楊國英，邢前國，趙春暉，孟苗苗，李敬虎，3

（1. 哈爾濱工程大學(xué)信息與通信工程學(xué)院，哈爾濱 150001；2. 中國科學(xué)院海岸帶環(huán)境過程與生態(tài)修復(fù)重點實驗室，中國科學(xué)院煙臺海岸帶研究所，煙臺 264003；3. 魯東大學(xué)信息與電氣工程學(xué)院，煙臺 264025）

近年來，每年春夏之際，近岸海水中常會發(fā)生名為“綠潮”的海洋災(zāi)害。綠潮主要由綠藻暴發(fā)造成，且多個國家和地區(qū)都有過綠潮災(zāi)害的記錄［1-5］。全面監(jiān)測綠潮發(fā)生、發(fā)展情況，及時發(fā)布綠潮預(yù)警信息，能為綠藻的處置工作提供科學(xué)依據(jù)。Xing等［6］利用衛(wèi)星影像繪制黃海和東海大型藻華圖。目前已有很多學(xué)者利用中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）、高分一號、環(huán)境一號、靜止水色衛(wèi)星（geostationary ocean color imager，GOCI）等衛(wèi)星數(shù)據(jù)監(jiān)測綠潮［7-10］，但它們相對低的分辨率可能會錯過小規(guī)模的綠藻暴發(fā)［10-11］。相較于衛(wèi)星遙感，無人機(jī)遙感厘米級的空間分辨率可以監(jiān)測小斑塊綠藻，克服重訪周期長帶來的限制，是衛(wèi)星遙感的重要補(bǔ)充［12-13］。

綠藻的光譜特征與植被相似，可利用監(jiān)測綠藻或者植被的指數(shù)來提取。研究人員提出的相關(guān)指數(shù)有：歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、漂浮藻類指數(shù)（floating algae index，F(xiàn)AI）、GOCI漂浮藻類指數(shù)（index of floating green algae for GOCI，IGAG）、虛擬基線漂浮藻類高度指數(shù)（virtual-baseline floating macroalgae height，VB-FAH）等［6，14-16］。但搭載多光譜傳感器的無人機(jī)價格昂貴且笨重，常見的搭載數(shù)碼相機(jī)的無人機(jī)缺乏短波紅外和近紅外波段［12］，故這些指數(shù)并不適用。而基于RGB波段的植被指數(shù)，如過綠指數(shù)（excess green，EXG）、綠葉指數(shù)（green leaf index，GLI）、可見光波段差異植被指數(shù)（visible-band difference vegetation index，VDVI）、綠紅植被指數(shù)（green red vegetation index，GRVI）等，廣泛應(yīng)用在植被識別上［17-19］，適用于綠潮監(jiān)測的指數(shù)相對較少。可見構(gòu)建一種具有普適性且適用于無人機(jī)航拍光學(xué)影像監(jiān)測綠潮的指數(shù)是十分重要的。

本文提出了一種新的指數(shù)用于增強(qiáng)漂浮綠藻的信號，以綠色和紅色波段形成一個虛擬基線，此基線以下藍(lán)波段信號的線高定義為紅綠波段虛擬基線漂浮綠藻指數(shù)（red-green band virtual baseline floating green algae index，RG-FAH）。以含有綠藻的不同條件的無人機(jī)影像為數(shù)據(jù)源（包括常見的太陽耀光、過曝光、小斑塊藻等復(fù)雜條件），與現(xiàn)有的幾種植被指數(shù)進(jìn)行比較，驗證RG-FAH監(jiān)測綠潮的普適性和穩(wěn)定性，并討論各個指數(shù)受不同條件的影響，為治理綠潮暴發(fā)帶來的災(zāi)害監(jiān)測提供技術(shù)參考。

1 材料與方法

1.1 數(shù)據(jù)源

航拍地點位于山東黃海。近年來，每年夏季此地都會暴發(fā)大規(guī)模的綠藻災(zāi)害［2-5］，對沿海漁業(yè)、旅游業(yè)造成巨大的經(jīng)濟(jì)損失。本文采用的大疆無人機(jī)搭載L1D-20c航拍RGB相機(jī)，內(nèi)置等效焦距28 mm的廣角鏡頭，光圈值可在f/2.8～f/11間自由調(diào)整，即使是復(fù)雜的環(huán)境也能拍出清晰的影像。本文數(shù)據(jù)源成像時間為2019年6月19日上午10時，航行高度為136.2 m，天氣晴朗，能見度高。利用無人機(jī)拍攝得到含綠藻的影像，影像分辨率為1.14 cm。分辨率的公式如下：

