基于遥感生态指数的阜新市生态环境变化分析

曹 辰，杨国林,2,3*，锁旭宏，刘 涛,2,3，安旭伟，胡 栋,3

(1.兰州交通大学 测绘与地理信息学院，甘肃 兰州 730070；2.地理国情监测技术应用国家地方联合工程研究中心，甘肃 兰州 730070；3.甘肃省地理国情监测工程实验室，甘肃 兰州 730070；4.中交一航局第二工程有限公司，山东 青岛 266071)

气候的不规律变化对生态环境的影响日益加重，而生态环境的不断变化导致各地区社会与经济的不协调发展加剧[1]。我国对不同的环境问题选取了不同的监测方法，对生态环境变化进行分析和评价，由于遥感技术的快速性、实时性所以大多数都是采用遥感技术进行监测预评价。由于生态环境的变化并不只是由单一的环境因素导致，大多环境问题都是由多种环境因素共同影响所造成的。因此在对生态环境问题进行分析研究时，不能只考虑单一的生态环境因素，需要对多个环境因素进行综合性分析，并进行总体性研究。徐涵秋[2]提出的新型遥感态指数(remote sensing based ecological index，RSEI)是集合了多种遥感信息所集合而成的遥感综合生态指数，利用植被指数(normalized difference vegetation index，NDVI)、地表温度(land surface temperature，LST)、湿度(Wet)、干度(normalized difference built-up and soil index，NDBSI)指标4个因素生成生态指数对生态环境进行综合性分析，近年来，在生态环境质量评价方向该方法被广泛地应用。刘智才等[3]通过对遥感生态指数的反演，发现植被和水体的破坏是城市生态质量下降的主因。宋慧敏等[4]对渭南市的生态指数进行分析，发现从1995-2015年生态环境有所好转。杨江燕等[5]通过对1995-2015年雄安新区生态质量进行评估，发现雄安新区由于水体污染和植被遭到破坏，导致生态环境呈现恶化的趋势。杨永健等[6]通过统计学方法讨论遥感生态指数聚集状态，得到植被指数和城市建筑裸土指数对遂宁市船山区生态环境影响最大。朱泓等[7]通过对1988-2018年滇中湖泊流域生态环境进行分析，发现滇中湖泊各个流域生态环境整体向好发展。

遥感生态指数对生态环境的评价是将多种生态环境因素的单一作用与多因素间的协同作用，进行综合性分析。将植被指数、地表温度、湿度、干度指标4个因素相结合，用于研究区域生态环境质量概况评定、时空变化、建模与分析。因此，本研究对Landsat影像进行主成分分析与归一化处理，并进行各环境因素的耦合，对阜新市的生态环境进行综合性和系统性的评价，通过对2007-2019年间变化趋势与特征的分析，可以得出对生态环境治理和区域建设提供一定的理论依据。

1 研究区域与数据

1.1 研究区域

阜新市是辽宁省西北部地区的中心城市，位于内蒙古高原和东北辽河平原的中间过渡带，与科尔沁沙地南缘相接壤，全区呈现长矩形，中轴斜交于42°10′N，122°00′E的交点上。东西长170 km，南北宽84 km，总面积10 445 km2。阜新市属于中温带半干旱半湿润大陆性季风气候区[8]，区域内降水时空分布不均衡，年降水量平均不足500 mm，水资源状况较差。研究区域林草地面积小，植被覆盖率较低，属于生态环境敏感脆弱区。阜新市行政区域如图1所示。

1.2 数据来源

本研究以阜新市为研究区域，数据主要来源于2007年9月4日、2013年5月23日和2019年10月15日3景Landsat影像。为了确保所选遥感影像的精度，尽量选取同一季节且云层含量较少的影像，详细信息见表1。将辽宁省阜新市的行政区域规划矢量文件作为底图。

表1 遥感影像数据

影像为了避免大气、地形和光照等因素对不同年份数据精度的影响，减少外在因素导致的差异，在ENVI5.3下根据Landsat系列卫星用户手册和大气校正模型分别进行辐射标定和大气校正，并根据阜新市的行政区域规划矢量文件进行不规则裁剪(图2)。

2 指数选择及遥感生态指数

在对生态环境的分析中，其中湿度、绿度、干度和热度4个指标对生态环境的影响最大。根据这4个对生态环境影响最大的指标，对环境进行系统性评价，通过主成分分析并进行归一化处理，生成遥感生态指数，对生态环境进行整体性评价。由4个指标生成的遥感生态指数(RSEI，公式中用RSEI表示)公式如下：

RSEI=f(Wet,NDVI,NDBSI,LST)

(1)

