曹鹏 梁其椿 李淑敏

摘要：蓝藻水华与水生植被在光学遥感影像上容易混淆，传统方法将太湖划分为藻型湖区和草型湖区进行分区监测，近年来太湖梅梁湖等蓝藻水华易发区域出现了大量的水生植物，分区的方法已无法满足蓝藻水华和水生植被遥感监测要求。基于光谱特征分析，采用蓝藻水华与水生植被指数（cyanobacteria and macrophytes index，简称CMI）判别蓝藻水华与水生植被水域，采用浮游藻类指数（floating algae index，简称FAI）识别蓝藻水华、浮叶/挺水植被与沉水植被，构建同步监测决策树，基于Otsu算法自动获取阈值，将中分辨率成像光增仪（MODIS）卫星影像分成湖水、蓝藻水华、沉水植被和浮叶/挺水植被几种类型。结果表明，分类结果较好，符合太湖不同地物类型实际分布情况;与相关研究HJ卫星影像东部湖区水生植被监测结果进行交叉检验，水生植被的空间分布基本一致，一致性检验结果显示，2种分类结果一致的像元比例为70.11%。实现蓝藻水华及水生植物的同步遥感监测，有助于精确评估蓝藻水华的实际强度和水生植被区范围，为富营养化湖泊的水环境管理和决策提供重要的科技支撑。

关键词：蓝藻水华;水生植被;太湖;Otsu;MODIS

中图分类号：Q178.5  文献标志码： A  文章编号：1002-1302（2019）14-0288-07

藻类大量繁殖引起的水华现象对湖泊水环境影响显著，表现为降低水体透明度、提高pH值以及大量消耗水中氧气[1]，进而影响水生动植物的群落结构和生物多样性[2]，水华是湖泊水体富营养化的重要特征[3]。我国是世界上蓝藻水华暴发最严重、分布最广的国家之一[4]。卫星遥感具有快速、周期性、大范围等特点，已经成为湖泊蓝藻水华监测与预测预警不可或缺的技术手段[5]。卫星监测蓝藻水华的主要依据是近红外波段处明显的植物特征“陡坡效应”[6]，而水生植被也有类似的光谱特征，在光学遥感影像上容易与水华混淆[7]。由于太湖水生植被主要分布在太湖东部[8]，区别于水华易发区（太湖西部和北部）[5]，所以目前太湖蓝藻水华的遥感监测通常将东太湖水生植被區进行掩膜处理，该水域不再考虑水华的发生[9]。

2012年以来，随着太湖各种污染整治和生态修复措施的深入实施，太湖梅梁湖、贡湖以及南太湖等蓝藻水华易发区域，出现了大量的水生植物（以菹草、马来眼子菜、荇菜为主），面积可达数十平方公里[10]。此时，传统太湖蓝藻水华日常遥感监测方法会将水生植物误判为蓝藻水华，严重影响了蓝藻水华的遥感监测精度;此外，为减少大量水生植物对航运带来的不利影响，当地相关部门会定期收割，造成水生植物区的人为性变化;再加上太湖主要优势水生植物具有不同的生活史，生长期差异显著，水生植物的时空分布短期变化显著。综合上述因素，采取固定水生植物区方式已无法适应水生植物的时空变化情形和满足蓝藻水华与水生植被遥感监测的要求。

由于蓝藻水华水体与水生植被水体均具有植被的光谱特征，尤其是红光波段的反射谷和近红外波段的反射峰，导致卫星遥感难以判别蓝藻水华与水生植被，加大了同步监测蓝藻水华与水生植被的难度[7，11-12]。相关研究表明，水生植被在短波红外波段（short-wave infrared，简称SWIR）的反射率高于蓝藻水华水体[13-14]。Oyama等基于短波红外波段处蓝藻水华水体与水生植被水体的光谱差异，使用Landsat TM/ETM+数据，结合归一化水指数（normalized difference water index，简称NDWI）和浮游藻类指数（floating algae index，简称FAI）构建决策树判别日本3个湖（Lakes Kasumiguara、Inba-numa、Tega-muma）的蓝藻水华水体与水生植被水体[7]，笔者将该方法应用于太湖，结果显示不能有效实现太湖蓝藻水华与水生植被的同步检测，主要由于太湖蓝藻水华强度较大，而水生植被多为浮叶植被和沉水植被交替生长，导致蓝藻水华与水生植被的NDWI值不能被显著区分。Liu等则结合了植被信号出现频率指数（vegetation presence frequency，简称VPF）和FAI建立决策树，应用2003—2013年的中分辨率成像光谱仪（MODIS）卫星数据，实现了太湖蓝藻水华与水生植被的卫星遥感判别[15]，不过这种判别方法不能应用于太湖蓝藻水华与水生植被的日常遥感同步监测，因为VPF是基于整年的遥感数据统计分析所得。Liang等基于蓝藻水华与水生植被的光谱特征在蓝光波段、绿光波段和短波红外波段处的差异，构建蓝藻水华与水生植被的判别指数（cyanobacteria and macrophytes index，简称CMI），结合CMI和FAI构建太湖蓝藻水华与水生植被MODIS卫星同步监测决策树，并基于2010—2015年MODIS/Aqua Rrc数据统计分析获取遥感指数的阈值[16]，通过统计学方法确定的阈值对于不同季节、不同蓝藻水华暴发强度等情况会存在较大的误差。

