基于多星遥感影像的太湖北部湖湾春季沉水植被分布动态监测

侍昊，张婷，李旭文，牛志春，王甜甜，李杨

(1.江苏省环境监测中心，江苏 南京 210036；2.南京林业大学林学院，江苏 南京 210037；3.南京师范大学虚拟地理环境教育部重点实验室，江苏 南京 210023)

基于多星遥感影像的太湖北部湖湾春季沉水植被分布动态监测

侍昊1，张婷2，李旭文1，牛志春1，王甜甜1，李杨3

(1.江苏省环境监测中心，江苏 南京 210036；2.南京林业大学林学院，江苏 南京 210037；3.南京师范大学虚拟地理环境教育部重点实验室，江苏 南京 210023)

利用多星遥感影像动态监测了2015年春季太湖北部湖湾沉水植被分布的变化过程，并对水生植被遥感监测中的几个关键问题展开了探讨。决策树方法获取的水生植被分布结果表明，2015年4月28日太湖北部湖湾发现明显沉水植被分布面积约11.2 km2，与2014年同期相比，新出现的较大面积沉水植被分布区域主要集中在田鸡山西和锡东水厂附近。提出应及时清理打捞，避免水生植被死亡腐烂，威胁水质安全。

遥感；沉水植被；动态监测；太湖

太湖是我国第三大淡水湖泊，位于长江三角洲南翼坦荡的太湖平原上，于30°55′40″—31°32′58″N，119°52′32″—120°36′10″E之间。水生植被具有净化水质、保护环境等生态功能，是太湖生态系统演化和平衡的重要调控者，对陆域水体的物理和化学环境具有显著改善作用[1-3]。但太湖流域经济快速发展和湖泊资源高强度利用，造成太湖水生植被从20世纪60年代至今出现了明显的衰退，除东太湖及局部区域有少量分布外，湖区内水生高等植被几乎绝迹，“水下森林”现象逐步消失。为此，利用卫星遥感技术监测水生植被分布现状及其空间变化，成为保护水生植被资源的重要手段。

目前，GF、HJ、Landsat和MODIS等遥感影像已成为水生植被监测的主要数据源，但在遥感监测中发现，湖泊水生植被生长不仅受到温度、光照和生物等因素影响，而且也受到围网养殖、水体富营养化、水利工程和生态修复等人类活动因素影响[4-5]。

若使用中尺度的MODIS影像很难识别水生植被生长初期的空间变化过程，尤其不适合识别沉水植被等小范围的水生态现象；若单纯利用某一类中高分辨率卫星也不易捕捉到水生植被的变化过程，如Landsat 8系列卫星具有丰富的光谱信息，但是重访周期需要16 d，还常受到云层干扰，严重影响数据质量。

因此，在太湖水生植被的遥感监测上(尤其是沉水植被的监测)，需要借助多颗卫星组合监测，利用Landsat、HJ和GF等多个系列卫星，形成观测的长时间序列，能够及时、快速、准确地捕捉到水生植被的分布及其变化。

在近2年太湖湖体巡查中发现，北部湖湾局部湖面在春季常出现较大面积的沉水植被分布，这表明随着2007年以来铁腕治污的不懈努力，太湖部分湖区正在由中度富营养化、“藻型”生境向轻度富营养化、“草—藻共生型”生境演变。为进一步摸清春季太湖北部湖湾沉水植被的空间分布及其变化，为其他区域湖泊水生植被监测提供借鉴和参考，现以2015年3—5月Landsat、HJ和GF等多源遥感影像为主要数据源，对竺山湖、梅梁湖和贡湖3个湖湾开展沉水植被遥感调查。

1 数据源及处理方法

1.1 数据源

从太湖沉水植被遥感监测的可行性出发，在遥感数据的选取上，应尽可能选择数据易获取、重复观测时间短、时间序列较长、空间分辨率较高的数据源，能够及时捕捉到沉水植被的生长过程。

现以太湖沉水植被遥感监测以中分辨率遥感影像为主要数据源，时间为2014年和2015年3月下旬—5月下旬，包括了国产高分一号(GF-1，WFV)、环境卫星(HJ-1，A/B)和美国陆地卫星(Landsat)等多种数据源(共计22景)，监测区域选取的影像均无明显云层覆盖，不影响水生植被遥感识别，见表1和图1(a)(b)(c)(d)。

