基于國產靜止高分衛星GF4-MSS 數據的滸苔災害監測研究

董京銘，石軒碩，張銀意，郝 玲，馬晨晨

（1.連云港市氣象局，江蘇 連云港 222000；2.南京信息工程大學海洋科學學院，南京 210044）

近年來，大型藻類災害事件在中國近海海域頻發，已成為危及海洋經濟發展和生態安全的一大不確定因素。其中，以滸苔（Ulva prolifera）為主的綠潮是最常見的大型藻類災害［1，2］。自2007 年后，滸苔綠潮已成為近海每年必遇的海洋生態災害，特別是江蘇至山東海域［3］。滸苔環境適應能力和繁殖能力較強，在特定的環境下會暴發繁殖和聚集形成“綠潮”現象，從而造成系列的海洋生態問題和海洋經濟損失［4，5］。因此，做好滸苔綠潮災害的監控預警工作成為防災減災最重要的前提保障。然而，受風、潮汐和海流等因素的綜合影響，漂浮滸苔的分布狀況可能會在短時間內發生變化［6］，同時滸苔暴發持續時間長，所以采用地面調查觀測方法（如船舶、站點）難以掌握其時空變化，且費時費力。相比而言，衛星遙感技術可以在時間和空間尺度上連續提供觀測資料，實現宏觀、準實時和周期性獲取滸苔信息，已成為綠潮監測與預警的重要手段。特別的是，光學衛星遙感數據成為目前監測滸苔的主要資料。

截止目前，研究者針對光學傳感器的波段特點提出諸多遙感算法，用于滸苔災害的監測及其后續研究工作。光學遙感算法依賴于滸苔在可見光和紅外波段具有獨特的反射光譜特性，明顯區別于非滸苔海水［7］。例如，歸一化植被指數法僅需要紅光和近紅外波段，基本適用于所有光學傳感器。然而，它對外界環境和觀測條件變化很敏感。基于MODIS（Moderate-resolution Imaging Spectroradiometer）數據，Shi等［8］通過分析2008 年黃海滸苔事件設計了歸一化差異指數。基于紅光、近紅外（Near infrared，NIR）和短波紅外（Shortwave Infrared，SWIR）波段的瑞利校正反射率，Hu［7］設計了FAI 指數（Floating Algae Index）。該指數有效降低了外界觀測環境的干擾，如氣溶膠變化、太陽耀斑等，但無法移植到缺少SWIR 波段的衛星傳感器。參考FAI 設計思路，Xing等［9］針對未配置SWIR 波段的傳感器提出了VBFAH（Virtual-Baseline Floating Macroalgae Height）指數，并應用于HJ-CCD 數據監測中國近海滸苔災害。Son 等［10］面 向GOCI（Geostationary Ocean Color Imager）數據開發出IGAG（Indexoffloating Green Algaefor GOCI）算法。除此之外，人工智能算法也逐漸應用于滸苔遙感監測研究，如神經網絡［11，12］、隨機森林算法［13］。上述基于光譜特性的滸苔遙感監測算法主要基于瑞利校正反射率（Rayleigh-corrected Reflectance，Rrc）、遙感反射率（Remote Sensing Reflectance，Rrs）或地表反射率（Reflectance，Ref）信號，因此需要較精確的瑞利校正或者大氣校正方案，這在一定程度上增加了算法實施的復雜性，同時需要更多輔助信息［14］。為了避開瑞利校正和大氣校正，Zhang等［15］基于大氣層頂反射率（Top-of-atmosphere Reflectance，RTOA），結合纓帽變換開發了綠度指數來增強滸苔與非滸苔信號差異，實現滸苔遙感識別。

