建設(shè)項(xiàng)目引發(fā)的區(qū)域生態(tài)變化的遙感評估
——以敖江流域?yàn)槔?/h1>
2019-11-07 06:37:04施婷婷徐涵秋孫鳳琴陳善沐楊繪婷
生態(tài)學(xué)報(bào) 2019年18期
施婷婷,徐涵秋,*,孫鳳琴,陳善沐,楊繪婷
1 福州大學(xué)環(huán)境與資源學(xué)院，空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室，福州 350116 2 福州大學(xué)遙感信息工程研究所，福建省水土流失遙感監(jiān)測評估重點(diǎn)實(shí)驗(yàn)室，福州 350116 3 福建省水土保持試驗(yàn)站，福州 350001
20世紀(jì)90年代以來,隨著遙感和地理信息技術(shù)的迅速發(fā)展和廣泛應(yīng)用,生態(tài)環(huán)境質(zhì)量監(jiān)測與評價(jià)取得了大量成果,評價(jià)理論、方法及技術(shù)手段不斷豐富和完善,尤其是遙感對地觀測技術(shù)為快速、準(zhǔn)確、實(shí)時(shí)地開展多尺度生態(tài)環(huán)境動態(tài)監(jiān)測和評價(jià)提供了有效手段[1- 3]。如美國的全美自然保護(hù)區(qū)生態(tài)動態(tài)監(jiān)測[4]、我國環(huán)保部開展的“全國生態(tài)環(huán)境十年變化(2000—2010)遙感調(diào)查與評估”,以及目前正在開展的國家生態(tài)保護(hù)紅線劃定工作,都是以遙感作為重要的支撐技術(shù)。
目前,應(yīng)用遙感技術(shù)開展生態(tài)環(huán)境評價(jià)研究主要包括以下3個(gè)方面：(1) 基于景觀分析的生態(tài)環(huán)境評價(jià),研究者基于土地利用/覆蓋的分布特征及變化趨勢等,借助景觀指數(shù)來開展生態(tài)效應(yīng)研究。如Estoque等[5]利用遙感數(shù)據(jù)對1988、2002和2016年的La Mesa流域進(jìn)行土地利用/覆蓋分類,在此基礎(chǔ)上定量化評價(jià)景觀格局的變化,以探討流域生態(tài)環(huán)境變化的影響因素;Jaafari等[6]基于遙感影像解譯和景觀生態(tài)學(xué)方法的綜合運(yùn)用定量分析景觀格局的動態(tài)變化,從而實(shí)現(xiàn)城市化進(jìn)程的環(huán)境影響評價(jià);Zhang等[7]基于土地利用/覆蓋變化數(shù)據(jù),從景觀格局角度開展艾比湖濕地保護(hù)區(qū)和甘家湖梭梭林自然保護(hù)區(qū)的生態(tài)環(huán)境效應(yīng)研究。(2) 基于評價(jià)指數(shù)的生態(tài)環(huán)境評價(jià),它通過構(gòu)建不同的指標(biāo)體系來綜合評價(jià)生態(tài)環(huán)境效應(yīng)。如Liang等[8]基于物理環(huán)境變量(土地利用/覆蓋數(shù)據(jù)、地表溫度和歸一化植被指數(shù)等)和社會經(jīng)濟(jì)變量(人口密度、收入和受教育水平等)綜合評價(jià)美國印第安納州首府的城市環(huán)境質(zhì)量;Wang等[9]基于壓力-狀態(tài)-響應(yīng)(P-S-R)框架模型,建立了1995—2015年北京市生態(tài)安全評價(jià)指標(biāo)體系;國家環(huán)境保護(hù)部的《生態(tài)環(huán)境狀況評價(jià)技術(shù)規(guī)范》則采用生物豐度指數(shù)、植被覆蓋指數(shù)、水網(wǎng)密度指數(shù)、土地脅迫指數(shù)和污染負(fù)荷指數(shù)等5個(gè)指標(biāo)來綜合反映區(qū)域生態(tài)環(huán)境狀況[10]。(3) 基于遙感信息的空間化生態(tài)環(huán)境評價(jià),通過遙感影像制作區(qū)域生態(tài)圖件,實(shí)現(xiàn)生態(tài)環(huán)境變化空間可視化,而不僅僅用一個(gè)量化的數(shù)值來代表區(qū)域的生態(tài)環(huán)境。徐涵秋[11]選取了完全基于遙感信息的濕度、綠度、熱度、干度4個(gè)指標(biāo)來構(gòu)建遙感生態(tài)指數(shù)(RSEI),實(shí)現(xiàn)區(qū)域生態(tài)環(huán)境質(zhì)量快速準(zhǔn)確的時(shí)空變化分析;Zhang等[12]選取了基于遙感數(shù)據(jù)的不透水面、歸一化植被指數(shù)、地表溫度和纓帽變換的亮度和綠度分量這5個(gè)指標(biāo)構(gòu)建生態(tài)評價(jià)模型,開展珠江三角洲地區(qū)生態(tài)環(huán)境變化的空間動態(tài)監(jiān)測;蘆穎等[13]選取了植被蓋度、土壤指數(shù)、土壤濕度等遙感信息來構(gòu)建綜合評價(jià)模型,分析1990—2015年間貴州省烏江流域生態(tài)環(huán)境質(zhì)量時(shí)空變化特征。相比于其他兩類的評價(jià)方法,基于遙感信息的空間化生態(tài)環(huán)境評價(jià)方法以其指標(biāo)易獲取、空間可視化、快速簡便等優(yōu)點(diǎn),已被廣泛應(yīng)用[14-17]。值得注意的是,目前這一類生態(tài)環(huán)境評價(jià)大多數(shù)是集中在中分辨率影像上(如Landsat系列數(shù)據(jù)),而在中高或高分辨率影像的應(yīng)用則很少,主要是因?yàn)橹懈呋蚋叻直媛视跋竦牟ǘ螖?shù)少,通常只有可見光和近紅外的4個(gè)波段,缺乏以上生態(tài)環(huán)境遙感評價(jià)技術(shù)所需要的中紅外波段。由于高分辨率影像可以更好地揭示地表生態(tài)環(huán)境細(xì)節(jié)[18],因此,如何利用只有可見光和近紅外4個(gè)波段的中高或高分辨率遙感影像來進(jìn)行區(qū)域生態(tài)質(zhì)量監(jiān)測與評價(jià)是當(dāng)今基于遙感信息的空間化生態(tài)環(huán)境評價(jià)技術(shù)必須解決的一個(gè)關(guān)鍵問題。
本文以福建敖江流域的貴安開發(fā)區(qū)為重點(diǎn)研究對象,采用基于遙感信息的空間化生態(tài)環(huán)境評價(jià)技術(shù)中最具代表性的遙感生態(tài)指數(shù)(RSEI),構(gòu)建了可用于只有4個(gè)波段的中高分辨率影像的生態(tài)質(zhì)量指標(biāo),并將其應(yīng)用于定量分析建筑用地的時(shí)空變化及其產(chǎn)生的生態(tài)效應(yīng),以期為細(xì)尺度的區(qū)域生態(tài)環(huán)境監(jiān)測與評價(jià)提供一種新的技術(shù)。
1 研究方法
1.1 研究區(qū)概況
敖江位于福建省東北部,為福建省第六大河流,是閩東獨(dú)立水系,其中游修建的山仔水庫被定為福州市的第二水源。敖江流經(jīng)的連江段,近年來隨著經(jīng)濟(jì)的快速發(fā)展,沿岸大片的土地被開發(fā),大量的泥沙排入江中,特別是近年來新發(fā)展的貴安開發(fā)區(qū),其大規(guī)模的開發(fā)建設(shè)造成水土流失問題嚴(yán)重,對水源地的水質(zhì)形成了潛在的威脅。
本文以建設(shè)項(xiàng)目引發(fā)的生態(tài)變化區(qū)域?yàn)橹攸c(diǎn)研究對象,最終確定了涵蓋山仔水庫至貴安開發(fā)區(qū)的敖江段及其沿岸地區(qū)為主要研究區(qū)(圖1左,面積451.98 km2),其中大規(guī)模開發(fā)的貴安新區(qū)是本研究的重點(diǎn)區(qū)域(圖1右)。
圖1 研究區(qū)范圍Fig.1 Study area
1.2 遙感數(shù)據(jù)源及其預(yù)處理
本文選用2幅中高分辨率遙感影像作為主要數(shù)據(jù)源,分別為2010年8月3日的ALOS影像和2016年9月3日的GF- 1影像(表1)。兩幅影像季相相近,均為夏季,因此,植被具有相近的物候和生長狀態(tài),保證了實(shí)驗(yàn)結(jié)果的可比性。
表1 主要數(shù)據(jù)源
由于ALOS和GF- 1影像缺少計(jì)算RSEI生態(tài)指數(shù)所需的熱紅外波段,因此選用Landsat影像的熱紅外波段來補(bǔ)充。但由于缺乏與所用ALOS和GF- 1影像同一年份的Landsat影像,本文選用了它們前一年份的Landsat影像,時(shí)間分別為2009年6月6日的Landsat 5 TM 6波段影像和2015年9月27日的Landsat 8 TIRS 10波段影像。
