王井利 余鵬程 蔡福 劉慧楠 高天嬌

摘要：以遼寧省新民市作為研究對象，基于2014年、2017年、2020年的相近月份（5—6月）Landsat 8 OLI_TRIS數(shù)據(jù)，提取4個生態(tài)因子［綠度（NDVI）、濕度（WET）、干度（NDBSI）、熱度（LST）］，采用主成分分析法構(gòu)建遙感生態(tài)指數(shù)（RSEI），對研究區(qū)域生態(tài)環(huán)境質(zhì)量時空演變特征進(jìn)行評價。結(jié)果表明，2014年、2017年、2020年新民市RSEI的均值分別為0.397、0.348、0.506，呈先降后升的趨勢。2014—2020年，生態(tài)環(huán)境質(zhì)量等級為差和較差的區(qū)域主要分布在西北區(qū)域，面積占比由62.5%降至33.2%；生態(tài)環(huán)境質(zhì)量等級為較好和好的區(qū)域主要分布在東南區(qū)域，面積占比呈明顯的先降低后升高趨勢，由21.3%先下降到18.4%后上升到37.0%。4個因子中綠度和濕度對生態(tài)環(huán)境質(zhì)量起到正面作用，其中濕度的正面影響較為顯著；干度和熱度起到負(fù)面作用，其中干度的負(fù)影響較為顯著。

關(guān)鍵詞：生態(tài)環(huán)境質(zhì)量；Landsat8 OLI_TRIS；遙感生態(tài)指數(shù)（RSEI）；主成分分析；新民市

中圖分類號：X826；TP79? ? ? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2024）04-0056-05

Eco-environmental quality evaluation based on multi-temporal RSEI：

A case study in Xinmin City

Abstract： Taking Xinmin City of Liaoning Province as the research object， based on the Landsat 8 OLI_TRIS data of similar months （May to June） in 2014， 2017 and 2020， four ecological factors ［greenness （NDVI）， humidity （WET）， dryness （NDBSI）， heat （LST）］ were extracted， and the remote sensing ecological index （RSEI） was constructed by principal component analysis to evaluate the spatial and temporal evolution characteristics of eco-environment quality in the study area. The results showed that the regional mean values of RSEI in Xinmin City in 2014， 2017 and 2020 were 0.397， 0.348 and 0.506 respectively， showing a trend of first decreasing and then increasing. From 2014 to 2020， the areas with poor eco-environmental quality and relatively poor eco-environmental quality were mainly distributed in the northwest region， and the area ratio decreased from 62.5% to 33.2%. The areas with relatively good eco-environmental quality and good eco-environmental quality were mainly distributed in the southeast， and the proportion of area showed an obvious trend of first decreasing and then increasing， from 21.3% to 18.4% and then rising to 37.0%. Among the four factors， greenness and humidity played a positive role in the quality of eco-enviroment， and the positive effect of humidity was generally more significant； dryness and heat played a negative role， and the negative effect of dryness was more significant.

Key words： eco-environmental quality； Landsat 8 OLI_TRIS； remote sensing ecological index； principal component analysis； Xinmin City

對生態(tài)環(huán)境質(zhì)量的監(jiān)測和評價是開展生態(tài)環(huán)境保護(hù)的重要依據(jù)，已經(jīng)成為目前乃至未來綠色和可持續(xù)發(fā)展的必經(jīng)之路。生態(tài)環(huán)境質(zhì)量評價是一種在時間和空間范圍內(nèi)確定各指標(biāo)的權(quán)重，進(jìn)而對生態(tài)環(huán)境質(zhì)量進(jìn)行評價，并且提出相關(guān)的改善方法和促進(jìn)生態(tài)恢復(fù)措施的方法。

