基于天地協同的巢湖水華分布特征分析

趙 煥,朱 利,吳傳慶,孟 斌,周亞明,賈 興 (環境保護部衛星環境應用中心,北京 100094)

水華是一種由水體富營養化引起藻類大量繁殖的自然生態現象.近年來,受人為活動和自然氣候變化影響,巢湖經常暴發大面積水華.遙感手段監測具有客觀,大范圍,快速,連續,動態和直觀性等特點,遙感技術可以較好監測水華的時空差異性和分布特征.國內外很多學者利用遙感監測湖庫的水華分布. NOAA,MERIS或MODIS等高時間分辨率衛星遙感影像數據,具有較好的探測湖庫水華暴發的能力,可通過多時相遙感數據分析湖庫不同區域,不同季節水華出現的概率[1-3].NDVI[4]方法和 FAI[5]指數方法,被用于研究巢湖藍藻起始時間,持續時間,覆蓋度和空間分布頻率等,揭示藍藻水華時空分布規律.波段比值,插值等方法,被用于提取不同歷史時期的太湖藍藻水華[6].

除了衛星遙感,地面水質參數現場檢測對于研究水華形成原因[7-10]、水華預警、評價湖泊富營養化[11]及水質狀況[13]具有重要意義.水質參數實測數據可以用于研究巢湖營養物質存在時空差異性[13-14].此外,基于水體藻藍素等實測數據,利用 MODIS數據 建立藻藍素的估測模型也可用于預測水華發生和通過多元統計分析方法可明確與藻生物量變化最密切的參數[15-16].然而傳統的地面水質參數監測手段,無法獲取水華面積,也不便獲得多時段連續的監測數據,對于較大面積的水域,無法反應出水華的時空分布規律,有一定局限性.由于上述兩種手段的特征不同,導致各自監測和評價水華的結果有差異性.因此需要對比分析不同區域地面實測數據與遙感監測結果是否有較好的一致性.將地面水質參數與衛星遙感監測結果相結合,進行天地協同對比分析,可為環境管理提供有效支撐.

本研究利用聚類分析的方法將采樣點分組,并結合衛星遙感監測數據,分析巢湖不同區域水質特征與遙感監測水華空間變化關系,分析遙感數據與實測水質數據相關性,可以更全面,更準確,更有代表性的分析巢湖水華分布特征.

1 數據與方法

1.1 研究區概況

巢湖位于安徽省中部,屬于受人類干擾強烈的大型淺水湖泊,污染源分布廣,成因復雜.氣候為亞熱帶季風氣候,多年平均年降水量 1215mm,5～8月為汛期其降水量占年降水量一半以上[17],同時也是水華高發期,

1.2 實測水質數據與分析方法

本文的水質數據來源是環保部全國斷面水質數據,由相關環境部門于2016年4～10月,每周一次實地采樣測量,地面采樣測試數據共 33次,主要包括葉綠素a濃度,藻密度,總氮,總磷含量等.水質指標的分析測定均采用國家標準方法,具體的實驗室測量水樣指標的方法請參考《水和廢水監測分析方法》第四版[18].

2016年4～10月水質監測數據,在巢湖設12個采樣點[16,19],分別為巢湖船廠,巢湖壩口,中垾鄉,東半湖湖心,北兆河入湖區,忠廟,南淝河入湖區,塘西,派河入湖區,十五里河入湖區,西半湖湖心,新河入湖區,具體站點分布見圖1.

統計每個站點不同月份均值的數據特征.利用Q型聚類[20]的方法將各站點分類.聚類分析選用歐式距離(Euclidean距離)和離差平方和(ward)算法.Ward 法是先將集合中每個樣本自成一類,在進行類別合并時,將離差平方和增加幅度最小的兩類首先合并,直至所有樣品合并為一類.Ward法的類間距離是某兩個樣品合并后所增加的離差平方和:

Di2為第p,q的類間距離;Wr,Wp,Wq分別是第r,p,q類樣品的離差平方和.聚類分析分為Q型聚類和R型聚類,從研究對象本身確定類別數用Q型聚類,針對樣本的屬性參數分類用R型聚類,本研究暫時不需要進行屬性參數的R型聚類.

