摘要
河流藻类水华遥感反演受河滨湿地边界效应干扰，传统方法在狭长水体中精度受限。赣江尾闾段作为典型敏感水域，其藻类水华暴发机制尚不明晰。基于Sentinel-2/Landsat系列卫星数据，本研究提出了融合向内掩膜技术的改进方法，耦合浮游藻类指数（FAI）与大津阈值法（Otsu），有效抑制近岸干扰，实现了对狭长水体藻类水华的精确提取。运用此方法重建了2019-2024年赣江藻类水华暴发过程，结果显示：赣江藻类水华具有显著的季节性，集中发生在夏末及秋初（8月和9月）；空间上显著聚集于赣江南支和中支的迎风岸近岸缓流区，自沿岸带至河道中泓藻类水华强度逐渐减轻。基于随机森林回归模型的驱动因子分析结果表明，日最高气温与藻类水华面积呈极显著相关，其贡献率达47.1%，远高于营养盐（29.9%）、日均风速（9.3%）、日均流量（7.3%）和日降雨量（6.4%）。据此，结合对典型高温热浪事件（3日最高气温持续≥35 ℃）下藻类水华及其生境条件的分析，本研究认为：在中-富营养水平背景下，夏秋季低枯流量及滞留效应为藻类水华积累提供基础，而极端高温热浪事件作为主要驱动因子，通过与低流量和营养盐条件的耦合，显著放大了藻类水华暴发规模。本研究可为河流藻类水华暴发机理研究提供参考。
Abstract
The remote sensing inversion of riverine algal blooms is frequently compromised by boundary effects from riparian wetlands, and the accuracy of traditional methods remains limited in narrow, elongated water bodies. As a typical sensitive water area, the terminal reach of the Ganjiang River still lacks a clear understanding of its algal bloom outbreak mechanisms. Utilizing Sentinel-2 and Landsat series satellite data, this study developed an improved method that integrates inward-masking technology with the floating algae index (FAI) and Otsu's threshold to effectively suppress nearshore interference and accurately extract bloom extents in elongated rivers. Applying this method, we reconstructed the algal bloom outbreak processes in the Ganjiang River from 2019 to 2024. The results indicated that blooms exhibited pronounced seasonality, occurringprimarily in late summer and early autumn (August-September). Spatially, they were significantly aggregated in nearshore slow-flowing zones along the windward banks of the southern and middle branches, with intensity gradually decreasing from the littoral zone toward the thalweg. Driver analysis using a Random Forest regression model revealed that daily maximum temperature was extremely significantly correlated with bloom area, contributing 47.1%—far exceeding the contributions of nutrients (29.9%), mean daily wind speed (9.3%), mean daily discharge (7.3%), and daily rainfall (6.4%). Furthermore, by analyzing bloom dynamics and environmental conditions during typical heatwave events (≥35 ℃ for three consecutive days), this study demonstrates that under meso-eutrophic conditions, low discharge and water retention during summer and autumn form the basis for bloom accumulation, while extreme heatwaves act as dominant drivers. Their coupling with low discharge and nutrient availability significantly amplifies the scale of bloom outbreaks. This study provides valuable insights into the mechanisms governing riverine algal bloom outbreaks.
