—1卫星多光谱数据监测城市湖泊蓝藻研究
柳晶辉1,2万君
1 （1武汉区域气候中心，武汉430070；2江汉平原生态气象遥感监测技术协同创新中心，荆州434025） 摘要：以2009年8月中旬东湖支湖局部暴发蓝藻为案例，对蓝藻暴发前后三个时期的HJ-1卫星多光谱遥感影像数据进行对比分析，利用比值植被指数（RVI）、归一化植被指数（NDVI）以及增强型植被指数（EVI）三种植被指数对蓝藻信息进行判别提取，通过已验证的样本点率定判别方法阈值，并对三种植被指数精度及判别结果进行比较分析。
结果表明，利用HJ-1遥感数据可快速鉴别蓝藻范围及其程度，大气校正突出了蓝藻水体和其他地物光谱差异，EVI方法精度较高，可剔去水质中泥沙等悬浮物的干扰，可作为城市湖泊蓝藻变化检测经验模型。
关键词：遥感，蓝藻，HJ-
1，东湖，多光谱DOI：10.3969/j.issn.2095-1973.2018.05.015 MonitoringCyanobacteriaBloomsinEastLakeUsingHJ-1Multi-SpectralSatelliteImages LiuJinghui1,
2,WanJun1 (1WuhanRegionalClimateCenter,Wuhan,4300742CollaborativeInnovationCenterofRemoteSensingTechnologyinEcologicalandMeteorologicalMonitoringintheJianghanPlain,Jingzhou434025) Abstract:Thispaperusesthemid-August2009cyanobacteriabloomsinEastLakeasacasestudyparativelyanalyzethreeperiodsofthecyanobacteriabloomusingHJ-1satellitemulti-spectralremotesensingdata.UsingRVI,NDVIandEVIindexmodelstoextractcyanobacteriainformation,wedeterminedthethresholdsofthethreemodelsusingverifiedsamplingpoints,thenanalyzedtheuracyofthethreemodelsandtheirdiscriminationofcyanobacteriablooms.TheresultsshowthatHJ-1remotesensingdatacanbeusedtoquicklyidentifytherangeandextentofcyanobacteriablooms.Atmosphericcorrectionhighlightedthespectraldifferenceofcyanobacteriaandotherfeatures.TheEVImethodhashighprecisionandcaneliminatetheinterferenceofsuspendedsolidssuchassedimentwhenassessingwaterquality,anditcanbeusedforempiricaldetectionofcyanobacteriainurbanlakes. Keywords:remotesensing,cyanobacteria,HJ-
1,EastLake,multi-spectral 0引言 蓝藻是水体富营养化的产物。
在一些营养过剩的水体中，遇无风高温晴好天气，蓝藻便大量繁殖，形成藻华色带，在水面漂浮一层蓝绿色并伴有腥臭味的泡沫，这种大规模的藻华色带被称为“绿湖”（和海洋发生的赤潮对应）。
蓝藻暴发加剧了水质恶化，严重影响城市供水和渔业生产，威胁湖泊生态环境安全[1]，如何大面积快速监测湖泊蓝藻暴发程度及分布范围是满足当前生态文明建设解决的重要研究方向之
一。
遥感技术可监测大范围环境变化，具有其他手段不可替代的优越性，国内外学者针对蓝藻遥感监测取得了一些研究进展。
Hoge等[2-3]利用NASA机载海 收稿日期：2018年6月6日；修回日期：2018年8月6日第一作者：柳晶辉（1979—），Email:willowboy@资助信息：2018年中国气象局气候变化专项（CCSF201821） 洋激光器对藻红蛋白进行主动遥感探测，首次获取了叶绿素荧光的光谱反射带，并建立了水中藻红蛋白的MODIS遥感监测算法；Wezemak等[4]利用遥感数据建立富营养化指数，并对磷含量和富营养化指数进行检验，证实多光谱遥感影像适用于城市内湖富营养评估；疏小舟等[5]在太湖实验区，采用地物光谱仪实地测量湖水在可见光和近红外波段反射曲线，同时采样分析叶绿素、总悬浮固体物质浓度等水质参数，研究内陆水体反射光谱特征与藻类叶绿素浓度之间的关系，建立藻类叶绿素高光谱定量遥感模型；段洪涛等[6]使用MODIS、CBERS、ETM+以及IRS多种遥感数据，采用单波段、波段差值及波段比值方法提取不同历史时期太湖蓝藻，结果表明上述遥感数据均可提取蓝藻信息，波段比值法更稳定；徐京萍等[7]通过MODIS植被指数数据提取太湖蓝藻水华信息，用多 AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-201891 气象科技进展 种植被识别模式确定蓝藻分布范围并分析比较其优缺点。
本文针对我国内陆城市湖泊水体特征，以武汉东湖支湖一次蓝藻事件为案例，探讨使用多时相HJ-1卫星遥感数据，采用比值植被指数（RVI）、归一化植被指数（NDVI）以及增强型植被指数（EVI）三种植被指数作为判别方法，开展蓝藻多光谱遥感监测方法研究，旨在为开展遥感监测城市湖泊蓝藻及水质水色变化提供方法参考。
1研究区概况 东湖位于武汉市城区，是国内最大的城市内湖，湖面面积约33km2，从20世纪70—80年代开始，武汉东湖富营养化状况相当严重，进入夏天湖内的蓝藻大量繁殖形成黏稠的水华，经过多年治理，取得了较好的效果。
但在2009年8月中旬，东湖支湖官桥湖再次暴发蓝藻，并进入部分主湖（图1）。
图12009年8月中旬东湖支湖蓝藻Fig.1CyanobacteriabloomonthebranchlakeoftheEast Lakeinmid-August2009 2蓝藻遥感监测机理 蓝藻暴发形成水华，会引起水体温度、色度和透明度等一系列物理性质发生变化，从而导致水体反射波谱特性也发生变化。
此外，蓝藻暴发聚集易受潮流、风向的影响，其在影像上通常呈条带延伸，并具有絮状纹理机构，这与周围的湖泊水面有显著不同。
城市内湖水体遥感反射率ρw是水体中各种物质的综合反射率的混合反映，除纯水体本身外，水体中还有叶绿素a、悬浮物质和黄色物质三类，可用简单的模型近似描述如下[8] ，
（1） 式中，bw、bs、bp分别是水、无机悬浮物和藻类物质的后向散射系数；aw、as、ap、ay分别为水、无机悬浮物、藻类物质和黄色物质的吸收系数。
这些不同物质的散射和吸收特性最终反映到影像的不同波段的光谱 特征上。
通过ASDFieldSpec3手持地物光谱仪对湖泊蓝藻 进行多次光谱特征采样并制作了典型地物光谱特征 曲线（图2）。
可以看出，蓝藻和水体的光谱曲线有 明显差异，在400～700nm波段，蓝藻和典型植被的 反射率变化区别不明显，但是水体呈现下降趋势，在 700～900nm波段，蓝藻的反射率快速上升，形成
一 个反射峰顶，反映叶绿素a含量在蓝藻光谱特征中具 有主导因素，其呈现植被光谱效应。
