姜曉鵬，高志強，吳曉青，王躍啟，寧吉才

(1.中國科學院海岸帶環(huán)境過程與生態(tài)修復重點實驗室，山東煙臺264003；2.中國科學院大學，北京100049；3.中國科學院煙臺海岸帶研究所山東省海岸帶環(huán)境過程重點實驗室，山東煙臺264003)

1 引言

自2007年夏季，黃海綠潮已連續(xù)暴發(fā)14年，成為黃海海域一種常態(tài)化的海洋生態(tài)災害[1–2]，對青島、海陽、日照等沿海城市的濱海旅游、海水養(yǎng)殖、生態(tài)環(huán)境等造成了嚴重的危害[3]。已有研究確認了黃海綠潮的原因種為滸苔(Ulva prolifera)[4–5]，通過野外調查、遙感以及數(shù)值模擬等手段證明了黃海綠潮最初起源于蘇北淺灘海域[6–7]，然后向北進入黃海，邊漂移邊生長，并最終在山東半島東部沿海聚集堆積[8–10]。黃海綠潮具有長時間跨區(qū)域輸運、異地成災的特點，準確掌握其漂移速率、方向與軌跡等動態(tài)信息，能為綠潮災害預警與防控提供重要參考。

以往綠潮漂移速度的研究數(shù)據(jù)多源于衛(wèi)星遙感。如衣立等[11]利用2009年6月24?25日的MODIS的綠潮影像，提取了黃海3個區(qū)域的綠潮漂移速率，分別為0.2 m/s、0.4 m/s和0.12 m/s；夏深圳[12]基于MODIS與GOCI數(shù)據(jù)，估算了2013?2015年黃海綠潮漂移速率的變化范圍，為0.01 ～0.98 m/s，并指出綠潮漂移速度存在明顯的時變特征。陳曉英等[13]利用GF-4衛(wèi)星影像，基于最大相關系數(shù)法追蹤綠潮，分析了9時與15時綠潮漂移速度的不同變化。從MODIS的1 d，到GOCI的1 h，再到GF-4衛(wèi)星的20 s，雖然所用影像的時間分辨率不斷提高，但衛(wèi)星遙感極易受到天氣及云層的干擾，如2013?2015年5?7月的MODIS數(shù)據(jù)中，可用于綠潮速度研究的影像只占20.7%[12]。GF-4衛(wèi)星在南黃海區(qū)域的重訪周期并不恒定，不能滿足綠潮災害應急監(jiān)測的要求，且MODIS與GOCI的空間分辨率分別為250m與500m，低分辨率的影像中存在著大量的混合像元[14?15]，從而影響綠潮提取及速度估算的精度。

無人機遙感具有時空分辨率高、不受云層干擾等優(yōu)勢，能根據(jù)任務需求靈活開展航測作業(yè)，在陸地災害評估、測繪、作物估產等方面發(fā)揮了重要的作用，是地面調查與衛(wèi)星遙感的重要補充[16]。近年來，隨著小型旋翼無人機技術的發(fā)展，無人機應用也逐漸擴展到海洋環(huán)境監(jiān)測[17]、綠潮初始生物量估算[18]等海洋研究領域。無人機與科考船的聯(lián)合作業(yè)，可發(fā)揮船載設備能同時獲取海上氣象、水文等數(shù)據(jù)的優(yōu)勢。

本文利用科考船作為無人機起降平臺，首次獲取了雙時相的綠潮正射影像，基于可見光波段的漂浮藻類指數(shù)（RGB-FAI）[19]提取了無人機可見光影像中的綠潮，計算出高精度的綠潮漂移速度，并與GOCI影像反演的速度結果進行對比。同時結合船載氣象儀的風速數(shù)據(jù)與已有研究的潮流數(shù)據(jù)，分析了綠潮漂移對風與潮流的響應。本文以期擴展無人機在綠潮監(jiān)測方面的應用，為綠潮災害的應急預警與防災減災提供高精度的技術支撐。

