黃河流域典型內(nèi)陸湖泊水生植被類群與藻華遙感監(jiān)測

陳永貴，朱玉香

（河南測繪職業(yè)學院，鄭州 451464）

0 引言

【研究意義】湖泊具有調(diào)節(jié)區(qū)域氣候、維持區(qū)域生態(tài)平衡和保護生物多樣性的特殊功能。然而，近幾十年來，全球湖泊面臨水體富營養(yǎng)化和有害藻華暴發(fā)等嚴重的生態(tài)問題，有害藻類普遍在內(nèi)陸和沿海水域中大量繁殖，使當?shù)厮h(huán)境面臨富營養(yǎng)化、藻華和沼澤化等問題[1-3]。烏梁素海是黃河流域最大的淡水湖，也是同緯度最大的自然濕地，對維護黃河流域生態(tài)平衡、調(diào)節(jié)區(qū)域氣候和流域蓄水防洪等具有重要作用。隨著經(jīng)濟的快速發(fā)展和工業(yè)化進程的加速，烏梁素海的生態(tài)環(huán)境遭到嚴重破壞，藻華暴發(fā)事件時有發(fā)生[4]。因此，烏梁素海的高效生態(tài)監(jiān)測對當?shù)厣鷳B(tài)環(huán)境治理具有重要意義，有助于黃河流域生態(tài)保護和高質(zhì)量發(fā)展，對指導流域生態(tài)環(huán)境建設具有重要意義。

【研究進展】傳統(tǒng)的監(jiān)測方法主要以人工船舶調(diào)查為主，這種方式可以較準確地獲取水生植被類型和藻華的空間分布信息，但需投入大量的人力和物力，監(jiān)測范圍小且時空連續(xù)性差，無法應用于大范圍監(jiān)測。相比之下，遙感技術(shù)的發(fā)展為宏觀尺度的生態(tài)環(huán)境動態(tài)監(jiān)測提供了一種有效且低成本方法。相比于其他衛(wèi)星數(shù)據(jù)，Landsat TM/ETM+和OLI 傳感器不僅具有較高的時間、空間和光譜分辨率，更重要的是，Landsat系列衛(wèi)星從1972年至今的多年數(shù)據(jù)均可用，具有很好的數(shù)據(jù)連續(xù)性，可實現(xiàn)水生植被類群和黃苔藻華的長時序動態(tài)監(jiān)測[5-6]。在監(jiān)測方法上，前人已提出了許多遙感方法來識別和監(jiān)測藻華，如：監(jiān)督或非監(jiān)督方法[7]、波段差值/比值法[8]、決策樹分類法[9]和水質(zhì)參數(shù)反演法[10-12]等。其中，光譜指數(shù)（NDVI、NDAVI、WAVI、SAVI、FAI、MCI和NDPI）具有簡單和高效的優(yōu)點，已被廣泛應用于藻華提取[13-15]。

【切入點】烏梁素海的水生環(huán)境復雜，湖區(qū)內(nèi)生長了大量的水生植被，包括挺水植被類群（蘆葦、香蒲）、沉水植被類群（龍須眼子菜、穗花狐尾藻和金魚藻等）等，單一的光譜指數(shù)很難區(qū)分湖區(qū)內(nèi)的水生植被類群和黃苔藻華，水生植被類群和黃苔藻華的識別仍然存在較大的不確定性。此外，在監(jiān)測過程中，數(shù)據(jù)異構(gòu)和數(shù)據(jù)量大的問題普遍存在，亟須一種簡單、自動和高效的算法以快速實現(xiàn)大量的遙感圖像處理?！緮M解決的關(guān)鍵問題】針對以上問題，本研究基于實測光譜數(shù)據(jù)，通過光譜特征分析，構(gòu)建并選取適用于研究區(qū)的光譜指數(shù)，將構(gòu)建和選取的光譜指數(shù)引入決策樹分類模型中，對1986—2018年烏梁素海的水生植被類群和藻華進行遙感分類，分析其時空分布特征與變化趨勢。研究結(jié)果對于烏梁素海生態(tài)環(huán)境治理和黃河流域生態(tài)保護和高質(zhì)量發(fā)展具有重要意義。

