Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2021 , Vol. 40 >Issue 6: 1 - 13

DOI: https://doi.org/10.11978/2020110

Review

Review on the research of seagrass optical remote sensing monitoring

  • LI Yiqiong , 1, 3 ,
  • BAI Junwu , 1 ,
  • ZHANG Li 2, 3 ,
  • LI Tong 2, 4
Expand
  • 1. School of Geographic Sciences & Surveying and Mapping Engineering, Suzhou University of Science and Technology, Suzhou 215009, China
  • 2. Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 3. Hainan Key Laboratory of Earth Observation, Sanya 572029, China
  • 4. Beijing Institute of Electronic System Engineering, Beijing 100039, China
BAI Junwu. email:

Copy editor: LIN Qiang

Received date: 2020-09-20

  Revised date: 2020-11-22

  Online published: 2020-12-21

Supported by

Strategic Priority Research Program of the Chinese Academy of Sciences(XDA13020506)

Natural Science Foundation of Jiangsu Province(BK20170379)

Scientific Research Fund project of Suzhou University of Science and Technology(XKZ2019009)

Copyright

Copyright reserved © 2021. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Seagrass growing in the waters of tropical, subtropical and temperate oceans is an important structural and functional component of the global marine ecosystem and has a high ecological service value. Seagrass is rapidly declining worldwide because of the strong impact of human activities and natural disasters. Therefore, it is a great significance to monitor and protect seagrass resources. With the development of sensor technology, optical remote sensing has shown obvious advantages in seagrass monitoring. In this paper, we review the research status of advanced seagrass remote sensing monitoring at home and abroad, mainly summarizing the research content, technology and methods, and demonstrating the feasibility of seagrass optical remote sensing monitoring. Our aim is to illustrate the suitable data and reliable technical methods for seagrass optical remote sensing monitoring in China, and to suggest potential research directions. This review provides reference for seagrass remote sensing monitoring and expands the thought of scientific management of seagrass resources in China.

Key words： seagrass; monitoring; optical remote sensing technology; marine benthic habitat; coastal zone

Cite this article

LI Yiqiong , BAI Junwu , ZHANG Li , LI Tong . Review on the research of seagrass optical remote sensing monitoring[J]. Journal of Tropical Oceanography, 2021 , 40(6) : 1 -13 . DOI: 10.11978/2020110

海草, 是生长在热带、亚热带和温带海洋水域中的沼生目单子叶水生高等植物(杨宗岱, 1979)。目前记录全球海草种类共有74种, 隶属于6科13属 (Short et al, 2011), 全球已记录海草面积约325178km2 (Unsworth et al, 2019), 虽然仅占全球海洋面积的0.1%~0.2%(Duarte, 2002), 但却是全球海洋生态系统中重要的结构和功能组成部分(Short et al, 1996)。海草能够改善海洋水体环境, 减弱海浪及水流的动力势能, 并支持较高的物种丰富性和多样性(Orth et al, 2006)。尽管海草分布面积较小, 但每年固碳量相当于全球海洋固碳总量的10%~15%, 是海洋蓝碳生态系统的重要组成, 也是全球重要的碳库(Fourqurean et al, 2012)。
然而, 海草目前正在快速衰退, 已被列为地球上最受威胁的生态系统之一。自最初被记录以来, 全球海草生长已知区域面积的29%已经消失, 与红树林、珊瑚礁和热带雨林的损失率相当(Waycott et al, 2009)。桂花喜盐草(Halophila baillonii)、波状波喜荡草(Posidonia sinuosa)、好望角鳗草(Zostera capensis)等10种海草物种面临较高的灭绝风险(约占已知海草总物种数量的14%), 其中黑纤维虾形草(Phyllospadix japonicus)、智利鳗草(Zostera chilensis)和巨济鳗草(Zostera geojeensis)这3种属于濒危物种(Short et al, 2011) (黄小平 等, 2018)。人口扩张是造成全球海草退化和损失的最重要原因(Short et al, 1996), 具体表现在陆源污染增加、海洋工程开发、有害藻华和全球气候变暖等方面; 飓风、洪水等自然因素也会导致海草损失(Duarte, 2002; Huang et al, 2006; Orth et al, 2006)。海草物种丧失和多样性退化将对海洋生物多样性产生严重影响, 也严重影响到人类对海草提供资源的依赖和生态系统服务功能的利用(Short et al, 2011)。因此, 及时开展海草资源管理与保护工作具有十分重要的意义。
海草监测是开展海草资源管理与保护工作的科学基础和依据。目前世界多国已开展的海草调查与监测工作以野外实地调查为主, 通过布设断面和统计采样点信息完成。该方法虽然能够提供准确的采样点信息, 但在一定空间范围内实施调查成本较高, 并且随着调查范围扩大, 人力物力耗费也会进一步增加。使用遥感技术开展海草监测工作时, 尽管在分析区域海草物种组成及生物多样性等方面仍有待进一步提高, 但其能够快速便捷地调查和绘制大面积海草生境地图,并获得连续完整的区域覆盖情况, 而且具有更高的空间分辨率(Baumstark et al, 2016)、良好的制图精度(Baumstark et al, 2013)和更好的成本效益(Mumby et al, 1999), 便于长期和动态监测。因此, 将遥感技术应用于海草监测并适当结合实际调查, 无疑是海草研究的一种先进方法。
当前国外针对海草的研究已取得较大进展, 使用光学遥感技术进行海草监测也已获得一些研究成果。我国有关海草的研究尚处于起步阶段, 在海草分布、海草场(海草床)生物多样性、水动力、海草生长与生理等方面开展了系列研究(周元慧 等, 2019), 但在遥感技术监测与应用方面成果还较少。另外, 海洋水下底栖环境的复杂性使得海草光学遥感监测具有较大难度。本文拟通过总结国内外海草光学遥感监测研究的前沿技术和方法, 厘清海草光学遥感监测的最佳适宜数据和可靠技术方法, 阐明海草光学遥感监测的可行性, 为海草遥感监测和海草资源科学管理提供参考依据。

1 光学遥感海草监测应用及我国海草遥感监测研究

利用光学遥感技术进行海草监测在国外已积极开展, 主要应用于海草底栖生境识别、海草面积分布与变化监测、海草损失影响因素分析、海草生物量与固碳量测算等方面。而我国海草研究起步较晚, 特别是在遥感监测技术及应用方面成果较少。

