祁國(guó)華,馬曉雙**,何詩瑜,吳鵬海

(1:安徽大學(xué)資源與環(huán)境工程學(xué)院，合肥 230601)(2:安徽大學(xué)濕地生態(tài)保護(hù)與修復(fù)安徽省重點(diǎn)實(shí)驗(yàn)室，合肥 230601)

淡水資源是我國(guó)社會(huì)經(jīng)濟(jì)發(fā)展最重要的資源之一，它的利用和保護(hù)關(guān)系到國(guó)家發(fā)展和社會(huì)民生. 近年來，隨著人類活動(dòng)的增加和經(jīng)濟(jì)的快速發(fā)展，淡水湖泊的富營(yíng)養(yǎng)化已經(jīng)成為一個(gè)嚴(yán)重的生態(tài)、環(huán)境、經(jīng)濟(jì)和社會(huì)問題，而藍(lán)藻水華則是富營(yíng)養(yǎng)化湖泊中最常見的環(huán)境問題. 據(jù)報(bào)道，我國(guó)有不少大型淡水湖泊，如巢湖[1]、太湖[2]、滇池[3]、洱海[4]等都出現(xiàn)過大規(guī)模的水華現(xiàn)象. 水華的頻繁發(fā)生，嚴(yán)重威脅了湖泊周邊居民的生產(chǎn)生活用水安全，并且對(duì)湖區(qū)的生物多樣性甚至整個(gè)生態(tài)系統(tǒng)造成了嚴(yán)重的影響[5]. 因此，快速、全面、準(zhǔn)確的掌握水華發(fā)生的規(guī)律，探究水華發(fā)生的驅(qū)動(dòng)因素，對(duì)后期水華的監(jiān)測(cè)、治理以及預(yù)防具有十分重要的意義.

近年來衛(wèi)星遙感技術(shù)的發(fā)展和應(yīng)用愈發(fā)成熟，使得大范圍、長(zhǎng)時(shí)序的水華監(jiān)測(cè)得以實(shí)現(xiàn)，與常規(guī)監(jiān)測(cè)手段相比具有無可比擬的優(yōu)勢(shì)，國(guó)內(nèi)外眾多學(xué)者利用衛(wèi)星影像在藍(lán)藻水華監(jiān)測(cè)研究中取得了明顯的成效. 例如李晟銘等利用Landsat影像探究了巢湖水華的長(zhǎng)時(shí)序時(shí)空變化特征[6]；唐曉先等[7]通過MODIS數(shù)據(jù)揭示了2000-2015年間巢湖水華的時(shí)空變化規(guī)律. Landsat衛(wèi)星發(fā)射時(shí)間早、空間分辨率高，雖然能滿足長(zhǎng)時(shí)序研究的要求，但重返周期長(zhǎng)，實(shí)際研究中數(shù)據(jù)密度較低，由于水華高動(dòng)態(tài)性的變化特點(diǎn)，數(shù)據(jù)密度對(duì)水華動(dòng)態(tài)分析的影響較大；MODIS數(shù)據(jù)時(shí)間分辨率較高，每天都可獲取到影像，但其空間分辨率較低，最高僅有250 m，在一定程度上會(huì)影響水華提取的精度，并且不適應(yīng)用監(jiān)督分類的方式解譯水華. 大部分長(zhǎng)時(shí)序的研究都受限于單一數(shù)據(jù)源的缺點(diǎn)，無法兼?zhèn)涓邥r(shí)空數(shù)據(jù)的優(yōu)點(diǎn). 因此，要想提高水華提取的精度，更加準(zhǔn)確客觀地分析水華長(zhǎng)時(shí)序時(shí)空變化趨勢(shì)，必須獲取高時(shí)間和高空間分辨率的遙感影像.

如何利用技術(shù)手段提高水華解譯的精度是水華研究的一個(gè)熱點(diǎn)課題. Rouse等[8]提出了歸一化植被指數(shù)(normalized difference vegetation index，NDVI)，用來區(qū)分水體和水中藍(lán)藻；Hu[9]建立了一種浮游藻類指數(shù)(floating algae index，F(xiàn)AI)來識(shí)別水華，有效地減小了大氣對(duì)水華提取的影響. 指數(shù)閾值提取法對(duì)水華有較好的辨識(shí)性，但是對(duì)于不同數(shù)據(jù)源甚至同一數(shù)據(jù)源不同時(shí)相的遙感影像，閾值都會(huì)發(fā)生變化，因此閾值的選定存在極大的主觀性和不確定性；再者，閾值提取法避免不了會(huì)將“異物同譜”的物質(zhì)進(jìn)行誤分，容易導(dǎo)致水華面積偏大. 不少學(xué)者，如潘琛等[10]利用監(jiān)督分類的方法對(duì)內(nèi)陸湖泊的水華信息進(jìn)行有效提??；Zhang等[11]利用監(jiān)督分類的方法對(duì)海洋中的赤潮進(jìn)行了識(shí)別. 監(jiān)督分類的優(yōu)勢(shì)在于能夠有效利用研究者的經(jīng)驗(yàn)，擺脫閾值選擇帶來的困擾，并且在樣本選取時(shí)還能消除渾濁水體的背景干擾和“異物同譜”物質(zhì)的影響，但是易于受影像質(zhì)量問題(如云、霧等)的影響，在樣本選擇過程中往往會(huì)出現(xiàn)誤選，導(dǎo)致難以取得較高的解譯精度. 因此本質(zhì)上來講，提高樣本選擇的準(zhǔn)確性以及在監(jiān)督分類中考慮更多的影像信息特征是提高水華提取精度的有效途徑.

