利用靜止軌道衛星開展綠潮業務化監測的可行性研究

萬劍華，蘇 婧，盛 輝，陳艷攏，2*

(1.中國石油大學(華東)， 山東 青島 266580； 2.國家海洋環境監測中心， 遼寧 大連 116023)

0 引言

綠潮是在特定的環境條件下，海水中某些大型綠藻(如滸苔)爆發性增殖或高度聚集而引起一種有害生態現象[1]。綠潮雖然無毒，但極易造成水體污染[2]，破壞海洋中動植物的生態環境，并且嚴重影響海洋漁業，造成巨大的經濟損失，從而引起人們的高度重視[2-5]。

目前，國內外許多學者對綠潮監測進行了研究。邢前國等利用不同空間分辨率、多時相的MODIS、Landsat-TM衛星遙感數據, 對2007-2010年間黃海、東海發生的綠潮進行了監測與評估[6]。王寧等基于MODIS數據，對比了5種常用的植被指數(NDVI(normalized difference vegetation index)、EVI(enhanced vegetation index)、ARVI(average registration vegetation index)、RVI(ratio vegetation index)和DVI(difference vegetation index)對不同生長階段綠潮的探測能力，在此基礎上，利用最優指數開展了2014年黃海綠潮的過程分析，并與歷年監測結果進行了對比[7]。目前應用光學遙感影像對綠潮監測的研究已相對成熟，在綠潮業務化監測方面，已由船舶走航的傳統探測方法轉變為利用TERRA/AQUA-MODIS和HY-1B衛星、航空、船舶、岸基等多源監測數據，開展多源數據融合技術[8]。

由于綠潮漂移速度快，所以在探測綠潮時需選擇具有高時間分辨率的遙感影像，GOCI數據的時間分辨率遠遠大于MODIS(moderate-resolution imaging spectroradiometer)、HY-1等衛星數據，并且GOCI作為第一顆靜止水色成像儀，能夠為綠潮監測提供更加精確的數據信息，地球同步軌道的觀測位置及高時空分辨率等特點更適合海洋綠潮監測研究。而在遙感數據選擇時，并未選擇GOCI數據，GOCI數據能否應用于綠潮的業務化監測有待證明，也正是本文所要驗證的內容。同時GOCI作為光學遙感數據，具有一定的局限性——在有云層遮擋時無法實現對地面的有效監測。針對于GOCI的數據特點和局限性，本文通過提取綠潮在黃海海域的覆蓋范圍和統計黃海海域在綠潮發生期間云的覆蓋情況，探究黃海上空云籠罩對觀測綠潮的影響程度，以此來論證利用靜止軌道衛星開展綠潮業務化監測的可行性。

1 數據

1.1 研究區與數據

我國黃海近海海域為綠潮主要發生區域，經緯度范圍為33°N-37°N，119°E-123°E。自 2007年以來, 黃海海域每年5月初～8月中下旬綠潮會呈現從暴發到消亡的過程，導致海洋生態環境被破壞以及經濟損失[9-10]。圖1為研究區范圍圖。

COMS(communication,ocean,and meteorological satellite)是韓國在2010年發射的全球首顆靜止軌道海洋水色衛星，能對我國黃海、渤海、東海海域范圍內進行靜止觀測。由于靜止軌道水色衛星與地球同步，相對于地球靜止，從而實現觀測周期由天提高到小時。其搭載的GOCI水色成像儀具有八個波段，每小時采集一景影像數據，具有8景/天的高時間分辨率，而且空間分辨率為500 m，能夠為東、黃海地區大范圍、實時綠潮監測提供數據保障。由于IKONOS、GeoEye-1、EROS-A等陸地資源衛星的過境時間均為上午10∶00左右，此時星下點噪聲少，在臨近正午時分，太陽高度角大，太陽輻射強，綠潮的反射率大，在此時更容易探測綠潮。所以本次實驗選擇的是2015、2016和2017年5月15日～8月15日的黃海區域GOCI數據正午時分的第3景數據。

