佴兆駿，段洪濤，朱　利，曹志剛，陳曉寧，張玉超，馬榮華

(1：西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，西安 710054)(2：中國科學(xué)院南京地理與湖泊研究所湖泊與環(huán)境國家重點(diǎn)實(shí)驗(yàn)室，南京 210008)(3：環(huán)境保護(hù)部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094)

?

基于環(huán)境衛(wèi)星CCD數(shù)據(jù)的太湖藍(lán)藻水華監(jiān)測(cè)算法研究*

佴兆駿1,2，段洪濤2**，朱利3，曹志剛2，陳曉寧1，張玉超2，馬榮華2

(1：西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，西安 710054)(2：中國科學(xué)院南京地理與湖泊研究所湖泊與環(huán)境國家重點(diǎn)實(shí)驗(yàn)室，南京 210008)(3：環(huán)境保護(hù)部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094)

水體富營養(yǎng)化引起的藍(lán)藻水華問題，是我國湖泊面臨的主要環(huán)境問題，亟需加強(qiáng)現(xiàn)狀監(jiān)測(cè)和變化研究；我國自主研發(fā)的環(huán)境(HJ)衛(wèi)星空間分辨率高，重訪周期短，可用于長(zhǎng)時(shí)間序列藍(lán)藻水華的動(dòng)態(tài)監(jiān)測(cè). 本文利用HJ衛(wèi)星CCD數(shù)據(jù)，通過自動(dòng)控制散點(diǎn)回歸的方法進(jìn)行相對(duì)輻射校正，再將歸一化植被指數(shù)和像元生長(zhǎng)算法相結(jié)合，提出了一種可業(yè)務(wù)化運(yùn)行的藍(lán)藻水華高精度提取算法. 該算法的優(yōu)點(diǎn)為：(1)水華提取時(shí)具有統(tǒng)一的閾值，解決了以往一景影像一個(gè)閾值，無法大規(guī)模批處理的難題；(2)通過對(duì)像元進(jìn)行線性分解，精度可達(dá)到亞像元級(jí)別. 利用該算法對(duì)太湖2009-2014年藍(lán)藻水華進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)2013-2014年太湖藍(lán)藻水華較以往暴發(fā)面積偏小. 研究表明，該算法對(duì)藍(lán)藻水華識(shí)別能力強(qiáng)，自動(dòng)化程度和水華提取精度高，可作為業(yè)務(wù)化算法運(yùn)行.

環(huán)境衛(wèi)星；藍(lán)藻水華；自動(dòng)控制散點(diǎn)回歸；歸一化植被指數(shù)；像元生長(zhǎng)算法；太湖

近年來，由于太湖流域工農(nóng)業(yè)的迅速發(fā)展，大量含有豐富氮、磷等元素的污水和廢水被排入太湖中，這些元素的增加使得水體富營養(yǎng)化，導(dǎo)致水中藍(lán)藻大量生長(zhǎng)，造成水質(zhì)的惡化[1]. 藍(lán)藻水華大面積、長(zhǎng)時(shí)間頻發(fā)，不僅破壞了湖泊水體的正常功能和生態(tài)環(huán)境，也造成漁業(yè)產(chǎn)業(yè)的重大損失，嚴(yán)重威脅飲水安全和人類健康[2]. 衛(wèi)星遙感可以提供大范圍、實(shí)時(shí)、可靠的水華信息，且便于長(zhǎng)期監(jiān)測(cè)[3]，因此已經(jīng)應(yīng)用到湖泊水環(huán)境的監(jiān)測(cè)中. 如何利用衛(wèi)星影像反演水質(zhì)參數(shù)，監(jiān)測(cè)藍(lán)藻水華，獲得水華的分布范圍和面積已成為了國內(nèi)外研究的熱點(diǎn).

目前最常用于水體水質(zhì)監(jiān)測(cè)的衛(wèi)星傳感器有MODIS、MERIS等，國內(nèi)外學(xué)者提出了許多算法，如2005年Gower等針對(duì)MERIS數(shù)據(jù)提出了MCI指數(shù)[4]，利用MERIS傳感器709 nm波段來提取藍(lán)藻水華； 2009年Hu針對(duì)MODIS的Rrc數(shù)據(jù)提出了FAI指數(shù)來提取藍(lán)藻水華[5]，并且于2010年應(yīng)用在太湖的藍(lán)藻水華監(jiān)測(cè)中[6]；2014年Zhang等針對(duì)MODIS影像提出了一種基于亞像元算法估計(jì)藍(lán)藻水華覆蓋面積的研究[7]，該方法相比于傳統(tǒng)的線性分解算法具有更高的精度. MODIS、MERIS數(shù)據(jù)由于具有很高的時(shí)間分辨率，廣泛應(yīng)用于海洋和Ⅱ類水體，但由于空間分辨率較低(MODIS最高250 m，MERIS FR數(shù)據(jù)300 m)，一定程度影響著水華遙感提取的精度.

