GIS和RS技術(shù)應(yīng)用于流域水生生物時(shí)空分析的研究進(jìn)展

黃彤輝， 夏 瑞， 后?？担?鄒 磊， 宋進(jìn)喜， 任源鑫， 孫 浩， 豆荊輝

1.中國(guó)環(huán)境科學(xué)研究院, 環(huán)境基準(zhǔn)與風(fēng)險(xiǎn)評(píng)估國(guó)家重點(diǎn)實(shí)驗(yàn)室, 北京 100012

2.西北大學(xué)城市與環(huán)境學(xué)院, 陜西省地表系統(tǒng)與環(huán)境承載力重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710127

3.中國(guó)科學(xué)院地理科學(xué)與資源研究所, 陸地水循環(huán)及地表過(guò)程重點(diǎn)實(shí)驗(yàn)室, 北京 100101

近年來(lái)，我國(guó)高度重視大江大河的水生態(tài)保護(hù)修復(fù)工作，長(zhǎng)江大保護(hù)、黃河高質(zhì)量發(fā)展上升成為國(guó)家重大戰(zhàn)略，大流域尺度水生態(tài)時(shí)空特征分析和問(wèn)題診斷是科學(xué)開展我國(guó)大江大河水生態(tài)保護(hù)修復(fù)的重要科技需求. 水生生物是水生態(tài)系統(tǒng)的核心組成部分和關(guān)鍵表征因子[1]，近年來(lái)全國(guó)水生生物多樣性下降趨勢(shì)明顯，長(zhǎng)江流域在過(guò)去幾十年已經(jīng)達(dá)到了“無(wú)魚”的等級(jí)(IBI指數(shù))[2]；近30年間黃河魚類種群和資源量已減少約50%[3]. 面對(duì)長(zhǎng)江和黃河突出的生態(tài)環(huán)境問(wèn)題，急切需要大環(huán)境數(shù)據(jù)與水生生物關(guān)聯(lián)的大尺度分析手段. 隨著我國(guó)社會(huì)經(jīng)濟(jì)高速發(fā)展和城市化的進(jìn)一步加劇，我國(guó)河湖仍面臨高強(qiáng)度人類活動(dòng)和氣候變化的復(fù)合環(huán)境壓力[4-5]，《國(guó)家重點(diǎn)流域水生態(tài)環(huán)境保護(hù)“十四五”規(guī)劃》首次將“水生態(tài)”目標(biāo)納入考核體系，如何科學(xué)分析大尺度流域水生生物的時(shí)空特征，建立多元環(huán)境壓力因子與水生生物的響應(yīng)關(guān)系，將是開展長(zhǎng)江、黃河等流域水生態(tài)問(wèn)題診斷和成因分析的重要前提條件.

傳統(tǒng)的水生生物時(shí)空分析受限于監(jiān)測(cè)復(fù)雜性和專業(yè)性，需要耗費(fèi)大量的人力和物力資源[6]，且長(zhǎng)時(shí)間序列的基礎(chǔ)數(shù)據(jù)獲取難度較大，難以從空間尺度全面揭示流域水生態(tài)退化本底和成因機(jī)制，嚴(yán)重制約了流域水生態(tài)退化的科學(xué)診斷和精準(zhǔn)施策. 近年來(lái)，隨著現(xiàn)代信息技術(shù)的迅速發(fā)展，地理信息系統(tǒng)(geography information systems，GIS)和遙感(remote sensing，RS)(簡(jiǎn)稱“2S技術(shù)”)成為大尺度流域水生態(tài)退化問(wèn)題診斷的重要工具. GIS技術(shù)興起于20世紀(jì)60年代末期，到20世紀(jì)90年代末發(fā)展成數(shù)據(jù)管理和分析計(jì)算的信息系統(tǒng)工具[7]. 遙感領(lǐng)域第一張航拍照片拍攝于1858年，隨后多光譜掃描儀系統(tǒng)、超光譜和數(shù)碼相機(jī)系統(tǒng)的開發(fā)取得了巨大進(jìn)展[8]. 隨著流域生態(tài)系統(tǒng)大數(shù)據(jù)時(shí)代的來(lái)臨，2S技術(shù)在水生生物監(jiān)測(cè)、分析和模擬中的優(yōu)勢(shì)逐漸凸顯[9]. GIS在一般的數(shù)據(jù)庫(kù)操作基礎(chǔ)上集成了地圖的可視化效果和地理分析功能，應(yīng)用于水生動(dòng)植物的動(dòng)態(tài)分布監(jiān)測(cè)和時(shí)空分析，緩解了傳統(tǒng)研究中工作量大、誤差大和研究范圍小等問(wèn)題[10]. RS能獲取長(zhǎng)時(shí)間序列的數(shù)據(jù)，具有覆蓋范圍廣、效率高、成本低等優(yōu)點(diǎn)，已成為實(shí)時(shí)水生生物監(jiān)測(cè)的一種經(jīng)濟(jì)有效的方法[11-12]. 在處理長(zhǎng)時(shí)間、大范圍時(shí)空信息上2S技術(shù)的聯(lián)合使用通常具有較大的優(yōu)勢(shì)，已成為今后及未來(lái)開展流域水生生物時(shí)空分析和問(wèn)題診斷的重要技術(shù)途徑.

然而，2S技術(shù)在大尺度河湖水生態(tài)退化的問(wèn)題診斷和時(shí)空分析中仍處于起步階段，還存在數(shù)據(jù)獲取、精度識(shí)別和適用性等問(wèn)題需解決，當(dāng)前尚缺乏針對(duì)兩種技術(shù)在流域尺度水生生物時(shí)空分析中的適用性對(duì)比研究，新時(shí)期我國(guó)長(zhǎng)江、黃河等重點(diǎn)流域水生態(tài)環(huán)境問(wèn)題診斷亟待關(guān)鍵技術(shù)支撐. 綜上，該文利用CiteSpace大數(shù)據(jù)方法分析了2S技術(shù)在水生生物時(shí)空分析中的研究進(jìn)展，探討了GIS分析技術(shù)和RS反演模型在水生生物時(shí)空分析中的優(yōu)缺點(diǎn)與聯(lián)合適用性，以期為新時(shí)期國(guó)家重點(diǎn)流域水生態(tài)質(zhì)量管理的現(xiàn)代化、精細(xì)化和精準(zhǔn)化提供科學(xué)參考.

