基于Landsat8影像的蓝藻水华提取方法对比研究
2021-12-10晁明灿赵强杨铁利谢发之
晁明灿,赵强,杨铁利,谢发之
(1辽宁科技大学土木工程学院,辽宁 鞍山 114051;2安徽建筑大学环境与能源工程学院,安徽 合肥 230601)
0 引 言
内陆湖泊在城镇化进程中具有不可替代的作用,然而随着城镇化进程加快,内陆湖泊环境容易受人类活动的影响,湖泊的富营养化问题日益突出,导致蓝藻水华大量繁殖,破坏了湖泊的生态平衡,降低内陆湖泊的使用功能[1]。因此,如何对内陆湖泊的蓝藻水华进行精准化监测和预警防治是当前湖泊污染治理的重要问题。传统的湖泊蓝藻水华监测手段成本高、效率低,近些年来,一些内陆湖泊虽然布设了检测站,能全天对水质进行监测,但局限于监测的范围,不能反映整片湖泊的水质情况,遥感技术应用于湖泊蓝藻水华的监测可以解决这一问题。
目前国内外学者使用MODIS、MERIS、NOAA/AVHRR等卫星数据对内陆湖泊及沿岸海域的蓝藻水华监测取得了比较好的效果[2]。Gower等[3]利用海洋水色卫星对墨西哥海湾的藻类进行遥感监测,段洪涛等[4]基于MODIS、CBERS-2等多源遥感数据对太湖蓝藻水华的遥感监测方法进行了探究,唐晓先等[5]基于MODIS数据分析了2010–2015年的巢湖蓝藻水华分布。蓝藻水华实际提取的结果会受到云等天气条件的影响,为了解决这一问题,一些学者探索了降低云遮挡影响的提取方法,并取得了较为理想的结果。张娇等[6]采用浮游藻类指数的方法对洱海蓝藻水华进行提取,得到洱海蓝藻水华的时空分布信息,张东彦等[7]基于多源遥感数据对巢湖蓝藻水华提取方法进行探究,结果表明浮游藻类指数(FAI)可以降低云的影响,提高提取精度。
针对于蓝藻水华提取的方法较多,如比值植被指数(RVI)、差值植被指数(DVI)、归一化植被指数(NDVI)等,其中NDVI和FAI是常用的两种提取方法,本研究基于Landsat8多光谱数据,以巢湖为研究区域,确定提取蓝藻水华的NDVI和FAI阈值,并按照阈值等级划分,将蓝藻水华强度分为3级,进一步地对NDVI和FAI提取方法进行对比分析,同时分析巢湖的蓝藻水华分布及变化,这对巢湖的污染监测和防治具有重要意义。
1 数据获取与处理
1.1 研究区域概况
巢湖是我国五大淡水湖泊之一,地处东经 117°17.48′E～117°50.58′E,北纬 31°42.67′N～31°25.18′N,西临合肥市,东接巢湖市,流入巢湖河流共有35条,西半湖入湖河流主要有南淝河、派河、杭埠河、十五里河等,东半湖入湖河流主要有裕溪河、柘皋河等。
1.2 数据选择与预处理
选用Landsat8 OLI多光谱数据对内陆湖泊水体蓝藻水华进行提取,主要有三方面原因:1)其空间分辨率为30 m,提取的像元精度较高;2)其多光谱波段中含有FAI所需要的远红外波段;3)Landsat8近红外波段的光谱分辨率较高,对叶绿素、蓝藻水华更加敏感,可以提高对蓝藻水华的识别能力[8]。为了降低云对提取精度的影响,筛选的数据为无云或少云,从美国地质调查局(United states geological survey,USGS)网站下载,研究中共用到的10景影像的过境时间分别为2013年9月3日、9月19日,2014年10月24日,2015年10月27日,2016年7月25日,2017年9月14日,2018年7月31日、10月3日,2019年8月19日、11月23日。
2 巢湖蓝藻水华提取方法
2.1 巢湖蓝藻水华提取流程图
Landsat8多光谱数据预处理主要包括辐射定标、大气校正、水体提取、影像裁剪等步骤,基于ENVI5.3实现,其中大气校正是利用FLAASH模块进行处理。
图1是提取蓝藻水华的流程图。
图1 蓝藻水华提取流程图Fig.1 Flow chart of cyanobacteria blooms extraction
2.2 巢湖水域提取
对蓝藻水华提取之前,需要先提取出研究的湖泊区域,避免非湖泊区域地物的干扰,常用的水体提取方法有归一化水体指数(Normalized difference water index,NDWI)[9]和改进的归一化水体指数(Modified normalized difference water index,MNDWI)[10]。实验中采用NDWI对湖泊水体进行提取,NDWI是基于绿色波段和近红外波段构建的水体提取模型,具体的表达式为
