基于GEE黄河三角洲长时序生态指数遥感估算与分析

张战伟，董其军，李婷婷

(山东明嘉勘察测绘有限公司,山东 淄博 255086)

0 引言

黄河流域生态保护和高质量发展，是重大国家战略。2022年中共山东省委、山东省人民政府印发了《山东省黄河流域生态保护和高质量发展规划》，其中明确了黄河三角洲生态防护治理、生物多样性保护工程。近年来，遥感技术已被广泛用于生态评价、监测、保护等工作，其具有长时序、范围广、信息量丰富等优势，可为湿地资源监测、植被多样性保护、生态修复等提供支撑，因此开展基于遥感技术手段的生态评估与分析具有重要的意义[1-3]。

本文基于2000—2021年的Landsat 5、Landsat 7、Landsat 8遥感影像数据，对黄河三角洲区域进行了长时间序列的归一化植被指数(NDVI)、湿度指数(Wet)、盐分指数(SI3)、遥感生态指数(RSEI)进行了计算，分析了指数之间的相关关系，其次按年度对4种指数分别做了重标极差分析及Hurst指数预测分析，研究成果可为黄河三角洲的生态修复及评价提供科学依据及理论指导。

1 研究现状

目前国内外学者基于遥感技术方法，从多个方向开展了生态环境相关的研究，针对黄河三角洲区域的遥感生态研究也得了较多学者的关注，并形成了诸多成果。主要研究方向涉及新生湿地空间分布规律[4]湿地动态变化[5-6]、植被空间分布监测[7]、土壤盐分提取[8]等。这些研究体现了遥感在黄河三角洲生态环境评价、监测等工作中的技术优势。

盐渍化是全球性问题，广泛发生在干旱和滨海地区[9]，盐渍化对植被影响明显，会恶化生态环境[10-11]，针对盐渍化问题，很多学者基于遥感技术开展了大量研究。赵欣悦等[12]利用Landsat 8 OLI对阿拉善地区盐渍化特征进行了分析。黄晓宇等[13]基于光谱指数、波段反射率与实测值实现了土壤含盐量的快速检测。卞福花等[14]对不同水盐生境下芦苇湿地植被及土壤碳氮磷生态化学计量特征进行了研究。吴霞等[15]利用同时期土壤样本与Landsat 8影像，基于相关分析和曲线回归分析法构建了土壤盐渍化评价指数。杨丽萍等[16]基于Sentinel-2数据，通过提取盐分指数、植被指数等6类变量，设计了土壤盐分预测模型。陈俊英等[17]利用无人机多光谱、GF-1遥感数据，结合土壤含盐量，构建了盐渍化监测模型，提高了盐渍化的监测精度。黄河三角洲为滨海区域，盐渍化问题对生态的影响是需要重点考虑的因素。

近年来随着遥感云计算平台等技术的发展，基于遥感数据长时间序列的研究越来越多。徐振田等[18]利用1986—2016年的Landsat影像，分析了黄河三角洲近30年湿地的时空分布和动态变化特征。焦瑞峰等[19]以 1986—2018 年的卫星遥感影像为基础，分析了黄河三角洲分布格局、湿地面积及变化规律。余泽鸿等[20]基于2005—2018 年MODIS、Landsat数据，分析了黄河三角洲土壤盐分含量时空演变特征。张晨宇等[21]以Landsat影像为基础，揭示了2000—2020 年黄河三角洲盐地碱蓬等植被的时空变化规律。长时间序列的分析能够得到更加科学、完整、全面的特征规律，受到越来越多学者的关注，因此本文基于Google Earth Engine (GEE)开展黄河三角洲长时序生态指数遥感估算与分析的研究。GEE由谷歌在2010年推出，是目前应用最为广泛的遥感云计算平台，具有自动并行处理和快速计算的特点，是目前最流行的地球大数据处理平台[22]。GEE集成了近40年历史遥感影像数据，研究人员可以基于GEE开展生态、农业、海洋等诸多领域的研究。GEE主要由计算资源、数据集、代码编辑器、APIs组成，支持JavaScript和Python语言开发，且用户能够上传栅格或矢量数据进行处理、分析。

