遥感技术与应用, 2020, 35(2): 295-301 doi: 10.11873/j.issn.1004-0323.2020.2.0295

大数据美丽中国专栏

基于地球大数据的“美丽湖泊” SDG 6.3.2综合评价体系构建

沈明,1,2, 丁云生3, 段洪涛,1

1.中国科学院南京地理与湖泊研究所 中国科学院流域地理学重点实验室，江苏 南京 210008

2.中国科学院大学，北京 100049

3.安徽省巢湖管理局环境信息中心，安徽 巢湖 238000

Construction of “Beautiful Lakes” Comprehensive Assessment System based on Big Earth Data and SDG 6.3.2

Shen Ming,1,2, Ding Yunsheng3, Duan Hongtao,1

1.Key Laboratory of Watershed Geographic Sciences, Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China

2.University of Chinese Academy of Sciences, Beijing 100049, China

3.Environmental Information Centre of Chaohu Lake Management Authority, Chaohu 238000, China

通讯作者: 段洪涛（1979-），男，河南焦作人，研究员，博士生导师，主要从事湖泊遥感和数字流域研究。E⁃mail: htduan@niglas.ac.cn

收稿日期: 2019-03-05   修回日期: 2020-03-17   网络出版日期: 2020-06-18

基金资助: 中国科学院战略性先导科技专项（A 类）.  XDA19040500

Received: 2019-03-05   Revised: 2020-03-17   Online: 2020-06-18

作者简介 About authors

沈明（1993-），男，江苏南京人，博士研究生，主要从事湖泊水环境遥感研究E⁃mail:mshen@niglas.ac.cn , E-mail：mshen@niglas.ac.cn

摘要

湖泊等水体水质状况直接关系到人类社会的可持续发展。传统的水环境质量评价体系大都基于统计数据和原位测量数据，存在周期过长和时效性差等问题，难以实现大范围、连续地湖泊水环境质量评价。遥感技术的发展为高时空分辨率的湖泊水环境质量评价提供了可能。在总结现有湖泊水环境质量评价体系的基础上，以联合国可持续发展目标（Sustainable Development Goals, SDGs）中指标SDG 6.3.2（环境水质良好的水体比例）为导向，结合统计数据、野外实测数据和卫星遥感数据等地球大数据构建了“美丽湖泊”综合评价体系，以期在联合国可持续发展目标框架下，推进我国湖泊水环境质量综合评价，为美丽中国评价提供技术参考。

关键词： 地球大数据 ; “美丽湖泊” ; SDG 6.3.2 ; “美丽中国”

Abstract

Lake water quality is directly related to the survival and development of human beings and society. Most of the existing assessment systems are based on statistical data and in-situ measurement data. Due to the long cycle and poor timeliness, these assessment systems are hard to achieve large-scale and continuous assessment of lake water environment. The development of remote sensing technology has made it possible to evaluate the quality of lake water environment with high spatial and temporal resolution. Thus, after summarizing the existing lake water environment quality assessment system, a new assessment system called “Beautiful Lakes” comprehensive assessment system was developed. A novel index system based on Big Earth Data (such as statistical data, field measured data and satellite remote sensing data) was first developed and integrates human activities, water quality, biology and hydrology indexes. Then, the threshold of each index was determined and the Percentage Compliance of Water Quality Index (cwq) was calculated. Following UN water, the threshold 80% of cwq was used to classify the water quality, which means if a certain water body is with cwq greater than 80%, the water quality is “good”; otherwise, the water quality is poor. Finally, the Percentage of Water Bodies of Good Quality (WBGQ) was calculated to attain the comprehensive assessment of water quality on a large scale (basin scale or national scale). The new assessment system will promote the comprehensive assessment of lake water environment quality in China under the framework of the UN Sustainable Development Goals and provide a technical reference for the evaluation of beautiful China.

