蔡晓晴，崔廷伟，郑荣儿，秦平，牟冰

(1.中国海洋大学，山东 青岛 266100；2.国家海洋局 第一海洋研究所，山东 青岛 266061)

1 前 言

绿潮是在一定环境条件下，海水中某些大型藻类(如浒苔)爆发性增殖或高度聚集的一种生态异常现象[1-2]。从2007年起，我国北起大连、南到三亚的多处近岸海域均发生了不同规模的绿潮灾害，其中，2008年黄海大规模绿潮灾害更为世界罕见[3-5]。

基于船舶走航的传统绿潮探测方法耗时、费力，而卫星光学遥感技术具有大范围、同步、快速观测能力，可以准确获取绿潮分布信息，在绿潮业务监测中发挥了不可替代的作用[6-9]。

绿潮卫星光学遥感监测主要基于绿潮和海水在红光和近红外波段的光谱差异[10-11]，由于绿潮光谱与陆地植被类似，因此在早期的监测中，各种植被指数算法，如比值植被指数RVI(Ratio Vegetation Index)、归一化差值植被指数NDVI(Normalized Difference Vegetation Index)、增强型植被指数EVI(Enhanced Vegetation Index)等，得到了广泛应用，其中，NDVI算法被普遍采纳[12-18]。随着研究的深入，近年来又发展了新的绿潮探测算法，如韩国海洋卫星中心的KOSC算法[19]；Hu等基于绿潮短波红外波段光谱特征的FAI(Floating Algae Index)算法[20]；Son等针对GOCI的IGAG(Index of floating Green Algae for GOCI)算法[19]；Shanmugam等提出的OSABI(Ocean Surface Algal Bloom Index)算法[21]等，但各类新算法之间的对比研究尚未报道。

韩国于2010年6月发射了世界上第一颗静止轨道水色卫星COMS(Communication，Ocean，and Meteorological Satellite)，其上搭载的GOCI(Geostationary Ocean Color Imager)水色成像仪可以获取我国渤海、黄海、东海一日八景，时间间隔1h，空间分辨率500m的光学遥感影像；GOCI在400nm～900nm区间设置了8个波段，其中，红光和近红外各有2个波段，中心波长分别为660nm、680nm、745nm和865nm，可用于绿潮监测[22]。GOCI的问世为绿潮逐时变化的卫星遥感监测提供了可能，但目前仍缺乏针对GOCI的不同绿潮探测算法及不同波段选择的绿潮探测能力对比研究。

本文选择了2011年～2013年的六景黄海GOCI影像，进行了遥感影像的瑞利散射校正，基于目视解译方法分别选取了绿潮和海水样本，构建了测试数据集。在此基础上，针对NDVI、RVI、EVI、OSABI、KOSC、IGAG 6种主流的绿潮探测算法，分别选择不同的GOCI红光和近红外波段选择方式进行了对比，分析了不同算法及其波段选择方式的绿潮探测能力，以期为GOCI绿潮业务监测提供参考。

2 数 据

从搜集到的2011年～2013年黄海绿潮爆发期间的一百余景GOCI影像中，遴选了天气晴好、绿潮信息明显的六景影像作为本文的研究数据，如表1所示。

GOCI的波段设置如表2所示。影像中心经纬度为东经130°，北纬36°，覆盖范围为2500km×2500km。

表1 选取的六景GOCI影像的基本信息

表2 GOCI波段设置和用途

3 方 法

3.1 大气校正

水色卫星影像通常需进行大气校正，以剔除大气分子瑞利散射和气溶胶散射的贡献。瑞利散射在大气贡献中占主导，气溶胶散射贡献相对较小且随波长增加呈减小趋势。在绿潮探测常用的红光和近红外波段，气溶胶散射贡献小于绿潮信号，因此绿潮卫星遥感监测中通常可只进行瑞利散射校正[19-20]。

根据辐射传输理论，在不考虑太阳耀斑和海面白沫的情况下，瑞利校正反射率可由式(1)表示：

R=RT-Rr=Ra+t0tRtarget

(1)

