遥感技术与应用, 2020, 35(3): 694-701 doi: 10.11873/j.issn.1004-0323.2020.3.0694

遥感应用

于桥水库蓝藻水华遥感长时序监测研究

岳昂,1, 曾庆伟,2, 王怀警2,3

1.天津市生态环境监测中心，天津 300191

2.二十一世纪空间技术应用股份有限公司，北京 100096

3.虚拟地理环境教育部重点实验室，南京师范大学地理科学学院，江苏 南京 210023）的

Remote Sensing Long-term Monitoring of Cyanobacterial Blooms in Yuqiao Reservoir

Yue Ang,1, Zeng Qingwei,2, Wang Huaijing2,3

1.Tianjin Eco-Environmental Monitoring Center, Tianjin 300191, China

2.Twenty First Century Aerospace Technology Co. , Ltd, Beijing 100096, China

3.Key Laboratory of Virtual Geographical Environment of Ministry of Education, College of Geographical Science, Nanjing Normal University, Nanjing 210023, China

通讯作者: 曾庆伟(1984－),男,江西樟树人,硕士,工程师，主要从事林业、生态环境遥感监测方面的研究。E⁃mail:278825327@qq.com

收稿日期: 2019-03-27   修回日期: 2020-04-22   网络出版日期: 2020-07-03

基金资助: 天津市科技计划项目“天津水源地水土环境状况及污染风险时空分异与预警”.  16YFXTSF00380

Received: 2019-03-27   Revised: 2020-04-22   Online: 2020-07-03

作者简介 About authors

岳昂(1986－),男,天津人,硕士,工程师,主要从事生态环境遥感监测与评估方面的研究E⁃mail:576252175@qq.com , E-mail：576252175@ qq.com

摘要

针对水库富营养化给供水安全带来的严重威胁，利用2008~2017年Landsat时间序列卫星数据，基于归一化差值植被指数（NDVI）与实测水质参数的相关分析结果，运用阈值法动态提取了于桥水库的水华分布范围和程度。通过与自然和人为因子的协同分析，认为气温、降水和人类活动等共同驱动引发了水华爆发，其中人为干预的生态修复工程可抑制或减缓水华爆发，并有效改善水质状况。时间分辨率更高的气象因子数据和卫星遥感数据将更有助于对中小型饮用水水面蓝藻水华驱动力的分析，推动准实时遥感监测预警技术应用。

关键词： Landsat ; 归一化差值植被指数(NDVI) ; 水华 ; 遥感 ; 监测

Abstract

Reservoir eutrophication leads serious threat to water supply safety. This paper apples Landsat time series satellite data from 2008 to 2017 to extract the distribution and degree of water bloom in Yuqiao Reservoir based on a threshold method to the correlation analysis results between Normalized Difference Vegetation Index (NDVI) and measured water quality parameters. Through the collaborative analysis of both natural and artificial factors, the water bloom was jointly drive by temperature, precipitation, and human activities. Among them, the ecological restoration project with human intervention could inhibit or slow down the blooms and effectively improve the water quality. Meteorological and spaceborne remote sensing data with higher temporal resolution will be more conducive the analyze the driver force of cyanobacteria blooms on small and medium-sized drinking water surfaces. Meanwhile, remote sensing data based monitoring and early warning technology could be promoted.

Keywords： Landsat ; Normalized Difference Vegetation Index(NDVI) ; Water Bloom ; Remote Sensing ; Monitor

PDF (4015KB) 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

岳昂, 曾庆伟, 王怀警. 于桥水库蓝藻水华遥感长时序监测研究. 遥感技术与应用[J], 2020, 35(3): 694-701 doi:10.11873/j.issn.1004-0323.2020.3.0694

Yue Ang, Zeng Qingwei, Wang Huaijing. Remote Sensing Long-term Monitoring of Cyanobacterial Blooms in Yuqiao Reservoir. Remote Sensing Technology and Application[J], 2020, 35(3): 694-701 doi:10.11873/j.issn.1004-0323.2020.3.0694

