云南省九大高原湖泊水體面積時空變化研究

盧麗琛　洪亮　

摘要：基于Google Earth Engine（GEE）云平臺和長時序的Landsat遙感影像，研究了近30 a云南省九大高原湖泊水體面積的時空變化趨勢，并在此基礎上分析了湖泊水體面積變化的驅動因素。研究結果表明：① 云南省九大高原湖泊表面水體面積由1988年的1 024.91 km2減少至2018年的1 000.98 km2，總體呈“先增加后減少”的趨勢，總面積減少了23.93 km2。② 大部分高原湖泊的水體面積保持穩定，但從2008年以后，杞麓湖和異龍湖的水體面積明顯縮小。③ 影響因素分析結果表明：九大高原湖泊水體總面積的變化在2013～2017年和降水的變化呈顯著正相關（R=0.9，p=0.08），在1988～2018年與氣溫呈負相關性（R=-0.63，p=0.001）;影響九大高原湖泊水體面積變化的主要人為因素包括湖泊流域的土地利用變化以及政府的經濟發展和湖泊保護政策。區域氣候變化和人類活動共同影響了云南省九大高原湖泊水體的面積變化。

關鍵詞：高原湖泊; 水體面積; 水體指數; Otsu算法; Google Earth Engine; Landsat遙感影像; 云南省

中圖法分類號： P343

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.10.019

0引 言

在云貴高原，地表水資源是區域社會經濟可持續發展的關鍵因素 [1-3]，湖泊作為地表水資源的重要組成部分，它既調節著生態系統，又影響著社會經濟增長。隨著全球變暖，湖泊水體面積變化已經成為區域生態環境和氣候變化的敏感指標之一[4-8]。近幾十年來，由于云貴高原氣候變化和人類活動的加劇，高原湖泊水體面積不斷縮小，給區域環境和生態系統帶來了較大威脅[9-11]。因此，開展云南省九大高原湖泊水體面積變化的監測和分析研究，對區域經濟發展、生態環境保護和高原湖泊治理等都具有重要意義。

近幾十年來，遙感技術被廣泛應用于湖泊水體面積變化監測 [12-14]。目前，基于遙感影像的湖泊表面水體提取方法主要有：單波段閾值法、監督和非監督分類方法、水體指數法。其中，單波段閾值法利用水體與其他地物在近紅外、短波紅外波段的差異，確定合適閾值，提取水體信息，但是該方法易受到建筑物和山體陰影的影響[15];監督分類和非監督分類算法利用光譜特征的統計特性進行分類，如，K-均值、支持向量機、隨機森林等算法廣泛應用于湖泊水體提取，這類算法精度高，但容易受到地理環境訓練樣本數量、質量的影響，故不適用于大范圍、長時序的湖泊水體信息提取[16]。水體指數法利用近紅外波段或中波紅外波段與可見光波段（紅、綠、藍）和短波紅外的光譜信息差異，通過構建上述波段之間的比值關系提取水體面積，計算簡單，水體提取精度較高。常用水體指數包括：NDWI（normalized difference water index）、MNDWI（modification of normalized difference water index）和AWEI（automated water extraction index）等，目前已經成為提取湖泊水體面積最常用的方法[17]，已成功應用于湖泊、城市景觀水體和河流等地表水體的提取及動態監測方面 [18]，但是由于不同地理環境的水體具有一定光譜差異性，使得各種水體指數的提取精度受到閾值影響 [19-20]。

近年來，云計算和對地觀測能力迅速發展[21]，特別是GEE（Google Earth Engine）遙感大數據平臺的出現[22-23]，為研究人員開展全球或區域尺度下資源環境要素的長時序監測提供了技術支撐。GEE已經成功應用于大尺度的紅樹林分布、土地覆蓋制圖、不透水表面提取和湖泊水體監測等方面[24-28]。

