基于多源遥感数据的震后恢复评估——以四川长宁MS6.0地震为例

谢志辉,李功权

(长江大学 地球科学学院,湖北 武汉 430100)

0 引言

地震会对人民生命财产和城市安全造成严重威胁,受灾程度与震级大小、自我防范意识强弱、建筑物抗震等级、预防措施等因素有关,而灾情信息的准确获取对应急救援预案的制定具有重要意义。地震发生在城市时,直接表现为震区灯光强度减弱,而减弱的幅度与地震等级具有相关性,所以利用夜间灯光数据提取灾情信息对辅助救援决策的制定具有重要意义。地震发生在山区,则会引起山体滑坡、泥石流和病虫害等次生灾害,使灾区出现植被破坏、倒伏等现象,导致灾区的生态系统遭到破坏[1]。生态系统破坏最直接的表现形式是地表植物生长情况的好坏,由于生态系统的脆弱性和敏感性,被破坏植被的自我修复是一个长期的过程,而植被生长情况可以利用植被指数来定量评价[2]。

植被指数多用于植物生长监测、作物类型的判定、作物估产等方面,目前常用的植被指数包括增强型植被指数(Enhanced Vegetation Index,EVI)和归一化植被指数(Normalization Difference Vegetation Index,NDVI)。利用中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)获取的EVI可以有效反映地表植被特征,多用于研究不同区域的植被变化情况。目前越来越多的学者应用该数据对自然环境进行研究,如朱林富等[3]利用MODIS-EVI数据探究了重庆植被覆盖季节变化趋势和空间分部特征,指出重庆植被覆盖变化的季节差异性明显;马昊翔等[4]利用MODIS-EVI数据和气象数据,基于残差趋势分析方法探究了气候因素和人类活动对研究区域植被变化规律的影响,指出青海省生长季草地EVI与温度和降水相关性显著;苏俊磊等[5]利用MODIS-EVI数据分析了西江流域植被时空变化的影响因素,指出重大自然灾害和自然条件对植被的生长具有较大影响;伍宜丹等[6]基于MODIS-EVI数据,利用莫兰指数和热点分析法对四川省增强型植被指数时空变化的影响因素进行分析,指出生态工程建设是其变化的主要驱动力;曹艳萍等[7]利用MODIS增强型植被指数,结合水文数据分析了华北平原植被生长状况与水文分布之间的关系,指出植被生长受水文要素、人类活动(灌溉、土地利用)双重影响;李京忠等[8]利用多源遥感数据分析了震后植被的空间恢复度,得出植被恢复会在地震发生后一段时间内存在一定的滞后性这一结论。

目前主要的夜间灯光数据有美国军事卫星(Defense Meteorological Satellite Program,DMSP)搭载的操作线扫描传感器(Operational Linescan System,OLS)获得的灯光影像、美国国家极地轨道合作卫星(Suomi National Polar-Orbiting Partnership,Suomi-NPP)搭载的可见光近红外成像辐射仪(Visible Infrared Imaging Radiometer Suite,VIIRS)获取的NPP-VIIRS影像,以及武汉大学发射的珞珈1号卫星获取的图像数据。NPP-VIIRS与DMSP-OLS相比,空间分辨率更高,对夜间灯光的探测能力更强,有效降低了DMSP-OLS所引发的数据饱和问题[9-11]。珞珈一号夜间灯光影像的130 m高空间分辨率可以更加清晰地反映城市的空间结构,但较大范围和较长时间跨度的存档数据较少,难以进行长时间尺度的研究。

