區域生態環境變化的遙感評價指數

徐涵秋

(1.福州大學環境與資源學院,福建 福州 350108；2.福州大學遙感信息工程研究所,福建 福州 350108)

當前,衛星遙感對地觀測系統以其宏觀、快速、實時的優點在生態環境領域得到廣泛的應用.利用各種遙感指數來對森林[1]、草地[2]、城市[3-4]、河流[5]乃至整個流域[6]的生態系統進行監測和評價,已經是生態環境保護領域的重要組成部分.2006年,國家環境保護部以行業標準的形式頒發了《生態環境狀況評價技術規范》[7](以下簡稱規范),推出了主要基于遙感技術的生態環境狀況指數EI,旨在對我國縣級以上生態環境提供一種年度綜合評價標準.《規范》試行以來,已在國內得到廣泛的應用,有的用于省級生態環境評價[8-10],有的用于縣級評價[11-12],有的則用于工程項目評價[13-14].但《規范》試行中也發現了不少問題, 如權重的合理性[11-12,15]、歸一化系數的設定[10,15-16]、指標的易獲取性等.還有一個明顯的不足就是《規范》所獲得的EI指數只是一個數值,只能籠統地說明一個地區的生態狀況,無法可視化,無法說明該區中不同生態環境狀況的空間分布情況,無法對不同期間的生態環境進行空間變化分析.而這些問題對于生態環境指數這樣一個和空間地理位置緊密聯系的指標來說,又顯得極為重要.因此,本文提出一個完全基于遙感技術、指標容易獲得、沒有人為權重設定、且結果能被可視化的遙感生態指數,以期作為EI的輔助指標來快速、定量、客觀地評價區域生態環境.

1 基本原理與方法

1.1 實驗區

福建西部的長汀縣是中國南方紅壤地區的典型水土流失區,其河田鎮一帶的水土流失之嚴重更是一直為各界所矚目.近 20多年,該區的水土流失治理已取得很大的成效.因此,本研究選擇該區進行水土流失治理期間生態狀況的變化分析,檢驗新生態指數的有效性.所選的時間段為治理初期的1988年和最近的2010年.

長汀縣屬亞熱帶季風氣候,年平均氣溫18.3℃,年降雨量1500～1700mm.長汀縣呈四周隆起,中部下凹的盆地特征.從 1988年的衛星影像可以直觀看出(圖1),當時該縣大部分為綠被所覆蓋,但中部為白中泛紅的裸土區,該區即為聞名的長汀河田水土流失區,也被稱之為河田盆地.因此,本次研究將河田盆地及其周邊地區作為實驗區,面積約775km2(圖1).

1.2 遙感生態指數的構建

《規范》一共選擇了5個評價指數,即：生物豐度、植被覆蓋、水網密度、土地退化和環境質量,并通過加權求和構成了生態環境狀況指數(EI), 即：

EI的前3個指數可以通過遙感數據獲得,土地退化指數可以通過遙感數據和地面監測數據獲得,但其依據的土壤侵蝕模數計算復雜,而環境質量指數則必須通過年度統計數據獲得.由于后兩個指標較難獲取,從而限制了EI指數的推廣使用.而最后一個環境質量指標又主要依賴于縣級以上的環境年報,使得EI只能用于縣域以上地區,且每年只能做 1次,而實時、鄉鎮乃至更小范圍的評價明顯受到限制.

本文提出以自然生態環境的 4個重要指標作為擬建生態指數的評價指標,即綠度、濕度、熱度、干度.在反映生態質量的諸多自然因素中,這 4個因素可謂與人類的生存息息相關,也是人類直觀感覺生態條件優劣的最重要指標,因此常被用于評價生態系統[17-20].就遙感技術而言,它可以從遙感影像中獲得這 4個指標的信息,如采用植被指數、裸土指數、濕度分量、地表溫度就可以分別代表綠度、干度、濕度和熱度.這樣,擬建的遙感生態指數(RSEI)就可以表示為這 4個指標的函數,即：

式中：Greenness為綠度;Wetness為濕度;Thermal為熱度;Dryness為干度;VI為植被指數;Wet為濕度分量;LST為地表溫度;SI為裸土指數.

