摘要
冒泡作为湖库等淡水生态系统中温室气体甲烷（CH4）排放的主要方式，具有高度时空异质性。水库库尾浅水区沉积物易产生CH4，并以冒泡的形式释放，但在开放水体中很难捕捉到CH4冒泡的排放热点区域。冰封水库在冰的生长过程中会冻结捕捉由沉积物产生并上浮富含CH4的气泡，在冰面上形成一定规模的“冰封气泡”，这使得基于冰封气泡特征识别CH4冒泡分布热点区域的规模、空间分布成为可能。本研究以我国东北地区大型水库——东风水库为调查对象，基于冬季水库冰面的无人机影像与现场冰封气泡特征调查，结合面向对象的图像分析，构建了冰封气泡影像提取分割方法，利用空间自相关分析探究冰封气泡空间分布模式，识别冰封气泡聚集的热点区域。研究结果表明：（1）东风水库库尾冰封气泡直径范围为1~10 cm，无人机15 m飞行高度空间分辨率为0.4 cm，能够满足识别冰封气泡的质量要求；形态学顶帽变换方法能够有效改善光照不均的图像，显著提高正射影像图片资料的合成质量。（2）利用气泡、冰裂纹在长宽比、亮度、密度等特征值的差异性能够进行冰封气泡的有效提取分类，受调查的3个气泡区分类总体提取精度均为0.8以上，显示了较高的冰封气泡提取效果。（3）3个冰封气泡密集区域总气泡面积占库尾总面积的0.24%，3个区域内部共10个调查样带的气泡面积占比分布范围为2.6%~7.8%。冰封气泡空间分布均呈现显著的聚集模式，被划分为冒泡分布热点区域占库尾总面积的0.9%，说明在整个水库范围内，CH4冒泡热点可能仅存在于有限的区域内。研究成果对揭示湖库甲烷排放热点区域分布特征具有重要指示意义。
Abstract
Ebullition is the primary pathway for methane (CH4) emissions from freshwater ecosystems such as lakes and reservoirs, yet it always exhibits significant spatiotemporal variability. In shallow zones near reservoir inlets, CH4 is often generated in the sediments and released as bubbles. However, capturing the ebullition hotspots in open water bodies remains a challenge. During the ice-covered season, bubbles rich in CH4 are trapped and preserved as “ice-encased bubbles” within the growing ice layer. This natural phenomenon provides an opportunity to identify CH4 ebullition hotspots based on the characteristics and spatial patterns of ice bubbles. This study focuses on the Dongfeng Reservoir, a large reservoir in northeastern China. Using high-resolution unmanned aerial vehicle (UAV) imagery of the winter ice surface and in-situ measurements of ice bubbles, we developed an object-based image analysis method for bubble segmentation and extraction. Spatial autocorrelation analysis was employed to investigate the distribution patterns of ice bubbles and to identify CH4 ebullition hotspot areas. The important findings include: (1) The diameters of ice bubbles in Dongfeng Reservoir ranged from 1 cm to 10 cm. UAV imagery captured at 15 m altitude achieved a spatial resolution of 0.4 cm, sufficient for high-quality bubble identification. A morphological top-hat transformation effectively corrected uneven illumination and enhanced the quality of digital orthophoto mosaics. (2) Differences in shape attributes, brightness, and density allowed for effective classification of bubbles and ice cracks, with the overall classification accuracy exceeding 0.8 across three investigated regions, demonstrating robust extraction performance. (3) The total bubble area in the three dense bubble regions accounted for 0.24% of the reservoir inlet area. Within these regions, the bubble area ratio along ten surveyed transects ranged from 2.6% to 7.8%. Spatial autocorrelation analysis revealed significant clustering of ice-encased bubbles, with CH4 ebullition hotspots occupying only 0.9% of the reservoir inlet area. The results indicate that CH4 ebullition may be concentrated in the limited regions across the reservoir. These findings provide important insights into the spatial distribution characteristics of methane emission hotspots in lakes and reservoirs.
