郑翔宇, 高志强, 徐福祥, 宁吉才, 宋德彬, 郑丙吉



基于VB-FAH指数的黄海绿潮遥感监测及对比研究

郑翔宇1, 2, 高志强1, 徐福祥1, 2, 宁吉才1, 宋德彬1, 2, 郑丙吉3

(1. 中国科学院烟台海岸带研究所, 山东烟台 264003; 2. 中国科学院大学, 北京 100049; 3. 即墨市国土资源局, 山东青岛266200)

目前绿潮遥感监测手段大多基于单一遥感数据, 局限性很大, 为了弥补监测中空间分辨率和时间分辨率低的问题, 基于多源遥感数据, 结合虚拟基线高度浮藻指数VB-FAH(virtual-baseline floating macroAlgae height)和人工辅助判读方法, 对2015—2016年黄海发生的绿潮(大型绿藻——浒苔())进行了动态监测, 并利用两景同步影像比较了高分一号卫星WFV(GF-1 WFV)数据和资源一号04星WFI(CBERS-04 WFI)数据的监测结果, 同时也对卫星影像监测和船载监测结果进行了比较。结果表明: CBERS-04 WFI数据的监测结果与GF-1 WFV数据相比产生了15.3%~37.32%的相对偏差, 主要原因是空间分辨率的差异导致的混合像元效应。对卫星影像监测结果与船测数据进行叠加对比, 可以发现在Ⅲ级以上的绿潮数量级中卫星影像的监测精度较高。绿潮暴发的过程持续100 d左右, 4月底—5月初绿潮开始在苏北浅滩浊水区出现, 随着外界因素逐渐达到适宜生长的条件, 绿潮不断生长直至暴发, 并随黄海表层流向北漂移, 直至山东半岛南部沿岸, 7月份和8月份是绿潮的消亡阶段, 8月中旬绿潮基本消亡。本研究成果提高了监测精度, 可为绿潮的防控提供有效的信息支持。

遥感监测; 多源遥感数据; 虚拟基线高度浮藻指数(VB-FAH); 绿潮; 黄海

近些年, 黄海海域每年都会暴发不同规模的绿潮灾害, 给相关地区的经济和生态环境造成巨大的损失。由于绿潮灾害暴发突然, 成灾面积大, 分布范围不固定, 传统技术难以满足大规模、宏观、连续且同步的监测要求, 因此遥感成为监测此灾害的一种主流方法, 国内外学者对其进行了诸多的研究, Hu等[1-2]基于MODIS(moderate resolution imaging spectroradiometer)数据提出了一种新的浮藻指数FAI (floating algae index), 并根据这种指数监测了2008年青岛海域绿潮灾害; Shi等[3]基于MODIS数据, 提出了归一化藻类指数NDAI(normalized difference algae index), 并根据此指数监测了2008年黄海海域绿潮; 施英妮等[4]和吴传庆等[5]将环境一号A/B星CCD(HJ-1A/1B CCD)数据应用在黄海绿潮监测中, 结果表明, 该数据可以提供比MODIS更精细的信息, 能够精确计算出绿潮分布范围、漂移路线等信息, 是环境保护的有效手段; 薛瑞等[6]基于HJ-1A/1B数据监测了2014年黄海绿潮时空分布情况, 并比较了绿潮提取方法中归一化植被指数法和神经网络监督分类法的区别; Son等[7]基于GOCI(geostationary ocean color imager)数据, 提出了GOCI绿藻指数IGAG (index of floating green algae for GOCI), 利用该指数监测了黄东海绿潮, 并与NDVI(normalized difference vegetation index), EVI(enhanced vegetation index), KOSC(Korea Ocean Satellite Center)3种方法作了对比, 结果显示, 相比单波段比值法和NDVI算法, 基于多波段的IGAG指数对复杂的海洋环境更加敏感和可靠; 邢前国等[8]提出了一种基于虚拟基线高度的漂浮藻类遥感识别指数VB-FAH (virtual-baseline floating macroAlgae height), 并应用于Landsat、HJ-1卫星影像, 对我国黄、东海历史绿潮信息进行了监测; Qi等[9]基于MODIS数据对2007—2015年的黄海绿潮进行了长期监测, 并在月尺度和年尺度上对结果进行了分析。综合各学者的研究, 或采用MODIS、GOCI等分辨率较低的数据, 精度偏差较大, 或采用环境卫星等数据, 空间分辨率较高但时间分辨率相对较低, 易出现云雾等外界条件影响监测间隔的现象, 很难在1年中建立高时间密度的监测序列。随着研究技术的发展及监测手段的多样化, 多种遥感数据相继投入使用, 2008年之后我国相继发射了具有高分辨率和宽视场的环境一号A/B星、高分一号卫星(GF-1)、资源一号04星(CBERS-04)。因此, 本文基于VB-FAH指数, 采用我国具有自主知识产权的GF-1 WFV、HJ-1A/1B CCD、CBERS-04 WFI及美国Landsat-7 ETM+、Landstat-8 OLI等多种卫星遥感数据, 并结合船载遥感平台对2015—2016年黄海绿潮灾害进行了大范围、高时间密度的动态监测, 以期弥补单一传感器带来的空间分辨率或时间分辨率低的问题, 获得更准确的监测结果, 为分析绿潮暴发时期及分布特征提供帮助。