蓝藻 植被 水体 0.6 0.5 0.4 反射率 0.3 0.2 0.1 0
4005006007008009001000波长 图2典型地物光谱特征曲线Fig.2Typicalsurfacespectrumcharacteristiccurve 从多种典型地物在HJ-1卫星多光谱波段数据中光 谱特征折线图（图3）中可以看出，蓝藻反射率在近 红外波段呈现峰值，利用这一重要光谱特征可将水体 与蓝藻判别，可提取蓝藻信息。
1.0 0.9 浑浊水体 清洁水体 0.8 蓝藻 植被 0.7 土壤 0.6 0.5 0.4 0.3 0.2 0.1 Band
1 Band2 Band3 Band4 图3HJ-1影像典型地物多光谱反射率特征值Fig.3HJ-1imagespecialsurfacemulti-spectral reflectancevalue 3数据与方法3.1遥感数据来源 HJ-1a/b号卫星于2008年9月发射升空，是我国首个环境与灾害监测卫星，用于对灾害、生态环境污染进行全天动态监测。
HJ-1a搭载了CCD相机和超光谱成像仪（HIS），HJ-1b则搭载CCD相机和红外相机（IRS），其中CCD相机重访周期为2d，星下像元分辨率为30m。
为了对湖泊蓝藻暴发的全过程进行动态 92AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-2018 2018 监测，本文收集了三个不同时间段的卫星遥感数据，分别是蓝藻暴发前2009年6月27日HJ-1bCCD、蓝藻暴发时2009年8月19日HJ-1bCCD、蓝藻结束时2009年9月6日HJ-1bCCD数据，数据来源于中国资源环境卫星中心，数据级别为2级，进行了系统的辐射校正，以湖北省1∶5万地形图为基准，利用二次多项式和双线性内插法对图像进行几何校正并掩模裁剪，经重新选点检验，误差在一个像元内。
3.2大气校正处理水质遥感关键在于消除大气和光照等因素的影 响，因此要真实反演蓝藻和其他地物反射率须对获取的遥感影像进行大气校正，从而剔除大气分子和气溶胶散射对地物反射率干扰。
特别是对那些湖泊处于 PM10等大气颗粒物居高不下污染严重的城市而言，大气校正更是必不可少[9]。
本研究使用ENVI软件大气校正模块FLAASH对 HJ-1b遥感影像数据进行大气校正处理，FLAASH模型 是基于MORTRAN4+辐射传输模型，其通过影像像素 光谱上的特征来估测大气属性，不依赖遥感成像时同 步测量的大气参数数据。
辐射定标是首先需要对遥感影像表观辐射亮度转 化，式
（2）即是表观辐射亮度的测算，表1是HJ-1的 辐射定标系数 ，
（2） 式中，DN为亮度值，Gain为增益，Bias为偏移。
针对HJ-1b卫星需要对FLAASH模型中传感器参 数进行设置，主要涉及传感器类型、成像中心点经纬 增益（DN/W·m-2·sr-1·μm-1）
偏移（W·m-2·sr-1·μm-1） 表1HJ-1bCCD传感器波段辐射定标系数Table1RadiancecalibrationcoefficientsofHJ-lbsatelliteCCDBand1-
4 Band1（0.41～0.52μm）Band2（0.52～0.60μm）Band3（0.63～0.69μm） 0.5759 0.5488 0.5737 3.4608 5.8769 8.0069 Band4（0.76～0.90μm）0.77538.8583 度、成像时间、高度信息、像元分辨率、数据获取日期和卫星过境时间等，这些数据可从数据自带的元文件中获取。
在地球大气模式方面，模块提供热带、中纬度夏季、中纬度冬季、极地夏季、极地冬季和美国标准大气模型，本研究选择中纬度夏季的大气模型，区域对应为9月40°N的MLS大气模型，气溶胶模式设置为城市气溶胶模式与之对应。
设置区域特征参数后经FLAASH处理得到大气校正后的研究区反射率图像。
本文选取了蓝藻与水体校正前的表观反射率和校正后地表反射率进行对比分析（图4）。
分析发现，校正后变化最大的是蓝波段，其他波段影响依次减小，这 0.500.450.400.350.300.250.20.150.100.05 0Band1 Band2 蓝藻地表反射率蓝藻表观反射率水体表观反射率水体地表反射率 Band3 Band4 图4HJ-1影像校正前后地物反射率曲线Fig.4HJ-1imagesurfacereflectancecurvebeforeand afteratmosphericcorrection 也是大气散射的原理，对短波的影响较长波的大，大气校正可消除大气散射在可见光波段的增加效应。
4结果 由于蓝藻体内含的叶绿素a对可见光和近红外具有特殊的“陡坡效应”，使得那些浮游生物含量大的水体兼有水体和植物的反射光谱特征[10]。
随浮游植物的含量增高，其光谱曲线与绿色植物的反射光谱越接近，即在可见光波段反射率低，而在近红外波段反射率急剧上升，此特征可作为采用植被指数遥感监测蓝藻的可靠依据。
本文采用了RVI、NDVI和EVI三种植被指数判别方法，利用水华暴发前后三期遥感影像（图5），通过ENVI软件分类采样工具选取90个样本点，范围主要分布在轻度水华、重度水华、正常水体以及植被等4类地物上，又随机选择了30个样本点作为补充，共计150个样本，其中100个样本作为训练数据，50个样本作为检验数据，这些样本点数据都通过人工目视解译和实地调查进行分析，验证样本点的分类正确性。
通过反复试验调整RVI、NDVI以及EVI阈值设定使得已验证样本点总体精度在80%以上的样本数据处理后符合判别后的分类。
4.1RVI阈值监测由于蓝藻的类植被光谱特征和水体形成强烈反 差，因此通过红波段（R）与近红外波段（NIR）两 AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-201893 气象科技进展 图5蓝藻水华暴发前后三个时相的HJ-1b遥感影像Fig.5ThreephasesofHJ-1bremotesensingimagesshowingacyanobacteriabloom 者数值比反映两反射率之间的差异。
比值植被指数 （RVI）可表达为 。
（3） 依据满足81%的训练分类样本正确率条件，基于 RVI的阈值判别设定为： 条件1：RVINOW－RVIBefore
>0.35 条件2：0.97>RVI>0.92 条件3：RVI>0.97 满足此条件1判别为水华；在条件1的基础上满足 条件2的为轻度水华，满足条件3的为重度水华，其他 则为正常水体（表2）。
表2
RVI分类精度评价结果Table2RVIclassificationuracyevaluationresult 地物类型轻度水华重度水华水体植被使用精度/% 轻度水华 29
2 4
3 76.32 重度水华
3 27
1 1 84.38 水体
1 0 18
0 94.74 植被
3 1
0 7 63.64 生产精度/% 80.56 90.00 78.26
63.64 总精度81.00%，KAPPA系数＝0.733 分类图（图6a）显示蓝藻分布范围扩散，湖泊中的一些前后变化大的较浑浊水体近红外反射率差异大，易被混分。
水体轻度水华重度水华 水体轻度水华重度水华 水体轻度水华重度水华 （a） （b） （c） 图6基于三种指数的蓝藻水华分类结果：（a）RVI；（b）NDVI；（c）EVIFig.6TheclassifiedresultsbasedonRVI(a),NDVI(b)andEVI(c),respectively 4.2NDVI阈值监测对于蓝藻水华特别严重的水域，其红光反射特别 微小，RVI值将会无限增加，会影响到对蓝藻水华污 染强度分级阈值确定，因此选用差值植被指数NDVI 可以消除此缺点，其算式如下 NDVI＝(ρNIR－ρR)
