2017, Vol. 38
2. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023
, LI Yun-mei1,2
, LÜ Heng1 , MU Meng1 , LEI Shao-hua1 , WEN Shuang1 , BI Shun1 , DING Xiao-lei1
2. Jiangsu Center for Collaboration Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
叶绿素a(Chl-a)浓度是藻类生物量重要指标, 是水质的重要表征参数, 也是我国水环境必须监测的指标[1].湖泊Chl-a浓度的调查不仅可以确定水体的营养状态, 为湖泊治理和渔业资源管理提供基础信息, 而且有助于深刻理解和研究湖泊生态系统的生物地球化学循环过程以及其对气候变化的响应等[2, 3].传统的野外采样-实验室分析方法往往只能以点带面研究整体情况, 难以从长时间序列、全空间尺度了解水体藻类生物量的变化趋势及成因.特别是对太湖、巢湖、洪泽湖等水环境时空异质性较强的水体, 传统调查方法的不足尤为突出.近40年来, 随着遥感技术的发展以及水色卫星的相继发射为快速获得大范围的水体藻类生物量信息提供了可能.利用遥感技术估算湖泊水体长时间序列的Chl-a浓度, 掌握其时空分布与变化特征以及影响因素, 对湖泊生态系统演化研究、环境管理和渔业养殖具有重要的意义.
国内外已经开展了大量的基于遥感数据的内陆水体Chl-a浓度时空变化相关研究. Groom等[4]联合使用SeaWiFS影像和MODIS影像反演了1997~2004年Cyprus Eddy附近的Chl-a浓度, 并分析了该区域Chl-a浓度的季节变化和年变化. Gordoa等[5]利用MERIS一类水体产品数据分析了地中海西北部Catalon海域2002~2005年Chl-a浓度的月度和年度变化. Abdul-Hadi等[6]利用2003~2009年7 a的MODIS遥感影像估算了Sabah岛附近的Chl-a浓度, 并分析了该水域Chl-a浓度的变化与亚洲季风的关系. Le等[7]构建了RGCI算法利用2002~2012年的MODIS影像实现了Tampa湾的Chl-a浓度估算, 其结果表明Tampa湾Chl-a浓度具有较大的时空差异性并且其浓度受风速和当地洪水排放影响显著. Zhang等[8]构建了基于软分类的太湖水体Chl-a浓度遥感反演策略以及创新了矢量边界辅助下的水体自动提取方法, 进而利用MERIS数据反演了太湖2003~2011年的Chl-a浓度并分析了太湖长时间序列的分布规律以及发展趋势. Feng等[9]构建了NGRDI指数, 利用2003~2011年MERIS影像实现了鄱阳湖Chl-a浓度的遥感估算, 其研究结果表明这11 a中鄱阳湖Chl-a浓度并没有显著增加或者减少的趋势. Palmer等[10]基于2003~2011年MERIS影像利用FLH指数反演得到了Balaton湖长时间序列的Chl-a浓度产品, 并分析了该湖藻类生物量的物候变化特征. Giitings等[11]利用SeaWiFS、MODIS、MERIS融合得到的OC-Colour产品影像数据分析了亚丁湾1997~2012年Chl-a浓度的时空变化, 其研究结果表明亚丁湾浮游藻类生物量的时空分布与水文物理环境的变化密切相关, 其中最主要的驱动因素是季风的变换.
洪泽湖是我国第四大淡水湖, 位于江苏省北部, 淮安、宿迁市境内, 是一个典型的浅水吞吐湖泊.对于洪泽湖流域来说, 洪泽湖具有调节洪涝干旱、航行运输、纳污净水、渔业养殖和调节气候等功能; 同时也是南水北调东线工程最大的调蓄湖泊和重要的过水通道, 其水质状况与千千万万人的生产生活息息相关[12].因而, 全面认识洪泽湖的水体营养状态和藻类时空变化对于供水安全及深入理解洪泽湖生态系统结果演化具有十分重要的意义[13].目前用于内陆湖泊水体遥感监测的数据主要有MODIS、Landsat系列、GOCI及MERIS等卫星影像.然而, 综合考虑波段设置及时间分辨率等因素, MERIS是最合适内陆湖泊水体Chl-a浓度遥感估算的影像数据, 其波谱范围为412~900 nm, 共有15个波段, 波谱分辨率变化范围为7.5~20 nm[14, 15].自2002年发射以来, MERIS可为洪泽湖水质监测提供超过10a的历史观测数据. 2016年Sentinel-3A卫星发射成功, 其搭载的OLCI传感器将会继承MERIS地球观测的使命.本研究尝试根据实测水质参数以及同步光谱数据, 探究现有5种常用Chl-a浓度估算模型在洪泽湖适用性, 用以选取最优Chl-a浓度模型; 结合2002~2012年MERIS影像数据, 获得近10年洪泽湖Chl-a浓度遥感估算产品, 分析洪泽湖Chl-a浓度的空间分布规律和变化趋势, 以期为洪泽湖富营养化的常规监测与评价提供历史参考.
