基于長時序多光譜遙感技術的白洋淀水質演變監測分析

摘? 要：針對白洋淀水污染嚴重、水質監測手段不足等問題，充分利用遙感技術的大范圍、長時序監測優勢，基于哨兵2號多光譜遙感影像，計算2018年—2020年間白洋淀水域的植被指數，結合同時間段的葉綠素a地面監測數據，建立植被指數與白洋淀水質葉綠素a之間的關系模型，實現基于哨兵2號遙感影像的白洋淀葉綠素a監測。借助2018—2022年的哨兵2號長時序遙感數據，對白洋淀葉綠素a進行反演，進一步分析白洋淀2018年以來水質演變過程及原因。

關鍵詞：哨兵2號；長時序；葉綠素a

中圖分類號：TP39；TP79? 文獻標識碼：A? 文章編號：2096-4706（2023）05-0141-04

Monitoring and Analysis of Water Quality Evolution in Baiyang Lake Based on

Long Time Series Multispectral Remote Sensing Technology

ZHAO Lin

（China Water Resources Beifang Investigation， Design and Research Co.， Ltd.， Tianjin? 300222， China）

Abstract： Aiming at the problems of serious water pollution and insufficient water quality monitoring means in Baiyang Lake， make full use of the advantages of remote sensing technology in large-scale and long time series monitoring. Based on Sentinel 2 multi-spectral remote sensing image， the vegetation index of Baiyang Lake water area from 2018 to 2020 is calculated， and the ground monitoring data of leaf chlorophyll a in the contract period is concluded， and the relationship model between the vegetation index and the water quality leaf chlorophyll a in Baiyang Lake is established， realize the monitoring of leaf chlorophyll a in Baiyang Lake based on Sentinel 2 remote sensing image. With the help of the long time series remote sensing data of Sentinel 2 from 2018 to 2022， the leaf chlorophyll a of Baiyang Lake is retrieved to further analyze the water quality evolution process and reasons of Baiyang Lake since 2018.

Keywords： sentinel 2; long time series; leaf chlorophyll a

0? 引? 言

湖泊是陸地淡水資源最重要的組成部分，具有提供生產生活用水、改善區域氣候、調蓄洪水、維持生態平衡等多種生態功能。隨著經濟的快速發展，人類活動和工業污染嚴重影響著湖泊生態環境，使得諸多湖泊均出現不同程度的富營養化[1]。葉綠素a作為湖泊中浮游植物最常見的色素，能夠很好地反映湖泊藻類生物量，被廣泛應用于湖泊富營養化研究，成為反映水體富營養化程度的一個重要指標[2]。

傳統的湖泊葉綠素a濃度監測方法主要是通過在實地采樣后前往實驗室進行分析，或者設置定點的采樣臺站進行自動監測，但這些方法實現起來耗費大量人力物力，成本投入高，并且定點監測僅能反映湖泊局部的水質情況，難以全面地監測湖泊整體水質狀況。隨著衛星遙感技術和遙感影像處理技術的快速發展，加之遙感手段具有監測范圍廣、速度快、成本低、非接觸、便于進行長期動態監測等優勢，越來越多的學者將遙感手段應用于水質監測，并取得一定的成就[3]。

Shuchman等[4]利用密歇根湖連續7年的SeaWiFS衛星影像，反演了包括葉綠素a濃度在內的各項水質參數，并深入分析其季節和年際變化的趨勢。陶慜等[5]利用星地同步數據，對巢湖水質進行連續監測，通過經驗正交函數分析方法將MODIS特征波段與葉綠素a進行分解建模，估算葉綠素a濃度。李苗等[6]利用Landsat-5/TM多光譜影像和準同步實測數據反演克欽湖的葉綠素a濃度，得到葉綠素a濃度的分布特征。可見，多光譜遙感影像在湖泊葉綠素a監測中具有非常好的應用前景。

