面向國產(chǎn)高分辨率衛(wèi)星的滸苔綠潮遙感監(jiān)測(cè)算法對(duì)比

秦泉，胡先鋒，李峰，王晗，段金饋，韓東楓，顧琛

摘要：利用高空間分辨率衛(wèi)星影像準(zhǔn)確監(jiān)測(cè)滸苔綠潮信息對(duì)災(zāi)害早期發(fā)現(xiàn)、動(dòng)態(tài)跟蹤以及沿岸防御具有重要應(yīng)用價(jià)值。目前面向高分辨率遙感影像已有多種滸苔提取方法，但不同遙感算法受到海水背景（渾濁和清澈海水）和外界觀測(cè)環(huán)境（如云層、太陽耀斑、觀測(cè)幾何條件）等干擾，其監(jiān)測(cè)效果可能受到不同程度影響。為此，以國產(chǎn)高分辨率GF-WFV和HJ-CCD影像為例，充分對(duì)比了歸一化差值植被指數(shù)（normalized difference vegetation index，NDVI）、漂浮藻類高度虛擬基線指數(shù)（virtual baseline floating macroalgae height，VB-FAH）和綠度指數(shù)（Tasseled Cap Greenness，TCG）在常見多種環(huán)境背景下提取滸苔的優(yōu)勢(shì)和不足。研究結(jié)果表明：在清澈海水、渾濁海水和弱太陽耀斑背景下，NDVI、VB-FAH和TCG三種算法均有較好的滸苔識(shí)別能力，其精度評(píng)價(jià)指標(biāo)F1-score和OA分別達(dá)到95.6％和95.2％以上。對(duì)于幾何觀測(cè)條件，VB-FAH和TCG算法對(duì)觀測(cè)幾何角度的變化不敏感并表現(xiàn)較高的穩(wěn)定性，要優(yōu)于NDVI方法。在云層覆蓋和強(qiáng)太陽耀斑背景下，TCG算法的滸苔判識(shí)能力最好，并可有效排除云覆蓋和強(qiáng)太陽耀斑的干擾，其精度評(píng)價(jià)指標(biāo)F1-score和OA分別達(dá)到95.2%和95.0%以上。

關(guān)鍵詞：高分辨率衛(wèi)星遙感；滸苔綠潮；遙感監(jiān)測(cè)算法；GF-WFV；HJ-CCD

中圖分類號(hào)：P76? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：2096-3599（2023）02-0001-00

DOI：10.19513/j.cnki.issn2096-3599.2023.02.006

Comparative study on remote sensing monitoring algorithms of Ulva prolifera green tide using domestic high-resolution satellite images

QIN Quan1，2， HU Xianfeng1，2， LI Feng1，2， WANG Han1，2， DUAN Jinkui1，2， HAN Donfeng1，2， GU Chen3

（1. Key Laboratory for Meteorological Disaster Prevention and Mitigation of Shandong， Jinan 250031， China; 2. Shandong Climate Center， Jinan 250031， China; 3. College of Geodesy and Geomatics， Shandong University of Science and Technology， Qingdao 266590， China）

Abstract： Using high spatial resolution satellite images to accurately monitor the green tide information of Ulva prolifera （Ulva） has important application value for early disaster detection， dynamic tracking， and coastal defense. Although there are many methods to extract Ulva from high-resolution satellite images， the performances of different remote sensing algorithms are influenced by the common various observing conditions including seawater background （turbid and clear seawater） and external observation conditions （such as cloud cover， sun glint， and observation geometry）. Therefore， taking domestic high-resolution GF-WFV and HJ-CCD images as examples， this work compares the advantages and disadvantages of the normalized difference vegetation index （NDVI）， virtual baseline floating macroAlgae height （VB-FAH）， and tasseled cap greenness （TCG） index in extracting Ulva under different environmental backgrounds. The results show that the NDVI， VB-FAH， and TCG algorithms have good performance of Ulva extraction under clear water， turbid water， and weak sun glint condtions. Their accuracy evaluation indicators， F1-score and OA， reach over 95.6% and 95.2%， respectively. Under different geometric observation conditions， VB-FAH and TCG indexes are not sensitive to the change of observation geometric angle with high stability， performing better than the NDVI index. Under the background of cloud cover and strong sun glint， the TCG method has the best ability to identify Ulva， and can effectively eliminate the interference of cloud cover and sun glint， whose accuracy evaluation indicators， F1-score and OA， reach over 95.2% and 95.0%， respectively.

Keywords： high-resolution satellite remote sensing; Ulva prolifera green tide; remote sensing monitoring algorithm; GF-WFV; HJ-CCD

