董京铭，石轩硕，张银意，郝 玲，马晨晨

（1.连云港市气象局，江苏 连云港 222000；2.南京信息工程大学海洋科学学院，南京 210044）

近年来，大型藻类灾害事件在中国近海海域频发，已成为危及海洋经济发展和生态安全的一大不确定因素。其中，以浒苔（Ulva prolifera）为主的绿潮是最常见的大型藻类灾害［1，2］。自2007 年后，浒苔绿潮已成为近海每年必遇的海洋生态灾害，特别是江苏至山东海域［3］。浒苔环境适应能力和繁殖能力较强，在特定的环境下会暴发繁殖和聚集形成“绿潮”现象，从而造成系列的海洋生态问题和海洋经济损失［4，5］。因此，做好浒苔绿潮灾害的监控预警工作成为防灾减灾最重要的前提保障。然而，受风、潮汐和海流等因素的综合影响，漂浮浒苔的分布状况可能会在短时间内发生变化［6］，同时浒苔暴发持续时间长，所以采用地面调查观测方法（如船舶、站点）难以掌握其时空变化，且费时费力。相比而言，卫星遥感技术可以在时间和空间尺度上连续提供观测资料，实现宏观、准实时和周期性获取浒苔信息，已成为绿潮监测与预警的重要手段。特别的是，光学卫星遥感数据成为目前监测浒苔的主要资料。

截止目前，研究者针对光学传感器的波段特点提出诸多遥感算法，用于浒苔灾害的监测及其后续研究工作。光学遥感算法依赖于浒苔在可见光和红外波段具有独特的反射光谱特性，明显区别于非浒苔海水［7］。例如，归一化植被指数法仅需要红光和近红外波段，基本适用于所有光学传感器。然而，它对外界环境和观测条件变化很敏感。基于MODIS（Moderate-resolution Imaging Spectroradiometer）数据，Shi等［8］通过分析2008 年黄海浒苔事件设计了归一化差异指数。基于红光、近红外（Near infrared，NIR）和短波红外（Shortwave Infrared，SWIR）波段的瑞利校正反射率，Hu［7］设计了FAI 指数（Floating Algae Index）。该指数有效降低了外界观测环境的干扰，如气溶胶变化、太阳耀斑等，但无法移植到缺少SWIR 波段的卫星传感器。参考FAI 设计思路，Xing等［9］针对未配置SWIR 波段的传感器提出了VBFAH（Virtual-Baseline Floating Macroalgae Height）指数，并应用于HJ-CCD 数据监测中国近海浒苔灾害。Son 等［10］面 向GOCI（Geostationary Ocean Color Imager）数据开发出IGAG（Indexoffloating Green Algaefor GOCI）算法。除此之外，人工智能算法也逐渐应用于浒苔遥感监测研究，如神经网络［11，12］、随机森林算法［13］。上述基于光谱特性的浒苔遥感监测算法主要基于瑞利校正反射率（Rayleigh-corrected Reflectance，Rrc）、遥感反射率（Remote Sensing Reflectance，Rrs）或地表反射率（Reflectance，Ref）信号，因此需要较精确的瑞利校正或者大气校正方案，这在一定程度上增加了算法实施的复杂性，同时需要更多辅助信息［14］。为了避开瑞利校正和大气校正，Zhang等［15］基于大气层顶反射率（Top-of-atmosphere Reflectance，RTOA），结合缨帽变换开发了绿度指数来增强浒苔与非浒苔信号差异，实现浒苔遥感识别。

综上所述，学者们针对浒苔绿潮灾害已开展了大量研究工作，并取得了一些显著的研究成果。然而，以往工作所使用的遥感数据绝大多数为国外卫星资料，而国产卫想遥感数据使用较少［2］。这种现状将会造成国内卫星资源的浪费，不利于国内水色遥感技术的良性发展。同时，浒苔遥感监测研究多采用太阳同步极轨卫星遥感数据，如MODIS、Landsat7-ETM+、HJ-CCD等，但时间分辨率一般为1～2 d，这无法很好满足具有高频变化的浒苔事件的监测需求［16］。国产静止轨道卫星高分四号（GF4）携带的MSS（Multi-spectral Scanner）传感器具有高空间分辨率（50 m）和极高时间分辨率（20 s），在浒苔面积的精细化提取和高频变化监测方面展示出巨大潜力。为此，针对国产GF4-MSS 数据，本研究基于卫星RTOA信号采用缨帽变换方法开展浒苔信息提取研究，并与FAI 和VB-FAH 算法的监测结果进行对比分析，以期挖掘国产静止卫星GF4 的浒苔监测应用能力，同时推广国产光学卫星数据在海洋灾害方面的使用率。

