摘? 要：針對白洋淀水污染嚴(yán)重、水質(zhì)監(jiān)測手段不足等問題，充分利用遙感技術(shù)的大范圍、長時(shí)序監(jiān)測優(yōu)勢，基于哨兵2號多光譜遙感影像，計(jì)算2018年—2020年間白洋淀水域的植被指數(shù)，結(jié)合同時(shí)間段的葉綠素a地面監(jiān)測數(shù)據(jù)，建立植被指數(shù)與白洋淀水質(zhì)葉綠素a之間的關(guān)系模型，實(shí)現(xiàn)基于哨兵2號遙感影像的白洋淀葉綠素a監(jiān)測。借助2018—2022年的哨兵2號長時(shí)序遙感數(shù)據(jù)，對白洋淀葉綠素a進(jìn)行反演，進(jìn)一步分析白洋淀2018年以來水質(zhì)演變過程及原因。

關(guān)鍵詞：哨兵2號；長時(shí)序；葉綠素a

中圖分類號：TP39；TP79? 文獻(xiàn)標(biāo)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(chǎn)生活用水、改善區(qū)域氣候、調(diào)蓄洪水、維持生態(tài)平衡等多種生態(tài)功能。隨著經(jīng)濟(jì)的快速發(fā)展，人類活動(dòng)和工業(yè)污染嚴(yán)重影響著湖泊生態(tài)環(huán)境，使得諸多湖泊均出現(xiàn)不同程度的富營養(yǎng)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(yīng)用于湖泊富營養(yǎng)化研究，成為反映水體富營養(yǎng)化程度的一個(gè)重要指標(biāo)[2]。

傳統(tǒng)的湖泊葉綠素a濃度監(jiān)測方法主要是通過在實(shí)地采樣后前往實(shí)驗(yàn)室進(jìn)行分析，或者設(shè)置定點(diǎn)的采樣臺(tái)站進(jìn)行自動(dòng)監(jiān)測，但這些方法實(shí)現(xiàn)起來耗費(fèi)大量人力物力，成本投入高，并且定點(diǎn)監(jiān)測僅能反映湖泊局部的水質(zhì)情況，難以全面地監(jiān)測湖泊整體水質(zhì)狀況。隨著衛(wèi)星遙感技術(shù)和遙感影像處理技術(shù)的快速發(fā)展，加之遙感手段具有監(jiān)測范圍廣、速度快、成本低、非接觸、便于進(jìn)行長期動(dòng)態(tài)監(jiān)測等優(yōu)勢，越來越多的學(xué)者將遙感手段應(yīng)用于水質(zhì)監(jiān)測，并取得一定的成就[3]。

Shuchman等[4]利用密歇根湖連續(xù)7年的SeaWiFS衛(wèi)星影像，反演了包括葉綠素a濃度在內(nèi)的各項(xiàng)水質(zhì)參數(shù)，并深入分析其季節(jié)和年際變化的趨勢。陶慜等[5]利用星地同步數(shù)據(jù)，對巢湖水質(zhì)進(jìn)行連續(xù)監(jiān)測，通過經(jīng)驗(yàn)正交函數(shù)分析方法將MODIS特征波段與葉綠素a進(jìn)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(zhǔn)同步實(shí)測數(shù)據(jù)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?？梢姡喙庾V遙感影像在湖泊葉綠素a監(jiān)測中具有非常好的應(yīng)用前景。

近年來，受高速的社會(huì)經(jīng)濟(jì)發(fā)展及華北地區(qū)氣候暖干化的影響，白洋淀水環(huán)境、水生態(tài)形勢不容樂觀，隨著，雄安新區(qū)的設(shè)立，白洋淀水環(huán)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(gè)月度的哨兵2號衛(wèi)星進(jìn)行數(shù)據(jù)處理，計(jì)算植被指數(shù)，并與地面實(shí)測的葉綠素a濃度進(jìn)行關(guān)聯(lián)分析，尋找其內(nèi)在聯(lián)系，建立關(guān)系模型，進(jìn)而利用哨兵2號影像對白洋淀進(jìn)行大范圍、持續(xù)的葉綠素a監(jiān)測，并深入分析白洋淀葉綠素a及水質(zhì)演變的過程和趨勢，便于管理者整體掌握白洋淀水質(zhì)情況，為白洋淀水生態(tài)保護(hù)提供強(qiáng)有力的技術(shù)支撐。