在利用遙感影像監(jiān)測(cè)到水華信息的基礎(chǔ)上，眾多學(xué)者針對(duì)水華時(shí)空變化開展了相關(guān)的研究. 例如馬榮華等對(duì)太湖藍(lán)藻水華最初在夏季出現(xiàn)時(shí)間的變化、覆蓋面積、空間分布特點(diǎn)等做了研究[12]，朱利等[13]從發(fā)生頻率、起始日期和持續(xù)時(shí)間三個(gè)角度分析探討了巢湖水華的動(dòng)態(tài)變化規(guī)律. 以上這些研究雖然都嘗試從不同角度探尋水華的時(shí)空變化規(guī)律，但受限于遙感數(shù)據(jù)量較少、分辨率較低以及水華提取方法精度不高等的影響，難以較準(zhǔn)確獲取長(zhǎng)時(shí)間尺度、高時(shí)空分辨率的水華信息. 此外，還有學(xué)者通過分析湖區(qū)氣象條件變化對(duì)水華發(fā)生的影響，利用Logistic回歸建立氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型，將氣象因子與遙感監(jiān)測(cè)結(jié)果建立直接的關(guān)系[14]. 氣象因素雖不是水華發(fā)生的主導(dǎo)因素，但卻是誘導(dǎo)因素，不同湖區(qū)氣象條件差異顯著，如何選取氣象因子精準(zhǔn)建立預(yù)測(cè)模型以及判定水華氣象風(fēng)險(xiǎn)的主導(dǎo)氣象因素值得探尋和深入研究.

本文利用2009-2018年10年間巢湖區(qū)域的多源遙感影像以及時(shí)空融合技術(shù)得到研究區(qū)長(zhǎng)時(shí)序高時(shí)空分辨率的遙感數(shù)據(jù)，采用波段融合的方式將NDVI指數(shù)波段加入到遙感影像當(dāng)中并通過監(jiān)督分類提取水華信息，從水華發(fā)生程度、四季變化特征、發(fā)生頻率、空間分布及其原因等角度揭示了巢湖水華的長(zhǎng)時(shí)序時(shí)空變化特征；另外，通過分析水華發(fā)生期的氣溫、日照、降水、風(fēng)速等氣象因素，構(gòu)建Logistic巢湖水華氣象風(fēng)險(xiǎn)預(yù)測(cè)模型，為巢湖水華的監(jiān)測(cè)、治理和防控提供了重要的理論依據(jù)和技術(shù)支撐.

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

巢湖(31°25′～31°42′N，117°17′～117°50′E；圖1)位于安徽省中部合肥市境內(nèi)，被巢湖市、包河區(qū)、肥東縣、肥西縣、廬江縣一市一區(qū)三縣環(huán)抱其中，為合肥市最大的內(nèi)湖，也是我國(guó)的第五大淡水湖. 巢湖東西長(zhǎng)55 km，南北寬21 km，湖岸線170多km，平均水深3 m，最大水深6.78 m，面積約780 km2，以忠廟—姥山—新河口為界分為東西半湖. 湖水主要靠地表徑流補(bǔ)給，水域遼闊，四周河溝渠道360多條，縱橫交錯(cuò)，曲折回環(huán)，其中較大的河流有南淝河、派河、杭埠河、白石天河、兆河、柘皋河等，并通過裕溪河與長(zhǎng)江連通[15].

圖1 巢湖地理位置及氣象站示意

1.2 遙感數(shù)據(jù)與氣象數(shù)據(jù)

本文實(shí)驗(yàn)選取2009-2018年10年間巢湖區(qū)域的高分辨率多源光學(xué)遙感數(shù)據(jù)以及利用時(shí)空融合技術(shù)得到的時(shí)空融合數(shù)據(jù)，數(shù)據(jù)基本均分在各個(gè)月份，數(shù)據(jù)源包括高分一號(hào)、Landsat、Sentinel-2、MODIS和融合數(shù)據(jù)，需要說明的是，MODIS數(shù)據(jù)空間分辨率較低，本文只將其作為間接數(shù)據(jù)源，參與數(shù)據(jù)的時(shí)空融合，各相關(guān)數(shù)據(jù)源使用情況如表1所示. 同期氣象數(shù)據(jù)來源于國(guó)家氣象信息中心(http://data.cma.cn/)，站點(diǎn)為合肥站(31°47′N，117°18′E)和巢湖站(31°35′N，117°5′E)，獲取包括氣溫、日照、降水量、風(fēng)速、風(fēng)向等逐日氣象數(shù)據(jù)，氣象數(shù)據(jù)統(tǒng)計(jì)采用兩個(gè)站點(diǎn)氣象數(shù)值的日平均值.

