0 引言

绿潮是在特定的环境条件下，海水中某些大型绿藻(如浒苔)爆发性增殖或高度聚集而引起一种有害生态现象[1]。绿潮虽然无毒，但极易造成水体污染[2]，破坏海洋中动植物的生态环境，并且严重影响海洋渔业，造成巨大的经济损失，从而引起人们的高度重视[2-5]。

目前，国内外许多学者对绿潮监测进行了研究。邢前国等利用不同空间分辨率、多时相的MODIS、Landsat-TM卫星遥感数据, 对2007-2010年间黄海、东海发生的绿潮进行了监测与评估[6]。王宁等基于MODIS数据，对比了5种常用的植被指数(NDVI(normalized difference vegetation index)、EVI(enhanced vegetation index)、ARVI(average registration vegetation index)、RVI(ratio vegetation index)和DVI(difference vegetation index)对不同生长阶段绿潮的探测能力，在此基础上，利用最优指数开展了2014年黄海绿潮的过程分析，并与历年监测结果进行了对比[7]。目前应用光学遥感影像对绿潮监测的研究已相对成熟，在绿潮业务化监测方面，已由船舶走航的传统探测方法转变为利用TERRA/AQUA-MODIS和HY-1B卫星、航空、船舶、岸基等多源监测数据，开展多源数据融合技术[8]。

图6为传感器模块电路连接图,检测节点中选用COZIR-AX-5000型号CO2浓度传感器和DHT22温度传感器。其中CO2浓度传感器采用LED技术光源,该传感器用串口通讯方式采集将采集数据传输到主控芯片,测量范围为0～5 000×10-6,测量误差小于±10×10-6。DHT22是常用的温湿度传感器,测温范围-55 ℃～+125 ℃,精度为±0.5 ℃。

在推理上，两版教材的推理步骤以一步或两步为主.与美GMH版相比，浙教版的推理主要有两处：一是让学生通过平方运算求平方根，体会开平方与平方运算的互逆关系(见图9)；二是无理数的引入，强化学生对有理数、无理数以及实数概念的辨别.总的来说，浙教版的推理水平对学生要求不高，只要求学生能掌握运算关系、概念等知识即可.

由于绿潮漂移速度快，所以在探测绿潮时需选择具有高时间分辨率的遥感影像，GOCI数据的时间分辨率远远大于MODIS(moderate-resolution imaging spectroradiometer)、HY-1等卫星数据，并且GOCI作为第一颗静止水色成像仪，能够为绿潮监测提供更加精确的数据信息，地球同步轨道的观测位置及高时空分辨率等特点更适合海洋绿潮监测研究。而在遥感数据选择时，并未选择GOCI数据，GOCI数据能否应用于绿潮的业务化监测有待证明，也正是本文所要验证的内容。同时GOCI作为光学遥感数据，具有一定的局限性——在有云层遮挡时无法实现对地面的有效监测。针对于GOCI的数据特点和局限性，本文通过提取绿潮在黄海海域的覆盖范围和统计黄海海域在绿潮发生期间云的覆盖情况，探究黄海上空云笼罩对观测绿潮的影响程度，以此来论证利用静止轨道卫星开展绿潮业务化监测的可行性。

1 数据

1.1 研究区与数据

图3为工件轮廓图。程序零点设在大端面中心，刀片采用VBMT160408(35°菱形刀片)，刀尖半径为0.8 mm。轮廓编程，程序如表1所列。

COMS(communication,ocean,and meteorological satellite)是韩国在2010年发射的全球首颗静止轨道海洋水色卫星，能对我国黄海、渤海、东海海域范围内进行静止观测。由于静止轨道水色卫星与地球同步，相对于地球静止，从而实现观测周期由天提高到小时。其搭载的GOCI水色成像仪具有八个波段，每小时采集一景影像数据，具有8景/天的高时间分辨率，而且空间分辨率为500 m，能够为东、黄海地区大范围、实时绿潮监测提供数据保障。由于IKONOS、GeoEye-1、EROS-A等陆地资源卫星的过境时间均为上午10∶00左右，此时星下点噪声少，在临近正午时分，太阳高度角大，太阳辐射强，绿潮的反射率大，在此时更容易探测绿潮。所以本次实验选择的是2015、2016和2017年5月15日～8月15日的黄海区域GOCI数据正午时分的第3景数据。

  

图1 研究区Fig.1 The study area

1.2 数据预处理

公式中：εmax表示最大反射比，βs表示在412 nm、555 nm、660 nm、680 nm、865 nm的地表反射率，λmax和λmin表示这五个波段的最大和最小反射率。根据目视解译和测试不同的阈值提取结果表明，εmax=1.25时，能够很好的区分云与水体。采用阈值法，将阈值确定为1.25，提取云覆盖范围。