構(gòu)建RSEI的濕度分量需要選取多幅ALOS和GF- 1影像及其同步或近同步的Landsat影像(表2),因此本文還選用了江蘇連云港和甘肅酒泉市的影像來補(bǔ)充。采用多個(gè)地理位置的影像有利于所推導(dǎo)的濕度分量有較好的通用性。
表2 輔助數(shù)據(jù)源
為了減少不同時(shí)相影像在地形、光照等方面的差異以及保證影像間空間疊加分析的準(zhǔn)確性,所有的ALOS和GF- 1影像需要經(jīng)過正射校正和輻射校正。首先進(jìn)行影像的正射校正。由于購買的GF- 1影像是Level 1A級別,因此可基于影像自帶的RPC文件,利用ENVI軟件進(jìn)行RPC正射校正。而ALOS影像缺乏自帶的RPC文件,因此需要自定義RPC進(jìn)行正射校正。輻射校正采用的是中國資源衛(wèi)星應(yīng)用中心官方網(wǎng)站(http://218.247.138.119/CN/index.shtml)提供的GF- 1輻射定標(biāo)參數(shù),以及Bouvet等[19]提供的ALOS輻射定標(biāo)參數(shù),并采用Chavez的COST大氣校正模型[20]。對GF- 1和ALOS影像進(jìn)行輻射校正,將影像的亮度值轉(zhuǎn)換為傳感器處反射率,其公式為：
L= gain ·Q+ bias
(1)
ρ= [π·(L-Lh) ·d2] /(Es·cosθs)
(2)
式中：L是傳感器接收到的輻射亮度;gain和bias8分別為增益值與偏置值;Q為亮度值(DN);Lh為大氣影響修正值,可以通過最暗像元法獲得[20];d為日-地天文單位距離;Es為大氣頂部平均太陽輻照度;θs為太陽天頂角。以上參數(shù)可從影像頭文件中獲得。
由于從USGS網(wǎng)站下載的Landsat 5 TM和Landsat 8 OLI影像均是L1T數(shù)據(jù)產(chǎn)品,已經(jīng)過系統(tǒng)輻射校正和地面控制點(diǎn)的幾何校正,并且使用DEM數(shù)據(jù)進(jìn)行地形校正,因此可直接用于疊加分析。采用Landsat用戶手冊的模型[21]和Chavez的COST大氣校正模型[20]將各個(gè)Landsat影像的亮度值均轉(zhuǎn)換為傳感器處反射率。
1.3 建筑用地信息提取
由于ALOS、GF- 1影像缺乏中紅外波段,因此無法將傳統(tǒng)的適用于中等空間分辨率影像的各種建筑用地指數(shù)應(yīng)用于該類影像。為此,本文參考Xu[22]基于規(guī)則提取不透水面的思路,通過分析各種地類在ALOS、GF- 1影像中的光譜特征,最終建立了基于ALOS、GF- 1影像的建筑用地提取規(guī)則和模型(圖2)。其中選取了歸一化水體指數(shù)NDWI[23]和歸一化植被指數(shù)NDVI參與模型構(gòu)建,計(jì)算公式如下：
NDWI = (ρ2-ρ4)/(ρ2+ρ4)
(3)
NDVI = (ρ4-ρ3)/(ρ4+ρ3)
(4)
式中：ρi(i=1, 2, 3, 4)分別代表ALOS或GF- 1影像的第1、2、3和4波段的反射率。
圖2 ALOS和GF- 1影像的建筑用地提取規(guī)則和模型Fig.2 Rules and models used for extracting built-up land feature from ALOS and GF- 1 images
1.4 RSEI指數(shù)計(jì)算
遙感生態(tài)指數(shù)RSEI是近年提出的完全基于遙感信息的生態(tài)評價(jià)指數(shù)[11],已被廣泛應(yīng)用于不同生態(tài)條件的區(qū)域和城市[14],[24-25]。該指數(shù)耦合了與生態(tài)密切相關(guān),且人類能夠直接感知的濕度、綠度、熱度和干度4大指標(biāo)。RSEI指數(shù)各指標(biāo)可通過以下遙感指數(shù)或參量求?。?/p>
(1) 濕度指標(biāo)：通常用纓帽變換中的濕度分量來代表。但目前尚無針對ALOS和GF- 1數(shù)據(jù)的纓帽變換算法及其濕度分量。因此,本文基于Landsat系列數(shù)據(jù)纓帽變換的濕度分量,及其與ALOS、GF- 1數(shù)據(jù)的擬合關(guān)系來求出它們的濕度分量。
圖3為求取GF- 1影像濕度分量系數(shù)的流程圖。首先,從表2江蘇連云港市和甘肅酒泉市這2幅GF- 1與Landsat 8的同步影像對中合計(jì)選取了一一對應(yīng)的40384個(gè)隨機(jī)樣本點(diǎn),利用Baig等[26]的算法先求出Landsat 8影像纓帽變換的濕度分量,并將其作為因變量,然后以GF- 1各波段作為自變量,采用多元線性回歸對二者進(jìn)行擬合,求出GF- 1濕度分量的經(jīng)驗(yàn)系數(shù),并將其單位化,即獲得GF- 1濕度分量的系數(shù)(方程通過P<0.001的顯著性檢驗(yàn))：
WetnessGF- 1= -0.1591ρ1+0.7574ρ2-0.6311ρ3-0.0523ρ4-0.003 (R=0.829)
(5)
圖3 GF- 1影像求取濕度分量系數(shù)的流程圖 Fig.3 Flowchart of the derivation of the wetness-component coefficients for GF- 1 imagery
同理,利用Crist[27]的Landsat 5 TM纓帽變換濕度分量與ALOS數(shù)據(jù)間的擬合關(guān)系求取ALOS影像纓帽變換濕度分量(方程通過P<0.001的顯著性檢驗(yàn))：
WetnessALOS=-0.1912ρ1+0.6081ρ2-0.7381ρ3-0.2210ρ4+0.003 (R=0.807)
(6)
(2) 綠度指標(biāo)：選用與植物生物量、葉面積指數(shù)和植被覆蓋度都密切相關(guān)的歸一化植被指數(shù)(NDVI)來表示,見公式(4)。
(3) 熱度指標(biāo)：由于ALOS和GF- 1影像缺乏熱紅外波段,采用TM 6波段和TIRS 10波段反演的地表溫度(LST)代表熱度指標(biāo)。本文采用Jiménez-Muoz等[28-29]提出的單通道算法來反演地表溫度。其主要公式為：
LST =γ[ε-1(ψ1L+ψ2) +ψ3]+δ
(7)
(8)
式中：LST為地表溫度;對于TM 6波段和TIRS 10波段,參數(shù)bγ分別為1256和1324;γ和δ是基于Planck函數(shù)的2個(gè)參數(shù);ε為地表比輻射率,對于TM 6波段采用Sobrino等提出的基于植被覆蓋度的算法[30],對于TIRS 10波段,其取值可見參考文獻(xiàn)[31-32];ψ1、ψ2、ψ3可用下式計(jì)算：
ψ1= 1/τ,ψ2 =-L↓-L↑/τ,ψ3=L↓
(9)
式中：τ為大氣透過率,L↑和L↓為大氣上行和下行輻射強(qiáng)度,可根據(jù)影像的時(shí)間以及所處地理位置和季相,通過MODTRAN模擬得到;T為傳感器處的亮溫,公式為：
T=K2/ln(K1/L+ 1)
(10)
式中：K1和K2分別為定標(biāo)參數(shù),對于TM 6波段,K1=607.76 W m-2ster-1μm-1、K2=1260.56 K,對于TIRS 10波段,K1=774.89 W m-2ster-1μm-1、K2=1321.08 K。L為TM 6波段或TIRS 10波段的傳感器處光譜輻射值,對于TM 6波段,L可以從公式(1)求取,對于TIRS 10波段,L可以用下式求?。?/p>
L=ML·Q+AL
(11)
式中：ML和AL分別為TIRS 10波段的乘法調(diào)整系數(shù)和加法調(diào)整系數(shù)(可從影像的頭文件中獲得)。
(4) 干度指標(biāo)：由于缺乏中紅外波段,RSEI中采用的代表干度的IBI建筑指數(shù)[33]、SI裸土指數(shù)[34]及二者的合成指數(shù)NDBSI[11]等3個(gè)干度指標(biāo)都無法應(yīng)用,因此,通過考察類似的指標(biāo),考慮采用不需要中紅外波段的土壤鹽漬度指數(shù)(Soil Salinity Index)[35- 38]來表示。該指數(shù)不僅能夠增強(qiáng)土壤鹽漬化狀況,也能夠有效地增強(qiáng)建筑和裸土等地表信息。表3為所用的2幅Landsat影像的各個(gè)土壤鹽漬度指數(shù)與其3個(gè)干度指數(shù)之間的相關(guān)系數(shù)R。研究表明：SI-D、SI1、SI3和S5這4個(gè)土壤鹽漬度指數(shù)與干度指數(shù)的相關(guān)性較好,均為正相關(guān),2幅影像的R的均值均高于0.84。為了進(jìn)一步確定上述4個(gè)土壤鹽漬度指數(shù)在ALOS和GF- 1影像的適用性,分別計(jì)算出ALOS和GF- 1影像這4個(gè)土壤鹽漬度指數(shù),然后將它們與近同步的Landsat影像的3個(gè)干度指數(shù)進(jìn)行相關(guān)性分析(表4),發(fā)現(xiàn)對于ALOS和GF- 1影像,Douaoui等[37]提出的鹽漬度指數(shù)(SI-D)與各個(gè)干度指標(biāo)的相關(guān)系數(shù)R的平均值最大,因此本文選其作為干度指標(biāo),公式為：
