用微信扫码二维码

分享至好友和朋友圈

WE ARE COMMITTED TO REPORTING THE LATEST FORESTRY ACADEMIC ACHIEVEMENTS

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于RSEI指数的雄安新区生态质量评价

马永康 姜怡 凌成星 刘华 赵峰 张雨桐

马永康, 姜怡, 凌成星, 等. 基于RSEI指数的雄安新区生态质量评价[J]. 四川林业科技, 2022, 43(4): 8−16 doi: 10.12172/202110120003
引用本文: 马永康, 姜怡, 凌成星, 等. 基于RSEI指数的雄安新区生态质量评价[J]. 四川林业科技, 2022, 43(4): 8−16 doi: 10.12172/202110120003
MA Y K, JIANG Y, LING C X, et al. Evaluation of ecological quality in Xiong’an New Area based on RSEI index[J]. Journal of Sichuan Forestry Science and Technology, 2022, 43(4): 8−16 doi: 10.12172/202110120003
Citation: MA Y K, JIANG Y, LING C X, et al. Evaluation of ecological quality in Xiong’an New Area based on RSEI index[J]. Journal of Sichuan Forestry Science and Technology, 2022, 43(4): 8−16 doi: 10.12172/202110120003

基于RSEI指数的雄安新区生态质量评价


doi: 10.12172/202110120003
详细信息
    作者简介:

    马永康(1994—),男,硕士研究生,1138136828@qq.com

    通讯作者: lingcx@ifrit.ac.cn
  • 基金项目:  国家重点研发计划项目(高分湿地资源监测应用子系统(二期)(21-Y30B02-9001-19/22-2))

Evaluation of Ecological Quality in Xiong’an New Area Based on RSEI Index

More Information
    Corresponding author: lingcx@ifrit.ac.cn
  • 摘要: 生态环境是一个地区赖以生存和发展的基础,对雄安新区生态质量监测将会是关系到区域发展的重要内容。本研究基于2013与2019的Landsat8/OLI影像,综合湿度、干度、热度、绿度等指标,通过空间主成分分析方法(Principal Component Analysis,PCA)从而达到将四个指标的主要信息集中在少量主成分上,从而构建RSEI(remote sensing ecological index,RSEI)综合指数指标,借助遥感技术手段从空间和时间角度分析雄安新区设立前后生态质量变化与变化原因,并定量讨论不同土地利用类型与RSEI指数之间的联系。结果表明:(1)绿度与湿度对生态质量起积极影响而干度与热度相反,其中干度影响力最大;(2)2013—2019年间雄安新区整体生态质量呈下降趋势;(3)统计变化区域相关情况可知,雄安新区生态质量变化程度较大区域占总面积约10%,整体生态质量变化程度不高;(4)不同土地利用类型RSEI指数取值呈现聚集分布。裸土地、建设用地分布在低值区,水域和植被分布在高值区。雄安新区设立后两年间生态质量呈下降趋势,在今后规划建设中应加大生态环境保护力度,构建科学合理空间布局,以支持雄安新区经济可持续发展,建立绿色智慧新城。
  • 图  1  雄安新区地理位置

    Fig.  1  Location of Xiong’an New Area

    图  2  研究区Landsat8_ OLI 原始影像(RGB: 752波段合成)

    Fig.  2  Landsat8_OLI images of the study area (RGB: bands 7, 5, 2)

    图  3  研究区RSEI分级图

    Fig.  3  RSEI hierarchical map of the study area

    图  4  2013至2019 RSEI指数变化图

    Fig.  4  Changes of RSEI index from 2013 to 2019

    图  5  2013和2019年土地利用图

    Fig.  5  Land use maps in 2013 and 2019

    图  6  研究区5月Landsat8_ OLI 原始影像(RGB: 452波段合成)

    Fig.  6  Landsat8_OLI images of the study area in May (RGB: bands 4, 5, 2)

    图  7  不同地物类型的RSEI直方图

    Fig.  7  RSEI histograms for different land use types

    表  1  主成分分析结果

    Tab.  1  Results of PCA analysis

    指标 Indicator2013 2019
    PC1PC2PC3PC4 PC1PC2PC3PC4
    绿度 Normalized difference vegetation index0.5480.7480.191−0.3210.5270.1190.3380.771
    湿度 Wet0.400−0.367−0.635−0.5500.3760.581−0.721−0.030
    干度 Normalized difference soil index−0.550−0.0090.325−0.769−0.385−0.431−0.5730.581
    热度 Land surface temperature−0.4860.553−0.6750.056−0.6580.6800.1940.260
    特征值 Eigenvalue0.1000.0130.0060.0010.1330.0140.0060.001
    特征值贡献率 Percent Eigenvalue/%97.821.770.400.0198.771.040.180.01
    下载: 导出CSV

    表  2  各指标相关系数矩阵

    Tab.  2  Correlation coefficient matrix for five indicators

    年份20132019
    指数NDVIWETNDSITRSEINDVIWETNDSITRSEI
    NDVI1.000.63−0.86−0.640.851.000.81−0.92−0.890.90
    WET0.631.00−0.90−0.770.98 0.811.00−0.80−0.690.94
    NDSI−0.86−0.901.000.81−0.99 −0.92−0.801.000.74−0.98
    LST−0.64−0.770.811.00−0.90−0.89−0.690.741.00−0.84
    平均值NDVI=0.79, WET=0.77, NDSI=0.84, T=0.76, RSEI=0.92
    下载: 导出CSV

