黃河羊曲水電站陸生生態影響區域土地類型解析

編者按：水力發電是低碳發電產業的支柱，是一種可再生能源技術。在我國大力推進“雙碳”戰略實施背景下，水電站的建設可以有效地利用水力資源發電，減少對煤炭、石油等化石能源的使用，對實現“雙碳”目標和綠色低碳發展具有十分重要的現實意義。水電站作為水力發電的基礎設施，其建設會對區域生態環境和社會經濟發展產生一定影響，因此開展水電站建設的環境影響評價和生態補償機制研究具有重要意義。羊曲水電站是黃河干流龍羊峽水電站上游河段規劃梯級電站“茨哈

水電站、班多水電站和羊曲水電站”的最下一級，是黃河上游地區水電規劃建設的重要項目工程。來自青海黃河上游水電開發有限責任公司、西安理工大學、山東大學的研究團隊通過校企合作，開展了羊曲水電站生態保護和生態補償協同研究，取得了一批成果。本刊擇其主要成果予以集中刊發，以饗讀者。

［關鍵詞］

土地類型；陸生生態系統；生態影響；羊曲水電站；黃河

［摘" 要］

以黃河羊曲水電站陸生生態影響區域為研究區，采用現場實地調研和遙感影像解譯等方式開展了研究區土地利用類型的識別解析研究，結合實地考察數據、土地利用參考資料和遙感應用指數解析了土地利用類型，對比不同分類方法的識別精度，核算區域內林地、耕地和草地面積。采用最大似然法分類、神經網絡分類和支持向量機分類的方法分別對林地、耕地和草地的識別結果進行校正，并對多重判別的問題像元進行歸類，得到研究區土地利用情況。對最終分類的影像進行統計，得到研究區內林地、耕地、草地面積分別為40.33、38.55、361.37 km2。

［中圖分類號］ S157" ［文獻標識碼］ A" DOI：10.3969/j.issn.1000-0941.2024.11.001

［引用格式］ 胡一棟，閆姝婉，張雅敏，等.黃河羊曲水電站陸生生態影響區域土地類型解析［J］.中國水土保持，2024（11）：1-7.

電是現代人類生產生活必需的一種能量形式，現有的發電方式以火力發電和水力發電為主，相較于火力發電，水力發電是低碳發電產業的支柱，具有高效、靈活、無污染的特點，是一種可再生能源技術［1］。在我國大力推進“雙碳”戰略實施背景下，推動清潔能源生產、降低碳排放已被納入國家發展計劃。水電站的建設可以有效利用水力資源發電，減少對煤炭、石油等化石能源的使用，從而降低對火力發電的依賴。隨著我國經濟社會的快速發展，各行各業對電力的需求量越來越大，興建水電站也具有更重要的現實意義。水電站作為水力發電的基礎設施，其建設會對區域生態環境和社會經濟發展產生影響，因此對水電站建設進行環境影響評價，實現經濟效益、社會效益和生態效益的最大化，對區域可持續發展和人與自然和諧共生具有重要意義［2］。

黃河流域的開發與保護在我國經濟社會建設和生態安全防護等方面具有重要意義［3-4］。黃河羊曲水電站建設于黃河上游青海段，是一座以發電為主的大型水利水電樞紐工程，是黃河干流龍羊峽水電站上游河段的規劃梯級電站“茨哈水電站、班多水電站和羊曲水電站”的最下一級。羊曲水電站的建設推動了西北地區的能源產業發展，為青海省成為清潔能源示范省提供了有力支持。由于水電站的建設會對上游陸生生態系統產生重要的環境影響，因此有必要對水電站的環境影響進行評估，并提出相應的補償措施。本研究以此為出發點，結合羊曲水電站的地理位置，解析其陸生生態影響區域內的土地利用類型，并為后續分析水電站建設對陸生生態系統功能的影響和開展針對性的生態保護提供科學依據。

