黄河流域典型内陆湖泊水生植被类群与藻华遥感监测

陈永贵，朱玉香

（河南测绘职业学院，郑州 451464）

0 引言

【研究意义】湖泊具有调节区域气候、维持区域生态平衡和保护生物多样性的特殊功能。然而，近几十年来，全球湖泊面临水体富营养化和有害藻华暴发等严重的生态问题，有害藻类普遍在内陆和沿海水域中大量繁殖，使当地水环境面临富营养化、藻华和沼泽化等问题[1-3]。乌梁素海是黄河流域最大的淡水湖，也是同纬度最大的自然湿地，对维护黄河流域生态平衡、调节区域气候和流域蓄水防洪等具有重要作用。随着经济的快速发展和工业化进程的加速，乌梁素海的生态环境遭到严重破坏，藻华暴发事件时有发生[4]。因此，乌梁素海的高效生态监测对当地生态环境治理具有重要意义，有助于黄河流域生态保护和高质量发展，对指导流域生态环境建设具有重要意义。

【研究进展】传统的监测方法主要以人工船舶调查为主，这种方式可以较准确地获取水生植被类型和藻华的空间分布信息，但需投入大量的人力和物力，监测范围小且时空连续性差，无法应用于大范围监测。相比之下，遥感技术的发展为宏观尺度的生态环境动态监测提供了一种有效且低成本方法。相比于其他卫星数据，Landsat TM/ETM+和OLI 传感器不仅具有较高的时间、空间和光谱分辨率，更重要的是，Landsat系列卫星从1972年至今的多年数据均可用，具有很好的数据连续性，可实现水生植被类群和黄苔藻华的长时序动态监测[5-6]。在监测方法上，前人已提出了许多遥感方法来识别和监测藻华，如：监督或非监督方法[7]、波段差值/比值法[8]、决策树分类法[9]和水质参数反演法[10-12]等。其中，光谱指数（NDVI、NDAVI、WAVI、SAVI、FAI、MCI和NDPI）具有简单和高效的优点，已被广泛应用于藻华提取[13-15]。

【切入点】乌梁素海的水生环境复杂，湖区内生长了大量的水生植被，包括挺水植被类群（芦苇、香蒲）、沉水植被类群（龙须眼子菜、穗花狐尾藻和金鱼藻等）等，单一的光谱指数很难区分湖区内的水生植被类群和黄苔藻华，水生植被类群和黄苔藻华的识别仍然存在较大的不确定性。此外，在监测过程中，数据异构和数据量大的问题普遍存在，亟须一种简单、自动和高效的算法以快速实现大量的遥感图像处理。【拟解决的关键问题】针对以上问题，本研究基于实测光谱数据，通过光谱特征分析，构建并选取适用于研究区的光谱指数，将构建和选取的光谱指数引入决策树分类模型中，对1986—2018年乌梁素海的水生植被类群和藻华进行遥感分类，分析其时空分布特征与变化趋势。研究结果对于乌梁素海生态环境治理和黄河流域生态保护和高质量发展具有重要意义。

1 数据和方法

1.1 研究区概况

乌梁素海（40°36′—41°03′N，108°43′—108°57′E）位于黄河流域北部干旱半干旱区，属温带大陆性气候，年平均降水量为221.1 mm，年平均气温7.4 ℃[16]。乌梁素海是黄河流域最大的浅水淡水湖，对流域生态保护和高质量发展有重要作用。

乌梁素海内湖区当中的挺水植被、沉水植被等大型水生植被分布广泛，挺水植被类群的主要类型包括芦苇和宽叶香蒲，沉水植被类群的主要类型有龙须眼子菜和穗花狐尾藻。水生植被从5月下旬开始生长，8月底至9月初生物量达到最大，9月下旬开始退化[17]。近年来，由于强烈的人为干扰，包括农业排水、生活污水和工业废水的大量排入，导致湖泊水体富营养化和浮游藻类大量繁殖。乌梁素海7—8月水体表面经常出现大量藻华，严重破坏了乌梁素海水生态系统的平衡。在强光照射下，这种浮游藻类的颜色由绿色迅速转变为黄色，漂浮于水面，因此也称其为“黄苔藻华”。挺水植被类群、沉水植被类群和黄苔藻华在可见光和红外波段的光谱特征相似，在NDVI、NDWI和FAI指数影像上的数值相似，因此，利用现有的光谱指数或单一的分类指标难以确定这些类群之间细微的光谱差异。

