绿潮(green tide)是在一定的环境条件下，海水中某些大型藻类(如浒苔、马尾藻等)暴发性增殖或高度聚集而造成的一种有害生态现象。自2007年以来，我国北起大连、南达三亚多处近岸海域发生了不同规模的绿潮灾害，对沿海城市环境、水产业、旅游观光业等造成严重危害^[1]。光学遥感相对于微波遥感具有价格低廉(大多数可免费获取)、真实直观、适合目视解译判读的优势，因此光学遥感更适宜对绿潮进行宏观监测。蔡晓晴等^[2]认为NDVI是GOCI绿潮监测的首选算法；王宁等^[3]基于MODIS(moderate-resolution imaging spectroradiometer)数据验证NDVI、RVI(ratio vegetation index)、EVI(enhanced vegetation index)、ARVI(atmospherically resistant vegetation index)、DVI(difference vegetation index)等绿潮提取算法，研究认为NDVI也是MODIS绿潮监测的首选算法。高分一号(16 m)数据虽然不能用作绿潮大面积宏观监测，却适用于小范围精细化研究分析，16 m的空间分辨率可很好地提高绿潮覆盖面积的精度，具有较高的研究价值。相关研究表明，MODIS 250 m分辨率的遥感影像所提取的绿潮覆盖面积为真实值的2~3倍^[4]，大量混合像元导致绿潮的监测结果存在明显误差；钟山等^[5]利用两个阈值的方法对绿潮覆盖面积进行提取；辛蕾等^[6]以30 m分辨率的环境卫星数据提取的覆盖面积为“真值”, 建立与MODIS混合像元分解所提取覆盖面积之间的模型。

本文在前人研究的基础上，对高分一号卫星数据的几种主流绿潮提取算法进行了比较。结果表明，NDVI算法更适合高分一号绿潮探测。针对GOCI数据存在大量混合像元导致提取的绿潮覆盖面积较大这一问题，在探测能力对比分析的基础上，对GOCI数据大于NDVI阈值的像元进行线性混合像元分解得到绿潮的覆盖面积，然后与获取的准同步16 m高分一号提取的绿潮面积为“真值”，建立两者之间的关系模型。实验结果表明，该模型具有较高的实用价值，可初步实现对绿潮覆盖面积的精细化提取。

1 数据与预处理 1.1 数据

1) GOCI数据。GOCI是搭载在韩国2010年发射的全球首颗地球同步轨道水色卫星。该卫星共有8个波段，能对以2 500 km×2 500 km(中心经纬度36°N、130°E)范围内进行静止观测，其覆盖范围包括我国的渤海、黄海和部分东海海域。相比于传统的极轨卫星，不仅具有8景/d(每天8点到15点每小时获取一景数据)的高时间分辨率，而且数据空间分辨率为500 m^[7]，可实现对黄海地区绿潮的大范围实时监测。

2) 高分一号(16 m)数据。高分一号(GF-1)卫星是我国高分辨率对地观测系统的首发卫星，突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感和高分辨率数据处理与应用等关键技术。高分一号卫星搭载了两台2 m分辨率全色/8 m分辨率多光谱相机以及4台16 m分辨率多光谱相机，参数见文献[8]，有效地缓解了国内高分辨率遥感影像供应不足的问题。

1.2 数据预处理

1) GOCI数据预处理。GOCI数据预处理主要包括大气校正、几何校正等。大气校正采用SeaWiFS方法，能够有效去除多路径散射的影响^[9]，利用GOCI数据处理软件GDPS(GOCI data processing system)自带的功能对GOCI数据进行大气校正：首先利用GDPS软件生成消除瑞利散射后的二级产品(rayleigh corrected radiance)，然后对得到的二级产品采用“暗像元”法消除气溶胶等大气影响，进而实现GOCI数据的大气校正。利用GLT(geographic lookup table)方法对GOCI数据进行几何校正，并将几何校正后的影像进行矢量叠合，发现GLT方法校正效果良好。

2) 高分一号数据预处理。高分一号(16 m)预处理的过程主要包括几何校正、大气校正和研究区范围提取等。首先利用已校正好的数据建立与高分影像的地面控制点，实现对研究数据的几何校正。利用FLAASH模型对高分(16 m)影像进行大气校正以消除瑞丽散射等引起的辐射误差。研究区范围主要是依据目视解译裁剪天气晴好的研究区域。

