MODIS Enteromorpha extraction algorithm based on multi-index decision fusion
-
摘要:
针对MODIS（moderate resolution imaging spectroradiometer，中分辨率成像光谱仪）影像浒苔提取中存在的植被指数自适应阈值不普适等问题，本文提出了多指数决策融合的MODIS浒苔提取算法（multi-index decision fusion，MIDF）。计算影像的归一化植被指数（normalized difference vegetation index，NDVI）、增强型植被指数（enhanced vegetation index，EVI）、差值植被指数（difference vegetation index，DVI）和比值植被指数（ratio vegetation index，RVI），采用局部阈值法对4个指数灰度图进行自适应阈值分割得到初始浒苔覆盖范围，通过“绝对多数投票法”对上述初始浒苔覆盖范围投票表决得到最终提取结果。实验结果表明，MIDF可适应不同密度的浒苔覆盖区域，且精度优于传统的NDVI、EVI、DVI和RVI自适应阈值法。本算法为无监督法，自动化程度较高，可应用于浒苔灾害遥感业务化监测。
Abstract:With the aim at solving the problem that adaptive threshold of vegetation index is not universal in the extraction of Enteromorpha prolifera from moderate resolution imaging spectroradiometer (MODIS) images, this paper proposed a multi-index decision fusion (MIDF) algorithm for Enteromorpha prolifera extraction. Firstly, the normalized difference vegetation index (NDVI), enhanced vegetation index (EVI), difference vegetation index (DVI) and ratio vegetation index (RVI) of the image were calculated, and then the local threshold method was used to segment the four gray-scale images of vegetation index to obtain the four initial coverage areas of Enteromorpha prolifera. Finally, the "absolute majority voting method" was used to vote on the four initial coverage areas of Enteromorpha prolifera, and the final result of Enteromorpha extraction was obtained. The experimental results showed that MIDF can adapt to the coverage areas of Enteromorpha with different densities, and performaned better than traditional NDVI, EVI, DVI and RVI adaptive threshold methods. MIDF is an unsupervised algorithm with a high level of automation, and can be applied to remote sensing operational monitoring of Enteromorpha disasters.
-
Keywords:
- MODIS /
- Enteromorpha /
- multi-index /
- vegetation index adaptive threshold /
- decision fusion
-