綜上所述，學者們針對滸苔綠潮災害已開展了大量研究工作，并取得了一些顯著的研究成果。然而，以往工作所使用的遙感數據絕大多數為國外衛星資料，而國產衛想遙感數據使用較少［2］。這種現狀將會造成國內衛星資源的浪費，不利于國內水色遙感技術的良性發展。同時，滸苔遙感監測研究多采用太陽同步極軌衛星遙感數據，如MODIS、Landsat7-ETM+、HJ-CCD等，但時間分辨率一般為1～2 d，這無法很好滿足具有高頻變化的滸苔事件的監測需求［16］。國產靜止軌道衛星高分四號（GF4）攜帶的MSS（Multi-spectral Scanner）傳感器具有高空間分辨率（50 m）和極高時間分辨率（20 s），在滸苔面積的精細化提取和高頻變化監測方面展示出巨大潛力。為此，針對國產GF4-MSS 數據，本研究基于衛星RTOA信號采用纓帽變換方法開展滸苔信息提取研究，并與FAI 和VB-FAH 算法的監測結果進行對比分析，以期挖掘國產靜止衛星GF4 的滸苔監測應用能力，同時推廣國產光學衛星數據在海洋災害方面的使用率。

1 研究區域與數據

1.1 研究區域概況

本研究所選取的研究區域是中國黃海近海海域，其經緯度范圍為34°N—37°N，119°E—124°E，如圖1（a）所示。該海域為溫帶季風氣候，年平均氣溫16 ℃，夏季溫暖濕潤，光照充足。黃海沿海有多條河流匯入，陸源營養鹽持續輸入，營養物質充足［17］，為滸苔在該海域發生增殖現象提供了條件。自2007 年后，黃海海域每年5 月至9 月都會出現滸苔綠潮事件，造成海洋生態環境被破壞和巨大經濟損失。

圖1 研究區域范圍

1.2 研究數據及預處理

本研究共使用2 種衛星遙感數據源：GF4-MSS和Landsat 8-OLI（Operational Land Imager）。其中，GF4-MSS 數據主要用于闡述綠度指數的構建和驗證，同時研究分析滸苔覆蓋范圍變化過程；Landsat 8-OLI數據主要用于驗證GF4-MSS 滸苔監測精度。1.2.1 GF4-MSS 數據 高分四號衛星是中國于2015 年12 月發射的第一顆地球同步軌道遙感衛星，搭載了一臺可見光-近紅外波段的多光譜相機MSS，采用面陣凝視方式成像，其掃描寬度大于400 km。通過指向控制實現對中國及周邊地區的觀測。GF4-MSS 傳感器擁有藍、綠、紅和近紅外4 個波段，空間分辨率為50 m，重訪時間僅為20 s，具體參數見表1。GF4-MSS 的Level-1A 數據可以從中國資源衛星應用中心（http：//www.cresda.com/CN/）下載獲取。本研究以2019 年滸苔綠潮事件為例來研究分析GF4-MSS 的滸苔監測能力，篩選出多幅晴空少云的衛星遙感影像，其過境日期分別為2019年6月27日、7 月5 日、7 月11 日、7 月21 日、8 月3 日、8 月17 日。

表1 GF4-MSS 傳感器參數

GF4-MSS Level 1 遙感影像為原始DN（Digital Number）數據，受衛星觀測姿態、大氣、地形等因素影響，產生幾何誤差和輻射誤差［18］。因此，需要進行輻射定標和幾何校正等預處理，然后進行水陸分離，以便后續滸苔信息的遙感提取。輻射定標的目的是將遙感圖像DN轉換為輻射亮度L（λ），有利于對不同時間圖像進行比較。通過絕對輻射定標系數可以得到輻亮度L（λ），計算公式為：

式中，g（λ）和b（λ）分別為波長λ處的傳感器輻射定標的增益和偏移，可以在頭文件或者官網資料中獲取（CRESDA；http：//www.cresda.com/CN/）。由于本研究利用大氣層頂反射率RTOA信號實現滸苔的遙感監測，故根據公式（2）進一步計算得到GF4-MSS 的RTOA遙感數據。

