引用本文
孙琳, 毕卫红, 刘桐, 武家晴, 张保军, 付广伟, 金娃, 王兵, 付兴虎. 应用机载高光谱与机器学习法的绿藻识别算法研究[J]. 光谱学与光谱分析, 2023,43(11): 3637-3643.
SUN Lin, BI Wei-hong, LIU Tong, WU Jia-qing, ZHANG Bao-jun, FU Guang-wei, JIN Wa, WANG Bing, FU Xing-hu. Identification Algorithm of Green Algae Using Airborne Hyperspectral and Machine Learning Method[J]. Spectroscopy and Spectral Analysis, 2023,43(11): 3637-3643.
Doi:10.3964/j.issn.1000-0593(2023)11-3637-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
应用机载高光谱与机器学习法的绿藻识别算法研究
孙琳1, 毕卫红1, 刘桐1, 武家晴1, 张保军1, 付广伟1, 金娃1, 王兵2, 付兴虎1,*
1.燕山大学信息科学与工程学院, 河北省特种光纤与光纤传感重点实验室, 河北 秦皇岛 066004
2.秦皇岛红燕光电科技有限公司, 河北 秦皇岛 066004
*通讯作者 e-mail: fuxinghu@ysu.edu.cn

作者简介: 孙 琳, 女, 1998年生, 燕山大学信息科学与工程学院博士研究生 e-mail: linkkk@stumail.ysu.edu.cn

收稿日期: 2022-10-20 修回日期: 2023-06-28
基金: 国家重点研发计划项目(2019YFC1407904), 河北省省级科技计划项目(205A3901D)资助
摘要

绿潮是一种海洋大型藻暴发性生长聚集形成的藻华现象, 严重影响沿海的生态环境。 绿潮覆盖面积的精准监测对绿潮灾害预防、 监测和治理有着重要意义。 利用光谱方法进行遥感监测拥有非接触、 成本低和损耗小等优势, 其中机载高光谱遥感凭借其光谱和空间分辨率高及成像通道多的优势, 在海洋领域拥有广泛的应用前景。 利用大疆M300 RTK专业级无人机搭载410 Shark高光谱成像系统对秦皇岛市金梦海湾海域的绿藻暴发区进行数据采集。 对采集到的光谱数据进行数据预处理, 提取不同地物的光谱特征, 基于该特征构建了容量为30 000的光谱特征数据集, 随机的将数据集划分为训练集和测试集, 其中训练集占比75%, 测试集占比25%。 通过决策树、 随机森林、 支持向量机(SVM)、 K最近邻(KNN)和三输入的投票分类器五种机器学习算法建立高光谱绿潮反演模型。 对基于机载高光谱成像系统的地面分辨单元(GRC)计算绿潮暴发区的绿潮覆盖面积, 并基于数据集内准确率、 Kappa系数和预设标准面积误差验证法测试反演模型的分类精度。 结果表明: 在对高光谱数据进行绿藻像元和其他地物像元的二分类和利用所构建的分类器进行大数据预测时, 先进行波段选择可节约大量时间; 对高光谱数据进行对数处理增强谱间差异后再构建分类器模型, 可有效提高模型的分类准确率; 基于随机森林、 SVM和KNN的三输入的投票分类器建立的高光谱绿潮反演模型的反演精度最高, 数据集准确率达到98.95%, Kappa系数为0.978 9, 预设标准面积误差验证法得到的分类误差为6.06%。 通过对实验区高光谱图像的预测应用, 证明了该模型在预测大数据时仍保持较高准确率, 且对混合像元区的水中绿藻像元也能给出定义, 证明了该方法在绿潮遥感监测领域的可行性和优越性, 在绿潮面积监测领域具有普适性, 在海洋监测领域具有广泛的应用前景。