表1 太湖地区遥感影像数据集

图1 太湖地区遥感影像

1.2 数据处理方法

1.2.1 影像预处理

数据处理涉及多颗卫星遥感影像，因此在基于FLAASH(Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)方法进行大气校正后，需要对每个影像进行几何精校正：首先利用Landsat系列卫星影像数据的GLS 2005控制点库[6]，在Landsat 8 影像上均匀选取20～25个参考点进行几何校正；然后以Landsat 8 影像为参考影像，对GF-1、HJ-1和ETM+等数据进行精校正，要求校正后影像的均方根误差<1个像元；最后将太湖矢量图层(WGS_1984_UTM投影坐标系)与影像叠加裁剪出太湖水体区域。

1.2.2 信息提取

QUEST(Quick Unbiased and Efficient Statistical Tree，QUEST)是一种快速、无偏、高效决策树算法，该算法将变量选择和分割点的选择分开进行，既适用于连续型的变量又适用于离散型的变量，同时还克服了其他决策树算法更倾向于选择具有更多潜在分割点的预测变量的缺点，而且这种多元决策树可以通过多个预测变量构成的超平面在特征空间中区分类别成员和非类别成员[7]。现基于地面实测的训练样本，利用QUEST算法建立研究区分类规则，提取水生植被的空间分布，考虑到此次使用的多源遥感数据的光谱分辨率存在一定差异，故在特征变量的构建上以原始波段为主，并没有加入光谱指数和图像变换变量(如归一化植被指数、主成分变换和缨帽变换等)。遥感影像处理工作均在ENVI(The Environment for Visualizing Images)平台下完成。

2 结果分析

2.1 水生植被信息遥感提取

水生植被波长特征能够体现出不同类型间反射率的差异，如沉水植被在近红外波长区域，并没有像漂叶植被表现出较高反射率，因其对入射水体的太阳辐射能量的高度利用，表现出与水体更为接近的低反射率特征。

李俊生等[2]对太湖地物光谱的实测结果详细地说明了它们之间的差异，如漂叶植被、沉水植被、水华和水体的反射率光谱存在一定的反射峰和反射谷，分别是555 nm 附近的反射峰、625 nm 附近的反射谷、650 nm 附近的反射峰、675 nm 附近的反射谷、700 nm 附近的反射峰、815 nm 附近的反射峰等(图2)。

图2 漂叶植被、沉水植被、水华和水体的代表反射率光谱[2]

沉水植被遥感信息主要基于上述光谱特征进行识别和提取，利用2015年4月10日、4月17日、4月28日和5月12日4期影像可以大致了解2个主要区域的沉水植被生长变化过程，见图3(a)(b)(c)(d)和图4(a)(b)(c)(d)红线所示区域。

从影像上看，太湖北部竺山湖田鸡山西和贡湖锡东水厂附近在4月10日之前无明显水色变化现象发生，从4月17日开始水色出现较暗的变化，到4月28日水色发暗区域明显扩大，直至5月12日水色才逐步恢复正常。

提取太湖北部沉水植被信息后发现，此次沉水植被出现大面积分布的时间集中在4月和5月初，其中2015年4月28日太湖北部发现明显沉水植被，面积约11.2 km2，主要分布在竺山湖百渎港、田鸡山西和贡湖沙渚、锡东、金墅港。值得注意的是，竺山湖田鸡山西和贡湖锡东附近出现较大面积沉水植被分布，面积分别约为 3.4和5.3 km2，见图5(a)(b)。

图3 田鸡山西沉水植被分布及变化

图4 锡东水厂沉水植被分布及变化

图5 太湖北部沉水植被遥感信息提取

2.2 水生植被信息调查

通过开展地面核查验证发现，卫星影像判别沉水植被区域与地面核查结果一致，水色异常变化过程主要由于沉水植被快速生长所引起。经鉴定该区域水生植被为眼子菜属(Potamogeton)，生态型为沉水植被，群落类型为单优群落，群丛优势种为菹草(Potamogetoncrispus)，见图6(a)(b)(c)。

菹草是太湖中一种比较典型的秋季发芽、越冬生长的沉水植被(生长季节主要为11月—次年5月，一般3—4月份随着水体温度回升加速生长，5月份以后生长减慢，经过长时间积累，生物现存量大，进入6月会逐渐衰退腐烂)，很适合在富营养化条件下生长。

作为一种生存策略，菹草在生长期上避开了水华暴发期，更易生存并形成单优群落，但是这种由单一生活型(或生长型)组成的水生植被群落在生态上是极为脆弱和不稳定的，很容易受到外界环境的干扰而遭受灭顶之灾[8]。

图6 太湖沉水植被调查

2.3 重点湖区空间分布对比分析

利用2015年4月28日和2014年5月1日的HJ-1遥感影像对竺山湖、梅梁湖和贡湖沉水植被空间分布进行对比分析表明，与2014年相比，遥感监测水生植被均为沉水植被(地面调查的植被类型以菹草为主)，但空间分布上略有变化。

