基于Otsu算法的太湖藍藻水華與水生植被遙感同步監測方法

曹鵬 梁其椿 李淑敏

摘要：藍藻水華與水生植被在光學遙感影像上容易混淆，傳統方法將太湖劃分為藻型湖區和草型湖區進行分區監測，近年來太湖梅梁湖等藍藻水華易發區域出現了大量的水生植物，分區的方法已無法滿足藍藻水華和水生植被遙感監測要求。基于光譜特征分析，采用藍藻水華與水生植被指數（cyanobacteria and macrophytes index，簡稱CMI）判別藍藻水華與水生植被水域，采用浮游藻類指數（floating algae index，簡稱FAI）識別藍藻水華、浮葉/挺水植被與沉水植被，構建同步監測決策樹，基于Otsu算法自動獲取閾值，將中分辨率成像光增儀（MODIS）衛星影像分成湖水、藍藻水華、沉水植被和浮葉/挺水植被幾種類型。結果表明，分類結果較好，符合太湖不同地物類型實際分布情況;與相關研究HJ衛星影像東部湖區水生植被監測結果進行交叉檢驗，水生植被的空間分布基本一致，一致性檢驗結果顯示，2種分類結果一致的像元比例為70.11%。實現藍藻水華及水生植物的同步遙感監測，有助于精確評估藍藻水華的實際強度和水生植被區范圍，為富營養化湖泊的水環境管理和決策提供重要的科技支撐。

關鍵詞：藍藻水華;水生植被;太湖;Otsu;MODIS

中圖分類號：Q178.5 ?文獻標志碼： A ?文章編號：1002-1302（2019）14-0288-07

藻類大量繁殖引起的水華現象對湖泊水環境影響顯著，表現為降低水體透明度、提高pH值以及大量消耗水中氧氣[1]，進而影響水生動植物的群落結構和生物多樣性[2]，水華是湖泊水體富營養化的重要特征[3]。我國是世界上藍藻水華暴發最嚴重、分布最廣的國家之一[4]。衛星遙感具有快速、周期性、大范圍等特點，已經成為湖泊藍藻水華監測與預測預警不可或缺的技術手段[5]。衛星監測藍藻水華的主要依據是近紅外波段處明顯的植物特征“陡坡效應”[6]，而水生植被也有類似的光譜特征，在光學遙感影像上容易與水華混淆[7]。由于太湖水生植被主要分布在太湖東部[8]，區別于水華易發區（太湖西部和北部）[5]，所以目前太湖藍藻水華的遙感監測通常將東太湖水生植被區進行掩膜處理，該水域不再考慮水華的發生[9]。

2012年以來，隨著太湖各種污染整治和生態修復措施的深入實施，太湖梅梁湖、貢湖以及南太湖等藍藻水華易發區域，出現了大量的水生植物（以菹草、馬來眼子菜、荇菜為主），面積可達數十平方公里[10]。此時，傳統太湖藍藻水華日常遙感監測方法會將水生植物誤判為藍藻水華，嚴重影響了藍藻水華的遙感監測精度;此外，為減少大量水生植物對航運帶來的不利影響，當地相關部門會定期收割，造成水生植物區的人為性變化;再加上太湖主要優勢水生植物具有不同的生活史，生長期差異顯著，水生植物的時空分布短期變化顯著。綜合上述因素，采取固定水生植物區方式已無法適應水生植物的時空變化情形和滿足藍藻水華與水生植被遙感監測的要求。