1 研究方法

1.1 研究区概况

本文的研究区为黄海中、南部区域(31.5°—37.5°N, 119°—124°E), 北至山东省威海市成山头, 南至长江口水域, 东至中国领海外缘线以外, 西至中国东部海岸线, 海岸线总长度约2 446.2 km, 本研究区内水体浑浊程度差异非常大[8], 江苏省附近海域海水浑浊程度非常高, 山东半岛南部近岸海域海水浑浊程度较低, 黄海中部海域水体清澈(图1)。自2008年以来, 每到夏季该研究区内都会有不同规模的绿潮灾害暴发, 由于其生物量巨大且分布范围极广, 给当地海岸带生态环境、水产养殖、旅游业等带来巨大损失, 受到了社会的广泛关注和重视[9, 11-12]。

1.2 数据处理

为了更加全面、准确地提取绿潮信息并加以分析, 本研究选用的影像数据来自中国资源卫星应用中心(China Centre for Resources Satellite Data and Application)网站提供的GF-1 WFV、HJ-1A/1B CCD、CBERS-04 WFI影像数据和美国地质勘探局(United States Geological Survey)网站提供的Landsat-7 ETM+、Landsta-8 OLI影像数据, 其中GF-1 WFV、HJ-1A/1B CCD、CBERS-04 WFI数据覆盖蓝、绿、红、近红外波段, Landsat-7 ETM+数据30 m分辨率的波段覆盖蓝、绿、红、近红外、短波红外5和7波段, Landsta-8 OLI数据包括了Landsat-7 ETM+数据的所有波段, 并在30 m分辨率的波段中增加了海岸波段1和卷云波段9, 各数据的主要技术指标如表1所示。数据的获取时间主要在4—8月, 通过查看真彩色影像, 筛选无云、少云(云盖小于30%)、能够全部覆盖或基本全部覆盖绿潮分布范围的影像, 其中HJ-1 25景、GF-1 73景、CBERS-04 12景、Landsat-7 10景、Landsat-8 5景。本研究还利用“科学3号”考察船对2016年的绿潮灾害进行了小范围的监测, 并利用该数据验证了基于VB-FAH指数进行绿潮监测的合理性。

1.3 研究方法

绿潮信息的提取是根据绿潮与海水光谱特征的差异展开, 绿潮是一种能够漂浮海面并含有大量叶绿素的大型藻类, 因此具有植被的光谱特征, 绿潮覆盖越厚, 植被的光谱特征越明显; 不同背景的海水, 光谱特征也存在明显的差异[10, 13]。统计不同覆盖厚度的绿潮水体以及不同浑浊程度的自然水体的光谱特征, 基于这些波谱特征, 本文使用VB-FAH指数提取绿潮信息, VB-FAH的计算公式定义为

表1 卫星数据的主要技术指标

注: “—”表示无波段或无30 m分辨率的波段

在利用“科学三号”考察船的船测数据对卫星影像遥感监测结果进行验证时, 本文将船测站位点得到的漂浮绿潮数据按照分布形态、大小、密度等要素分为7个数量级(表2), 并将这些点数据的坐标和属性信息输入到ArcGIS中, 与卫星影像的遥感监测结果进行对比, 得到全方位、更全面的绿潮监测信息。