/(ρNIR＋ρR)。
（4） 依据满足82%的训练分类样本正确率条件， NDVI指数的阈值判别设定为： 条件1：NDVINow－NDVIBefore>0.22 条件2：0.39>NDVI>0.31 条件3：NDVI>0.39 满足此条件1判别为水华；在条件1的基础上满足 条件2的为轻度水华，满足条件3的为重度水华，其他则为正常水体（表3）。
表3NDVI分类精度评价结果Table3NDVIclassificationuracyevaluationresult 地物类型轻度水华重度水华水体植被使用精度/% 轻度水华 31
3 4
2 77.75 重度水华
2 24
0 0 92.30 水体
1 0 18
0 94.74 植被
2 3
1 9 60.00 生产精度/% 86.11 80.00 78.26
81.81 总精度82.00%，KAPPA系数=0.749 依据NDVI分类的结果（图6b），显示出的蓝藻范围相对图6a有所减小，湖泊中蓝藻密度大的地方， 94AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-2018 2018 对应的指数并没有得到较好反映。
4.3EVI阈值监测发生蓝藻水华水域一般都是受人类活动影响较严 重的地区，周边水体中存在大量水下植被或者泥沙等浑浊悬浮物，其反射特征趋近于土壤，而EVI通过加入蓝色波段以增强植被信号，可校正土壤背景干扰信息。
同时EVI能改进NDVI的某些缺陷，比如大气噪声、土壤背景以及饱和度问题。
其算式如下 ，
（5） 式中，C1、C2分别为大气修正红光修正和蓝光修正参数，经验参数为6和7.5，L为土壤调节参数，经验值为1[11]。
依据满足总体精度85%的训练分类样本正确率条件，NDVI指数的阈值判别设定为： 条件1：EVINow－EVIBefore>0.26条件2：0.38>EVI>0.33条件3：EVI>0.38满足此条件1判别为水华；在条件1的基础上满足条件2的为轻度水华，满足条件3的为重度水华，其他则为正常水体（表4）。
表4EVI分类精度评价结果Table4EVIclassificationuracyevaluationresult 地物类型轻度水华重度水华水体植被使用精度/% 轻度水华 32
3 3
2 80.00 重度水华
2 26
1 1 86.67 水体
1 0 19
0 95.00 植被
1 1
0 8 80.00 生产精度/% 88.89 87.90 82.60
72.72 总精度85.00%，KAPPA系数=0.7791 分类结果（图6c）显示了蓝藻分布，其和图6b差异不大，但在湖泊沿岸蓝藻高密度地区和湖中蓝藻低浓度地区的差异较NDVI有一些拉升，更有层次感。
4.4检验及分析分类结果在使用前须进行客观可靠的精度验证和 分析，以保证遥感分类结果可靠性，通过对保留50个样本点作为检验数据，对分类结果进行验证分析，得到了三种植被指数分类精度（表5）。
从表5中可以发现EVI监测方法的总体分类精度在检验样本中仍然处于优势，而RVI相对NDVI在KAPPA 表5三种方法分类精度比较Table5Comparisonofclassificationuracyofthree methods 监测方法 样本数/个总精度/% KAPPA系数 RVI 50 84.00 0.757 NDVI 50 84.00 0.768 EVI 50 86.00 0.793 系数上精度较弱。
通过三种植被指数判别方法对HJ-1b遥感影像进 行计算，利用样本点确定的判别阈值，对东湖湖面的蓝藻水华面积进行分类提取，结果见表
6。
表6蓝藻水华三种指数判别阈值及提取结果 Table6Cyanobacteriabloomsidentificationthresholdsandextractionresultsbasedonthreeindexmodels 判别指数 判别阈值 轻度水华面积/km2 重度水华面积/km2 RVI RVI>0.92,RVINow－RVIBefore>0.35 0.527 0.233 NDVI NDVI>0.31,NDVINow－NDVIBefore>0.22 0.318 0.201 EVI EVI>0.33,EVINow－EVIBefore>0.26 0.293 0.214 从表6可以看出，利用RVI提取的水华面积最大，EVI和NDVI较为接近，NDVI稍小，表明RVI用单纯的比值容易扩大水华范围，效果较后两者差；EVI提取的重度水华面积较NDVI提取得略大，表明EVI对湖泊沿岸一些重度蓝藻提取较为准确。
根据武汉湖泊监管部门的公开数据显示，与实际东湖蓝藻情况相比，遥感监测数据偏大，分析其主要原因可能是部分轻度蓝藻水华面积没统计在内。
5结论与讨论 通过以上对武汉东湖蓝藻案例研究表明，HJ-1CCD数据完全可以应用到城市内湖的蓝藻水华监测中，其相对EOS-MODIS等中尺度卫星遥感数据具有高空间分辨率优势，同时HJ-1a/bCCD两天的重返周期也使得数据开展动态湖泊生态环境监测的及时可靠性得到保障。
对于城市湖泊水质遥感研究，为剔除城市上空中大气气溶胶散射干扰，大气校正工作必不可少，通用大气参数设置，利用MORTRAN4+辐射传输模型对HJ-1卫星快速大气基础校正，可以增强蓝藻水体和其他地物的光谱差异，有利于城市内湖蓝藻水华信息提取。
蓝藻的类植被光谱特征决定了遥感监测方法，通过RVI、NDVI和EVI三种指数方法对湖泊蓝藻监测发现，前期的样本选择和分类训练参数设定都会影响到植被指数的判别公式阈值率定，从而影响到分类精度和指数方法的判断。
从实验分类结果看，RVI和其他两种指数检测结果较实际情况差异稍大，对浑浊水体和蓝藻容易混分，而EVI和NDVI的检测效果相近，EVI对于高浓度的蓝藻分类相对NDVI有一定优势。
运用多时相HJ-1遥感影像数据快速监测城市内湖局部的蓝藻技术方法可行，结果与实际情况相吻合，精度较高。
但以下问题需进一步研究：1）湖泊中存 （下转100页） AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-201895 气象科技进展 市，农田NPP呈显著下降的区域主要分布在荆州市西南部的松滋市、公安县和石首市，东北部的洪湖市， 以及西北部的荆州区。
4.2讨论农田NPP时空分布与变化特征是由多因素共同作 用而形成的，包括气候因素、土壤、地形以及人类活 动因素。
气候因素上，荆州市NPP主要受太阳辐射、气温和降水的影响。
荆州地处南方，日照充足，农作 物光合有效辐射较强，对NPP的累积有很大的促进作用，适宜的温度和降水对NPP也具有促进作用，而气温的升高有时候会超过作物适宜的生长温度，尤其南 方夏季容易出现高温和多雨天气，对植物生长和NPP的累加具有抑制作用。
荆州市土壤质地主要以水稻土 和潮土两种为主，水稻土和潮土中的粉沙土和黏土含 量较高，保肥能力很好，有机质含量高，因此对于 NPP的增加具有重要的作用。
地形对农田NPP具有重
要的影响。
荆州市由于地形条件属于“涝渍相随，旱 涝并存”，对农业生态环境造成影响，比如洪湖市 地势较低，容易涝渍，因此涝渍对于NPP有一定的影响。
人类活动也是农田NPP变化的最重要的因素。
