基于高分六號衛星觀測數據監測太湖藍藻水華研究

摘 要：該文基于2018年和2019年的高分六號衛星數據，利用歸一化差值植被指數實現太湖藍藻水華的提取，驗證紅邊波段對藍藻水華的監測效果。結果表明，藍藻水華在太湖的梅梁灣、湖心區北部和西太湖北部發生頻次最多。但存在有代表性的最小整體和季節閾值范圍，且整體閾值與夏季閾值相關性高；紅邊I波段（0.71波段）閾值范圍的穩定性優于紅邊II波段（0.75波段）和近紅外波段（0.83波段），且最小閾值范圍呈現為正態分布。因此，高分衛星具有監測太湖藍藻水華的潛力，在業務上運用高分衛星能夠對太湖藍藻水華的暴發作出快速監測。

關鍵詞：高分六號衛星；藍藻水華；歸一化差值植被指數；太湖；監測效果

中圖分類號：X87 文獻標志碼：A 文章編號：2095-2945（2024）29-0021-06

Abstract： Based on the GF-6satellite data in 2018 and 2019， this paper uses the Normalized Difference Vegetation Index to extract cyanobacteria blooms in Taihu Lake， and verifies the excellent monitoring effect of red edge band on cyanobacteria blooms. The results show that cyanobacteria blooms occur most frequently in Meiliang Bay， the north of the central area of Taihu Lake and the northern part of West Taihu Lake. NDVI has a representative minimum global and seasonal threshold range， and the overall threshold has a high correlation with the summer threshold， and the stability of the threshold range of the red edge I band （0.71 band）is better than that of the red edge II band（0.75 band） and the near-infrared band （0.83 band）， and the minimum threshold range is normal distribution. Therefore， the GF-6 satellite has the potential to monitor the cyanobacteria bloom in Taihu Lake and can be used to quickly monitor the outbreak of cyanobacteria bloom in Taihu Lake.

Keywords： GF-6 satellite satellite; cyanobacteria bloom; Normalized Difference Vegetation Index; Taihu Lake; monitoring effect

中國的湖泊藍藻水華呈現出從南到北逐漸多樣化的趨勢[1-2]，并且已經建立的大規模的綜合監測預報系統和應急響應措施可以降低藍藻水華污染風險，但仍然無法減少富營養化和藍藻水華問題，這些問題需要幾十年才能解決[3]。

衛星遙感因其速度快、范圍廣、監測周期性短，已經成為湖泊富營養化及藍藻水華監測和預測預警不可或缺的技術手段[4]。已有衛星遙感研究藍藻水華的方法有：浮游藻類指數（Floating Algae Index， FAI）法[5]，歸一化差值植被指數（Normalized Difference Vegetation Index，NDVI）[6]以及隨機森林（Random Forest， RF）法[7]。高分六號衛星在監測藍藻方面的優點主要體現為更高的空間分辨率，更強的時間連續性，更廣的覆蓋范圍、數據質量和應用領域。這些特性將為衛星監測藍藻水華提供更好的數據來源。汪雨豪[5]分析哨兵2A影像得：NDVI對高、低聚集度的藍藻水華信息都十分敏感。根據目前對太湖藍藻提取的研究現狀，閾值法計算簡單適用性強，但閾值的準確選取是個難點[7-8]。

基于以上論述，結合紅邊波段對藍藻水華反射特征更加敏感的特點與水華的發生存在明顯的季節性規律[9]，本文旨在利用高分六號衛星數據，采用NDVI閾值法提取湖泊區域內藍藻水華的分布信息，驗證紅邊波段對藍藻水華的監測效果；尋找最小閾值范圍，從而整理出最優整體閾值和季節閾值，得到準確率更高的太湖藍藻水華影像。本研究結果在業務上能對湖泊水體藍藻水華的高分辨率監測有一定的參考價值。

1 研究區域和數據來源

太湖位于長江三角洲的南緣，是中國五大淡水湖之一，位于北緯30°55′40″—31°32′58″和東經119°52′32″—120°36′10″之間。太湖分為8個區域分別為：梅梁灣、貢湖灣、胥口灣、東太湖、南太湖、西太湖、竺山灣和湖心區[5]。在2017—2021年間，太湖藍藻暴發時段主要集中在每年的5月份左右，藍藻暴發區域主要集中在太湖西北部的竺山湖、西部沿岸區、梅梁湖等湖灣；湖心區藍藻數量呈明顯增長，需要引起關注[10]。