1 引 言

于桥水库是引滦入津和天津本地产水最重要的调蓄与汇流湖泊，保证着天津市及滨海新区千万人口的饮用水供给，是天津市赖以生存和发展的生命线[1]，保障饮用水安全对天津经济建设和社会发展意义重大。由于水库上游及周边地区社会经济的发展，大量污染物直接或间接排入输水河道，导致水体富营养化趋势明显，水库水质状况不容乐观，特别是汛期存在藻类爆发的风险，致使全市饮用水存在安全隐患。由于缺乏先进的水环境监测预警体系，使监测长期滞后于环境管理发展的需求。目前蓝藻水华遥感监测方法较为成熟，且应用广泛，但多数方法是围绕大型浅水湖泊（如太湖、巢湖等），多利用MODIS、MERIS等高光谱数据和水质实测数据展开研究，建立特征波段与遥感数据间的经验、半经验模型或利用辐射传输模型，从而实现水质参数的定量化反演[2,3,4,5,6,7,8,9]；构建的反演模型涵盖了常见的统计模型、机器学习和深度学习等算法。而针对小型浅水湖库（如于桥水库），MODIS、MERIS等低空间分辨率数据已不再适用，基于该类卫星数据的蓝藻水华遥感监测算法也不再适用。与此同时，中小型水库蓝藻水华监测的需求却日益迫切，缺乏水库水华现象快速遥感监测方法，为生态工程效应评估提供参考和辅助决策依据。本文利用30 m分辨率Landsat ETM/TM/OLI遥感时序数据，构建蓝藻水华的快速监测模型，从而实现中小型水库蓝藻水华的动态监测，并结合气象因子和生态工程建设的协同分析，揭示水华爆发的驱动因素，为及时发现并跟踪监测突发性水环境污染事件、水环境治理工程生态效益评估、制定和修改应对措施等方面提供有力的决策依据[10,11,12,13,14]。

2 研究区与数据

2.1　研究区概况

于桥水库位于天津北部(39°56′~40°23′N，117°26′~118°12′E)，是国家重点中型水库之一，北临河北省兴隆县，西接天津蓟县，东南部与河北省遵化市、迁西县毗邻，水库流域地形差异显著，以流水剥蚀地貌为主，实际控制流域面积约2 060 km²，占整个流域面积的96%。流域内年均温为10.4~11.5 ℃、多年平均降雨750 mm，最热月均温为25.4 ℃（7月），极端最高温度为41.2 ℃，最冷月均温为-6.88 ℃（1月）、历史最低温为-28.6 ℃，无霜期约170~195 d，温度昼夜差别随地区分布略有不同，总的温度趋势呈自北向南递升。水库库区位于盆地，最大回水长东西约30 km，南北宽约8 km，最大淹没面积250 km²（正常蓄水位时淹没面积86.8 km²），具体地理位置如图1所示。该水库属富营养型水体[15]，夏季处于营养化初级阶段，秋季为蓝藻水华频发期，冬季稍好。水库库区浮游植物种类繁多，藻类种类多达近百种，以蓝藻为主。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区地理位置示意图

Fig.1   Geographical map of the study area


2.2　数据源

卫星数据为美国陆地卫星系列（Landsat），该数据已应用于包括土地利用变化监测、城市扩展监测、水资源监测和农林监测等诸多领域，对该数据的详细介绍已多见报道，此处不再加以赘述。鉴于水库蓝藻爆发的关键时期为6~9月，本研究获取了2008~2017年7~9月共10景无云的Landsat系列数据（如表1），开展于桥水库的蓝藻水华监测和时空变化分析。

表1   数据列表

Table 1  Data list

数据源时相分辨率
Landsat 5 TM2008年8月2日30 m
2009年7月20日
2010年8月1日
2011年9月5日
Landsat 7 ETM2012年7月4日
Landsat 8 OLI2013年7月31日
2014年7月11日
2015年7月14日
2016年7月16日
2017年7月10日

