盧 卓，侯金龍，魯 晗

(首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048)

1 引言

城市生態(tài)環(huán)境質(zhì)量與人類的生活密切相關(guān)，如何及時(shí)有效地對(duì)城市生態(tài)環(huán)境質(zhì)量進(jìn)行評(píng)價(jià)及變化監(jiān)測(cè)，是合理規(guī)劃和保護(hù)城市生態(tài)環(huán)境的前提。遙感技術(shù)以其快速、高效和大范圍監(jiān)測(cè)的優(yōu)勢(shì)已經(jīng)被廣泛應(yīng)用于生態(tài)環(huán)境質(zhì)量評(píng)價(jià)，對(duì)生態(tài)建設(shè)也具有重要意義。

“人居環(huán)境科學(xué)(Ekistics)”的概念[1]在20世紀(jì)50年代首次被提出。此后，隨著領(lǐng)域大門的開啟，逐漸出現(xiàn)有關(guān)人居環(huán)境質(zhì)量定量和定性分析的研究，評(píng)價(jià)體系也得到了進(jìn)一步的更新和完善[2]。2006年國家環(huán)境保護(hù)總局發(fā)布《生態(tài)狀況評(píng)價(jià)技術(shù)規(guī)范》(試行)(HJ/T192-2006)，提出了生態(tài)狀況指數(shù)EI(Ecological Index)，主要用于縣級(jí)以上的年度生態(tài)狀況評(píng)價(jià)[3]，試行以后得到了廣泛應(yīng)用。王瑤[4]等，采用生態(tài)狀況指數(shù)EI對(duì)北京市進(jìn)行了生態(tài)環(huán)境質(zhì)量評(píng)價(jià)以及生態(tài)環(huán)境變化的動(dòng)態(tài)分析。但該指數(shù)在具體應(yīng)用中也存在一些問題，例如歸一化系數(shù)設(shè)定、權(quán)重的合理性和指標(biāo)的易獲取性等[5～7]。針對(duì)EI存在的問題，2013年，徐涵秋[8]提出一個(gè)完全基于遙感技術(shù)，集成了濕度指標(biāo)(WET)、綠度指標(biāo)(NDVI)、熱度指標(biāo)(LST)和干度指標(biāo)(NDSI)4個(gè)自然因子為主的遙感生態(tài)指數(shù)(RSEI)來對(duì)城市的生態(tài)狀況進(jìn)行快速監(jiān)測(cè)與評(píng)價(jià)，通過在福州主城區(qū)的應(yīng)用表明，RSEI指數(shù)可以對(duì)城市的生態(tài)質(zhì)量進(jìn)行定量評(píng)價(jià)以及時(shí)空動(dòng)態(tài)變化分析。國內(nèi)學(xué)者張潔[9]、岳輝[10]等用RSEI和其它指數(shù)模型進(jìn)行了對(duì)比研究，發(fā)現(xiàn)相較于EI、PSR等其它模型而言，用RSEI評(píng)估生態(tài)環(huán)境質(zhì)量時(shí)可以很好地避免主觀因素的影響，并且更加高效、簡(jiǎn)便。隨著RSEI在生態(tài)環(huán)境質(zhì)量評(píng)價(jià)方面的廣泛應(yīng)用，分析其對(duì)于不同空間分辨率衛(wèi)星影像的適用性愈發(fā)重要，但目前很少有人針對(duì)衛(wèi)星影像分辨率對(duì)基于RSEI的城市生態(tài)環(huán)境質(zhì)量評(píng)價(jià)差異進(jìn)行研究，高空間分辨率影像是否有利于RSEI評(píng)價(jià)生態(tài)環(huán)境質(zhì)量，還有待論證。此外，對(duì)于城市生態(tài)環(huán)境質(zhì)量研究而言，通過研究全球最發(fā)達(dá)的典型城市生態(tài)環(huán)境質(zhì)量可以更為精確且具有代表性的評(píng)價(jià)人類活動(dòng)對(duì)生態(tài)環(huán)境質(zhì)量的影響，對(duì)國內(nèi)典型城市的發(fā)展有一定的參考意義。

