基于MODIS數據的5種植被指數對不同生長階段綠潮的探測能力對比及應用＊

王 寧，黃 娟，崔廷偉，肖艷芳，蔡曉晴，辛 蕾

(1．山東省海洋生態環境與防災減災重點實驗室，山東 青島266061;2．國家海洋局北海預報中心，山東 青島266061;3．國家海洋局第一海洋研究所，山東 青島266061)

“綠潮”(green tide)是指海洋中大型藻類大量增殖的一種現象。2008年以來，我國黃、東海連年爆發以滸苔為主要藻種的綠潮災害，對我國近海生態環境、海上生產、旅游觀光等活動造成較為嚴重的影響。快速、準確地獲取海上綠潮分布狀況，是綠潮災害應急處置的迫切要求，也是歷年綠潮災害監測與防治的首要任務。MODIS數據光譜信息豐富、覆蓋面積大、每天可免費獲得至少一景可用數據，是大范圍綠潮災害監測的有效手段［1，2］。

綠潮的光譜特征與陸地健康植被相似，因此，綠潮的衛星遙感監測工作大多沿用陸地植被監測常用的NDVI、EVI、RVI等植被指數［3-14］，但有關這些指數對綠潮，尤其是對不同生長階段綠潮的探測能力方面的研究尚未見文獻報道。僅蔡曉晴等［15］針對GOCI數據評估了RVI、NDVI、EVI、FAI、NDAI、IGAG等指數的綠潮探測能力，他們的研究認為，NDVI是GOCI綠潮遙感監測的首選算法。在目前的綠潮業務化監測工作中，MODIS是主要的數據源，其波段設置與GOCI存在較大差異，上述研究結論不能簡單照搬。

因此，本文針對綠潮業務化監測的需要，首先根據歷年綠潮衛星遙感監測經驗，將綠潮的生消過程分為發生、發展和消亡三個階段;然后基于MODIS數據對比分析5種常用的植被指數(NDVI、EVI、ARVI、RVI和DVI)對不同生長階段綠潮的探測能力;最后利用最優算法開展2014年黃海綠潮的過程監測，并與歷年監測結果進行了對比分析。

1 數據和方法

1．1 數據源

選用2011至2014年黃海綠潮期間晴好天氣條件下的7景MODIS數據，其中，2景處于綠潮發生階段，2景處于綠潮發展階段，3景處于綠潮消亡階段。數據的詳細信息如表1所示。

表1 選取的7景MODIS影像的基本信息Tab．1 Selected basic information of 7 MODISimages

1．2 研究方法

1．2．1 植被指數

本文對比分析了5種傳統植被指數的綠潮探測能力，分別是歸一化植被指數(NDVI)、增強型植被指數(EVI)、大氣阻抗植被指數(ARVI)、比值植被指數(RVI)和差值植被指數(DVI)。

其中，ρNIR、ρRED和ρBLUE分別代表近紅外波段、紅光波段和藍光波段的反射率。

1．2．2 樣本選取

基于MODIS假彩色合成影像(Red:Band1;Green:Band2;Blue:Band1)，從綠潮不同發展階段的數據中，選擇綠潮特征最為明顯的像元作為綠潮樣本，選擇開闊且均勻的海水像元作為海水樣本。在樣本選取時，確保每景影像中選取的綠潮和海水樣本數目相同，且在空間上均勻分布(見表2)。

以2013年6月20日影像為例(如圖1)。圖中海域內綠色部分為綠潮，紅框為綠潮樣本選取區域，藍框為海水樣本選取區域。

圖1 2013年6月20日MODIS假彩色合成影像及選擇的綠潮、海水樣本Fig．1 MODISfalse color composite image and green tide，sea water samples on June 20，2013

表2 從7景影像中選取的樣本像元數Tab．2 Sample pixel number of the selected 7 images

1．3 綠潮探測能力評價指標綠潮信息提取最主要的是區分綠潮和海水兩類地物，因此，借鑒模式識別領域用來區分兩類樣本的“類間距”概念［16］來評判不同植被指數對綠潮、海水的區分能力:

2 結果與討論

2．1 植被指數探測能力評價

基于所選取的綠潮和海水樣本，利用5種常用植被指數計算兩類樣本的距離，結果如圖2所示。

圖2 植被指數探測能力比較Fig．2 Detection capability comparison of 5 vegetation indices

由圖可知，在綠潮發生、發展和消亡階段，綠潮與海水兩類樣本距離最大的均為NDVI植被指數。其中，在綠潮發生和消亡階段，NDVI植被指數的類間距略大于其它四種植被指數;在綠潮發展階段，NDVI植被指數的類間距遠大于其它四種植被指數。另外，從類間距值來看，NDVI植被指數的類間距在綠潮的發生和消亡階段較小，在發展階段較大，說明利用NDVI指數可以很容易地識別處于發展階段的綠潮。而其他指數的類間距并沒有表現出類似的變化趨勢。

