基于遥感技术的哈尔滨巴彦—方正地区生态状况评价

陈 卓, 刘 涛, 段明新, 宋昊南, 赵喜东

(中国地质调查局哈尔滨自然资源综合调查中心,黑龙江 哈尔滨 150086)

0 引言

随着气候变化对环境影响的不断加大,极端高温事件的强度、出现频率和持续时间均有增强[1-3],而城镇扩张等直接人为因素也对生态系统产生了明显影响[4],地球系统内物理、化学、生物和人类的相互作用过程会给人类社会带来巨大的风险危机[5]。开展生态评价可以掌握一个地区的本底现状,促进生态保护和可持续发展。遥感数据具有易得、时空连续的特征,极大地方便了生态信息的获取,使得对生态状况进行快速经济评价成为可能。用地类型与生物多样性、生态过程及地表温度密切相关,并进而影响着生态状况及功能[6-7]。地面温度、亮度、湿度、归一化植被指数(normalized difference vegetation index,NDVI)[8-9]等常被用于生态评价。其中,地面温度是监测评价地表物理、化学和生物过程的一个关键参数[10],地面气象站无法提供具有较高空间分辨率的地面温度,因此遥感影像成为提取地面温度的理想数据源; NDVI常用于植物物理特征及生态的相关研究[11]; 亮度可以反映自然与人造景观的表面特征; 湿度则与土壤、植被含水量、水体等有关[12-13]。

已有的生态状况评价较多地集中于单一的用地类型、地面参数或土壤、水体的化学成分等[8-9,14-15]。生态环境状况指数(ecological index,EI)结合了多种生态要素,能够反映某个区域的生态状况[16-18],但无法获得生态状况的空间分布特征。通过遥感技术可以对一个地区的生态系统进行区域上连续的监测评价,其主要实现方式为多要素之间的加权运算或主成分分析。徐涵秋[19]通过主成分分析构建了遥感生态指数(remote sensing ecological index,RSEI),该指数能够避免在加权运算过程中因不合理权重而产生主观误差,目前该指数已经得到了广泛的应用[8-9,20-21]。Landsat影像数据因其时间、空间、光谱和辐射分辨率而适宜用于生态评价应用。已有学者利用遥感开展了哈尔滨主城区的多要素生态评价,但并未包含周边县市[22]。本文利用Landsat 8影像数据,以哈尔滨巴彦—方正地区为研究区,包括巴彦县、宾县和方正县,通过RSEI开展基于易得数据的生态状况评价,分析不同县域和用地类型的生态特征,以期助力区域绿色发展。

1 研究区概况

巴彦县、宾县、方正县地处我国东北地区,为黑龙江省哈尔滨市的下辖县级行政区,黑土分布广泛,为东北地区主要的粮食产地。北部为小兴安岭,东南部毗临张广才岭,平原辽阔、丘陵低缓,总体南北高、中间低(图1)。区内属中温带大陆性季风气候,年平均气温3.3 ℃,年平均降水量约560 mm。

图1 研究区2020年Landsat 8真彩色影像(a)及地理位置(b)Fig.1 The true color image in 2020 (a) and location (b) of the study area

2 研究方法

2.1 遥感数据源与处理

本文选用Landsat 8 OLI/TIRS (Collection 2 Level 1)共3景影像数据进行地面温度、NDVI、亮度、湿度的提取,影像选取过程中确保了研究区内没有云层覆盖和积雪干扰,且尽量选择植被生长季的影像。Qureshi等[8]建议在进行生态状况评价时将影像之间各年的天数间隔设定为小于60 d,本研究选取的影像时相分别为2019年9月15日、2019年9月17日、2019年9月24日,间隔小于10 d,满足遥感信息提取和对比要求(表1)。同时本文还收集了研究区GlobeLand 30 2020年的用地类型数据,用于提取分析不同用地类型的生态特征。

