基于RSEI模型的贡山县生态质量动态监测及影响因素分析

蒋文学，李益敏,2*，杨 雪，邓选伦，刘师旖

(1.云南大学 地球科学学院，云南 昆明 650500；2.云南省高校国产高分卫星遥感地质工程研究中心，云南 昆明 650500)

良好的生态环境是人类赖以生存和生产的物质基础，人类活动会对生态环境质量产生影响，因此有必要对生态环境进行监测和评估[1].遥感技术实时、快速、准确获取地表综合信息的能力成为区域生态环境研究强有力的工具，在生态环境质量评价与监测中得到广泛的应用[2-3].徐涵秋[4]提出了基于 Landsat 的新型遥感生态指数(Remote sensing based ecological index, RSEI)，该指数弥补了《生态环境状况评价技术规范》中EI指数在时间和空间上的不足，为生态环境质量评价提供了新方向，该指数不仅可以快速准确地监测和评价区域内的生态质量，还可对该区域的生态环境变化进行可视化分析、时空分析、建模和预测等，因而得到广泛应用.宋慧敏等[5]利用遥感生态指数对陕西省渭南市生态环境状况进行监测与分析评价；赵嘉丽等[6]基于RSEI构建适用于干旱和半干旱区流域的AWRSEI指数并以岱海流域为例分析其适用性；Yang等[7]基于RSEI评价了长江流域生态环境动态变化及其驱动因素；Cui等[8]通过构建RSEI，评价了淮北市生态环境变化趋势及其驱动因素；Wu等[9]利用GEE平台中分辨率成像光谱仪(MODIS)数据，对萨赫勒地区生态环境质量进行分析，分析RSEI的趋势和波动及各指标对RSEI的贡献.目前，已有诸多学者在城市[10，11]、自然保护区[12，13，14]、水土流失区[15，16]、工矿区[17,18,19]等地区使用RSEI指数进行应用研究.但是针对高山峡谷地区相关的研究还相对较少，因此文中耦合基于遥感反演的绿度、湿度、热度和干度指标，利用遥感生态指数(RSEI)对怒江州贡山县2004—2020年的生态环境状况进行分析评价，分析研究区16年来生态环境的空间分布及动态演变特征，探究其变化原因，为该区域的生态环境建设提供科学依据.

1 研究区域与数据

1.1 研究区概况

贡山独龙族怒族自治县(下文称贡山县)地处三江并流区自然遗产地核心区，隶属云南省怒江傈僳族自治州，其地理坐标位于北纬27°29′～28°23′，东经98°08′～98°56′之间，总面积4 506 km2(图1).境内呈碧罗雪山、高黎贡山、担当力卡山三山耸立，怒江、独龙江镶嵌其间的“三山夹两江”的高山峡谷地貌；海拔高差达3 958 m，最低海拔1 170 m，最高海拔5 128 m.怒江(萨尔温江)和独龙江(伊洛瓦底江)呈南北走向，纵穿整个贡山县，且均为国际河流.高黎贡山气候属于温带气候，由于独特的地貌和巨大的海拔高差，其立体气候和小区域气候特征明显，年平均日照时数1 100～1 400 h，年平均气温16 ℃，年降雨量2 700～4 700 mm，空气湿度达90%以上，全年无霜期280天.贡山县森林面积达430多万亩，森林覆盖率为80.5%.2014年高黎贡山独龙江公路隧道开通，2019年被命名为全国第三批“绿水青山就是金山银山”实践创新基地.

图1 研究区位置示意图

1.2 数据来源及预处理

美国地质调查局和地理空间数据云提供了文中研究所使用的2004年Landsat 5 TM影像、2013年和2020年Landsat 8 OLI和TIRS影像，遥感影像详细信息见表1.非遥感数据包括贡山县行政区划图和相关统计文本资料.为了消除水汽、光照等干扰因素对遥感影像的影响，需对影像图进行预处理.使用ENVI5.3中Radiometric calibration工具和FLASH大气校正工具对3期影像图进行辐射定标和大气校正；再使用二次多项式方法对3期影像进行几何校正，把影像图的均方根误差(RMSE)控制在0.5像元内，使其几何精度达到应用要求，同时利用贡山县行政边界矢量数据提取研究区内各时期的多波段遥感影像数据.由于贡山县整体海拔较高，部分地区冬季积雪较多，为避免影响计算结果，预处理过程中将积雪部分予以剔除，剔除后研究区面积为3 653 km2.此外，从国家气象科学数据中心获得气象资料，包括气温(T)和降雨量(P)，国内生产总值(GDP)；从云南统计年鉴贡山县部分获得建筑面积(B-AREA)和人口(POP).

