自2007年以来，黄海海域每年都发生绿潮灾害，尤其是2008年青岛近海岸爆发的绿潮规模空前，严重影响第29届国际奥帆比赛的顺利进行。2012～2015年绿潮的分布面积逐年增加，特别是2015年，分布面积为近五年最大值，并于6月19日达到最大值，约52700平方千米。绿潮虽然无毒，且经过加工后具备一定的食用、药用价值，但过量增殖却会阻塞海上航道、导致水体恶化，还会影响观光旅游业、造成环境次生灾害等，造成巨大的经济损失。2007年，Jim Gower等人使用最大叶绿素指数MCI（Maximum Chlorophyll Index）算法监测到墨西哥湾大量马尾藻类海草。2009年Lawrence M. Kiage使用四个夏季时间序列的NDVI，调查了委内瑞拉的马拉开波湖的浮萍水华，并取得比较好的结果。同年Chuanmin Hu等人提出浮动藻类指数FAI（Floating Algae Index），FAI受观测环境条件（如气溶胶、太阳高度角、观测角度等）影响较弱，能够有效的去除大部分的大气影响，能更好地探测海洋表面植被。2010年，Fahad Alawadi提出表面藻华指数SABI（Surface Algal Bloom Index），并在墨西哥湾、波罗的海、阿拉伯海、黄海四处验证该算法，结果表明，SABI对环境有较好的稳定性[11]。2012年Young Baek Son等人运用GOCI数据提出来基于GOCI的浮动绿藻指数IGAG（Index of Floating Green Algae for GOCI）并在黄海绿潮监测实验中得到结论，IGAG算法对复杂的海洋环境更可靠、更灵敏。曾韬等用“北京一号”小卫星数据，采用监督分类并结合GIS系统的方法，提取浒苔。蒋兴伟等采用对图像尺度分割方法快速提取浒苔。辛蕾等人提出一种运用线性混合像元分解的方法，对绿潮信息进行精细化提取。
1 研究区域及数据预处理
本文主要研究区域位于黄海西边缘，山东半岛附近海域，经纬度为：35°N～37°N，119°E～123°E，如图1所示。
 |
图1 研究区域示意图
对绿潮进行监测研究之前需对获取的影像数据进行数据预处理，其中包括辐射校正、几何校正和大气校正。
1.1 辐射校正
辐射定标和辐射校正是遥感数据定量化的最基本的环节，辐射定标的传感器探测值的标定过程方法，用于确定传感器入口准确的辐射值，辐射校正是消除或改正遥感传感器输出辐射能量中各种噪声的过程。
1.2 几何校正
由于MODIS L1B数据自带了几何定位信息，所以进行简单的几何校正比较简单。常见的MODIS几何校正工具很多，一种是由美国地质调查局USGS（United States Geological Survey）提供的MRT Swath（MODIS Reprojection Tool Swath）工具，处理速度较快，但后续处理较为繁琐；一种是ENVI自带的Georeference MODIS工具或是Reproject GLT with Bowtie Correction工具。因为后续的大气校正需要中心波长信息，所以本文选择了ENVI扩展模块下的modis_conversion_toolkit工具进行相应的几何校正。该工具可以消除“蝴蝶结（Bow Tie Effect）”，亦可在几何校正结束后添加中心波长信息，便于后续大气校正。GOCI L1B影像虽然带有地理位置信息，但这种地理的坐标投影方式是正交投影，需要使用GDPS和ENVI软件将其转化为Geographic Lat/Lon的WGS84坐标系。利用GDPS将GOCI L1B数据产品生成L2P产品，在ENVI中利用L2P的经纬度数据生成地理位置查找表GLT（Geographic Lookup Table）文件，然后利用地理位置查找表数据进行几何校正。
1.3 大气校正
MODIS数据采用ENVI自带的FLAASH大气校正模块进行，ENVI下该校正模块可以选择大气模型和气溶胶类型。GOCI数据采用GDPS进行瑞利散射校正。
2 绿潮提取原理
2.1 绿潮光谱特性
不同密度的绿潮具有不同的反射光谱曲线，通过分析绿潮和海水的光谱曲线（图2）可以发现，不同密度的绿潮各波段反射率不同，但是其光谱曲线的趋势是一致的，在可见光的蓝光波段（400～500nm）和红光波段（680nm）出现吸收峰，在绿光波段（550nm）和近红外波段（700～800nm）出现反射峰，与绿色植被的光谱曲线相似。
图2 绿潮、海水光谱曲线
2.2 绿潮信息提取算法
本文主要研究单波段阈值法和多波段比值算法对绿潮进行提取。
2.2.1 单波段阈值法
