基于高分六號(hào)數(shù)據(jù)提取太湖藍(lán)藻方法的對(duì)比及適用性分析*

潘 鑫，楊 子，楊英寶**，孫怡璇，劉蘇儀，謝文英，李藤藤

(1：河海大學(xué)地球科學(xué)與工程學(xué)院，南京 211100) (2：河海大學(xué)江蘇省水資源環(huán)境遙感監(jiān)測(cè)評(píng)估工程研究中心，南京 211100)

近年來(lái)太湖藍(lán)藻暴發(fā)加劇，因此探究藍(lán)藻的提取方法對(duì)太湖的水資源保護(hù)具有重要意義. 但目前大多采用國(guó)外衛(wèi)星數(shù)據(jù)對(duì)太湖藍(lán)藻進(jìn)行提取，采用國(guó)內(nèi)高分系列衛(wèi)星數(shù)據(jù)研究較少，因此本文展開(kāi)基于高分六號(hào)衛(wèi)星數(shù)據(jù)對(duì)太藻提取的方法探究和適用性分析.

基于國(guó)外衛(wèi)星數(shù)據(jù)對(duì)太湖藍(lán)藻提取的研究中，王琳等[1-5]都采用Landsat系列衛(wèi)星影像，分別運(yùn)用指數(shù)閾值法、決策樹(shù)模型、RF模型、單波段閾值法和支持向量機(jī)對(duì)太湖藍(lán)藻進(jìn)行提取，取得了較好的結(jié)果. 王萌[6]以太湖為研究區(qū)，采用新一代靜止氣象衛(wèi)星Himawari-8，對(duì)太湖藍(lán)藻進(jìn)行連續(xù)的監(jiān)測(cè)，估算了藍(lán)藻水華的強(qiáng)度變化. 尹斌[7]基于MERIS數(shù)據(jù)，以太湖為研究區(qū)，建立葉綠素a濃度和藻藍(lán)蛋白色素濃度遙感定量估算方法, 結(jié)果表明葉綠素a濃度與藻藍(lán)蛋白色素濃度的比值與藍(lán)藻暴發(fā)有著顯著的關(guān)聯(lián). 汪雨豪等[8-10]分別基于哨兵2A、3A遙感影像數(shù)據(jù)，以太湖為研究區(qū)，分別采用藻華像元生長(zhǎng)算法、最大葉綠素指數(shù)法和RF法對(duì)太湖藍(lán)藻進(jìn)行提取，均取得了不錯(cuò)的效果. Hu等[11-15]都以MODIS為數(shù)據(jù)源，分別采用植被指數(shù)閾值法和FAI指數(shù)對(duì)太湖藍(lán)藻進(jìn)行提取，結(jié)果表明植被指數(shù)和FAI指數(shù)都能夠很好地提取太湖藍(lán)藻. Qi等[16-17]以太湖為研究區(qū)，基于GOCI數(shù)據(jù)分別采用NDVI指數(shù)和調(diào)整的浮游藻類(lèi)指數(shù)(AFAI)對(duì)太湖藍(lán)藻進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)其GOCI衛(wèi)星能更好地監(jiān)測(cè)太湖藍(lán)藻一天的變化.

基于國(guó)內(nèi)高分系列衛(wèi)星數(shù)據(jù)對(duì)藍(lán)藻提取的研究中，潘鑫[18]采用高分六號(hào)數(shù)據(jù)，運(yùn)用波段比值法、歸一化差異葉綠素指數(shù)法和三波段法對(duì)太湖葉綠素a濃度進(jìn)行反演，結(jié)果表明歸一化差異葉綠素指數(shù)法能更好地反映太湖葉綠素a濃度，為進(jìn)一步的藍(lán)藻提取提供了科學(xué)支撐. 佴兆駿等[19-20]利用高分一號(hào)衛(wèi)星數(shù)據(jù), 采用歸一化植被指數(shù)閾值法對(duì)太湖藍(lán)藻提取，獲得了較好的結(jié)果. Zhang等[21-22]都采用高分一號(hào)衛(wèi)星數(shù)據(jù)，運(yùn)用植被指數(shù)閾值法分別對(duì)星云湖和黃海的藍(lán)藻進(jìn)行提取，獲得良好的效果. Zhang等[23]采用高分一號(hào)衛(wèi)星數(shù)據(jù)與Landsat衛(wèi)星進(jìn)行融合生成一個(gè)高時(shí)間分辨率、高精度的數(shù)據(jù)集來(lái)預(yù)測(cè)太湖的藍(lán)藻，取得較好的成果. 張海龍[24]和Zheng[25]都采用高分一號(hào)數(shù)據(jù)，運(yùn)用多光譜綠潮指數(shù)法分別對(duì)江蘇省近海區(qū)域和黃河進(jìn)行綠潮的監(jiān)測(cè)，取得不錯(cuò)的結(jié)果.

