人类活动和气候变化的共同作用下，内陆湖库水体富营养化问题日趋严重，已成为全球关注的焦点。2012年对全球2058个湖库水体的调查发现，约有63% 的湖库处于富营养化状态^[1]，2021年《中国生态环境状况公报》显示我国开展营养状态监测的209个重要湖泊/水库中，富营养化湖泊/水库占比达到了27.3%，太湖处于全湖轻度富营养状态，巢湖和滇池处于全湖中度富营养状态^[2]。富营养化导致的湖泊藻华不仅会产生异味和蓝藻毒素，危害水源及水产品安全，大量藻类死亡分解时还会消耗水中的氧气，导致鱼类、贝类等水生生物大面积缺氧死亡，极大地损害湖泊生态系统、经济发展和人民健康。开展湖泊藻华的时空动态监测研究是预防和治理湖泊藻华的基础，对于湖泊富营养化控制和水生态环境改善具有重要的现实意义。

目前关于湖泊藻华监测的方式主要包括人工巡测、自动站监测、模型预测以及卫星遥感监测等。人工巡检与自动站监测是目前被认为最为精准的观测手段，但均只能实现点上的监测，成本较高且空间覆盖率较低，运用于大型湖泊时具有很大局限性。采用模型预测的手段进行藻华模拟时会不可避免地对相关物理、化学和生物过程概化，模拟精度相对较低。近些年来遥感技术凭借其不断提升的监测能力，在湖泊藻华监测中发挥了重要的作用。Giardino等^[3]利用MERIS数据对意大利Garda湖进行了叶绿素a浓度时空分析；王得玉等^[4]使用MODIS遥感数据计算了太湖蓝藻暴发时水温与蓝藻生物量之间的关系；徐祎凡等^[5]基于GOCI数据进行了暴雨后太湖水体叶绿素a浓度的反演研究，刻画了入湖羽流对太湖南部湖区藻华的迁移扩散的影响。然而，当前藻华监测常采用MODIS、MERIS、GOCI等卫星传感器，其最高时间分辨率分别为1 d、4 d、1 h，较低的时间分辨率难以准确捕捉藻类的动态变化过程，无法应对藻华暴发短暂性与偶然性的特点^[6-9]。地球静止遥感卫星向日葵八号(Himawari-8)采用了目前最先进的光学传感器之一，相较于MODIS和GOCI等数据，Himawari-8/AHI在光谱波段设置和光谱分辨率指标上都能够满足水色遥感方面要求。藻类反演是利用遥感技术进行藻华监测的重要环节，Chen等^[10]和Li等^[11]初步使用Himawari-8/AHI高分辨数据进行藻类反演，研究结果显示了Himawari-8/AHI高时间分辨数据对浮游藻类动态变化捕捉的优势。风力条件和湖泊引调水工程进行的水力调度在一定程度上改变了湖泊的水动力结构，进而影响湖泊藻类的迁移和聚集，以往的研究主要通过少量站点监测或模型模拟等手段来分析该过程，Himawari-8/AHI高时间分辨遥感数据能够更好地刻画风力和水力作用下湖泊藻类的时空动态变化，对于深刻认识藻华分布特征和迁移过程具有重要价值，但相关研究尤为缺乏。

本文基于高时间分辨率的Hiamwari-8/AHI卫星遥感监测数据，进行3种不同藻华反演指数(归一化差异植被指数(NDVI)、增强植被指数(EVI)和浮游藻类指数(FAI))的对比分析，获得适用于太湖的藻华反演指数，开展典型风力条件下和水力调度下太湖藻华的时空动态变化研究，分析风力和水力作用对藻类迁移和聚集的影响过程，为太湖藻华风险应急管控提供科学支撑。

太湖是我国第三大淡水湖，位于长三角地区东南部(30°55′40″~31°32′58″N，119°52′32″~120°36′10″E)，水面面积约2388 km²，平均水深1.89 m，属于典型的大型浅水湖泊^[12]，通常被分为8个湖区(图 1)。太湖地区属于亚热带季风气候，流域平均气温在14~16℃之间，夏季主导风向为东南风，冬季主导风向为西北风，年降雨量介于800~1600 mm之间，大部分径流(33%)发生在夏季(6—8月)。随着经济的快速增长以及人口的增加，太湖水质情况不断恶化，藻华暴发的频率及范围逐渐增大，2007年太湖水华导致饮用水水源危机事件后，政府对于太湖水环境的治理投入了大量的人力物力，但营养盐降低程度仍未达到预期^[13]，总氮(TN)浓度和年平均总磷(TP)浓度总体仍维持在较高水平。2009—2017年太湖藻华最大覆盖面积和平均范围并无下降趋势，藻华现象没有实质性改善。

图 1(Fig.1)