1 研究区域与数据

1.1 研究区域概况

本研究所选取的研究区域是中国黄海近海海域，其经纬度范围为34°N—37°N，119°E—124°E，如图1（a）所示。该海域为温带季风气候，年平均气温16 ℃，夏季温暖湿润，光照充足。黄海沿海有多条河流汇入，陆源营养盐持续输入，营养物质充足［17］，为浒苔在该海域发生增殖现象提供了条件。自2007 年后，黄海海域每年5 月至9 月都会出现浒苔绿潮事件，造成海洋生态环境被破坏和巨大经济损失。

图1 研究区域范围

1.2 研究数据及预处理

本研究共使用2 种卫星遥感数据源：GF4-MSS和Landsat 8-OLI（Operational Land Imager）。其中，GF4-MSS 数据主要用于阐述绿度指数的构建和验证，同时研究分析浒苔覆盖范围变化过程；Landsat 8-OLI数据主要用于验证GF4-MSS 浒苔监测精度。1.2.1 GF4-MSS 数据 高分四号卫星是中国于2015 年12 月发射的第一颗地球同步轨道遥感卫星，搭载了一台可见光-近红外波段的多光谱相机MSS，采用面阵凝视方式成像，其扫描宽度大于400 km。通过指向控制实现对中国及周边地区的观测。GF4-MSS 传感器拥有蓝、绿、红和近红外4 个波段，空间分辨率为50 m，重访时间仅为20 s，具体参数见表1。GF4-MSS 的Level-1A 数据可以从中国资源卫星应用中心（http：//www.cresda.com/CN/）下载获取。本研究以2019 年浒苔绿潮事件为例来研究分析GF4-MSS 的浒苔监测能力，筛选出多幅晴空少云的卫星遥感影像，其过境日期分别为2019年6月27日、7 月5 日、7 月11 日、7 月21 日、8 月3 日、8 月17 日。

表1 GF4-MSS 传感器参数

GF4-MSS Level 1 遥感影像为原始DN（Digital Number）数据，受卫星观测姿态、大气、地形等因素影响，产生几何误差和辐射误差［18］。因此，需要进行辐射定标和几何校正等预处理，然后进行水陆分离，以便后续浒苔信息的遥感提取。辐射定标的目的是将遥感图像DN转换为辐射亮度L（λ），有利于对不同时间图像进行比较。通过绝对辐射定标系数可以得到辐亮度L（λ），计算公式为：

式中，g（λ）和b（λ）分别为波长λ处的传感器辐射定标的增益和偏移，可以在头文件或者官网资料中获取（CRESDA；http：//www.cresda.com/CN/）。由于本研究利用大气层顶反射率RTOA信号实现浒苔的遥感监测，故根据公式（2）进一步计算得到GF4-MSS 的RTOA遥感数据。

式中，d为日地天文距离；θs为太阳天顶角，可在头文件中获取；Esun（λ）为波长λ处大气层外太阳辐照度，可在CRESDA 官网公开资料中获取。此外，为了验证GF4-MSS 绿度指数的监测精度，本研究基于同一GF4-MSS 影像采用VB-FAH 指数的监测结果进行对比。这里VB-FAH 指数的计算是基于Ref信号［见公式（5）］，故需要对遥感图像进行大气校正处理。采用FLAASH（Fast Line-of-slight Atmospheric Analysis of Spectral Hypercubes）大气校正方法获取GF4-MSS 的Ref数据。

1.2.2 Landsat 8-OLI 数据 Landsat 8 是美国陆地卫星计划（Landsat）的第八颗卫星，于2013 年2 月11号发射成功，携带陆地成像仪OLI 和热红外传感器（Thermal Infrared Sensor，TIRS）。其中，OLI 传感器拥有9 个光谱波段，涵盖可见光-近红外-短波红外波段范围，即0.433～0.453 μm（波段1，海岸波段）、0.450～0.515 μm（波段2，蓝光）、0.525～0.600 μm（波段3，绿光）、0.630～0.680 μm（波段4，红光）、0.845～0.885 μm（波段5，近红外）、1.560～1.660 μm（波段6，短波红外）、2.100～2.300 μm（波段7，短波红外）、0.500～0.680 μm（波段8，全色波段）、1.360～1.390 μm（波段9，卷云波段）。第1～第7 波段的空间分辨率为30 m，时间分辨率为16 d。

