基于MODIS植被指數(shù)時(shí)間譜的太湖2001年—2013年藍(lán)藻爆發(fā)監(jiān)測(cè)

李 瑤，張立福，黃長(zhǎng)平，王晉年，岑 奕

1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101 2.中國(guó)科學(xué)院大學(xué)，北京 100049

基于MODIS植被指數(shù)時(shí)間譜的太湖2001年—2013年藍(lán)藻爆發(fā)監(jiān)測(cè)

李 瑤1, 2，張立福1*，黃長(zhǎng)平1，王晉年1，岑 奕1

1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101 2.中國(guó)科學(xué)院大學(xué)，北京 100049

藻類水華爆發(fā)已成為影響內(nèi)陸水體生態(tài)環(huán)境的重要因素。遙感能夠提供實(shí)時(shí)的大范圍觀測(cè)，在水華監(jiān)測(cè)中起到越來越重要的作用。遙感植被指數(shù)已廣泛應(yīng)用于藻類水華監(jiān)測(cè)中，通過對(duì)研究區(qū)植被指數(shù)圖像進(jìn)行閾值分割，能夠反映不同子區(qū)域內(nèi)的藻類爆發(fā)程度； 然而閾值分割法的結(jié)果只能反映某一時(shí)間點(diǎn)(圖像獲取時(shí))的藻類爆發(fā)狀況，無法表征長(zhǎng)時(shí)間內(nèi)藻類的變化。相比于單個(gè)時(shí)間點(diǎn)的植被指數(shù)，植被指數(shù)時(shí)間譜(時(shí)譜)包含藻類的物候信息，能夠更加全面準(zhǔn)確地反映藻類的長(zhǎng)時(shí)間變化。目前，植被指數(shù)時(shí)間譜還尚未應(yīng)用到水華相關(guān)研究中。選取2001年—2013年太湖區(qū)域的MODIS NDVI數(shù)據(jù)，構(gòu)建年度NDVI時(shí)譜數(shù)據(jù)，利用(support vector machine, SVM)方法對(duì)每年的太湖藍(lán)藻水華爆發(fā)強(qiáng)度進(jìn)行分類，將太湖重度、中度和輕度藍(lán)藻水華爆發(fā)的區(qū)域以及水生植物的區(qū)域提取出來，得到其空間分布和面積； 并從2007年的時(shí)譜數(shù)據(jù)中抽取了8個(gè)時(shí)間點(diǎn)的NDVI圖像，利用傳統(tǒng)閾值分割法提取太湖重度、中度和輕度藍(lán)藻水華爆發(fā)的區(qū)域，將結(jié)果與2007年時(shí)譜數(shù)據(jù)分類的結(jié)果進(jìn)行對(duì)比。結(jié)果表明：所提出的方法能夠更加全面準(zhǔn)確地對(duì)太湖藍(lán)藻爆發(fā)強(qiáng)度進(jìn)行分類，通過NDVI時(shí)譜曲線提供的豐富物候信息可準(zhǔn)確區(qū)分藍(lán)藻與水生植被區(qū)域。本研究有望為準(zhǔn)確掌握和預(yù)測(cè)藻類水華的爆發(fā)趨勢(shì)及強(qiáng)度提供有效手段。

MODIS； 時(shí)譜； 太湖； 藍(lán)藻水華； 支持向量機(jī)； 監(jiān)測(cè)

引 言

富營(yíng)養(yǎng)化使得內(nèi)陸水體藻類爆發(fā)越來越頻繁，藻類水華爆發(fā)破壞湖泊生態(tài)系統(tǒng)平衡，引起水體污染，威脅人類生活，如何有效地預(yù)防與治理水華爆發(fā)已成為亟待解決的問題。隨著水華爆發(fā)頻率和強(qiáng)度的增加，傳統(tǒng)的實(shí)地觀測(cè)和實(shí)驗(yàn)室分析已經(jīng)難以滿足水華監(jiān)測(cè)的需求。遙感的發(fā)展為水華的監(jiān)測(cè)提供了豐富的數(shù)據(jù)源，與傳統(tǒng)監(jiān)測(cè)方法相比，遙感具有實(shí)時(shí)、迅速、范圍廣等特點(diǎn)，在湖泊監(jiān)測(cè)中發(fā)揮著越來越重要的作用。

