基于遙感技術的哈爾濱巴彥—方正地區生態狀況評價

陳 卓, 劉 濤, 段明新, 宋昊南, 趙喜東

(中國地質調查局哈爾濱自然資源綜合調查中心,黑龍江 哈爾濱 150086)

0 引言

隨著氣候變化對環境影響的不斷加大,極端高溫事件的強度、出現頻率和持續時間均有增強[1-3],而城鎮擴張等直接人為因素也對生態系統產生了明顯影響[4],地球系統內物理、化學、生物和人類的相互作用過程會給人類社會帶來巨大的風險危機[5]。開展生態評價可以掌握一個地區的本底現狀,促進生態保護和可持續發展。遙感數據具有易得、時空連續的特征,極大地方便了生態信息的獲取,使得對生態狀況進行快速經濟評價成為可能。用地類型與生物多樣性、生態過程及地表溫度密切相關,并進而影響著生態狀況及功能[6-7]。地面溫度、亮度、濕度、歸一化植被指數(normalized difference vegetation index,NDVI)[8-9]等常被用于生態評價。其中,地面溫度是監測評價地表物理、化學和生物過程的一個關鍵參數[10],地面氣象站無法提供具有較高空間分辨率的地面溫度,因此遙感影像成為提取地面溫度的理想數據源; NDVI常用于植物物理特征及生態的相關研究[11]; 亮度可以反映自然與人造景觀的表面特征; 濕度則與土壤、植被含水量、水體等有關[12-13]。

已有的生態狀況評價較多地集中于單一的用地類型、地面參數或土壤、水體的化學成分等[8-9,14-15]。生態環境狀況指數(ecological index,EI)結合了多種生態要素,能夠反映某個區域的生態狀況[16-18],但無法獲得生態狀況的空間分布特征。通過遙感技術可以對一個地區的生態系統進行區域上連續的監測評價,其主要實現方式為多要素之間的加權運算或主成分分析。徐涵秋[19]通過主成分分析構建了遙感生態指數(remote sensing ecological index,RSEI),該指數能夠避免在加權運算過程中因不合理權重而產生主觀誤差,目前該指數已經得到了廣泛的應用[8-9,20-21]。Landsat影像數據因其時間、空間、光譜和輻射分辨率而適宜用于生態評價應用。已有學者利用遙感開展了哈爾濱主城區的多要素生態評價,但并未包含周邊縣市[22]。本文利用Landsat 8影像數據,以哈爾濱巴彥—方正地區為研究區,包括巴彥縣、賓縣和方正縣,通過RSEI開展基于易得數據的生態狀況評價,分析不同縣域和用地類型的生態特征,以期助力區域綠色發展。

1 研究區概況

巴彥縣、賓縣、方正縣地處我國東北地區,為黑龍江省哈爾濱市的下轄縣級行政區,黑土分布廣泛,為東北地區主要的糧食產地。北部為小興安嶺,東南部毗臨張廣才嶺,平原遼闊、丘陵低緩,總體南北高、中間低(圖1)。區內屬中溫帶大陸性季風氣候,年平均氣溫3.3 ℃,年平均降水量約560 mm。

圖1 研究區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 遙感數據源與處理

本文選用Landsat 8 OLI/TIRS (Collection 2 Level 1)共3景影像數據進行地面溫度、NDVI、亮度、濕度的提取,影像選取過程中確保了研究區內沒有云層覆蓋和積雪干擾,且盡量選擇植被生長季的影像。Qureshi等[8]建議在進行生態狀況評價時將影像之間各年的天數間隔設定為小于60 d,本研究選取的影像時相分別為2019年9月15日、2019年9月17日、2019年9月24日,間隔小于10 d,滿足遙感信息提取和對比要求(表1)。同時本文還收集了研究區GlobeLand 30 2020年的用地類型數據,用于提取分析不同用地類型的生態特征。

