高分卫星监测下的文山州植被生长环境与时空演变研究

陈晨，李素敏，王艳英，李雁，李卫海，张泉

(1.昆明理工大学 国土资源工程学院，云南 昆明 650093；2.云南省国防科技工业局综合研究所（高分辨率对地观测系统云南数据与应用中心），云南 昆明 650118)

目前基于遥感生态指数（Remote Sensing Ecological Index，RSEI）的环境监测已十分成熟，可实施性较高，如利用Landsat 系列卫星影像的基于遥感生态指数的杭州市城市生态变化[1]和湖南锡矿山锑矿区生态环境质量遥感动态监测与评价[2]等.但其研究多采用国外卫星数据，缺乏采用国产高分数据进行RSEI 等植被生长环境的相关研究.

高分五号（GF-5）是高分专项唯一一颗陆地环境高光谱观测卫星[3]，主要应用于环境监测、农作物监测与估产、防灾减灾等方面.魏友华等[4]利用GF-5 影像实现了精确的地物分类；季超[5]对GF-5在地物特征提取及分类方面进行了研究；孙晓敏等[6]利用深度学习开展了GF-5 高光谱图像土地类型分类研究；栗旭升等[7]联合GF-5、GF-6 构建了多分类器自适应的树种识别方法；此外，GF-5 还应用于区域生态系统监测与评估、全国生态状况变化调查与评估、国家重大生态保护治理工程建设效果评估等[8].高分六号（GF-6）是中国首颗精准农业观测卫星[9]，主要应用于农业/植被监测.全色/多光谱相机（Panchromatic/Multi-Spectral，PMS）数据空间分辨率最高达到了2 m，为农作物精细识别提供了丰富的纹理特征，宽视场（Wide Field View，WFV）数据为大范围的农作物变化信息提供了持续可靠的数据源[10].郑利娟[10]采用高分一号（GF-1）、GF-6 挖掘农作物分类相关特征，研究特征对农作物分类精度的影响；张沁雨等[11]利用GF-6 红边波段有效识别树种；刘晋阳等[12]评估了GF-6 WFV 新增4 个波段在林地类型分类研究中的应用潜力；梁继等[13]研究了GF-6 红边特征在农作物识别中的表现；王利军等[14]探究了GF-6 WFV 红边波段在春季作物识别中的应用.

上述对GF-5 和GF-6 的研究多为树种识别、分类等方面，对其在植被分布情况和生长环境方面的研究鲜有报道.因此，本研究以旱灾频发以及石漠化严重的文山壮族苗族自治州（以下简称文山州）为研究区，尝试将GF-5 可见短波红外高光谱相机高级高光谱成像仪（Advanced Hyperspectral Imager，AHSI）数据、全谱段光谱成像仪（Visual and Infrared Multispectral Sensor，VIMS）数据叠加获取遥感生态指数（RSEI）数据，利用GF-5 进行植被监测、GF-1和带有红边波段的GF-6 数据进行植被覆盖度（Vegetation Fractional Coverage，VFC）时序性监测，基于多源国产遥感数据，达到植被分布状态时序研究与生长环境质量监测的目的.

1 研究区概况及数据源

1.1 研究区概况文山州位于103°34′44″～106°11 ′43 ″E，22°41 ′09 ″～24°27 ′46 ″N，面积31 456 km2（图1）.全州降水量充足，但分布不均.全年干湿季节分明，干季（11 月—4 月）降水量仅占全年降水量的18%，易产生冬春连旱，雨季（5 月—10 月）降水量占全年降水量的82%，易造成洪涝灾害.石漠化面积10 143 km2，占全州面积的32.20%，岩溶地区生态环境脆弱敏感与贫困地区的生存发展之间的矛盾较为突出，因开垦种植粮经作物、放牧等形成的石漠化加剧问题还没有完全得到控制，是全国、全省石漠化防治重点区域.文山州是云南省第一次全国自然综合风险普查的重点普查对象，尤其在水旱灾害与森林火灾方面.文山州承担着维护区域生态安全的战略任务，保护自然资源和生态环境的责任重大，《云南省生物多样性保护战略与行动计划》6 个一级优先保护区域的“滇东南喀斯特东南季风阔叶林区”全部在文山州境内.因此，研究文山州的植被生长环境和时空演变特征十分必要.