1 2S技術(shù)在水生生物時(shí)空分析中的進(jìn)展

基于中國(guó)知網(wǎng)(CNKI)以“GIS”或“RS”為主題和Web of Science(WoS)核心庫(kù)以“GIS”或“remote sensing”為主題進(jìn)行文獻(xiàn)檢索，結(jié)合水生生物、富營(yíng)養(yǎng)化和水華等關(guān)鍵詞篩選后得出中、英文文獻(xiàn)分別為 1 121、2 346 篇(數(shù)據(jù)截至2020年10月1日)(見圖1). 從整體趨勢(shì)上看，2S技術(shù)在水生生物研究領(lǐng)域中的應(yīng)用逐漸增多，英文文獻(xiàn)數(shù)量自2000年后開始穩(wěn)步增加，并在2019年達(dá)到峰值；中文文獻(xiàn)數(shù)量自2003年后逐漸增加，說(shuō)明國(guó)內(nèi)針對(duì)2S技術(shù)在水生生物中的應(yīng)用研究進(jìn)展晚于國(guó)外，2015年中文文獻(xiàn)數(shù)量達(dá)到峰值，隨后有所降低，但總體來(lái)說(shuō)仍然處于較高數(shù)量狀態(tài)，對(duì)比中、英文文獻(xiàn)增長(zhǎng)趨勢(shì)，說(shuō)明2S技術(shù)在水生生物中的應(yīng)用研究仍然是當(dāng)前的熱點(diǎn)和學(xué)科前沿.

圖1 基于CNKI和WoS核心庫(kù)以“GIS”或“RS”為中英文主題搜索的各年度文獻(xiàn)出版數(shù)量

針對(duì)國(guó)內(nèi)外2S技術(shù)在水生生物研究主題的進(jìn)展，對(duì)基于CNKI和WoS核心庫(kù)進(jìn)行文獻(xiàn)交叉引用(citation reference)[13]，運(yùn)行CiteSpace軟件得到自動(dòng)聚類時(shí)間線視圖(見圖2). 由圖2(a)可見，190個(gè)節(jié)點(diǎn)與629條鏈接線構(gòu)成中文文獻(xiàn)的6個(gè)聚類熱點(diǎn)，分別是“群落結(jié)構(gòu)”“巢湖”“人工神經(jīng)網(wǎng)絡(luò)”“多源遙感數(shù)據(jù)”“高光譜”和“植被指數(shù)”，圖中十字絲符號(hào)的大小表示相應(yīng)關(guān)鍵詞在水生生物時(shí)空分析中得到的重視程度，其位置表示該關(guān)鍵字出現(xiàn)的最早時(shí)間，結(jié)果顯示，“遙感”“太湖”“葉綠素a”和“modis數(shù)據(jù)”這些關(guān)鍵詞在該主題中的受重視程度較高，其中“遙感”最早出現(xiàn)時(shí)間為2000年，在這些關(guān)鍵詞中最先受到關(guān)注. 由圖2(b)可見，英文文獻(xiàn)的時(shí)間線視圖中，294個(gè)節(jié)點(diǎn)與2 054條鏈接線構(gòu)成了7個(gè)熱點(diǎn)，分別是“absorption”“remote sensing”“meris”“coral”“florida”“temperature”和“reservoir”，圖中十字絲符號(hào)顯示出“remote sensing”“phytoplankton”和“chlorophyll a”這些關(guān)鍵詞在該主題中受到廣泛關(guān)注，最早出現(xiàn)時(shí)間均為2003年前，對(duì)比可知，該主題在英文文獻(xiàn)中研究起步較早，在研究對(duì)象、研究地點(diǎn)、遙感研究方面，水生植物、葉綠素、內(nèi)陸河湖、數(shù)據(jù)源和反演模型均是目前國(guó)內(nèi)外的研究熱點(diǎn)，研究目標(biāo)上較為一致.

圖2 文獻(xiàn)共被引圖譜-時(shí)間線視圖

2 GIS技術(shù)在河湖水生生物分析的研究應(yīng)用

作為現(xiàn)代信息技術(shù)，GIS分析技術(shù)能通過(guò)建立和分析城市、水域等地理對(duì)象的拓?fù)潢P(guān)系來(lái)明確定義空間聯(lián)系，地理對(duì)象在GIS中可以按照不同屬性或其空間關(guān)系進(jìn)行分析[14]，GIS擁有強(qiáng)大的地理信息數(shù)據(jù)管理和空間分析功能，以及直觀的信息呈現(xiàn)和展示能力，能構(gòu)建地理信息與水生生物數(shù)據(jù)的對(duì)應(yīng)關(guān)系，在流域大尺度水生生物問(wèn)題綜合分析中應(yīng)用較多. GIS空間分析技術(shù)在研究河湖水生生物時(shí)空異質(zhì)性時(shí)較傳統(tǒng)方法具有直觀等獨(dú)特的優(yōu)勢(shì)，在國(guó)內(nèi)外得到了廣泛應(yīng)用. 其中，緩沖區(qū)分析法、疊加分析法和空間插值法應(yīng)用較多.