為數不多的云南省長時序高原湖泊水體面積變化監測研究通常采用如下步驟：先下載研究區的遙感影像，再利用專業軟件對影像進行預處理，最后手動或半自動提取湖泊水體面積[29]，該種方式提取效率低并且容易受云霧的影響。而GEE平臺為長時序連續、大尺度的湖泊水體面積變化研究提供了一種新途徑。因此，本研究基于GEE云平臺和長時序Landsat遙感數據，對云南省九大高原湖泊水體進行面積提取、時空變化研究以及影響因素的分析。主要研究內容包括：① 基于GEE平臺，采用常用的4種水體指數，利用Otsu算法確定每種水體指數的最優閾值，分別提取云南省九大高原湖泊水體面積，并對不同水體指數進行精度評價，確定每一個湖泊的最佳水體指數和最優閾值;② 利用最佳水體指數和最優閾值提取1988～2018年云南省九大高原湖泊水體面積，并分析湖泊水體面積的時空變化;③ 探討區域氣候變化和人類活動對云南省高原湖泊表面水體面積變化的影響。

1數據和方法

1.1研究區概況

云南省處于中國西南部，地勢北高南低，南北高差6 663.6 m，導致南北溫差較大。云南省降水時空分布極不均勻，全省平均年降水量為1 100 mm左右，但是南部地區年降水量達1 600 mm以上[30]。云南省高原湖泊水深岸陡，入湖支流水系較多，而出流水系普遍較少，湖泊換水周期長導致自凈能力弱，云南省高原湖泊所在的區域已被確定為全球200個帕拉北克湖生態系統優先生態區之一[31]。云南省九大高原湖泊是指水體面積超過10 km2的9個湖泊（見圖1），主要分布在云南省中部、南部、西部和西北部，分屬昆明、玉溪、大理、麗江和紅河，其中滇池、程海、瀘沽湖為長江水系，洱海為瀾滄江水系，撫仙湖、杞麓湖、異龍湖、星云湖、陽宗海為珠江水系。

1.2數據源

本研究采用Landsat系列衛星遙感影像，其覆蓋周期為16 d，空間分辨率為30 m[32]。從GEE平臺的數據目錄中篩選出1988年1月1日至2018年12月31日共2 397幅Landsat衛星大氣反射率（TOA）影像，主要包括1985～2011年的Landsat 4/5 TM、1999～2014年的Landsat 7 ETM+和2013～2018年的Landsat 8 OLI/TIRS。

1.3方 法

1.3.1數據預處理

本研究利用GEE云平臺對長時序Landsat遙感影像進行預處理。由于研究區屬于亞熱帶季風氣候，部分Landsat影像容易受云的影響，造成長時序的Landsat數據存在缺失值或異常值，影響水體指數計算。因此，首先對云量大于10%的遙感影像進行掩膜;然后運用GEE平臺的CFMask（C Function of Mask）算法得到的影像質量波段（QA）的數值，建立規則識別并去除云及云陰影，消除Landsat影像中云的影響;最后對研究區內的湖泊緩沖500 m并對影像進行裁剪，利用DEM數據（坡度>10°）對地形陰影進行掩膜，減少山體陰影的影響。

1.3.2GEE平臺

2010年，Google公司開發了GEE平臺，它是一個基于云計算的地理空間數據處理平臺，向全球研究人員免費提供服務，已經成為最受歡迎的地理遙感大數據處理平臺之一。該平臺提供了全球的PB級長時序遙感影像和其他專題數據，包括了Landsat、MODIS、Sentinel系列和GF-1等遙感影像及其他氣候、溫度、生態環境和經濟社會等專題數據集[33];提供大量高速并行處理和機器學習算法以及集成開發環境，包括大量的API函數，并支持目前流行的JavaScript和Python編程語言。

利用上述4種水體指數和最優閾值提取2015年九大高原湖泊水體面積，并利用2015年1∶250 000全國基礎地理數據（NCSFGI，http：∥www.webmap.cn/commres.do？method=result25W）對九大湖泊水體面積提取結果進行精度評價，各個水體指數的分類精度如圖2所示，箭頭指向總體精度最高的水體指數。根據各個湖泊水體提取精度確定每個湖泊的最佳水體指數。WI2015在鄉村類型湖泊（程海、撫仙湖、星云湖）獲得最高的提取精度。MNDWI在洱海、杞麓湖、陽宗海、異龍湖這類周邊耕地較多的湖泊中獲得最高的分類精度;AWEIsh在城市背景和水質污染湖泊（滇池）獲得最高的分類精度。NDWIMcFeeters對瀘沽湖的湖泊水體提取最有效。