Keywords： Big earth data ; “Beautiful lakes” ; SDG 6.3.2 ; Beautiful China

PDF (952KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

沈明, 丁云生, 段洪涛. 基于地球大数据的“美丽湖泊” SDG 6.3.2综合评价体系构建. 遥感技术与应用[J], 2020, 35(2): 295-301 doi:10.11873/j.issn.1004-0323.2020.2.0295

Shen Ming, Ding Yunsheng, Duan Hongtao. Construction of “Beautiful Lakes” Comprehensive Assessment System based on Big Earth Data and SDG 6.3.2. Remote Sensing Technology and Application[J], 2020, 35(2): 295-301 doi:10.11873/j.issn.1004-0323.2020.2.0295

1 引 言

湖泊是地球上最重要的淡水资源之一，通常作为当地主要水源地，同时具有水产、灌溉、调蓄、旅游和生态平衡等多种功能，其水质状况直接关系到人类与社会的生存和发展[1,2,3]。然而受气候变化和人类活动影响，我国湖泊水环境自20世纪80年代以来持续恶化，特别是长江中下游湖泊水环境变化剧烈，富营养化程度逐年增加，湖泊水质不断恶化[4,5,6]，进而制约着人类社会的健康发展。因此，湖泊水环境监测对于我们理解气候变化对淡水生态系统的影响以及模拟未来水环境的变化具有紧迫的现实意义，湖泊水环境质量评价也是美丽中国全景评价的重要组成部分。2015年，联合国提出了2030年可持续发展目标（Sustainable Development Goals, SDGs），制定了2015~2030年人类社会发展目标[7]。国内外学者在SDGs指标本地化和指标体系构建方面已开展大量研究[8,9,10]。我国亦高度重视《2030年可持续发展议程》，于2016年制定《中国落实2030年可持续发展议程国别方案》。

联合国可持续发展目标中指标SDG 6.3.2定义为环境水质良好的水体比例，该指标重点关注各类水体水质状况，是SDG 6（为所有人提供水和环境卫生并对其进行可持续管理）的11个具体指标之一，也是涉及湖泊水环境评价的重要指标之一。目前各国在水质评价标准方面争议较少，对各类水体水质的全面监测的主要限制在于有限的监测能力[11]。与传统的船载或原位平台等实地测量方式相比，卫星遥感是获取大范围、高分辨率的水质参数最为省时、有效和快速的方法，特别是有利于监测缺少历史采样数据或野外采样受限区域水体的水质情况[2]。随着遥感技术的迅速发展，大量的卫星传感器数据（表 1）已经被用于各类水质参数变化研究[12,13,14,15]。因此，未来SDGs评价将依赖于统计数据、野外实测数据和卫星遥感数据等地球大数据的有机结合。

表 1   水质监测相关卫星传感器及其监测能力[16]

Table 1  Satellite sensor systems and their ability to relevance for monitoring water quality [16]

类型传感器空间分辨率波段数时间分辨率发射时间叶绿素藻蓝素悬浮物CDOMKd浊度浮叶植被挺水植被沉水植被
高光谱Hyperion30 m6060 d2000~2017SSSSSSPPP
海洋-沿岸MERIS1.2 km/300 m152 d2002~2012HHHHHHPPP
MODIS-A and T1 km131 d1999~至今HSSSSSNNN
MODIS-A and T500 m131 d1999~至今PNSPPPNPP
MODIS-A and T250 m131 d1999~至今PNSNPPNPP
Suomi-VIIRS750 m131 d2011~至今HSHHHHNNN
Suomi-VIIRS375 m131 d2011~至今PNSNPPNPP
OLCI300 m211 d（双星）2016~至今HHHHHHPPP
静止卫星GOCI500 m830 min2010~至今HPHHHHPPP
Himawari-8&9,GOES-R500 m~2 km410 min2014~至今PNHPPSNNN
中-高空间分辨率MSI10 m~60 m1010 d（双星5 d）2015~至今SSSSSSSSS
中空间分辨率Landsat 1-730 m416 d1972~至今PPSPSSSSP
Landsat-830 m516 d2013~至今PSSPSSPPP

注：H-深蓝色表示传感器非常适合监测该参数,S-淡蓝色表示传感器适合监测该参数,P-橙色表示传感器具有潜在的监测该参数的能力,N-红色表示传感器不适合监测该参数。

