CN109781626B - 一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法 - Google Patents

Abstract

本发明公开了一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法，包括S1遥感图像预处理包括几何校正、辐射定标、大气校正及陆地掩膜；S2实测高光谱数据特征分析和S3绿潮遥感识别提取；本发明基于实测及图像端元采集的光谱特征分析，建立了综合多光谱识别与滤波检测的MIF绿潮识别方法，通过在高噪声区、高悬浮泥沙区及清洁海水区三个典型研究区的应用及与现行主流四种检测方法（MGTI、VB‑FAH、IGAG及SABI）的比对分析发现，MIF方法可提高绿潮识别精度，同时具有更好的噪声抑制能力。

Description

一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法

技术领域

本发明涉及一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法。

背景技术

绿潮是海水中大型藻类(浒苔、马尾藻等)在特定环境条件下爆发性繁殖和聚集而形成的一种生态现象。2007年至今，中国黄海、东海海域每年都会爆发大规模的绿潮灾害，且有愈演愈烈之势。爆发性繁殖的绿潮聚集漂浮在海面，遮蔽阳光透射且大量吸收水体中的营养盐，显著影响水生生物种群结构；消亡期的绿潮腐烂分解，大量消耗水中的氧气，局部水域甚至形成无氧区，引起水生动物缺氧死亡；抵岸堆积的绿潮则会对滨海旅游景观造成极大影响。近岸海域是绿潮堆积抵岸的最后缓冲地带，也是衔接沿岸生态与经济活动的关键区域，近岸绿潮治理刻不容缓。

卫星遥感是大范围绿潮监测的重要手段，在绿潮灾害发生的起源、空间分布、发生规模及迁移路线等方面的研究发挥了不可替代的作用。目前应用较为广泛的绿潮识别算法如表1所示。归一化植被指数(Normalized Difference Vgetation Index，NDVI)可有效探测海水表面绿潮信息并能够一定程度减小大气和云的影响，但存在易过饱和及未考虑背景对指数的影响等问题；有学者进一步提出增强植被指数(Enhanced Vegetation Index，EVI)，但实际探测能力并不优于NDVI；Hu等提出漂浮藻类指数(Floating Algae Index，FAI)算法是基于植被在短波近红外波段1240nm或1640nm的光谱特征，通过数值比较和模型模拟实现对全球范围内海洋藻类监测和提取，但对于未设置短波红外波段的传感器并不适用该算法；Alawadi使用表面藻华指数(Surface Alagal Bloom Index，SABI)对中国黄海浒苔进行了遥感监测，该指数对于气溶胶和太阳耀斑的影响具有较好的稳定性；Xing等使用虚拟基线漂浮藻类指数法(Virtual Baseline Floating macroAlgael Height，VB-FAH)对南黄海马尾藻进行提取，算法可降低太阳耀斑及薄云对提取结果的影响，且在光谱信息复杂区域可降低分类错误率；安德玉等论证了漂浮大型藻类高光谱与多光谱在反射率均值与藻类指数VB-FAH方面具有较好的一致性，同时基于640nm及554nm通道反射率计算反射谷深度指数(T-depth)对浒苔和马尾藻进行了分类；张海龙等基于GF-1WFV及HJ-1CCD数据开发了多光谱绿潮指数(multispectral green tide index，MGTI)对沿海绿潮进行遥感提取，获得了较高的精度；Son等针对GOCI数据提出了(Index of Floating Green Algae forGOCI，IGAG)算法，利用GOCI数据红、绿及近红外通道实现浒苔信息的提取，但研究发现，其探测能力表现出明显的不确定性；宋德彬等利用GOCI数据对NDVI、IGAG和KOSC指数进行浒苔监测性能比较，结果显示NDVI算法探测能力和稳定性显著占优。

表1.绿潮识别指数

*R_i为特定波段反射率，i＝(BLUE,GREEN,RED,NIR,SWIR)；λ_i为通道波长；G为增益系数；C_j为模型系数，j＝(1，2，3)。

已有研究多面向离岸一定距离较为清澈水体，不针对或将近岸高浑浊水体海域作掩膜处理，对近岸绿潮治理在生态保护和经济活动中的作用未给予足够重视。因而，本研究以南黄海近岸高悬沙海域漂浮绿潮为研究对象，基于现场实测高光谱数据分析设计了多光谱协同滤波检测方法，并基于高分一号(GF-1)卫星WFV数据对绿潮进行了识别监测。

发明内容

本发明要解决的技术问题是克服现有技术中缺少近岸绿潮的监测方法的缺陷，提供一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法，包括以下步骤：

