唐君，陸應誠，焦俊男，劉建強，胡連波，丁靜，邢前國，王福濤，宋慶君，陳艷攏，田禮喬，王心源，劉錦超

1.南京大學 國際地球系統(tǒng)科學研究所,南京 210023;

2.國家衛(wèi)星海洋應用中心,北京 100081;

3.中國海洋大學 海洋技術(shù)學院,青島 266100;

4.中國科學院 煙臺海岸帶研究所,煙臺 264003;

5.中國科學院空天信息創(chuàng)新研究院,北京 100094;

6.國家海洋環(huán)境監(jiān)測中心,大連 116023;

7.武漢大學 測繪遙感信息工程國家重點實驗室,武漢 430079

1 引言

中國近海滸苔（Ulvaprolifera）的暴發(fā)增殖，會形成大范圍的海洋綠潮，不僅會對海洋生態(tài)系統(tǒng)產(chǎn)生影響，綠潮登灘后會破壞海岸帶生態(tài)環(huán)境，造成嚴重的社會影響和經(jīng)濟損失（Wang 等，2009；Liu等，2010，2016；Xing等，2015；Li等，2018）。2008 年以來，中國黃海海域已連續(xù)15 年周期性大規(guī)模暴發(fā)綠潮，給中國近海社會經(jīng)濟活動與生態(tài)環(huán)境產(chǎn)生了較多的負面影響。利用衛(wèi)星遙感技術(shù)，開展中國近海綠潮實時監(jiān)測與定量估算，對于綠潮防控、海岸防護、浮筏養(yǎng)殖管理等具有重要的技術(shù)支撐與數(shù)據(jù)參考價值。

衛(wèi)星光學遙感為中國近海綠潮的時空動態(tài)監(jiān)測提供了較好的技術(shù)支撐，如美國中分辨率成像光譜儀MODIS（Moderate Resolution Imaging Spectroradiometer）、歐洲空間局的中等分辨率成像光譜儀MERIS（Medium Resolution Imaging Spectrometer）和多光譜成像儀MSI（Multi Spectral Instrument）、美國Landsat 衛(wèi)星搭載的陸地成像儀OLI（Operational Land Imager）以及中國海洋一號C/D 衛(wèi)星（HY-1C/D）海岸帶成像儀CZI（Coastal Zone Imager）等；根據(jù)綠潮光譜響應特征，利用歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）（Hu 和He，2008；Liu 等，2009）、歸一化藻類指數(shù)NDAI（Normalized Difference Algae Index）（Shi 和Wang，2009）、縮放藻類指數(shù)SAI（Scaled Algae Index）（Keesing等，2011；Garcia等，2013）、基于波段間基線減法的漂浮藻類指數(shù)FAI（Floating Algae Index）（Hu，2009；Hu 等，2010，2017，2019；Xu 等，2014；Qi 等，2016；Wang 和Hu，2016；Lu 等，2019）和大型漂浮藻類虛擬基線高度VB-FAH（Virtual Baseline Floating macroalgae Height）（Xing 和Hu，2016）等方法，不同的衛(wèi)星光學數(shù)據(jù)都展現(xiàn)對近海綠潮的監(jiān)測能力和差異，提供不同的綠潮監(jiān)測圖像結(jié)果。利用不同衛(wèi)星數(shù)據(jù)開展綠潮監(jiān)測，主要提供綠潮的覆蓋范圍（即圖像上綠潮覆蓋區(qū)域外緣線所包絡(luò)的面積）和覆蓋面積（根據(jù)圖像上綠潮像元的FAI、NDVI、DVI或VB 值，進行像元解混給出綠潮覆蓋面積），利用這些結(jié)果進一步去分析中國近海綠潮的生消和運移過程，開展綠潮時空分布格局與變化趨勢研究。但面向中國近海綠潮精細化定量監(jiān)測的需求，仍然有如下問題需要面對：（1）因不同衛(wèi)星光學載荷空間分辨率、波段設(shè)置、信噪比等差異，不同遙感資料反演的綠潮覆蓋面積具有內(nèi)在的尺度效應（線性和非線性效應共同存在），不同光學衛(wèi)星數(shù)據(jù)的綠潮監(jiān)測結(jié)果因此存在較大差異。（2）真實海面漂浮綠潮，不僅有斑塊大小，也有厚度差異（即單位面積上生物量會有不同），即使高空間分辨率光學遙感數(shù)據(jù)能提供接近真實的綠潮覆蓋面積，綠潮單位面積生物量不同所產(chǎn)生的差異依然難以展現(xiàn)。