1 數(shù)據(jù)和方法

1.1 研究區(qū)概況

烏梁素海（40°36′—41°03′N，108°43′—108°57′E）位于黃河流域北部干旱半干旱區(qū)，屬溫帶大陸性氣候，年平均降水量為221.1 mm，年平均氣溫7.4 ℃[16]。烏梁素海是黃河流域最大的淺水淡水湖，對流域生態(tài)保護和高質(zhì)量發(fā)展有重要作用。

烏梁素海內(nèi)湖區(qū)當中的挺水植被、沉水植被等大型水生植被分布廣泛，挺水植被類群的主要類型包括蘆葦和寬葉香蒲，沉水植被類群的主要類型有龍須眼子菜和穗花狐尾藻。水生植被從5月下旬開始生長，8月底至9月初生物量達到最大，9月下旬開始退化[17]。近年來，由于強烈的人為干擾，包括農(nóng)業(yè)排水、生活污水和工業(yè)廢水的大量排入，導致湖泊水體富營養(yǎng)化和浮游藻類大量繁殖。烏梁素海7—8月水體表面經(jīng)常出現(xiàn)大量藻華，嚴重破壞了烏梁素海水生態(tài)系統(tǒng)的平衡。在強光照射下，這種浮游藻類的顏色由綠色迅速轉(zhuǎn)變?yōu)辄S色，漂浮于水面，因此也稱其為“黃苔藻華”。挺水植被類群、沉水植被類群和黃苔藻華在可見光和紅外波段的光譜特征相似，在NDVI、NDWI和FAI指數(shù)影像上的數(shù)值相似，因此，利用現(xiàn)有的光譜指數(shù)或單一的分類指標難以確定這些類群之間細微的光譜差異。

1.2 數(shù)據(jù)來源及預處理

1.2.1 實測數(shù)據(jù)

2018—2019年，對烏梁素海水生植被進行了5次野外實地調(diào)查，共獲取500 組水生植被觀測數(shù)據(jù)，包括實測遙感反射光譜數(shù)據(jù)、水生植被景觀影像等。采樣時間分別為2017年8月14日、2018年7月16日、8月1日、17日及2019年9月18日。

1.2.2 遙感數(shù)據(jù)

選取烏梁素海1986—2018年生長季（6—10月）的Landsat TM/ETM+和OLI 影像進行水生植被類群和黃苔藻華的時空分布和變化特征分析。Landsat-5、Landsat-7 和Landsat-8 衛(wèi)星數(shù)據(jù)從美國地質(zhì)調(diào)查局（https://earthexplorer.usgs.gov/）下載。Landsat-5、Landsat-7 和Landsat-8 衛(wèi)星分別發(fā)射于1984年3月1日、1999年4月15日和2013年2月11日，重訪周期均為16 d。Landsat-5 和Landsat-7 分別搭載TM（Thematic Mapper，專題成像儀）和ETM+（Enhanced Thematic Mapper，增強型專題繪圖儀）傳感器，Landsat-8 則搭載2 個傳感器，OLI（Operational Land Image，陸地成像儀）和TIRS（Thermal Infrared Sensor，熱紅外傳感器）。通過篩選，本研究采用無云覆蓋、數(shù)據(jù)質(zhì)量較好的69 幅影像。首先對Landsat 數(shù)據(jù)進行輻射定標獲得大氣層頂反射率，利用烏梁素海矢量邊界進行裁剪，得到湖區(qū)的觀測影像。

GF-2 衛(wèi)星于2014年8月19日發(fā)射，是我國自主研發(fā)的首顆空間分辨率優(yōu)于1 m 的民用光學衛(wèi)星。該衛(wèi)星包含1 個1 m 空間分辨率的全色波段（0.45～0.9μm）、4 個4 m 空間分辨率多光譜波段（藍：0.45～0.52μm，綠：0.52～0.59μm，紅：0.63～0.69μm，近紅外：0.77～0.89μm）。GF-2 重訪周期為5 d，幅寬為45 km（2 臺相機組合）。本研究使用了2017年8月13日獲取的3 幅多光譜PMS 影像，與2018年8月14日的Landsat8 OLI 以及實地調(diào)查時間基本一致。利用二次多項式模型，將GF-2 PMS 遙感影像與其對應的準同步Landsat8 OLI 數(shù)據(jù)進行幾何配準，配準總的均方根誤差小于0.5 個像元。利用多光譜PMS 遙感影像數(shù)據(jù)作為驗證數(shù)據(jù)對Landsat 衛(wèi)星植被類群和黃苔藻華遙感提取結(jié)果進行精度評估。