圖1 研究區Fig.1 The study area

1.2 數據預處理

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影響。瑞利散射在大氣影響中占主導，氣溶膠散射影響相對較小且隨波長的增加呈減小趨勢。在綠潮探測常用的紅光和近紅外波段中，氣溶膠散射貢獻小于綠潮信號，因此綠潮衛星遙感監測時通常可只進行瑞利散射校正[11-12]。本文利用GDpS(GOCI data processing software)軟件進行GOCI影像的瑞利散射校正。

遙感成像的時候，由于飛行器的姿態、高度、速度以及地球自轉等因素的影響，造成圖像相對于地面目標發生幾何畸變，這種畸變表現為像元相對于地面目標的實際位置發生擠壓、扭曲、拉伸和偏移等。針對于這種現象，本文選取的GOCI數據基于自帶的經緯度信息(GLT)來實現對影像的幾何校正。

由于綠潮的光譜特征與植被的光譜特征相似，為了避免將綠潮與植被混淆，需要對陸地進行掩膜，將陸地范圍掩膜掉，獲得研究區域的海洋范圍。圖2為2016年6月9日裁剪后研究區假彩色影像圖。

圖2 2016年6月9日研究區影像圖Fig.2 On June 9, 2016 images of research area

2 研究方法

為探究利用靜止軌道衛星進行綠潮業務化監測的可行性，本文從兩個方面進行研究，一是靜止軌道衛星的綠潮探測能力，本文采用NDVI算法進行探測，并制作綠潮飄移路徑圖，探究靜止軌道衛星是否具有綠潮探測能力；二是靜止軌道衛星對綠潮監測的業務化能力，即能否實現動態監測，本文提取云區域范圍并統計云覆蓋面積，分析云層覆蓋對靜止軌道監測綠潮的影響程度，從而分析靜止軌道衛星能否實現對綠潮的動態監測。

2.1 綠潮探測算法

目前有六種主流的綠潮探測算法，分別是RVI、NDVI、EVI、KOSC、IGAG(index of floating green algae for GOCI)和OSABI(ocean surface algal bloom index)。蔡曉晴等利用目視解譯方法構建了測試數據集，對比分析了各算法及其不同波段選擇方式的海霧探測能力。結果表明：NDVI算法的綠潮探測能力明顯優于其他算法并且性能穩定可靠，可作為GOCI綠潮監測的首選算法[1]。所以本文對研究區內的綠潮提取采用了NDVI算法。計算公式如下：

公式中，RNIR、RR分別為近紅外、紅光的瑞利校正反射率。

2.2 云提取算法

從反射特性來看，云層在可見光波段屬于漫反射物體，具有局部能量大，灰度均值高，方差小的特點[13]。云層在多光譜影像中表現為亮白色區域，掩蓋覆蓋下地物的光譜特征，使地物無法被準確識別，嚴重影響數據的可靠性和可利用性。由于海霧和低云難以區分并且同樣對綠潮遙感探測有影響，本文在提取云時，將海霧歸為云體，利用云層和水體在低光譜的差異性[14]，采用閾值法，從圖像的灰度特征出發進行最佳閾值的選擇，通過將圖像中各個像素的灰度值與最佳閾值進行比較判別，依據與閾值的大小關系將圖像中對應的像素劃分到不同的類別區域中，各區域內部具有相似的屬性[15]。

在進行云層提取時，首先確定云層與背景影像的最大反射比，計算公式如下：

εmax=βs(λmax)/βs(λmin)

公式中：εmax表示最大反射比，βs表示在412 nm、555 nm、660 nm、680 nm、865 nm的地表反射率，λmax和λmin表示這五個波段的最大和最小反射率。根據目視解譯和測試不同的閾值提取結果表明，εmax=1.25時，能夠很好的區分云與水體。采用閾值法，將閾值確定為1.25，提取云覆蓋范圍。

3 實驗結果分析

基于2017年靜止軌道衛星GOCI數據，本文采用了NDVI算法進行綠潮范圍監測，并制作2017年黃海區域的綠潮飄移路徑圖，探究GOCI數據是否具有綠潮探測能力。基于2015、2016年的GOCI數據，進行精細化云提取，分析云層覆蓋對GOCI數據有效性的影響，探究GOCI數據是否具有動態監測能力。以此論證靜止軌道衛星能否開展綠潮的業務化監測。