关键词: 海洋监测; 无人机; 高光谱; 绿潮; 机器学习
中图分类号:X834 文献标志码:A
Identification Algorithm of Green Algae Using Airborne Hyperspectral and Machine Learning Method
SUN Lin1, BI Wei-hong1, LIU Tong1, WU Jia-qing1, ZHANG Bao-jun1, FU Guang-wei1, JIN Wa1, WANG Bing2, FU Xing-hu1,*
1. School of Information Science and Engineering, The Key Laboratory for Special Fiber and Fiber Sensor of Hebei Province, Yanshan University, Qinhuangdao 066004, China
2. Qinhuangdao Hongyan Photoelectric Technology Co., Ltd., Qinhuangdao 066004, China
*Corresponding author
Abstract

The green tide is a kind of algal bloom phenomenon formed by the growth and aggregation of Marine macroalgae, which seriously affects the coastal ecological environment. Accurate monitoring of the coverage area of green tide is of great significance for preventing, monitoring and managing green tide disasters. The use of spectral methods for remote sensing monitoring has the advantages of non-contact, low cost and small loss, among which airborne hyperspectral remote sensing has a wide range of application prospects in the Marine field due to its advantages of high spectral and spatial resolution and more imaging channels. This study used DJI M300 RTK equipped with 410 Shark hyperspectral imaging system to collect data from the green algae outbreak area in The Dream of Bay, Qinhuangdao City. The collected spectral data were preprocessed to extract the spectral features of different ground objects. Based on the features, a spectral feature dataset with a capacity of 30 000 was constructed. The dataset was randomly divided into the training set and a test set, in which the training set accounted for 75% and the test set accounted for 25%. Five machine learning algorithms established the hyperspectral green tide inversion model, including Decision Tree, Random Forest, SVM, K-Nearest Neighbor and three-input voting classifier. The green algae coverage area in the green tide outbreak area was calculated by ground resolution cell (GRC) based on an airborne hyperspectral imaging system, and the classification accuracy of the inversion model was tested based on the in-dataset accuracy, Kappa coefficient and the preset standard area error verification method. The experimental results show that time can be saved by band selection first when the dichotomy of green algae pixels and other earth objects is performed on hyperspectral data and big data prediction is performed using the proposed classifier. The classification accuracy of the hyperspectral data can be effectively improved by logarithmic processing to enhance the differences between the spectra and then constructing the classifier model. The inversion accuracy of the hyperspectral green tide inversion model based on the three-input voting classifier of Random Forest, SVM and K-Nearest Neighbor is 98.95% in the dataset, and the Kappa coefficient is 0.978 9. The classification error obtained by the prespecified standard area error verification method is 6.06%. Applied through the experimental area of hyperspectral image prediction, it proved that the model in the prediction of big data still keeps high accuracy, and for the mixed pixels underwater algae pixels can also define, show that the method is feasible and superiorin the field of green tide remote sensing monitoring, in the field of green tide area monitoring has universality, has extensive application prospect in the field of marine monitoring.

Keyword: Marine monitoring; Unmanned aerial vehicle (UAV); Hyperspectral; Green tide; Machine learning
引言

绿潮是海洋大型藻暴发性生长聚集形成的藻华现象[1]。 自2007年以来, 以浒苔为主要原因种的绿潮于每年的5月— 7月间在我国黄海海域周期性大规模暴发, 已严重影响到该海域和沿海地区的生态环境[2, 3]。 除在黄海暴发外, 绿潮还相继在河北的秦皇岛海域和广西的北海海域暴发。 不仅对秦皇岛市的旅游业造成了强烈的负面影响, 而且对北戴河景区的海洋生态环境也构成了巨大威胁。 绿潮藻华面积是衡量绿潮灾情的一个重要指标, 及时准确地监测绿潮面积是预防灾害、 掌握灾情和灾后治理的关键。