式中RGreen为绿色波段反射率,RNIR为近红外波段反射率。基于Landsat8卫星NDWI对应的算法为(Rband3− Rband5)/(Rband3+Rband5)。
2.3 蓝藻水华提取方法
2.3.1 NDVI提取
NDVI在提取植被信息的应用上效果比较理想[11],而聚集的蓝藻水华与植被具有相似的光谱性质,在红波段和近红外波段之间出现“陡坡效应”,因此,NDVI可以用于湖泊中蓝藻水华的提取。其计算公式为
式中RNIR为近红外波段发射率,RRED为红波段反射率。
基于Landsat 8卫星,NDVI对应的算法为(Rband5−Rband4)/(Rband5+Rband4)。
2.3.2 浮游藻类指数提取
浮游藻类指数是Hu[12]在2009年提出来的,是利用水体在红光波段、近红外波段、短波红外波段的吸收特点,蓝藻水华在近红外波段高反射特点构建的提取算法,其计算公式为
式中RRED、RNIR、RSWIR分别为红光波段、近红波段、短波红外波段反射率,λRED、λNIR、λSWIR是对应的中心波长,是插值反射率,在红波段和短波红外波段采用线性内插而得到的近红波段反射率。
3 蓝藻水华提取
3.1 确定阈值及阈值分级
由于蓝藻水华区和非蓝藻水华区的光谱特性存在较大差异,在二者边界附近的像元变化率比较大,通过对像元坡度进行统计分析,可以确定蓝藻水华的提取阈值。以巢湖为研究区域,选择2013–2019年的每年一景共7景的无云巢湖过境影像,用于确定蓝藻水华阈值的研究。
图2是利用NDVI方法确定2013年9月19日巢湖蓝藻水华提取阈值的具体过程,图2(a)是该天的巢湖NDVI指数影像,暗处是蓝藻水华区,亮处为清洁水体区;图2(b)是利用ARCGIS中的SLOPE工具进行坡度分析的结果图,按照自然间断点分级法(Jenks)将坡度分为两类,即高坡度和低坡度,该分类方法基于数据中固有的自然分组,对分类间隔加以识别,可对相似值进行最恰当的分组,并使得各个类别之间的差异最大化,得到坡度最大差异分界值;图2(c)是将图2(b)的坡度图进行重分类,得到的较大坡度处的掩膜图,对比图2(a),坡度较大的地方为蓝藻水华于清洁水体分界线处;图2(d)是NDVI原始影像乘以掩膜图,得到的蓝藻水华与清洁水体分界处的NDVI值。
图2 2013年9月19日NDVI阈值提取流程。(a)NDVI影像;(b)坡度图;(c)高坡度提取图;(d)蓝藻水华边界提取图Fig.2 NDVI threshold extraction flow chart on September 19,2013.(a)Image of NDVI,(b)image of slope,(c)image of high slope,(d)image of cyanobacteria bloom boundary
对蓝藻水华与清洁水体分界处的NDVI值进行统计,利用INDVI<0的值排除水体、悬浮泥沙等像元干扰,利用INDVI>0.2的值排除已经确定的蓝藻水华像元[7]。对最后得到的NDVI值进行统计分析,利用均值减去二倍标准差就可以确定单张影像提取蓝藻水华的NDVI阈值,一些学者利用该方式确定提取蓝藻水华的阈值已经得到成功应用[13]。FAI阈值确定方法同NDVI阈值的确定相似,对蓝藻水华与清洁水体分界处的FAI值进行统计,利用IFAI<−0.01和IFAI>0.02的阈值分别排除水体和已经确定的蓝藻水华像[12],再利用均值减去二倍标准差确定单张影像提取蓝藻水华的FAI阈值。研究中参与阈值确定的影像共7景,对7景影像的蓝藻水华提取阈值进行平均处理,得到基于Landsat8多光谱数据提取蓝藻水华的统一阈值。表1是单张影像NDVI和FAI提取阈值的统计结果。经计算,NDVI提取蓝藻水华的阈值约为−0.1,FAI提取蓝藻水华的阈值约为−0.0026。
表1 单张影像蓝藻水华的提取阈值Table 1 Extraction threshold of cyanobacteria bloom in single image
参考相关文献中对蓝藻水华强度的等级划分方法[6],利用等间隔法分级NDVI提取蓝藻水华的阈值,将湖泊的蓝藻水华强度划分为三级:轻度蓝藻水华(−0.1
