Area Change and Cause Analysis of Bosten Lake based on Multi-source Remote Sensing Data and GEE Platform

  • PENG Yanfei , 1 ,
  • LI Zhongqin , 1, 2, 3, * ,
  • YAO Xiaojun 1 ,
  • MOU Jianxin 2 ,
  • HAN Weixiao 4, 5 ,
  • WANG Panpan 1
Expand
  • 1. College of Geography and Environment Science, Northwest Normal University, Lanzhou 730070, China
  • 2. State Key Laboratory of Cryospheric Science / Tianshan Glaciological Station, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China
  • 3. College of sciences, Shihezi University, Shihezi 832000,China
  • 4. Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China
  • 5. University of Chinese Academy of Sciences, Beijing 100049, China
*LI Zhongqin, E-mail:

Received date: 2020-06-30

  Request revised date: 2020-09-19

  Online published: 2021-08-25

Supported by

Second Tibetan Plateau Scientific Expedition and Research(2019QZKK0201)

Strategic Priority Research Program of Chinese Academy of Sciences(Class A)(A类XDA20060201、XDA20020102)

National Natural Science Foundation of China(41761134093)

National Natural Science Foundation of China(41471058)

The State Key Laboratory of Cryospheric founding(SKLCS-ZZ-2020)

Copyright

Copyright reserved © 2021

Abstract

Bosten Lake is a typical inland lake in the arid zone. The change in the lake area is strongly related to local natural and cultural environmental changes. Based on the GIS and RS technologies, this paper combines Landsat imagery and MODIS data, including a total of 2289 scenes, with JRC GSW water mask products to characterize the interannual and intraannual changes of the area of Bosten Lake from 2000 to 2019 through the Google Earth Engine (GEE) platform using index methods. We use the 2019 Sentinel-2 images to compare and analyze the results. To quantify the the causes of the changes, we analyzed the human activities and daily meteorological data of Yanqi, Korla and Bayanbuluk meteorological stations during 2000-2018. Results show that: (1) the GEE is efficient for integrating multi-temporal high-resolution remote sensing data to analyze the temporal change of lake area, especially the intraannual change. Compared with Landsat-5/7/8 and MOD09GQ data, the lake shoreline extracted based on Sentinel-2 images shows more details due to their high temporal and spatial resolution; (2) during 2000-2013, the total lake area decreases by 181.66 km2 with a decreasing rate of 13.98km2/a; while during 2013-2019, the lake area increases by 133.13 km2 with a increasing rate of 22.19 km2/a; (3) Intraannually, the lake area shows an upward trend from Mar. to Jun., keeps peak until September, and decreases from Oct. to Dec. and (4) the interannual change of Bosten Lake area has no significant correlations with the changes of evaporation, precipitation, and accumulated temperature within the watershed. While the intraannual change of Bosten Lake area shows strong correlations with those meteorological varabiles.

Cite this article

PENG Yanfei , LI Zhongqin , YAO Xiaojun , MOU Jianxin , HAN Weixiao , WANG Panpan . Area Change and Cause Analysis of Bosten Lake based on Multi-source Remote Sensing Data and GEE Platform[J]. Journal of Geo-information Science, 2021 , 23(6) : 1131 -1153 . DOI: 10.12082/dqxxkx.2021.200361

1 引言

湖泊对自然变化保持高度敏感,因而可作为全球气候变化和区域环境变异的重要指示器[1]。尤其是位于亚洲中部的干旱区内陆湖泊,为脆弱的环境及人类提供了宝贵但稀缺的水资源[2]。博斯腾湖作为我国较大的内陆淡水湖,其流域上游的巴音布鲁克草原是开都河、伊犁河和玛纳斯河等众多河流的源头,是新疆重要的生态屏障;其流域下游的孔雀河不仅是塔里木河的主要配水河流,也是罗布泊的重要入湖河流,对维系整个塔里木流域生态环境有重要作用[3]。同时博斯腾湖流域维系着巴音郭楞蒙古自治州境内约100万人的生产生活用水及80%的工农业生产,对当地社会经济的发展意义深远[4]
传统的地表水现场观测费时费力且安全系数不高,而遥感技术在提取水体范围、量化其体积和监测其变化[5]方面表现出的宏观性、实时性和动态性等特征显而易见[6,7]。遥感技术提供了多种有效的地表水动力学观测方法,2000年以来,使用遥感技术研究地表水和洪水泛滥的研究数量稳步增长,最近10年增长了3~7倍[5]。可用于监测水体的传感器主要有微波传感器和光学传感器。微波传感器发射长波辐射,因而受大气影响较小,可实现全天候全天时观测[8],基于微波遥感的合成孔径雷达技术(Synthetic Aperture Radar, SAR)在洪水监测方面有良好应用[9]。由于光学传感器数据的可获取性以及多样且适宜的时空分辨率,其在水体监测方面的应用非常广泛[10]。光学遥感数据源按其分辨率主要分为以下3类:① 粗分辨率传感器,如搭载在美国国家海洋与大气管理局卫星上的增强型超高分辨率辐射计(National Oceanic and Atmospheric Administration / Advanced Very High Resolution Radiometer, NOAA/AVHRR)[11,12]、由美国国家航空航天局(National Aeronautics and Space Administration, NASA)主持的搭载在Terra和Aqua卫星上的中分辨率成像光谱仪(MODerate-resolution Imaging Spectroradiometer, MODIS)[13,14]及由欧洲空间局主持的搭载在Envisat平台上的中分辨率光谱成像仪(MEdium Resolution Imaging Spectrometer, MERIS)[15]。② 中分辨率传感器,如搭载在Landsat系列卫星上的多光谱扫描仪(Multispectral Scanner, MSS)、专题绘图仪(Thematic Mapper, TM)、增强型的专题绘图仪(Enhanced Thematic Mapper Plus, ETM+)和陆地成像仪(Operational Land Imager, OLI)[16,17,18];法国空间研究中心(Centre National D’Etudes Spatiales, CNES)主持的地球观测卫星系统1-5(SPOT 1-5)[19,20]等;由欧洲空间局主持的哨兵系列地球观测任务(Sentinel-2)[21]。③ 高分辨率传感器,如IKONOS[22]、RapidEye[23]、 Worldview[24]、 ZY-3[25]、Quickbird[26]、GF-1/2[27]和SPOT-6等数据。其中Sentinel-2(S2)数据自2015年起可获取,包含13个波段,其中6个与Landsat TM和ETM+相似[28],属于新兴可免费获取的高时空分辨率影像,为了制定该数据的最佳算法和处理流程,科学界向系统开发者的反馈尤为重要,目前已开展很多相关研究包括S2影像去云[29]及大气顶层反射率数据向地表反射率数转换等问题。
从光学卫星影像中提取未被植被遮挡的水体时,主要利用了水体对近红外以及短波红外电磁辐射的强吸收特性,该方法已较成熟[30]。其具体应用又分为单波段法和指数法。其中单波段法是指通过分析单个近红外波段而得出水体范围[31];指数法被证明可以有效的提取水体,常用的水体指数有归一化植被指数(Normalized Difference Water Index, NDWI)[32]、改进的归一化水体指数(Modified Normalized Difference Water Index, MNDWI)[33]、自动水体提取指数(Automated Water Extraction Index, AWEI)[34]等。相比于单一分类方法,决策树[35,36,37]、最大似然法[38]等统计分类方法在大范围的复杂情况下具有更高的可靠性和适用性,尤其是随着计算机技术的发展,通过深度学习方法实现复杂的统计分类受到越来越多的关注。
尽管遥感观测极大程度上提升了人类获取地表信息的广度、速度以及便捷度,但是由于遥感数据量大、处理繁杂,导致研究集中在小范围或者本地,少有大范围长时间序列的工作。然而,近年数据处理能力已经有了很大提高[39]。比如Google Earth Engine(GEE)[40],基于其先进的云计算与储存能力已归档大量的地球观测数据并可提供行星级的运算[40];美国航天局地球交换中心(NASA Earth Exchange, NEX)提供了先进的超级计算平台(Pleiades超级计算机)用于实现遥感数据处理和大数据分析[41];亚马逊网络服务(Amazon Web Services, AWS)拥有大量的Landsat数据并可按需提供行星尺度的云计算[39]
2000年以来,对博斯腾湖的研究主要针对其流域内湿地[42]、水生态环境[43]和水位变化分析[44]等方面。研究发现,随着人类大规模的水土开发和全球生态环境的变化,博斯腾湖面临水体污染[45]、湿地萎缩[42]以及水位、水量和湖泊面积不同程度下降等生态问题[46]。研究指出,20世纪50年代中期至1987年,博斯腾湖水位有较大下降,且水域面积相应缩小132 km2;而1988—2002年,湖泊水位高速上升,同时面积也相应扩大;2003—2011年,湖泊水位与面积均呈下降趋势[44,46-47]。作为巴音郭楞蒙古自治州的“母亲湖”,2000年以来,博斯腾湖流域受到人类活动影响越来越多,包括区域内用水量的增加,水利工程的兴建及调水工程和治污项目的实施。因此本文以博斯腾湖为研究区,利用了Landsat影像和MODIS数据共2289景,基于GEE进行数据分析与处理,采用指数法得出2000—2019年湖泊年际与年内变化趋势并结合气候要素与人类活动分析其变化原因,同时利用高时空分辨率影像Sentinel-2对水体提取结果进行了初步对比与验证。

