基于GOCI的東海葉綠素a濃度3種反演算法的對比及其晝變化分析

王 芮， 伍玉梅， 楊勝龍， 崔雪森， 王 琳， 張勝茂

(1.上海海洋大學，上海 201306； 2. 中國水產科學研究院東海水產研究所，上海 200090；3.農業部漁業遙感科學觀測實驗站，北京 100041；4.中國水產科學研究院，北京 100041)

近年來，隨著東海沿海工農業的發展和人口的增加，工農業廢水和生活污水向沿岸海域的排放量劇增，東海海洋環境及氣候發生急劇變化，富營養化程度日趨嚴重，赤潮、綠潮等海洋生態問題發生頻率、范圍及其造成的危害大為增加。水體中葉綠素a含量的高低直接影響水體的光學特性，也是表征水體富營養化程度的主要參數，葉綠素a濃度已經成為水體水質評價的重要指標[1]。海洋水色遙感技術具有快速、同步、大面積實時監測的特點，可以彌補走航實測數據分散、耗費人力物力等缺陷，因此，利用遙感技術監測海洋葉綠素a濃度的變化，是監測海洋生態環境的一種有效手段。

遙感反演葉綠素a濃度的方法主要有分析模型、半分析模型和經驗模型3種，目前國內外已有不少學者開展了一些相關研究。唐軍武等[2]根據高質量的現場實測數據，借鑒Tassan模型，得到了中國東海近岸二類水體葉綠素a濃度統計反演模式，反演得到的葉綠素a濃度與實測的平均相對誤差為36%～45%。仲京臣等[3]根據2003年春季東海試驗中獲得的高質量現場實測數據，建立了由現場測量遙感反射率反演葉綠素a濃度的神經網絡模型，其模型反演結果的平均相對誤差為32.5%，同時分析了神經網絡模型在葉綠素a濃度反演模式應用中的穩定性。PARK等[4]基于GOCI 影像數據，使用OC4算法反演了日本東海區域的葉綠素a濃度，并指出基于GOCI衛星數據反演葉綠素a濃度的算法尚有待研究。趙夢瑩等[18]綜合利用GOCI的412nm、443nm、490nm和555nm波段的遙感反射率，建立多波段比值模型，反演了渤海、北黃海的葉綠素a濃度，并進行了葉綠素a濃度的日變動分析。MOON等[5]利用GOCI的第一波段(與可溶性有機物相關性大)、第四波段(與懸浮物相關性大)，及第二和第三波段(與葉綠素a相關性大)，建立了波段比值模型，進行了日本霞浦湖葉綠素a濃度反演。目前，利用MODIS、SeaWIFS等水色傳感器數據反演東海葉綠素a濃度的研究較多，利用GOCI數據反演內陸湖泊葉綠素a濃度的研究也不少[6-9]，但是利用GOCI數據反演東海葉綠素a濃度的研究比較缺乏。

相比于MODIS(Moderate resolution imaging spectrometer)、SeaWIFS(Sea-viewing wide field-of-view sensor)等遙感傳感器，第一顆地球靜止水色衛星COMS(Communication ocean and meteorological satellite)上搭載的水色成像儀GOCI(Geo-stationary ocean color imager)擁有更高的時間分辨率(1 h)和更高的信噪比，而且相對于SeaWIFS增加了680nm波段和745nm波段，可用于水體中葉綠素的反演以及大氣的精確校正，全天提供目標區域8個時間的觀測數據，對于監測海洋水體葉綠素a濃度的細節變化、赤潮等突發性事件，有著極大的應用前景[10]。中國東海是典型的陸架海域，長江等河流入海，使之富集葉綠素、懸浮物質和黃色物質等影響海洋光學性質的海水組分[11]，這也導致海水富營養化、赤潮等海洋災害現象頻繁發生，給沿海經濟帶來巨大損失。因此，利用GOCI數據反演東海葉綠素a濃度，能更高頻次地開展東海赤潮、綠潮等突發性海洋災害事件的觀測，研究它們的時空變動特點和規律，對開展相關的監測和預報具有十分重要的意義。