2 研究方法

2.1 总体技术流程

本研究利用GEE平台优势，对黄河三角洲区域2000—2021年的生态质量进行评估与分析，利用遥感数据构建NDVI、Wet、SI3、RSEI生态要素，并根据研究区域的特点，引入了SI3与RSEI相结合的评价分析方法，对2000—2021年逐年环境质量进行全面、完整的长时间序列的变化规律进行分析，为该区域生态环境评估提供了新的思路。研究的总体技术路线如图1所示。

图1 研究总体技术路线图

2.2 遥感数据

本文采用Landsat 5、Landsat 7、Landsat 8卫星影像为数据源，研究时间为2000—2021年，共计22年。使用的卫星为美国NASA的陆地卫星计划中的3颗，具体参数如表1所示。其中2000—2011年使用Landsat 5影像，2012—2013年使用Landsat 7影像，2014—2021年使用Landsat 8影像，影像的空间分辨率为30m，结果为逐年1月1日—12月31日去云后均值合成。

表1 遥感影像数据来源卫星主要参数

2.3 采用指数

本文选用归一化植被指数(NDVI)、湿度指数(Wet)、盐分指数(SI3)、遥感生态指数(RSEI)进行黄河三角洲区域的生态估算及分析。各指数的计算如公式(1)～(4)所示。

(1)

其中：NIR为近红外波段的反射值;R为红光波段的反射值。

(2)

其中：B表示蓝光波段;G表示绿光波段;R表示红光波段。

Wet=c1B1+c2B2+c3B3+c4B4+c5B5+c6B6

(3)

其中：B1～B6分别代表蓝波段、绿波段、红波段、近红波段、中红外波段 1、中红外波段 2;c1～c6为传感器参数。

综上所述，海南省新生儿疾病筛查信息系统的应用现已可以满足海南省新生儿疾病筛查的整个服务流程的需求，将新生儿疾病筛查工作中各环节的繁琐和某些不规则流程通过信息化管理演变为可灵活处理的程序，大大提高了工作效率和工作质量，未来还需根据不同时期的需求继续改进，逐步完善功能的拓展和维护，甚至可以考虑引进区块链技术在性能上继续提高。通过信息化管理，对新生儿疾病的早发现、早诊断和早治疗，减少残疾儿发生率提高出生人口素质的目的具有重大意义。

RSEI=f(NDVI,Wet,LST,NDSI)

(4)

其中：NDVI为绿度指标;Wet为湿度指标;LST为热度指标;NDSI为干度指标。

RSEI耦合了绿度、湿度、热度和干度4 类指标，各指标根据本身性质确定，非人为加权确定，该指数能够快速评价、监测生态质量，可以对区域的生态环境变化规律进行建模、时空分析及可视化，是一种基于自然与遥感因素的量化指标[23]。由于RSEI耦合的4类指标信息完全来源于遥感数据，信息获取相对容易，且计算过程避免人为因素影响，获得的结果更加客观、可靠。

2.4 数据处理与制图

首先基于遥感影像数据生成2000—2021年4类指数数据，并制作逐年NDVI、Wet、SI3、RSEI栅格图。其次对逐年的4种指数分别做重标极差分析、Hurst指数预测分析。

Hurst指数是对长时间序列的自相关性分析，并对未来趋势的预测。Hurst指数的思路是：

设Xi=X1,…,Xn为一时间序列n个连续值，取对数并进行一次差分后的数据划分为长度为H的相邻的子区间A，即A×H=n。

每个子区间的均值为：

(5)

标准差为：

(6)

(7)

组内极差为：

Rh=Max(Xr,A)-Min(Xr,A)

(8)

Hurst指数(H)为：

(9)

Hurst推出的关系为：

(10)

式中:c为常数;n为观察值个数;H为Hurst指数。

3 实验结果及分析

3.1 NDVI、Wet、SI3、RSEI指数

本文对2000—2021年间5个年份的结果进行了重点分析，如图2所示。

从图2可知，NDVI在2000年为0.03～0.9，高值分布区域较多；在2011年有所下降，为0.3～0.7之间，其中东营市城区区域部分值相对较低，与城镇化建设有关；在2021年整体呈现上升趋势，且NDVI分布较为均匀；研究时间内整体呈先降后升的变化趋势，说明前期植被覆盖状况有所恶化，近年来研究区域生态环境保护力度不断加强，植被覆盖有所好转。RSEI在2000年为0.02～0.9，高值分布区域较多；2011年整体值有所降低，在2016年及2021年有所升高。盐度值及湿度值整体较为平稳。总体上，4类指数呈现不同的空间差异性，沿岸和内陆呈现不同的趋势和变化，2000—2021年4类指数整体均体现出“V”字形或倒“V”字形变化趋势。