图 1 研究区域及分区 Fig.1 The study area and zoning

本研究所用的遥感数据来源于日本气象厅(JAXA Himawari Monitor P-Tree System)。向日葵八号(Himawari-8)是日本2014年发射的地球静止遥感卫星，其具备目前最先进的高级成像仪(Advanced Himawari Imagers, AHI)，拥有16个光谱通道，其中6个在可见光到短波红外波段范围内。此外，它还具有极高的时间分辨率，全景时间分辨率可达10 min，目标区域的时间分辨率更可以达到2.5和0.5 min。为了探究典型风力条件下藻类的动态变化过程，搜集了无云时期(2019年5月21日7:00—13:40) 逐10 min遥感数据进行太湖叶绿素a监测结果分析。此外，为了分析望虞河望亭水利枢纽(望亭水利枢纽是调控太湖水量进出的重要控制工程，其位置情况见图 1)水力调度对太湖藻华动态变化的潜在影响，搜集了望虞河水力调度期(2019年7月14—15日7:00—18:00期间)逐30 min遥感数据进行藻华动态演变过程分析。

本研究水文数据搜集了2019年7月太湖入湖河流望虞河的逐日流量数据，用于分析水力调度条件下太湖藻华生消过程及其影响机制。气象数据来源于中国气象信息中心共享网，包括2019年5月21日、7月14和15日苏州东山站及无锡宜兴站数据逐小时风向、风速和气温数据，用于分析水华暴发后的时空动态变化，以解释藻华的迁移运动过程。

NDVI常被用于陆生植被覆盖率计算与植被生长情况预测等方面，由于湖泊大面积水华具有类似陆生植被的特征，NDVI亦可用于湖泊藻类反演^[14]。NDVI采用比值法来部分消除太阳高度角、卫星观测角、地形、云/阴影和大气条件有关的辐照度条件变化等的影响^[15]。NDVI计算公式为：

式中，R_RED和R_NIR分别为红光和近红的反射率。

EVI在NDVI的基础上进行了优化，在减少背景和大气作用以及饱和问题上优于NDVI。此外，水面上漂浮着的水华具备近红外波段的反射率更高的特征，因此水华区域具有与周边水体明显的差异。EVI计算公式为：

式中，B为蓝光波段反射率，G为增益系数；C₁、C₂、C₃分别为与像素点无关的系数，用于补偿气溶胶和植被背景。

胡传民于2009年专门针对水体水华反演提出的FAI考虑了上述水体与陆地差异^[16]。FAI引入了短波红外波段，其在红外波段、近红外波段及短波红外波段进行组合计算，是一种简单方便且具有较高准确性的大气校正方法^[17]。FAI计算公式为：

式中，R_SWIR为短波红外波段的反射率；RED、NIR、SWIR分别为红光、近红、短波红外波段的中心波长，用于FAI计算中对红外波段与短波红外波段进行的线性内插。

NDVI、EVI、FAI均可采用阈值法提取水华信息并判别藻华区域，以NDVI为例，其阈值法判别公式为：

式中，NDVI代表判识像元的NDVI值，NDVI_T代表NDVI判识阈值。

为对比不同指数藻华反演的效果，本研究选取太湖2019年5月27日上午10:00的Himawari-8/AHI图像进行NDVI、EVI、FAI 3种方式的藻华反演计算并进行阈值处理获得藻华面积及分布。同时，选择了同一时刻空间分辨率更高的MODIS卫星遥感藻华人工解译结果作为参考进行结果对比分析。

本研究利用NDVI、EVI、FAI 3种方式进行了太湖5月27日上午10:00的Hiamwari-8/AHI水华反演，与MODIS卫星当日上午10:17的遥感监测影像进行对比，结果如图 2所示。MODIS图像解译处理后的藻华区域面积为321.8 km²，3种不同指数阈值提取后的藻华面积及相对误差见表 1。根据对比可得，3种指数都能较好地反映藻华强度较高的区域(如西南部湖区、西北部湖区以及竺山湖等)，但NDVI在西北湖湖区沿岸位置的结果显示出其对于藻华区域和非藻华区域的划分界限较为模糊。FAI相对误差最小，且其与MODIS图像藻华区域最为接近。竺山湖西北部湖湾区域FAI的反演结果相比于EVI更为清晰地显示其为非藻华水域(图 2)。总体而言，FAI考虑了水体与陆地之间的差异，对于边界的划分较为清晰，其在3种指数中具有最好的适用性。尚琳琳等^[18]和张永杰等^[19]的研究表明FAI是水体藻华反演方面稳定可靠的指标，因此本研究在2.2节和2.3节采用FAI指数反演太湖藻华并进行典型藻华事件分析。

图 2(Fig.2)