2.1 基于緩沖區(qū)分析法的水生生物時(shí)空分析

緩沖區(qū)分析是針對(duì)點(diǎn)、線、面實(shí)體，自動(dòng)建立其周圍一定寬度范圍內(nèi)的緩沖區(qū)多邊形實(shí)體[15]，空間數(shù)據(jù)得以水平向外擴(kuò)展. 河湖因具有較強(qiáng)的空間異質(zhì)性，在水生生物空間分析中常用以劃定緩沖帶，常見研究尺度有流域、子流域和河岸尺度等. Zhang等[16]利用ArcGIS緩沖工具劃分不同寬度河岸走廊土地利用類型，以分析水生動(dòng)物的時(shí)空分布及土地利用類型對(duì)水質(zhì)和大型無(wú)脊椎動(dòng)物群落的影響；Sponseller等[17]將土地覆蓋劃分為5個(gè)空間尺度，分析了大型無(wú)脊椎動(dòng)物的分布特征及土地覆蓋對(duì)大型無(wú)脊椎動(dòng)物的影響. 緩沖區(qū)分析可以快速獲取和識(shí)別流域不同區(qū)域水生生物的時(shí)空分布特征和影響范圍，在魚類[18]、底棲動(dòng)物[19]和水生植物[20]等水生生物時(shí)空分布分析中應(yīng)用十分廣泛，但其僅通過(guò)距離進(jìn)行劃分，忽略了非均質(zhì)性等其他特征，難以具體識(shí)別要素的自然屬性，因此需結(jié)合其他分析方法使用.

2.2 基于疊加分析法的水生生物時(shí)空分析

疊加分析的目標(biāo)是研究空間位置相互耦合的地物特征專題屬性之間的關(guān)系，主要有點(diǎn)、面、多邊形與多邊形疊加[21]. 相較緩沖區(qū)分析而言，疊加分析可認(rèn)為是垂直方向的數(shù)據(jù)疊加，側(cè)重處理水生生物及不同影響因子的空間分布情況，如Ahmed等[22]利用疊加技術(shù)計(jì)算總體營(yíng)養(yǎng)狀態(tài)指數(shù)和氮磷比，研究了埃及曼扎拉湖富營(yíng)養(yǎng)化狀況的時(shí)空分布特征. 疊加分析多用于對(duì)水生生物數(shù)據(jù)集合運(yùn)算產(chǎn)生新的空間數(shù)據(jù)，制作水生生物分布專題圖，如Xu等[23]利用GIS疊加技術(shù)將各專題圖進(jìn)行疊加，直觀展現(xiàn)了巢湖富營(yíng)養(yǎng)化狀況的時(shí)空變化特征. 與傳統(tǒng)制圖相比，疊加分析將不同圖層疊加至同一平面，實(shí)現(xiàn)了水生生物信息空間和屬性的一體化分析. 因此，疊加分析與緩沖區(qū)分析常聯(lián)合使用以分析水生生物不同尺度下不同環(huán)境因子的影響大小，如李艷利等[24]應(yīng)用疊加分析和緩沖區(qū)分析獲取不同尺度土地利用數(shù)據(jù)，研究底棲動(dòng)物群落的空間變異及各尺度下不同環(huán)境因子影響程度. 疊加分析綜合考慮了多要素的影響特征，可實(shí)現(xiàn)不同圖層數(shù)據(jù)疊加和計(jì)算分析，但在實(shí)際操作中要求各要素?cái)?shù)據(jù)位于同一區(qū)域、同一坐標(biāo)系統(tǒng).

2.3 基于空間插值法的水生生物時(shí)空分析

受限于水生生物數(shù)據(jù)資料的缺乏，空間插值法廣泛用于水生生物及流域地理、水文和環(huán)境要素的時(shí)空分布特征識(shí)別. 目前常用的空間插值包括協(xié)同克里金插值法、泛克里金法、普通克里金法和反距離加權(quán)插值法[25]. 相較數(shù)據(jù)的范圍擴(kuò)展或疊加，空間插值法能將離散點(diǎn)轉(zhuǎn)換為連續(xù)曲面[26]，可有效填補(bǔ)研究范圍內(nèi)未知區(qū)域的數(shù)據(jù)，直接生成水生生物空間分布圖，直觀展現(xiàn)水生生物的生物量變化、結(jié)構(gòu)變化及分布格局[27-29]等，如Qu等[30]應(yīng)用克里金插值法繪制了渾太河藻類和大型無(wú)脊椎動(dòng)物多樣性的時(shí)空分布特征. 空間插值法具有數(shù)據(jù)填補(bǔ)功能，能實(shí)現(xiàn)水生生物的時(shí)空分布趨勢(shì)分析，并與影響因子建立關(guān)系，如Li等[31]利用反距離插值分析了洪湖水質(zhì)參數(shù)和水生植物的時(shí)空變化，并結(jié)合PCA識(shí)別水質(zhì)和水生植物的影響因子和污染源. 空間插值法中插值點(diǎn)位數(shù)據(jù)精度受點(diǎn)位距離遠(yuǎn)近的影響較大，不同空間插值法的精度有所差別[32]，一般樣本點(diǎn)越多、分布越均勻，插值效果越好，而傳統(tǒng)采樣受人力物力等外部因素的影響導(dǎo)致樣點(diǎn)空間分布不均，需要利用其他數(shù)據(jù)源彌補(bǔ)其缺點(diǎn).

綜上，GIS主要通過(guò)應(yīng)用緩沖區(qū)分析法、疊加分析法和空間插值法劃定緩沖帶，從流域空間尺度分析水生生物影響因子范圍，開展水生生物時(shí)空信息計(jì)算和水生生物時(shí)空趨勢(shì)分析，研究可圍繞土地利用、景觀格局和人類活動(dòng)等方面，建立多要素與水生生物格局之間的響應(yīng)關(guān)系，辨識(shí)潛在影響因子，有助于河湖生態(tài)環(huán)境規(guī)劃管理. 相比傳統(tǒng)統(tǒng)計(jì)分析，GIS分析更直觀化和集中化，但數(shù)據(jù)來(lái)源和精度需完善，GIS強(qiáng)大的數(shù)據(jù)管理分析和綜合制圖功能使其可作為其他分析手段的基礎(chǔ)，以集成多數(shù)據(jù)源和構(gòu)建水生生物模擬模型.