2 研究区概况与数据源

2.1 研究区概况

博斯腾湖(41°56'N—42°14'N,86°40'E—87°56'E)位于天山南麓焉耆盆地东南隅最低处,隶属于新疆维吾尔自治区巴音郭楞蒙古自治州博湖县,如图1所示。博斯腾湖东西长55 km,南北宽25 km,湖面海拔1048 m,平均深度8.2 m,最深处16.5 m,呈现西高东低之势。湖区地处亚欧大陆中心,可接受充分的太阳辐射与热量,气候干燥少雨且蒸发量大,年平均降雨量在100~400 mm左右,而年平均蒸发量高达900~1500 mm,是典型的大陆性气候[48]。博斯腾湖流域共有10多条入湖河流和一条出湖河流,其中开都河为唯一的常年性河流,年平均入湖水量为34.2×108 m3,是博斯腾湖主要的水源补给河流,而孔雀河为其唯一的下游河流。
图1 博斯腾湖及其流域内气象台站位置

注:底图为2018年10月22日Landsat-8真彩色影像。

Fig. 1 Location of Bosten Lake and meteorological stations in Bosten Lake watershed

博斯腾湖的湖区焉耆盆地是新疆著名且重要的农业基地,博斯腾湖作为巴音郭楞蒙古自治州的“母亲湖”,是当地经济发展和各族人民赖以生存的命脉。同时也是新疆著名的旅游景区。湖区内沼泽芦苇生长茂密,是中国四大集中产苇区之一。博斯腾湖所在地博湖县总面积3808.6 km2;总人口61 830人(2013年),由汉族、蒙古族、维吾尔族、回族等18个民族组成。下辖5乡2镇,全年地区生产总值21.01亿元(2013年)。随着人类水土开发的大规模扩张和全球生态环境变化的加剧,博斯腾湖目前面临水体污染、土壤渍化以及水位、水量和湖泊面积不同程度萎缩等生态问题。

2.2 数据来源

本文使用2000—2019年3—12月博斯腾湖所有可用的Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI、MODIS和Sentinel-2多光谱传感器 (MultiSpectral Instrument, MSI)影像共2315景用于分析湖泊面积变化趋势并进行交互验证,同时使用Joint Research Centre Global Surface Water (JRC GSW)数据作为水体掩膜数据,数据源如表1所示。以上数据均可通过GEE平台获取。
表1 博斯腾湖面积提取所用数据源信息

Tab. 1 The information of data source used for area extraction of Bosten Lake

数据源 时间 条带号 数据量/幅
Landsat-5 TM T1_TOA 2000—2011年 WRS_PATH WRS_ROW
142,143 31 84
Landsat-7 ETM+T1_TOA 2000—2003年、2012年 142,143 31 28
Landsat-8 OLI T1_TOA 2013—2019年 142,143 31 78
Landsat-8 OLI T1_SR 2019年 142,143 31 9
Sentinel-2 SR 2019年 SENING_ORBIT_NUMBER MGRS_TILE
19 45TVG, 45TWG 11
15
19 45TVG, 45TWG
MOD09GQ 2000—2019年 - - 2090
JRC GSW 2000—2015 - - -
2.2.1 Landsat数据
自1972年以来,由美国国家航空航天局(NASA)以及美国地质调查局(USGS)联合主持的Landsat 系列地球观测任务已成功发射7颗卫星,其中Landsat1-5号卫星已退役,Landsat 6未成功进入轨道,目前仍可提供影像的卫星有Landsat-7与Landsat-8,Landsat-9计划在2020年12月发射[49,50]。该系列现存影像时间分辨率为16 d,空间分辨率为30 m。本研究使用数据源如下:① 2000—2011年的Landsat 5 TM L1T级大气顶层反射率(Top of Atmosphere Reflectance)影像;② Landsat-7 ETM+影像自2000年起可获取,2003年之后影像出现扫描线校正器(Scan Line Corrector)故障[51],导致影像出现条带,所以本文选用2000—2003年可用的Landsat-7 ETM+L1T级大气顶层反射率影像(L1T TOA Top of Atmosphere)),同时由于Landsat-8 OLI影像自2013年起才可获取,为保证本研究的时间连续性,在美国地质调查局官方网站(https://glovis.usgs.gov/)下载2012年Landsat-7 ETM+ L1T级大气顶层反射率影像并去除条带用于湖泊面积提取;③ 选用2013—2019年Landsat-8 OLI L1T级大气顶层反射率影像(L1T TOA)。同时利用经过辐射校正和大气校正的Landsat-8 OLI L2(Level-2)级地表反射率(Surface Reflectance, SR)影像(L2 SR)提取湖泊面积,并且将其结果与Sentinel-2 MSI Level-2A级SR影像所得结果进行比对,进而分析研究结果的精度。
2.2.2 MODIS数据
美国地质调查局(United States Geological Survey, USGS)分别在1999年以及2002年发射的Terra 和 Aqua 卫星同时搭载了MODIS传感器[52],本文使用基于该传感器的地表反射率数据集第六版本(MODIS Surface Reflectance Collection 6),该数据产品提供每个波段地表反射率的估计值,此估计值可看成是在大地上测量得到的,所以不需考虑大气散射和吸收[53,54]。考虑到时空分辨率以及波段需求,本研究使用2000—2019年此数据集中的MOD09GQ产品,该产品为L2G级精简化的每日 数据(level 2G-Lite daily products),空间分辨率为250 m,数据可获取时段为2000年2月24日至今[54]
2.2.3 Sentinel-2数据
Sentinel系列卫星是欧洲空间局(European Space Agency, ESA)主持的对地观测计划[55],其中Sentinel-2任务旨在进行大地观测,该任务由2个运行在同一轨道且相位差为180°的卫星完成,分别为Sentinel-2A(2015年6月23日发射)与Sentinel-2B(2017年3月7日发射),其上均搭载MSI。该影像包含13个波段,其中B2(490 nm)、B3(560 nm)、 B4(665 nm)和B8(842 nm)波段空间分辨率为10 m;B5(705 nm),B6 (740 nm),B7(783 nm),B8a(865 nm),B11(1610 nm)and B12(2190 nm)波段空间分辨率为20m;B1(443 nm),B9(940 nm)and B10 (1375 nm)波段空间分辨率为60 m[56]。该影像时间分辨率为10 d,两星组合后可达5 d。本文使用Sentinel-2 L2A(Level-2A)级经过辐射校正和大气校正的地表反射率影像,由于覆盖此研究区的该影像自2018年12月15日起可获取,因此本文选用2019年影像进行分析。
2.2.4 JRC GSW数据
JRC GSW数据产品由欧洲空间局哥白尼计划(Copernicus Programme)主持生产,基于1984—2015年Landsat-5 TM, Landsat-7 ETM+和Landsat-8 OLI L1T级影像,使用专家系统决策树方法提取全球地表水体[37]。该方法通过显示归一化植被指数(Normalized Difference Vegetation Index, NDVI)以及短波红外、近红外和红光波段以及近红外、绿光波段、蓝光波段的标准假彩色的Hue-Saturation-Value(HSV)变换对像素进行可视化分析[57],并且从此分析结果中提取描述水体的方程式从而用于专家系统多维特征空间的建立。该数据可通过如下方式获取(data users guide):① 自JRC GSW Data Access网站(https://global-surface-water.appspot.com/download)下载全部数据集。② 通过GEE在线调用和分析。③ 通过网络地图服务如ArcGIS桌面版(Desktop GIS)以及ArcGIS云平台(ArcGIS Online)调用数 据[58]。本文通过GEE调用2000—2015年数据进行分析。2015年以后的水体掩膜通过与上述相似的自动提取方法并进行人工修正得到。
2.2.5 气象数据
在国家气象科学数据共享服务平台(http://data.cma.cn)下载巴音布鲁克、焉耆和库尔勒3个气象站的地面气候要素资料日值数据集,作为分析湖区气候背景及湖泊面积与气候变化响应的本底数据。

