中国近海绿潮生物量的卫星光学遥感估算

唐君，陆应诚，焦俊男，刘建强，胡连波，丁静，邢前国，王福涛，宋庆君，陈艳拢，田礼乔，王心源，刘锦超

1.南京大学 国际地球系统科学研究所,南京 210023;

2.国家卫星海洋应用中心,北京 100081;

3.中国海洋大学 海洋技术学院,青岛 266100;

4.中国科学院 烟台海岸带研究所,烟台 264003;

5.中国科学院空天信息创新研究院,北京 100094;

6.国家海洋环境监测中心,大连 116023;

7.武汉大学 测绘遥感信息工程国家重点实验室,武汉 430079

1 引言

中国近海浒苔（Ulvaprolifera）的暴发增殖，会形成大范围的海洋绿潮，不仅会对海洋生态系统产生影响，绿潮登滩后会破坏海岸带生态环境，造成严重的社会影响和经济损失（Wang 等，2009；Liu等，2010，2016；Xing等，2015；Li等，2018）。2008 年以来，中国黄海海域已连续15 年周期性大规模暴发绿潮，给中国近海社会经济活动与生态环境产生了较多的负面影响。利用卫星遥感技术，开展中国近海绿潮实时监测与定量估算，对于绿潮防控、海岸防护、浮筏养殖管理等具有重要的技术支撑与数据参考价值。

卫星光学遥感为中国近海绿潮的时空动态监测提供了较好的技术支撑，如美国中分辨率成像光谱仪MODIS（Moderate Resolution Imaging Spectroradiometer）、欧洲空间局的中等分辨率成像光谱仪MERIS（Medium Resolution Imaging Spectrometer）和多光谱成像仪MSI（Multi Spectral Instrument）、美国Landsat 卫星搭载的陆地成像仪OLI（Operational Land Imager）以及中国海洋一号C/D 卫星（HY-1C/D）海岸带成像仪CZI（Coastal Zone Imager）等；根据绿潮光谱响应特征，利用归一化植被指数NDVI（Normalized Difference Vegetation Index）（Hu 和He，2008；Liu 等，2009）、归一化藻类指数NDAI（Normalized Difference Algae Index）（Shi 和Wang，2009）、缩放藻类指数SAI（Scaled Algae Index）（Keesing等，2011；Garcia等，2013）、基于波段间基线减法的漂浮藻类指数FAI（Floating Algae Index）（Hu，2009；Hu 等，2010，2017，2019；Xu 等，2014；Qi 等，2016；Wang 和Hu，2016；Lu 等，2019）和大型漂浮藻类虚拟基线高度VB-FAH（Virtual Baseline Floating macroalgae Height）（Xing 和Hu，2016）等方法，不同的卫星光学数据都展现对近海绿潮的监测能力和差异，提供不同的绿潮监测图像结果。利用不同卫星数据开展绿潮监测，主要提供绿潮的覆盖范围（即图像上绿潮覆盖区域外缘线所包络的面积）和覆盖面积（根据图像上绿潮像元的FAI、NDVI、DVI或VB 值，进行像元解混给出绿潮覆盖面积），利用这些结果进一步去分析中国近海绿潮的生消和运移过程，开展绿潮时空分布格局与变化趋势研究。但面向中国近海绿潮精细化定量监测的需求，仍然有如下问题需要面对：（1）因不同卫星光学载荷空间分辨率、波段设置、信噪比等差异，不同遥感资料反演的绿潮覆盖面积具有内在的尺度效应（线性和非线性效应共同存在），不同光学卫星数据的绿潮监测结果因此存在较大差异。（2）真实海面漂浮绿潮，不仅有斑块大小，也有厚度差异（即单位面积上生物量会有不同），即使高空间分辨率光学遥感数据能提供接近真实的绿潮覆盖面积，绿潮单位面积生物量不同所产生的差异依然难以展现。

