HY-1C/D卫星CZI数据监测湖泊藻华的适用性评价与方法选择

薛坤，马荣华，曹志刚，胡旻琪，李佳鑫，2

1.中国科学院南京地理与湖泊研究所 中国科学院流域地理学重点实验室, 南京 210008;

2.中国科学院大学, 北京 100049

1 引 言

中国湖泊富营养化严重，调查显示2007—2010年中国东北、东部、云南湖区138个大于10 km2的湖泊中有85.4%处于富营养化状态（杨桂山 等，2010）。Landsat系列遥感数据监测表明中国有48个1 km2以上的湖泊、水库发生了漂浮藻华（Song等，2021）。近年来太湖、巢湖、滇池、星云湖等重点富营养化湖泊均实施了生态修复、流域污染控制、蓝藻打捞等措施（杨桂山 等，2010；秦伯强，2020），但是湖泊富营养化状况仍未得到根本改善。在营养盐充足的情况下，冬、春季节的气温对藻颗粒生长影响较大，夏、秋季节温度升高，不再构成藻华的限制性因子；频发性藻华与湖泊的营养盐分布一致性较好，短时间内的偶发性藻华与气象因子（风速、降水等）关系较大（罗晓春 等，2019）。在自身浮力和适宜的风速、水流、温度等外界条件影响下，蓝藻颗粒聚集漂浮在水面形成藻华，近红外波段抬升，呈现出类似于植被的光谱特征。

卫星遥感手段可以实时、准实时地进行藻华的大面积监测，有助于快速判断整个湖泊的藻华堆积情况，为全面评估蓝藻情势、藻华预测预警提供数据支撑（段洪涛 等，2022）。大量研究已经采用多种光学卫星遥感数据开展了全球范围（Ho等，2019）、全国湖库（Song 等，2021）、典型湖库，例如，太湖（Duan 等，2009；Qi 等，2018）、巢湖（刘海秋 等，2021）、滇池（胡琳 等，2021）、呼伦湖（曹萌萌，2021）、于桥水库（岳昂 等，2020；房旭 等，2018）等的藻华暴发面积、发生频率、时空演变规律等研究。湖泊藻华卫星遥感监测的常用数据包括中等空间分辨率（Aqua/Terra-MODIS、SNPP-VIIRS、Sentinel 3-OLCI、COMS-GOCI 等）和中高空间分辨率（Landsat 系列-TM/ETM+/OLI、Sentinel 2-MSI、HJ 1-CCD、高分系列-WFV 等）。在藻华暴发频繁的大型湖泊，如太湖、巢湖，藻华业务化监测一般使用上午星和下午星观测的MODIS 数据。但是，对滇池、星云湖等中小型湖泊，中低空间分辨率数据覆盖湖泊的像元数较少，当藻华呈条带状时，难以呈现其细节，增加了藻华遥感监测的不确定性。国产海洋一号C、D 卫星（HY-1C/D）搭载的CZI 传感器，具有50 m 的星下点空间分辨率，3 d 过境一次，上下午星成像，具有与OLI 相当、优于MSI 的信噪比（Cao 等，2021），在使用多源卫星数据进行湖泊藻华业务化监测方面具有优势，可以很大程度上解决中高分辨率卫星时间和空间分辨率不能兼顾的问题。

