基于遥感生态指数的永定矿区生态变化监测与评价

吴志杰, 王猛猛, 陈绍杰, 邹丹

基于遥感生态指数的永定矿区生态变化监测与评价

吴志杰1,2, 王猛猛2, 陈绍杰1, 邹丹1

1. 龙岩学院资源工程学院, 福建 龙岩 364012
2. 中国科学院遥感与数字地球研究所, 北京 100094

资源过度开采对区域的负环境效应日益显著, 不断造成严重的资源、环境与灾害问题。以福建省永定矿区为研究区, 利用遥感生态指数(Remote sensing ecology index, RSEI), 基于Landsat-7和Landsat-8影像数据分析永定矿区2002—2014年的生态状况、时空变化特征及其驱动因素。结果表明: 1)RSEI适用于煤矿区的生态环境监测; 2)自2002年到2014年RSEI均值从0.705降至0.699, 虽然RSEI均值降幅不大, 但RSEI变化空间分异明显, 盆地四周生态质量在提高, 而煤矿区、石灰石矿区、工业园区和村镇建筑区生态质量在降低; 3)植被覆盖度与RSEI之间有较好的对应关系, 植被覆盖变化是影响生态质量变化的关键因素。

遥感生态指数; 生态变化; 矿区; 永定

1 引言

资源过度开采对区域的负环境效应日益显著,不断造成严重的资源、环境与灾害问题, 主要表现在土地退化、地表沉陷、土壤污染与理化特性变化、水资源污染与枯竭、植被破坏和粉尘污染等。遥感技术具有大范围、长时间序列监测的优势, 被越来越多地应用于矿区生态环境监测[1]。通过矿区生态环境参数的遥感定量反演, 定期定量地对矿区进行生态环境变化监测就显得越来越重要[2]。目前, 针对煤矿区环境的监测主要侧重于大型煤矿区的土地利用变化、地表沉陷、植被破坏、热环境影响等单一生态要素遥感反演[2–8], 但对规模小而矿点多的小矿井集中区的生态遥感监测还比较缺乏。事实上, 相对于大型矿区, 小矿井集中区的生态环境状况由于缺乏完善的监管体系, 而对人类生活的影响更为显著。许多研究采用权重法将各生态因子加权组合形成综合遥感生态评价指数[9–13]。徐涵秋于2013年提出一种完全基于遥感信息、集成多种生态因子的遥感生态指数(Remote Sensing Ecology Index, RSEI)[14],用于区域生态环境遥感评价, 既可用于水土流失区生态变化遥感监测[15–16], 又可用于城市生态环境遥感综合评价[17–21]。该指数的优势在于无需事先人为确定生态因子的权重, 而是利用主成分分析(Principal Component Analysis, PCA)方法, 根据各个生态因子对各主分量的贡献度自动地确定, 计算结果具很强的客观性和稳定性。遥感生态指数与《生态环境状况评价技术规范》的EI指数具有很好的可比性, 可进行像元级别的生态变化评估。

鉴于此, 本文将区域遥感生态指数(RSEI)应用于矿区生态状况与变化遥感评估, 快速客观地对闽西永定矿区进行定量生态环境遥感评价, 分析矿区高速发展期内生态状况的时空变化特点及其原因,为矿区进一步保护好生态环境提供科学的依据。

2 研究区与遥感数据

2.1研究区概况

永定县隶属于福建省龙岩市, 全境群山起伏,最高海拔1503 m, 相对落差1400 m, 气候属亚热带海洋性季风气候, 年均气温20.1 ℃, 年降雨量达1800 mm。矿产资源丰富, 发现矿产种类36种, 无烟煤、石灰石、红色花岗岩储量丰富。其中, 煤炭和石灰石开采区全部散布于东北部的6个乡镇, 包括高陂镇、虎岗乡、培丰镇、坎市镇、抚市镇和龙潭镇。本文以该县东北部6个乡镇政区范围为研究区, 称为永定矿区, 地理坐标为北纬24°45′—25°05′,东经116°43′—117°04′, 土地面积612 km2, 区内煤炭生产矿井规模小而分布点多。截止2013年底有51家煤矿, 均采用地下开采方式, 累计年产量最高达400万吨; 还有大量石灰石露天采矿区。