S1遥感图像预处理

包括几何校正、辐射定标、大气校正及陆地掩膜；

S2实测高光谱数据特征分析

首先进行走航地物的实测光谱采集，实现350nm-2500nm波段范围内连续测量，然后将所测量的每一种地物的光谱曲线，利用表达式(1)计算地物反射率,得出各地物标准光谱曲线：

式中，S_m为地物反射率；S_t为仪器输出的目标地物的实测电信号值；S_p为仪器输出的漫反射参考板的实测信号值；R_p为经实验室定标得到的参考板反射比,代表参考板的反射率；

S3绿潮遥感识别提取

采用多光谱判别协同滤波算法进行识别提取；采用NDVI作为算法输入，

M′＝min(M_m，n) (2)

M_i，j-M′＞C₁ (3)

式中，M为待检测图像矩阵；M_m,n为m×n的滤波窗口；M′为m×n滤波窗口的最小值；M_i,j为滤波窗口中待检测像元；

与

分别为m×n滤波窗口内待检测像元M_i,j与最小值像元M′第k₁波段反射率，k₁＝1，2，3；

与

分别为m×n滤波窗口内待检测像元M_i,j与最小值像元M′第k₂波段反射率，k₂＝4；C₁为变化阈值。

进一步的，所述的大气校正采用FLAASH方法得到图像反射率，输入参数包括卫星影像参数、大气模型、气溶胶模型及WFV光谱响应函数。

进一步的，所述S2中利用FieldSpec-4 Pro双通道野外光谱仪，采用水面之上法进行走航实测光谱采集，传感器探头全视场角为2～5°，测量时天气晴朗无云，风速小于3m/s。

本发明所达到的有益效果是：本发明基于实测及图像端元采集的光谱特征分析，建立了综合多光谱识别与滤波检测的MIF绿潮识别方法，通过在高噪声区、高悬浮泥沙区及清洁海水区三个典型研究区的应用及与现行主流四种检测方法(MGTI、VB-FAH、IGAG及SABI)的比对分析发现，MIF方法可提高绿潮识别精度，同时具有更好的噪声抑制能力。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是多类别地物标准光谱曲线；

图2是研究区内不同目标的反射光谱曲线；

图3是代表性研究区示意图；

图4是不同识别算法在研究区(a)的应用效果比对；

图5是不同识别算法在研究区(b)的应用效果比对；

图6是不同识别算法在研究区(c)的应用效果比对；

图7是不同识别算法在研究区(c)的应用效果比对。

具体实施方式

以下对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例

1.1卫星数据源

研究采用GF-1WFV数据，充分发挥其800km大幅宽和2d高重访周期在绿潮监测中的优势。

一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法，包括以下步骤：

S1遥感图像预处理

包括几何校正、辐射定标、大气校正及陆地掩膜；其中，大气校正采用FLAASH(Fastline-of-slight atmospheric analysis of spectral hypercubes)方法得到图像反射率，输入参数包括卫星影像参数、大气模型、气溶胶模型及WFV光谱响应函数等；同时，为避免陆地植被对绿潮识别的干扰，以陆地掩膜实现水陆分离，方便下一步绿潮识别；

S2实测高光谱数据特征分析

其中，大气校正采用FLAASH(Fast line-of-slight atmospheric analysis ofspectral hypercubes)方法得到图像反射率，输入参数包括卫星影像参数、大气模型、气溶胶模型及WFV光谱响应函数等；同时，为避免陆地植被对绿潮识别的干扰，以陆地掩膜实现水陆分离，方便下一步绿潮识别；

利用美国ASD公司生产的FieldSpec-4 Pro双通道野外光谱仪，采用水面之上法进行走航实测光谱采集，实现350nm-2500nm波段范围内连续测量，传感器探头全视场角为3°。测量时天气晴朗无云，风速小于3m/s。

将所测量的每一种地物的光谱曲线，利用表达式(1)计算地物反射率,得出各地物标准光谱曲线如图3：

式中，S_m为地物反射率；S_t为仪器输出的目标地物的实测电信号值；S_p为仪器输出的漫反射参考板的实测信号值；R_p为经实验室定标得到的参考板反射比,代表参考板的反射率。

如图1，目标地物包含了清洁海水、高悬沙海水、漂浮绿潮藻以及海水与绿潮藻的混合。图中近红外波段反射率最高曲线(Macroalgal dominated)为大面积密集分布漂浮藻类光谱曲线，受叶绿素和水分吸收的影响，密集分布绿潮与一般绿色植被的光谱曲线相似，呈现明显的多峰和多谷的特征，这一光谱特点也是一般植被指数构建的理论基础。485nm附近有一个蓝光吸收区，反射率很低，接近2％；560nm附近则存在一个绿光的反射峰，反射率接近7％；665nm处红光吸收区使得其反射率降低到3％左右；700nm开始出现明显“红边”特征，反射率急剧上升，800nm处达到峰值，反射率接近55％。