1" 研究區概況

羊曲水電站（地理位置35°44′44″N、100°16′46″E）位于黃河流域上游，地處青海省海南藏族自治州興海縣與貴南縣交界處。壩址以上控制流域面積12.3萬km2，多年平均流量629 m3/s，多年平均徑流量198.36億m3。水庫設計正常蓄水位2 715 m，運行期正常蓄水位、死水位、生態限制水位均為2 710 m，水庫總庫容16.39億m3。羊曲水電站距上游班多水電站河道距離約75 km，距下游龍羊峽水電站河道距離約100 km，距西寧市城區約242 km，是黃河上游地區水電規劃建設的重要工程。

本研究結合《2020年黃河羊曲水電站工程環境影響報告書》中羊曲水電站工程水庫淹沒范圍，在Google Earth上獲取地表的真實信息，結合區域的實際情況，劃定黃河羊曲水電站陸生生態影響區作為研究區，總面積481.9 km2。海南藏族自治州在地勢上呈現為西南高、東北低，羊曲水電站陸生生態影響區域處于自治州內地勢較低的區域，涉及興海縣、貴南縣和同德縣3個縣的7個鄉鎮和22個村落。

2" 數據來源與研究方法

2.1" 數據來源

本研究所使用的數據主要包括數字高程模型（Digital Elevation Model，DEM）數據、遙感影像數據和土地利用參考資料等。其中：DEM數據在地理空間數據云（https：//www.gscloud.cn）上下載，影像數據集為“ASTER GDEM 30 m分辨率數字高程數據”；遙感影像數據在USGS（https：//www.usgs.gov/）和地理空間數據云上下載，影像數據集為“Landsat 8 OLI_TIRS 衛星數字產品”，篩選云量小于5%的影像為研究數據，所選數據的成像日期為2020年8月，下載的遙感影像首先進行輻射定標、大氣校正、鑲嵌裁剪等預處理操作，再進行遙感地類解譯；土地利用參考資料主要來源于現場實地考察的土地利用情況、第三次全國國土調查數據和武漢大學發布的2020年全國10 m分辨率地表覆蓋數據，這些土地利用參考資料被廣泛應用，以此驗證本次遙感解譯結果的數據精度。本研究的數據處理和分析在軟件ENVI 5.3、ArcGIS 10.6和IDRISI Selva 17.0中進行。

2.2" 技術路線

本研究參考相關學者的研究成果，對黃河羊曲水電站陸生生態影響區域的土地利用類型進行識別，下載遙感影像并進行初步處理，利用監督分類的方法進行影像分類，通過遙感應用指數和樣本地類的光譜分析進行輔助識別，將研究區地類劃分為林地、草地、耕地、建設用地、水體和裸地共6種土地利用類型［5］，對比不同分類方法的遙感影像解譯精度，重點分析林地、草地和耕地的識別結果，選定最優的解譯方案，實現研究區土地利用類型識別。技術路線見圖1。

2.3" 遙感應用指數

根據研究區的自然地理條件和土地利用概況選取特定的遙感應用指數，反映林地、草地和耕地等不同地類之間的指數差異，并以此作為條件分支，進行不同地類的識別提取。結合研究區不同土地利用類型之間的光譜差異，選擇歸一化植被指數（NDVI）、歸一化差值山地植被指數（NDMVI）、歸一化水體指數（NDWI）和綠度指數（GI）進行分析［6-7］。這些遙感應用指數的計算公式分別為

NDVI=ρNIR－ρRedρNIR+ρRed（1）

NDMVI=（ρNIR－ρRed）+（Redmin－NIRmin）（ρNIR+ρRed）－（Redmin+NIRmin）（2）

NDWI=ρGreen－ρNIRρGreen+ρNIR（3）

GI=ρGreen－ρBlueρGreen+ρBlue（4）

式中：ρNIR為近紅外波段的反射值；ρRed為紅光波段的反射值；Redmin為紅光波段反射值的最小值；NIRmin為近紅外波段反射值的最小值；ρGreen為綠光波段的反射值；ρBlue為藍光波段的反射值。

