HY-1卫星CZI影像在黄海绿潮监测的应用

王鑫华，刘海龙，邢前国，刘建强，丁静，金松

1.中国科学院烟台海岸带研究所 中国科学院海岸带环境过程与生态修复重点实验室, 烟台 264003;

2.山东省海岸带环境过程重点实验室, 烟台 264003;

3.中国科学院大学, 北京 100049;

4.自然资源部国家卫星海洋应用中心, 北京 100081

1 引 言

自2007年以来，中国黄海连年暴发由漂浮浒苔聚集形成的绿潮灾害，绿潮暴发不仅给中国沿海生态环境带来严重影响，同时对山东半岛沿岸的青岛、日照和威海等城市造成经济损失（邢前国 等，2011；Liu 等，2009；Hu 等，2010）。为对绿潮灾害进行预警，减少绿潮带来的经济损失，绿潮的实时动态监测成为当务之急（蒋兴伟 等，2009；Qi 和Hu，2021；Miao 等，2018）。相比于船舶监测和现场调查，卫星遥感具有监测范围大、空间分辨率高和周期较短的优势（Xing 等，2017；Qi 等，2017；Hu 等，2019）。遥感技术在绿潮等大型漂浮藻类监测中发挥了重要作用（Xing 等，2017和2019；Qi 等，2017；Qi和Hu，2021）。

多源、多空间分辨率遥感数据在大型漂浮藻类监测中广泛应用（叶娜 等，2013；Harun-Al-Rashid和Yang，2018；Zhang 等，2019），如中分辨率成像光谱仪MODIS（Moderate-resolution Imaging Spectroradiometer）、高分卫星WFV（Wide Field of View）、环境卫星CDD（Charge-coupled Device）、陆地卫星Landsat 系列和静止轨道海洋水色成像仪GOCI（Geostationary Ocean Color Imager）等获取的影像数据（张海龙 等，2016；Qiu 等，2018；Cai等，2020；Son 等，2015）。基于绿潮与海水光谱特征的差异（邢前国 等，2011；Li 等，2018a 和2018b），以归一化植被指数NDVI（Normalized Difference Vegetation Index）、差值植被指数DVI（Difference of Vegetation Index）、漂浮藻类指数FAI（Floating Algae Index）（Hu，2009）和大型漂浮藻类虚拟基线高度指数VB-FAH（Index of Virtual Baseline Floating macro Algae Height）（Xing 和Hu，2016）等指数，采用阈值法对绿潮信息进行提取。但是，不同空间分辨率影像获取的绿潮覆盖面积差异显著，如Cui 等（2012 和2018）研究发现，250 m 分辨率的MODIS 影像获取的绿潮覆盖面积是30 m 分辨率HJ-1A/B CCD 影像的2—3 倍，且在30—1000 m 的分辨率维度上，较低分辨率影像监测的绿潮覆盖面积更大。中国于2018年9月发射了海洋一号C 卫星（HY-1C），其上搭载的海岸带成像仪CZI（Coastal Zone Imager）具有50 m 空间分辨率、950 km 幅宽和3 天重访周期（梁超 等，2020）。本文通过与其他不同空间分辨率的遥感影像，如应用广泛的MODIS数据进行对比，分析CZI影像在大型漂浮藻类定量监测中的优势与不足。

本研究以16 m 分辨率的高分六号（GF-6）WFV 影像绿潮覆盖面积作为参考值，从绿潮漏检率和覆盖面积两个角度，定量评估了CZI影像对于绿潮的监测能力。由于CZI 影像受重访周期限制，无法实现对绿潮整个生长周期的高频次观测（刘锦超 等，2022），本研究通过分析MODIS 和CZI影像的绿潮覆盖面积比值，将MODIS 影像的绿潮覆盖面积转化为CZI 绿潮覆盖面积结果，应用于2019年—2021年南黄海绿潮监测，研究分析这3年内南黄海绿潮的时空动态变化。