綠潮生物量是解決上述差異，更為準確刻畫中國近海綠潮時空分布格局與演變趨勢的重要參數(shù)。Hu 等（2017）通過綠潮生物量實驗獲取的滸苔光譜反射率數(shù)據(jù)，構(gòu)建綠潮單位面積生物量BPA（Biomass per Area）與FAI 之間的統(tǒng)計模型，實現(xiàn)了基于MODIS數(shù)據(jù)的綠潮生物量估算。MODIS 250 m 空間分辨率遙感影像用于中國近海綠潮監(jiān)測，雖能提供大覆蓋和高時相動態(tài)監(jiān)測數(shù)據(jù)，但在精細化、定量化監(jiān)測應用上較為不足。具有較高空間分辨率的Landsat、Sentinel 系列衛(wèi)星，又因為圖像刈幅有限、時間分辨率不足等難以滿足業(yè)務化監(jiān)測應用的需求。

面向中國近海綠潮高精度遙感監(jiān)測的需求，克服不同空間分辨率遙感數(shù)據(jù)反演綠潮覆蓋面積的不確定性，需要發(fā)展綠潮生物量光學遙感估算方法，利用多源光學遙感數(shù)據(jù)開展協(xié)同監(jiān)測估算，是實現(xiàn)綠潮高精度遙感監(jiān)測的有效途徑。鑒于衛(wèi)星光學遙感會受到天氣的影響和制約，因此衛(wèi)星載荷需要有較高的時間分辨率，才能有效保障其對近海綠潮長時間動態(tài)監(jiān)測的應用需求。中國HY-1C/D 衛(wèi)星CZI 載荷能提供50 m 空間分辨率、950 km 刈幅的近海觀測多光譜數(shù)據(jù)，該數(shù)據(jù)具有信噪比高、輻射分辨率優(yōu)異等特點，雙星組網(wǎng)實現(xiàn)了對中國近海3天兩次的高頻次觀測，為開展中國近海綠潮監(jiān)測和估算提供了良好的數(shù)據(jù)支撐（Liu等，2023；Wang等，2023）。

本研究針對不同空間分辨率的CZI、MODIS、MSI 數(shù)據(jù)，在瑞利校正反射率（Rrc）數(shù)據(jù)基礎(chǔ)上，利用藻類縮放指數(shù)（SAI）與虛擬基線高度（VBFAH）融合的識別提取算法（劉錦超 等，2022），有效克服國產(chǎn)水色衛(wèi)星CZI 載荷短波紅外波段缺失、復雜背景水體影響等難題，實現(xiàn)中國近海綠潮的有效識別提取。利用經(jīng)過驗證的精準綠潮生物量光譜數(shù)據(jù)集，構(gòu)建了適用于不同光學傳感器、不同衛(wèi)星參數(shù)的綠潮生物量估算模型，實現(xiàn)綠潮生物量的光學遙感估算。利用MSI、CZI、MODIS的準同步綠潮衛(wèi)星遙感影像，實現(xiàn)了基于不同空間分辨率光學數(shù)據(jù)的綠潮生物量估算與交叉驗證。相較于綠潮像元面積和覆蓋面積，綠潮生物量估算結(jié)果的不確定性最小，能夠有效克服不同空間分辨率數(shù)據(jù)估算藻類面積參數(shù)中的尺度效應。利用2021 年CZI 和MODIS 數(shù)據(jù)，對中國近海綠潮生物量開展協(xié)同監(jiān)測應用，能提高綠潮生物量的監(jiān)測精度，較好的反映綠潮生物量年內(nèi)時空變化特點，對中國近海乃至全球海洋漂浮藻類的精準監(jiān)測有方法與數(shù)據(jù)參考作用。

2 數(shù)據(jù)與數(shù)據(jù)預處理

2.1 綠潮生物量實驗數(shù)據(jù)