在 RSEI指數中,代表綠度的植被指數指標與《規范》中的植被覆蓋指標含義相近,與其生物豐度指標也高度相關,因為《規范》中的生物豐度、植被覆蓋這兩個指標的計算依據是相同的,只是權重略有不同;代表濕度的指標與《規范》中水網指數指標相同,但濕度指標除了能代表開放水體外,還可以代表與生態環境高度相關的土壤和植被的濕度;代表干度的裸土指數指標則與《規范》中的土地退化指標緊密相關,裸土指數越高,地表越裸露,土地退化越嚴重.因此,新建RSEI中的3個指標與《規范》中的4個指標密切相關.由于《規范》中的環境質量指數依靠的是年報數據而不是空間數據,且在《規范》中被賦予的權重最小,在《規范的》生態分級特征描述中也沒有用到該指標,所以如果暫不考慮該指標,則擬建的RSEI指數和《規范》中的生態環境指數EI就有較強的可比性.

1.2.1 指標的構建 (1)濕度指標(Wet)：遙感纓帽變換所獲得的亮度、綠度、濕度分量已被廣泛地應用在生態環境監測中[21-23].其中的濕度分量反映了水體和土壤、植被的濕度,與生態密切相關,因此,本研究的濕度指標以這一濕度分量為代表.對于 Landsat TM 影像,其公式為[21]：

式中：ρi(i= 1,...,5, 7)為TM各波段的反射率.

(2)綠度指標(NDVI)：歸一化植被指數 NDVI無疑是應用最廣泛的植被指數,它與植物生物量、葉面積指數以及植被覆蓋度都密切相關[24].因此,選用NDVI來代表綠度指標：

(3)熱度指標(LST)：熱度指標由地表溫度來代表,它采用 Landsat用戶手冊的模型[25]和Chander等最新修訂的參數[26]來計算：

式中：L6為TM熱紅外6波段在傳感器處的輻射值;T為傳感器處溫度值;DN為灰度值;gain和bias為6波段的增益與偏置值;K1和K2為定標參數,它們都可以從用戶手冊[25]獲得.

經過式(7)計算的溫度T可以通過比輻射率糾正轉換為地表溫度LST[18]：

式中：λ為 TM 6波段的中心波長(11.5μm);ρ=1.438×10-2mK;ε為比輻射率,其取值見[18].

(4)干度指標(NDSI)：干度指標選用的是裸土指數 SI[27].但在區域環境中,還有相當一部分的建筑用地,它們同樣造成地表的“干化”,因此干度指標可由二者合成,即由裸土指數SI和建筑指數IBI[28]合成：

其中：

1.2.2 綜合指數的構建 擬建的生態指數應既能以單一指標的形式出現,又可以綜合以上 4個指標的信息.因此如何以單一變量來耦合以上多個變量,是本研究的關鍵.當前常用的方法是將各個指標加權求和[7,11-12,17,29-30],如《規范》中的EI(式 1).但是,指標之間權重的人為確定及其合理性,往往會影響這種方法的結果.而且當兩個或兩個以上的指標共同對生態變化起作用時,要確定究竟是哪個指標對生態系統的全局變化起主要作用,并為其賦一個特定的權重值是十分困難的.因此,即便是《規范》統一規定的權重值[式(1)],在應用中也往往是因人而異[11-12].

多元統計方法中的主成份分析(PCA)是一種將多個變量通過正交線性變換來選出少數重要變量的多維數據壓縮技術.因此,本研究采用主成分變換來進行指標集成.其最大優點就是集成各指標的權重不是人為確定,而是根據數據本身的性質、根據各個指標對各主分量的貢獻度來自動客觀地確定,從而在計算時可以避免因人而異、因方法而異的權重設定造成的結果偏差.