2 数据与方法

2.1 研究区域

本文的研究区域为山东半岛南岸和江苏省东岸的南黄海海域（32°N—38°N，119°E—124°E），如图1（a）所示。南黄海位于中国大陆东北部，是东亚大陆架的一部分；南黄海夏季受温带季风的影响，主要盛行东南风和偏南风。位于山东半岛南岸的青岛和日照等城市每年都会受到绿潮侵袭的影响。

2.2 数据来源与处理

本文采用的遥感卫星数据包括GF-6 WFV 一级数据（http：//www.cresda.com/CN/［2021-07-04］），HY-1C CZI Level 1C 数据（http：//www.nsoas.org.cn/［2021-07-04］）和AQUA MODIS Level 1B 数据（https：//modis.gsfc.nasa.gov/［2021-07-04］）。为尽可能缩小卫星成像时间差异对绿潮面积估测的影响，选取3 组成像时间相近的半同步WFV、CZI 和MODIS数据（详见表1）用于绿潮漏检率和覆盖面积对比研究。

表1 3组半同步卫星影像信息Table 1 Information of three sets of semi-synchronous satellite images

CZI影像的地面分辨率为50 m，能够较精确地提取绿潮，但CZI卫星数据因其重访周期、天气等原因，可用数据较少，无法满足绿潮监测的需要，如2020年仅有4期可用的CZI影像。因此，本研究以时间分辨率（1/2 d）更高的MODIS 影像作为补充，共选用6期，实现绿潮时空动态监测。

本文所用的WFV、CZI 和MODIS 数据首先进行辐射定标，将遥感影像的像元亮度值DN（Digital Number）转换为辐射亮度，再进行几何校正。

2.3 研究方法

本文的研究方法包括绿潮信息提取、绿潮漏检率计算和绿潮聚集度计算。

（1）绿潮信息提取。浒苔的光谱特征与陆地植被相似，在近红外波段存在一个反射峰。相比于其他植被指数，DVI（式（1））指数计算简单且适用于本研究的所有数据，同时受海表耀光和薄云影响较小（Xing 和Hu，2016；Cui 等，2018）。对DVI 影像，采用动态阈值法提取绿潮信息，具体步骤为将DVI 影像划分成多个小区域，根据区域大小设置软件阈值提取窗口并逐区域设定阈值，MODIS、CZI 和WFV 影像的窗口尺寸分别为［200×200，500×500］、［500×500，1500×1500］和［1000×1000，2000×2000］。这3种分辨率影像的动态阈值范围分别设定为［-8，-3］、［-3，2］和［-2，2］，DVI值大于阈值的像元识别为绿潮像元，汇总统计得到绿潮覆盖面积（Xing 等，2018）。

式中，NIR为近红外波段的辐射亮度，Red为红波段的辐射亮度，对应于WFV和CZI影像的第4和第3波段，MODIS影像的第2和第1波段。

（2）绿潮漏检率计算。在3组半同步卫星影像中，以16 m 分辨率的GF-6 WFV 影像提取的绿潮覆盖面积作为参考值（AWFV），将较低分辨率影像的绿潮漏检面积MA（Missing Area）与WFV 影像的绿潮覆盖面积进行比值运算（式（2）），获取绿潮漏检率MR（Missing Rate）。

由于每组半同步卫星影像存在3 h 左右的成像时间间隔，为减少绿潮位移带来的影响，对3组影像进行地理配准，同时在CZI 和MODIS 提取结果上建立0.5 km 的缓冲区，与缓冲区重叠的WFV 绿潮覆盖区域面积作为共同监测的覆盖面积，而未重叠的区域面积作为低分辨率影像的绿潮漏检面积（Wang 等，2021）。

（3）绿潮聚集度计算。利用ArcMap 中的Aggregate Polygons 工具，将一定范围内的绿潮斑块聚集，生成包络绿潮斑块的多边形，以多边形的面积作为绿潮影响面积（图1（b）），并以绿潮覆盖面积CA（Coverage Area）与影响面积AA（Affect Area）之比作为绿潮聚集AD（Aggregation Density）（式（3））。

