海洋学研究 >

2024 , Vol. 42 >Issue 4: 123 - 137

DOI: https://doi.org/10.3969/j.issn.1001-909X.2024.04.011

研究综述

热红外遥感监测滨海电厂温排水研究进展

  • 谷佳霖 , 1, 2 ,
  • 楼琇林 , 1, 2, 3, * ,
  • 张华国 1, 2, 3 ,
  • 曹雯婷 1, 2 ,
  • 柏瑶苹 3, 4
展开
  • 1.自然资源部第二海洋研究所,浙江 杭州 310012
  • 2.卫星海洋环境动力学国家重点实验室,浙江 杭州 310012
  • 3.大亚湾海洋风险与灾害野外科学观测研究站,广东 惠州 516081
  • 4.大亚湾区社会事务管理局,广东 惠州 516081
*楼琇林(1974—),男,正高级工程师,主要从事海洋遥感研究,E-mail:。

谷佳霖(1999—),女,辽宁省本溪市人,主要从事近海海洋环境遥感研究,E-mail:。

收稿日期: 2024-01-11

  修回日期: 2024-03-29

  网络出版日期: 2025-02-08

基金资助

国家自然科学基金(41576175)

卫星海洋环境动力学国家重点实验室自主课题(SOEDZZ2202)

收起

Thermal infrared remote sensing advancements in monitoring thermal discharge from coastal power plants

  • GU Jialin , 1, 2 ,
  • LOU Xiulin , 1, 2, 3, * ,
  • ZHANG Huaguo 1, 2, 3 ,
  • CAO Wenting 1, 2 ,
  • BAI Yaoping 3, 4
Expand
  • 1. Second Institute of Oceanography,MNR, Hangzhou 310012, China
  • 2. State Key Laboratory of Satellite Ocean Environment Dynamics, Hangzhou 310012, China
  • 3. Observation and Research Station of Daya Bay Marine Risks and Hazards, MNR, Huizhou 516081, China
  • 4. Daya Bay District Bureau of Social Affairs, Huizhou 516081, China

Received date: 2024-01-11

  Revised date: 2024-03-29

  Online published: 2025-02-08

Fold

摘要

准确监测和评价滨海电厂温排水的温升强度和时空分布,对于滨海电厂的安全作业和周边海域生态环境保护具有重要意义。基于热红外遥感观测技术,可以获取滨海电厂温排水空间分布、温升强度和时间变化等信息,已成为滨海电厂温排水监测的重要手段。本文从遥感数据源、水体温度反演、温排水背景温度信息提取、温排水时空统计及其影响因素分析等多个方面系统综述了利用热红外遥感技术监测滨海电厂温排水的研究现状和进展,并提出了未来滨海电厂温排水遥感研究的方向。

关键词： 滨海电厂; 温排水; 热红外遥感; 背景温度; 影响因素; 遥感监测; 热污染; 海面温度

本文引用格式

谷佳霖 , 楼琇林 , 张华国 , 曹雯婷 , 柏瑶苹 . 热红外遥感监测滨海电厂温排水研究进展[J]. 海洋学研究, 2024 , 42(4) : 123 -137 . DOI: 10.3969/j.issn.1001-909X.2024.04.011

Abstract

Accurate monitoring and assessment of the temperature rise intensity and spatio-temporal distribution of thermal discharge from power plants are of great significance for ensuring safe operations of the power plants and protecting the ecological environment of surrounding marine areas. Based on thermal infrared remote sensing observation technology, information such as the spatial distribution, temperature rise intensity, and temporal variation of thermal discharge from coastal power plants can be obtained, making it an important means for monitoring thermal discharge from these plants. The current research status and progress in monitoring thermal discharge from coastal power plants using thermal infrared remote sensing technology are systematically reviewed, including remote sensing data sources, water temperature retrieval, thermal discharge background temperature information extraction, spatio-temporal statistics of thermal discharge, and analysis of influencing factors. Furthermore, the paper proposes future directions for remote sensing research on thermal discharge from coastal power plants.

Key words： coastal power plants; thermal discharge; thermal infrared remote sensing; background temperature; influencing factors; remote sensing monitoring; thermal pollution; sea surface temperature

0 引言

随着社会经济的发展和人民生活水平的提高,企业和居民的用电量不断增长,火电厂和核电厂的数量和规模都呈上升趋势。采用直流冷却技术的大型火电厂和核电厂,在生产运行过程中需大量抽取天然冷却水并排放高温废水,因此选址大多靠近海湾、河口、湖泊、水库等区域[1-2]。电厂排放的高温废水也被称为温排水,其带走的热量为发电量的1.4倍(火电厂)至2.5倍(核电厂),这些热量散失于周围水体环境,可在排放水域形成一个持续的高温区[3],从而引发潜在的生态环境问题[4]。此外,取水温度每升高2 ℃,电厂热效率就会降低1%[5],若温排水自排放水域经过对流、扩散等形式重新被取水后进入冷却循环系统,可导致所谓的二次热污染[6]。可见,基于滨海电厂温排水的时空分布信息,合理设计电厂排水口和取水口位置,可以提升电厂的发电效率。因此,准确监测和评价滨海电厂温排水的温升强度和时空分布,对于滨海电厂的安全作业和周边海域生态环境保护都具有重要意义。热红外遥感技术具有宏观大范围、快速同步、时空分辨率高等特点,可以获取滨海电厂周边水体热环境的时空分布特征和变化规律[7],已成为滨海电厂温排水日常监测的常用手段[8]。
目前,国内外开展了大量的滨海电厂温排水热红外遥感监测研究工作。主流的滨海电厂温排水遥感监测方法是,根据电厂周边海域水体温度分布特征建立背景温度提取方法,获取温排水空间分布,统计分析温升强度,制作温排水专题图等[9]。受热红外传感器时空分辨率等因素限制,现有滨海电厂温排水遥感监测方法尚难以同时实现温排水的精细观测和连续监测。另外,现有用于区分温排水与正常水体的背景温度提取方法也存在不足,导致不同方法的监测结果间对比分析困难。
本文通过综述国内外利用热红外遥感技术监测滨海电厂温排水的研究现状和进展,包括用于温排水监测的遥感数据源、电厂周边水体温度反演、温排水背景温度信息提取、温排水时空统计及其影响因素分析等方面,提出了滨海电厂温排水遥感研究的未来发展方向。

1 遥感数据源

国内外已有大量学者利用遥感数据开展了电厂温排水时空分布与温升强度的监测与评价研究[10]。表1列出了目前滨海电厂温排水遥感研究中所使用的热红外传感器和平台情况。
表1 温排水热红外遥感监测传感器及平台信息

Tab.1 Information of thermal infrared remote sensing sensor and platform for thermal discharge monitoring