绿潮生物量是解决上述差异，更为准确刻画中国近海绿潮时空分布格局与演变趋势的重要参数。Hu 等（2017）通过绿潮生物量实验获取的浒苔光谱反射率数据，构建绿潮单位面积生物量BPA（Biomass per Area）与FAI 之间的统计模型，实现了基于MODIS数据的绿潮生物量估算。MODIS 250 m 空间分辨率遥感影像用于中国近海绿潮监测，虽能提供大覆盖和高时相动态监测数据，但在精细化、定量化监测应用上较为不足。具有较高空间分辨率的Landsat、Sentinel 系列卫星，又因为图像刈幅有限、时间分辨率不足等难以满足业务化监测应用的需求。

面向中国近海绿潮高精度遥感监测的需求，克服不同空间分辨率遥感数据反演绿潮覆盖面积的不确定性，需要发展绿潮生物量光学遥感估算方法，利用多源光学遥感数据开展协同监测估算，是实现绿潮高精度遥感监测的有效途径。鉴于卫星光学遥感会受到天气的影响和制约，因此卫星载荷需要有较高的时间分辨率，才能有效保障其对近海绿潮长时间动态监测的应用需求。中国HY-1C/D 卫星CZI 载荷能提供50 m 空间分辨率、950 km 刈幅的近海观测多光谱数据，该数据具有信噪比高、辐射分辨率优异等特点，双星组网实现了对中国近海3天两次的高频次观测，为开展中国近海绿潮监测和估算提供了良好的数据支撑（Liu等，2023；Wang等，2023）。

本研究针对不同空间分辨率的CZI、MODIS、MSI 数据，在瑞利校正反射率（Rrc）数据基础上，利用藻类缩放指数（SAI）与虚拟基线高度（VBFAH）融合的识别提取算法（刘锦超 等，2022），有效克服国产水色卫星CZI 载荷短波红外波段缺失、复杂背景水体影响等难题，实现中国近海绿潮的有效识别提取。利用经过验证的精准绿潮生物量光谱数据集，构建了适用于不同光学传感器、不同卫星参数的绿潮生物量估算模型，实现绿潮生物量的光学遥感估算。利用MSI、CZI、MODIS的准同步绿潮卫星遥感影像，实现了基于不同空间分辨率光学数据的绿潮生物量估算与交叉验证。相较于绿潮像元面积和覆盖面积，绿潮生物量估算结果的不确定性最小，能够有效克服不同空间分辨率数据估算藻类面积参数中的尺度效应。利用2021 年CZI 和MODIS 数据，对中国近海绿潮生物量开展协同监测应用，能提高绿潮生物量的监测精度，较好的反映绿潮生物量年内时空变化特点，对中国近海乃至全球海洋漂浮藻类的精准监测有方法与数据参考作用。

2 数据与数据预处理

2.1 绿潮生物量实验数据

开展卫星光学遥感图像中海面漂浮绿潮生物量估算，核心模型与参数主要源于绿潮生物量光谱数据，本研究以胡连波等（2017）的绿潮生物量仿真实验数据及其验证数据为建模数据，该光谱数据集包含了绿潮与水体像元混合、绿潮厚度变化等两个维度的信息，能体现绿潮单位面积生物量（BPA，单位：kg/m2，该实验是指浒苔的湿重）变化所内涵的线性与非线性遥感尺度效应，因此该数据集能用于不同空间分辨率卫星遥感数据的绿潮生物量遥感估算建模。

该光谱数据集如图1所示，随着绿潮BPA的增加，绿潮光谱反射率也随之增加。特别需要指出的是，在绿潮BPA 达到2 kg/m2左右时，水面完全被绿潮覆盖（见Hu 等（2017）论文图3），表明当BPA＜2 kg/m2时，绿潮光谱反射率变化主要受水平方向上绿潮和水体像元混合的影响；当BPA＞2 kg/m2时，绿潮光谱反射率变化主要受垂直方向上绿潮厚度变化的影响；这一点也可在绿潮光谱反射率随BPA 变化趋势上得到证明，绿潮BPA＞2 kg/m2后，相比近红外波段反射率而言，可见光500—760 nm范围内反射率变化幅度较小。