圖1 巢湖遙感影像圖及地面采樣點分布Fig.1 Remote sensing images and field sampling sites distributions in Chaohu Lake

1.3 遙感數據

MODIS是搭載在terra和aqua衛星上的一個重要傳感器,每日可獲得 2次及以上的光學數據,最大空間分辨率可達 250m,數據含紅光和近紅外 2個波段.利用 250m的 MODIS數據基于NDVI方法監測藍藻水華,無論在空間分辨率還是時間分辨率都較適合國內大中型內陸水體的藍藻水華遙感監測.

本文選擇巢湖2016年4～10月(一年中水華高發期)共211景MODIS遙感影像數據,用于提取水華面積.

1.4 水華遙感提取方法

藍藻水華與正常水體的光譜特征存在一定差異性,水華在近紅外譜段反射率存在明顯陡坡效應,因此可以利用NDVI方法(公式2)開展藍藻水華監測[4].本文利用 NDVI閾值法分割提取巢湖水華.基于巢湖每日的藍藻水華監測結果,計算水華發生頻次,為該地區水華累計次數,反映水華易發程度的大小;計算水華持續時間(天數),是該區水華最后一次發生的日期與第一次發生日期之間的天數,反應水華存在時間長短;計算水華起始日期,為地區第一次發生水華的日期,反應水華最早出現的地區差異性,進而判斷水華轉移趨勢[4].

ρnir和ρred分別代表近紅外波段和紅光波段的反射率.

2 結果與分析

2.1 水華遙感監測結果

2016年巢湖水華高發區為靠近合肥市的巢湖西北部水域和西部沿岸,發生次數均大于17次(圖 2深色區域),巢湖西北部水域及沿岸發生次數為 13～16次,巢湖東部水域中部地區水華發生次數較低集中在 1～6次.巢湖水華易發程度從靠近合肥市的西北部水域向東南部水域遞減.

圖2 巢湖2016年4～10月水華發生頻次分布Fig.2 Algal bloom frequency in Chaohu Lake from April to October in 2016

2016年巢湖水華最早出現于5月14日,面積約8km2,占巢湖總面積的1.05%,主要分布在巢湖西北部水域(圖 3).2016年巢湖水華遷移情況為:先在5月中下旬出現在西北部沿岸(靠近合肥市)和東部水域北部,隨時間推移向西南部和中部擴散,9月初水華發展至巢湖中部,東部和西南部沿岸,巢湖東南部水域是最后的新增水華區域.

從持續時間來看,水華持續天數最長的區域是巢湖西部水域的北部沿岸,西部水域,巢湖西部水域大部分地區的水華持續天數集中在 95～113d,持續天數最短的區域是東北部,中部水域的西部地區和南部沿岸部分區域(圖4).

圖3 巢湖2016年4～10月水華起始日期分布Fig.3 Initiate blooming date of algal bloom in Chaohu Lake from April to October in 2016

圖4 巢湖2016年4～10月水華持續時間分布Fig.4 Algal bloom durations in Chaohu Lake from April to October in 2016

2.2 水質數據統計與聚類分析結果

為進一步區分不同區域的采樣點差異特征,依據33次水質數據(水溫,透明度,pH值,溶解氧,高錳酸鹽指數,氨氮,總磷,總氮,葉綠素 a,藻密度)對12個監測站點進行聚類分析.首先進行標準化處理去除量綱的影響,然后通過 Q型聚類分析,聚類分析選用離差平方和(ward)算法和歐式距離(Euclidean距離)分析.結合樣點分布地理位置和Q型聚類分析結果,選取分類距離等于15時進行分組,巢湖的12個點分成2組,其中1組位于巢湖的東部,我們稱之為東區,包括:東半湖湖心,北兆河入河區,巢湖船廠,中垾鄉,巢湖壩口;另一組位于巢湖的西部,稱之為西區,包括:新河入湖區,忠廟,十五里河入湖區,塘西,西半湖湖心,派河入湖區,南淝河入湖區.東區和西區的站點具體分布情況見圖1.

