面向浮游植物类群遥感的HY-1C/D卫星数据应用初探

孙德勇，陈宇航，刘建强，王胜强，何宜军

1.南京信息工程大学 海洋科学学院, 南京 210044;

2.自然资源部空间海洋遥感与应用重点实验室, 北京 100081;

3.江苏省海洋环境监测工程技术研究中心, 南京 210044;

4.自然资源部国家卫星海洋应用中心, 北京 100081

浮游植物广泛分布于海洋水体之中，是海水生态系统中的初级生产者，作为食物链的基础，在生态系统的物质循环和能量流动中发挥着重要作用（Boyce 等，2010）。同时，浮游植物类群结构演替是水体环境状况变化的有效反映，是水生态环境乃至全球气候变化的重要指示（Behrenfeld等，2006；
Martinez等，2009；
Stevenson等，1991）。叶绿素a作为绝大多数浮游植物的光合色素，常用来表示浮游植物生物量，它能有效量化海洋水体初级生产力水平，成为衡量海洋生态状况的重要参数（Behrenfeld 等，2006；
Suikkanen 等，2007）。然而随着研究的深入，单一的叶绿素a指标已无法满足对浮游植物进行深入认识的需要，由此，开展浮游植物类群结构的鉴定和量化已成为海洋科学研究中的一项重要基础工作。

针对浮游植物类群结构特征的分析探测，目前水生态学等研究领域的学者们多采用基于原位观测的方式（Li 和Dickie，2001；
Zeidner 等，2003）。常规性方法是基于浮游植物类群形态和光学显微技术相结合的分析法（Tomas，1997；
Utermöhl，1958），高效液相色谱法（Furuya 等，2003；
王海黎 等，1999；
姚鹏 等，2003），以及基于藻细胞大小、色素组成、DNA 等特征的流式细胞仪法（Balfoort 等，1992；
焦念志和杨燕辉，1999；
张利华 等，2002）。原位观测可以高精度地获取浮游植物类群结构特征及其生物量（翟红昌等，2010；
Jeffrey 和Hallegraeff，1987；
Furuya 等，2003）。然而原位观测费时费力，观测数据局限于少数的离散点，无法反映水体在不同时空尺度上的自然连续性，即无法实现宏观大范围的长时序观测。

随着卫星遥感技术的快速发展，遥感技术在探测宏观大范围和长时序变化的目标对象上，具有得天独厚的优势（林明森 等，2015）。相关学者在爆发型浮游植物类群的遥感探测分析上，深入开展了较为丰富的研究工作。例如，针对中国东海水域的浮游植物爆发，Tao等（2015和2017）开发了一种可以区分探测浮游植物类型（主要指东海原甲藻和硅藻）的半分析算法，并可有效的用于MODIS 和MERIS 卫星数据之上；
Shutler 等（2010）和Moore 等（2012）分别通过反射率信号异常和反射率分类器方法，开发了颗石藻（属于定鞭藻门）爆发的遥感提取算法，可用于SeaWiFS、MODIS 和MERIS 卫星数据上对陆架海和极区海域进行监测；
Dupouy等（2011）和McKinna等（2011）基于标准反射率技术并结合反射光谱异常和高分辨率NIR 波段，开发了束毛藻（属于蓝藻门）爆发时的遥感识别算法；
同时Hu 等（2010a）表明MODIS FAI 方法对于遥感判别束毛藻漂浮物具有较大的应用潜能。此外，学者们在大型绿藻（浒苔）的卫星遥感探测算法、生物量遥感估算、长时序分布规律及影响因素等方面均开展了较深入的研究（He 等，2011；
Hu，2009；
Hu 等，2010b和2017；
Qi等，20016和2017）。

