基于多源遙感數據的巢湖水華長時序時空變化(2009-2018年)分析與發(fā)生概率預測*

祁國華,馬曉雙**,何詩瑜,吳鵬海

(1:安徽大學資源與環(huán)境工程學院，合肥 230601)(2:安徽大學濕地生態(tài)保護與修復安徽省重點實驗室，合肥 230601)

淡水資源是我國社會經濟發(fā)展最重要的資源之一，它的利用和保護關系到國家發(fā)展和社會民生. 近年來，隨著人類活動的增加和經濟的快速發(fā)展，淡水湖泊的富營養(yǎng)化已經成為一個嚴重的生態(tài)、環(huán)境、經濟和社會問題，而藍藻水華則是富營養(yǎng)化湖泊中最常見的環(huán)境問題. 據報道，我國有不少大型淡水湖泊，如巢湖[1]、太湖[2]、滇池[3]、洱海[4]等都出現過大規(guī)模的水華現象. 水華的頻繁發(fā)生，嚴重威脅了湖泊周邊居民的生產生活用水安全，并且對湖區(qū)的生物多樣性甚至整個生態(tài)系統(tǒng)造成了嚴重的影響[5]. 因此，快速、全面、準確的掌握水華發(fā)生的規(guī)律，探究水華發(fā)生的驅動因素，對后期水華的監(jiān)測、治理以及預防具有十分重要的意義.

近年來衛(wèi)星遙感技術的發(fā)展和應用愈發(fā)成熟，使得大范圍、長時序的水華監(jiān)測得以實現，與常規(guī)監(jiān)測手段相比具有無可比擬的優(yōu)勢，國內外眾多學者利用衛(wèi)星影像在藍藻水華監(jiān)測研究中取得了明顯的成效. 例如李晟銘等利用Landsat影像探究了巢湖水華的長時序時空變化特征[6]；唐曉先等[7]通過MODIS數據揭示了2000-2015年間巢湖水華的時空變化規(guī)律. Landsat衛(wèi)星發(fā)射時間早、空間分辨率高，雖然能滿足長時序研究的要求，但重返周期長，實際研究中數據密度較低，由于水華高動態(tài)性的變化特點，數據密度對水華動態(tài)分析的影響較大；MODIS數據時間分辨率較高，每天都可獲取到影像，但其空間分辨率較低，最高僅有250 m，在一定程度上會影響水華提取的精度，并且不適應用監(jiān)督分類的方式解譯水華. 大部分長時序的研究都受限于單一數據源的缺點，無法兼?zhèn)涓邥r空數據的優(yōu)點. 因此，要想提高水華提取的精度，更加準確客觀地分析水華長時序時空變化趨勢，必須獲取高時間和高空間分辨率的遙感影像.

如何利用技術手段提高水華解譯的精度是水華研究的一個熱點課題. Rouse等[8]提出了歸一化植被指數(normalized difference vegetation index，NDVI)，用來區(qū)分水體和水中藍藻；Hu[9]建立了一種浮游藻類指數(floating algae index，FAI)來識別水華，有效地減小了大氣對水華提取的影響. 指數閾值提取法對水華有較好的辨識性，但是對于不同數據源甚至同一數據源不同時相的遙感影像，閾值都會發(fā)生變化，因此閾值的選定存在極大的主觀性和不確定性；再者，閾值提取法避免不了會將“異物同譜”的物質進行誤分，容易導致水華面積偏大. 不少學者，如潘琛等[10]利用監(jiān)督分類的方法對內陸湖泊的水華信息進行有效提??；Zhang等[11]利用監(jiān)督分類的方法對海洋中的赤潮進行了識別. 監(jiān)督分類的優(yōu)勢在于能夠有效利用研究者的經驗，擺脫閾值選擇帶來的困擾，并且在樣本選取時還能消除渾濁水體的背景干擾和“異物同譜”物質的影響，但是易于受影像質量問題(如云、霧等)的影響，在樣本選擇過程中往往會出現誤選，導致難以取得較高的解譯精度. 因此本質上來講，提高樣本選擇的準確性以及在監(jiān)督分類中考慮更多的影像信息特征是提高水華提取精度的有效途徑.

