富營養(yǎng)化水體浮游植物遙感監(jiān)測研究進展*

來 萊，張玉超，景園媛，劉兆敏

(1：中國科學院南京地理與湖泊研究所湖泊與環(huán)境國家重點實驗室，南京 210008) (2：中國科學院大學，北京 100049)

近年來，在自然因素與人為因素的共同作用下，湖泊水環(huán)境變化劇烈，水質(zhì)持續(xù)惡化，生態(tài)系統(tǒng)遭受嚴重破壞，功能和效益不斷下降，富營養(yǎng)化及引起的藻類水華頻發(fā)問題逐漸成為公眾媒體關注的焦點[1].

浮游植物是生活在河流、湖泊和海洋中的敏感有機體，其群落結(jié)構(gòu)一定程度上可以反映水體富營養(yǎng)化的程度[2]. 通常浮游植物就是指浮游藻類，包括藍藻門、綠藻門、硅藻門等8個門類的浮游種類. 足夠的藻類生物量和適宜的環(huán)境條件是形成藍藻水華的基本條件. 藻類大量繁殖引起的水華現(xiàn)象(簡稱“藻華”)是湖泊水體富營養(yǎng)化的重要特征[3]. 針對全球71個大型湖泊的遙感監(jiān)測研究表明，68%的湖泊藻華發(fā)生強度增加趨勢顯著[4]. 2019年，我國監(jiān)測了107個重點湖(庫)的富營養(yǎng)化狀況，其中6個呈中度富營養(yǎng)狀態(tài)、24個呈輕度富營養(yǎng)狀態(tài)、其余未呈現(xiàn)富營養(yǎng)化[5]. 而以太湖、巢湖、滇池為首的富營養(yǎng)化湖泊，藍藻水華暴發(fā)尤為頻繁[6-8]. 我國已經(jīng)成為世界上藍藻水華暴發(fā)最嚴重、分布最廣的國家之一[9].

衛(wèi)星遙感因其速度快、范圍廣、監(jiān)測周期性短，已經(jīng)成為湖泊富營養(yǎng)化及藍藻水華監(jiān)測和預測預警不可或缺的技術(shù)手段[10]. 藻華暴發(fā)時，覆蓋有藻類的水體反射光譜在紅光波段呈現(xiàn)出低反射率、綠光波段及近紅外波段呈現(xiàn)高反射率，明顯區(qū)分于清潔水體，是遙感技術(shù)識別藻華的關鍵依據(jù). 因此，基于遙感手段監(jiān)測浮游植物的相關主題越來越多，監(jiān)測范圍也由小尺度向大尺度轉(zhuǎn)變. 目前，我國長江中下游少數(shù)富營養(yǎng)化湖泊(太湖、巢湖)已基本實現(xiàn)對其藍藻水華面積及水體表層葉綠素a濃度的業(yè)務化衛(wèi)星遙感監(jiān)測[11]，為政府及水環(huán)境管理部門提供了重要的決策依據(jù)[12].

此前有關“富營養(yǎng)化水體浮游植物遙感監(jiān)測”主題的綜述大多側(cè)重于藻華面積的識別、表層色素濃度反演算法的總結(jié)上；研究區(qū)域大多集中于長江中下游的太湖、巢湖、鄱陽湖以及云南的滇池、洱海等[13-14]. 近年來，相關研究在研究內(nèi)容和方法上又有了全新的發(fā)展. 本研究基于中國知網(wǎng)(CNKI)和Web of Science等文獻數(shù)據(jù)庫，以富營養(yǎng)化水體和藍藻水華為主題，綜合1970-2020年間約803篇國內(nèi)外研究成果，基本厘清和總結(jié)了在近些年來主要的研究進展和重點，并歸納總結(jié)了發(fā)展中所面臨的困難以及未來發(fā)展的新趨勢. 本綜述皆在梳理富營養(yǎng)化水體浮游植物遙感監(jiān)測的發(fā)展動向，促進水色遙感的進一步發(fā)展和深入應用，同時也為從事藍藻水華生態(tài)災害監(jiān)測和預警人員提供重要的技術(shù)支撐和理論參考.

