改進遙感生態指數的宜賓市三江匯合區生態環境評價

張秦瑞， 趙良軍， 林國軍， 萬虹麟

(1.四川輕化工大學自動化與信息工程學院,人工智能四川省重點實驗室，宜賓 644000； 2.四川輕化工大學計算機科學與工程學院，企業信息化與物聯網測控技術四川省高校重點實驗室，自貢 643000； 3.河北水利電力學院水利工程學院，滄州市遙感與智慧水利技術創新中心，滄州 061001)

0 引言

隨著人類社會的發展，城鎮化進程的不斷加速不可避免地對生態環境造成了負面影響。客觀、準確地評價地區生態水平，有助于為生態環境改善提出科學的措施。Pauleit等[1]在2005年通過城市土地利用及覆被變化，對城市發展進行了評估，但未對生態質量進行定量測評； Musse等[2]在2018年結合遙感與普查數據構建城市環境質量指數(urban environmental quality index, UEQI)，對城市環境質量進行了評估，但由于普查數據不易獲得，該指數運用在城市生態評價時較為困難； 王瑤等[3]在2008年基于生態環境狀況指數(ecological index, EI)對北京市生態狀況進行評價，得出EI指數雖能夠反映區域生態狀況，但仍存在指標不易獲得的缺陷。此外，EI指數僅是一個數值，生態環境狀況的空間分布情況無法可視化。

徐涵秋[4]在2013年提出了基于遙感技術的遙感生態指數(remote sensing ecological index,RSEI)，并使用該指數對研究區生態環境進行了客觀、定量的評價分析，該模型被許多學者廣泛應用于生態環境的快速評測[5-7]，但傳統RSEI模型在表征干度時，由歸一化建筑指數(index-based built-up index, IBI)來對城市建設用地進行表征[8-9]，由于該指數是通過短波紅外、近紅外波段尋找最強、最弱反射波段進行構建，所以在對房頂、道路、玻璃、水泥面以及塑料等眾多地物進行計算時會產生誤差，出現裸土區域IBI值明顯大于城區的情況。因此，本文結合不透水面指數(normalized difference impervious index, NDISI)[10]與裸土指數(soil index, SI)[11]構成新型干度指標歸一化不透水面和裸土指數(normalized difference impervious and soil index, NDISSI)，以表征土地的利用程度。通過主成分分析法(principal component analysis, PCA)耦合綠度、濕度、溫度以及新型干度指標，從而構建改進型遙感生態指數(improved remote sensing ecological index,IRSEI)，并對宜賓市三江匯合區的生態情況進行評價，以驗證模型的普遍適用性，為城區擴張之后的環境綜合治理提供依據。

1 研究區概況及數據源

1.1 研究區概況

本文以宜賓市三江匯合區作為研究區，宜賓有“萬里長江第一城”“中國酒都”“中國竹都”之稱，地處云貴川三省結合部，金沙江、岷江、長江三江交匯處，是中央重點實施的“三大戰略”之一： 長江經濟帶的首城。宜賓市近些年大刀闊斧地進行行政區調整，依托無比優越的地理位置，通過建設大學城吸引人才、創辦國家級臨港經濟技術開發區進行招商引資，大力推動了現代化基礎設施建設，這使得城區擴張明顯加速，難以避免地對當地生態環境造成了負面影響。作為宜賓城市核心的三江匯合區擁有三江六岸景觀資源，被定位為中央商務區，以此為源點的城區發展尤為迅猛。為保持生態優先、綠色發展，研究區的生態評估工作已顯得刻不容緩，研究區地理位置在N28°41′24.23″～28°50′48.20″，E104°30′48.64″～104°46′27.13″之間，面積約為420 km2。

1.2 數據源及其預處理

本文選擇2013年、2017年、2020年3景Landsat8衛星影像作為實驗數據，研究區域時相不超過15 d，云量低于1%，最大程度上保證不同觀測時間植被生長規模的一致性，從而確保實驗數據具有可比性。使用ENVI5.3軟件對可見光及熱紅外波段影像進行輻射定標，將圖像的像元亮度值轉化為輻射亮度值，對結果進行大氣校正，獲得真實的地表反射率。為避免河流湖泊對后續濕度指標反演時造成干擾，還需對校正后的圖像進行水域掩模，使用改進的歸一化差異水體指數(modified normalized difference water index, MNDWI)[12]對水域進行提取，其公式為：

MNDWI=(Green-SWIR1)/(Green+SWIR1) ，

(1)

式中Green和SWIR1分別為影像的綠光和短波紅外1波段。

2 IRSEI的指標與構建

單一指標無法準確地對生態環境進行客觀評價與全面反映，因此本研究選取綠度、濕度、溫度以及干度這4個指標，利用PCA進行降維，綜合構建IRSEI，從而對生態質量進行評估。