綜上，與ARVI、EVI、RVI、DVI算法相比，NDVI在MODIS數據探測綠潮方面的能力最強、最穩定，是綠潮業務監測的首選算法。

2．2 2014年黃海綠潮過程分析

基于MODIS數據，利用NDVI植被指數算法開展2014年黃海綠潮過程監測，統計分析了綠潮分布面積(影響海域面積)和覆蓋面積(實際覆蓋海域面積)，并與歷年監測結果進行了對比分析。

圖3 綠潮解譯結果Fig．3 Green tide interpretation chart

圖3給出了2014年黃海綠潮的漂移擴散情況。綠潮最早出現在鹽城附近海域，綠潮密集區先向東北漂移，然后向西北漂移，最后轉向東北方向漂移。

圖4 綠潮分布面積和覆蓋面積變化趨勢圖Fig．4 The green tide distribution and coverage trend chart

圖4給出了2014年綠潮期間綠潮的覆蓋面積和分布面積情況。2014年黃海綠潮的生消過程共計85天。覆蓋面積和分布面積總體上呈現先增大后減小的趨勢。5月12日首次監測到綠潮，覆蓋面積為9平方公里，分布面積為2 600平方公里。隨后綠潮的覆蓋面積和分布面積不斷增大，7月3日覆蓋面積最大，為540平方公里;7月14日，分布面積最大，為50 000平方公里。8月12日，綠潮覆蓋面積減少至7平方公里，分布面積減少至700平方公里。

結合歷年綠潮監測結果，對比分析了2008～2014年綠潮最大覆蓋面積、最大分布面積及其出現時間，結果見表3。與歷年綠潮監測結果相比［17，18］，2014年黃海綠潮覆蓋面積較小，但分布面積較大，說明有較大面積的海域受到綠潮災害的影響;最大分布面積出現的時間與2010年和2011年相當。

表3 黃海綠潮監測結果統計(2008-2014)Tab．3 Statistics of the green tide in the Yellow Sea(2008-2014)

3 結論

本文選取晴好天氣條件下的MODIS數據，對比分析了常用的5種植被指數算法(NDVI、ARVI、EVI、RVI、DVI)對綠潮的發生、發展、消亡等各個階段的探測能力，將最優算法應用在2014年綠潮衛星遙感監測工作中。主要結論為:

1．探測綠潮能力最強、最穩定的算法為NDVI植被指數，可將其作為綠潮MODIS衛星遙感業務化監測首選算法;

2．2014年黃海綠潮生消過程共計85天，綠潮密集區先向東北漂移，然后向西北漂移，最后轉向東北方向漂移。最大覆蓋面積為540 km2，最大分布面積50 000 km2;與歷年監測結果相比，2014年黃海綠潮覆蓋面積較小，但分布面積較大。

［1］ 顧行發，陳興峰，尹球，等．黃海滸苔災害遙感立體監測［J］．光譜學與光譜分析，2011，31(6):1627-1632．GU Xingfa，CHEN Xingfeng，YIN Qiu，et al．Stereoscopic remote sensing used in monitoringEnteromor phaprolifradisaster in Chinese Yellow Sea［J］．Spectroscopy and Spectral Analysis，2011，31(6):1627-1632．

［2］ 劉振宇，江濤．基于MODIS數據的滸苔信息提取方法研究［J］．測繪科學，2008，33(增):113-114．LIU Zhenyu，JIANG Tao．The research on the way of extracting Hu Moss on the basis of MODIS［J］．Science of Surveying and Mapping，2008，33(Suppl):113-114．

［3］ 邢前國，鄭向陽，施平，等．基于多源、多時相遙感影像的黃、東海綠潮影響區檢測［J］．光譜學與光譜分析，2011，31(6):1644-1647．XING Qianguo，ZHENG Xiangyang，SHI Ping，et al．Monitoring“Green Tide”in the Yellow Sea and the East China Sea using multi-temporal and multi-source remote sensing images［J］．Spectroscopy and Spectral Analysis，2011，31(6):1644-1647．

［4］ CUI T W，ZHANG J，SUN L E，et al．Satellite monitoring of massive green macroalgae bloom(GMB):imaging ability comparison of multi-source data and drifting velocity estimation［J］．International Journal of Remote Sensing，2012，33(17):5513-5527．