相较于大面积密集分布绿潮的光谱特征，近岸海域松散分布绿潮(Mixed)光谱曲线受水体悬浮泥沙影响，在绿光及红光波段反射率略有抬升；同时，受水体强吸收影响，近红外波段反射率明显降低。

纯净海水在蓝光波段存在一微弱反射峰，而在近红外波段随着水体吸收而反射率趋近于零。实测光谱中清洁海水(Clear sea water)存在较低浓度藻类及悬浮物质，在藻类叶绿素及悬浮物质共同作用下，清洁海水反射率自蓝光波段开始抬升，绿光波段出现峰值，而后缓慢下降，接近近红外波段处由于水体吸收反射率急剧下降趋于零。同时，光谱曲线在近红外810nm附近存在一显著反射峰，侧面印证了近岸海域清洁水体中低浓度藻类及悬浮物质对光谱曲线形态的影响。

随着离岸距离的增加，水体中悬浮物质含量逐渐降低，水体也由近岸高悬沙水体Yellow bold curve(Sea water with high suspended materials)逐渐过渡到离岸清洁海水Green bold curve(Clear sea water)。这一过程中光谱曲线形态的变化可以认为是清洁海水光谱在悬浮泥沙含量作用下形成的，表现为红光波段至近红外波段反射率随着泥沙含量的增加而整体升高，这也是导致NDVI等植被指数在近岸高悬沙水体区域不再适用的主要原因。

S3绿潮遥感识别提取

基于对实测光谱的特征分析可见，由于近岸高浓度悬浮泥沙影响，导致水体光谱在红光至近红外波段反射率整体升高，而表现出与植被光谱类似的特征，导致一般植被指数法在绿潮识别中的“异物同谱”现象，极大降低了识别分类精度。本研究ENVI软件中像素光谱采集模块，对研究区进行光谱数据采集，结果如图2。

由图2可见，高密度绿潮藻光谱特征明显，绿波段处形成弱反射峰，红光波段处于弱吸收谷，近红外波段则发射率急剧抬升，而浑浊水体中零散分布的绿潮受混合像元效应影响，近红外波段反射率陡降，而其余三个波段反射率出现大幅抬升，与实测光谱特征吻合。浑浊水体表现出与绿潮藻相似谱线形态，但除近红外波段发射率较低之外，其余三个波段反射率明显偏高。由于近岸水体悬浮泥沙含量较大且多为二类水体，因此该区域内水体的反射率在整个波段显著提升，进而导致水体与绿潮的NDVI值域出现大幅交叉，难以准确识别绿潮。另外，个别船只也表现出相似形态。绿潮与其余类别地物之间光谱特征呈现显著差异，这使得通过光谱特征的差异来提取绿潮成为可能并具有理论依据。

依据上述光谱特征分析，结合GF-1WFV数据特点，设计了多光谱判别协同滤波算法(Multi-spectral Identification coupling Filtering algorithm，MIF)，算法采用滤波方式实现，采用NDVI作为算法输入，

M′＝min(M_m，n) (2)

M_i，j-M′＞C₁ (3)

式中，M为待检测图像矩阵；M_m,n为m×n的滤波窗口；M′为m×n滤波窗口的最小值；M_i,j为滤波窗口中待检测像元；

与

分别为m×n滤波窗口内待检测像元M_i,j与最小值像元M′第k₁波段反射率，k₁＝1，2，3；

与

分别为m×n滤波窗口内待检测像元M_i,j与最小值像元M′第k₂波段反射率，k₂＝4；C₁为变化阈值。

MIF算法解决了只用一个固定的全局阈值对整幅图像进行分割，导致近岸高悬水体被错分为绿潮的难题，同时，算法抗噪能力强，多光谱信息的融入抑制了海上船舶、养殖筏架及云影等噪声对分类精度的影响，使图像达到较好的分类识别效果。

本研究以2018年6月13日发生于江苏近岸的浒苔绿潮为例，验证算法识别效果。选择覆盖该区域成像质量较好的GF-1卫星WFV数据1景(图像编号：GF1_WFV3_E120.2_N33.9_20180613_L1A0003258831)，如图3，选择其中三个代表性区域：(a)为近岸船舶、养殖筏架等高噪声区域；(b)为近岸高悬沙水体浒苔绿潮区域；(c)为离岸清澈水体浒苔绿潮区域。通过不同水体背景下的绿潮识别结果，测试识别算法效率。