1 材料与方法 1.1 水质数据采样与分析分别于2016年7月、2016年12月对洪泽湖进行2次采样, 共采集49个样本, 样点分布如图 1所示.测量及记录的参数包括样点经纬度信息、遥感反射率[Rrs(λ)]、Chl-a浓度、总悬浮物(TSM)浓度, 无机悬浮物(ISM)浓度、水体透明度(SDD)等.
|
图 1 研究区及水质监测点分布示意 Fig. 1 Study area and water sampling sites |
采用FieldSpec spectroradiometer (Analytical Spectral Devices, Inc., Boulder, CO, USA) (ASD)测量遥感反射率[Rrs(λ)]. ASD FieldSpec的波段范围为350~1 050 nm, 光谱分辨率为2 nm.在采集的过程中, 为了尽量避免水体镜面反射和船体阴影对测量结果的影响, 以更好地提取出反映水体信息的离水辐亮度, 测量时采用一定的观测角度进行水体光谱观测. ASD FieldSpec仪器观测平面与太阳入射平面的夹角为90°≤Φ≤135°(背对太阳方向), 仪器与水面法线方向的夹角为30°≤θ≤45°.天空光也存在反射, 必须将这部分信息剔除才能得到更为准确的水体信息, 因此在仪器完成面向水体测量后, 须将仪器在观测平面内向上旋转特定角度(使得天空光的观测天顶角等于水面测量时的观测角)测量天空光辐射信号.在测量水体前和测量天空光后, 都需要测量灰板(反射率为30%)的辐亮度信号.每个采样点那都需要测量10条以上的光谱信息.基于ASD FieldSpec的遥感反射率计算过程如下.
(1) 计算离水辐亮度Lw:
|
(1) |
式中, Lw为离水辐亮度, Lsw为水体总辐射亮度, 为天空漫散射辐亮度, r为气-水界面对天空光的反射率, 其值受太阳位置、观测几何、风速、风向以及水面粗糙度等的影响.在上述观测几何条件下, 平均水面可取值为0.022, 风速为5 m·s-1时r取值为0.025, 风速在10 m·s-1时可取值为0.026~0.028.
(2) 水面总入射辐照度Ed(0+)可以通过测量标准灰板的反射得到：
|
(2) |
式中, Lp为标准灰板的辐亮度, ρp为灰板的反射率.
(3) 水体的遥感反射率Rrs(λ)可通过式(3) 计算.
|
(3) |
Chl-a浓度测量采用了热乙醇-分光光度计法.首先利用47 mm GF/F滤膜过滤一定体积的水样, 将滤膜对折放入棕色小瓶中, 将棕色小瓶置于冰箱中冷冻48 h以上, 冷冻温度控制在-20.冷冻结束后, 在棕色小瓶中加入90%浓度的80热乙醇, 避光萃取4~6 h.再利用25 mm GF/F膜过滤萃取的溶液, 装入比色皿中, 在分光光度计上测量665 nm和750 nm处的吸光度(E665和E750).测量完成后取出比色皿, 滴入1滴1 mol·L的稀盐酸, 酸化1 min后去除脱镁叶绿素, 再次测定665 nm和750 nm处的吸光度(A665和A750), 进而根据式(4) 计算得到Chl-a浓度.
|
(4) |
式中, VB为乙醇定容体积, V为水样体积, δ为比色皿光程.
1.1.3 悬浮物浓度测量TSM、ISM和OSM浓度根据GB 11901-89标准, 采用干燥、烘烧、称重法进行测定.首先对0.45 μm GF/F滤膜进行烧膜处理以去除膜上附有的有机质及水分.将冷却后的膜进行称重, 将称重好的膜用来过滤水样.量取一定体积的水样, 利用过滤器进行过滤, 对滤膜进行烘干称重.利用含有TSM的膜的重量减去膜重得到TSM的重量, 再利用该质量除以水样的体积, 得到TSM浓度.最后利用550℃高温烘烧载有TSM的膜, 去除OSM, 称重得到ISM重量, 经计算得到ISM和OSM浓度.
1.2 气象数据本研究所用盱眙站气象数据从中国气象数据网(http://data.cma.cn/site/index.html)下载得到.包括月平均温度、月降水量, 月平均风速, 年平均降水量等数据, 时间跨度为1957~2015年.