表2 漂浮绿潮数量级说明

2 结果与分析

2.1 绿潮遥感监测结果比较

2.1.1 CBERS-04 WFI数据与GF-1 WFV数据监测结果比较

本文采用的多源数据中GF-1 WFV数据具有16 m高空间分辨率, CBERS-04 WFI数据的空间分辨率只有73 m, 相对较低, 因此本研究对两种数据的监测结果进行了对比。选用成像日期同为2016年5月19日的GF-1 WFV数据和CBERS-04 WFI数据, 成像时间分别为格林尼治时间3时13分和3时5分。为了进行绿潮监测结果的对比, 在两景影像共同覆盖、且有绿潮发生的区域选取了一块区域(图2中的Zone 1), 并在这块区域内随机选取5个子区(Zone 2—Zone 6), 子区内需有绿潮均匀分布, 另外需根据影像的经纬度信息及绿潮发生时的分布形态进行综合判定并作出调整, 确保每个子区内有相同或相似的绿潮斑块, 最后以子区为单位、以GF-1影像为基准, 对绿潮面积提取的结果进行对比, 计算相对偏差, 如表3所示。

由表3可见, 空间分辨率为16 m的GF-1 WFV影像与73 m的CBERS-04 WFI影像提取结果的相对偏差在15.3%~37.32%, 平均偏差为25.73%, 且CBERS-04 WFI影像提取的结果普遍比GF-1 WFV的大, CBERS-04 WFI影像的监测面积是GF-1 WFV影像的1.153~1.373倍, 平均约1.257倍。经分析, 由两景影像的成像时间差带来的偏差很小, 一方面两者成像时间仅相差8 min, 在此期间, 风和流对绿潮斑块的漂移、聚集、沉降等作用很小。而产生偏差的主要原因是两种数据空间分辨率的差异, 两景影像中的绿潮正处于生长时期, 此时绿潮稀疏分布, 斑块较小, 并未发生大规模的聚集, 因此覆盖密度较小, 绿潮覆盖密度小的斑块和绿潮斑块的边缘部分都会产生不同丰度的混合像元, 绿潮在海水中的分布越分散, 像元中绿潮与海水的混合程度越高, 由于传感器空间分辨率的不同, 导致了对同一斑块绿潮成像能力的差异, 致使低分辨率提取出的绿潮面积因混合像元程度高而偏大, 因此造成一定程度的误差。

表3 GF-1 WFV影像和CBERS-04 WFI影像子区绿潮提取结果对比

2.1.2 船载监测及其与卫星影像监测结果比较

本研究在2016年的绿潮监测中综合利用了卫星光学数据、船测数据, 实现了航天遥感与地面遥感相结合。为了对比船载与卫星影像的监测结果, 选取2016年5月19日和5月24日的船载监测数据与同日的GF-1 WFV(成像时间为格林尼治时间2016年5月19日3时13分)和Landsat-8 OLI影像监测数据(成像时间为格林尼治时间2016年5月24日2时30分)。由于卫星影像成像时间与各站位点船测数据之间存在时间差, 绿潮会发生漂移、聚集, 另外考察船实地观测时与绿潮斑块之间也存在观测距离差, 使船测点位坐标与卫星影像上绿潮斑块的坐标存在一定距离, 因此本文对船测点建立3 km的观测缓冲区, 即漂浮在缓冲区内的绿潮斑块都认定为对应站位点监测的绿潮结果, 如图3和图4所示。

船载平台能够更直观的近距离观测漂浮绿潮生长分布情况, 图3是2016年5月19日考察船在33.5°N和34°N纬度线对漂浮绿潮的监测情况, 共建立了27个船测站位点, 由图3可见, 在33.5°N纬度线上, 测量船在从121.4°E行进至122°E时, 监测的漂浮绿潮数量级别为Ⅱ级—Ⅵ级, 绿潮多呈小斑块状较密集分布, 122°E以东, 绿潮数量级多为0级和Ⅰ级, 并未发现绿潮或仅呈丝状零星分布; 在34°N纬度线上, 自121.7°E以东方向, 船载测量的绿潮数量级全部为0级和Ⅰ级, 表明在34°N、121.7°E以东的方向基本无绿潮覆盖。图4是2016年5月24日测量船在34.5°N纬度线上的监测情况, 共建立了37个船测站位点, 由图4可见121°E至122.2°E区间内有不同级别的绿潮分布, 数量级多为Ⅱ级—Ⅵ级, 小型绿潮较密集分布, 部分地区已经出现大斑块状与长带状绿潮, 相比5月19日的船载监测结果, 可见绿潮正呈不断生长和聚集的发展态势; 自122.3°E以东并无绿潮覆盖。

