漂浮海表的大型藻类覆盖度估算方法与流程

本发明属于海洋环境领域，具体涉及漂浮海表的大型藻类覆盖度估算方法。

背景技术：

海洋大型藻类泛滥，且影响范围逐步变大，比如常见的绿潮现象，就是在特定的环境条件下，由海水中某些大型绿藻，如浒苔，爆发性增殖或高度聚集而引起水体变色的一种有害生态现象，引起海洋灾害。由大型藻类大量繁殖、聚集形成的异常海洋生态现象，在全球范围内对海洋生态及人类活动带来的影响也日益受到重视。自2007年来连年发生在中国黄海、由大型漂浮绿藻(Ulva spp.)爆发导致的绿潮事件，是世界上目前规模最大的大型海洋藻类暴发事件。马尾藻在墨西哥湾及大西洋海域近年也是大规模爆发。近年，中国近海的漂浮马尾藻规模亦有增加的趋势。这些漂浮大型藻类爆发事件对当地经济与生态环境带来重要影响，藻类被卷到海岸不仅破坏海岸景观，还对海洋生态系统带来损害，大量藻类的覆盖遮蔽阳光，影响海底藻类的生长；死亡的藻类也会消耗海水中的氧气，同时腐败后产生有害气体。

通过对大型藻类的科学分析，进而治理、清除是人们急需要解决的，获取海藻在海面上的分布情况是治理防控的基础。漂浮海表的大型藻类分布的区域面积巨大，卫星遥感是目前最有效的识别与分布评估手段。漂浮海表的大型藻类会聚集突出水面，并改变水面本身的粗造度，因此，具有全天候观测能力的微波遥感技术可用于漂浮浒苔的监测(如蒋兴伟等,2009；Shen et al.,2014)；但对于小面积浒苔，其粗糙度与水面背景近似时，微波则难于识别。类似于海表漂浮油膜(如Xing et al.,2015c)，大型藻类有不同于水体的热发射率，热红外遥感技术也可用于其遥感识别；但热红外受云与水汽的影响较大，且浒苔含水量高时，浒苔热红外信号不明显，监测效果较差。比较而言，光学遥感是目前大型藻类常规卫星监测与信息回溯中最常用的手段。

大型藻类具有与高等植物叶片相似的光谱特征，一些陆地植被的遥感算法可用于大型藻类的识别，如广泛运用的归一化植被指数NDVI(Liu et al.,2009；Cui et al.,2012)。针对NDVI在实际应用中的不足，如对气溶胶、海表耀光的变化较为敏感等，新的算法也被推荐用于漂浮藻类遥感识别，如漂浮藻类指数FAI(Hu,2009；Wang and Hu,2016；Xu et al.,2016)、漂浮藻类虚拟基线高度指数VB‐FAH(Xing and Hu,2016)。

目前对漂浮大型藻类的遥感应用，主要在对大型藻类的识别，给出的量化数据，主要表现为大型藻类所影响的区域面积、及以像元为单位的覆盖面积。由于大型藻类在遥感影像上存在像元混合的现象，近年，面向生物量估算的需要，面向像元混合的大型藻类覆盖度的估算越来越受到重视，很多学者均在不同程度上对大型藻类的覆盖进行研究分析。丁一等人(2015)基于遥感图像模拟，评估了像元真实浒苔覆盖度对基于NDVI指数提取绿潮面积的影响。但是丁一的分析方法在建模过程中把30米分辨率遥感影像上的绿潮像元均视为了纯像元，这与像元混合的实际不符，从而产生了较大的估算误差。

技术实现要素：

针对现有技术中对于遥感影像中像元覆盖度评估中存在误差大的问题，本发明提供了漂浮海表的大型藻类覆盖度遥感估算方法，建立有效精准的大型藻类覆盖度估算模型，计算漂浮的大型藻类在遥感影像中的覆盖度，从而估算漂浮的大型藻类生物量。

为实现上述目的，本发明是通过以下技术方案实现的：

采集实际的大型藻类及海水光谱作为端元光谱，模拟、分析现有的主要藻类指数对大型藻类的海表覆盖度的响应规律，建立其相应的估算模型，并以实际的卫星遥感影像进行试验与评估，其具体建模过程如下：