本研究针对富营养化湖泊中蓝藻水华水体和水生植被水体在光学遥感影像上容易混淆的问题，以太湖为研究区，结合已有的研究理论基础分析太湖典型地物的光谱特征差异，基于光谱特征差异选用遥感指数识别蓝藻水华和水生植被，并进一步识别不同类型水生植被，提出太湖蓝藻水华与水生植被的MODIS卫星同步监测方法。本研究拟解决蓝藻水华和水生植物遥感监测混淆的问题，实现太湖蓝藻水华及水生植物的同步遥感监测，是提高太湖蓝藻水华遥感监测精度研究中亟待解决的一个科学问题和关键技术，有助于精确评估蓝藻水华的实际强度和水生植被区范围，正确把握蓝藻水华及湖泊生态系统的态势，提高预测精度，为富营养化湖泊的水环境管理和决策提供重要的科技支撑。

1 研究区与数据来源

1.1 研究区

太湖（119°52′32″～120°36′10″E，30°55′40″～31°32′58″N）位于长江中下游平原，是典型的大型浅水湖泊[17]。太湖区位条件独特，在我国东部地区的社会、经济发展中发挥着重要的作用，其梅梁湖区、贡湖区、胥湖区是无锡、苏州等城市的主要供水水源地[18]。太湖水域面积为 2 338 km2，南北长约68.5 km，东西平均宽34 km，湖岸线总长405 km。太湖正常水位下容积为44.3亿m3，平均水深为 1.9 m，多年平均年吞吐量为52亿m3，具有蓄洪、供水、灌溉、航运、旅游等多种功能[19]，同时又是流域内最重要的供水水源地，不仅担负着无锡、苏州、湖州等大中城市的城乡供水，还具有向下游地区供水并改善水质的作用[20]。

太湖蓝藻水华通常暴发在梅梁湾、贡湖、竺山湾以及大太湖等湖区[21]，而胥口湖、东太湖等湖区则多分布着大量的水生植被，极少出现蓝藻水华[15]，所以相关研究将太湖划分为藻型湖区和草型湖区（图1）[22]。

根据水生植物的生长状态可以分为浮叶植物、挺水植物、沉水植物[23]，由于植物叶片和水体光谱特征差异较大，在遥感影像上有明显的区别，所以本研究将太湖不同类型的水生植被归结为2种类型：叶片在水面以上的（浮叶/挺水植被）与叶片在水面以下的（沉水植被），与已有相关研究一致[24]。

1.2 MODIS卫星数据

MODIS数据的获取廉价、方便，数据光谱范围广（波长范围为405～14 385 nm，光谱分辨率为10～15 nm），时间分辨率高（Terra和Aqua这2个卫星每天至少各覆盖太湖区域1次），空间分辨率适用于太湖这样的大型湖泊，对富营养化湖泊蓝藻水华日常监测和蓝藻水华短期空间分布变化等研究具有重要意义，是目前太湖蓝藻水华日常监测通常采用的卫星传感器[9]。

從美国国家航空航天局（NASA）官方网站可以免费下载获得MODIS L0级产品（DN值），L0级产品需要进行辐射定标、大气校正和几何校正，其中，大气校正包括瑞利校正和气溶胶校正，由于大气中的分子成分较为固定，瑞利散射校正可以通过数值计算进行瑞利散射部分的去除[25]，而气溶胶成分、浓度和粒径分布随时间、区域和高度均发生变化，难以估算其对遥感信号的贡献[25]。对于内陆湖泊水体，由于其复杂的气溶胶与水体特征，目前还没有普适的大气校正方法，如果采用传统的大气校正方法，会导致可见光范围出现明显的错误[26]。所以，本研究借鉴国际上基于MODIS的水色遥感研究，使用经过瑞利校正和吸收气体校正的反射率（rayleigh corrected reflectance，简称Rrc无量纲）[27]。