表1 研究区选取的数据参数Tab.1 Selected data parameters of the study area

2.2 评价流程

本研究主要包括地面参数提取、生态状况评价与空间分析,主要流程为: ①在GlobeLand 30数据的基础上将用地类型重新划分为林草地、建设用地、旱地,并通过目视解译提取水田,由于大片水域的存在会干扰湿度指数对植被和土壤含水量的反映[19],所以需利用遥感数据提取水体并掩模去除; ②对Landsat 8影像数据进行预处理,然后提取地面温度、NDVI、亮度、湿度等地面参数,在统计中排除了最小的前0.01%和最大的后0.01%的异常值; ③利用地面参数构建得到研究区2019年9月的遥感生态指数; ④以县域和用地类型为研究对象分别进行地面参数和生态状况的空间对比、分析(图2)。

图2 研究区生态状况评价技术流程Fig.2 Workflow of ecological assessment of the study area

2.2.1 地面参数提取

在参数提取之前,需对影像进行辐射定标和基于FLAASH模块的大气校正,分别得到Landsat 8 TIRS第10波段的热红外辐亮度和Landsat 8 OLI可见光近红外波段的反射率数据。在此基础上,亮度和湿度分别为缨帽变换的第1和第3主成分,各波段的变换系数因传感器类型而异[13,23]。本文亮度和湿度直接采用ENVI软件为Landsat影像提供的缨帽变换工具获取。此外,由于计算得到的湿度数据含较多的负值,会影响变异系数的比较,故将湿度数据在原值基础上统一加10 000。地面温度可利用热红外辐亮度数据,通过辐射传输方程法(大气校正法)计算得到[24-28]; NDVI采用第5波段和第4波段计算得到。

2.2.2 遥感生态指数

RSEI集成了各类地面参数信息,能够比单一指标更好地反映生态状况。本文RSEI处理过程为: ①对地面温度、NDVI、亮度、湿度数据进行归一化处理,使其值域为0～1,分别得到归一化后的地面温度(TS)、NDVIS、亮度(LS)、湿度(WS); ②对4个地面参数进行主成分分析,选择与地面温度(TS)、NDVIS、亮度(LS)、湿度(WS)的生态意义均一致的主成分作为RSEI,该方法与基于主成分分析的遥感矿化蚀变提取类似[29],主成分分析结果显示地面温度(WS)、亮度(LS)在第2主成分的特征值均为正值,NDVIS、湿度(WS)在第2主成分的特征值均为负值(表2),故提取第2主成分作为RSEI; ③对RSEI进行归一化处理,使其值域为0～1,得到RSEIS,其可以反映研究区各区域的相对生态状况; ④将RSEIS分为优良[0,0.2)、良好[0.2,0.4)、中等[0.4,0.6)、一般[0.6,0.8)、较差[0.8,1.0)共5类[8,19]。

表2 研究区RSEI特征值Tab.2 Eigenvalue for RSEI of the study area

3 结果分析

3.1 地面参数

3.1.1 县域特征

从表3可知,巴彦县、宾县和方正县之间亮度和湿度的均值差异并不显著。标准差可以反映地面参数的空间异性[25],其中地面温度空间差异最显著的是宾县,NDVI空间差异最显著的是巴彦县和方正县,亮度空间差异最显著的是方正县,湿度空间差异最显著的是巴彦县。相比地面温度和湿度,各县域的NDVI和亮度均具有较高的变异系数(表3)。由图3可见,整个研究区的高温地区主要分布于城镇和村庄,耕地区域的地表温度为中等,低温地区主要位于林草地区域,可能与森林具有更强的蒸腾作用有关[30]; 由于9月份哈尔滨地区的玉米仍处于生长期,NDVI在林草地和耕地区域均较高,低值区主要位于建设用地和水域周边。建设用地表现为较高的亮度和较低的湿度,耕地区域表现为中等亮度和较高的湿度,林草地区域表现为较低的亮度和中等湿度,和预期不同的是,方正县周边水田的亮度和湿度均较高。