由于藍藻水華水體與水生植被水體均具有植被的光譜特征，尤其是紅光波段的反射谷和近紅外波段的反射峰，導致衛星遙感難以判別藍藻水華與水生植被，加大了同步監測藍藻水華與水生植被的難度[7，11-12]。相關研究表明，水生植被在短波紅外波段（short-wave infrared，簡稱SWIR）的反射率高于藍藻水華水體[13-14]。Oyama等基于短波紅外波段處藍藻水華水體與水生植被水體的光譜差異，使用Landsat TM/ETM+數據，結合歸一化水指數（normalized difference water index，簡稱NDWI）和浮游藻類指數（floating algae index，簡稱FAI）構建決策樹判別日本3個湖（Lakes Kasumiguara、Inba-numa、Tega-muma）的藍藻水華水體與水生植被水體[7]，筆者將該方法應用于太湖，結果顯示不能有效實現太湖藍藻水華與水生植被的同步檢測，主要由于太湖藍藻水華強度較大，而水生植被多為浮葉植被和沉水植被交替生長，導致藍藻水華與水生植被的NDWI值不能被顯著區分。Liu等則結合了植被信號出現頻率指數（vegetation presence frequency，簡稱VPF）和FAI建立決策樹，應用2003—2013年的中分辨率成像光譜儀（MODIS）衛星數據，實現了太湖藍藻水華與水生植被的衛星遙感判別[15]，不過這種判別方法不能應用于太湖藍藻水華與水生植被的日常遙感同步監測，因為VPF是基于整年的遙感數據統計分析所得。Liang等基于藍藻水華與水生植被的光譜特征在藍光波段、綠光波段和短波紅外波段處的差異，構建藍藻水華與水生植被的判別指數（cyanobacteria and macrophytes index，簡稱CMI），結合CMI和FAI構建太湖藍藻水華與水生植被MODIS衛星同步監測決策樹，并基于2010—2015年MODIS/Aqua Rrc數據統計分析獲取遙感指數的閾值[16]，通過統計學方法確定的閾值對于不同季節、不同藍藻水華暴發強度等情況會存在較大的誤差。

本研究針對富營養化湖泊中藍藻水華水體和水生植被水體在光學遙感影像上容易混淆的問題，以太湖為研究區，結合已有的研究理論基礎分析太湖典型地物的光譜特征差異，基于光譜特征差異選用遙感指數識別藍藻水華和水生植被，并進一步識別不同類型水生植被，提出太湖藍藻水華與水生植被的MODIS衛星同步監測方法。本研究擬解決藍藻水華和水生植物遙感監測混淆的問題，實現太湖藍藻水華及水生植物的同步遙感監測，是提高太湖藍藻水華遙感監測精度研究中亟待解決的一個科學問題和關鍵技術，有助于精確評估藍藻水華的實際強度和水生植被區范圍，正確把握藍藻水華及湖泊生態系統的態勢，提高預測精度，為富營養化湖泊的水環境管理和決策提供重要的科技支撐。

1 研究區與數據來源

1.1 研究區

太湖（119°52′32″～120°36′10″E，30°55′40″～31°32′58″N）位于長江中下游平原，是典型的大型淺水湖泊[17]。太湖區位條件獨特，在我國東部地區的社會、經濟發展中發揮著重要的作用，其梅梁湖區、貢湖區、胥湖區是無錫、蘇州等城市的主要供水水源地[18]。太湖水域面積為 2 338 km2，南北長約68.5 km，東西平均寬34 km，湖岸線總長405 km。太湖正常水位下容積為44.3億m3，平均水深為 1.9 m，多年平均年吞吐量為52億m3，具有蓄洪、供水、灌溉、航運、旅游等多種功能[19]，同時又是流域內最重要的供水水源地，不僅擔負著無錫、蘇州、湖州等大中城市的城鄉供水，還具有向下游地區供水并改善水質的作用[20]。

太湖藍藻水華通常暴發在梅梁灣、貢湖、竺山灣以及大太湖等湖區[21]，而胥口湖、東太湖等湖區則多分布著大量的水生植被，極少出現藍藻水華[15]，所以相關研究將太湖劃分為藻型湖區和草型湖區（圖1）[22]。

根據水生植物的生長狀態可以分為浮葉植物、挺水植物、沉水植物[23]，由于植物葉片和水體光譜特征差異較大，在遙感影像上有明顯的區別，所以本研究將太湖不同類型的水生植被歸結為2種類型：葉片在水面以上的（浮葉/挺水植被）與葉片在水面以下的（沉水植被），與已有相關研究一致[24]。

