孙立娥，崔廷伟，崔文连

（1.青岛市环境监测中心站，山东青岛266003；2.国家海洋局第一海洋研究所，山东青岛266061）

多源卫星绿潮遥感信息提取易混淆因素分析

孙立娥1，2，崔廷伟2，崔文连1

（1.青岛市环境监测中心站，山东青岛266003；2.国家海洋局第一海洋研究所，山东青岛266061）

针对绿潮遥感信息提取过程中容易出现的几种易混淆因素，开展了多源卫星绿潮遥感信息提取易混淆因素分析研究。基于多源遥感卫星图像，分析了光学和微波遥感数据在提取绿潮过程中常见的几种易混淆因素。结果发现：（1）HJ－1卫星CCD遥感影像上，岛屿、船只、堤坝、云都是易混淆因素。在信息提取中，需结合基础地理资料或“天地图”，将岛屿识别出来，此方法同样适用于MODIS和SAR数据。对于堤坝、船只和有云覆盖的绿潮区域，则需要通过人机交互的方式进行识别。（2）MODIS遥感影像中散布的小面积云和条带噪声是易混淆因素，因此需在MODIS数据预处理中进行云掩膜和条带噪声去除。（3）ENVISAT ASAR遥感影像中船只是易混淆因素，需通过人机交互的方式进行区分。

绿潮；易混淆因素；HJ－1A／B CCD；SAR；MODIS

0 引 言

近年来，我国北起大连、南到三亚的多处近岸海域都发生了不同规模的绿潮灾害，其中2008年青岛近岸海域发生的大规模绿潮灾害世界罕见，危及青岛奥帆赛的举行，受到广泛关注［1－2］。

有效的监测是应对绿潮灾害的一项重要内容，卫星遥感监测是绿潮灾害监测的主要技术手段，使用的数据主要是光学和微波遥感影像。光学数据的业务化绿潮监测方法利用了NDVI阈值［3－7］，但在遥感图像上是否有其他地物具有与绿潮相同的NDVI，目前尚缺乏研究。微波数据一般用作光学数据业务化绿潮监测的补充，目前用于提取绿潮信息应用较多的方法是人机交互［3］，但在SAR影像上是否存在与绿潮特征相似的地物信息，目前也缺乏研究。

业务化监测强调准确性、自动性和时效性，为了更好地进行绿潮遥感监测业务化运行，本文分析了光学和微波遥感图像上常出现的易混淆因素，并提出了针对各种易混淆因素的识别方法。

1 数据和方法

1.1 遥感数据

环境与灾害监测预报小卫星星座A、B星（HJ－1A／B星）于2008年9月6日发射，两颗卫星轨道相同、相位相差180°、均搭载了4波段CCD相机，两星组网后CCD相机的重访周期为2天。CCD图像幅宽700km，空间分辨率30m，4个波段分别为蓝（430nm～520nm）、绿（520nm～600nm）、红（630nm～690nm）和近红外（760nm～900nm）。本文选用的是2010年7月9日的HJ－1CCD数据。

中等分辨率光谱成像仪（Moderate Resolution Imaging Spectroradiometer；MODIS）的空间分辨率是250m，有红光（620nm～670nm）和近红外（841nm～876nm）两个波段。本文选用的是2008年6月28日的MODIS数据。

欧空局ENVISAT卫星上的合成孔径雷达（Advanced Synthetic Aperture Radar；ASAR）Image模式数据，空间分辨率是30m，波长为5.6cm。本文选用的是2008年6月28日和2009年7月5日的MODIS数据ASAR。

1.2 方法

对于HJ－1CCD和MODIS数据，根据绿潮光谱特征［8］，利用归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）进行绿潮信息提取，算法如下：

其中，NIR和R分别代表近红外波段和红光波段的反射率，T为阈值，理论上T取0即可，但实际上由于大气辐射等的影响，T值可能不为0，实际操作中，结合假彩色合成图像，进行阈值调整和判定。

ENVISAT ASAR图像中绿潮斑块具有区别于海水的后向散射特征，且形状不规则，利用人机交互的方式进行绿潮信息提取。

2 结果分析

2.1 HJ－1 CCD易混淆因素分析

分析HJ－1CCD影像中容易与绿潮混淆或者容易导致绿潮信息漏提的因素，主要有岛屿、船只、堤坝和薄云覆盖下的绿潮，它们在NDVI计算后图像和遥感影像上的目视结果如图1～图4所示。