公式中，RNIR、RR分别为近红外、红光的瑞利校正反射率。

虽然很多高校都成立了诸如大学生创业园、创业孵化基地、创客空间等创新创业平台，也开发了创新创业教育教材，并设置了固定创新创业学时，但存在着投入大、收效小的尴尬局面，实际成效难以量化，象征性意义大于实质性意义，对于提升人才培养质量、提高人才核心职业竞争力的帮助极为有限。

目前有六种主流的绿潮探测算法，分别是RVI、NDVI、EVI、KOSC、IGAG(index of floating green algae for GOCI)和OSABI(ocean surface algal bloom index)。蔡晓晴等利用目视解译方法构建了测试数据集，对比分析了各算法及其不同波段选择方式的海雾探测能力。结果表明：NDVI算法的绿潮探测能力明显优于其他算法并且性能稳定可靠，可作为GOCI绿潮监测的首选算法[1]。所以本文对研究区内的绿潮提取采用了NDVI算法。计算公式如下：

由于绿潮的光谱特征与植被的光谱特征相似，为了避免将绿潮与植被混淆，需要对陆地进行掩膜，将陆地范围掩膜掉，获得研究区域的海洋范围。图2为2016年6月9日裁剪后研究区假彩色影像图。

遥感成像的时候，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图像相对于地面目标发生几何畸变，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等。针对于这种现象，本文选取的GOCI数据基于自带的经纬度信息(GLT)来实现对影像的几何校正。

  

图2 2016年6月9日研究区影像图Fig.2 On June 9, 2016 images of research area

2 研究方法

为探究利用静止轨道卫星进行绿潮业务化监测的可行性，本文从两个方面进行研究，一是静止轨道卫星的绿潮探测能力，本文采用NDVI算法进行探测，并制作绿潮飘移路径图，探究静止轨道卫星是否具有绿潮探测能力；二是静止轨道卫星对绿潮监测的业务化能力，即能否实现动态监测，本文提取云区域范围并统计云覆盖面积，分析云层覆盖对静止轨道监测绿潮的影响程度，从而分析静止轨道卫星能否实现对绿潮的动态监测。

2.1 绿潮探测算法

根据施工需要，项目部与阿美批准的专业脚手架承包商“kaefer”签订了合作协议，由其提供脚手架方案，同时提供脚手架材料并负责搭设，脚手架工、脚手架主管、脚手架检查工程师等专业人员也由其提供。

 

2）放眼全球，重点选择。在埃克森美孚公司的七大油气战略区中，北美、南美、大洋洲是核心战略区，其次是欧洲和非洲，而亚洲及中东并不具有重要位置。中东以资源丰富且优质著称，埃克森美孚并没有太多涉足，仅进入卡塔尔、阿联酋、伊拉克等少数几个国家，也不占据主导地位。亚洲也是诸多国际石油公司早期进入并视为核心的战略区，埃克森美孚除了在哈萨克斯坦与雪佛龙、壳牌等大石油公司联合作业参股田齐兹、卡沙甘等少数几个大项目外，只进入印尼、马来西亚等少数国家，存在感不强。埃克森美孚非常看好俄罗斯北极地区，但随着美国对俄罗斯实施能源制裁，埃克森美孚不得不撤出了其在俄罗斯北极庞大的勘探项目。

2.2 云提取算法

从反射特性来看，云层在可见光波段属于漫反射物体，具有局部能量大，灰度均值高，方差小的特点[13]。云层在多光谱影像中表现为亮白色区域，掩盖覆盖下地物的光谱特征，使地物无法被准确识别，严重影响数据的可靠性和可利用性。由于海雾和低云难以区分并且同样对绿潮遥感探测有影响，本文在提取云时，将海雾归为云体，利用云层和水体在低光谱的差异性[14]，采用阈值法，从图像的灰度特征出发进行最佳阈值的选择，通过将图像中各个像素的灰度值与最佳阈值进行比较判别，依据与阈值的大小关系将图像中对应的像素划分到不同的类别区域中，各区域内部具有相似的属性[15]。

在进行云层提取时，首先确定云层与背景影像的最大反射比，计算公式如下：

我国黄海近海海域为绿潮主要发生区域，经纬度范围为33°N-37°N，119°E-123°E。自 2007年以来, 黄海海域每年5月初～8月中下旬绿潮会呈现从暴发到消亡的过程，导致海洋生态环境被破坏以及经济损失[9-10]。图1为研究区范围图。

εmax=βs (λmax)/βs (λmin)