其中，GSD為影像分辨率，H為航高，f為鏡頭的焦距，a為像元尺寸。

1.2 提取綠藻的方法

1.2.1 RG-FAH指數(shù)的構(gòu)建

為了精確地繪制綠藻的分布圖，減少氣溶膠、太陽耀光和薄云的影響，Hu［15］提出了使用基線減法的FAI，Xing等［6］提出了VB-FAH。FAI和VB-FAH的設(shè)計理念見圖1。FAI和VB-FAH的公式如下：

其中，R是反射率，λ是波長，下標(biāo)2、3、4、5分別代表綠、紅、近紅外、短波紅外波段。研究表明VB-FAH與FAI相當(dāng)，在太陽耀光和氣溶膠干擾的耐受性方面比NDVI更有利。

近紅外和短波紅外波段缺乏會導(dǎo)致大部分用于監(jiān)測綠潮的指數(shù)無法適用于無人機(jī)拍攝的光學(xué)影像。為了解決這個問題，本文基于與VB-FAH相同的原理及綠藻和海水在紅綠藍(lán)波段的光譜特征提出了一種新的指數(shù)——RG-FAH。

如圖1c所示，綠波段以藍(lán)波段對稱，得到虛擬綠波段（2'），利用基線減法的原理，以虛擬綠波段和紅波段形成一個虛擬基線，此基線以下藍(lán)波段信號的線高即RG-FAH，這類似于VB-FAH的設(shè)計方法。綠藻和水體的光譜特征如圖1d所示：海水藍(lán)波段反射率高于綠藻，且區(qū)別明顯；綠藻藍(lán)波段反射率低于紅、綠波段；綠藻紅、綠波段反射率相近，且高于相應(yīng)的海水反射率。光譜特征也同樣是RG-FAH設(shè)計的基礎(chǔ)。本文利用反射率相近的紅、綠波段構(gòu)建虛擬基線，利用區(qū)別明顯的藍(lán)波段信號的線高去測量高度。RG-FAH公式為：

圖1 指數(shù)設(shè)計理念Fig. 1 Index design concept

其中，R是反射率，λ是波長，下標(biāo)1、2、3分別代表藍(lán)、綠和紅波段，對應(yīng)波長為470、550和700 nm。RG-FAH的取值范圍為［-255，255］。為了評估新的RG-FAH指數(shù)，本文將其與另外6個植被指數(shù)進(jìn)行對比評估，并利用多張無人機(jī)影像驗證。

1.2.2 植被指數(shù)

從圖1d中可以看出，綠藻紅、綠波段的反射率相近，因此應(yīng)該盡量避免使用只有紅、綠波段信息的指數(shù)。本文選取了6個植被指數(shù)作為對比，分別是紅綠藍(lán)植被指數(shù)（red-green-blue vegetation index，RGBVI）、歸一化綠藍(lán)差異指數(shù)（normalized green-blue difference index，NGBDI）、GB、EXG、GLI、VDVI［17-18］。相應(yīng)的植被指數(shù)公式如下：

其中，R是反射率，下標(biāo)1、2、3分別代表藍(lán)、綠和紅波段。RGBVI、NGBDI、GLI、VDVI的取值范圍為［-1，1］，GB、EXG的取值范圍為［-255，255］。通過對比不同指數(shù)識別綠藻的效果對本文新提出的RG-FAH指數(shù)進(jìn)行評估。

1.2.3 閾值選取

綠藻呈綠色，和海水有較明顯的差異。本文通過選取典形地物樣本點，根據(jù)各個指數(shù)不同地物的頻率分布與評價指標(biāo)的精度確定不同指數(shù)最終的閾值，以避免出現(xiàn)選取閾值過小、純水像素識別為綠藻、閾值過大、提取綠藻的像素減少等問題；同時，對分類結(jié)果進(jìn)行目視檢查，以保證結(jié)果的可靠性。

1.3 評價指標(biāo)

本文采用的評價指標(biāo)有準(zhǔn)確率（accuracy）、真正率（true positive rate，TPR）、真負(fù)率（true negative rate，TNR）和Kappa［17，20］。真正率即綠藻提取精度，真負(fù)率即海水的提取精度。以上4個評價指標(biāo)值越高，意味著結(jié)果越好。

