基于Otsu算法的太湖藍藻水華與水生植被遙感同步監(jiān)測方法

1、 基于Otsu算法的太湖藍藻水華與水生植被遙感同步監(jiān)測方法 曹鵬 梁其椿 李淑敏Summary：藍藻水華與水生植被在光學(xué)遙感影像上容易混淆，傳統(tǒng)方法將太湖劃分為藻型湖區(qū)和草型湖區(qū)進行分區(qū)監(jiān)測，近年來太湖梅梁湖等藍藻水華易發(fā)區(qū)域出現(xiàn)了大量的水生植物，分區(qū)的方法已無法滿足藍藻水華和水生植被遙感監(jiān)測要求?；诠庾V特征分析，采用藍藻水華與水生植被指數(shù)（cyanobacteria and macrophytes index，簡稱CMI）判別藍藻水華與水生植被水域，采用浮游藻類指數(shù)（floating algae index，簡稱FAI）識別藍藻水華、浮葉/挺水植被與沉水植被，構(gòu)建同步監(jiān)測決策樹，基于Ots

2、u算法自動獲取閾值，將中分辨率成像光增儀（MODIS）衛(wèi)星影像分成湖水、藍藻水華、沉水植被和浮葉/挺水植被幾種類型。結(jié)果表明，分類結(jié)果較好，符合太湖不同地物類型實際分布情況;與相關(guān)研究HJ衛(wèi)星影像東部湖區(qū)水生植被監(jiān)測結(jié)果進行交叉檢驗，水生植被的空間分布基本一致，一致性檢驗結(jié)果顯示，2種分類結(jié)果一致的像元比例為70.11%。實現(xiàn)藍藻水華及水生植物的同步遙感監(jiān)測，有助于精確評估藍藻水華的實際強度和水生植被區(qū)范圍，為富營養(yǎng)化湖泊的水環(huán)境管理和決策提供重要的科技支撐。Key：藍藻水華;水生植被;太湖;Otsu;MODIS：Q178.5 文獻標(biāo)志碼： A ：1002-1302（2019）14-0288-

3、07藻類大量繁殖引起的水華現(xiàn)象對湖泊水環(huán)境影響顯著，表現(xiàn)為降低水體透明度、提高pH值以及大量消耗水中氧氣1，進而影響水生動植物的群落結(jié)構(gòu)和生物多樣性2，水華是湖泊水體富營養(yǎng)化的重要特征3。我國是世界上藍藻水華暴發(fā)最嚴(yán)重、分布最廣的國家之一4。衛(wèi)星遙感具有快速、周期性、大范圍等特點，已經(jīng)成為湖泊藍藻水華監(jiān)測與預(yù)測預(yù)警不可或缺的技術(shù)手段5。衛(wèi)星監(jiān)測藍藻水華的主要依據(jù)是近紅外波段處明顯的植物特征“陡坡效應(yīng)”6，而水生植被也有類似的光譜特征，在光學(xué)遙感影像上容易與水華混淆7。由于太湖水生植被主要分布在太湖東部8，區(qū)別于水華易發(fā)區(qū)（太湖西部和北部）5，所以目前太湖藍藻水華的遙感監(jiān)測通常將東太湖水生植被區(qū)

4、進行掩膜處理，該水域不再考慮水華的發(fā)生9。2012年以來，隨著太湖各種污染整治和生態(tài)修復(fù)措施的深入實施，太湖梅梁湖、貢湖以及南太湖等藍藻水華易發(fā)區(qū)域，出現(xiàn)了大量的水生植物（以菹草、馬來眼子菜、荇菜為主），面積可達數(shù)十平方公里10。此時，傳統(tǒng)太湖藍藻水華日常遙感監(jiān)測方法會將水生植物誤判為藍藻水華，嚴(yán)重影響了藍藻水華的遙感監(jiān)測精度;此外，為減少大量水生植物對航運帶來的不利影響，當(dāng)?shù)叵嚓P(guān)部門會定期收割，造成水生植物區(qū)的人為性變化;再加上太湖主要優(yōu)勢水生植物具有不同的生活史，生長期差異顯著，水生植物的時空分布短期變化顯著。綜合上述因素，采取固定水生植物區(qū)方式已無法適應(yīng)水生植物的時空變化情形和滿足藍藻水