1.2 MODIS衛星數據

MODIS數據的獲取廉價、方便，數據光譜范圍廣（波長范圍為405～14 385 nm，光譜分辨率為10～15 nm），時間分辨率高（Terra和Aqua這2個衛星每天至少各覆蓋太湖區域1次），空間分辨率適用于太湖這樣的大型湖泊，對富營養化湖泊藍藻水華日常監測和藍藻水華短期空間分布變化等研究具有重要意義，是目前太湖藍藻水華日常監測通常采用的衛星傳感器[9]。

從美國國家航空航天局（NASA）官方網站可以免費下載獲得MODIS L0級產品（DN值），L0級產品需要進行輻射定標、大氣校正和幾何校正，其中，大氣校正包括瑞利校正和氣溶膠校正，由于大氣中的分子成分較為固定，瑞利散射校正可以通過數值計算進行瑞利散射部分的去除[25]，而氣溶膠成分、濃度和粒徑分布隨時間、區域和高度均發生變化，難以估算其對遙感信號的貢獻[25]。對于內陸湖泊水體，由于其復雜的氣溶膠與水體特征，目前還沒有普適的大氣校正方法，如果采用傳統的大氣校正方法，會導致可見光范圍出現明顯的錯誤[26]。所以，本研究借鑒國際上基于MODIS的水色遙感研究，使用經過瑞利校正和吸收氣體校正的反射率（rayleigh corrected reflectance，簡稱Rrc無量綱）[27]。

采用CMI和FAI構建決策樹對太湖藍藻水華和水生植被進行衛星遙感同步監測需要確定4個分類閾值：CMI判別藍藻水華水體與水生植被水體閾值、FAI識別藍藻水華閾值、FAI識別沉水植被閾值和FAI識別浮葉/挺水植被閾值。其中FAI識別藍藻水華閾值和FAI識別沉水植被閾值采用現有研究中受認可的太湖植被信號FAI識別閾值（-0.004）[33]，基于Otsu算法獲取其他2個閾值。

對MODIS衛星數據進行預處理后，得到Rrc數據，使用MATLAB（R2014a版本）計算Rrc數據的CMI和FAI，并基于Otsu算法計算CMI和FAI的最佳分割閾值CMI_Otsu和 FAI_Otsu，即CMI判別藍藻水華水體與水生植被水體閾值和FAI識別浮葉/挺水植被閾值。

2.4 構建同步監測決策樹

結合CMI和FAI構建太湖藍藻水華與水生植被MODIS衛星同步監測決策樹，如圖3所示。采用MODIS衛星Rrc數據，逐像元計算CMI和FAI：CMI大于CMI_Otsu且FAI大于-0.004的像元為藍藻水華像元;CMI小于CMI_Otsu且FAI大于-0.004而小于FAI_Otsu的像元為沉水植被像元;CMI小于CMI_Otsu且FAI大于-0.004和FAI_Otsu的像元為浮葉/挺水植被像元;其他情況的像元為普通湖水像元。

2.5 交叉檢驗

交叉檢驗即利用經過驗證的已知精度的衛星產品對待檢驗衛星產品進行檢驗。本研究使用ArcGIS（10.1版本）將分類結果分別與相關研究的HJ衛星分類結果進行交叉檢驗，主要有以下步驟：