2 高分一号(16 m)绿潮探测能力对比 2.1 绿潮提取算法

不同密度的绿潮具有不同的反射光谱曲线，通过分析绿潮和海水的光谱曲线可以发现，不同密度的绿潮各波段反射率不同，但是其光谱曲线的趋势是一致的，在可见光的蓝光波段(400~500 nm)和红光波段(680 nm)出现吸收峰，在绿光波段(550 nm)和近红外波段(700~800 nm)出现反射峰，与绿色植被的光谱曲线相似。

依据高分一号(16 m)的波段设置方式，结合目前MODIS等光学遥感数据主流绿潮探测算法，适用于高分一号(16 m)的绿潮提取算法主要有归一化植被指数(NDVI)、增强型植被指数(EVI)、大气阻抗植被指数(ARVI)、比值型植被指数(RVI)、差值型植被指数(DVI)等。上述算法的计算公式如下：

$ {\rm{NDVI}} = \frac{{{R_{{\rm{NIR}}}} - {R_R}}}{{{R_{{\rm{NIR}}}} + {R_R}}} $

(1)

$ {\rm{DVI}} = {R_{{\rm{NIR}}}} - {R_R} $

(2)

$ {\rm{EVI}} = 2.5 \times \frac{{{R_{{\rm{NIR}}}} - {R_R}}}{{{R_{{\rm{NIR}}}} + 6.0 \times {R_R} - 7.5 \times {R_B} + 1}} $

(3)

$ {\rm{RVI}} = \frac{{{R_{{\rm{NIR}}}}}}{{{R_R}}} $

(4)

$ {\rm{ARVI}} = 2{R_R} - {R_B} $

(5)

在实验过程中，结合绿潮光谱实测曲线发现大气校正后的绿潮蓝光波段反射率有时会比红光波段要低，在实验中也能将绿潮与海水区分开来。因此，本文在实验过程中将上述红光波段反射率用蓝光波段代替来验证替代后算法的绿潮探测能力：

$ {\rm{NDVI - }}b{\rm{ = }}\frac{{{R_{{\rm{NIR}}}} - {R_B}}}{{{R_{{\rm{NIR}}}} + {R_B}}} $

(6)

$ {\rm{DVI - }}b{\rm{ = }}{R_{{\rm{NIR}}}} - {R_B} $

(7)

$ {\rm{RVI - }}b{\rm{ = }}\frac{{{R_{{\rm{NIR}}}}}}{{{R_B}}} $

(8)

2.2 样本选取

从9景影像中结合目视解译分别选取绿潮和海水的样本，测试不同绿潮探测算法区分绿潮、海水的能力。基于假彩色合成影像(Blue、Green、Red分别为第1、2、3波段)选取绿潮特征最为鲜明的像元作为绿潮样本，海水样本须选取开阔海域的暗像元。每景影像中绿潮、海水的样本数目要相同，并且在空间上均匀分布。选取像元个数如表 1所示。

2.3 绿潮探测能力指标

提取绿潮信息主要是区分云雾、海水和绿潮等地物，由于选取的研究区域基本无云雾覆盖，所以不同算法的绿潮探测能力主要是区分绿潮与海水的能力。借鉴模式识别领域采用的区分种类样本采用的“类间距”^[10]的概念，利用如下指标来评判不同算法的绿潮探测能力：

$ {D_{gw}} = \frac{{\left| {{\mu _g} - {\mu _w}} \right|}}{{\sqrt {\sigma _g^2{\rm{ + }}\sigma _w^2} }} $

(9)

式中，D_gw为计算得到的绿潮、海水的样本距离；μ_g、μ_w分别是绿潮、海水样本某算法的均值；σ_g²、σ_w²为相应算法计算结果的方差。D_gw越大，表明该算法区分绿潮、海水的能力越强，即绿潮的探测能力越强。反之，则表明该算法的绿潮信息提取的能力较弱。

