Orginal Article

Hyperspectral Data Applied in Monitoring and Evaluating the Water Trophic State of Keqin Lake, Zhalong Wetland

  • ZHANG Nan-nan ,
  • ZANG Shu-ying
Expand
  • Key Laboratory of Remote Sensing Monitoring of Geographic Environment, College of Heilongjiang Province, Harbin Normal University, Harbin, Heilongjiang150025, China

Received date: 2011-02-18

  Request revised date: 2011-04-06

  Online published: 2012-02-20

Copyright

本文是开放获取期刊文献,在以下情况下可以自由使用:学术研究、学术交流、科研教学等,但不允许用于商业目的.

Abstract

The approach of field reflectance spectra was used to monitor and evaluate the trophic state in Keqin Lake, Zhalong wetland, China, based on 30 in situ water sampling data, together with the analysis of algorithms of chlorophyll-a, SD, TP and CODMn. The field reflectance hyperspectral was measured with ASD Fieldspec spectrometer. Furthermore, with the TSIM trophic state index model, the trophic state of Keqin Lake was monitored and evaluated. The results showed thatThe single band is significantly correlated with the concentration of chlorophyll-a, it is higher than that gained with other models. On the basis of analyzing the water reflectance spectral characteristics, the sensitive wave band of water quality parameters is diagnosed with the methods of differential spectroscopy and statistical analysis, the sensitive wave bands of TN, TP, SD and CODMn are 733 nm, 765 nm, 782 nm, and 680 nm, respectively. To compared with multi parameter TSIM, single parameter TSIM is limited. So the assessment of trophic state was performed by multi-parameter TSIM. Keqin Lake is in mesotrophic state, and needs to be prevented from further worsen.

Cite this article

ZHANG Nan-nan , ZANG Shu-ying . Hyperspectral Data Applied in Monitoring and Evaluating the Water Trophic State of Keqin Lake, Zhalong Wetland[J]. SCIENTIA GEOGRAPHICA SINICA, 2012 , 32(2) : 232 -237 . DOI: 10.13249/j.cnki.sgs.2012.02.232

水质遥感监测是通过研究水体反射光谱特征与水质参数浓度之间的关系,建立水质参数反演算法。通过水质遥感对水体富营养化进行监测,这种方法不仅省时省力,而且还可以利用卫星影像进行全面整体监测。目前,国内外学者通过水质参数与遥感数据相结合,成功估测出水质参数浓度,并建立富营养化评价指数[1~5]
由于传统多光谱传感器光谱分辨率较低,很难辨别水质参数的诊断性吸收特征,光谱数据的定量分析目前仍然是内陆湖泊水质遥感实用化的难点。随着高光谱传感器的出现,其达纳米(nm)级的光谱分辨率,可以获得目标物的诊断性光谱特性,实现遥感信息模型参数或条件约束的确定,很好的解决了常规遥感中出现的问题,提高了多参数反演的精度。利用高光谱遥感技术监测内陆水体的水质参数具有很大的发展潜力,并且在对水体富营养化状态研究中获得了很好的评价[6]
本研究通过分析克钦湖水质参数,并同步对其水体进行了水体光谱测试。选择叶绿素a(Chl-a)、透明度(SD)、总磷(TP)、总氮(TN)、高锰酸钾指数(CODMn)这5个水质参数,建立它们与高光谱反射特征之间的相应关系,构建高光谱反演定量模型,并利用TSIM修正营养状态指数模型对克钦湖富营养化程度进行监测,以期为今后高光谱遥感监测扎龙湿地富营养化程度提供理论基础。

