“5.22”玛多地震影响区水体变化遥感探测

钟宇茜 夏兴生 胡天宇 潘耀忠

“5.22”玛多地震影响区水体变化遥感探测

钟宇茜1,3夏兴生1,2,*胡天宇1,3潘耀忠2,1

（1 青海师范大学高原科学与可持续发展研究院，西宁 810016）（2 北京师范大学地理科学学部遥感科学国家重点实验室，北京 100875）（3 青海师范大学地理科学学院，西宁 810016）

对地质活动主要影响区水系、水体变化进行监测，对于探索地质活动对区域自然和社会系统的影响具有重要意义。本文在Google Earth Engine平台的支持下，基于2018—2021年逐年7—11月的Sentinel-2A/B遥感数据，通过构建水体指数并利用大津算法对“5.22”玛多地震影响区水体信息进行提取并探测其变化情况。主要结果如下：1）基于Sentinel-2A/B遥感数据构建的8种水体指数中B3和B5波段组合指数水体信息提取最优，为水体指数构建的波段选择提供了新的参考；2）对玛多地震前后水体变化进行探测发现2018—2021年研究区水体不存在新增与消失，仅有扩张或收缩，且地表水体面积总体上呈先扩张后收缩的趋势。但是，对局部水体来说，并不完全遵循这一规律；3）气候变化并不能很好地解释局部水体的变化规律，结合区地震影响区域现场调查的事实证明地震活动确实造成了部分地表水体的变化。

水体指数 大津算法 气候变化 地质活动 多光谱传感器

0 引言

地质构造活动，特别是强地震的发生，不但会引起地表断错，形成地震陡坎、沟槽、鼓包等现象，也可能引发地表水系、水体的变化，而区域显著的水系、水体变化则可能打破原有的生态平衡、资源供给方式，进而影响区域自然系统和社会系统的发展。因此，进行以地震为代表的地质构造活动主要影响区域水系、水体变化的监测，对于探索地质构造活动对区域自然和社会系统的影响具有重要意义。

伴随以遥感为核心数据来源的对地观测技术不断在各行业兴起和应用，遥感技术也成了地表水体识别与变化监测的主要手段，并形成了丰富的成果[1-2]。在水体识别与提取方面，主要的方式有目视解译法[3]、单波段阈值法[4]、水体指数法[5]、监督与非监督分类法[6-7]、面向对象分类法[8]等。其中，水体指数法因为方法简单且精度较高已经成了识别水体及边界变化的主要方法[9]，并随着研究区或应用区的地理环境、水体的水质环境等客观条件的差异及研究和应用的侧重点不同已经发展了十余种不同的水体指数[10]，为针对各种不同条件下的水体识别监测研究与应用奠定了方法基础[3]。在水体识别的基础上，许多研究者也基于不同的方案对水体的时空分布特征、动态演变规律进行了讨论[11]，但在水体变化的驱动因素及影响方面，主要集中在水体对气候变化的响应方面，未见有针对诸如突发性强地震等地质构造活动引发的地表水体变化及影响的关注。

享有“亚洲水塔”之称的青藏高原，分布着地球上数量最多、面积最大、海拔最高的高原湖泊，湖泊总面积超过40 000 km2，面积大于1 km2的湖泊约有1 055个[12]。由于受人类活动影响较小，该区域湖泊的变化能够较真实地反映气候状况，因此，青藏高原的湖泊作为对气候变化较敏感的指示器一直受到研究者的广泛关注[13]。但是，青藏高原的绝大部分湖泊是基于高原隆起和板块内部的地质构造活动形成的构造湖泊[14]。直至今天，断裂带活动仍然强烈，常常引发高强度的地震[15]。强地震活动的发生或多或少引起地下、地表形态变化，进一步可能引发高原构造湖泊的变化，但未见有研究探讨这一变化的存在与否及可能造成的影响。因此，本研究以2021年“5.22”玛多地震主要影响区（地震烈度Ⅵ度区范围内，简称“震区”）为例，拟在Google Earth Engine（GEE）平台的支持下，利用较高分辨率的多光谱卫星遥感数据合成并优选最佳水体指数来提取2018—2021年震区的水体分布，并分析探测震区水体在近年是否有形成与消失或明显的扩张与收缩现象，以期为震区资源生态的监测工作提供一定的科学依据。

1 研究区与数据

1.1 研究区概况

受青藏高原地质构造和板块活动的影响，2021年“5.22”玛多里氏7.4级地震发生在东昆仑断裂带主干阿拉克湖-托索湖段南侧的巴颜喀拉块体内部，以青海省玛多县玛查理镇为宏观震中，地裂缝总体呈北西—南东向展布，地震烈度Ⅵ度区范围长轴约381 km，短轴约165 km[16]（图1）。震区整体位于青海省西南部，分布着以扎陵湖、鄂陵湖、星星海为代表的高原湖泊群，其中的玛多县有“千湖之县”的美誉[17]，不仅是三江源国家公园黄河园区的核心部分，也是青海省的主要牧区。湖泊变化不仅可能引起黄河源生态环境和高原“水塔”功能的变化，也可能影响牧区的水资源供给。因此，探讨震区水体的变化对评估地震等地质构造活动对高原生态环境和牧区生产生活的影响具有重大的意义。

图1 研究区概况图

1.2 数据及预处理

本研究主要使用的数据有卫星遥感数据、气象数据以及地震烈度数据。具体的数据说明及预处理如下：

（1）卫星遥感数据

相比其他多光谱卫星遥感数据，Sentinel-2A/B数据（表1）具有较高的空间分辨率、较短的重访周期、较丰富的光谱波段以及免费开放获取的数据政策，是优选的规模性湖泊群遥感监测较为理想的光学遥感数据之一，因此，本研究直接选择Sentinel-2A/B数据。数据来源于GEE平台（https://earthengine.google.com/）经过大气校正的Sentinel-2A/B地表反射率影像数据集。