本文基于GOCI衛星獲取的東海水色資料，對其L1B數據進行了大氣校正等影像預處理，然后利用OC2、OC3G和YOC 3種算法反演了東海的葉綠素a濃度，并和實測葉綠素a濃度資料進行對比分析，通過計算和比較3種算法反演的葉綠素a濃度與實測葉綠素a濃度之間的平均絕對誤差、平均相對誤差和相關系數，確定東海葉綠素a濃度反演的最優算法；最后用該算法反演了2011-2017年的東海葉綠素a濃度，并分析東海葉綠素a濃度的晝變化特征及其原因，以期為東海赤潮等突發性海洋災害事件的監測提供參考。

1 材料與方法

1.1 數據及處理

1.1.1 GOCI數據及預處理

GOCI是世界上第一個為海洋水色觀測而設計的靜止軌道衛星傳感器。該傳感器由韓國發射，設計壽命為7年，于2010年6月發射升空，2011 年 4月開始向公眾提供數據。GOCI共有 6 個可見光波段和 2個近紅外波段，觀測中心點的經緯度為：東經130°、北緯36°，衛星的覆蓋范圍為 2 500 km×2 500 km，可覆蓋我國黃、渤、東海海域，每天可以提供八景遙感影像，從北京時間08∶30到15∶30，時間分辨率為1 h[12]。

GOCI遙感L1B數據來源于Korea Ocean Satellite Center(KOSC),下載網站為http://kosc.kiost.ac，該網站可以下載從2011年至今的每日八景數據。此研究中，我們下載了和實際測量的葉綠素a濃度數據對應時間的L1B數據，以及用于葉綠素a濃度晝變化分析的2011年5月29日、2012年6月5日、2013年5月25日、2014年5月23日、2015年6月15日、2016年5月31日和2017年5月22日的L1B數據。

在基于GOCI的L1B數據反演葉綠素a濃度前，首先要對L1B遙感數據進行大氣校正。大氣校正即是去除傳感器接收的輻亮度值中大氣的影響因素，提取出水體信息的離水輻亮度。本文利用GOCI數據處理軟件GOCI Data Progressing Software(GDPS)內置的KOSC二類水體大氣校正算法(它是GOCI數據處理的業務化標準大氣校正算法)實現影像的大氣校正，可以剔除瑞利散射和氣溶膠散射的影響[17]。大氣校正結束后，還應進行云掩膜，目的是盡可能獲得影像上更多的葉綠素a濃度信息，提高后續葉綠素a濃度反演的精度，這個步驟同樣可以在GDPS中實現。

1.1.2 葉綠素a濃度實測數據

葉綠素a濃度實測數據是由南京信息工程大學于2016-2017年間開展的3個月現場水色觀測航次獲得的，該觀測航次分別于2016年9月和10月、2017年5月對東海22°～33°N、120°～126°E之間的海域進行樣點采集，并記錄了這些樣點的采集時間和經緯度，測定了這些樣點的葉綠素a濃度值。葉綠素a濃度的測定過程是先利用CTD采水瓶采集水樣，隨后立刻將采集的水樣取100 mL進行過濾，濾膜采用Whatman GF/F玻璃纖維濾膜(直徑：25 mm；孔徑：0.7 μm)，真空泵過濾氣壓<0.1 KPa，整個抽濾過程在暗光環境下進行，以避免葉綠素的光解。過濾完成后，將濾膜用錫紙包裹好，立刻放入液氮進行保存。返回實驗室后，將過濾好的濾膜從液氮罐中取出，放入試管中并加入5 mL的二甲基甲酰胺N, N-dimethyl-formamide進行葉綠素萃取，萃取時間為24 h[13]。隨后，利用事先標定好的實驗室熒光儀(Turner Design, Trilogy)進行葉綠素濃度的測量。最后對測得的葉綠素a濃度剔除掉無效數據和質量精度不高的數據。