1.3 MERIS影像及预处理2002~2012年覆盖洪泽湖区域的MERIS RR L1A影像从GSFC(U.S NASA Goddard Flight Space Center, http://oceancolor.gsfc.nasa.gov)下载得到.首先对MERIS数据进行筛选, 保留无云、卫星观测角较为理想的数据, 共得到689景影像, 影像的时间分布如图 2所示.利用SeaDAS 7.2对MERIS L1A影像数据进行辐射定标、几何校正、大气校正, 其中大气校正采用的算法为MUMM模型.
|
图 2 洪泽湖2002~2012年每年可用MERIS影像数目 Fig. 2 MERIS images in Lake Hongze between 2002 and 2012 |
本研究共选取了5种Chl-a浓度估算算法, 利用基于野外实测数据模拟的MERIS光谱数据分别验证了其在洪泽湖的适用性. 5种Chl-a估算算法如下.
1.4.1 波段比值算法波段比值(BR)算法的表达式为Rrs(λ2)/Rrs(λ1).该算法应用于MERIS数据时, 一般λ1使用665 nm, λ2使用709 nm.该算法基于3种假设：① 在λ1处藻类吸收在水体组分吸收中占主导地位, 即aph(λ1)≫ ad(λ1)+aCDOM(λ1); ② λ1和λ2处水体总后向散射可以认为近似相等, 即bb(λ1)≈bb(λ2); ③ λ2处水体总吸收由纯水主导, 即aw(λ2)≫ ad(λ2)+aCDOM(λ2)+bb(λ2)[16]. BR算法简单使用, 在轻度浑浊的二类水体中得到了广泛的应用[17].
1.4.2 三波段算法Dall'Olmo等[18]认为对于浑浊二类水体, 悬浮物及CDOM在红和近红外波段的吸收无法忽略, 因此构建了三波段(TBA)算法用于浑浊二类水体Chl-a的估算. TBA算法的表示式为[Rrs(λ1)-1-Rrs(λ2)-1]×Rrs(λ3).该算法应用于MERIS数据时, 一般λ1使用665 nm, λ2使用709 nm, λ3使用709 nm. TBA算法的建立基于以下3个假设的基础上：① λ1位于Chl-a吸收峰附近且λ1和λ2处悬浮物和黄色物质吸收系数近似相等, 即aph(λ1)≫ aph(λ2), ad(λ1)≈ad(λ2)和aCDOM(λ1)≈aCDOM(λ2); ② λ3处纯水吸收居于主导地位, 其他水体组分的吸收可以忽略不计, 即aw(λ3)≫ ad(λ3)+aCDOM(λ3)+bb(λ3); ③ 3个波段处的总后向散射系数近似相等, 即bb(λ1)≈bb(λ2)≈bb(λ3). TBA算法能够部分去除非色素物质的吸收信号, 在轻度、中度浑浊的二类水体中都得到了广泛的应用[17, 19].
1.4.3 FLH算法和MCI算法FLH算法和MCI算法都为基线算法.该类算法的表达式为Rrs(λ2)-Rrs(λ1)+[Rrs(λ1)-Rrs(λ3)](λ2-λ1)/(λ3-λ1).其原理都为首先把λ1和λ3的遥感反射率的连线作为基线, 再建立λ2处的遥感反射率与该基线的距离和Chl-a的关系, 从而实现Chl-a估算的目的. FLH算法应用于MERIS数据时, 一般使用665 nm, λ2使用681 nm, λ3使用709 nm. MCI算法应用于MERIS数据时, 一般λ1使用681 nm, λ2使用709 nm, λ3使用754 nm..
1.4.4 UMOC算法Liu等[20]构建了一种新的Chl-a浓度分析模型(UMOC模型).该模型从本质是对三波段模型的改进, 与三波段模型不同的是UMOC模型使用了一种Chl-a吸收峰附近非色素碎屑物质(即非色素颗粒物与黄色物质之和)吸收信号去除方法以及一种用于去除水体总后向散射信号的近红外波段合理位置判定方法. UMOC模型能够有效减少非色素碎屑物质吸收信号的干扰, 可以合理地选择用于去除水体总后向散射信号的近红外波段位置, 是一种具有较强普适性的算法.根据MERIS的波段设置特点, UMOC模型应用于MERIS数据时, λ1选择为665 nm, λ2选择为560 nm, λ3选择为709 nm, λ4有两个波段可供选择, 分别为709 nm(λ41)和754 nm(λ42).当使用560 nm和709 nm去除665 nm处非色素碎屑物质吸收信号时, 固定的比例系数η为0.2.剩余参数中, 各个波段的纯水吸收系数参照Pope等[21]给出的结果, 665 nm处Chl-a比吸收系数[aChl-a*(665)]取值为Gurlin等[17]和Gons等[22]给出的相应值的平均值.基于MERIS/OLCI数据的UMOC模型具体参数化过程, 如表 1所示.