近年来我国黄海海域浒苔灾害频发，不仅导致了海洋生态失衡，还造成了一定的经济损失[1-3]。浒苔具有分布范围广、时空变化快的特点，仅靠船只无法实现浒苔的快速监测[4-5]，而遥感技术具有大范围、多频次等优点[6-7]，可快速确定浒苔暴发的位置、时间和密度[8-9]，有利于提高大范围灾情分析的准确度[6]，缩短应对浒苔灾害所需响应时间。
MODIS（moderate resolution imaging spectroradiometer，中分辨率成像光谱仪）数据是近年浒苔遥感动态监测的主要数据源[10-11]，方法主要有阈值法、分类法和辐射传输反演法等[9,12]。阈值法是对各波段或植被指数设定阈值分离浒苔与背景，包括固定阈值法[13-15]和自适应阈值法[16]，固定阈值法即解译人员针对影像的整个区域[17-19]或不同子区[20]设定固定的波段或植被指数阈值，自适应阈值法则运用图像分割等手段自动生成动态阈值[21]；分类法以监督分类为主[12]，如最大似然法[22]、深度学习神经网络[23]等，但监督分类需要大量准确的浒苔先验信息，对解译人员要求较高；辐射传输反演法[24]可利用辐射传输模型提取水中悬浮浒苔，但目前处于探索阶段，尚未成熟[6,9]。
在浒苔遥感信息提取中，阈值法应用最广泛，但由于不同影像间的光谱差异，导致固定阈值难以确定，自适应阈值法虽可自动调节阈值，但多基于单一植被指数，未考虑单一植被指数不适用于所有浒苔分布情形，故而出现一定程度的浒苔错分、漏分现象。针对上述问题，本文提出一种MODIS浒苔提取算法——多指数决策融合法（multi-index decision fusion，MIDF），以期适用于不同密度的浒苔覆盖场景的信息提取，提高浒苔灾害遥感业务化监测能力。
1 材料与方法
1.1 材料
1.1.1 研究区域
根据近年我国海域大规模浒苔暴发、扩散和漂移的位置，选取中国黄海作为研究区（见图1），范围为33°N－37°N，119°E－123°E。
1.1.2 数据及预处理
本文采用2017年6月16日09：45（北京时间）和2018年6月23日10：45（北京时间）的500 m分辨率MODIS/Terra Level-1B（L-1B）影像进行浒苔覆盖面积提取，精度验证数据为原国家海洋局相关业务单位发布的2017年6月16日09：49（北京时间）的PMS（panchromatic multispectral sensor，全色多光谱传感器）/GF-4（Gaofen-4，高分4号）浒苔监测结果和2018年6月23日10：35（北京时间）的6景Sentinel-2A Level-1C（L-1C）影像。
MODIS为中分辨率成像光谱仪，搭载在Terra和Aqua两颗太阳同步极轨卫星上，Terra星在地方时上午10：30过境，Aqua星在地方时下午1：30过境，重访周期为1 d，时间分辨率较高。MODIS 500 m数据共7个波段，光谱范围为0.46～2.16 μm。Sentinel-2为高分辨率多光谱成像卫星，包含Sentinel-2A和Sentinel-2B，每颗卫星的重访周期为10 d，双星协作可实现5 d一周期的对地观测。Sentinel-2A数据可覆盖从可见光、近红外到短波红外的13个波段[25]，空间分辨率为10 m。
对MODIS/Terra L-1B数据进行辐射定标、大气校正、几何校正、陆地掩膜和目视解译云掩膜，Sentinel-2A L-1C数据除上述步骤外，在大气校正后还需经重采样、波段融合和影像拼接处理后再进行几何校正。其中，MODIS/Terra L-1B和Sentinel-2A L-1C数据分别采用ENVI 5.3中的FLAASH（fast line-of-sight atmospheric analysis of spectral hypercubes，光谱超立方体的快速视线大气分析）模块和ESA（European Space Agency，欧洲航天局）发布的Sen2cor插件进行大气校正。由于两颗卫星的轨道高度、幅宽和视场不同，它们过境时所摄区域大小也不同，因此，预处理后的准实时Sentinel-2A影像不能完整覆盖MODIS所含研究区范围。为研究本文算法对不同密度的浒苔覆盖区域的适应性，从中筛选出8处无云的实验子区（图2）进行浒苔覆盖面积的提取与验证，分别命名为A1～A8。其中，A4和A5为浒苔分布稀疏区，其余为密集区。
1.2 方法
1.2.1 多指数决策融合
植被指数法能增强浒苔光谱曲线中吸收谷与反射峰间的差异，可在一定程度上削弱大气和云的影响，因此常被用于浒苔遥感信息提取[12]。为提高植被指数在不同密度的浒苔区域的适应性，本文提出一种无监督的多指数决策融合法，算法流程如图3所示，具体步骤如下：
