HY-1C/D衛(wèi)星CZI數(shù)據(jù)監(jiān)測湖泊藻華的適用性評價(jià)與方法選擇

薛坤，馬榮華，曹志剛，胡旻琪，李佳鑫，2

1.中國科學(xué)院南京地理與湖泊研究所 中國科學(xué)院流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室, 南京 210008;

2.中國科學(xué)院大學(xué), 北京 100049

1 引 言

中國湖泊富營養(yǎng)化嚴(yán)重，調(diào)查顯示2007—2010年中國東北、東部、云南湖區(qū)138個大于10 km2的湖泊中有85.4%處于富營養(yǎng)化狀態(tài)（楊桂山 等，2010）。Landsat系列遙感數(shù)據(jù)監(jiān)測表明中國有48個1 km2以上的湖泊、水庫發(fā)生了漂浮藻華（Song等，2021）。近年來太湖、巢湖、滇池、星云湖等重點(diǎn)富營養(yǎng)化湖泊均實(shí)施了生態(tài)修復(fù)、流域污染控制、藍(lán)藻打撈等措施（楊桂山 等，2010；秦伯強(qiáng)，2020），但是湖泊富營養(yǎng)化狀況仍未得到根本改善。在營養(yǎng)鹽充足的情況下，冬、春季節(jié)的氣溫對藻顆粒生長影響較大，夏、秋季節(jié)溫度升高，不再構(gòu)成藻華的限制性因子；頻發(fā)性藻華與湖泊的營養(yǎng)鹽分布一致性較好，短時間內(nèi)的偶發(fā)性藻華與氣象因子（風(fēng)速、降水等）關(guān)系較大（羅曉春 等，2019）。在自身浮力和適宜的風(fēng)速、水流、溫度等外界條件影響下，藍(lán)藻顆粒聚集漂浮在水面形成藻華，近紅外波段抬升，呈現(xiàn)出類似于植被的光譜特征。

衛(wèi)星遙感手段可以實(shí)時、準(zhǔn)實(shí)時地進(jìn)行藻華的大面積監(jiān)測，有助于快速判斷整個湖泊的藻華堆積情況，為全面評估藍(lán)藻情勢、藻華預(yù)測預(yù)警提供數(shù)據(jù)支撐（段洪濤 等，2022）。大量研究已經(jīng)采用多種光學(xué)衛(wèi)星遙感數(shù)據(jù)開展了全球范圍（Ho等，2019）、全國湖庫（Song 等，2021）、典型湖庫，例如，太湖（Duan 等，2009；Qi 等，2018）、巢湖（劉海秋 等，2021）、滇池（胡琳 等，2021）、呼倫湖（曹萌萌，2021）、于橋水庫（岳昂 等，2020；房旭 等，2018）等的藻華暴發(fā)面積、發(fā)生頻率、時空演變規(guī)律等研究。湖泊藻華衛(wèi)星遙感監(jiān)測的常用數(shù)據(jù)包括中等空間分辨率（Aqua/Terra-MODIS、SNPP-VIIRS、Sentinel 3-OLCI、COMS-GOCI 等）和中高空間分辨率（Landsat 系列-TM/ETM+/OLI、Sentinel 2-MSI、HJ 1-CCD、高分系列-WFV 等）。在藻華暴發(fā)頻繁的大型湖泊，如太湖、巢湖，藻華業(yè)務(wù)化監(jiān)測一般使用上午星和下午星觀測的MODIS 數(shù)據(jù)。但是，對滇池、星云湖等中小型湖泊，中低空間分辨率數(shù)據(jù)覆蓋湖泊的像元數(shù)較少，當(dāng)藻華呈條帶狀時，難以呈現(xiàn)其細(xì)節(jié)，增加了藻華遙感監(jiān)測的不確定性。國產(chǎn)海洋一號C、D 衛(wèi)星（HY-1C/D）搭載的CZI 傳感器，具有50 m 的星下點(diǎn)空間分辨率，3 d 過境一次，上下午星成像，具有與OLI 相當(dāng)、優(yōu)于MSI 的信噪比（Cao 等，2021），在使用多源衛(wèi)星數(shù)據(jù)進(jìn)行湖泊藻華業(yè)務(wù)化監(jiān)測方面具有優(yōu)勢，可以很大程度上解決中高分辨率衛(wèi)星時間和空間分辨率不能兼顧的問題。