2.4" 影像精度驗證

本研究對比不同分類方法的影像解譯精度，結合實地考察的樣本點，得到最優的土地類別信息。使用的分類方法包括神經網絡分類、支持向量機分類、最大似然法分類、最小距離法分類和決策樹分類。在進行影像分類之前 ，需要目視解譯樣本地類，再結合實地考察和土地利用參考資料，

胡一棟等：黃河羊曲水電站陸生生態影響區域土地類型解析

得到用于精度驗證的地類。樣本的土地利用類型包括耕地、林地、草地、水體、建設用地和裸地。本研究使用的分類方法及細節描述見表1。

2.5" 解譯精度驗證

本研究采用混淆矩陣的方法將遙感影像的分類結果與樣本的真實地表數據進行對比，從而實現精度驗證，得到最優的土地利用類型識別結果。混淆矩陣是常用的一種影像分類精度評定方法，將影像分類結果一種基于模式識別的監督分類方法，通過引入核函數從而實現降維處理，將結構風險最小化，正確劃分訓練數據集，得到復雜區域的影像分類［8］

神經網絡分類

一種前饋式的學習算法，通過調整網絡內部大量節點之間的相互關系，從而達到影像分類的目的［9］

最大似然法分類

首先需假定訓練區樣本的光譜特征近似服從正態分布，總體先驗概率密度函數是利用訓練樣本求出的均值、方差和協方差等特征參數計算得到的，其次根據求得的概率密度函數計算每個待分類的像元歸屬概率，從而實現研究區域不同土地類型的識別［10］

最小距離法分類

一種經典且較為常用的分類方法，通過尋找待分類像元與訓練樣本光譜特征空間內的最小幾何距離來完成［11］

決策樹分類

在遙感影像分類中被廣泛使用，是按照一定的規則，分層逐次進行比較，從而逐級篩選完成分類；分類結果取決于分支條件的選擇及條件閾值的設定，具有規則簡單、處理靈活、精度較高等特點［12］

與地表真實信息進行對比，可以很好地反映影像分類的整體準確率。本研究選取5個3 km×3 km的樣本，利用分類后的影像和地面驗證數據構建精度混淆矩陣，并參考相關學者的研究進行精度評判［13-14］，計算的指標包括生產者精度、用戶精度、總體分類精度和Kappa系數，精度評判指標的計算公式分別為

PA=xe/xf（5）

UA=xe/xg（6）

OA=xa/xb（7）

Kappa=（OA-pe）/（1-pe）（8）

式中：PA為生產者精度；xe為某地類被正確分類的像元數量；xf為某地類真實的像元數量；UA為用戶精度；xg為某地類遙感分類的像元數量；OA為總體分類精度；xa為被正確分類的像元數量；xb為總像元數量；pe為所有地物類別分別對應的真實地類像元數量與分類像元數量的乘積之和除以總像元數量的二次方。

3" 結果與分析

3.1" 不同地類的區分特征

3.1.1" 實地踏查結果

對羊曲水電站陸生生態影響區域進行實地考察，在庫首、庫中和庫尾各選取有典型特征的采樣點，共計15個，所選樣本點位涵蓋了研究區內的所有土地利用類型。結果表明，研究區內以草地分布較多，其次是耕地，但是目前的耕地大多已棄耕，有些原本是耕地的區域現已逐漸變為草地，林地分布較少，主要分布在林地集中保護區及村莊的周邊，多為人工種植。為了精煉實地考察的結果，對采樣點位進行篩選，結合區域的實際情況，選取5個樣本點位進行精度驗證，樣本點位錯落分布，且每個點位之間存在一定的距離，以便于體現不同區域的實地情況。經實地考察發現，研究區自然生態環境良好，上游水源豐富，但也存在一些西北地區普遍存在的環境問題，比如以草地為主要的土地利用類型，過度放牧和水土流失嚴重導致土地沙化問題突出，距離黃河相對較遠的區域水源不足導致植被較為稀疏等。