在利用遙感影像監(jiān)測到水華信息的基礎上，眾多學者針對水華時空變化開展了相關的研究. 例如馬榮華等對太湖藍藻水華最初在夏季出現時間的變化、覆蓋面積、空間分布特點等做了研究[12]，朱利等[13]從發(fā)生頻率、起始日期和持續(xù)時間三個角度分析探討了巢湖水華的動態(tài)變化規(guī)律. 以上這些研究雖然都嘗試從不同角度探尋水華的時空變化規(guī)律，但受限于遙感數據量較少、分辨率較低以及水華提取方法精度不高等的影響，難以較準確獲取長時間尺度、高時空分辨率的水華信息. 此外，還有學者通過分析湖區(qū)氣象條件變化對水華發(fā)生的影響，利用Logistic回歸建立氣象風險概率預測模型，將氣象因子與遙感監(jiān)測結果建立直接的關系[14]. 氣象因素雖不是水華發(fā)生的主導因素，但卻是誘導因素，不同湖區(qū)氣象條件差異顯著，如何選取氣象因子精準建立預測模型以及判定水華氣象風險的主導氣象因素值得探尋和深入研究.

本文利用2009-2018年10年間巢湖區(qū)域的多源遙感影像以及時空融合技術得到研究區(qū)長時序高時空分辨率的遙感數據，采用波段融合的方式將NDVI指數波段加入到遙感影像當中并通過監(jiān)督分類提取水華信息，從水華發(fā)生程度、四季變化特征、發(fā)生頻率、空間分布及其原因等角度揭示了巢湖水華的長時序時空變化特征；另外，通過分析水華發(fā)生期的氣溫、日照、降水、風速等氣象因素，構建Logistic巢湖水華氣象風險預測模型，為巢湖水華的監(jiān)測、治理和防控提供了重要的理論依據和技術支撐.

1 研究區(qū)域與數據

1.1 研究區(qū)域概況

巢湖(31°25′～31°42′N，117°17′～117°50′E；圖1)位于安徽省中部合肥市境內，被巢湖市、包河區(qū)、肥東縣、肥西縣、廬江縣一市一區(qū)三縣環(huán)抱其中，為合肥市最大的內湖，也是我國的第五大淡水湖. 巢湖東西長55 km，南北寬21 km，湖岸線170多km，平均水深3 m，最大水深6.78 m，面積約780 km2，以忠廟—姥山—新河口為界分為東西半湖. 湖水主要靠地表徑流補給，水域遼闊，四周河溝渠道360多條，縱橫交錯，曲折回環(huán)，其中較大的河流有南淝河、派河、杭埠河、白石天河、兆河、柘皋河等，并通過裕溪河與長江連通[15].

圖1 巢湖地理位置及氣象站示意

1.2 遙感數據與氣象數據

本文實驗選取2009-2018年10年間巢湖區(qū)域的高分辨率多源光學遙感數據以及利用時空融合技術得到的時空融合數據，數據基本均分在各個月份，數據源包括高分一號、Landsat、Sentinel-2、MODIS和融合數據，需要說明的是，MODIS數據空間分辨率較低，本文只將其作為間接數據源，參與數據的時空融合，各相關數據源使用情況如表1所示. 同期氣象數據來源于國家氣象信息中心(http://data.cma.cn/)，站點為合肥站(31°47′N，117°18′E)和巢湖站(31°35′N，117°5′E)，獲取包括氣溫、日照、降水量、風速、風向等逐日氣象數據，氣象數據統(tǒng)計采用兩個站點氣象數值的日平均值.