本研究利用64个船测点的监测数据与各站位点对应的缓冲区内卫星影像的监测结果进行了叠加对比, 统计了在绿潮的各个数量级中船测点的数量以及卫星监测结果与船载监测结果一致的站位点数量, 计算了卫星影像的相对监测精度(表4), 可以看出卫星影像提取出的绿潮信息基本和船测得出的数据一致, 在绿潮发生的区域, 当绿潮数量级越高时, 相对监测精度越高, 而部分Ⅰ级和Ⅱ级漂浮的绿潮由于斑块较小且分布较少, 通过卫星影像并不能准确监测出, 因此产生了精度偏差。

2.2 绿潮遥感监测结果

在绿潮灾害暴发期间, 由于受到诸多因素的影响, 不同时期绿潮斑块的大小、形状都有很大的差别,尤其是绿潮暴发初期和末期, 在遥感影像上绿潮斑块较小, 低分辨率影像很难监测绿潮。本文综合利用中、高分辨率的卫星数据, 建立了高密度的时间监测序列, 有效监测了2015—2016年绿潮的初始位置、发展过程及消亡情况。

表4 卫星影像监测结果与船载监测结果比较

由于夏季风的影响, 黄海表层流基本由南向北运动, 而表层流决定了绿潮的漂移方向[14-15]。提取出绿潮分布区域后, 以其在前进方向的边缘线作为趋势线, 做出2015—2016年黄海绿潮从出现到侵袭山东半岛南部沿海城市的漂移趋势图(图5), 可以明显看出, 绿潮自首次被监测之后, 整体一直由南向北移动, 最终抵达山东半岛沿岸。表5是绿潮宏观面积统计表, 结果显示, 绿潮面积变化总体呈现先增加后减少的趋势。

表5 2015年和2016年绿潮监测面积统计表

注: “—”表示有绿潮发生, 但面积过小, 可以忽略

结合图5和表5对两年的监测结果进行对比, 可以发现绿潮灾害的持续时间为100 d左右, 它的暴发周期特征可以总结为“初生—发展—暴发—消亡”4个阶段, 其溯源可以断定为江苏辐射沙洲附近的海域(120.5°—121.5°E, 33.0°—34.3°N), 4月底至5月初绿潮开始形成并零星漂浮于苏北沿岸混浊水舌, 随着海表温度、降水、光照等各种外界影响因素逐渐达到适于绿潮生长和繁殖的条件, 绿潮迅速增长并随黄海表层流向北漂移; 5月下旬, 绿潮由浊水区进入清水区, 海水中的悬浮泥沙大量减少, 提高了绿潮生长的光环境条件, 更有利于光照进入水中, 使生长速度加快, 绿潮分布特征逐步由条状、点状小斑块向大斑块生长和聚集, 经度分布范围较之前展宽; 6月是绿潮发生发展最重要的阶段, 6月上旬绿潮开始进入暴发式的生长, 生物量迅速增长, 覆盖面积和分布面积持续扩大并继续向北漂移, 到6月中下旬, 绿潮覆盖面积基本达到最大并逐渐濒临山东半岛南部城市沿岸, 由于山东半岛地理位置的原因, 黄海表层流在此处受到阻隔, 因此绿潮漂移最北可至荣成附近海域(36.5°N), 大面积绿潮可对海岸带生态环境造成巨大破坏, 2015—2016年监测到的绿潮最大覆盖面积分别达到了1 223.54 km2和1 384.181 km2; 7月—8月绿潮进入消亡阶段, 在多种因素共同影响下覆盖面积开始逐渐减小直至消失。

3 结论

本文利用多源数据完成了2015和2016年黄海绿潮灾害的动态监测, 并进行了相关研究, 研究结果表明:

1) 基于两景同步的CBERS-04 WFI数据和GF-1 WFV数据, 较低分辨率的CBERS-04 WFI数据相比GF-1 WFV数据提取绿潮时可以造成15.3%~37.32%的相对偏差, 空间分辨率差异导致的混合像元效应是产生这种偏差的主要原因。