参考文献 [1]闫慧敏,刘纪远,曹明奎.中国农田生产力变化的空间格局及地形控制作用.地理学报.2007,
(2):171-180. [2]袁甲,沈非,王甜甜,等.安徽省农田净初级生产力时空变化特征及影响因素——基于MOD17A3的研究.安徽师范大学学报（自然科学版）,2016,
(6):568-574. [3]王宗明,国志兴,宋开山,等.2000—2005年三江平原土地利用/覆被变化对植被净初级生产力的影响研究.自然资源学报,2009,24
(1):136-146. [4]赵晶晶,刘良云,徐自为,等.华北平原冬小麦总初级生产力的遥感监测.农业工程学报,2011,27(s1):346-351. [5]YanH,FuY,XiaoX,etal.Modelinggrossprimaryproductivityforwinterwheat–maizedoublecroppingsystemusingMODIStimeseriesandCO2,eddyfluxtowerdata.AgricultureEcosystems&Environment,2009,129
(4):391-400. [6]ZhengW,XiaoX,YanX.ModelinggrossprimaryproductionofmaizecroplandanddegradedgrasslandinnortheasternChina.Agricultural&ForestMeteorology,2010,150
(9):1160-1167. [7]DoughtyR,XiaoX,WuX,etal.Responsesofgrossprimaryproductionofgrasslandsandcroplandsunderdrought,pluvial,andirrigationconditionsduring2010–2016,Oklahoma,USA.AgriculturalWaterManagement,2018,204:47-59. [8]许倍慎.江汉平原土地利用景观格局演变及生态安全评价.武汉:华中师范大学博士学位论文,2012. [9]湖北省统计局,国家统计局湖北调查总队.湖北统计年鉴.北京:中国统计出版社,2016. [10]XiaoX,HollingerD,AberJ,etal.Satellite-basedmodelingofgrossprimaryproductioninanevergreenneedleleafforest.Remotesensingofenvironment,2004,89
(4):519-534. [11]XiaoX,ZhangQ,BraswellB,etal.Modelinggrossprimaryproductionoftemperatedeciduousbroadleafforestusingsatelliteimagesandclimatedata.RemoteSensingofEnvironment,2004,91
(2):256-270. [12]XiaoX,ZhangQ,HollingerD,etal.ModelinggrossprimaryproductionofanevergreenneedleleafforestusingMODISandclimatedata.EcologicalApplications,2005,15
(3):954-969. [13]XiaoX,ZhangQ,SaleskaS,etal.Satellite-basedmodelingofgrossprimaryproductioninaseasonallymoisttropicalevergreenforest.RemoteSensingofEnvironment,2005,94
(1):105-122. [14]牛忠恩,闫慧敏,黄玫,等.基于MODIS-OLI遥感数据融合技术的农田生产力估算.自然资源学报,2016,31
(5):875-885. [15]RaichJW,RastetterEB,MelilloJM,etal.PotentialNetPrimaryProductivityinSouthAmerica:ApplicationofaGlobalModel..EcologicalApplications,1991,1
(4):399-429. [16]陈静清,闫慧敏,王绍强,等.中国陆地生态系统总初级生产力VPM遥感模型估算.第四纪研究,2014,34
(4):732-742. [17]刘宪锋,潘耀忠,朱秀芳,等.2000-2014年秦巴山区植被覆盖时空变化特征及其归因.地理学报,2015,70
(5):705-716. （上接95页） 在着多种藻类和其他污染，具有不同的光谱特征，需 利用高光谱波段数据进一步区分；2）蓝藻的卫星遥感与地面光谱仪测量得到的光谱特征需要进一步拟合 分析；3）水质数据应用和实地测量验证需要进一步完善。
参考文献 [1]杨柳燕,肖琳.湖泊蓝藻水华暴发、危害与控制.北京:科学出版社,2004. [2]HogeFE，SwiftRN．Airbornesimultaneousspectroscopicdetectionoflaser-inducedwaterRamanbackscatterandfluorescencefromchlorophyllaandothernaturallyurringpigments.AppliedOptics,1981,20:3197-205. [3]HogeFE,SwiftRN.Photosyntheticessorypigments:Evidencefortheinfluenceofphycoerythrinonthesubmarinelightfield.RemoteSensingofEnvironment,1990,34
(1):19-35. [4]
C.TWezernak,TanisF.J,
C.A.BaizaTrophicstateanalysisofinlandlakes.RemoteSensingofEnvironment,1976
(5):147-165. [5]疏小舟,尹球,匡定波.内陆水体藻类叶绿素浓度与反射光谱特征的关系.遥感学报,2000,4
(1):41-45. [6]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. [7]徐京萍,张柏等.基于MODIS数据的太湖蓝藻水体识别模式.湖泊科学,2008,20
(2):191-195 [8]MorelA,PrieurL.Analysisofvariationinoceancolor.LimnologyOceanography,1997,22:709-722 [9]王嘉楠,叶勤,林怡.不同大气校正方法对中小湖泊蓝藻遥感动态监测的影响.遥感技术与应用,2013,28
(1):157-164. [10]林怡,潘琛,陈映鹰,等.基于遥感影像光谱分析的蓝藻水华识别方法.同济大学学报(自然科学版),2011,39
(8):1247-1252. [11]LiuHQ,HueteAR.AfeedbackbasedmodificationoftheNDVItominimizecanopybackgroundandatmosphericnoise.IEEETansGeoseiRemoteSens,1995,33:457-465． 100AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-2018