5、華與水生植被遙感監(jiān)測的要求。由于藍藻水華水體與水生植被水體均具有植被的光譜特征，尤其是紅光波段的反射谷和近紅外波段的反射峰，導(dǎo)致衛(wèi)星遙感難以判別藍藻水華與水生植被，加大了同步監(jiān)測藍藻水華與水生植被的難度7，11-12。相關(guān)研究表明，水生植被在短波紅外波段（short-wave infrared，簡稱SWIR）的反射率高于藍藻水華水體13-14。Oyama等基于短波紅外波段處藍藻水華水體與水生植被水體的光譜差異，使用Landsat TM/ETM+數(shù)據(jù)，結(jié)合歸一化水指數(shù)（normalized difference water index，簡稱NDWI）和浮游藻類指數(shù)（floating algae

6、index，簡稱FAI）構(gòu)建決策樹判別日本3個湖（Lakes Kasumiguara、Inba-numa、Tega-muma）的藍藻水華水體與水生植被水體7，筆者將該方法應(yīng)用于太湖，結(jié)果顯示不能有效實現(xiàn)太湖藍藻水華與水生植被的同步檢測，主要由于太湖藍藻水華強度較大，而水生植被多為浮葉植被和沉水植被交替生長，導(dǎo)致藍藻水華與水生植被的NDWI值不能被顯著區(qū)分。Liu等則結(jié)合了植被信號出現(xiàn)頻率指數(shù)（vegetation presence frequency，簡稱VPF）和FAI建立決策樹，應(yīng)用20032013年的中分辨率成像光譜儀（MODIS）衛(wèi)星數(shù)據(jù)，實現(xiàn)了太湖藍藻水華與水生植被的衛(wèi)星遙感判別15

7、，不過這種判別方法不能應(yīng)用于太湖藍藻水華與水生植被的日常遙感同步監(jiān)測，因為VPF是基于整年的遙感數(shù)據(jù)統(tǒng)計分析所得。Liang等基于藍藻水華與水生植被的光譜特征在藍光波段、綠光波段和短波紅外波段處的差異，構(gòu)建藍藻水華與水生植被的判別指數(shù)（cyanobacteria and macrophytes index，簡稱CMI），結(jié)合CMI和FAI構(gòu)建太湖藍藻水華與水生植被MODIS衛(wèi)星同步監(jiān)測決策樹，并基于20102015年MODIS/Aqua Rrc數(shù)據(jù)統(tǒng)計分析獲取遙感指數(shù)的閾值16，通過統(tǒng)計學(xué)方法確定的閾值對于不同季節(jié)、不同藍藻水華暴發(fā)強度等情況會存在較大的誤差。本研究針對富營養(yǎng)化湖泊中藍藻水華水

8、體和水生植被水體在光學(xué)遙感影像上容易混淆的問題，以太湖為研究區(qū)，結(jié)合已有的研究理論基礎(chǔ)分析太湖典型地物的光譜特征差異，基于光譜特征差異選用遙感指數(shù)識別藍藻水華和水生植被，并進一步識別不同類型水生植被，提出太湖藍藻水華與水生植被的MODIS衛(wèi)星同步監(jiān)測方法。本研究擬解決藍藻水華和水生植物遙感監(jiān)測混淆的問題，實現(xiàn)太湖藍藻水華及水生植物的同步遙感監(jiān)測，是提高太湖藍藻水華遙感監(jiān)測精度研究中亟待解決的一個科學(xué)問題和關(guān)鍵技術(shù)，有助于精確評估藍藻水華的實際強度和水生植被區(qū)范圍，正確把握藍藻水華及湖泊生態(tài)系統(tǒng)的態(tài)勢，提高預(yù)測精度，為富營養(yǎng)化湖泊的水環(huán)境管理和決策提供重要的科技支撐。1 研究區(qū)與數(shù)據(jù)來源1.1

9、研究區(qū)太湖（11952321203610E，305540313258N）位于長江中下游平原，是典型的大型淺水湖泊17。太湖區(qū)位條件獨特，在我國東部地區(qū)的社會、經(jīng)濟發(fā)展中發(fā)揮著重要的作用，其梅梁湖區(qū)、貢湖區(qū)、胥湖區(qū)是無錫、蘇州等城市的主要供水水源地18。太湖水域面積為 2 338 km2，南北長約68.5 km，東西平均寬34 km，湖岸線總長405 km。太湖正常水位下容積為44.3億m3，平均水深為 1.9 m，多年平均年吞吐量為52億m3，具有蓄洪、供水、灌溉、航運、旅游等多種功能19，同時又是流域內(nèi)最重要的供水水源地，不僅擔(dān)負(fù)著無錫、蘇州、湖州等大中城市的城鄉(xiāng)供水，還具有向下游地區(qū)供水并