卫星 有效载荷 传感器工作时间 空间
分辨率/ m		 重访
周期/ d		 波段/ μm 研究案例 主要结论
NOAA AVHRR 1979年至今 1 100 1 10.5~12.5 大亚湾核电厂[11]
永光核电厂[12]		 空间分辨率低,难以获取温排水温升细节
AQUA/TERRA MODIS 2002年至今/
2000年至今		 1 000 1 10.8~12.3 大亚湾核电厂[13-14]
田湾核电厂[21]
红沿河核电厂[15]
乐清湾火电厂[16]		 空间分辨率低,导致混合像元效应
HJ-1B IRS 2008年至今 300 4 10.5~12.5 大亚湾核电厂[13-14,18]
田湾核电厂[17,21-22]
红沿河核电厂[15]
乐清湾火电厂[16]		 时间分辨率较高,但还不足以反映精细的温排水温升等级及范围
AQUA/TERRA ASTER 2002年至今/
2000年至今		 90 16 10.3~11.7 希舍姆核电厂[19]
塞兹韦尔核电厂[19]		 温排水信息丰富,但晴空数量少,不适合用于温排水日常监测
CBERS-04 IRS 2014年至今 80 26 10.4~12.5 田湾核电厂[21] 温排水信息与MODIS一致,但条带噪声限制了其数据使用
永光核电厂[12]
大亚湾核电厂[14,18]
田湾核电厂[21-22]
红沿河核电厂[15]
乐清湾火电厂[16]
希舍姆核电厂[19]
塞兹韦尔核电厂[19]
秦山核电站[23]		 可以反映更为精细的温度场边缘,监测到的最高温升级别更高,能更准确地描述温排水对周边海域热影响的分布状况
Landsat-5 TM 1984—2012年 120 16 10.4~12.5
Landsat-7 ETM+ 1999年至今 60 16 10.4~12.5
Landsat-8 TIRS 2013年至今 100 16 10.6~11.2
Landsat-9 TIRS2 2021年至今 100 16 10.6~11.2
TANG等[11]首次将重访周期为1 d的甚高分辨率辐射计(advanced very high resolution radiometer, AVHRR)热红外数据用于海湾的电厂温排水变化监测,并重点评估了大亚湾核电厂温排水的季节变化。AHN等[12]利用AVHRR热红外数据开展了韩国永光核电厂温排水变化监测,认为低空间分辨率的热红外数据难以准确展示温排水导致的温升分布细节。梁珊珊等[13]利用中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)热红外数据提取了大亚湾及岭澳核电厂的温排水信息,发现较低空间分辨率的热红外数据限制了其在小尺度区域的热环境分析,其更适用于大尺度、全球性的热环境分析。张彩等[14]、WANG等[15]和MA等[16]也利用MODIS热红外数据研究了大亚湾核电厂、红沿河核电厂及乐清湾火电厂的温排水空间分布,认为较低空间分辨率(1 km)的遥感数据所带来的混合像元效应限制了气象与水色卫星热红外遥感数据在滨海电厂温排水日常监测中的应用。
朱利[17]利用HJ-1B热红外数据统计分析了田湾核电厂温排水导致的热异常区面积,发现利用遥感监测核电站温排水具有结果直观且较为准确的优势。许静等[18]利用HJ-1B热红外数据监测了大亚湾核电厂的温排水分布情况,研究表明较高时间分辨率和较大幅宽的HJ-1B热红外数据在核电厂温排水监测中具有广阔的应用前景,但300 m的空间分辨率还不足以揭示精细的温排水温升等级等信息。
FAULKNER等[19]将高级星载热发射和反射辐射仪(advanced spaceborne thermal emission and reflection radiometer, ASTER)热红外数据应用于英国的希舍姆和塞兹韦尔核电厂的温排水研究,发现利用空间分辨率为90 m的热红外数据可以探测识别和展示潮汐效应背景下温排水的空间分布,但由于ASTER热红外数据晴空率低,不能满足电厂温排水的日常监测。ASTER需要基于用户需求进行编程观测,空间区域覆盖范围有限[20],因而一定程度上限制了普通用户获取、使用该热红外数据。石海岗等[21]将中巴地球资源卫星(China Brazil earth resources satellite, CBERS)04星的热红外数据应用于田湾核电厂温排水研究,结果表明空间分辨率为80 m的热红外数据与MODIS热红外数据间有显著线性相关性,温排水扩散分布大致相同,温升范围也基本相似。但CBERS-04热红外数据中的随机条带噪声限制了其在电厂温排水日常监测中的应用。上述两种较高空间分辨率(约100 m)的热红外数据因数据可获得性较低,在电厂温排水研究中使用较少。
AHN等[12]将Landsat-5、Landsat-7热红外数据用于评估韩国永光核电厂温排水季节变化,结果表明基于高空间分辨率(100 m)的专题制图仪(thematic mapper, TM)、增强型专题制图仪(enhanced thematic mapper, ETM+)的热红外数据可以获取详细的温排水信息,如形状、大小和扩散方向等。张彩等[14]、WANG等[15]和MA等[16]利用Landsat-TM/ETM+、HJ-1B、MODIS等3种不同空间分辨率的热红外遥感数据,分别比较分析了大亚湾核电厂、红沿河核电厂及乐清湾火电厂温排水的温升空间分布,发现不同数据源的海面温度在空间分布上具有一致性,但Landsat-TM/ETM+热红外数据展示了更丰富的温排水细节信息。石海岗等[22]以田湾核电厂附近海域为研究区域,采用同日过境的HJ-1B和Landsat-8热红外数据,比较和分析了两种热红外数据温度反演结果的可靠性和一致性,发现温排水扩散分布大致相同,温度范围也基本相似,各级别的温升区面积差别不大,但Landsat-8上搭载的热红外传感器(thermal infrared sensor, TIRS)可以反映更为精细的温度场边缘,监测到的最高温升级别更高,能更准确地描述温排水对周边海域热影响的分布状况。鉴于两种数据在空间分辨率和时间分辨率上各有所长,在电厂温排水监测工作中可以相互补充。Landsat-9于2021年9月27日发射,已有研究针对该卫星热红外数据开展了水体温度的反演。石海岗等[23]利用Landsat-8、Landsat-9热红外数据开展了秦山核电站(秦山核电厂、秦山第二核电厂、秦山第三核电厂、方家山核电厂)9台机组运行时的温排水信息提取工作,发现Landsat系列热红外数据可以基本满足秦山核电站周边海域温度分布研究的需求。 Landsat系列数据由于获取和处理便利、时间跨度较长、空间分辨率高等优势,已成为电厂温排水监测研究中使用最多的热红外数据。
综上可知,虽然AVHRR、MODIS数据的空间分辨率较低,但其时间分辨率高,并具有较高的温度反演精度,适用于大范围的水体温度监测,还可用于其他较高空间分辨率热红外数据的精度验证。HJ-1B数据时空分辨率中等,尚未用于国外电厂温排水的监测研究。ASTER和CBERS-04 IRS数据的空间分辨率较高,但较低的时间分辨率限制了其在电厂温排水连续监测中的应用。Landsat系列卫星空间分辨率较高,虽然时间分辨率较低,但多颗系列卫星传感器间的数据可以互相补充,并且数据的时间跨度长,可用影像数较多,适用于对电厂温排水的长时序连续监测和分析研究。