    表  3  各指标均值变化

    Tab.  3  Changes of average values for five indicators

    指标NDVIWETNDSILSTRSEI
    2013年0.760.640.410.390.72
    2019年0.670.630.390.480.65
    下载: 导出CSV

    表  4  RSEI等级变化

    Tab.  4  Changes of RSEI rank level

    类别变化等级面积/km2百分比/%类面积/km2类百分比/%
    退化−414.450.81598.68
    33.61
    −351.932.92
    −282.394.63
    −1449.9125.26
    不变0966.9254.28966.9254.28
    改善10.0010.73215.6912.11
    2191.201.13
    320.110.22
    44.010.02
    下载: 导出CSV

    表  5  土地利用面积及比例

    Tab.  5  Proportion and area of land use types

    土地利用类型20132019
    面积/km2比例/%面积/km2比例/%
    裸土地43.980.02111.560.06
    建设用地291.130.16330.110.19
    水域107.470.06 106.710.06
    植被1338.700.75 1232.910.69
    总计1781.291.001781.291.00
    下载: 导出CSV

    表  6  地物类型转换矩阵

    Tab.  6  Transformation matrix of different land use types

    2019年/km22013年/km2
    裸土地建设用地水域植被
    裸土地3.503.250.44104.37
    建设用地9.14242.861.3976.73
    水域2.351.5372.0830.75
    植被28.9943.5033.561126.85
    下载: 导出CSV

    表  7  不同地物类型的RSEI均值

    Tab.  7  RSEI mean values for different land use types

    年份20132019
    指标RSEI均值RSEI均值
    建设用地0.52370.4648
    植被0.61330.6454
    裸土地 0.39120.3081
    水域0.63210.6513
    下载: 导出CSV
  • [1] 邵雅琪, 王春丽, 肖玲, 等. 2019. 妫水河流域山水林田湖草空间格局与生态过程分析. 生态学报, 39(21): 7893−7903.

    SHAO Yaqi , WANG Chunli , XIAO Ling, et al. 2019. The spatial pattern of Mountain-Water-Forest-Cropland-Lake-Grass System and its ecological process in the Guishui River Basin. Acta Ecologica Sinica, 39(21): 7893−7903.
    [2] Chalise Devraj, Kumar Lalit. 2020. Land use change affects water erosion in the Nepal Himalayas. PloS ONE, 15(4): e0231692.
    [3] Chao Yang, Chenchen Zhang, Qingquan Li, et al. 2020. Rapid urbanization and policy variation greatly drive ecological quality evolution in Guangdong-Hong Kong-Macau Greater Bay Area of China: A remote sensing perspective. Ecological Indicators, 115: 106373.
    [4] Beibei Guo, Yelin Fang, Xiaobin Jin, et al. 2020. Monitoring the effects of land consolidation on the ecological environmental quality based on remote sensing: A case study of Chaohu Lake Basin, China. Land Use Policy, 95: 104569.
    [5] Ivits E, Cherlet M, Mehl W, et al. 2009. Estimating the ecological status and change of riparian zones in Andalusia assessed by multi-temporal AVHHR datasets. Ecological Indicators, 9(3): 422−431.
    [6] 雷金睿, 陈宗铸, 陈毅青, 等. 2020. 1990—2018年海南岛湿地景观生态安全格局演变. 生态环境学报, 29(2): 293−302.

    LEI Jinrui, CHEN Zongzhu, CHEN Yiqing, et al. 2020. Dynamic Analysis of Wetland Landscape Ecological Security Pattern of Hainan Island in 1990—2018. Ecology and Environmental Sciences, 29(2): 293−302.
    [7] 艾金泉. 2020. 基于时间序列多源遥感数据的长江河口湿地生态系统长期演变过程与机制研究. 测绘学报, 49(1): 133.

    AI Jinquan. 2020. Long-term evolution process and mechanisms of wetland ecosystem in the Yangtze River estuary using time-series multi-sensor remote sensing data. Acta Geodaetica et Cartographica Sinica, 49(1): 133.
    [8] 孙世泽, 汪传建, 尹小君, 等. 2018. 无人机多光谱影像的天然草地生物量估算. 遥感学报, 22(5): 848−856.

    SUN Shize, WANG Chuanjian, et al. 2018. YIN Xiaojun, Estimating aboveground biomass of natural grassland based on multispectral images of Unmanned Aerial Vehicles. Journal of Remote Sensing, 22(5): 848−856.
    [9] Wang, Chow, Wang. 2020. A global regression method for thermal sharpening of urban land surface temperatures from MODIS and Landsat. International Journal of Remote Sensing, 41(8): 2986−3009.
    [10] 邢丽珠, 张方敏, 旷雅琼. 2020. 基于遥感的三亚市不透水面及热环境效应分析. 亚热带资源与环境学报, 15(1): 78−84.

    XING Lizhu , ZHANG Fangmin, KUANG Yaqiong. 2020. Impervious Surface and Thermal Environment Effects in Sanya City Based on Remote Sensing. Journal of Subtropical Resources and Environment, 15(1): 78−84.
    [11] 刘 丹, 冯锐, 于成龙, 等. 2019. 基于植被指数的春玉米干旱响应遥感监测. 农业工程学报, 35(20): 152−161.