图1 HJ－1 CCD影像上的易混淆因素——岛屿

图2 HJ－1 CCD影像上的易混淆因素——船只

图3 HJ－1 CCD影像上的易混淆因素——堤坝

图4 HJ－1 CCD影像上的易混淆因素——云和绿潮混合斑块

由图1可见，在NDVI计算结果图和HJ－1 CCD假彩色合成图上，绿潮和岛屿的目视情况一致；图2和图3中，船只和堤坝在进行NDVI计算之后与绿潮十分相似，但在假彩色合成图中比较好识别；薄云覆盖下的绿潮在假彩色合成图中还可以识别，进行NDVI计算后与云混在一起，不容易识别。

分别提取岛屿、船只、堤坝、云和绿潮混合斑块的NDVI值，作统计直方图进行分析，如图5所示。

统计分析每个易混淆因素样本总数所覆盖的NDVI区间，具体数值见表1。

图5 各样本NDVI统计直方图

表1 各样本NDVI区间统计结果

由图5和表1可知，海水的NDVI值在－0.37～－0.32之间，绿潮的NDVI值在0.06～0.44之间，岛屿的NDVI值在0.41～0.73之间，岛屿比绿潮的NDVI值还要大，这是极易混淆因素；船只的NDVI值在0.04～0.16之间，堤坝的NDVI值在－0.04～0.14之间，都与绿潮的NDVI区间有重叠，因此也容易被误提；薄云覆盖下的绿潮NDVI值在－0.08～0.22之间，与绿潮的NDVI区间有重叠，但是还有部分位于阈值区间，极易漏提。由此可知，最容易混淆的因素是岛屿，船只、堤坝也容易被误提，而薄云覆盖下的绿潮容易漏提。

因此，在进行绿潮信息提取时，不能单靠NDVI计算，需通过调用地理底图数据或结合“天地图”的数据，将陆地周围的海岛识别出来，避免错提为绿潮；对于堤坝、船只和有云覆盖的绿潮区域，则需要在遥感影像假彩色合成图上通过人机交互的方式进行识别。

2.2 MODIS易混淆因素分析

分析MODIS遥感影像中容易与绿潮混淆的因素，主要是小面积散布的云和条带噪声，它们在NDVI计算后图像和遥感影像上的目视结果如图6、图7所示。

图6 云和绿潮在NDVI图和遥感影像图上的成像结果

图7 条带噪声和绿潮在NDVI图和遥感影像图上的成像结果

由图6和图7可见，在NDVI计算结果图上绿潮、云和条带噪声的目视结果一致，但在增强后的MODIS假彩色合成图上可以明显区分绿潮、云和条带噪声，从两景影像上分别选择绿潮、云和条带噪声的斑块进行研究，其中实线框中为绿潮样本，虚线框中为云和条带噪声样本。提取样本的NDVI值，得到统计直方图，如图8所示。

由图8可知，2008年6月28日绿潮样本的NDVI值分布在－0.32～0.06之间，条带噪声的NDVI值分布在－0.34～0.10之间；2009年7月5日绿潮样本的NDVI值分布在－0.44～0.04之间，云样本的NDVI值分布在－0.45～－0.05之间，由此可见，无论是条带噪声还是云，其NDVI值都与绿潮样本的NDVI值在同一区间，在绿潮遥感信息提取过程中极易发生混淆，因此在MODIS遥感影像预处理过程中的云掩膜和条带噪声的去除尤为重要。

2.3 ENVISAT ASAR易混淆因素分析

ENVISAT ASAR遥感影像图上的易混淆因素主要是船只，船只和绿潮在图像上的特征见图9和图10。

图8 选择样本NDVI统计直方图

图9 SAR影像上的某平台和船只

图10 SAR影像上的绿潮和船只

由于船只上面有铁等高介电常数的材料，在一定的方向上如表面体与入射波束垂直或以具有角外形结构排列时（如角反射器）能将雷达信号直接反射，并产生很强的回波信号。船只大多都有上层建筑或甲板结构，均能起到直接反射或角反射器的作用［9］。并且，由于船只的金属特性及角反射，舰船目标成像高亮，还时常伴有旁瓣（“十字叉”）［10］。

图9中为江苏近海某海上平台，平台周围的亮色“十字叉”都是船只；图10中实线框圈出的亮色斑块是绿潮，形状不规则，并且一般呈条带状，而虚线框内圈出的亮斑是船，通常都是呈十字形状，因此在利用ENVISAT ASAR影像进行绿潮遥感信息提取时，需注意区分船只等易混淆因素。

