建設項目引發的區域生態變化的遙感評估
——以敖江流域為例

施婷婷,徐涵秋,*,孫鳳琴,陳善沐,楊繪婷

1 福州大學環境與資源學院，空間數據挖掘與信息共享教育部重點實驗室，福州 350116 2 福州大學遙感信息工程研究所，福建省水土流失遙感監測評估重點實驗室，福州 350116 3 福建省水土保持試驗站，福州 350001

20世紀90年代以來,隨著遙感和地理信息技術的迅速發展和廣泛應用,生態環境質量監測與評價取得了大量成果,評價理論、方法及技術手段不斷豐富和完善,尤其是遙感對地觀測技術為快速、準確、實時地開展多尺度生態環境動態監測和評價提供了有效手段[1- 3]。如美國的全美自然保護區生態動態監測[4]、我國環保部開展的“全國生態環境十年變化(2000—2010)遙感調查與評估”,以及目前正在開展的國家生態保護紅線劃定工作,都是以遙感作為重要的支撐技術。

目前,應用遙感技術開展生態環境評價研究主要包括以下3個方面：(1) 基于景觀分析的生態環境評價,研究者基于土地利用/覆蓋的分布特征及變化趨勢等,借助景觀指數來開展生態效應研究。如Estoque等[5]利用遙感數據對1988、2002和2016年的La Mesa流域進行土地利用/覆蓋分類,在此基礎上定量化評價景觀格局的變化,以探討流域生態環境變化的影響因素;Jaafari等[6]基于遙感影像解譯和景觀生態學方法的綜合運用定量分析景觀格局的動態變化,從而實現城市化進程的環境影響評價;Zhang等[7]基于土地利用/覆蓋變化數據,從景觀格局角度開展艾比湖濕地保護區和甘家湖梭梭林自然保護區的生態環境效應研究。(2) 基于評價指數的生態環境評價,它通過構建不同的指標體系來綜合評價生態環境效應。如Liang等[8]基于物理環境變量(土地利用/覆蓋數據、地表溫度和歸一化植被指數等)和社會經濟變量(人口密度、收入和受教育水平等)綜合評價美國印第安納州首府的城市環境質量;Wang等[9]基于壓力-狀態-響應(P-S-R)框架模型,建立了1995—2015年北京市生態安全評價指標體系;國家環境保護部的《生態環境狀況評價技術規范》則采用生物豐度指數、植被覆蓋指數、水網密度指數、土地脅迫指數和污染負荷指數等5個指標來綜合反映區域生態環境狀況[10]。(3) 基于遙感信息的空間化生態環境評價,通過遙感影像制作區域生態圖件,實現生態環境變化空間可視化,而不僅僅用一個量化的數值來代表區域的生態環境。徐涵秋[11]選取了完全基于遙感信息的濕度、綠度、熱度、干度4個指標來構建遙感生態指數(RSEI),實現區域生態環境質量快速準確的時空變化分析;Zhang等[12]選取了基于遙感數據的不透水面、歸一化植被指數、地表溫度和纓帽變換的亮度和綠度分量這5個指標構建生態評價模型,開展珠江三角洲地區生態環境變化的空間動態監測;蘆穎等[13]選取了植被蓋度、土壤指數、土壤濕度等遙感信息來構建綜合評價模型,分析1990—2015年間貴州省烏江流域生態環境質量時空變化特征。相比于其他兩類的評價方法,基于遙感信息的空間化生態環境評價方法以其指標易獲取、空間可視化、快速簡便等優點,已被廣泛應用[14-17]。值得注意的是,目前這一類生態環境評價大多數是集中在中分辨率影像上(如Landsat系列數據),而在中高或高分辨率影像的應用則很少,主要是因為中高或高分辨率影像的波段數少,通常只有可見光和近紅外的4個波段,缺乏以上生態環境遙感評價技術所需要的中紅外波段。由于高分辨率影像可以更好地揭示地表生態環境細節[18],因此,如何利用只有可見光和近紅外4個波段的中高或高分辨率遙感影像來進行區域生態質量監測與評價是當今基于遙感信息的空間化生態環境評價技術必須解決的一個關鍵問題。