1.3 研究方法

1.3.1 光譜指數(shù)構(gòu)建與選取

基于2017年8月14日的實測遙感反射率數(shù)據(jù)和Landsat-8 OLI 影像得到的大氣頂層反射率數(shù)據(jù)，分析烏梁素海挺水植被、沉水植被、黃苔藻華、水體和其他地物類型的光譜特征，構(gòu)建了改進歸一化土壤指數(shù)（MNDSI）和改進增強型植被指數(shù)（AEVI），同時選取水體指數(shù)（NDWI）和改進的浮游藻類指數(shù)（MFAI）等光譜指數(shù)。各光譜指數(shù)的計算公式如表1所示。本研究利用最大類間方差自適應閾值算法（大津法）進行各個光譜指數(shù)閾值的確定，此方法根據(jù)目標影像的灰度級，將影像像元分為目標像元和背景像元2 類，以二者的最大類間方差來確定閾值。

表1 光譜指數(shù)計算方法Table 1 Calculation of spectral index

1.3.2 決策樹分類模型

基于構(gòu)建與選取的光譜指數(shù)，利用決策樹構(gòu)建分類模型。決策樹分類模型是基于已設定的解釋變量閾值，通過建立不同的決策級別，按照每個節(jié)點上的分類規(guī)則，對數(shù)據(jù)進行分類。

1.3.3 精度驗證

采用人工視覺解譯和統(tǒng)計驗證方法對水生植被類群與黃苔藻華分類結(jié)果進行精度驗證。首先對GF-2 遙感影像進行人工視覺解譯，得到研究區(qū)各種水生植被類型的分類圖，基于格網(wǎng)的統(tǒng)計方法來驗證Landsat 分類精度[18]。利用ArcGIS 在整個湖區(qū)建立格網(wǎng)，格網(wǎng)尺寸為600 m×600 m。分別計算各格網(wǎng)內(nèi)Landsat 和GF2 分類結(jié)果的面積，通過計算二者之間的相關(guān)系數(shù)、均方根誤差，對分類結(jié)果進行精度評價。其次，利用統(tǒng)計驗證方法參考實測站點數(shù)據(jù)確立驗證樣本，利用驗證樣本生成混淆矩陣，通過計算總體精度、Kappa系數(shù)、錯分和漏分誤差來定量的評估模型分類精度。

2 結(jié)果與分析

2.1 光譜指數(shù)構(gòu)建與選取

圖1為挺水植被、黃苔藻華、沉水植被和開闊水體的實測光譜曲線。挺水植被的反射率高于黃苔藻華和沉水植被的反射率，黃苔藻華在可見光波段的反射率高于挺水植被和沉水植被，黃苔藻華和沉水植被在紅外波段的光譜特征較為相似。

圖1 水生植被類群和黃苔藻華的實測反射率Fig.1 Measured reflectance map of groups of aquatic vegetation and yellow algal blooms

圖2為挺水植被、黃苔藻華、沉水植被和開闊水體在Landsat8 OLI 影像上的光譜曲線。其他類型在可見光波段區(qū)間反射率普遍較高，而水生植被、黃苔藻華和水體反射率較低，水生植被和黃苔藻華在綠光波段區(qū)間形成反射峰，在紅光波段區(qū)間兩者形成吸收谷，而其他類型在可見光波段范圍內(nèi)隨波長的增加反射率表現(xiàn)出上升趨勢，利用以上的光譜特征差異，本文將綠光波段和紅光波段作為特征波段，構(gòu)建一個新的光譜指數(shù)（MNDSI）進行烏梁素海水生植被、黃苔藻華和水體之外類型的剔除。

圖2 烏梁素海水生植被在Landsat-8 OLI影像大氣層頂?shù)姆瓷渎蔉ig.2 Atmospheric top reflectance map of Ulangsuhai groups of aquatic vegetation Landsat-8 OLI