湖泊藻华识别算法主要有早期的单波段、波段差值、波段比值等方法（Ho 等，2017；Duan 等，2009），后来以光谱基线法（Wynne 等，2010）、决策树（Oyama 等，2015）、机器学习（de Lucia Lobo等，2021；Zong 等，2019；Qiu 等，2018）等方法为主。按照遥感数据的波段设置特点，可以把已有的藻华提取指数分为3 大类：（1）宽波段传感器数据只有蓝、绿、红波段和一个近红外波段NIR（near infrared）（如CCD、WFV、CZI 等），可以使用DVI（Difference Vegetation Index）、NDVI（Normalized Difference Vegetation Index）（Rouse 等，1974）、RDI（Red Tide algal blooms）（Shen 等，2019）、VB-FAH（Virtual Baseline Floating macroAlgae Height）（Xing 和Hu，2016）等利用单一近红外波段和红绿蓝波段建立的指数；（2）具有两个或以上近红外波段NIR、没有短波红外波段SWIR（short-wave infrared）的数据，例如GOCI、OLCI，通常使用AFAI（Alternative Floating Algae Index）（Qi 等，2018）、MCI（Maximum Chlorophyll Index）（Gower 等，2005）、MPH（Maximum Peak-Height）（Matthews 等，2012；Matthews 和Odermatt，2015）、IGAG（Index of floating Green Algae for GOCI）（Son等，2012）等指数；（3）对于具有至少一个NIR和SWIR 波段的数据，如OLI、MSI、MODIS、VIIRS等，可以使用FAI（Floating Algae Index）（Hu，2009）等基于近红外和短波红外波段构建的指数。

由于CZI 传感器缺少SWIR 波段，难以进行基于SWIR 外推的内陆水体精确大气校正，或者设计规避部分大气影响的藻华提取指数。本文以HY-1C/1D CZI 传感器为数据源，比较了NDVI、DVI、VB-FAH 等已有的藻华识别指数，发展了以绿光、近红外波段为基线的藻华识别指数AFAH（Adjusted Floating Algae Height），在有效提取漂浮藻华的同时，该指数对太阳耀斑、云、气溶胶厚度等不敏感；分析了2019年7月到2021年7月太湖、巢湖、滇池、星云湖的藻华发生频率的空间分布；讨论了不同的阈值设置方式和像元分辨率变化对藻华提取结果的影响。

2 研究区与数据

2.1 研究区

选取了长江中下游的太湖、巢湖和云贵高原的滇池、星云湖这4个富营养化程度较高的湖泊为研究区（图1）。太湖（2425 km2）、巢湖（769 km2）是长江下游典型的浅水湖泊，水体浑浊，平均透明度＜0.50 m，富营养化程度较高，平均悬浮物浓度分别为60.85 g/m3、45.52 g/m3，平均叶绿素a 浓度分别为34.68 mg/m3、 38.37 mg/m3（Xue 等，2019）；滇池位于云南省昆明市城区，面积330 km2，平均水深5 m，2019年6月1日采样的平均叶绿素a浓度为71.5 mg/m3；星云湖（34.7 km2）是云南典型的浅水富营养化湖泊，平均水深7 m，2018年采样数据的平均叶绿素a 浓度为73.9 mg/m3，藻华暴发频繁。

图1 基于CZI数据真彩色合成的巢湖，星云湖，滇池，太湖影像，其中巢湖位于安徽省，星云湖、滇池位于云南省，太湖位于江苏省Fig.1 Ttrue color images of Lake Chaohu，Lake Xingyun，Lake Dianchi，and Lake Taihu based on CZI data.Lake Chaohu is in Anhui Province，Lake Xingyun and Lake Dianchi are in Yunnan Province，and Lake Taihu is in Jiangsu Province

2.2 遥感数据预处理

海洋1 号C 星和D 星（HY-1C、HY-1D）分别于2018年9月7日、2020年6月11日发射，采用上午星、下午星组网的方式运行，其搭载的海岸带成像仪CZI 传感器，幅宽大于950 km，星下点具有50 m 的空间分辨率、3 d 过境一次（两颗卫星同一天过境），具有优于Landsat 8 OLI（16 d）和Sentinel-2 MSI（5 d）的时间分辨率。CZI传感器设置了4个波段，分别为420—500 nm、520—600 nm、610—690 nm、760—890 nm，中心波长为460 nm、560 nm、650 nm、825 nm。

