利用多传感器卫星图像和深度学习技术，对中国边缘海域大规模有害藻华的突然加剧及其时空动态进行了研究

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Abrupt intensification and spatiotemporal dynamics of large-scale harmful algal blooms in China’s marginal seas mapped using multi-sensor satellite imagery and deep learning

　　杜一晨|王梦秋|李中斌|李俊生|胡教灿
武汉大学遥感与信息工程学院，430000，中国

摘要
有害藻华（HABs）对中国周边边缘海域的海洋生态系统和沿海经济构成了日益严重的威胁。尽管卫星观测大大提高了我们对HABs分布的了解，但大多数先前的研究依赖于单一传感器，这些传感器受到时间分辨率的限制，无法捕捉到短暂藻华的动态变化，并且缺乏对近期趋势和季节性变化的连续评估。本研究通过整合来自中分辨率成像光谱辐射计（MODIS）、可见光红外成像辐射仪套件（VIIRS）和海洋与陆地颜色仪器（OLCI）的74,882张图像，生成了2018年至2024年的HABs记录。我们开发了一个名为Res-UNet的深度学习模型，用于提取渤海、黄海、东海和南海地区的HABs。该模型在所有传感器上均取得了高准确率，平均F1分数为0.85，即使在缺乏荧光波段的VIIRS图像上也能表现良好。与中国海洋灾害公报的验证结果显示准确率为81.09%，并与CIE-HABs数据集和高空间分辨率图像（Sentinel-2 MSI、Landsat-8 OLI和HY-1C CZI）的比较进一步证实了其可靠性。与单一传感器结果相比，我们的多传感器数据集结合了六个传感器的信息，识别出了更广泛的藻华范围，并且爆发频率较低。利用我们的多传感器数据集，我们发现2023-2024年的HAB强度相比2018-2022年的平均水平增加了51%以上，特别是在渤海和南海地区，这与海表温度异常升高相吻合。黄海表现出最明显的季节性特征，四月和八月出现双峰现象，而渤海沿岸和珠江三角洲则呈现夏季主导的模式。中国边缘海域的HABs季节性变化呈现从春季的南海向夏季的渤海和东海的北移趋势。我们的发现突显了多传感器集成和深度学习在HABs监测中的价值，为在人为和气候变化影响下的藻华动态提供了新的见解。

1. 引言
赤潮，也称为有害藻华（HABs），由各种浮游植物的异常增殖引起，已成为全球沿海水域的主要环境威胁（Hallegraeff等人，2021年；Dai等人，2023年；Lee等人，2025年）。这些藻华会释放毒素，威胁水产养殖、海洋生物多样性以及人类健康，而随后密集藻类的分解常常导致缺氧和底栖生物的大规模死亡（Schantz等人，2002年；Diaz和Rosenberg，2008年；Richlen等人，2010年；Wells等人，2020年）。即使是没有毒素的藻华也会降低水质并损害生态系统功能（Breitburg等人，2018年），给渔业、水产养殖和旅游业造成重大经济损失（Stumpf等人，2003年；Heisler等人，2008年；Hu等人，2016年）。
受到人为压力加剧、营养富集和环境条件变化的影响，中国周边的边缘海域受HABs的影响日益严重（Xiao等人，2019年；Zeng等人，2019年；He等人，2021年；Wang等人，2021年；Guan等人，2022年；Zhou等人，2022年；Chen等人，2023年；Feng等人，2023年；Wei等人，2023年；Zeng等人，2024年）。这些半封闭的沿海系统承受着工业排放、水产养殖扩张和农业径流等人造压力的影响。长江、珠江和黄河等河流带来的高营养输入，在良好的环境条件下（如强烈的分层、减弱的水循环和高太阳辐射）促进了藻类的增殖（Wang等人，2003年；Li等人，2014年；Lan等人，2024年）（Hallegraeff，2010年；Ou等人，2017年）。此外，气候变化导致了长期的海表温度升高并改变了水动力模式（Dong等人，2025年），进一步加剧了藻华的持续性和季节性特征的变化（Paerl和Huisman，2008年）。
由于中分辨率多光谱卫星传感器的频繁 revisit、广泛的覆盖范围和多光谱成像能力，包括中分辨率成像光谱辐射计（MODIS）、中分辨率成像光谱仪（MERIS）、海洋与陆地颜色仪器（OLCI）和可见光红外成像辐射仪套件（VIIRS），已被用于HABs监测（Zhao等人，2015年；Shen等人，2019年；Gower和King，2020年；Wang和Hu，2021年）。这些传感器可以通过太阳诱导的叶绿素荧光或特定的光谱反射特征来识别HABs。在本研究中，HABs被定义为在卫星图像中产生可检测荧光信号的微藻表面积聚（Hu等人，2005年；Dai等人，2023年）。为了提取这些信号，开发了多种光谱指数，包括归一化荧光线高（nFLH，Hu等人，2005年）、赤潮指数（RI，Ahn和Shanmugam，2006年）、藻华指数（ABI，Hu和Feng，2017年）、红-蓝差异（RBD，Amin等人，2009年）、Karenia brevis藻华指数（KBBI，Amin等人，2009年）、红-绿-叶绿素-a指数（RGCI，Qi等人，2015年；Yao等人，2023年）、赤潮检测指数（RDI，Shen等人，2019年）和国际照明委员会（CIE，Dai等人，2023年）。虽然这些指数能有效突出藻类信号，但它们通常依赖于图像特定的阈值，这在光学复杂且大气干扰频繁的水域中限制了它们的稳健性和自动化程度，从而阻碍了它们用于长期、大规模HABs监测的可扩展性。
深度学习的最新进展使得通过直接从卫星图像中学习藻类的空间和光谱模式，实现了更灵活和更稳健的HABs检测。特别是基于卷积神经网络（CNN）的架构，如ViT-U-Net、FANet和Res-UNet，在不同的环境条件和传感器类型下表现出更好的适应性（Shin等人，2022年；Yao等人，2023年；Heidarianbaei等人，2024年；Sun等人，2024年），为大规模、更可靠和跨传感器的HABs监测框架提供了有希望的途径。然而，大多数长期的HABs监测工作仍然依赖单一传感器，这些传感器受到时间分辨率的限制，无法捕捉到短暂藻华的动态变化。这一限制，加上HABs的偶发性和短暂性（Shen等人，2019年；Jing等人，2024年；Xu等人，2024年），使得单一传感器观测不足以捕捉高频变化。为了应对这些挑战，多传感器融合已成为一种有效的策略，以增强海洋藻华监测的数据覆盖率和频率（Ody等人，2019年；Wang和Hu，2021年；Hu等人，2023年）。
在2023-2024年期间，几项区域研究和报告记录了中国沿海的局部HAB爆发事件，例如2024年深圳湾的Phaeocystis globosa HABs（深圳晚报，2024年；Huang等人，2025a）。然而，这些观测仍然分散且具有地域性。对中国边缘海域整个时空范围内的HABs模式的全面评估仍然缺乏。同时，在渤海、黄海和南海观察到了显著的海表温度异常，这与长期海洋变暖趋势有关（Marshal等人，2025年；Wu等人，2025年）。在这些气候压力下，进行系统的调查对于监测藻华模式和阐明其潜在机制至关重要。