開展衛(wèi)星光學遙感圖像中海面漂浮綠潮生物量估算，核心模型與參數(shù)主要源于綠潮生物量光譜數(shù)據(jù)，本研究以胡連波等（2017）的綠潮生物量仿真實驗數(shù)據(jù)及其驗證數(shù)據(jù)為建模數(shù)據(jù)，該光譜數(shù)據(jù)集包含了綠潮與水體像元混合、綠潮厚度變化等兩個維度的信息，能體現(xiàn)綠潮單位面積生物量（BPA，單位：kg/m2，該實驗是指滸苔的濕重）變化所內(nèi)涵的線性與非線性遙感尺度效應，因此該數(shù)據(jù)集能用于不同空間分辨率衛(wèi)星遙感數(shù)據(jù)的綠潮生物量遙感估算建模。

該光譜數(shù)據(jù)集如圖1所示，隨著綠潮BPA的增加，綠潮光譜反射率也隨之增加。特別需要指出的是，在綠潮BPA 達到2 kg/m2左右時，水面完全被綠潮覆蓋（見Hu 等（2017）論文圖3），表明當BPA＜2 kg/m2時，綠潮光譜反射率變化主要受水平方向上綠潮和水體像元混合的影響；當BPA＞2 kg/m2時，綠潮光譜反射率變化主要受垂直方向上綠潮厚度變化的影響；這一點也可在綠潮光譜反射率隨BPA 變化趨勢上得到證明，綠潮BPA＞2 kg/m2后，相比近紅外波段反射率而言，可見光500—760 nm范圍內(nèi)反射率變化幅度較小。

圖1 滸苔反射率光譜（數(shù)據(jù)來源Hu等，2017）Fig.1 Reflectance spectra of Ulva prolifera（Collected from Hu et al.，2017）

2.2 綠潮光學遙感數(shù)據(jù)

本研究用到的光學遙感數(shù)據(jù)包括MSI 10 米分辨率數(shù)據(jù)，HY-1C/D 星CZI 50 m 分辨率數(shù)據(jù)以及MODIS 250 m分辨率數(shù)據(jù)，所有的數(shù)據(jù)均被處理成Rrc數(shù)據(jù)。MODIS 數(shù)據(jù)采用官網(wǎng)（https：//ladsweb.modaps.eosdis.nasa.gov［/2022-10-12］）下載的L1B級數(shù)據(jù)，使用SeaDAS 校正得到總輻亮度和瑞利散射輻亮度，Rrc數(shù)據(jù)通過以下公式獲得：

式中，Lt為傳感器探測的總輻亮度，Lr為瑞利散射輻亮度，F(xiàn)0為太陽入射輻照度，θ0為太陽天頂角。CZI 數(shù)據(jù)采用L1B 級輻亮度產(chǎn)品，通過瑞利校正得到Rrc數(shù)據(jù)，相應的Rrc數(shù)據(jù)產(chǎn)品也可在中國海洋衛(wèi)星數(shù)據(jù)服務系統(tǒng)官方網(wǎng)站（https：//osdds.nsoas.org.cn［/2022-10-12］）下載。MSI 采用從哥白尼數(shù)據(jù)中心（https：//scihub.copernicus.eu［/2022-10-12］）下載的L1C 數(shù)據(jù)，利用ACOLITE 軟件進行校正得到Rrc數(shù)據(jù)。

瑞利校正后的MSI、CZI、MODIS 數(shù)據(jù)進一步利用多項式校正方法，實現(xiàn)圖像的幾何精校正，該方法以固定的間隔在影像的經(jīng)緯度文件內(nèi)選擇控制點，再通過Python/GDAL 庫的Warp 函數(shù)進行多項式校正，然后將Rrc數(shù)據(jù)映射到WGS-84 大地坐標系，使用UTM 投影（zone 51N）。對2021 年5月初至8月末的CZI、MODIS數(shù)據(jù)進行篩選，去除受云、耀光影響較大的影像，共選取了24 景影像（CZI、MODIS各12景），進行綠潮生物量的遙感估算。MODIS 的Terra 數(shù)據(jù)多個波段的條帶化噪音較強，對于生物量估算有一定的影響，本研究選用的MODIS數(shù)據(jù)來自Aqua；HY-1C/D衛(wèi)星CZI載荷均可以有效實現(xiàn)綠潮監(jiān)測，考慮到上午成像的光照條件更佳，則選用上午C 星的CZI 數(shù)據(jù)，圖2 為所選的CZI和MODIS黃海綠潮Rrc反射率假彩色合成影像。

