2023, Vol. 35 
(2: 西北大学, 陕西省地表系统与环境承载力重点实验室, 西安 710127)
(3: 中国科学院南京地理与湖泊研究所, 中国科学院流域地理学重点实验室, 南京 210008)
(2: Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Northwest University, Xi'an 710127, P. R. China)
(3: Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, P. R. China)
湖泊是地表极其重要的水资源，为流域工农业发展和人类生活提供稳定而清洁的水源，是人类活动与发展的热点区域[1]。气候变化及流域土地利用变化，加速湖泊富营养化[2]，有害藻华暴发加剧[3]，全球许多大型湖泊都出现严重的水华，如美国伊利湖，加拿大温尼伯湖，中国太湖、巢湖和滇池等[4]。蓝藻水华发生导致了一系列的湖泊水生态环境问题，显著削弱了湖泊的生态服务功能和价值，严重制约了区域社会经济可持续发展[5-6]。以往研究基于蓝藻水华的暴发频率分析藻华的时空变化，在此基础上，进一步了解蓝藻生长周期的关键时间点, 研究其暴发状态的时序变化，对探究藻华发生机理、改善水质也具有借鉴意义[7]。生物学领域将生物长期适应自然环境周期性变化，形成与此相适应的生长发育节律的现象称之为物候[8]，藻类属于浮游植物，浮游植物物候呈现了在季节性环境变化下浮游植物生长繁殖的规律性变化，能够有效地反映浮游植物的生长和湖泊的生长条件[9]。不同于生物学意义上的“物候”变化，遥感领域通常将蓝藻水华暴发面积或叶绿素a等参数达到一定阈值时的起始和持续时间等时序变化特征称之为蓝藻水华的物候特征[7, 10-11]。理解蓝藻水华物候对于气候变化的响应和其在水环境中的变化机制，有助于准确掌握湖泊水质和生态环境变化特征及辅助提升蓝藻水华预测预警。
相较于传统的观测手段，光学卫星遥感因其速度快、范围广、监测周期短，已成为湖泊蓝藻水华的重要监测手段[12]。蓝藻水华在水面聚集，引起近红外波段反射率抬升，形成植被的反射光谱，这是光学遥感图像提取蓝藻水华的理论基础。目前，光学遥感识别蓝藻水华的方法分为3类：光谱指数提取法[13]、监督分类法[14]、机器学习分类方法[15]。监督分类方法需要人工干预，受主观影响大，机器学习方法能实现复杂地物的提取要求，但是需要大量的训练样本。相对而言，基于藻华光谱特征构建光谱指数，结合阈值提取，机理性强且提取快速，是卫星遥感监测湖泊蓝藻水华的主流方法。
蓝藻水华暴发周期长，变化快，以Moderate-Resolution Imaging Spectroradiometer(MODIS)(Terra：1999年至今；Aqua：2002年至今)为代表的中分辨率海洋水色传感器被广泛应用于水华面积和物候监测。基于MODIS时间序列数据，Liniger等[16]发现了南极洲默茨冰川与B09B冰山2010年撞击后其水华暴发开始时间延迟、持续时间缩短；Rohr等[17]探讨了南大洋浮游植物水华物候的变化机制；Wynne等[18]探究了萨吉诺湾和伊利湖近20年的藻华物候，分析了萨吉诺湾和伊利湖藻华物候的影响因子。虽然MODIS等传感器重访周期快、波段多，但是卫星发射于1999年后，实际上，太湖、巢湖等一些蓝藻水华暴发频繁的区域，2000年之前富营养化已比较严重且蓝藻水华已经暴发[19-20]，补充这一时间段的蓝藻水华时空变化信息有助于提升对湖泊藻华变化规律的认识。Landsat系列传感器，包括Landsat 4/5 TM(Thematic Mapper，1982-2011年)、Landsat 7 ETM+ (Enhanced Thematic Mapper plus，1999-2022年)、Landsat 8/9 OLI (Operational Land Imager，2013年至今)，是持续时间最长的地球资源卫星之一。Landsat可以弥补MODIS在2000年之前观测的空白，但其时间分辨率低(16 d)，观测蓝藻水华频率确实有所不足[21]。如何综合利用Landsat系列传感器和MODIS数据，考虑不同数据源观测蓝藻水华的差异，联合监测湖泊蓝藻水华变化，将使得观测1980s以来湖泊蓝藻水华时空变化成为可能。
本文的研究目标是使用Landsat和MODIS监测巢湖1987-2020年间藻华暴发情况和物候时空变化，解析巢湖蓝藻水华近40年的时空规律。具体内容包括：(1)基于光谱指数和阈值分割方法，研究Terra MODIS和Landsat提取蓝藻水华时空变化的一致性和差异；(2)获取1987-2020年巢湖蓝藻水华暴发面积时空分布，分析1987-2020年巢湖藻华物候特征(暴发开始时间、暴发结束时间、暴发持续时间)的变化规律；(3)基于巢湖总氮(TN)、总磷(TP)浓度和气温、风速、降雨等环境因子，分析藻华物候指标长时间变化的原因。
1 数据与方法 1.1 研究区概况巢湖(31°25′28″~31°43′28″N，117°16′54″~117°51′46″E，图 1)位于安徽省中部，属合肥市管辖，是我国五大淡水湖之一，水域面积约760 km2，东西长55 km、南北宽21 km、湖岸线周长176 km，平均水深2.89 m，多年平均水位为8.03 m，容积20.7×108 m3[22]。湖水主要靠地面径流补给，入湖河流约33条，其中主要出入湖河流有9条，包括南淝河、十五里河、派河、杭埠河、柘皋河、双桥河、兆河、白石天河、裕溪河[23]。近年来，随着巢湖流域工业化以及城市化的发展，巢湖水体呈现严重富营养状况，蓝藻水华频繁暴发，对巢湖流域的生态环境产生了严重的影响[24]。
|
图 1 巢湖及其分区、气象站点位置 Fig.1 Location of Lake Chaohu and its zoning and meteorological station |
从美国地质调查局(United States Geology Survey, USGS, https://earthexplorer.usgs.gov)网站下载了巢湖上空1987-2020年无云或少云情况下的Landsat L1T级影像共289景，其中Landsat 5 TM 205景、Landsat 7 ETM+ 24景、Landsat 8 OLI 60景(表 1)。下载过程中通过USGS提供的Landsat快视图判断巢湖上空是否被云覆盖，对存在云影响的图像进行去云操作。Landsat 7数据在2003年后出现条带，数据质量下降，2003年后未使用此数据；同时Landsat 5在2011年停止运行，Landsat 8在2013年2月发射，此期间没有有效Landsat数据。研究使用ACOLITE软件(https://github.com/acolite)对TM、ETM+和OLI数据进行处理得到瑞利散射校正反射率Rrc(Rayleigh-corrected reflectance)[25]。
|
表 1 巢湖1987-2020年Landsat/MODIS卫星影像数据的时间分布* Tab. 1 Temporal distribution of Landsat/MODIS data in Lake Chaohu used in this study from 1987 to 2020 |
MODIS搭载在Terra和Aqua两颗卫星上，具有较高时间分辨率，一天内可以覆盖全球两次(部分赤道低纬度地区除外)[26]。MODIS的陆地波段(前7个波段，光谱范围为443~2130 nm)具有较高的空间分辨率(250~500 m)且在浑浊湖泊不饱和，因此本研究仅使用这7个波段提取蓝藻水华。考虑到Landsat系列卫星过境时间为当地时间上午10 ∶15左右，因此本文选用了上午过境的MODIS/Terra，以获取时间相对一致的湖泊观测。从美国国家宇航局(NASA)获取了2000-2020年巢湖天气状况良好的MODIS/Terra影像1919景，基本涵盖了2000-2020年全年各月份，特别是水华最为严重的夏秋季节(表 1)。MODIS数据利用SeaDAS 7.5.3软件去除臭氧吸收和分子瑞利散射的影响，获得Rrc数据[27-29]。
