鄭翔宇, 高志強(qiáng), 徐福祥, 寧吉才, 宋德彬, 鄭丙吉

?

基于VB-FAH指數(shù)的黃海綠潮遙感監(jiān)測及對比研究

鄭翔宇1, 2, 高志強(qiáng)1, 徐福祥1, 2, 寧吉才1, 宋德彬1, 2, 鄭丙吉3

(1. 中國科學(xué)院煙臺海岸帶研究所, 山東煙臺 264003; 2. 中國科學(xué)院大學(xué), 北京 100049; 3. 即墨市國土資源局, 山東青島266200)

目前綠潮遙感監(jiān)測手段大多基于單一遙感數(shù)據(jù), 局限性很大, 為了彌補(bǔ)監(jiān)測中空間分辨率和時間分辨率低的問題, 基于多源遙感數(shù)據(jù), 結(jié)合虛擬基線高度浮藻指數(shù)VB-FAH(virtual-baseline floating macroAlgae height)和人工輔助判讀方法, 對2015—2016年黃海發(fā)生的綠潮(大型綠藻——滸苔())進(jìn)行了動態(tài)監(jiān)測, 并利用兩景同步影像比較了高分一號衛(wèi)星WFV(GF-1 WFV)數(shù)據(jù)和資源一號04星WFI(CBERS-04 WFI)數(shù)據(jù)的監(jiān)測結(jié)果, 同時也對衛(wèi)星影像監(jiān)測和船載監(jiān)測結(jié)果進(jìn)行了比較。結(jié)果表明: CBERS-04 WFI數(shù)據(jù)的監(jiān)測結(jié)果與GF-1 WFV數(shù)據(jù)相比產(chǎn)生了15.3%~37.32%的相對偏差, 主要原因是空間分辨率的差異導(dǎo)致的混合像元效應(yīng)。對衛(wèi)星影像監(jiān)測結(jié)果與船測數(shù)據(jù)進(jìn)行疊加對比, 可以發(fā)現(xiàn)在Ⅲ級以上的綠潮數(shù)量級中衛(wèi)星影像的監(jiān)測精度較高。綠潮暴發(fā)的過程持續(xù)100 d左右, 4月底—5月初綠潮開始在蘇北淺灘濁水區(qū)出現(xiàn), 隨著外界因素逐漸達(dá)到適宜生長的條件, 綠潮不斷生長直至暴發(fā), 并隨黃海表層流向北漂移, 直至山東半島南部沿岸, 7月份和8月份是綠潮的消亡階段, 8月中旬綠潮基本消亡。本研究成果提高了監(jiān)測精度, 可為綠潮的防控提供有效的信息支持。

