基于Sentinel-2遥感影像的巢湖蓝藻水华提取方法研究

刘海秋，任恒奎，牛鑫鑫，夏萍

1.安徽农业大学信息与计算机学院，安徽 合肥 230036；2.安徽农业大学农业机械系，安徽 合肥 230036

巢湖是中国五大淡水湖之一，同时是安徽省最大的淡水湖，为周围地区带来巨大的经济效益。但是自从上个世纪90年代，巢湖逐渐受到了人类活动的影响，水质不断恶化，成为典型的富营养化湖泊，水域经常出现蓝藻水华爆发现象（唐晓先等，2017；蒋晨韵等，2019）。蓝藻快速生长聚集形成水华，导致水体生物多样性急剧下降，破坏水体景观和生态系统平衡，给周边经济带来了巨大的障碍，严重影响到区域环境，并制约当地的经济和社会的可持续发展（孔繁翔等，2009）。因此，快速、准确的掌握蓝藻水华分布信息，对水华预防、治理研究显得尤为重要。

目前，蓝藻水华监测方法主要归纳为三类：传统采样监测法、卫星遥感监测法、光谱技术监测法。相比于其他蓝藻水华监测手段，遥感监测技术具有监测面积广、资料更新周期短、成本相对较低、便于长期实时监测等优点。从上个世纪 90年代起，遥感技术开始应用于中国内陆湖泊蓝藻水华监测。段洪涛等（2008）利用中等分辨率成像光谱仪MODIS遥感影像，提取了太湖不同时期的蓝藻水华；蒋大林（2015）、何云玲等（2019）利用MODIS影像数据研究了滇池不同等级蓝藻水华的分布面积和空间变化特征，但由于MODIS遥感影像的分辨率相对较低（分辨率最高可达到250 m），难以探测面积较小的零星蓝藻水华区域；张姣等（2016）利用Landsat-8遥感影像获取了洱海的蓝藻水华时空分布信息，张东彦等（2019）对比了Landsat、HJ-1B和NPP-VIIRS 3种不同空间分辨率的影像数据，利用NDVI和FAI提取2010—2014年共22景巢湖蓝藻水华的爆发区域，对HJ-1B和NPP-VIIRS的分辨率、重访周期、谱段进行评价。与MODIS遥感影像相比，Landsat-8的空间分辨率更高（分辨率为30 m），有利于小面积零星蓝藻水华区域的提取，同时，Landsat-8具有短波红外波段（Offoro et al.，2019），支持FAI指数的计算，与其他用于蓝藻水华提取的指数相比，FAI指数能够在一定程度上减少云层对蓝藻水华监测的影响。然而，Landsat-8的重访周期较长（16 d），时效性较差，在夏季蓝藻爆发时期，难以及时地提供蓝藻水华信息；郑炎辉等（2020）利用GF-1影像对东风水库水质参数变换进行监测，尽管GF-1重访周期较短，空间分辨率较高，但是仅具备4个谱段，谱段相对匮乏，难以进行FAI等多指标的蓝藻水华计算，监测结果受云层影响严重。综上所述，空间分辨率越高、重访周期越短，越有利于蓝藻水华爆发阶段及时准确地进行小面积零星蓝藻水华区域的提取，同时，丰富的卫星谱段，能够支持包括FAI等多种指标的计算，进而在一定程度上降低云层、大气对蓝藻水华提取结果的影响。然而，作为中国内陆蓝藻水华监测的主要影像来源，Landsat、MODIS、GF-1、HJ-1B和NPP-VIIRS卫星尚存在空间分辨率低、重放周期长或谱段匮乏等方面的局限性。

Sentinel-2卫星携带的多光谱成像装置，覆盖了从可见光、近红外到短波红外的 13个光谱波段，空间分辨率最高可达到10 m，巢湖区域重访周期缩短至5 d（Iurist et al.，2016；Bresciani et al.，2018），兼具了空间分辨率高、重放周期短、谱段丰富三方面优势，为蓝藻水华爆发阶段及时准确的蓝藻水华监测提供了影像基础（Vanhellemont et al.，2016；Molkov et al.，2019；Toming et al.，2016；Sakuno et al.，2019；Liu et al.，2019）。但目前 Sentinel-2遥感影像在大型湖泊蓝藻水华遥感监测的应用报道很少。为此，本文以巢湖为研究对象，利用Sentinel-2卫星丰富的谱段和高分辨率优势，开展包括FAI在内的多指标蓝藻水华监测研究，针对FAI阈值难以确定的典型问题，提出了基于回归分析的FAI阈值确定方法。