根據(jù)目前對(duì)太湖藍(lán)藻提取的研究現(xiàn)狀，閾值法計(jì)算簡(jiǎn)單適用性強(qiáng)，但閾值的準(zhǔn)確選取是個(gè)難點(diǎn). 機(jī)器學(xué)習(xí)法可以結(jié)合更多藍(lán)藻的特征來(lái)對(duì)藍(lán)藻進(jìn)行分類(lèi)，分類(lèi)的精度相對(duì)較高，但分類(lèi)結(jié)果受訓(xùn)練樣本和輸入變量的影響. 而通過(guò)建立經(jīng)驗(yàn)?zāi)Ｐ偷姆椒ㄈヮA(yù)測(cè)藍(lán)藻的暴發(fā)，其誤差相比于其他方法較大. 考慮到對(duì)太湖藍(lán)藻的提取還并未涉及采用高分六號(hào)衛(wèi)星作為數(shù)據(jù)源，因此本文基于我國(guó)首顆具有紅邊波段的高分六號(hào)衛(wèi)星遙感影像，采用RF法、歸一化植被指數(shù)閾值法和多光譜綠潮指數(shù)閾值法對(duì)太湖藍(lán)藻進(jìn)行提取，以尋找適合高分六號(hào)衛(wèi)星數(shù)據(jù)對(duì)太湖藍(lán)藻提取的方法. 在此基礎(chǔ)上采用不同遙感指數(shù)或波段組合的RF法探討了基于高分六號(hào)數(shù)據(jù)提取藍(lán)藻方法的適用性.

1 研究區(qū)概況和實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)概況

太湖(30°55′40″～31°32′58″N，119°52′32″～120°36′10″E)總面積為2427.8 km2，水域面積為2338.1 km2，湖岸線(xiàn)全長(zhǎng)393.2 km，是我國(guó)第二大淡水湖[26]. 太湖屬于亞熱帶季風(fēng)氣候，年均溫度為17℃, 年降水量為1100～1150 mm. 太湖平均年出湖徑流量為75×108m3，蓄水量為44×108m3. 但從2000年來(lái)，太湖藍(lán)藻富營(yíng)養(yǎng)化問(wèn)題逐漸嚴(yán)重，給當(dāng)?shù)鼐用竦娘嬎畮?lái)了巨大的挑戰(zhàn)[27].

1.2 遙感數(shù)據(jù)

高分六號(hào)衛(wèi)星是我國(guó)高分專(zhuān)項(xiàng)系列中發(fā)射的第一顆具有紅邊波段的衛(wèi)星[28]. 作為我國(guó)的中高分辨率衛(wèi)星，高分六號(hào)衛(wèi)星搭載了2 m全色和16 m多光譜寬幅相機(jī)WFV(wide filed view). 高分六號(hào)衛(wèi)星除了有紅、綠、藍(lán)、近紅4個(gè)常見(jiàn)的波段，還新增了更有利于監(jiān)測(cè)植被葉綠素濃度的兩個(gè)紅邊波段，以及紫外和黃波段[29]. 高分六號(hào)波段詳細(xì)信息見(jiàn)表1.

表1 高分六號(hào)數(shù)據(jù)的波段信息

本文采用的是高分六號(hào)WFV傳感器獲得的L1A級(jí)2019年4月6日、6月3日的遙感影像. 遙感影像的預(yù)處理分為兩步——輻射校正和大氣校正. 由于地物自身的反射率要通過(guò)大氣和大氣層才能到達(dá)衛(wèi)星傳感器，其輻射校正是為了將傳感器中記錄的灰度值(digital number，DN)轉(zhuǎn)化為大氣層表觀(guān)反射率，得到的是未消除大氣粒子影響的地物反射率值. 大氣校正則是消除地物反射率在大氣傳播過(guò)程中受到的粒子和氣溶膠的影響,而獲得真實(shí)的地表反射率值. 本文影像大氣校正采用的是FLAASH大氣校正的方法. 本文采用高分六號(hào)數(shù)據(jù)是為了探究最適用于高分六號(hào)衛(wèi)星提取太湖藍(lán)藻的方法.