相對(duì)于MODIS等中等分辨率數(shù)據(jù)，Landsat系列數(shù)據(jù)空間分辨率較高(30 m)，可有效提高藍(lán)藻水華的監(jiān)測(cè)精度. 2011年李旭文等通過比較大量Landsat TM影像提出了CBI藍(lán)藻水華強(qiáng)度指數(shù)[8]. 2015年Oyama等基于Landsat TM/ETM+影像，利用VCI和FAI指數(shù)結(jié)合ETM+第3波段來監(jiān)測(cè)藍(lán)藻水華，并將藍(lán)藻水華強(qiáng)度劃分為6個(gè)等級(jí)[9]. 需要注意的是，Landsat衛(wèi)星重訪周期需要16 d，加上云等天氣條件的影響，使得Landsat影像的使用受到限制[10]，很難滿足業(yè)務(wù)化高頻率監(jiān)測(cè)的要求.

具有高空間分辨率和高時(shí)間分辨率的多時(shí)相影像是進(jìn)行動(dòng)態(tài)變化監(jiān)測(cè)和分析的重要數(shù)據(jù)源[11]，我國自主研發(fā)的環(huán)境衛(wèi)星(HJ)具有A、B兩顆星，組網(wǎng)后重訪周期為2 d，且其搭載的CCD傳感器空間分辨率達(dá)到30 m，因此，環(huán)境衛(wèi)星可作為藍(lán)藻水華長(zhǎng)期監(jiān)測(cè)業(yè)務(wù)化運(yùn)行的觀測(cè)衛(wèi)星. 2011年郭望成根據(jù)FAI指數(shù)，針對(duì)環(huán)境衛(wèi)星提出了CAI指數(shù)進(jìn)行太湖藍(lán)藻水華的提取[12]，CAI指數(shù)的構(gòu)建需要用到HJ-B星的紅外相機(jī)(該相機(jī)重訪周期是4 d)，并且該指數(shù)的建立需要經(jīng)過復(fù)雜的大氣校正過程，傳統(tǒng)的絕對(duì)輻射校正方法需要傳感器定標(biāo)系數(shù)、大氣校正參數(shù)等，這些參數(shù)獲取困難，不利于業(yè)務(wù)化的運(yùn)行. 因此，在這種情況下，常采用相對(duì)輻射校正的方法，通過選取一個(gè)參考影像，將其他不同時(shí)相的影像與參考影像進(jìn)行匹配校正，可以減小傳感器、大氣條件和太陽輻射的影響[13]. 2012年余曉敏進(jìn)行了多時(shí)相遙感影像輻射歸一化不同方法的比較研究，比較了不同相對(duì)輻射歸一化方法的優(yōu)缺點(diǎn)，并提出相對(duì)輻射歸一化方法，相比于絕對(duì)輻射歸一化方法更加方便實(shí)用[14].

基于國內(nèi)外研究的對(duì)比，本文最終選用HJ衛(wèi)星作為太湖長(zhǎng)時(shí)間序列藍(lán)藻水華動(dòng)態(tài)監(jiān)測(cè)的觀測(cè)衛(wèi)星，并嘗試(1)通過自動(dòng)散點(diǎn)控制回歸方法(ASCR)對(duì)長(zhǎng)時(shí)間序列影像進(jìn)行相對(duì)輻射校正，獲取適用于不同期影像藍(lán)藻水華提取的歸一化植被指數(shù)(NDVI)閾值；(2)基于像元生長(zhǎng)算法，精確統(tǒng)計(jì)單個(gè)像元內(nèi)藍(lán)藻水華面積與分布位置；(3)簡(jiǎn)單研究太湖2009-2014年長(zhǎng)時(shí)間序列藍(lán)藻水華時(shí)空分布，并分析變化原因.

1　數(shù)據(jù)與方法

1.1研究區(qū)概況

太湖(30°55′40″～31°32′58″N，119°52′32″～120°36′10″E)水域面積2338.1km2，是我國第三大淡水湖. 太湖地處長(zhǎng)江三角洲腹地，橫跨江、浙兩省，承擔(dān)著無錫、蘇州、上海等地的城鄉(xiāng)供水，服務(wù)范圍超過2000萬人[15]. 近20年來，隨著工農(nóng)業(yè)生產(chǎn)的迅速發(fā)展，太湖水體富營養(yǎng)化嚴(yán)重，每年都會(huì)暴發(fā)大規(guī)模藍(lán)藻水華. 另外，太湖東部沿岸區(qū)水體清澈[16]，生長(zhǎng)著大量的水生植被，對(duì)于藍(lán)藻水華的提取產(chǎn)生較大干擾[17]，因而在本研究中沒有涉及. 另外，為了更好地對(duì)太湖不同區(qū)域藍(lán)藻水華情況進(jìn)行描述，對(duì)太湖進(jìn)行了分區(qū)，具體分區(qū)邊界由水利部太湖管理局提供(圖1).