SI-D = (ρ1×ρ3)1/2
(12)
RSEI采用第一主成分(PC1)來構(gòu)建指數(shù)[39]。主成分變換通過對特征光譜空間坐標(biāo)軸的旋轉(zhuǎn)來去掉各指標(biāo)間的相關(guān)性,從而將最主要的信息集中到第一主成分上。其最大優(yōu)點(diǎn)就是集成各指標(biāo)的權(quán)重不是人為確定,而是根據(jù)各個(gè)指標(biāo)對各主分量的貢獻(xiàn)度來自動、客觀地確定,從而避免人為設(shè)定權(quán)重造成的結(jié)果偏差。
表3 Landsat影像的土壤鹽漬度指數(shù)與干度指數(shù)之間的相關(guān)系數(shù)R
表4 ALOS/GF- 1影像的土壤鹽漬度指數(shù)與近同步的Landsat影像的干度指數(shù)之間的相關(guān)系數(shù)R
Table 4 The correlation coefficients(R)between the soil salinity indices of ALOS or GF- 1 images and the dryness indices of near synchronous Landsat images
文獻(xiàn)Literature指數(shù)IndexALOS-TM GF-1-OLI IBISINDBSIIBISINDBSI平均AverageDouaoui等[37]Salinity Index (SI-D)0.681 0.765 0.739 0.726 0.834 0.799 0.757 Salinity Index 1 (SI1)0.680 0.772 0.742 0.714 0.824 0.788 0.753 Salinity Index 3 (SI3)0.677 0.767 0.738 0.710 0.820 0.784 0.749 Abbas和Khan[38]Salinity Index (S5)0.663 0.729 0.710 0.742 0.834 0.807 0.748
由于以上4個(gè)指標(biāo)量綱不統(tǒng)一,需將它們進(jìn)行正規(guī)化,將它們的值都統(tǒng)一到[0, 1]之間。 經(jīng)過正規(guī)化后的4個(gè)指標(biāo)就可以用來計(jì)算PC1。為使PC1大的數(shù)值代表生態(tài)條件好,進(jìn)一步用1-PC1獲得RSEI：
RSEI=1- {PC1[f(Wetness, NDVI, LST, SI-D)]}
(13)
為了便于比較,進(jìn)一步將RSEI進(jìn)行歸一化,使其值介于[0, 1]之間。其值越接近1,表示生態(tài)質(zhì)量越好。
2 結(jié)果與分析
2.1 建筑用地的時(shí)空變化
采用以上ALOS和GF- 1影像的建筑用地提取模型獲得研究區(qū)2010、2016年的建筑用地信息, 并對提取結(jié)果再進(jìn)行適當(dāng)?shù)娜斯ば薷?圖4)。參照ALOS全色影像(2.5 m)和GF- 1全色影像(2 m),分別采用300個(gè)隨機(jī)樣點(diǎn)對提取結(jié)果進(jìn)行精度驗(yàn)證。結(jié)果表明,2個(gè)研究年份的建筑用地提取的總精度及各類用地的使用者精度和生產(chǎn)者精度均在88%以上(表5),滿足精度要求。
為了更好地了解研究區(qū)的建筑用地變化,對研究區(qū)和貴安開發(fā)區(qū)所提取的建筑用地信息進(jìn)行統(tǒng)計(jì)分析(表6)。結(jié)果表明,研究區(qū)建筑用地面積在建設(shè)前后快速增長,從2010年的7.43 km2增長到2016年的17.79 km2,共增加了10.36 km2,增幅達(dá)139%。其中2010—2016年間貴安開發(fā)區(qū)的建筑用地變化面積占整個(gè)研究區(qū)的86%,可見該區(qū)域建筑用地?cái)U(kuò)展主要是由大規(guī)模的建設(shè)項(xiàng)目引起的。
圖4 2010和2016年研究區(qū)遙感影像及其對應(yīng)的建筑用地提取影像Fig.4 Remote sensing images and the corresponding built-up land maps of the study area in 2010 and 2016
年份Year數(shù)據(jù)類型Data type類別Class驗(yàn)證數(shù)據(jù)Reference data建筑用地Built-up land非建筑用地Non-built-up land總計(jì)Row totals使用者精度/%User′s accuracy 2010分類數(shù)據(jù)建筑用地4544991.84非建筑用地624525197.61列合計(jì)51249300生產(chǎn)者精度/%88.2498.39總精度Overall accuracy =96.67%;Kappa=0.88002016分類數(shù)據(jù)建筑用地5265889.66非建筑用地723524297.11列合計(jì)59241300生產(chǎn)者精度/%88.1497.51總精度Overall accuracy=95.67%;Kappa=0.8619
圖5為2010—2016年引發(fā)建筑用地發(fā)生變化的大型建設(shè)項(xiàng)目分布位置圖。近6年來,貴安開發(fā)區(qū)呈現(xiàn)爆發(fā)式發(fā)展,特別是在貴安新天地園區(qū)中,一系列大型配套項(xiàng)目如國際創(chuàng)新中心貴安基地、貴安花海拓展公園、貴安水世界、貴安歡樂世界、奧特萊斯購物廣場、福州一中貴安學(xué)校、福州百姓文化長廊、世紀(jì)金源大飯店等以及一批低密度住宅、花園洋房、高層公寓等住宅區(qū)相繼建成,使該區(qū)一躍成為“海西首席旅游商住綜合體”。此外,貴安通往福州市區(qū)的主要道路沿線也有大面積住宅區(qū)建成。
表6 2010—2016年建筑用地變化
圖5 2010—2016年建筑用地主要變化區(qū)的大型建設(shè)項(xiàng)目位置示意圖Fig.5 Map showing the locations of large construction projects developed in the years 2010—2016
2.2 生態(tài)質(zhì)量的時(shí)空變化
首先根據(jù)推導(dǎo)出的濕度分量系數(shù)反演出研究區(qū)2010年ALOS和2016年GF- 1影像的濕度分量圖(圖6)。圖中可以看出,水體具有最高的濕度(紅色),植被次之(綠色),而建筑用地最低(藍(lán)色),說明本文建立的濕度分量可以客觀反映地表濕度的實(shí)際情況。
圖6 2010和2016年濕度分量分級圖Fig.6 3-leveled wetness component maps of the study area in 2010 and 2016
表7為遙感生態(tài)指數(shù)RSEI的主成分分析數(shù)據(jù)。從表中可知,在這2個(gè)年份中,PC1的特征值所占的比例都大于80%,說明用PC1可以較好地代表4個(gè)指標(biāo)變量。在這4個(gè)指標(biāo)中,濕度和綠度均為正值,說明它們對生態(tài)的貢獻(xiàn)起正向作用;而熱度和干度均為負(fù)值,說明它們對生態(tài)的貢獻(xiàn)起負(fù)向作用,這與實(shí)際情況相符。
表8為研究區(qū)RSEI的相關(guān)統(tǒng)計(jì)數(shù)據(jù)。從表中可知,整個(gè)研究區(qū)的RSEI均值從2010年的0.813下降到2015年的0.765,下降了6%,說明生態(tài)質(zhì)量總體下降。而就貴安開發(fā)區(qū)而言,其生態(tài)質(zhì)量下降得更明顯,RSEI均值從建設(shè)前的0.787下降到建設(shè)后的0.689,下降了12.5%。從4個(gè)分指標(biāo)變化情況來看,對于整個(gè)研究區(qū),對生態(tài)有利的濕度和綠度指標(biāo)的均值在2010—2016年間都表現(xiàn)為下降,而對生態(tài)起負(fù)面作用的熱度和干度指標(biāo)的均值都表現(xiàn)為上升。這4個(gè)指標(biāo)的各自表現(xiàn)也說明了整個(gè)研究區(qū)的生態(tài)質(zhì)量呈下降趨勢。而對于貴安開發(fā)區(qū),其變化趨勢與整個(gè)研究區(qū)類似,但總體變化幅度更大,這也使得貴安開發(fā)區(qū)的生態(tài)質(zhì)量下降得更為明顯,其下降幅度是整個(gè)研究區(qū)的2倍?？偟目磥?所構(gòu)建的生態(tài)指數(shù)RSEI可以很好地綜合反映4個(gè)指標(biāo)的變化情況。