表1 衛(wèi)星遙感數據使用情況

2 研究方法

2.1 影像預處理與時空融合

受各種因素的影響，遙感影像往往不能直接使用，首先須對影像進行輻射定標、大氣校正、正射校正、幾何校正等預處理，對部分數據源影像因傳感器故障、單幅影像不足以覆蓋研究區(qū)域等問題，還須進行去條帶、圖像鑲嵌等相關步驟. 為獲取長時序高時空分辨率的遙感數據以及解決部分時間段數據缺失和分布不均勻問題，本文采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)增強時空自適應反射率融合模型[16]對MODIS數據和Landsat數據進行時空融合.

ESTARFM模型的融合理論是對已知影像的像素值取相同的權值，然后進行加權平均得到融合影像的像素值[17]. 該模型在原有時空融合模型的基礎上進行了改進，對賦權方法進行了調整，通過引入一個轉換系數，提高了地表情況較為復雜以及空間性質差異較大區(qū)域的預測精度，同時在融合過程中不僅充分考慮像元之間的時間和空間差異性，而且考慮光譜差異性[18]，是目前應用最為廣泛并且融合精度較高的時空融合模型之一[19]. 部分研究者已將該模型成功地應用到溫度、墊面監(jiān)測與熱環(huán)境分析、土地利用類型變化等動態(tài)性變化較高的地物監(jiān)測中，充分表明該模型對高動態(tài)變化地物類型的影像融合同樣適用[20-21]. 在融合過程中，該模型首先利用權重函數進行卷積運算得到中心像元值，如公式(1)所示:

(1)

式中，L代表Landsat影像，M代表MODIS影像，w為計算窗口的大小，t0、tp分別表示影像獲取的兩個時刻，B表示影像波段，N是中心預測像元的相似像元數目，Wi是第i個相似像元的權重，Vi是第i個相似像元的轉換系數，(xi,yi)是第i個相似像元的位置.

根據時相1(m時刻)的Landsat和MODIS與時相2(tp時刻)的MODIS來預測tp時刻Landsat影像的反射率，記為Lm(xw/2,yw/2,tp,B)；然后利用時相3(n時刻)的Landsat和MODIS與時相2(tp時刻)的MODIS來預測tp時刻Landsat影像的反射率，記為Ln(xw/2,yw/2,tp,B). 通過2個時相預測結果的加權組合可以獲得更加準確的tp時刻Landsat影像的反射率[22]，如公式(2)所示:

L(xw/2,yw/2,tp,B)=Tm·Lm(xw/2,yw/2,tp,B)+Tn·Ln(xw/2,yw/2,tp,B)

(2)

式中，L(xw/2,yw/2,tp,B)是tp時刻中心像素點的融合結果，Tm、Tn分別是兩個時刻預測結果影像的權重系數. 具體的時空融合示意圖如圖2所示.

圖2 時空融合示意圖

2.2 水華解譯方法

支持向量機(support vector machine，SVM)是一種有監(jiān)督的學習模型，通常用來進行模式識別、地物分類和回歸分析[23]，特別是在地物分類中有著廣泛的應用和較高的分類精度[24]. SVM解譯水華的理想目標是將水華像元根據其在不同波段的光譜特征準確地進行分類，但是由于水華分布的復雜性、無序性和不規(guī)則性，僅僅依靠光譜特征難以獲得較為理想的分類結果，因此，在監(jiān)督分類中充分利用影像上水華的多特征信息，對于提高分類精度具有很大的意義[25-26]. 本研究通過波段融合的方式將NDVI指數波段加入預處理之后的遙感影像當中，使影像具備了原本不具有的特征信息，對難以區(qū)分的中、低濃度水華具有較好的辨識作用. 此外，通過波段融合還能夠綜合利用不同波段之間的特征信息[27]，提高樣本的選取精度. 對于本研究而言，由于NDVI能有效描述水體的含植被量并且在水華識別中具有較為廣泛的使用，故將其作為一個輸入波段，得到一種結合NDVI與SVM的水華提取方法，以下簡稱NDVI-SVM. 該方法解譯水華的基本流程如圖3(僅展示關鍵過程的影像結果)所示，水華解譯基本過程如下：

1)NDVI提取與波段融合：將預處理后的遙感影像先進行歸一化NDVI提取，然后將NDVI指數影像與預處理后的遙感影像進行波段融合，得到含有NDVI指數波段的多波段影像.

