基于GOCI的东海叶绿素a浓度3种反演算法的对比及其昼变化分析

王 芮， 伍玉梅， 杨胜龙， 崔雪森， 王 琳， 张胜茂

(1.上海海洋大学，上海 201306； 2. 中国水产科学研究院东海水产研究所，上海 200090；3.农业部渔业遥感科学观测实验站，北京 100041；4.中国水产科学研究院，北京 100041)

近年来，随着东海沿海工农业的发展和人口的增加，工农业废水和生活污水向沿岸海域的排放量剧增，东海海洋环境及气候发生急剧变化，富营养化程度日趋严重，赤潮、绿潮等海洋生态问题发生频率、范围及其造成的危害大为增加。水体中叶绿素a含量的高低直接影响水体的光学特性，也是表征水体富营养化程度的主要参数，叶绿素a浓度已经成为水体水质评价的重要指标[1]。海洋水色遥感技术具有快速、同步、大面积实时监测的特点，可以弥补走航实测数据分散、耗费人力物力等缺陷，因此，利用遥感技术监测海洋叶绿素a浓度的变化，是监测海洋生态环境的一种有效手段。

遥感反演叶绿素a浓度的方法主要有分析模型、半分析模型和经验模型3种，目前国内外已有不少学者开展了一些相关研究。唐军武等[2]根据高质量的现场实测数据，借鉴Tassan模型，得到了中国东海近岸二类水体叶绿素a浓度统计反演模式，反演得到的叶绿素a浓度与实测的平均相对误差为36%～45%。仲京臣等[3]根据2003年春季东海试验中获得的高质量现场实测数据，建立了由现场测量遥感反射率反演叶绿素a浓度的神经网络模型，其模型反演结果的平均相对误差为32.5%，同时分析了神经网络模型在叶绿素a浓度反演模式应用中的稳定性。PARK等[4]基于GOCI 影像数据，使用OC4算法反演了日本东海区域的叶绿素a浓度，并指出基于GOCI卫星数据反演叶绿素a浓度的算法尚有待研究。赵梦莹等[18]综合利用GOCI的412nm、443nm、490nm和555nm波段的遥感反射率，建立多波段比值模型，反演了渤海、北黄海的叶绿素a浓度，并进行了叶绿素a浓度的日变动分析。MOON等[5]利用GOCI的第一波段(与可溶性有机物相关性大)、第四波段(与悬浮物相关性大)，及第二和第三波段(与叶绿素a相关性大)，建立了波段比值模型，进行了日本霞浦湖叶绿素a浓度反演。目前，利用MODIS、SeaWIFS等水色传感器数据反演东海叶绿素a浓度的研究较多，利用GOCI数据反演内陆湖泊叶绿素a浓度的研究也不少[6-9]，但是利用GOCI数据反演东海叶绿素a浓度的研究比较缺乏。

相比于MODIS(Moderate resolution imaging spectrometer)、SeaWIFS(Sea-viewing wide field-of-view sensor)等遥感传感器，第一颗地球静止水色卫星COMS(Communication ocean and meteorological satellite)上搭载的水色成像仪GOCI(Geo-stationary ocean color imager)拥有更高的时间分辨率(1 h)和更高的信噪比，而且相对于SeaWIFS增加了680nm波段和745nm波段，可用于水体中叶绿素的反演以及大气的精确校正，全天提供目标区域8个时间的观测数据，对于监测海洋水体叶绿素a浓度的细节变化、赤潮等突发性事件，有着极大的应用前景[10]。中国东海是典型的陆架海域，长江等河流入海，使之富集叶绿素、悬浮物质和黄色物质等影响海洋光学性质的海水组分[11]，这也导致海水富营养化、赤潮等海洋灾害现象频繁发生，给沿海经济带来巨大损失。因此，利用GOCI数据反演东海叶绿素a浓度，能更高频次地开展东海赤潮、绿潮等突发性海洋灾害事件的观测，研究它们的时空变动特点和规律，对开展相关的监测和预报具有十分重要的意义。