1.1 海草底栖生境识别

海洋底层环境是继海洋水体之后全球第二大生物栖息地, 众多海洋底栖生物占据着这一广袤的生境, 其中就包括海草。海草栖息地是海洋生态系统的重要组成部分, 具有支持营养物质交换、为其他生物提供栖息场所、维持生物多样性等重要生态功能。识别和研究海草底栖生境变化, 能为海洋生物保护、底栖环境质量评价、受损生境恢复等提供科学依据。光学遥感技术是目前海洋底栖生境研究发展的新方法, 可用于区分海草等生物栖息地类型, 并研究其变化情况。例如, 可以使用Landsat-ETM+图像和非监督分类方法, 通过水深建模、波段分析、根据生物群落的空间排列与组织, 确定出以海草和褐藻为主的7种沿海生境类型(Palafox-Juárez et al, 2017); 基于SPOT-7卫星图像和数字航空图像使用监督分类、非监督分类和人工视觉分类的方法, 能够准确绘制出加拿大2.5km2大型空间的沉水海草床, 总体精度分别达到89%和90%(St-Pierre et al, 2020)。受海洋环境光学遥感数据质量的影响, 数据预处理阶段的大气校正和水体校正是非常重要的前期工作。使用Landsat-OLI传感器捕捉到的高分辨率光谱响应能够有效监测复杂光学浅水中的海草, 其有效性水平取决于数据处理过程中使用的大气预处理类型(Borfecchia et al, 2019); 使用水体校正和解混模型处理机载高光谱图像数据, 能够获得研究区珊瑚、海草、海藻和沙子这4种主要底栖类型的覆盖状况(Bajjouk et al, 2019)。

1.2 海草覆盖面积与变化监测

海草覆盖面积及分布变化能有效反映海草生态系统的健康状况, 是海草生境变化最直接的指示因子, 因此是海草研究的重要基础。较少有研究调查海草床的长时间动态变化特性, 而使用遥感技术是观测这些动态模式的最佳方法之一。例如, Topouzelis等(2018)使用50幅Landsat-8卫星图像和面向对象的图像分析方法, 估算出希腊水域的海草总覆盖面积为2619km2, 在该水域3个群岛周围发现的最大海草草甸覆盖面积分别为124、46和47km2, 监测结果总精度为76.3%; Bramante等(2018)评估了Worldview-2(WV2)、ALI、ETM+、和OLI等4个卫星传感器对新加坡最大海草草甸开展大空间范围监测的适用性, 结果发现在2001—2015年间当地海草面积下降了37%, 平均年下降速率为3.9%; Traganos等(2018a)使用2011—2016年间的多光谱Rapid Eye时间序列图像监测希腊爱琴海西北部优势种大洋波喜荡草(Posidonia oceanica)和小丝粉草(Cymodocea nodosa) [中文名引自黄小平等(2018)]两种海草物种的面积变化情况, 结果显示大洋波喜荡草(Posidonia oceanica)面积下降了4.1%, 以每年0.11km2的速度在减少; 而小丝粉草 (Cymodocea nodosa)面积却上升了17.7%, 以每年0.18km2的规模在增加。

1.3 海草损失影响因素分析

受人类活动的广泛影响, 海草存在潜在的损失风险。通过海草损失的影响因素分析与研究, 可以明确海草生长的不利条件, 继而为保护海草及其他海洋生物提供科学依据。如海草床周围的水温是衡量海草状况的一个重要指标。Carlson等(2018)利用MODIS和Landsat-8地表反射数据以及现场测量海温数据开展研究, 发现海草长期处于异常温暖的环境中, 以及海草所处环境的温度大幅度快速变化 都可能导致其死亡; Phinn等(2018)评估热带海草草甸现场温度记录数据与MODIS和Landsat传感器获取的卫星海表温度之间的协变量关系, 得出经改进和测试后, 使用遥感卫星测量海温的方法可以用于监测大范围区域的海草健康状况。除了水温, 藻华和疏浚也是海草损失的重要影响因素。Santos等(2020)通过整合Landsat图像和实地调查数据, 评估大型藻华对海草空间结构的影响, 结果显示持续的大型海藻水华现象会改变海草的海景结构, 阻碍海草栖息地的恢复。无人机航空数据也可以用于海草遥感制图, 并且经研究发现, 海草草甸的时空变化与人为的大规模疏浚清淤活动有关, 并且疏浚清淤活动会影响海草的恢复趋势(Sousa et al, 2019)。

1.4 海草生物量与碳储量测算

海草的生物量与固碳能力密切相关, 海草生物量与碳储量的多少不仅反映了其生态系统功能, 也在海洋蓝碳总储量中占据重要的组成比例。海草生物量与碳储量测算是全球蓝碳研究的重要方面。Misbari等(2016)利用Landsat-8 OLI传感器监测马来西亚地区的海草分布情况, 并通过改进的底部反射率指数方法建立反演模型估算当地的海草生物量。Bramante等(2018)利用4种卫星传感器数据观测新加坡最大海草床的长时序变化情况, 经计算2011年4月至2013年6月间海草床面积减少了18%, 但海草生物量中位值增加, 表明复杂的海草床动力过程正在调节海草自身对人为和环境压力做出响应。Sousa等(2019)利用无人机航空技术进行海草遥感制图, 估算葡萄牙地区海草生物量和碳储量, 并观察到该地区海草草甸的变化与全球海草衰减趋势相反, 呈现增长的态势, 有助于增加蓝碳储量。

1.5 我国海草遥感监测研究

我国海草研究起步较晚, 尚未全面、彻底地掌握海草资源种类和草场分布等状况(郑凤英 等, 2013), 但学者们对我国海草的重要分布区域和主要生长类型进行了详细调查(王道儒 等, 2012; 郑凤英 等, 2013; 陈石泉 等, 2015a, 2015b)。由于受到人类活动的强烈干扰, 我国海草存在严重退化现象, 如重点分布区域海南省海草面积近年来呈现出快速下降趋势(Huang et al, 2006; 陈石泉 等, 2015a), 海草生境面临严重威胁(黄小平 等, 2006)。养殖活动、陆源污染增加、航道与港口建设、填海造地等海洋工程开发以及台风等自然灾害, 是导致我国海草退化和损失的主要原因(Huang et al, 2006; 黄小平 等, 2006; Yang et al, 2011)。
由于当前我国海草研究处于起步阶段, 研究多集中在海草资源调查(传统方法)和生态功能评价上, 而在海草遥感监测方面的研究成果较少。杨顶田(2007)最早对海草遥感监测研究进行了介绍, 基于多光谱、高光谱卫星遥感角度总结了国内对近岸光学浅水区海草监测及水体生物光学研究的状况; 后来又综述了海草碳通量的卫星遥感检测方法和模型(杨顶田 等, 2013)。这些工作梳理了前期海草遥感监测研究成果, 对后续研究开展具有指示意义。我国学者对海草遥感监测机理研究也开展了一些理论探索, 包括利用不同的高光谱和多光谱遥感观测方法, 基于Quickbird、CBERS以及Landsat数据, 对海南省新村湾的海草分布范围、变化趋势以及影响因素开展了深入研究(Yang et al, 2009, 2011)。以三亚湾泰来草为例分析了海草的光谱特征(杨超宇 等, 2010; Yang et al, 2010), 通过对光谱的全面目视检查和分析, 得知在715nm处的海草反射率值与叶面积指数有很强的相关性等。
以上工作的开展为我国海草遥感监测奠定了一些基础, 但与珊瑚礁、红树林或盐沼地相比, 对于海草生态系统的认识远远不足, 甚至境内海草分布范围和损失程度尚未完全准确了解(郑凤英 等, 2013)。因此, 亟需提升我国海草的认知和关注程度, 将遥感监测技术与实地调查相结合, 全面推进我国海草调查工作。