表7 主成分分析數(shù)據(jù)
表8 4個(gè)指標(biāo)分量和RSEI指數(shù)的變化
RSEI自2013年提出以來,已被廣泛應(yīng)用,從數(shù)十個(gè)地區(qū)的應(yīng)用情況來看,該指數(shù)具有較好的魯棒性,其結(jié)果也都有很好的可比性。如沙漠地區(qū)一般<0.35[40],城市一般在0.4—0.6[15,41],林區(qū)一般>0.65[42- 43]。本次研究區(qū)以林區(qū)為主,2個(gè)年份的RSEI值都在0.65以上,與現(xiàn)有的研究(如南甕河自然保護(hù)區(qū)[42]、長白山自然保護(hù)區(qū)[43])基本一致。
圖7為基于RSEI生態(tài)指數(shù)反演的研究區(qū)2010、2016年生態(tài)狀況圖,圖中顏色從紅到綠代表生態(tài)從差到優(yōu)。建筑用地主要呈紅色調(diào),植被呈綠色調(diào),水體根據(jù)渾濁程度呈黃到紅色調(diào)。
圖7 研究區(qū)2010、2016年RSEI生態(tài)狀況圖Fig.7 RSEI maps of the study area in 2010 and 2016
進(jìn)一步將各年份的生態(tài)指數(shù)以0.2為間隔分為5級,分別代表差、較差、中等、良、優(yōu)5個(gè)生態(tài)等級,然后據(jù)此對建設(shè)前后2個(gè)年份的生態(tài)指數(shù)影像進(jìn)行分級(表9)。統(tǒng)計(jì)表明：2010—2016年,研究區(qū)的生態(tài)級別為差到中級(1—3級)所占的面積比例從5.51%上升到8.31%,而優(yōu)良等級(4—5級)所占的面積從94.49%下降91.69%,表明整個(gè)研究區(qū)的生態(tài)質(zhì)量雖有下降但幅度較小。然而,貴安開發(fā)區(qū)則明顯不同,其生態(tài)級別為差到中級(1—3級)所占的面積比例從9.29%上升到20.9%,而優(yōu)良等級(4—5級)所占的面積從90.71%下降79.1%,表明開發(fā)區(qū)的生態(tài)質(zhì)量明顯下滑。
表9 2010—2016年各RSEI級別的面積變化/km2
圖8 基于紅綠法的2010—2016年RSEI變化檢測 Fig.8 Change detection of RSEI between 2010 and 2016 based on red-green differencing method
RSEI除了能夠作為刻畫區(qū)域生態(tài)狀況的一個(gè)定量指標(biāo)外,還可用于區(qū)域生態(tài)時(shí)空變化的可視化,有利于不同時(shí)期生態(tài)狀況的時(shí)空對比。利用紅綠法對研究區(qū)開發(fā)前后生態(tài)質(zhì)量的空間變化進(jìn)行差值變化檢測(圖8)。從圖8看出,代表生態(tài)條件變差的大片區(qū)域主要集中分布在貴安開發(fā)區(qū),特別是在貴安新天地園區(qū),這也與建筑用地空間擴(kuò)展情況一致。從變化檢測結(jié)果來看(表10),2010—2016年間,研究區(qū)等級上升(變好)的地區(qū)面積為28.52 km2,占總面積的6.3%,而生態(tài)等級下降(變差)的地區(qū)面積為153.47 km2,占33.9%,大大超過前者。
2.3 建筑用地空間變化與生態(tài)變化的關(guān)系
為了揭示建筑用地與生態(tài)質(zhì)量二者時(shí)空變化的定量關(guān)系,利用RSEI可刻畫空間變化的優(yōu)勢將二者進(jìn)行回歸分析。為避免不同空間單元尺度對研究結(jié)果造成影響,本文按照50 m×50 m、100 m×100 m、300 m×300 m和500 m×500 m這4種單元網(wǎng)格分別對研究區(qū)2010、2016年的RSEI和建筑用地影像進(jìn)行系統(tǒng)采樣,求取每個(gè)網(wǎng)格在兩年份間生態(tài)質(zhì)量的差值。同時(shí),計(jì)算出兩年份間各單元網(wǎng)格中的建筑用地面積占比變化情況,然后對二者進(jìn)行回歸分析,以分析區(qū)域建筑用地空間變化與生態(tài)變化之間的定量關(guān)系。
回歸結(jié)果表明(圖9),RSEI與建筑用地面積占比在4種單元網(wǎng)格中均呈現(xiàn)出顯著的線性負(fù)相關(guān)關(guān)系(R2均大于0.8),表明建筑用地占比越大,其生態(tài)質(zhì)量下降越顯著。以R2最大的100 m×100 m網(wǎng)格的回歸方程為例,若建筑用地面積占比每增加10%,其RSEI值將下降0.041。也就是說,如果要將貴安開發(fā)區(qū)生態(tài)質(zhì)量控制在不低于良好等級,即RSEI值不小于0.6,則建筑用地面積的上升空間只有10.33 km2,一旦超出這一界限,則生態(tài)質(zhì)量就會落入中等級別。
表10 2010—2016年研究區(qū)生態(tài)質(zhì)量變化檢測
圖9 不同采樣網(wǎng)格的建筑用地面積占比變化與生態(tài)質(zhì)量變化的回歸關(guān)系Fig.9 Relationship between built-up land and ecological quality tested with different sampling grids
3 結(jié)論
本研究通過多元回歸分析構(gòu)建濕度分量和引入鹽漬度指數(shù),首次將遙感生態(tài)指數(shù)(RSEI)運(yùn)用在只有可見光和近紅外4個(gè)波段的中高分辨率遙感影像上,解決了開展生態(tài)環(huán)境遙感評價(jià)技術(shù)依賴中紅外波段的問題,實(shí)現(xiàn)了區(qū)域生態(tài)質(zhì)量在空間細(xì)尺度上的定量綜合評價(jià)。
總的看來,貴安開發(fā)區(qū)的建設(shè)是引起研究區(qū)生態(tài)質(zhì)量總體下降的關(guān)鍵原因。貴安開發(fā)區(qū)的建筑用地面積在2010—2016年間共增加了8.94 km2,增幅達(dá)266%,占整個(gè)研究區(qū)建筑用地變化面積的86%。建筑用地面積的增長導(dǎo)致了開發(fā)區(qū)范圍生態(tài)質(zhì)量的顯著下降,表現(xiàn)在其生態(tài)指數(shù)RSEI均值在建設(shè)前后下降了12.5%。建筑用地面積占比與生態(tài)質(zhì)量呈顯著的負(fù)相關(guān)關(guān)系,建筑用地面積占比每增加10%,其RSEI值將下降0.041。顯然,貴安開發(fā)區(qū)的建設(shè),破壞了該區(qū)原有以植被為主的自然生態(tài),造成了區(qū)域生態(tài)質(zhì)量的顯著下降。因此,在區(qū)域經(jīng)濟(jì)發(fā)展的決策規(guī)劃中,要融入生態(tài)的理念,嚴(yán)格控制建筑用地面積,有效地保護(hù)青山綠水,實(shí)現(xiàn)區(qū)域的健康可持續(xù)發(fā)展。
對一個(gè)區(qū)域的生態(tài)研究,一般應(yīng)采用同一數(shù)據(jù)源的遙感影像,但本文因受到可用影像數(shù)據(jù)源的限制,不得不采用ALOS AVNIR- 2和GF- 1 PMS1這2種不同的傳感器影像,因此,可能會對研究結(jié)果會帶來一定的影響,如不同傳感器之間的系統(tǒng)差異等。
猜你喜歡
春日暖陽ELLE世界時(shí)裝之苑(2024年5期)2024-05-14 09:45:39 建筑用成型鋼筋制品加工與配送技術(shù)建材發(fā)展導(dǎo)向(2021年18期)2021-11-05 09:20:00 高密度電法在建筑用石料勘查區(qū)遴選中的應(yīng)用建材發(fā)展導(dǎo)向(2021年18期)2021-11-05 09:19:06 建筑用硅酮密封膠及其市場觀察上海建材(2020年5期)2020-12-15 00:33:26 尋味貴州——貴安新區(qū)鄉(xiāng)村地理(2018年3期)2018-11-06 06:51:10 JG/T492—2016建筑用光伏構(gòu)件通用技術(shù)要求中國建筑金屬結(jié)構(gòu)(2018年4期)2018-05-23 11:09:26 貴安之貴 承古爍今鄉(xiāng)村地理(2016年2期)2016-06-15 20:29:28 貴安的魏背風(fēng)骨鄉(xiāng)村地理(2016年2期)2016-06-15 20:29:28 “霞客”貴安行鄉(xiāng)村地理(2016年2期)2016-06-15 20:29:25 M87的多波段輻射過程及其能譜擬合高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45
