引言

近年来，我国海域生态灾害频发对海洋生态系统的健康及稳定造成一定影响。其中，每年必遇的近海浒苔绿潮灾害备受社会和研究者关注。自2007年以来，浒苔灾害在每年5—7月都会在我国黄海海域周期性大规模暴发，已严重影响到该海域和沿海地区的生态环境，并威胁到滨海景观、旅游和海水养殖业，进而造成了巨大经济损失和严重社会影响^[1-3]。因此，及时、准确、有效地获取浒苔信息已成为控制和减少灾害损失的必由之路。卫星遥感技术具有宏观、(准)实时和周期性的特点，相较于传统调查和实测方法有不可替代的优势和应用潜力^[4-5]。由此可见，基于卫星遥感的浒苔绿潮监测具有重要意义且应用前景广泛。

随着卫星遥感技术的发展，基于光学卫星影像的大范围浒苔绿潮监测技术方法已经被广泛提出^[6]，例如：归一化差值植被指数^[7-8](normalized difference vegetation index，NDVI)、辐射传输模拟法^[9]、混合像素分解模型^[10]等。近年来，相关研究人员开发了基于不同传感器的藻类指数，如基于MODIS(Moderate Resolution Imaging Spectroradiometer)数据的归一化藻类指数(normalized difference algae index，NDAI)^[11]、浮游藻类指数(floating algae index，FAI)^[12]、基于静止轨道海洋水色成像仪(Geostationary Ocean Color Imager, GOCI) 数据的绿潮指数(green tide index based on TCT，TCT-GTI)^[13]等。上述研究多是基于中低分辨率光学卫星开展研究，虽然具有大范围同步观测的优势，但是对于浒苔的精细化监测有一定的局限性，尤其是暴发早期的小斑块浒苔监测。

随着光学卫星空间分辨率的提升，诸多学者基于高分辨率卫星数据开展浒苔监测研究。例如，施英妮等^[14]基于HJ-1A/1B星CCD数据利用NDVI方法对黄海浒苔进行监测。薛瑞等^[15]基于HJ-1A/1B(CCD) 遥感数据利用神经网络监督分类及Rule规则影像重分类动态阈值法对浒苔的漂移路径、分布面积及时空分布进行动态监测。孟庆辉等^[16]基于Sentinel-2 MSI多光谱数据开展高悬沙水体背景下漂浮绿潮识别遥感监测算法研究，研究表明漂浮藻类高度虚拟基线指数(virtual baseline floating macroalgae height，VB-FAH)算法在识别精度及噪声抑制方面明显优于NDVI和FAI指数算法。上述研究算法主要基于大气校正后的卫星地表反射率信号。但是，实施大气校正环节需要更多的参数信息，并且数据处理时间相对较长，这在一定程度上降低了算法的实施效率，尤其是面向批量卫星影像。为提升浒苔监测遥感产品的处理效率，一些学者采用卫星数字信号(digital number，DN)或大气层顶反射率(top-of-atmosphere reflectance，R_toa)信号来实现浒苔信息提取，避开了大气校正环节。例如，张海龙等^[17]基于环境一号和高分一号卫星DN值开发了多光谱绿潮指数(multispectral green tide index，MGTI)并用于浒苔监测，精度达到94%。Zhang等^[18-19]采用高分辨率卫星R_toa信号建立了绿度指数(tasseled cap greenness，TCG)，对不同场景浒苔绿潮监测均有较好效果。

综上所述，高分辨率卫星影像在浒苔灾害的早期监测及精细化监测方面呈现出一定优势。国产高分辨率卫星影像资料丰富且多数免费开放，这为近海浒苔灾害的监测和防控提供了基础数据源。但是，浒苔识别算法性能在不同观测环境下也略有差异。为此，选择国产高分辨率卫星数据(GF1-WFV和HJ-CCD)，采用卫星R_toa信号对比分析了归一化差值植被指数NDVI、漂浮藻类高度虚拟基线指数VB-FAH和绿度指数TCG算法在不同背景条件下提取浒苔的效果差异及适用性，以期为浒苔精细化业务监测提供可靠的技术支持，同时推广国产卫星影像在海洋生态灾害方面的应用。