3 RS技術(shù)在河湖水生生物分析中的研究應(yīng)用

RS能夠快速獲取流域和水體表層的光學(xué)特性，在河流和湖泊中可探測(cè)水面和水下的光譜特征，一些影響并主導(dǎo)光譜特征的活性物質(zhì)(如葉綠素等水生植物參數(shù))可通過(guò)RS有效識(shí)別. 不同時(shí)空下不同水生生物或其參數(shù)光譜特征均有所差異，由此可推測(cè)分析水生植物等時(shí)空分布特征[33]，水體反射率通常是河湖水生生物變化(主要為水生植物及其參數(shù)變化)較為直接的體現(xiàn)和表征因子，通過(guò)建立水體反射率和生物物種間的響應(yīng)關(guān)系，可實(shí)現(xiàn)對(duì)于河湖流域水生態(tài)系統(tǒng)過(guò)程的模擬和預(yù)測(cè).

3.1 基于RS的水生生物數(shù)據(jù)源獲取

流域水生態(tài)系統(tǒng)十分復(fù)雜，存在較大的時(shí)空異質(zhì)性、滯后性和累積影響效應(yīng)[34]，而傳統(tǒng)采樣點(diǎn)時(shí)空分布不均，無(wú)法準(zhǔn)確分析流域中河湖水生生物的時(shí)空變化特征，空間覆蓋廣、時(shí)間序列長(zhǎng)的RS數(shù)據(jù)可更加直觀和準(zhǔn)確地表征河湖水生生物的動(dòng)態(tài)變化狀況[35]. RS數(shù)據(jù)源分為星載和非星載數(shù)據(jù)源，星載數(shù)據(jù)源多為多光譜和高光譜數(shù)據(jù)，常見的有中國(guó)的GF、HJ等，美國(guó)的QuickBird、Landsat和MODIS等，以及法國(guó)的SPOT等[36]. 各數(shù)據(jù)源特征不一，如Canziani等[37]基于Landsat測(cè)定了葉綠素濃度分布，Landsat系列空間分辨率較高，但周期較長(zhǎng)；Xu等[38]應(yīng)用GF-1研究葉綠素和懸浮物的時(shí)空變化，GF系列空間和時(shí)間分辨率較高，但光譜數(shù)較少[39]. 非星載遙感數(shù)據(jù)源主要為機(jī)載數(shù)據(jù)，包括PHI(推掃式光譜成像儀)、OMIS(模塊化成像光譜儀)、AVIRIS(可見光/紅外成像光譜儀)等，地面實(shí)測(cè)數(shù)據(jù)源如GER(野外光譜輻射儀)、ASD(地物光譜儀)等[40]. 非星載一般為高光譜傳感器，受大氣影響較小，精度較星載數(shù)據(jù)源高，無(wú)人機(jī)搭載高光譜成為一種新的高精度技術(shù)[41]，非星載由于受到監(jiān)測(cè)范圍的限制，多用于小面積河湖監(jiān)測(cè). 通過(guò)多數(shù)據(jù)源的配合使用，可獲取不同尺度、多光譜和高分辨率數(shù)據(jù)，實(shí)現(xiàn)由單一數(shù)據(jù)源向多源數(shù)據(jù)發(fā)展[42]，如Bresciani等[43]研究表明，多源數(shù)據(jù)的結(jié)合提高了葉綠素濃度監(jiān)測(cè)的空間和時(shí)間分辨率，加強(qiáng)了水華事件的可預(yù)測(cè)性和模擬精度. 多源數(shù)據(jù)融合能高頻、精細(xì)地監(jiān)測(cè)內(nèi)陸水域水生生物，起到水生生物監(jiān)測(cè)、反演和預(yù)測(cè)更加精確的作用，一些數(shù)據(jù)融合技術(shù)也得到進(jìn)一步發(fā)展[44].

3.2 基于RS的水生植物反演應(yīng)用

由于不同河湖水體色差的特異性和可視性，近年來(lái)基于顏色差異的水生植物反演技術(shù)在國(guó)內(nèi)外迅速發(fā)展[45-46]. 針對(duì)水生植物(主要為葉綠素)反演方法可分為三大類[47]：經(jīng)驗(yàn)?zāi)Ｐ?、半?jīng)驗(yàn)/半分析模型和分析模型. 常用RS反演方法比較見表1.

表1 常用RS反演方法比較

3.2.1基于經(jīng)驗(yàn)?zāi)Ｐ偷乃参锓囱?/p>

經(jīng)驗(yàn)?zāi)Ｐ褪怯?jì)算水體中葉綠素濃度和相應(yīng)的遙感反射率之間的相關(guān)性[48]，常見的有單波段法、波段比值法、神經(jīng)網(wǎng)絡(luò)模型和SVM模型. 單波段模型是選取最優(yōu)波段反射率與實(shí)測(cè)數(shù)據(jù)建立統(tǒng)計(jì)關(guān)系[49]，波段比值法則是選擇與原位葉綠素濃度相關(guān)性最強(qiáng)的光譜比率構(gòu)建模型[50]. 單波段法分析相對(duì)簡(jiǎn)單，但區(qū)域依賴性較大，適合水生生物快速反演，波段比值法盡管能消除部分影響，但波段數(shù)較少，普適性也較差，Yang等[51]研究表明，在不同的季節(jié)和地點(diǎn)可能需要構(gòu)建不同的葉綠素濃度反演模型. 基于非線性數(shù)據(jù)處理能力的機(jī)器學(xué)習(xí)模型近年來(lái)得到廣泛應(yīng)用，神經(jīng)網(wǎng)絡(luò)模型是模擬自適應(yīng)過(guò)程的人工智能模型[52]，強(qiáng)大的學(xué)習(xí)能力大幅提升了反演精度，如Song等[53]研究表明，神經(jīng)網(wǎng)絡(luò)反演模型精度優(yōu)于經(jīng)驗(yàn)回歸模型，但該模型數(shù)據(jù)量要求大、訓(xùn)練時(shí)間長(zhǎng)且容易過(guò)擬合. SVM模型通過(guò)非線性映射轉(zhuǎn)換到高維空間中構(gòu)造最優(yōu)超平面[54]，適合小樣本分析，如Zhang等[55]研究表明，RS和SVM算法的結(jié)合為湖泊富營(yíng)養(yǎng)化反演提供了一種簡(jiǎn)單靈活的方法，但該模型無(wú)法適應(yīng)較大的訓(xùn)練樣本，訓(xùn)練樣本越大，模型越復(fù)雜. 機(jī)器學(xué)習(xí)適用于解決非線性問(wèn)題[56]，但在RS大數(shù)據(jù)挖掘和遙感自動(dòng)化等方面還需要進(jìn)一步完善. 基于統(tǒng)計(jì)分析的經(jīng)驗(yàn)?zāi)Ｐ?，?shù)據(jù)依賴性大，有很強(qiáng)的區(qū)域性.