3 研究方法

3.1 湖泊面积的遥感提取

水体指数被广泛应用于水体提取,该方法通过考虑不同波长电磁波之间的反射率差异以及噪声分量的去除来增强水体的波段特征[59]。常用的归一化差异水体指数(NDWI)如下,
NDW I NIR / MIR = ( ρ NIR - ρ MIR ) / ( ρ NIR + ρ MIR ) [60]
NDW I G / NIR = ( ρ Green - ρ NIR ) / ( ρ Green + ρ NIR ) [32]
NDW I G / MIR = ( ρ Green - ρ MIR ) / ( ρ Green + ρ MIR ) [33]
式中: ρ NIR ρ MIR ρ Green 分别为近红外、中红外和绿波段的反射率。其中,NDWIG/MIR也被称为改进的归一化水体指数(MNDWI),其在利用水体与其他地物在中红外波段反射率差异的基础上,考虑了抑制植被、最大区分周围建筑物与土壤等因素,被证明可以更好地应用于干旱区水体提取[61,62,63]。本文对Landsat 5/7/8以及Sentinel-2影像计算MDNWI并采用标准逻辑阈值(W≥ 0, W为水体)对其进行重分类从而提取水体[32-33,60]
由于Landsat-5/7/8影像时间分辨率为16 d,MODIS数据时间分辨率为1 d,为了弥补Landsat系列影像时间分辨率过低的问题,这里加入MODIS数据产品集填补空白的天数。为计算MNDWI,本文原计划使用MOD09GA产品,但由于此产品500 m的低空间分辨率导致无法有效监测短期内的水体面积变化,所以在进行初步实验后更换数据源为MOD09GQ产品,该数据空间分辨率为250 m,由于波段限制,对其计算归一化植被指数(NDVI)以提取水体[64,65]。最常用的归一化植被指数(NDVI)如式(4)所示。
NDVI = ( ρ NIR - ρ R ) / ( ρ NIR + ρ R )
式中: ρ NIR ρ R 分别表示近红外和红波段的反射率。NDVI已经成为描述植被变化和解释环境现象影响因子的主要工具[66]。而水体的反射率总体较低,在可见光范围内其反射主要集中在蓝绿波段,而在近红外波段水体几乎成为全吸收体[67],本文根据水体的这一特点而采用NDVI处理遥感影像以增强水陆反差并提取水体(W 0 ,W为水体)[11,68-70]

3.2 基于GEE的遥感数据处理

GEE拥有几百万个遍布全球的服务器、最先进的云计算能力和存储能力,目前已储存了大量的地球观测数据并为科学界提供了一种内在的并行处理方式以处理数以亿万计的图像[39,71-73]。本文基于GEE平台通过JavaScript语言调用Landsat-5/7/8、Sentinel-2以及MOD09GQ影像。为保证影像质量,本文选用影像整体云量小于10%以及研究区清晰可见的Landsat-5/7/8、Sentinel-2影像。MOD09GQ产品提供影像质量描述波段(Surface Reflectance Band Quality Description,简称QA波段[54]),本文通过QA波段选取高质量的MOD09GQ影像。获取全部遥感数据后,首先使用JRC GSW数据作为掩膜初步提取博斯腾湖水体,之后使用指数法精确获取水体范围,以上步骤均基于GEE平台并通过JavaScript语言完成。
图2所示,本文通过GEE平台调用影像并计算面积,得出基于Landsat-5/7/8影像的199个面积值及基于MOD09GQ数据的2090个面积值,依此分析博斯腾湖2000—2019年面积变化总体趋势。同时由于MOD09GQ数据时间分辨率为1 d的特性,本文使用该数据分析博斯腾湖面积年内变化。与上述两种数据源相比,Sentinel-2影像具有明显的时空分辨率优势,因此本文将基于Sentinel-2 L2A级SR影像得出的结果分别与通过Landsat-8 L2级SR影像得出的结果及通过MOD09GQ数据所得的水体边界进行比较,从而分析多源遥感数据源应用的优劣势。干旱区湖泊面积变化与气候密不可分,考虑到气象站分布的局限性,本文利用博斯腾湖流域内3个站点的每日气候要素数据来分析湖泊面积变化与气候变化的相关性。
图2 数据处理流程

Fig. 2 Flowchart of data processing

4 结果及分析

4.1 2000—2019年博斯腾湖面积时空变化

图3显示了基于2000—2019年共2090幅MOD09GQ影像以及199幅Landsat影像所得的博斯腾湖面积,基于此结果,图4展示了利用2种数据源所得面积的滑动平均值曲线。同时为研究此时段内博斯腾湖水体范围的空间变化,本文选取2000、2013和2019年中处于丰水期且高质量的Landsat影像,通过自动提取和人工修正得出湖泊边界,图5显示了上述三者叠置分析的结果,图5(b)—图5(d)分别显示了2000—2013年缩减水体、2013—2019年扩张水体以及2000—2019年扩张水体。结合图3图6可见,以2013年为界,面积变化分为2个阶段。① 2000—2013年,除2002年年均湖泊面积较2001年增加外,博斯腾湖水域面积呈显著下降趋势,2002—2013年,湖泊面积共缩减199.7 km2(基于Landsat与MODIS数据源所得年均面积的均值),年均减少面积为18.2 km2,其中2003—2005年面积缩减幅度较大,其余时间段较平稳。如图5(b)所示,可见水体边界整体向内萎缩,其中西北部湖滨湿地地区、南部边缘狭长水带以及东部边缘缩减程度较大。② 2013—2019年,湖泊面积共增加129.1 km2(基于Landsat与MODIS数据源所得年均面积的均值),年均增加面积为21.5 km2,其中2015—2017年增加幅度较大,其余时间段较平稳。截止2019年,博斯腾湖面积已基本与2000年持平。图5(c)显示了2013年以后水体增加范围,可见水体边界整体扩张,其中湖泊西北角邻近湖滨湿地及其东侧狭长水带的水体大面积恢复,湖泊东南角水体向其周围沙洲有一定面积扩张。可见截止2019年,2000—2013年缩减的水体已基本恢复。
图3 基于 MOD09GQ 和Landsat-5/7/8的2000—2019年博斯腾湖面积逐年变化

Fig. 3 The annual change of Bosten Lake area from 2000 to 2019 based on MOD09GQ and Landsat-5/7/8

图4 基于 MOD09GQ 和Landsat-5/7/8的2000—2019年博斯腾湖面积变化曲线

Fig. 4 The curve of Bosten Lake area from 2000 to 2019 based on MOD09GQ and Landsat-5/7/8

图5 2000—2019年博斯腾湖水体范围变化

Fig. 5 Changes in the water body of Bosten Lake from 2000 to 2019

图6 2000—2019年博斯腾湖年均面积

Fig. 6 Average annual area of Bosten Lake from 2000 to 2019

分析图4所示2条曲线,得出二者的皮尔森相关系数为0.987,可见2条曲线具有良好的相关性。图6显示了2000—2019年基于2种数据源所得的年均面积曲线,20年2种数据源年均面积值之差分布在13.4~49.4 km2之间,平均值为29.7 km2,可见不同数据源所得结果之差稳定而均匀。