由表1可以看出,河田實驗區4個指標的第一主成分(PC1)具有以下特征： (1) PC1的貢獻率都大于85%,表明它已集中了4個指標的大部分特征; (2) 4個指標對PC1中都有一定的貢獻度,且相對穩定,不會像在其他特征分量中(PC2～PC4)出現忽大忽小的現象,從而丟失某些指標;(3)在PC1中,代表綠度的NDVI和代表濕度的Wet呈正值,說明它們共同對生態起正面的貢獻;而代表熱度和干度的LST、NDSI在PC1中呈負值,說明它們協同對生態起負面的影響,這與實際情況相符.而在 PC2～PC4中,這些指標忽正忽負,難以解釋生態現象.可見,較之于其他分量,PC1最大限度地集中了各指標的特征,能夠合理地對生態現象進行解釋,因此可用于創建綜合生態指數.

表1 指標主成分分析Table 1 Principal component analysis of four factors

必須注意的是,由于式(4)～式(9)計算出的 4個指標的量綱不統一,因此,在做主成分變換前,必須先對這些指標進行正規化,將它們的數值映射到[0,1]區間,轉化成無量綱,然后再計算 PCA(表1).各指標的正規化公式為：

式中： NIi為正規化后的某一指標值;Indicatori為該指標在象元i的值;Indicatormax為該指標的最大值;Indicatormin為該指標的最小值.

經過正規化后的 4個指標就可以用來計算主成分.為使 PC1大的數值代表好的生態條件,可進一步用1減去計算出的PC1,獲得初始的生態指數 RSEI0：

RSEI即為所建的遙感生態指數,其值介于[0,1]之間.RSEI值越接近1,生態越好.

根據PC1建立的RSEI的綜合代表性還可以從它和各指標之間的相關度來分析.RSEI與各指標的相關度越強,就越能綜合代表各個指標.表 2是各指標和RSEI的相關系數以及各指標自身之間的相關系數.就單指標而言,各指標相互之間平均相關度最高的為NDSI,在1988年達到0.866,兩年平均為0.848.而新指數與這4個指標的各年平均相關系數都大于 0.88,兩年平均為 0.897,比單指標最高的NDSI的均值高出了5.8%,比最低的LST的均值高出了29.3%,比4個指標的平均值(0.775),高出了15.7%.顯然,新指數與各指標之間更高的相關度說明了它比任一單指標更具代表性,更能綜合代表各指標的信息.

1.3 影像處理

遙感數據統一選用Landsat TM影像,獲取時間為1988年10月16日和2010年10月29日(圖 2).

首先對3幅影像進行輻射、幾何校正和配準.輻射校正采用 Chander等[26]和 Chavez[31]的模型與參數將影像的灰度值(DN)轉換為傳感器處反射率;不同時相影像之間的配準采用二次多項式和最鄰近象元法,配準的均方根誤差小于 0.5個象元.在此基礎上,分別求出各時相影像的 4個指標,然后對它們進行正規化,計算PC1,最后獲得各時相的遙感生態指數 RSEI影像(圖2).

表2 各指標和RSEI指數的相關系數矩陣Table 2 Correlation matrix of RSEI and four factors

計算RSEI指數時要注意： (1)要做大氣校正,因為植被指數對大氣很敏感;(2)要將影像的 DN值轉換為反射率,不提倡用原始DN值來計算;(3)計算濕度時,要選對公式,不能用基于DN值的公式來計算基于反射率的數據,反之亦同.

2 結果與討論

2.1 RSEI和EI指數的對比

為了將新建的 RSEI指數與《規范》的 EI指數對比,分別按《規范》的要求對實驗區進行水網密度計算、基于RUSLE模型的土壤侵蝕度計算,以及基于分層分類法的土地利用分類.然后嚴格按照《規范》中的權重和中國環境監測總站制定的縣級歸一化系數分別計算出生物豐度指數、植被覆蓋指數、水網密度指數、土地退化指數,以及由它們合成的EI指數(表3).