    Liu Dan, Feng Rui, Yu Chenglong, et al. 2019. Remote sensing monitoring of drought response of spring maize based on vegetation indexes. Transactions of the Chinese Society of Agricultural Engineering, 35(20): 152−161.
    [12] 梁月吉, 任超, 黄仪邦, 等. 2019. 多星融合的土壤湿度滚动式估算模型. 遥感学报, 23(4): 648−660.

    LIANG Yueji, REN Chao, HUANG Yibang, et al. 2019. Rolling estimation model of soil moisture based on multi-satellite fusion. Journal of Remote Sensing, 23(4): 648−660.
    [13] 张新平, 乔治, 李皓, 等. 2020. 基于Landsat影像和不规则梯形方法遥感反演延安城市森林表层土壤水分. 遥感技术与应用, 35(1): 120−131.

    Zhang Xinping Qiao Zhi Li Hao, et al. 2020. Remotely Sensed Retrieving the Surface Soil Moisture of Yan'an Urban Remotely Sensed Retrieving the Surface Soil Moisture of Yan'an Urbad. Remote Sensing Technology and Application, 35(1): 120−131.
    [14] 徐涵秋. 2013. 城市遥感生态指数的创建及其应用. 生态学报, 33(24): 7853−7862.

    XU Hanqiu. 2013. A remote sensing urban ecological index and its application. Acta Ecologica Sinica, 33(24): 7853−7862.
    [15] 徐涵秋. 2013. 区域生态环境变化的遥感评价指数. 中国环境科学, 33(5): 889−897.

    XU Hanqiu. 2013. A remote sensing index for assessment of regional ecological changes. China Environmental Science, 33(5): 889−897.
    [16] 李清云, 杨光, 杨勇强, 等. 2020. 基于Landsat数据的阿克苏市生态环境质量地带性分析. 西南农业学报, 33(1): 168−174.

    LI Qingyun , YANG Guang , YANG Yongqiang, et al. 2020. Zonation Analysis of Ecological Environmental Quality in Aksu Based on Landsat Data. Southwest China Journal of Agricultural Sciences, 33(1): 168−174.
    [17] 农兰萍, 王金亮. 2020. 基于RSEI模型的昆明市生态环境质量动态监测. 生态学杂志, 39(6): 2042−2050.

    NONG Lanping , WANG Jinliang. 2020. Dynamic monitoring of ecological environment quality in Kunming based on RSEI model. Chinese Journal of Ecology, 39(6): 2042−2050.
    [18] Baig M H A , Zhang L , Shuai T , et al. 2014. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters, 5(5): 423−431.
    [19] 覃志豪, Zhang Minghua, Arnon Karnieli, 等. 2001. 用陆地卫星TM6数据演算地表温度的单窗算法. 地理学报, 2001(4): 456−466.

    Qin Zhi-hao , Zhang Minghua, Arnon Ka rnieli, et al. 2001. Mono-window Algorithm for Retrieving Land Surface Temperature from Landsat TM6 data. Acta Geographica Sinica, 2001(4): 456−466.
    [20] 杨婧雯. 2020. 二十年来雄安新区白洋淀湿地变化遥感信息提取与分析. 中国地质大学(北京).

