基于RSEI的三峡库区重庆段水土保持生态功能区生态环境质量动态监测

刘栩位, 周启刚, 周 浪, 孟浩斌, 李明慧, 彭春花

(1.重庆工商大学 环境与资源学院, 重庆 400067; 2生态环境空间信息数据挖掘与 大数据集成重庆市重点实验室, 重庆 401320; 3.重庆工商大学 公共管理学院, 重庆 400067)

随着我国工业化、城镇化的快速发展，因生态环境被破坏而造成的森林退化、水土流失、土地荒漠化等一系列生态环境问题成为近年来人们广泛关注和研究的热点[1-2]。生态环境质量是对生态系统要素、结构和功能综合特征的表现，能反映区域生态环境状况的优劣程度，生态环境质量的好坏与人类活动、经济社会发展和自然环境变化有着密切关联，对生态环境质量状况的及时评价是实现生态环境动态监测和自然资源可持续利用的重要方式，有利于促进社会经济与生态环境保护的可持续发展[3-5]。

目前，随着人们对生态环境问题相关研究的重视，有关生态环境质量动态监测和评价的方法众多[6-7]。其中，遥感技术以快速、实时及范围广等监测特点被广泛应用于生态环境等研究领域[8]，国内外学者利用遥感技术对城市、森林、矿区、流域和自然保护地等方面的生态环境质量动态监测和评价进行了大量研究和应用[9-13]，但生态环境是由复杂的生态系统组成，受多因素的综合影响，单一的生态质量指数只能代表生态系统某一方面的生态特征，难以准确和全面的反映生态系统综合特征。由徐涵秋提出的遥感生态指数(remote sensing ecological index，RSEI)可客观、快速监测和评价生态环境质量变化，应用较为成熟[14]。如农兰萍等[15]运用RSEI模型对昆明市生态环境质量进行动态监测，研究结果能较好的反映区域生态环境状况。航鑫等[16]基于遥感生态指数模型评价南京城市化过程中的生态质量变化情况，发现城市化是南京生态质量下降的一大影响因素。大量的研究表明遥感生态指数是在时空中对生态环境质量评价结果进行高精度可视化表达的一种可靠技术手段，对于区域生态环境质量长时序的周期性监测极具价值[17]。现目前遥感生态指数研究对象较广，主要以城市、自然保护区为研究对象，但鲜有对水土保持生态功能区的研究，同时现阶段多为大时间尺度、长时间段研究，较缺乏大时间尺度的多个短时间段研究。

水土流失不仅破坏水土资源，威胁粮食、防洪、饮水安全，同时还将对生态平衡造成破坏，影响生态环境安全，是制约经济社会发展的主要生态环境问题[18]。三峡库区重庆段水土保持生态功能区是我国重要的水土流失防治生态功能区，是集水源涵养、生物多样性保护、水土保持等多种重要生态价值于一体的关键区域，但由于该区域人地关系较为紧张，以坡耕地为主的耕作方式和过度开发致使植被覆盖度降低并引起土地干化，又因处于地势第二级阶梯东缘，水土流失面积大，山洪、泥石流等地质灾害频发，多种因素对脆弱的生态环境造成持续威胁，因此对该区域生态环境质量的快速评价显得尤其重要[19]。本研究基于RSEI对三峡库区重庆段水土保持生态功能区1994—2019年生态环境质量进行长时间序列的动态变化分析，快速监测区域生态状况，以期为今后的生态保护和生态治理提供支撑。