表3 研究区地面参数特征Tab.3 Attributes of ground parameters in the study area

(a) 地面温度 (b) NDVI

3.1.2 用地类型特征

研究区各用地类型地面参数见表4。地面温度均值从低到高依次为林草地、水田、旱地、建设用地,地面温度分布均较为集中,其中林草地和水田在近20 ℃处具有次峰值(图4); NDVI从低到高依次为建设用地、水田、旱地、林草地,频率曲线显示林草地和水田具有明显的峰值,建设用地的NDVI分布范围较广,可能是由于城镇内的绿化分布不均匀,旱地的NDVI范围较广,可见次峰值; 亮度分布特征明显,从低到高依次为林草地、旱地、水田、建设用地,林草地和旱地的峰值位置相近,建设用地和水田具有双峰值且峰值位置相近; 湿度的均值从低到高依次为建设用地、林草地、旱地和水田,频率曲线显示林草地、旱地、水田的湿度分布较为集中,其中林草地和旱地的峰值位置较为相近,建设用地的湿度峰值相对其他用地类型较低,水田可见次峰值。

表4 研究区各用地类型地面参数特征Tab.4 Attributes of ground parameters for different land covers in the study area

(a) 地面温度 (b) NDVI

图4 研究区各用地类型地面参数频率分布Fig.4 Frequency distribution of ground parameters for different land covers in the study area

3.2 生态状况评价

3.2.1 县域特征

由图5(a)可知,3个县中生态状况为优良的区域占比差异不显著,均超20%; 巴彦县和宾县生态状况为良好的区域占比超过60%,明显高于方正县; 方正县内生态状况中等的区域占比明显高于其他两县; 3个县中生态状况为一般、较差的区域占比差异不显著。图3、图5(b)和图6显示生态状况为优良的区域主要分布于巴彦县北部、宾县南部和东部、方正县东部的林草地区域内,这些区域具有较低的地面温度、亮度,较高的NDVI和中等的湿度; 生态状况为良好的区域面积最广,主要为耕地,对应中等的地面温度、NDVI、亮度,中等或较高的湿度; 生态状况中等的区域主要分布于方正县城周边的水田区域,对应中等的地面温度、NDVI、亮度和较高的湿度; 生态状况一般和较差的区域主要为建设用地分布较大的城镇,对应较高的地面温度、亮度和较低的NDVI、湿度。

(a) 县域 (b) 用地类型图5 研究区各用地类型各级生态状况分布面积Fig.5 Distribution area of different land covers at different ecological classes in the study area

图6 研究区RSEIS分布Fig.6 Distribution of RSEIS in the study area

统计结果显示,RSEIS均值最高的为方正县(0.30),其次为宾县(0.29)、巴彦县(0.28),总体来看3个县的生态状况均属良好; 标准差显示各县域内的生态状况分布不均,其中巴彦县内的空间差异性明显低于方正县、宾县(表5),与之对应,巴彦县的RSEIS频率分布曲线相对更为集中,频率峰值位于0.21,与方正县(0.22)相近,但方正县RSEIS在中等区可见次峰值,宾县RSEIS峰值位置最高(0.25)(图7(a))。

表5 研究区RSEIS特征Tab.5 Attributes of RSEIS in the seady area

(a) 县域 (b) 用地类型图7 研究区各用地类型RSEIS频率分布Fig.7 Frequency distribution of RSEIS for different land covers in the study area

3.2.2 用地类型特征

由图5(b)可知,林草地内优良、良好区域共占比超86%,建设用地内中等、一般的区域共占比超74%,其次为良好、较差,旱地内良好区域占比超72%,其次为中等、优良,水田内良好、中等区域占比超90%,用地类型之间不同生态状况占比的差异特征明显。统计显示,各用地类型的主要生态状况从好到差依次为林草地(优良)、旱地(良好)、水田(中等)、建设用地(一般)(表5)。林草地的生态状况峰值最为明显,位于0.21,标准差为0.09,空间异性较小; 建设用地的峰值同样明显,位于0.65,标准差为0.17,生态状况多样; 旱地的峰值位于0.23,标准差为0.11,空间异性较低; 水田生态状况具有明显的双峰分布特征,峰值位置分别为0.47,标准差为0.14,空间异性一般(图7(b))。各用地类型内生态状况的标准差和变异系数的指示结果存在差异,如林草地具有较低的标准差和较高的变异系数(表5),RSEIS的频率分布曲线与标准差的指示结果更为一致(图7(b))。

