云南省九大高原湖泊水体面积时空变化研究

卢丽琛　洪亮　

摘要：基于Google Earth Engine（GEE）云平台和长时序的Landsat遥感影像，研究了近30 a云南省九大高原湖泊水体面积的时空变化趋势，并在此基础上分析了湖泊水体面积变化的驱动因素。研究结果表明：① 云南省九大高原湖泊表面水体面积由1988年的1 024.91 km2减少至2018年的1 000.98 km2，总体呈“先增加后减少”的趋势，总面积减少了23.93 km2。② 大部分高原湖泊的水体面积保持稳定，但从2008年以后，杞麓湖和异龙湖的水体面积明显缩小。③ 影响因素分析结果表明：九大高原湖泊水体总面积的变化在2013～2017年和降水的变化呈显著正相关（R=0.9，p=0.08），在1988～2018年与气温呈负相关性（R=-0.63，p=0.001）;影响九大高原湖泊水体面积变化的主要人为因素包括湖泊流域的土地利用变化以及政府的经济发展和湖泊保护政策。区域气候变化和人类活动共同影响了云南省九大高原湖泊水体的面积变化。

关键词：高原湖泊; 水体面积; 水体指数; Otsu算法; Google Earth Engine; Landsat遥感影像; 云南省

中图法分类号： P343

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2021.10.019

0引 言

在云贵高原，地表水资源是区域社会经济可持续发展的关键因素 [1-3]，湖泊作为地表水资源的重要组成部分，它既调节着生态系统，又影响着社会经济增长。随着全球变暖，湖泊水体面积变化已经成为区域生态环境和气候变化的敏感指标之一[4-8]。近几十年来，由于云贵高原气候变化和人类活动的加剧，高原湖泊水体面积不断缩小，给区域环境和生态系统带来了较大威胁[9-11]。因此，开展云南省九大高原湖泊水体面积变化的监测和分析研究，对区域经济发展、生态环境保护和高原湖泊治理等都具有重要意义。

近几十年来，遥感技术被广泛应用于湖泊水体面积变化监测 [12-14]。目前，基于遥感影像的湖泊表面水体提取方法主要有：单波段阈值法、监督和非监督分类方法、水体指数法。其中，单波段阈值法利用水体与其他地物在近红外、短波红外波段的差异，确定合适阈值，提取水体信息，但是该方法易受到建筑物和山体阴影的影响[15];监督分类和非监督分类算法利用光谱特征的统计特性进行分类，如，K-均值、支持向量机、随机森林等算法广泛应用于湖泊水体提取，这类算法精度高，但容易受到地理环境训练样本数量、质量的影响，故不适用于大范围、长时序的湖泊水体信息提取[16]。水体指数法利用近红外波段或中波红外波段与可见光波段（红、绿、蓝）和短波红外的光谱信息差异，通过构建上述波段之間的比值关系提取水体面积，计算简单，水体提取精度较高。常用水体指数包括：NDWI（normalized difference water index）、MNDWI（modification of normalized difference water index）和AWEI（automated water extraction index）等，目前已经成为提取湖泊水体面积最常用的方法[17]，已成功应用于湖泊、城市景观水体和河流等地表水体的提取及动态监测方面 [18]，但是由于不同地理环境的水体具有一定光谱差异性，使得各种水体指数的提取精度受到阈值影响 [19-20]。

近年来，云计算和对地观测能力迅速发展[21]，特别是GEE（Google Earth Engine）遥感大数据平台的出现[22-23]，为研究人员开展全球或区域尺度下资源环境要素的长时序监测提供了技术支撑。GEE已经成功应用于大尺度的红树林分布、土地覆盖制图、不透水表面提取和湖泊水体监测等方面[24-28]。