（1）针对浒苔的生物、光谱特性，选用归一化植被指数（normalized difference vegetation index，NDVI）[26-27]、比值植被指数（ratio vegetation index，RVI）[10,12,26]、差值植被指数（difference vegetation index，DVI）[10,12]和增强型植被指数（enhanced vegetation index，EVI）[12,16,26]对预处理后的影像I进行计算，得到各植被指数的灰度图
${g_{{\rm{index}}}}$ ，分别为${g_{{{NDVI}}}}$ 、${g_{{{RVI}}}}$ 、${g_{{{DVI}}}}$ 和${g_{{{EVI}}}}$ 。$$ {{NDVI}} = \frac{{{R_{{\rm{NIR}}}} - {R_{{\rm{RED}}}}}}{{{R_{{\rm{NIR}}}} + {R_{{\rm{RED}}}}}} $$ (1) $$ {{RVI}} = \frac{{{R_{{\rm{NIR}}}}}}{{{R_{{\rm{RED}}}}}} $$ (2) $$ {{DVI}} = {R_{{\rm{NIR}}}} - {R_{{\rm{RED}}}} $$ (3) $$ {{EVI}} = \frac{{{R_{{\rm{NIR}}}} - {R_{{\rm{RED}}}}}}{{{R_{{\rm{NIR}}}} + {C_1} \times {R_{{\rm{RED}}}} - {C_2} \times {R_{{\rm{BLUE}}}} + L}}(1.5 + L) $$ (4) 式中：
${R_{{\rm{NIR}}}}$ 、${R_{{\rm{RED}}}}$ 和${R_{{\rm{BLUE}}}}$ 分别为I在近红外波段、红光波段和蓝光波段的反射率；${C_1}$ 、${C_2}$ 和L为常量；MODIS影像取值为6.0、7.5和1.0。（2）采用局部阈值法对灰度图
${g_{{\rm{index}}}}$ 进行自适应阈值分割，得到初始浒苔覆盖范围${G_{{{NDVI}}}}$ 、${G_{{{RVI}}}}$ 、${G_{{{DVI}}}}$ 和${G_{{{EVI}}}}$ ，为4个“0~1”二值图。其中，局部阈值法以最大类间方差法[28]为基础，运用形态学中的腐蚀、膨胀处理对结果进行修正。（3）对4个二值图进行加权融合，权重均为
$\dfrac{1}{4}$ ，得到融合浒苔提取结果${G_{{\rm{MERGE}}}}$ 。$$ {G_{{\rm{MERGE}}}} = \frac{1}{4}{G_{{{NDVI}}}} + \frac{1}{4}{G_{{{RVI}}}} + \frac{1}{4}{G_{{{DVI}}}} + \frac{1}{4}{G_{{{EVI}}}} $$ (5) 式中：
${G_{{\rm{MERGE}}}}$ 的像元值为0、$\dfrac{1}{4}$ 、···、1中任一值；0代表存在4个植被指数将该像元判为海水；$\dfrac{1}{4}$ 代表存在3个植被指数将该像元判为海水，1个植被指数将其判为浒苔，以此类推。（4）采用“绝对多数投票法”[29-30]对
${G_{{\rm{MERGE}}}}$ 进行投票表决，当${G_{{\rm{MERGE}}}}$ 在$(i,j)$ 处的像元值${G_{{\rm{MERGE}}}}(i,j) > \dfrac{1}{2}$ 时，即当超过半数植被指数将该处像元识别为浒苔时，才在最终浒苔提取结果图${G_{{\rm{result}}}}$ 中判定$(i,j)$ 处像元为浒苔，${G_{{\rm{result}}}}(i,j) = 1$ ；反之，判为背景，${G_{{\rm{result}}}}(i,j) = 0$ 。其中，“绝对多数投票法”的原理为：先利用多个单分类器对给定测试样本输出类别，然后将该样本划分到多数分类器具有相同决策的一类。
1.2.2 精度评定
采用偏差率（E）对实验影像的浒苔覆盖面积提取结果进行精度评定，E反映了提取结果与真值的偏差，值越小代表偏差越小，精度越高。具体公式如下：
$$ E = \frac{{{S_{{\rm{estimate}}}} - {S_{{\rm{true}}}}}}{{{S_{{\rm{true}}}}}} \times 100\text{%} $$ (6) 式中：
${S_{{\rm{estimate}}}}$ 和${S_{{\rm{true}}}}$ 分别为提取出的浒苔面积和面积真值。2 结果与讨论