4.2 博斯腾湖面积时空变化结果验证

2000—2019年博斯腾湖面积变化范围为1127.2~927.5 km2,变化幅度较大,为验证本研究自动提取精度,选取了2000—2019年每年4—9月研究区无云的Landsat 5/7/8影像,对湖泊面积进行目视解译,结果如图7图8所示,每幅子图均包含了相邻两年的湖泊边界并框出了突出变化的位置,以便清晰描绘每年的边界变化。图6包含了目视解译结果与自动提取结果,目视解译面积值与基于Landsat 系列所得面积之差分布在0.38~23.4 km2,平均值为7.24 km2,与通过MOD09GQ所得面积之差分布在12.65~34.20 km2,平均值为22.25 km2
图7 2003—2009年博斯腾湖边界

Fig. 7 Outline of Boston Lake from 2003 to 2009

图8 2010—2019年博斯腾湖边界

Fig. 8 Outline of Boston Lake form 2010 to 2019

4.3 2000—2019年博斯腾湖面积年内变化

本文通过年均105幅MOD09GQ影像计算得出湖泊面积年内变化。如图9(a)—图9(c)所示,博斯腾湖面积年内变化可大致分为3个阶段:① 3月中下旬—5月中下旬呈增加趋势;② 6月初—9月初为全年面积峰值期;③ 9月初—12月中旬呈下降趋势。其中,图9(a)及图9(b)所示年份面积增加期较长,达80~90 d且多数直至当年5月中下旬。同时,面积峰值时期较长,可达70~90 d。相较于上述特征,图9(c)曲线有2处明显不同:① 3月中旬—4月上旬面积略有下降;② 湖泊面积峰值期持续时间较短,大致为60~80 d。而图9(d)所示曲线呈现出了不同的趋势,其中2001年3月初—4月初湖泊面积呈下降趋势并基本在5月初—11月中旬保持当年面积最低值,11月中旬—12月中旬面积增加。2019年湖泊面积于2月初—6月初呈上升趋势,此后基本保持面积峰值直至当年11月初,约150 d。2006年和2018年面积变化在年中出现了突降现象,分别出现在年内第260~270 d和第210~230 d。
图9 2000—2019年博斯腾湖面积年内变化

注:图(a)、(b)、(c)为面积变化趋势相近的年份,图(d)为未呈现明显变化趋势的年份。

Fig. 9 Change trend within the year of Bosten Lake area from 2000 to 2019

4.4 基于Sentinel-2影像的面积及其与Landsat-5/7/8 影像和MOD09GQ数据所得结果的对比

与Landsat-5/7/8影像和MOD09GQ数据相比,Sentinel-2影像具有更高的时空分辨率,在与Landsat系列影像存在相似波段的基础上,扩展为13个波段。本文将Sentinel-2与Landsat影像所得结果进行对比,以初步讨论二者识别水体时在电磁波反射率方面的异同及提取精度;将Sentinel-2、Landsat及MODIS影像所得结果进行比对,以显示高空间分辨率影像在提取湖岸线时的优势。
考虑到影像质量,本文选取已经过大气校正的地表反射率影像,由于Sentinel-2地表反射率数据自2019年3月28日起可获取,所以选取2019年可用的Sentinel-2 L2A SR影像26景以及Landsat OLI L2 SR影像9景提取湖泊面积,结果见图10(a)。可见利用Landsat-8 OLI影像所得的湖水面积均高于通过Sentinel-2数据得出的面积,二者差值的平均值为 1.99 km2图10(b)显示了基于2种数据所得面积的多项式拟合。本文所用Sentinel-2_SR数据的波段具有5 d的时间分辨率以及10 m的空间分辨率,相比于Landsat影像30 m以及MOD09GQ数据250 m的空间分辨率,其在提取湖泊湖岸线方面的优势显而易见。图11显示了2019年依据Landsat OLI_SR、Sentinel-2_SR以及MOD09GQ数据自动提取并人工修正的湖岸线,可见通过3种数据源所得的湖泊边界的空间位置基本相同,本文着重分析了博斯腾湖湖泊边界变化较大且较复杂的3处湖岸线分布情况,可见基于高空间分辨率数据得出的湖岸线细节信息较多。其中通过MOD09GQ数据所得的水体边界的粗糙度与另两种数据源有明显不同,而基于Landsat影像与Sentinel-2影像所得湖泊边界精细程度相差不甚明显,但仍能看出后者在提取湖岸线时的优势。
图10 Landsat-8 OLI和Sentinel-2所得2019年博斯腾湖面积变化及其对比结果

Fig. 10 Area change of Bosten Lake based on Landsat-8 OLI & Sentinel-2 and the comparison of results from above two data sources in 2019

图11 基于3种数据源的2019年博斯腾湖湖岸线比较

注:底图为Sentinel-2_SR 2019/7/30影像

Fig. 11 Comparison of the shoreline of Bosten Lake in 2019 based on three data sources

5 影响因素分析

影响湖泊面积的因素基本可分为自然因素和人为因素,其中自然因素对湖泊面积的影响较为直接,在大尺度上起决定性作用,人为因素在小范围可以直接影响湖泊面积,或通过影响自然因素来间接影响湖泊面积[48,74]。因此本文将近20年的博斯腾湖面积演变与气候要素变化联系起来进行分析并罗列了此间人类活动在诸如农业灌溉,水利调蓄,工业用水,生活用水等方面对博斯腾湖流域水量的人为使用/调节等内容。

5.1 气候要素分析方法

本研究选取博斯腾湖流域内的焉耆、库尔勒和巴音布鲁克气象站(图1)的日均气温和日累积降水量以及通过气象数据计算得出的日累积潜在蒸发量[75]进行分析。其中焉耆和库尔勒站位于平原区,巴音布鲁克站位于山区,表2显示了不同区域的气象要素数据,可见平原区年积温明显大于山区,而降水量和蒸发量小于山区。所以本文分山区和平原区讨论气候要素数据。由于气候要素变化的复杂性及湖泊面积影响因素的多样性,致使在考虑气候要素变化对湖泊变化的影响时牵涉到非线性约束与不确定性因素等问题,即具有广泛的灰色性[76]。因此本文采用灰色系统理论[77]来分析湖泊面积变化对气候要素变化的响应。采用灰色系统中两序列的关联度来表征这2个序列的相关程度,关联度计算如(5)式。
R ij = 1 N t = 1 N R ij ( t )
表2 山区与平原区年际气候要素数据概观及对比

Tab. 2 Overview and comparison of Interannual data of climate elements in mountains and plain areas

年积温/℃ 年降水量/mm 年蒸发量/mm
最大值 最小值 平均值 最大值 最小值 平均值 最大值 最小值 平均值
平原区 4762.5 4295.1 4569.9 145.3 21.8 67.6 1876.7 1360.3 1528.9
山区 1612.9 1340.2 1467.4 372.0 212.4 303.3 2044.8 1748.4 1872.4
相差 3149.6 2954.9 3102.5 -226.7 -190.6 -235.7 -168.1 -388.1 -343.5
式中: R ij 表示序列 i 和序列 j 的关联度; N 为数据序列长度,即数据个数; R ij ( t ) 为序列 i 和序列 j 在时刻 t 的关联系数,计算如式(6)所示。
R ij t = min + ρ max ij t + ρ max
式中: min max 分别表示各时刻两序列绝对差的最小值和最大值; ij t 表示 t 时刻两序列数据间的绝对差; ρ 为分辨系数, ρ ( 0,1 ) ,通常取值为0.5[76]。本文在进行各要素与面积的相关性分析的基础上,通过灰色系统理论计算了关联度并依照该结果进行了各要素与面积之间的拟合。