1 （1武汉区域气候中心，武汉430070；2江汉平原生态气象遥感监测技术协同创新中心，荆州434025） 摘要：以2009年8月中旬东湖支湖局部暴发蓝藻为案例，对蓝藻暴发前后三个时期的HJ-1卫星多光谱遥感影像数据进行对比分析，利用比值植被指数（RVI）、归一化植被指数（NDVI）以及增强型植被指数（EVI）三种植被指数对蓝藻信息进行判别提取，通过已验证的样本点率定判别方法阈值，并对三种植被指数精度及判别结果进行比较分析。
结果表明，利用HJ-1遥感数据可快速鉴别蓝藻范围及其程度，大气校正突出了蓝藻水体和其他地物光谱差异，EVI方法精度较高，可剔去水质中泥沙等悬浮物的干扰，可作为城市湖泊蓝藻变化检测经验模型。
关键词：遥感，蓝藻，HJ-
1，东湖，多光谱DOI：10.3969/j.issn.2095-1973.2018.05.015 MonitoringCyanobacteriaBloomsinEastLakeUsingHJ-1Multi-SpectralSatelliteImages LiuJinghui1,
2,WanJun1 (1WuhanRegionalClimateCenter,Wuhan,4300742CollaborativeInnovationCenterofRemoteSensingTechnologyinEcologicalandMeteorologicalMonitoringintheJianghanPlain,Jingzhou434025) Abstract:Thispaperusesthemid-August2009cyanobacteriabloomsinEastLakeasacasestudyparativelyanalyzethreeperiodsofthecyanobacteriabloomusingHJ-1satellitemulti-spectralremotesensingdata.UsingRVI,NDVIandEVIindexmodelstoextractcyanobacteriainformation,wedeterminedthethresholdsofthethreemodelsusingverifiedsamplingpoints,thenanalyzedtheuracyofthethreemodelsandtheirdiscriminationofcyanobacteriablooms.TheresultsshowthatHJ-1remotesensingdatacanbeusedtoquicklyidentifytherangeandextentofcyanobacteriablooms.Atmosphericcorrectionhighlightedthespectraldifferenceofcyanobacteriaandotherfeatures.TheEVImethodhashighprecisionandcaneliminatetheinterferenceofsuspendedsolidssuchassedimentwhenassessingwaterquality,anditcanbeusedforempiricaldetectionofcyanobacteriainurbanlakes. Keywords:remotesensing,cyanobacteria,HJ-
1,EastLake,multi-spectral 0引言 蓝藻是水体富营养化的产物。
在一些营养过剩的水体中，遇无风高温晴好天气，蓝藻便大量繁殖，形成藻华色带，在水面漂浮一层蓝绿色并伴有腥臭味的泡沫，这种大规模的藻华色带被称为“绿湖”（和海洋发生的赤潮对应）。
蓝藻暴发加剧了水质恶化，严重影响城市供水和渔业生产，威胁湖泊生态环境安全[1]，如何大面积快速监测湖泊蓝藻暴发程度及分布范围是满足当前生态文明建设解决的重要研究方向之
一。
遥感技术可监测大范围环境变化，具有其他手段不可替代的优越性，国内外学者针对蓝藻遥感监测取得了一些研究进展。
Hoge等[2-3]利用NASA机载海 收稿日期：2018年6月6日；修回日期：2018年8月6日第一作者：柳晶辉（1979—），Email:willowboy@资助信息：2018年中国气象局气候变化专项（CCSF201821） 洋激光器对藻红蛋白进行主动遥感探测，首次获取了叶绿素荧光的光谱反射带，并建立了水中藻红蛋白的MODIS遥感监测算法；Wezemak等[4]利用遥感数据建立富营养化指数，并对磷含量和富营养化指数进行检验，证实多光谱遥感影像适用于城市内湖富营养评估；疏小舟等[5]在太湖实验区，采用地物光谱仪实地测量湖水在可见光和近红外波段反射曲线，同时采样分析叶绿素、总悬浮固体物质浓度等水质参数，研究内陆水体反射光谱特征与藻类叶绿素浓度之间的关系，建立藻类叶绿素高光谱定量遥感模型；段洪涛等[6]使用MODIS、CBERS、ETM+以及IRS多种遥感数据，采用单波段、波段差值及波段比值方法提取不同历史时期太湖蓝藻，结果表明上述遥感数据均可提取蓝藻信息，波段比值法更稳定；徐京萍等[7]通过MODIS植被指数数据提取太湖蓝藻水华信息，用多 AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-201891 气象科技进展 种植被识别模式确定蓝藻分布范围并分析比较其优缺点。
本文针对我国内陆城市湖泊水体特征，以武汉东湖支湖一次蓝藻事件为案例，探讨使用多时相HJ-1卫星遥感数据，采用比值植被指数（RVI）、归一化植被指数（NDVI）以及增强型植被指数（EVI）三种植被指数作为判别方法，开展蓝藻多光谱遥感监测方法研究，旨在为开展遥感监测城市湖泊蓝藻及水质水色变化提供方法参考。
1研究区概况 东湖位于武汉市城区，是国内最大的城市内湖，湖面面积约33km2，从20世纪70—80年代开始，武汉东湖富营养化状况相当严重，进入夏天湖内的蓝藻大量繁殖形成黏稠的水华，经过多年治理，取得了较好的效果。
但在2009年8月中旬，东湖支湖官桥湖再次暴发蓝藻，并进入部分主湖（图1）。
图12009年8月中旬东湖支湖蓝藻Fig.1CyanobacteriabloomonthebranchlakeoftheEast Lakeinmid-August2009 2蓝藻遥感监测机理 蓝藻暴发形成水华，会引起水体温度、色度和透明度等一系列物理性质发生变化，从而导致水体反射波谱特性也发生变化。
此外，蓝藻暴发聚集易受潮流、风向的影响，其在影像上通常呈条带延伸，并具有絮状纹理机构，这与周围的湖泊水面有显著不同。
城市内湖水体遥感反射率ρw是水体中各种物质的综合反射率的混合反映，除纯水体本身外，水体中还有叶绿素a、悬浮物质和黄色物质三类，可用简单的模型近似描述如下[8] ，
（1） 式中，bw、bs、bp分别是水、无机悬浮物和藻类物质的后向散射系数；aw、as、ap、ay分别为水、无机悬浮物、藻类物质和黄色物质的吸收系数。
这些不同物质的散射和吸收特性最终反映到影像的不同波段的光谱 特征上。
通过ASDFieldSpec3手持地物光谱仪对湖泊蓝藻 进行多次光谱特征采样并制作了典型地物光谱特征 曲线（图2）。
可以看出，蓝藻和水体的光谱曲线有 明显差异，在400～700nm波段，蓝藻和典型植被的 反射率变化区别不明显，但是水体呈现下降趋势，在 700～900nm波段，蓝藻的反射率快速上升，形成
一 个反射峰顶，反映叶绿素a含量在蓝藻光谱特征中具 有主导因素，其呈现植被光谱效应。