1.2.3 陆地和云掩膜首先使用Landsat和MODIS影像快视图进行目视观察，排除巢湖上空多云覆盖的图像；然后，对存在少云覆盖的图像采用单波段阈值进行云掩膜处理。云掩膜阈值分别是MODIS_ Rrc(1240)≥ 0.0235[30]和Landsat_Rrc(SWIR) > 0.018[31]。采用归一化水体指数(normalized difference water index，NDWI)进行水体边界提取，根据水体在影像中的分布选择阈值将水体与其他地物区分开来[32]。最后，研究将水体向内掩膜3个像元，避免陆地临近效应对水体信号的影响。
1.3 蓝藻水华提取算法 1.3.1 浮游藻类指数(FAI)常用的光谱指数有NDVI、增强型植被指数法(enhanced vegetation index，EVI)和浮游藻类指数(floating algae index，FAI)等。NDVI对大气干扰处理有限，受云层影响较大，不易区分高浑浊水体，同时当蓝藻密度较大时，NDVI会出现饱和现象[33]。EVI具有较好的抗大气干扰能力，可抑制水体背景噪声，但易将蓝藻水华与水生植被混淆[34]。相比于NDVI、EVI等算法，FAI算法对环境和观测条件(气溶胶类型和厚度、太阳/观测几何和太阳光)的变化不敏感，并且不易受云层影响，可以有效避免对蓝藻水华的误判，已广泛应用到湖泊蓝藻水华的监测。FAI指数实质上是一种波段减法，即通过构建红光、近红外和短波红外的基线来反映藻类在水体表面聚集的光谱变化特征，其计算公式为：
| $ F A I=R_{\mathrm{rc}}\left(\lambda_{\mathrm{NIR}}\right)-R_{\mathrm{rc}}^{\prime}\left(\lambda_{\mathrm{NIR}}\right) $ | (1) |
| $ R_{\mathrm{rc}}^{\prime}\left(\lambda_{\mathrm{NIR}}\right)=R_{\mathrm{rc}}\left(\lambda_{\mathrm{Red}}\right)+\left[R_{\mathrm{rc}}\left(\lambda_{\mathrm{SWIR}}\right)-R_{\mathrm{rc}}\left(\lambda_{\mathrm{Red}}\right)\right] \cdot \frac{\lambda_{\mathrm{NIR}}-\lambda_{\mathrm{Red}}}{\lambda_{\mathrm{SWIR}}-\lambda_{\text {Red }}} $ | (2) |
其中，MODIS参与计算的波段为λRed=645 nm、λNIR=859 nm、λSWIR=1240 nm；TM参与计算的波段为λRed=660 nm、λNIR=839 nm、λSWIR=1678 nm；ETM+参与计算的波段为λRed=661 nm、λNIR=835 nm、λSWIR=1650 nm；OLI参与计算的波段为λRed=655 nm、λNIR=865 nm、λSWIR=1609 nm[35]。
1.3.2 蓝藻水华阈值确定使用Hu等[11]在太湖提出的梯度阈值方法提取蓝藻水华。对于Landsat系列数据，使用FAI < -0.01和FAI > 0.02排除纯净水体和纯藻华像元，生成藻-水混合图像的FAI梯度直方图。考虑到藻华-非藻华边界处FAI值梯度变化大，因此单幅图像梯度变化最大处所对应的FAI值即是单景影像的藻华阈值。最后每景Landsat影像FAI阈值的均值减去其两倍标准差作为所有Landsat的藻华提取阈值，研究确定的Landsat藻华提取FAI阈值为-0.0089。
MODIS数据由于空间分辨率较低，研究采用藻华像元生长算法[36](algae pixel growing algorithm，APA)进一步提高蓝藻水华提取精度。从MODIS图像确定巢湖的纯藻华FAI阈值为0.05，纯水体FAI阈值为-0.004，对水和蓝藻混合的像元，选用APA精确计算藻华混合像元内的藻华面积，估算湖泊全水域蓝藻水华实际面积[36]。像元生长算法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，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[37]，具体计算过程见参考文献[38]。研究通过统计覆盖度不为0的藻华像元的个数CMODIS，计算整个巢湖的蓝藻水华面积：
| $ \text { Bloom }_{\text {area }}=0.25 \times 0.25 \times C_{\text {ModIS }} $ | (3) |
目前，业内对湖泊水华发生的定义仍没有形成统一共识。在以往评估远洋环境浮游植物物候的工作中，水华事件开始的一个常见定义是叶绿素a浓度(Chl.a)高于背景中值浓度的5% [10]。考虑巢湖蓝藻水华暴发的季节性和年际变化周期特征以及《水华遥感与地面监测评价技术规范(征求意见稿)》中“太湖、巢湖水华状况判断暂行办法”定义蓝藻水华物候分析的周期为每年春季(本年3-5月)开始至冬季(12月-次年2月)结束。暴发开始时间为每年3月份开始藻华面积第1次为全湖面积的5% 时的日期；暴发结束时间为次年2月之前藻华面积为全湖的5% 时的最后日期；藻华暴发结束日期减去暴发开始日期即为藻华持续时间。关于1%、5% 和10% 阈值识别的巢湖藻华物候指标结果的对比分析见3.1节。
Landsat传感器和MODIS的时空分辨率存在差异。针对二者空间分辨率差异在监测藻华分布的影响，本文选取了2000-2020年41景巢湖同步MODIS/Terra和Landsat影像，分析其提取蓝藻水华面积的一致性问题(3.1节)。1987-1999年藻华物候特征只能由Landsat系列数据获取，考虑到Landsat的时间分辨率较低，2000年之前的物候参数使用3年为周期进行统计(1987-1989、1990-1992、1993-1995、1996-1998、1999-2000年)，巢湖藻华暴发开始时间取3年的最小值，暴发结束时间和持续时间取3年的最大值。每周期内，巢湖每月基本至少2景Landsat影像(表 1)，虽然2月有影像缺失，但藻华暴发时间从每年3月开始统计，对结果影响相对较弱。关于Landsat影像数量潜在引起的结果差异，在3.1.3节进一步深入讨论。
1.5 环境驱动因子研究获取巢湖1987-2020年月度总氮(TN)、总磷(TP)浓度数据，TN、TP浓度分别由碱性过硫酸钾消解紫外分光光度法(GB 11894-1989)和钼酸铵分光光度法(GB 11893-1989)测定[39]。统计计算1987-2020年这两种水质指标的年均值，讨论分析其对巢湖藻华物候的影响。此外，蓝藻水华暴发受气象因子(温度、风速、降雨量和日照时长)年际以及季节性变化影响较大，除了当年的气象因子外，上年年均以及冬季气象因子也对藻华暴发有显著影响[40-41]。研究从中国气象数据中心(http://data.cma.cn)下载了合肥气象站的日均气温、风速、降水和日照时长数据，之后生成年平均及季节平均结果，以分析气象因子与巢湖藻华物候特征的关系。
1.6 统计分析指标本文利用Pearson相关系数来分析巢湖藻华物候与环境因子的相关性，相关分析使用线性逐步回归。采用Theil-Sen median和Mann-Kendall趋势分析方法，研究巢湖藻华暴发开始时间、暴发结束时间、暴发持续时间的长时间变化趋势，并以P值表示显著性大小，P < 0.05为显著性水平，P < 0.01为极显著水平。