步骤1、采集端元光谱：在漂浮海表的大型藻类大规模聚集海域，分别采集大型藻类以及海表的辐射亮度，并计算各自的反射率，分别得到大型藻类的端元光谱、海表端元光谱；

步骤2、获取混合光谱：基于步骤1中获取的大型藻类的端元光谱、海表端元光谱，模拟不同海水与大型藻类的配比，即通过单位面积中大型藻类的百分比POM的变化进行配比，基于海水与大型藻类的端元光谱的线性混合获得混合光谱；

步骤3、混合光谱重采样：按卫星多光谱波段波宽设置，基于算术平均的方法将混合光谱重采样；

步骤4、建立大型藻类覆盖度估算模型：根据混合光谱在不同波段的反射率分别计算NDVI指数、DVI指数、VB-FAH指数，根据所述指数对不同海水与大型藻类的配比的响应特征，并基于回归分析，通过归一化处理，建立基于所述指数的大型藻类覆盖度估算模型。

进一步地，在步骤2中POM在0-100％之间选取，并按照等差间隔从0至100％设定不同海水与大型藻类的配比，获得当前配比中的混合反射率光谱。

优选的，POM在0-100％之间按照0.25％的等差间隔进行变化。

进一步地，在步骤2中，选取单位面积内海水的占比与海水反射率的乘积，以及单位面积内大型藻类的占比与大型藻类反射率的乘积，以上两种乘积之和即为混合光谱的计算。

进一步地，在步骤3中，按HJ-1CCD、GF-1多光谱波段波宽设置，基于算术平均的方法将混合光谱重采样。

进一步地，在步骤4中NDVI指数、DVI指数、VB-FAH指数分别按照以下公式进行计算，

NDVI＝(R_NIR-R_RED)/(R_NIR+R_RED)；

DVI＝R_NIR-R_RED；

VB-FAH＝(R_NIR-R_G)+(R_G-R_RED)*(λ_NIR-λ_G)/(2*λ_NIR-λ_RED-λ_G)；

其中，式中下标NIR、RED及G分别指近红外波段、红波段、绿波段，λ为波长，R为反射率。

进一步地，在步骤4中基于NDVI指数建立大型藻类覆盖度估算模型，

NDVI：y＝0.00822*EXP(4.802*x)-0.001；

其中，y为覆盖度(％)，x为对应的NDVI指数值。

进一步地，在步骤4中基于DVI指数、VB-FAH指数建立大型藻类覆盖度估算模型，

DVI，VB‐FAH：y＝0.973x+0.027；

其中，y为覆盖度(％)，x为对应的DVI指数值或VB‐FAH指数值。

本发明与现有技术相比，有益之处在于：建立更有效精确的估算模型，根据反射率与指数之间对应的关系、以及指数与大型藻类覆盖度对应关系，从而建立大型藻类覆盖度的估算模型，更加精确地计算生物量。在实际的应用中，采用稳定性较高的基于DVI、VB‐FAH及类似指数的线性模型来估算海表漂浮大型藻类的覆盖度以及生物量的估算。该模型可推广用于其他波段近似的卫星传感器，包括不同空间分辨率的数据，如Landsat，MODIS等。在实际的应用中，因受大气、海表环境光学变异及仪器本身的噪声等要素的影响，漂浮大型藻类的遥感识别问题需要解决；本发明提出的覆盖度估算模型也应与识别模型相结合。

附图说明

图1为马尾藻、绿藻及海表三种端元目标的光谱图；

图2a为绿藻与海表的线性混合反射率光谱图；

图2b为马尾藻与海表的线性混合反射率光谱图；

图3a为绿藻的VB-FAH，DVI及NDVI指数与漂浮大型藻类覆盖度(POM)的关系图；

图3b为马尾藻的VB-FAH，DVI及NDVI指数与漂浮大型藻类覆盖度(POM)的关系图；

图4为浒苔密集区海表的VB-FAH、DVI与NDVI指数图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地，详细描述。