1 研究主題與數(shù)據(jù)源

研究表明該領域逐漸發(fā)展為以應用為導向，研究主題趨于更多樣化：從藻華水體識別、藻華面積監(jiān)測、表層色素濃度反演發(fā)展至水下三維藻總量估算以及不同藻種定量區(qū)分等. 其中，藻類總存量的研究還處于起步階段，這將為未來三維立體化監(jiān)測浮游藻類濃度奠定基礎. 研究方法也從傳統(tǒng)的線性或非線性回歸分析算法，發(fā)展為更復雜的人工智能(artificial intelligence，AI)方法，如支持向量機和人工神經(jīng)網(wǎng)絡等，且以“遙感+AI+大數(shù)據(jù)+Google Earth Engine云計算平臺”為主題的新技術(shù)也逐漸成為新熱點[13]. 研究數(shù)據(jù)源從單一數(shù)據(jù)源轉(zhuǎn)至多數(shù)據(jù)源融合使用，利用的衛(wèi)星數(shù)據(jù)也更加豐富多彩(圖1a，b). 圍繞該主題的相關論文主要發(fā)表于《湖泊科學》、《環(huán)境科學》、RemoteSensing、RemoteSensingofEnvironment、ScienceoftheTotalEnvironment等國內(nèi)外期刊上.

多層面需求推動了多源衛(wèi)星數(shù)據(jù)的多元化應用. 近年來中高分辨率遙感衛(wèi)星的發(fā)展為多尺度的湖泊水質(zhì)變化監(jiān)測提供了多種數(shù)據(jù)源，促進了湖泊水體動態(tài)監(jiān)測向業(yè)務化信息服務方向不斷推進[15-16]. 但由于衛(wèi)星載荷以及應用目標的需要，現(xiàn)有常用衛(wèi)星傳感器的時、空分辨率設置并不能完全滿足內(nèi)陸水體監(jiān)測的時間連續(xù)性、空間完整性的要求[17]. 因此，除加強多源遙感數(shù)據(jù)聯(lián)合監(jiān)測外，研制更高時間分辨率、高空間分辨率傳感器及星座組網(wǎng)，是未來研制水色遙感衛(wèi)星的發(fā)展和應用方向(圖2).

為了形成完善的富營養(yǎng)化湖庫藍藻監(jiān)控體系，形成全方位、多層次的天-空-地一體化觀測和應急防控平臺，要充分發(fā)揮多源觀測手段在不同時空信息觀測方面的優(yōu)勢，整合不同手段信息，在空間尺度、時間尺度等方面取長補短、互相補充[17-18]. 在小型湖庫應急監(jiān)測中，選擇無人機(分辨率最高能達到0.04 m)或人工監(jiān)測，實現(xiàn)人工安排、隨機機動，短時間內(nèi)開展突發(fā)性湖庫藻類大規(guī)模暴發(fā)的事故處置，已有學者應用無人機在太湖[19]、八里河[20]、Maspalomas自然保護區(qū)[21]等進行藻華監(jiān)測；而在日常大中型湖庫監(jiān)測中，則更傾向于使用多源衛(wèi)星數(shù)據(jù)實現(xiàn)長時序動態(tài)監(jiān)測，如中分辨率成像光譜儀(moderate-resolution imaging spectrum-radiometer, MODIS)因其免費、時間分辨率高等優(yōu)點成為日常水質(zhì)監(jiān)測中最受歡迎的數(shù)據(jù)資源.

