靜止海洋水色衛(wèi)星(GOCI)綠潮探測(cè)算法對(duì)比研究

蔡曉晴，崔廷偉，鄭榮兒，秦平，牟冰

(1.中國海洋大學(xué)，山東 青島 266100；2.國家海洋局 第一海洋研究所，山東 青島 266061)

1 前 言

綠潮是在一定環(huán)境條件下，海水中某些大型藻類(如滸苔)爆發(fā)性增殖或高度聚集的一種生態(tài)異?，F(xiàn)象[1-2]。從2007年起，我國北起大連、南到三亞的多處近岸海域均發(fā)生了不同規(guī)模的綠潮災(zāi)害，其中，2008年黃海大規(guī)模綠潮災(zāi)害更為世界罕見[3-5]。

基于船舶走航的傳統(tǒng)綠潮探測(cè)方法耗時(shí)、費(fèi)力，而衛(wèi)星光學(xué)遙感技術(shù)具有大范圍、同步、快速觀測(cè)能力，可以準(zhǔn)確獲取綠潮分布信息，在綠潮業(yè)務(wù)監(jiān)測(cè)中發(fā)揮了不可替代的作用[6-9]。

綠潮衛(wèi)星光學(xué)遙感監(jiān)測(cè)主要基于綠潮和海水在紅光和近紅外波段的光譜差異[10-11]，由于綠潮光譜與陸地植被類似，因此在早期的監(jiān)測(cè)中，各種植被指數(shù)算法，如比值植被指數(shù)RVI(Ratio Vegetation Index)、歸一化差值植被指數(shù)NDVI(Normalized Difference Vegetation Index)、增強(qiáng)型植被指數(shù)EVI(Enhanced Vegetation Index)等，得到了廣泛應(yīng)用，其中，NDVI算法被普遍采納[12-18]。隨著研究的深入，近年來又發(fā)展了新的綠潮探測(cè)算法，如韓國海洋衛(wèi)星中心的KOSC算法[19]；Hu等基于綠潮短波紅外波段光譜特征的FAI(Floating Algae Index)算法[20]；Son等針對(duì)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，但各類新算法之間的對(duì)比研究尚未報(bào)道。

韓國于2010年6月發(fā)射了世界上第一顆靜止軌道水色衛(wèi)星COMS(Communication，Ocean，and Meteorological Satellite)，其上搭載的GOCI(Geostationary Ocean Color Imager)水色成像儀可以獲取我國渤海、黃海、東海一日八景，時(shí)間間隔1h，空間分辨率500m的光學(xué)遙感影像；GOCI在400nm～900nm區(qū)間設(shè)置了8個(gè)波段，其中，紅光和近紅外各有2個(gè)波段，中心波長分別為660nm、680nm、745nm和865nm，可用于綠潮監(jiān)測(cè)[22]。GOCI的問世為綠潮逐時(shí)變化的衛(wèi)星遙感監(jiān)測(cè)提供了可能，但目前仍缺乏針對(duì)GOCI的不同綠潮探測(cè)算法及不同波段選擇的綠潮探測(cè)能力對(duì)比研究。

本文選擇了2011年～2013年的六景黃海GOCI影像，進(jìn)行了遙感影像的瑞利散射校正，基于目視解譯方法分別選取了綠潮和海水樣本，構(gòu)建了測(cè)試數(shù)據(jù)集。在此基礎(chǔ)上，針對(duì)NDVI、RVI、EVI、OSABI、KOSC、IGAG 6種主流的綠潮探測(cè)算法，分別選擇不同的GOCI紅光和近紅外波段選擇方式進(jìn)行了對(duì)比，分析了不同算法及其波段選擇方式的綠潮探測(cè)能力，以期為GOCI綠潮業(yè)務(wù)監(jiān)測(cè)提供參考。

2 數(shù) 據(jù)

從搜集到的2011年～2013年黃海綠潮爆發(fā)期間的一百余景GOCI影像中，遴選了天氣晴好、綠潮信息明顯的六景影像作為本文的研究數(shù)據(jù)，如表1所示。

