基于Sentinel-2遙感影像的巢湖藍藻水華提取方法研究

劉海秋，任恒奎，牛鑫鑫，夏萍

1.安徽農業大學信息與計算機學院，安徽 合肥 230036；2.安徽農業大學農業機械系，安徽 合肥 230036

巢湖是中國五大淡水湖之一，同時是安徽省最大的淡水湖，為周圍地區帶來巨大的經濟效益。但是自從上個世紀90年代，巢湖逐漸受到了人類活動的影響，水質不斷惡化，成為典型的富營養化湖泊，水域經常出現藍藻水華爆發現象（唐曉先等，2017；蔣晨韻等，2019）。藍藻快速生長聚集形成水華，導致水體生物多樣性急劇下降，破壞水體景觀和生態系統平衡，給周邊經濟帶來了巨大的障礙，嚴重影響到區域環境，并制約當地的經濟和社會的可持續發展（孔繁翔等，2009）。因此，快速、準確的掌握藍藻水華分布信息，對水華預防、治理研究顯得尤為重要。

目前，藍藻水華監測方法主要歸納為三類：傳統采樣監測法、衛星遙感監測法、光譜技術監測法。相比于其他藍藻水華監測手段，遙感監測技術具有監測面積廣、資料更新周期短、成本相對較低、便于長期實時監測等優點。從上個世紀 90年代起，遙感技術開始應用于中國內陸湖泊藍藻水華監測。段洪濤等（2008）利用中等分辨率成像光譜儀MODIS遙感影像，提取了太湖不同時期的藍藻水華；蔣大林（2015）、何云玲等（2019）利用MODIS影像數據研究了滇池不同等級藍藻水華的分布面積和空間變化特征，但由于MODIS遙感影像的分辨率相對較低（分辨率最高可達到250 m），難以探測面積較小的零星藍藻水華區域；張姣等（2016）利用Landsat-8遙感影像獲取了洱海的藍藻水華時空分布信息，張東彥等（2019）對比了Landsat、HJ-1B和NPP-VIIRS 3種不同空間分辨率的影像數據，利用NDVI和FAI提取2010—2014年共22景巢湖藍藻水華的爆發區域，對HJ-1B和NPP-VIIRS的分辨率、重訪周期、譜段進行評價。與MODIS遙感影像相比，Landsat-8的空間分辨率更高（分辨率為30 m），有利于小面積零星藍藻水華區域的提取，同時，Landsat-8具有短波紅外波段（Offoro et al.，2019），支持FAI指數的計算，與其他用于藍藻水華提取的指數相比，FAI指數能夠在一定程度上減少云層對藍藻水華監測的影響。然而，Landsat-8的重訪周期較長（16 d），時效性較差，在夏季藍藻爆發時期，難以及時地提供藍藻水華信息；鄭炎輝等（2020）利用GF-1影像對東風水庫水質參數變換進行監測，盡管GF-1重訪周期較短，空間分辨率較高，但是僅具備4個譜段，譜段相對匱乏，難以進行FAI等多指標的藍藻水華計算，監測結果受云層影響嚴重。綜上所述，空間分辨率越高、重訪周期越短，越有利于藍藻水華爆發階段及時準確地進行小面積零星藍藻水華區域的提取，同時，豐富的衛星譜段，能夠支持包括FAI等多種指標的計算，進而在一定程度上降低云層、大氣對藍藻水華提取結果的影響。然而，作為中國內陸藍藻水華監測的主要影像來源，Landsat、MODIS、GF-1、HJ-1B和NPP-VIIRS衛星尚存在空間分辨率低、重放周期長或譜段匱乏等方面的局限性。

Sentinel-2衛星攜帶的多光譜成像裝置，覆蓋了從可見光、近紅外到短波紅外的 13個光譜波段，空間分辨率最高可達到10 m，巢湖區域重訪周期縮短至5 d（Iurist et al.，2016；Bresciani et al.，2018），兼具了空間分辨率高、重放周期短、譜段豐富三方面優勢，為藍藻水華爆發階段及時準確的藍藻水華監測提供了影像基礎（Vanhellemont et al.，2016；Molkov et al.，2019；Toming et al.，2016；Sakuno et al.，2019；Liu et al.，2019）。但目前 Sentinel-2遙感影像在大型湖泊藍藻水華遙感監測的應用報道很少。為此，本文以巢湖為研究對象，利用Sentinel-2衛星豐富的譜段和高分辨率優勢，開展包括FAI在內的多指標藍藻水華監測研究，針對FAI閾值難以確定的典型問題，提出了基于回歸分析的FAI閾值確定方法。