从USGS 网站（https：//earthexplorer.usgs.gov/）下载2019 年6 月27 日Landsat 8-OLI 影像，其与GF4-MSS 遥感影像时空匹配，以用于验证国产卫星GF4-MSS 数据的浒苔监测效果。该验证方法是对比GF4-MSS 绿度指数与Landsat 8-OLI FAI 指数的监测结果。Landsat 8-OLI FAI 指数的计算是基于Ref影像数据［见公式（6）］，所以根据图像的辐射定标系数和大气校正所需参数，对Landsat 8-OLI 图像进行辐射定标和大气校正处理。

2 研究方法

2.1 利用RTOA信号监测浒苔的理论基础

浒苔作为水生植物，含有大量叶绿素，当其处于漂浮海面状态时，导致浒苔光谱曲线在近红外波段出现高反射峰。同时，浒苔与非浒苔水体对光的反射作用显著不同［19］。为了更全面地对比海水与浒苔的光谱特征差异，从多景GF4-MSS 卫星影像上选取了大量浒苔、陆地植物、清澈海水、浑浊海水和云像元，并统计不同目标物像元的大气层顶反射率，如图2 所示。从图2 明显可以看出，浒苔RTOA光谱曲线在绿光和近红外波段存在反射峰，在红光（660 nm）附近存在吸收峰，并且在750 nm 附近反射率急剧上升，形成“红边现象”。相比，清澈和浑浊海水的RTOA光谱在绿光波段没有明显反射率，更没有红边现象（图2）。浒苔与清澈和浑浊海水的RTOA光谱特性差异是本研究基于RTOA信号实现浒苔遥感提取的理论依据。

2.2 缨帽变换和绿度指数

2.2.1 缨帽变换及其变换矩阵 缨帽变换，又称Kauth-Thomas 变换，是由Kauth 等［20］提出的一种线性变换方法。该变换旋转光谱的坐标空间不是指向主成分的方向，而是指向与地物类型和变化有密切关系的方向，特别是与植被生长过程和土壤有关［20，21］。在陆地遥感中，缨帽变换经常被用于陆地植被和农作物研究。值得注意的是，漂浮浒苔和陆地植被的RTOA光谱特征在可见光和近红外波段处相似（图2）。因此，在理论上采用缨帽变换方法可以增强浒苔像元信息，从而实现浒苔与非浒苔像元的遥感区分。

图2 浒苔、清澈海水、浑浊海水、陆地植物和云的大气层顶反射率光谱曲线

在数学层面上，缨帽变换是一种线性变换。对4 波段遥感影像数据来说，缨帽变换的矩阵形式表示为：

式中，TCB、TCG、TCW和Fourth是缨帽变换后得到4 个分量，分别表示亮度、绿度、湿度和噪声分量；X（λi）表示像素的光谱向量，在本研究中为大气层顶反射率RTOA；ci，j是变换矩阵。为了使缨帽变换更好地增强浒苔信息，Zhang 等［15］面向HJ-CCDRTOA遥感数据针对浒苔推导出特定的变换矩阵，见表2。该变换矩阵直接应用到本研究中GF4-MSS 图像，因为GF4-MSS 和HJ-CCD 传感器的波段设置相似。Zhang 等［15］研究中，缨帽变换矩阵的推导过程为：首先基于HJ-CCD 和Landsat 8-OLI 匹配样本集采用多元线性回归方法求解得到湿度分量系数，即公式（3）的c3j；然后使用传统的施密特正交化（Gram-Schmidt Orthogonalization，GSO）方法相继得出亮度分量系数c1，i、绿度分量系数c2，j和噪声分量系数c4，j。特别说明的是，在求解绿度分量系数时，使用浒苔像元代替之前研究中陆地植被像元，以保证绿度分量代表了浒苔的主导地位。

表2 GF4-MSS 数据的缨帽变换矩阵

2.2.2 绿度指数监测浒苔 绿度分量能够较好地增强浒苔信息，加剧浒苔与非浒苔像元的差异。故采用缨帽变换后的绿度分量（又称绿度指数TCG）进行浒苔信息的遥感提取。绿度指数TCG 的计算公式为：

式中，RTOA（λi）表示GF4-MSS 第i波段处大气层顶反射率。浒苔和非浒苔像元的TCG差异较大，使用TCG＞k（k为阈值），可以从非浒苔像元中区分出浒苔像元，以实现遥感监测浒苔的目的。

2.3 精度验证

由于浒苔漂浮在海面上且呈斑块分布，及时和准确地获得浒苔的实地观测资料是比较困难的［9］，故无法以浒苔分布“真值”来评估绿度指数的监测精度。在这种情况下，采用以下2 种方法进行交叉定量验证：①基于同一GF4-MSS 遥感影像，绿度指数的监测结果与VB-FAH 指数的浒苔监测结果进行比较；②针对同一海域，对比分析GF4-MSS TCG 和Landsat8-OLI FAI 指数的浒苔监测结果。VB-FAH指数和FAI指数的计算式分别为：

