海洋学报,2009,28(5):35-42.

[37] 邢建伟.长江口有机碳的时空分布、变化及输运特征研究[D].青岛：中国海洋大学,2014.

[38] SIMIS S G H, PETERS S W M, GONS H J. Remote sensing of the cyanobacterial pigment phycocyanin in turbid inland water[J]. Limnology and Oceanography,2005,50(1):237-245.

[39] GONS H J, RIJKEBOER M, RUDDICK K G. A chlorophyll-retrieval algorithm for satellite imagery (Medium Resolution Imaging Spectrometer) of inland and coastal waters[J]. Journal of Plankton Research,2002,24(9):947-951.

[40] 吴静汇,段洪涛,张玉超,等.巢湖水体POC浓度遥感反演算法与验证[J].红外与毫米波学报,2015,34(6):750-756.

[41] BANSE K. Seasonality of phytoplankton chlorophyll in the central and northern Arabian Sea[J]. Deep Sea Research Part A. Oceanographic Research Papers,1987,34(5):713-723.

[42] STRAMSKA M. Particulate organic carbon in the global ocean derived from SeaWiFS ocean color[J]. Deep Sea Research Part I: Oceanographic Research Papers,2009,56(9):1459-1470.

[44] MISHONOV A V, GARDNER W D, RICHARDSON M J. Remote sensing and surface POC concentration in the South Atlantic[J]. Deep Sea Research Part II: Topical Studies in Oceanography,2003,50(22):2997-3015.

[45] GARDNER W D, RICHARDSON M J, SMITH W O. Seasonal patterns of water column particulate organic carbon and fluxes in the Ross Sea, Antarctica[J]. Deep Sea Research Part II: Topical Studies in Oceanography,2000,47(15/16):3423-3449.

[46] DJURHUUS A, READ J F, ROGERS A D. The spatial distribution of particulate organic carbon and microorganisms on seamounts of the South West Indian Ridge[J]. Deep Sea Research Part II: Topical Studies in Oceanography,2017,136:73-84.

[47] GARDNER W D, MISHONOV A V, RICHARDSON M J. Global POC concentrations from in-situ and satellite data[J]. Deep Sea Research Part II: Topical Studies in Oceanography,2006,53(5/7):718-740.

[48] 王桂芬,曹文熙,殷建平,等.海洋颗粒有机碳浓度水色遥感研究进展[J].热带海洋学报,2012,31(6):48-56.

[50] BALCH W M, BOWLER B C, DRAPEAU D T, et al. Biominerals and the vertical flux of particulate organic carbon from the surface ocean[J]. Geophysical Research Letters,2010,37(22):333-345.

[51] STRAMSKI D, REYNOLDS R A, KAHRU M, et al. Estimation of particulate organic carbon in the ocean from satellite remote sensing[J]. Science,1999,285(5425):239-242.

Research Progress on Remote Sensing Inversion of Ocean Particulate Organic Carbon

WANG Yaqi1, WANG Fan1,2, CHEN Yiyue1

(1.College of Life and Environmental Science, Hangzhou Normal University, Hangzhou 310036, China; 2.Key Laboratory of Hangzhou City for Ecosystem Protection and Restoration, Hangzhou Normal University, Hangzhou 310036, China)

Particulate organic carbon (POC) is of significance in ocean carbon cycling and adjusting to the climate changes influenced by the increased CO2. Remote sensing technology is an important way to acquire POC information of seawater. As a consequence, remote sensing capable of monitoring large-scale and real-time POC has become an important issue in the field of ocean studies. This paper comprehensively summarizes the remote sensing inversion algorithm of ocean POC at home and abroad, including remote sensing inversion of POC at the surface layer and in vertical direction of case I and case II water bodies, as well as the classification, comparison and analysis of accesses for POC remote sensing. Meanwhile, in this paper, remote sensing inversion of POC in sea is expected and it is proposed to combine surface and vertical distribution of POC to build a three-dimensional remote sensing model for POC at offshore areas.

ocean particulate organic carbon; remote sensing; inversion algorithm; water type; vertical surface

2016-03-13

浙江省自然科学基金项目(LY15D010007).

王繁(1976—)，男，副研究员，博士，主要从事近海生物地球化学过程模拟及水色遥感技术应用等研究.E-mail：wangfan@hznu.edu.cn

10.3969/j.issn.1674-232X.2017.02.015

P733.3

A

1674-232X(2017)02-0205-08