《Remote Sensing of Environment》：Identification of marine algal blooms by SDGSAT-1 multispectral imagery
姜珊珊|关荣达|邢启国|李杰|侯英卓|张文静|李琳|马哈茂德·阿里夫|李静虎|唐云伟
中国科学院烟台海岸带研究所，中国烟台 264003
摘要
随着全球海洋中藻华事件的增加，高分辨率卫星遥感技术在监测各种类型的海洋藻华方面变得越来越重要，这有助于支持海洋和海岸带的可持续发展。本研究探讨了利用可持续发展科学卫星1号（SDGSAT-1）的多光谱成像仪（MII）来检测和区分三个海域中的不同类型藻华：中国沿海水域、印度洋和大西洋。通过获取漂浮藻华（如Ulva prolifera、Sargassum、红/绿Noctiluca scintillans）以及非漂浮的、吸收光线的赤潮（黑水）的海表反射率，建立了用于进一步分析的光谱数据集。基于SDGSAT-1 MII的所有七个波段，特别是深蓝色（400 nm）和红边（776 nm）波段，开发了一种光谱可解释的决策树模型，实现了五种藻华类型的自动化提取和分类，在检测Ulva prolifera藻华时表现出比传统光谱指数更可靠的性能。同时，还使用相同的SDGSAT-1 MII数据集开发了机器学习模型，虽然该模型在识别沿海光学复杂水域中的黑水方面不如决策树模型稳健。此外，将这两种模型应用于没有400 nm波段的Sentinel-2 MSI时，识别五种藻华的能力有所下降，但仍有潜力将SDGSAT-1 MII与其他类似卫星传感器结合使用，以监测海洋藻华。本研究可以为利用SDGSAT-1 MII监测不同类型的藻华提供数据和技术支持，并推动基于高分辨率多光谱图像的海洋藻华遥感技术的发展。
引言
藻华现象在全球海洋中日益普遍，尤其是在复杂的沿海水域（Shang等人，2017；Fang等人，2017；Lin等人，2018；Bhattacharya和Dash，2021；Chen等人，2023；Dai等人，2023；Gernez等人，2023；Qi等人，2025）。在气候变化和人为活动的共同影响下，海洋藻华的地理分布范围扩大、发生频率增加且持续时间延长（Oduor等人，2023；Glibert，2020；Qi等人，2025）。在大多数情况下，海洋藻华被视为海洋污染或生态灾难（Sonak等人，2018；Gobler，2020；Uroosa等人，2021；Paulino等人，2024；Huang等人，2025）。大规模的藻华会对海洋生态系统和以海洋为基础的经济产生严重负面影响，例如引发缺氧并导致渔业资源损失（Chen等人，2023；Dai等人，2023；Wang等人，2023；Chen等人，2025），从而阻碍沿海地区的可持续发展。
海洋藻华有很多种类，可分为大型藻类和微藻（Blondeau-Patissier等人，2014；Gernez等人，2023）。大型藻华包括绿藻引起的绿潮和Sargassum引起的金潮（Smetacek和Zingone，2013），而微藻藻华通常由Noctiluca scintillans、Alexandrium spp等主导（Zhang等人，2020；Lee等人，2021；Detoni等人，2023）。海洋黑水是指由高强度微藻藻华引起的现象，这类藻华具有强吸收性和低后向散射特性（Carder和Steward，1985；Hu等人，2004；Dierssen等人，2006）。Hu等人（2004）研究了佛罗里达海岸的一次典型黑水事件，结果显示黑水羽流的上游区域Karenia brevis的微藻浓度很高。近年来，由其他藻类引起的黑水事件也时有报道，例如南非西海岸的Prorocentrum micans和Neoceratium furca（Branch等人，2013），2020年9月黄海和渤海的Takayama acrotrochaNoctiluca scintillans藻华（包括绿色和红色类型）（Qi等人，2020；Liu等人，2022；Zhang等人，2020）。这些藻华通常发生在沿海水域，对人类活动和生态系统产生显著影响。
由于藻华水域的叶绿素a（Chl-a）浓度通常远高于周围水域，因此广泛使用遥测叶绿素a浓度来检测藻华（Qiu等人，2011；He等人，2013；Xing等人，2015）。Hu（2009）提出了漂浮藻类指数（FAI），该指数相比归一化植被指数（NDVI）和增强植被指数（EVI）具有某些优势。Xing和Hu（2016）提出了虚拟基线漂浮大型藻类高度（VB-FAH）指数，扩展了无需短波红外波段的光学相机的应用范围。Son等人（2012）为静止轨道GOCI图像开发了漂浮绿藻指数（IGAG）。Kim等人（2009）基于MODIS图像提出了赤潮指数，并在韩国沿海水域进行了验证。Detoni等人（2023）利用Sentinel-2/3数据开发了归一化Noctiluca指数，用于检测西班牙北部沿海水域的红色Noctiluca藻华。Ou等人（2025）基于Sentinel-2的近红外、短波红外和绿色波段研究了Tristimulus藻华，并构建了混合藻华指数（MABI），以区分混合藻华和单一物种藻华。
近年来，用于检测和绘制藻华的机器学习方法受到了广泛关注（Wang和Hu，2021；Gómez等人，2021；Xiao等人，2024；Colkesen等人，2024；Li等人，2024）。Hill等人（2020）通过结合多种机器学习模型（包括卷积神经网络（CNN）、长短期记忆（LSTM）网络、随机森林（RF）和支持向量机（SVM），成功检测到了佛罗里达沿海水域的Karenia brevis藻华。Davis等人（2023）通过比较人工神经网络（ANN）、随机森林回归（RFR）、多元回归（MVR）和支持向量回归（SVR）模型的结果，监测了美国犹他湖的藻华。Jang等人（2024）使用随机森林模型观察和预测了黄海的有害藻华。这些机器学习模型通常依赖于大量高质量训练数据，这可能限制了它们在不同地区和多源遥感图像中的适用性（Xiao等人，2024）。