圖2 2021年中國黃海綠潮假彩色合成影像Fig.2 Spaceborne optical false color images of green tide in 2021 covering the Yellow Sea of China

3 綠潮光學遙感模型與估算驗證

3.1 近海綠潮的識別提取

不同分辨率衛(wèi)星數(shù)據(jù)觀測到的綠潮結(jié)果，包含了綠潮線性混合（水平方向上綠潮與水體）與非線性混合（垂直方向上的綠潮深度與厚度）效應，任何光學遙感圖像首先獲取的是像元面積（algae pixel area），但這并不是真實綠潮面積；需要通過線性像元解混，給出綠潮覆蓋面積（algae coverage area），這才代表了觀測到的海面綠潮面積；但綠潮覆蓋面積參數(shù)，難以消除真實綠潮厚度或在水中深度，所產(chǎn)生的像元非線性混合效應，只有準確的綠潮生物量估算，才能有效消除圖像中，特別是高空間分辨率數(shù)據(jù)中綠潮像元存在的不同混合效應。

在本研究中，不同衛(wèi)星數(shù)據(jù)中綠潮量化流程，如圖3 所示，主要的步驟在于：（1）MSI、CZI、MODIS 等衛(wèi)星數(shù)據(jù)經(jīng)大氣校正，生產(chǎn)Rrc反射率產(chǎn)品；（2）采用VB-FAH 與SAI相結(jié)合的閾值分割方法，實現(xiàn)不同圖像中綠潮的識別與提??；（3）基于漂浮綠潮仿真實驗數(shù)據(jù)集，面向不同衛(wèi)星光學傳感器，構(gòu)建不同衛(wèi)星數(shù)據(jù)的綠潮覆蓋面積和綠潮生物量估算模型；（4）基于不同衛(wèi)星數(shù)據(jù)的綠潮遙感參數(shù)（如FAI、VB-FAH 等參數(shù)），利用步驟（3）中給出的綠潮覆蓋面積或生物量估算模型，實現(xiàn)不同數(shù)據(jù)中綠潮覆蓋面積或綠潮生物量的估算。需要注意的是，步驟（4）中的綠潮覆蓋面積或生物量估算，本質(zhì)上都是像元解混過程，前者消除了綠潮在一定像元面積內(nèi)的線性混合效應；后者不僅消除了線性混合效應，還消除了綠潮的非線性混合效應。

圖3 綠潮生物量估算流程Fig.3 Flowchart of estimation of green tide biomass

本研究采用VB-FAH與SAI相結(jié)合的SAI（VB）閾值分割方法，實現(xiàn)不同數(shù)據(jù)中綠潮的識別和提取。VB-FAH指數(shù)基于波段線性差值，對于復雜大氣、耀光反射等具有一定抗干擾能力，是與FAI指數(shù)類似的線性參數(shù)（線性參數(shù)與非線性參數(shù)，用于不同空間分辨率數(shù)據(jù)中的效能不同），能較好的用于不同空間分辨率數(shù)據(jù)中的綠潮解混，VB-FAH還適用于缺乏短波紅外波段的國產(chǎn)衛(wèi)星（如HY-1C/D星CZI數(shù)據(jù)、高分系列衛(wèi)星光學數(shù)據(jù)等）。VB-FAH指數(shù)的計算如式（2）所示：

式中，R代表Rrc反射率，λ為波長，下標NIR、RED、GREEN 分別代表近紅外波段、紅光波段、綠光波段。在本研究中，對于MODIS 影像λNIR=859 nm，λRED=645 nm，λGREEN=555 nm；對于CZI 影像λNIR=825 nm，λRED=650 nm，λGREEN=560 nm；對于MSI 影像λNIR=865 nm，λRED=665 nm，λGREEN=560 nm。

大范圍的海域中，由于海水背景的差異，會導致VB-FAH指數(shù)應用中存在影像的區(qū)域差異（利用短波紅外波段的FAI 算法，則較少受此影響），進一步融合SAI算法，能夠有效去除VB-FAH 指數(shù)影像中的海水背景差異（劉錦超 等，2022），其計算原理如下：