在海洋卫星数据分发系统（https：//osdds.nsoas.org.cn/#/）下载2019年7月1日到2021年7月31日覆盖研究区的无云HY-1C/D CZI 传感器的L1B数据。海洋卫星数据分发系统提供了L2A级别的经过瑞利校正的遥感反射率Rrc数据，但是在内陆湖泊的藻华经常被自动掩膜。本文下载CZI 的L1B数据，目视挑选无云的影像。太湖、巢湖、滇池、星云湖4个湖泊的可用无云影像分别有117期、146 期、91 期、95 期。从每个月份的可用影像数量来看，长江中下游的梅雨季和云南雨季造成了研究区在6月到9月的有效数据较少（图2）。

图2 太湖、巢湖、滇池、星云湖的无云CZI影像数量统计Fig.2 The number of cloudless images in Lake Taihu，Lake Chaohu，Lake Dianchi，and Lake Xingyun

利用Python 的GDAL（version 3.0.2，https：//gdal.org［2021-11-22］）程序包对CZI L1B 数据进行预处理，包括影像裁剪和几何校正（GDAL/OGR Contributors，2022）。根据CZI 的波段设置，本文采用了湖泊矢量边界和NDWI（Normalized Difference Water Index）（McFee-ters，1996）相结合的方式自动提取水体，然后在提取的水体边界缩进去掉受陆地邻近效应影响的2 个像元。利用Py6S（version 1.7.2）（Wilson，2013）程序包提供的6S（Second Simulation of the Satellite Signal in the Solar Spectrum）辐射传输模型（Vermote 等，1997）进行了瑞利散射校正，得到经过瑞利校正后的反射率Rrc数据，用于后续的藻华提取。

3 方 法

湖泊藻华识别过程为：基于Rrc数据，计算藻华识别指数，采用最大梯度法确定单景藻华阈值，遍历每个像元，当像元的藻华识别指数高于该景藻华阈值时，即标记该像元为藻华像元，然后进行下一个像元的判断；其中的关键步骤包括藻华识别指数的选取和阈值的确定。

3.1 藻华识别指数

以MCI、MPH、FAI 等光谱基线法为基础，由于藻华聚集在水面时，绿光和近红外反射率升高，红光宽波段（610—690 nm）以叶绿素的吸收为主，构建了以CZI的红光波段到绿光—近红外波段基线的垂直距离的藻华识别指数AFAH（Adjusted Floating Algae Height）（图3（a））：

图3 AFAH的定义以及DVI和VB-FAH的示意Fig.3 The definition of AFAH，and DVI and VB-FAH

式中，λ2、λ3、λ4分别为绿光、红光、近红外波段的中心波长560 nm、650 nm、825 nm。

选择了差值植被指数DVI、归一化植被指数NDVI 和基于虚拟基线的藻华提取指数VB-FAH 作为参考（图3（b））。基于红光波段和近红外波段的归一化植被指数NDVI，能容易识别蓝藻水华，但是受气溶胶类型与厚度以及观测角度等条件的影响较大（Hu，2009）。

式（2）和（3）中，Rrc（RED）、Rrc（NIR）分别为红光和近红外波段的Rrc数据。

针对HJ-1A CCD 数据，Xing 和Hu（2016）构建了基于虚拟基线的指数VB-FAH 提取漂浮藻华：

式中，λ2、λ3、λ4分别为CZI 数据绿光、红光、近红外波段的中心波长560 nm、650 nm、825 nm。

3.2 阈值的确定

藻华识别指数阈值的确定采用了最大梯度法（Hu 等，2010），以指数AFAH 为例，利用目标像元周围的3×3窗口，计算AFAH的梯度ΔF：

最大梯度法根据藻华纹理的变化，把梯度变化大的像元对应的AFAH作为阈值，为了避免水体其他信号的影响，需要事先给定纯水体像元和纯藻华像元的AFAH 统计值。统计了22987 个纯水体像元和20574个严重藻华（thick algae scums）像元的样本，确定了AFAH 藻华阈值的最小值和最大值。当AFAH 小于0.0002 的时候，为纯水体像元；AFAH 大于0.06 时为纯藻华像元，不参与梯度计算；其余像元最大梯度（前1%）对应的AFAH 均值作为该景影像的藻华识别阈值。藻华面积为藻华像元的总个数与每个像元面积的乘积之和。藻华发生频率为时间序列中像元发生藻华的数量占像元总数量的百分比。