式中，Refgreen、Refred、Refnir和Refswir分别为绿、红、近红外和短波红外波段处的地表反射率；λgreen、λred、λnir和λswir分别为绿、红、近红外、短波红外波段的中心波长，视HJ-CCD 和Landsat8-OLI传感器而定。

3 结果与分析

3.1 基于RTOA信号的GF4-MSS 缨帽变换分析

根据上述GF4-MSS 影像预处理流程，见“1.2.1”，本研究获取得到每幅GF4-MSS 的大气层顶反射率RTOA遥感产品。从不同GF4-MSS 数据中人工选取大量浒苔、清澈海水、浑浊海水和浒苔像元样本，然后使用表2 中缨帽变换系数处理得到4 个分量，即亮度、绿度、湿度和噪声分量。图3 展示了浒苔、清澈海水和浑浊海水目标物在前3 个变换分量的统计特征。需要说明的是，第4 分量主要为噪声信号，含有较少有用信息，故在此不作详细分析。从图3 中可以发现，对亮度分量和湿度分量来说，浒苔与背景目标（即清澈水体和浑浊水体）的统计数值范围存在重叠或者接近，这说明采用亮度分量或湿度分量区分两者比较困难。相比之下，浒苔与海水目标在绿度分量上差异明显，表明绿度分量（即绿度指数TCG）可以作为遥感区分浒苔和非浒苔像元的有效指标。换而言之，基于卫星RTOA遥感数据得到的绿度指数信息，选择合理的阈值就可以实现浒苔信息的遥感监测。

图3 浒苔、清澈水体和浑浊水体的缨帽变换分量的统计特征

3.2 GF4-MSS 绿度指数的浒苔监测

为了更清晰展示浒苔和遥感图像中主要背景目标物（即清澈水体、浑浊水体和云）的绿度指数的差异，从多幅不同日期的GF4-MSS 图像上选取5 591个浒苔像元、5 663 个浑浊水体的像元、6 002 个清澈水体像元和6 059 个云像元，进而计算得到这些像元的绿度指数TCG（图4）。由图4 可以看出，浒苔像元的TCG分布范围明显独立于其他3 个目标像元的TCG范围。浒苔的TCG集中在-0.05 以上，绝大多数大于零，然而清澈水体、浑浊水体和云像元的TCG均小于-0.07。这种情况表明绿度指数TCG能够有效地区分浒苔像元与非浒苔像元，并且阈值可设置为-0.07 附近。此外，云像元与浒苔像元的TCG指数也存在明显差异，这意味着在浒苔遥感提取过程中，不需要额外的云检测算法来进行云去除。

图4 浒苔、浑浊海水、清澈海水和云的TCG 数值分布

此外，本研究从2019 年7 月2 日GF4-MSS 图像中（图5a）选择北黄海子海域#1（图5b），用于直观展示TCG指数提取浒苔结果。首先，获取图5b 遥感影像的大气层顶反射率数据，接着进行缨帽变换处理得到绿度分量数据。浒苔像元具有较高的TCG，用亮色颜色表示，而海水和云像素的TCG较低，由蓝色表示（图5c）。通过设置TCG阈值为-0.07 识别出浒苔像元，如图5d 所示。TCG 算法的浒苔监测结果与图5b 中浒苔真彩色图像轮廓非常吻合。结合图4和图5 进行分析，结果表明面向GF4-MSSRTOA数据，绿度指数的浒苔监测效果较好，同时可以有效排除云的干扰。

图5 2019 年7 月2 日GF4-MSS 影像（a）、子海域真彩色合成图像（b）、TCG 指数图像（c）及浒苔监测结果（d）

3.3 浒苔监测结果的精度验证

依据“2.3”的验证方法，采用2019 年6 月27 日GF4-MSS 和Landsat 8-OLI 的时空匹配影像对（图6 a、d、g）进行评估TCG 算法的监测精度。针对GF4-MSS 影像，依据“1.2.1”处理步骤获取RTOA和Ref遥感产品。将TCG和VB-FAH指数分别应用于卫星RTOA和Ref上获取相应的FGTI（图6b）和VB-FAH 结果（图6e）。基于此，根据合理的阈值识别出浒苔像元（图6c、f）。类似地，获取Landsat 8-OLI 的Ref数据，进而获取FAI指数（图6h）及其浒苔监测结果（图6i）。