表1 贡山县遥感影像数据信息

2 研究方法

2.1 遥感生态指数

RSEI是一种新型的遥感指数，它与生态环境状况指数(Ecological environment index, EI)相比具有更大的优势.RSEI由绿度、湿度、干度和热度4个指标耦合形成，其中绿度由植被指数[20]表示，湿度由湿度指数[21]表示，热度由地表温度[22]表示，干度由裸土指数[23-24]表示.各指标计算公式如下：

1)绿度指标(NDVI)

由归一化植被指数(Normalized difference vegetation index, NDVI)表示，其计算公式为

(1)

其中，ρNIR,ρred为近红外波段和红波段.

2)湿度指标(WET)

遥感缨帽变换所获取的湿度分量能较好地反映地表面植被、水体和土壤的湿度状况[5].基于Landsat TM 和OLI影像数据的湿度分量的公式为

其中，WTM,WOLI为TM和OLI遥感影像的湿度指标，ρblue,ρgreen,ρred,ρNIR,ρSWIR1,ρSWIR2为蓝、绿、红、近红外、短波红外1和短波红外2波段.

3)干度指标(NDBSI)

干度指标由裸土指数(Is)和建筑指数(IBI)合成[25]，计算公式为

4)热度指标(LST)

由经过反演的地表温度(Land surface temperature, LST)表示.基于 TM6 的地表温度提取公式为

其中，L6为TM6波段在传感器处的辐射值；D为灰度值；G和B为TM6波段的增益与偏置值；T为传感器处温度值；K1=606.09 W·(m2·sr·μm)-1,K2=1 282.71 K.

对(8)式计算的温度T进行比辐射率纠正[25]，求得地表真实温度

(9)

其中，中心波长λ取11.45 μm；α取1.438×10-2mK；ε为地表比辐射率，其取值见参考文献[24].

2.2 遥感生态指数构建

2.2.1 因子归一化 由于NDVI,WET,LST以及NDSI各指标具有不同的数值范围，为方便各指标之间进行对比及后续研究，需要对各个指标进行归一化处理，归一化公式为

其中，Ni为各指标归一化后值；Ii为各指标在第i个像元值；Imin,Imax为各指标最小、最大值.

2.2.2 主成分分析

主成分分析是在对图像数据进行降维处理后，重新组合得到新的数据[26]，该方法可去除波段间多余信息，将多波段影像中的有效波段提取出来[27].文中基于ENVI 5.3软件主成分分析工具对4个指标进行处理，结果如表2所示.从表中可以看出，各时期的第一主成分(PC1)所占的特征值贡献度分别为85.34%,88.02%,86.44%，均大于80%，各指标相对稳定，表明4个指标的绝大部分特征已被集中于PC1中，因此使用PC1来构建遥感生态指数，公式为

表2 指标主成分分析

IRSR=f(NDVI,WET,NDBSI,LST).

(11)

2.2.3 RESI归一化 经主成分分析后，得到的RSEI初始值为I0，需要再次进行归一化处理，使I值位于[0,1]之间.越接近1，代表其生态越好，反之则越差.

归一化表达式为

其中，I0为初始遥感生态指数；I0_max,I0_min为I0最大、最小值.

2.3 变异系数

变异系数又称离散系数，其定义为标准差与平均值之比，该系数表示因变量的变化程度[28]，在生态环境质量研究中可反映区域生态环境多年的年际变化稳定程度.该系数值与离散程度呈正相关，变异系数值越大，则离散程度越大，该区域的稳定性就越低，反之则越高[29].为直观表示生态环境质量变化的稳定性，文中按值大小将变异程度分为4个等级：非常稳定、稳定、不稳定以及非常不稳定，其取值范围分别为(0,0.1],(0.1,0.2],(0.2,0.3],(0.3,+∞)[30].计算公式为

其中，CV为变异系数；SD为I各栅格的多年标准差；IMRSE为各栅格的多年平均值.

2.4 灰色关联分析

灰色关联分析(Grey relational analysis, GRA)可以根据序列曲线几何的相似程度来判断不同序列之间的联系是否紧密[31].文中使用邓聚龙[32]提出的灰色关联分析模型来对生态环境质量影响因素进行分析.计算步骤如下：

1)确定参考和比较数列.假设评价对象有m个，指标有n个，则参考数列与比较数列分别表示为

2)无纲量化处理.由于各指标单位和范围均不相同，便于数据比较需将各指标进行归一化处理.

