基于长时序多光谱遥感技术的白洋淀水质演变监测分析

2023-06-22 23:07赵琳
现代信息科技 2023年5期

摘  要:针对白洋淀水污染严重、水质监测手段不足等问题,充分利用遥感技术的大范围、长时序监测优势,基于哨兵2号多光谱遥感影像,计算2018年—2020年间白洋淀水域的植被指数,结合同时间段的叶绿素a地面监测数据,建立植被指数与白洋淀水质叶绿素a之间的关系模型,实现基于哨兵2号遥感影像的白洋淀叶绿素a监测。借助2018—2022年的哨兵2号长时序遥感数据,对白洋淀叶绿素a进行反演,进一步分析白洋淀2018年以来水质演变过程及原因。

关键词:哨兵2号;长时序;叶绿素a

中图分类号:TP39;TP79  文献标识码:A  文章编号:2096-4706(2023)05-0141-04

Monitoring and Analysis of Water Quality Evolution in Baiyang Lake Based on

Long Time Series Multispectral Remote Sensing Technology

ZHAO Lin

(China Water Resources Beifang Investigation, Design and Research Co., Ltd., Tianjin  300222, China)

Abstract: Aiming at the problems of serious water pollution and insufficient water quality monitoring means in Baiyang Lake, make full use of the advantages of remote sensing technology in large-scale and long time series monitoring. Based on Sentinel 2 multi-spectral remote sensing image, the vegetation index of Baiyang Lake water area from 2018 to 2020 is calculated, and the ground monitoring data of leaf chlorophyll a in the contract period is concluded, and the relationship model between the vegetation index and the water quality leaf chlorophyll a in Baiyang Lake is established, realize the monitoring of leaf chlorophyll a in Baiyang Lake based on Sentinel 2 remote sensing image. With the help of the long time series remote sensing data of Sentinel 2 from 2018 to 2022, the leaf chlorophyll a of Baiyang Lake is retrieved to further analyze the water quality evolution process and reasons of Baiyang Lake since 2018.

Keywords: sentinel 2; long time series; leaf chlorophyll a

0  引  言

湖泊是陸地淡水资源最重要的组成部分,具有提供生产生活用水、改善区域气候、调蓄洪水、维持生态平衡等多种生态功能。随着经济的快速发展,人类活动和工业污染严重影响着湖泊生态环境,使得诸多湖泊均出现不同程度的富营养化[1]。叶绿素a作为湖泊中浮游植物最常见的色素,能够很好地反映湖泊藻类生物量,被广泛应用于湖泊富营养化研究,成为反映水体富营养化程度的一个重要指标[2]。

传统的湖泊叶绿素a浓度监测方法主要是通过在实地采样后前往实验室进行分析,或者设置定点的采样台站进行自动监测,但这些方法实现起来耗费大量人力物力,成本投入高,并且定点监测仅能反映湖泊局部的水质情况,难以全面地监测湖泊整体水质状况。随着卫星遥感技术和遥感影像处理技术的快速发展,加之遥感手段具有监测范围广、速度快、成本低、非接触、便于进行长期动态监测等优势,越来越多的学者将遥感手段应用于水质监测,并取得一定的成就[3]。

Shuchman等[4]利用密歇根湖连续7年的SeaWiFS卫星影像,反演了包括叶绿素a浓度在内的各项水质参数,并深入分析其季节和年际变化的趋势。陶慜等[5]利用星地同步数据,对巢湖水质进行连续监测,通过经验正交函数分析方法将MODIS特征波段与叶绿素a进行分解建模,估算叶绿素a浓度。李苗等[6]利用Landsat-5/TM多光谱影像和准同步实测数据反演克钦湖的叶绿素a浓度,得到叶绿素a浓度的分布特征。可见,多光谱遥感影像在湖泊叶绿素a监测中具有非常好的应用前景。

近年来,受高速的社会经济发展及华北地区气候暖干化的影响,白洋淀水环境、水生态形势不容乐观,随着,雄安新区的设立,白洋淀水环境受到政府、人们的高度重视。本文以白洋淀叶绿素a为研究对象,对2018年—2020年间每个月度的哨兵2号卫星进行数据处理,计算植被指数,并与地面实测的叶绿素a浓度进行关联分析,寻找其内在联系,建立关系模型,进而利用哨兵2号影像对白洋淀进行大范围、持续的叶绿素a监测,并深入分析白洋淀叶绿素a及水质演变的过程和趋势,便于管理者整体掌握白洋淀水质情况,为白洋淀水生态保护提供强有力的技术支撑。

1  数据与方法

1.1  研究区概况

白洋淀,属海河流域大清河南支水系湖泊,位于雄安新区,涉及安新县、雄县和容城县,是华北地区最大的湿地生态系统。白洋淀具有独特的自然景观,淀区风光秀丽,景色宜人,素有“华北明珠”之称。白洋淀周边共有8条入淀河流,流域面积21 045 km2。白洋淀四周有堤防环绕,东有千里堤,南有淀南新堤,西有障水埝和四门堤,北有新安北堤,堤防总长203 km。淀内主要由白洋淀、马棚淀、烧车淀、藻苲淀等大小不等的143个淀泊和3 700多条沟壕组成。淀区面积中85%的水域在安新县境内,构成了淀中有淀,沟壕相连,园田和水面相间分布的特殊地貌。白洋淀地理位置示意图如图1所示。