2 电厂周边水体温度反演

通过求解辐射传输方程可反演滨海电厂周边海域的水体温度,反演模型包括单通道、双通道、多通道等[24]。随着多角度算法的出现,还发展出了多角度和多通道相结合的水体温度反演算法[25]。
单通道算法是基于大气窗口内的热红外通道获得地物的辐射能量建立的定量化反演模型[26]。基于单一波段的地表温度反演主要是通过求解辐射传输方程,涉及的参数包括大气上行辐射和下行辐射、大气透过率和地表比辐射率等,其中大气参数需要结合精确的实时大气廓线数据来计算。由于精确的大气廓线数据难以实时获取,通常利用探空数据或标准大气模式数据替代。覃志豪等[27]曾利用大气平均作用温度估算出大气上行辐射,假定大气下行辐射等于大气上行辐射,并将普朗克函数泰勒展开为线性形式,得到线性辐射传输模型。该方法适用于缺乏大气实时资料的情况,可对大气透过率、有效大气平均作用温度等参数进行估计[28]。谷洪钦等[29]基于Landsat-8热红外传感器TIRS的热红外数据,用上述方法反演滨海电厂周围海温,并与MOD28-L2海温产品比对,反演结果误差一般不超过1.5 ℃。熊攀等[30]综合考虑了温度反演对大气总水汽含量、观测角度和比辐射率等因素的敏感性,研究发现在有气象辅助数据支持的情况下,覃志豪单窗算法[27]能够实现较高的水体温度反演精度。该算法对水汽含量不敏感,但对比辐射率较为敏感。普适性单通道算法在估算水汽含量时的精度依赖性较大,而对比辐射率的敏感性不高。考虑到海水比辐射率变化范围较小,在结合大亚湾核电站周围实测海面温度数据和气象观测资料的基础上,覃志豪单窗算法[27]是一个比较合适的选择。熊攀等[30]通过分析2011年12月18日和22日大亚湾核电站周围的HJ-1B IRS4热红外数据、CE312实测海面红外辐射温度和气象观测数据,采用最小二乘线性回归方法获取参数,修正反演模型参数,建立了适用于大亚湾核电站地区的HJ-1B IRS4海面温度反演模型。基于大气辐射可简化为水汽含量和波长的函数的假设,JIMÉNEZ-MUÑOZ等[31]发展了普适性的单通道温度反演算法。梁珊珊等[13]、BONANSEA 等[32]在使用HJ-1B、Landsat-7、Landsat-8热红外数据反演滨海电厂周围海温时使用了该方法。HJ-1B反演的温度分布与MODIS海温产品基本一致,但温度变化范围更大,表明HJ-1B IRS获取的水体温度信息更丰富。与实测数据相比,Landsat反演温度的均方根误差为0.94 ℃,平均偏差为0.05 ℃。QIN等[33]提出仅需一个热红外通道数据反演地表温度的单通道算法,只需估计少量参数计算地表温度,平均偏差为0.4 ℃。MA等[16]、LIN等[34]在使用Landsat-TM/ETM+、HJ-1B热红外数据反演电厂周围海温时使用了该方法。
双通道算法(也称为劈窗算法)是利用大气窗口内11 μm和12 μm附近的两个热红外通道对大气水汽吸收作用的差异建立线性或非线性组合方式以剔除大气影响,从而反演得到地表温度。纪成等[35]使用该方法基于Landsat-8热红外数据反演了田湾核电厂周围的海温。陈瀚阅[26]将劈窗算法反演得到的地表温度与MOD11_L2海温产品进行对比,海温分布情况基本一致,但劈窗算法反演得到的区域平均温度比MODIS产品高0.22 ℃,对于其中温差超过1 ℃的像元,地表比辐射率估算的差异是造成温差过大的主要原因。
多通道算法是美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)开发的海温反演算法。AHN等[12]利用多通道算法反演了韩国永光核电厂周围AVHRR的海温数据,分析其温排水的影响范围及形状。徐进等[36]利用多通道算法和Landsat-8数据反演了中国红沿河核电厂周围的海温,研究温排水不同温升等级的分布情况和影响范围。王祥等[37]利用多通道算法和Landsat-8数据反演了中国红沿河核电厂周围的海温,并利用布设于渤海海峡的定点浮标观测数据对反演的数据进行精度检验,发现反演温度数据的误差小于1 ℃,证明该方法可用于红沿河核电厂的温排水遥感监测。
综上所述,热红外遥感技术已被广泛用于海面温度监测,然而,传统的海面温度遥感反演模型由于其对大气结构和辐射传输过程进行简化、对模型参数进行经验拟合等特点,在应用于环境条件多变的近海海域时存在不确定性。近年来,水体温度反演领域的创新主要集中在机器学习方法的应用上。机器学习通过学习海面温度数据中的复杂特征和深层次的关联,更准确地捕捉数据之间的模式和规律,无需预先定义具体的模型或未知参数。随机森林(random forest, RF)[38]、支持向量机(support vector machines, SVM)[39]、深度神经网络(deep neural network, DNN)[40]等算法已被证明具有较好的可靠性。随着数据采集技术的进步和计算能力的提升,机器学习方法在水体温度反演方面的应用将变得更加普遍和有效,可为滨海电厂温排水研究提供更有力的数据支持。

3 电厂温排水背景温度信息提取方法

通常认为高于背景温度的水体即为电厂温排水,因此在提取电厂温排水信息时需要先确定周边环境水体背景温度。背景温度可以定义为如果没有温排水发生,现有温排水影响区域水体的平均温度[17]。然而,在现实情况中无法将温排水的影响从真实水体环境中剔除,且温排水区域的水体温度会随时间和空间变化,因此准确提取环境水体的背景温度是电厂温排水信息监测的主要技术难点。目前主要有5种遥感方法用于确定环境水体背景温度,每种方法及其典型案例如下所述。

3.1 海湾平均温度法

统计整个海湾内水体的平均温度,剔除研究区内高于平均温度1 ℃的区域,统计剔除后整个海湾的平均海面温度,以此作为该海湾电厂温排水监测的背景温度。该方法已用于大亚湾核电厂[14,18,41-42](图1)等港湾型电厂温排水信息提取。该方法不仅适用于电厂选址在半封闭港湾的情况,也可应用于开放式海域的电厂温排水信息提取。谷洪钦等[29]、纪成等[35]、张春雷等[43]等基于此方法开展了田湾核电厂的温排水信息提取。由于田湾核电厂东侧与黄海相连,只是后来加长了徐圩港防波堤,排水口附近的海域呈半圆形向东开口,因此田湾核电厂也可以认为是三面封闭、东面开口的环形港湾。WANG等[15]在提取位于开阔海域的红沿河核电厂温排水信息时,将受温排水影响的排水口周围10 km×10 km的区域定义为研究区,计算研究区域内的平均温度,剔除温度高于平均温度1 ℃以上的像素点,将剩余区域的平均温度作为背景温度。徐进等[36]在提取红沿河核电厂温排水信息时,以核电厂为中心,将覆盖核电厂温排水范围的海域作为研究区,剔除距离排水口0.5 km范围内的海面温度,统计其余海域的平均海面温度,作为温排水监测区的背景温度。成丰等[44]在提取位于开阔海域的阳江核电厂温排水信息时,以核电厂为中心,选定不受陆源入海及海流影响的15 km半径范围作为研究区,统计研究区内的平均温度,剔除温排水影响区内高于平均温度1 ℃的区域,统计剩余区域的平均温度作为背景温度。
图1 基于海湾平均温度法提取的大亚湾核电厂温排水温升分布图

(图件改绘自文献[14]。)

Fig.1 Distribution of temperature rise of thermal discharge from Daya Bay Nuclear Power Plant based on the average temperature correction method

(Figure was redrawn from the reference [14].)