然而，上述遥感算法针对的是浮游植物爆发型水体，多是面向特定研究区域的单一浮游植物类群，而未能适用于正常水体的浮游植物类群结构（即同时存在多种浮游植物）的遥感探测（陈淼，2005；
巩彩兰和樊伟，2002）。根据Sieburth等（1978）提出的细胞粒径概念模型，即浮游植物可分为微微型浮游植物（＜2 μm）、微型浮游植物（2—20 μm）和小型浮游植物（＞20 μm）3 个粒径等级，由此通过浮游植物粒径等级可以对浮游植物类群结构及功能多样性的细化分解。关于中中国国近海水体的浮游植物粒径等级的遥感探测，相关学者也做过类似的研究，例如，Lin 等（2014）对南海水域一个冷涡区的浮游植物粒径等级进行了卫星遥感观测研究，结果表明由于上升流携带了高营养盐，促进了大颗粒浮游植物细胞的生长，但仍以微微型浮游植物类群为主导；
姚林杰等（2015）开发了支持向量机模型用于反演浮游植物粒径等级，并将该模型用于南海数据集获得了较好的反演精度；
Sun 等（2017）利用静止水色卫星GOCI 数据，对黄渤海水体的浮游植物粒径等级进行了遥感探测研究，获得了2015年全年的浮游植物粒径等级的时空分布；
Sun 等（2019）结合SeaWiFS 和MODIS 数据重建了过去20年（1997年—2017年）渤黄东海水体浮游植物粒径等级的长时序变化，并与相关环境因子进行了关联分析。

已有研究工作使用的卫星数据多来自国外，而基于中国国产海洋水色卫星数据开展的浮游植物类群研究则略显不足。近些年来，中国国产海洋水色遥感卫星取得了重大突破（蒋兴伟 等，2019和2016），为浮游植物类群遥感探测工作提供了数据基础。作为中国水色遥感卫星系列主要成员，HY-1C/D卫星分别于2018年9月和2020年6月发射成功，比起第一代海洋水色卫星HY-1A/B，HY-1C/D 卫星上搭载的传感器及其性能指标都有明显改进提升，可以提供观测范围更大、精度和分辨率更高的水色遥感产品，已经被多次应用于海洋环境要素和相关现象的研究分析（Cai 等，2020；
刘建强 等，2021；
沈亚峰 等，2020；
张可立 等，2019a；
邹亚荣 等，2020），具有巨大的应用潜力。

为此，本研究通过野外原位观测、室内分析实验、卫星遥感建模等方法，结合国产海洋水色卫星数据，开展针对近海水体浮游植物优势类群的遥感探测研究，这将为认识近海水体浮游植物类群结构的分布特征及时空演化规律奠定方法论基础，为利用国产海洋水色卫星数据精细化探测近海水体环境变化做出贡献。

2.1 研究区域概况

本文研究区域为渤海海域，约位于37°—41°N、117°—121°E 之间，被辽宁省、河北省、天津省和山东省包围，仅在渤海海峡与北黄海相通，是一个半封闭的海域（图1）。渤海受入海河流的影响，营养物质丰富，为浮游植物创造良好的生长条件（刘述锡 等，2013；
苏纪兰，2005）。

图1 研究区域及航次站点信息Fig.1 Map of study area with the different cruise stations

2.2 数据获取与处理

2.2.1 航次实测数据集

本研究所采用的现场实测数据集采集于：2016年6月渤海（201606BS）、2016年12月渤海（201612BS）、2018年4月渤海（201804BS）和2018年7月渤海（201807BS）航次（图1），包含遥感反射率Rrs（Remote Sensing Reflectance）以及浮游植物色素浓度数据，航次数据具体信息如表1所示。

表1 现场航次及其实验参数信息Table 1 Details for parameters collected from different cruises in this study

（1）浮游植物色素集及其类群浓度数据集。使用47 mm 直径的Whatman GF/F 玻璃纤维滤膜过滤采集的海水样本（1500—4000 mL），随后立即将滤膜存储于液氮罐中，用于后续实验室测量。在实验室中，取出滤膜并解冻，滴入5 mL 90%的HPLC（High Performance Liquid Chromatography）级丙酮溶液进行萃取，并置于超声波震荡器中破碎细胞壁促进色素萃取。通过高效液相色谱法获得色素浓度信息（Van Heukelem和Thomas，2001）。