为数不多的云南省长时序高原湖泊水体面积变化监测研究通常采用如下步骤：先下载研究区的遥感影像，再利用专业软件对影像进行预处理，最后手动或半自动提取湖泊水体面积[29]，该种方式提取效率低并且容易受云雾的影响。而GEE平台为长时序连续、大尺度的湖泊水体面积变化研究提供了一种新途径。因此，本研究基于GEE云平台和长时序Landsat遥感数据，对云南省九大高原湖泊水体进行面积提取、时空变化研究以及影响因素的分析。主要研究内容包括：① 基于GEE平台，采用常用的4种水体指数，利用Otsu算法确定每种水体指数的最优阈值，分别提取云南省九大高原湖泊水体面积，并对不同水体指数进行精度评价，确定每一个湖泊的最佳水体指数和最优阈值;② 利用最佳水体指数和最优阈值提取1988～2018年云南省九大高原湖泊水体面积，并分析湖泊水体面积的时空变化;③ 探讨区域气候变化和人类活动对云南省高原湖泊表面水体面积变化的影响。

1数据和方法

1.1研究区概况

云南省处于中国西南部，地势北高南低，南北高差6 663.6 m，导致南北温差较大。云南省降水时空分布极不均匀，全省平均年降水量为1 100 mm左右，但是南部地区年降水量达1 600 mm以上[30]。云南省高原湖泊水深岸陡，入湖支流水系较多，而出流水系普遍较少，湖泊换水周期长导致自净能力弱，云南省高原湖泊所在的区域已被确定为全球200个帕拉北克湖生态系统优先生态区之一[31]。云南省九大高原湖泊是指水体面积超过10 km2的9个湖泊（见图1），主要分布在云南省中部、南部、西部和西北部，分属昆明、玉溪、大理、丽江和红河，其中滇池、程海、泸沽湖为长江水系，洱海为澜沧江水系，抚仙湖、杞麓湖、异龙湖、星云湖、阳宗海为珠江水系。

1.2数据源

本研究采用Landsat系列卫星遥感影像，其覆盖周期为16 d，空间分辨率为30 m[32]。从GEE平台的数据目录中筛选出1988年1月1日至2018年12月31日共2 397幅Landsat卫星大气反射率（TOA）影像，主要包括1985～2011年的Landsat 4/5 TM、1999～2014年的Landsat 7 ETM+和2013～2018年的Landsat 8 OLI/TIRS。

1.3方 法

1.3.1数据预处理

本研究利用GEE云平台对长时序Landsat遥感影像进行预处理。由于研究区属于亚热带季风气候，部分Landsat影像容易受云的影响，造成长时序的Landsat数据存在缺失值或异常值，影响水体指数计算。因此，首先对云量大于10%的遥感影像进行掩膜;然后运用GEE平台的CFMask（C Function of Mask）算法得到的影像质量波段（QA）的数值，建立规则识别并去除云及云阴影，消除Landsat影像中云的影响;最后对研究区内的湖泊缓冲500 m并对影像进行裁剪，利用DEM数据（坡度>10°）对地形阴影进行掩膜，减少山体阴影的影响。

1.3.2GEE平台

2010年，Google公司开发了GEE平台，它是一个基于云计算的地理空间数据处理平台，向全球研究人员免费提供服务，已经成为最受欢迎的地理遥感大数据处理平台之一。该平台提供了全球的PB级长时序遥感影像和其他专题数据，包括了Landsat、MODIS、Sentinel系列和GF-1等遥感影像及其他气候、温度、生态环境和经济社会等专题数据集[33];提供大量高速并行处理和机器学习算法以及集成开发环境，包括大量的API函数，并支持目前流行的JavaScript和Python编程语言。

利用上述4种水体指数和最优阈值提取2015年九大高原湖泊水体面积，并利用2015年1∶250 000全国基础地理数据（NCSFGI，http：∥www.webmap.cn/commres.do？method=result25W）对九大湖泊水体面积提取结果进行精度评价，各个水体指数的分类精度如图2所示，箭头指向总体精度最高的水体指数。根据各个湖泊水体提取精度确定每个湖泊的最佳水体指数。WI2015在乡村类型湖泊（程海、抚仙湖、星云湖）获得最高的提取精度。MNDWI在洱海、杞麓湖、阳宗海、异龙湖这类周边耕地较多的湖泊中获得最高的分类精度;AWEIsh在城市背景和水质污染湖泊（滇池）获得最高的分类精度。NDWIMcFeeters对泸沽湖的湖泊水体提取最有效。