该方法的优点是步骤清晰,针对同一电厂得到的背景温度相差不大;缺点是获取的背景温度通常偏低,导致所提取的温排水空间范围过大,常有靠近陆地的高温水体也被识别为温排水。因此该方法不能直接用于温排水信息提取,需要主观确定高出背景温度的阈值来改善温排水信息提取结果。

3.2 区域替代温度法

该方法是将电厂附近区域内不受温排水影响的海域水体的平均温度作为背景温度,主要适用于电厂选址在开放海域的情况。韩涛等[45]在提取海阳核电厂温排水信息时,考虑到不同空间海域本身存在一定的温度梯度,无法选取远海的海面温度作为背景温度,因此采用了核电厂西侧不受温排水影响的核心区的平均温度作为背景温度。王虎[46]、石海岗等[21-22,47]也采用了区域替代温度法提取田湾核电厂温排水信息(图2),采用电厂附近不受温排水影响的连岛北部海域的平均温度作为背景温度。有部分学者将该方法应用于半封闭海湾,例如,ZHANG等[48]选取距离大亚湾核电站10 km,大小为8 km×8 km的正方形区域内海水平均温度作为背景温度(图3)。
图2 基于区域替代温度法的田湾核电厂温排水温升分布图

(图件改绘自文献[47]。)

Fig.2 Distribution of temperature rise of thermal discharge from Tianwan Nuclear Power Plant based on the adjacent-zone substitution method

(Figure was redrawn from the reference [47].)

图3 在大亚湾内采用区域替代温度法的替代区

(图件改绘自文献[48]。)

Fig.3 Reference zone in Daya Bay using adjacent-zone substitution method

(Figure was redrawn from the reference [48].)

这种方法的优点是解决了开阔海域难以获取某个区域内的平均温度作为背景温度的难题。缺点是替代区的确定受主观因素影响,不能代表无温排水影响的常规状态;而且由于选择不同替代区所提取的温排水范围可能相差很大,研究某一电厂温排水时难以确定最优替代区。

3.3 历史温度法

许静[7]在提取宁德核电厂温排水信息时,根据发电前的MODIS和HJ-1B热红外数据,结合多年地面气象数据分析,选择与温排水温升混合区同步变化的、不受温排水影响的区域作为背景温度的参考。
该方法的优点是参考了电厂发电前的历史海温分布情况,可以确定电厂附近海域有无其他明显热污染源;缺点是需要较多历史数据,且历史年份的气候状况与研究年份的可能存在较大差距,简单地将历史年份的温度作为研究年份去除温排水影响后的温度将导致背景温度不够准确。

3.4 根据温度曲线提取核心区法

WEI等[49]通过计算以排水口为圆心的同心圆区域内水体平均温度,绘制背景区域半径-平均温度的曲线,根据曲线稳定处的半径确定混合区(图4),并使用最大海面温度增量的比例(50%或75%)作为轮廓阈值从混合区域中提取核心区域。具体来说,最大海面温度增量被定义为混合区的平均温度加上3个标准差(σ)的总和(遵循3个σ准则是为了避免异常值)。当最大海面温度增量下降到50%或75%时,以此时的温度阈值来提取温排水的核心区域。以75%阈值提取时,提取的核心区域面积较小且距离排水口较近。
图4 大亚湾-岭澳核电站的背景区域半径选择

(白色三角形代表排水口,白色圆圈代表不同的背景区域,红色虚线圆圈为最终确定的背景区域。)

(图件改绘自文献[49]。)

Fig.4 Radius selection of background areas in Daya Bay-Lingao Nuclear Power Plant

(White triangle represents outlet, white circles represent different background areas, and red dashed circle is the final background areas.)

(Figure was redrawn from the reference [49].)

联合平均交集(the mean intersection over union, mIoU)是语义分割模型基于区域的评估指标,用于将温排水的真实情况与像素尺度的预测分割进行比较。由于50%阈值的mIoU实验结果更好,因此最终使用50%阈值来提取温排水的核心区域。
该方法的优点是抓住了电厂排水口附近海水温度随着水动力混合逐渐降低的特征,提取出的温排水信息具有较好的物理含义;缺点是背景区域半径-平均温度的曲线仅能确定混合区的范围,从混合区到核心区的确定仍需多组实验来确定最大海面温度增量下降的最佳区间。

3.5 温度剖面法

DAI等[50]通过分析与田湾核电厂相同纬度的海面温度剖面(图5),发现在距离核电厂排放口约15 km处存在一个海温相对最低的区域,并将该处海温作为电厂周围海域的背景温度。
图5 与田湾核电厂在同一纬度上的海面温度剖面

(图件改绘自文献[50]。)

Fig.5 Sea surface temperature profile on the same latitude as the Tianwan Nuclear Power Plant

(Figure was redrawn from the reference [50].)

该方法的优点是抓住了电厂排水口附近海水温度随着水动力混合由近及远逐渐降低的特征,提取出的温排水具有较好的物理含义;缺点是从温度剖面曲线获取海温相对最低的区域时缺少客观判断的参数,忽略了温排水不止向纬度方向扩散的实际情况,当存在多处海温较低区域时缺乏选择依据。

4 温排水时空统计分析

早期在使用热红外遥感技术监测电厂温排水时,多数研究是基于电厂周围环境水体温度开展定性分析[11-12,16,34,51⇓⇓⇓⇓-56]。另外,受热红外遥感卫星重访周期、研究区域云覆盖等影响,高质量的热红外数据影像数量有限,有时甚至只能用一景数据来代表某时间段的温排水监测数据进行季节性分析[51]。近年来,随着热红外卫星遥感技术的发展,电厂温排水长时序观测成为可能,从而促进了电厂温排水时空统计分析方面的研究工作。目前电厂温排水时空分析方法主要包括长时序分析、温升包络线分析与温排水出现概率分析等。
温排水长时序分析是以热红外数据获取时间为横坐标,以温排水温升信息(如等级、面积等)为纵坐标,获得温排水随时间变化的统计分布结果。NIE等[57]利用Landsat数据对田湾核电厂运行后的海面温度变化开展了研究,基于温排水长时序的监测结果统计分析了温排水的总体变化情况(图6)。分析结果表明,温排水面积随时间总体呈上升趋势。温排水长时序统计分布图可以直观、定量地描述温排水信息,包括面积参数的空间分布特征和时间变化规律,可以作为电厂温排水日常监测分析的有效手段。
图6 2001—2020年田湾核电厂温排水不同温升等级面积的统计分布图

(图件改绘自文献[57]。)

Fig.6 Statistical distribution of areas with different temperature rise grades of thermal discharge from Tianwan Nuclear Power Plant from 2001 to 2020

(Figure was redrawn from the reference [57].)

温排水长时序分析研究工作也催生了温排水温升包络线[48,58]、温排水出现概率[19,32,49]等分析方法。这些方法可以更细致、客观地评价温排水对周边环境的影响。
电厂温排水温升包络线分析是指将多期电厂温排水遥感监测结果进行叠加合并分析后提取温升等值线等信息[58]。ZHANG等[48]利用1993—2020年Landsat热红外数据绘制出了大亚湾核电厂周边海域水体温度的季节性等值线图(图7)。从图中可以看出,各季节的低温升等级(+2 ℃和+3 ℃)的覆盖面积较大,呈扇形向外扩散;而高温升等级(+6 ℃和+7 ℃)的覆盖面积较小,主要集中在核电厂排水口附近。
图7 1993—2020年大亚湾核电厂温排水温升包络线的季节变化

(图件改绘自文献[48]。)

Fig.7 Seasonal variation of temperature rise envelope of thermal discharge from Daya Bay Nuclear Power Plant from 1993 to 2020

(Figure was redrawn from the reference [48].)

