CN106092929A - 富营养化水库表层水体藻类分布Landsat遥感监测方法 - Google Patents
富营养化水库表层水体藻类分布Landsat遥感监测方法 Download PDFInfo
- Publication number
- CN106092929A CN106092929A CN201610398656.2A CN201610398656A CN106092929A CN 106092929 A CN106092929 A CN 106092929A CN 201610398656 A CN201610398656 A CN 201610398656A CN 106092929 A CN106092929 A CN 106092929A
- Authority
- CN
- China
- Prior art keywords
- algae
- reservoir surface
- distribution
- water
- reservoir
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种富营养化水库表层水体藻类分布Landsat遥感监测方法,基于Landsat遥感数据,结合浮游藻类指数与实测藻类生物量的拟合模型,构建藻类水华分布的决策树,识别富营养化水库表层水体藻类生物量以及时空分布特征。本发明步骤简单,可操作性强,能够大范围的监测水体表层藻类的分布情况,且藻类信息提取较快,不受地面条件限制。为富营养化水库管理提供技术基础,以期为水库中藻类水华的防治提供科学依据。
Description
技术领域
本发明涉及富营养化水库表层水体藻类分布遥感监测的开发技术领域,基于Landsat遥感图像分析,开发适应于富营养化水库藻类快速监测的监测方法。
背景技术
自20世纪60年代以来,世界各地区的湖泊、水库、河流和海湾相继出现了水体富营养化问题,引起了科学家的广泛关注和研究。OECD对18个国家的湖泊和水库的调查结果显示,富营养型所占比例高达65%,仅18%为贫营养型。其中,在美国就有70%的湖泊和水库为富营养型。根据欧洲环境署公布的信息,自1970年以来监测调查的湖泊和水库中富营养化和重富营养化所占比例均在40%以上;对401个河流监测站1986~1996年的数据进行分析,发现33%的站点处于重富营养状态。除了上述地区,澳大利亚、日本、墨西哥、巴西、阿根廷、印度、伊朗、南非、埃及等众多国家也都发生过严重的水体藻华事件乃至藻毒素中毒事件。可以说,水体富营养化问题已成为21世纪全球环境可持续发展面临的巨大挑战之一。
随着水域营养化问题的加剧,湖泊水库中藻类水华频繁暴发,生态灾害事件频繁发生,严重影响了水域生态系统功能的发挥,制约了区域经济的可持续发展。为了能够控制水体中藻类水华大规模爆发,减少区域经济损失,实现快速探测到水体中藻类的浓度以及时空分布特征具有重要意义。传统意义上的藻类监测依赖于水体实地采样,固定,显微镜观测,但是此方法检测时间长,且无法识别藻类的时空分布情况。因此为了解水体中藻类密度和时空分布特征,控制藻类水华大规模爆发,建立快速、有效的氨基酸测试方法显得尤为重要。
发明内容
本发明的目的在于提供一种富营养化水库表层水体藻类分布Landsat遥感监测方法,利用遥感技术精确获取水库表层水体中藻类的浓度表征指标的分布特征, 继而准确估算藻类的浓度范围以及分布区域,分析藻类水华的发生状况及趋势,评估水库的富营养化状况,为水库的管理提供科学依据。
为了实现本发明的技术目的,采用如下技术方案:
一种富营养化水库表层水体藻类分布Landsat遥感监测方法,包括:通过野外调查采样分析获得表层水体藻类生物量及其空间分布情况;基于水库水体和藻类的光谱特性,运用浮游藻类指数(FAI)提取水库表层水体的藻类分布情况,结合实测的水库表层水体中藻类生物量,构建水库表层水体中藻类分布的遥感监测方法。基于该方法,可以准确获取富营养化水库表层水体藻类生物量的月际变化规律及其空间分布特征。
作为进一步的实施方式,具体的方法包括如下步骤:
(1)、确定富营养化水库表层水体的藻类生物量
现场使用HQM-1有机玻璃采水器在距离水体表面0.5处取500mL水样,放入聚乙烯塑料瓶中,带回实验室储存于4℃的冰箱中,在48h内运用热乙醇法测定水体表层的叶绿素a(Chl-a)用于表征水库表层水体中藻类生物量。具体的测定方法为:取250ml水样过滤,滤膜向内对折放入5ml离心管;取250ml玻璃三角瓶装适量90%乙醇在控温水浴锅预热,预热温度为85℃;取出样品,立即加入4ml热乙醇,水域2min后,将样品避光6h;,用25mm玻璃纤维滤膜过滤萃取液定容到10ml;在分光光度计上用90%乙醇作参比液进行比色,先在665nm波长测消光率E665,再在750nm波长测消光率E750,然后在样品比色皿中加1滴1mol/L盐酸进行酸化,加盖摇匀,1min后重新在665nm波长测消光率A665,再在750nm波长测消光率A750;计算Chl-a浓度。
Chl-a=0.446*[(E665-E750)-(A665-A750)]
(2)、富营养化水库表层水体藻类分布Landsat遥感监测方法构建
为了消除遥感图像在成像过程中产生的扭曲,变形等问题,对Landsat遥感图像进行条带噪声去除,波段融合,辐射定标和大气校正处理;计算水库表层水体的FAI指数值;结合实测的水库表层Chl-a浓度值,进行多元回归分析,构建水库表层水体藻类监测模型。
浮游藻类指数FAI
式中Rrc,B3,Rrc,B4,Rrc,B5分别为Landsat ETM+遥感图像经大气校正后的波段3,波段4和波段5的反射率值,其中λB3=660nm;λB4=830nm;λB5=1650nm。
(3)、基于水库表层水体藻类的遥感监测模型构建藻类的时空分布特征
根据以往研究,划定藻类水华等级为Type 1-藻类低浓度区(0μg/L<Chl-a<20μg/L),Type 2-藻类中浓度区(20μg/L<Chl-a<50μg/L),Type 3-藻类高浓度区(50μg/L<Chl-a<155μg/L),Type 4-藻类水华重灾区(Chl-a>155μg/L)。结合上文中得到的藻类监测模型,获得FAI指数阈值。基于上述步骤和方法,建立富营养化水库表层水体藻类分布的决策树,识别藻类水华的空间分布。
