2018, Vol. 30 
(2: 中国科学院南京地理与湖泊研究所, 南京 210008)
(2: Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, P. R. China)
湖泊和水库是我国主要的水源地，为全国85 %的人口提供饮用水源.但是，近几十年来湖泊和水库水质明显下降，有1/3水库达到富营养化水平，先后发生了蓝藻水华[1].比如，太湖、巢湖、三峡水库、广东汤溪水库和长春石头口门水库等，都频频暴发水华，危害饮用水安全，造成了不可估量的损失[2-4].事实上，2007年太湖蓝藻水华引起的水危机事件之后，蓝藻灾害的整体应对策略已经从“被动应急”转为“主动防控”[5].主动防控，就需要及时掌握湖库蓝藻水华状况，在发生危机之前及时采取措施，卫星遥感监测就变得尤为关键.
卫星遥感技术具有监测范围广、周期性重复和成本低等特点，因此利用卫星遥感技术可以全面快速地获取蓝藻水华的时空分布，有效实现动态监测.目前大型湖泊如太湖、巢湖等蓝藻水华监测，主要采用MODIS数据，获得广泛应用.段洪涛等[6]基于多源卫星利用单波段和波段比值的方法得到太湖蓝藻水华监测的普适模式；李旭文等[7]利用归一化植被指数(normalized difference vegetation index, NDVI)对太湖蓝藻水华强度进行了划分；Hu等[8-9]利用MODIS的瑞利反射率数据(rayleigh-corrected reflectance, Rrc)提出浮游藻类指数(floating alage index, FAI)，并应用于太湖蓝藻水华的监测中；Zhang等[10]针对MODIS数据提出了基于亚像元算法估计蓝藻水华覆盖面积的研究.事实上，目前已经形成基于MODIS数据的太湖和巢湖等大型水体蓝藻水华业务化监测方案，这主要由于其空间分辨率虽然适中(500 m左右)，但时间分辨率高，一天可以实现2次监测，对于快速变化的蓝藻水华来说，是相对理想的数据源.
相对于太湖等大型水体，水域面积较小的水体，MODIS数据空间分辨率显然无法满足要求；但是，我国的高分1号卫星(GF-1 WFV)、环境卫星(HJ-1A\B CCD)以及美国的陆地卫星(Landsat-8 OLI)等空间分辨率优于30 m，可有效提高小型水体蓝藻水华的监测精度.事实上，由于蓝藻水华变化快，卫星监测既要能看得见藻华，也要高频监测，特别是业务管理部门希望最好每天都有数据.但是，这些高分辨率卫星数据，一般重返周期比较长，短则2~3天，长则半个月，再加上云雨等气象因素影响，使得单个传感器监测无法满足水华高频监测要求[11].因此，采用多个高空间分辨率卫星传感器进行蓝藻水华联合监测，就成为必然的选择.
在实际使用中，由于不同卫星传感器数据性能和波段等不一致，必然导致蓝藻水华监测的一致性问题；特别是空间分辨率不同引起的空间尺度效应.本文选择小型水体——天津于桥水库，利用HJ-1A\B、GF-1和Landsat-8等高分辨率卫星，尝试对其蓝藻水华进行日常监测，主要目标：①评估不同卫星的蓝藻水华监测能力；②研制不同卫星的水华监测算法，评估其水华产品一致性；③分析于桥水库2016年长时间序列蓝藻水华时空分布规律.总体上，本文一方面提出了适合小型水体的蓝藻水华卫星监测方案，有助于更多小型水体得到有效监测；另一方面，对于桥水库蓝藻水华发生历史进行追溯，有利于当地管理部门更好治理蓝藻水华等水环境问题.
