武汉市南湖2000—2021年水域面积时空变化分析

摘要 基于Landsat卫星数据，采用波段比值法获取2000—2021年武汉市南湖水域面积，分析南湖水域面积时空变化。结果表明：南湖2003年水域面积最大，水域面积在2000—2007年呈现缩小，2008—2012年呈现增大，2013—2021年又呈现缩小，南湖治理时间与水域面积增大时间点重合，说明湖泊治理取得了成效。南湖2000—2021年水域面积整体呈现缩小，面积缩小总量为1.02 km2，且北面、东面的面积缩小变化最为明显，南湖水域面积在2004—2005年呈现突变性快速缩小。南湖水域面积与蒸发量存在正相关，南湖水域面积与气温存在负相关。指数平滑模型和神经网络模型（LSTM）都能预测南湖水域面积，且水域面积在2022—2024年呈现增大，但指数平滑模型预测结果更准确。

关键词 Landsat卫星数据；水域面积；时空变化；相关性；武汉市南湖

中图分类号 K928.43 文献标识码 A 文章编号 0517-6611（2024）17-0072-04

doi：10.3969/j.issn.0517-6611.2024.17.015

Analysis of Spatiotemporal Changes in Water Area of South Lake from 2000 to 2021 in Wuhan City

YIN Zong-min，YANG Yu-long，SUN Chen et al

（Wuhan Geological Survey Center of China Geological Survey，Wuhan，Hubei 430205）

Abstract Based on Landsat satellite data，the band ratio method was used to obtain the water area of South Lake in Wuhan City from 2000 to 2021，and the spatiotemporal changes of the water area of South Lake were analyzed.The results showed that in 2003，South Lake had its largest water area，with a decrease in water area during 2000-2007，an increase during 2008-2012，and another decrease during 2013-2021.The timing of South Lake’s management coincides with the period of increased water area，indicating the effectiveness of lake management.Overall，the water area of South Lake decreased from 2000 to 2021，with a total reduction of 1.02 km2.The most significant reductions occurred on the northern and eastern sides，and there was a rapid and abrupt decrease in South Lake’s area during 2004-2005.South Lake’s water area changes exhibit a positive correlation with evaporation，and a negative correlation with temperature.Both the exponential smoothing model and the long short-term memory （LSTM） neural network model could predict South Lake’s surface area.The water area was projected to increase from 2022 to 2024.However，the predictions from the exponential smoothing model were more accurate.

Key words Landsat satellite data;Water area;Spatiotemporal change;Correlation;South Lake in Wuhan City

基金项目 国家自然科学基金项目（42107485）。

作者简介 殷宗敏（1992—），男，江西庐山人，工程师，硕士，从事地质遥感、GIS数据分析方面的研究。通信作者，高级工程师，硕士，从事自然资源督察技术方面的研究。

收稿日期 2023-10-09

武汉市南湖作为武汉市第三大城中湖，其面积变化与周边生态环境密切相关，南湖面积缩小和消失会影响武汉地区的水资源供应和生态系统平衡，因此研究南湖面积变化趋势对环境保护和地区生态可持续性具有重要的意义。同时治理南湖污染，一直是人们关注的焦点问题。

湖泊面积的提取有多种方法：①基于纹理特征的方法，利用纹理特征来提取水体，湖泊水体的纹理特征和周围陆地不同，通过分析影像中像素的纹理信息，可以将水体从陆地分离出来；该方法的优点是适用于不同分辨率和不同湖泊类型的遥感影像，且不受光照、云层等干扰，缺点是提取精度受多种因素影响，如湖泊表面波动、水深等，可能会出现一些误判的情况［1］。②基于水体边界检测的方法，利用边缘检测算法提取湖泊边缘，再根据边缘像素确定湖泊范围，这种方法能够较好地保留湖泊的形状，但是对湖泊内部的细节信息提取不够精确，该方法需要选用适当的边缘检测算法，如Canny算子等，还需要对提取结果进行后期处理，去除噪声等干扰［2］。③基于深度学习的方法，通过利用深度学习算法对大量的遥感影像进行训练，实现高精度的湖泊提取；这种方法的优点是准确率高，可以适应不同的湖泊类型和复杂的地形地貌，但是需要大量的训练数据和计算资源，并需要专业的领域知识和技能［3］。