1 研究方法与数据来源

1.1 研究区概况与数据来源

1.1.1 研究区概况 三峡库区重庆段水土保持生态功能区是建设长江上游重要生态屏障的重点生态功能区，是关系全市乃至全国生态安全的重点区域[20]。该研究区包括云阳、奉节、巫山3个区县，地理位置介于东经108°69′—109°87′，北纬30°93′—31°07′，总面积达10 480.858 km2。研究区内地形起伏度大，地貌复杂，雨水充沛，湿度大，云雾多，土壤抗蚀性差。区域植被类型丰富，以亚热带山地常绿阔叶林以及常绿落叶阔叶混交林为主，森林覆盖率较高。土地资源利用结构以林业用地为主导，耕地次之，其中，林业用地以有林地为主，而坡耕地占耕地绝大部分。云阳县、奉节县及巫山县属于重庆市渝东北生态涵养发展区，是我国重要生物多样性保护区和生态功能维护区，由于区域内坡耕地的大量耕作，又是水土流失敏感程度高且重力侵蚀最严重的区域。因此，本研究以三峡库区重庆段水土保持生态功能区为研究区域，研究其区域生态质量变化情况，实现对水土资源可持续利用和生态环境的可持续监管，有助于构筑长江上游重要生态屏障，进一步改善生态环境。

1.1.2 数据来源与处理 本研究数据来源于美国地质勘探局(https:∥earthexplorer.usgs.gov/)Landsat系列卫星遥感数据。考虑季节差异性对RSEI各分量指标的计算造成的影响，因此本次研究筛选出8—10月的遥感数据，其中包含行列号为126/038，126/039的1994年8月17日、2000年9月2日、2007年9月22日的Landsat5(TM)和2013年10月8日、2019年9月23日的Landsat8(OIL/TIRS)共5期数据，空间分辨率为30 m，云量均低于10%，影像质量较好。

为减少不同时相影像在大气、地形、光照方面的差异，保证影像在空间叠加分析的准确性，对原始数据在ENVI5.3中采用辐射定标将灰度值转换为反射率，利用FLAASH大气校正消除大气辐射与散射造成的误差，采用二次多项式和最邻近像元法对5期影像进行几何校正，使均方根误差满足(RMS)<0.05的要求，避免后期差值变化分析出现误差[21]，依据研究区矢量边界裁剪预处理后的遥感影像。

1.2 研究方法

遥感生态指数(RSEI)是一种基于湿度、绿度、干度和热度4种自然因子为主的评价生态状况的体系，可以快速评价生态环境状况[22]。计算湿度、绿度、干度和热度4个自然指标，将各个指标进行标准化从而消除量纲的差异，利用主成分分析法，构建一个快速且客观的定量评价模型[23-24]。

RSEI=f(WET,NDVI,NDBSI,LST)

(1)

式中:WET代表湿度指标；归一化植被指数(Normalized Differential Vegetation Index, NDVI)代表绿度指标；地表温度(Land Surface Temperature, LST)代表热度指标；建筑指数—裸土指数(Normalized Differential Building-Soil Index, NDBSI)代表干度指标，4个分量指标的计算如下。

1.2.1 湿度指标 湿度指标(WET)高低与生态环境质量存在相关性，反映了土壤及植被的湿度[25]。通过缨帽变换法[26]压缩数据和去除数据的冗余，得到3个分量分别是“亮度”、“绿度”和“第三分量”，将第三分量作为湿度因子，反演公式[27- 28]。

TM数据：WET=0.0315ρblue+0.2021ρgreen+

0.3102ρred+0.1594ρnir-

0.6806ρswir1-0.6109ρswir2

(2)

OLI数据: WET=0.1511ρblue+0.1973ρgreen+

0.3283ρred+0.3407ρnir-

0.7171ρswir1-0.4559ρswir2

(3)

式中:ρblue，ρgreen，ρred，ρnir，ρswir1，ρswir2分别为TM和OLI影像蓝、绿、红、近红外、短波红外1,短波红外2波段的反射率值。在大气校正过程中,反射率被扩大10 000倍,需除以 10 000,得到湿度指标。

1.2.2 绿度指标 绿度指标(NDVI)可以反映出生态环境的脆弱性[29]，且被广泛的应用于植被变化监测，可以明显的区分植被的生长态势和密度状况，本研究选取NDVI作为绿度指标。

(4)

1.2.3 干度指标 干度指标(NDBSI)以选取的建筑指数和裸土指数两个指标的平均值表示[30]，两种指标指数可以表示出地表生态环境的“干化”情况。

(5)