3.2.2基于半經(jīng)驗(yàn)?zāi)Ｐ偷乃参锓囱?/p>

半經(jīng)驗(yàn)?zāi)Ｐ椭荚谕ㄟ^(guò)經(jīng)驗(yàn)和分析方法得到遙感反射率與葉綠素濃度之間的關(guān)系[57]. 常用的半經(jīng)驗(yàn)?zāi)Ｐ椭饕腥ǘ文Ｐ秃退牟ǘ文Ｐ?，相?duì)于經(jīng)驗(yàn)法而言，半經(jīng)驗(yàn)?zāi)Ｐ蛯?duì)數(shù)據(jù)依賴性小，實(shí)用性更強(qiáng). 三波段模型是找到合適的3個(gè)波段構(gòu)建模型[58]，如Zhang等[59]研究表明，在太湖浮游植物季節(jié)-空間變化監(jiān)測(cè)中，三波段法的精度高于已發(fā)表的波段比值法. 四波段模型是在三波段基礎(chǔ)上引用了近紅外波段的第四個(gè)波段[60]，因此適合渾濁水體；Feng等[61]研究表明，相比三波段反演模型的模擬結(jié)果，四波段模型對(duì)于反演千島湖葉綠素濃度的模擬精度更高. 半經(jīng)驗(yàn)?zāi)Ｐ褪悄壳胺囱萑~綠素濃度的主流方法，但仍不具有普適性，需要依據(jù)不同季節(jié)或區(qū)域進(jìn)行反演.

3.2.3基于機(jī)理分析模型的水生植物反演

機(jī)理分析模型利用水體反射率推導(dǎo)出水體各成分的吸收系數(shù)和后向散射系數(shù)，進(jìn)而通過(guò)水體各成分的濃度與其吸收系數(shù)和后向散射系數(shù)的關(guān)系來(lái)估算水體成分濃度，從而實(shí)現(xiàn)對(duì)河湖水生生物的半定量或定量化識(shí)別[62]. 分析模型更偏重機(jī)理研究，相對(duì)于經(jīng)驗(yàn)和半經(jīng)驗(yàn)?zāi)Ｐ投跃哂袕?qiáng)普適性和高精度性，其中最具代表性的是生物光學(xué)模型. 生物光學(xué)模型可通過(guò)水面以下輻照度與反射率、固有光學(xué)量的相互關(guān)系建立與波段反射率和固有光學(xué)量的響應(yīng)模型[63]. 楊偉等[64]研究表明，對(duì)于綠藻而言，生物光學(xué)模型算法反演效果最好；Augusto-Silva等[65]選擇了基于生物光學(xué)算法的NDCI算法反演渾濁內(nèi)陸水體中的葉綠素濃度；Bresciani等[66]研究表明，生物光學(xué)模型的光譜反演有助于監(jiān)測(cè)意大利湖泊藍(lán)藻水華. 機(jī)理分析模型依賴于水體的表觀固有光學(xué)特性，而河湖固有光學(xué)性質(zhì)較為復(fù)雜，因此機(jī)理分析模型的構(gòu)建是目前的難點(diǎn)，但同時(shí)也是未來(lái)的研究發(fā)展趨勢(shì).

3.3 基于RS的水生動(dòng)物模擬預(yù)測(cè)

基于RS監(jiān)測(cè)范圍大的顯著優(yōu)點(diǎn)，水生動(dòng)物的分布模擬預(yù)測(cè)主要集中在海洋和陸地大型動(dòng)物[67]，針對(duì)內(nèi)陸水體中小型水生動(dòng)物的移動(dòng)性和隱蔽性特點(diǎn)，利用RS直接監(jiān)測(cè)其分布特征難度較大. 目前，RS多以監(jiān)測(cè)水生動(dòng)物生境為主，間接分析和預(yù)測(cè)其分布變化[68]，如Yang等[69]通過(guò)RS預(yù)測(cè)了日本血吸蟲中間宿主釘螺的潛在棲息地，用以間接反映釘螺的分布特征. 通過(guò)反演水生動(dòng)物影響因子，構(gòu)建影響因子與水生動(dòng)物的響應(yīng)模型以間接預(yù)測(cè)水生動(dòng)物的分布特征，如Mehler等[70]應(yīng)用最大熵模型，通過(guò)使用RS衍生的環(huán)境變量來(lái)預(yù)測(cè)美國(guó)尼亞加拉河下游4個(gè)主要底棲生物群落的分布；Perivolioti等[71]開發(fā)了一種基于RS的陸地水域魚類空間分布制圖和預(yù)測(cè)方法，分析了捷克里莫夫水庫(kù)魚類生物分布和水質(zhì)參數(shù)變化. 盡管RS技術(shù)手段還不能直接應(yīng)用于水生動(dòng)物的監(jiān)測(cè)，但其仍被認(rèn)為是支持魚類群落組成和動(dòng)態(tài)分析的有用工具[72].