2 結(jié)果與分析

2.1 RG-FAH與其他植被指數(shù)監(jiān)測綠潮的結(jié)果

無人機(jī)影像中主要包含綠藻和海水兩種地物。識別綠藻主要涉及的方法為計算各指數(shù)，根據(jù)典型地物樣本點生成頻率分布圖與評價指標(biāo)確定閾值，最后評估分類的準(zhǔn)確性。圖2a為無人機(jī)拍攝的RGB光學(xué)影像中人工選取的綠藻與海水的典型地物樣本點。真值點（圖2c）由真值圖（圖2b）生成。本文采用動態(tài)閾值法生成真值圖，即對一幅影像選取多個閾值生成結(jié)果。為了減少由隨機(jī)性和人為主觀性引起的誤差，本文選取真實值為樣本點，利用真值圖隨機(jī)生成了3 000點的綠藻和4 000點的海水，結(jié)合原始圖像目視解譯確定了7 000個幾乎完全覆蓋整幅圖像的隨機(jī)驗證點作為真實值。

圖2 試驗數(shù)據(jù)示例Fig. 2 Experimental data illustration（a）典型地物。紅色區(qū)域代表綠藻，綠色區(qū)域代表海水；（b）真值圖。綠色斑塊為綠藻（下同）；（c）真值點。紅色點代表綠藻，藍(lán)色點代表海水。(a) Typical object. Red areas represent green algae, green areas represent seawater; (b) Ground truth. Green patches are green algae (the same below); (c) Ground truth points. Red points represent green algae, blue points represent seawater.

圖3中典型地物的頻率分布圖由圖2選取的典形樣本點生成，橫坐標(biāo)是各個指數(shù)對應(yīng)的值，縱坐標(biāo)是值對應(yīng)的像素點。綠藻與海水這兩個地物對應(yīng)指數(shù)的值差別越大，就意味著錯分概率越小。利用不同指數(shù)生成的分類結(jié)果（圖4）與真實值比較，獲得評價指標(biāo)（表1），以保證結(jié)果的真實性和可靠性。

圖3 典型地物的頻率分布圖Fig. 3 Typical object frequency distribution

圖4 不同指數(shù)分類結(jié)果Fig. 4 Classification results of different indices

表1 不同指數(shù)的評價指標(biāo)Tab. 1 Evaluation metrics of different indices

從表1中可以看出，RG-FAH的結(jié)果是指數(shù)中監(jiān)測精度最高的，GB與RG-FAH指數(shù)精度結(jié)果相當(dāng)。這兩個指數(shù)都表現(xiàn)出了較好的提取能力，不僅典形地物頻率分布圖的值沒有重疊，且TNR和kappa系數(shù)都在0.98以上，準(zhǔn)確率和TPR達(dá)到0.99以上，與真實結(jié)果接近一致。

2.2 RG-FAH監(jiān)測綠潮的驗證

為了驗證RG-FAH的適用性和穩(wěn)定性，本文討論了不同條件對無人機(jī)影像指數(shù)的影響。圖5所示的無人機(jī)影像是最普通常見的無人機(jī)拍攝的綠藻影像，綠藻覆蓋度高，且無太陽耀光的影響。

圖5 不同指數(shù)分類結(jié)果Fig. 5 Classification results of different indices

利用同樣的方法得到不同指數(shù)方法的閾值，其生成的分類結(jié)果和評價指標(biāo)如表2所示。從表2可以看出，在綠藻覆蓋度高且無太陽耀光影響的無人機(jī)影像中，7個指數(shù)的綠藻提取能力都較高。EXG、GB、RG-FAH綠藻提取精度和kappa系數(shù)都在0.98以上，與真實結(jié)果接近一致，都能滿足提取要求。由此可見，RG-FAH指數(shù)能夠滿足監(jiān)測綠潮的要求。

表2 不同指數(shù)的評價指標(biāo)Tab. 2 Evaluation metrics of different indices

2.3 不同指數(shù)對太陽耀光的敏感性

從無人機(jī)遙感的尺度上觀測，海水表面易出現(xiàn)鏡面反射，反射強(qiáng)烈的太陽耀光［21］，導(dǎo)致拍攝的影像光照不均勻，太陽耀光區(qū)域的地物難以區(qū)分，造成提取困難，尤其是對高分辨率圖像［6］。為了驗證各個指數(shù)對太陽耀光的敏感性，本文利用同樣的方法進(jìn)行了定量分析。