根据现场光谱曲线可以知道，绿藻在可见光波段的反射率较低，在近红外波段的反射率比较高，在近红外的单波段灰度图像上，能够明显看到海水中的绿藻。如图3所示。
单波段提取绿藻的思想是，根据灰度图像上绿藻与海水灰度值的不同，设定合适的阈值，使海水和绿藻得以分离，按照公式（1）表达即可进行提取。
|
| | （1） |
阈值T的选取主要根据灰度直方图和目视判读而定，受大气条件、观测条件以及人为因素影响较大，不同影像、不同时间、不同地点的影像阈值差异较大，所以对绿藻提取结果影响较大。另一种以反射率、后向散射系数来确定阈值，但这种方法需要对图像进行精确的大气校正，实现起来较为烦琐。
机载SAR数据可以利用ENVI软件进行纹理特征分析来进行阈值设定提取绿藻，基于二阶矩阵的纹理滤波分析，例如均值（Mean）。
2.2.2 多波段比值法
多波段比值算法为目前比较主流的提取算法，因为波段比值运算能够拉伸波段差异，同时还能够抑制地形坡度和方向引起的辐射量变化，消除部分大气影响，在绿藻提取的过程中有较好的效果。例如，最为常用的NDVI算法，NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的探测能力，是目前主流的40余种植被指数中应用最为广泛的一种。NDVI的公式表达如公式（2）所示。
|
| | （2） |
由于绿藻具有植被独特的光谱特性曲线，在近红外波段的强反射，在红光波段的吸收谷，就使得植被的处的NDVI＞0，NDVI的范围为[-1，1]，也就使得绿潮与其他地物的分离变得简单。除NDVI外，针对海洋藻类提取的比值算法也很多，在绿藻提取应用较为多的，例如浮动藻类指数FAI、表面藻华指数SABI和GOCI的浮动绿藻指数IGAG算法等，公式表达分别为公式（3）、公式（4）、公式（5）所示。
|
| | （3） |
|
| | （4） |
|
| | （5） |
以上算法中FAI算法需要短波红外波段，而GOCI没有此波段，因此无法进行该算法的计算。
多波段比值算法提取绿潮，是先将图像进行多波段的比值运算，再在运算的结果图像上进行的提取。由于经过多波段比值运算后的图像上绿藻特征明显，能够简化提取的步骤，更便于灾害的监测。提取表达式（以NDVI算法为例）为公式（6）所示。
|
| | （6） |
2.2.3 自适应阈值法
比值处理后的图像，虽然绿潮特征比较明显，但灰度值大小差异较小，阈值T的选取对于结果影响较大，阈值选取仍有难度。针对这一问题，本文采用自适应阈值的方法进行提取。自适应阈值的公式表达如公式（7）所示。
|
| | （7） |
自适应阈值法是在图像上进行分块处理，每一块区域特征独特，根据每一块儿区域自身的特点选取相应的阈值进行处理，这就很好的避免了大块聚集绿藻的过多估计和小块零散绿藻的遗漏统计。区域阈值可以根据目视解译的方法，也可以根据区域直方图的方法，还可以根据区域内灰度平均值而定。
3 绿潮提取实现
3.1 MODIS数据
 |
本次使用的数据为2015年7月1日02时45分（UTC）的MODIS数据（MOD021KM.A2015182.0245.006.2015182134658.hdf）。裁剪出一定区域进行提取。对裁剪的MODIS数据近红外b2波段进行单波段显示，在近红外的单波段影像上，可以明显看到灰色斑点状的绿藻。根据原理中所描述，进行提取，提取结果图像如图4所示。从图上可以明显看出，单波段阈值提取算法提取的结果受云雾影响较为严重，对云雾影响无法避免。单波段阈值法提取绿潮，算法简单明了，操作起来也十分简单，但是仅直观上就能看出，其提取得到的结果并不是很理想，此方法尚需改进。
多波段比值算法采用NDVI、FAI等算法结合自适应阈值的方法进行绿潮提取。使用NDVI和FAI处理后的结果图像可见图5和图6所示。
由上结果图，可以看出多波段的比值算法，有一定的去云效果，并且能够使绿潮的特征更为明显，便于下一步的提取工作。对比图5和图6，NDVI处理后的图像绿藻特征要优于FAI算法的结果，也就更利于提取。NDVI和FAI算法的提取结果见图7和图8所示。
基于多波段比值的自适应阈值提取算法，是对NDVI处理后的结果进行自适应阈值提取，自适应阈值绿潮提取，先对大片绿潮区域进行分块，然后在每一块区域内，根据绿潮特征进行阈值选取，阈值选取的方法有峰谷法和最佳熵自动阈值。感兴趣区域ROI选取结果如图9所示。对感兴趣区域进行裁剪，裁剪后的图像进行直方图统计显示，选取合适阈值进行绿潮提取，提取结果见图10所示。
3.2 GOCI数据
GOCI数据的绿潮提取，主要是针对GOCI的浮动绿藻指数IGAG算法以及归一化植被指数NDVI算法的实现。经过预处理后的GOCI数据，即可进行相应的波段运算，可以得到结果如图11、图12所示。