2 水體表層藻華的遙感識別方法研究

浮游植物大量聚集會引起水體色度、透明度等物理性質(zhì)的變化，進而導致水體反射波譜特征的變化[22]. 覆蓋藍藻的水體反射光譜因葉綠素a和藻藍蛋白的吸收效應，在可見光的藍紫光及紅光波段呈現(xiàn)較低反射率，在近紅外則出現(xiàn)類似于植被的“陡坡效應”，這是湖泊藻華遙感識別的理論基礎[23]. 基于近紅外抬升的單波段法以及近紅外與可見光波段差異的差值法、比值法、歸一化植被指數(shù)(normalized difference vegetation index，NDVI)法、增強型植被指數(shù)(enchanted vegetation index，EVI)法、浮游藻類指數(shù)(floating algae index，F(xiàn)AI)法等均為目前開展湖泊藻華遙感識別的主要方法[24-28]. 此外，還有一些針對浮游植物色素的藍藻水華指數(shù)(cyanobacteria bloom algae index，CAI)、最大特征峰高度(maximum characteristic peakheight,MPH)、最大葉綠素指數(shù)(maximum chlorophyll index，MCI)等方法(表1).

表1 藻華水體識別算法*

在業(yè)務化應用中發(fā)現(xiàn)，水生植物、高渾濁水體以及薄云等對藻華遙感識別的影響顯著[47-48]. 藻華具有近紅外抬升的反射光譜特點，與植物的相類似，因此，基于該特點的藻華遙感識別方法均無法對兩者進行區(qū)分. 基于先驗知識，對于常年生長有水生植物的地區(qū)，通常用掩膜將其遮蓋掉；對于水生植物分布變化較為顯著的內(nèi)陸水體，通過對比兩者在可見光波段及短波紅外波段的反射光譜差異，實現(xiàn)水生植物和藻華的同步遙感監(jiān)測[49-50]. 朱慶等[51]利用葉綠素a光譜指數(shù)和藻藍蛋白基線的水華和水草識別模型，提取太湖水華和水草分布圖，表明高光譜遙感則可以利用625 nm附近藻藍素吸收峰區(qū)分藍藻水華和水草. 高渾濁水體在可見光-近紅外整體增高，導致單波段法、比值法、NDVI、FAI等會將渾濁水體誤判為低強度藻華[33,52-53]，而適當?shù)牟ǘ谓M合成的假彩色合成圖上，藻華可明顯區(qū)分于清潔水體、高濁水體及云等，水色指數(shù)(forel-ule index，F(xiàn)UI)為此問題提供了一個新的解決思路[54].

MODIS因其良好的時間分辨率(Auqa與Terra兩星聯(lián)合為2次/d)，成為大型富營養(yǎng)化湖泊藻華日常遙感監(jiān)測的主要數(shù)據(jù)源. 然而250 m的空間分辨率會導致影像中存在藻華水體的混合像元[55-56]，在尚無更高分辨率的免費衛(wèi)星數(shù)據(jù)用于日常遙感監(jiān)測的前提下，開展亞像元藻華遙感監(jiān)測研究是滿足高精度藻華遙感日常監(jiān)測的重要前提[57]. Zhang等[6-8]利用瑞利校正反射率(rayleighcorrected reflectance，Rrc)和從Rrc導出3個光譜帶中的浮藻指數(shù)研發(fā)了藻華像元生長算法(algae pixel-growing algorithm)，將藻華面積識別精確到了亞像元內(nèi)，將MODIS與(準)同步TM遙感監(jiān)測結(jié)果一致性提升至85%以上，且該方法在太湖、巢湖以及滇池得到了廣泛的研究與應用. 此外，馬金戈[58]基于Google Earth Engine(GEE)對全球大型湖泊(>500 km2)的藍藻水華進行了提取研究，得到了全球大型湖泊的藻華時空暴發(fā)情況. 結(jié)合GEE平臺開展大尺度藻華遙感監(jiān)測也成為水色遙感的一個新趨勢.

3 水體表層浮游植物色素濃度遙感反演研究

藻華水體識別定性地反映了浮游植物的空間分布，但不能定量評價水體中浮游植物的確切濃度. 浮游植物色素(葉綠素a和藻藍素等)是水體光學活性物質(zhì)，是定量表征水體富營養(yǎng)化程度以及浮游植物濃度的重要水質(zhì)指標[59-60]. 目前，遙感反演浮游植物色素主要是基于實測多/高光譜數(shù)據(jù)的經(jīng)驗算法、半經(jīng)驗半分析算法[12]. 基本反演思路如圖3所示. 其中，實用性和應用性比較強的模型為精度較高且有理論支撐的半經(jīng)驗/半分析算法，完全分析算法的機理及參數(shù)仍需進一步探究和優(yōu)化[61-62].