为了应对这些差距，本研究旨在：（1）使用MODIS、OLCI和VIIRS数据开发基于深度学习的HABs检测模型，以实现对中国边缘海域的高时间分辨率和连续观测；（2）量化不同传感器之间HABs检测结果的一致性，并评估多传感器数据融合的可行性；（3）使用来自融合多传感器数据的每周平均地图分析HABs的近期时空趋势和季节性变化；（4） investigate近期异常海表温度升高与HABs爆发之间的关系。

2. 数据和方法
本研究关注中国的边缘海域，范围从北纬2°到41°，东经105°到130°，包括渤海、黄海、东海和南海。在这个广阔的区域内，我们进一步定义了三个HABs频率相对较高的关键沿海子区域（Huang等人，2025b）：渤海沿岸（BR，35.75°N–40.9°N，117.6°E–125°E）、长江三角洲（YRD，27.25°N–33°N，120.25°E–128.5°E）和珠江三角洲（PRD，20.5°N–23.5°N，111.75°E–116.5°E）（图1）。

图1. 中国边缘海域的研究区域和HAB频率的空间分布。（a）2022年整个研究区域的年HAB频率。（b–d）三个关键区域的区域HAB频率地图：渤海沿岸（BR）、长江三角洲（YRD）和珠江三角洲（PRD）。（e）观察到的HAB事件的照片。这里，HAB频率定义为每个像素处HAB检测次数与有效卫星观测次数的比率（详见第2.3.5节的定义，公式（11）。

2.1. HABs监测数据
2.1.1. 多光谱卫星图像
为了监测中国边缘海域的HABs，我们使用了来自三种类型卫星传感器的多光谱数据：MODIS（2003–2024年）、OLCI（2018–2024年）和VIIRS（2018–2024年）。MODIS安装在NASA的Terra和Aqua卫星上，提供每日全球覆盖，具有36个光谱带，空间分辨率从250米到1公里不等。OLCI由欧洲航天局的Sentinel-3卫星携带，提供更高的空间分辨率（300米）和21个适用于海洋颜色应用的光谱带。VIIRS安装在Suomi-NPP和NOAA-20平台上，提供中分辨率图像（375–750米），具有22个适用于大气和海洋监测的光谱带。
我们专注于2018年至2024年的多传感器数据，以表征最近的HABs模式，MODIS-Aqua数据（2003–2024年）提供了历史背景以供比较。总计从NASA的Ocean Color网站（https://oceancolor.gsfc.nasa.gov/）获取了103,895张Level-1图像（表1）。所有图像均使用SeaWiFS数据分析系统（SeaDAS，版本9.2.0）处理为Rayleigh校正反射率（Rrc）。Rrc产品保留了气溶胶散射效应，但避免了沿海水域中完全大气校正的不确定性，由于数据可用性更广且光谱畸变量较小，因此在沿海和藻华监测中得到了广泛使用（Hu等人，2016年；Dai等人，2023年；图S20）。重要的是，本研究中采用的HAB检测方法基于空间-光谱模式，并且对Rrc中的残余大气效应具有鲁棒性。所有Rrc产品随后使用等角投影重新采样为1公里的空间分辨率，以确保空间一致性并避免跨数据集中的几何错配。鉴于处理后的卫星产品的1公里空间分辨率，本研究中分析的HAB事件代表了可通过公里级分辨率卫星观测检测到的藻华斑块。

表1. 本研究中使用的多传感器卫星图像概述。
传感器-卫星 数量 空间分辨率 时间分辨率 时间范围
MODIS-Aqua（MODISA） 46,692 1公里 1天 2003–2024年
MODIS-Terra（MODIST） 15,591 1公里 1天 2018–2024年
OLCI-Sentinel3A 11,849 1公里 1天 2018–2024年
OLCI-Sentinel3B 11,393 1公里 1天 2018–2024年
VIIRS-NOAA20 10,730 1公里 1天 2018–2024年
VIIRS-SNPP 10,497 1公里 1天 2018–2024年
总计 106,752 ? ?

