北大港水庫水體時空變化特征及其驅動力因素

徐藝軒，連 懿，陳興梅，莫訓強，賀夢璇

（1.天津師范大學地理與環(huán)境科學學院，天津300387；2.天津師范大學天津地理空間信息技術工程中心，天津300387）

濱海濕地是存在于陸地生態(tài)系統(tǒng)和海洋生態(tài)系統(tǒng)間的交錯過渡地帶，是生物多樣性最豐富的生態(tài)系統(tǒng)之一[1]，在調節(jié)區(qū)域氣候變化、維持生物多樣性和海陸動態(tài)平衡等方面發(fā)揮著重要作用[2].伴隨著沿海地區(qū)經濟的快速發(fā)展和人口壓力的不斷增大，濕地開采日益嚴重，水域面積逐漸縮減，濕地生態(tài)系統(tǒng)遭到嚴重破壞[3].因此，加強濱海濕地水體分布情況的動態(tài)監(jiān)測工作可以及時精確地掌握濕地水體面積的變化趨勢[4]，對實現濱海濕地的生態(tài)管理具有重要意義.傳統(tǒng)的濕地野外調查方法覆蓋范圍小且時效性低，而利用傳感器收集地物目標的電磁輻射信息，進而判定地物探測類別的遙感技術具有時效高、周期短的特點，可以明顯增加濕地監(jiān)測信息的獲取速度，更好地反映濕地信息的動態(tài)過程[5].

隨著遙感數據時空分辨率的提高，利用遙感技術可以更精準地提取水體遙感影像[6].基于遙感影像的水體提取方法種類很多，大致可以分為傳統(tǒng)分類法、水體指數法和決策樹分類方法[7].傳統(tǒng)分類法包括基于先驗知識的監(jiān)督分類法和直接進行地物劃分的非監(jiān)督分類法，2 種算法的精度都很高，但均需參數化[8].水體指數法采用歸一化比值進行計算，雖然消除了地形差異，但提取結果無法對濕地零散水域面積進行準確識別，導致分類精度有所降低[9].決策樹分類法以實際地面數據及目標地物相關信息為分類準則，分層逐個進行對比，直到結果滿意.但常規(guī)決策樹分類法根據人為經驗設定規(guī)則，受主觀影響較大[10].而CART 決策樹使用監(jiān)督學習的方法，從無規(guī)律分布的復雜數據中尋找最佳分類體系，構建二分支模型，實現對數據的分類和預測.CART 決策樹可以處理非數值型數據，并根據所選對象自動確定閾值，有較強的穩(wěn)健性[11].張艷超[7]通過比較水體指數法、CART 決策樹分類方法和傳統(tǒng)分類方法發(fā)現，CART 決策樹分類方法可以有效減少水體指數法中人工閾值產生的誤差，同時與傳統(tǒng)分類法相比樣本點所占區(qū)域的縮小可以使計算過程更加方便快捷.

目前，針對濱海濕地水體信息的研究主要集中在濕地信息提取、時空變化過程和驅動因素等方面[12-13].在濱海濕地信息提取的研究中，越來越多的學者使用CART 決策樹分類方法進行濕地信息提取，如喬艷雯等[14]對扎龍濕地水體、沼澤和旱田等信息的提取以及張瑩瑩等[15]對洪湖濕地水體、沉水植物和挺水植物等水生植物的提取.此類研究提取結果的總精度雖均達到85%以上，滿足我國濕地類型信息提取的精度要求，但缺少對濕地信息演變規(guī)律的分析，未能進一步結合自然和人為因素等指標明確濕地信息演變的驅動因素.此外，目前有關濱海濕地時空變化規(guī)律的研究主要通過時間尺度上濕地面積大小和空間分布上濕地位置的變化情況來進行分析，如崔花[16]得到圖們江流域1976—2017 年水田、河流濕地和森林沼澤濕地面積逐漸向西部、北部和西南部萎縮的時空變化特征；張艷軍等[17]研究表明2000—2015 年重慶市水田濕地面積逐漸減小，水庫濕地面積明顯增多，具有擴張區(qū)域主要集中在渝東北三峽庫區(qū)部分區(qū)縣的時空分布特征.這些研究多注重于水體面積的年際變化，對時間尺度的劃分精度不高，且有關濱海濕地面積變化驅動因素的研究多為定性分析[18]，未能定量給出各驅動因素對不同濕地水體面積的影響效果，如蔣家文等[1]認為自然因素、人為活動以及米草的引種擴張是引起鹽城濱海濕地類型變化的主要原因；魏帆等[19]證明了養(yǎng)殖池、鹽田和建筑用地面積的增加是導致渤海濱海濕地面積減少的主要驅動因素.因此，進一步精細劃分時間尺度來科學認知濱海濕地的水體時空變化規(guī)律，并對其驅動機制進行定量分析具有重要意義.