1 研究区域与数据 1.1 研究区概况于桥水库(39°99′71″~40°07′44″N，117°43′09″~117°68′26″E)位于天津市蓟县城东，最大回水东西长约30 km，南北宽8 km，最大淹没面积250 km2(正常蓄水位时淹没面积86.8 km2)[12]，总库容15.59亿m3，1983年成为“引滦入津输水工程”中重要的调蓄水库，是天津市主要饮用水源地之一[13](图 1).于桥水库控制流域面积2060 km2，占州河总流域面积的96 %；州河由沙河、淋河和黎河三大支流汇合而成即入库河流，各支流上游沟涧甚多，支流分散成辐射状汇集于州河盆地，水库库区即位于该盆地.近年来，由于上游潘家口和大黑汀水库水质严重恶化，加上流域内入库河流污染物的汇入，致使大量营养盐在于桥水库积累[14]，超出水库水体的自净能力，破坏水库的生态平衡，造成于桥水库藻类水华频繁暴发[15]，直接威胁天津市的供水安全.
|
图 1 研究区域示意图 Fig.1 Sketch of the study area |
卫星遥感具有监测范围大、资料获取方便和动态监测等特点，因此越来越受到人们的重视.本文选择了可获取的8种国内外卫星数据用于于桥水库蓝藻水华的监测和评价，具体参数见表 1.另外，选取了于桥水库历年卫星影像，发现2016年于桥水库开始大规模暴发蓝藻水华，因此，本研究集中于2016年的卫星数据.
|
表 1 主要卫星参数 Tab.1 Satellite parameter list |
蓝藻水华变化快，数据需求急，对时间和空间分辨率的要求都很高.本文对当前可用的主要8种卫星，根据其空间分辨率、时间分辨率、波段设置以及数据可获取性4方面，对数据进行评价和筛选，用于于桥水库蓝藻水华监测.
1.2.2 卫星遥感数据遴选目前最为常用的MODIS数据，虽然具有较高的时间分辨率和光谱分辨率，被广泛应用于大型内陆湖泊的蓝藻水华监测[16]；但是其空间分辨率低(250、500和1000 m)，在小型水域的识别能力上，藻华提取精度存在明显的误差(图 2a).高分四号卫星(GF-4)是地球同步轨道卫星，可实时观测研究区动态变化，较多的波段设置能满足蓝藻水华动态监测的需求，但是50 m的空间分辨率不能满足于桥水库的水华识别(图 2b). Landsat-8拥有30 m的空间分辨率，可以清楚看到蓝藻水华；但其16 d的重访周期，限制了对于桥水库水华的动态监测能力(图 2c).这也说明，80 km2左右大小的于桥水库，至少需要30 m以上的空间分辨率.高于30 m空间分辨率的卫星还有5种，都拥有近红外和可见光波段，可用于水华监测(表 1)；但是其重返周期普遍在3天以上；另外，分辨率在10 m以上的ZY-3、ZY-1 02C MUX数据都需要另外付费购买，数据获取不方便.因此，综合考虑空间、时间、光谱范围和数据可获取性4个因素(表 2)，可以用于于桥水库水华监测的主要卫星有Landsat-8、HJ-1A\B和GF-13种；但其重返周期都无法实现每天覆盖，满足业务管理部门要求的蓝藻水华高频观测需求，因此本文决定联合使用这3颗卫星用于蓝藻水华遥感监测，弥补时间分辨率不足，共选取2016年无云或少云影像66景(表 3).