近年來，受高速的社會經濟發展及華北地區氣候暖干化的影響，白洋淀水環境、水生態形勢不容樂觀，隨著，雄安新區的設立，白洋淀水環境受到政府、人們的高度重視。本文以白洋淀葉綠素a為研究對象，對2018年—2020年間每個月度的哨兵2號衛星進行數據處理，計算植被指數，并與地面實測的葉綠素a濃度進行關聯分析，尋找其內在聯系，建立關系模型，進而利用哨兵2號影像對白洋淀進行大范圍、持續的葉綠素a監測，并深入分析白洋淀葉綠素a及水質演變的過程和趨勢，便于管理者整體掌握白洋淀水質情況，為白洋淀水生態保護提供強有力的技術支撐。

1? 數據與方法

1.1? 研究區概況

白洋淀，屬海河流域大清河南支水系湖泊，位于雄安新區，涉及安新縣、雄縣和容城縣，是華北地區最大的濕地生態系統。白洋淀具有獨特的自然景觀，淀區風光秀麗，景色宜人，素有“華北明珠”之稱。白洋淀周邊共有8條入淀河流，流域面積21 045 km2。白洋淀四周有堤防環繞，東有千里堤，南有淀南新堤，西有障水埝和四門堤，北有新安北堤，堤防總長203 km。淀內主要由白洋淀、馬棚淀、燒車淀、藻苲淀等大小不等的143個淀泊和3 700多條溝壕組成。淀區面積中85%的水域在安新縣境內，構成了淀中有淀，溝壕相連，園田和水面相間分布的特殊地貌。白洋淀地理位置示意圖如圖1所示。

1.2? 數據源與數據處理

本文主要用的遙感影像為哨兵2號多光譜衛星遙感影像，哨兵2號遙感影像屬于高分辨率多光譜成像衛星影像，其衛星攜帶一枚多光譜成像儀（MSI），可覆蓋13個光譜波段，幅寬達290 km；從可見光和近紅外到短波紅外，具有不同的空間分辨率，地面分辨率分別為10 m、20 m和60 m；分為2A和2B兩顆衛星，一顆衛星的重訪周期為10天，兩顆互補，重訪周期為5天。在光學數據中，哨兵2號數據是唯一一個在紅邊范圍含有三個波段的數據，衛星影像主要用于陸地監測，可提供植被、土壤和水覆蓋、內陸水路及海岸區域等圖像，還可用于緊急救援服務。

本文從歐空局網站上收集2018年—2022年近5年的哨兵2號多光譜衛星遙感影像，由于歐空局網站提供的哨兵2號影像是經過正射校正和幾何精校正的產品，并未經過大氣校正處理。因此，本文使用大氣校正插件Sen2Cor，對下的哨兵2號產品進行大氣校正、地形和卷云校正。并使用SNAP軟件，對大氣校正后的哨兵2號影像進行重采樣，將不同波段的空間分辨率均重采樣到10 m。

1.3? 水體范圍獲取

改進的歸一化水體指數（Modified Normalized Difference Water Index， MNDWI）[7]能夠最大程度地抑制居民地和土壤等噪聲，突出水體，其MNDWI的計算公式如式（1）。其中，GREEN表示綠波段，在哨兵2號影像中對應第3波段，MIR對應中紅外波段，在哨兵2號影像中對應第11或第12波段。

MNDWI=（GREEN-MIR）/（GREEN+MIR）? ? ? ? （1）

通過計算影像的MNDWI，設定合適的閾值，區分影像中水體與非水體，進而提取白洋淀水體范圍，并進行裁剪。

1.4? 植被指數計算

植被指數指的是利用衛星不同波段探測數據組合而成的，能反映植物生長狀況的指數。常見的植被指數有歸一化植被指數（Normalized Vegetation Index， NDVI），改進植被指數（Modified NDVI， MNDVI），紅邊歸一化比值植被指數（Red－Edge NDVI， RENDVI），增強植被指數（Enhanced Vegetation Index， EVI）[8]。這些指數各具優勢，本文采用歸一化植被指數NDVI，它是最常用并且效果較好的植被指數方法之一，其計算公式如式（2）。其中，NIR表示近紅外波段，在哨兵2號影像中對應第8波段，RED對應中紅外波段，在哨兵2號影像中對應第4波段。