10、改善水質(zhì)的作用20。太湖藍藻水華通常暴發(fā)在梅梁灣、貢湖、竺山灣以及大太湖等湖區(qū)21，而胥口湖、東太湖等湖區(qū)則多分布著大量的水生植被，極少出現(xiàn)藍藻水華15，所以相關(guān)研究將太湖劃分為藻型湖區(qū)和草型湖區(qū)（圖1）22。根據(jù)水生植物的生長狀態(tài)可以分為浮葉植物、挺水植物、沉水植物23，由于植物葉片和水體光譜特征差異較大，在遙感影像上有明顯的區(qū)別，所以本研究將太湖不同類型的水生植被歸結(jié)為2種類型：葉片在水面以上的（浮葉/挺水植被）與葉片在水面以下的（沉水植被），與已有相關(guān)研究一致24。1.2 MODIS衛(wèi)星數(shù)據(jù)MODIS數(shù)據(jù)的獲取廉價、方便，數(shù)據(jù)光譜范圍廣（波長范圍為40514 385 nm，光譜分辨率為1

11、015 nm），時間分辨率高（Terra和Aqua這2個衛(wèi)星每天至少各覆蓋太湖區(qū)域1次），空間分辨率適用于太湖這樣的大型湖泊，對富營養(yǎng)化湖泊藍藻水華日常監(jiān)測和藍藻水華短期空間分布變化等研究具有重要意義，是目前太湖藍藻水華日常監(jiān)測通常采用的衛(wèi)星傳感器9。從美國國家航空航天局（NASA）官方網(wǎng)站可以免費下載獲得MODIS L0級產(chǎn)品（DN值），L0級產(chǎn)品需要進行輻射定標(biāo)、大氣校正和幾何校正，其中，大氣校正包括瑞利校正和氣溶膠校正，由于大氣中的分子成分較為固定，瑞利散射校正可以通過數(shù)值計算進行瑞利散射部分的去除25，而氣溶膠成分、濃度和粒徑分布隨時間、區(qū)域和高度均發(fā)生變化，難以估算其對遙感信號的貢獻

12、25。對于內(nèi)陸湖泊水體，由于其復(fù)雜的氣溶膠與水體特征，目前還沒有普適的大氣校正方法，如果采用傳統(tǒng)的大氣校正方法，會導(dǎo)致可見光范圍出現(xiàn)明顯的錯誤26。所以，本研究借鑒國際上基于MODIS的水色遙感研究，使用經(jīng)過瑞利校正和吸收氣體校正的反射率（rayleigh corrected reflectance，簡稱Rrc無量綱）27。采用CMI和FAI構(gòu)建決策樹對太湖藍藻水華和水生植被進行衛(wèi)星遙感同步監(jiān)測需要確定4個分類閾值：CMI判別藍藻水華水體與水生植被水體閾值、FAI識別藍藻水華閾值、FAI識別沉水植被閾值和FAI識別浮葉/挺水植被閾值。其中FAI識別藍藻水華閾值和FAI識別沉水植被閾值采用現(xiàn)有研

13、究中受認(rèn)可的太湖植被信號FAI識別閾值（-0.004）33，基于Otsu算法獲取其他2個閾值。對MODIS衛(wèi)星數(shù)據(jù)進行預(yù)處理后，得到Rrc數(shù)據(jù)，使用MATLAB（R2014a版本）計算Rrc數(shù)據(jù)的CMI和FAI，并基于Otsu算法計算CMI和FAI的最佳分割閾值CMI_Otsu和 FAI_Otsu，即CMI判別藍藻水華水體與水生植被水體閾值和FAI識別浮葉/挺水植被閾值。2.4 構(gòu)建同步監(jiān)測決策樹結(jié)合CMI和FAI構(gòu)建太湖藍藻水華與水生植被MODIS衛(wèi)星同步監(jiān)測決策樹，如圖3所示。采用MODIS衛(wèi)星Rrc數(shù)據(jù)，逐像元計算CMI和FAI：CMI大于CMI_Otsu且FAI大于-0.004的像元為