分类结果的验证采用了Kappa 系数、总体精度、藻华正确分类精度和水体正确分类精度这4个指标评价。总体精度是被正确分类的像元总和除以总像元数；藻华或水体正确分类精度分别是藻华或水体被正确分类的像元数除以藻华或者水体的总像元数。

3.3 藻华识别指数的敏感性分析

在内陆水体复杂大气条件下进行精确大气校正比较困难，本文使用了CZIRrc数据进行湖泊藻华提取，同时分析了CZIRrc数据计算的藻华识别指数对气溶胶类型、气溶胶厚度、太阳—观测角度变化的敏感性。基于辐射传输模拟理论和Seadas 查找表，对巢湖野外测量的12 组水体遥感反射率光谱Rrs进行了大气辐射传输模拟（Qi 等，2014；Xue 等，2015），得到了不同气溶胶类型、气溶胶厚度τa（555）、太阳—观测角度下的Rrc数据，分别计算了基于Rrc和Rrc数据的DVI、NDVI、VB-FAH和AFAH。

3.4 混合像元对藻华提取结果的影响

假设不同空间分辨率像元的Rrc可以线性叠加，不考虑其方向性，分析了像元分辨率变化对藻华提取结果的影响。对CZI的50 m的Rrc数据进行几何平均，得到低空间分辨率的像元Rrc值，再计算其AFAH 指数作为混合像元的值。CZI 数据50 m 的空间分辨率降尺度为100 m（2像元×2像元）到500 m（10 像元×10 像元），步长为50 m。藻华覆盖度为一个混合像元对应的50 m CZI 数据中藻华像元的个数占该混合像元内50 m像元总个数的百分比。

4 结 果

4.1 不同藻华提取指数的对比

选取太湖（2020年5月3日）、滇池（2020年8月26日）、星云湖（2020年8月26日）的影像，以2 种假彩色合成图像（RGB 波段分别为B3-B4-B1 和B4-B3-B2）为参照，对比了4 种藻华识别指数的空间分布（图4—图6），结果显示，AFAH 与VB-FAH、DVI、NDVI 的空间分布趋势一致。此外，AFAH 对高亮的非藻华水体具有抑制效果，例如，太湖梅梁湾正在建设的隧道（图4（a）圆圈部分）。从3景影像的感兴趣区（图4（a）、5（a）、6（a）中方框）内不同指数的统计直方图来看，AFAH 与VB-FAH、DVI的直方图分布相似，NDVI的高值所占比例较高，呈现出不同的直方图分布。从以上3 景无云影像选取了27212 个样本点，对藻华提取结果进行了验证，4 种指数的提取结果精度均较高，Kappa系数在0.95以上，藻华正确分类精度大于0.93。

表1 不同指数的分类精度评价Table 1 Evaluation metrics of different indices

图4 2020年5月3日太湖CZI数据的假彩色合成图、AFAH、VB-FAH、DVI、NDVI的空间分布及感兴趣区（矩形框）的4种指数直方图分布Fig.4 False color image of CZI data，spatial distribution of AFAH，VB-FAH，DVI，and NDVI images over Lake Taihu，and histogram of the indexes in the rectangle region on May 3，2020 in detecting the floating algae