图1 浒苔反射率光谱（数据来源Hu等，2017）Fig.1 Reflectance spectra of Ulva prolifera（Collected from Hu et al.，2017）

2.2 绿潮光学遥感数据

本研究用到的光学遥感数据包括MSI 10 米分辨率数据，HY-1C/D 星CZI 50 m 分辨率数据以及MODIS 250 m分辨率数据，所有的数据均被处理成Rrc数据。MODIS 数据采用官网（https：//ladsweb.modaps.eosdis.nasa.gov［/2022-10-12］）下载的L1B级数据，使用SeaDAS 校正得到总辐亮度和瑞利散射辐亮度，Rrc数据通过以下公式获得：

式中，Lt为传感器探测的总辐亮度，Lr为瑞利散射辐亮度，F0为太阳入射辐照度，θ0为太阳天顶角。CZI 数据采用L1B 级辐亮度产品，通过瑞利校正得到Rrc数据，相应的Rrc数据产品也可在中国海洋卫星数据服务系统官方网站（https：//osdds.nsoas.org.cn［/2022-10-12］）下载。MSI 采用从哥白尼数据中心（https：//scihub.copernicus.eu［/2022-10-12］）下载的L1C 数据，利用ACOLITE 软件进行校正得到Rrc数据。

瑞利校正后的MSI、CZI、MODIS 数据进一步利用多项式校正方法，实现图像的几何精校正，该方法以固定的间隔在影像的经纬度文件内选择控制点，再通过Python/GDAL 库的Warp 函数进行多项式校正，然后将Rrc数据映射到WGS-84 大地坐标系，使用UTM 投影（zone 51N）。对2021 年5月初至8月末的CZI、MODIS数据进行筛选，去除受云、耀光影响较大的影像，共选取了24 景影像（CZI、MODIS各12景），进行绿潮生物量的遥感估算。MODIS 的Terra 数据多个波段的条带化噪音较强，对于生物量估算有一定的影响，本研究选用的MODIS数据来自Aqua；HY-1C/D卫星CZI载荷均可以有效实现绿潮监测，考虑到上午成像的光照条件更佳，则选用上午C 星的CZI 数据，图2 为所选的CZI和MODIS黄海绿潮Rrc反射率假彩色合成影像。

图2 2021年中国黄海绿潮假彩色合成影像Fig.2 Spaceborne optical false color images of green tide in 2021 covering the Yellow Sea of China

3 绿潮光学遥感模型与估算验证

3.1 近海绿潮的识别提取

不同分辨率卫星数据观测到的绿潮结果，包含了绿潮线性混合（水平方向上绿潮与水体）与非线性混合（垂直方向上的绿潮深度与厚度）效应，任何光学遥感图像首先获取的是像元面积（algae pixel area），但这并不是真实绿潮面积；需要通过线性像元解混，给出绿潮覆盖面积（algae coverage area），这才代表了观测到的海面绿潮面积；但绿潮覆盖面积参数，难以消除真实绿潮厚度或在水中深度，所产生的像元非线性混合效应，只有准确的绿潮生物量估算，才能有效消除图像中，特别是高空间分辨率数据中绿潮像元存在的不同混合效应。

在本研究中，不同卫星数据中绿潮量化流程，如图3 所示，主要的步骤在于：（1）MSI、CZI、MODIS 等卫星数据经大气校正，生产Rrc反射率产品；（2）采用VB-FAH 与SAI相结合的阈值分割方法，实现不同图像中绿潮的识别与提取；（3）基于漂浮绿潮仿真实验数据集，面向不同卫星光学传感器，构建不同卫星数据的绿潮覆盖面积和绿潮生物量估算模型；（4）基于不同卫星数据的绿潮遥感参数（如FAI、VB-FAH 等参数），利用步骤（3）中给出的绿潮覆盖面积或生物量估算模型，实现不同数据中绿潮覆盖面积或绿潮生物量的估算。需要注意的是，步骤（4）中的绿潮覆盖面积或生物量估算，本质上都是像元解混过程，前者消除了绿潮在一定像元面积内的线性混合效应；后者不仅消除了线性混合效应，还消除了绿潮的非线性混合效应。