2)研究區(qū)矢量邊界裁剪：利用巢湖矢量邊界對影像進行裁剪，目的是增強影像中不同地物的顯色差異以及加快后期監(jiān)督分類速度.

3)樣本選取及評價：在2%的拉伸方式下對波段融合后的影像依次進行NDVI指數波段、紅波段、綠波段顯色，水華在影像中呈粉紅色形態(tài)與周圍藍色水體有明顯區(qū)別；隨后進行樣本選取，樣本共分為兩類，即水華和無水華水體樣本，樣本的選擇應遵循代表性、統(tǒng)計性和準確性等基本原則. 為保證樣本選擇的精度，每類樣本的選取數量保證在50個以上，同時對所選樣本進行評價，通過計算Jeffries-Matusita距離和轉換分離度，其中大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需要重新選擇樣本.

4)SVM監(jiān)督分類：采用支持向量機的分類方式對樣本進行分類，并將分類結果與預處理結果影像進行疊加，目視判斷分類精度.

5)掩膜：對分類結果進行掩膜獲取水華解譯信息，并根據像元大小和數量計算水華覆蓋面積.

圖3 水華提取流程

2.3 Logistic模型

Logistic回歸模型是一種非線性回歸概率模型，通過轉化問題來分析被預測變量的條件概率同預測變量之間的關系，在二分類因變量問題中應用較為廣泛[28]. 本研究將水華發(fā)生與否(分別取值為1和0)作為因變量，將各種氣象因素變量值作為自變量，建立各氣象因素與水華發(fā)生與否的二元概率回歸模型.

Logistic回歸模型表達式如下：

(3)

或

(4)

式中，ρ=P(y=1|X1,X2,…,Xk)為事件發(fā)生概率，X1、X2、…、Xk為自變量因子值，β0、β1、β2、…、βk為邏輯回歸系數，模型通過SPSS軟件構建和擬合度檢驗.

根據中國環(huán)境監(jiān)測總站制定的“太湖、巢湖水華特征臨時判別方法”[29]，可對巢湖水華特征進行判別分類，將湖區(qū)藻類覆蓋面積≤5%的情況界定為無水華，此時模型因變量取值為0；反之，界定為有水華，因變量取值為1. 本文根據獲取的水華信息以及利用上述判別方法得到所有對應日期的因變量值，同時輸入篩選的對應日期氣象因子的自變量值，便可實現模型的擬合構建.

3 結果與分析

3.1 NDVI-SVM方法精度評價

目前絕大部分利用遙感影像提取水華的研究都無法進行精度評價，往往只能借助目視解譯來判斷提取結果是否可靠，本文給出其中2種數據源影像水華解譯前后的結果，如圖4所示. 此外，為驗證NDVI-SVM方法的可靠性，本文提出一種新的評價方式，該評價方式的基本思想是：對于一種可靠的水華解譯方法而言，其在時相極接近的兩個不同傳感器所獲取影像上的水華解譯結果應當極為接近，通過在同一影像拉伸(2%拉伸)方式下分別采用NDVI閾值提取法、傳統(tǒng)SVM監(jiān)督分類法和NDVI-SVM方法對影像進行水華提取，如表2所示，可以發(fā)現兩對時相中NDVI-SVM方法提取面積極為接近(僅分別相差0.2712和0.646 km2). 對于水體總面積約780 km2的巢湖而言，上述提取面積的差值微乎其微，而且之所以存在差值主要有以下三個原因：其一，不同分辨率衛(wèi)星對水華的識別會有略微差別；其二，監(jiān)督分類本身存在主觀意識；其三，衛(wèi)星影像過境時間雖相差無幾，但還是存在時間差，水華可能會在幾分鐘內發(fā)生略微的變化.

