適用于秋冬季節RSEI的三峽庫區生態質量評估

姜俊狄,李 嘉,2,陳焱明,3,藍秋萍,陳 峰,高建東,柳寅峰

(1. 河海大學地球科學與工程學院,江蘇 南京 210098; 2. 自然資源部超大城市自然資源時空大數據分析應用重點實驗室,上海 200063; 3. 自然資源部城市國土資源監測與仿真重點實驗室,廣東 深圳 518034;4. 浙江水利水電勘測設計院有限責任公司,浙江 杭州 310000; 5. 江蘇省測繪工程院,江蘇 南京 210013)

遙感生態指數(remote sensing ecological index,RSEI)[1]是利用主成分分析(PCA)耦合綠度、濕度、干度、熱度4個指標,綜合反映地區生態環境質量的方法,因其快速、實時、定量、多時序評估的特點,在地區生態環境質量反演評估中得到廣泛應用。研究發現,4個指標受季節影響較大。以往研究大多采用夏季的遙感影像進行各指標的反演,而秋冬季節的生態環境質量更脆弱,更易受到破壞,且RSEI的4個指標在秋冬季節的生態質量反演存在表征不足的問題。因此,選取適用于秋冬季節的生態質量反演指數,是構建秋冬季節RSEI的關鍵。

本文基于上述問題,提出一種適用于秋冬季節的RSEI。首先,通過地理探測器分析不同指標是否適用于秋冬季節生態質量反演;然后,選取適用于秋冬季節生態質量反演的指標構建秋冬季節RSEI;最后,通過相關方法進行指數適用性驗證。

1 研究區與數據

三峽庫區是指受三峽工程淹沒的地區,橫跨湖北省、重慶市,地勢起伏大,層狀地貌明顯。三峽庫區地勢東高西低、南高北低,高差巨大。

在Google Earth Engine平臺上獲取并拼接合成覆蓋研究區的影像,影像成像時間為10月1日至次年2月1日,含云量在3%以下,并對影像數據進行大氣矯正。本文采用2013、2014、2015、2017、2020年的試驗數據,并增加PM2.5數據反映空氣質量,數據由城市空氣質量實時發布平臺提供。

2 方 法

如圖1所示,本文首先分析RSEI的4個指標在地理探測器秋冬生態環境質量反演中的適用性;然后根據分析結果構建適合秋冬季的RSEI,驗證指標的適用性;最后對研究區進行生態質量評價。

2.1 指數構建

適用于秋冬季節的RSEI由綠度、濕度、熱度、空氣質量、植被健康度5種指標構成,構建適用于秋冬季節的RSEI使用PCA將指標的大部分信息集中在第一主成分(PC1)中[2]。適用于秋冬季節的RSEI由PC1構建,適用于秋冬季節的RSEI指數表達式為

RSEI=f(VC,VHI,SWCI,LST,AQI)

(1)

式中,VC、VHI、SWCI、LST、AQI分別表示綠度、植被健康度、濕度、熱度、空氣質量。

(1) 綠度VC。利用在像元二分模型基礎上提出的綠度模型[3],利用NDVI進行計算,公式為

(2)

其中

NDVIsoil=(VCmax·NDVImin-VCmin·

NDVImax)/(VCmax-VCmin)

NDVIveg=((1-VCmin)·NDVImax-(1-VCmax)·

NDVImax)/(VCmax-VCmin)

(2)植被健康度VHI。雖然上述提到的綠度可以反映地表植被的覆蓋情況,但未能揭示植被的健康狀況[4],因此添加VHI,公式為

VHI=f(NDVI,NRI,NDVSI)

(3)

其中

(3)濕度SWCI。通過分析水對光的吸收情況,對植被和土壤反射率波譜的綜合影響,獲取地表土壤水分含量[5],有效替代Wet,公式為

(4)

(4)熱度指標采用經反演的地表溫度(LST)表示,地表溫度反映城市熱島效應,可以表征區域生態環境質量[6]。LST采用大氣校正法進行反演。

(5)空氣質量指數AQI。文獻[7]已通過試驗證明,PM2.5含量與植被、不透水面具有顯著相關性,可利用不透水面指數(NDISI)、NDVI、PM2.5數據建立多元線性回歸模型,公式為

AQI=a·NDISI+b·NDVI+c

(5)

其中

2.2 地理探測器

地理探測器是一種探測空間分異性及某一綜合指標的影響因子的方法[8],用于度量自變量與因變量之間在空間分布特征上存在的較強的度量關聯性[9]。

(1)分異因子探測器,用于探測因變量X的空間分異性。P值為0,表示自變量對因變量空間分異性特征具有顯著性影響;自變量對于因變量的解釋力度q值越大,代表自變量對因變量解釋力度越大。公式如下

(6)