2 數(shù)據(jù)與方法

2.1 研究區(qū)

研究區(qū)位于南黃海海域（圖1）。南黃海為山東半島成山角與朝鮮半島長山串連線南部的黃海區(qū)域，面積約為30.9×104km2，平均水深約46m，其西部沿岸海域為規(guī)則半日潮。南黃海受東亞季風影響，秋、冬季盛行北風或西北風，平均風速達6～8m/s，海流多為偏南向流。春季，風向多變，風力減弱；夏季，東亞夏季風與副熱帶高壓帶來平均風速為4～6m/s的偏南風，海流為偏北向流，海表面溫度達到一年中的最大值[13,20]。2007年后，南黃海在每年的春夏季都會出現(xiàn)大規(guī)模的綠潮，其通常開始于3月末至4月的蘇北淺灘海域，約5月中下旬進入暴發(fā)期，自7月則逐漸衰退，直至最終消亡[21]。

2.2 無人機數(shù)據(jù)及預處理

利用大疆“悟1”無人機獲取3個站點（圖1）的海上綠潮影像。該四旋翼無人機體積小，為垂直起降方式，可在小面積場地起降，其慣性測量單元模塊以及最大5級的抗風能力，能保證無人機在海上復雜氣象條件下的飛行姿態(tài)穩(wěn)定。該無人機采用GLONASS+GPS雙系統(tǒng)定位，搭載4K可見光高清鏡頭，獲取的航拍圖像具有坐標信息，在小范圍的大比例尺測圖中已得到了應用與精度驗證[22]。無人機對綠潮進行航測作業(yè)時，以科考船甲板為起降平臺，飛行高度盡可能使單幅圖片能容納所拍攝的綠潮斑塊寬度，并保證圖像的航向重疊度大于60%，以滿足后期圖像拼接的要求。對漂移的同一綠潮斑塊分別執(zhí)行2次航拍（圖2），生成其在2個時相的數(shù)字正射影像。

圖1 航拍站點、驗潮站及研究區(qū)示意圖Fig.1 Map of aerialphotography sites,tide station and study area

圖2 船載無人機獲取綠潮正射影像示意圖Fig.2 Green-tidalorthophoto taken by ship-borne unmanned aerialvehicle (UAV)

2.3 基于無人機RGB影像的綠潮提取方法

采用RGB-FAI與閾值分割法提取無人機正射影像中的綠潮。RGB-FAI是一種基于基線校正思想，用于從可見光影像中提取綠潮的植被指數(shù)，其提取精度高，并能適用于薄霧氣象條件下對零散、小面積綠潮斑塊的提取與監(jiān)測[19]。RGB-FAI的算術公式如下：

式中，R表示反射率或像元值；λ表示中心波長，下標red、green、blue分別表示紅光波段、綠光波段、藍光波段，其中，λred=700 nm, λgreen= 546.1 nm,λb=lu4e35.8 nm[23]。

由于綠潮不斷漂移，為減小速度估算的誤差，在整個綠潮斑塊選取一定數(shù)量的子斑塊，通過計算子斑塊速度的平均值來表示該站點綠潮的漂移速度。首先，子斑塊的選取原則為：（1）盡可能均勻分布在整個綠潮范圍內；（2）子斑塊形狀清晰、明顯，容易識別；（3）形態(tài)特征在兩幅影像中基本不變。其次，為保證兩個時相影像中相同子斑塊的代表點位一致，利用A rcmap軟件的Mean Center工具生成這些子斑塊的地理中心點。然后，量測各地理中心點（子斑塊）的位移，通過子斑塊所在圖像的拍攝時間獲得其漂移時長，最終可計算出各個子斑塊的漂移速率與方向，并求出它們的平均值。整個綠潮漂移速率Vave為這些子斑塊漂移速率的算術平均值，而漂移方向Dirave取子斑塊的矢量平均值，兩者的計算公式如下：