2.1.2. 高空间分辨率卫星图像
为了评估HABs提取的准确性，选择了28张高空间分辨率图像进行验证（表S2），每年度4个场景，代表每个季节的一个图像。这些包括从中国国家卫星海洋应用服务（https://osdds.nsoas.org.cn/DataRetrieval）获取的3张HY-1C CZI Level-2A Rrc图像，23张Sentinel-2 MSI图像，以及通过Google Earth Engine（https://earthengine.google.com/）获取的2张Landsat-8 OLI图像，作为大气顶层（TOA）反射率产品。使用TOA反射率的理由在附录B（S1.4.1节）中有详细说明。图像选择优先考虑了高质量和最小的云覆盖，同时要求所有六个传感器（MODISA、MODIST、OLCI3A、OLCI3B、VIIRSN20和VIIRSNPP）都有同一天的观测数据。这些时间对齐的图像被可视化为红-绿-蓝（RGB）或增强型红-绿-蓝（ERGB）合成图像，以便于在传感器间定性地比较HABs的空间分布。

2.1.3. 中国的海洋灾害公报
为了验证HABs提取结果，我们汇编了2003年至2023年间中国的21年海洋灾害公报记录，这是由中国自然资源部发布的年度报告（https://www.mnr.gov.cn/sj/sjfw/hy/gbgg/zghyzhgb/）。该公报记录了中国沿海水域的主要海洋灾害事件，包括HABs。对于每个报告的事件，它提供了日期、位置和空间范围等关键信息，作为HABs发生的权威参考。总共收集并总结了206条HABs记录，详细事件描述见附录A。大多数报告的HAB事件发生在夏季，浙江沿海水域的报告尤为频繁。

表2中国海洋灾害公报中赤潮（HABs）记录的年度总结，包括报告事件的数量、季节分布以及每年受影响最严重的地区。

| 年份 | 记录数量 | 记录的季节分布（春季/夏季/秋季/冬季） | 受影响最严重的地区 |
|------|---------|----------------------|------------------|
| 2003 | 50 | 4/1/0 | 睦亭岛，浙江 |
| 2004 | 40 | 4/0/0 | 黄河口，山东 |
| 2005 | 100 | 7/3/0 | 长江三角洲 |
| 2006 | 70 | 4/0/0 | 余山镇，浙江 |
| 2007 | 91 | 2/5/1 | 南田岛，浙江 |
| 2008 | 181 | 11/6/0 | 徐家店，浙江 |
| 2009 | 170 | 14/2/1 | 边海地区 |
| 2010 | 190 | 15/4/0 | 铁岭水镇 |
| 2011 | 80 | 4/3/1 | 长海市 |
| 2012 | 120 | 12/0/0 | 舟山 |
| 2013 | 90 | 6/3/0 | 秦皇岛 |
| 2014 | 150 | 10/5/0 | 秦皇岛 |
| 2015 | 81 | 5/2/0 | 萧山县 |
| 2016 | 131 | 6/6/0 | 长江三角洲 |
| 2017 | 115 | 5/1/0 | 水东湾，广东 |
| 2018 | 40 | 1/3/0 | 余山镇，浙江 |
| 2019 | 40 | 3/1/0 | 睦亭岛，浙江 |
| 2020 | 70 | 5/2/0 | 余山镇，浙江 |
| 2021 | 101 | 3/3/3 | 贵州岛，广西 |
| 2022 | 110 | 6/5/0 | 温州市 |
| 2023 | 50 | 3/2/0 | 浦山县 |

2.2. 海洋环境数据
为了研究赤潮的环境驱动因素，我们编制了一套辅助环境变量，包括卫星衍生数据和模型数据。卫星产品包括海表温度（SST，℃）和光合有效辐射（PAR，einstein·m?2·day?1）。模型衍生变量包括硝酸盐（NO3，mmol·m?3）、磷酸盐（PO4，mmol·m?3）、海表盐度（SSS）和混合层深度（MLD，m）。这些变量的选择基于它们对浮游植物生长和爆发动态的潜在影响。

2.2.1. 卫星衍生环境数据
SST数据来自NOAA Optimum Interpolation SST V2高分辨率数据集（https://psl.noaa.gov/data/gridded/data.noaa.oisst.v2.highres.html）。该数据集整合了多源卫星观测数据（包括AVHRR和VIIRS）和实地测量数据，并应用最佳插值方法生成空间分辨率为0.25°的全球SST场。SST异常值是通过计算每个网格单元的月度SST与2018–2024年期间相应的多年月平均值之间的差异得到的。2018至2024年的月平均SST和SST异常值数据用于分析中国边缘海域的温度变化。

PAR数据来自NASA海洋生物处理组。基于MODIS-Aqua观测数据生成的月平均PAR产品可通过NASA海洋颜色网站（https://oceandata.sci.gsfc.nasa.gov/）公开获取。这些产品测量达到海面的400–700纳米波长范围的太阳辐射，并提供空间分辨率为4.64公里的全局覆盖。为了与其他环境数据集保持一致，PAR数据使用等角投影重新采样到0.25°的空间分辨率。

2.2.2. 建模环境数据
NO3和PO4浓度数据来自Copernicus海洋服务提供的全球海洋生物地球化学分析和预测产品（https://data.marine.copernicus.eu/product/）。该产品使用NEMO v3.6海洋环流模型生成空间分辨率为0.25°的全球3D生物地球化学变量场。在本研究中，仅使用0.49米深度的表层数据来代表近海海域条件。SSS数据来源于喷气推进实验室生产的土壤湿度主动被动（SMAP）任务的月度产品。该产品整合了SMAP L2B观测数据，提供0.25°分辨率的全球月度海表盐度场。使用的是版本5.0的产品，可通过物理海洋学分布式主动档案中心（https://podaac.jpl.nasa.gov/）获取。