2.4 结果与分析

针对上述8种绿潮探测算法，分别应用于选择的9景影像的绿潮海水样本，根据评价指标公式计算绿潮与海水的样本距离D_gw，其计算结果如表 2所示。

由表 2可知，绿潮在不同发展阶段，绿潮与海水的样本距离最大的提取算法大多数为NDVI，且表现出良好的稳定性。NDVI算法除在6月14日略小于DVI算法外，其余时间都明显优于另外8种算法。在6月27日，NDVI样本距离达到了最大。以类间距值的大小来看，以蓝光波段代替红光波段发展的3种绿潮探测算法虽然不如NDVI，但大多数情况下比DVI、ARVI等主流算法探测能力要更强。在大气校正较好的情况下，NDVI-b算法要优于除NDVI的其余算法，具有一定的发展潜力。与其余8种绿潮探测算法相比，ARVI算法实验中表现出最弱的绿潮探测能力。

3 精细化模型

基于高分一号16 m分辨率建立500 m分辨率的GOCI绿潮覆盖面积精细化提取模型的流程图如图 1所示。

3.1 线性混合像元分解

影像中每个像元点的反射率值是由像元内的每种地物反射率纯净像元反射率的线性组合而来，其中每种地物类型(本文主要指绿潮、海水)在该像元内所占的面积比作为线性方程的权重系数，线性混合像元分解便是依据此原理。线性混合像元分解的公式如下：

$ {R_{ijk}} = \sum\limits_{m = 1}^n {{f_{ijm}}{r_{mk}} + {e_{ijk}}} $

(10)

式中，n为遥感数据中的典型地物(端元组分)；k表示波段数；R_ijk为第i行、j列在第k波段的反射率；f_ijm是地物m在第i行、j列混合像元中占的比例；r_mk是地物m在k波段的反射率(纯净像元反射率)，e_ijk为k波段i行、j列的误差值。此公式成立还需几个限制条件：①2≤n≤k；②0≤f_ijm≤1；③r_mk≥0；④端元的面积比例之和是1^[11]。

3.2 精细化模型构建

1) 建模样区选取。在2015年5月25日、2015年6月6日、6月14日、6月27日GOCI影像上选取20个区域作为建模样区。选择建模样区时，需保证该区域无云雾遮挡、样区选择尽量不重合，同时绿潮覆盖区域既包含大规模聚集区域，又包含零星点缀的绿潮分布区域。

2) 模型建立。对所选取的每个样区利用NDVI算法进行绿潮的提取，然后利用线性混合像元分解算法提取最终的绿潮覆盖面积，最后与高分一号(16 m)数据提取的“真值”进行统计分析，建立两者之间的关系模型(图 2)。

由图 4可以看出，基于GOCI线性混合像元分解所得到的绿潮覆盖面积(x轴)与高分一号16 m分辨率所提取的绿潮覆盖面积(y)之间存在较高的相关性(R²=0.941 4)，得到两者之间的关系为：

$ y = 3.0587x + 3.2491 $

(11)

3) 关系模型检验。为防止模型的偶然性、检验该模型的有效性，选取2014年6月18日和2015年7月4日6个样区对模型进行检验(图 3)。

从检验结果可以看出，该精细化模型能够较好地应用GOCI数据提取绿潮的覆盖面积。利用该模型从GOCI数据中线性混合像元分解法提取的绿潮覆盖面积与从高分一号16 m分辨率提取的绿潮面积偏差为7.2%，因此该模型可为GOCI数据绿潮精细化提取提供可行性参考。

4 结束语

本文针对GOCI数据空间分辨率低、混在大量混合像元导致所提取的绿潮覆盖面积偏大这一问题，利用高分一号16 m分辨率的影像提取的绿潮面积与GOCI混合像元分解所提取的覆盖面积建立模型，实验结果表明该模型很好地解决了GOCI数据提取覆盖面积偏大的问题，为绿潮业务化监测提供了很好的借鉴。

实验过程中数据无法精确达到同步级别，而绿潮漂移速度较快，不能保证同时获取GOCI、高分一号卫星影像数据，实验存在的误差是无法避免的。由于条件限制，选取的样本区域相对较少，仍需后期获取更多影像对该模型进行验证。16 m分辨率的高分一号卫星仍然存在混合像元问题，未来可用更高分辨率的遥感影像对该模型进行验证。

致谢

感谢国家海洋局第一海洋研究所绿潮现场光谱实测数据，感谢韩国水色卫星中心KOSC提供的GOCI数据，感谢遥感集市提供的高分一号卫星数据，感谢蔡晓晴对混合像元分解算法提供的帮助。