新窗口打开| 下载CSV


本文在总结现有湖泊水环境质量评价指标体系的基础上，面向指标SDG 6.3.2，综合统计数据、野外测量数据与卫星遥感数据等地球大数据构建了“美丽湖泊”综合评价体系。以期在联合国2030年可持续发展议程框架下，开展我国“美丽湖泊”综合评价，分析在不同人类活动和气候变化情境下，未来湖泊水环境质量变化趋势，为美丽中国评价特别是水环境质量评价部分提供可靠的技术参考，同时可以为国家和地方科学管理和决策服务。

2 水环境质量综合评价指标与体系研究进展

国内外学者针对水环境质量评价体系已开展大量研究[17,18,19,20]，特别是各国政府部门及相关国际组织也制定了相应的法案、标准和规范（表2）[11,21,22,23,24,25,26,27]。

表 2   水环境质量评价指标

Table 2  Index of water environment quality

来源指标
中华人民共和国生态环境部[24,26]pH值、溶解氧、高猛酸盐指数、化学需氧量、五日生化需氧量、氨氮、总磷、铜、锌、氟化物、硒、砷、汞、镉、铬、铅、氰化物、挥发酚、石油类、阴离子表面活性剂、硫化物
欧盟[23]浮游植物组成、丰度和生物量、其他水生植物组成和丰度、底栖无脊椎动物组成和丰度、鱼类动物组成、丰度和年龄结构、流量与流速、换水周期、地下水连通性、水深变化、护窗数量、结构和基质、透明度、热状况、溶解氧、盐度、pH值、营养条件、重要污染物、其他污染物
美国环境保护局[22,28]生物群落状况、溶解氧、温度、电导率、pH值、栖息地评价、流、营养盐、土地利用情况、富营养状况、病原体指标、滋扰植物生长情况、叶绿素、透明度、硝酸盐、盐度、悬浮物、汞、DDT、多氯联苯
联合国水机制[11,29]溶解氧、电导率、总氧化氮、总磷和pH值
水利部太湖流域管理局[30,31]最低旬平均水位满足状况、湖泊水位变幅程度、河湖连通状况、湖泊萎缩状况、湖滨带状况、溶解氧水质状况、耗氧有机污染状况、富营养状况、浮游植物数量、浮游动物生物损失指数、大型水生植物覆盖度、大型底栖无脊椎动物、生物完整性指数、鱼类生物损失指数、水功能区达标指标、水资源开发利用指标、防洪指标、公众满意度指标、岸线开发利用率
巢湖管理局[32]水资源开发利用率、最低生态水位满足程度、植被覆盖度指标、人工干扰程度、湖泊面积萎缩比例、水质污染指数、水华程度、水华规模、鱼类保有指数、浮游植物香浓-威纳指数、浮游植物数量、浮游动物香浓-威纳指数、浮游动物生物损失指数、底栖动物香浓-威纳指数、底栖动物耐污指数、大型水生植物覆盖度变化比例、防洪达标率、综合供水保证率、水功能区达标率、通航水深保证率

新窗口打开| 下载CSV


对于水环境质量评价指标的选取，我国生态环境保护部选取了pH值、溶解氧、化学需氧量、总磷和硫化物等21个水质指标作为我国地表水水质评价基本指标，并选取叶绿素a、总磷、总氮、透明度和高锰酸盐指数等5项指标评价湖泊营养状态[24,26]；欧盟水框架指令针对湖泊综合考虑物理、化学和生物因素选取了浮游植物、其他水生植物、底栖无脊椎动物和鱼类动物组成与丰度、换水周期、水深变化、透明度、溶解氧、盐度、酸化状态等18项评价指标[23]；美国环境保护局推荐选取生物群落状况、电导率、pH值、营养盐、叶绿素a浓度和透明度等作为湖泊水环境评价指标[22,28]；联合国水机制在评价指标SDG 6.3.2（环境水质良好的水体比例）时针对湖泊选取了溶解氧、电导率、总氧化氮、正磷酸盐和pH值等5个核心水质参数作为评价指标[11,29]。此外，相关湖泊、流域管理部门针对具体湖泊也选取了更为符合实际情况的评价指标，例如我国水利部太湖流域管理局综合考虑生态完整性和社会服务功能选取了湖泊水位变化幅度、溶解氧水质状况、耗氧量有机污染物状况、富营养状况、浮游植物数量、大型水生植被覆盖度和水资源开发利用率等18项指标[30,31]；巢湖管理局综合考虑水文水资源、水质、水华状况以及生物要素，选取了水资源开发利用率、湖岸植被覆盖度、湖泊面积萎缩比例、综合营养状态指数、水华程度和规模等22项指标[32]。