图 2 MODIS图像与NDVI、EVI和FAI 3种指数藻华反演结果阈值处理后的对比 Fig.2 Comparison of MODIS images with NDVI, EVI and FAI inversion results of algal bloom after threshold processing

表 1(Tab. 1)

表 1 NDVI、EVI和FAI阈值提取后的藻华面积及与MODIS藻华面积的相对误差 Tab. 1 Area of algal bloom after NDVI, EVI and FAI threshold extraction and relative error with MODIS algal bloom area MODIS解译 NDVI EVI FAI 藻华面积/km2 321.8 387.3 368.7 314.5 相对误差/% - 20.35 14.57 -2.27

表 1 NDVI、EVI和FAI阈值提取后的藻华面积及与MODIS藻华面积的相对误差 Tab. 1 Area of algal bloom after NDVI, EVI and FAI threshold extraction and relative error with MODIS algal bloom area

结合图 3和图 4分析可知，上午8:00以前藻华大部分聚集在太湖西北湖区及竺山湖区域，西南湖区存在着少量藻华，全湖藻华区域占比低于15%；8:00—10:30西北湖区及竺山湖区域南部的藻华向湖心区转移，到9:30时与湖心区汇聚成一片，10:30左右，藻华大量聚集在湖心区西南部边缘，此时全湖藻华区域占比超过20%；10:30—12:40湖心区东北部及胥湖北部的区域藻华面积和强度整体增大，西北湖区、竺山湖区以及湖心区西南部湖区藻华面积和强度整体逐步降低并消失，在12:00左右全湖藻华区域占比增加到24%，随后开始下降；12:40—13:50湖心区东北湖区藻华强度较高但全湖藻华区域占比仍继续下降，至13:50时西北湖区、竺山湖区东部及东太湖区域均还有一定强度藻华。全湖藻华面积变化呈现先增大后减少趋势，变化主要集中在西北湖、湖心区西南部和东部湖区。

图 3(Fig.3)

图 3 2019年5月21日太湖藻华高频时间序列FAI反演结果(示意图中蓝色箭头表示下风风向，长度表示风速大小，红色箭头表示藻华重心变化方向，长度表示重心移动距离，蓝色圆圈表示风速2.5 m/s范围) Fig.3 FAI inversion results of high-frequency time series of algal bloom in Lake Taihu on May 21, 2019(The blue arrow indicates the downwind direction, the length indicates the wind speed, the red arrow indicates the direction of change of the algal bloom gravity center, the length indicates the distance moved by the center of gravity, and the blue circle represents the range of wind speed of 2.5 m/s)

图 4(Fig.4)

图 4 2019年5月21日7:00—14:00太湖全湖藻华面积占比变化 Fig.4 Changes in the proportion of algal bloom area in Lake Taihu from 7:00 to 14:00 on May 21, 2019

图 5a为藻华移动重心方向与下风风向夹角的柱状图。不同时刻夹角的平均值为61°，显示典型气象条件下两者有着较高的相关性(平均夹角小于90°)。太湖的本底营养盐值显著高于藻华暴发所需营养盐限值，当水温保持在蓝藻大量生长增殖的阈值以上时，风力条件是决定湖泊蓝藻水华暴发的关键因子^[20]。前人研究表明风向和风速是形成不同水动力场的主导因素之一，藻类的水平迁移和垂向迁移直接影响着藻华的空间分布格局^[21-22]。本研究通过高频卫星遥感藻华监测发现太湖上午8:00—11:00西北湖区和湖心区西南部藻华移动与下风方向较为一致，表明风向显著影响藻类水平迁移。图 5b为插值到10 min频次的风速与藻华面积变化散点图，二者具有较高相关性且存在一个约2.5 m/s的临界值。当风速低于临界值时，藻华面积随风速增加而增加；当风速高于临界值时，藻华面积随风速增加而减少。该临界值与前人研究中影响藻华生长的2~3 m/s临界风速较为相符^[23]。前人研究认为大多数情况下藻华的暴发都是水体中分散存在的藻类在风的作用下上浮、聚集以及迁移至水面的结果，并非在极短的时间内生长增殖所导致^[24-25]。本研究通过利用高频遥感数据分析发现风速主要影响藻类的垂向迁移，并进一步影响藻华面积，并且存在2.5 m/s的临界风速阈值，当风速低于临界风速时，藻类不断迁移并聚集到湖面，并在风的影响下飘移和堆积，藻华区域强度和面积整体增大，太湖在研究时段的12:00以前平均风速低于临界风速，湖心区西南部及胥湖区域藻华面积逐渐增大，全湖藻华区域面积持续扩大。当风速高于临界风速时，聚集在湖面的藻类逐渐减少，藻华区域强度和面积整体减小，12:00以后平均风速高于临界风速，西北湖区、竺山湖区东部及湖心区西南部水域藻华强度逐渐减小，全湖藻华面积减小。

