基于改进遥感生态指数的南昌市生态环境质量监测与评价

王新驰, 鲁铁定*, 龚循强, 周秀芳

(1. 东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室, 南昌 330013; 2. 东华理工大学测绘与空间信息工程学院, 南昌 330013; 3. 东华理工大学江西生态文明建设制度研究中心, 南昌 330013)

随着全球气候变暖和城市持续扩张,生态安全问题被频繁提上议题。近年来,中国经济高速发展,部分城市生态环境质量出现下滑的趋势,如何精准快速地评价城市生态环境质量逐渐成为学者们研究的热点。随着遥感技术的快速发展,卫星空间分辨率和光谱分辨率提高,遥感影像包含的信息越来越丰富,遥感技术还具有监测范围大、重访周期短、动态监测、图像预处理较为简便等特点,因此被广泛应用于评价大面积、多尺度的区域生态[1-4]。

基于遥感的生态评价指标多采用单一遥感指标,只关注影响区域生态某一方面的因子[5-7]。例如,利用归一化差值植被指数(normalized difference vegetation index,NDVI) 数据对山西黄河流域NDVI的时空变化与气候响应关系进行分析[8],采用土地利用覆盖变化来评价江汉平原景观生态风险的时空分异特征[9]。为此,相关学者对综合性评价指标展开了研究[10-12],其中徐涵秋[13]提出基于遥感技术的城市生态综合评价指标体系遥感生态指数 (remote sensing ecological index,RSEI),该指标体系多年来被广泛运用于监测沙漠[14]、湿地[15]、草原[16]等多种生态环境特点不同的区域。在此基础上,相关学者在遥感生态指数的二级指标中加入其他反映生态状况的指标[17-18],还有将二级指标的加权规则进行改进[19-20],以及考虑到空间连续性[21]和长期陆地生态质量评价[22]并对模型算法提出相应的优化。以上研究均在原有RSEI模型的基础上添加二级指标或对模型算法进行改进,然而却忽略了RSEI模型本身的二级指标是否有改进空间。另一方面,遥感生态指数评价区域生态环境只保留第一主成分PC1计算最终结果,而PC1在研究中普遍存在贡献率不高的问题。

为此,现提出一种改进RSEI(improved RSEI,IRSEI)绿度指标的方法,采用通用归一化植被指数(universal normalized vegetation index,UNVI) 代替NDVI,UNVI是基于通用模式分解算法(universal pattern decomposition method,UPDM) 的全谱段植被指数[23-24]。采用IRSEI模型与RSEI模型对比,利用Landsat影像数据计算两种模型对应的PC1贡献率和各指标平均相关度,并分析南昌市2003—2021年来生态环境质量分布情况和变化趋势。首先采用UNVI插件在预处理后的Landsat影像计算结果,然后对UNVI结果进行水体掩膜和归一化处理,与湿度、干度、热度指标一起进行主成分分析,取第一主分量PC1归一化后得到IRSEI结果图。最后对主成分分析统计结果文件进行处理和分析,得到各指标对PC1的载荷值、PC1贡献率和各指标平均相关度。

1 研究地区与研究方法

1.1 研究区概况

南昌市位于江西省中部偏北(28°10′N～29°11′N, 115°27′E～116°35′E),在赣江、抚河下游,是江西省的省会城市,南昌市地理区位图如图1所示。南昌市的东北方向是风景优美的鄱阳湖国家自然保护区,西北方向是树木茂密的梅岭国家森林公园,东南方向军山湖地势相对平坦。南昌市总面积约为7 195 km2,拥有众多河流湖泊等水系,水面面积占比约为29.8%。

图1 南昌市地理区位图Fig.1 Geographic location map of Nanchang City

1.2 数据来源

选取2003—2021年南昌市Landsat5 TM和Landsat8 OLI遥感影像以6年为间隔的4期数据,其云量均低于5%,数据信息如表1所示。影像时间均为每年的9—10月,因为鄱阳湖是一个吞吐型湖泊,不同月份的水域面积相差较大,会影响水体掩膜后的面积。整个研究区需要两幅影像来完全覆盖,在同一年内选取的每幅影像间隔均不超过2个月。