2 结果 2.1 蓝藻水华面积的时序变化1987-2020年Landsat和MODIS监测结果(图 2) 显示，巢湖蓝藻水华规模逐渐扩大，暴发面积不断增加。2000年之前，全巢湖蓝藻水华整体暴发规模较小，大面积藻华较少，1990年出现峰值507.3 km2，其余年份每年全湖区蓝藻水华暴发面积峰值都在500 km2以下，且面积峰值集中在夏秋季出现(图 2d)。2000年之后，整个巢湖蓝藻水华暴发面积在2000-2005年呈上升趋势，2005-2010年较稳定，2011年出现最高峰608.4 km2，2012-2014年藻华暴发面积有所下降，2015年出现次高峰，2016-2020年呈下降趋势(图 2d)。西巢湖2000年之前蓝藻水华暴发规模也较小，暴发峰值出现在1999年，达到216.2 km2，2000年之后，西巢湖蓝藻水华面积居高不下(图 2a)。1987-1999年中巢湖和东巢湖无明显藻华发生，其中，中巢湖暴发峰值出现在1991年(162.7 km2)，东巢湖暴发峰值出现在1990年(204.1 km2)(图 2b，c)。2000年之后，中巢湖藻华面积在2000-2012持续增加，此后呈现波动式下降的规律(图 2b)；东巢湖蓝藻水华面积在2000-2011年逐渐增加，2011年达到暴发面积次峰值225.5 km2，2012年后暴发面积整体呈现下降趋势(图 2c)。
|
图 2 巢湖1987-2020年蓝藻水华暴发面积：(a)西巢湖；(b)中巢湖；(c)东巢湖；(d)全巢湖 Fig.2 Area of algal blooms in Lake Chaohu from 1987 to 2020: (a) west lake; (b) central lake; (c) east lake; (d) the whole lake |
过去34年中，全湖以及各湖区每月蓝藻水华平均暴发面积均呈增加趋势，其中，全湖增加趋势最为显著(slope=0.28，P < 0.01)，其次是西巢湖(slope=0.14，P < 0.01)，中巢湖(slope=0.07，P < 0.01)以及东巢湖(slope=0.07，P < 0.01)增加趋势较平缓(图 3)，分湖区月平均暴发面积均呈增加趋势，可能使全湖整体上月平均面积增加趋势最为显著。此外，每年蓝藻水华暴发面积最大值大多集中在6-11月，即夏、秋季节，冬、春季蓝藻水华大面积暴发较少，符合巢湖夏、秋季节蓝藻水华暴发较为严重，冬、春季节有所减缓的规律。
|
图 3 巢湖1987-2020年蓝藻水华月平均面积长时间变化趋势：(a)西巢湖；(b)中巢湖；(c)东巢湖；(d)全巢湖 Fig.3 Long-term trend of monthly mean area of algal blooms in Lake Chaohu from 1987 to 2020: (a) west lake; (b) central lake; (c) east lake; (d) the whole lake |
本研究以藻华面积大于5% 湖泊总面积为藻华判定阈值，结合1987-2020年Landsat和MODIS数据计算出巢湖蓝藻水华每年暴发开始时间、结束时间和持续时间(图 4，表 2)。总体上，巢湖藻华暴发多开始于4-6月，集中在次年1月和2月结束。1987-2000年间巢湖藻华暴发开始时间多在5月，暴发开始时间最晚的日序数为154 d，其次是149 d(1993-1995年)、121 d(2000年)和114 d(1987-1989年)；2000年之后暴发开始时间逐步提前至4月甚至3月(图 4，表 2)。2000年前，巢湖藻华暴发结束时间多集中在1月初，结束最早的日序数为362 d(1990-1992年)；2000年后，暴发结束时间有所延迟，且多集中在2月中下旬结束，其中，最晚的日序数为423 d(2016年)(图 4，表 2)。1987-2000年，藻华暴发持续时间集中在5~7个月，2000年达到10个月；2000年之后，暴发持续时间不断增加，最短为8个月(2020年)，最长为12个月(2006年)。
|
图 4 巢湖1987-2020年Landsat(散点)和MODIS/Terra(折线)蓝藻水华暴发面积以及暴发开始时间(a)和暴发结束时间(b)(括号中标注的是年份及藻华开始或结束的日序，结束时间出现在来年1-2月，所以，结束时间的日序数延续了前一年的日序数；1987-1999年为3年时间段取物候指标，年份取中间值) Fig.4 Landsat (scatters) and MODIS/Terra (lines) cyanobacterial blooms area and timing of initiation (a) and timing of termination (b) in Lake Chaohu (Note that the numbers in the parentheses are year and day sequence for the start or end of algal blooms. The day sequence value of the end time is superimposed on the day sequence number of the previous year. 1987-1999 is a three-year time period to take the phenological index, and the year is taken as the middle value) |
|
|
表 2 巢湖1987-2020年藻华物候参数期及气象数据统计 Tab. 2 Statistics of algal blooms phenology and meteorological data of Lake Chaohu from 1987 to 2020 |
总体上，1987-2020年巢湖藻华物候特征的时序变化分为3个阶段：①1987-2004年，暴发开始时间呈显著提前趋势(R2=0.66，P < 0.01)，平均每年提前9.7 d，暴发结束时间有所延迟，但不显著(R2=0.27，P > 0.05)，平均每年延迟3.9 d，暴发持续时间呈显著增加趋势(R2=0.67，P < 0.01)，平均每年增加17.4 d。②2005-2010年，藻华暴发开始时间呈现显著延迟趋势(R2=0.61，P < 0.05)，平均每年延迟8.9 d，暴发结束时间无明显变化，暴发持续时间有所减少，但不显著(R2=0.15，P > 0.05)，平均每年减少8.8 d。③2011-2020年，巢湖藻华暴发开始、结束和持续时间变化趋势均不显著，其中，暴发开始时间平均每年提前1.3 d(R2=0.14，P > 0.05)，暴发结束时间平均每年提前5.7 d(R2=0.27，P > 0.05)，暴发持续时间平均每年缩短4.5 d(R2=0.15，P > 0.05)(图 5)。
|
图 5 巢湖1987-2020年藻华物候变化趋势：(a)开始时间；(b)结束时间；(c)持续时间(灰色箭头仅表示为上升或下降趋势) Fig.5 Long-term trend of algal blooms phenology in Lake Chaohu from 1987 to 2020: (a) the timing of initiation; (b) the timing of termination; (c) the timing of duration (Gray arrows indicate an upward or downward trend) |