3 结束语

本文在大量业务工作基础上，针对HJ－1CCD、 MODIS和ENVISAT ASAR遥感数据，对绿潮提取过程中可能出现的几种易混淆因素进行了分析讨论，结论如下：

①HJ－1卫星CCD遥感影像上，岛屿、船只、堤坝、云都是易混淆因素，薄云覆盖下的绿潮极易漏提，因此在绿潮遥感信息提取时，必须结合地图等基础地理资料或“天地图”数据，将图像中的岛屿识别出来，此方法同样可用于MODIS和SAR数据。对于堤坝、船只和有云覆盖的绿潮区域，则需要通过人机交互的方式进行识别。

②MODIS遥感影像中散布的小面积云和条带噪声是易混淆因素，所以在利用MODIS数据进行绿潮遥感信息提取时，需要在预处理中进行云掩膜和条带噪声去除。

③ENVISAT ASAR遥感影像中船只是易混淆因素，所幸船只在SAR影像上一般呈十字形状，掌握了这个特征后，在信息提取过程中通过人机交互的方式即可进行识别。

目前光学数据只分析了HJ－1CCD和MODIS在利用NDVI方法进行绿潮信息提取时出现的易混淆因素，而更多的绿潮遥感探测算法（如漂浮藻类指数法，FAI）［11］及更多的光学数据（如静止海洋水色卫星，GOCI）［12］也已应用于绿潮遥感信息提取。因此，在下一步工作中，还需要考虑更多的绿潮遥感探测算法及更多源的光学遥感数据。

致谢：感谢中国资源卫星应用中心提供的环境卫星数据；感谢美国NASA提供的MODIS数据。

［1］张晓雯，毛玉泽，序志猛，等.黄海绿潮浒苔的形态学观察及分子鉴定［J］.中国水产科学，2008，15（5）：822－829.

［2］衣立，张苏平，殷玉齐.2009年黄海绿潮浒苔爆发与漂移的水文气象环境［J］.中国海洋大学学报（自然科学版），2010，40（10）：15－23.

［3］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.

［4］施英妮，石立坚，夏明，等.HJ－1A／B星CCD传感器数据在黄东海浒苔监测中的应用［J］.遥感应用，2012（2）：47－50.

［5］孙凌，郭茂华，李三妹，等.用FY－3AMERSI进行青岛海域浒苔监测［J］.遥感信息，2010，25（1）：64－68.

［6］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.

［7］王国伟，李继龙，杨文波，等.利用MODIS和RADARSAT数据对浒苔的监测研究［J］.海洋湖沼通报，2010（4）：1－8.

［8］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.

［9］APEL J R，JACKSON C R，COLÓN P C，et al.Synthetic aperture radar marine user＇s manual［M］.Washington DC，2004：277－303.

［10］胡粲彬.面向特定目标的SAR图像筛选技术研究［D］.湖南：国防科学技术大学研究生院，2008.

［11］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.

［12］蔡晓晴，崔廷伟，郑荣儿，等.静止海洋水色卫星（GOCI）绿潮探测算法对比研究［J］.遥感信息，2014，29（5）：44－50.

Confusable Factors for Green Tide Detection Based on Multi－satellite Data

SUN Li－e1，2，CUI Ting－wei2，CUI Wen－lian1
（1.Qingdao Environmental Monitoring Center，Qingdao 266003；2.First Institute of Oceanography，State Oceanic Administration，Qingdao 266061）

Based on multi－source satellite images，the common confusable factors in retrieving green tide from optical and microwave remote sensing data were analyzed.Results show that：（1）With respect to CCD images of HJ－1satellite，islands，ships，dams and clouds are the confusable factors.So when we extract the green tide information from the remote sensing images，we must combine them with basic geographic data or“Map World”，which can help us identify the islands from the images.This method also applies to MODIS and SAR data.For the dams，ships and the green tide area covered under the cloud，one needs to identify through the way of human－computer interaction.（2）For MODIS data，dispersed clouds with small area and stripe noise are confusable factors.When we extract the green tide information from MODIS remote sensing images，we need to mask the cloud and remove the stripe noise in preprocessing.（3）On ENVISAT ASAR data，ships are confusable factor.We can distinguish them by human－computer interaction.

green tide；confusable factor；HJ－1A／B CCD；Synthetic Aperture Radar（SAR）；Moderate Resolution Imaging Spectroradiometer（MODIS）

10.3969／j.issn.1000－3177.2015.06.002

TP79

A

1000－3177（2015）142－0008－05

2014―10―09

2014―12―08

孙立娥（1986—），女，硕士，助理工程师，主要从事海洋及生态遥感研究。

E－mail：sle＿903＠163.com

崔廷伟（1979—），男，博士，副研究员，主要从事海洋遥感研究。

E－mail：cuitingwei＠fio.org.cn