新窗口打开| 下载CSV


根据于桥水库的空间特征及功能区特征，共设置10个采样点位，参照国家地表水环境质量标准（N0.3838-1988、NO.3838-2002），如图1所示。采样时间为2013年8月和10月，其中，8月为夏季，10月为秋季。应用Professional Plus 多功能水质仪(YSI公司)测定水温（WT）、PH；水样的采集及其他水质因子的分析测定参考《水和废水监测分析方法》（第四版）进行[16]，测定的水质参数包括总氮（TN）、总磷（TP）和叶绿素a（Chl a）。

2 研究方法

2.1　数据预处理

因为目前Landsat数据均为正射校正后数据，所以对于Landsat系列遥感影像的预处理流程较为简单，主要包括影像辐射校正和大气校正，即将原始影像DN值转化为反射率值的过程。采用6S辐射传输模型对数据进行大气校正和瑞利散射校正，消除成像过程中因大气散射、水体折射、水面瑞利散射等现象带来的误差。分别对2008~2017年共10 a间的TM/Landsat系列影像进行上述预处理操作。

2.2　水华监测方法

水体中氮、磷、钾等含量增加，适宜浮游植物生长，浮游藻类颗粒短时间内大量聚集形成水华现象，最终导致水体富营养化。当蓝藻覆盖水体表面时，不仅会提高水体中叶绿素a含量，而且会导致水体透明度的降低、水体温度的升高以及水体色度的变化等，最终导致水体的光谱反射特性发生变化。对于光学遥感卫星数据而言，蓝光波段以及红光波段的反射率会明显降低，因藻类细胞内含有丰富的叶绿素，故绿光波段和近红外波段反射率升高，使得水体具有与植被类似的光谱特征，形成的反射率光谱曲线既具有水体的光谱特征，又具有植被的光谱特征[17]。

针对水华等级划分方法，有学者依据水体中蓝藻密度来区分，此方法虽然较为精准，但该法时效性差、成本高、实际应用难度较大，且难以大范围应用[18]；亦有研究采用遥感影像假彩色合成法识别水华分布，具有直观明了的优点，但其影像直方图拉伸后的色调显示效果可能因人而异，给对比分析工作带来不利影响。归一化差值植被指数可以消除传感器定标、大气条件等因素引起的有关辐照度变化，可以增强对植被的响应能力，得到广泛应用。蓝藻有着与植被相似的光谱反射特征，绿色植物能吸收大部分的可见光，在近红外波段却具有强烈的反射，因此可以利用归一化差值植被指数（Normalized Difference Vegetation Index, NDVI）监测蓝藻和水华的分布和程度，其计算公式如式（1）：

NDVI=ρNIR-ρREDρNIR+ρRED

其中：ρNIR代表近红外波段反射率，ρRED代表红光波段反射率。

计算采样点水体区域30 m缓冲区的NDVI均值，分析水质参数与NDVI的相关关系，采样点的分布如图1所示，实测样点水质参数如表2所示，各水质参数与NDVI的相关性分析如表3所示。

表2   实测样地水质参数

Table 2  Water quality parameters of measured sample sites

样点号总磷（mg/L）总氮（mg/L）叶绿素a（mg/L）NDVI
10.0230.2431.930.351
20.0100.1511.140.110
30.0040.0500.22-0.12
40.0520.5009.130.212
50.2342.78012.00.402
60.0100.0490.19-0.111
70.2324.74012.00.419
80.2234.55010.30.399
90.2244.62010.00.398
100.0350.3319.230.302