2.1 綠度指標

綠度指標表示地表植被覆蓋和生長情況，是反映區域生態環境質量的敏感因素。采用歸一化植被指數(normalized difference vegetation index, NDVI)進行表示，該指數對綠色植物敏感，與植物分布密度呈線性關系，是植物生長狀況和空間分布密度的最佳指標[13]。其公式為：

NDVI=(NIR-Red)/(NIR+Red)，

(2)

式中NIR和Red分別為影像的近紅外和紅光波段。

2.2 濕度指標

纓帽變換(K-T變換)是一種特殊的PCA分析，經纓帽變換的前3個分量主要反映土壤亮度、綠度、濕度特征，取變換結果的第三分量作為濕度特征WET[14]，其公式為:

WET=0.151 1Blue+0.197 3Green+0.328 3Red+0.340 7NIR-0.711 7SWIR1-0.455 9SWIR2 ，

(3)

式中Blue和SWIR2分別為影像的藍光和短波紅外2波段。

2.3 溫度指標

地表溫度(land surface temperature, LST)與植被生長、水資源循環息息相關，是生態環境分析的重要指標，采用大氣校正法對LST進行反演計算，植被覆蓋度Fv公式為：

(4)

(5)

(6)

(7)

式中：NDVIsoil和NDVIvegetation分別為土壤地區和植被地區的NDVI值，取值設為0和0.7；εsurface為自然表面輻射率；εbuilding為城區表面輻射率；ε為地表比輻射率[15]。

L10=gainDN+bias，

(8)

(9)

式中：L10為Landsat8影像輻射定標之后第10波段的反射率；gain和bias為該波段的增益與偏置；DN為影像像元的灰度值； K1和K2分別為定標參數，K1=774.89 W/(m2·sr·μm)，K2=1 321.08 K；T為熱紅外傳感器處溫度。

由式(4)—(9)可算得溫度指標LST[16]，即

(10)

式中：λ為該波段的中心波長，λ=10.9 μm；ξ為1.438×10-2m·K；LST單位為℃。

2.4 干度指標

不透水面是指人類作用于自然地表形成的諸如建筑物、道路等具有不透水性的城市人工地表，是反映城市擴張和變化的重要指標。建筑物、道路和房頂一類的不透水物質，普遍存在熱紅外波段輻射率高、近紅外波段反射率低的特征，IBI[17]構建原理為使用熱紅外與近紅外波段比值來增強這些地類的信息。但砂土、水體也具有相似的光譜特征，所以僅依據這2個波段對地物特征進行提取，勢必會混雜有水體和砂土的信息。為了更好地區分出建設用地，NDISI[18]在此基礎上加入了中紅外波段和MNDWI指數，用以區分不透水面和水體及砂土，采用NDISI對城區地類進行提取，其總體精度能夠從IBI的73%左右提升至90%以上[19]。因此，本文使用NDISI和SI共同構建干度指標NDISSI，該指標能夠綜合建設用地與裸土信息，其公式為：

(11)

(12)

(13)

式中TIRS1為熱紅外第10波段影像。在計算NDISI指數時，需先將MNDWI與TIRS1進行0～255的線性拉伸，以統一各波段的量化級別。

2.5 IRSEI的構建

PCA是一種除去波段之間多余信息，將多波段的圖像信息壓縮到比原波段更有效的少數幾個相互獨立波段的轉換方法，它能夠將高維的數據映射到低維的空間中進行表示，用較少的數據維度，保留住較多的原始數據點的特性。想要以單一的指數反映生態環境質量，需要給構建遙感生態指數的每個指標賦予不同的權值，主觀經驗賦權值的方法，容易造成結果的偏差。利用PCA方法，根據不同指標對主成分的貢獻率，可自動、客觀地確定權值。取第一主成分分量PCA1貢獻度作為權重，再將結果歸一化處理到[0,1]，接近1的值代表生態狀況好，接近0的值代表生態狀況差，構建IRSEI，即

IRSEI=(PCA1-PCA1min)/(PCA1max-PCA1min) ，

(14)