国内外对湖泊面积时空变化已有许多研究，如利用LSTM、ConvLSTM等深度学习模型，建立湖泊变化的时间序列模型，实现了对湖泊范围更精细和连续的动态监测，能够提取出季节性、年际变化规律［4］；通过融合不同时相、不同分辨率的光学、雷达卫星数据，实现了湖泊变化的高时间分辨率连续监测［5］;基于提取的湖泊面积变化时间序列，结合气候、环境和人类活动统计数据，揭示气候变化和人为活动对湖泊变化的影响机制［6］;利用深度学习模型，融合多源异构数据，建立了关键时段的湖泊面积变化预测模型，实现了对超出阈值变化的预警，为湖泊资源保护提供支撑［7］。

该研究使用Landsat卫星数据，对数据进行去云、大气校正、辐射校正等处理，采用波段比值和阈值的方法，实现对水体和非水体的分类，并对获取的南湖多年水域面积进行时间序列分析及驱动因子分析，探讨南湖水体范围的时空变化情况。

1 资料与方法

1.1 基于波段比值的湖泊提取

在进行湖泊范围提取时，选择某个特定波段或者波段组合，利用其特有的反射率或者亮度信息来进行湖泊区域的提取［8］。在基于波段比值的方法中，常采用标准化差异水体指数（normalized difference water index，NDWI）来提取湖泊区域。NDWI是利用近红外波段和绿色波段之间的差异来反映水体含量的指数，计算公式如下：

NDWI = （Green - NIR） / （Green + NIR）

其中，Green和NIR分别代表绿色波段和近红外波段的反射率。通过设定一个阈值，将NDWI图像中大于该阈值的像元视为湖泊区域［9］。

1.2 M-K检验

M-K（Mann-Kendall）检验常用于环境科学、水文学、农业科学等领域，用于评估气候变化、降水量变化、土壤侵蚀等的变化趋势。M-K检验是一种统计检验方法，用于检验一组数据是否存在显著趋势，主要用于识别一组序列数据中的单调趋势，通过判断Z值是否超出统计学上的显著性水平，来评估这种趋势的显著性，根据标准正态分布的性质，如果Z值大于1.96，则可以拒绝原假设，认为存在趋势［10］。

M-K检验值反映了数据变化的趋势，其值越大表示趋势越显著，其值越小表示趋势越不显著；而M-K检验值的正负则表明趋势的方向，正值表示上升趋势，负值表示下降趋势。UF-UB曲线是一种用于探测时间序列数据是否存在突变的方法，通过计算每个时间点上的UF和UB值，UF代表上升趋势的强度，其值越高表明趋势越强，而UB代表下降趋势的强度，其值越高表明趋势越强，如果2条曲线在某个时间点上相交，表明在这个时间点上存在突变［11］。

1.3 时间序列预测模型

处理时间序列预测问题时存在多种方法，该研究使用ARIMA模型、指数平滑模型和神经网络模型（LSTM），其中ARIMA模型是一种经典的时间序列预测方法，它结合了自回归（AR）和移动平均（MA）的概念［12］，AR部分考虑了时间序列中过去观测值的线性组合，而MA部分考虑了过去观测值的误差项的线性组合；ARIMA模型还包括一个积分项，用于处理非平稳时间序列［13］。

指数平滑模型是一种适用于时间序列预测的统计方法，用于处理具有趋势和季节性成分的数据，该方法扩展了简单的指数平滑，包括水平、趋势和季节性3个主要组件，通过对过去观测值的加权平均来预测未来值，具有较好的适应性，可以捕捉数据的长期趋势和季节性［14］。LSTM是一种深度学习模型，特别适用于处理序列数据，包括时间序列，LSTM具有内部状态和记忆单元，能够捕捉长期依赖关系，因此适用于处理具有复杂动态模式的时间序列数据，LSTM模型在处理非线性和复杂的时间序列数据方面表现出色［15］。