目前，遙感手段監(jiān)測(cè)藻類爆發(fā)主要利用植被指數(shù)數(shù)據(jù)，如歸一化植被指數(shù)(normalized difference vegetation index, NDVI)[1-2]、歸一化水體指數(shù)(normalized difference water index, NDWI)[3]、增強(qiáng)型植被指數(shù)(enhanced vegetation index, EVI)[2]、藻類爆發(fā)指數(shù)(floating algae index, FVI)[4-5]、最大葉綠素指數(shù)(maximum chlorophyll index, MCI)[6]等已有研究表明，遙感植被指數(shù)能夠比較準(zhǔn)確地提取藻類爆發(fā)的信息，為水華監(jiān)測(cè)提供了有效手段。

目前研究主要使用單個(gè)時(shí)間點(diǎn)的植被指數(shù)，尚未使用植被指數(shù)時(shí)譜數(shù)據(jù)。如果要評(píng)估較長(zhǎng)時(shí)間間隔內(nèi)(例如，季度和年度)水華的爆發(fā)情況，僅使用某幾個(gè)時(shí)間點(diǎn)的植被指數(shù)很難全面準(zhǔn)確地反映藻類水華爆發(fā)的強(qiáng)度和范圍，因?yàn)橥幌裨诓煌瑫r(shí)間點(diǎn)的植被指數(shù)可能會(huì)有很大差別，若選取的時(shí)間點(diǎn)不具代表性，很可能造成誤判。根據(jù)藍(lán)藻水華成因的四階段理論[7]，藍(lán)藻的生長(zhǎng)和水華的形成可以分為休眠、復(fù)蘇、生長(zhǎng)和上浮聚集四個(gè)階段。冬季，藍(lán)藻下沉到水底休眠越冬； 春季，當(dāng)溫度和溶解氧達(dá)到要求，藍(lán)藻將開始復(fù)蘇； 春夏季藍(lán)藻的生長(zhǎng)主要受控于光合作用和細(xì)胞分裂所需要的能量和物質(zhì)； 當(dāng)遇到適宜的水文和氣象條件，積累在水體中的藍(lán)藻將會(huì)上浮并聚集到水體表面，形成水華。時(shí)譜數(shù)據(jù)充分利用了一年內(nèi)連續(xù)觀測(cè)得到的植被指數(shù)信息，其時(shí)譜曲線能夠反映藍(lán)藻一年內(nèi)狀態(tài)的變化。

植被指數(shù)時(shí)間譜已經(jīng)應(yīng)用到遙感地物分類[8-9]的研究中，但其主要還是使用決策樹分類法，利用時(shí)譜曲線輔助其確定閾值，沒有充分利用時(shí)譜的曲線特征。目前的藻類水華爆發(fā)強(qiáng)度分類主要采用植被指數(shù)閾值分割法[10]，閾值的選取對(duì)分類結(jié)果有很大的影響，如何準(zhǔn)確地確定閾值是決定分類精度的關(guān)鍵。本研究不僅考慮了時(shí)譜曲線數(shù)值的大小，而且也充分利用了時(shí)譜的曲線特征，分類的結(jié)果更加可靠。

藻類水華爆發(fā)具有周期性，雖然每年的爆發(fā)日期稍微有所差別，但是以一年為周期，水華爆發(fā)強(qiáng)度相同的區(qū)域具有相似的NDVI時(shí)譜曲線，而水華爆發(fā)強(qiáng)度不同的區(qū)域，其NDVI時(shí)譜曲線具有較大的差別，以此可對(duì)藻類水華爆發(fā)強(qiáng)度進(jìn)行分類。借鑒高光譜遙感分類思想，即利用地物的特征光譜曲線，可將不同的地物從高光譜圖像中區(qū)分出來； 同理，不同的地物也有不同的時(shí)譜曲線，利用地物的特征時(shí)譜曲線，可以將不同地物從時(shí)譜數(shù)據(jù)中提取出來。本研究選取2001年—2013年太湖區(qū)域的MODIS NDVI(中分辨率成像光譜歸一化植被指數(shù))數(shù)據(jù)，將其構(gòu)建成時(shí)譜數(shù)據(jù)，采用支持向量機(jī)(SVM)方法對(duì)每年的藍(lán)藻水華爆發(fā)強(qiáng)度進(jìn)行分類，并將2007年的結(jié)果與傳統(tǒng)的閾值分割法結(jié)果進(jìn)行了對(duì)比。