式中，f(x，y)是VB-FAH 值，g(x，y)是滑動窗口的中值，SAI(x，y)是縮放后的像元值。如圖3 步驟（2）所示，通過閾值（T1）對VB-FAH 影像進行閾值分割提取出聚集度較高的大斑塊藻類像元，但指數(shù)影像應用中存在的梯度差異問題會導致一些小斑塊的藻類無法被識別提取出來；對于未分割出來的像元，使用SAI（VB）影像再次進行閾值分割（T2），可以對被漏檢的小斑塊藻類像元進行再次提取，最后將兩次閾值分割的結(jié)果進行合并得到更為精確的藻類像元提取結(jié)果。

3.2 綠潮覆蓋面積與生物量估算模型

本研究使用的綠潮光譜數(shù)據(jù)具有較好的驗證效果，可以用來發(fā)展不同衛(wèi)星數(shù)據(jù)的綠潮覆蓋面積和生物量估算模型。首先結(jié)合MSI、CZI、MODIS 衛(wèi)星傳感器的光譜響應函數(shù)，將實驗光譜數(shù)據(jù)集仿真模擬到不同衛(wèi)星數(shù)據(jù)VB-FAH算法所需的波段，進一步構(gòu)建VB-FAH 與綠潮單位面積生物量（BPA）之間統(tǒng)計模型（圖4）。需要注意的是，模擬的MSI、CZI、MODIS 數(shù)據(jù)的生物量估算模型中，以VB-FAH=0.17為界限，呈現(xiàn)明顯的兩段統(tǒng)計模型。當VB-FAH≤0.17 時，VB-FAH 指數(shù)與BPA 呈現(xiàn)明顯的線性關(guān)系；當VB-FAH≤0.17 時，VB-FAH 指數(shù)與BPA 呈現(xiàn)指數(shù)增加的非線性關(guān)系。這表明，如在MSI數(shù)據(jù)中，VB-FAH 值在0.17以下，可以認為該像元是綠潮和海水的混合像元；而當VB-FAH值大于0.17，該像元則是一個綠潮純像元，VBFAH 值的非線性變化會受到如綠潮厚度的影響；此外，對于MODIS 數(shù)據(jù)而言，雖然可以給出VBFAH 值在0.17 以上的非線性統(tǒng)計關(guān)系，但是真實的MODIS 數(shù)據(jù)中，幾乎難有VB-FAH 大于0.17 的數(shù)值。

圖4 MSI、CZI、MODIS綠潮生物量估算模型Fig.4 Green tide biomass estimation model of MSI，CZI and MODIS image

基于不同衛(wèi)星遙感數(shù)據(jù)的VB-FAH 和BPA 模型，可以給出不同衛(wèi)星數(shù)據(jù)中綠潮覆蓋面積的計算公式。對應圖4 中，當VB-FAH 值大于0.17 時，非線性函數(shù)表明，該像元的綠潮覆蓋為100%；當VB-FAH＜0.17 時，像元內(nèi)綠潮與海水在海面混合存在，該像元內(nèi)綠潮的覆蓋率則與VB-FAH 為線性統(tǒng)計關(guān)系，基于此可以構(gòu)建不同衛(wèi)星數(shù)據(jù)中綠潮覆蓋面積的估算模型（式（5）—（7））。

式中，x為VB-FAH（無量綱），y為像元的綠潮覆蓋率（無量綱，0—1）。

綠潮生物量估算模型也可以進一步建立，需要注意的是，基于實驗數(shù)據(jù)集構(gòu)建的綠潮生物量估算模型，其本身就包含了綠潮像元的線性混合與非線性混合過程，可以直接從不同衛(wèi)星圖像的綠潮VB-FAH 監(jiān)測結(jié)果上進行估算，而無需在綠潮覆蓋面積上進行估算。MSI、CZI、MODIS 的綠潮生物量遙感估算模型，分別如下：

式中，x為VB-FAH（無量綱），y為綠潮BPA（kg/m2）。當VB-FAH＜0.17，隨著VB-FAH 的增加，BPA 為線性遞增，此時遙感數(shù)據(jù)像元的綠潮生物量主要受到其覆蓋率的影響；當VB-FAH＞0.17，該像元中綠潮覆蓋率已達100%（主要是對高空間分辨率數(shù)據(jù)而言，粗空間分辨率數(shù)據(jù)上難以達到100%覆蓋），像元中綠潮生物量的改變主要受綠潮厚度增加的影響，VB-FAH 與BPA 之間呈現(xiàn)指數(shù)統(tǒng)計關(guān)系。