2.3 采樣點對應的水華空間分布特征

結合巢湖水華頻次結果(圖 2)和監測站點對應的水華頻次,起始時間和持續時間(表1)可看出,處于西半湖的樣點如十五里河入湖區,塘西,南淝河入湖區,水華發生頻次為 9～12次,西半湖湖心,派河入湖區,水華發生頻次為5～8次,新河入湖區,忠廟,水華發生頻次為1～4次.其中巢湖西部水域的西北沿岸為水華高發區,在靠近合肥市的一些區域水華發生頻次最高為21次,占巢湖水華總頻次的33.33%;在西部水域由西向東水華發生頻次逐漸減少;東部水域水華發生次數最少.

東區中巢湖壩口和巢湖船廠未監測到明顯水華,東半湖湖心水華持續天數為 1d,北兆河入河區持續天數較多為97d,水華開始時間較早(6月16日),水華發生次數為2次;東半湖湖心,中垾鄉水華發生頻次較少,中垾鄉水華開始時間為5月30日,持續天數為28d,東半湖湖心站點水華開始時間最晚在9月20日.西區中十五里河入湖區和西半湖湖心水華開始日期較早在5月19日,同時水華持續時間和發生頻次也較高,西半湖湖心的水華持續時間最長達 131d,西半湖湖心水華開始日期最早,水華發生頻次較多,其次是南淝河入湖區.水華最早出現在西部水域中東部地區,東部水域中部地區,然后隨時間推移,水華出現區域向西部水域的西南方向和東部水域的北部方向擴散,最晚出現水華的地區為西南沿岸和東北沿岸.綜上,西區水華出現早,發生頻次較高,持續時間較長與巢湖水華遙感監測的空間分布特征相一致.

朱利等[4]只是通過遙感影像數據分析了巢湖藍藻水華的高發區,持續時間,移動趨勢等,本文將遙感數據與地面監測數據結合,利用天地數據協同分析,得出西區水質參數和水華面積相關性大,對水華監控工作有一定的實際指導意義.在巢湖藍藻水華高發的夏秋季節,可以有側重的針對西區加密采樣點布設.

表1 巢湖水質監測站點對應的水華頻次,起始時間和持續時間Table 1 Frequency, initiate date and durations of algal bloom based on the water quality monitored stations in Chaohu Lake

2.4 水質數據與水華遙感監測結果相關性分析

利用SPSS軟件對遙感監測結果水華面積與實測水質數據進行相關性分析,結果見表 2.相關分析結果表明,2016年西區水質因子與水華面積顯著相關,總磷,葉綠素和藻密度與累計水華面積呈正相關,總氮和氮磷比與累計水華面積呈負相關性,且氮磷比為顯著相關,相關系數均大于總氮和總磷;東區與水華面積等參數關系不顯著,同時西區水質參數與水華面積的相關性系數明顯大于東區的.

葉綠素a和藻密度與水華呈強相關性,是反映湖泊富營養化程度的重要表征參數[21-24].本文將葉綠素 a,藻密度和水華面積對比分析,按照上述聚類分組分別計算東區站點藻密度和葉綠素a的均值,西區站點藻密度和葉綠素a的均值和12個站點藻密度和葉綠素a的均值,如圖5所示.平均水華面積在5～10月呈現“增加～降低”的波動變化趨勢,在 7月平均水華面積最小為 21.34km2,在 9月最大為57.04km2;由圖5a可看出,5～10月東區站點藻密度變化趨勢呈現“降低～增加～降低”的波動變化趨勢,在5月藻密度最大為369萬個/L,10月藻密度最小為129萬個/L,其變化趨勢與平均水華面積變化趨勢不相符;此處,西區站點藻密度呈現“增加～降低”的波動變化趨勢,在7月最小為104萬個/L,在9月最大為1203萬個/L,變化趨勢與水華面積相一致;圖5a中藻密度在7月最小為144萬個/L,在9月最大為771萬個/L,藻密度變化趨勢為“降低～增加～降低”的波動變化趨勢,與水華面積變化趨勢一致性較差.由圖5b可看出,葉綠素a呈現降低～增加的波動變化趨勢,均在8月出現最大值,最大值分別為 6.57,8.74,7.83mg/m3,但葉綠素a的7～10月變化與水華面積變化的一致性相對較好.綜上可知,西區樣點藻密度和葉綠素與平均水華面積變化趨勢相似,相對東區,相關性系數結果有較好的一致性.