1.2 研究方法

本文利用OC2、OC3G和YOC 3種算法，從GOCI衛星獲取的水色遙感信息反演了東海葉綠素a濃度，并和實測值進行對比分析，通過計算和對比3種算法反演的葉綠素a濃度與實測值之間的平均絕對誤差、平均相對誤差和相關系數，最終確定東海葉綠素a濃度反演的最優算法。進一步，利用該算法反演2011-2017年東海海域(26°～32°N、119°～125°E)的葉綠素a濃度，通過靜止水色衛星的高時間分辨率觀測優勢，分析其獲得的葉綠素a濃度在以小時為時間分辨率的變化特點。

1.2.1 OC2算法

OC2算法是由HOOKER等[14]基于SeaWiFS數據提出的兩波段海洋葉綠素a濃度反演算法，它是利用Rrs(490)/Rrs(555)的比值與葉綠素a濃度的關系建立的一個三次多項式算法。其算法表達式如下：

(1)

式(1)中，Chla為葉綠素a濃度，Rrs(490)和Rrs(555)分別為490 nm波段和555 nm波段的遙感反射率。

1.2.2 OC3G算法

OC3G算法是根據OC4算法修改得來的，OC4算法里包含510 nm波段的反射率，但是GOCI沒有510 nm波段，因此適用于GOCI的OC3G算法只用了3個波段的反射率，分別為443 nm、490 nm和555 nm。它是利用Rrs(443)/Rrs(555)與Rrs(490)/Rrs(555)比值中的最大值來建立的一個四次多項式算法。其算法表達式如下[15]：

(2)

式(2)中，Chla為葉綠素a濃度，Rrs(443)、Rrs(490)和Rrs(555)分別為443 nm、490 nm波段和555 nm波段的遙感反射率。

1.2.3 YOC算法

YOC算法首先由TASSAN于1994年提出，SISWANTO等[16]于2011年基于近十年的東海、黃海和日本南部的實測遙感反射率和葉綠素a濃度，修改了原YOC算法里面的參數得到新的YOC算法。它是利用412 nm、443 nm、490 nm和555 nm多波段比值來建立的一個二次多項式算法。其算法表達式如下：

(3)

式(3)中，Chla為葉綠素a濃度，Rrs(412)、Rrs(443)、Rrs(490)和Rrs(555)分別為412 nm、443 nm、490 nm波段和555 nm波段的遙感反射率。

1.2.4 精度驗證

利用OC2、OC3G和YOC 3種算法反演了東海葉綠素a濃度后，分別計算3種算法反演的葉綠素a濃度與實測值之間的平均絕對誤差、平均相對誤差和相關系數，并根據這3種參數結果對3種算法反演的精度進行對比，確定最適合東海葉綠素a濃度的反演算法。

上式中：Xi為遙感反演的葉綠素a濃度值，Yi為實際測量的葉綠素a濃度值。

2 結果與分析

2.1 3種葉綠素a濃度反演算法的比較

對葉綠素a濃度實測資料進行基本數據質量檢驗，并根據該研究中GOCI衛星的觀測時間和范圍，一共從實測資料中篩選出17個有效觀測站點值，站點分布示意圖如圖1所示。

這17個站點位于東海26°～32°N、120°～126°E海域內，基本涵蓋了長江口、杭州灣、浙江、福建沿岸海域，內陸架和外陸架等不同的海域環境。采樣時間是2016年9、10月和2017年5月，既包含浮游植物生長旺盛的時段，也包含生長平穩的時段。17個站點的站名、觀測日期、到站時間、葉綠素a濃度實測值和3種算法的反演值見表1。

圖1 有效觀測站點圖 (紅色三角形為觀測站點)Fig.1 Map of effective stations (The red triangle are the stations)