1 遙感數據獲取與處理

1.1 遙感數據獲取

本研究從歐洲航空安全局、中國科學院對地觀測與數字地球、美國地質調查局、中國資源衛星應用中心等網站，分別獲取了Sentinel-2衛星的L1C級產品以及Landsat-8 OLI、MODIS和GF-1的一級產品，上述衛星的相關參數詳見表1。

表1 Sentinel-2與Lansat-8、GF-1、MODIS相關參數對比Table 1 Comparison of Sentinel-2 with Lansat-8, GF-1 and MODIS parameters

夏季氣溫較高，巢湖藍藻水華面積日益變化，為了排除拍攝時間差異對巢湖藍藻水華監測結果的影響，本文從不同衛星產品中篩選出同日拍攝的遙感影像，并盡可能的剔除有云數據。

1.2 研究區域

巢湖（31°30′N，117°37′E）位于安徽省中部（圖1），是中國五大淡水湖之一，由合肥、巢湖、肥東、肥西、廬江二市三縣環抱（陳靜等，2012）?？傆嫼L54.5 km，最大寬度21 km，平均水深3.0 m，面積約776 km2，容積20.7億m3，是巢湖沿岸居民生活的主要水源，對于發展比較先進的合肥市尤為重要。巢湖流域內總共有33條河流，其中上游河流占32條，下游河流只有一條，裕溪河是巢湖唯一的通江河流。

圖1 巢湖地理區域示意圖Fig.1 Geographical area of Chaohu Lake

2 藍藻水華提取

關于MODIS、Landsat-8和GF-1遙感影像的藍藻水華提取方法已有文獻研究。段洪濤利用MODIS影像提取了2007年太湖藍藻水華爆發區域并對藍藻水華空間分布進行了等級劃分；張嬌利用Landsat-8影像提取了1999—2017洱海藍藻水華時空分布信息；鄭炎輝利用GF-1影像對東風水庫水質參數進行反演，為湖泊富營養化提供了技術支持。本文針對基于Sentinel-2遙感影像的藍藻水華監測方法展開研究，具體流程如圖2所示。

圖2 巢湖藍藻水華提取流程Fig.2 Extraction process of cyanobacteria bloom in Chaohu Lake

在提取藍藻水華之前，需要對遙感影像進行數據預處理。除了常規的輻射定標、大氣校正等步驟之外，還需要根據特定的傳感器進行一些針對性的處理。因此，在對多個波段組合運算之前，需要對Sentinel-2多波段遙感影像進行波段融合，采用重采樣方法將分辨率為20 m的波段提高為10 m。

本實驗采用 NDVI和 FAI兩項指標提取藍藻水華，兩項指標均需要近紅外波段參與運算，詳見公式（1）、（2），然而，Sentinel-2中b7、b8以及b8a 3個波段均處于近紅外頻率范圍內，選取哪個波段參與指標運算更有利于藍藻水華提取，是本文的研究內容之一。

文章通過指標閾值判斷研究區域是否存在藍藻水華，對于Sentinel-2而言，不同的研究區域，NDVI指標閾值表現出了良好的穩定性（Huete et al.，2002；何云玲等，2019），然而，FAI指標的閾值卻隨著研究區域的變化而變化（夏曉瑞，2014；張姣等，2016），目前，尚無文獻論述有關Sentinel-2巢湖藍藻水華提取中的FAI閾值問題。為此，本文在第2.3部分提出了基于回歸分析的FAI閾值確定方法，用于解決傳感器和研究區域變化時的FAI閾值問題。

2.1 近紅外波段的選取

藍藻在水溫20 ℃以上，水體PH值偏高，光照度強且時間久的條件下，形成氣囊浮出水面并且迅速繁殖，以至形成藍藻水華，改變水體在紅光、近紅外以及短波紅外波段的光譜特征（Hu et al.，2010），通過光譜儀器感知水體表面的光譜反射率，從而達到識別藍藻水華的目的。作為藍藻水華識別指標，NDVI和FAI均需要近紅外波段參與運算，然而，Sentinel-2中b7（779 nm）、b8（833 nm）以及b8a（865 nm）3個波段均處于近紅外頻率范圍內，本部分針對選取哪個波段參與指標運算更有利于藍藻水華提取展開研究。