綜上，相對(duì)于GIS的時(shí)空分析優(yōu)點(diǎn)，RS通常具有較好的反向溯源特性，近年來(lái)在河湖水生生物監(jiān)測(cè)中的應(yīng)用較多，尤其是針對(duì)水生植物、富營(yíng)養(yǎng)化和水華的特征識(shí)別和診斷. 在數(shù)據(jù)源的獲取上，RS利用星載和非星載兩大數(shù)據(jù)源，展現(xiàn)了較強(qiáng)的水生生物數(shù)據(jù)獲取和空間展示能力；此外，在水生植物的反演計(jì)算上，經(jīng)驗(yàn)、半經(jīng)驗(yàn)和機(jī)理分析模型能適應(yīng)不同河湖環(huán)境，結(jié)合RS構(gòu)建棲息地模型和響應(yīng)模型能間接獲取水生動(dòng)物分布情況，從而實(shí)現(xiàn)對(duì)水生生物生物量的估算、影響因子的溯源和模擬預(yù)測(cè). 2S技術(shù)通過(guò)與大數(shù)據(jù)統(tǒng)計(jì)算法的結(jié)合，能更精確、更快速、更高效地處理復(fù)雜水生生物問(wèn)題. 但在現(xiàn)實(shí)中通常受數(shù)據(jù)尺度和精度的影響，RS在內(nèi)陸水體水生動(dòng)物的監(jiān)測(cè)上尤顯不足，數(shù)據(jù)管理和圖像的處理能力尚有所欠缺，作為定量遙感的尺度效應(yīng)問(wèn)題有待解決，在分析水生生物與土地利用、人為活動(dòng)等響應(yīng)關(guān)系上有待進(jìn)一步與GIS等地理信息工具的深入結(jié)合.

4 2S技術(shù)在河湖水生生物時(shí)空分析研究的聯(lián)合運(yùn)用

隨著2S技術(shù)在水生生物中的應(yīng)用優(yōu)勢(shì)逐漸凸顯，2S技術(shù)的聯(lián)合應(yīng)用成為近年來(lái)的研究熱點(diǎn)，為短時(shí)間內(nèi)評(píng)估水生生物時(shí)空分布提供了一個(gè)更有價(jià)值的路徑，綜合利用2S技術(shù)以及GPS能更好地幫助管理者進(jìn)行大尺度空間的水生態(tài)質(zhì)量管理與考核[73].

4.1 GIS和RS是水生生物分析的基礎(chǔ)數(shù)據(jù)獲取工具

2S技術(shù)作為水生生物分析的基礎(chǔ)數(shù)據(jù)獲取和處理工具為相關(guān)統(tǒng)計(jì)分析服務(wù)，不僅能進(jìn)行時(shí)空分析，也能更精確地分析響應(yīng)關(guān)系. 解譯后的RS數(shù)據(jù)結(jié)合ArcGIS可以進(jìn)行數(shù)據(jù)的計(jì)算，如Zhang等[74]通過(guò)計(jì)算寬葉苜蓿的分布面積研究了武昌湖水生植物面積的分布變化；利用2S技術(shù)獲取的基礎(chǔ)數(shù)據(jù)與相關(guān)分析結(jié)合可明確生態(tài)因素，如Ongore等[75]結(jié)合2S技術(shù)和趨勢(shì)分析研究了水生植物對(duì)入侵魚類的影響；研究[76]表明，將2S技術(shù)結(jié)合到內(nèi)陸漁業(yè)管理領(lǐng)域，對(duì)評(píng)估資源潛力、魚類豐度和分布以及生境分類具有重要意義. 同時(shí)可以多尺度探究水生生物與土地利用、景觀格局等的響應(yīng)關(guān)系，如Bruns[77]將流域劃分兩個(gè)空間尺度，結(jié)合多元統(tǒng)計(jì)分析大型無(wú)脊椎動(dòng)物與土地利用的響應(yīng)關(guān)系; Zhao等[78]通過(guò)劃分兩個(gè)空間尺度，結(jié)合相關(guān)分析方法研究了水生生物與景觀格局的響應(yīng)關(guān)系. RS實(shí)現(xiàn)空間數(shù)據(jù)獲取和信息提取，GIS實(shí)現(xiàn)遙感數(shù)據(jù)管理，同時(shí)能將參數(shù)空間分布可視化，2S技術(shù)與相關(guān)統(tǒng)計(jì)方法結(jié)合分析水生生物響應(yīng)關(guān)系的優(yōu)勢(shì)由此凸顯.

4.2 RS作為基礎(chǔ)數(shù)據(jù)源，利用GIS技術(shù)開展水生生物時(shí)空分析

在分析水生植物的時(shí)空分布時(shí)，插值法是最為常見的GIS分析方法，對(duì)原位采樣數(shù)據(jù)進(jìn)行空間插值存在諸多限制，如采樣點(diǎn)連續(xù)性無(wú)法保證，采樣程序復(fù)雜以及數(shù)據(jù)無(wú)法及時(shí)處理，現(xiàn)場(chǎng)測(cè)量很難捕捉短生命藻類和浮游植物大量繁殖等現(xiàn)象的時(shí)間和空間變異性[79]等，因此，RS快速獲取長(zhǎng)序列數(shù)據(jù)的突出優(yōu)勢(shì)使其可用于GIS時(shí)空可視化分析. 目前，RS數(shù)據(jù)源多使用衛(wèi)星數(shù)據(jù)，傳感器有MODIS[80]、CCD[81]等，GIS空間插值結(jié)合大量衛(wèi)星數(shù)據(jù)后在精度上有所改善，不同的插值法結(jié)果因數(shù)據(jù)集大小和分布會(huì)有所差異，可比較分析后進(jìn)行選擇，如王玉磊等[82]研究表明，克里格法更適合太湖葉綠素的插值應(yīng)用. RS數(shù)據(jù)擁有多種信息源，數(shù)據(jù)采樣時(shí)間較短，樣點(diǎn)時(shí)間序列較長(zhǎng)，能更好地適應(yīng)高變異性的河湖環(huán)境，彌補(bǔ)了GIS插值分析時(shí)因數(shù)據(jù)少和不均勻所導(dǎo)致的精度不高的問(wèn)題，將融合的多數(shù)據(jù)源應(yīng)用在空間插值中將進(jìn)一步提升分析精度.