图1 文山州位置示意图Fig.1 The location of Wenshan Prefecture

1.2 数据源及预处理

1.2.1 数据源 GF-5 可见短波红外AHSI数据空间分辨率30 m，光谱分辨率小于10 nm；波长为400～2 500 nm，包括了150 个可见光-近红外波段和180 个短波红外波段，与植被研究的一般波长范围一致.AHSI 数据波段多，频带宽度窄，包含的光谱信息量大，故采用其计算归一化植被指数（Normalized Difference Vegetation Index，NDVI）等多个植被指数.VIMS 数据共12 个波段，波长范围为450～12 500 nm，包含了可见光多光谱、短波红外、中红外、热红外波段.前6 个波段空间分辨率为20 m，后6 个波段空间分辨率为40 m 且包含了4 个热红外波段，波长分别是8 010～8 390、8 420～8 830、1 030～1 130 nm 和1 140～1 250 nm，可用于温度计算.GF-6 有类似MODIS 等传感器的广大视野，又有Landsat 8 相当的空间分辨率和波谱谱段，有蓝（波段1）、绿（波段2）、红（波段3）、近红（波段4）、红边（波段5）、红边2（波段6）、水体蓝（波段7）、黄（波段8）8 个波段.拥有国内首次增加的对叶绿素比较敏感的“红边”波段.GF-1 及GF-6 WFV 数据幅宽相同，蓝谱段到近红外谱段范围一致，两颗星可互补实现高时间分辨率、大幅宽的监测.

本研究选用文山州云量低于5%的高分数据.GF-5 可见短波红外AHSI 和VIMS 数据重叠且时间相近区域（AHSI 2020 年1 月22 号与VIMS 2020年3 月13 日数据）、GF-1（2013 年9 月29 日至2018 年12 月25 日21 景）及GF-6（2019 年12 月10 日至2020 年11 月19 日3 景）WFV 数据.文中遥感数据来源于中国资源卫星应用中心（http://www.cresda.com/CN/）.

1.2.2 数据预处理 GF-5 预处理包括坏波段去除、辐射校正、大气校正、正射校正；在大气校正环节，可见短波红外AHSI 数据和VIMS 前6 个波段数据采用FLAASH Atmospheric Correction 方法[15]，VIMS 后6 个波段由于包含热红外波段，采用Thermal Atmospheric Correction方法[16].GF-1、GF-6 处理包括辐射定标、FLAASH 大气校正、正射校正.GF-6 WFV 影像打开时，由3 台相机拍摄的图像虚拟镶嵌为一张图.由于WFV 和VIMS 后6 个波段缺少短波红外波段，不再进行气溶胶反演.

2 研究方法

2.1 技术路线本文利用GF-5 可见短波红外AHSI数据进行植被监测，包括林木健康分析、农作物胁迫分析、易燃性分布分析、多种植被指数计算.将VIMS 的热红外波段与可见短波红外AHSI 数据结合，进行遥感生态指数的自然生态环境监测.经过归一化后的RSEI 数值范围在[0，1]之间，数值越接近于1 表示生态环境质量越好，反之则越差[17].利用GF-6 WFV 数据制作文山州2019 年、2020 年卫星影像并按照653（红边2、红边、红）波段组合以凸显红边波段.相比于真彩色及彩红外显示，图2中植被、水体、建筑之间的区分更为清晰，不同种类及生长周期的植被呈现出不同程度的橙色.再利用GF-1 及GF-6 WFV 数据进行2013—2020 年基于像元二分模型的VFC 反演时序性监测.总体技术路线如图3 所示.

