武漢市南湖2000—2021年水域面積時空變化分析

摘要 基于Landsat衛(wèi)星數(shù)據(jù)，采用波段比值法獲取2000—2021年武漢市南湖水域面積，分析南湖水域面積時空變化。結(jié)果表明：南湖2003年水域面積最大，水域面積在2000—2007年呈現(xiàn)縮小，2008—2012年呈現(xiàn)增大，2013—2021年又呈現(xiàn)縮小，南湖治理時間與水域面積增大時間點重合，說明湖泊治理取得了成效。南湖2000—2021年水域面積整體呈現(xiàn)縮小，面積縮小總量為1.02 km2，且北面、東面的面積縮小變化最為明顯，南湖水域面積在2004—2005年呈現(xiàn)突變性快速縮小。南湖水域面積與蒸發(fā)量存在正相關(guān)，南湖水域面積與氣溫存在負相關(guān)。指數(shù)平滑模型和神經(jīng)網(wǎng)絡(luò)模型（LSTM）都能預(yù)測南湖水域面積，且水域面積在2022—2024年呈現(xiàn)增大，但指數(shù)平滑模型預(yù)測結(jié)果更準確。

關(guān)鍵詞 Landsat衛(wèi)星數(shù)據(jù)；水域面積；時空變化；相關(guān)性；武漢市南湖

中圖分類號 K928.43 文獻標識碼 A 文章編號 0517-6611（2024）17-0072-04

doi：10.3969/j.issn.0517-6611.2024.17.015

Analysis of Spatiotemporal Changes in Water Area of South Lake from 2000 to 2021 in Wuhan City

YIN Zong-min，YANG Yu-long，SUN Chen et al

（Wuhan Geological Survey Center of China Geological Survey，Wuhan，Hubei 430205）

Abstract Based on Landsat satellite data，the band ratio method was used to obtain the water area of South Lake in Wuhan City from 2000 to 2021，and the spatiotemporal changes of the water area of South Lake were analyzed.The results showed that in 2003，South Lake had its largest water area，with a decrease in water area during 2000-2007，an increase during 2008-2012，and another decrease during 2013-2021.The timing of South Lake’s management coincides with the period of increased water area，indicating the effectiveness of lake management.Overall，the water area of South Lake decreased from 2000 to 2021，with a total reduction of 1.02 km2.The most significant reductions occurred on the northern and eastern sides，and there was a rapid and abrupt decrease in South Lake’s area during 2004-2005.South Lake’s water area changes exhibit a positive correlation with evaporation，and a negative correlation with temperature.Both the exponential smoothing model and the long short-term memory （LSTM） neural network model could predict South Lake’s surface area.The water area was projected to increase from 2022 to 2024.However，the predictions from the exponential smoothing model were more accurate.

Key words Landsat satellite data;Water area;Spatiotemporal change;Correlation;South Lake in Wuhan City

基金項目 國家自然科學(xué)基金項目（42107485）。

作者簡介 殷宗敏（1992—），男，江西廬山人，工程師，碩士，從事地質(zhì)遙感、GIS數(shù)據(jù)分析方面的研究。通信作者，高級工程師，碩士，從事自然資源督察技術(shù)方面的研究。

收稿日期 2023-10-09

武漢市南湖作為武漢市第三大城中湖，其面積變化與周邊生態(tài)環(huán)境密切相關(guān)，南湖面積縮小和消失會影響武漢地區(qū)的水資源供應(yīng)和生態(tài)系統(tǒng)平衡，因此研究南湖面積變化趨勢對環(huán)境保護和地區(qū)生態(tài)可持續(xù)性具有重要的意義。同時治理南湖污染，一直是人們關(guān)注的焦點問題。