    YANG Jiangwen . 2020. Extraction and Analysis of Remote Sensing Information of the Baiyangdian Wetland Variation in Xiong'an New Area in the Past Twenty. China University of Geosciences(Bei Jing).
  • [1] 唐一虓, 付顺, 巩小栋, 陈艳尼.  墨江哈尼族自治县生态环境质量时空变化及影响因子 . 四川林业科技, 2024, 45(): 1-9. doi: 10.12172/202309250004
    [2] 钟诗怡, 杨青娟.  丘陵地区“三生空间”功能识别与分析——以仁寿县为例 . 四川林业科技, 2024, 45(1): 126-132. doi: 10.12172/202310140001
    [3] 王旭, 秦翔宇, 苏子昕, 王鑫, 青玲萱, 薛飞阳, 杨存建.  2001—2020年四川省地表蒸散与干旱变化特征 . 四川林业科技, 2024, 45(1): 15-22. doi: 10.12172/202306060001
    [4] 张岳, 孙梦鑫, 辛宇, 杨存建.  成渝城市群土地利用变化与冲突识别研究 . 四川林业科技, 2023, 44(4): 49-57. doi: 10.12172/202209210003
    [5] 冯耀发, 周波, 廖元培.  宜宾市土地利用变化及其生态环境效应研究 . 四川林业科技, 2023, 44(2): 122-129. doi: 10.12172/202204260001
    [6] 何柳燕, 李春容, 谭小昱, 罗言云.  大熊猫国家公园邛崃山-大相岭片区景观格局动态变化研究 . 四川林业科技, 2023, 44(2): 21-30. doi: 10.12172/202206150001
    [7] 刘立志, 韩震.  基于遥感生态指数的上海市城市生态质量评价及驱动力研究 . 四川林业科技, 2023, 44(6): 48-54. doi: 10.12172/202303020002
    [8] 侯晓云, 许戈, 王疆评, 黎燕琼, 毛颖娟.  基于MCR模型的天府新区生态廊道构建 . 四川林业科技, 2022, 43(4): 17-23. doi: 10.12172/202204080003
    [9] 宋振江, 吴宝姝.  道路交通工程建设对自然保护区土地利用格局的影响:来自四川凉山的证据 . 四川林业科技, 2022, 43(4): 8-15. doi: 10.12172/202110140002
    [10] 阳霞, 李金库, 谭坤, 李延鹏, 黄志旁, 肖文.  苍山不同土地利用类型中姬蜂科昆虫多样性和季节动态 . 四川林业科技, 2022, 43(2): 56-62. doi: 10.12172/202107220002
    [11] 邓楚璇, 周英, 李上官, 刘星科, 王文娟, 李西, 孙凌霞, 罗春兰, 李向, 黄玉梅.  基于高通量测序的土壤微生物群落结构对土地利用方式的响应 . 四川林业科技, 2021, 42(1): 16-24. doi: 10.12172/202009190001
    [12] 叶润根, 陈国建, 王震, 何谦, 张春叶.  重庆山区不同土地利用下的土壤肥力质量研究 . 四川林业科技, 2021, 42(1): 29-34. doi: 10.12172/202010190005
    [13] 魏晓涵, 段林森.  成都市土地利用时空结构变化研究 . 四川林业科技, 2021, 42(2): 77-81. doi: 10.12172/202008120001
    [14] 方懿.  四川省林业自然保护区的土地利用现状 . 四川林业科技, 2019, 40(2): 80-83. doi: 10.16779/j.cnki.1003-5508.2019.02.017
    [15] 郭颖悦, 刘瑞, 魏良帅.  湿地公园土地利用的变化监测——以成都白鹭湾湿地公园为例 . 四川林业科技, 2019, 40(2): 28-31. doi: 10.16779/j.cnki.1003-5508.2019.02.007
    [16] 魏颖, 郑勇, 张强, 卿玉玲, 刘宗学.  复杂地形约束下西昌市土地利用空间分布格局 . 四川林业科技, 2019, 40(5): 17-22. doi: 10.16779/j.cnki.1003-5508.2019.05.004
    [17] 邓欣昊, 潘欣.  土地利用类型的变化对城市生态系统服务功能的影响——以四川省攀枝花市为例 . 四川林业科技, 2018, 39(3): 77-82. doi: 10.16779/j.cnki.1003-5508.2018.03.016
    [18] 李悦, 郭虎, 程武学.  基于景观生态学的荥经县土地利用类型动态及驱动力分析 . 四川林业科技, 2017, 38(1): 32-36,50. doi: 10.16779/j.cnki.1003-5508.2017.01.007
    [19] 周云珂.  雅安和平小流域不同土地利用类型土壤养分的分布特征 . 四川林业科技, 2014, 35(5): 88-91,28. doi: 10.16779/j.cnki.1003-5508.2014.05.019
    [20] 李悦, 董川蓉, 周祖彦.  基于GIS的土地利用类型景观特征定量研究——以江油市为例 . 四川林业科技, 2013, 34(2): 54-56,73. doi: 10.16779/j.cnki.1003-5508.2013.02.012
  • 加载中
  • 图(7) / 表(7)
    计量
    • 文章访问数:  728
    • HTML全文浏览量:  177
    • PDF下载量:  49
    • 被引次数: 0
    出版历程
    • 收稿日期:  2021-10-12
    • 网络出版日期:  2022-06-27
    • 刊出日期:  2022-08-23

    基于RSEI指数的雄安新区生态质量评价

    doi: 10.12172/202110120003
      作者简介:

      马永康(1994—),男,硕士研究生,1138136828@qq.com

      通讯作者: lingcx@ifrit.ac.cn
    基金项目:  国家重点研发计划项目(高分湿地资源监测应用子系统(二期)(21-Y30B02-9001-19/22-2))

    摘要: 生态环境是一个地区赖以生存和发展的基础,对雄安新区生态质量监测将会是关系到区域发展的重要内容。本研究基于2013与2019的Landsat8/OLI影像,综合湿度、干度、热度、绿度等指标,通过空间主成分分析方法(Principal Component Analysis,PCA)从而达到将四个指标的主要信息集中在少量主成分上,从而构建RSEI(remote sensing ecological index,RSEI)综合指数指标,借助遥感技术手段从空间和时间角度分析雄安新区设立前后生态质量变化与变化原因,并定量讨论不同土地利用类型与RSEI指数之间的联系。结果表明:(1)绿度与湿度对生态质量起积极影响而干度与热度相反,其中干度影响力最大;(2)2013—2019年间雄安新区整体生态质量呈下降趋势;(3)统计变化区域相关情况可知,雄安新区生态质量变化程度较大区域占总面积约10%,整体生态质量变化程度不高;(4)不同土地利用类型RSEI指数取值呈现聚集分布。裸土地、建设用地分布在低值区,水域和植被分布在高值区。雄安新区设立后两年间生态质量呈下降趋势,在今后规划建设中应加大生态环境保护力度,构建科学合理空间布局,以支持雄安新区经济可持续发展,建立绿色智慧新城。

    English Abstract

    • 随着我国城市化进程推进,生态环境与人类活动关系密不可分,人口与环境间矛盾日益突出。生态环境是一个地区赖以生存和发展的基础,实时监测区域生态环境状况对城市规划建设以及保护生态环境有着重要作用。而雄安新区作为国家重点发展与规划的城市,生态保护与建设尤为重要。随着新区规划纲要逐步实施,雄安新区工业园与城区建设正在快速进行,分析和了解雄安新区生态质量的变化,能够更有针对性地去开发和保护。