2 海草光学遥感监测数据源

目前, 海草监测方法包括实地现场调查和遥感技术监测两大类, 具体如图1所示。其中, 相对于水声遥感监测来说, 光学遥感海草监测技术发展快速, 已取得了众多成果。特别是多光谱卫星图像, 由于能够提供大量数据信息, 且获取容易、操作快捷, 因此是现阶段海草监测应用最为广泛、相对较为成熟的遥感技术; 此外, 高光谱图像和无人机技术也逐渐应用于海草监测。这些遥感监测方法各有特点, 下文将对几种光学遥感监测方法的数据源特征展开阐述。
图1 目前海草监测方法

Fig. 1 Current seagrass monitoring methods

2.1 多光谱卫星遥感海草监测

空间分辨率是影响多光谱卫星遥感海草监测精度的重要指标, 图像的空间分辨率越高, 能够提供的空间细节信息越丰富。因此多光谱高空间分辨率的卫星遥感图像数据, 如IKONOS(4m)、Quickbird (2.44~1.63m)、Wordview-2(2m)等, 为研究人员监测和绘制海洋底栖生物生境地图提供了诸多技术支撑(Mumby et al, 2002; Garcia et al, 2015; Baumstark et al, 2016; Pu et al, 2017; Kovacs et al, 2018), 并具有更好的绘图精度。有学者比较了不同传感器对于沿海清澈浅水水域底栖生物生境的绘图结果, 发现尽管高分辨率的IKONOS图像无法对复杂生境进行细致区分, 但足以用于珊瑚、大型海藻、海草和沙地这4大类生境的识别; 并且在监督分类过程中可以充分利用纹理信息, 使得专题地图对生境区分的准确性显著提高, 比中等空间分辨率陆地卫星TM传感器获得的精度提高近20%(Mumby et al, 2002)。采用最大似然和支持向量机两种方法分别对IKONOS数据和TM数据进行分类, 绘制海草覆盖图, 结果表明基于这两种方法的IKONOS数据专题图相较于TM数据专题图均具有较高的制图精度(Pu et al, 2017)。其他海洋底栖生境监测研究也表明, 使用来自IKONOS、Quickbird和Wordview传感器数据的绘图结果均优于使用来自Landsate TM/ETM+数据(Garcia et al, 2015; Baumstark et al, 2016; Kovacs et al, 2018)。
然而除监测精度外, 获取图像数据的费用成本却是必须考虑的一个重要问题。尽管高分辨率图像能提供更多空间细节信息, 且具有更高的监测精度, 但其获取费用高昂。相比之下, 空间分辨率为30m的多光谱陆地卫星Landsat数据是一个很好的选择。首先, Landsat数据的免费性极大降低了海草遥感监测费用。其次, 从TM到ETM+、再到OLI传感器的Landsat历史影像是目前所有卫星图像存档数据中时间跨度最长的, 能够实现多年尺度上(长时间序列)的海草监测。Landsat图像已被成功用于海草空间范围图绘制、海草覆盖率测算以及海草地上生物量估计等研究。将多期Landsat图像数据与野外调查数据相结合, 可以获得近岸海洋环境历史变化信息, 因而更适合于海草大空间范围长时序变化的监测(Knudby et al, 2010; Lyons et al, 2012)。多期Landsat图像数据也有助于识别因非持续性蓝藻繁殖和藻类生长季节性变化而导致的潜在分类错误(Wabnitz et al, 2008)。
相较于Landsat数据, 由欧空局提供的10m分辨率Sentinel-2图像具有较高的空间分辨率、较短的重访频率等优点, 加上其同样免费获取的开放政策, 以及能够提供沿海生境空间分布和水深分布的重要信息, 可以预见将在海草监测中发挥重要作用。如利用Sentinel-2图像绘制海草覆盖图, 验证了结果的准确性(Immordino et al, 2019)。基于Sentinel-2图像, 利用一种综合应用大气校正和水体校正的分析方法, 对海草的覆盖面积进行监测, 能够获得良好精度; 并且Google Earth的云计算能力与免费提供的Sentinel-2多光谱图像存档、图像合成和机器学习方法相互结合, 可开发出用于大规模、高时空制图和海草栖息地监测方法的工作流程。通过将1045景10m分辨率的Sentinel-2图像组合并使用支持向量机方法, 可以快速绘制在范围为40951km2、水深为0~40m的爱琴海与爱奥尼亚海中分布面积为2510.1km2的海草床覆盖图, 经过现场数据集验证, 总体准确度为72%(Traganos et al, 2018b)。不过, 针对于中低分辨率的图像数据, 需要考虑如何进行更高级的处理, 以识别较小的海草覆盖变化, 提高监测精度。

2.2 高光谱遥感海草监测

目前在海草光学遥感监测中, 应用多光谱图像的研究居多, 而应用高光谱图像的成果尚比较少见, 且基本是以机载平台为主(Hossain et al, 2015)。研究结果表明机载高光谱传感器可以为海草监测提供更多的细节信息(Pu et al, 2012); 即使是在容易发生沉积物再悬浮的区域, 也可以使用经大气校正的高质量高光谱图像来绘制海草地图(Dierssen et al, 2019)。不过在实际应用中, 从机载平台获取高光谱图像成本高昂。由于光谱分辨率比空间分辨率对于鉴别海草物种更重要(Hossain et al, 2015), 因此星载高光谱遥感技术将在未来海草监测中发挥更大作用。
此外, 水上平台(如卫星和飞机)高光谱图像可以绘制和区分海洋底栖生物生境, 但其空间分辨率较低, 且水深较浅(一般小于10m)。而利用水下平台(如自主水下航行器)高光谱遥感技术, 则能够提供较深水域有价值的栖息地数据, 并且具有较高的空间分辨率(Bongiorno et al, 2018)。因此, 水下平台高光谱遥感技术也将会是一个发展的新方向。