1 研究方法

1.1 研究区概况

扎龙湿地(46°52′N~47°32′N,123°47′E~124°37′E)位于松嫩平原东北部,乌裕尔河下游,齐齐哈尔市东南部,部分地区位于齐齐哈尔市的富裕县、泰来县和大庆市的杜尔伯特蒙古族自治县、林甸县境内,总面积约2 100 km2。该区地处寒温带大陆性季风气候半干旱区,多年平均气温2~4.2℃,最高气温36.6℃,最低气温-35.0℃,多年平均降水量为416 mm,但年内分配不均,其中7~9月降水量占全年降水的70% [7]。克钦湖(47°17′N~47°19′N,124°16′E~124°19′E)是扎龙湿地最大的内陆湖泊,总面积27 km2,其中南湖面积为18.2 km2,北湖面积为9 km2,平均水深 3 m。湖区冬季漫长,春干风大,夏热多雨,秋凉霜早。湖水依赖湖面降水和地表径流补给,主要入湖河流为乌裕尔河支流九道沟,然后经九道沟流入乌裕尔河。湖滩类型为盐生草甸湖滩,水生植被以芦苇(Phragmites australis)、蒲草(Typha orientalis)为主。近几年,随着人口增加和经济的高速发展,人类活动对该地区的影响越来越明显,水质呈现出富营养化的现象[8,9]

1.2 数据和方法

于2010年8月17日(10:00~14:00,天气晴朗)对研究区(图1)进行数据采集,共采集30个样点数据(采集时期为扎龙湿地丰水期),用GPS进行定位,同步测定各采样点水体的反射光谱、叶绿素和透明度,并采集水样。每次采集水样前先将采集瓶用湖泊水冲洗数遍,用冰盒保存待实验室分析其他理化指标。SD采用传统的赛克盘(Secchi Disk)法;TP采用钼酸铵分光光度法;TN采用碱性过硫酸钾消解紫外分光光度法;高锰酸钾指数采用国家标准测定方法;叶绿素采用Manta2 多参数水质监测仪测定。水体的反射光谱测量采用美国分析光谱仪器公司(Analytical Spectral Devices ASD公司)生产的Fieldspec HandHeld便携式野外光谱仪,可在350~1 050 nm波长范围内进行连续测量,采样间隔为1.5 nm,光谱分辨率3.5 nm,视场角25℃,光谱反射率经专用平面白板标准化。光谱测量在距水面上方1 m处进行,光谱仪传感器探头方向基本垂直于水面。在每个采样点,进行10次反射光谱测量,最后取其平均值作为该点的实际光谱反射值。
Fig .1 Location of study area and the sampling sites

图1 研究区及采样点示意图

本研究主要在Excel 2007和SPSS statistics 17软件平台下,实现水质参数相关系数的计算及相关分析,30组数据中随机选取22组数据建立模型,其他8组数据用于验证。

2 结果与分析

2.1 水质高光谱模型

2.1.1 叶绿素a高光谱估测模型
对光谱数据进行初步处理后,为了提高光谱曲线与叶绿素a浓度的相关性,本文首先考虑到光谱测量时外界因素对测量数据的影响,选择400~900 nm的反射率平均值对反射率进行归一化处理;为了可以迅速地确定光谱弯曲点及最值反射率的波长位置,对反射率进行一阶微分处理。并以此为基础对原始数据、归一化数据、一阶微分数据与叶绿素a浓度做相关性分析(图2),提取相应的特征波段构建高光谱遥感定量模型。
Fig .2 Correlative analyses between Chlorophyll-a concentration and reflectance, unitary and derivative

图2 原始光谱、归一化光谱、一阶微分光谱与叶绿素a浓度的相关性

图2分析可知单波段原始数据与叶绿素a的相关性较低,这可能是由于克钦湖悬浮物较多,其高反射率掩盖了水体中叶绿素的信息[10],因此不适合选择单波段原始数据建立定量估测模型。而单波段归一化反射率和一阶微分反射率与叶绿素a含量具有很好的相关性,可以用于构建模型。波段比值法可以部分地消除水表面光滑度和微波随时间和空间变化的干扰,并在一定程度上减少其他污染物的影响[11]。在研究克钦湖水体归一化反射光谱特征的基础上,选择503 nm与696 nm做波段反射率比值,进而与叶绿素a做回归分析。用单波段归一化反射率、一阶微分反射率及波段比值反射率的特征波段与叶绿素a浓度分别做线性回归分析。表1为选用以上3种方法中相关系数较高波段进行的分析,得到精度最好的拟合方程。
Table 1 The estimated model of Chl-a concentration