由于青藏高原的绝大部分水体形态会有明显的季节性变化，即12月至次年4月份属于结冰期，5月— 8月份属动态变化期，9月—11月份水体面积则处于相对稳定的状态（水体最大面积变化率不超过2%）[18]，因此，很多学者选择每年9月—11月份的遥感影像来进行湖泊边界年际间的变化监测[19-21]。本研究也选择2018—2021年该时段的影像作为主体，探测气候变化背景下地震因素可能引起的湖泊变化，但考虑可能存在的云污染，也适当将稳定期向前扩展了2个月，最终每年的影像获取时段确定为7月—11月，并在GEE 平台中直接调取数据，基于元数据说明及质量镶嵌（Quality Mosaic）算法合成覆盖研究区的一景多波段无云影像数据。影像时段的选择也避开了地震发生时段季节性冰川、冻土、积雪对水体/水系变化的滞后性影响。

表1 Sentinel-2A/B数据波段信息

Tab.1 Sentinel-2A/B data band information

（2）气象数据

气象数据主要包括逐年平均气温以及逐年降水栅格数据，其中平均气温数据来源于哥白尼气候变化服务数据平台发布的ERA5-Land数据集[22]，降水数据来源于美国地质调查局（United States Geological Survey，USGS）发布的CHIRPS Daily数据集[23]，同样通过GEE平台获取并在年尺度上对数据进行合成，得到震区2018—2021年逐年平均气温以及逐年降水数据。

（3）地震烈度数据

震区烈度数据来源于应急管理部中国地震局（https://www.cea.gov.cn/）2021年5月28日发布的青海玛多7.4级地震烈度图，主要用于研究区的确定。其矢量结构数据是依据公开发布的烈度图数字化提取。

2 方法

2.1 水体指数

遥感应用中，为了突出显示或方便识别地物的空间分布，通过在多光谱波段内，以地物在不同波段的波谱特征为依据，寻找出所要研究地类的最强反射波段和最弱反射波段，采用波段间的差值、比值或混合运算方式及归一化处理构建指数影像，以扩大目标地类和背景地物的差异，即使要研究的地物在所生成的指数影像上得到最大的增强，而背景地物普遍受到抑制。目前，主要有水体指数、湿度指数、雪指数、植被指数等。水体指数法就是通过选取能够显著反映水体反射率差异的不同波段进行比值运算实现水体信息与非水体信息区分度的提高，为水体信息的提取提供了便利。如前文所述，水体指数法是识别水体及边界变化的主要方法[9]，本研究也直接通过构建水体指数对研究区水体信息进行提取和变化探测。

相比于其他地物，水体对各波段的电磁波反射率均较低，在绿光波段反射率较高，波长达到近红外时，水体反射率几乎为0。因此，现有的大部分水体指数的构建主要基于其对绿波段和红光波段的反射信号开展[24]，但是，相比于大多数光学遥感影像，Sentienl-2A/B光谱分辨率较高，对应的红光至近红外就细分了8个波段，现有研究仅选择了与其他传感器红光波段最为接近的近红外、远红外波段与绿波段构建归一化水体指数（Normalized Difference Water Index，NDWI）、改进的归一化水体指数（Modified Normalized Difference Water Index，MNDWI）进行水体的提取，并未讨论从8个波段优选特征波段与绿波段构建最优的水体指数[25-29]。因此，本研究将基于Sentienl-2A/B的绿波段分别和8个红波段构建水体指数。一方面，从中优选最佳的指数进行之后的水体识别与年际变化监测；另一方面，也为以水体探测为目标的传感器波段设计提供参考。为了便于比较，本研究直接参照NDWI、MNDWI的模型进行绿波段与其他波段的水体指数构建，具体如式（1）所示。

式中 WI为水体指数；为Sentienl-2A/B中绿光波段；代表Sentienl-2A/B中红光、植被红边1、植被红边2、植被红边3、近红外、植被红边4、短波红外1以及短波红外2波段中的任一波段。

2.2 大津算法

大津算法（Nobuyuki Otsu method，OTSU）是一种图像的二值化阈值确定算法，又称最大类间方差法，被认为是确定图像分割阈值的优选算法[30-32]。OTSU以图像像元的灰度特性为依据，通过计算类间方差来衡量灰度分布的均匀性，对应前景和背景的类间方差越大，表明构成图像两部分的差别越大，前景和背景的区分度也越大。该方法计算过程简单，不受图像亮度和对比度的影响[33]，从而能够更加快速、准确地识别图像中前景与背景部分。

有学者将OTSU应用于基于水体指数的水体提取研究中，结果显示能够得到可靠的水体信息，显著提高了水体提取的精度[34-35]，故在本研究水体提取过程中将使用OTSU以确定最佳分割阈值。具体对于一幅图像（,），将记为前景（水体）和背景（非水体）的分割阈值，首先设置水体指数的一个灰度值为初始分割阈值，并计算对应的类间方差；其次对灰度值进行迭代，计算相应的值直至遍历水体指数图像中所有像元的灰度值；最后选取值最大时对应的分割阈值为最佳分割阈值。值的算法如下：

2.3 混淆矩阵

混淆矩阵是进行遥感分类精度评价常用的一种方法[36]，主要通过比较真实图像与分类图像中对应位置像元的分类结果，计算正确分类与错误分类的比例从而反映出分类精度，具体指标及算法见文 献[37-40]。在实际应用中，混淆矩阵因其简单、直观的特点被广泛应用于遥感分类模型的精度评价[41]。本研究则以目视解译的分类结果为参照，构建基于水体指数的水体提取结果混淆矩阵进行精度评价。