本文基于GOCI卫星获取的东海水色资料，对其L1B数据进行了大气校正等影像预处理，然后利用OC2、OC3G和YOC 3种算法反演了东海的叶绿素a浓度，并和实测叶绿素a浓度资料进行对比分析，通过计算和比较3种算法反演的叶绿素a浓度与实测叶绿素a浓度之间的平均绝对误差、平均相对误差和相关系数，确定东海叶绿素a浓度反演的最优算法；最后用该算法反演了2011-2017年的东海叶绿素a浓度，并分析东海叶绿素a浓度的昼变化特征及其原因，以期为东海赤潮等突发性海洋灾害事件的监测提供参考。

1 材料与方法

1.1 数据及处理

1.1.1 GOCI数据及预处理

GOCI是世界上第一个为海洋水色观测而设计的静止轨道卫星传感器。该传感器由韩国发射，设计寿命为7年，于2010年6月发射升空，2011 年 4月开始向公众提供数据。GOCI共有 6 个可见光波段和 2个近红外波段，观测中心点的经纬度为：东经130°、北纬36°，卫星的覆盖范围为 2 500 km×2 500 km，可覆盖我国黄、渤、东海海域，每天可以提供八景遥感影像，从北京时间08∶30到15∶30，时间分辨率为1 h[12]。

GOCI遥感L1B数据来源于Korea Ocean Satellite Center(KOSC),下载网站为http://kosc.kiost.ac，该网站可以下载从2011年至今的每日八景数据。此研究中，我们下载了和实际测量的叶绿素a浓度数据对应时间的L1B数据，以及用于叶绿素a浓度昼变化分析的2011年5月29日、2012年6月5日、2013年5月25日、2014年5月23日、2015年6月15日、2016年5月31日和2017年5月22日的L1B数据。

在基于GOCI的L1B数据反演叶绿素a浓度前，首先要对L1B遥感数据进行大气校正。大气校正即是去除传感器接收的辐亮度值中大气的影响因素，提取出水体信息的离水辐亮度。本文利用GOCI数据处理软件GOCI Data Progressing Software(GDPS)内置的KOSC二类水体大气校正算法(它是GOCI数据处理的业务化标准大气校正算法)实现影像的大气校正，可以剔除瑞利散射和气溶胶散射的影响[17]。大气校正结束后，还应进行云掩膜，目的是尽可能获得影像上更多的叶绿素a浓度信息，提高后续叶绿素a浓度反演的精度，这个步骤同样可以在GDPS中实现。

1.1.2 叶绿素a浓度实测数据

叶绿素a浓度实测数据是由南京信息工程大学于2016-2017年间开展的3个月现场水色观测航次获得的，该观测航次分别于2016年9月和10月、2017年5月对东海22°～33°N、120°～126°E之间的海域进行样点采集，并记录了这些样点的采集时间和经纬度，测定了这些样点的叶绿素a浓度值。叶绿素a浓度的测定过程是先利用CTD采水瓶采集水样，随后立刻将采集的水样取100 mL进行过滤，滤膜采用Whatman GF/F玻璃纤维滤膜(直径：25 mm；孔径：0.7 μm)，真空泵过滤气压<0.1 KPa，整个抽滤过程在暗光环境下进行，以避免叶绿素的光解。过滤完成后，将滤膜用锡纸包裹好，立刻放入液氮进行保存。返回实验室后，将过滤好的滤膜从液氮罐中取出，放入试管中并加入5 mL的二甲基甲酰胺N, N-dimethyl-formamide进行叶绿素萃取，萃取时间为24 h[13]。随后，利用事先标定好的实验室荧光仪(Turner Design, Trilogy)进行叶绿素浓度的测量。最后对测得的叶绿素a浓度剔除掉无效数据和质量精度不高的数据。