表1 叶绿素a浓度估测模型

线性拟合方程 (n=22) R2
R703nm Y=19.8375x-12.587 0.892
R696nm/R503nm Y=13.6449x-6.7936 0.885
R(λ574)' Y=16534.3x+6.6368 0.889
表1可知,叶绿素a浓度与归一化反射率在703 nm相关性较好(R2=0.892),并且显著相关(p<0.01),说明此波段的光谱反射率受浮游植物浓度影响较大。而叶绿素a浓度与波段比值(R696nm/R503nm)、一阶微分(R(λ574)')的相关性稍低,但确定系数也分别达到了0.885、0.889。通过对比3组模型可知,单波段归一化模型预测效果较好,可以在此基础上对叶绿素a浓度进行估测。
为了分析模型实际应用的适用性,选用剩余的8组实测数据和模型模拟数据做线性相关,对叶绿素a浓度单波段归一化、波段比值和一阶微分估测模型分别进行验证。模型验证结果显示(表2),单波段估测模型确定系数较高,达到R2=0.771,波段比值和微分估测模型稍低(R2=0.77和 R2=0.753),但确定系数也达到了0.7以上,且都达到显著相关(p<0.01),这与段洪涛[12]等关于南湖水体的研究结论相似,表明扎龙湿地克钦湖可以利用单波段来估测水体中叶绿素a的浓度,预测效果较为理想,可以用于反演叶绿素a浓度模型。
Table 2 The verification of the Chl-a concentration estimated model

表2 叶绿素a浓度估测模型验证

验证方程 (n=8) R2
R703nm Y=1.0469x+0.18 0.771
R696nm/R503nm Y=1.011x+0.2984 0.770
R(λ574)' Y=1.0797x-0.2756 0.753
2.1.2 SD、TP、TN、CODMn的高光谱估测模型
透明度、总氮、总磷等与光谱反射率无直接关联,但透明度作为一个反应水体能见度的光学性质的参数,与叶绿素含量,悬浮物及太阳光线等有较高的相关性,间接与反射光谱产生了联系[13~15]。已有一些学者尝试着对反射光谱直接反演水质参数含量进行了测定,结果发现此方法可行,且已获得了较为准确的评价结果[16]
通过对水体原始反射率与各水质参数的相关性分析,可以更直观地看出不同水质参数对光谱特征影响的差异。但由于大气散射等的影响,最大正负相关系数部分未通过临界值检验(p>0.01),因此不能直接利用原始反射率进行回归分析。本文对原始高光谱数据进行了一阶微分转换后,与各水质参数进行相关分析,获得了各水质参数的敏感波段。通过相关性分析可以看出,采用光谱微分技术可以显著提高敏感波段相关性(图3)。
Fig .3 Correlation between first derivative reflectance and water quality parameters

图3 一阶微分光谱反射率与各水质参数相关性

选取各水质参数最大相关波段对应的一阶微分值作为自变量,水质参数浓度作为因变量,对22个样本进行回归分析,结果见表3。从R2及系数信度检验值分析可以看出,水体反射率的一阶微分值可以很好地拟合各水质参数的真实值。
Table 3 Regression analysis of water quality parameters and first derivative reflectanc

表3 水质参数与一阶微分反射率的拟合模型

线性拟合方程 R2 sig.
SD=-24875x(782)+37.4832 0.73 **
COD=11241.4x(680)+5.4406 0.663 **
TN=221.032x(733)+0.4032 0.758 **
TP=164.383x(765)+0.0748 0.745 **

注: **通过置信水平0.01的系数检验。

选择剩余的8组采样点实测数据来检验所建立的模型,其验证结果显示,SD、TN、TP和CODMn估测模型的效果都比较理想,达到显著相关(p<0.01)(图4),故可以通过这4个模型估测出的浓度对克钦湖富营养化指数进行计算和评价。
Fig .4 Modeling validation with estimated data and measured data of water quality parameters