14、藍藻水華像元;CMI小于CMI_Otsu且FAI大于-0.004而小于FAI_Otsu的像元為沉水植被像元;CMI小于CMI_Otsu且FAI大于-0.004和FAI_Otsu的像元為浮葉/挺水植被像元;其他情況的像元為普通湖水像元。2.5 交叉檢驗交叉檢驗即利用經(jīng)過驗證的已知精度的衛(wèi)星產(chǎn)品對待檢驗衛(wèi)星產(chǎn)品進行檢驗。本研究使用ArcGIS（10.1版本）將分類結(jié)果分別與相關(guān)研究的HJ衛(wèi)星分類結(jié)果進行交叉檢驗，主要有以下步驟：第1步：使用project raster工具對MODIS分類結(jié)果柵格數(shù)據(jù)進行重投影，使2種分類結(jié)果投影保持一致。第2步：使用resample工具對MODIS分類結(jié)果柵格數(shù)據(jù)

15、進行重采樣，使2種分類結(jié)果的空間尺度保持一致。第3步：使用raster calculator工具進行柵格計算，將2種衛(wèi)星產(chǎn)品分類結(jié)果一致的柵格賦值1，2種分類結(jié)果不一致的柵格賦值0。設(shè)檢驗結(jié)果中，等于1的柵格數(shù)量為m，等于0的柵格數(shù)量為n，則2種分類結(jié)果一致的柵格占比為m/（m+n）。3 結(jié)果與驗證3.1 遙感指數(shù)識別性能由圖4-a可知，在2013年9月8日MODIS/Aqua影像上選擇5種典型地物類型（藍藻水華、大太湖湖水、胥口湖湖水、沉水植被和浮葉/挺水植被）的1010像元尺寸感興趣區(qū)（region of interest，簡稱ROI）。統(tǒng)計5種典型地物類型ROI中的Rrc值，分別計算不同

16、地物的CMI、FAI值，結(jié)果如圖4-b所示：CMI藍藻水華CMI水生植被，F(xiàn)AI藍藻水華FAI普通湖水，F(xiàn)AI水生植被FAI普通湖水，F(xiàn)AI浮葉/挺水植被FAI沉水植被，表明應(yīng)用于MODIS衛(wèi)星數(shù)據(jù)，CMI能有效分離藍藻水華水體和水生植被水體，F(xiàn)AI能有效分離普通湖水和植被水體（包括藍藻水華與水生植被）并識別不同類型的水生植被（浮葉/挺水植被和沉水植被）。3.2 太湖藍藻水華與水生植被同步監(jiān)測結(jié)果選取2017年4月29、30連續(xù)2 d的MODIS/Aqua影像進行分類，分類結(jié)果如圖5所示，將衛(wèi)星影像分成湖水、藍藻水華、沉水植被和浮葉/挺水植被幾種類型。分類結(jié)果較好，有效提取出4種太湖典型地物類

17、型：藍藻水華主要分布在梅梁灣、貢湖、竺山灣以及大太湖等湖區(qū);胥口湖、東太湖等湖區(qū)則分布著大量的水生植被;在梅梁灣和竺山灣有少量沉水植被分布。對于連續(xù)2 d的分類結(jié)果，水生植被的空間分布變化不大，而藍藻水華的空間分布有較大的差異，與實際情況相符。3.3 東部湖區(qū)水生植被高空間分辨率衛(wèi)星監(jiān)測結(jié)果交叉檢驗東部湖區(qū)是太湖水生植被的主要分布水域，Luo等基于光譜特征構(gòu)建太湖東部湖區(qū)水生植被監(jiān)測決策樹，對2013年9月26日HJ/CCD衛(wèi)星影像（空間分辨率為30 m）進行分類10。本研究采用2013年9月26日MODIS數(shù)據(jù)進行分類，與Luo等的分類結(jié)果進行交叉檢驗（圖6），2種方法分類結(jié)果整體保持一致，