式中：Wet为温度；NDVI为植被指数；NDBSI为干度；LST为地表湿度。

2.1 指标构建

2.1.1 湿度指标 缨帽变换是一种有效的数据压缩和去冗余技术，常被应用于生态监测中[9-11]。由于湿度分量与植被和土壤的湿度紧密相关，因此本研究的湿度指标以湿度分量Wet来代表，其表达式为[12]：

Wet7=0.262 6ρB+0.214 1ρG+0.092 6ρR+0.065 6ρNIR-0.762 9ρSWIR1-0.538 8ρSWIR2

(2)

Wet8=0.151 1ρB+0.197 3ρG+0.328 3ρR+0.340 7ρNIR-0.711 7ρSWIR1-0.455 9ρSWIR2

(3)

式中：ρB、ρG、ρR、ρNIR、ρSWIR1、ρSWIR2分别代表经辐射定标后传感器 ETM+第1、2、3、4、5、7波段及OLI第2、3、4、5、6、7波段的反射率；Wet7和Wet8代表Landsat7和Landsat8的湿度分量。

2.1.2 绿度指标 归一化的植被指数(NDVI)是被应用最广泛的植被指数，不仅能反映出植物冠层的背景影响并且与植被覆盖有关。因其能够较好地反应植被生长情况，故选用其作为绿度指标，其表达式为：

NDVI=(ρNIR-ρR)/(ρNIR+ρR)

(4)

2.1.3 干度指标 代表干度指标的建筑指数选择的是(index-based built-up index，IBI)建筑指数[13-14]，但在环境中裸土同样会造成地表的“干化”，因此干度指标(NDBSI)可由二者合成，即由建筑指数(IBI)和土壤指数(soil index，SI)[15]合成，所以其表达式为：

SI=[(ρSWIR1+ρR)-(ρNIR+ρB)]/[(ρSWIR1+ρR)+(ρNIR+ρB)]

(5)

IBI=(2ρSWIR1/(ρSWIR1+ρNIR)-(ρNIR/(ρNIR+ρR)+ρG/(ρG+ρSWIR1)))/(2ρSWIR1/(ρSWIR1+ρNIR)+(ρNIR/(ρNIR+ρR)+ρG/(ρG+ρSWIR1)))

(6)

NDBSI=(SI+IBI)/2

(7)

2.1.4 热度指标 代表热度指标的地表温度可采用Landsat用户手册的模型，以及Chander等最新修订的定标参数[15]进行计算：

L=gain×DN+bias

(8)

T=K2/ln(K1/L+1)

(9)

式中：L为TM热红外波段在传感器处的辐射值；gain、bias和DN分别代表热红外波段的增益值、热红外波段的偏置值与像元的灰度值；K1和K2为定标参数；T为传感器处温度值。

经过式(9)得出的温度T可通过地表比辐射率转换为地表温度。因此热度公式为：

LST=T/(1+(λT/ρ)lnε)

(10)

式中：LST代表热度指数；λ为热红外波段中心波长；ρ=1.438×10-2m·k；ε为地表辐射率。

2.2 遥感生态指数模型构建

生态指数应以单一指数形式出现[17]，可以通过对指数的分析得到各指数对环境的综合影响[18-21]。本研究的4个不同指数由于量纲的不一致，如果直接进行主成分分析(principal components analysis，PCA)会导致系数间的权重失衡，因此在进行主成分分析之前应对4个指标进行归一化处理，将其量纲统一到0～1，使其在相同的量纲下进行主成分分析[22]。常用的归一化公式：

NIi=(Ii-Imin)/(Imax-Imin)

(11)

式中：NIi为归一化后的某一指标值；Ii为该指标在像元i的值；Imax为该指标的最大值；Imin为该指标的最小值。4个指标经过归一化之后；对PC1进一步计算生成遥感生态指数(RSEI)，可进一步用1减去PC1，获得初始生态指数RSEI0(公式中用RSEI0表示)。

RSEI0=1-f(Wet,NDVI,NDBSI,LST)

(12)

为了便于指标的量纲统一和相互比较，可同样对RSEI0进行归一化：

RSEI=(RSEI0-RSEI0→min)/(RSEI0→max-RSEI0→min)

(13)

所得RSEI即为所建立的遥感生态指数，其值越大表示生态环境越好，反之则生态环境越差。

3 结果与分析

3.1 阜新生态环境质量概况

选取2007、2013年和2019年的各项生态指数特征值的贡献率进行研究。通过表2可以看出，由于湿度指数Wet与绿度指数NDVI均为正值，可以得出遥感生态指数RSEI与湿度和绿度成正相关，干度指数NDBSI与热度指数LST均为负值，所以与遥感生态指数RSEI呈负相关。2007、2013年和2019年PC1的特征贡献率均超过83%，说明PC1能集成4个指数的信息对生态环境进行准确的评价。由表2可以看出，Wet的贡献率远小于NDVI、NDBSI和LST的贡献率，说明Wet对生态指数造成的直接影响较小。