1 遥感数据获取与处理

1.1 遥感数据获取

本研究从欧洲航空安全局、中国科学院对地观测与数字地球、美国地质调查局、中国资源卫星应用中心等网站，分别获取了Sentinel-2卫星的L1C级产品以及Landsat-8 OLI、MODIS和GF-1的一级产品，上述卫星的相关参数详见表1。

表1 Sentinel-2与Lansat-8、GF-1、MODIS相关参数对比Table 1 Comparison of Sentinel-2 with Lansat-8, GF-1 and MODIS parameters

夏季气温较高，巢湖蓝藻水华面积日益变化，为了排除拍摄时间差异对巢湖蓝藻水华监测结果的影响，本文从不同卫星产品中筛选出同日拍摄的遥感影像，并尽可能的剔除有云数据。

1.2 研究区域

巢湖（31°30′N，117°37′E）位于安徽省中部（图1），是中国五大淡水湖之一，由合肥、巢湖、肥东、肥西、庐江二市三县环抱（陈静等，2012）。总计湖长54.5 km，最大宽度21 km，平均水深3.0 m，面积约776 km2，容积20.7亿m3，是巢湖沿岸居民生活的主要水源，对于发展比较先进的合肥市尤为重要。巢湖流域内总共有33条河流，其中上游河流占32条，下游河流只有一条，裕溪河是巢湖唯一的通江河流。

图1 巢湖地理区域示意图Fig.1 Geographical area of Chaohu Lake

2 蓝藻水华提取

关于MODIS、Landsat-8和GF-1遥感影像的蓝藻水华提取方法已有文献研究。段洪涛利用MODIS影像提取了2007年太湖蓝藻水华爆发区域并对蓝藻水华空间分布进行了等级划分；张娇利用Landsat-8影像提取了1999—2017洱海蓝藻水华时空分布信息；郑炎辉利用GF-1影像对东风水库水质参数进行反演，为湖泊富营养化提供了技术支持。本文针对基于Sentinel-2遥感影像的蓝藻水华监测方法展开研究，具体流程如图2所示。

图2 巢湖蓝藻水华提取流程Fig.2 Extraction process of cyanobacteria bloom in Chaohu Lake

在提取蓝藻水华之前，需要对遥感影像进行数据预处理。除了常规的辐射定标、大气校正等步骤之外，还需要根据特定的传感器进行一些针对性的处理。因此，在对多个波段组合运算之前，需要对Sentinel-2多波段遥感影像进行波段融合，采用重采样方法将分辨率为20 m的波段提高为10 m。

本实验采用 NDVI和 FAI两项指标提取蓝藻水华，两项指标均需要近红外波段参与运算，详见公式（1）、（2），然而，Sentinel-2中b7、b8以及b8a 3个波段均处于近红外频率范围内，选取哪个波段参与指标运算更有利于蓝藻水华提取，是本文的研究内容之一。

文章通过指标阈值判断研究区域是否存在蓝藻水华，对于Sentinel-2而言，不同的研究区域，NDVI指标阈值表现出了良好的稳定性（Huete et al.，2002；何云玲等，2019），然而，FAI指标的阈值却随着研究区域的变化而变化（夏晓瑞，2014；张姣等，2016），目前，尚无文献论述有关Sentinel-2巢湖蓝藻水华提取中的FAI阈值问题。为此，本文在第2.3部分提出了基于回归分析的FAI阈值确定方法，用于解决传感器和研究区域变化时的FAI阈值问题。

2.1 近红外波段的选取

蓝藻在水温20 ℃以上，水体PH值偏高，光照度强且时间久的条件下，形成气囊浮出水面并且迅速繁殖，以至形成蓝藻水华，改变水体在红光、近红外以及短波红外波段的光谱特征（Hu et al.，2010），通过光谱仪器感知水体表面的光谱反射率，从而达到识别蓝藻水华的目的。作为蓝藻水华识别指标，NDVI和FAI均需要近红外波段参与运算，然而，Sentinel-2中b7（779 nm）、b8（833 nm）以及b8a（865 nm）3个波段均处于近红外频率范围内，本部分针对选取哪个波段参与指标运算更有利于蓝藻水华提取展开研究。