本文研究的遙感數據來自我國具有獨立自主知識產權的高分六號衛星（Gaofen-6，GF-6）多光譜中分辨率寬幅相機（Wide Field of View，WFV），該相機共有8個波段，覆蓋可見光到近紅外光，包括2個紅邊波段（0.69～0.73 μm，0.73～0.77 μm），空間分辨率小于等于16 m，幅寬大于等于800 km。高分衛星是首次增加的能夠有效反映作物特有光譜特性的紅邊波段的衛星，提高了農業、林業、草原等資源監測能力。

藍藻水華的光譜在紅邊波段范圍時屬于高反射，在紅光波段為低反射[5]，因此本研究選擇GF6 WFV數據。本研究獲取的包括2018—2019年期間共9次衛星影像數據。

2 研究方法與數據處理

2.1 研究方法

2.1.1 歸一化差值植被指數

NDVI被用來表征地表植被生長情況，它能反映出背景對植物冠層的影響，如土壤、地面、雪和枯葉等。藍藻水華暴發時，藻類聚集在水體表面，因其對紅光波段的強吸收導致產生的紅光波段反射率較低，在近紅外波段具有類似于植被光譜曲線特征的“反射峰平臺效應”，近紅外波段反射率較高，而正常水體對近紅外波段有強烈的吸收作用，導致反射率較低。NDVI能夠反映藍藻的覆蓋度和不同區域藍藻的濃度，計算較簡單，比較適用于業務化運行[6]。所以選用NDVI指示藍藻水華信息，計算公式如下

NDVI=（R1-R2）/（R1+R2）

式中：R1表示近紅外波段的反射值，R2表示紅光波段的反射值。通過該公式計算得到水體表面藍藻水華的NDVI。利用高分六號衛星WFV數據構建的NDVI公式見表1。

2.1.2 與已有結果相似度對比分析

①特征圖像法。按照藍藻水華的特征圖像分區集中選取大量的特征點（大于100個像素點），與由哨兵2A處理得到的太湖藍藻水華空間分布的影像中相同位置的像素點進行重合度的對比檢驗。②等格距法。按照相等的間隔在8個分區內選取像素點，將本研究處理的圖像與哨兵2A藍藻影像進行重合度的對比檢驗。在胥口灣的南半區中，太湖周邊人類活動的影響因素過大，加之東太湖生長著較多水生植物，較少暴發藍藻水華。

2.2 數據處理與植被指數計算流程

衛星遙感湖泊藍藻水華監測技術流程，主要包括數據準備、數據預處理、數據方法計算和藍藻水華識別驗證等，整體流程如下。

使用衛星遙感影像處理軟件處理GF6_WFV：L1A數據，進行預處理：區域剪裁、輻射定標、大氣校正、幾何校正和幾何剪裁。區域剪裁是在GF6_WFV：L1A數據上對太湖目標區域進行矩形剪裁，這是為了縮小處理的區域面積，從而減少數據處理量，提高處理效率。利用輻射定標和大氣校正處理；之后進行幾何校正處理。輻射定標是將圖像的亮度灰度值轉換為絕對輻射亮度，確保遙感數據能夠準確地反映地表的物理特性。大氣校正是為了消除大氣和光照等因素對地物反射的影響。幾何校正用來消除或改正遙感影像幾何誤差的過程，以確保影像上的地理信息準確無誤地反映實際的情況。最后進行幾何剪裁得以讓數據簡化并且提取出太湖清晰的邊界。

通過不同通道反射率組合獲取NDVI，帶入公式進行波段計算，得到每個數據的3種波段的影像，基于哨兵2A數據藍藻影像進行人工閾值的選定，得到較為準確反應太湖藍藻水華信息的閾值。