表2 指标主成分分析

由表3可以看出，在4个指标分量中NDBSI的平均值最大为0.715，由此可知NDBSI对生态环境的影响较大。因为近些年随着城市化进程的加速发展，城市建筑对生态环境的影响日益加重。NDVI呈波动性变化，表明随着城市化进程的推进植被受到了破坏，但是随着对生态环境的日益重视，植被环境也在逐渐恢复。通过各个指数的平均值可以发现，RSEI与生态环境的相关性比单一指标影响最高的NDBSI指数还要高13.1%，RSEI与生态环境的相关性逐年增强，从2007年的0.828一直增长到2019年的0.865，增长了3.7%。显然新建的生态指数除了集成了4个指数的信息外，还比其他4个指数更具有代表性，所以RSEI能更准确地反映出生态信息的变化。

表3 各指标和RSEI指数的相关性统计

为了更准确地评价RSEI指数，对阜新的RSEI进行等级的划分，将RSEI以0.2为间隔进行划分，分别代表差(0～0.2)、较差(0.2～0.4)、中等(0.4～0.6)、良(0.6～0.8)、优(0.8～1)共分5个等级，如图3所示。阜新市地区的RSEI指数2007年平均为0.671，2013年平均为0.597，2019年平均为0.687。由图3可知，阜新市各区域的RSEI等级情况，由2007-2019年的图像可知阜新市的环境较差地区主要集中在东北部和西南部。其主要原因是阜新市的东北部与科尔沁沙地的南缘相接壤，虽然随着近年来沙地治理环境有所好转，但是东北部地区仍受到很大程度上的侵蚀，所以相对环境质量较差。由图3可知，阜新市的RSEI大部分为评价中等地区。

由表4可知，从2007年开始阜新市生态环境中等及以上地区占比超过80%，其中中等地区占比最大。阜新市评价为差的地区逐年增长，证明对环境差地区的生态治理仍有不足。对于评价为良好和优秀的地区呈波动性趋势，但是整体趋势明显变好，从2007年到2019年生态评价为良好的地区面积增加658.66 km2,占总面积的6.33%。由表4可以看出，阜新市的生态环境虽然呈波动性变化，但是整体环境向好的方向发展。

表4 阜新市不同时期RSEI等级面积及平均值

3.2 阜新市生态环境的时空变化

为获得阜新市2007-2019年的生态环境变化情况，对阜新市3个时段RSEI指数进行差值计算，根据差值结果判断阜新市生态环境的变化。如图4所示，红色代表生态环境恶化地区，表示为变差，黄色代表生态环境未发生明显变化，表示为不变，绿色代表生态环境有变好的趋势，表示为变好。从时间上来说，由2007-2013年的图像可知大部分地区生态环境未发生变化，但是阜新市的东北部，环境有恶化的趋势。表明近些年由于水土流失、土地沙化和植被破坏等问题，导致环境遭到破坏，尤其是阜新市东北部地区。在2013-2019年的图像可知，环境质量在缓步提升，阜新市的中部和西南部有明显的好转。从整体来看，2007-2019年阜新市东北部环境整体发生好转，表明近些年来对科尔沁沙地的治理有了明显的效果，生态环境发生好转。

由表5可以看出，2007-2019年环境不变所占的比例最大，都在50%以上；2007-2013年环境有明显的恶化趋势，环境恶化地区面积为3 193.56 km2,占总面积的30.7%。随着社会的发展，对环境保护意识的增强，明显看出从2013-2019年的生态环境有变好的趋势，变好的地区面积为2 418.86 km2。从整体性来看2007-2019年生态环境呈现变好的趋势，由于对土地沙化的治理和退耕还林还草的政策，使得整体生态环境向好发展，整体变好面积为3 541.29 km2,占总面积的34.04%，比例明显上升。

表5 2007-2019年阜新市生态环境变化情况

3.3 阜新市RSEI的建模与分析

将4 000个采样点随机分在阜新市，通过各个采样点获得阜新市3个年份指标参数与RSEI的关系，并按照各个指数因子对其赋值分析。为确定回归模型，将4个参数作为自变量，将RSEI作为因变量，通过回归分析确定阜新市3个年份的回归模型如下：

RSEI2007=0.576+0.241WET+0.286NDVI-0.171LST-0.531NDBSI(R2=0.947)

(14)

RSEI2013=0.467+0.259WET+0.377NDVI-0.249LST-0.432NDBSI(R2=0.936)

(15)

RSEI2019=0.507+0.211WET+0.387NDVI-0.148LST-0.422NDBSI(R2=0.969)

