霞浦县海水养殖区固体废物污染的遥感监测
2021-05-20邓诗月秦九妹李雪雪侯孟珠陈思明
邓诗月,秦九妹,齐 煜,李雪雪,侯孟珠,潘 灯,陈思明
(闽江学院海洋学院,福建 福州 350108)
根据《全国渔业经济统计公报》显示[1],2019年全国水产品总产量64 803.6 kt,比上年增长0.35%。全国水产养殖面积71 085 km2,同比下降1.13%。其中,海水产品产量32 825 kt,海水养殖面积19 921.8 km2,同比下降2.49%,海水养殖密度进一步加大。由于海水养殖业不合理的养殖模式,过度追求产量提高,以及大量海水养殖污染直接排放,导致了养殖密集区水域固体废物遍布,邻海环境污染严重,给海水养殖业和海洋环境保护带来极大的威胁。因此,对沿海水域固体废物污染的监测尤为重要。
传统的水体污染的监测方法主要是采用定点剖面法,该方法不仅费时费力,且在大范围内难以获取较为精准的海域污染状况及相关信息[2]。近年来,随着空间遥感技术的广泛应用,特别是各类新型传感器的不断涌现,遥感技术应用于水体污染监测已成为当前研究的热点[3]。刘瑛利用遥感技术监测水体污染,结果表明基于遥感技术获取的水体污染的时空分布图,与当年实地探查的水质情况较为一致,且多个时段的影像图还可反映出研究区水域污染的变化趋势[4];刘志根运用遥感技术对近岸海水养殖的环境污染进行监测和评价,探讨海水养殖对近海环境的影响[5];游少鸿等结合抽样实测调查和卫星遥感影像数据,开展桂北地区漓江上游流域沟塘系统水环境状况监测,解译出研究区水体污染的潜在污染源[6];陈文志等采用遥感技术快速定位杭州湾污染源的位置和被污染的水体范围[7]。然而,现有研究主要侧重海域油污染、废水污染、水体的富营养化等方面,对于海域养殖区的固体污染的研究相对较少,一定程度上影响了人们对水体污染的认知。
在影像分类技术中,面向对象分类法(object-oriented classification)是一种基于目标的分类算法,可有效降低影像分类过程中所产生的“椒盐现象”和语义信息损失问题[8]。海水养殖在中国近海区域的分布范围较广,数量较多,大面积固体废弃物的排放不仅对海域水动力条件起到阻碍作用[9],而且加重了水体富营养化程度,成为海洋水环境污染的主要原因之一[10-11]。因此,该研究基于Landsat 8 OLI遥感影像数据,采用面向对象分类法对近海养殖区的固体废物进行提取,定量分析固体废弃物污染的时空动态,对推进发展中国“生态文明”和“蓝色经济”的建设,确保沿海人民群众生产、生活的安全,构建绿色家园十分具有现实意义。
1 材料与方法
1.1 研究区概况
宁德市霞浦县长腰岛附近海域,位于福建省东北部,北纬 26°49′30 ″~ 26°50′30 ″,东经119°48′0 ″~119°49′0 ″,距大陆最近点约300 m(图1)。该地区受到亚热带海洋性季风气候的影响,夏季高温多雨,冬季温和少雨,年均气温在17~19 ℃之间,年均水温为20.3 ℃。该区域的地理位置优越,海岸线曲折多湾,咸淡水交混,营养物质丰富,现存大量的海域养殖网箱,导致大量固体废弃物的排放,成为当地生态环境破坏的主要因素之一[12]。
图1 研究区的地理位置和验证点Fig.1 Geographical location and verification point of the study area
1.2 数据来源与软件处理
选用Landsat 8卫星带有的主要载荷OLI开展研究。OLI(operational land imager)即陆地成像仪,由卡罗拉多州的鲍尔航天技术公司研制。OLI陆地成像仪空间分辨率为30 m,包括9个波段,其中包括一个15 m的全色波段,成像宽幅为185 km × 185 km。
采用ENVI(the environment for visualizing images)软件进行数据处理。ENVI是由美国Exelis Visual Information Solutions公司开发的一个功能强大的遥感图像处理软件。它能够快速、准确、便捷地从影像中提取信息。