式中，d為日地天文距離；θs為太陽天頂角，可在頭文件中獲取；Esun（λ）為波長λ處大氣層外太陽輻照度，可在CRESDA 官網公開資料中獲取。此外，為了驗證GF4-MSS 綠度指數的監測精度，本研究基于同一GF4-MSS 影像采用VB-FAH 指數的監測結果進行對比。這里VB-FAH 指數的計算是基于Ref信號［見公式（5）］，故需要對遙感圖像進行大氣校正處理。采用FLAASH（Fast Line-of-slight Atmospheric Analysis of Spectral Hypercubes）大氣校正方法獲取GF4-MSS 的Ref數據。

1.2.2 Landsat 8-OLI 數據 Landsat 8 是美國陸地衛星計劃（Landsat）的第八顆衛星，于2013 年2 月11號發射成功，攜帶陸地成像儀OLI 和熱紅外傳感器（Thermal Infrared Sensor，TIRS）。其中，OLI 傳感器擁有9 個光譜波段，涵蓋可見光-近紅外-短波紅外波段范圍，即0.433～0.453 μm（波段1，海岸波段）、0.450～0.515 μm（波段2，藍光）、0.525～0.600 μm（波段3，綠光）、0.630～0.680 μm（波段4，紅光）、0.845～0.885 μm（波段5，近紅外）、1.560～1.660 μm（波段6，短波紅外）、2.100～2.300 μm（波段7，短波紅外）、0.500～0.680 μm（波段8，全色波段）、1.360～1.390 μm（波段9，卷云波段）。第1～第7 波段的空間分辨率為30 m，時間分辨率為16 d。

從USGS 網站（https：//earthexplorer.usgs.gov/）下載2019 年6 月27 日Landsat 8-OLI 影像，其與GF4-MSS 遙感影像時空匹配，以用于驗證國產衛星GF4-MSS 數據的滸苔監測效果。該驗證方法是對比GF4-MSS 綠度指數與Landsat 8-OLI FAI 指數的監測結果。Landsat 8-OLI FAI 指數的計算是基于Ref影像數據［見公式（6）］，所以根據圖像的輻射定標系數和大氣校正所需參數，對Landsat 8-OLI 圖像進行輻射定標和大氣校正處理。

2 研究方法

2.1 利用RTOA信號監測滸苔的理論基礎

滸苔作為水生植物，含有大量葉綠素，當其處于漂浮海面狀態時，導致滸苔光譜曲線在近紅外波段出現高反射峰。同時，滸苔與非滸苔水體對光的反射作用顯著不同［19］。為了更全面地對比海水與滸苔的光譜特征差異，從多景GF4-MSS 衛星影像上選取了大量滸苔、陸地植物、清澈海水、渾濁海水和云像元，并統計不同目標物像元的大氣層頂反射率，如圖2 所示。從圖2 明顯可以看出，滸苔RTOA光譜曲線在綠光和近紅外波段存在反射峰，在紅光（660 nm）附近存在吸收峰，并且在750 nm 附近反射率急劇上升，形成“紅邊現象”。相比，清澈和渾濁海水的RTOA光譜在綠光波段沒有明顯反射率，更沒有紅邊現象（圖2）。滸苔與清澈和渾濁海水的RTOA光譜特性差異是本研究基于RTOA信號實現滸苔遙感提取的理論依據。

2.2 纓帽變換和綠度指數

2.2.1 纓帽變換及其變換矩陣 纓帽變換，又稱Kauth-Thomas 變換，是由Kauth 等［20］提出的一種線性變換方法。該變換旋轉光譜的坐標空間不是指向主成分的方向，而是指向與地物類型和變化有密切關系的方向，特別是與植被生長過程和土壤有關［20，21］。在陸地遙感中，纓帽變換經常被用于陸地植被和農作物研究。值得注意的是，漂浮滸苔和陸地植被的RTOA光譜特征在可見光和近紅外波段處相似（圖2）。因此，在理論上采用纓帽變換方法可以增強滸苔像元信息，從而實現滸苔與非滸苔像元的遙感區分。