經過對比分析，分波段按照整體（表2）和季節（表3）分別設定閾值，讓設定的閾值更具代表性。該閾值代表最小閾值的范圍，藍藻顯示的圖像范圍為NDVI大于該閾值的區域，避免出現因閾值設置最大值，而將太湖藍藻水華重度暴發的覆蓋區域遺漏。因為藍藻水華在太湖的暴發情況日變化快，所以制定代表年度的閾值范圍較為困難，且制定出的閾值非常不穩定或與實際情況誤差較大，故本文將按照季度對太湖藍藻水華圖像設定最小閾值范圍，從而減小估算誤差。

基于地理信息系統進行區域掩膜提取，這是為了進行數據篩選，將數據進行整合，讓分析更加深入，最后得以讓圖像可視化；再對圖像進行色彩調節，最后導出專題圖像。

選用2種定量化檢驗藍藻水華覆蓋率的方法，按照特征圖像分區法進行檢驗與按照等格距方法進行檢驗，得到2幅圖像的相似性結果。

結合哨兵2A數據藍藻影像，分析了在2018年和2019年這2年間太湖藍藻水華的空間分布。

3 結果分析

為了分析太湖水體藍藻水華的空間分布，將由GF-6數據各波段在2018年10月28日和2019年8月7日的NDVI影像與已有結果進行比較（圖1和圖2）。未選取閾值時，0.71波段的NDVI值顯示的特征區域較0.75波段和0.83波段的特征區域數值小，且0.75波段和0.83波段的2幅圖像更相似?？赡茉?.71波段，光譜對多種水生植物的反射特征表征更加明顯，導致在具有相同波段的情況下0.71波段探測出的水體光譜特征范圍較另外2波段更大。0.75波段和0.83波段的光譜特征相似，是因為藍藻水華在這2個波段的波譜反射率相近，但2個波段對干凈水體的反射率仍有不同，在業務上的運用效果較差，不能及時在水華暴發初期反映水體狀況。所以需要進一步人工設定閾值，使水體的藍藻水華在圖像上的顯示更加準確。

整體閾值（表2）結果表明：各波段的最小閾值范圍各不相同，其差值相近，相差都在0.02附近。0.71波段的閾值大小為0.015～0.040處于正值范圍內，就該波段整體而言，最優閾值大小為0.025（0.75波段和0.83波段同理得到最優閾值）；0.75波段和0.83波段的閾值大小分別為-0.085～-0.065和-0.080～-0.060都處于負數范圍內，兩者范圍十分接近，這與圖1和圖2顯示出來的現象相符。

吳曉東等[11]研究表明：太湖從秋季11月開始藍藻植物體大量下沉進入底泥越冬，到次年5月后底泥中的藍藻開始復蘇進入水體，這導致冬季藍藻水華在圖像上分布極少。通過對已有數據的處理，得到冬季藍藻覆蓋的時空分布很少，冬季難以設定季節閾值，故冬季的波段閾值將不再考慮。

選擇更具代表性的各波段各季節閾值（表3）檢驗整體數據的符合情況。以2019年8月7日為例，該時刻的3個波段的季節閾值圖像（圖3）顯示：0.83波段整體覆蓋范圍相對其他2個波段較大，0.75波段整體覆蓋范圍又較0.71波段的覆蓋范圍大。在研究過程中發現：當0.83波段和0.75波段的閾值增大后，位于湖心區東北部的特征區域的面積被削減，故不能將0.83波段和0.75波段的閾值增大。

確定季節閾值（表3）后，秋季的0.75波段和0.83波段所顯示的影像（圖4）在西太湖、竺山灣和梅梁灣都存在漏提現象，其閾值與整體閾值范圍存在差異，而且較各自波段整體閾值范圍的數值偏?。幌募镜?.83波段影像（圖3）雖閾值存在于整體閾值范圍內，但在竺山灣、梅梁灣、湖心區、西太湖和南太湖的特征區域邊界處存在明顯的多提現象。NDVI在湖區沿岸位置的結果顯示出其對于藻華區域和非藻華區域的劃分界限較為模糊[12]，對藍藻水華也會存在漏提現象。

將已處理的夏、秋兩季0.83波段的數據進行對比，閾值范圍相差較大，從而無法確定夏秋季的閾值范圍（0.75波段在秋季同理），故不對0.75波段設置秋季的波段閾值，也不對0.83波段設置夏、秋兩季的波段閾值。由于春季3月的特征圖像（圖5（e））藍藻水華的覆蓋面積顯示較少，以5月圖像（圖5（f））呈現為主，故將5月作為設定春季閾值的主分量，可見春季各波段整體呈現效果良好。