目前, 海洋监测领域对绿潮灾情的监测方法主要有走航式调查、 卫星遥感和无人机遥感监测方法。 传统的走航式调查通过科研考察船等在研究海域进行连续观测[4], 通过监测绿潮分布区域的包络线监测绿潮覆盖面积, 耗费的人力、 物力大。 卫星遥感通过GOCI、 Landsat、 MODIS、 HY-1C和GF卫星等获得研究海域的多光谱图像[5, 6, 7, 8, 9, 10, 11], 通过绿藻的光谱特征对绿藻进行识别, 进而监测绿潮覆盖面积。 卫星遥感监测的监测频率高, 范围广, 但监测数据受云层遮挡的大气影响, 且空间和光谱分辨率低, 监测得到的数据存在大量混合像元, 给后续的数据处理带来较大的分类难度和误差。 无人机遥感利用搭载光谱成像仪的无人机对研究海域进行航拍[12, 13, 14], 耗材少, 灵活性高, 同时具有高空间和光谱分辨率, 但由此带来严重的数据冗余现象, 为数据处理和模型建立带来难度[15]。 目前, 学者们采用的识别方法主要有植被指数和机器学习算法。 植被指数法, 如归一化植被指数(NDVI)、 比值植被指数(RVI)和绿度植被指数等[5, 7, 9, 10, 11, 13, 14], 应用广泛、 计算量少, 但监测复杂的海洋环境时易引入大量误差。 机器学习算法通过数据集构建模型对样本进行预测, 高光谱数据存在大量的数据冗余, 在处理高光谱数据时需进行预处理减少计算量[6, 16]。

本工作采用机载高光谱成像系统对河北秦皇岛的金梦海湾海域了进行图像和光谱数据采集, 运用决策树分类器、 随机森林分类器、 支持向量机、 K最近邻分类器和投票分类器完成像元分类工作并进行分类结果对比和分类精度评价, 选出最佳的机器学习分类算法并应用于绿藻识别算法的研究和绿潮面积监测。

1 实验部分
1.1 高光谱数据的采集

于2021年4月26日进行了野外实验, 实验地点为河北省秦皇岛市金梦海湾海域, 天气晴朗无云。 采用大疆M300 RTK专业级无人机搭载410 Shark高光谱成像系统获取实验区域的高光谱原始图像, 无人机和高光谱成像系统如图1所示。

图1 大疆M300 RTK无人机与410 Shark高光谱成像系统Fig.1 DJI M300 RTK and 410 Shark hyperspectral imaging system

410 Shark机载高光谱成像系统配备的高光谱传感器光谱范围为400~1 000 nm, 光谱分辨率为2 nm, 共计150个波段。 实验前在沙滩上人为预设一个1 m× 1 m的绿藻标准面积用于数据处理误差分析。 无人机起飞前在拍摄区域放置反射率校正布。 共飞行一次, 包含三条航带。 飞行拍摄区域的主要藻种为龙须菜、 浒苔等。

1.2 研究方法

1.2.1 图像预处理

(1)样本选择

人工目视检查航拍得到的高光谱图像, 裁剪去除因无人机转弯变相和阵风引起无人机发生抖动而造成的图像扭曲部分; 选取一张绿潮覆盖面积较多的航道影像作为实验对象继续进行高光谱图像预处理操作。 考虑到传感器本身的暗角效应, 选取高光谱图像的第100— 599列为实验图像。

实验图像共计2 150 500个像素, 代表地面幅宽约为37.5 m, 面积约为12 096.562 5 m2。

(2)反射率校正

高光谱成像仪拍摄得到的数据并不是地物反射率数据, 为了得到地物的真实反射率数据, 需要在航拍实验区域放置一块反射率校正布。 在高光谱图像中, 选取反射率校正布上的区域作为感兴趣区提取其反射光谱曲线, 利用平场校正逐波段相除得到地物的真实反射率。 反射率校正的公式为

R(λ)=Ra(λ)Rw(λ)×0.7(1)

式(1)中, Ra为实验航拍得到的光谱数据, 0.7为反射率校正布的反射比例, Rw为反射率校正布的反射光谱曲线, λ 为光谱波段。

(3)光谱增强

考虑到高光谱图像在生成和传输时会受到不同噪声源的干扰, 使得图像质量下降, 光谱曲线存在大量噪声, 故对实验得到的高光谱图像做平滑降噪处理。 考虑到图像预处理后得到的反射率数据均在0~1之间, 且高光谱成像仪与地物间距离为100 m的远距离, 在可见光部分光谱间差异较小, 故对光谱曲线做对数运算, 增强光谱之间的差异。 航拍实验海域图像如图2(a)所示。 经对数运算后的实验海域图像如图2(b)所示, 高光谱图像中的绿藻像元更加醒目。