图4至图6为五种不同识别方法在三个典型研究区域的识别效果比对，其中CIR_1为标准假彩色合成图像，以红色凸显水体中浒苔绿潮的分布，其余五景分别为MIF、IGAG、MGTI、SABI及VB-FAH监测结果，浒苔绿潮像元以白色像素点表示。由结果对比分析可见：研究区(a)中，MGTI方法受蓝光波段较低信噪比影响，检测结果出现明显“椒盐”现象，其余四种方法则较好的排除了噪声的干扰；在近岸高浑浊的研究区(b)，MGTI方法“椒盐”现象依然存在，且浒苔绿潮信息被噪声完全淹没，而VB-FAH方法由于近岸高悬水体对四个波段反射率的整体抬升而出现将高悬水体混分为浒苔绿潮的问题，其余三种方法基本实现了浒苔的监测；在离岸清澈水体区域(c)，五种方法均不同程度的实现了浒苔绿潮的识别提取。

验证

为进一步验证算法精度，以目视解译结果作为参考真值，对各识别方法精度进行验证。本研究以相对偏差E作为评价指标，即：

式中，S_est为各方法识别结果；S_ref为目视解译的参考真值。

图7和表2分别为五种识别方法在三个不同研究区所识别浒苔绿潮像元数与参考真值的频率分布及相对偏差统计。可见：MGTI方法在区域(a)和(b)均表现出较大偏差，相对偏差大于100％，在区域(c)效果较好，相对偏差为-51.8％；VB-FAH方法在区域(b)偏差超过100％；其余三种方法表现相当。右图则对MIF、IGAG和SABI识别结果进行深入分析，可见：三者在区域(a)表现一致，均实现无偏估计；区域(b)处，MIF表现最好，相对偏差-23％，SABI次之，相对偏差-30.7％，而IGAG稍差，达到-34％；区域(c)处，MIF与IGAG表现相当，相对偏差在-13％左右，而SABI较差，相对偏差达到-66.4％。综合可见，MIF方法相较于其他几种方法，在识别精度及噪声抑制方面明显占优。同时，由于悬浮态浒苔绿潮的存在，因其光谱特征与背景水体差别细微而无法识别，导致各识别算法均表现为负偏差，即相对于目视解译结果存在漏检测部分。

表2.识别结果相对偏差统计信息

本发明基于实测及图像端元采集的光谱特征分析，建立了综合多光谱识别与滤波检测的MIF绿潮识别方法，通过在高噪声区、高悬浮泥沙区及清洁海水区三个典型研究区的应用及与现行主流四种检测方法(MGTI、VB-FAH、IGAG及SABI)的比对分析发现，MIF方法可提高绿潮识别精度，同时具有更好的噪声抑制能力。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于光谱分析的近岸高悬沙水体绿潮遥感识别方法，其特征在于，包括以下步骤：

S1遥感图像预处理

包括几何校正、辐射定标、大气校正及陆地掩膜；

S2实测高光谱数据特征分析

首先进行走航地物的实测光谱采集，实现350nm-2500nm波段范围内连续测量，然后将所测量的每一种地物的光谱曲线，利用表达式(1)计算地物反射率，得出各地物标准光谱曲线：

式中，S_m为地物反射率；S_t为仪器输出的目标地物的实测电信号值；S_p为仪器输出的漫反射参考板的实测信号值；R_p为经实验室定标得到的参考板反射比，代表参考板的反射率；

S3绿潮遥感识别提取

采用多光谱判别协同滤波算法进行识别提取；采用NDVI作为算法输入，

M′＝min(M_m，n) (2)

M_i，j-M′＞C₁ (3)

式中，M为待检测图像矩阵；M_m，n为m×n的滤波窗口；M′为m×n滤波窗口的最小值；M_i，j为滤波窗口中待检测像元；

与

分别为m×n滤波窗口内待检测像元M_i，j与最小值像元M′第k₁波段反射率，k₁＝1，2，3；

与

分别为m×n滤波窗口内待检测像元M_i，j与最小值像元M′第k₂波段反射率，k₂＝4；C₁为变化阈值。

2.如权利要求1所述的基于光谱分析的近岸高悬沙水体绿潮遥感识别方法，其特征在于，所述的大气校正采用FLAASH方法得到图像反射率，输入参数包括卫星影像参数、大气模型、气溶胶模型及WFV光谱响应函数。

3.如权利要求1所述的基于光谱分析的近岸高悬沙水体绿潮遥感识别方法，其特征在于，所述S2中利用FieldSpec-4 Pro双通道野外光谱仪，采用水面之上法进行走航实测光谱采集，传感器探头全视场角为2～5°，测量时天气晴朗无云，风速小于3m/s。

Images