2.2遥感数据与预处理

为动态监测矿区生态状况及其变化, 遥感数据采用Landsat-8和Landsat-7 ETM+多光谱和热红外卫星影像数据, 分别为2014年10月17日Landsat-8 OLI和TIRS、2002年10月8日Landsat-7 ETM+。在影像预处理方面, 首先, 以2014年Landsat-8 OLI影像为基准, 采用最邻近像元重采样法对2002年Landsat-7 ETM+影像进行配准, 配准精度小于0.5个像元; 其次, 运用IACM大气校正模型将Landsat7 ETM+的像元DN值转换成表观反射率[22]; 对于Landsat8 OLI, 则使用美国USGS提供的辐射定标公式将像元DN值转换为表观反射率。

3 研究方法

3.1遥感生态指数

遥感生态指数(RSEI)将绿度分量(NDVI)、湿度分量(Wet)、干度分量(NDSI)和热度分量(LST) 4个遥感指数波段组合成新的指数影像后, 并进行主成分分析, 然后将其第一主成分归一化处理, 即可生成RSEI指数[17]。各生态指标的计算方法如下:

(1) 计算对生态起正面作用的绿度分量和湿度分量。采用归一化差值植被指数(NDVI)来表示绿度分量(也称为绿度指数), 其模型为:

对于Landsat-7 ETM+影像数据, 采用经缨帽变换的湿度分量(Wet)来代表湿度分量, 其模型为式(2);而对于Landsat-8 OLI影像数据, 其湿度分量(Wet)的模型应为式(3):

式中,iρ表示相应波段的光谱反射率。

(2) 计算对生态起负面作用的干度分量(NDSI)和热度分量(LST)。干度分量(也称为干度指数)采用指数型建筑指数(IBI)和裸土指数(SI)的平均值来表示, 其中SI和IBI模型可参考文献[23]和[24], 不再赘述。热度分量(也称为热度指数)采用地表温度(LST)来表示。干度指数和热度指数的模型分别为:

式中, T=k2/ln(k1/L +1), L=gain×DN+bias, LST为地表温度, ε为地表比辐射率, IBI为指数型建筑指数, SI为裸土指数, 其它定标参数见表1(数据来源于影像的头文件)。

(3) RSEI的计算过程

将上述4个遥感指数归一化处理后, 合成由4个指数波段组成的新影像, 再进行主成分分析; 对第一主成分进一步处理生成遥感生态指数(RSEI), 其值越大表示生态质量越好, 反之, 表示生态质量越差。

若使用ER mapper遥感图像处理软件进行主成分分析, 对第一主成分(PC1)需按以下表达式生成初始遥感生态指数(RSEI0), 再进行归一化处理获得遥感生态指数(RSEI)。式中, RSEI0min为初始生态指数最小值, RSEI0max为初始生态指数最大值。

若使用ENVI遥感图像处理软件进行主成分分析, 其第一主成分值越大表示生态质量越好, 其值越小表示生态质量越差, 因此, 直接将第一主成分归一化处理生成遥感生态指数(RSEI), 其表达式为:

式中, PC1min为第一主成分最小值, PC1max为第一主成分最大值。

实验证明, 上述两种软件处理结果一致。遥感生态指数(RSEI)最大优势为无需人为事先确定各生态指标的权重, 确保计算结果的客观性和可靠性。本研究遥感图像处理采用ENVI5.1软件。

3.2遥感生态信息提取

本研究区为永定县东北部6个乡镇政区范围(永定矿区), 图1a为福建省永定县域Landsat-8卫星影像, 其北部红色框所示位置为永定矿区。图1b和图1c分别为永定矿区2002年Landsat-7和2014年的Landsat-8卫星影像。根据公式1–5和公式7提取永定矿区2002年和2014年遥感生态指数(RSEI)。采用ENVI软件Change Detection功能提取生态变化信息。由于植被是研究区最主要的地表覆盖类型, 对生态保护起到至关重要的作用, 为对比分析植被覆盖度与生态指数变化的关系, 运用NDVI像元二分模型估算植被覆盖度方法[25], 获取2002年和2014年植被覆盖度信息。