第1步：使用project raster工具對MODIS分類結果柵格數據進行重投影，使2種分類結果投影保持一致。

第2步：使用resample工具對MODIS分類結果柵格數據進行重采樣，使2種分類結果的空間尺度保持一致。

第3步：使用raster calculator工具進行柵格計算，將2種衛星產品分類結果一致的柵格賦值1，2種分類結果不一致的柵格賦值0。

設檢驗結果中，等于1的柵格數量為m，等于0的柵格數量為n，則2種分類結果一致的柵格占比為m/（m+n）。

3 結果與驗證

3.1 遙感指數識別性能

由圖4-a可知，在2013年9月8日MODIS/Aqua影像上選擇5種典型地物類型（藍藻水華、大太湖湖水、胥口湖湖水、沉水植被和浮葉/挺水植被）的10×10像元尺寸感興趣區（region of interest，簡稱ROI）。統計5種典型地物類型ROI中的Rrc值，分別計算不同地物的CMI、FAI值，結果如圖4-b所示：CMI藍藻水華>CMI水生植被，FAI藍藻水華>FAI普通湖水，FAI水生植被>FAI普通湖水，FAI浮葉/挺水植被>FAI沉水植被，表明應用于MODIS衛星數據，CMI能有效分離藍藻水華水體和水生植被水體，FAI能有效分離普通湖水和植被水體（包括藍藻水華與水生植被）并識別不同類型的水生植被（浮葉/挺水植被和沉水植被）。

3.2 太湖藍藻水華與水生植被同步監測結果

選取2017年4月29、30連續2 d的MODIS/Aqua影像進行分類，分類結果如圖5所示，將衛星影像分成湖水、藍藻水華、沉水植被和浮葉/挺水植被幾種類型。分類結果較好，有效提取出4種太湖典型地物類型：藍藻水華主要分布在梅梁灣、貢湖、竺山灣以及大太湖等湖區;胥口湖、東太湖等湖區則

分布著大量的水生植被;在梅梁灣和竺山灣有少量沉水植被分布。對于連續2 d的分類結果，水生植被的空間分布變化不大，而藍藻水華的空間分布有較大的差異，與實際情況相符。

3.3 東部湖區水生植被高空間分辨率衛星監測結果交叉檢驗

東部湖區是太湖水生植被的主要分布水域，Luo等基于光譜特征構建太湖東部湖區水生植被監測決策樹，對2013年9月26日HJ/CCD衛星影像（空間分辨率為30 m）進行分類[10]。本研究采用2013年9月26日MODIS數據進行分類，與Luo等的分類結果進行交叉檢驗（圖6），2種方法分類結果整體保持一致，貢湖、胥口湖、東太湖等區域中沉水植被和浮葉/植被的分布都基本同步，貢湖南部以沉水植被為主，沿岸水域有少量浮葉/挺水植被分布;胥口湖區也是以沉水植被為主，在中間布有浮葉/挺水植被;太湖南部沿岸，沿著湖岸分布著浮葉/挺水植被，并夾雜著少量沉水植被;東太湖呈浮葉/挺水植被包圍沉水植被生長之勢。

使用ARCGIS對MODIS衛星分類結果進行重投影、重采樣、柵格計算，與HJ衛星分類結果進行一致性檢驗，結果（圖7）表明，2種分類結果一致的像元比例為70.11%，不一致的像素主要分布在水陸交界帶和不同地物交界帶（湖水與水生植被的交界帶和沉水植被與浮葉/挺水植被交界帶），這是由于MODIS衛星影像空間分辨率（250 m）遠低于HJ衛星影像空間分辨率（30 m）帶來的混合像元問題。

4 干擾因素分析

4.1 Otsu獲取閾值偏差

Otsu算法對噪聲以及目標大小十分敏感，它僅對類間方差為單峰的圖像產生較好的分割效果。當目標與背景的大小比例懸殊時（例如受光照不均、反光或背景復雜等因素影響），類間方差準則函數可能呈現雙峰或多峰，此時效果不好。

當藍藻水華暴發強度極大時，高強度藍藻水華和水生植被的CMI值懸殊，Otsu算法對CMI值進行分割確定閾值時，類間方差出現多峰，如圖8所示，對藍藻水華暴發強度極大的2013年8月9日MODIS影像進行分類，Otsu算法獲取的CMI閾值為0.063，導致竺山灣部分藍藻水華被誤判為沉水植被。