1.2 研究方法

本文利用OC2、OC3G和YOC 3种算法，从GOCI卫星获取的水色遥感信息反演了东海叶绿素a浓度，并和实测值进行对比分析，通过计算和对比3种算法反演的叶绿素a浓度与实测值之间的平均绝对误差、平均相对误差和相关系数，最终确定东海叶绿素a浓度反演的最优算法。进一步，利用该算法反演2011-2017年东海海域(26°～32°N、119°～125°E)的叶绿素a浓度，通过静止水色卫星的高时间分辨率观测优势，分析其获得的叶绿素a浓度在以小时为时间分辨率的变化特点。

1.2.1 OC2算法

OC2算法是由HOOKER等[14]基于SeaWiFS数据提出的两波段海洋叶绿素a浓度反演算法，它是利用Rrs(490)/Rrs(555)的比值与叶绿素a浓度的关系建立的一个三次多项式算法。其算法表达式如下：

(1)

式(1)中，Chla为叶绿素a浓度，Rrs(490)和Rrs(555)分别为490 nm波段和555 nm波段的遥感反射率。

1.2.2 OC3G算法

OC3G算法是根据OC4算法修改得来的，OC4算法里包含510 nm波段的反射率，但是GOCI没有510 nm波段，因此适用于GOCI的OC3G算法只用了3个波段的反射率，分别为443 nm、490 nm和555 nm。它是利用Rrs(443)/Rrs(555)与Rrs(490)/Rrs(555)比值中的最大值来建立的一个四次多项式算法。其算法表达式如下[15]：

(2)

式(2)中，Chla为叶绿素a浓度，Rrs(443)、Rrs(490)和Rrs(555)分别为443 nm、490 nm波段和555 nm波段的遥感反射率。

1.2.3 YOC算法

YOC算法首先由TASSAN于1994年提出，SISWANTO等[16]于2011年基于近十年的东海、黄海和日本南部的实测遥感反射率和叶绿素a浓度，修改了原YOC算法里面的参数得到新的YOC算法。它是利用412 nm、443 nm、490 nm和555 nm多波段比值来建立的一个二次多项式算法。其算法表达式如下：

(3)

式(3)中，Chla为叶绿素a浓度，Rrs(412)、Rrs(443)、Rrs(490)和Rrs(555)分别为412 nm、443 nm、490 nm波段和555 nm波段的遥感反射率。

1.2.4 精度验证

利用OC2、OC3G和YOC 3种算法反演了东海叶绿素a浓度后，分别计算3种算法反演的叶绿素a浓度与实测值之间的平均绝对误差、平均相对误差和相关系数，并根据这3种参数结果对3种算法反演的精度进行对比，确定最适合东海叶绿素a浓度的反演算法。

上式中：Xi为遥感反演的叶绿素a浓度值，Yi为实际测量的叶绿素a浓度值。

2 结果与分析

2.1 3种叶绿素a浓度反演算法的比较

对叶绿素a浓度实测资料进行基本数据质量检验，并根据该研究中GOCI卫星的观测时间和范围，一共从实测资料中筛选出17个有效观测站点值，站点分布示意图如图1所示。

这17个站点位于东海26°～32°N、120°～126°E海域内，基本涵盖了长江口、杭州湾、浙江、福建沿岸海域，内陆架和外陆架等不同的海域环境。采样时间是2016年9、10月和2017年5月，既包含浮游植物生长旺盛的时段，也包含生长平稳的时段。17个站点的站名、观测日期、到站时间、叶绿素a浓度实测值和3种算法的反演值见表1。

图1 有效观测站点图 (红色三角形为观测站点)Fig.1 Map of effective stations (The red triangle are the stations)