圖1 太湖地理位置及其分區(qū)Fig.1　Location of Lake Taihu and several lake segments

1.2數(shù)據(jù)選擇與處理

環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星A/B星(HJ-1A/1B)于2008年9月6日發(fā)射成功，A/B星各搭載了兩臺(tái)四波段的CCD相機(jī)[18]. HJ-CCD含有4個(gè)波段，空間分辨率30 m，兩臺(tái)CCD相機(jī)組網(wǎng)后重訪周期僅為2 d(具體參數(shù)見表1)，是比較理想的藍(lán)藻水華監(jiān)測(cè)數(shù)據(jù). 夏、秋季是藍(lán)藻水華暴發(fā)的高頻季節(jié)，冬、春季則沒有或只有零星水華[19]，因此本文最終選取了2009-2014年藍(lán)藻水華暴發(fā)最為頻繁的7-12月無云或少云的55景影像作長(zhǎng)時(shí)間序列監(jiān)測(cè)研究(表2).

表1　HJ衛(wèi)星CCD相機(jī)有效參數(shù)

表2　本研究所獲取的HJ衛(wèi)星影像*

*因云等天氣條件影響有少部分月份沒有可選擇的影像.

根據(jù)研究需要，選擇LANDSAT-8 OLI影像為基準(zhǔn)影像，利用ENVI 5.1下Registration(Select GCPs：Image to Image)進(jìn)行幾何精校正，重采樣方法為雙線性內(nèi)插，對(duì)HJ衛(wèi)星所有影像進(jìn)行校正，校正精度均控制在0.5～1個(gè)像元內(nèi)，使得影像各像元的位置能夠匹配地面相應(yīng)的地物. 具體流程(圖2)為：對(duì)通過幾何精校正的HJ衛(wèi)星影像進(jìn)行相對(duì)輻射校正，利用得到的校正后的影像計(jì)算NDVI指數(shù)，并統(tǒng)計(jì)藻華和非藻華的NDVI閾值，利用這兩個(gè)閾值參與像元生長(zhǎng)算法的運(yùn)算，得到藍(lán)藻水華統(tǒng)計(jì)面積與分布情況，當(dāng)兩次統(tǒng)計(jì)出來的面積小于限差時(shí)，即可輸出該影像的藍(lán)藻水華總面積與分布圖.

圖2 算法流程圖Fig.2　Flowchart of the algorithm progress

1.2.1相對(duì)輻射校正相對(duì)輻射校正可以使得相對(duì)穩(wěn)定的同名地物在不同時(shí)相遙感圖像上輻射值一致，這樣就可以通過不同時(shí)相遙感圖像上輻射值差異來實(shí)現(xiàn)變化監(jiān)測(cè)[20]. 相對(duì)輻射校正是基于同一區(qū)域多時(shí)相影像相同波段的灰度值存在線性關(guān)系的假設(shè)提出來的[21]，采用多時(shí)相影像地物的灰度值代替輻亮度或反射率進(jìn)行校正，通過選定一個(gè)參考影像，將同一地區(qū)范圍其他不同時(shí)相的影像校正到參考影像上. 本文通過對(duì)比不同影像，最終選定2014年1月23日HJ衛(wèi)星影像為參考影像，該影像天氣晴朗無云，且在近紅外(Band4)波段清潔水體的DN值為0，具有良好的光譜動(dòng)態(tài)范圍，影像質(zhì)量好.

傳統(tǒng)相對(duì)輻射校正方法是采用基于全景或波譜穩(wěn)定子集的統(tǒng)計(jì)參數(shù)方法，如最大-最小(MM)歸一化法、平均標(biāo)準(zhǔn)方差法(MS)、全景簡(jiǎn)單線性回歸法(SR)、直方圖匹配(HM)等[22]. 這些方法不能彌補(bǔ)各種氣象條件，特別是兩幅圖像中有一幅出現(xiàn)云蓋或處在不同物候期帶來的不利影響. 此外，在選擇控制像元時(shí)需要不同程度的人工干預(yù)，人為性強(qiáng)[23].