式中:IBI为建筑指数；SI为土壤指数。

1.2.4 热度指标 热度指标(LST)地表温度与社会经济发展、自然现象等有着密不可分的关系[31]，通过地表温度来反映地表生态环境的状况，本文采用大气校正法，根据Landsat手册以及最新的参数进行反演计算[32]。

L=gain×DN+bias

(6)

(7)

(8)

式中:L为热红外波段的辐射值,像元的DN值；gain和bias为L波段的增益值和偏置值,从影像的头文件获得;T为传感器处温度值;K1和K2分别为定标参数,根据用户手册及Chander[33]最新定标参数获得:对于TM,K1=607.76 W/(m2·sr·μm),K2=1 260.56 K;对于TIRS,K1=774.89 W/(m2·sr·μm),K2=1 321.08 K；λ为热红外波段的中心波长(λ=11.45 μm;ρ=1.438×10-2mK；ε为地表比辐射率)。

1.2.5 遥感生态指数的综合构建 以上述公式计算出遥感生态指数的分量指标，对4个分量指标进行归一化处理以消除量纲差异，构建RSEI。研究区水系发达，更有长江横贯而过，为避免大规模水体对湿度指标反演造成影响，故通过计算归一化水体指数(Modified NDWI，MNDWI)[34]提取水域范围，通过掩膜处理并剔除。常规方法可以通过对各指标直接求和[35]，或者通过计算出4个分量的平均值再进行求和，或者赋予相应权重再相加[36]。上述方法的局限性在于数值上的简单相加减以及指标权重的人为确定无法真实反映指标之间的内在联系，不能较好的反映出评价模型的精确性。综上，为保证评价模型的全面性和准确性，本研究采用主成分分析(Forward PCA Rotation New Statistics and Rotate)，该方法采取依次垂直旋转坐标轴的方法将多维信息集中到少数几个特征分量，从而实现多因子的降维[37]。对主成分分析贡献率最大的第一主成分进行正负转置处理并得到初始值RSEI0，使大的数值代表好的生态状况。

RSEI0=1-{PC1[f(NDVI,WET,NDBSI,LST)]}

(9)

考虑到多期指数的度量和比较，对RSEI0进行归一化处理后最终构建遥感生态指数RSEI。

(10)

式中:RSEI0和RSEI分别为遥感生态指数4个分量指标经过主成分变换后得到的初始值和归一化后的RESI0;PC1为贡献率最大的第一主成分值;RSEI0-max和RSEI0-min分别为RSEI0的最大值和最小值。遥感生态指数RSEI的值域为0到1,其值越大,表示生态状况越好。

2 结果与分析

2.1 RSEI的构建与相关性分析

运用ENVI对4个指标的叠加图层进行主成分分析，主成分分析结果(表1)表明，1994年、2000年、2007年、2013年、2019年分析结果的第一主成分贡献率分别为84.5%，75.4%，81.3%，76.2%，78.9%，均大于75%，说明能较好集中4个指标的大部分属性特征。同时，观察表1中各年份第一主成分4个指标的贡献度，其中绿度和湿度的贡献度均为正值，可说明该两项指标共同对生态环境起促进作用，而热度和干度指标的均为负值，说明该两项指标共同对生态环境起阻碍作用，这与实际的生态现象相符，因此本研究采用贡献率最高的第一主成分进行RSEI的计算。

表1 指标第一主成分

分析各指标与遥感生态指数RSEI以及各指标自身之间的相关性(表2) ，该分析可进一步揭示RSEI相对于各指标的综合代表性。就4个指标的平均相关度而言，干度指数NDBSI的平均相关度最高，NDBSI在5个年份的均值达0.722；而平均相关度最低的指标为热度指数LST，5个年份的均值为0.571。RSEI与各年份4个指标之间的平均相关度都大于0.8，且5个年份的相关度平均值达0.842，比单指标最高的NDBSI高出16.6%，比最低的LST高出47.5%，比4个指标的相关度均值0.626高出34.5%。因此，该结果表明构建的RSEI与4个指标之间存在较好的相关性，在全面综合反映本研究区生态环境质量方面比任一单指标更具优势和代表性。