湖泊藻華識別算法主要有早期的單波段、波段差值、波段比值等方法（Ho 等，2017；Duan 等，2009），后來以光譜基線法（Wynne 等，2010）、決策樹（Oyama 等，2015）、機(jī)器學(xué)習(xí)（de Lucia Lobo等，2021；Zong 等，2019；Qiu 等，2018）等方法為主。按照遙感數(shù)據(jù)的波段設(shè)置特點(diǎn)，可以把已有的藻華提取指數(shù)分為3 大類：（1）寬波段傳感器數(shù)據(jù)只有藍(lán)、綠、紅波段和一個近紅外波段NIR（near infrared）（如CCD、WFV、CZI 等），可以使用DVI（Difference Vegetation Index）、NDVI（Normalized Difference Vegetation Index）（Rouse 等，1974）、RDI（Red Tide algal blooms）（Shen 等，2019）、VB-FAH（Virtual Baseline Floating macroAlgae Height）（Xing 和Hu，2016）等利用單一近紅外波段和紅綠藍(lán)波段建立的指數(shù)；（2）具有兩個或以上近紅外波段NIR、沒有短波紅外波段SWIR（short-wave infrared）的數(shù)據(jù)，例如GOCI、OLCI，通常使用AFAI（Alternative Floating Algae Index）（Qi 等，2018）、MCI（Maximum Chlorophyll Index）（Gower 等，2005）、MPH（Maximum Peak-Height）（Matthews 等，2012；Matthews 和Odermatt，2015）、IGAG（Index of floating Green Algae for GOCI）（Son等，2012）等指數(shù)；（3）對于具有至少一個NIR和SWIR 波段的數(shù)據(jù)，如OLI、MSI、MODIS、VIIRS等，可以使用FAI（Floating Algae Index）（Hu，2009）等基于近紅外和短波紅外波段構(gòu)建的指數(shù)。

由于CZI 傳感器缺少SWIR 波段，難以進(jìn)行基于SWIR 外推的內(nèi)陸水體精確大氣校正，或者設(shè)計(jì)規(guī)避部分大氣影響的藻華提取指數(shù)。本文以HY-1C/1D CZI 傳感器為數(shù)據(jù)源，比較了NDVI、DVI、VB-FAH 等已有的藻華識別指數(shù)，發(fā)展了以綠光、近紅外波段為基線的藻華識別指數(shù)AFAH（Adjusted Floating Algae Height），在有效提取漂浮藻華的同時，該指數(shù)對太陽耀斑、云、氣溶膠厚度等不敏感；分析了2019年7月到2021年7月太湖、巢湖、滇池、星云湖的藻華發(fā)生頻率的空間分布；討論了不同的閾值設(shè)置方式和像元分辨率變化對藻華提取結(jié)果的影響。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)

選取了長江中下游的太湖、巢湖和云貴高原的滇池、星云湖這4個富營養(yǎng)化程度較高的湖泊為研究區(qū)（圖1）。太湖（2425 km2）、巢湖（769 km2）是長江下游典型的淺水湖泊，水體渾濁，平均透明度＜0.50 m，富營養(yǎng)化程度較高，平均懸浮物濃度分別為60.85 g/m3、45.52 g/m3，平均葉綠素a 濃度分別為34.68 mg/m3、 38.37 mg/m3（Xue 等，2019）；滇池位于云南省昆明市城區(qū)，面積330 km2，平均水深5 m，2019年6月1日采樣的平均葉綠素a濃度為71.5 mg/m3；星云湖（34.7 km2）是云南典型的淺水富營養(yǎng)化湖泊，平均水深7 m，2018年采樣數(shù)據(jù)的平均葉綠素a 濃度為73.9 mg/m3，藻華暴發(fā)頻繁。

