适用于秋冬季节RSEI的三峡库区生态质量评估

姜俊狄,李 嘉,2,陈焱明,3,蓝秋萍,陈 峰,高建东,柳寅峰

(1. 河海大学地球科学与工程学院,江苏 南京 210098; 2. 自然资源部超大城市自然资源时空大数据分析应用重点实验室,上海 200063; 3. 自然资源部城市国土资源监测与仿真重点实验室,广东 深圳 518034;4. 浙江水利水电勘测设计院有限责任公司,浙江 杭州 310000; 5. 江苏省测绘工程院,江苏 南京 210013)

遥感生态指数(remote sensing ecological index,RSEI)[1]是利用主成分分析(PCA)耦合绿度、湿度、干度、热度4个指标,综合反映地区生态环境质量的方法,因其快速、实时、定量、多时序评估的特点,在地区生态环境质量反演评估中得到广泛应用。研究发现,4个指标受季节影响较大。以往研究大多采用夏季的遥感影像进行各指标的反演,而秋冬季节的生态环境质量更脆弱,更易受到破坏,且RSEI的4个指标在秋冬季节的生态质量反演存在表征不足的问题。因此,选取适用于秋冬季节的生态质量反演指数,是构建秋冬季节RSEI的关键。

本文基于上述问题,提出一种适用于秋冬季节的RSEI。首先,通过地理探测器分析不同指标是否适用于秋冬季节生态质量反演;然后,选取适用于秋冬季节生态质量反演的指标构建秋冬季节RSEI;最后,通过相关方法进行指数适用性验证。

1 研究区与数据

三峡库区是指受三峡工程淹没的地区,横跨湖北省、重庆市,地势起伏大,层状地貌明显。三峡库区地势东高西低、南高北低,高差巨大。

在Google Earth Engine平台上获取并拼接合成覆盖研究区的影像,影像成像时间为10月1日至次年2月1日,含云量在3%以下,并对影像数据进行大气矫正。本文采用2013、2014、2015、2017、2020年的试验数据,并增加PM2.5数据反映空气质量,数据由城市空气质量实时发布平台提供。

2 方 法

如图1所示,本文首先分析RSEI的4个指标在地理探测器秋冬生态环境质量反演中的适用性;然后根据分析结果构建适合秋冬季的RSEI,验证指标的适用性;最后对研究区进行生态质量评价。

2.1 指数构建

适用于秋冬季节的RSEI由绿度、湿度、热度、空气质量、植被健康度5种指标构成,构建适用于秋冬季节的RSEI使用PCA将指标的大部分信息集中在第一主成分(PC1)中[2]。适用于秋冬季节的RSEI由PC1构建,适用于秋冬季节的RSEI指数表达式为

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

(1)

式中,VC、VHI、SWCI、LST、AQI分别表示绿度、植被健康度、湿度、热度、空气质量。

(1) 绿度VC。利用在像元二分模型基础上提出的绿度模型[3],利用NDVI进行计算,公式为

(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。虽然上述提到的绿度可以反映地表植被的覆盖情况,但未能揭示植被的健康状况[4],因此添加VHI,公式为

VHI=f(NDVI,NRI,NDVSI)

(3)

其中

(3)湿度SWCI。通过分析水对光的吸收情况,对植被和土壤反射率波谱的综合影响,获取地表土壤水分含量[5],有效替代Wet,公式为

(4)

(4)热度指标采用经反演的地表温度(LST)表示,地表温度反映城市热岛效应,可以表征区域生态环境质量[6]。LST采用大气校正法进行反演。

(5)空气质量指数AQI。文献[7]已通过试验证明,PM2.5含量与植被、不透水面具有显著相关性,可利用不透水面指数(NDISI)、NDVI、PM2.5数据建立多元线性回归模型,公式为

AQI=a·NDISI+b·NDVI+c

(5)

其中

2.2 地理探测器

地理探测器是一种探测空间分异性及某一综合指标的影响因子的方法[8],用于度量自变量与因变量之间在空间分布特征上存在的较强的度量关联性[9]。

(1)分异因子探测器,用于探测因变量X的空间分异性。P值为0,表示自变量对因变量空间分异性特征具有显著性影响;自变量对于因变量的解释力度q值越大,代表自变量对因变量解释力度越大。公式如下

(6)

(2)交互探测器,用于分析任意两个自变量对因变量的交互作用。通过比较两个自变量X1、X2对因变量影响力的交互作用[12],判断自变量与另一自变量共同作用下,对因变量的交互作用,包括线性增强、非线性增强、独立、线性减弱、非线性减弱。