站名Station name观测日期Observation date到站时间Arrival time实测值/(mg·m-3)Measured valueYOC算法/(mg·m-3)YOC algorithmOC2算法/(mg·m-3)OC2 algorithmOC3G算法/(mg·m-3)OC3G algorithmDH1-6-Surf2016/9/2413∶27∶000.480.350.370.92DH3-1-Surf2016/10/2613∶15∶001.231.801.821.88DH7-3-Surf2016/10/113∶00∶001.691.011.071.12DH7-4-Surf2016/10/110∶05∶000.280.110.150.16L12-1-Surf2017/5/1809∶00∶001.271.591.854.21S01-2-Surf2017/5/1811∶20∶000.681.401.591.98L45-3-Surf2017/5/2208∶20∶001.361.221.211.93S05-1-Surf2017/5/2210∶30∶004.023.274.867.01S05-3-Surf2017/5/2214∶50∶000.360.590.760.88S04-1-Surf2017/5/2115∶20∶000.290.210.250.19DH2-1-Surf2016/9/2513∶03∶000.630.390.331.74S01-3-Surf2017/5/1814∶30∶000.651.211.332.88DH2-2-Surf2016/9/2509∶48∶000.370.540.731.10S05-2-Surf2017/5/2213∶00∶000.360.730.981.42DH1-5-Surf2016/9/2410∶20∶000.310.961.011.67DH5-2-surf2016/10/2512∶08∶002.451.231.351.15DH7-2-Surf2016/10/115∶30∶002.271.125.522.55

17个站点中，YOC算法反演的叶绿素a浓度比实测叶绿素a浓度高的有8个站点，OC2算法有10个，OC3G算法有13个；OC2算法反演的叶绿素a浓度比YOC算法反演的叶绿素a浓度高的有15个，OC3G算法反演的叶绿素a浓度比YOC算法反演的叶绿素a浓度高的有15个站点，OC3G算法反演的叶绿素a浓度比OC2算法反演的叶绿素a浓度高的有14个站点。由此可见，YOC、OC2和OC3G算法反演的叶绿素a浓度普遍比实测叶绿素a浓度高，OC2算法反演的叶绿素a浓度比YOC的高，OC3G又比OC2的高。

分别计算了17个站点的实测叶绿素a浓度和对应的YOC、OC2和OC3G 3种算法反演的叶绿素a浓度之间的平均绝对误差、平均相对误差和相关系数，结果见表2。

表2 3种反演叶绿素a浓度算法的误差分析Tab.2 Error analysis of 3 inversions of chlorophyll-a concentration

YOC算法反演的叶绿素a浓度与实测值的平均绝对误差是0.39 mg·m-3、平均相对误差是42.47%、相关系数是0.88；OC2算法反演的叶绿素a浓度与实测值的平均绝对误差是0.67 mg·m-3、平均相对误差是78.12%、相关系数是0.79；OC3G算法反演的叶绿素a浓度与实测值的平均绝对误差是0.78 mg·m-3、平均相对误差是80.08%、相关系数是0.73。由此可见，相较于OC2和OC3G算法，YOC算法的平均绝对误差、平均相对误差最小，相关系数最高，说明基于GOCI数据，采用YOC算法反演东海海域的叶绿素a浓度是最优的。此结论与李冠男等[12]提到的YOC算法适用于我国黄、东海海域的结论相符。

2.2 叶绿素a浓度的昼变化特征

由于GOCI静止卫星—天提供了以每小时为时间分辨率的8景图像，这对开展东海叶绿素a浓度的昼变化研究提供了可能。本文主要分析东海每年5、6月份叶绿素a浓度的昼变化特征，每年5、6月份东海浮游植物易富营养化而爆发性增殖，形成赤潮，叶绿素是浮游植物生物量的一个重要指标，监测分析叶绿素a浓度的变化，可以为赤潮等海洋灾害的监测预报提供依据。由于GOCI获取水色信息容易受到天气的影响，因此需要选取云量较少、质量较好的遥感影像，才能适合进行叶绿素a浓度的反演及其变动特点分析。经过大量影像的筛选，本文选取了GOCI获得的2011年5月29日、2012年6月5日、2013年5月25日、2014年5月23日、2015年6月15日、2016年5月31日和2017年5月22日的L1B数据，以26°～32°N、119°～125°E东海海域为研究区域，分析东海叶绿素a浓度的昼变化特征。先以2011年5月29日YOC算法反演的叶绿素a浓度结果为例进行昼变化分析，得到GOCI 2011年5月29日10∶30的RGB真彩色合成影像(图2)和YOC算法反演的叶绿素a浓度分布结果图像(图4)。