图3 绿潮生物量估算流程Fig.3 Flowchart of estimation of green tide biomass

本研究采用VB-FAH与SAI相结合的SAI（VB）阈值分割方法，实现不同数据中绿潮的识别和提取。VB-FAH指数基于波段线性差值，对于复杂大气、耀光反射等具有一定抗干扰能力，是与FAI指数类似的线性参数（线性参数与非线性参数，用于不同空间分辨率数据中的效能不同），能较好的用于不同空间分辨率数据中的绿潮解混，VB-FAH还适用于缺乏短波红外波段的国产卫星（如HY-1C/D星CZI数据、高分系列卫星光学数据等）。VB-FAH指数的计算如式（2）所示：

式中，R代表Rrc反射率，λ为波长，下标NIR、RED、GREEN 分别代表近红外波段、红光波段、绿光波段。在本研究中，对于MODIS 影像λNIR=859 nm，λRED=645 nm，λGREEN=555 nm；对于CZI 影像λNIR=825 nm，λRED=650 nm，λGREEN=560 nm；对于MSI 影像λNIR=865 nm，λRED=665 nm，λGREEN=560 nm。

大范围的海域中，由于海水背景的差异，会导致VB-FAH指数应用中存在影像的区域差异（利用短波红外波段的FAI 算法，则较少受此影响），进一步融合SAI算法，能够有效去除VB-FAH 指数影像中的海水背景差异（刘锦超 等，2022），其计算原理如下：

式中，f(x，y)是VB-FAH 值，g(x，y)是滑动窗口的中值，SAI(x，y)是缩放后的像元值。如图3 步骤（2）所示，通过阈值（T1）对VB-FAH 影像进行阈值分割提取出聚集度较高的大斑块藻类像元，但指数影像应用中存在的梯度差异问题会导致一些小斑块的藻类无法被识别提取出来；对于未分割出来的像元，使用SAI（VB）影像再次进行阈值分割（T2），可以对被漏检的小斑块藻类像元进行再次提取，最后将两次阈值分割的结果进行合并得到更为精确的藻类像元提取结果。

3.2 绿潮覆盖面积与生物量估算模型

本研究使用的绿潮光谱数据具有较好的验证效果，可以用来发展不同卫星数据的绿潮覆盖面积和生物量估算模型。首先结合MSI、CZI、MODIS 卫星传感器的光谱响应函数，将实验光谱数据集仿真模拟到不同卫星数据VB-FAH算法所需的波段，进一步构建VB-FAH 与绿潮单位面积生物量（BPA）之间统计模型（图4）。需要注意的是，模拟的MSI、CZI、MODIS 数据的生物量估算模型中，以VB-FAH=0.17为界限，呈现明显的两段统计模型。当VB-FAH≤0.17 时，VB-FAH 指数与BPA 呈现明显的线性关系；当VB-FAH≤0.17 时，VB-FAH 指数与BPA 呈现指数增加的非线性关系。这表明，如在MSI数据中，VB-FAH 值在0.17以下，可以认为该像元是绿潮和海水的混合像元；而当VB-FAH值大于0.17，该像元则是一个绿潮纯像元，VBFAH 值的非线性变化会受到如绿潮厚度的影响；此外，对于MODIS 数据而言，虽然可以给出VBFAH 值在0.17 以上的非线性统计关系，但是真实的MODIS 数据中，几乎难有VB-FAH 大于0.17 的数值。

图4 MSI、CZI、MODIS绿潮生物量估算模型Fig.4 Green tide biomass estimation model of MSI，CZI and MODIS image