2.1 H1实验结果与分析
分别利用MIDF与NDVI、EVI、RVI和DVI自适应阈值法提取实验影像的浒苔覆盖范围，并将实验结果进行对比以间接评价本文算法的精度。其中，自适应阈值法所用阈值分割算法为MIDF所用的局部阈值法。针对H1影像的浒苔提取结果，将原国家海洋局相关业务单位发布的浒苔卫星遥感监测面积
${\rm{900}}{\rm{.0 \;k}}{{\rm{m}}^{\rm{2}}}$ 作为真值，计算偏差率以评定精度。图4展示了原国家海洋局相关业务单位发布的2017年6月16日浒苔卫星遥感监测范围及当日GF-4假彩色合成影像（红色：0.83 μm；绿色：0.66 μm；蓝色：0.56 μm），可以看出，研究区当日的浒苔覆盖较为密集，存在大型浒苔斑块。H1假彩色合成影像（红色：0.86 μm；绿色：0.66 μm；蓝色：0.55 μm）和5种算法提取的浒苔覆盖范围如图5所示，精度对比如图6所示。结合两图可知，NDVI、DVI和EVI自适应阈值法和MIDF提取出的浒苔覆盖范围在整体轮廓上与图4较为一致，其E分别为26.4%、10.8%、2.6%和1.8%，而RVI自适应阈值法的提取结果存在明显的浒苔错分、漏分，E为8.8%。![]()
图 4 2017年6月16日浒苔卫星遥感监测范围Fig. 4 Average of Enteromorpha prolifera monitored by GF-4 on June 16, 2017![]()
图 5 H1 5种算法提取的浒苔覆盖范围对比Fig. 5 Comparison of Enteromorpha prolifera coverage of H1 extracted by the five algorithms5种算法提取出的MODIS浒苔覆盖范围相对图4的GF-4解译结果较为稀疏，可能的原因是GF-4影像空间分辨率为50 m，从中提取的浒苔覆盖范围在视觉上相比500 m空间分辨率的MODIS较密。其中，RVI、DVI自适应阈值法提取的浒苔覆盖面积偏小，其余算法提取出的面积偏大。这可能是因为：（1）数据。MODIS数据的空间分辨率较低，无法识别出细小浒苔斑块且存在混合像元问题。（2）算法。浒苔的NDVI值随着单位面积生物量增加而增加，但增速逐渐降低且最终趋于饱和[26]。因此，在浒苔的NDVI饱和状态下，NDVI自适应阈值法提取的浒苔面积易夸大；RVI自适应阈值法对于浒苔的敏感性较低，在其提取结果中不仅存在明显的浒苔错分现象，还出现一定程度的浒苔漏分，导致面积偏小；对于研究区当日的浒苔覆盖场景，EVI、DVI相较NDVI和RVI更为适宜，提取精度较高，MIDF经过多个植被指数决策，对浒苔和海水像元的误判率均较低，面积偏差率最小，MIDF和EVI、DVI自适应阈值法提取的浒苔面积的偏差率在合理范围内正、负浮动。
2.2 H2实验结果与分析
分别采用本文算法和NDVI、EVI、RVI和DVI自适应阈值法对H2影像中8个实验子区进行浒苔提取，并将Sentinel-2A影像浒苔目视解译结果作为真值，计算偏差率以评定精度。图7展示了8个实验子区的Sentinel-2A目视解译结果和5种算法提取的MODIS浒苔覆盖范围。从图7可知，准同步的Sentinel-2A影像和MODIS影像在同一位置提取的浒苔斑块的整体轮廓基本一致，但受限于500 m的空间分辨率，MODIS影像难以提取细小的浒苔斑块且对于大型浒苔斑块的边缘提取存在较大误差。其中，MIDF提取的大型浒苔斑块的轮廓相比其余4种算法更为细化，而NDVI自适应阈值法提取的浒苔斑块边缘相对粗糙，且在A4出现了较为严重的浒苔错分现象。
![]()
图 7 5种算法提取的H2实验子区浒苔覆盖范围对比Fig. 7 Comparison of Enteromorpha prolifera coverage of experimental sub regions of H2 extracted by the five algorithms对5种算法在不同浒苔密度下提取的MODIS浒苔覆盖面积进行精度评定（见表1）并绘制总面积偏差率对比图（图8），结果表明，DVI自适应阈值法的E为48.5%，精度最优，MIDF次优，为56.9%，EVI自适应阈值法次之，为64.5%，RVI和NDVI自适应阈值法误差较大，E分别为99.9%和114.3%。上述算法的MODIS浒苔提取结果与Sentinel-2A目视解译的真值相比均存在不同程度的面积夸大现象，这可能是MODIS空间分辨率的固有局限性所致。