3.3 多源衛(wèi)星數(shù)據(jù)的綠潮估算與驗證

利用2021 年5 月28 日準同步的MSI、CZI、MODIS 數(shù)據(jù)（云和耀光反射的影響可以忽略，且綠潮位置的相對漂移也較?。?，開展不同衛(wèi)星數(shù)據(jù)的綠潮識別與提取，對比分析不同空間分辨率數(shù)據(jù)中綠潮像元面積；并利用本研究發(fā)展的綠潮覆蓋面積和綠潮生物量估算模型，實現(xiàn)不同數(shù)據(jù)上的綠潮覆蓋面積和綠潮生物量估算，并以MSI監(jiān)測結(jié)果為參考值，開展交叉驗證與評估。如圖5 所示，多源光學遙感衛(wèi)星數(shù)據(jù)對中國近海綠潮的識別提取結(jié)果，因為成像載荷參數(shù)差異，在綠潮像元面積上具有較大的尺度差異，MSI、CZI、MODIS影像上綠潮的像元面積分別為349.7 km2、621.7 km2、884.7 km2（圖5（b）），差異顯著；基于綠潮覆蓋面積估算模型，MSI、CZI、MODIS上綠潮覆蓋面積分別為154.5 km2、179.3 km2、188.6 km2（圖5（b））；MSI、CZI、MODIS 數(shù)據(jù)對可共同監(jiān)測的近海綠潮，估算的綠潮生物量分別為369.9 kt、362.0 kt、352.6 kt（圖5（c））；不同數(shù)據(jù)估算的綠潮覆蓋面積和生物量差異，相比較像元面積而言，偏差明顯降低。

圖5 2021年5月28日中國黃海綠潮準同步MSI、CZI、MODIS影像及綠潮覆蓋面積與生物量估算Fig.5 Quasi-synchronous MSI，CZI and MODIS images，coverage area，and biomass of green tide on May 28，2021 covering the Yellow Sea of China

為進一步開展MSI、CZI、MODIS 圖像上綠潮像元面積、綠潮覆蓋面積、綠潮生物量的對比驗證，以MSI圖像結(jié)果為參考值開展對比分析。采用網(wǎng)格分析法，對MSI、CZI、MODIS 準同步影像進行網(wǎng)格分割，并統(tǒng)計每個網(wǎng)格內(nèi)綠潮的總像元面積、總覆蓋面積和總生物量；網(wǎng)格的大小設(shè)置為10 km×10 km，重疊率為50%。需要說明的是，在準同步影像中，由于不同傳感器存在拍攝的時間差，綠潮可能發(fā)生了一定程度的漂移，會對統(tǒng)計結(jié)果產(chǎn)生一定的影響，但10 km×10 km的范圍可以平滑掉這部分誤差，不會影響整體的統(tǒng)計結(jié)果。此外由于MODIS數(shù)據(jù)的分辨率較粗，對于海面真實綠潮小斑塊的探測能力相對較差，為了保證格網(wǎng)內(nèi)的含藻像元能被MSI、CZI、MODIS 影像共同探測到，以MODIS 滑窗內(nèi)綠潮像元面積占比≥10%為條件，開展對比分析（圖6）。結(jié)果表明：（1）數(shù)據(jù)空間分辨率降低會對綠潮像元面積產(chǎn)生高估，相比10 m分辨率MSI數(shù)據(jù)結(jié)果而言，CZI和MODIS 數(shù)據(jù)綠潮像元面積分別高估了1.66和2.56倍，不確定性分別約為14%和21%（圖6（a））；（2）綠潮覆蓋面積代表了海面真實的綠潮面積，相比10 m分辨率MSI數(shù)據(jù)結(jié)果而言，CZI和MODIS數(shù)據(jù)綠潮覆蓋面積分別高估了15%和28%，不確定性下降到約4%和12%（圖6（b））；（3）基于MSI、CZI、MODIS數(shù)據(jù)估算的綠潮生物量保持了較好的一致性，相對偏差在～2%左右，CZI 和MODIS 生物量的不確定性分別約為2%和7%（圖6（c））。這充分說明，在中國近海綠潮監(jiān)測中，不同空間分辨率的衛(wèi)星數(shù)據(jù)監(jiān)測的綠潮像元面積，包含了較大的尺度效應，無法代表真實的海上綠潮面積，且不同數(shù)據(jù)反演的像元面積不具可比性。以像元解混為核心，不同衛(wèi)星數(shù)據(jù)估算的綠潮覆蓋面積和綠潮生物量，能有效的降低不同數(shù)據(jù)間的遙感尺度效應，可更為精準的用于綠潮遙感監(jiān)測。對比綠潮覆蓋面積和綠潮生物量的驗證結(jié)果，綠潮生物量比綠潮覆蓋面積具有更好的一致性（更接近1∶1線）和更小的不確定性。這是因為綠潮覆蓋面積參數(shù)，雖能有效的降低綠潮的線性混合效應，但是難以降低非線性混合效應（含藻像元中，當綠潮覆蓋面積達到100%之后，其厚度依然增加所產(chǎn)生的衛(wèi)星光學信號響應）。