1 數(shù)據(jù)與方法

1.1 實(shí)驗(yàn)區(qū)

太湖位于中國(guó)長(zhǎng)江中下游，是中國(guó)第三大淡水湖，對(duì)于周邊地區(qū)的飲水灌溉、防洪抗旱、氣候調(diào)節(jié)、生態(tài)建設(shè)等具有舉足輕重的作用[11]。然而，從19世紀(jì)80年代開始，太湖的水質(zhì)受到污染。近年來，太湖的營(yíng)養(yǎng)化程度越來越高，藍(lán)藻水華爆發(fā)也越來越嚴(yán)重。因此，準(zhǔn)確地提取藍(lán)藻水華爆發(fā)的強(qiáng)度和區(qū)域分布，對(duì)于藍(lán)藻的防治和監(jiān)測(cè)具有重要的意義。

將太湖劃分為東太湖、胥口灣、貢湖灣、梅梁灣、竺山灣、西太湖、南太湖和湖心區(qū)八個(gè)研究區(qū)，如圖1所示。其中，梅梁灣和竺山灣是藍(lán)藻爆發(fā)最頻繁的區(qū)域，而東太湖區(qū)域生長(zhǎng)著較多的水生植物，受藍(lán)藻水華的影響較小。

圖1 太湖

1.2 數(shù)據(jù)獲取與處理

中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer, MODIS)是“圖譜合一”的光學(xué)衛(wèi)星遙感儀器。MODIS具有很高的時(shí)間分辨率，一天內(nèi)對(duì)同一像元最多可以進(jìn)行4次觀測(cè)。MODIS NDVI算法基于像元進(jìn)行運(yùn)算，綜合16天的多次觀測(cè)，運(yùn)用最大值合成算法(maximum value composite, MVC)[12]產(chǎn)生一個(gè)合成的NDVI。本研究使用2001年—2013年太湖區(qū)域的MODIS NDVI數(shù)據(jù)，空間分辨率為1 km，時(shí)間分辨率為16天。

1.3 時(shí)譜數(shù)據(jù)構(gòu)建與時(shí)譜曲線特征選擇

從2001年—2013年，每年可以獲取23個(gè)時(shí)相的MODIS NDVI數(shù)據(jù)，采用太湖矢量數(shù)據(jù)對(duì)獲取的數(shù)據(jù)進(jìn)行裁剪，將每年的數(shù)據(jù)按照時(shí)間順序疊加即可得到該年度的植被指數(shù)時(shí)譜數(shù)據(jù)，每一景NDVI圖像相當(dāng)于時(shí)譜數(shù)據(jù)的一個(gè)“波段”，從而可以得到太湖區(qū)域每個(gè)像元的時(shí)譜曲線。

分別選取了四類水體樣本的時(shí)譜曲線：輕度藍(lán)藻水華爆發(fā)，中度藍(lán)藻水華爆發(fā)，重度藍(lán)藻水華爆發(fā)，水生植物。2001年以來，全太湖水體的營(yíng)養(yǎng)鹽水平一直處于較高水平，已經(jīng)不是藍(lán)藻生長(zhǎng)的限制因素[13]，整個(gè)太湖區(qū)域都不同程度受到藍(lán)藻的影響。輕度藍(lán)藻水華爆發(fā)區(qū)域主要包括：(1)水體中有藍(lán)藻生長(zhǎng)，但是藍(lán)藻沒有大量上浮并聚集到湖面； (2)水體中存在較少或幾乎不存在藍(lán)藻。這兩種情況的時(shí)譜曲線較為類似，合并成一類； 東太湖區(qū)域覆蓋有較多的水生植物，該區(qū)域很少爆發(fā)藍(lán)藻水華，為了減弱水生植物對(duì)藍(lán)藻提取產(chǎn)生的影響，將其單獨(dú)劃分為一類。