表 1 H2实验子区精度评定表Tab. 1 Accuracy evaluation for experimental sub regions of H2区域 方法 MODIS/Terra
浒苔提取
面积/km2偏差率/
（%）Sentinel-2A
解译结果/
km2A1 NDVI自适应阈值法 33.8 100.7 16.8 EVI自适应阈值法 32.5 93.2 RVI自适应阈值法 36.5 117.0 DVI自适应阈值法 29.3 73.9 MIDF 31.0 84.3 A2 NDVI自适应阈值法 41.8 184.6 14.7 EVI自适应阈值法 27.3 85.8 RVI自适应阈值法 41.0 179.5 DVI自适应阈值法 26.5 80.7 MIDF 27.3 85.8 A3 NDVI自适应阈值法 34.0 150.3 13.6 EVI自适应阈值法 15.0 10.4 RVI自适应阈值法 28.3 108.0 DVI自适应阈值法 13.5 0.6 MIDF 15.0 10.4 A4 NDVI自适应阈值法 49.0 1102.1 4.1 EVI自适应阈值法 17.3 323.2 RVI自适应阈值法 16.3 298.6 DVI自适应阈值法 21.0 415.2 MIDF 17.8 335.4 A5 NDVI自适应阈值法 9.3 99.9 4.6 EVI自适应阈值法 7.8 67.5 RVI自适应阈值法 5.3 13.5 DVI自适应阈值法 7.0 51.3 MIDF 7.0 51.3 A6 NDVI自适应阈值法 109.3 146.2 44.4 EVI自适应阈值法 84.8 91.0 RVI自适应阈值法 89.3 101.2 DVI自适应阈值法 64.5 45.4 MIDF 79.8 79.7 A7 NDVI自适应阈值法 42.5 101.1 21.1 EVI自适应阈值法 22.3 5.3 RVI自适应阈值法 37.8 78.6 DVI自适应阈值法 20.0 5.4 MIDF 22.3 5.3 A8 NDVI自适应阈值法 40.5 44.2 28.1 EVI自适应阈值法 25.0 11.0 RVI自适应阈值法 40.3 43.3 DVI自适应阈值法 21.5 23.5 MIDF 25.0 11.0 ![]()
图 8 5种算法提取的H2实验子区总面积偏差率对比Fig. 8 Comparison of E of total area of experimental sub regions of H2 extracted by the five algorithms5种算法在8个子区提取的浒苔覆盖范围的目视效果与其精度评定结果较为一致，需要注意的是，上述算法在A5提取的MODIS影像浒苔斑块在整体轮廓上与Sentinel-2A目视解译结果存在明显偏差但精度评定结果却“较优”，造成该反常现象的可能原因为：A5为稀疏区，浒苔覆盖较为分散，MODIS影像无法识别出大量细小浒苔而导致A5局部浒苔提取面积偏小，同时，由于稀疏区混合像元严重导致A5部分区域浒苔提取面积偏大，综合影响下恰好使得稀疏区A5的浒苔面积提取精度较高，造成异常。
为进一步分析不同浒苔覆盖密度下MIDF与其余4种算法提取的MODIS浒苔覆盖面积误差，绘制偏差率对比图（图9）。从图9可知：（1）MODIS浒苔提取精度随覆盖密度增加而升高，MIDF与其余4种算法均在最稀疏区A4达到误差峰值，而在浒苔覆盖相对密集的A6、A7和A8，面积偏差率趋于平缓，整体相对A4较低，这可能是浒苔密集区在MODIS影像中的混合像元较少，而稀疏区的混合像元严重。在浒苔斑块提取时将海水误认为浒苔，导致误差较大，从而呈现出MODIS浒苔提取精度随覆盖密度增加而上升的趋势。（2）单一植被指数对于浒苔覆盖面积提取不具普适性，不同的植被指数自适应阈值法分别在不同密度的浒苔覆盖区表现出其最优精度，EVI、RVI和DVI自适应阈值法分别在A7、A5和A3达到偏差率谷值。此外，最常用的NDVI指数整体表现相对较差。（3）MIDF可适应不同密度浒苔覆盖区域的面积提取，MIDF在各子区的浒苔提取精度较为稳定，综合效果较优，面积偏差率较小。
通过上述实验及分析可知，单一植被指数难以适应复杂多变的浒苔分布情况，对不同密度的浒苔区域表现出的精度不同，因而在大范围浒苔覆盖面积提取中并不占优。而本文算法综合各植被指数的优点，在MODIS大范围和不同密度的浒苔覆盖子区的浒苔覆盖信息提取中均表现较优。
3 结 论
（1）针对浒苔提取中单一植被指数自适应阈值不普适等问题，提出MIDF算法实现浒苔覆盖面积的精确提取，并以MODIS数据为例在我国黄海浒苔暴发区开展实验。结果表明，MIDF结合NDVI、EVI、DVI和RVI植被指数在浒苔提取中的优势，提高了植被指数在不同密度的浒苔区域的适应性，且精度优于传统的NDVI、EVI、DVI和RVI自适应阈值法。此外，MIDF属于无监督法，自动化程度较高，可应用于浒苔灾害遥感业务化监测。
