遥感技术在水资源管理中的应用

王赛林

(四创科技有限公司，福州 350000)

1 概 述

静水生态系统是生物多样性不可估量的可再生自然资源，人类活动和气候变化都会对其产生影响。它们的生态状况对其作为饮用水水库、灌溉、渔业或娱乐的价值有着至关重要的影响，今后任何努力都有理由提高监测和保护或改善这些资源的能力[1-2]。主要目标是实现可持续管理；维持生态系统的功能(包括依赖性湿地和陆地生态系统)；达到良好的生态状态。卫星遥感是一个重要的信息来源：它使我们能够以比点测量更大的时间覆盖范围来观察更大的水域，而且它也非常具有成本效益。遥感技术的优势在于能够提供地表水质量参数的空间和时间视图，而这些参数通常无法通过现场测量获得。遥感使有效和高效地监测景观成为可能，查明存在重大水质问题的水体，从而支持制定湖泊管理方案。

近年来，随着传感器设计的不断改进和数据分析技术的不断进步，湖泊水质遥感成为一项新兴技术。特别是水质算法的新发展主要是由中分辨率成像光谱仪(MODIS)的出现推动的，以及中分辨率成像光谱仪(MERIS)。除了水质参数外，遥感使我们能够调查土地覆盖动态和演变；根据目标区域的范围，各种各样的卫星仪器，主要来自空间介质分辨率传感器(如陆地卫星)，可用于在集水区尺度上描述土地覆盖[3-4]。遥感成功地提取并提供了有关集水区特征的相关信息。通过比较卫星获得的水质数据和现场测量结果，评估了这些仪器描述筼筜湖水质的能力，为今后管理提供数据支撑。

2 材料和方法

2.1 研究区域

筼筜湖位于厦门岛西部，毗邻西海域，流域面积约为37 km2，这是一个封闭的湖泊，有未分层和非常浅的水域(平均底部深度4.5 m，最大深度6 m)。湖泊生态系统因其丰富的动植物和物种多样性而具有特殊价值。

2.2 图像处理

为了分析筼筜湖中的各种元素(即水质、土地利用/土地覆盖)，使用不同的卫星传感器(表1)。并根据所调查对象对图像进行处理。

表1 本研究中使用的卫星数据及其标称空间分辨率汇总

2.2.1 MERIS水质参数

选取118幅2015-2018年间的晴空MERIS图像。除2018年外，每年包括大约20个场景。这些图像用基本环境卫星/ERS ATSR和MERIS工具箱进行处理。利用改进的陆地和海洋对比度(ICOL)插件对一级数据进行邻接效应校正，然后转换为水质产品。为此，基于MERIS Case-2核心模块的3种插件算法可用：Case-2区域、北部湖泊和富营养化湖泊，所有这些算法都实现了专门的大气校正。在本研究中，使用C2R处理器是因为它更适合于描述湖的光学特性。C2R的水成分反演提供了不同的产品，包括叶绿素a浓度和总悬浮物，以及假设与透明度深度相当的最小辐照度衰减系数和信号深度。

2.2.2 土地利用/覆盖和植物

为了研究流域土地利用/覆盖类型的近期变化，利用1979-2018年期间获得的陆地卫星多光谱扫描仪(MSS)/专题制图器(TM)、反射辐射计和可见光和近红外辐射计(AVNIR-2)(表1)。在2014-2018年夏季采集了多光谱遥感图像。基于伪不变特征的选取和线性回归变换，采用辐射归一化方法对卫星数据进行预处理。整个数据集中只有同源光谱带被考虑用于进一步分析，因此包括3个可见绿光波段(0.52～0.60 μm)、可见红光波段(0.63～0.69 μm)和近红外波段(0.76～0.89 μm)。

通过减去暗像素对归一化数据进行大气效应校正，最后在平面坐标系中进行地理参照和联合登记。从多时相数据集中提取覆盖6个土地覆盖等级的样本，这6个覆盖类别是：水、山上的森林、平原上的森林、荒地(裸露的岩石和牧场)、裸露的土壤和有植被的田地。

