HY-1C 衛星CZI 載荷的黃海綠潮提取研究

劉錦超，劉建強，丁靜, ，陸應誠*

(1.南京大學 國際地球系統科學研究所，江蘇 南京 210023；2.國家衛星海洋應用中心，北京 100081；3.南方海洋科學與工程廣東省實驗室（廣州），廣東 廣州 511458)

1 引言

海洋一號C（Haiyang-1C，HY-1C）衛星是我國自主設計研制的首顆海洋水色業務衛星，搭載有海岸帶成像儀（CZI）、水色水溫掃描儀（COCTS）、紫外成像儀（UVI）等多套光學載荷，能為全球海洋水色水溫反演、近海海洋環境監測提供多種數據產品。其中，海岸帶成像儀（CZI）能提供50 m 空間分辨率、950 km刈幅的近海觀測多光譜數據，該數據具備優良的輻射分辨率、高信噪比等特點，隨著搭載有同樣傳感器的HY-1D 衛星發射，實現了3 天2 次的高頻次觀測，能為近海海洋環境監測、海洋防災減災、海洋權益維護以及江河湖泊的生態環境監測提供豐富數據支撐[1]。

黃海綠潮是我國近海較為嚴峻的自然災害之一，不僅影響海上交通，還會破壞沿岸生態環境，對沿海水產養殖業、旅游業等產業造成巨大經濟損失[2]。2008 年，因綠潮導致的沿海海水養殖業經濟損失高達8 億元人民幣[3]，同年更是耗費了約7 億元人民幣進行打撈清理[4]。有研究表明，綠潮的發生不僅受陸地無機氮和磷等營養鹽的匯入影響[5]，也與蘇北沿岸紫菜養殖產業的不斷擴張息息相關[6]。自2007 年以來，黃海夏季的綠潮爆發逐漸發展為常態，對綠潮進行連續有效地觀測和預警，對綠潮災害的防治具有重要意義[7]。在這一過程中，衛星遙感技術可實現對綠潮災害的大范圍、同步、快速探測，成為綠潮災害跟蹤、預警和防治的主要手段。

中國近海綠潮的主要優勢種為石莼屬（Ulva）與滸苔屬（Enteromorpha）大型綠藻[8-9]，藻體依靠中空管狀結構貯存氧氣，長時間漂浮于海面之上[10]，具有特定的光譜響應特征[11]，使得利用光學遙感影像探測綠潮成為可能。憑借與綠色植被相似的“紅邊”光譜特征[11]，可利用植被指數來獲取海表綠潮信息，例如歸一化植被指數（Normalized Difference Vegetation Index,NDVI）[12-13]、差異植被指數（Difference Vegetation Index,DVI）[14]等。近年來，為專門探測海面大型漂浮藻類，相關研究人員開發了一系列針對不同傳感器、不同水色背景的藻類指數，如應用于MERIS 數據的最大葉綠素指數（Maximum Chlorophyll Index,MCI）[11]、結合短波紅外大氣校正算法的歸一化藻類指數（Normalized Difference Algae Index,NDAI）[15]、基于波段間基線減法的漂浮藻類指數（Floating Algae Index，FAI）[16]和大型漂浮藻類虛擬基線高度法（Virtual Baseline Floating macroalgae Height,VB-FAH）[17]等。上述算法中，基于基線減法設計的FAI 不僅對大氣影響、觀測幾何、太陽耀光等干擾具有較好的適用性[16]，還有利于藻類端元的線性解混[14]，從而促進準確量化藻類的真實覆蓋率、生物量等指標。參考FAI 算法原理，VB-FAH 通過建立虛擬基線計算近紅外波段的相對基線高度，與FAI 具有較強的一致性[18]，考慮到國產系列多光譜傳感器缺少短波紅外波段，VB-FAH 算法更適用于中國海洋水色遙感衛星。