水库具有防洪、发电、灌溉、航运以及供水等多种功能，是人类调节利用水资源的重要设施。然而拦河筑坝行为导致大量土地被淹没，使得水库成为甲烷（CH4）等温室气体排放的重要来源[1-3]。研究表明，湖泊、水库中的CH4主要通过冒泡向大气中释放[4-5]，其中水库CH4总排放量中冒泡排放占比可达50%~88%[6-8]。由于CH4冒泡排放在时间和空间上具有高度随机性，使得在开放水体中准确量化CH4冒泡传输十分困难。传统倒置漏斗法研究CH4冒泡通量时存在采样周期长、受瞬时风速和流速影响大、需要设置大量采样点等局限。此外，受倒置漏斗底面面积大小的限制，会过高或过低地估算水体CH4冒泡排放，难以准确识别较大区域水体CH4冒泡“热点区域”。冰封期会影响水库CH4释放的格局，全球具有冰封期的湖库面积占比约为57%[9]，贡献了全球水库湖泊CH4约50%的排放通量[10]。我国北方寒冷地区每年都有长达3个月以上的冰封期，随着冰层不断增厚，CH4冒泡释放这一随机性较高的过程也随之减缓。气泡会在短时期内被“封固”在冰体中，呈现出大小、形态各异的冰封气泡“斑块”[11]，这为识别水库CH4冒泡分布热点区域提供了良好的工作条件。另外，冰封期湖库累积的温室气体会极大地增加春季冰融期温室气体的释放潜能，给全年湖库温室气体释放量的准确评估带来挑战。因此，利用冰层中被封存的气泡特征来识别CH4冒泡的空间分布热点区域，是准确估算冰封湖库温室气体排放量的关键。
无人机（unmanned aerial vehicle，UAV）是目前获取高分辨率影像的常用手段，在低空遥感测量领域得到了广泛的应用[12]，这使得无人机摄影测量与面向对象的图像分析（object-based image analysis，OBIA）相结合进行冰封气泡的提取成为可能。现有相关研究多为北极圈内的冰封期热融湖，冰封水库具有与之类似的冰封特征以及CH4冒泡现象。Walter等[13]采取现场调查的方式进行CH4排放通量的研究，根据直径将冰封气泡分为不同类别，结合各类型气泡对应区域的CH4通量实测值发现其与冰封气泡直径存在正相关关系，并根据该关系估算了全湖的CH4排放通量。Martin等[14]在瑞典北部湖泊CH4冒泡释放的研究中评估了现场调查的可行性，结果表明调查样带覆盖面积至少需要达到湖泊面积的1%才能有效估算湖泊CH4冒泡通量。在此基础上，Lindgren等[15-16]基于航空影像更为全面地进行了湖面冰封气泡（直径＞9 cm）提取，Engram等[17]利用冰封气泡对合成孔径雷达（synthetic aperture radar，SAR）的响应，与CH4气泡实测通量相结合，成功绘制了阿拉斯加5000余个湖泊的CH4冒泡释放通量图。石晓光等[18]发现气泡使得白冰在800/1030 nm、黑冰在400 nm处的吸收面积和吸收深度减小，气泡大小和疏密程度均会影响湖冰的反射率。
由于气候条件及生化环境的差异，冰封水库气泡来源和形态特征又有别于热融湖。Walter等[19]认为热融湖CH4冒泡排放有生态系统与沉积盆地中深层沉积物两个来源，而水库CH4冒泡排放主要归因于前者，在CH4释放强度上也低于后者，这就导致水库冰封气泡（1~10 cm）在大小上与热融湖（5 cm~1 m）存在较大差异。同时受限于SAR的空间分辨率（10~100 m），水库冰封气泡的提取难以借助SAR进行，而无人机影像分辨率可达毫米级（＜1 cm），为水库冰封气泡的精细化研究提供了理想的数据支持。此外，在上述研究中，仅根据气泡形态进行分类，未进行更为细致的气泡图像分割，也未对气泡分布的空间自相关性等特征进行深入讨论。为建立气泡密度、形态与CH4冒泡排放通量间的定量关系，并进一步识别CH4冒泡排放的“热点区域”（即气泡聚集区）与“冷点区域”（即气泡稀疏区），更为准确地估算CH4冒泡排放通量，首要任务是准确地进行气泡提取。本文以我国东北地区具有长冰封期特点的大Ⅱ型水库——东风水库为研究对象，利用无人机采集高分辨率冰面可见光影像，结合面向对象的图像分析，在单个气泡尺度上进行更为精细的冰封气泡识别，验证气泡提取精度，探讨分类指标的选取与气泡形态对识别效果的影响，并借助空间自相关分析（Moran's I）探究冰封气泡空间分布的主导模式，上述工作将为更精确地估算水库CH4冒泡排放通量奠定坚实基础。