遙感監(jiān)測; 多源遙感數(shù)據(jù); 虛擬基線高度浮藻指數(shù)(VB-FAH); 綠潮; 黃海

近些年, 黃海海域每年都會暴發(fā)不同規(guī)模的綠潮災(zāi)害, 給相關(guān)地區(qū)的經(jīng)濟(jì)和生態(tài)環(huán)境造成巨大的損失。由于綠潮災(zāi)害暴發(fā)突然, 成災(zāi)面積大, 分布范圍不固定, 傳統(tǒng)技術(shù)難以滿足大規(guī)模、宏觀、連續(xù)且同步的監(jiān)測要求, 因此遙感成為監(jiān)測此災(zāi)害的一種主流方法, 國內(nèi)外學(xué)者對其進(jìn)行了諸多的研究, Hu等[1-2]基于MODIS(moderate resolution imaging spectroradiometer)數(shù)據(jù)提出了一種新的浮藻指數(shù)FAI (floating algae index), 并根據(jù)這種指數(shù)監(jiān)測了2008年青島海域綠潮災(zāi)害; Shi等[3]基于MODIS數(shù)據(jù), 提出了歸一化藻類指數(shù)NDAI(normalized difference algae index), 并根據(jù)此指數(shù)監(jiān)測了2008年黃海海域綠潮; 施英妮等[4]和吳傳慶等[5]將環(huán)境一號A/B星CCD(HJ-1A/1B CCD)數(shù)據(jù)應(yīng)用在黃海綠潮監(jiān)測中, 結(jié)果表明, 該數(shù)據(jù)可以提供比MODIS更精細(xì)的信息, 能夠精確計算出綠潮分布范圍、漂移路線等信息, 是環(huán)境保護(hù)的有效手段; 薛瑞等[6]基于HJ-1A/1B數(shù)據(jù)監(jiān)測了2014年黃海綠潮時空分布情況, 并比較了綠潮提取方法中歸一化植被指數(shù)法和神經(jīng)網(wǎng)絡(luò)監(jiān)督分類法的區(qū)別; Son等[7]基于GOCI(geostationary ocean color imager)數(shù)據(jù), 提出了GOCI綠藻指數(shù)IGAG (index of floating green algae for GOCI), 利用該指數(shù)監(jiān)測了黃東海綠潮, 并與NDVI(normalized difference vegetation index), EVI(enhanced vegetation index), KOSC(Korea Ocean Satellite Center)3種方法作了對比, 結(jié)果顯示, 相比單波段比值法和NDVI算法, 基于多波段的IGAG指數(shù)對復(fù)雜的海洋環(huán)境更加敏感和可靠; 邢前國等[8]提出了一種基于虛擬基線高度的漂浮藻類遙感識別指數(shù)VB-FAH (virtual-baseline floating macroAlgae height), 并應(yīng)用于Landsat、HJ-1衛(wèi)星影像, 對我國黃、東海歷史綠潮信息進(jìn)行了監(jiān)測; Qi等[9]基于MODIS數(shù)據(jù)對2007—2015年的黃海綠潮進(jìn)行了長期監(jiān)測, 并在月尺度和年尺度上對結(jié)果進(jìn)行了分析。綜合各學(xué)者的研究, 或采用MODIS、GOCI等分辨率較低的數(shù)據(jù), 精度偏差較大, 或采用環(huán)境衛(wèi)星等數(shù)據(jù), 空間分辨率較高但時間分辨率相對較低, 易出現(xiàn)云霧等外界條件影響監(jiān)測間隔的現(xiàn)象, 很難在1年中建立高時間密度的監(jiān)測序列。隨著研究技術(shù)的發(fā)展及監(jiān)測手段的多樣化, 多種遙感數(shù)據(jù)相繼投入使用, 2008年之后我國相繼發(fā)射了具有高分辨率和寬視場的環(huán)境一號A/B星、高分一號衛(wèi)星(GF-1)、資源一號04星(CBERS-04)。因此, 本文基于VB-FAH指數(shù), 采用我國具有自主知識產(chǎn)權(quán)的GF-1 WFV、HJ-1A/1B CCD、CBERS-04 WFI及美國Landsat-7 ETM+、Landstat-8 OLI等多種衛(wèi)星遙感數(shù)據(jù), 并結(jié)合船載遙感平臺對2015—2016年黃海綠潮災(zāi)害進(jìn)行了大范圍、高時間密度的動態(tài)監(jiān)測, 以期彌補(bǔ)單一傳感器帶來的空間分辨率或時間分辨率低的問題, 獲得更準(zhǔn)確的監(jiān)測結(jié)果, 為分析綠潮暴發(fā)時期及分布特征提供幫助。

1 研究方法

1.1 研究區(qū)概況

本文的研究區(qū)為黃海中、南部區(qū)域(31.5°—37.5°N, 119°—124°E), 北至山東省威海市成山頭, 南至長江口水域, 東至中國領(lǐng)海外緣線以外, 西至中國東部海岸線, 海岸線總長度約2 446.2 km, 本研究區(qū)內(nèi)水體渾濁程度差異非常大[8], 江蘇省附近海域海水渾濁程度非常高, 山東半島南部近岸海域海水渾濁程度較低, 黃海中部海域水體清澈(圖1)。自2008年以來, 每到夏季該研究區(qū)內(nèi)都會有不同規(guī)模的綠潮災(zāi)害暴發(fā), 由于其生物量巨大且分布范圍極廣, 給當(dāng)?shù)睾０稁鷳B(tài)環(huán)境、水產(chǎn)養(yǎng)殖、旅游業(yè)等帶來巨大損失, 受到了社會的廣泛關(guān)注和重視[9, 11-12]。