温排水出现概率分析是指在提取出所有有效观测的温排水之后,逐像元计算该像元出现温排水的概率。FAULKNER等[19]将此方法应用于Landsat-8和ASTER热红外数据,将提取出的温排水区像元重分类为1,非温排水区像元重分类为0,得到与观测次数相同的重分类后的栅格影像,然后进行栅格像元叠加统计,计算每个像元出现温排水的概率,以概率形式表示温排水出现的可能性,得到温排水出现概率密度(图8)。
图8 2000—2019年英国希舍姆核电厂温排水出现的概率密度图

(图件改绘自文献[19]。)

Fig.8 Probability density map of thermal discharge from Heysham Nuclear Power Plant in the UK from 2000 to 2019

(Figure was redrawn from the reference [19].)

温排水温升包络线分析与概率密度分析展示了温排水在时空分布方面的特征,可用于定量描述电厂温排水的影响范围和强度,进而研究电厂热排放对周边水体环境的影响程度。
随着电厂温排水时空分析方法不断发展,基于不同时间和空间尺度开展温排水变化分析是当前研究的热点。时间日尺度分析可揭示温排水的短期变化,有助于监测特定时间段内的异常情况,如核电厂换料、修改和事故停堆等;季节尺度分析能够展现温排水的季节性变化规律,有助于研究温排水如何影响周边海域环境;年尺度分析可揭示长期趋势和周期性变化,有助于评估温排水的年度变化趋势和长期影响。在空间局部尺度上分析可帮助了解特定电厂温排水的变化,有利于该电厂日常监测和管理;区域尺度如我国电厂温排水分析有助于制定我国环境保护政策和措施;全球尺度分析能够探讨全球范围内电厂温排水对气候和生态系统的影响,有助于全球环境管理和气候变化研究。通过在不同时间尺度和空间尺度上进行温排水变化分析,可以全面了解温排水的时空分布特征,揭示其规律性和变化趋势,为环境保护、资源管理和海洋可持续发展提供科学依据和决策支持。
随着大数据技术和统计学方法的不断发展,未来可将时间序列分析、空间自相关分析、机器学习等方法综合应用于电厂温排水研究,实现对温排水时空分布的精细化统计分析。首先,收集长时间序列温排水数据,进行平稳性检验和趋势分析,以揭示其长期趋势以及季节性和年度变化;进一步利用机器学习方法及大数据技术进行并行计算,加速数据处理和分析过程,发现温排水信息背后的变化规律。这些方法的应用将为电厂温排水研究提供更深入的调查方法,促进电厂温排水监测与管理的现代化和智能化发展。

5 温排水影响因素分析

在获取电厂温排水信息的基础上,前人[19,48-49,57]也开展了温排水强度、空间形态及分布范围等参数的影响因素分析。归纳来说,电厂温排水主要受地理环境、排水口类型、潮汐状态、季节及运行机组数量等因素影响。

5.1 地理环境影响

电厂温排水的形态与强度在不同地理环境下存在显著差异。WEI等[49]根据选址情况将电厂划分为四种位置类型,分别为海湾型、河口型、开阔海域型和湖泊型。该研究发现,位于湖泊区域的电厂温排水平均面积最大,其次是海湾区域和开阔海域,位于河口区域的电厂温排水面积最小。位于湖泊区域的电厂温排水影响距离最远,而位于河口区域的影响距离最短。四种类型电厂温排水的空间形态(外接矩形纵横比)表明温排水扩散是各向异性的。特别是在开阔海域,电厂温排水的空间形态表现为高纵横比,表明处于开阔海域的电厂温排水倾向于沿海岸线呈细长带状分布。

5.2 排水口类型影响

WEI等[49]对全球66个核电厂的总计74个排水口进行了分析,根据排水类型将排水口分为浅层排水口(63个)和深层排水口(11个)。浅层排水口将温排水直接排放到水面或通过明渠排出;深层排水口通过水下隧道排出温排水,可以通过其热羽流特征进行识别(图9)。浅层排水口类型的温排水直接影响电厂所在周边海面温度,而深层排水口类型的温排水通过浮力、湍流[59-60]等水动力因素影响附近海水温度。该研究表明,浅层排水口类型温排水相比深层排水口类型具有更高的海面温度增量,且该增量的变异系数更大。
图9 深、浅层排水口类型温排水的高分辨率真彩色图像

(图件改绘自文献[49]。)

Fig.9 High-resolution true color images of thermal discharge from deep and shallow outlet types

(Figure was redrawn from the reference [49].)

5.3 潮汐状态影响

FAULKNER等[19]利用遥感高分辨率图像和实测潮汐数据对英国的两座核电厂温排水空间形态进行了分析。结果表明,涨潮和落潮期间电厂温排水的空间形态有较大差异,温排水扩散方向取决于海流流向,温排水分布面积取决于海流强度。位于海湾内潮间带的希舍姆核电厂,其温排水空间形态呈狭长形,在落潮期间向西南流动,长度为5 ~7 km;在涨潮期间向东南方向的河口扩散或向北回流进入希舍姆港,长度为3.5~4 km。位于开阔海域的塞兹韦尔核电厂,其温排水范围是与潮流(涨潮时向南,落潮时向北)方向相同的,长度为3.5~10 km的狭长水域。在落潮中期,海流较强,羽状流略微远离海岸,覆盖面积较大,涨潮期间的温排水较落潮时更靠近海岸。

5.4 季节影响

NIE等[57]对田湾核电厂温排水的季节变化研究发现,春季的温排水面积最大,其后依次为夏季、冬季和秋季。春季温排水区域较为混杂,而其他季节不同温排水等级的区域边界较为清晰(图10)。四个季节温排水分布的共性是温度升高的强度越大,温升区域越小。ZHANG等[48]统计了大亚湾海域不同季节的风速和风向,计算了不同风速和风向对应的温排水增温区面积。春季,在有利风与不利风下的温排水面积相差1.35 km2;秋季,在有利风下的温排水较不利风下的面积大70%;在夏季,西风为有利于电厂温排水离岸扩散的风向。
图10 田湾核电厂温排水季节分布

(图件改绘自文献[57]。)

Fig.10 Seasonal distribution of thermal drainage from Tianwan Nuclear Power Plant

(Figure was redrawn from the reference [57].)

5.5 运行机组数量影响

ZHANG等[48]根据大亚湾核电厂1993—2020年温排水温升包络线的年际变化发现,温排水面积随着核电厂装机容量的增加而增加。此外,在大亚湾核电厂温排水影响区和非影响区,距离海岸线不同距离分别选取3个试验区和3个对照区,计算试验区和对照区的温差,发现海面温度增加量与核电厂装机容量之间均存在显著的线性关系,且核电厂装机容量增加导致的距离海岸线2 km以内海域海面温度增幅大于距离海岸线2~5 km范围内的海域。总的来说,装机容量的增加导致更多的热量释放到海洋中,进而导致更大区域的海面温度增加。
系统动力学模型是一种用来描述和分析动态系统中各个组成部分之间相互作用关系的数学模型。这种模型主要用于研究系统内部各个元素之间的反馈机制和影响。采用系统动力学模型来分析影响电厂温排水特性的各种因素之间的相互作用是一种有效的研究手段,可以深入探究这些因素之间的复杂关系,帮助理解电厂温排水特性的变化规律。地理环境因素如水文地质条件、气候等可能影响温排水的散热效果和传播路径;不同类型的排水口对温排水的排放方式和温度场垂直分布产生不同的影响,进而影响到周围水体的温度分布;潮汐状态会影响水体流动情况,对温排水的扩散速率及方向产生影响,尤其在沿海地区更为显著;季节变化会导致环境条件的变化,如气温、水温等,进而影响温排水的散热效果和周围水体的温度;电厂运行机组数量的增减会影响温排水的产生量和排放条件,进而对周围水体产生影响。未来可以通过建立系统动力学模型,分析这些因素之间的复杂相互作用,帮助揭示电厂温排水变化的规律,并为相关环境管理和决策提供科学依据。

