西北太平洋海水透明度遥感反演与融合方法❋

王晓菲, 张亭禄, 田 林, 施英妮

(中国海洋大学信息科学与工程学院,山东 青岛 266100)



西北太平洋海水透明度遥感反演与融合方法❋

王晓菲, 张亭禄, 田 林, 施英妮

(中国海洋大学信息科学与工程学院,山东 青岛 266100)

海水透明度是描述海水光学特性的一个重要参数。论文首先利用现场测量的遥感反射率和透明度数据建立了西北太平洋的透明度遥感反演模型，并应用于Seawifs、MODIS-aqua、MOIDS-terra及MERIS Level 2反射率数据，获取西北太平洋的透明度数据。然后将平均法、最优插值法2种融合方法分别应用于上述4颗卫星的透明度数据进行数据融合，并用现场测量的同步透明度数据对融合后的产品进行了印证。另外，利用2种融合方法分别对西北太平洋2007年Seawifs、MODIS-aqua、MODIS-terra和MERIS4颗传感器的透明度数据进行了月融合，分析了融合的西北太平洋的时空分布特征。研究结果表明，融合数据大幅度提高了空间覆盖率，并具有较高可信度。平均法和最优插值法两种融合方法性能有较大的不同，平均法对细节特征保留的较好，且具有较高的运行速度，但有时空间覆盖率仍不能满足要求；最优插值法具有高的空间覆盖率，但其运行速度较慢。

海水透明度； 遥感反演方法； 西北太平洋； 数据融合

海水透明度(Secchi disk depth)是描述海水光学特性的参数之一，与海水悬浮体、浮游植物及黄色物质等光学活性物质的含量密切相关。传统测量方法是利用塞克盘现场实测，尽管操作简单但获取的是离散数据同步性较差，不能满足实时监测的需求。与传统方法相比，遥感技术具有探测范围广、采集数据快、动态覆盖等优势。随着卫星遥感技术的发展，特别是遥感器性能、大气校正技术、水色信息提取模式精度的提高，使实时、大范围海水透明度卫星遥感监测成为可能[1]。

近年来，国内外开展了很多关于海水透明度遥感反演方面的研究[2]，其遥感估算方法主要有经验方法和半分析法2种。经验方法是通过建立遥感数据与实测数据之间的回归模型实现海水透明度的反演，其中常用的有两波段比值法和多波段比值法等。半分析法是以光在水下的辐射传输理论为基础，通过构建实测透明度与水体固有光学参数的关系，估算海水透明度。

目前大部分海色卫星是极轨卫星，在运行过程中受到云、太阳耀斑、气溶胶过厚等的影响，有效采样率较低，产品精度不高。为了充分利用水色卫星的数据，提高数据的覆盖率，须采用多传感器融合技术扩展数据覆盖范围，提高时间分辨率和空间覆盖率。主要的融合方法有平均法[3]、客观分析法[4]和生物光学模型法[5]等。太平洋海洋环境变化对全球气候变化起着重要作用，是有关科学家研究海洋与大气相互作用的重要区域。发展长时间连续的海洋观测技术，提高太平洋海洋环境与气候预测能力，对科学研究具有重要的意义。

本文以西北太平洋为研究海域，以SeaWIFS, Aqua, Terra和Meris 4颗传感器获取的透明度数据为对象，比较2种融合方法(平均法及最优插值法)性能, 以现场测量的同步透明度数据对融合产品进行印证。在此基础上，获取长时间高质量连续的透明度数据，为研究西北太平洋水下光学环境及生态环境的变化提供技术保障。

1 数据

1.1 现场测量数据

现场数据用于建立西北太平洋透明度遥感反演算法以及检验评价最优插值和平均法2种融合方法的性能。本文所用的是SeaBASS数据库东太平洋、2007年东中国海以及2013年黄渤海的现场测量数据，包括海水透明度测量数据、现场辐射测量数据及光学性质数据等。满足本研究的数据共72个站位，其中49组数据用于建立透明度遥感反演模型，另外23组数据用于检验透明度反演模型的性能。

1.2 卫星遥感数据

本文融合使用的卫星遥感数据是SeaWIFS、Aqua、Terra、Meris 4个传感器的Level-2数据，空间分辨率为1 000 m, 所用数据均来自NASA GSFC水色数据网。

2 透明度遥感反演方法

2.1 半分析方法

根据Tyler[6]和Preisendorfer[7]提出的理论，光在介质中传播时，海水透明度可由垂直方向的明视对比度衰减函数得到，表达式由(1)所示。

(1)