圖6 綠潮像元面積、覆蓋面積和生物量交叉驗證Fig.6 Cross-validation of pixel area，coverage area and biomass of green tide

4 近海綠潮生物量遙感估算對比

利用上述方法對2021 年中國近海綠潮有效衛(wèi)星觀測數(shù)據(jù)進行處理，利用SAI（VB）方法從MODIS 和CZI 圖像上準確提取含藻像元，估算不同數(shù)據(jù)上的綠潮像元面積；利用式（6）和（7）分別對CZI 和MODIS 圖像含藻像元進行解混，計算圖像上的綠潮覆蓋面積；利用綠潮生物量估算模型（式（9）和（10）），基于含藻像元的VBFAH 值，估算海面綠潮的單位面積生物量，從而給出綠潮總生物量?；贑ZI 和MODIS 數(shù)據(jù)識別的綠潮像元，估算的綠潮覆蓋面積、綠潮單位面積生物量與總生物量如圖7 所示，從綠潮空間分布圖上看，CZI 能提供更為精細的綠潮空間分布細節(jié)，進一步將CZI 和MODIS 估算的結(jié)果進行詳細比對分析。

圖7 2021年中國黃海綠潮生物量影像Fig.7 BPA images of green tide in 2021 covering the Yellow Sea of China

將基于CZI 和MODIS 數(shù)據(jù)估算的2021 年綠潮像元面積、覆蓋面積和生物量整理成統(tǒng)計直方圖，如圖8 所示。MODIS 數(shù)據(jù)給出的2021 年綠潮像元面積最大值為6 月23 日8057.9 km2，CZI 數(shù)據(jù)上觀測的綠潮像元面積最大值為6 月6 日2603.0 km2；即使是7 月9 日同一天的MODIS 和CZI 數(shù)據(jù)，觀測的綠潮像元面積也分別是4845.1 km2和2326.3 km2；在2021 年MODIS 和CZI 數(shù)據(jù)獲取的綠潮像元面積直方圖上（圖8（a）），綠潮的時空變化趨勢也具有較大的偏差，說明像元面積不能用于量化評估綠潮的時空變化。綠潮像元通過解混計算后，獲得的綠潮覆蓋面積或綠潮生物量才是更為精準的參數(shù)表達，MODIS和CZI數(shù)據(jù)計算的綠潮覆蓋面積和生物量直方圖（如圖8（b）、（c）），MODIS 和CZI解混后的數(shù)值結(jié)果具有較強的一致性，空間分辨率差異導致的尺度效應得到有效消除，能夠較好的用于綠潮時空變化定量評估分析。

圖8 2021年中國黃海綠潮像元面積、覆蓋面積以及生物量統(tǒng)計直方圖Fig.8 Statistical histograms of pixel area，coverage area and biomass of green tide in the Yellow Sea of China，2021

