论文部分内容阅读
由于人类活动的不断增加以及城市化的不断发展,巢湖的污染物载荷能力显著下降,其自我修复的能力也因为日益增加的生活和工业废水的排放而受到削弱。富营养化使得蓝藻水华的出现变得更加频繁,破坏了水域生态环境,对人类生产和生活造成影响,引起了人们的关注。当蓝藻水华爆发时,现场船只调查往往无法完整把握水华的影响范围等重要信息,通过卫星遥感技术,可以实现大范围、周期性的监测,正好可以克服以上局限,快速准确地获取藻华暴发的范围、程度和持续时间等信息。同时,多源遥感数据不仅能够表征湖泊水体动态,还是连接湖泊水质变化与蓝藻水华分布的重要桥梁。本文通过CryoSat-2数据获取了巢湖2017-2021年的水位,并结合实测水位进行验证。利用Sentiel-2数据对巢湖水质监测,结合Sentinel-2影像和采样点实测数据,构建巢湖水质反演模型,并运用Spearman相关系数法对巢湖反演的TN、TP水质指标与水位的相关性进行分析。此外,还以Sentinel-2影像为数据源,提取了2017-2021年巢湖的蓝藻水华,并对巢湖水质变化与蓝藻水华分布的关系进行综合性分析。研究结果表明:（1）本文基于CryoSat-2数据的巢湖水位提取效果较好,不同高程系统下的卫星观测水位与实测水位序列的一致性极显著,2018年和2020年实测水位与卫星观测水位散点图的皮尔逊相关系数分别为0.9688、0.9777,p≤0.001（p为显著性水平）。从湖泊水位变化的结果来看,巢湖1-5月水位较为稳定,从5月开始,受到梅雨季节的影响,水位开始上升,至7-8月达到峰值,9月后水位逐渐下降。（2）巢湖2017-2021年的TP、TN反演精度,TP的平均误差为15%,TN的平均误差为12%,反演模型的误差都在30%以内。并运用Spearman相关系数对巢湖水位变化与TN、TP浓度进行相关性分析,相关系数均值分别为-0.34,-0.33,绝对值均＜0.5。空间变化上,巢湖总体呈现西部水质较差、东部水质较好的分布特征;年际变化上,丰水年水质优于枯水年和平水年;年内变化上,水质变化表现为丰水期优于枯水期的特征;相关性上,巢湖水位变化与TN、TP浓度均呈负相关,TN、TP浓度随水位升高而降低。（3）通过构建叶绿素a浓度反演、归一化植被指数（NDVI）、浮游藻类指数（FAI）提取蓝藻水华,然后用含藻类水体的叶绿素a浓度实测数据验证,并对FAI阈值的稳定性进行分析,得出FAI（B4/B5/B10）为最佳波段组合,对2017-2021年巢湖的蓝藻水华进行提取,解决了蓝藻水华的提取问题。建立NDVI与FAI之间的函数关系,用于巢湖蓝藻水华监测的FAI的阈值为-1.1566。借助APA算法计算混合像元内的水华面积,从而精确估算出整个湖泊蓝藻水华面积。（4）巢湖2017-2021年水质变化和蓝藻水华的分布是相互联动的,尽管巢湖入湖径流和湖体氮磷浓度均有所下降,仍高于蓝藻水华生长的氮磷控制阈值,所以监测期间蓝藻水华暴发强度并未减弱。巢湖各湖区氮磷浓度分布影响蓝藻水华的空间分布,尽管蓝藻水华的生长对氮磷响应过程十分复杂,但总体上巢湖氮磷的空间分布决定着巢湖蓝藻水华的空间分布和规模。本文验证了CryoSat-2数据在监测湖泊水位的有效性,CryoSat-2数据也可用于对水量、洪涝监测等。同时,使用Sentinel-2影像数据提取蓝藻水华,相比于其他卫星,很大程度上提高提取的精度,为有关部门制定蓝藻水华防治提供数据支持。图:[55]表:[25]参:[98]