1 燕山大学信息科学与工程学院, 河北省特种光纤与光纤传感重点实验室, 河北 秦皇岛 066004
2 秦皇岛红燕光电科技有限公司, 河北 秦皇岛 066004
绿潮是一种海洋大型藻暴发性生长聚集形成的藻华现象, 严重影响沿海的生态环境。 绿潮覆盖面积的精准监测对绿潮灾害预防、 监测和治理有着重要意义。 利用光谱方法进行遥感监测拥有非接触、 成本低和损耗小等优势, 其中机载高光谱遥感凭借其光谱和空间分辨率高及成像通道多的优势, 在海洋领域拥有广泛的应用前景。 利用大疆M300 RTK专业级无人机搭载410 Shark高光谱成像系统对秦皇岛市金梦海湾海域的绿藻暴发区进行数据采集。 对采集到的光谱数据进行数据预处理, 提取不同地物的光谱特征, 基于该特征构建了容量为30 000的光谱特征数据集, 随机的将数据集划分为训练集和测试集, 其中训练集占比75%, 测试集占比25%。 通过决策树、 随机森林、 支持向量机(SVM)、 K最近邻(KNN)和三输入的投票分类器五种机器学习算法建立高光谱绿潮反演模型。 对基于机载高光谱成像系统的地面分辨单元(GRC)计算绿潮暴发区的绿潮覆盖面积, 并基于数据集内准确率、 Kappa系数和预设标准面积误差验证法测试反演模型的分类精度。 结果表明: 在对高光谱数据进行绿藻像元和其他地物像元的二分类和利用所构建的分类器进行大数据预测时, 先进行波段选择可节约大量时间; 对高光谱数据进行对数处理增强谱间差异后再构建分类器模型, 可有效提高模型的分类准确率; 基于随机森林、 SVM和KNN的三输入的投票分类器建立的高光谱绿潮反演模型的反演精度最高, 数据集准确率达到98.95%, Kappa系数为0.978 9, 预设标准面积误差验证法得到的分类误差为6.06%。 通过对实验区高光谱图像的预测应用, 证明了该模型在预测大数据时仍保持较高准确率, 且对混合像元区的水中绿藻像元也能给出定义, 证明了该方法在绿潮遥感监测领域的可行性和优越性, 在绿潮面积监测领域具有普适性, 在海洋监测领域具有广泛的应用前景。
海洋监测 无人机 高光谱 绿潮 机器学习 Marine monitoring Unmanned aerial vehicle (UAV) Hyperspectral Green tide Machine learning 光谱学与光谱分析
2023, 43(11): 3637
1 哈尔滨工程大学信息与通信工程学院, 哈尔滨 150001
2 中国科学院海岸带环境过程与生态修复重点实验室, 中国科学院烟台海岸带研究所, 烟台 264003
3 鲁东大学信息与电气工程学院, 烟台 264025
绿潮是我国近海常见的一种海洋生态灾害。为利用无人机(UAV)RGB光学相机准确高效地监测绿潮, 建立高分辨率RGB光学影像中绿藻快速提取算法, 本文提出了一种新的指数用于增强漂浮绿藻的信号, 即以绿色和红色波段形成一个虚拟基线, 此基线以下蓝波段信号的线高即为红绿波段虚拟基线漂浮绿藻指数(RG-FAH)。此外, 利用不同条件的无人机影像与其他植被指数对比进行验证。试验结果表明, RG-FAH在不同条件下的准确率、kappa等指标都在0.91以上。在正常与过曝光的条件下及提取大面积绿藻斑块时, RG-FAH与绿波段和蓝波段的差值(GB)相当, 但在太阳耀光耐受性和小斑块提取方面比GB及其他指数表现更好。该RG-FAH指数在绿藻及类似的水体漂浮绿色植物的监测方面有应用潜力, 能为绿潮的监测、管理提供有效的信息支持。
绿藻监测 光学影像 植被指数 虚拟基线 green tide UAV UAV optical images vegetation indices virtual baseline
1 南京信息工程大学海洋科学学院, 江苏 南京 210044
2 江苏省海洋动力遥感与声学重点实验室, 江苏 南京 210044
3 江苏省海洋环境探测工程技术研究中心, 江苏 南京 210044