式中:SDD为透明度；Kd(λ)为可见光的垂直衰减系数;c(λ)是可见光的光束衰减系数;C0为塞克盘与背景水体的固有对比度;Cmin表示能被人眼识别的最小对比度。由于490nm处的光波可以穿透更深层的海水，因此基于490nm能更好的表示明视对比度的衰减，耦合常数γ0的计算公式如(2)。

(2)

其中:RSD(490)为塞克盘的反射率;R∞(490)为背景环境的反射率。根据Doron[8]等的研究表明，Kd(λ)+c(λ)与Kd(490)+c(490)存在很强的相关性。因此，可以将透明度表示为关于Kd(490)+c(490)的函数，本文利用49组现场测量的海水透明度和辐射测量数据拟合SDD和Kd(490)+c(490)之间的关系，由图1可知两者之间具有较好的相关性(相关系数为0.96)，用二次多项式回归得到由Kd(490)和c(490)计算海水透明度的公式：

lg(1/SDD)=0.43×(-1.78+0.82x+

0.008 6x2),

(3)

式中:x=ln(Kd(490)+c(490))，根据Lee等[9]算法，490nm处漫射衰减系数Kd(490) 可由490nm处水体总的吸收系数a(490)和后向散射系数bb(490)计算得到：

Kd(490)=(1+0.005θS)×a(490)+4.18×(1-0.52×e-10.8×a(490))×bb(490)

(4)

公式(4)中θs为太阳高度角，a(490)和bb(490)可由QAA算法求出。衰减系数c(490)可表示为490nm波段水体的总吸收系数和散射系数之和。

如公式(5)所示：

c(490)=a(490)+b(490),

(5)

可由散射系数与后向散射系数的关系[10]反推得到：

bb=0.001 200+0.005 085×b+0.003 206×b2。

(6)

通过以上分析可知，只要由QAA算法求出a(490)和b(490)便可通过式(3)计算海水透明度，图2显示了利用半分析算法得到的海水透明度与实测值的比较。QAA算法是Lee 等[11]在2002年提出的利用遥感反射率计算海水固有光学特性的一种反演算法，参考波长可选用550、555、560nm，本文选用555nm作为参考波长。

图1 SDD与Kd(490)+c(490)的相关关系

图2 半分析算法透明度反演值与实测值比较

2.2 经验算法

波段比值法是反演水体参数的常用方法，Dekker[12]研究表明，波段比值与海水透明度有较高的相关性。经过分析大量的水色现场测量数据发现，490与555 nm波段遥感反射率的比值与透明度的相关性最高。

利用构建半分析算法的49组数据，将透明度现场测量数据与两波段实测遥感反射率数据做匹配相关，两者的相关系数为0.95(见图3)，并结合由式(2)计算得到的耦合常数γ0建立西北太平洋遥感经验反演方法如式(7)。图4显示了利用式(7)计算得到的海水透明度与实测值的比较。

(7)

图3 海水透明度与Rrs(490)/Rrs(555)的相关关系

图4 经验算法透明度反演值与实测值比较

2.3 比较与分析

分别利用上述两种方法对另外23组数据进行海水透明度的反演，同时分别计算2种方法得到的透明度反演值与相应实测值的相关系数(R)，均方根值(RMSE)，平均误差(Bias)，通过对统计参数的比较定量的分析评价2种反演方法。

由图5可以看出，相对于半分析反演方法，利用经验算法反演得到的海水透明度值与实测值的相关性更好且误差较小，经验方法更适用于本文目标海域海水透明度的反演。因此，本文选用经验方法作为海水透明度的遥感反演方法。

图5 透明度反演值与实测值比较

3 多传感器数据融合

3.1 数据预处理

卫星遥感成像时，由于传感器对地方位角、高度以及地球自转等影响，可能造成遥感图像相对于地面目标观测物发生几何形变，此外，不同传感器的性能及其辐射校正方法不同也会造成产品的不一致。因此，在进行多卫星传感器数据融合前，需要先对各个传感器的卫星数据做预处理，包括交叉校正和标准网格化2个步骤。

3.1.1 卫星数据交叉校正 交叉校准主要有卫星数据与现场测量数据匹配校准和卫星传感器之间校准2种方式。卫星数据与现场测量数据的匹配校准是通过船舶追踪走航或者布放浮标等方式对卫星传感器进行跟踪校准，但是这种方法实施比较困难。卫星之间的交叉校准是选择数据精度较高的传感器作为基准传感器，建立待校准传感器与基准传感器的观测值之间的相关关系，利用基准传感器的数据和两者之间的相关关系校准待校准传感器的数据。美国NASA对Auqa数据做了长时间的校准和验证工作，结果表明，Aqua数据具有较好的准确性和稳定性[13]，本文选择Aqua传感器作为基准传感器对其它传感器的数据进行交叉校准。