|
图 2 卫星真彩色合成图对比：MODIS (a)、GF-4 PMI (b)、Landsat-8 OLI (c)、HJ-1A\B CCD (d)、CBERS-04 MUX (e)、GF-1 WFV (f)、ZY-3 MUX (g)和ZY-1 02C MUX (h)(ZY-1 02C MUX只有假彩色合成波段) Fig.2 True color synthetic maps of different satellite sensors |
|
|
表 2 卫星遥感数据筛选 Tab.2 Satellite remote sensing data filtering table |
|
|
表 3 2016年卫星影像获取时间 Tab.3 2016 satellite imagery acquisition time |
首先对相关影像进行辐射定标和几何纠正，选择经过实测地理数据坐标校正过的，无云且成像质量好的一景Landsat-8 OLI影像为基准影像，通过ENVI 5.1对HJ-1A\B和GF-1影像进行几何纠正，误差小于0.5个像元，然后采用FLAASH大气校正得到图像反射率；并在ERDAS中利用于桥水库矢量边界，通过掩模技术提取于桥水域，去除于桥水库周边及其植被.具体流程为(图 3)：(1)将多源高分辨数据进行遥感图像预处理，再利用处理后的影像计算NDVI指数，并统计藻华和非藻华的NDVI阈值；(2)利用藻华和非藻华阈值参与像元生长算法迭代运算，当连续2次计算的绝对误差或者相对误差达到一个最小值时，循环结束；(3)利用尺度转换重采样对计算结果进行转换，最后输出面积分布图.
|
图 3 算法流程图 Fig.3 Algorithm flow chart |
综合考虑3种卫星数据波段设置，NDVI指数对植被敏感，以及蓝藻水华在近红外波段具有类似于植被光谱曲线特征的“陡坡效应”[17].本研究中对大气校正的绝对准确度的要求并不重要[18]，因为使用红和近红外波段可以有效减少使用蓝绿波段时大气的影响和有色溶解性有机物(CDOM)的干扰问题[19]，因此选择NDVI指数作为监测蓝藻水华暴发情况的基本指数：
| $ NDVI = \frac{{{\rho _{{\rm{nir}}}} - {\rho _{{\rm{red}}}}}}{{{\rho _{{\rm{nir}}}} + {\rho _{{\rm{red}}}}}} $ | (1) |
式中, ρnir和ρred分别代表近红外波段和红光波段的反射率.
由于藻华区域与水体光谱特征通常存在较大差别，在蓝藻水华和非水华的边界区域，NDVI结果会有较大的差异，像元变化率也较大[20]；因此通过计算NDVI卫星产品的像元坡度，统计坡度最大处的NDVI值，并利用均值减去2倍标准差，即可确定水华阈值.实际上该方法已经在太湖等区域成功实践[19].本文以HJ-1A\B CCD卫星影像为例，依据坡度与统计分析的方法求出每幅影像的阈值，作出统计直方图，得出单景2016年9月12日影像藻华阈值为0.085(图 4a)；然后对HJ-1A\B统计的26景影像阈值进行平均处理，最终得到区分蓝藻水华与清洁水体的统一阈值为-0.064(图 4b)，该阈值即为算法中纯蓝藻水华像元的输入阈值.同理，GF-1藻华的统一阈值为-0.083(图 4d)；Landsat-8由于影像数量限制，无法确定统一阈值，但在实际使用中为保证精度，每一景单独确定阈值.
|
图 4 2016-9-12 HJ-1A\B和2016-8-27 GF-1卫星NDVI蓝藻水华分界数据直方图(a，c)、NDVI阈值统计直方图(b, d) Fig.4 2016-9-12 HJ-1A\B and 2016-8-27 GF-1 satellite NDVI watershed data histogram(a, c), NDVI threshold statistic histogram(b, d) |
此外，采用等间隔方法确定藻华聚集强度分级阈值，将于桥水库蓝藻水华区分成低强度聚集区和高强度聚集区，确定水华强度分布可以为蓝藻水华高强度聚集区的重点治理提供参考.
2.2 像元生长算法统计面积由于于桥水库水域面积较小，虽利用环境卫星藻华平均阈值NDVIalgae=-0.064提取出了高浓度蓝藻水华(以HJ卫星为例)，但依然存在着许多水和蓝藻混合的像元，利用像元生长算法可有效提高统计蓝藻水华的面积精度.像元生长算法(algae pixel-growing algorithm, APA)是通过判定卫星影像中的藻华“生长点像元”，采用临近像元相关和逐渐扩展的思路，从而精确计算出混合像元的藻华盖度，这里所说的盖度是指某一混合像元中藻华完全覆盖的面积占该像元面积的百分比；具体计算过程见参考文献[19].