2 太湖藍(lán)藻的提取方法及精度評(píng)價(jià)指標(biāo)

2.1 閾值法

2.1.1 歸一化植被指數(shù)閾值法 歸一化植被指數(shù)(normalized differential vegetation index,NDVI)法是應(yīng)用最為廣泛的植被指數(shù)，其公式如下：

(1)

式中，ρRed、ρNir分別代表的是紅、近紅波段的反射率. 根據(jù)NDVI指數(shù)的波段要求，高分六號(hào)衛(wèi)星選擇第3波段和第4波段進(jìn)行NDVI指數(shù)的計(jì)算，哨兵二號(hào)選用第4波段和第8波段對(duì)NDVI指數(shù)進(jìn)行計(jì)算. MODIS數(shù)據(jù)選用第1波段和第2波段對(duì)NDVI指數(shù)進(jìn)行計(jì)算. 2019年4月6日和2019年6月3日的NDVI閾值分別為-0.075和0.18.

2.1.2 多光譜綠潮指數(shù)閾值法 張海龍等[24]提出的多光譜綠潮指數(shù)(multispectral green tide index,MGTI)能夠較好地監(jiān)測(cè)海洋中綠潮的變化，其公式如下：

(2)

式中，ρRed、ρGreen、ρBlue分別代表紅、綠、藍(lán)波段的反射率，λRed、λGreen、λBlue分別代表紅、綠、藍(lán)波段的中心波長(zhǎng). 閾值是通過(guò)目視解譯的方法選取，2019年4月6日和2019年6月3日的MGTI閾值分別為0.015和0.039.

2.2 RF法

RF(random forest, RF)是一種特殊的套袋算法，是由Breiman[30]提出的一種可以進(jìn)行分類(lèi)或回歸的算法. RF可以將訓(xùn)練集劃分為若干新的訓(xùn)練集，每個(gè)新的訓(xùn)練集可以構(gòu)造一個(gè)決策樹(shù)模型，每個(gè)模型之間沒(méi)有相關(guān)性，并持續(xù)分裂，直到該節(jié)點(diǎn)的所有訓(xùn)練樣本都屬于同一類(lèi)型，然后將這些模型的結(jié)果進(jìn)行整合，得到最終的結(jié)果. RF方法與原始的套袋算法的不同之處在于它使用決策樹(shù)作為模型，本文采用RF分類(lèi)算法.

2.2.1 RF的輸入變量 歸一化水體指數(shù)(normalized differential water index,NDWI)能夠較好地識(shí)別水體，調(diào)整的浮游藻類(lèi)指數(shù)(adjusted floating algae index,AFAI)能夠很好地監(jiān)測(cè)藍(lán)藻水華的變化. 其公式如下：

首先，信息生產(chǎn)的不透明，是 AI 呈現(xiàn)出來(lái)的關(guān)鍵弊端，新聞來(lái)源和制作過(guò)程并不能為公眾所查閱，而區(qū)塊鏈可以真正達(dá)到信息的透明化，這對(duì)于新聞?wù)鎸?shí)環(huán)境的建構(gòu)是一個(gè)重大的突破?！癆I+區(qū)塊鏈”的最大意義就在于，區(qū)塊鏈技術(shù)為人工智能提供核心技能—區(qū)塊鏈技術(shù)的“鏈”功能，讓人工智能的每一步“自主”運(yùn)行和發(fā)展都得到完全記錄和公開(kāi)，從而促進(jìn)人工智能技術(shù)運(yùn)作的健全、安全和穩(wěn)定。

(3)

(4)

式中，ρRed、ρNir、ρRe2分別代表紅、近紅和紅邊2波段的反射率,λRe2、λRed分別代表紅邊2和紅波段的中心波長(zhǎng),ρNir、ρGreen分別代表近紅和綠波段的反射率.