3.2 Hurst指数

本文基于2000—2021年4类指数数据，分析了变化规律并进行了预测，如图3所示。其中：

H=0.5表示时间序列可以随机游走，过去的趋势与未来没有关系；0

下面重点对RSEI进行分析，从图3可以看出，RSEI低值部分主要是沿海海洋区域，因此不在分析范围内，图3中大于0.5的值比例最大，此外结合图2可以看出自2011年以来，生态环境指数呈现上升趋势，说明生态环境有改善趋势，结果与近年来我国生态保护政策的实施及地方生态保护力度的加强一致。

图2 研究区2000—2021年4类指数制图成果

图3 研究区2000—2021年4类指数Hurst预测制图成果

3.3 相关性分析

3.3.1 相关系数

RSEI是在4个生态指数Wet(湿度)、NDVI(绿度)、LST(热度)、NDBI建筑指数(干度)的基础上通过主成分变换得出的一个评价生态环境质量的指标，该指数具有较强的客观性、评价结果可视化效果好等优点，因此与EI指数(生态指数)相比，该指数更适用于区域生态环境质量评价。然而SI3与RSEI结合的研究者较少，鉴于此，基于RSEI指数与SI3、NDVI、Wet进一步分析。

如表2所示，本研究随机选取120个抽样点进行分析，其中RSEI与Wet的相关性最高为0.687，表明湿度对生态指数环境的影响最大；与SI3的相关性为-0.18，呈现负相关，表明盐度会制约生态环境的变化；与NDVI的相关性为0.01，表明NDVI的变化与生态指数的相关性并不明显。相关系数R平方(COD)依然是Wet较高，其次为SI3、NDVI。

表2 RSEI与SI3、NDVI、Wet分析结果

3.3.2 相关性趋势

RSEI指数与盐分指数SI3，NDVI，Wet的相关趋势分析，RSEI与SI3负相关，趋势逐渐下降，表明盐分制约了生态环境的发展，与Wet正相关，逐渐上升，Wet的增加对环境优化具有至关重要的作用，与NDVI相关趋势基本保持平稳(图4)。因此加强水域湿地的保护对环境具有极大的贡献度。

a—RSEI_SI3;b—RSEI_Wet;c—RSEI _NDVI图4 RSEI与SI3、Wet、NDVI相关性分析

4 结论

本研究提取了黄河三角洲区域2000—2021年度归一化植被指数、湿度指数、盐分指数、遥感生态指数4个参数指标，此外考虑到黄河三角洲的区域特点，引入了盐分指数(SI3)与遥感生态指数(RSEI)相结合的评价分析方法，为该区域生态环境评估提供了新的思路。此外，本文分析了2000年以来每个年度的数据，获得了长时间序列的分析结果，得到的变化规律更加完整、细致。通过利用GEE平台的优势，可以快速的获得分析结果，可为其他区域的生态遥感评估及分析提供参考。根据本文的研究成果发现：

(1)自2011年以来黄河三角洲区域的生态环境指数呈现上升趋势，生态环境持续改善，这与我国生态保护政策及地方生态保护工作相关。

(2)通过RSEI与SI3、NDVI、Wet的相关趋势分析，发现Wet的增加对环境优化具有重要影响，因此加强水域湿地的保护将有利于环境改善。

(3)盐度值与环境质量呈现负相关，说明盐度会制约生态环境的改善。

本文基于GEE平台开展区域生态遥感研究，较为全面、准确地反映了研究区的生态质量情况，能够为黄河三角洲区域的生态修复及保护提供参考。目前国产化的遥感大数据平台也强势发展，比如航天宏图的PIE-Engine(Pixel Information Expert Engine)、阿里云达摩院的AI Earth等，需要发挥国产平台优势，开展生态遥感等方面的相关研究。此外，本文研究考虑的因素仍相对单一，不利于结果的系统性分析，因此下一步将结合人口、居民区、耕地等因素对遥感生态指数的影响开展进一步研究。