武漢市南湖2000—2021年水域面積時空變化分析

摘要 基于Landsat衛星數據，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。結果表明：南湖2003年水域面積最大，水域面積在2000—2007年呈現縮小，2008—2012年呈現增大，2013—2021年又呈現縮小，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年呈現突變性快速縮小。南湖水域面積與蒸發量存在正相關，南湖水域面積與氣溫存在負相關。指數平滑模型和神經網絡模型（LSTM）都能預測南湖水域面積，且水域面積在2022—2024年呈現增大，但指數平滑模型預測結果更準確。

關鍵詞 Landsat衛星數據；水域面積；時空變化；相關性；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，從事地質遙感、GIS數據分析方面的研究。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環境密切相關，南湖面積縮小和消失會影響武漢地區的水資源供應和生態系統平衡，因此研究南湖面積變化趨勢對環境保護和地區生態可持續性具有重要的意義。同時治理南湖污染，一直是人們關注的焦點問題。

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，但是對湖泊內部的細節信息提取不夠精確，該方法需要選用適當的邊緣檢測算法，如Canny算子等，還需要對提取結果進行后期處理，去除噪聲等干擾［2］。③基于深度學習的方法，通過利用深度學習算法對大量的遙感影像進行訓練，實現高精度的湖泊提取；這種方法的優點是準確率高，可以適應不同的湖泊類型和復雜的地形地貌，但是需要大量的訓練數據和計算資源，并需要專業的領域知識和技能［3］。

國內外對湖泊面積時空變化已有許多研究，如利用LSTM、ConvLSTM等深度學習模型，建立湖泊變化的時間序列模型，實現了對湖泊范圍更精細和連續的動態監測，能夠提取出季節性、年際變化規律［4］；通過融合不同時相、不同分辨率的光學、雷達衛星數據，實現了湖泊變化的高時間分辨率連續監測［5］;基于提取的湖泊面積變化時間序列，結合氣候、環境和人類活動統計數據，揭示氣候變化和人為活動對湖泊變化的影響機制［6］;利用深度學習模型，融合多源異構數據，建立了關鍵時段的湖泊面積變化預測模型，實現了對超出閾值變化的預警，為湖泊資源保護提供支撐［7］。

該研究使用Landsat衛星數據，對數據進行去云、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域的提取［8］。在基于波段比值的方法中，常采用標準化差異水體指數（normalized difference water index，NDWI）來提取湖泊區域。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，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。通過設定一個閾值，將NDWI圖像中大于該閾值的像元視為湖泊區域［9］。

1.2 M-K檢驗

M-K（Mann-Kendall）檢驗常用于環境科學、水文學、農業科學等領域，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檢驗是一種統計檢驗方法，用于檢驗一組數據是否存在顯著趨勢，主要用于識別一組序列數據中的單調趨勢，通過判斷Z值是否超出統計學上的顯著性水平，來評估這種趨勢的顯著性，根據標準正態分布的性質，如果Z值大于1.96，則可以拒絕原假設，認為存在趨勢［10］。

M-K檢驗值反映了數據變化的趨勢，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據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 時間序列預測模型

處理時間序列預測問題時存在多種方法，該研究使用ARIMA模型、指數平滑模型和神經網絡模型（LSTM），其中ARIMA模型是一種經典的時間序列預測方法，它結合了自回歸（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，用于處理非平穩時間序列［13］。

指數平滑模型是一種適用于時間序列預測的統計方法，用于處理具有趨勢和季節性成分的數據，該方法擴展了簡單的指數平滑，包括水平、趨勢和季節性3個主要組件，通過對過去觀測值的加權平均來預測未來值，具有較好的適應性，可以捕捉數據的長期趨勢和季節性［14］。LSTM是一種深度學習模型，特別適用于處理序列數據，包括時間序列，LSTM具有內部狀態和記憶單元，能夠捕捉長期依賴關系，因此適用于處理具有復雜動態模式的時間序列數據，LSTM模型在處理非線性和復雜的時間序列數據方面表現出色［15］。