1 材料与方法
1.1 研究区概况
东风水库（39°42′17.70″~39°46′6.05″N，121°55′22.28″~122°0′7.54″E）位于辽东半岛南部，坐落于大连市第二大河——复州河干流的中上游，是一座以防洪、灌溉、供水、发电、养殖等综合利用的大Ⅱ型水库。水库于1994年10月落闸蓄水，1995年6月竣工验收，坝址以上控制流域面积为663 km2，总库容为1.42亿m3，兴利库容为0.937亿m3。东风水库主要入库河流为复州河干流，入库前的复州河干流汇入了支流回头河，回头河流经轴承工业发达聚集的瓦房店市区，来自瓦房店市区的工业废水、生活污水以及污水处理厂尾水对回头河水质影响较大，进而影响了汇流后的库区水质，存在较强的富营养化风险[20]。东风水库流域年平均气温为8.3~10.3℃，全年0℃以上的持续时间约为250 d。冬季水库有长达3个月的冰封期，冰盖通常在12月下旬开始形成，最大冰盖厚度可达30~40 cm，到次年3月初开始融化（详见附图I）。有研究表明，水库库尾浅水区是CH4冒泡的热点区域[21]，前期研究也印证了东风水库库尾浅水区是CH4冒泡的高排放区域[5]。在2021年和2022年冬季现场勘察中发现库尾分布有形态各异的冰封气泡，而在坝前深水区等其他区域未发现冰封气泡。此外，在水库库尾以外区域数天的倒置漏斗布设中也未收集到气体。因此，本研究将东风水库库尾区作为冰封气泡研究的重点区域（图1）。
图1东风水库概览及库尾冰封气泡调查位置
Fig.1Overview of Dongfeng Reservoir and the investigation sites at ice-covered bubbles at the reservoir tail
1.2 无人机冰封气泡影像采集
本文数据采集时间为2022年12月下旬至2023年1月上旬的冬季冰封期（附表Ⅰ），此时为水库库尾区冰生长的盛冰期，冰盖厚度大于30 cm，冰面作业比较安全，而且冰封气泡发育趋于稳定。本次研究无人机平台为DJI Phantom 4 Pro （大疆，中国），搭载有1英寸、2000万像素的可见光传感器，使用最高速度1/2000 s的机械快门消除在拍摄运动物体时产生的拖影影响。航线规划用DJI GS Pro（大疆，中国）完成，图像采集模式为正摄影，两张图片拍摄间隔时间为2 s。由于水库大部分冰封气泡尺寸较小（目视直径通常小于10 cm），对全库尾进行低空航拍所需时间较长。因此，本研究首先对水库整个库尾约1 km2范围内的冰面进行飞行高度为200 m的图像采集（分辨率为2.7 cm），经过图像镶嵌，获取数个冰封气泡密集区域的位置、大小、规模等信息，并结合现场踏勘划分气泡密集区域。随后在冰封气泡密集区域逐个进行飞行高度为15 m的低空精细摄影（分辨率为0.4 cm），以获取清晰的冰封气泡无人机影像。无人机影像的范围包含全库尾及3个气泡密集区，气泡密集区分别标记为R1、R2和R3（图1），每个气泡密集区又划分为2~4个调查样带，经过挑选，剔除运动模糊、重复等照片后，得到可用影像约4000张。
1.3 冰封气泡图像识别与统计
本研究首先对无人机影像采用形态学顶帽变换进行亮度均衡化处理[22]，再进行数值正射影像（digital orthophoto map，DOM）的镶嵌合成，然后采用面向对象的分类方法进行气泡提取，最后根据气泡提取结果借助Moran's I进行气泡空间分布特征研究。Moran's I取值在-1~1之间，大于0时表明相似值在空间上趋于聚集，小于0时表明相异值在空间上趋于聚集（详见附表Ⅱ和附图Ⅱ~Ⅴ）。具体冰封气泡图像识别与分类量化技术路线如图2所示。
图2基于无人机影像识别冰封气泡及分类量化流程
Fig.2The framework for identifying and quantifying ice-bubbles from UAV imagery
1.4 冰封气泡形态观测