5.2 年际与年内气候要素变化

图12(a)显示了2000—2018年焉耆和库尔勒气象站每月累积降水量和蒸发量以及年降水量和蒸发量曲线。可见2000—2014年年降水量在21.8~145.3 mm之间波动,而在2014—2018年降水量呈现出一个小的波峰,其中2014—2016年降水量呈增加趋势,平均速率为48.5 mm/a,而2016—2018年呈降低趋势,平均速率为47.0 mm/a。如图12(a)所示,年降水量与年蒸发量变化趋势呈现良好的互补性。图12(b)显示了大于等于0的年积温曲线,可见以2006年为界可分为2个变化阶段:① 除2001—2003年积温下降305.9 ℃以外,2000—2006年积温呈上升趋势,平均速率为58.7 ℃/a; ② 2006—2018年,积温总体呈下降趋势,平均速率为31.3 ℃/a。图13(a)显示了巴音布鲁克站气候要素数据可见降水量和蒸发量的变化趋势呈现良好互补性,年降水量在372.0~212.4 mm之间呈现波动变化,并且在2000、2010和2016年出现波峰而在2003年和2014年出现波谷,其中2003—2010年和2010—2014年分别为持续的降水增加期和减少期,平均速率分别为25.4 mm/a和40.5 mm/a。图13(b)显示了大于等于0的年积温曲线,可见2000—2014年温度变化较平稳,而2014—2016年和2016—2018年分别为积温上升期和下降期,平均速率为127.9 ℃/a和78.1 ℃/a。
图12 2000—2018年焉耆和库尔勒站蒸发量、降水量和 积温变化

Fig. 12 Yanqi and Korla stations from 2000 to 2018(Evaporation,Precipitation and Accumulated temperature)

图13 2000—2018年巴音布鲁克站蒸发量、降水量和积温变化

Fig. 13 Bayanbrook station from 2000 to 2018(Evaporation,Precipitation and Accumulated temperature)

图12图13以柱状图形式显示了平原区及山区气象站2000—2019年每月的月蒸发量、月降水量及月积温。由表3可见,博斯腾湖流域内月均蒸发量显著高于月均降水量,其中平原区月均降水量及蒸发量均远低于山区,而平原区月均积温明显高于山区。此外月积温基本于3—8月呈上升趋势,8—11月呈下降趋势;月降水量及蒸发量于每年的7—9月达到年内峰值。本文选取面积年内变化趋势较显著的2011年非冻结期(3—12月)来分析气候要素对年内变化的影响。图14显示了这一时期的气候要素变化特点,可见3个气象站观测到的气温、降水量、蒸发量均在3—7月呈上升趋势而在7—12月呈下降趋势。
表3 山区与平原区月均气候要素数据概观及对比

Tab. 3 Overview and comparison of Monthly data of climate elements in mountains and plain areas

月均积温/℃ 月均降水量/mm 月均蒸发量/mm
平原区 382.5 5.6 125.6
山区 123.4 25.1 156.0
相差 259.1 -19.5 -30.0
图14 2011年3—12月气候要素数据

Fig. 14 Meteorological data from March to December 2011

5.3 博斯腾湖面积动态变化对气候变化的响应

5.3.1 年际面积变化对气候变化的响应
在进行灰色系统分析之前,本文首先进行了气候要素与年均面积的相关性分析,表4显示了年积温、年降水量和年蒸发量与年均面积(基于Landsat影像和MOD09GQ数据所得面积的年均值)的相关性,可见气候要素与博斯腾湖面积变化的相关性总体较低。根据灰色系统理论,通过式(5)、式(6)得出平原区与山区的年积温、降水量和蒸发量分别与博斯腾湖面积之间的关联度(表5),可见平原区年积温及年蒸发量与湖泊年均面积间的关联度相对较高。
表4 年积温、年降水量和年蒸发量分别与博斯腾湖年均面积的相关性

Tab. 4 The correlation of annual accumulated temperature, annual precipitation and annual evaporation with annual mean area of Boston Lake

年积温 年降水量 年蒸发量
平原区 山区 平原区 山区 平原区 山区
Pearson -0.3824 -0.3351 -0.0340 -0.0270 -0.2528 -0.0863
Kendall -0.0703 -0.3072 -0.0177 0.0327 -0.2581 -0.0850
Spearman -0.1474 -0.3622 0.0210 0.0898 -0.3624 -0.0836
表5 各气象要素分别与博斯腾湖面积的关联度

Tab. 5 The relational grade between each meteorological feature and area of Boston Lake

积温 降水量 蒸发量
平原区 山区 平原区 山区 平原区 山区
年气象要素
与年均面积
0.5668 0.2911 0.0102 0.0318 0.3348 0.0849
月气象要素
与月均面积
0.6347 0.0094 0.4118 0.5770 0.7780 0.6930
5.3.2 年内面积变化对气候变化的响应
表6显示了2011年月积温、月降水量和月蒸发量与月均面积(基于MOD09GQ数据所得结果的月平均值)的相关性分析结果,可见月气象要素与月均面积相关性总体较好。根据灰色系统理论,通过 式(5)、式(6)得出平原区与山区的月积温、降水量和蒸发量分别与博斯腾湖月均面积之间的关联度,如表5所示,可见平原区月积温、平原区月蒸发量及山区月蒸发量与湖泊年均面积间的关联度相对较高。
表6 月积温、月降水量和月蒸发量与博斯腾湖月均面积的相关性

Tab. 6 The correlation of monthly accumulated temperature, monthly precipitation and monthly evaporation with monthly mean area of Boston Lake

月积温 月降水量 月蒸发量
平原区 山区 平原区 山区 平原区 山区
Pearson 0.6099 0.1831 0.4453 0.5350 0.5516 0.6384
Kendall 0.2778 -0.0476 0.4944 0.5111 0.3333 0.2889
Spearman 0.4167 -0.1071 0.5958 0.6849 0.4424 0.4667

5.4 博斯腾湖面积与气象要素的拟合模型

基于本文所用气候要素数据以及各要素与博斯腾湖面积之间的灰色系统分析结果,选取与年均面积关联度较高的平原区年积温和年蒸发量用于构建年均面积拟合模型,结果如式(7)所示。
S = 2269.561 - 0.223 × T - 0.159 × E
式中: S 表示湖泊面积;T表示年积温;E表示年蒸发量。该多元回归线性模型的Durbin-Watson 检验值为0.456,显著性为0.141,由式(7)所得的面积预测值如图15(a)所示,可见并未达到显著相关水平。
图15 式(7)和式(8)所得湖泊面积(预测值)与遥感提取面积(真实值)

注:图15(a)预测值由式(7)得出;图15(b)预测值由式(8)得出。

Fig. 15 The lake area obtained by formulas (7) and (8) (predicted value) and remote sensing extracted area (true value)

根据5.3.2节中的结论选取关联度较高的平原区积温、平原区蒸发量以及山区蒸发量构建2011年月均面积拟合模型,结果如式(8)所示。
S = 970.190 + 0.002 × PT - 0.008 × PE - 0.001 × ME
式中: S 为面积;PT表示平原区积温;PE表示平原区蒸发量;ME表示山区蒸发量。此模型的显著性为0.017,达到显著性水平( α = 0.05 );Durbin-Watson 检验值为1.826。由式(8)所得的面积预测值如图13(b)所示,真实值与预测值之差范围为0.002~1.35 km2,平均值为0.59 km2

5.5 人类活动对博斯腾湖的影响分析

随着经济社会的发展,人类活动对湖泊的影响加剧。其对湖泊面积的影响主要表现在用水量的变化、输调水工程的实施和水利工程的兴建3方面[78]。博斯腾湖作为开都河和孔雀河等河流的调节水库,承担着重要的生态调节功能,同时维系着巴音郭楞蒙古自治州6县市的生产生活用水,支撑着巴州80%的工农业生产[4]。焉耆盆地耕地面积由1990年的15.56×104 hm2增加至2012年的28.80× 104 hm2,扩大了28.50%以上。灌溉引水量由1986—1995年年均10.01×108 m3增加到2003—2012年年均10.13×108 m3,同期人口增长36.28%[79]。1999—2003年,当地政府利用博斯腾湖处于丰水期的契机向塔里木河进行生态调水,结束了塔里木河下游300 km河道近30年的断流历史[80]。博斯腾湖流域内修建了若干水利工程。其中流域内现有引水工程5座:分别是位于焉耆盆地灌区的开都河第一分水枢纽和宝浪苏木分水枢纽,位于流域下游的孔雀河第一、第二和第三分水枢纽[81]。据初步估算,2000—2010年间环博斯腾湖的焉耆、和静、和硕、博湖4县及农二师部分团场每年约有4.8亿m3的农田排水、2000万m3的超标工业废水和生活污水直接或间接排入博斯腾湖,对湖泊水质有一定影响[4]
2010年以来,巴州先后实施了生态保护工程项目、工业企业污染防治项目、污染源治理项目、环保监测监察能力建设等13个中央投资项目以改善河流和湖泊的生态问题。主要措施如下。① 对博斯腾湖实施生态补水工程。2018年实现了博斯腾湖生态补水1亿m3,分别来自黄水沟夏尔乌逊分洪闸东支和开都河解放二渠至黄水沟东支退水闸[82]。 ② 修复湖滨湿地。湖滨湿地是联系博湖湖区与陆生系统的过渡区和缓冲带,水生态系统的安全与湖滨湿地密切相关。2010年,新疆博湖苇业股份有限公司在天河苇区(博斯腾湖西南小湖区)建设了自然湿地保育和生态修复技术研究示范区,促进了此处水体恢复。③ 加强水资源统一管理并发展节水农业。2007年始,对开孔河流域施行限额供水指标;和硕、和静、焉耆、博湖及尉犁5个县取用地表水或地下水需报州水行政主管部门审批[4]。2016年起,州政府大力发展节水农业,每年以333 km2速度发展农业高效节水和常规节水。④ 治理生态环境。巴州加大了对开都河源头暨巴音布鲁克草原的生态环境治理力度,进行退耕还林还草,逐步恢复草原生态,增强其涵养水源的能力[4]。同时启动治污项目,2016年始,建成中粮新疆屯河股份公司博湖番茄制品分公司、焉耆糖业分公司和焉耆番茄制品分公司综合废水治理项目且投资3544万元建成北四县城镇污水处理厂[81]