图2 2011年5月29日10∶30的RGB真彩色合成影像(绿色区域为陆地，紫色区域为水域，白色区域为云)Fig.2 True color composite image at 10∶30 on May 29th, 2011 (the green area is land, the purple area is water, the white area is cloud.)

根据遥感影像目视解译的规则，图2真彩色合成影像中浅绿色区域为有明显藻类覆盖的海面，选取图2中的两个典型点A、B，分别为有明显藻类覆盖和无明显藻类覆盖的点，分析它们的叶绿素a浓度昼变化特征，结果如图3。

图3 典型点A、B叶绿素a浓度昼变化特征Fig.3 Variations of Chlorophyll-a concentration of typical point A and B during day time

由图3典型点的叶绿素a浓度昼变化也可以看出，左图A点(有明显藻类覆盖的点)，叶绿素a浓度在2.12 ～15.34 mg·m-3之间，平均叶绿素a浓度为6.71 mg·m-3。从08∶30到10∶30，叶绿素a浓度急剧上升，在10∶30达到峰值15.34 mg·m-3；从10∶30到11∶30过程中叶绿素a浓度有所下降，但变化幅度不大，仍然保持着一个较高的浓度水平。从11∶30到13∶30，叶绿素a浓度呈直线下降趋势，13∶30以后叶绿素a浓度下降趋于平稳。右图B点(无明显藻类覆盖的点)，叶绿素a浓度在0.12 ～ 1.95 mg·m-3之间，平均叶绿素a浓度为0.78 mg·m-3。和A点一样，叶绿素a浓度在10∶30达到峰值1.95 mg·m-3，之后下降。由此看出，有明显藻类覆盖点的叶绿素a浓度明显比无明显藻类覆盖点的高，有明显藻类覆盖点的叶绿素a浓度和无明显藻类覆盖点的都是从08∶30开始上升，在10∶30达到峰值，然后再逐渐下降。

图4叶绿素a浓度分布图中，蓝色到红色表示叶绿素a浓度不断升高。可以看出，整个东海海域叶绿素的分布很不均匀，不同区域的浓度值相差较大，呈现由近岸向外海递减的趋势，尤其是在台州、温州和舟山沿岸海域有明显的高值区，这可能是由于这些沿岸海域海水浅，营养盐较丰富，藻类生长旺盛造成的[11]。图4从总体上展示了东海叶绿素a浓度在2011年5月29日一天内的变化情况，可以看出，在浙江、福建沿岸海域，从08∶30到10∶30，整体的叶绿素a浓度是一个增加的趋势，从10∶30到15∶30是浓度减小的过程，叶绿素a浓度在10∶30达到峰值。

进一步，针对东海赤潮高发期的5、6月份，我们从GOCI在2011-2017年中找出一些观测质量较好的影像进行了东海海域叶绿素a浓度的反演及分析其昼变化，它们是2012年6月5日、2013年5月25日、2014年5月23日、2015年6月15日、2016年5月31日和2017年5月22日，并分析其叶绿素a浓度的昼变化特征。由于云层的覆盖，选取的这些时段，也只能提取到东海部分海域叶绿素a浓度的连续信息。研究发现，2012年6月5日杭州湾附近海域、2013年5月25日台州附近海域、2014年5月23日长江口海域、2015年6月15日温州附近海域、2016年5月31日舟山附近海域和2017年5月22日象山附近海域的叶绿素a浓度昼变化特征皆与2011年5月29日的基本相似。