实验部分对比了不同卫星的蓝藻水华提取结果，而不同卫星之间近红外波段的中心波长可能存在偏差，进而导致同一目标在近红外波段的反射率差异，最终影响蓝藻水华提取结果，为了最大程度地降低由近红外波段中心波长偏差引起的蓝藻水华提取结果差异，本文从Sentinel-2的b7（779 nm）、b8（833 nm）、b8a（865 nm）3个波段中，选取与对照组卫星（GF-1）近红外波段中心波长最接近的波段作为近红外波段。Sentinel-2和GF-1的近红外波段如图3所示，可见，GF-1近红外波段的中心波长位于797 nm处，Sentinel-2的b7波段与之最为接近，因此，实验选取Sentinel-2的b7波段作为近红外波段参与NDVI和FAI计算。

图3 不同遥感影像近红外段段光谱响应函数Fig.3 Spectral response function of different remote sensing images in nearinfrared region

2.2 基于NDVI的蓝藻水华提取

NDVI指标衡量水体在红光和近红外波段光谱反射率的比值，如式（1）所示，被广泛应用于蓝藻水华识别（陈云等，2008；谢国清等，2010；Zhang et al.，2015；顾长梅等，2016；李旭文等，2018a；岳昂等，2020）。

式中：Rnir和Rred分别为近红外波段和红波段处的反射率，NDVI的取值范围为−1—1，在Sentinel-2中分别对应b7（779 nm）波段和b4波段（665 nm）。

文章采用李旭文等（2018b）在太湖蓝藻水华光谱研究中关于 NDVI阈值划分蓝藻水华等级的方法，将NDVI＞0划分为蓝藻水华像元。对近年来巢湖蓝藻水华遥感影像提取实验，NDVI能够较好的反映蓝藻水华聚集程度。

2.3 基于FAI的蓝藻水华提取

Hu（2009）提出FAI监测宽阔海域的藻类信息。与NDVI指标相比，FAI指数受云层影响较小，能够在天气条件不是很理想的情况下识别蓝藻水华，满足环境监测业务需求。然而，由于FAI指标涉及红光、近红外以及短波红外 3个波段，而常见的MODIS、GF-1等卫星并不包含短波红外波段，从而限制了 FAI指标在蓝藻水华监测中的应用。而Sentinel-2卫星不仅包含红光、近红外波段，还设置了短波红外传感器，能够满足FAI指标的波段需求。

2.3.1 FAI指标的计算

FAI方法采用红光、近红外、短波红外波段组合的方式，利用蓝藻水华和水体光谱特征差异，能够有效识别蓝藻水华。其具体公式为如下。

式中：Rred、Rnir、Rswir分别为红光、近红、短波红外波段的反射率，对应 Sentinel-2的 b4（664 nm）、b7（779 nm）、b11（1613 nm）；λred（664.5 nm）、λnir（779.7 nm）、λswir（1613.7 nm）分别为红光、近红外、短波红外波段的中心波长；Rn′ir为插值反射率，即在红波段和短波红外波段之间采用线性内插得到近红外波段处的反射率信息。

2.3.2 FAI阈值的确定

阈值直接关系蓝藻水华的提取精度，阈值的确定是区分蓝藻水华和水体的关键步骤。与NDVI指标不同，随着传感器和研究区域的变化，FAI指标的阈值会随之改变（张姣等，2016；段洪涛等，2008；Zhang et al.，2019）。而传统的目视法具有较强的主观性，会引入不可估算的误差（郭望成，2011；李俊生等，2009）。目前，尚无文献论述有关Sentinel-2 FAI的阈值问题，为此，本文提出了FAI阈值确定方法。

将实验提取的 FAI和 NDVI所对应的点在平面直角坐标系上表示出来，观察散点图的分布形状，发现样本点大致分布在一条直线的周围，FAI和NDVI的值均与蓝藻水华浓度呈现正相关性，即蓝藻水华浓度越大，FAI和NDVI的值越大，据此原理，提出如下假设：在一同卫星拍摄的遥感影像中，同一研究区域的NDVI及FAI的分布应表现出一定的线性关系，通过回归分析建立NDVI与FAI之间的函数关系式，从而根据 NDVI的阈值估计FAI的阈值，具体流程如图4所示。

图4 基于回归分析的FAI阈值确定流程Fig.4 Process of FAI threshold determination based on regression analysis