2.3 航空遥感海草监测

航空遥感是近几年在海岸带遥感监测领域的一种新兴技术, 其数据获取性更强、分辨率更高。特别是低空无人机拍摄, 更具有飞行成本低廉、操作便捷等优势, 因而正在快速推广。如基于高分辨率的假彩色航空图像进行海草监测, 根据地面成果进行验证, 可以发现采用自动分类方法能够使海草制图精度达到73%(Davenport et al, 2017)。采用数字航空图像和SPO-7卫星图像对大型海草场开展空间结构上的研究, 尽管采用卫星图像监督分类和采用航空图像视觉分类的总体精度分别为89%和90%, 但由于对比度和空间分辨率的差异, 导致海草床的边缘在卫星图像上比航空图像上难以识别(St-Pierre et al, 2020)。而利用低空无人机平台配备一个低成本、消费级的GoPro Hero 3+摄像机, 获取地面分辨率为2厘米的图像, 通过对图像的分类处理以及通过现场记录数据验证, 可以得到研究区3个沿海小河口海草分布的总体制图精度分别为96.3%、86.5%和89.7%, 验证了低空无人机图像空间分辨率高、可以在光谱相似的物种之间进行纹理区分的优点(Nahirnick et al, 2019)。使用轻型(低于7kg)低空无人机搭载消费级相机拍摄4mm像素图像进行海草监测, 发现图像像素的大小决定了可提供检测的其他生物特性, 如在分辨率43mm像素级以下可以视觉检测到蚯蚓状沙丘, 而更加较小的特征(如海草中的贝壳)则需要更细粒度的数据(小于17mm像素)(Duffy et al, 2018)。此外, 将小型低空无人机拍摄图像与视觉测量获得的数据相对比, 可以发现在相对粗略的分类水平上基于小型无人机方法获取的数据更有益于回答监测目标或研究问题, 这是由于在一定时间限制内, 小型无人机拍摄图像可以比地面观测者获得更大的空间覆盖范围, 证明了低空无人机图像适宜应用在大规模空间范围监测中(Konar et al, 2018)。
总体而言, 多光谱、高光谱和航空遥感数据应用于海草遥感监测, 各自适宜于不同的监测内容并有其自身的优势和特征, 如表1所示。由于海草生境的多样性和海洋环境的复杂性, 导致每种遥感技术的使用都会受到不同程度的限制。但没有单一的技术适合测量所有海草参数(如存在/不存在、覆盖、物种以及生物量等), 也没有单一的方法能够独立评估海草变化, 因此应根据可提供的数据能力选择合适的监测方法, 尽可能准确地解译地物(Hossain et al, 2015)。在不考虑数据获取成本的前提下, 高空间分辨率的数据对底质类型的检测效果更好。随着遥感图像空间分辨率和光谱分辨率的提高, 今后将会有更多高分辨率图像数据用于海草遥感监测, 这对提高监测和制图精度极为有利。与此同时,不断完善的监测方法也会有助于海草遥感监测结果精度的提高。
表1 不同传感器数据开展海草监测任务的适宜性

Tab. 1 Suitability of different sensor data for seagrass monitoring tasks

传感器名称 监测任务 数据适宜性
海草底栖生境 海草覆盖度变化 海草生
物量		 海草群落结构 空间
范围		 制图
精度		 获取
成本
较粗划分 细致划分
高分辨率IKONOS、Quickbird、Wordview-2等 可行 可行 可行 较小 较高 高昂
中低分辨率Landsat TM/ETM+/OLI、Sentinel-2等 可行 可行 可行 大 偏低 低廉
高光谱Hyperion等 可行 可行 较小 较高 高昂
低空无人机相机 可行 可行 可行 可行 小 高 中等

3 海草光学遥感监测方法

3.1 海草光学遥感监测机理

由于不同海底基质类型(如海草、珊瑚礁、淤泥、沙质、石砾等)对光谱的反射率不同, 通过检测反射率的变化就可以鉴别出海底基质类型。根据这一原理, 常利用光学卫星传感器的可见光波段对沿海水域水下水生植被(沉水植物)进行生境检测与制图, 具体是利用可见光波长的光谱反射差异区分不同物种级别的海草以及其他海底基质类型。通常, 蓝光、绿光、红光和近红外光线对海草探测的应用较多, 这是由于即使在不同的传感器探测下,多种海草的光谱也能表现出一致性, 即在蓝光和绿光区域具有低反射率, 在红光和近红外区域具有高反射率(Kim et al, 2015; Wicaksono et al, 2019), 这与其他基质的光谱特征显著不同(Lyzenga, 1978), 如图2所示。可见, 根据海草光谱特征识别海草物种, 继而实现海草的光学遥感监测在机理上完全具有可行性。
图2 海草的光谱反射率曲线(Lyzenga, 1978)

Fig. 2 Spectral reflectance curve of seagrass

3.2 海草光学遥感监测数据预处理

海草光学遥感监测过程中, 可见光透射进入水中的强度随深度的增加呈指数衰减。这是由于海水中的分子与微粒引起了光的吸收和散射。吸收与光的波长有关。海水中的主要吸收剂是藻类(浮游植物)、悬浮物中的无机和有机颗粒物以及水体本身(Hossain et al, 2015), 它们强烈吸收红光, 而对较短波长的蓝光影响较小。散射导致光的传播方向发生偏转, 主要由无机和有机颗粒物引起, 并随着水中悬浮的泥沙含量(浑浊度)的增加而加强。吸收和散射引起的光在海水中的衰减对遥感信号的传输造成了相当大的干扰, 继而对海洋环境光学遥感数据质量产生了强烈影响, 这一过程如图3所示。
图3 海草遥感辐射传输过程

Fig. 3 Radiation transmission process of seagrass remote sensing

为了提高海草监测精度, 需要对这种干扰和影响进行相应处理。水体校正就是减弱或降低这种影响的关键步骤, 它是消除光在水中传播时由于衰减所造成的辐射误差, 反演海洋底部基质真实反射率的过程。
根据辐射量与底面反射率之间关系(Lyzenga, 1978):
${{L}_{i}}={{L}_{d,i}}+{{a}_{i}}{{r}_{i}}\exp (-{{K}_{i}}\delta Z)$
其中, Li是波段i的辐射量;${{L}_{d,i}}$是波段i在水下测量的平均辐射量; ${{a}_{i}}$是常数项, 包括太阳辐射、大气和水面的透射率, 以及由于水面折射而产生的辐射减少; ${{r}_{i}}$是底面反射率;${{K}_{i}}$是波段i的水下衰减系数; $\delta $是光的几何路径长度; Z是水深。
深度不变指数(depth invariant index, DII)方法(Lyzenga, 1981)可用于消除大气和水体中的光散射和吸收效应, 如下所示:
$\text{DI}{{\text{I}}_{ij}}=\frac{{{K}_{j}}\ln ({{L}_{i}}-{{L}_{d,i}})-{{K}_{i}}\ln ({{L}_{j}}-{{L}_{d,j}})}{\sqrt{K_{i}^{2}+K_{j}^{2}}}$
其中, i和j下标对应两个不同的波段。
继而可得出底部反射率指数(bottom reflectance index, BRI)方法(Sagawa et al, 2010), 作为对上述DII模型的改进, 其计算公式是:
$\text{BRI}=\frac{({{L}_{i}}-{{L}_{d,i}})}{[\exp (-{{K}_{i}}\delta Z)]}$
若将式(3)中的分子项由式(1)代替, BRI指数也可以表达为:
BRI=airi
以上方法是水体校正算法的基础模型。DII方法对校正清澈水域(水质Ⅰ型和Ⅱ型)的水体效应是有效的, 但当水的清澈度从Ⅱ型降至Ⅲ型时精度就会显著降低。而BRI模型改正了DII模型的不足, 可以有效地用于Ⅱ型至Ⅲ型水质的沿海浑浊水域, 并且不仅可以比较波段之间的反射比差异, 还可以比较每个波段的绝对反射比差异, 具有较高精度(Sagawa et al, 2010)。