      某一区域生态环境质量评价方法主要有模糊评判法、层次分析法、网络分析法和综合指数法等。而以往通过生态评价方法选取所需指标难度较大,指标权重设定具有主观性,不能准确反映整个研究区的评价结果。随着遥感技术的蓬勃发展为监测区域生态环境提供更大的便利,就实时性和可视化而言,目前遥感技术手段已经可以满足辅助决策的基本需求。各种基于遥感技术的生态方法在水土保持[1-2]、生态质量监测与修复[3-5]、生态系统演变[6-7]等生态领域得到了广泛应用。基于此,基于遥感手段定量判断区域生态状况方法日渐成熟,研究者通过构建不同的遥感指数,反演不同生态角度下的生态变化。例如应用不同植被指数(NDVI、EVI等)评价区域生物量[8],利用不透水面指数与地表温度评估城市热岛效应[9-10],采用干旱指标或湿度指数表达地面植被干旱情况与土壤湿度[11-13]等。这些遥感指数可以很好表达生态环境在某一方面的生态特征。然而,真实的生态环境质量受多因素影响,一个可以从多角度直观、准确的评价区域生态环境质量的综合指标便尤为重要。基于此,徐涵秋等[14]从不同生态角度出发提出一个综合指标新型遥感生态指数(Remote sensing based ecological index,RSEI)。该指数完全基于遥感方法提取生态指标,从绿度、湿度、热度和干度等4个生态要素角度出发综合评价区域生态质量,评价指标易获取,可实现区域生态质量快速监测,将该方法应用于雄安新区对其生态质量变化进行分析是本研究的主要目的。

      本文基于雄安新区设立前后数据,综合湿度、干度、热度、绿度等指标构建RSEI综合指数模型反演雄安新区生态质量,从空间和时间角度上真实反映雄安新区设立前后生态环境质量变化并分析其原因,以期为地方政府准确掌握新区生态变化趋势与制定雄安新区经济可持续发展政策提供科学依据。

      • 雄安新区设立于2017年4月1日,位于河北省保定市,地处北京、天津、保定腹地,属北纬中纬度地带。规划范围为雄县、容城县、安新县及周边部分乡镇区域(见图1)。研究区地势平坦,属暖温带季风型大陆性气候,四季分明,春旱多风,夏热多雨,秋凉气爽,冬寒少雪。年均气温11.9°C,年平均降雨量522.9 mm。其海拔20 m以下,地物类型以植被覆盖区为主,其中耕地占农用地主导地位。雄安新区具有多样生态系统,境内白洋淀湿地是华北平原上最大的淡水湿地,也是国家重点生态湿地,主要位于安新县境内。近几年在“退耕还淀”、补水与水质修复等工程下,白洋淀的水域覆盖面积得到控制,湖水质量提高显著。

        图  1  雄安新区地理位置

        Figure 1.  Location of Xiong’an New Area

      • 数据下载于美国地质调查局(USGS),采用多光谱Landsat8_OLI 1T级卫星遥感影像,分别为2013年9月1号与2019年9月2号数据,云量均在0.1%以下。原始影像如图2所示。数据已经过辐射定标、大气校正等一系列预处理工作。

        图  2  研究区Landsat8_ OLI 原始影像(RGB: 752波段合成)

        Figure 2.  Landsat8_OLI images of the study area (RGB: bands 7, 5, 2)

      • 遥感生态指数法在近几年生态质量评价上应用较为广泛[15-17]。该指数通过植被指数、湿度信息、地表温度、建筑-裸土信息耦合了绿度、湿度、热度、干度四大生态要素,通过主成分分析方法综合表达了区域生态环境质量。相较于传统生态环境状况指数(Ecological Index,EI)方法,遥感生态指数法不仅可以定量评估生态质量,还可以将评估结果结果可视化显示,更有助于决策者了解区域生态结构布局。此外,遥感生态指数法数据易获取、评价结果与EI指数也具有可比性,适用于监测高速发展下雄安新区的生态质量。其表达式如下:

        $$ RS EI = f\left(NDVI,WET,NDSI,LST\right) $$ (1)

        式(1)中:RSEI代表遥感生态指数,LST代表地表温度,NDVI代表植被指数,WET代表湿度信息,NDSI代表建筑-裸土信息。

      • 湿度采用了缨帽变换中湿度分量提取方法,其中的湿度分量反映了植被、水体和土壤中的湿度含量,可以有效表达研究区的水分含量情况。采用Baig等人[18]对Landsat8_OLI传感器提出的湿度表达式如下:

        $$\begin{split} WE{T_{OLI}} = & 0.1511{\rho _2} + 0.1973{\rho _3} + 0.3283{\rho _4} + \\ & 0.3407{\rho _5} - 0.7117{\rho _6} - 0.4559{\rho _7}\end{split} $$ (2)

        式(2)中:WETOLI代表Landsat8_OLI数据的湿度分量,ρ2, ρ3, ρ4, ρ5, ρ6, ρ7代表Landsat8_OLI数据的2、3、4、5、6、7波段反射率。

      • 考虑到研究区中建设用地会对地表造成不同程度的干化影响,故采用NDSI指数来作为干度指标。NDSI指数综合反映了裸土与建设用地对地面造成的干化现象。其中,代表裸土部分造成的干度程度采用土壤指数SI,建设用地部分采用建筑指数IBI指数,最终干度指标NDSI具体表达式如下:

        $$ NDSI = \left(IBI + SI\right)/2 $$ (3)