引言

近年來，我國海域生態(tài)災(zāi)害頻發(fā)對(duì)海洋生態(tài)系統(tǒng)的健康及穩(wěn)定造成一定影響。其中，每年必遇的近海滸苔綠潮災(zāi)害備受社會(huì)和研究者關(guān)注。自2007年以來，滸苔災(zāi)害在每年5—7月都會(huì)在我國黃海海域周期性大規(guī)模爆發(fā)，已嚴(yán)重影響到該海域和沿海地區(qū)的生態(tài)環(huán)境，并威脅到濱海景觀、旅游和海水養(yǎng)殖業(yè)，進(jìn)而造成了巨大經(jīng)濟(jì)損失和嚴(yán)重社會(huì)影響[1-3]。因此，及時(shí)、準(zhǔn)確、有效地獲取滸苔信息已成為控制和減少災(zāi)害損失的必由之路。衛(wèi)星遙感技術(shù)具有宏觀、（準(zhǔn)）實(shí)時(shí)和周期性的特點(diǎn)，相較于傳統(tǒng)調(diào)查和實(shí)測(cè)方法有不可替代的優(yōu)勢(shì)和應(yīng)用潛力[4-5]。由此可見，基于衛(wèi)星遙感的滸苔綠潮監(jiān)測(cè)具有重要意義且應(yīng)用前景廣泛。

隨著衛(wèi)星遙感技術(shù)的發(fā)展，基于光學(xué)衛(wèi)星影像的大范圍滸苔綠潮監(jiān)測(cè)技術(shù)方法已經(jīng)被廣泛提出[6]，例如：歸一化差值植被指數(shù)[7-8]（normalized difference vegetation index，NDVI）、輻射傳輸模擬法[9]、混合像素分解模型[10]等。近年來，相關(guān)研究人員開發(fā)了基于不同傳感器的藻類指數(shù)，如基于MODIS（Moderate Resolution Imaging Spectroradiometer）數(shù)據(jù)的歸一化藻類指數(shù)（normalized difference algae index，NDAI）[11]、浮游藻類指數(shù)（floating algae index，F(xiàn)AI）[12]、基于GOCI數(shù)據(jù)的綠潮指數(shù)（green tide index based on TCT，TCT-GTI）[13]等。上述研究多是基于中低分辨率光學(xué)衛(wèi)星開展研究，雖然具有大范圍同步觀測(cè)的優(yōu)勢(shì)，但是對(duì)于滸苔的精細(xì)化監(jiān)測(cè)有一定的局限性，尤其是爆發(fā)早期的小斑塊滸苔監(jiān)測(cè)。

隨著光學(xué)衛(wèi)星空間分辨率的提升，諸多學(xué)者基于高分辨率衛(wèi)星數(shù)據(jù)開展?jié)G苔監(jiān)測(cè)研究。例如，施英妮等[14]基于HJ-1A/B-CCD數(shù)據(jù)利用NDVI方法對(duì)黃海滸苔進(jìn)行監(jiān)測(cè)。薛瑞等[15]基于HJ-1A/B-CCD利用神經(jīng)網(wǎng)絡(luò)監(jiān)督分類及Rule規(guī)則影像重分類動(dòng)態(tài)閾值法對(duì)滸苔的漂移路徑、分布面積及時(shí)空分布進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。孟慶輝等[16]基于Sentinel-2 MSI多光譜數(shù)據(jù)開展高懸沙水體背景下漂浮綠潮識(shí)別遙感監(jiān)測(cè)算法研究，研究表明漂浮藻類高度虛擬基線指數(shù)（virtual baseline floating macroalgae height，VB-FAH）算法在識(shí)別精度及噪聲抑制方面明顯優(yōu)于NDVI和FAI指數(shù)算法。上述研究算法主要基于大氣校正后的衛(wèi)星地表反射率信號(hào)。但是，實(shí)施大氣校正環(huán)節(jié)是需要更多的參數(shù)信息，并且數(shù)據(jù)處理時(shí)間相對(duì)較長，這在一定程度上降低了算法的實(shí)施效率，尤其是面向批量衛(wèi)星影像。為提升滸苔監(jiān)測(cè)遙感產(chǎn)品的處理效率，一些學(xué)者采用衛(wèi)星數(shù)字信號(hào)（digital number，DN）或大氣層頂反射率（top-of-atmosphere reflectance，Rtoa）信號(hào)來實(shí)現(xiàn)滸苔信息提取，避開了大氣校正環(huán)節(jié)。例如，張海龍等[17]基于環(huán)境一號(hào)和高分一號(hào)衛(wèi)星DN值開發(fā)了多光譜綠潮指數(shù)（multispectral green tide index，MGTI）并用于滸苔監(jiān)測(cè)，精度達(dá)到94％。Zhang等[18-19]采用高分辨率衛(wèi)星Rtoa信號(hào)建立了綠度指數(shù)（tasseled cap greenness，TCG）對(duì)不同場(chǎng)景滸苔綠潮均有較好效果。

綜上所述，高分辨率衛(wèi)星影像在滸苔災(zāi)害的早期監(jiān)測(cè)及精細(xì)化監(jiān)測(cè)方面呈現(xiàn)出一定優(yōu)勢(shì)。幸運(yùn)的是，國產(chǎn)高分辨率衛(wèi)星影像資料豐富且多數(shù)免費(fèi)開放，這為近海滸苔災(zāi)害的監(jiān)測(cè)和防控提供了基礎(chǔ)數(shù)據(jù)源。但是，滸苔識(shí)別算法性能在不同觀測(cè)環(huán)境下也略有差異。為此，選擇國產(chǎn)高分辨率衛(wèi)星數(shù)據(jù)（GF1-WFV和HJ1A/B-CCD），采用衛(wèi)星Rtoa信號(hào)對(duì)比分析了歸一化差值植被指數(shù)NDVI、漂浮藻類高度虛擬基線指數(shù)VB-FAH和綠度指數(shù)TCG算法在不同背景條件下提取滸苔的效果差異及適用性，以期為滸苔精細(xì)化業(yè)務(wù)監(jiān)測(cè)提供可靠的技術(shù)支持，同時(shí)推廣國產(chǎn)衛(wèi)星影像在海洋生態(tài)災(zāi)害方面的應(yīng)用。