GOCI的波段設(shè)置如表2所示。影像中心經(jīng)緯度為東經(jīng)130°，北緯36°，覆蓋范圍為2500km×2500km。

表1 選取的六景GOCI影像的基本信息

表2 GOCI波段設(shè)置和用途

3 方 法

3.1 大氣校正

水色衛(wèi)星影像通常需進(jìn)行大氣校正，以剔除大氣分子瑞利散射和氣溶膠散射的貢獻(xiàn)。瑞利散射在大氣貢獻(xiàn)中占主導(dǎo)，氣溶膠散射貢獻(xiàn)相對(duì)較小且隨波長增加呈減小趨勢(shì)。在綠潮探測(cè)常用的紅光和近紅外波段，氣溶膠散射貢獻(xiàn)小于綠潮信號(hào)，因此綠潮衛(wèi)星遙感監(jiān)測(cè)中通常可只進(jìn)行瑞利散射校正[19-20]。

根據(jù)輻射傳輸理論，在不考慮太陽耀斑和海面白沫的情況下，瑞利校正反射率可由式(1)表示：

R=RT-Rr=Ra+t0tRtarget

(1)

其中，RT為衛(wèi)星接收到的大氣層頂反射率，Rr為大氣分子瑞利散射的反射率，Ra為氣溶膠反射率(包括氣溶膠與大氣分子相互作用的影響)，Rtarget為綠潮或海水的地面實(shí)際反射率，t0、t分別為從太陽到地面和從地面到衛(wèi)星傳感器的大氣透射率。

本文利用GDPS(GOCI Data Processing Software)軟件進(jìn)行GOCI影像的瑞利散射校正。

3.2 樣本選取

從六景影像中分別選取綠潮和海水樣本，用來測(cè)試和對(duì)比不同綠潮探測(cè)算法及其波段選擇方式的綠潮探測(cè)能力。

基于假彩色合成影像(Red為Band 5、Green為Band 7或8、Blue為Band 2)，利用目視解譯方法，進(jìn)行綠潮、海水樣本的選擇。以2013年6月20日影像為例，如圖1所示。

圖1 2013年6月20日，GOCI假彩色合成(R為Band 5、G為Band 7、B為Band 2)影像及選擇的綠潮、海水樣本

圖1為2013年6月20日GOCI假彩色合成(R為Band 5、G為Band 7、B為Band 2)影像及選擇的綠潮、海水樣本。其中，海域中綠色部分為綠潮，紅框內(nèi)為所選取的綠潮樣本，藍(lán)框內(nèi)為所選取的海水樣本。

為了確保樣本的準(zhǔn)確性，盡可能地避免誤判，選擇綠潮特征最為明顯的像元作為綠潮樣本，選擇清澈(開闊海域的暗像元)、均勻的海水像元作為海水樣本，且綠潮、海水樣本均來自無云、不受太陽耀斑影響的海域。同時(shí)，綠潮、海水樣本盡可能包含空間上分散、不同區(qū)域的像元，以使結(jié)果更具代表性，如圖1中海水樣本分別選自青島近海、黃海中部海域以及蘇北輻射沙洲外圍海域。每景影像所選取的綠潮和海水樣本的像元數(shù)均相等(表3)。

3.3 綠潮探測(cè)算法

選擇了如下6種主流的綠潮探測(cè)算法：RVI、NDVI、EVI、KOSC、IGAG和OSABI(由于FAI需使用GOCI不具備的短波紅外波段，因此未列入對(duì)比范圍)，計(jì)算公式如下：

表3 從六景影像中選取的樣本像元數(shù)

(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分別為近紅外、紅光、綠光和藍(lán)光波段的瑞利校正反射率。EVI算法中經(jīng)驗(yàn)參數(shù)取值如下：G=2.5，c1=6，c2=7.5，c3=1[23]。

3.4 不同算法綠潮探測(cè)能力對(duì)比

借鑒模式識(shí)別領(lǐng)域區(qū)分兩類樣本所采用的“類間距”概念，利用如下的指標(biāo)來評(píng)判不同算法綠潮探測(cè)能力差異：

(8)