其中，RT为卫星接收到的大气层顶反射率，Rr为大气分子瑞利散射的反射率，Ra为气溶胶反射率(包括气溶胶与大气分子相互作用的影响)，Rtarget为绿潮或海水的地面实际反射率，t0、t分别为从太阳到地面和从地面到卫星传感器的大气透射率。

本文利用GDPS(GOCI Data Processing Software)软件进行GOCI影像的瑞利散射校正。

3.2 样本选取

从六景影像中分别选取绿潮和海水样本，用来测试和对比不同绿潮探测算法及其波段选择方式的绿潮探测能力。

基于假彩色合成影像(Red为Band 5、Green为Band 7或8、Blue为Band 2)，利用目视解译方法，进行绿潮、海水样本的选择。以2013年6月20日影像为例，如图1所示。

图1 2013年6月20日，GOCI假彩色合成(R为Band 5、G为Band 7、B为Band 2)影像及选择的绿潮、海水样本

图1为2013年6月20日GOCI假彩色合成(R为Band 5、G为Band 7、B为Band 2)影像及选择的绿潮、海水样本。其中，海域中绿色部分为绿潮，红框内为所选取的绿潮样本，蓝框内为所选取的海水样本。

为了确保样本的准确性，尽可能地避免误判，选择绿潮特征最为明显的像元作为绿潮样本，选择清澈(开阔海域的暗像元)、均匀的海水像元作为海水样本，且绿潮、海水样本均来自无云、不受太阳耀斑影响的海域。同时，绿潮、海水样本尽可能包含空间上分散、不同区域的像元，以使结果更具代表性，如图1中海水样本分别选自青岛近海、黄海中部海域以及苏北辐射沙洲外围海域。每景影像所选取的绿潮和海水样本的像元数均相等(表3)。

3.3 绿潮探测算法

选择了如下6种主流的绿潮探测算法：RVI、NDVI、EVI、KOSC、IGAG和OSABI(由于FAI需使用GOCI不具备的短波红外波段，因此未列入对比范围)，计算公式如下：

表3 从六景影像中选取的样本像元数

(2)

(3)

EVI=G×(RNIR-RR)/(RNIR+c1×RR-c2×RB+c3)

(4)

(5)

(6)

OSABI=10*[RNIR-(RR-RNIR)]

(7)

其中，RNIR、RR和、RG和RB分别为近红外、红光、绿光和蓝光波段的瑞利校正反射率。EVI算法中经验参数取值如下：G=2.5，c1=6，c2=7.5，c3=1[23]。

3.4 不同算法绿潮探测能力对比

借鉴模式识别领域区分两类样本所采用的“类间距”概念，利用如下的指标来评判不同算法绿潮探测能力差异：

(8)

4 结果分析

4.1 绿潮、海水光谱差异分析

六景GOCI影像绿潮、海水样本的平均光谱和标准偏差如图2所示。

图2 GOCI绿潮、海水平均光谱及标准偏差

由图2可知，从红光(波段5和6)到近红外波段(波段7和8)，绿潮光谱有显著的跃升，而海水光谱则呈明显的下降趋势。GOCI绿潮光谱在5、6波段的量值相当，主要原因是这2个波段的中心波长相距较近(660nm与680nm)，且绿潮在该波段范围光谱平坦[25-26]。但7、8波段GOCI绿潮光谱的标准偏差明显大于其他波段，且不同影像的绿潮光谱量值和形态也有差异，可能的原因是绿潮处于不同生长阶段，厚度、密集度等有所差别。由此可以推断，绿潮探测算法的红光波段采用GOCI波段5或6对结果的影响可能不大，但近红外波段采用波段7或8可能有较显著的差别，因此有必要研究各算法需采用何种波段选择方式。