3 结果与讨论

3.1 水质监测

为了长期验证叶绿素a浓度和透明度深度以及MODIS地表温度，利用ARPA Umbria在湖心收集的现场监测数据。总的来说，考虑到卫星数据是由这些现场数据独立产生的，因此是两个绝对独立的数据集，因此观察到现场数据和卫星遥感数据之间的良好一致性，见图1。由图1(a)可知，MERIS遥感数据符合叶绿素a浓度的原位趋势，尽管MERIS在2015年夏季和2018年夏季都有低估叶绿素a浓度最高值的趋势。现场和卫星测量之间的时间不匹配(通常是小时与秒)以及比例尺差异(点式站的样本与面积为300 m×300 m的测量值之间的差异)，都阻碍了遥感测量和现场测量之间的比较。与叶绿素a浓度类似，MERIS描述透明度深度的能力是非常有前途的，因为MERIS可以描述水透明度的时间趋势，见图1(b)。尽管时间序列较短，但由于C2R估计值与现场数据相当，因此总悬浮物的结果也令人满意，见图1(c)。在最高和最低水温下，MODIS和原位水面温度测量之间的一致性几乎是非常契合的，见图1(d)。

图1 2014-2018年3个水质参数的现场测量和遥感监测随时间变化

在论证遥感技术可以监测筼筜湖水质参数的基础上，对其管理进行分析。由MERIS得到的叶绿素a浓度值与水位(图2)进行对比，发现两个量之间呈负相关，因此叶绿素a浓度随水位下降而增加，反之亦然。两个参数之间的回归分析统计数据显示，皮尔逊相关系数r的值为-0.48。尽管相关性很低，F检验(P值<0.01)表明变量之间的关系不是偶然发生的。因此，水位降低可能有助于提高湖泊的营养水平。

图2 MERIS 叶绿素a估算值与水位之间的相关性

3.2 变化检测

根据1989-2018年卫星数据的土地覆盖分类得出的结果，显示了过去30年间流域景观和环境变化的动态，见表2。

表2 土地覆盖/使用变化结果

除了城市地区略有增加(仅从1990和2000年的CORINE土地覆盖图中得出)和筼筜湖地区的微小变化(由于季节变化和卫星图像采集日期的不均匀性)之外，这些数据的主要观点是，从2000年开始，耕地(农业类)明显减少，随后由贫瘠土地和森林(丘陵和平原)组成的非生产性地形(裸地、牧场和天然林地覆盖)增加。

农业用地在1998年占集水区的35%，2018年下降至31%，而非生产性地形(荒地、牧场和天然林)则从1998年的23%增加至2018年的27%。通过与地方政府提供的面积数据进行比较，对遥感衍生的土地覆盖分类进行简单验证。结果表明，2009年整个流域的耕地面积估计为107 km2；相比之下，根据2008年Landsat TM数据估算的农业用地覆盖等级为102 km2，虽然略为低估，但符合得很好。

空间分析得到的地图(图3)显示了沿着湖泊集水区的耕地上农业的空间分布。这些地图是该地区农业利用的指标，可用于估算筼筜湖沿岸带的农业压力和水质。这些数据描述了农业地块破碎的局部状态，其中1 km×1 km单元中包含的大量多边形指向高度破碎，这表示专用于同质作物的小地块，而少量多边形表示较低破碎和较大的农业地块。碎片化在时间上的演变表明，碎片化的增加是农业分割和分化的症状。这些数据显示，沿该湖西南岸的碎片化程度略有增加，这也是农业相关活动最集中的地区。

4 结 论

本文论证了遥感数据辅助筼筜湖管理的能力。利用MERIS、MODIS等高回访时间传感器对水质(叶绿素a浓度、透明度深度)进行粗尺度定期监测。MERIS和MODIS的图像处理方法与场景无关，可以为筼筜湖的水质监测提供一种替代方法。MERIS时间序列分析表明，叶绿素a浓度随水位下降而升高。土地覆盖变化检测分析结果显示，从20世亿90年代初开始，耕地面积减少，随后非生产性地形(裸地和牧场)和天然林增加，农业区的破碎化程度也随着时间的推移而变化。2013-2018年，大型植物的数量也有所减少。