式中，i與n分別代表子斑塊及其數(shù)量；S、t和Dir分別表示漂移的距離、時間和方向。

2.4 GOCI影像數(shù)據(jù)及其綠潮提取方法

GOCI（Geostationary Ocean Color Imager）影像從韓國海洋衛(wèi)星中心網站（http://kosc.kiost.ac.kr/）下載，影像包含從412～865 nm的可見光及近紅外光共8個波段，每天可提供從北京時間08:30?15:30的8景逐小時影像，其時間分辨率（1 h）和空間分辨率（500m）優(yōu)勢可用于黃、渤海及東海海域的海洋環(huán)境監(jiān)測[24]。

GOCI影像首先利用GDPS（GOCIData Processing System）進行輻射校正，然后基于GLT（Geographic Lookup Table）進行幾何校正，選取并裁切出2幅影像中同時未被云層遮擋的海域。參考已有的綠潮提取算法研究，采用NDVI指數(shù)[25?26]，并基于Jenks的自然斷裂點分級法和目視解譯，提取海水中的綠潮。其中，NDVI=(RNIR?RRED)/(RNIR+RRED)，RNIR、RRED分別對應于GOCI影像的第7近紅外波段（波長為745 nm）與第5紅光波段（波長為660 nm）。

2.5 風速與潮流數(shù)據(jù)

2.5.1 數(shù)據(jù)來源

本文的風速數(shù)據(jù)分為航次站點的風速數(shù)據(jù)與南黃海區(qū)域的風場數(shù)據(jù)。航次站點的風速數(shù)據(jù)來源于中國科學院海洋研究所海洋大數(shù)據(jù)中心（http://msdc.qdio.ac.cn/）在2019年6月的透明海洋共享航次，由“科學三號”的“XZC6-1型船用自動氣象儀”所獲取的1min平均真風速、真風向數(shù)據(jù)。海域的風場數(shù)據(jù)來源于歐洲中期天氣預報中心（ECWMF）發(fā)布的再分析資料（ERA 5），從中提取出南黃海海域在6月19日當天1 000 hPa大氣壓下，海面10m高處的逐小時風場數(shù)據(jù)，空間分辨率為0.25 °×0.25 °。

潮流數(shù)據(jù)引用了已發(fā)表的成果，為南黃海6月表層的漲落潮流數(shù)據(jù)。此外，潮汐表用于查詢站點作業(yè)時的潮位，其來源于中國海事服務網（https://www.cnss.com.cn/tide/），考慮到站點S1、S2所在的緯度（36°N）與青島港驗潮站（36°04′N）相近，站點S3的緯度（35°N）與嵐山港驗潮站（35°05′N）相近（圖1），因此分別選取了青島港2019年6月19日與嵐山港2019年6月16日的潮汐表的潮位數(shù)據(jù)。

2.5.2 站點有效風速數(shù)據(jù)的選取與處理

由船載氣象儀記錄的風速數(shù)據(jù)可知，風速在作業(yè)時段變化較大。若航拍所記錄的綠潮漂移時間段為T0～T1，則作用于該時段綠潮漂移的有效風速時段，并不等同于船載氣象儀風速資料中的T0～T1。這是由于以下兩點：第一，各個站點中，科考船與航拍綠潮的距離有數(shù)百米至1 km，風通過這段距離，需要一定時間（設為△t，單位：m in）；第二，綠潮漂移具有慣性，對風等外力驅動作用有一定的滯后時間，本文將該響應時間設為2m in。通過量測各站點船載氣象儀與綠潮中心在風向上的投影位移，結合風速，可估算出△t。當科考船位于綠潮的上風向時，將航拍記錄的時段整體前移△t，選取的有效風速時段為T0?△t?2～T1?△t；下 風 向 時，則 整 體 后 移△t，為T0+△t?2～T1+△t。則站點S1、S2和S3的△t的值分別為?1m in、5m in、5m in。各站點選取的有效風時段如圖3 中的紅色豎線間所示。