在近紅外波段，挺水植被、沉水植被和黃苔藻華的反射率具有相似特征，反射率迅速抬升，但在SWIR1波段處挺水植被的反射率明顯高于沉水植被和黃苔藻華。挺水植被、沉水植被和黃苔藻華在紅光波段形成吸收谷，三者反射率值基本趨同。因此，本文在增強型植被指數(shù)（Emergent Vegetation index,EVI）的基礎上進行改進，利用紅光波段和SWIR1波段來構(gòu)建光譜指數(shù)對挺水植被進行提取，調(diào)整后的植被指數(shù)為AEVI。

水體在近紅外波段強吸收，反射率值趨近于0，而水生植被和黃苔藻華在近紅外波段有一個紅邊波段，反射率迅速抬升，形成一個反射峰。因此利用NDWI光譜水體指數(shù)就可以實現(xiàn)烏梁素海的開闊水體信息提取。

Hu 等[13]提出的漂浮藻類光譜指數(shù)（Floating Algae Index,FAI）被廣泛用于檢測開闊水體中的藻類信息。由于烏梁素海沉水植被與黃苔藻華光譜相似，二者在近紅外反射率重疊，因此利用FAI進行草型湖泊中水生植被類群和藻華信息提取存在較大的不確定性。利用Qing 等[14]對FAI改進后的MFAI進行黃苔藻華的提取。黃苔藻華的綠波段和紅波段的反射率高于沉水植被類群，MFAI光譜指數(shù)將紅波段反射率和綠波段反射率相加，得到一個新的綠加紅波段。黃苔藻華與沉水植被在綠加紅波段出現(xiàn)顯著差異，因此，可以成功實現(xiàn)黃苔藻華和沉水植被分離。

2.2 決策樹分類模型構(gòu)建

圖3為各光譜指數(shù)的影像。由圖3（a）與圖3（d）中MNDSI與MFAI光譜指數(shù)的影像可知，其他類與黃苔藻華影像特征十分相似，因此需要首先將其剔除以保證水生植被類群和藻華的提取精度。圖4為決策樹分類流程，以a為閾值，利用MNDSI光譜指數(shù)進行其他類型的剔除，MNDSI光譜指數(shù)影像被分為2 部分，反射率值≥a的像元定義為其他類，反射率值＜a的部分，可用NDWI光譜水體指數(shù)提取開闊水體，或利用AEVI光譜指數(shù)對挺水植被進行提取。由于二者前后順序?qū)Ψ诸惤Y(jié)果并無影響，本研究首先提取開闊水體，將NDWI光譜指數(shù)≥b的像元定義為開闊水體。對于剩下的部分影像，即MNDSI光譜指數(shù)＜a且NDWI光譜指數(shù)≥b的影像，利用AEVI光譜指數(shù)對影像剩余部分進行分類，即將MNDSI值＜a、WAVI值≥b且AEVI值≥c的像元定義為挺水植被類群。最后，將剩余部分中MFAI值≥d的像元定義為黃苔藻華，反之則定義為沉水植被。

圖3 烏梁素海各光譜指數(shù)影像Fig.3 Spectral index image of Ulansuhai Lake

圖4 水生植被類群與黃苔藻華提取的決策樹模型分類Fig.4 Classification diagram of decision tree model for the extraction of groups of aquatic vegetation and yellow algal blooms

2.3 精度驗證

圖5為人工視覺解譯結(jié)果與模型提取結(jié)果的對比。人工視覺解譯結(jié)果（圖5（a））與模型提取結(jié)果（圖5（b））在空間分布上整體一致，分類精度較高。利用皮爾遜系數(shù)和統(tǒng)計驗證方法對分類結(jié)果的準確性進行精度驗證。由圖6（a）可知，挺水植被的提取結(jié)果與GF-2 PMS 影像目視解譯結(jié)果整體一致，相關(guān)系數(shù)可達0.978。由圖6（b）可知，沉水植被分類結(jié)果較好，相關(guān)系數(shù)為0.921。由圖6（d）可知，黃苔藻華的提取結(jié)果與GF-2 PMS 影像目視解譯結(jié)果存在較好的擬合關(guān)系，R2=0.904。

圖5 人工視覺解譯結(jié)果與模型提取結(jié)果對比Fig.5 Comparison diagram of artificial vision interpretation results and model extraction results

圖6 Landsat8 OLI 影像分類結(jié)果與GF-2 PMS 目視判讀結(jié)果對比Fig.6 Comparison of Landsat8 OLI image classification results and GF-2 PMS visual interpretation results