随着社会经济的飞速发展，大量氮磷等营养物质进入自然水体，导致水体富营养化，进而引发蓝藻水华问题。蓝藻水华不仅破坏了水生态系统的平衡，也影响着周边居民用水安全，严重制约着社会经济的发展，是当前生态环境与经济领域面临的一个重要问题[1-3]。
蓝藻水华的暴发是水环境因素、水动力条件和气象因素等多种因子协同作用的结果，这种动态耦合机制使得藻类水华具有显著的突发性和空间异质性[4-6]。针对海洋、湖泊和水库等相对静态或半静态水体，卫星遥感技术凭借其宏观、快速、周期性观测的优势，已发展成为藻类水华监测与预警的成熟手段。相关研究在藻类水华成因机制探讨、遥感提取算法开发（如指数阈值法FAI/CMI、监督分类法及基于CNN/LSTM的机器学习模型），以及预警模型构建等方面均取得了重要进展[7-10]。
然而，这套相对成熟的研究手段应用于动态性极强的河流系统时，却面临严峻挑战。河流藻类水华的时空分布受高频水文节律（如流量脉冲、流速剧变）主导，呈现高度破碎化和瞬变性。这使得主要基于稳定水体光学特性假设的传统遥感提取算法（无论是经验阈值还是数据驱动的机器学习模型）在河流环境中往往表现不佳。具体难点体现在3个方面。（1）空间尺度不匹配：河流形态狭长且横向尺寸小，现有主流卫星传感器（如Landsat-8/9: 30 m，Sentinel-2: 10 m/20 m）的空间分辨率难以精确刻画藻类水华（尤其近岸聚集型）的精细边界，易受混合像元效应影响。（2）时间分辨率不足：河流水体更新速度快，藻类水华可能在数小时至数天内发生显著消长或迁移。而常用卫星的重访周期（如Landsat系列约为8 d，Sentinel-2约为5 d）难以捕捉这种剧烈动态变化，极易遗漏关键暴发过程或低估其影响范围。（3）近岸环境干扰严重：藻类水华多集中在近岸缓流区，该区域易受岸边植被（阴影、光谱混淆）、悬浮泥沙、人类活动（堤岸、码头）等产生的强烈邻近效应干扰，显著增加了光谱信息解译的难度，导致传统阈值法或分类器误判率高[8，11]。这些技术瓶颈不仅制约了河流藻类水华范围与强度的准确识别，更阻碍了将遥感观测数据与关键驱动因子（如点源/面源污染输入、水文过程、气象条件）进行有效的时空关联，从而限制了对河流藻类水华暴发的成因机制的深入解析和可靠预警模型的构建。
为应对上述挑战，多源卫星数据协同融合技术成为提升河流藻类水华监测能力的重要突破口[12-13]。通过融合不同时空特性的遥感数据（如高时间分辨率但空间粗糙的Moderate Resolution Imaging Spectroradiometer（MODIS）/Terra-Aqua、高空间分辨率但重访周期较长的Landsat-8/9与Sentinel-2），可在一定程度上弥补单一数据源在时空连续性上的缺陷，为捕捉河流藻类水华的快速演变提供可能。然而，现有联合监测研究多聚焦于大型湖泊或河口，针对狭窄河道的适用性仍需验证，且需解决多源数据间的辐射定标一致性、尺度转换算法以及近岸干扰抑制等关键问题。
由上游干流和下游四支汊河构成的赣江尾闾段直接连通鄱阳湖，为鄱阳湖提供了55%的水量和主要的营养盐负荷，是鄱阳湖流域关键生态廊道与敏感水域[14-16]。近年来，水体富营养化引发部分江段频繁暴发蓝藻水华，对长江江豚、四大家鱼等关键物种栖息地及饮用水源安全构成严重威胁。赣江尾闾段具有区间集水区人类活动密集、河道形态蜿蜒曲折、水流复杂多变等特点。这给发展兼具空间精度、时间灵敏性和抗干扰能力的遥感反演算法提出了挑战，并进一步制约了该水体藻类水华暴发机理的研究。
基于此，本文以赣江尾闾段为研究对象，集成现场观测藻类数据、高分辨率多源卫星遥感影像及水文水质气象数据，构建一种适用于狭长河流的藻类水华遥感提取算法框架，实现对狭长河道藻类水华的精准提取。据此重建赣江尾闾段藻类水华长期变化过程，结合同步水文、水质及气象数据，运用随机森林分析赣江尾闾段藻类水华的时空变化特征及驱动机制。本研究可为河流藻类水华暴发机理研究提供参考。
1 材料与方法
1.1 研究区概况
赣江是鄱阳湖最大入湖河道，对鄱阳湖生态及水资源安全至关重要[17]。赣江水量及水质的变化深刻影响鄱阳湖生态安全，更关乎长江流域生态健康、生物多样性、经济社会稳定及可持续发展[18]。赣江经过龙头山枢纽后进入其尾闾段。该江段自上游龙头山枢纽起始向东北流动，并在流过扬子洲头后逐步分水至四支汊河（主支、北支、中支和南支）最终注入鄱阳湖。