4 結(jié)果分析

4.1 綠潮、海水光譜差異分析

六景GOCI影像綠潮、海水樣本的平均光譜和標(biāo)準(zhǔn)偏差如圖2所示。

圖2 GOCI綠潮、海水平均光譜及標(biāo)準(zhǔn)偏差

由圖2可知，從紅光(波段5和6)到近紅外波段(波段7和8)，綠潮光譜有顯著的躍升，而海水光譜則呈明顯的下降趨勢(shì)。GOCI綠潮光譜在5、6波段的量值相當(dāng)，主要原因是這2個(gè)波段的中心波長相距較近(660nm與680nm)，且綠潮在該波段范圍光譜平坦[25-26]。但7、8波段GOCI綠潮光譜的標(biāo)準(zhǔn)偏差明顯大于其他波段，且不同影像的綠潮光譜量值和形態(tài)也有差異，可能的原因是綠潮處于不同生長階段，厚度、密集度等有所差別。由此可以推斷，綠潮探測(cè)算法的紅光波段采用GOCI波段5或6對(duì)結(jié)果的影響可能不大，但近紅外波段采用波段7或8可能有較顯著的差別，因此有必要研究各算法需采用何種波段選擇方式。

4.2 綠潮探測(cè)算法及其波段選擇方式的對(duì)比

針對(duì)上述6種算法，其中，紅光波段分別采用GOCI波段5和6，近紅外波段分別采用GOCI波段7和8，如此兩兩組合，每種算法共有4種波段選擇方式。將上述算法及不同的波段選擇方式分別應(yīng)用于所選擇的6種影像的綠潮、海水樣本，由相應(yīng)樣本計(jì)算結(jié)果的均值和方差計(jì)算Dgw，結(jié)果如圖3所示。

圖3 6種算法及其不同波段選擇方式的綠潮探測(cè)能力對(duì)比

由圖3中各算法及其波段選擇方式的對(duì)比結(jié)果可見：①RVI、EVI、KOSC、OSABI 4種算法的綠潮探測(cè)能力相當(dāng)，且在六景影像中的表現(xiàn)一致；②NDVI算法的探測(cè)能力明顯優(yōu)于以上4種算法，在(a)、(b)兩景影像中為最優(yōu)算法，在(c)、(d)、(e)、(f)四景影像中綠潮探測(cè)能力列第二位；③IGAG算法的綠潮探測(cè)能力表現(xiàn)出顯著的不確定性，在(a)、(b)兩景影像中IGAG算法的探測(cè)能力是6種算法中最差的，但在(c)、(d)、(e)、(f)四景影像中卻為最好的。

從波段選擇的角度來看，6種算法的紅光波段采用GOCI波段5或6對(duì)結(jié)果的影響不大，但近紅外波段采用GOCI波段7或8則對(duì)結(jié)果影響較大，這也印證了前文關(guān)于波段選擇方式對(duì)算法綠潮探測(cè)能力影響的推斷。

5 討 論

從6種綠潮探測(cè)算法的對(duì)比來看，NDVI算法在全部六景影像中均表現(xiàn)出了穩(wěn)定、突出的綠潮探測(cè)能力，與傳統(tǒng)的RVI、EVI算法以及近年來新發(fā)展的KOSC、IGAG、OSABI算法相比，NDVI仍是GOCI衛(wèi)星綠潮業(yè)務(wù)監(jiān)測(cè)的首選算法。

IGAG算法的綠潮探測(cè)能力在四景影像中為最優(yōu)，表現(xiàn)出了很大的應(yīng)用潛力，但其具有顯著的不確定性，可能的原因是該算法在分母上采用了近紅外波段和紅光波段的差的形式，但仍有待于進(jìn)一步分析和驗(yàn)證。

從各算法不同波段選擇方式的對(duì)比來看，6種算法紅光波段采用GOCI波段5或6對(duì)綠潮探測(cè)的結(jié)果的影響不大，原因是GOCI的2個(gè)紅光波段相隔較近(660nm和680nm)，量值差別較小。近紅外波段采用波段7或8對(duì)結(jié)果的影響比較顯著，主要原因是綠潮在近紅外波段的光譜響應(yīng)有差異(圖2)。所以未來發(fā)展新的GOCI綠潮探測(cè)算法時(shí)，應(yīng)綜合利用近紅外兩個(gè)波段的信息。

本文6種主流算法綠潮探測(cè)能力的對(duì)比分析是基于六景GOCI影像開展的，進(jìn)一步的算法對(duì)比研究需增加數(shù)據(jù)量，尤其是涵蓋綠潮的不同發(fā)展階段，并補(bǔ)充不同綠潮覆蓋率以及渾濁水體的綠潮樣本；另外，GOCI一天有八景影像，各算法對(duì)應(yīng)用于不同時(shí)刻GOCI影像時(shí)其綠潮探測(cè)能力是否存在差異也需要深入研究。