(2)交互探測器,用于分析任意兩個自變量對因變量的交互作用。通過比較兩個自變量X1、X2對因變量影響力的交互作用[12],判斷自變量與另一自變量共同作用下,對因變量的交互作用,包括線性增強、非線性增強、獨立、線性減弱、非線性減弱。

3 分析與結果

3.1 RSEI指標的適用性驗證

3.1.1 分異因子探測器分析

表1、表2分別為利用夏季遙感影像(2018-08-28)與冬季遙感影像(2017-12-31)計算的RSEI進行分異因子探測器的分析結果。可以看出,夏季NDVI、Wet、NDSI的q值均大于冬季q值,表明指標對RSEI的解釋力夏季比秋冬季節強;而LST冬季的q值大于夏季q值,說明冬季LST對RSEI的解釋力強于夏季。

表1 夏季分異因子探測器結果

表2 冬季分異因子探測器結果

3.1.2 交互探測器分析

交互探測器分析結果顯示,夏季遙感數據RSEI的任意兩個指標共同作用,結果均呈現線性增強的交互作用。冬季背景下,Wet和NDSI及NIDSI與LST共同作用下,均呈現線性減弱的交互作用,即兩個因子共同作用削弱對RSEI的解釋力。

根據地理探測器綜合分析可知,Wet在冬季遙感影像中對RSEI的解釋力弱于夏季,且Wet與NDSI共同作用呈現線性減弱的交互作用,因此考慮更換該濕度指數;NDSI明顯不適用于對秋冬季節的生態環境質量評價,且濕度指數在一定程度上可以反映地表干度,因此剔除該指數;NDVI在冬季的遙感影像中對于RSEI的解釋力弱于夏季,但也具有一定的解釋力,且綠度是反映生態環境的重要指數,因此增加、更換綠度指數。

3.2 適用于秋冬季節的RSEI構建

分別利用NDVI、RVI、VC這3個綠度指數,與VHI、SWCI、LST、AQI結合構建適用于秋冬季節的RSEI。

3.2.1 分異因子探測器分析

表3、表4分別為利用RVI構建的適用于秋冬季節的RSEI,在夏季和冬季遙感影像下的分異因子探測器結果。可以看出,RVI、SWCI在夏季的影響力(q值)小于冬季,即RVI和SWCI在冬季對適用于秋冬季節的RSEI的解釋力要強于夏季;相反VHI、LST、AQI在冬季的q值均小于夏季。

表3 RVI構建的夏季分異因子探測結果

表4 RVI構建的冬季分異因子探測結果

表5、表6分別為利用VC構建的適用于秋冬季節的RSEI,在夏季和冬季影像下的地理探測器結果。SWCI在冬季的影響力(q值)略大于夏季,VC、VHI、LST、AQI冬季q值均大于夏季;5個指標q值均大于0.8。

表5 VC構建的夏季分異因子探測結果

表6 VC構建的冬季分異因子探測結果

3.2.2 交互探測器分析

利用RVI、VC構建的適用于秋冬季節的RSEI,在夏季和冬季遙感影像下的交互探測器結果顯示,夏季影像下任意兩個指標共同作用,均呈線性增強的交互作用,即兩個因子共同作用增強對RSEI的解釋力;冬季影像下RVI和AQI及SWCI和VHI共同作用呈線性減弱的交互作用。利用VC構建的適用于秋冬季節的RSEI,在夏季和冬季遙感影像背景下的交互探測器結果顯示,在冬季和夏季背景下,任意兩個指標共同作用,交互探測結果均呈線性增強的交互作用。

3.2.3 適用于秋冬季節的RSEI

根據地理探測器結果綜合分析,最終確定利用VC、VHI、SWCI、LST、AQI構建適用于秋冬季節的RSEI,利用PCA將指標的大部分信息集中在PC1中,利用PC1構建RSEI,歸一化得到適用于秋冬季節的RSEI。

3.3 適用于秋冬季節的RSEI適用性驗證

3.3.1 相關系數矩陣

相關系數矩陣用于分析各變量之間的相關性,用各指標之間的相關系數計算平均相關度[13]。

遙感影像相關系數矩陣見表7、表8。可以看出,適用于秋冬季節的RSEI平均相關度均高于5個指標的平均相關度,且秋冬季節各指標的平均相關度均大于夏季影像各指標的平均相關度。表明適用于秋冬季節的RSEI在秋冬季節的生態環境遙感反演中除了能集中各指標的信息外,還比任一指標更能綜合反映秋冬季節的生態環境質量,且反映秋冬季節的生態環境質量的能力強于夏季,符合指數設計目標。

