基于Otsu算法的太湖藍(lán)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

摘要：藍(lán)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(jìn)行分區(qū)監(jiān)測，近年來太湖梅梁湖等藍(lán)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(lán)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(lán)藻水華與水生植被指數(shù)（cyanobacteria and macrophytes index，簡稱CMI）判別藍(lán)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(lán)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Otsu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(lán)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(jìn)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(lán)藻水華及水生植物的同步遙感監(jiān)測，有助于精確評估藍(lán)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。

關(guān)鍵詞：藍(lán)藻水華;水生植被;太湖;Otsu;MODIS

中圖分類號：Q178.5 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2019）14-0288-07

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(jìn)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(lán)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(lán)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(lán)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(lán)藻水華的遙感監(jiān)測通常將東太湖水生植被區(qū)進(jìn)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(lán)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(dá)數(shù)十平方公里[10]。此時，傳統(tǒng)太湖藍(lán)藻水華日常遙感監(jiān)測方法會將水生植物誤判為藍(lán)藻水華，嚴(yán)重影響了藍(lán)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(lán)藻水華與水生植被遙感監(jiān)測的要求。

由于藍(lán)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(lán)藻水華與水生植被，加大了同步監(jiān)測藍(lán)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(lán)藻水華水體[13-14]。Oyama等基于短波紅外波段處藍(lán)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 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(lán)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(lán)藻水華與水生植被的同步檢測，主要由于太湖藍(lán)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(lán)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2003—2013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(lán)藻水華與水生植被的衛(wèi)星遙感判別[15]，不過這種判別方法不能應(yīng)用于太湖藍(lán)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(lán)藻水華與水生植被的光譜特征在藍(lán)光波段、綠光波段和短波紅外波段處的差異，構(gòu)建藍(lán)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(lán)藻水華與水生植被MODIS衛(wèi)星同步監(jiān)測決策樹，并基于2010—2015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(lán)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(lán)藻水華水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(lán)藻水華和水生植被，并進(jìn)一步識別不同類型水生植被，提出太湖藍(lán)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(lán)藻水華和水生植物遙感監(jiān)測混淆的問題，實現(xiàn)太湖藍(lán)藻水華及水生植物的同步遙感監(jiān)測，是提高太湖藍(lán)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(lán)藻水華的實際強度和水生植被區(qū)范圍，正確把握藍(lán)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 研究區(qū)

太湖（119°52′32″～120°36′10″E，30°55′40″～31°32′58″N）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)供水并改善水質(zhì)的作用[20]。

太湖藍(lán)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(lán)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405～14 385 nm，光譜分辨率為10～15 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(lán)藻水華日常監(jiān)測和藍(lán)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(lán)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(jìn)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(jìn)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(xiàn)[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(lán)藻水華和水生植被進(jìn)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(lán)藻水華水體與水生植被水體閾值、FAI識別藍(lán)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(lán)藻水華閾值和FAI識別沉水植被閾值采用現(xiàn)有研究中受認(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(jìn)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(lán)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(lán)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的像元為藍(lán)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(jìn)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(jìn)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(jìn)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)進(jìn)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(jìn)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(lán)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10×10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，分別計算不同地物的CMI、FAI值，結(jié)果如圖4-b所示：CMI藍(lán)藻水華>CMI水生植被，F(xiàn)AI藍(lán)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(lán)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(lán)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(lán)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(jìn)行分類，分類結(jié)果如圖5所示，將衛(wèi)星影像分成湖水、藍(lán)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種太湖典型地物類型：藍(lán)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(lán)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(jìn)行分類[10]。本研究采用2013年9月26日MODIS數(shù)據(jù)進(jìn)行分類，與Luo等的分類結(jié)果進(jìn)行交叉檢驗（圖6），2種方法分類結(jié)果整體保持一致，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(jìn)行重投影、重采樣、柵格計算，與HJ衛(wèi)星分類結(jié)果進(jìn)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（250 m）遠(yuǎn)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(lán)藻水華暴發(fā)強度極大時，高強度藍(lán)藻水華和水生植被的CMI值懸殊，Otsu算法對CMI值進(jìn)行分割確定閾值時，類間方差出現(xiàn)多峰，如圖8所示，對藍(lán)藻水華暴發(fā)強度極大的2013年8月9日MODIS影像進(jìn)行分類，Otsu算法獲取的CMI閾值為0.063，導(dǎo)致竺山灣部分藍(lán)藻水華被誤判為沉水植被。

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(jìn)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）>0.027[38];對于二類水體，Wang等提出了Rrc（1 240）>0.023 5 和Rrc（1 640）>0.021 5[39]，Hu等提出了Rrc（1 640）>0.03[33];Liang等基于2010—2015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(jìn)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（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，Ⅱ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(lán)光-短波紅外”和“紅光-短波紅外”基線，進(jìn)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(lán)藻水華與水生植被的光譜特征分析，采用CMI判別藍(lán)藻水華與水生植被水域，采用FAI識別藍(lán)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10×10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(lán)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(lán)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(lán)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(lán)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(jìn)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(lán)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。

參考文獻(xiàn)：

[1]Carpenter S R，Caraco N F，Correll D L，et al. Nonpoint pollution of surface waters with phosphorus and nitrogen[J]. Ecological Applications，1998，8（3）：559-568.