站名Station name觀測日期Observation date到站時間Arrival time實測值/(mg·m-3)Measured valueYOC算法/(mg·m-3)YOC algorithmOC2算法/(mg·m-3)OC2 algorithmOC3G算法/(mg·m-3)OC3G algorithmDH1-6-Surf2016/9/2413∶27∶000.480.350.370.92DH3-1-Surf2016/10/2613∶15∶001.231.801.821.88DH7-3-Surf2016/10/113∶00∶001.691.011.071.12DH7-4-Surf2016/10/110∶05∶000.280.110.150.16L12-1-Surf2017/5/1809∶00∶001.271.591.854.21S01-2-Surf2017/5/1811∶20∶000.681.401.591.98L45-3-Surf2017/5/2208∶20∶001.361.221.211.93S05-1-Surf2017/5/2210∶30∶004.023.274.867.01S05-3-Surf2017/5/2214∶50∶000.360.590.760.88S04-1-Surf2017/5/2115∶20∶000.290.210.250.19DH2-1-Surf2016/9/2513∶03∶000.630.390.331.74S01-3-Surf2017/5/1814∶30∶000.651.211.332.88DH2-2-Surf2016/9/2509∶48∶000.370.540.731.10S05-2-Surf2017/5/2213∶00∶000.360.730.981.42DH1-5-Surf2016/9/2410∶20∶000.310.961.011.67DH5-2-surf2016/10/2512∶08∶002.451.231.351.15DH7-2-Surf2016/10/115∶30∶002.271.125.522.55

17個站點中，YOC算法反演的葉綠素a濃度比實測葉綠素a濃度高的有8個站點，OC2算法有10個，OC3G算法有13個；OC2算法反演的葉綠素a濃度比YOC算法反演的葉綠素a濃度高的有15個，OC3G算法反演的葉綠素a濃度比YOC算法反演的葉綠素a濃度高的有15個站點，OC3G算法反演的葉綠素a濃度比OC2算法反演的葉綠素a濃度高的有14個站點。由此可見，YOC、OC2和OC3G算法反演的葉綠素a濃度普遍比實測葉綠素a濃度高，OC2算法反演的葉綠素a濃度比YOC的高，OC3G又比OC2的高。

分別計算了17個站點的實測葉綠素a濃度和對應的YOC、OC2和OC3G 3種算法反演的葉綠素a濃度之間的平均絕對誤差、平均相對誤差和相關系數，結果見表2。

表2 3種反演葉綠素a濃度算法的誤差分析Tab.2 Error analysis of 3 inversions of chlorophyll-a concentration

YOC算法反演的葉綠素a濃度與實測值的平均絕對誤差是0.39 mg·m-3、平均相對誤差是42.47%、相關系數是0.88；OC2算法反演的葉綠素a濃度與實測值的平均絕對誤差是0.67 mg·m-3、平均相對誤差是78.12%、相關系數是0.79；OC3G算法反演的葉綠素a濃度與實測值的平均絕對誤差是0.78 mg·m-3、平均相對誤差是80.08%、相關系數是0.73。由此可見，相較于OC2和OC3G算法，YOC算法的平均絕對誤差、平均相對誤差最小，相關系數最高，說明基于GOCI數據，采用YOC算法反演東海海域的葉綠素a濃度是最優的。此結論與李冠男等[12]提到的YOC算法適用于我國黃、東海海域的結論相符。

2.2 葉綠素a濃度的晝變化特征

由于GOCI靜止衛星—天提供了以每小時為時間分辨率的8景圖像，這對開展東海葉綠素a濃度的晝變化研究提供了可能。本文主要分析東海每年5、6月份葉綠素a濃度的晝變化特征，每年5、6月份東海浮游植物易富營養化而爆發性增殖，形成赤潮，葉綠素是浮游植物生物量的一個重要指標，監測分析葉綠素a濃度的變化，可以為赤潮等海洋災害的監測預報提供依據。由于GOCI獲取水色信息容易受到天氣的影響，因此需要選取云量較少、質量較好的遙感影像，才能適合進行葉綠素a濃度的反演及其變動特點分析。經過大量影像的篩選，本文選取了GOCI獲得的2011年5月29日、2012年6月5日、2013年5月25日、2014年5月23日、2015年6月15日、2016年5月31日和2017年5月22日的L1B數據，以26°～32°N、119°～125°E東海海域為研究區域，分析東海葉綠素a濃度的晝變化特征。先以2011年5月29日YOC算法反演的葉綠素a濃度結果為例進行晝變化分析，得到GOCI 2011年5月29日10∶30的RGB真彩色合成影像(圖2)和YOC算法反演的葉綠素a濃度分布結果圖像(圖4)。