3.1.2" 地類樣本特征

依據羊曲水電站陸生生態影響區域的自然環境特點，將土地利用類型劃分為林地、耕地、草地、水體、建設用地和裸地，結合實地考察情況和土地利用參考資料，每種土地利用類型分別選定500個像元樣本點，共計3 000個樣本點完成統計分析，影像像元空間分辨率為30 m，并對不同地類樣本感興趣區的可分離度進行計算，結果見表2。從表2中可以看出，6種地類樣本像元之間的可分離度均大于1.9，滿足感興趣選取的條件，說明選取的樣本具有代表性，其中水體與其他地類的可分離度均為2，說明水體易與其他地類進行區分，其他地類之間存在一定的區分誤差，但該誤差對研究結果的影響較小，符合研究的精度要求。

3.2" 遙感應用指數計算結果

3.2.1" 遙感應用指數的空間分異

綜合分析羊曲水電站陸生生態影響區域的實際情況，計算歸一化植被指數（NDVI）、歸一化差值山地植被指數（NDMVI）、歸一化水體指數（NDWI）和綠度指數（GI），區分不同地類的遙感應用指數差異，4個指數的空間分異特征見圖2。從圖2可以看出，NDVI、NDMVI和GI的高值都集中在有植被覆蓋的地區，如林地和耕地，NDWI的高值集中在水體，且水體的NDWI大于0，其他地物的NDWI小于0，遙感應用指數高值和低值的空間分布特征符合研究區自然條件分布。NDVI和NDMVI都可以很好地對比有植被覆蓋區域和無植被覆蓋區域，NDMVI對于山地區域的植被增強效果優于NDVI。GI可以體現地表的綠度覆蓋情況，相比于林地和耕地，草地的GI較低。

3.2.2" 樣本指數的變化區間

對羊曲水電站陸生生態影響區域內的林地、耕地、草地、水體、建設用地和裸地各選取300個樣本點進行遙感應用指數閾值的變化區間分析，共計選取1 800個樣本點。研究發現，NDVI和NDMVI的樣本值情況類似，水體與其他地類的指數值差異明顯，相較之下，NDMVI更能夠進行水陸區分；NDWI指數分布情況與NDVI和NDMVI情況近乎相反，除水體外，其他土地利用類型的NDWI指數值均為負值；GI的樣本分布情況不同于其他遙感應用指數，林地的GI較高，其次是耕地，建設用地較低。總體而言，水體的NDVI、NDMVI和NDWI與其他地類差異明顯，林地的GI較其他地類

3.3" 影像分類結果

3.3.1" 不同方法的影像分類結果

本研究采用支持向量機分類、神經網絡分類、最大似然法分類和最小距離法分類進行遙感影像解譯，為了統一變量，縮小分類誤差的影響，在進行監督分類時，對4種分類方法選擇同樣的感興趣區，得到的遙感解譯結果見圖3。從圖3中可以看出，羊曲水電站陸生生態影響區域內林地主要分布在庫首至庫中段，以黃河兩岸的山地為主要分布區域；耕地主要分布在黃河沿岸，在臨近黃河水源地區和研究區南部分布較多；草地為主要的土地利用類型，且分布最為廣泛；4種分類方法的結果存在明顯差異，最小距離法分類識別的建設用地較多，與其他3種方法的分類結果差異明顯。

為進一步分析羊曲水電站陸生生態影響區域的土地利用情況，采用決策樹分類的方法進行影像分類，分類結果見圖4。在進行決策樹分類之前，選取研究區不同土地利用類型的樣本像元各500個進行光譜分析，發現耕地和林地的光譜特征較為接近，草地和裸地的光譜特征較為接近，為了更好地區分不同地類，參考遙感應用指數的計算結果和土地利用參考資料，選取Landsat 8影像的藍光波段、紅光波段、近紅外波段和

短波紅外1波段實現決策樹分類，通過設定不同波段的光譜反射閾值，得到決策樹法則。從圖4中可以看出決策樹分類的結果，裸地面積增多（將植被稀疏的草地識別為裸地），與實際情況存在一定誤差，但對水體和南部耕地的識別情況較好。

