城市遥感生态指数的工程化应用研究
2024-01-08杨德彬厉香蕴叶元元
杨德彬,厉香蕴,叶元元
(安徽省基础测绘信息中心,安徽 合肥 230031)
0 引 言
良好的生态环境是实现社会经济可持续发展的基础。及时准确地监测、掌握区域生态环境变化规律,将对促进区域经济可持续发展、城市生态文明建设具有极其重要的现实意义。利用卫星遥感技术成像范围大、能够实时快速获取地物信息且重复观测的优势,在较大尺度下开展区域性生态环境变化监测评价,已成为生态系统保护的重要技术手段,在生态遥感领域发挥了积极重要的作用。
目前,遥感监测技术研究大多数是基于单一的指数进行分析,如植被指数、水体指数、地表温度指数等。当前需要一个能综合多种生态因素的数学指标模型,对整个生态系统实现快速、准确的监测和评价。影响生态环境质量的自然因素很多,反映其特征的参量也很多,其中绿度、湿度、热度和干度因素是与人类活动密切相关的4个重要指标。徐涵秋教授提出了遥感生态指数RSEI指数,该模型综合了4个指标信息的函数[1,2],更是直观地反映了生态环境优劣的评价因素。张浩等利用RSEI指数对南京市进行多指标的生态影响评价研究,并探讨影响城市生态环境变化的关键因素[3]。本文基于包含绿度、湿度、热度、干度等指标因素的遥感综合生态指数,旨在探索工程化应用技术路线,实现对合肥市城市生态环境进行快速监测与评价。
合肥作为长三角城市群副中心之一,各领域都发展迅速,自然生态方面有一定压力。快速监测生态变化对于改善合肥城市生态环境,对于整个城市的可持续发展具有重大影响。因此,本文利用遥感生态指数RSEI对合肥市进行工程化应用,产品成果应用于合肥生态环境的监测和评价,对于合肥市生态环境监测具有重要意义。
1 研究区域及数据源
1.1 研究区域
合肥市,位于安徽省的中间,在中国长江、淮河之间。合肥市是中国长三角城市群副中心之一,也是著名的综合性国家科学中心, 同时也是合肥都市圈中心
图1 研究区域范围
城市、皖江城市带核心城市、中国著名的四大科教基地之一。全市总面积1.14万平方千米,地处30°57′N～32°32′N、116°41′E～117°58′E。截至2020年,合肥市已建成区面积 528.5 km2,常住人口为936.98万人。本研究选取合肥全市区域为研究区进行遥感生态指数的工程化应用。
1.2 数据源
本研究采用合肥市域2008年、2013年、2018年Landsat影像为数据源,对研究区30m多光谱影像进行常用的预处理,得到后续遥感生态指数工程化应用的初始遥感数据。
2 遥感生态指数
本文使用的遥感生态综合指数综合了绿度、热度、湿度、干度这4个重要指标的信息。
从遥感影像中提取植被指数表示绿度,地表温度表示热度,缨帽变换的湿度信息表示湿度[3]。其次,其中裸土也是造成生态地表“干化”的重要因素之一,因而可以利用建筑和裸土指数来代表“干化”程度。在生态指数方面,研究采用RSEI并工程化应用该模型实现遥感生态数据监测,即:
RSEI=f(Wet,VI,LST,NDBSI)
(1)
公式(1)中,Wet表示湿度分量指标,VI表示植被指数指标,LST表示地表温度指标,NDBSI表示建筑、裸土指标。
(1)湿度指标
缨帽变换是遥感图像处理中常用的有效数据压缩技术,也可以去除遥感影像中的冗余信息,其中的亮度、绿度、湿度分量维度与地表物理参量则直接相关,本文采用湿度分量表示湿度参数。
(2)绿度指标
归一化植被指数(NDVI)是最常用的指数之一,本文中采用NDVI来代表绿度指标。
(3)热度指标
代表热度指标的地表温度采用定标参数进行计算,经过计算的温度T必须进行比辐射率纠正才能成为地表温度LST。
(4)干度指标(NDBSI)
本文采用建筑指数(IBI)和土壤指数(SI)综合表示干度指标。
(5)主成分分析
主成分分析(PCA)是一种信息压缩方式[4,5]。本文通过PCA分析变换综合绿度度量、热度度量、湿度度量、干度度量进行分析。由于各指标之间不统一,在进行主成分变换前,需要先对各个指标归一化处理,从而使数值归一化在[0,1]数值区间内,实现指标的统一量化。
3 遥感生态指数工程化应用
3.1 技术路线