采用CMI和FAI构建决策树对太湖蓝藻水华和水生植被进行卫星遥感同步监测需要确定4个分类阈值：CMI判别蓝藻水华水体与水生植被水体阈值、FAI识别蓝藻水华阈值、FAI识别沉水植被阈值和FAI识别浮叶/挺水植被阈值。其中FAI识别蓝藻水华阈值和FAI识别沉水植被阈值采用现有研究中受认可的太湖植被信号FAI识别阈值（-0.004）[33]，基于Otsu算法获取其他2个阈值。

对MODIS卫星数据进行预处理后，得到Rrc数据，使用MATLAB（R2014a版本）计算Rrc数据的CMI和FAI，并基于Otsu算法计算CMI和FAI的最佳分割阈值CMI_Otsu和 FAI_Otsu，即CMI判别蓝藻水华水体与水生植被水体阈值和FAI识别浮叶/挺水植被阈值。

2.4 构建同步监测决策树

结合CMI和FAI构建太湖蓝藻水华与水生植被MODIS卫星同步监测决策树，如图3所示。采用MODIS卫星Rrc数据，逐像元计算CMI和FAI：CMI大于CMI_Otsu且FAI大于-0.004的像元为蓝藻水华像元;CMI小于CMI_Otsu且FAI大于-0.004而小于FAI_Otsu的像元为沉水植被像元;CMI小于CMI_Otsu且FAI大于-0.004和FAI_Otsu的像元为浮叶/挺水植被像元;其他情况的像元为普通湖水像元。

2.5 交叉检验

交叉检验即利用经过验证的已知精度的卫星产品对待检验卫星产品进行检验。本研究使用ArcGIS（10.1版本）将分类结果分别与相关研究的HJ卫星分类结果进行交叉检验，主要有以下步骤：

第1步：使用project raster工具对MODIS分类结果栅格数据进行重投影，使2种分类结果投影保持一致。

第2步：使用resample工具对MODIS分类结果栅格数据进行重采样，使2种分类结果的空间尺度保持一致。

第3步：使用raster calculator工具进行栅格计算，将2种卫星产品分类结果一致的栅格赋值1，2种分类结果不一致的栅格赋值0。

设检验结果中，等于1的栅格数量为m，等于0的栅格数量为n，则2种分类结果一致的栅格占比为m/（m+n）。

3 结果与验证

3.1 遥感指数识别性能

由图4-a可知，在2013年9月8日MODIS/Aqua影像上选择5种典型地物类型（蓝藻水华、大太湖湖水、胥口湖湖水、沉水植被和浮叶/挺水植被）的10×10像元尺寸感兴趣区（region of interest，简称ROI）。统计5种典型地物类型ROI中的Rrc值，分别计算不同地物的CMI、FAI值，结果如图4-b所示：CMI蓝藻水华>CMI水生植被，FAI蓝藻水华>FAI普通湖水，FAI水生植被>FAI普通湖水，FAI浮叶/挺水植被>FAI沉水植被，表明应用于MODIS卫星数据，CMI能有效分离蓝藻水华水体和水生植被水体，FAI能有效分离普通湖水和植被水体（包括蓝藻水华与水生植被）并识别不同类型的水生植被（浮叶/挺水植被和沉水植被）。

3.2 太湖蓝藻水华与水生植被同步监测结果

选取2017年4月29、30连续2 d的MODIS/Aqua影像进行分类，分类结果如图5所示，将卫星影像分成湖水、蓝藻水华、沉水植被和浮叶/挺水植被几种类型。分类结果较好，有效提取出4种太湖典型地物类型：蓝藻水华主要分布在梅梁湾、贡湖、竺山湾以及大太湖等湖区;胥口湖、东太湖等湖区则

分布着大量的水生植被;在梅梁湾和竺山湾有少量沉水植被分布。对于连续2 d的分类结果，水生植被的空间分布变化不大，而蓝藻水华的空间分布有较大的差异，与实际情况相符。