图5 2020年8月26日滇池CZI数据的假彩色合成图、4种指数AFAH、VB-FAH、DVI、NDVI的空间分布及感兴趣区的4种指数直方图分布Fig.5 False color image of CZI data，spatial distribution of AFAH，VB-FAH，DVI，and NDVI images，and histogram of the indexes in the rectangle region over Lake Dianchi on Autumn 26，2020 in detecting the floating algae

图6 2020年8月26日星云湖CZI数据的假彩色合成图、4种指数AFAH、VB-FAH、DVI、NDVI的空间分布及感兴趣区的4种指数直方图分布Fig.6 False color image of CZI data，spatial distribution of AFAH，VB-FAH，DVI，and NDVI images，and histogram of the indexes in the rectangle region over Lake Xingyun on Autumn 26，2020 in detecting the floating algae

在同时有藻华和太阳耀斑、云的非理想观测条件下，与其他指数相比，AFAH 在太阳耀斑和薄云的区域明显低于藻华区域（图7）。2019年8月11日滇池东边的太阳耀斑在AFAH 空间分布上显示低值，可以与滇池西北部的藻华区分，太阳耀斑点位（#2）在绿光到近红外波段整体提升，AFAH、VB-FAH、DVI、NDVI 值分别为0.0025、0.028、0.025、0.087；2020年10月13日星云湖VB-FAH、DVI、NDVI 的空间分布显示湖区东北、西南的云具有与湖中心藻华区域类似的高值，而这些区域的AFAH 值较低。从#5 的Rrc光谱来看，云覆盖的像元Rrc光谱整体抬升，4 个指数值分别为0.013、0.071、0.066、0.144。图7（a）和7（b）的横断面（玫红色横线）左侧像元代表的是条带状藻华，中间为水体，右侧分别为云和耀斑。由于4 个指数值的范围不一致，难以直接进行比较，将4 个指数值分别归一化到了0—1 范围内。从图7 中归一化后的指数可以看出，AFAH 在云和耀斑的区域值稳定性最好，均低于其他3个指数。

图7 太阳耀斑、云条件下的假彩色合成图和4个指数（AFAH、VB-FAH、DVI、NDVI）对比Fig.7 Comparison between RGB，AFAH，VB-FAH，DVI，and NDVI images over Lake Dianchi on Autumn 11，2019 and Lake Xingyun on October 13，2020

利用12 组实测遥感反射率Rrs数据及其对应的不同太阳-观测角度、气溶胶厚度τa（555）、气溶胶类型的Rrc模拟数据集，分析了基于Rrs和Rrc计算的NDVI、DVI、VB-FAH、AFAH的散点图（图8），结果表明，AFAH 对太阳-观测角度、气溶胶厚度的敏感性低于DVI 和VB-FAH。NDVI、DVI、VB-FAH、AFAH 对4 种气溶胶类型（r30f95v01、r50f95v01、r75f95v01 和r85f95v01）的敏感性均较低，其中AFAH 随气溶胶类型的变化最小。总体来看，AFAH（Rrs）与不同条件下的AFAH（Rrc）的R2为0.98，RMSE为0.013。

图8 不同太阳—观测角度、气溶胶厚度、气溶胶类型条件下，分别使用Rrs和Rrc计算的4个指数（NDVI、DVI、VB-FAH、AFAH）的散点图Fig.8 Relationship between Rrs-based and Rrc-based DVI，NDVI，VB-FAH，and AFAH，with varying solar-viewing geometry，optical thickness，and aerosol types based on model simulations

4.2 不同阈值的藻华提取结果对比

太湖、巢湖、滇池、星云湖的无云影像中，目视挑选了发生藻华的影像共180景，利用最大梯度法得到每景影像的阈值，180 景阈值统计的均值μ为0.041，标准差σ 为0.013（图9）。比较了3 种阈值确定方法：（1）最大梯度法得到每景独立的阈值；（2）180 景阈值平均值0.041 作为固定阈值；（3）180 景数据阈值的平均值减去标准差得到0.028 作为固定阈值。结果表明，由于AFAH 的阈值分布接近正态分布，方法（1）和（2）计算的180景影像的藻华面积平均值相当，分别为35.7 km2和35.5 km2，固定阈值为0.028 时，得到的面积均值为82.9 km2，高估接近137%。