2.4 空间叠置分析

空间叠置分析是分析地理要素时空分布变化情况的一种有效方法[42]。通过对两层或多层地图要素进行叠加产生新的要素，能够体现图层之间的空间关系，为更加直观地反映地理要素在时空尺度下的变化情况提供了一定的支持。目前该方法在水体动态变化监测相关研究过程中也得到了广泛的应用[43]。本研究为说明水体时空变化情况，将同一位置、不同时相获取的水体范围进行叠加分析。其可能存在的空间关系有三种：1）0时期某一个水体与时期对应地理位置上的一个水体基本重叠，此时认定该水体仅表现为萎缩或扩张状态；2）0时期的某一个水体对应位置上没有时期的水体存在，此时认定0时期的该水体已经干涸；3）时期的某一个水体对应位置上没有0时期的水体存在，此时认定0时期的该水体为新增水体。

2.5 动态度法

为了更好地了解震区水体变化情况，参考相关研究[44]引入动态度方法实现对震区水体变化的定量描述，主要用于探测水体面积变化特征。具体算法如下

式中是湖泊面积动态变化程度；U指研究时段末期湖泊面积大小；U指研究时段初期的湖泊面积大小；、分别为研究时段的初始和末期时间点；指研究时段区间长度。

3 结果分析

3.1 水体指数构建结果

以水体反射率较高的绿光波段为基础，将其分别与Sentienl-2A/B影像的红波段、植被红边1波段、植被红边2波段、植被红边3波段、近红外波段、短波红外1波段以及短波红外2波段组合构建成8种水体指数结果示例如图2所示。无论是从图像效果还是从直方图效果来看，8种水体指数均使得图像的背景得到抑制，但是对前景的增强却存在明显的差异。对于可能由于图像本身质量（Quality）、镶嵌质量及局部环境的影响存在暗像元的无水体区域（图2 a0），8种水体指数均不同程度的使得这些零星的暗像元得到了增强（图2 a1～a8）；对于水体、云、雪、暗像元混合的区域（图2 b0、c0），8种水体指数对应的直方图拟合曲线差异不大，指数图像对于云和雪的抑制效果也比较好，但是暗像元得到增强的效果仍然不同程度的存在（图2 b1～b8、c1～c8）；对于主要以积雪覆盖的高山区（图2 d0），8种水体指数对积雪的信号均得到了不同程度的增强（图2 d1～d8），比较而言B3B5波段组合的水体指数对积雪的弱化效果优于其他波段的组合。由此可见，不同水体指数因区域内部要素特征的差异，对于水体信号增强程度或多或少存在差异，基于这些水体指数直接进行水体的提取可能存在不同程度的误差，所以有必要进行水体指数的优选。

注：a～d分别表示研究区样方1、样方2、样方3、样方4；0～8分别表示原始影像以及B3B4、B3B5、B3B6、B3B7、B3B8、B3B8A、B3B11和B3B12波段组合构建的8种水体指数。

3.2 水体信息的提取及结果的选择

水体指数的优选主要通过评价其对应的提取结果来实现，因此，本研究首先分别基于每种水体指数利用OTSU算法进行水体的提取。考虑对每一景影像执行OTSU算法可能存在阈值不统一造成年际间提取结果难以比较的问题，本研究将四年影像作为一个整体基于OTSU确定阈值进行水体和非水体的分割，不同波段组合的水体指数最优分割阈值见表2。

表2 8种组合波段生成的水体指数最优阈值

Tab.2 The optimal segmentation threshold T of water body index generated by 8 combination bands

利用不同水体指数对应的最优阈值识别的部分水体结果如图3所示。由该图可以直接目视判断出：B3B11、B3B12分别组合的水体指数将大面积的积雪覆盖与山体阴影识别为了水体（图3 d0、d7、d8），其余6种水体指数均能够排除积雪的干扰，但是，B3B6、B3B7、B3B8、B3B8A、B3B11和B3B12组合的水体指数同时又将无水体分布的区域（图3 a0）中存在的暗像元识别为了水体（图3 a3～a8），B3B4、B3B5分别组合的水体指数在各个环境提取的水体结果分布则差异不大。因此，通过直观判断，B3B6、B3B7、B3B8、B3B8A、B3B11和B3B12分别组合的水体指数用于水体分布信息提取存在明显的错分，不适用于本研究，直接排除。

进一步利用混淆矩阵对B3B4、B3B5分别组合的水体指数提取的水体分布结果精度进行定量分析。首先，基于覆盖震区的Sentienl-2A/B原始影像，目视解译建立水体与非水体两类验证样本400个，其中水体200个，非水体200个（图4）。其次，利用验证样本和2种水体指数的水体提取结果按照混淆矩阵的算法，获得精度评价的各定量指标结果如表3所示。该结果显示，2种水体指数对应的混淆矩阵精度评价指标并无明显的差别，B3B5组合的水体指数仅在总体精度和Kappa系数上略优于B3B4组合的水体指数，以此，本研究选择B3B5波段组合构建的水体指数对应提取的水体分布结果分析震区水体的变化。

图4 精度评价验证样本分布示意

表3 精度验证结果

Tab.3 Accuracy verification results

3.3 水体变化的探测

基于B3B5波段组合构建的水体指数对应提取的水体分布结果进行叠加分析，发现研究区四年水体的整体空间格局基本一致，未探测到消失与新增，仅存在扩张与萎缩。从研究区整体水体面积变化的角度进行分析，发现研究区2018—2021年地表水体面积总体上呈先扩张后收缩的趋势（图5）。但是，对局部水体来说，并不完全遵循这一规律。