針對(duì)上述問題，本文采用美國典型城市波士頓和華盛頓地區(qū)的Landsat8數(shù)據(jù)和Sentinel-2A數(shù)據(jù)，計(jì)算了濕度、綠度、熱度和干度指標(biāo)，用主成分分析法構(gòu)建了遙感生態(tài)環(huán)境指數(shù)，最終通過統(tǒng)計(jì)表和專題圖展示了波士頓和華盛頓的生態(tài)環(huán)境質(zhì)量狀況，并且比較了10m分辨率的Sentinel-2A數(shù)據(jù)和30m分辨率的Landsat8數(shù)據(jù)對(duì)于城市生態(tài)環(huán)境質(zhì)量評(píng)價(jià)結(jié)果的影響。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

華盛頓(北緯38°53.707′，西經(jīng)77°02.182′)位于美國的東北部、中大西洋地區(qū)，屬溫帶大陸性氣候，四季分明，氣溫變化相對(duì)和緩，全年降水分配均勻，年均降水量約1008 mm，市區(qū)面積178 km2，是美國的政治中心，文化中心，經(jīng)濟(jì)色彩不濃；波士頓(北緯52°59′.00″N ,東經(jīng)0°01′.00″)位于美國東北部大西洋沿岸，是美國最古老、最有文化價(jià)值的城市之一，屬溫帶大陸性氣候，年平均氣溫15 ℃，年平均降雨量為1080 mm，該市的總面積為232.1 km2，是全美居民健康評(píng)分最高的城市，也被認(rèn)為是一個(gè)全球性城市或世界性城市。

2.2 數(shù)據(jù)來源與處理

波士頓地區(qū)選用2018年的Landsat8和Sentinel-2A遙感影像為數(shù)據(jù)源，華盛頓地區(qū)選用2017年的Landsat8和Sentinel-2A遙感影像為數(shù)據(jù)源，數(shù)據(jù)均由美國地質(zhì)調(diào)查局(USGS)網(wǎng)站(http: //www. usgs. gov/)提供，數(shù)據(jù)信息見表1。影像獲取的季節(jié)時(shí)相接近且基本無云層覆蓋。在ENVI軟件中對(duì)衛(wèi)星影像進(jìn)行輻射校正和幾何校正，得到地表真實(shí)反射率影像，再根據(jù)研究地區(qū)矢量文件裁剪得到研究區(qū)影像。

表1 研究區(qū)遙感影像數(shù)據(jù)

3 研究方法

遙感生態(tài)指數(shù)(remote sensing based ecological index，RSEI)模型[8]綜合了綠度、濕度、熱度和干度4個(gè)對(duì)生態(tài)環(huán)境優(yōu)劣影響顯著的重要指標(biāo)，采用主成分分析法自動(dòng)量化各個(gè)指標(biāo)對(duì)生態(tài)的貢獻(xiàn)度，將第一主成分歸一化處理得到RSEI，進(jìn)而對(duì)研究區(qū)域生態(tài)環(huán)境質(zhì)量狀況進(jìn)行有效快速的監(jiān)測(cè)和評(píng)價(jià)。其公式為：

RSEI=f(Wetness,Greenness,Dryness,Heat)

(1)

其遙感定義為：

RSEI=f(Wet，NDVI，LST，NDSI)

(2)

式(1)、(2)中，Wetness為濕度指標(biāo)，Greenness為綠度指標(biāo)，Dryness為干度指標(biāo)，Heat為熱度指標(biāo)。Wet表示濕度指數(shù)，NDVI表示歸一化植被指數(shù)，LST表示地表溫度指數(shù)，NDSI表示干度指數(shù)。

3.1 單個(gè)指標(biāo)計(jì)算

3.1.1 濕度指標(biāo)WET

本文的濕度指標(biāo)采用纓帽變換中的濕度分量WET來表示，不同傳感器的濕度指標(biāo)計(jì)算公式[11～13]如下：

TM數(shù)據(jù)：

WETTM=0.0315ρBlue+0.2021ρGreen+

0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-

0.6109ρSWIR2

(3)

OLI數(shù)據(jù)：

WETOLI=0.1511ρBlue+0.1972ρGreen+0.3283ρRed+0.3407ρNIR-0.7117ρSWIR1-0.4559ρSWIR2

(4)

式(3)、(4)中，ρBlue、ρGreen、ρRed、ρNIR、ρSWIR1、ρSWIR2分別代表傳感器的藍(lán)光波段，綠光波段，紅光波段，近紅外波段，短波紅外1波段，短波紅外2波段的反射率。

Sentinel-2A數(shù)據(jù)：

WET=(0.0649B1+0.1363B2+0.2802B3+0.3072B4+0.5288B5+0.1379B6-0.0001B7

-0.0807B8-0.1389B8a-0.0302B9+

0.0003B10-0.4064B11-0.5602B12

(5)