（2）受限于MODIS的空间分辨率，MIDF对于细小的浒苔斑块和大型浒苔斑块边缘的提取仍存在较大的误差，且该算法只适用于浒苔暴发时的灾情监测，尚不适用于浒苔灾害遥感预测。后续将结合历年MODIS数据，进一步开展浒苔混合像元分解及漂移预测研究，以期提高本文算法的精度及扩大其业务化应用范围。
致谢：感谢原国家海洋局相关业务单位提供浒苔卫星遥感监测数据用于精度验证。感谢NASA（National Aeronautics and Space Administration，美国国家航空航天局）及ESA等机构为本研究提供遥感数据支持。感谢科技项目《近海海洋环境与极地海冰信息产品数据库及分发系统》（Y9I0300H22）的帮助与支持。
-
![]()
图 4 2017年6月16日浒苔卫星遥感监测范围
Fig. 4. Average of Enteromorpha prolifera monitored by GF-4 on June 16, 2017
![]()
图 5 H1 5种算法提取的浒苔覆盖范围对比
Fig. 5. Comparison of Enteromorpha prolifera coverage of H1 extracted by the five algorithms
![]()
图 7 5种算法提取的H2实验子区浒苔覆盖范围对比
Fig. 7. Comparison of Enteromorpha prolifera coverage of experimental sub regions of H2 extracted by the five algorithms
![]()
图 8 5种算法提取的H2实验子区总面积偏差率对比
Fig. 8. Comparison of E of total area of experimental sub regions of H2 extracted by the five algorithms
表 1 H2实验子区精度评定表
Tab. 1 Accuracy evaluation for experimental sub regions of H2
区域 方法 MODIS/Terra
浒苔提取
面积/km2偏差率/
（%）Sentinel-2A
解译结果/
km2A1 NDVI自适应阈值法 33.8 100.7 16.8 EVI自适应阈值法 32.5 93.2 RVI自适应阈值法 36.5 117.0 DVI自适应阈值法 29.3 73.9 MIDF 31.0 84.3 A2 NDVI自适应阈值法 41.8 184.6 14.7 EVI自适应阈值法 27.3 85.8 RVI自适应阈值法 41.0 179.5 DVI自适应阈值法 26.5 80.7 MIDF 27.3 85.8 A3 NDVI自适应阈值法 34.0 150.3 13.6 EVI自适应阈值法 15.0 10.4 RVI自适应阈值法 28.3 108.0 DVI自适应阈值法 13.5 0.6 MIDF 15.0 10.4 A4 NDVI自适应阈值法 49.0 1102.1 4.1 EVI自适应阈值法 17.3 323.2 RVI自适应阈值法 16.3 298.6 DVI自适应阈值法 21.0 415.2 MIDF 17.8 335.4 A5 NDVI自适应阈值法 9.3 99.9 4.6 EVI自适应阈值法 7.8 67.5 RVI自适应阈值法 5.3 13.5 DVI自适应阈值法 7.0 51.3 MIDF 7.0 51.3 A6 NDVI自适应阈值法 109.3 146.2 44.4 EVI自适应阈值法 84.8 91.0 RVI自适应阈值法 89.3 101.2 DVI自适应阈值法 64.5 45.4 MIDF 79.8 79.7 A7 NDVI自适应阈值法 42.5 101.1 21.1 EVI自适应阈值法 22.3 5.3 RVI自适应阈值法 37.8 78.6 DVI自适应阈值法 20.0 5.4 MIDF 22.3 5.3 A8 NDVI自适应阈值法 40.5 44.2 28.1 EVI自适应阈值法 25.0 11.0 RVI自适应阈值法 40.3 43.3 DVI自适应阈值法 21.5 23.5 MIDF 25.0 11.0 
下载: 导出CSV
-