表1 衛(wèi)星遙感數(shù)據(jù)使用情況

2 研究方法

2.1 影像預(yù)處理與時(shí)空融合

受各種因素的影響，遙感影像往往不能直接使用，首先須對(duì)影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正、幾何校正等預(yù)處理，對(duì)部分?jǐn)?shù)據(jù)源影像因傳感器故障、單幅影像不足以覆蓋研究區(qū)域等問題，還須進(jìn)行去條帶、圖像鑲嵌等相關(guān)步驟. 為獲取長(zhǎng)時(shí)序高時(shí)空分辨率的遙感數(shù)據(jù)以及解決部分時(shí)間段數(shù)據(jù)缺失和分布不均勻問題，本文采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)增強(qiáng)時(shí)空自適應(yīng)反射率融合模型[16]對(duì)MODIS數(shù)據(jù)和Landsat數(shù)據(jù)進(jìn)行時(shí)空融合.

ESTARFM模型的融合理論是對(duì)已知影像的像素值取相同的權(quán)值，然后進(jìn)行加權(quán)平均得到融合影像的像素值[17]. 該模型在原有時(shí)空融合模型的基礎(chǔ)上進(jìn)行了改進(jìn)，對(duì)賦權(quán)方法進(jìn)行了調(diào)整，通過引入一個(gè)轉(zhuǎn)換系數(shù)，提高了地表情況較為復(fù)雜以及空間性質(zhì)差異較大區(qū)域的預(yù)測(cè)精度，同時(shí)在融合過程中不僅充分考慮像元之間的時(shí)間和空間差異性，而且考慮光譜差異性[18]，是目前應(yīng)用最為廣泛并且融合精度較高的時(shí)空融合模型之一[19]. 部分研究者已將該模型成功地應(yīng)用到溫度、墊面監(jiān)測(cè)與熱環(huán)境分析、土地利用類型變化等動(dòng)態(tài)性變化較高的地物監(jiān)測(cè)中，充分表明該模型對(duì)高動(dòng)態(tài)變化地物類型的影像融合同樣適用[20-21]. 在融合過程中，該模型首先利用權(quán)重函數(shù)進(jìn)行卷積運(yùn)算得到中心像元值，如公式(1)所示:

(1)

式中，L代表Landsat影像，M代表MODIS影像，w為計(jì)算窗口的大小，t0、tp分別表示影像獲取的兩個(gè)時(shí)刻，B表示影像波段，N是中心預(yù)測(cè)像元的相似像元數(shù)目，Wi是第i個(gè)相似像元的權(quán)重，Vi是第i個(gè)相似像元的轉(zhuǎn)換系數(shù)，(xi,yi)是第i個(gè)相似像元的位置.

根據(jù)時(shí)相1(m時(shí)刻)的Landsat和MODIS與時(shí)相2(tp時(shí)刻)的MODIS來預(yù)測(cè)tp時(shí)刻Landsat影像的反射率，記為L(zhǎng)m(xw/2,yw/2,tp,B)；然后利用時(shí)相3(n時(shí)刻)的Landsat和MODIS與時(shí)相2(tp時(shí)刻)的MODIS來預(yù)測(cè)tp時(shí)刻Landsat影像的反射率，記為L(zhǎng)n(xw/2,yw/2,tp,B). 通過2個(gè)時(shí)相預(yù)測(cè)結(jié)果的加權(quán)組合可以獲得更加準(zhǔn)確的tp時(shí)刻Landsat影像的反射率[22]，如公式(2)所示:

L(xw/2,yw/2,tp,B)=Tm·Lm(xw/2,yw/2,tp,B)+Tn·Ln(xw/2,yw/2,tp,B)

(2)

式中，L(xw/2,yw/2,tp,B)是tp時(shí)刻中心像素點(diǎn)的融合結(jié)果，Tm、Tn分別是兩個(gè)時(shí)刻預(yù)測(cè)結(jié)果影像的權(quán)重系數(shù). 具體的時(shí)空融合示意圖如圖2所示.

圖2 時(shí)空融合示意圖

2.2 水華解譯方法

支持向量機(jī)(support vector machine，SVM)是一種有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識(shí)別、地物分類和回歸分析[23]，特別是在地物分類中有著廣泛的應(yīng)用和較高的分類精度[24]. SVM解譯水華的理想目標(biāo)是將水華像元根據(jù)其在不同波段的光譜特征準(zhǔn)確地進(jìn)行分類，但是由于水華分布的復(fù)雜性、無序性和不規(guī)則性，僅僅依靠光譜特征難以獲得較為理想的分類結(jié)果，因此，在監(jiān)督分類中充分利用影像上水華的多特征信息，對(duì)于提高分類精度具有很大的意義[25-26]. 本研究通過波段融合的方式將NDVI指數(shù)波段加入預(yù)處理之后的遙感影像當(dāng)中，使影像具備了原本不具有的特征信息，對(duì)難以區(qū)分的中、低濃度水華具有較好的辨識(shí)作用. 此外，通過波段融合還能夠綜合利用不同波段之間的特征信息[27]，提高樣本的選取精度. 對(duì)于本研究而言，由于NDVI能有效描述水體的含植被量并且在水華識(shí)別中具有較為廣泛的使用，故將其作為一個(gè)輸入波段，得到一種結(jié)合NDVI與SVM的水華提取方法，以下簡(jiǎn)稱NDVI-SVM. 該方法解譯水華的基本流程如圖3(僅展示關(guān)鍵過程的影像結(jié)果)所示，水華解譯基本過程如下：

1)NDVI提取與波段融合：將預(yù)處理后的遙感影像先進(jìn)行歸一化NDVI提取，然后將NDVI指數(shù)影像與預(yù)處理后的遙感影像進(jìn)行波段融合，得到含有NDVI指數(shù)波段的多波段影像.