结合GOCI(Geostationary Ocean Color Imager)传感器的波段特征,基于缨帽变换方法设计了一种简单有效的绿潮指数(TCT-GTI)算法。结合目视判断的绿潮识别结果,将TCT-GTI算法与两种已有的遥感算法(AFAI和IGAG算法)监测结果进行对比发现,TCT-GTI算法的绿潮遥感监测结果精度较高,具有较高的可信度。将TCT-GTI算法应用到2017年多景GOCI影像,对中国黄海海域绿潮信息进行提取,同时分析绿潮覆盖面积的日变化特征,研究2017年绿潮暴发事件的漂移轨迹。研究结果表明,绿潮覆盖面积在中午12:00达到最大,这可能是光合作用等因素的影响。2017年,绿潮暴发事件经历了西北至东北的漂移路径,由江苏盐城外海海域向西北方向漂移至南黄海东部,然后继续向东北方向移动,抵达山东半岛南岸,逐渐消亡。
海洋光学 绿潮 绿潮指数算法 静止轨道海洋水色成像仪 漂移轨迹 黄海
1 中国石油大学(华东), 山东 青岛 266580
2 国家海洋环境监测中心, 辽宁 大连 116023
针对光学遥感手段无法探测云雾覆盖下绿潮分布区域这一现状问题, 本文着力于开展绿潮时空分布的监测研究, 获取了近三年五月中旬到八月中旬的GOCI(geostationary ocean color imager)数据, 基于该数据进行绿潮范围提取、绿潮漂移路径分析、精细化云区域提取和统计云覆盖情况, 分析云量覆盖对利用静止轨道卫星监测绿潮的影响程度, 进而从探测能力和动态能力两方面论证利用静止轨道卫星开展绿潮业务化监测的可行性。
绿潮 云量 探测能力 动态能力 green tide GOCI GOCI cloud cover detecting ability dynamic capabilities
中国石油大学地球科学与技术学院, 山东青岛266580
针对MODIS数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题, 基于3 m分辨率的机载SAR高分影像, 结合归一化植被指数(NDVI), 对MODIS研究区中大于NDVI阈值的像元进行混合像元分解得到绿潮的“覆盖面积”; 获取的准同步3 m机载SAR提取的绿潮面积为“真实值”, 然后建立二者之间的关系模型, 并选取不同的样本区域对该模型进行了验证。实验结果表明: NDVI等传统算法所提取的绿潮覆盖面积约为“真实值”的2.68倍; 基于混合像元分解的方法所提取的绿潮面积较“真实值”偏小, 约为“真值”的0.56倍; 与传统的NDVI等多波段比值法相比, 该精细化模型方法提取的绿潮覆盖面积更接近于“真实值”, 与“真实值”误差仅为6.7%。
黄海 绿潮 混合像元分解 机载SAR Yellow Sea green tide mixed pixel decomposition MODIS MODIS NDVI NDVI airborne SAR
1 国家海洋局第一海洋研究所, 山东 青岛 266061
2 中国海洋大学信息科学与工程学院, 山东 青岛 266100
3 南京大学地理与海洋科学学院, 江苏 南京 210023
海上漂浮绿潮生物量的估算对实现绿潮处置资源高效配置、提高应急处置效率具有重要意义。利用现场实验获取的漂浮绿潮单位面积生物量及其地物反射光谱数据,分析了漂浮绿潮光谱特征和多种光谱指数与单位面积生物量之间的响应关系,基于此构建并验证了漂浮绿潮生物量估算模型。结果显示漂浮绿潮近红外波段反射率与单位面积生物量之间存在强相关关系(相关系数R≈0.8);光谱指数以及960 nm反射峰和1060 nm吸收峰峰值与漂浮绿潮单位面积生物量显著相关(R>0.7);基于R960/R670和R1060/R670(R670,R960,R1060分别为670,960,1060 nm处的反射率)构建的漂浮绿潮生物量指数估算模型具有较高的精度(R2≈0.9,相对误差RPE≈27%)。研究结果为利用遥感技术实现海面漂浮绿潮生物量估算提供了参考。
光谱学 遥感 生物量 光谱特征 绿潮
1 南京信息工程大学海洋科学学院, 江苏 南京 210044
2 南京信息工程大学江苏省海洋环境探测工程技术研究中心, 江苏 南京 210044
3 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094