1.2 数据来源及预处理

1.2.1 实测数据

2018—2019年，对乌梁素海水生植被进行了5次野外实地调查，共获取500 组水生植被观测数据，包括实测遥感反射光谱数据、水生植被景观影像等。采样时间分别为2017年8月14日、2018年7月16日、8月1日、17日及2019年9月18日。

1.2.2 遥感数据

选取乌梁素海1986—2018年生长季（6—10月）的Landsat TM/ETM+和OLI 影像进行水生植被类群和黄苔藻华的时空分布和变化特征分析。Landsat-5、Landsat-7 和Landsat-8 卫星数据从美国地质调查局（https://earthexplorer.usgs.gov/）下载。Landsat-5、Landsat-7 和Landsat-8 卫星分别发射于1984年3月1日、1999年4月15日和2013年2月11日，重访周期均为16 d。Landsat-5 和Landsat-7 分别搭载TM（Thematic Mapper，专题成像仪）和ETM+（Enhanced Thematic Mapper，增强型专题绘图仪）传感器，Landsat-8 则搭载2 个传感器，OLI（Operational Land Image，陆地成像仪）和TIRS（Thermal Infrared Sensor，热红外传感器）。通过筛选，本研究采用无云覆盖、数据质量较好的69 幅影像。首先对Landsat 数据进行辐射定标获得大气层顶反射率，利用乌梁素海矢量边界进行裁剪，得到湖区的观测影像。

GF-2 卫星于2014年8月19日发射，是我国自主研发的首颗空间分辨率优于1 m 的民用光学卫星。该卫星包含1 个1 m 空间分辨率的全色波段（0.45～0.9µm）、4 个4 m 空间分辨率多光谱波段（蓝：0.45～0.52µm，绿：0.52～0.59µm，红：0.63～0.69µm，近红外：0.77～0.89µm）。GF-2 重访周期为5 d，幅宽为45 km（2 台相机组合）。本研究使用了2017年8月13日获取的3 幅多光谱PMS 影像，与2018年8月14日的Landsat8 OLI 以及实地调查时间基本一致。利用二次多项式模型，将GF-2 PMS 遥感影像与其对应的准同步Landsat8 OLI 数据进行几何配准，配准总的均方根误差小于0.5 个像元。利用多光谱PMS 遥感影像数据作为验证数据对Landsat 卫星植被类群和黄苔藻华遥感提取结果进行精度评估。

1.3 研究方法

1.3.1 光谱指数构建与选取

基于2017年8月14日的实测遥感反射率数据和Landsat-8 OLI 影像得到的大气顶层反射率数据，分析乌梁素海挺水植被、沉水植被、黄苔藻华、水体和其他地物类型的光谱特征，构建了改进归一化土壤指数（MNDSI）和改进增强型植被指数（AEVI），同时选取水体指数（NDWI）和改进的浮游藻类指数（MFAI）等光谱指数。各光谱指数的计算公式如表1所示。本研究利用最大类间方差自适应阈值算法（大津法）进行各个光谱指数阈值的确定，此方法根据目标影像的灰度级，将影像像元分为目标像元和背景像元2 类，以二者的最大类间方差来确定阈值。

表1 光谱指数计算方法Table 1 Calculation of spectral index

1.3.2 决策树分类模型

基于构建与选取的光谱指数，利用决策树构建分类模型。决策树分类模型是基于已设定的解释变量阈值，通过建立不同的决策级别，按照每个节点上的分类规则，对数据进行分类。

1.3.3 精度验证

采用人工视觉解译和统计验证方法对水生植被类群与黄苔藻华分类结果进行精度验证。首先对GF-2 遥感影像进行人工视觉解译，得到研究区各种水生植被类型的分类图，基于格网的统计方法来验证Landsat 分类精度[18]。利用ArcGIS 在整个湖区建立格网，格网尺寸为600 m×600 m。分别计算各格网内Landsat 和GF2 分类结果的面积，通过计算二者之间的相关系数、均方根误差，对分类结果进行精度评价。其次，利用统计验证方法参考实测站点数据确立验证样本，利用验证样本生成混淆矩阵，通过计算总体精度、Kappa系数、错分和漏分误差来定量的评估模型分类精度。