|
表 1 基于MERIS数据的UMOC模型参数化 Table 1 Parametrization of UMOC model applied to MERIS data |
, 则
; 假如: 
, 则λ4=λ42
2 结果与分析 2.1 不同Chl-a浓度估算算法在洪泽湖的适用性评价
由于本研究没有Chl-a星地同步数据, 因此只使用了模拟MERIS数据对以上5种模型准确性和稳定性进行评价.现有的研究结果表明BR、TBA、FLH和MCI等4种算法在不同水体, 模型的参数不同[23].本研究根据实测数据确定此4类算法在洪泽湖的模型参数.将野外实测数据分为两部分, 分别用于模型的校准与验证. BR、TBA、FLH和MCI算法的参数化方程分别如式(5)~(8) 所示.
|
(5) |
|
(6) |
|
(7) |
|
(8) |
UMOC模型作为分析模型, 不需要进行本地参数化.从图 3可知, BR、TBA、FLH和MCI的光谱指数与实测Chl-a之间都具有较强的相关性, 决定系数R2分别为0.88、0.91、0.93、0.92.为了进一步探究以上模型在低值区(Chl-a＜30 mg·m-3)的稳定性, 本研究也统计了以上的光谱指数在低值区与实测Chl-a浓度的相关性, R2分别为0.11、0.25、0.50、0.19, 说明以上4种模型都不合适低Chl-a浓度的估算.
|
图 3 4种经典模型光谱指数与实测Chl-a浓度的散点图 Fig. 3 Indices of the models versus Chl-a concentrations |
图 4为5种模型的Chl-a估算结果. BR模型与TBA模型的精度最差, 其平均相对误差(MRE)分别为75.17%和62.44%, 其次为MCI模型的56.95%. FLH算法平均相对误差为45.87%.与以上4种模型相比, UMOC模型具有较高的估算精度, 其平均相对误差为32.30%. UMOC模型估算的相对误差(RE)的范围为0.004%~79.46%, 所有样本中55.10%和79.59%比例的样点其相对误差分别小于30%和50%.因此本研究利用UMOC模型, 结合2002~2012年MERIS影像数据, 获取洪泽湖长时间序列Chl-a浓度产品.
|
图 4 5种Chl-a浓度估算模型估算精度对比 Fig. 4 Correlations between the measured and estimated Chl-a concentrations of the four algorithms |
图 5为2002~2012年洪泽湖平均Chl-a浓度空间分布.洪泽湖平均Chl-a浓度空间差异明显, 其中成子湖平均Chl-a浓度较高(15.85 mg·m-3), 溧河湾次之(13.03 mg·m-3), 东部区域最低(10.25 mg·m-3).这与前人[13, 24]对洪泽湖的研究结果相吻合, 成子湖相对封闭, 为洪泽湖主要的围网养殖区, 换水较慢, 富营养化程度较高; 西部的溧河湾为主要入湖河流分布区域, 且水草丰富, 水体自净能力较强, 其富营养化要低于成子湖; 东部区域为洪泽湖主要的过水区域, 水体浑浊且湖流扰动剧烈, 其Chl-a浓度最低.
|
图 5 2002~2012年洪泽湖Chl-a浓度整体空间分布 Fig. 5 Spatial distribution of Chl-a concentrations in Lake Hongze from 2002 to 2012 |
图 6为2003~2011年洪泽湖年平均Chl-a浓度空间分布.洪泽湖年平均Chl-a浓度最低值为10.19 mg·m-3, 出现在2007年, 年平均Chl-a浓度最高值为14.92 mg·m-3, 出现在2011年. 2003~2007年洪泽湖年平均Chl-a浓度的空间分布年际差异不大, 年平均Chl-a浓度大于20 mg·m-3的区域仅位于成子湖, 以及东部区域和溧河湾的沿岸狭长区域, 全湖大部分水域年平均Chl-a浓度小于15 mg·m-3. 2008~2011年相比于前5年, 成子湖大部、溧河湾西部沿岸以及东部区域东北沿岸Chl-a浓度显著增加, 都有较大面积的水域年平均Chl-a浓度大于20 mg·m-3.
