论文部分内容阅读
漂浮大型藻类暴发指水体中大型藻类的暴发性增殖和高度聚集现象,在我国属于常见的海洋灾害,对当地的海洋生态系统有很大的影响。因此,及时获得准确的漂浮大型藻类暴发信息,包括其分布范围、漂移路径和暴发周期,对当地政府掌握整体受灾情况,以及对后续防控工作的制定和开展至关重要,有助于我国海洋事业的健康发展。迄今为止,人们所开发的大型藻类提取算法大多可以归结为基于指数的阈值分割法,即通过卫星数据的波段组合运算,将计算结果用设定的阈值进行大型藻类像元的划分。然而,这类算法存在一定的不足,阈值的设定一定程度上依赖于使用者的经验,而且单一的阈值无法适应卫星数据中观测条件的变化,如影像中不同程度的云、气溶胶和太阳耀斑污染等情况,导致算法精度可能依赖相关的掩膜产品甚至是人工目视解译。为了克服这一问题,本文基于机器学习算法中的多层感知机（Multi-Layer Perceptron,MLP）,利用GOCI（Geostationary Ocean Color Imager）卫星的瑞利校正反射率(Rayleigh-corrected reflectance,Rrc)数据建立了适用于东中国海的漂浮大型藻类图像识别模型,有望实现对我国大型藻类暴发事件的全自动长期实时监测。同时,也分析了海洋气象因素对大型藻类的潜在影响,并针对多光谱数据的局限性提出了高光谱数据的重建算法。主要研究结果如下:（1）通过分析GOCI数据中大型藻类与其他类别像元的Rrc光谱特征,提出了半自动方案提取了大量优质的样本数据,在此基础上以Rrc的光谱特征和空间差异作为输入建立了MLP模型。精度评估结果表明MLP模型能在不同观测条件下有效地检测出东中国海的漂浮大型藻类,整体识别精度达90%左右,且与传统的指数算法相比具有更高的稳定性,有望用于长期自动监测东中国海的大型藻类暴发事件。（2）针对GOCI数据提出了漂浮大型藻类覆盖与分布面积的遥感估测算法,结合MLP模型生成了2011至2018年3至8月东中国海大型藻类暴发过程的空间分布和面积统计产品数据,讨论分析了其时空变化的规律。结果显示,东海漂浮大型藻类暴发一般在3–4月,并于5月份入侵南黄海,同期苏北浅滩北部海域有明显的大型藻类聚集现象,6–7月份东海大型藻类逐渐消散,而山东半岛近海仍由大型藻类占据,进入8月份后逐渐消亡;各年间大型藻类暴发程度均有不同,其中2015年整体受灾较为严重,2016和2017年分别出现了较强的浒苔和马尾藻暴发现象;海表风场和漂浮大型藻类的漂移路径有较强的关系,特别是在夏季,而海表温度对大型藻类覆盖面积的变化并无显著影响。（3）利用全球范围内采集的高光谱实测遥感反射率(Remote sensing reflectance,Rrs)数据开展了可见光范围内高光谱数据重建研究,使用非线性多元回归方法,成功建立了10种包含不同输入波段的重建模型。通过验证发现,在可见光范围内仅靠8个波段的数据即可重建出高精度的高光谱数据,整体重建误差基本保持在4%以下,且该方法适用于不同水体采集的Rrs数据。卫星高光谱大型藻类数据将有助于提高大型藻类的识别精度并推动藻种遥感区分研究。