自20世紀(jì)60年代就已經(jīng)有學(xué)者展開了針對生態(tài)環(huán)境質(zhì)量評價方法的研究［1］。90年代初，美國國家環(huán)保署啟動了對國家部分地區(qū)生態(tài)環(huán)境質(zhì)量狀況的研究計劃［2］；Dizdaroglu等［3］使用MUSIX 生態(tài)質(zhì)量評價模型對城市生態(tài)環(huán)境質(zhì)量狀況做出評估。國內(nèi)生態(tài)環(huán)境質(zhì)量的評價方法很多，主要分為兩大類，一類是單項評價方法，一類是綜合評價方法。傳統(tǒng)的生態(tài)環(huán)境狀況指數(shù)（EI）出現(xiàn)在2015年第一次修訂的《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范》［4］中，該指數(shù)雖已被學(xué)者們廣泛使用，但是存在一些問題，如各指標(biāo)權(quán)重是否合理［5］、歸一化系數(shù)是否有效［6］等。徐涵秋［7］構(gòu)建了一種新型遙感生態(tài)指數(shù)（RSEI），它需要的4個指標(biāo)可通過遙感反演直接獲取，彌補(bǔ)了EI的不足，是一種相對更加高效的生態(tài)環(huán)境質(zhì)量評價方法。針對中國傳統(tǒng)的環(huán)境質(zhì)量評價方法，EI在速度和操作上沒有新型遙感生態(tài)指數(shù)RSEI突出。RSEI求解運用了主成分分析，根據(jù)4個指標(biāo)各自的特性及影響力的大小，賦予4個指標(biāo)更加科學(xué)的載荷［8］。劉少軍等［9］基于GIS組件技術(shù)對海南島生態(tài)質(zhì)量氣象進(jìn)行評價。姜平等［10］基于超越概率閾值法，結(jié)合計算流體力學(xué)數(shù)值模擬，建立適用于住宅區(qū)環(huán)境品質(zhì)定量評估的一般方法和流程。2020年，于英潭等［11］利用斷面檢測數(shù)據(jù)對太子河本溪城區(qū)段河流水生態(tài)系統(tǒng)健康進(jìn)行評價。馬明亮等［12］通過CALPUFF模擬了西寧市大氣環(huán)境風(fēng)險事件的精細(xì)化擴(kuò)散特征。金佳琦［13］利用主成分分析、因子分析等方法對毛烏素沙漠進(jìn)行了生態(tài)環(huán)境質(zhì)量評估，并提出了相應(yīng)的對策及建議。沈佩姍［14］利用遙感生態(tài)指數(shù)對南京市生態(tài)環(huán)境質(zhì)量進(jìn)行了定量評價。況婷［15］采用新型遙感生態(tài)指數(shù)對萬載縣生態(tài)環(huán)境變化趨勢進(jìn)行實證研究，系統(tǒng)地分析了土地利用作用下生態(tài)環(huán)境變化的過程及格局。陳孟［16］通過構(gòu)建遙感生態(tài)指數(shù)分析了成都市中心城區(qū)環(huán)境質(zhì)量。呂大偉等［17］運用遙感生態(tài)指數(shù)開展了弋陽縣生態(tài)環(huán)境質(zhì)量評價，并基于多期數(shù)據(jù)判斷生態(tài)質(zhì)量穩(wěn)定性，選取生態(tài)源地。

遼寧省新民市生態(tài)環(huán)境建設(shè)存在許多問題，例如土地沙化、水土流失、土地利用結(jié)構(gòu)不合理、土壤肥力下降、土地污染較嚴(yán)重和自然災(zāi)害頻繁等［18，19］，急需要一種科學(xué)、高效的方法對新民市的生態(tài)環(huán)境質(zhì)量狀況進(jìn)行監(jiān)測和評價，進(jìn)而在此研究基礎(chǔ)上提出科學(xué)、合理的治理措施。因此，本研究以新民市作為研究對象，采用RSEI對新民市的生態(tài)環(huán)境質(zhì)量做出評價，以期為新民市環(huán)境治理提供理論基礎(chǔ)。

1 研究區(qū)概況

新民市隸屬于遼寧省沈陽市，位于遼寧省中部，遼河下游平原地區(qū)。區(qū)域面積3 318 km2，約占沈陽市全域面積的1/4。地處北緯41°42′—42°17′，東經(jīng)122°27′—123°20′。研究區(qū)衛(wèi)星影像如圖1所示。