式中PCA1min與PCA1max分別為PCA1中的最小值與最大值。

3 結果與分析

3.1 IRSEI代表性驗證

表1是宜賓市三江匯合區3個年份4個指標的PCA分析結果。從表中可以看出PCA1具有以下特征： ①在各年份中，PCA1的特征值所占的比例都大于88%，表明已集中了4個指標的絕大部分信息； ②各個指標對PCA1中都有一定的貢獻度，而不會像在其他特征分量(PCA2—PCA4)中出現大小不定、正負沒有規律的現象； ③在PCA1中，代表綠度的NDVI和代表濕度的WET指標呈正值，說明它們對良好的生態系統起著積極的作用，而代表溫度和干度的LST和NDISSI則呈負值，說明它們對良好的生態系統起著消極的作用，符合生活實際。同時，這與回歸方程中各指標的系數正負保持一致，同樣證明了模型構建的正確性。而在PCA2—PCA4中，這些指標正負不定，難以解釋。因此，較之于其他分量，PCA1有明顯的優勢，它不僅能夠解釋絕大多數的數據，還能夠很好地綜合4個指標的信息，并對其合理解釋，因此，可使用PCA1創建IRSEI。據統計，采用改進之后的IRSEI指數PCA1的百分比較RSEI有所提升，以研究區3期影像為例，分別從85%，86%和85%，提升到了88%，89%和89%。此外，在新構建IRSEI指數的PCA1中，干度指標對應系數的絕對值與RSEI中對應的值相比有顯著提升。在其他3個指標對應的系數基本不變的情況下，該系數的絕對值在這3期影像中分別從RSEI指數的0.34，0.40和0.39提升至IRSEI的0.52，0.60和0.60，平均提升超過52%。PCA1和對應干度系數絕對值的提升說明，模型改進之后能夠提取更多的信息進行生態評估，IRSEI能夠更加精準地反映出干度對生態環境造成的負面影響。

表1 主成分分析結果

新構建的IRSEI指數綜合代表性可由它和各生態指標的相關性進行表示，從表2可以看出： 就單一指標而言，各指標相互之間的平均相關度最高的為NDISSI，在2017年達到了0.79，3期平均相關度為0.78。而新構建的IRSEI指數與各指標的相關度在這3期中均大于0.75，平均相關度達0.78，比這4個指標的均值0.64高出22%。由此可見，新構建的IRSEI指數能夠很好地集成各指標的信息，并且比任意的單一指標更具有代表性，能夠較好地綜合代表城市生態水平。相較于RSEI指數，新構建的IRSEI指數各指標與模型的平均相關度也有所提升。據統計，改進前后的各指標與模型的平均相關度在這3期影像中分別從0.73，0.75和0.74提升至0.76，0.79和0.77，表明IRSEI指數相比RSEI指數能夠更好地代表各個指標的綜合信息。

表2 各指標與IRSEI指數的相關性統計

3.2 IRSEI模型構建及分析

對各年份4個指標及IRSEI專題圖進行貫穿全影像的隨機采樣，采樣點數為30 000個。以NDVI，WET，LST，NDISSI為自變量，IRSEI為因變量，構建宜賓市三江匯合區多元回歸生態指數模型(模型皆通過了1%的顯著性檢驗)，即

IRSEI2013=0.63NDVI+0.04WET-0.25LST-0.42NDISSI+0.39，

(15)

IRSEI2017=0.56NDVI+0.05WET-0.22LST-0.45NDISSI+0.47，

(16)

IRSEI2020=0.64NDVI+0.11WET-0.25LST-0.43NDISSI+0.39。

(17)

從模型中可看出，4個指標在逐步回歸時都保留了下來，證明構建IRSEI的4個指標均為生態評估的關鍵性指標。此外，NDVI和WET的系數為正，說明對生態評價有著積極作用；LST和NDISSI系數為負，說明對生態評價有著消極作用。

各生態指標與IRSEI的關系可由三維散點圖直觀地進行分析。從圖1可以看出IRSEI的高值區集中在綠度高、濕度大的密集植被覆蓋區； 而低值區集中在溫度高、干度大的建筑區域。NDVI的回歸系數在3期均大于0.56，反映出NDVI對生態狀況的貢獻度最高；NDISSI回歸系數絕對值在3期中均大于0.42，其對生態狀況的影響僅次于NDVI；LST回歸系數絕對值均大于0.22，其對生態的影響相對較弱；WET的回歸系數為0.04～0.11，它對生態狀況的影響程度在4個指標中是最低的。

(a) NDVI和WET(b) LST和NDISSI

3.3 城市擴張分析

為更好地分析城市擴張情況，將2020年NDISSI與2013年NDISSI進行差值計算，對其結果歸一化處理后使用等間距分級法以0.2為間距重分為5類，如圖2(c)所示。通過對比圖2(a)和(b)，可發現城市擴張極為明顯，且主要集中在三江匯合處(圖中白色區域)的北面及南面，這與圖2(c)中顯著增加區域(紅色圖斑)相吻合，表明新構建的干度指標NDISSI能夠清晰準確地反映出城市擴張情況。

(a) 2013年遙感影像(b) 2020年遙感影像(c) NDISSI差值圖

圖2 研究區2013—2020年城市擴張示意圖

3.4 環境評價分析

為了更好地分析IRSEI的代表性，將各年份IRSEI值以0.2為間隔劃分為5個等級： [0～0.2)為差,[0.2,0.4)為較差,[0.4,0.6)為中,[0.6,0.8)為較好，[0.8,1]為好。