1.2 數(shù)據(jù)處理

為了更加全面、準(zhǔn)確地提取綠潮信息并加以分析, 本研究選用的影像數(shù)據(jù)來自中國資源衛(wèi)星應(yīng)用中心(China Centre for Resources Satellite Data and Application)網(wǎng)站提供的GF-1 WFV、HJ-1A/1B CCD、CBERS-04 WFI影像數(shù)據(jù)和美國地質(zhì)勘探局(United States Geological Survey)網(wǎng)站提供的Landsat-7 ETM+、Landsta-8 OLI影像數(shù)據(jù), 其中GF-1 WFV、HJ-1A/1B CCD、CBERS-04 WFI數(shù)據(jù)覆蓋藍(lán)、綠、紅、近紅外波段, Landsat-7 ETM+數(shù)據(jù)30 m分辨率的波段覆蓋藍(lán)、綠、紅、近紅外、短波紅外5和7波段, Landsta-8 OLI數(shù)據(jù)包括了Landsat-7 ETM+數(shù)據(jù)的所有波段, 并在30 m分辨率的波段中增加了海岸波段1和卷云波段9, 各數(shù)據(jù)的主要技術(shù)指標(biāo)如表1所示。數(shù)據(jù)的獲取時間主要在4—8月, 通過查看真彩色影像, 篩選無云、少云(云蓋小于30%)、能夠全部覆蓋或基本全部覆蓋綠潮分布范圍的影像, 其中HJ-1 25景、GF-1 73景、CBERS-04 12景、Landsat-7 10景、Landsat-8 5景。本研究還利用“科學(xué)3號”考察船對2016年的綠潮災(zāi)害進(jìn)行了小范圍的監(jiān)測, 并利用該數(shù)據(jù)驗證了基于VB-FAH指數(shù)進(jìn)行綠潮監(jiān)測的合理性。

1.3 研究方法

綠潮信息的提取是根據(jù)綠潮與海水光譜特征的差異展開, 綠潮是一種能夠漂浮海面并含有大量葉綠素的大型藻類, 因此具有植被的光譜特征, 綠潮覆蓋越厚, 植被的光譜特征越明顯; 不同背景的海水, 光譜特征也存在明顯的差異[10, 13]。統(tǒng)計不同覆蓋厚度的綠潮水體以及不同渾濁程度的自然水體的光譜特征, 基于這些波譜特征, 本文使用VB-FAH指數(shù)提取綠潮信息, VB-FAH的計算公式定義為

表1 衛(wèi)星數(shù)據(jù)的主要技術(shù)指標(biāo)

注: “—”表示無波段或無30 m分辨率的波段

在利用“科學(xué)三號”考察船的船測數(shù)據(jù)對衛(wèi)星影像遙感監(jiān)測結(jié)果進(jìn)行驗證時, 本文將船測站位點得到的漂浮綠潮數(shù)據(jù)按照分布形態(tài)、大小、密度等要素分為7個數(shù)量級(表2), 并將這些點數(shù)據(jù)的坐標(biāo)和屬性信息輸入到ArcGIS中, 與衛(wèi)星影像的遙感監(jiān)測結(jié)果進(jìn)行對比, 得到全方位、更全面的綠潮監(jiān)測信息。