2.3. 赤潮检测与爆发强度量化
我们的赤潮地图框架包括数据预处理、赤潮提取、多传感器数据整合和趋势分析（图2）。每个步骤的详细方法在以下部分中有描述。

图2. 多传感器数据集的赤潮提取、量化和趋势分析工作流程。

2.3.1. 卫星数据预处理
在赤潮检测之前，对卫星数据应用了一系列预处理步骤以提高质量并减少污染，包括屏蔽陆地、云层、云影和太阳反射光，以及对MODIST数据进行去噪处理。陆地区域使用全球自洽、分层、高分辨率海岸线数据库（https://www.ngdc.noaa.gov/mgg/shorelines/gshhs.html）进行屏蔽。云层、云影和太阳反射光像素使用优化的FANet模型（Liu等人，2024）进行识别。为了进一步提高数据质量，应用了基于Tadmor–Nezzar–Vese（TNV）变分框架的去噪算法（Bouali和Ignatov，2014；Mikelsons等人，2014）来抑制传感器退化引起的条带噪声，同时保留对赤潮检测至关重要的关键空间特征。

屏蔽无效数据后，对模型输入所需的光谱带的反射率进行了预处理。对于每个传感器，选择了与赤潮检测相关的特定光谱带和衍生指数（表3）。对于包含用于CIE计算的荧光带的MODIS和OLCI传感器，CIE（CIE_X和CIE_Y）被作为输入特征之一。相比之下，VIIRS传感器缺乏这些荧光敏感带，因此使用了三个替代指数：叶绿素-a浓度（Chla，来自SeaDAS生成的叶绿素-a产品（Hu等人，2012））、RDI（Shen等人，2019）和蓝绿反射率比（BGR（Gitelson和Kondratyev，2007））。这些指数的计算方法如下：
(1) CIE_X = (X/(X+Y+Z)
CIE_Y = (Y/(X+Y+Z)
其中X = 2.7689R + 1.7517G + 1.1302B
Y = 1.0000R + 4.5907G + 0.0601B
Z = 0.0000R + 0.0565G + 5.5943B
R、G和B分别代表MODIS数据中748纳米、678纳米和667纳米处的Rrc，以及OLCI数据中754纳米、681纳米和665纳米处的Rrc。
(2) RDI = (1/Rrcλ1 - 1/Rrcλ2) * Rrcλ3
其中λ1、λ2和λ3分别代表VIIRSN20中的667纳米、556纳米和746纳米，以及VIIRSNPP中的671纳米、551纳米和745纳米。
(3) BGR = Rrcλ1/Rrcλ2
其中λ1和λ2分别代表VIIRSN20中的556纳米和445纳米，以及VIIRSNPP中的551纳米和443纳米。值得注意的是，所选指数在不同赤潮物种中一致地增强了爆发信号，如附录B（S1.7）所示。

表3. 作为每个卫星传感器输入特征的光谱带和衍生指数

| 卫星传感器 | 输入光谱带 | 衍生指数 |
|---------|---------|---------|
| MODIS | Rrc 443, Rrc 488, Rrc 555, Rrc 645, Rrc 678, Rrc 859, Rrc 1240 | CIE_X, CIE_Y |
| | Rrc 443, Rrc 488, Rrc 555, Rrc 645, Rrc 678, Rrc 859, Rrc 1240 | CIE_X, CIE_Y |
| OLCI3A | Rrc 412, Rrc 443, Rrc 560, Rrc 665, Rrc 681, Rrc 865, Rrc 1013 | CIE_X, CIE_Y |
| | Rrc 412, Rrc 443, Rrc 560, Rrc 665, Rrc 681, Rrc 865, Rrc 1013 | CIE_X, CIE_Y |
| VIIRS | Rrc 411, Rrc 445, Rrc 556, Rrc 667, Rrc 746, Rrc 868, Chla, RDI, BGR | |
| | Rrc 410, Rrc 443, Rrc 551, Rrc 671, Rrc 745, Rrc 862, Chla, RDI, BGR | |

2.3.2. 基于深度学习的赤潮提取
采用了一种结合了ResNet（He等人，2016）的残差学习策略和U-Net（Ronneberger等人，2015）的编码器-解码器架构的Res-UNet深度学习模型（Wang和Hu，2021），从多传感器卫星图像中提取赤潮（图S21）。残差连接有助于有效训练更深层次的网络，减轻梯度消失问题并增强特征传播，而U形编码器-解码器结构通过多尺度特征融合保留了精细的空间细节。这种架构适用于藻类爆发检测（Qi等人，2025），因为它能够捕捉不同传感器间表面藻类爆发的光谱特征和空间连续性，从而提高分割准确性和鲁棒性。

为了开发Res-UNet模型的训练和验证数据集，选择了覆盖不同季节多样时间和环境的卫星图像。具体来说，选择了来自MODIS的160幅图像、MODIST的200幅图像、OLCI3A和OLCI3B的各160幅图像，以及VIIRSN20和VIIRSNPP的各140幅图像。根据基于卫星的赤潮映射研究中的广泛采用的实践（Hu等人，2016；Dai等人，2023），通过可见红-绿-蓝（ERGB）合成图像的视觉解释和阈值分割生成了地面真实标签。为了确保标签的可靠性，每幅图像由两名分析师独立标注，随后由高级专家进行质量控制审核。标注后的图像被划分为256 × 256像素的patches（表4）。标签工作流程和一致性评估的详细描述见附录B（S1.1）。对于每个传感器，70%的patches用于训练，剩余30%用于验证。独立于训练和验证数据的测试集用于评估，每个传感器选择了36幅图像，每个月3幅，以评估模型在不同季节和环境条件下的泛化能力。