本研究基于天津北大港水庫2013 年7 月—2019年10 月Landsat-8 遙感數據，利用CART 決策樹分類法提取水體分布情況，探究其時空變化規(guī)律，并定量分析驅動水體面積時空變化的關鍵因素，以期為解決天津市濕地缺水問題提供科學依據.

1 研究區(qū)與數據

1.1 研究區(qū)概況

北大港水庫是天津市東南部大港區(qū)（117°11′E ～117°37′E，38°36′N ～38°57′N）的一座大型平原水庫，位于獨流減河下游南側，距海岸線6 km，具體位置如圖1 所示. 該區(qū)域屬于北溫帶半濕潤大陸性季風氣候，受太平洋季風影響，夏季盛行高溫的東南風，冬季盛行寒冷干燥的西北風，春季干旱多風，夏季高溫多雨，秋季冷暖適宜，冬季寒冷少雪.豐水期為7—9 月，2013—2019 年平均降水量為522.38 mm，平均潛在蒸發(fā)量為1 159.9 mm[20].

圖1 研究區(qū)位置Fig.1 Location of the study area

北大港水庫濱海濕地生態(tài)系統(tǒng)的基本要素主要為植被和水體，由于海退和歷史上多條河流沖擊，土壤鹽堿性較大，主要優(yōu)勢植物種類為蘆葦（Phragmites australis）、水燭（Typha angustifolia）和鹽地堿蓬（Suaeda salsa）等.它們在綠光波段出現小的反射峰，進入紅外區(qū)后反射率曲線幾乎垂直上升，擁有相同的植被光譜特征[21].水體主要包括灘涂、沼澤和河流，依靠大氣降水和人工蓄水進行補給.它們在紅外波段均擁有強吸收作用，所以在近紅外和短波紅外反射能量很小，與植被的高反射率形成鮮明對比，為本研究的水體信息提取提供了客觀的可能性.

1.2 數據源

遙感影像數據作為重要的信息來源，能夠迅速、全面、經濟地反映濕地水體的分布情況.研究所用基礎數據為北大港水庫2013 年7 月—2019 年10 月的Landsat8 OLI_TIRS 影像，所選數據無云層干擾.Landsat系列影像為1972 年以來美國發(fā)射的NASA 陸地衛(wèi)星所獲取的影像，由多光譜設備獲取地物輻射或反射的電磁波譜，并將這些信息發(fā)送給地面接收站，接收站基于各類物質的波譜特性進行處理得到各種資源分布情況的信息.第8 顆衛(wèi)星Landsat-8 在波段設計上充分考慮了水體與植物、土壤和巖石等不同地物在反射率敏感度上的差異，具備較短時段重復覆蓋同一地區(qū)的能力[22]，可應用于水體分布的提取和時空變化的分析[23].Landsat-8 攜帶有OLI 和TIRS 共2 個主要載荷，其中OLI 陸地成像儀具有9 個波段，除全色波段外，其余波段空間分辨率均為30 m，該影像具有良好的輻射測量特征，數據質量高，適合用于時間序列分析.