水色卫星影像通常需进行大气校正，以剔除大气分子瑞利散射和气溶胶散射的影响。瑞利散射在大气影响中占主导，气溶胶散射影响相对较小且随波长的增加呈减小趋势。在绿潮探测常用的红光和近红外波段中，气溶胶散射贡献小于绿潮信号，因此绿潮卫星遥感监测时通常可只进行瑞利散射校正[11-12]。本文利用GDpS(GOCI data processing software)软件进行GOCI影像的瑞利散射校正。

3 实验结果分析

基于2017年静止轨道卫星GOCI数据，本文采用了NDVI算法进行绿潮范围监测，并制作2017年黄海区域的绿潮飘移路径图，探究GOCI数据是否具有绿潮探测能力。基于2015、2016年的GOCI数据，进行精细化云提取，分析云层覆盖对GOCI数据有效性的影响，探究GOCI数据是否具有动态监测能力。以此论证静止轨道卫星能否开展绿潮的业务化监测。

3.1 绿潮探测能力

根据2017年GOCI数据反演结果(如图3)，在5月下旬黄海中部(35°N，121.5°E)附近出现绿潮，分布面积约3 921 km2，实际覆盖面积为1 226 km2；在6月中上旬绿潮向西北方向飘移，在青岛、日照及周边海域大量聚集，绿潮分布面积也逐渐扩大；6月下旬沿海岸下向东北方向漂移，登陆青岛、烟台等市沿岸。在6月27日前后，绿潮分布面积达到15 874 km2，实际覆盖面积为8 862 km2。根据2017年获得的绿潮漂移路径，可得出结论：利用GOCI数据，采用NDVI的算法，可以有效获取绿潮的覆盖信息，包括绿潮的分布面积和实际覆盖面积，并且能够得到研究期间的绿潮大致的漂移路径，从而可以说明GOCI数据具有良好的绿潮探测能力。

  

图3 2017年绿潮漂移路线图Fig.3 2017 Green tide drift road map

3.2 动态监测能力

由漂移路径图可看出，时间间隔有长有短， 最短的时间间隔仅相差1天， 而最长的时间间隔则相差13天。由于时间间隔较长并且不稳定，所以无法得到准确的漂移路线。造成这种现状的原因是有效数据的缺失，即由于云层的覆盖，导致所获取到的数据无法进行绿潮信息提取。

根据统计的云覆盖面积，在2015年共90天里，其中5月22日、5月26日、5月31日、6月4日和7月23日无数据，云覆盖面积大于75%的共23天，占总天数的26%；云覆盖面积大于50%且小于75%的有21天，占总天数的24%；云覆盖面积小于50%的有44天，占总天数的50%。在2016年共93天里，云覆盖面积大于75%的共25天，占总天数的28%；云覆盖面积大于50%且小于75%的有13天，占总天数的14%；云覆盖面积小于50%的有52天，占总天数的58%。研究区内GOCI遥感影像的云层覆盖比例大，获取到的GOCI影像无法识别研究区域的所有地物特征，无法判别云层下是否有绿潮存在。在绿潮监测过程中，这一现象造成了绿潮动态监测的数据空白。

  

图4 2015和2016年统计图Fig.4 The statistical chart of 2015 and 2016

  

图5 2015年和2016年统计图Fig.5 The statistical chart of 2015 and 2016

由于绿潮的漂移速率快，在短时间内时空位置便会发生较大变化，所以在监测绿潮时需要短周期的影像数据。当云层覆盖度超过50%时，无法有效识别海面绿潮的覆盖情况。在2015年共90天里，连续3天云层覆盖率超过50%的有31天。在2016年共93天里，连续3天云层覆盖率超过50%的有25天。 绿潮发生期间，云层的持续覆盖率高，无法间隔一两天获取一幅有效的遥感影像，所以在云持续覆盖期间，利用GOCI遥感影像无法实现对绿潮的动态监测。

4 结语

由于绿潮和海水具有明显的光谱差异，所以利用光学遥感可以很好的将绿潮从海水中提取出来。但是，由于海域上空经常云雾缭绕，云层覆盖对于光学遥感监测绿潮产生了极大的阻碍。在绿潮爆发时期，云层覆盖降低了GOCI遥感影像监测绿潮的有效数据利用率，约四分之一的数据无法使用，能够准确、有效提取绿潮的影像仅占总数据的三分之一，并且由于云层的持续覆盖，也使利用GOCI遥感数据对绿潮的动态监测难以实现，故只利用静止轨道卫星难以开展绿潮的业务化监测。

SAR数据具有穿透云雾的特点，能够为绿潮监测提供稳定的数据源保障，随着SAR卫星数据时间分辨率的提高，将在绿潮业务化监测中具有更大的应用潜力。

参考文献

[1] 蔡晓晴, 崔廷伟, 郑荣儿, 等. 静止海洋水色卫星(GOCI)绿潮探测算法对比研究[J]. 遥感信息, 2014, 29(5):44-50.

