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(yè)信息化與物聯(lián)網(wǎng)測控技術(shù)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(shù)創(chuàng)新中心，滄州 061001)

0 引言

隨著人類社會的發(fā)展，城鎮(zhèn)化進程的不斷加速不可避免地對生態(tài)環(huán)境造成了負面影響?？陀^、準確地評價地區(qū)生態(tài)水平，有助于為生態(tài)環(huán)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(fā)展進行了評估，但未對生態(tài)質(zhì)量進行定量測評； Musse等[2]在2018年結(jié)合遙感與普查數(shù)據(jù)構(gòu)建城市環(huán)境質(zhì)量指數(shù)(urban environmental quality index, UEQI)，對城市環(huán)境質(zhì)量進行了評估，但由于普查數(shù)據(jù)不易獲得，該指數(shù)運用在城市生態(tài)評價時較為困難； 王瑤等[3]在2008年基于生態(tài)環(huán)境狀況指數(shù)(ecological index, EI)對北京市生態(tài)狀況進行評價，得出EI指數(shù)雖能夠反映區(qū)域生態(tài)狀況，但仍存在指標不易獲得的缺陷。此外，EI指數(shù)僅是一個數(shù)值，生態(tài)環(huán)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(shù)的遙感生態(tài)指數(shù)(remote sensing ecological index,RSEI)，并使用該指數(shù)對研究區(qū)生態(tài)環(huán)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(tài)環(huán)境的快速評測[5-7]，但傳統(tǒng)RSEI模型在表征干度時，由歸一化建筑指數(shù)(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(shù)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(gòu)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(chǎn)生誤差，出現(xiàn)裸土區(qū)域IBI值明顯大于城區(qū)的情況。因此，本文結(jié)合不透水面指數(shù)(normalized difference impervious index, NDISI)[10]與裸土指數(shù)(soil index, SI)[11]構(gòu)成新型干度指標歸一化不透水面和裸土指數(shù)(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(gòu)建改進型遙感生態(tài)指數(shù)(improved remote sensing ecological index,IRSEI)，并對宜賓市三江匯合區(qū)的生態(tài)情況進行評價，以驗證模型的普遍適用性，為城區(qū)擴張之后的環(huán)境綜合治理提供依據(jù)。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

本文以宜賓市三江匯合區(qū)作為研究區(qū)，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(jié)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(zhàn)略”之一： 長江經(jīng)濟帶的首城。宜賓市近些年大刀闊斧地進行行政區(qū)調(diào)整，依托無比優(yōu)越的地理位置，通過建設大學城吸引人才、創(chuàng)辦國家級臨港經(jīng)濟技術(shù)開發(fā)區(qū)進行招商引資，大力推動了現(xiàn)代化基礎設施建設，這使得城區(qū)擴張明顯加速，難以避免地對當?shù)厣鷳B(tài)環(huán)境造成了負面影響。作為宜賓城市核心的三江匯合區(qū)擁有三江六岸景觀資源，被定位為中央商務區(qū)，以此為源點的城區(qū)發(fā)展尤為迅猛。為保持生態(tài)優(yōu)先、綠色發(fā)展，研究區(qū)的生態(tài)評估工作已顯得刻不容緩，研究區(qū)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(shù)據(jù)源及其預處理

本文選擇2013年、2017年、2020年3景Landsat8衛(wèi)星影像作為實驗數(shù)據(jù)，研究區(qū)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(guī)模的一致性，從而確保實驗數(shù)據(jù)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(zhuǎn)化為輻射亮度值，對結(jié)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(xù)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(shù)(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(gòu)建

單一指標無法準確地對生態(tài)環(huán)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(gòu)建IRSEI，從而對生態(tài)質(zhì)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(qū)域生態(tài)環(huán)境質(zhì)量的敏感因素。采用歸一化植被指數(shù)(normalized difference vegetation index, NDVI)進行表示，該指數(shù)對綠色植物敏感，與植物分布密度呈線性關(guān)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(jīng)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(jié)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(huán)息息相關(guān)，是生態(tài)環(huán)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(qū)和植被地區(qū)的NDVI值，取值設為0和0.7；εsurface為自然表面輻射率；εbuilding為城區(qū)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(shù)，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(zhì)，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(gòu)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(jù)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(qū)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(shù)，用以區(qū)分不透水面和水體及砂土，采用NDISI對城區(qū)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(gòu)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(shù)時，需先將MNDWI與TIRS1進行0～255的線性拉伸，以統(tǒng)一各波段的量化級別。