近些年来,夜间灯光数据为灾后影响及灾区恢复重建等遥感监测提供了一种新视角,它不仅可以快速识别受地震影响区域,还可用于灾区震后恢复重建的监测及评估。如杜若华等[12]利用NPP-VIIRS和社会经济统计数据分析了2013—2019年鲁甸地区灾后灯光数据的时空变化特征,指出夜间灯光数据可以实现灾后临时安置点建设、房屋恢复重建、基础设施建设等过程监测;唐尧等[13]利用多源遥感数据对长宁县地震受灾情况进行提取分析,探讨了远测数据在重大地质灾害应用中的优势与不足;李晓雪等[14]利用NPP-VIIRS数据计算夏河5.7级地震后的灯光指数,分析了震后破坏度和灯光指数之间的关系,指出NPP-VIIRS数据在县级尺度地震灾情信息获取方面具有较大的应用潜力;张景发等[15]介绍了地震前后遥感图像的变化检测方法,为震后灾区的快速评估提供了可行的方法;聂高众等[16]通过一系列研究发现中国中西部地区易受地震影响,由于经济和减灾能力差,地震会给当地带来巨大的损失;阿里穆斯等[17]通过研究中国西南部少数民族地区的地震破坏影响,认为地震对自然条件差、经济薄弱地区的破坏性较大;张小咏等[18]利用显著性变化检测法分析震后夜间灯光数据,发现该方法不仅可以宏观提取地震的破坏范围,而且可以反映震后受灾人口的空间分布情况;张宝军[19]利用DMSP/OLS数据分析了2003—2013年极重灾区夜间灯光分布范围和强度的变化特点,发现灾后夜间灯光指数与受灾人口等灾情指标存在较显著的相关关系。

地震的发生给人们生活各方面带来了巨大影响,因此开展震后恢复评估至关重要。多源遥感数据在震后的恢复评估中具有独特的优势,但是关于这方面的应用研究比较少。基于此,本文以2019年6月17日长宁MS6.0地震灾区为研究区,以多源遥感数据中的NPP-VIIRS月度合成数据和MODIS-EVI数据为基础数据源,经过预处理后确定最优拟合模型对数据的可行性进行验证,再通过提取的灯光指数和植被指数来分析地震前后长宁县各乡镇的变化,评估震后经济和生态恢复情况,并探究震中不同缓冲区的破坏和恢复情况,以期为全面获取地震灾情信息和灾后评估提供一种新的思路和方法。

1 研究区域与数据处理

1.1 研究区域情况

长宁县位于四川省宜宾市的中心地带,地势南高北低,主要河流有长宁河等。2019年年末全县总人口超40万,生产总值(GDP)超170亿元,森林覆盖率达到65.4%。2019年6月17日长宁县发生了MS6.0地震,震中位于双河镇(104.90°E,28.34°N),震源深度16 km,四川、重庆、贵州、云南等省份均有震感。这次地震造成长宁县各地道路塌陷,房屋严重损毁,人民群众的生命和财产安全遭受威胁。

1.2 数据源

(1) NPP-VIIRS夜间灯光影像数据。该数据下载自美国国家地球物理数据中心(https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html),选取2013年5月—2020年11月共91期NPP-VIIRS月度合成影像产品。

(2) MODIS-EVI数据。该数据来自美国国家航空航天局(https://ngdc.noaa.gov/eog/viirs/download_ut_mos.html)提供的MOD13Q1数据,选取16天合成的空间分辨率250 m的EVI数据,2017年3月—2019年11月共60期影像。

(3) 其他数据。四川省标准地图服务网站下载的四川审(2016)027号长宁县地图;宜宾市地震检测中心获取的2019年长宁县MS6.0地震灾情数据;宜宾市统计局获取的长宁县2019年统计年鉴数据。

1.3 数据预处理

由于NPP-VIIRS夜间灯光数据存在背景噪声和异常极大值,本研究将亮度值(0.3×10-9)W·cm-2·sr-1作为阈值,小于该阈值的像元赋值为0,用来消除背景噪声的影响[20]。选取北京、上海和深圳三市的最大像元灰度值作为去除研究区异常极大值的参考阈值,将研究区内异常极大值重新赋值为3×3邻域内栅格的最大值。对去噪后的NPP-VIIRS数据进行投影变换和重采样,利用行政区划进行掩膜裁剪,得到长宁县的灯光强度分布情况。以2019年6月的灯光数据为例,利用分区几何统计得到长宁县各乡镇的平均灯光值(图1)。由图1可知,长宁县各乡镇的夜间灯光值主要集中在长宁镇、龙头镇和双河镇。