        其中:

        $$ IBI = \frac{{2{\rho _6}/\left(\, {\rho _6}+{\rho _5}\right)-\left[\,{{\rho _5}/\left({\rho _5}+{\rho _4}\right)+{\rho _3}/\left({\rho _3}+{\rho _6}\right)} \right]}}{{2{\rho _6}/\left(\, {\rho _6}+{\rho _5}\right) + \left[ \,{{\rho _5}/\left({\rho _5}+{\rho _4}\right)+{\rho _3}/\left({\rho _3}+{\rho _6}\right)} \right]}} $$ (4)
        $$ SI = \frac{{\left(\,{\rho _6} + {\rho _4}\right) - \left(\,{\rho _5} + {\rho _2}\right)}}{{\left(\,{\rho _6} + {\rho _4}\right) + \left(\,{\rho _5} + {\rho _2}\right)}} $$ (5)

        式(3)中:NDSI代表建筑-裸土指数;式(4)和(5)中:IBISI分别代表建筑指数与土壤指数,ρ2, ρ3, ρ4, ρ5, ρ6代表Landsat8_OLI数据的2、3、4、5、6波段反射率。

      • 热度指标采用地表温度来进行表达。地表温度的反演采用覃志豪[19]等人提出的单窗算法,该方法适合多波段且具有红外波段的传感器使用,其简化后具体表达式如下:

        $$ LST = \frac{{{a_8}\left(1 - {C_8} - {D_8}\right) + \left[ {{b_8}\left(1 - {C_8} - {D_8}\right) + {C_8} + {D_8}} \right]{T_{sensor}} - {D_8}{T_a}}}{{{C_8}}} $$ (6)

        其中:

        $$ {T_{sensor}} = \frac{{{K_2}}}{{\ln \left(1 + {{{K_1}} \mathord{\left/ {\vphantom {{{K_1}} L}} \right. } L}\right)}} $$ (7)
        $$ C = \varepsilon * \tau $$ (8)
        $$ D =\left(1 - \tau \right) * \left[ {1 +\left(1 - \varepsilon \right) * \tau } \right] $$ (9)

        式(6)中:LST为地表温度(K),Tsensor是Landsat8_OLI传感器上的亮度温度(K),Ta是大气平均温度(K),ab为参考系数,且如果地表温度在0—70°C范围内,那么a = −67.355351,b = 0.458606;式(7)中:K1、K2为Landsat8计算地表真实温度的参数,K1为774.89,K2为1321.08,L为Landsat8_OLI第10波段定标后辐射值;L为热红外波段定标后的辐射值;式(8)和(9)中:CD为计算时的中间变量,ε为地表比辐射率,本次实验是通过植被覆盖率求得的;τ代表大气透过率。

      • 绿度指标采用归一化植被指数(NDVI),代表区域植被覆盖度与生长状态。具体表达方式如下:

        $$ NDVI = \frac{{{\rho _{NIR}} - {\rho _R}}}{{{\rho _{NIR}} + {\rho _R}}} $$ (10)

        式(10)中:NDVI代表归一化植被指数,ρNIR是近红外波段反射率,ρR代表红波段反射率。

      • 空间主成分分析方法(Principal Component Analysis,PCA)是图像信息提取与数据压缩中应用较为广泛的方法。其运用对特征光谱空间坐标的旋转去掉各指标之间的相关性,从而达到将四个指标的主要信息集中在少量主成分上。其权重分配不受人为干扰,但是由于各指标取值范围与量纲不同,指标需要进行标准化处理:

        $$ NI = \frac{{1 - {I_{min}}}}{{{I_{\max }} - {I_{min}}}} $$ (11)

        式(11)中:NI为标准化后的指标;IminImax为指标置信区间中的最小值与最大值。

        $$ RS EI = PCA\left[ {f\left(NDVI,WET,NDSI,LST\right)} \right] $$ (12)

        式(12)中:为便于度量指标,采用式(12)对RSEI进行标准化处理,最终RSEI指数取值范围为[0,1],且数值越大,证明区域生态环境质量越高,反之则越差。

      • 表1是耦合四大指标过程中主成分分析的统计结果,表达了各指数在不同成分间的载荷量,正负性对应对主成分影响的正负性。从表中可知,2013和2019年的第一主成分(PC1)贡献率均大于97%,PC1集中了4个指标的绝大部分特征。四个指标对PC1的贡献程度并不相同,其中绿度与湿度对PC1贡献是正面影响,而热度与干度对PC1贡献是负面影响,即绿度与湿度对区域生态质量起正面作用,热度与干度起负面作用。这与传统生态质量评价影响结果相符合。而其他成分所占比重较小,且正负性并不具有科学的意义,故第一主成分可以科学表达四大指标。在第一主成分中,干度载荷量最大,对第一主成分影响程度最高。

        表 1  主成分分析结果

        Table 1.  Results of PCA analysis

        指标 Indicator2013 2019
        PC1PC2PC3PC4 PC1PC2PC3PC4
        绿度 Normalized difference vegetation index0.5480.7480.191−0.3210.5270.1190.3380.771
        湿度 Wet0.400−0.367−0.635−0.5500.3760.581−0.721−0.030
        干度 Normalized difference soil index−0.550−0.0090.325−0.769−0.385−0.431−0.5730.581
        热度 Land surface temperature−0.4860.553−0.6750.056−0.6580.6800.1940.260
        特征值 Eigenvalue0.1000.0130.0060.0010.1330.0140.0060.001
        特征值贡献率 Percent Eigenvalue/%97.821.770.400.0198.771.040.180.01