图9 180景有藻华影像的AFAH阈值统计直方图和不同藻华阈值确定方法提取的面积统计结果Fig.9 Statistics of AFAH thresholds in all images for detecting floating algae and the box plots of bloom area using different AFAH thresholds

但是，固定阈值对单景藻华面积的提取结果影响较大。以2020年5月3日的太湖数据为例，采用最大梯度法得到的阈值为0.053，藻华面积为141.4 km2；当使用均值0.041 为该景阈值时，藻华面积为217.6 km2，面积高估了53.9%；阈值为0.028时，藻华面积为248.3 km2，高估了75.6%。

因此，本文的阈值确定方法使用的是最大梯度法自动处理的结果作为每景的阈值。

4.3 藻华发生频率空间分布

藻华发生频率主要反映了湖泊的藻华发生的总体状况，一般与营养盐空间分布有关（张民 等，2019）。图10为基于CZI数据的2019年7月到2021年7月太湖（N=117）、巢湖（N=146）、滇池（N=91）、星云湖（N=95）的藻华发生频率，频率高于5%的面积分别为609.05 km2、134.43 km2、20.91 km2、14.50 km2。夏、秋季节的有效影像数量比冬、春季节少81 景，加上藻华经常在夏、秋季节暴发，因此，使用的影像数量季节差异也会影响藻华发生频率的计算。

图10 2019年7月1日到2021年7月31日太湖、巢湖、滇池、星云湖的藻华发生频率空间分布Fig.10 Spatial distribution of bloom frequency in Lake Taihu，Lake Chaohu，Lake Dianchi，Lake Xingyun derived from CZI images from July 1，2019 to July 31，2021

从藻华的空间分布来看，太湖北部梅梁湾、竺山湾、中心湖区西部藻华发生频率较高，与近年来太湖蓝藻水华空间扩展趋势（张民 等，2019）、叶绿素a浓度和营养盐的空间分布趋势一致（朱广伟等，2018）。巢湖藻华主要集中在西湖区，巢湖东北部也有区域藻华发生频率高于5%，与基于MODIS数据的巢湖藻华研究结果一致（祁国华 等，2021；胡旻琪 等，2018）。本研究的数据显示滇池、星云湖藻华发生频率整体较高，没有明显的区域差异，呈分散状全湖分布的特点。滇池、星云湖位于云贵高原，与位于东部平原的太湖、巢湖相比，面积小、冬春季节气温高，另外滇池总氮、总磷、富营养化状态更高（王菁晗 等，2018），促使滇池更易发生藻华。已有研究也指出星云湖微囊藻密度及优势度均维持在较高水平（刘绍俊 等，2021）。

5 讨 论

AFAH 是基于绿、红、近红外宽波段数据建立的基线法指数，叶绿素浓度升高时，绿光反射增大，红光是叶绿素的反射谷，藻华发生时，近红外波段抬升，因此，红光到绿光和近红外波段的基线，可以反映漂浮藻华的光谱特征（Hu，2009；Xing和Hu，2016）。在太湖东部的水生植被区，尤其是浮叶植被，具有类似植被的特征（李云梅 等，2022），本文在太湖东部可能出现水生植被的区域做了掩膜，不考虑浮叶植被的情况。在太阳耀斑、云等非理想条件下，光谱曲线整体抬升，AFAH 值受光谱数值变化的影响较小。

由于高空间分辨率的卫星数据重访时间普遍较长，一般是几天甚至十几天，多源数据协同观测在提供藻华监测便利的同时，也面临着不同传感器数据空间分辨率、光谱分辨率不一致引起的不确定性（Shen 等，2019）。不同时相、不同空间分辨率遥感数据提取的藻华面积，不仅包含了藻华本身的面积变化，还具有像元分辨率不一致、传感器辐射特性等因素引起的不确定性（冯炼，2021）。