1 研究數(shù)據(jù)與方法

1.1 研究區(qū)域

研究范圍為黃海中部及南部海域（32°～37°N，119°～124°E；圖1a），冬季盛行西北風(fēng)，夏季為東南季風(fēng)，區(qū)域內(nèi)沿岸的江蘇、山東等省份社會(huì)經(jīng)濟(jì)發(fā)達(dá)。由于沿岸無機(jī)營養(yǎng)鹽的持續(xù)輸入，加上風(fēng)場(chǎng)、溫度、流場(chǎng)等有利條件，大型漂浮藻類會(huì)在該區(qū)域內(nèi)發(fā)生大規(guī)模的暴發(fā)增殖現(xiàn)象[20-23]。圖1a為研究區(qū)域范圍示意圖，圖1b和圖1c分別為北京時(shí)間2021年6月4日黃海滸苔的GF1-WFV真彩色合成影像和2021年7月10日青島沿岸的滸苔GF1-WFV真彩色合成影像。

1.2 研究數(shù)據(jù)及處理

1.2.1 GF1-WFV和HJ-CCD數(shù)據(jù)

以國產(chǎn)GF1-WFV和HJ-CCD為數(shù)據(jù)源，GF-1號(hào)衛(wèi)星于2013年4月26日發(fā)射升空，是中國高分辨率對(duì)地觀測(cè)系統(tǒng)的第一顆衛(wèi)星，搭載了4臺(tái)16 m分辨率多光譜相機(jī)，包括綠、藍(lán)、紅和近紅外4個(gè)波段；環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星的2個(gè)星座（HJ-1A/1B星）于2008年9月6日成功發(fā)射，HJ-1A/1B衛(wèi)星搭載的CCD相機(jī)具有30 m空間分辨率，詳見表1。

1.2.2 數(shù)據(jù)處理

主要使用GF1-WFV和HJ-CCD的L1級(jí)數(shù)據(jù)，相關(guān)數(shù)據(jù)均來自中國資源衛(wèi)星應(yīng)用中心（http：//www.cresda.com/CN/）。在本文中，大氣層頂反射率Rtoa數(shù)據(jù)依據(jù)公式（1）通過衛(wèi)星DN值計(jì)算得到。同時(shí)，為了探討不同遙感信號(hào)源的算法差異，還獲取了衛(wèi)星遙感影像的瑞利校正反射率（Rayleigh-corrected reflectance，Rrc）和大氣校正反射率（surface reflectance，Ref）產(chǎn)品，瑞利校正反射率Rrc處理采用Hu[12]文獻(xiàn)中方法，大氣校正反射率Ref采用ENVI的FLAASH大氣校正模塊，以消除大氣在傳輸過程中對(duì)地物反射的影響。

，? ? ? ? ? ? ? ? ? ? ? ?（1）

式中，a和b分別為衛(wèi)星影像的增益值和偏移值，為衛(wèi)星影像的太陽天頂角。

同時(shí)篩選了不同環(huán)境背景條件存在滸苔分布的GF1-WFV和HJ-CCD衛(wèi)星數(shù)據(jù)，主要包括2021年5月21日、2021年7月10日、2021年6月4日、2015年6月6日、2021年6月20日、2016年6月13日的GF1-WFV影像數(shù)據(jù)以及2010年7月10日的HJ1A-CCD影像數(shù)據(jù)進(jìn)行滸苔提取方法的對(duì)比研究，影像數(shù)據(jù)主要應(yīng)用場(chǎng)景見表2。

1.3 研究方法

1.3.1 技術(shù)路線

根據(jù)GF1-WFV和HJ-CCD國產(chǎn)高分辨率衛(wèi)星數(shù)據(jù)的波段設(shè)置及滸苔的光譜特征，采用3種不同遙感算法（NDVI、VB-FAH和TCG）進(jìn)行不同環(huán)境背景條件下滸苔的提取效果對(duì)比分析，技術(shù)路線如圖2所示。首先對(duì)GF1-WFV和HJ-CCD國產(chǎn)衛(wèi)星數(shù)據(jù)進(jìn)行Rtoa、Rrc和Ref預(yù)處理，對(duì)比分析3種預(yù)處理情況下的普適性和相關(guān)性。然后，基于Rtoa輸入信號(hào)源，采用NDVI、VB-FAH和TCG等3種算法對(duì)觀測(cè)角度、太陽耀斑、云層覆蓋等情況的滸苔進(jìn)行提取，進(jìn)而通過目視解譯和混淆矩陣精度評(píng)價(jià)方式來對(duì)比分析3種算法在不同環(huán)境背景下的優(yōu)勢(shì)與不足。