NDVI=（NIR-RED）/（NIR+RED）? ? ? ? ? ? ? （2）

NDVI的值在-1與1之間，值越大，表示含有的植被越多；值越接近0，表示水體越多；越接近-1，說明冰、雪、云越多。

2? 結果與分析

2.1? 白洋淀NDVI年度變化分析

基于2018年—2020年哨兵2號遙感影像，計算每一期（時間周期為3天）的NDVI值，并繪制NDVI時間序列曲線如圖2所示，可以看出，2018年以來，白洋淀NDVI值的最大值出現在每年的9月份，且每年的春季和冬季，白洋淀NDVI值較小，變化不大；每年的夏季，白洋淀NDVI值較大，且變化較大。

2.2? 白洋淀葉綠素a年度變化分析

為了建立NDVI與葉綠素a之間的關系模型，本文收集了2018年—2020年每個月月初的國控斷面葉綠素a實測數據，國控斷面包括南劉莊、燒車淀、圈頭、采蒲臺和光淀張莊，其位置分布示意如圖1中的紅色點標注的位置。將2018年—2020年之間國控斷面上葉綠素a的變化情況繪制呈曲線圖如圖3所示，可以看出，南劉莊的葉綠素a濃度變化為每年的春季和冬季濃度較小，夏季7月、8月份濃度較大，且2019年和2020年整體濃度比2018年相同月份的濃度小；燒車淀整體變化不大，在每年的夏季及2019年1月份出現濃度較大的值；采蒲臺、圈頭和光淀張莊的葉綠素a濃度整體趨勢與南劉莊的相似，但葉綠素a濃度的較大值出現在每年的9月份，比南劉莊的葉綠素a濃度較大值出現的時間有所推遲，圈頭的葉綠素a濃度每年相同月份沒有太大變化，采蒲臺的葉綠素a濃度每年相同月份有所提升，光淀張莊的葉綠素a濃度每年相同月份有所下降。對上述五個斷面的葉綠素a濃度分別計算不同時間的平均值，其變化情況如圖3中的最后一幅圖，可以看出，葉綠素a濃度的變化趨勢為每年的冬季較低、夏季較高，且夏季的葉綠素a濃度呈逐年下降趨勢。

2.3? NDVI與葉綠素a變化關系分析

通過上述簡單的分析可以看出，2018年—2020年，白洋淀的NDVI值與葉綠素a濃度值的變化趨勢基本一致，可能存在一定的聯系。為了找到這種關系，本文利用2018年—2019年之間每個月初的NDVI分布圖，提取出五個國控斷面對應的NDVI序列值，結合2018年—2019年五個國控斷面的葉綠素a實測值，構建關系模型，并利用2020年的國控斷面葉綠素a實測值對該關系模型進行檢驗和評價。本文使用的評價指標為相關系數R，其定義為：

（3）

其中：yi表示國控斷面葉綠素a實測值， 表示葉綠素a預測值， 表示國控斷面葉綠素a平均值，n表示參與計算的國控斷面個數，R能很好反映出模型的精度，R的值越接近于1，說明模型擬合效果越好，反演精度越高。

具體的關系模型與評價結果如表1所示，其中Chla表示葉綠素a濃度。可以看出多項式關系模型的相關系數值最高。

2.4? 2020年—2022年白洋淀葉綠素濃度估算

基于2020年—2022年的白洋淀每個月初的哨兵2號影像，計算NDVI值，進而使用上述方法構建的關系模型，反演2020年—2022年白洋淀每個月初的葉綠素a濃度分布圖。計算每個月初白洋淀葉綠素a平均值，結合2018年以來的數據，繪制NDVI和葉綠素a濃度時間序列曲線圖如圖4和圖5所示。