表7 秋冬季節遙感影像相關系數矩陣

表8 夏季季節遙感影像相關系數矩陣

3.3.2 多元線性回歸

庫區內生成3000個隨機點,利用2013年反演得到的各指標及適用于秋冬季節的RSEI反演結果,賦值到隨機點中,構建多元線性方程如下

RSEI=0.403 2×VC+0.677 4×VHI+0.813 6×

SWCI-0.186 2×LST-0.783 3×AQI

(7)

在線性回歸過程中,5個指標均未被剔除,且LST、AQI回歸系數為負,VC、VHI、SWCI回歸系數為正,對生態環境分別起到負向和正向作用,與實際情況相符。

提取隨機點上2014—2020年各指標值,代入構建得到的多元線性方程,得到RSEI,與反演得到的RSEI進行對比驗證可知,差值基本上保持在-0.05～0.05之間。表明在同一研究區下,構建的線性回歸方程與反演得到的真實值非常接近,說明適用于秋冬季節的RSEI適用性較強,適用于秋冬季節的生態質量反演。

3.4 三峽庫區秋冬季節生態環質量反演與時空分析

3.4.1 生態環境質量反演結果

利用適用于秋冬季節的RSEI對2013—2020年秋冬季節進行生態質量反演。為了更好地將生態質量可視化,對適用于秋冬季節的RSEI進行分級。圖2為2013—2020年生態質量的分級圖。

圖2 生態質量反演分級

表9為各年份適用于秋冬季節的RSEI各級面積及占比統計。可以看出,三峽庫區生態環境質量總體呈上升趨勢,且生態環境質量較差的區域較為集中,主要集中在三峽庫區西南地區。

表9 各等級適用于秋冬季節的RSEI面積統計

3.4.2 Theil-Sen Median趨勢度變化分析

為了更明顯地反映三峽庫區生態環境變化特征,對相鄰兩年進行趨勢性變化分析,運用Slope函數直線擬合時間序列求斜率,得到像元變化度[14],公式如下

(7)

將變化度分析結果分為7個等級,如圖3所示。可以看出, 2015—2017年三峽庫區的生態環境質量存在顯著變化。

圖3 適用于秋冬季節的RSEI變化度分析

3.4.3 變異系數分析

變異系數用于衡量因變量之間變化程度,即評價生態質量的穩定性。變異系數越大,離散程度越高,穩定性越低[15],公式如下

(8)

式中,Sd為長時間序列下的標準差;IMRSE為平均值。

變異系數分布結果如圖4所示。將變異系數計算結果分為4個等級。由表10可以看出,庫區生態環境質量非常穩定的面積占41.26%,庫區的生態穩定性較好,大部分地區都相對穩定;而庫區西南地區的變異系數在0.3以上,呈現非常不穩定的狀態。

表10 三峽庫區生態環境質量穩定性面積及占比

圖4 三峽庫區生態環境質量變異系數分布

3.4.4 生態環境質量預測

Hurst指數是用于判斷趨勢性成分的持續性或反持續性的指數。當指數H=0.5時,表示RSEI不存在時序自相關;當0

圖5為Hurst指數與Theil-Sen Median趨勢度變化疊加得到的趨勢變化圖,得到6種分級結果,統計占比面積,結果見表11。

表11 可持續性疊加分析面積占比

圖5 可持續疊加分析結果

由圖5和表11可知,三峽庫區的生態環境質量總體呈現持續性改善、未來改善趨勢、持續性穩定不變的趨勢。

4 結 論

本文構建了適用于秋冬季節的RSEI,得到結論如下。

(1) 利用地理探測器分析RSEI的4個指標是否適用于秋冬季節的生態質量反演,結果顯示,RSEI的Wet不能很好地反映秋冬季節的生態環境質量,NDSI不適用于秋冬季節的生態環境質量反演。利用VC、VHI、SWCI、LST、AQI構建適用于秋冬季節的RSEI,利用地理探測器分析顯示,5個指標能較好地反映秋冬季節的生態環境質量。

(2) 適用于秋冬季節的RSEI的適用性驗證。平均相關度計算表明,適用于秋冬季節的RSEI在秋冬季節的生態環境遙感反演中除了能集中各指標的信息外,還比任一指標更能綜合反映秋冬季節的生態環境質量;通過構建線性回歸方程驗證精度顯示,構建的線性回歸方程與反演得到的結果非常接近,適用于秋冬季節的生態質量反演。

(3) 對三峽庫區進行秋冬季節的生態環境質量反演。利用適用于秋冬季節的RSEI進行生態質量反演,并對生態質量反演結果進行時空分析,結果顯示,2013—2020年三峽庫區生態環境質量總體呈上升趨勢;通過趨勢度變化分析得出,三峽庫區的西南部地區呈顯著變差的特征;變異系數分析結果顯示,生態環境質量較為穩定;通過Hurst指數預測庫區生態環境質量顯示,總體呈持續性改善、未來改善趨勢、持續性穩定不變的趨勢。