圖2為從2007年時(shí)譜數(shù)據(jù)中提取的四條NDVI時(shí)譜特征曲線，分別為水生植物、重度水華藍(lán)藻、中度水華藍(lán)藻和輕度水華藍(lán)藻。從圖2可以看出，水生植物的NDVI在春季初期開始迅速上升，并于春季中期達(dá)到極值，隨后雖稍有下降，但是從夏季初期開始又迅速上升，并于夏季末期達(dá)到最高值，此后開始急速下降，并于冬季初期下降到較低的水平。重度和中度水華爆發(fā)藍(lán)藻的時(shí)譜曲線變化趨勢(shì)較為相似，其NDVI從春季開始上升，并在夏季達(dá)到極值，然后開始下降，在秋季會(huì)上升到第二個(gè)極值，但比夏季的極值低。輕度水華爆發(fā)藍(lán)藻的NDVI全年都保持在較低的水平，且波動(dòng)較小。因?yàn)槊磕晁{(lán)藻水華爆發(fā)的時(shí)間不同，所以不同年份的時(shí)譜曲線會(huì)有所差別，但是每年的四類時(shí)譜曲線都有較好的區(qū)分度。

圖2 重度、中度和輕度水華藍(lán)藻及水生植物的NDVI時(shí)譜曲線

Fig.2 NDVI temporal spectra of aquatic plants, severe cyanobacteria bloom, moderate cyanobacteria bloom and slight cyanobacteria bloom

從圖2也可看出，NDVI時(shí)譜曲線能夠反映藍(lán)藻的年度變化規(guī)律，藍(lán)藻經(jīng)過冬天的休眠后，在春季開始復(fù)蘇生長(zhǎng)，并在夏秋季上浮聚集到水面形成水華，夏季是藍(lán)藻水華爆發(fā)最嚴(yán)重的時(shí)期，秋季的水華爆發(fā)程度相對(duì)較低。

1.4 支持向量機(jī)分類方法

支持向量機(jī)(SVM)最早由Vapnik[14]提出，其中的支持向量機(jī)分類(SVC)算法是SVM的主要功能之一，用于解決分類問題。主要思想是將輸入的數(shù)據(jù)映射到高維空間，并建立一個(gè)最佳超平面，使原先難以區(qū)分的兩個(gè)群體在高維空間中得以區(qū)分開來，并且使類間距達(dá)到最大。

SVM在解決小樣本、非線性及高維模式識(shí)別問題中有許多獨(dú)特的優(yōu)勢(shì)，具有抗噪聲、學(xué)習(xí)效率高與推廣性好等優(yōu)點(diǎn)，因此在高光譜遙感分類中有明顯的優(yōu)越性[15]。本文使用的MODIS NDVI時(shí)譜數(shù)據(jù)具有較高的維度，且選取的樣本數(shù)有限，適合選取SVM分類算法。

2 結(jié)果與討論

2.1 時(shí)譜數(shù)據(jù)分類結(jié)果

圖3為2001年—2013年的分類結(jié)果，從圖3可以看出，太湖北部區(qū)域(梅梁灣、竺山灣)一直是太湖藍(lán)藻水華爆發(fā)的重災(zāi)區(qū)。從2004年開始，西部沿湖區(qū)域藍(lán)藻水華爆發(fā)的區(qū)域逐漸增加。2004年之前，太湖南部區(qū)域基本沒有中重度藍(lán)藻水華爆發(fā)，2005年開始，該區(qū)域也開始逐步受到中重度藍(lán)藻水華爆發(fā)的影響。從2004年開始，中度藍(lán)藻水華爆發(fā)向湖心區(qū)擴(kuò)展，并于2007年覆蓋大部分湖心區(qū)域，此后，湖心區(qū)域一直受到中度藍(lán)藻水華爆發(fā)的影響。結(jié)果與其他學(xué)者的研究基本一致[7, 13]。

太湖有五大湖灣，分別是東太湖、胥口灣、貢湖灣、梅梁灣和竺山灣。東太湖是太湖的出水通道并且水生植物茂盛，因此水質(zhì)較好。其他四個(gè)湖灣因?yàn)檩^為封閉，水流緩慢且交換性差，因此污染物容易積累，為藍(lán)藻的爆發(fā)提供了很好的條件[16]，圖3的分類結(jié)果也表明這四個(gè)湖灣更易爆發(fā)藍(lán)藻。太湖地區(qū)夏、秋季的主導(dǎo)風(fēng)向?yàn)闁|風(fēng)和東南風(fēng)，春季復(fù)蘇的藍(lán)藻快速生長(zhǎng)并上浮到水體表面后，會(huì)在風(fēng)的驅(qū)動(dòng)作用下向太湖的北部和西部漂移，與太湖北部湖灣(梅梁灣、貢湖和竺山灣)內(nèi)自身生長(zhǎng)的藍(lán)藻會(huì)合后形成嚴(yán)重的水華[13]，而西部區(qū)域由于比較開放，交換性較好，因此水華的強(qiáng)度沒有北部湖灣嚴(yán)重。