3.3 海草光学遥感监测信息提取

要获得较高精度的海草遥感监测结果, 其中的重要步骤便是采用适宜方法对图像上的信息进行准确解译。基于特征的提取方法是海草信息解译的一种手段。在大多数情况下, 使用复杂的特征能够提取海草信息; 而在影像解译困难的深水区和浑浊水域, 还需要半经验或经验特征提取模型加以辅助(Chen et al, 2016)。用于海草特征提取的方法主要包括: 主成分分析(Pasqualini et al, 2005)、归一化植被指数(normalized difference vegetation index, NDVI) (Barillé et al, 2010)、叶面积指数(leaf area index, LAI)以及离水辐射率和衰减系数等现场测量光学参数相结合的方法(Yang et al, 2010)等。
分类是目前使用光学遥感图像数据进行海草信息解译与监测制图的主要方法。比如对经过水体校正的TM图像采用最大似然法进行分类, 通过分类器的运算将海草覆盖划分为5个等级(Pu et al, 2014); 采用线性混合模型进行海底地表的分类, 以此量化TM/ETM图像上每一像元内的海草丰度(Chen et al, 2016); 采用最大似然法和支持向量机算法对TM图像和IKONOS图像进行海草分类, 验证IKONOS图像能够获得更高精度海草图的观点(Pu et al, 2017)。这些研究成果都是基于图像像素的监督分类和非监督分类方法取得的。此外, 也有学者提出面向对象的海洋生境分类方法, 使用Worldview-2卫星图像创建海洋底部生物生境专题地图, 并获得较高的总体精度(78%) (Baumstark et al, 2016); 或利用海草光谱的反射率特性对海草床进行分类和制图(Kim et al, 2015)等。
相较于基于特征的海草提取方法, 遥感分类技术能有效获取海底海草覆盖信息(Pu et al, 2017); 其中, 光谱分类方法和面向对象的分类方法均有良好效果; 不过面向对象的分类方法比基于光谱的分类方法得到的结果更加准确(Rebekah et al, 2018)。另外, 计算机智能算法的发展推进了遥感图像分类技术的更新, 也能够促进和提高海草监测领域的光学遥感图像分类技术。目前的研究表明, 在海草监测过程中使用深度学习方法对海洋底栖生物覆盖层进行自动分类比其他方法具有相似或更高的精度(Yamakita et al, 2019)。
基于光学遥感影像分类方法进行海草地图绘制, 大致可分为3个阶段: 数据预处理、数据处理和海草地图精度评价, 具体如图4所示(Misbari et al, 2016)。首先, 依次进行图像裁剪、几何纠正、辐射校正、大气校正、离底辐射亮度提取等工作; 其次, 进行水体校正和分类两个关键步骤, 在水体校正的基础上开展分类; 最后, 通过结合现场数据对影像分类结果进行定性和定量分析, 验证分类结果准确性, 绘制出海草空间分布图。
图4 基于光学遥感影像的海草地图绘制流程(Misbari et al, 2016)

Fig. 4 Seagrass mapping process based on optical remote sensing image

3.4 海草光学遥感监测研究的难点

使用光学遥感技术实现海底水生植物海草的监测, 其实质是光学浅水区底质遥感, 该类研究在实际推进过程中存在一定难度。首先, 水体校正是一个关键性问题。目前水体校正方法虽已开发了诸多算法, 但都不能完全消除水体效应, 仅可以将其影响降到最低(Zoffoli et al, 2014)。研究结果表明, 使用水体校正处理遥感图像能够使海草覆盖图的总体分类精度最多提高14%(Pu et al, 2014)。因此, 如何正确消除水体本身对光线传输的影响(特别是在水质浑浊区域、水体透明度低的情况下)是研究过程中必须考虑的重要环节。
此外, 准确划分海洋底质类型是海草光学遥感监测研究的另一个关键。尽管根据海草光谱特征进行海草的光学遥感监测在机理上具有可行性, 但在目前研究的实际开展过程中尚存在难度。如果水下水生植被或海草生境的任何成分(如藻类叶绿素含量、可溶性有机物和无机物)之间或内部存在光谱重叠, 则很难分离相似的光谱响应。同时海草的叶子经常被附生植物寄生, 海草与附生植物共存会导致一定的光谱偏差。尽管研究人员可以使用具有丰富光谱波段的多光谱传感器改善海草光谱库(Levings et al, 1999), 通过高光谱图像初步绘制混合海草生境地图(Pu et al, 2012), 但这方面的相关工作依然存在较大挑战。
例如, Fyfe(2003)对照了澳洲波喜荡草(Posidonia australis)、牟氏鳗草(Zostera capriconi)、卵叶喜盐草(Halophila ovalis) 等3种海草在被表生生物污染和未污染情况下的光谱特征[中文名引自黄小平等(2018)]。结果表明, 无论是否对反射率数据进行校正处理, 在无附生物和有附生物两种不同情况下, 在绿色波长530~580、520~530和580~ 600nm处, 以及红色叶绿素吸收686~700nm处, 物种间的反射率变化均出现差异性, 如图5中红框区域所示(Hossain et al, 2015)。
图5 3种海草的光谱特征及波长(曲线值取其平均值±标准差)相关结果引用自Hossain等(2015)和Fyfe(2003)

Fig. 5 Spectral characteristics and wavelengths of three species of seagrass (mean value ± standard deviation for the curve)

