基于遙感生態指數的淮南礦區生態環境質量變化分析*

陳 晨，胡 林，李 玉

(1.平安煤炭開采工程技術研究院有限責任公司，安徽 淮南 232001；2.淮河能源燃氣集團有限責任公司，安徽 淮南 232001)

0 引言

淮南礦區煤炭儲量豐富，長期的煤炭開采活動帶動了周邊地區的經濟發展和社會進步，然而經濟發展與生態環境往往呈現一種負相關關系，經濟飛速發展的同時，也給礦區帶來了生態破壞、環境污染、土地退化等一系列環境問題，進而對礦區居民生存環境造成負面影響。而礦區居民生存環境又與生態環境質量密切相關，必須采取有效措施開展環境治理和修復，提升和改善生態環境治理。因此，開展生態環境質量評價顯得尤為重要，能夠為礦區環境治理修復和生態環境質量改善提供重要的參考和依據。

生態環境質量評價是根據特定的目的，選擇具有代表性、可比性、可操作性的評價指標和方法，對生態環境質量的優劣程度進行定性或定量的分析和判斷[1-2]。2006年，原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》，推出了基于遙感技術[3]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。2013年，在考慮到EI權重的合理性、歸一化系數的設定、指標的易獲取性和生態狀況可視化等問題的情況下，徐涵秋[4]提出了一種完全基于遙感信息、集成多種生態因子的遙感生態指數(Remote Sensing Ecology Index，RSEI)，該指數用綠度、濕度、干度和熱度4個分量反映區域的生態環境狀況，通過主成分分析對各個指標賦以權重，計算結果具很強的客觀性、穩定性和可視性。RSEI將一維的EI值轉換為二維的面表示，很好地表現了生態環境在空間上的分布，并且可以通過不同時空的對比反映區域生態環境狀況的演變[5-7]。RSEI指數自提出以來，在區域生態環境遙感監測和評價領域得到了廣泛應用。在此基礎上，擬利用RSEI方法進行研究區生態環境質量的綜合評價和演變分析。

1 單一評價指標構建

遙感數據統一選用Landsat OLI影像，影像獲取時間見表1。首先分別對淮南礦區2013年、2016年、2019年的遙感影像進行數據預處理，然后分別對綠度、濕度、熱度和干度4個指標進行計算。

表1 Landsat OLI影像獲取時間Table 1 Landsat OLI image acquisition time

1.1 熱度指標

熱度指標由地表溫度來代表，目前，地表溫度反演算法主要有大氣校正法(也稱為輻射傳輸方程：Radiative Transfer Equation，RTE)、單通道算法和分裂窗算法[8-9]。本文對熱度的計算采用大氣校正算法[10]，其基本原理為借助大氣輻射傳輸方程，在將大氣影響去除的前提下，將衛星所觀測到地表熱輻射強度轉化為相應的地表溫度，具體流程如圖1所示。根據熱紅外波段輻射傳輸方程，傳感器接收到的熱紅外輻射由大氣向上熱輻射、地表物透過大氣傳遞的真實地表熱輻射、大氣向下熱輻射再經由地表發射后透過大氣傳遞到傳感器的輻射3部分組成，方程見式(1)

圖1 基于大氣校正法的TIRS地表溫度反演流程Fig.1 Flow chart of TIRS surface temperature inversion based on atmospheric correction method

Lλ=[εB(Ts)+(1-ε)Ld]τ+Lu

(1)

式中，Lλ為熱紅外波段輻射定標后所得的輻射亮度值；ε為地表比輻射率；B(Ts)為黑體熱輻射亮度；Ts為地表真實溫度；τ為熱紅外波段的大氣透過率；Lu,Ld分別為大氣向上和向下輻射亮度。B(Ts)計算公式為

B(Ts)=[Lλ-Lu-τ(1-ε)Ld]τε

(2)

式中，Lu,Ld和τ可通過成像時間以及中心經緯度在NASA提供的網站(http：//atmcorr.gsfc.nasa.gov/)獲取，ε通過植被覆蓋度獲取。設組成自然表面的像元可以簡單地看作是由不同比例的植被和裸地組成，在計算地表比輻射率時可以按式(3)粗略估計。

ε=FvRvεv+(1-Fv)Rsεs+dε

Rv=0.933 2+0.058 5Fv

Rs=0.990 2+0.106 8Fv

(3)

式中，Fv為植被覆蓋度；Fv和Fs分別是植被和裸地的溫度比率；εv取值為0.986，εs為0.972；研究區所在地區TIRS 10的εv取值為0.985，εs為0.973。地表較平整時，dε可取0，地表高低差別大時，dε可根據經驗公式(4)估算，當Fv<0.5時，dε=0.003 8Fv；當Fv<0.5時，dε=0.003 8(1-Fv)；當Fv=0.5時，dε最大，dε=0.001 9。

(4)

式中，NDVI為歸一化植被指數；NDVISoil為完全是裸土或無植被覆蓋區域的NDVI值；NDVIVeg則代表完全被植被所覆蓋的像元的NDVI值，即純植被像元的NDVI值。取經驗值NDVIVeg= 0.70和NDVISoil= 0.05，即當某個像元的NDVI大于0.70時，Fv取值為1；當NDVI小于0.05，Fv取值為0。在獲取黑體在熱紅外波段的輻射亮度之后，根據普朗克公式可得到地表溫度Ts為

(5)

對于TIRS Band 10，K1=774.89 W/(m2·μm·sr)，K2=1 321.08 K。

1.2 濕度指標

土壤濕度是表示土壤干濕程度的物理量，通常用土壤含水量與土壤干重之比來表示。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，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[11]。纓帽變換是一種特殊的主成分分析，經過纓帽變換后的第3個分量可以很好地反映出土壤的濕度狀況，因此可以用來估算土壤濕度分量指數。對于Landsat 8有