從表3及圖3數據的變化情況來看，2013年宜賓市三江匯合區的IRSEI均值為0.54； 2017年為0.67，較2013年上升了24%。2013—2017年間，對生態負面影響最大的NDISSI從-0.44略微加劇到-0.47，這是因為自2013年臨港新區成立后，城區急速擴大，導致研究區不透水面增加所致。另一方面，隨著退耕還林政策的不斷推進，以及臨港新區建設過程中的植被恢復，使得對生態環境正面影響最大的NDVI平均值從0.41猛增到0.55，這是研究區即使在NDISSI略微增大的同時，環境依然能夠大為好轉的原因，直觀體現在生態級別為較差和中的面積從68.84 km2和179.80 km2急劇縮小至39.75 km2和94.09 km2。反之，生態級別為較好和好的面積從152.74 km2和12.11 km2猛增至185.95 km2和104.84 km2； 2020年IRSEI均值為0.63，較2017年下滑6%，生態環境有所惡化。截至2020年，NDVI，WET與NDISSI同比2017保持穩定，由于晝夜溫差的緣故，僅從LST的均值結果進行分析缺乏說服力，需先對其進行歸一化操作，再進行比較[1]。結果顯示，歸一化后的LST在2017年和2020年分別為0.34和0.37，增長了9%。可見2017—2020年間，隨著城區的擴張，城市熱島效應[20]不斷增強，這是生態狀況下滑的原因，直觀體現在生態級別為好的面積從2017年的104.84 km2減少到2020年的87.46 km2。

表3 各年份指標與IRSEI的統計均值

圖3 三江匯合區不同時期生態等級面積

研究區2013—2020年生態變化檢測情況如圖4所示，即將2017年與2013年、2020年與2017年的IRSEI專題圖進行差值運算，對其結果歸一化之后，同樣按照0.2為間隔進行劃分，結果從小到大依次表現為： 顯著變差、明顯變差、基本不變、明顯變好、顯著變好。如圖4 (a)所示，從空間變化結果來看，2013—2017年間生態變差的地區主要集中在三江匯合區西北以及東北方向(橙、紅色圖斑)，這部分區域恰巧是新城區的開發地。而生態變好的地區主要分布于的東南部以及中心處(淺綠色、綠色圖斑)，東南部地區生態狀況好轉的原因是退耕還林政策的不斷推進，使得植被覆蓋面得到提升。而三江匯合中心地帶生態狀況的好轉得益于新修濕地公園和景觀綠地等老城區的改造項目。如圖4 (b)所示，2017—2020年間生態惡化的區域主要集中在三江匯合區北面及南面(橙、紅色圖斑)，北面惡化的原因是該區域正破土興建宜賓大學城，南面惡化原因為老城區擴張。三江匯合區的邊緣地帶生態不斷好轉(淺綠色、綠色圖斑)，得益于退耕還林政策持續影響下的植被覆蓋面的提升。

(a) 2013—2017年(b) 2017—2020年

圖4 研究區IRSEI變化檢測

4 結論

以宜賓市三江匯合區為研究區，基于綠度指標(NDVI)、濕度指標(WET)、溫度指標(LST)以及干度指標(NDISSI) 建立的改進型遙感生態指數(IRSEI)，對該地區2013—2020年生態狀況及變化趨勢進行研究，主要結論如下：

1)不透水面指數(NDISI)與裸土指數(SI)構建的NDISSI能夠更加準確地反映出干度對生態環境造成的負面影響，這使得IRSEI抑制噪聲信息能力更強，相較于RSEI能夠增加4%有用數據用于生態質量分析。此外，IRSEI與各指標的平均相關度相比RSEI提升了22%左右，這表明IRSEI能夠更好地集成各個指標的信息。

2)宜賓市三江匯合區2013—2020年的生態環境質量，呈現出先好轉后輕微惡化的趨勢。在2013—2017年間，研究區生態狀況明顯好轉，生態級別為“差”和“好”的面積占比分別從2013年的3.04%和2.84%變為2017年的0.09%和24.67%； 在2017—2020年間，研究區生態狀況變差，2020年生態級別為“差”和“好”的面積占比分別為0.89%和20.74%。

3)IRSEI指數能夠綜合4個指標對生態質量進行評估，通過建模分析得出4個指標權重由大到小依次為： NDVI，NDISSI，LST以及WET。這表明植被是城市生態系統中最重要的影響因素，但值得注意的是NDISSI與LST的綜合作用會抵消植被的影響。

此外，宜賓市位于四川盆地，森林覆蓋面廣，水汽充沛，這使得遙感影像受云霧的影響較大，長時間序列數據獲取較難，在進一步的研究中，可以將無人機遙感技術應用于生態環境分析，以降低大氣云層的影響，從而提高遙感監測精度。