在评价指标选取的基础上，还需要利用一定方法对水环境质量进行综合评价并进行等级划分。目前国际上较为常用的是水质指数法（Water Quality Index，WQI），该方法有助于将大量的水质信息简化为单个值，更有利于政府部门理解并制定相应政策[17]。WQI方法选取一定数量的、能够表征水质特性的指标，按照一定方法赋予各指标权值，并按一定的标准或方法获取指标的参数值，用加权求和的方法直接求出反映水质情况的水质指数。目前该方法被多次改进并广泛应用于不同水体水环境质量综合评价[20,33,34,35]。

考虑水质变量本身的不确定性，引入数学的模糊集合理论，通过求解某一水质指标属于某一级评价的隶属度也可以构建基于模糊数学的水环境质量综合评价指数[33,34]。单因子评价法也是常用的评价方法之一，该方法简单易行。我国生态环境部基于单因子评价方法制定了我国地表水环境质量评价方法，首先将不同指标均划分为I-V类及劣V类等6类情况，然后将评价时段内参评指标中类别最高的一项作为该水体水质类别[24,26]。此外，主成分分析、因子分析等统计方法也常用于湖泊水质评价[38,39,40]。

综上所述，对于水环境质量评价指标选取及评价体系构建研究较多且已有很多成熟的评价体系，然而这些评价指标与评价体系严重依赖于统计数据和野外实测数据。因此，在统计数据与野外测量数据缺失的情况下已有评价体系难以继续评估水环境质量。

3 遥感大数据与SDGs支撑的“美丽湖泊”综合评价体系

联合国提出的2030年可持续发展目标SDG 6.3.2定义为环境水质良好的水体比例[7]。该指标重点关注各类水体水质状况，通过核心物理和化学参数反映水质。同传统评价一样，当前SDG 6.3.2相关评价仍基于原位测量结果开展[11]。然而原位测量空间分辨率低、时效性差、费用高和数据可获取性差，且仅能以流域、湖泊或湖区为评价单元。因此，当前评价体系难以实现大范围、连续的水质观测，仅能选取具有代表性的和重要的水体进行监测。卫星遥感技术的发展为实现高时空分辨率湖泊水环境综合评价提供了新可能，有机地结合统计数据、野外实测数据和卫星遥感数据等地球大数据将有利于提高指标SDG 6.3.2评价的时空分辨率。

3.1　评价指标选取

本文以我国《河湖健康评估技术导则（征求意见稿）》[27]、《地表水环境质量评价办法（试行）》[26]和国外相关方法与标准[11,21,22,28]为基础，遵循指标选取的科学性、客观性、适用性、合理性、针对性和数据可得性等原则，综合考虑人类活动、水质、生物和水文等方面，在结合统计数据、野外实测数据和遥感数据等地球大数据的基础上提出了面向SDGs的“美丽湖泊”综合评价指标体系（表3和图1），该指标体系包括采砂等级、综合营养状态指数、水体透明度、叶绿素a浓度、藻蓝素浓度、悬浮物浓度、有色可溶性有机物（CDOM）、总氮、总磷、蓝藻水华面积、蓝藻水华风险性、蓝藻水华持续时间、水生植被面积、藻草湖区比例、湖泊面积和换水周期等16个评价指标。