1.3.2 滸苔遙感監(jiān)測(cè)算法

采用NDVI、VB-FAH和TCG等3種算法進(jìn)行滸苔監(jiān)測(cè)對(duì)比研究，主要鑒于以下因素考慮：（1）國產(chǎn)高分辨率衛(wèi)星傳感器波段較少（僅配置藍(lán)、綠、紅、近紅外波段），故可適用算法相對(duì)較少；（2）相比于輻射傳輸模型、神經(jīng)網(wǎng)絡(luò)模型等復(fù)雜算法，NDVI、VB-FAH和TCG均為波段指數(shù)算法，容易操作實(shí)施，適用于只有4個(gè)波段的國產(chǎn)高分辨率衛(wèi)星影像，如：高分系列、環(huán)境系列、資源系列等，其中NDVI算法是目前業(yè)務(wù)中使用最多的方法。

歸一化差值植被指數(shù)NDVI指數(shù)能反映出植被的生長狀態(tài)，主要用于植被信息的監(jiān)測(cè)，滸苔的光譜曲線在可見光—近紅外波段與植被的光譜曲線極其相似[7]，NDVI方法在中、高分辨率衛(wèi)星的滸苔監(jiān)測(cè)中得到了廣泛的應(yīng)用[24-27]，計(jì)算公式如下：

， （2）

式中，分別為近紅外、紅光波段反射率。

漂浮藻類高度虛擬基線指數(shù)VB-FAH指數(shù)是由Xing等[28]參考FAI算法的設(shè)計(jì)思路，針對(duì)缺少短波紅外波段的遙感影像而研發(fā)，基于綠光、紅光和近紅外波段的反射率信息，有效地增強(qiáng)了滸苔與海水的信號(hào)差異，提高了滸苔監(jiān)測(cè)精度，計(jì)算公式如下：

，? ? （3）

式中，分別為近紅外、紅光、綠光波段反射率，分別為近紅外、紅光、綠光波段中心波長。

綠度指數(shù)TCG算法是由Zhang等[19]在纓帽變換分析基礎(chǔ)上提出的一種綠潮遙感監(jiān)測(cè)算法，可應(yīng)用于高分系列、環(huán)境系列、Landsat系列、GOCI等衛(wèi)星，并取得良好效果，計(jì)算公式如下：

，? ? ? ? （4）

式中，分別為近紅外、紅光、綠光和藍(lán)光波段反射率。

1.3.3 精度評(píng)價(jià)

滸苔覆蓋面積變化快，采用傳統(tǒng)現(xiàn)場(chǎng)調(diào)查測(cè)量來直接驗(yàn)證衛(wèi)星監(jiān)測(cè)結(jié)果是一個(gè)挑戰(zhàn)，加之難以獲得實(shí)測(cè)的滸苔覆蓋面積，故無法直接進(jìn)行定量研究。為定量評(píng)價(jià)各種算法監(jiān)測(cè)精度，采用3種間接驗(yàn)證方法。（1）將不同算法提取的滸苔結(jié)果與RGB彩色合成影像進(jìn)行交叉對(duì)比分析。（2）不同算法監(jiān)測(cè)滸苔面積的對(duì)比。滸苔的覆蓋面積計(jì)算定義為所有滸苔像元面積的總和（Aa=NA×SR2；NA是滸苔像素?cái)?shù)，SR是傳感器空間分辨率）。其中基于不同指數(shù)產(chǎn)品，通過人工選擇合理閾值進(jìn)而提取滸苔像元。（3）針對(duì)大量隨機(jī)選擇樣本數(shù)據(jù)集，將算法監(jiān)測(cè)滸苔結(jié)果與“真值”構(gòu)建混淆矩陣，以定量評(píng)價(jià)不同算法的提取精度[29]。需要說明的是“真值”結(jié)果來自人工目視判讀，以保證高精度的真值結(jié)果。

混淆矩陣也稱誤差矩陣，是表示精度評(píng)價(jià)的一種標(biāo)準(zhǔn)格式，用n行n列的矩陣形式來表示，如表3所示，統(tǒng)計(jì)其分類圖中的類別與實(shí)際類別之間的混淆程度，對(duì)于目標(biāo)地物而言，F(xiàn)1-Score作為綜合性指標(biāo)表達(dá)目標(biāo)地物識(shí)別精度的高低[30]，因此，采用混淆矩陣的F1-score和總體分類精度（overall accuracy，OA）作為不同算法滸苔提取結(jié)果精度評(píng)價(jià)指標(biāo)。

，? ? ? ? ? ? （5）

式中，n為地物類型數(shù)，為混淆矩陣第i行第i列的像元數(shù)，表示為混淆矩陣第i類別行的像元總數(shù)，表示混淆矩陣中第i類別列的像元總數(shù)。

總體分類精度OA等于被正確分類的像元總和除以總像元數(shù)，被正確分類的像元沿混淆矩陣對(duì)角線分布，計(jì)算公式為

，? ? ? ? ? ? ? ? ? ? ? ? （6）

式中，N為總像元數(shù)，n為地物類型數(shù)，為混淆矩陣第i行第i列的像元數(shù)（即地物i被正確識(shí)別的樣本量）。

2 結(jié)果與分析

2.1 普適性分析

滸苔的早期發(fā)現(xiàn)對(duì)動(dòng)態(tài)監(jiān)測(cè)、滸苔災(zāi)害防御具有重要作用，黃海滸苔災(zāi)害一般在5月中旬至下旬爆發(fā)[31]，利用NDVI、VB-FAH和TCG指數(shù)對(duì)2021年5月21日GF1-WFV晴空影像進(jìn)行計(jì)算，圖3bd分別為NDVI、VB-FAH和TCG影像圖。從圖中可以看出，滸苔像元在影像中表現(xiàn)為高值呈亮色，海水像元為低值呈暗色，且NDVI、VB-FAH和TCG指數(shù)數(shù)值的高低分布也較為一致。由NDVI、VB-FAH和TCG算法提取的滸苔分布結(jié)果（圖3eg），可以看出3種方法提取的滸苔結(jié)果在分布和輪廓與假彩色合成影像基本一致，提取滸苔面積分別為39.52、39.20和39.69 km2，說明NDVI、VB-FAH和TCG指數(shù)在晴空無云下均有很好的滸苔識(shí)別能力。