實驗部分對比了不同衛星的藍藻水華提取結果，而不同衛星之間近紅外波段的中心波長可能存在偏差，進而導致同一目標在近紅外波段的反射率差異，最終影響藍藻水華提取結果，為了最大程度地降低由近紅外波段中心波長偏差引起的藍藻水華提取結果差異，本文從Sentinel-2的b7（779 nm）、b8（833 nm）、b8a（865 nm）3個波段中，選取與對照組衛星（GF-1）近紅外波段中心波長最接近的波段作為近紅外波段。Sentinel-2和GF-1的近紅外波段如圖3所示，可見，GF-1近紅外波段的中心波長位于797 nm處，Sentinel-2的b7波段與之最為接近，因此，實驗選取Sentinel-2的b7波段作為近紅外波段參與NDVI和FAI計算。

圖3 不同遙感影像近紅外段段光譜響應函數Fig.3 Spectral response function of different remote sensing images in nearinfrared region

2.2 基于NDVI的藍藻水華提取

NDVI指標衡量水體在紅光和近紅外波段光譜反射率的比值，如式（1）所示，被廣泛應用于藍藻水華識別（陳云等，2008；謝國清等，2010；Zhang et al.，2015；顧長梅等，2016；李旭文等，2018a；岳昂等，2020）。

式中：Rnir和Rred分別為近紅外波段和紅波段處的反射率，NDVI的取值范圍為?1—1，在Sentinel-2中分別對應b7（779 nm）波段和b4波段（665 nm）。

文章采用李旭文等（2018b）在太湖藍藻水華光譜研究中關于 NDVI閾值劃分藍藻水華等級的方法，將NDVI＞0劃分為藍藻水華像元。對近年來巢湖藍藻水華遙感影像提取實驗，NDVI能夠較好的反映藍藻水華聚集程度。

2.3 基于FAI的藍藻水華提取

Hu（2009）提出FAI監測寬闊海域的藻類信息。與NDVI指標相比，FAI指數受云層影響較小，能夠在天氣條件不是很理想的情況下識別藍藻水華，滿足環境監測業務需求。然而，由于FAI指標涉及紅光、近紅外以及短波紅外 3個波段，而常見的MODIS、GF-1等衛星并不包含短波紅外波段，從而限制了 FAI指標在藍藻水華監測中的應用。而Sentinel-2衛星不僅包含紅光、近紅外波段，還設置了短波紅外傳感器，能夠滿足FAI指標的波段需求。

2.3.1 FAI指標的計算

FAI方法采用紅光、近紅外、短波紅外波段組合的方式，利用藍藻水華和水體光譜特征差異，能夠有效識別藍藻水華。其具體公式為如下。

式中：Rred、Rnir、Rswir分別為紅光、近紅、短波紅外波段的反射率，對應 Sentinel-2的 b4（664 nm）、b7（779 nm）、b11（1613 nm）；λred（664.5 nm）、λnir（779.7 nm）、λswir（1613.7 nm）分別為紅光、近紅外、短波紅外波段的中心波長；Rn′ir為插值反射率，即在紅波段和短波紅外波段之間采用線性內插得到近紅外波段處的反射率信息。

2.3.2 FAI閾值的確定

閾值直接關系藍藻水華的提取精度，閾值的確定是區分藍藻水華和水體的關鍵步驟。與NDVI指標不同，隨著傳感器和研究區域的變化，FAI指標的閾值會隨之改變（張姣等，2016；段洪濤等，2008；Zhang et al.，2019）。而傳統的目視法具有較強的主觀性，會引入不可估算的誤差（郭望成，2011；李俊生等，2009）。目前，尚無文獻論述有關Sentinel-2 FAI的閾值問題，為此，本文提出了FAI閾值確定方法。

將實驗提取的 FAI和 NDVI所對應的點在平面直角坐標系上表示出來，觀察散點圖的分布形狀，發現樣本點大致分布在一條直線的周圍，FAI和NDVI的值均與藍藻水華濃度呈現正相關性，即藍藻水華濃度越大，FAI和NDVI的值越大，據此原理，提出如下假設：在一同衛星拍攝的遙感影像中，同一研究區域的NDVI及FAI的分布應表現出一定的線性關系，通過回歸分析建立NDVI與FAI之間的函數關系式，從而根據 NDVI的閾值估計FAI的閾值，具體流程如圖4所示。

圖4 基于回歸分析的FAI閾值確定流程Fig.4 Process of FAI threshold determination based on regression analysis

