基于天地协同的巢湖水华分布特征分析

赵 焕,朱 利,吴传庆,孟 斌,周亚明,贾 兴 (环境保护部卫星环境应用中心,北京 100094)

水华是一种由水体富营养化引起藻类大量繁殖的自然生态现象.近年来,受人为活动和自然气候变化影响,巢湖经常暴发大面积水华.遥感手段监测具有客观,大范围,快速,连续,动态和直观性等特点,遥感技术可以较好监测水华的时空差异性和分布特征.国内外很多学者利用遥感监测湖库的水华分布. NOAA,MERIS或MODIS等高时间分辨率卫星遥感影像数据,具有较好的探测湖库水华暴发的能力,可通过多时相遥感数据分析湖库不同区域,不同季节水华出现的概率[1-3].NDVI[4]方法和 FAI[5]指数方法,被用于研究巢湖蓝藻起始时间,持续时间,覆盖度和空间分布频率等,揭示蓝藻水华时空分布规律.波段比值,插值等方法,被用于提取不同历史时期的太湖蓝藻水华[6].

除了卫星遥感,地面水质参数现场检测对于研究水华形成原因[7-10]、水华预警、评价湖泊富营养化[11]及水质状况[13]具有重要意义.水质参数实测数据可以用于研究巢湖营养物质存在时空差异性[13-14].此外,基于水体藻蓝素等实测数据,利用 MODIS数据 建立藻蓝素的估测模型也可用于预测水华发生和通过多元统计分析方法可明确与藻生物量变化最密切的参数[15-16].然而传统的地面水质参数监测手段,无法获取水华面积,也不便获得多时段连续的监测数据,对于较大面积的水域,无法反应出水华的时空分布规律,有一定局限性.由于上述两种手段的特征不同,导致各自监测和评价水华的结果有差异性.因此需要对比分析不同区域地面实测数据与遥感监测结果是否有较好的一致性.将地面水质参数与卫星遥感监测结果相结合,进行天地协同对比分析,可为环境管理提供有效支撑.

本研究利用聚类分析的方法将采样点分组,并结合卫星遥感监测数据,分析巢湖不同区域水质特征与遥感监测水华空间变化关系,分析遥感数据与实测水质数据相关性,可以更全面,更准确,更有代表性的分析巢湖水华分布特征.

1 数据与方法

1.1 研究区概况

巢湖位于安徽省中部,属于受人类干扰强烈的大型浅水湖泊,污染源分布广,成因复杂.气候为亚热带季风气候,多年平均年降水量 1215mm,5～8月为汛期其降水量占年降水量一半以上[17],同时也是水华高发期,

1.2 实测水质数据与分析方法

本文的水质数据来源是环保部全国断面水质数据,由相关环境部门于2016年4～10月,每周一次实地采样测量,地面采样测试数据共 33次,主要包括叶绿素a浓度,藻密度,总氮,总磷含量等.水质指标的分析测定均采用国家标准方法,具体的实验室测量水样指标的方法请参考《水和废水监测分析方法》第四版[18].

2016年4～10月水质监测数据,在巢湖设12个采样点[16,19],分别为巢湖船厂,巢湖坝口,中垾乡,东半湖湖心,北兆河入湖区,忠庙,南淝河入湖区,塘西,派河入湖区,十五里河入湖区,西半湖湖心,新河入湖区,具体站点分布见图1.

统计每个站点不同月份均值的数据特征.利用Q型聚类[20]的方法将各站点分类.聚类分析选用欧式距离(Euclidean距离)和离差平方和(ward)算法.Ward 法是先将集合中每个样本自成一类,在进行类别合并时,将离差平方和增加幅度最小的两类首先合并,直至所有样品合并为一类.Ward法的类间距离是某两个样品合并后所增加的离差平方和:

Di2为第p,q的类间距离;Wr,Wp,Wq分别是第r,p,q类样品的离差平方和.聚类分析分为Q型聚类和R型聚类,从研究对象本身确定类别数用Q型聚类,针对样本的属性参数分类用R型聚类,本研究暂时不需要进行属性参数的R型聚类.