表2 漂浮綠潮數(shù)量級說明

2 結(jié)果與分析

2.1 綠潮遙感監(jiān)測結(jié)果比較

2.1.1 CBERS-04 WFI數(shù)據(jù)與GF-1 WFV數(shù)據(jù)監(jiān)測結(jié)果比較

本文采用的多源數(shù)據(jù)中GF-1 WFV數(shù)據(jù)具有16 m高空間分辨率, CBERS-04 WFI數(shù)據(jù)的空間分辨率只有73 m, 相對較低, 因此本研究對兩種數(shù)據(jù)的監(jiān)測結(jié)果進(jìn)行了對比。選用成像日期同為2016年5月19日的GF-1 WFV數(shù)據(jù)和CBERS-04 WFI數(shù)據(jù), 成像時間分別為格林尼治時間3時13分和3時5分。為了進(jìn)行綠潮監(jiān)測結(jié)果的對比, 在兩景影像共同覆蓋、且有綠潮發(fā)生的區(qū)域選取了一塊區(qū)域(圖2中的Zone 1), 并在這塊區(qū)域內(nèi)隨機(jī)選取5個子區(qū)(Zone 2—Zone 6), 子區(qū)內(nèi)需有綠潮均勻分布, 另外需根據(jù)影像的經(jīng)緯度信息及綠潮發(fā)生時的分布形態(tài)進(jìn)行綜合判定并作出調(diào)整, 確保每個子區(qū)內(nèi)有相同或相似的綠潮斑塊, 最后以子區(qū)為單位、以GF-1影像為基準(zhǔn), 對綠潮面積提取的結(jié)果進(jìn)行對比, 計算相對偏差, 如表3所示。

由表3可見, 空間分辨率為16 m的GF-1 WFV影像與73 m的CBERS-04 WFI影像提取結(jié)果的相對偏差在15.3%~37.32%, 平均偏差為25.73%, 且CBERS-04 WFI影像提取的結(jié)果普遍比GF-1 WFV的大, CBERS-04 WFI影像的監(jiān)測面積是GF-1 WFV影像的1.153~1.373倍, 平均約1.257倍。經(jīng)分析, 由兩景影像的成像時間差帶來的偏差很小, 一方面兩者成像時間僅相差8 min, 在此期間, 風(fēng)和流對綠潮斑塊的漂移、聚集、沉降等作用很小。而產(chǎn)生偏差的主要原因是兩種數(shù)據(jù)空間分辨率的差異, 兩景影像中的綠潮正處于生長時期, 此時綠潮稀疏分布, 斑塊較小, 并未發(fā)生大規(guī)模的聚集, 因此覆蓋密度較小, 綠潮覆蓋密度小的斑塊和綠潮斑塊的邊緣部分都會產(chǎn)生不同豐度的混合像元, 綠潮在海水中的分布越分散, 像元中綠潮與海水的混合程度越高, 由于傳感器空間分辨率的不同, 導(dǎo)致了對同一斑塊綠潮成像能力的差異, 致使低分辨率提取出的綠潮面積因混合像元程度高而偏大, 因此造成一定程度的誤差。

表3 GF-1 WFV影像和CBERS-04 WFI影像子區(qū)綠潮提取結(jié)果對比

2.1.2 船載監(jiān)測及其與衛(wèi)星影像監(jiān)測結(jié)果比較

本研究在2016年的綠潮監(jiān)測中綜合利用了衛(wèi)星光學(xué)數(shù)據(jù)、船測數(shù)據(jù), 實現(xiàn)了航天遙感與地面遙感相結(jié)合。為了對比船載與衛(wèi)星影像的監(jiān)測結(jié)果, 選取2016年5月19日和5月24日的船載監(jiān)測數(shù)據(jù)與同日的GF-1 WFV(成像時間為格林尼治時間2016年5月19日3時13分)和Landsat-8 OLI影像監(jiān)測數(shù)據(jù)(成像時間為格林尼治時間2016年5月24日2時30分)。由于衛(wèi)星影像成像時間與各站位點船測數(shù)據(jù)之間存在時間差, 綠潮會發(fā)生漂移、聚集, 另外考察船實地觀測時與綠潮斑塊之間也存在觀測距離差, 使船測點位坐標(biāo)與衛(wèi)星影像上綠潮斑塊的坐標(biāo)存在一定距離, 因此本文對船測點建立3 km的觀測緩沖區(qū), 即漂浮在緩沖區(qū)內(nèi)的綠潮斑塊都認(rèn)定為對應(yīng)站位點監(jiān)測的綠潮結(jié)果, 如圖3和圖4所示。

