CN: 11-6035/N
ISSN: 2096-2223
科学大数据工程优秀数据成果专题 II 区论文（已发表） • 版本 ZH2 Vol 8 (4) 2023
下载
1986–2020年呼伦湖夏季TSI数据集
A dataset of the TSI of Hulun Lake in summer, 1986–2020
禹政阳，马荣华，许金朵，王贞，胡旻琪
YU Zhengyang, MA Ronghua, XU Jinduo, WANG Zhen, HU Minqi
 >>
： 2023 - 04 - 23
： 2023 - 09 - 19
： 2023 - 05 - 27
： 2023 - 12 - 26
Baidu
map
5759 18 0
摘要&关键词
摘要：卡尔森营养状态指数（Trophic state index，TSI）是表征水体营养状态最直接有效的指数之一。TSI长时间序列数据对湖泊的水质动态监测具有重要指示意义。本数据集以Landsat TM/ETM+/OLI为数据源，构建了藻类生物量指数（Algal biomass index，ABI）以探究其对TSI的响应规律，估算了呼伦湖1986–2020共35年的TSI时间序列，并制成夏季TSI均值空间分布图，以体现呼伦湖夏季TSI西南高、东北低，近岸高、湖心低的空间分布规律。为确保研究结果的可靠性和准确性，对比了基于OLI得出的TSI和实测遥感反射比得出的TSI。结果表明，二者的均方根误差（Root Mean Square Error, RMSE）<2.39，平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）<3.53%。本数据集的格式为*.tif，空间分辨率为30 m，用户可以使用专业的GIS软件进行查看和编辑，也可以使用python或R语言的相关package进行二次处理。本数据集所反映的TSI时空变化特征可为呼伦湖地区的水质监测和生态保护提供有效的数据支持。
关键词：TSI；呼伦湖；长时间序列；Landsat
Abstract & Keywords
Abstract: The Trophic state index (TSI) stands as one of the most direct and effective indices for characterizing the trophic state of water bodies, and the long-time TSI series data are important for monitoring the dynamic shifts in water quality in lakes. In this dataset, we used Landsat-5 TM, Landsat-7 ETM+ and Landsat-8 OLI as data sources, and crafted an Algal biomass index (ABI) to investigate its responsiveness to TSI. And through rigorous analysis, we estimated the TSI time series of Hulun Lake for 35 years from 1986 to 2020. Furthermore, we generated spatial maps depicting the mean TSI values in summer. The results revealed a distinctive spatial pattern, characterized by elevated TSI levels in the southwestern region and lower levels in the northeast of Hulun Lake during the summer season. Moreover, there was a noticeable discrepancy between the shoreline and the central area of the lake, with higher TSI values near the shore and lower values in the lake's center. To ensure the reliability and accuracy of the results, we compared the TSI derived from the OLI and the TSI based on measured reflectance ratios, which shows that the root mean square error (RMSE) of less than 2.39, and the mean absolute percentage error (MAPE) of less than 3.53%. The dataset is provided in *.tif format with a spatial resolution of 30 m. Users can leverage professional GIS software to view and edit, or use the relevant python packages or R languages for advanced data processing. The spatial and temporal variation characteristics of TSI reflected in this dataset can provide effective data support for water quality monitoring and ecological protection in Hulun Lake area.
Keywords: TSI; Hulun Lake; long time series; Landsat
数据库（集）基本信息简介
数据库（集）名称1986–2020年呼伦湖夏季TSI数据集
数据作者禹政阳，马荣华，许金朵，王贞，胡旻琪
数据通讯作者马荣华（rhma@niglas.ac.cn）
数据时间范围1986–2020年的夏季
地理区域呼伦湖（117°00'10''E–117°41'40''E，48°30'40''N–49°20'40''N）
空间分辨率30 m
数据量476 MB
数据格式*.tif
数据服务系统网址https://doi.org/10.57760/sciencedb.07881
基金项目中国科学院“十四五”网络安全和信息化专项（CAS-WX2022SDC-SJ05、CAS-WX2021SF-0306）
数据库（集）组成该数据集共包含35个文件，分别对应呼伦湖1986–2020年的TSI夏季均值，格式为tif。
Dataset Profile
TitleA dataset of the TSI of Hulun Lake in summer, 1986-2020
Data authorYU Zhengyang, MA Ronghua, XU Jinduo, WANG Zhen, HU Minqi
Data corresponding authorMA Ronghua (rhma@niglas.ac.cn)
Time rangeSummers during 1986-2020
Geographical scopeHulun Lake (117°00'10''E–117°41'40''E, 48°30'40''N–49°20'40''N)
Spatial resolution30 m
Data volume476 MB
Data format*.tif
Data service system<https://doi.org/10.57760/sciencedb.07881>
Sources of fundingNetwork Security and Informatization Plan of Chinese Academy of Sciences (CAS-WX2022SDC-SJ05 & CAS-WX2021SF-0306)
Dataset compositionThe dataset contains a total of 35 files corresponding to the summer mean TSI values of Hulun Lake from 1986 to 2020 in tif format.
