靜止海洋水色衛星(GOCI)綠潮探測算法對比研究

蔡曉晴，崔廷偉，鄭榮兒，秦平，牟冰

(1.中國海洋大學，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

綠潮是在一定環境條件下，海水中某些大型藻類(如滸苔)爆發性增殖或高度聚集的一種生態異常現象[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生了不同規模的綠潮災害，其中，2008年黃海大規模綠潮災害更為世界罕見[3-5]。

基于船舶走航的傳統綠潮探測方法耗時、費力，而衛星光學遙感技術具有大范圍、同步、快速觀測能力，可以準確獲取綠潮分布信息，在綠潮業務監測中發揮了不可替代的作用[6-9]。

綠潮衛星光學遙感監測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，因此在早期的監測中，各種植被指數算法，如比值植被指數RVI(Ratio Vegetation Index)、歸一化差值植被指數NDVI(Normalized Difference Vegetation Index)、增強型植被指數EVI(Enhanced Vegetation Index)等，得到了廣泛應用，其中，NDVI算法被普遍采納[12-18]。隨著研究的深入，近年來又發展了新的綠潮探測算法，如韓國海洋衛星中心的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比研究尚未報道。

韓國于2010年6月發射了世界上第一顆靜止軌道水色衛星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，時間間隔1h，空間分辨率500m的光學遙感影像；GOCI在400nm～900nm區間設置了8個波段，其中，紅光和近紅外各有2個波段，中心波長分別為660nm、680nm、745nm和865nm，可用于綠潮監測[22]。GOCI的問世為綠潮逐時變化的衛星遙感監測提供了可能，但目前仍缺乏針對GOCI的不同綠潮探測算法及不同波段選擇的綠潮探測能力對比研究。

本文選擇了2011年～2013年的六景黃海GOCI影像，進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，構建了測試數據集。在此基礎上，針對NDVI、RVI、EVI、OSABI、KOSC、IGAG 6種主流的綠潮探測算法，分別選擇不同的GOCI紅光和近紅外波段選擇方式進行了對比，分析了不同算法及其波段選擇方式的綠潮探測能力，以期為GOCI綠潮業務監測提供參考。

2 數 據

從搜集到的2011年～2013年黃海綠潮爆發期間的一百余景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據，如表1所示。

GOCI的波段設置如表2所示。影像中心經緯度為東經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波段設置和用途

3 方 法

3.1 大氣校正

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

根據輻射傳輸理論，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際反射率，t0、t分別為從太陽到地面和從地面到衛星傳感器的大氣透射率。

本文利用GDPS(GOCI Data Processing Software)軟件進行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，用來測試和對比不同綠潮探測算法及其波段選擇方式的綠潮探測能力。

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，紅框內為所選取的綠潮樣本，藍框內為所選取的海水樣本。

為了確保樣本的準確性，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，綠潮、海水樣本盡可能包含空間上分散、不同區域的像元，以使結果更具代表性，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均相等(表3)。

3.3 綠潮探測算法

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

表3 從六景影像中選取的樣本像元數

(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、綠光和藍光波段的瑞利校正反射率。EVI算法中經驗參數取值如下：G=2.5，c1=6，c2=7.5，c3=1[23]。

3.4 不同算法綠潮探測能力對比

借鑒模式識別領域區分兩類樣本所采用的“類間距”概念，利用如下的指標來評判不同算法綠潮探測能力差異：

(8)

4 結果分析

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準偏差如圖2所示。

圖2 GOCI綠潮、海水平均光譜及標準偏差

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。GOCI綠潮光譜在5、6波段的量值相當，主要原因是這2個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綠潮光譜的標準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，綠潮探測算法的紅光波段采用GOCI波段5或6對結果的影響可能不大，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 綠潮探測算法及其波段選擇方式的對比

針對上述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用于所選擇的6種影像的綠潮、海水樣本，由相應樣本計算結果的均值和方差計算Dgw，結果如圖3所示。