船載平臺能夠更直觀的近距離觀測漂浮綠潮生長分布情況, 圖3是2016年5月19日考察船在33.5°N和34°N緯度線對漂浮綠潮的監(jiān)測情況, 共建立了27個船測站位點, 由圖3可見, 在33.5°N緯度線上, 測量船在從121.4°E行進(jìn)至122°E時, 監(jiān)測的漂浮綠潮數(shù)量級別為Ⅱ級—Ⅵ級, 綠潮多呈小斑塊狀較密集分布, 122°E以東, 綠潮數(shù)量級多為0級和Ⅰ級, 并未發(fā)現(xiàn)綠潮或僅呈絲狀零星分布; 在34°N緯度線上, 自121.7°E以東方向, 船載測量的綠潮數(shù)量級全部為0級和Ⅰ級, 表明在34°N、121.7°E以東的方向基本無綠潮覆蓋。圖4是2016年5月24日測量船在34.5°N緯度線上的監(jiān)測情況, 共建立了37個船測站位點, 由圖4可見121°E至122.2°E區(qū)間內(nèi)有不同級別的綠潮分布, 數(shù)量級多為Ⅱ級—Ⅵ級, 小型綠潮較密集分布, 部分地區(qū)已經(jīng)出現(xiàn)大斑塊狀與長帶狀綠潮, 相比5月19日的船載監(jiān)測結(jié)果, 可見綠潮正呈不斷生長和聚集的發(fā)展態(tài)勢; 自122.3°E以東并無綠潮覆蓋。

本研究利用64個船測點的監(jiān)測數(shù)據(jù)與各站位點對應(yīng)的緩沖區(qū)內(nèi)衛(wèi)星影像的監(jiān)測結(jié)果進(jìn)行了疊加對比, 統(tǒng)計了在綠潮的各個數(shù)量級中船測點的數(shù)量以及衛(wèi)星監(jiān)測結(jié)果與船載監(jiān)測結(jié)果一致的站位點數(shù)量, 計算了衛(wèi)星影像的相對監(jiān)測精度(表4), 可以看出衛(wèi)星影像提取出的綠潮信息基本和船測得出的數(shù)據(jù)一致, 在綠潮發(fā)生的區(qū)域, 當(dāng)綠潮數(shù)量級越高時, 相對監(jiān)測精度越高, 而部分Ⅰ級和Ⅱ級漂浮的綠潮由于斑塊較小且分布較少, 通過衛(wèi)星影像并不能準(zhǔn)確監(jiān)測出, 因此產(chǎn)生了精度偏差。

2.2 綠潮遙感監(jiān)測結(jié)果

在綠潮災(zāi)害暴發(fā)期間, 由于受到諸多因素的影響, 不同時期綠潮斑塊的大小、形狀都有很大的差別,尤其是綠潮暴發(fā)初期和末期, 在遙感影像上綠潮斑塊較小, 低分辨率影像很難監(jiān)測綠潮。本文綜合利用中、高分辨率的衛(wèi)星數(shù)據(jù), 建立了高密度的時間監(jiān)測序列, 有效監(jiān)測了2015—2016年綠潮的初始位置、發(fā)展過程及消亡情況。

表4 衛(wèi)星影像監(jiān)測結(jié)果與船載監(jiān)測結(jié)果比較

由于夏季風(fēng)的影響, 黃海表層流基本由南向北運動, 而表層流決定了綠潮的漂移方向[14-15]。提取出綠潮分布區(qū)域后, 以其在前進(jìn)方向的邊緣線作為趨勢線, 做出2015—2016年黃海綠潮從出現(xiàn)到侵襲山東半島南部沿海城市的漂移趨勢圖(圖5), 可以明顯看出, 綠潮自首次被監(jiān)測之后, 整體一直由南向北移動, 最終抵達(dá)山東半島沿岸。表5是綠潮宏觀面積統(tǒng)計表, 結(jié)果顯示, 綠潮面積變化總體呈現(xiàn)先增加后減少的趨勢。