图4 水质参数高光谱估测数据和实测数据模型验证

2.2 水体富营养化评价

湖泊富营养化评价是对湖泊富营养化发展进程中某一阶段营养状态的定量描述。通过分析湖泊营养状态有关的一系列指标及指标间的相互关系,对湖泊的营养化状态做出准确的判断[6]。本文将修正的卡尔森指数TSIM与综合营养状态指数法结合起来进行评价。利用实际监测数据建立叶绿素(CChl-a)与透明度(CSD)、高锰酸盐指数(CCODMn)、总氮(CTN)、总磷(CTP)的相关性,可以使评价更适合研究区,其结果可用如下公式表示[17]
TSIM(Chl-a)=10 (2.46+ln(CChl-a)/ln(2.5)) (1)
TSIM(SD)=10(5.603-0.394ln(CSD)) (2)
TSIM (CODMn)=10 (2.379+1.0497ln(CCODMn)) (3)
TSIM (TN)=10 (3.841-0.211ln(CTN)) (4)
TSIM (TP)=10 (4.738+0.184ln(CTP)) (5)
由于单项理化因子的片面性,综合考虑5个环境指标,将式(1) ~式(5)求均值:
TSIM (AVE)=(TSIM (Ch1-a)+TSIM (CODMn)+TSIM (TN)
+TSIM (SDD)+TSIM (TP))/5 (6)
湖泊营养状态分级指标,采用0~100的一系列连续数字将湖泊营养状态进行分级:TSI(∑)<30为贫营养;30≤TSI(∑)≤50为中营养;50<TSI(∑)≤60为轻度富营养;60<TSI(∑)≤70为中度富营养;TSI(∑)>70为重度富营养。在同一营养状态下,指数值越高,其营养程度越重[18]
由于这5个环境指标的估测模型与实测值具有较好的适用性,可以用来计算营养指数。将Chl-a、TP、TN、SD、CODMn这5个参数的22组采样点计算得到的TSIM值进行水体营养状态评价(图5)。从图中可以得出,Chl-a、TP、TN、SD、CODMn的营养状态指数相对稳定,变化幅度不大,计算得出的TSIM值较低,一般处于35~47之间。为了避免单项理化指数评价水体营养状态的局限性,将5个参数的富营养化求平均值,得出了克钦湖修正营养状态指数TSIM(AVE)。其数值大体处于39~45之间。按照富营养状态划分,克钦湖处于中营养状态。
Fig. 5 The assessments of water quality with parameters and average TSIM

图5 各水质参数及TSIM平均值的富营养化状态评价结果

选择随机选取剩余8组采样点的实测理化数据计算的营养状态指数和高光谱模型估算的营养状态指数进行验证(图6)。验证结果表明,确定系数R2均达到0.6以上,特别是SD的模拟精度达到了0.927;TP的模型精度相对较低,但也达到了0.611。为了避免单一参数评价富营养状态差异大,对5个水质参数的TSIM(AVE)进行验证。结果发现效果更为理想,确定系数为0.929。因此利用高光谱模型估测数据对湖泊富营养化状况进行监测和评价,能够获得较为准确的评价结果。运用其对可钦湖富营养化程度进行监测和研究,是一个很有意义的尝试。
Fig .6 Modeling validation with estimated data and measured data of water quality parameters

