ENSO对合肥市生态环境变化的影响★

王万里，朱晓春，何晓玉，李晓佳，曾特林

(西南科技大学环境与资源学院，四川 绵阳 621000)

1 合肥市概况

合肥位于安徽省中部，地处长江中下游地区，总面积11 445.1 km2，以中生界侏罗系地层为主，属于下扬子海槽和淮阳古陆边缘地带。其气候表现为亚热带季风性湿润气候，四季分明，年均气温15.1 ℃，年均降水量适中。地表水系较为发达，河流湖泊密布，分水岭自西向东横贯全境。有丰富的自然资源和矿产资源，植被类型主要有针叶林、落叶阔叶林等天然植被和农作物、人工绿地等人工植被(见图1)。在1981年—2016年间，合肥市共发生冷事件10次，暖事件8次，其中1982年、1998年、2014年均发生了超强ENSO事件(见表1)。表1中，峰值强度绝对值达到或超过0.5 ℃但小于13 ℃定义为弱事件，达到或超过1.3 ℃但小于2.0 ℃定义为中等事件，达到或超过2.0 ℃定义为强事件，达到或超过2.5 ℃定义为超强事件[4]。

表1 1981年—2016年ENSO事件

绝大多数年份降雨与气温变化都与nino指数(衡量ENSO强度的指标)变化一致[5-7](见图2)，其中降雨变化较ENSO强度变化在时间上相对滞后(见图2(a))，气温变化与ENSO强度变化趋势较为接近(见图2(b))。

伴随ENSO事件而来的气象灾害如洪灾、旱灾及其引发的次生灾害如崩塌、滑坡等对合肥市的生态环境造成了一系列直接干扰，该区域生态环境急剧退化，对长江下游的生态也进一步造成严重影响。

2 研究过程

研究过程主要包括三个部分：1)基于10个时段的Landsat TM/OLI遥感波段数据，利用IDL编程技术批量获取环境评价的指标因子，从而构建各时间序列的指标体系；2)采用RSEI模型(Remote Sensing based Ecological Index，遥感生态指数)，利用IDL编程技术批量完成各时间序列的环境质量评价，得到ENSO前后的环境评价结果差值序列；3)使用MATLAB建立环境评价结果差值序列与nino指数序列的数学关系模型，分析二者之间的相互影响关系。

2.1 环境变化序列的构建

2.1.1 评价指标

根据徐涵秋等，本文选取绿度、湿度、热度、干度4个指标[8]作为建立生态指数的评价指标。

1)绿度(NDVI)：计算时以NDVI(Normalized Difference Vegetation Index,归一化差分植被指数，标准差异植被指数)值作为衡量绿度值的标准，通常包括当地叶面积绿度指数、植物生物量和当地植被的覆盖度，NDVI值与近红外波段和红外波段有关，其波段计算公式为：

NDVI=(NIR-R)/(NIR+R)=(B5-B4)/(B5+B4)

(1)

式(1)中B4，B5分别为红波段和近红外波段。

2)湿度(WET)：遥感影像经过缨帽变换可得到亮度、绿度和湿度分量，其中湿度分量表征像元所对应地物的水分状态[9]，反映了土壤和植被的湿度，该指标对Landsat TM和Landsat OLI有不同的湿度参数，其计算公式如下：

WET(TM)=0.031 5×B2+0.202 1×
B3+0.310 2×B4+0.159 4×
B8-0.670 6×B11-0.610 9×B12

(2)

WET(OLI)=0.150 9×B2+0.197 3×
B3+0.327 9×B4+0.340 6×B8-0.711 2×B11-0.457 2×B12

(3)

式(2),式(3)中，B2，B3，B4，B8，B11和B12分别为蓝波段、绿波段、红波段、近红外波段。

3)干度(NDSI)：地表的“干化”与生态环境有很大关联，除却暴露在地表的土壤(如岩石、沙子、裸露的土壤等)和城市用地外，干度(Normalized Difference Soil Index，NDSI)可以由裸土指数(bare Soil lndex，SI)和建筑指数(Index-based Built-up Index，IBI)经波段运算计算得到，其计算公式分别为：

SI=[(B11×1.0+B4)-(B8+B2)]/
[(B11×1.0+B4)+(B8+B2)]

(4)

(5)

NDSI=(SI+IBI)/2

(6)

式(4)～式(6)中，B2，B3，B4，B8，B11和B12分别为蓝波段、绿波段、红波段、近红外波段。

4)热度(Land Surface Temperature，LST)：热度指标用大气校正法反演的地表温度表示。由大气对地表热辐射的影响进行预估后，从卫星传感器观测到的地表热辐射总量中减去大气对地表热辐射的影响，从而得到地表热辐射强度，再经过波段运算得到相应的地表温度。运算过程包括：a.计算植被覆盖度NDVI；b.计算地表比辐射率；c.计算黑体辐射亮度；d.计算地表温度[10]。

2.1.2 自动化遥感生态评价(IDL)

IDL(Interactive Data Language)是一种面向矩阵的编程语言，在影像处理方面具有较大优势，基于IDL语言开发的ENVI是目前广泛使用的遥感影像处理软件，本研究使用编程的思想，使用IDL流程化方法完成了各个环境评价因子的提取(见图3)。

计算四个指标首先需要传入预处理后的遥感影像以及辐射定标后的热红外波段灰度影像，在数据格式判断无误之后开始进行各影像间的运算，其中math_doit函数主要用于波段间的各种函数运算，使用exp参数指定各因子运算函数，在进行地表温度反演时，需要使用cf_doit进行数据变量传递并将多个波段融合为一个文件，在进行波段运算数据调用时仅需引用标志数据内存所在位置的指针fid。