自動(dòng)散點(diǎn)控制回歸(Automatic Scattergram-Controlled Regression，ASCR)方法最初是針對(duì)Landsat影像提出的一種相對(duì)輻射校正方法. 以待校正影像的像元值作為橫軸，以基準(zhǔn)影像的像元值作為縱軸，統(tǒng)計(jì)像元個(gè)數(shù)，會(huì)在圖的低位和高位分別集聚成峰，靠近坐標(biāo)原點(diǎn)DN值較低的像元集群是水，靠近坐標(biāo)中間位置的像元集群是陸地. Landsat有兩個(gè)近紅外波段，而HJ衛(wèi)星CCD傳感器只有一個(gè)近紅外波段.從圖3可以看出，NDVI值散點(diǎn)圖水陸集群分界明顯，因此環(huán)境衛(wèi)星用NDVI值圖像來代替另一個(gè)近紅外波段. 通過兩個(gè)像元集群的中心(在近紅外波段(ilmax3，jlmax3)，(iumax3，jumax3)和NDVI值波段(ilmax4，jlmax4)，(iumax4，jumax4))分別計(jì)算兩條峰值點(diǎn)間連線的斜率和截距. 不變像元的像元集NC可表達(dá)為：

(1)

(2)

式中，a3、a4是兩散點(diǎn)圖所對(duì)應(yīng)的兩條基線的斜率，b3、b4是截距；x3、x4是待校正影像的像元值；y3、y4是參考影像的像元值；HVWNC是不變區(qū)域像元集選擇的限制條件，由HPWNC控制，HPWNC是不變區(qū)域一側(cè)的垂直寬度. 以此為約束條件，尋找出所有滿足條件的像元集，使用同時(shí)滿足兩個(gè)波段的約束條件來確定像元集，使得不變像元的篩選更加可靠.

圖3 環(huán)境衛(wèi)星近紅外波段影像(a)和NDVI值影像(b)與參考影像對(duì)應(yīng)的散點(diǎn)圖Fig.3　Scatterplot of near-infrared(a) and NDVI (b) images with reference images

若要得到校正影像的增益系數(shù)和偏置系數(shù)，需要計(jì)算像元集對(duì)應(yīng)波段的均值和S值：

(3)

(4)

(5)

1.2.2NDVI提取藍(lán)藻水華NDVI指數(shù)對(duì)植被敏感，藍(lán)藻在光譜上具有明顯植被的特征. 在內(nèi)陸水體藍(lán)藻水華的監(jiān)測(cè)中，使用紅和近紅外波段可以有效減少使用藍(lán)綠波段時(shí)大氣的影響和CDOM的干擾問題，因此本文選用NDVI作為監(jiān)測(cè)藍(lán)藻水華暴發(fā)情況的基本指數(shù).

對(duì)經(jīng)過相對(duì)輻射校正的影像計(jì)算NDVI指數(shù)，區(qū)分水華區(qū)與非水華區(qū)最關(guān)鍵的步驟就是確定分割的閾值. 傳統(tǒng)的目視解譯主觀性強(qiáng)，閾值具有不確定性. 藻華與非藻華區(qū)NDVI值相差明顯，分界區(qū)域坡度差異大，因此，利用該特點(diǎn)采用坡度與統(tǒng)計(jì)分析的方法來確定藍(lán)藻水華閾值.

圖4是2011年12月12日影像閾值的確定過程，圖4a是NDVI指數(shù)影像，太湖范圍內(nèi)高亮度區(qū)域?yàn)樗{(lán)藻水華，暗像元處為水體；圖4b是利用Arc GIS中SLOPE工具計(jì)算出來的坡度圖；圖4c是坡度圖中較大的坡度掩膜圖，對(duì)比圖4a可以看出，掩膜出來坡度較大的地方處于藍(lán)藻水華與清潔水體的分界線附近；圖4d是掩膜圖像與原NDVI影像的乘積. 這樣，統(tǒng)計(jì)出來圖4d中的像元值為藍(lán)藻水華與清潔水體分界線處的NDVI值，對(duì)這些值進(jìn)行統(tǒng)計(jì)分析確定該景影像的NDVI閾值.

圖4 2011年12月12日NDVI閾值提取流程：(a)NDVI指數(shù)影像；(b)坡度圖;(c)高坡度提取圖;(d)藍(lán)藻水華邊界圖Fig.4　NDVI threshold extraction flow chart: (a) Image of NDVI; (b) Image of slope; (c) Image of high slope; (d) Cyanobacteria bloom boundary map

根據(jù)上述步驟對(duì)最終提取出來藍(lán)藻水華邊界圖像(圖4d)的像元值做出統(tǒng)計(jì)直方圖，根據(jù)統(tǒng)計(jì)信息，利用均值減去兩倍的標(biāo)準(zhǔn)差確定該影像的藍(lán)藻水華提取閾值為-0.054(圖5).