6 结论与展望

本文系统阐述了热红外遥感监测滨海电厂温排水研究的现状,包括遥感数据源、水体温度反演、温排水背景温度信息提取、温排水时空统计及其影响因素分析等多个方面,并通过具体案例展示了热红外遥感监测滨海电厂温排水的具体进展。主要结论和展望如下所述。
1)滨海电厂温排水热红外遥感监测受热红外数据时空分辨率限制。气象和水色卫星因空间分辨率较低,会产生混合像元效应,无法精细监测温排水空间分布形态及范围。陆地卫星时间分辨率较低,受天气影响较大,云遮挡降低了可用热红外影像的数量。未来可通过加强热红外传感器时空分辨率设置(例如增加卫星数量),同时结合航空遥感和航天遥感,研发多源热红外数据融合算法,并将机器学习和深度学习方法运用于温度反演,提高热红外遥感监测电厂温排水的能力。
2)滨海电厂温排水遥感监测方法有待完善。针对不同地理环境的滨海电厂,目前不同方法提取的温排水范围存在较大差异,具体参数的确定缺乏客观依据。未来需要进一步发展适用于不同选址类型滨海电厂的客观高效的背景温度确定和温排水信息提取方法。
3)滨海电厂温排水遥感监测研究向长时序定量化发展。通过创建长时序的温排水遥感监测数据集,可探究温排水在不同工况及环境状态下的时空分布特征和变化规律。未来有望通过跨学科发展,结合大数据技术和统计学方法,应用时间序列分析、空间自相关分析、机器学习等方法,实现对电厂温排水时空分布的精细化分析,促进电厂温排水监测与管理的现代化和智能化发展。
4)滨海电厂温排水主要受排水口类型、地理环境、潮汐状态、季节及运行机组数量等因素影响,目前尚缺乏对影响因素相互作用的系统性研究。未来将在解析相关影响因素的基础上,结合系统动力学模型,探究不同种类电厂温排水的主要影响因素及这些因素之间的复杂相互作用。
5)深入开展基于卫星热红外遥感监测信息的滨海电厂温排水环境影响评价研究。通过获取不同受纳水体中温排水的时空范围、强度等遥感监测信息(如排水口的高温极值、取排水口间最高温差、温排水分布范围等),有助于对滨海电厂温排水的热污染问题进行准确评估和评价,在必要时通过技术手段和措施加以调控,进而减少温排水造成的环境热污染。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李慧鹏. 火电厂冷却技术改造的成本效益分析:以江苏为例[D]. 南京: 南京大学, 2017.

LI H P. Cost-benefit analysis of cooling technology transfor-mation in thermal power plant—Taking Jiangsu as an example[D]. Nanjing: Nanjing University, 2017.

[2]
曾江宁. 滨海电厂温排水对亚热带海域生态影响的研究[D]. 杭州: 浙江大学, 2008.

ZENG J N. Study on the ecological impact of warm drainage from coastal power plants on subtropical waters[D]. Hangzhou: Zhejiang University, 2008.

[3]
黄晓琛, 陈雪初, 彭欣, 等. 滨海电厂温排水对海洋环境的影响研究进展[J]. 海洋环境科学, 2014, 33(6):972-976.

HUANG X C, CHEN X C, PENG X, et al. The research progress of the impact of thermal discharge from coastal power plants on marine environment[J]. Marine Environmental Science, 2014, 33(6): 972-976.

[4]
陈惠泉, 许玉麟, 贺益英. 火/核电厂冷却水试验研究50年的进展和体验[J]. 中国水利水电科学研究院学报, 2008, 6(4):288-298.

CHEN H Q, XU Y L, HE Y Y. Progress and experience of 50 years’ study on cooling water circulation of thermal/nuclear power plants[J]. Journal of China Institute of Water Resources and Hydropower Research, 2008, 6(4): 288-298.

[5]
程杭平, 韩曾萃. 热污染的一、二维耦合模型及其应用[J]. 水动力学研究与进展:A辑, 2002, 17(6):647-655.

CHENG H P, HAN Z C. 1-D and 2-D coupling modeling for thermal pollution and application[J]. Journal of Hydrodynamics, 2002, 17(6): 647-655.

[6]
ZENG G G, GUAN W B, ZENG J N, et al. 3D modeling of the thermal effluents dispersion from power plants in the Xiangshan Bay[J]. Energy Education Science and Technology Part A: Energy Science and Research, 2011, 28(1): 71-82.

[7]
许静. 基于HJ-1B红外相机监测宁德核电温排水研究[D]. 北京: 中国地质大学, 2014.

XU J. The study on monitoring thermal discharge of Ningde nuclear power plant with HJ-1B infrared camera data[D]. Beijing: China University of Geosciences, 2014.

[8]
滨海核电厂温排水卫星遥感监测技术规范(试行):HJ 1213—2021[S]. 2022.

Technical specification to thermal discharge monitoring for coastal nuclear power plants based on satellite remote sensing(on trial): HJ 1213—2021[S]. 2022.

[9]
朱利, 吴国增, 张爱玲, 等. 我国滨海核电厂温排水遥感监测与评价技术研究及应用[J]. 中国科技成果, 2014(9):21-23.

ZHU L, WU G Z, ZHANG A L, et al. Research and application of remote sensing monitoring and evaluation technology for thermal discharge of coastal nuclear power plants in China[J]. China Science and Technology Achieve-ments, 2014(9): 21-23.

[10]
李嵘. 遥感技术在水环境监测中的应用研究[J]. 江西化工, 2005(4):49-51.

LI R. Application of remote sensing technology in water environment monitoring[J]. Jiangxi Chemical Industry, 2005(4): 49-51.

[11]
TANG D L, KESTER D R, WANG Z D, et al. AVHRR satellite remote sensing and shipboard measurements of the thermal plume from the Daya Bay, nuclear power station, China[J]. Remote Sensing of Environment, 2003, 84(4): 506-515.

[12]
AHN Y H, SHANMUGAM P, LEE J H, et al. Application of satellite infrared data for mapping of thermal plume contamination in coastal ecosystem of Korea[J]. Marine Environmental Research, 2006, 61(2): 186-201.

[13]
梁珊珊, 张兵, 李俊生, 等. 环境一号卫星热红外数据监测核电站温排水分布——以大亚湾为例[J]. 遥感信息, 2012, 27(2):41-46.

LIANG S S, ZHANG B, LI J S, et al. Distribution of therm-water pollution of nuclear power plant using the thermal infrared band of HJ-IRS data-taking Daya Bay as an example[J]. Remote Sensing Information, 2012, 27(2): 41-46.

[14]
张彩, 朱利, 贾祥, 等. 不同空间分辨率热红外数据在近海核电厂温排水监测一致性研究[J]. 遥感信息, 2015, 30(2):71-76.