图1 巢湖遥感影像图及地面采样点分布Fig.1 Remote sensing images and field sampling sites distributions in Chaohu Lake

1.3 遥感数据

MODIS是搭载在terra和aqua卫星上的一个重要传感器,每日可获得 2次及以上的光学数据,最大空间分辨率可达 250m,数据含红光和近红外 2个波段.利用 250m的 MODIS数据基于NDVI方法监测蓝藻水华,无论在空间分辨率还是时间分辨率都较适合国内大中型内陆水体的蓝藻水华遥感监测.

本文选择巢湖2016年4～10月(一年中水华高发期)共211景MODIS遥感影像数据,用于提取水华面积.

1.4 水华遥感提取方法

蓝藻水华与正常水体的光谱特征存在一定差异性,水华在近红外谱段反射率存在明显陡坡效应,因此可以利用NDVI方法(公式2)开展蓝藻水华监测[4].本文利用 NDVI阈值法分割提取巢湖水华.基于巢湖每日的蓝藻水华监测结果,计算水华发生频次,为该地区水华累计次数,反映水华易发程度的大小;计算水华持续时间(天数),是该区水华最后一次发生的日期与第一次发生日期之间的天数,反应水华存在时间长短;计算水华起始日期,为地区第一次发生水华的日期,反应水华最早出现的地区差异性,进而判断水华转移趋势[4].

ρnir和ρred分别代表近红外波段和红光波段的反射率.

2 结果与分析

2.1 水华遥感监测结果

2016年巢湖水华高发区为靠近合肥市的巢湖西北部水域和西部沿岸,发生次数均大于17次(图 2深色区域),巢湖西北部水域及沿岸发生次数为 13～16次,巢湖东部水域中部地区水华发生次数较低集中在 1～6次.巢湖水华易发程度从靠近合肥市的西北部水域向东南部水域递减.

图2 巢湖2016年4～10月水华发生频次分布Fig.2 Algal bloom frequency in Chaohu Lake from April to October in 2016

2016年巢湖水华最早出现于5月14日,面积约8km2,占巢湖总面积的1.05%,主要分布在巢湖西北部水域(图 3).2016年巢湖水华迁移情况为:先在5月中下旬出现在西北部沿岸(靠近合肥市)和东部水域北部,随时间推移向西南部和中部扩散,9月初水华发展至巢湖中部,东部和西南部沿岸,巢湖东南部水域是最后的新增水华区域.

从持续时间来看,水华持续天数最长的区域是巢湖西部水域的北部沿岸,西部水域,巢湖西部水域大部分地区的水华持续天数集中在 95～113d,持续天数最短的区域是东北部,中部水域的西部地区和南部沿岸部分区域(图4).

图3 巢湖2016年4～10月水华起始日期分布Fig.3 Initiate blooming date of algal bloom in Chaohu Lake from April to October in 2016

图4 巢湖2016年4～10月水华持续时间分布Fig.4 Algal bloom durations in Chaohu Lake from April to October in 2016

2.2 水质数据统计与聚类分析结果

为进一步区分不同区域的采样点差异特征,依据33次水质数据(水温,透明度,pH值,溶解氧,高锰酸盐指数,氨氮,总磷,总氮,叶绿素 a,藻密度)对12个监测站点进行聚类分析.首先进行标准化处理去除量纲的影响,然后通过 Q型聚类分析,聚类分析选用离差平方和(ward)算法和欧式距离(Euclidean距离)分析.结合样点分布地理位置和Q型聚类分析结果,选取分类距离等于15时进行分组,巢湖的12个点分成2组,其中1组位于巢湖的东部,我们称之为东区,包括:东半湖湖心,北兆河入河区,巢湖船厂,中垾乡,巢湖坝口;另一组位于巢湖的西部,称之为西区,包括:新河入湖区,忠庙,十五里河入湖区,塘西,西半湖湖心,派河入湖区,南淝河入湖区.东区和西区的站点具体分布情况见图1.