本文以福建敖江流域的貴安開發區為重點研究對象,采用基于遙感信息的空間化生態環境評價技術中最具代表性的遙感生態指數(RSEI),構建了可用于只有4個波段的中高分辨率影像的生態質量指標,并將其應用于定量分析建筑用地的時空變化及其產生的生態效應,以期為細尺度的區域生態環境監測與評價提供一種新的技術。

1 研究方法

1.1 研究區概況

敖江位于福建省東北部,為福建省第六大河流,是閩東獨立水系,其中游修建的山仔水庫被定為福州市的第二水源。敖江流經的連江段,近年來隨著經濟的快速發展,沿岸大片的土地被開發,大量的泥沙排入江中,特別是近年來新發展的貴安開發區,其大規模的開發建設造成水土流失問題嚴重,對水源地的水質形成了潛在的威脅。

本文以建設項目引發的生態變化區域為重點研究對象,最終確定了涵蓋山仔水庫至貴安開發區的敖江段及其沿岸地區為主要研究區(圖1左,面積451.98 km2),其中大規模開發的貴安新區是本研究的重點區域(圖1右)。

圖1 研究區范圍Fig.1 Study area

1.2 遙感數據源及其預處理

本文選用2幅中高分辨率遙感影像作為主要數據源,分別為2010年8月3日的ALOS影像和2016年9月3日的GF- 1影像(表1)。兩幅影像季相相近,均為夏季,因此,植被具有相近的物候和生長狀態,保證了實驗結果的可比性。

表1 主要數據源

由于ALOS和GF- 1影像缺少計算RSEI生態指數所需的熱紅外波段,因此選用Landsat影像的熱紅外波段來補充。但由于缺乏與所用ALOS和GF- 1影像同一年份的Landsat影像,本文選用了它們前一年份的Landsat影像,時間分別為2009年6月6日的Landsat 5 TM 6波段影像和2015年9月27日的Landsat 8 TIRS 10波段影像。

構建RSEI的濕度分量需要選取多幅ALOS和GF- 1影像及其同步或近同步的Landsat影像(表2),因此本文還選用了江蘇連云港和甘肅酒泉市的影像來補充。采用多個地理位置的影像有利于所推導的濕度分量有較好的通用性。

表2 輔助數據源

為了減少不同時相影像在地形、光照等方面的差異以及保證影像間空間疊加分析的準確性,所有的ALOS和GF- 1影像需要經過正射校正和輻射校正。首先進行影像的正射校正。由于購買的GF- 1影像是Level 1A級別,因此可基于影像自帶的RPC文件,利用ENVI軟件進行RPC正射校正。而ALOS影像缺乏自帶的RPC文件,因此需要自定義RPC進行正射校正。輻射校正采用的是中國資源衛星應用中心官方網站(http://218.247.138.119/CN/index.shtml)提供的GF- 1輻射定標參數,以及Bouvet等[19]提供的ALOS輻射定標參數,并采用Chavez的COST大氣校正模型[20]。對GF- 1和ALOS影像進行輻射校正,將影像的亮度值轉換為傳感器處反射率,其公式為：

L= gain ·Q+ bias

(1)

ρ= [π·(L-Lh) ·d2] /(Es·cosθs)

(2)

式中：L是傳感器接收到的輻射亮度;gain和bias8分別為增益值與偏置值;Q為亮度值(DN);Lh為大氣影響修正值,可以通過最暗像元法獲得[20];d為日-地天文單位距離;Es為大氣頂部平均太陽輻照度;θs為太陽天頂角。以上參數可從影像頭文件中獲得。

由于從USGS網站下載的Landsat 5 TM和Landsat 8 OLI影像均是L1T數據產品,已經過系統輻射校正和地面控制點的幾何校正,并且使用DEM數據進行地形校正,因此可直接用于疊加分析。采用Landsat用戶手冊的模型[21]和Chavez的COST大氣校正模型[20]將各個Landsat影像的亮度值均轉換為傳感器處反射率。

1.3 建筑用地信息提取

由于ALOS、GF- 1影像缺乏中紅外波段,因此無法將傳統的適用于中等空間分辨率影像的各種建筑用地指數應用于該類影像。為此,本文參考Xu[22]基于規則提取不透水面的思路,通過分析各種地類在ALOS、GF- 1影像中的光譜特征,最終建立了基于ALOS、GF- 1影像的建筑用地提取規則和模型(圖2)。其中選取了歸一化水體指數NDWI[23]和歸一化植被指數NDVI參與模型構建,計算公式如下：