表2為混淆矩陣精度評價結(jié)果。研究區(qū)水生植被類群和藻華提取結(jié)果具有較高的精度和Kappa系數(shù)，挺水植被類群的總體精度和Kappa系數(shù)為99.60%和0.95，沉水植被類群的總體精度和Kappa系數(shù)為97.91%和0.88，黃苔藻華的總體精度和Kappa系數(shù)為91.82%和0.90，各類型的錯分誤差和漏分誤差均較小。綜上所述，本研究選取和構(gòu)建的MNDSI、NDWI、AEVI和MFAI光譜指數(shù)及分類模型十分合理。

表2 分類混淆矩陣Table 2 Classification confusion matrix

2.4 烏梁素海水生植被類群和黃藻的時空分布特征

圖7和圖8分別為1986—2018年水生植被類群與黃苔藻華面積變化趨勢與空間分布特征。由圖7可知，1986—2018年，烏梁素海挺水植被整體呈緩慢增長趨勢，年平均增長面積約為0.83 km2。其中，1987年挺水植被生長面積最?。s143.47 km2），2010年挺水植被生長面積達到峰值（約196.28 km2）。2014年以后，烏梁素海挺水植被生長面積有小幅度減少趨勢。由圖8可知，1986—2018年整個湖區(qū)內(nèi)遍布挺水植被。1986—1992年，烏梁素海北部裸地較多，而在1992年之后，該區(qū)域有明顯的水體及挺水植被生長趨勢。2015年之后，東大灘和西大灘之間的挺水植被中出現(xiàn)明顯的“斑塊區(qū)域”，使得2015年之后挺水植被生長面積有小幅度的減少趨勢。

圖7 1986—2018年烏梁素海水生植被類群和黃苔藻華面積變化趨勢Fig.7 Variation trend of the area of groups of aquatic vegetation and yellow algal blooms in Ulangsuhai Lake during 1986—2018

烏梁素海沉水植被覆蓋面積具有階段性變化特征，具體表現(xiàn)為：1986—2013年沉水植被覆蓋面積呈波動性減小趨勢，年平均減少量約為1.4 km2；2013—2018年沉水植被覆蓋面積呈迅速增長趨勢，年增長幅度為9.02 km2。其中，2013年烏梁素海沉水植被覆蓋面積最?。s31.22 km2），其次為2012年（約37.26 km2）；1988年烏梁素海沉水植被覆蓋面積達到峰值（約102.06 km2），其次為1991年（約99.43 km2）。1986—2010年，烏梁素海沉水植被主要分布在東大灘及湖泊南部，其中，2009年西大灘出現(xiàn)較大面積的沉水植被；2011—2018年，湖泊南部的沉水植被顯著減少；2015年以后，東大灘沉水植被迅速生長。

由圖7可知，1986—2018年烏梁素海黃苔藻華的覆蓋面積沒有顯著變化趨勢，而是具有一定的暴發(fā)性，如1999、2003、2005、2008年和2010年均有黃苔藻華暴發(fā)現(xiàn)象。其中，1999年黃苔藻華覆蓋面積達到最高，為13.05 km2，其次為2005年8月5日的黃苔藻華覆蓋面積（約7.34 km2），2008年和2010年的黃苔藻華覆蓋面積相近，約為6.30 km2。由圖8可知，黃苔藻華暴發(fā)地點主要在東大灘及碼頭附近。

圖8 1986—2018年烏梁素海水生植被類群空間分布Fig.8 Spatial distribution map of groups of aquatic vegetation in Ulangsuhai Lake during 1986—2018

3 討論

目前，許多成熟的光譜指數(shù)被成功應用于水生植被類群和藻華監(jiān)測，但黃河流域典型內(nèi)陸湖泊烏梁素海的水生環(huán)境極為復雜，對植被類群分類和藻華的區(qū)分具有較大挑戰(zhàn)性。沉水植被和黃苔藻華光譜特征極其相似，因此利用單一的光譜指數(shù)很難進行區(qū)分。本文在實測地物光譜特征分析的基礎上，構(gòu)建了MNDSI和AEVI光譜指數(shù)，另外選取NDWI和MFAI光譜指數(shù)，實現(xiàn)了烏梁素海植被類群與藻華信息的精準提取。