图2 基于GF-6 的2019 年、2020 年文山州653 波段组合图Fig.2 653 band combination based on GF-6 of Wenshan Prefecture in 2019 and 2020

图3 技术路线Fig.3 Technology roadmap

2.2 遥感生态指数（RSEI）计算采用辐射传输方程法[18]进行热度计算.用VIMS 数据计算归一化植被指数（Normalized Difference Vegetation Index，NDVI）、VFC 和地表比辐射率，再由地表比辐射率和热红外波段参数得到的热红外辐射亮度计算出同温度下的黑体辐射亮度图像，最后计算得到地表温度图像，也就是热度值.然后，用可见短波红外AHSI 数据的红波段625～740 nm 和近红外波段780～3 000 nm 计算NDVI 指数.接着进行植被指数计算（冠层氮、宽带绿度、叶绿素、窄带绿度、冠层水分含量、光利用率、干旱或碳衰减等7 类）、林木健康分析、农作物胁迫分析、易燃性分布分析，再计算干度、湿度.取[2%，98%]为置信区间，将由可见短波红外AHSI 数据处理得到的NDVI、干度、湿度和VIMS 数据得到的热度进行极值统计和归一化处理，计算公式如下：

式中，RSEI′为主成分分析结果的第1 波段，PC1 为归一化后的绿度指数（Green Vegetation Index,GVI）、湿度指数（Wet Index）、干度指数（Normalized Difference Building-Soil Index,NDBSI）、热度（Land Surface Temperature）4 个指标进行主成分分析后的结果；主成分分析的第1 分量值越大，表明生态环境质量越好.

再次归一化后得到遥感生态指数（RSEI）并进行背景处理，计算方法如下：

式中，R SEI′max为第1 主成分波段统计结果最大值，结果为0.60，RSEI′min为第1 主成分波段统计结果最小值，结果为-0.29.

2.3 高光谱植被监测采用ENVI 5.3 软件中的植被分析工具，得到易燃性等级分析、农作物胁迫等级分析、林木健康等级分析9 级结果.易燃性等级分布通过GVI、冠层含水量指数（Canopy Water Content Index,CWCI）、干旱或碳衰减指数（Dry or Senescent Carbon Index,DSCI）综合分析得到；农作物胁迫等级分布通过绿度指数（GVI）、光利用率指数（Light Use Efficiency Index,LUEI）、冠层氮指数（Normalized Difference Nitrogen Index,NDNI）、叶色素指数（Leaf Pigment Index,LPI）和冠层含水量指数（Canopy Water Content Index,CWCI）得到；林木健康等级分布通过GVI、结构不敏感色素指数（Structurally Insensitive Pigment Index,SIPI）、冠层含水量指数（Canopy Water Content Index,CWCI）和LUEI 得到（表1）.

表1 光谱指数及其表达形式Tab.1 Spectral indices and their expression forms

2.4 植被覆盖度（VFC）计算对GF-6 预处理数据进行NDVI 计算、NDVI 最值统计、植被覆盖度反演、植被覆盖度分级及色彩处理.参照李苗苗[19]的研究方法，基于像元二分模型，利用植被指数近似估算植被覆盖度，计算公式如下：

式中，NDVI 为NDVI 图像中每个像元的灰度值，NDVImin和NDVImax分别为区域内最小和最大的NDVI 值.设置信度范围为[5%，95%]，取累积概率为5%的NDVI 值作为NDVImin，95%的NDVI 值作为NDVImax.

3 结果与分析

3.1 遥感生态指数（RSEI）及植被监测结果由于GF-5 可见短波红外AHSI 与VIMS 数据重叠区域很少，且目前已有AHSI 数据不能覆盖到文山州全州，在此选取一块研究区进行试验性研究.该区域处于砚山县、广南县、丘北县三县交界处，面积约1 700 km2.结果表明，遥感生态指数（RSEI）平均值为0.70，生态环境质量处于良状态（0.60～0.80），且该状态占比最大，为58.68%，其次是一般状态，占比41.19%，差和较差状态占比最小.良状态主要分布于阿猛镇北部、维末彝族乡、珠琳镇中部.如图4和表2 所示.