叶绿素a浓度一日内大幅度变化可能和藻类的垂直迁移有关。根据气泡调节浮力机制，藻类的垂直位移受气泡控制[10]。日出后藻体接收太阳光照进行光合作用，由于小气泡的作用细胞的浮力增加，到10∶00的时候形成上层藻量高峰。中午的强日照下生成的光合产物使得细胞内部膨压增高导致气泡崩溃大于新的聚集，致使细胞失去浮力造成藻量下降[11]。叶绿素a浓度可以表征藻类等浮游植物含量，因此，上层藻量在10∶00左右达到峰值，叶绿素a浓度在10∶00左右也就达到峰值，通过GOCI的YOC算法反演出的叶绿素a浓度昼变化特征与气泡调节浮力机制理论是吻合的。

3 小结

基于GOCI静止卫星获取的高时间分辨率的水色遥感资料，本文对OC2、OC3G和YOC 3种算法反演东海海域叶绿素a浓度的适应性评价，对不同算法在东海海域叶绿素a浓度反演的精度做了比较分析，总结出适合于基于GOCI数据的东海海域叶绿素a浓度反演算法。得到以下一些结论：

1)分别利用OC2、OC3G和YOC 3种算法反演了东海海域叶绿素a浓度，并和2016-2017年间3个月的走航调查获得的叶绿素a浓度实测资料进行对比分析，通过计算和对比3种算法反演的叶绿素a浓度与实测叶绿素a浓度之间的平均绝对误差、平均相对误差和相关系数，得到YOC算法是反演东海叶绿素a浓度最优的，该算法的平均绝对误差为0.39 mg·m-3，平均相对误差为42.47%，相关系数为0.88。

2)利用YOC算法反演了GOCI静止卫星获取的2011-2017年影像质量较好的每日叶绿素a浓度，东海叶绿素a浓度昼变化基本表现出相近的特点：从08∶30点到15∶30点，整个海域的叶绿素a浓度为先升高再降低的变化特点，在10∶30点左右达到峰值。此结果与藻类气泡调节浮力机制理论基本吻合。

致谢：感谢韩国卫星中心免费提供的GOCI数据！感谢南京信息工程大学提供的叶绿素a浓度实测数据！

参考文献:

[1] 王珊珊,李云梅,王永波,等. 太湖水体叶绿素浓度反演模型适宜性分析[J].湖泊科学, 2015, 27(1):150-162.

WANG S S, LI Y M, WANG Y B,etal. Suitability of the retrieval models for estimating chlorophyll concentration in Lake Taihu [J]. Journal of Lake Sciences, 2015, 27(1):150-162.

[2] 唐军武,王晓梅,宋庆君,等. 黄、东海二类水体水色要素的统计反演模式[J].海洋科学进展, 2004, 22(b10):1-7.

TANG J W, WANG X M, SONG Q J,etal. Statistical inversion models for case II Water color elements in the Yellow Sea and East China Sea [J].Advances in Marine Science, 2004, 22(b10):1-7.

[3] 仲京臣, 汪小勇, 陈清莲. 基于神经网络的黄东海春季二类水体三要素浓度反演方法[J]. 海洋技术学报, 2005, 24(4):118-122.

ZHONG J C, WANG X Y, CHEN Q L. A retrieval method on the chlorophyll, total suspended matter, and gelbstoff concentrations of Case II waters in Yellow Sea and East China Sea based on artificial neural network [J]. Ocean Technology, 2005, 24(4):118-122.

[4] PARK K A, WOO H J, RYU J H. Spatial scales of mesoscale eddies from GOCI chlorophyll-a concentration images in the East/Japan Sea [J]. Ocean Science Journal, 2012, 47(3):347-358.

[5] MOON J E, AHN Y H, RYU J H,etal. Development of ocean environmental algorithms for geostationary ocean color imager (GOCI) [J]. Irbm, 2010, 26(2):163-168.