圖3 6種算法及其不同波段選擇方式的綠潮探測能力對比

由圖3中各算法及其波段選擇方式的對比結果可見：①RVI、EVI、KOSC、OSABI 4種算法的綠潮探測能力相當，且在六景影像中的表現一致；②NDVI算法的探測能力明顯優于以上4種算法，在(a)、(b)兩景影像中為最優算法，在(c)、(d)、(e)、(f)四景影像中綠潮探測能力列第二位；③IGAG算法的綠潮探測能力表現出顯著的不確定性，在(a)、(b)兩景影像中IGAG算法的探測能力是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對結果的影響不大，但近紅外波段采用GOCI波段7或8則對結果影響較大，這也印證了前文關于波段選擇方式對算法綠潮探測能力影響的推斷。

5 討 論

從6種綠潮探測算法的對比來看，NDVI算法在全部六景影像中均表現出了穩定、突出的綠潮探測能力，與傳統的RVI、EVI算法以及近年來新發展的KOSC、IGAG、OSABI算法相比，NDVI仍是GOCI衛星綠潮業務監測的首選算法。

IGAG算法的綠潮探測能力在四景影像中為最優，表現出了很大的應用潛力，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，但仍有待于進一步分析和驗證。

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

本文6種主流算法綠潮探測能力的對比分析是基于六景GOCI影像開展的，進一步的算法對比研究需增加數據量，尤其是涵蓋綠潮的不同發展階段，并補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，各算法對應用于不同時刻GOCI影像時其綠潮探測能力是否存在差異也需要深入研究。

6 結束語

本文利用2011年～2013年間的六景GOCI影像，評估了6種主流的綠潮探測算法，分析了不同算法及其波段選擇方式的綠潮探測能力。結果表明：①NDVI算法的綠潮探測能力明顯優于RVI、EVI、KOSC、OSABI 4種算法，是GOCI綠潮業務監測的可靠選擇；IGAG算法具有一定的應用潛力，但其探測能力不確定性顯著，有時優于NDVI算法，有時遜于其他4種算法；②采用上述6種算法進行GOCI綠潮探測時，紅光波段選擇GOCI波段5或6對綠潮探測的影響不大，而近紅外波段選擇波段7或波段8差異明顯，未來發展新的GOCI綠潮探測算法時，應綜合利用近紅外2個波段的信息。

致謝：感謝韓國海洋科學技術院(Korea Institute of Ocean Science & Technology，KIOST)提供的GOCI衛星數據和GDPS數據處理軟件。

參考文獻：

[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.大型藻類遙感監測方法研究[D].大連：大連海事大學，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.青島-黃海滸苔衛星光學遙感[D].青島：中國海洋大學，2010.

[7] 劉建強，蔣興偉，鄒斌，等.滸苔多源衛星遙感監測技術研究[J].滸苔生態學研究，2009：3-11.

[8] 邢前國，鄭向陽，施平，等.基于多源、多時相遙感影像的黃、東海綠潮影響區檢測[J].光譜學與光譜分析，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.綠潮遙感探測影響因素分析[D].青島：青島大學，2012.

[11] 顧行發，陳興峰，尹球，等.黃海滸苔災害遙感立體監測[J].光譜學與光譜分析，2011，31(6)：1627-1632.

[12] 劉振宇，江濤.基于MODIS數據的滸苔信息提取方法研究[J].測繪科學，2008，33(z1)：113-114.

[13] 蔣興偉，劉建強，鄒斌，等.滸苔災害衛星遙感應急監視監測系統及其應用[J].海洋學報，2009，31(1)：52-64.

[14] 張娟.滸苔遙感監測方法研究及軟件實現——以青島奧帆賽場及周邊海域為例[D].成都：電子科技大學，2009.

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

[16] 李三妹，李亞君，董海鷹，等.淺析衛星遙感在黃海滸苔監測中的應用[J].應用氣象學報，2010，21(1)：76-82.

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

[18] 鐘山，丁一，李振，等.MODIS滸苔遙感監測誤差分析研究[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.統計模式識別(第二版)[M].北京：電子工業出版社，2004.

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

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