研究区位于赣江尾闾段龙头山枢纽至四支水位站之间（图1），属于亚热带季风气候，夏季炎热湿润，冬季温和干燥[19]。雨热同季的特点使得研究区夏季气温常常超过30℃[20]。4-6月为赣江的主汛期，期间降雨多、水位高、河面开阔（水面宽度200~300 m）、径流量大，易发生洪涝灾害；9月-次年3月为赣江枯水期，降雨少、水位低、河面窄（河道宽度80~150 m）、径流量小，易出现蓝藻水华等生态环境问题。
图1赣江尾闾段水系构成及龙头山枢纽和分布于四支汊河上的水文站位置
Fig.1The composition of the water system at the terminal reach of Ganjiang River and the locations of the Longtoushan hydro project and the hydrological stations at the four branches
1.2 数据来源与处理
1.2.1 数据筛选
相对于湖泊和水库，河流形态呈狭长型，横向尺寸小于1 km，且水体更新速度较快，需要高时间和空间分辨率卫星影像才能有效识别藻类水华。MODIS是常用遥感数据，时间分辨率高、光谱波段丰富，适用于海洋、湖泊和水库藻类水华监测，但与Landsat系列及Sentinel-2 Multi-Spectral Instrument（MSI）相比空间分辨率低（附图Ⅰ），在河流等狭长水域提取藻类水华信息精度较差。综合考虑空间、时间、波段数和数据分发策略4个因素，适用于赣江尾闾段藻类水华监测的卫星主要有Landsat-8 Operational Land Imager（OLI）、Landsat-9 OLI和Sentinel-2 MSI。然而，这些卫星的多星重返周期较长（Landsat系列为8 d，Sentinel-2为5 d），难以满足藻类水华的高频观测需求。为此，本研究采用Sentinel-2 MSI卫星遥感数据，并联合Landsat系列卫星遥感数据以扩展时间序列，弥补时间分辨率不足。
1.2.2 数据获取及预处理
借助Google Earth Engine（GEE）云处理平台，获取2019-01-01至2024-09-30研究区范围内高质量的遥感影像数据，包括来自美国地质勘探局（United States Geological Survey，USGS）数据中心的Landsat-8 OLI、Landsat-9 OLI，以及源自欧洲空间局数据中心（European Space Agency，ESA）的Sentinel-2 MSI数据，共计192幅卫星影像。其中，Sentinel-2 MSI影像161幅，Landsat-8 OLI影像22幅，以及Landsat-9 OLI影像9幅（附图Ⅱ）。赣江尾闾区域的影像获取情况受到季节性降雨量的影响，5-7月为雨季，期间高质量影像的数量相对较少，其他月份的月均影像数量在3幅以上。
遥感影像的预处理环节包括几何校正、辐射定标、大气校正和云掩膜等多个步骤。本研究从GEE平台获取的Landsat系列Collection 2（C2）级别和Sentinel-2 MSI Level-2A（L2A）级别的遥感数据均经过几何校正、辐射定标和大气校正等预处理。在此基础上，筛选无云或少云（云量＜20%）的高分辨率卫星遥感影像，同时借助QA掩码技术进行云掩膜操作，检测并去除影像中的云覆盖区域，将云雾对藻类水华信息提取的干扰降至最低。
为了融合不同数据源的优势，考虑到Landsat与Sentinel-2数据在空间分辨率和传感器波段设置上的差异，本文将Landsat数据空间分辨率升采样至10 m，使其与Sentinel-2数据空间分辨率相匹配。同时，为解决两类传感器波段设置不一致的问题，对Landsat和Sentinel-2数据进行了波段匹配处理，选取两者共有的或光谱特性相近的波段进行对应（表1），以保证后续数据分析的准确性和可比性。
表1Landsat-8/9与Sentinel-2波段匹配对应关系
Tab.1Band matching correspondence between Landsat-8/9 and Sentinel-2
水质数据来自国控水质自动监测站（生米）的长期观测记录（2020-2024年），流量数据来自外洲水文站的长期观测记录（1957-2023年）。气温和降雨量数据采用欧洲中期天气预报中心（ECMWF）的ERA5再分析数据集，空间分辨率为0.25°×0.25°，时间分辨率为1 h。
