中国环境科学

作者：张若琳, 王萌, 孟庆岩, 孙云晓, 原喜屯, 张琳琳, 吴晗天, 孙震辉, 王佳龙

单位：1. 西安科技大学测绘科学与技术学院, 陕西 西安 710054;2. 国家卫星气象中心, 北京 100081;3. 中国科学院空天信息创新研究院, 北京 100094;4. 中国科学院大学, 北京 100049;5. 天津城建大学地质与测绘学院, 天津 300380;6. 中国地质环境监测院, 北京 100081

关键词：FY3D/MERSI,蓝藻水华,时序监测,预测模型,BP神经网络

基金：风云三号03批气象卫星工程地面应用系统生态监测评估应用项目(第一期)(ZQC-R22227);中科院青年创新促进会项目(2023139)

针对Landsat、Sentinel等遥感平台因时间分辨率较低,难以实现蓝藻水华的连续动态监测;而基于FY卫星数据的蓝藻监测与预测普遍存在监测维度单一、预测模型依赖单一类型变量等问题,基于FY3D/MERSI高时间分辨率遥感数据,构建太湖蓝藻水华多维度时序监测与预测体系;结合遥感指数与大津算法提取蓝藻水华信息,通过像元级与亚像元级双尺度计算量化面积,并从强度、频率、暴发程度等维度系统分析2019~2023年太湖蓝藻水华时空特征.同时整合气象与水质因子,构建BP神经网络模型预测水华面积.结果表明,利用FY3D/MERSI数据提取水华具有较高精度,与实测数据的决定系数R²达0.98,均方根误差为21.6km2.太湖蓝藻水华面积呈季节性双峰特征,峰值出现在5月和10月;水华等级以轻度和中度为主,重度水华全年维持低水平;西部、南部沿岸及湖心区暴发频率显著高于东部,夏秋季节暴发频率较高;年际暴发程度呈逐步减弱趋势,2023年“无蓝藻水华”占比升至89%.相关性分析显示,温度、相对湿度等因子促进水华暴发,浊度、荧光可溶性有机物等起抑制作用.BP神经网络模型验证集均方根误差为27.07km2,皮尔逊相关系数0.94,83%的样本预测误差控制在±25km2内,多项指标表明该模型能够有效捕捉蓝藻水华面积动态变化趋势.

来源：2026年第3期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2026年第3期