表5 2015年和2016年綠潮監(jiān)測面積統(tǒng)計表

注: “—”表示有綠潮發(fā)生, 但面積過小, 可以忽略

結(jié)合圖5和表5對兩年的監(jiān)測結(jié)果進(jìn)行對比, 可以發(fā)現(xiàn)綠潮災(zāi)害的持續(xù)時間為100 d左右, 它的暴發(fā)周期特征可以總結(jié)為“初生—發(fā)展—暴發(fā)—消亡”4個階段, 其溯源可以斷定為江蘇輻射沙洲附近的海域(120.5°—121.5°E, 33.0°—34.3°N), 4月底至5月初綠潮開始形成并零星漂浮于蘇北沿岸混濁水舌, 隨著海表溫度、降水、光照等各種外界影響因素逐漸達(dá)到適于綠潮生長和繁殖的條件, 綠潮迅速增長并隨黃海表層流向北漂移; 5月下旬, 綠潮由濁水區(qū)進(jìn)入清水區(qū), 海水中的懸浮泥沙大量減少, 提高了綠潮生長的光環(huán)境條件, 更有利于光照進(jìn)入水中, 使生長速度加快, 綠潮分布特征逐步由條狀、點狀小斑塊向大斑塊生長和聚集, 經(jīng)度分布范圍較之前展寬; 6月是綠潮發(fā)生發(fā)展最重要的階段, 6月上旬綠潮開始進(jìn)入暴發(fā)式的生長, 生物量迅速增長, 覆蓋面積和分布面積持續(xù)擴(kuò)大并繼續(xù)向北漂移, 到6月中下旬, 綠潮覆蓋面積基本達(dá)到最大并逐漸瀕臨山東半島南部城市沿岸, 由于山東半島地理位置的原因, 黃海表層流在此處受到阻隔, 因此綠潮漂移最北可至榮成附近海域(36.5°N), 大面積綠潮可對海岸帶生態(tài)環(huán)境造成巨大破壞, 2015—2016年監(jiān)測到的綠潮最大覆蓋面積分別達(dá)到了1 223.54 km2和1 384.181 km2; 7月—8月綠潮進(jìn)入消亡階段, 在多種因素共同影響下覆蓋面積開始逐漸減小直至消失。

3 結(jié)論

本文利用多源數(shù)據(jù)完成了2015和2016年黃海綠潮災(zāi)害的動態(tài)監(jiān)測, 并進(jìn)行了相關(guān)研究, 研究結(jié)果表明:

1) 基于兩景同步的CBERS-04 WFI數(shù)據(jù)和GF-1 WFV數(shù)據(jù), 較低分辨率的CBERS-04 WFI數(shù)據(jù)相比GF-1 WFV數(shù)據(jù)提取綠潮時可以造成15.3%~37.32%的相對偏差, 空間分辨率差異導(dǎo)致的混合像元效應(yīng)是產(chǎn)生這種偏差的主要原因。

2) 通過對船載監(jiān)測的綠潮數(shù)據(jù)進(jìn)行數(shù)量級分級, 可以發(fā)現(xiàn)與船測數(shù)據(jù)相比, 利用衛(wèi)星影像和VB-FAH指數(shù)提取出的綠潮基本和船測得出的數(shù)據(jù)一致, 但由于衛(wèi)星影像分辨率的原因, 在監(jiān)測Ⅰ級和Ⅱ級漂浮綠潮時產(chǎn)生的相對偏差較大, 不能很好地監(jiān)測出呈絲狀或小斑塊狀零星分布的綠潮, 因此通過更高空間分辨率的衛(wèi)星影像或無人機(jī)等手段監(jiān)測將是下一步研究的方向。

3) 2015年和2016年綠潮面積變化整體呈先增加后減少的趨勢, 4月底、5月初綠潮開始在蘇北淺灘濁水區(qū)出現(xiàn), 5月下旬綠潮開始由清水區(qū)進(jìn)入濁水區(qū), 生長速度加快, 6月上旬綠潮開始暴發(fā)式的增長, 并持續(xù)向北漂移, 6月下旬綠潮覆蓋面積基本到達(dá)最大, 逐漸開始登陸山東半島南部沿岸, 最北可至榮成附近海域, 截至8月中旬綠潮基本全部消亡。

4) 影響綠潮暴發(fā)的因素是多方面的, 探索綠潮的發(fā)生發(fā)展成因也將是下一步研究重點。

[1] Hu Chuanmin. A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sensing of Environment, 2009, 113(10): 2118-2129.