圖3 2001年—2013年太湖藍(lán)藻爆發(fā)強(qiáng)度分類結(jié)果

表1為2001年—2013年分類面積統(tǒng)計(jì)表，從表1可以看出，從2001年開始，重度藍(lán)藻爆發(fā)的面積有減小的趨勢(shì)，但是從2006年開始大幅增加，并于2007年達(dá)到最高值，2009年有較大幅度的降低，此后除2011年有小幅增加外，一直保持較為穩(wěn)定的狀態(tài)； 中度藍(lán)藻水華爆發(fā)的面積從2001年開始不斷增加，并于2007年達(dá)到極值，之后雖然有所降低，但從2011年開始一直保持較高的狀態(tài)； 而輕度藍(lán)藻水華爆發(fā)的面積從2001年開始不斷降低，并于2007年降低到最低值，2008年有較大幅度的升高并在此后一直保持較為穩(wěn)定的狀態(tài)。從面積統(tǒng)計(jì)表1中可以看出，2007年為藍(lán)藻爆發(fā)最為嚴(yán)重的年份，與實(shí)際情況相符，在2007年5、6月間，發(fā)生了著名的太湖藍(lán)藻污染事件，造成無錫全城自來水污染。

表1 分類結(jié)果面積統(tǒng)計(jì)(km2)

2.2 閾值分割法分類結(jié)果

利用遙感手段對(duì)藻類水華爆發(fā)進(jìn)行監(jiān)測(cè)的方法主要是對(duì)植被指數(shù)圖像進(jìn)行閾值分割，將不同水華爆發(fā)程度的區(qū)域提取出來。選取的NDVI閾值為0.2和0.4[10]，NDVI小于0.2的為輕度藍(lán)藻爆發(fā)，NDVI介于0.2和0.4之間的為中度藍(lán)藻爆發(fā)，NDVI大于0.4的為重度藍(lán)藻爆發(fā)。從太湖2007年的MODIS NDVI時(shí)譜數(shù)據(jù)中抽取了8個(gè)時(shí)間點(diǎn)的NDVI圖像，時(shí)間分別是：2月18日、4月7日、5月9日、6月10日、7月12日、8月13日、9月30日和11月1日，利用閾值分割法對(duì)其進(jìn)行分類，獲取太湖藍(lán)藻重度、中度和輕度爆發(fā)的區(qū)域，結(jié)果如圖4中的(b)—(i)所示。圖4中(a)為利用2007年時(shí)譜數(shù)據(jù)得到的結(jié)果。

從圖4可以看出，閾值分割法沒有考慮太湖中的水生植物，在水生植物生長(zhǎng)比較旺盛的時(shí)期，其NDVI值較高，閾值分割法會(huì)將其誤認(rèn)為中重度水華爆發(fā)的藍(lán)藻，如圖4中(d)—(h)所示。實(shí)際上，東太湖區(qū)域受到藍(lán)藻的影響較小，存在大面積的水生植物，利用時(shí)譜數(shù)據(jù)提供的物候信息可以將其識(shí)別出來，如圖4(a)所示。從圖4(b)—(i)可以看出，不同時(shí)間點(diǎn)的太湖藍(lán)藻爆發(fā)情況有很大差異，且沒有明顯的變化規(guī)律。在評(píng)價(jià)年度藍(lán)藻的爆發(fā)情況時(shí)，如果僅使用一年中某幾個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，由于藍(lán)藻爆發(fā)的不確定性，得到的結(jié)果可能無法全面地反映藍(lán)藻整個(gè)年度的爆發(fā)情況。相比于單幅的NDVI圖像，NDVI時(shí)譜數(shù)據(jù)充分利用了一年內(nèi)的數(shù)據(jù)，其結(jié)果可看做是對(duì)一年中各個(gè)時(shí)間點(diǎn)藍(lán)藻爆發(fā)狀況的綜合。將圖4(a)和(b)—(i)進(jìn)行對(duì)比可以看出，(a)中的重度藍(lán)藻爆發(fā)區(qū)域曾在多個(gè)時(shí)間點(diǎn)爆發(fā)過嚴(yán)重的藍(lán)藻水華； 其中的中度藍(lán)藻爆發(fā)區(qū)域?yàn)榕紶柋l(fā)嚴(yán)重藍(lán)藻水華的區(qū)域或者經(jīng)常爆發(fā)中度藍(lán)藻水華的區(qū)域； 而其中的輕度藍(lán)藻爆發(fā)區(qū)域基本上在一年內(nèi)所有的時(shí)間點(diǎn)都是輕度藍(lán)藻水華。