從圖4和圖5中可以看出，從2018年以來，白洋淀水質葉綠素a濃度整體呈逐漸降低趨勢，尤其是2021年和2022年，葉綠素a濃度整體較低，也反映了水質情況整體較優。

2019年以來，河北省針對白洋淀水質，統籌實施的工業、城鎮、農業農村、淀區內源污染治理、生態修復、河道整治、生態補水等九大類66項治理工程等一系列措施；2021年，白洋淀水質達近10年來最好水平，白洋淀8個國考點位水質全部達到或優于Ⅳ類，其中1個為Ⅲ類，7個為Ⅳ類；2022年白洋淀水質首次實現從劣Ⅴ類到Ⅲ類的跨越。這些信息也側面驗證了本次實驗成果的正確性。

3? 結? 論

本文利用2018年—2020年白洋淀五個國控斷面的葉綠素a實測數據，結合2018年—2020年白洋淀哨兵2號遙感影像，通過建立兩者的關系模型，通過2020年的實測數據對模型進行檢驗，得到最優反演模型，進而利用2020年—2022年的哨兵2號遙感影像反演2020年—2022年的白洋淀葉綠素a時空變化情況。主要研究結論如下：

（1）白洋淀葉綠素a濃度整體上有逐漸降低的趨勢。不同季節，白洋淀的葉綠素a濃度有明顯的差異，尤其是夏季與冬季，葉綠素a濃度具有顯著的季節性。

（2）植被指數與葉綠素a濃度的時間變化規律具有一致性，可以通過構建關系模型實現基于植被指數的葉綠素a濃度反演，結合遙感影像大范圍、持續監測的優勢，實現白洋淀葉綠素a濃度的整體動態監測。

（3）本文只針對葉綠素a進行了研究，而水質參數包括懸浮物濃度、透明度等，這些都是影響水質的重要參數，后續的工作中，有必要對水質與遙感的關系進行深入研究，推進多光譜遙感影像在水質監測中的服務能力。

參考文獻：

[1] 趙永宏，鄧祥征，戰金艷，等.我國湖泊富營養化防治與控制策略研究進展 [J].環境科學與技術，2010，33（3）：92-98.

[2] 代前程.基于多源遙感數據的南漪湖葉綠素a濃度反演及變化研究 [D].南京：南京信息工程大學，2022.

[3]劉瑤，李俊生，肖晨超，等.資源一號02D高光譜影像內陸水體葉綠素a濃度反演 [J].遙感學報，2022，26（1）：168-178.

[4] SHUCHMAN R，KOROSOV A，HATT C，et al. Verification and Application of a Bio-optical Algorithm for Lake Michigan Using SeaWiFS：a 7-year Inter-annual Analysis [J].Journal of Great LakesResearch，2006，32（2）：258-279.

[5] 陶慜，段洪濤，齊琳，等.一種基于MODIS影像可業務化運行的巢湖水體葉綠素a估算算法 [J].湖泊科學，2015，27（6）：1140-1150.

[6] 李苗，臧淑英，吳長山.基于TM影像的克欽湖葉綠素a濃度反演 [J].農業環境科學學報，2012，31（12）：2473-2479.

[7] 徐涵秋.利用改進的歸一化差異水體指數（MNDWI）提取水體信息的研究 [J].遙感學報，2005（5）：589-595.

[8] 郭超凡，陳雯璟，牛明艷，等.基于多植被指數模型的草地地上生物量協同估算 [J].干旱地區農業研究，2022，40（4）：206-213.

作者簡介：趙琳（1989—），女，漢族，山西長治人，工程師，碩士研究生，研究方向：水利遙感。

收稿日期：2022-11-14

基金項目：國家重點研發計劃課題（2021YFB3900603）