1 研究数据与方法 1.1 研究区域

研究范围为黄海中部及南部海域(32°~37°N，119°~124°E；图 1a)，冬季盛行西北风，夏季为东南季风，区域内沿岸的江苏、山东等省份社会经济发达。由于沿岸无机营养盐的持续输入，加上风场、温度、流场等有利条件，大型漂浮藻类会在该区域内发生大规模的暴发增殖现象^[20-23]。图 1a为研究区域示意图，图 1b和图 1c分别为北京时间2021年6月4日黄海浒苔的GF1-WFV真彩色合成影像和2021年7月10日青岛沿岸的浒苔GF1-WFV真彩色合成影像。

1.2 研究数据及处理 1.2.1 GF1-WFV和HJ-CCD数据

以国产GF1-WFV和HJ-CCD为数据源，GF-1号卫星于2013年4月26日发射升空，是中国高分辨率对地观测系统的第一颗卫星，搭载了4台16 m分辨率多光谱相机，包括绿、蓝、红和近红外4个波段。环境与灾害监测预报小卫星的2个星座(HJ-1A/1B星)于2008年9月6日成功发射，HJ-1A/1B卫星搭载的CCD相机具有30 m空间分辨率，详见表 1。

1.2.2 数据处理

主要使用GF1-WFV和HJ-CCD的L1级数据，相关数据均来自中国资源卫星应用中心(http://www.cresda.com)。在本文中，大气层顶反射率R_toa依据公式(1)通过卫星DN值计算得到。同时，为了探讨不同遥感信号源的算法差异，还获取了卫星遥感影像的瑞利校正反射率(Rayleigh-corrected reflectance，R_rc)和大气校正反射率(surface reflectance，R_ef)产品，瑞利校正反射率R_rc处理采用Hu^[12]的方法，大气校正反射率R_ef采用ENVI的FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)大气校正模块，以消除大气在传输过程中对地物反射的影响。

$ {R_{{\rm{toa}}}} = \left( {a \times {V_{{\rm{DN}}}} + b} \right)/\cos \theta {\rm{, }} $

(1)

式中，V_DN为卫星数字信号值，a和b分别为卫星影像的增益值和偏移值，θ为卫星影像的太阳天顶角。

同时筛选了不同环境背景条件存在浒苔分布的GF1-WFV和HJ-CCD卫星数据，主要包括2021年5月21日、2021年7月10日、2021年6月4日、2015年6月6日、2021年6月20日、2016年6月13日的GF1-WFV影像数据以及2010年7月10日的HJ1A-CCD影像数据进行浒苔提取方法的对比研究，影像数据主要应用场景见表 2。

1.3 研究方法 1.3.1 技术路线

根据GF1-WFV和HJ-CCD国产高分辨率卫星数据的波段设置及浒苔的光谱特征，采用3种不同遥感算法(NDVI、VB-FAH和TCG)进行不同环境背景条件下浒苔的提取效果对比分析，技术路线如图 2所示。首先，对GF1-WFV和HJ-CCD国产卫星数据进行R_toa、R_rc和R_ef预处理，对比分析3种预处理情况下的普适性和相关性。然后，基于R_toa输入信号源，采用NDVI、VB-FAH和TCG算法对观测角度、太阳耀斑、云层覆盖等情况的浒苔进行提取，进而通过目视解译和混淆矩阵精度评价方式来对比分析3种算法在不同环境背景下的优势与不足。

1.3.2 浒苔遥感监测算法

采用NDVI、VB-FAH和TCG算法进行浒苔监测对比研究，主要基于以下因素考虑：(1)国产高分辨率卫星传感器波段较少(仅配置蓝、绿、红、近红外波段)，故可适用算法相对较少；(2)相比于辐射传输模型、神经网络模型等复杂算法，NDVI、VB-FAH和TCG均为波段指数算法，容易操作实施，适用于只有4个波段的国产高分辨率卫星影像，如：高分系列、环境系列、资源系列等，其中NDVI算法是目前业务中使用最多的方法。