2 資料與方法

2.1 資料

2.1.1 資料來源 利用空間分辨率為30 m（OLI）/100 m（TIRS）和重訪周期為16 d的美國陸地衛(wèi)星Landsat 8的原始衛(wèi)星遙感影像，通過波段計算地表的綠度、濕度、溫度和干度，然后對生態(tài)環(huán)境質(zhì)量狀況做出分析，并探討這4個指標(biāo)對生態(tài)環(huán)境質(zhì)量的影響。選取2014年6月4日、2017年5月20日和2020年6月20日的Landsat 8原始影像數(shù)據(jù)。

2.1.2 遙感影像的預(yù)處理 遙感影像由于受到外界的干擾，例如輻射影響、大氣影響、幾何形變等，難免會使遙感影像產(chǎn)生一些誤差，因此在進(jìn)行求解RSEI時需要先對遙感影像進(jìn)行預(yù)處理。本研究使用ENVI影像處理軟件，處理工序主要包括輻射定標(biāo)、大氣校正、裁剪以及圖像融合等。

2.2 研究方法

2.2.1 遙感生態(tài)指數(shù) 遙感生態(tài)指數(shù)是利用遙感影像數(shù)據(jù)反演出的4個生態(tài)因子（濕度、綠度、干度、熱度），通過主成分分析得到的一種遙感生態(tài)指數(shù)，它可以對區(qū)域生態(tài)環(huán)境質(zhì)量狀況做出快速、準(zhǔn)確的評價。其計算式如下。

[RSEI=NDVI，WET，NDSI，LST] （1）

式中，NDVI為歸一化植被指數(shù)；WET為濕度指數(shù)；NDSI為干度指數(shù)；LST為熱度指數(shù)。

求解該指數(shù)中各指標(biāo)均可通過遙感影像利用ENVI軟件反演得到，彌補(bǔ)了《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范》中EI的不足之處，可以作為一種輔助的參考。

2.2.2 熱度指標(biāo) 熱度指標(biāo)指的是地表溫度。溫度反演的方法有很多，本研究直接使用基于大氣校正法的Landsat8 TIRS地表溫度反演工具實現(xiàn)，該方法的原理如下。

式中，[L10]為傳感器的輻射值；DN為像元灰度值；gain為波段增益值；bias為偏置值，可以在遙感影像的頭文件中直接獲?。籟PV]為植被覆蓋度；[PV2]為1-[PV]；[NDVIsoil]為無植被覆蓋區(qū)域的NDVI，取經(jīng)驗值0.05；[NDVIveg]為純植被像元的NDVI，取經(jīng)驗值 0.7；[εsurface]和[εbuilding]分別為自然表面和城鎮(zhèn)區(qū)像元比輻射率；BLST為黑體輻射亮度；[L][↑]、[L][↓]、T分別為大氣向上、向下輻射亮度和在熱紅外波段的透過率；LST為地表溫度；[K1]和[K2]分別為定標(biāo)參數(shù)，TIRS影像分別取值480.89和1 201.14；[BTS]為黑體熱輻射亮度。

2.2.3 干度指標(biāo) 干度指標(biāo)是由裸土指數(shù)（SI）和建筑指數(shù)（IBI）耦合求取平均值獲得，其計算式如下。

式中，SI和IBI的計算式如下。

式中，[ρblue]、[ρgreen]、[ρred]、[ρnir]、[ρswir1]分別表示藍(lán)、綠、紅、近紅外、中紅外短波1的波段反射率。

2.2.4 濕度指標(biāo) 濕度指標(biāo)與生態(tài)環(huán)境質(zhì)量狀況密切相關(guān)，采用纓帽變換法進(jìn)行求解，求解公式如下。

[WET=0.150 9ρblue+0.197 3ρgreen+0.327 9ρred+0.347 6ρnir-0.711 2ρswir1-0.457 2ρswir2]? ? （11）

式中，[ρswir2]表示中紅外短波2的反射率。

2.2.5 綠度指標(biāo) 植被覆蓋度、比葉面積、植物生長量和葉面積指數(shù)等都是評價生態(tài)環(huán)境質(zhì)量的重要指標(biāo)。歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）與這些量均有著密切的相關(guān)關(guān)系，因此選取NDVI作為綠度指標(biāo)，直接使用ENVI軟件中的NDVI擴(kuò)展工具反演而來，原理為：