基于不同卫星遥感数据的VB-FAH 和BPA 模型，可以给出不同卫星数据中绿潮覆盖面积的计算公式。对应图4 中，当VB-FAH 值大于0.17 时，非线性函数表明，该像元的绿潮覆盖为100%；当VB-FAH＜0.17 时，像元内绿潮与海水在海面混合存在，该像元内绿潮的覆盖率则与VB-FAH 为线性统计关系，基于此可以构建不同卫星数据中绿潮覆盖面积的估算模型（式（5）—（7））。

式中，x为VB-FAH（无量纲），y为像元的绿潮覆盖率（无量纲，0—1）。

绿潮生物量估算模型也可以进一步建立，需要注意的是，基于实验数据集构建的绿潮生物量估算模型，其本身就包含了绿潮像元的线性混合与非线性混合过程，可以直接从不同卫星图像的绿潮VB-FAH 监测结果上进行估算，而无需在绿潮覆盖面积上进行估算。MSI、CZI、MODIS 的绿潮生物量遥感估算模型，分别如下：

式中，x为VB-FAH（无量纲），y为绿潮BPA（kg/m2）。当VB-FAH＜0.17，随着VB-FAH 的增加，BPA 为线性递增，此时遥感数据像元的绿潮生物量主要受到其覆盖率的影响；当VB-FAH＞0.17，该像元中绿潮覆盖率已达100%（主要是对高空间分辨率数据而言，粗空间分辨率数据上难以达到100%覆盖），像元中绿潮生物量的改变主要受绿潮厚度增加的影响，VB-FAH 与BPA 之间呈现指数统计关系。

3.3 多源卫星数据的绿潮估算与验证

利用2021 年5 月28 日准同步的MSI、CZI、MODIS 数据（云和耀光反射的影响可以忽略，且绿潮位置的相对漂移也较小），开展不同卫星数据的绿潮识别与提取，对比分析不同空间分辨率数据中绿潮像元面积；并利用本研究发展的绿潮覆盖面积和绿潮生物量估算模型，实现不同数据上的绿潮覆盖面积和绿潮生物量估算，并以MSI监测结果为参考值，开展交叉验证与评估。如图5 所示，多源光学遥感卫星数据对中国近海绿潮的识别提取结果，因为成像载荷参数差异，在绿潮像元面积上具有较大的尺度差异，MSI、CZI、MODIS影像上绿潮的像元面积分别为349.7 km2、621.7 km2、884.7 km2（图5（b）），差异显著；基于绿潮覆盖面积估算模型，MSI、CZI、MODIS上绿潮覆盖面积分别为154.5 km2、179.3 km2、188.6 km2（图5（b））；MSI、CZI、MODIS 数据对可共同监测的近海绿潮，估算的绿潮生物量分别为369.9 kt、362.0 kt、352.6 kt（图5（c））；不同数据估算的绿潮覆盖面积和生物量差异，相比较像元面积而言，偏差明显降低。

图5 2021年5月28日中国黄海绿潮准同步MSI、CZI、MODIS影像及绿潮覆盖面积与生物量估算Fig.5 Quasi-synchronous MSI，CZI and MODIS images，coverage area，and biomass of green tide on May 28，2021 covering the Yellow Sea of China