圖4 NDVI-SVM方法水華解譯結果

表2 水華提取方法誤差分析

為進一步定量分析NDVI-SVM方法的可靠性，本文提出一種定量評價指標，其計算表達式如下：

(5)

式中，σ代表相對誤差值，S1代表Landsat-7影像水華提取面積，S2代表Sentinel-2影像水華提取面積. 誤差值越小，表明相近時間不同傳感器水華提取結果越為接近，水華解譯效果越好，提取精度越高.

根據誤差評價結果可以看出，NDVI-SVM的誤差值較小，而NDVI閾值提取法和傳統(tǒng)SVM分類法相對較大，另外發(fā)現NDVI-SVM的水華提取面積介于NDVI閾值提取法(提取面積一般會偏大)和傳統(tǒng)SVM監(jiān)督分類法(提取面積一般會偏小)之間，這充分驗證了NDVI-SVM方法的可靠性，此外，該方法對多源高分辨率遙感影像具有普遍的適用性，同時有著較快的監(jiān)督分類速度. 因此，整體而言，NDVI-SVM方法是一種較為理想并實質有效的藍藻水華解譯方法.

在哈佳線施工過程中，王振東在技術創(chuàng)新的道路上，取得了特殊的成績。他結合學府路、佳木斯站、東佳木斯站等不同地質變化的特點，制定有效技術對策，形成了臨近既有鐵路富水含砂深基坑施工技術研究、臨近鐵路既有線的深基坑施工方案優(yōu)化研究等。催生了施工現場對新技術的廣泛運用，為后續(xù)相關工程施工積累了寶貴的經驗。

3.2 巢湖水華時空變化規(guī)律分析

3.2.1 水華發(fā)生程度年際變化 根據水華面積占湖泊總面積的比例(P)，將巢湖水華發(fā)生程度劃分為4級. 當P≤5%時，無藍藻水華；當5%60%時，有全湖藍藻水華[30]. 本研究對2009-2018年間的巢湖水華發(fā)生情況進行了統(tǒng)計(表3).

表3 巢湖藍藻水華發(fā)生次數

如圖5所示，2009-2018年期間，巢湖發(fā)生的藍藻水華以零星和局部水華為主，區(qū)域水華占比較低，全湖水華維持在零狀態(tài)，2012年首次出現區(qū)域水華，除2009和2017年外，其它年份局部水華發(fā)生次數所占的比例都高于零星水華，10年間局部水華發(fā)生次數的比例變化趨勢最為顯著.

圖5 巢湖各等級藍藻水華發(fā)生次數占總次數的比例

3.2.2 水華季節(jié)變化趨勢 根據氣象學劃分的季節(jié)(3、4、5月為春季，6、7、8月為夏季，9、10、11月為秋季，12和次年1、2月為冬季)對巢湖水華進行四季變化特征分析(增加2019年1、2月份的水華信息作為2018年的冬季). 如圖6所示，水華在夏、秋季最為嚴重，而冬、春季處于相對低迷狀態(tài)；10年間，冬春季的水華面積基本保持平穩(wěn)狀態(tài)，而夏秋季整體呈增長趨勢；另外，考慮到巢湖所處的安徽省中部春季和秋季較短，本文將一年分為夏半年(5-10月)和冬半年(其余月份)，夏半年水華普遍比冬半年嚴重，并且不同年份夏、冬半年水華面積差異較大，其中2018年差異最大，水華覆蓋面積差值高達95.687 km2.