通過設定各波段季節閾值，初步目測季節閾值圖像和哨兵2A數據藍藻影像的符合情況，表現出有波動的產生：0.71波段波動最小，0.75波段稍差，0.83波段的波動最大。

輕度藍藻水華發生的時間分布比較廣泛，4—11月份都有發生，不同區域及不同程度的水華污染集中在不同的時間段內[13]。由表2和表3對比可知：整體閾值范圍與夏季0.71波段和0.75波段的閾值范圍相近，說明監測藍藻閾值的大小主要與夏季的多種因素有關，這與藍藻水華在夏、秋季節生長較為旺盛，水華暴發的頻次多、面積廣等時空分布呈顯著正相關[14]。

因0.83波段指示太湖藍藻水華信息的能力較差，故只對0.71波段和0.75波段圖像進一步定量化檢驗太湖藍藻水華的覆蓋率。以特征圖像相似度最好的2019年8月7日數據為例，對夏季的閾值采用中位數和最值進行檢驗，由結果分析得：波段整體對比可知，0.71波段較0.75波段的相似率更高，波動更小。在特征圖像法中，0.71波段相似率處于73%～86%，0.75波段處于69%～87%，0.71波段較0.75波段更穩定；在等格距法中，0.71波段相似率處于89%～93%，0.75波段處于85%-93%，0.71波段仍然較0.75波段更穩定。0.71波段的2種定量化方法的相似率都大于0.75波段。與此同時，0.71波段中閾值大小為0.02的影像相似率最高，圖像符合程度是最準確的；且在0.015～0.025的閾值區間，相似率的分布呈現出正態分布。0.71波段和0.75波段各自的2種定量化方法之間比較：等格距方法檢驗出的相似度大部分都高于特征圖像法，相似率的差值達到6%以上。這表現出0.71波段對太湖藍藻水華的監測效果優于0.75波段。

綜上所述，0.71波段是高分六號WFV數據運用歸一化差值植被指數方法監測太湖藍藻水華的最優波段。

本研究得到的藍藻水華影像與哨兵2A藍藻影像存在差異的原因包括以下幾點[15]：大氣輻射及水陸邊界的影響、水體中其他物質的影響、遙感數據的分辨率限制和遙感數據的處理方法等因素[16-17]。在藻華形成后，藍藻因能改變浮力使其在水體中的垂直分布不均一[18]，遙感衛星更易接收到水體淺層的信號，對水面的監測更為準確，僅通過衛星探測不能精準監測到水體中的藍藻總量。

基于已有圖像（圖5）進行分析，藍藻水華在太湖的中心湖區和西北湖區發生的頻率最高（不考慮東太湖和胥口灣的南半區），特別是西太湖與湖心區的北部湖區和梅梁灣湖區。在太湖西南部內凹型折角區，湖岸有大型的旅游度假區，圖中常年顯示在該位置上有藍藻水華的存在，可能有人為活動造成湖水富營養化，故在該區域暫不分析較小范圍內的藍藻水華發生頻次。與此同時，湖心區和西太湖相連且水面面積都較大，大面積的藍藻水華常常在兩湖區水體交界處有覆蓋，造成這2個湖區的統計次數都較多。

4 結論與討論

本文以太湖為研究區，基于歸一化差值植被指數和高分六號數據對太湖水體藍藻水華進行識別分析，得到以下結論：

1）結合各波段的整體閾值和NDVI可以分析得到，高分六號WFV紅邊II波段和近紅外波段的相似性較高。通過季節閾值的校正比對，近紅外波段提取藍藻水華信息的效果較紅邊I波段和紅邊II波段的效果更差。驗證了紅邊波段在使用NDVI監測湖泊藍藻水華方面有著比其他近紅外波段更優秀的監測能力。

2）通過分波段定量化檢驗相似度分析可知：紅邊I波段是高分六號WFV數據運用在太湖藍藻水華監測中的最優波段，且最小閾值的區間呈現為正態分布。

3）整理出具有代表性的整體閾值和部分季節閾值，整體閾值的范圍大小與夏季閾值的范圍大小呈強相關，能快速辨別水華在水體上的大值分布情況，對水體藍藻水華分布情況的監測預警有積極作用。