3.3 东部湖区水生植被高空间分辨率卫星监测结果交叉检验

东部湖区是太湖水生植被的主要分布水域，Luo等基于光谱特征构建太湖东部湖区水生植被监测决策树，对2013年9月26日HJ/CCD卫星影像（空间分辨率为30 m）进行分类[10]。本研究采用2013年9月26日MODIS数据进行分类，与Luo等的分类结果进行交叉检验（图6），2种方法分类结果整体保持一致，贡湖、胥口湖、东太湖等区域中沉水植被和浮叶/植被的分布都基本同步，贡湖南部以沉水植被为主，沿岸水域有少量浮叶/挺水植被分布;胥口湖区也是以沉水植被为主，在中间布有浮叶/挺水植被;太湖南部沿岸，沿着湖岸分布着浮叶/挺水植被，并夹杂着少量沉水植被;东太湖呈浮叶/挺水植被包围沉水植被生长之势。

使用ARCGIS对MODIS卫星分类结果进行重投影、重采样、栅格计算，与HJ卫星分类结果进行一致性检验，结果（图7）表明，2种分类结果一致的像元比例为70.11%，不一致的像素主要分布在水陆交界带和不同地物交界带（湖水与水生植被的交界带和沉水植被与浮叶/挺水植被交界带），这是由于MODIS卫星影像空间分辨率（250 m）远低于HJ卫星影像空间分辨率（30 m）带来的混合像元问题。

4 干扰因素分析

4.1 Otsu获取阈值偏差

Otsu算法对噪声以及目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时（例如受光照不均、反光或背景复杂等因素影响），类间方差准则函数可能呈现双峰或多峰，此时效果不好。

当蓝藻水华暴发强度极大时，高强度蓝藻水华和水生植被的CMI值悬殊，Otsu算法对CMI值进行分割确定阈值时，类间方差出现多峰，如图8所示，对蓝藻水华暴发强度极大的2013年8月9日MODIS影像进行分类，Otsu算法获取的CMI阈值为0.063，导致竺山湾部分蓝藻水华被误判为沉水植被。

4.2 云覆盖

云覆盖是遥感影像处理中最常遇到的噪声之一，给影像识别造成干扰，大大降低遥感影像分类精度[34]。目前，研究人员在实际应用中多采用多天数据的合成方式来减少云的影响。然而，短周期的合成数据不能完全排除云的干扰，周期过长又丧失时间效率，不适合短期监测[35]。因此，最有效的方法是对每天的数据均进行云检测处理，移除数据中的云像素[36]。云在可见光和红外波段与植被、土壤以及水域等下垫面介质的反射率和辐射亮温存在差异，云具有较高的反射率而具有较低的亮温[37]。

在海洋水体中，波段阈值法比较受认可的是Rrc（869）>0.027[38];对于二类水体，Wang等提出了Rrc（1 240）>0.023 5 和Rrc（1 640）>0.021 5[39]，Hu等提出了Rrc（1 640）>0.03[33];Liang等基于2010—2015年太湖无云MODIS/Aqua影像数据计算Rrc（1 240）在取不同阈值时的可用数据比例，Rrc（1 240）取0.1为阈值，可以保证每个月份的可用数据比例都高于90%，而Rrc（1 240）>0.03将损失20%～60%的有用数据[16]。本研究基于3种算法对2016年6月5日的MODIS影像进行云提取，如图9所示，Rrc（869）>0.027和Rrc（1 240）>0.03几乎将整个太湖水域误判为云，而 Rrc（1 240）>0.1 云提取效果良好，所以本研究采用的去云方法为Rrc（1 240）>0.1。

4.3 气溶胶与观测角度

大气气溶胶是由大气介质和混合于其中的固体或液体颗粒物组成的体系，由不同相态物体组成，虽然其含量很少，但对大气中发生的许多物理化学过程都有重要的影响[40]。湖面上空气溶胶分布类型比海面更为复杂、多变，Ⅱ類水体的大气校正是国际水色遥感的难题[41]。不过相关研究已经证明，基于光谱形状构建遥感指数，能有效减小气溶胶等大气因素对指数的影响[27]。

相关研究已经证明，CMI和FAI分别通过减除“蓝光-短波红外”和“红光-短波红外”基线，进行了简单快速的大气校正，相对不容易受气溶胶类型和厚度、太阳高度角和耀斑等环境和观测条件变化的影响[27]。

4.4 混合像元

遥感影像中像元很少是由单一均匀的地表覆盖类组成的[42]，尤其是MODIS这样空间分辨率较低的卫星影像，一般都是覆盖几种地物的混合像元。混合像元问题也给遥感解译带来了困扰，降低了遥感分类的精度。