3.3.2" 不同方法的地類識別結果

本研究采用5種遙感影像分類方法進行地類解譯，不同分類方法對地類的識別效果有差異，為更好地分析各種分類方法對單一地類的識別結果，將不同方法對林地、耕地和草地的識別結果單獨列出，見圖5。從圖5中可以看出，除決策樹分類外，其他4種分類方法的林地識別結果主要分布在庫首至庫中黃河沿岸的山地地區，該區域地勢較高，而決策樹分類的林地識別結果是分布于整個研究區，實際情況是庫尾雖有林地

分布，但數量未達到決策樹分類的結果，因此決策樹分類對林地的識別結果相對較差；5種方法對于耕地的識別結果接近，耕地主要在庫尾分布較多；支持向量機分類、神經網絡分類和最大似然法分類對草地的識別結果接近，草地分布較廣，而最小距離法分類和決策樹分類識別的草地較少；有明顯特征的是，決策樹分類將原本是草地的區域劃分為裸地和林地，由此體現了單一波段閾值對影像分類總體結果的影響，因此在進行決策樹分類時應該綜合考慮多波段的影響。

為進一步對不同分類方法的地類識別結果進行分析，本研究對5種分類方法下林地、耕地和草地識別的面積，以及該地類在研究區內的占比進行統計，計算結果見表3。從表3中可以看出，不同分類方法對于林地識別的差異最為顯著，高值達62.18 km2（決策樹分類），低值僅有36.89 km2（最小距離法分類）；耕地的統計結果較為接近，且耕地和林地的面積相近；草地的面積較大，除決策樹分類外，其他分類方法識別的草地面積均超過300 km2。不同分類方法下所識別的林地、耕地、草地的面積存在一定差異，但是總體占比情況接近。

3.4" 分類精度驗證

3.4.1" 總體分類精度對比

本研究采用混淆矩陣的方式進行精度驗證，通過計算總體分類精度和Kappa系數，對5種分類方法下的分類結果進行總體精度評判，計算結果見表4。從表4中可以看出最大似然法分類的分類精度最高，總體分類精度為93.308 4%，Kappa系數為0.838 7，其次為神經網絡分類和支持向量機分類，最小距離法分類和決策樹分類的精度較低。

3.4.2" 不同地類的分類精度對比

本研究重點關注當地普遍存在并可能受到水電站建設影響的林地、耕地和草地3種地類的分類精度，對這3種地類分類影像的生產者精度和用戶精度進行計算，分析不同地類的錯分率和漏分率，計算結果見表5。由于林地像元較少，且分布的空間特征并不明顯，因此5種分類方法下林地的識別結果誤差率通常較耕地和草地高。從表5中可以看出，林地和耕地在決策樹分類方法下的生產者精度最高，草地在神經網絡分類方法下的生產者精度最高。此外，林地在最大似然法分類方法下的用戶精度最高，耕地在支持向量機分類方法下的用戶精度最高，草地在決策樹分類方法下的用戶精度最高。可見，相較于其他分類方法，決策樹分類具有較高的錯分率和較低的漏分率。

3.5" 分類影像校正

對不同分類方法的分類結果進行精度校正：采用最大似然法分類方法對林地識別結果進行校正，采用神經網絡分類方法對耕地識別結果進行校正，采用支持向量機分類方法對草地識別結果進行校正；倘若在影像校正過程中存在某區域被識別為兩種以上土地利用類型，則劃定該區域為問題像元；結合實地考察結果和土地利用參考資料對問題像元進行校正，通過權重賦予的形式區分該地類，識別的最終結果見圖6。利用實測的樣本數據對該分類結果進行精度評判，得到的總體分類精度為97.12%，Kappa系數為0.948 5，說明該分類影像可以反映羊曲水電站陸生生態影響區域的土地利用情況。

此外，本研究對遙感解譯結果進行了統計，綜合考慮實地情況、土地利用參考資料、遙感應用指數和不同分類方法的影響，得到的土地利用分類中林地面積為40.33 km2，占研究區總面積的8.37%，耕地面積為38.55 km2，占研究區總面積的8.00%，草地面積為361.37 km2，占研究區總面積的74.99%，計算結果見表6。