3.1.2 数据标准网格化 多卫星数据融合是基于标准网格化的Level3数据实现的[13]，因此，融合前需要根据所用卫星传感器的分辨率和覆盖率定义标准网格，将各传感器的数据重投影到标准网格上[14]，得到统一的标准网格化数据。

卫星数据的重投影即对数据的一个重采样过程，重采样必然导致图像信息的丢失，因此最大限度的保持原始图像的信息是选择重采样方法的一个重要指标。本文选用通量守恒重采样法作为数据的重投影方法。通量守恒重采样法是一种基于多边形切割算法的重采样方法，相较于常用的最邻近插值法、双线性插值法和三次卷积插值法，通量守恒重采样法更好的保持了原始图形的信息，采样精度更高，更适用于卫星遥感图像的重采样[15]。

3.2 数据融合方法

3.2.1 平均法 平均法简单，计算速度快，是目前水色产品融合的业务化算法[3]。平均法是假定各传感器数据之间的权重相同，对融合格点处多个待融合传感器的有效观测值做加和平均。

(8)

式中:C代表利用经验算法由传感器S数据反演得到的海水透明度值;n代表待融合传感器S的有效观测值个数;i、j代表网格点的位置。

3.2.2最优插值法 最优插值算法(Optimum Interpolation, OI)[16]，是利用格点处的背景场值加上修正值得到该格点分析值的一种客观分析方法。修正值是由该格点周围有效观测值与背景场值的偏差加权求得。

(9)

式中:Ag是第g个插值格点处的分析值;Bg是第g个格点处的背景值;N是格点g周围有效观测点的个数;Oi是第i个观测点处的观测值;Bi是i点的背景值;Wi是观测点i的权重，是使得网格点分析值的误差达到最小的值：

(10)

(11)

rz和rm分别代表格点i、j之间的径向和纬向距离，Lz和Lm分别代表2个方向上的影响半径，本文中Lz和Lm均取值为25km。

最优插值算法中的背景场是对观测值的一个初估值，本文使用前2年相同季节月份的各卫星数据，利用经验算法反演得到的海水透明度求平均作为背景场。

3.3 数据融合结果评价方法

融合数据的评价与单传感器的评价方法类似，主要是通过分析现场测量数据与相应匹配点卫星数据的相关统计参数评价融合产品，用于评价分析的统计参数为：均方根误差(RMSE)、平均误差(Bias)、相关系数(R)和数据空间覆盖率。

匹配点从定义的空间和时间窗口内选取，空间上，选取卫星数据所在位置周围3×3或5×5像素的正方形区域作为空间窗口[17]；时间上，卫星过境时间与现场测量时间的时间差定义为卫星过境前后3、4个小时[18]，但是由于融合数据是由多个卫星的数据进行融合，不存在一个精确的时间点，因此选取融合的第一颗卫星和最后一颗卫星过境时间前后3、4个小时间隔内的现场测量数据与融合数据匹配。

4 结果

4.1 融合产品评价

在实现海水透明度遥感数据反演算法的基础上，利用上述2种融合方法分别融合了由Modis-aqua、Modis-terra、Seawifs和Meris 4颗卫星遥感数据反演得到的海水透明度数据，获得2007年西北太平洋海水透明度的日融合数据。将透明度日融合数据与现场测量数据做时空匹配，比较分析相关统计参数，定量的评价融合产品的质量。此外，统计比较单传感器数据与融合数据的日平均覆盖率。

4.1.1融合产品印证 设置时间、空间匹配窗口对实测SDD数据与融合SDD数据印证比较，定量评价平均法和最优插值2种融合方法。4四颗卫星的过境时间：MERIS(10:00),Terra(10:30),SeaWIFS(12:00),Auqa(13:30)，因此，实测数据与融合数据进行匹配时，设置时间窗口为MERIS过境前3个小时至MODIS-auqa过境后3个小时，即上午7:00到下午4:30之间，空间匹配窗口则设置为卫星融合数据3×3像素大小的正方形区域，即选取与实测数据相同位置融合数据周围3×3窗口内有效数据的平均值作为匹配数据，根据上述匹配规则本文选取了9个点进行印证。利用定义的时间窗口将实测数据与多卫星融合数据做匹配，并通过计算均方根值(RMS)、平均误差(Bias)、相关系数(R)等统计参数，定量的评价融合数据。图6显示了2种数据融合方法得到的海水透明度数据与实测数据的比较。同时显示了两种融合方法的定量统计参数。由图6可知，2种融合方法得到的融合数据与实测数据的相关性均大于0.9，相关性较好，综合统计参数分析，最优插值法比平均法好些。