表1 地表温度(LST)遥感反演参数表Tab. 1 Parameters for land surface temperature retrieval from imagery

4 结果与讨论

4.1矿区典型地物生态指标分析

从研究区各生态指数统计表(表2)可以看出, 两个年份的第一主成分(PC1)和第二主成分(PC2)对RSEI的贡献率均较大, 合计超过84%。其中, 第一主成分对RSEI的贡献度, 2002年为62.39%, 2014年为75.92%, 说明第一主成分包含大部分影像信息特征; 同时, 4个生态因子对PC1的贡献比较稳定, NDVI和Wet指标在PC1的值均为正值, 表明绿度因子和湿度因子对生态起正环境效应, 而NDSI和LST指标在PC1的值均为负值, 表明干度因子和热度因子对生态起负环境效应。

研究区地表覆盖类型有植被、城镇建筑、煤炭和石灰石矿山、裸土地和水体等地物。一般而言, 非矿区地表建筑或裸土反射率较高, 在影像上呈亮色调; 与此相反, 煤矿区地表由于被黑色煤粉尘所覆盖, 其地表反射率较低, 呈暗色调。因此, 需要考虑遥感生态指数(RSEI)在煤矿区的适用性问题。从图2可以看出, 植被的绿度指数和湿度指数明显高于干度指数和热度指数; 煤矿山、石灰石矿山、城镇建筑和裸土地等4种地物的生态指标变化曲线基本一致, 其NDVI均值都明显低于植被的NDVI均值, 而其NDSI均值明显高于植被的NDSI均值, 类似地,其LST均值明显高于植被的LST均值; 此外, 这4种地物的RSEI均值都大大低于植被区域的RSEI均值。表明煤矿山、石灰石矿山、城镇建筑和裸土都对生态起负面作用。因此, 基于水土流失区的构建的遥感生态指数(RSEI)也适用于对煤矿区生态环境监测。

图1 研究区遥感影像图Fig. 1 Satellite images of study area in 2002 and 2014

表2 研究区各生态指标统计值Tab. 2 Principal component value of each ecological index in study area

图2 典型地物生态指数变化曲线图Fig. 2 Curve of ecological index for typical features

4.2矿区生态状况分析

从表3可以看出, 永定矿区的RSEI均值从2002年的0.705下降至2014年0.699, 反映出研究区总体生态环境质量有所降低, 但降幅不大; 干度指数(NDSI)和热度指数(LST)的特征值绝对值之和均大于绿度指数(NDVI)和湿度指数(Wet)特征值之和,表征干度和热度对生态的破坏作用强于绿度和湿度对生态的改善作用。若从第一主成分的载荷看,对生态起正面效应的绿度和湿度指数中, 绿度指数的贡献率更大, 表明植被对提高生态质量的作用更大。

表3 永定县4个生态指标和遥感生态指数统计Tab. 3 Statistics of 4 ecological indicators and RSEI in Yongding

为了更好地考察生态状况变化, 参照文献[14]和[15]提供的生态等级划分方法, 进一步将RSEI值按等间隔分成5个等级, 表示5种生态状况, 即差(1级: 0—0.2)、较差(2级: 0.2—0.4)、中(3级: 0.4—0.6)、良好(4级: 0.6—0.8)和优(5级: 0.8—1)5个生态等级。制作遥感生态指数分级图(图3a—3b), 并求取各等级面积及其所占比例(表4)。

从表4可以发现, 虽然2002年至2014年总体生态指数变化不大, 但区域内部的生态变化差异较明显。2002年永定矿区总体的生态状况以良好(4级)为主, 其面积占比超过79%, 中等及以下生态等级和优秀等级面积占比基本相当, 各占10%。2014年总体生态状况还是以良好(4级)为主, 但其所占面积比例由2002年的79%下降至2014年的56%, 面积减少了145 km2, 占研究区面积的四分之一; 优等级的面积增加一倍, 而较差生态等级的面积却增加了6倍之多。这是由于优等级增加部分都处于海拔较高的区域, 基本不受人类活动影响, 由原先中等生态等级变成优生态等级, 虽然生态优等级的面积只增加一倍, 但绝对面积却增加了81 km2; 同时, 由于2002年至2014年间新增的煤矿山、石灰石开发及工业园建设而导致开发区域的生态等级均由好变差, 生态较差等级的面积由2002年的4.31 km2变成2014年的28.19 km2(图3中用红色方框或黑色方框圈定部分)。