湖泊面積的提取有多種方法：①基于紋理特征的方法，利用紋理特征來提取水體，湖泊水體的紋理特征和周圍陸地不同，通過分析影像中像素的紋理信息，可以將水體從陸地分離出來；該方法的優(yōu)點是適用于不同分辨率和不同湖泊類型的遙感影像，且不受光照、云層等干擾，缺點是提取精度受多種因素影響，如湖泊表面波動、水深等，可能會出現(xiàn)一些誤判的情況［1］。②基于水體邊界檢測的方法，利用邊緣檢測算法提取湖泊邊緣，再根據(jù)邊緣像素確定湖泊范圍，這種方法能夠較好地保留湖泊的形狀，但是對湖泊內(nèi)部的細節(jié)信息提取不夠精確，該方法需要選用適當(dāng)?shù)倪吘墮z測算法，如Canny算子等，還需要對提取結(jié)果進行后期處理，去除噪聲等干擾［2］。③基于深度學(xué)習(xí)的方法，通過利用深度學(xué)習(xí)算法對大量的遙感影像進行訓(xùn)練，實現(xiàn)高精度的湖泊提??；這種方法的優(yōu)點是準確率高，可以適應(yīng)不同的湖泊類型和復(fù)雜的地形地貌，但是需要大量的訓(xùn)練數(shù)據(jù)和計算資源，并需要專業(yè)的領(lǐng)域知識和技能［3］。

國內(nèi)外對湖泊面積時空變化已有許多研究，如利用LSTM、ConvLSTM等深度學(xué)習(xí)模型，建立湖泊變化的時間序列模型，實現(xiàn)了對湖泊范圍更精細和連續(xù)的動態(tài)監(jiān)測，能夠提取出季節(jié)性、年際變化規(guī)律［4］；通過融合不同時相、不同分辨率的光學(xué)、雷達衛(wèi)星數(shù)據(jù)，實現(xiàn)了湖泊變化的高時間分辨率連續(xù)監(jiān)測［5］;基于提取的湖泊面積變化時間序列，結(jié)合氣候、環(huán)境和人類活動統(tǒng)計數(shù)據(jù)，揭示氣候變化和人為活動對湖泊變化的影響機制［6］;利用深度學(xué)習(xí)模型，融合多源異構(gòu)數(shù)據(jù)，建立了關(guān)鍵時段的湖泊面積變化預(yù)測模型，實現(xiàn)了對超出閾值變化的預(yù)警，為湖泊資源保護提供支撐［7］。

該研究使用Landsat衛(wèi)星數(shù)據(jù)，對數(shù)據(jù)進行去云、大氣校正、輻射校正等處理，采用波段比值和閾值的方法，實現(xiàn)對水體和非水體的分類，并對獲取的南湖多年水域面積進行時間序列分析及驅(qū)動因子分析，探討南湖水體范圍的時空變化情況。

1 資料與方法

1.1 基于波段比值的湖泊提取

在進行湖泊范圍提取時，選擇某個特定波段或者波段組合，利用其特有的反射率或者亮度信息來進行湖泊區(qū)域的提?。?］。在基于波段比值的方法中，常采用標準化差異水體指數(shù)（normalized difference water index，NDWI）來提取湖泊區(qū)域。NDWI是利用近紅外波段和綠色波段之間的差異來反映水體含量的指數(shù)，計算公式如下：

NDWI = （Green - NIR） / （Green + NIR）

其中，Green和NIR分別代表綠色波段和近紅外波段的反射率。通過設(shè)定一個閾值，將NDWI圖像中大于該閾值的像元視為湖泊區(qū)域［9］。

1.2 M-K檢驗

M-K（Mann-Kendall）檢驗常用于環(huán)境科學(xué)、水文學(xué)、農(nóng)業(yè)科學(xué)等領(lǐng)域，用于評估氣候變化、降水量變化、土壤侵蝕等的變化趨勢。M-K檢驗是一種統(tǒng)計檢驗方法，用于檢驗一組數(shù)據(jù)是否存在顯著趨勢，主要用于識別一組序列數(shù)據(jù)中的單調(diào)趨勢，通過判斷Z值是否超出統(tǒng)計學(xué)上的顯著性水平，來評估這種趨勢的顯著性，根據(jù)標準正態(tài)分布的性質(zhì)，如果Z值大于1.96，則可以拒絕原假設(shè)，認為存在趨勢［10］。