ZHANG C, ZHU L, JIA X, et al. Consistency of different spatial resolution thermal infrared data in monitoring thermal discharge of nuclear power plant in coastal area[J]. Remote Sensing Information, 2015, 30(2): 71-76.

[15]
WANG X, WANG X X, FAN J C, et al. Comparison of different spatial resolution thermal infrared data in monitoring thermal plume from the Hongyanhe nuclear power plant[C]// 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 10-15, 2016, Beijing, China. IEEE, 2016: 4649-4652.

[16]
MA P, DAI X Y, GUO Z Y, et al. Detection of thermal pollution from power plants on China’s eastern coast using remote sensing data[J]. Stochastic Environmental Research and Risk Assessment, 2017, 31(8): 1957-1975.

[17]
朱利. 基于环境一号红外相机的田湾核电厂温排水遥感监测研究[C]// 第十六届中国环境遥感应用技术论坛论文集, 2012:84-89.

ZHU L. Remote sensing monitoring of thermal discharge from Tianwan nuclear power plant based on HJ-1 infrared camera[C]// Proceedings of the 16th China environmental remote sensing application technology forum, 2012: 84-89.

[18]
许静, 朱利, 姜建, 等. 基于HJ-1B与TM热红外数据的大亚湾核电基地温排水遥感监测[J]. 中国环境科学, 2014, 34(5):1181-1186.

XU J, ZHU L, JIANG J, et al. Monitoring thermal discharge in Daya Bay plant based on thermal infrared band of HJ-1B and TM remote sensing[J]. China Environmental Science, 2014, 34(5): 1181-1186.

[19]
FAULKNER A, BULGIN C E, MERCHANT C J. Coastal tidal effects on industrial thermal plumes in satellite imagery[J]. Remote Sensing, 2019, 11(18): 2132.

[20]
ABRAMS M, HOOK S J. Simulated ASTER data for geologic studies[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(3): 692-699.

[21]
石海岗, 梁春利, 张建永, 等. 基于CBERS-04星田湾核电温排水遥感监测研究[J]. 地理空间信息, 2019, 17(12):75-79,10.

SHI H G, LIANG C L, ZHANG J Y, et al. Remote sensing monitoring of thermal water discharge in Tianwan nuclear power plant based on CBERS-04[J]. Geospatial Information, 2019, 17(12): 75-79, 10.

[22]
石海岗, 张春雷, 张建永, 等. Landsat8和HJ-1B海面温度监测可靠性和一致性研究[J]. 地理空间信息, 2017, 15(11):67-70,87,10.

SHI H G, ZHANG C L, ZHANG J Y, et al. Research on reliability and consistency of the sea temperature monitoring based on Landsat8 and HJ-1B[J]. Geospatial Information, 2017, 15(11): 67-70, 87, 10.

[23]
石海岗, 梁春利, 薛庆, 等. 基于卫星遥感的秦山核电周边海域温度分布研究[J/OL]. 自然资源遥感. https://link.cnki.net/urlid/10.1759.P.20240204.1537.004

SHI H G, LIANG C L, XUE Q, et al. Study on tempera-ture distribution in the sea area around Qinshan nuclear power plant based on satellite remote sensing[J/OL]. Remote Sensing for Natural Resources. https://link.cnki.net/urlid/10.1759.P.20240204.1537.004

[24]
甘甫平, 陈伟涛, 张绪教, 等. 热红外遥感反演陆地表面温度研究进展[J]. 国土资源遥感, 2006, 18(1):6-11.

GAN F P, CHEN W T, ZHANG X J, et al. The progress in the study of thermal infrared remote sensing for retrieving land surface temperature[J]. Remote Sensing for Land & Resources, 2006, 18(1): 6-11.

[25]
祝善友, 张桂欣, 尹球, 等. 地表温度热红外遥感反演的研究现状及其发展趋势[J]. 遥感技术与应用, 2006, 21(5):420-425.

ZHU S Y, ZHANG G X, YIN Q, et al. Actualities and development trends of the study on land surface temperature retrieving from thermal infrared remote sensing[J]. Remote Sensing Technology and Application, 2006, 21(5): 420-425.

[26]
陈瀚阅. 劈窗算法陆表温度反演精度比较与敏感性分析[D]. 福州: 福建师范大学, 2010.

CHEN H Y. Accuracy comparison and sensitivity analysis of land surface temperature inversion based on split window algorithm[D]. Fuzhou: Fujian Normal University, 2010.

[27]
覃志豪, ZHANG M H, KARNIELI A, 等. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001, 56(4):456-466.

DOI

QIN Z H, ZHANG M H, KARNIELI A, et al. Mono-window algorithm for retrieving land surface temperature from Landsat TM6 data[J]. Acta Geographica Sinica, 2001, 56(4): 456-466.

DOI

[28]
覃志豪, KARNIELI A. 用NOAA-AVHRR热通道数据演算地表温度的劈窗算法[J]. 国土资源遥感, 2001, 13(2):33-42.

QIN Z H, KARNIELI A. Split window algorithms for retrieving land surface temperature from NOAA-AVHRR data[J]. Remote Sensing for Land & Resources, 2001, 13(2): 33-42.

[29]
谷洪钦, 邹国良, 马进荣. Landsat-8 TIRS数据在某核电站温排水监测中应用探讨[J]. 海洋科学, 2016, 40(10):76-81.

GU H Q, ZOU G L, MA J R. Thermal plume monitoring of nuclear power plant based on Landsat-8 TIRS data[J]. Marine Sciences, 2016, 40(10): 76-81.

[30]
熊攀, 朱利, 顾行发, 等. 基于HJ-1B星热红外数据的大亚湾海温反演模型及其应用[J]. 国土资源遥感, 2014, 26(1):132-138.

XIONG P, ZHU L, GU X F, et al. Sea water temperature retrieval model for Daya Bay based on HJ-1B thermal infrared remote sensing data and its application[J]. Remote Sensing for Land & Resources, 2014, 26(1): 132-138.

[31]
JIMÉNEZ-MUÑOZ J C, SOBRINO J A. A generalized single-channel method for retrieving land surface tempera-ture from remote sensing data[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D22): 4688.

[32]
BONANSEA M, FERRERO S, FERRAL A, et al. Assessing water surface temperature from Landsat imagery and its relationship with a nuclear power plant[J]. Hydrological Sciences Journal, 2021, 66(1): 50-58.

[33]
QIN Z, KARNIELI A, BERLINER P. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2001, 22(18): 3719-3746.

[34]
LIN Y, GUO Z Y, KAN P P, et al. Research on thermal discharge pollution of Xiangshan power plant based on remote sensing[J]. Advanced Engineering Forum, 2012, 6/7: 128-134.

[35]
纪成, 蒋廷臣, 罗文奇. 基于Landsat-8数据的田湾核电站温排水分布研究[J]. 海洋测绘, 2020, 40(2):57-60.

JI C, JIANG T C, LUO W Q. Study on the distribution of thermal drainage in Tianwan nuclear power station based on landsat-8 data[J]. Hydrographic Surveying and Charting, 2020, 40(2): 57-60.

[36]
徐进, 王海霞, 曲颖丽, 等. 核电厂温排水遥感定量监测方法研究[J]. 地理信息世界, 2019, 26(1):82-86.

XU J, WANG H X, QU Y L, et al. Research on thermal effluent quantitative remote sensing monitoring method for nuclear power station[J]. Geomatics World, 2019, 26(1): 82-86.