氣候氣象數據可以反映濕地氣候環(huán)境的變化情況，而氣候變化對濕地水體的面積、分布和功能具有一定程度的影響.本研究所用氣候氣象數據來源于中國氣象數據網（http：//data.cma.cn/）提供的《中國地面國際交換站氣候資料月值數據集》和《中國地面氣候資料年值數據集》，該數據集基于各省上報的全國地面月報信息化文件，選用20～20 時降水量（mm）、平均氣溫（℃）和平均水氣壓（hPa）共3 個要素.本研究選用天津站氣象站點2013 年7 月—2019 年10 月月值數據共84 期，2013—2019 年年值數據共7 期，用于北大港水體時空變化驅動力的分析.

1.3 數據處理

1.3.1 CART 決策樹分類

CART 決策樹分類法由Breiman 于1987 年提出，其基本原理是通過對由測試變量和目標變量構成的訓練數據集循環(huán)分析，形成二叉樹形式的決策樹結構，實現對數據的分類和預測，常采用基尼系數（Gini index）作為測試變量的依據，

1.3.2 水體信息提取

使用CART 決策樹分類方法對北大港水庫進行水體信息提取，以2013—2019 年Landsat8 T1_RT 數據集B1～B7 波段的光譜特征為特征數據集，在Google Earth Pro 上利用歷史影像和實地采集圖片以不同標注的形式對研究區(qū)水體和非水進行人工目視解譯，得到60 個學習樣本，并按1 ∶1 比例隨機分配成訓練數據集和驗證數據集，其中訓練數據集用于分類樹的構建，驗證數據集用于分類精度評價驗證.

分類精度評價可以判斷分類結果的準確程度，總體用戶精度和kappa 系數都是精度評價最常用的指標.總體分類精度指隨機樣本與驗證樣本分類結果一致的概率，通過正確像元數與總像元數的商得到；kappa 系數可以衡量分類結果的一致性效果[25].選取另外30 個樣本點為驗證數據集，利用混淆矩陣的方式計算總體用戶精度和kappa 系數2 個指標.結果顯示，2013 年10 月—2019 年10 月水體提取結果的平均分類精度為86.09%，平均kappa 系數為0.656，說明分類結果一致性好且分類精度達到85%以上，滿足我國濕地類型信息提取的精度要求.

2 結果與分析

2.1 水體面積時空變化分析

2.1.1 時間變化分析

水體面積為常水位條件下水體的表面積，是視覺上反映水體大小最直觀的技術指標[26].統(tǒng)計2013—2019年各月水體面積的提取結果，計算各月水體面積的平均值來表示平均水體面積，結果如圖2 所示.

圖2 2013—2019 年各月平均水體面積變化趨勢Fig.2 Variation trend of average monthly water area from 2013 to 2019

由圖2 可以看出，水體面積整年呈現上升與下降交替的變化趨勢，3—5 月為北大港濕地的春季，隨著河流水量的匯入和少數的降水，春季水體面積緩慢增加，平均水體面積之和為250.39 km2，水體面積占比53.99%.5 月后，水體面積開始下降，這是由于濕地植被中蘆葦的數量最大，5 月中旬后，蘆葦進入生長盛期，需水量激增，導致濕地水體多被吸收，引發(fā)面積減小.6—8 月為夏季，受西北太平洋副熱帶高壓西側影響，北大港濕地高溫高濕，自然雨水補給增多，同時濕地植被進入生殖生長期，需水量減少，造成濕地水體面積驟然升高，平均水體面積之和升至320.65 km2，水體面積占比69.14%，是四季中濕地水體范圍最大的季節(jié).9—11 月為秋季，冷暖適宜，自然雨水補給減少，水體范圍開始萎縮，平均水體面積之和下降至249.41 km2，水體面積占比53.78%，是四季中有水面積最少的季節(jié).12—1 月為冬季，受蒙古冷高壓控制，盛行西北風，寒冷少雪，低溫狀態(tài)導致結冰現象，這在一定程度上可以封存水體，使水體面積得到回升，水體平均面積之和緩慢增加至259.33 km2，水體面積占比55.91%.