为进一步开展MSI、CZI、MODIS 图像上绿潮像元面积、绿潮覆盖面积、绿潮生物量的对比验证，以MSI图像结果为参考值开展对比分析。采用网格分析法，对MSI、CZI、MODIS 准同步影像进行网格分割，并统计每个网格内绿潮的总像元面积、总覆盖面积和总生物量；网格的大小设置为10 km×10 km，重叠率为50%。需要说明的是，在准同步影像中，由于不同传感器存在拍摄的时间差，绿潮可能发生了一定程度的漂移，会对统计结果产生一定的影响，但10 km×10 km的范围可以平滑掉这部分误差，不会影响整体的统计结果。此外由于MODIS数据的分辨率较粗，对于海面真实绿潮小斑块的探测能力相对较差，为了保证格网内的含藻像元能被MSI、CZI、MODIS 影像共同探测到，以MODIS 滑窗内绿潮像元面积占比≥10%为条件，开展对比分析（图6）。结果表明：（1）数据空间分辨率降低会对绿潮像元面积产生高估，相比10 m分辨率MSI数据结果而言，CZI和MODIS 数据绿潮像元面积分别高估了1.66和2.56倍，不确定性分别约为14%和21%（图6（a））；（2）绿潮覆盖面积代表了海面真实的绿潮面积，相比10 m分辨率MSI数据结果而言，CZI和MODIS数据绿潮覆盖面积分别高估了15%和28%，不确定性下降到约4%和12%（图6（b））；（3）基于MSI、CZI、MODIS数据估算的绿潮生物量保持了较好的一致性，相对偏差在～2%左右，CZI 和MODIS 生物量的不确定性分别约为2%和7%（图6（c））。这充分说明，在中国近海绿潮监测中，不同空间分辨率的卫星数据监测的绿潮像元面积，包含了较大的尺度效应，无法代表真实的海上绿潮面积，且不同数据反演的像元面积不具可比性。以像元解混为核心，不同卫星数据估算的绿潮覆盖面积和绿潮生物量，能有效的降低不同数据间的遥感尺度效应，可更为精准的用于绿潮遥感监测。对比绿潮覆盖面积和绿潮生物量的验证结果，绿潮生物量比绿潮覆盖面积具有更好的一致性（更接近1∶1线）和更小的不确定性。这是因为绿潮覆盖面积参数，虽能有效的降低绿潮的线性混合效应，但是难以降低非线性混合效应（含藻像元中，当绿潮覆盖面积达到100%之后，其厚度依然增加所产生的卫星光学信号响应）。

图6 绿潮像元面积、覆盖面积和生物量交叉验证Fig.6 Cross-validation of pixel area，coverage area and biomass of green tide

4 近海绿潮生物量遥感估算对比

利用上述方法对2021 年中国近海绿潮有效卫星观测数据进行处理，利用SAI（VB）方法从MODIS 和CZI 图像上准确提取含藻像元，估算不同数据上的绿潮像元面积；利用式（6）和（7）分别对CZI 和MODIS 图像含藻像元进行解混，计算图像上的绿潮覆盖面积；利用绿潮生物量估算模型（式（9）和（10）），基于含藻像元的VBFAH 值，估算海面绿潮的单位面积生物量，从而给出绿潮总生物量。基于CZI 和MODIS 数据识别的绿潮像元，估算的绿潮覆盖面积、绿潮单位面积生物量与总生物量如图7 所示，从绿潮空间分布图上看，CZI 能提供更为精细的绿潮空间分布细节，进一步将CZI 和MODIS 估算的结果进行详细比对分析。

图7 2021年中国黄海绿潮生物量影像Fig.7 BPA images of green tide in 2021 covering the Yellow Sea of China

将基于CZI 和MODIS 数据估算的2021 年绿潮像元面积、覆盖面积和生物量整理成统计直方图，如图8 所示。MODIS 数据给出的2021 年绿潮像元面积最大值为6 月23 日8057.9 km2，CZI 数据上观测的绿潮像元面积最大值为6 月6 日2603.0 km2；即使是7 月9 日同一天的MODIS 和CZI 数据，观测的绿潮像元面积也分别是4845.1 km2和2326.3 km2；在2021 年MODIS 和CZI 数据获取的绿潮像元面积直方图上（图8（a）），绿潮的时空变化趋势也具有较大的偏差，说明像元面积不能用于量化评估绿潮的时空变化。绿潮像元通过解混计算后，获得的绿潮覆盖面积或绿潮生物量才是更为精准的参数表达，MODIS和CZI数据计算的绿潮覆盖面积和生物量直方图（如图8（b）、（c）），MODIS 和CZI解混后的数值结果具有较强的一致性，空间分辨率差异导致的尺度效应得到有效消除，能够较好的用于绿潮时空变化定量评估分析。