研究以Sentinel-2 NDVI提取指標為參照，建立NDVI與FAI結果的函數關系，進而通過NDVI確定FAI的閾值來區分藍藻與水，所以在選擇實驗數據時，使用 NDVI＞0.4的閾值排除已確定為水華像元的影響。從上面分析中可以確定實驗采用線性回歸模型建立NDVI與FAI之間的函數關系式，以上述采樣點為觀測點，進而估計模型參數，得到的擬合曲線如圖5中紅線所示（決定系數r2達到0.9823，顯著性檢驗P＜0.001）擬合效果較好。因此，NDVI與FAI之間的函數關系可以表示為（3）。

圖5 巢湖區域FAI與NDVI關系Fig.5 Relationship between FAI and NDVI for region of Chaohu Lake

根據第2.2部分的內容可知，Sentinel-2衛星影像中NDVI指標的閾值為0，將0代入式（3），可以得到當傳感器為Sentinel-2、研究區域為巢湖時，用于藍藻水華監測的FAI的閾值為?1.152，如式（4）所示。為此，本文將 FAI＞?1.152的區域作為藍藻水華的爆發區域，有關該閾值的藍藻水華監測結果將在第3部分給出。

3 實驗結果與分析

3.1 基于NDVI的巢湖藍藻水華提取結果分析

本文共獲取63幅遙感影像，從中篩選了17幅質量比較好的影像（無云或少云）進行藍藻水華提取，并計算藍藻水華面積，結果如表2所示。從中可以看出，2019年11月3日藍藻水華提取結果中Sentinel-2與GF-1更為接近，而與MODIS的差異較大；同樣地，2019年8月20日和9月19日的藍藻水華提取結果中，Sentinel-2與Landsat-8、GF-1提取結果更為接近，而與MODIS的差異較大?？梢姡M管所采用的遙感影像是同一天拍攝的，但不同衛星所提取的藍藻水華面積仍然存在差異，而且，與其他衛星相比，Sentinel-2提取的藍藻水華面積更多。從表2的第一列可知，Sentinel-2的分辨率最高，GF-1和Landsat-8的分辨率居中，而MODIS的分辨率最低，導致上述現象的根本原因可能是不同衛星之間的分辨率差異，理論上分辨率越高，越有利于藍藻水華面積較小的零星區域的提取。

表2 多源遙感衛星基于NDVI提取的巢湖藍藻水華結果Table 2 Results of cyanobacteria bloom in Chaohu Lake extracted by multi-source remote sensing satellite based on NDVI km2

為了探究引起差異的原因，進行了如下分析。圖6、7分別為2019年9月19日和2019年11月3日 Sentinel-2、GF-1、MDODIS的藍藻水華及局部放大圖（圖6、7中紅色矩形區域）。從圖6d—l、圖7d—i的局部放大區域可以看出，Sentinel-2和GF-1的藍藻水華提取結果中均包含了藍藻水華爆發面積較小的零星區域，但Sentinel-2的提取結果更為精細，而在MODIS的提取結果中并沒有發現上述區域。圖6m—r、圖7j—m為局部放大區域的差值圖，以2019年9月19Area1#（10.0768 km2）為例，計算Area1#的藍藻水華面積，Sentinel-2、GF-1、MODIS 分別提取了 6.5931、5.9268、5.0799 km2，Sentinel-2與后兩者之間的差值分別為0.6663 km2和1.5132 km2?？梢?，藍藻水華提取結果的差異主要集中在邊緣部分以及爆發面積較小的零星區域（圖6、7中黃色矩形區域，提取最小區域面積達到100 m2），分辨率越高，越有利于邊緣以及藍藻水華面積較小的零星區域的提取，藍藻水華提取結果更接近真實狀態，在用于藍藻水華監測的常規遙感影像中，Sentinel-2的空間分辨率更高（10 m），能夠更準確地反應藍藻水華的爆發面積。

圖6 2019年9月19日不同遙感影像提取的藍藻水華結果Fig.6 Cyanobacteria bloom results extracted from different remote sensing images on September 19, 2019

圖7 2019年11月3日不同遙感影像提取的藍藻水華結果Fig.7 Cyanobacteria bloom results extracted from different remote sensing images on November 3, 2019

3.2 基于FAI的巢湖藍藻水華提取結果分析

通過與NDVI的藍藻水華監測結果對比，判斷基于FAI的藍藻水華監測結果的準確性，進一步驗證本文所提出的FAI閾值確定方法的有效性。在此基礎之上，為了驗證FAI指標受云層影響更小，分別利用Sentinel-2和Landsat-8進行了對比實驗。