2.1.2 空間變化分析

由于2013 年數據質量不好的月份較多，且2016 年、2018 年和2019 年分別進行了人工干預，無法體現自然狀態(tài)下水體分布情況，因此以2014 年、2015 年和2017 年各月份水體提取結果為數據源.對各月提取結果進行疊加后計算有水概率，其中有水區(qū)域標記為1，非水域標記為0，有水概率≥0.5 顯示為水體分布區(qū)，有水概率＜0.5 則不顯示，所得結果即為經過平均計算后的各月份水體分布情況，結果如圖3 所示.

圖3 各月份水體分布圖Fig.3 Disribution of water body in each month

結合圖2 和圖3 可知，水體面積的分布特征為東南多，西北少，多破碎型水體，且季節(jié)性變化顯著. 平均水體分布范圍較廣，主要集中于水庫邊界獨流減河區(qū)域和水庫中部以東的低洼地區(qū).由于獨流減河水量的匯入，春季有水區(qū)域不斷向濕地內部擴大，植被生長旺盛，需水量大，導致水庫水位降低，季節(jié)性沼澤大面積減少，出露為泥潭，因此5 月只保留了水體范圍較大、斑塊完整性高的東部永久性水域.由于夏季降雨量的過分補給，水體范圍逐步向四周擴散，水文擾動性大，季節(jié)性沼澤面積增大，西南部低矮植被被淹沒，平均水體面積增加.秋季地表水下滲進入泥土形成淤泥，被淹沒的植被慢慢顯現出來，東北部及中南部水體逐漸干涸，有水面積較少.冬季由于冰期影響，濕地東部零散的水體斑塊逐漸聚集，改變了原有的景觀狀態(tài)，且水分無法蒸發(fā)，這在一定程度上使得水量有所回升，然而由于年初氣溫回升，冰期過后濕地景觀繼續(xù)趨于零散格局分布.總體來看，中部及東南部為永久性水域，東北部及西南部為季節(jié)性沼澤水域.在空間分布上，春、秋和冬季均出現季節(jié)性沼澤水域干涸的情況，此時永久性水域主要通過地下水和河流進行補給.夏季水域面積較大，此時大氣降水是季節(jié)沼澤的主要補給來源.

2.2 水體面積時空變化的驅動力分析

為分析北大港水庫發(fā)生濕地水體演變的驅動機制，從自然和人為因素兩方面分析各因子對濕地水體面積變化規(guī)律的影響，其中自然因素包括平均氣溫和月降水量的變化情況，人為因素為環(huán)境補水工程的實施.

2.2.1 降水和氣溫對北大港水庫的影響

氣候條件對濱海濕地水資源的影響主要表現在降水和氣溫2 個方面[27]. 降水是濕地水資源的重要來源之一，氣溫是濕地水量流失的重要影響因素.統(tǒng)計2013—2019 年各月水體面積的最小值為最小水體面積，2013—2019 年天津站各月20～20 時降水量和氣溫的平均值為月平均降水量和月平均氣溫，繪制最小水體面積與月平均降水量和月平均氣溫的散點圖，結果如圖4 所示.受人工措施的影響，水體面積的最大值可能會發(fā)生改變，同時該值也被用于計算平均值，因此只有水體面積的最小值可以反映水庫水體的自然狀態(tài)變化特征.

分析圖4 可知，一年中最小水體面積多為45～65 km2，月平均降水量多為50 mm 以下，月平均氣溫則分散分布于-5～30 ℃.當最小水體面積擴大時，月平均降水量與月平均氣溫也呈現擴大趨勢，存在正相關性.圖4 中最小水體面積分別與月平均降水量和月平均氣溫的密集程度不同，說明最小水體面積對二者的正相關性強弱不同，為探究其相關性差異，分別將最小水體面積與月平均降水量和月平均氣溫進行斯皮爾曼相關性分析，結果如表1 所示.