图8 2021年中国黄海绿潮像元面积、覆盖面积以及生物量统计直方图Fig.8 Statistical histograms of pixel area，coverage area and biomass of green tide in the Yellow Sea of China，2021

MODIS和CZI数据计算获得的绿潮覆盖面积和绿潮生物量年内变化直方图的对比分析中，依然会有一定的偏差，这种偏差则是由传感器参数所产生的，即MODIS像元和CZI像元对海面绿潮的最低检出能力会有差异，这种差异会导致MODIS不仅会对绿潮覆盖面积和生物量有高估的情况，也存在低估的情况。如图9 和表1 所示，选择7 个不同区域的MSI、CZI 和MODIS 数据，进行更为细致的对比分析（图9 为图5（c）中，7 个不同区域的放大图）。较小的海面绿潮斑块，可以被MSI 和CZI 探测到，但不能被MODIS探测到（图9的区域1、区域2、区域3），这种情况下会导致MODIS估算的绿潮像元面积、覆盖面积和总生物量均小于CZI和MSI；如表1所示，区域1至区域3利用MODIS估算的绿潮覆盖面积和生物量都远低于MSI和CZI 的估算结果。此类情况多出现在靠近苏北浅滩的区域，因为此时的绿潮在北向海表流场和风场的共同作用下向北漂移，多以小斑块形式存在。区域4和区域5同样说明了这一点，虽然有聚集的漂浮藻类斑块被MSI、CZI 和MODIS 共同探测到，但区域4 和区域5 内还是以小斑块居多（图9 的区域4，图9 的区域5），造成MODIS在绿潮覆盖面积和生物量上的低估。当区域内的漂浮绿潮以大斑块的形式存在时（图9的区域6、区域7），如表1 所示，会造成MODIS 估算的绿潮覆盖面积和生物量都高于MSI 和CZI 的情况。相比较而言，兼具高空间分辨率和高时相分辨率的中国HY-1C/D 卫星CZI 数据，则展现了较好的效能，是中国近海绿潮高精度定量监测的可用数据支撑。

图9 绿潮生物量格网统计（每个格网大小为10×10 km，格网位置对应于图5（c））Fig.9 Grid statistics of green tide biomass（grid size：10 km×10 km，grid position corresponds to Fig.5（c））

5 结论

面向中国近海绿潮精准定量监测需求，基于绿潮生物量变化模拟与观测验证数据，本文提出了适用于MSI、CZI、MODIS 等不同载荷数据的绿潮生物量光学遥感估算模型和计算方法。准同步MSI、CZI、MODIS 数据的绿潮相关参数（绿潮的像元面积、覆盖面积和生物量）的估算对比分析表明，相较于像元面积，覆盖面积和绿潮生物量估算结果的不确定性最小，能减少面积参数包含的尺度效应差异，能更准确地用于海洋生态环境的量化与评估。基于2021 年CZI 和MODIS 数据估算的中国近海绿潮生物量结果表明，CZI 与MODIS 协同监测数据产品不仅具有较高的时间分辨率，还具有精细的空间分辨率。通过较高的时间分辨率，详细量化了2021 年中国近海绿潮生物量的年内变化；较高的空间分辨率还能展现绿潮生物量的精细空间分布格局与变化趋势。绿潮小斑块的遥感识别与估算，展现了对近海绿潮的生消与运移过程具备更为精细的监测能力，能有效提高绿潮生物量的时空监测精度。基于MODIS和CZI 协同监测结果，能为近海绿潮生物量精细监测、时空变化分析、可持续管理提供精细数据支持。

志 谢美国南佛罗里达大学海洋科学学院胡传民教授、美国国家海洋和大气管理局卫星应用与研究中心齐琳博士在研究过程中给予了大量指导和帮助。