表2 遥感生态指数各等级面积占比Tab.2 Each grade area ratio of remote sensing ecological index

图4 基于GF-5 的研究区遥感生态指数分析Fig.4 Remote sensing ecological index (RSEI) analysis based on GF-5 of study area

由图5 可知，农作物胁迫1 级区域主要分布于丘北东部（锦屏镇、八道哨彝族乡东部和维末彝族乡中部），农作物胁迫等级越低，该区域作物生长环境越好，越能为农作物和植被提供较好的生长环境；易燃性1 级区域主要分布于丘北中部（锦屏镇西部、曰者镇南部、维末彝族乡中上部、树皮彝族乡南部），易燃性等级越低，该区域发生火灾的概率越低；林木健康9 级区域主要分布于丘北中部和砚山东部（锦屏镇除中部以外地区、维末彝族乡中部、德厚镇中部、曰者镇南部），林木健康等级越高，该区域林木健康情况越好，更适合林木生长；农作物胁迫9 级及易燃性9 级区域主要分布于砚山西部和丘北南部（砚山县西部、树皮彝族乡中部、腻脚彝族乡南部），以上区域农作物胁迫高，农作物健康程度低，干旱或濒临死亡农作物占比越大，且易燃性高，更容易发生旱灾及火灾；林木健康1 级区域主要分布于文山市北部、丘北西南部以及砚山中部（平远镇东部、腻脚彝族乡南部、树皮彝族乡中部、稼依镇南部），以上区域林木健康程度低，不适宜林木生长.

图5 基于GF-5 的研究区植被监测结果Fig.5 Vegetation monitoring based on GF-5 of study area

3.2 植被覆盖度（VFC）结果参照李苗苗[19]在植被覆盖度遥感估算方法中的分类方法，本文将植被覆盖度分成5 个等级：VFC＜0.10，裸露地区；0.10≤VFC＜0.30，低植被覆盖区；0.30≤VFC＜0.50，中度植被覆盖区；0.50≤VFC＜0.70，较高植被覆盖区；VFC≥0.70，高植被覆盖区.

3.2.1 VFC 空间分布特征 由图6 及表3 可知，文山州东部植被覆盖度明显高于西部，8 县（市）中，裸露区与低植被覆盖区集中于文山、砚山、丘北，其次是广南，富宁的植被覆盖情况最好；2013—2020 年文山州各等级植被覆盖面积占比情况为高植被区占比＞较高植被区占比＞中植被区占比＞低植被区占比＞裸露区占比，除2015 年的平均植被覆盖度属于中度植被覆盖度区间外，其余均属于较高植被覆盖度区间；平均植被覆盖度均值为0.60，处于较高植被覆盖度区间（0.50～0.70）.表明文山州以高植被覆盖区为主，整体植被覆盖情况较好，丘北、砚山、文山三县交界处植被覆盖情况较差.

表3 2013—2020 年文山州各等级植被覆盖面积占比Tab.3 Proportion of vegetation fractional coverage of Wenshan Prefecture from 2013 to 2020 %

图6 基于GF-1 和GF-6 的2013 年—2020 年文山州植被覆盖度Fig.6 Vegetation fractional coverage based on GF-1 &GF-6 of Wenshan Prefecture from 2013 to 2020

3.2.2 VFC 时间变化特征 如图7、表4 所示，2013—2015 年高植被覆盖区面积占比和平均覆盖度下降，2015—2020 年高植被覆盖区面积占比和平均植被覆盖度呈增长趋势，2015 年平均植被覆盖度及高植被覆盖区面积占比为8 年内最低，2020 年为最高.结果表明，文山州平均植被覆盖度和高植被覆盖区占比从2013—2015 年逐年下降至最低，从2015—2020 年上升至最高，平均植被覆盖度及高植被覆盖区占比呈下降—上升趋势.2016年的高植被覆盖区占比增幅最大，为67.24%，裸露地区呈负增长，降幅为46.25%，2014 年与其相反，高植被覆盖区和裸露地区占比增幅分别为-37.95%、260.74%；2016 年的平均植被覆盖度增幅最大，为18.20%，平均植被覆盖度增长量为0.09，2014 年的平均植被覆盖度呈负增长，降幅最大，为20.06%，平均植被覆盖度增长量为-0.14.表明2014 年有大片新增裸露区和低植被覆盖区，高植被覆盖区占比与平均植被覆盖度都有所下降，2016 年有大量林木新增，裸露区大幅减少，使得平均植被覆盖度有所提高.