表2 各指标和RSEI指数的相关性统计

2.2 三峡库区重庆段水土保持生态功能区生态环境质量分析

2.2.1 三峡库区重庆段水土保持生态功能区生态环境质量时序变化 统计1994—2019年三峡库区重庆段水土保持生态功能区NDVI，WET，LST，NDBSI等4个分量指标和RSEI遥感生态指数(归一化)的均值，分析研究区整体生态环境质量(图1)。结果表明，25 a间研究区RSEI平均值从0.525上升至0.653，上涨幅度达24.38%，生态环境质量整体呈明显改善趋势；其中，对生态环境起促进作用的绿度和湿度指数在25 a间上涨幅度分别为17.33%和14.12%；而对生态环境起阻碍作用的热度指标变化幅度较小，上升幅度仅为3.56%，干度指数则因为植被覆盖度的上升以及裸土面积的减少，下降幅度明显，达17.54%，生境质量改善趋势明显。

图1 1994-2019年单一指标和RSEI平均值

为了更好分析研究区生态环境质量，将各年份的遥感生态指数RESI按0.2为间隔等间距划分为5个等级，依次代表研究区生态环境质量差(0～0.2)、较差(0.2～0.4)、中等(0.4～0.6)、良(0.6～0.8)、优(0.8～1)[38]，统计1994—2019年研究区各生态环境质量等级的面积及占比见表3。由表3中的信息，分析各年份研究区各等级地类所占面积和比例的统计结果，表明1994—2019年以生态环境质量中等和良好的地区为主，生态环境质量是中等的地区面积占比分别为45.66%，58.01%，48.33%，36.20%以及24.13%，除2000年有增长外，占比呈逐年下降趋势，25 a间共减少2 256.92 km2；生态环境为良的地区面积占比逐年攀升，分别为29.05%，32.90%，39.88%，52.15%以及60.39%，总增幅为31.34%，共增加面积3 191.99 km2，同时，优等级地区面积占比总增幅为8.05%，共增加面积843.71 km2，生态环境状况改善趋势明显；较差和差等级地区面积在25 a间呈总体下降趋势，共下降面积达1 778.79 km2，其中生态环境质量较差等级的面积占比从1994年的21.05%下降到2019年的4.56%，降幅为16.49%，下降幅度明显，再次印证了三峡库区重庆段水土保持生态功能区生态环境质量持续改善的总体趋势。

表3 1994-2019年RSEI各等级面积及百分比

2.2.2 三峡库区重庆段水土保持生态功能区生态环境质量动态变化监测 在对三峡库区重庆段水土保持生态功能区RSEI值的分级基础上，运用差值变化揭示1994—2000年、2000—2007年、2007—2013年、2013—2019年4个时间段生态环境质量的动态变化过程。根据表4的分析结果可以看出：1994—2000年研究区生态环境质量退化的面积为991.895 km2，面积占比达9.46%，生态环境质量改善的面积达2 336.257 km2，占总面积的22.29%，生态环境总体质量得到好转。2000—2007年，研究区生态环境质量退化的面积为983.010 km2，所占比例达9.38%，生态环境质量改善的面积为1 785.949，占总面积的17.04%，而保持稳定未发生变化的区域面积为7 711.900 km2，面积占比为4个时间段最高，达73.58%，虽较上一时段增幅放缓但生态状况仍在改善。2007—2013年，研究区生态环境质量退化区域为548.081 km2，面积占比5.229%，而生态环境质量改善区域面积为3 251.328 km2，面积占比为31.02%，生态环境转好趋势明显。2013—2019年，生态环境质量退化区域面积为966.874 km2，面积占比9.22%，较上一时段略有上升，生态环境质量改善区域面积为2 789.933 km2，面积占比26.62%。稳定不变区域面积为6 724.051 km2，占总面积的64.156%，与上一时段的63.75%基本持平。研究区总体生态环境质量持续改善，但改善速率逐渐放缓。