归一化差值植被指数NDVI能反映出植被的生长状态，主要用于植被信息的监测，浒苔的光谱曲线在可见光—近红外波段与植被的光谱曲线极其相似^[7]，NDVI方法在中、高分辨率卫星的浒苔监测中得到了广泛的应用^[24-27]，计算公式如下：

$ {I_{{\rm{NDV}}}} = \left( {{\rho _{{\rm{nir }}}} - {\rho _{{\rm{red }}}}} \right)/\left( {{\rho _{{\rm{nir }}}} + {\rho _{{\rm{red }}}}} \right), $

(2)

式中，I_NDV为归一化差值植被指数，ρ_nir、ρ_red分别为近红外、红光波段反射率(下同)。

漂浮藻类高度虚拟基线指数VB-FAH是由Xing等^[28]参考FAI算法的设计思路，针对缺少短波红外波段的遥感影像而研发，基于绿光、红光和近红外波段的反射率信息，有效地增强了浒苔与海水的信号差异，提高了浒苔监测精度，计算公式如下：

$ \begin{array}{c} {I_{{\rm{VB}} - {\rm{FAH}}}} = \left( {{\rho _{{\rm{nir }}}} - {\rho _{{\rm{green }}}}} \right) + \left( {{\rho _{{\rm{green }}}} - {\rho _{{\rm{red }}}}} \right) \times \\ \left( {{\lambda _{{\rm{nir }}}} - {\lambda _{{\rm{green }}}}} \right)/\left( {2 \times {\lambda _{{\rm{nir }}}} - {\lambda _{{\rm{red }}}} - {\lambda _{{\rm{green }}}}} \right), \end{array} $

(3)

式中，I_VB-FAH为漂浮藻类高度虚拟基线指数，ρ_green为绿光波段反射率(下同)，λ_nir、λ_red、λ_green分别为近红外、红光、绿光波段中心波长。

绿度指数TCG算法是由Zhang等^[19]在缨帽变换分析基础上提出的一种绿潮遥感监测算法，可应用于高分系列、环境系列、Landsat系列、GOCI等卫星，并取得良好效果，计算公式如下：

$ \begin{array}{c} {I_{{\rm{TCG}}}} = - 0.401 \times {\rho _{{\rm{blue }}}} - 0.171 \times {\rho _{{\rm{green }}}} - 0.498 \times \\ {\rho _{{\rm{red }}}} + 0.75 \times {\rho _{{\rm{nir }}}} \end{array} $

(4)

式中，I_TCG为绿度指数，ρ_blue为蓝光波段反射率。

1.3.3 精度评价

浒苔覆盖面积变化快，采用传统现场调查测量来直接验证卫星监测结果是一个挑战，加之难以获得实测的浒苔覆盖面积，故无法直接进行定量研究。为定量评价各种算法监测精度，采用3种间接验证方法。(1)将不同算法提取的浒苔结果与RGB彩色合成影像进行交叉对比分析。(2)不同算法监测浒苔面积的对比。浒苔的覆盖面积S计算定义为所有浒苔像元面积的总和(S=V_NA×V_SR²；V_NA是浒苔像素数，V_SR是传感器空间分辨率)。其中基于不同指数产品，通过人工选择合理阈值进而提取浒苔像元。(3)针对大量随机选择样本数据集，将算法监测浒苔结果与“真值”构建混淆矩阵，以定量评价不同算法的提取精度^[29]。需要说明的是，“真值”结果来自人工目视判读，以保证高精度的真值结果。

混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示，如表 3所示，统计其分类图中的类别与实际类别之间的混淆程度，对于目标地物而言，F1-score作为综合性指标表达目标地物识别精度的高低^[30]，因此，采用混淆矩阵的F1-score和总体分类精度(overall accuracy，OA)作为不同算法浒苔提取结果精度评价指标。

$ {V_{{\rm{Fl - score }}}} = 2\left( {\frac{{{P_{ii}}}}{{\sum\limits_{i = 1}^n {{P_{ + i}}} }} \times \frac{{{P_{ii}}}}{{\sum\limits_{i = 1}^n {{P_{i + }}} }}} \right)/\left( {\frac{{{P_{ii}}}}{{\sum\limits_{i = 1}^n {{P_{i + }}} }} + \frac{{{P_{ii}}}}{{\sum\limits_{i = 1}^n {{P_{i + }}} }}} \right), $