表1 Landsat卫星数据信息Table 1 Landsat satellite data information

影像数据均来源于美国地质调查局(https://earthexplorer.usgs.gov/),多光谱影像预处理的步骤包括辐射定标、大气校正、影像镶嵌、裁剪四个步骤。由于大片水域会影响实验结果,采用改进的归一化差异水体指数(modified normalized difference water index,MNDWI)掩膜水体信息[25]。土地利用分类数据来源于文献[26]。

1.3 遥感生态指数计算

遥感生态指数是一种基于遥感影像的,以自然因子为主要成分的区域生态环境质量综合评价的指数,它具有便捷性、普适性,因而被广泛应用于城市、湿地、沙漠等各种不同特征区域的生态环境质量监测。RSEI由4种自然因子构成,即湿度、绿度、干度和热度,每一个因子都有一种对应的生态指标,经过归一化-主成分分析-归一化后得到最终的遥感影像,反映区域生态环境质量结果。其遥感定义为

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

式(1)中:Wet为湿度分量;VI为植被指数;NDBSI为建筑-裸土指数;LST为地表温度。

1.3.1 湿度指标

湿度指标由缨帽变换[27]获得,它可以表征区域内空气、植被、土壤中的含水量,对生态环境有正向影响。卫星搭载的传感器不同,湿度指标的系数也不同,计算公式为

WETTM=0.031 5ρBlue+0.202 1ρGreen+ 0.310 2ρRed+0.159 4ρNIR- 0.680 6ρSWIR1-0.610 9ρSWIR2

(2)

WETOLI=0.151 1ρBlue+0.197 3ρGreen+ 0.328 3ρRed+0.340 7ρNIR- 0.711 7ρSWIR1-0.455 9ρSWIR2

(3)

式中:WETTM和WETOLI分别为Landsat 5 TM和Landsat 8 OLI传感器计算的湿度分量;ρBlue、ρGreen和ρRed分别为蓝波段、绿波段和红波段地表反射率;ρNIR为近红外波段地表反射率;ρSWIR1和ρSWIR2分别为短波红外1、2波段地表反射率。

1.3.2 绿度指标

根据遥感生态指数模型[13],选用归一化差值植被指数(NDVI)[28]作为绿度指标对城市生态状况进行评价,公式为

NDVI=(ρNIR-ρRed)/(ρNIR+ρRed)

(4)

1.3.3 干度指标

由于人类活动,城市不透水面面积增加,因此选取建筑指数(index based built-up index,IBI)与土壤指数 (soil index, SI)的平均值作为干度指标。计算公式为

NDBSI=(IBI+SI)/2

(5)

(6)

(7)

1.3.4 热度指标

地表温度是衡量城市生态环境质量的一个重要指标,城市热岛效应[29]对区域生态环境质量有一定影响。本研究采用大气校正法反演地表温度来表征热度,公式为

Lλ=[εB(TS)+(1-ε)L↓]τ+L↑

(8)

(9)

(10)

式中:Lλ为热红外辐射亮度值,由热红外影像大气校正得到;ε为地表比辐射率;TS为地表温度(℃);B(TS)为黑体辐射亮度;τ为大气在热红外波段的透过率,L↑和L↓为大气向上、向下辐射到达地面的能量,这三者可根据成像时间和经纬度在美国航空航天局(National Aeronautics and Space Administration,NASA)官网获取(https://atmcorr.gsfc.nasa.gov/)。

1.4 改进的综合指数构建策略

现提出一种改进绿度指标的方法,利用基于通用模式分解算法(UPDM)的通用归一化植被指数(UNVI)代替NDVI作为绿度指标。UPDM允许独立于传感器的光谱分析,让每个像素都表示为4个标准光谱的线性组合,并且每个像素的模式分解系数包含大多数传感器信息。UNVI是一种全谱段的植被指数,公式为

R(i)→[CWPW(i)+CVPV(i)+CSPS(i)+C4P4(i)]

(11)

式(11)中:i为波段编号;R(i)为任何地物或任何像素通过卫星测量的i波段下的反射率;PW、PV、PS、P4分别为4种标准光谱(水、植被、土壤、黄叶)的归一化反射率值;CW、CV、CS、C4为其对应的分解系数。