圖1 基于CZI數(shù)據(jù)真彩色合成的巢湖，星云湖，滇池，太湖影像，其中巢湖位于安徽省，星云湖、滇池位于云南省，太湖位于江蘇省Fig.1 Ttrue color images of Lake Chaohu，Lake Xingyun，Lake Dianchi，and Lake Taihu based on CZI data.Lake Chaohu is in Anhui Province，Lake Xingyun and Lake Dianchi are in Yunnan Province，and Lake Taihu is in Jiangsu Province

2.2 遙感數(shù)據(jù)預(yù)處理

海洋1 號C 星和D 星（HY-1C、HY-1D）分別于2018年9月7日、2020年6月11日發(fā)射，采用上午星、下午星組網(wǎng)的方式運(yùn)行，其搭載的海岸帶成像儀CZI 傳感器，幅寬大于950 km，星下點(diǎn)具有50 m 的空間分辨率、3 d 過境一次（兩顆衛(wèi)星同一天過境），具有優(yōu)于Landsat 8 OLI（16 d）和Sentinel-2 MSI（5 d）的時間分辨率。CZI傳感器設(shè)置了4個波段，分別為420—500 nm、520—600 nm、610—690 nm、760—890 nm，中心波長為460 nm、560 nm、650 nm、825 nm。

在海洋衛(wèi)星數(shù)據(jù)分發(fā)系統(tǒng)（https：//osdds.nsoas.org.cn/#/）下載2019年7月1日到2021年7月31日覆蓋研究區(qū)的無云HY-1C/D CZI 傳感器的L1B數(shù)據(jù)。海洋衛(wèi)星數(shù)據(jù)分發(fā)系統(tǒng)提供了L2A級別的經(jīng)過瑞利校正的遙感反射率Rrc數(shù)據(jù)，但是在內(nèi)陸湖泊的藻華經(jīng)常被自動掩膜。本文下載CZI 的L1B數(shù)據(jù)，目視挑選無云的影像。太湖、巢湖、滇池、星云湖4個湖泊的可用無云影像分別有117期、146 期、91 期、95 期。從每個月份的可用影像數(shù)量來看，長江中下游的梅雨季和云南雨季造成了研究區(qū)在6月到9月的有效數(shù)據(jù)較少（圖2）。

圖2 太湖、巢湖、滇池、星云湖的無云CZI影像數(shù)量統(tǒng)計(jì)Fig.2 The number of cloudless images in Lake Taihu，Lake Chaohu，Lake Dianchi，and Lake Xingyun

利用Python 的GDAL（version 3.0.2，https：//gdal.org［2021-11-22］）程序包對CZI L1B 數(shù)據(jù)進(jìn)行預(yù)處理，包括影像裁剪和幾何校正（GDAL/OGR Contributors，2022）。根據(jù)CZI 的波段設(shè)置，本文采用了湖泊矢量邊界和NDWI（Normalized Difference Water Index）（McFee-ters，1996）相結(jié)合的方式自動提取水體，然后在提取的水體邊界縮進(jìn)去掉受陸地鄰近效應(yīng)影響的2 個像元。利用Py6S（version 1.7.2）（Wilson，2013）程序包提供的6S（Second Simulation of the Satellite Signal in the Solar Spectrum）輻射傳輸模型（Vermote 等，1997）進(jìn)行了瑞利散射校正，得到經(jīng)過瑞利校正后的反射率Rrc數(shù)據(jù)，用于后續(xù)的藻華提取。

3 方 法

湖泊藻華識別過程為：基于Rrc數(shù)據(jù)，計(jì)算藻華識別指數(shù)，采用最大梯度法確定單景藻華閾值，遍歷每個像元，當(dāng)像元的藻華識別指數(shù)高于該景藻華閾值時，即標(biāo)記該像元為藻華像元，然后進(jìn)行下一個像元的判斷；其中的關(guān)鍵步驟包括藻華識別指數(shù)的選取和閾值的確定。

3.1 藻華識別指數(shù)

以MCI、MPH、FAI 等光譜基線法為基礎(chǔ)，由于藻華聚集在水面時，綠光和近紅外反射率升高，紅光寬波段（610—690 nm）以葉綠素的吸收為主，構(gòu)建了以CZI的紅光波段到綠光—近紅外波段基線的垂直距離的藻華識別指數(shù)AFAH（Adjusted Floating Algae Height）（圖3（a））：