1.2  数据源与数据处理

本文主要用的遥感影像为哨兵2号多光谱卫星遥感影像,哨兵2号遥感影像属于高分辨率多光谱成像卫星影像,其卫星携带一枚多光谱成像仪(MSI),可覆盖13个光谱波段,幅宽达290 km;从可见光和近红外到短波红外,具有不同的空间分辨率,地面分辨率分别为10 m、20 m和60 m;分为2A和2B两颗卫星,一颗卫星的重访周期为10天,两颗互补,重访周期为5天。在光学数据中,哨兵2号数据是唯一一个在红边范围含有三个波段的数据,卫星影像主要用于陆地监测,可提供植被、土壤和水覆盖、内陆水路及海岸区域等图像,还可用于紧急救援服务。

本文从欧空局网站上收集2018年—2022年近5年的哨兵2号多光谱卫星遥感影像,由于欧空局网站提供的哨兵2号影像是经过正射校正和几何精校正的产品,并未经过大气校正处理。因此,本文使用大气校正插件Sen2Cor,对下的哨兵2号产品进行大气校正、地形和卷云校正。并使用SNAP软件,对大气校正后的哨兵2号影像进行重采样,将不同波段的空间分辨率均重采样到10 m。

1.3  水体范围获取

改进的归一化水体指数(Modified Normalized Difference Water Index, MNDWI)[7]能够最大程度地抑制居民地和土壤等噪声,突出水体,其MNDWI的计算公式如式(1)。其中,GREEN表示绿波段,在哨兵2号影像中对应第3波段,MIR对应中红外波段,在哨兵2号影像中对应第11或第12波段。

MNDWI=(GREEN-MIR)/(GREEN+MIR)        (1)

通过计算影像的MNDWI,设定合适的阈值,区分影像中水体与非水体,进而提取白洋淀水体范围,并进行裁剪。

1.4  植被指数计算

植被指数指的是利用卫星不同波段探测数据组合而成的,能反映植物生长状况的指数。常见的植被指数有归一化植被指数(Normalized Vegetation Index, NDVI),改进植被指数(Modified NDVI, MNDVI),红边归一化比值植被指数(Red-Edge NDVI, RENDVI),增强植被指数(Enhanced Vegetation Index, EVI)[8]。这些指数各具优势,本文采用归一化植被指数NDVI,它是最常用并且效果较好的植被指数方法之一,其计算公式如式(2)。其中,NIR表示近红外波段,在哨兵2号影像中对应第8波段,RED对应中红外波段,在哨兵2号影像中對应第4波段。

NDVI=(NIR-RED)/(NIR+RED)              (2)

NDVI的值在-1与1之间,值越大,表示含有的植被越多;值越接近0,表示水体越多;越接近-1,说明冰、雪、云越多。

2  结果与分析

2.1  白洋淀NDVI年度变化分析

基于2018年—2020年哨兵2号遥感影像,计算每一期(时间周期为3天)的NDVI值,并绘制NDVI时间序列曲线如图2所示,可以看出,2018年以来,白洋淀NDVI值的最大值出现在每年的9月份,且每年的春季和冬季,白洋淀NDVI值较小,变化不大;每年的夏季,白洋淀NDVI值较大,且变化较大。

2.2  白洋淀叶绿素a年度变化分析

为了建立NDVI与叶绿素a之间的关系模型,本文收集了2018年—2020年每个月月初的国控断面叶绿素a实测数据,国控断面包括南刘庄、烧车淀、圈头、采蒲台和光淀张庄,其位置分布示意如图1中的红色点标注的位置。将2018年—2020年之间国控断面上叶绿素a的变化情况绘制呈曲线图如图3所示,可以看出,南刘庄的叶绿素a浓度变化为每年的春季和冬季浓度较小,夏季7月、8月份浓度较大,且2019年和2020年整体浓度比2018年相同月份的浓度小;烧车淀整体变化不大,在每年的夏季及2019年1月份出现浓度较大的值;采蒲台、圈头和光淀张庄的叶绿素a浓度整体趋势与南刘庄的相似,但叶绿素a浓度的较大值出现在每年的9月份,比南刘庄的叶绿素a浓度较大值出现的时间有所推迟,圈头的叶绿素a浓度每年相同月份没有太大变化,采蒲台的叶绿素a浓度每年相同月份有所提升,光淀张庄的叶绿素a浓度每年相同月份有所下降。对上述五个断面的叶绿素a浓度分别计算不同时间的平均值,其变化情况如图3中的最后一幅图,可以看出,叶绿素a浓度的变化趋势为每年的冬季较低、夏季较高,且夏季的叶绿素a浓度呈逐年下降趋势。