NDWI = (ρ2-ρ4)/(ρ2+ρ4)

(3)

NDVI = (ρ4-ρ3)/(ρ4+ρ3)

(4)

式中：ρi(i=1, 2, 3, 4)分別代表ALOS或GF- 1影像的第1、2、3和4波段的反射率。

圖2 ALOS和GF- 1影像的建筑用地提取規則和模型Fig.2 Rules and models used for extracting built-up land feature from ALOS and GF- 1 images

1.4 RSEI指數計算

遙感生態指數RSEI是近年提出的完全基于遙感信息的生態評價指數[11],已被廣泛應用于不同生態條件的區域和城市[14],[24-25]。該指數耦合了與生態密切相關,且人類能夠直接感知的濕度、綠度、熱度和干度4大指標。RSEI指數各指標可通過以下遙感指數或參量求?。?/p>

(1) 濕度指標：通常用纓帽變換中的濕度分量來代表。但目前尚無針對ALOS和GF- 1數據的纓帽變換算法及其濕度分量。因此,本文基于Landsat系列數據纓帽變換的濕度分量,及其與ALOS、GF- 1數據的擬合關系來求出它們的濕度分量。

圖3為求取GF- 1影像濕度分量系數的流程圖。首先,從表2江蘇連云港市和甘肅酒泉市這2幅GF- 1與Landsat 8的同步影像對中合計選取了一一對應的40384個隨機樣本點,利用Baig等[26]的算法先求出Landsat 8影像纓帽變換的濕度分量,并將其作為因變量,然后以GF- 1各波段作為自變量,采用多元線性回歸對二者進行擬合,求出GF- 1濕度分量的經驗系數,并將其單位化,即獲得GF- 1濕度分量的系數(方程通過P<0.001的顯著性檢驗)：

WetnessGF- 1= -0.1591ρ1+0.7574ρ2-0.6311ρ3-0.0523ρ4-0.003 (R=0.829)

(5)

圖3 GF- 1影像求取濕度分量系數的流程圖 Fig.3 Flowchart of the derivation of the wetness-component coefficients for GF- 1 imagery

同理,利用Crist[27]的Landsat 5 TM纓帽變換濕度分量與ALOS數據間的擬合關系求取ALOS影像纓帽變換濕度分量(方程通過P<0.001的顯著性檢驗)：

WetnessALOS=-0.1912ρ1+0.6081ρ2-0.7381ρ3-0.2210ρ4+0.003 (R=0.807)

(6)

(2) 綠度指標：選用與植物生物量、葉面積指數和植被覆蓋度都密切相關的歸一化植被指數(NDVI)來表示,見公式(4)。

(3) 熱度指標：由于ALOS和GF- 1影像缺乏熱紅外波段,采用TM 6波段和TIRS 10波段反演的地表溫度(LST)代表熱度指標。本文采用Jiménez-Muoz等[28-29]提出的單通道算法來反演地表溫度。其主要公式為：

LST =γ[ε-1(ψ1L+ψ2) +ψ3]+δ

(7)

(8)

式中：LST為地表溫度;對于TM 6波段和TIRS 10波段,參數bγ分別為1256和1324;γ和δ是基于Planck函數的2個參數;ε為地表比輻射率,對于TM 6波段采用Sobrino等提出的基于植被覆蓋度的算法[30],對于TIRS 10波段,其取值可見參考文獻[31-32];ψ1、ψ2、ψ3可用下式計算：

ψ1= 1/τ,ψ2 =-L↓-L↑/τ,ψ3=L↓

(9)

式中：τ為大氣透過率,L↑和L↓為大氣上行和下行輻射強度,可根據影像的時間以及所處地理位置和季相,通過MODTRAN模擬得到;T為傳感器處的亮溫,公式為：

T=K2/ln(K1/L+ 1)

(10)

式中：K1和K2分別為定標參數,對于TM 6波段,K1=607.76 W m-2ster-1μm-1、K2=1260.56 K,對于TIRS 10波段,K1=774.89 W m-2ster-1μm-1、K2=1321.08 K。L為TM 6波段或TIRS 10波段的傳感器處光譜輻射值,對于TM 6波段,L可以從公式(1)求取,對于TIRS 10波段,L可以用下式求取：

L=ML·Q+AL

(11)