2)研究區(qū)矢量邊界裁剪：利用巢湖矢量邊界對(duì)影像進(jìn)行裁剪，目的是增強(qiáng)影像中不同地物的顯色差異以及加快后期監(jiān)督分類速度.

3)樣本選取及評(píng)價(jià)：在2%的拉伸方式下對(duì)波段融合后的影像依次進(jìn)行NDVI指數(shù)波段、紅波段、綠波段顯色，水華在影像中呈粉紅色形態(tài)與周圍藍(lán)色水體有明顯區(qū)別；隨后進(jìn)行樣本選取，樣本共分為兩類，即水華和無水華水體樣本，樣本的選擇應(yīng)遵循代表性、統(tǒng)計(jì)性和準(zhǔn)確性等基本原則. 為保證樣本選擇的精度，每類樣本的選取數(shù)量保證在50個(gè)以上，同時(shí)對(duì)所選樣本進(jìn)行評(píng)價(jià)，通過計(jì)算Jeffries-Matusita距離和轉(zhuǎn)換分離度，其中大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要重新選擇樣本.

4)SVM監(jiān)督分類：采用支持向量機(jī)的分類方式對(duì)樣本進(jìn)行分類，并將分類結(jié)果與預(yù)處理結(jié)果影像進(jìn)行疊加，目視判斷分類精度.

5)掩膜：對(duì)分類結(jié)果進(jìn)行掩膜獲取水華解譯信息，并根據(jù)像元大小和數(shù)量計(jì)算水華覆蓋面積.

圖3 水華提取流程

2.3 Logistic模型

Logistic回歸模型是一種非線性回歸概率模型，通過轉(zhuǎn)化問題來分析被預(yù)測(cè)變量的條件概率同預(yù)測(cè)變量之間的關(guān)系，在二分類因變量問題中應(yīng)用較為廣泛[28]. 本研究將水華發(fā)生與否(分別取值為1和0)作為因變量，將各種氣象因素變量值作為自變量，建立各氣象因素與水華發(fā)生與否的二元概率回歸模型.

Logistic回歸模型表達(dá)式如下：

(3)

或

(4)

式中，ρ=P(y=1|X1,X2,…,Xk)為事件發(fā)生概率，X1、X2、…、Xk為自變量因子值，β0、β1、β2、…、βk為邏輯回歸系數(shù)，模型通過SPSS軟件構(gòu)建和擬合度檢驗(yàn).

根據(jù)中國(guó)環(huán)境監(jiān)測(cè)總站制定的“太湖、巢湖水華特征臨時(shí)判別方法”[29]，可對(duì)巢湖水華特征進(jìn)行判別分類，將湖區(qū)藻類覆蓋面積≤5%的情況界定為無水華，此時(shí)模型因變量取值為0；反之，界定為有水華，因變量取值為1. 本文根據(jù)獲取的水華信息以及利用上述判別方法得到所有對(duì)應(yīng)日期的因變量值，同時(shí)輸入篩選的對(duì)應(yīng)日期氣象因子的自變量值，便可實(shí)現(xiàn)模型的擬合構(gòu)建.

3 結(jié)果與分析

3.1 NDVI-SVM方法精度評(píng)價(jià)

目前絕大部分利用遙感影像提取水華的研究都無法進(jìn)行精度評(píng)價(jià)，往往只能借助目視解譯來判斷提取結(jié)果是否可靠，本文給出其中2種數(shù)據(jù)源影像水華解譯前后的結(jié)果，如圖4所示. 此外，為驗(yàn)證NDVI-SVM方法的可靠性，本文提出一種新的評(píng)價(jià)方式，該評(píng)價(jià)方式的基本思想是：對(duì)于一種可靠的水華解譯方法而言，其在時(shí)相極接近的兩個(gè)不同傳感器所獲取影像上的水華解譯結(jié)果應(yīng)當(dāng)極為接近，通過在同一影像拉伸(2%拉伸)方式下分別采用NDVI閾值提取法、傳統(tǒng)SVM監(jiān)督分類法和NDVI-SVM方法對(duì)影像進(jìn)行水華提取，如表2所示，可以發(fā)現(xiàn)兩對(duì)時(shí)相中NDVI-SVM方法提取面積極為接近(僅分別相差0.2712和0.646 km2). 對(duì)于水體總面積約780 km2的巢湖而言，上述提取面積的差值微乎其微，而且之所以存在差值主要有以下三個(gè)原因：其一，不同分辨率衛(wèi)星對(duì)水華的識(shí)別會(huì)有略微差別；其二，監(jiān)督分類本身存在主觀意識(shí)；其三，衛(wèi)星影像過境時(shí)間雖相差無幾，但還是存在時(shí)間差，水華可能會(huì)在幾分鐘內(nèi)發(fā)生略微的變化.