圖6 巢湖藍藻水華季節(jié)變化

3.2.3 水華空間變化特征 從各年的巢湖水華頻率分布圖以及10年間整體水華頻率分布圖可以發(fā)現(圖7)，西巢湖水華發(fā)生頻率明顯高于東巢湖，且西巢湖的高發(fā)區(qū)域主要在西北部，其主要原因之一是巢湖西北部是合肥市區(qū)排污河(南淝河、十五里河、塘西河)的入湖口；后五年水華發(fā)生頻率明顯高于前五年，東中部湖區(qū)發(fā)生頻率較之前有所增加. 盡管近十幾年來對巢湖治理的措施和政策相繼出臺，投資也不斷加大，但湖泊富營養(yǎng)化仍然保持在較高水平. 湖區(qū)水華發(fā)生頻率的變化也較為復雜，2011年水華開始向沿岸蔓延；2014年水華首次出現在西南湖區(qū)；2016年巢湖水華高發(fā)區(qū)域新增巢湖東部和中部地區(qū)，這與當年巢湖泄洪換水有關，換水使得湖區(qū)營養(yǎng)化水平明顯下降，藍藻優(yōu)勢種群發(fā)生改變，冬季魚腥藻頻繁出現在中東湖區(qū)[31]；2017、2018年相比前幾年，高頻暴發(fā)區(qū)域有所減少，表明近幾年巢湖的治理初見成效，并且隨著合肥濱湖新區(qū)的逐步建設與發(fā)展，巢湖西北岸乃至整個巢湖區(qū)域的水華都會得到有效治理.

圖7 巢湖藍藻水華年度發(fā)生頻率

3.2.4 水華空間分布原因 巢湖水華發(fā)生的空間分布原因除了與排污河入湖口有關外，也受限于風向這一氣象因素的影響. 如圖8所示，為了研究這一問題，以2018年為例，將夏季風(5-10月)風向、冬季風(其余月份)風向、全年風向的風向頻率進行統(tǒng)計制成風向玫瑰圖；與此同時，給出相應風向日期的水華頻率分布圖，可以發(fā)現，以主導風向為東風和東南風的夏季風，水華在巢湖西北岸的發(fā)生頻率較高；以主導風向為西北風的冬季風，水華在巢湖南岸、東南岸的發(fā)生頻率較高；從主導風向為東風和東南風的全年風玫瑰圖來看，西北岸發(fā)生頻率較高. 由此可見，巢湖水華發(fā)生的空間分布與風向有直接的關系，這主要是因為風向會使湖泊表層水體向下風向流動，從而帶動藍藻聚集形成大規(guī)模水華.

圖8 主導風向與水華高發(fā)區(qū)域對比

3.3 水華發(fā)生期氣象條件分析

氣象數據采用日平均值(8:00-20:00)，通過分析衛(wèi)星監(jiān)測當日及前幾日氣象條件變化，確定模型的自變量因子，此外，從所有衛(wèi)星監(jiān)測日期中隨機選取部分日期，統(tǒng)計水華發(fā)生情況與氣象數據的顯著相關性，來進一步驗證自變量選取的合理性.

1) 氣溫：藻類的生長需要適宜的溫度條件，統(tǒng)計水華發(fā)生日的日最高氣溫和日最低氣溫，發(fā)現兩者變化幅度較大，但是根據水華發(fā)生日平均氣溫變化情況來看(圖9)，最高30.4℃，最低6.0℃，平均20.6℃，平均氣溫與水華的Pearson相關系數為0.69(在0.01水平上雙側顯著相關)，由此可見，較高或較低的溫度都會抑制藻類的生長. 因此，平均氣溫可能是誘發(fā)水華發(fā)生的重要氣象條件，故選取平均氣溫作為模型因變量因子之一.

2) 日照：從水華發(fā)生日的日照時數變化情況來看(圖9)，水華發(fā)生日日照時數普遍較長，基本都在6.5 h以上，平均日照時數9.0 h，最長日照時數高達11.0 h，日照時數與水華的Pearson相關系數為0.79(在0.01水平上雙側顯著相關)，同時發(fā)現每次水華發(fā)生的前幾日，日照時數普遍偏低，這是因為水華發(fā)生前普遍會有陰雨天氣出現，而天氣轉晴之后突增的強日照可能是水華發(fā)生的誘導原因. 因此，較長的日照時數對水華的發(fā)生具有一定的促進作用.