本发明采集实际的大型藻类及海水光谱作为端元光谱，模拟、分析现有的主要藻类指数对大型藻类的海表覆盖度的响应规律，建立其相应的估算模型，并以实际的卫星遥感影像进行了试验与评估，在本实施例中以绿藻、马尾藻作为大型藻类进行阐述覆盖度估算建模。

漂浮的大型藻类在遥感影像像元中的覆盖度，是估算其生物量的关键。基于实测的漂浮大型藻类‐‐绿藻、马尾藻及水体端元光谱，采用光谱线性混合法模拟、分析了NDVI、DVI及VB‐FAH三种指数对海表漂浮大型藻类覆盖度的响应特征。结果显示，三种指数均随着藻类所占比例的增加而单调增加，其中DVI及VB‐FAH均呈直线增加；NDVI呈对数增加，即，先快速增加，后缓慢增加。基于此特征表现，建立了相应的覆盖度估算模型：一种是基于DVI及VB‐FAH的线性估算模型；一种是基于NDVI的指数模型。采用16m分辨率的高分1号(GF‐1)卫星遥感影像,对黄海的绿潮进行了覆盖度估算试验；结果显示，基于三种指数估算的覆盖度最大差异只有5％；该测试较好地验证了不同模型间的一致性。基于模型本身特征的差异，在实际的海表漂浮大型藻类覆盖度遥感估算工作中，推荐相对简洁的基于DVI、VB‐FAH及类似指数的线性估算模型。

步骤1、采集端元光谱：在漂浮海表的大型藻类大规模聚集海域，分别采集大型藻类以及海表的辐射亮度，并计算各自的反射率，分别得到大型藻类的端元光谱、海表端元光谱；

步骤2、获取混合光谱：基于步骤1中获取的大型藻类的端元光谱、海表端元光谱，模拟不同海水与大型藻类的配比，即通过单位面积中大型藻类的百分比POM的变化进行配比，基于海水与大型藻类的端元光谱的线性混合获得混合光谱；

步骤3、混合光谱重采样：按卫星多光谱波段波宽设置，基于算术平均的方法将混合光谱重采样。

步骤4、建立大型藻类覆盖度估算模型：根据混合光谱在不同波段的反射率分别计算NDVI指数、DVI指数、VB-FAH指数，根据所述指数对不同海水与大型藻类的配比的响应特征，并基于回归分析，通过归一化处理，建立基于所述指数的大型藻类覆盖度估算模型。

对于步骤1，采集漂浮大型藻类--马尾藻(Sargassum honeri，铜藻)、绿藻(Ulva prolifera，浒苔)以及海表反射率光谱。采用的仪器为海洋光学公司USB4000光谱仪，其光谱范围345.3-1046.12nm，光谱分辨率平均为0.2nm，光纤探头视场角为10度；现场测量时，光纤探头竖直向下，测量海表(或藻类)及参考板的辐亮度，并计算各自的反射率(R,无量纲)。三种端元目标的光谱如图1所示。

对于步骤2获得线性混合反射率光谱：基于如图1所示的两种不同大型藻类的端元光谱及水体光谱，单位面积(像元)中大型藻类的百分比(portion of macroalgae,POM)按步长0.25％制作成不同海水与大型藻类的配比：从无藻到完全为藻所覆盖，即，POM,0‐100％，共250组；基于海表与漂浮大型藻类端元光谱的线性混合所得的反射率光谱如如图2所示。

对于步骤4，按HJ‐1CCD(HuanJing‐1Charge‐Coupled Device)、GF‐1等类似的多光谱波段波宽设置，基于算术平均的方法将混合光谱重采样之后，按式1、2和3分别计算指数NDVI、DVI和VB‐FAH。