圖4 NDVI-SVM方法水華解譯結(jié)果

表2 水華提取方法誤差分析

為進(jìn)一步定量分析NDVI-SVM方法的可靠性，本文提出一種定量評(píng)價(jià)指標(biāo)，其計(jì)算表達(dá)式如下：

(5)

式中，σ代表相對(duì)誤差值，S1代表Landsat-7影像水華提取面積，S2代表Sentinel-2影像水華提取面積. 誤差值越小，表明相近時(shí)間不同傳感器水華提取結(jié)果越為接近，水華解譯效果越好，提取精度越高.

根據(jù)誤差評(píng)價(jià)結(jié)果可以看出，NDVI-SVM的誤差值較小，而NDVI閾值提取法和傳統(tǒng)SVM分類法相對(duì)較大，另外發(fā)現(xiàn)NDVI-SVM的水華提取面積介于NDVI閾值提取法(提取面積一般會(huì)偏大)和傳統(tǒng)SVM監(jiān)督分類法(提取面積一般會(huì)偏小)之間，這充分驗(yàn)證了NDVI-SVM方法的可靠性，此外，該方法對(duì)多源高分辨率遙感影像具有普遍的適用性，同時(shí)有著較快的監(jiān)督分類速度. 因此，整體而言，NDVI-SVM方法是一種較為理想并實(shí)質(zhì)有效的藍(lán)藻水華解譯方法.

在哈佳線施工過程中，王振東在技術(shù)創(chuàng)新的道路上，取得了特殊的成績(jī)。他結(jié)合學(xué)府路、佳木斯站、東佳木斯站等不同地質(zhì)變化的特點(diǎn)，制定有效技術(shù)對(duì)策，形成了臨近既有鐵路富水含砂深基坑施工技術(shù)研究、臨近鐵路既有線的深基坑施工方案優(yōu)化研究等。催生了施工現(xiàn)場(chǎng)對(duì)新技術(shù)的廣泛運(yùn)用，為后續(xù)相關(guān)工程施工積累了寶貴的經(jīng)驗(yàn)。

3.2 巢湖水華時(shí)空變化規(guī)律分析

3.2.1 水華發(fā)生程度年際變化 根據(jù)水華面積占湖泊總面積的比例(P)，將巢湖水華發(fā)生程度劃分為4級(jí). 當(dāng)P≤5%時(shí)，無藍(lán)藻水華；當(dāng)5%60%時(shí)，有全湖藍(lán)藻水華[30]. 本研究對(duì)2009-2018年間的巢湖水華發(fā)生情況進(jìn)行了統(tǒng)計(jì)(表3).

表3 巢湖藍(lán)藻水華發(fā)生次數(shù)

如圖5所示，2009-2018年期間，巢湖發(fā)生的藍(lán)藻水華以零星和局部水華為主，區(qū)域水華占比較低，全湖水華維持在零狀態(tài)，2012年首次出現(xiàn)區(qū)域水華，除2009和2017年外，其它年份局部水華發(fā)生次數(shù)所占的比例都高于零星水華，10年間局部水華發(fā)生次數(shù)的比例變化趨勢(shì)最為顯著.

圖5 巢湖各等級(jí)藍(lán)藻水華發(fā)生次數(shù)占總次數(shù)的比例

3.2.2 水華季節(jié)變化趨勢(shì) 根據(jù)氣象學(xué)劃分的季節(jié)(3、4、5月為春季，6、7、8月為夏季，9、10、11月為秋季，12和次年1、2月為冬季)對(duì)巢湖水華進(jìn)行四季變化特征分析(增加2019年1、2月份的水華信息作為2018年的冬季). 如圖6所示，水華在夏、秋季最為嚴(yán)重，而冬、春季處于相對(duì)低迷狀態(tài)；10年間，冬春季的水華面積基本保持平穩(wěn)狀態(tài)，而夏秋季整體呈增長(zhǎng)趨勢(shì)；另外，考慮到巢湖所處的安徽省中部春季和秋季較短，本文將一年分為夏半年(5-10月)和冬半年(其余月份)，夏半年水華普遍比冬半年嚴(yán)重，并且不同年份夏、冬半年水華面積差異較大，其中2018年差異最大，水華覆蓋面積差值高達(dá)95.687 km2.