相对于2014年，2015年春季竺山湖百渎港、田鸡山西和贡湖沙渚、锡东水厂附近新出现了较大范围的水生植被，面积分别为3.6和5.6 km2，见图7(a)(c)；2014年在梅梁湖三山附近监测到新增大面积沉水植被，面积约为4.9 km2，见图7(b)。

图7 太湖北部水生植被空间分布对比

3 讨论

3.1 水生植被遥感监测数据源选择

太湖水生植被生长存在明显的季节交替性，一般在春夏季生长缓慢，秋季生长旺盛，9月份生物量最高，随后开始出现衰败直至死亡，冬季生物量最低[9]，而北部湖区的菹草是一种越冬生长的沉水植被，生长季节主要为11月—次年5月，一般3—4月份后遥感影像能够识别。

考虑到水生植被的季节特征和环境监管需求，一般选择数据易获取、重复观测时间短、时间序列较长、覆盖面积广、空间分辨率较高的影像[10]，如美国陆地资源卫星(Landsat-8)、环境一号卫星(HJ-1，A/B)和高分一号卫星(GF-1，WFV)等基本上可以满足太湖水生植被遥感调查的要求。但太湖流域属于多云多雨地区，一般4月份后光学遥感图像的质量常受到干扰，如2015年4—5月份太湖区域61景MODIS影像中，云量覆盖低于50%以下仅有25景。

目前雷达影像成像可不依赖光照，而靠自身发射的微波，能穿透云、雨、雪和烟雾，具有全天时、全天候成像能力[11]，但数据获取、覆盖范围和信息提取上仍有诸多问题，在用于水生植被日常监测工作上仍存在较大的不确定性。因此，完全依靠某一类型传感器影像很难准确跟踪到水生植被空间变化过程，仍需要加强处理多源遥感数据集方法使用，形成综合分析能力。

3.2 水生植被遥感特征信息增强

与陆地植被遥感监测相比，水生植被遥感信息提取易受到水色、蓝藻水华等多个因素影响[12-14]，如本次遥感调查的太湖北部沉水植被在影像上的光谱特征与附近水体近似，不易区分。因此，在水生植被信息提取上需要借助更多辅助数据，以便于提高分类精度：一方面，选择使用水体透明度、营养状态、酸碱度和水深等监测数据有助于判别水生植被生长的空间范围；另一方面，借助光谱指数和图像变换等方法建构多个变量能够增强水生植被的光谱特征，如归一化植被指数能够增强浮叶和挺水植被信息，缨帽变换中前3个分量可以表征土壤光谱、植被光谱和地物湿度信息，也利于植被和水体信息的分离。

3.3 水生植被的精细化识别

根据水生植被在遥感影像上的光谱特征，一般划分为开敞水域(无明显水生植被聚集区域)、挺水植被、浮水植被和沉水植被4种类型。

由于该次遥感调查主要针对沉水植被，又处于春季，并无明显浮叶和挺水植被的干扰。但在水生植被生长旺季，常出现不同类型植被间无明显边界、多种类型植被共生的现象，如“浮叶—沉水”植被(以浮叶植被为主或以沉水植被为主)，而目前利用多光谱遥感数据很难解决这一问题，会造成一定误判[2，11]。

因此，在精细化识别上，需要借助于高光谱等新遥感数据捕捉不同类型水生植被间的细微化差异，但目前利用高光谱影像对水生植被精分类等开展的研究工作还需要进一步加强。

4 结论

以中分辨率多源遥感影像为主要数据源，利用决策树分类方法提取了太湖北部沉水植被的空间分布，并对遥感技术提取水生植被遥感信息的几个关键方面展开了探讨。遥感调查结果表明，2015年春季太湖北部竺山湖和贡湖发现较大范围水生植被分布，空间分布与地面验证结果一致。由于春夏季是太湖蓝藻大量繁殖时期，水生植被大面积密集生长可能会对藻类的迁移起到阻隔作用。若沉水植被繁殖密度和分布面积达到一定程度，会积滞水体中的藻类，造成藻类迅速富集，形成“草—藻”共存的现象。因此建议春末夏初在重点湖区应加密地面巡查频次，一旦发现“草—藻”聚集现象，应及时清理打捞，避免水草及藻类死亡腐烂，威胁水质安全。

随着近年不断涌现的新卫星传感器，如我国高分二号、欧空局的哨兵2A等，这些新发射的高分系列卫星图像清晰、色彩分明、层次感强，充分体现了高分辨率卫星影像的特点。今后需要利用多颗高分卫星进行协同观测，形成长时间序列，可有效地提高水生植被动态监测的“时谱”能力。

[1] 杨清心. 东太湖水生植被的生态功能及调节机制[J]. 湖泊科学，1998，10(1)： 67-72.