4.2 云覆蓋

云覆蓋是遙感影像處理中最常遇到的噪聲之一，給影像識別造成干擾，大大降低遙感影像分類精度[34]。目前，研究人員在實際應用中多采用多天數據的合成方式來減少云的影響。然而，短周期的合成數據不能完全排除云的干擾，周期過長又喪失時間效率，不適合短期監測[35]。因此，最有效的方法是對每天的數據均進行云檢測處理，移除數據中的云像素[36]。云在可見光和紅外波段與植被、土壤以及水域等下墊面介質的反射率和輻射亮溫存在差異，云具有較高的反射率而具有較低的亮溫[37]。

在海洋水體中，波段閾值法比較受認可的是Rrc（869）>0.027[38];對于二類水體，Wang等提出了Rrc（1 240）>0.023 5 和Rrc（1 640）>0.021 5[39]，Hu等提出了Rrc（1 640）>0.03[33];Liang等基于2010—2015年太湖無云MODIS/Aqua影像數據計算Rrc（1 240）在取不同閾值時的可用數據比例，Rrc（1 240）取0.1為閾值，可以保證每個月份的可用數據比例都高于90%，而Rrc（1 240）>0.03將損失20%～60%的有用數據[16]。本研究基于3種算法對2016年6月5日的MODIS影像進行云提取，如圖9所示，Rrc（869）>0.027和Rrc（1 240）>0.03幾乎將整個太湖水域誤判為云，而 Rrc（1 240）>0.1 云提取效果良好，所以本研究采用的去云方法為Rrc（1 240）>0.1。

4.3 氣溶膠與觀測角度

大氣氣溶膠是由大氣介質和混合于其中的固體或液體顆粒物組成的體系，由不同相態物體組成，雖然其含量很少，但對大氣中發生的許多物理化學過程都有重要的影響[40]。湖面上空氣溶膠分布類型比海面更為復雜、多變，Ⅱ類水體的大氣校正是國際水色遙感的難題[41]。不過相關研究已經證明，基于光譜形狀構建遙感指數，能有效減小氣溶膠等大氣因素對指數的影響[27]。

相關研究已經證明，CMI和FAI分別通過減除“藍光-短波紅外”和“紅光-短波紅外”基線，進行了簡單快速的大氣校正，相對不容易受氣溶膠類型和厚度、太陽高度角和耀斑等環境和觀測條件變化的影響[27]。

4.4 混合像元

遙感影像中像元很少是由單一均勻的地表覆蓋類組成的[42]，尤其是MODIS這樣空間分辨率較低的衛星影像，一般都是覆蓋幾種地物的混合像元。混合像元問題也給遙感解譯帶來了困擾，降低了遙感分類的精度。

如圖6所示，MODIS衛星分類結果較HJ衛星分類結果缺少了在東太湖中心區域浮葉/挺水植被和沉水植被交替生長的細節。

5 結論

基于藍藻水華與水生植被的光譜特征分析，采用CMI判別藍藻水華與水生植被水域，采用FAI識別藍藻水華、浮葉/挺水植被與沉水植被，在MODIS/Aqua影像上選擇5種典型地物類型10×10像元尺寸ROI計算不同地物的CMI、FAI值，結果表明，CMI能有效分離藍藻水華水體和水生植被水體，FAI能有效分離普通湖水和植被水體（包括藍藻水華與水生植被）和識別不同類型水生植被（浮葉/挺水植被和沉水植被）。

結合CMI和FAI構建太湖藍藻水華與水生植被MODIS衛星同步監測決策樹，基于Otsu算法自動獲取決策樹閾值，將衛星影像分成了湖水、藍藻水華、沉水植被和浮葉/挺水植被幾種類型，分類結果較好，符合太湖不同地物類型實際分布情況。針對太湖水生植被的主要分布的東部湖區，與Luo等的HJ/CCD衛星影像分類結果進行交叉檢驗，2種方法分類結果中不同類型水生植被的空間分布基本一致，一致性檢驗結果顯示，2種分類結果一致的像元比例為70.11%，不一致的像素主要分布在水陸交界帶和不同地物交界帶（湖水與水生植被的交界帶和沉水植被與浮葉/挺水植被交界帶）。