圖3 AFAH的定義以及DVI和VB-FAH的示意Fig.3 The definition of AFAH，and DVI and VB-FAH

式中，λ2、λ3、λ4分別為綠光、紅光、近紅外波段的中心波長560 nm、650 nm、825 nm。

選擇了差值植被指數(shù)DVI、歸一化植被指數(shù)NDVI 和基于虛擬基線的藻華提取指數(shù)VB-FAH 作為參考（圖3（b））?；诩t光波段和近紅外波段的歸一化植被指數(shù)NDVI，能容易識別藍(lán)藻水華，但是受氣溶膠類型與厚度以及觀測角度等條件的影響較大（Hu，2009）。

式（2）和（3）中，Rrc（RED）、Rrc（NIR）分別為紅光和近紅外波段的Rrc數(shù)據(jù)。

針對HJ-1A CCD 數(shù)據(jù)，Xing 和Hu（2016）構(gòu)建了基于虛擬基線的指數(shù)VB-FAH 提取漂浮藻華：

式中，λ2、λ3、λ4分別為CZI 數(shù)據(jù)綠光、紅光、近紅外波段的中心波長560 nm、650 nm、825 nm。

3.2 閾值的確定

藻華識別指數(shù)閾值的確定采用了最大梯度法（Hu 等，2010），以指數(shù)AFAH 為例，利用目標(biāo)像元周圍的3×3窗口，計(jì)算AFAH的梯度ΔF：

最大梯度法根據(jù)藻華紋理的變化，把梯度變化大的像元對應(yīng)的AFAH作為閾值，為了避免水體其他信號的影響，需要事先給定純水體像元和純藻華像元的AFAH 統(tǒng)計(jì)值。統(tǒng)計(jì)了22987 個純水體像元和20574個嚴(yán)重藻華（thick algae scums）像元的樣本，確定了AFAH 藻華閾值的最小值和最大值。當(dāng)AFAH 小于0.0002 的時候，為純水體像元；AFAH 大于0.06 時為純藻華像元，不參與梯度計(jì)算；其余像元最大梯度（前1%）對應(yīng)的AFAH 均值作為該景影像的藻華識別閾值。藻華面積為藻華像元的總個數(shù)與每個像元面積的乘積之和。藻華發(fā)生頻率為時間序列中像元發(fā)生藻華的數(shù)量占像元總數(shù)量的百分比。

分類結(jié)果的驗(yàn)證采用了Kappa 系數(shù)、總體精度、藻華正確分類精度和水體正確分類精度這4個指標(biāo)評價(jià)?？傮w精度是被正確分類的像元總和除以總像元數(shù)；藻華或水體正確分類精度分別是藻華或水體被正確分類的像元數(shù)除以藻華或者水體的總像元數(shù)。

3.3 藻華識別指數(shù)的敏感性分析

在內(nèi)陸水體復(fù)雜大氣條件下進(jìn)行精確大氣校正比較困難，本文使用了CZIRrc數(shù)據(jù)進(jìn)行湖泊藻華提取，同時分析了CZIRrc數(shù)據(jù)計(jì)算的藻華識別指數(shù)對氣溶膠類型、氣溶膠厚度、太陽—觀測角度變化的敏感性?；谳椛鋫鬏斈M理論和Seadas 查找表，對巢湖野外測量的12 組水體遙感反射率光譜Rrs進(jìn)行了大氣輻射傳輸模擬（Qi 等，2014；Xue 等，2015），得到了不同氣溶膠類型、氣溶膠厚度τa（555）、太陽—觀測角度下的Rrc數(shù)據(jù)，分別計(jì)算了基于Rrc和Rrc數(shù)據(jù)的DVI、NDVI、VB-FAH和AFAH。