1.3 水体提取
1.3.1 水体提取方法
常用的水体指数模型有归一化差异水体指数（normalized difference water index，NDWI）、改进的归一化差异水体指数（modified normalized difference water index，MNDWI）等[21-23]。NDWI通过突出水体在绿光波段的高反射率和在近红外波段的低反射率特征，能有效区分水体与植被、裸土等其他地物类型。这种方法显著增强了水体的光谱特性，提高了水体识别的精度，但应用在城镇区域效果一般[24]。而MNDWI在NDWI的基础上进行了优化，将近红外波段替换为中红外波段，同时保留绿波段，以抑制建筑物对水体提取的影响，显著提升了在城镇区域水体提取的精度[25]。鉴于本文研究区涉及的河段主要位于城镇区域，故选用MNDWI算法进行水体边界提取。其计算公式如下：
(1)
式中，RGreen为绿光波段反射率，RSWIR为短波红外波段反射率。MNDWI的范围为[-1，1]，数值越接近1说明越有可能是水体。
1.3.2 水体边界确定
在提取赣江这类狭长型水体时，长时间跨度下气象条件的动态变化和作物不同生长阶段的更替，均会对最佳分割阈值的设定产生影响。仅依赖固定的阈值进行图像分割，将无法及时适应这些变化而出现误分类问题，进而导致水体面积统计出现误差。为解决水体提取中边界确定的问题，本研究采用Otsu阈值法。该方法通过动态调整阈值，使前景（目标）与背景的类间方差达到最大化，实现对图像的最优化分割[26]。相较于依赖双峰特性的直方图双峰法，Otsu算法在阈值选取上实现了自动化，无需人工介入。这一自适应特性在大规模遥感影像处理，尤其是水体范围的自动提取应用中，展现出显著优势。
赣江尾闾水域面积随着季节水位变化而发生明显波动，使用MNDWI-Otsu方法提取水体岸边界会受陆地邻近效应的干扰，且岸边界的水生植物会造成藻类水华在识别和提取过程中产生误判（附图Ⅲ）。为减少这种影响，本研究利用ArcGIS软件中的缓冲区功能，将提取后的水体区域向内掩膜1~2个像元，进一步提升水体区域提取的精确度，降低藻类水华识别和提取过程中的误差。
1.4 藻类水华识别
1.4.1 藻类水华识别方法
河流藻类水华的遥感反演存在易受其他水体成分干扰以及难以直接反映藻类生物量等问题，因此选用浮游藻类指数（floating algae index，FAI）进行计算。FAI对藻类生长敏感，受外环境和观测条件影响较小，能够准确量化评估水体中藻类生长状况和分布特征[27]。这一特性有助于在识别和提取河流藻类水华时降低误判率，提升河流藻类水华遥感反演的精准度和可靠性。其计算公式为：
(2)
(3)
式中，RRED、RNIR、RSWIR分别对应红色、近红外、短红外波段的反射率，λRED、λNIR、λSWIR分别对应红光、近红外、短红外波段的中心波长；为插值反射率，即在红波段和短波红外波段之间采用线性内插得到近红外波段处的反射率信息[28]。FAI值越小，表示水体中藻类丰度越低；FAI值越大，表示水体中藻类丰度越高[29]。
1.4.2 藻类水华阈值及强度分级
针对FAI的阈值因受到气候条件和水体状况的影响而表现出波动性的问题，本研究采用Otsu阈值法划分每幅遥感影像中FAI的最佳阈值。FAI-Otsu值在不同季节和气象条件下存在显著波动，这种波动可能导致藻类水华面积的划分出现高估或低估的情况。其本质是Otsu阈值法对低生物量、高噪声场景的敏感性缺陷。为解决这些问题，本研究参考了现有文献关于藻类水华强度等级的划分方法[30-31]，引入多景FAI阈值的等间隔分位数来确定藻类水华的判别阈值及强度等级。
1.5 提取精度评价
为验证基于Otsu 阈值法在遥感影像中藻类水华信息的提取精度，在研究区内随机设定样本点，将目视解译的藻类水华范围作为真实参考数据，与分类结果样本数据共同构建混淆矩阵，此方法被广泛认为是评估分类准确性的有效手段。通过构建混淆矩阵，选取生产者精度、用户精度、总体分类精度和Kappa系数这4个指标进行藻类水华提取精度评价。
2 结果与分析
2.1 提取结果分析
2.1.1 水体边界提取结果