本发明与传统富营养化水库表层水体藻类生物量的检测方法相比,能够实现对富营养化水库藻类进行大范围监测,快速获得表层水体中藻类信息,且不受地面条件限制,步骤简单,可操作性强。此外,本发明针对中富营养化程度水库藻类生物量及分布特征的监测效果明显。
附图说明
图1为实例2中青草沙水库表层水体Chl-a浓度时空分布图
图2为实例2中青草沙水库叶绿素a与FAI逐步回归模型
图3为实施例2中青草沙水库2014年-2015年藻类水华分布图
图中标号:水体-蓝色,Type1-绿色,Type2-黄色,Type3-红色,Type4-紫色。
具体实施方式
本发明涉及一种富营养化水库表层水体藻类分布Landsat遥感监测方法,基于Landsat遥感数据,结合浮游藻类指数与实测藻类生物量的拟合模型,构建藻类水华分布的决策树,识别富营养化水库表层水体藻类生物量以及时空分布特征。本发明步骤简单,可操作性强,能够大范围的监测水体表层藻类的分布情况,且藻类信息提取较快,不受地面条件限制。为富营养化水库管理提供技术基础,以期为水库中藻类水华的防治提供科学依据。下面通过实施例进一步说明本发明,但本发明的保护范围不限于所述内容。
实施例1(理论依据)
一种富营养化水库表层水体藻类分布Landsat遥感监测方法,包括:通过野 外调查采样分析获得表层水体藻类生物量及其空间分布情况;基于水库水体和藻类的光谱特性,运用浮游藻类指数(FAI)提取水库表层水体的藻类分布情况,结合实测的水库表层水体中藻类生物量,构建水库表层水体中藻类分布的遥感监测方法。基于该方法,可以准确获取富营养化水库表层水体藻类生物量的月际变化规律及其空间分布特征。
具体的方法包括如下步骤:
(1)、确定富营养化水库表层水体的藻类生物量
现场使用HQM-1有机玻璃采水器在距离水体表面0.5处取500mL水样,放入聚乙烯塑料瓶中,带回实验室储存于4℃的冰箱中,在48h内运用热乙醇法测定水体表层的叶绿素a(Chl-a)用于表征水库表层水体中藻类生物量。具体的测定方法为:取250ml水样过滤,滤膜向内对折放入5ml离心管;取250ml玻璃三角瓶装适量90%乙醇在控温水浴锅预热,预热温度为85℃;取出样品,立即加入4ml热乙醇,水域2min后,将样品避光6h;,用25mm玻璃纤维滤膜过滤萃取液定容到10ml;在分光光度计上用90%乙醇作参比液进行比色,先在665nm波长测消光率E665,再在750nm波长测消光率E750,然后在样品比色皿中加1滴1mol/L盐酸进行酸化,加盖摇匀,1min后重新在665nm波长测消光率A665,再在750nm波长测消光率A750;计算Chl-a浓度。
Chl-a=0.446*[(E665-E750)-(A665-A750)]
(2)、富营养化水库表层水体藻类分布Landsat遥感监测方法构建
为了消除遥感图像在成像过程中产生的扭曲,变形等问题,对Landsat遥感图像进行条带噪声去除,波段融合,辐射定标和大气校正处理;计算水库表层水体的FAI指数值;结合实测的水库表层Chl-a浓度值,进行多元回归分析,构建水库表层水体藻类监测模型。
浮游藻类指数FAI
式中Rrc,B3,Rrc,B4,Rrc,B5分别为Landsat ETM+遥感图像经大气校正后的波段3,波段4和波段5的反射率值,其中λB3=660nm;λB4=830nm;λB5=1650nm。
(3)、基于水库表层水体藻类的遥感监测模型构建藻类的时空分布特征
根据以往研究,划定藻类水华等级为Type 1-藻类低浓度区 (0μg/L<Chl-a<20μg/L),Type 2-藻类中浓度区(20μg/L<Chl-a<50μg/L),Type 3-藻类高浓度区(50μg/L<Chl-a<155μg/L),Type 4-藻类水华重灾区(Chl-a>155μg/L)。结合上文中得到的藻类监测模型,获得FAI指数阈值。基于上述步骤和方法,建立富营养化水库表层水体藻类分布的决策树,识别藻类水华的空间分布。
实施例1(实例及验证)
选取青草沙水库(31°29′N-31°25′N,121°35′E-120°43′E)为研究对象,针对本发明进行研究和验证。青草沙水库位于长江口中心位置,总面积约67.2平方公里,河段长约180km,平均水深8m,总库容为6.44亿m3。在2014年1月-2015年11月期间,用麦哲伦GPS在青草沙水库布设S1-S14采样点(表1),使用HQM-1有机玻璃采水器在距离水体表面0.5处取500mL水样,用热乙醇法测定各采样点的Chl-a浓度。
对研究期间有效的Landsat遥感图像进行条带噪声去除,波段融合,辐射定标和大气校正,其中大气校正选取FLAASH大气校正模型,在ENVI软件FLAASH模块中,采用中纬度夏季标准大气模型(mid-latitude summer atmosphere model)和城市气溶胶模型(burdenaerosol model),传感器高度选用649.093km,地面高程选用3.4m进行相应的图像处理。
经过遥感图像预处理后,计算研究区域的FAI指数值,并识别Landsat遥感图像上S1-S14的FAI值,对实测Chl-a浓度值与FAI值进行多元回归分析,构建藻类分布Landsat遥感监测模型,y=0.126x-0.5,其中y为ln(Chl-a);x为FAI值。
表1青草沙水库采样点经纬度分布表
基于该模型以及FAI指数阈值,分别为Type1(-0.4384<FAI<-0.1225);Type2(-0.1225<FAI<-0.0071);Type3(-0.0071<FAI<0.1355);Type4(FAI>0.1355)。基于上述步骤和方法,建立青草沙水库表层水体藻类分布的决策树,识别青草沙水库藻类水华的空间分布。
Claims (1)
1.一种富营养化水库表层水体藻类分布Landsat遥感监测方法,其特征在于,具体步骤如下:
(1)、确定富营养化水库表层水体的藻类生物量
通过野外实地监测获得水库表层水体藻类生物量的浓度(Chl-a),以及藻类的空间分布特征;
(2)、富营养化水库表层水体藻类分布Landsat遥感监测方法构建