在利用不同指數對綠潮的遙感監測估算過程中，一大挑戰在于像元分割閾值的選取[14]（介于“無藻”和“含藻”之間的藻類指數值），即使在同一景影像的不同區域，該值也可能發生變化。針對這種閾值不一致現象，通過某些方法模擬藻類指數中無藻海水的背景圖像并從原圖像中減去，可以達到消除閾值不一致的效果。本文將這些方法統稱為“去背景方法”，典型的去背景方法有縮放藻類指數（Scaled Algae Index,SAI）算法[18]、藻類指數梯度去背景法[14]、四次多項式曲面擬合法[19]等，去背景方法有助于傳統閾值法在背景差異較大的海域圖像中發揮作用；上述方法是面向粗空間分辨率傳感器數據（250 m、500 m 以及1 km 空間分辨率MODIS 數據），隨著空間分辨率提升至50 m，背景水色與耀光反射分異會更加顯著，上述去背景方法的效果尚需要驗證。與此同時，50 m 空間分辨率圖像可探測的海表目標信息更加豐富，海浪、流、海洋鋒面、船尾跡、海面溢油、小尺度云斑等目標均能被傳感器探測到，對海洋漂浮藻類識別提取形成干擾，成為50 m 分辨率圖像綠潮遙感監測估算的又一挑戰。

針對上述挑戰，本研究提出一種縮放藻類指數與VB-FAH 指數融合處理方法，針對HY-1C/D 衛星CZI數據的波段構成與高異質性特征，選擇VB-FAH 指數實現海洋漂浮藻類的信息增強；針對高空間分辨率海洋光學遙感數據中的復雜干擾信息，通過SAI 滑動窗口運算，在不生成海水背景圖像的情況下，實現藻類圖像的“去背景化”處理，過程簡潔且對不同空間分辨率數據的適用性強。算法應用與驗證結果表明，本研究方法針對HY-1C/D 衛星CZI 數據中漂浮藻類提取具有較高的精度和抗干擾能力，可以為國產海洋水色衛星高分辨率載荷的業務化應用提供技術方法參考。

2 數據與數據預處理

2.1 HY-1C 衛星CZI 數據

HY-1C 衛星搭載有海洋水色水溫掃描儀、海岸帶成像儀、紫外成像儀、星上定標儀和船舶自動識別系統5 個載荷。其中，多光譜海岸帶成像儀觀測數據是本研究主要使用的數據源，CZI 載荷有可見光和近紅外4 個光譜波段，能提供星下點50 m 空間分辨率數據，且具備3 天1 次的重訪周期，在2019 年5 月底至8 月末共獲取了多景云覆蓋較少的黃海觀測數據。50 m 空間分辨率所探測的漂浮藻類具有斑塊狀、條帶狀以及斑點狀等不同形態特征，可為粗空間分辨率數據開展大型漂浮藻類研究提供驗證數據，掃描幅寬為950 km，2 景影像即可實現黃海海域的覆蓋觀測。HY-1C 衛星CZI 數據對于中國近海的大型漂浮藻類監測，在時間、空間分辨率以及范圍覆蓋方面都具有顯著優勢。

2.2 數據預處理

研究主要使用CZI 數據的L1B 級輻亮度產品，通過大氣校正生成瑞利校正反射率（Rrc）數據，相應產品也可通過中國海洋衛星數據服務系統（https://osdds.nsoas.org.cn/#/）免費下載。遙感反射率（Rrs）產品的大氣校正過程包含瑞利散射校正、氣溶膠校正等步驟，由于氣溶膠校正主要采用暗像元法[21-22]，海面目標（如滸苔、馬尾藻與海面溢油等）的近紅外波段圖像通常含有高值信號，使基于暗像元法的氣溶膠校正結果出現較大不確定性[23]，因此Rrc數據是海面漂浮目標遙感研究相對較好的選擇。幾何校正選擇多項式校正法，利用Python 平臺開發基于GDAL 庫Warp 函數的幾何校正程序，以固定間隔提取經緯度文件內的地理控制點進行多項式校正，該方法對1 景CZI 數據的幾何校正時間可以控制在3 min 以內，相比于ENVI 軟件內利用GLT 的幾何校正方法大大縮短了運算時間。最終將Rrc數據映射到WGS-84 大地坐標系，UTM投影（zone 51N）。通過數據預處理和遴選，選擇了9 景2019 年黃海綠潮影像作為研究數據（圖1），每景影像中都有不同程度的綠潮分布，這些大型漂浮藻類的形態特征差異顯著。