圖2 2011年5月29日10∶30的RGB真彩色合成影像(綠色區域為陸地，紫色區域為水域，白色區域為云)Fig.2 True color composite image at 10∶30 on May 29th, 2011 (the green area is land, the purple area is water, the white area is cloud.)

根據遙感影像目視解譯的規則，圖2真彩色合成影像中淺綠色區域為有明顯藻類覆蓋的海面，選取圖2中的兩個典型點A、B，分別為有明顯藻類覆蓋和無明顯藻類覆蓋的點，分析它們的葉綠素a濃度晝變化特征，結果如圖3。

圖3 典型點A、B葉綠素a濃度晝變化特征Fig.3 Variations of Chlorophyll-a concentration of typical point A and B during day time

由圖3典型點的葉綠素a濃度晝變化也可以看出，左圖A點(有明顯藻類覆蓋的點)，葉綠素a濃度在2.12 ～15.34 mg·m-3之間，平均葉綠素a濃度為6.71 mg·m-3。從08∶30到10∶30，葉綠素a濃度急劇上升，在10∶30達到峰值15.34 mg·m-3；從10∶30到11∶30過程中葉綠素a濃度有所下降，但變化幅度不大，仍然保持著一個較高的濃度水平。從11∶30到13∶30，葉綠素a濃度呈直線下降趨勢，13∶30以后葉綠素a濃度下降趨于平穩。右圖B點(無明顯藻類覆蓋的點)，葉綠素a濃度在0.12 ～ 1.95 mg·m-3之間，平均葉綠素a濃度為0.78 mg·m-3。和A點一樣，葉綠素a濃度在10∶30達到峰值1.95 mg·m-3，之后下降。由此看出，有明顯藻類覆蓋點的葉綠素a濃度明顯比無明顯藻類覆蓋點的高，有明顯藻類覆蓋點的葉綠素a濃度和無明顯藻類覆蓋點的都是從08∶30開始上升，在10∶30達到峰值，然后再逐漸下降。

圖4葉綠素a濃度分布圖中，藍色到紅色表示葉綠素a濃度不斷升高。可以看出，整個東海海域葉綠素的分布很不均勻，不同區域的濃度值相差較大，呈現由近岸向外海遞減的趨勢，尤其是在臺州、溫州和舟山沿岸海域有明顯的高值區，這可能是由于這些沿岸海域海水淺，營養鹽較豐富，藻類生長旺盛造成的[11]。圖4從總體上展示了東海葉綠素a濃度在2011年5月29日一天內的變化情況，可以看出，在浙江、福建沿岸海域，從08∶30到10∶30，整體的葉綠素a濃度是一個增加的趨勢，從10∶30到15∶30是濃度減小的過程，葉綠素a濃度在10∶30達到峰值。

進一步，針對東海赤潮高發期的5、6月份，我們從GOCI在2011-2017年中找出一些觀測質量較好的影像進行了東海海域葉綠素a濃度的反演及分析其晝變化，它們是2012年6月5日、2013年5月25日、2014年5月23日、2015年6月15日、2016年5月31日和2017年5月22日，并分析其葉綠素a濃度的晝變化特征。由于云層的覆蓋，選取的這些時段，也只能提取到東海部分海域葉綠素a濃度的連續信息。研究發現，2012年6月5日杭州灣附近海域、2013年5月25日臺州附近海域、2014年5月23日長江口海域、2015年6月15日溫州附近海域、2016年5月31日舟山附近海域和2017年5月22日象山附近海域的葉綠素a濃度晝變化特征皆與2011年5月29日的基本相似。