Baidu
引 言
湖泊富营养化是指湖泊中营养物质（如氮、磷等）积累，导致水体中浮游植物和藻类大量繁殖，从而引发水质恶化、水生生物死亡、水体变浑浊的现象[1]。湖泊富营养化威胁到湖泊附近的城市地区的用水安全，对水体自身的生态环境造成相当大的隐患。自20世纪80年代以来，由于经济的飞速发展和各类废水的过量排放，大量的氮、磷等营养物被排入湖泊中，恶化了湖泊水环境，从而造成了水质性缺水，尤其是东部平原湖泊群（巢湖、太湖）和部分西北湖泊（呼伦湖）[2]。因此，对湖泊营养状态的实时监测可以及时发现和控制水体富营养化，对保护水生态系统和人类健康，以及辅助环境管理，具有重要的意义。
相对于传统的逐点采样的监测方式，卫星遥感具有连续、大范围、周期性观测的特点[3]。目前卫星遥感手段已经实现了对藻华面积业务化监测，以及富营养化湖泊水质参数（叶绿素a、藻蓝素）浓度的反演[4]。Landsat系列卫星由美国国家航空航天局（NASA）和美国地质调查局（USGS）合作开发，空间分辨率可达30 m，远高于MODIS产品的空间分辨率。它可以获取地球表面的多光谱图像，从可见光到热红外范围内具有9个波段（Landsat OLI）。Landsat产品涉及多个应用领域，如土地覆盖制图、农业监测和自然资源管理，并且其数据通过美国地质调查局（USGS）的EarthExplorer平台免费向公众提供。因此本研究以Landsat TM/ETM+/OLI为数据源。
水体营养状态的传统评价指标包括营养盐浓度、透明度（Secchi Disk Depth，SDD）、叶绿素a（Chlorophyll-a，Chla）浓度，这些指标计算和分析较为简单，评价结果明了，评价效率高。然而，这些指标存在一定的局限性。例如，透明度只能反映光在水体中的穿透能力，无法直接反映水体中的营养物质浓度以及富营养化对水体生态系统的影响，同时也易受到水文条件变化和水体的生物化学过程的影响[5]。水色指数（Forel-Ule Index）是湖库、河流和海洋水质的重要衡量指标，与水体清洁度及富营养化状态相关[6]。水色指数容易受到环境条件的影响，如光照、天气、水体中的悬浮物等，并且难以通过仅凭水色指数来准确评估营养级别。综合营养状态指数（Trophic Level Index，TLI）是一种用于评估水体富营养化程度的指标。它结合叶绿素a浓度、总氮（Total Nitrogen，TN）、总磷（Total Phosphorus，TP）、透明度和化学需氧量（Chemical Oxygen Demand，COD）计算获得，旨在提供对水体营养状态的综合评估[7]，然而，其中化学需氧量难以通过遥感反演。因此，在本研究所涉及的呼伦湖营养状态评价中，运用TLI评价呼伦湖的营养状态可能存在一定困难。卡尔森营养状态指数（Trophic state index，TSI）作为描述水体生态特征和判断水质状况的重要指标，被广泛应用于内陆水体的富营养化研究，它通过透明度、叶绿素a浓度和总磷浓度计算得出[8-9]。TSI综合考虑了多个水质参数，能够客观地评估湖泊的富营养化程度，便于对湖泊营养水平进行定量与分级；TSI指数是一种标准化的评价指标，适用于不同湖泊富营养化状况的对比。因此，这种评估方法更具科学性和客观性，可以提高评估结果的可靠性。综合以上几点，本研究选取TSI作为水体富营养化评价的指标。
呼伦湖也称达赉湖，是中国第五大淡水湖，也是东北地区第一大湖[10]。近40多年来，由于气候变化和人类活动的影响，湖水总含盐量和pH值逐年升高，湖周大面积芦苇消失、渔业资源濒临枯竭和大量珍稀鸟类迁移[11]。同时，呼伦湖水体受到过度施肥、农业污染和工业废水排放的影响，导致水体中的营养物质如氮、磷等含量增加，富营养化加剧[12]，并导致了有害蓝藻水华。因此，为了保证呼伦湖生态系统的可持续性以及周边城市的用水安全，需要对呼伦湖的营养状态进行实时监测。本研究的创新点在于将适用于江淮地区湖泊（见表1）的基于藻类生物量指数（Algal biomass index，ABI）的TSI遥感评价方法[13]，通过修正系数将算法进一步移植到呼伦湖，从而实现呼伦湖水体富营养化遥感评价，生成1986–2020共35年的呼伦湖夏季TSI空间分布时间序列产品。本数据产品可用于分析气候变化与人类活动对呼伦湖富营养化的影响，为呼伦湖富营养化进程提供理论依据与数据支撑。
1   数据采集和处理方法
1.1   数据采集和卫星数据的下载
2013–2018年间在江淮流域开展湖泊野外采样活动，选择不同流域的代表性湖泊共17个（见表1），共采集了224组实测数据，其中星地匹配数据共31条；各个湖泊的空间位置如图1所示。本数据集使用Landsat TM、ETM+和OLI的地表反射率（Surface Reflectance，SR）Tier 1 Collection 1产品，该产品数据在GEE（Google Earth Engine）平台上免费获取。


图1   采样湖泊与采样点位的空间分布
Figure 1 Spatial distribution of sampling lakes and water samples