利用MRT(MODIS Reprojection Tool)工具对MODIS-EVI数据进行裁剪、重采样并转换成Albers投影。投影坐标系转换成WGS84,空间分辨率选择250 m,输出TIFF格式。采用时间序列谐波分析法(HANTS)对EVI数据进行滤波处理,消除云和大气的干扰[21]。由于影像质量导致EVI数据异常值,将存在异常值的影像数据重新赋值为前后两期正常影像的3×3邻域内栅格的平均值,最后利用处理好的EVI数据探讨季节性周期对植被指数的影响,评估数据的可利用性。

基于四川省标准地图服务网站下载的审图号为四川审(2016)027号的标准地图制作,底图无修改图1 2019年6月长宁县夜间灯光强度Fig.1 Light intensity at night in Changning County in June 2019

2 研究方法

2.1 技术路线

如图2所示,对预处理好的NPP-VIIRS和MODIS-EVI数据进行可行性评价分析,进一步探究季节性对植被生长情况的影响,最后通过计算夜间灯光指数和植被指数来评价震后的破坏和恢复情况。

图2 主要技术流程Fig.2 Main technical process

2.2 数据可行性评价分析

(1) 夜间灯光数据可行性评价

首先,在ArcMap中计算2013—2020年不同月份长宁县的灯光总强度(Total Night-time Light,TNL),列于表1。然后,为进一步验证地震灾害的发生对夜间灯光数据的影响程度,探讨时间和TNL的相关关系,以2013—2020年8月份为例,将TNL与时间进行相关性检验和回归分析(图3)。为排除地震灾害发生年份对整体数据产生的干扰,图3中去除了2019年的数据。由图3可知,二者具有很强的相关关系,线性和非线性模型得到的“确定系数”R2均超过0.91,其中非线性模型的拟合优度最高,达到0.969 43。最后,基于非线性回归模型计算得出2019年5—11月长宁县灯光总强度预测值,并与实测值进行对比(表2)。由表2可知,该时段长宁县灯光指数实际观测值小于预测值,这是由于6月17日长宁MS6.0地震造成了电力系统破坏,进而反映在灯光总强度降低上。这对利用夜间灯光数据评价地震灾害恢复提供了可能。

表1 长宁县不同时间段灯光总强度Table 1 TNL of Changning County during different period

表2 2019年5—11月灯光总强度实测值和预测值Table 2 Measured and predicted values of TNL from May to November,2019

图3 线性和非线性预测模型与TNL的线性拟合效果Fig.3 Linear fitting effect between prediction models and TNL

(2) MODIS-EVI数据的可行性评价

受季节性、周期性和数据质量的影响,同一研究区各月的植被指数会产生差异,这对利用植被指数评估震后恢复情况提出了挑战。为验证地震的发生是否对研究区植被产生影响,利用2017和2018年MODIS-EVI数据来验证季节对植被的影响程度,并与2019年数据进行对比分析(图4)。由图4可知,2017年和2018年各月EVI变化趋势大致相同,但从2019年6月中旬开始植被指数较往年出现波动并下降,这是由于地震灾害对植被生长产生了干扰,进而反映在植被指数的变化上。

图4 2017—2019年不同月份EVI总和变化量Fig.4 Total change of EVI in different months of 2017,2018,and 2019

2.3 灯光指数

夜间灯光影像数据可反映为TNL、平均相对灯光强度(I)和综合灯光指数(Compounded Night Light Index,CNLI)等。灯光灰度值大于0的区域为有效灯光区域,可以通过灯光指数的变化来研究该区域在一段时间内的发展变化,或评价地震破坏和震后恢复情况。TNL指研究区域灯光总强度,灯光面积比(S)指灯光像元面积和区域总面积的比值,CNLI指平均灯光强度(I)和灯光面积比(S)的乘积。其计算公式如下:

(1)

(2)

CNLI=I×S

(3)

S=AN/A

(4)

式中:DNi和ni分别表示研究区内第i级灰度像元值和像元数;DNmin和DNmax分别表示研究区内夜间灯光像元最小和最大灯光灰度值;A表示研究区行政面积;NL和AN分别为研究区在区间[DNmin,DNmax]的像元总数和灯光像元总面积。

2.4 植被指数

虽然MODIS-NDVI的应用研究富有成效,但NDVI在低植被覆盖区易受土壤背景和植被冠层的影响,在高植被覆盖区则容易饱和,对大气影响的纠正也不彻底。而EVI削弱了气溶胶和土壤背景的影响,并克服了植被饱和现象,能敏感地监测稀疏植被和茂密植被,可以弥补NDVI的不足[23]。因此可以基于MODIS-EVI数据,从 EVI变化率、植被覆盖度(Fractional Vegetation Cover,FVC)和植被覆盖恢复率(Vegetation Cover Recovery Rate,VCRR)几个维度来评价长宁县的震后植被恢复情况。

(1) EVI变化率

MODIS-EVI减少了大气、土壤背景以及像元异常值的影响,增强了浓密植被生长变化的监测和稀疏植被的区分,所以MODIS-EVI比MODIS-NDVI更接近实际的植被覆盖变化。EVI计算公式为:

(5)

式中:Pblue、Pred、Pnir分别表示蓝色、红色、近红外波段的反射率;L是土壤调节参数,取值为1;C1、C2是气溶胶阻力项的系数,取值分别为6和7.5;G是增益或比例因子,取值2.5。

(2) 植被覆盖度(FVC)

利用像元二分法模型来估算植被的覆盖度时,根据像元二分模型原理,每个像元的EVI值可表示为有植被覆盖部分的EVI与无植被覆盖部分的EVI两部分一元线性加权合成[24-25],其计算公式为:

EVI=(1-FVC)×EVIsoil+FVC×EVIveg

(6)

(7)

式中:EVIsoil为无植被覆盖像元的EVI值;EVIveg表示植被完全覆盖像元的EVI值。受环境和其他因素的影响,EVIveg和EVIsoil在不同的时空尺度上会发生相应变化,因此本文结合当地的土地利用图计算二者的值[26-27]。根据EVI累积频率分布曲线,选取累积频率0.5%和99.5%的EVI值分别作为EVIsoil和EVIvge。

(3) 植被覆盖恢复率(VCRR)

计算VCRR可以用来评价震后植被的恢复情况[28],对研究震后生态恢复具有重要意义。由于植被生长情况受季节性影响较明显,引入相对差(RRMSE)来评价地震年份植被覆盖恢复率。其计算表公式为:

(8)

RRMSE=VCRRg-VCRRs

(9)

式中:EVIi表示震后i(i=6,7,…,11)月植被的覆盖度;EVI1表示震后植被覆盖度;EVI0表示震前植被覆盖度;VCRRg表示2019年植被覆盖恢复率;VCRRs表示2017年和2018年植被覆盖恢复率均值。

3 结果与分析

3.1 长宁县灯光指数变化分析

利用ArcMap统计分析工具,计算得到长宁县2019年5—11月的5种灯光指数(表3),对研究区域的灯光强度变化、亮度像元个数、亮度像元面积和大型供电设施进行定量评价。从表3可以看出,TNL在长宁MS6.0地震前保持稳定,地震发生后下降,在7月下降到最低点,从8月开始缓慢上升,10月基本恢复到震前水平,说明此次地震对长宁县破坏性较大,并对光源载体造成了破坏,直接表现为CNLI和NNL的下降[22]。而CNLI、S、I和NNL的下降幅度较小,说明地震并没有对大的光源载体造成毁灭性破坏,这与长宁县夜间灯光主要集中在距离震中较远的长宁镇有关。