式中：ML和AL分別為TIRS 10波段的乘法調整系數和加法調整系數(可從影像的頭文件中獲得)。

(4) 干度指標：由于缺乏中紅外波段,RSEI中采用的代表干度的IBI建筑指數[33]、SI裸土指數[34]及二者的合成指數NDBSI[11]等3個干度指標都無法應用,因此,通過考察類似的指標,考慮采用不需要中紅外波段的土壤鹽漬度指數(Soil Salinity Index)[35- 38]來表示。該指數不僅能夠增強土壤鹽漬化狀況,也能夠有效地增強建筑和裸土等地表信息。表3為所用的2幅Landsat影像的各個土壤鹽漬度指數與其3個干度指數之間的相關系數R。研究表明：SI-D、SI1、SI3和S5這4個土壤鹽漬度指數與干度指數的相關性較好,均為正相關,2幅影像的R的均值均高于0.84。為了進一步確定上述4個土壤鹽漬度指數在ALOS和GF- 1影像的適用性,分別計算出ALOS和GF- 1影像這4個土壤鹽漬度指數,然后將它們與近同步的Landsat影像的3個干度指數進行相關性分析(表4),發現對于ALOS和GF- 1影像,Douaoui等[37]提出的鹽漬度指數(SI-D)與各個干度指標的相關系數R的平均值最大,因此本文選其作為干度指標,公式為：

SI-D = (ρ1×ρ3)1/2

(12)

RSEI采用第一主成分(PC1)來構建指數[39]。主成分變換通過對特征光譜空間坐標軸的旋轉來去掉各指標間的相關性,從而將最主要的信息集中到第一主成分上。其最大優點就是集成各指標的權重不是人為確定,而是根據各個指標對各主分量的貢獻度來自動、客觀地確定,從而避免人為設定權重造成的結果偏差。

表3 Landsat影像的土壤鹽漬度指數與干度指數之間的相關系數R

表4 ALOS/GF- 1影像的土壤鹽漬度指數與近同步的Landsat影像的干度指數之間的相關系數R

Table 4 The correlation coefficients(R)between the soil salinity indices of ALOS or GF- 1 images and the dryness indices of near synchronous Landsat images

文獻Literature指數IndexALOS-TM GF-1-OLI IBISINDBSIIBISINDBSI平均AverageDouaoui等[37]Salinity Index (SI-D)0.681 0.765 0.739 0.726 0.834 0.799 0.757 Salinity Index 1 (SI1)0.680 0.772 0.742 0.714 0.824 0.788 0.753 Salinity Index 3 (SI3)0.677 0.767 0.738 0.710 0.820 0.784 0.749 Abbas和Khan[38]Salinity Index (S5)0.663 0.729 0.710 0.742 0.834 0.807 0.748

由于以上4個指標量綱不統一,需將它們進行正規化,將它們的值都統一到[0, 1]之間。 經過正規化后的4個指標就可以用來計算PC1。為使PC1大的數值代表生態條件好,進一步用1-PC1獲得RSEI：

RSEI=1- {PC1[f(Wetness, NDVI, LST, SI-D)]}

(13)

為了便于比較,進一步將RSEI進行歸一化,使其值介于[0, 1]之間。其值越接近1,表示生態質量越好。

2 結果與分析

2.1 建筑用地的時空變化

采用以上ALOS和GF- 1影像的建筑用地提取模型獲得研究區2010、2016年的建筑用地信息, 并對提取結果再進行適當的人工修改(圖4)。參照ALOS全色影像(2.5 m)和GF- 1全色影像(2 m),分別采用300個隨機樣點對提取結果進行精度驗證。結果表明,2個研究年份的建筑用地提取的總精度及各類用地的使用者精度和生產者精度均在88%以上(表5),滿足精度要求。

為了更好地了解研究區的建筑用地變化,對研究區和貴安開發區所提取的建筑用地信息進行統計分析(表6)。結果表明,研究區建筑用地面積在建設前后快速增長,從2010年的7.43 km2增長到2016年的17.79 km2,共增加了10.36 km2,增幅達139%。其中2010—2016年間貴安開發區的建筑用地變化面積占整個研究區的86%,可見該區域建筑用地擴展主要是由大規模的建設項目引起的。

圖4 2010和2016年研究區遙感影像及其對應的建筑用地提取影像Fig.4 Remote sensing images and the corresponding built-up land maps of the study area in 2010 and 2016