依據(jù)上述坡度與統(tǒng)計(jì)分析的方法求出每幅影像的閾值，作出統(tǒng)計(jì)直方圖，由于所選影像中有部分影像沒有藍(lán)藻水華，因此參與閾值計(jì)算的影像只有45幅，對(duì)這些閾值進(jìn)行平均處理，最終得到分離藍(lán)藻水華與清潔水體區(qū)域的閾值為-0.070(圖6)，該閾值作為像元生長(zhǎng)算法中純藍(lán)藻水華像元的輸入閾值.

圖5 NDVI藍(lán)藻水華分界數(shù)據(jù)直方圖Fig.5　The histogram of NDVI cyanobacteria bloom boundary

圖6 NDVI閾值統(tǒng)計(jì)直方圖Fig.6　Threshold histogram of NDVI

1.2.3像元生長(zhǎng)算法統(tǒng)計(jì)面積利用NDVIalgae=-0.07提取出高濃度的藍(lán)藻水華，但影像上也存在著許多水和藍(lán)藻的混合像元，為了更精確地統(tǒng)計(jì)面積和了解藍(lán)藻的分布，因此在NDVI閾值提取的基礎(chǔ)上再采用像元生長(zhǎng)算法來統(tǒng)計(jì)面積，可以獲得單個(gè)混合像元內(nèi)藍(lán)藻水華的比例和面積. 像元生長(zhǎng)算法的流程是先利用3*3窗口從輸入的NDVI影像中尋找NDVI最大值和最小值并記錄它們的位置，求得分解系數(shù)y：

NDVIcenter=y·NDVImax+(1-y)NDVImin

(6)

式中，y是3*3窗口中心像元NDVI值和窗口內(nèi)最大、最小NDVI值的分解系數(shù).

在混合像元中的藍(lán)藻覆蓋面積是由純藍(lán)藻面積的覆蓋面積比例a決定的：

(7)

式中，NDVIalgae為高濃度藍(lán)藻閾值(-0.07)，大于該閾值的像元藍(lán)藻面積覆蓋度為1，NDVInonalgae為清潔水體不含藍(lán)藻的閾值(-0.44)，小于該閾值的像元藍(lán)藻面積覆蓋度為0.

圖7 HJ衛(wèi)星藍(lán)藻水華面積像元生長(zhǎng)算法迭代統(tǒng)計(jì)Fig.7　Changes in the HJ satellite-derived algae coverage area

與中心像元NDVI閾值一樣，每個(gè)中心像元藍(lán)藻的覆蓋面積也是由3*3窗口鄰域中最大和最小覆蓋面積像元決定的，因此中心像元的覆蓋面積定義為：

acenter=y·amax+(1-y)amin

(8)

其中，amax和amin分別是3*3窗口像元中最大和最小面積覆蓋度值.

利用3*3窗口遍歷每個(gè)像元，根據(jù)公式7求得中心像元的蓋度比例，并累計(jì)求得總面積. 最終判斷相鄰兩次求得的面積差是否滿足約束條件，不滿足則繼續(xù)迭代循環(huán)直到總面積趨于穩(wěn)定. 隨機(jī)挑選了3個(gè)日期的藍(lán)藻水華迭代面積做迭代統(tǒng)計(jì)(圖7)，可以看出影像迭代3～4次之后，相鄰兩次面積的差小于1 km2，藍(lán)藻水華總面積趨于穩(wěn)定.

2　結(jié)果與分析

2.1相對(duì)輻射校正結(jié)果驗(yàn)證

選取了2012年校正后的3幅影像用于相對(duì)輻射校正結(jié)果的驗(yàn)證. 通過隨機(jī)抽選3幅影像上相同位置處的灰度值，進(jìn)行線性回歸比較發(fā)現(xiàn)，任意2幅影像的回歸方程斜率均在1左右，且R2在0.9以上(圖8)，該結(jié)果說明校正結(jié)果較為理想. 因此，自動(dòng)散點(diǎn)控制回歸方法可以用于對(duì)影像做相對(duì)輻射校正.

自散點(diǎn)控制回歸方法相比于其他的線性相對(duì)輻射校正方法具有諸多優(yōu)點(diǎn)：對(duì)于云/陰影/雪的影響具有一定的削弱作用；使用了影像當(dāng)中大部分的像素；歸一化誤差分布給不同的陸地覆蓋類型避免了一些特定訓(xùn)練區(qū)樣本選取的誤差的積累；消除了亮暗像元選擇的必要性；相比較其它的經(jīng)驗(yàn)方法減少了人為的干預(yù)，節(jié)約了時(shí)間和人力[24]. 但相對(duì)輻射校正不能消除云和大氣的干擾，幾何配準(zhǔn)的精度一定程度上也會(huì)影響相對(duì)輻射校正的結(jié)果.