从定量化的分析上来看，2015年绿潮面积明显比其他年份要多，与国家海洋局2015年公布的海洋灾害公报数据基本相吻合，见图24所示，2012年绿潮覆盖最少，逐年增加，2015年覆盖面积最大。
4 结论与展望
（1）从结果分析来看，自适应阈值法适应性强，提取的精度相对较高。单一阈值法在算法实现上较为简单，若想进一步提高提取结果的精度，需要在大气校正方面着手。自适应阈值法精度高于单一阈值，操作起来较为烦琐。
（2）针对不同的探测算法，多波段比值法明显优于单波段阈值法。单波段阈值法受大气环境影响较大，而多波段比值法通过比值运算能够消除一部分的大气影响，并且使绿潮特征更为明显。
（3）在众多的比值算法中，归一化植被指数NDVI的适应性更强，基本上的所有的传感器都能适用。
（4）使用2015年GOCI数据验证了绿潮这一海洋灾害，来源于江苏附近海域。
参考文献
[1]国家海洋局．2015年中国海洋灾害公报[EB/OL]．http://www.coi.gov.cn/gongbao/zaihai/.
[2]林文庭．浅论浒苔的开发与利用[J]．中国食物与营养，2007，（9）．
[3]Fleurence J，Gutbier G，Mabeau S，et al．Fatty acids from 11 marine macroalgae of the French Brittany coast [J]．Journal of Applied Phycology，1994，6（5/6）．
[4]孙伟红，冷凯良，王志杰，等．浒苔的氨基酸和脂肪酸组成研究[J]．渔业科学进展，2009，30（2）．
[5]刘英霞，常显波，王桂云，等．浒苔的危害及防治[J]．安徽农业科学，2009，（20）.
[6]王超．浒苔（Ulva prolifera）绿潮危害效应与机制的基础研究[D]．青岛：中国科学院海洋研究所，2010.
[7]于波，汤国民，刘少青．浒苔绿潮的发生、危害及防治对策[J]．山东农业科学，2012，（3）.
[8]Gower J，Hu C，Borstad G，et al．Ocean color satellites show extensive lines of floating Sargassum in the Gulf of Mexico[J]．IEEE Transactions on Geoscience and Remote Sensing，2006，44（12）.
[9]Kiage L M，Walker N D．Using NDVI from MODIS to monitor duckweed bloom in Lake Maracaibo，Venezuela [J]．Water resources management，2009，23（6）.
[10]Hu C．A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sensing of Environment，2009，113（10）.
[11]Alawadi F. Detection of surface algal blooms using the newly developed algorithm surface algal bloom index （SABI）[C]//Remote Sensing. International Society for Optics and Photonics，2010.
[12] Son Y B，Min J E，Ryu J H．Detecting massive green algae （Ulva prolifera） blooms in the Yellow Sea and East China Sea using geostationary ocean color imager （GOCI） data [J]．Ocean Science Journal，2012，47（3）.
[13]曾韬，刘建强．“北京一号”小卫星在青岛近海浒苔灾害监测中的应用[J]．遙感信息，2009，（3）.
[14]蒋兴伟，邹亚荣，王华，等．基于SAR快速提取浒苔信息应用研究[J]．海洋学报，2009，31（2）.
[15]辛蕾，黄娟，刘荣杰，等．基于混合像元分解的MODIS绿潮覆盖面积精细化提取方法研究[J]．激光生物学报，2014，23（6）.
收稿日期：2017-12-06
作者简介：严鹏德（1990-），男，甘肃金昌人，新疆水利水电勘测设计研究院测绘工程院助理工程师，研究方向：3S技术应用。