基于色素浓度数据，进行相应的质量控制后（Aiken 等，2009），通过CHEMTAX（CHEMical TAXonomy）方法获取浮游植物类群浓度（Furuya等，2003；
Liu 等，2021；
Zhu 等，2009）。表2 为CHEMTAX方法的色素及其对应的藻种信息（Suzuki等，2005；
Zhang 等，2018），表3 为CHEMTAX 方法所使用的初始色素比率矩阵（Liu 等，2015；
Sun等，2019）。CHEMTAX方法将色素浓度信息计算转化为相应类群浓度信息过程中，随机生成由色素比率矩阵乘以0.60—1.35 之间随机数的64 个矩阵，经过迭代优化后，选取10 个最小均方根误差比率矩阵的平均值作为最终的色素比率矩阵，最终通过此色素比率矩阵计算得到实测类群浓度（Zhang等，2018；
Sun等，2021）。

表2 本文中用于CHEMTAX分析的色素及对应的藻种Table 2 List of phytoplankton pigments used in this study and their taxonomic significance

表3 本研究中CHEMTAX方法计算应用的初始色素比率矩阵Table 3 Initial pigment ratio matrices used for methods in this study

（2）遥感反射率数据集。现场实测Rrs数据由美国ASD（Analytical Spectral Devices）公司生产的FieldSpec4Hi-ResNG 地物光谱仪测量获得。为了准确获取目标地物的遥感反射率，选择白天且光强变化较小的环境进行测量，一般为当地时间7：00—17：00（秋冬季），云量较多时需要等到阳光较强的一段时间或者光场变化不明显时进行测量。在测量之前，将ASD 对准标准白板进行光谱仪的校准，测量时，将ASD 分别对准灰板、目标地物和天空采集光谱，如此重复测量两次。

将测量得到的光谱数据导入ASD 自带处理软件ViweSpecPro 中，剔除有明显异常及由外界光场变化影响导致波动的光谱曲线。在忽略太阳耀斑和白帽等外界影响情况下，ASD 光谱仪测量的遥感反射率Rrs为

式中，Lp为测得的标准板辐亮度；
Lsfc为测得的海面辐亮度；
Lsky为测得的天空辐亮度；
ρp为标准板反射率；
ρ为气水界面表面反射率（Lee 等，2010；
Mobley，1999；
唐军武 等，2004）。利用ADS测量的Rrs分辨率为3 nm，对数据进行重采样后得到的Rrs分辨率为1 nm。通过剔除异常Rrs，再经过与色素数据匹配，得到如图2 所示48 条光谱曲线分布图。

图2 实测Rrs光谱图Fig.2 The Rrs spectra in hyperspectral resolution in situ

2.2.2 HY-1C/D卫星数据

HY-1C/D 是中国分别于2018年9月和2020年6月发射的两颗组成上、下午卫星组网的国家海洋水色卫星。卫星搭载着海洋水色扫描仪COCTS（China Ocean Color & Temperature Scanner），可以覆盖渤海、黄海、东海、南海和日本海及海岸带区域等西北太平洋区域。空间分辨率约为1.1 km，幅宽可达2900 km，时间分辨率可达1 d（单星）或0.5 d（双星），并设有6 个可见光波段，它们分别是412 nm、443 nm、490 nm、520 nm、565 nm 和670 nm。

本研究收集的卫星数据均来自于中国海洋卫星数据服务系统（https：//osdds.nsoas.org.cn，［2021-11-20］），包括2018年10月1日—2019年12月31日期间COCTS 传感器Level-2A 级日产品，即Rrs日产品数据。

2.2.3 MODIS-Aqua与GOCI-Ⅱ数据

本研究选取MODIS-Aqua传感器与韩国多用途卫星2B（GK 2B）的GOCI-Ⅱ传感器，与COCTS传感器在浮游植物类群反演算法应用结果的精度比较。如表4所示，MODIS-Aqua 拥有10个可见光波段，GOCI-Ⅱ的可见光波段数为8 个。在分辨率上，GOCI-Ⅱ的空间分辨率和时间分辨率最高，分别为0.25 km 与1 天10 景，可以实现全天候观测同一区域，在观测海洋现象上具有强大的优势。COCTS 与MODIS-Aqua 的空间分辨率相同，都为1 km，但COCTS 每天可提供2 景数据，时间分辨率高于MODIS-Aqua（1 天1 景）。在数据量上，MODIS-Aqua 寿命最长（2002年发射），拥有以往的长时序数据，在研究长时序变化的优势明显，GOCI-Ⅱ是GOCI-Ⅰ的延续，与HY-1D 同样在2020年发射。