2.2.2 RF模型的建立 由于太湖基本上是由水體和藍(lán)藻兩部分組成，所以為了更精準(zhǔn)地獲取藍(lán)藻，本文采用基于多遙感指數(shù)的RF方法，將不同指數(shù)和波段的組合，共三組作為輸入數(shù)據(jù)來(lái)建立模型，分類(lèi)結(jié)果作為輸出數(shù)據(jù). 由近紅、紅和綠波段合成的假彩色影像作為參考，通過(guò)目視解譯的方式均勻選取900個(gè)樣本點(diǎn)，其中藍(lán)藻和水體樣點(diǎn)各450個(gè). 其中600個(gè)樣本點(diǎn)(300個(gè)藍(lán)藻樣點(diǎn)和300個(gè)水體樣點(diǎn))作為RF的訓(xùn)練數(shù)據(jù)，剩余300個(gè)樣點(diǎn)(150個(gè)藍(lán)藻樣點(diǎn)和150個(gè)水體樣點(diǎn))作為驗(yàn)證數(shù)據(jù). RF分類(lèi)過(guò)程中涉及的兩個(gè)參數(shù)分別為ntree和mtry. 其中mtry為特征的數(shù)量值，也就是每個(gè)樹(shù)節(jié)點(diǎn)的數(shù)量，設(shè)置為2,ntree是決策樹(shù)的數(shù)量, 設(shè)置為1000[31].

RF模型的建立公式如下：

Model=RF_train(Index,Value)

(5)

Result=RF_class(Index,Value)

(6)

Model是RF建立的模型，Index作為RF的輸入變量的數(shù)據(jù)集，Value為分類(lèi)結(jié)果隸屬的代表數(shù)值，Result是RF的分類(lèi)結(jié)果. RF法3組不同輸入變量的詳情見(jiàn)表2.

2.3 精度評(píng)價(jià)指標(biāo)

為了評(píng)定NDVI法、MGTI法和RF(NDVI&NDWI)法提取藍(lán)藻的準(zhǔn)確性，通過(guò)引入混淆矩陣來(lái)計(jì)算總體分類(lèi)精度、Kappa系數(shù)、生產(chǎn)者精度、用戶(hù)精度、錯(cuò)分誤差和漏分誤差[32-33]6種指標(biāo)來(lái)對(duì)提取的結(jié)果進(jìn)行評(píng)定. 混淆矩陣采用4個(gè)參數(shù)表示分別為T(mén)rue Postive(TP)、False Postive(FP)、True Negative(TN)和False Negative(FN).TP代表的是實(shí)際為水華像元且檢測(cè)結(jié)果也顯示為水華像元的像元數(shù)；FP代表的是實(shí)際為水體像元但檢測(cè)結(jié)果顯示為水華像元的像元數(shù)；TN代表的是實(shí)際為水體像元檢測(cè)結(jié)果顯示也為水體像元的像元數(shù)；FN代表的是實(shí)際為水華像元但檢測(cè)結(jié)果顯示為水體像元的像元. 總體分類(lèi)精度、Kappa系數(shù)、生產(chǎn)者精度、用戶(hù)精度、錯(cuò)分誤差和漏分誤差的公式如下：

(7)

(8)

(9)

(10)

(11)

(12)

(13)

式中，po為總體分類(lèi)精度，p1為過(guò)程變量，K為Kappa系數(shù)，pp為生產(chǎn)者精度，pu為用戶(hù)精度，pe為錯(cuò)分誤差，pm為漏分誤差.

2.4 藍(lán)藻水華的分級(jí)方法

基于NDVI閾值法采用等間隔分級(jí)的方法對(duì)不同程度的藍(lán)藻水華進(jìn)行劃分[34]，其中2019年4月6日影像的NDVI閾值為-0.075，則將此期影像不同程度的藍(lán)藻水華分為3級(jí)：輕度藍(lán)藻(-0.0750.225). 同理2019年6月3日的影像可將不同程度的藍(lán)藻水華分為3級(jí)：輕度藍(lán)藻(0.180.54).

3 基于高分六號(hào)數(shù)據(jù)提取太湖藍(lán)藻的結(jié)果及驗(yàn)證

3.1 結(jié)果

根據(jù)劉聚濤等對(duì)藍(lán)藻暴發(fā)期的劃分[35], 本文選取2019年4月6日和2019年6月3日的高分六號(hào)數(shù)據(jù)分別作為小型藍(lán)藻暴發(fā)期和中型藍(lán)藻暴發(fā)期的研究影像，并采用NDVI法、MGTI法和RF(NDVI&NDWI)法對(duì)太湖藍(lán)藻進(jìn)行提取及對(duì)比分析，同時(shí)采用晁明燦等[34]對(duì)藍(lán)藻分級(jí)的方法，將兩期提取藍(lán)藻的結(jié)果進(jìn)行分級(jí)(圖1).