[2] 李俊生，吴迪，吴远峰，等. 基于实测光谱数据的太湖水华和水生高等植物识别[J]. 湖泊科学，2009，21(2)： 215-222.

[3] 林川，宫兆宁，赵文吉. 基于中分辨率 TM 数据的湿地水生植被提取[J]. 生态学报，2010，30(23)： 6460-6469.

[4] 谷孝鸿，张圣照，白秀玲，等. 东太湖水生植物群落结构的演变及其沼泽化[J]. 生态学报，2008，25(7)： 1541-1548.

[5] 刘伟龙，胡维平，陈永根，等. 西太湖水生植物时空变化[J]. 生态学报，2007，27(1)： 159-170.

[6] 张浩，葛小青，冯旭祥. Landsat 8影像像元地理坐标计算[J]. 遥感信息，2013，28(5)：52-58.

[7] SESNIE S E，GESSLER P E，FINEGAN B，et al.Integrating Landsat TM and SRTM-DEM derived variables with decision trees for habitat class ification and changede tection in complex neotropical environments[J].Remote Sensing of Environment，2008，112：2145-2159.

[8] 金相灿，颜昌宙，许秋瑾. 太湖北岸湖滨带观测场水生植物群落特征及其影响因素分析[J]. 湖泊科学，2007，19(2)：151-157.

[9] 李继影，孙艳，侍昊，等. 太湖水草监管体系构建初步研究[J]. 环境监控与预警，2014，6(5)：54-56.

[10] 李旭文，牛志春，姜晟，等.Landsat 8卫星OLI遥感影像在生态环境监测中的应用研究[J].环境监控与预警，2013，5(6)：1-5.

[11] 王莉雯，卫亚星. 湿地生态系统雷达遥感监测研究进展[J]. 地理科学进展，2011，30(9)： 1107-1117.

[12] MA R H，DUAN H T，GU X H，et al.Detecting Aquatic Vegetation Changes in Taihu Lake，China Using Multi-temporal Satellite Imagery[J]. Sensors，2008(8)： 3988-4005.

[13] OYAMA Y，MATSUSHITA B，FUKUSHIMA T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Landsat/TM and ETM+ shortwave infrared bands[J]. Remote Sensing of Environment，2015，157： 35-47.

[14] 张寿选，段洪涛，谷孝鸿. 基于水体透明度反演的太湖水生植被遥感信息提取[J]. 湖泊科学，2008，20(2)： 184-190.

栏目编辑 李文峻 周立平

Dynamic Monitoring of Distribution of Submerged Vegetation in the North of Taihu Lake in Spring Based on Multi-source Remote Sensing Images

SHI Hao1，ZHANG Ting2，LI Xu-wen1，NIU Zhi-chun1，WANG Tian-tian1，LI Yang3

(1.JiangsuEnvironmentalMonitoringCenter，Nanjing，Jiangsu210036，China；2.CollegeofForestry，NanjingForestryUniversity，Nanjing，Jiangsu210037，China；3.MinistryofEducationKeyLaboratoryofVirtualGeographicEnvironment，NanjingNormalUniversity，Nanjing，Jiangsu210023，China)

The distribution and variation of submerged vegetation in the north of Taihu Lake in the spring of 2015 were monitored using multi-source remote sensing images. This paper discussed the key problems in monitoring aquatic vegetation by using the technique. The monitoring results acquired on 28th of April based on the decision tree method showed that the area of submerged vegetation in the north of Taihu Lake was about 11.2 km2. Compared with the results obtained from the same period in 2014，the newly emerged large areas of submerged vegetation were mainly concentrated near the west of Tianji Mountain and around of Xidong Waterworks. It was suggested that submerged vegetation should be cleared away and salvaged timely to avoid the death and decay of aquatic vegetation，which posed threats to water quality.

Remote sensing；Submerged vegetation；Dynamic monitoring；Taihu Lake

2015-07-31；

2015-11-04

江苏省环境监测基金资助项目(1416)；高分辨率对地观测系统重大专项基金资助项目(05-Y30B02-9001-13/15-WX2)；国家水体污染控制与治理科技重大专项基金资助项目(2012ZX07506003)；江苏省普通高校研究生科研创新计划基金资助项目(KYLX15_0745)

侍昊(1986—)，男，工程师，博士，研究方向为生态环境遥感监测。

X87

B

1674-6732(2016)01-0013-06