圖8 自動(dòng)散點(diǎn)控制回歸方法驗(yàn)證Fig.8　Validations of Automatic Scattergram-Controlled Regression

2.2太湖藍(lán)藻水華提取結(jié)果評(píng)價(jià)

為了對(duì)本算法提取結(jié)果進(jìn)行驗(yàn)證，通過對(duì)比環(huán)境衛(wèi)星影像、NDVI值圖像和像元生長(zhǎng)算法統(tǒng)計(jì)圖像(圖9)，可以看出圖9b和圖9e的NDVI圖像中藍(lán)藻水華與清潔水體的分界過于粗糙，面積偏小，而圖9e和圖9f像元生長(zhǎng)算法影像提取出來的藍(lán)藻水華與清潔水體的分界紋理清晰，空間分布與原圖像一致、更加合理. 并且像元生長(zhǎng)算法統(tǒng)計(jì)出的影像可以清楚地獲得每個(gè)像元藍(lán)藻水華的覆蓋程度，便于更加直觀地了解每個(gè)區(qū)域藍(lán)藻水華的暴發(fā)程度.

圖9 環(huán)境衛(wèi)星原圖像、NDVI值圖像和像元生長(zhǎng)算法提取圖像的對(duì)比(圖d、e、f是圖a中紅色方框放大顯示的區(qū)域)Fig.9　Comparisons between images, NDVI and APA values from HJ-CCD data

此外，通過對(duì)比圖10a、b、c中紅色方框處可以發(fā)現(xiàn)，原影像有云的區(qū)域，NDVI值會(huì)上升，對(duì)藍(lán)藻水華的提取產(chǎn)生干擾，而通過APA算法提取的影像有效抑制了云的干擾；通過圖10d、e、f中紅色方框處的對(duì)比可以發(fā)現(xiàn)，原影像因成像時(shí)產(chǎn)生的條帶干擾也會(huì)導(dǎo)致NDVI值出現(xiàn)異常，而APA算法提取的藍(lán)藻水華影像也會(huì)對(duì)此產(chǎn)生抑制作用. 因此，通過像元生長(zhǎng)算法提取藍(lán)藻水華具有更加直觀、準(zhǔn)確和穩(wěn)定的效果.

2.3太湖藍(lán)藻水華時(shí)空變化

對(duì)2009-2014年下半年所選的所有影像進(jìn)行藍(lán)藻水華的提取和面積的統(tǒng)計(jì)可以看出，2010-2012年太湖水體狀態(tài)較為惡劣. 從影像日期可以看出太湖每年最大面積藍(lán)藻水華暴發(fā)時(shí)間發(fā)生在秋季. 從藍(lán)藻水華分布的空間可以看出西太湖、竺山灣和梅梁灣水華嚴(yán)重，暴發(fā)頻率較大，嚴(yán)重時(shí)會(huì)發(fā)展到湖心區(qū)，南部沿岸和貢湖灣水體狀況最好，很少出現(xiàn)水華(圖11).

取每月最大藍(lán)藻水華暴發(fā)面積作為當(dāng)月的藍(lán)藻水華暴發(fā)面積，對(duì)2009-2014年間所選所有影像進(jìn)行藍(lán)藻水華暴發(fā)面積信息的統(tǒng)計(jì)(圖12a)，可以看出夏季尤其是7月份，符合要求的影像很少，這主要是多云雨天氣造成的，但從僅有的影像可以看出2013和2014年7月份太湖藍(lán)藻水華暴發(fā)面積較小，水體狀況較好. 秋季是太湖藍(lán)藻水華最為嚴(yán)重的季節(jié)，面積上來看秋季藍(lán)藻水華面積最大，其中水華暴發(fā)最為嚴(yán)重的就是8、9月，這是因?yàn)樵跔I養(yǎng)鹽充足的條件下，溫度和光照是影響藍(lán)藻水華的主要因子. 在夏季，溫度超過35℃以后，藍(lán)藻會(huì)因?yàn)榕聼?，更傾向于在水面下；秋季，由于溫度適宜，反而造成藍(lán)藻顆粒漂浮于水面，水華大規(guī)模暴發(fā). 冬季較秋季藍(lán)藻水華面積略有下降，但仍存在，這是因?yàn)榻陙砗此h(huán)境的惡化導(dǎo)致藍(lán)藻水華持續(xù)時(shí)間增長(zhǎng).

圖10 像元生長(zhǎng)算法圖像適用性評(píng)價(jià)Fig.10 Applicability evaluation of APA values from HJ-CCD data

圖11 2009-2014年藍(lán)藻水華最大暴發(fā)面積比較Fig.11 The comparison of max cyanobacteria bloom area from 2009 to 2014

從2010年開始太湖水質(zhì)呈下降趨勢(shì)，藍(lán)藻水華暴發(fā)加劇，面積增大，但從2013年開始水質(zhì)出現(xiàn)改善，2013和2014年太湖藍(lán)藻水華暴發(fā)面積小，水體狀況好(圖12b).