3 结果与讨论

3.1 评估CZI影像的绿潮漏检率与覆盖面积

图2 展示了黄海海域2019年6月2日获取的MODIS、CZI 和WFV 影像的绿潮提取结果。相比于高空间分辨率的GF-6 WFV（16 m）卫星影像，较低分辨率的CZI 和MODIS 影像可导致绿潮小斑块的漏检。

图2 2019年6月2日的MODIS、HY-1 CZI和GF-6 WFV影像的绿潮提取对比（获取时间分别为：13：10：00，10：50：40和10：53：24）Fig.2 Comparison of the extracted green tide by images acquired by MODIS，HY-1 CZI and GF-6 WFV on June 2，2019（Acquisition times are 13：10：00，10：50：40 and 10：53：24 ）

本文将GF-6 WFV影像的绿潮覆盖面积作为参考值，利用3 期半同步WFV、CZI 和MODIS 数据，定量评估了CZI和MODIS影像的绿潮漏检率，如表2所示：3组半同步卫星影像（2019年6月2日、6月23日和7月5日）中，CZI影像的绿潮漏检率分别为4.47%、9.53%和5.91%，3 期的平均值为6.64%；相比之下，MODIS 影像的绿潮漏检率分别达到23.07%、48.82%和30.34%，平均漏检率为34.08%，MODIS影像的绿潮漏检率为CZI的5倍左右。

3.2 MODIS与CZI影像的绿潮覆盖面积关系

为保证多源数据绿潮监测结果的一致性，利用2019年的6期（表2）MODIS和CZI准同步卫星影像，对比CZI和MODIS影像绿潮监测结果（图3（a）和3（b）），并建立MODIS 和CZI 影像绿潮覆盖面积关系模型，将MODIS 影像的绿潮覆盖面积转换为CZI绿潮覆盖面积，以提高CZI绿潮监测频率。

Table 2 Omission rate of green tide acquired by CZI and MODIS images

本文通过选取绿潮样本（如图3（c）），对比MODIS和CZI影像在绿潮生长不同阶段监测的绿潮覆盖面积，结果显示不同时期的MODIS 和CZI 绿潮覆盖面积呈线性相关（图4）。在绿潮出现早期的5月初至月底，MODIS影像监测的绿潮覆盖面积与CZI 影像的绿潮覆盖面积比值（AMODIS/ACZI）即斜率，约为2.39—2.62（图4（a））；6月份AMODIS/ACZI比值则下降至1.59—1.90（图4（b））；2019年7月，3 期MODIS 与CZI 影像的绿潮覆盖面积比值AMODIS/ACZI分别达到1.62、1.82和2.05（图4（c））。

图4 2019年5月、6月和7月的MODIS和CZI影像监测的绿潮覆盖面积对比Fig.4 Comparison of the coverage area of green tide monitored by MODIS and CZI images in May，June and July，2019

此前的研究结果表明（Cui 等，2012；Xing等，2018），空间分辨率是影响遥感影像绿潮监测面积的主要原因之一。在绿潮生长、暴发直至消亡的过程中，其空间分布和聚集程度变化较大（安德玉 等，2018；Wang 等，2017；Hu 等，2018），由此，本文分析了2019年绿潮生长至消亡过程中，基于MODIS 影像的绿潮聚集度变化以及MODIS 与CZI 影像的绿潮覆盖面积比值AMODIS/ACZI的变化，如图5（a），结果显示，2019年5月初至7月底，MODIS与CZI影像的绿潮覆盖面积比值呈先降低后升高的趋势，而基于MODIS 影像的绿潮聚集度呈现先增加后减少的趋势。MODIS 绿潮聚集度（x）与AMODIS/ACZI（y）之间的关系如图5（b）所示，结果显示在一定的聚集度范围（2%—8%左右），两者呈线性相关：

图5 2019年度MODIS绿潮聚集度与AMODIS/ACZI变化关系Fig.5 Change and relationship between the aggregation density of green tide of MODIS images and AMODIS/ACZI in 2019

本文通过10期（表3）MODIS 和CZI同步卫星影像，将MODIS 影像的绿潮覆盖面积转换为CZI覆盖面积，其中前6 期MODIS 和CZI 同步卫星影像，以CZI真实面积评估了转换结果的误差。结果显示，相比于CZI真实面积，转换结果误差范围在［-14%，14%］之间。MODIS和CZI影像绿潮覆盖面积关系模型将进一步应用于黄海绿潮的面积转换。