3.4 混合像元對藻華提取結(jié)果的影響

假設(shè)不同空間分辨率像元的Rrc可以線性疊加，不考慮其方向性，分析了像元分辨率變化對藻華提取結(jié)果的影響。對CZI的50 m的Rrc數(shù)據(jù)進(jìn)行幾何平均，得到低空間分辨率的像元Rrc值，再計(jì)算其AFAH 指數(shù)作為混合像元的值。CZI 數(shù)據(jù)50 m 的空間分辨率降尺度為100 m（2像元×2像元）到500 m（10 像元×10 像元），步長為50 m。藻華覆蓋度為一個混合像元對應(yīng)的50 m CZI 數(shù)據(jù)中藻華像元的個數(shù)占該混合像元內(nèi)50 m像元總個數(shù)的百分比。

4 結(jié) 果

4.1 不同藻華提取指數(shù)的對比

選取太湖（2020年5月3日）、滇池（2020年8月26日）、星云湖（2020年8月26日）的影像，以2 種假彩色合成圖像（RGB 波段分別為B3-B4-B1 和B4-B3-B2）為參照，對比了4 種藻華識別指數(shù)的空間分布（圖4—圖6），結(jié)果顯示，AFAH 與VB-FAH、DVI、NDVI 的空間分布趨勢一致。此外，AFAH 對高亮的非藻華水體具有抑制效果，例如，太湖梅梁灣正在建設(shè)的隧道（圖4（a）圓圈部分）。從3景影像的感興趣區(qū)（圖4（a）、5（a）、6（a）中方框）內(nèi)不同指數(shù)的統(tǒng)計(jì)直方圖來看，AFAH 與VB-FAH、DVI的直方圖分布相似，NDVI的高值所占比例較高，呈現(xiàn)出不同的直方圖分布。從以上3 景無云影像選取了27212 個樣本點(diǎn)，對藻華提取結(jié)果進(jìn)行了驗(yàn)證，4 種指數(shù)的提取結(jié)果精度均較高，Kappa系數(shù)在0.95以上，藻華正確分類精度大于0.93。

表1 不同指數(shù)的分類精度評價(jià)Table 1 Evaluation metrics of different indices

圖4 2020年5月3日太湖CZI數(shù)據(jù)的假彩色合成圖、AFAH、VB-FAH、DVI、NDVI的空間分布及感興趣區(qū)（矩形框）的4種指數(shù)直方圖分布Fig.4 False color image of CZI data，spatial distribution of AFAH，VB-FAH，DVI，and NDVI images over Lake Taihu，and histogram of the indexes in the rectangle region on May 3，2020 in detecting the floating algae

圖5 2020年8月26日滇池CZI數(shù)據(jù)的假彩色合成圖、4種指數(shù)AFAH、VB-FAH、DVI、NDVI的空間分布及感興趣區(qū)的4種指數(shù)直方圖分布Fig.5 False color image of CZI data，spatial distribution of AFAH，VB-FAH，DVI，and NDVI images，and histogram of the indexes in the rectangle region over Lake Dianchi on Autumn 26，2020 in detecting the floating algae

圖6 2020年8月26日星云湖CZI數(shù)據(jù)的假彩色合成圖、4種指數(shù)AFAH、VB-FAH、DVI、NDVI的空間分布及感興趣區(qū)的4種指數(shù)直方圖分布Fig.6 False color image of CZI data，spatial distribution of AFAH，VB-FAH，DVI，and NDVI images，and histogram of the indexes in the rectangle region over Lake Xingyun on Autumn 26，2020 in detecting the floating algae

在同時有藻華和太陽耀斑、云的非理想觀測條件下，與其他指數(shù)相比，AFAH 在太陽耀斑和薄云的區(qū)域明顯低于藻華區(qū)域（圖7）。2019年8月11日滇池東邊的太陽耀斑在AFAH 空間分布上顯示低值，可以與滇池西北部的藻華區(qū)分，太陽耀斑點(diǎn)位（#2）在綠光到近紅外波段整體提升，AFAH、VB-FAH、DVI、NDVI 值分別為0.0025、0.028、0.025、0.087；2020年10月13日星云湖VB-FAH、DVI、NDVI 的空間分布顯示湖區(qū)東北、西南的云具有與湖中心藻華區(qū)域類似的高值，而這些區(qū)域的AFAH 值較低。從#5 的Rrc光譜來看，云覆蓋的像元Rrc光譜整體抬升，4 個指數(shù)值分別為0.013、0.071、0.066、0.144。圖7（a）和7（b）的橫斷面（玫紅色橫線）左側(cè)像元代表的是條帶狀藻華，中間為水體，右側(cè)分別為云和耀斑。由于4 個指數(shù)值的范圍不一致，難以直接進(jìn)行比較，將4 個指數(shù)值分別歸一化到了0—1 范圍內(nèi)。從圖7 中歸一化后的指數(shù)可以看出，AFAH 在云和耀斑的區(qū)域值穩(wěn)定性最好，均低于其他3個指數(shù)。