[2]Havens K E . Cyanobacteria blooms：effects on aquatic ecosystems[M]. 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(lán)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(lán)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(jìn)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(lán)藻水華時空分布規(guī)律認(rèn)識[J]. 湖泊科學(xué)，2008，20（6）：687-694.

[6]段洪濤，張壽選，張淵智. 太湖藍(lán)藻水華遙感監(jiān)測方法[J]. 湖泊科學(xué)，2008，20（2）：145-152.

[7]Oyama Y，Matsushita B，F(xiàn)ukushima T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Landsat/TM and ETM+shortwave infrared bands[J]. 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.

[10]Luo 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 images[J]. Remote Sensing，2014，6（8）：7442-7462.

[11]李俊生，吳 迪，吳遠(yuǎn)峰，等. 基于實測光譜數(shù)據(jù)的太湖水華和水生高等植物識別[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(lán)藻水華和水草識別[J]. 遙感技術(shù)與應(yīng)用，2016，31（5）：879-885.

[13]Gao B C. NDWI-a normalized differencewater index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment，1996，58（3）：257-266.

[14]Rogers A，Kearney M. Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices[J]. International Journal of Remote Sensing，2004，25（12）：2317-2335.

[15]Liu 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 MODIS data[J]. Remote Sensing，2015，7（8）：10295-10320.

[16]Liang 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 taihu[J]. 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. 太湖藍(lán)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.

[21]Duan H T，Ma R H，Xu X F，et al. Two-decade reconstruction of algal blooms in Chinas lake Taihu[J]. Environmental Science & Technology，2009，43（10）：3522-3528.

[22]Zhao 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 thresholds[J]. Journal of Environmental Management，2012，95（1）：98-107.

[23]Revenga C，Kura Y. Status and trends of biodiversity of inland water ecosystems[M]// Status and Trends of Biodiversity of Inland Water Ecosystems. 2003.

[24]Luo 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，China[J]. Ecological Indicators，2016，60（50）：503-513.

[25]Gordon H R. Atmospheric correction of ocean color imagery in the Earth Observing System era[J]. Journal of Geophysical Research-Atmospheres，1997，102（D14）：17081-17106.

[26]Gordon H R，Clark D K. Clear water radiances for atmospheric correction of coastal zone color scanner imagery[J]. Applied Optics，1981，20（24）：4175-4180.

[27]Hu C M. A novel ocean color index to detect floating algae in the global oceans[J]. Remote Sensing of Environment，2009，113（10）：2118-2129.

[28]Vermote 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[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(jìn)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.

[32]Thiemann S，Kaufmann H. Determination of chlorophyll content and trophic state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg Lake District，Germany[J]. Remote Sensing of Environment，2000，73（2）：227-235.

[33]Hu C M，Lee Z，Ma R H，et al. Moderate resolution imaging spectroradiometer （MODIS） observations of cyanobacteria blooms in Taihu Lake，China[J]. Journal of Geophysical Research-Oceans，2010，115（999）：303-306.

[34]趙忠明，朱重光. 遙感圖象中薄云的去除方法[J]. 遙感學(xué)報，1996（3）：195-199.

[35]Chen P Y，Srinivasan R，F(xiàn)edosejevs G，et al. An automated cloud detection method for daily NOAA-14 AVHRR data for Texas，USA[J]. International Journal of Remote Sensing，2002，23（15）：2939-2950.

[36]何全軍，曹 靜，黃 江，等. 基于多光譜綜合的MODIS數(shù)據(jù)云檢測研究[J]. 國土資源遙感，2006，18（3）：19-22.

[37]周紅妹，楊星衛(wèi)，陸 賢. NOAA氣象衛(wèi)星云檢測方法的研究[J]. 遙感學(xué)報，1995（2）：137-142.

[38]Jedlovec G J，Haines S L，Lafontaine F J. Spatial and temporal varying thresholds for cloud detection in GOES imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2008，46（6）：1705-1717.

[39]Wang M H，Shi W. Cloud masking for ocean color data processing in the coastal regions[J]. IEEE Transactions on Geoscience and Remote Sensing，2006，44（11）：3196-3205.

[40]毛節(jié)泰，張軍華，王美華. 中國大氣氣溶膠研究綜述[J]. 氣象學(xué)報，2002，60（5）：625-634.

[41]馬榮華，唐軍武，段洪濤，等. 湖泊水色遙感研究進(jìn)展[J]. 湖泊科學(xué)，2009，21（2）：143-158.

[42]呂長春，王忠武，錢少猛. 混合像元分解模型綜述[J]. 遙感信息，2003（3）：55-58，60.