本研究结果显示，MODIS 影像的绿潮覆盖面积比CZI 多50%以上（图6）。基于MODIS 影像的绿潮覆盖面积和影响面积，可以计算MODIS 影像的绿潮聚集度；通过前述所构建的MODIS 和CZI影像的绿潮覆盖面积比值与MODIS 绿潮聚集度关系（式（4）），进而可以将MODIS 影像的绿潮覆盖面积转换为CZI 结果（表3）。以2019年为例，将各期MODIS 绿潮覆盖面积转换为基于CZI 的面积结果，如图6 中的MODIS 转换线所示。本方法进一步应用于2019年—2021年黄海绿潮监测。

图6 2019年度WFV、CZI和MODIS影像绿潮覆盖面积变化Fig.6 Changes of coverage area of green tide from WFV，CZI and MODIS images in 2019

表3 MODIS和CZI同步卫星影像统计Table 3 Statistics of MODIS and CZI synchronous satellite images

3.3 2019年—2021年度绿潮时空分布与年度对比

本文以8期CZI影像获取了2019年南黄海绿潮的时空分布（图7（a）），以4 期CZI 影像结合4 期MODIS 影像，得到2020年南黄海绿潮的时空分布（图7（b）），以6 期CZI 影像补充2 期MODIS 影像，获取了2021年南黄海绿潮时空分布（图7（c））。并通过MODIS和CZI影像绿潮覆盖面积关系模型，将MODIS绿潮覆盖面积转换为CZI绿潮覆盖面积，进而得到2019年—2021年绿潮覆盖面积变化（图8）。

在2019年的CZI 影像上，5月9日在苏北浅滩东部50 km 左右海域首次监测发现绿潮（如图7），覆盖面积仅为9 km²，2020年绿潮首次被发现时间为5月12日，覆盖面积为3 km²，2021年于5月1日首次发现绿潮，覆盖面积为3 km²。在2019年—2021年间，每年5月中下旬，绿潮在向北漂移的过程中，覆盖面积迅速增加，均于5月下旬增长至100 km²以上（如图8），绿潮影响范围也逐渐扩大。2019年6月初开始，绿潮覆盖面积持续增加，6月11日便已增长至1382 km²，此时绿潮距离山东半岛的青岛市仅30 km 左右；6月23日绿潮覆盖面积达到年度最大的2290 km²，6月底7月初，绿潮覆盖面积迅速下降，CZI影像于7月26日在山东半岛沿岸，监测的绿潮覆盖面积仅为105 km²。在2020年，6月4日绿潮覆盖面积达到336 km²，已达到年度最大，绿潮距离山东半岛约50 km 左右；6月中下旬绿潮覆盖面积持续下降，于6月21日减少至123 km²，此后绿潮零星分布于山东半岛沿岸海域，MODIS 影像于7月15日最后一次监测到绿潮，转换为CZI 的绿潮覆盖面积仅为4 km²。在2021年，绿潮覆盖面积于6月6日达到1830 km²，距山东半岛仅30 km 左右，6月23日覆盖面积达到2515 km²，为本年度最大面积，转换为CZI 面积结果为1949 km²，7月绿潮覆盖面积持续下降，CZI影像于8月8日最后一次监测到绿潮，覆盖面积仅为52 km²。本研究显示，基于CZI 影像的2019年度（2290 km²）和2021年度（1949 km²）绿潮最大覆盖面积为2000 km²左右，为2020年度（336 km²）的6倍左右。

图7 2019年、2020年和2021年南黄海绿潮时空分布Fig.7 Temporal and spatial distribution of green tide in the Southern Yellow Sea in 2019，2020 and 2021

图8 基于CZI的2019年—2021年度绿潮覆盖面积变化Fig.8 Change of the coverage area of green tide based on CZI images from 2019 to 2021