圖7 太陽耀斑、云條件下的假彩色合成圖和4個指數(shù)（AFAH、VB-FAH、DVI、NDVI）對比Fig.7 Comparison between RGB，AFAH，VB-FAH，DVI，and NDVI images over Lake Dianchi on Autumn 11，2019 and Lake Xingyun on October 13，2020

利用12 組實(shí)測遙感反射率Rrs數(shù)據(jù)及其對應(yīng)的不同太陽-觀測角度、氣溶膠厚度τa（555）、氣溶膠類型的Rrc模擬數(shù)據(jù)集，分析了基于Rrs和Rrc計(jì)算的NDVI、DVI、VB-FAH、AFAH的散點(diǎn)圖（圖8），結(jié)果表明，AFAH 對太陽-觀測角度、氣溶膠厚度的敏感性低于DVI 和VB-FAH。NDVI、DVI、VB-FAH、AFAH 對4 種氣溶膠類型（r30f95v01、r50f95v01、r75f95v01 和r85f95v01）的敏感性均較低，其中AFAH 隨氣溶膠類型的變化最小?？傮w來看，AFAH（Rrs）與不同條件下的AFAH（Rrc）的R2為0.98，RMSE為0.013。

圖8 不同太陽—觀測角度、氣溶膠厚度、氣溶膠類型條件下，分別使用Rrs和Rrc計(jì)算的4個指數(shù)（NDVI、DVI、VB-FAH、AFAH）的散點(diǎn)圖Fig.8 Relationship between Rrs-based and Rrc-based DVI，NDVI，VB-FAH，and AFAH，with varying solar-viewing geometry，optical thickness，and aerosol types based on model simulations

4.2 不同閾值的藻華提取結(jié)果對比

太湖、巢湖、滇池、星云湖的無云影像中，目視挑選了發(fā)生藻華的影像共180景，利用最大梯度法得到每景影像的閾值，180 景閾值統(tǒng)計(jì)的均值μ為0.041，標(biāo)準(zhǔn)差σ 為0.013（圖9）。比較了3 種閾值確定方法：（1）最大梯度法得到每景獨(dú)立的閾值；（2）180 景閾值平均值0.041 作為固定閾值；（3）180 景數(shù)據(jù)閾值的平均值減去標(biāo)準(zhǔn)差得到0.028 作為固定閾值。結(jié)果表明，由于AFAH 的閾值分布接近正態(tài)分布，方法（1）和（2）計(jì)算的180景影像的藻華面積平均值相當(dāng)，分別為35.7 km2和35.5 km2，固定閾值為0.028 時，得到的面積均值為82.9 km2，高估接近137%。

圖9 180景有藻華影像的AFAH閾值統(tǒng)計(jì)直方圖和不同藻華閾值確定方法提取的面積統(tǒng)計(jì)結(jié)果Fig.9 Statistics of AFAH thresholds in all images for detecting floating algae and the box plots of bloom area using different AFAH thresholds

但是，固定閾值對單景藻華面積的提取結(jié)果影響較大。以2020年5月3日的太湖數(shù)據(jù)為例，采用最大梯度法得到的閾值為0.053，藻華面積為141.4 km2；當(dāng)使用均值0.041 為該景閾值時，藻華面積為217.6 km2，面積高估了53.9%；閾值為0.028時，藻華面積為248.3 km2，高估了75.6%。