圖4 最小水體面積與月平均降水量和月平均氣溫散點圖Fig.4 Scatter plot of minimum water area and monthly average precipitation and monthly average temperature

表1 最小水體面積與月平均降水量和月平均氣溫的相關性統(tǒng)計Tab.1 Correlation statistics of minimum water body area with monthly average precipitation and monthly temperature

斯皮爾曼相關性分析可用于處理連續(xù)性變量，所得相關性系數R 可以反映2 個變量間的方向和程度，R ＞0 表示二者呈現正相關性，R ＜0 表示二者呈現負相關性，R=0 表示2 個變量不相關.R 的絕對值越大，表明相關性越強；R 的絕對值越接近于0，表明相關性越弱.顯著性系數P 的大小可用于判斷相關性系數R是否具有統(tǒng)計學意義，P ＜0.05 說明在95%置信下，2個變量顯著相關；P ＞0.05 則說明相關性系數R 不具有統(tǒng)計學意義，2 個變量相關性不強.由表1 可知，月平均降水量和月平均氣溫的顯著性系數P 均小于0.05，說明兩者與最小水體面積都存在顯著性相關關系.月平均降水量和月平均氣溫與最小水體面積呈現正相關性，且月平均降水量相關性系數R=0.643 大于月平均氣溫相關性系數R=0.594，說明月平均降水量對北大港水庫最小水體面積的影響高于月平均氣溫，因此最小水體面積的變化趨勢傾向于相關性更強的降水量氣象因子變化，降水量的變動是導致濕地水體面積改變的主要自然因素.

2.2.2 環(huán)境補水工程的實施對北大港水庫的影響

北大港水庫降水量各年均有差異，導致水庫自然補給水量時多時少，為維持濕地生態(tài)環(huán)境和物種多樣性，需要實施環(huán)境工程進行人工干預.查閱天津北大港濕地網站（http：//www.bhsdbh.org/）可知，2018 年10月—2018 年12 月和2019 年4 月—2019 年10 月均實施了生態(tài)補水工程.為探究其影響程度，將2018 年10 月—2019 年9 月數據與前年同月數據進行疊加，計算出該月有水且前年同月無水的區(qū)域作為增水區(qū)域，結果如圖5 所示.

圖5 2018 年10 月—2019 年9 月增水面積分布圖Fig.5 Distribution of increased water area from October 2018 to September 2019

空間分布特征方面，由圖5 可知，2018 年10 月—2018 年12 月有水面積主要增加在水庫中部，并向四周不斷擴散，其中南部擴散程度最大，西北部擴散程度最小，甚至出現有水區(qū)域消失的情況，12 月逐漸展現破碎型增水區(qū)域聚集化的分布特點.2019 年1 月—2019 年3 月未蓄水月受補水政策的持續(xù)性影響，增水面積的分布情況覆蓋了2018 年增水區(qū)域，并繼續(xù)擴散，增加了中部偏西的有水斑塊.2019 年5 月—2019年9 月實施二次蓄水政策，5 月增水面積繼續(xù)向西北部擴散，此處地勢較高，水體不易蔓延，但由于此前補水水量的積累，其他擴散區(qū)域基本處于飽和狀態(tài)，因此有水區(qū)域可以覆蓋地勢較高的區(qū)域. 2019 年6 月開始，增水面積開始縮小，逐步呈現零散化狀態(tài)分布，9月增水面積只存在中南部及西北部少數區(qū)域.

此外，統(tǒng)計增水面積并計算增水面積占比和增減速度情況，結果如表2 所示，由于遙感影像數據質量不好，7 月和8 月數據沒有列出，此外，由于2018 年10月和2019 年10 月均為蓄水月，2019 年10 月不存在可比性，沒有列出.