为了消除遥感图像在成像过程中产生的扭曲,变形等问题,对Landsat遥感图像进行条带噪声去除,波段融合,辐射定标和大气校正处理;计算水库表层水体的FAI指数值;结合实测的水库表层Chl-a浓度值,进行多元回归分析,构建水库表层水体藻类监测模型;
浮游藻类指数FAI
式中Rrc,B3,Rrc,B4,Rrc,B5分别为Landsat ETM+遥感图像经大气校正后的波段3,波段4和波段5的反射率值,其中λB3=660nm;λB4=830nm;λB5=1650nm;
(3)、基于水库表层水体藻类的遥感监测模型构建藻类的时空分布特征
根据划定藻类水华等级Type 1-藻类低浓度区(0μg/L<Chl-a<20μg/L),Type 2-藻类中浓度区(20μg/L<Chl-a<50μg/L),Type 3-藻类高浓度区(50μg/L<Chl-a<155μg/L),Type 4-藻类水华重灾区(Chl-a>155μg/L),并结合所述的藻类监测模型,获得FAI指数阈值,建立富营养化水库表层水体藻类分布的决策树,识别藻类水华的空间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610398656.2A CN106092929A (zh) | 2016-06-07 | 2016-06-07 | 富营养化水库表层水体藻类分布Landsat遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610398656.2A CN106092929A (zh) | 2016-06-07 | 2016-06-07 | 富营养化水库表层水体藻类分布Landsat遥感监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106092929A true CN106092929A (zh) | 2016-11-09 |
Family
ID=57228007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610398656.2A Pending CN106092929A (zh) | 2016-06-07 | 2016-06-07 | 富营养化水库表层水体藻类分布Landsat遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106092929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219171A (zh) * | 2017-05-18 | 2017-09-29 | 杭州师范大学 | 一种海洋表层水体悬浮颗粒物中多环芳烃的遥感监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976429A (zh) * | 2010-10-27 | 2011-02-16 | 南京大学 | 基于游弋图像的水面鸟瞰图成像方法 |
CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN104374713A (zh) * | 2014-12-03 | 2015-02-25 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 |
CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
-
2016
- 2016-06-07 CN CN201610398656.2A patent/CN106092929A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976429A (zh) * | 2010-10-27 | 2011-02-16 | 南京大学 | 基于游弋图像的水面鸟瞰图成像方法 |
CN103616490A (zh) * | 2013-12-03 | 2014-03-05 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊水华蓝藻总存量估算的方法 |
CN103743700A (zh) * | 2014-01-17 | 2014-04-23 | 中国科学院南京地理与湖泊研究所 | 一种大型浅水湖泊蓝藻水华modis卫星高精度监测方法 |
CN104374713A (zh) * | 2014-12-03 | 2015-02-25 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊水体藻类垂向分布类型modis遥感监测方法 |
CN105203466A (zh) * | 2015-09-17 | 2015-12-30 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊非藻华条件下藻类总存量遥感估算方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219171A (zh) * | 2017-05-18 | 2017-09-29 | 杭州师范大学 | 一种海洋表层水体悬浮颗粒物中多环芳烃的遥感监测方法 |
CN107219171B (zh) * | 2017-05-18 | 2019-09-17 | 杭州师范大学 | 一种海洋表层水体悬浮颗粒物中多环芳烃的遥感监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dinsmore et al. | Temperature and precipitation drive temporal variability in aquatic carbon and GHG concentrations and fluxes in a peatland catchment | |
Brock et al. | Groundwater seepage as a nutrient source to a drainage lake; Lake Mendota, Wisconsin | |