表2 蓝藻水华分级阈值Table 2 Cyanobacterial bloom grading threshold
3.2 验证阈值及分级阈值精度
选取2013年9月3日的巢湖过境影像对确定的蓝藻水华提取阈值及分级阈值进行验证,该天巢湖上空无云,图3(a)、(b)分别是利用NDVI方法和FAI方法提取的巢湖蓝藻水华分布图,由图可知,提取的蓝藻水华分布一致。图4是利用NDVI方法和FAI方法分级阈值提取的各级蓝藻水华面积,由图可知,在无云条件下,NDVI方法和FAI方法分级阈值提取的各级蓝藻水华面积非常接近,说明研究中确定的阈值及分级阈值具有很好的精度,对不同强度的巢湖蓝藻水华具有较好的区分效果,对巢湖蓝藻水华的精准监测发展具有重要意义。
图3 NDVI(a)和FAI(b)提取蓝藻水华的影像对比Fig.3 Comparison of images of cyanobacteria bloom extracted by NDVI(a)and FAI(b)
图4 NDVI和FAI分级阈值提取的蓝藻水华面积对比Fig.4 Comparison of cyanobacteria bloom area extracted by NDVI and FAI classification threshold
3.3 提取方法对比分析
图5(a)是2018年7月31日的巢湖标准假彩色影像,图5(b)、(c)分别是利用NDVI方法和FAI方法提取的巢湖蓝藻水华分布图,图5(a)中圈出的部分是当天巢湖上空的云,对比图5(b)、(c),FAI方法提取蓝藻水华时可以有效抑制云的干扰,而NDVI方法提取蓝藻水华时,将云误判成蓝藻水华,经计算,NDVI提取的蓝藻水华面积比FAI指数提取的蓝藻水华面积多出约11.57 km2。研究表明,在有云条件下,FAI识别蓝藻水华的能力更强,提取的蓝藻水华精度更高。
图5 标准假彩色影像(a)、NDVI(b)和FAI(c)提取的蓝藻水华影像的对比Fig.5 Comparison of images of standard false color(a),cyanobacteria bloom extracted by NDVI(b)and FAI(c)
4 湖泊富营养化分析
蓝藻水华的形成会经历越冬休眠,春季至秋季复苏、生长、集聚上浮的阶段[5],秋季巢湖湖面会形成大面积蓝藻水华,综合考虑云量、数据获取性、过境时间等因素,选择2013、2014、2018、2019年的秋季巢湖过境影像,分析时隔5年的巢湖蓝藻水华空间分布变化。图6(a)、(b)、(c)、(d)分别是利用FAI方法提取的2013、2014、2018、2019年巢湖蓝藻水华分布图,从图中可以看到,巢湖西半湖及沿岸水域的富营养化一直比较严重,近几年来,巢湖东半湖的富营养化也日益加重,虽然国家和当地政府每年对巢湖富营养化治理的投入不断加大,但在合肥市、巢湖市快速发展的背景下,原有的治理方案已经不能减弱巢湖蓝藻水华污染,因此,国家和当地政府需要根据巢湖现在的污染情况及时调整治理方案。
图6 巢湖蓝藻水华分布图。(a)2013-09-19;(b)2014-10-24;(c)2018-10-03;(d)2019-11-23Fig.6 Distribution map of cyanobacteria bloom in Chaohu Lake.(a)September 19,2013,(b)October 24,2014,(c)October 3,2018,(d)November 23,2019
5 结 论
以巢湖为研究区域,基于Landsat8多光谱数据,确定提取蓝藻水华的NDVI阈值和FAI阈值,并对蓝藻水华的提取阈值进行分级。同时,对NDVI和FAI两种蓝藻水华提取方法进行对比,并分析了2013–2019年巢湖蓝藻水华分布及变化情况。主要得到以下结论:1)确定的阈值及分级阈值可以有效地提取巢湖的蓝藻水华,并区分蓝藻水华强度;2)相比于NDVI提取方法,FAI方法可以识别云,降低云对提取精度的影响;3)通过分析巢湖蓝藻水华分布,巢湖西半湖及沿岸水域富营养化一直较为严重,近几年来,东半湖的富营养化也日趋严重,这为巢湖蓝藻水华的污染防控和治理方案的调整提供科学依据。4)研究结果也存在一些不足之处,受卫星重访周期和天气条件的影响,无法全面分析巢湖蓝藻水华分布变化的规律和趋势。