图2 航拍实验海域的高光谱图像
(a): 原始高光谱实验图像; (b): 经对数运算后的高光谱实验图像Fig.2 Aerial hyperspectral image of the experimental area
(a): Original hyperspectral image; (b): Hyperspectral image after logarithmic operation

(4)光谱特征提取

利用导数法确定了反射光谱峰谷的波段, 通过改进的差值环境植被指数思想进行了光谱特征提取。 秦皇岛市金梦海湾海域暴发的绿潮灾害属悬浮绿潮, 多数绿潮悬浮于浅水区[17], 导致水中绿潮的反射光谱受到海水影响。 由于海水在近红外波段有着强吸收[18], 故以可见光为研究谱区。 不同地物反射光谱曲线的一阶差分结果如图3所示, 选择了以绿藻为主的特征波峰波谷进行波段运算构建光谱特征。 图3中的彩色点为所选择的基础波段, 由于高光谱数据有一定的采样间隔, 所以这些点分布在值为0的虚拟线周边, 并不严格在值为0的虚拟线上。

图3 不同地物反射光谱曲线的一阶差分结果Fig.3 First derivative reflection spectra of different ground objects

选取各地物光谱的第12波段(449.57 nm)减去第25波段(501.78 nm)作为特征1, 第25波段(501.78 nm)减去第48波段(594.15 nm)作为特征2, 第48波段(594.15 nm)减去第56波段(626.27 nm)作为特征3, 第56波段(626.27 nm)减去第61波段(646.35 nm)作为特征4, 第61波段(646.35 nm)减去第67波段(670.45 nm)作为特征5, 第67波段(670.45 nm)减去第79波段(718.64 nm)作为特征6, 第79波段(718.64 nm)减去第85波段(742.74 nm)为特征7构建数据集。

1.2.2 建立高光谱绿潮反演模型

经人工标定, 自经过图像裁剪和反射率校正预处理的高光谱图像中提取绿藻像元15 000个, 其他地物像元15 000个, 提取其光谱曲线, 构建数据集。 对数据进行预处理后, 提取该数据集的75%, 即22 500个样本为训练集, 剩余的25%, 即7 500个样本为测试集。

选用了决策树、 随机森林、 支持向量机(SVM)、 K最近邻(KNN)和三输入的投票分类器五种机器学习算法建立了高光谱绿潮反演模型。

决策树分类器是基于基尼系数将系统的混乱程度向降低的方向逼近, 利用归纳算法生成可读的规则和决策树, 使用决策树对新数据进行分析的分类方法。 随机森林分类器是一种包含多棵决策树的分类算法, 对训练样本和样本特征进行随机有放回抽样, 避免了单棵决策树可能存在的模型过拟合的问题。 SVM是通过更改核函数对训练集样本进行线性分类和非线性分类的二分类算法。 KNN在定类决策上依据在特征空间种最邻近的n个样本的类别来决定待分样本所属的类别。 投票分类器是一种将弱学习器集成后提高其分类能力的集成分类器, 将随机森林、 SVM、 KNN三种分类算法进行集成, 构建投票分类器, 并进行网格化超参数搜索, 采用交叉验证的方式进行评估, 选出最佳参数进行分类模型的构建。

1.3 绿潮覆盖面积的计算方法

410 Shark机载高光谱成像系统光谱范围为400~1 000 nm, 视场角为29.5° , 瞬时视场角为0.043 3° , 实验时无人机飞行速度为8.8 m· s-1, 航向重叠度为40%, 旁向重叠度为30%, 飞行高度为100 m。 高光谱成像系统在不同高度下的地面分辨单元(GRC)计算公式为

GRC=2×tanIFOV2×H(2)

式(2)中, IFOV为高光谱成像系统的瞬时视场角, H为无人机的飞行高度。 经计算可得, 高光谱成像仪在100 m高度下的地面分辨单元为0.075 m, 即采集到的高光谱原始图像中每个像元的代表面积为0.005 625 m2。