1? 數(shù)據(jù)與方法

1.1? 研究區(qū)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(qū)，涉及安新縣、雄縣和容城縣，是華北地區(qū)最大的濕地生態(tài)系統(tǒng)。白洋淀具有獨(dú)特的自然景觀，淀區(qū)風(fēng)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(huán)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(nèi)主要由白洋淀、馬棚淀、燒車淀、藻苲淀等大小不等的143個(gè)淀泊和3 700多條溝壕組成。淀區(qū)面積中85%的水域在安新縣境內(nèi)，構(gòu)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(shù)據(jù)源與數(shù)據(jù)處理

本文主要用的遙感影像為哨兵2號多光譜衛(wèi)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(wèi)星影像，其衛(wèi)星攜帶一枚多光譜成像儀（MSI），可覆蓋13個(gè)光譜波段，幅寬達(dá)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(wèi)星，一顆衛(wèi)星的重訪周期為10天，兩顆互補(bǔ)，重訪周期為5天。在光學(xué)數(shù)據(jù)中，哨兵2號數(shù)據(jù)是唯一一個(gè)在紅邊范圍含有三個(gè)波段的數(shù)據(jù)，衛(wèi)星影像主要用于陸地監(jiān)測，可提供植被、土壤和水覆蓋、內(nèi)陸水路及海岸區(qū)域等圖像，還可用于緊急救援服務(wù)。

本文從歐空局網(wǎng)站上收集2018年—2022年近5年的哨兵2號多光譜衛(wèi)星遙感影像，由于歐空局網(wǎng)站提供的哨兵2號影像是經(jīng)過正射校正和幾何精校正的產(chǎn)品，并未經(jīng)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(chǎn)品進(jìn)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(jìn)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(jìn)的歸一化水體指數(shù)（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(jì)算公式如式（1）。其中，GREEN表示綠波段，在哨兵2號影像中對應(yīng)第3波段，MIR對應(yīng)中紅外波段，在哨兵2號影像中對應(yīng)第11或第12波段。

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

通過計(jì)算影像的MNDWI，設(shè)定合適的閾值，區(qū)分影像中水體與非水體，進(jìn)而提取白洋淀水體范圍，并進(jìn)行裁剪。

1.4? 植被指數(shù)計(jì)算

植被指數(shù)指的是利用衛(wèi)星不同波段探測數(shù)據(jù)組合而成的，能反映植物生長狀況的指數(shù)。常見的植被指數(shù)有歸一化植被指數(shù)（Normalized Vegetation Index， NDVI），改進(jìn)植被指數(shù)（Modified NDVI， MNDVI），紅邊歸一化比值植被指數(shù)（Red－Edge NDVI， RENDVI），增強(qiáng)植被指數(shù)（Enhanced Vegetation Index， EVI）[8]。這些指數(shù)各具優(yōu)勢，本文采用歸一化植被指數(shù)NDVI，它是最常用并且效果較好的植被指數(shù)方法之一，其計(jì)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(yīng)第8波段，RED對應(yīng)中紅外波段，在哨兵2號影像中對應(yīng)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(jié)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(jì)算每一期（時(shí)間周期為3天）的NDVI值，并繪制NDVI時(shí)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(xiàn)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(guān)系模型，本文收集了2018年—2020年每個(gè)月月初的國控?cái)嗝嫒~綠素a實(shí)測數(shù)據(jù)，國控?cái)嗝姘蟿⑶f、燒車淀、圈頭、采蒲臺(tái)和光淀張莊，其位置分布示意如圖1中的紅色點(diǎn)標(biāo)注的位置。將2018年—2020年之間國控?cái)嗝嫔先~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?。粺嚨碚w變化不大，在每年的夏季及2019年1月份出現(xiàn)濃度較大的值；采蒲臺(tái)、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(xiàn)在每年的9月份，比南劉莊的葉綠素a濃度較大值出現(xiàn)的時(shí)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(tái)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(gè)斷面的葉綠素a濃度分別計(jì)算不同時(shí)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(guān)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(lián)系。為了找到這種關(guān)系，本文利用2018年—2019年之間每個(gè)月初的NDVI分布圖，提取出五個(gè)國控?cái)嗝鎸?yīng)的NDVI序列值，結(jié)合2018年—2019年五個(gè)國控?cái)嗝娴娜~綠素a實(shí)測值，構(gòu)建關(guān)系模型，并利用2020年的國控?cái)嗝嫒~綠素a實(shí)測值對該關(guān)系模型進(jìn)行檢驗(yàn)和評價(jià)。本文使用的評價(jià)指標(biāo)為相關(guān)系數(shù)R，其定義為：