通过MNDWI结合Otsu算法提取的水体范围图清晰地展示了研究区域内的水体分布情况。图2中标注了水体指数提取的边界，并与实际水体边界进行了对比。根据MNDWI水体提取结果与实测岸线对比显示，两者平均位置偏差小于1.5个像元（15 m），验证了MNDWI结合Otsu算法在水体提取中的准确性和可靠性。提取的水体边界清晰、连续且完整，能够有效区分水体与非水体区域；与实际水体边界对比，提取结果的误差较小，尤其是在大面积水体和河流区域表现尤为准确。此外，Otsu算法对小水塘、沟渠等小型水体也有较好的识别能力，但在部分复杂区域（如阴影覆盖或植被干扰区域）存在少量误判。为此，本研究采用人工目视解译对提取结果进行检查与修正。
图2水体边界提取图
Fig.2Extracted water boundaries
2.1.2 藻类水华识别及强度分级结果
FAI-Otsu值随着季节呈现明显的规律性波动，每年10月-次年5月，阈值普遍维持在0.04以下；6-9月，阈值整体偏高，8月和9月达到了峰值水平（图3）。这一季节性变化趋势与杨威等[32]和王俊颉等[33]关于赣江中下游浮游藻类生物量及丰度季节性变化结果呈现出一致性。高密度藻类水华（FAI ＞ 0.06）集中发生于夏秋季（水温＞ 20℃），此时适宜的水温条件促进了藻类的快速生长和繁殖；而春季和冬季FAI阈值较低，如在12月FAI仅为0.02，对应的藻类聚集较为稀疏，未达到水华定义标准，表明该时期藻类生物量较低，未形成真正的藻类水华现象。
为解决上述问题，本研究参考多景FAI阈值的25%分位数（0.022），将其作为藻类水华的判别阈值，从而有效消除冬季虚警现象。这一方法通过统计分析多景影像数据，设定合理的阈值，确保在不同环境条件下都能稳定地检测出真实的藻类水华区域，避免因季节性低生物量和高噪声导致的误判。同时，以25%（0.022）、50%（0.035）、75%（0.064）等间隔分位数为临界值，划分藻类水华强度等级，无藻类水华（FAI＜0.022）、轻度藻类水华（0.022≤FAI＜0.035）、中度藻类水华（0.035≤FAI＜0.064）、重度藻类水华（FAI≥0.064），藻类水华程度依次加重，以确定藻类水华发生强度的空间分布差异。
图3基于Otsu算法的FAI阈值季节性变化及分位数优化效果
Fig.3Seasonal dynamics of Otsu-derived thresholds for FAI with quantile optimization performance
2.1.3 藻类水华提取精度分析
为确保样本的代表性和空间分布的合理性，本研究选取赣江尾闾段的主支、中支和南支进行藻类水华提取精度的分析，对每条支流分别选择3个不同时期的遥感影像。以遥感影像的目视解译结果为参照标准，每景影像随机选取300个样本点构建二分类混淆矩阵进行藻类水华提取精度评估，总计2700个样本点（附图Ⅳ）。
根据中度藻类水华提取精度评估结果显示（附表Ⅰ），3个河段的总体精度均在0.84以上，Kappa系数介于0.806~0.853之间。这一结果表明，即使在狭长的水体环境中，FAI指数仍能有效反映藻类水华的分布情况，进一步证明其在河流藻类水华监测中具有较高的适用性和可靠性。
2.2 赣江尾闾段藻类水华时空分布
2.2.1 赣江尾闾段藻类水华空间分布
根据2021年9月藻类水华暴发期间的FAI值来看（图4，过境时刻为2021-09-28 T02:45:51.024000Z），赣江中支水域（FAI=0.072±0.011）和南支水域（FAI=0.085±0.009）是藻类水华暴发较为严重的区域。其中，南支中游部分江段FAI值显著升高，该区域藻类丰度较高，藻类水华问题更为突出。
图42021年9月28日赣江尾闾段水体区域及FAI分布
Fig.4Spatial distribution of water bodies and FAI in the terminal reach of Ganjiang River on September 28, 2021
选取南支中游作为典型区域进行分析，通过展示其真彩色影像（图5a）和假彩色影像（图5b），可以清晰地观察到表层蓝绿色絮状聚集以及藻类水华区域近红外反射率异常衰减的特征。这些影像所呈现的藻类水华信息与FAI值的分布状况高度一致。本研究依据等间隔方法确定强度分级阈值，将赣江尾闾藻类水华强度区分成3级（图5c）。结果显示，藻类水华主要分布在水动力条件较弱的水域，且越靠近岸边，藻类水华的堆积情况就越严重，相应的藻类水华强度等级也越高。
2.2.2 赣江尾闾段藻类水华时间分布