由于式(10)中通过UPDM计算的系数矩阵P较为复杂,可进行一定优化后导出矩阵M,用以代替矩阵P[24]。不同的卫星传感器参数可得到对应的矩阵M,优化后的公式为

C=MR

(12)

式(12)中:R=[R1,R2,…,Rn]T表示遥感数据的反射率光谱;M=[MW,MV,MS,M4]T是一个系数矩阵。C=[CW,CV,CS,C4]T表示标准光谱对应的系数矩阵。Landsat5 TM和Landsat8 OLI对应的系数矩阵M如表2所示[30]。其中,每列从上到下分别为水、植被、土壤、黄叶对应的系数。对于Landsat TM传感器,利用波段1～5和波段7计算UNVI,波段6为热红外波段,不参与UNVI计算;对于Landsat OLI传感器,利用波段2～7计算UNVI,而波段1为蓝波段,主要应用于海岸带观测,因此波段1没有参与UNVI计算。

得到UNVI的计算公式为

(13)

式中:C为UPDM中的系数;a为调节因子。为了使UNVI结果在[0,1]中,a取0.1。

遥感生态指数集成了湿度、绿度、干度、热度4个指标,由于各指标量纲不同,需要对各指标进行归一化后才能开始主成分分析,用于统一指标权重,4个指标的归一化公式为

NI=(I-Imin)/(Imax-Imin)

(14)

式(14)中:NI为四个指标归一化后的值;I为4个指标的初始计算值;Imax和Imin为4个指标初始计算的最大值和最小值。在归一化前部分数据可能会出现异常值,因此取2%为置信区间,剔除使结果产生误差的噪声。

将归一化后的4个影像进行波段合成,再对合成后的影像进行主成分分析。若绿度和湿度特征向量为正,则取第一主分量PC1为初始遥感生态指数RSEI0;否则取1-PC1为RSEI0。对RSEI0归一化处理后得到最终的遥感生态指数RSEI。

2 结果与分析

2.1 IRSEI有效性分析

通过表3中各指标对PC1的载荷值可以看出,绿度、湿度的载荷值与干度、热度相反,说明绿度、湿度对生态环境质量的影响与干度、热度相反。由于不同软件主成分分析计算结果不同,若绿度、湿度为负值,干度、热度为正值,必须采用1-PC1取反进行还原,否则直接采用PC1进行后续计算。由表3载荷值的变化可以看出,湿度和热度对环境的影响先上升后下降,绿度影响持续上升,干度先下降后上升,说明南昌市植被覆盖越来越多,建筑裸土对环境的影响也越来越大。

南昌市2003—2021年4期数据RSEI的各分量主成分分析结果如表3所示。贡献率指的是PC1贡献率,可根据主成分分析法对湿度、绿度、干度和热度进行运算,得到PC1特征值所占4个主分量特征值之和的百分比获取。其中,主成分分析法将4个指标原始特征通过投影集中到几个特征向量上,PC1能集中原始特征的大部分信息。RSEI模型中主成分分析中PC1贡献率均不低于74.5%,而各年份IRSEI中PC1的贡献率均比RSEI模型高,数值为0.1%～7.8%不等,说明IRSEI比RSEI更好集成了各指标特征,更加反映出真实生态环境质量状况。由于2009年绿度指标对PC1的载荷值偏低,绿度对RSEI的影响比其他年份少,因此PC1贡献率提高的不多。IRSEI在2021年的PC1贡献率最高,达到87.8%,说明影像中大部分生态信息都被保留。

表2 基于Landsat5 TM和Landsat8 OLI传感器的UNVI系数矩阵MTable 2 The UNVI coefficient matrix M for Landsat5 TM and Landsat8 OLI

表3 2003—2021年主成分分析结果Table 3 Principal component analysis results from 2003 to 2021

RSEI和IRSEI模型中各指标的平均相关度如表4和表5所示,平均相关度由某年份某一指标与4个指标相关系数取绝对值求平均值计算得出,相关系数矩阵由主成分分析获得。可以看出,IRSEI模型中各年份各指标平均相关度都高于RSEI模型,其中绿度指标平均相关度提高了15.4%。就IRSEI模型而言,各指标间平均相关度最高的是NDBSI指标,达到0.860,其他3个指标平均相关度的数值相差不大。IRSEI中4个指标平均相关度的平均值0.792比RSEI模型高出7.2%,说明UNVI比NDVI更适用于RSEI指标体系,能更好地评价城市生态环境质量。