1.4 分类评价标准

(1)数据集分类准确度和Kappa系数

在利用Python进行分类实验时, 首先应考虑数据集内的分类准确度, 选取在数据集内能达到更高分类准确度的分类方法更易在大数据的预测中获得好的分类效果。 Kappa系数是一种基于混淆矩阵的衡量分类精度的指标, 比起常用的分类准确度指标能够“ 惩罚” 模型的偏向性, 比准确率更能代表分类模型的分类能力。 Kappa系数的计算公式为

k=po-pe1-pe(3)

式(3)中, k为Kappa系数, po为正确的样本数量除以总样本数, 即总分类精度, pe为实际数量与预测数量的乘积除以样本总数的平方。

(2)标准面积计算分类误差

由于无人机航拍海域实景时, 绿潮实际覆盖面积不可知。 读取航拍实验图像后, 也因图像中存在大量混合像元而难以通过人工目视对全图的绿藻像元进行标定, 导致分类精度难以评价。 为了给出一个可供对比的精度结果, 在航拍实验前于沙滩上人工设置一个1 m× 1 m的绿潮标准面积, 从而计算出分类结果的误差, 预设标准面积使用的绿藻搬运自研究海域的岸上堆积绿藻。

2 结果与讨论
2.1 光谱预处理结果

将经过预处理后的高光谱图像作为分类实验对象, 提取干沙滩、 湿沙滩、 岸上绿藻、 水中绿藻和海水的标准反射光谱进行对比, 航拍得到的不同地物的像元亮度值如图4(a), 反射率校正后的不同地物的光谱特征曲线如图4(b)所示, 经对数运算后的不同地物的反射光谱曲线如图4(c)所示。 观察可肢, 绿藻在中心波长为600和640 nm附近处有反射峰, 在680 nm之后光谱反射率会急剧增加, 形成“ 红边(REP)” 现象。 水中绿藻在可见光范围内与岸上绿藻的反射光谱有着相似的特征, 而在近红外波段, 其与海水的反射光谱有着一致的特征。 干沙滩和湿沙滩的标准反射光谱在整条光谱曲线上反射率都持上升趋势, 随着含水量的增加, 标准反射曲线的高度会下降, 但仍保持上升趋势。 经波段选择后计算得到的不同地物的光谱特征如图4(d)所示, 不同地物在特征2和特征6处有明显差异。

图4 光谱预处理结果
(a): 不同地物的遥感影像像元亮度值; (b): 反射率校正后的不同地物的标准反射曲线; (c): 对数运算后的不同地物的反射曲线; (d): 波段选择后计算得到的不同地物的光谱特征Fig.4 Spectral preprocessing results
(a): Digital number of different ground objects; (b): Standard reflectance curves of different ground objects after reflectance correction; (c): Reflection curves of different ground objects after logarithmic operation; (d): Spectral characteristics of different ground objects after band selection and calculation

2.2 分类结果

基于光谱增强和波段选择的样本构建分类器的实验分类结果如表1所示。

表1 根据经光谱增强和波段选择的样本构建分类器的分类结果 Table 1 The classification results of the classifier constructed based on spectral enhancement and band selection

由表1可知, 决策树分类器, 随机森林分类器, SVM, KNN分类器都能在数据集内保持高准确率, 决策树分类器预测时耗时最短。 由于KNN分类器对每一个待分类的文本都需要计算它到全体已知样本的距离, SVM引入了高斯核函数, 所以KNN和SVM分类模型进行大数据预测时会相对久。

将样本的分类结果根据样本坐标绘图, 选取实验图像中涵盖地物种类较多的一景为例, 所选景象中含有人、 干沙滩、 湿沙滩、 岸上绿藻、 水中绿藻、 海水等多种地物。 各分类算法的分类实验效果如图5所示。