图6 海水透明度融合数据与实测数据比较

4.1.2 覆盖率比较 图7显示了2007年11月4颗卫星数据以及融合数据的月覆盖率和平均日覆盖率。可以看出，4颗卫星数据融合后，月覆盖率和日平均覆盖率都有提高。其中，用于最优插值法的背景场数据覆盖率为100%，因此最优插值融合算法对覆盖率的提升效果最好，覆盖率为100%。

图7 不同融合方法数据覆盖率比较

4.2 海水透明度月平均融合数据

基于上述西北太平洋海水透明度反演模型，利用平均法、最优插值法对2007年MERIS、Terra、SeaWIFS和Auqa 4颗传感器的海水透明度数据进行月融合。图8显示了西北太平洋5(春)、8(夏)、11(秋)、2月(冬)月融合的海水透明度分布，融合数据的空间分辨率为4 km。

另外，为了定量分析不同海域海水透明度的时间变化趋势，从黄海、东海、日本海和日本海以南等海域分别选取4个代表性的点(如图9所示的A、B、C和D点)进行分析。4个代表性点透明度随时间的变化趋势如图10所示。

(a、b分别利用平均法、最优插值法融合。a is obtained by Averaging algorithm ;b is obtained by optimal interpolation algorithm.)

由图8可以看出，西北太平洋逐月透明度空间分布特征基本一致，即：近岸低，远岸高。总体来看，东中国海受陆源影响严重，透明度较低。其中，渤海的透明度最低。黄海的透明度大于渤海，透明度空间变化较大，但基本呈现近岸低、中央高的格局。东海海区由大陆架浅水区向大陆架深水区，透明度呈增大趋势，长江口附近有一舌状低透明度区域。中高纬度海域(日本海以及日本海以东洋面)海水透明度相对东中国海稍高，季节变化显著。日本以南的大洋海域，受陆地影响小，海水透明度最高。

结合图8、10分析各海域海水透明度季节分布特征。可以看出，东中国海具有夏季高、春秋次之、冬季最低的特征。该结果与1959—1979年[19]和1972—1987年[20]等多年实测数据相一致。冬季，东中国海各个海区透明度均较低，其中渤海透明度最低；春季，高透明度区域明显比冬季增大，长江口外侧海域低透明度的大水舌面积减小；夏季，长江口外测海域舌状低透明度区域进一步缩小，浙江沿岸低透明度范围缩小；秋季，黄海中部海域透明度减小，长江口外侧舌状低透明度区域范围扩大。长江汛期一般都是在夏季，冬季则为枯水期，研究表明，长江汛期的径流量和输沙量是枯水期的几倍甚至是十几倍[21]。

图9 点位分布图

图10 目标(A、B、C、D)海域海水透明度逐月变化图

而从图6中可以看出，冬季长江口外侧海域低透明度舌状区域明显比夏季大，这说明入海径流不是造成冬季长江口外侧大面积低透明度区域的主要原因，此海区海底表层沉积物以黏土和细砂等小颗粒物为主，冬季风力远大于夏季，风浪对海底表层沉积物的再悬浮作用可能是造成这种结果的主要原因。

日本海与东中国海透明度季节变化略有不同，时间上呈现夏季高、秋冬次之、春季最低的特征。这与陈小燕[22]在西北太平洋长时间序列浮游植物的多尺度变化研究中所示的叶绿素a浓度季节变化相符，即此海区叶绿素a浓度高的季节，海水透明度低，反之亦然。因此，浮游植物很可能是影响这一海区透明度的主要原因。日本以东洋面海水透明度时间上也呈现出夏季高、秋冬次之、春季最低的特征。西北太平洋的开阔海域则全年透明度较高。

总体上，利用2种融合方法所得的多卫星融合数据覆盖率得到很大提高，最优插值融合法更是得到百分百的数据覆盖率。通过对2种融合方法所得数据的对比分析可知，2种方法融合后海水透明度有相似的分布结构，但是由于最优插值法是基于背景场进行融合，透明度的一些细节分布不能很好的体现。