圖12 月際間(a)和年際間(b)藍(lán)藻水華面積比較Fig.12 The comparison of cyanobacteria bloom area in different months(a) and years(b)

3　結(jié)論

本文通過自動(dòng)散點(diǎn)控制回歸的方法對(duì)2009-2014年下半年影像進(jìn)行相對(duì)輻射校正，利用NDVI閾值提取高濃度藍(lán)藻水華，再結(jié)合像元生長(zhǎng)算法進(jìn)一步獲取藍(lán)藻水華的面積和空間分布情況，該方法較精確地獲取了太湖藍(lán)藻水華暴發(fā)面積和分布狀況. 僅利用HJ衛(wèi)星CCD傳感器所拍攝的影像，無需經(jīng)過復(fù)雜的大氣校正，也不用獲得傳感器的定標(biāo)系數(shù)和大氣校正參數(shù)，為該方法的業(yè)務(wù)化運(yùn)作提高了可行性；并且從結(jié)果來看該方法對(duì)云、影像條帶等具有一定的抗干擾能力，提取的藍(lán)藻水華在空間上分布合理、可靠. 從該方法提取的藍(lán)藻水華結(jié)果來看，2009年太湖水體環(huán)境較好，2010-2012年太湖藍(lán)藻水華暴發(fā)面積增大，但從2013年之后水體環(huán)境得到了改善. 今后，可以依據(jù)本研究的思路對(duì)提取指數(shù)的選擇和相對(duì)輻射校正的方法進(jìn)行改進(jìn)，以便應(yīng)對(duì)更復(fù)雜的大氣狀況，更精確地獲取藍(lán)藻水華的面積和空間分布情況.

致謝：感謝中國科學(xué)院南京地理與湖泊研究所“湖泊-流域科學(xué)數(shù)據(jù)共享平臺(tái)”提供數(shù)據(jù).

[1]劉文杰. 內(nèi)陸湖泊藍(lán)藻水華的遙感監(jiān)測(cè)與評(píng)價(jià)研究[學(xué)位論文]. 北京: 中國地質(zhì)大學(xué), 2013.

[2]肖永輝. 巢湖富營養(yǎng)化連續(xù)在線監(jiān)測(cè)與藍(lán)藻水華預(yù)警[學(xué)位論文]. 揚(yáng)州: 揚(yáng)州大學(xué), 2011.

[3]孔維娟, 馬榮華, 段洪濤等. 太湖秋冬季藍(lán)藻水華MODIS衛(wèi)星遙感監(jiān)測(cè). 遙感信息, 2009, 104: 80-85.

[4]Gower J, King S, Borstad Getal. Detection of intense plankton blooms using the 709 nm band of the MERIS imaging spectrometer.InternationalJournalofRemoteSensing, 2005, 26(9): 2005-2012.

[5]Hu CM. A novel ocean color index to detect floating algae in the global oceans.RemoteSensingofEnvironment, 2009, 113: 2118-2129.

[6]Hu CM, Lee ZP, Ma RHetal. Moderate Resolution Imaging Spectroradiometer (MODIS) observations of cyanobacteria blooms in Taihu Lake, China.JournalofGeophysicalResearch, 2010, 115: 4002-4020.

[7]Zhang YC, Ma RH, Duan HTetal. A novel algorithm to estimate algal bloom coverage to subpixel resolution in Lake Taihu.IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing, 2014, 7(7): 3060-3068.

[8]李旭文, 牛志春, 姜晟等. 基于衛(wèi)星影像的太湖藍(lán)藻水華遙感強(qiáng)度指數(shù)和等級(jí)劃分算法設(shè)計(jì). 環(huán)境監(jiān)測(cè)管理與技術(shù), 2011, 5: 23-31.

[9]Oyama Y, Fukushima T, Matsushita Betal. Monitoring levels of cyanobacterial bloom using the visual cyanobacteria index (VCI) and floating algae index (FAI).InternationalJournalofAppliedEarthObservationandGeoinformation, 2015, 38: 335-348.

[10]Roy DP, Ju J, Lewis Petal. Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data.RemoteSensingofEnvironment, 2008, 112: 3112-3130.

[11]Hajj ME, Bégué A, Lafrance Betal. Relative radiometric normalization and atmospheric correction of a SPOT 5 time series.Sensors, 2008, 8: 2774-2791.

[12]郭望成. 基于環(huán)境1號(hào)衛(wèi)星的藍(lán)藻水華提取方法研究[學(xué)位論文]. 南京: 南京師范大學(xué), 2011.

[13]張友水, 馮學(xué)智, 周成虎. 多時(shí)相TM影像相對(duì)輻射校正研究. 測(cè)繪學(xué)報(bào), 2006, (2): 122-128.