新窗口打开| 下载CSV


表3   水质参数与NDVI相关性分析

Table 3  Analysis of correlation between water quality parameters and NDVI

参数相关系数(R)
总磷0.748
总氮0.702
叶绿素a0.817

新窗口打开| 下载CSV


由图2和表3可见,总氮、总磷和叶绿素a浓度这3个水质参数与NDVI整体都呈正相关关系。其中，叶绿素a与NDVI的相关性最强；水华现象严重区域，藻类密度大，水质参数浓度高，NDVI值也大。换句话说，NDVI值越大，水质参数浓度越高，水华现象也越严重。因此，选择适宜的NDVI分割阈值可用于快速提取水库内水华危害的范围和程度。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   水质参数与NDVI变化关系

Fig.2   Relation between water guality parameters and NDVI change


选取合适的阈值对不同等级水华分布区域进行提取，通过对不同浓度级别水华分布范围的动态变化分析，可以得出水华现象的发展趋势。参照相关文献资料[19,20,21,22,23]和水体营养状况水质参数分级标准[24]，结合水库多年观测经验，认为适宜于桥水库水华分级的NDVI阈值，如公式（2）所示：

NDVI<-  0.1,非水华区- 0.1≤NDVI≤0.19,轻度水华区0.19<NDVI<0.39,中度水华区NDVI≥0.39,重度水华区        

NDVI的取值范围在[-1,1]之间，对于植被而言，由于近红外反射率值远大于红光波段，故植被覆盖区域NDVI值一般大于0；对于纯净水体来说，由于水体的红光波段反射率大于近红外反射率，故 NDVI一般小于0。当水体覆盖区域的NDVI大于0时，则表明水体被植被覆盖或者水体中叶绿素含量较高。

4 结果和分析

基于接口描述语言IDL实现了时间序列遥感数据预处理、NDVI计算和水华等级划分的自动化批处理，通过对库区NDVI的分级和统计，可以生成水华快速监测和统计报告。图3所示为2008~2017年于桥水库库区水华等级分布图，表4统计了各个年度水华现象的发生状况。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2008~2017年于桥水库库区水华等级分布图

Fig.3   Grade distribution of water blooms in Yuqiao reservoir area from 2008 to 2017


表4   2008~2017年于桥水库水华等级及面积统计表

Table 4  Statistical table of water bloom grade and area of Yuqiao reservoir from 2008 to 2017

年份2008200920102011201220132014201520162017
轻度水华区/km²39.1152.6660.9964.3167.0937.635.3663.9344.224.81
中度水华区/km²3.721.715.612.530.882.011.672.672.971.59
重度水华区/km²3.530.342.291.180.071.392.922.325.404.77

新窗口打开| 下载CSV


为了直观表达2008~2017年10 a间水华分布及不同等级水华面积的变化情况，以年份为横轴，以各水华等级面积所占百分比为纵轴，绘制如图4所示的堆叠柱状图，从图中可以发现：①2008~2012年的5 a间，于桥水库库区发生水华的总面积总体呈现上升趋势，其中总面积和中度级别面积的峰值均出现在2010年表明2008~2010年间水库库区水生环境在不断发生恶化，2010~2012年间总面积基本持平，但中度以上水华区面积逐年减少，以轻度水华为主，到2012年中度、重度级别水华区为自2008年以来最小;②2013~2014年，轻度水华面积显著减少，但重度水华区逐渐增加，这个主要是2014年天津市水务局斥资105亿元大力推动清水河道行动、引滦水源保护工程、南水北调市内配套工程、防洪排水工程及农村水利基础设施工程等五大重点工程建设。由此表明生态治理工程对水华治理效果显著，2014年水华总面积达到最小;③2015年引滦水量少于往年[25]，且上游来水水质较差，导致于桥水库水深变浅，水库中多年积累的污染物质，受风浪和水温影响，底泥被搅动，悬浮物被快速释放，含氮、磷的营养物质进入水体，为藻类爆发性生长提供营养物质，造成于桥水库水体富营养化再次暴发;④2016~2017年，水库库区水华面积整体呈逐年减少趋势，至2017年降低到最小值。进一步分析可以发现，水华面积减少主要为轻度水华区域，中和重度水华在轻度水华显著减少时先增加后略减少态势，表明轻度水华在较短时间内可以恢复，而中、重度水华则难以在短期内得到有效恢复和治理，水华等级与治理恢复难度成正相关关系；此外，重度水华集中分布在距河岸较近区域，表明人为活动是内陆水华暴发的重要诱因之一。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   水华等级面积百分比堆叠柱状图