选取来源于地理空间数据云(http://www.gscloud.cn/)2014—2019年6月份4期Landsat 8 OLI遥感影像数据,其空间分辨率为30 m,云量均低于10%。在ENVI 5.3软件中,利用宁德市的地形图进行几何精纠正,控制误差在0.5个像元内,并对校正后的影像进行辐射定标、大气校正、影像裁剪等预处理。同时,利用GS(gram-schmidt pan sharpening)软件对预处理后影像的多光谱波段(30 m)和全色波段(15 m)进行影像融合,提高多光谱影像的空间分辨率。
1.3 分类体系构建
根据研究区主要地物光谱、纹理特征和空间位置,建立遥感影像分类方法的解释标志(表1)。人工判读把图像中的地物分为植被、陆域、水体、固体废物、海水养殖区5类,通过绘制多边形感兴趣区进行训练样本选取,并对每类地物的感兴趣区用不同颜色加以区分[13]。其中,养殖密集区的固体废物通常由多种类垃圾组成,如排入海中的由养殖所产生的大量废弃物,海岸上居民倾倒于海中的各种生活垃圾等,这些固体废物一般堆积在海岸线上,或漂浮在养殖网箱附近的海域,其表面纹理结构较为明显,性状呈不规则排列,形成块状分布[14]。同时这些固体废物中包含大量的白色泡沫箱和塑料袋,在影像上往往呈现亮白色。解释标志采用Landsat OLI影像4、3、2合成,这种真彩色合成方式能够真实突出固体废物的信息。
表1 影像解译标志
续表
1.4 研究方法
e-Cognition是由德国Definiens Imaging公司开发的一个基于目标信息的遥感信息提取软件。它采用决策专家系统支持的模糊分类算法,突破了传统商业遥感软件单纯基于光谱信息进行影像分类的局限性,提出了面向对象的分类方法,大大提高了高空间分辨率数据的自动识别精度,有效地满足了科研和工程应用的需求。在本项目中e-Cognition的使用是为了对研究区影像进行分类,以便于能清晰地得到地物的分布情况。
以谷歌高分辨卫星影像为参考依据,采用面向对象分类法对4个时期的Landsat 8 OLI遥感图像进行分类。面向对象分类法是采用多尺度分割技术对影像分割成任意尺度,使相邻同质像元能组成大小不同的对象,然后利用每个对象的光谱、几何、结构以及纹理等信息,实现主动分类的功能。本研究通过e-Cognition软件中的相应模块来进行面向对象分类,分割时通过设置不同的分割尺度、颜色及形状因子的权重来获取较合适的分割结果。在实验中发现,分割尺度以及形状因子权重设置越大,获取对象就越完整。反之,得到的对象就越“破碎”[15]。得到初步的分割结果后,再运用光谱差异分割进行辅助分割。通过比较,当基础分割尺度为5,形状因子权重为0.6,颜色因子权重为0.4,紧致度为0.5,光滑度为0.5时所获得的分割结果图像最合适(图2)。
图2 影像分割尺度Fig.2 Image segmentation scale
1.5 精度验证
本研究结合Google earth高分辨率遥感影像数据,选取2014—2019年6月份固体废物的样本点各50个(图1),用于计算混淆矩阵,获取总体精度和Kappa系数,其中Kappa系数的大小可以反映不同土地利用类型的分类结果与真实地物空间分布的一致性。当Kappa系数大于0.75时,说明两者具有很好的一致性[16]。
2 结果与分析
2.1 空间信息提取
利用养殖区固体废物的地物光谱、纹理特征和空间位置,采用面向对象分类法对2014—2019年的遥感影像进行分类。以2019年遥感影像分类(图3)为例可以看出,研究区不同地物的界限较为分明,利用陆域与其接壤的水体、植被边缘界限提取的水陆、陆植分界线较为清晰,固体废弃物沿植被边缘呈错落分布,可看出不连续的边界细微变化,海水养殖区养殖浮箱经常不规则排列在一起,在图像上呈深蓝色不连续块状或条带状。同时,进一步分析发现,固体废弃物主要分布在沿海养殖区和海域潮间带,这与实际情况较为吻合,说明运用面向对象分类法能有效地识别出海水养殖区固体废物,但是Landsat系列影像的空间分辨率相对较低,固体废物受到水体或悬浮泥沙的影响,部分被错分。