2.5 IRSEI的構(gòu)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(shù)幾個相互獨立波段的轉(zhuǎn)換方法，它能夠?qū)⒏呔S的數(shù)據(jù)映射到低維的空間中進行表示，用較少的數(shù)據(jù)維度，保留住較多的原始數(shù)據(jù)點的特性。想要以單一的指數(shù)反映生態(tài)環(huán)境質(zhì)量，需要給構(gòu)建遙感生態(tài)指數(shù)的每個指標賦予不同的權(quán)值，主觀經(jīng)驗賦權(quán)值的方法，容易造成結(jié)果的偏差。利用PCA方法，根據(jù)不同指標對主成分的貢獻率，可自動、客觀地確定權(quán)值。取第一主成分分量PCA1貢獻度作為權(quán)重，再將結(jié)果歸一化處理到[0,1]，接近1的值代表生態(tài)狀況好，接近0的值代表生態(tài)狀況差，構(gòu)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(jié)果與分析

3.1 IRSEI代表性驗證

表1是宜賓市三江匯合區(qū)3個年份4個指標的PCA分析結(jié)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(xiàn)大小不定、正負沒有規(guī)律的現(xiàn)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(tài)系統(tǒng)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(tài)系統(tǒng)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(shù)正負保持一致，同樣證明了模型構(gòu)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(yōu)勢，它不僅能夠解釋絕大多數(shù)的數(shù)據(jù)，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(chuàng)建IRSEI。據(jù)統(tǒng)計，采用改進之后的IRSEI指數(shù)PCA1的百分比較RSEI有所提升，以研究區(qū)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(gòu)建IRSEI指數(shù)的PCA1中，干度指標對應系數(shù)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(shù)基本不變的情況下，該系數(shù)的絕對值在這3期影像中分別從RSEI指數(shù)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(shù)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(tài)評估，IRSEI能夠更加精準地反映出干度對生態(tài)環(huán)境造成的負面影響。

表1 主成分分析結(jié)果

新構(gòu)建的IRSEI指數(shù)綜合代表性可由它和各生態(tài)指標的相關(guān)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(guān)度最高的為NDISSI，在2017年達到了0.79，3期平均相關(guān)度為0.78。而新構(gòu)建的IRSEI指數(shù)與各指標的相關(guān)度在這3期中均大于0.75，平均相關(guān)度達0.78，比這4個指標的均值0.64高出22%。由此可見，新構(gòu)建的IRSEI指數(shù)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(tài)水平。相較于RSEI指數(shù)，新構(gòu)建的IRSEI指數(shù)各指標與模型的平均相關(guān)度也有所提升。據(jù)統(tǒng)計，改進前后的各指標與模型的平均相關(guān)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(shù)相比RSEI指數(shù)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(shù)的相關(guān)性統(tǒng)計

3.2 IRSEI模型構(gòu)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(shù)為30 000個。以NDVI，WET，LST，NDISSI為自變量，IRSEI為因變量，構(gòu)建宜賓市三江匯合區(qū)多元回歸生態(tài)指數(shù)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(gòu)建IRSEI的4個指標均為生態(tài)評估的關(guān)鍵性指標。此外，NDVI和WET的系數(shù)為正，說明對生態(tài)評價有著積極作用；LST和NDISSI系數(shù)為負，說明對生態(tài)評價有著消極作用。

各生態(tài)指標與IRSEI的關(guān)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(qū)集中在綠度高、濕度大的密集植被覆蓋區(qū)； 而低值區(qū)集中在溫度高、干度大的建筑區(qū)域。NDVI的回歸系數(shù)在3期均大于0.56，反映出NDVI對生態(tài)狀況的貢獻度最高；NDISSI回歸系數(shù)絕對值在3期中均大于0.42，其對生態(tài)狀況的影響僅次于NDVI；LST回歸系數(shù)絕對值均大于0.22，其對生態(tài)的影響相對較弱；WET的回歸系數(shù)為0.04～0.11，它對生態(tài)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(jié)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(fā)現(xiàn)城市擴張極為明顯，且主要集中在三江匯合處(圖中白色區(qū)域)的北面及南面，這與圖2(c)中顯著增加區(qū)域(紅色圖斑)相吻合，表明新構(gòu)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(qū)2013—2020年城市擴張示意圖