为实际观测冰封气泡的水平、垂向两个方向上的形态，首先使用1 m×1 m的正方形样方作为参照，同时以平行于冰面、距冰面以上约1.5 m的位置使用手机拍摄气泡平面图像记录坐标信息，在完成冰面照片的拍摄后，在样方木框的中央画出待取冰样轮廓，然后使用链锯取出长宽高约30 cm×30 cm×冰厚的冰坯，测量冰厚并标记出正南方向，随后使用保温棉包裹并标记，完成取样后立刻低温运回大连理工大学海岸与海洋工程全国重点实验室，储存在-30℃的环境中待检测。
1.5 冰封气泡中气体采集及CH4体积浓度分析
采集冰封气泡中气体时，先利用冰钻在冰封气泡处钻入一定深度，接近但不破坏冰封气泡，随后在冰洞中灌满水，将气泡用锥子戳破后马上将满水的顶空瓶倒置在冰洞中，利用排水法收集气体，完成收集后迅速用带铝盖的橡胶塞密封。收集的气体通过气相色谱仪（安捷伦7890A，美国）测定CH4体积浓度，CH4检测器为离子化火焰检测器（flame ionization detector，FID），工作温度为200℃，测定过程中采用标准气体（中国计量科学研究院，北京）进行外标法校正。
2 结果
2.1 图像预处理及冰封气泡信息提取
基于无人机拍摄的原始图像中存在结冰裂纹，这会严重影响冰封气泡的提取效果。本研究采取形态学方法对无人机影像进行亮度均衡化处理。从灰度三维图中可以看出，原始图像（图3a）中有着更高的亮度值（最高处约250），同时图中边界区域参差不齐，亮度更高的裂纹在三维灰度图像中反映为明显的条状隆起。经过形态学运算后，得到去除了结冰裂缝的背景图像，但其左侧边缘亮度相比其他区域较大，这是由于拍摄时光照不均匀所致。由原始图像减去背景图像得出的校正后图像可以看出，图像整体亮度降低（最高处约为170），同时一些高亮的裂纹也被有效抑制（图3b）。对比校正前后合成的正射影图像，校正前图像一些区域由于过高的亮度导致图像纹理缺失，使得正射影图像内部存在没有图像信息的“空洞”，通过顶帽变化校正后图像亮度较为均一，在保留冰封气泡信息的同时图像过曝现象也得到有效抑制，能够得到完整的正射影图像（图3c）。
图3图像顶帽变换过程
Fig.3The process of image top-hat transform method
如何实现冰面与气泡图像信息的有效分割是获取冰封气泡信息的关键。冰封气泡作为本研究主要的关注对象，图4a和图4b分别呈现了原始图像与最终分割后的效果。由图可见，分割生成的对象轮廓与大部分气泡的实际轮廓较为贴合。典型的圆形气泡在纹理、分布格局、光谱特性等方面与冰面差异较为显著，分割效果较为理想，基本保留了冰封气泡的空间分布特征。得益于无人机航拍的极高分辨率，图像中直径为2 cm左右的气泡也清晰可见，并被较好地分割。冰封气泡外的冰面上存在一些白冰斑块、裂纹等，它们具有较高的亮度值，与气泡一同被区别于冰面，这是冰封气泡分割的误差来源之一。
由R1-S1样带原始图像（图5a）和最终冰封气泡分类结果（图5b）可见，面向对象的分类提取方法能较好地完成大尺度范围内冰封气泡的提取，漏分现象较少。由于微小气泡（直径为1~2 cm）数量众多，且亮度较低，为尽可能将其纳入分类，建立了相对宽松的分类规则集，这就导致亮度较高，几何特征接近圆形的白冰斑块被错分为气泡，但由于对微小气泡在面积大小上做出限制，这类错分在面积上的总体占比并不大。直径较大的气泡（直径为2~10 cm），通常是在冰面阻挡下，由沉积物释放的一连串小气泡融合而成，这类气泡形状上多为较规则的近圆形，同时也有着较高的亮度，因此对其分类结果与实际吻合度较高。从图像分类的结果来看，大多数冰封气泡成团出现，冰封气泡空间密度分布呈现较大差异性，基于面向对象的分割方法可以保留大部分差异性特征值。
图4冰封气泡的原始图像（a）及分割结果（b）
Fig.4Original image of ice bubbles (a) and the segmentation result (b)
图5R1-S1样带不同区域图像分类结果：（a）原始图像；（b）最终分类结果
Fig.5Image classification results of different regions in R1-S1 strip： (a) Original image; (b) Final classification image
2.2 冰封气泡提取精度评价