[2] Hu Chuanmin, Li Daqiu, Chen Changsheng, et al. On the recurrentblooms in the Yellow Sea and East China Sea[J]. Journal of Geophysical Research Atmospheres, 2010, 115(C5): 640-646.

[3] Shi Wei, Wang Menghua. Green macroalgae blooms in the Yellow Sea during the spring and summer of 2008[J]. Journal of Geophysical Research Oceans, 2009, 114(C12): 207-211.

[4] 施英妮, 石立堅, 夏明, 等. HJ-1A/1B星CCD傳感器數(shù)據(jù)在黃東海滸苔監(jiān)測中的應(yīng)用[J]. 遙感信息, 2012, 27(2): 47-50. Shi Yingni, Shi Lijian, Xia Ming, et al. The application of HJ-1A/1B CCD data tomonitoring over the Yellow Sea and East Sea[J]. Remote Sensing Information, 2012, 27(2): 47-50.

[5] 吳傳慶, 馬萬棟, 王雪蕾, 等. 基于環(huán)境衛(wèi)星CCD數(shù)據(jù)的黃海滸苔遙感監(jiān)測[J]. 中國環(huán)境監(jiān)測, 2015, 31(3): 161-165. Wu Chuanqing, Ma Wandong, Wang Xuelei, et al. Remote sensing monitoring HAB in Yellow Sea by HJ1-CCD[J].Environment Monitoring in China, 2015, 31(3): 161-165.

[6] 薛瑞, 吳孟泉, 劉楊, 等. 基于HJ-1A/1B的2014年黃海海域滸苔災(zāi)害時空分布[J]. 海洋科學(xué), 2016, 40(7): 115-123. Xue Rui, Wu Mengquan, Liu Yang, et al. Spatial and temporal variability ofin the Yellow Sea, China in 2014[J]. Marine Sciences, 2016, 40(7): 115 123.

[7] Son Y B, Min J E, Ryu J H. Detecting massive green

algae () blooms in the Yellow Sea and East China Sea using Geostationary Ocean Color Imager (GOCI) data[J]. Ocean Science Journal, 2012, 47(3): 359-375.

[8] Xing Qianguo, Hu Chuanmin. Mapping macroalgal blooms in the Yellow Sea and East China Sea using HJ-1 and Landsat data: application of a virtual baseline reflectance height technique[J]. Remote Sensing of Environment, 2016, 178: 113-126.

[9] Qi Lin, Hu Chuanmin, Xing Qianguo, et al. Long-term trend ofblooms in the western Yellow Sea[J]. Harmful Algae, 2016, 58: 35–44.

[10] 邢前國, 鄭向陽, 施平, 等. 基于多源、多時相遙感影像的黃、東海綠潮影響區(qū)檢測[J]. 光譜學(xué)與光譜分析, 2011, 31(6): 1644-1647. Xing Qianguo, Zheng Xiangyang, Shi Ping, et al. Monitoring “green tide” in the Yellow Sea and the East China Sea using multi-temporal and multi-source remote sensing images[J]. Spectroscopy and Spectral Analysis, 2011, 31(6): 1644-1647.

[11] Xing Qianguo, Hu Chuanmin, Tang Danling, et al. World’s largest macroalgal blooms altered phytoplankton biomass in Summer in the Yellow Sea: satellite observations[J]. Remote Sensing, 2015, 7(9): 12297-12313.

[12] Xing Qianguo, Tosi L, Braga F, et al. Interpreting the progressive eutrophication behind the world’s largest macroalgal blooms with water quality and ocean color data[J]. Natural Hazards, 2015, 78(1): 7-21.

[13] 樊彥國, 白羽, 陳潘潘, 等. 青島近海滸苔光譜特征研究[J]. 海洋科學(xué), 2015, 39(4): 87-91. Fan Yanguo, Bai Yu, Chen Panpan, et al.Research of spectrum characteristics ofin Qingdao offshore[J]. Marine Sciences, 2015, 39(4): 87-91.