2結果與討論

2.1湖泊水體面積變化

云南省九大高原湖泊水體總面積變化如圖3所示。由圖3可知：湖泊水體總面積由1988年的1 024.91 km2減少至2018年的1 000.98 km2，總體呈“先增加后減少”的趨勢，湖泊水體總面積減少了23.93 km2。其中，1988～1998年，九大高原湖泊水體總面積增加了5.79 km2;1998～2008年，九大高原湖泊水體總面積大幅度縮小，縮小了21.37 km2，萎縮比例為2.07%;2008～2018年，九大高原湖泊水體總面積縮小了8.35 km2。1988～2018年各個湖泊水體面積變化如圖4所示，由圖4可知：1988～2018年，洱海、撫仙湖、程海、星云湖、陽宗海、瀘沽湖6個湖泊水體面積相對穩定，但是滇池、杞麓湖和異龍湖3個湖泊的水體面積變化較大。其中，滇池的水體面積在1988～1998年期間呈緩慢增加趨勢，但從1998年以后開始急劇萎縮，在2008年達到最低值287.18 km2，與1988年的水體面積295.71 km2相比，萎縮比例為2.89%;異龍湖的水體面積在1988～1998年期間呈現出明顯的增加趨勢，1998年達到最大值42.11 km2，隨后開始急劇萎縮，2018年水體面積縮小到33.23 km2，萎縮幅度達到21.09%;杞麓湖的表面水體面積在1988～2008年期間減少3.65 km2，萎縮幅度為9.6%，但從2008年后杞麓湖水體面積呈緩慢增加的趨勢。

由于九大高原湖泊地理環境差異，滇池、杞麓湖和異龍湖的水體面積變化具有一定的空間差異性。由圖5可知：① 1988～1998年，滇池北部草海區域有小范圍萎縮，而東西方向區域出現擴張;1998～2008年，滇池四周都有不同程度的萎縮，只有北部草海區域出現擴張;2008～2018年，滇池北部草海區域出現萎縮，西南部出現擴張。② 1988～1998年，異龍湖西北區域出現大范圍萎縮;1998～2008年，西北區域出現擴張，而東南區域出現萎縮;2008～2018年，北部區域出現大面積萎縮，南部區域出現擴張。③ 1988～1998年，杞麓湖在西南區域出現一定程度萎縮;1998～2008年，杞麓湖西南和東北區域的萎縮較為明顯;2008～2018年，杞麓湖在西南區域的萎縮和東北區域的擴張較為明顯。

2.2湖泊水體面積變化影響因素分析

2.2.1湖泊水體面積變化與氣候變化的相關性分析

影響湖泊水體面積變化的氣候因素主要包括降水和溫度。① 1988～2018年，九大湖泊水體面積與降水的變化趨勢如圖6所示。在2009年年均降水量達到了最低值896.20 mm，在2013～2017年期間顯著上升，湖泊水體總面積同步增加。通過計算云南省九大高原湖泊水體面積變化與降水變化的相關關系可知：2013～2017年，湖泊水體面積的變化與年降水量的變化呈顯著正相關（R=0.9，p=0.08）。由此可知，某年份降水是影響湖泊水體面積變化的因素之一。② 溫度對湖泊水體面積變化的影響包括2個方面：一方面是通過蒸散作用減少湖泊入流補給;另一方面是通過引起融雪和冰川融化增加湖泊入流水量。云南省九大高原湖泊屬于高山封閉湖泊，不屬于冰川湖泊，因此，氣溫對湖泊水體面積變化的影響主要通過影響蒸散量間接產生的。如圖7所示，1988～2018年云南省年平均氣溫在16.80 ℃左右，總體呈波動上升趨勢。1988年全年平均氣溫為16.57 ℃，2018年上升至17.10 ℃，最高的年均氣溫出現在2010年（17.57 ℃）。通過計算1988～2018年云南省九大高原湖泊水體總面積變化與氣溫變化的相關關系可知，湖泊水體總面積的變化與年均氣溫的變化呈較好的負相關關系（R=-0.63，p=0.001），因此，溫度也是間接影響湖泊水體面積變化的因素之一。