2019-2024年的藻类水华遥感提取结果显示，赣江尾闾段藻类水华集中发生在夏末及秋初（8月和9月），平均覆盖面积约为10万m2，占水域总面积的1.5‰~32.5‰不等，最大覆盖面积能达到30万m2，年际间藻类水华面积呈上升趋势（图6），但统计检验显示上升趋势不显著（P＞0.05）。
2.3 藻类生境条件及暴发机制
2.3.1 赣江尾闾段藻类生境条件变化
基于1957-2023年长时间序列的气象、水文和水质观测数据，赣江尾闾段的藻类生境条件表现出显著的季节性分异特征。气象数据表明，研究区年内气温与降雨量均呈现出明显的季节波动（图7）：每年6-9月为高温期，其中7月和8月的月均最高气温分别达36.3和36.0℃，显著高于年均水平，构成了有利于藻类快速生长和水华暴发的温度条件。降雨主要集中在4-6月（月均降水量＞200 mm），7月起降雨量显著减少，至9月降至不足100 mm，形成典型的高温少雨期。这一变化导致河流补给减弱，水体流速下降、滞留时间增加，从而增强了水体中营养盐的富集效应和水温的积累，促进了夏末至秋初藻类的快速增殖。
图5赣江南支中游藻类水华分布：真彩色影像（a）、假彩色影像（b）、藻类水华强度空间分布（c）
Fig.5Spatial distribution of algal blooms in the middle reaches of the south tributary of Ganjiang River: (a) True-color image, (b) False-color image, (c) Algal bloom intensity classification
图6赣江尾闾段藻类水华面积及占比
Fig.6Algal bloom area and proportion in the terminal reach of Ganjiang River
从多年月平均流量及其在全年总流量的占比来看（图8），尾闾江段表现出显著的年内流量分配不均特性：4-7月流量集中且显著，占据了全年总流量的58.70%；自7月开始，径流量减少，流速变缓，水体滞留时间延长；10月-次年2月，流量则明显减少，仅占全年流量的20.00%。径流量的季节性变化影响了藻类水华的时空分布特征。
图7赣江尾闾段1957-2023年平均月降雨量及最高气温
Fig.7Monthly average precipitation and peak air temperature records in the terminal reach of the Ganjiang River during 1957-2023
根据2020-2024年赣江尾闾段的水质监测结果（图9），总氮（TN）和总磷（TP）呈现出显著的季节性变化特征，并在多数时段超过《地表水环境质量标准》（GB 3838-2002）Ⅲ类水限值。春季营养盐浓度显著升高，TN常超过2.0 mg/L，部分月份已达到Ⅴ类水标准限值；TP亦多高于0.05 mg/L，处于Ⅳ~Ⅴ类水标准限值，这主要归因于流域径流集中与农业面源输入的叠加效应。夏末秋初，尽管降雨与径流减弱，但氮磷浓度仍维持在高值区间。总体而言，尾闾江段处于典型的中-富营养状态，营养盐条件已超过蓝藻水华形成的阈值，为藻类生物量积累及水华暴发提供了持续且充足的物质基础。
2.3.2 2021年9月藻类水华暴发期间生境特征分析
为揭示藻类水华暴发的关键驱动机制，本研究系统分析了2021年9月赣江尾闾段藻类水华暴发期间的气象水文特征。结果表明（表2）， 9月18-28日期间研究区发生了高温热浪事件：9月20日降雨结束后气温急剧攀升，由20日的29.5℃升至26日的35.3℃（升温幅度达5.8℃），且25-27日连续3天日最高气温≥35℃。同期水文条件表现为极端干旱（21-28日累计日降雨量＜0.60 mm）与异常低枯流量（平均流量为（585±88.8）m3/s，显著低于历史同期均值1500 m3/s）。在营养盐方面，监测结果显示暴发期间总氮（0.81~1.04 mg/L）与总磷（0.02~0.03 mg/L）浓度整体维持在较低且稳定的水平，未出现明显升高趋势。这表明本次藻类水华并非由营养盐输入的突然增加直接触发，而主要受高温热浪和低枯流量等极端气象-水文条件的共同胁迫所驱动。
图81957-2023年外洲水文站月均流量及占比