3 基于SAI 的漂浮藻類提取

3.1 算法流程

本研究的算法流程主要包含以下步驟：（1）預處理步驟，包含黃海感興趣區域選取，云和云陰影等干擾像元識別與剔除；（2）計算HY-1C 衛星CZI 數據的VBFAH 指數圖像；（3）圖像的SAI 處理，利用SAI 對VBFAH 圖像進行滑動窗口計算，做“去背景化”處理，生成SAI（VB）圖像，調整TVB閾值分割出“待定”像元與背景海水像元，同時對CZI 數據的紅光波段（650 nm）進行SAI 滑動窗口計算，優化TRED閾值，對干擾因素進行剔除，有效區分“藻類”像元與“干擾”像元，得到精確的藻類提取結果。

3.1.1 VB-FAH 指數

基于波段線性差值方法的VB-FAH 指數對于復雜大氣、耀光反射等具有一定抗干擾能力，在像元解混方面，該指數與FAI 一樣，具有較好的應用特點[14]，特別適用于無短波紅外波段的HY-1C 衛星CZI 數據。本研究主要使用VB-FAH 作為藻類提取的基本指數，該指數的虛擬基線建立在綠光波段反射率和虛擬的近紅外波段反射率（實際是紅光波段反射率基于近紅外波段的軸對稱點）之上，然后基于虛擬基線計算近紅外波段反射率的相對高度，VB-FAH 指數的計算公式為

式中，Rrc(λ4)，Rrc(λ3)和Rrc(λ2)分別是CZI 數據的825 nm（λ4），650 nm（λ3）和560 nm（λ4）波段的瑞利校正反射率。

3.1.2 云與耀光干擾的消除

在藻類提取之前，云與耀光像元應當被首先剔除，本文利用一種簡單的波段減法（Cloud &Sunglint,CS）將圖像中的云和耀光信號剔除，

式中，Rrc(λ1)和Rrc(λ3)分別是CZI數據460nm（λ1）和650nm（λ3）波段的瑞利校正反射率。利用TCS閾值分割云和耀光干擾像元，當大于TCS時，將被識別為云與耀光像元。在2019年HY-1C衛星CZI數據中，TCS值在0.01～0.02區間內浮動。該方法對亮度較高的云和強耀光的提取效果較好，但仍難以完全消除薄云與小云斑的干擾，這些干擾在后續誤判處理方案中會進行再次提取與排除。

3.2 SAI 算法

基于閾值分割的方法幾乎都受到大范圍內圖像梯度差異的影響[19]，FAI、VB-FAH 等指數應用也存在圖像梯度差異問題，由Keesing 等[17]提出的縮放藻類指數，能夠較好地解決藻類指數中的圖像梯度差異問題[20]，具體原理如下：

式中，f(x, y)是滑動窗口的中心像元；g(x, y)是滑動窗口中值；SAI(x, y)是縮放后的像元值。

SAI 依靠滑動窗口遍歷整個圖像的有效像元進行計算，計算過程中選取窗口中值作為海水背景值對中心像元進行縮放。如果中心像元為藻類像元，縮放過程將從像元值中減去背景海水像元值；若中心像元為背景海水像元，會將其縮放到0 值左右。一旦窗口過小，使得窗口內的藻類像元占據多數，窗口內像元中值將不再代表海水背景值，從而部分藻類像元被縮放到0 值，進而產生算法誤差。因此滑動窗口大小必須經過人工調整以適配圖像中不同形態大小的藻類，如圖2 所示，通過比較海域中不同尺寸滑動窗口提取大、小漂浮藻類斑塊的能力差異，發現大尺寸藻類斑塊的準確提取得益于大尺寸的滑動窗口，小尺寸斑塊的提取結果不會隨著滑動窗口的增大而產生劇烈變化。需要注意的是，滑動窗口尺寸過大會使算法的運算效率下降，因此滑動窗口的尺寸并非越大越好?；?019 年夏季黃海藻類提取的滑動窗口設置分析，發現在綠潮暴發期（6 月8 日至7 月上旬），黃海海域大型條帶狀綠潮頻繁出現，為完整提取這些條帶型綠潮，選擇51×51 像元滑動窗口進行提取。而位于綠潮發展的早期與后期（5 月中旬至6 月初、7 月中旬至9 月初），31×31 像元窗口足以完整提取區域內的大型藻類斑塊。