2.2.2人類活動對湖泊面積變化的影響分析

相關研究表明，人類活動也是影響湖泊水體面積變化的一個重要因素，主要包括城市擴張和湖泊水資源的開發與利用2個方面[44]。

滇池為周邊農田提供了穩定的灌溉水源，農業用水的增加導致湖泊水體面積的減少;2003年起昆明市圍繞“一湖四片”的發展戰略，建設區域中心城市，導致近10 a滇池的湖岸線萎縮;2013年以后，隨著“牛欄江-滇池”補水工程的推進，每年持續性地向滇池補水，使得滇池表面水體面積開始增加。

異龍湖是沿湖區域的工農業用水水源，同時也是下游地區的灌溉水源，隨著城市化進程的加劇，水資源的需求越來越大，導致湖泊水體流失。

此外，湖泊南岸區域圍湖造田種植農作物，西部、北部圍湖建造魚塘，導致了湖泊水體面積的減少。

杞麓湖屬于淺水型封閉湖泊，入湖徑流主要來源為降水和少部分地下水，作為通?？h生活、工農業用水的主要來源之一，其用水量逐年增加，形成杞麓湖入湖徑流量減少而流出量卻逐漸增加的局面，因此湖泊水體面積顯著減少。大型工程尤其是泛亞鐵路隧道工程的建設，破壞了通海西南方向地下水資源的平衡，導致部分龍潭、泉眼枯竭，也加劇了杞麓湖水體面積的減少。

九大高原湖泊“一湖一策”分類治理政策的實行使部分湖泊水體面積得到了顯著恢復。對污染較重的滇池、星云湖、杞麓湖和異龍湖，相關部門通過開展生態修復建設、生態補水等進行綜合治理，使湖泊逐漸恢復原有的蓄水、灌溉、生態調節等功能。結合近幾年的研究結果分析可知，云南省九大高原湖泊水體面積變化也呈增加趨勢。

3結 論

本文基于GEE平臺利用1988～2018年的Landsat遙感影像，對云南省九大高原湖泊的水體面積進行了提取，并探討了九大高原湖泊水體面積長時間序列的時空變化及驅動因素。結果表明：

（1） 根據各水體指數提取各個湖泊水體面積的精度結果可知：WI2015在鄉村類型湖泊（程海、撫仙湖、星云湖）獲得最高的提取精度。MNDWI在洱海、杞麓湖、陽宗海、異龍湖這類周邊耕地較多的湖泊獲得最高的分類精度;AWEIsh在城市背景和水質污染湖泊（滇池）獲得最高的分類精度;NDWIMcFeeters對瀘沽湖的湖泊水體提取最有效。

（2） 1988～2018年，云南省九大高原湖泊表面水體面積由1988年的1 024.91 km2減少至2018年的1 000.98 km2，總體呈先增加后減少的趨勢，總面積減少了23.93 km2。1988～2018年，洱海和撫仙湖水體面積增加;星云湖、程海、瀘沽湖和陽宗海水體面積相對穩定;由于湖泊流域人類活動的影響，滇池、杞麓湖、異龍湖的水體面積出現了明顯的縮小趨勢。

（3） 云南省九大高原湖泊水體面積變化和降水變化的相關性研究表明，在2013～2017年期間，兩者具有良好的相關性（R=0.9，p=0.08）;1988～2018年九大高原湖泊面積變化與氣溫的變化呈負相關關系（R=-0.63，p=0.001）。除了氣候因素對湖泊變化的影響，耕地面積的增加、建設用地的變化等人為因素對湖泊面積變化的影響較明顯。因此，氣候因素和人類活動都是影響高原湖泊變化的重要因素。

參考文獻：

[1]顧世祥，謝波，周云，等.云南水資源保護與開發研究[J].水資源保護，2007，23（1）：91-94.

[2]GOLDBLATT R，YOU W，HANSON G，et al.Detecting the boundaries of urban areas in India：a dataset for pixel-based image classification in Google Earth Engine[J].Remote Sensing，2016，8（8）：634.

[3]王戰，李向全，劉玲霞.基于遙感和GIS的柴達木盆地冰雪湖泊演變分析[J].人民長江，2015，46（7）：64-66.

[4]XIN W，LIU S，GUO W X J，et al.Assessment and simulation of glacier lake outburst floods for Longbasaba and Pida Lakes，China[J].Mountain Research & Develepment，2008，28（3-4）：310-317.