表3 2019年5—11月长宁县5种灯光指数变化Table 3 Changes of five light indexes in Changning County from May to November 2019

为探究此次地震灾害对宜宾市和四川省的影响,分别计算不同区域下2019年4—10月夜间灯光总量变化趋势(图5)。图5显示此次地震对长宁县破坏性较大,在更大尺度范围来看,宜宾市和四川省整体受影响较小,说明此次地震波及范围较小。

图5 四川省、宜宾市和长宁县2019年4—10月 TNL变化率Fig.5 Change rate of TNL in Sichuan Province,Yibin City,and Changning County from April to October 2019

为探究此次地震灾害对长宁县各个乡镇的影响,在ArcMap中统计不同时间分辨率下各乡镇的TNL,计算得到其2019年5—11月TNL变化率(图6)。图6显示长宁县各乡镇6—7月的TNL指数变化率在负值以下,其中双河镇、富兴乡、竹海镇和梅硐镇TNL指数下降最为明显,说明此次地震灾害对这几个乡镇的造成的破坏较大;梅白乡、下长镇和长宁镇等由于距离震中较远,并且受地形地貌所引发的山体滑坡危害较小,地震造成的破坏相对较小。值得注意的是各乡镇,尤其是受灾严重的乡镇,TNL指数在震后几个月的变化率均为正值且上升明显,说明国家和社会救援力量的到达促进了灾后重建项目的实施。

图6 长宁县各乡镇2019年5—11月TNL变化率Fig.6 Change rates of TNL in different villages and towns of Changning County from May to November 2019

3.2 长宁县植被指数变化分析

(1) EVI变化率分析

基于MODIS-EVI数据计算2019年5—11月长宁县各乡镇EVI变化率(图7),显示在地震发生的月份(6月),由于植被处于旺盛生长期,植被变化的反馈不是很明显,但是在7月,植被变化的负反馈趋于明显,并且在后续月份仍然处于一个负反馈的阶段。富兴乡、铜锣乡、双河镇、梅硐镇和铜鼓乡在地震发生后EVI减弱最为明显,这与该地区植被覆盖度高、地形坡度大,易造成山体滑坡等次生灾害有关。

图7 长宁县各乡镇2019年5—11月EVI变化率Fig.7 Change rates of EVI in different villages and towns of Changning County from May to November 2019

(2)植被覆盖度变化分析

为探究震后植被覆盖度的变化,参照有关研究[29],将植被覆盖度分为不同的等级。将长宁县2017—2019年各个月份的植被覆盖度数据按照10个等级进行统计分级,选取每年的8月进行展示(图8)。图8显示2017年8月和 2018年8月的变化趋势具有相似性,而2019年8月高覆盖度比例较少、中低覆盖度比例较多,说明高植被覆盖地区在地震中受损较为严重。

图8 长宁县植被覆盖度分级统计Fig.8 Classification statistics of vegetation coverage in Changning County

(3) 植被覆盖恢复率

在ArcMap中统计长宁县各乡镇震前(5月)和震后(8月、9月)的植被覆盖度均值,再利用式(8)计算各乡镇不同年份植被覆盖恢复率,利用式(9)计算相对差,进行分级统计显示(图9)。图9显示龙头镇、梅硐镇、富兴乡、双河镇和硐底镇植被覆盖恢复率最低，说明地震发生后这些地区的植被破坏较严重，且在震后一定时间内植被的生长状况有恶化趋势；双河镇虽位于震中位置，但是获利于便捷的交通和丰富的水系条件，震后植被破坏恢复情况好于龙头镇和梅硐镇;长宁河流经的铜锣乡、竹海镇、开佛乡和经济中心所在地的长宁镇植被恢复情况较好。可以看出乡镇植被恢复情况不仅与震中距离的远近有关,而且受地形地貌、水文条件和交通便利程度的影响。