圖4 NDVI時(shí)間譜數(shù)據(jù)和單幅NDVI數(shù)據(jù)的分類結(jié)果比較

(a): 基于SVM方法對(duì)2007年NDVI時(shí)間譜數(shù)據(jù)的分類結(jié)果； (b)—(i): 基于閾值分割法對(duì)2007年八個(gè)離散時(shí)間點(diǎn)NDVI數(shù)據(jù)的分類結(jié)果，時(shí)間點(diǎn)分別為：2月18日，4月7日，5月9日，6月10日，7月12日，8月13日，9月30日，11月1日

Fig.4 Classification results using temporal spectral NDVI data and separated NDVI data

(a): Using temporal spectral NDVI data of 2007 based on SVM; (b)—(i): Using separated NDVI data based on threshold segmentation method, and these data were acquired on February 18th, April 7th, May 9th, June 10th, July 12th, August 13th, September 30th, and November 1thof 2007, respectively

3 結(jié) 論

目前藻類水華爆發(fā)強(qiáng)度分類主要利用實(shí)測(cè)數(shù)據(jù)和遙感數(shù)據(jù)。實(shí)測(cè)方法需要將有限采樣點(diǎn)的數(shù)據(jù)插值到整個(gè)太湖區(qū)域，然后設(shè)置閾值進(jìn)行分類，但是，利用有限樣本數(shù)據(jù)插值得到的結(jié)果誤差較大，很難全面地反映實(shí)際情況； 遙感方法則主要對(duì)各種植被指數(shù)圖像進(jìn)行閾值分割。這些方法的結(jié)果只適用于樣本獲取(遙感數(shù)據(jù)獲取)時(shí)間點(diǎn)的環(huán)境條件。實(shí)驗(yàn)后，由于各種環(huán)境因素的影響，同一區(qū)域的藻類水華爆發(fā)情況可能會(huì)有不同程度的變化，所以其結(jié)果很難代表年度的藻類水華爆發(fā)情況。本工作的方法充分利用了一年內(nèi)的觀測(cè)數(shù)據(jù)，最大限度降低了偶然因素的影響，其結(jié)果能夠更加全面準(zhǔn)確地反映藻類水華年度的爆發(fā)情況。

(1)基于MODIS NDVI時(shí)譜數(shù)據(jù)，采用支持向量機(jī)方法能夠更加全面準(zhǔn)確地對(duì)太湖藍(lán)藻水華爆發(fā)強(qiáng)度進(jìn)行分類，得到重度、中度和輕度藍(lán)藻水華爆發(fā)的空間分布和面積； (2)利用NDVI時(shí)譜數(shù)據(jù)，能夠?qū)⑻兴参锏膮^(qū)域識(shí)別出來； (3)2007年為太湖藍(lán)藻水華爆發(fā)最為嚴(yán)重的年份，近五年來，太湖的藍(lán)藻水華一直處于較高的水平，治理形勢(shì)依然非常嚴(yán)峻。

[1] Tian Y Q, Yu Q, Zimmerman M J, et al.Freshwater Biology, 2010, 55(8): 1658.

[2] Zhang Y C, Ma R H, Duan H T, et al.Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(7): 3060.

[3] Oyama Y, Matsushita B, Fukushima T.Remote Sensing of Environment, 2015, 157: 35.

[4] Hu C.Remote Sensing of Environment, 2009, 113(10): 2118.

[5] Hu C, Li D, Chen C, et al.Journal of Geophysical Research: Oceans (1978—2012), 2010, 115(C5)：1.

[6] Gower J, King S, Borstad G, et al.International Journal of Remote Sensing, 2005, 26(9): 2005.

[7] KONG Fan-xiang, GAO Guang(孔繁翔, 高 光).Acta Ecologica Sinica(生態(tài)學(xué)報(bào)), 2005，3: 589.