表4 COCTS、MODIS-Aqua与GOCI-II可见光波段设置Table 4 Settings of COCTS，MODIS-Aqua and GOCI-II in visible band

收集星MODIS-Aqua与GOCI-Ⅱ在渤海海域同与HY-1C/D 相同时间段内的Rrs日产品数据，用于后续对比分析COCTS模型应用效能。其中GOCI-Ⅱ数据由韩国国家海事卫星中心下载（https：//www.khoa.go.kr/，2021.11.20），MODIS-Aqua数据由NASA OceanColor处下载（https：//oceancolor.gsfc.nasa.gov/，［2021-11-20］）。

2.3 藻种浓度反演模型开发

利用奇异值分解方法SVD（Singular Value Decomposition）提取浮游植物遥感反射率特征，进而获取浮游植物色素或类群生物量信息。该方法已经被初步应用于色素浓度、类群生物量信息的反演模型构建（Bracher等，2015；
Taylor等，2013；
Xi 等，2020 和2021）。本研究基于SVD 方法，分解实测Rrs数据以提取其主要特征信息，并与实测藻种浓度进行线性拟合，本研究使用留一交叉验证法进行建模与验证。

将实测Rrs数据进行归一化处理，以便获取光谱形状：将实测Rrs数据值与平均实测Rrs数据值之差除以实测Rrs数据值的标准差，归一化处理后的数据记为矩阵X。本研究使用HY-1C/D 卫星COCTS 传感器的6 个可见光波段，分别为412 nm、443 nm、490 nm、520 nm、565 nm 和670 nm。矩阵X经过式（2）进行SVD 后，得到协方差矩阵U。

根据式（2），将协方差矩阵U与CHEMTAX 方法计算的实测藻种浓度数据进行线性拟合，如公式（3）所示。

式中，yp为实测硅藻浓度，a0为截距，a1、a2、…an为回归系数，u1、u2、…、un为协方差矩阵U的列向量，n为列向量个数。

同样，将卫星Rrs数据进行归一化处理后根据式（4）进行投影，得到矩阵Usat。

式中，Xsat为归一化处理后的Rrs数据。

根据式（4）即可得到卫星反演的藻种浓度ysatp，式中usat1、usat2、…、usatn为矩阵Usat的列向量，如式（5）所示。建模流程如图3所示。

图3 藻种浓度反演模型构建与卫星应用流程Fig.3 Schematic flowchart of model development and satellite applicaiton

2.4 精度指标

本研究通过决定系数（R2）、均方根误差（RMSE）、中值误差（ME）和平均绝对百分比误差（MAPE），并使用留一交叉验证法来对建模效果进行精度校验，相应的计算公式如下所示：

式（6）—（9）中，yoi为第i个为实测藻种浓度，ypi为第i个预测藻种浓度，yˉp为预测藻种浓度平均值，yˉo为实测藻种浓度平均值，N为建模样品数。

3.1 不同浮游植物类群浓度分布特征

基于CHEMTAX方法计算，通过质量控制后得到渤海区域的不同浮游植物类群浓度。如图4（a）所示，各藻种对总叶绿素a，即TChla（Total Chlorophylla）的贡献占比呈现出较大的差异，其中对TChla贡献率较大的硅藻、隐藻、蓝藻与绿藻这4个藻种浓度均呈现出明显的正态分布，且跨越多个量级，变异系数（CV）均较高。如图4（b）—4（e）所示，硅藻拥有最大的平均值，为0.34 mg/m3（标准差SD = 0.31 mg/m3），同时变化范围较大（CV = 92.92%），拥有最高的贡献率，为31%。隐藻和蓝藻的浓度仅次于硅藻，其平均浓度分别为0.19 mg/m3和0.09 mg/m3，对TChla的贡献率分别为18%与16%，蓝藻的分布比隐藻分散，对应的CV分别为174.59%与95.90%。绿藻虽然平均浓度与蓝藻的接近，但其最大值为0.54 mg/m3，小于蓝藻（0.70 mg/m3），对TChla的贡献为14%。硅藻、隐藻、蓝藻和绿藻对TChla的贡献比率明显高于其他藻种，因此本研究主要针对这4种优势藻种，进行反演模型构建与卫星应用研究。