        相关度是反映不同事物间密切程度的常用指标,常采用相关系数来表达。表2是各指标和RSEI指数的相关性系数以及各个指标自身之间的相关性系数,平均值计算方式为各指标与其他指标间两年的相关系数均值。从单个指标来看,各分指标之间平均相关度最高的是NDSI指数,其与其他三个指标相关系数的两年均值为0.84。但是经过反演得到的RSEI指数与这四个指标的平均相关系数均大于0.84,其两年均值为0.92,比单指标相关度最高的NDSI指数高出8%,与其他四大指标密切程度最高。综上所述,RSEI指数可以集成四个单指标的绝大部分信息,而且比任何单一指标都具备表达区域生态质量代表性,可以更全面、综合的表达研究区域的生态状况。

        表 2  各指标相关系数矩阵

        Table 2.  Correlation coefficient matrix for five indicators

        年份20132019
        指数NDVIWETNDSITRSEINDVIWETNDSITRSEI
        NDVI1.000.63−0.86−0.640.851.000.81−0.92−0.890.90
        WET0.631.00−0.90−0.770.98 0.811.00−0.80−0.690.94
        NDSI−0.86−0.901.000.81−0.99 −0.92−0.801.000.74−0.98
        LST−0.64−0.770.811.00−0.90−0.89−0.690.741.00−0.84
        平均值NDVI=0.79, WET=0.77, NDSI=0.84, T=0.76, RSEI=0.92
      • 表3为研究区两年间各指标均值统计情况。从表中可以看出,两年间NDVI、WET、NDSI均值降低,而LST上升,表明雄安新区整体绿度、湿度、干度呈下降趋势。RSEI指数均在0.65之上,表明雄安新区的生态环境质量整体水平较高。2013—2019年间RSEI指数整体下降幅度为0.07。说明相对于2013年,目前雄安新区生态质量是逐步下降的。

        表 3  各指标均值变化

        Table 3.  Changes of average values for five indicators

        指标NDVIWETNDSILSTRSEI
        2013年0.760.640.410.390.72
        2019年0.670.630.390.480.65

        RSEI指数以0.2为间隔进行分级,共分为5个生态等级,数值取值范围为[0,0.2)、[0.2,0.4)、[0.4,0.6)、[0.6,0.8)、[0.8,1.0]依次代表生态质量差、较差,中级,良级,优级等级(见图3)。从图3可知与2013年相比,2019年的黄红色区域明显增多,生态质量差、较差等级占比增大,生态质量降低。主要表现为东北部与西北角方向出现了大面积红黄区域,通过观察原始影像预测可能与城市建设有关。

        图  3  研究区RSEI分级图

        Figure 3.  RSEI hierarchical map of the study area

      • 利用遥感手段对研究区进行生态质量变化监测是了解区域生态状况变化的有效方法。为了更直观地观察研究区生态质量的变化情况,将2013、2019年数据进行差值变化监测,依据上述分级方法,可根据各像元变化的好坏及程度分为−4~4的9个变化等级,统计不同等级面积变化以及空间分布(见表4图4)。从表4统计来看,生态质量未变化区域占面积最大,变化程度为一级(正负级)占总面积百分比为35.99%,与不变等级累计为90.27%,可见雄安新区生态质量仍保持相对稳定。生态质量变化空间分布由如图4可知,其中以红色代表生态环境质量下降区域,绿色代表上升区域,白色为生态质量不变区域。变差区域仍聚集在东北部与西北角方向,为进一步确定发生变化原因,还需与雄安新区规划建设和布局相联系。

        表 4  RSEI等级变化

        Table 4.  Changes of RSEI rank level

        类别变化等级面积/km2百分比/%类面积/km2类百分比/%
        退化−414.450.81598.68
        33.61
        −351.932.92
        −282.394.63
        −1449.9125.26
        不变0966.9254.28966.9254.28
        改善10.0010.73215.6912.11
        2191.201.13
        320.110.22
        44.010.02

        图  4  2013至2019 RSEI指数变化图

        Figure 4.  Changes of RSEI index from 2013 to 2019

      • 雄安新区的生态质量与其规划建设息息相关,了解雄安新区土地利用空间布局有助于更深入研究其生态质量变化与城镇化间的联系,进一步阐述和分析雄安新区生态质量变化的原因。

      • 本文以2013年和2019年遥感影像为数据基础,采用多尺度分割与最大似然法相结合的分类方式提取雄安新区土地利用类型。根据标准《土地利用现状分类》(GB/T21010-2017)并结合实地情况将雄安新区分为四大土地利用类型,即:建设用地、植被、裸土地、水域。为确保分类精度,辅助以目视解译手段将分类结果进一步调整,如图5所示。

        图  5  2013和2019年土地利用图

        Figure 5.  Land use maps in 2013 and 2019

        统计两年间的土地利用面积如表5所示。从表5可知,以耕地为主导的植被区占研究区面积的70%左右,分布最为广泛。2019年的裸土地、建设用地面积增加。由图5可知,新增裸土地的空间位置较为特殊,主要区域位于雄安新区北部,呈现规则形状、大面积聚集性分布。通过解读《河北雄安新区规划纲要》内容发现,雄安新区规划空间格局是“北城、中苑、南淀”。其中“北城”简单来说就是在新区北部以城区为主。新增的裸土区域多为大面积的规则形状,虽未成为城镇用地,但与新区扩充城市面积有着必然联系。