葉綠素a濃度一日內大幅度變化可能和藻類的垂直遷移有關。根據氣泡調節浮力機制，藻類的垂直位移受氣泡控制[10]。日出后藻體接收太陽光照進行光合作用，由于小氣泡的作用細胞的浮力增加，到10∶00的時候形成上層藻量高峰。中午的強日照下生成的光合產物使得細胞內部膨壓增高導致氣泡崩潰大于新的聚集，致使細胞失去浮力造成藻量下降[11]。葉綠素a濃度可以表征藻類等浮游植物含量，因此，上層藻量在10∶00左右達到峰值，葉綠素a濃度在10∶00左右也就達到峰值，通過GOCI的YOC算法反演出的葉綠素a濃度晝變化特征與氣泡調節浮力機制理論是吻合的。

3 小結

基于GOCI靜止衛星獲取的高時間分辨率的水色遙感資料，本文對OC2、OC3G和YOC 3種算法反演東海海域葉綠素a濃度的適應性評價，對不同算法在東海海域葉綠素a濃度反演的精度做了比較分析，總結出適合于基于GOCI數據的東海海域葉綠素a濃度反演算法。得到以下一些結論：

1)分別利用OC2、OC3G和YOC 3種算法反演了東海海域葉綠素a濃度，并和2016-2017年間3個月的走航調查獲得的葉綠素a濃度實測資料進行對比分析，通過計算和對比3種算法反演的葉綠素a濃度與實測葉綠素a濃度之間的平均絕對誤差、平均相對誤差和相關系數，得到YOC算法是反演東海葉綠素a濃度最優的，該算法的平均絕對誤差為0.39 mg·m-3，平均相對誤差為42.47%，相關系數為0.88。

2)利用YOC算法反演了GOCI靜止衛星獲取的2011-2017年影像質量較好的每日葉綠素a濃度，東海葉綠素a濃度晝變化基本表現出相近的特點：從08∶30點到15∶30點，整個海域的葉綠素a濃度為先升高再降低的變化特點，在10∶30點左右達到峰值。此結果與藻類氣泡調節浮力機制理論基本吻合。

致謝：感謝韓國衛星中心免費提供的GOCI數據！感謝南京信息工程大學提供的葉綠素a濃度實測數據！

參考文獻:

[1] 王珊珊,李云梅,王永波,等. 太湖水體葉綠素濃度反演模型適宜性分析[J].湖泊科學, 2015, 27(1):150-162.

WANG S S, LI Y M, WANG Y B,etal. Suitability of the retrieval models for estimating chlorophyll concentration in Lake Taihu [J]. Journal of Lake Sciences, 2015, 27(1):150-162.

[2] 唐軍武,王曉梅,宋慶君,等. 黃、東海二類水體水色要素的統計反演模式[J].海洋科學進展, 2004, 22(b10):1-7.

TANG J W, WANG X M, SONG Q J,etal. Statistical inversion models for case II Water color elements in the Yellow Sea and East China Sea [J].Advances in Marine Science, 2004, 22(b10):1-7.

[3] 仲京臣, 汪小勇, 陳清蓮. 基于神經網絡的黃東海春季二類水體三要素濃度反演方法[J]. 海洋技術學報, 2005, 24(4):118-122.

ZHONG J C, WANG X Y, CHEN Q L. A retrieval method on the chlorophyll, total suspended matter, and gelbstoff concentrations of Case II waters in Yellow Sea and East China Sea based on artificial neural network [J]. Ocean Technology, 2005, 24(4):118-122.

[4] PARK K A, WOO H J, RYU J H. Spatial scales of mesoscale eddies from GOCI chlorophyll-a concentration images in the East/Japan Sea [J]. Ocean Science Journal, 2012, 47(3):347-358.

[5] MOON J E, AHN Y H, RYU J H,etal. Development of ocean environmental algorithms for geostationary ocean color imager (GOCI) [J]. Irbm, 2010, 26(2):163-168.

[6] 郭宇龍, 李云梅, 李 淵,等. 一種基于GOCI數據的葉綠素a濃度三波段估算模型[J]. 環境科學, 2015, 36(9):3175-3185.