圖3 3個站點作業(yè)期間的1m in平均風速矢量Fig.3 The 1-minuteaverage wind data of threesites during operation

最后，用選取時間段內的1 min平均真風速和風向數(shù)據(jù)來計算風速的算術平均值V風速和風向的矢量平均值Dir風向，表示作用于綠潮漂移的有效風。兩者的計算公式如下：

式中，Vi代表第i時刻的1m in平均真風速；Diri代表第i時刻的1min平均真風向。

3 結果與分析

3.1 基于RGB-FAI指數(shù)提取綠潮斑塊

用RGB-FAI分別提取3個站點中的綠潮。為檢驗該指數(shù)提取綠潮的精度，從S1站點的綠潮分布圖中，截取寬為317 m、長為662 m的矩形區(qū)作為樣例（圖4 a），計算其RGB-FAI（圖4 b），并設定閾值提取出綠潮，同時在圖像區(qū)域內生成999個隨機驗證點（圖4 c），利用無人機影像的高空間分辨率（0.12 m）、易目視識別的特點，對該矩形區(qū)域的綠潮提取結果進行精度評價，基于誤差矩陣表獲得生產者精度與用戶精度(表1)，并計算提取結果的總精度與kappa系數(shù)。

表1 綠潮提取誤差矩陣表Table 1 Error matrix of green-tide extraction

圖4 綠潮提取步驟Fig.4 Steps of extracting green-tide

計算出綠潮提取的總精度為97.9%，kappa系數(shù)為0.95。kappa系數(shù)為一致性檢驗指標，值域為?1～1，當系數(shù)在0.81 ～1時，認為分類結果與真實狀況幾乎完全一致[27]，因此，基于以上驗證結果，認為RGBFAI能夠適用于無人機可見光影像的海上綠潮提取。

3.2 基于無人機雙時相影像的綠潮速度計算

基于RGB-FAI，對3個站點的雙時相無人機正射影像進行綠潮提取，并在3個站點各選出6～8個子斑塊，量測出子斑塊地理中心點的位移、時間、方向（圖5），計算出各子斑塊的漂移速度。利用公式（2）、公式（3），依次計算出各站點的綠潮漂移速率和方向，并按照2.5 節(jié)中確定的有效風速時間段，計算各站點的平均風速與平均風向，結果如表2 所示。

表2 綠潮斑塊漂移速度與風速的統(tǒng)計Tab le 2 Statistics of green-tide drifting velocity and the corresponding wind velocity

圖5 3個站點的綠潮斑塊漂移圖Fig.5 Thegreen-tide drifting map of three sites

在站點S1，綠潮漂移速率為0.257 m/s，其北向速度分量較大，符合綠潮北漂的整體趨勢。站點S2，綠潮漂移速率達到0.439 m/s，其東向速度分量較大。在站點S3，綠潮漂移速率為0.256 m/s，方向為東南方向，有南向的速度分量。結果表明，綠潮在從蘇北淺灘海域到山東近岸的北向漂移過程中，甚至會有暫時向南漂移的時段（S3）；在一天中的不同時刻，鄰近海域的綠潮漂移速率和方向也會明顯不同（S1、S2），無人機遙感可以精確地揭示出綠潮的瞬時漂移狀態(tài)。

3.3 綠潮漂移的驅動分析

一般而言，海面漂浮物在長時段（大于12 h）的漂移軌跡受風與局部洋流的共同影響，但短時間內的漂移則會明顯受潮流的驅動[28]。本文計算綠潮速度所記錄的漂移時長為2～29m in，遠小于潮汐漲落1次所需的約12 h，因此，綠潮的驅動需要結合潮汐流進行分析。此外，風是綠潮漂移的重要驅動因素。本文利用船載氣象儀記錄的風速數(shù)據(jù)、驗潮站記錄的潮汐表以及南黃海6月表層的漲落潮流場，將綠潮漂移與同一時刻的風速（表2）、潮流進行一致性分析。