2.2 不同衛(wèi)星輸入信號(hào)對(duì)比

為探討3種衛(wèi)星輸入信號(hào)（Rtoa、Rrc和Ref）對(duì)3種算法（NDVI、VB-FAH和TCG）提取滸苔的影響，選取2021年7月10日GF1-WFV影像晴空滸苔分布區(qū)域，研究區(qū)如圖4a所示，分別對(duì)影像進(jìn)行NDVI、VB-FAH和TCG指數(shù)計(jì)算，圖4b1b3、c1c3和d1d3分別為基于Rtoa、Rrc和Ref信號(hào)的NDVI、VB-FAH和TCG影像，從圖中可以看出NDVI、VB-FAH和TCG指數(shù)在3種輸入信號(hào)下數(shù)值分布較為一致，只是影像中最大、最小值略有差異，滸苔像元為高值，海水像元為低值，滸苔像元與海水像元有較明顯的數(shù)值區(qū)分。

圖5為Rtoa與Rrc、Ref信號(hào)的相關(guān)性分析，圖5ac為基于Rtoa與Rrc信號(hào)的NDVI、VB-FAH和TCG指數(shù)相關(guān)性統(tǒng)計(jì)，決定系數(shù)R2達(dá)0.97以上，圖5df為Rtoa與Rrc信號(hào)的相關(guān)性統(tǒng)計(jì)，決定系數(shù)R2達(dá)0.99以上，說明在Rtoa、Rrc和Ref信號(hào)下NDVI、VB-FAH和TCG指數(shù)的效果是高度一致的。Rtoa相較于Rrc和Ref在處理時(shí)不需要過多的參數(shù)信息以及較長處理時(shí)間，更有利于提升產(chǎn)品服務(wù)的時(shí)效性，同時(shí)基于Rtoa計(jì)算的NDVI、VB-FAH和TCG指數(shù)與基于Rrc和Ref信號(hào)計(jì)算的結(jié)果高度相關(guān)，因此，后續(xù)滸苔遙感監(jiān)測(cè)算法對(duì)比分析是基于衛(wèi)星Rtoa信號(hào)開展的研究工作。

2.3 算法對(duì)復(fù)雜觀測(cè)環(huán)境的敏感性對(duì)比分析

不同環(huán)境背景差異會(huì)對(duì)滸苔提取方法造成影響，不同方法的適用情況也不盡相同，這是由于同種地物的光譜特性會(huì)隨地理區(qū)域的變化發(fā)生空間效應(yīng)[32]。鑒于海洋水環(huán)境和衛(wèi)星觀測(cè)環(huán)境較為復(fù)雜，故針對(duì)典型觀測(cè)環(huán)境（背景海水、觀測(cè)幾何條件、云層覆蓋、太陽耀斑），對(duì)NDVI、VB-FAH和TCG算法在不同環(huán)境背景下的敏感性和監(jiān)測(cè)效果進(jìn)行討論。

2.3.1 清澈和渾濁海水背景

為評(píng)價(jià)NDVI、VB-FAH和TCG指數(shù)在不同海水背景下的滸苔識(shí)別性能，選擇2種覆蓋不同海水背景的測(cè)試區(qū)域（圖6a中紅框）進(jìn)行分析。區(qū)域1和2分別為2015年6月6日GF1-WFV假彩色合成影像中清澈海水和渾濁海水區(qū)域，圖6ce和圖6gi分別為清澈水體和渾濁水體區(qū)域的NDVI、VB-FAH和TCG影像，可以看出3種指數(shù)在清澈海水和渾濁海水背景下高低值分布較為一致，表現(xiàn)都比較穩(wěn)定，這表明NDVI、VB-FAH和TCG指數(shù)對(duì)清澈和渾濁海水背景條件不敏感。

圖7分別為NDVI、VB-FAH和TCG指數(shù)在清澈海水和渾濁海水區(qū)域的滸苔提取結(jié)果，可以看出，3種指數(shù)提取的滸苔分布和輪廓與假彩色合成影像基本吻合，NDVI、VB-FAH和TCG方法在清澈水體區(qū)域提取滸苔面積分別為13.01、13.18和12.95 km2，渾濁水體區(qū)域滸苔面積分別為20.59、20.62和20.69 km2，在2種海水背景下，NDVI、VB-FAH和TCG方法提取滸苔面積相近，說明3種方法都有較好的滸苔識(shí)別能力。