冰封气泡的提取精度评价结果如表1所示，3个主要气泡区域（R1、R2和R3）的气泡分类总体精度均在0.80以上，可满足冰封气泡空间分布特征的识别与解析。冰封气泡提取总体精度的大小顺序为R1＞R3＞R2，R2区域的冰封气泡提取精度较低。结合冰封气泡现场调查来看，造成这一差异的主要原因是R2区域大多数气泡小而致密，冰封气泡与冰体之间的颜色差异性不够明显，因此存在较多错分的情况。此外，R2区域气泡重叠现象更多，在相同分辨率下，单个气泡目标不容易被识别，也增加了与白冰斑块混淆的可能性，从而产生一定的提取误差。R1和R3区域内冰封气泡大且多接近圆形，有着更高的亮度与更清晰的提取边缘，同时气泡重叠现象也要少于R2区域。因此，R1和R3区域的冰封气泡更容易被分割分类，本方法对大部分的冰封气泡都有着较好的提取效果。
表1冰封气泡提取精度评价
Tab.1Accuracy assessment for ice-trapped bubble classification
2.3 冰封气泡空间分布特征
为直观展示水库冰封气泡的空间分布特征，以R1-S1样带为例，将提取的气泡结果映射到1 m×1 m网格中（图6a）。在1 m2单位面积内，冰封气泡的面积占比均低于20%，整个样带气泡总面积仅占样带总面积的 4.6%，总体密度呈现点状分布。由于冰面灰尘和白冰斑块会干扰气泡识别，提取结果中气泡占比低于1%的网格被视为“无气泡区域”，其余则为“有气泡区域”，有气泡区域占样带总面积的76.1%。在有气泡区域内，气泡面积占比1%~2%的网格数量最多，共907个，占样带总面积的14.6%。若将范围扩大至1%~5%，这些网格约占有气泡区域的一半，相当于样带总面积的38.2%。气泡面积占比达到 15%及以上的网格仅116个，占样带总面积的1.9%。这些结果表明，R1-S1样带中以稀疏分布的小气泡为主，成团聚集的大气泡面积占比相对较小。
基于Queen法计算R1-S1样带1 m2内气泡面积占比的全局Moran's I为0.89，采用条件置换法（999个）全局Moran's I指数进行显著性检验[23]，结果表明单位面积内冰封气泡面积占比在冰面上的分布具有非常显著的正空间集聚特征（Z=98.6，P＜0.001）。采用单变量局部Moran's I指数绘制显著空间聚类和空间异常值（图6b），“高—高”表示高气泡面积占比区域相邻区域（8连通）也是高气泡面积占比区域，是气泡聚集的“热点”；“低—低”则表示低气泡面积占比区域相邻区域也是低气泡面积占比区域，是气泡聚集的“冷点”。“高—低”高气泡面积占比区域相邻区域是低气泡面积占比区域，而“低—高”表示低气泡面积占比区域相邻区域是高气泡面积占比区域。结果显示，R1-S1样带中25.75%的区域被归类为“热点”，54.7%的区域被归类为气泡释放的“冷点”，这说明CH4的冒泡释放主要在较小范围内发生，在空间上具有较为明显的集中释放特征，也表明在整个水库尺度上，库尾作为CH4冒泡释放的热点区域，其内部还存在集中程度更高的小尺度热点。在“高—高”聚类的内部及边界存在着低—高空间异常值，这表明范围较大的冰封气泡簇群（直径＞30 m）可能是由多个相邻的气泡释放点源融合而成，“低—低”空间聚类中存在着“高—低”空间异常值也反映着单个冒泡点源可能的规模。
水库冰封气泡面积占样带面积的比例范围为2.6%~7.8%（表2），不同冰封气泡样带之间气泡总占比存在一定差异。东风水库库尾主要气泡分布区域以R1与R2为主，二者面积均在20000 m2以上，R3区域较小，面积仅约为100 m2。上述3个区域中气泡密度也存在明显差异，气泡密度的大小顺序为R2＞R1＞R3，其中R2区域气泡密度最高，区域内气泡面积占R2总面积的5.2%，R1与R3区域气泡占比接近，分别为3.5%与2.9%。R2区域内部不同样带的气泡面积占比差异较大，最高的区域为R2-S2，气泡占比为7.8%，最低的为R2-S1，气泡占比为2.8%。造成该差异的原因可能是R2-S1样带位置位于区域边缘，为气泡区域与无气泡区域的过渡部分，其余3条样带中气泡分布较为集中。计算气泡面积的Moran's I指数发现，10条样带的全局Moran's I值均大于0.79，说明气泡在冰面上的分布呈现极显著的正空间集聚特征（Z＞100，P＜0.001）。东风水库库尾总面积约为1.2×106 m2，无人机拍摄的实地面积为50870 m2，约占整个库尾总面积的4.3%，冰封气泡面积仅占总库尾面积的0.24%。如果将“高—高”聚类区域作为CH4冒泡释放的热点区域，库尾区域有0.9%的区域被划分为CH4冒泡释放的热点区域。在全水库尺度上热点区域占比会更小，但这一部分区域对水库CH4释放的贡献不可忽视。