表4. 训练、验证和测试数据集中使用的patches数量

| 卫星传感器 | 披片大小 | 训练patches | 验证patches | 测试patches |
|---------|---------|---------|---------|
| MODIS | 256 × 256 | 496 | 821 | 212 |
| | 256 × 256 | 566 | 324 | 272 |
| | 256 × 256 | 487 | 120 | 88 |
| OLCI3A | 256 × 256 | 487 | 120 | 88 |
| | 256 × 256 | 419 | 179 | 76 |
| OLCI3B | 256 × 256 | 419 | 179 | 71 |
| | 256 × 256 | 459 | 197 | 117 |
| VIIRSN20 | 256 × 256 | 459 | 197 | 117 |
| VIIRSNPP | 256 × 256 | 479 | 197 | 188 |
| | 256 × 256 | 479 | 205 | 188 |

Res-UNet模型使用1e-4的学习率训练了140个周期。损失函数定义为Jaccard损失（Jaccard，1912）和二元交叉熵（BCE）损失的组合（Shim，2024）：
(4) Loss = α * LossJaccard + 1 - α * LossBCE
其中α = 0.5。Jaccard损失定义为：
(5) LossJaccard = -log(TP + FP + FN)
其中TP是正确预测的赤潮像素数量，FP是错误预测为赤潮的非赤潮像素数量，FN是预测遗漏的赤潮像素数量。BCE损失定义为：
(6) LossBCE = -1/N * ∑i=1? log(pi) * (1 - pi)
其中yi∈{0,1}是像素i的地面真实标签，pi∈{0,1}是像素i的预测概率，N是像素总数。

所有模型都分别使用相应的训练数据集对每个传感器进行了独立训练和验证。为了确保评估的鲁棒性，模型随后在单独的测试数据集上进行了测试。

2.3.3. 准确性评估
通过将模型输出与特定传感器的地面真实图像进行比较，并将结果与中国海洋灾害公报的权威记录进行验证，来评估赤潮检测的准确性。

为了定量评估赤潮提取的准确性，我们使用36幅测试图像分别评估了Res-UNet模型在每个传感器上的性能。将预测的赤潮地图与相应的地面真实标签进行比较。使用准确性、精确度、召回率和F1分数作为评估指标：
(7) Accuracy = (TP + TN) / (TP + TN + FP + FN)
(8) Precision = TP / (TP + FP)
(9) Recall = TP / (TP + FN)
(10) F1 = 2 * Precision * Recall / (Precision + Recall)
其中TP是指正确识别的赤潮像素数量，FP是指错误分类为赤潮的非赤潮像素数量，FN是指预测遗漏的赤潮像素数量，TN是指正确识别的非赤潮像素数量。

赤潮提取结果的可靠性进一步使用2003至2023年的中国海洋灾害公报进行了验证，这些公报记录了中国沿海地区的赤潮事件。通过将Res-UNet得出的赤潮结果与公报中的相应日期和位置进行比较来进行验证。对于每个事件，在报告位置周围应用了50像素（50公里）的缓冲区，如果该缓冲区域内在报告期间的赤潮频率≥0.5，则认为事件得到验证。这里，赤潮频率定义为在该期间检测到赤潮的卫星图像的比例。为了进一步评估这一结果的鲁棒性，通过调整频率阈值、空间缓冲区大小和扩展报告时间窗口来进行了敏感性分析，具体是将报告事件日期向两个方向扩展了几天。相应的结果见附录B（S1.2）。

此外，我们还将我们的结果与Dai等人（2023）提出的CIE-HABs数据集（https://zenodo.org/records/7359262）进行了比较，并与高空间分辨率的遥感图像进行了验证（附录B（S1.3–4）。

2.3.4. 赤潮结果的跨传感器一致性分析
评估多传感器集成监测赤潮的可行性需要评估不同卫星传感器之间提取结果的一致性。由于赤潮在空间和时间上可能迅速演变（Lou和Hu，2014；Li等人，2025），因此传感器间比较必须最小化时间不匹配，以避免由爆发移动或演变引起的伪影。为了确保可比性，选择了由MODISA或VIIRSN20检测到的大规模赤潮事件（面积>60,000平方公里），后者具有最宽的覆盖范围，因此与其他传感器的时间重叠可能性最高。然后将这些参考场景与其他传感器的近乎同步观测结果（在同一小时内收集）进行配对。对于每一对匹配的案例，将每个传感器得出的赤潮受HAB影响的区域被定义为在给定时间内任何传感器识别为HAB的所有像素的并集，代表了总受影响面积。HAB频率定义为HAB检测次数与同一时间段内有效卫星观测次数的比率，代表了该位置发生HAB的可能性（公式（11）：(11) HABfrequency = ni/Ni，其中ni是在给定时间内六个传感器将像素i识别为HAB的次数，Ni是在同一时期六个传感器对像素i的有效卫星观测次数。然后通过汇总区域内像素级别的爆发频率来计算HAB强度，代表了HAB活动的综合空间和时间范围。

2.4 HABs的时空趋势和季节性模式分析
为了研究HABs的时空动态，我们应用了贝叶斯突变、季节性和趋势估计器（BEAST）算法（Zhao等人，2019）来分析从多传感器观测中得出的HAB强度的周平均时间序列。使用每周合成图像以确保对中国边缘海域的近乎完整的空间覆盖，这使用每日数据是不可行的，因为云层覆盖持续存在。BEAST将HAB强度时间序列分解为三个组成部分：长期趋势（去季节性化的）、季节性变化和残差噪声。它能够在统一的贝叶斯框架内同时检测突变、季节性模式和长期趋势，并量化与每个组成部分相关的不确定性。当后验概率超过0.1时，就识别出变化点，从而捕捉到长期转变和爆发活动的突然变化（Zhao等人，2019）。通过在趋势和季节性组成部分中识别变化点，该方法可以捕捉到渐进的变化。