2 结果与分析

2.1 光谱指数构建与选取

图1为挺水植被、黄苔藻华、沉水植被和开阔水体的实测光谱曲线。挺水植被的反射率高于黄苔藻华和沉水植被的反射率，黄苔藻华在可见光波段的反射率高于挺水植被和沉水植被，黄苔藻华和沉水植被在红外波段的光谱特征较为相似。

图1 水生植被类群和黄苔藻华的实测反射率Fig.1 Measured reflectance map of groups of aquatic vegetation and yellow algal blooms

图2为挺水植被、黄苔藻华、沉水植被和开阔水体在Landsat8 OLI 影像上的光谱曲线。其他类型在可见光波段区间反射率普遍较高，而水生植被、黄苔藻华和水体反射率较低，水生植被和黄苔藻华在绿光波段区间形成反射峰，在红光波段区间两者形成吸收谷，而其他类型在可见光波段范围内随波长的增加反射率表现出上升趋势，利用以上的光谱特征差异，本文将绿光波段和红光波段作为特征波段，构建一个新的光谱指数（MNDSI）进行乌梁素海水生植被、黄苔藻华和水体之外类型的剔除。

图2 乌梁素海水生植被在Landsat-8 OLI影像大气层顶的反射率Fig.2 Atmospheric top reflectance map of Ulangsuhai groups of aquatic vegetation Landsat-8 OLI

在近红外波段，挺水植被、沉水植被和黄苔藻华的反射率具有相似特征，反射率迅速抬升，但在SWIR1波段处挺水植被的反射率明显高于沉水植被和黄苔藻华。挺水植被、沉水植被和黄苔藻华在红光波段形成吸收谷，三者反射率值基本趋同。因此，本文在增强型植被指数（Emergent Vegetation index,EVI）的基础上进行改进，利用红光波段和SWIR1波段来构建光谱指数对挺水植被进行提取，调整后的植被指数为AEVI。

水体在近红外波段强吸收，反射率值趋近于0，而水生植被和黄苔藻华在近红外波段有一个红边波段，反射率迅速抬升，形成一个反射峰。因此利用NDWI光谱水体指数就可以实现乌梁素海的开阔水体信息提取。

Hu 等[13]提出的漂浮藻类光谱指数（Floating Algae Index,FAI）被广泛用于检测开阔水体中的藻类信息。由于乌梁素海沉水植被与黄苔藻华光谱相似，二者在近红外反射率重叠，因此利用FAI进行草型湖泊中水生植被类群和藻华信息提取存在较大的不确定性。利用Qing 等[14]对FAI改进后的MFAI进行黄苔藻华的提取。黄苔藻华的绿波段和红波段的反射率高于沉水植被类群，MFAI光谱指数将红波段反射率和绿波段反射率相加，得到一个新的绿加红波段。黄苔藻华与沉水植被在绿加红波段出现显著差异，因此，可以成功实现黄苔藻华和沉水植被分离。

2.2 决策树分类模型构建

图3为各光谱指数的影像。由图3（a）与图3（d）中MNDSI与MFAI光谱指数的影像可知，其他类与黄苔藻华影像特征十分相似，因此需要首先将其剔除以保证水生植被类群和藻华的提取精度。图4为决策树分类流程，以a为阈值，利用MNDSI光谱指数进行其他类型的剔除，MNDSI光谱指数影像被分为2 部分，反射率值≥a的像元定义为其他类，反射率值＜a的部分，可用NDWI光谱水体指数提取开阔水体，或利用AEVI光谱指数对挺水植被进行提取。由于二者前后顺序对分类结果并无影响，本研究首先提取开阔水体，将NDWI光谱指数≥b的像元定义为开阔水体。对于剩下的部分影像，即MNDSI光谱指数＜a且NDWI光谱指数≥b的影像，利用AEVI光谱指数对影像剩余部分进行分类，即将MNDSI值＜a、WAVI值≥b且AEVI值≥c的像元定义为挺水植被类群。最后，将剩余部分中MFAI值≥d的像元定义为黄苔藻华，反之则定义为沉水植被。