4 总结与展望

光学遥感技术的应用能够提高海草资源调查监测效率, 降低费用成本, 特别是在大范围开展海草遥感监测时优势更为明显。当前光学遥感海草监测研究已取得一定成果, 包括: 利用光学遥感技术识别浅海底部海草栖息地、监测海草空间分布范围和动态变化趋势、绘制海草覆盖图并区分覆盖等级、评估海草丰度及空间特征、分析海草损失的影响因素、反演海草生物量、估算碳储量等; 研究所使用的遥感图像类型多样, 包括多/高光谱、中低/高分辨率、星/机载传感器等; 研究人员根据研究区环境条件、海草物种特性、使用数据特征等制定了不同的研究方案和图像处理方法, 多采用图像分类技术提取海草信息, 并结合现场观测数据评估遥感监测结果。总体来讲, 这些成果都为海草资源的保护、恢复以及科学管理奠定了知识基础。但就现阶段海草监测而言, 仍然是以实地调查为主, 遥感仅作为监测的辅助手段, 这是由于遥感技术应用于海草监测研究尚有许多不足和需要发展的方面。譬如监测数据的准确性不如实地调查获得的结果、水质的透明度对监测精度影响较大; 如何区分海草物种, 以及正确划分海藻与海草等都需要进一步探索。
虽然海草光学遥感监测研究取得了一定成果, 但由于人们对海草认识还不够充分, 对这类物种关注程度也远不如红树林、珊瑚礁、盐沼等其他海洋生态系统类型。海草及海草遥感研究目前尚处于初级阶段, 仍然具有巨大的研究价值和潜力空间, 今后在以下几个方面需着重开展讨论。
1) 探索多样化的海草遥感监测内容。除监测覆盖范围、面积分布、损失变化以外, 今后应探索多样化的海草遥感监测内容要素, 如海草的生物特性、环境压力响应、景观空间结构、海草生态系统健康性、海草生境状况等。随着对海草认识的不断深入, 遥感监测也应更加精细, 如区分不同类型的海草物种、探测分布范围、明确生长特性、辨识不同物种海草对环境变化的响应等。但由于不同海域的水环境质量差异显著, 海草基质类型区分过程往往会受到强烈干扰, 并且两种以上海草混合生长在相同区域或海草与海藻混生的现象均较为普遍, 使这类研究面临较大挑战。
2) 研究更有效的海草光学遥感监测算法。目前使用光学遥感技术进行海草监测的准确性并不太高, 在研究过程中面临较大难度, 比如需要仔细考虑如何消除水体对光线传输的影响、正确辨识海草自身分布密度和深度不同导致的光谱曲线变化, 以及有效区分混合区域的海草与不同物种海藻等。因此今后还需不断完善海草光学遥感监测机理, 进一步研究水体校正模型和图像信息提取方法, 提高海草物种识别和图像提取的准确度。
3) 发展多技术融合的海草遥感监测体系。监测技术是海洋资源保护与管理的重要保障。对比珊瑚礁遥感研究, 使用光学遥感、机载激光雷达测距(light detection and ranging, LiDAR)、机载合成孔径雷达(synthetic aperture radar, SAR)以及船载声学遥感等技术在珊瑚礁生长环境、珊瑚礁底质地貌、珊瑚礁地形和水深、珊瑚礁稳定性等方面取得了丰富成果(黄荣永 等, 2019)。反观海草遥感研究, 当前处于初级阶段, 以光学遥感监测成果居多。随着人类对海草认识加深和海草研究内容多样化发展, 海草遥感监测也应融入更多技术。同珊瑚礁遥感类似, 使用LiDAR和SAR技术开展海草底质地形探测、海草生长环境监测等亦有可能。而水声遥感具有高效、低廉的优势, 而且不受水体浑浊度影响, 能够克服光谱透水性有限的缺陷, 可以与光学遥感互补, 共同服务于海草研究。这些技术将构成全面的海草遥感监测体系。
4) 推动海草遥感监测应用研究。海草恢复是保护海草生态系统的重要工程手段, 其目的是保证海草场及其相邻生态系统的健康稳定。使用遥感技术, 能够针对特定区域(特别是大范围区域)的海草恢复状况进行时间段内或长期监测, 分析其动态变化程度和趋势, 从而达到评估海草保护和恢复成效的目的。另外, 沿海地区人口压力剧增和生态环境恶化对海草生态系统造成了巨大威胁, 通过遥感多尺度监测人类活动及海草生长环境状况, 能够有效分析人类活动对海草生态系统的影响。今后应推广海草遥感监测在这些方面的应用研究, 以便为海草保护与管理提供必要的知识基础。
5) 强化我国海草遥感监测研究。我国是海草资源较为丰富的国家, 但在海草研究方面, 相较于欧美国家尚存在显著差距, 海草光学遥感监测也未引起足够关注。我国海草资源存在严重退化现象, 特别是南海海域的海草生境面临严重威胁。目前国家对海洋资源开发与保护高度重视, 对海草的关注度也随之提高。这为海草研究及管理应用提供了良好契机。因此, 亟需加强我国海草光学遥感监测研究, 为今后国家海洋生态保护提供有力技术支撑。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陈石泉, 王道儒, 吴钟解, 等, 2015a. 海南岛东海岸海草床近10A变化趋势探讨[J]. 海洋环境科学, 34(1):48-53.

CHEN SHIQUAN, WANG DAORU, WU ZHONGJIE, et al, 2015a. Discussion of the change trend of the seagrass beds in the east coast of Hainan Island in nearly a decade[J]. Marine Environmental Science, 34(1):48-53 (in Chinese with English abstract).

[2]
陈石泉, 吴钟解, 陈晓慧, 等, 2015b. 海南岛南部海草资源分布现状调查分析[J]. 海洋学报, 37(6):106-113.

CHEN SHIQUAN, WU ZHONGJIE, CHEN XIAOHUI, et al, 2015b. Investigation and analysis of the distribution status of seagrass resources in the southern part of Hainan Island[J]. Haiyang Xuebao, 37(6):106-113 (in Chinese with English abstract).

[3]
黄荣永, 余克服, 王英辉, 等, 2019. 珊瑚礁遥感研究进展[J]. 遥感学报, 23(6):1091-1112.

HUANG RONGYONG, YU KEFU, WANG YINGHUI, et al, 2019. Progress of the study on coral reef remote sensing[J]. Journal of Remote Sensing, 23(6):1091-1112 (in Chinese with English abstract).

[4]
黄小平, 黄良民, 李颖虹, 等, 2006. 华南沿海主要海草床及其生境威胁[J]. 科学通报, 51(S3):114-119.

HUANG XIAOPING, HUANG LIANGMIN, LI YINGHONG, et al, 2006. Main seagrass beds and threats to their habitats in the coastal sea of South China[J]. Chinese Science Bulletin, 51:136-142.

[5]
黄小平, 江志坚, 张景平, 等, 2018. 全球海草的中文命名[J]. 海洋学报, 40(4):127-133.

HUANG XIAOPING, JIANG ZHIJIAN, ZHANG JINGPING, et al, 2018. The Chinese nomenclature of the global seagrasses[J]. Haiyang Xuebao, 40(4):127-133 (in Chinese with English abstract).

[6]
王道儒, 吴钟解, 陈春华, 等, 2012. 海南岛海草资源分布现状及存在威胁[J]. 海洋环境科学, 31(1):34-38.

WANG DAORU, WU ZHONGJIE, CHEN CHUNHUA, et al, 2012. Distribution of sea-grass resources and existing threat in Hainan Island[J]. Marine Environmental Science, 31(1):34-38 (in Chinese with English abstract).

[7]
杨超宇, 杨顶田, 赵俊, 2010. 光学浅水海草高光谱识别[J]. 热带海洋学报, 29(2):74-79.

YANG CHAOYU, YANG DINGTIAN, ZHAO JUN, 2010. Hyperspectral recognition of seagrass in optically shallow water[J]. Journal of Tropical Oceanography, 29(2):74-79 (in Chinese with English abstract).

[8]
杨顶田, 2007. 海草的卫星遥感研究进展[J]. 热带海洋学报, 26(4):82-86.

YANG DINGTIAN, 2007. Progress in research of seagrass remote sensing[J]. Journal of Tropical Oceanography, 26(4):82-86 (in Chinese with English abstract).

[9]
杨顶田, 刘素敏, 单秀娟, 2013. 海草碳通量的卫星遥感检测研究进展[J]. 热带海洋学报, 32(6):108-114.

YANG DINGTIAN, LIU SUMIN, SHAN XIUJUAN, 2013. Progress in detecting seagrass carbon flux over optically shallow water using satellite remote sensing[J]. Journal of Tropical Oceanography, 32(6):108-114 (in Chinese with English abstract).

[10]
杨宗岱, 1979. 中国海草植物地理学的研究[J]. 海洋湖沼通报, (2):41-46.

YANG ZONGDAI, 1979. The geographical distribution of sea-grasses[J]. Transaction of Oceanology and Limnology, (2):41-46 (in Chinese with English abstract).

[11]
郑凤英, 邱广龙, 范航清, 等, 2013. 中国海草的多样性、分布及保护[J]. 生物多样性, 21(5):517-526.

DOI

ZHENG FENGYING, QIU GUANGLONG, FAN HANGQING, et al, 2013. Diversity, distribution and conservation of Chinese seagrass species[J]. Biodiversity Science, 21(5):517-526 (in Chinese with English abstract).