Fig.4   Stacked column map of bloom area distribution


此外，水库蓝藻水华现象还与气象因素关系密切[26]，降水量越大，水流流速越快，越不宜生成水华；此外气温越低，也不利于水华爆发[27,28,29,30,31]。图5的年际气象资料显示，2014年天津市年均降雨量为442.2 ml，年均气温为14.1 ℃，降雨量略多于2013年，而年均温却明显高于2013和2015年，2014年水华却未大面积爆发，可见气温越高越有利于形成水华现象，从侧面可反映出于桥水库2014年水华减少主要是由于生态工程效益所致。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2008~2017年天津市年均降雨量及年均温变化图

Fig.5   Change map of annual mean rainfall and annual mean temperature in Tianjin from 2008 to 2017


5 结 语

通过分析NDVI值与实测水质参数之间的相关关系，选择水华等级的NDVI分割阈值，开展了于桥水库库区蓝藻水华现象年际变化遥感快速监测，掌握了库区10 a间水华发生面积和程度的动态变化情况，并结合当地气象资料协同分析水华爆发的影响因素。结果：①水体的叶绿素a含量与NDVI相关性较强，表明利用卫星遥感技术监测中小型水面水体蓝藻水华具有可行性;②2008~2017年间于桥水库水华爆发面积呈先上升后下降的趋势;③水华爆发受自然（气温和降水等）和社会活动等诸多因子共同驱动和影响;④外界人为扰动造成的影响尤为显著，生态修复工程实施后水华爆发趋于减缓，水质状况得以有效改善。

需要说明的是分析用时间序列卫星遥感数据为3个传感器获取，时相差异最大达57 d。实际上年际间夏秋季气温、降水的平均值和极端值等的差异都会对水华形成有重要影响，而且库区周边人类活动（如排放等）的干扰也有待深入探究。随着国产高分卫星技术发展，后续研究可利用多星组网联合观测建立高空间、高频度卫星监测体系，为业务管理部门提供准实时监测预警服务，全力保障饮用水水源地生态环境的安全。

参考文献

Li Yuying, Hou Renhe.

Eutrophication Trend and Causes of Yuqiao Reservoir

[J] Water Resources and Hydropower Engineering, 2001, 32(8):61-63.

[本文引用: 1]

李玉英, 侯任合.

于桥水库富营养化趋势及成因

[J].水利水电技术, 2001, 32(8):61-63.

[本文引用: 1]

Mo Dengkui, Yan Enping, Hong Yifeng, et al.

Research on the Spatial Variation of Water Quality Parameters in East Dongting Lake based on Hyperion

[J].Chinese Agricultural Science Bulleti,2013, 29(5):192-198.

[本文引用: 1]

莫登奎, 严恩萍, 洪奕丰,等.

基于Hyperion的东洞庭湖水质参数空间分异规律

[J].中国农学通报, 2013, 29(5):192-198.

[本文引用: 1]

Li Yuan, Li Yunmei, Lü Heng, et al.

Muti-model Collaborative Retrieval of Chlorophyll a in Taihu Lake based on Data Assimilation

[J]. Environmental Science,2014(9):3389-3396.

李渊

李云梅, 吕恒,等.

基于数据同化的太湖叶绿素多模型协同反演

[J].环境科学, 2014(9):3389-3396.

[本文引用: 1]

Tao Min, Duan Hongtao, Qi Lin, et al.

An Operational Algorithm to Estimate Chlorophyll-a Concentrations in Lake Chaohu from MODIS Imagery

[J].Journal of Lake Sciences, 2015, 27(6):1140-1150.