從圖6中可以看出，無人機(jī)影像右側(cè)由于太陽耀光的影響，各指數(shù)都出現(xiàn)了提取綠藻能力不足的問題，此時單一閾值的方法分類效果不好。表3結(jié)果顯示，RG-FAH相對其他指數(shù)來說，提取能力依然是最好的，TNR達(dá)到了0.91以上。為了探究太陽耀光對不同指數(shù)的影響程度，本文在無人機(jī)影像中畫了橫向的切線和縱向的剖線，包含有和無太陽耀光，并將范圍歸一化到［0，1］，對比各指數(shù)值的變化，同時單獨提取太陽耀光區(qū)域，分別選取1 000點綠藻和海水作為真實值。

表3 不同指數(shù)的評價指標(biāo)Tab. 3 Evaluation metrics of different indices

圖6 不同指數(shù)的分類結(jié)果Fig. 6 Classification results of different indices

圖7b～7e展示了不同指數(shù)沿縱剖線和橫切線的值。曲線中尖峰凸起的地方表示綠藻，非綠藻像素即海水值。從圖7f～7h中可以看出，在紅、綠波段，海水反射率低，綠藻反射率高。但太陽耀光的影響導(dǎo)致紅、綠波段綠藻和海水反射率增加，難以區(qū)分，且藍(lán)波段也出現(xiàn)了類似的情況。事實證明，太陽耀光會導(dǎo)致各個指數(shù)的對應(yīng)的海水值降低，但整體來看，不管是沿豎線樣帶還是橫線樣帶，RGFAH、GB均具有較低的變化，且RG-FAH的值更穩(wěn)定，波動性最小。EXG、VDVI等指數(shù)在同一條帶上有明顯的變化，相比之下，RG-FAH較其他指數(shù)對太陽耀光不敏感，穩(wěn)定性更強(qiáng)。

圖7 指數(shù)對比Fig. 7 Comparison of index（a）原始圖像。紅色線分別是縱剖線、橫切線；（b）VDVI、GLI、RGBVI、RG-FAH縱剖面的值；（c）GB、NGBDI、EXG、RG-FAH縱剖面的值；（d）GB、RG-FAH縱剖面的值；（e）GB、RG-FAH橫切面的值；（f）R波段橫切面的值；（g）G波段橫切面的值；（h）B波段橫切面的值。(a) Original UAV image. The red lines are buttock line and cross cut line; (b) VDVI, GLI, RGBVI, RG-FAH vertical profile values; (c) GB, NGBDI, EXG, RG-FAH vertical profile values; (d) GB, RG-FAH vertical profile values; (e) GB, RG-FAH transect values; (f) R-band transect values; (g) G-band transect values; (h) B-band transect values.

表4顯示，RG-FAH比其他指數(shù)在減輕太陽耀光造成的影響方面更具有優(yōu)勢。kappa系數(shù)達(dá)到了0.84以上，準(zhǔn)確率達(dá)到0.92以上。相比其他指數(shù)，在太陽耀光的耐受性方面，其性能顯著提高。但不可否認(rèn)的是，太陽耀光是導(dǎo)致各個指數(shù)提取綠藻精度下降的主要原因之一。

表4 不同指數(shù)的評價指標(biāo)Tab. 4 Evaluation metrics of different indices

2.4 過曝光無人機(jī)影像對指數(shù)的影響

無人機(jī)拍攝的時候，由于光線或閃光燈設(shè)置以及相機(jī)光圈速度的影響，照片會出現(xiàn)曝光過度的情況［22］。在海上陽光比較刺眼的時候，大量的光進(jìn)入傳感器，經(jīng)常會使得照片過曝光，拍攝結(jié)果明顯偏亮，顏色失真，細(xì)節(jié)損失［23-24］。目前已有的研究方法都是針對能見度高條件下，曝光正常的影像進(jìn)行研究的［17-19］，利用曝光過度的影像提取綠藻還未被探討過。為了減少照片的廢棄率，本文進(jìn)行了研究以測試不同方法在曝光過度條件下的穩(wěn)定性和有效性。

由圖8可知，各個指數(shù)圖像在過曝光條件下，綠藻和海水仍區(qū)別明顯。表5顯示，RG-FAH、GB即使影像曝光過度，其評價指標(biāo)也均在0.99以上，綠藻和海水識別結(jié)果較為準(zhǔn)確。事實證明，圖像過曝光并未影響這兩個指數(shù)的精度。