2 结果与分析

2.1 水域面积变化 统计2000—2021年南湖水域面积发现，2003年南湖水域面积最大，为9.32 km2，其次是2000年，为9.25 km2。对南湖水域面积进行时间序列分析，发现2000—2007年水域面积呈现减少趋势，2008—2012年呈现增加趋势，2013—2021年又呈现减少趋势。查询资料发现，南湖治污工程用3年分3期进行，2006年堵截24个主要排污口污水入湖；2007年雨季，建成、完善龙王嘴、黄家湖、汤逊湖污水处理厂及收集系统，处理周边污水，完善配套项目，使湖泊水质恶化趋势得到遏制；2009年3月华中农业大学南湖截污工程正式启动，实现清水入湖。南湖治理时间正好与水域面积增加时间点重合，说明湖泊治理取得了成效。

从图1可以看出，2000—2004年南湖北部区域存在众多离散的小水域，但2005年以后，这些区域就不存在了，影像显示该区域已经进行城镇开发。南湖在2008年以后水域面积又呈现变化，影像显示其西北角新增一个人工开挖的水域面积，但总体而言其周边离散水域呈现缩小趋势。

南湖2000年和2021年的水域面积对比如图2所示，可以看出这22年间南湖水域面积呈现缩小趋势，面积缩小总量为1.02 km2;南湖北面、东面的面积缩小变化最为明显，除西面人工开挖水域外，其南部水域面积呈现少量增加。

2.2 相关分析

从南湖区域2000—2020年水域面积与降水量、气温、蒸发量的变化曲线（图3）可以看出，降水量与南湖水域面积之间的关系不明显。南湖水域面积与蒸发量存在正相关，南湖水域面积越大，蒸发面积越大，蒸发量越大。南湖水域面积与气温存在明显的负相关，即气温越高，湖泊水域面积越小，如2007、2019年等；气温越低，南湖水域面积越大，如2003、2012年等。

整理南湖治理的相关新闻报道发现，自20世纪90年代以来，武汉市政府先后投入了超过10亿元用于南湖环境治理和生态修复；2005年武汉市出台了《武汉市湖泊保护条例》等法规，加强南湖生态环境管理和保护；2008年武汉市启动了南湖水环境综合治理工程，计划总投资约12.5亿元，用于治理南湖内部污染，恢复南湖水体自净能力；2011—2015年，武汉市政府投资约3.6亿元用于南湖湿地保护和修复工

程；2016—2020年，武汉市政府投资10亿元继续推进南湖生态系统修复工作。从南湖的水域面积与治理资金投入（图4）可以看出，在2008和2016年治理资金投入增加，南湖水域面积呈现明显的增大趋势，说明治理成效显著。

2.3 M-K检验

通过对2000—2020年南湖水域面积数据进行M-K检验，结果如图5所示，计算参数结果显示，Z值为3.03，大于1.96，说明南湖水域面积数据存在变化趋势。M-K检验值为-5.52，说明南湖水域面积存在减少趋势，在2004—2005年曲线存在交点，交点值小于0，说明存在持续下降趋势，交点在置信水平区间［-1.96，1.96］内，说明2004—2005年南湖水域面积呈现突变性减少的状态。

2.4 时间序列预测 利用2000—2021年南湖水域面积作为样本数据，采用ARIMA模型、指数平滑模型、神经网络模型（LSTM）预测2022—2024年水域面积，结果如图6所示。3种方法的预测结果显示ARIMA模型、指数平滑模型预测结果较为靠近，后者存在波动，更符合实际；LSTM预测结果与ARIMA模型、指数平滑模型的预测结果差别较大，LSTM预测水域面积增加趋势更明显。通过解译2022年遥感影像，统计的南湖水域面积为7.9 km2，发现指数平滑模型的预测结果更为准确。

