基于無人機遙感的黃海綠潮擱淺生物量估算

尚偉濤, 高志強, 姜曉鵬, 田信鵬, 郭少方

基于無人機遙感的黃海綠潮擱淺生物量估算

尚偉濤1, 2, 3, 高志強1, 2, 姜曉鵬1, 2, 3, 田信鵬1, 2, 郭少方4

(1. 中國科學院 海岸帶環境過程與生態修復重點實驗室, 中國科學院煙臺海岸帶研究所, 山東 煙臺 264003; 2. 山東省海岸帶環境過程重點實驗室, 中國科學院 煙臺海岸帶研究所, 山東 煙臺 264003; 3. 中國科學院大學, 北京 100049; 4. 煙臺市科技情報研究所, 山東 煙臺 264003)

滸苔在近岸擱淺后會破壞海岸景觀, 干擾水上運動, 給濱海旅游業造成嚴重影響。本文使用無人機搭載的多光譜和可見光傳感器對山東半島的海陽、乳山和文登的三個海灘擱淺的滸苔進行航拍監測, 并結合地物光譜測量數據, 分別選擇歸一化植被指數(NDVI)、差值植被指數(DVI)和虛擬基線高度浮藻指數(VB-FAH)對海灘擱淺滸苔與岸邊植被及非植被(海水、沙灘)進行識別評估, 并分別估算了三個研究區擱淺滸苔的生物量。研究結果表明: NDVI可以識別植被和非植被, 但無法區分潮間帶上部和潮間帶下部分布的滸苔; DVI和VB-FAH對植被和非植被的區分度不高, 但對不同分布的擱淺滸苔具有一定的區分度, 其中, DVI對潮間帶上部和潮間帶下部分布滸苔的識別能力優于VB-FAH。因此, 通過對岸邊植被進行腌膜, 利用DVI構建海灘擱淺滸苔生物量估算模型, 實現了海灘擱淺滸苔生物量的估算。海陽、乳山和文登三個海灘擱淺滸苔的生物量分別為1 468 t、745 t和5 034 t, 本文提出的方法可以為擱淺滸苔的清理和資源合理分配提供技術支持。

無人機遙感; 綠潮; 擱淺生物量; 多光譜

自2007年以來, 我國黃海海域每年都會暴發以滸苔為優勢種的綠潮災害, 已經持續了13 a[1]。滸苔本身是一種無毒無害的大型綠藻, 但是大量綠藻在近岸堆積、腐爛后會對沿海的自然景觀造成嚴重影響, 尤其是對青島、煙臺、威海的濱海旅游業產生重大影響, 當地政府每年都要花費大量的人力財力來清理堆積在海灘上的滸苔, 據估算, 2008年用于治理綠潮災害的總費約為20億元[2]。

衛星遙感技術由于觀測尺度大、時間分辨率高、覆蓋范圍廣等特點, 在綠潮災害的監測中發揮了重要作用[3-4]。已有學者通過使用MODIS、GOCI、Landsat、GF-1 WFV、HJ-1A/1B衛星遙感數據對綠潮的起源、時空變化過程進行了監測研究[5-8]。但對于濱海景區這樣的小范圍綠潮重點防控區域, 衛星遙感數據的時間和空間分辨率已經不能滿足實時監測和打撈的需求。

無人機遙感技術因其體積小、靈活機動、運行成本低、實時傳輸等特點, 在精準農業、森林資源調查、濕地植被監測等方面得到了廣泛的應用[9-11]。在綠潮研究方面, 已有學者使用無人機航拍輔助船只進行漂浮綠潮的打撈[12], 使用無人機結合衛星遙感數據估算了黃海綠潮初始生物量[13], 也有學者使用不同的植被指數算法對岸灘滸苔和岸邊植被進行了區分研究, 在此基礎之上估算了岸灘滸苔的生物量[14],但僅研究了一個岸灘的實例, 并未對多個海灘的滸苔分布和生物量情況進行對比研究。

本文通過無人機獲取的多光譜和可見光數據對山東半島的海陽、乳山、文登的三個海灘的擱淺滸苔進行了航拍監測, 并結合現場獲取的地物光譜數據, 選擇了歸一化植被指數(NDVI)、差值植被指數(DVI)和虛擬基線高度浮藻指數(VB-FAH)三種指數算法對海灘擱淺滸苔與岸邊植被、海水、沙灘的區分能力進行了對比研究, 在此基礎之上, 結合現場采樣數據, 對三個海灘的滸苔的生物量進行了估算, 為更好地清理擱淺滸苔和合理分配資源提供技術支持。