图3 乌梁素海各光谱指数影像Fig.3 Spectral index image of Ulansuhai Lake

图4 水生植被类群与黄苔藻华提取的决策树模型分类Fig.4 Classification diagram of decision tree model for the extraction of groups of aquatic vegetation and yellow algal blooms

2.3 精度验证

图5为人工视觉解译结果与模型提取结果的对比。人工视觉解译结果（图5（a））与模型提取结果（图5（b））在空间分布上整体一致，分类精度较高。利用皮尔逊系数和统计验证方法对分类结果的准确性进行精度验证。由图6（a）可知，挺水植被的提取结果与GF-2 PMS 影像目视解译结果整体一致，相关系数可达0.978。由图6（b）可知，沉水植被分类结果较好，相关系数为0.921。由图6（d）可知，黄苔藻华的提取结果与GF-2 PMS 影像目视解译结果存在较好的拟合关系，R2=0.904。

图5 人工视觉解译结果与模型提取结果对比Fig.5 Comparison diagram of artificial vision interpretation results and model extraction results

图6 Landsat8 OLI 影像分类结果与GF-2 PMS 目视判读结果对比Fig.6 Comparison of Landsat8 OLI image classification results and GF-2 PMS visual interpretation results

表2为混淆矩阵精度评价结果。研究区水生植被类群和藻华提取结果具有较高的精度和Kappa系数，挺水植被类群的总体精度和Kappa系数为99.60%和0.95，沉水植被类群的总体精度和Kappa系数为97.91%和0.88，黄苔藻华的总体精度和Kappa系数为91.82%和0.90，各类型的错分误差和漏分误差均较小。综上所述，本研究选取和构建的MNDSI、NDWI、AEVI和MFAI光谱指数及分类模型十分合理。

表2 分类混淆矩阵Table 2 Classification confusion matrix

2.4 乌梁素海水生植被类群和黄藻的时空分布特征

图7和图8分别为1986—2018年水生植被类群与黄苔藻华面积变化趋势与空间分布特征。由图7可知，1986—2018年，乌梁素海挺水植被整体呈缓慢增长趋势，年平均增长面积约为0.83 km2。其中，1987年挺水植被生长面积最小（约143.47 km2），2010年挺水植被生长面积达到峰值（约196.28 km2）。2014年以后，乌梁素海挺水植被生长面积有小幅度减少趋势。由图8可知，1986—2018年整个湖区内遍布挺水植被。1986—1992年，乌梁素海北部裸地较多，而在1992年之后，该区域有明显的水体及挺水植被生长趋势。2015年之后，东大滩和西大滩之间的挺水植被中出现明显的“斑块区域”，使得2015年之后挺水植被生长面积有小幅度的减少趋势。

图7 1986—2018年乌梁素海水生植被类群和黄苔藻华面积变化趋势Fig.7 Variation trend of the area of groups of aquatic vegetation and yellow algal blooms in Ulangsuhai Lake during 1986—2018

乌梁素海沉水植被覆盖面积具有阶段性变化特征，具体表现为：1986—2013年沉水植被覆盖面积呈波动性减小趋势，年平均减少量约为1.4 km2；2013—2018年沉水植被覆盖面积呈迅速增长趋势，年增长幅度为9.02 km2。其中，2013年乌梁素海沉水植被覆盖面积最小（约31.22 km2），其次为2012年（约37.26 km2）；1988年乌梁素海沉水植被覆盖面积达到峰值（约102.06 km2），其次为1991年（约99.43 km2）。1986—2010年，乌梁素海沉水植被主要分布在东大滩及湖泊南部，其中，2009年西大滩出现较大面积的沉水植被；2011—2018年，湖泊南部的沉水植被显著减少；2015年以后，东大滩沉水植被迅速生长。

由图7可知，1986—2018年乌梁素海黄苔藻华的覆盖面积没有显著变化趋势，而是具有一定的暴发性，如1999、2003、2005、2008年和2010年均有黄苔藻华暴发现象。其中，1999年黄苔藻华覆盖面积达到最高，为13.05 km2，其次为2005年8月5日的黄苔藻华覆盖面积（约7.34 km2），2008年和2010年的黄苔藻华覆盖面积相近，约为6.30 km2。由图8可知，黄苔藻华暴发地点主要在东大滩及码头附近。

图8 1986—2018年乌梁素海水生植被类群空间分布Fig.8 Spatial distribution map of groups of aquatic vegetation in Ulangsuhai Lake during 1986—2018