4.2 绿潮探测算法及其波段选择方式的对比

针对上述6种算法，其中，红光波段分别采用GOCI波段5和6，近红外波段分别采用GOCI波段7和8，如此两两组合，每种算法共有4种波段选择方式。将上述算法及不同的波段选择方式分别应用于所选择的6种影像的绿潮、海水样本，由相应样本计算结果的均值和方差计算Dgw，结果如图3所示。

图3 6种算法及其不同波段选择方式的绿潮探测能力对比

由图3中各算法及其波段选择方式的对比结果可见：①RVI、EVI、KOSC、OSABI 4种算法的绿潮探测能力相当，且在六景影像中的表现一致；②NDVI算法的探测能力明显优于以上4种算法，在(a)、(b)两景影像中为最优算法，在(c)、(d)、(e)、(f)四景影像中绿潮探测能力列第二位；③IGAG算法的绿潮探测能力表现出显著的不确定性，在(a)、(b)两景影像中IGAG算法的探测能力是6种算法中最差的，但在(c)、(d)、(e)、(f)四景影像中却为最好的。

从波段选择的角度来看，6种算法的红光波段采用GOCI波段5或6对结果的影响不大，但近红外波段采用GOCI波段7或8则对结果影响较大，这也印证了前文关于波段选择方式对算法绿潮探测能力影响的推断。

5 讨 论

从6种绿潮探测算法的对比来看，NDVI算法在全部六景影像中均表现出了稳定、突出的绿潮探测能力，与传统的RVI、EVI算法以及近年来新发展的KOSC、IGAG、OSABI算法相比，NDVI仍是GOCI卫星绿潮业务监测的首选算法。

IGAG算法的绿潮探测能力在四景影像中为最优，表现出了很大的应用潜力，但其具有显著的不确定性，可能的原因是该算法在分母上采用了近红外波段和红光波段的差的形式，但仍有待于进一步分析和验证。

从各算法不同波段选择方式的对比来看，6种算法红光波段采用GOCI波段5或6对绿潮探测的结果的影响不大，原因是GOCI的2个红光波段相隔较近(660nm和680nm)，量值差别较小。近红外波段采用波段7或8对结果的影响比较显著，主要原因是绿潮在近红外波段的光谱响应有差异(图2)。所以未来发展新的GOCI绿潮探测算法时，应综合利用近红外两个波段的信息。

本文6种主流算法绿潮探测能力的对比分析是基于六景GOCI影像开展的，进一步的算法对比研究需增加数据量，尤其是涵盖绿潮的不同发展阶段，并补充不同绿潮覆盖率以及浑浊水体的绿潮样本；另外，GOCI一天有八景影像，各算法对应用于不同时刻GOCI影像时其绿潮探测能力是否存在差异也需要深入研究。

6 结束语

本文利用2011年～2013年间的六景GOCI影像，评估了6种主流的绿潮探测算法，分析了不同算法及其波段选择方式的绿潮探测能力。结果表明：①NDVI算法的绿潮探测能力明显优于RVI、EVI、KOSC、OSABI 4种算法，是GOCI绿潮业务监测的可靠选择；IGAG算法具有一定的应用潜力，但其探测能力不确定性显著，有时优于NDVI算法，有时逊于其他4种算法；②采用上述6种算法进行GOCI绿潮探测时，红光波段选择GOCI波段5或6对绿潮探测的影响不大，而近红外波段选择波段7或波段8差异明显，未来发展新的GOCI绿潮探测算法时，应综合利用近红外2个波段的信息。

致谢：感谢韩国海洋科学技术院(Korea Institute of Ocean Science & Technology，KIOST)提供的GOCI卫星数据和GDPS数据处理软件。

参考文献：

[1] NELSON T A，LEE D J，SMITH B C.Are “green tides” harmful algal blooms? Toxic properties of water-soluble extracts from two bloom-forming microalgae，ulvafenestrata and ulvariaobscura (ulvophyceae)[J].Journal of Phylology，2003，39(5)：874-879.

[2] 梁刚.大型藻类遥感监测方法研究[D].大连：大连海事大学，2011.