1 材料與方法

1.1 研究區概況

本研究選取了山東半島三個典型的海灘, 分別位于海陽市愛琴海海灘(121°9′48″E, 36°40′12″N)、乳山市銀灘海灘(121°46′40″E, 36°53′47″N)和文登市南海公園海灘(121°53′47″E, 36°55′48″N)(圖1), 這三個海灘都是重要的濱海旅游景區, 自2007年綠潮災害暴發以來, 這三個濱海旅游景區的海灘每年都會有大量的滸苔擱淺, 如果不及時清理, 堆積的滸苔會腐爛發臭, 污染周邊環境, 對濱海景區的旅游業造成影響。當地政府每年都要花費大量的人力和物理來清理堆積在海灘上的滸苔。

1.2 無人機數據獲取與處理

2019年7月4日—6日使用大疆M600 Pro無人機分別對海陽市愛琴海海灘、乳山市銀灘海灘和文登市南海公園海灘進行正射航拍, 無人機飛行高度為200 m, 選擇晴朗或少云的天氣進行飛行作業。無人機平臺搭載一個Parrot Sequoia 多光譜相機, 它由兩個傳感器組成: 多光譜傳感器, 包括五個同步波段-四個多光譜波段(Green、Red、 Red edge、NIR)和一個RGB相機, 還有一個安裝在無人機頂部的光照傳感器。在飛行過程中, 光照傳感器獲取和記錄當前的光照環境數據, 用于后續的數據處理, 多光譜相機的詳細參數見表1。多光譜相機拍攝獲取的多光譜數據和RGB數據帶有GPS模塊獲取的定位信息, 可以直接使用Pix4Dmapper軟件對數據進行處理, 生成正射影像(包括多光譜影像和RGB影像), 然后使用ENVI 5.3軟件和ArcMap 10.1軟件對數據進行分析和制圖。

圖1 研究區概況

表1 Parrot Sequoia多光譜相機主要參數

“—”: 表格內容為空

1.3 光譜測量

為了研究滸苔和周邊地物的光譜特征, 使用USB4000(Ocean Optics Inc.)地物光譜儀對海灘擱淺的滸苔、岸邊植被、海水、沙灘的光譜進行測量, 地物光譜儀波長范圍為345.30~1 024.12 nm, 光譜分辨率為0.2 nm。測量時, 選擇晴朗的天氣, 測量人員穿黑色衣服, 地物光譜儀探頭距離被測量物體50 cm, 首先測量標準參考板的輻射亮度值, 然后再測量地物的輻射亮度值, 每種地物重復測量3次取平均值, 反射率計算公式為：

式中,()表示被測量地物的反射率,()表示被測量地物的輻射亮度值,L()表示標準參考板的輻射亮度值,()表示標準參考板的反射率, 本次測量中使用的標準參考板的反射率是0.25。

1.4 海灘擱淺滸苔提取方法

為了研究不同的指數方法對海灘擱淺滸苔的提取精度, 本文選取了歸一化植被指數(NDVI)[15]、差值植被指數(DVI)[16]和虛擬基線高度浮藻指數(VB- FAH)[7]三個指數對海灘擱淺滸苔進行了提取研究, 計算公式如下:

NDVI=(NIR–R)/(NIR+R), (2)

DVI=NIR–R, (3)

公式中,G、R和NIR分別表示無人機多光譜影像的綠波段、紅波段和近紅外波段。G、R、NIR是這三個波段對應的中心波長, 分別為550 nm、660 nm和790 nm。

為了比較NDVI、DVI和VB-FAH這三種指數算法對海灘擱淺滸苔的識別能力, 借鑒模式識別領域用來區分兩類樣本的“類間距”概念[17]來判斷不同算法對滸苔和三種地物(岸邊植被、海水和沙灘)的區分能力:

1.5 海灘擱淺滸苔生物量估算方法

1.5.1 海灘擱淺滸苔厚度和生物量數據采集

由于潮汐作用的影響, 海灘擱淺滸苔在潮間帶上部和潮間帶下部的分布有所差異, 為了更好地研究擱淺滸苔的分布情況, 將研究區分為潮間帶上部采樣區和潮間帶下部采樣區, 每個采樣區平行間隔100 m左右設置一個采樣點, 海陽、乳山和文登三個研究區分別設置了16個、10個和18個采樣點(由于乳山研究區海灘擱淺滸苔分布不均勻, 所以根據實際情況只設置了10個采樣點)。對于每個采樣點選取1 m×1 m范圍進行采樣, 首先使用精度為0.1 cm的量尺測量正方形樣點的四個角和中心的滸苔的厚度, 取平均值作為該采樣點的平均厚度。然后使用精度為0.01 kg的電子秤對樣點范圍內的滸苔重量進行測量, 測量3次取平均值, 再計算單位體積滸苔的重量(單位為kg/m3)作為該采樣點滸苔的密度。

圖2 研究區采樣點

1.5.2 海灘擱淺滸苔生物量計算方法

為了計算海灘擱淺滸苔的生物量, 首先使用DVI指數算法提取每個研究區擱淺滸苔在潮間帶上部和潮間帶下部的分布范圍, 然后按照擱淺滸苔在無人機RGB影像上的分布紋理和采樣點的分布位置將潮間帶上部和潮間帶下部提取的擱淺滸苔的分布范圍劃分為若干個子研究區, 盡量使每個子研究區都有采樣點分布, 然后使用每個采樣點的滸苔分布密度和厚度數據作為采樣點所在子研究區的滸苔平均密度和平均厚度。使用公式(6)分別計算每個子研究區的擱淺滸苔生物量, 然后統計計算研究區滸苔的總生物量。

其中,表示研究區滸苔的總生物量,A表示子研究區海灘擱淺滸苔的分布面積,D表示子研究區海灘擱淺滸苔的密度,T表示子研究區海灘擱淺滸苔的的厚度。

2 結果

2.1 海灘不同地物光譜特征

使用地物光譜儀對海灘滸苔、岸邊植被、海水和沙灘進行地物光譜測量并繪制了不同地物的光譜曲線, 如圖3a所示。海灘滸苔和岸邊植被的光譜曲線很相似, 在可見光波段, 有一個小的反射峰, 位置在550 nm處(綠波段), 而在450 nm(藍波段)和670 nm(紅波段)附近則是兩個吸收帶, 這是由于葉綠素對藍光和紅光有較強的吸收作用, 對綠光有較強的反射作用引起的。在近紅外波段(700~800 nm), 由于反射率快速增長, 形成了植被特有的紅邊特征, 這是植被區別于其他地物的主要特征。海水在藍波段有較強的反射率, 而在其他波段則有很強的吸收率, 尤其是近紅外波段, 吸收率更強, 使得近紅外遙感圖上的海水呈現黑色。沙灘的光譜曲線從藍波段到近紅外波段反射率呈現逐漸增高的趨勢, 沒有出現明顯的反射峰特征。

圖3 不同地物光譜曲線

通過對無人機搭載的多光譜相機獲取的影像中不同地物的反射率進行統計, 如圖3b所示, 該多光譜相機包括了綠波段(550 nm)、紅波段(660 nm)、紅邊波段(735 nm)和近紅外波段(790 nm)四個波段, 滸苔由于所含水分的不同, 在這四個波段上的反射率都比岸邊植被的高, 在紅波段, 滸苔的反射率為0.14, 岸邊植被的反射率為0.08, 在近紅外波段, 滸苔的反射率為0.5, 岸邊植被的反射率為0.3。海水在紅邊波段和近紅外波段的反射率都比滸苔的低, 而在紅波段的反射率高于滸苔的反射率。沙灘在四個波段的反射率差異不大, 都在0.2以下, 在紅波段, 沙灘的反射率高于滸苔, 而在紅邊波段和近紅外波段, 滸苔的反射率則高于沙灘。

通過對以上四種地物的光譜曲線的分析, 滸苔和植被的光譜特征比較明顯, 有一個反射峰和紅邊特征, 而海水和沙灘則沒有這樣的光譜特征, 利用這一光譜特征的差異, 通過波段之間的差值運算, 選擇差值比較大的植被指數(如NDVI、DVI、VB-FAH)就可以將這四種地物進行區分, 以提高這四種地物的提取精度, 為后續的研究提供精確的數據。