分析针对中国的整个边缘海域和三个关键沿海地区（BR、YRD和PRD）进行。对于每个地区，我们确定了突变的时间，量化了长期趋势，并描述了主导的季节性模式。为了进一步研究HABs的空间动态，以0.25°的分辨率应用了BEAST分析。对于每个像素，提取了趋势斜率和月度季节性组成部分，以评估中国周边边缘海域的长期趋势和季节性的空间模式。这里，趋势斜率代表整个期间的平均变化率（公式（12），而不是单个线性拟合的斜率。BEAST模拟了一个平滑的趋势曲线，并估计每个时间点的斜率，捕捉到非线性的长期趋势，同时确保了空间可比性。（12） trendslope = 1/N ∑t=1N slope(t)，其中slope(t)是BEAST估计的每周斜率，N是整个期间的总周数。

3. 结果
3.1 HABs提取性能
在测试集上，优化的Res-UNet模型在所有六个卫星传感器上显示出高且一致的高HAB提取性能，平均F1分数为0.85（表5）。即使在没有荧光带的情况下，该模型也保持了高准确性，并且能够在近岸、浑浊和低爆发强度条件下有效检测到爆发（图3）。

表5. 使用Res-UNet模型在六个传感器上提取HABs结果的准确性评估。
Empty Cell
MODIS
AMODIS
TOLCI3A
OLCI3B
VIIRS
SN20
VIIRS
SNPP
Accuracy
0.99
0.99
0.99
0.99
0.99
0.99
0.99
Precision
0.84
0.80
0.82
0.81
0.84
0.85
Recall
0.91
0.84
0.88
0.87
0.86
0.86
F1
0.87
0.82
0.85
0.84
0.85
0.85

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图3. 在具有挑战性的条件下（强HABs、近岸、弱HABs和高度浑浊的水域）HAB提取性能的示例。第一列显示了增强的红-绿-蓝（ERGB）合成图像。第二和第三列显示了使用Res-UNet模型的提取结果及其对应的地面真实标签。黄色虚线圆圈突出显示了每个挑战性条件的代表性区域。

与中国的海洋灾害公告记录的比较显示准确率为81.09%，证明了Res-UNet得出的HABs与报告事件之间有很强的一致性。为了评估这一结果的稳健性，通过改变频率阈值、时间窗口和空间缓冲区大小进行了敏感性分析。结果确认，0.5的频率阈值、0天的时间窗口和50公里的空间缓冲区为使用公告记录验证卫星衍生的HABs提供了一个平衡和可靠的配置。与CIE-HABs数据集和高空间分辨率图像的额外比较进一步证实了其可靠性（附录B（S1.2–4）。

3.2 沿海HABs的时空模式
3.2.1 2018年至2024年的年均沿海HABs分布
从多传感器数据集中得出的年均HAB频率图显示了2018年至2024年的一致空间模式（图4）。HAB活动通常在近岸水域最高，东海的爆发最为广泛。靠近主要河流三角洲的关键沿海地区，包括长江三角洲、珠江三角洲和渤海沿岸，也显示出高HAB活动，这可能是由营养物质输入和有利的环境条件驱动的。

下载：下载高分辨率图像（647KB）
下载：下载全尺寸图像

图4. 基于多传感器监测的2018年至2024年中国边缘海域HABs的年际变化。(a–g) HAB频率的年度空间分布。(h) 受HAB影响的年度变化。(i) HAB强度的年度变化。

从2023年开始，受HAB影响的区域和HAB强度急剧增加，面积扩大了约24%，强度增长了超过51%。受HAB影响的区域从2018年的2.23 × 10^5平方公里增加到2024年的2.77 × 10^5平方公里（图4h）。与此同时，代表HAB活动整体时空范围的HAB强度在2018年至2022年间平均为11.12 × 10^4，然后在2023–2024年间增长了超过51%，达到16.82 × 10^4（图4i）。这表明最近向更严重和更广泛的HABs转变，特别是在渤海和南海（图5，图S22–24）。

下载：下载高分辨率图像（462KB）
下载：下载全尺寸图像

图5. 基于BEAST的2018年至2024年HAB强度趋势斜率的空间分布。面板(a)显示了全国范围的变化，而面板(b–d)展示了BR、YRD和PRD的区域模式。红色表示上升趋势，蓝色表示下降趋势。

3.2.2 中国边缘海域HABs的近期强化趋势
与3.2.1节观察到的时空模式一致，0.25°分辨率的空间分辨趋势斜率（图5）显示中国边缘海域HAB强度的广泛增加，其中渤海沿岸和南海的强化最为显著，表明HABs的严重性整体上有所增强。BEAST分析进一步确认了2023年初开始的沿海HAB活动的显著上升趋势（图6），标志着全国范围内去季节化趋势的一个明确变化点。

下载：下载高分辨率图像（296KB）
下载：下载全尺寸图像

图6. 基于组合数据集的对中国边缘海域HAB强度的BEAST分析。(a) y(t)代表周平均HAB强度时间序列。(b) 显示HAB强度年内变化的季节性组成部分。黑色虚线表示零基准线—正值表明促进HABs的季节条件，而负值表明抑制。振幅是无单位的，反映了相对的季节性贡献。下面是季节性变化点（SCP）的概率曲线，红色虚线标记了检测阈值（0.1）。(c) 表示HAB强度长期变化的趋势组成部分。下方面板显示了趋势变化点（TCP）的概率，红色虚线表示0.1阈值。虚线蓝色线条标记了检测到的变化点。

为了进一步研究长期模式，我们分析了2003年至2024年的MODISA数据中的HAB强度（图S25）。长期趋势组成部分也显示了2023年初的急剧增加，这与组合数据集中检测到的变化点一致（图6）。与过去二十年的相对稳定趋势相比，这种近期的强化是一个明显的转变。这种比较突显了HAB动态近期上升的稳健性。

从区域上看（图S22–S23），BR在2023–2024年期间展现出最明显的HAB频率上升。尽管PRD的整体HAB强度相对较低，但在2023年后仍显示出明显的上升趋势。相反，YRD在年度间变化不大，没有显著的长期趋势变化。此外，在2023年后南海也观察到了HAB强度的明显增加（图S24）。总体而言，这些结果表明中国的许多边缘海域的HAB活动最近有所增强，特别是在渤海和南海。