表 3   “美丽湖泊”综合评价指标体系

Table 3  “Beautiful Lakes” comprehensive assessment index system

要素层指标层数据源更新频率与方法阈值确定方法
人类活动要素采砂等级遥感数据晴好天气逐日更新参照状态法、频度分析法
综合营养状态指数各省、市环境监测部门水质监测数据/ 野外实测数据逐月更新规范标准类比法
水质要素透明度遥感数据晴好天气逐日更新参照状态法、频度分析法
叶绿素a浓度遥感数据晴好天气逐日更新参照状态法、频度分析法
藻蓝素浓度遥感数据晴好天气逐日更新参照状态法、频度分析法
悬浮物浓度遥感数据晴好天气逐日更新参照状态法、频度分析法
CDOM遥感数据晴好天气逐日更新参照状态法、频度分析法
总磷各省、市环境监测部门水质监测数据/ 野外实测数据逐月更新规范标准类比法
总氮各省、市环境监测部门水质监测数据/ 野外实测数据逐月更新规范标准类比法
生物要素蓝藻水华面积遥感数据晴好天气逐日更新参照状态法、频度分析法
蓝藻水华风险性遥感数据晴好天气逐日更新参照状态法、频度分析法
蓝藻水华持续时间遥感数据每年更新参照状态法、频度分析法
水生植被面积遥感数据逐月更新参照状态法、频度分析法
草、藻湖区比例遥感数据逐月更新参照状态法、频度分析法
水文要素湖泊面积遥感数据逐月更新参照状态法、频度分析法
换水周期统计数据每年更新规范标准类比法

新窗口打开| 下载CSV


图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   “美丽湖泊”综合评价流程

Fig.1   “Beautiful Lakes” comprehensive assessment chain


3.2　综合评价体系

以联合国水机制对SDG 6.3.2的评价方法[11,29]为核心构建“美丽湖泊”综合评价体系（图1）：首先确定各评价指标阈值，然后计算评价指标达标率（Percentage Compliance of Water Quality Index，cwq），基于评价指标达标率（cwq）进行水环境质量分类，最后计算水环境质量良好水体数量占所有水体数量的比例（Percentage of Water Bodies of Good Quality，WBGQ）。该方法简单易行，并且便于从不同空间尺度评价水环境质量，可以为不同级别管理部门的政策制定提供理论依据。

3.2.1　指标阈值确定

阈值是生态系统的特性、功能多个稳态之间存在的临界值[41]，通常有“上限”、“下限”和“范围”3种类型[29]。阈值确定通常有参照状态法、频度分析法、规范标准类比法等[42]：通常受人类活动干扰较小的历史时期通常水环境质量较好，可作为水环境质量评价的参照状态，参照状态法即将对应历史时期指标测量值作为该评价指标阈值；频度分析法基于统计分析，运用小概率事件思想，借助两倍标准差的范围等具有统计学意义值来划定指标阈值；规范标准类比法是参考或者借鉴已有的标准、规范和研究成果等确定指标阈值，如《地表水环境质量标准》[24]等。在指标阈值确定时不一定使用单一的某种方法，可综合参照状态法、规范标准类比法和频度分析法等多种方式共同确定评价指标阈值（表3）。

3.2.2　水环境质量分类

在指标阈值确定的基础上，计算评价指标达标率（cwq），计算方法如下[29]：

cwq=ncnm×100

其中：cwq为评价指标达标率，即达标的评价指标数量占所有评价指标数量的比例，cwq在0（最差）到100 %（最好）之间；nc为达标的评价指标数量；nm为所有评价指标总数。联合国水机制定义评价指标达标率（cwq）在80%以上的水体为水环境质量良好的水体[29]，即当某一水体cwq≥ 80 %时，则该水体为水环境质量良好的水体，否则水环境质量为差。

3.2.3　水环境质量良好比例计算

最后，基于水环境质量分类结果计算区域水环境质量良好水体数量占所有水体数量的比例（WBGQ），计算方法如下[29]：

WBGQ=ngnt×100

其中：WBGQ为水环境质量良好的水体比例，WBGQ在0（最差）到100 %（最好）之间；ng为水环境质量良好的水体数量；nt为水体总数。

综上，本文从人类活动、水质、生物和水文等方面选取了“美丽湖泊”水环境质量评价指标，并给出了评价指标阈值确定的可用方法，最终构建了“美丽湖泊”水环境质量综合评价体系。该评价体系有机地集成了统计数据、野外实测数据和遥感数据等地球大数据，简单易行，可从不同时间和空间尺度评价区域水环境质量，为美丽中国评价特别是水环境质量评价部分提供可靠的技术参考，有助于支持国家和地方政府知情决策以改进水质管理措施。