圖6 巢湖藍(lán)藻水華季節(jié)變化

3.2.3 水華空間變化特征 從各年的巢湖水華頻率分布圖以及10年間整體水華頻率分布圖可以發(fā)現(xiàn)(圖7)，西巢湖水華發(fā)生頻率明顯高于東巢湖，且西巢湖的高發(fā)區(qū)域主要在西北部，其主要原因之一是巢湖西北部是合肥市區(qū)排污河(南淝河、十五里河、塘西河)的入湖口；后五年水華發(fā)生頻率明顯高于前五年，東中部湖區(qū)發(fā)生頻率較之前有所增加. 盡管近十幾年來對(duì)巢湖治理的措施和政策相繼出臺(tái)，投資也不斷加大，但湖泊富營(yíng)養(yǎng)化仍然保持在較高水平. 湖區(qū)水華發(fā)生頻率的變化也較為復(fù)雜，2011年水華開始向沿岸蔓延；2014年水華首次出現(xiàn)在西南湖區(qū)；2016年巢湖水華高發(fā)區(qū)域新增巢湖東部和中部地區(qū)，這與當(dāng)年巢湖泄洪換水有關(guān)，換水使得湖區(qū)營(yíng)養(yǎng)化水平明顯下降，藍(lán)藻優(yōu)勢(shì)種群發(fā)生改變，冬季魚腥藻頻繁出現(xiàn)在中東湖區(qū)[31]；2017、2018年相比前幾年，高頻暴發(fā)區(qū)域有所減少，表明近幾年巢湖的治理初見成效，并且隨著合肥濱湖新區(qū)的逐步建設(shè)與發(fā)展，巢湖西北岸乃至整個(gè)巢湖區(qū)域的水華都會(huì)得到有效治理.

圖7 巢湖藍(lán)藻水華年度發(fā)生頻率

3.2.4 水華空間分布原因 巢湖水華發(fā)生的空間分布原因除了與排污河入湖口有關(guān)外，也受限于風(fēng)向這一氣象因素的影響. 如圖8所示，為了研究這一問題，以2018年為例，將夏季風(fēng)(5-10月)風(fēng)向、冬季風(fēng)(其余月份)風(fēng)向、全年風(fēng)向的風(fēng)向頻率進(jìn)行統(tǒng)計(jì)制成風(fēng)向玫瑰圖；與此同時(shí)，給出相應(yīng)風(fēng)向日期的水華頻率分布圖，可以發(fā)現(xiàn)，以主導(dǎo)風(fēng)向?yàn)闁|風(fēng)和東南風(fēng)的夏季風(fēng)，水華在巢湖西北岸的發(fā)生頻率較高；以主導(dǎo)風(fēng)向?yàn)槲鞅憋L(fēng)的冬季風(fēng)，水華在巢湖南岸、東南岸的發(fā)生頻率較高；從主導(dǎo)風(fēng)向?yàn)闁|風(fēng)和東南風(fēng)的全年風(fēng)玫瑰圖來看，西北岸發(fā)生頻率較高. 由此可見，巢湖水華發(fā)生的空間分布與風(fēng)向有直接的關(guān)系，這主要是因?yàn)轱L(fēng)向會(huì)使湖泊表層水體向下風(fēng)向流動(dòng)，從而帶動(dòng)藍(lán)藻聚集形成大規(guī)模水華.

圖8 主導(dǎo)風(fēng)向與水華高發(fā)區(qū)域?qū)Ρ?/p>

3.3 水華發(fā)生期氣象條件分析

氣象數(shù)據(jù)采用日平均值(8:00-20:00)，通過分析衛(wèi)星監(jiān)測(cè)當(dāng)日及前幾日氣象條件變化，確定模型的自變量因子，此外，從所有衛(wèi)星監(jiān)測(cè)日期中隨機(jī)選取部分日期，統(tǒng)計(jì)水華發(fā)生情況與氣象數(shù)據(jù)的顯著相關(guān)性，來進(jìn)一步驗(yàn)證自變量選取的合理性.

1) 氣溫：藻類的生長(zhǎng)需要適宜的溫度條件，統(tǒng)計(jì)水華發(fā)生日的日最高氣溫和日最低氣溫，發(fā)現(xiàn)兩者變化幅度較大，但是根據(jù)水華發(fā)生日平均氣溫變化情況來看(圖9)，最高30.4℃，最低6.0℃，平均20.6℃，平均氣溫與水華的Pearson相關(guān)系數(shù)為0.69(在0.01水平上雙側(cè)顯著相關(guān))，由此可見，較高或較低的溫度都會(huì)抑制藻類的生長(zhǎng). 因此，平均氣溫可能是誘發(fā)水華發(fā)生的重要?dú)庀髼l件，故選取平均氣溫作為模型因變量因子之一.

2) 日照：從水華發(fā)生日的日照時(shí)數(shù)變化情況來看(圖9)，水華發(fā)生日日照時(shí)數(shù)普遍較長(zhǎng)，基本都在6.5 h以上，平均日照時(shí)數(shù)9.0 h，最長(zhǎng)日照時(shí)數(shù)高達(dá)11.0 h，日照時(shí)數(shù)與水華的Pearson相關(guān)系數(shù)為0.79(在0.01水平上雙側(cè)顯著相關(guān))，同時(shí)發(fā)現(xiàn)每次水華發(fā)生的前幾日，日照時(shí)數(shù)普遍偏低，這是因?yàn)樗A發(fā)生前普遍會(huì)有陰雨天氣出現(xiàn)，而天氣轉(zhuǎn)晴之后突增的強(qiáng)日照可能是水華發(fā)生的誘導(dǎo)原因. 因此，較長(zhǎng)的日照時(shí)數(shù)對(duì)水華的發(fā)生具有一定的促進(jìn)作用.