[5]FANG C，BAO C，HUANG J，et al.Management implications to water resources constraint force on socio-economic system in rapid urbanization：a case study of the Hexi Corridor，NW China[J].Water Resources Management，2007，21（9）：1613-1633.

[6]張濟世，徐進祥，張永秋，等.中國西北水資源利用及生態環境安全[J].地理學報（英文版），2006，16（3）：277-285.

[7]COLWELL R N.Remote sensing of natural resources[J].Scientific America，1968，218（1）：54-69.

[8]PLANET W G.Some comments on reflectance measurements of wet soils[J]，1970，1（2）：127-129.

[9]SHARMA K D，SURENDRASINGH，NEPALSINGH，et al.Role of satellite remote sensing for monitoring of surface water resources in an arid environment[J].Hydrological Sciences Journal，1989，34（5）：531-537.

[10]李思楠，趙筱青，譚琨，等.基于GIS的撫仙湖流域土地利用時空變化研究[J].人民長江，2019，50（6）：63-69，89.

[11]ALONSO A，MUNOZCARPENA R，KENNEDY R E，et al.Wetland landscape spatio-temporal degradation dynamics using the new Google Earth Engine Cloud-Based Platform：opportunities for non-specialists in remote sensing[J].Transactions of the ASABE，2016，59（5）：1331-1342.

[12]GOBER P，BRAZEL A，QUAY R，et al.Using watered landscapes to manipulate urban heat island effects：how much water will it take to cool Phoenix[J].Journal of the American Planning Association，2010，76（1）：109-121.

[13]DU N，OTTENS H，SLIUZAS R J L，et al.Spatial impact of urban expansion on surface water bodies：a case study of Wuhan，China[J].Landscape & Urban Planning，2010，94（3-4）：175-185.

[14]PEKEL J F，COTTAM A，GORELICK N，et al.High-resolution mapping of global surface water and its long-term changes[J].Nature，2016，540（7633）：418-422.

[15]SANYAL J，LU X X.Application of remote sensing in flood management with special reference to Monsoon Asia：a review[J].Natural Hazards，2004，33（2）：283-301.

[16]SHENG Y W，SHAH C A，SMITH L C.Automated image registration for hydrologic change detection in the Lake-Rich Arctic[J].IEEE Geoscience and Remote Sensing Letters，2008，5（3）：414-418.

[17]LI Y，GONG X，GUO Z，et al.An index and approach for water extraction using Landsat-OLI data[J].International Journal of Remote Sensing，2016，37（16）：3611-3635.

[18]LIU Y，YANG J，CHEN Y，et al.The temporal and spatial variations in lake surface areas in Xinjiang，China[J].Water，2018，10（4）：431.

[19]DU Y，ZHANG Y，LING F，et al.Water bodies mapping from Sentinel-2 imagery with Modified Normalized Difference Water Index at 10-m spatial resolution produced by sharpening the SWIR Band[J].Remote Sensing，2016，8（4）：1-19.

[20]TULBURE M G，BROICH M J I，SENSING R.Spatiotemporal dynamic of surface water bodies using Landsat time-series data from 1999 to 2011[J].ISPRS Journal of Photogrammetry and Remote Sensing，2013，79（5）：44-52.

[21]JOHANSEN K，PHINN S，TAYLOR M.Mapping woody vegetation clearing in Queensland，Australia from Landsat imagery using the Google Earth Engine[J].Remote Sensing Applications：Society and Environment，2015（1）：36-49.

[22]HIRD J，DELANCEY E，MCDERMID G，et al.Google Earth Engine，Open-Access Satellite Data，and Machine Learning in support of large-area probabilistic wetland mapping[J].Remote Sensing，2017，9（12）：1315.

[23]GORELICK N，HANCHER M，DIXON M，et al.Google Earth Engine：planetary-scale geospatial analysis for everyone[J].Remote Sensing of Environment，2017，202：18-27.

[24]CHEN B，XIAO X，LI X，et al.A mangrove forest map of China in 2015：analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，131：104-120.

[25]HUANG H，CHEN Y，CLINTON N，et al.Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine[J].Remote Sensing of Environment，2017，202：166-176.

[26]LEE J S H，WICH S，WIDAYATI A，et al.Detecting industrial oil palm plantations on Landsat images with Google Earth Engine[J].Remote Sensing Applications：Society and Environment，2016，4：219-224.