巢湖藻华物候指标的年变化与TN、TP浓度无显著相关关系。1987-2004以及2005-2010年TN、TP浓度均呈下降趋势，2011-2020年TN、TP浓度略微上升，且从整体上看，1987-2020年TN、TP浓度呈显著下降趋势(图 6a)。尽管30多年来，巢湖TN、TP浓度有所下降，但对比《地表水环境质量标准》 (GB 3838-2002)发现，巢湖1987-2020年平均TN浓度(2.18 mg/L)超过了国家Ⅴ类水体标准，TP浓度(0.16 mg/L)位于国家Ⅲ类水体标准，巢湖水体富营养化程度一直处于较高水平，满足蓝藻水华生长要求[42]，所以，湖体的营养盐不是影响巢湖藻华物候指标的主要因子。
|
图 6 1987-2020年巢湖环境因子变化趋势：(a)TN和TP浓度；(b)冬季平均风速和年平均风速；(c)上年冬季平均温度和年平均温度 Fig.6 Trends of environmental factors in Lake Chaohu from 1987 to 2020: (a) TN and TP; (b) average winter wind speed and annual average wind speed; (c) average temperature in the previous winter and annual average temperature |
巢湖藻华不同阶段物候指标受气象因子影响不同(图 7)。1987-2004年暴发开始时间与上年年平均温度呈显著负相关(R2=0.50，P < 0.05)(图 7a)；暴发结束时间和持续时间与气象因子均无明显相关关系。研究发现，1987-2004年巢湖藻华暴发结束时间和持续时间都呈延迟趋势，同时段内，巢湖年平均温度显著上升(R2=0.43，P < 0.05)(图 6c)，年平均风速和冬季平均风速均有所下降(图 6b)；②2005-2010年，藻华暴发开始时间与春季降雨量呈显著正相关(R2=0.82，P < 0.05)，与春季平均温度(R2=0.69，P < 0.05)、春季平均日照(R2=0.95，P < 0.01)呈显著负相关(图 7b~d)；暴发结束(R2=0.72，P < 0.05)和持续时间(R2=0.93，P < 0.01)与年降雨量呈显著负相关(图 7e~f)；2011-2020年，藻华暴发开始时间、结束和持续时间与气象因子均无显著相关关系。该时间段内，藻华暴发开始时间略微提前，而巢湖上年冬季温度有所上升(图 6c)，暴发结束时间提前，持续时间缩短，相应地，冬季平均风速不断增加(图 6b)。
|
图 7 1987-2004年暴发开始时间与上年年平均温度的关系(a)；2005-2010年暴发开始时间与春季降雨量、平均温度以及日照时长的关系(b~d)；2005-2010年暴发结束和持续时间与年降雨量的关系(e~f) Fig.7 Relationship between the start time and the average annual temperature of the previous year from 1987 to 2004 (a); Relationship between the start time and the spring precipitation, temperature and sunshine from 2005 to 2010 (b-d); Relationship between the termination time and duration and the annual precipitation from 2005 to 2010 (e-f) |
基于FAI指数和阈值分割的湖泊蓝藻水华提取有效避免了湖泊水体中泥沙信号和大气程辐射的影响，提升了精度，但仍有几个因素会干扰本文蓝藻水华卫星提取的绝对精度：(1)水陆边界的临近效应：靠近陆地的水体信号强，FAI值也会偏高，导致靠近陆地的像元有时也会被识别为蓝藻水华；(2)遥感图像的云掩膜多使用单波段阈值法，但能够完全去除云阴影影响的算法尚不成熟，Rrc(1240)>0.023和Rrc(1640) > 0.0215会错误地将蓝藻水华作为“云像元”掩膜去除，过度云掩膜造成有效数据丢失[35, 43]；(3)研究所使用的FAI阈值提取蓝藻水华，通常适用于积聚在水体表面的蓝藻，即“cyanobacterial scum”，不易监测较为分散且浓度较低的蓝藻水华，影响了蓝藻水华提取精度。
祁国华等[14]指出不同空间分辨率卫星对水华的识别会略有差别，卫星影像过境时间存在时间差，水华可能会在几分钟内发生微小变化，造成不同卫星的提取结果出现不同程度的差异。2000-2020年间巢湖41景同步MODIS和Landsat图像提取藻华面积一致性较好(图 8)，差异在0.19~39.85 km2之间，其中提取误差在0~10 km2的占51%，在10~20 km2的占22%，在20~ 30 km2的占15%，在30~40 km2的占12%。Landsat空间分辨率较高，使得二者提取误差低值所占比例较大。Landsat和MODIS提取结果差异最大的在2016年11月14日(MODIS提取面积为79.43 km2，Landsat提取面积为39.58 km2)，是由于当天MODIS上空存在薄云，造成提取误差。
|
图 8 巢湖MODIS和Landsat同步卫星数据提取蓝藻水华面积一致性对比 Fig.8 Comparison of the consistency of algal blooms area from MODIS and Landsat synoptic satellite data in Lake Chaohu |
藻华物候的确定方法多样，如Soppa等[44]规定当Chl.a浓度值超过中位数5% 时的时间至少持续两周时定义为水华开始日期，将Chl.a值下降至阈值以下第1周为水华结束日期。关键阈值的选取影响物候特征的精度，因此本文对比分析1% 阈值和10% 阈值的巢湖藻华物候结果，验证5% 阈值提取物候的精度。1% 为阈值即在巢湖藻华面积达到7.6 km2时认为蓝藻水华暴发。MODIS本身空间分辨率较低，该阈值面积仅占有120个像元，提取的物候特征与巢湖藻华暴发规律有较大偏差，且年际之间无明显变化，巢湖整年都在暴发藻华(图 9)。10% 为阈值计算藻华物候，2000年之后藻华暴发开始时间与5% 相差不大，但由于阈值面积达到76 km2，受Landsat时间分辨率和多种不确定性因素的影响，2000年之前有4年(1988、1989、1993和1998年)藻华暴发开始时间和结束时间为同一天，且1996年为藻华暴发的空白期，即仅有的遥感图像数据无法满足阈值要求，1996年被认定为无藻华暴发(图 9)，因此10% 阈值不能准确刻画所提取的巢湖蓝藻物候特征。
|
图 9 10% 和1% 阈值藻华物候期结果：(a)暴发开始时间；(b)暴发结束时间 Fig.9 10% and 1% threshold algal blooms phenology: (a)the start time; (b)the termination time |