图5 水体整体面积变化图

图6是10个湖泊的面积变化统计。从中可以看出，只有扎陵湖（图6（b））、鄂陵湖（图6（f））和阿涌吾儿马错（图6（j））遵循先扩张后收缩的规律；尕拉拉错（图6（e））和错陇日阿（图6（g））面积变化表现为先收缩后扩张的规律；阿拉克湖（图6（a））和阿涌该马错（图6（h））面积变化表现为持续收缩的规律；冬给措纳（图6（d））和星星海（图6（c））整体上呈现扩张趋势，但2019—2020年，均出现小范围的收缩现象；龙日阿错（图6（i））面积变化整体上呈现收缩趋势，但2019—2020年，则存在一定的扩张。

（a）阿拉克湖 （a）Alag Lake （b）扎陵湖 （b）Gyaring Lake （c）星星海 （c）Xingxing Hai Lake （d）冬给措纳湖 （d）Dongji Co Lake （e）尕拉拉错 （e）Galalacuo Lake （f）鄂陵湖 （f）Erling Lake （g）错陇日阿 （g）Cuolongria Lake （h）阿涌该马错 （h）Ayonggamacuo Lake （i）冬给措纳湖 （i）Dongji Co Lake （j）阿涌吾儿马错 （j）Ayongwuermacuo Lake

为进一步探讨地震后水体面积是否存在异常，本文对比了2018—2020年和2018—2021年的水体动态度，结果如表4所示。从表4可以看出，地震发生后，大部分湖泊的面积动态度发生了不同程度变化，其中，尕拉拉错、阿涌吾儿马错、龙日阿错的变化最为显著，其次是扎陵湖、鄂陵湖、错陇日阿，表明地震后存在湖泊面积的突变现象。

表4 典型湖泊面积动态度变化

Tab.4 Dynamic changes of typical lake area 单位：%

从空间变化来看，2018—2021年研究区大部分的水体岸线（图7）似乎表现为年际间的重叠，只有局部变化明显。具体来说，阿拉克湖（图8（a））岸线整体呈现相对平稳的收缩趋势；扎陵湖（图8（b））岸线总体变化相对平稳，但是震后其西部岸线出现明显萎缩；冬给措纳湖（图8（d））岸线整体呈现相对微弱的扩张趋势；尕拉拉错（图8（e））地震后水体的岸线表现出整体的扩张，但在地震前的年份表现显著的收缩，特别是南部岸线的收缩幅度较大；错陇日阿（图8（g））南部岸线变化相对平稳，北部岸线变化幅度较大，且在震后北部岸线由2018—2020年的持续收缩转变为扩张，其中2019—2020年整体岸线均收缩；鄂陵湖（图8（f））局部岸线，比如西南部岸线，收缩趋势显著；龙日阿错（图8（i））岸线整体出现明显的萎缩现象，且年际间的收缩较为显著；阿涌该马错（图8（h））岸线总体上呈现收缩的趋势，且2018—2020年湖泊岸线变化幅度较小，而震后湖泊岸线变化幅度明显增大；阿涌吾儿马错湖（图8（j））岸线整体呈现扩张趋势；星星海（图8（c））岸线整体呈现相对平稳的扩张趋势，但是北部部分岸线发生明显的萎缩，南部部分岸线发生明显的扩张，且震后该区域岸线变化幅度也相对较大。从上述结果可以看出，10个湖泊的岸线均发生了不同程度的变化，其中，2018—2021年间变化较为明显的是尕拉拉错、错陇日阿、鄂陵湖、龙日阿错、阿涌该马错、阿涌吾儿马错以及星星海；2020—2021年间扎陵湖、阿涌吾儿马错、阿涌该马错、尕拉拉错、鄂陵湖、错陇日阿以及星星海均发生明显突变。

注：a～j分别表示研究区阿拉克湖、扎陵湖、星星海、冬给措纳湖、尕拉拉错、鄂陵湖、错陇日阿、阿涌该马错、龙日阿错、阿涌吾儿马错。

注：a～j分别表示研究区阿拉克湖、扎陵湖、星星海、冬给措纳湖、尕拉拉错、鄂陵湖、错陇日阿、阿涌该马错、龙日阿错、阿涌吾儿马错。

3.4 水体变化原因分析

对于青藏高原构造水体变化的因素归结起来主要是气温、降水和地质活动。图9是2018—2021年研究区年降水量和年平均气温的变化，其中，年降水量总体上呈先减少后增加趋势，年均气温则呈现先上升后下降趋势。对比图5分析，研究区水体面积在2018—2019年扩张了106 km2，该时间段年降水量基本不变，气温上升，因此可能由于气温上升以至于冰雪消融进而导致湖泊扩张；2019—2020年水体面积则收缩了2.7 km2，尽管年均气温上升、年降水量下降，但水体萎缩程度并不明显，可能是由于供给量与流失量相互补充导致水体变化并不明显；2020—2021年水体面积收缩了34.1 km²，年均气温降低，年降水量增加不明显，分析可能是气温降低导致水体供给量不足造成的。以此，从水体面积的整体变化来讲，气温和降水的变化能够对其进行合理的解释，但是单体湖泊变化的解释却存在一定的矛盾。比如由图6和图9可知，错陇日阿、冬给措纳湖、尕拉拉错和星星海的湖泊面积变化与气候变化规律并不一致，特别是2020—2021年在气温降低而降水量变化不显著的情况下湖泊出现了明显的扩张。另外，水体的边界本质上可以认为是构造盆地的等高线，气候变化导致的扩张或萎缩都应该是边界线整体的变化，但是水体边界的变化存在局部特征，比如阿涌该马错（图8（h））和星星海 （图8（c））震后其部分湖泊岸线形态变化方向与其它区域岸线形态变化方向截然相反，对这一现象唯一的解释就是地震的发生导致地表错断形成地震陡坎、地震沟槽、地震鼓包等使得地貌形态发生了变化。由此局部水体的变化则可以得到合理的解释，即局部水体的变化不仅受气候变化的影响，同时也存在地质活动的活动影响，大地震的发生对其影响可能更为显著。对这一解释的直接证据就是“5.22”玛多地震后的现场调查显示地震影响区出现了沙土液化、喷砂冒水、水体边缘渗漏等现象（图10）[45-46]。