2.3.2 觀測(cè)幾何條件

為了研究NDVI、VB-FAH和TCG指數(shù)對(duì)觀測(cè)幾何條件變化的敏感性，利用不同觀測(cè)角度進(jìn)行3種算法的差異性分析。在此分析中，基于2021年6月4日GF1-WFV影像人工選擇了兩條跨度較寬的經(jīng)向線和緯向線（圖8a中藍(lán)線和紅線）。圖8bd為緯向線NDVI、VB-FAH和TCG指數(shù)的數(shù)值曲線，圖中峰值均為滸苔像元；可以看出，VB-FAH和TCG指數(shù)沿緯向線在沿岸渾濁海水像元和無滸苔像元情況下，數(shù)值波動(dòng)較小。相比之下，NDVI數(shù)值波動(dòng)較大。圖8eg為經(jīng)向線NDVI、VB-FAH和TCG指數(shù)的數(shù)值曲線，也表現(xiàn)為VB-FAH和TCG指數(shù)波動(dòng)小于NDVI指數(shù)。上述結(jié)果表明VB-FAH和TCG指數(shù)對(duì)觀測(cè)幾何角度的變化不敏感，相較于NDVI方法更穩(wěn)定。

云層覆蓋是光學(xué)衛(wèi)星傳感器常見的不利觀測(cè)條件，導(dǎo)致有效的觀測(cè)顯著減少，考慮到光學(xué)衛(wèi)星影像在有云覆蓋時(shí)，所有基于光學(xué)的方法無法監(jiān)測(cè)滸苔信息，同時(shí)云像元也會(huì)干擾滸苔提取的準(zhǔn)確度。在這里，選取2021年6月20日GF1-WFV的一個(gè)云層覆蓋場(chǎng)景為例（圖9a），對(duì)NDVI、VB-FAH和TCG方法在有云層覆蓋背景下的滸苔識(shí)別能力進(jìn)行對(duì)比分析。由有云覆蓋背景下NDVI、VB-FAH和TCG影像（圖9b、c、d），可以看出NDVI和VB-FAH影像中部分云覆蓋像元和滸苔像元均為高值，像元值存在重疊，容易將云像元誤判為滸苔，而TCG影像中，云覆蓋像元與海水像元都為低值，滸苔像元為高值，通過TCG指數(shù)的這個(gè)屬性，滸苔與云有較好的區(qū)分能力，從而提高了滸苔識(shí)別的精度。

圖9e、f、g分別為NDVI、VB-FAH和TCG方法的滸苔提取結(jié)果，3種方法在滸苔分布區(qū)域提取效果與假彩色合成影像較為吻合，但在部分有云覆蓋區(qū)域，NDVI和VB-FAH方法將云像元誤判為滸苔像元（圖9e和f中紅圈部分），而TCG方法較好的將云像元排除，這說明在有云覆蓋的情況下，TCG方法能較好的判識(shí)出滸苔像元，排除云像元的干擾，而NDVI和VB-FAH方法需要先對(duì)影像進(jìn)行云剔除處理，才能有好的滸苔判識(shí)能力。當(dāng)然，圖9僅展示了個(gè)別云覆蓋下算法監(jiān)測(cè)情況，并不代表所有云層下的情況。

2.3.3 太陽耀斑背景

基于光學(xué)衛(wèi)星開展?jié)G苔監(jiān)測(cè)時(shí)，太陽耀斑可能會(huì)導(dǎo)致滸苔判識(shí)的不確定性，特別是對(duì)于高分辨率衛(wèi)星圖像[23]。因此，選取弱太陽耀斑和強(qiáng)太陽耀斑2種背景研究NDVI、VB-FAH和TCG指數(shù)的滸苔分類能力。圖10a為2016年6月13日GF1-WFV假彩色合成影像的弱太陽耀斑場(chǎng)景，由弱太陽耀斑背景的NDVI、VB-FAH和TCG影像（圖10b、c、d）能夠得到，3種方法影像中滸苔像元為高值，弱太陽耀斑和海水像元為低值，且數(shù)值分布較為一致。圖10e、f、g為NDVI、VB-FAH和TCG方法的滸苔提取結(jié)果，可以看出3種方法的滸苔分布、輪廓與假彩色合成影像較為吻合，滸苔提取面積分別為313.95、314.09和311.25 km2，面積差異較小。上述結(jié)果表明NDVI、VB-FAH和TCG指數(shù)在弱太陽耀斑情況下均有較好的滸苔提取效果，并且不會(huì)受到弱太陽耀斑背景的影響。

圖11a為2010年7月4日HJ1A-CCD假彩色合成影像的強(qiáng)太陽耀斑場(chǎng)景，圖中紅圈為強(qiáng)太陽耀斑區(qū)域，圖11b、c、d分別為強(qiáng)太陽耀斑背景的NDVI、VB-FAH和TCG影像，由圖11b、c可以看出NDVI和VB-FAH影像中滸苔聚集區(qū)域?yàn)楦咧?，?qiáng)太陽耀斑區(qū)域?yàn)榇胃咧?，海水像元為低值，在TCG影像（圖11d）中滸苔像元與強(qiáng)太陽耀斑和海水像元具有明顯的對(duì)比，滸苔像元為高值，強(qiáng)太陽耀斑和海水像元均為低值，滸苔與強(qiáng)太陽耀斑及海水有很好的區(qū)分能力。圖11e、f分別對(duì)NDVI和VB-FAH影像的滸苔提取結(jié)果，可以看出NDVI和VB-FAH方法提取的滸苔分布與假彩色合成影像較為一致，但是部分強(qiáng)太陽耀斑像元被誤判為滸苔，特別是VB-FAH方法誤判的像元比較多，說明NDVI和VB-FAH方法需要先剔除強(qiáng)太陽耀斑再進(jìn)行滸苔提取，從而能較為準(zhǔn)確的提取滸苔；而TCG方法（圖11g）提取的滸苔效果較好，與假彩色合成影像中滸苔的分布與輪廓較為一致，說明TCG方法在強(qiáng)太陽耀斑背景下更加簡單有效，有利于滸苔的快速、精確提取。