2.3 不同影像水华提取结果尺度转换尺度转换是指将某尺度上所获取的知识和信息扩展到其他尺度上的过程[21]；事实上，即使是相同时相的相同地物，由于尺度效应，不同卫星提取的水华信息也不尽相同.本研究联合HJ-1A\B CCD、GF-1 WFV和Landsat-8 OLI 3个不同空间分辨率的卫星传感器监测蓝藻水华，通过重采样将不同卫星空间分辨率转换到同一标准.
选择双线性内插法进行重采样，该方法具有平均化的滤波效果，图像边缘受到平滑作用，而产生一个连贯的输出影像，辐射保真度较好.根据双线性内插法，将NDVI结果重采样至30 m，重新利用算法计算藻华盖度，当循环满足条件时，即输出经重采样转换后的藻华分布图.
采用均方根误差(root mean square error，RMSE)和相对误差(relative error，RE)对APA算法得到的结果精度进行评判:
| $ RMSE = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{\left( {{d_{p.i}} - {d_{m, i}}} \right)}^2}} }}{n}} $ | (2) |
| $ RE = \frac{1}{n}\sum\limits_{i = 1}^n {\frac{{\left| {{d_{p.i}} - {d_{m, i}}} \right|}}{{{d_{m, i}}}}} \times 100\% $ | (3) |
式中，dp, i和dm, i分别代表第i个模拟值和实测值，n为样点总数.
3 结果与分析 3.1 于桥水库蓝藻水华提取结果评价 3.1.1 不同影像提取结果为了验证APA算法在不同卫星传感器的提取结果，选取HJ-1A\B CCD、Landsat-8 OLI和GF-1 WFV提取结果与原影像假彩色合成图进行对比(图 5).可以看出，APA算法在不同卫星传感器上得到的藻华面积分布图与原始影像中，藻华空间分布情况基本一致.
|
图 5 APA算法与假彩色影像对比图：HJ-1A\B CCD(a)、Landsat-8 OLI (b)和GF-1 WFV(c) Fig.5 Comparison between APA algorithm and false color image: HJ-1A\B CCD (a), Landsat-8 OLI (b) and GF-1 WFV (c) |
由于个别影像的蓝藻水华阈值与统一的蓝藻水华阈值有较大差异，为了更好地对提取结果进行验证，随机选取6组HJ-1A\B CCD、GF-1 WFV影像，采用坡度分析与目视解译相结合方法确定出CCD、WFV单景影像藻华阈值和清洁水体阈值，然后根据单景的阈值确定出藻华面积对APA算法提取的结果进行验证，6组单景阈值的藻华面积介于4.48~22.83 km2之间. APA算法得到的结果与CCD、WFV影像单景阈值提取的结果较为接近，根据公式(2)、(3)分别得到RMSE为0.78、0.75 km2，RE分别为4.6 %、4.9 % (图 6).本文所提出的算法相较于传统的目视解译的方法，不但降低了人为因素的干扰，而且统一的阈值提升了业务效率，更能够精确提取出混合像元中的蓝藻水华，藻华面积监测结果更加精确.另外，由于Ladnsat-8 OLI影像数量较少，本文不做分析.