如图6所示，MODIS卫星分类结果较HJ卫星分类结果缺少了在东太湖中心区域浮叶/挺水植被和沉水植被交替生长的细节。

5 结论

基于蓝藻水华与水生植被的光谱特征分析，采用CMI判别蓝藻水华与水生植被水域，采用FAI识别蓝藻水华、浮叶/挺水植被与沉水植被，在MODIS/Aqua影像上选择5种典型地物类型10×10像元尺寸ROI计算不同地物的CMI、FAI值，结果表明，CMI能有效分离蓝藻水华水体和水生植被水体，FAI能有效分离普通湖水和植被水体（包括蓝藻水华与水生植被）和识别不同类型水生植被（浮叶/挺水植被和沉水植被）。

结合CMI和FAI构建太湖蓝藻水华与水生植被MODIS卫星同步监测决策树，基于Otsu算法自动获取决策树阈值，将卫星影像分成了湖水、蓝藻水华、沉水植被和浮叶/挺水植被几种类型，分类结果较好，符合太湖不同地物类型实际分布情况。针对太湖水生植被的主要分布的东部湖区，与Luo等的HJ/CCD卫星影像分类结果进行交叉检验，2种方法分类结果中不同类型水生植被的空间分布基本一致，一致性检验结果显示，2种分类结果一致的像元比例为70.11%，不一致的像素主要分布在水陆交界带和不同地物交界带（湖水与水生植被的交界带和沉水植被与浮叶/挺水植被交界带）。

分别围绕Otsu获取阈值偏差、云覆盖、气溶胶与观测角度以及混合像元等展开了监测精度干扰因素分析：当蓝藻水华暴发强度极大时，Otsu算法获取的CMI阈值偏高;采用Rrc（1 240）>0.1剔除云覆盖;本研究的监测方法对于气溶胶厚度、气溶胶类型和观测角度等因素有良好的阻抗性。

参考文献：

[1]Carpenter S R，Caraco N F，Correll D L，et al. Nonpoint pollution of surface waters with phosphorus and nitrogen[J]. Ecological Applications，1998，8（3）：559-568.

[2]Havens K E . Cyanobacteria blooms：effects on aquatic ecosystems[M]. New York：Springer，2008：68-69.

[3]孔繁翔，高 光. 大型淺水富营养化湖泊中蓝藻水华形成机理的思考[J]. 生态学报，2005，25（3）：589-595.

[4]吴庆龙，谢 平，杨柳燕，等. 湖泊蓝藻水华生态灾害形成机理及防治的基础研究[J]. 地球科学进展，2008，23（11）：1115-1123.

[5]马荣华，孔繁翔，段洪涛，等. 基于卫星遥感的太湖蓝藻水华时空分布规律认识[J]. 湖泊科学，2008，20（6）：687-694.

[6]段洪涛，张寿选，张渊智. 太湖蓝藻水华遥感监测方法[J]. 湖泊科学，2008，20（2）：145-152.

[7]Oyama Y，Matsushita B，Fukushima T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Landsat/TM and ETM+shortwave infrared bands[J]. Remote Sensing of Environment，2014，157：35-47.

[8]张寿选，段洪涛，谷孝鸿. 基于水体透明度反演的太湖水生植被遥感信息提取[J]. 湖泊科学，2008，20（2）：184-190.

[9]马荣华. 湖泊水环境遥感[M]. 北京：科学出版社，2010：461.

[10]Luo J H，Ma R H，Duan H T，et al. A new method for modifying thresholds in the classification of tree models for mapping aquatic vegetation in Taihu lake with satellite images[J]. Remote Sensing，2014，6（8）：7442-7462.

[11]李俊生，吴 迪，吴远峰，等. 基于实测光谱数据的太湖水华和水生高等植物识别[J]. 湖泊科学，2009，21（2）：215-222.

[12]朱 庆，李俊生，张方方，等. 基于海岸带高光谱成像仪影像的太湖蓝藻水华和水草识别[J]. 遥感技术与应用，2016，31（5）：879-885.

[13]Gao B C. NDWI-a normalized differencewater index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment，1996，58（3）：257-266.

[14]Rogers A，Kearney M. Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices[J]. International Journal of Remote Sensing，2004，25（12）：2317-2335.

[15]Liu X H，Zhang Y L，Shi K，et al. Mapping aquatic vegetation in a large，shallow eutrophic lake：a frequency-based approach using multiple years of MODIS data[J]. Remote Sensing，2015，7（8）：10295-10320.