3)计算灰色关联系数.

其中，Δi(j)为参考和比较数列归一化后绝对差值；ρ为分辨系数，位于[0,1]，通常取0.5.

4)计算关联度.关联系数是参考和比较数列在各时刻中关联程度值，求取各数列的平均值即可得到关联度.关联度数值位于[0,1]，关联度越大，影响越大.

3 结果与分析

3.1 生态环境质量分析

贡山县2004、2013和2020年3个时期生态环境质量各项指标数值以及RSEI均值如表3所示，可以看出，在2004—2020年期间，贡山县生态指数RSEI呈现出先上升再下降的趋势，其均值从2004年的0.73上升到2013年的0.75，再下降到2020年的0.69，总体下降了约5.48%，表明贡山县在研究期间生态环境质量呈下降趋势.

表3 研究区各年份各指标和RSEI的均值变化

参考《生态环境状况评价技术规范》和相关文献[25，33]，以0.2为间隔将贡山县各年份RSEI分为5个等级，但由于分级后差与较差区域面积较小，难以区分，故将二者合并为差等级，最终划分等级为：差[0.0,0.4]、中等(0.4,0.6]、良(0.6,0.8]、优(0.8,1]共4个等级.生成RSEI等级分布如图2所示.并统计3个时期各等级的面积大小及其占比如表4所示.从图2可以发现，贡山县2004年生态等级分布以优和良为主，中等等级零散分布，东部存在少量差等级区域；2013年贡山县生态等级分布呈现出以优和良为主，中等等级和差等级分布在贡山县的中部、东部和南部区域；2020年贡山县生态等级分布以良为主，生态等级中等的地区主要分布在贡山县的北部、西部、东部以及中部区域.由表4可知，2004—2020年，贡山县生态等级面积变化明显，生态等级为差面积占比变化较小，生态等级为中等面积占比从2004年的15.48%下降到2013年的11.43%，但又上升到2020年的14.24%；同时生态等级为优和良面积占比之和从2004年的83.54%上升到2013年的87.86%，下降到2020年的84.96%，生态环境整体呈现下降趋势，表明贡山县16年来生态环境质量有所下降.

表4 贡山县生态等级面积和比例

图2 贡山县RSEI等级分布图

3.2 生态环境质量动态演变

为对贡山县生态环境质量整体情况进行时空分析，基于遥感生态指数分级结果，采用差值法对研究区各年份的RSEI进行变化检测.差值为负、0、正分别表示变差、不变和变好[34,35]，具体如表5所示.级差值-1～-3表示生态等级由优变差等级数；级差值1～3表示生态等级由差变优等级数.如表5所示，在2004—2013年期间，贡山县生态质量等级变好、不变以及变差面积分别为646.42,2533.88,472.70 km2，其中变好面积较变差面积多173.72 km2，期间贡山县生态环境质量有所改善.在2013—2020年期间，生态质量等级变好、不变以及变差面积分别为317.63,2 608.31,727.06 km2，变差面积为变好面积的2.29倍，较多的变差区域使得该时期生态环境质量有所下降.在2004—2020年间，贡山县生态质量等级变好的面积为467.75 km2，其中96.21%变好的面积集中在变好等级为1的区域，为450.03 km2；不变的面积为2 467.40 km2；生态质量等级变差的面积为717.85 km2，其中96.59%变差的面积集中在变差等级为-1的区域，为693.37 km2.2013—2020年贡山县生态环境质量变差的面积相较于2004—2013年期间变差面积上升245.15 km2，且生态环境质量变好面积减少178.67 km2.结果表明，贡山县2004—2020年生态环境质量整体下降.