3 结论

（1）南湖2003年水域面积为9.32 km2，面积最大。南湖水域面积在2000—2007年呈现减少趋势，2008—2012年呈现增加趋势，在2013—2021年又呈现减少趋势，南湖治理时间正好与水域面积增加时间点重合，说明湖泊治理取得了成效。

（2）2000—2021年南湖水域面积呈现缩小趋势，面积缩小总量为1.02 km2，且北面、东面的面积缩小变化最为明显。南湖北部区域的小水域被城镇开发所取代，而其西北角新开

挖的水域则服务于居民休闲娱乐。

（3）降水量影响南湖水域面积变化；南湖水域面积与蒸发量存在正相关，南湖水域面积影响蒸发量变化；南湖水域面积与气温存在负相关，气温变化影响南湖水域面积的变化；在2008和2016年治理资金投入增加使得南湖水域面积呈现明显增大，说明治理成效显著。

（4）M-K检验表明南湖水域面积存在减少趋势，2004—2005年南湖水域面积呈现突变性减少的状态。

（5）基于南湖2000—2021年水域面积进行预测，指数平滑模型和神经网络模型（LSTM）均预测了水域面积增加的趋势，但指数平滑模型预测结果更准确。

参考文献

［1］

李小涛，黄诗峰，郭怀轩.基于纹理特征的SPOT 5影像水体提取方法研究［J］.人民黄河，2010，32（12）：5-6.

［2］ 周柯.基于Landsat影像的青藏高原东北部典型湖泊面积时序变化研究［D］.北京：中国地质大学（北京），2019.

［3］ RINGLER C，BHADURI A，LAWFORD R.The nexus across water，energy，land and food （WELF）：Potential for improved resource use efficiency［J］.Current opinion in environmental sustainability，2013，5（6）：617-624.

［4］ 赵建平，邢亚利，陈彦兵，等.基于RS和GIS的内蒙古锡林郭勒盟湖泊面积变化分析［J］.干旱区研究，2016，33（1）：129-135.

［5］ HADDELAND I，HEINKE J，BIEMANS H，et al.Global water resources affected by human interventions and climate change［J］.Proceedings of the national academy of sciences，2014，111（9）：3251-3256.

［6］ WADA Y，WISSER D，BIERKENS M F P.Global modeling of withdrawal，allocation and consumptive use of surface water and groundwater resources［J］.Earth system dynamics，2014，5（1）：15-40.

［7］ 陈超，李强，王波，等.基于卷积神经网络的高分辨率湖泊识别［J］.农业工程学报，2021，37（7）：223-231.

［8］ SONG C，HUANG B，KE L.Modeling the impact of climate change on the water level of Nam Co Lake，Tibetan Plateau［J］.Journal of geographical sciences，2014，24（2）：283-298.

［9］ 王丽，李晓明，范欣欣，等.基于Landsat时序图像的洞庭湖面积变化分析［J］.干旱区地理，2013，36（4）：568-574.

［10］ 张洪波，李哲浩，席秋义，等.基于改进过白化的Mann-Kendall趋势检验法［J］.水力发电学报，2018，37（6）：34-46.

［11］ 王孟本，范晓辉.山西省近50年气温和降水变化基本特征研究［J］.山西大学学报（自然科学版），2009，32（4）：640-648.

［12］ 龙宇，许浩然，余华云等.基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测［J］.科学技术与工程，2023，23（25）：10879-10886.

［13］ 丁严，许德合，曹连海，等.基于CEEMD的LSTM和ARIMA模型干旱预测适用性研究：以新疆为例［J］.干旱区研究，2022，39（3）：734-744.

［14］ 刘伟军，黄志梁.基于指数平滑和PSO-BP混合模型的建筑工程造价指数预测［J］.武汉理工大学学报（信息与管理工程版），2023，45（3）：404-409.

［15］ 许滔滔，王中兴，肖卓伟，等.基于LSTM循环神经网络的大地电磁工频干扰压制［J］.地球物理学进展，2020，35（5）：2016-2022.