建設(shè)項目引發(fā)的區(qū)域生態(tài)變化的遙感評估
——以敖江流域為例

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實驗室，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)測評估重點實驗室，福州 350116 3 福建省水土保持試驗站，福州 350001

20世紀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)測與評價取得了大量成果,評價理論、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、實時地開展多尺度生態(tài)環(huán)境動態(tài)監(jiān)測和評價提供了有效手段[1- 3]。如美國的全美自然保護區(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)境評價研究主要包括以下3個方面：(1) 基于景觀分析的生態(tài)環(huán)境評價,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流域進行土地利用/覆蓋分類,在此基礎(chǔ)上定量化評價景觀格局的變化,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)方法的綜合運用定量分析景觀格局的動態(tài)變化,從而實現(xiàn)城市化進程的環(huán)境影響評價;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區(qū)和甘家湖梭梭林自然保護區(qū)的生態(tài)環(huán)境效應(yīng)研究。(2) 基于評價指數(shù)的生態(tài)環(huán)境評價,它通過構(gòu)建不同的指標(biāo)體系來綜合評價生態(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)濟變量(人口密度、收入和受教育水平等)綜合評價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)安全評價指標(biāo)體系;國家環(huán)境保護部的《生態(tài)環(huán)境狀況評價技術(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)和污染負荷指數(shù)等5個指標(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,通過遙感影像制作區(qū)域生態(tài)圖件,實現(xiàn)生態(tài)環(huán)境變化空間可視化,而不僅僅用一個量化的數(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個指標(biāo)來構(gòu)建遙感生態(tài)指數(shù)(RSEI),實現(xiàn)區(qū)域生態(tài)環(huán)境質(zhì)量快速準(zhǔn)確的時空變化分析;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個指標(biāo)構(gòu)建生態(tài)評價模型,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)量時空變化特征。相比于其他兩類的評價方法,基于遙感信息的空間化生態(tài)環(huán)境評價方法以其指標(biāo)易獲取、空間可視化、快速簡便等優(yōu)點,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,主要是因為中高或高分辨率影像的波段數(shù)少,通常只有可見光和近紅外的4個波段,缺乏以上生態(tài)環(huán)境遙感評價技術(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)境細節(jié)[18],因此,如何利用只有可見光和近紅外4個波段的中高或高分辨率遙感影像來進行區(qū)域生態(tài)質(zhì)量監(jiān)測與評價是當(dāng)今基于遙感信息的空間化生態(tài)環(huán)境評價技術(shù)必須解決的一個關(guān)鍵問題。

本文以福建敖江流域的貴安開發(fā)區(qū)為重點研究對象,采用基于遙感信息的空間化生態(tài)環(huán)境評價技術(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空變化及其產(chǎn)生的生態(tài)效應(yīng),以期為細尺度的區(qū)域生態(tài)環(huán)境監(jiān)測與評價提供一種新的技術(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重,對水源地的水質(zhì)形成了潛在的威脅。

本文以建設(shè)項目引發(fā)的生態(tài)變化區(qū)域為重點研究對象,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),保證了實驗結(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充。采用多個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的幾何校正,并且使用DEM數(shù)據(jù)進行地形校正,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選取了一一對應(yīng)的40384個隨機樣本點,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行擬合,求出GF- 1濕度分量的經(jīng)驗系數(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)：

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)：

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[31-32];ψ1、ψ2、ψ3可用下式計算：

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度,可根據(jù)影像的時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可以用下式求取：

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)不僅能夠增強土壤鹽漬化狀況,也能夠有效地增強建筑和裸土等地表信息。表3為所用的2幅Landsat影像的各個土壤鹽漬度指數(shù)與其3個干度指數(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。為了進一步確定上述4個土壤鹽漬度指數(shù)在ALOS和GF- 1影像的適用性,分別計算出ALOS和GF- 1影像這4個土壤鹽漬度指數(shù),然后將它們與近同步的Landsat影像的3個干度指數(shù)進行相關(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)各個指標(biāo)對各主分量的貢獻度來自動、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個指標(biāo)量綱不統(tǒng)一,需將它們進行正規(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個指標(biāo)就可以用來計算PC1。為使PC1大的數(shù)值代表生態(tài)條件好,進一步用1-PC1獲得RSEI：

RSEI=1- {PC1[f(Wetness, NDVI, LST, SI-D)]}

(13)

為了便于比較,進一步將RSEI進行歸一化,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個隨機樣點對提取結(jié)果進行精度驗證。結(jié)果表明,2個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行統(tǒng)計分析(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研究區(qū)的86%,可見該區(qū)域建筑用地擴展主要是由大規(guī)模的建設(shè)項目引起的。

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(藍色),說明本文建立的濕度分量可以客觀反映地表濕度的實際情況。

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個指標(biāo)變量。在這4個指標(biāo)中,濕度和綠度均為正值,說明它們對生態(tài)的貢獻起正向作用;而熱度和干度均為負值,說明它們對生態(tài)的貢獻起負向作用,這與實際情況相符。

表8為研究區(qū)RSEI的相關(guān)統(tǒng)計數(shù)據(jù)。從表中可知,整個研究區(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個分指標(biāo)變化情況來看,對于整個研究區(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個指標(biāo)的各自表現(xiàn)也說明了整個研究區(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,其下降幅度是整個研究區(qū)的2倍。總的看來,所構(gòu)建的生態(tài)指數(shù)RSEI可以很好地綜合反映4個指標(biāo)的變化情況。

表7 主成分分析數(shù)據(jù)

表8 4個指標(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(如南甕河自然保護區(qū)[42]、長白山自然保護區(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個生態(tài)等級,然后據(jù)此對建設(shè)前后2個年份的生態(tài)指數(shù)影像進行分級(表9)。統(tǒng)計表明：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)狀況的一個定量指標(biāo)外,還可用于區(qū)域生態(tài)時空變化的可視化,有利于不同時期生態(tài)狀況的時空對比。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和建筑用地影像進行系統(tǒng)采樣,求取每個網(wǎng)格在兩年份間生態(tài)質(zhì)量的差值。同時,計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)運用在只有可見光和近紅外4個波段的中高分辨率遙感影像上,解決了開展生態(tài)環(huán)境遙感評價技術(shù)依賴中紅外波段的問題,實現(xiàn)了區(qū)域生態(tài)質(zhì)量在空間細尺度上的定量綜合評價。

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266%,占整個研究區(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)濟發(fā)展的決策規(guī)劃中,要融入生態(tài)的理念,嚴格控制建筑用地面積,有效地保護青山綠水,實現(xiàn)區(qū)域的健康可持續(xù)發(fā)展。

對一個區(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。