图9 年降水量与年均气温变化图

图10 “5.22”玛多地震影响区水体异常变化现象

4 讨论

本研究基于GEE平台利用Sentinel-2A/B卫星数据对近年玛多地震影响区水体变化进行探测，不仅简易高效地获取了数据，也提高了数据处理效率。在整个过程中，利用Sentinel-2A/B卫星数据丰富的光谱信息，构建了8种水体指数优选进行水体的识别，保证了水体信息表现的可靠性。然而，基于OTSU进行水体和非水体的分割，虽然方法简单，计算速度快，但是算法本身也存在不确定性。OTSU建立的适应度函数只考虑了水体与非水体间的均值函数，未考虑方差函数，最后计算求得的分割阈值是分割后水体和非水体灰度均值的平均值。当图像中水体与非水体方差值相差较大时，则算出的分割阈值会发生偏移，并且靠近水体与非水体中方差值较大的那一类，所以，不同卫星获取的影像，分割出来的图像结果质量也会不同。本研究中因为研究区水体、植被长势及大气环境年际间均存在差异，如果每年都计算研究区水体的分割阈值，年际之间相同波段组合所得到阈值不同，这样因为约束条件的不统一会带来年际间结果可比较性的不确定。为了解决阈值不统一造成年际间提取结果难以比较的问题，本研究以四年影像作为一个整体确定统一的分割阈值，虽然约束条件做了统一，整体精度也得到了保证，但是各年份的精度可能仍然存在差异。因此，OTSU在时间序列的水体信息识别应用方面，分割阈值与精度的耦合统一还有待进一步的探讨。进一步，基于目视判读和混淆矩阵的精度评价结果，本研究选定了略有优势的Sentinel-2A/B卫星数据B3与B5波段组合构建的水体指数作为优选指数，但这仅仅是基于本研究区的实验结果，并未见有文献基于其他区域有类似的研究，因此，Sentinel-2A/B卫星数据B3与B5波段组合构建的水体指数是否也同样适合提取其他区域的水体则有待进一步探讨。最后，本研究基于气温、降水的变化规律与水体变化规律的不一致性，不同水体变化规模和岸线变化规律的差异，并基于已有文 献[45-46]和现场调查的证据说明了青藏高原的地质构造活动确实也是影响研究区水体变化的主要因素，但是可能限于本研究现有的数据和方法存在不确定性，遥感探测的结果并不能直接说明地质活动对水体的影响，且Sentienl-2卫星在轨时间短，影像数据年限少，年际间水体变化规律，特别是局部水体的水量平衡模式与气温、降水变化规律的耦合机制可能也存在较大的不确定性，地质构造活动对水体影响的异常变化遥感监测及影响的定量化分析等都是未来需要继续讨论的主题。

5 结束语

本研究在GEE平台的支持下，基于Sentinel-2A/B卫星数据构建水体指数，利用OTSU算法确定水体提取的分割阈值，基于目视判读和混淆矩阵选择最优指数提取水体，并依据提取结果对2018—2021年研究区水体动态变化进行分析。主要结论包括：1）基于Sentinel-2A/B遥感数据构建8种水体指数中B3B5波段组合的水体信息提取结果精度最高。2）对玛多地震前后水体变化进行探测，发现2018—2021年研究区水体未探测到新增与消失，仅存扩张或收缩，且地表水体面积总体上呈先扩张后收缩的趋势。但是，对局部水体来说，并不完全遵循这一规律，且彼此存在差异。3）气候变化要素中气温和降水的变化规律并不能很好地解释局部水体的变化规律，因此，地质构造活动，特别是大地震的发生，确实对水体的变化存在影响。

感谢青海师范大学地理科学学院/青海省人民政府-北京师范大学大学高原科学与可持续发展研究院周强教授提供的野外调查资料。

[1] 吴庆双, 汪明秀, 申茜, 等. Sentinel-2遥感图像的细小水体提取[J]. 遥感学报, 2022, 26(4): 781-794. WU Qingshuang, WANG Mingxiu, SHEN Qian, et al. Small Water Body Extraction Method Based on Sentinel-2 Satallite Multi-spectral Remote Sensing Image[J]. National Remote Sensing Bulletin, 2022, 26(4): 781-794. (in Chinese)

[2] 洪亮, 黄雅君, 杨昆, 等. 复杂环境下高分二号遥感影像的城市地表水体提取[J]. 遥感学报, 2019, 23(5): 871-882. HONG Liang, HUANG Yajun, YANG Kun, et al. Study on Urban Surface Water Extraction from Heterogeneous Environments Using GF-2 Remotely Sensed Images[J]. National Remote Sensing Bulletin, 2019, 23(5): 871-882. (in Chinese)

[3] 段秋亚, 孟令奎, 樊志伟, 等. GF-1卫星影像水体信息提取方法的适用性研究[J]. 国土资源遥感, 2015, 27(4): 79-84. DUAN Qiuya, MENG Lingkui, FAN Zhiwei, et al. Applicability of the Water Information Extraction Method Based on GF-1 Image[J]. Remote Sensing of Natural Resources, 2015, 27(4): 79-84. (in Chinese)