[1] 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 Imager (GOCI) data[J]. Ocean Science Journal, 2012, 47(3): 359-375. doi: 10.1007/s12601-012-0034-2
[2] SHEN H, PERRIE W, LIU Q R, et al. Detection of macroalgae blooms by complex SAR imagery[J]. Marine Pollution Bulletin, 2014, 78(1/2): 190-195.
[3] 矫新明, 袁广旺, 毛成责, 等. 2015年南黄海海域浒苔时空分布特征[J]. 杭州师范大学学报: 自然科学版, 2017, 16(1): 51-56. [4] 徐福祥, 高志强, 郑翔宇, 等. 基于MODIS数据的2016年黄海绿潮灾害动态监测研究[J]. 海洋科学, 2017, 41(5): 80-84. doi: 10.11759/hykx20160922003 [5] XING Q G, GUO R H, WU L L, et al. High-resolution satellite observations of a new hazard of golden tides caused by floating sargassum in winter in the Yellow Sea[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(10): 1815-1819. doi: 10.1109/LGRS.2017.2737079
[6] 邱亚会, 卢剑波. 浒苔遥感监测研究进展[J]. 生态学报, 2015, 35(15): 4977-4985. [7] XU F X, GAO Z Q, JIANG X P, 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. doi: 10.1016/j.marpolbul.2018.01.061
[8] 王宗灵, 傅明珠, 肖 洁, 等. 黄海浒苔绿潮研究进展[J]. 海洋学报, 2018, 40(2): 1-13. [9] 叶 娜, 贾建军, 田 静, 等. 浒苔遥感监测方法的研究进展[J]. 国土资源遥感, 2013, 25(1): 7-12. [10] 于 风. 青岛—黄海浒苔卫星光学遥感[D]. 青岛: 中国海洋大学, 2010. [11] XIAO Y F, ZHANG J, CUI T W. High-precision extraction of nearshore green tides using satellite remote sensing data of the Yellow Sea, China[J]. International Journal of Remote Sensing, 2017, 38(6): 1626-1641. doi: 10.1080/01431161.2017.1286056
[12] 张正龙. 我国黄、东海浒苔和马尾藻的遥感鉴别及绿潮发生过程研究[D]. 上海: 华东师范大学, 2014. [13] GARCIA R A, FEARNS P, KEESING J K, et al. Quantification of floating macroalgae blooms using the scaled algae index[J]. Journal of Geophysical Research: Oceans, 2013, 118(1): 26-42. doi: 10.1029/2012JC008292
[14] QI L, HU C M, XING Q G, et al. Long-term trend of Ulva prolifera blooms in the western Yellow Sea[J]. Harmful Algae, 2016, 58: 35-44. doi: 10.1016/j.hal.2016.07.004
[15] ZHANG H L, QIU Z F, DEVRED E, et al. A simple and effective method for monitoring floating green macroalgae blooms: a case study in the Yellow Sea[J]. Optics Express, 2019, 27(4): 4528-4548. doi: 10.1364/OE.27.004528