研究以Sentinel-2 NDVI提取指标为参照，建立NDVI与FAI结果的函数关系，进而通过NDVI确定FAI的阈值来区分蓝藻与水，所以在选择实验数据时，使用 NDVI＞0.4的阈值排除已确定为水华像元的影响。从上面分析中可以确定实验采用线性回归模型建立NDVI与FAI之间的函数关系式，以上述采样点为观测点，进而估计模型参数，得到的拟合曲线如图5中红线所示（决定系数r2达到0.9823，显著性检验P＜0.001）拟合效果较好。因此，NDVI与FAI之间的函数关系可以表示为（3）。

图5 巢湖区域FAI与NDVI关系Fig.5 Relationship between FAI and NDVI for region of Chaohu Lake

根据第2.2部分的内容可知，Sentinel-2卫星影像中NDVI指标的阈值为0，将0代入式（3），可以得到当传感器为Sentinel-2、研究区域为巢湖时，用于蓝藻水华监测的FAI的阈值为−1.152，如式（4）所示。为此，本文将 FAI＞−1.152的区域作为蓝藻水华的爆发区域，有关该阈值的蓝藻水华监测结果将在第3部分给出。

3 实验结果与分析

3.1 基于NDVI的巢湖蓝藻水华提取结果分析

本文共获取63幅遥感影像，从中筛选了17幅质量比较好的影像（无云或少云）进行蓝藻水华提取，并计算蓝藻水华面积，结果如表2所示。从中可以看出，2019年11月3日蓝藻水华提取结果中Sentinel-2与GF-1更为接近，而与MODIS的差异较大；同样地，2019年8月20日和9月19日的蓝藻水华提取结果中，Sentinel-2与Landsat-8、GF-1提取结果更为接近，而与MODIS的差异较大。可见，尽管所采用的遥感影像是同一天拍摄的，但不同卫星所提取的蓝藻水华面积仍然存在差异，而且，与其他卫星相比，Sentinel-2提取的蓝藻水华面积更多。从表2的第一列可知，Sentinel-2的分辨率最高，GF-1和Landsat-8的分辨率居中，而MODIS的分辨率最低，导致上述现象的根本原因可能是不同卫星之间的分辨率差异，理论上分辨率越高，越有利于蓝藻水华面积较小的零星区域的提取。

表2 多源遥感卫星基于NDVI提取的巢湖蓝藻水华结果Table 2 Results of cyanobacteria bloom in Chaohu Lake extracted by multi-source remote sensing satellite based on NDVI km2

为了探究引起差异的原因，进行了如下分析。图6、7分别为2019年9月19日和2019年11月3日 Sentinel-2、GF-1、MDODIS的蓝藻水华及局部放大图（图6、7中红色矩形区域）。从图6d—l、图7d—i的局部放大区域可以看出，Sentinel-2和GF-1的蓝藻水华提取结果中均包含了蓝藻水华爆发面积较小的零星区域，但Sentinel-2的提取结果更为精细，而在MODIS的提取结果中并没有发现上述区域。图6m—r、图7j—m为局部放大区域的差值图，以2019年9月19Area1#（10.0768 km2）为例，计算Area1#的蓝藻水华面积，Sentinel-2、GF-1、MODIS 分别提取了 6.5931、5.9268、5.0799 km2，Sentinel-2与后两者之间的差值分别为0.6663 km2和1.5132 km2。可见，蓝藻水华提取结果的差异主要集中在边缘部分以及爆发面积较小的零星区域（图6、7中黄色矩形区域，提取最小区域面积达到100 m2），分辨率越高，越有利于边缘以及蓝藻水华面积较小的零星区域的提取，蓝藻水华提取结果更接近真实状态，在用于蓝藻水华监测的常规遥感影像中，Sentinel-2的空间分辨率更高（10 m），能够更准确地反应蓝藻水华的爆发面积。

图6 2019年9月19日不同遥感影像提取的蓝藻水华结果Fig.6 Cyanobacteria bloom results extracted from different remote sensing images on September 19, 2019

图7 2019年11月3日不同遥感影像提取的蓝藻水华结果Fig.7 Cyanobacteria bloom results extracted from different remote sensing images on November 3, 2019

3.2 基于FAI的巢湖蓝藻水华提取结果分析

通过与NDVI的蓝藻水华监测结果对比，判断基于FAI的蓝藻水华监测结果的准确性，进一步验证本文所提出的FAI阈值确定方法的有效性。在此基础之上，为了验证FAI指标受云层影响更小，分别利用Sentinel-2和Landsat-8进行了对比实验。