图4 不同浮游植物类群浓度对TChla贡献占比以及分别为硅藻、隐藻、蓝藻和绿藻浓度频数分布直方图（图中Min、Max、Mean、SD分别代表浓度最小值、最大值、平均值与标准差（mg/m3）；
CV代表浓度的变异系数（%））Fig.4 Characteristics of the relative contribution distribution of different taxonomic groups to TChla，and the histograms on concentration for diatoms，cryptophytes，cyanobacteria，chlorophytes obtained by CHEMTAX，and including the index of maxmum（Max），minimum（Min），standard deviation（SD）（mg/m3）and coefficient of variation（CV）（%）

基于夏季与冬季的藻种浓度，利用空间插值方法，得到硅藻、隐藻、蓝藻和绿藻浓度的空间分布特征，如图5所示。其中，硅藻、隐藻和绿藻在冬季与夏季均具有明显的空间分布特征，即近岸浓度较高，离岸浓度较低，且均呈现出由近岸向渤海中央方向递减的趋势；
蓝藻则在冬季呈现出近岸与离岸浓度均较低特征，在夏季的空间分布特征与其他藻种相似。硅藻浓度在整体上最高（图5（a）和5（e）），其次为隐藻（图5（b）和5（f）），冬季的蓝藻浓度（图5（c））比绿藻浓度（图5（d））低，但夏季（2016年6月和2017年7月渤海航次）的蓝藻浓度（图5（g））比绿藻浓度（图5（h））高；
在时间上，4 个夏季的实测藻种浓度（图5（e）、5（f）、5（g）和5（h））整体上均高于冬季（2016年12月渤海航次）的藻种浓度（图5（a）、5（b）、5（c）和5（d））。

图5 不同航次的实测藻种浓度空间分布图Fig.5 The concentration spatial distribution of different taxa and different cruises used in this study

3.2 模型精度校验

基于藻种浓度反演模型，通过留一交叉验证法，得到4个反演藻种浓度与其对应的实测藻种浓度散点图（图6）。图6（b）、6（c）和6（d）分别展示了实测隐藻、蓝藻和绿藻浓度与其各自模型反演的浓度散点对比图。从散点分布来看，4 种模型的散点大多集中于中间的1∶1 线上（见图6 的虚线），其中隐藻、蓝藻和绿藻浓度的模型反演值与实测值决定系数较高，R2分别为0.70、0.70 与0.71（p＜0.001），硅藻浓度反演模型的R2虽然较低（R2= 0.44，p＜0.001）（图6（a））。4 个藻种模型的反演结果中，硅藻和隐藻的ME 可达44.81%和45.34%，而蓝藻和绿藻的ME 均在50%以上，但RMSE 均在0.20 mg/m3以下，本研究所提出模型的预测精度在一定程度上是可以接受的。

图6 实测藻种浓度与反演藻种浓度之间的散点对比图（图中坐标轴已用log表示）Fig.6 Comparisons between the concentrations（showed by log in the figure）of the measured and the inversion part by scatterplots