通过对比GF4-MSSTCG指数和VB-FAH指数的提取结果（图6c、f）发现，2 种算法的浒苔分布基本一致，并且与GF4-MSS 真彩色图像（图6a）的浒苔位置和轮廓高度吻合。2 种指数的监测浒苔面积相差不大（TCG指数为27.88 km2；VB-FAH指数为24.51 km2）。此外，GF4-MSSTCG指数对薄云覆盖下浒苔也能够较好地识别（如图6 中黄圈所示），说明该指数具有对环境敏感性较低和受薄云影响小的优点。另一方面，对比GF4-MSSTCG指数提取浒苔结果（图6c）和Landsat 8-OLI FAI指数结果（图6i），2幅图像中浒苔位置和轮廓基本一致，并且覆盖范围接近（TCG指数为27.88 km2，FAI指数为31.39 km2）。需要说明的是，基于GF4-MSS 和Landsat 8-OLI 影像监测的浒苔位置和大小略有变化，其主要原因是这2 个不同传感器影像的过境时间相差4 h，在短时间内浒苔的漂浮状况可能发生部分改变。但是，绝大多数浒苔斑块，尤其是大斑块的轮廓基本相同，因此可以判断GF4-MSS TCG 和Landsat 8-OLI FAI 算法的浒苔监测结果基本一致。综上结果表明，类似于VB-FAH 和FAI 算法，本研究基于GF4-MSSRTOA信号所构建的绿度指数可以有效地监测浒苔绿潮，并且对薄云覆盖下浒苔像元进行监测。

图6 GF4-MSS 真彩色图像（a、d）、TCG 图像（b）及其浒苔提取结果（c）、VB-FAH 图像（e）及其浒苔提取结果（f）、Landsat 8-OLI真彩色图像（g）、FAI图像（h）及其浒苔提取结果（i）

3.4 GF4-MSS 监测浒苔动态变化

国产地球静止高分卫星GF4-MSS 的两景图像最短时间间隔为20 s，这为浒苔绿潮灾害的动态变化监测和应对提供了有利的数据保障。从中国资源卫星中心官网下载获取了质量好且少云的2019 年6月27 日、7 月5 日、7 月11 日、7 月21 日、8 月3 日、8 月17 日的GF4-MSS 图像。针对这些GF4-MSS 遥感影像，利用绿度指数提取了不同日期的浒苔信息（图7），进而绘制和分析其浒苔覆盖范围和分布范围的变化（图8）。

从图7 可以看 出，2019 年6 月27 日江苏 北部及山东外部海域存在大量浒苔，但7 月11 日浒苔基本都漂移至山东半岛的南部海域。从6 月27 日至8 月17 日，浒苔的总体分布范围呈现向北移动的趋势。经统计，在6 月27 日浒苔覆盖面积为505.64 km2，分布面积为31 062.42 km2，在8 月3 日浒苔的覆盖面积和分布面积仅为9.16、1 210.38 km2。从2019 年6 月27 日至8 月3 日，黄海海域的浒苔分布呈现减小趋势，浒苔处于消亡阶段，直到8 月17 日，黄海海域已无浒苔覆盖（图7 f），基本已消亡。由2019 年中国海洋灾害公报可知，黄海海域浒苔在4 月下旬开始出现，分别于6 月17 日和27 日覆盖范围达到最大值，并在7 月下旬开始逐渐消亡。从图8 中可以看出，本研究提取的浒苔覆盖范围变化基本与实际情况相符合，整体随时间变化出现向东向北偏移的趋势。

图7 基于2019 年不同日期GF4-MSS 影像监测浒苔灾害的覆盖范围和分布范围

图8 2019 年6 月27 日至8 月3 日浒苔覆盖范围的变化

4 小结

本研究基于国产高分卫星GF4-MSS 数据进行浒苔绿潮监测能力分析，并开展浒苔灾害的动态监测与分析研究，得到以下结论。

1）基于GF4-MSS 大气层顶反射率数据，利用绿度指数算法高精度地提取浒苔信息，证明了国产高分静止卫星的浒苔灾害监测能力。

2）该算法简单易实施，并且不需要大气校正步骤和额外的云掩膜环节。

3）利用2019 年多幅GF4-MSS 影像监测浒苔灾害的动态变化发现，从2019 年6 月27 日至8 月17 日浒苔分布面积呈现出一直减小的趋势；浒苔经历由南向北的漂移路径，最终在山东半岛沿海逐渐消亡。

致谢：感谢中国资源卫星应用中心提供的GF4卫星资料，USGS 提供的Landsat8 影像。