NDVI＝(R_NIR-R_RED)/(R_NIR+R_RED), 1

DVI＝R_NIR-R_RED, 2

VB-FAH＝(R_NIR-R_G)+(R_G-R_RED)*(λ_NIR-λ_G)/(2*λ_NIR-λ_RED-λ_G), 3

式中下标NIR、RED及G分别指近红外波段、红波段、绿波段，分别对应HJ‐1CCD及GF‐1的4、3、2波段，λ为波长，R为反射率。

如图3所示，总体上，VB-FAH、DVI与NDVI各指数均随POM的增加而增加。其中，NDVI随像元中藻类覆盖度(POM)的增加呈近似对数形式增加(R2＝0.82)，即，一种先快速增加后缓慢增加的模式；当像元大型藻类覆盖度(POM)自25％增至100％时，NDVI随POM的增加变化的幅度较小,不到20％。DVI、VB-FAH与POM均呈近似直线的线性关系(R2＝1)。两种模式可近似按式4、5来表示。

NDVI:y＝0.00822*EXP(4.802*x)-0.001, 4

DVI,VB-FAH:y＝0.973x+0.027, 5

其中，y为覆盖度(％)，x为对应的指数值(NDVI、DVI及VB‐FAH)。

在大型藻类单位面积生物量已知的情况下，该模型可用于其生物量的定量估算；对于基于NDVI指数的覆盖度估算模型，当覆盖度大于25％时，NDVI值较小的变异会导致较大的POM估算误差。按式4基于NDVI进行浒苔和铜藻POM的估算，原始POM的区间为0‐100％时，相对误差平均值分别为27.8％和33.5％；而按式5基于VB‐FAH或DVI进行估算时，相对误差平均值不到6％。因此，在实际应用中建议采用基于DVI或VB‐FAH的线性POM估算模型。

图4展示的是大型绿藻潮局部GF-1号NDVI、VB-FAH与DVI图像，按照线性色标显示，与图3所示的模拟结果类似，NDVI在浒苔密集区出现饱和现象，对浒苔覆盖度的变化不敏感。比较而言，VB-FAH、DVI则更敏感。因此，在评估大型藻类覆盖度时，即使采用高分的遥感影像，也应考虑像元的混合效应。特别是采用NDVI指数制图时，因视觉效应易把识别出的NDVI值较高的像元误为纯净像元。

采用VB-FAH阈值提取绿潮斑块(VB-FAH>0.025,Xing and Hu,2016),获得的绿潮像元共61,768个，合0.802km2。将图4各指数图除以其对应的最大值进行归一化，以式4和5分别估算各像元的绿潮覆盖度，基于DVI、VB-FAH及NDVI计算结果合纯绿潮像元分别为：41,098个(0.534km2)、40,960个(0.532km2)和43,018个(0.559km2)。基于DVI和VB-FAH的估算结果间的差异只有0.3％；NDVI与DVI(或VB-FAH)估算的结果差异较大，但也只有5％。这说明基于不同指数的式4和式5估算的结果具有较好的一致性。

丁一等(2015)基于HJ-1遥感影像建立了一基于NDVI二次多项式的浒苔覆盖度估算模型，按丁一等(2015)模型，图4所示区域的绿潮纯像元47,627个，非纯净像元为14,141个，合纯浒苔58,788个像元(0.763km2)，较本文式4模型的结果高估达36.7％。这种差异的主要原因为，丁一等人(2015)在建模过程中把30米分辨率遥感影像上的绿潮像元均视为了纯像元，这与像元混合的实际不符。如图4中VB-FAH或DVI指数所示，在NDVI影像上呈饱和状态的绿潮斑块并非近似纯净像元，各像元的覆盖度实际上存在较大的空间差异。如果以NDVI进行POM估算，建议采用基于式4所示的这种模型；或者，采用以图3所示的一种查找表的方法，可在一定程度上减少式4由于拟合精度较低带来的影响。

综上所述，如果不考虑如气溶胶等其他因素的影响，采用NDVI模型估算，建议采用如式4的简化模型或者采用如图3所示的查找表模型。相对比较而言，采用基于VB-FAH或DVI指数的覆盖度估算模型更为简洁、稳定。

该本申请的模型可推广用于其他波段近似的卫星传感器，包括不同空间分辨率的数据，如Landsat,MODIS等。在实际的应用中，因受大气、海表环境光学变异及仪器本身的噪声等要素的影响，漂浮大型藻类的遥感识别问题需要解决；因此，本申请提出的覆盖度估算模型也应与识别模型相结合。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。