(5)

式中，V_F1-score为F1-score值，n为地物类型数，P_ii为混淆矩阵第i行第i列的像元数，P_+i表示为混淆矩阵第i类别行的像元总数，P_i+表示混淆矩阵中第i类别列的像元总数。

总体分类精度OA等于被正确分类的像元总和除以总像元数，被正确分类的像元沿混淆矩阵对角线分布，计算公式为

$ {V_{{\rm{OA}}}} = \frac{1}{N}\sum\limits_{i = 1}^n {{P_{ii}}} , $

(6)

式中，V_OA为总体分类精度值，N为总像元数，n为地物类型数，P_ii为混淆矩阵第i行第i列的像元数(即地物i被正确识别的样本量)。

2 结果与分析 2.1 普适性分析

浒苔的早期发现对动态监测、浒苔灾害防御具有重要作用，黄海浒苔灾害一般在5月中旬至下旬暴发^[31]，利用NDVI、VB-FAH和TCG指数对2021年5月21日GF1-WFV晴空影像进行计算，图 3b—d分别为NDVI、VB-FAH和TCG影像图。从图中可以看出，浒苔像元在影像中表现为高值，呈亮色，海水像元为低值，呈暗色，且NDVI、VB-FAH和TCG指数数值的高低分布也较为一致。由NDVI、VB-FAH和TCG算法提取的浒苔分布结果(图 3e—g)可以看出，3种方法提取的浒苔结果在分布和轮廓与假彩色合成影像基本一致，提取浒苔面积分别为39.52、39.20和39.69 km²，说明NDVI、VB-FAH和TCG指数在晴空无云下均有很好的浒苔识别能力。

2.2 不同卫星输入信号对比

为探讨3种卫星输入信号(R_toa、R_rc和R_ef)对3种算法(NDVI、VB-FAH和TCG)提取浒苔的影响，选取2021年7月10日GF1-WFV影像晴空浒苔分布区域，研究区如图 4a所示，分别对影像进行NDVI、VB-FAH和TCG指数计算，图 4b1—b3、c1—c3和d1—d3分别为基于R_toa、R_rc和R_ef信号的NDVI、VB-FAH和TCG影像，从图中可以看出NDVI、VB-FAH和TCG指数在3种输入信号下数值分布较为一致，只是影像中最大、最小值略有差异，浒苔像元为高值，海水像元为低值，浒苔像元与海水像元有较明显的数值区分。

图 5为R_toa与R_rc、R_ef信号的相关性分析，图 5a—c为基于R_toa与R_rc信号的NDVI、VB-FAH和TCG指数相关性统计，决定系数R²超过0.97，图 5d—f为R_toa与R_rc信号的相关性统计，决定系数R²超过0.99，说明在R_toa、R_rc和R_ef信号下NDVI、VB-FAH和TCG指数的效果是高度一致的。R_toa相较于R_rc和R_ef在处理时不需要过多的参数信息以及较长时间，更有利于提升产品服务的时效性，同时基于R_toa计算的NDVI、VB-FAH和TCG指数与基于R_rc和R_ef信号计算的结果高度相关，因此，后续浒苔遥感监测算法对比分析是基于卫星R_toa信号开展的研究工作。

2.3 算法对复杂观测环境的敏感性对比分析

不同环境背景差异会对浒苔提取方法造成影响，不同方法的适用情况也不尽相同，这是由于同种地物的光谱特性会随地理区域的变化发生空间效应^[32]。鉴于海洋水环境和卫星观测环境较为复杂，故针对典型观测环境(背景海水、观测几何条件、云层覆盖、太阳耀斑)，对NDVI、VB-FAH和TCG算法在不同环境背景下的敏感性和监测效果进行讨论。

2.3.1 清澈和浑浊海水背景

为评价NDVI、VB-FAH和TCG指数在不同海水背景下的浒苔识别性能，选择2种覆盖不同海水背景的测试区域(图 6a中红框)进行分析。区域1和2分别为2015年6月6日GF1-WFV假彩色合成影像中清澈海水和浑浊海水区域，图 6c—e和图 6g—i分别为清澈水体和浑浊水体区域的NDVI、VB-FAH和TCG影像，可以看出3种指数在清澈海水和浑浊海水背景下高低值分布较为一致，表现都比较稳定，这说明NDVI、VB-FAH和TCG指数对清澈和浑浊海水背景条件不敏感。