蓝藻 植被 水体 0.6 0.5 0.4 反射率 0.3 0.2 0.1 0
4005006007008009001000波长 图2典型地物光谱特征曲线Fig.2Typicalsurfacespectrumcharacteristiccurve 从多种典型地物在HJ-1卫星多光谱波段数据中光 谱特征折线图（图3）中可以看出，蓝藻反射率在近 红外波段呈现峰值，利用这一重要光谱特征可将水体 与蓝藻判别，可提取蓝藻信息。
1.0 0.9 浑浊水体 清洁水体 0.8 蓝藻 植被 0.7 土壤 0.6 0.5 0.4 0.3 0.2 0.1 Band
1 Band2 Band3 Band4 图3HJ-1影像典型地物多光谱反射率特征值Fig.3HJ-1imagespecialsurfacemulti-spectral reflectancevalue 3数据与方法3.1遥感数据来源 HJ-1a/b号卫星于2008年9月发射升空，是我国首个环境与灾害监测卫星，用于对灾害、生态环境污染进行全天动态监测。
HJ-1a搭载了CCD相机和超光谱成像仪（HIS），HJ-1b则搭载CCD相机和红外相机（IRS），其中CCD相机重访周期为2d，星下像元分辨率为30m。
为了对湖泊蓝藻暴发的全过程进行动态 92AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-2018 2018 监测，本文收集了三个不同时间段的卫星遥感数据，分别是蓝藻暴发前2009年6月27日HJ-1bCCD、蓝藻暴发时2009年8月19日HJ-1bCCD、蓝藻结束时2009年9月6日HJ-1bCCD数据，数据来源于中国资源环境卫星中心，数据级别为2级，进行了系统的辐射校正，以湖北省1∶5万地形图为基准，利用二次多项式和双线性内插法对图像进行几何校正并掩模裁剪，经重新选点检验，误差在一个像元内。
3.2大气校正处理水质遥感关键在于消除大气和光照等因素的影 响，因此要真实反演蓝藻和其他地物反射率须对获取的遥感影像进行大气校正，从而剔除大气分子和气溶胶散射对地物反射率干扰。
特别是对那些湖泊处于 PM10等大气颗粒物居高不下污染严重的城市而言，大气校正更是必不可少[9]。
本研究使用ENVI软件大气校正模块FLAASH对 HJ-1b遥感影像数据进行大气校正处理，FLAASH模型 是基于MORTRAN4+辐射传输模型，其通过影像像素 光谱上的特征来估测大气属性，不依赖遥感成像时同 步测量的大气参数数据。
辐射定标是首先需要对遥感影像表观辐射亮度转 化，式
（2）即是表观辐射亮度的测算，表1是HJ-1的 辐射定标系数 ，
（2） 式中，DN为亮度值，Gain为增益，Bias为偏移。
针对HJ-1b卫星需要对FLAASH模型中传感器参 数进行设置，主要涉及传感器类型、成像中心点经纬 增益（DN/W·m-2·sr-1·μm-1）
偏移（W·m-2·sr-1·μm-1） 表1HJ-1bCCD传感器波段辐射定标系数Table1RadiancecalibrationcoefficientsofHJ-lbsatelliteCCDBand1-
4 Band1（0.41～0.52μm）Band2（0.52～0.60μm）Band3（0.63～0.69μm） 0.5759 0.5488 0.5737 3.4608 5.8769 8.0069 Band4（0.76～0.90μm）0.77538.8583 度、成像时间、高度信息、像元分辨率、数据获取日期和卫星过境时间等，这些数据可从数据自带的元文件中获取。
在地球大气模式方面，模块提供热带、中纬度夏季、中纬度冬季、极地夏季、极地冬季和美国标准大气模型，本研究选择中纬度夏季的大气模型，区域对应为9月40°N的MLS大气模型，气溶胶模式设置为城市气溶胶模式与之对应。
设置区域特征参数后经FLAASH处理得到大气校正后的研究区反射率图像。
本文选取了蓝藻与水体校正前的表观反射率和校正后地表反射率进行对比分析（图4）。
分析发现，校正后变化最大的是蓝波段，其他波段影响依次减小，这 0.500.450.400.350.300.250.20.150.100.05 0Band1 Band2 蓝藻地表反射率蓝藻表观反射率水体表观反射率水体地表反射率 Band3 Band4 图4HJ-1影像校正前后地物反射率曲线Fig.4HJ-1imagesurfacereflectancecurvebeforeand afteratmosphericcorrection 也是大气散射的原理，对短波的影响较长波的大，大气校正可消除大气散射在可见光波段的增加效应。
4结果 由于蓝藻体内含的叶绿素a对可见光和近红外具有特殊的“陡坡效应”，使得那些浮游生物含量大的水体兼有水体和植物的反射光谱特征[10]。
随浮游植物的含量增高，其光谱曲线与绿色植物的反射光谱越接近，即在可见光波段反射率低，而在近红外波段反射率急剧上升，此特征可作为采用植被指数遥感监测蓝藻的可靠依据。
本文采用了RVI、NDVI和EVI三种植被指数判别方法，利用水华暴发前后三期遥感影像（图5），通过ENVI软件分类采样工具选取90个样本点，范围主要分布在轻度水华、重度水华、正常水体以及植被等4类地物上，又随机选择了30个样本点作为补充，共计150个样本，其中100个样本作为训练数据，50个样本作为检验数据，这些样本点数据都通过人工目视解译和实地调查进行分析，验证样本点的分类正确性。
通过反复试验调整RVI、NDVI以及EVI阈值设定使得已验证样本点总体精度在80%以上的样本数据处理后符合判别后的分类。
4.1RVI阈值监测由于蓝藻的类植被光谱特征和水体形成强烈反 差，因此通过红波段（R）与近红外波段（NIR）两 AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-201893 气象科技进展 图5蓝藻水华暴发前后三个时相的HJ-1b遥感影像Fig.5ThreephasesofHJ-1bremotesensingimagesshowingacyanobacteriabloom 者数值比反映两反射率之间的差异。
比值植被指数 （RVI）可表达为 。
（3） 依据满足81%的训练分类样本正确率条件，基于 RVI的阈值判别设定为： 条件1：RVINOW－RVIBefore
>0.35 条件2：0.97>RVI>0.92 条件3：RVI>0.97 满足此条件1判别为水华；在条件1的基础上满足 条件2的为轻度水华，满足条件3的为重度水华，其他 则为正常水体（表2）。
表2
RVI分类精度评价结果Table2RVIclassificationuracyevaluationresult 地物类型轻度水华重度水华水体植被使用精度/% 轻度水华 29
2 4
3 76.32 重度水华
3 27
1 1 84.38 水体
1 0 18
0 94.74 植被
3 1
0 7 63.64 生产精度/% 80.56 90.00 78.26
63.64 总精度81.00%，KAPPA系数＝0.733 分类图（图6a）显示蓝藻分布范围扩散，湖泊中的一些前后变化大的较浑浊水体近红外反射率差异大，易被混分。
水体轻度水华重度水华 水体轻度水华重度水华 水体轻度水华重度水华 （a） （b） （c） 图6基于三种指数的蓝藻水华分类结果：（a）RVI；（b）NDVI；（c）EVIFig.6TheclassifiedresultsbasedonRVI(a),NDVI(b)andEVI(c),respectively 4.2NDVI阈值监测对于蓝藻水华特别严重的水域，其红光反射特别 微小，RVI值将会无限增加，会影响到对蓝藻水华污 染强度分级阈值确定，因此选用差值植被指数NDVI 可以消除此缺点，其算式如下 NDVI＝(ρNIR－ρR)