式(5)中，B1到B12分別為Sentinel-2A影像數(shù)據(jù)的波段從小到大依次對(duì)應(yīng)。

3.1.2 綠度指標(biāo)NDVI

歸一化植被指數(shù)(NDVI)能較好反應(yīng)植被覆蓋度和植被生長情況，故選用NDVI代表綠度指數(shù)，其公式如下：

NDVI=(ρ4-ρ3)/(ρ4+ρ3)

(6)

式(6)中，ρ4和ρ3分別表示各傳感器中近紅外波段的反射率和紅外波段的反射率。

3.1.3 熱度指標(biāo)LST

本文采用地表溫度(LST)代替熱度，先用Landsat用戶手冊(cè)的模型[14]計(jì)算出亮度T，然后對(duì)其進(jìn)行比輻射率校正，獲得地表溫度LST[15],公式如下：

Li=gain×DN+bias

(7)

T=K2/In(K1/Li+1)

(8)

式(7)、(8)中，Li為熱紅外波段的像元在傳感器處的輻射值；DN為像元灰度值，gain和bias分別為熱紅外波段的增益值與偏置值；T為傳感器處亮度溫度值；K1和K2分別為定標(biāo)參數(shù)。經(jīng)過公式(8)計(jì)算的溫度T必須進(jìn)行比輻射率糾正[16]，才能成為地表溫度LST，糾正公式如下：

LST=T/[1+(λ×T/ρ)lnε]

(9)

式(9)中，λ為熱紅外波段的中心波長，ρ=1.438 × 10-2m K，ε為地表比輻射率，根據(jù)van de Griend等[17]的經(jīng)驗(yàn)公式計(jì)算得到。

由于本次研究采用的Sentinel-2A數(shù)據(jù)沒有熱紅外波段且分辨率為10 m，所以需要通過反演和降尺度的方法得到10 m分辨率的LST。參考鄭明亮等[18]對(duì)地表溫度影像融合的研究，得出本文計(jì)算哨兵數(shù)據(jù)LST的方法如下：

計(jì)算30m分辨率下的LST和NDVI，然后以NDVI為0.1為閾值，篩選NDVI大于0.1的像元，建立NDVI和LST的回歸模型：

F(NDVI)=a0+a1NDVI+a3NDVI2

(10)

式(10)中，a0、a1、a3均為回歸系數(shù)，NDVI為研究區(qū)歸一化植被指數(shù)。以相關(guān)性越大，回歸效果越好為依據(jù)，選取30 m分辨率下的最優(yōu)NDVI-LST回歸模型，將其應(yīng)用到10 m分辨率的NDVI10，建立兩者之間的聯(lián)系，添加回歸誤差，求得LST10，如下式：

LST10=F(NDVI10)+△LST30

(11)

△LST30=LST30-F(NDVI30)

(12)

其(11)、(12)中，LST30和NDVI30分別表示30 m分辨率下的地表溫度和植被覆蓋度。F為回歸函數(shù)，△LST30為回歸誤差。

3.1.4 干度指標(biāo)NDSI

目前干化主要是由裸露的土壤(如砂礫，巖石，裸土)和建筑用地兩大部分作用，因此干度指標(biāo)可由裸土指數(shù)(SI)[19]和建筑指數(shù)(IBI)[20]合成表示，其公式如下：

NDSI= (IBI+SI)/2

(13)

其中，

SI=[(ρSWIR1+ρRed)-(ρBlue+ρNIR)]/[(ρSWIR1+ρRed)+(ρBlue+ρNIR)]

(14)

IBI={2ρSWIR1/(ρSWIR1+ρNIR)-[ρNIR/(ρRed+ρNIR)+ρGreen/(ρGreen+ρSWIR1)]}/{2ρSWIR1/(ρSWIR1+ρNIR)+[ρNIR/(ρRed+ρNIR)+ρGreen/(ρGreen+ρSWIR1)]}

(15)

式(14)、(15)中，ρBlue、ρGreen、ρRed、ρNIR、ρSWIR1分別代表各傳感器中的藍(lán)、綠、紅、近紅外、短波紅外1波段的反射率。

3.2 綜合指數(shù)構(gòu)建

將各個(gè)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，使其轉(zhuǎn)換為范圍在[0,1]的無量綱值，然后合成為一副四波段影像，進(jìn)行主成分分析，用第一主成分PC1計(jì)算初始遙感生態(tài)指數(shù)RSEI0：