2结果与讨论

2.1湖泊水体面积变化

云南省九大高原湖泊水体总面积变化如图3所示。由图3可知：湖泊水体总面积由1988年的1 024.91 km2减少至2018年的1 000.98 km2，总体呈“先增加后减少”的趋势，湖泊水体总面积减少了23.93 km2。其中，1988～1998年，九大高原湖泊水体总面积增加了5.79 km2;1998～2008年，九大高原湖泊水体总面积大幅度缩小，缩小了21.37 km2，萎缩比例為2.07%;2008～2018年，九大高原湖泊水体总面积缩小了8.35 km2。1988～2018年各个湖泊水体面积变化如图4所示，由图4可知：1988～2018年，洱海、抚仙湖、程海、星云湖、阳宗海、泸沽湖6个湖泊水体面积相对稳定，但是滇池、杞麓湖和异龙湖3个湖泊的水体面积变化较大。其中，滇池的水体面积在1988～1998年期间呈缓慢增加趋势，但从1998年以后开始急剧萎缩，在2008年达到最低值287.18 km2，与1988年的水体面积295.71 km2相比，萎缩比例为2.89%;异龙湖的水体面积在1988～1998年期间呈现出明显的增加趋势，1998年达到最大值42.11 km2，随后开始急剧萎缩，2018年水体面积缩小到33.23 km2，萎缩幅度达到21.09%;杞麓湖的表面水体面积在1988～2008年期间减少3.65 km2，萎缩幅度为9.6%，但从2008年后杞麓湖水体面积呈缓慢增加的趋势。

由于九大高原湖泊地理环境差异，滇池、杞麓湖和异龙湖的水体面积变化具有一定的空间差异性。由图5可知：① 1988～1998年，滇池北部草海区域有小范围萎缩，而东西方向区域出现扩张;1998～2008年，滇池四周都有不同程度的萎缩，只有北部草海区域出现扩张;2008～2018年，滇池北部草海区域出现萎缩，西南部出现扩张。② 1988～1998年，异龙湖西北区域出现大范围萎缩;1998～2008年，西北区域出现扩张，而东南区域出现萎缩;2008～2018年，北部区域出现大面积萎缩，南部区域出现扩张。③ 1988～1998年，杞麓湖在西南区域出现一定程度萎缩;1998～2008年，杞麓湖西南和东北区域的萎缩较为明显;2008～2018年，杞麓湖在西南区域的萎缩和东北区域的扩张较为明显。

2.2湖泊水体面积变化影响因素分析

2.2.1湖泊水体面积变化与气候变化的相关性分析

影响湖泊水体面积变化的气候因素主要包括降水和温度。① 1988～2018年，九大湖泊水体面积与降水的变化趋势如图6所示。在2009年年均降水量达到了最低值896.20 mm，在2013～2017年期间显著上升，湖泊水体总面积同步增加。通过计算云南省九大高原湖泊水体面积变化与降水变化的相关关系可知：2013～2017年，湖泊水体面积的变化与年降水量的变化呈显著正相关（R=0.9，p=0.08）。由此可知，某年份降水是影响湖泊水体面积变化的因素之一。② 温度对湖泊水体面积变化的影响包括2个方面：一方面是通过蒸散作用减少湖泊入流补给;另一方面是通过引起融雪和冰川融化增加湖泊入流水量。云南省九大高原湖泊属于高山封闭湖泊，不属于冰川湖泊，因此，气温对湖泊水体面积变化的影响主要通过影响蒸散量间接产生的。如图7所示，1988～2018年云南省年平均气温在16.80 ℃左右，总体呈波动上升趋势。1988年全年平均气温为16.57 ℃，2018年上升至17.10 ℃，最高的年均气温出现在2010年（17.57 ℃）。通过计算1988～2018年云南省九大高原湖泊水体总面积变化与气温变化的相关关系可知，湖泊水体总面积的变化与年均气温的变化呈较好的负相关关系（R=-0.63，p=0.001），因此，温度也是间接影响湖泊水体面积变化的因素之一。

2.2.2人类活动对湖泊面积变化的影响分析

相关研究表明，人类活动也是影响湖泊水体面积变化的一个重要因素，主要包括城市扩张和湖泊水资源的开发与利用2个方面[44]。

滇池为周边农田提供了稳定的灌溉水源，农业用水的增加导致湖泊水体面积的减少;2003年起昆明市围绕“一湖四片”的发展战略，建设区域中心城市，导致近10 a滇池的湖岸线萎缩;2013年以后，随着“牛栏江-滇池”补水工程的推进，每年持续性地向滇池补水，使得滇池表面水体面积开始增加。