4.3 以GIS為圖像處理工具，利用RS技術(shù)進(jìn)行水生生物反演

RS反演中數(shù)據(jù)的獲取雖然相對(duì)簡(jiǎn)便，仍存在數(shù)據(jù)缺乏同化、尺度效應(yīng)差和分析計(jì)算能力不足等問(wèn)題，在水生植物RS反演研究中，GIS作為輔助工具加強(qiáng)了水體信息和RS圖像提取等過(guò)程，GIS能參與幾何校正[83]、輻射校正處理[84]、圖像分類和區(qū)域運(yùn)算[85]等RS操作，從而進(jìn)行圖像處理，如Chebud等[86]利用ArcGIS劃定區(qū)域以分析NDVI值，進(jìn)而反演葉綠素濃度等參數(shù). RS反演結(jié)合GIS強(qiáng)大的數(shù)據(jù)存儲(chǔ)和計(jì)算功能，不僅擴(kuò)大了數(shù)據(jù)源范圍，集成了不同尺度數(shù)據(jù)源，同時(shí)結(jié)合GIS圖像處理功能可得到各種專題圖，如Mohsen等[87]研究表明，RS結(jié)合GIS繪制水生生物參數(shù)圖具有較大潛力，能更好地理解水生生物的時(shí)空動(dòng)態(tài)變化，利用GIS可以協(xié)助解決環(huán)境遙感面對(duì)的尺度效應(yīng)問(wèn)題[88]，解決不同尺度上水生生物監(jiān)測(cè)難題.

4.4 2S技術(shù)與模擬模型在水生生物研究中的耦合應(yīng)用

在高強(qiáng)度人類活動(dòng)和自然氣候綜合影響下的流域水生生物演變機(jī)制十分復(fù)雜，2S技術(shù)與數(shù)學(xué)機(jī)理模型的聯(lián)合應(yīng)用將是實(shí)現(xiàn)復(fù)雜問(wèn)題歸因的重要技術(shù)手段之一. 2S技術(shù)通過(guò)數(shù)據(jù)的快速獲取可服務(wù)于模擬模型的建立和邊界條件輸入，有助于從時(shí)間和空間多個(gè)維度深入分析流域水生生物動(dòng)態(tài)演變過(guò)程和退化機(jī)制[89]. 邵芳芳等[90]利用MODIS數(shù)據(jù)反演了太湖葉綠素濃度，通過(guò)GIS將其轉(zhuǎn)化為分布數(shù)據(jù)作為元胞自動(dòng)機(jī)模型的輸入數(shù)據(jù)，模擬了水華的動(dòng)態(tài)分布特征，研究表明，元胞自動(dòng)機(jī)在克隆選擇算法優(yōu)化后能更加直觀地反映水華的時(shí)空特征，并在較短時(shí)間內(nèi)重復(fù)模擬水華的動(dòng)態(tài)變化；Guo等[91]為預(yù)測(cè)鄱陽(yáng)湖地區(qū)日本血吸蟲的中間寄主蝸牛-釘螺的棲息地范圍，開發(fā)了基于2S技術(shù)的模型，研究表明，該方法可以很好地預(yù)測(cè)釘螺的演變規(guī)律；曹楊[92]通過(guò)RS解譯、GIS疊加和插值方法，獲取了烏梁素海挺水植物Geo-CA模型的輸入數(shù)據(jù)，模擬了群落時(shí)空動(dòng)態(tài)擴(kuò)散過(guò)程，研究表明，基于邏輯回歸和案例推理的模型能較好模擬預(yù)測(cè)挺水植物的時(shí)空分布情況. 2S技術(shù)與模擬模型的耦合形成了完整的集成系統(tǒng)，能夠有效實(shí)現(xiàn)短期水生生物的模擬預(yù)測(cè)[93].

5 2S技術(shù)在水生生物研究中的應(yīng)用展望

近年來(lái)人工智能、大數(shù)據(jù)挖掘、多元感知、環(huán)境DNA等新技術(shù)正在不斷與生態(tài)環(huán)境領(lǐng)域深度融合，同時(shí)更加注重在流域水生態(tài)保護(hù)和修復(fù)的大尺度應(yīng)用和決策支撐. 隨著“十四五”國(guó)家水生態(tài)監(jiān)測(cè)網(wǎng)絡(luò)的總體布局和信息化采集的加快，2S技術(shù)在水生態(tài)質(zhì)量管理中的應(yīng)用將是未來(lái)我國(guó)乃至全球的重要發(fā)展趨勢(shì). 盡管2S技術(shù)的聯(lián)合應(yīng)用仍然存在一些技術(shù)難點(diǎn)，如在糟糕的氣象條件下應(yīng)用RS星載數(shù)據(jù)時(shí)處理難度大，2S技術(shù)的集成數(shù)據(jù)轉(zhuǎn)化問(wèn)題，以及GIS的誤差傳遞和RS大氣校正精度等問(wèn)題，但2S技術(shù)仍是快速實(shí)現(xiàn)水生生物時(shí)空分析、溯源以及預(yù)測(cè)的重要工具. 此外，5G技術(shù)、大數(shù)據(jù)分析、云計(jì)算、AI與2S技術(shù)的深度融合可實(shí)現(xiàn)大型河湖水生態(tài)質(zhì)量管理的智能化、實(shí)時(shí)化和立體化. 5G提供速度支撐、減少時(shí)間延遲，大數(shù)據(jù)分析進(jìn)行數(shù)據(jù)挖掘，云計(jì)算實(shí)現(xiàn)數(shù)據(jù)整合，AI進(jìn)行數(shù)據(jù)自動(dòng)獲取、目標(biāo)實(shí)時(shí)識(shí)別，這些都為2S技術(shù)提供了更加快速、精準(zhǔn)、大容量的數(shù)據(jù)支持和高效智能一體化的技術(shù)手段. 5G技術(shù)、大數(shù)據(jù)分析、云計(jì)算、AI與2S技術(shù)耦合可實(shí)現(xiàn)流域天地空全天候、實(shí)時(shí)的動(dòng)態(tài)數(shù)據(jù)監(jiān)控，自動(dòng)獲取數(shù)據(jù)并分析，三維立體展示流域狀態(tài)，實(shí)現(xiàn)全智能的流域水生生物監(jiān)測(cè)和數(shù)值模擬預(yù)警，對(duì)于構(gòu)建數(shù)字長(zhǎng)江、數(shù)字黃河以及支撐我國(guó)重大流域水系統(tǒng)問(wèn)題診斷和管理決策具有重要意義.