3.1 綠潮探測能力

根據2017年GOCI數據反演結果(如圖3)，在5月下旬黃海中部(35°N，121.5°E)附近出現綠潮，分布面積約3 921 km2，實際覆蓋面積為1 226 km2；在6月中上旬綠潮向西北方向飄移，在青島、日照及周邊海域大量聚集，綠潮分布面積也逐漸擴大；6月下旬沿海岸下向東北方向漂移，登陸青島、煙臺等市沿岸。在6月27日前后，綠潮分布面積達到15 874 km2，實際覆蓋面積為8 862 km2。根據2017年獲得的綠潮漂移路徑，可得出結論：利用GOCI數據，采用NDVI的算法，可以有效獲取綠潮的覆蓋信息，包括綠潮的分布面積和實際覆蓋面積，并且能夠得到研究期間的綠潮大致的漂移路徑，從而可以說明GOCI數據具有良好的綠潮探測能力。

圖3 2017年綠潮漂移路線圖Fig.3 2017 Green tide drift road map

3.2 動態監測能力

由漂移路徑圖可看出，時間間隔有長有短， 最短的時間間隔僅相差1天， 而最長的時間間隔則相差13天。由于時間間隔較長并且不穩定，所以無法得到準確的漂移路線。造成這種現狀的原因是有效數據的缺失，即由于云層的覆蓋，導致所獲取到的數據無法進行綠潮信息提取。

根據統計的云覆蓋面積，在2015年共90天里，其中5月22日、5月26日、5月31日、6月4日和7月23日無數據，云覆蓋面積大于75%的共23天，占總天數的26%；云覆蓋面積大于50%且小于75%的有21天，占總天數的24%；云覆蓋面積小于50%的有44天，占總天數的50%。在2016年共93天里，云覆蓋面積大于75%的共25天，占總天數的28%；云覆蓋面積大于50%且小于75%的有13天，占總天數的14%；云覆蓋面積小于50%的有52天，占總天數的58%。研究區內GOCI遙感影像的云層覆蓋比例大，獲取到的GOCI影像無法識別研究區域的所有地物特征，無法判別云層下是否有綠潮存在。在綠潮監測過程中，這一現象造成了綠潮動態監測的數據空白。

圖4 2015和2016年統計圖Fig.4 The statistical chart of 2015 and 2016

圖5 2015年和2016年統計圖Fig.5 The statistical chart of 2015 and 2016

由于綠潮的漂移速率快，在短時間內時空位置便會發生較大變化，所以在監測綠潮時需要短周期的影像數據。當云層覆蓋度超過50%時，無法有效識別海面綠潮的覆蓋情況。在2015年共90天里，連續3天云層覆蓋率超過50%的有31天。在2016年共93天里，連續3天云層覆蓋率超過50%的有25天。 綠潮發生期間，云層的持續覆蓋率高，無法間隔一兩天獲取一幅有效的遙感影像，所以在云持續覆蓋期間，利用GOCI遙感影像無法實現對綠潮的動態監測。

4 結語

由于綠潮和海水具有明顯的光譜差異，所以利用光學遙感可以很好的將綠潮從海水中提取出來。但是，由于海域上空經常云霧繚繞，云層覆蓋對于光學遙感監測綠潮產生了極大的阻礙。在綠潮爆發時期，云層覆蓋降低了GOCI遙感影像監測綠潮的有效數據利用率，約四分之一的數據無法使用，能夠準確、有效提取綠潮的影像僅占總數據的三分之一，并且由于云層的持續覆蓋，也使利用GOCI遙感數據對綠潮的動態監測難以實現，故只利用靜止軌道衛星難以開展綠潮的業務化監測。

SAR數據具有穿透云霧的特點，能夠為綠潮監測提供穩定的數據源保障，隨著SAR衛星數據時間分辨率的提高，將在綠潮業務化監測中具有更大的應用潛力。

[1] 蔡曉晴, 崔廷偉, 鄭榮兒, 等. 靜止海洋水色衛星(GOCI)綠潮探測算法對比研究[J]. 遙感信息, 2014, 29(5):44-50.