[27]WANG Y，MA J，XIAO X，et al.Long-term dynamic of Poyang Lake surface water：A mapping work based on the Google Earth Engine Cloud Platform[J].Remote Sensing，2019，11（3）：313.

[28]ZHOU Y，DONG J，XIAO X，et al.Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine[J].Sci.Total Environ.，2019，689：366-380.

[29]肖茜，楊昆，洪亮.近30 a云貴高原湖泊表面水體面積變化遙感監測與時空分析[J].湖泊科學，2018，30（4）：1083-1096.

[30]YANG J，ZHANG W，FENG W，et al.Freshwater Testate Amoebae of Nine Yunnan Plateau Lakes，China[J].Journal of Freshwater Ecology，2005，20（4）：743-750.

[31]DINERSTEIN O E.THE GLOBAL 200：a representation approach to conserving the earthls most biologically valuable ecoregions[J].Conservation Biology，1998，12（3）：502-515.

[32]TULBURE M G，BROICH M.Spatiotemporal dynamic of surface water bodies using Landsat time-series data from 1999 to 2011[J].ISPRS Journal of Photogrammetry and Remote Sensing，2013，79：44-52.

[33]PATEL N N，ANGIULI E，GAMBA P，et al.Multitemporal settlement and population mapping from Landsat using Google Earth Engine[J].International Journal of Applied Earth Observation and Geoinformation，2015，35：199-208.

[34]JI L，ZHANG L，WYIE B K.Analysis of dynamic thresholds for the Normalized Difference Water Index[J].Photogrammetric Engineering & Remote Sensing，2009，75（11）：1307-1317.

[35]MCFEETERS S K.The use of the Normalized Difference Water Index（NDWI）in the delineation of open water features[J].International Jourmal of Remote Sensing，1996，17（7）：1425-1432.

[36]XU H.A study on information extraction of water body with the Modified Normalized Difference Water Index（MNDWI）[J].Journal of Remote Sensing，2005，9（5）：589-595.

[37]FEYISA G L，MEILBY H，FENSHOLT R，et al.Automated Water Extraction Index：a new technique for surface water mapping using Landsat imagery[J].Remote Sensing of Environment，2014，140：23-35.

[38]孟偉燦，朱述龍，曹聞，等.綜合水體指數的創建[J].測繪科學，2013，38（4）：130-133.

[39]LIN C K.On improvement of the computation speed of Otsu's image thresholding[J].Journal of Electronic Imaging，2005，14（2）：023011.

[40]LI W，DU Z，LING F，et al.A comparison of land surface water mapping using the Normalized Difference Water Index from TM，ETM+ and ALI[J].Remote Sensing，2013，5（11）：5530-5549.

[41]JIE B，XI C，JUNLI L I，et al.Changes of inland lake area in arid Central Asia during 1975-2007：a remote-sensing analysis[J].Journal of Lake Sciences，2011，23（1）：80-88.

（編輯：黃文晉）

Abstract：The water surface mapping of the nine plateau lakes in Yunnan Province from 1988 to 2018 was carried out by using the Google Earth Engine（GEE）cloud platform with long-term Landsat images.Meanwhile，the temporal and spatial variation of the water surface areas of the nine plateau lakes and its driving factors were analyzed.The results showed that：①? In the past 30 years，the water surface area of the nine plateau lakes decreased by 23.93 km2 from 1 024.91 km2 in 1988 to 1 000.98 km2 in 2018，revealing an overall trend of “increasing followed by decreasing”.②? The water surface areas of most plateau lakes remained stable，however，a few lakes showed significant changes.For example，the areas of Qilu Lake and Yilong Lake shrank significantly after 2008.③? Analysis shows that from 2013 to 2017，the correlation between the change of water surface areas and precipitation is strong（R=0.9，p=0.08），while it is negatively correlated with air temperature（R=-0.63，p=0.08）from 1998 to 2018.The government′s economic development and lake protection policies and the changes of land cover/use are the most important human factors that cause changes of water surface areas of the nine plateau lakes.In conclusion，the dynamic changes of the nine plateau lakes in Yunnan Province are caused by climate changes and human activities jointly.

Key words：plateau lake;water body area;water index;Otsu algorithm;Google Earth Engine;Landsat images;Yunnan Province