2.3.4 算法精度評(píng)價(jià)對(duì)比

為進(jìn)一步定量評(píng)價(jià)不同環(huán)境背景下的滸苔提取精度，分別從不同遙感影像中人為隨機(jī)選擇滸苔和非滸苔的大量像元樣本，進(jìn)而計(jì)算得到不同場(chǎng)景下滸苔驗(yàn)證樣本點(diǎn)與3種算法提取結(jié)果的精度評(píng)價(jià)指標(biāo)F1-score和OA，如圖12所示。在清澈水體、渾濁水體以及弱太陽耀斑背景下，NDVI、VB-FAH和TCG算法的精度指標(biāo)F1-score和OA均在95％以上。在有云覆蓋和強(qiáng)太陽耀斑背景下，TCG方法的評(píng)價(jià)指標(biāo)均優(yōu)于NDVI和VB-FAH方法，F(xiàn)1-score和OA分別達(dá)到95.2％和95.0％以上。綜合分析，在5種不同環(huán)境背景條件下TCG方法提取滸苔的精度最高，效果最好。

3 結(jié)論

以探究面向高分辨率衛(wèi)星影像的滸苔遙感提取算法在常見復(fù)雜環(huán)境背景中的適用性為目標(biāo)，以國產(chǎn)GF-WFV和HJ-CCD傳感器為例，對(duì)比分析了基于衛(wèi)星大氣層頂反射率為信號(hào)的NDVI、VB-FAH和TCG等3種方法在清澈海水、渾濁海水、觀測(cè)幾何角度、云覆蓋、太陽耀斑等不同環(huán)境背景下的優(yōu)勢(shì)和不足，并利用混淆矩陣進(jìn)行精度評(píng)價(jià)。研究結(jié)果表明：

（1）在清澈海水、渾濁海水和弱太陽耀斑背景下，NDVI、VB-FAH和TCG算法均有較好的滸苔識(shí)別能力，能有效提取滸苔信息，F(xiàn)1-score和OA分別達(dá)到了95.6％和95.2％以上。

（2）在云覆蓋背景下，NDVI和VB-FAH算法容易將云像元與滸苔像元混淆，需要先進(jìn)行云像元的剔除才能進(jìn)行有效識(shí)別；TCG算法能較好的將滸苔像元與云像元進(jìn)行區(qū)分，滸苔提取精度指標(biāo)F1-score和OA分別為98.1%和98.5%。

（3）在強(qiáng)太陽耀斑背景下，TCG算法的滸苔判識(shí)能力優(yōu)于NDVI和VB-FAH算法，可有效排除強(qiáng)太陽耀斑的干擾，滸苔提取精度指標(biāo)F1-score和OA分別為95.2%和95.0%。

總之，不同滸苔識(shí)別算法在不同環(huán)境背景下具有不同的特點(diǎn)，應(yīng)根據(jù)實(shí)際情況來選擇最合適的算法。此外，在不同的應(yīng)用場(chǎng)景下，應(yīng)選擇合適的滸苔提取方法，對(duì)效率有較高要求的場(chǎng)景，考慮使用操作簡單、效率高的波段指數(shù)法；在更關(guān)注滸苔精細(xì)化監(jiān)測(cè)應(yīng)用場(chǎng)景下，考慮使用高性能的分類器方法，提升滸苔提取的精度。后續(xù)將進(jìn)一步驗(yàn)證不同方法在高分六號(hào)、資源系列、Planet等采用新型傳感器、具有更高時(shí)空分辨率衛(wèi)星影像中的適用性。

參考文獻(xiàn)：

[1] Ye N h，Zhang X w，Mao Y z，et al. ‘Green tides are overwhelming the coastline of our blue planet： taking the worlds largest example[J]. Ecol Res，2011，26（3）：477-485.

[2] Smetacek V， Zingone A. Green and golden seaweed tides on the rise[J]. Nature，2013，504（7478）：84-88.

[3] Zhou M j， Liu D y， Anderson D M， et al. Introduction to the special issue on green tides in the Yellow Sea [J]. Estuar Coast Shelf Sci，2015，163：3-8.

[4] 劉少軍，蔡大鑫，韓靜，等.基于衛(wèi)星遙感的南海真光層底顆粒有機(jī)碳輸出通量時(shí)空特征研究[J].海洋氣象學(xué)報(bào)，2022，42（1）：32-38.

[5] 趙詩童，時(shí)曉曚，吳曉京，等.三種經(jīng)典夜間陸地霧遙感反演方法的適用性對(duì)比分析[J].海洋氣象學(xué)報(bào)，2021，41（1）：45-57.