|
图 6 随机6组单景阈值提取结果与APA算法提取结果对比:HJ-1A\B CCD(a)和GF-1 WFV(b) Fig.6 Contrast with the results obtained from the visual interpretation of random 6 groups and the APA algorithm(HJ-1A\B CCD (a) and GF-1 WFV (b)) |
选择HJ-1A\B影像提取的藻华结果为基准，对Landsat-8、GF-1提取的藻华结果进行验证. 图 7分别是Landsat-8、GF-1和HJ-1A\B同一天影像APA算法藻华面积结果与假彩色合成图的对比，可以看出像元生长算法得到的藻华面积分布图与原影像中藻华空间分布情况一致，纹理清晰，表明像元生长算法计算的藻华面积与实际情况相符，结果准确.同样采用验证藻华提取结果的方法，假设HJ-1A\B卫星提取蓝藻水华面积为真值，验证GF-1、Landsat-8卫星提取精度，得出Landsat-8卫星与HJ-1 AB卫星藻华面积均方根误差RMSE为0.03 km2，RE为0.1 %；GF-1卫星与HJ-1A\B卫星藻华面积均方根误差RMSE为0.12 km2，RE为0.5 %.但是从空间分布来看，Landsat-8卫星和HJ-1A\B较为相似，而GF-1卫星和HJ-1A\B差别较大，前者的时间分别为当日02:18和02:53时间跨度小，藻华空间分布不会有较大影响；而后者的时间分别为当日11:13和15:04时间跨度较大，再加上风力和日照等因素的影响，藻华空间分布有较大的差异.
|
图 7 Landsat-8(a)、HJ-1A\B(b)和GF-1(c)、HJ-1A\B(d)藻华面积对比 Fig.7 Landsat-8 (a), HJ-1A\B (b) and GF-1(c), HJ-1A\B(d) area comparison of algal blooms |
不同卫星不同传感器之间存在一定的误差，得到的藻华结果势必不尽相同.同样以数据较多的环境卫星数据为基准，将2016年9月9日Landsat-8影像提取藻华结果和2016年9月19日GF-1影像提取藻华结果，经过重采样尺度转换后，再次计算基准影像提取结果和校正后的影像结果.其中2016年9月09日基准影像HJ-1A-B水华面积为12.18 km2, Landsat-8转换前原始提取水华面积为12.15 km2，转换后为12.17 km2；2016年9月19日基准影像HJ-1A/B水华面积为21.54 km2, GF-1转换前原始提取水华面积为21.42 km2，转换后为21.52 km2.综上所述，2种卫星RE均小于0.1 %，且转换卫星藻华空间分布情况与基准卫星藻华分布情况基本一致，通过纹理的局部放大图可以看到，校正后的影像结果更为准确(图 8、图 9分别是Landsat卫星、GF-1卫星转换后的藻华面积空间分布情况).
|
图 8 HJ-1A\B、Landsat-8卫星原始面积(a); HJ-1A\B、Landsat-8卫星尺度转换计算面积(b) (图c、d分别是图a、b中红色圆圈放大显示区域) Fig.8 HJ-1A\B, Landsat-8 satellite original area (a), HJ-1A\B, Landsat-8 satellite regression model calculating area (b) |
|
图 9 HJ-1A\B、GF-1卫星原始面积(a); HJ-1A\B、GF-1卫星尺度转换计算面积(b) (图c、d分别是图a、b中红色圆圈放大显示区域) Fig.9 HJ-1A\B, GF-1 satellite original area (a); HJ-1A\B, GF-1 satellite regression model calculating area (b) |
此外，将Landsat-8、GF-1卫星都转换到HJ-1A\B卫星基准，对Landsat-8、GF-1藻华盖度结果进行比较(图 10)，可以看出两者曲线趋势基本一致；但当盖度小于20 %时，卫星之间产生的误差较大，这可能是混合像元的影响.其中，灰色曲线为HJ-1A\B藻华盖度结果，蓝色曲线为重采样后Landsat-8、GF-1藻华盖度结果.