［5］ 張學藝．基于EOS/MODIS的幾種植被指數［J］．安徽農業科學，2009，37(26):12842-12845，12850．ZHANG Xueyi．Introduction of several vegetation Indexes based on EOS/MODIS［J］．J ournal of Anhui Agri，2009，37(26):12842-12845，12850．

［6］ 孟曉峻，馮麗萍．不同MODIS植被指數優劣的探討［J］．內蒙古氣象，2007，6:50．MENG Xiaojun，FENG Lipeng．Discussion on the advantages and disadvantages of different MODISvegetation index［J］．Meteorology Journal of Inner Mongolia，2007，6:50．

［7］ 王正興，劉闖，陳文波，等．MODIS增強型植被指數EVI與NDVI初步比較［J］．武漢大學學報信息科學版，2006，31(5):407-410，427．WANG Zhengxing，LIU Chuang，CHEN Wenbo，et al．Preliminary comparison of MODIS-NDVI and MODIS-EVI in Eastern Asia［J］．Geomatics and Information Science of Wuhan University，2006，31(5):407-410，427．

［8］ 蔡薇．基于MODIS遙感數據混合像元分解的小麥識別及其面積估算［D］．濟南:山東師范大學，2010．CAI Wei．Remote sensing data of wheat identify mixed pixel decomposition and area estimation based on MODIS［D］．Jinan:Shandong Normal University，2010．

［9］ 尚琳琳，馬榮華，段洪濤，等．利用MODIS影像提取太湖藍藻水華的尺度差異性分析［J］．湖泊科學，2011，23(6):847-854．SHANG Linlin，MA Ronghua，DUAN Hongtao，et al．Scale analysis of cyanobacteria bloom in Lake Taihu from MODISobservations［J］．Journal of Lake Sciences，2011，23(6):847-854．

［10］ SON Y B，MIN JE，RYU J H．Detecting massive green algae(Ulva prolifera)blooms in the Yellow sea and East China sea using geostationary ocean color imager(GOCI)data［J］．Ocean Science Journal，2012，47(3):359-375．

［11］ 鐘山，丁一，李振，等．MODIS滸苔遙感監測誤差分析研究［J］．遙感信息，2013，28(1):38-42．ZHONG Shan，DINGYi，LIZhen，et al．Error analysisonEnteromorpha proliferamonitoring using MODISdata［J］．Remote Sensing Information，2013，28(1):38-42．

［12］ 張娟．滸苔遙感監測方法研究及軟件實現-以青島奧帆賽場及周邊海域為例［D］．成都:電子科技大學，2009．ZHANG Juan．Monitoring method study and software realization onEnteromorpha prolifera［D］．Cheng Du:University of Electronic Science and Technology of China，2009．

［13］ 李三妹，李亞君，董海鷹，等．淺析衛星遙感在黃海滸苔監測中的應用［J］．應用氣象學報，2010，21(1):76-82．LI Sanmei，LI Yajun，DONG Haiyinget al．satellite remote sensing application toEnteromorpha proliferamonitoring in the Yellow Sea［J］．Journal of Applied Meteorological Science，2010，21(1):76-82．

［14］ 葉娜，賈建軍，田靜，等．滸苔遙感監測方法的研究進展［J］．國土資源遙感，2013，25(1):7-12．YE Na，JIA Jianjun，TIAN Jing，et al．Advances in the study ofUlva poliferamonitoring with remote sensing［J］．Remote Sensing for Land＆Resources，2013，25(1):7-12．

［15］ 蔡曉晴，崔廷偉，鄭榮兒，等．靜止海洋水色衛星(GOCI)綠潮遙感探測算法對比研究［J］．遙感信息，2014，29(5):46-52．CAI Xiaoqing，CUITingwei，ZHENG Rongeret al．Geostationary color satellite ocean(GOCI)comparative study on remote sensing detection algorithm of green tide，Remote Sensing Information，2014，29(5):46-52．

［16］ WEBB A．統計模式識別(第二版)［M］．北京:電子工業出版社，2004．WEBB A．Statistical Pattern Recognition(Second Edition)［M］．Beijing:Electronic Industry Press，2004．

［17］ 王寧，曹叢華，黃娟，等．基于遙感監測的黃海綠潮漂移路徑及分布面積特征分析［J］．防災科技學院學報，2013，15(4):24-28．WANG Ning，CAO Conghua，HUANG Juan，et al．Multi-year variability characteristics analysis for green tide monitoring in Yellow Sea［J］．Journal of Institute of Disaster-Prevention Science and Technology，2013，15(4):24-28．

［18］ 中國海洋災害公報．國家海洋局，2008-2013．Bulletin of China marine disasters．State Oceanic Administration People’s Republic of China，2008-2013．