國內外研究表明,總氮,總磷是影響藻類繁殖的主要營養鹽,藍藻生物量與總氮,總磷具有顯著的相關性[25-26].太湖等內陸湖泊藍藻水華暴發時營養鹽的要求為TN＞1.26mg/L,TP＞0.082mg/L[27],而最適宜藍藻生長的氮磷比在10～30之間[28].根據圖6可知,從4～10月總磷呈現出波動中增加的趨勢,總氮呈現波動中降低的趨勢,氮磷比值也呈現波動中下降的趨勢.9月水華狀況較嚴重,東區總磷含量為0.08,接近水華暴發時總磷的閾值,西區總磷含量(0.19mg/L)明顯高于東區,高出水華暴發時總磷閾值的1.32倍;東區總氮含量為0.77,低于水華暴發時總氮閾值的38.89%,西區總氮含量(1.24mg/L)明顯高于東區,接近水華暴發時總氮閾值;在 9月東區和西區氮磷比值均為各月最低值,且沒在易發生水華的閾值范圍內,是因為 9月總磷含量增加的速度明顯高于總氮含量變化的速度.6月也發生了較大面積水華,西區的總磷(0.14mg/L),總氮(2.35mg/L)和氮磷比(16.71)均在易發生水華的閾值范圍內.因營養鹽條件較適宜藍藻生長,西區是水華易發區,與相關性系數結果有較好一致性.

表2 2016年巢湖水質參數與水華面積相關系數Table 2 Correlation coefficient between water quality parameters and algal bloom area in Chaohu Lake

本研究在利用實測水質數據和遙感影像聯合監測藍藻水華方面做了一些初探,未來還需進一步開展相關研究.首先,藍藻水華強度評價目前主要是采用兩種獨立的方法:水面實測藻密度和遙感監測水華面積,將來應研究如何將兩種方法結合綜合評價水華.其次,還可將遙感監測結果,水面實測水質數據與氣象因素[29]結合起來,研究水華的預測預警[30].

圖5 巢湖2016年4～10月平均水華面積與藻密度,葉綠素a對比Fig.5 Comparisons of monthly average algal bloom area with algal density and chlorophyll in Chaohu Lake from April to October in 2016

圖6 巢湖2016年4～10月總氮,總磷和氮磷比值Fig.6 Monthly average value of total nitrogen, total phosphorus and their ratio in Chaohu Lake from April to October in 2016

3 結論

3.1 巢湖西北部是水華高發區(發生次數在 17次以上),也是水華出現最早的區域,監測到的水華范圍由此向東南部和中部擴散,發生次數也逐漸減少.

3.2 地面監測樣點中,西半湖湖心為水華開始日期最早(5月19日)且持續時間最長(131d)的樣點;塘西為水華發生頻次最多(10次)的樣點.

3.3 水華高發區(西區)藻密度和葉綠素 a,總磷,總氮與水華面積相關性較顯著(R2均大于0.6),東區的水質參數與水華面積相關性較差.

[1]張 紅,黃 勇.基于NOAA/AVHRR衛星資料的巢湖水華規律分析 [J]. 中國環境科學, 2009,29(7):727-732.

[2]Reinart A, Kutser T. Comparison of different satellite sensors in detecting cyanobacterial bloom events in the Baltic Sea [J].Remote Sensing of Environment, 2006,102:74-85.

[3]徐京萍,張 柏,李 方,等.基于MODIS數據的太湖藻華水體識別模式 [J]. 湖泊科學, 2008,20(2):191-195.

[4]朱 利,王 橋,吳傳慶,等.巢湖水華遙感監測與年度統計分析研究 [J]. 中國環境監測, 2013,29(2):162-166.

[5]唐曉先,沈 明,段洪濤.巢湖藍藻水華時空分布(2000～2015年)[J]. 湖泊科學, 2017,29(2):276-284.

[6]段洪濤,張壽選,張淵智,等.太湖藍藻水華遙感監測方法 [J]. 湖泊科學, 2008,20(2):145-152.