[本文引用: 1]

陶慜, 段洪涛, 齐琳, 等.

一种基于MODIS影像可业务化运行的巢湖水体叶绿素a估算算法

[J].湖泊科学, 2015, 27(6):1140-1150.

[本文引用: 1]

Yu Chao, Zhang Y, Ma Ronghua, et al.

A Novel MODIS Algorithm to Estimate Chlorophyll a Concentration in Eutrophic Turbid Lakes

[J]. Ecological Indicators, 2016, 69:131-151.

[本文引用: 1]

Cui Aihong.

Deriving Concentration of TP, TN based on AISA Hyper Spectral Reflectivity

[J].Geomatics & Spatial Information Technology, 2016(9):124-126.

崔爱红

基于AISA高光谱数据的总磷总氮反演

[J].测绘与空间地理信息, 2016(9):124-126.

[本文引用: 1]

Xie Mingmei, Sun Deyong, Qiu Zhongfeng, et al.

Water Quality Retrievals from MERIS Satellite Data in Yangtze Estuary

[J]. Guangxi Sciences, 2016, 23(6):520-527.

[本文引用: 1]

谢明媚, 孙德勇, 丘仲锋,等.

长江口水质MERIS卫星数据遥感反演研究

[J].广西科学, 2016, 23(6):520-527.

[本文引用: 1]

Liang Q C, Zhang Y C, Ma R H, et al.

A MODIS-based Novel Method to Distinguish Surface Cyanobacterial Scums and Aquatic Macrophytes in Lake Taihu

[J]. Remote Sensing, 2017, 9(2):133.doi:10.3390/rs9020133.

[本文引用: 1]

Cao Yin, Ye Yuntao, Zhao Hongli, et al.

Ensemble Modeling Methods for Remote Sensing Retrieval of Water Quality Parameters in Inland Water

[J]. China Environmental Science, 2017, 37(10):3940-3951.

[本文引用: 1]

曹引, 冶运涛, 赵红莉,等.

内陆水体水质参数遥感反演集合建模方法

[J].中国环境科学, 2017, 37(10):3940-3951.

[本文引用: 1]

Zhang Jie, Jian Chen.

Environment Satellite HJ-1 CCD Data Dynamically Monitoring Cyanobacteria Bloom in Lake Dianchi, China

[C]∥ 2011 19th International Conference on Geoinformatics, 2011: 1-4.

[本文引用: 1]

Li Xuejiao, Sun Xiangyu, Kong Qingjie.

Investigation and Analysis of Water Pollution Factors in Yuqiao Reservoir

[J]. Haihe Water Resources, 2013(6):27-28.

[本文引用: 1]

李雪娇, 孙翔宇, 孔庆杰.

于桥水库水污染因素调查分析

[J]. 海河水利, 2013(6):27-28.

[本文引用: 1]

Nan L L.

Development of Water Quality Parameter Retrieval Algorithms for Estimating Total Suspended Solids and Chlorophyll-a Concentration Using Landsat 8 Imagery at Poteran Island Water

[C]∥ Remote Sensing and Spatial Information Sciences, 2015:54-62.

[本文引用: 1]

Zhou Xushen.

Preliminary Study on Water Stratification Characteristics of Yuqiao Reservoir based on Water Quality Field Monitoring Parameters

[J]. Haihe Water Resources, 2015(2):19-21.

[本文引用: 1]

周绪申.

基于水质现场监测参数的于桥水库水体分层特征初步研究

[J].海河水利, 2015(2):19-21.

[本文引用: 1]

Fang Xu, Duan Hongtao, Cao Zhigang, et al

. Remote Monitoring of Cyanobacterial Blooms Using Multi-source Satellite Data: A Case of Yuqiao Reservoir, Tianjin

[J]. Journal of Lake Sciences, 2018, 30(4):967-978.

[本文引用: 1]

房旭, 段洪涛, 曹志刚, 等.