M-K檢驗值反映了數(shù)據(jù)變化的趨勢，其值越大表示趨勢越顯著，其值越小表示趨勢越不顯著；而M-K檢驗值的正負則表明趨勢的方向，正值表示上升趨勢，負值表示下降趨勢。UF-UB曲線是一種用于探測時間序列數(shù)據(jù)是否存在突變的方法，通過計算每個時間點上的UF和UB值，UF代表上升趨勢的強度，其值越高表明趨勢越強，而UB代表下降趨勢的強度，其值越高表明趨勢越強，如果2條曲線在某個時間點上相交，表明在這個時間點上存在突變［11］。

1.3 時間序列預(yù)測模型

處理時間序列預(yù)測問題時存在多種方法，該研究使用ARIMA模型、指數(shù)平滑模型和神經(jīng)網(wǎng)絡(luò)模型（LSTM），其中ARIMA模型是一種經(jīng)典的時間序列預(yù)測方法，它結(jié)合了自回歸（AR）和移動平均（MA）的概念［12］，AR部分考慮了時間序列中過去觀測值的線性組合，而MA部分考慮了過去觀測值的誤差項的線性組合；ARIMA模型還包括一個積分項，用于處理非平穩(wěn)時間序列［13］。

指數(shù)平滑模型是一種適用于時間序列預(yù)測的統(tǒng)計方法，用于處理具有趨勢和季節(jié)性成分的數(shù)據(jù)，該方法擴展了簡單的指數(shù)平滑，包括水平、趨勢和季節(jié)性3個主要組件，通過對過去觀測值的加權(quán)平均來預(yù)測未來值，具有較好的適應(yīng)性，可以捕捉數(shù)據(jù)的長期趨勢和季節(jié)性［14］。LSTM是一種深度學(xué)習(xí)模型，特別適用于處理序列數(shù)據(jù)，包括時間序列，LSTM具有內(nèi)部狀態(tài)和記憶單元，能夠捕捉長期依賴關(guān)系，因此適用于處理具有復(fù)雜動態(tài)模式的時間序列數(shù)據(jù)，LSTM模型在處理非線性和復(fù)雜的時間序列數(shù)據(jù)方面表現(xiàn)出色［15］。

2 結(jié)果與分析

2.1 水域面積變化 統(tǒng)計2000—2021年南湖水域面積發(fā)現(xiàn)，2003年南湖水域面積最大，為9.32 km2，其次是2000年，為9.25 km2。對南湖水域面積進行時間序列分析，發(fā)現(xiàn)2000—2007年水域面積呈現(xiàn)減少趨勢，2008—2012年呈現(xiàn)增加趨勢，2013—2021年又呈現(xiàn)減少趨勢。查詢資料發(fā)現(xiàn)，南湖治污工程用3年分3期進行，2006年堵截24個主要排污口污水入湖；2007年雨季，建成、完善龍王嘴、黃家湖、湯遜湖污水處理廠及收集系統(tǒng)，處理周邊污水，完善配套項目，使湖泊水質(zhì)惡化趨勢得到遏制；2009年3月華中農(nóng)業(yè)大學(xué)南湖截污工程正式啟動，實現(xiàn)清水入湖。南湖治理時間正好與水域面積增加時間點重合，說明湖泊治理取得了成效。

從圖1可以看出，2000—2004年南湖北部區(qū)域存在眾多離散的小水域，但2005年以后，這些區(qū)域就不存在了，影像顯示該區(qū)域已經(jīng)進行城鎮(zhèn)開發(fā)。南湖在2008年以后水域面積又呈現(xiàn)變化，影像顯示其西北角新增一個人工開挖的水域面積，但總體而言其周邊離散水域呈現(xiàn)縮小趨勢。