表1   湖泊野外采样日期与样点数量
序号湖泊名称经度纬度样点数星地同步样点数采样时段Chla(μg/L)
1微山湖116.96°E34.87°N822018/0765.25±24.96
2骆马湖118.19°E34.11°N602017/1016.65±7.45
3太湖120.19°E31.2°N4262017/03, 2017/059.12±7.31
4南漪湖118.96°E31.11°N1222018/1056.08±74.67
5巢湖117.53°E31.57°N2552013/05, 2015/1040.62±31.42
6泊湖116.44°E30.17°N1022017/1028.54±27.38
7黄大湖116.38°E30.02°N812018/076.75±0.29
8龙感湖116.15°E29.95°N1112017/1064.30±14.73
9梁子湖114.51°E30.23°N1102017/1065.55±84.56
10洪湖113.34°E29.86°N1622017/1144.86±10.13
11洪泽湖118.59°E33.31°N2032014/1012.95±5.92
12高邮湖119.29°E32.85°N612015/1021.73±8.20
13石臼湖118.88°E31.47°N902018/0764.58±36.99
14瓦埠湖116.89°E32.4°N502017/107.75±4.05
15菜子湖117.07°E30.8°N512016/1035.72±18.12
16鄱阳湖116.28°E29.11°N1522018/0874.32±38.48
17洞庭湖112.74°E29.07°N1532018/108.34±7.65
SDD（m）在野外试验过程中测量获得。在每个采样点处，使用标准的20 cm直径的Secchi圆盘垂直于水面放入水中。当它刚好消失在视野时，记录此时圆盘距离水面的高度，作为该样点处的水体SDD。在每个站点处用采水器采集表层水样（< 0.3 m），避光冷藏保存并带回实验室进行水体物质浓度的测定，Chla浓度（μg/L）采用丙酮萃取法和分光光度计测定[14-15]，实测光谱的离水反射比Rrs（sr-1）通过FieldSpec Pro Dual VNIR测定[16]。
1.2   数据处理方法
本数据集对Landsat TM/ETM+/OLI数据的处理流程包括大气校正、水体边界提取、水生植被掩膜和构建基于ABI的TSI反演模型。具体流程如图2所示。


图2   数据处理方法流程图
Figure 2 Flow chart of data processing
1.2.1   传感器一致性评价
由于Landsat TM/ETM+/OLI三者的过境时间没有重合，因此无法直接进行对比。已有研究在清水湖泊中利用两颗传感器重叠处相差一天进行对比，但本研究区呼伦湖的水体变化快，一天内湖泊环境会发生显著差异，因此我们参考CAO[17]的方法，借助MODIS进行间接对比。MODIS（中分辨率成像光谱仪）是美国航天局研制的大型遥感仪器。自2000年开始投入运行，时间分辨率为1天，其成像时间可以与Landsat系列的三个传感器重合，因此可以作为不同传感器一致性评价的参考。因此，本数据集使用MODIS Aqua地表反射率产品对Landsat系列卫星的地表反射数据进行一致性分析。MODIS Aqua地表反射率产品空间分辨率为250 m，可以从GEE平台获取[18]。
分析Landsat系列卫星的一致性，需要进行以下主要步骤：首先，从37张Landsat影像中选取14张OLI影像、13张ETM+影像和10张TM影像。这些影像覆盖了浑浊、蓝藻水华和较为清澈的水体状况，这样可以确保评价结果的可信度。其次，在野外采样过程中，各采样点之间距离大于1公里，且距离湖岸超过1公里，以避免临近像元与临岸混合像元对计算精度的影响。然后，计算点位处25×25窗口的ABI平均值，基于Landsat各景影像的地表反射率，并计算匹配的MODIS相同点位处3×3窗口的ABI平均值，以统一不同传感器空间分辨率下的像元尺度。最后，参考公式（1）和公式（2），比较两个传感器SR计算的ABI相关性，并根据拟合关系将基于TM、ETM+的ABI校正到OLI上。
\(OL{I}_{ABI}=T{M}_{ABI}×0.79-0.0011\) （1）
\(OL{I}_{ABI}=0.91×OL{I}_{ETM+}-0.0004\) （2）
1.2.2   遥感数据的预处理
为消除大气吸收和散射对反射率的影响，本数据集采用LEDAPS（Landsat Ecosystem Disturbance Adaptive Processing System）算法对TM和ETM地表反射率产品进行大气校正，使用LaSRC（Landsat Surface Reflectance Code，Version 2.0）算法对OLI地表反射率产品进行大气校正[19-20]。利用CFMASK算法生成的质量评估波段，对像元进行筛选，去除云、云阴影、冰雪像元。基于大气校正后的反射率，根据公式（3），将其进一步转换为水体表面的离水反射比Rrs（sr-1）。