18、貢湖、胥口湖、東太湖等區(qū)域中沉水植被和浮葉/植被的分布都基本同步，貢湖南部以沉水植被為主，沿岸水域有少量浮葉/挺水植被分布;胥口湖區(qū)也是以沉水植被為主，在中間布有浮葉/挺水植被;太湖南部沿岸，沿著湖岸分布著浮葉/挺水植被，并夾雜著少量沉水植被;東太湖呈浮葉/挺水植被包圍沉水植被生長之勢。使用ARCGIS對MODIS衛(wèi)星分類結(jié)果進行重投影、重采樣、柵格計算，與HJ衛(wèi)星分類結(jié)果進行一致性檢驗，結(jié)果（圖7）表明，2種分類結(jié)果一致的像元比例為70.11%，不一致的像素主要分布在水陸交界帶和不同地物交界帶（湖水與水生植被的交界帶和沉水植被與浮葉/挺水植被交界帶），這是由于MODIS衛(wèi)星影像空間分辨率（2

19、50 m）遠低于HJ衛(wèi)星影像空間分辨率（30 m）帶來的混合像元問題。4 干擾因素分析4.1 Otsu獲取閾值偏差Otsu算法對噪聲以及目標(biāo)大小十分敏感，它僅對類間方差為單峰的圖像產(chǎn)生較好的分割效果。當(dāng)目標(biāo)與背景的大小比例懸殊時（例如受光照不均、反光或背景復(fù)雜等因素影響），類間方差準(zhǔn)則函數(shù)可能呈現(xiàn)雙峰或多峰，此時效果不好。當(dāng)藍藻水華暴發(fā)強度極大時，高強度藍藻水華和水生植被的CMI值懸殊，Otsu算法對CMI值進行分割確定閾值時，類間方差出現(xiàn)多峰，如圖8所示，對藍藻水華暴發(fā)強度極大的2013年8月9日MODIS影像進行分類，Otsu算法獲取的CMI閾值為0.063，導(dǎo)致竺山灣部分藍藻水華被誤判為

20、沉水植被。4.2 云覆蓋云覆蓋是遙感影像處理中最常遇到的噪聲之一，給影像識別造成干擾，大大降低遙感影像分類精度34。目前，研究人員在實際應(yīng)用中多采用多天數(shù)據(jù)的合成方式來減少云的影響。然而，短周期的合成數(shù)據(jù)不能完全排除云的干擾，周期過長又喪失時間效率，不適合短期監(jiān)測35。因此，最有效的方法是對每天的數(shù)據(jù)均進行云檢測處理，移除數(shù)據(jù)中的云像素36。云在可見光和紅外波段與植被、土壤以及水域等下墊面介質(zhì)的反射率和輻射亮溫存在差異，云具有較高的反射率而具有較低的亮溫37。在海洋水體中，波段閾值法比較受認(rèn)可的是Rrc（869）0.02738;對于二類水體，Wang等提出了Rrc（1 240）0.023 5

21、和Rrc（1 640）0.021 539，Hu等提出了Rrc（1 640）0.0333;Liang等基于20102015年太湖無云MODIS/Aqua影像數(shù)據(jù)計算Rrc（1 240）在取不同閾值時的可用數(shù)據(jù)比例，Rrc（1 240）取0.1為閾值，可以保證每個月份的可用數(shù)據(jù)比例都高于90%，而Rrc（1 240）0.03將損失20%60%的有用數(shù)據(jù)16。本研究基于3種算法對2016年6月5日的MODIS影像進行云提取，如圖9所示，Rrc（869）0.027和Rrc（1 240）0.03幾乎將整個太湖水域誤判為云，而 Rrc（1 240）0.1 云提取效果良好，所以本研究采用的去云方法為Rrc（

22、1 240）0.1。4.3 氣溶膠與觀測角度大氣氣溶膠是由大氣介質(zhì)和混合于其中的固體或液體顆粒物組成的體系，由不同相態(tài)物體組成，雖然其含量很少，但對大氣中發(fā)生的許多物理化學(xué)過程都有重要的影響40。湖面上空氣溶膠分布類型比海面更為復(fù)雜、多變，類水體的大氣校正是國際水色遙感的難題41。不過相關(guān)研究已經(jīng)證明，基于光譜形狀構(gòu)建遙感指數(shù)，能有效減小氣溶膠等大氣因素對指數(shù)的影響27。相關(guān)研究已經(jīng)證明，CMI和FAI分別通過減除“藍光-短波紅外”和“紅光-短波紅外”基線，進行了簡單快速的大氣校正，相對不容易受氣溶膠類型和厚度、太陽高度角和耀斑等環(huán)境和觀測條件變化的影響27。4.4 混合像元遙感影像中像元很少