2.3 采样点对应的水华空间分布特征

结合巢湖水华频次结果(图 2)和监测站点对应的水华频次,起始时间和持续时间(表1)可看出,处于西半湖的样点如十五里河入湖区,塘西,南淝河入湖区,水华发生频次为 9～12次,西半湖湖心,派河入湖区,水华发生频次为5～8次,新河入湖区,忠庙,水华发生频次为1～4次.其中巢湖西部水域的西北沿岸为水华高发区,在靠近合肥市的一些区域水华发生频次最高为21次,占巢湖水华总频次的33.33%;在西部水域由西向东水华发生频次逐渐减少;东部水域水华发生次数最少.

东区中巢湖坝口和巢湖船厂未监测到明显水华,东半湖湖心水华持续天数为 1d,北兆河入河区持续天数较多为97d,水华开始时间较早(6月16日),水华发生次数为2次;东半湖湖心,中垾乡水华发生频次较少,中垾乡水华开始时间为5月30日,持续天数为28d,东半湖湖心站点水华开始时间最晚在9月20日.西区中十五里河入湖区和西半湖湖心水华开始日期较早在5月19日,同时水华持续时间和发生频次也较高,西半湖湖心的水华持续时间最长达 131d,西半湖湖心水华开始日期最早,水华发生频次较多,其次是南淝河入湖区.水华最早出现在西部水域中东部地区,东部水域中部地区,然后随时间推移,水华出现区域向西部水域的西南方向和东部水域的北部方向扩散,最晚出现水华的地区为西南沿岸和东北沿岸.综上,西区水华出现早,发生频次较高,持续时间较长与巢湖水华遥感监测的空间分布特征相一致.

朱利等[4]只是通过遥感影像数据分析了巢湖蓝藻水华的高发区,持续时间,移动趋势等,本文将遥感数据与地面监测数据结合,利用天地数据协同分析,得出西区水质参数和水华面积相关性大,对水华监控工作有一定的实际指导意义.在巢湖蓝藻水华高发的夏秋季节,可以有侧重的针对西区加密采样点布设.

表1 巢湖水质监测站点对应的水华频次,起始时间和持续时间Table 1 Frequency, initiate date and durations of algal bloom based on the water quality monitored stations in Chaohu Lake

2.4 水质数据与水华遥感监测结果相关性分析

利用SPSS软件对遥感监测结果水华面积与实测水质数据进行相关性分析,结果见表 2.相关分析结果表明,2016年西区水质因子与水华面积显著相关,总磷,叶绿素和藻密度与累计水华面积呈正相关,总氮和氮磷比与累计水华面积呈负相关性,且氮磷比为显著相关,相关系数均大于总氮和总磷;东区与水华面积等参数关系不显著,同时西区水质参数与水华面积的相关性系数明显大于东区的.

叶绿素a和藻密度与水华呈强相关性,是反映湖泊富营养化程度的重要表征参数[21-24].本文将叶绿素 a,藻密度和水华面积对比分析,按照上述聚类分组分别计算东区站点藻密度和叶绿素a的均值,西区站点藻密度和叶绿素a的均值和12个站点藻密度和叶绿素a的均值,如图5所示.平均水华面积在5～10月呈现“增加～降低”的波动变化趋势,在 7月平均水华面积最小为 21.34km2,在 9月最大为57.04km2;由图5a可看出,5～10月东区站点藻密度变化趋势呈现“降低～增加～降低”的波动变化趋势,在5月藻密度最大为369万个/L,10月藻密度最小为129万个/L,其变化趋势与平均水华面积变化趋势不相符;此处,西区站点藻密度呈现“增加～降低”的波动变化趋势,在7月最小为104万个/L,在9月最大为1203万个/L,变化趋势与水华面积相一致;图5a中藻密度在7月最小为144万个/L,在9月最大为771万个/L,藻密度变化趋势为“降低～增加～降低”的波动变化趋势,与水华面积变化趋势一致性较差.由图5b可看出,叶绿素a呈现降低～增加的波动变化趋势,均在8月出现最大值,最大值分别为 6.57,8.74,7.83mg/m3,但叶绿素a的7～10月变化与水华面积变化的一致性相对较好.综上可知,西区样点藻密度和叶绿素与平均水华面积变化趋势相似,相对东区,相关性系数结果有较好的一致性.