3)降水量：降水對(duì)水華的影響主要有兩方面：其一，降水會(huì)導(dǎo)致溫度降低和日照時(shí)數(shù)驟降，從而抑制水華的發(fā)生；其二，降水會(huì)對(duì)水體產(chǎn)生強(qiáng)大的攪拌作用，從而影響藻類上浮聚集形成水華，但是統(tǒng)計(jì)發(fā)現(xiàn)水華發(fā)生前均有明顯降水或連續(xù)性陰雨天氣，天氣轉(zhuǎn)晴后，氣溫的升高和日照時(shí)數(shù)的突增，則會(huì)誘發(fā)水華的發(fā)生. 根據(jù)水華發(fā)生日的前五日日均降水量變化情況(圖10)來看，其與水華發(fā)生有明顯的關(guān)系，并且前五日日均降水量與水華的Pearson相關(guān)系數(shù)為0.69(在0.01水平上雙側(cè)顯著相關(guān)). 因此，將前五日日均降水量作為構(gòu)建模型的氣象指標(biāo)之一.

4)風(fēng)速：統(tǒng)計(jì)水華發(fā)生日的最大風(fēng)速、最小風(fēng)速和平均風(fēng)速，發(fā)現(xiàn)最大風(fēng)速和最小風(fēng)速的風(fēng)速變化范圍較大，不能很好地?cái)M合與水華發(fā)生的關(guān)系，但是根據(jù)水華發(fā)生日的平均風(fēng)速變化情況(圖10)來看，平均風(fēng)速都在3.2 m/s以內(nèi)，由此看來，較低的風(fēng)速對(duì)水體的攪拌作用小，有利于藻類聚集上浮.

圖9 巢湖水華發(fā)生期平均氣溫和平均日照時(shí)數(shù)變化

圖10 巢湖水華發(fā)生期前五日日均降水量和平均風(fēng)速變化

需要說明的是，本研究所使用的光學(xué)遙感數(shù)據(jù)只能在晴空下監(jiān)測(cè)巢湖藍(lán)藻水華發(fā)生的情況，有云或陰雨天時(shí)則監(jiān)測(cè)不到，這可能會(huì)導(dǎo)致氣象數(shù)據(jù)分析稍有偏差，但是目前有學(xué)者已經(jīng)研究利用雷達(dá)遙感數(shù)據(jù)對(duì)太湖藍(lán)藻水華進(jìn)行監(jiān)測(cè)，取得了明顯的成效[32]. 后續(xù)將嘗試?yán)美走_(dá)遙感數(shù)據(jù)監(jiān)測(cè)巢湖藍(lán)藻水華，從而能進(jìn)一步提高巢湖水華氣象風(fēng)險(xiǎn)的預(yù)測(cè)準(zhǔn)確率.

3.4 Logistic模型檢驗(yàn)與結(jié)果

為檢驗(yàn)?zāi)Ｐ偷木群头€(wěn)定性，采用交叉驗(yàn)證法，將全部數(shù)據(jù)隨機(jī)均分為5 組，其中4 組作為訓(xùn)練樣本構(gòu)建模型，1 組作為驗(yàn)證組與其對(duì)應(yīng)日期的模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比. 實(shí)驗(yàn)發(fā)現(xiàn)，Logistic模型對(duì)于5組數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率分別為88.0%、85.3%、92.0%、85.5%、86.8%，平均預(yù)測(cè)準(zhǔn)確率87.52%. 模型的卡方值為54.291，自由度為4，顯著性為0.001，小于0.05的顯著水平，表明所構(gòu)建模型的顯著性較高. 在模型擬合優(yōu)度Hosmer & Lemeshow檢驗(yàn)中[33]，卡方統(tǒng)計(jì)值為3.148，自由度為7，顯著性為0.871>0.05，說明模型能較準(zhǔn)確地?cái)M合整體. 以上數(shù)據(jù)均表明本研究所選氣象因子較為恰當(dāng)，也說明模型在巢湖水華氣象風(fēng)險(xiǎn)預(yù)測(cè)中的適用性.

在最終的模型變量檢驗(yàn)中，采用Wald統(tǒng)計(jì)量檢驗(yàn)自變量影響的顯著程度[34]. 所有自變量因子均滿足較強(qiáng)的統(tǒng)計(jì)顯著性，其中日照時(shí)數(shù)的顯著性為0.38，明顯高于其他氣象因子，表明日照時(shí)數(shù)是影響水華發(fā)生的主導(dǎo)氣象因素；另外，所有自變量因子的S.E.值均大于0.05，充分說明各氣象因子與水華發(fā)生的相關(guān)性具有統(tǒng)計(jì)學(xué)意義[35].

根據(jù)最高預(yù)測(cè)準(zhǔn)確率數(shù)據(jù)得到的最佳回歸方程如下：

(6)

式中，ρ表示預(yù)測(cè)概率，X1表示日平均氣溫，X2表示日平均日照時(shí)數(shù)，X3表示日平均風(fēng)速，X4表示前五日日均降水量.