5 结论

基于 2007年东中国海、2013年黄渤海以及SeaBASS数据库东太平洋的现场测量数据，利用半分析法、经验比值法2种方法建立西北太平洋海水透明度反演模型，经过对比分析发现，经验比值法更适用于此海域海水透明度的反演。因此，将建立的经验反演模型应用于2007年MERIS,Terra,SeaWIFS和Auqa 4颗传感器数据，利用平均法、最优插值法融合4颗传感器反演所得的海水透明度数据，获取西北太平洋海水透明度月融合数据。对比分析结果显示，两种融合方法得到的西北太平洋海水透明度时空分布特征相似，与以往有关研究结果吻合。利用现场实测数据对融合数据进行匹配验证，结果表明融合数据具有较高的可信度，同时融合数据有效的提高了数据覆盖率。值得说明的是，由于最优插值法是基于背景场进行融合，虽然覆盖率达到百分之百，但一些细节特征模糊化。因此，在选择融合方法时要根据需求结合各融合方法的特点进行选择。

[1] 何贤强, 潘德炉, 黄二辉, 等. 中国海透明度卫星遥感监[J]. 中国工程科学, 2004, 6(9): 33-37. He Xianqiang, Pan Delu, Huang Erhui, et al. Monitor of water transparency in the China Sea by using satellite remote sensing[J]. Engineering Science, 2004, 6(9): 33-37.

[2] 禹定峰, 邢前国, 施平. 内陆及近岸二类水体透明度的遥感研究进展[J]. 海洋科学， 2015, 39(7):136-144. Yu Dingfeng, Xing Qianguo, Shi Ping. A review on the estimation of secchi disk depth by remote sensing in inland and nearshore case 2 waters[J]. Marine Sciences, 2015, 39(7):136-144.

[3] Gregg W W. Ocean-Colour Data Merging[R]. Reports of the International Ocean-Colour Coordinating Group, IOCCG, Dartmouth, Canada, 2007.

[4] Le Traon P Y, Nadal F, Ducet N. An improved mapping method of multisatellite altimeter data[J]. Journal of Atmospheric and Oceanic Technology, 1998, 15(2): 522-534.

[5] Maritorena S, d′Andon O H F, Mangin A, et al. Merged satellite ocean color data products using a bio-optical model: Characteristics, benefits and issues[J]. Remote Sensing of Environment, 2010, 114(8): 1791-1804.

[6] Tyler J E. The Secchi disc. Limnology and Oceanography. 1968, 13: 1-6.

[7] Preisendorfer R W. Secchi disk science: Visual optics of natural waters[J].Limnology and Oceanography, 1986, 31(5): 909-926.

[8] Doron M, Babin M, Mangin A, et al. Estimation of light penetration, and horizontal and vertical visibility in oceanic and coastal waters from surface reflectance[J].Journal of Geophysical Research, 2007, 112(C6): 101-107.

[9] Lee Z P, Du K P, Arnone R. A model for the diffuse attenuation coefficient of downwelling irradiance[J]. Journal of Geophysical Research, 2005, 110(C2).

[10] Haltrin V I, Lee M, Shybanov E, et al. Relationship between backscattering and beam scattering coefficients derived from new measurements of light scattering phase functions[R]. Naval Research Lab Stennis Space Center MS, 2002.

[11] Lee Z P, Carder K L, Arnone R A. Deriving inherent optical properties from water color: a multiband quasi-analytical algorithm for optically deep waters[J]. Applied Optics, 2002, 41(27): 5755-5772.

[12] Dekker A G. Detection of Optical Water Quality Parameters for Entrophic Waters by High Resolution Remote Sensing[M]. Netherlands: Free University The Netherlands, 1993.

[13] Fargion G S, McClain C R. MODIS Validation, Data Merger and Other Activities Accomplished by the SIMBIOS Project, 2002-2003[M]. Maryland: Goddard Space Flight Center, 2003.

[14] 田璐, 艾松涛, 鄂栋臣, 等. 南大洋海冰影像地图投影变换与瓦片切割应用研究[J]. 极地研究, 2012, 24(3): 284-290. Tian Lu, Ai Songtao, E Dongchen, Gong Hongqing，Application Of sea ice map projection transformation and tile cutting over the antarctic ocean[J], Chinese Journal of Polar Research, 2012, 24(3): 284-290.