RSEI0=1-PC1[f(NDVI，Wet，LST，NDSI)]

(16)

式(16)中，PC1表示主成分分析得到的第一主成分。

為了便于生態(tài)環(huán)境指標(biāo)的比較和度量，同樣也對(duì)RSEI0進(jìn)行標(biāo)準(zhǔn)化處理，表示如下：

RSEI=(RSEI0-RSEI0_min)/(RSEI0_max-RSEI0_min)

(17)

RSEI即為所構(gòu)建的遙感生態(tài)指數(shù)，其值介于[0,1]之間。RSEI的值越接近于1，生態(tài)環(huán)境越好，反之，生態(tài)環(huán)境越差。

4 結(jié)果與分析

4.1 LST反演精度評(píng)價(jià)

Sentinel-2A數(shù)據(jù)的熱度指標(biāo)LST是通過反演和降尺度的方法得到的。在Landsat數(shù)據(jù)的基礎(chǔ)上建立LST和NDVI的回歸模型，選擇最優(yōu)模型應(yīng)用于10 m分辨率的Sentinel-2A數(shù)據(jù)，得到LST。波士頓和華盛頓地區(qū)的回歸模型如圖1所示。

圖1 LST回歸模型

由圖1可知，波士頓地區(qū)LST與NDVI回歸模型的R2=0.9939，華盛頓地區(qū)LST與NDVI回歸模型的R2=0.9798，其相關(guān)性都是非常高的，相關(guān)性越高表示對(duì)于LST的反演精度越高，越接近其真實(shí)值。結(jié)果表明，本次研究建立的回歸模型是可行且較好的。

4.2 指標(biāo)因子分析

波士頓和華盛頓地區(qū)各指標(biāo)因子分析結(jié)果見表2，各指標(biāo)值都為歸一化之后的均值。

由表2可知，對(duì)于WET和NDVI兩個(gè)指標(biāo)，在兩個(gè)地區(qū)都表現(xiàn)的是10 m分辨率的Sentinel-2A影像數(shù)據(jù)比30 m分辨率的Landsat8影像數(shù)據(jù)計(jì)算

表2 各指標(biāo)歸一化均值

得出的歸一化均值要高，即濕度和綠度更高。對(duì)于LST和NDSI兩個(gè)指標(biāo)，10 m分辨率的Sentinel-2A影像數(shù)據(jù)比30 m分辨率的Landsat8影像數(shù)據(jù)計(jì)算得出的歸一化均值低，即熱度和干度更低。根據(jù)指標(biāo)的含義可知，WET和NDVI分別代表的是濕度和歸一化植被指數(shù)，這兩個(gè)指標(biāo)越高說明綠色植被相對(duì)越多，對(duì)生態(tài)環(huán)境質(zhì)量越好，而LST和NDSI分別代表的是熱度和干度，其中干度由建筑指數(shù)和裸土指數(shù)構(gòu)成，這兩個(gè)指標(biāo)越高說明建筑用地和裸地更多，城市熱島效應(yīng)更明顯，對(duì)生態(tài)環(huán)境質(zhì)量越差。

4.3 RSEI結(jié)果分析

波士頓和華盛頓地區(qū)基于Sentinel-2A數(shù)據(jù)和Landsat8數(shù)據(jù)的遙感生態(tài)指數(shù)和其分級(jí)占比統(tǒng)計(jì)如表3所示，將標(biāo)準(zhǔn)化后的RSEI值以0.2為間隔將RSEI分為5個(gè)等級(jí)：差(Very bad)、較差(Bad)、中(Acceptable)、良(Good)和優(yōu)(Natural)。

從表3可知，波士頓2018年基于Landsat8數(shù)據(jù)的RSEI為0.4503，基于Sentinel-2A數(shù)據(jù)的RSEI為0.4955。進(jìn)一步分析由Landsat8數(shù)據(jù)和Sentinel-2A數(shù)據(jù)得到的RSEI，處于較差、差等級(jí)的占比分別為47.1%和41.3%，同比下降了5.8%，RSEI處于優(yōu)、良等級(jí)的占比分別為32.4%和39.1%，同比上升了6.7%，這說明了Sentinel-2A數(shù)據(jù)比Landsat8數(shù)據(jù)所計(jì)算得到的RSEI更高，生態(tài)環(huán)境質(zhì)量更好；華盛頓2018年基于Landsat8數(shù)據(jù)的RSEI為0.5087，基于Sentinel-2A數(shù)據(jù)的RSEI為0.5649。進(jìn)一步分析由Landsat8數(shù)據(jù)和Sentinel-2A數(shù)據(jù)得到的RSEI，處于較差、差等級(jí)的占比分別為39.1%和26.6%，同比下降了12.5%，RSEI處于優(yōu)、良等級(jí)的占比分別為41.5%和41.6%，基本無變化，處于中等級(jí)的占比分別為19.4%和31.8%同比上升了12.4%，綜合來看，華盛頓地區(qū)也印證了Sentinel-2A數(shù)據(jù)比Landsat8數(shù)據(jù)所計(jì)算得到的RSEI更高，生態(tài)環(huán)境質(zhì)量更好。