施婷婷,徐涵秋,*,孫鳳琴,陳善沐,楊繪婷
1 福州大學(xué)環(huán)境與資源學(xué)院，空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室，福州 350116 2 福州大學(xué)遙感信息工程研究所，福建省水土流失遙感監(jiān)測評估重點(diǎn)實(shí)驗(yàn)室，福州 350116 3 福建省水土保持試驗(yàn)站，福州 350001
20世紀(jì)90年代以來,隨著遙感和地理信息技術(shù)的迅速發(fā)展和廣泛應(yīng)用,生態(tài)環(huán)境質(zhì)量監(jiān)測與評價(jià)取得了大量成果,評價(jià)理論、方法及技術(shù)手段不斷豐富和完善,尤其是遙感對地觀測技術(shù)為快速、準(zhǔn)確、實(shí)時(shí)地開展多尺度生態(tài)環(huán)境動態(tài)監(jiān)測和評價(jià)提供了有效手段[1- 3]。如美國的全美自然保護(hù)區(qū)生態(tài)動態(tài)監(jiān)測[4]、我國環(huán)保部開展的“全國生態(tài)環(huán)境十年變化(2000—2010)遙感調(diào)查與評估”,以及目前正在開展的國家生態(tài)保護(hù)紅線劃定工作,都是以遙感作為重要的支撐技術(shù)。
目前,應(yīng)用遙感技術(shù)開展生態(tài)環(huán)境評價(jià)研究主要包括以下3個(gè)方面：(1) 基于景觀分析的生態(tài)環(huán)境評價(jià),研究者基于土地利用/覆蓋的分布特征及變化趨勢等,借助景觀指數(shù)來開展生態(tài)效應(yīng)研究。如Estoque等[5]利用遙感數(shù)據(jù)對1988、2002和2016年的La Mesa流域進(jìn)行土地利用/覆蓋分類,在此基礎(chǔ)上定量化評價(jià)景觀格局的變化,以探討流域生態(tài)環(huán)境變化的影響因素;Jaafari等[6]基于遙感影像解譯和景觀生態(tài)學(xué)方法的綜合運(yùn)用定量分析景觀格局的動態(tài)變化,從而實(shí)現(xiàn)城市化進(jìn)程的環(huán)境影響評價(jià);Zhang等[7]基于土地利用/覆蓋變化數(shù)據(jù),從景觀格局角度開展艾比湖濕地保護(hù)區(qū)和甘家湖梭梭林自然保護(hù)區(qū)的生態(tài)環(huán)境效應(yīng)研究。(2) 基于評價(jià)指數(shù)的生態(tài)環(huán)境評價(jià),它通過構(gòu)建不同的指標(biāo)體系來綜合評價(jià)生態(tài)環(huán)境效應(yīng)。如Liang等[8]基于物理環(huán)境變量(土地利用/覆蓋數(shù)據(jù)、地表溫度和歸一化植被指數(shù)等)和社會經(jīng)濟(jì)變量(人口密度、收入和受教育水平等)綜合評價(jià)美國印第安納州首府的城市環(huán)境質(zhì)量;Wang等[9]基于壓力-狀態(tài)-響應(yīng)(P-S-R)框架模型,建立了1995—2015年北京市生態(tài)安全評價(jià)指標(biāo)體系;國家環(huán)境保護(hù)部的《生態(tài)環(huán)境狀況評價(jià)技術(shù)規(guī)范》則采用生物豐度指數(shù)、植被覆蓋指數(shù)、水網(wǎng)密度指數(shù)、土地脅迫指數(shù)和污染負(fù)荷指數(shù)等5個(gè)指標(biāo)來綜合反映區(qū)域生態(tài)環(huán)境狀況[10]。(3) 基于遙感信息的空間化生態(tài)環(huán)境評價(jià),通過遙感影像制作區(qū)域生態(tài)圖件,實(shí)現(xiàn)生態(tài)環(huán)境變化空間可視化,而不僅僅用一個(gè)量化的數(shù)值來代表區(qū)域的生態(tài)環(huán)境。徐涵秋[11]選取了完全基于遙感信息的濕度、綠度、熱度、干度4個(gè)指標(biāo)來構(gòu)建遙感生態(tài)指數(shù)(RSEI),實(shí)現(xiàn)區(qū)域生態(tài)環(huán)境質(zhì)量快速準(zhǔn)確的時(shí)空變化分析;Zhang等[12]選取了基于遙感數(shù)據(jù)的不透水面、歸一化植被指數(shù)、地表溫度和纓帽變換的亮度和綠度分量這5個(gè)指標(biāo)構(gòu)建生態(tài)評價(jià)模型,開展珠江三角洲地區(qū)生態(tài)環(huán)境變化的空間動態(tài)監(jiān)測;蘆穎等[13]選取了植被蓋度、土壤指數(shù)、土壤濕度等遙感信息來構(gòu)建綜合評價(jià)模型,分析1990—2015年間貴州省烏江流域生態(tài)環(huán)境質(zhì)量時(shí)空變化特征。相比于其他兩類的評價(jià)方法,基于遙感信息的空間化生態(tài)環(huán)境評價(jià)方法以其指標(biāo)易獲取、空間可視化、快速簡便等優(yōu)點(diǎn),已被廣泛應(yīng)用[14-17]。值得注意的是,目前這一類生態(tài)環(huán)境評價(jià)大多數(shù)是集中在中分辨率影像上(如Landsat系列數(shù)據(jù)),而在中高或高分辨率影像的應(yīng)用則很少,主要是因?yàn)橹懈呋蚋叻直媛视跋竦牟ǘ螖?shù)少,通常只有可見光和近紅外的4個(gè)波段,缺乏以上生態(tài)環(huán)境遙感評價(jià)技術(shù)所需要的中紅外波段。由于高分辨率影像可以更好地揭示地表生態(tài)環(huán)境細(xì)節(jié)[18],因此,如何利用只有可見光和近紅外4個(gè)波段的中高或高分辨率遙感影像來進(jìn)行區(qū)域生態(tài)質(zhì)量監(jiān)測與評價(jià)是當(dāng)今基于遙感信息的空間化生態(tài)環(huán)境評價(jià)技術(shù)必須解決的一個(gè)關(guān)鍵問題。
本文以福建敖江流域的貴安開發(fā)區(qū)為重點(diǎn)研究對象,采用基于遙感信息的空間化生態(tài)環(huán)境評價(jià)技術(shù)中最具代表性的遙感生態(tài)指數(shù)(RSEI),構(gòu)建了可用于只有4個(gè)波段的中高分辨率影像的生態(tài)質(zhì)量指標(biāo),并將其應(yīng)用于定量分析建筑用地的時(shí)空變化及其產(chǎn)生的生態(tài)效應(yīng),以期為細(xì)尺度的區(qū)域生態(tài)環(huán)境監(jiān)測與評價(jià)提供一種新的技術(shù)。
1 研究方法
1.1 研究區(qū)概況
敖江位于福建省東北部,為福建省第六大河流,是閩東獨(dú)立水系,其中游修建的山仔水庫被定為福州市的第二水源。敖江流經(jīng)的連江段,近年來隨著經(jīng)濟(jì)的快速發(fā)展,沿岸大片的土地被開發(fā),大量的泥沙排入江中,特別是近年來新發(fā)展的貴安開發(fā)區(qū),其大規(guī)模的開發(fā)建設(shè)造成水土流失問題嚴(yán)重,對水源地的水質(zhì)形成了潛在的威脅。
本文以建設(shè)項(xiàng)目引發(fā)的生態(tài)變化區(qū)域?yàn)橹攸c(diǎn)研究對象,最終確定了涵蓋山仔水庫至貴安開發(fā)區(qū)的敖江段及其沿岸地區(qū)為主要研究區(qū)(圖1左,面積451.98 km2),其中大規(guī)模開發(fā)的貴安新區(qū)是本研究的重點(diǎn)區(qū)域(圖1右)。
圖1 研究區(qū)范圍Fig.1 Study area
1.2 遙感數(shù)據(jù)源及其預(yù)處理
本文選用2幅中高分辨率遙感影像作為主要數(shù)據(jù)源,分別為2010年8月3日的ALOS影像和2016年9月3日的GF- 1影像(表1)。兩幅影像季相相近,均為夏季,因此,植被具有相近的物候和生長狀態(tài),保證了實(shí)驗(yàn)結(jié)果的可比性。
表1 主要數(shù)據(jù)源
由于ALOS和GF- 1影像缺少計(jì)算RSEI生態(tài)指數(shù)所需的熱紅外波段,因此選用Landsat影像的熱紅外波段來補(bǔ)充。但由于缺乏與所用ALOS和GF- 1影像同一年份的Landsat影像,本文選用了它們前一年份的Landsat影像,時(shí)間分別為2009年6月6日的Landsat 5 TM 6波段影像和2015年9月27日的Landsat 8 TIRS 10波段影像。