[3] HU C，HE M.Origin and offshore extent of floating algae in olympic sailing area[J].Eos，American Geophysical Union Transactions，2008，89(33)：302-303.

[4] SHI W，WANG M.Green macroalgae blooms in the Yellow Sea during the spring and summer of 2008[J].Journal of Geophysical Research，2009，114(C12)：1-10.

[5] LIU D，KEESING J K，XING Q，et al.World’s largest macroalgal bloom caused by expansion of seaweed aquaculture in China[J].Marine Pollution Bulletin，2009，58(6)：888-895.

[6] 于风.青岛-黄海浒苔卫星光学遥感[D].青岛：中国海洋大学，2010.

[7] 刘建强，蒋兴伟，邹斌，等.浒苔多源卫星遥感监测技术研究[J].浒苔生态学研究，2009：3-11.

[8] 邢前国，郑向阳，施平，等.基于多源、多时相遥感影像的黄、东海绿潮影响区检测[J].光谱学与光谱分析，2011，31(6)：1644-1647.

[9] CUI T W，ZHANG J，SUN L E，et al.Satellite monitoring of massive green macroalgae bloom (GMB)：Imaging ability comparison of multi-source data and drifting velocity estimation[J].International Journal of Remote Sensing，2012，33(17)：5513-5527.

[10] 孙立娥.绿潮遥感探测影响因素分析[D].青岛：青岛大学，2012.

[11] 顾行发，陈兴峰，尹球，等.黄海浒苔灾害遥感立体监测[J].光谱学与光谱分析，2011，31(6)：1627-1632.

[12] 刘振宇，江涛.基于MODIS数据的浒苔信息提取方法研究[J].测绘科学，2008，33(z1)：113-114.

[13] 蒋兴伟，刘建强，邹斌，等.浒苔灾害卫星遥感应急监视监测系统及其应用[J].海洋学报，2009，31(1)：52-64.

[14] 张娟.浒苔遥感监测方法研究及软件实现——以青岛奥帆赛场及周边海域为例[D].成都：电子科技大学，2009.

[15] 孙凌，郭茂华，李三妹，等.用FY-3A MERSI进行青岛海域浒苔监测[J].遥感信息，2010，(1)：64-68.

[16] 李三妹，李亚君，董海鹰，等.浅析卫星遥感在黄海浒苔监测中的应用[J].应用气象学报，2010，21(1)：76-82.

[17] 叶娜，贾建军，田静，等.浒苔遥感监测方法的研究进展[J].国土资源遥感，2013，25(1)：7-12.

[18] 钟山，丁一，李振，等.MODIS浒苔遥感监测误差分析研究[J].遥感信息，2013，28(1)：38-42.

[19] SON Y B，MIN J E，RYU J H.Detecting massive green algae (Ulva prolifera) blooms in the Yellow Sea and East China Sea using geostationary ocean color imager (GOCI) data[J].Ocean Science Journal，2012，47(3)：359-375.

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

[21] SHANMUGAM P，SURESH M，SUNDARABALAN B.OSABT：An innovative algorithm to detect and characterize ocean surface algal blooms.Applied earth observations and remote sensing[J].Applied Earth Observations and Remote Sensing，2013，6(4)：1879-1892.

[22] RYU J H，HAN H J，CHO S，et al.Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS)[J].Ocean Science Journal，2012，44(3)：223-233.

[23] HUETE A R，JUSTICE C.MODIS vegetation index (MOD13) algorithm theoretical basis document[M].1999.

[24] WEBB A R.统计模式识别(第二版)[M].北京：电子工业出版社，2004.

[25] 赵文静，张杰，崔廷伟，等.水下悬浮浒苔海面光谱响应的辐射传输模拟[J].光谱学与光谱分析，2009，29(6)：1656-1660.

[26] 卢霞，谢宏全，周立，等.浒苔藻体时间序列光谱特征的曲线估计[J].海洋湖沼通报，2012(3)：96-102.