全球视野 媒体聚焦
接受央视报道共计15次 党媒、央媒、地方官媒总传播量达0.5亿人次
基于SAM的太湖水华分类案例
背景介绍
卫星遥感技术在内陆水体水质监测中具有重要作用，可以大范围、较快速、低成本的实现主要水质参数的反演。但内陆水体水质监测也对卫星遥感技术提出了较高要求：小型水体需要较高的空间分辨率；快速变化的水质要求较高的时间分辨率；复杂多变的水体光学特性要求较高的光谱分辨率。因此，同时满足高空间、高时间、高光谱分辨率的卫星数据在内陆水体监测中具有巨大的优势。
光谱角映射器 (SAM) 是一种基于物理的光谱分类，它使用 n 维角度将像素与参考光谱进行匹配。该算法通过计算光谱之间的角度并将它们视为维数等于波段数的空间中的向量来确定两个光谱之间的光谱相似性。SAM 使用的端元光谱可以来自 ASCII 文件或光谱库，或者可以直接从图像中提取端元（作为 ROI 平均光谱），夹角越小，越可能属于同一类别。它是一种监督分类方法，广泛应用于高光谱遥感。
方法和原理
该案例中使用2025年6月18日西光壹号05星（天仙配号）拍摄的太湖地区高光谱影像，开展了SAM分类，并根据分类结果对水华空间分布进行分析。
表1. 数据介绍
具体操作流程如下：
1. 数据预处理
（1）辐射定标：对原始DN值数据，使用辐提供的射定标系数进行辐射校正，得到表观辐亮度数据，可以使用ENVI中的Radiometric Calibration工具进行。
（2）大气校正：使用基于6S或MODTRAN模型的大气校正工具进行大气校正，得到地表反射率数据，例如ENVI中的FLAASH大气校正工具。
（3）光谱平滑：在ENVI中对地表反射率数据使用Savitzky-Golay（SG）算法进行平滑，光谱降噪的同时提高后续分类的可靠性，使用ENVI中的App Store拓展工具Savitzky-Golay Filter或自带的THOR Spectral Smoothing工具均可。
（4）影像配准（可选）：对处理完成的数据依据底图进行地理配准，配准可以在ENVI中也可以在qgis、arcgis中进行，参考地图推荐使用谷歌影像。
（5）水体掩膜：通过对地表反射率数进行归一化水体指数计算，根据计算结果的直方图选择合适阈值，提取太湖区域。
（6）ROI样本选取：点击地表反射率数据，利用ROI选择工具，选择适量的水体和水华样本数据，并汇总统计查看光谱曲线，通过Option->Compute ROI Separability功能，计算Jeffries-Matusita和Transformed Divergence参数。参数值大于1.9表示样本可分离性好，小于1.8需重新选择样本。
（7）光谱角SAM匹配：选择Spectral Angle Mapper Classification工具：
（a）选择经滤波后的太湖地表反射率数据作为输入数据，并选择NDWI二值化结果作为掩膜数据，以便消除非水体部分的影像。
NDWI掩膜
（b）选择需要分类的样本，点击Apply，进入参数设置面板，设置光谱角阈值（默认为0.1弧度）。阈值越大，分类范围越广；阈值越小，分类精度越高。
Set Maximum Angle：设置最大波谱角阈值（0~1.0），以弧度为单位。这里可以统一设置一个阈值，也可以分别为每一类设置阈值。
Output Rule Images：是否输出规则文件。规则文件是生成波谱角为像素值的图像文件，选择输出可以采用密度分割方式进行分类，也可以作为获取阈值的一个参考。
1. 光谱指数计算
（1） NDWI
水体范围的提取采用光谱指数法。具体是基于FLAASH处理后的地表反射率图像进行归一化水体指数 NDWI （Normalized Difference Water Index） 计算，然后基于NDWI图像的直方图，设定阈值完成水体提取。计算公式如下：
通过计算NDWI提取太湖水体掩膜，用作后续分类操作。
结果展示
图1 真彩色合成影像 西光壹号05星（天仙配号） 20250618
SG滤波前后太湖区域光谱曲线对比（反射率扩大10000倍，西光壹号05星（天仙配号），20250406）
图2 SG滤波前后光谱曲线对比
对XG05数据进行上述水体提取、指数计算，得到以下结果：
图3 SAM水华分布图 西光壹号05星（天仙配号） 20250618
从上述结果图中可以看到西太湖区域藻华严重，靠近藻华的区域叶绿素a浓度比较高，这是由于太湖西部是入湖河流集中的地方，随河流汇入带来了大量营养盐，导致藻类生长旺盛，从而引发蓝藻水华和叶绿素 a 浓度升高；湖心和东太湖区域受到的影响相对小一些，因此水质状况好于西太湖，东部有水草生长，且叶绿素a浓度较低；中心湖区是较大规模的水华分布区，在夏季中心湖区一旦暴发水华，覆盖范围较大；而西南湖区很少发生水华现象，东太湖水域几乎未暴发水华，说明东太湖水域环境较好。
通过设置不同的光谱角阈值参数，SAM对于参数的敏感性较高，波段中噪声放大，角度失真，同时在纯净端元难以获取或阈值设定不当时出现系统性偏差，最终造成“椒盐”错分与大面积漏检，后续可通过与降维、空间约束、深度学习等方法耦合，可在保持物理可解释性的同时显著提升分类精度。