圖2 滑動窗口尺寸變化下的縮放藻類指數圖像Fig.2 Scaled algae index images with changing size of sliding window

SAI 算法特點是不需要重建海水背景即可將海水背景值縮放到0 值水平，在一定程度上克服了背景反射率分異的影響。在大型漂浮藻類生物量的定量遙感估算過程中，同等覆蓋率的藻類也會因分布于不同海水背景下，而表現出不同的藻類指數，導致其生物量估算含有較大不確定性，通過SAI 方法計算的藻類指數可以降低不同背景差異所帶來的誤差。如圖3所示，通過對SAI 處理前后VB-FAH 值剖面線的數值對比，對VB-FAH 圖像經過SAI 計算后（SAI(VB) ），圖像中的海水背景將縮放到同一水平區間，而藻類目標值仍處在較高水平，這將較好地提高漂浮藻類提取與估算精度。

圖3 大型漂浮藻類虛擬基線高度法（VB-FAH）與對VB-FAH 圖像經過縮放藻類指數計算后值（SAI（VB））對比圖Fig.3 Comparison between virtual baseline floating macroalgae height (VB-FAH) and SAI (VB)

3.3 誤判信息剔除

在較高空間分辨率的海洋光學遙感數據中，海面波浪、海洋鋒面、內波、船尾跡、海洋溢油等均可以清晰展現，這也給海洋漂浮藻類提取算法帶來干擾，這些干擾所產生的誤判信息需要進一步剔除，進而提高藻類提取的精度。海面漂浮藻類在紅光波段（650 nm）具有一定的吸收特征，圖像中的其他干擾因素，如小云斑、耀光、油氣平臺及船舶等，在650 nm波段具備高反射特征?？梢赃M一步對650 nm 波段反射率圖像進行SAI 處理。此過程中，漂浮藻類因在650 nm 波段不具備高反射特征而被處理成背景，耀光、云斑、船尾跡等干擾信號則通過SAI 算法得到增強，從而實現藻類信號與背景干擾信號的區分。圖4顯示了該算法對小云斑干擾噪聲二次去除的效果，降低了云的干擾與誤判。其他干擾因素的剔除效果如圖5 所示，研究海域中存在多種干擾（如海上平臺、不同粗糙度水面等），會被SAI(VB)的分割閾值所誤判；基于SAI(VB)影像閾值分割結果，計算其SAI(RED)值，對誤判信息進行再次剔除，有效提高了海面漂浮藻類的識別提取精度。

圖4 基于SAI（RED）的小云斑干擾信息的剔除Fig.4 Elimination for confusion signal of cloud spots based on SAI (RED)

圖5 海面目標誤判信息剔除與修正結果Fig.5 Results of elimination and correction for misclassification of sea surface targets

基于上述SAI-VB 融合識別方法，HY-1C 衛星CZI數據（圖1）的海面漂浮綠潮識別提取結果如圖6 所示?；谥懈呖臻g分辨率CZI 數據提取的海洋大型漂浮藻類，對比粗分辨率數據（如MODIS、GOCI、VIIRS 等）而言，具有更為精細和豐富的空間細節信息，尤其在江蘇近岸海域。特別需要指出的是，由于空間分辨率差異所帶來的混合效應，如何有效估算基于CZI 數據的含藻像元面積和藻類真實覆蓋面積，還需要進一步開展細致的評估。

圖6 基于HY-1C 星CZI 數據提取的2019 年海面漂浮綠潮Fig.6 The information of floating green tides in 2019 extracted from HY-1C CZI measurements