南湖2000年和2021年的水域面積對比如圖2所示，可以看出這22年間南湖水域面積呈現(xiàn)縮小趨勢，面積縮小總量為1.02 km2;南湖北面、東面的面積縮小變化最為明顯，除西面人工開挖水域外，其南部水域面積呈現(xiàn)少量增加。

2.2 相關(guān)分析

從南湖區(qū)域2000—2020年水域面積與降水量、氣溫、蒸發(fā)量的變化曲線（圖3）可以看出，降水量與南湖水域面積之間的關(guān)系不明顯。南湖水域面積與蒸發(fā)量存在正相關(guān)，南湖水域面積越大，蒸發(fā)面積越大，蒸發(fā)量越大。南湖水域面積與氣溫存在明顯的負相關(guān)，即氣溫越高，湖泊水域面積越小，如2007、2019年等；氣溫越低，南湖水域面積越大，如2003、2012年等。

整理南湖治理的相關(guān)新聞報道發(fā)現(xiàn)，自20世紀90年代以來，武漢市政府先后投入了超過10億元用于南湖環(huán)境治理和生態(tài)修復(fù)；2005年武漢市出臺了《武漢市湖泊保護條例》等法規(guī)，加強南湖生態(tài)環(huán)境管理和保護；2008年武漢市啟動了南湖水環(huán)境綜合治理工程，計劃總投資約12.5億元，用于治理南湖內(nèi)部污染，恢復(fù)南湖水體自凈能力；2011—2015年，武漢市政府投資約3.6億元用于南湖濕地保護和修復(fù)工

程；2016—2020年，武漢市政府投資10億元繼續(xù)推進南湖生態(tài)系統(tǒng)修復(fù)工作。從南湖的水域面積與治理資金投入（圖4）可以看出，在2008和2016年治理資金投入增加，南湖水域面積呈現(xiàn)明顯的增大趨勢，說明治理成效顯著。

2.3 M-K檢驗

通過對2000—2020年南湖水域面積數(shù)據(jù)進行M-K檢驗，結(jié)果如圖5所示，計算參數(shù)結(jié)果顯示，Z值為3.03，大于1.96，說明南湖水域面積數(shù)據(jù)存在變化趨勢。M-K檢驗值為-5.52，說明南湖水域面積存在減少趨勢，在2004—2005年曲線存在交點，交點值小于0，說明存在持續(xù)下降趨勢，交點在置信水平區(qū)間［-1.96，1.96］內(nèi)，說明2004—2005年南湖水域面積呈現(xiàn)突變性減少的狀態(tài)。

2.4 時間序列預(yù)測 利用2000—2021年南湖水域面積作為樣本數(shù)據(jù)，采用ARIMA模型、指數(shù)平滑模型、神經(jīng)網(wǎng)絡(luò)模型（LSTM）預(yù)測2022—2024年水域面積，結(jié)果如圖6所示。3種方法的預(yù)測結(jié)果顯示ARIMA模型、指數(shù)平滑模型預(yù)測結(jié)果較為靠近，后者存在波動，更符合實際；LSTM預(yù)測結(jié)果與ARIMA模型、指數(shù)平滑模型的預(yù)測結(jié)果差別較大，LSTM預(yù)測水域面積增加趨勢更明顯。通過解譯2022年遙感影像，統(tǒng)計的南湖水域面積為7.9 km2，發(fā)現(xiàn)指數(shù)平滑模型的預(yù)測結(jié)果更為準確。

3 結(jié)論

（1）南湖2003年水域面積為9.32 km2，面積最大。南湖水域面積在2000—2007年呈現(xiàn)減少趨勢，2008—2012年呈現(xiàn)增加趨勢，在2013—2021年又呈現(xiàn)減少趨勢，南湖治理時間正好與水域面積增加時間點重合，說明湖泊治理取得了成效。

（2）2000—2021年南湖水域面積呈現(xiàn)縮小趨勢，面積縮小總量為1.02 km2，且北面、東面的面積縮小變化最為明顯。南湖北部區(qū)域的小水域被城鎮(zhèn)開發(fā)所取代，而其西北角新開