2.2 不同指數對比研究

圖4顯示了海陽、乳山、文登三個研究區的RGB、NDVI、DVI和VB-FAH四種圖像的對比圖。其中NDVI指數的取值范圍分別是–0.62至0.85、–0.54至0.88、–0.81至0.93, 乳山研究區NDVI的取值范圍大于海陽和乳山研究區, DVI指數的取值范圍分別是–0.33至0.50、–0.45至0.70、–1.04至1.31, 文登研究區DVI的取值范圍大于海陽和乳山研究區, VB-FAH指數的取值范圍分別是–0.25至0.47、–0.19至0.73、–0.59至1.31, 文登研究區VB-FAH的取值范圍大于海陽和乳山研究區。滸苔在三種指數圖像上都有很高的值, 在NDVI指數圖像上, 岸邊植被也有很高的值, 和滸苔的區分度不高, 而在DVI和VB-FAH圖像上, 只有很小一部分植被和滸苔的值接近。

圖4 海陽、乳山和文登三個研究區的RGB、NDVI、DVI和VB-FAH四種圖像的對比圖

為了進一步研究這三種指數的差異性, 從NDVI、DVI、VB-FAH三種指數圖像上分別選取100個四種地物(岸邊植被、海水、滸苔、沙灘)的樣本, 統計四種地物的直方圖分布情況, 結果如圖5所示。從圖中可以看到, NDVI指數對滸苔和岸邊植被的區分度不高, 但是滸苔與海水和沙灘有明顯的區分界限。DVI和VB-FAH指數對滸苔和岸邊植被有一定的區分度, 但是有一小部分滸苔和岸邊植被的取值相同, 很難通過單一閾值將二者進行區分。岸邊植被和沙灘在DVI圖像上的區分度很高, 而VB-FAH圖像上岸邊植被和沙灘有一部分的取值相同, 也很難通過單一閾值將二者進行區分。

滸苔在海灘擱淺后, 滸苔所含的水分會隨著時間推移而逐漸減少, 先擱淺的滸苔比后擱淺的滸苔所含的水分少, 由于所含水分的不同, 在不同的指數圖像上, 不同時間段擱淺的滸苔會有所差異, 在DVI和VB-FAH指數圖像上, 先擱淺的滸苔比后擱淺的滸苔具有更高的值, 而在NDVI指數圖像上, 這一差異并不明顯。

從圖4和圖5三種指數的比較中可以看到, NDVI可以識別植被和非植被, 但無法區分潮間帶上部和潮間帶下部分布的滸苔; DVI和VB-FAH對植被和非植被的區分度不高, 但對不同分布的擱淺滸苔具有一定的區分度。

2.3 滸苔與岸邊植被、海水、沙灘樣本之間的距離比較

為了進一步研究NDVI、DVI、VB-FAH這三個指數中滸苔與岸邊植被、海水、沙灘樣本之間的區分度, 分別計算了滸苔與岸邊植被、滸苔與海水、滸苔與沙灘樣本之間的距離, 計算結果如表2所示。在三個指數中, 滸苔和岸邊植被樣本之間的距離最大的是DVI指數, 為0.46, NDVI指數的距離值最小, 為0.06。滸苔和海水樣本之間的距離最大的是NDVI指數, 為2.42; 最小的是VB-FAH指數, 為1.56。滸苔和沙灘樣本之間的距離最大的是NDVI指數, 為2.26, 最小的是VB-FAH指數, 為1.29。

表2 滸苔與岸邊植被、海水、沙灘樣本之間的距離比較結果

注:gv: 滸苔與岸邊植被樣本之間的距離;gw: 滸苔與海水樣本之間的距離;gs: 滸苔與沙灘樣本之間的距離

從以上的結果中可以看出, NDVI指數可以很好地把滸苔與海水和沙灘區分開來, 但是由于岸邊植被和滸苔有很相似的光譜曲線, 很難將滸苔和岸邊植被區分開來。在區分潮間帶上部和潮間帶下部分布的滸苔時, DVI優于VB-FAH。

由于這三個指數都不能很好的將滸苔和岸邊植被區分開來, 在實際的滸苔提取過程中, 為了減少岸邊植被對滸苔提取精度的影響, 在滸苔和岸邊植被區分明顯的海灘過度地帶對岸邊植被做一個掩膜, 以消除岸邊植被對滸苔提取精度的影響。