南黃海區(qū)域漲潮與落潮時的潮流方向并非簡單的朝向正西、正東。于曉杰[29]基于FVCOM（Finite Volume Coastand Ocean Model）海洋數(shù)值模式計算出了南黃海6月M2分潮的漲落潮流場，即1個潮周期內4個主要時刻（高潮時、落潮中間時、低潮時、漲潮中間時）的表層流場分布。本文的航拍作業(yè)同為6月的南黃海海域，查詢S1、S2、S3站點同緯度近岸驗潮站的潮汐表，根據(jù)各站點的作業(yè)時間查詢出航拍時段的潮汐狀態(tài)（圖6）。據(jù)此，在南黃海6月表層“低潮時流場分布圖”中可得到S1站點的潮流方向（圖7 b），在“落潮中間時流場分布圖”中可得到S2、S3站點航拍時的潮流方向（圖7 d）。

圖6 3個站點航拍作業(yè)時的潮位Fig.6 Tidal height during aerial photography of three sites

在站點S1，綠潮漂移方向位于風向右側約57°，與潮流同為東北向（圖7 a，圖7 b），風在綠潮漂移方向上的速率分量為1.7 m/s，約為綠潮速率的6.7 倍。在站點S2，綠潮方向偏于風向右側約62°，與潮流方向基本一致，夾角約為20°，為偏東向（圖7 c，圖7 d），風在綠潮漂移方向上的速率分量約為1.5 m/s，為綠潮速率的3.5 倍。在站點S3，綠潮漂移方向在風向右側約1°，與潮流方向夾角約為24°，同為東南向（圖7 d，圖7 e），風在綠潮漂移方向上的速率分量為1.7 m/s，約為綠潮速率的6.8 倍。可以看出，3個站點的綠潮漂移與潮流方向基本一致，位于風向右側1°～62°。風在綠潮漂移方向上的速率分量為綠潮速率的3.5 ～6.8 倍，非恒定系數(shù)。

圖7 綠潮、風、潮流的移動矢量圖Fig.7 Motion vector of green-tide,wind and tidal current

3.4 無人機與衛(wèi)星反演綠潮速度結果的對比

GOCI影像的時間分辨率為1 h，同樣可應用于綠潮漂移速度的估算，因此，可與同時段下無人機遙感的速度做對比分析。

S1、S3站點航拍時段的海面綠潮，在GOCI影像上被云層覆蓋，本文選取了與S2站點同一時段，即19日09:30與10:30的兩景GOCI影像反演綠潮速度。由于S2站點被云遮擋，在另兩處無云海域提取綠潮。利用Arcmap軟件計算兩個區(qū)域綠潮在兩景影像的中心點，量測出中心點在09:30?10:30的移動距離和方向，分別算出兩個區(qū)域綠潮的漂移速度（圖8），最后取兩者的均值作為GOCI影像反演的綠潮漂移速度。經計算，綠潮漂移速率均值為0.547 m/s，方向均值為北偏東58.4°。

圖8 基于GOCI影像的綠潮逐時漂移圖Fig.8 Theone-hour drifting map of green-tide from GOCI images

與S2站點的無人機遙感結果相比（表3），兩種方式反演的綠潮漂移方向基本一致，同為東北向，漂移速率上相差0.108 m/s。需要說明的是，由當天10時的風場數(shù)據(jù)（圖8 a）可知，S2站點與GOCI反演海域在風速與風向的相對偏差分別為0.58 m/s和3%，因此兩個海域綠潮漂移速度的實際值可能也存在差異。由于無人機影像的時空分辨率遠高于衛(wèi)星影像，若能獲取同時段、同位置綠潮漂移的兩種影像，則無人機可以為衛(wèi)星反演大范圍海域的綠潮漂移速度提供高精度校準。

表3 基于UAV和GOCI影像的綠潮漂移速度提取結果的對比Table 3 Com parison of green-tide drifting velocity derived from UAV and GOCI images