[6] 郭宇龙, 李云梅, 李 渊,等. 一种基于GOCI数据的叶绿素a浓度三波段估算模型[J]. 环境科学, 2015, 36(9):3175-3185.

GUO Y L, LI Y M, LI Y,etal. A three band chlorophyll-a concentration estimation model based on GOCI imagery [J]. Environmental Science, 2015, 36(9):3175-3185.

[7] 冯 驰, 金 琦, 王艳楠,等. 基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算[J]. 环境科学, 2015, 6(5):1557-1564.

FENG C, JIN Q, WANG Y N,etal. Remote sensing estimation of chlorophyll-a concentration in inland lakes based on GOCI image and optical classification of water body [J]. Environmental Science, 2015, 36(5):1557-1564.

[8] 包 颖, 田庆久, 陈 旻,等. 基于GOCI影像分类的太湖水体叶绿素a浓度日变化分析[J]. 光谱学与光谱分析, 2016, 36(8):2562-2567.

BAO Y, TIAN Q J, CHEN M,etal. Analysis on diurnal variation of chlorophyll-a concentration of Taihu lake based on optical classification with GOCI data[J]. Spectroscopy and Spectral Analysis, 2006, 36(8):2562-2567.

[9] 胡耀躲, 窦同宇, 杨 波. 基于GOCI影像反演湖泊悬浮物和叶绿素a含量的研究述评[J]. 水资源与水工程学报, 2017, 28(2):26-32.

HU Y D, DOU T Y, YANG B. A review of research on retrieving the concentration of suspended particulate matter and chlorophyll-a in lake based on GOCI images [J]. Journal of Water Resources & Water Engineering, 2017, 28(2):26-32.

[10] 孙绍杰. 基于GOCI的太湖水体叶绿素a浓度估算及其昼变化特征分析[D].南京:南京大学, 2013.

SUN S J. Chlorophyll-a concentration estimation and its diurnal variation obsevation of Taihu Lake based on GOCI [D].Nanjing: Nanjing University, 2013.

[11] 周伟华,袁翔城,霍文毅,等.长江口邻域叶绿素a和初级生产力的分布[J].海洋学报(中文版), 2004, 26(3):143-150.

ZHOU W H, YUAN X C, HUO W Y,etal. Distribution of chlorophyll-a and primary productivity in the adjacent sea area of Chang Jiang River estuary [J]. Acta Oceanologica Sinica(Chinese version), 2004, 26 (3):143-150.

[12] 李冠男,王 林,王 祥,等.静止水色卫星GOCI及其应用进展[J].海洋环境科学.2014, 33(6):966-971.

LI G N, WANG L, WANG X,etal. Geostationary ocean color imager and application progress [J]. Marine Environment Science, 2014, 33(6):966-971.

[13] SUZUKI R, ISHIMARU T. An improved method for the determination of phytoplankton chlorophyll using N, N-dimethyl-formamide [J]. Journal of Oceanography, 1990, 46(4), 190-194.

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

[15] DALL'OLMO G, GITELSON A A, RUNDQUIST D C,etal. Assessing the potential of SeaWiFS and MODIS for estimating chlorophyll concentration in turbid productive waters using red and near-infrared bands[J]. Remote Sensing of Environment, 2005, 96(2): 176-187.

[16] SISWANTO E, TANG J, YMAGUCHI H,etal. Empirical ocean-color algorithms to retrieve chlorophyll- a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas [J]. Journal of Oceanography, 2011, 67(5): 627-650.

[17] RYU J H, ISHIZAKA J. GOCI data processing and ocean applications [J]. Ocean Science Journal, 2012, 47(3): 221.

[18] 赵梦莹. 基于GOCI传感器的渤海、北黄海水色要素反演研究[D].大连:大连海洋大学, 2016.

ZHAO M Y. Study on ocean color element derived from GOCI sensor in Bohai and North Yellow Sea [D]. Dalian: Dalian Ocean University, 2016.