3 讨论

目前，许多成熟的光谱指数被成功应用于水生植被类群和藻华监测，但黄河流域典型内陆湖泊乌梁素海的水生环境极为复杂，对植被类群分类和藻华的区分具有较大挑战性。沉水植被和黄苔藻华光谱特征极其相似，因此利用单一的光谱指数很难进行区分。本文在实测地物光谱特征分析的基础上，构建了MNDSI和AEVI光谱指数，另外选取NDWI和MFAI光谱指数，实现了乌梁素海植被类群与藻华信息的精准提取。

乌梁素海湖区内除了水生植被、黄苔藻华和水体外，还包括裸露地表、建筑台和养殖池塘等其他地物类型，这些类型的存在会对水生植被类群和黄苔藻华的提取精度造成一定干扰，因此应首先对其进行剔除。通过光谱特征分析，找出其他类与挺水植被类群、黄苔藻华以及水体的光谱差异，确定特征波段，构建了MNDSI光谱指数对其他类进行剔除。水体的信息相对容易区分，本文利用常用的光谱水体指数NDWI提取水体信息。挺水植被类群位于水面之上，受环境要素影响较小，具有典型的植被光谱特征，相对容易区分。然而，常规的植被指数如NDVI和EVI，可能是不适用的，由于沉水植被和黄苔藻华的存在，也会表现出与典型植被相似的光谱特征，必须找出可以区分三者之间光谱差异性的方法。通过光谱特征分析发现，挺水植被、沉水植被和黄苔藻华在SWIR1波段处反射率值存在较大的差异，因此引入SWIR1波段来构建AEVI光谱指数进行挺水植被类群的信息提取。

MFAI应用于Landsat 影像上可以取得很好的分类效果，但将其应用到多时相Landsat 影像时仍会出现一些错分情况。例如：乌梁素海北部一些较浅的水体浑浊区域没有藻华的发生，而个别年份将这些区域错分为藻华；此外，由于混合像元的存在一些小块状、零散分布的藻华信息被遗漏。

沉水植被的提取是本研究的难点和挑战，主要由于以下2 方面原因：①沉水植被类群部分或完全沉入水中，反射光谱会受到水环境参数的影响。同时，沉水植被类群上方的沉水深度减弱了来自植被冠层的反射信号。②相比于挺水植被和黄苔藻华，生长季的沉水植被对环境要素较为敏感，其光谱具有复杂性。针对以上情况，本文首先利用MNDSI和NDWI将最容易区分的2 种类型进行提取和分离，然后利用AEVI将挺水植被的信息提取，剩下的黄苔藻华和沉水植利用MFAI进行分离。

由于数据质量和数据获取等方面的限制，本文仍存在一些不足，具体为：在水生植被年内时空分布特征研究方面，由于数据时间分辨率限制，未能对水生植被进行更短时间尺度的监测，拟在下一步研究中，结合HJ-1A/B 数据以及Sentinel2 等高时间分辨率的卫星数据对乌梁素海水生植被进行更短时间尺度的监测；乌梁素海水生植被类群与人类活动和环境因素的响应机制较复杂，本研究未考虑水生植被对人类活动和环境因素的响应分析，在后续研究中，将会进一步分析气候因素、环境因素和人类活动对水生植被和黄苔藻华的影响。

4 结论

1）结合实测地物反射率数据分析乌梁素海挺水植被类群、沉水植被类群和黄苔藻华的光谱特征，构建与选取适合研究区的光谱指数，利用决策树分类模型对乌梁素海水生植被进行遥感分类和时空变化特征研究。

2）利用GF-2 PMS 数据对分类结果进行验证，挺水植被类群、沉水植被类群和黄苔藻华分类结果与GF-2 PMS 目视结果的相关性分别为0.978、0.921 和0.904；总体精度和Kappa系数分别为：99.60%和0.95、97.91%和0.88、91.82%和0.90，表明本文提出的分类方法精度较高。

3）1986—2018年，挺水植被类群生长面积呈现缓慢增长趋势。1986—2018年沉水植被类群变化为：1986—2013年呈减少趋势，2013年以后具有快速增长趋势。1986—2018年，黄苔藻华覆盖面积无明显变化趋势，但具有暴发性。