图 5(Fig.5)

图 5 2019年5月21日7:00—14:00藻华重心移动方向与下风风向夹角(a)以及藻华面积与风速变化(b) Fig.5 Angle between direction of algal bloom center of gravity movement and downwind direction (a) and change in the area of the algal bloom versus wind speed (b) from 07:00 to 14:00 on May 21, 2019

图 6为望虞河水利枢纽在2019年7月的逐日调水流量数据，通过筛选该时间段高质量的遥感影像并且考虑调水初期对藻华分布影响较为显著，因此最终选择7月14—15日这两日数据分析调水过程对蓝藻的影响。图 7为两日7:00—18:00望虞河引调水时期太湖藻华FAI反演结果。结果表明，由于温度及风速等多种因素的影响，全湖藻华面积总体呈现缓慢下降趋势。经统计，全湖藻华区域面积占比(藻华面积与全湖面积的比值)平均以1.5%/h下降(图 8)。前人研究发现，夏季短期调水后，望虞河入湖口贡湖湾区受调水影响最为严重^[26]，因此本文单独统计了贡湖湾藻华面积占比变化情况来分析调水的影响，如图 8所示。贡湖湾藻华暴发面积在监测时段同样呈现出下降趋势，但是和全湖相比下降更为迅速(6%/h)。吴挺峰等^[27]的研究指出，水动力扰动强度比同步风速更适合作为表示藻类垂向混合状态的标志，在水动力强度较大水域，强烈的垂向混合作用能使蓝藻沿水深方向混合均匀。沈爱春^[28]的研究表明，调水促进水的流动将有效抑制叶绿素和藻类的生长，加速原有蓝藻的死亡进程。因此，贡湖湾区域藻华面积更强的下降趋势反映了调水对藻华动态的影响。水力调度通过产生水动力扰动使藻类在垂向强烈混合，表层的藻类与水体掺混，从而导致藻华区域面积的快速减少。

图 6(Fig.6)

图 6 2019年7月份引调水时期逐日平均流量 Fig.6 Average day-by-day flows during the diversion period in July 2019

图 7(Fig.7)

图 7 2019年7月14—15日7:00—18:00望虞河引调水时期太湖藻华FAI反演结果(变化显著时段使用30 min频次) Fig.7 FAI inversion results during the Wangyu River diversion period from 7:00 to 18:00 on July 14-15, 2019 (30 min frequency was used for periods of significant change)

图 8(Fig.8)

图 8 2019年7月14—15日7:00—18:00全湖及贡湖湾藻华面积占比变化情况 Fig.8 Changes in the percentage of algal bloom area in the whole lake and Gungho Bay from 7:00 to 18:00 on July 14 and 15, 2019

此外，通过对比7月14和15日望虞河水利枢纽调水前后两天的结果可以看出，7月14日贡湖湾藻华平均面积占比为23.7%，7月15日贡湖湾藻华面积占比下降为17.9%，而且7月15日调水流量比7月14日也更大。Zeng等^[29]的研究指出，持续的调水会显著影响水库营养盐和叶绿素a浓度，可能会加快区域蓝藻死亡速度。潘晓雪等^[30]的研究表明，持续调水后与藻华暴发相关的贡湖湾区域水体营养盐浓度有不同程度的降低。本研究分析发现水力调度下，持续且流量更大的水力扰动会导致蓝藻水华暴发面积持续下降。特别是受水力调度影响更大的贡湖湾地区藻华下降速率显著高于太湖全湖。一方面，由于贡湖湾地区水动力扰动更强，显著改变湖泊垂向分层，导致蓝藻垂向混合，从而加剧了藻华面积的下降。另一方面，持续且更大流量的水力调度将不断降低湖泊营养盐浓度，从而加剧蓝藻死亡。本研究通过高频遥感数据分析也表明水力调度将是有效减缓藻华暴发风险的重要手段。

1) FAI相比于NDVI和EVI对Himawari-8/AHI遥感卫星的藻华反演精度更高，对藻华区域和非藻华区域的划分更为清晰。FAI阈值提取后的藻华面积与基于MODIS图像解译的藻华面积的相对误差最低，为-2.27%。

2) 风力条件是导致太湖藻类迁移聚集的关键因子，风向主要影响藻类的水平迁移，使其进行方向性迁移并逐渐形成大面积藻华区域。风速主要影响藻类的垂向迁移并存在临界阈值，当风速低于约2.5 m/s的临界风速时，藻华面积随风速增加而增加；当风速高于临界风速时，藻华面积随风速增加而降低。

3) 水力调度对距离较近的贡湖湾区域具有显著影响，持续且更大流量的调水能够增强水动力扰动，从而影响藻类的垂向迁移，使藻类沿水深方向强烈掺混，导致区域表层的藻华面积减小。