在各因子计算后，为消除不同时相间的季相差异，增强多时相遥感可比性，需对各指标进行归一化[11]。归一化公式如下：

(7)

式(7)中，x*为归一化值；max为样本数据的最大值；min为样本数据的最小值。归一化操作也可通过IDL函数实现自动化运算。

以下为自动化提取环境评价指标结果图(见图4)，其中图4(a)为归一化植被覆盖指数，可以观察到植被区域近似呈现灰白色，水体为黑色，在图4(b)湿度图像中水体呈现明显的白色，图4(c)，图4(d)分别为干度与热度，自动化处理结果同样与手动处理结果一致。

主成分分析PCI结果得到各个因子对环境评价的贡献率，该指标较为客观，避免了研究人主观因素影响，因此使用该指标对各个因子进行耦合。对四个指标因子进行主成分分析。对主成分分析得到的结果进行归一化运算，得到数值范围为[0，1]的影像数据。通过Li Ning等的研究发现两个现有模型在空间分布上显示出两个相反的结果趋势，取NDVI和WET特征向量的绝对值对生态环境有正影响，而LST和NDSI特征向量的绝对值对生态环境有负影响，以改善RSEI模型。所使用的改进公式[12-13]为：

RSEI0=PC1[f(NDVI,WET,NDSI,LST)]|NDVI|，|WET|

(8)

(9)

式(8)，式(9)中NDVI，WET，NDSI，LST含义如前所述。

为使环境评价结果便于后续研究和与度量比较，对该结果进行归一化得到环境评价结果如图5所示。

2.1.3 环境变化序列的构建

表2给出了生态环境指数的分级标准[14]。

根据表2，对环境评价结果进行等级区划，再根据公式：

(10)

表2 RSEI分级列表

其中，X为区域综合环境指数；pi为第i个等级环境对应像元占总像元数百分比；w为等级权重值，由专家打分法确定。构建环境变化的时间序列，即计算每个ENSO前后的综合环境指数的差值平均值，从而得到ENSO时间序列所对应的环境变化序列(见表3)。

表3 合肥市遥感生态指数变化

2.2 关系模型的建立与分析

ENSO前后生态环境变化情况与nino3.4指数[15]的相关系数为0.802，表明其相关性较强。

将分析得到的ENSO前后生态环境变化情况与nino3.4指数作为建模分析数据源，根据数据散点图分布情况，将对两组变量分别进行线性拟合、二次多项式拟合与非线性拟合(函数模型为：y=a+b×e(tx)，其中a，b，t均为未知量)。

使用Matlab进行相关运算，经过三种不同关系拟合，将得到的表达式进行对比，见表4。

表4 Matlab数据拟合

拟合结果进一步显示，二次多项式拟合误差最小，拟合优度最佳(0.7)，生态环境变化与ENSO指数具有正相关关系，相关性较强。

2.3 结果分析

一方面，ENSO事件对不同地类、不同地形的影响程度是不同的。耕地、建设用地环境变化最为明显，林地次之；地形方面，平原、缓坡区域的生态变化程度较高海拔区域大。另一方面，拟合结果显示，RSEI变化与ENSO强度呈现明显正相关关系，巢湖以北耕地、草地等区域最为突出。另外，ENSO强度对生态环境恶化具有加强作用主要集中在其中冷事件方面。

2018年9月—2019年6月的ENSO事件为中强度冷事件，nino3.4强度均值为0.68，利用本文的拟合公式得出2018年9月—2019年6月期间，合肥市RSEI指数变化约为-0.61，与IDL计算结果-0.52较接近。

ENSO通过气象因子影响区域生态变化，但不同的子区域的生态受影响程度相差较大，且可以通过遥感、数学建模等技术获取区域生态变化的影响模式。因此自然资源部门可通过加强区域生态建设，增强ENSO事件的抵御能力，减弱ENSO事件发生对生态环境的破坏作用[16-18]。

3 结论

基于1981年—2016年合肥市Landset影响数据，结合RSEI指数，利用IDL编程工具提取四个生态评价指标，对合肥市ENSO前后生态环境进行评价，计算环境变化情况。将环境变化数据与nino3.4指数以线性拟合、多项式拟合、非线性拟合，进行Pearson相关性分析，建立生态环境评价预测模型。结果显示：

1)生态变化程度与ENSO强度大小呈正相关关系，在三种拟合曲线中，二次多项式拟合误差较小，表明ENSO对我国长江中下游环境影响程度与ENSO强度约呈二次相关关系，对两组数据进行相关性分析，Pearson相关系数的取值为0.802，两者具有较强相关性。

2)合肥市生态变化程度较高的范围为耕地、建筑用地等植被覆盖度较低、地形较为平缓低洼的区域，而植被覆盖率高的林地、海拔相对较高的区域生态变化相对较小，海拔较高的地区相应植被覆盖度也较高，可见局地小气候受植被影响较大。

3)由于ENSO事件对生态环境的影响具有滞后性，因此有必要利用长时间序列的生态观测建模，以较好地预测一定时间范围内的生态变化情况。本文由于数据量较少，拟合效果较差，因此拟合模型有待增加统计量进一步研究。

4)可通过加强生态建设、增加植被覆盖度来应对日益频繁的ENSO事件引发的气象灾害，增强区域内的抗灾能力。