表4 1994-2019年RSEI差值变化

总体来看、1994—2019年的25 a间，生态环境质量改善面积为6 265.673 km2，所占比例为59.78%，退化面积较小，为604.789 km2，面积占比仅为5.77%，改善面积占比高出退化面积占比54个百分点，总体生态环境质量改善趋势明显，同时说明重庆市政府在近25 a内对三峡库区水土保持生态功能区的生态状况保持极高的重视程度，一系列针对研究区生态治理的措施在有力推进和大力实施下取得了成效。但从总体的变化趋势来看，近期改善的速率放缓而退化的面积增加，对待生态保护的工作仍不能懈怠。

结合图2可看出，1994—2000年三峡库区重庆段水土保持生态功能区生态环境质量改善较为明显，主要改善区域集中于长江沿岸地区，而主要退化区域主要集中于研究区南部以及东北和西北边缘地区；2000—2007年，研究区生态环境质量变化较小，大体保持稳定态势，长江以北区域退化面积较为集中，而长江以南改善面积较为集中；2007—2013年研究区生态环境质量改善明显，3个区县境内生态状况大幅好转，除主要城镇建成区发展需要使周边退化区域略微增加外，奉节县东南部因主体施工活动加剧致使退化区域较为集中；2013—2019年，生态环境质量改善面积仍大于退化面积，生态环境质量持续好转。生态环境改善区域在云阳县北部和奉节县南部出现大面积连片聚集，但因社会经济发展的需要，长江沿岸人为活动再次加剧，致使3个区县城市建成区以及周边沿岸的退化区域增加明显，巫山县因新建机场等主体施工活动，退化状况尤为突出。

图2 遥感生态指数变化监测

总体来看，1994—2019年研究区生态环境质量得到明显改善，改善面积占比接近总面积的60%，改善面积幅度经历“下降—上升—下降—上升”的过程，于第三时间段2007—2013年幅度达到峰值，为31.02%，该时间段稳定区域面积占比为63.75%，第四时间段2013—2019年稳定区域面积占比64.17%，说明该地区在这两个时间段稳定区域面积已占据主导且整体生态环境质量趋于稳定，表明近期生态环境治理措施较为成熟，取得显著成效。巫山县东南和东北部植被覆盖度减少，出现大面积裸土致使生态退化，因此在对长江沿岸生态重视的同时也应注意对研究区边缘区域的合理保护，避免出现顾此失彼的情况。

综上，三峡库区重庆段水土保持生态功能区生态环境质量改善效果明显。其原因可分为自然因素和人为因素两部分，自然因素为该研究区属湿润亚热带季风气候，常年雨量充沛、湿度大、云雾多，为植物生长提供了充足的水源，自然生长条件较好，植被覆盖面积易上升；人为因素主要包括该地区社会经济的发展，产业持续转型升级，一定程度上降低了对农耕经济的依赖程度，退耕还林和退牧还草使大量坡耕地面积转变为植被。加之对不合理土地利用方式的转变以及集约节约等措施的大力度实施，减缓了紧张的人地关系，使得本研究区生态环境质量逐渐改善。

2.3 RSEI的建模和预测

为进一步定量刻画三峡库区重庆段水土保持生态功能区生态状况，建立研究区生态模型，用于对生态环境质量变化的模拟和预测。对本研究区进行随机采样，以生态指数RSEI为因变量，以NDVI，WET，LST及NDBSI为自变量进行逐步回归分析。从研究区中采集90 000个点，并按各分量对其赋值。足够多的样点和贯穿全影像的采样方法可以避免少量样点和局域性地抽样所带来结果的不确定性，各年份回归模型如下(均通过1%显著性检验)：

RSEI1994=0.314+0.390NDVI+0.287WET-

0.248LST-0.123NDBSI (R2=0.990)

(11)

RSEI2000=0.322+0.340NDVI+0.362WET-

0.240LST-0.146NDBSI (R2=0.985)

(12)

RSEI2007=0.436+0.256NDVI+0.315WET-

0.271LST-0.193NDBSI (R2=0.994)