国内外研究表明,总氮,总磷是影响藻类繁殖的主要营养盐,蓝藻生物量与总氮,总磷具有显著的相关性[25-26].太湖等内陆湖泊蓝藻水华暴发时营养盐的要求为TN＞1.26mg/L,TP＞0.082mg/L[27],而最适宜蓝藻生长的氮磷比在10～30之间[28].根据图6可知,从4～10月总磷呈现出波动中增加的趋势,总氮呈现波动中降低的趋势,氮磷比值也呈现波动中下降的趋势.9月水华状况较严重,东区总磷含量为0.08,接近水华暴发时总磷的阈值,西区总磷含量(0.19mg/L)明显高于东区,高出水华暴发时总磷阈值的1.32倍;东区总氮含量为0.77,低于水华暴发时总氮阈值的38.89%,西区总氮含量(1.24mg/L)明显高于东区,接近水华暴发时总氮阈值;在 9月东区和西区氮磷比值均为各月最低值,且没在易发生水华的阈值范围内,是因为 9月总磷含量增加的速度明显高于总氮含量变化的速度.6月也发生了较大面积水华,西区的总磷(0.14mg/L),总氮(2.35mg/L)和氮磷比(16.71)均在易发生水华的阈值范围内.因营养盐条件较适宜蓝藻生长,西区是水华易发区,与相关性系数结果有较好一致性.

表2 2016年巢湖水质参数与水华面积相关系数Table 2 Correlation coefficient between water quality parameters and algal bloom area in Chaohu Lake

本研究在利用实测水质数据和遥感影像联合监测蓝藻水华方面做了一些初探,未来还需进一步开展相关研究.首先,蓝藻水华强度评价目前主要是采用两种独立的方法:水面实测藻密度和遥感监测水华面积,将来应研究如何将两种方法结合综合评价水华.其次,还可将遥感监测结果,水面实测水质数据与气象因素[29]结合起来,研究水华的预测预警[30].

图5 巢湖2016年4～10月平均水华面积与藻密度,叶绿素a对比Fig.5 Comparisons of monthly average algal bloom area with algal density and chlorophyll in Chaohu Lake from April to October in 2016

图6 巢湖2016年4～10月总氮,总磷和氮磷比值Fig.6 Monthly average value of total nitrogen, total phosphorus and their ratio in Chaohu Lake from April to October in 2016

3 结论

3.1 巢湖西北部是水华高发区(发生次数在 17次以上),也是水华出现最早的区域,监测到的水华范围由此向东南部和中部扩散,发生次数也逐渐减少.

3.2 地面监测样点中,西半湖湖心为水华开始日期最早(5月19日)且持续时间最长(131d)的样点;塘西为水华发生频次最多(10次)的样点.

3.3 水华高发区(西区)藻密度和叶绿素 a,总磷,总氮与水华面积相关性较显著(R2均大于0.6),东区的水质参数与水华面积相关性较差.

[1]张 红,黄 勇.基于NOAA/AVHRR卫星资料的巢湖水华规律分析 [J]. 中国环境科学, 2009,29(7):727-732.

[2]Reinart A, Kutser T. Comparison of different satellite sensors in detecting cyanobacterial bloom events in the Baltic Sea [J].Remote Sensing of Environment, 2006,102:74-85.

[3]徐京萍,张 柏,李 方,等.基于MODIS数据的太湖藻华水体识别模式 [J]. 湖泊科学, 2008,20(2):191-195.

[4]朱 利,王 桥,吴传庆,等.巢湖水华遥感监测与年度统计分析研究 [J]. 中国环境监测, 2013,29(2):162-166.

[5]唐晓先,沈 明,段洪涛.巢湖蓝藻水华时空分布(2000～2015年)[J]. 湖泊科学, 2017,29(2):276-284.

[6]段洪涛,张寿选,张渊智,等.太湖蓝藻水华遥感监测方法 [J]. 湖泊科学, 2008,20(2):145-152.

[7]于 洋,彭福利,孙 聪,等.典型湖泊水华特征及相关影响因素分析 [J]. 中国环境监测, 2017,33(2):88-94.