3 分析与结果

3.1 RSEI指标的适用性验证

3.1.1 分异因子探测器分析

表1、表2分别为利用夏季遥感影像(2018-08-28)与冬季遥感影像(2017-12-31)计算的RSEI进行分异因子探测器的分析结果。可以看出,夏季NDVI、Wet、NDSI的q值均大于冬季q值,表明指标对RSEI的解释力夏季比秋冬季节强;而LST冬季的q值大于夏季q值,说明冬季LST对RSEI的解释力强于夏季。

表1 夏季分异因子探测器结果

表2 冬季分异因子探测器结果

3.1.2 交互探测器分析

交互探测器分析结果显示,夏季遥感数据RSEI的任意两个指标共同作用,结果均呈现线性增强的交互作用。冬季背景下,Wet和NDSI及NIDSI与LST共同作用下,均呈现线性减弱的交互作用,即两个因子共同作用削弱对RSEI的解释力。

根据地理探测器综合分析可知,Wet在冬季遥感影像中对RSEI的解释力弱于夏季,且Wet与NDSI共同作用呈现线性减弱的交互作用,因此考虑更换该湿度指数;NDSI明显不适用于对秋冬季节的生态环境质量评价,且湿度指数在一定程度上可以反映地表干度,因此剔除该指数;NDVI在冬季的遥感影像中对于RSEI的解释力弱于夏季,但也具有一定的解释力,且绿度是反映生态环境的重要指数,因此增加、更换绿度指数。

3.2 适用于秋冬季节的RSEI构建

分别利用NDVI、RVI、VC这3个绿度指数,与VHI、SWCI、LST、AQI结合构建适用于秋冬季节的RSEI。

3.2.1 分异因子探测器分析

表3、表4分别为利用RVI构建的适用于秋冬季节的RSEI,在夏季和冬季遥感影像下的分异因子探测器结果。可以看出,RVI、SWCI在夏季的影响力(q值)小于冬季,即RVI和SWCI在冬季对适用于秋冬季节的RSEI的解释力要强于夏季;相反VHI、LST、AQI在冬季的q值均小于夏季。

表3 RVI构建的夏季分异因子探测结果

表4 RVI构建的冬季分异因子探测结果

表5、表6分别为利用VC构建的适用于秋冬季节的RSEI,在夏季和冬季影像下的地理探测器结果。SWCI在冬季的影响力(q值)略大于夏季,VC、VHI、LST、AQI冬季q值均大于夏季;5个指标q值均大于0.8。

表5 VC构建的夏季分异因子探测结果

表6 VC构建的冬季分异因子探测结果

3.2.2 交互探测器分析

利用RVI、VC构建的适用于秋冬季节的RSEI,在夏季和冬季遥感影像下的交互探测器结果显示,夏季影像下任意两个指标共同作用,均呈线性增强的交互作用,即两个因子共同作用增强对RSEI的解释力;冬季影像下RVI和AQI及SWCI和VHI共同作用呈线性减弱的交互作用。利用VC构建的适用于秋冬季节的RSEI,在夏季和冬季遥感影像背景下的交互探测器结果显示,在冬季和夏季背景下,任意两个指标共同作用,交互探测结果均呈线性增强的交互作用。

3.2.3 适用于秋冬季节的RSEI

根据地理探测器结果综合分析,最终确定利用VC、VHI、SWCI、LST、AQI构建适用于秋冬季节的RSEI,利用PCA将指标的大部分信息集中在PC1中,利用PC1构建RSEI,归一化得到适用于秋冬季节的RSEI。

3.3 适用于秋冬季节的RSEI适用性验证

3.3.1 相关系数矩阵

相关系数矩阵用于分析各变量之间的相关性,用各指标之间的相关系数计算平均相关度[13]。

遥感影像相关系数矩阵见表7、表8。可以看出,适用于秋冬季节的RSEI平均相关度均高于5个指标的平均相关度,且秋冬季节各指标的平均相关度均大于夏季影像各指标的平均相关度。表明适用于秋冬季节的RSEI在秋冬季节的生态环境遥感反演中除了能集中各指标的信息外,还比任一指标更能综合反映秋冬季节的生态环境质量,且反映秋冬季节的生态环境质量的能力强于夏季,符合指数设计目标。

表7 秋冬季节遥感影像相关系数矩阵

表8 夏季季节遥感影像相关系数矩阵

3.3.2 多元线性回归

库区内生成3000个随机点,利用2013年反演得到的各指标及适用于秋冬季节的RSEI反演结果,赋值到随机点中,构建多元线性方程如下

RSEI=0.403 2×VC+0.677 4×VHI+0.813 6×

SWCI-0.186 2×LST-0.783 3×AQI

(7)