將表3計算出的各指標指數值代入式(1),獲得各年的 EI指數值(表 4).由于 EI的值介于[0,100],而 RSEI為[0,1], 為了統一量綱,將 RSEI乘100.由于計算EI所用的4個指標所占的分數只有85分,為了和百分制的RSEI對比,進一步將85分制的 EI轉換為百分制;同理將百分制的RSEI轉換為85分制,以利于與85分制的EI對比.表4是整理后的EI和RSEI對比表.從中可以看出,二者在1988年的數據很接近,無論是85分制或百分制的數據,二者相差都小于1;而2010年的差距最大的也只有 3.4(百分制).總的看來,RSEI和EI具有一定的相似性.所產生的差距可能是 RSEI指數的熱度指標引起的.當前熱度這一指標在我國的生態環境監測中并沒有引起足夠的重視,也不是環境統計年報的指標.但熱污染(如城市熱島)同樣對人體健康造成很大的危害,因此引入熱度作為一項指標還是很有必要的.由于RSEI中的這幾個指標和EI中的相應指標有著較強的可比性,因此 RSEI雖然多了一個熱度指標,但由于其對 PC1的貢獻較小(表 1),所以表4中的EI和RSEI的計算結果還是比較接近的.總之,無論是EI或RSEI都能反映出河田水土流失區經過生態修復治理后,區域生態環境狀況得到改善的事實.比照《規范》中的生態環境狀況劃分等級,表4中EI或RSEI的數值變化表明該區的生態環境大致從1988年的“較差”級轉到2010年的“一般”級.RSEI和EI的評價結果并沒有出現相悖,或出現較大的差距.因此,通過與 EI對比,可以看出RSEI的構建是合理的.

表4 EI和RSEI的計算結果Table 4 Computed EI and RSEI

2.2 RSEI的應用

2.2.1 時空變化分析 RSEI指數除了和 EI指數一樣可以作為刻畫區域生態環境狀況的一個定量數值指標外,還可用于區域環境時空變化的可視化和定量化,用于不同時期生態環境狀況的對比.為此,首先將各年份的RSEI指數以0.2為間隔分成差、較差、中等、良、優 5個生態等級.統計結果表明(表5),1988～2010年間,生態等級為差～中級(1～3級)所占的面積比例從 66.1%下降到 47.7%,而優良等級(4～5級)所占的比例則從33.9%上升到了52.3%.表明河田盆地區的生態質量得到了較大改善.

遙感變化檢測是對比不同年份生態狀況時空變化的有效手段.因此,可在以上5個分級的基礎上,對河田盆地區的生態變化進行差值變化檢測.以綠色代表生態質量上升的地區,以紅色代表生態質量下降的地區,而黃色則代表生態質量的不變區(圖 3).從變化檢測的結果來看(表6),1988～2010年間,該區生態條件變差等級下降的面積為 88.44km2,而生態轉好的面積則達371.4km2.從空間上看,生態條件變好的地點主要分布在盆地中(圖 3變化圖中的綠色圖斑).生態變差的主要是一些新增的建設用地和零散分布的火燒跡地(圖 3變化圖中的紅色圖斑),而盆地周邊變化不大,以黃色調為主.

表5 河田盆地區的生態級別面積和比例Table 5 The area and percentage change of each RSEI level from 1988 to 2010 in the Hetian area

2.2.2 建模與預測 RSEI還可用于建立生態模型,模擬和預測區域生態變化趨勢.為此,首先對各年份的 NDVI、Wet、LST、NDSI、RSEI專題影像進行采樣,然后以 RSEI為因變量,以NDVI、Wet、LST、NDSI為自變量進行逐步回歸分析,建立它們的關系模型.采用 5×5網格貫穿全影像的采樣方法,每幅影像采集 28000個樣點.足夠多的樣點和貫穿全影像的采樣方法可以保證回歸分析結果的代表性和客觀性,避免小樣本和局域性抽樣所帶來的結果不確定性. 以下為獲得的回歸模型(模型都通過了1%的顯著性檢驗)：

表6 遙感變化檢測 (km2)Table 6 Change detection (km2)

圖3 河田區1988、2010年生態分級圖和變化檢測圖Fig.3 5-leveled RSEI images of the Hetian basinal area in 1988 and 2010 and their change detection map

從所獲得的模型可以看出,4個指標在各年份的逐步回歸中沒有一個被剔除,說明所選的 4個指標都是生態的關鍵指標.從各指標回歸系數來看, NDVI和Wet的系數為正值,說明對生態起正面影響,LST和NDSI為負值,說明對生態起負面作用.進一步考察回歸系數的變化可以看出,對生態起正面影響的NDVI和Wet的綜合影響力超過了起負面影響的 NDSI和 LST,因為二者的系數之和要大于起負面影響的NDSI和LST系數的絕對值之和.