3.3 模型示范应用

HY-1C/D 卫星是中国重点研发首个海洋民用业务卫星星座，具有全球海洋水色、海岸带资源与生态环境的有效观测能力，可为海洋环境监测与预报、海洋灾害预警提供服务，因此，我们基于HY-1C/D 开展示范性应用。将4 种藻种浓度反演模型分别应用于HY-1C/D 卫星数据2018年10月3日10 时10 分（图7（a）—7（d））、2019年3月13日10时45分（图7（e）—7（h））和2019年8月30日10 时50 分（图7（i）—7（l））的Rrs日产品中，获取不同时间的4 种藻种浓度分布图。如图7所示，硅藻、隐藻和绿藻在空间上的变化特征明显，均呈现近岸浓度高，随着离岸距离增加而浓度降低的趋势；
蓝藻则呈现出近岸浓度较低，远岸浓度较高的现象。整体上，硅藻浓度最髙，在辽东湾、莱州湾和渤海湾都呈现出较高浓度，在渤海海峡浓度较低；
其次为隐藻；
绿藻在整体上浓度比蓝藻较高。在时间上，相较于2018年10月3日，2019年3月13日的硅藻、隐藻和绿藻浓度均有增大，在2019年8月30日又降低的现象；
蓝藻与其他藻种相反，2018年10月3日与2019年8月30日的浓度整体上比2019年3月13日低。可以看到，在渤海沿岸区域硅藻、隐藻和绿藻呈现在春、秋季生物量较高，夏季生物量降低的现象，而蓝藻主要变化区域在渤海中心，呈现秋夏高，春季低的特点。

图7 COCTS渤海硅藻、隐藻、蓝藻和绿藻反演浓度分布图Fig.7 The spatial distribution of phytoplankton taxa concentrations in Bohai Sea，retrieved from COCTS daily Rrs in diatoms，cryptophytes，cyanobacteria and chlorophytes

在空间尺度上，本研究反演的硅藻、隐藻和绿藻浓度都明显的呈现出近岸高、远岸低的分布特征，与本研究的实测藻种浓度的空间插值分布相近（图5），与前人调查研究结果一致（姜德娟和张华，2018；
许士国 等，2015；
周艳蕾 等，2017；
邹亚荣，2004）。蓝藻则呈现出离岸浓度较高，近岸浓度较低的特点，与2016年12月实测蓝藻浓度相近，这表明本研究建立的4个藻种浓度反演模型所反所演的浓度在空间尺度分布上具有较准确的估计。在空间尺度上，对近岸硅藻、隐藻和绿藻浓度造成一定影响的因素主要是随入海河流输入的营养盐（栾青杉 等，2018）。渤海湾等地区大量工业、生活等废水通过入海河流进入近岸海域，导致大量氮、磷营养盐输入近岸海域，浮游植物大量增生，浮游植物生物量较高（金德祥，1991；
赵晨英 等，2016）。

本研究选取MODIS-Aqua传感器与韩国多用途卫星2B（GK 2B）的GOCI-Ⅱ传感器与COCTS传感器在浮游植物类群反演算法应用结果的精度比较。基于MODIS-Aqua与GOCI-Ⅱ波段，分别建立硅藻、隐藻、蓝藻与绿藻浓度反演模型，如图8所示。基于COCTS波段的隐藻浓度反演模型R2（图8（a））、MAPE（图8（b））和RMSE（图8（d））的精度（分别为0.70、73.64%、0.24 mg/m3）均比MODIS-Aqua（分别为0.63、86.57%、0.47 mg/m3）与GOCI-Ⅱ（分别为0.62、77.33%、0.34 mg/m3）的高。基于COCTS 的蓝藻和绿藻浓度反演模型R2、MAPE、ME 和RMSE 的精度虽然略差于MODIS-Aqua，但其R2与RMSE 的精度均好于GOCI-Ⅱ，其中基于COCTS 的蓝藻模型ME（51.20%）低于GOCI-Ⅱ（55.96%），但基于COCTS 的绿藻的ME（62.80%）高于GOCI-Ⅱ（56.43%）。三者硅藻浓度反演模型的R2均较低，分别为0.44、0.54 与0.44，但MODIS-Aqua 的ME 和RMSE 均比其他两者好，为34.37%与0.21 mg/m3。综上所述，虽然COCTS 的波段数量设置上与GOCI-Ⅱ和MODIS-Aqua的相比较少，但所构建的模型精度整体上优于GOCI-Ⅱ，略低于MODIS-Aqua，体现出在浮游植物类群卫星遥感反演中COCTS数据同样具有较大潜力。

图8 基于COCTS、MODIS-Aqua和GOCI-Ⅱ波段的硅藻、隐藻、蓝藻和绿藻浓度反演模型的R2、MAPE、ME和RMSE结果Fig.8 Model validation accuracy of R2，MAPE，ME，RMSE for the relationships between the concentrations of the measured and the inversion part，based on COCTS、MODIS-Aqua and GOCI-Ⅱ bands