6 結(jié)束語

本文利用2011年～2013年間的六景GOCI影像，評(píng)估了6種主流的綠潮探測(cè)算法，分析了不同算法及其波段選擇方式的綠潮探測(cè)能力。結(jié)果表明：①NDVI算法的綠潮探測(cè)能力明顯優(yōu)于RVI、EVI、KOSC、OSABI 4種算法，是GOCI綠潮業(yè)務(wù)監(jiān)測(cè)的可靠選擇；IGAG算法具有一定的應(yīng)用潛力，但其探測(cè)能力不確定性顯著，有時(shí)優(yōu)于NDVI算法，有時(shí)遜于其他4種算法；②采用上述6種算法進(jìn)行GOCI綠潮探測(cè)時(shí)，紅光波段選擇GOCI波段5或6對(duì)綠潮探測(cè)的影響不大，而近紅外波段選擇波段7或波段8差異明顯，未來發(fā)展新的GOCI綠潮探測(cè)算法時(shí)，應(yīng)綜合利用近紅外2個(gè)波段的信息。

致謝：感謝韓國海洋科學(xué)技術(shù)院(Korea Institute of Ocean Science & Technology，KIOST)提供的GOCI衛(wèi)星數(shù)據(jù)和GDPS數(shù)據(jù)處理軟件。

參考文獻(xiàn)：

[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] 梁剛.大型藻類遙感監(jiān)測(cè)方法研究[D].大連：大連海事大學(xué)，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] 于風(fēng).青島-黃海滸苔衛(wèi)星光學(xué)遙感[D].青島：中國海洋大學(xué)，2010.

[7] 劉建強(qiáng)，蔣興偉，鄒斌，等.滸苔多源衛(wèi)星遙感監(jiān)測(cè)技術(shù)研究[J].滸苔生態(tài)學(xué)研究，2009：3-11.

[8] 邢前國，鄭向陽，施平，等.基于多源、多時(shí)相遙感影像的黃、東海綠潮影響區(qū)檢測(cè)[J].光譜學(xué)與光譜分析，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] 孫立娥.綠潮遙感探測(cè)影響因素分析[D].青島：青島大學(xué)，2012.

[11] 顧行發(fā)，陳興峰，尹球，等.黃海滸苔災(zāi)害遙感立體監(jiān)測(cè)[J].光譜學(xué)與光譜分析，2011，31(6)：1627-1632.

[12] 劉振宇，江濤.基于MODIS數(shù)據(jù)的滸苔信息提取方法研究[J].測(cè)繪科學(xué)，2008，33(z1)：113-114.

[13] 蔣興偉，劉建強(qiáng)，鄒斌，等.滸苔災(zāi)害衛(wèi)星遙感應(yīng)急監(jiān)視監(jiān)測(cè)系統(tǒng)及其應(yīng)用[J].海洋學(xué)報(bào)，2009，31(1)：52-64.

[14] 張娟.滸苔遙感監(jiān)測(cè)方法研究及軟件實(shí)現(xiàn)——以青島奧帆賽場(chǎng)及周邊海域?yàn)槔齕D].成都：電子科技大學(xué)，2009.

[15] 孫凌，郭茂華，李三妹，等.用FY-3A MERSI進(jìn)行青島海域滸苔監(jiān)測(cè)[J].遙感信息，2010，(1)：64-68.

[16] 李三妹，李亞君，董海鷹，等.淺析衛(wèi)星遙感在黃海滸苔監(jiān)測(cè)中的應(yīng)用[J].應(yīng)用氣象學(xué)報(bào)，2010，21(1)：76-82.

[17] 葉娜，賈建軍，田靜，等.滸苔遙感監(jiān)測(cè)方法的研究進(jìn)展[J].國土資源遙感，2013，25(1)：7-12.

[18] 鐘山，丁一，李振，等.MODIS滸苔遙感監(jiān)測(cè)誤差分析研究[J].遙感信息，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.統(tǒng)計(jì)模式識(shí)別(第二版)[M].北京：電子工業(yè)出版社，2004.

[25] 趙文靜，張杰，崔廷偉，等.水下懸浮滸苔海面光譜響應(yīng)的輻射傳輸模擬[J].光譜學(xué)與光譜分析，2009，29(6)：1656-1660.

[26] 盧霞，謝宏全，周立，等.滸苔藻體時(shí)間序列光譜特征的曲線估計(jì)[J].海洋湖沼通報(bào)，2012(3)：96-102.