[14] 徐兆禮, 葉屬峰, 徐韌. 2008年中國滸苔災(zāi)害成因條件和過程推測[J]. 水產(chǎn)學(xué)報, 2009, 33(3): 430-437. Xu Zhaoli, Ye Shufeng, Xu Ren. Possible conditions and process of the massive blooms ofin China during 2008[J]. Journal of Fisheries of China, 2009, 33(3): 430-437.

[15] 盧健, 張啟龍, 李安春. 蘇北沿岸流對滸苔暴發(fā)及漂移過程的影響[J]. 海洋科學(xué), 2014, 38(10): 83-89. Lu Jian, Zhang Qilong, Li Anchun. The influence of Subei coastal current on the outbreak and drift of[J]. Marine Sciences, 2014, 38(10): 83-89.

Study of remote sensing monitoring and comparison of green tide in the Yellow Sea based on VB-FAH index

ZHENG Xiang-yu1, 2, GAO Zhi-qiang1, XU Fu-xiang1, 2, NING Ji-cai1, SONG De-bin1, 2,ZHENG Bing-ji3

(1. Yantai Institute of Coastal Zone Research, the Chinese Academy of Sciences, Yantai 264003, China; 2. Universityof the Chinese Academy of Sciences, Beijing 100049, China; 3. Jimo Land Resources Bureau, Qingdao 266200, China)

Most current monitoring methods are based on single remote sensing data, and thus have considerable limitations. To compensate for spatial resolution and time resolution deficiencies, multi-source remote sensing data are used to capture the green tide (large green algae-) in the Yellow Sea in 2015 and 2016. Data are then monitored and analyzed through the VB-FAH index and a manual assisted interpretation method. Monitoring results of GF-1 WFV and CBERS-04 WFI are then compared with two scene synchronous images, and results of ship monitoring and satellite image monitoring are also compared. Results show that compared with GF-1 WFV data, monitoring results of CBERS-04 WFI data produce a relative deviation of 15.3%~37.32%; this is mainly attributed to the mixed pixel effect caused by the different spatial resolution. By superimposing the monitoring results of satellite images on measured data for comparison and analysis, it is found that the relative monitoring accuracy is higher above grade III. The green tide outbreak lasts about 100 days, from late April to early May. It initially appears in the turbidity zone of the Northern Jiangsu Shoal, and external factors enable it to gradually reach suitable growth conditions. It then continues to grow until it becomes an outbreak, and then flows northwards by the Yellow Sea surface flow until it finally arrives on the southern coast of the Shandong Peninsula. July and August are the extinction stages of the green tide and by mid-August it has almost completely disappeared. Results of this study can be used to improve monitoring accuracy and provide effective information support for the prevention and control of green tide.

remote sensing monitoring; multi-source data; virtual-baseline floating macro-algae height; green tide; the Yellow Sea

(本文編輯: 劉珊珊)

[Basic Special Program of Ministry of Science and Technology, No. 2014FY210600; Strategic Priority Research Program of the Chinese Academy of Sciences, No. XDA11020000; Key Program of the Chinese Academy of Sciences, No. KZZD-EW-14; Talent Fund of Yantai Institute of Coastal Zone Research, the Chinese Academy of Sciences; Aoshan Science and Technology Innovation Program of Qingdao National Laboratory for Marine Science and Technology, No. 2016ASKJ02]

Sept. 28, 2016

X87

A

1000-3096(2017)05-0071-09

10.11759/hykx20160928002

2016-09-28;

2017-04-11

科技部基礎(chǔ)支撐項目(2014FY210600); 中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(A類)(XDA11020000); 中國科學(xué)院重點部署項目(KZZD-EW-14); 中國科學(xué)院煙臺海岸帶研究所人才引進(jìn)項目; 青島海洋科學(xué)與技術(shù)國家實驗室鰲山科技創(chuàng)新計劃項目(2016ASKJ02)

鄭翔宇(1992-), 男, 山東青島人, 碩士研究生, 主要從事近海生態(tài)災(zāi)害遙感監(jiān)測研究, E-mail: xiangyuzheng@yic.ac.cn; 高志強(qiáng), 通信作者, 研究員, 博士生導(dǎo)師, E-mail: zqgao@yic.ac.cn