6 讨论与结论

6.1 讨论

GEE平台集合了海量数据源,用户可免费利用云端服务器进行计算,并且可实时获取运算结果。相比于基于本地处理的遥感应用研究[85],GEE平台可以快速处理长时空序列的海量数据,这使得获取长时间连续的研究结果越来越便捷[86]。因此本文利用了2000—2019年所有可用的遥感影像进行分析并获取了湖泊面积的每日变化。
Sentinel系列数据包括合成孔径雷达影像,可见光和近红外影像等,其中Sentinel-2为目前可免费获取的具有较高时空分辨率的光学影像[84]。以往基于Landsat系列影像和MODIS数据产品的水体提取工作[85]由于混合像元的存在导致精度被限制,Sentinel-2影像在一定程度上克服了这种限制。因此本文利用Sentinel-2影像提取面积以及湖岸线,且将其应用结果与有着较长历史的Landsat和MODIS系列数据进行了初步比较。然而忽略了不同传感器在电磁波发射接收以及波段设置等方面存在的差异,考虑到上述差异的研究值得进一步展开。
博斯腾湖是典型的以地表径流补给为主的干旱区内陆湖泊,入湖径流量占总入湖水量的94.8%,其中开都河的补给量占84.7%,其余水源补给为降水,占比为5.2%。由此可见开都河径流量、博斯腾湖入湖水量以及水位对研究湖泊面积变化有重要意义,基于上述数据的分析值得进一步的工作。

6.2 结论

本文基于GIS和RS技术,通过GEE平台,综合应用了2000—2019年的Landsat 5/7/8影像,MOD09GQ数据,JRC GSW产品,Sentinel-2影像以及2000—2018年焉耆、库尔勒和巴音布鲁克气象站的每日气象数据得出了近20年博斯腾湖面积的变化趋势并分析了其变化原因,得出以下结论:
(1) GEE平台的大量数据源及海量数据的实时处理能力表明GEE平台可以充分利用研究区影像并且能够获取连续序列的面积值。通过对Sentinel-2影像、Landsat-5/7/8影像及MOD09GQ数据所得面积的分析可见,基于高时空分辨率特征,Sentinel-2影像可提取更精细的湖岸线。
(2)博斯腾湖面积在2000—2013年呈下降趋势,面积共减少181.66 km2,变化速率为13.98 km/a;2013—2019年,湖泊面积呈显著增加趋势,共增加133.13 km2,变化速率为22.19 km/a,截止2019年,湖泊面积已基本恢复至2000年水平。
(3)除个别年份外,博斯腾湖年内面积呈现明显的变化特征:湖泊面积在3—6月呈上升趋势且在6—9月保持年内面积峰值,在10—12月面积呈下降趋势。
(4)气象因素与博斯腾湖面积年际变化的相关性不甚明显;湖泊面积年内变化与当年气象条件相关性较高。
[1]
Mason I, Guzkowska M, Rapley C, et al. The response of lake levels and areas to climatic change[J]. Climatic change, 1994,27(2):161-197.

DOI

[2]
Bai J, Chen X, Li J L, et al. Changes in the area of inland lakes in arid regions of central Asia during the past 30 years[J]. Environmental Monitoring and Assessment, 2011,178(1/2/3/4):247-256.

DOI

[3]
张家凤. 开都河-孔雀河流域水资源优化配置研究[D]. 乌鲁木齐:新疆农业大学, 2012.

[ Zhang J F. Study on optimized allocation of water resources in Kaidu River-Kongque river basin[D]. Urumqi: Xinjiang Agricultural University, 2012. ]

[4]
张建平. 博斯腾湖流域生态环境现状及治理对策浅析[J]. 环境科技, 2010,23(S2):76-79.

[ Zhang J P. Eco-environment situation of Bosten Lake and its countermeasures[J]. Environmental Science and Technology, 2010,23(S2):76-79. ]

[5]
Huang C, Chen Y, Zhang S, et al. Detecting, extracting, and monitoring surface water from space using optical sensors: A review[J]. Reviews of Geophysics, 2018,56(2):333-360.

DOI

[6]
Frazier P S, Page K J. Water body detection and delineation with Landsat TM data[J]. Photogrammetric Engineering and Remote Sensing, 2000,66(12):1461-1468.

[7]
Thomas R F, Kingsford R T, Lu Y, et al. Landsat mapping of annual inundation (1979-2006) of the Macquarie Marshes in semi-arid Australia[J]. International Journal of Remote Sensing, 2011,32(16):4545-4569.

DOI

[8]
Woodhouse I H. Introduction to microwave remote sensing[M]. Florida: CRC press, 2017: 98-100.

[9]
Schumann G J-P, Moller D K. Microwave remote sensing of flood inundation[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2015,83:84-95.

[10]
Huang C, Chen Y, Wu J P, et al. An evaluation of Suomi NPP-VIIRS data for surface water detection[J]. Remote Sensing Letters, 2015,6(2):155-164.

DOI

[11]
Domenikiotis C, Loukas A, Dalezios N. The use of NOAA/AVHRR satellite data for monitoring and assessment of forest fires and floods[J]. Natural Hazards and Earth System Sciences, 2003,3(1/2):115-128.

[12]
Jain S K, Saraf A K, Goswami A, et al. Flood inundation mapping using NOAA AVHRR data[J]. Water Resources Management, 2006,20(6):949-959.

DOI

[13]
Chen Y, Huang C, Ticehurst C, et al. An evaluation of MODIS daily and 8-day composite products for floodplain and wetland inundation mapping[J]. Wetlands, 2013,33(5):823-835.

DOI

[14]
Brakenridge R, Anderson E. Modis-based flood detection, mapping and measurement: The potential for operational hydrological applications[C]// Transboundary Floods: Reducing Risks Through Flood Management, 2006.

[15]
Andreoli R, Yesou H, Li J, et al. Inland lake monitoring using low and medium resolution ENVISAT ASAR and optical data: Case study of Poyang Lake (Jiangxi, PR China)[C]// 2007 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2007: 4578-4581.

[16]
Xie H, Luo X, Xu X, et al. Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction[J]. International Journal of Remote Sensing, 2016,37(8):1826-1844.

DOI

[17]
Acharya T D, Lee D H, Yang I T, et al. Identification of water bodies in a Landsat 8 OLI image using a J48 decision tree[J]. Sensors, 2016,16(7):1075.

DOI

[18]
Singh K, Ghosh M, Sharma S R. Wsb-DA: Water surface boundary detection algorithm using Landsat 8 OLI data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,9(1):363-368.

DOI

[19]
Fisher A, Danaher T. A water index for SPOT5 HRG satellite imagery, New South Wales, Australia, determined by linear discriminant analysis[J]. Remote Sensing, 2013,5(11):5907-5925.