圖2 滸苔、清澈海水、渾濁海水、陸地植物和云的大氣層頂反射率光譜曲線

在數學層面上，纓帽變換是一種線性變換。對4 波段遙感影像數據來說，纓帽變換的矩陣形式表示為：

式中，TCB、TCG、TCW和Fourth是纓帽變換后得到4 個分量，分別表示亮度、綠度、濕度和噪聲分量；X（λi）表示像素的光譜向量，在本研究中為大氣層頂反射率RTOA；ci，j是變換矩陣。為了使纓帽變換更好地增強滸苔信息，Zhang 等［15］面向HJ-CCDRTOA遙感數據針對滸苔推導出特定的變換矩陣，見表2。該變換矩陣直接應用到本研究中GF4-MSS 圖像，因為GF4-MSS 和HJ-CCD 傳感器的波段設置相似。Zhang 等［15］研究中，纓帽變換矩陣的推導過程為：首先基于HJ-CCD 和Landsat 8-OLI 匹配樣本集采用多元線性回歸方法求解得到濕度分量系數，即公式（3）的c3j；然后使用傳統的施密特正交化（Gram-Schmidt Orthogonalization，GSO）方法相繼得出亮度分量系數c1，i、綠度分量系數c2，j和噪聲分量系數c4，j。特別說明的是，在求解綠度分量系數時，使用滸苔像元代替之前研究中陸地植被像元，以保證綠度分量代表了滸苔的主導地位。

表2 GF4-MSS 數據的纓帽變換矩陣

2.2.2 綠度指數監測滸苔 綠度分量能夠較好地增強滸苔信息，加劇滸苔與非滸苔像元的差異。故采用纓帽變換后的綠度分量（又稱綠度指數TCG）進行滸苔信息的遙感提取。綠度指數TCG 的計算公式為：

式中，RTOA（λi）表示GF4-MSS 第i波段處大氣層頂反射率。滸苔和非滸苔像元的TCG差異較大，使用TCG＞k（k為閾值），可以從非滸苔像元中區分出滸苔像元，以實現遙感監測滸苔的目的。

2.3 精度驗證

由于滸苔漂浮在海面上且呈斑塊分布，及時和準確地獲得滸苔的實地觀測資料是比較困難的［9］，故無法以滸苔分布“真值”來評估綠度指數的監測精度。在這種情況下，采用以下2 種方法進行交叉定量驗證：①基于同一GF4-MSS 遙感影像，綠度指數的監測結果與VB-FAH 指數的滸苔監測結果進行比較；②針對同一海域，對比分析GF4-MSS TCG 和Landsat8-OLI FAI 指數的滸苔監測結果。VB-FAH指數和FAI指數的計算式分別為：

式中，Refgreen、Refred、Refnir和Refswir分別為綠、紅、近紅外和短波紅外波段處的地表反射率；λgreen、λred、λnir和λswir分別為綠、紅、近紅外、短波紅外波段的中心波長，視HJ-CCD 和Landsat8-OLI傳感器而定。

3 結果與分析

3.1 基于RTOA信號的GF4-MSS 纓帽變換分析

根據上述GF4-MSS 影像預處理流程，見“1.2.1”，本研究獲取得到每幅GF4-MSS 的大氣層頂反射率RTOA遙感產品。從不同GF4-MSS 數據中人工選取大量滸苔、清澈海水、渾濁海水和滸苔像元樣本，然后使用表2 中纓帽變換系數處理得到4 個分量，即亮度、綠度、濕度和噪聲分量。圖3 展示了滸苔、清澈海水和渾濁海水目標物在前3 個變換分量的統計特征。需要說明的是，第4 分量主要為噪聲信號，含有較少有用信息，故在此不作詳細分析。從圖3 中可以發現，對亮度分量和濕度分量來說，滸苔與背景目標（即清澈水體和渾濁水體）的統計數值范圍存在重疊或者接近，這說明采用亮度分量或濕度分量區分兩者比較困難。相比之下，滸苔與海水目標在綠度分量上差異明顯，表明綠度分量（即綠度指數TCG）可以作為遙感區分滸苔和非滸苔像元的有效指標。換而言之，基于衛星RTOA遙感數據得到的綠度指數信息，選擇合理的閾值就可以實現滸苔信息的遙感監測。