/(ρNIR＋ρR)。
（4） 依据满足82%的训练分类样本正确率条件， NDVI指数的阈值判别设定为： 条件1：NDVINow－NDVIBefore>0.22 条件2：0.39>NDVI>0.31 条件3：NDVI>0.39 满足此条件1判别为水华；在条件1的基础上满足 条件2的为轻度水华，满足条件3的为重度水华，其他则为正常水体（表3）。
表3NDVI分类精度评价结果Table3NDVIclassificationuracyevaluationresult 地物类型轻度水华重度水华水体植被使用精度/% 轻度水华 31
3 4
2 77.75 重度水华
2 24
0 0 92.30 水体
1 0 18
0 94.74 植被
2 3
1 9 60.00 生产精度/% 86.11 80.00 78.26
81.81 总精度82.00%，KAPPA系数=0.749 依据NDVI分类的结果（图6b），显示出的蓝藻范围相对图6a有所减小，湖泊中蓝藻密度大的地方， 94AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-2018 2018 对应的指数并没有得到较好反映。
4.3EVI阈值监测发生蓝藻水华水域一般都是受人类活动影响较严 重的地区，周边水体中存在大量水下植被或者泥沙等浑浊悬浮物，其反射特征趋近于土壤，而EVI通过加入蓝色波段以增强植被信号，可校正土壤背景干扰信息。
同时EVI能改进NDVI的某些缺陷，比如大气噪声、土壤背景以及饱和度问题。
其算式如下 ，
（5） 式中，C1、C2分别为大气修正红光修正和蓝光修正参数，经验参数为6和7.5，L为土壤调节参数，经验值为1[11]。
依据满足总体精度85%的训练分类样本正确率条件，NDVI指数的阈值判别设定为： 条件1：EVINow－EVIBefore>0.26条件2：0.38>EVI>0.33条件3：EVI>0.38满足此条件1判别为水华；在条件1的基础上满足条件2的为轻度水华，满足条件3的为重度水华，其他则为正常水体（表4）。
表4EVI分类精度评价结果Table4EVIclassificationuracyevaluationresult 地物类型轻度水华重度水华水体植被使用精度/% 轻度水华 32
3 3
2 80.00 重度水华
2 26
1 1 86.67 水体
1 0 19
0 95.00 植被
1 1
0 8 80.00 生产精度/% 88.89 87.90 82.60
72.72 总精度85.00%，KAPPA系数=0.7791 分类结果（图6c）显示了蓝藻分布，其和图6b差异不大，但在湖泊沿岸蓝藻高密度地区和湖中蓝藻低浓度地区的差异较NDVI有一些拉升，更有层次感。
4.4检验及分析分类结果在使用前须进行客观可靠的精度验证和 分析，以保证遥感分类结果可靠性，通过对保留50个样本点作为检验数据，对分类结果进行验证分析，得到了三种植被指数分类精度（表5）。
从表5中可以发现EVI监测方法的总体分类精度在检验样本中仍然处于优势，而RVI相对NDVI在KAPPA 表5三种方法分类精度比较Table5Comparisonofclassificationuracyofthree methods 监测方法 样本数/个总精度/% KAPPA系数 RVI 50 84.00 0.757 NDVI 50 84.00 0.768 EVI 50 86.00 0.793 系数上精度较弱。
通过三种植被指数判别方法对HJ-1b遥感影像进 行计算，利用样本点确定的判别阈值，对东湖湖面的蓝藻水华面积进行分类提取，结果见表
6。
表6蓝藻水华三种指数判别阈值及提取结果 Table6Cyanobacteriabloomsidentificationthresholdsandextractionresultsbasedonthreeindexmodels 判别指数 判别阈值 轻度水华面积/km2 重度水华面积/km2 RVI RVI>0.92,RVINow－RVIBefore>0.35 0.527 0.233 NDVI NDVI>0.31,NDVINow－NDVIBefore>0.22 0.318 0.201 EVI EVI>0.33,EVINow－EVIBefore>0.26 0.293 0.214 从表6可以看出，利用RVI提取的水华面积最大，EVI和NDVI较为接近，NDVI稍小，表明RVI用单纯的比值容易扩大水华范围，效果较后两者差；EVI提取的重度水华面积较NDVI提取得略大，表明EVI对湖泊沿岸一些重度蓝藻提取较为准确。
根据武汉湖泊监管部门的公开数据显示，与实际东湖蓝藻情况相比，遥感监测数据偏大，分析其主要原因可能是部分轻度蓝藻水华面积没统计在内。
5结论与讨论 通过以上对武汉东湖蓝藻案例研究表明，HJ-1CCD数据完全可以应用到城市内湖的蓝藻水华监测中，其相对EOS-MODIS等中尺度卫星遥感数据具有高空间分辨率优势，同时HJ-1a/bCCD两天的重返周期也使得数据开展动态湖泊生态环境监测的及时可靠性得到保障。
对于城市湖泊水质遥感研究，为剔除城市上空中大气气溶胶散射干扰，大气校正工作必不可少，通用大气参数设置，利用MORTRAN4+辐射传输模型对HJ-1卫星快速大气基础校正，可以增强蓝藻水体和其他地物的光谱差异，有利于城市内湖蓝藻水华信息提取。
蓝藻的类植被光谱特征决定了遥感监测方法，通过RVI、NDVI和EVI三种指数方法对湖泊蓝藻监测发现，前期的样本选择和分类训练参数设定都会影响到植被指数的判别公式阈值率定，从而影响到分类精度和指数方法的判断。
从实验分类结果看，RVI和其他两种指数检测结果较实际情况差异稍大，对浑浊水体和蓝藻容易混分，而EVI和NDVI的检测效果相近，EVI对于高浓度的蓝藻分类相对NDVI有一定优势。
运用多时相HJ-1遥感影像数据快速监测城市内湖局部的蓝藻技术方法可行，结果与实际情况相吻合，精度较高。
但以下问题需进一步研究：1）湖泊中存 （下转100页） AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-201895 气象科技进展 市，农田NPP呈显著下降的区域主要分布在荆州市西南部的松滋市、公安县和石首市，东北部的洪湖市， 以及西北部的荆州区。
4.2讨论农田NPP时空分布与变化特征是由多因素共同作 用而形成的，包括气候因素、土壤、地形以及人类活 动因素。
气候因素上，荆州市NPP主要受太阳辐射、气温和降水的影响。
荆州地处南方，日照充足，农作 物光合有效辐射较强，对NPP的累积有很大的促进作用，适宜的温度和降水对NPP也具有促进作用，而气温的升高有时候会超过作物适宜的生长温度，尤其南 方夏季容易出现高温和多雨天气，对植物生长和NPP的累加具有抑制作用。
荆州市土壤质地主要以水稻土 和潮土两种为主，水稻土和潮土中的粉沙土和黏土含 量较高，保肥能力很好，有机质含量高，因此对于 NPP的增加具有重要的作用。
地形对农田NPP具有重
要的影响。
荆州市由于地形条件属于“涝渍相随，旱 涝并存”，对农业生态环境造成影响，比如洪湖市 地势较低，容易涝渍，因此涝渍对于NPP有一定的影响。
人类活动也是农田NPP变化的最重要的因素。
参考文献 [1]闫慧敏,刘纪远,曹明奎.中国农田生产力变化的空间格局及地形控制作用.地理学报.2007,