4）藍藻水華在太湖的中心湖區和西北湖區發生的頻率最高，特別是西太湖北部、湖心區北部區域和梅梁灣湖區。

本文研究的最小閾值范圍顯示出的藍藻水華發生情況仍然與實況存在誤差，不能得到精確的水體藍藻分布情況；使用NDVI監測太湖藍藻水華需要人工設定閾值，主觀因素過大。最小閾值的設定仍然存在定性因素，根據不同氣象因子等其他因素的改變，閾值范圍仍會發生改變，可以結合大量數據進行閾值的選定，讓設定的閾值更加普適。

參考文獻：

[1] SHARP S L， FORREST A L， BOUMA-GREGSON K， et al.Quantifying scales of spatial variability of cyanobacteria in a large， eutrophic lake using multiplatform remote sensing tools[J].Frontiers in Environmental Science， 2021（9）：612934.

[2] HUO D， GAN N， GENG R， et al. Cyanobacterial blooms in China： diversity， distribution， and cyanotoxins[J].Harmful Algae， 2020（109）：102106.

[3] QIN B， LI W， ZHU G， et al. Cyanobacterial bloom management through integrated monitoring and forecasting in large shallow eutrophic Lake Taihu（China）[J].Journal of Hazardous Materials， 2015，287（apr.28）：356-363.

[4] 潘德爐，馬榮華.湖泊水質遙感的幾個關鍵問題[J].湖泊科學，2008，20（2）：139-144.

[5] 汪雨豪.基于哨兵2A影像的太湖藍藻水華提取方法研究及應用[D].北京：中國地質大學（北京），2020.

[6] 申文熙，丁圣.基于GF衛星的星云湖藍藻水華監測[J].現代信息科技，2023，7（12）：124-127.

[7] 潘鑫，楊子，楊英寶，等.基于高分六號數據提取太湖藍藻方法的對比及適用性分析[J].湖泊科學，2022，34（6）：1866-1876.

[8] 張東彥，尹勛，佘寶，等.多源衛星遙感數據監測巢湖藍藻水華爆發研究[J].紅外與激光工程，2019，48（7）：303-314.

[9] 王健，張逸飛，智力，等.基于MODIS時間序列數據的太湖藍藻水華監測方法比較與分析[J/OL].華北水利水電大學學報（自然科學版），1-11[2024-02-08].http：//kns.cnki.net/kcms/detail/41.1432.TV.20231128.1403.012.html.

[10] 徐寅生，趙琳.基于遙感技術的太湖藍藻水華時空變化分析[J].河南水利與南水北調，2023，52（6）：5-6.

[11] 吳曉東，孔繁翔，張曉峰，等.太湖與巢湖水華藍藻越冬和春季復蘇的比較研究[J].環境科學，2008（5）：1313-1318.

[12] 胡明濤，陳誠，李港，等.典型風力條件及水力調度下太湖藻華高頻時空動態監測[J/OL].湖泊科學：1-12[2024-02-08].http：//kns.cnki.net/kcms/detail/32.1331.P.20240117.1129.002.html.

[13] 張艷會，李偉峰，陳求穩.太湖水華程度及其生態環境因子的時空分布特征[J].生態學報，2016，36（14）：4337-4345.

[14] 張瑞.太湖藍藻水華長時序主被動遙感監測及預警研究[D].鄭州：華北水利水電大學，2023.

[15] 馮煉.衛星遙感解譯湖泊藍藻水華的幾個關鍵問題探討[J].湖泊科學，2021，33（3）：647-652.

[16] 晁明燦，趙強，楊鐵利，等.基于Landsat8影像的藍藻水華提取方法對比研究[J].大氣與環境光學學報，2021，16（6）：520-528.

[17] 段洪濤，羅菊花，曹志剛，等.流域水環境遙感研究進展與思考[J].地理科學進展，2019，38（8）：1182-1195.

[18] PAERL H W， PAUL V J. Climate change： Links to global expansion of harmful cyanobacteria[J]. Water Research， 2012，46（5）：1349-1363.