[16]Liang Q C，Zhang Y C，Ma R H，et al. A MODIS-Based novel method to distinguish surface cyanobacterial scums and aquatic macrophytes in lake taihu[J]. Remote Sensing，2017，9（2）：133.

[17]吕 恒，江 南，罗潋葱. 基于TM数据的太湖叶绿素a浓度定量反演[J]. 地理科学，2006，26（4）：472-476.

[18]周立国，冯学智，王春红，等. 太湖蓝藻水华的MODIS卫星监测[J]. 湖泊科学，2008，20（2）：203-207.

[19]王同生. 太湖流域防洪与水资源管理[M]. 北京：中国水利水电出版社，2006：342.

[20]许 妍，高俊峰，黄佳聪. 太湖湿地生态系统服务功能价值评估[J]. 长江流域资源与环境，2010，19（6）：646-652.

[21]Duan H T，Ma R H，Xu X F，et al. Two-decade reconstruction of algal blooms in Chinas lake Taihu[J]. Environmental Science & Technology，2009，43（10）：3522-3528.

[22]Zhao D H，Jiang H，Yang T W，et al. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds[J]. Journal of Environmental Management，2012，95（1）：98-107.

[23]Revenga C，Kura Y. Status and trends of biodiversity of inland water ecosystems[M]// Status and Trends of Biodiversity of Inland Water Ecosystems. 2003.

[24]Luo J H，Li X C，Ma R H，et al. Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake，China[J]. Ecological Indicators，2016，60（50）：503-513.

[25]Gordon H R. Atmospheric correction of ocean color imagery in the Earth Observing System era[J]. Journal of Geophysical Research-Atmospheres，1997，102（D14）：17081-17106.

[26]Gordon H R，Clark D K. Clear water radiances for atmospheric correction of coastal zone color scanner imagery[J]. Applied Optics，1981，20（24）：4175-4180.

[27]Hu C M. A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sensing of Environment，2009，113（10）：2118-2129.

[28]Vermote E F，El S N，Justice C O，et al. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces：Background，operational algorithm and validation[J]. Journal of Geophysical Research Atmospheres，1997，102（D14）：17131-17141.

[29]李素菊，吳 倩，王学军，等. 巢湖浮游植物叶绿素含量与反射光谱特征的关系[J]. 湖泊科学，2002，14（3）：228-234.

[30]周 艺，周伟奇，王世新，等. 遥感技术在内陆水体水质监测中的应用[J]. 水科学进展，2004，15（3）：312-317.

[31]冯 伟，冯学智，马荣华. 太湖水体叶绿素浓度与反射光谱特征关系的研究[J]. 遥感信息，2007（1）：18-21.

[32]Thiemann S，Kaufmann H. Determination of chlorophyll content and trophic state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg Lake District，Germany[J]. Remote Sensing of Environment，2000，73（2）：227-235.

[33]Hu C M，Lee Z，Ma R H，et al. Moderate resolution imaging spectroradiometer （MODIS） observations of cyanobacteria blooms in Taihu Lake，China[J]. Journal of Geophysical Research-Oceans，2010，115（999）：303-306.

[34]赵忠明，朱重光. 遥感图象中薄云的去除方法[J]. 遥感学报，1996（3）：195-199.

[35]Chen P Y，Srinivasan R，Fedosejevs G，et al. An automated cloud detection method for daily NOAA-14 AVHRR data for Texas，USA[J]. International Journal of Remote Sensing，2002，23（15）：2939-2950.

[36]何全军，曹 静，黄 江，等. 基于多光谱综合的MODIS数据云检测研究[J]. 国土资源遥感，2006，18（3）：19-22.

[37]周红妹，杨星卫，陆 贤. NOAA气象卫星云检测方法的研究[J]. 遥感学报，1995（2）：137-142.

[38]Jedlovec G J，Haines S L，Lafontaine F J. Spatial and temporal varying thresholds for cloud detection in GOES imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2008，46（6）：1705-1717.

[39]Wang M H，Shi W. Cloud masking for ocean color data processing in the coastal regions[J]. IEEE Transactions on Geoscience and Remote Sensing，2006，44（11）：3196-3205.

[40]毛节泰，张军华，王美华. 中国大气气溶胶研究综述[J]. 气象学报，2002，60（5）：625-634.

[41]马荣华，唐军武，段洪涛，等. 湖泊水色遥感研究进展[J]. 湖泊科学，2009，21（2）：143-158.

[42]吕长春，王忠武，钱少猛. 混合像元分解模型综述[J]. 遥感信息，2003（3）：55-58，60.