|
图 10 Landsat-8 OLI、GF-1 WFV经尺度转换计算藻华盖度 Fig.10 Landsat-8 OLI and GF-1 WFV by regression model calculation of algal canopy degree plot |
分别统计对应位置Landsat-8和GF-1影像的NDVI和藻华盖度，作为自变量，并计算HJ-1A\B影像对应位置NDVI和藻华盖度作为因变量. 图 11为2016年9月9日Landsat-8卫星NDVI、藻华盖度与HJ-1A\B卫星相对应的指数的线性关系和2016年9月19日GF-1卫星NDVI、藻华盖度与HJ-1A\B卫星相对应的指数的线性关系.通过对比结果发现，HJ-1A\B与Landsat-8和GF-1 NDVI的相关性都很低，R2分别为0.27和0.28, 这是由于不同空间分辨率影像所获取的NDVI是受非线性的计算方法和地物的空间异质性影响[11]；而不同卫星藻华盖度之间的相关性很好，R2分别为0.83和0.56.通过对此套算法结果的验证和精度分析，说明此套算法精度较高，可用于于桥水库多源卫星联合监测和长时间序列动态监测藻华面积服务.
|
图 11 HJ-1A\B与Landsat-8、GF-1 NDVI值关系(a，c)、藻华盖度关系(b，d) Fig.11 HJ-1A\B, Landsat-8 NDVI value relationship(a, c), algal canopy degree(b, d) |
根据统计于桥水库2016年蓝藻水华情况，水库大部分水域都暴发过蓝藻水华，且蓝藻水华最大面积暴发发生在秋季.从蓝藻水华分布的空间可以看出，库北和库南发生水华频次最高，严重时涉及整个水库.其中库北受入库水源，上游的潘家口和大黑汀水库源水水质恶化的影响，库南和库东受人类活动的影响，此外水体表层的藻类因风浪影响，藻类和污染物容易堆积，导致水质恶化，水体富营养化加剧导致居民用水无法饮用.
选取2016年年内遥感卫星监测到的较大型蓝藻水华进行对比，5、6月水库藻华暴发面积较小，水体状况较好(图 12).监测2016年一整年的影像数据得到，冬季藻华暴发面积最小，春季藻华暴发面积开始增大，一直到秋季9、10月达到藻华暴发面积的最大值.这是由于冬季低温等环境因素使得水华蓝藻进入休眠，并且于桥水库在12月到次年的3月完全结冰，春季受光照和温度等有利因素的影响，蓝藻得以复苏，生物量逐渐增加，夏季温度过高，蓝藻潜入水面以下，在秋季更加适宜的水文气象条件下，藻华暴发情况达到最严重状态.
|
图 12 高分辨率卫星联合监测2016年藻华最大暴发面积对比 Fig.12 Comparison of the largest outbreak area of algal blooms in 2016 by high-resolution satellite observations |
从2016年月际间柱状图比较(图 13)，排除冬季水库水面结冰，4-6月水质状况较好，从7-9月开始于桥水库水质呈下降趋势，蓝藻水华暴发加剧，面积增大.
|
图 13 月际间蓝藻水华面积比较 Fig.13 Comparison of monthly area of algae blooms in cyanobacteria |
针对内陆小型水域于桥水库，分析了HJ-1A\B、GF-1和Landsat-8高分辨率卫星对小型水库蓝藻水华的联合监测能力；同时根据各卫星波段设置特点，选取NDVI指数，构建了蓝藻水华提取算法，获取了于桥水库蓝藻水华的面积和空间分布情况，最后利用尺度转换重采样的方式保持不同卫星观测结果的一致性.该方法较精确地获得于桥水库蓝藻水华暴发面积和分布状况.相比单一数据源，该方法联合HJ-1A\B、GF-1和Landsat-8卫星监测水华，对于统计水华发生频次、水华累计发生时间及确定单次水华持续时间等更加准确客观.因此，针对小型水体，采用多星联合观测的方法是目前业务化运行最为合适的选择.另外，从该方法提取的结果来看，2016年于桥水库蓝藻水华暴发较为频繁，尤其是9、10月水质持续恶化，问题较为突出.