4 精度評估與不確定性分析

4.1 精度評估

由于海面實測與低空觀測數據的稀缺，且囿于海面漂浮藻類具有一定的漂浮速度，難有實時同步的衛星成像數據用于驗證，即使只有幾分鐘的成像時間差異，海面藻類的位置和形態都會有一定的改變，其不僅受到海面流場、風場等多種因素影響，還受到衛星數據的空間分辨率、波段差異等影響。鑒于如上影響，將采用人工目視解譯結果和自動提取結果對比分析的方式來進行本研究算法的精度評估，精度評價數據選用2019 年6 月8 日CZI 數據的4 個研究區（圖1b），目視解譯過程還參考了同一天的GF-1/WFV1多光譜數據（16 m 空間分辨率）。特別需要指出的是，囿于藻類形態和位置變化、空間分辨率以及波段差異等原因，國產GF-1/WFV1 多光譜數據并不能直接用于對比分析來評估算法精度，后續主要將其用于不確定性分析（見4.3 節）。4 個區域的標準假彩色合成圖像、人工解譯結果與算法提取結果如圖7 所示。

基于人工解譯和算法提取的4 個區域漂浮藻類結果，利用如下指標定量描述算法提取精度：

式中，SSAI為本算法提取的含藻像元面積；S0為人工目視解譯提取的含藻像元面積。結果表明，算法提取精度最低者為區域4，λ為8.34%；最高者為區域1，λ為1.03%；總體精度均比較高，特別是區域1 到區域3（表1）。區域1 到區域3 中的漂浮藻類形態相對較大，以大型條帶型、斑塊型等形態為主，而區域4 中則包含數量較多的小斑塊型漂浮藻類，由于50 m空間分辨率的遙感混合像元特點，這些小斑塊漂浮藻類提取結果的不確定性較大。總體上，本研究應用的SAI（VB）算法精度較高，對中國首顆海洋水色業務衛星CZI 載荷取得較好的效果，未來可以進一步用于該載荷的業務化應用。

表1 精度評價Table 1 Accuracy evaluation

4.2 算法的時間效率

SAI 算法的首次提出是基于MODIS 數據，本研究將算法調整應用于國產HY-1C/CZI 數據上，展現出算法在數據空間分辨率上的可擴展性。隨著空間分辨率提升到50 m，其圖像噪聲、耀光干擾、水色背景等干擾信息得以凸顯，干擾因素也會隨之增加，但本算法仍能保持較高的提取精度，也一定程度說明了算法的穩健性。面對中國近海廣闊的業務化應用范圍，還需要關注算法應用的時間效率。為此，從上述研究區任意選取了多個固定大小的區域（1 000 像元×1 000像元），評估算法運算速度。在如下配置的電腦中（Intel（R）Core（TM）i9-10 900 CPU @ 2.80 GHz～2.81 GHz 32 GB 內存），基于MATLAB 編程實現的SAI 提取算法，對上述數據計算運行時間平均約為12 s，其中有關兩步SAI 計算（SAI（VB）、SAI（RED））的平均耗時約6 s。本研究是基于滑動窗口遍歷圖像的方式進行計算，時間成本會隨圖像矩陣面積的增大而增加，對于整個黃海海域來說，CZI 圖像矩陣不超過10 000 像元×10 000 像元，數據的計算時間可控制在20 min 以內。還需要注意的是，高分辨率數據包含的豐富海洋環境信息，也給自動識別提取帶來挑戰，往往需要基于專家經驗知識，采用人機交互的方式以保證算法精度，這樣一來將不可避免地犧牲算法效率，因此在業務化應用過程中還需要在時間效率和提取精度間達到一個最佳的平衡。