為了區分潮間帶上部和潮間帶下部滸苔的分布范圍, 綜合考慮這三個指數的特點, 選擇DVI指數作為滸苔提取的指數算法來分別提取潮間帶上部和潮間帶下部滸苔的分布面積。

2.4 海灘擱淺生物量估算

使用DVI指數按照不同的閾值分別提取了海陽、乳山、文登三個研究區的潮間帶上部和潮間帶下部的滸苔的分布面積, 結果如表3所示。海陽潮上帶和潮下帶滸苔的分布面積分別為41 785.27 m2和26 643.97 m2。乳山潮間帶上部和潮間帶下部滸苔的分布面積分別為48 148.76 m2和5 529.75 m2。文登潮間帶上部和潮間帶下部滸苔的分布面積分別為46 732.13 m2和40 492.97 m2。在三個研究區，潮間帶上部滸苔的厚度都高于潮間帶下部滸苔的厚度。滸苔在三個研究區的密度分布也有所不同, 整體表現為潮間帶上部的滸苔密度大于潮間帶下部的滸苔密度, 滸苔密度最大的是乳山潮間帶上部, 而滸苔密度最小的是文登潮下帶。

通過對每個研究區劃分的子研究區擱淺滸苔生物量的統計得到三個研究區擱淺滸苔的總生物量。海陽、乳山和文登這三個研究區的滸苔總生物量分別是1 468 t、745 t和5 034 t, 其中文登海灘的滸苔生物量最大, 而乳山海灘的滸苔生物量最小。

3 討論

3.1 三種指數提取海灘擱淺滸苔結果比較

NDVI、DVI、VB-FAH這三個指數都是提取漂浮滸苔常用的指數算法, 在提取海灘擱淺滸苔方面的研究還未有報道。在過去的研究中, 這三個指數主要用于衛星遙感數據, 而在搭載多光譜傳感器的無人機遙感方面的應用較少。已有的研究結果表明[7], VB-FAH提取漂浮滸苔的效果優于NDVI, 而與DVI的提取效果相當, 而本文通過對這三個指數的比較發現, DVI在區分潮間帶上部和潮間帶下部海灘擱淺滸苔方面優于NDVI和VB-FAH, 但在區分植被和非植被方面, NDVI則優于DVI和VB-FAH, 這可能是由于漂浮滸苔的背景環境是海水而擱淺滸苔的背景環境是海灘造成的。

表3 三個研究區海灘擱淺滸苔生物量估算結果

3.2 海灘擱淺生物量結果分析

通過對海陽、乳山、文登三個典型的海灘的擱淺滸苔生物量進行計算, 滸苔總生物量分別為1 468 t、745 t和5 034 t。這三個海灘擱淺滸苔的生物量差距比較明顯, 文登海灘的擱淺滸苔生物量最多, 分別是海陽和乳山擱淺滸苔生物量的3.4倍和6.8倍, 如果不及時清理, 在很短的時間之內大量滸苔就會腐爛, 發出惡臭的氣味, 嚴重影響濱海景觀, 給當地的旅游業造成沖擊。當地政府每年都會組織大量的人力和機械設備來清除海灘上的擱淺滸苔, 如果以載重為10 t的卡車來運輸這些滸苔, 清理完海陽、乳山、文登這三個研究區的海灘擱淺滸苔需要的車次分別為147、75和504。為了更高效地清理海灘上的擱淺滸苔, 需要根據滸苔的總生物量合理分配人力和機械設備。本文提出的海灘擱淺生物量估算方法, 可以為滸苔的清理工作提供數據支持, 方便決策部門合理配置資源。

4 結論

本文通過無人機獲取的多光譜和可見光數據對山東半島海陽、乳山、文登的三個海灘的擱淺滸苔進行了航拍監測, 并結合現場獲取的地物光譜數據, 選擇了NDVI、DVI和VB-FAH三種指數算法對海灘擱淺滸苔與岸邊植被、海水、沙灘的區分能力進行了對比研究, 在此基礎之上, 結合現場采樣數據, 對三個海灘的滸苔的生物量進行了估算, 主要結論如下:

(1) 海灘擱淺滸苔和植被的光譜特征比較相似, 在可見光波段有一個反射峰, 在近紅外波段有紅邊特征, 使用這一特性, 選擇差值植被指數(如NDVI、DVI、VB-FAH)就可以將海灘擱淺滸苔和非植被地物進行區分。

(2) NDVI可以識別植被和非植被, 但無法區分潮間帶上部和潮間帶下部分布的滸苔; DVI和VB- FAH對植被和非植被的區分度不高, 但對不同分布的擱淺滸苔具有一定的區分度, 其中, DVI對潮間帶上部和潮間帶下部分布滸苔的識別能力優于VB-FAH。