2.3  NDVI与叶绿素a变化关系分析

通过上述简单的分析可以看出,2018年—2020年,白洋淀的NDVI值与叶绿素a浓度值的变化趋势基本一致,可能存在一定的联系。为了找到这种关系,本文利用2018年—2019年之间每个月初的NDVI分布图,提取出五个国控断面对应的NDVI序列值,结合2018年—2019年五个国控断面的叶绿素a实测值,构建关系模型,并利用2020年的国控断面叶绿素a实测值对该关系模型进行检验和评价。本文使用的评价指标为相关系数R,其定义为:

(3)

其中:yi表示国控断面叶绿素a实测值, 表示叶绿素a预测值, 表示国控断面叶绿素a平均值,n表示参与计算的国控断面个数,R能很好反映出模型的精度,R的值越接近于1,说明模型拟合效果越好,反演精度越高。

具体的关系模型与评价结果如表1所示,其中Chla表示叶绿素a浓度。可以看出多项式关系模型的相关系数值最高。

2.4  2020年—2022年白洋淀叶绿素浓度估算

基于2020年—2022年的白洋淀每个月初的哨兵2号影像,计算NDVI值,进而使用上述方法构建的关系模型,反演2020年—2022年白洋淀每个月初的叶绿素a浓度分布图。计算每个月初白洋淀叶绿素a平均值,结合2018年以来的数据,绘制NDVI和叶绿素a浓度时间序列曲线图如图4和图5所示。

从图4和图5中可以看出,从2018年以来,白洋淀水质叶绿素a浓度整体呈逐渐降低趋势,尤其是2021年和2022年,叶绿素a浓度整体较低,也反映了水质情况整体较优。

2019年以来,河北省针对白洋淀水质,统筹实施的工业、城镇、农业农村、淀区内源污染治理、生态修复、河道整治、生态补水等九大类66项治理工程等一系列措施;2021年,白洋淀水质达近10年来最好水平,白洋淀8个国考点位水质全部达到或优于Ⅳ类,其中1个为Ⅲ类,7个为Ⅳ类;2022年白洋淀水质首次实现从劣Ⅴ类到Ⅲ类的跨越。这些信息也侧面验证了本次实验成果的正确性。

3  结  论

本文利用2018年—2020年白洋淀五个国控断面的叶绿素a实测数据,结合2018年—2020年白洋淀哨兵2号遥感影像,通过建立两者的关系模型,通过2020年的实测数据对模型进行检验,得到最优反演模型,进而利用2020年—2022年的哨兵2号遙感影像反演2020年—2022年的白洋淀叶绿素a时空变化情况。主要研究结论如下:

(1)白洋淀叶绿素a浓度整体上有逐渐降低的趋势。不同季节,白洋淀的叶绿素a浓度有明显的差异,尤其是夏季与冬季,叶绿素a浓度具有显著的季节性。

(2)植被指数与叶绿素a浓度的时间变化规律具有一致性,可以通过构建关系模型实现基于植被指数的叶绿素a浓度反演,结合遥感影像大范围、持续监测的优势,实现白洋淀叶绿素a浓度的整体动态监测。

(3)本文只针对叶绿素a进行了研究,而水质参数包括悬浮物浓度、透明度等,这些都是影响水质的重要参数,后续的工作中,有必要对水质与遥感的关系进行深入研究,推进多光谱遥感影像在水质监测中的服务能力。

参考文献:

[1] 赵永宏,邓祥征,战金艳,等.我国湖泊富营养化防治与控制策略研究进展 [J].环境科学与技术,2010,33(3):92-98.

[2] 代前程.基于多源遥感数据的南漪湖叶绿素a浓度反演及变化研究 [D].南京:南京信息工程大学,2022.

[3]刘瑶,李俊生,肖晨超,等.资源一号02D高光谱影像内陆水体叶绿素a浓度反演 [J].遥感学报,2022,26(1):168-178.

[4] SHUCHMAN R,KOROSOV A,HATT C,et al. Verification and Application of a Bio-optical Algorithm for Lake Michigan Using SeaWiFS:a 7-year Inter-annual Analysis [J].Journal of Great LakesResearch,2006,32(2):258-279.

[5] 陶慜,段洪涛,齐琳,等.一种基于MODIS影像可业务化运行的巢湖水体叶绿素a估算算法 [J].湖泊科学,2015,27(6):1140-1150.

[6] 李苗,臧淑英,吴长山.基于TM影像的克钦湖叶绿素a浓度反演 [J].农业环境科学学报,2012,31(12):2473-2479.

[7] 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究 [J].遥感学报,2005(5):589-595.

[8] 郭超凡,陈雯璟,牛明艳,等.基于多植被指数模型的草地地上生物量协同估算 [J].干旱地区农业研究,2022,40(4):206-213.

作者简介:赵琳(1989—),女,汉族,山西长治人,工程师,硕士研究生,研究方向:水利遥感。

收稿日期:2022-11-14

基金项目:国家重点研发计划课题(2021YFB3900603)