4 讨论

本文利用遥感地面温度、NDVI、亮度、湿度这4个参数,通过主成分分析构建了RSEI。结果显示,建设用地和裸地具有更高的地面温度和亮度,对生态有负面影响; NDVI、湿度的高值区分别代表了更好的植被覆盖以及更高的植被、土壤含水量,对生态有正面影响[19],所以在构建RSEI时应确定这4个因子贡献的正负,使RSEI具有合理的生态意义。变异系数可克服不同地面参数间值域和量纲的差异,并反映数据相对于均值的变化程度,本研究中亮度和NDVI不仅在县域内具有较高的变异系数,在同一用地类型内仍然如此(表3,表4),表明二者在同一用地类型之内仍具有较大的空间差异,这可能是由于同一用地类型内具有不同的生物物理特征有关,且相较于地面温度和湿度,亮度和NDVI对研究区的不同表面特征反馈可能更加灵敏,在今后的生态评价和其他研究中可加以重点应用。通过对比RSEIS在表5中的标准差、变异系数和在图7中的频率分布特征,可见标准差反映的空间异性与频率分布曲线更为一致,由于变异系数反映的是相对于均值的变化程度,其更易受均值数值大小的影响,因此在今后研究中对于同一个统计参数,直接利用标准差分析空间异性是更优的选择,对于不同的统计参数,可对其进行归一化后再利用标准差分析比较空间异性。

本研究中水田具有比林草地和旱地更高的平均亮度和更低的NDVI,导致水田的生态状况次于林草地和旱地。同时,水稻在可见光至短波红外上具有比森林上更高的反射率[31],哈尔滨地区的水稻成熟期为每年的九月份[32],其稻穗呈亮黄色,可能致使反射率进一步升高,本次研究采用了9月份的影像开展生态评价,水田相对旱地的高亮度和低NDVI可能由水稻叶片及稻穗的高反射率同时引起。

巴彦、宾县、方正3个县的生态状况以良好为主,且差别很小,其中方正县RSEIS的次峰值可能由水田引起(表5,图7(a)),水田的存在使方正县RSEIS均值向高值偏移,但对研究区整体的生态状况未产生显著影响。用地类型的RSEIS统计结果表明建设用地具有最次的生态状况(表5),RSEIS频率分布曲线表明建设用地的生态状况最为多变,较差或优良的区域均有不可忽视的占比。线性混合像元模型认为多种地物可按面积比例在遥感影像中形成混合像元[33],其多变的生态状况应是由主要由城镇内部的小块地表差异引起。

5 结论与展望

5.1 结论

(1)研究区3个县的生态状况的相对排序,由好到次依次为巴彦县、宾县、方正县,3个县内的优良区域比例均超20%,良好区域占比分别为64.33%、61.50%、49.22%,中等区域占比分别为10.88%、12.12%、21.85%,一般区域占比位于2%～ 3%,较差区域占比均为1%左右。

(2)林草地对应较低的地面温度、亮度,较高的NDVI,中等的湿度,优良、良好的生态状况; 建设用地对应较高的地面温度、亮度,较低的NDVI、湿度,中等、一般的生态状况; 旱地对应中等的地面温度、亮度、NDVI、湿度,良好的生态状况; 水田对应中等的地面温度、NDVI、亮度,较高的湿度,良好、中等的生态状况。不同用地类型间的生态状况差异较大,通过不同用地类型间的良性转换能够有效提高研究区内的生态状况。

5.2 展望

对于各遥感地面参数或RSEIS的空间异性,可通过变异系数或归一化后的标准差,结合频率分布曲线进行分析。相对于变异系数,标准差更能反映统计对象的空间差异特征,因此在今后研究中对于同一个统计参数,直接利用标准差分析空间异性是更优的选择,对于不同的统计参数,可对其进行归一化后再利用标准差分析比较空间异性。

成熟的稻穗会使水田与旱地在NDVI和亮度上形成较明显的差异,从而在一定程度上影响研究区的RSEIS均值与频率分布曲线,虽未在整体上引起质变,但在今后评价中应尽量选择非农作物成熟期的影像数据,降低非叶片信息的影响。