图3 2019年海水养殖区固体废物的分布图Fig.3 Distribution of solid waste in mariculture area in 2019
2.2 分类精度评价
通过Google Earth高分辨率影像选取的样本点进行精度验证。Google Earth高分辨率影像是谷歌地球平台提供的影像信息,谷歌地球(Google Earth)是美国谷歌公司在2005年推出的一款虚拟地球仪软件,它综合了卫星遥感影像、航空遥感影像、数字高程模型、三维建筑模型、矢量地图数据以及其他地理数据并把它们叠加在一个球体上。Google Earth含有丰富的高分辨率卫星影像,其分辨率可以达到亚米级而且数据还在不断地更新。
精度验证结果表明各年份的总体精度均在74%以上,Kappa系数均在0.72以上(表2),5种地物的可分性较好,采用面向对象分类法可取得较好的分类效果和稳定性。同时,为了进一步印证分类结果,项目团队于2019年6月在研究区进行实地考察,对照Google Earth影像上固体废物的空间位置,并在每幅高清影像上选取50个具有较大特征的固体废弃物堆作为采样点,对提取的固体废弃物遥感影像进行实地对应检验,经过人工判读可以得出分类结果正确率约达76.5%,较大程度符合采样点地物类别。其中误差大致来源于Google Earth影像和Landsat8影像拍摄时间间隔、潮汐涨落、人为因素等,使沿海固体废物发生空间上的位置变化,该误差情况在本研究考虑范围之内。
表2 2014—2019年分类结果的精度评价
2.3 固体废物的分布动态
2014—2019年期间养殖区固体废弃物的分布面积呈波动式变化(图4)。其中2014—2016年固体废弃物分布面积呈下降趋势,由10.2%减少到5.6%,年均减少率为0.23%。但是,2016—2017年固体废物分布面积又有所增加,由5.6%增加到11.6%,其原因是随着社会经济的不断发展,国内外市场对水产品的需求日益增加,直接推动了沿海地区海水养殖产业的发展,导致沿海地区水体污染现象较为严重。2019年之后,固体废物急剧减少,仅分布在沿海居民聚集区和固体垃圾处理区,这是因为近年来我国沿海地区加大了环境保护力度。
图4 2014—2019年海水养殖区固体废物的空间分布Fig4 Spatial distribution of solid waste in mariculture area in 2014—2019
3 结论与展望
近年来,我国海水养殖产业的快速发展,极大地促进沿海地区经济的发展。但海水养殖产业在为我国带来巨大的经济效益时,也引发了一系列海水污染问题对海洋生物的生存环境造成极大的威胁,同时也影响了人们的身体健康。因此,海水养殖区固体废物污染治理刻不容缓。遥感技术在环境变化监测应用中,具有空间分布广、监测动态及时、投入成本低等特点,将其运用到沿海养殖区固体废物的动态监测中,对海洋环境保护十分具有现实指导意义。
本文结合LandSat8 OLI影像和面向对象分类法,提取霞浦县长腰岛海岸附近的海水养殖区固体废物的信息,监测固体废物的污染动态。结果表明,各年份的总体精度均在74%以上,Kappa系数在0.72以上,取得较好的分类效果。2014—2019年期间,海水养殖区固体废弃物的分布面积呈波动式变化。这与其社会经济发展和政府决策有一定关系。当然,养殖区居民的生活习惯也废弃物堆积形成的重要原因之一,海域上固体废物随潮汐涨落漂浮至海岸线区域沉积也是废弃物堆积形成日益严重的另一个重要因素。因此,海洋环境健康发展,需要全社会共同参与,共同努力,相关部门在海岸线以及附近海域可利用该方法进行动态监测,相信一定能在监测沿海固体废物漂浮、堆积以及清理固体废物污染等方面上取得阶段性的防治成果,有效地推进海洋环境的健康发展。