2) 通过对船载监测的绿潮数据进行数量级分级, 可以发现与船测数据相比, 利用卫星影像和VB-FAH指数提取出的绿潮基本和船测得出的数据一致, 但由于卫星影像分辨率的原因, 在监测Ⅰ级和Ⅱ级漂浮绿潮时产生的相对偏差较大, 不能很好地监测出呈丝状或小斑块状零星分布的绿潮, 因此通过更高空间分辨率的卫星影像或无人机等手段监测将是下一步研究的方向。

3) 2015年和2016年绿潮面积变化整体呈先增加后减少的趋势, 4月底、5月初绿潮开始在苏北浅滩浊水区出现, 5月下旬绿潮开始由清水区进入浊水区, 生长速度加快, 6月上旬绿潮开始暴发式的增长, 并持续向北漂移, 6月下旬绿潮覆盖面积基本到达最大, 逐渐开始登陆山东半岛南部沿岸, 最北可至荣成附近海域, 截至8月中旬绿潮基本全部消亡。

4) 影响绿潮暴发的因素是多方面的, 探索绿潮的发生发展成因也将是下一步研究重点。

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

[2] Hu Chuanmin, Li Daqiu, Chen Changsheng, et al. On the recurrentblooms in the Yellow Sea and East China Sea[J]. Journal of Geophysical Research Atmospheres, 2010, 115(C5): 640-646.

[3] Shi Wei, Wang Menghua. Green macroalgae blooms in the Yellow Sea during the spring and summer of 2008[J]. Journal of Geophysical Research Oceans, 2009, 114(C12): 207-211.

[4] 施英妮, 石立坚, 夏明, 等. HJ-1A/1B星CCD传感器数据在黄东海浒苔监测中的应用[J]. 遥感信息, 2012, 27(2): 47-50. Shi Yingni, Shi Lijian, Xia Ming, et al. The application of HJ-1A/1B CCD data tomonitoring over the Yellow Sea and East Sea[J]. Remote Sensing Information, 2012, 27(2): 47-50.

[5] 吴传庆, 马万栋, 王雪蕾, 等. 基于环境卫星CCD数据的黄海浒苔遥感监测[J]. 中国环境监测, 2015, 31(3): 161-165. Wu Chuanqing, Ma Wandong, Wang Xuelei, et al. Remote sensing monitoring HAB in Yellow Sea by HJ1-CCD[J].Environment Monitoring in China, 2015, 31(3): 161-165.

[6] 薛瑞, 吴孟泉, 刘杨, 等. 基于HJ-1A/1B的2014年黄海海域浒苔灾害时空分布[J]. 海洋科学, 2016, 40(7): 115-123. Xue Rui, Wu Mengquan, Liu Yang, et al. Spatial and temporal variability ofin the Yellow Sea, China in 2014[J]. Marine Sciences, 2016, 40(7): 115 123.

[7] Son Y B, Min J E, Ryu J H. Detecting massive green

algae () 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.

[8] Xing Qianguo, Hu Chuanmin. Mapping macroalgal blooms in the Yellow Sea and East China Sea using HJ-1 and Landsat data: application of a virtual baseline reflectance height technique[J]. Remote Sensing of Environment, 2016, 178: 113-126.

[9] Qi Lin, Hu Chuanmin, Xing Qianguo, et al. Long-term trend ofblooms in the western Yellow Sea[J]. Harmful Algae, 2016, 58: 35–44.

[10] 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. Xing Qianguo, Zheng Xiangyang, Shi Ping, et al. Monitoring “green tide” in the Yellow Sea and the East China Sea using multi-temporal and multi-source remote sensing images[J]. Spectroscopy and Spectral Analysis, 2011, 31(6): 1644-1647.

[11] Xing Qianguo, Hu Chuanmin, Tang Danling, et al. World’s largest macroalgal blooms altered phytoplankton biomass in Summer in the Yellow Sea: satellite observations[J]. Remote Sensing, 2015, 7(9): 12297-12313.

[12] Xing Qianguo, Tosi L, Braga F, et al. Interpreting the progressive eutrophication behind the world’s largest macroalgal blooms with water quality and ocean color data[J]. Natural Hazards, 2015, 78(1): 7-21.