年份Year數據類型Data type類別Class驗證數據Reference data建筑用地Built-up land非建筑用地Non-built-up land總計Row totals使用者精度/%User′s accuracy 2010分類數據建筑用地4544991.84非建筑用地624525197.61列合計51249300生產者精度/%88.2498.39總精度Overall accuracy =96.67%;Kappa=0.88002016分類數據建筑用地5265889.66非建筑用地723524297.11列合計59241300生產者精度/%88.1497.51總精度Overall accuracy=95.67%;Kappa=0.8619

圖5為2010—2016年引發建筑用地發生變化的大型建設項目分布位置圖。近6年來,貴安開發區呈現爆發式發展,特別是在貴安新天地園區中,一系列大型配套項目如國際創新中心貴安基地、貴安花海拓展公園、貴安水世界、貴安歡樂世界、奧特萊斯購物廣場、福州一中貴安學校、福州百姓文化長廊、世紀金源大飯店等以及一批低密度住宅、花園洋房、高層公寓等住宅區相繼建成,使該區一躍成為“海西首席旅游商住綜合體”。此外,貴安通往福州市區的主要道路沿線也有大面積住宅區建成。

表6 2010—2016年建筑用地變化

圖5 2010—2016年建筑用地主要變化區的大型建設項目位置示意圖Fig.5 Map showing the locations of large construction projects developed in the years 2010—2016

2.2 生態質量的時空變化

首先根據推導出的濕度分量系數反演出研究區2010年ALOS和2016年GF- 1影像的濕度分量圖(圖6)。圖中可以看出,水體具有最高的濕度(紅色),植被次之(綠色),而建筑用地最低(藍色),說明本文建立的濕度分量可以客觀反映地表濕度的實際情況。

圖6 2010和2016年濕度分量分級圖Fig.6 3-leveled wetness component maps of the study area in 2010 and 2016

表7為遙感生態指數RSEI的主成分分析數據。從表中可知,在這2個年份中,PC1的特征值所占的比例都大于80%,說明用PC1可以較好地代表4個指標變量。在這4個指標中,濕度和綠度均為正值,說明它們對生態的貢獻起正向作用;而熱度和干度均為負值,說明它們對生態的貢獻起負向作用,這與實際情況相符。

表8為研究區RSEI的相關統計數據。從表中可知,整個研究區的RSEI均值從2010年的0.813下降到2015年的0.765,下降了6%,說明生態質量總體下降。而就貴安開發區而言,其生態質量下降得更明顯,RSEI均值從建設前的0.787下降到建設后的0.689,下降了12.5%。從4個分指標變化情況來看,對于整個研究區,對生態有利的濕度和綠度指標的均值在2010—2016年間都表現為下降,而對生態起負面作用的熱度和干度指標的均值都表現為上升。這4個指標的各自表現也說明了整個研究區的生態質量呈下降趨勢。而對于貴安開發區,其變化趨勢與整個研究區類似,但總體變化幅度更大,這也使得貴安開發區的生態質量下降得更為明顯,其下降幅度是整個研究區的2倍?？偟目磥?所構建的生態指數RSEI可以很好地綜合反映4個指標的變化情況。

表7 主成分分析數據

表8 4個指標分量和RSEI指數的變化

RSEI自2013年提出以來,已被廣泛應用,從數十個地區的應用情況來看,該指數具有較好的魯棒性,其結果也都有很好的可比性。如沙漠地區一般<0.35[40],城市一般在0.4—0.6[15,41],林區一般>0.65[42- 43]。本次研究區以林區為主,2個年份的RSEI值都在0.65以上,與現有的研究(如南甕河自然保護區[42]、長白山自然保護區[43])基本一致。

圖7為基于RSEI生態指數反演的研究區2010、2016年生態狀況圖,圖中顏色從紅到綠代表生態從差到優。建筑用地主要呈紅色調,植被呈綠色調,水體根據渾濁程度呈黃到紅色調。