|
图 6 2003~2011年洪泽湖年平均Chl-a浓度分布 Fig. 6 Annual mean Chl-a concentration distributions in Lake Hongze from 2003 to 2011 |
图 5和图 6表明, 即使是对于分区域(如东部区域)Chl-a浓度也具有较大的时空差异性, 成子湖、溧河湾和东部水域都很难作为一个整体分析其年内和年际变化.基于此, 本研究利用计算得到的每个像元2003~2011长时间序列的月平均Chl-a浓度, 采用ENVI 5.3中的IsoData非监督分类方法对水体像元进行分类, 共得到3种水体类型：区域A、区域B和区域C水体(图 7).区域A水体主要位于成子湖大部, 东部水域东北部沿岸以及溧河湾沿岸的零星沿岸区域, 区域B水体主要位于溧河湾和东部水域沿岸区域以及成子湖的湖心区域, 区域C水体主要沿淮河入湖口呈扇形分布.
|
图 7 洪泽湖不同水体类型划分 Fig. 7 Classification of water types in Lake Hongze |
区域C水体年平均Chl-a浓度都较低, 2003~2011年年平均Chl-a浓度在8.11~13.842 mg·m-3之间, 年平均Chl-a浓度最高值出现在2004年, 最低值出现在2003年.区域B水体年平均Chl-a浓度在8.86~16.80 mg·m-3之间, 年平均Chl-a浓度最高值出现在2004年, 最低值出现在2007年.区域A水体年平均Chl-a浓度在11.51~22.11 mg·m-3之间, 年平均Chl-a浓度最高值出现在2010年, 最低值出现在2007年.
图 8为以上3种区域水体2003~2011年平均Chl-a浓度统计结果.总体而言, 2003~2011年区域B和区域C水体年平均Chl-a浓度都有波动性, 但是无明显的趋势, 但是区域A水体明显分为两个阶段, 2003~2007年年平均Chl-a浓度均较低, 5年多年平均Chl-a浓度为12.79 mg·m-3, 2008~2011年显著上升, 4年多年平均Chl-a浓度为19.96 mg·m-3. 图 9为区域C水体两个阶段(2003~2007年和2008~2011年)多年不同季节平均Chl-a浓度统计结果. 2008~2011年春、夏、秋这3个季节相比于2003~2007年同期, 多年不同季节平均Chl-a浓度均显著提高, 分别提高了8.77、15.68、9.84 mg·m-3, 而冬季两个阶段相差不大.
|
图 8 洪泽湖不同区域年平均Chl-a浓度统计结果 Fig. 8 Annual mean Chl-a concentrations in different water regions in Lake Hongze |
|
图 9 2003~2007年和2008~2011年洪泽湖区域C多年不同季节平均Chl-a浓度 Fig. 9 Mean Chl-a concentrations in different seasons in Region C in the periods of 2003-2007 and 2008-2011 |
对于像洪泽湖此类的通江型浑浊二类水体, 其高泥沙和低Chl-a浓度的特性, 增加了水体Chl-a浓度准确估算的难度. Chl-a浓度估算模型是否适用于洪泽湖, 则取决于模型能否从总吸收信号中剔除非色素碎屑物质信号, 精确地提取Chl-a色素吸收信号. Chl-a与TSM的比值是一种可以用于量化水体悬浮颗粒物组成差异的因子[25].如图 10所示为以上5种算法所有采样点估算的相对误差(RE)与Chl-a:TSM比值的散点图.当Chl-a:TSM大于0.5×10-3时, 即藻类占总悬浮物的比重较大时, 所有算法估算的相对误差都小于100%, 5种算法估算Chl-a的精度相差不大, 但是这一部分样点所占的比重较小, 仅为洪泽湖总样本的12.24%.洪泽湖另外87.76%的样本其Chl-a:TSM比值都小于0.5×10-3.对于这一部分样本, 不同模型的表现具有较大的差异性.其中未考虑去除非色素碎屑物质吸收信号去除的BR算法具有最大的RE, 为333.40%.其他3种考虑这一部分信号去除的算法包括TBA算法、FLH算法与MCI算法都具有一定的抗干扰能力, 但是无论是TBA算法、FLH算法还是MCI算法仍然都有部分样点其相对误差大于100%.说明以上3种算法的非色素碎屑物质吸收信号去除假设并不适用于洪泽湖占绝大部分的极为浑浊水体.相比于BR算法、TBA算法、FLH算法和MCI算法, UMOC算法在洪泽湖水域具有较强的抗干扰能力, 所有采样点最大的相对误差仅为79.46%, 是一种适用于高浑浊水体的Chl-a浓度估算算法.
|
图 10 样点Chl-a:TSM的比值与各算法估算的相对误差的散点图 Fig. 10 Relationships between the relative error and the ratio Chl-a:TSM |
图 11为2003~2011年盱眙站年平均温度、年平均风速和年降水量变化曲线. 2003~2011年平均温度与年降水量都无明显的趋势, 但是都有一定的波动性, 而年平均风速具有显著下降的趋势(y=-0.057 7x+2.49, R2=0.849).