4.3矿区生态环境动态变化分析

采用ENVI软件Change Detection功能检测2002-2014年RSEI的变化信息, 生成生态变化图(图3c)。经过变化检测, 总共发现了7种变化类别, 包括3种生态改善类别(用+1级、+2级、+3级表示)、3种生态退化类别(用–1级、–2级、–3级表示)和生态未变化类别(用0表示)(表5)。并未检测到生态质量从最优下降到最差等级, 也未检测到生态质量从最差等级直接改善到优等级。

图3 2002、2014年永定矿区生态遥感指数及生态变化(黑色框标识为煤矿区, 红色框标识为石灰石矿区)Fig. 3 RSEI and its variation in Yongding mine from 2002 and 2014 (The black box is marked as the coal mine, and the red frame is marked as the limestone mine.)

表4 永定矿区各生态级别面积和比例Tab. 4 Area and proportion of each ecological level in study area

从表5可以看出, 自2002年至2014年生态未发生变化的面积占比为65.02%; 生态改善的面积占比为18.06%, 只提高1个生态等级的占18%, 主要分布于研究区边界海拔较高的区域, 因人类活动干扰较少, 使得生态质量有所改善; 而生态退化的面积占比16.92%, 其生态质量降低1个等级的占13.90%, 下降2个等级以上的约占3%。

图3a-3b分别为2002年和2014年的生态状况分级图, 图3c为生态变化图, 红色调代表生态退化区, 绿色代表生态改善区。从图3可以表现出2002—2014年生态状况变化的空间分布特征, 研究区中盆地四周的生态质量有所改善, 而盆地内的生态质量却在退化, 生态退化的位置主要分布于三类区域:一是中北部新建的工业园区, 二是由红线框标识的煤矿区和石灰石矿区, 三是新建的村镇居住用地。因此, 煤炭采运、水泥建材生产、工业园区和村镇建设工程是区域生态变化的主要驱动力。

4.4矿区植被覆盖度变化与生态状况的关系

为考察矿区生态状况变化与植被覆盖度的关系,将植被覆盖度信息按20%间隔将植被覆盖度均分成5个等级, 即植被覆盖度低(0—20%)、较低(20%—40%)、中等(40%—60%)、较高(60%—80%)和高(80%—100%)。并仿照土地利用动态变化矩阵的方法, 生成生态指数等级与植被覆盖度等级之间的转换矩阵(表6)。

表5 2002-2014年矿区生态变化统计表Tab. 5 Change of ecological situation in study area from 2002 to 2014

从生态指数等级与植被覆盖度等级的关系矩阵(表6)可以看出, 植被覆盖度等级与生态指数等级之间有较好的对应关系: RSEI为差或较差等级时, 植被覆盖度属低或较低等级; RSEI为良好等级时, 植被覆盖度属高或较高等级; 而RSEI为优等级, 植被覆盖度必为高等级, 反之, 植被覆盖度为高等级, RSEI却未必属优等级。由此可见, 若要提高生态质量, 不仅要提高植被覆盖度, 而且要降低区域的干度和热度。2014年生态状况优等级的面积比2002年增加了81 km2, 由原来植被覆盖度最高等级区域的生态改善而来。同时, 生态指数中等以下(含中等)的面积却增加了64 km2, 由原来植被覆盖度高等级或较高等级区域的生态退化造成的。

因此, 植被覆盖度变化是反映生态质量变化的关键因素, 提高地表植被覆盖度是提高区域生态质量的重要手段。

5 总结

资源过度开采对区域的负环境效应日益显著,将区域遥感生态指数(RSEI)应用于矿区生态状况与变化遥感监测, 能够快速客观地对永定矿区2002—2014年的生态变化进行定量遥感评价, 研究结果表明:

1) 基于水土流失区构建的遥感生态指数(RSEI)也适用于对煤矿区进行生态环境监测。虽然煤矿区地表呈暗色调, 其地表反射率较低, 但其热红外辐射却较高, 使煤矿区的干度指数和热度指数值较高,煤矿山、石灰石矿山与城镇建筑或裸露地表类似, 都对生态起负面作用。利用遥感生态指数(RSEI)可以对煤矿区生态环境及其动态变化进行监测。

表6 2002年和2014年遥感生态指数与植被覆盖度的关系矩阵Tab. 6 Relationship matrix of RSEI and FVC in 2002 and 2014

2) 一般传统的生态环境调查与评估法只能提供区域(如县域、镇域)范围内的生态指数均值, 而利用遥感生态指数(RSEI)可以从像元的微观角度来监测生态环境变化, 并且可以进行可视化制图, 不失为一种高效直观的生态环境监测方法。研究区的遥感生态指数均值从2002年的0.705降至2014年的0.699, 虽然生态指数均值降幅不大, 但生态指数变化空间分异明显, 盆地四周生态质量在提高, 而煤矿区、石灰石矿区、工业园区和村镇建筑区生态质量在降低。今后, 还可以将高分辨率影像与Landsat卫星影像相结合, 进一步监测矿区内部的生态状况与动态变化。

3) 植被覆盖度等级与生态指数等级之间有较好的对应关系, 表明植被覆盖变化是影响生态质量变化的关键因素。从植被覆盖度与生态指数等级的对比结果来看, 生态质量越好, 其植被覆盖度必定越高, 而植被覆盖度越高, 其生态质量未必越高。因此, 若要提高区域的生态质量, 则既要提高植被覆盖度, 又要降低区域的热度和干度指标, 如减少不透水面、搞好水土保持等, 增强土壤蓄积地表水的能力, 提高土壤和植被含水量, 减少矿业或工程建设活动对植被破坏或粉尘污染等。

[1] 彭燕, 何国金, 张兆明, 等. 赣南稀土矿开发区生态环境遥感动态监测与评估[J]. 生态学报, 2016, 36(6): 1–10.

[2] 杜培军, 郑辉, 张海荣. 欧共体MINEO项目对我国采矿环境影响综合监测的启示[J]. 煤炭学报, 2008, 33(1): 71–75.

[3] 胡召玲, 杜培军, 赵昕. 徐州煤矿区土地利用变化分析[J].地理学报, 2007, 62(11): 1204–1214.

[4] 毕如田, 白中科, 李华, 等. 大型露天煤矿区土地扰动的时空变化[J]. 应用生态学报, 2007, 18(8): 1908–1912.

[5] 吴立新, 马保东, 刘善军. 基于SPOT卫星NDVI数据的神东矿区植被覆盖动态变化分析[J]. 煤炭学报, 2009, 34(9): 1217–1222.

[6] 卞正富, 雷少刚, 常鲁群, 等. 基于遥感影像的荒漠化矿区土壤含水率的影响因素分析[J]. 煤炭学报, 2009, 34(4): 520–525.

[7] 刘培, 杜培军, 逄云峰. 基于遥感和CA Markov模型的煤矿区热环境与土地覆盖变化模拟评价[J]. 煤炭学报, 2012, 37(11): 1847–1853.

[8] 付新雷. 基于神东中心区植被覆盖变化的多时相遥感监测[J]. 中国环境监测, 2014, 30(2): 186–190.

[9] 周小成, 汪小钦, 江洪, 等. 九龙江流域生态环境质量遥感评价与分析[J]. 地球信息科学学报, 2009, 11(2): 231–236.

[10] 陈强, 陈云浩, 王萌杰, 等. 2001–2010年洞庭湖生态系统质量遥感综合评价与变化分析[J]. 生态学报, 2015, 35(13): 4347–4356.

[11] 凡 宸, 夏北成, 秦建桥. 基于RS和GIS的县域生态环境质量综合评价模型—以惠东县为例[J]. 生态学杂志, 2013, 32(3): 719–725.

[12] 白艳芬, 马海州, 张宝成, 等. 基于遥感和GIS技术的青海湖环湖地区生态环境脆弱性评价[J]. 遥感技术与应用, 2009, 24(5): 635–641.