[NDVI=ρnir-ρred/ρnir+ρred]? （12）

2.2.6 各指標(biāo)歸一化處理 由于4種指標(biāo)的量綱存在差異，無法進(jìn)行相應(yīng)的匹配計算，因此需要將這? ? 4個指標(biāo)進(jìn)行歸一化處理，轉(zhuǎn)化為無量綱數(shù)值，取值范圍為0～1。

[NLi=Li-Lmin/Lmax-Lmin] （13）

式中，[NLi]為各指標(biāo)歸一化后的結(jié)果；[Li]為各指標(biāo)各像元對應(yīng)的i處像元值；[Lmin]為各指標(biāo)像元值對應(yīng)的最小值；[Lmax]為各指標(biāo)像元值對應(yīng)的最大值。

2.2.7 主成分分析及變換 生態(tài)指標(biāo)歸一化后，由于人為因素對4個指標(biāo)所賦載荷缺乏合理性，因此采用多元統(tǒng)計方法中的主成分分析（PCA）法，它可以根據(jù)各組分自身性質(zhì)及貢獻(xiàn)度對各指標(biāo)賦予載荷值，不僅可以避免人為的主觀差異，也可提高結(jié)果的精度。計算主成分獲取的最主要的是第一主成分，在對3年4個指標(biāo)的歸一化處理后進(jìn)行主成分分析得到4組主成分，提取第一主成分PC1，再用1減去提取出的PC1，得到初始的遙感生態(tài)指數(shù)（[RSEI0]）。

[RSEI0=1-PC1fNDVI，WET，NBSI，LST]

（14）

同樣將3年的[RSEI0]進(jìn)行歸一化處理，得到RSEI：

式中，RSEI范圍在0～1，值越大表明生態(tài)質(zhì)量越好；[RSEI0_max]、[RSEI0_min]分別為[RSEI0]的最大值和最小值。

3 結(jié)果與分析

3.1 遙感生態(tài)指數(shù)3年4個指標(biāo)第一主成分PC1的結(jié)果

由表1可以看出，2014年、2017年、2020年第一主成分的貢獻(xiàn)率分別為77.7%、80.5%和78.6%，均超過了77.0%，說明第一主成分包含了4個指標(biāo)的大部分信息，可以代替這4個指標(biāo)求解RSEI，以此對新民市的生態(tài)環(huán)境質(zhì)量狀況做出評價。PC1中，NDVI和WET的載荷均為正值，說明綠度和濕度對生態(tài)環(huán)境起到促進(jìn)作用；而NDSI和LST的載荷均為負(fù)值，說明干度和熱度對生態(tài)環(huán)境質(zhì)量起到抑制作用。這與自然界的基本規(guī)律是一致的。3年的RSEI可表示為：

[RSEI2014=0.311NDVI+0.641WET-0.589NDSI-0.525LST] （16）

[RSEI2017=0.567NDVI+0.570WET-0.594NDSI-0.027LST] （17）

[RSEI2020=0.301NDVI+0.557WET-0.588NDSI-0.503LST] （18）

式中，[RSEI2014]、[RSEI2017]、[RSEI2020]分別表示2014年、2017年和2020年的RSEI。

新民市2014年、2017年和2020年的RSEI分別為0.397、0.348和0.506，可知新民市近7年的生態(tài)環(huán)境質(zhì)量呈先略微降低后上升的趨勢。2014—2017年的濕度和綠度均減小，干度和熱度均增大，這與其變小的規(guī)律相一致；干度指標(biāo)由2014年的0.716降低到2020年的0.534；NDVI由2014年的0.412升高至2020年的0.603。這說明隨著城鎮(zhèn)化的推進(jìn)，建筑用地逐漸增多的同時，對土地綠化也在有條不紊地進(jìn)行著。

