刘旭，田杰，吴彬锋，滕骏华，何恩业

（1.国家海洋环境预报中心，北京100081；2.北京林业大学经济管理学院，北京100083）

1 引言

绿潮通常是指由于大型绿藻（如浒苔）的过度增殖、生长和聚集而形成的一种生态灾害[1]，它不仅给海洋生态环境带来一定的影响，也给我国南黄海沿岸造成了巨大的经济损失[2-4]。自2007年首次监测到青岛浒苔绿潮规模性聚集以来[5-6]，国内外藻类学、生态学、物理海洋学以及遥感学等不同领域专家围绕绿潮展开研究[7-8]，主要集中在浒苔灾害暴发的原因[9-13]、生物学机制[14]和遥感卫星监测[15-17]等方面。

相较于传统的现场监测调查评估方法[18]，遥感技术监测具有大范围、全天候、多频次和低成本的特点[5-6，19]，是监测和预判绿潮时空分布特征的有效手段[6，20]。目前，利用海洋一号卫星（HY-1C）、中分辨率成像光谱仪（MODerate resolution Imaging Spectroradiometer，MODIS）、环境一号卫星（HJ-1）、地球静止海洋水色成像仪（Geo-stationary Ocean Color Imager，GOCI）、高分一号卫星（GF-1）、Landsat 8等光学卫星数据和合成孔径雷达（Synthetic Aperture Radar，SAR）数据基本实现了绿潮的综合监测[16，21-24]，其中，MODIS影像具有幅宽大、数据源稳定、光谱信息丰富和免费获取的特点，可保障数据的连续性和绿潮的大范围宏观监测[22，25]。但是，MODIS数据存在空间分辨率较低（250 m）的问题，应用的归一化植被指数法（Normalized Difference Vegetation Index，NDVI）存在混合像元等问题，从而导致浒苔覆盖面积提取误差偏高，制约了浒苔遥感监测的应用效率和绿潮灾害的应急决策水平。

绿潮覆盖面积的精细化提取逐渐成为绿潮遥感研究热点，方法主要包括线性混合光谱模型、模糊监督分类模型和神经网络模型等[16-17，25]，其中混合像元分解模型可有效提高精度。……