表5 贡山县各时期RSEI等级变化检测

2004—2013年期间，贡山县生态环境质量变差的区域主要集中在贡山县的北部、东部以及南部，变好区域集中在西部、中部以及少量集中在东北部，如图3a所示；2013—2020年期间如图3b，生态环境质量变差的区域主要集中在西部、西南部，变好区域集中在北部、东部以及东南部，如图3b所示；在2004—2020年整个研究期，西部独龙江乡高黎贡山、东部碧罗雪山及东南部县城所在地茨开镇为贡山县生态环境质量变差区域，中部和东北部区域为生态环境质量变好区域如图3c所示.其中西北部、西部的区域属于高黎贡山保护区，由于贡山县山势陡峭，海拔较高，地势起伏较大，形成独特的立体气候和小区域气候.山谷地区海拔低，空间较为密闭，空气不易流通，气温相对较高，从而易产生焚风形成干热气候，而山顶地区海拔较高，气温降低，气候恶劣，生态环境相对于山谷地区更为脆弱，对气候的变化更为敏感，微小的气温变化和自然灾害都有可能导致该区域一些植被的退化，如苔原和灌木丛；另外，据相关统计资料显示，贡山县2004和2013年所接待的游客总人数分别为10万人次和19.37万人次，2020年在疫情影响下，接待旅游总人数为27.75万人次，快速增长的旅游活动使得人为干扰范围扩大和强度增大，过度的人为干扰可能超过了该区域环境容量，使得植物群落的结构和功能受到影响，导致生态环境退化[36].2014年，贡山县城至独龙江高黎贡山隧道建成通车，旅游得到快速发展，加上脱贫攻坚村村通公路等基础设施建设开发等原因，高黎贡山出现地表空间破碎化程度严重，地质灾害多发等问题，导致生态环境质量有所下降.另外，东南部茨开镇城市发展、扶贫攻坚安置地搬迁等活动导致建设用地面积增加，从而导致该区域生态环境质量下降.

图3 贡山县各年份RSEI变化检测图

3.3 生态环境质量变异系数

生态环境质量变异系数能较好评估与监测区域多年的生态环境质量动态变化稳定程度.2004—2020年，贡山县生态环境质量的变异系数CV平均值为 0.055，小于 0.1，表明该地生态环境质量变化状况非常稳定.根据图4可以发现，研究区生态环境质量变异程度非常稳定区域面积占比最大，为87.37%；其次是稳定区域，面积占比为10.59%，不稳定和非常不稳定区域面积占比分别为1.83%和 0.21%，大部分地区生态环境质量变化非常稳定(CV≤0.1)，仅有独龙江乡典型区1和捧当乡典型区2两个地区生态环境质量变异程度相对高.各乡镇中变异系数值从大到小依次为：独龙江乡(CV=0.059)、丙中洛镇(CV=0.057)、捧当乡(CV=0.054)、普拉底乡(CV=0.052)和茨开镇(CV=0.050).

图4 研究区变异系数分布图

结合图5和表6可以发现，西部地区和东北部地区3个时期的NDVI,NDBSI,LST指标的数值变化范围均在0.2之间，变化幅度较小；而独龙江乡1号典型区WET指标数值从2004年的0.40下降到2013年的0.33，又上升到2020年的0.83，捧当乡2号典型区WET指标数值也是类似波动，从2004年的0.60先下降到0.32，再上升到2020年的0.84，两个地区的WET指标数值变化范围达到0.5，比其他3个指标变化幅度大了2.5倍，两个地区WET指标的剧烈波动导致两地3个时期的RSEI值变化大，从而导致两地的变异系数值变大.

表6 典型区1,2三时期各指标数值

图5 贡山县变异大的典型区1和2遥感影像

3.4 贡山县RSEI影响因素

有关研究结果表明，影响区域生态环境变化的因素有很多，但生态环境变化往往与自然和人文等因素有较为密切的关系[37].而区域生态系统由人口、经济、自然环境等多种因素组成，因此区域生态系统是一个灰色系统，可以使用一个带有小样本数据的模型，通过序列生成来寻找系统的规律.为确定哪些因素对RSEI变化有主要影响，文中对T,P,GDP,B-AREA和POP进行了灰色关联分析.

从图6可以看出，在2004年，与RSEI具有高灰色相关系数的是GDP(0.90),POP(0.81),B-AREA(0.78)3个因子；在2013年，5个控制因素与RSEI指数的关联度从大到小依次为：POP(0.86)>B-AREA(0.84)>GDP(0.77)>T(0.65)>P(0.38)，其中高灰色相关系数是POP、B-AREA、GDP这3个指数；而在2020年时，T(0.84)这一控制因素成为仅次于POP(0.92),GDP(0.85)两个因素与RSEI具有高关联度的自然因素.在2004—2020年，5个控制因素与贡山县RSEI指数具有高灰色相关系数分别是POP(0.86),GDP(0.84),B-AREA(0.78)，说明在此期间区域人口和人类活动的增长对贡山县生态环境质量变化起着重要的作用.