DOI

[20]
Davranche A, Lefebvre G, Poulin B. Wetland monitoring using classification trees and SPOT-5 seasonal time series[J]. Remote sensing of environment, 2010,114(3):552-562.

DOI

[21]
Yang X, Zhao S, Qin X, et al. Mapping of urban surface water bodies from Sentinel-2 MSI imagery at 10 m resolution via NDWI-based image sharpening[J]. Remote Sensing, 2017,9(6):596.

DOI

[22]
Sidle R C, Ziegler A D, Vogler J B. Contemporary changes in open water surface area of Lake Inle, Myanmar[J]. Sustainability Science, 2007,2(1):55-65.

DOI

[23]
Klemenjak S, Waske B, Valero S, et al. Unsupervised river detection in RapidEye data[C]// 2012 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2012: 6860-6863.

[24]
Malinowski R, Groom G, Schwanghart W, et al. Detection and delineation of localized flooding from WorldView-2 multispectral data[J]. Remote sensing, 2015,7(11):14853-14875.

DOI

[25]
Yao F, Wang C, Dong D, et al. High-resolution mapping of urban surface water using ZY-3 multi-spectral imagery[J]. Remote Sensing, 2015,7(9):12336-12355.

DOI

[26]
Xu K Q, Zhang J Q, Watanabe M, et al. Estimating river discharge from very high-resolution satellite data: a case study in the Yangtze River, China[J]. Hydrological Processes, 2004,18(10):1927-1939.

DOI

[27]
Zhang H, Li J, Xiang N, et al. An automatic method of monitoring water bodies based on GF-1 data[C]// Ocean Remote Sensing and Monitoring from Space. International Society for Optics and Photonics, 2014,9261:926103.

[28]
Zhu Z, Wang S, Woodcock C E. Improvement and expansion of the Fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images[J]. Remote Sensing of Environment, 2015,159:269-277.

DOI

[29]
Immitzer M, Vuolo F, Atzberger C. First experience with Sentinel-2 data for crop and tree species classifications in central Europe[J]. Remote Sensing, 2016,8(3):166.

DOI

[30]
Smith L C. Satellite remote sensing of river inundation area, stage, and discharge: A review[J]. Hydrological processes, 1997,11(10):1427-1439.

DOI

[31]
Ozesmi S L, Bauer M E. Satellite remote sensing of wetlands[J]. Wetlands Ecology and Management, 2002,10(5):381-402.

DOI

[32]
McFeeters S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996,17(7):1425-1432.

DOI

[33]
Xu H Q. Modification of Normalised Difference Water Index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006,27(14):3025-3033.

DOI

[34]
Feyisa G L, Meilby H, Fensholt R, et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery[J]. Remote Sensing of Environment, 2014,140:23-35.

DOI

[35]
Tulbure M G, Broich M. Spatiotemporal dynamic of surface water bodies using Landsat time-series data from 1999 to 2011[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013,79:44-52.

DOI

[36]
Mueller N, Lewis A, Roberts D, et al. Water observations from space: Mapping surface water from 25 years of Landsat imagery across Australia[J]. Remote Sensing of Environment, 2016,174:341-352.

DOI

[37]
Pekel J-F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016,540(7633):418-422.

DOI

[38]
Frazier P, Page K, Louis J, et al. Relating wetland inundation to river flow using Landsat TM data[J]. International Journal of Remote Sensing, 2003,24(19):3755-3770.

DOI

[39]
Dong J, Xiao X, Menarguez M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sens Environ, 2016,185:142-154.

DOI

[40]
Hansen M C, Potapov P V, Moore R, et al. High-resolution global maps of 21st-century forest cover change[J]. Science, 2013,342(6160):850-853.

DOI

[41]
Nemani R, Votava P, Michaelis A, et al. Collaborative supercomputing for global change science[J]. Eos, Transactions American Geophysical Union, 2011,92(13):109-110.

[42]
万洪秀, 孙占东, 王润. 博斯腾湖湿地生态脆弱性评价研究[J]. 干旱区地理, 2006,29(2):248-254.

[ Wan H X, Sun Z D, Wang R. Study on the evaluation of ecological frangibility of the wetlands in the Bosten Lake Region[J]. Arid Land Geography, 2006,29(2):248-254. ]

[43]
王亚俊, 李宇安, 王彦国, 等. 20世纪50年代以来博斯腾湖水盐变化及趋势[J]. 干旱区研究, 2005(3):355-360.

[ Wang Y J, Li Y A, Wang Y G, et al. Study on the change of inflow and salt content of the Bosten Lake, Xinjiang since the 1950s[J]. Arid Zone Research, 2005(3):355-360. ]

[44]
高华中, 姚亦锋. 近50年来人类活动对博斯腾湖水位影响的量化研究[J]. 地理科学, 2005,25(3):305-309.

[ Gao H Z, Yao Y F. Quantitative effect of human activities on water level change of Bosten lake in recent 50 years[J]. Scientia Geographica Sinica, 2005,25(3):305-309. ]

[45]
徐海量, 陈亚宁, 李卫红. 博斯腾湖湖水污染现状分析[J]. 干旱区资源与环境, 2003,17(3):95-97.

[ Xu H L, Chen Y N, Li W H. Analysis on the pollution situation of Boston lake[J]. Journal of Arid Land Resources and Environment, 2003,17(3):95-97. ]

[46]
王润, Ernst Giese, 高前兆. 近期博斯腾湖水位变化及其原因分析[J]. 冰川冻土, 2003,25(1):60-64.

[ Wang R, Giese E, Gao Q Z. The recent change of water level in the Bosten lake and analysis of its causes[J]. Journal of Glaciology and Geocryology, 2003,25(1):60-64. ]

[47]
张一琼, 海米提·依米提, 魏彬, 等. 1972—2011年博斯腾湖面积变化遥感分析[J]. 安徽农业科学, 2015,43(12):245-249.

[ Zhang Y Q, Hamiti Imiti, Wei B, et al. The Remote sensing analysis of Bosten Lake Area change during 1972-2011[J]. Journal of Anhui Agricultural Sciences, 2015,43(12):245-249. ]

[48]
白洁, 陈曦, 李均力, 等. 1975—2007年中亚干旱区内陆湖泊面积变化遥感分析[J]. 湖泊科学, 2011,23(1):80-88.

[ Bai J, Chen X, Li J L, et al. Changes of inland lake area in arid Central Asia during 1975-2007: A remote-sensing analysis[J]. Journal of Lake Science, 2011,23(1):80-88. ]

[49]
Wulder M A, Masek J G, Cohen W B, et al. Opening the archive: How free data has enabled the science and monitoring promise of Landsat[J]. Remote Sensing of Environment, 2012,122:2-10.

DOI

[50]
Cohen W B, Goward S N. Landsat's role in ecological applications of remote sensing[J]. BioScience, 2004,54(6):535-545.

DOI

[51]
Davis S M, Landgrebe D A, Phillips T L, et al. Remote sensing: the quantitative approach[J]. IEEE Computer Architecture Letters, 1981,3(6):713-714.

[52]
Vaughn Ihlen. Landsat 7(L7) Data Users Handbook-Version 2.0[EB/OL]. [2020-7-8]. https://prd-wret.s3.us-west-2.amazonaws.com/assets/palladium/production/atoms/files/LSDS-1927_L7_Data_Users_Handbook-v2.pdf.

[53]
Justice C O, Vermote E, Townshend J R, et al. The Moderate Resolution Imaging Spectroradiometer (MODIS): Land remote sensing for global change research[J]. IEEE transactions on geoscience and remote sensing, 1998,36(4):1228-1249.

DOI

[54]
Zhao H, Yang Z W, Di L P, et al. Evaluation of temporal resolution effect in remote sensing based crop phenology detection studies[C]// Computer and Computing Technologies in Agriculture V, 2012: 2011:135-150.

[55]
E. F Vermote, J. C Roger, J. P Ray. MODIS Surface Reflectance User's Guide(Collection 6)[EB/OL]. [2020-7-8] http://modis-sr.ltdri.org/guide/MOD09_UserGuide_v1.4.pdf.

[56]
Drusch M, Del Bello U, Carlier S, et al. Sentinel-2: ESA's optical high-resolution mission for GMES operational services[J]. Remote sensing of Environment, 2012,120:25-36.