3)降水量：降水對水華的影響主要有兩方面：其一，降水會導致溫度降低和日照時數驟降，從而抑制水華的發(fā)生；其二，降水會對水體產生強大的攪拌作用，從而影響藻類上浮聚集形成水華，但是統(tǒng)計發(fā)現水華發(fā)生前均有明顯降水或連續(xù)性陰雨天氣，天氣轉晴后，氣溫的升高和日照時數的突增，則會誘發(fā)水華的發(fā)生. 根據水華發(fā)生日的前五日日均降水量變化情況(圖10)來看，其與水華發(fā)生有明顯的關系，并且前五日日均降水量與水華的Pearson相關系數為0.69(在0.01水平上雙側顯著相關). 因此，將前五日日均降水量作為構建模型的氣象指標之一.

4)風速：統(tǒng)計水華發(fā)生日的最大風速、最小風速和平均風速，發(fā)現最大風速和最小風速的風速變化范圍較大，不能很好地擬合與水華發(fā)生的關系，但是根據水華發(fā)生日的平均風速變化情況(圖10)來看，平均風速都在3.2 m/s以內，由此看來，較低的風速對水體的攪拌作用小，有利于藻類聚集上浮.

圖9 巢湖水華發(fā)生期平均氣溫和平均日照時數變化

圖10 巢湖水華發(fā)生期前五日日均降水量和平均風速變化

需要說明的是，本研究所使用的光學遙感數據只能在晴空下監(jiān)測巢湖藍藻水華發(fā)生的情況，有云或陰雨天時則監(jiān)測不到，這可能會導致氣象數據分析稍有偏差，但是目前有學者已經研究利用雷達遙感數據對太湖藍藻水華進行監(jiān)測，取得了明顯的成效[32]. 后續(xù)將嘗試利用雷達遙感數據監(jiān)測巢湖藍藻水華，從而能進一步提高巢湖水華氣象風險的預測準確率.

3.4 Logistic模型檢驗與結果

為檢驗模型的精度和穩(wěn)定性，采用交叉驗證法，將全部數據隨機均分為5 組，其中4 組作為訓練樣本構建模型，1 組作為驗證組與其對應日期的模型預測結果進行對比. 實驗發(fā)現，Logistic模型對于5組數據的預測準確率分別為88.0%、85.3%、92.0%、85.5%、86.8%，平均預測準確率87.52%. 模型的卡方值為54.291，自由度為4，顯著性為0.001，小于0.05的顯著水平，表明所構建模型的顯著性較高. 在模型擬合優(yōu)度Hosmer & Lemeshow檢驗中[33]，卡方統(tǒng)計值為3.148，自由度為7，顯著性為0.871>0.05，說明模型能較準確地擬合整體. 以上數據均表明本研究所選氣象因子較為恰當，也說明模型在巢湖水華氣象風險預測中的適用性.

在最終的模型變量檢驗中，采用Wald統(tǒng)計量檢驗自變量影響的顯著程度[34]. 所有自變量因子均滿足較強的統(tǒng)計顯著性，其中日照時數的顯著性為0.38，明顯高于其他氣象因子，表明日照時數是影響水華發(fā)生的主導氣象因素；另外，所有自變量因子的S.E.值均大于0.05，充分說明各氣象因子與水華發(fā)生的相關性具有統(tǒng)計學意義[35].

根據最高預測準確率數據得到的最佳回歸方程如下：

(6)

式中，ρ表示預測概率，X1表示日平均氣溫，X2表示日平均日照時數，X3表示日平均風速，X4表示前五日日均降水量.