3.2 RSEI分級結(jié)果

將RSEI按0.2間隔劃分為5個區(qū)間，從0開始，對應(yīng)區(qū)間依次為［0.0，0.2）、［0.2，0.4）、［0.4，0.6）、［0.6，0.8）、［0.8，1.0］，依次對應(yīng)差、較差、一般、較好、好5個等級。從圖2可以看出，新民市2017年的生態(tài)環(huán)境質(zhì)量最差，生態(tài)環(huán)境質(zhì)量為差的區(qū)域主要分布在西北區(qū)域；2020年生態(tài)環(huán)境質(zhì)量為差的地區(qū)明顯減少。2014—2020年，新民市的生態(tài)環(huán)境經(jīng)歷了一個先被破壞后逐漸恢復(fù)的過程。新民市近7年生態(tài)環(huán)境質(zhì)量最差的區(qū)域普遍位于西北區(qū)域，且2017年新民市超一半地區(qū)的生態(tài)環(huán)境質(zhì)量處于一個較差或差的水平。

RSEI分類結(jié)果各級別下的土地面積占比見表2。從表2可以看出，新民市2017年生態(tài)環(huán)境質(zhì)量分級為差的區(qū)域面積占比達(dá)40.9%，這也證明了2017年的生態(tài)環(huán)境質(zhì)量總體比較差，導(dǎo)致2017年的RSEI為3年中的最低。2020年生態(tài)環(huán)境質(zhì)量較好和好的區(qū)域面積占比達(dá)37.0%，因此該年份的RSEI最大。新民市近7年區(qū)域面積占比重心由一般以下先變?yōu)檩^差以下，然后逐漸向一般和較好靠近，且生態(tài)環(huán)境質(zhì)量差和較差的區(qū)域面積占比由2014年的62.5%降低到2020年的33.2%；生態(tài)環(huán)境質(zhì)量較好和好的區(qū)域面積占比由2014年的21.3%升高到2020年的37.0%。生態(tài)環(huán)境質(zhì)量差和較差的區(qū)域面積改善了接近50%。

3.3 時空變化分析

遙感監(jiān)測生態(tài)環(huán)境質(zhì)量在達(dá)到定量的基礎(chǔ)上，依據(jù)2014年與2020年的RSEI差值分為3個級別，小于-0.2代表生態(tài)環(huán)境質(zhì)量狀況變差；介于-0.2～0.2代表微變；大于0.2的代表變好。2014—2020年新民市生態(tài)環(huán)境質(zhì)量變好的區(qū)域占26.6%，主要位于西北和東北區(qū)域；微變的區(qū)域占70.2%，主要分布于東南區(qū)域；變差的區(qū)域僅占3.2%（圖3）。

4 小結(jié)與討論

1）新民市2014年、2017年和2020年RSEI均值分別為0.397、0.348和0.506，可以看出新民市生態(tài)環(huán)境質(zhì)量總體上朝著好的方向發(fā)展，但是生態(tài)環(huán)境質(zhì)量現(xiàn)階段仍處于一般水平。2020年生態(tài)環(huán)境質(zhì)量等級為一般和較好的區(qū)域面積占比增加，較差和差的區(qū)域面積占比減少，因此該年份的遙感生態(tài)指數(shù)最大，生態(tài)環(huán)境質(zhì)量狀況最好。

2）2014年、2017年和2020年新民市生態(tài)環(huán)境質(zhì)量較差的區(qū)域主要分布在西北區(qū)域，2017年新民市的生態(tài)環(huán)境質(zhì)量狀況最差。

3）新民市西北部地區(qū)生態(tài)環(huán)境質(zhì)量較差，受到綠度、濕度、干度、溫度的影響。其中，濕度和綠度對生態(tài)環(huán)境質(zhì)量起促進(jìn)作用，且促進(jìn)作用較顯著的是濕度；干度和溫度對生態(tài)環(huán)境質(zhì)量起到抑制作用，且干度的抑制作用較顯著。

4）2014—2020年，新民市生態(tài)環(huán)境質(zhì)量以微變?yōu)橹鳎饕植荚跂|南區(qū)域；變好的區(qū)域達(dá)26.6%，主要分布在新民市西北和東北區(qū)域。

參考文獻(xiàn)：

［1］ 王小磊.基于遙感生態(tài)指數(shù)的阜新市生態(tài)環(huán)境質(zhì)量研究［D］.遼寧阜新：遼寧工程技術(shù)大學(xué)，2019.