23、是由單一均勻的地表覆蓋類組成的42，尤其是MODIS這樣空間分辨率較低的衛(wèi)星影像，一般都是覆蓋幾種地物的混合像元?；旌舷裨獑栴}也給遙感解譯帶來了困擾，降低了遙感分類的精度。如圖6所示，MODIS衛(wèi)星分類結(jié)果較HJ衛(wèi)星分類結(jié)果缺少了在東太湖中心區(qū)域浮葉/挺水植被和沉水植被交替生長的細(xì)節(jié)。5 結(jié)論基于藍藻水華與水生植被的光譜特征分析，采用CMI判別藍藻水華與水生植被水域，采用FAI識別藍藻水華、浮葉/挺水植被與沉水植被，在MODIS/Aqua影像上選擇5種典型地物類型1010像元尺寸ROI計算不同地物的CMI、FAI值，結(jié)果表明，CMI能有效分離藍藻水華水體和水生植被水體，F(xiàn)AI能有效分離普通湖水

24、和植被水體（包括藍藻水華與水生植被）和識別不同類型水生植被（浮葉/挺水植被和沉水植被）。結(jié)合CMI和FAI構(gòu)建太湖藍藻水華與水生植被MODIS衛(wèi)星同步監(jiān)測決策樹，基于Otsu算法自動獲取決策樹閾值，將衛(wèi)星影像分成了湖水、藍藻水華、沉水植被和浮葉/挺水植被幾種類型，分類結(jié)果較好，符合太湖不同地物類型實際分布情況。針對太湖水生植被的主要分布的東部湖區(qū)，與Luo等的HJ/CCD衛(wèi)星影像分類結(jié)果進行交叉檢驗，2種方法分類結(jié)果中不同類型水生植被的空間分布基本一致，一致性檢驗結(jié)果顯示，2種分類結(jié)果一致的像元比例為70.11%，不一致的像素主要分布在水陸交界帶和不同地物交界帶（湖水與水生植被的交界帶和沉水植

25、被與浮葉/挺水植被交界帶）。分別圍繞Otsu獲取閾值偏差、云覆蓋、氣溶膠與觀測角度以及混合像元等展開了監(jiān)測精度干擾因素分析：當(dāng)藍藻水華暴發(fā)強度極大時，Otsu算法獲取的CMI閾值偏高;采用Rrc（1 240）0.1剔除云覆蓋;本研究的監(jiān)測方法對于氣溶膠厚度、氣溶膠類型和觀測角度等因素有良好的阻抗性。Reference：1Carpenter S R，Caraco N F，Correll D L，et al. Nonpoint pollution of surface waters with phosphorus and nitrogenJ. Ecological Applications，199

26、8，8（3）：559-568.2Havens K E . Cyanobacteria blooms：effects on aquatic ecosystemsM. New York：Springer，2008：68-69.3孔繁翔，高 光. 大型淺水富營養(yǎng)化湖泊中藍藻水華形成機理的思考J. 生態(tài)學(xué)報，2005，25（3）：589-595.4吳慶龍，謝 平，楊柳燕，等. 湖泊藍藻水華生態(tài)災(zāi)害形成機理及防治的基礎(chǔ)研究J. 地球科學(xué)進展，2008，23（11）：1115-1123.5馬榮華，孔繁翔，段洪濤，等. 基于衛(wèi)星遙感的太湖藍藻水華時空分布規(guī)律認(rèn)識J. 湖泊科學(xué)，2008，20（6）：687-

27、694.6段洪濤，張壽選，張淵智. 太湖藍藻水華遙感監(jiān)測方法J. 湖泊科學(xué)，2008，20（2）：145-152.7Oyama Y，Matsushita B，F(xiàn)ukushima T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Landsat/TM and ETM+shortwave infrared bandsJ. Remote Sensing of Environment，2014，157：35-47.8張壽選，段洪濤，谷孝鴻. 基于水體透明度反演的太湖水生植被遙感信息提取J. 湖泊科