模型預測結果表明，巢湖水華一般在陰雨天之后日照時數較長的情況下發(fā)生概率較大，另外，較低的風速和適宜的溫度對水華發(fā)生概率的影響也不容忽視. 進一步分析預測結果可知，錯誤預測的情況一般出現在水華發(fā)生衰退期，因為水華發(fā)生期藍藻在湖面大規(guī)模集聚，即使氣象條件發(fā)生驟變，大規(guī)模的水華不可能短期內從湖面消失，水華仍舊持續(xù)一定的時間，所以水華發(fā)生后期不僅與氣象條件有關，還與水華發(fā)生前期的規(guī)模和程度有很大的關系.

在富營養(yǎng)化湖泊中，藍藻的暴發(fā)是因為水體中氮磷等營養(yǎng)物質偏高，當營養(yǎng)鹽濃度穩(wěn)定在恒定范圍內，氣象、水文等因素就成了誘導水華發(fā)生的關鍵條件. 基于氣象數據構建的Logistic水華氣象風險概率預測模型，重點分析氣象因素對水華暴發(fā)的影響，實現了通過氣象因素對水華發(fā)生概率的預測，并且將該模型成功地運用到了巢湖水華氣象風險的預測中，為后期巢湖甚至其它富營養(yǎng)化湖泊的治理和防控提供了技術理論和參考價值.

4 結論

衛(wèi)星遙感技術在藍藻水華監(jiān)測中的廣泛應用，使水華的治理與防控變得高效化和便捷化. 本文基于高時空分辨率的遙感數據，利用NDVI-SVM水華提取方法，從水華發(fā)生程度、四季變化特征、發(fā)生頻率、空間分布及其原因等多角度揭示了巢湖水華的長時序時空變化規(guī)律；同時通過同期氣象數據，構建了Logistic巢湖水華氣象風險概率預測模型. 研究的主要創(chuàng)新點及結論如下：

1)高時空分辨率的遙感數據：本研究通過多源衛(wèi)星以及時空融合技術獲取了巢湖區(qū)域長時序高時空分辨率的遙感數據，解決了因惡劣天氣導致的部分時間段數據量不足和分布不均勻問題，為基于遙感數據的水華長時序研究提供了可靠的數據支撐.

2)較高精度的水華提取方法：NDVI-SVM水華提取方法避免了閾值選擇的主觀性和不確定性，減小了“異物同譜”物質的影響，同時在SVM監(jiān)督分類時綜合利用了多波段影像的多特征信息，提高了水華解譯的精度，特別是中、低濃度水華的提取精度.

3)多角度的時空分析：巢湖發(fā)生的藍藻水華以零星和局部水華為主，全湖水華維持在零狀態(tài)，10年間局部水華發(fā)生次數的比例變化趨勢最為顯著；巢湖水華季節(jié)變化性強，夏冬半年變化差異大；后五年水華發(fā)生頻率明顯高于前五年，東中部湖區(qū)水華發(fā)生頻率較之前有所增加；巢湖水華的空間分布與主導風向及排污河入湖口位置有很大的關系，整體來看，西巢湖水華較東巢湖嚴重，巢湖西北部是水華的高發(fā)區(qū)域.

4)穩(wěn)定的水華氣象風險預測模型：本研究通過水華遙感監(jiān)測信息和氣象數據構建了巢湖水華氣象風險預測模型，平均預測準確率高達87.52%. 預測結果表明，在陰雨天之后，日照時數較長的情況下，巢湖水華發(fā)生的概率最大，除此之外，較低的風速和適宜的溫度也是影響水華發(fā)生概率的重要條件，其中日照時數是影響水華發(fā)生概率的主導氣象因素.

需要說明的是，基于遙感影像的水華提取方法并不唯一，水華提取方法還有待改進，精度還有待提高，而且水華發(fā)生的內在機理復雜，未來應該探究多個因素，并考慮彼此之間的聯系，另外，Logistic水華氣象風險概率預測模型還有待優(yōu)化.

致謝：感謝馬曉雙副教授在論文寫作中給予的指導和幫助.