注:该图基于四川省标准地图服务网站下载的审图号为四川审(2016)027号的标准地图制作,底图无修改图9 长宁县各乡镇2019年5—9月植被覆盖恢复率Fig.9 Vegetation coverage recovery rate of each township in Changning County from May to September 2019

3.3 震中缓冲区TNL和EVI指数变化分析

为了进一步探讨距离震中远近对TNL和EVI的影响,选取距离震中5 km、10 km和15 km的缓冲区,计算不同缓冲区2017、2018和2019年5—11月TNL、EVI的变化率(图10)。从图10(a)可以看出,2019年5—6月不同缓冲区TNL和EVI变化趋势均与2017和2018年同时期相似,相对比较平稳。从图10(b)可以看出,地震发生后,即2019年6—7月不同缓冲区TNL和EVI下降程度大于2017和2018年,且2019年TNL的下降趋势明显大于EVI,表现出距离震中越近下降越明显的趋势;由于不同缓冲区植被密度、种类和地形的影响,EVI指数没有呈现距离震中越近下降越明显的趋势。从图10(c)、(d)、(e)可以看出,2019年7—10月震后TNL恢复明显,其中9—10月TNL基本与2017和2018年同时期的变化趋势基本一致,说明震后灯光恢复良好;从7—8月开始,EVI下降显著性增加。由图10还可以看出,震后长宁县各缓冲区的TNL恢复情况明显高于EVI,且在一段时间内EVI一直呈下降趋势。这是由于植被易受地震所引发的山体滑坡、病虫害、和泥石流等次生灾害的影响,地震灾害对植被的影响具有长期性和滞后性,有关部门应长期跟踪灾后植被的生长情况,并采取积极有效的措施确保灾后的生态环境恢复建设。从积极方面来看,随着震中距的增加植被和灯光受影响程度都有所下降,两种数据在评价地震灾害恢复方面都具有一定的参考意义。

图10 TNL和EVI缓冲区变化率Fig.10 Change rates of TNL and EVI in different buffer areas

4 结论

本文基于NPP-VIIRS月度合成数据、MODIS-EVI数据和统计年鉴数据,对2019年6月长宁MS6.0地震前后灯光指数和植被指数的变化进行分析,得出如下主要结论:

(1) 研究区域内整体的灯光总强度在地震发生后呈现明显的下降趋势,但在2019年9月基本恢复到震前水平;地震造成的破坏区域集中在双河镇、富兴乡、竹海镇和梅硐镇,与官方统计受灾严重乡镇(富兴乡、双河镇、梅硐镇和硐底镇)基本一致。

(2) 长宁县是高植被覆盖地区,虽然植被覆盖度受季节和周期性的影响,但在地震发生后该地区的植被覆盖度与往年相比变化比较明显。通过对EVI指数的变化率分析,显示植被并没有在震后短时间内呈现一个急剧下降的趋势,而是一个长期的变化反馈。通过对震后各乡镇的植被覆盖恢复率变化分析，得知龙头镇和梅硐镇震后一定时间内植被恢复最差，水系分布较丰富的铜锣乡、竹海镇、开佛乡和经济中心所在地的长宁镇震后植被恢复情况较好。

(3) 对不同缓冲距离下夜间灯光数据和植被数据的分析显示,不同缓冲区内,TNL和EVI都呈现出距离震中越近破坏度越大的特征,其中TNL的反馈最为明显,EVI的反馈具有一定的滞后性。不同区域内的植被由于季节性、植被种类、地势和地貌等复杂因素,其受地震的影响在小范围内存在一定区域异质性。

(4) 通过对NPP-VIIRS和MODIS-EVI分别进行处理和分析,预测长宁地震破坏和恢复情况,为震后从多维角度进行恢复评估提供了可能。