RSEI模型级别变化与土地利用分类对比图如图2所示,其中级别变化图为IRSEI结果减RSEI结果得到,优等级值为5,其他级别依次递减。以2021年为例,IRSEI主要在植被覆盖多的地方比RSEI有所提高。南昌市西北部的梅岭国家森林公园和安义县以及东南部的进贤县植被覆盖较多,在IRSEI模型中的等级比RSEI有所提高,这些等级提高的区域与土地利用分类图中的林地和耕地区域基本吻合。这是由于UNVI计算时用到6个波段包含的信息,而NDVI只用到2个,故UNVI对大片植被覆盖的区域更加敏感。IRSEI在城市区域比RSEI有所降低,这些等级降低的区域与土地利用分类图中的不透水面区域基本吻合。这是由于绿度指标的变化令主成分分析赋权发生变化,最终导致的结果变化。因此,IRSEI模型在这些区域可靠性高于RSEI。

表4 各指标与RSEI平均相关度统计表Table 4 Mean correlation of RSEI and indicators

表5 各指标与IRSEI平均相关度统计表Table 5 Mean Correlation of IRSEI and indicators

图2 2021年RSEI模型级别变化与土地利用分类对比图Fig.2 Comparison of RSEI model level changes and land use classifications in 2021

提出利用UNVI代替NDVI来改进RSEI模型的绿度指标,考虑到南昌市绿化较好,植被覆盖位于全国省会城市前列。IRSEI模型提高了主成分分析中PC1贡献率和各指标的平均相关度,这意味着改进后的模型增加了遥感生态指数模型中衡量植被对生态贡献的准确度,提升了各指标与RSEI模型相关性。PC1贡献率和各指标平均相关度的提高增强了模型抑制噪声的能力,保留了更多影像信息用于生态环境质量评价。由此说明IRSEI对于植被覆盖度较高的城市生态环境质量评价效果提升较为显著,同时也可适用于其他城市的生态环境质量监测及评价。

2.2 基于IRSEI的南昌市生态环境质量状况

用密度分割功能对南昌市各年份的RSEI影像进行分级渲染,以0.2为间隔分为5个级别:差、较差、中、良、优。IRSEI各指标均值统计表如表6所示,其中IRSEI从2003年的0.543下降到0.460,最终持续上升到0.592,总体增长不显著。这表明南昌市总体生态环境质量在2003—2009年有所下降,后来政府通过退耕还林、禁止焚烧秸秆等措施使得南昌市生态环境质量稳中向好。其中,湿度在这19年间有所下降,绿度和热度有所上升。值得注意的是,绿度指标的平均值始终高于IRSEI的均值,这表明南昌市植被覆盖度较大,对生态环境的影响在4个指标中最大且为正向影响。而热度的均值上升了0.157,在指标中上升幅度最大,说明南昌市地表温度上升快,对生态环境质量造成了负面影响。

表6 各年份IRSEI和4个指标均值统计表Table 6 Mean values of IRSEI and four indicators

2003—2021年间南昌市生态环境质量等级分布图如图3所示,可以看出2003年南昌市整体生态环境质量较好,高值区主要分布在鄱阳湖附近、梅岭、安义县,低值区主要分布于东南方军山湖周围、西南方赣江西侧的厚田乡和流湖镇。2009年,生态环境质量总体较差,IRSEI的均值降低了0.083,生态环境质量分布与2003年大致相同,但是主城区的生态环境质量未明显低于周围。在2015年,生态等级为优或差的区域面积很小,中心城区的生态环境质量开始低于郊区,而军山湖周围的生态环境质量开始提升。2021年,生态等级优的地区主要分布在梅岭、鄱阳湖湿地公园和安义县,中心城区的生态环境质量继续下降,空间分布差异十分明显。位于赣江两岸的南昌城区生态环境质量在这19年间从中等级别变为部分差或较差,这是由于城市建设导致不透水面增加,IRSEI受此影响呈下降状态,然而郊区的生态系统随着地方政府的政策干预逐渐向好,最终生态环境质量呈现如今的分布情况。