异龙湖是沿湖区域的工农业用水水源，同时也是下游地区的灌溉水源，随着城市化进程的加剧，水资源的需求越来越大，导致湖泊水体流失。

此外，湖泊南岸区域围湖造田种植农作物，西部、北部围湖建造鱼塘，导致了湖泊水体面积的减少。

杞麓湖属于浅水型封闭湖泊，入湖径流主要来源为降水和少部分地下水，作为通海县生活、工农业用水的主要来源之一，其用水量逐年增加，形成杞麓湖入湖径流量减少而流出量却逐渐增加的局面，因此湖泊水体面积显著减少。大型工程尤其是泛亚铁路隧道工程的建设，破坏了通海西南方向地下水资源的平衡，导致部分龙潭、泉眼枯竭，也加剧了杞麓湖水体面积的减少。

九大高原湖泊“一湖一策”分类治理政策的实行使部分湖泊水体面积得到了显著恢复。对污染较重的滇池、星云湖、杞麓湖和异龙湖，相关部门通过开展生态修复建设、生态补水等进行综合治理，使湖泊逐渐恢复原有的蓄水、灌溉、生态调节等功能。结合近几年的研究结果分析可知，云南省九大高原湖泊水体面积变化也呈增加趋势。

3结 论

本文基于GEE平台利用1988～2018年的Landsat遥感影像，对云南省九大高原湖泊的水体面积进行了提取，并探讨了九大高原湖泊水体面积长时间序列的时空变化及驱动因素。结果表明：

（1） 根据各水体指数提取各个湖泊水体面积的精度结果可知：WI2015在乡村类型湖泊（程海、抚仙湖、星云湖）获得最高的提取精度。MNDWI在洱海、杞麓湖、阳宗海、异龙湖这类周边耕地较多的湖泊获得最高的分类精度;AWEIsh在城市背景和水质污染湖泊（滇池）获得最高的分类精度;NDWIMcFeeters对泸沽湖的湖泊水体提取最有效。

（2） 1988～2018年，云南省九大高原湖泊表面水体面积由1988年的1 024.91 km2减少至2018年的1 000.98 km2，总体呈先增加后减少的趋势，总面积减少了23.93 km2。1988～2018年，洱海和抚仙湖水体面积增加;星云湖、程海、泸沽湖和阳宗海水体面积相对稳定;由于湖泊流域人类活动的影响，滇池、杞麓湖、异龙湖的水体面积出现了明显的缩小趋势。

（3） 云南省九大高原湖泊水体面积变化和降水变化的相关性研究表明，在2013～2017年期间，两者具有良好的相关性（R=0.9，p=0.08）;1988～2018年九大高原湖泊面积变化与气温的变化呈负相关关系（R=-0.63，p=0.001）。除了气候因素对湖泊变化的影响，耕地面积的增加、建设用地的变化等人为因素对湖泊面积变化的影响较明显。因此，气候因素和人类活动都是影响高原湖泊变化的重要因素。

参考文献：

[1]顾世祥，谢波，周云，等.云南水资源保护与开发研究[J].水资源保护，2007，23（1）：91-94.

[2]GOLDBLATT R，YOU W，HANSON G，et al.Detecting the boundaries of urban areas in India：a dataset for pixel-based image classification in Google Earth Engine[J].Remote Sensing，2016，8（8）：634.

[3]王战，李向全，刘玲霞.基于遥感和GIS的柴达木盆地冰雪湖泊演变分析[J].人民长江，2015，46（7）：64-66.

[4]XIN W，LIU S，GUO W X J，et al.Assessment and simulation of glacier lake outburst floods for Longbasaba and Pida Lakes，China[J].Mountain Research & Develepment，2008，28（3-4）：310-317.

[5]FANG C，BAO C，HUANG J，et al.Management implications to water resources constraint force on socio-economic system in rapid urbanization：a case study of the Hexi Corridor，NW China[J].Water Resources Management，2007，21（9）：1613-1633.