在Sentinel-2遙感影像上分別采用FAI和NDVI兩個指標計算藍藻水華面積，結果如圖8所示（綠色部分為提取的藍藻水華），可見，兩個指標的提取結果中藍藻水華的分布情況基本一致，對圖8的藍藻水華面積進行統計，結果如表3所示，兩個指標藍藻水華提取面積的相對偏差低于5%，可見，FAI與NDVI的藍藻水華提取結果比較接近，能夠證明本文所提出的FAI閾值確定方法的有效性。

圖8 Sentinel-2采用FAI和NDVI提取藍藻水華結果Fig.8 Sentinel-2 extract cyanobacteria bloom results by FAI and NDVI

表3 Sentinel-2基于不同方法的藍藻水華提取結果Table 3 Sentinel-2 extraction results of cyanobacteria bloom based on different methods km2

為了驗證FAI指標受云層影響更小，分別利用Sentinel-2和 Landsat-8進行了對比實驗。圖 9是2018年7月31日Sentinel-2和Landsat-8影像采用FAI和NDVI提取的巢湖藍藻水華結果。從圖9a、b可以看出，巢湖上空存在云霧（圖9中紅色矩形區域），Sentinel-2采用NDVI和FAI方法提取的藍藻水華面積（表4）分別為39.21 km2和21.13 km2；Landsat-8采用NDVI和FAI方法提取的藍藻水華面積分別為18.85 km2和11.78 km2。然而，根據安徽省巢湖管理局網站（http://chglj.hefei.gov.cn）近年來公布的巢湖藍藻水華監測結果可知，巢湖的東北部通常不會發生藍藻水華的大規模爆發，可以斷定本實驗所提取的巢湖東北部藍藻水華是由于云霧引起的，與NDVI相比，FAI指標提取的藍藻水華面積更小，Senitnel-2基于FAI指標的提取面積僅為NDVI的53.89%。可見云霧對FAI指標的藍藻水華提取結果影響更小。

圖9 2018年7月31日不同方法提取藍藻水華結果Fig.9 Results of different methods on cyanobacteria bloom extraction on July 31, 2018

表4 2018年7月31日云遮蓋區域藍藻水華提取結果Table 4 Extraction results of cyanobacteria bloom from cloud-covered area on July 31, 2018

綜上所述，為了驗證Sentinel-2的高分辨率在藍藻水華提取中的優勢、以及本文所提出的FAI閾值確定方法的有效性，開展了上述兩部分實驗，結果表明與MODIS、Landsat-8、GF-1相比，Sentinel-2的分辨率更高，能夠更精確地估算藍藻水華面積，提取結果更接近真實狀態；此外，在無云霧遮擋情況下，利用本文的FAI閾值確定方法所提取的藍藻水華結果與NDVI比較接近，能夠證明本文所提出的FAI閾值確定方法的有效性；在有云霧遮擋情況下，與NDVI相比，FAI指標受云霧的影響更小。

4 結論

本研究基于巢湖 2018—2020年時間序列的遙感影像數據，利用GIS空間分析技術，對巢湖近年來藍藻水華進行監測識別，探討不同遙感影像下藍藻水華提取的差異，針對FAI閾值難以確定的典型問題，提出了基于回歸分析的FAI閾值確定方法。研究得出以下結論：

（1）以NDVI的閾值0為基準，通回歸分析確定FAI的閾值為?1.152（決定系數r2達到0.9823，顯著性檢驗P＜0.001），對2019年1—6月無云干擾的Sentinel-2遙感影像進行藍藻水華面積提取實驗，兩種指標下提取的藍藻水華分布情況基本一致，藍藻水華面積相對偏差小于5%，表明FAI閾值確定方法有效。

（2）分辨率較高的Sentinel-2數據能夠提取的最小水華面積達到100 m2，相比于GF-1、MODIS、Landsat-8能夠更準確的反映藍藻水華的爆發面積。2018—2020期間，每年的最大藍藻水華爆發時間發生在9、10月，從巢湖西北部水域向湖心方向延伸。

（3）對2018年7月31日的Sentinel-2與Landsat-8云覆蓋區域，采用FAI和NDVI進行藍藻水華提取，與NDVI相比FAI提取的藍藻水華面積更小，FAI提取的面積僅為NDVI的53.89%，表明FAI能一定程度上減少云霧的干擾，在有較少云霧的天氣可以用來檢測藍藻水華的爆發范圍。