\(R_{rs}\left ( \lambda \right ) =\frac{SR\left ( \lambda \right )-min\left (SR _{NIR} : SR _{SWIR} \right ) }{\pi } \) （3）
式中，min(SRNIR :SRSWIR )表示近红外和短波红外地表反射率的最小波段值。λ对应各波段处的波长。公式（1）利用清洁水体在近红外波段低反射率、浑浊水体在短波红外波段低反射率的特性，将各个波段的反射率与二者的最小值做差值运算，从而达到去除残余气溶胶、水面天空反射光以及太阳耀斑影响的目的[21-22]。
1.2.3   呼伦湖水体提取与水生植被掩膜
首先对呼伦湖水体边界进行识别与提取，具体流程如下：
（1）结合NASA官方提供的遥感影像，对其进行目视判断，剔除呼伦湖有云层覆盖的TM、ETM+和OLI影像数据；
（2）根据1.2.1中经过的转换得到的离水反射比Rrs（sr-1），计算呼伦湖地区的归一化水体指数（Normalized Difference Water Index, NDWI），使用基于NDWI的动态阈值法对水体边界进行提取，获取最初的水体边界范围[23]；
（3）为消除水陆边界的混合像元，对提取的呼伦湖水体边界向内取三个像元[24]，将该结果作为最终的呼伦湖水体边界。
藻华像元和水生植被像元对遥感反演精度有着不可忽视的影响。本数据集进一步对湖泊水体中的藻华与水生植被像元进行掩膜，参照了Hu[25]所提出的浮游藻类指数FAI（Floating algal index），将其应用至内陆二类水体。FAI计算过程见公式（4），水生植被和藻华的去除结果如图3所示。
\(FAI=S{R}_{\text{NIR}}-S{R}_{\text{RED}}-\left(S{R}_{\text{SWIR}}-S{R}_{\text{RED}}\right)×\left({\lambda }_{\text{NIR}}-{\lambda }_{\text{RED}}\right)/\left({\lambda }_{\text{SWIR}}-{\lambda }_{\text{RED}}\right)\) （4）
式中，SRSWIR 、SRNIR 、SRRED 分别对应OLI短波红外（1609 nm）、近红外波段（865 nm）与红光波段（655 nm）的地表反射率，λ对应各波段处的波长。本数据集利用统一阈值去除浮游藻类像元，结合直方图将FAI阈值确定为-0.004，进一步去除藻华与水生植物像元。


图3   藻华与水生植被像元掩膜
Figure 3 Masking of pixels contaminated by bloom and aquatic vegetation
(a)、(c)、(e)分别是基于OLI\ETM+\TM的藻华与水生植被掩膜结果，白色区域是掩膜后的空值，深蓝色是水体；(b)、(d)、(f)分别是OLI\ETM+\TM的RGB合成影像
(a), (c), and (e) are the results of algal bloom and aquatic vegetation masking based on OLI\ETM+\TM, respectively; the white area is the null value after masking, and the dark blue color represents the water body; (b), (d), and (f) are the RGB synthesized images of OLI\ETM+\TM, respectively
1.2.4   基于ABI的TSI遥感反演模型构建
呼伦湖的采样数据表明，呼伦湖水体中的Chla浓度均值大于20 µg/L。相关的研究表明Chla对于藻类生物量的指示更加稳定[26]，因此本数据集将使用基于Chla的TSI作为呼伦湖营养级别评价指标（参考公式（5））。基于TSI（Chla）的营养级别划分标准：TSI（Chla）≤ 40属于贫营养型；41<TSI（Chla）≤50属于中营养型；51<TSI（Chla）≤60属于富营养型；TSI（Chla）>60属于高度富营养型[5]。根据该标准对呼伦湖进行营养级别评级。
\(TSI\left(Chla\right)=10×\left(6-\frac{2.04-0.68×\mathit{ln}Chla}{\mathit{ln}2}\right)\) （5）
水体富营养化的本质是藻类生物量的增加，遥感技术所探测到的信号不仅包括水体表面的信息，也包括真光层内水体综合信息，例如垂向藻类生物量[2]。对此，Hu等人[27]提出了藻类生物量指数，以定量评估二类水体的藻类生物量，它与藻类生物量之间是负相关关系。该指数通过分别基于近红外波段、蓝光波段及绿光波段和红光波段、蓝光波段及绿光波段构建的两条基线的差值，对真光层内藻类生物量具有很好响应。ABI计算方法如公式（6）：