[4] 杨莹, 阮仁宗. 基于TM影像的平原湖泊水体信息提取的研究[J]. 遥感信息, 2010(3): 60-64. YANG Ying, RUAN Renzong. Extraction of Plain Lake Water Body Based on TM Imagery[J]. Remote Sensing Information, 2010(3): 60-64. (in Chinese)

[5] 希丽娜依·多来提, 阿里木江·卡斯木, 如克亚·热合曼, 等. 基于四种水体指数的艾比湖水面提取及时空变化分析[J]. 长江科学院院报, 2022, 39(10): 134-140. DOLAITI Xilinayi, KASMU Alimujiang, REHEMAN Rukeya, et al. Water Body Extraction of Ebinur Lake Based on Four Water Indexes and Analysis of Spatial-temporal Changes[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(10): 134-140. (in Chinese)

[6] 曹子荣.基于SVM监督分类的水体信息提取研究[J].测绘标准化,2013,29(3):30-32. CAO Zirong. On Water Body Information Extraction Based on SVM Supervised Classification[J]. Standardization of Surveying and Mapping, 2013, 29(3): 30-32. (in Chinese)

[7] 黄海波,赵萍,陈志英,等.ASTER遥感影像水体信息提取方法研究[J].遥感技术与应用,2008,23(5):525-528, 485.HUANG Haibo, ZHAO Ping, CHEN Zhiying, et al. Research on the Method of Extracting Water Body Information from ASTER Remote Sensing Image[J]. Remote Sensing Technology and Application, 2008, 23(5): 525-528, 485. (in Chinese)

[8] 林卉, 邵聪颖, 李海涛, 等. 高分辨率遥感影像5种面向对象分类方法对比研究[J]. 测绘通报, 2017(11): 17-21.LIN Hui, SHAO Congying, LI Haitao, et al. Five Object-oriented Classification Methods Analysis Based on High-resolution Remote Sensing Image[J]. Bulletin of Surveying and Mapping, 2017(11): 17-21. (in Chinese)

[9] 徐涵秋. 水体遥感指数研究进展[J]. 福州大学学报(自然科学版), 2021, 49(5): 613-625. XU Hanqiu. Development of Remote Sensing Water Indices: A Review[J]. Journal of Fuzhou University(Natural Science Edition), 2021, 49(5): 613-625. (in Chinese)

[10] COLDITZ R R, TROCHE SOUZA C, VAZQUEZ B, et al. Analysis of Optimal Thresholds for Identification of Open Water Using MODIS-derived Spectral Indices for Two Coastal Wetland Systems in Mexico[J]. Intertional Journal of Applied Earth Observation and Geoinformation, 2018, 70: 13-24.

[11] 胡汝骥,马虹,樊自立,等.近期新疆湖泊变化所示的气候趋势[J].干旱区资源与环境,2002, 16(1): 20-27. HU Ruji, MA Hong, FAN Zili, et al. The Climate Trend Demonstrated by Changes of the Lakes in XinJiang Since Recent Yesar[J]. Journal of Arid Land Resources and Environment, 2002, 16(1): 20-27. (in Chinese)

[12] 李均力, 盛永伟. 1976—2009年青藏高原内陆湖泊变化的时空格局与过程[J]. 干旱区研究, 2013, 30(4): 571-581. LI Junli, SHENG Yongwei. Spatiotemporal Pattern and Process of Inland Lake Change in the Qinghai-Tibetan Plateau during the Period 1976-2009[J]. Arid Zone Research, 2013, 30(4): 571-581. (in Chinese)

[13] 张国庆, 王蒙蒙, 周陶, 等. 青藏高原湖泊面积、水位与水量变化遥感监测研究进展[J]. 遥感学报, 2022, 26(1): 115-125. ZHANG Guoqing, WANG Mengmeng, ZHOU Tao, et al. Progress in Remote Sensing Monitoring of Lake Area, Water Level, and Volume Changes on the Tibetan Plateau[J]. National Remote Sensing Bulletin, 2022, 26(1): 115-125. (in Chinese)

[14] 潘桂棠,王立全,尹福光,等. 青藏高原形成演化研究回顾、进展与展望[J]. 沉积与特提斯地质,2022,42(2):151-175.PAN Guitang, WANG Liquan, YIN Fuguang, et al. Researches on Geological-tectonic Evolution of Tibetan Plateau: A Review, Recent Advances, and Directions in Future[J]. Sedimentary Geology and Tethyan Geology, 2022, 42(2): 151-175. (in Chinese)

[15] 金章东, Hilton R G, West A J, 等. 地震滑坡在活跃造山带侵蚀和风化中的作用: 进展与展望[J]. 中国科学: 地球科学, 2022, 52(2): 222-237. JIN Zhangdong, HILTON R G, WEST A J, et al. The Role of Earthquake-induced Landslides in the Erosion and Weathering form Active Mountain Ranges: Progress and Perspectives[J]. Scientia Sinica(Terrae), 2022, 52(2): 222-237. (in Chinese)

[16] 潘家伟, 白明坤, 李超, 等. 2021年5月22日青海玛多MS7.4地震地表破裂带及发震构造[J]. 地质学报, 2021, 95(6): 1655-1670. PAN Jiawei, BAI Mingkun, LI Chao, et al. Coseismic Surface Rupture and Seismogenic Structure of the 2021-05-22 Maduo(Qinghai)MS7.4 Earthquake[J]. Acta Geologica Sinica, 2021, 95(6): 1655-1670. (in Chinese)