構(gòu)建RSEI的濕度分量需要選取多幅ALOS和GF- 1影像及其同步或近同步的Landsat影像(表2),因此本文還選用了江蘇連云港和甘肅酒泉市的影像來補(bǔ)充。采用多個(gè)地理位置的影像有利于所推導(dǎo)的濕度分量有較好的通用性。
表2 輔助數(shù)據(jù)源
為了減少不同時(shí)相影像在地形、光照等方面的差異以及保證影像間空間疊加分析的準(zhǔn)確性,所有的ALOS和GF- 1影像需要經(jīng)過正射校正和輻射校正。首先進(jìn)行影像的正射校正。由于購買的GF- 1影像是Level 1A級別,因此可基于影像自帶的RPC文件,利用ENVI軟件進(jìn)行RPC正射校正。而ALOS影像缺乏自帶的RPC文件,因此需要自定義RPC進(jìn)行正射校正。輻射校正采用的是中國資源衛(wèi)星應(yīng)用中心官方網(wǎng)站(http://218.247.138.119/CN/index.shtml)提供的GF- 1輻射定標(biāo)參數(shù),以及Bouvet等[19]提供的ALOS輻射定標(biāo)參數(shù),并采用Chavez的COST大氣校正模型[20]。對GF- 1和ALOS影像進(jìn)行輻射校正,將影像的亮度值轉(zhuǎn)換為傳感器處反射率,其公式為：
L= gain ·Q+ bias
(1)
ρ= [π·(L-Lh) ·d2] /(Es·cosθs)
(2)
式中：L是傳感器接收到的輻射亮度;gain和bias8分別為增益值與偏置值;Q為亮度值(DN);Lh為大氣影響修正值,可以通過最暗像元法獲得[20];d為日-地天文單位距離;Es為大氣頂部平均太陽輻照度;θs為太陽天頂角。以上參數(shù)可從影像頭文件中獲得。
由于從USGS網(wǎng)站下載的Landsat 5 TM和Landsat 8 OLI影像均是L1T數(shù)據(jù)產(chǎn)品,已經(jīng)過系統(tǒng)輻射校正和地面控制點(diǎn)的幾何校正,并且使用DEM數(shù)據(jù)進(jìn)行地形校正,因此可直接用于疊加分析。采用Landsat用戶手冊的模型[21]和Chavez的COST大氣校正模型[20]將各個(gè)Landsat影像的亮度值均轉(zhuǎn)換為傳感器處反射率。
1.3 建筑用地信息提取
由于ALOS、GF- 1影像缺乏中紅外波段,因此無法將傳統(tǒng)的適用于中等空間分辨率影像的各種建筑用地指數(shù)應(yīng)用于該類影像。為此,本文參考Xu[22]基于規(guī)則提取不透水面的思路,通過分析各種地類在ALOS、GF- 1影像中的光譜特征,最終建立了基于ALOS、GF- 1影像的建筑用地提取規(guī)則和模型(圖2)。其中選取了歸一化水體指數(shù)NDWI[23]和歸一化植被指數(shù)NDVI參與模型構(gòu)建,計(jì)算公式如下：
NDWI = (ρ2-ρ4)/(ρ2+ρ4)
(3)
NDVI = (ρ4-ρ3)/(ρ4+ρ3)
(4)
式中：ρi(i=1, 2, 3, 4)分別代表ALOS或GF- 1影像的第1、2、3和4波段的反射率。
圖2 ALOS和GF- 1影像的建筑用地提取規(guī)則和模型Fig.2 Rules and models used for extracting built-up land feature from ALOS and GF- 1 images
1.4 RSEI指數(shù)計(jì)算
遙感生態(tài)指數(shù)RSEI是近年提出的完全基于遙感信息的生態(tài)評價(jià)指數(shù)[11],已被廣泛應(yīng)用于不同生態(tài)條件的區(qū)域和城市[14],[24-25]。該指數(shù)耦合了與生態(tài)密切相關(guān),且人類能夠直接感知的濕度、綠度、熱度和干度4大指標(biāo)。RSEI指數(shù)各指標(biāo)可通過以下遙感指數(shù)或參量求?。?/p>
(1) 濕度指標(biāo)：通常用纓帽變換中的濕度分量來代表。但目前尚無針對ALOS和GF- 1數(shù)據(jù)的纓帽變換算法及其濕度分量。因此,本文基于Landsat系列數(shù)據(jù)纓帽變換的濕度分量,及其與ALOS、GF- 1數(shù)據(jù)的擬合關(guān)系來求出它們的濕度分量。
圖3為求取GF- 1影像濕度分量系數(shù)的流程圖。首先,從表2江蘇連云港市和甘肅酒泉市這2幅GF- 1與Landsat 8的同步影像對中合計(jì)選取了一一對應(yīng)的40384個(gè)隨機(jī)樣本點(diǎn),利用Baig等[26]的算法先求出Landsat 8影像纓帽變換的濕度分量,并將其作為因變量,然后以GF- 1各波段作為自變量,采用多元線性回歸對二者進(jìn)行擬合,求出GF- 1濕度分量的經(jīng)驗(yàn)系數(shù),并將其單位化,即獲得GF- 1濕度分量的系數(shù)(方程通過P<0.001的顯著性檢驗(yàn))：
WetnessGF- 1= -0.1591ρ1+0.7574ρ2-0.6311ρ3-0.0523ρ4-0.003 (R=0.829)
(5)
圖3 GF- 1影像求取濕度分量系數(shù)的流程圖 Fig.3 Flowchart of the derivation of the wetness-component coefficients for GF- 1 imagery
同理,利用Crist[27]的Landsat 5 TM纓帽變換濕度分量與ALOS數(shù)據(jù)間的擬合關(guān)系求取ALOS影像纓帽變換濕度分量(方程通過P<0.001的顯著性檢驗(yàn))：
WetnessALOS=-0.1912ρ1+0.6081ρ2-0.7381ρ3-0.2210ρ4+0.003 (R=0.807)
(6)
(2) 綠度指標(biāo)：選用與植物生物量、葉面積指數(shù)和植被覆蓋度都密切相關(guān)的歸一化植被指數(shù)(NDVI)來表示,見公式(4)。
(3) 熱度指標(biāo)：由于ALOS和GF- 1影像缺乏熱紅外波段,采用TM 6波段和TIRS 10波段反演的地表溫度(LST)代表熱度指標(biāo)。本文采用Jiménez-Muoz等[28-29]提出的單通道算法來反演地表溫度。其主要公式為：
LST =γ[ε-1(ψ1L+ψ2) +ψ3]+δ
(7)
(8)
式中：LST為地表溫度;對于TM 6波段和TIRS 10波段,參數(shù)bγ分別為1256和1324;γ和δ是基于Planck函數(shù)的2個(gè)參數(shù);ε為地表比輻射率,對于TM 6波段采用Sobrino等提出的基于植被覆蓋度的算法[30],對于TIRS 10波段,其取值可見參考文獻(xiàn)[31-32];ψ1、ψ2、ψ3可用下式計(jì)算：
ψ1= 1/τ,ψ2 =-L↓-L↑/τ,ψ3=L↓
(9)
式中：τ為大氣透過率,L↑和L↓為大氣上行和下行輻射強(qiáng)度,可根據(jù)影像的時(shí)間以及所處地理位置和季相,通過MODTRAN模擬得到;T為傳感器處的亮溫,公式為：
T=K2/ln(K1/L+ 1)
(10)
式中：K1和K2分別為定標(biāo)參數(shù),對于TM 6波段,K1=607.76 W m-2ster-1μm-1、K2=1260.56 K,對于TIRS 10波段,K1=774.89 W m-2ster-1μm-1、K2=1321.08 K。L為TM 6波段或TIRS 10波段的傳感器處光譜輻射值,對于TM 6波段,L可以從公式(1)求取,對于TIRS 10波段,L可以用下式求?。?/p>
L=ML·Q+AL
(11)
式中：ML和AL分別為TIRS 10波段的乘法調(diào)整系數(shù)和加法調(diào)整系數(shù)(可從影像的頭文件中獲得)。
(4) 干度指標(biāo)：由于缺乏中紅外波段,RSEI中采用的代表干度的IBI建筑指數(shù)[33]、SI裸土指數(shù)[34]及二者的合成指數(shù)NDBSI[11]等3個(gè)干度指標(biāo)都無法應(yīng)用,因此,通過考察類似的指標(biāo),考慮采用不需要中紅外波段的土壤鹽漬度指數(shù)(Soil Salinity Index)[35- 38]來表示。該指數(shù)不僅能夠增強(qiáng)土壤鹽漬化狀況,也能夠有效地增強(qiáng)建筑和裸土等地表信息。表3為所用的2幅Landsat影像的各個(gè)土壤鹽漬度指數(shù)與其3個(gè)干度指數(shù)之間的相關(guān)系數(shù)R。研究表明：SI-D、SI1、SI3和S5這4個(gè)土壤鹽漬度指數(shù)與干度指數(shù)的相關(guān)性較好,均為正相關(guān),2幅影像的R的均值均高于0.84。為了進(jìn)一步確定上述4個(gè)土壤鹽漬度指數(shù)在ALOS和GF- 1影像的適用性,分別計(jì)算出ALOS和GF- 1影像這4個(gè)土壤鹽漬度指數(shù),然后將它們與近同步的Landsat影像的3個(gè)干度指數(shù)進(jìn)行相關(guān)性分析(表4),發(fā)現(xiàn)對于ALOS和GF- 1影像,Douaoui等[37]提出的鹽漬度指數(shù)(SI-D)與各個(gè)干度指標(biāo)的相關(guān)系數(shù)R的平均值最大,因此本文選其作為干度指標(biāo),公式為：
