根据浒苔覆盖海水在可见光和近红外波段的波谱特性, 单波段阈值分割法应用的波段主要集中在波谱的反射峰或吸收谷位置, 由于近红外波段的反射峰与正常海水相比差异最大, 因此该波段通常被选作单波段阈值法的最优波段, 主要用于水面浒苔的监测。通过设定波段图像的灰度值或者反射率的阈值, 将正常海水与浒苔覆盖海水区分开, 其表达形式为R_min< R₁< R_max, 其中R₁是灰度值或反射率, R_min和R_max是浒苔的最小和最大灰度或反射率值。梁刚^[10]利用单波段法, 基于MODIS数据第2波段的灰度值, 对2008年6月青岛海域浒苔爆发的分布范围和覆盖的水域面积进行了估算, 设定2008年第179天, R_min和R_max值为2 000和6 000, 第180天为1 000和2 000。

目前应用于水面浒苔监测的雷达数据主要有ENVISAT-ASAR, ALOS-PALSAR, RADARSAT-1和COSMO-SkyMed数据。与光学遥感的单波段阈值分割法相似, 通过确定浒苔在雷达图像上的灰度值或后向散射系数的有效范围提取浒苔信息。雷达遥感用于浒苔的监测处于起步阶段, 因此目前的应用以这种简单的方法为主。如李颖等^[14]使用ENVISAT-ASAR, ALOS-PALSAR和RADARSAT-1这3种星载雷达数据, 通过专家先验知识根据形状、大小、位置等目标物质识别特征, 首先判读雷达图像上浒苔分布的典型区域, 再对浒苔的灰度值和正常海水的灰度值进行分析, 得出不同极化方式下浒苔灰度值的主要动态范围; 蒋兴伟等^[15]运用一种基于区域增长面向对象的图像尺度分割方法调整图像的分割尺度, 指出COSMO-SkyMed数据中灰度值在75~175时浒苔图像最明显, 实现了浒苔信息的快速提取; Gui等^[16]对ENVISAT-ASAR与环境灾害小卫星(HJ-1A/B)监测2009年我国黄海浒苔爆发的结果进行了对比, 指出二者的平均百分比差异为15%。

由于不同大气条件和观测条件下遥感图像灰度值存在很大差别, 导致不同日期遥感图像上浒苔灰度值有效范围差异很大, 没有统一的规律可言, 因此以灰度值为基础的阈值分割法不确定性很大。以反射率和后向散射系数为基础确定阈值相对稳定, 但需要较精确的遥感图像大气校正和去噪声处理, 因此遥感图像处理对地表反射率和后向散射系数的准确获取至关重要。遥感方法获取的海水光谱信息还受许多其他因素的影响, 如海洋浮游生物或植物的影响, 太阳耀光对航空光学遥感的影响等, 这些信息与浒苔信息掺杂在一起, 导致简单的阈值法判读精度较低。

由于多波段比值法能够扩大浒苔吸收谷与反射峰之间的差异, 起到增强信息消除噪音的作用, 且方法简单易操作, 因此常被用于水面浒苔的监测。主要有双波段比值法、归一化植被指数法(normalized differential vegetation index, NDVI)、浮游藻类指数法(floating algae index, FAI)^[2]和归一化藻类指数法(normalized difference algae index, NDAI)^[17]。

双波段比值法主要指蓝、绿波段比值和红光、近红外波段比值。水面浒苔的光谱特征可以反映水体叶绿素浓度^{[18, 19]}, 因此能够用于浒苔的监测。与双波段比值法相比, NDVI方法能够更好地减少大气和云的影响, 监测原理也是通过反映水体叶绿素浓度来反映浒苔信息, 是目前应用最多的方法, 即

NDVI=(R_NIR-R_RED)/(R_NIR+R_RED), (1)

式中, R_NIR和R_RED分别为海洋近红外和红光波段的表面反射辐射。王国伟等^[4]利用MODIS数据计算长时间序列的NDVI, 认为当NDVI> 0.5时就表明海面有大规模浒苔覆盖, 并据此研究了2008年和2009年我国黄海海域的浒苔爆发和漂移路线情况; 孙凌等^[20]利用FA-3A MERSI数据计算NDVI值, 对2008年5月至7月第29届奥帆赛举办期间, 青岛海域的绿潮状况进行了监测分析; 邢前国等^[3]基于MODIS和TM遥感数据, 以NDVI为定量监测指标, 针对不同水体状况设定不同NDVI阈值, 监测了2007— 2010年间黄海、东海的绿潮, 并指出在水体浑浊区需要使用高空间分辨率遥感图像进行监测更加有效。李三妹等^[1]以NDVI方法为基础监测了2008年5— 8月我国黄海海域浒苔的出现, 影响范围和移动路径。NDVI方法已经被作为国家海洋局浒苔灾害卫星遥感应急监视监测系统的业务化方法使用^[21]。