|
图 11 2003~2011年盱眙气象站年平均温度、年平均风速和年降水量变化趋势 Fig. 11 Annual mean temperature, annual mean wind speed, and annual precipitation observed at the Xuyu meteorological station from 2003 to 2011 |
图 12为2003~2011年洪泽湖不同水域Chl-a浓度年平均值与同步年平均气温、年平均风速以及年降水量之间的散点图.区域B和区域C年平均Chl-a浓度与年平均气温和年平均风速都不具有显著性的关系, 其与年平均降水量都具有很好的相关性(区域B：r=-0.65, P＜0.05;区域C：r=-0.66, P＜0.05). 2004年盱眙站年降水量为620.6 mm, 为2003~2011年间降水量最少的一年, 仅相当于这9年平均降水量的55.91%, 在这一年区域B和区域C年平均Chl-a浓度都出现了这9年来的峰值.年降水量对于区域B和区域C年平均Chl-a浓度具有显著的影响, 其原因可能为区域B和区域C为洪泽湖主要的过水通道, 其藻类的生长繁殖受湖流的扰动显著[24], 较少的降水量导致入湖水量减少, 洪泽湖关闸蓄水, 水域换水周期增长, 水体透明度增加, 更利于藻类的停留和繁殖, 导致以上2个区域Chl-a浓度较高, 反之则Chl-a浓度较低.区域A年平均Chl-a浓度与年平均气温和年降水量都不具有相关性, 其与年平均风速呈显著性的负相关关系(r=-0.64, P＜0.05).区域C大部分为近岸区域, 水深较浅, 较低的风速减少了水体的扰动, 水体透明度较高, 可以有更多的光进入水体, 藻类的初级生产力较高, 从而导致水体Chl-a浓度的提高. 图 13为1957~2015年盱眙气象站年平均风速的变化情况.盱眙站年平均风速呈显著的下降趋势, 平均每年下降约0.031 m·s-1.尽管江苏省政府对洪泽湖进行了严格的营养盐入湖控制, 风速下降的气候大背景有利于洪泽湖藻类的生长与繁殖, 洪泽湖区域C的富营养化程度仍然可能加重, 威胁到南水北调的水质安全.
|
图 12 洪泽湖区域A、区域B和区域C Chl-a浓度年平均值分别与年平均温度、年平均风速、和年降水量的散点图 Fig. 12 Relationships between annual mean Chl-a concentrations and annual mean temperature, annual mean wind speed, and annual precipitation in Region A, Region B, and Region C |
|
图 13 盱眙站1957~2015年平均风速变化趋势 Fig. 13 Annual mean wind speed observed at the Xuyu meteorological station from 1957 to 2015 |
洪泽湖主要的入湖河流为淮河、怀洪新河、下草湾引河、新汴河、濉河、老濉河和徐洪河等, 淮河入湖水量最大, 入湖水量占总入湖水量的75%以上, 其中汛期(7~9月)和非汛期(1~6月和10~12月)分别占淮河年入湖总量的71.29%和28.71%[26]. 图 14为2002~2012年汛期和非汛期洪泽湖逐像元多年平均Chl-a浓度与其距离淮河入湖口的距离的散点图.在汛期水体Chl-a浓度与离淮河入湖口的距离呈显著的正相关关系(y=1.084x-6.4), 二者的R2达到了0.46.正是由于淮河汛期对洪泽湖的冲刷作用, 洪泽湖虽然也是富营养化湖泊, 但是并没有像太湖、巢湖和滇池等湖泊一样在7~9月大范围频繁地发生水华.在非汛期, 水体Chl-a浓度与离淮河入湖口的距离虽然也成正相关关系(y=0.243x+8.8), 但是二者的R2仅为0.17, 说明此时随着入湖水量的减少, 淮河对洪泽湖藻类生长繁殖的抑制作用减弱[26]. 2003~2011年洪泽湖发生的最大面积的一次水华即发生在非汛期且温度较高的10月. 2006年10月31日, 在靠近淮安市朱坝镇水域, 水华面积达到了33.56 km2 (图 15).