[17] 李冠稳, 高晓奇, 肖能文, 等. 基于遥感技术的青海省玛多县生物多样性监测与评估[J]. 环境科学研究, 2021(10): 2419-2427. LI Guanwen, GAO Xiaoqi, XIAO Nengwen, et al. Biodiversity Monitoring and Evaluation Using Remote Sensing Technology in Maduo County, Qinghai Province[J]. Research of Environmental Sciences, 2021(10): 2419-2427. (in Chinese)

[18] 冶志强, 刘峰贵. Landsat TM/OLI遥感影像在玛多县近30年小型湖泊面积监测中的应用[J]. 青海环境, 2021, 31(2): 76-81. YE Zhiqiang, LIU Fenggui. Application of Landsat TM/OLI Remote Sensing Images in Monitoring the Area of Small Lakes in Maduo County in the Near 30 Years[J]. Journal of Qinghai Environment, 2021, 31(2): 76-81. (in Chinese)

[19] 冯钟葵, 李晓辉. 青海湖近20年水域变化及湖岸演变遥感监测研究[J]. 古地理学报, 2006(1): 131-141. FENG Zhongkui, LI Xiaohui. Remote Sensing Monitoring Study for Water Area Change and Lakeshore Evolution of Qinghai Lake in Last 20 Years[J]. Journal of Palaeogeography(Chinese Edition), 2006(1): 131-141. (in Chinese)

[20] 骆成凤. 1974-2016年青海湖水面面积变化遥感监测[J]. 湖泊科学, 2017, 29(5): 1245-1253. LUO Chengfeng. Monitoring of Water Surface Area in Lake Qinghai from 1974 to 2016[J]. Journal of Lake Sciences, 2017, 29(5): 1245-1253. (in Chinese)

[21] 德吉央宗, 拉巴卓玛, 拉巴, 等. 1975–2013年西藏佩枯错湖面变化及分析[J]. 湖泊科学, 2016, 28(6): 1338-1347. DEKEY Yangzom, LHABA Droma, LHABA, et al. Lake Area Variation of Peiku Tso(Lake) in 1975–2013 and Its Influerntial Factors[J]. Journal of Lake Sciences, 2016, 28(6): 1338-1347. (in Chinese)

[22] DEE D P, UPPALA S M, SIMMONS A J, et al. The ERA-Interim Reanalysis Configuration and Performance of the Data Assimilation System[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597.

[23] ASHOURI H, HSU K, SOROOSHIAN, et al. PERSIANN-CDR Daily Precipitation Climate Data Record from Multi-satellite Observations for Hydrological and Climate Studies[J]. Bulletin of the American Meteorological Society, 2015, 96(1): 69.

[24] 王大钊, 王思梦, 黄昌. Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比[J]. 国土资源遥感, 2019, 31(3): 157-165. WANG Dazhao, WANG Simeng, HUANG Chang. Comparison of Sentinel-2 Imagery with Landsat8 Imagery for Surface Water Extraction Using Four Common Water Indexes[J]. Remote Sensing for Natural Resources, 2019, 31(3): 157-165. (in Chinese)

[25] LACAUX J P, TOURRE Y M, VIGNOLLES C, et al. Classification of Ponds from High-spatial Resolution Remote Sensing: Application to Rift Valley Fever Epidemics in Senegal[J]. Remote Sensing of Environment, 2007, 106(1): 66-74.

[26] 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.

[27] WORK E, GILMER D S. Utilization of Satellite Data for Inventorying Prairie Ponds and Lakes[J]. Photogrammetric Engineering and Remote Sensing, 1976, 42(5): 685-694.

[28] RUNDQUIST D C, LAWSON M P, QUEEN L P, et al. The Relationship between Summer-season Rainfall Events and Lake-surface Area[J]. JAWRA Journal of the American Water Resources Association, 1987, 23(3): 493-508.

[29] MCFEETERS S K. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432.

[30] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[31] KHAMBAMPATI A K, LIU D, KONKI S K, et al. An Automatic Detection of the ROI Using OTSU Thresholding in Nonlinear Difference EIT Imaging[J]. IEEE Sensors Journal, 2018, 18(2): 5133-5142.

[32] LIN C K. On Improvement of the Computation Speed of OTSU'S Image Thresholding[J]. Journal of Electronic Imaging, 2005, 14(2): 023011.

[33] 牛晗,伍希志. 基于大津算法连通域的松果多目标识别定位[J]. 江苏农业科学,2021,49(15):193-198. NIU Han, WU Xizhi. Pinecone Multi-target Identification and Location Based on Connected Domain of OTSU Algorithm[J]. Jiangsu Agricultural Sciences, 2021, 49(15): 193-198. (in Chinese)

[34] GOH T Y, BA SAH S N, YAZID H, et al. Performance Analysis of Image Thresholding: OTSU Technique[J]. Mea-surement, 2018, 114: 298-307.

[35] LI N, LV X, XU S, et al. An Improved Water Surface Images Segmentation Algorithm Based on the OTSU Method[J]. Journal of Circuits Systems and Computers, 2020, 29(15): 2050251.

[36] 沈江龙,郑江华,尼格拉·吐尔逊,等.若羌绿洲特色林果种植信息遥感提取方法适用性分析[J].中国农业资源与区划,2022,43(2):206-219.SHEN Jianglong, ZHENG Jianghua, TUERXUN Nigela, et al. Applicability Analysis of Remote Sensing Extraction Method of Planting Information of Local Fruit Cropin Ruoqiang Oasis[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(2): 206-219. (in Chinese)

[37] 戴芹,刘士彬,刘巍.基于GEE云平台和多源数据的土地覆盖智能分类算法对比研究[J].地理与地理信息科学,2020,36(6):26-31.DAI Qin, LIU Shibin, LIU Wei. Comparison of Land Cover Intelligent Classification Algorithms Based on GEE Cloud Platform and Multi-source Data[J]. Geography and Geo-information Science, 2020, 36(6): 26-31. (in Chinese)

[38] ALLOUCHE O, TSOAR A, KADMON R. Assessing the Accuracy of Species Distribution Models: Prevalence, Kappa and the True Skill Statistic(TSS)[J]. Journal of Applied Ecology, 2006, 43(6): 1223-1232.