Wet=0.151 1ρ2+0.197 3ρ3+0.328 3ρ4+0.340 7ρ5-0.711 7ρ6-0.455 9ρ7

(6)

式中，ρi=(1,2,3,…,7)為各波段的反射率。

1.3 干度指標

干度指標[12]是用來反映地表未受植被覆蓋及地表損毀的指標，例如裸土、建設用地等，對研究建成區的擴張及生態環境的保護具有重要意義。在研究區域內礦區建設及煤炭開采導致的地表植被退化土地，都會造成地表的“干化”，對干度有影響。因此可由裸土指數SI和建筑指數IBI二者耦合來表示干度指標，對于OLI/TIRS數據來說

NDSI=(SI+IBI)/2

(7)

式中，ρi=(1,2,3,…,7)為各波段的反射率。

1.4 綠度指標

植被指數[13]常被用來進行植被分析，以區別地表植被間的細小差異。在許多場合，植被指數可發現并增強在原始彩色圖像上所觀察不到的植被間的差異。歸一化植被指數NDVI與植物生物量等相關性很大，在植被指數中應用最廣泛。云、水體、雪等對可見光具有高反射能力，NDVI以負值表示；地面覆蓋為巖石或裸土[14]等時，NDVI以0左右的值表示；有植被籠罩地區其值為正，覆蓋度越大，NDVI值越大。因此，本文用歸一化差值植被指數作為綠度分析指標。

2 綜合指數構建

RSEI指數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、各個指標對各主分量的貢獻度來自動客觀地確定，從而更加客觀。主成分分析借助正交變換，將隨機向量的相關分量轉化到不相關，再通過構造價值函數[15-16]把系統從低維轉化成一維，設法將原來具有一定相關性的多個指標重組成一組互相無關的綜合指標。由于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，各指標的正規化公式為

(8)

式中，Yi為標準化后的指標值；Xi為原指標值；Xmin為最小值；Xmax為最大值。借助ENVI 5.3軟件平臺，通過主成分變換合成新型生態環境質量指數RSEI。統計各指標第一主成分特征向量與特征值見表2。可以發現，2013年、2016年和2019年第一主成分的特征值貢獻率分別為64.55%、63.70%、67.15%，3個年份的遙感數據中的第一主成分(PC1)特征值累積貢獻率均大于60.0%，說明第一主成分中包含了4個指標中的大多數信息[17]。在3個年份中，綠度指標和濕度指標的第一主成分均呈正值，這說明綠度和濕度在影響生態環境平衡中起到正面作用，而熱度指標和干度指標的第一主成分呈現負值，則可以說明它們在影響生態環境平衡起負面作用，這與淮南礦區的實際情況相符。一般情況下也認為綠度指數越大，說明該地區的植被覆蓋度越高[18-24]；濕度指數越大，說明該地區的土壤和地表植被濕度越大，生態環境也越好。熱度指數和干度指數越大，說明該地區地表溫度越高，土壤和建設用地等硬化就越嚴重，生態環境就越差[25-28]。因此，采用第一主成分創建RSEI指數模型。

表2 各指標第一主成分Table 2 The first principal component of each indicator

3 分析與評價

根據上述RSEI指數模型計算得到研究區各年份的生態環境質量綜合指數，并對其進行正規化處理，采用自然截斷法對研究區生態環境質量進行分級，將生態環境質量分為優、良、一般、較差和差五級，結果如圖2所示。根據評價結果對各年份不同生態環境質量評價等級面積及其占比進行統計，結果見表3。可以看出，生態環境質量優良的區域主要為耕地和水域，城鎮、工礦、農村居民地生態環境質量較差。2019年生態環境質量明顯變差，特別是礦區東北部耕地，可能與成像時期農作物種植狀況和長勢有關。2013—2019年研究區內的生態環境狀況為優的面積不斷減少；狀況為良的面積先增加后減少；生態環境狀況為一般、較差的面積先略有減少后略有增加；狀況為差的面積先明顯減少后顯著增加。

圖2 RSEI生態環境質量評價Fig.2 RSEI eco-environmental quality assessment

表3 各年份不同生態環境質量評價等級面積及其占比Table 3 Area and proportion of different eco-environment quality evaluation grades in each year

將2013年評價結果和2019年疊加，可以得出研究區2013—2019年間的生態環境演變情況，如圖3所示、見表4。由于RSEI指數變化在一個等級以內，視為生態環境狀況幾乎不變；變差大于一個等級時，視為環境狀況變差；變好大于一個等級時，視為環境變好。由圖3、表4可知，2013—2019年間水體區域生態環境狀況幾乎不變，城鎮區域生態環境狀況好轉，部分農田區域生態環境變差。2013—2019年生態環境質量變好的比例為15.288%，基本不變的比例為63.394%，變差的比例為21.318%。

表4 生態環境質量評價變化統計Table 4 Statistics of changes in ecological environment quality assessment

圖3 RSEI指數變化分級Fig.3 Grading diagram of RSEI index

4 結論

(1)針對淮南礦區主要生態環境問題，在遙感和GIS技術支持下，采用遙感生態指數RSEI方法，對研究區生態環境質量進行評價和時空演變分析，得出2013—2019年淮南礦區生態環境質量的時空變化規律。

(2)淮南礦區內耕地和水域的生態環境質量總體較好，城鎮、工礦、農村居民地的生態環境質量總體較差。

(3)2013—2019年淮南礦區的生態環境質量總體呈變差趨勢，水體區域生態環境狀況幾乎不變，城鎮區域生態環境狀況好轉，部分農田區域生態環境變差。