[6] 盧乃錳，鄭偉，王新，等.氣象衛(wèi)星及其產(chǎn)品在天氣氣候分析和環(huán)境災(zāi)害監(jiān)測(cè)中的應(yīng)用概述[J].海洋氣象學(xué)報(bào)，2017，37（1）：20-30.

[7] 賈麗莉，張安定，吳孟泉.基于MODIS的2013年黃海海域滸苔災(zāi)害的時(shí)空分布[J].魯東大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，31（2）：172-177.

[8] 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.

[9] 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.

[10] 辛蕾，黃娟，劉榮杰，等.基于混合像元分解的MODIS綠潮覆蓋面積精細(xì)化提取方法研究[J].激光生物學(xué)報(bào)，2014，23（6）：585-589.

[11] Shi W， Wang M H. Green macroalgae blooms in the Yellow Sea during the spring and summer of 2008[J]. J Geophys Res： Oceans，2009，114（C12）：C12010.

[12] Hu C M. A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sens Environ，2009，113（10）：2118-2129.

[13] 陳瑩，孫德勇，張海龍，等.結(jié)合GOCI數(shù)據(jù)的黃海綠潮遙感監(jiān)測(cè)及漂移軌跡研究[J].光學(xué)學(xué)報(bào)，2020，40（3）：0301001.

[14] 施英妮，石立堅(jiān)，夏明，等.HJ-1A/1B星CCD傳感器數(shù)據(jù)在黃東海滸苔監(jiān)測(cè)中的應(yīng)用[J].遙感信息，2012（2）：47-50.

[15] 薛瑞，吳孟泉，劉楊，等.基于HJ-1A/1B的2014年黃海海域滸苔災(zāi)害時(shí)空分布[J].海洋科學(xué)，2016，40（7）：115-123.

[16] 孟慶輝，李悅銘，王祥，等.基于Sentinel-2數(shù)據(jù)的近岸高懸沙水體漂浮綠潮遙感識(shí)別[J].海洋環(huán)境科學(xué)，2022，41（6）：904-909.

[17] 張海龍，孫德勇，李俊生，等.基于GF1-WFV和HJ-CCD數(shù)據(jù)的我國近海綠潮遙感監(jiān)測(cè)算法研究[J].光學(xué)學(xué)報(bào)，2016，36（6）：0601004.

[18] Zhang H L， Qiu Z F， Devred E， et al. A simple and effective method for monitoring floating green macroalgae blooms： a case study in the Yellow Sea[J]. Opt Express，2019，27（4）：4528-4548.

[19] Zhang H L， Yuan Y b， Xu Y j， et al. Remote sensing method for detecting green tide using HJ-CCD top-of-atmosphere reflectance[J]. Int J Appl Earth Obs Geoinformation，2021，102：102371.

[20] 高振會(huì)，楊建強(qiáng)，張洪亮，等.綠潮災(zāi)害發(fā)生條件與防控技術(shù)[M].北京：海洋出版社，2009：80-92.

[21] 丁夢(mèng)嬌，丘仲鋒，張海龍，等.基于NPP-VIIRS衛(wèi)星數(shù)據(jù)的渤黃海濁度反演算法研究[J].光學(xué)學(xué)報(bào)，2019，39（6）：0601002.

[22] 蘇校平，孫德勇，王勝強(qiáng)，等.黃渤海海表密度的遙感反演[J].激光與光電子學(xué)進(jìn)展，2019，56（11）：110101.

[23] 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 Sci J，2012，47（3）：223-233.

[24] 吳孟泉，郭浩，張安定，等.2008年—2012年山東半島海域滸苔時(shí)空分布特征研究[J].光譜學(xué)與光譜分析，2014，34（5）：1312-1318.

[25] 矯新明，袁廣旺，毛成責(zé)，等.2015年南黃海海域滸苔時(shí)空分布特征[J].杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，16（1）：51-56.

[26] 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.

[27] 邱亞會(huì)，盧劍波.滸苔遙感監(jiān)測(cè)研究進(jìn)展[J].生態(tài)學(xué)報(bào)，2015，35（15）：4977-4985.

[28] Xing Q g， Hu C m. 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 Sens Environ，2016，178：113-126.

[29] 李莉，劉志紅，韓晨琛，等.基于衛(wèi)星遙感的臨沂市冬小麥種植時(shí)空變化特征分析[J].海洋氣象學(xué)報(bào)，2020，40（3）：126-135.

[30] Maggiori E， tArabalka Y， Charpiat G， et al. Convolutional Neural Networks for Large-scale Remote-Sensing Image Classification[J]. IEEE Trans Geosci Remote Sens，2017，55（2）：645-657.

[31] 何恩業(yè)，季軒梁，黃洪輝，等.近10 a黃海滸苔綠潮時(shí)空分布特征分析[J].海洋預(yù)報(bào)，2021，38（6）：1-11.

[32] 許靜，陳興偉，陳文惠.基于波譜特征的水體信息提取方法研究[C]//福建省水利學(xué)會(huì)/中國水利學(xué)會(huì).福建省第十二屆水利水電青年學(xué)術(shù)交流會(huì)論文集.福州：福建省水利學(xué)會(huì)/中國水利學(xué)會(huì)，2008：20-27.