圖3 遙感反演藻類色素流程Fig.3 Remote sensing inversion process of algae pigments

表2和表3列出了內(nèi)陸湖泊葉綠素a及藻藍素的遙感反演具體算法，并對這些算法做了多角度的對比分析和歸納總結(jié). 對比表格可以發(fā)現(xiàn)相同的數(shù)據(jù)有不同的算法，相同的區(qū)域有不同的數(shù)據(jù)，但這些方法均是基于具體衛(wèi)星遙感數(shù)據(jù)和湖泊的光學特性所構(gòu)建的針對性較強的浮游植物色素反演模型. 內(nèi)陸湖泊光學活性差異較大，甚至同一湖泊不同時間段水體光學活性物質(zhì)組成及其比例也大為不同[96]，往往造成反演算法復雜程度及反演精度上的差異. 因此，此類算法通常都具有顯著的區(qū)域性和季節(jié)性，適用性較差. 多源衛(wèi)星中，針對海洋水色設置的中分辨率成像光譜儀(missouri emergency resource information system，MERIS)、哨兵3(Sentinel-3 OLCI)等，因具有對葉綠素和藻藍素的特征峰波段設置，反演結(jié)果精度高、效果好[97-98]. 而Landsat等寬波段衛(wèi)星是長時序日常遙感監(jiān)測內(nèi)陸湖泊的常用數(shù)據(jù)，其波段設置和信噪比性往往難以滿足高精度定量遙感監(jiān)測的要求[83,99]. 近年來，機器學習方法，包括深度神經(jīng)網(wǎng)絡[100]、卷積神經(jīng)網(wǎng)絡[19]、隨機森林[20]等，都已被用于水體藻類色素濃度的反演. Cao等就基于XGBoost(BST)模型，研發(fā)了陸地資源衛(wèi)星數(shù)據(jù)(Landsat OLI)反演內(nèi)陸湖泊浮游植物色素濃度的實用方法，該模型相比其他機器學習有更高的準確率、效率和并發(fā). 結(jié)果也表明機器學習模型可以為進一步提高寬波段數(shù)據(jù)反演水體藻類色素濃度的適用性和準確性提供重要的參考和應用前提[101]. 此外，大氣校正對水色參數(shù)定量反演也有很大的影響，當前的多種大氣校正方法都未充分考慮水色遙感的特點，適用性與普適性較差. 宋挺等[102]就對高分四號衛(wèi)星的大氣校正算法進行了改進，結(jié)果顯示紅光波段校正精度最高，可以較好地應用于內(nèi)陸渾濁二類水體的定量遙感監(jiān)測.

表2 葉綠素a遙感反演模型

表3 藻藍素遙感反演模型

4 水體藻類總存量的遙感估算研究

現(xiàn)有水體表層葉綠素a濃度的遙感反演研究，是基于藻類垂向均一傳統(tǒng)水色遙感的理論假設. 但已有研究表明藻類在垂向上是非均勻分布的，會對基于傳統(tǒng)假設而形成的水體光學特性、水下光場分布、水質(zhì)參數(shù)反演產(chǎn)生很大誤差[103]. 只有充分考慮藻類垂向分布異質(zhì)，精準獲取真光層內(nèi)藻類總生物量(即藻總量)，才能準確把握藍藻水華強度變化情勢及湖泊營養(yǎng)狀態(tài)變化趨勢. 傳統(tǒng)的藻總量及其空間分布的估算方法是基于幾個生物量分布樣本的離散測量，然后插值到整個湖泊；隨著遙感技術(shù)的發(fā)展，水體表層色素濃度的遙感反演被廣泛地應用到湖泊藍藻水華預測預警中[104]；近幾年，考慮到利用水體表層藻量信息的局限性，部分學者開展了富營養(yǎng)化湖泊藻總量遙感估算方面的初步研究[105-106].