[37]
王祥, 苏岫, 王新新, 等. 基于Landsat-8卫星数据的红沿河核电站温排水监测[J]. 红外, 2015, 36(8):22-27.

WANG X, SU X, WANG X X, et al. Thermal plume monitoring of Hongyanhe Nuclear Power Plant based on Landsat-8 satellite data[J]. Infrared, 2015, 36(8): 22-27.

[38]
SUNDER S, RAMSANKARAN R, RAMAKRISHNAN B. Machine learning techniques for regional scale estimation of high-resolution cloud-free daily sea surface temperatures from MODIS data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 166: 228-240.

[39]
LINS I D, ARAUJO M, DAS CHAGAS MOURA M, et al. Prediction of sea surface temperature in the tropical Atlantic by support vector machines[J]. Computational Statistics & Data Analysis, 2013, 61: 187-198.

[40]
AI B, WEN Z, JIANG Y C, et al. Sea surface temperature inversion model for infrared remote sensing images based on deep neural network[J]. Infrared Physics & Technology, 2019, 99: 231-239.

[41]
ZHU L, YIN S J, WU C Q, et al. Remote sensing monitoring of thermal discharge in Daya Bay Nuclear Power Station based on HJ-1 infrared camera[C]// Ocean Remote Sensing and Monitoring from Space, Beijing, China. SPIE, 2014: 182-187.

[42]
CHEN C Q, SHI P, MAO Q W. Application of remote sensing techniques for monitoring the thermal pollution of cooling-water discharge from nuclear power plant[J]. Journal of Environmental Science and Health Part A, Toxic/Hazardous Substances & Environmental Engineering, 2003, 38(8): 1659-1668.

[43]
张春雷, 高丽辉, 石海岗, 等. 田湾核电温排水遥感监测与数模一致性分析[J]. 环境监测管理与技术, 2018, 30(3):67-71.

ZHANG C L, GAO L H, SHI H G, et al. Consistency analysis on remote sensing monitoring and numerical simulation of cooling water from Tianwan nuclear power plant[J]. The Administration and Technique of Environmental Monitoring, 2018, 30(3): 67-71.

[44]
成丰, 朱利, 吴传庆, 等. 基于遥感数据的核电站温排水季节性分布监测分析:以阳江核电站为例[J]. 环境保护, 2017, 45(4):44-48.

CHENG F, ZHU L, WU C Q, et al. Application of remote sensing data for monitoring seasonal distribution of thermal plume from nuclear power plant: A case study of Yangjiang nuclear power plant[J]. Environmental Protection, 2017, 45(4): 44-48.

[45]
韩涛, 张阔, 王方, 等. 基于Landsat8的海阳核电厂周边海域水温监测[J]. 地理空间信息, 2022, 20(9):81-85,94.

HAN T, ZHANG K, WANG F, et al. Sea surface tempera-ture monitoring around Haiyang nuclear power plant based on Landsat8[J]. Geospatial Information, 2022, 20(9): 81-85, 94.

[46]
王虎. 基于卫星热红外数据的田湾核电温排水监测[J]. 地理空间信息, 2022, 20(5):48-53.

WANG H. Thermal discharge monitoring of Tianwan nuclear power plant based on satellite thermal infrared data[J]. Geospatial Information, 2022, 20(5): 48-53.

[47]
石海岗, 王虎, 章新益, 等. 基于遥感技术的田湾核电周边海域环境监测[J]. 地理空间信息, 2023, 21(1):94-100.

SHI H G, WANG H, ZHANG X Y, et al. Sea region environment monitoring surrounding Tianwan nuclear power plant based on remote sensing technology[J]. Geospatial Information, 2023, 21(1): 94-100.

[48]
ZHANG Z H, WANG D F, CHENG Y H, et al. Long-term changes and factors that influence changes in thermal discharge from nuclear power plants in Daya Bay, China[J]. Remote Sensing, 2022, 14(3): 763.

[49]
WEI J W, FENG L, TONG Y, et al. Long-term observation of global nuclear power plants thermal plumes using Landsat images and deep learning[J]. Remote Sensing of Environ-ment, 2023, 295: 113707.

[50]
DAI X Y, GUO Z Y, LIN Y, et al. Application of satellite remote sensing data for monitoring thermal discharge pollution from Tianwan nuclear power plant in Eastern China[C]// 2012 5th International Congress on Image and Signal Processing, October 16-18, 2012, Chongqing, China. IEEE, 2012: 1019-1023.

[51]
周颖, 巩彩兰, 匡定波, 等. 基于环境减灾卫星热红外波段数据研究核电厂温排水分布[J]. 红外与毫米波学报, 2012, 31(6):544-549.

ZHOU Y, GONG C L, KUANG D B, et al. Distribution of thermal discharge from a power plant: Analysis of thermal infrared data from the environmental mitigation satellite[J]. Journal of Infrared and Millimeter Waves, 2012, 31(6): 544-549.

[52]
ROY P, RAO I N, MARTHA T R, et al. Discharge water temperature assessment of thermal power plant using remote sensing techniques[J]. Energy Geoscience, 2022, 3(2): 172-181.

[53]
MUTHULAKSHMI A L, NATESAN U, FERRER V A, et al. A novel technique to monitor thermal discharges using thermal infrared imaging[J]. Environmental Science Processes & Impacts, 2013, 15(9): 1729-1734.

[54]
LIU Y L, HUANG S T, YI P Y, et al. The thermal discharge retrieve and analysis of Hongyanhe district with Landsat-8 and GF-5 image[J]. IOP Conference Series: Earth and Environmental Science, 2020, 569(1): 012062.

[55]
HUANG S J, LIN J T, LO Y T, et al. The coastal sea surface temperature changes near the nuclear power plants of northern Taiwan province observed from satellite images[C]// OCEANS 2014-TAIPEI, April 7-10, 2014, Taipei, China. IEEE, 2014: 1-5.

[56]
WANG D F, PAN D L, WEI J A, et al. Monitoring thermal discharge from a nuclear plant through Landsat 8[C]// Remote Sensing of the Ocean, Sea Ice, Coastal Waters, and Large Water Regions 2016, Edinburgh, United Kingdom. SPIE, 2016: 99991E.

[57]
NIE P J, WU H, XU J, et al. Thermal pollution monitoring of Tianwan nuclear power plant for the past 20 years based on Landsat remote sensed data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 6146-6155.

[58]
王任飞, 杨红艳, 朱利, 等. 温升包络线在核电站温排水监测中的应用[J]. 环境监测管理与技术, 2020, 32(1):49-52.

WANG R F, YANG H Y, ZHU L, et al. Application of temperature rise envelop in thermal discharge from nuclear power plant[J]. The Administration and Technique of Environmental Monitoring, 2020, 32(1): 49-52.

[59]
YAN E P, LIN H, WANG G X, et al. Multi-resolution mapping and accuracy assessment of forest carbon density by combining image and plot data from a nested and clustering sampling design[J]. Remote Sensing, 2016, 8(7): 571.

[60]
张琨, 张爱玲, 覃春丽, 等. CORMIX与二维数模、物模在滨海核电厂温排水近区模拟中的比对研究[J]. 海洋科学进展, 2017, 35(1):117-123.

ZHANG K, ZHANG A L, QIN C L, et al. Comparison between CORMIX and traditional models on the simulation of coastal nuclear power plant water discharge[J]. Advances in Marine Science, 2017, 35(1): 117-123.

Options
文章导航

/

〈 〉