圖1 兩期太湖藍(lán)藻的分級(jí)結(jié)果Fig.1 The results of two cyanobacteria classification in Lake Taihu

圖2 基于高分六號(hào)采用3種方法的提取結(jié)果(2019年4月6日)Fig.2 Extraction results based on GF-6 using three methods(April 6, 2019)

圖3 基于高分六號(hào)數(shù)據(jù)局部提取藍(lán)藻的結(jié)果(2019年4月6日)Fig.3 Local results of extracting cyanobacteria based on GF-6 data(April 6, 2019)

如圖4所示，從2019年6月3日的影像整體上看，中度藍(lán)藻多聚集在竺山湖、太湖南部近岸和梅梁湖部分區(qū)域. 輕度藍(lán)藻多漂浮在湖心區(qū)域. RF(NDVI&NDWI)法和MGTI法相比于NDVI法能更完整地將輕度藍(lán)藻提取出，但NDVI法相比于MGTI法在識(shí)別中、重度藍(lán)藻略勝一籌. 在竺山湖區(qū)域，MGTI法明顯將大多數(shù)的藍(lán)藻漏提.

圖4 太湖藍(lán)藻重度暴發(fā)期的提取結(jié)果(2019年6月3日)Fig.4 Extraction results of the floating algae outbreak in Lake Taihu (June 3, 2019)

3.2 驗(yàn)證

在不同類(lèi)型藍(lán)藻暴發(fā)時(shí)期，基于高分六號(hào)數(shù)據(jù)提取藍(lán)藻的不同方法的精度評(píng)定見(jiàn)表3，在中型藍(lán)藻暴發(fā)期RF(NDVI&NDWI)法的總體分類(lèi)精度和Kappa系數(shù)都最高，分別達(dá)到99%和0.97，RF(NDVI&NDWI)法在小型藍(lán)藻暴發(fā)期提取藍(lán)藻的精度也是最高的. 精度次之的是MGTI法，在兩個(gè)暴發(fā)期的總體分類(lèi)精度都超過(guò)80%，NDVI法的精度是3種方法中最低的，但和MGTI法的總體差別不大. 生產(chǎn)者精度直接影響著藍(lán)藻提取的完整性，3種方法的生產(chǎn)者精度都超過(guò)了0.95，說(shuō)明這3種方法可以全面的提取藍(lán)藻信息，其漏分誤差也能反映這一點(diǎn)(表3). 用戶(hù)精度的高低反映了提取結(jié)果中多少像元是真實(shí)的藍(lán)藻信息，RF(NDVI&NDWI)法的用戶(hù)精度高，兩個(gè)不同藍(lán)藻暴發(fā)期都超過(guò)了0.95. 總得來(lái)說(shuō)，基于高分六號(hào)衛(wèi)星數(shù)據(jù)采用RF(NDVI&NDWI)法提取藍(lán)藻的效果更好.

表3 不同藍(lán)藻暴發(fā)時(shí)期基于高分六號(hào)數(shù)據(jù)采用不同方法提取藍(lán)藻的精度評(píng)價(jià)

4 討論

4.1 RF不同輸入變量對(duì)藍(lán)藻提取結(jié)果的影響

RF法的輸入變量不同，提取藍(lán)藻的結(jié)果也會(huì)有差異. 為了探討RF不同輸入變量對(duì)藍(lán)藻提取結(jié)果的影響，本文采用2019年4月6日的高分六號(hào)影像，將上述3組訓(xùn)練數(shù)據(jù)集分別作為RF的輸入變量來(lái)進(jìn)行對(duì)比分析.

如圖5所示，可以看出3種不同輸入變量組合的RF法提取藍(lán)藻的結(jié)果基本一致，在梅梁湖有藍(lán)藻覆蓋的區(qū)域，RF(NDVI&NDWI)法和RF(RED&NIR&NDWI)法將此部分的藍(lán)藻提取了出來(lái)，但在貢湖這兩種方法將水生植被誤分為藍(lán)藻. 但在太湖湖心東部輕度藍(lán)藻區(qū)域，RF(RED&NIR&NDWI)法識(shí)別能力不如RF(NDVI&NDWI)法. RF(AFAI&NDWI)法將湖心東部及太湖南岸的輕度藍(lán)藻提取了出來(lái)，但未識(shí)別梅梁湖的中、重度藍(lán)藻.