DOI

[57]
ESA Sentinel-2 Team. GMES Sentinel-2 Mission Requirements Document[EB/OL]. [2020-7-8] https://earth.esa.int/pub/ESA_DOC/GMES_Sentinel2_MRD_issue_2.0_update.pdf.

[58]
Smith A R. Color gamut transform pairs[J]. ACM Siggraph Computer Graphics, 1978,12(3):12-19.

DOI

[59]
Joint Research Centre Global Surface Water-Data Users Guide(v2)[EB/OL]. [2019] https://global-surface-water.appspot.com/download.

[60]
Ji L, Zhang L, Wylie B. Analysis of dynamic thresholds for the normalized difference water index[J]. Photogrammetric Engineering & Remote Sensing, 2009,75(11):1307-1317.

[61]
Gao B C. NDWI: A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote sensing of environment, 1996,58(3):257-266.

DOI

[62]
Soti V, Tran A, Bailly J S, et al. Assessing optical earth observation systems for mapping and monitoring temporary ponds in arid areas[J]. International Journal of Applied Earth Observation and Geoinformation, 2009,11(5):344-351.

DOI

[63]
Campos J C, Sillero N, Brito J C. Normalized difference water indexes have dissimilar performances in detecting seasonal and permanent water in the Sahara-Sahel transition zone[J]. Journal of Hydrology, 2012,464/465:438-446.

DOI

[64]
Deus D, Gloaguen R. Remote sensing analysis of lake dynamics in semi-arid regions: implication for water resource management. Lake Manyara, East African Rift, Northern Tanzania[J]. Water, 2013,5(2):698-727.

DOI

[65]
Tucker C J, Pinzon J E, Brown M E, et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing, 2005,26(20):4485-4498.

DOI

[66]
Ma M, Wang X, Veroustraete F, et al. Change in area of Ebinur Lake during the 1998-2005 period[J]. International Journal of Remote Sensing, 2007,28(24):5523-5533.

DOI

[67]
Chandrasekar K, Sesha Sai M V R, Roy P S, et al. Land Surface Water Index (LSWI) response to rainfall and NDVI using the MODIS Vegetation Index product[J]. International Journal of Remote Sensing, 2010,31(15):3987-4005.

DOI

[68]
常庆瑞, 蒋平安, 周勇. 遥感技术导论[M]. 北京: 科学出版社, 2004.

[ Chang Q R, Jiang P A, Zhou Y. Introduction to Remote Sensing Technology[M]. Beijing: Science Press, 2004. ]

[69]
Lunetta R S, Knight J F, Ediriwickrema J, et al. Land-cover change detection using multi-temporal MODIS NDVI data[J]. Remote sensing of environment, 2006,105(2):142-154.

DOI

[70]
王志辉, 易善桢. 不同指数模型法在水体遥感提取中的比较研究[J]. 科学技术与工程, 2007,7(4):534-537.

[ Wang Z H, Yi S Z. Comparison and research on the different index models used in water extraction by remote sensing[J]. Science Technology and Engineering, 2007,7(4):534-537. ]

[71]
杨忠恩, 骆剑承, 徐鹏炜. 利用NOAA-AVHRR资料提取水体信息的初步研究[J]. 遥感技术与应用, 1995,10(1):25-29.

[ Yang Z E, Luo J C, Xu P W. Studies on applying NOAA-AVHRR data to making water area[J]. Remote Sensing Technology and Application, 1995,10(1):25-29. ]

[72]
刘凯, 彭力恒, 李想, 等. 基于Google Earth Engine的红树林年际变化监测研究[J]. 地球信息科学学报, 2019,21(5):731-739.

DOI

[ Liu K, Peng L H, Li X, et al. Monitoring the inter-annual change of mangroves based on the google earth engine[J]. Journal of Geo-information Science, 2019,21(5):731-739. ]

[73]
谭深, 吴炳方, 张鑫. 基于Google Earth Engine与多源遥感数据的海南水稻分类研究[J]. 地球信息科学学报, 2019,21(6):937-947.

DOI

[ Tan S, Wu B F, Zhang X. Mapping paddy rice in the Hainan Province using both google earth engine and remote sensing images[J]. Journal of Geo-information Science, 2019,21(6):937-947. ]

[74]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote sensing of Environment, 2017,202:18-27.

DOI

[75]
Du Y, Xue H P, Wu S J, et al. Lake area changes in the middle Yangtze region of China over the 20th century [J]. Journal of Environmental Management, 2011,92(4):1248-1255.

DOI

[76]
Allen R G, Pereira L S, Raes D, et al. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56[J]. Food and Agriculture Organization of the United Nations, 1998,300(9):D05109.

[77]
林乃峰, 沈渭寿, 张慧, 等. 近35a西藏那曲地区湖泊动态遥感与气候因素关联度分析[J]. 生态与农村环境学报, 2012,28(3):231-237.

[ Lin N F, Shen W S, Zhang H, et al. Correlation degree analysis of meteorological elements and dynamic remote sensing of alpine lakes in NaquRegion of Tibet in the past 35 years[J]. Rural Eco-Environment, 2012,28(3):231-237. ]

[78]
Chan J W, Tong T K. Multi-criteria material selections and end-of-life product strategy: Grey relational analysis approach[J]. Materials & Design, 2007,28(5):1539-1546.

DOI

[79]
王国庆, 张建云, 刘九夫, 等. 气候变化和人类活动对河川径流影响的定量分析[J]. 中国水利, 2008(2):55-58.

[ Wang G Q, Zhang J Y, Liu J F, et al. Quantitative assessment for climate change and human activities impact on river runoff[J]. China Water Resources, 2008(2):55-58. ]

[80]
迪拉娜·尼加提, 海米提·依米提, 麦麦提吐尔逊·艾则孜, 等. 基于3S的焉耆盆地生态服务价值对土地利用变化的响应[J]. 安徽农业科学, 2013,41(10):4571-4575.

[The response of ecosystem services value to land use change in karashahar basin based on 3S technology[J]. Journal of Anhui Agricultural Sciences, 2013,41(10):4571-4575. ]

[81]
尚河英, 尹忠东. 塔里木河流域生态输水效益分析[J]. 水利科技与经济, 2014,20(2):17-20.

[ Shang H Y, Yin Z D. An analysis on the Tarim river basin ecological water conveyance[J]. Water Conservancy Science and Technology and Economy, 2014,20(2):17-20. ]

[82]
赵奕. 博斯腾湖综合治理及生态修复工程前后水环境质量评价研究[D]. 乌鲁木齐:新疆大学, 2017.

[ Zhao Y. Study on water environmental quality assessment before and after comprehensive treatment and ecological engineering remediation of the Lake Bosten[D]. Urumqi: Xinjiang University, 2017. ]

[83]
邓燕. 博斯腾湖生态输水对地下水的影响研究[J]. 黑龙江水利科技, 2019,47(1):10-13.

[Study on influence of ecological water conveyance on groundwater in Bosten lake[J]. Heilongjiang Science and Technology of Water Conservancy, 2019,47(1):10-13. ]

[84]
岳桢干. 欧洲Sentinel-2A卫星即将大显身手—“哥白尼”对地观测计划简介(上)[J]. 红外, 2015,36(8):32-36.

[ Yue Z G. The Sentinel-2A satellite will display skills to thefull-"Copernicus" on earth observation program[J]. Infrared, 2015,36(8):32-36. ]

[85]
杜保佳, 张晶, 王宗明, 等. 应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类[J]. 地球信息科学学报, 2019,21(5):740-751.

DOI

[ Du B J, Zhang J, Wang Z M, et al. Crop mapping based on Sentinel-2A NDVI time series using object-oriented classification and decision tree model[J]. Journal of Geo-information Science, 2019,21(5):740-751. ]

[86]
陈炜, 黄慧萍, 田亦陈, 等. 基于Google Earth Engine平台的三江源地区生态质量动态监测与分析[J]. 地球信息科学学报, 2019,21(9):1382-1391.

DOI

[ Chen W, Huang H P, Tian Y C, et al. Monitoring and assessment of the eco-environment quality in the Sanjiangyuan regionbased on Google Earth Engine[J]. Journal of Geo-information Science, 2019,21(9):1382-1391. ]

Outlines

/