因此，本文的閾值確定方法使用的是最大梯度法自動處理的結(jié)果作為每景的閾值。

4.3 藻華發(fā)生頻率空間分布

藻華發(fā)生頻率主要反映了湖泊的藻華發(fā)生的總體狀況，一般與營養(yǎng)鹽空間分布有關(guān)（張民 等，2019）。圖10為基于CZI數(shù)據(jù)的2019年7月到2021年7月太湖（N=117）、巢湖（N=146）、滇池（N=91）、星云湖（N=95）的藻華發(fā)生頻率，頻率高于5%的面積分別為609.05 km2、134.43 km2、20.91 km2、14.50 km2。夏、秋季節(jié)的有效影像數(shù)量比冬、春季節(jié)少81 景，加上藻華經(jīng)常在夏、秋季節(jié)暴發(fā)，因此，使用的影像數(shù)量季節(jié)差異也會影響藻華發(fā)生頻率的計(jì)算。

圖10 2019年7月1日到2021年7月31日太湖、巢湖、滇池、星云湖的藻華發(fā)生頻率空間分布Fig.10 Spatial distribution of bloom frequency in Lake Taihu，Lake Chaohu，Lake Dianchi，Lake Xingyun derived from CZI images from July 1，2019 to July 31，2021

從藻華的空間分布來看，太湖北部梅梁灣、竺山灣、中心湖區(qū)西部藻華發(fā)生頻率較高，與近年來太湖藍(lán)藻水華空間擴(kuò)展趨勢（張民 等，2019）、葉綠素a濃度和營養(yǎng)鹽的空間分布趨勢一致（朱廣偉等，2018）。巢湖藻華主要集中在西湖區(qū)，巢湖東北部也有區(qū)域藻華發(fā)生頻率高于5%，與基于MODIS數(shù)據(jù)的巢湖藻華研究結(jié)果一致（祁國華 等，2021；胡旻琪 等，2018）。本研究的數(shù)據(jù)顯示滇池、星云湖藻華發(fā)生頻率整體較高，沒有明顯的區(qū)域差異，呈分散狀全湖分布的特點(diǎn)。滇池、星云湖位于云貴高原，與位于東部平原的太湖、巢湖相比，面積小、冬春季節(jié)氣溫高，另外滇池總氮、總磷、富營養(yǎng)化狀態(tài)更高（王菁晗 等，2018），促使滇池更易發(fā)生藻華。已有研究也指出星云湖微囊藻密度及優(yōu)勢度均維持在較高水平（劉紹俊 等，2021）。

5 討 論

AFAH 是基于綠、紅、近紅外寬波段數(shù)據(jù)建立的基線法指數(shù)，葉綠素濃度升高時，綠光反射增大，紅光是葉綠素的反射谷，藻華發(fā)生時，近紅外波段抬升，因此，紅光到綠光和近紅外波段的基線，可以反映漂浮藻華的光譜特征（Hu，2009；Xing和Hu，2016）。在太湖東部的水生植被區(qū)，尤其是浮葉植被，具有類似植被的特征（李云梅 等，2022），本文在太湖東部可能出現(xiàn)水生植被的區(qū)域做了掩膜，不考慮浮葉植被的情況。在太陽耀斑、云等非理想條件下，光譜曲線整體抬升，AFAH 值受光譜數(shù)值變化的影響較小。

由于高空間分辨率的衛(wèi)星數(shù)據(jù)重訪時間普遍較長，一般是幾天甚至十幾天，多源數(shù)據(jù)協(xié)同觀測在提供藻華監(jiān)測便利的同時，也面臨著不同傳感器數(shù)據(jù)空間分辨率、光譜分辨率不一致引起的不確定性（Shen 等，2019）。不同時相、不同空間分辨率遙感數(shù)據(jù)提取的藻華面積，不僅包含了藻華本身的面積變化，還具有像元分辨率不一致、傳感器輻射特性等因素引起的不確定性（馮煉，2021）。