Landsat具有较高空间分辨率，但其重访周期较长(16 d)，较少的卫星数据降低了对巢湖的有效观测次数，一定程度上影响藻华物候时序变化的精度。为减弱2000年前Landsat影像稀少对年藻华物候特征的影响，本研究使用3年周期统计巢湖2000年之前的物候参数。统计周期内几乎每月平均至少2景Landsat遥感影像覆盖，间接地提升了2000年前Landsat系列数据观测巢湖藻华物候时序变化的时间分辨率。该方法统计的巢湖1987-2020年藻华物候的长时序变化趋势相对不存在突变(图 5)。为揭示Landsat每3年周期和MODIS数据统计藻华物候的时间一致性，我们对比了2000-2020年Landsat和MODIS所提取的藻华暴发开始时间(图 10)。Landsat每3年周期观测的藻华暴发时间虽然比MODIS的结果略晚一些，但基本上较为接近。同时，二者观测到的藻华暴发开始时间的趋势较为一致，即2000-2010年暴发开始时间有所延迟，此后藻华暴发提前。事实上，以往一些研究使用Landsat数据对水质情况进行分析时也采用了类似的方式[45-47]，并揭示出了湖泊水质的长时序变化。虽然使用多年周期统计的方式一定程度上弥补了Landsat数据不足的缺点，提升了Landsat分析结果的可信度，但仍需说明的是，2000年前后藻华物候参数统计的数据源不同，且数据的时间分辨率存在一定的差异，Landsat低卫星数量统计的年藻华物候特征无法达到与MODIS完全等同的观测频率，由此，所得出的藻华物候变化趋势及其与环境因子的相关性不可避免地会存在一定的不确定性。但是Landsat是目前唯一可连续获取的2000年前的免费卫星数据，是将蓝藻水华监测结果延长15年的最好选择，同时，探索性联合时空分辨率存在差异的多源卫星数据共同监测湖泊藻华物候，可为之后的研究提供一点思路和参考。
|
图 10 2000-2020年Landsat藻华暴发开始时间(每3年)与MODIS的对比 Fig.10 Comparison of the start time of algal blooms between Landsat (every 3 years) and MODIS from 2000 to 2020 |
巢湖蓝藻以微囊藻(Microcystis)和鱼腥藻(Anabaena)为主，不同季节蓝藻优势藻藻种不同，5-9月以微囊藻为主，而3-4月和10月后以鱼腥藻为主[48]，本文“藻华物候”重点在于巢湖蓝藻水华暴发的时间变化，而非生态上的“物候”的定义，微囊藻、鱼腥藻或其他蓝藻藻类大量繁殖后在水面聚集均会被识别为蓝藻水华，因此，藻种间的交替变化(藻种生长期差异)不会显著影响巢湖藻华暴发时间的变化。
水体中营养盐浓度升高，藻类吸收营养盐，迅速繁殖形成有机团聚体，进而在水面形成水华[49]。本研究发现巢湖TN、TP等营养盐浓度对于藻华物候变化特征影响较弱，这可能是因为巢湖本身TN、TP等营养盐浓度一直处于较高水平，满足蓝藻生长要求，因此营养盐不是改变巢湖藻华暴发时间变化的主要因子。本研究发现，上年年平均温度、春季平均温度越高，日照时长越长，藻华暴发时间越早。温度升高、日照时长增加利于藻华生长，使得藻华暴发时间提前[50]。巢湖1987-2020年上年年平均温度(R2=0.35，P < 0.01)和春季平均温度(R2=0.40，P < 0.01)呈显著上升趋势(图 11a)，春季平均日照呈不显著增加趋势(R2=0.08, P > 0.05)(图 11b)，同时，1987-2020年巢湖年平均风速和冬季平均风速均呈下降趋势，2005年后，平均风速都在3 m/s以下(图 6b，表 2)，温度升高、日照时长保持稳定、风速降低利于藻华聚集，形成大面积水华，由此，未来巢湖蓝藻水华暴发时间可能依然呈提前趋势，暴发结束和持续时间呈延迟趋势，相应地，蓝藻水华暴发规模变大，周期变长，给巢湖蓝藻水华的治理带来一定困难。
|
图 11 巢湖1987-2020上年年平均温度和春季平均温度(a)和春季平均日照(b)的变化趋势 Fig.11 Trends of annual mean temperature in the last year and spring mean temperature (a) and spring mean sunshine (b) from 1987 to 2020 in Lake Chaohu |
研究还发现不同湖区影响蓝藻水华暴发的主要因子不同，风速对于蓝藻水华暴发也有重要影响。风速较低，蓝藻容易在水面堆积形成水华，长时间低风速天气，会加剧蓝藻水华聚集程度，导致水华面积大幅增加[51]，Wang等[52]研究发现风速与滇池藻华发生呈负相关，并且滇池春季藻华持续时间明显短于秋冬季，其认为强风是限制藻华聚集的主要因素，滇池春季的高风速容易分散藻华使得春季藻华持续时间较短；Shi等[53]研究指出太湖2003-2017年浮游植物水华暴发开始时间与春季平均风速呈显著正相关。
不同区域的湖泊或者相同湖泊不同时间受气象因子的影响程度不同的原因是多方面的。中国的一些浅水湖泊所处地理位置不同，如滇池位于云贵高原，太湖、巢湖位于东部平原，其所处地理位置的气候条件有明显差异，气候差异以及滇池的水质特征使得滇池蓝藻水华发生难易与严重程度与太湖、巢湖有所不同[54]，温度和氮、磷营养盐是导致“三湖”蓝藻水华暴发存在差异的主要因子[55]。对海洋区域而言，蓝藻水华发生以及浮游植物物候与海洋所处地理位置(高纬度地区和低纬度地区)、海洋表面温度、海冰浓度变化、海冰厚度、云层覆盖、气象因素也均有一定的相关性[56-58]。
3.3 未来巢湖蓝藻水华变化的启示藻类水华暴发是在一定的营养、气候、水文条件和生态环境下形成的藻类过度繁殖和聚集的现象，是水体环境因子(如TN、TP、pH值、水动力、溶解氧)和气象因子(如气温、光照、风速、降雨量等)综合作用的结果，一般认为较高的营养盐浓度、适宜的温度、充足的光照以及较低的风速条件下，更易暴发蓝藻水华[59]。巢湖流域水体富营养化与合肥市近年来的发展息息相关，据安徽省统计年鉴，2000-2020年间，合肥市的人口从2000年的438万增加到2020年的937万，而GDP则从324.73亿元猛增到10045.72亿元。人口的迅速增加、工农业生产的迅速发展、污水、化肥、农药的大量使用和排放等一系列大规模的活动严重破坏了巢湖的生态环境，巢湖出现了明显富营养化，制约了该地区的社会和经济发展，引起了国家和地方政府的极大关注，从“六五”至“九五”，围绕巢湖的富营养化防治，进一步开展了一些管理调查与对策研究[60]。近年来，国家大力开展“三河三湖”的治理，巢湖的富营养化趋势得到了明显的遏制，并且富营养化水平有所下降，但是其营养化水平仍处于高位，足以支持蓝藻水华的发生[23]。巢湖水质恢复是一个流域系统工程，需要科技、资金和全社会的关心和介入[61]。富营养化及蓝藻水华问题的彻底解决，需要流域污染控制与生态修复相结合，不可能一朝一夕完成。通过构建蓝藻水华预测体系，预判水华蓝藻发展状况，采取针对性的应急处置措施，可以有效减少蓝藻水华带来的次生灾害及其对周边居民的影响。未来，除了研究各种环境条件下蓝藻水华暴发的规律，也应着重关注蓝藻种类和生理状态对于藻华暴发的影响[62]。
4 结论1) 1987-2020年巢湖蓝藻水华暴发规模不断扩大，暴发面积不断增加。研究时段内，全湖区及其分区每月蓝藻水华暴发面积均呈增加趋势，全湖区增加趋势最为显著。此外，每年蓝藻水华暴发面积的最大值大多集中在6-11月，即夏秋季节，冬季和春季巢湖蓝藻水华大面积暴发较少。
2) 在过去34年里，巢湖蓝藻水华暴发时间变化分为3个阶段：1987-2004年，巢湖蓝藻水华年暴发开始时间显著提前，暴发持续时间显著增加；2005-2010年，藻华年暴发开始时间显著延迟，但暴发持续时间变化不显著；2011-2020年，巢湖藻华暴发开始、结束和持续时间呈现年际波动，年暴发开始时间、结束时间和持续时间均有所提前，但变化都不显著。
3) 1987-2020年巢湖藻华物候指标年变化与TN、TP年均浓度无显著相关性。1987-2004年暴发开始时间与上年年平均温度呈显著负相关，表明上年年平均温度增加会使得藻华暴发开始时间提前，2005-2010年，藻华暴发开始时间与春季平均温度、春季平均日照呈显著负相关，与春季降雨量呈显著正相关，表明春季平均温度越高、日照越长、降雨量越少，巢湖藻华暴发时间越早；暴发结束和持续时间与年降雨量呈显著负相关，表明随着年降雨量增加，暴发结束提前，暴发持续时间缩短；2011-2020年，藻华暴发开始时间、结束和持续时间与气象因子均无显著相关关系。
| [1] |