4 討論

4.1 不確定性分析

本文通過無人機遙感與船載氣象儀獲取的綠潮漂移速度與風速數(shù)據(jù)具有較高精度，但在以下方面存在不確定性。首先，對于綠潮漂移的驅動分析，用于分析的數(shù)據(jù)樣本只有3個，對綠潮漂移的定量分析還需要更多樣本數(shù)據(jù)的支持。第二，在綠潮對風驅動作用的滯后時間上，根據(jù)主觀經驗設置為2 min，而這需要相關專業(yè)后期理論與實驗的探索。第三，本文引用了基于海洋數(shù)值模式的潮流數(shù)據(jù)，能用于綠潮漂移方向的驅動分析，未來研究可考慮利用船載的聲學多普勒流速剖面儀（ADCP），獲取更精準的海水表層流場數(shù)據(jù)，為綠潮漂移的定量分析提供更精準的數(shù)據(jù)支撐。

4.2 船載無人機對綠潮漂移速度研究的優(yōu)勢

受風、浪、流的影響，海上綠潮斑塊的形態(tài)在超過6 h時變化較大[13]，因此綠潮漂移速度的研究需要高時間分辨率的遙感影像。常用的衛(wèi)星影像中MODIS、GOCI與GF-4能滿足時間分辨率的要求，但MODIS和GOCI影像的空間分辨率較低，GF-4衛(wèi)星的成像范圍并不固定在綠潮發(fā)生區(qū)，且衛(wèi)星影像易受云層影響。

而基于船載起降的無人機，可依靠科考船實時追蹤綠潮，具備作業(yè)靈活、獲取影像的時空分辨率高、不受云層干擾等優(yōu)勢，可快速、連續(xù)、更為精細地監(jiān)測綠潮漂移。這些優(yōu)勢，一是可用于對重點區(qū)域的綠潮應急監(jiān)測與災害預警，如海濱景區(qū)、重要設施（核電站進水口等）的附近海域；其次，可校正衛(wèi)星遙感提取結果，實現(xiàn)更大范圍海域上綠潮漂移的精確監(jiān)測。最后，可為數(shù)值模型預測綠潮漂移等研究提供高精度的驗證數(shù)據(jù)與方法。同時，科考船搭載的溫鹽深儀、ADCP、自動氣象儀等設備，可以測量海水的溫度、鹽度、葉綠素濃度、海流速度、流向以及大氣溫度、風、氣壓等諸多水文與氣象參數(shù)，這些數(shù)據(jù)與船載無人機獲取的綠潮面積、形態(tài)、漂移速度等高精度結果相結合，可以為綠潮生長、漂移相關的研究提供更加充分的數(shù)據(jù)支持。

5 結論

本文基于船載無人機獲取了黃海綠潮雙時相的數(shù)字正射影像，開展了綠潮漂移速度的估算，并與GOCI衛(wèi)星影像反演的綠潮速度進行對比，同時分析了風、潮流對綠潮漂移的驅動。結論如下：

（1）RGB-FAI可有效提取可見光影像中的綠潮信息（kappa系數(shù)為0.95），可輔助無人機高精度的估算綠潮漂移速度；3個站點的綠潮漂移速率為0.26 ～0.44 m/s，漂移方向在一天中會發(fā)生明顯變化，甚至有南向分量的漂移。

（2）綠潮短時間內的漂移受風與潮流的共同影響。綠潮漂移方向與M2分潮的潮流方向基本一致，位于風向的右側1°～62°。

（3）船載無人機對綠潮漂移狀態(tài)的監(jiān)測，可校正衛(wèi)星遙感的結果，能為綠潮災害的應急監(jiān)測、預警及相關研究提供重要的數(shù)據(jù)與技術支撐。

致謝：感謝中國科學院海洋研究所海洋大數(shù)據(jù)中心（http://msdc.qdio.ac.cn/）提供數(shù)據(jù)支持。