[8] ZHANG Xia, SUN Rui, ZHANG Bing, et al(張 霞, 孫 睿, 張 兵, 等).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2006，12: 128，309.

[9] WEN Qing-ke, ZHANG Zeng-xiang, WANG Xiao, et al(溫慶可, 張?jiān)鱿? 汪 瀟, 等).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2010，3: 171，390.

[10] LI Ya-chun, SUN Jia-li, XIE Zhi-qing, et al(李亞春, 孫佳麗, 謝志清, 等).Journal of the Meterological Sciences(氣象科學(xué)), 2011, 6: 737.

[11] Qin B Q, Xu P Z, Wu Q L, et al.Hydrobiologia, 2007, 581: 3.

[12] Van Leeuwen W J D, Huete A R, Laing T W.Remote Sensing of Environment, 1999, 69(3): 264.

[13] KONG Fan-xiang, MA Rong-hua, GAO Jun-feng, et al(孔繁翔, 馬榮華, 高俊峰，等).Journal of Lake Sciences(湖泊科學(xué)), 2009，3: 314.

[14] Cortes C, Vapnik V.Machine Learning, 1995, 20(3): 273.

[15] TAN Kun, DU Pei-jun(譚 琨, 杜培軍).Journal of Infrared and Millinreter Waves(紅外與毫米波學(xué)報(bào)), 2008，2: 123.

[16] YANG Yu, LI Yun-mei, WANG Qiao, et al(楊 煜, 李云梅, 王 橋，等).Geo-Information Science(地球信息科學(xué)學(xué)報(bào)), 2009，5: 5597.

(Received Feb.9, 2015; accepted May 22, 2015)

*Corresponding author

Monitor of Cyanobacteria Bloom in Lake Taihu from 2001 to 2013 Based on MODIS Temporal Spectral Data

LI Yao1, 2, ZHANG Li-fu1*, HUANG Chang-ping1, WANG Jin-nian1, CEN Yi1

1.State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, 2.University of Chinese Academy of Sciences, Beijing 100049, China

Algal bloom highly impacts the ecological balance of inland lakes.Remote sensing provides real-time and large-scale observations, which plays an increasingly significant role in the monitoring of algal bloom.Various Vegetation Indices (VIs) derived from satellite images have been used to monitor algae.With threshold segmentation of VI, the area of algal bloom can be extracted from images.However, the result of threshold segmentation only reflects the condition of algae when images were generated.Compared to separated VI data obtained at a particular moment of time, temporal spectral VI data contains phonological information of algae, which may be used to evaluate algal bloom more accurately and comprehensively.This study chose MODIS NDVI data of the Lake Taihu from 2001 to 2013, and constructed temporal spectral data for each year.Then, we determined the feature temporal spectra of severe cyanobacteria bloom, moderate cyanobacteria bloom, slight cyanobacteria bloom and aquatic plants, and separated these four kinds of objects using SVM (Support Vector Machine) algorithm, getting the spatial distribution and area of them.In order to compare the results of our method with traditional threshold segmentation method, we chose 8 separated NDVI images from the temporal spectral data of 2007.With the threshold 0.2 and 0.4, cyanobacteria bloom was classified into three degrees: severe cyanobacteria bloom, moderate cyanobacteria bloom, and slight cyanobacteria bloom.By comparison, it showed that our method reflected cyanobacteria bloom more comprehensively, and could distinguish cyanobacteria and aquatic plants using the phonological information provided by NDVI temporal spectra.This study provides important information for monitoring the algal bloom trends and degrees of inland lakes, and temporal spectral method may be used in the forecast of algal bloom in the future.

MODIS; Lake Taihu; Algal bloom; Temporal spectra; Support vector machine; Monitor

2015-02-09，

2015-05-22

國(guó)家自然科學(xué)基金項(xiàng)目(41201348, 41371359)和高分水利遙感應(yīng)用示范系統(tǒng)項(xiàng)目(08-Y30B07-9001-13/15-01)資助

李 瑤，1990年生，中國(guó)科學(xué)院遙感與數(shù)字地球研究所在讀博士研究生 e-mail: liyao@radi.ac.cn *通訊聯(lián)系人 e-mail: zhanglf@radi.ac.cn

TP79

A

10.3964/j.issn.1000-0593(2016)05-1406-06