[13] 徐庆勇, 黄玫, 刘洪升, 等. 基于RS和GIS的珠江三角洲生态环境脆弱性综合评价[J]. 应用生态学, 2011, 22(11): 2987–2995.

[14] 徐涵秋. 区域生态环境变化的遥感评价指数[J]. 中国环境科学, 2013, 33(5): 889–897.

[15] 徐涵秋. 水土流失区生态变化的遥感评估[J]. 农业工程学报, 2013, 29(7): 91–97.

[16] 李粉玲, 常庆瑞, 申健, 等. 黄土高原沟壑区生态环境状况遥感动态监测—以陕西省富县为例[J]. 应用生态学报, 2015, 26(12): 3811–3817.

[17] 徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24): 7853–7862.

[18] 徐涵秋, 张好. 海岛型城市扩展的生态效应分析—以厦门岛为例[J]. 地理科学, 2015, 35(7): 867–872.

[19] 林铎, 潘文斌. 莆田市城区生态环境评价研究[J]. 环境科学与管理, 2014, 39(9): 179–183.

[20] 刘智才, 徐涵秋, 李乐, 等. 基于遥感生态指数的杭州市城市生态变化[J]. 应用基础与工程科学学报, 2015, 23(4): 728–739.

[21] 温小乐, 林征峰, 唐菲. 新兴海岛型城市建设引发的生态变化遥感分析—以福建平潭综合实验区为例[J]. 应用生态学报, 2015, 26(2): 541–547.

[22] 徐涵秋. 基于影像的Landsat TM/ETM+数据正规化技术[J]. 武汉大学学报: 信息科学版, 2007, 32(1): 62–66.

[23] RIKIMARU A, ROY P S, MIYATAKE S. Tropical forest cover density mapping[J]. Tropical Ecology, 2002, 43(1): 39–47.

[24] XU Hanqiu. A new index for delineating built-up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008, 29(14): 4269–4276.

[25] 李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004, 26(4): 153–159.

Monitoring and evaluation of ecological environment’s spatio-temporal variation in mine based on RSEI — a case of Yongding mine

WU Zhijie1,2, WANG Mengmeng2, CHEN Shaojie1, ZOU Dan1
1.College of Resources Engineering,Longyan University,Longyan364012,China
2.Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences,Beijing100094,China

The over-exploitation of the resources posed obviously negative environmental effects, which has already brought in serious resource, environment and disaster problems. In this study, the remote sensing ecology index (RSEI) of Yongding mine in Fujian Province during 2002 to 2014 was extracted from Landsat-7 and Landsat-8 images, and the ecological situation, the spatial-temporal variation and driving factors of the ecological environment during 2002 to 2014 were analyzed based on the RSEI. The results showed that RSEI was suitable for monitoring ecological environment of the coal mining area, and the mean RSEI value of Yongding mine fell from 0.705 in 2002 to 0.699 in 2014. Although only a small decline in mean RSEI was observed, the RSEI variation obviously presented spatial differentiation, e.g., the ecological environmental quality in the area around the basin was improved while that of coal mines, limestone mines, industrial parks and buildings notably became worse. Moreover, there were strong correlations between RSEI and vegetation coverage, and vegetation coverage was a key factor leading to the variation of ecology environment quality.

RESI; ecological environment variation; mine; Yongding

10.14108/j.cnki.1008-8873.2016.05.027

TP79

A

1008-8873(2016)05-200-08

吴志杰, 王猛猛, 陈绍杰, 等. 基于遥感生态指数的永定矿区生态变化监测与评价[J]. 生态科学, 2016, 35(5): 200-207.

WU Zhijie, WANG Mengmeng, CHEN Shaojie, et al. Monitoring and evaluation of ecological environment’s spatio-temporal variation in mine based on RSEI in Yongding mine[J]. Ecological Science, 2016, 35(5): 200-207.

2016-01-21;

2016-02-04

福建省自然科学基金项目(2012D104)

吴志杰(1971—), 男, 福建漳州人, 硕士, 副教授, 主要从事亚热带环境与资源遥感研究, E-mail: wuzhijiefj@163.com