2008年, 南弗罗里达大学的学者^[22]利用MODIS数据, 使用NDVI方法也对2008年青岛海域浒苔爆发的范围和原因进行了研究, 指出NDVI方法在大型藻类的监测中存在较大的不确定性, 因为NDVI对卫星观测时的大气条件, 观测角度, 太阳角度和海洋环境的变化十分敏感, 在应用中需要配合图像处理技术和人工判读才能实现准确监测。为了克服NDVI应用的不确定性, 他提出了一种新的海洋浮游藻类指数FAI^[2], 即

FAI=R_{(rc, NIR)}- R(rc, NIR)', (2)

R(rc, NIR)'=R_{(rc, RED)}+(R_{(rc, SWIR)}-R_{(rc, RED)})× (λ _NIR-λ _RED)/(λ _SWIR-λ _RED)。(3)

式中, R_{(rc, NIR)}, R_{(rc, SWIR)}, R_{(rc, RED)}分别是经过瑞利散射校正后近红外、短波红外和红光波段的海洋表面反射辐射, λ _NIR, λ _SWIR, λ _RED分别指近红外, 短波红外和红光波段的波长。运用这个指数, Hu^{[2, 23]}成功进行了2008年我国青岛海域浒苔的监测和原因分析, 并证明该方法比NDVI法更加准确。Keesing等^[24]基于MODIS获取的灰度值使用这个方法, 研究了2007— 2009年间我国黄海浒苔绿潮的年季变化, 分析了与海岸带水藻养殖的关系。

相似的基于波段比值法的遥感藻类指数还有Shi等^[17]提出的归一化藻类指数NDAI, 其计算公式为

NDAI=[(R_{(t, NIR)}-R_{(r, NIR)})-(R_{(t, RED)}-R_{(r, RED)})]/[(R_{(t, NIR)}-R_{(r, NIR)})+(R_{(t, RED)}-R_{(r, RED)})](4)

式中, R_{(t, NIR)}, R_{(t, RED)}分别是近红外波段和红光波段的天顶反射辐射; R_{(r, NIR)}, R_{(r, RED)}分别是近红外波段和红光波段的瑞利散射反射辐射。利用这个方法和MODIS数据, Shi等^[17]得出2008年5— 7月我国青岛海域浒苔覆盖面积最高达到了4 000 km²。

与单波段阈值法相同, 多波段比值法也主要用于对水面浒苔的监测。

辐射传输模型法主要用于水中浒苔的监测, 其应用是通过对叶绿素a浓度的反演提取浒苔信息。但利用叶绿素a浓度信息提取浒苔信息的定量研究目前在国内外基本处于空白阶段, 还有待深入发展, 目前有关辐射传输模型法的研究大多都集中在叶绿素a浓度的反演上。

叶绿素a浓度的估算是海洋水色遥感的重要研究内容, 除了对海洋浮游植物的监测具有重要作用外, 对海洋初级生产力和海洋-大气系统中碳循环研究也具有重要意义, 因此国内外有大量研究成果。建立海水表面光谱辐射特征与海水中叶绿素a浓度的经验关系是最简单的方法, 因而在国内外的应用十分普遍。如针对SeaWiFs海洋水色卫星数据的各种算法和针对MODIS数据的叶绿素算法等^{[25, 26, 27]}。经验方法的缺点就是需要实测的叶绿素a浓度数据, 且具体情况不同经验参数不同, 因此基于实测数据建立的经验公式不存在普遍适用性^[28]。与经验法相比, 叶绿素a浓度反演模型法利用生物光学模型描述水体组分和水体光谱辐射特征之间的相关性, 具有较强的物理基础, 主要有代数法、人工神经网络法、非线性最优化法和主成分分析法。代数法是用代数表达式描述叶绿素等各个变量的吸收系数和散射系数等固有光学变量和各变量浓度的关系, 再利用各种假设最大限度地简化公式, 减少未知量, 从而使代数方程可求解。人工神经网络法是通过建立遥感信息与水体信息的某种近似映射关系而完成海水成分信息提取的, 被认为在二类水体复杂的光学特性与各成分浓度的非线性关系描述上比经验法和代数法更有优势^[29]。非线性最优化算法的原理是提出一种预测模型, 通过改变作为预测模型输入变量的气溶胶光学厚度以及叶绿素、总悬浮物、黄色物质几种水体组分的浓度值, 使根据模型计算光谱辐射的预测值和实际测量值之间的误差最小^[30]。Krawczyk等^[31]提出了基于主成分分析(principal component analysis, PCA)的水色反演算法, 该方法的核心是得到大气顶部光谱辐射和地球物理量之间的分段线性关系, 并将大气参数和水体组分浓度各参数都看作未知量同时反演, 因而不必进行大气校正, 这是主成分分析法的最大优点。

虽然叶绿素浓度的定量遥感方法很多, 但由于浒苔的遥感监测在近几年才得到广泛重视, 因此直接用于浒苔监测的应用实例还较少。另外, 海洋浮游植物几乎都含有叶绿素, 通过叶绿素信息如何准确鉴别浒苔这种植物类型仍是这种方法应用面临的挑战。目前, 在由叶绿素a浓度信息提取浒苔信息的研究方面还鲜有文献报道。