|
图 14 2002~2012洪泽湖汛期和非汛期逐像元多年平均Chl-a浓度与其距离淮河入湖口距离的散点图 Fig. 14 Linear relationship between the distance from the estuary and mean Chl-a concentrations of every pixel in the wet and dry season between 2002 and 2012 |
|
图 15 2006年10月31日MERIS影像标准假彩色合成及水华区域提取结果 Fig. 15 Standard false color MERIS image and the bloom extraction results on October 31, 2006 |
(1) 基于洪泽湖水体实测水质参数与同步光谱数据, 评估了UMOC模型、波段比值(BR)模型、三波段(TBA)模型、荧光基线(FLH)模型与最大叶绿素(MCI)模型在洪泽湖水域Chl-a估算的精度. 5种模型其Chl-a估算的平均相对误差分别为32.30%、75.17%、62.44%、45.87%和56.95%, UMOC模型是洪泽湖水域基于MERIS/OLCI影像数据反演Chl-a的最优模型.利用所有样本Ch-a:TSM的比值与估算的相对误差的关系, 分析了非色素碎屑物质对以上5种算法反演Chl-a浓度的干扰, 结果表明UMOC算法具有最好的抗干扰能力, 其估算结果稳定可靠.
(2) 将UMOC模型应用于2002~2012年经过大气校正的689景MERIS影像, 得到了这一时间段内的洪泽湖Chl-a浓度遥感估算产品, 结果表明, 洪泽湖Chl-a浓度具有明显的时空差异性.依据水体像元长时间序列月平均Chl-a浓度的差异, 将洪泽湖水体分为了区域A, 区域B和区域C这3种类型.从Chl-a浓度的年际变化看, 区域B和区域C水体无明显的变化趋势, 区域A则显著增加.与气象因子的相关性分析表明, 区域B和区域C年平均Chl-a的波动主要受年降水量的影响, 反映了该2个区域Chl-a浓度的变化主要受湖流强度的控制, 区域A年平均Chl-a浓度的变化与年平均风速呈显著负相关性, 风速下降的气候大背景可能会加重这一区域的富营养化程度, 威胁南水北调的水质安全.此外, 在汛期(7~9月)洪泽湖水体Chl-a浓度与离淮河入湖口的距离呈显著的正相关关系, 证明了这一时期淮河对洪泽湖藻类浓度具有明显的抑制作用.
| [1] |
金相灿, 朱萱. 我国主要湖泊和水库水体的营养特征及其变化[J]. 环境科学研究, 1991, 4(1): 11-20. Jin X C, Zhu X. Tropic characteristics and changes of water bodies of the main lakes and reservoirs in China[J]. Research of Environmental Sciences, 1991, 4(1): 11-20. |
| [2] | Kane D D, Conroy J D, Richards R P, et al. Re-eutrophication of Lake Erie:correlations between tributary nutrient loads and phytoplankton biomass[J]. Journal of Great Lakes Research, 2014, 40(3): 496-501. DOI:10.1016/j.jglr.2014.04.004 |
| [3] | Gaube P, Chelton D B, Strutton P G, et al. Satellite observations of chlorophyll, phytoplankton biomass, and Ekman pumping in nonlinear mesoscale eddies[J]. Journal of Geophysical Research:Oceans, 2013, 118(12): 6349-6370. DOI:10.1002/2013JC009027 |
| [4] | Groom S, Herut B, Brenner S, et al. Satellite-derived spatial and temporal biological variability in the Cyprus Eddy[J]. Deep Sea Research Part Ⅱ:Topical Studies in Oceanography, 2005, 52(22-23): 2990-3010. DOI:10.1016/j.dsr2.2005.08.019 |
| [5] | Gordoa A, Illas X, Cruzado A, et al. Spatio-temporal patterns in the north-western Mediterranean from MERIS derived chlorophyll a concentration[J]. Scientia Marina, 2008, 72(4): 757-767. DOI:10.3989/scimar.2008.72n4 |
| [6] | Abdul-Hadi A, Mansor S, Pradhan B, et al. Seasonal variability of chlorophyll-a and oceanographic conditions in Sabah waters in relation to Asian monsoon-a remote sensing study[J]. Environmental Monitoring and Assessment, 2013, 185(5): 3977-3991. DOI:10.1007/s10661-012-2843-2 |
| [7] | Le C F, Hu C M, English D, et al. Towards a long-term chlorophyll-a data record in a turbid estuary using MODIS observations[J]. Progress in Oceanography, 2013, 109: 90-103. DOI:10.1016/j.pocean.2012.10.002 |
| [8] | Zhang F F, Li J S, Shen Q, et al. Algorithms and schemes for chlorophyll a estimation by remote sensing and optical classification for Turbid Lake Taihu, China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(1): 350-364. DOI:10.1109/JSTARS.2014.2333540 |
| [9] | Feng L, Hu C M, Han X X, et al. Long-term distribution patterns of chlorophyll-a concentration in China's largest freshwater lake:MERIS full-resolution observations with a practical approach[J]. Remote Sensing, 2015, 7(1): 275-299. |
| [10] | Palmer S C J, Odermatt D, Hunter P D, et al. Satellite remote sensing of phytoplankton phenology in Lake Balaton using 10 years of MERIS observations[J]. Remote Sensing of Environment, 2015, 158: 441-52. DOI:10.1016/j.rse.2014.11.021 |