\(ABI=\left(RED-BULE\right)×\frac{{\lambda }_{\text{GREEN}}-{\lambda }_{\text{BLUE}}}{{\lambda }_{\text{RED}}-{\lambda }_{\text{BLUE}}}-\left(NIR-BLUE\right)×\frac{{\lambda }_{\text{GREEN}}-{\lambda }_{\text{BLUE}}}{{\lambda }_{\text{NIR}}-{\lambda }_{\text{BLUE}}}\) （6）
式中，BLUE、GREEN、RED和NIR分别对应Landsat-8 OLI在482 nm、561 nm、665 nm与865 nm处的地表反射率，λ为相应波长。
由于呼伦湖实测数据数量的限制，本数据集利用东部江淮地区湖泊的实测离水反射比Rrs（sr-1），计算ABI和TSI，并以之为基础建立基于ABI的TSI反演模型，将其运用至呼伦湖。模型的拟合结果如图4所示，随着ABI的增加，藻类生物量减少，TSI也随之降低。该模型在东部的湖泊水质遥感反演中效果良好，因此本研究将该模型尝试用于呼伦湖，以获取呼伦湖TSI时空变化信息。


图4   基于ABI的TSI反演模型
Figure 4 ABI-based TSI inversion model
2   数据样本描述
1986–2020年呼伦湖夏季TSI数据集的数据实体名称为：HulunLake_TSI.tif。本数据集空间分辨率为30 m，均为栅格数据，数值范围为50–100。呼伦湖TSI空间分布如图5所示，1986–2020年间，呼伦湖TSI最大值达到100，最小值为0；从空间分布模式上看，湖心区的TSI通常低于近岸区的TSI。在1986–1994、1999–2004、2017–2020年间，呼伦湖TSI呈现骤降趋势；然而在1998–2001、2007–2008、2013–2016年间，呼伦湖的TSI呈现上升趋势。2013年之后，呼伦湖的TSI基本维持在较高水平。


图5   呼伦湖夏季TSI空间分布图
Figure 5 Spatial distribution of TSI of Hulun Lake in summer
3   数据质量控制和评估
本数据集为确保数据的准确性，根据光谱响应函数（Spectral Response Function，SRF），将实测光谱数据换算成OLI模拟的离水反射率Rrs（sr-1）。为提高星地同步匹配的准确性，采用邻近像元的方式进行空间匹配，同时在时间匹配中，将时间差小于3小时的观测值视为同步观测。Landsat-8 OLI各波段Rrs（λ）与基于实测光谱模拟的OLI各波段Rrs（λ）对比结果如图6所示，在不同的波长处，模拟的反射率Rrs（λ）的均方根误差均小于0.0045，平均绝对百分比误差均小于11.51%；基于模拟反射率得出的ABI与卫星反射率得出的ABI相比，均方根误差为0.0045，平均绝对百分比误差为9.73%。


图6   基于模拟OLI的Rrs（sr-1）和OLI的Rrs（sr-1）对比结果图
Figure 6 Comparison betweem simulated OLI Rrs（sr-1）and OLI Rrs（sr-1）
本数据集利用呼伦湖现有的实测数据对基于东部江淮地区湖泊实测数据建立的TSI反演模型进行精度评价，结果如图7（a）所示，基于实测离水反射比的TSI和基于OLI反射率的TSI的平均绝对百分比误差为3.53%，均方根误差为2.39，均保持在较低的水平。根据呼伦湖富营养化已有的研究结果[28]，对本数据集的精度进行评价，结果见图7（b），平均绝对百分比误差和均方根误差分别为7.53%和4.50。


图7   模型精度评价图
Figure 7 Evaluation of the model accuracy
4   数据使用方法和建议
TSI作为湖泊富营养化的指示器，是对水体进行实时监测的关键指标，因此在二类水体的富营养化时空变化研究领域得到了广泛应用。本数据集是基于ABI的TSI反演结果，精度较高。本数据实体解压后的tif数据可以使用专业的GIS软件打开和编辑，也可以使用R语言或python的相关package直接读取分析；其时间序列涵盖了1986–2020的呼伦湖TSI的空间分布信息，可以为呼伦湖生态环境监测提供必不可少的数据支持。
致 谢
感谢Google Earth Engine（简称GEE）平台提供的丰富数据资源和强大技术支持，为本数据集提供了重要的数据基础和分析工具；感谢NASA（美国国家航空航天局）提供的卫星数据支持，为本数据集提供了非常宝贵的数据资源。
[1]