本文先对合肥市遥感影像数据进行预处理,然后对预处理后的遥感影像分别进行湿度分量Wet、绿度分量NDVI、干度分量NDBSI、热度分量LST遥感反演,再分别对4个分量指标进行归一化计算处理,根据综合指标进行主成分分析PCA变换得到RSEI0,再归一化RSEI0，得到最终遥感生态指产品,如图2所示。
图2 遥感生态指数工程化应用技术路线
3.2 遥感生态指数模型
遥感生态指数模型如表1所示。
表1 遥感生态指数模型
根据上述遥感生态指数模型,进行工程化研究实践需要对各模型中的参数进行定量化。
(1)模型中的ρB、ρG、ρR、ρNIR、ρSWIR1、ρSWIR2分别表示影像各波段的反射率[6,7]。
对于Landsat5 TM多光谱影像,模型中的:
C1=0.031 5、C2=0.202 1、C3=0.310 2、C4=0.159 4、C5=-0.680 6、C6=-0.610 9;
对于Landsat7 ETM+多光谱影像,模型中的:
C1=0.262 6、C2=0.214 1、C3=0.092 6、C4=0.065 6、C5=-0.762 9、C6=-0.538 8;
对于Landsat8 OLI多光谱影像,模型中的:
C1=0.151 1、C2=0.197 3、C3=0.328 3、C4=0.340 7、C5=-0.711 7、C6=-0.455 9。
(2)模型的ρNIR、ρR表示Landsat各传感器红外、红光反射率。
(3)模型的L6/10表示热红外像元辐射值。DN表示灰度值;gain和bias分别表示增益值、偏置值。传感器温度值T由K1、K2定标参数表示。模型中的LST表示地表温度,λ为热红外中心波长[2,3]。
3.3 基于Python的遥感生态指数工程化应用
基于Python语言,根据其包含的强大的遥感图像处理模块包进行编码,如gdal模块,实现遥感数据的读写;numpy模块,实现数据矩阵的快速运算;sklearn深度学习模块,实现遥感数据综合分量的主成分分析。本文基于上述遥感生态指数模型,实现了基于Python的遥感生态指数工程化应用,为多期遥感数据的批量化处理和生态指数的评价提供了科学支撑和工程应用基础。关键代码如下:
import numpy as np
from osgeo import gdal,gdalconst
from sklearn.decomposition import PCA
def get_rsei(self): # 综合处理
wet = self.get_wet_degree() ndvi = self.get_green_degree()
lst = self.get_temperature() ndbsi = self.get_dryness_degree()
data = np.array([self.normlize(wet),self.normlize(ndvi),self.normlize(lst),self.normlize(ndbsi)])
data = data.reshape(data.shape[0],-1).T
rsei = self.normlize(1 - np.reshape(pca.fit_transform(data),newshape=(self.img_height,self.img_width)))
return wet,ndvi,lst,ndbsi,rsei
4 遥感生态指数产品结果及分析
本研究以合肥市为例,采用2008年、2013年、2018年Landsat卫星遥感影像,根据遥感影像的Python编程开发,分别进行湿度分量、绿度分量、热度分量、干度分量的信息提取生成相应湿度、绿度、热度、干度专题产品,通过PCA主成分分析,生成遥感生态指数专题产品,如图3所示。通过该技术方法,可快速实现各遥感生态指数产品的快速生产和综合制图,为生态环境保护提供科学数据和支持。
图3 合肥市遥感生态指数产品
5 结 语
遥感生态指数(RSEI)是一种有效的生态环境质量监测与评价方法[8,9],本文以生态环境质量评价的遥感生态指数模型为基础,对RSEI模型各指标进行编程开发,实现了遥感生态指数的工程化应用,对合肥市生态系统状况监测评价。后续研究中将对多期卫星遥感影像产品结果进行分析,深入探索区域内城市生态指数的空间变化规律,为生态环境保护提供数据支撑和决策支持。