[39] NIU Z G, SHAN Y X, GONG P. Accuracy Evaluation of Two Global Land Cover Data Sets over Wetlands of China[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, XXXIX-B7: 223-228.

[40] 吴健平, 杨星卫. 遥感数据分类结果的精度分析[J]. 遥感技术与应用, 1995, 10(1): 17-24. WU Jianping, YANG Xingwei. Accuracy Analysis of Remote Sensing Data Classification Results[J]. Remote Sensing Technology and Application, 1995, 10(1): 17-24. (in Chinese)

[41] 刘玉梅. 不同水体提取方法的提取效果比较[J]. 陕西水利, 2021(11): 104-106. LIU Yumei. Comparison of Extraction Effects of Different Water Extraction Methods[J]. Shanxi Water Resources, 2021(11): 104-106. (in Chinese)

[42] 范大昭, 雷蓉. 利用空间叠置分析探测地形图数据库的变化[J]. 海洋测绘, 2005, 25(2): 44-47. FAN Dazhao, LEI Rong. Detection Changes of Topographic Map Database Using Space Overlay Analysis[J]. Hydrographic Surveying and Charting, 2005, 25(2): 44-47. (in Chinese)

[43] 苏向明, 刘志辉, 魏天锋, 等. 艾比湖面积变化及其径流特征变化的响应[J]. 水土保持研究, 2016, 23(3): 252-256. SU Xiangming, LIU Zhihui, WEI Tianfeng, et al. Change of Ebinur Lake Area and Response Characteristics of the Runoff Change[J]. Research of Soil and Water Conservation, 2016, 23(3): 252-256. (in Chinese)

[44] 赵秋雨, 江鹏, 朱志强, 等. 1975—2020年环巢湖湿地景观格局演变及驱动分析[J]. 长江科学院院报, 2022, 39(5): 45-53. ZHAO Qiuyu, JIANG Peng, ZHU Zhiqiang, et al. Evolution and Driving Analysis of Wetland Landscape Pattern Around Chaohu Lake from 1975 to 2020[J]. Journal of Yangtze River Scientific Research, 2022, 39(5): 45-53. (in Chinese)

[45] 殷翔, 李鑫, 马震, 等. 青海玛多MS7.4地震震害特点分析[J]. 地震工程学报, 2021, 43(4): 868-875. YIN Xiang, LI Xin, MA Zhen, et al. Characteristics of Seismic Disasters Caused by the Maduo MS7.4 Erathquake in Qinghai Province[J]. China Earthquake Engineering Journal, 2021, 43(4): 868-875. (in Chinese)

[46] XU Y, ZHANG Y, LIU R, et al. Preliminary Analyses of Landslides and Sand Liquefaction Triggered by 22 May, 2021, Maduo Mw 7.3 Earthquake on Northern Tibetan Plateau, China[J]. Landslides, 2022, 19: 155-164.

Remote Sensing Detection of Water Changes in the “5.22” Maduo Earthquake Impact Area

ZHONG Yuxi1,3XIA Xingsheng1,2,*HU Tianyu1,3PAN Yaozhong2,1

（1 Academy of Plateau Science and Sustainability, Qinghai Normal University, Xining 810016, China）（2 State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China）（3 School of Geographical Sciences, Qinghai Normal University, Xining 810016, China）

It is of great significance to monitor the changes of water systems and water bodies in the area mainly affected by geological activities for exploring the influence of geological activities on regional nature and society systems. With the support of the Google Earth Engine platform, based on the Sentinel-2A/B remote sensing data from July to November in 2018-2021, this paper constructed water index, which was used the OTSU algorithm to extract the water information, and detect its changes in the affected area of "5.22" Maduo earthquake. The main research results are as follows: 1) Among the eight kinds of water indexes constructed based on Sentinel-2A/B remote sensing data, the water index constructed by the combination of B3 and B5 has the best extraction result for water information, which provides a new reference for the selection of band for water index construction. 2) The changes of water bodies before and after the Maduo earthquakes were detected, and it was found that the water bodies in the study area did not increase or disappear from 2018 to 2021, only expanded or contracted. And the surface water area generally expanded first and then contracted. However, for local water bodies, this law is not completely followed. 3) Climate change cannot explain the change law of local water bodies very well. Combined with the fact of field investigation in the earthquake-affected area, it is confirmed that seismic activity did cause the change of surface water bodies.

water index; OTSU Algorithm; climate change; geological activity; multispectral sensor

N37；N39

A

1009-8518(2023)04-0125-18

10.3969/j.issn.1009-8518.2023.04.013

2022-09-14

国家自然科学基金项目（42201027，42192581）；第二次青藏高原综合科学考察研究（2019QZKK0906，2019QZKK0603）

钟宇茜, 夏兴生, 胡天宇, 等. “5.22”玛多地震影响区水体变化遥感探测[J]. 航天返回与遥感, 2023, 44(4): 125-142.

ZHONG Yuxi, XIA Xingsheng, HU Tianyu, et al. Remote Sensing Detection of Water Changes in the “5.22” Maduo Earthquake Impact Area[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(4): 125-142. (in Chinese)

钟宇茜，女，1999年生，助理工程师。主要研究方向为遥感与地理信息系统应用。E-mail：754572091@qq.com。

夏兴生，男，1989年生，副教授。主要研究方向为资源环境遥感应用。E-mail：xxs@qhnu.edu.cn。

（编辑：庞冰）