SI-D = (ρ1×ρ3)1/2
(12)
RSEI采用第一主成分(PC1)來構(gòu)建指數(shù)[39]。主成分變換通過對特征光譜空間坐標(biāo)軸的旋轉(zhuǎn)來去掉各指標(biāo)間的相關(guān)性,從而將最主要的信息集中到第一主成分上。其最大優(yōu)點(diǎn)就是集成各指標(biāo)的權(quán)重不是人為確定,而是根據(jù)各個(gè)指標(biāo)對各主分量的貢獻(xiàn)度來自動、客觀地確定,從而避免人為設(shè)定權(quán)重造成的結(jié)果偏差。
表3 Landsat影像的土壤鹽漬度指數(shù)與干度指數(shù)之間的相關(guān)系數(shù)R
表4 ALOS/GF- 1影像的土壤鹽漬度指數(shù)與近同步的Landsat影像的干度指數(shù)之間的相關(guān)系數(shù)R
Table 4 The correlation coefficients(R)between the soil salinity indices of ALOS or GF- 1 images and the dryness indices of near synchronous Landsat images
文獻(xiàn)Literature指數(shù)IndexALOS-TM GF-1-OLI IBISINDBSIIBISINDBSI平均AverageDouaoui等[37]Salinity Index (SI-D)0.681 0.765 0.739 0.726 0.834 0.799 0.757 Salinity Index 1 (SI1)0.680 0.772 0.742 0.714 0.824 0.788 0.753 Salinity Index 3 (SI3)0.677 0.767 0.738 0.710 0.820 0.784 0.749 Abbas和Khan[38]Salinity Index (S5)0.663 0.729 0.710 0.742 0.834 0.807 0.748
由于以上4個(gè)指標(biāo)量綱不統(tǒng)一,需將它們進(jìn)行正規(guī)化,將它們的值都統(tǒng)一到[0, 1]之間。 經(jīng)過正規(guī)化后的4個(gè)指標(biāo)就可以用來計(jì)算PC1。為使PC1大的數(shù)值代表生態(tài)條件好,進(jìn)一步用1-PC1獲得RSEI：
RSEI=1- {PC1[f(Wetness, NDVI, LST, SI-D)]}
(13)
為了便于比較,進(jìn)一步將RSEI進(jìn)行歸一化,使其值介于[0, 1]之間。其值越接近1,表示生態(tài)質(zhì)量越好。
2 結(jié)果與分析
2.1 建筑用地的時(shí)空變化
采用以上ALOS和GF- 1影像的建筑用地提取模型獲得研究區(qū)2010、2016年的建筑用地信息, 并對提取結(jié)果再進(jìn)行適當(dāng)?shù)娜斯ば薷?圖4)。參照ALOS全色影像(2.5 m)和GF- 1全色影像(2 m),分別采用300個(gè)隨機(jī)樣點(diǎn)對提取結(jié)果進(jìn)行精度驗(yàn)證。結(jié)果表明,2個(gè)研究年份的建筑用地提取的總精度及各類用地的使用者精度和生產(chǎn)者精度均在88%以上(表5),滿足精度要求。
為了更好地了解研究區(qū)的建筑用地變化,對研究區(qū)和貴安開發(fā)區(qū)所提取的建筑用地信息進(jìn)行統(tǒng)計(jì)分析(表6)。結(jié)果表明,研究區(qū)建筑用地面積在建設(shè)前后快速增長,從2010年的7.43 km2增長到2016年的17.79 km2,共增加了10.36 km2,增幅達(dá)139%。其中2010—2016年間貴安開發(fā)區(qū)的建筑用地變化面積占整個(gè)研究區(qū)的86%,可見該區(qū)域建筑用地?cái)U(kuò)展主要是由大規(guī)模的建設(shè)項(xiàng)目引起的。
圖4 2010和2016年研究區(qū)遙感影像及其對應(yīng)的建筑用地提取影像Fig.4 Remote sensing images and the corresponding built-up land maps of the study area in 2010 and 2016
年份Year數(shù)據(jù)類型Data type類別Class驗(yàn)證數(shù)據(jù)Reference data建筑用地Built-up land非建筑用地Non-built-up land總計(jì)Row totals使用者精度/%User′s accuracy 2010分類數(shù)據(jù)建筑用地4544991.84非建筑用地624525197.61列合計(jì)51249300生產(chǎn)者精度/%88.2498.39總精度Overall accuracy =96.67%;Kappa=0.88002016分類數(shù)據(jù)建筑用地5265889.66非建筑用地723524297.11列合計(jì)59241300生產(chǎn)者精度/%88.1497.51總精度Overall accuracy=95.67%;Kappa=0.8619
圖5為2010—2016年引發(fā)建筑用地發(fā)生變化的大型建設(shè)項(xiàng)目分布位置圖。近6年來,貴安開發(fā)區(qū)呈現(xiàn)爆發(fā)式發(fā)展,特別是在貴安新天地園區(qū)中,一系列大型配套項(xiàng)目如國際創(chuàng)新中心貴安基地、貴安花海拓展公園、貴安水世界、貴安歡樂世界、奧特萊斯購物廣場、福州一中貴安學(xué)校、福州百姓文化長廊、世紀(jì)金源大飯店等以及一批低密度住宅、花園洋房、高層公寓等住宅區(qū)相繼建成,使該區(qū)一躍成為“海西首席旅游商住綜合體”。此外,貴安通往福州市區(qū)的主要道路沿線也有大面積住宅區(qū)建成。
表6 2010—2016年建筑用地變化
圖5 2010—2016年建筑用地主要變化區(qū)的大型建設(shè)項(xiàng)目位置示意圖Fig.5 Map showing the locations of large construction projects developed in the years 2010—2016
2.2 生態(tài)質(zhì)量的時(shí)空變化
首先根據(jù)推導(dǎo)出的濕度分量系數(shù)反演出研究區(qū)2010年ALOS和2016年GF- 1影像的濕度分量圖(圖6)。圖中可以看出,水體具有最高的濕度(紅色),植被次之(綠色),而建筑用地最低(藍(lán)色),說明本文建立的濕度分量可以客觀反映地表濕度的實(shí)際情況。
圖6 2010和2016年濕度分量分級圖Fig.6 3-leveled wetness component maps of the study area in 2010 and 2016
表7為遙感生態(tài)指數(shù)RSEI的主成分分析數(shù)據(jù)。從表中可知,在這2個(gè)年份中,PC1的特征值所占的比例都大于80%,說明用PC1可以較好地代表4個(gè)指標(biāo)變量。在這4個(gè)指標(biāo)中,濕度和綠度均為正值,說明它們對生態(tài)的貢獻(xiàn)起正向作用;而熱度和干度均為負(fù)值,說明它們對生態(tài)的貢獻(xiàn)起負(fù)向作用,這與實(shí)際情況相符。
表8為研究區(qū)RSEI的相關(guān)統(tǒng)計(jì)數(shù)據(jù)。從表中可知,整個(gè)研究區(qū)的RSEI均值從2010年的0.813下降到2015年的0.765,下降了6%,說明生態(tài)質(zhì)量總體下降。而就貴安開發(fā)區(qū)而言,其生態(tài)質(zhì)量下降得更明顯,RSEI均值從建設(shè)前的0.787下降到建設(shè)后的0.689,下降了12.5%。從4個(gè)分指標(biāo)變化情況來看,對于整個(gè)研究區(qū),對生態(tài)有利的濕度和綠度指標(biāo)的均值在2010—2016年間都表現(xiàn)為下降,而對生態(tài)起負(fù)面作用的熱度和干度指標(biāo)的均值都表現(xiàn)為上升。這4個(gè)指標(biāo)的各自表現(xiàn)也說明了整個(gè)研究區(qū)的生態(tài)質(zhì)量呈下降趨勢。而對于貴安開發(fā)區(qū),其變化趨勢與整個(gè)研究區(qū)類似,但總體變化幅度更大,這也使得貴安開發(fā)區(qū)的生態(tài)質(zhì)量下降得更為明顯,其下降幅度是整個(gè)研究區(qū)的2倍?？偟目磥?所構(gòu)建的生態(tài)指數(shù)RSEI可以很好地綜合反映4個(gè)指標(biāo)的變化情況。