[12]
周元慧, 胡刚, 张忠华, 等, 2019. 基于Web of Science的国际海草研究文献计量评价[J]. 生态学报, 39(11):4200-4211.

ZHOU YUANHUI, HU GANG, ZHANG ZHONGHUA, et al, 2019. Bibliometric assessment of international seagrass research using the web of science database[J]. Acta Ecologica Sinica, 39(11):4200-4211 (in Chinese with English abstract).

[13]
BAJJOUK T, MOUQUET P, ROPERT M, et al, 2019. Detection of changes in shallow coral reefs status: towards a spatial approach using hyperspectral and multispectral data[J]. Ecological Indicators, 96:174-191.

DOI

[14]
BARILLÉ L, ROBIN M, HARIN N, et al, 2010. Increase in seagrass distribution at Bourgneuf Bay (France) detected by spatial remote sensing[J]. Aquatic Botany, 92(3):185-194.

DOI

[15]
BAUMSTARK R, DIXON B, CARLSON P, et al, 2013. Alternative spatially enhanced integrative techniques for mapping seagrass in Florida's marine ecosystem[J]. International Journal of Remote Sensing, 34(4):1248-1264.

DOI

[16]
BAUMSTARK R, DUFFEY R, PU RUILIANG, 2016. Mapping seagrass and colonized hard bottom in Springs Coast, Florida using WorldView-2 satellite imagery[J]. Estuarine, Coastal and Shelf Science, 181:83-92.

DOI

[17]
BONGIORNO D L, BRYSON M, BRIDGE T C L, et al, 2018. Coregistered hyperspectral and stereo image seafloor mapping from an autonomous underwater vehicle[J]. Journal of Field Robotics, 35(3):312-329.

DOI

[18]
BORFECCHIA F, CONSALVI N, MICHELI C, et al, 2019. Landsat 8 OLI satellite data for mapping of the Posidonia oceanica and benthic habitats of coastal ecosystems[J]. International Journal of Remote Sensing, 40(4):1548-1575.

DOI

[19]
BRAMANTE J F, ALI S M, ZIEGLER A D, et al, 2018. Decadal biomass and area changes in a multi-species meadow in Singapore: Application of multi-resolution satellite imagery[J]. Botanica Marina, 61(3):289-304.

DOI

[20]
CARLSON D F, YARBRO L A, SCOLARO S, et al, 2018. Sea surface temperatures and seagrass mortality in Florida Bay: Spatial and temporal patterns discerned from MODIS and AVHRR data[J]. Remote Sensing of Environment, 208:171-188.

DOI

[21]
CHEN C F, LAU V K, CHANG N B, et al, 2016. Multi-temporal change detection of seagrass beds using integrated Landsat TM/ETM +/OLI imageries in Cam Ranh Bay, Vietnam[J]. Ecological Informatics, 35:43-54.

DOI

[22]
DAVENPORT A E, DAVIS J D, WOO I, et al, 2017. Comparing automated classification and digitization approaches to detect change in eelgrass bed extent during restoration of a large river delta[J]. Northwest Science, 91(3):272-282.

DOI

[23]
DIERSSEN H M, BOSTROM K J, CHLUS A, et al, 2019. Pushing the limits of seagrass remote sensing in the turbid waters of Elkhorn Slough, California[J]. Remote Sensing, 11(14):1664.

DOI

[24]
DUARTE C M, 2002. The future of seagrass meadows[J]. Environmental Conservation, 29(2):192-206.

DOI

[25]
DUFFY J P, PRATT L, ANDERSON K, et al, 2018. Spatial assessment of intertidal seagrass meadows using optical imaging systems and a lightweight drone[J]. Estuarine, Coastal and Shelf Science, 200:169-180.

DOI

[26]
FOURQUREAN J W, DUARTE C M, KENNEDY H, et al, 2012. Seagrass ecosystems as a globally significant carbon stock[J]. Nature Geoscience, 5:505-509.

DOI

[27]
FYFE S K, 2003. Spatial and temporal variation in spectral reflectance: are seagrass species spectrally distinct?[J]. Limnology and Oceanography, 48(1):464-479.

DOI

[28]
GARCIA R A, HEDLEY J D, TIN H C, et al, 2015. A method to analyze the potential of optical remote sensing for benthic habitat mapping[J]. Remote Sensing, 7(10):13157-13189.

DOI

[29]
HOSSAIN M S, BUJANG J S, ZAKARIA M H, et al, 2015. The application of remote sensing to seagrass ecosystems: an overview and future research prospects[J]. International Journal of Remote Sensing, 36(1):61-114.

DOI

[30]
HUANG XIAOPING, HUANG LIANGMIN, LI YINGHONG, et al, 2006. Main seagrass beds and threats to their habitats in the coastal sea of South China[J]. Chinese Science Bulletin, 51:136-142.

DOI

[31]
IMMORDINO F, BARSANTI M, CANDIGLIOTA E, et al, 2019. Application of Sentinel-2 multispectral data for habitat mapping of Pacific Islands: Palau republic (Micronesia, Pacific Ocean)[J]. Journal of Marine Science and Engineering, 7(9):316.

DOI

[32]
KIM K, CHOI J K, RYU J H, et al, 2015. Observation of typhoon-induced seagrass die-off using remote sensing[J]. Estuarine, Coastal and Shelf Science, 154:111-121.

DOI

[33]
KNUDBY A, NEWMAN C, SHAGHUDE Y, et al, 2010. Simple and effective monitoring of historic changes in nearshore environments using the free archive of Landsat imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 12(S1):S116-S122.

DOI

[34]
KONAR B, IKEN K, 2018. The use of unmanned aerial vehicle imagery in intertidal monitoring[J]. Deep Sea Research Part Ⅱ: Topical Studies in Oceanography, 147:79-86.

[35]
KOVACS E, ROELFSEMA C, LYONS M, et al, 2018. Seagrass habitat mapping: How do Landsat 8 OLI, Sentinel-2, ZY-3A, and Worldview-3 perform?[J]. Remote Sensing Letters, 9(7):686-695.

DOI

[36]
LEVINGS C D, NORTH M S, PIERCEY G E, et al, 1999. Mapping Nearshore and intertidal marine habitats with remote sensing and GPS: The importance of spatial and temporal scales[C]// Oceans '99. MTS/IEEE. Riding the Crest into the 21st Century. Conference and Exhibition. Conference Proceedings. Seattle, WA, USA: IEEE: 1249-1255.

[37]
LYONS M B, PHINN S R, ROELFSEMA C M, 2012. Long term land cover and seagrass mapping using Landsat and object-based image analysis from 1972 to 2010 in the coastal environment of South East Queensland, Australia[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 71:34-46.

DOI

[38]
LYZENGA D R, 1978. Passive remote sensing techniques for mapping water depth and bottom features[J]. Applied Optics, 17(3):379-383.

DOI

[39]
LYZENGA D R, 1981. Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data[J]. International Journal of Remote Sensing, 2(1):71-82.

DOI

[40]
MISBARI S, HASHIM M, 2016. Change detection of submerged seagrass biomass in shallow coastal water[J]. Remote Sensing, 8(3):200.