圖5 基于高分六號(hào)采用3種不同RF方法的提取結(jié)果(2019年4月6日)Fig.5 Extraction results based on GF-6 using three different random forest methods(April 6, 2019)

對(duì)3種RF方法的精度評(píng)定表明，RF(NDVI&NDWI)法提取藍(lán)藻的精度更高，總分類(lèi)精度和Kappa系數(shù)分別為94%和0.88(表4). 3種RF法的生產(chǎn)者精度都超過(guò)了0.95，漏分誤差也隨之未超過(guò)0.04. 證明RF法不同輸入變量對(duì)藍(lán)藻提取結(jié)果具有一定的影響，類(lèi)似的影響也在其他區(qū)域藍(lán)藻提取研究中被發(fā)現(xiàn)[36-39].

表4 基于高分六號(hào)數(shù)據(jù)采用不同輸入變量RF方法提取藍(lán)藻的精度評(píng)價(jià)

4.2 本文方法的優(yōu)缺點(diǎn)

對(duì)于藍(lán)藻的提取，傳統(tǒng)的閾值法需要基于大量的影像做基礎(chǔ)來(lái)確定閾值，晁明燦等[34]、張東彥[40]、Hu[11]等以中國(guó)的湖泊為研究區(qū)，采用大量的遙感影像來(lái)確定FAI指數(shù)的閾值. RF法相對(duì)于閾值法來(lái)說(shuō)省時(shí)省力，但RF法的精度和選擇的樣本數(shù)有很大的關(guān)系，其樣本數(shù)目太少或者不均勻都會(huì)對(duì)結(jié)果造成一定程度的影響[41-42]. 在劉云翔等[43]建立隨機(jī)森林水華預(yù)警模型的研究中，也指出RF輸入變量的樣本選取決定結(jié)果的準(zhǔn)確性. 同時(shí)侍昊等[3]在采用RF法進(jìn)行太湖水生植被的提取時(shí)強(qiáng)調(diào)其樣本的選取一定要均勻且分類(lèi)明確.

5 結(jié)論

以太湖為研究區(qū)，基于高分六號(hào)數(shù)據(jù)，對(duì)NDVI法、MGTI法和RF法3種提取藍(lán)藻水華的方法進(jìn)行對(duì)比分析，并對(duì)基于不同輸入變量的RF法進(jìn)行探討，得出以下結(jié)論：

1)探究適用于高分六號(hào)數(shù)據(jù)的太湖藍(lán)藻提取方法中，本文采用RF法、NDVI法和MGTI法對(duì)太湖藍(lán)藻的提取結(jié)果進(jìn)行對(duì)比分析，NDVI法具有明顯漏提藍(lán)藻的現(xiàn)象，MGTI法對(duì)太湖藍(lán)藻識(shí)別的效果整體較差. RF法相對(duì)來(lái)說(shuō)可以較完整地提取藍(lán)藻，尤其是在中型藍(lán)藻暴發(fā)期，采用RF(NDVI&NDWI)法提取藍(lán)藻的總體分類(lèi)精度和Kappa系數(shù)也是最高的，故是最適用于高分六號(hào)數(shù)據(jù)對(duì)太湖藍(lán)藻提取的方法.

2)探討基于高分六號(hào)RF不同輸入變量的適用性，結(jié)果表明3種RF法都較為完整地提取出藍(lán)藻，但RF(NDVI&NDWI)法和RF(RED&NIR&NDWI)法將貢湖的部分水生植物誤分為藍(lán)藻，其中RF(RED&NIR&NDWI)法對(duì)湖心輕度藍(lán)藻識(shí)別能力最弱. RF(AFAI&NDWI)法雖未將水生植被誤分為藍(lán)藻，但明顯將部分中、重度藍(lán)藻漏提. 相比于其他2種RF法，采用RF(NDVI&NDWI)法的總體分類(lèi)精度和Kappa系數(shù)最高，分別為94%和0.88，故是最適用于提取太湖藍(lán)藻的RF法.