［2］ 肖篤寧.美國環(huán)境監(jiān)測和評價項目中的生態(tài)指標(biāo)研究［J］.資源生態(tài)環(huán)境網(wǎng)絡(luò)研究動態(tài)，1992（1）：22-27.

［3］ DIZDAROGLU D，TAN Y，DAWES L. A micro-level indexing model for assessing urban ecosystem sustainability［J］. Smart & sustainable built environment，2012，1（3）：291-315.

［4］ HJ/T 192—2006，中華人民共和國環(huán)境保護(hù)行業(yè)標(biāo)準(zhǔn)（試行）［S］.

［5］ 孟 巖，趙庚星.基于衛(wèi)星遙感數(shù)據(jù)的河口區(qū)生態(tài)環(huán)境狀況評價——以黃河三角洲墾利縣為例［J］.中國環(huán)境科學(xué)，2009，29（2）：163-167.

［6］ 葉有華，梁永賢，沈一青，等.《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范（試行）》中若干值得商榷的問題［J］.熱帶地理，2009，29（4）：404-406.

［7］ 徐涵秋.區(qū)域生態(tài)環(huán)境變化的遙感評價指數(shù)［J］.中國環(huán)境科學(xué)，2013，33（5）：889-897.

［8］ 張秦瑞，趙良軍，韓依廷，等.宜賓市2013—2019年生態(tài)變化的遙感影像分析［J］.宜賓學(xué)院學(xué)報，2021，21（6）：93-98.

［9］ 劉少軍，張京紅，李天富，等.基于GIS組件技術(shù)的生態(tài)質(zhì)量氣象評價系統(tǒng)［J］.氣象與環(huán)境學(xué)報，2006（3）：51-53.

［10］ 姜 平，劉曉冉，康 俊，等.基于超越概率的重慶市住宅區(qū)風(fēng)環(huán)境品質(zhì)定量評估［J］.氣象與環(huán)境學(xué)報，2020，36（6）：31-41.

［11］ 于英潭，王首鵬，劉 琳，等.太子河本溪城區(qū)段河流水生態(tài)系統(tǒng)健康評價［J］.氣象與環(huán)境學(xué)報，2020，36（1）：89-95.

［12］ 馬明亮，申紅艷，魏鴻業(yè)，等.西寧市大氣環(huán)境風(fēng)險模擬研究［J］.氣象與環(huán)境學(xué)報，2013，29（6）：42-48.

［13］ 金佳琦.基于遙感生態(tài)指數(shù)的多源遙感影像沙漠環(huán)境監(jiān)測［D］.濟(jì)南：山東大學(xué)，2021.

［14］ 沈佩姍.區(qū)域土地覆蓋變化及其生態(tài)環(huán)境質(zhì)量評價［D］.南京：南京郵電大學(xué)，2020.

［15］ 況 婷.基于遙感生態(tài)指數(shù)的萬載縣土地利用生態(tài)環(huán)境評價研究［D］.南昌：江西師范大學(xué)，2020.

［16］ 陳 孟.基于遙感技術(shù)的成都市中心城區(qū)環(huán)境質(zhì)量評價及預(yù)測［D］.昆明：昆明理工大學(xué)，2020.

［17］ 呂大偉，蔡海生，張學(xué)玲，等.基于遙感生態(tài)指數(shù)的弋陽縣生態(tài)安全格局構(gòu)建及優(yōu)化［J］.農(nóng)業(yè)現(xiàn)代化研究，2021，42（3）：545-556.

［18］ 劉 智.沈陽市生態(tài)環(huán)境敏感脆弱區(qū)評價及劃分［J］.環(huán)境保護(hù)與循環(huán)經(jīng)濟(jì)，2019，39（6）：35-39.

［19］ 楊鳳江.淺談新民市當(dāng)前的主要環(huán)境生態(tài)問題［J］.環(huán)境保護(hù)科學(xué)，2001（6）：47-48.