伴随着卫星传感器和反演算法的不断增加和发展，卫星遥感技术已经在大型湖泊水华监测中得到广泛应用；但小型水体面积较小，水体光学特性复杂，受人类活动扰动强度较大.建议综合利用各种传感器的优点，特别是高分辨率卫星的优势，加强多源卫星的联合观测和数据一致性评价，形成适用于小型水体的高分卫星立体监测体系和标准化水华监测产品，为形成适用于不同类型水体的蓝藻水华监测提供解决方案.
| [1] |
Han BP. Reservoir ecology and limnology in China:A retrospective comment. J Lake Sci, 2010, 22(2): 151-160. [韩博平. 中国水库生态学研究的回顾与展望. 湖泊科学, 2010, 22(2): 151-160. DOI:10.18307/2010.0201] |
| [2] |
Zhao MX, Han BP. Analysis of factors affecting cyanobacteria bloom in a tropical reservoir(Tangxi Reservoir, China). Acta Ecologica Sinica, 2005, 25(7): 1554-1561. [赵孟绪, 韩博平. 汤溪水库蓝藻水华发生的影响因子分析. 生态学报, 2005, 25(7): 1554-1561.] |
| [3] |
Cui GB, Liu L, Yao Q et al. Research on the mechanism of eutrophication control in Taihu Basin. Beijing: China Water & Power Press, 2009. [崔广柏, 刘凌, 姚琪等. 太湖流域富营养化控制机理研究. 北京: 中国水利水电出版社, 2009.]
|
| [4] |
Xie P. Reading about the histories of cyanobacteria, eutrophication and geological evolution in Lake Chaohu. Beijing: Science Press, 2009. [谢平. 翻阅巢湖的历史:蓝藻、富营养化及地质演化. 北京: 科学出版社, 2009.]
|
| [5] |
Kong FX, Ma RH, Gao JF et al. The theory and practice of prevention, forecast and warning on cyanobacteria bloom in Lake Taihu. J Lake Sci, 2009, 21(3): 314-328. [孔繁翔, 马荣华, 高俊峰等. 太湖蓝藻水华的预防、预测和预警的理论与实践. 湖泊科学, 2009, 21(3): 314-328. DOI:10.18307/2009.0302] |
| [6] |
Duan HT, Zhang SX, Zhang YZ. Cyanobacteria bloom monitoring with remote sensing in Lake Taihu. J Lake Sci, 2008, 20(2): 145-152. [段洪涛, 张寿选, 张渊智. 太湖蓝藻水华遥感监测方法. 湖泊科学, 2008, 20(2): 145-152. DOI:10.18307/2008.0202] |
| [7] |
Li XW, Niu ZC, Jiang S et al. Design of intensity index and build-up degree classification algorithm development for cyanobacterica blooms in Lake Taihu based on satellite remote sensing. Administration and Technique, 2011, 23(5): 23-30. [李旭文, 牛志春, 姜晟等. 基于卫星影像的太湖蓝藻水华遥感强度指数和等级划分算法设计. 环境监测管理与技术, 2011, 23(5): 23-30.] |
| [8] |
Hu CM. A novel ocean color index to detect floating algae in the global oceans. Remote Sensing of Environment, 2009, 113: 2118-2129. DOI:10.1016/j.rse.2009.05.012 |
| [9] |
Hu CM, Lee ZP, Ma RH et al. Moderate Resolution Imaging Spectroradiometer (MODIS) observations of cyanobacteria blooms in Taihu Lake, China. Journal of Geophysical Research, 2010, 115: 4002-4020. |
| [10] |
Zhang YC, Ma RH, Duan HT et al. A novel algorithm to estimate algal bloom coverage to subpixel resolution in Lake Taihu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(7): 3060-3068. DOI:10.1109/JSTARS.2014.2327076 |
| [11] |
Li XJ, Ma ZZ, Zhou ZY. Scale analysis of cyanobacteria bloom from MODIS and HJ-1A/1B observations. Remote Sensing Information, 2016, 31(5): 108-113. [李晓俊, 马泽忠, 周志跃. 一种蓝藻水华提取空间尺度效应分析. 遥感信息, 2016, 31(5): 108-113.] |