图6 三个时期各控制因素的关联度

3.5 建模与预测

文中通过建立生态模型来预测研究区的生态变化趋势.首先利用1 km×1 km的格网对各时期的NDVI,WET,NDBSI,LST以及RSEI专题图进行全图采样，每幅影像采集样点为3 711个，足够多的样点数量可以保证回归分析结果更具合理性；其次以RSEI为因变量，NDVI,WET,NDBSI,LST4个指标为自变量，在SPSS 24中进行逐步回归分析.各年份回归模型如下：

从上述的回归模型可以发现，4个指标在逐步回归方程中一个都没有被去除，表明所选的指标都是生态环境的关键指标.其中NDVI,WET为正向指标，NDSI,LST为负向指标，表明前者对生态起正向作用，而后者对生态环境起负向作用.正向指标中NDVI对RSEI贡献率呈波动上升，而WET对RSEI贡献率呈波动下降；负向指标中NDBSI对RSEI贡献率逐年上升，表明随着经济的发展，研究区建筑面积不断扩大，地表植被遭到破坏，裸土面积增加，这也是导致研究区生态环境质量整体呈下降趋势的重要原因之一.

以2020年为例，构建4个指标与RSEI的三维散点图，结果见图7.由图7a可知，NDVI,WET值越高，RSEI值也越高，表明植被生长越好，湿度越大的区域，生态环境质量越高；由图7b可知，NDBSI,LST值越高，RSEI值越低，表明建筑与裸土面积越大、地表温度越高区域，生态环境质量等级越差.

图7 三维散点图

根据以上研究内容，利用2004、2013、2020年3个时期4个指标及RSEI平均值，运用EXCEL中TREND函数预测2025年贡山县生态环境质量，得到各指标与RSEI趋势图，如图8所示.可以看出，2025年贡山县生态环境质量较2020年略微上升，NDVI上升幅度较大，LST下降幅度也较大，WET与NDBSI较2020年略微上升.总体上看，贡山县生态环境质量有所下降，因此未来在生态环境治理方面，应加强对生态环境的保护，严格执行退耕还林、水源涵养等生态措施；在经济发展建设中，应合理开发土地，根据当地实际情况开展旅游业活动，打造绿色旅游产业链，推动生态环境保护与经济建设协调发展.

图8 各指标与RSEI预测图

4 结论

文中基于遥感生态指数，结合Landsat 5 TM和Landsat 8 OLI遥感数据，对怒江州贡山县2004—2020年生态环境进行动态监测、分析与建模预测，主要结论为：

(1)贡山县2004,2013,2020年各时期的RSEI值分别为0.73,0.75,0.69，呈现出先上升再下降的阶段趋势、整体呈下降趋势；3个时期生态环境质量等级为优所占的面积比分别为38.29%,39.30%,29.65%；2004—2020年期间贡山县RSEI等级变差、不变、变好的面积占比分别为19.65%,67.55%,12.80%，贡山县生态环境质量整体有所下降.生态环境质量变差的区域主要集中在贡山县西部独龙江乡高黎贡山、东部碧罗雪山及东南部县城所在地茨开镇.

(2)在2004—2020年，贡山县大部分地区生态环境质量状况非常稳定，其面积占比为87.37%，仅有独龙江乡和捧当乡少部分地区变异程度相对较高，其中稳定、不稳定、非常不稳定区域的面积占比分别为10.59%,1.83%和 0.21%;

(3)在2004—2020年，与贡山县RSEI具有高灰色相关系数的是人口(POP)、国内生产总值(GDP)、建筑面积(B-AREA)三个控制因素，表明贡山县生态环境质量变化与快速增长的人口和人类活动干扰有关系.

(4)对贡山县2025年生态环境质量进行预测，NDVI呈较大幅度上升，LST呈较大幅度下降，WET与NDBSI略微上升，RSEI较2020年有所上升，但上升幅度较小，因此在未来生态环境治理中仍应进行持续的保护与治理.

基于Landsat 5 TM和Landsat 8 OLI数据，以遥感为手段对贡山县生态环境质量动态变化进行研究预测.目前使用RESI指数多应用于城市、自然保护区和矿区等，对于高山峡谷地区的研究相对较少.文中构建RSEI指数，分析其分布特征及动态演变特征，探究变化原因，预测未来研究区生态环境质量状况，对于高山峡谷地区生态环境质量研究有一定借鉴意义.同时本文还存在一些不足之处：1)由于遥感数据源的可获取性，文中所用影像不是植被生长时期的影像，可能导致计算结果出现偏差；2)使用了TM与OLI两种传感器得到的数据源，其传感器差异可能会对数据对比性产生影响；3)使用3个时期遥感影像进行分析，较长的时间跨度可能忽略了一些细微变化，后续工作会进一步获取到更多可用数据，以缩段时间跨度，提高研究结果的规律性.