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。

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。

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。

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%。

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。

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。

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。

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。

研究表明, 多源卫星数据提取的绿潮信息存在较大差异, 通常认为可能的主要原因是不同卫星遥感器的的空间分辨率、过境时间差、波段设置等各不相同, 但对此仍缺乏深入的研究。本文采用波段设置和过境时间完全相同、仅空间分辨率不同的四景MERIS全、降分辨率(300 m和1 200 m)影像, 利用统一的算法(NDVI)进行绿潮信息提取, 量化了空间分辨率对绿潮覆盖面积、密集度(由斑块个数、聚合度表征)卫星遥感信息提取的影响。结果表明: 空间分辨率对绿潮覆盖面积卫星遥感信息提取影响显著, 全、降分辨率MERIS影像提取的绿潮覆盖面积最大相对偏差可达67%, 遥感影像的空间分辨率对绿潮面积提取结果的影响既与绿潮NDVI探测阈值有关, 还可能与绿潮发展阶段有关。绿潮密集度卫星遥感提取结果也受遥感影像空间分辨率的影响, 全分辨率MERIS影像提取的绿潮斑块个数为降分辨率影像的7~21倍, 绿潮聚合度较降分辨率影像高15%~25%。

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。