4 结 语

本文以联合国可持续发展目标SDG 6.3.2为导向，在充分利用统计数据、野外实测数据和卫星遥感数据等地球大数据的基础上，构建了“美丽湖泊”综合评价体系。该评价体系相比于传统评价体系更为经济、快捷，可以实现大区域、高时空分辨率的湖泊水环境质量评价，有助于提高我国在联合国2030年可持续发展议程框架下对水环境质量评价认识，推进美丽中国全景评价。未来，本研究将面向“美丽湖泊”综合评价指标体系需要，充分利用数据挖掘、人工智能和机器学习等相关技术方法，综合统计数据、野外实测数据和卫星遥感数据等地球大数据，产出适用于不同时空尺度“美丽湖泊”评价的大数据产品。

参考文献

Qin Boqiang, Hu Weiping, Chen Weimin. Evolution Process and Mechanism of Taihu Lake Water Environment[M]. Beijing: Science Press, 2004.

[本文引用: 1]

秦伯强, 胡维平, 陈伟民. 太湖水环境演化过程与机理[M]. 北京: 科学出版社, 2004.

[本文引用: 1]

Palmer S, Kutser T, Hunter P.

Remote Sensing of Inland Waters: Challenges, Progress and Future Directions

[J]. Remote Sensing of Environment, 2015, 157: 1-8. doi: 10.1016/j.rse.2014.09.021.

[本文引用: 2]

Liu Changming, Chen Zhikai. China's Water Resources: Assessment of Current Status and Analysis of Supply-demand Trend[M]. Beijing: China Water and Power Press, 2001.

[本文引用: 1]

刘昌明, 陈志恺.

中国水资源现状评价和供需发展趋势分析

[M]. 北京: 中国水利水电出版社, 2001.

[本文引用: 1]

Duan H, Ma R, Xu X, et al.

Two-Decade Reconstruction of Algal Blooms in China’s Lake Taihu

[J]. Environmental Science & Technology, 2009, 43(10): 3522-3528. doi: 10.1021/es8031852.

[本文引用: 1]

Gao Junfeng, Jiang Zhigang. Protection and Development of China's Rive Largest Freshwater Lakes[M]. Beijing: Science Press, 2012.

[本文引用: 1]

高俊峰, 蒋志刚. 中国五大淡水湖保护与发展[M]. 北京: 科学出版社, 2012.

[本文引用: 1]

Cao Z, Duan H, Feng L, et al.

Climate-and Human-induced Changes in Suspended Particulate Matter over Lake Hongze on Short and Long Timescales

[J]. Remote Sensing of Environment,2017,192: 98-113. doi: 10.1016/j.rse.2017.02.007.

[本文引用: 1]

UN.

Transforming Our World: The 2030 Agenda for Sustainable Development

[R], 2015.

[本文引用: 2]

Wang Juanle, Cheng Kai, BianLingling, et al.

Integration Framework and Key Technology of Big Earth Data for SDGs and Beautiful China Evaluation

[J]. Remote Sensing Technology and Application, 2018, 33(5):775-783.

[本文引用: 1]

王卷乐,程凯, 边玲玲, 等．

面向SDGs和美丽中国评价的地球大数据集成框架与关键技术

[J]．遥感技术与应用, 2018, 33(5):775-783.

[本文引用: 1]

Wang Penglong, Gao Feng, Huang Chunlin, et al.

Progresson Sustainable City Assessment Index System for SDGs

[J]. Remote SensingT echnology and Application, 2018, 33(5): 784-792.

[本文引用: 1]

王鹏龙, 高峰, 黄春林, 等.

面向SDGs的城市可持续发展评价指标体系进展研究

[J]. 遥感技术与应用, 2018, 33(5): 784-792.

[本文引用: 1]

Vanham D, Hoekstra A, Wada Y, et al.

Physical Water Scarcity Metrics for Monitoring Progress Towards SDG Target 6.4 : An Evaluation of Indicator 6.4.2 “Level of Water Stress”

[J]. Science of the Total Environment, 2018, 613-614: 218-232. doi: 10.1016/j.scitotenv.2017.09.056.

[本文引用: 1]

UN-Water.

Progress on Ambient Water Quality 2018 Piloting the Monitoring Methodology and Initial Fndings for SDG Indicator 6.3.2

[R], 2018.

[本文引用: 7]

Matthews M.

A Current Review of Empirical Procedures of Remote Sensing in Inland and Near-coastal Transitional Saters

[J]. International Journal of Remote Sensing, 2011, 32(21): 6855-99. doi: 10.1080/01431161.2010.512947.