表3 基于Landsat8和Sentinel-2A數(shù)據(jù)的RSEI及其分級(jí)占比

波士頓和華盛頓地區(qū)基于Landsat8數(shù)據(jù)和Sentinel-2A數(shù)據(jù)所得到遙感生態(tài)指數(shù)分級(jí)圖如圖2所示。

圖2 基于Landsat 和Sentinel-2A的RSEI分級(jí)

從圖2中可以看出，基于Sentinel-2A數(shù)據(jù)得到的RSEI紅色區(qū)域比據(jù)Landsat8數(shù)據(jù)得到的RSEI紅色區(qū)域要少，其生態(tài)質(zhì)量看起來也更好一些，是因?yàn)镾entinel-2A數(shù)據(jù)的分辨率更高，得到的RSEI劃分結(jié)果更為細(xì)致，不過整體趨勢(shì)和各等級(jí)所處區(qū)域位置是大同小異的。這一方面說明了Landsat8和Sentinel-2A數(shù)據(jù)所計(jì)算的遙感生態(tài)指數(shù)RSEI結(jié)果具有正確性，另一方面也驗(yàn)證了基于分辨率高的影像數(shù)據(jù)所評(píng)價(jià)的生態(tài)環(huán)境質(zhì)量更好。比如在生態(tài)環(huán)境質(zhì)量差的城區(qū)，高分辨率的哨兵數(shù)據(jù)能更好反應(yīng)出城市里綠化地表的影響，而Landsat8數(shù)據(jù)往往會(huì)因?yàn)榉直媛实脑蚝茈y將面積較小的綠地從建筑區(qū)中分離出來，這就會(huì)導(dǎo)致Sentinel-2A數(shù)據(jù)比Landsat8數(shù)據(jù)所計(jì)算得到的RSEI在各個(gè)區(qū)域的分級(jí)更細(xì)，遙感生態(tài)指數(shù)值更高，生態(tài)環(huán)境質(zhì)量更好。

5 結(jié)論

以美國典型城市波士頓和華盛頓為研究對(duì)象，利用不同分辨率的Landsat8和Sentinel-2A影像數(shù)據(jù)，構(gòu)建RSEI進(jìn)行城市生態(tài)環(huán)境質(zhì)量評(píng)價(jià)，對(duì)比分析不同分辨率遙感影像評(píng)價(jià)的生態(tài)環(huán)境質(zhì)量之間的差異。主要結(jié)論有：①基于10 m分辨率的Sentinel-2A數(shù)據(jù)比30 m分辨率的Landsat8數(shù)據(jù)所計(jì)算得到的RSEI更高，所評(píng)價(jià)的生態(tài)環(huán)境質(zhì)量也更好；②更高分辨率的Sentinel-2A數(shù)據(jù)從空間上評(píng)價(jià)生態(tài)環(huán)境質(zhì)量更為細(xì)致，能較好地反映區(qū)域生態(tài)環(huán)境質(zhì)量，有利于城市化精細(xì)管理。

遙感生態(tài)指數(shù)在整體上可以揭示城市生態(tài)環(huán)境質(zhì)量的空間分布和變化特征，高空間分辨率的衛(wèi)星影像可提供更為精確的生態(tài)環(huán)境質(zhì)量空間分布及其變化特征，便于對(duì)生態(tài)環(huán)境進(jìn)行合理準(zhǔn)確的規(guī)劃和保護(hù)，可為未來的城市管理以及城市生態(tài)環(huán)境的精細(xì)化監(jiān)測(cè)提供基礎(chǔ)。此外，由于區(qū)域生態(tài)環(huán)境的形成和發(fā)展受到多種因素的影響，下一步研究中可以考慮結(jié)合大氣環(huán)境質(zhì)量、土壤侵蝕度和人口密度等多方面生態(tài)環(huán)境要素進(jìn)行綜合分析。