造成基于COCTS、MODIS-Aqua 和GOCI-Ⅱ传感器波段的反演模型精度各有优劣的原因，可能是由于它们各自独特的波段设置。MODIS-Aqua 除了645 nm 处的波宽为50 nm（620—670 nm）外，其余波段的波宽均等于或小于20 nm，并且是3 种传感器中波段数最丰富的，这可能是导致其模型精度较其他两种传感器高的原因。虽然COCTS 和GOCI-Ⅱ的波宽均为20 nm，但COCTS 的波段数少于GOCI-Ⅱ和MODIS-Aqua 的波段数，出现基于COCTS 波段的隐藻浓度反演模型较好于基于MODIS-Aqua 和GOCI-Ⅱ的反演模型可能是由于490 nm 与670 nm 波段对隐藻的特有色素Allo 较为敏感（Pan等，2010）。

图9（a）、9（d）和9（g）分别展示的是渤海海域的2021年4月19日13时20分COCTS、2021年4月19日13时45分MODIS-Aqua和2021年4月19日13 时15 分GOCI-Ⅱ卫星真彩色图，可以发现3 个传感器数据均为渤海海域无云情况，但经过大气校正等处理形成Rrs产品后，MODIS-Aqua与GOCI-Ⅱ可能由于过校正现象，使得有效的Rrs数据较少。如图9（b）、9（c）和9（h）为COCTS 在渤海大部分区域均有数据分布（由于3个传感器各波段有效的Rrs空间分布情况相同，所以只以413 nm 为例进行展示）。GOCI-Ⅱ仅在渤海湾与渤海海峡有数据分布，而MODIS-Aqua整个渤海海域均无有效的数据分布。将所构建的模型分别应用于COCTS、MODIS-Aqua与GOCI-Ⅱ的Rrs日产品数据，获取藻种浓度空间分布（以绿藻为例）。如图9（c）、9（f）和9（i）为基于COCTS 数据能获取的更多的绿藻浓度信息，特别在沿岸和河流入海口等重要区域。因此，在现有海洋水色卫星数据的基础上，COCTS 一定程度上能丰富和弥补近岸水域数据的缺失。同时，COCTS 通过星上定标光谱仪进行同平台星上交叉定标，在可见光近红外定标精度达到4.17%，满足国际海洋水色卫星辐射定标要求（绝对准确度为5%）（Hooker 等，2000；
张可立等，2019b）。COCTS的6个可见光波段处的大气顶总辐亮度的产品指标最大为5.54%，精度较高，为卫星遥感反演产品的准确性和可靠性提供保障。

图9 渤海区域各卫星数据源之间比较（2021年4月19日）Fig.9 Comparison between satellite data sources（April 19th，2021）in Bohai Sea

虽然COCTS 在藻种浓度应用上效果较好，但藻种浓度的估算精度可能会受到近岸丰富的可溶性有机物CDOM（Chromophoric Dissolvable Organic Matter）影响（Song等，2014；
Wen等，2016）。CDOM在412 nm 和443 nm 处的影响较大（Del Castillo 和Coble，2000；
Sun等，2011；
Xiao 等，2018），因此可能会造成模型应用于COCTS、MODIS-Aqua 和GOCI-Ⅱ数据时对藻种浓度估计的出现误差。MODIS可能还会受其成像几何、空间位置等因素的影响较大，其Rrs产品之间有所偏差，其中在412 nm处与GOCI 之间的偏差达到最大（许潇尹，2019），Rrs的偏差可能会导致在藻种浓度估算时出现误差。