Fig.8Monthly mean discharge and its proportion at Waizhou Hydrometric Station (1957-2023)
图92020-2024年赣江尾闾段总氮和总磷的时序变化
Fig.9Temporal dynamics of total nitrogen and total phosphorus in the terminal reach of the Ganjiang River during 2020-2024
2.3.3 赣江尾闾段藻类水华暴发机制分析
为探究赣江尾闾段藻类水华暴发的主要驱动因子，本研究以遥感反演的藻类水华面积为因变量，选取气象因子（日最高气温、日降雨量、日平均风速）、水质因子（总氮、总磷、氮磷比）及水文因子（日均流量）作为自变量，基于随机森林回归模型开展驱动因子分析。首先通过Pearson相关性分析对变量进行初步筛选，进而建立非线性回归模型以评估各因子的相对重要性。
相关性分析结果（图10a）表明，藻类水华面积与日最高气温呈极显著正相关关系（P＜0.01），而日最高气温与总氮及流量均呈显著相关（P＜0.01）。随机森林模型结果显示（图10b），日最高气温对藻类水华面积的贡献率达47.1%，远高于其他影响因素。这表明高温是诱发藻类水华暴发的关键环境变量。总氮（13.1%）和氮磷比（11.6%）的贡献率显著高于总磷（5.1%），指示在处于中-富营养状态的江段中，氮磷比的失衡比磷浓度本身更能驱动蓝藻的生长，因此是更为关键的驱动因素。日均风速（9.3%）和日均流量（7.3%）均对藻类水华分布与规模表现出一定的调控作用，反映水体混合程度和滞留时间对藻类水华形成具有重要影响。降雨量的贡献率较低（6.4%），对藻类水华的影响较小。
表2藻类水华暴发期间生境参数变化
Tab.2Habitat parameters variation during algal bloom outbreaks
综上所述，赣江尾闾段藻类水华暴发的主要驱动机制为：在长期中-富营养水平下，总氮和氮磷比对藻类生物量积累起到支撑作用；极端高温热浪作为主导驱动因子，与低流量条件形成耦合效应，显著放大藻类水华暴发风险；同时低风速条件增加了水体稳定性和滞留时间，为藻类上浮及在下风向沿岸带聚集创造了有利条件。
图10赣江尾闾段藻类水华驱动因子的相关性与重要性分析：（a）藻类水华面积与主要环境因子的相关分析（*P≤0.05，**P≤0.01）；（b）环境因子贡献率排序
Fig.10Correlation and importance analysis of algal bloom drivers in the terminal reach of Ganjiang River: (a) Correlation analysis between algal bloom area and key environmental factors; (b) Contribution of environmental factors
3 讨论
3.1 藻类水华时空分布与环境驱动分析
遥感反演结果显示，赣江尾闾段藻类水华多集中暴发于夏末秋初（8-9月），此时段流域降雨少、辐射强、气温高、河道水位低和流量小的水文气象条件有利于蓝藻生长和水华暴发，尤其是在连续3天最高气温≥35℃的高温热浪事件中。在夏末秋初的高温热浪事件过程中，高光照和高温的天气条件通过增强蓝藻对营养盐的吸收能力而导致蓝藻的快速增殖[34]。本研究的随机森林回归模型分析发现，日最高气温对赣江尾闾段藻类水华面积的贡献率达到47.1%。已有研究发现≥35℃的天气可以导致蓝藻生物量呈指数型增长[35]。同时，高温热浪事件过程中低风速和低流量条件造就的弱水动力条件一方面直接减少了流速对蓝藻生长的抑制作用[36]，另一方面为蓝藻上浮和在下风向聚集创造了有利的动力环境[37]。这些环境条件的共同作用导致了河流藻类水华的大规模暴发。2021年9月21-28日和2025年7月14-25日，赣江流域均发生了典型高温热浪事件，赣江中支和南支也同步暴发了大规模的蓝藻水华，且水华多分布于迎风岸的近岸水域。程楠楠等也发现高温热浪是导致富春江暴发蓝藻水华的关键[34-35]。这些研究充分证明了汛后的高温热浪天气是导致河流暴发大规模藻类水华的关键。