[14]余曉敏, 鄒勤. 多時(shí)相遙感影像輻射歸一化方法綜述. 測(cè)繪與空間地理信息, 2012, (6): 8-13.

[15]王蘇民, 竇鴻身. 中國湖泊志. 北京:科學(xué)出版社, 1998: 230.

[16]Ma RH, Tang JW, Dai JF. Bio-optical model with optical parameter suitable for Taihu Lake in water color remote sensing.InternationalJournalofRemoteSensing, 2006, 27(19): 4305-4328.

[17]馬榮華, 段洪濤, 張壽選等. 太湖草型湖區(qū)底質(zhì)對(duì)遙感反射比的貢獻(xiàn). 遙感學(xué)報(bào), 2008, 13(3): 483-489.

[18]Li JS, Shen Q, Zhang Betal. Retrieving total suspended matter in Lake Taihu from HJ-CCD near-infrared band data.AquaticEcosystemHealth&Management, 2014, 17(3): 280-289.

[19]徐昕. 基于MODIS的富營養(yǎng)化湖泊藍(lán)藻水華時(shí)空分布及氣象影響分析[學(xué)位論文]. 南京: 南京師范大學(xué), 2012.

[20]鄧書斌, 武紅敢, 江濤. 遙感動(dòng)態(tài)監(jiān)測(cè)中的相對(duì)輻射校正方法研究. 遙感應(yīng)用, 2008, 98: 71-76.

[21]余曉敏, 陳云浩. 基于改進(jìn)的自動(dòng)散點(diǎn)控制回歸算法的遙感影像相對(duì)輻射歸一化. 光學(xué)技術(shù), 2007, 2: 185-189.

[22]Yuan D, Elividge C. Comparison of relative radiometric normalization techniques.ISPRSJournalofPhotogrammetry&RemoteSensing, 1996, 51: 117-126.

[23]陳崇成, 黃方紅, 黃絢. 自動(dòng)散點(diǎn)控制回歸技術(shù)在遙感數(shù)據(jù)輻射歸一化中的應(yīng)用. 地球信息科學(xué), 2000,2: 52-56.

[24]Elvidge CD, Yuan D, Weerackoon RDetal. Relative radiometric normalization of landsat multispectral scanner (MSS) data using an automatic scattergram-controlled regression.PhotogrammetricEngineeringandRemoteSensing, 1995, 6110: 1255-1260.

A novel algorithm to monitor cyanobacterial blooms in Lake Taihu from HJ-CCD imagery

NAI Zhaojun1,2, DUAN Hongtao2**, ZHU Li3, CAO Zhigang2, CHEN Xiaoning1, ZHANG Yuchao2& MA Ronghua2

(1:CollegeofSurveyingandMappingScienceandTechnology,Xi’anUniversityofScienceandTechnology,Xi’an710054,P.R.China)(2:StateKeyLaboratoryofLakeScienceandEnvironment,NanjingInstituteofGeographyandLimnology,ChineseAcademyofSciences,Nanjing210008,P.R.China)(3:EnvironmentSatelliteCenter,MinistryofEnvironmentalProtection,Beijing100094,P.R.China)

Cyanobacterial blooms are common occurrences in eutrophic lakes, and it’s urgent to monitor their area and extent effectively by remote sensing. HJ-CCD satellite data has high spatial and temporal resolution and is suitable for detecting cyanobacterial blooms of long time. In this study, relative radiometric correction of HJ-CCD images was processed using the Automatic Scattergram-Controlled Regression method to eliminate the radiometric problems. Then, a high-precision extraction algorithm of cyanobacterial blooms was put forward by combination of Normalized Difference Vegetation Index and Algae Pixel-growing Algorithm. This method provides an uniform threshold for the different HJ-CCD images and can extract blooms information of sub-pixel. Using this algorithm to monitor cyanobacterial bloom in Lake Taihu from 2009 to 2014, we found that the area of cyanobacterial blooms decreased during 2013 and 2014. The result indicated that this algorithm could identify the cyanobacteria bloom effectively and automatically with high accuracy.

HJ-CCD satellite data; cyanobacteria bloom; Automatic Scattergram-Controlled Regression; Normalized Difference Vegetation Index; Algae Pixel-growing Algorithm； Lake Taihu

J.LakeSci.(湖泊科學(xué))， 2016， 28(3)： 624-634

10.18307/2016.0319

?2016 byJournalofLakeSciences

*國家高技術(shù)研究發(fā)展計(jì)劃“863”項(xiàng)目(2014AA06A509)資助. 2015-06-26收稿；2015-09-17收修改稿. 佴兆駿(1990～)，男，碩士研究生；E-mail：naizhaojun@163.com.

**通信作者；E-mail：htduan@niglas.ac.cn.