3.2.3 中国边缘海域HABs的季节性模式
对2018年至2024年的每周平均HAB强度的BEAST分析揭示了中国边缘海域清晰且重复出现的季节性模式，有两个明显的峰值出现在四月末和八月底（图6）。区域性的BEAST分析进一步突出了BR、YRD和PRD的不同季节性特征（图S23）。在BR，HABs在八月和九月之间持续达到峰值。位于黄海的YRD显示出最强和最稳定的季节性模式，四月和八月有两个明显的峰值。在季节性或趋势组成部分中均未检测到变化点，表明时间上的高稳定性。相比之下，PRD在六月和七月显示出HAB活动的峰值，并且在2023年七月和2024年六月有两个季节性变化点，表明该地区夏季HABs最近有所增强。

为了可视化季节动态，我们以0.25°的分辨率绘制了HAB强度季节性组成部分的月度气候图（图7）。结果揭示了一个清晰的双峰模式，HAB活动在四月增强，并在七月到九月再次达到峰值。从空间上看，季节性HABs从春季的东南水域（南海）转移到夏季的北部地区，特别是渤海、黄海和东海北部。相比之下，冬季月份显示出较弱的季节性信号，表明HAB活动较低。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像

图7. 基于BEAST分析的2018–2024年HAB强度季节性组成部分的月度气候图（0.25°分辨率）。红色区域表示季节性活动积极，代表HAB强度高于长期月平均值的月份，而蓝色区域表示HAB活动低于平均水平。数值是无单位的，代表HAB强度的相对季节性组成部分。

4. 讨论
4.1 结合多传感器观测的优势
HABs是高度动态的现象，可以在几小时到几天内形成和消散，因此高频观测对于准确捕捉它们的时空变化至关重要（Lou和Hu，2014，Li等人，2025）。然而，单传感器数据集通常受到时间覆盖范围有限的限制，限制了它们监测短暂事件和季节性模式的能力。通过整合MODIS、VIIRS和OLCI图像，我们在关键沿海地区将观测频率提高了近五倍（图8），使得HAB检测更加全面，并揭示了年度、月度和周度尺度上的更大HAB受影响面积（图9）。尽管由于有效观测更多，多传感器数据集产生的像素级别爆发频率和强度相对较低（图10，图S26），但这反映了HAB发生的更可靠和无偏的表示。重要的是，多传感器集成显著提高了趋势和季节性分析的稳健性，揭示了四月和八月的持续双峰模式（图S27），并消除了由数据缺口引起的错误变化点（图S28）。总体而言，多传感器框架增强了HAB检测，确保了时间连续性，并为分析动态沿海水域的长期趋势和季节性提供了更坚实的基础。

下载：下载高分辨率图像（408KB）
下载：下载全尺寸图像

图8. 中国三个主要沿海地区MODISA（a）和组合数据集（MODIS、OLCI和VIIRS）（b）之间的有效观测比较。(c–e) 2018年至2024年BR、YRD和PRD的有效观测年度统计。

下载：下载高分辨率图像（525KB）
下载：下载全尺寸图像

图9. 单个传感器和组合多传感器数据集之间的HAB受影响区域监测结果比较。（a) 2018年至2024年HAB受影响区域的年度变化。每月（b）和每周（c）的HAB受影响区域变化，分别来自OLCI3B（检测面积最小的传感器）、VIIRSN20（检测面积最大的传感器）和组合数据集。右侧y轴（条形图）表示组合数据集与单个传感器相比检测到的额外HAB受影响区域。

下载：下载高分辨率图像（562KB）
下载：下载全尺寸图像

图10. 中国三个关键沿海地区MODISA（a）和组合数据集（b）之间的HAB频率比较。2018年至2024年BR（c）、YRD（d）和PRD（e）的HAB受影响区域的年度比较（条形图，左轴）和HAB强度（线条，右轴）。红色虚线圆圈表示两个数据集之间存在显著差异的区域。

4.2 传感器噪声对HAB监测的影响
传感器噪声仍然是基于卫星的HAB监测中的一个主要挑战。如图11所示，MODIST影像受到的影响最大，出现了类似藻华特征的狭窄条纹伪影，这可能会误导分割模型。VIIRS影像的条纹较为宽泛，而OLCI数据则含有盐粒状噪声，在基于荧光的指标（如CIE-Y）中尤为明显。为了减轻这些影响，研究人员将TNV去噪算法（Bouali和Ignatov，2014年；Mikelsons等人，2014年）应用于MODIST影像。通过36张测试图像的定量评估显示，检测性能显著提高：F1分数从0.61提升到0.82，误报率（FP/总像素数）从3.77%下降到0.58%，相对减少了85%（见表S6）。这些结果证实了TNV能够有效去除条纹噪声并增强空间连贯性（图11c-11d）。相比之下，Res-UNet模型在训练过程中已经内置了对高频率伪影（如OLCI的盐粒状噪声）的抑制机制。这些结果强调了结合针对性的预处理技术和抗噪声深度学习框架的重要性，以确保多传感器藻华检测的可靠性。

下载：高分辨率图像（773KB）
下载：全尺寸图像

图11. 噪声对藻华监测的影响。(a–d) 去噪前后的MODIST影像及藻华提取结果。(e–h) VIIRS影像及藻华提取结果。(i–p) OLCI影像、藻华提取结果以及CIE-X/Y指数，显示了盐粒状噪声的存在。虚线圆圈标出了噪声影响显著的区域。