分別圍繞Otsu獲取閾值偏差、云覆蓋、氣溶膠與觀測角度以及混合像元等展開了監測精度干擾因素分析：當藍藻水華暴發強度極大時，Otsu算法獲取的CMI閾值偏高;采用Rrc（1 240）>0.1剔除云覆蓋;本研究的監測方法對于氣溶膠厚度、氣溶膠類型和觀測角度等因素有良好的阻抗性。

參考文獻：

[1]Carpenter S R，Caraco N F，Correll D L，et al. Nonpoint pollution of surface waters with phosphorus and nitrogen[J]. Ecological Applications，1998，8（3）：559-568.

[2]Havens K E . Cyanobacteria blooms：effects on aquatic ecosystems[M]. New York：Springer，2008：68-69.

[3]孔繁翔，高 光. 大型淺水富營養化湖泊中藍藻水華形成機理的思考[J]. 生態學報，2005，25（3）：589-595.

[4]吳慶龍，謝 平，楊柳燕，等. 湖泊藍藻水華生態災害形成機理及防治的基礎研究[J]. 地球科學進展，2008，23（11）：1115-1123.

[5]馬榮華，孔繁翔，段洪濤，等. 基于衛星遙感的太湖藍藻水華時空分布規律認識[J]. 湖泊科學，2008，20（6）：687-694.

[6]段洪濤，張壽選，張淵智. 太湖藍藻水華遙感監測方法[J]. 湖泊科學，2008，20（2）：145-152.

[7]Oyama Y，Matsushita B，Fukushima T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Landsat/TM and ETM+shortwave infrared bands[J]. Remote Sensing of Environment，2014，157：35-47.

[8]張壽選，段洪濤，谷孝鴻. 基于水體透明度反演的太湖水生植被遙感信息提取[J]. 湖泊科學，2008，20（2）：184-190.

[9]馬榮華. 湖泊水環境遙感[M]. 北京：科學出版社，2010：461.

[10]Luo J H，Ma R H，Duan H T，et al. A new method for modifying thresholds in the classification of tree models for mapping aquatic vegetation in Taihu lake with satellite images[J]. Remote Sensing，2014，6（8）：7442-7462.

[11]李俊生，吳 迪，吳遠峰，等. 基于實測光譜數據的太湖水華和水生高等植物識別[J]. 湖泊科學，2009，21（2）：215-222.

[12]朱 慶，李俊生，張方方，等. 基于海岸帶高光譜成像儀影像的太湖藍藻水華和水草識別[J]. 遙感技術與應用，2016，31（5）：879-885.

[13]Gao B C. NDWI-a normalized differencewater index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment，1996，58（3）：257-266.

[14]Rogers A，Kearney M. Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices[J]. International Journal of Remote Sensing，2004，25（12）：2317-2335.

[15]Liu X H，Zhang Y L，Shi K，et al. Mapping aquatic vegetation in a large，shallow eutrophic lake：a frequency-based approach using multiple years of MODIS data[J]. Remote Sensing，2015，7（8）：10295-10320.

[16]Liang Q C，Zhang Y C，Ma R H，et al. A MODIS-Based novel method to distinguish surface cyanobacterial scums and aquatic macrophytes in lake taihu[J]. Remote Sensing，2017，9（2）：133.

[17]呂 恒，江 南，羅瀲蔥. 基于TM數據的太湖葉綠素a濃度定量反演[J]. 地理科學，2006，26（4）：472-476.

[18]周立國，馮學智，王春紅，等. 太湖藍藻水華的MODIS衛星監測[J]. 湖泊科學，2008，20（2）：203-207.