申振荣, 祝孔卓, 臧红霞. 浅析水体 “富营养化”的成因危害及防治措施[J]. 中国科技纵横, 2017(18): 3–4. DOI: 10.3969/j.issn.1671-2064.2017.18.002. [SHEN Z R, ZHU K Z, ZANG H X. Analysis on the causes, hazards and prevention measures of water eutrophication[J]. China Science & Technology Panorama Magazine, 2017(18): 3–4. DOI: 10.3969/j.issn.1671-2064.2017.18.002.]
+ CSCD · Baidu Scholar
[2]
HU M Q, MA R H, CAO Z G, et al. Remote estimation of trophic state index for inland waters using landsat-8 OLI imagery[J]. Remote Sensing, 2021, 13(10): 1988. DOI: 10.3390/rs13101988.
+ CSCD · Baidu Scholar
[3]
丁一, 曹丛华, 程良晓, 等. 基于线性混合模型和NDVI阈值法的MODIS影像黄海浒苔监测[J]. 生态学杂志, 2018, 37(11): 3480–3486. DOI: 10.13292/j.1000-4890.201811.020. [DING Y, CAO C H, CHENG L X, et al. Monitoring of Enteromorpha prolifera in the Yellow Sea with MODIS image based on linear mixing model and NDVI threshold[J]. Chinese Journal of Ecology, 2018, 37(11): 3480–3486. DOI: 10.13292/j.1000-4890.201811.020.]
+ CSCD · Baidu Scholar
[4]
CAO Z G, MA R H, DUAN H T, et al. A machine learning approach to estimate chlorophyll-a from Landsat-8 measurements in inland lakes[J]. Remote Sensing of Environment, 2020, 248: 111974. DOI: 10.1016/j.rse.2020.111974.
+ CSCD · Baidu Scholar
[5]
赵慧颖, 乌力吉, 郝文俊. 气候变化对呼伦湖湿地及其周边地区生态环境演变的影响[C]// 中国气象学会2008年年会干旱与减灾——第六届干旱气候变化与减灾学术研讨会分会场, 2008: 311–323. [ZHAO H Y, WU L J, HAO W J. Impact of Climate Change on the Ecological Environment Evolution of Hulun Lake Wetland and Its Surrounding Areas[C]// Proceedings of the 2008 Annual Meeting of the Chinese Meteorological Society, 2008: 311–323.]
+ CSCD · Baidu Scholar
[6]
YE M, SUN Y H. Review of the Forel-Ule Index based on in situ and remote sensing methods and application in water quality assessment[J]. Environmental Science and Pollution Research, 2022, 29(9): 13024–13041. DOI: 10.1007/s11356-021-18083-0.
+ CSCD · Baidu Scholar
[7]
舒金华. 我国主要湖泊富营养化程度的评价[J]. 海洋与湖沼, 1993, 24(6): 616–620. [SHU J. Assessment of eutrophication in main lakes of China[J]. Oceanologia et Limnologia Sinica, 1993, 24(6): 616–620.]
+ CSCD · Baidu Scholar
[8]
WU R, ZHANG S, LIU Y, et al. Spatiotemporal variation in water quality and identification and quantification of areas sensitive to water quality in Hulun Lake, China[J]. Ecological Indicators, 2023, 149: 110176. DOI: 10.1016/j.ecolind.2023.110176.