表7 主成分分析數(shù)據(jù)
表8 4個(gè)指標(biāo)分量和RSEI指數(shù)的變化
RSEI自2013年提出以來,已被廣泛應(yīng)用,從數(shù)十個(gè)地區(qū)的應(yīng)用情況來看,該指數(shù)具有較好的魯棒性,其結(jié)果也都有很好的可比性。如沙漠地區(qū)一般<0.35[40],城市一般在0.4—0.6[15,41],林區(qū)一般>0.65[42- 43]。本次研究區(qū)以林區(qū)為主,2個(gè)年份的RSEI值都在0.65以上,與現(xiàn)有的研究(如南甕河自然保護(hù)區(qū)[42]、長白山自然保護(hù)區(qū)[43])基本一致。
圖7為基于RSEI生態(tài)指數(shù)反演的研究區(qū)2010、2016年生態(tài)狀況圖,圖中顏色從紅到綠代表生態(tài)從差到優(yōu)。建筑用地主要呈紅色調(diào),植被呈綠色調(diào),水體根據(jù)渾濁程度呈黃到紅色調(diào)。
圖7 研究區(qū)2010、2016年RSEI生態(tài)狀況圖Fig.7 RSEI maps of the study area in 2010 and 2016
進(jìn)一步將各年份的生態(tài)指數(shù)以0.2為間隔分為5級,分別代表差、較差、中等、良、優(yōu)5個(gè)生態(tài)等級,然后據(jù)此對建設(shè)前后2個(gè)年份的生態(tài)指數(shù)影像進(jìn)行分級(表9)。統(tǒng)計(jì)表明：2010—2016年,研究區(qū)的生態(tài)級別為差到中級(1—3級)所占的面積比例從5.51%上升到8.31%,而優(yōu)良等級(4—5級)所占的面積從94.49%下降91.69%,表明整個(gè)研究區(qū)的生態(tài)質(zhì)量雖有下降但幅度較小。然而,貴安開發(fā)區(qū)則明顯不同,其生態(tài)級別為差到中級(1—3級)所占的面積比例從9.29%上升到20.9%,而優(yōu)良等級(4—5級)所占的面積從90.71%下降79.1%,表明開發(fā)區(qū)的生態(tài)質(zhì)量明顯下滑。
表9 2010—2016年各RSEI級別的面積變化/km2
圖8 基于紅綠法的2010—2016年RSEI變化檢測 Fig.8 Change detection of RSEI between 2010 and 2016 based on red-green differencing method
RSEI除了能夠作為刻畫區(qū)域生態(tài)狀況的一個(gè)定量指標(biāo)外,還可用于區(qū)域生態(tài)時(shí)空變化的可視化,有利于不同時(shí)期生態(tài)狀況的時(shí)空對比。利用紅綠法對研究區(qū)開發(fā)前后生態(tài)質(zhì)量的空間變化進(jìn)行差值變化檢測(圖8)。從圖8看出,代表生態(tài)條件變差的大片區(qū)域主要集中分布在貴安開發(fā)區(qū),特別是在貴安新天地園區(qū),這也與建筑用地空間擴(kuò)展情況一致。從變化檢測結(jié)果來看(表10),2010—2016年間,研究區(qū)等級上升(變好)的地區(qū)面積為28.52 km2,占總面積的6.3%,而生態(tài)等級下降(變差)的地區(qū)面積為153.47 km2,占33.9%,大大超過前者。
2.3 建筑用地空間變化與生態(tài)變化的關(guān)系
為了揭示建筑用地與生態(tài)質(zhì)量二者時(shí)空變化的定量關(guān)系,利用RSEI可刻畫空間變化的優(yōu)勢將二者進(jìn)行回歸分析。為避免不同空間單元尺度對研究結(jié)果造成影響,本文按照50 m×50 m、100 m×100 m、300 m×300 m和500 m×500 m這4種單元網(wǎng)格分別對研究區(qū)2010、2016年的RSEI和建筑用地影像進(jìn)行系統(tǒng)采樣,求取每個(gè)網(wǎng)格在兩年份間生態(tài)質(zhì)量的差值。同時(shí),計(jì)算出兩年份間各單元網(wǎng)格中的建筑用地面積占比變化情況,然后對二者進(jìn)行回歸分析,以分析區(qū)域建筑用地空間變化與生態(tài)變化之間的定量關(guān)系。
回歸結(jié)果表明(圖9),RSEI與建筑用地面積占比在4種單元網(wǎng)格中均呈現(xiàn)出顯著的線性負(fù)相關(guān)關(guān)系(R2均大于0.8),表明建筑用地占比越大,其生態(tài)質(zhì)量下降越顯著。以R2最大的100 m×100 m網(wǎng)格的回歸方程為例,若建筑用地面積占比每增加10%,其RSEI值將下降0.041。也就是說,如果要將貴安開發(fā)區(qū)生態(tài)質(zhì)量控制在不低于良好等級,即RSEI值不小于0.6,則建筑用地面積的上升空間只有10.33 km2,一旦超出這一界限,則生態(tài)質(zhì)量就會落入中等級別。
表10 2010—2016年研究區(qū)生態(tài)質(zhì)量變化檢測
圖9 不同采樣網(wǎng)格的建筑用地面積占比變化與生態(tài)質(zhì)量變化的回歸關(guān)系Fig.9 Relationship between built-up land and ecological quality tested with different sampling grids
3 結(jié)論
本研究通過多元回歸分析構(gòu)建濕度分量和引入鹽漬度指數(shù),首次將遙感生態(tài)指數(shù)(RSEI)運(yùn)用在只有可見光和近紅外4個(gè)波段的中高分辨率遙感影像上,解決了開展生態(tài)環(huán)境遙感評價(jià)技術(shù)依賴中紅外波段的問題,實(shí)現(xiàn)了區(qū)域生態(tài)質(zhì)量在空間細(xì)尺度上的定量綜合評價(jià)。
總的看來,貴安開發(fā)區(qū)的建設(shè)是引起研究區(qū)生態(tài)質(zhì)量總體下降的關(guān)鍵原因。貴安開發(fā)區(qū)的建筑用地面積在2010—2016年間共增加了8.94 km2,增幅達(dá)266%,占整個(gè)研究區(qū)建筑用地變化面積的86%。建筑用地面積的增長導(dǎo)致了開發(fā)區(qū)范圍生態(tài)質(zhì)量的顯著下降,表現(xiàn)在其生態(tài)指數(shù)RSEI均值在建設(shè)前后下降了12.5%。建筑用地面積占比與生態(tài)質(zhì)量呈顯著的負(fù)相關(guān)關(guān)系,建筑用地面積占比每增加10%,其RSEI值將下降0.041。顯然,貴安開發(fā)區(qū)的建設(shè),破壞了該區(qū)原有以植被為主的自然生態(tài),造成了區(qū)域生態(tài)質(zhì)量的顯著下降。因此,在區(qū)域經(jīng)濟(jì)發(fā)展的決策規(guī)劃中,要融入生態(tài)的理念,嚴(yán)格控制建筑用地面積,有效地保護(hù)青山綠水,實(shí)現(xiàn)區(qū)域的健康可持續(xù)發(fā)展。
對一個(gè)區(qū)域的生態(tài)研究,一般應(yīng)采用同一數(shù)據(jù)源的遙感影像,但本文因受到可用影像數(shù)據(jù)源的限制,不得不采用ALOS AVNIR- 2和GF- 1 PMS1這2種不同的傳感器影像,因此,可能會對研究結(jié)果會帶來一定的影響,如不同傳感器之間的系統(tǒng)差異等。
猜你喜歡
ELLE世界時(shí)裝之苑(2024年5期)2024-05-14 09:45:39
建材發(fā)展導(dǎo)向(2021年18期)2021-11-05 09:20:00
建材發(fā)展導(dǎo)向(2021年18期)2021-11-05 09:19:06
上海建材(2020年5期)2020-12-15 00:33:26
鄉(xiāng)村地理(2018年3期)2018-11-06 06:51:10
中國建筑金屬結(jié)構(gòu)(2018年4期)2018-05-23 11:09:26
鄉(xiāng)村地理(2016年2期)2016-06-15 20:29:28
鄉(xiāng)村地理(2016年2期)2016-06-15 20:29:28
鄉(xiāng)村地理(2016年2期)2016-06-15 20:29:25
高師理科學(xué)刊(2016年8期)2016-06-15 20:27:45