CZI 影像可用于南黄海绿潮灾害的业务化观测，通过和时间分辨率更高的MODIS影像相结合，可对绿潮整个生长消亡周期进行高频次监测。

3.4 绿潮规模与时空变化影响因素

上述结果显示，2019年度绿潮最大覆盖面积（2290 km2）是2020年度（336 km²）的近7 倍，2021年度（1949 km²）为2020年度的近6倍。Xing等（2019）研究表明，黄海绿潮与苏北浅滩紫菜养殖的空间分布与养殖模式有关，且紫菜养殖设备回收进度可影响当年绿潮规模。本研究对比了250 m分辨率的MODIS影像获取的2019年—2021年度绿潮最大覆盖面积空间分布（图9），并获取了2019年—2021年度的紫菜养殖区，分析了5月的紫菜养殖设备回收进程（Xing 等，2019），如图10。结果显示，2019年度WFV 影像于5月7日监测到70 km²的紫菜养殖设备，为总面积的28.89%，而2017 与2018年度同期约有45%—50%的养殖设备未回收（Xing 等，2019）。基于250 m 分辨率MODIS 影像的2017年—2019年度绿潮最大覆盖面积分别为1224 km²、1548 km²和3103 km²。2019年度紫菜养殖设备回收较早，绿潮规模更大，这与Xing 等（2019）、魏振宁（2019）的结论一致。2020年度由于光学影像质量较低，哨兵一号微波影像于5月6日仅监测到41 km²的养殖设备，为总面积的16.78%，而MODIS 影像监测的2020年度最大覆盖面积仅为531 km²。2020年度绿潮规模的减少，可能与除藻措施有关，仍需进一步证实与研究。2021年度WFV 影像于5月1日监测到14 km²的紫菜养殖设备，仅为总面积的9.1%，2021年度绿潮规模的增加可能与养殖设备回收较早有关。

图9 基于MODIS影像的2019年，2020年和2021年绿潮年度最大覆盖面积的空间分布（底图均为645 nm、858.5 nm和645 nm三波段假彩色合成影像）Fig.9 Spatial distribution of annual maximum coverage area of green tide based on MODIS images from 2019，2020 and 2021.The base images are false composite images of 645 nm，858.5 nm and 645 nm

图10 2019年—2021年度苏北浅滩紫菜养殖区分布与5月份紫菜养殖设备回收进程Fig.10 Distribution of Porphyra yezoensis aquaculture area in North Jiangsu Shoal in 2019 to 2021，and recycling of Porphyra yezoensis facilities in May

4 结 论

本文从绿潮漏检率和覆盖面积两个方面，以WFV 影像的绿潮覆盖面积为参考值，对CZI 影像的绿潮监测能力进行了定量评估。结果显示，相比于广泛应用的MODIS影像，CZI影像在绿潮监测方面具有明显优势，CZI影像的绿潮覆盖面积更接近参考值，且CZI 影像的绿潮的平均漏检率不到MODIS影像的1/5。

由于CZI 影像受重访周期的限制，将CZI 影像与时间分辨率更高的MODIS 影像相结合，可提高绿潮观测频次。本文通过建立MODIS 和CZI 影像的绿潮覆盖面积转换模型，可将MODIS影像的绿潮覆盖面积转换为CZI面积结果，并应用于2019年—2021年南黄海绿潮监测。结果显示，2019年—2021年间，以CZI 影像为基准估算的绿潮年度日最大覆盖面积，2019年度（2290 km²）和2021年度（1949 km²）结果为2000 km²左右，2020年度（336 km²）仅为2019和2021年度的1/6左右。本研究显示，CZI 影像可用于南黄海绿潮的业务化观测，通过将MODIS 绿潮覆盖面积转换为CZI 结果，可实现绿潮生长周期的高频次观测。

对2019年—2021年度绿潮规模与紫菜养殖设备回收进程研究发现，2019年与2021年紫菜养殖设备回收较早，绿潮规模（2000 km²左右）较大，推测绿潮规模可能与紫菜养殖设备回收进程相关。

志 谢感谢魏振宁的数据处理与整理工作，感谢孟灵、郑向阳对本文提出的建议。