图5 分类实验结果
(a): 实验图像局部; (b): 基于决策树分类器的分类结果局部; (c): 基于随机森林分类器的分类结果局部; (d): 基于SVM分类器的分类结果局部; (e): 基于KNN的分类结果局部; (f): 基于投票分类器的分类结果局部Fig.5 Classification experimental results
(a): Part of the experimental image; (b): Part of classification result based on decision tree classifier; (c): Part of classification result based on Random Forest classifier; (d): Part of classification result based on SVM classifier; (e): Part of classification result based on KNN classifier; (f): Part of classification result based on Voting classifier

如图5(b)所示, 决策树分类器会在沙滩、 人等其他地物中引入部分误分类像元, 在大面积的绿潮区域也会有漏分现象。 决策树分类器虽然预测速度快, 但由于是相对小数据集预测大数据, 对训练集的针对性过强从而在大数据预测中引入大量误差, 得到的分类结果不可靠。

如图5(c)所示, 随机森林分类器由于是包含了多棵决策树的集成算法, 并且在不同的测试集中进行了交叉验证, 所以避免了因对单一训练集的针对性从而在大数据预测中引入误差的问题。 但经人工目视检查分类质量, 预测面积比真实绿潮面积小, 是一种“ 过于严格” 的分类算法。

如图5(d)所示, SVM的分类结果在岸上沙滩的标准面积部分出现了大量漏分的现象, 使算法在标准面积预测误差达到了33.63%。 出现这种情况的原因是SVM的鲁棒性较差, 对训练集敏感, 若取更合适的训练集, 分类效果可能会有所改变。

如图5(e)所示, KNN的分类结果将部分人的像元样本误分为绿藻。

经观察分类结果, 发现在绿潮聚集的中心区域即绿潮纯净像元部分各分类结果是一致正确的, 分类结果受混合像元和训练集选择的影响, 所以对随机森林分类器、 SVM和KNN分类器做算法集成, 构建投票分类器, 分类结果如图5(f)所示。 投票分类器得到的分类结果在保持自身分类高准确率的基础上, 相较于SVM和KNN分类器提高了在数据集中的分类精度, 对随机森林的分类结果进行了合理补充, 改正了SVM法在干沙滩的标准面积部分出现误分的情况。

2.3 对比实验

根据经反射率校正后的全波段的样本, 以相同的方法构建分类器作为对比实验一, 经反射率校正和波段选择后的样本构建分类器作为对比实验二, 对比实验的分类结果如表2所示。

表2 对比实验的分类结果 Table 2 The classification results of the comparison experiment

将样本的分类结果根据样本坐标绘图, 选取实验图像中涵盖地物种类较多的一景为例, 所选景象中含有人、 干沙滩、 湿沙滩、 岸上绿藻、 水中绿藻、 海水等多种地物。 各分类算法的分类效果如图6所示。

图6 对比试验分类结果
(a): 实验图像局部; (b): 对比实验一分类结果局部; (c): 对比实验二分类结果局部Fig.6 The classification results of the comparison experiments
(a): Part of the experimental image; (b): Part of the classification results of comparison experiment Ⅰ ; (c) Part of the classification results of comparison experiment Ⅱ

由表2可知, 经波段选择后的样本构建分类器时, 耗时相比由全波段样本构建分类器时, 预测耗时缩短了2~3倍。 本研究构建的分类模型较对比实验一在数据集内的表现更优, 在实际应用中能够识别到更多的绿藻像元, 且能够完全排除人的像元对分类结果的影响。 由于绿潮灾害暴发的时间在每年的4月到9月, 海滨景区会有大量游客聚集, 所以对人的像元识别效果应被着重考虑。 如图6所示, 相较于本研究采用算法的分类结果, 对比实验一和对比试验二不能有效区分人与绿藻像元, 存在大量误分和茅分情况。

3 结论

在对高光谱数据构建是否为绿藻像元的二分类模型和利用所构建的分类模型进行大数据预测时, 先对高光谱数据进行对数运算增强谱间差异, 再进行波段选择后再构建以随机森林分类器、 SVM和KNN分类器的分类结果为三输入的投票分类器模型, 该模型在数据集内准确率为98.95%, Kappa系数为0.978 9。 该方法提高了模型的分类准确率, 同时节约了大量分类时间。 通过对实验区高光谱图像的预测应用, 证明了该模型在预测大数据时仍保持较高准确率, 且对混合像元区的水中绿藻像元也能给出定义, 证明了该方法的在绿潮遥感监测领域的可行性和优越性, 在绿潮面积监测领域具有普适性, 在海洋监测领域具有广泛的应用前景。