28、學(xué)，2008，20（2）：184-190.9馬榮華. 湖泊水環(huán)境遙感M. 北京：科學(xué)出版社，2010：461.10Luo J H，Ma R H，Duan H T，et al. A new method for modifying thresholds in the classification of tree models for mapping aquatic vegetation in Taihu lake with satellite imagesJ. Remote Sensing，2014，6（8）：7442-7462.11李俊生，吳 迪，吳遠峰，等. 基于實測光譜數(shù)據(jù)的太湖水華和水生

29、高等植物識別J. 湖泊科學(xué)，2009，21（2）：215-222.12朱 慶，李俊生，張方方，等. 基于海岸帶高光譜成像儀影像的太湖藍藻水華和水草識別J. 遙感技術(shù)與應(yīng)用，2016，31（5）：879-885.13Gao B C. NDWI-a normalized differencewater index for remote sensing of vegetation liquid water from spaceJ. Remote Sensing of Environment，1996，58（3）：257-266.14Rogers A，Kearney M. Reducing signa

30、ture variability in unmixing coastal marsh Thematic Mapper scenes using spectral indicesJ. International Journal of Remote Sensing，2004，25（12）：2317-2335.15Liu X H，Zhang Y L，Shi K，et al. Mapping aquatic vegetation in a large，shallow eutrophic lake：a frequency-based approach using multiple years of MO

31、DIS dataJ. Remote Sensing，2015，7（8）：10295-10320.16Liang Q C，Zhang Y C，Ma R H，et al. A MODIS-Based novel method to distinguish surface cyanobacterial scums and aquatic macrophytes in lake taihuJ. Remote Sensing，2017，9（2）：133.17呂 恒，江 南，羅瀲蔥. 基于TM數(shù)據(jù)的太湖葉綠素a濃度定量反演J. 地理科學(xué)，2006，26（4）：472-476.18周立國，馮學(xué)智，王春紅，等

32、. 太湖藍藻水華的MODIS衛(wèi)星監(jiān)測J. 湖泊科學(xué)，2008，20（2）：203-207.19王同生. 太湖流域防洪與水資源管理M. 北京：中國水利水電出版社，2006：342.20許 妍，高俊峰，黃佳聰. 太湖濕地生態(tài)系統(tǒng)服務(wù)功能價值評估J. 長江流域資源與環(huán)境，2010，19（6）：646-652.21Duan H T，Ma R H，Xu X F，et al. Two-decade reconstruction of algal blooms in Chinas lake TaihuJ. Environmental Science & Technology，2009，43（10）：3522

33、-3528.22Zhao D H，Jiang H，Yang T W，et al. Remote sensing of aquatic vegetation distribution in Taihu Lake using an improved classification tree with modified thresholdsJ. Journal of Environmental Management，2012，95（1）：98-107.23Revenga C，Kura Y. Status and trends of biodiversity of inland water ecosys

34、temsM/ Status and Trends of Biodiversity of Inland Water Ecosystems. 2003.24Luo J H，Li X C，Ma R H，et al. Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake，ChinaJ. Ecological Indicators，2016，60（50）：503-513.25Gordon H R. Atmospheric c

35、orrection of ocean color imagery in the Earth Observing System eraJ. Journal of Geophysical Research-Atmospheres，1997，102（D14）：17081-17106.26Gordon H R，Clark D K. Clear water radiances for atmospheric correction of coastal zone color scanner imageryJ. Applied Optics，1981，20（24）：4175-4180.27Hu C M. A

36、 novel ocean color index to detect floating algae in the global oceansJ. Remote Sensing of Environment，2009，113（10）：2118-2129.28Vermote E F，El S N，Justice C O，et al. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces：Background，operational algorithm and validation

37、J. Journal of Geophysical Research Atmospheres，1997，102（D14）：17131-17141.29李素菊，吳 倩，王學(xué)軍，等. 巢湖浮游植物葉綠素含量與反射光譜特征的關(guān)系J. 湖泊科學(xué)，2002，14（3）：228-234.30周 藝，周偉奇，王世新，等. 遙感技術(shù)在內(nèi)陸水體水質(zhì)監(jiān)測中的應(yīng)用J. 水科學(xué)進展，2004，15（3）：312-317.31馮 偉，馮學(xué)智，馬榮華. 太湖水體葉綠素濃度與反射光譜特征關(guān)系的研究J. 遙感信息，2007（1）：18-21.32Thiemann S，Kaufmann H. Determination of chlorophyll content and tro