在线性回归过程中,5个指标均未被剔除,且LST、AQI回归系数为负,VC、VHI、SWCI回归系数为正,对生态环境分别起到负向和正向作用,与实际情况相符。

提取随机点上2014—2020年各指标值,代入构建得到的多元线性方程,得到RSEI,与反演得到的RSEI进行对比验证可知,差值基本上保持在-0.05～0.05之间。表明在同一研究区下,构建的线性回归方程与反演得到的真实值非常接近,说明适用于秋冬季节的RSEI适用性较强,适用于秋冬季节的生态质量反演。

3.4 三峡库区秋冬季节生态环质量反演与时空分析

3.4.1 生态环境质量反演结果

利用适用于秋冬季节的RSEI对2013—2020年秋冬季节进行生态质量反演。为了更好地将生态质量可视化,对适用于秋冬季节的RSEI进行分级。图2为2013—2020年生态质量的分级图。

图2 生态质量反演分级

表9为各年份适用于秋冬季节的RSEI各级面积及占比统计。可以看出,三峡库区生态环境质量总体呈上升趋势,且生态环境质量较差的区域较为集中,主要集中在三峡库区西南地区。

表9 各等级适用于秋冬季节的RSEI面积统计

3.4.2 Theil-Sen Median趋势度变化分析

为了更明显地反映三峡库区生态环境变化特征,对相邻两年进行趋势性变化分析,运用Slope函数直线拟合时间序列求斜率,得到像元变化度[14],公式如下

(7)

将变化度分析结果分为7个等级,如图3所示。可以看出, 2015—2017年三峡库区的生态环境质量存在显著变化。

图3 适用于秋冬季节的RSEI变化度分析

3.4.3 变异系数分析

变异系数用于衡量因变量之间变化程度,即评价生态质量的稳定性。变异系数越大,离散程度越高,稳定性越低[15],公式如下

(8)

式中,Sd为长时间序列下的标准差;IMRSE为平均值。

变异系数分布结果如图4所示。将变异系数计算结果分为4个等级。由表10可以看出,库区生态环境质量非常稳定的面积占41.26%,库区的生态稳定性较好,大部分地区都相对稳定;而库区西南地区的变异系数在0.3以上,呈现非常不稳定的状态。

表10 三峡库区生态环境质量稳定性面积及占比

图4 三峡库区生态环境质量变异系数分布

3.4.4 生态环境质量预测

Hurst指数是用于判断趋势性成分的持续性或反持续性的指数。当指数H=0.5时,表示RSEI不存在时序自相关;当0

图5为Hurst指数与Theil-Sen Median趋势度变化叠加得到的趋势变化图,得到6种分级结果,统计占比面积,结果见表11。

表11 可持续性叠加分析面积占比

图5 可持续叠加分析结果

由图5和表11可知,三峡库区的生态环境质量总体呈现持续性改善、未来改善趋势、持续性稳定不变的趋势。

4 结 论

本文构建了适用于秋冬季节的RSEI,得到结论如下。

(1) 利用地理探测器分析RSEI的4个指标是否适用于秋冬季节的生态质量反演,结果显示,RSEI的Wet不能很好地反映秋冬季节的生态环境质量,NDSI不适用于秋冬季节的生态环境质量反演。利用VC、VHI、SWCI、LST、AQI构建适用于秋冬季节的RSEI,利用地理探测器分析显示,5个指标能较好地反映秋冬季节的生态环境质量。

(2) 适用于秋冬季节的RSEI的适用性验证。平均相关度计算表明,适用于秋冬季节的RSEI在秋冬季节的生态环境遥感反演中除了能集中各指标的信息外,还比任一指标更能综合反映秋冬季节的生态环境质量;通过构建线性回归方程验证精度显示,构建的线性回归方程与反演得到的结果非常接近,适用于秋冬季节的生态质量反演。

(3) 对三峡库区进行秋冬季节的生态环境质量反演。利用适用于秋冬季节的RSEI进行生态质量反演,并对生态质量反演结果进行时空分析,结果显示,2013—2020年三峡库区生态环境质量总体呈上升趋势;通过趋势度变化分析得出,三峡库区的西南部地区呈显著变差的特征;变异系数分析结果显示,生态环境质量较为稳定;通过Hurst指数预测库区生态环境质量显示,总体呈持续性改善、未来改善趋势、持续性稳定不变的趋势。