参考文献
[1] BAI Yu, ZHAO Liang, LIU Jing-zhou(白雨, 赵亮, 刘境舟). Haiyang Xuebao(海洋学报), 2019, 41(8): 97. [本文引用:1]
[2] Liu D Y, John K K, He P M, et al. Estuarine, Coastal and Shelf Science, 2013, 129: 2. [本文引用:1]
[3] Ye N H, Zhang X W, Mao Y Z, et al. Ecological Research, 2011, 26(3): 477. [本文引用:1]
[4] FAN Shi-liang, FU Ming-zhu, LI Yan, et al(范士亮, 傅明珠, 李艳, 等). Haiyang Xuebao(海洋学报), 2012, 34(6): 187. [本文引用:1]
[5] CHEN Ying, SUN De-yong, ZHANG Hai-long, et al(陈莹, 孙德勇, 张海龙, 等). Acta Optica Sinica(光学学报), 2020, 40(3): 0301001. [本文引用:2]
[6] LI Zhao-xin, QIU Zhong-feng, LI Xu-wen, et al(李兆鑫, 丘仲锋, 李旭文, 等). Environmental Monitoring and Forewarning(环境监控与预警), 2019, 11(5): 46. [本文引用:2]
[7] XING Qian-guo, ZHENG Xiang-yang, SHI Ping, et al(邢前国, 郑向阳, 施平, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2011, 31(6): 1644. [本文引用:2]
[8] Wang M Q, Hu C M. Remote Sensing of Environment, 2016, 183: 350. [本文引用:1]
[9] LIU Jin-chao, LIU Jian-qiang, DING Jing, et al(刘锦超, 刘建强, 丁静, 等). Haiyang Xuebao(海洋学报), 2022, 44(5): 1. [本文引用:2]
[10] Xing Q G, Hu C M. Remote Sensing of Environment, 2016, 178: 113. [本文引用:2]
[11] ZHANG Hai-long, SUN De-yong, LI Jun-sheng, et al(张海龙, 孙德勇, 李俊生, 等). Acta Optica Sinica(光学学报), 2016, 36(6): 0601004. [本文引用:2]
[12] Jannoura R, Brinkmann K, Uteau D, et al. Biosystems Engineering, 2015, 129: 341. [本文引用:1]
[13] XU Fu-xiang, GAO Zhi-qiang, SHANG Wei-tao, et al(徐福祥, 高志强, 尚伟涛, 等). Oceanologia Et Limnologia Sinica(海洋与湖沼), 2018, 49(5): 1061. [本文引用:2]
[14] LI Dong-xue, GAO Zhi-qiang, SHANG Wei-tao, et al(李冬雪, 高志强, 尚伟涛, 等). Marine Environmental Science(海洋环境科学), 2020, 39(3): 438. [本文引用:2]
[15] ZHANG Chun-min, MU Ting-kui, YAN Ting-yu, et al(张淳民, 穆廷魁, 颜廷昱, 等). Spacecraft Recovery & Remote Sensing(航天返回与遥感), 2018, 39(3): 104. [本文引用:1]
[16] MIAO Chun-li, FU Shuai, LIU Jie, et al(苗春丽, 伏帅, 刘洁, 等). Pratacultural Science(草业科学), 2022, 39(10): 1992. [本文引用:1]
[17] Ministry of Natural Resources, People’s Republic of China(中华人民共和国自然资源部). HY/T 0331—2022, Technical Specifications for Ecological Survey and Monitor on Green Tide(绿潮生态调查与监测技术规范), 2002. [本文引用:1]
[18] LI Tong-ji(李铜基). China’s Offshore Oceans-Ocean Optical Characteristics and Remote Sensing(中国近海海洋: 海洋光学特性与遥感). Beijing: China Ocean Press(北京: 海洋出版社), 2012: 273. [本文引用:1]