(3) 海陽、乳山、文登三個研究區海灘擱淺滸苔的分布特征主要是潮間帶上部擱淺滸苔的厚度大于潮下帶擱淺滸苔的厚度, 潮間帶上部擱淺滸苔的密度大于潮下帶擱淺滸苔的密度, 滸苔密度最大的是乳山潮間帶上部, 而滸苔密度最小的是文登潮間帶下部。

(4) 海陽、乳山和文登這三個研究區的滸苔總生物量分別是1 468 t、745 t和5 034 t, 其中文登海灘擱淺滸苔生物量最大, 而乳山海灘擱淺滸苔的生物量最小。

使用無人機遙感技術結合實地采樣數據, 可以快速地估算海灘擱淺滸苔的生物量, 為擱淺滸苔的清理和資源合理分配提供技術支持。

[1] 于仁成, 孫松, 顏天, 等. 黃海綠潮研究: 回顧與展望[J]. 海洋與湖沼, 2018, 49(5): 942-949.

YU Rencheng, SUN Song, YAN Tian, et al. Progresses and perspectives on green tide studies in the Yellow Sea[J]. Oceanologia et Limnologia Sinica, 2018, 49(5): 942-949.

[2] YE Naihao, ZHANG Xiaowen, MAO Yuze, et al. ‘Green tides’ are overwhelming the coastline of our blue planet: taking the world’s largest example[J]. Ecological Research, 2011, 26(3): 477-485.

[3] HU Chuanmin, HE Mingxia. Origin and offshore extent of floating algae in Olympic sailing area[J]. Eos, Tran-sactions American Geophysical Union, 2008, 89(33): 302-303.

[4] 蔣興偉, 劉建強, 鄒斌, 等. 滸苔災害衛星遙感應急監視監測系統及其應用[J]. 海洋學報, 2009, 31(1): 52-64.

JIANG Xingwei, LIU Jianqiang, ZOU Bin, et al. The satellite remote sensing system used in emergency response monitoring for Entermorpha prolifera disaster and its application[J]. Acta Oceanologica Sinica, 2009, 31(1): 52-64.

[5] HU Chuanmin, LI Daqiu, CHEN Changsheng, et al. On the recurrent Ulva prolifera blooms in the Yellow Sea and East China Sea[J]. Journal of Geophysical Research-Oceans, 2010, 115: C05017.

[6] SON Y B, MIN J-E, RYU J-H. Detecting massive green algae (Ulva prolifera) blooms in the Yellow Sea and East China Sea using Geostationary Ocean Color Ima-ger (GOCI) data[J]. Ocean Science Journal, 2012, 47(3): 359-375.

[7] XING Qianguo, HU Chuanmin. Mapping macroalgal blooms in the Yellow Sea and East China Sea using HJ-1 and Landsat data: Application of a virtual baseline reflectance height technique[J]. Remote Sensing of Environment, 2016, 178: 113-126.

[8] ZHANG Jianheng, SHI Jinting, GAO Song, et al. Annual patterns of macroalgal blooms in the Yellow Sea during 2007-2017[J]. Plos One, 2019, 14(1): e0210460.

[9] DENG Lei, MAO Zhihui, LI Xiaojuan, et al. UAV- based multispectral remote sensing for precision agriculture: A comparison between different cameras[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2018, 146: 124-136.

[10] LIN Jiayuan, WANG Meimei, MA Mingguo, et al. Abo-veground tree biomass estimation of sparse subal-pine coniferous forest with UAV oblique photography[J]. Remote Sensing, 2018, 10(11): 1849.

[11] ZHOU Zaiming, YANG Yanming, CHEN Benqing. Estimating spartina alterniflora fractional vegetation cover and aboveground biomass in a coastal wetland using SPOT6 satellite and UAV data[J]. Aquatic Botany, 2018, 144: 38-45.

[12] XU Fuxiang, GAO Zhiqiang, SHANG Weitao, et al. Validation of MODIS-based monitoring for a green tide in the Yellow Sea with the aid of unmanned aerial vehicle[J]. Journal of Applied Remote Sensing, 2017, 11(1): 012007.

[13] XU Fuxiang, GAO Zhiqiang, JIANG Xiaopeng, et al. A UAV and S2A data-based estimation of the initial biomass of green algae in the South Yellow Sea[J]. Marine Pollution Bulletin, 2018, 128: 408-414.