[16] 白 羽. 基于自适应NDVI阈值的青岛海域浒苔监测研究[D]. 青岛: 中国石油大学(华东), 2014. [17] 史 正, 苏庆华, 高 涛, 等. MODIS数据在浒苔遥感监测中的应用能力评价[J]. 遥感信息, 2017, 32(4): 132-137. doi: 10.3969/j.issn.1000-3177.2017.04.020 [18] 徐福祥. 基于无人机及多源数据的黄海绿潮监测研究[D]. 烟台: 中国科学院大学(中国科学院烟台海岸带研究所), 2018. [19] 丁 一, 曹丛华, 程良晓, 等. 基于线性混合模型和NDVI阈值法的MODIS影像黄海浒苔监测[J]. 生态学杂志, 2018, 37(11): 3480-3486. [20] 钟 山, 丁 一, 李 振, 等. MODIS浒苔遥感监测误差分析研究[J]. 遥感信息, 2013, 28(1): 38-42. doi: 10.3969/j.issn.1000-3177.2013.01.009 [21] 张日升, 原明亭, 丁军航, 等. 基于图像阈值分割的浒苔图像提取[J]. 自动化技术与应用, 2020, 39(2): 83-86. [22] 曾 韬, 刘建强. “北京一号”小卫星在青岛近海浒苔灾害监测中的应用[J]. 遥感信息, 2009 (3): 34-37. doi: 10.3969/j.issn.1000-3177.2009.03.008 [23] ARELLANO-VERDEJO J, LAZCANO-HERNANDEZ H E, CABANILLAS-TERán N. ERISNet: deep neural network for Sargassum detection along the coastline of the Mexican Caribbean[J]. PeerJ, 2019, 7: e6842. doi: 10.7717/peerj.6842
[24] 赵文静, 张 杰, 崔廷伟, 等. 水下悬浮浒苔海面光谱响应的辐射传输模拟[J]. 光谱学与光谱分析, 2009, 29(6): 1656-1660. doi: 10.3964/j.issn.1000-0593(2009)06-1656-05 [25] 刘智丽, 张启斌, 岳德鹏, 等. 基于Sentinel-2A与NPP-VIIRS夜间灯光数据的城市建成区提取[J]. 国土资源遥感, 2019, 31(4): 227-234. [26] 肖艳芳, 张 杰, 崔廷伟, 等. 海面漂浮绿潮生物量光谱特征及估算模型[J]. 光学学报, 2017, 37(4): 0430001. [27] 章 志, 陈艳拢, 罗 锋. 基于遥感技术的2014年南黄海浒苔时空分布特征研究[J]. 淮海工学院学报: 自然科学版, 2016, 25(1): 80-85. [28] 郭 佳. 基于光照不均匀图像的自适应二值化方法研究[D]. 武汉: 武汉科技大学, 2013. [29] 郭东兵, 董黎君, 梁国星. 基于多数投票法的扫描点云尖锐特征保留方法[J]. 重庆理工大学学报: 自然科学, 2019, 33(10): 67-72, 148. [30] ZHOU Y, LIU K, BARNER K E. Non-rigid 3D shape recognition via dictionary learning[C]//2013 IEEE International Conference on Acoustics, Speech and Signal Processing. Vancouver: IEEE, 2013: 3502-3506.
-
期刊类型引用(3)
1. 刘佳燕，吴孟泉，郑龙啸，薛明月，刘龙兴，刘博文. 2011-2021年黄海海域浒苔斑块时空特征分析. 鲁东大学学报(自然科学版). 2024(02): 113-122 . 
百度学术
2. 张蔡辉，任鹏，陈艳拢，初佳兰，郑斌. 基于RANet互导融合学习的遥感影像浒苔检测方法. 海洋环境科学. 2024(03): 448-457 . 本站查看
3. 王艳丽，董志鹏，王密. 基于双路卷积神经网络的高分辨率遥感影像浒苔检测方法. 武汉大学学报(信息科学版). 2024(12): 2261-2270 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 1496
- HTML全文浏览量: 785
- PDF下载量: 29
- 被引次数: 4