2 結果與分析

2.1 水域面積變化 統計2000—2021年南湖水域面積發現，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，發現2000—2007年水域面積呈現減少趨勢，2008—2012年呈現增加趨勢，2013—2021年又呈現減少趨勢。查詢資料發現，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，處理周邊污水，完善配套項目，使湖泊水質惡化趨勢得到遏制；2009年3月華中農業大學南湖截污工程正式啟動，實現清水入湖。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年南湖北部區域存在眾多離散的小水域，但2005年以后，這些區域就不存在了，影像顯示該區域已經進行城鎮開發。南湖在2008年以后水域面積又呈現變化，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少量增加。

2.2 相關分析

從南湖區域2000—2020年水域面積與降水量、氣溫、蒸發量的變化曲線（圖3）可以看出，降水量與南湖水域面積之間的關系不明顯。南湖水域面積與蒸發量存在正相關，南湖水域面積越大，蒸發面積越大，蒸發量越大。南湖水域面積與氣溫存在明顯的負相關，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新聞報道發現，自20世紀90年代以來，武漢市政府先后投入了超過10億元用于南湖環境治理和生態修復；2005年武漢市出臺了《武漢市湖泊保護條例》等法規，加強南湖生態環境管理和保護；2008年武漢市啟動了南湖水環境綜合治理工程，計劃總投資約12.5億元，用于治理南湖內部污染，恢復南湖水體自凈能力；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工

程；2016—2020年，武漢市政府投資10億元繼續推進南湖生態系統修復工作。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年南湖水域面積數據進行M-K檢驗，結果如圖5所示，計算參數結果顯示，Z值為3.03，大于1.96，說明南湖水域面積數據存在變化趨勢。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，說明存在持續下降趨勢，交點在置信水平區間［-1.96，1.96］內，說明2004—2005年南湖水域面積呈現突變性減少的狀態。

2.4 時間序列預測 利用2000—2021年南湖水域面積作為樣本數據，采用ARIMA模型、指數平滑模型、神經網絡模型（LSTM）預測2022—2024年水域面積，結果如圖6所示。3種方法的預測結果顯示ARIMA模型、指數平滑模型預測結果較為靠近，后者存在波動，更符合實際；LSTM預測結果與ARIMA模型、指數平滑模型的預測結果差別較大，LSTM預測水域面積增加趨勢更明顯。通過解譯2022年遙感影像，統計的南湖水域面積為7.9 km2，發現指數平滑模型的預測結果更為準確。

3 結論

（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年呈現減少趨勢，2008—2012年呈現增加趨勢，在2013—2021年又呈現減少趨勢，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。南湖北部區域的小水域被城鎮開發所取代，而其西北角新開

挖的水域則服務于居民休閑娛樂。

（3）降水量影響南湖水域面積變化；南湖水域面積與蒸發量存在正相關，南湖水域面積影響蒸發量變化；南湖水域面積與氣溫存在負相關，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突變性減少的狀態。

（5）基于南湖2000—2021年水域面積進行預測，指數平滑模型和神經網絡模型（LSTM）均預測了水域面積增加的趨勢，但指數平滑模型預測結果更準確。

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：中國地質大學（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的內蒙古錫林郭勒盟湖泊面積變化分析［J］.干旱區研究，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.基于卷積神經網絡的高分辨率湖泊識別［J］.農業工程學報，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］.水力發電學報，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］.山西大學學報（自然科學版），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測［J］.科學技術與工程，2023，23（25）：10879-10886.

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

［14］ 劉偉軍，黃志梁.基于指數平滑和PSO-BP混合模型的建筑工程造價指數預測［J］.武漢理工大學學報（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循環神經網絡的大地電磁工頻干擾壓制［J］.地球物理學進展，2020，35（5）：2016-2022.