大面积绿潮爆发对海洋生态环境、渔业经济、滨海旅游业等造成严重的负面影响。利用遥感技术可对绿潮进行宏观、及时、动态的有效监测,也可进行及时治理和预防,以减少经济损失。从GF1-WFV和HJ-CCD影像数据提取我国沿海绿潮水体的反射光谱特征,分析与非绿潮水体的光谱特征的差异,进而面向环境一号和高分一号开发了多光谱绿潮指数(MGTI)-多波段差值耦合算法,并用该算法对绿潮进行遥感监测。同时与Landsat7-ETM+影像监测面积、归一化植被指数(NDVI)算法和增强型植被指数(EVI)算法提取绿潮面积进行比较验证。结果表明,所开发算法对绿潮发生位置和面积的监测效果较好,且精度达到94%,可有效地应用于我国沿海二类水体的绿潮监测,为利用国产卫星数据监测沿海绿潮提供理论依据和方法支撑。
海洋光学 绿潮 多光谱绿潮指数 遥感
1 山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛 266061
2 国家海洋局北海预报中心, 山东 青岛 266061
3 国家海洋局第一海洋研究所, 山东 青岛 266061
本文选取晴好天气条件下的MODIS影像为研究数据, 以“类间距”为评价指标, 对比分析了5种常用的植被指数(NDVI、EVI、ARVI、RVI和DVI)对不同生长阶段绿潮的探测能力, 在此基础上, 利用最优指数开展了2014年黄海绿潮的过程分析, 并与历年监测结果进行了对比。结果表明, NDVI算法对绿潮各个生长阶段的探测能力均最强。2014年黄海绿潮生消过程共计85天, 绿潮密集区先向东北漂移, 然后向西北漂移, 最后转向东北方向漂移。最大覆盖面积为540 km2, 最大分布面积为50 000 km2; 与历年监测结果相比, 2014年黄海绿潮的覆盖面积较小, 但分布面积较大。
植被指数 MODIS数据 绿潮 不同生长阶段 业务化应用 Vegetation Index MODIS data Green Tide Various Stages Operational application
1 山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛266061
2 国家海洋局北海预报中心, 山东 青岛266061
3 国家海洋局第一海洋研究所, 山东 青岛 266061
在绿潮遥感业务化监测中, 250 m分辨率的MODIS卫星数据是主要数据源, 归一化差值植被指数(NDVI) 是绿潮卫星遥感信息提取的主要方法。研究发现, 由于MODIS空间分辨率较低, 存在大量的混合像元, 导致提取的绿潮覆盖面积明显偏大。针对该问题, 本文在MODIS绿潮NDVI计算的基础上, 首先对大于NDVI阈值的像元进行混合像元分解, 得到MODIS NDVI混合像元分解后的绿潮面积, 然后以准同步的30 m分辨率HJ-1 CCD影像提取的绿潮覆盖面积为真值, 建立了MODIS NDVI混合像元分解得到的绿潮面积与HJ-1提取的绿潮面积之间的关系模型, 以实现绿潮面积的精细化提取。与传统的NDVI阈值法和混合像元分解法相比, 该方法提取的绿潮覆盖面积更接近于“真值”, 面积约为“真值”的96%, 而传统的NDVI阈值法和混合像元分解方法提取的面积分别为“真值”的2.96倍和45%。另外, 与传统的NDVI阈值法相比, 新方法对NDVI阈值变化不敏感, 在相同的NDVI阈值变化区间内, 前者提取的绿潮覆盖面积变化了41%, 而新方法的变化仅为11%。本文的工作在很大程度上解决了MODIS空间分辨率低导致的绿潮监测结果不准确的问题, 为精细化的绿潮卫星遥感业务监测提供了参考。
混合像元分解 绿潮监测 Mixed pixel decomposition MODIS MODIS NDVI NDVI green tide monitoring
1 国家海洋局北海预报中心, 山东 青岛 266061
2 山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛 266061
利用近6年黄海绿潮综合监测资料, 分析了黄海绿潮年际变化特征, 包括绿潮首次被卫星遥感发现时的分布特征、最大覆盖面积和分布面积、同期覆盖及分布面积、绿潮漂移路径等。利用绿潮溯源模式和首次卫星发现的绿潮位置, 追溯其早期分布, 结果显示虽然每年绿潮早期分布的时间、位置和形状以及漂移路径都有所不同, 但总体都是由南向北漂移; 回溯到4月中旬至5月初时, 每年基本上都分布于苏北浅滩的东沙、竹根沙和蒋家沙附近海域。
黄海 绿潮 分布 年际变化 溯源 Yellow Sea green tide distribution interannual variation origin