[8]陈宇炜,秦伯强,高锡云.太湖梅梁湾藻类及相关环境因子逐步回归统计和蓝藻水华的初步预测 [J]. 湖泊科学, 2001,13(1):63-71.

[9]李 波,濮培民,韩爱民.洪泽湖水质的时空相关性分析 [J]. 湖泊科学, 2002,(3):259-266.

[10]王书航.巢湖水华时空分布特征及成因初步分析 [D]. 合肥:合肥工业大学, 2010.

[11]吴 朝.巢湖西半湖富营养化影响因子定量分析研究 [D]. 合肥:安徽农业大学, 2009.

[12]王 睿.巢湖流域水环境质量评价与水质预测模型研究 [D].合肥:合肥工业大学, 2009.

[13]吴 珺.李 浩.曹德菊,等.巢湖东半湖蓝藻水华暴发时空动态及成因 [J]. 农业环境科学学报, 2013,32(10):2035-2041.

[14]贾晓会,施定基,史绵红,等.巢湖蓝藻水华形成原因探索及”优势种光合假说”[J]. 生态学报, 2011,31(11):2968-2977.

[15]马荣华,孔维娟,段洪涛,等.基于MODIS影像估测太湖蓝藻暴发期蓝藻素含量 [J]. 中国环境科学, 2009,29(3):254-260.

[16]王书航,姜 霞,金相灿.巢湖水环境因子的时空变化及对水华发生的影响 [J]. 湖泊科学, 2011,23(6):873-880.

[17]王雪蕾,王新新,朱 利,等.巢湖流域氮磷面源污染与水华空间分布遥感解析 [J]. 中国环境科学, 2015,35(5):1511-1519.

[18]国家环境保护总局《水和废水监测分析方法》编委会.水和废水监测分析方法,第四版 [M]. 中国环境科学出版社, 2002:596.

[19]丁 虹.巢湖 2005—2014年湖体水质状况 [J]. 水资源开发与管理, 2016,(3):57-59.

[20]李新蕊.主成分分析,因子分析,聚类分析的比较与应用 [J]. 山东教育学院学报, 2007,22(6):23-26.

[21]刘文杰.内陆湖泊蓝藻水华的遥感监测与评价研究 [D]. 北京:中国地质大学(北京), 2013.

[22]梅长青,王心源,彭 鹏.应用 MODIS 数据监测巢湖蓝藻水华的研究 [J]. 遥感技术与应用, 2008,23(3):328-332+241.

[23]李 颖,施 择,张榆霞,等.关于用藻密度对蓝藻水华程度进行分级评价的方法和运用 [J]. 环境与可持续发展, 2014,39(2):67-68.

[24]吴阿娜,朱梦杰,汤 琳,等.淀山湖蓝藻水华高发期叶绿素 a动态及相关环境因子分析 [J]. 湖泊科学, 2011,23(1):67-72.

[25]吴 凯.太湖水华蓝藻上浮特征及其机理研究 [D]. 南京:南京大学, 2011.

[26]许 海,朱广伟,秦伯强,等.氮磷比对水华蓝藻优势形成的影响[J]. 中国环境科学, 2011,31(10):1676-1683.

[27]Xu H, Paerl H W, Qin B, et al. Determining Critical Nutrient Thresholds Needed to Control Harmful Cyanobacterial Blooms in Eutrophic Lake Taihu, China [J]. Environmental Science &Technology, 2015,49(2):1051-1059.

[28]Yu G, Jiang Y, Song G, et al. Variation of Microcystis and microcystins coupling nitrogen and phosphorus nutrients in Lake Erhai, a drinking～water source in Southwest Plateau, China [J].Environmental Science & Pollution Research, 2014,21(16):1-12.

[29]李亚春,谢小萍,杭 鑫,等.结合卫星遥感技术的太湖蓝藻水华形成风场特征 [J]. 中国环境科学, 2016,36(2):525-533.

[30]郑剑锋,焦继东,孙力平.基于神经网络的城市内湖水华预警综合建模方法研究 [J]. 中国环境科学, 2017,37(5):1872-1878.