将50 m 的CZIRrc数据重采样为低空间分辨率数据，讨论了像元分辨率变化引起的藻华提取结果的不确定性。50 m 空间分辨率的CZIRrc数据，以50 m为步长，降尺度到500 m，假设低空间分辨率的混合像元Rrc值为所对应的50 m 像元的Rrc的几何平均；再分别计算不同像元分辨率数据的AFAH，模拟了像元尺度变化对阈值和藻华面积的影响（图11）。图11 中面积Ⅰ代表不同像元分辨率数据利用最大梯度法确定阈值后得到的藻华面积；面积Ⅱ为以50 m 的藻华提取结果为基准，当混合像元内的50 m藻华像元占比≥50%时，该像元为藻华像元；面积Ⅲ为混合像元内藻华像元百分比与像元面积的乘积之和。随着空间分辨率降低，藻华边缘的混合像元被掩盖，导致藻华面积Ⅱ和Ⅲ呈下降趋势；面积Ⅰ与面积Ⅲ的差值为不同像元分辨率数据使用最大梯度法提取藻华面积引入的不确定性。在高空间分辨率的影像上，最大梯度法可以很容易的提取漂浮藻华，而在250 m 或500 m 影像上，信号平均导致AFAH 梯度下降，容易把低百分比的藻华也算作漂浮藻华。因此，大中型湖泊在使用中低空间分辨率的遥感数据进行藻华监测时，建议采用像元分解的方法降低混合像元带来的误差；中小湖泊的藻华监测则需要使用高空间分辨率的数据进行多传感器的联合监测。

图11 2020年5月3日、2021年6月6日太湖不同像元分辨率的藻华面积提取结果以及2020年5月3日、2021年6月6日阈值和藻华提取面积随像元分辨率的变化Fig.11 Floating bloom of Lake Taihu extracted from images with different pixel resolution on May 3，2020 and June 6，2021，and threshold value and area coverage of floating bloom at different pixel resolutions

6 结 论

根据藻华在CZIRrc数据的绿光、红光、近红外波段的光谱特征，本文构建了藻华识别指数AFAH，通过与NDVI、DVI、VB-FAH 对比，在无云的理想条件下AFAH 与NDVI、DVI、VB-FAH的提取结果精度均较高，Kappa 系数在0.95 以上，藻华正确分类精度大于0.93。AFAH 的优势是对太阳耀斑、云等敏感度低，可以一定程度上避免这些像元误判为藻华。对180 景无云有藻华的数据，使用最大梯度法确定了每景的AFAH 藻华识别阈值，均值为0.041，标准差为0.013；如果使用阈值的均值0.041 作为固定阈值应用到所有数据会导致单景数据误差较大，使用0.028 作为固定阈值会导致总体高估137%。2019年7月到2021年7月太湖、巢湖、滇池、洱海藻华暴发频率大于5%的面积分别为609.05 km2、134.43 km2、20.91 km2、14.50 km2。太湖藻华主要分布在竺山湾、梅梁湾和太湖西部，巢湖西部藻华暴发频次较高，滇池和星云湖呈全湖分散状分布。本文探究了国产卫星HY-1C/1D CZI数据在大中小型湖泊的藻华识别过程，该指数可以扩展应用于只有红、绿、蓝和一个近红外波段的宽波段遥感数据。随着越来越多的陆地卫星的发射，多源数据协同观测可以提高中高空间分辨率数据的覆盖频次，为内陆湖库水环境参数的遥感监测提供重要数据支撑。

志 谢此次数据获取得到了国家海洋卫星应用中心、国家地球系统科学数据中心湖泊—流域分中心（http：//lake.geodata.cn）的支持。