建議下一步重點(diǎn)圍繞2S技術(shù)在水生生物時(shí)空分析和數(shù)據(jù)獲取上的技術(shù)優(yōu)勢(shì)，加強(qiáng)基于大數(shù)據(jù)分析的流域水生生物監(jiān)測(cè)技術(shù)和快速智能識(shí)別技術(shù)研發(fā)，構(gòu)建流域關(guān)鍵水生生物群落DNA數(shù)據(jù)庫(kù)，開發(fā)基于環(huán)境DNA成套現(xiàn)代化監(jiān)測(cè)技術(shù)，利用2S技術(shù)提供的數(shù)據(jù)邊界建立多元水生態(tài)要素的空間異質(zhì)性和動(dòng)態(tài)響應(yīng)關(guān)系. 基于獲取的水生生物大數(shù)據(jù)信息，緊密圍繞流域“水文-水環(huán)境-水生態(tài)”三大要素相互作用機(jī)制，突破基于大數(shù)據(jù)算法和水生態(tài)機(jī)理耦合的河湖水生態(tài)完整性退化診斷預(yù)測(cè)技術(shù)，推動(dòng)構(gòu)建我國(guó)自主知識(shí)產(chǎn)權(quán)的水生態(tài)系統(tǒng)模型庫(kù)及其配套子系統(tǒng)參數(shù)庫(kù)，集成研發(fā)重點(diǎn)流域水生態(tài)健康風(fēng)險(xiǎn)預(yù)警與智慧管控?cái)?shù)值化平臺(tái)，實(shí)現(xiàn)重點(diǎn)流域可視化的水生態(tài)環(huán)境通量管理和風(fēng)險(xiǎn)預(yù)警，形成國(guó)家和重點(diǎn)流域?qū)用孀灾髦R(shí)產(chǎn)權(quán)的科學(xué)決策管控工具，從學(xué)術(shù)上揭示人類活動(dòng)和氣候變化多重影響下的河流生態(tài)退化過(guò)程和成因，提升突發(fā)性流域水生態(tài)環(huán)境污染事件的決策支撐和水生態(tài)退化風(fēng)險(xiǎn)管控能力.

6 結(jié)論

a) 2000—2020年國(guó)內(nèi)外針對(duì)2S技術(shù)在水生生物時(shí)空分析中的研究成果數(shù)量總體上處于增長(zhǎng)狀態(tài)，2S技術(shù)的聯(lián)合應(yīng)用將是當(dāng)前河湖水生生物的研究前沿和熱點(diǎn).

b) GIS分析技術(shù)在河湖水生生物時(shí)空分析的常見應(yīng)用中，緩沖區(qū)分析法多用于緩沖帶劃定、影響因子范圍分析，疊加分析法用于水生生物時(shí)空信息計(jì)算，空間插值法能進(jìn)行水生生物時(shí)空分布趨勢(shì)分析. 目前GIS分析仍需加強(qiáng)數(shù)據(jù)庫(kù)的建立和標(biāo)準(zhǔn)化，實(shí)現(xiàn)長(zhǎng)時(shí)間、大容量和多維數(shù)據(jù)的開發(fā)；在功能性上，因不能有針對(duì)性地與水生態(tài)領(lǐng)域結(jié)合而受到限制，需構(gòu)建基于GIS的水生生物模型；在專業(yè)性方面GIS與專家系統(tǒng)和云計(jì)算的結(jié)合是未來(lái)GIS的熱點(diǎn).

c) RS技術(shù)可以快速獲取長(zhǎng)序列的水生生物數(shù)據(jù)，反演模型中神經(jīng)網(wǎng)絡(luò)模型等機(jī)器學(xué)習(xí)和半經(jīng)驗(yàn)?zāi)Ｐ途容^高，適合某些區(qū)域水生生物(主要為水生植物)反演，是當(dāng)前常用的主要方法，機(jī)理分析模型普適性最強(qiáng)，但模型的構(gòu)建需要進(jìn)一步加強(qiáng). 綜合利用多種環(huán)境因子進(jìn)行動(dòng)物物種豐富度及空間分布預(yù)測(cè)是水生動(dòng)物遙感研究的發(fā)展方向. 首先，未來(lái)需要開發(fā)針對(duì)內(nèi)陸水體的監(jiān)測(cè)衛(wèi)星，在數(shù)據(jù)管理和數(shù)據(jù)融合上提升云服務(wù)與遙感的結(jié)合，以及云GIS與RS的結(jié)合；其次，在解譯方面，人工智能具有巨大優(yōu)勢(shì)，需提升大氣校正模型精度，加強(qiáng)高分辨率的雷達(dá)和無(wú)人機(jī)的應(yīng)用；最后，深入開展在水體中垂直方向上的非均勻變化研究，水生生物RS反演在尺度問(wèn)題、區(qū)域問(wèn)題、響應(yīng)關(guān)系和閾值研究上可做進(jìn)一步擴(kuò)展，加強(qiáng)水生生物時(shí)空分析、溯源和預(yù)測(cè)功能.