[14] 李冬雪, 高志強, 尚偉濤, 等. 基于無人機多光譜影像的海濱景區滸苔信息提取研究[J]. 海洋環境科學, 2020, 39(3): 438-446.

LI Dongxue, GAO Zhiqiang, SHANG Weitao, et al. Information extraction of Ulva Prolifera from coastal landscape using UAV multispectral remote sensing images[J]. Marine Environmental Science, 2020, 39(3): 438-446.

[15] ROUSEJW, HAAS R H, SCHELL J A, et al. Monitoring Vegetation Systems in the Great Plains with ERTS[C]//Proceedings of the Third ERTS Symposium, Washington DC, 10-14 December 1973, 309-317.

[16] RICHARDSON A J, EVERITT J H. Using spectral vegetation indices to estimate rangeland productivity[J]. Geocarto International, 1992, 7(1): 63-69.

[17] 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.

Estimation of green tide stranded biomass in the Yellow Sea based on unmanned aerial vehicle remote sensing

SHANG Wei-tao1, 2, 3, GAO Zhi-qiang1, 2, JIANG Xiao-peng1, 2, 3, TIAN Xin-peng1, 2, GUO Shao-fang4

(1.CAS Key Laboratory of Coastal Environmental Processes and Ecological Remediation, Yantai Institute of Coastal Zone Research, Chinese Academy of Sciences, Yantai 264003, China; 2. Shandong Key Laboratory of Coastal Environmental Processes, Yantai Institute of Coastal Zone Research, Chinese Academy of Sciences, Yantai 264003, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China; 4. Yantai Institute of S&T Information, Yantai 264003, China)

UAV remote sensing; green tide; stranded biomass; multispectral

stranded near a shore damages the coastal landscape, interferes with water sports, and seriously affects coastal tourism. In this study, the multispectral and visible light sensors carried using an unmanned aerial vehicle (UAV) were used to monitor the strandedon the beaches of Haiyang, Rushan, and Wendeng in the Shandong Peninsula. The normalized difference vegetation index (NDVI), difference vegetation index (DVI), and virtual baseline height floating algae index (VB-FAH) were selected to identify and evaluate the beach-strandedand shore vegetation and nonvegetation (sea water and sand), respectively, and the biomass of the strandedin three research areas was estimated. The results showed that the NDVI can identify vegetation and nonvegetation but it cannot identify thedistributed in the upper and lower tidal zones. DVI and VB-FAH cannot distinguish between vegetation and nonvegetation but they can identifydistributed in the upper and lower tidal zones. In these zones, DVI was superior to the VB-FAH in identifying the distribution of. Therefore, the biomass estimation model of the beach-strandedwas established by masking shore vegetation; and using DVI, the biomass of the beach-strandedwas estimated. The biomass of the strandedwas 1468, 745, and 5034 t in the beaches of Haiyang, Rushan, and Wendeng. The method proposed in this study can provide technical support for the cleaning up of the strandedand rational use of resources.

Jul. 8, 2020

[NSFC fund project, No. 41876107; NSFC-Shandong joint fund project, No. U1706219; Key Deployment Project of Center for Ocean Mega-Science, Chinese Academy of Sciences, No. COMS2019J02; Key Research Program of Frontier Science, Chinese Academy of Sciences, No. ZDBS-LY-7010; CAS Key Laboratory of Marine Ecology and Environmental Sciences, Institute of Oceanology, Chinese Academy of Sciences No. KLMEES202005; The National Key R&D Program of China, No. 2019YFD0900705]

P76

A

1000-3096(2021)10-0011-09

10.11759/hykx20200708001

2020-07-08;

2020-08-19

國家自然科學基金項目(41876107); 山東省聯合基金項目(U1706219); 中國科學院海洋大科學研究中心重點部署項目(COMS2019J02); 中國科學院前沿科學重點研究計劃(ZDBS-LY-7010); 中國科學院海洋生態與環境科學重點實驗室(中國科學院海洋研究所)開放基金資助(KLMEES202005); 國家重點研發計劃“藍色糧倉科技創新”項目(2019YFD0900705)

尚偉濤(1987—), 男, 甘肅慶陽人, 博士研究生, 主要從事無人機遙感海岸帶災害監測及應對研究, E-mail: wtshang@yic.ac.cn; 高志強(1966—), 通信作者, 研究員, 博士生導師, E-mail: zqgao@yic.ac.cn

(本文編輯: 康亦兼)