烏梁素海湖區(qū)內(nèi)除了水生植被、黃苔藻華和水體外，還包括裸露地表、建筑臺和養(yǎng)殖池塘等其他地物類型，這些類型的存在會對水生植被類群和黃苔藻華的提取精度造成一定干擾，因此應首先對其進行剔除。通過光譜特征分析，找出其他類與挺水植被類群、黃苔藻華以及水體的光譜差異，確定特征波段，構(gòu)建了MNDSI光譜指數(shù)對其他類進行剔除。水體的信息相對容易區(qū)分，本文利用常用的光譜水體指數(shù)NDWI提取水體信息。挺水植被類群位于水面之上，受環(huán)境要素影響較小，具有典型的植被光譜特征，相對容易區(qū)分。然而，常規(guī)的植被指數(shù)如NDVI和EVI，可能是不適用的，由于沉水植被和黃苔藻華的存在，也會表現(xiàn)出與典型植被相似的光譜特征，必須找出可以區(qū)分三者之間光譜差異性的方法。通過光譜特征分析發(fā)現(xiàn)，挺水植被、沉水植被和黃苔藻華在SWIR1波段處反射率值存在較大的差異，因此引入SWIR1波段來構(gòu)建AEVI光譜指數(shù)進行挺水植被類群的信息提取。

MFAI應用于Landsat 影像上可以取得很好的分類效果，但將其應用到多時相Landsat 影像時仍會出現(xiàn)一些錯分情況。例如：烏梁素海北部一些較淺的水體渾濁區(qū)域沒有藻華的發(fā)生，而個別年份將這些區(qū)域錯分為藻華；此外，由于混合像元的存在一些小塊狀、零散分布的藻華信息被遺漏。

沉水植被的提取是本研究的難點和挑戰(zhàn)，主要由于以下2 方面原因：①沉水植被類群部分或完全沉入水中，反射光譜會受到水環(huán)境參數(shù)的影響。同時，沉水植被類群上方的沉水深度減弱了來自植被冠層的反射信號。②相比于挺水植被和黃苔藻華，生長季的沉水植被對環(huán)境要素較為敏感，其光譜具有復雜性。針對以上情況，本文首先利用MNDSI和NDWI將最容易區(qū)分的2 種類型進行提取和分離，然后利用AEVI將挺水植被的信息提取，剩下的黃苔藻華和沉水植利用MFAI進行分離。

由于數(shù)據(jù)質(zhì)量和數(shù)據(jù)獲取等方面的限制，本文仍存在一些不足，具體為：在水生植被年內(nèi)時空分布特征研究方面，由于數(shù)據(jù)時間分辨率限制，未能對水生植被進行更短時間尺度的監(jiān)測，擬在下一步研究中，結(jié)合HJ-1A/B 數(shù)據(jù)以及Sentinel2 等高時間分辨率的衛(wèi)星數(shù)據(jù)對烏梁素海水生植被進行更短時間尺度的監(jiān)測；烏梁素海水生植被類群與人類活動和環(huán)境因素的響應機制較復雜，本研究未考慮水生植被對人類活動和環(huán)境因素的響應分析，在后續(xù)研究中，將會進一步分析氣候因素、環(huán)境因素和人類活動對水生植被和黃苔藻華的影響。

4 結(jié)論

1）結(jié)合實測地物反射率數(shù)據(jù)分析烏梁素海挺水植被類群、沉水植被類群和黃苔藻華的光譜特征，構(gòu)建與選取適合研究區(qū)的光譜指數(shù)，利用決策樹分類模型對烏梁素海水生植被進行遙感分類和時空變化特征研究。

2）利用GF-2 PMS 數(shù)據(jù)對分類結(jié)果進行驗證，挺水植被類群、沉水植被類群和黃苔藻華分類結(jié)果與GF-2 PMS 目視結(jié)果的相關(guān)性分別為0.978、0.921 和0.904；總體精度和Kappa系數(shù)分別為：99.60%和0.95、97.91%和0.88、91.82%和0.90，表明本文提出的分類方法精度較高。

3）1986—2018年，挺水植被類群生長面積呈現(xiàn)緩慢增長趨勢。1986—2018年沉水植被類群變化為：1986—2013年呈減少趨勢，2013年以后具有快速增長趨勢。1986—2018年，黃苔藻華覆蓋面積無明顯變化趨勢，但具有暴發(fā)性。