CAI Xiaoqing, CUI Tingwei, ZHENG Rong’er, et al. Comparative study on the green tide detection algorithm of static ocean water color satellite (GOCI)[J]. Remote Sensing Information, 2014, 29(5):44-50.

[2] 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.

YE Na, JIA Jianjun, TIAN Jing, et al. Research progress of the remote sensing monitoring method of enteromorpha[J]. Remote Sensing of Land and Resources, 2013, 25(1):7-12.

[3] 陈艳拢, 杨建洪, 赵冬至, 等. 海温季节性变化对藻类生长影响的定量研究[J]. 海洋环境科学, 2013, 32(1):104-110.

CHEN Yanlong, YANG Jianhong, ZHAO Dongzhi, et al. Quantitative study on the effects of seasonal variation on algae growth[J]. Marine Environmental Science, 2013, 32(1):104-110.

[4] 蒋兴伟, 刘建强, 邹斌, 等. 浒苔灾害卫星遥感应急监视监测系统及其应用[J]. 海洋学报, 2009, 31(1):52-64.

JIANG Xingwei, LIU Jianqiang, ZOU Bin, et al. Remote sensing monitoring system for remote sensing satellite remote sensing and its application[J]. Journal of Marine Science, 2009, 31(1):52-64.

[5] TANG J W, WANG X M, SONG Q J, et al. The statistic inversionalgrithms of water constiuents for the Huanghai Sea and the East China Sea[J]. Acta Oceanologica Sinica, 2004, 23(4):617-626.

[6] 邢前国, 郑向阳, 施平, 等. 基于多源、多时相遥感影像的黄、东海绿潮影响区检测[J]. 光谱学与光谱分析, 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 Spectroscopic Analysis, 2011, 31(6):1644-1647.

[7] 王宁, 黄娟, 崔廷伟, 等. 基于MODIS数据的5种植被指数对不同生长阶段绿潮的探测能力对比及应用[J]. 激光生物学报, 2014, 23(6):590-595.

WANG Ning, HUANG Juan, CUI Tingwei, et al. Comparison and application of the detection capability of green tides in different growth stages based on 5 planting of MODIS data[J]. Journal of Laser Biology, 2014, 23(6):590-595.

[8] 白涛, 黄娟, 高松, 等. 黄海绿潮应急预测系统业务化研究与应用[J]. 海洋预报, 2013, 30(1):51-58.

BAI Tao, HUANG Juan, GAO Song, et al. Research and application of the operational research and application of yellow sea green tide emergency prediction system[J]. Marine Forecast, 2013, 30(1):51-58.

[9] 薛瑞, 吴孟泉, 刘杨,等. 基于HJ-1A/1B的2014年黄海海域浒苔灾害时空分布[J]. 海洋科学, 2016, 40(7):115-123.

XUE Rui, WU Mengquan, LIU Yang, et al. Spatial and temporal distribution of enteromorphy in the yellow sea area in 2014 based on hj-1a /1B[J]. Marine Science, 2016, 40(7):115-123.

[10] 张华伟, 马家海, 胡翔, 等. 绿潮漂浮浒苔繁殖特性的研究[J]. 上海海洋大学学报, 2011, 20(4):600-606.

ZHANG Huawei, MA Jiahai, HU Xiang, et al. Research on the propagation characteristics of green tide floating enteromorpha[J]. Journal of Shanghai Ocean University, 2011, 20(4):600-606.

[11] SONY 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.

[12] HU C. A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sensing of Environment, 2009, 113(10):2118-2129.

[13] 周伟, 关键, 姜涛, 等. 多光谱遥感影像中云影区域的检测与修复[J]. 遥感学报, 2012, 16(1):132-142.

ZHOU Wei, GUAN Jian, JIANG Tao, et al. Detection and restoration of cloud and shadow regions in multispectral remote sensing images[J]. Journal of Remote Sensing, 2012, 16(1):132-142.

[14] NORDKVIST K, LOISEL H, GAURIER L D. Cloud masking of SeaWiFS images over coastal waters using spectral variability[J]. Optics Express, 2009, 17(15):12246-12258.

[15] CARLEERA. p, DEBEIR O, WOLFF E. Assessment of very high spatial resolution satellite image segmentations[J]. photogrammetric Engineering & Remote Sensing, 2005, GE(11):1285-1294.