[本文引用: 1]

Kutser T, Pierson D, Kallio K, et al.

Mapping Lake CDOM by Satellite Remote Sensing

[J]. Remote Sensing of Environment, 2005, 94(4): 535-40. doi: 10.1016/j.rse.2004.11.009.

[本文引用: 1]

Wang S, Li J, Zhang B, et al.

Trophic State Assessment of Global Inland Waters Using a MODIS-derived Forel-Ule Index

[J]. Remote Sensing of Environment, 2018, 217: 444-60. doi: 10.1016/j.rse.2018.08.026.

[本文引用: 1]

Duan H, Feng L, Ma R, et al.

Variability of Particulate Organic Carbon in Inland Waters Observed from MODIS Aqua imagery

[J]. Environmental Research Letters, 2014, 9(8): 084011. doi: 10.1088/1748-9326/9/8/084011.

[本文引用: 1]

Steven G, Arnold D, Binding C.

IOCCG Report Number 17, 2018 Earth Observations in Support of Global Water Quality Monitoring

[R].International Ocean Colour Coordinating Group, 2018.

[本文引用: 2]

Horton R.

An Index Number System for Rating Water Auality

[J]. Journal of Water Pollution Control Federation, 1965, 37(3): 300-305.

[本文引用: 2]

Brown R, Mcclelland N, Deininger R, et al.

A Water Quality Index-Do We Dare?

[J]. Water and Sewage Works, 1970, 117: 339-343.

[本文引用: 1]

Singh C, Shashtri S, Mukherjee S, et al.

Application of GWQI to Assess Effect of Land Use Change on Groundwater Quality in Lower Shiwaliks of Punjab: Remote Sensing and GIS based Approach

[J]. Water Resources Management, 2011, 25(7): 1881-1898. doi: 10.1007/s11269-011-9779-0.

[本文引用: 1]

Ş Şener, Şener E, Davraz A.

Evaluation of Water Quality Using Water Quality Index(WQI) Method and GIS in Aksu River (SW-Turkey)

[J]. Science of the Total Environment, 2017, 584: 131-144. doi: 10.1016/j.scitotenv.2017.01.102.

[本文引用: 2]

Vincent M, Don F, Haseen K, et al.

Application and Testing of the Water Quality Index of the Canadian Council of Ministers of the Environment in Selected Water Bodies in Atlantic Canada

[R]. Canadian Council of Ministers of the Environment, 2004.

[本文引用: 2]

U.S. Environmental Protection Agency (USEPA). Water Quality Standards [S]. Washington, D.C.: EPA Office of Water, Office of Science and Technology, 2013

.

[本文引用: 4]

European Union (EU). Directive 2000/60/EC of the European Parliament and of the Council of 23 October 2000 Establishing a Framework for Community Action in the Field of Water Policy [S]. Brussels: European Commission, 2000.

[本文引用: 3]

Ministry of Ecology and Environment of the People’s Republic of China. Environmental Quality Standards for Surface Water[S]. Beijing, 2002.

[本文引用: 5]

中华人民共和国生态环境部. 地表水环境质量标准[S]. 北京, 2002.

[本文引用: 5]

WHO.

Guidelines for Drinking-Water Quality[S]. Geneva, Switzerland, World Health Organization, 2008

.

[本文引用: 1]

Ministry of Ecology and Environment of the People’s Republic of China. Assessment Method of Environmental Quality for Surface Water[S]. Beijing, 2011.

[本文引用: 5]

中华人民共和国生态环境部. 地表水环境质量评价办法（试行）[S]. 北京, 2011.

[本文引用: 5]

Ministry of Water Resources of the People’s Republic of China. Technical Guidelines for River and Lake Health Assessment (Draft for Comment)[S].Beijing,2018.

[本文引用: 2]

中华人民共和国水利部.河湖健康评估技术导则（征求意见稿）[S].北京,2018.

[本文引用: 2]

USEPA.

Guidance for 2006 Assessment, Listing and Reporting Requirements Pursuant to Sections 303(d), 305(b) and 314 of the Clean Water Act [S]. Washington, D.C.: EPA Office of Wetlands, Oceans and Watersheds, 2005

.