人为活动对南昌市生态环境质量既造成了正向影响,同时也会有一定的负面影响。2009年后,随着南昌市经济的飞速发展,城区的建筑面积持续扩大,这对南昌市中心的生态环境恢复造成压力。赣江两岸的第三产业分布密集,人员流动较为频繁,环境质量分布状况较复杂,因此IRSEI等级分布图中这一区域出现较多斑块。绿度和干度对PC1的载荷值相对于其他指标较高,说明主要是植被覆盖和人类活动共同作用于南昌市生态环境质量,是导致南昌市生态环境变化的主要因素。

2.3 基于IRSEI的南昌市生态环境质量变化

为了监测2003—2021年南昌市生态环境质量变化情况,对2003年和2021年IRSEI影像进行差值处理得到图4。图4按照等间隔把变化等级分为明显变差(-4～-1)、几乎不变(-1～1)、明显变好(1～4)。从空间分布情况可以看出生态环境质量变好的区域主要集中在西南方向的赣江以西的流湖镇、厚田乡和东南方向的军山湖周围,生态环境质量不变的区域大致分布在梅岭国家森林公园和西北角的安义县,生态环境质量变差的区域主要位于在赣江东岸的东湖区、西湖区、青云谱区、青山湖区和赣江西岸的红谷滩区。这是由于南昌市的市中心位于赣江两岸,分布着大量的劳动密集型产业园区、居民住宅区、中心商务区,红谷滩区在20年前则是一片滩涂,后通过抽沙造地成为城区。

图3 2003—2021年南昌市IRSEI等级分布图Fig.3 Distribution of IRSEI in Nanchang City, China from 2003 to 2021

图4 2003—2021年南昌市IRSEI变化检测图Fig.4 IRSEI change map of Nanchang City, China from 2003 to 2021

2003—2021年南昌市生态环境质量变化统计如表8所示,其中南昌市每6年生态环境质量不变的区域面积波动不大,为40%左右。南昌市2003—2009年间生态环境质量变差的面积为2 413.91 km2,占比为39.8%,生态环境质量变好的面积为1 111.19 km2,占比18.3%,说明全市经济快速发展和城镇化的同时,没有充分考虑到大量的建设对生态环境的负面影响。而后2009—2015年以及2015—2021年都是生态环境质量变好的面积占比最大,分别为44.6%和41.8%,说明总体生态环境质量先下降后呈现上升趋势,并且在2009—2015年变好速度最快,在2015—2021年增速放缓。

区域生态质量很难定量评价,可采用当地近年生态政策取得的成效佐证本文生态质量评价结果。鄱阳湖生态经济区于2012年开始规划实施建设,在IRSEI模型评价结果中鄱阳湖区域生态质量在2009年后持续上升,这也验证了IRSEI模型评价的准确性。南昌市在“十三五”期间由“一江两岸”走向“跨江临湖、揽山入城”,并且随着中部崛起和长江经济带建设,江西省被列入生态文明试验区。南昌市在此期间还积极开展了土地污染防治、推进碳达峰行动和加快绿色产业转型升级等生态文明建设,从结果来看这些措施取得了良好的效果,全市的生态文明水平由此得到提高。

3 结论

本文分析了南昌市各区域生态状况及变化趋势,对南昌市区域生态环境质量的量化研究具有重要意义。根据南昌市2003年、2009年、2015年和2021年的Landsat5 TM和Landsat8 OLI的遥感影像数据,采用改进遥感生态指数模型(IRSEI)监测和评价了南昌市生态环境质量的分布状况和变化情况。实验结果表明:IRSEI模型各年份中的PC1贡献率和平均相关度均高于RSEI模型;IRSEI模型增加了模型抑制噪声的能力,能更加真实客观地反映南昌市生态环境质量。南昌市的IRSEI在2003—2021年的均值呈现先下降再上升的趋势,总的来说变化不显著;根据南昌市生态环境质量变化统计,2003—2009年生态变差的面积最大,2009—2015年增速最高而后增速放缓。

表8 2003—2021年南昌市生态质量变化统计表Table 8 Changes of ecological quality in Nanchang City from 2003 to 2021