圖 4 2010 年 NDVI、Wet與 RSEI及 NDSI、LST 與 RSEI的3維投影圖Fig.4 3D-scatterplots of feature space RSEI vs. NDVI and Wet and RSEI vs. LST and NDSI

圖4是以最新的2010年為例,從各指標的散點在 3維特征空間的分布情況來考察它們與RSEI指數的關系.圖 4a是對生態起正面影響的NDVI、Wet與RSEI的3維投影圖;圖4b是對生態起負面影響的NDSI、LST與RSEI的投影圖.散點群的頂端為代表生態條件好的散點的集聚區,主要為高覆蓋植被區;散點群的底端則為生態條件差的散點的集聚區,代表裸土區.從圖 4b可以看出散點呈上粗下細的楔形,說明隨著水土流失的治理,裸土正在逐漸減少.

綜合來看,無論是回歸模型或主成分分析都表明以NDVI為代表的綠度和以NDSI為代表的干度對生態影響最大,且 NDVI影響大于 NDSI.這一數據模擬的結果也證明,該區以增加綠被來治理水土流失取得的成效更大.如以最新的2010年模型進行預測,今后該區的生態質量 RSEI每提升0.1,其NDVI就要相應提升0.181.但是,在水土流失治理中,綠地的增加和裸地的減少往往是同時進行的,因此實際 RSEI的提升效果將不止0.1.假設增加 0.181NDVI的同時,減少 0.181的NDSI,則實際RSEI的提升將達到0.173.

3 結論

3.1 RSEI指數是基于綠度、濕度、熱度和干度指標建立的一個完全基于遙感信息和自然因素的指數,因此可以快速簡便地評價區域生態質量.RSEI指數各指標的集成不是人為的加權求和,而是根據各指標對第一主成分的貢獻來集成.因此,RSEI能夠客觀地耦合各個指標,合理地代表區域生態質量.

3.1 RSEI指數與《規范》的EI指數有較強的可比性,二者均客觀反映了長汀河盆地水土流失得到治理后,生態狀況有了明顯改善.但RSEI不僅可以作為一個量化指標來刻畫區域生態質量,還可以將區域生態質量可視化,可以對區域生態變化進行時空分析、模擬和預測,可以不受時間和空間限制的使用,因此,可以彌補EI指數在這些方面的不足.

3.3 RSEI不適宜大面積的水域地區使用.研究區中如有大片水域,最好將其掩膜后再應用.由于RSEI的構建需要用到熱紅外影像,因此RSEI主要適用于中尺度制圖.對于小尺度比例尺,最好先對熱紅外影像進行細化.

[1] Ochoa-Gaona S, Kampichler C, de Jong B H J, et al. A multi-criterion index for the evaluation of local tropical forest conditions in Mexico [J]. Forest Ecology and Management, 2010,260(5)：618-627.

[2] Sullivan C A, Skeffington M S, Gormally M J, et al. The ecological status of grasslands on lowland farmlands in western Ireland and implications for grassland classification and nature value assessment [J]. Biological Conservation, 2010,143(6)：1529-1539.

[3] Xu H Q, Ding F, Wen X L. Urban expansion and heat island dynamics in the Quanzhou region, China [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2009,2(2)：74-79.

[4] 曾 輝,劉建國. 基于景觀結構的區域生態風險分析 [J]. 中國環境科學, 1999,19(5)：454-457.

[5] Ivits E, Cherlet M, Mehl W, et al. Estimating the ecological status and change of riparian zones in Andalusia assessed by multitemporal AVHHR datasets [J]. Ecological Indicators, 2009,9(3)：422-431.

[6] Moran M S, Peters-Lidard C D, Watts J M, et al. Estimating soil moisture at the watershed scale with satellite-based radar and land surface models [J]. Canadian Journal of Remote Sensing, 2004,30(5)：805-826.

[7] 國家環保總局.中華人民共和國環境保護行業標準(試行)HJ/T192-2006 [S].

[8] 智穎飆,王再嵐,馬 中,等.寧夏資源環境績效及其變動態勢[J]. 生態學報, 2009,29(12)：6490-6498.