基于多源卫星数据的小型水体蓝藻水华联合监测--以天津于桥水库为例

[J]. 湖泊科学, 2018, 30(4):967-978.

[本文引用: 1]

Wu Dan,Wang Haiying, Zhang Zhen.

Investigation of Summer Plankton Community Structure in Yuqiao Reservoir,Tianjin

[J]. Journal of Lake Sciences2013, 25(5):734-742.

武丹,王海英,张震

天津于桥水库夏季浮游生物调查及群落结构变化

[J]. 湖泊科学, 2013, 25(5):734-742.

[本文引用: 1]

Wei Fusheng. Water and Wastewater Monitoring and Analysis Method(Fourth Edition)[M]. Beijing:

[本文引用: 1]

China Environmental Science Press,魏复胜. 水和废水监测分析方法（第四版）[M]. 北京：中国环境科学出版社, 2002.

[本文引用: 1]

Ma Jianrong, Deng Jianming, Qin Boqiang, et al.

Progress and Prospects on Cyanobacteria Bloom-forming Mechanism in Lakes

[J]. Acta Ecologica Sinica, 2013, 33(10):3020-3030.

[本文引用: 1]

马健荣, 邓建明, 秦伯强, 等.

湖泊蓝藻水华发生机理研究进展

[J].生态学报, 2013, 33(10):3020-3030.

[本文引用: 1]

Li Ying, Shize, Zhang Yuxia, et al.

Evaluation Method and Application on Cyanobacteria Bloom Degree Classification With Algal Density

[J]. Environment and Sustainable Development, 2014, 39(2):67-68.

[本文引用: 1]

李颖, 施择, 张榆霞, 等.

关于用藻密度对蓝藻水华程度进行分级评价的方法和运用

[J].环境与可持续发展,2014,39(2):67-68.

[本文引用: 1]

Chen Yun, Dai Jinfang.

Extraction Methods of Cyanobacteria Bloom in Lake Taihu based on RS Data

[J]. Journal of Lake Sciences, 2008, 20(2):179-183.

[本文引用: 1]

陈云, 戴锦芳.

基于遥感数据的太湖蓝藻水华信息识别方法

[J].湖泊科学, 2008, 20(2):179-183.

[本文引用: 1]

Duan Hongtao, Zhang Shouxuan, Zhang Yuanzhi.

CyanObacteria Bloom Monitoring with Remote Sensing in Lake Taihu

[J]. Journal of Lake Sciences, 2008,20(2)：145-152.

[本文引用: 1]

段洪涛, 张寿选, 张渊智.

太湖蓝藻水华遥感监测方法

[J].湖泊科学, 2008,20(2)：145-152.

[本文引用: 1]

Xie Guoqing, Li Meng, Lu Weikun, et al.

Spectral Features, Remote Sensing Idengtification and Breaking-out Meteorological Conditions of Algal Bloom in Lake Dianchi

[J]. Journal of Lake Sciences, 2010,22(3):327-336.

[本文引用: 1]

谢国清, 李蒙, 鲁韦坤, 等.

滇池蓝藻水华光谱特征、遥感识别及暴发气象条件

[J].湖泊科学, 2010,22(3):327-336.

[本文引用: 1]

Lin Yi, Pan Chen, Chen Yingying, et al.

Recognition of Cyanobacteria Bloom based on Spectral Analysis of Remote Sensing Imagery

[J]. Journal of Tongji University(Natural Science Edition), 2011, 39(8):1247-1252.

[本文引用: 1]

林怡, 潘琛, 陈映鹰, 等.

基于遥感影像光谱分析的蓝藻水华识别方法

[J].同济大学学报(自然科学版), 2011, 39(8):1247-1252.

[本文引用: 1]

Zhu Li, Wang Qiao, Wu Chuanqing, et al.

Monitoring and Annual Statistical Analysis of Algal Blooms in Chaohu based on Remote Sensing

[J]. Environmental Monitoring in China, 2013,29(2):162-166.