圖3 滸苔、清澈水體和渾濁水體的纓帽變換分量的統計特征

3.2 GF4-MSS 綠度指數的滸苔監測

為了更清晰展示滸苔和遙感圖像中主要背景目標物（即清澈水體、渾濁水體和云）的綠度指數的差異，從多幅不同日期的GF4-MSS 圖像上選取5 591個滸苔像元、5 663 個渾濁水體的像元、6 002 個清澈水體像元和6 059 個云像元，進而計算得到這些像元的綠度指數TCG（圖4）。由圖4 可以看出，滸苔像元的TCG分布范圍明顯獨立于其他3 個目標像元的TCG范圍。滸苔的TCG集中在-0.05 以上，絕大多數大于零，然而清澈水體、渾濁水體和云像元的TCG均小于-0.07。這種情況表明綠度指數TCG能夠有效地區分滸苔像元與非滸苔像元，并且閾值可設置為-0.07 附近。此外，云像元與滸苔像元的TCG指數也存在明顯差異，這意味著在滸苔遙感提取過程中，不需要額外的云檢測算法來進行云去除。

圖4 滸苔、渾濁海水、清澈海水和云的TCG 數值分布

此外，本研究從2019 年7 月2 日GF4-MSS 圖像中（圖5a）選擇北黃海子海域#1（圖5b），用于直觀展示TCG指數提取滸苔結果。首先，獲取圖5b 遙感影像的大氣層頂反射率數據，接著進行纓帽變換處理得到綠度分量數據。滸苔像元具有較高的TCG，用亮色顏色表示，而海水和云像素的TCG較低，由藍色表示（圖5c）。通過設置TCG閾值為-0.07 識別出滸苔像元，如圖5d 所示。TCG 算法的滸苔監測結果與圖5b 中滸苔真彩色圖像輪廓非常吻合。結合圖4和圖5 進行分析，結果表明面向GF4-MSSRTOA數據，綠度指數的滸苔監測效果較好，同時可以有效排除云的干擾。

圖5 2019 年7 月2 日GF4-MSS 影像（a）、子海域真彩色合成圖像（b）、TCG 指數圖像（c）及滸苔監測結果（d）

3.3 滸苔監測結果的精度驗證

依據“2.3”的驗證方法，采用2019 年6 月27 日GF4-MSS 和Landsat 8-OLI 的時空匹配影像對（圖6 a、d、g）進行評估TCG 算法的監測精度。針對GF4-MSS 影像，依據“1.2.1”處理步驟獲取RTOA和Ref遙感產品。將TCG和VB-FAH指數分別應用于衛星RTOA和Ref上獲取相應的FGTI（圖6b）和VB-FAH 結果（圖6e）。基于此，根據合理的閾值識別出滸苔像元（圖6c、f）。類似地，獲取Landsat 8-OLI 的Ref數據，進而獲取FAI指數（圖6h）及其滸苔監測結果（圖6i）。