挖的水域則服務(wù)于居民休閑娛樂。

（3）降水量影響南湖水域面積變化；南湖水域面積與蒸發(fā)量存在正相關(guān)，南湖水域面積影響蒸發(fā)量變化；南湖水域面積與氣溫存在負相關(guān)，氣溫變化影響南湖水域面積的變化；在2008和2016年治理資金投入增加使得南湖水域面積呈現(xiàn)明顯增大，說明治理成效顯著。

（4）M-K檢驗表明南湖水域面積存在減少趨勢，2004—2005年南湖水域面積呈現(xiàn)突變性減少的狀態(tài)。

（5）基于南湖2000—2021年水域面積進行預(yù)測，指數(shù)平滑模型和神經(jīng)網(wǎng)絡(luò)模型（LSTM）均預(yù)測了水域面積增加的趨勢，但指數(shù)平滑模型預(yù)測結(jié)果更準確。

參考文獻

［1］

李小濤，黃詩峰，郭懷軒.基于紋理特征的SPOT 5影像水體提取方法研究［J］.人民黃河，2010，32（12）：5-6.

［2］ 周柯.基于Landsat影像的青藏高原東北部典型湖泊面積時序變化研究［D］.北京：中國地質(zhì)大學(xué)（北京），2019.

［3］ RINGLER C，BHADURI A，LAWFORD R.The nexus across water，energy，land and food （WELF）：Potential for improved resource use efficiency［J］.Current opinion in environmental sustainability，2013，5（6）：617-624.

［4］ 趙建平，邢亞利，陳彥兵，等.基于RS和GIS的內(nèi)蒙古錫林郭勒盟湖泊面積變化分析［J］.干旱區(qū)研究，2016，33（1）：129-135.

［5］ HADDELAND I，HEINKE J，BIEMANS H，et al.Global water resources affected by human interventions and climate change［J］.Proceedings of the national academy of sciences，2014，111（9）：3251-3256.

［6］ WADA Y，WISSER D，BIERKENS M F P.Global modeling of withdrawal，allocation and consumptive use of surface water and groundwater resources［J］.Earth system dynamics，2014，5（1）：15-40.

［7］ 陳超，李強，王波，等.基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率湖泊識別［J］.農(nóng)業(yè)工程學(xué)報，2021，37（7）：223-231.

［8］ SONG C，HUANG B，KE L.Modeling the impact of climate change on the water level of Nam Co Lake，Tibetan Plateau［J］.Journal of geographical sciences，2014，24（2）：283-298.

［9］ 王麗，李曉明，范欣欣，等.基于Landsat時序圖像的洞庭湖面積變化分析［J］.干旱區(qū)地理，2013，36（4）：568-574.

［10］ 張洪波，李哲浩，席秋義，等.基于改進過白化的Mann-Kendall趨勢檢驗法［J］.水力發(fā)電學(xué)報，2018，37（6）：34-46.

［11］ 王孟本，范曉輝.山西省近50年氣溫和降水變化基本特征研究［J］.山西大學(xué)學(xué)報（自然科學(xué)版），2009，32（4）：640-648.

［12］ 龍宇，許浩然，余華云等.基于ARIMA-LSTM-XGBoost組合模型的鐵路貨運量預(yù)測［J］.科學(xué)技術(shù)與工程，2023，23（25）：10879-10886.

［13］ 丁嚴，許德合，曹連海，等.基于CEEMD的LSTM和ARIMA模型干旱預(yù)測適用性研究：以新疆為例［J］.干旱區(qū)研究，2022，39（3）：734-744.

［14］ 劉偉軍，黃志梁.基于指數(shù)平滑和PSO-BP混合模型的建筑工程造價指數(shù)預(yù)測［J］.武漢理工大學(xué)學(xué)報（信息與管理工程版），2023，45（3）：404-409.

［15］ 許滔滔，王中興，肖卓偉，等.基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的大地電磁工頻干擾壓制［J］.地球物理學(xué)進展，2020，35（5）：2016-2022.