4" 結論

采用現場實地調研和遙感影像解譯等方式開展了羊曲水電站陸生生態影響區域土地利用類型的識別解析技術研究，結合實地考察數據、土地利用參考資料、遙感應用指數解析了研究區內的土地利用類型，對比不同分類方法的識別精度，核算區域內林地、耕地和草地面積。采用最大似然法分類、神經網絡分類和支持向量機分類的方法分別對林地、耕地和草地的識別結果進行校正，并對多重判別的問題像元進行歸類，得到羊曲水電站陸生生態影響區域內的土地利用情況。對最終分類的影像進行統計，得到羊曲水電站陸生生態影響區域內林地、耕地、草地面積分別為40.33、38.55、361.37 km2。本研究成果科學解析了羊曲水電站建設影響區域內的土地利用情況，能為工程建設所帶來的環境影響分析提供科學支持，為區域可持續發展提供有力幫助。

［參考文獻］

［1］ 張云峰.基于新能源發電的水力發電技術研究［J］.節能與環保，2023（9）：47-49.

［2］ 馬瑤瑤，史培軍，徐偉，等.干旱區水電站建設運營生態環境影響遙感監測［J］.干旱區研究，2023，40（9）：1498-1508.

［3］ 劉文，李鵬.以生態能源新模式促進黃河流域能源產業高質量發展［J］.科技中國，2020（12）： 23-26.

［4］ 邱興春，夏豪.烏江下游水電開發對陸生生態系統影響分析評價［J］.環境監控與預警，2023，15（4）：92-96.

［5］ 黃鵬程，張明明，王新宇，等.基于Landsat-8 OLI的西安市土地利用類型遙感分類研究［J］.測繪與空間地理信息，2020，43（1）：85-88，92.

［6］ 陳學兄，常慶瑞，畢如田，等.基于山地植被指數估算臨縣植被覆蓋度［J］.應用基礎與工程科學學報，2020，28（2）：310-320.

［7］ 魏向祎，孔令然，肖磊.基于決策樹的京津冀地區Landsat圖像分類［J］.現代信息科技，2023，7（5）：41-44.

［8］ 肖博林.基于支持向量機的高光譜遙感影像分類［J］.科技創新與應用，2020（4）：22-24.

［9］ WANG Ming，SHE Anqi，CHANG Hao，et al.A deep inverse convolutional neural network-based semantic classification method for land cover remote sensing images［J］.Scientific Reports，2024，14： 7313.

［10］ 劉煥軍，楊昊軒，徐夢園，等.基于裸土期多時相遙感影像特征及最大似然法的土壤分類［J］.農業工程學報，2018，34（14）：132-139.

［11］ 華鍵，岳東，李柏霖，等.基于多源遙感影像的植被提取方法對比研究［J］.江西農業學報，2023，35（6）：177-185，199.

［12］ 云露洋，金文德.基于決策樹分類的土地沙化遙感識別：以內蒙古巴彥淖爾市臨河區為例［J］.內蒙古農業大學學報（自然科學版），2023，44（4）：20-24.

［13］ 祁佳峰，郭鵬，徐權，等.基于Sentinel-2A遙感影像的棉花種植信息提取研究［J］.測繪與空間地理信息，2023，46（8）：85-88，92.

［14］ 韋怡.基于Sentinel-2多光譜遙感影像的森林沼澤信息提取及精度評價［J］.山東農業大學學報（自然科學版），2023，54（4）：490-494.

收稿日期： 2024-09-01

基金項目： 國家自然科學基金項目（32071523）；青海省重大科技專項（2021-SF-A7-2）

第一作者： 胡一棟（1967—），男，陜西柞水人，高級工程師，碩士，主要從事水電開發建設與管理工作。

通信作者： 劉建（1978—），男，山東萊蕪人，教授，博士，主要從事濕地生態學和生態影響評價研究。

E-mail： ecology@sdu.edu.cn

（責任編輯" 李楊楊）