（3）

其中：yi表示國控?cái)嗝嫒~綠素a實(shí)測值， 表示葉綠素a預(yù)測值， 表示國控?cái)嗝嫒~綠素a平均值，n表示參與計(jì)算的國控?cái)嗝鎮(zhèn)€數(shù)，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(guān)系模型與評價(jià)結(jié)果如表1所示，其中Chla表示葉綠素a濃度。可以看出多項(xiàng)式關(guān)系模型的相關(guān)系數(shù)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(gè)月初的哨兵2號影像，計(jì)算NDVI值，進(jìn)而使用上述方法構(gòu)建的關(guān)系模型，反演2020年—2022年白洋淀每個(gè)月初的葉綠素a濃度分布圖。計(jì)算每個(gè)月初白洋淀葉綠素a平均值，結(jié)合2018年以來的數(shù)據(jù)，繪制NDVI和葉綠素a濃度時(shí)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(zhì)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(zhì)情況整體較優(yōu)。

2019年以來，河北省針對白洋淀水質(zhì)，統(tǒng)籌實(shí)施的工業(yè)、城鎮(zhèn)、農(nóng)業(yè)農(nóng)村、淀區(qū)內(nèi)源污染治理、生態(tài)修復(fù)、河道整治、生態(tài)補(bǔ)水等九大類66項(xiàng)治理工程等一系列措施；2021年，白洋淀水質(zhì)達(dá)近10年來最好水平，白洋淀8個(gè)國考點(diǎn)位水質(zhì)全部達(dá)到或優(yōu)于Ⅳ類，其中1個(gè)為Ⅲ類，7個(gè)為Ⅳ類；2022年白洋淀水質(zhì)首次實(shí)現(xiàn)從劣Ⅴ類到Ⅲ類的跨越。這些信息也側(cè)面驗(yàn)證了本次實(shí)驗(yàn)成果的正確性。

3? 結(jié)? 論

本文利用2018年—2020年白洋淀五個(gè)國控?cái)嗝娴娜~綠素a實(shí)測數(shù)據(jù)，結(jié)合2018年—2020年白洋淀哨兵2號遙感影像，通過建立兩者的關(guān)系模型，通過2020年的實(shí)測數(shù)據(jù)對模型進(jìn)行檢驗(yàn)，得到最優(yōu)反演模型，進(jìn)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(shí)空變化情況。主要研究結(jié)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(jié)，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(jié)性。

（2）植被指數(shù)與葉綠素a濃度的時(shí)間變化規(guī)律具有一致性，可以通過構(gòu)建關(guān)系模型實(shí)現(xiàn)基于植被指數(shù)的葉綠素a濃度反演，結(jié)合遙感影像大范圍、持續(xù)監(jiān)測的優(yōu)勢，實(shí)現(xiàn)白洋淀葉綠素a濃度的整體動(dòng)態(tài)監(jiān)測。

（3）本文只針對葉綠素a進(jìn)行了研究，而水質(zhì)參數(shù)包括懸浮物濃度、透明度等，這些都是影響水質(zhì)的重要參數(shù)，后續(xù)的工作中，有必要對水質(zhì)與遙感的關(guān)系進(jìn)行深入研究，推進(jìn)多光譜遙感影像在水質(zhì)監(jiān)測中的服務(wù)能力。

參考文獻(xiàn)：

[1] 趙永宏，鄧祥征，戰(zhàn)金艷，等.我國湖泊富營養(yǎng)化防治與控制策略研究進(jìn)展 [J].環(huán)境科學(xué)與技術(shù)，2010，33（3）：92-98.

[2] 代前程.基于多源遙感數(shù)據(jù)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(xué)，2022.

[3]劉瑤，李俊生，肖晨超，等.資源一號02D高光譜影像內(nèi)陸水體葉綠素a濃度反演 [J].遙感學(xué)報(bào)，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(yè)務(wù)化運(yùn)行的巢湖水體葉綠素a估算算法 [J].湖泊科學(xué)，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(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2012，31（12）：2473-2479.

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

[8] 郭超凡，陳雯璟，牛明艷，等.基于多植被指數(shù)模型的草地地上生物量協(xié)同估算 [J].干旱地區(qū)農(nóng)業(yè)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(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃課題（2021YFB3900603）