图6冰封气泡分布图（a），局部Moran's I空间分布（b），单位面积冰封气泡占比分布直方图（c），局部Moran's I散点图（d）
Fig.6Distribution map of ice-trapped bubbles（a）, Spatial distribution of local Moran's I（b）, Histogram of ice-trapped bubbles proportion per unit area (c) , Scatter plot of local Moran's I (d)
表2各样带冰封气泡提取及空间自相关性分析结果
Tab.2Bubble classification and Moran's I calculation results for each sample strip
**表示P＜0.001，具有极显著性。
3 讨论
3.1 冰封气泡的形态特征
本研究对象东风水库冬季冰封气泡现场可观测到的气泡形态主要分为线粒状气泡、念珠状气泡、圆碟状气泡和多种型态混合型气泡（图7）。结合气泡的平面观测结果来看，表面几乎没有肉眼可见气泡的冰体中气泡主要为线粒状，其长径比较大，有明显拖尾；表面气泡较小但较为致密的冰中，气泡多为念珠状；表面气泡较为稀疏但单个气泡直径较大的冰中，气泡主要为碟状；表面气泡直径差异较大且气泡密集的冰中，气泡主要为多种型态混合型。冰内气泡的来源有多种，但主要包含以下3种[24]：（1）在环境温度迅速下降、冰盖尚未完全形成的结冰初期，水中的空气被快速冻结在冰表层，形成微小的气泡，这种冰封气泡广泛存在于表层冰体中；（2）在冰盖形成后，水流的扰动会导致水中的空气包裹体未能迅速释放，最终被冻结在冰内，冰封气泡主要存在于中上层冰体中；（3）冰盖开始形成后，沉积物产生的气体被阻挡并被持续向下生长的冰冻结，冰封气泡主要存在于中下层冰体中。
溶解在水中的空气、氧气等气体的浓度在空间分布相对均匀，同时，在冰盖阻挡下缺乏持续供给，形成的冰封气泡主要为线粒状。由于CH4难溶于水的特性，沉积物产生的CH4中主要以冒泡的形式释放，在开放水体也可以观察到这些气泡常成串释放。当冰盖形成后，一些气泡会在冰下聚集并融合形成更大的气泡，随后伴随着冰的生长被包裹，这些气体被冻结后形成的冰封气泡直径通常在1~10 cm之间或者更大，单个气泡形状也多接近扁平的圆形。线粒状气泡有别于沉积物含CH4气体产生的白色斑块状冰封气泡，难以在无人机影像中观测到，在一些研究中也将这部分气泡视为“背景冒泡”[13]，不作为CH4冒泡的研究对象。念珠状气泡主要分布在R2区域，也是东风水库最多的冰封气泡类型。无人机影像中的这部分气泡亮度低，多成片出现，轮廓不够清晰，分割分类准确度较低。念珠状气泡在R2区的广泛分布是造成气泡分类精度较低的直接原因。R1区以圆碟状气泡为主，其亮度较大，边缘较为清晰，有着较高的分类精度。R3区的气泡主要由混合状气泡与念珠状气泡构成，在分类难度上低于R2区。此外，冰封气泡在水平二维视角下会呈现一定程度的重叠与累积，多个气泡形成的簇群形态上不同于单个近似于圆形的典型气泡，这将导致在冰封气泡形态特征提取时易受较粗裂纹的干扰，影响分类提取结果。
图7东风水库冰封气泡不同平面簇群（上）分类及垂向分布（下）特征：（a）线粒状冰封气泡、 （b）念珠状冰封气泡、（c）圆碟状冰封气泡、（d）混合状冰封气泡
Fig.7Classification of different planar clusters of ice bubbles in the Dongfeng Reservoir (top) and their vertical distribution characteristics (bottom) : (a) linear ice bubbles, (b) bead-like ice bubbles, (c) disc-shaped ice bubbles, and (d) mixed-type ice bubbles