[7]于 洋,彭福利,孫 聰,等.典型湖泊水華特征及相關影響因素分析 [J]. 中國環境監測, 2017,33(2):88-94.

[8]陳宇煒,秦伯強,高錫云.太湖梅梁灣藻類及相關環境因子逐步回歸統計和藍藻水華的初步預測 [J]. 湖泊科學, 2001,13(1):63-71.

[9]李 波,濮培民,韓愛民.洪澤湖水質的時空相關性分析 [J]. 湖泊科學, 2002,(3):259-266.

[10]王書航.巢湖水華時空分布特征及成因初步分析 [D]. 合肥:合肥工業大學, 2010.

[11]吳 朝.巢湖西半湖富營養化影響因子定量分析研究 [D]. 合肥:安徽農業大學, 2009.

[12]王 睿.巢湖流域水環境質量評價與水質預測模型研究 [D].合肥:合肥工業大學, 2009.

[13]吳 珺.李 浩.曹德菊,等.巢湖東半湖藍藻水華暴發時空動態及成因 [J]. 農業環境科學學報, 2013,32(10):2035-2041.

[14]賈曉會,施定基,史綿紅,等.巢湖藍藻水華形成原因探索及”優勢種光合假說”[J]. 生態學報, 2011,31(11):2968-2977.

[15]馬榮華,孔維娟,段洪濤,等.基于MODIS影像估測太湖藍藻暴發期藍藻素含量 [J]. 中國環境科學, 2009,29(3):254-260.

[16]王書航,姜 霞,金相燦.巢湖水環境因子的時空變化及對水華發生的影響 [J]. 湖泊科學, 2011,23(6):873-880.

[17]王雪蕾,王新新,朱 利,等.巢湖流域氮磷面源污染與水華空間分布遙感解析 [J]. 中國環境科學, 2015,35(5):1511-1519.

[18]國家環境保護總局《水和廢水監測分析方法》編委會.水和廢水監測分析方法,第四版 [M]. 中國環境科學出版社, 2002:596.

[19]丁 虹.巢湖 2005—2014年湖體水質狀況 [J]. 水資源開發與管理, 2016,(3):57-59.

[20]李新蕊.主成分分析,因子分析,聚類分析的比較與應用 [J]. 山東教育學院學報, 2007,22(6):23-26.

[21]劉文杰.內陸湖泊藍藻水華的遙感監測與評價研究 [D]. 北京:中國地質大學(北京), 2013.

[22]梅長青,王心源,彭 鵬.應用 MODIS 數據監測巢湖藍藻水華的研究 [J]. 遙感技術與應用, 2008,23(3):328-332+241.

[23]李 穎,施 擇,張榆霞,等.關于用藻密度對藍藻水華程度進行分級評價的方法和運用 [J]. 環境與可持續發展, 2014,39(2):67-68.

[24]吳阿娜,朱夢杰,湯 琳,等.淀山湖藍藻水華高發期葉綠素 a動態及相關環境因子分析 [J]. 湖泊科學, 2011,23(1):67-72.

[25]吳 凱.太湖水華藍藻上浮特征及其機理研究 [D]. 南京:南京大學, 2011.

[26]許 海,朱廣偉,秦伯強,等.氮磷比對水華藍藻優勢形成的影響[J]. 中國環境科學, 2011,31(10):1676-1683.

[27]Xu H, Paerl H W, Qin B, et al. Determining Critical Nutrient Thresholds Needed to Control Harmful Cyanobacterial Blooms in Eutrophic Lake Taihu, China [J]. Environmental Science &Technology, 2015,49(2):1051-1059.

[28]Yu G, Jiang Y, Song G, et al. Variation of Microcystis and microcystins coupling nitrogen and phosphorus nutrients in Lake Erhai, a drinking～water source in Southwest Plateau, China [J].Environmental Science & Pollution Research, 2014,21(16):1-12.

[29]李亞春,謝小萍,杭 鑫,等.結合衛星遙感技術的太湖藍藻水華形成風場特征 [J]. 中國環境科學, 2016,36(2):525-533.

[30]鄭劍鋒,焦繼東,孫力平.基于神經網絡的城市內湖水華預警綜合建模方法研究 [J]. 中國環境科學, 2017,37(5):1872-1878.