[19]王同生. 太湖流域防洪與水資源管理[M]. 北京：中國水利水電出版社，2006：342.

[20]許 妍，高俊峰，黃佳聰. 太湖濕地生態系統服務功能價值評估[J]. 長江流域資源與環境，2010，19（6）：646-652.

[21]Duan H T，Ma R H，Xu X F，et al. Two-decade reconstruction of algal blooms in Chinas lake Taihu[J]. Environmental Science & Technology，2009，43（10）：3522-3528.

[22]Zhao D H，Jiang H，Yang T W，et al. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholds[J]. Journal of Environmental Management，2012，95（1）：98-107.

[23]Revenga C，Kura Y. Status and trends of biodiversity of inland water ecosystems[M]// Status and Trends of Biodiversity of Inland Water Ecosystems. 2003.

[24]Luo J H，Li X C，Ma R H，et al. Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake，China[J]. Ecological Indicators，2016，60（50）：503-513.

[25]Gordon H R. Atmospheric correction of ocean color imagery in the Earth Observing System era[J]. Journal of Geophysical Research-Atmospheres，1997，102（D14）：17081-17106.

[26]Gordon H R，Clark D K. Clear water radiances for atmospheric correction of coastal zone color scanner imagery[J]. Applied Optics，1981，20（24）：4175-4180.

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

[28]Vermote E F，El S N，Justice C O，et al. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces：Background，operational algorithm and validation[J]. Journal of Geophysical Research Atmospheres，1997，102（D14）：17131-17141.

[29]李素菊，吳 倩，王學軍，等. 巢湖浮游植物葉綠素含量與反射光譜特征的關系[J]. 湖泊科學，2002，14（3）：228-234.

[30]周 藝，周偉奇，王世新，等. 遙感技術在內陸水體水質監測中的應用[J]. 水科學進展，2004，15（3）：312-317.

[31]馮 偉，馮學智，馬榮華. 太湖水體葉綠素濃度與反射光譜特征關系的研究[J]. 遙感信息，2007（1）：18-21.

[32]Thiemann S，Kaufmann H. Determination of chlorophyll content and trophic state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg Lake District，Germany[J]. Remote Sensing of Environment，2000，73（2）：227-235.

[33]Hu C M，Lee Z，Ma R H，et al. Moderate resolution imaging spectroradiometer （MODIS） observations of cyanobacteria blooms in Taihu Lake，China[J]. Journal of Geophysical Research-Oceans，2010，115（999）：303-306.

[34]趙忠明，朱重光. 遙感圖象中薄云的去除方法[J]. 遙感學報，1996（3）：195-199.

[35]Chen P Y，Srinivasan R，Fedosejevs G，et al. An automated cloud detection method for daily NOAA-14 AVHRR data for Texas，USA[J]. International Journal of Remote Sensing，2002，23（15）：2939-2950.

[36]何全軍，曹 靜，黃 江，等. 基于多光譜綜合的MODIS數據云檢測研究[J]. 國土資源遙感，2006，18（3）：19-22.

[37]周紅妹，楊星衛，陸 賢. NOAA氣象衛星云檢測方法的研究[J]. 遙感學報，1995（2）：137-142.

[38]Jedlovec G J，Haines S L，Lafontaine F J. Spatial and temporal varying thresholds for cloud detection in GOES imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2008，46（6）：1705-1717.

[39]Wang M H，Shi W. Cloud masking for ocean color data processing in the coastal regions[J]. IEEE Transactions on Geoscience and Remote Sensing，2006，44（11）：3196-3205.

[40]毛節泰，張軍華，王美華. 中國大氣氣溶膠研究綜述[J]. 氣象學報，2002，60（5）：625-634.

[41]馬榮華，唐軍武，段洪濤，等. 湖泊水色遙感研究進展[J]. 湖泊科學，2009，21（2）：143-158.

[42]呂長春，王忠武，錢少猛. 混合像元分解模型綜述[J]. 遙感信息，2003（3）：55-58，60.