表5 不同指數(shù)的評價指標(biāo)Tab. 5 Evaluation metrics of different indices

圖8 指數(shù)圖與分類結(jié)果Fig. 8 Index map and classification results

2.5 不同指數(shù)提取小斑塊綠藻的結(jié)果對比

黃海中不僅有大面積漂浮的綠藻，還有大量分散的小面積斑塊［25-26］。衛(wèi)星中相對低的分辨率影像容易錯過小斑塊綠藻的提?。?，9］。本文以綠藻稀疏影像作為條件，著力探討了小斑塊綠藻對不同指數(shù)的影響，通過評價指標(biāo)結(jié)果的對比，驗證RG-FAH指數(shù)及其余方法在識別小斑塊綠藻中的應(yīng)用情況。

圖9顯示的影像中只有小斑塊綠藻，綠藻覆蓋度低，許多像素可能是海水和綠藻混合，與海水的光譜更接近，各個指數(shù)的精度都有所下降。由表6可知，RG-FAH穩(wěn)定性最高，kappa系數(shù)達(dá)到了0.96以上。說明RG-FAH較其他6種植被指數(shù)具有更好的小斑塊綠藻識別能力。

表6 不同指數(shù)的評價指標(biāo)Tab. 6 Evaluation metrics of different indices

圖9 不同指數(shù)分類結(jié)果Fig. 9 Classification results of different indices

2.6 不同尺寸斑塊的綠藻監(jiān)測的結(jié)果對比

為了進(jìn)一步研究不同指數(shù)探測不同尺寸斑塊綠藻的能力，本文利用同樣尺寸的綠藻斑塊作對比，選用非太陽耀光、非過曝光的無人機(jī)影像（圖2、5、6），以無人機(jī)影像對應(yīng)的真值圖作為真實值，計算斑塊面積，統(tǒng)計不同斑塊面積的頻率分布。

從圖10可以看出，提取小斑塊藻類時，各個指數(shù)提取數(shù)量差異明顯，隨著斑塊面積的增加，各個指數(shù)提取斑塊的數(shù)量與真實值逐漸逼近。整體來看，GB、RG-FAH的結(jié)果相較于其他指數(shù)更接近真實值的數(shù)量，可以用來監(jiān)測綠藻。

圖10 不同尺寸斑塊的頻率分布圖Fig. 10 The frequency distribution of different patch area

3 討論

綠藻暴發(fā)會造成嚴(yán)重的經(jīng)濟(jì)損失和環(huán)境問題，被看作是生態(tài)災(zāi)難［2］。目前已有很多學(xué)者利用多種衛(wèi)星數(shù)據(jù)監(jiān)測綠潮［3-7］，但相對低的分辨率容易錯過小斑塊綠藻的提取［6,27］。本文采用的無人機(jī)影像具有厘米級的空間分辨率，可以識別小斑塊藻。

監(jiān)測綠藻的指數(shù)大都需要用到近紅外、短波紅外波段［6,14-16］，但常見的搭載數(shù)碼相機(jī)的無人機(jī)僅具有RGB波段［12］，這些指數(shù)并不適用，而已有的RGB波段的指數(shù)廣泛應(yīng)用于植被識別，用于監(jiān)測綠藻的指數(shù)較少［18-19］。本文基于與VB-FAH相同的原理及綠藻和海水在RGB波段的光譜特征提出了RG-FAH指數(shù)，通過與不同指數(shù)對比顯示，RG-FAH是一個具有普適性且適用于監(jiān)測綠藻的指數(shù)。

已有的研究表明，太陽耀光會影響提取綠藻的精度，尤其是對高分辨率圖像［6］。Hu［15］提出的FAI與Xing等［6］提出的VB-FAH能夠減少氣溶膠、太陽耀光和薄云的影響。本文研究結(jié)果表明，在正常與過曝光的條件下，RG-FAH與GB相當(dāng)，比RGBVI、VDVI、GLI、NGBDI、EXG更有利，但在太陽耀光的耐受性和小斑塊提取方面具有明顯的優(yōu)勢，比GB及其他植被指數(shù)更穩(wěn)定，可以為無人機(jī)影像監(jiān)測綠藻提供新的方法。

綜上所述，本文提出的RG-FAH指數(shù)在具有代表性的無人機(jī)影像中精度最高，評價指標(biāo)都在0.91以上，受不同條件影響的波動性較小，可用于識別綠藻。而綠藻與植被的光譜特征相似，為了進(jìn)一步確定RG-FAH是否適用于植被識別及探測其余藻類，還需通過下一步試驗去驗證。