+ CSCD · Baidu Scholar
[9]
ZOU W, ZHU G W, CAI Y J, et al. Relationships between nutrient, chlorophyll a and Secchi depth in lakes of the Chinese Eastern Plains ecoregion: implications for eutrophication management[J]. Journal of Environmental Management, 2020, 260: 109923. DOI: 10.1016/j.jenvman.2019.109923.
+ CSCD · Baidu Scholar
[10]
CARLSON R E. A trophic state index for lakes1[J]. Limnology and Oceanography, 1977, 22(2): 361–369. DOI: 10.4319/lo.1977.22.2.0361.
+ CSCD · Baidu Scholar
[11]
HAVENS K E, CARRICK H J, LOWE E F, et al. Contrasting relationships between nutrients, chlorophyll a and secchi transparency in two shallow subtropical lakes: lakes okeechobee and Apopka (Florida, USA)[J]. Lake and Reservoir Management, 1999, 15(4): 298–309. DOI: 10.1080/07438149909354125.
+ CSCD · Baidu Scholar
[12]
DING Y, ZHAO J, PENG W, et al. Stochastic trophic level index model: a new method for evaluating eutrophication state[J]. Journal of Environmental Management, 2021, 280: 111826. DOI: 10.1016/j.jenvman.2020.111826.
+ CSCD · Baidu Scholar
[13]
WANG Q H, LI Y, LIU L, et al. Human impact on current environmental state in Chinese Lakes[J]. Journal of Environmental Sciences, 2023, 126: 297–307. DOI: 10.1016/j.jes.2022.05.031.
+ CSCD · Baidu Scholar
[14]
HU M Q, MA R H, XIONG J F, et al. Eutrophication state in the Eastern China based on Landsat 35-year observations[J]. Remote Sensing of Environment, 2022, 277: 113057. DOI: 10.1016/j.rse.2022.113057.
+ CSCD · Baidu Scholar
[15]
陈明华, 谢良国, 付志强, 等. 丙酮法和热乙醇法测定浮游植物叶绿素 a的方法比对[J]. 环境监测管理与技术, 2016, 28(2): 46–48. DOI: 10.3969/j.issn.1006-2009.2016.02.011. [CHEN M H, XIE L G, FU Z Q, et al. Comparison of two methods for measurement of phytoplanktonic chlorophyll-A[J]. The Administration and Technique of Environmental Monitoring, 2016, 28(2): 46–48. DOI: 10.3969/j.issn.1006-2009.2016.02.011.]
+ CSCD · Baidu Scholar
[16]
杨玉珍, 夏未铭, 杨瑾, 等. 水体中叶绿素a测定方法的研究[J]. 中国环境监测, 2011, 27(5): 24–27. DOI: 10.3969/j.issn.1002-6002.2011.05.006. [YANG Y Z, XIA W M, YANG J, et al. The research of methods of measuring chlorophyll a in water[J]. Environmental Monitoring in China, 2011, 27(5): 24–27. DOI: 10.3969/j.issn.1002-6002.2011.05.006.]
+ CSCD · Baidu Scholar
[17]
CAO Z G, MA R H, MELACK J M, et al. Landsat observations of chlorophyll-a variations in Lake Taihu from 1984 to 2019[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 106: 102642. DOI: 10.1016/j.jag.2021.102642.
+ CSCD · Baidu Scholar
[18]
LI J, MA R H, XUE K, et al. A remote sensing algorithm of column-integrated algal biomass covering algal bloom conditions in a shallow eutrophic lake[J]. ISPRS International Journal of Geo-Information, 2018, 7(12): 466. DOI: 10.3390/ijgi7120466.
+ CSCD · Baidu Scholar
[19]
DENG Y, JIANG W G, TANG Z H, et al. Long-term changes of open-surface water bodies in the Yangtze River Basin based on the google earth engine cloud platform[J]. Remote Sensing, 2019, 11(19): 2213. DOI: 10.3390/rs11192213.
+ CSCD · Baidu Scholar
[20]
VERMOTE E, JUSTICE C, CLAVERIE M, et al. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product[J]. Remote Sensing of Environment, 2016, 185: 46–56. DOI: 10.1016/j.rse.2016.04.008.
+ CSCD · Baidu Scholar
[21]
WANG X X, XIAO X M, ZOU Z H, et al. Mapping coastal wetlands of China using time series Landsat images in 2018 and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 312–326. DOI: 10.1016/j.isprsjprs.2020.03.014.