藻类水华空间分布的高度聚集性反映了高温热浪、低枯流量与水体富营养化的耦合效应。根据蓝藻水华的发生频率及其空间分布特征（图11），其高发区域主要分布于南支及中支的中下游河段，尤以开阔水域的近岸区域及水流缓慢的河湾最为集中，该特征与区域河流地貌特征、水动力条件及风场作用密切相关。上述区域通常地势平坦，江面宽阔，水流速度低、流量小，水体交换能力弱，有利于藻类在局部水域中滞留和增殖[38]。同时，该区域水体长期处于中-富营养状态，充足的氮、磷等营养盐为蓝藻的快速生长和水华暴发提供了物质基础。此外，鄱阳湖的顶托效应在一定程度上抑制了赣江尾闾段的水体下泄能力，导致水体流动性进一步下降，形成复杂、缓慢的水动力环境，有利于蓝藻种群的稳定生长与扩散[39]。在此基础上，近水面风场通过在江面施加拖曳力、形成沿岸堆积或水体局部循环，也显著影响了藻类水华空间格局。现场观测显示，滁槎大桥南北端水华分布存在明显差异，风向与风速的空间变化可能是导致这一局地差异的重要因素。
图11赣江尾闾段藻类水华频率空间分布
Fig.11Spatial distribution of algal bloom frequency in the terminal reach of Ganjiang River
此外，该区域8-9月的台风过程常伴随暴雨径流，对赣江流域营养盐的脉冲式输入，也是刺激该时段暴发水华的重要驱动因素之一。台风期间农业面源污染和城市生活污水等陆源污染物随暴雨径流大量汇入河道，使得氮、磷等营养盐浓度在短期内急剧升高，加速了水体的富营养化进程，为藻类生长提供了丰富的物质基础[40-41]。台风过后，区域内持续的高温、强日照和低风速等水文气象条件进一步促进了藻类光合作用与新陈代谢，最终导致藻类水华暴发。
3.2 模型的优缺点
本研究构建的融合浮游藻类指数（FAI）、Otsu自适应阈值分割与向内掩膜技术的藻类水华遥感提取方法，在赣江尾闾狭长河段的应用中表现出较好的适用性和稳定性，有效解决了河流藻类水华遥感监测中长期存在的三大难点：（1）空间尺度——通过向内掩膜技术减少了近岸非水体像元的干扰，保证了窄水体环境下的藻类水华识别精度；（2）时间分辨率——充分利用Sentinel-2与Landsat系列卫星的联合观测，提高了时序监测能力；（3）近岸干扰——通过FAI-Otsu方法结合掩膜处理，有效降低了悬浮物、泥沙及岸线反射的干扰。以上改进使得该方法对河流型藻类水华的监测具有较高的推广价值。
然而，该方法也存在一定局限性。首先，不同传感器间的FAI计算结果存在差异。尽管本研究通过统一空间分辨率和波段匹配来降低偏差，但由于传感器响应函数、光谱带宽和辐射定标方式的差异，FAI值仍可能存在系统性偏移。这在一定程度上影响了多源数据的直接可比性，可能导致藻类水华面积和强度的估算存在不确定性。其次，Otsu阈值法在低生物量和高噪声背景下仍存在敏感性偏差，可能造成藻类水华面积的高估或低估。最后，本研究主要依赖光学遥感数据，受制于天气和水体透明度，对水下藻类群落和营养盐等关键因子的反映仍有限。
针对以上不足，未来研究可在两个方面进一步拓展：一是通过开展跨传感器FAI一致性定量对比，建立转换模型或归一化处理方法，以增强不同卫星数据在藻类水华监测中的互操作性；二是结合更高时空分辨率遥感数据与原位监测数据（如营养盐、藻类生物量），提升藻类水华识别的精度和机理解释能力。
4 结论
本研究基于Sentinel-2与Landsat系列卫星遥感数据，揭示了赣江尾闾段藻类水华的时空演变规律及其驱动机制。
1）赣江尾闾段藻类水华具有显著的时空分异特征：时间上主要集中在夏末至秋初（8-9月）；空间上则多分布于南支和中支的中下游近岸区及河湾等水动力相对滞缓区域，强度由岸向河道中心递减。
2）驱动机制分析显示，在持续中-富营养状态下，夏秋季低枯流量与水体滞留效应为藻类水华生长提供了物质和环境基础；极端高温与热浪事件作为主要驱动因子，与低流量和富营养化形成耦合效应，显著增加了藻类水华暴发风险。
3）构建的融合FAI与Otsu及向内掩膜的藻类水华遥感提取方法，有效解决了狭长河流水体中藻类水华识别受空间尺度与近岸干扰的制约问题，显著提升了监测精度与适用性。
本研究不仅深化了对赣江尾闾段藻类水华时空演变规律与环境驱动机制的理解，也为河流型水体藻类水华的监测与风险预警提供了技术支撑。未来可结合高时空分辨率遥感与原位营养盐监测数据，进一步提高藻类水华识别精度与预测能力，为赣江及类似河流流域管理与污染防控提供科学依据。
5 附录
附图Ⅰ~Ⅳ和附表Ⅰ见电子版（DOI： 10.18307/2026.0210）。