理想條件下，假定像元水柱內(nèi)藻類水平均勻分布，通過水體表層的遙感反射率，準確獲知水體中藻類垂向分布函數(shù)及其結(jié)構(gòu)參數(shù)，結(jié)合水位及湖盆DEM數(shù)據(jù)，完成每個像元水柱內(nèi)藻總量積分計算，基于所有像元水柱的藻總量計算結(jié)果，完成全湖的藻總量估算. 然而，目前受水體其他光學活性物質(zhì)以及野外監(jiān)測數(shù)據(jù)準確性的影響，直接基于遙感反射率精確獲取藻類垂向分布函數(shù)的結(jié)構(gòu)參數(shù)難度很大，存在著較多的“相同藻類垂向分布反射率光譜相異”或“相同反射率光譜而藻類垂向分布相異”的情況.

現(xiàn)有的研究主要基于以下思路“由淺入深”地開展水體藻總量遙感估算研究：①在水平剖面面積為單位面積、垂向水深為Dm的單位水柱中，假定整個水柱中藻類呈現(xiàn)水平、垂向都是均勻分布. Xue等[107-109]研究巢湖藻類垂向分布對水體遙感反射比的影響已表明，基于藻類垂向分布均勻的假定會造成遙感估算藻總量的顯著高估；②假設藻類垂向分布為高斯類型，利用表面葉綠素信息和總生物量之間的經(jīng)驗關系計算藻類總生物量. 該方法被用于遙感估算海洋系統(tǒng)的初級生產(chǎn)力，適用于大多數(shù)海洋水域[110]. Li等[106]借鑒該思路，基于MODIS遙感數(shù)據(jù)建立算法開展了我國巢湖非藻華條件下(即均一型、高斯型)藻總量遙感估算研究，但也表明這種估算方法存在衛(wèi)星空間分辨率差異及衛(wèi)星和野外測量之間時間間隔的不足；③基于野外實測及Ecolight模擬數(shù)據(jù)，統(tǒng)計分析水體表層到40 cm深度處的藻類生物量與單元水柱內(nèi)的藻類總存量的線性關系，實現(xiàn)了藻華條件下(即指數(shù)型、冪函數(shù)型)的藻總量估算研究. Li等[106]基于這種方法對淺層富營養(yǎng)化湖泊的藻總量進行估算，表明該方法不僅對表層藻類生物估算精度要求較高，而且其線性關系隨著藻類垂向分布函數(shù)結(jié)構(gòu)參數(shù)差異而不同，普適性較差.

由此可見，現(xiàn)有的富營養(yǎng)化湖泊藻總量遙感估算方法，均基于水體表層藻類生物量估算. 鑒于優(yōu)勢藻種差異、藻類垂向分布的復雜性以及變化的快速性，表層生物量與水柱內(nèi)藻總量的關系差異性較大，提出一個普適性較強的定量關系難度較大.

5 不同藻類種群的遙感定量監(jiān)測研究

不同湖泊中藍藻水華的優(yōu)勢種群有著較大差異，甚至同一湖泊在不同的季節(jié)或者不同的地區(qū)也都存在不同的水華藍藻優(yōu)勢種群[111]，即存在“一湖多種”的現(xiàn)象. 相關研究表明，形成藍藻水華的種類主要是微囊藻(Microcystis)、束絲藻(Aphanizomenon)、魚腥藻(Dolichospermum)和顫藻(Oscillatoria)[104]. Aldrich等對傳統(tǒng)藻種識別做出了相關研究，主要有基于形態(tài)學的顯微計數(shù)法和圖像法[112]、基于藻種DNA 的分子生物學方法[113]以及基于色素光學特征的高效液相色譜法[114-115]等. 而針對湖泊藍藻種群結(jié)構(gòu)的定量遙感反演的研究目前鮮有文獻報道. 馬萬泉[116]、戴紅亮等[117-118]、呂恒等[119]和王瑜[120]基于室內(nèi)控制試驗及模擬試驗，開展了不同門類藻體生物光學特性研究，包括藍藻門(銅綠微囊藻(Microcystisaeruginosa))、綠藻門(小球藻(Chlorellavulgaris))、硅藻門(梅尼小環(huán)藻(Cyclotellameneghiniana))以及隱藻門(卵形隱藻(Cryptomonasovata))，并探索性地建立了藻種間比例遙感估算方法[121]，結(jié)果表明二層球形模型誤差較小，有較好的優(yōu)越性，但也存在波譜曲線抖動的不足.