表1 研究區選取的數據參數Tab.1 Selected data parameters of the study area

2.2 評價流程

本研究主要包括地面參數提取、生態狀況評價與空間分析,主要流程為: ①在GlobeLand 30數據的基礎上將用地類型重新劃分為林草地、建設用地、旱地,并通過目視解譯提取水田,由于大片水域的存在會干擾濕度指數對植被和土壤含水量的反映[19],所以需利用遙感數據提取水體并掩模去除; ②對Landsat 8影像數據進行預處理,然后提取地面溫度、NDVI、亮度、濕度等地面參數,在統計中排除了最小的前0.01%和最大的后0.01%的異常值; ③利用地面參數構建得到研究區2019年9月的遙感生態指數; ④以縣域和用地類型為研究對象分別進行地面參數和生態狀況的空間對比、分析(圖2)。

圖2 研究區生態狀況評價技術流程Fig.2 Workflow of ecological assessment of the study area

2.2.1 地面參數提取

在參數提取之前,需對影像進行輻射定標和基于FLAASH模塊的大氣校正,分別得到Landsat 8 TIRS第10波段的熱紅外輻亮度和Landsat 8 OLI可見光近紅外波段的反射率數據。在此基礎上,亮度和濕度分別為纓帽變換的第1和第3主成分,各波段的變換系數因傳感器類型而異[13,23]。本文亮度和濕度直接采用ENVI軟件為Landsat影像提供的纓帽變換工具獲取。此外,由于計算得到的濕度數據含較多的負值,會影響變異系數的比較,故將濕度數據在原值基礎上統一加10 000。地面溫度可利用熱紅外輻亮度數據,通過輻射傳輸方程法(大氣校正法)計算得到[24-28]; NDVI采用第5波段和第4波段計算得到。

2.2.2 遙感生態指數

RSEI集成了各類地面參數信息,能夠比單一指標更好地反映生態狀況。本文RSEI處理過程為: ①對地面溫度、NDVI、亮度、濕度數據進行歸一化處理,使其值域為0～1,分別得到歸一化后的地面溫度(TS)、NDVIS、亮度(LS)、濕度(WS); ②對4個地面參數進行主成分分析,選擇與地面溫度(TS)、NDVIS、亮度(LS)、濕度(WS)的生態意義均一致的主成分作為RSEI,該方法與基于主成分分析的遙感礦化蝕變提取類似[29],主成分分析結果顯示地面溫度(WS)、亮度(LS)在第2主成分的特征值均為正值,NDVIS、濕度(WS)在第2主成分的特征值均為負值(表2),故提取第2主成分作為RSEI; ③對RSEI進行歸一化處理,使其值域為0～1,得到RSEIS,其可以反映研究區各區域的相對生態狀況; ④將RSEIS分為優良[0,0.2)、良好[0.2,0.4)、中等[0.4,0.6)、一般[0.6,0.8)、較差[0.8,1.0)共5類[8,19]。

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

3 結果分析

3.1 地面參數

3.1.1 縣域特征

從表3可知,巴彥縣、賓縣和方正縣之間亮度和濕度的均值差異并不顯著。標準差可以反映地面參數的空間異性[25],其中地面溫度空間差異最顯著的是賓縣,NDVI空間差異最顯著的是巴彥縣和方正縣,亮度空間差異最顯著的是方正縣,濕度空間差異最顯著的是巴彥縣。相比地面溫度和濕度,各縣域的NDVI和亮度均具有較高的變異系數(表3)。由圖3可見,整個研究區的高溫地區主要分布于城鎮和村莊,耕地區域的地表溫度為中等,低溫地區主要位于林草地區域,可能與森林具有更強的蒸騰作用有關[30]; 由于9月份哈爾濱地區的玉米仍處于生長期,NDVI在林草地和耕地區域均較高,低值區主要位于建設用地和水域周邊。建設用地表現為較高的亮度和較低的濕度,耕地區域表現為中等亮度和較高的濕度,林草地區域表現為較低的亮度和中等濕度,和預期不同的是,方正縣周邊水田的亮度和濕度均較高。