圖7 研究區2010、2016年RSEI生態狀況圖Fig.7 RSEI maps of the study area in 2010 and 2016

進一步將各年份的生態指數以0.2為間隔分為5級,分別代表差、較差、中等、良、優5個生態等級,然后據此對建設前后2個年份的生態指數影像進行分級(表9)。統計表明：2010—2016年,研究區的生態級別為差到中級(1—3級)所占的面積比例從5.51%上升到8.31%,而優良等級(4—5級)所占的面積從94.49%下降91.69%,表明整個研究區的生態質量雖有下降但幅度較小。然而,貴安開發區則明顯不同,其生態級別為差到中級(1—3級)所占的面積比例從9.29%上升到20.9%,而優良等級(4—5級)所占的面積從90.71%下降79.1%,表明開發區的生態質量明顯下滑。

表9 2010—2016年各RSEI級別的面積變化/km2

圖8 基于紅綠法的2010—2016年RSEI變化檢測 Fig.8 Change detection of RSEI between 2010 and 2016 based on red-green differencing method

RSEI除了能夠作為刻畫區域生態狀況的一個定量指標外,還可用于區域生態時空變化的可視化,有利于不同時期生態狀況的時空對比。利用紅綠法對研究區開發前后生態質量的空間變化進行差值變化檢測(圖8)。從圖8看出,代表生態條件變差的大片區域主要集中分布在貴安開發區,特別是在貴安新天地園區,這也與建筑用地空間擴展情況一致。從變化檢測結果來看(表10),2010—2016年間,研究區等級上升(變好)的地區面積為28.52 km2,占總面積的6.3%,而生態等級下降(變差)的地區面積為153.47 km2,占33.9%,大大超過前者。

2.3 建筑用地空間變化與生態變化的關系

為了揭示建筑用地與生態質量二者時空變化的定量關系,利用RSEI可刻畫空間變化的優勢將二者進行回歸分析。為避免不同空間單元尺度對研究結果造成影響,本文按照50 m×50 m、100 m×100 m、300 m×300 m和500 m×500 m這4種單元網格分別對研究區2010、2016年的RSEI和建筑用地影像進行系統采樣,求取每個網格在兩年份間生態質量的差值。同時,計算出兩年份間各單元網格中的建筑用地面積占比變化情況,然后對二者進行回歸分析,以分析區域建筑用地空間變化與生態變化之間的定量關系。

回歸結果表明(圖9),RSEI與建筑用地面積占比在4種單元網格中均呈現出顯著的線性負相關關系(R2均大于0.8),表明建筑用地占比越大,其生態質量下降越顯著。以R2最大的100 m×100 m網格的回歸方程為例,若建筑用地面積占比每增加10%,其RSEI值將下降0.041。也就是說,如果要將貴安開發區生態質量控制在不低于良好等級,即RSEI值不小于0.6,則建筑用地面積的上升空間只有10.33 km2,一旦超出這一界限,則生態質量就會落入中等級別。

表10 2010—2016年研究區生態質量變化檢測

圖9 不同采樣網格的建筑用地面積占比變化與生態質量變化的回歸關系Fig.9 Relationship between built-up land and ecological quality tested with different sampling grids

3 結論

本研究通過多元回歸分析構建濕度分量和引入鹽漬度指數,首次將遙感生態指數(RSEI)運用在只有可見光和近紅外4個波段的中高分辨率遙感影像上,解決了開展生態環境遙感評價技術依賴中紅外波段的問題,實現了區域生態質量在空間細尺度上的定量綜合評價。

總的看來,貴安開發區的建設是引起研究區生態質量總體下降的關鍵原因。貴安開發區的建筑用地面積在2010—2016年間共增加了8.94 km2,增幅達266%,占整個研究區建筑用地變化面積的86%。建筑用地面積的增長導致了開發區范圍生態質量的顯著下降,表現在其生態指數RSEI均值在建設前后下降了12.5%。建筑用地面積占比與生態質量呈顯著的負相關關系,建筑用地面積占比每增加10%,其RSEI值將下降0.041。顯然,貴安開發區的建設,破壞了該區原有以植被為主的自然生態,造成了區域生態質量的顯著下降。因此,在區域經濟發展的決策規劃中,要融入生態的理念,嚴格控制建筑用地面積,有效地保護青山綠水,實現區域的健康可持續發展。

對一個區域的生態研究,一般應采用同一數據源的遙感影像,但本文因受到可用影像數據源的限制,不得不采用ALOS AVNIR- 2和GF- 1 PMS1這2種不同的傳感器影像,因此,可能會對研究結果會帶來一定的影響,如不同傳感器之間的系統差異等。