| [12] |
Zhou XS, Ji YL, Kong FQ et al. Primary study on the stratification characteristics of Yuqiao Reservoir based on site monitoring parameters of water quality. Haihe Water Resources, 2015(2): 19-21. [周绪申, 计亚丽, 孔凡青等. 基于水质现场监测参数的于桥水库水体分层特征初步研究. 海河水利, 2015(2): 19-21.] |
| [13] |
Chang C, Feng P, Sun DM et al. Prediction of the alga growth in a reservoir based on the stepwise cluster analysis. China Environmental Science, 2015, 35(9): 2805-2812. [常淳, 冯平, 孙冬梅等. 基于逐步聚类分析的水库浮游藻类生长预测. 中国环境科学, 2015, 35(9): 2805-2812.] |
| [14] |
Li XJ, Sun XY, Kong QJ. Investigation and analysis of water pollution factors in Yuqiao Reservoir. Haihe Water Resources, 2013(6): 27-28. [李雪娇, 孙翔宇, 孔庆杰. 于桥水库水污染因素调查分析. 海河水利, 2013(6): 27-28.] |
| [15] |
Xing HY, Bao Z, Ning WH. Water quality status appraisal and protection countermeasures for water sources in Panjiakou and Daheiting Reservoirs. Haihe Water Resources, 2009, 24(4): 24-27. [刑海燕, 暴柱, 宁文辉. 潘家口、大黑汀水库水源地水质现状评价与保护对策. 海河水利, 2009, 24(4): 24-27.] |
| [16] |
Ma RH, Kong FX, Duan HT et al. Spatio-temporal distribution of cyanobacteria blooms based on satellite imageries in Lake Taihu, China. J Lake Sci, 2008, 20(6): 687-694. [马荣华, 孔繁翔, 段洪涛等. 基于卫星遥感的太湖蓝藻水华时空分布规律认识. 湖泊科学, 2008, 20(6): 687-694. DOI:10.18307/2008.0605] |
| [17] |
Zhang J, Chen LQ, Chen XL et al. Evaluation of monitoring ability of cyanobacterial blooms by HJ-1B and Landsat:A case study of Erhai Lake. Journal of Water Resources and Water Engineering, 2016, 27(4): 38-43. [张娇, 陈莉琼, 陈晓玲等. HJ-1B和Landsat卫星蓝藻水华监测能力评估. 水资源与水工程学报, 2016, 27(4): 38-43.] |
| [18] |
Xing Q, Hu C. Mapping macroalgal blooms in the Yellow Sea and East China Sea using HJ-1 and Landsat data:Application of a virtual baseline reflectance height technique. Remote Sensing of Environment, 2016, 178: 113-126. DOI:10.1016/j.rse.2016.02.065 |
| [19] |
Nai ZJ, Duan HT, Zhu L et al. A novel algorithm to monitor cyanobacterial blooms in Lake Taihu from HJ-CCD imagery. J Lake Sci, 2016, 28(3): 624-634. [佴兆骏, 段洪涛, 朱利等. 基于环境卫星CCD数据的太湖蓝藻水华监测算法研究. 湖泊科学, 2016, 28(3): 624-634. DOI:10.18307/2016.0319] |
| [20] |
Zhang J, Chen LQ, Chen XL. Monitoring the cyanobacterial blooms based on remote sensing in Lake Erhai by FAI. J Lake Sci, 2016, 28(4): 718-725. [张娇, 陈莉琼, 陈晓玲. 基于FAI方法的洱海蓝藻水华遥感监测. 湖泊科学, 2016, 28(4): 718-725. DOI:10.18307/2016.0404] |
| [21] |
Wu JG. Landscape ecology pattern, process, scale and hierarchy. Beijing: Higher Education Press, 2000, 11-12. [邬建国. 景观生态学:格局、过程、尺度与等级. 北京: 高等教育出版社, 2000, 11-12.]
|