Zhu GW, Xu H, Zhu MY et al. Changing characteristics and driving factors of trophic state of lakes in the middle and lower reaches of Yangtze River in the past 30 years. J Lake Sci, 2019, 31(6): 1510-1524. [朱广伟, 许海, 朱梦圆等. 三十年来长江中下游湖泊富营养化状况变迁及其影响因素. 湖泊科学, 2019, 31(6): 1510-1524. DOI:10.18307/2019.0622] |
| [2] |
Yan XC, Xu XG, Wang MY et al. Climate warming and cyanobacteria blooms: Looks at their relationships from a new perspective. Water Research, 2017, 125: 449-457. DOI:10.1016/j.watres.2017.09.008 |
| [3] |
Hou XJ, Feng L, Dai YH et al. Global mapping reveals increase in lacustrine algal blooms over the past decade. Nature Geoscience, 2022, 15(2): 130-134. DOI:10.1038/s41561-021-00887-x |
| [4] |
Huang JC, Zhang YJ, Arhonditsis GB et al. The magnitude and drivers of harmful algal blooms in China's lakes and reservoirs: A national-scale characterization. Water Research, 2020, 181: 115902. DOI:10.1016/j.watres.2020.115902 |
| [5] |
Da Huo, Gan NQ, Geng RZ et al. Cyanobacterial blooms in China: Diversity, distribution, and cyanotoxins. Harmful Algae, 2021, 109: 102106. DOI:10.1016/j.hal.2021.102106 |
| [6] |
Smith RB, Bass B, Sawyer D et al. Estimating the economic costs of algal blooms in the Canadian Lake Erie Basin. Harmful Algae, 2019, 87: 101624. DOI:10.1016/j.hal.2019.101624 |
| [7] |
Yang SB, Chen XL, Lu JZ et al. Impacts of agricultural topdressing practices on cyanobacterial bloom phenology in an early eutrophic plateau Lake, China. Journal of Hydrology, 2021, 594: 125952. DOI:10.1016/j.jhydrol.2020.125952 |
| [8] |
Zhang YK, Wang JL, Nong LP et al. Spatio-temporal variation of vegetation phenology and its response to climate in the tropic of cancer(Yunnan section) based on MODIS time-series data. Ecology and Environmental Sciences, 2021, 30(2): 274-287. [张艳可, 王金亮, 农兰萍等. 基于MODIS时序数据北回归线(云南段)地区植被物候时空变化及其对气候响应分析. 生态环境学报, 2021, 30(2): 274-287.] |
| [9] |
Hong TL, Li YM, Lv H et al. Patterns of phytoplankton phenology and its response to temperature of water surface in Lake Taihu based on MODIS data. Journal of Geo-Information Science, 2020, 22(10): 1935-1945. [洪恬林, 李云梅, 吕恒等. 基于MODIS数据的太湖浮游植物物候变化及其对水表温度的响应. 地球信息科学学报, 2020, 22(10): 1935-1945. DOI:10.12082/dqxxkx.2020.200206] |
| [10] |
Palmer SCJ, Odermatt D, Hunter PD et al. Satellite remote sensing of phytoplankton phenology in Lake Balaton using 10 years of MERIS observations. Remote Sensing of Environment, 2015, 158: 441-452. DOI:10.1016/j.rse.2014.11.021 |
| [11] |
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: Oceans, 2010, 115(C4): C04002. DOI:10.1029/2009JC005511 |
| [12] |
Duan HT, Cao ZG, Shen M et al. Review of lake remote sensing research. National Remote Sensing Bulletin, 2022, 26(1): 3-18. [段洪涛, 曹志刚, 沈明等. 湖泊遥感研究进展与展望. 遥感学报, 2022, 26(1): 3-18.] |
| [13] |
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] |
| [14] |
Qi GH, Ma XS, He SY et al. Long-term spatiotemporal variation analysis and probability prediction of algal blooms in Lake Chaohu (2009-2018) based on multi-source remote sensing data. J Lake Sci, 2021, 33(2): 414-427. [祁国华, 马晓双, 何诗瑜等. 基于多源遥感数据的巢湖水华长时序时空变化(2009—2018年)分析与发生概率预测. 湖泊科学, 2021, 33(2): 414-427. DOI:10.18307/2021.0204] |
| [15] |
Kumar AC, Bhandarkar SM. A deep learning paradigm for detection of harmful algal blooms. In: 2017 IEEE Winter Conference on Applications of Computer Vision. Santa Rosa, CA, USA: IEEE, 2017: 743-751. DOI: 10.1109/WACV.2017.88.