4.3 不確定性分析

光學遙感數據識別提取的最直觀綠潮規模指標為“含藻像元面積”，并不等同于真實的藻類覆蓋面積?；诓煌臻g分辨率數據提取的含藻像元面積也存在較大差異，這不僅與傳感器空間分辨率有關，還與海洋漂浮藻類的真實形態有關。有研究表明，真實藻類面積即使只占像元面積的1%～2%，也可以被識別并提取出來[23]，產生的高估效應在所難免。為探尋這種像元空間分辨率與真實藻類形態大小所帶來的不確定性影響，本研究還選用了同一天（2019 年6 月8 日）準同步的GF-1/WFV1 數據（16 m 空間分辨率）和HY-1C/CZI 數據開展不確定性分析。上述數據均進行大氣校正生成Rrc反射率產品，并基于相同的提取流程識別了海面漂浮藻類，以GF-1/WFV1 數據結果作為真值來評估HY-1C/CZI 提取結果的不確定性。研究結果如圖8 所示，在藻類覆蓋差異顯著的海域選擇2 個典型區域（區域1 和區域2），值得注意的是，兩區域之間不僅存在明顯的水色差異，漂浮藻類斑塊的形態特征和空間分布也存在巨大差別。區域1 中大尺寸條帶型漂浮藻類占據主體地位，肉眼觀察到僅有少量小尺寸斑塊形態漂浮藻類分布；區域2 中則以小尺寸斑塊狀漂浮藻類為主，大尺寸條帶型漂浮藻類分布較少。這兩個區域CZI 數據和GF-1/WFV1數據的漂浮藻類提取結果顯示（圖8c 至圖8f）），區域1 的含藻像元面積相近（分別為373.72 km2和342.77 km2，相對偏差為9.03%），而區域2 的含藻像元面積差異顯著（分別為254.77 km2和143.46 km2，相對偏差為77.59%），表明就含藻像元面積指標而言，CZI 數據提取結果產生的不確定性也存在明顯的空間分異。藻類形態尺寸空間分異的存在表明：區域1 中分布數量較多的大尺寸條帶型漂浮藻類一定程度上降低了含藻像元面積的不確定性；相反，區域2 中大量的小型斑塊分布顯著提高了這種不確定性。這說明，基于光學遙感數據反演的含藻像元面積與真實藻類面積之間的不確定性，不僅與傳感器空間分辨率密切相關，還與漂浮藻類的斑塊大小與形態特征具有密切的關聯。今后需通過進一步闡明中國近海漂浮藻類的形態特征空間分布差異，將對不同空間分辨率數據的優化使用以及海洋漂浮藻類反演精度的提高具有重要的參考意義。

圖8 2019 年6 月8 日HY-1C/CZI 和GF-1/WFV1 準同步數據反演結果比較Fig.8 Comparison of inversion results between image of HY-1C/CZI and quasi-synchronous image of GF-1/WFV1 on June 8,2019

5 結論

面向中國HY-1C/D 衛星CZI 載荷的業務化應用需求，針對海洋高空間分辨率數據內含的豐富信息，本文提出一種利用SAI 與VB 融合的識別提取算法，算法通過3 步實現：（1）采用VB-FAH 指數進行藻類信號增強；（2）通過SAI 算法對指數圖像進行去背景處理；（3）對誤判目標進行識別與排除。在中國近海漂浮大型藻類的提取過程中，算法展現出以下幾點優勢：（1）諸如VB-FAH、NDVI、FAI 等藻類指數在大尺度海域范圍內往往表現出背景水色差異，該算法通過客觀消除背景水色差異，使利用全局閾值分割藻類像元成為可能；（2）通過SAI 計算的藻類像元一定程度消除了自身攜帶的海水背景信號值，在指示藻類的覆蓋規模方面相比原像元更加精確；（3）誤判識別步驟有效剔除了多種海面干擾因素，使算法的精度多一重保障。為評價算法提取精度，選擇了4 個不同區域進行人工解譯，對比發現，算法提取精度最低者為區域4，λ為8.34%；最高者為區域1，λ為1.03%，總體精度均比較高。

此外，本研究結合準同步的GF-1/WFV1 數據，對CZI 載荷的漂浮藻類提取結果進行了不確定性分析。研究發現在不同空間分辨率光學遙感數據之間，反演的含藻像元面積指標存在較大的不確定性—對以大型條帶型藻類分布為主的海域，CZI 數據反演的含藻像元面積不確定性較?。欢鴮τ谛⌒桶邏K型藻類分布為主的海域，CZI 數據反演的含藻像元面積不確定性可以高達77.59%。因此，本研究認為不確定性不僅來源于空間分辨率的差異，還來源于漂浮藻類形態大小的空間分異規律。上述研究也進一步指明，今后需要推進海洋大型漂浮藻類形態學的空間分異研究，這將有助于明確不同空間分辨率光學數據反演結果的不確定性。