[6]張济世，徐进祥，张永秋，等.中国西北水资源利用及生态环境安全[J].地理学报（英文版），2006，16（3）：277-285.

[7]COLWELL R N.Remote sensing of natural resources[J].Scientific America，1968，218（1）：54-69.

[8]PLANET W G.Some comments on reflectance measurements of wet soils[J]，1970，1（2）：127-129.

[9]SHARMA K D，SURENDRASINGH，NEPALSINGH，et al.Role of satellite remote sensing for monitoring of surface water resources in an arid environment[J].Hydrological Sciences Journal，1989，34（5）：531-537.

[10]李思楠，趙筱青，谭琨，等.基于GIS的抚仙湖流域土地利用时空变化研究[J].人民长江，2019，50（6）：63-69，89.

[11]ALONSO A，MUNOZCARPENA R，KENNEDY R E，et al.Wetland landscape spatio-temporal degradation dynamics using the new Google Earth Engine Cloud-Based Platform：opportunities for non-specialists in remote sensing[J].Transactions of the ASABE，2016，59（5）：1331-1342.

[12]GOBER P，BRAZEL A，QUAY R，et al.Using watered landscapes to manipulate urban heat island effects：how much water will it take to cool Phoenix[J].Journal of the American Planning Association，2010，76（1）：109-121.

[13]DU N，OTTENS H，SLIUZAS R J L，et al.Spatial impact of urban expansion on surface water bodies：a case study of Wuhan，China[J].Landscape & Urban Planning，2010，94（3-4）：175-185.

[14]PEKEL J F，COTTAM A，GORELICK N，et al.High-resolution mapping of global surface water and its long-term changes[J].Nature，2016，540（7633）：418-422.

[15]SANYAL J，LU X X.Application of remote sensing in flood management with special reference to Monsoon Asia：a review[J].Natural Hazards，2004，33（2）：283-301.

[16]SHENG Y W，SHAH C A，SMITH L C.Automated image registration for hydrologic change detection in the Lake-Rich Arctic[J].IEEE Geoscience and Remote Sensing Letters，2008，5（3）：414-418.

[17]LI Y，GONG X，GUO Z，et al.An index and approach for water extraction using Landsat-OLI data[J].International Journal of Remote Sensing，2016，37（16）：3611-3635.

[18]LIU Y，YANG J，CHEN Y，et al.The temporal and spatial variations in lake surface areas in Xinjiang，China[J].Water，2018，10（4）：431.

[19]DU Y，ZHANG Y，LING F，et al.Water bodies mapping from Sentinel-2 imagery with Modified Normalized Difference Water Index at 10-m spatial resolution produced by sharpening the SWIR Band[J].Remote Sensing，2016，8（4）：1-19.

[20]TULBURE M G，BROICH M J I，SENSING R.Spatiotemporal dynamic of surface water bodies using Landsat time-series data from 1999 to 2011[J].ISPRS Journal of Photogrammetry and Remote Sensing，2013，79（5）：44-52.

[21]JOHANSEN K，PHINN S，TAYLOR M.Mapping woody vegetation clearing in Queensland，Australia from Landsat imagery using the Google Earth Engine[J].Remote Sensing Applications：Society and Environment，2015（1）：36-49.

[22]HIRD J，DELANCEY E，MCDERMID G，et al.Google Earth Engine，Open-Access Satellite Data，and Machine Learning in support of large-area probabilistic wetland mapping[J].Remote Sensing，2017，9（12）：1315.

[23]GORELICK N，HANCHER M，DIXON M，et al.Google Earth Engine：planetary-scale geospatial analysis for everyone[J].Remote Sensing of Environment，2017，202：18-27.

[24]CHEN B，XIAO X，LI X，et al.A mangrove forest map of China in 2015：analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，131：104-120.

[25]HUANG H，CHEN Y，CLINTON N，et al.Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine[J].Remote Sensing of Environment，2017，202：166-176.

[26]LEE J S H，WICH S，WIDAYATI A，et al.Detecting industrial oil palm plantations on Landsat images with Google Earth Engine[J].Remote Sensing Applications：Society and Environment，2016，4：219-224.