在Sentinel-2遥感影像上分别采用FAI和NDVI两个指标计算蓝藻水华面积，结果如图8所示（绿色部分为提取的蓝藻水华），可见，两个指标的提取结果中蓝藻水华的分布情况基本一致，对图8的蓝藻水华面积进行统计，结果如表3所示，两个指标蓝藻水华提取面积的相对偏差低于5%，可见，FAI与NDVI的蓝藻水华提取结果比较接近，能够证明本文所提出的FAI阈值确定方法的有效性。

图8 Sentinel-2采用FAI和NDVI提取蓝藻水华结果Fig.8 Sentinel-2 extract cyanobacteria bloom results by FAI and NDVI

表3 Sentinel-2基于不同方法的蓝藻水华提取结果Table 3 Sentinel-2 extraction results of cyanobacteria bloom based on different methods km²

为了验证FAI指标受云层影响更小，分别利用Sentinel-2和 Landsat-8进行了对比实验。图 9是2018年7月31日Sentinel-2和Landsat-8影像采用FAI和NDVI提取的巢湖蓝藻水华结果。从图9a、b可以看出，巢湖上空存在云雾（图9中红色矩形区域），Sentinel-2采用NDVI和FAI方法提取的蓝藻水华面积（表4）分别为39.21 km²和21.13 km²；Landsat-8采用NDVI和FAI方法提取的蓝藻水华面积分别为18.85 km²和11.78 km²。然而，根据安徽省巢湖管理局网站（http://chglj.hefei.gov.cn）近年来公布的巢湖蓝藻水华监测结果可知，巢湖的东北部通常不会发生蓝藻水华的大规模爆发，可以断定本实验所提取的巢湖东北部蓝藻水华是由于云雾引起的，与NDVI相比，FAI指标提取的蓝藻水华面积更小，Senitnel-2基于FAI指标的提取面积仅为NDVI的53.89%。可见云雾对FAI指标的蓝藻水华提取结果影响更小。

图9 2018年7月31日不同方法提取蓝藻水华结果Fig.9 Results of different methods on cyanobacteria bloom extraction on July 31, 2018

表4 2018年7月31日云遮盖区域蓝藻水华提取结果Table 4 Extraction results of cyanobacteria bloom from cloud-covered area on July 31, 2018

综上所述，为了验证Sentinel-2的高分辨率在蓝藻水华提取中的优势、以及本文所提出的FAI阈值确定方法的有效性，开展了上述两部分实验，结果表明与MODIS、Landsat-8、GF-1相比，Sentinel-2的分辨率更高，能够更精确地估算蓝藻水华面积，提取结果更接近真实状态；此外，在无云雾遮挡情况下，利用本文的FAI阈值确定方法所提取的蓝藻水华结果与NDVI比较接近，能够证明本文所提出的FAI阈值确定方法的有效性；在有云雾遮挡情况下，与NDVI相比，FAI指标受云雾的影响更小。

4 结论

本研究基于巢湖 2018—2020年时间序列的遥感影像数据，利用GIS空间分析技术，对巢湖近年来蓝藻水华进行监测识别，探讨不同遥感影像下蓝藻水华提取的差异，针对FAI阈值难以确定的典型问题，提出了基于回归分析的FAI阈值确定方法。研究得出以下结论：

（1）以NDVI的阈值0为基准，通回归分析确定FAI的阈值为−1.152（决定系数r2达到0.9823，显著性检验P＜0.001），对2019年1—6月无云干扰的Sentinel-2遥感影像进行蓝藻水华面积提取实验，两种指标下提取的蓝藻水华分布情况基本一致，蓝藻水华面积相对偏差小于5%，表明FAI阈值确定方法有效。

（2）分辨率较高的Sentinel-2数据能够提取的最小水华面积达到100 m2，相比于GF-1、MODIS、Landsat-8能够更准确的反映蓝藻水华的爆发面积。2018—2020期间，每年的最大蓝藻水华爆发时间发生在9、10月，从巢湖西北部水域向湖心方向延伸。

（3）对2018年7月31日的Sentinel-2与Landsat-8云覆盖区域，采用FAI和NDVI进行蓝藻水华提取，与NDVI相比FAI提取的蓝藻水华面积更小，FAI提取的面积仅为NDVI的53.89%，表明FAI能一定程度上减少云雾的干扰，在有较少云雾的天气可以用来检测蓝藻水华的爆发范围。