[15] 田林, 张亭禄, 陈树果, 等. 卫星遥感融合中通量守恒重采样方法与其它常用方法的比较[J]. 中国海洋大学学报(自然科学版), 2014, 44(6): 103-108. Tian Lin, Zhang Tinglu, Chen Shuguo, et al. Comparison of flux-conserving resampling method with commonly used Resampling Methods in Merging of Remote Sensing Dara[J]. Periodical of Ocean University of China, 2014, 44(6): 103-108.

[16] Reynolds R W, Smith T M. Improved global sea surface temperature analyses using optimum interpolation[J]. Journal of Climate, 1994, 7(6): 929-948.

[17] Hooker S B, McClain C R. The calibration and validation of SeaWiFS data[J]. Progress in Oceanography, 2000, 45(3): 427-465.

[18] Wang M, Knobelspiesse K D, McClain C R. Study of the Sea-Viewing Wide Field-of-View Sensor (SeaWiFS) aerosol optical property data over ocean in combination with the ocean color products[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2005, 110(D10): 85-91.

[19] 张绪琴. 东中国海海水透明度分布特征[J]. 海洋通报, 1983, 2(6): 21-24. Zhang Xuqin. On distribution characteristics of water transparency In the East China Sea[J], Marine Science Bulletin, 1983, 2(6):21-24.

[20] 朱兰部, 赵保仁. 渤, 黄, 东海透明度的分布与变化[J]. 海洋湖沼通报, 1991, 3: 1-11. Zhu lanbu, Zhao Baoreng. Distributions And Variations of The Transparency In The BOHAI Sea, Yellow Sea And East China Sea[J]. Transactions of Oceanology and Limnology, 1991, 3: 1-11.

[21] 陈国珍. 渤, 黄, 东海海洋图集水文分册[M]. 1992. Chen Guozhen. Marine Atlas OF BOHAI Sea Yellow Sea East China Sea: HYDROLOGY [M]. Beijing: China Ocean Press, 1992.

[22] 陈小燕. 基于遥感的长时间序列浮游植物的多尺度变化研究[D]. 浙江： 浙江大学, 2013. Chen Xiaoyan. Multi-Scale Variations in the Long Time Series of Phytoplankton from Satellite Data [D]. Zhe Jiang: Zhe Jiang University, 2013.

责任编辑 陈呈超

Secchi Disk Depth Retrieval and Merging in the Northwest Pacific from Multiple Missions of Ocean Color Remote Sensing

WANG Xiao-Fei, ZHANG Ting-Lu, TIAN Lin, SHI Ying-Ni

(College of Information Science and Engineering，Ocean University of China，Qingdao 266100，China)

Secchi Disk Depth (SDD) is an important indicator which describes water visibility and optical property. Firstly, the inversion algorithm for estimating SDD in the Northwest Pacific Ocean was established using in situ data. Then, the inversion algorithm was applied to the satellites data from four satellite sensors (SeaWiFS, MODIS-Terra, MODIS-Aqua, and MERIS) to obtain the SDD data in the Northwest Pacific Ocean. Secondly, the two kinds of merging algorithm (Averaging algorithm and Optimal interpolation algorithm) were used to generate the merging data from the four satellite sensors, respectively. Meanwhile, the merged results were validated with the matchup in situ data. Finally, the monthly merged data were obtained using the two merging algorithms from the four satellite data in 2007, respectively. The temporal and spatial variations of the SDD in the Northwest Pacific Ocean were analyzed. The results showed the coverage of the merged data products has been significantly improved, and the quality of the merged data products is reliability. In addition, the averaging algorithm has a higher accuracy and running speed, but the coverage of data is not enough sometimes. Optimal Interpolation has the highest spatial coverage, but its running speed is slower.

secchi disk depth; remote sensing algorithm; the Northwest Pacific Ocean; data merging

国家自然科学基金项目(41276041)资助 Supported by the National Natural Science Foundation of China (41276041)

2014-10-25；

2015-05-20

王晓菲(1988-)，女，硕士生。E-mail: wangxiaofei1216@163.com

P722；P715

A

1672-5174(2016)12-133-09

10.16441/j.cnki.hdxb.20140258

王晓菲, 张亭禄, 田林, 等. 西北太平洋海水透明度遥感反演与融合方法[J]. 中国海洋大学学报(自然科学版), 2016, 46(12)： 133-141.

WANG Xiao-Fei, ZHANG Ting-Lu, TIAN Lin, et al. Secchi disk depth retrieval and merging in the northwest pacific from multiple missions of ocean color remote sensing[J]. Periodical of Ocean University of China, 2016, 46(12)： 133-141.