近年来，中国海洋水色卫星发展势头迅猛，其中HY-1C/D 是近几年成功发射的海洋水色组网卫星，都搭载着COCTS 传感器，每天可以对同一区域观测两次。除了COCTS传感器之外，HY-1C/D卫星还搭载着海岸带成像仪CZI（Coastal Zone Imager）。CZI虽然只有4个光谱波段，但其50 m的空间分辨率，对于局部精细化观测具有较大优势，同时通过几何拼接后（杨威 等，2021），仍可以实现高分辨率和大范围地观测目标区域。后续浮游植物类群的卫星遥感反演研究工作，应兼顾考虑COCTS 和CZI 各自特点，结合COCTS 全局宏观观测为主和CZI局部精细化观测为辅，利用二者光谱波段分布特点开发各自的面向多种浮游植物类群浓度的反演模型。基于此，可以借助所开发模型实现浮游植物类群浓度的遥感反演，从而实现从相对宏观和重点区域的微观视角探测浮游植物类群浓度变化。这对跟踪浮游植物类群结构变化和监测潜在藻类爆发具有积极的推进作用，也将使国产海洋水色卫星在海洋浮游植物监测上发挥更大的作用（杨保华，2011）；
此外，国产海洋卫星数据在观测海洋环境、状况和现象方面的遥感应用已经越来越多（陈戈 等，2019；
蒋兴伟 等，2019；
梁超 等，2020；
林明森 等，2019；
刘建强等，2020），且均具有不错的效果。但目前卫星资料使用主要以国外卫星资料偏多，未来仍需加强国产海洋卫星数据开放、数据共享服务系统建设及数据应用推广，逐步摆脱依赖国外卫星数据的现状，为拓展国产海洋水色卫星数据应用提供技术支持（刘建强 等，2012；
潘德炉和白雁，2008；
文质彬 等，2021）。

本研究旨在探讨HY-1C/D 卫星在渤海海域浮游植物类群生物量监测中的应用能力。基于4个航次的实测数据，结合奇异值分解方法，构建适用于渤海海域硅藻、隐藻、蓝藻与绿藻4个藻种的浓度反演模型。结果表明，隐藻、蓝藻、隐藻的模型反演值与其各自实测浓度之间一致性较高，R2均可达到0.70 及以上，硅藻R2较低（0.44）。硅藻和隐藻ME 均小于50%，而蓝藻和绿藻ME 都大于50%。将该模型分别应用于HY-1C/D 卫星COCTS传感器Rrs产品数据，进一步获取渤海硅藻、隐藻、蓝藻与绿藻浓度空间分布趋势：研究区域内硅藻、隐藻和绿藻的浓度均呈现出近岸高，离岸低的空间分布特征，符合以往研究。通过与对比基于MODIS-Aqua 与GOCI-Ⅱ数据构建的藻种浓度反演模型，其中基于COCTS 波段构建的隐藻浓度反模型精度（R2=0.70、MAPE=73.64%）均比MODISAqua（R2=0.63、MAPE=86.57%）与GOCI-Ⅱ（R2=0.62、MAPE=77.33%）的隐藻浓度反演模型高；
基于COCTS 波段构建的蓝藻模型的ME（51.20%）好于基于GOCI-Ⅱ（55.96%）波段构建的蓝藻模型。整体而言，本文新建的反演模型精度略低于MODIS-Aqua，但略优于GOCI-Ⅱ。将基于COCTS、MODIS-Aqua 与GOCI-Ⅱ构建的模型分别应用于各种卫星数据上，COCTS 数据在沿岸和河流入海口等地方能够获得更多的藻种浓度信息，卫星应用效果均优于MODIS-Aqua和GOCI-Ⅱ。后续可进一步考虑兼顾COCTS 和CZI 各自的参数设置优势和特点，分别开发二者的浮游植物类群浓度反演模型，达到HY-1C/D COCTS 大范围观测为主，CZI局部小范围精细化观测为辅助的卫星监测优势。综上所述，国产HY-1C/D 卫星在监测藻种浓度反演上具有良好的信息表达能力与应用前景。同时，本研究也可为HY-1C/D 在后续服务于沿海海域水体生态环境监测的实用性和可行性提供参考。

志 谢感谢国家卫星海洋应用中心提供的HY-1C/D数据（https：//osdds.nsoas.org.cn，2021-11-20），感谢NASA 提供的MODIS-Aqua 数（https：//oceancolor.gsfc.nasa.gov/，2021-11-20），感谢韩国国家海事卫星中心提供的GOCI-Ⅱ数据（https：//www.khoa.go.kr/，2021-11-20）。