將50 m 的CZIRrc數(shù)據(jù)重采樣為低空間分辨率數(shù)據(jù)，討論了像元分辨率變化引起的藻華提取結(jié)果的不確定性。50 m 空間分辨率的CZIRrc數(shù)據(jù)，以50 m為步長，降尺度到500 m，假設(shè)低空間分辨率的混合像元Rrc值為所對應(yīng)的50 m 像元的Rrc的幾何平均；再分別計(jì)算不同像元分辨率數(shù)據(jù)的AFAH，模擬了像元尺度變化對閾值和藻華面積的影響（圖11）。圖11 中面積Ⅰ代表不同像元分辨率數(shù)據(jù)利用最大梯度法確定閾值后得到的藻華面積；面積Ⅱ?yàn)橐?0 m 的藻華提取結(jié)果為基準(zhǔn)，當(dāng)混合像元內(nèi)的50 m藻華像元占比≥50%時，該像元為藻華像元；面積Ⅲ為混合像元內(nèi)藻華像元百分比與像元面積的乘積之和。隨著空間分辨率降低，藻華邊緣的混合像元被掩蓋，導(dǎo)致藻華面積Ⅱ和Ⅲ呈下降趨勢；面積Ⅰ與面積Ⅲ的差值為不同像元分辨率數(shù)據(jù)使用最大梯度法提取藻華面積引入的不確定性。在高空間分辨率的影像上，最大梯度法可以很容易的提取漂浮藻華，而在250 m 或500 m 影像上，信號平均導(dǎo)致AFAH 梯度下降，容易把低百分比的藻華也算作漂浮藻華。因此，大中型湖泊在使用中低空間分辨率的遙感數(shù)據(jù)進(jìn)行藻華監(jiān)測時，建議采用像元分解的方法降低混合像元帶來的誤差；中小湖泊的藻華監(jiān)測則需要使用高空間分辨率的數(shù)據(jù)進(jìn)行多傳感器的聯(lián)合監(jiān)測。

圖11 2020年5月3日、2021年6月6日太湖不同像元分辨率的藻華面積提取結(jié)果以及2020年5月3日、2021年6月6日閾值和藻華提取面積隨像元分辨率的變化Fig.11 Floating bloom of Lake Taihu extracted from images with different pixel resolution on May 3，2020 and June 6，2021，and threshold value and area coverage of floating bloom at different pixel resolutions

6 結(jié) 論

根據(jù)藻華在CZIRrc數(shù)據(jù)的綠光、紅光、近紅外波段的光譜特征，本文構(gòu)建了藻華識別指數(shù)AFAH，通過與NDVI、DVI、VB-FAH 對比，在無云的理想條件下AFAH 與NDVI、DVI、VB-FAH的提取結(jié)果精度均較高，Kappa 系數(shù)在0.95 以上，藻華正確分類精度大于0.93。AFAH 的優(yōu)勢是對太陽耀斑、云等敏感度低，可以一定程度上避免這些像元誤判為藻華。對180 景無云有藻華的數(shù)據(jù)，使用最大梯度法確定了每景的AFAH 藻華識別閾值，均值為0.041，標(biāo)準(zhǔn)差為0.013；如果使用閾值的均值0.041 作為固定閾值應(yīng)用到所有數(shù)據(jù)會導(dǎo)致單景數(shù)據(jù)誤差較大，使用0.028 作為固定閾值會導(dǎo)致總體高估137%。2019年7月到2021年7月太湖、巢湖、滇池、洱海藻華暴發(fā)頻率大于5%的面積分別為609.05 km2、134.43 km2、20.91 km2、14.50 km2。太湖藻華主要分布在竺山灣、梅梁灣和太湖西部，巢湖西部藻華暴發(fā)頻次較高，滇池和星云湖呈全湖分散狀分布。本文探究了國產(chǎn)衛(wèi)星HY-1C/1D CZI數(shù)據(jù)在大中小型湖泊的藻華識別過程，該指數(shù)可以擴(kuò)展應(yīng)用于只有紅、綠、藍(lán)和一個近紅外波段的寬波段遙感數(shù)據(jù)。隨著越來越多的陸地衛(wèi)星的發(fā)射，多源數(shù)據(jù)協(xié)同觀測可以提高中高空間分辨率數(shù)據(jù)的覆蓋頻次，為內(nèi)陸湖庫水環(huán)境參數(shù)的遙感監(jiān)測提供重要數(shù)據(jù)支撐。

志 謝此次數(shù)據(jù)獲取得到了國家海洋衛(wèi)星應(yīng)用中心、國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心湖泊—流域分中心（http：//lake.geodata.cn）的支持。