[本文引用: 1]

朱利, 王桥, 吴传庆, 等.

巢湖水华遥感监测与年度统计分析研究

[J].中国环境监测, 2013,29(2):162-166.

[本文引用: 1]

Environmental Quality Standards for Surface Water[S].2002. [地表水环境质量标准[S].2002

.]

[本文引用: 1]

Bian Shaowei, Chen Chen, Wang Qiulian, et al.

Research on Eutrophic Evaluation and Control Measures for Yuqiao Reservoir

[J]. Journal of Environmental Management College of China, 2016, 26(6): 47-50.

[本文引用: 1]

卞少伟,陈晨,王秋莲,等.

于桥水库水质富营养化评价及防治对策研究

[J].中国环境管理干部学院学报, 2016, 26(6): 47-50.

[本文引用: 1]

Zhang Yajuan, Li Chongwei, Hu Beibei, et al

. Impact of A "Source-Sink" Landscape Pattern in An Urbanized Watershed on Nitrogen and Phosphorus Spatial Variations in Rivers: A Case Study of Yuqiao Reservoir Watershed, Tianjin, China

[J]. Acta Ecologica Sinica, 2017, 37(7):2437-2446.

[本文引用: 1]

张亚娟, 李崇巍, 胡蓓蓓,等.

城镇化流域“源-汇”景观格局对河流氮磷空间分异的影响—以天津于桥水库流域为例

[J].生态学报, 2017, 37(7):2437-2446.

[本文引用: 1]

Wang Mingwei, Xu Qixin, Che Yue, et al.

Research on the Meteorological and Hydrological Factors of Cyanobacteria Bloom in Lake Dianshan

[J]. Journal of East China Nornal University(Natural Science Edition), 2011, 43(1):21-31.

[本文引用: 1]

王铭玮, 徐启新, 车越,等.

淀山湖蓝藻水华暴发的气象水文因素探讨

[J].华东师范大学学报(自然科学版), 2011, 43(1):21-31.

[本文引用: 1]

Wu Shengli, Liu Cheng, Sun Jun, et al.

Remote Sensing and Analysis on Meteorological Factors of Blue Algal Bloom in Lake Tai

[J]. Metorological, 2009, 35(1):18-23.

[本文引用: 1]

武胜利, 刘诚, 孙军, 等.

卫星遥感太湖蓝藻水华分布及其气象影响要素分析

[J].气象, 2009, 35(1):18-23.

[本文引用: 1]

Li Meng, Xie Guoqing, Lu Weikun, et al.

Effect of Meteorological Conditions on Blue Algal Bloom Distribution in Dianchi Lake

[J]. Journal of the Meteorological Sciences, 2011, 31(5):639-645.

[本文引用: 1]

李蒙, 谢国清, 鲁韦坤, 等.

气象条件对滇池水华分布的影响

[J].气象科学, 2011, 31(5):639-645.

[本文引用: 1]

Fan Yuxiang, Jin Shejun, Zhou Pei, et al.

Analysis on the Distributions and Meteorological Conditions of Cyan Obacteria Bloom in Chaohu Lake

[J]. Journal of Anhui Agriculture, 2015,43(4):191-193.

[本文引用: 1]

范裕祥, 金社军, 周培, 等.

巢湖蓝藻水华分布特征和气象条件分析

[J].安徽农业科学, 2015,43(4):191-193.

[本文引用: 1]

Lu Weikun, Yu Lingxiang, Xiaokun Ou, et al.

Relationship between Occurrence Frequency of Cyanobacteria Bloom and Meteorological Factors in Lake Dianchi

[J]. Lake Science,2017,29(3):534-545.

[本文引用: 1]

鲁韦坤,余凌翔,欧晓昆,等.

滇池蓝藻水华发生频率与气象因子的关系

[J].湖泊科学,2017,29(3):534-545.

[本文引用: 1]

/

〈 〉