[27]WANG Y，MA J，XIAO X，et al.Long-term dynamic of Poyang Lake surface water：A mapping work based on the Google Earth Engine Cloud Platform[J].Remote Sensing，2019，11（3）：313.

[28]ZHOU Y，DONG J，XIAO X，et al.Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine[J].Sci.Total Environ.，2019，689：366-380.

[29]肖茜，楊昆，洪亮.近30 a云贵高原湖泊表面水体面积变化遥感监测与时空分析[J].湖泊科学，2018，30（4）：1083-1096.

[30]YANG J，ZHANG W，FENG W，et al.Freshwater Testate Amoebae of Nine Yunnan Plateau Lakes，China[J].Journal of Freshwater Ecology，2005，20（4）：743-750.

[31]DINERSTEIN O E.THE GLOBAL 200：a representation approach to conserving the earthls most biologically valuable ecoregions[J].Conservation Biology，1998，12（3）：502-515.

[32]TULBURE M G，BROICH M.Spatiotemporal dynamic of surface water bodies using Landsat time-series data from 1999 to 2011[J].ISPRS Journal of Photogrammetry and Remote Sensing，2013，79：44-52.

[33]PATEL N N，ANGIULI E，GAMBA P，et al.Multitemporal settlement and population mapping from Landsat using Google Earth Engine[J].International Journal of Applied Earth Observation and Geoinformation，2015，35：199-208.

[34]JI L，ZHANG L，WYIE B K.Analysis of dynamic thresholds for the Normalized Difference Water Index[J].Photogrammetric Engineering & Remote Sensing，2009，75（11）：1307-1317.

[35]MCFEETERS S K.The use of the Normalized Difference Water Index（NDWI）in the delineation of open water features[J].International Jourmal of Remote Sensing，1996，17（7）：1425-1432.

[36]XU H.A study on information extraction of water body with the Modified Normalized Difference Water Index（MNDWI）[J].Journal of Remote Sensing，2005，9（5）：589-595.

[37]FEYISA G L，MEILBY H，FENSHOLT R，et al.Automated Water Extraction Index：a new technique for surface water mapping using Landsat imagery[J].Remote Sensing of Environment，2014，140：23-35.

[38]孟偉灿，朱述龙，曹闻，等.综合水体指数的创建[J].测绘科学，2013，38（4）：130-133.

[39]LIN C K.On improvement of the computation speed of Otsu's image thresholding[J].Journal of Electronic Imaging，2005，14（2）：023011.

[40]LI W，DU Z，LING F，et al.A comparison of land surface water mapping using the Normalized Difference Water Index from TM，ETM+ and ALI[J].Remote Sensing，2013，5（11）：5530-5549.

[41]JIE B，XI C，JUNLI L I，et al.Changes of inland lake area in arid Central Asia during 1975-2007：a remote-sensing analysis[J].Journal of Lake Sciences，2011，23（1）：80-88.

（编辑：黄文晋）

Abstract：The water surface mapping of the nine plateau lakes in Yunnan Province from 1988 to 2018 was carried out by using the Google Earth Engine（GEE）cloud platform with long-term Landsat images.Meanwhile，the temporal and spatial variation of the water surface areas of the nine plateau lakes and its driving factors were analyzed.The results showed that：①  In the past 30 years，the water surface area of the nine plateau lakes decreased by 23.93 km2 from 1 024.91 km2 in 1988 to 1 000.98 km2 in 2018，revealing an overall trend of “increasing followed by decreasing”.②  The water surface areas of most plateau lakes remained stable，however，a few lakes showed significant changes.For example，the areas of Qilu Lake and Yilong Lake shrank significantly after 2008.③  Analysis shows that from 2013 to 2017，the correlation between the change of water surface areas and precipitation is strong（R=0.9，p=0.08），while it is negatively correlated with air temperature（R=-0.63，p=0.08）from 1998 to 2018.The government′s economic development and lake protection policies and the changes of land cover/use are the most important human factors that cause changes of water surface areas of the nine plateau lakes.In conclusion，the dynamic changes of the nine plateau lakes in Yunnan Province are caused by climate changes and human activities jointly.

Key words：plateau lake;water body area;water index;Otsu algorithm;Google Earth Engine;Landsat images;Yunnan Province