(16)

从各个年份的结果可以看出，4个生态因素均在回归分析中保留，说明4个生态因素对环境质量具有代表性，模型拟合优度R2都在0.9以上，并在α=0.01水平上显著。从各生态因子贡献率来看，NDBSI的绝对值要显著高于其他3生态指数，所以NDBSI影响最大，说明随着城市化进程的加速，处理好建设用地的增加对生态环境的抑制作用是提高RSEI的重要解决方案。由于NDVI与RSEI成正相关，所以要提高RSEI应合理分配阜新地区的土地资源，抑制土地沙化，增加森林的覆盖率，减少水土流失，保证可持续性发展。

3.4 阜新市RSEI变化分析

由于构成RSEI的4个生态指标分别是Wet、NDVI、NDBSI、LST，所以RSEI能比较好地反映阜新市的生态环境质量状况。其中Wet和NDVI与RSEI成正相关，所以降雨量与地下水含量的多少直接影响着生态环境的质量。从图5、图6可以看出，阜新的降水整体成下降趋势，而年平均气温呈上升趋势。

研究表明，由于降雨量的减少导致Wet指数的下降，进一步影响植被的生长。由于Wet和NDVI与RSEI指数成正相关，而且降水量与温度会直接影响这2个生态因素，对环境造成影响。由图5可知，在研究时段内，阜新市的气候条件以高温、干燥、降雨量偏少为主，水分条件和温度条件都是植被恢复的重要影响因子，在研究时段内的降雨量的变化不适合植被的恢复。从图5可以看出，随着降雨量的减少，RSEI指数也随之到达了最低点，证明降雨量的增加有助于植被的恢复，对RSEI指数成正相关。

由图6可以看出，RSEI指数随着温度的变化而变化，随着温度的降低RSEI指数明显呈下降趋势，随着气温的不断上升RSEI指数也随之上升。证明温度和降雨对RSEI指数有较大的影响。

近年来阜新市的城市化进程正迅速加快，以高铁为主导的交通建设项目正在迅速开展,由于各类项目的建设占用林地、耕地、建设用地等,在快速发展经济的同时也使生态环境仍遭到一定程度上的破坏。阜新市东北部与科尔沁沙地接壤，土地受到风沙的侵蚀，但是近些年来阜新市注重环境的保护，大力促进沙地的治理，实行退耕还林还草的政策，使土地沙化得到了一定程度上的缓解。截至2019年末，阜新市林地覆盖面积超过27%；草地覆盖面面积超过8%，植被覆盖量明显上升，相比于2007年生态环境得到改善。

4 结论与讨论

基于遥感影像数据，对生态环境进行综合性分析，将湿度、绿度、干度和热度4个指标进行主成分分析并耦合成为遥感生态指数，对阜新市2007-2019年的生态环境进行分析。从时空分布、不同指标对生态环境的影响具有复杂性、生态环境变化的趋势等多个方面进行定量性的研究。

从时空分布来看，阜新市2007年、2013年和2019年的遥感生态指数分别为0.671、0.597和0.687，生态环境整体上呈上升趋势。RSEI值由2007年的0.671下降到2013年的0.597，下降了11.2%，表明由于城市的发展生态环境有所恶化；但到2019年又上升至0.687，上升了13.1%。12 a来总体上涨了2.32%，表明随着生态环境的治理与植被多样性的提高，生态环境总体向好发展。

不同指标对生态环境的影响具有复杂性。建模分析表明Wet和NDVI受年平均降雨量与年平均气温的影响并与RSEI成正相关；NDBSI和LST与RSEI呈负相关。其中NDBSI的平均相关度为0.715对生态环境的影响最大，NDBSI相关度系数比NDVI高10.35%，相比于Wet高18.6%，所以在城市发展的同时更应注意对建筑指数与土壤指数协同作用产生的NDBSI对环境造成的影响，合理规划城市布局减少裸土面积，增加植被覆盖度。

阜新市78%以上的地区都处在中、良和优3个等级中，其中评价等级为中等所占比例最大，平均占比为68.79%，从2007-2019年的12 a差和优的面积几乎没发生变化，因此对生态环境较差地区的改造仍是改善生态环境的重点。从2007-2019年面积变好区域为3 541.29 km2，占总面积的34.04%。说明2007-2019年的12 a阜新市的生态环境整体呈变好的趋势发展。

通过对遥感影像的主成分分析与各环境因素的耦合，可以得到各主成分之间的交互作用对遥感生态指数的影响。但由于本次研究数据获取有限，所获取的只有阜新市的Landsat卫星影像，因此在后续的研究中可拓展不同的卫星影像进行多元数据融合，增强生态评定的维度，对生态环境进行更为系统性的评价。