高空间分辨率的卫星光学遥感提供了关于藻华的独特信息，如起源和生物量，这对相关决策（如藻华危害的缓解）非常有帮助。Xing等人（2017、2018、2019）使用Landsat-5和Gaofen-1卫星追踪了黄海和东海中漂浮的大型藻类Ulva prolifera（绿潮）和Sargassum（金潮）的起源。Yu等人（2023）使用深度学习方法在中国沿海海域的Sentinel-2光学图像中检测和区分了漂浮的Ulva prolifera和Sargassum绿色藻华。Xing等人（2023）利用Landsat-8、Sentinel-2和无人机获取的图像，绘制了浅水区Ulva pertusa的绿潮分布。通过各种高分辨率卫星图像也估算了漂浮大型藻类的生物量（Xing等人，2018；Hu等人，2019a）。Rodríguez-Benito等人（2020）利用Sentinel-2和Sentinel-3数据及归一化叶绿素指数（NDCI）监测了智利南部沿海的有害藻华。Acar等人（2024）使用Sentinel-2卫星实现了南极地区Chlorella藻华的自动化检测和识别。Zhou等人（2018）利用HJ-1卫星数据根据光谱差异区分了两种类型的藻华。Gernez等人（2023）分析了Sentinel-2反射光谱，为高分辨率识别不同类型的赤潮奠定了坚实基础。
目前，有许多光学卫星传感器可用于监测海洋藻华，如MODIS、SeaWiFS、VIIRS、MERIS、GOCI、COCTS、CZI（HY-1C/D）、Landsat、Sentinel-2。然而，缺乏对各种类型藻华的高分辨率检测能力（Gokul等人，2019），而这对于实现可持续发展目标（SDG）14至关重要，特别是SDG 14.1（减少海洋污染）、SDG 14.2（保护海洋生态系统）、SDG 14.5（保护沿海和海洋区域）和SDG 14.7（可持续管理水产养殖）。2021年，中国发射了可持续发展科学卫星1号（SDGSAT-1），这是首颗专门为联合国可持续发展目标服务的卫星。SDGSAT-1配备了一个多光谱成像仪（MII），具有7个光谱波段，空间分辨率为10米，扫描宽度为300公里，重访周期为11天，为SDGSAT-1 MSI在沿海环境监测和评估中的应用提供了广阔前景（Li等人，2025）。
利用SDGSAT-1 MII数据检测上述典型的大型藻类和微藻藻华，将为沿海海洋生态灾害监测提供一种有用的方法。基于各种藻华的光谱特征，本研究利用高分辨率的SDGSAT-1 MII数据开发了决策树模型和机器学习模型，这些模型整合了所有七个波段，包括具有明显特征的深蓝色（400 nm、438 nm）和红边（776 nm）波段，从而同时检测多种藻华。
研究区域和数据
在不同海域进行了实地调查，并收集了现场反射率数据，以探讨五种不同藻华的光谱特征（图1）。自2008年以来，在夏季对黄海的Ulva prolifera进行了反射率测量（Xing和Hu，2016；Xing等人，2019）；自2017年以来，在冬季、春季或夏季对黄海沿海水域的Sargassum进行了反射率测量（Xing等人，2017）；红色Noctiluca
SDGSAT-1典型特征和藻华的反射率
经过FLAASH大气校正后，图5显示了四种典型地表特征的光谱特征。2021年11月12日获取的SDGSAT-1图像分析表明，对于陆地植被，在550 nm附近观察到一个小的反射峰，两侧分别在447 nm和657 nm处有吸收带（Davies等人，2023）；在近红外区域，观察到了明显的“红边”现象。含有沉积物的水域表现为“Sea”
利用光谱指数和决策树模型提取藻华
已经提出了许多常见的藻华指数来监测不同类型的藻华，如NDVI（Hu和He，2008）、NDCI（Rodríguez-Benito等人，2020）、FAI（Hu，2009）、VB-FAH、DVI（Xing和Hu，2016）、SUI-I（Sun等人，2021）、赤潮检测指数（RDI，Shen等人，2019）等。尽管这些常见指数可以划定藻华的具体区域，但它们在提取过程中存在不准确性的问题，并且无法区分不同类型的藻华。
结论与未来展望
在本研究中，将SDGSAT-1 MII的所有七个波段纳入决策树模型和机器学习模型中，用于区分全球海洋中的五种典型藻华，即漂浮藻华（Ulva prolifera、Sargassum、红/绿Noctiluca scintillans）和非漂浮的赤潮（黑水）。结果表明，基于SDGSAT-1多光谱图像的这两种模型具有在监测海洋藻华实践中的应用潜力，尤其是在
CRediT作者贡献声明
姜珊珊：撰写——审稿与编辑、撰写——初稿、软件、方法论、正式分析、数据管理。关荣达：撰写——审稿与编辑、软件、方法论、正式分析。邢启国：撰写——审稿与编辑、撰写——初稿、监督、资源协调、项目管理、方法论、资金获取、正式分析、数据管理、概念化。李杰：软件、方法论、数据管理。侯英卓：撰写——审稿与编辑、数据
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究工作。
致谢
本研究得到了国家自然科学基金（编号42476175、42076188）、山东省科技创新计划（编号YDZX2024021）、中国科学院烟台海岸带研究所种子项目（编号YICE351030601）的支持。研究成果是可持续发展目标大数据国际研究中心（CBAS）开展的SDGSAT-1开放科学计划的一部分。SDGSAT-1的数据