图6 各参数水质高光谱实测数据与估测数据验证

3 结 论

本文在分析扎龙湿地克钦湖水体光谱反射特征的基础上,对光谱反射率和水体叶绿素a浓度的相关关系进行分析。结果表明,单波段归一化光谱反射率、光谱反射率比值以及微分光谱反射率与叶绿素a浓度的相关性均达到显著水平,能够较为准确的反演叶绿素a浓度,703nm单波段归一化光谱反射率的估测效果最好,确定系数R2=0.771。
利用高光谱一阶微分估测该湿地的透明度、总氮、总磷、高锰酸钾指数浓度,并获得了较为理想的效果。SD的实测与估测效果最为理想,R2达到了0.918;TP的精度相对较低,为0.66。通过数据分析表明,高光谱模型估测克钦湖水体具有较好的适用性。
运用单波段归一化反射率反演叶绿素浓度以及一阶微分反演总氮、总磷、透明度、高锰酸钾指数值,通过这些参数评价富营养化程度,并且获得了较为理想的结果。按照湖泊营养状态分级指标,将修正的卡尔森指数与综合营养状态指数法相结合,综合考虑5个参数,TSIM(AVE)处于39~45之间,表明克钦湖处于中营养状态,需要采取措施防止水质进一步恶化。
对扎龙湿地克钦湖水体估测模型的研究,总体上较为理想,为今后利用高光谱技术在扎龙湿地遥感监测与评价提供了基础。但由于缺乏悬浮物等固有光学特征的实测数据,其水体组成成分、水中浮游植物以及其它一些自然环境因素的变化,可能会对水体光谱产生一定的影响。因此我们将进一步增加采样次数,深入分析水体组成成分,完善模型,提高各参数的遥感监测精度,实现动态反演扎龙湿地水体富营养化程度。

The authors have declared that no competing interests exist.

[1]
Thiemann S, Kaufmann H.Determination of chlotophyll content and trophic state of lakes using field spectrometer and IRS-IC satellite data in the Mechlenburg lake district,Germany[J].Remote Sensing of Environment,2000,73:227-235.

[2]
Wezemak C T, Tanis F J,Bajza C A.Trophic state analysis of inland lakes[J].Remote Sensing of Environment,1976,5:147~164.

[3]
Cheng K S, Lei T C.Reservoir trophic state evaluation using Landsat TM images[J].Journal of the American Water Resource Association,2001,37(5):120~132.

[4]
吕恒,江南, 罗潋葱.基于TM数据的太湖叶绿素A浓度定量反演[J].地理科学,2006, 26(4):472~476.

[5]
闻见光,肖青,柳钦火,等.基于混合光谱理论的太湖水体叶绿素a浓度提取[J].地理科学,2007, 27(1):92~97.

[6]
段洪涛,于磊,张柏,等.查干湖富营养化状况高光谱遥感评价研究[J].环境科学学报,2006,26(7):1219~1226.

[7]
衣伟宏,杨柳,张正祥.基于ETM+影像的扎龙湿地遥感分类研究[J].湿地科学,2004,3(2)208~212.

[8]
李玉文,梁静,李智娟.扎龙湿地富营养化与治理措施研究[J].环境科学与管理,2009,34(2)165~168.

[9]
王永洁,邓伟.扎龙湿地水环境可持续性度量研究[J].地理科学,2006,26(6):722~727.

[10]
Bhargava D S, Mariam D W.Light penetration depth,turbidity and reflectance related relationship and models[J].Journal of Photogrammetry and Remote Sensing,1991,46(4):217~230.

[11]
段洪涛,张柏,宋开山,等.查干湖叶绿素a浓度高光谱定量模型研究[J].环境科学,2006,27(3):503~507.

[12]
段洪涛,张柏,宋开山,等.长春市南湖叶绿素a浓度高光谱估测模型研究[J].水科学进展,2006,(3):323~329.

[13]
张运林,秦伯强,陈伟民,等.湖泊水体透明度的分析、变化及相关分析[J].海洋湖沼通报,2003,(2):30~36.

[14]
张巍,王学军,江耀慈.太湖水质指标相关性与富营养化特征分析[J].环境污染与防治,2002,24(1):50~53.

[15]
段洪涛,张柏,宋开山,等.查干湖透明度高光谱估测模型研究[J].干旱区资源与环境,2006,20(1):156~160.

[16]
王婷,黄文江,刘良云,等.鄱阳湖富营养化高光谱遥感监测模型初探[J].测绘科学,2007,(4):44~46.

[17]
金相灿,刘鸿亮,屠清瑛,等.中国湖泊富营养化[M].北京:中国环境科学出版社,1990:31~50.

[18]
王明翠,刘雪芹,张建辉.湖泊富营养化评价方法及分级标准[J].中国环境监测,2002,28(5):47~50.

Outlines

/