通過對比GF4-MSSTCG指數和VB-FAH指數的提取結果（圖6c、f）發現，2 種算法的滸苔分布基本一致，并且與GF4-MSS 真彩色圖像（圖6a）的滸苔位置和輪廓高度吻合。2 種指數的監測滸苔面積相差不大（TCG指數為27.88 km2；VB-FAH指數為24.51 km2）。此外，GF4-MSSTCG指數對薄云覆蓋下滸苔也能夠較好地識別（如圖6 中黃圈所示），說明該指數具有對環境敏感性較低和受薄云影響小的優點。另一方面，對比GF4-MSSTCG指數提取滸苔結果（圖6c）和Landsat 8-OLI FAI指數結果（圖6i），2幅圖像中滸苔位置和輪廓基本一致，并且覆蓋范圍接近（TCG指數為27.88 km2，FAI指數為31.39 km2）。需要說明的是，基于GF4-MSS 和Landsat 8-OLI 影像監測的滸苔位置和大小略有變化，其主要原因是這2 個不同傳感器影像的過境時間相差4 h，在短時間內滸苔的漂浮狀況可能發生部分改變。但是，絕大多數滸苔斑塊，尤其是大斑塊的輪廓基本相同，因此可以判斷GF4-MSS TCG 和Landsat 8-OLI FAI 算法的滸苔監測結果基本一致。綜上結果表明，類似于VB-FAH 和FAI 算法，本研究基于GF4-MSSRTOA信號所構建的綠度指數可以有效地監測滸苔綠潮，并且對薄云覆蓋下滸苔像元進行監測。

圖6 GF4-MSS 真彩色圖像（a、d）、TCG 圖像（b）及其滸苔提取結果（c）、VB-FAH 圖像（e）及其滸苔提取結果（f）、Landsat 8-OLI真彩色圖像（g）、FAI圖像（h）及其滸苔提取結果（i）

3.4 GF4-MSS 監測滸苔動態變化

國產地球靜止高分衛星GF4-MSS 的兩景圖像最短時間間隔為20 s，這為滸苔綠潮災害的動態變化監測和應對提供了有利的數據保障。從中國資源衛星中心官網下載獲取了質量好且少云的2019 年6月27 日、7 月5 日、7 月11 日、7 月21 日、8 月3 日、8 月17 日的GF4-MSS 圖像。針對這些GF4-MSS 遙感影像，利用綠度指數提取了不同日期的滸苔信息（圖7），進而繪制和分析其滸苔覆蓋范圍和分布范圍的變化（圖8）。

從圖7 可以看 出，2019 年6 月27 日江蘇 北部及山東外部海域存在大量滸苔，但7 月11 日滸苔基本都漂移至山東半島的南部海域。從6 月27 日至8 月17 日，滸苔的總體分布范圍呈現向北移動的趨勢。經統計，在6 月27 日滸苔覆蓋面積為505.64 km2，分布面積為31 062.42 km2，在8 月3 日滸苔的覆蓋面積和分布面積僅為9.16、1 210.38 km2。從2019 年6 月27 日至8 月3 日，黃海海域的滸苔分布呈現減小趨勢，滸苔處于消亡階段，直到8 月17 日，黃海海域已無滸苔覆蓋（圖7 f），基本已消亡。由2019 年中國海洋災害公報可知，黃海海域滸苔在4 月下旬開始出現，分別于6 月17 日和27 日覆蓋范圍達到最大值，并在7 月下旬開始逐漸消亡。從圖8 中可以看出，本研究提取的滸苔覆蓋范圍變化基本與實際情況相符合，整體隨時間變化出現向東向北偏移的趨勢。

圖7 基于2019 年不同日期GF4-MSS 影像監測滸苔災害的覆蓋范圍和分布范圍

圖8 2019 年6 月27 日至8 月3 日滸苔覆蓋范圍的變化

4 小結

本研究基于國產高分衛星GF4-MSS 數據進行滸苔綠潮監測能力分析，并開展滸苔災害的動態監測與分析研究，得到以下結論。

1）基于GF4-MSS 大氣層頂反射率數據，利用綠度指數算法高精度地提取滸苔信息，證明了國產高分靜止衛星的滸苔災害監測能力。

2）該算法簡單易實施，并且不需要大氣校正步驟和額外的云掩膜環節。

3）利用2019 年多幅GF4-MSS 影像監測滸苔災害的動態變化發現，從2019 年6 月27 日至8 月17 日滸苔分布面積呈現出一直減小的趨勢；滸苔經歷由南向北的漂移路徑，最終在山東半島沿海逐漸消亡。

致謝：感謝中國資源衛星應用中心提供的GF4衛星資料，USGS 提供的Landsat8 影像。