        表 5  土地利用面积及比例

        Table 5.  Proportion and area of land use types

        土地利用类型20132019
        面积/km2比例/%面积/km2比例/%
        裸土地43.980.02111.560.06
        建设用地291.130.16330.110.19
        水域107.470.06 106.710.06
        植被1338.700.75 1232.910.69
        总计1781.291.001781.291.00

        然而,单从总体面积变化并不能表达雄安新区规划建设中土地利用动态变化。转移矩阵是定量描述土地利用动态变化的有效方法。统计2013与2019年土地利用类型占地面积并以转移矩阵方式表达(见表6)。由表6可知,2013—2019年间植被面积减少面积约105 km2,2019年新增的裸土地、建设主要来源于2013年的植被区。此外,研究发现2013年与2019年水域面积变化并不明显,但两年间水域与植被间转化程度较高。究其原因有二,一是本次研究选择图像时间是位于植被旺盛时,受水生植物、沿岸植被影响严重。二是水域面积受气候影响严重,丰水期与枯水期水域面积、沿岸植被面积相差较大。本研究采用相同方法提取2013年与2019年5月份水域面积(见图6),统计发现2013年与2019年水域面积分别为91.15 km2与115.83 km2,即2019年5月水域面积大于13年同月份水域面积,主要得益于白洋淀的补水工程,据杨婧雯等[20]表明,近几年白洋淀水位呈上升趋势。

        表 6  地物类型转换矩阵

        Table 6.  Transformation matrix of different land use types

        2019年/km22013年/km2
        裸土地建设用地水域植被
        裸土地3.503.250.44104.37
        建设用地9.14242.861.3976.73
        水域2.351.5372.0830.75
        植被28.9943.5033.561126.85

        图  6  研究区5月Landsat8_ OLI 原始影像(RGB: 452波段合成)

        Figure 6.  Landsat8_OLI images of the study area in May (RGB: bands 4, 5, 2)

      • 由3.1可知,新区城镇建设区域的生态质量明显下降,基于RSEI指数评价的生态质量会受不同土地利用类型影响。我们采集2013—2019年各土地利用类型的RSEI值并统计直方图。发现不同土地利用类型RSEI指数取值呈现聚集分布现象。其中裸土地、建设用地分布在低值区,水域和植被分布在高值区。植被的RSEI值分布范围是最广泛的,其值分布在0.1-1.0之间,贯穿整个分布范围。相关研究表明RSEI指数与植被覆盖度具有较高的相关性,植被覆盖程度越高,RSEI指数数值越大。从统计图中可知,RSEI最高值区只有植被类型存在,也就是说RSEI指数大于0.9的区域是植被覆盖度最高的区域。

        图  7  不同地物类型的RSEI直方图

        Figure 7.  RSEI histograms for different land use types

        此外,通过统计各土地利用类型RSEI均值我们发现,2019年建设用地的RSEI均值低于2013年,植被区高于2013年植被均值。这可以表明,2019年城市的干化程度高但植被质量上升。据相关文献指出,至2020年,雄安新区造林面积达到31万亩。森林地表覆盖类型其地表裸露时间远小于耕地,从水土保持与生态环境可持续发展角度来说,其生态价值是远大于耕地的。高森林覆盖率会一定程度上提升雄安新区的生态质量。

        表 7  不同地物类型的RSEI均值

        Table 7.  RSEI mean values for different land use types

        年份20132019
        指标RSEI均值RSEI均值
        建设用地0.52370.4648
        植被0.61330.6454
        裸土地 0.39120.3081
        水域0.63210.6513
      • 雄安新区处于高区发展阶段,生态质量与规划建设程度息息相关。本文以雄安新区为研究区,采用RSEI指数方法研究雄安新区设立前后生态质量变化情况与变化原因。主要结论如下:(1)通过相关主成分分析与相关性分析可知,RSEI指数可以从四大生态角度综合表达雄安新区生态质量。绿度与湿度与RSEI指数呈正相关,对生态质量起积极作用,干度与热度相反;(2)2013—2019年间RSEI指数下降了0.07,雄安新区整体生态质量呈下降趋势;(3)统计变化区域相关情况可知,雄安新区生态质量变化程度较大区域占总面积约10%,整体生态质量变化程度不高;(4)不同土地利用类型RSEI指数取值呈现聚集分布。裸土地、建设用地分布在低值区,水域和植被分布在高值区。此外虽然2019年综合生态质量下降,但其城镇干化程度与植被质量同时上升。此外,本文虽然取得一定研究成果但仍有许多不足之处,如生态质量评价数据受时间限制,提取结果会随时间变化而发生改变,故本研究采用相同时间区域内数据。在后续工作中会进一步研究以减少时间的影响。

        通过以上数据分析对新区建设有以下意见:(1)保护湿地资源,加大对白洋淀湿地的保护力度,保持补水工程与水域治理工程。(2)减少雄安新区地表裸露面积或者程度。当地表裸露时其在RSEI指数分析中生态质量是最差的,适当减少裸露频率与程度有利于区域的保持良好生态质量。(3)建设新区同时应与“绿色”同行。高植被覆盖度不仅可以防风固土以及净化空气,还可以拉高区域的平均生态质量,在建设的同时应加大绿化力度,提升植被质量,增加绿化面积或提高区域植被覆盖度。

    参考文献 (20)

    目录

      /

      返回文章
      返回