Doherty et al. | Black carbon and other light‐absorbing particles in snow of central North America | |
Le et al. | Validation of a quasi-analytical algorithm for highly turbid eutrophic water of Meiliang Bay in Taihu Lake, China | |
Christensen et al. | A catchment-scale carbon and greenhouse gas budget of a subarctic landscape | |
Borges et al. | Distribution of surface carbon dioxide and air‐sea exchange in the upwelling system off the Galician coast | |
CN109738367B (zh) | 通过无人机上高光谱传感器反演河口湿地水环境要素方法 | |
Tao et al. | A novel method for discriminating Prorocentrum donghaiense from diatom blooms in the East China Sea using MODIS measurements | |
CN102331484A (zh) | 流动水体温室气体排放量的测定方法 | |
Dranga et al. | Synthesis of limnological data from lakes and ponds across Arctic and Boreal Canada | |
Terajima et al. | Temporal and spatial changes in dissolved organic carbon concentration and fluorescence intensity of fulvic acid like materials in mountainous headwater catchments | |
Lim et al. | Carbon emission and export from the Ket River, western Siberia | |
Ragab et al. | Towards accurate estimation of crop water requirement without the crop coefficient Kc: New approach using modern technologies | |
Balasubramaniam et al. | Biotic responses to multiple aquatic and terrestrial gradients in shallow subarctic lakes (Old Crow Flats, Yukon, Canada) | |
Li et al. | Remote quantification of the trophic status of Chinese lakes | |
CN106092929A (zh) | 富营养化水库表层水体藻类分布Landsat遥感监测方法 | |
Büttner et al. | Uncertainties in dissolved organic carbon load estimation in a small stream | |
Brauer et al. | Tiefer See–a key site for lake sediment research in NE Germany | |
Ren-dong et al. | Wetland vegetation biomass estimation and mapping from Landsat ETM data: a case study of Poyang Lake | |
Chen et al. | An optimal two bands ratio model to monitor chlorophyll-a in urban lake using Landsat 8 data | |
Vinh et al. | Monitoring the trophic state of shallow urban lakes using Landsat 8/OLI data: a case study of lakes in Hanoi (Vietnam) | |
Wang et al. | Quantifying turbidity variation for lakes in Daqing of Northeast China using Landsat images from 1984 to 2018 | |
Yu et al. | Remote sensing of suspended sediment in high turbid estuary from sentinel-3a/olci: a case study of Hangzhou Bay | |
Focardi et al. | A combinated approach to investigate the biochemistry and hydrography of a shallow bay in the South Adriatic Sea: the Gulf of Manfredonia (Italy) | |
Tsui et al. | Estimation of soil carbon stock in Taiwan arable soils by using legacy database and digital soil mapping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161109 |