GUO Y L, LI Y M, LI Y,etal. A three band chlorophyll-a concentration estimation model based on GOCI imagery [J]. Environmental Science, 2015, 36(9):3175-3185.

[7] 馮 馳, 金 琦, 王艷楠,等. 基于GOCI影像和水體光學分類的內陸湖泊葉綠素a濃度遙感估算[J]. 環境科學, 2015, 6(5):1557-1564.

FENG C, JIN Q, WANG Y N,etal. Remote sensing estimation of chlorophyll-a concentration in inland lakes based on GOCI image and optical classification of water body [J]. Environmental Science, 2015, 36(5):1557-1564.

[8] 包 穎, 田慶久, 陳 旻,等. 基于GOCI影像分類的太湖水體葉綠素a濃度日變化分析[J]. 光譜學與光譜分析, 2016, 36(8):2562-2567.

BAO Y, TIAN Q J, CHEN M,etal. Analysis on diurnal variation of chlorophyll-a concentration of Taihu lake based on optical classification with GOCI data[J]. Spectroscopy and Spectral Analysis, 2006, 36(8):2562-2567.

[9] 胡耀躲, 竇同宇, 楊 波. 基于GOCI影像反演湖泊懸浮物和葉綠素a含量的研究述評[J]. 水資源與水工程學報, 2017, 28(2):26-32.

HU Y D, DOU T Y, YANG B. A review of research on retrieving the concentration of suspended particulate matter and chlorophyll-a in lake based on GOCI images [J]. Journal of Water Resources & Water Engineering, 2017, 28(2):26-32.

[10] 孫紹杰. 基于GOCI的太湖水體葉綠素a濃度估算及其晝變化特征分析[D].南京:南京大學, 2013.

SUN S J. Chlorophyll-a concentration estimation and its diurnal variation obsevation of Taihu Lake based on GOCI [D].Nanjing: Nanjing University, 2013.

[11] 周偉華,袁翔城,霍文毅,等.長江口鄰域葉綠素a和初級生產力的分布[J].海洋學報(中文版), 2004, 26(3):143-150.

ZHOU W H, YUAN X C, HUO W Y,etal. Distribution of chlorophyll-a and primary productivity in the adjacent sea area of Chang Jiang River estuary [J]. Acta Oceanologica Sinica(Chinese version), 2004, 26 (3):143-150.

[12] 李冠男,王 林,王 祥,等.靜止水色衛星GOCI及其應用進展[J].海洋環境科學.2014, 33(6):966-971.

LI G N, WANG L, WANG X,etal. Geostationary ocean color imager and application progress [J]. Marine Environment Science, 2014, 33(6):966-971.

[13] SUZUKI R, ISHIMARU T. An improved method for the determination of phytoplankton chlorophyll using N, N-dimethyl-formamide [J]. Journal of Oceanography, 1990, 46(4), 190-194.

[14] HOOKER S B, MCCLAIN C R. The calibration and validation of SeaWiFS data [J].Progress in Oceanography, 2000, 45(3):427-465.

[15] DALL'OLMO G, GITELSON A A, RUNDQUIST D C,etal. Assessing the potential of SeaWiFS and MODIS for estimating chlorophyll concentration in turbid productive waters using red and near-infrared bands[J]. Remote Sensing of Environment, 2005, 96(2): 176-187.

[16] SISWANTO E, TANG J, YMAGUCHI H,etal. Empirical ocean-color algorithms to retrieve chlorophyll- a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas [J]. Journal of Oceanography, 2011, 67(5): 627-650.

[17] RYU J H, ISHIZAKA J. GOCI data processing and ocean applications [J]. Ocean Science Journal, 2012, 47(3): 221.

[18] 趙夢瑩. 基于GOCI傳感器的渤海、北黃海水色要素反演研究[D].大連:大連海洋大學, 2016.

ZHAO M Y. Study on ocean color element derived from GOCI sensor in Bohai and North Yellow Sea [D]. Dalian: Dalian Ocean University, 2016.