3.4 環(huán)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(shù)據(jù)的變化情況來看，2013年宜賓市三江匯合區(qū)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(tài)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(qū)成立后，城區(qū)急速擴大，導致研究區(qū)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(qū)建設過程中的植被恢復，使得對生態(tài)環(huán)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(qū)即使在NDISSI略微增大的同時，環(huán)境依然能夠大為好轉(zhuǎn)的原因，直觀體現(xiàn)在生態(tài)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(tài)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(tài)環(huán)境有所惡化。截至2020年，NDVI，WET與NDISSI同比2017保持穩(wěn)定，由于晝夜溫差的緣故，僅從LST的均值結(jié)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(jié)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%?？梢?017—2020年間，隨著城區(qū)的擴張，城市熱島效應[20]不斷增強，這是生態(tài)狀況下滑的原因，直觀體現(xiàn)在生態(tài)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(tǒng)計均值

圖3 三江匯合區(qū)不同時期生態(tài)等級面積

研究區(qū)2013—2020年生態(tài)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(jié)果歸一化之后，同樣按照0.2為間隔進行劃分，結(jié)果從小到大依次表現(xiàn)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(jié)果來看，2013—2017年間生態(tài)變差的地區(qū)主要集中在三江匯合區(qū)西北以及東北方向(橙、紅色圖斑)，這部分區(qū)域恰巧是新城區(qū)的開發(fā)地。而生態(tài)變好的地區(qū)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(qū)生態(tài)狀況好轉(zhuǎn)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(tài)狀況的好轉(zhuǎn)得益于新修濕地公園和景觀綠地等老城區(qū)的改造項目。如圖4 (b)所示，2017—2020年間生態(tài)惡化的區(qū)域主要集中在三江匯合區(qū)北面及南面(橙、紅色圖斑)，北面惡化的原因是該區(qū)域正破土興建宜賓大學城，南面惡化原因為老城區(qū)擴張。三江匯合區(qū)的邊緣地帶生態(tài)不斷好轉(zhuǎn)(淺綠色、綠色圖斑)，得益于退耕還林政策持續(xù)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(qū)IRSEI變化檢測

4 結(jié)論

以宜賓市三江匯合區(qū)為研究區(qū)，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(tài)指數(shù)(IRSEI)，對該地區(qū)2013—2020年生態(tài)狀況及變化趨勢進行研究，主要結(jié)論如下：

1)不透水面指數(shù)(NDISI)與裸土指數(shù)(SI)構(gòu)建的NDISSI能夠更加準確地反映出干度對生態(tài)環(huán)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(shù)據(jù)用于生態(tài)質(zhì)量分析。此外，IRSEI與各指標的平均相關(guān)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(qū)2013—2020年的生態(tài)環(huán)境質(zhì)量，呈現(xiàn)出先好轉(zhuǎn)后輕微惡化的趨勢。在2013—2017年間，研究區(qū)生態(tài)狀況明顯好轉(zhuǎn)，生態(tài)級別為“差”和“好”的面積占比分別從2013年的3.04%和2.84%變?yōu)?017年的0.09%和24.67%； 在2017—2020年間，研究區(qū)生態(tài)狀況變差，2020年生態(tài)級別為“差”和“好”的面積占比分別為0.89%和20.74%。

3)IRSEI指數(shù)能夠綜合4個指標對生態(tài)質(zhì)量進行評估，通過建模分析得出4個指標權(quán)重由大到小依次為： NDVI，NDISSI，LST以及WET。這表明植被是城市生態(tài)系統(tǒng)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(shù)據(jù)獲取較難，在進一步的研究中，可以將無人機遙感技術(shù)應用于生態(tài)環(huán)境分析，以降低大氣云層的影響，從而提高遙感監(jiān)測精度。