DOI

[41]
MUMBY P J, GREEN E P, EDWARDS A J, et al, 1999. The cost-effectiveness of remote sensing for tropical coastal resources assessment and management[J]. Journal of Environmental Management, 55(3):157-166.

DOI

[42]
MUMBY P J, EDWARDS A J, 2002. Mapping marine environments with IKONOS imagery: enhanced spatial resolution can deliver greater thematic accuracy[J]. Remote Sensing of Environment, 82(2-3):248-257.

DOI

[43]
NAHIRNICK N K, HUNTER P, COSTA M, et al, 2019. Benefits and challenges of UAS imagery for eelgrass (Zostera marina) mapping in small estuaries of the Canadian west coast[J]. Journal of Coastal Research, 35(3):673-683.

DOI

[44]
ORTH R J, CARRUTHERS T J B, DENNISON W C, et al, 2006. A global crisis for seagrass ecosystems[J]. BioScience, 56(12):987-996.

DOI

[45]
PALAFOX-JUÁREZ E B, DE LOS ÁNGELES LICEAGA-CORREA M, 2017. Spatial diversity of a coastal seascape: Characterization, analysis and application for conservation[J]. Ocean & Coastal Management, 136:185-195.

[46]
PASQUALINI V, PERGENT-MARTINI C, PERGENT G, et al, 2005. Use of SPOT 5 for mapping seagrasses: an application to Posidonia oceanica[J]. Remote Sensing of Environment, 94(1):39-45.

DOI

[47]
PHINN S R, KOVACS E M, ROELFSEMA C M, et al, 2018. Assessing the potential for satellite image monitoring of seagrass thermal dynamics: For inter- and shallow sub-tidal seagrasses in the inshore Great Barrier Reef World Heritage Area, Australia[J]. International Journal of Digital Earth, 11(8):803-824.

DOI

[48]
PU RUILIANG, BELL S, BAGGETT L, et al, 2012. Discrimination of seagrass species and cover classes with in situ hyperspectral data[J]. Journal of Coastal Research, 28(6):1330-1344.

[49]
PU RUILIANG, BELL S, MEYER C, 2014. Mapping and assessing seagrass bed changes in Central Florida's west coast using multitemporal Landsat TM imagery[J]. Estuarine, Coastal and Shelf Science, 149:68-79.

DOI

[50]
PU RUILIANG, BELL S, 2017. Mapping seagrass coverage and spatial patterns with high spatial resolution IKONOS imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 54:145-158.

DOI

[51]
REBEKAH S, INAMDAR A B, 2018. Mapping the distribution of coral reef extent and its temporal variation in Gulf of Mannar-comparison of pixel and object based approach[J]. Indian Journal of Geo-Marine Sciences, 47(3):549-557.

[52]
SAGAWA T, BOISNIER E, KOMATSU T, et al, 2010. Using bottom surface reflectance to map coastal marine areas: A new application method for Lyzenga's model[J]. International Journal of Remote Sensing, 31(12):3051-3064.

DOI

[53]
SANTOS R O, VARONA G, AVILA C L, et al, 2020. Implications of macroalgae blooms to the spatial structure of seagrass seascapes: The case of the Anadyomene Spp. (Chlorophyta) Bloom in Biscayne Bay, Florida[J]. Marine Pollution Bulletin, 150:110742.

DOI

[54]
SHORT F T, POLIDORO B, LIVINGSTONE S R, et al, 2011. Extinction risk assessment of the world's seagrass species[J]. Biological Conservation, 144(7):1961-1971.

DOI

[55]
SHORT F T, WYLLIE-ECHEVERRIA S, 1996. Natural and human-induced disturbance of seagrasses[J]. Environmental Conservation, 23(1):17-27.

DOI

[56]
SOUSA A I, DA SILVA J F, AZEVEDO A, et al, 2019. Blue carbon stock in Zostera noltei meadows at Ria De Aveiro coastal lagoon (Portugal) over a decade[J]. Scientific Reports, 9:14387.

DOI

[57]
ST-PIERRE A P, GAGNON P, 2020. Kelp-bed dynamics across scales: Enhancing mapping capability with remote sensing and GIS[J]. Journal of Experimental Marine Biology and Ecology, 522:151246.

DOI

[58]
TOPOUZELIS K, MAKRI D, STOUPAS N, et al, 2018. Seagrass mapping in Greek territorial waters using Landsat-8 satellite images[J]. International Journal of Applied Earth Observation and Geoinformation, 67:98-113.

DOI

[59]
TRAGANOS D, REINARTZ P, 2018a. Interannual change detection of mediterranean seagrasses using RapidEye image time series[J]. Frontiers in Plant Science, 9:96.

DOI

[60]
TRAGANOS D, REINARTZ P, 2018b. Mapping Mediterranean seagrasses with Sentinel-2 imagery[J]. Marine Pollution Bulletin, 134:197-209.

DOI

[61]
UNSWORTH R K F, MCKENZIE L J, COLLIER C J, et al, 2019. Global challenges for seagrass conservation[J]. Ambio, 48(8):801-815.

DOI

[62]
WABNITZ C C, ANDRÉFOUËT S, TORRES-PULLIZA D, et al, 2008. Regional-scale seagrass habitat mapping in the Wider Caribbean region using Landsat sensors: Applications to conservation and ecology[J]. Remote Sensing of Environment, 112(8):3455-3467.

DOI

[63]
WAYCOTT M, DUARTE C M, CARRUTHERS T J B, et al, 2009. Accelerating loss of seagrasses across the globe threatens coastal ecosystems[J]. Proceedings of the National Academy of Sciences of the United States of America, 106(30):12377-12381.

[64]
WICAKSONO P, FAUZAN M A, KUMARA I S W, et al, 2019. Analysis of reflectance spectra of tropical seagrass species and their value for mapping using multispectral satellite images[J]. International Journal of Remote Sensing, 40(23):8955-8978.

[65]
YAMAKITA T, SODEYAMA F, WHANPETCH N, et al, 2019. Application of deep learning techniques for determining the spatial extent and classification of seagrass beds, Trang, Thailand[J]. Botanica Marina, 62(4):291-307.

DOI

[66]
YANG CHAOYU, YANG DINGTIAN, CAO WENXI, et al, 2010. Analysis of seagrass reflectivity by using a water column correction algorithm[J]. International Journal of Remote Sensing, 31(17-18):4595-4608.

DOI

[67]
YANG DINGTIAN, YANG CHAOYU, 2009. Detection of seagrass distribution changes from 1991 to 2006 in Xincun Bay, Hainan, with satellite remote sensing[J]. Sensors, 9(2):830-844.

DOI

[68]
YANG DINGTIAN, HUANG DAOJIAN, 2011. Impacts of Typhoons Tianying and Dawei on seagrass distribution in Xincun Bay, Hainan province, China[J]. Acta Oceanologica Sinica, 30(1):32-39.

DOI

[69]
ZOFFOLI M L, FROUIN R, KAMPEL M, 2014. Water column correction for coral reef studies by remote sensing[J]. Sensors, 14(9):16881-16931.

DOI

Options
Outlines

/

〈 〉