MODIS和CZI數(shù)據(jù)計算獲得的綠潮覆蓋面積和綠潮生物量年內(nèi)變化直方圖的對比分析中，依然會有一定的偏差，這種偏差則是由傳感器參數(shù)所產(chǎn)生的，即MODIS像元和CZI像元對海面綠潮的最低檢出能力會有差異，這種差異會導致MODIS不僅會對綠潮覆蓋面積和生物量有高估的情況，也存在低估的情況。如圖9 和表1 所示，選擇7 個不同區(qū)域的MSI、CZI 和MODIS 數(shù)據(jù)，進行更為細致的對比分析（圖9 為圖5（c）中，7 個不同區(qū)域的放大圖）。較小的海面綠潮斑塊，可以被MSI 和CZI 探測到，但不能被MODIS探測到（圖9的區(qū)域1、區(qū)域2、區(qū)域3），這種情況下會導致MODIS估算的綠潮像元面積、覆蓋面積和總生物量均小于CZI和MSI；如表1所示，區(qū)域1至區(qū)域3利用MODIS估算的綠潮覆蓋面積和生物量都遠低于MSI和CZI 的估算結(jié)果。此類情況多出現(xiàn)在靠近蘇北淺灘的區(qū)域，因為此時的綠潮在北向海表流場和風場的共同作用下向北漂移，多以小斑塊形式存在。區(qū)域4和區(qū)域5同樣說明了這一點，雖然有聚集的漂浮藻類斑塊被MSI、CZI 和MODIS 共同探測到，但區(qū)域4 和區(qū)域5 內(nèi)還是以小斑塊居多（圖9 的區(qū)域4，圖9 的區(qū)域5），造成MODIS在綠潮覆蓋面積和生物量上的低估。當區(qū)域內(nèi)的漂浮綠潮以大斑塊的形式存在時（圖9的區(qū)域6、區(qū)域7），如表1 所示，會造成MODIS 估算的綠潮覆蓋面積和生物量都高于MSI 和CZI 的情況。相比較而言，兼具高空間分辨率和高時相分辨率的中國HY-1C/D 衛(wèi)星CZI 數(shù)據(jù)，則展現(xiàn)了較好的效能，是中國近海綠潮高精度定量監(jiān)測的可用數(shù)據(jù)支撐。

圖9 綠潮生物量格網(wǎng)統(tǒng)計（每個格網(wǎng)大小為10×10 km，格網(wǎng)位置對應于圖5（c））Fig.9 Grid statistics of green tide biomass（grid size：10 km×10 km，grid position corresponds to Fig.5（c））

5 結(jié)論

面向中國近海綠潮精準定量監(jiān)測需求，基于綠潮生物量變化模擬與觀測驗證數(shù)據(jù)，本文提出了適用于MSI、CZI、MODIS 等不同載荷數(shù)據(jù)的綠潮生物量光學遙感估算模型和計算方法。準同步MSI、CZI、MODIS 數(shù)據(jù)的綠潮相關(guān)參數(shù)（綠潮的像元面積、覆蓋面積和生物量）的估算對比分析表明，相較于像元面積，覆蓋面積和綠潮生物量估算結(jié)果的不確定性最小，能減少面積參數(shù)包含的尺度效應差異，能更準確地用于海洋生態(tài)環(huán)境的量化與評估。基于2021 年CZI 和MODIS 數(shù)據(jù)估算的中國近海綠潮生物量結(jié)果表明，CZI 與MODIS 協(xié)同監(jiān)測數(shù)據(jù)產(chǎn)品不僅具有較高的時間分辨率，還具有精細的空間分辨率。通過較高的時間分辨率，詳細量化了2021 年中國近海綠潮生物量的年內(nèi)變化；較高的空間分辨率還能展現(xiàn)綠潮生物量的精細空間分布格局與變化趨勢。綠潮小斑塊的遙感識別與估算，展現(xiàn)了對近海綠潮的生消與運移過程具備更為精細的監(jiān)測能力，能有效提高綠潮生物量的時空監(jiān)測精度?；贛ODIS和CZI 協(xié)同監(jiān)測結(jié)果，能為近海綠潮生物量精細監(jiān)測、時空變化分析、可持續(xù)管理提供精細數(shù)據(jù)支持。

志 謝美國南佛羅里達大學海洋科學學院胡傳民教授、美國國家海洋和大氣管理局衛(wèi)星應用與研究中心齊琳博士在研究過程中給予了大量指導和幫助。