图 7分别为NDVI、VB-FAH和TCG指数在清澈海水和浑浊海水区域的浒苔提取结果，可以看出3种指数提取的浒苔分布和轮廓与假彩色合成影像基本吻合，NDVI、VB-FAH和TCG方法在清澈水体区域提取浒苔面积分别为13.01、13.18和12.95 km²，浑浊水体区域浒苔面积分别为20.59、20.62和20.69 km²，在2种海水背景下，NDVI、VB-FAH和TCG方法提取浒苔面积相近，说明3种方法都有较好的浒苔识别能力。

2.3.2 观测几何条件

为了研究NDVI、VB-FAH和TCG指数对观测几何条件变化的敏感性，利用不同观测角度进行3种算法的差异性分析。在此分析中，基于2021年6月4日GF1-WFV影像人工选择两条跨度较宽的经向线和纬向线(图 8a中蓝线和红线)。图 8b—d为纬向线NDVI、VB-FAH和TCG指数的数值曲线，图中峰值均为浒苔像元；可以看出，VB-FAH和TCG指数沿纬向线在沿岸浑浊海水像元和无浒苔像元情况下，数值波动较小。相比之下，NDVI数值波动较大。图 8e—g为经向线NDVI、VB-FAH和TCG指数的数值曲线，也表现为VB-FAH和TCG指数波动小于NDVI指数。上述结果表明VB-FAH和TCG指数对观测几何角度的变化不敏感，相较于NDVI方法更稳定。

云层覆盖是光学卫星传感器常见的不利观测条件，导致有效的观测显著减少，考虑到光学卫星影像在有云覆盖时，所有基于光学的方法无法监测浒苔信息，同时云像元也会干扰浒苔提取的准确度。在这里，选取2021年6月20日GF1-WFV的一个云层覆盖场景为例(图 9a)，对NDVI、VB-FAH和TCG方法在有云层覆盖背景下的浒苔识别能力进行对比分析。由有云覆盖背景下NDVI、VB-FAH和TCG影像(图 9b—d)，可以看出NDVI和VB-FAH影像中部分云覆盖像元和浒苔像元均为高值，像元值存在重叠，容易将云像元误判为浒苔，而TCG影像中，云覆盖像元与海水像元都为低值，浒苔像元为高值，通过TCG指数的这个属性，浒苔与云有较好的区分能力，从而提高了浒苔识别的精度。

图 9e—g分别为NDVI、VB-FAH和TCG方法的浒苔提取结果，3种方法在浒苔分布区域提取效果与假彩色合成影像较为吻合，但在部分有云覆盖区域，NDVI和VB-FAH方法将云像元误判为浒苔像元(图 9e、f中红圈部分)，而TCG方法较好地将云像元排除，这说明在有云覆盖的情况下，TCG方法能较好地判识出浒苔像元，排除云像元的干扰，而NDVI和VB-FAH方法需要先对影像进行云剔除处理，才能有好的浒苔判识能力。当然，图 9仅展示了个别云覆盖下算法监测情况，并不代表所有云层下的情况。

2.3.3 太阳耀斑背景

基于光学卫星开展浒苔监测时，太阳耀斑可能会导致浒苔判识的不确定性，特别是对于高分辨率卫星图像^[23]。因此，选取弱太阳耀斑和强太阳耀斑2种背景研究NDVI、VB-FAH和TCG指数的浒苔分类能力。图 10a为2016年6月13日GF1-WFV假彩色合成影像的弱太阳耀斑场景，由弱太阳耀斑背景的NDVI、VB-FAH和TCG影像(图 10b—d)能够得到，3种方法影像中浒苔像元为高值，弱太阳耀斑和海水像元为低值，且数值分布较为一致。图 10e—g为NDVI、VB-FAH和TCG方法的浒苔提取结果，可以看出3种方法的浒苔分布、轮廓与假彩色合成影像较为吻合，浒苔提取面积分别为313.95、314.09和311.25 km²，面积差异较小。上述结果表明NDVI、VB-FAH和TCG指数在弱太阳耀斑情况下均有较好的浒苔提取效果，并且不会受到弱太阳耀斑背景的影响。