4.3. 藻华强度的不同趋势与稳健评估
受藻华影响的区域和藻华强度反映了藻华动态的不同方面。从2018年到2024年，受影响区域持续扩大，尤其是在2022年后；而藻华强度则呈现相反的趋势，在2018年达到峰值，随后下降至2022年，然后在2023-2024年间急剧上升超过51%（图4）。这种差异表明藻华在空间上有所扩展，但在持续时间及复发频率上存在较大变化。在区域层面，渤海沿岸在2018年和2023年初出现了受影响区域的突然变化（图S29），而藻华强度的变化则更为平缓和持续。由于中国沿海地区的原位观测数据较为稀少（Brewin等人，2015年；Werther等人，2022年；Zhang等人，2025年），直接基于生物量的藻华强度量化受到限制。因此，在卫星研究中，藻华频率常被用作强度的operationally代理指标（Dai等人，2023年）。其与卫星衍生的叶绿素-a模式的一致性（图S30）支持藻华频率作为大规模多传感器分析中藻华强度的稳健实用指标。总体而言，受影响区域反映了空间范围，而基于藻华频率的强度则更好地反映了时间持续性，两者的结合有助于更全面地评估中国沿海地区的藻华动态。

4.4. 环境驱动因素与异常海表温度
中国沿海地区的藻华季节性动态与区域环境条件的变化密切相关（图12，图S31-S33）。在渤海（BR），藻华在8月和9月达到高峰，此时海表温度（SST）高、太阳光合有效辐射（PAR）高、混合层深度（MLD）浅。在这一时期，较高的SST和PAR促进了浮游植物的生长，而弱垂直混合和稳定的表面条件使藻类能够停留在光照充足的上层水中，有利于藻华的发展。在珠江口（YRD），4月和8月的藻华高峰分别与春季营养物质的输入（高NO3和PO4）以及夏季PAR和SST的增加相对应。夏季较低的SSS和MLD有助于维持水柱的稳定性，为藻华发展创造了有利条件。在珠三角（PRD），藻华主要发生在6月和7月，此时PAR和SST较高，硝酸盐水平也适中。尽管SSS相对较高，但由于混合层较浅，水柱保持稳定，有利于浮游植物停留在光照充足的水面，从而支持藻华的发展。

下载：高分辨率图像（402KB）
下载：全尺寸图像

图12. 2018至2024年间渤海、珠江口和珠三角的环境变量（PAR、NO3、PO4、SSS、SST和MLD）的月平均值。面板（g–h）显示了藻华高峰期藻华强度与SST及SST异常之间的相关性。

除了季节性因素外，自2023年以来，渤海和南海的藻华强度显著增强，这与中国沿海地区海洋热浪的广泛报道一致（Marshal等人，2025年；Wu等人，2025年）。为了研究升温异常与藻华激增之间的潜在联系，我们分析了藻华高峰期（渤海为7-9月；南海为12-3月）藻华强度与SST（及SST异常）之间的统计相关性。在渤海，皮尔逊相关性分析显示，SST（r = 0.58，p < 0.01）和SST异常（r = 0.74，p < 0.01）均具有显著的正相关（图12g-12h），表明SST的升高可能影响藻华强度的增强。在南海，尽管相关性较弱且不具有统计学意义，但仍观察到了轻微的升温趋势和藻华活动的增加（图S34）。这些发现支持了最近的海表温度异常可能与中国边缘海域藻华加剧密切相关的假设。

4.5. 基于特征消除技术的VIIRS无荧光波段藻华检测能力
尽管VIIRS影像缺乏荧光波段，但该模型仍表现出了强大的检测能力，这表明藻华检测依赖于互补的光谱信息而非单一指标。特征消除实验（表S7）表明，当同时使用叶绿素-a、RDI和BGR时，检测精度最高；而去除任何单一特征都会降低检测性能。在这些特征中，叶绿素-a提供了与富营养化状况最直接相关的生物物理信号，而RDI和BGR则提供了与光谱对比度和水体光学性质相关的额外信息。在有荧光波段的传感器中，优先使用这些波段以最大化藻华检测能力，这里的实验结果证明VIIRS仍可通过非荧光特征实现强大的检测性能。

5. 结论
中国边缘海域的有害藻华（HABs）具有高度动态性，但以往的监测工作主要依赖于单传感器观测，这限制了时间分辨率和检测短时事件的能力。在本研究中，我们开发了一个基于Res-UNet的深度学习模型，从MODIS、OLCI和无荧光波段的VIIRS影像中提取藻华信息。由此产生的多传感器数据集显著提高了观测频率和空间覆盖范围，实现了从周尺度到年尺度的连续藻华监测。与单独使用MODIS相比，结合多种传感器观测不仅揭示了更广阔的藻华影响区域，还降低了藻华暴发的频率和强度，这是因为有效观测数据的增加。趋势分析显示，2023-2024年间藻华强度增加了51%以上，其中渤海和南海的增幅最为明显，这与海表温度异常现象相吻合。季节性藻华模式也存在地区差异：长江三角洲在4月和8月呈现稳定的双峰分布，而渤海沿岸和珠江三角洲则在夏季达到高峰。值得注意的是，中国边缘海域的藻华季节性分布从春季的东南部转移到了夏季的北部水域。本研究强调了多传感器融合和深度学习在捕捉藻华大尺度趋势和短期动态方面的优势。研究结果强调了在变化的气候条件下，持续进行高频、多源观测以有效监测和管理藻华的必要性。

关于作者贡献说明：
Yichen Du：撰写 – 审稿与编辑、初稿撰写、可视化、验证、方法论、正式分析、数据整理。
Mengqiu Wang：撰写 – 审稿与编辑、初稿撰写、监督、项目管理、方法论、概念化。
Zhongbin B. Li：撰写 – 审稿与编辑、资源管理、项目管理。
Junsheng Li：撰写 – 审稿与编辑。
Jiaochan Hu：撰写 – 审稿与编辑。