[9] 王 瑤,宮輝力,李小娟.基于 GIS的北京市生態環境質量監測與分析 [J]. 國土資源遙感, 2008,(1)：91-96.

[10] 劉建紅,徐建軍,李 誠,等.基于遙感更新的省級生物豐度歸一化系數研究——以湖北省為例 [J]. 江漢大學學報(自然科學版), 2007,35(4)：46-50.

[11] 孟 巖,趙庚星.基于衛星遙感數據的河口區生態環境狀況評價——以黃河三角洲墾利縣為例[J]. 中國環境科學, 2009,29(2)：163-167.

[12] 程晉南,趙庚星,李 紅,等.基于RS和GIS的土地生態環境狀況評價及其動態變化 [J]. 農業工程學報, 2008,24(11)：83-88.

[13] 范建忠,李登科,董金芳.陜西省重點生態建設工程區植被恢復狀況遙感監測 [J]. 農業工程學報, 2012,28(7)：228-234.

[14] 胡明玉,焦開虹,劉勝祥,等.三峽翻壩運輸江南公路沿線生態環境質量現狀分析 [J]. 四川環境, 2007,26(6)：40-43,48.

[15] 葉有華,梁永賢,沈一青,等.《生態環境狀況評價技術規范(試行)》中若干值得商榷的問題 [J]. 熱帶地理, 2009,29(4)：404-406.

[16] 張 媛,王靖飛,黃云龍,等.關于生態環境狀況評價指標計算的問題與探討 [J]. 河北工業科技, 2008,25(6)：363-365.

[17] Gupta K, Kumar P, Pathan S K, et al. Urban Neighborhood Green Index-A measure of green spaces in urban areas [J]. Landscape and Urban Planning, 2012,105：325-335.

[18] Nichol J. Remote sensing of urban heat islands by day and night[J]. Photogrammetric Engineering and Remote Sensing,2005,71(6)：613-621.

[19] Xu H Q. Analysis of impervious surface and its impact on urban heat environment using the normalized difference impervious surface Index (NDISI) [J]. Photogrammetric Engineering and Remote Sensing, 2010,76(5)：557-565.

[20] 趙躍龍,張玲娟.脆弱生態環境定量評價方法的研究 [J]. 地理科學, 1998,18(1)：73-79.

[21] Crist E P. A TM tasseled cap equivalent transformation for reflectance factor data [J]. Remote Sensing of Environment, 1985,17：301-306.

[22] Huang C, Wylie B, Yang L, et al. Derivation of a tasselled cap transformation based on Landsat 7 at-satellite reflectance [J].International Journal of Remote Sensing, 2002,23(8)：1741-1748.

[23] Todd S W, Hoffer R M. Responses of spectral indices to variations in vegetation cover and soil background [J].Photogrammetric Engineering and Remote Sensing, 1998,64：915-921.

[24] Goward S N, Xue Y K, Czajkowski K P. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements-An exploration with the simplified simple biosphere model [J]. Remote Sensing of Environment, 2002,79：225-242.

[25] NASA. Landsat 7 Science Data Users Handbook [EB/OL].http：//landsathandbook.gsfc.nasa.gov, 2012-09-05.

[26] Chander G, Markham B L, Helder D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+,and EO-1 ALI sensors [J]. Remote Sensing of Environment,2009,113：893-903.

[27] Rikimaru A, Roy P S, Miyatake S. Tropical forest cover density mapping [J]. Tropical Ecology, 2002,43(1)：39-47.

[28] Xu H Q. A new index for delineating built-up land features in satellite imagery [J]. International Journal of Remote Sensing,2008,29(14)：4269-4276.

[29] Reza M I H, Abdullah S A. Regional Index of Ecological Integrity：A need for sustainable management of natural resources [J].Ecological Indicators, 2011,11：220-229.

[30] Ochoa-Gaona S, Kampichler C, de Jong B H J, et al. A multi-criterion index for the evaluation of local tropical forest conditions in Mexico [J]. Forest Ecology and Management,2010,260：618-627.

[31] Chavez P S Jr. Image-based atmospheric corrections-revisited and revised [J]. Photogrammetric Engineering and Remote Sensing, 1996,62(9)：1025-1036.