| [11] | Gittings J A, Raitsos D E, Racault M F, et al. Seasonal phytoplankton blooms in the Gulf of Aden revealed by remote sensing[J]. Remote Sensing of Environment, 2017, 189: 56-66. DOI:10.1016/j.rse.2016.10.043 |
| [12] | Cao Z G, Duan H T, Cui H S, et al. Remote estimation of suspended matters concentrations using VⅡRS in Lake Hongze, China[J]. Journal of Infrared and Millimeter Waves, 2016, 35(4): 462-469. |
| [13] | Ren Y, Pei H Y, Hu W R, et al. Spatiotemporal distribution pattern of cyanobacteria community and its relationship with the environmental factors in Hongze Lake, China[J]. Environmental Monitoring and Assessment, 2014, 186(10): 6919-6933. DOI:10.1007/s10661-014-3899-y |
| [14] | Qi L, Hu C M, Cannizzaro J, et al. VⅡRS observations of a Karenia brevis bloom in the northeastern gulf of Mexico in the absence of a fluorescence band[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(11): 2213-2217. DOI:10.1109/LGRS.2015.2457773 |
| [15] | Ruddick K G, Ovidio F, Rijkeboer M. Atmospheric correction of SeaWiFS imagery for turbid coastal and inland waters[J]. Applied Optics, 2000, 39(6): 897-912. DOI:10.1364/AO.39.000897 |
| [16] | Le C F, Hu C M, Cannizzaro J, et al. Evaluation of chlorophyll-a remote sensing algorithms for an optically complex estuary[J]. Remote Sensing of Environment, 2013, 129: 75-89. DOI:10.1016/j.rse.2012.11.001 |
| [17] | Gurlin D, Gitelson A A, Moses W J. Remote estimation of chl-a concentration in turbid productive waters-return to a simple two-band NIR-red model?[J]. Remote Sensing of Environment, 2011, 115(12): 3479-3490. DOI:10.1016/j.rse.2011.08.011 |
| [18] | Dall'Olmo G, Gitelson A A. Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters:experimental results[J]. Applied Optics, 2005, 44(3): 412-422. DOI:10.1364/AO.44.000412 |
| [19] | Moses W J, Gitelson A A, Berdnikov S, et al. Satellite estimation of chlorophyll-a concentration using the red and NIR bands of MERIS-the Azov sea case study[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4): 845-849. DOI:10.1109/LGRS.2009.2026657 |
| [20] | Liu G, Li Y M, Lyu H, et al. An improved land target-based atmospheric correction method for Lake Taihu[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(2): 793-803. DOI:10.1109/JSTARS.2015.2503800 |
| [21] | Pope R M, Fry E S. Absorption spectrum (380-700 nm) of pure water. Ⅱ. Integrating cavity measurements[J]. Applied Optics, 1997, 36(33): 8710-8723. DOI:10.1364/AO.36.008710 |
| [22] | Gons H J, Rijkeboer M, Ruddick K G, et al. A chlorophyll-retrieval algorithm for satellite imagery (Medium Resolution Imaging Spectrometer) of inland and coastal waters[J]. Journal of Plankton Research, 2002, 24(9): 947-951. DOI:10.1093/plankt/24.9.947 |
| [23] | Matsushita B, Yang W, Yu G L, et al. A hybrid algorithm for estimating the chlorophyll-a concentration across different trophic states in Asian inland waters[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102: 28-37. DOI:10.1016/j.isprsjprs.2014.12.022 |
| [24] |
齐凌艳, 黄佳聪, 高俊峰, 等. 洪泽湖叶绿素a浓度的时空变化特征[J]. 湖泊科学, 2016, 28(3): 583-591. Qi L Y, Huang J C, Gao J F, et al. Spatial-temporal variation characteristics of chlorophyll-a concentration in Lake Hongze[J]. Journal of Lake Sciences, 2016, 28(3): 583-591. DOI:10.18307/2016.0314 |
| [25] | Sun D Y, Hu C M, Qiu Z F, et al. Influence of a red band-based water classification approach on chlorophyll algorithms for optically complex estuaries[J]. Remote Sensing of Environment, 2014, 155: 289-302. DOI:10.1016/j.rse.2014.08.035 |
| [26] | 朱喜, 胡明明. 中国淡水湖泊蓝藻暴发治理与预防[M]. 北京: 中国水利水电出版社, 2014: 352-384. |