+ CSCD · Baidu Scholar
[22]
WANG M H, SHI W. The NIR-SWIR combined atmospheric correction approach for MODIS ocean color data processing[J]. Optics Express, 2007, 15(24): 15722. DOI: 10.1364/oe.15.015722.
+ CSCD · Baidu Scholar
[23]
WANG S L, LI J S, SHEN Q, et al. MODIS-based radiometric color extraction and classification of inland water with the forel-ule scale: a case study of Lake Taihu[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(2): 907–918. DOI: 10.1109/JSTARS.2014.2360564.
+ CSCD · Baidu Scholar
[24]
MA R H, YANG G S, DUAN H T, et al. China’s Lakes at present: number, area and spatial distribution[J]. Science China Earth Sciences, 2011, 54(2): 283–289. DOI: 10.1007/s11430-010-4052-6.
+ CSCD · Baidu Scholar
[25]
WANG J D, SHENG Y W, TONG T S D. Monitoring decadal lake dynamics across the Yangtze Basin downstream of Three Gorges Dam[J]. Remote Sensing of Environment, 2014, 152: 251–269. DOI: 10.1016/j.rse.2014.06.004.
+ CSCD · Baidu Scholar
[26]
LIU Y X, KE Y H, WU H et al. A satellite-based hybrid model for trophic state evaluation in inland waters across China[J]. Environmental Research, 2023, 225: 115509. DOI: 10.1016/j.envres.2023.115509.
+ CSCD · Baidu Scholar
[27]
HU M Q, ZHANG Y C, MA R H, et al. Optimized remote sensing estimation of the lake algal biomass by considering the vertically heterogeneous chlorophyll distribution: study case in Lake Chaohu of China[J]. Science of the Total Environment, 2021, 771: 144811. DOI: 10.1016/j.scitotenv.2020.144811.
+ CSCD · Baidu Scholar
[28]
梁丽娥, 李畅游, 史小红, 等. 2006–2015年内蒙古呼伦湖富营养化趋势及分析[J]. 湖泊科学, 2016, 28(6): 1265–1273. DOI: 10.18307/j.issn.1003-5427.2016.06.012. [LIANG L E, LI C Y, SHI X H, et al. Analysis on the eutrophication trends and affecting factors in Lake Hulun, 2006 2015[J]. Journal of Lake Sciences, 2016, 28(6): 1265–1273. DOI: 10.18307/j.issn.1003-5427.2016.06.012.]
+ CSCD · Baidu Scholar
数据引用格式
禹政阳, 马荣华, 许金朵, 等. 1986–2020年呼伦湖TSI数据集[DS/OL]. Science Data Bank, 2023. (2023-04-04). DOI: 10.57760/sciencedb.07881.
Baidu
稿件与作者信息
论文引用格式
禹政阳, 马荣华, 许金朵, 等. 1986–2020年呼伦湖TSI数据集[J/OL]. 中国科学数据, 2023, 8(4). (2023-12-21). DOI: 10.11922/11-6035.csd.2023.0097.zh.
禹政阳
YU Zhengyang
数据生产，结果验证，论文撰写和修改。
（1997—），男，山东省烟台市人，博士生，研究方向为湖泊环境遥感。
马荣华
MA Ronghua
总体思路设计，论文修改。
rhma@niglas.ac.cn
（1972—），男，山东省临沂市人，博士，研究员，研究方向为湖泊环境遥感。
许金朵
XU Jinduo
数据准备，数据整理与上传。
（1982—），女，江苏省睢宁县人，硕士，工程师，研究方向为数据库建设、数据共享和地图学与地理信息系统。
王贞
WANG Zhen
论文数据下载及处理、数据编辑。
（1983—），女，河南安阳人，硕士，研究方向为地理信息制图。
胡旻琪
HU Minqi
卫星一致性评估，论文修改。
（1994—），女，江苏省南京市人，博士，助理研究员，研究方向为湖泊环境遥感。
中国科学院“十四五”网络安全和信息化专项（CAS-WX2022SDC-SJ05，CAS-WX2021SF-0306）
Network Security and Informatization Plan of Chinese Academy of Sciences (CAS-WX2022SDC-SJ05 & CAS-WX2021SF-0306)
Baidu
出版历史
I区发布时间：2023年5月29日 （ 版本ZH1）
II区出版时间：2023年12月26日 （ 版本ZH2）
CSCD  ·  Badiu Scholar
参考文献列表中查看
中国科学数据
csdata

  • --

中国科学院期刊云服务平台 · 中国科学院科学传播局
技术支持 中国科学院计算机网络信息中心 · 印刻学术
Baidu
map