[本文引用: 3]

UN-Water. Integrated Monitoring Guide for SDG 6 Targets and Global Indicators [S]. New York: UN-Water, 2017.

[本文引用: 7]

Taihu Basin Authority of Ministry of Water Resource.

The Health Status Report of Taihu Lake(2017)

[R]. Shanghai, 2017.

[本文引用: 2]

水利部太湖流域管理局,

太湖健康状况报告（2017）

[R]. 上海, 2017.

[本文引用: 2]

Taihu Basin Authority of Ministry of Water Resource. Overall Plan for Comprehensive Water Environment Management in the Taihu Basin (Revision in 2013)[S]. Shanghai, 2013.

[本文引用: 2]

水利部太湖流域管理局. 太湖流域水环境综合治理总体方案（2013 年修编）[S]. 上海, 2013.

[本文引用: 2]

Chaohu Lake Management Authority.

Water Paper of Chaohu Lake Health Signs(2017)

[R]. Heifei, 2018.

[本文引用: 2]

安徽省巢湖管理局.

巢湖健康体征白皮书（2017）

[R]. 合肥, 2018.

[本文引用: 2]

Sanchez E, Colmenarejo M, Vicente J, et al.

Use of the Water Quality Index and Dissolved Oxygen Deficit as Simple Indicators of Watersheds Pollution

[J]. Ecological Indicators, 2007, 7(2): 315-328. doi: 10.1016/j.ecolind.2006.02.005.

[本文引用: 2]

Cude C.

Oregon Water Quality Index: A Tool for Evaluating Water Quality Management Effectiveness

[J]. Journal of the American Water Resources Association, 2001, 37(1): 125-137. doi: 10.1111/j.1752-1688.2001.tb05480.x.

[本文引用: 2]

Pesce S, Wunderlin D.

Use of Water Quality Indices to Verify the Impact of Cordoba City (Argentina) on Suquia River

[J]. Water Research, 2000, 34(11): 2915-2926. doi: 10.1016/S0043-1354(00)00036-1.

[本文引用: 1]

Li B, Yang G, Wan R, et al.

Using Fuzzy Theory and Variable Weights for Water Quality Evaluation in Poyang Lake, China

[J]. Chin Geogr Sci, 2017, 27(1): 39-51. doi: 10.1007/s11769-017-0845-2.

Liu D, Zou Z.

Water Quality Evaluation based on Improved Fuzzy Matter-element Method

[J]. Journal of Environmental Sciences-china, 2012, 24(7): 1210-1216. doi: 10.1016/S1001-0742(11)60938-8.

Kazi T,Arain M,Jamali M,et al.

Assessment of Water Quality of Polluted Lake Using Multivariate Statistical Techniques: A Case Study

[J].Ecotoxicology and Environmental Safety,2009,72(2):301-9.doi:10.1016/j.ecoenv.2008.02.024.

[本文引用: 1]

Li D, Huang D, Guo C, et al.

Multivariate Statistical Analysis of Temporal-spatial Variations in Water Quality of a Constructed Wetland Purification System in a Typical Park in Beijing,China

[J]. Environmental Monitoring and Assessment, 2015, 187(1): 4219. doi: 10.1007/s10661-014-4219-2.

[本文引用: 1]

Gu Q, Zhang Y, Ma L, et al.

Assessment of Reservoir Water Auality Using Multivariate Statistical Techniques: A Case Study of Qiandao Lake, China

[J]. Sustainability, 2016, 8(3): 243. doi: 10.3390/su8030243.

[本文引用: 1]

May R.

Thresholds and Breakpoints in Ecosystems with a Multiplicity of Stable States

[J]. Nature, 1977, 269(5628): 471. doi: 10.1038/269471a0.

[本文引用: 1]

Zhang Yanhui.

Aquatic Ecosystem Health Assessment of Large Lakes Naturally Connected to the Yangze River——Taking Poyang Lake for an Example

[D]. Nanjing: Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, 2015.

[本文引用: 1]

张艳会．

大型通江湖泊水生态系统健康评价——以鄱阳湖为例

[D].南京： 中国科学院南京地理与湖泊研究所, 2015.

[本文引用: 1]

/

〈 〉