CAI Xiaoqing, CUI Tingwei, ZHENG Rong’er,etal. Comparative study on the green tide detection algorithm of static ocean water color satellite (GOCI)[J]. Remote Sensing Information, 2014, 29(5):44-50.

[2] 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.

YE Na, JIA Jianjun, TIAN Jing,etal. Research progress of the remote sensing monitoring method of enteromorpha[J]. Remote Sensing of Land and Resources, 2013, 25(1):7-12.

[3] 陳艷攏, 楊建洪, 趙冬至, 等. 海溫季節性變化對藻類生長影響的定量研究[J]. 海洋環境科學, 2013, 32(1):104-110.

CHEN Yanlong, YANG Jianhong, ZHAO Dongzhi,etal. Quantitative study on the effects of seasonal variation on algae growth[J]. Marine Environmental Science, 2013, 32(1):104-110.

[4] 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.

JIANG Xingwei, LIU Jianqiang, ZOU Bin,etal. Remote sensing monitoring system for remote sensing satellite remote sensing and its application[J]. Journal of Marine Science, 2009, 31(1):52-64.

[5] TANG J W, WANG X M, SONG Q J,etal. The statistic inversionalgrithms of water constiuents for the Huanghai Sea and the East China Sea[J]. Acta Oceanologica Sinica, 2004, 23(4):617-626.

[6] 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.

XING Qianguo, ZHENG Xiangyang, SHI ping,etal. Monitoring “green tide” in the yellow sea and the east China sea using multi-temporal and multi-source remote sensing images[J]. Spectroscopy and Spectroscopic Analysis, 2011, 31(6):1644-1647.

[7] 王寧, 黃娟, 崔廷偉, 等. 基于MODIS數據的5種植被指數對不同生長階段綠潮的探測能力對比及應用[J]. 激光生物學報, 2014, 23(6):590-595.

WANG Ning, HUANG Juan, CUI Tingwei,etal. Comparison and application of the detection capability of green tides in different growth stages based on 5 planting of MODIS data[J]. Journal of Laser Biology, 2014, 23(6):590-595.

[8] 白濤, 黃娟, 高松, 等. 黃海綠潮應急預測系統業務化研究與應用[J]. 海洋預報, 2013, 30(1):51-58.

BAI Tao, HUANG Juan, GAO Song,etal. Research and application of the operational research and application of yellow sea green tide emergency prediction system[J]. Marine Forecast, 2013, 30(1):51-58.

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

XUE Rui, WU Mengquan, LIU Yang,etal. Spatial and temporal distribution of enteromorphy in the yellow sea area in 2014 based on hj-1a /1B[J]. Marine Science, 2016, 40(7):115-123.

[10] 張華偉, 馬家海, 胡翔, 等. 綠潮漂浮滸苔繁殖特性的研究[J]. 上海海洋大學學報, 2011, 20(4):600-606.

ZHANG Huawei, MA Jiahai, HU Xiang,etal. Research on the propagation characteristics of green tide floating enteromorpha[J]. Journal of Shanghai Ocean University, 2011, 20(4):600-606.

[11] SONY 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.

[12] 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.

[13] 周偉, 關鍵, 姜濤, 等. 多光譜遙感影像中云影區域的檢測與修復[J]. 遙感學報, 2012, 16(1):132-142.

ZHOU Wei, GUAN Jian, JIANG Tao,etal. Detection and restoration of cloud and shadow regions in multispectral remote sensing images[J]. Journal of Remote Sensing, 2012, 16(1):132-142.

[14] NORDKVIST K, LOISEL H, GAURIER L D. Cloud masking of SeaWiFS images over coastal waters using spectral variability[J]. Optics Express, 2009, 17(15):12246-12258.

[15] CARLEERA. p, DEBEIR O, WOLFF E. Assessment of very high spatial resolution satellite image segmentations[J]. photogrammetric Engineering & Remote Sensing, 2005, GE(11):1285-1294.