表4 2014—2020 年文山州植被覆盖面积占比较上一年增幅情况Tab.4 Growth of vegetation fractional coverage proportion compared with last year of Wenshan Prefecture from 2014 to 2020 %

图7 2013—2020 年平均VFC 及同比增长率Fig.7 The average vegetation fractional coverage and the yearon-year growth rate from 2013 to 2020

4 讨论与结论

4.1 讨论

4.1.1 精度验证 研究区西部各植被生长环境指标较差，查文山州森林资源二类调查成果可知，该区域土地利用类型主要为非林地；查文山州相关重金属污染防治报告可知，砚山平远镇为重度污染区.根据《文山州森林资源调查报告》（表5），富宁县的林地面积占比为文山全州最高，文山市、砚山县、丘北县偏低，VFC 分布与实验结果相符.查文山州各县（市）统计年鉴，以丘北县和砚山县为例，丘北县2014 年造林面积100.13 km2，2015 年造林35.49 km2，增幅为-64.56%，2016 年造林42.29 km2，增幅19.16%；砚山县2014 年造林面积53.54 km2，2015 年造林37.83 km2，增幅为-29.34%，2016 年造林41.85 km2，增幅10.63%，2014 年4 月文山州遭受冰雹灾害，5 月局部出现大到暴雨，引发洪涝灾害，植被覆盖度变化与实验结果相符；对比多个部门的调查资料和图件报告，得到了较好的验证结果，可行性较高.

表5 文山州林地面积占比Tab.5 Woodland area ratio of Wenshan Prefecture

4.1.2 结果分析 文山州整体植被覆盖情况较好且继续往好的趋势发展，说明文山州政府的相关政策措施取得了较好成效.2014 年由于冰雹、洪涝等灾害，平均覆盖度降幅最大.因年均造林面积少等因素，2015 年平均植被覆盖度及高植被覆盖区占比为8 年内最低，2016 年增幅最大.研究区西部因土地利用类型不同、重金属污染等因素，植被生长环境较差.

4.1.3 不足与展望 本研究对GF-5 高光谱植被监测方法进行了新的尝试，深化了GF-6 红边波段在植被时空演变上的应用研究，探索了高分系列卫星在植被研究上的更多可能性，有利于国产高分卫星的推广应用.但选取参数有限，下一步应充分探索高分卫星数据在石漠化演变、水资源变化[20]、水土流失状况[21]等多个方面的应用潜力，并增加精度验证手段，以增强结果可靠性；目前GF-5、GF-6在轨运行时间尚短，随着数据量的累积，研究区实验数据不足的问题也将得到解决.

4.2 结论

（1）砚山、广南、丘北三县交界处，遥感生态指数（RSEI）生态环境质量处于良状态（0.60～0.80），该状态占比最大，该区域为植被提供的生长环境处于较好水平.

（2）研究区范围内，丘北中部、东部及砚山东部的植被生长环境较好，丘北南部及砚山西部的农作物健康程度低、森林防火问题值得重视，文山北部、丘北西南部以及砚山中部，特别是平远镇区域易发生病虫害和枯萎病灾害，不适宜植被生长.

（3）文山州以高植被覆盖区为主，平均植被覆盖度（VFC）处于较高植被覆盖度区间，平均植被覆盖度和高植被覆盖区占比呈上升态势，文山、砚山、丘北植被覆盖情况需进一步改善.