|
| [16] |
Liniger G, Strutton PG, Lannuzel D et al. Calving event led to changes in phytoplankton bloom phenology in the mertz polynya, Antarctica. Journal of Geophysical Research: Oceans, 2020, 125(11): e2020JC016387. DOI:10.1029/2020JC016387 |
| [17] |
Rohr T, Long MC, Kavanaugh MT et al. Variability in the mechanisms controlling Southern Ocean phytoplankton bloom phenology in an ocean model and satellite observations. Global Biogeochemical Cycles, 2017, 31(5): 922-940. DOI:10.1002/2016GB005615 |
| [18] |
Wynne TT, Stumpf RP, Litaker RW et al. Cyanobacterial bloom phenology in Saginaw Bay from MODIS and a comparative look with western Lake Erie. Harmful Algae, 2021, 103: 101999. DOI:10.1016/j.hal.2021.101999 |
| [19] |
Li SM, Liu JP, Song KS et al. Analysis on spatial and temporal character of algae bloom in Lake Chaohu and its driving factors based on Landsat imagery. Resources and Environment in the Yangtze Basin, 2019, 28(5): 1205-1213. [李晟铭, 刘吉平, 宋开山等. 基于Landsat影像巢湖蓝藻水华暴发时空变化特征及其驱动因素分析. 长江流域资源与环境, 2019, 28(5): 1205-1213. DOI:10.11870/cjlyzyyhj201905020] |
| [20] |
Zhang M, Yang Z, Shi XL. Expansion and drivers of cyanobacterial blooms in Lake Taihu. J Lake Sci, 2019, 31(2): 336-344. [张民, 阳振, 史小丽. 太湖蓝藻水华的扩张与驱动因素. 湖泊科学, 2019, 31(2): 336-344. DOI:10.18307/2019.0203] |
| [21] |
Feng L. Key issues in detecting lacustrine cyanobacterial bloom using satellite remote sensing. J Lake Sci, 2021, 33(3): 647-652. [冯炼. 卫星遥感解译湖泊蓝藻水华的几个关键问题探讨. 湖泊科学, 2021, 33(3): 647-652. DOI:10.18307/2021.0301] |
| [22] |
王苏民, 窦鸿身. 中国湖泊志. 北京: 科学出版社, 1998.
|
| [23] |
Zhang M, Kong FX. The process, spatial and temporal distributions and mitigation strategies of the eutrophication of Lake Chaohu (1984 2013). J Lake Sci, 2015, 27(5): 791-798. [张民, 孔繁翔. 巢湖富营养化的历程、空间分布与治理策略(1984-2013年). 湖泊科学, 2015, 27(5): 791-798. DOI:10.18307/2015.0505] |
| [24] |
Li L, Dai WH. The current situation and prevention measures of eutrophication pollution in Lake Chaohu. Soil and Water Conservation in China, 2009(7): 55-57. [李雷, 戴万宏. 巢湖水体富营养化污染现状及防治对策. 中国水土保持, 2009(7): 55-57. DOI:10.3969/j.issn.1000-0941.2009.07.023] |
| [25] |
Hu CM, Chen ZQ, Clayton TD et al. Assessment of estuarine water-quality indicators using MODIS medium-resolution bands: Initial results from Tampa Bay, FL. Remote Sensing of Environment, 2004, 93(3): 423-441. DOI:10.1016/j.rse.2004.08.007 |
| [26] |
Cao C, Wang SL, Li JS et al. MODIS-based monitoring of spatial distribution of trophic status in 144 key lakes and reservoirs of China in summer of 2018. J Lake Sci, 2021, 33(2): 405-413. [曹畅, 王胜蕾, 李俊生等. 基于MODIS数据的全国144个重点湖库营养状态监测: 以2018年夏季为例. 湖泊科学, 2021, 33(2): 405-413. DOI:10.18307/2021.0203] |
| [27] |
Chavula G, Brezonik P, Thenkabail P et al. Estimating chlorophyll concentration in Lake Malawi from MODIS satellite imagery. Physics and Chemistry of the Earth, Parts A/B/C, 2009, 34(13/14/15/16): 755-760. DOI:10.1016/j.pce.2009.07.015 |
| [28] |
Rodríguez-Guzmán V, Gilbes-Santaella F. Using MODIS 250 m imagery to estimate total suspended sediment in a tropical open bay. Int.J. Syst. Appl. Eng. Dev, 2009, 3(1): 36-44. |
| [29] |
Le CF, Hu CM, English D et al. Climate-driven chlorophyll-a changes in a turbid estuary: Observations from satellites and implications for management. Remote Sensing of Environment, 2013, 130: 11-24. DOI:10.1016/j.rse.2012.11.011 |
| [30] |
Wang M, Shi W. Cloud masking for ocean color data processing in the coastal regions. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(11): 3196-3105. DOI:10.1109/TGRS.2006.876293 |
| [31] |
Aurin D, Mannino A, Franz B. Spatially resolving ocean color and sediment dispersion in river plumes, coastal systems, and continental shelf waters. Remote Sensing of Environment, 2013, 137: 212-225. DOI:10.1016/j.rse.2013.06.018 |
| [32] |
Zhang DY, Yin X, She B et al. Using multi-source satellite imagery data to monitor cyanobacterial blooms of Chaohu Lake. Infrared and Laser Engineering, 2019, 48(7): 303-314. [张东彦, 尹勋, 佘宝等. 多源卫星遥感数据监测巢湖蓝藻水华爆发研究. 红外与激光工程, 2019, 48(7): 303-314. DOI:10.3788/IRLA201948.0726004] |
| [33] |
Xu JP, Zhang B, Li F et al. Detecting modes of cyanobacteria bloom using MODIS data in Lake Taihu. J Lake Sci, 2008, 20(2): 191-195. [徐京萍, 张柏, 李方等. 基于MODIS数据的太湖藻华水体识别模式. 湖泊科学, 2008, 20(2): 191-195. DOI:10.18307/2008.0209] |
| [34] |
夏晓瑞. 国产卫星遥感影像中太湖蓝藻水华的信息提取[学位论文]. 南京: 南京师范大学, 2014.