3.2 冰封气泡识别分类指标的选取
本研究采用面向对象分类法，基于无人机航拍影像提取冰封气泡的总体精度在0.80以上，为探寻水库CH4释放热点区域的研究提供了一种可能的手段，分类指标的选取及指标间组合是分类的不确定性来源之一，分类指标的选取影响着最终分类的效果。冰面与气泡在灰度值上存在较大差异，冰面灰度值通常低于85，气泡灰度值通常大于100，因此，冰面和气泡容易被分辨。冰面上还广泛存在着冰生长过程中因相互挤压碰撞产生的裂纹，这些裂纹在颜色、亮度与冰封气泡较为接近，在提取过程中容易与冰封气泡混淆，所以气泡与冰面裂纹的区分也是分类的重点之一。人工选取气泡与裂纹目标各100个，探究二者在几何形态，包括长宽比、紧致度、圆形度、填充度、椭圆度及平均亮度的差异（图8）。冰封气泡与冰裂纹在上述指标中除亮度外均存在显著差异（P＜0.05，N=100）。裂纹在上述6个指标的变化范围较大，这是由于裂纹间形状差异较大，难以用较为集中的范围描述所有裂纹。气泡的变化范围则比较集中，长宽比和紧致度均在1.5上下浮动，填充度在2.0左右，圆形度、椭圆度分别在0.5、0.8左右波动，亮度的变化范围较为离散，这是由于部分气泡亮度随直径增大而增大。一些裂纹的特征值与气泡的特征值仍有重叠部分，会导致一定程度的错分现象，为保证分类效果，需要采取一定的分类策略。本研究主要从气泡与裂纹的亮度及几何特征出发进行分类，石晓光等关于气泡对光谱反射率的研究为多光谱技术应用到气泡分类中提供了思路[18]。此外，大部分气泡在空间上呈现出聚类分布的特征，在上述几何特征的限制下，考虑结合邻近对象的关系可以进一步提高分类的准确性[25]。
3.3 影响冰封气泡分布差异性的关键因素
2022年冬季不同时期库尾结冰的动态观测表明，初冰日后15天水面上存在约20%的未冻结区域，而一些近岸区域冰厚达到35 cm，接近最大冰厚（40 cm）。初冰后约40天水面已完全冻结，不同区域间冰厚差异不大（35~40 cm），后冻结区域以迅速冻结形成的黑冰为主，冰中虽也存在冰封气泡，但其密度明显低于先冻结区域。对比2021、2022、2023年的现场观测来看，气泡在冰中的垂向分布也存在显著的年际差异，且缺乏明确的规律性。2021年，气泡主要集中在冰中层（冰面下约20 cm）；2022年，气泡集中在冰表层和底层（冰面上约6 cm，冰面下约35 cm），中层几乎没有分布；2023年，气泡主要集中在冰体底层（冰面下约35 cm）。仅2022年与李志军[26]的研究结果（表层冰气泡含量大于冰层内部）一致，其余年份的气泡分布沿深度方向呈现波动。
图8气泡与裂纹间不同参数值对比
Fig.8Comparison of different parameter values between bubbles and cracks
冰封气泡的形成是两个过程共同作用的结果：一是气泡在沉积物中产生并传输到表层水体；二是冰盖阻挡气泡并持续向下生长包裹气泡[27]。因此，沉积物产生气泡的释放速率以及由气温主导的冰生长速率[28]都会影响冰封气泡的水平及垂向分布特征。沉积物作为CH4气泡的主要来源，其厌氧条件[29]、产CH4菌活性与丰度[30]、总有机碳（TOC）含量[31]等因素都影响CH4生成，而沉积物的物理性质（粒度、孔隙率等）则会影响气泡的释放[32]。本研究发现有气泡区域沉积物中TOC含量（3.2%±0.6%）显著高于无气泡区域（2.5%±0.3%）（P＜0.05）（图9），产CH4菌丰度、粒径等指标与冰封气泡分布特征之间的关系还有待进一步研究。除沉积物中产CH4能力存在空间差异外，气泡的释放过程本身也具有高度不确定性[33]，通常表现为“脉冲释放”，即短时间内释放大量气体[34]。在偶发的短暂冒泡过程中，大量CH4可在较短时间内以气泡形式快速传输到大气中[35]，导致不同区域和时间段的气泡供给量存在较大差异。Marcon等[36]研究发现，水库中气泡排放具有显著时间变异性，且低频高通量事件对总CH4排放贡献较大。此外，冰的快速生长期在其全生长周期内出现的时间点不同也会影响气泡的封存效率和空间分布[37]。冰快速生长的区域往往因较短的封存窗口而导致气泡数量较少，而冰缓慢生长的区域则为气泡的逐步积累和封存提供了更多机会。以上因素的叠加作用使得冰封气泡的分布和密度呈现复杂的空间变化规律。