模型預(yù)測(cè)結(jié)果表明，巢湖水華一般在陰雨天之后日照時(shí)數(shù)較長(zhǎng)的情況下發(fā)生概率較大，另外，較低的風(fēng)速和適宜的溫度對(duì)水華發(fā)生概率的影響也不容忽視. 進(jìn)一步分析預(yù)測(cè)結(jié)果可知，錯(cuò)誤預(yù)測(cè)的情況一般出現(xiàn)在水華發(fā)生衰退期，因?yàn)樗A發(fā)生期藍(lán)藻在湖面大規(guī)模集聚，即使氣象條件發(fā)生驟變，大規(guī)模的水華不可能短期內(nèi)從湖面消失，水華仍舊持續(xù)一定的時(shí)間，所以水華發(fā)生后期不僅與氣象條件有關(guān)，還與水華發(fā)生前期的規(guī)模和程度有很大的關(guān)系.

在富營(yíng)養(yǎng)化湖泊中，藍(lán)藻的暴發(fā)是因?yàn)樗w中氮磷等營(yíng)養(yǎng)物質(zhì)偏高，當(dāng)營(yíng)養(yǎng)鹽濃度穩(wěn)定在恒定范圍內(nèi)，氣象、水文等因素就成了誘導(dǎo)水華發(fā)生的關(guān)鍵條件. 基于氣象數(shù)據(jù)構(gòu)建的Logistic水華氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型，重點(diǎn)分析氣象因素對(duì)水華暴發(fā)的影響，實(shí)現(xiàn)了通過氣象因素對(duì)水華發(fā)生概率的預(yù)測(cè)，并且將該模型成功地運(yùn)用到了巢湖水華氣象風(fēng)險(xiǎn)的預(yù)測(cè)中，為后期巢湖甚至其它富營(yíng)養(yǎng)化湖泊的治理和防控提供了技術(shù)理論和參考價(jià)值.

4 結(jié)論

衛(wèi)星遙感技術(shù)在藍(lán)藻水華監(jiān)測(cè)中的廣泛應(yīng)用，使水華的治理與防控變得高效化和便捷化. 本文基于高時(shí)空分辨率的遙感數(shù)據(jù)，利用NDVI-SVM水華提取方法，從水華發(fā)生程度、四季變化特征、發(fā)生頻率、空間分布及其原因等多角度揭示了巢湖水華的長(zhǎng)時(shí)序時(shí)空變化規(guī)律；同時(shí)通過同期氣象數(shù)據(jù)，構(gòu)建了Logistic巢湖水華氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型. 研究的主要?jiǎng)?chuàng)新點(diǎn)及結(jié)論如下：

1)高時(shí)空分辨率的遙感數(shù)據(jù)：本研究通過多源衛(wèi)星以及時(shí)空融合技術(shù)獲取了巢湖區(qū)域長(zhǎng)時(shí)序高時(shí)空分辨率的遙感數(shù)據(jù)，解決了因惡劣天氣導(dǎo)致的部分時(shí)間段數(shù)據(jù)量不足和分布不均勻問題，為基于遙感數(shù)據(jù)的水華長(zhǎng)時(shí)序研究提供了可靠的數(shù)據(jù)支撐.

2)較高精度的水華提取方法：NDVI-SVM水華提取方法避免了閾值選擇的主觀性和不確定性，減小了“異物同譜”物質(zhì)的影響，同時(shí)在SVM監(jiān)督分類時(shí)綜合利用了多波段影像的多特征信息，提高了水華解譯的精度，特別是中、低濃度水華的提取精度.

3)多角度的時(shí)空分析：巢湖發(fā)生的藍(lán)藻水華以零星和局部水華為主，全湖水華維持在零狀態(tài)，10年間局部水華發(fā)生次數(shù)的比例變化趨勢(shì)最為顯著；巢湖水華季節(jié)變化性強(qiáng)，夏冬半年變化差異大；后五年水華發(fā)生頻率明顯高于前五年，東中部湖區(qū)水華發(fā)生頻率較之前有所增加；巢湖水華的空間分布與主導(dǎo)風(fēng)向及排污河入湖口位置有很大的關(guān)系，整體來看，西巢湖水華較東巢湖嚴(yán)重，巢湖西北部是水華的高發(fā)區(qū)域.

4)穩(wěn)定的水華氣象風(fēng)險(xiǎn)預(yù)測(cè)模型：本研究通過水華遙感監(jiān)測(cè)信息和氣象數(shù)據(jù)構(gòu)建了巢湖水華氣象風(fēng)險(xiǎn)預(yù)測(cè)模型，平均預(yù)測(cè)準(zhǔn)確率高達(dá)87.52%. 預(yù)測(cè)結(jié)果表明，在陰雨天之后，日照時(shí)數(shù)較長(zhǎng)的情況下，巢湖水華發(fā)生的概率最大，除此之外，較低的風(fēng)速和適宜的溫度也是影響水華發(fā)生概率的重要條件，其中日照時(shí)數(shù)是影響水華發(fā)生概率的主導(dǎo)氣象因素.

需要說明的是，基于遙感影像的水華提取方法并不唯一，水華提取方法還有待改進(jìn)，精度還有待提高，而且水華發(fā)生的內(nèi)在機(jī)理復(fù)雜，未來應(yīng)該探究多個(gè)因素，并考慮彼此之間的聯(lián)系，另外，Logistic水華氣象風(fēng)險(xiǎn)概率預(yù)測(cè)模型還有待優(yōu)化.

致謝：感謝馬曉雙副教授在論文寫作中給予的指導(dǎo)和幫助.