|
| [35] |
Hu CM. A novel ocean color index to detect floating algae in the global oceans. Remote Sensing of Environment, 2009, 113(10): 2118-2129. DOI:10.1016/j.rse.2009.05.012 |
| [36] |
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 |
| [37] |
Fang X, Duan HT, Cao ZG et al. Remote monitoring of cyanobacterial blooms using multi-source satellite data: A case of Yuqiao Reservoir, Tianjin. J Lake Sci, 2018, 30(4): 967-978. [房旭, 段洪涛, 曹志刚等. 基于多源卫星数据的小型水体蓝藻水华联合监测——以天津于桥水库为例. 湖泊科学, 2018, 30(4): 967-978. DOI:10.18307/2018.0410] |
| [38] |
Hu MQ, Zhang YC, Ma RH et al. Spatial and temporal dynamics of floating algal blooms in Lake Chaohu in 2016 and their environmental drivers. Environmental Science, 2018, 39(11): 4925-4937. [胡旻琪, 张玉超, 马荣华等. 巢湖2016年蓝藻水华时空分布及环境驱动力分析. 环境科学, 2018, 39(11): 4925-4937. DOI:10.13227/j.hjkx.201801057] |
| [39] |
Guo SF, Chen AQ, Xi B et al. Analysis of nitrogen and phosphorus pollution and nitrogen sources in the Lancang River. Environmental Science,, 2022. [郭树芳, 陈安强, 习斌等. 澜沧江水系氮磷污染及硝酸盐来源解析. 环境科学, 2022. DOI:10.13227/j.hjkx.2021121] |
| [40] |
Zhang YC, Ma RH, Zhang M et al. Fourteen-year record (2000-2013) of the spatial and temporal dynamics of floating algae blooms in Lake Chaohu, observed from time series of MODIS images. Remote Sensing, 2015, 7(8): 10523-10542. DOI:10.3390/rs70810523 |
| [41] |
Duan HT, Ma RH, Xu XF et al. Two-decade reconstruction of algal blooms in China's Lake Taihu. Environmental Science & Technology, 2009, 43(10): 3522-3528. DOI:10.1021/es8031852 |
| [42] |
Cao J, Tian ZB, Chu ZS et al. Nitrogen and phosphorus control thresholds of cyanobacterial blooms in Lake Taihu. J Lake Sci, 2022, 34(4): 1075-1089. [曹晶, 田泽斌, 储昭升等. 太湖蓝藻水华暴发的氮磷控制阈值分析. 湖泊科学, 2022, 34(4): 1075-1089. DOI:10.18307/2022.0403] |
| [43] |
Banks AC, Mélin F. An assessment of cloud masking schemes for satellite ocean colour data of marine optical extremes. International Journal of Remote Sensing, 2015, 36(3): 797-821. DOI:10.1080/01431161.2014.1001085 |
| [44] |
Soppa M, Völker C, Bracher A. Diatom phenology in the Southern Ocean: Mean patterns, trends and the role of climate oscillations. Remote Sensing, 2016, 8(5): 420. DOI:10.3390/rs8050420 |
| [45] |
Yin ZY, Li JS, Liu Y et al. Water clarity changes in Lake Taihu over 36 years based on Landsat TM and OLI observations. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102457. DOI:10.1016/j.jag.2021.102457 |
| [46] |
Cao ZG, Ma RH, Melack JM et al. Landsat observations of chlorophyll-a variations in Lake Taihu from 1984 to 2019. International Journal of Applied Earth Observation and Geoinformation, 2022, 106: 102642. DOI:10.1016/j.jag.2021.102642 |
| [47] |
Guo HW, Tian S, Jeanne Huang J et al. Performance of deep learning in mapping water quality of Lake Simcoe with long-term Landsat archive. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 183: 451-469. DOI:10.1016/j.isprsjprs.2021.11.023 |
| [48] |
Tang XX, Shen M, Duan HT. Temporal and spatial distribution of algal blooms in Lake Chaohu, 2000-2015. J Lake Sci, 2017, 29(2): 276-284. [唐晓先, 沈明, 段洪涛. 巢湖蓝藻水华时空分布(2000—2015年). 湖泊科学, 2017, 29(2): 276-284. DOI:10.18307/2017.0203] |
| [49] |
Cai LL, Zhu GW, Liu JW et al. Characteristics and effects on nutrients of algal blooms accumulation and dissipation in littoral zone. China Environmental Science, 2018, 38(8): 3087-3093. [蔡琳琳, 朱广伟, 刘俊伟等. 滨岸带水华堆积与消散特征及其营养盐效应. 中国环境科学, 2018, 38(8): 3087-3093. DOI:10.3969/j.issn.1000-6923.2018.08.038] |
| [50] |
Li M, Xie GQ, Lu WK et al. Effect of meteorological conditions on blue algal bloom distribution in Dianchi Lake. Journal of the Meteorological Sciences, 2011, 31(5): 639-645. [李蒙, 谢国清, 鲁韦坤等. 气象条件对滇池水华分布的影响. 气象科学, 2011, 31(5): 639-645. DOI:10.3969/j.issn.1009-0827.2011.05.013] |
| [51] |
Fan YX, Jin SJ, Zhou P et al. Relationship between cyanobacterial blooms and meteorological conditions in Chaohu Lake. Lake Protection and Ecological Civilization Construction - Proceedings of the Fourth China Lake Forum, 2014. [范裕祥, 金社军, 周培等. 巢湖蓝藻水华暴发与气象条件的关系. 湖泊保护与生态文明建设——第四届中国湖泊论坛论文集, 2014. ]
|
| [52] |
Wang Q, Sun L, Zhu Y et al. Hysteresis effects of meteorological variation-induced algal blooms: A case study based on satellite-observed data from Dianchi Lake, China (1988-2020). Science of the Total Environment, 2022, 812: 152558. DOI:10.1016/j.scitotenv.2021.152558 |
| [53] |
Shi K, Zhang YL, Zhang YB et al. Phenology of phytoplankton blooms in a trophic lake observed from long-term MODIS data. Environmental Science & Technology, 2019, 53(5): 2324-2331. DOI:10.1021/acs.est.8b06887 |
| [54] |
Wang JH, He LQS, Yang C et al. Comparison of algal bloom related meteorological and water quality factors and algal bloom conditions among Lakes Taihu, Chaohu, and Dianchi (1981-2015). J Lake Sci, 2018, 30(4): 897-906. [王菁晗, 何吕奇姝, 杨成等. 太湖、巢湖、滇池水华与相关气象、水质因子及其响应的比较(1981—2015年). 湖泊科学, 2018, 30(4): 897-906. DOI:10.18307/2018.0403] |
| [55] |
孔繁翔, 宋立荣. 蓝藻水华形成过程及其环境特征研究. 北京: 科学出版社, 2011.
|
| [56] |
Marchese C, Albouy C, Tremblay JÉ et al. Changes in phytoplankton bloom phenology over the North Water (NOW) polynya: A response to changing environmental conditions. Polar Biology, 2017, 40(9): 1721-1737. DOI:10.1007/s00300-017-2095-2 |
| [57] |
Friedland KD, Mouw CB, Asch RG et al. Phenology and time series trends of the dominant seasonal phytoplankton bloom across global scales. Global Ecology and Biogeography, 2018, 27(5): 551-569. DOI:10.1111/geb.12717 |
| [58] |
Park J, Kim JH, Kim HC et al. Environmental forcings on the remotely sensed phytoplankton bloom phenology in the central ross sea polynya. Journal of Geophysical Research: Oceans, 2019, 124(8): 5400-5417. DOI:10.1029/2019JC015222 |
| [59] |
Lu WK, Yu LX, Ou XK et al. Relationship between occurrence frequency of cyanobacteria bloom and meteorological factors in Lake Dianchi. J Lake Sci, 2017, 29(3): 534-545. [鲁韦坤, 余凌翔, 欧晓昆等. 滇池蓝藻水华发生频率与气象因子的关系. 湖泊科学, 2017, 29(3): 534-545. DOI:10.18307/2017.0302] |
| [60] |
Yin FC, Zhang ZY. Survey of Chaohu Lake eutrophication research. J Lake Sci, 2003, 15(4): 377-384. [殷福才, 张之源. 巢湖富营养化研究进展. 湖泊科学, 2003, 15(4): 377-384. DOI:10.18307/2003.0414] |
| [61] |
Zhang ZY, Wang PH, Zhang CD. Study on the eutrophication in Chaohu Lake and its remediation. Research of Environmental Sciences, 1999, 12(5). [张之源, 王培华, 张崇岱. 巢湖营养化状况评价及水质恢复探讨. 环境科学研究, 1999, 12(5). DOI:10.13198/j.res.1999.05.50.zhangzhy.013] |
| [62] |
Yang Z, Shi XL, Chen KN et al. Spatial-temporal variations of the in situ growth rate of bloom-forming cyanobacteria and their environmental factors in Lake Chaohu, China. J Lake Sci, 2021, 33(4): 1043-1050. [阳振, 史小丽, 陈开宁等. 巢湖水华蓝藻原位生长率的时空变化及其环境影响因子. 湖泊科学, 2021, 33(4): 1043-1050. DOI:10.18307/2021.0407] |