表3 研究區地面參數特征Tab.3 Attributes of ground parameters in the study area

(a) 地面溫度 (b) NDVI

3.1.2 用地類型特征

研究區各用地類型地面參數見表4。地面溫度均值從低到高依次為林草地、水田、旱地、建設用地,地面溫度分布均較為集中,其中林草地和水田在近20 ℃處具有次峰值(圖4); NDVI從低到高依次為建設用地、水田、旱地、林草地,頻率曲線顯示林草地和水田具有明顯的峰值,建設用地的NDVI分布范圍較廣,可能是由于城鎮內的綠化分布不均勻,旱地的NDVI范圍較廣,可見次峰值; 亮度分布特征明顯,從低到高依次為林草地、旱地、水田、建設用地,林草地和旱地的峰值位置相近,建設用地和水田具有雙峰值且峰值位置相近; 濕度的均值從低到高依次為建設用地、林草地、旱地和水田,頻率曲線顯示林草地、旱地、水田的濕度分布較為集中,其中林草地和旱地的峰值位置較為相近,建設用地的濕度峰值相對其他用地類型較低,水田可見次峰值。

表4 研究區各用地類型地面參數特征Tab.4 Attributes of ground parameters for different land covers in the study area

(a) 地面溫度 (b) NDVI

圖4 研究區各用地類型地面參數頻率分布Fig.4 Frequency distribution of ground parameters for different land covers in the study area

3.2 生態狀況評價

3.2.1 縣域特征

由圖5(a)可知,3個縣中生態狀況為優良的區域占比差異不顯著,均超20%; 巴彥縣和賓縣生態狀況為良好的區域占比超過60%,明顯高于方正縣; 方正縣內生態狀況中等的區域占比明顯高于其他兩縣; 3個縣中生態狀況為一般、較差的區域占比差異不顯著。圖3、圖5(b)和圖6顯示生態狀況為優良的區域主要分布于巴彥縣北部、賓縣南部和東部、方正縣東部的林草地區域內,這些區域具有較低的地面溫度、亮度,較高的NDVI和中等的濕度; 生態狀況為良好的區域面積最廣,主要為耕地,對應中等的地面溫度、NDVI、亮度,中等或較高的濕度; 生態狀況中等的區域主要分布于方正縣城周邊的水田區域,對應中等的地面溫度、NDVI、亮度和較高的濕度; 生態狀況一般和較差的區域主要為建設用地分布較大的城鎮,對應較高的地面溫度、亮度和較低的NDVI、濕度。

(a) 縣域 (b) 用地類型圖5 研究區各用地類型各級生態狀況分布面積Fig.5 Distribution area of different land covers at different ecological classes in the study area

圖6 研究區RSEIS分布Fig.6 Distribution of RSEIS in the study area

統計結果顯示,RSEIS均值最高的為方正縣(0.30),其次為賓縣(0.29)、巴彥縣(0.28),總體來看3個縣的生態狀況均屬良好; 標準差顯示各縣域內的生態狀況分布不均,其中巴彥縣內的空間差異性明顯低于方正縣、賓縣(表5),與之對應,巴彥縣的RSEIS頻率分布曲線相對更為集中,頻率峰值位于0.21,與方正縣(0.22)相近,但方正縣RSEIS在中等區可見次峰值,賓縣RSEIS峰值位置最高(0.25)(圖7(a))。

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

(a) 縣域 (b) 用地類型圖7 研究區各用地類型RSEIS頻率分布Fig.7 Frequency distribution of RSEIS for different land covers in the study area

3.2.2 用地類型特征

由圖5(b)可知,林草地內優良、良好區域共占比超86%,建設用地內中等、一般的區域共占比超74%,其次為良好、較差,旱地內良好區域占比超72%,其次為中等、優良,水田內良好、中等區域占比超90%,用地類型之間不同生態狀況占比的差異特征明顯。統計顯示,各用地類型的主要生態狀況從好到差依次為林草地(優良)、旱地(良好)、水田(中等)、建設用地(一般)(表5)。林草地的生態狀況峰值最為明顯,位于0.21,標準差為0.09,空間異性較小; 建設用地的峰值同樣明顯,位于0.65,標準差為0.17,生態狀況多樣; 旱地的峰值位于0.23,標準差為0.11,空間異性較低; 水田生態狀況具有明顯的雙峰分布特征,峰值位置分別為0.47,標準差為0.14,空間異性一般(圖7(b))。各用地類型內生態狀況的標準差和變異系數的指示結果存在差異,如林草地具有較低的標準差和較高的變異系數(表5),RSEIS的頻率分布曲線與標準差的指示結果更為一致(圖7(b))。