(2):171-180. [2]袁甲,沈非,王甜甜,等.安徽省农田净初级生产力时空变化特征及影响因素——基于MOD17A3的研究.安徽师范大学学报（自然科学版）,2016,
(6):568-574. [3]王宗明,国志兴,宋开山,等.2000—2005年三江平原土地利用/覆被变化对植被净初级生产力的影响研究.自然资源学报,2009,24
(1):136-146. [4]赵晶晶,刘良云,徐自为,等.华北平原冬小麦总初级生产力的遥感监测.农业工程学报,2011,27(s1):346-351. [5]YanH,FuY,XiaoX,etal.Modelinggrossprimaryproductivityforwinterwheat–maizedoublecroppingsystemusingMODIStimeseriesandCO2,eddyfluxtowerdata.AgricultureEcosystems&Environment,2009,129
(4):391-400. [6]ZhengW,XiaoX,YanX.ModelinggrossprimaryproductionofmaizecroplandanddegradedgrasslandinnortheasternChina.Agricultural&ForestMeteorology,2010,150
(9):1160-1167. [7]DoughtyR,XiaoX,WuX,etal.Responsesofgrossprimaryproductionofgrasslandsandcroplandsunderdrought,pluvial,andirrigationconditionsduring2010–2016,Oklahoma,USA.AgriculturalWaterManagement,2018,204:47-59. [8]许倍慎.江汉平原土地利用景观格局演变及生态安全评价.武汉:华中师范大学博士学位论文,2012. [9]湖北省统计局,国家统计局湖北调查总队.湖北统计年鉴.北京:中国统计出版社,2016. [10]XiaoX,HollingerD,AberJ,etal.Satellite-basedmodelingofgrossprimaryproductioninanevergreenneedleleafforest.Remotesensingofenvironment,2004,89
(4):519-534. [11]XiaoX,ZhangQ,BraswellB,etal.Modelinggrossprimaryproductionoftemperatedeciduousbroadleafforestusingsatelliteimagesandclimatedata.RemoteSensingofEnvironment,2004,91
(2):256-270. [12]XiaoX,ZhangQ,HollingerD,etal.ModelinggrossprimaryproductionofanevergreenneedleleafforestusingMODISandclimatedata.EcologicalApplications,2005,15
(3):954-969. [13]XiaoX,ZhangQ,SaleskaS,etal.Satellite-basedmodelingofgrossprimaryproductioninaseasonallymoisttropicalevergreenforest.RemoteSensingofEnvironment,2005,94
(1):105-122. [14]牛忠恩,闫慧敏,黄玫,等.基于MODIS-OLI遥感数据融合技术的农田生产力估算.自然资源学报,2016,31
(5):875-885. [15]RaichJW,RastetterEB,MelilloJM,etal.PotentialNetPrimaryProductivityinSouthAmerica:ApplicationofaGlobalModel..EcologicalApplications,1991,1
(4):399-429. [16]陈静清,闫慧敏,王绍强,等.中国陆地生态系统总初级生产力VPM遥感模型估算.第四纪研究,2014,34
(4):732-742. [17]刘宪锋,潘耀忠,朱秀芳,等.2000-2014年秦巴山区植被覆盖时空变化特征及其归因.地理学报,2015,70
(5):705-716. （上接95页） 在着多种藻类和其他污染，具有不同的光谱特征，需 利用高光谱波段数据进一步区分；2）蓝藻的卫星遥感与地面光谱仪测量得到的光谱特征需要进一步拟合 分析；3）水质数据应用和实地测量验证需要进一步完善。
参考文献 [1]杨柳燕,肖琳.湖泊蓝藻水华暴发、危害与控制.北京:科学出版社,2004. [2]HogeFE，SwiftRN．Airbornesimultaneousspectroscopicdetectionoflaser-inducedwaterRamanbackscatterandfluorescencefromchlorophyllaandothernaturallyurringpigments.AppliedOptics,1981,20:3197-205. [3]HogeFE,SwiftRN.Photosyntheticessorypigments:Evidencefortheinfluenceofphycoerythrinonthesubmarinelightfield.RemoteSensingofEnvironment,1990,34
(1):19-35. [4]
C.TWezernak,TanisF.J,
C.A.BaizaTrophicstateanalysisofinlandlakes.RemoteSensingofEnvironment,1976
(5):147-165. [5]疏小舟,尹球,匡定波.内陆水体藻类叶绿素浓度与反射光谱特征的关系.遥感学报,2000,4
(1):41-45. [6]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. [7]徐京萍,张柏等.基于MODIS数据的太湖蓝藻水体识别模式.湖泊科学,2008,20
(2):191-195 [8]MorelA,PrieurL.Analysisofvariationinoceancolor.LimnologyOceanography,1997,22:709-722 [9]王嘉楠,叶勤,林怡.不同大气校正方法对中小湖泊蓝藻遥感动态监测的影响.遥感技术与应用,2013,28
(1):157-164. [10]林怡,潘琛,陈映鹰,等.基于遥感影像光谱分析的蓝藻水华识别方法.同济大学学报(自然科学版),2011,39
(8):1247-1252. [11]LiuHQ,HueteAR.AfeedbackbasedmodificationoftheNDVItominimizecanopybackgroundandatmosphericnoise.IEEETansGeoseiRemoteSens,1995,33:457-465． 100AdvancesinMeteorologicalScienceandTechnology气象科技进展8
（5）-2018
声明：
该资讯来自于互联网网友发布，如有侵犯您的权益请联系我们。