图 11a为2010年7月4日HJ1A-CCD假彩色合成影像的强太阳耀斑场景，图中红圈为强太阳耀斑区域，图 11b—d分别为强太阳耀斑背景的NDVI、VB-FAH和TCG影像，由图 11b、c可以看出NDVI和VB-FAH影像中浒苔聚集区域为高值，强太阳耀斑区域为次高值，海水像元为低值，在TCG影像(图 11d)中浒苔像元与强太阳耀斑和海水像元具有明显的对比，浒苔像元为高值，强太阳耀斑和海水像元均为低值，浒苔与强太阳耀斑及海水有很好的区分能力。图 11e、f分别为对NDVI和VB-FAH影像的浒苔提取结果，可以看出NDVI和VB-FAH方法提取的浒苔分布与假彩色合成影像较为一致，但部分强太阳耀斑像元被误判为浒苔，特别是VB-FAH方法误判的像元比较多，说明NDVI和VB-FAH方法需要先剔除强太阳耀斑再进行浒苔提取，从而能较为准确地提取浒苔；而TCG方法(图 11g)提取的浒苔效果较好，与假彩色合成影像中浒苔的分布与轮廓较为一致，说明TCG方法在强太阳耀斑背景下更加简单有效，有利于浒苔的快速、精确提取。

2.3.4 算法精度评价对比

为进一步定量评价不同环境背景下的浒苔提取精度，分别从不同遥感影像中人为随机选择浒苔和非浒苔的大量像元样本，进而计算得到不同场景下浒苔验证样本点与3种算法提取结果的精度评价指标F1-score和OA，如图 12所示。在清澈水体、浑浊水体以及弱太阳耀斑背景下，NDVI、VB-FAH和TCG算法的精度指标F1-score和OA均在95%以上。在有云覆盖和强太阳耀斑背景下，TCG方法的评价指标均优于NDVI和VB-FAH方法，F1-score和OA分别超过95.2%和95.0%。综合分析，在5种不同环境背景条件下TCG方法提取浒苔的精度最高，效果最好。

3 结论

以探究面向高分辨率卫星影像的浒苔遥感提取算法在常见复杂环境背景中的适用性为目标，以国产GF-WFV和HJ-CCD传感器为例，对比分析了基于卫星大气层顶反射率为信号的NDVI、VB-FAH和TCG等3种方法在清澈海水、浑浊海水、观测几何角度、云覆盖、太阳耀斑等不同环境背景下的优势和不足，并利用混淆矩阵进行精度评价。研究结果表明：

(1) 在清澈海水、浑浊海水和弱太阳耀斑背景下，NDVI、VB-FAH和TCG算法均有较好的浒苔识别能力，能有效提取浒苔信息，F1-score和OA分别超过了95.6%和95.2%。

(2) 在云覆盖背景下，NDVI和VB-FAH算法容易将云像元与浒苔像元混淆，需要先进行云像元的剔除才能进行有效识别；TCG算法能够较好地将浒苔像元与云像元进行区分，浒苔提取精度指标F1-score和OA分别为98.1%和98.5%。

(3) 在强太阳耀斑背景下，TCG算法的浒苔判识能力优于NDVI和VB-FAH算法，可有效排除强太阳耀斑的干扰，浒苔提取精度指标F1-score和OA分别为95.2%和95.0%。

总之，不同浒苔识别算法在不同环境背景下具有不同的特点，应根据实际情况来选择最合适的算法。此外，在不同的应用场景下，应选择合适的浒苔提取方法，对效率有较高要求的场景，考虑使用操作简单、效率高的波段指数法；在更关注浒苔精细化监测应用场景下，考虑使用高性能的分类器方法，提升浒苔提取的精度。后续将进一步验证不同方法在高分六号、资源系列、Planet等采用新型传感器、具有更高时空分辨率卫星影像中的适用性。