4 討論

本文利用遙感地面溫度、NDVI、亮度、濕度這4個參數,通過主成分分析構建了RSEI。結果顯示,建設用地和裸地具有更高的地面溫度和亮度,對生態有負面影響; NDVI、濕度的高值區分別代表了更好的植被覆蓋以及更高的植被、土壤含水量,對生態有正面影響[19],所以在構建RSEI時應確定這4個因子貢獻的正負,使RSEI具有合理的生態意義。變異系數可克服不同地面參數間值域和量綱的差異,并反映數據相對于均值的變化程度,本研究中亮度和NDVI不僅在縣域內具有較高的變異系數,在同一用地類型內仍然如此(表3,表4),表明二者在同一用地類型之內仍具有較大的空間差異,這可能是由于同一用地類型內具有不同的生物物理特征有關,且相較于地面溫度和濕度,亮度和NDVI對研究區的不同表面特征反饋可能更加靈敏,在今后的生態評價和其他研究中可加以重點應用。通過對比RSEIS在表5中的標準差、變異系數和在圖7中的頻率分布特征,可見標準差反映的空間異性與頻率分布曲線更為一致,由于變異系數反映的是相對于均值的變化程度,其更易受均值數值大小的影響,因此在今后研究中對于同一個統計參數,直接利用標準差分析空間異性是更優的選擇,對于不同的統計參數,可對其進行歸一化后再利用標準差分析比較空間異性。

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,導致水田的生態狀況次于林草地和旱地。同時,水稻在可見光至短波紅外上具有比森林上更高的反射率[31],哈爾濱地區的水稻成熟期為每年的九月份[32],其稻穗呈亮黃色,可能致使反射率進一步升高,本次研究采用了9月份的影像開展生態評價,水田相對旱地的高亮度和低NDVI可能由水稻葉片及稻穗的高反射率同時引起。

巴彥、賓縣、方正3個縣的生態狀況以良好為主,且差別很小,其中方正縣RSEIS的次峰值可能由水田引起(表5,圖7(a)),水田的存在使方正縣RSEIS均值向高值偏移,但對研究區整體的生態狀況未產生顯著影響。用地類型的RSEIS統計結果表明建設用地具有最次的生態狀況(表5),RSEIS頻率分布曲線表明建設用地的生態狀況最為多變,較差或優良的區域均有不可忽視的占比。線性混合像元模型認為多種地物可按面積比例在遙感影像中形成混合像元[33],其多變的生態狀況應是由主要由城鎮內部的小塊地表差異引起。

5 結論與展望

5.1 結論

(1)研究區3個縣的生態狀況的相對排序,由好到次依次為巴彥縣、賓縣、方正縣,3個縣內的優良區域比例均超20%,良好區域占比分別為64.33%、61.50%、49.22%,中等區域占比分別為10.88%、12.12%、21.85%,一般區域占比位于2%～ 3%,較差區域占比均為1%左右。

(2)林草地對應較低的地面溫度、亮度,較高的NDVI,中等的濕度,優良、良好的生態狀況; 建設用地對應較高的地面溫度、亮度,較低的NDVI、濕度,中等、一般的生態狀況; 旱地對應中等的地面溫度、亮度、NDVI、濕度,良好的生態狀況; 水田對應中等的地面溫度、NDVI、亮度,較高的濕度,良好、中等的生態狀況。不同用地類型間的生態狀況差異較大,通過不同用地類型間的良性轉換能夠有效提高研究區內的生態狀況。

5.2 展望

對于各遙感地面參數或RSEIS的空間異性,可通過變異系數或歸一化后的標準差,結合頻率分布曲線進行分析。相對于變異系數,標準差更能反映統計對象的空間差異特征,因此在今后研究中對于同一個統計參數,直接利用標準差分析空間異性是更優的選擇,對于不同的統計參數,可對其進行歸一化后再利用標準差分析比較空間異性。

成熟的稻穗會使水田與旱地在NDVI和亮度上形成較明顯的差異,從而在一定程度上影響研究區的RSEIS均值與頻率分布曲線,雖未在整體上引起質變,但在今后評價中應盡量選擇非農作物成熟期的影像數據,降低非葉片信息的影響。