此外，針對內(nèi)陸富營養(yǎng)化湖泊典型水華藍藻，張壹萱等[111]以微囊藻、魚腥藻、束絲藻3種典型水華藍藻為研究對象，通過室內(nèi)光學控制實驗對其固有光學特性進行研究，并探討色素濃度、色素占比以及藻類等效粒徑對不同水華藍藻固有光學特性的影響. 上述3種典型藍藻的細胞形狀、粒徑大小以及形成藍藻群落的聚集形態(tài)存在明顯差異，這為基于生物光學特性開展水華藍藻種群結(jié)構(gòu)的定量反演研究提供了理論上的可行性[119-123]. 但室內(nèi)培養(yǎng)的藻類基本為單細胞，與湖泊環(huán)境中藻顆粒形態(tài)及其生物光學特征存在顯著差異，因此，基于人工培養(yǎng)藻類的光學特性構(gòu)建的反演算法，其實際應用能力和反演精度受到一定的限制. 而Chu等[124]利用MODIS衛(wèi)星數(shù)據(jù)對準分析算法(quasi-analytical algorithm)進行了改進與優(yōu)化，在獲取巢湖水體表層吸收特性的基礎上，初步開展了巢湖不同水華藍藻類群的遙感定量識別研究，結(jié)果表明相比人工培養(yǎng)藻類的光學特性構(gòu)建的反演算法，衛(wèi)星遙感模型有更好的準確性和適用性. 這也為下一步加強構(gòu)建遙感定量反演模型、精確解析湖泊水體中主要水華藍藻的種群結(jié)構(gòu)，為富營養(yǎng)化湖泊藍藻生態(tài)災害的預測預警提供準確時空分布信息等奠定了基礎.

6 結(jié)束語

本文基于大量文獻的檢索和篩選，從研究主題、研究數(shù)據(jù)源、研究內(nèi)容、研究方法等方面對內(nèi)陸富營養(yǎng)化水體浮游植物的遙感監(jiān)測進展進行了深入分析，并圍繞藻華遙感監(jiān)測、浮游植物色素遙感反演以及最新的湖泊藻總量和不同水華藍藻的遙感定量識別方面的研究，開展了具有針對性的分析與討論. 該綜述可為湖泊水環(huán)境管理和決策的相關研究人員提供參考.

目前，內(nèi)陸富營養(yǎng)化水體浮游植物的監(jiān)測仍面臨著諸多問題，如遙感反演模型的普適性、多源衛(wèi)星數(shù)據(jù)監(jiān)測結(jié)果的可比性和一致性等. 因此，為了促進富營養(yǎng)化湖泊浮游植物的遙感應用能力，亟待補充完善不同湖泊、不同優(yōu)勢藻種的光譜數(shù)據(jù)庫，為發(fā)展普適性更強的反演算法奠定數(shù)據(jù)基礎. 此外，由于不同湖泊面積和水環(huán)境的差異以及不同數(shù)據(jù)源之間分辨率的差異，需要進一步發(fā)展多源數(shù)據(jù)融合的反演算法，以此實現(xiàn)系統(tǒng)化、體系化的監(jiān)測. 利用多衛(wèi)星、多通道、多模式的方法，構(gòu)建一個“空-天-地一體化”的水環(huán)境監(jiān)測平臺，從而實現(xiàn)全覆蓋、多角度、多手段的實時監(jiān)測，這將進一步促進內(nèi)陸富營養(yǎng)化水體浮游植物的遙感監(jiān)測更智能、更高效、更準確.