[13] 樊彦国, 白羽, 陈潘潘, 等. 青岛近海浒苔光谱特征研究[J]. 海洋科学, 2015, 39(4): 87-91. Fan Yanguo, Bai Yu, Chen Panpan, et al.Research of spectrum characteristics ofin Qingdao offshore[J]. Marine Sciences, 2015, 39(4): 87-91.

[14] 徐兆礼, 叶属峰, 徐韧. 2008年中国浒苔灾害成因条件和过程推测[J]. 水产学报, 2009, 33(3): 430-437. Xu Zhaoli, Ye Shufeng, Xu Ren. Possible conditions and process of the massive blooms ofin China during 2008[J]. Journal of Fisheries of China, 2009, 33(3): 430-437.

[15] 卢健, 张启龙, 李安春. 苏北沿岸流对浒苔暴发及漂移过程的影响[J]. 海洋科学, 2014, 38(10): 83-89. Lu Jian, Zhang Qilong, Li Anchun. The influence of Subei coastal current on the outbreak and drift of[J]. Marine Sciences, 2014, 38(10): 83-89.

Study of remote sensing monitoring and comparison of green tide in the Yellow Sea based on VB-FAH index

ZHENG Xiang-yu1, 2, GAO Zhi-qiang1, XU Fu-xiang1, 2, NING Ji-cai1, SONG De-bin1, 2,ZHENG Bing-ji3

(1. Yantai Institute of Coastal Zone Research, the Chinese Academy of Sciences, Yantai 264003, China; 2. Universityof the Chinese Academy of Sciences, Beijing 100049, China; 3. Jimo Land Resources Bureau, Qingdao 266200, China)

Most current monitoring methods are based on single remote sensing data, and thus have considerable limitations. To compensate for spatial resolution and time resolution deficiencies, multi-source remote sensing data are used to capture the green tide (large green algae-) in the Yellow Sea in 2015 and 2016. Data are then monitored and analyzed through the VB-FAH index and a manual assisted interpretation method. Monitoring results of GF-1 WFV and CBERS-04 WFI are then compared with two scene synchronous images, and results of ship monitoring and satellite image monitoring are also compared. Results show that compared with GF-1 WFV data, monitoring results of CBERS-04 WFI data produce a relative deviation of 15.3%~37.32%; this is mainly attributed to the mixed pixel effect caused by the different spatial resolution. By superimposing the monitoring results of satellite images on measured data for comparison and analysis, it is found that the relative monitoring accuracy is higher above grade III. The green tide outbreak lasts about 100 days, from late April to early May. It initially appears in the turbidity zone of the Northern Jiangsu Shoal, and external factors enable it to gradually reach suitable growth conditions. It then continues to grow until it becomes an outbreak, and then flows northwards by the Yellow Sea surface flow until it finally arrives on the southern coast of the Shandong Peninsula. July and August are the extinction stages of the green tide and by mid-August it has almost completely disappeared. Results of this study can be used to improve monitoring accuracy and provide effective information support for the prevention and control of green tide.

remote sensing monitoring; multi-source data; virtual-baseline floating macro-algae height; green tide; the Yellow Sea

(本文编辑: 刘珊珊)

[Basic Special Program of Ministry of Science and Technology, No. 2014FY210600; Strategic Priority Research Program of the Chinese Academy of Sciences, No. XDA11020000; Key Program of the Chinese Academy of Sciences, No. KZZD-EW-14; Talent Fund of Yantai Institute of Coastal Zone Research, the Chinese Academy of Sciences; Aoshan Science and Technology Innovation Program of Qingdao National Laboratory for Marine Science and Technology, No. 2016ASKJ02]

Sept. 28, 2016

X87

A

1000-3096(2017)05-0071-09

10.11759/hykx20160928002

2016-09-28;

2017-04-11

科技部基础支撑项目(2014FY210600); 中国科学院战略性先导科技专项(A类)(XDA11020000); 中国科学院重点部署项目(KZZD-EW-14); 中国科学院烟台海岸带研究所人才引进项目; 青岛海洋科学与技术国家实验室鳌山科技创新计划项目(2016ASKJ02)

郑翔宇(1992-), 男, 山东青岛人, 硕士研究生, 主要从事近海生态灾害遥感监测研究, E-mail: xiangyuzheng@yic.ac.cn; 高志强, 通信作者, 研究员, 博士生导师, E-mail: zqgao@yic.ac.cn