數量變化上，由表2 可知，隨著2018 年10 月—2018 年12 月蓄水工程的進行和水庫水量的上升，高水位水體逐漸流向低水位，且覆蓋無水區(qū)域，導致水庫增水區(qū)域不斷擴大，擴散速度極快，蓄水月擴散速率最高達到70%以上.年底由于冰期的降臨，水體更容易聚集，水量進一步提升，擴散速度有所減慢，但仍處于極高的增長水平. 2019 年1 月—2019 年3 月為未蓄水月，增水面積超過2018 年12 月，這是由于受到生態(tài)補水工程的持續(xù)性影響.2019 年2 月—2019年3 月增水面積增長幅度遠低于蓄水月，但仍維持有水面積增加的趨勢.2019 年4 月繼續(xù)維持補水工程進行時的高增長狀態(tài)，2019 年5 月增水面積占水庫面積比例達到最大值60.96%，6 月增水面積呈現減小態(tài)勢，減少速率為39.11%，呈現急速下降的變化趨勢.截止2019 年9 月，增水面積為19.24 km2，維持在較低水平.

表2 2018 年10 月—2019 年9 月增水面積及其占比Tab.2 Water increased area and its proportion from October 2018 to September 2019

綜上所述，蓄水月水庫增水面積不斷擴散且增長速率極快，主要集中于水庫南部及東部地區(qū).未蓄水月增水面積總量受補水政策水量增加的持續(xù)性影響，增水面積處于較高水平，但依靠自然雨水補給的增水面積增長速率過慢.當實施二次蓄水工程時，增水面積增長速率開始減少直到水庫增水量到達飽和值，當超過限度時，增水面積不再擴大，并逐步縮小至使濱海濕地生態(tài)系統(tǒng)呈現穩(wěn)定狀態(tài).

3 結論

本研究使用決策樹方法對北大港水庫進行水體信息進行提取，提取結果的平均分類精度為86.09%，平均kappa 系數為0.656，分類結果一致性較好且分類精度達到85%以上，說明該方法可以準確地完成水體提取工作且誤差較小.

濕地水體面積變化一定程度上可以反映濕地水資源量的變化情況，2013—2019 年水體面積時間和空間變化顯著. 從時間尺度出發(fā)，水體面積在數量上整年呈現上升與下降交替的趨勢變化，夏季平均水體面積最大，達到106.2 km2，秋季水體面積最小，僅為82.67 km2；從空間尺度上分析，水體分布東多西少，東南部有水月份最多，西北部最少.水體面積總體呈現夏季向水庫東北部及西南部的季節(jié)性沼澤擴大，秋季向水庫中部及東南部永久性水域縮小的變化趨勢.

水體面積變化受到降水和氣溫的自然因素以及生態(tài)補水環(huán)境工程的人為因素綜合影響，7 年間變化趨勢極不穩(wěn)定.通過對水體面積與降水量和氣溫的相關性分析發(fā)現，自然因素中月平均降水量的變化情況是引起濕地水體面積變化的主導驅動因子，相關系數達到0.643，但該因素持續(xù)性弱且天氣多變不易控制，需多年積累水量來緩解濕地的缺水問題.人為因素中補水工程的實施也是引起濕地水體面積變化的驅動因子，實施后可使水體面積在短期內維持較高增速增長，但工程的再次實施會使水體面積提前到達飽和值，水體面積增速開始減慢，當增速趨近于0 時，濱海濕地生態(tài)系統(tǒng)趨于穩(wěn)定.

針對7 年間研究區(qū)水體變化情況，應對北大港水庫實施科學管理，依據水體面積變化的演替規(guī)律，及時調整相應的保護措施，盡量減少人為因素對濕地水域面積的影響，確保生態(tài)系統(tǒng)的穩(wěn)定，達到可持續(xù)發(fā)展的目的.