图9无气泡区及气泡区沉积物TOC含量
Fig.9TOC content in sediments of bubble areas and non-bubble areas
3.4 气泡分布特征对CH4释放通量的指示意义
不少研究结果发现沉积物产生的气泡中含有大量N2，体积浓度可达90%以上[38]。气体N2和CH4在气泡中的体积浓度较高，主要是由于二者在水中的溶解度较小。气泡中还含有少量O2、一氧化碳（CO）等其他气体，不同研究水库（湖泊）气泡中CH4体积浓度差异较大（7%~87%）[39-41]。在本研究中，使用排水法所收集到的冰封气泡气体CH4体积浓度为17%±1%，可能是由于气泡中部分CH4在冰盖形成前接触表层富含溶解氧的水体时发生了好氧氧化作用。冰封气泡中气体CH4体积浓度低于同期底层倒置漏斗所收集气体中的CH4体积浓度（27%±5%），这表明大部分冰封气泡中的气体来源于底泥产生的气体。此外，现场倒置漏斗中收集到气体的速率也与冰封气泡的面积、密度呈现正相关趋势。因此，可以认为冰封气泡的空间分布特征能够在一定程度上反映出CH4冒泡的热点区域。
先前相关研究中根据冰封气泡簇中气泡的直径将气泡分为少数几个类别，再根据对应类型气泡的CH4实测数据估算全水面CH4通量。该方法能有效识别并凸显整个水面上存在冰封气泡的区域，提高了CH4通量估算的准确性[13]。但当气泡连片出现，各冰封气泡簇相互交错时，则无法准确进行气泡簇的数量与形态统计。根据单位面积气泡占比与CH4释放实测通量建立定量关系，对于CH4释放通量的估算可能具有更高的准确度及更广的适用范围。气泡分割及面积占比统计有助于构建更准确的CH4释放通量模型。但由于CH4释放通量受诸多因素影响，为提高CH4释放通量的定量能力，还应当考虑：（1）气泡中CH4体积浓度的不确定性；（2）相同气泡面积占比下不同气泡形态对应CH4释放通量的不确定性。本研究考虑从可见的冰封气泡面积占比出发，通过间接的方式估算CH4释放通量。而现有的一些研究也有利用CH4特有的红外光谱吸收特性，通过红外高光谱成像相机使CH4气体可视化[42]，根据风速等数据直接进行CH4体积浓度反演和通量估算。若该项技术与无人机相结合，或能够快速定位无冰期水库CH4释放热点区域并实现大范围实时监测，同时与冰封期调查互补，实现全年水库CH4释放通量的估算。该方法也可用于捕捉冰融期冰下累积CH4存在的“脉冲释放”现象，以验证冰封气泡分布特征对CH4释放热点区域的指示效果，探究冰封气泡密集区域在长时间尺度上CH4释放通量的时空变异性。
4 结论
1）受自然条件下光照角度与冰面反射的影响，无人机影像中存在亮度不均匀现象会影响DOM的合成与冰封气泡提取精度。形态学顶帽变换可以有效抑制所拍摄影像的过曝现象，降低亮度不均对纹理信息的影响，提高冰封气泡的识别效率。
2）利用面向对象的分类方法进行冰封气泡提取的总体精度在0.80以上，不同冰封气泡区域间分类精度存在差异的主要原因是单个气泡的大小存在差异。冰面上由于冰体间相互挤压碰撞产生的白色裂纹是分类误差的主要来源，利用冰封气泡与裂纹在几何形态（长宽比、紧致度、圆度、填充度、椭圆度等）的差异性能够进行二者的有效区分，从而实现冰封气泡的高效识别。
3）冰封气泡在空间的分布上呈现出显著的聚类特征。在地面调查中划分的3个冰封气泡区域内部（R1、R2、R3）气泡密度的空间分布仍然较为悬殊，气泡总面积占库尾面积的0.24%，被划分为“高—高”聚类的冰封气泡热点区域占库尾总面积的0.9%；沉积物的TOC含量以及冰生长速率等因素都会影响冰封气泡的分布。冰封气泡特征识别对CH4冒泡分布热点区域捕捉具有积极的指示意义。
5 附录
附表Ⅰ~Ⅱ及附图Ⅰ~Ⅴ详见电子版（DOI： 10.18307/2025.0652）。