(13)

RSEI2013=0.376+0.223NDVI+0.420WET-

0.242LST-0.188NDBSI (R2=0.989)

(12)

RSEI2019=0.478+0.265NDVI+0.337WET-

0.244LST-0.249NDBSI (R2=0.997)

(13)

研究区生态模型各指标在5个年份的回归分析中未出现任何一个被剔除的情况，说明所选4个指标皆为刻画研究区生态环境质量的关键性指标。其中RSEI与NDVI，WET成正比关系，说明对生态环境质量起正面影响；RSEI与LST，NDBSI成反比关系，说明对生态环境质量起负面影响，这与选取的贡献度最大的第一主成分情况吻合。从模型各指标回归系数的绝对值来看，对RSEI贡献度最大的是WET，为影响生态环境的主要因素。NDVI次之，然后依次为LST和NDBSI，且各年份对生态起正面作用的NDVI和WET系数之和均大于起负面作用LST和NDBSI系数绝对值之和，这与上述生态环境质量连年改善的结论也相符。进一步分析5个年份回归模型的系数变化可以看出：正向指标中，NDVI对RESI的贡献率呈先下降后上升的趋势，WET对RSEI的贡献率呈明显波动趋势；负向指标中，LST对RSEI的贡献率波动较为稳定，NDBSI对RSEI的贡献率连年上升，说明随着经济提振及发展建设的需要，研究区建设用地的面积在不断扩大，地表植被遭到破坏，裸土面积增加。虽研究年限内生态环境质量改善趋势明显，但仍需要警惕过度开发对生态环境带来的潜在风险。

以2019年为例，图3各指标的散点在三维特征空间的分布状况来分析它们与RSEI之间的相互关系。可以看出，图3A中NDVI和WET值越高时，RSEI值随之升高，进一步说明植被生长越好、水分越高的区域，生态环境质量越高；图3B是对生态起负面影响的RSEI与NDBSI，LST的三维关系图，可以看出，NDBSI和LST值越高时，RSEI值随之降低，说明地表温度越高、建筑及裸土面积越大的区域，生态环境质量越低。

图3 生态环境质量三维关系

基于现有研究内容，利用1994—2019年NDVI，WET，LST，NDBSI及RSEI的平均值并运用Excel中的TREND函数预测2025年研究区的生态环境质量各指标值。由图4观察可知，2025年研究区生态环境质量将继续上升，但上升幅度较小，NDVI上升幅度较大，NDBSI较2019年基本持平，而LST出现下降，下降幅度较小，总体来看研究区的生态状况在多年治理和保护下逐渐趋于稳定。因此，研究区在后续的生态环境建设中，应仍采取积极的措施进行持续的生态治理及保护，在提高研究区植被面积的基础上努力提升植被质量，培育抗干扰性强、稳定性高的高质量森林植被。在今后的发展过程中既满足人口及经济增长、城市化程度上升等需求的同时协调好与生态保护之间的关系，加强城市建成区的绿化建设，并时刻警惕长江沿岸因过度开发致使的土地干化和植被退化以及随之而来的水土流失，这都将是库区水土保持生态功能区生态治理的重点。

图4 RSEI变化趋势及预测

3 结 论

(1) 1994—2019年三峡库区重庆段水土保持功能区RSEI均值由0.525上升至0.653，增加0.151，上涨幅度达24.38%，且自2013年来，良和优等级地区面积占比均超过55%，说明生态环境整体质量改善明显并逐渐趋于稳定。

(2) 差值分析结果表明，生态环境质量改善面积为6 265.673 km2，所占比例为59.78%，退化区域面积较小，为604.789 km2，面积占比仅为5.77%，改善面积占比高出退化面积占比54个百分点，总体生态环境质量改善趋势明显。从空间分布上看，1994—2019年研究区改善区域较广，主要集中于奉节县和云阳县；退化区域集中于三区县主要的城市建成区以及管辖范围内具有一定规模的村镇，巫山县北部和东南部退化面积较集中，但整体改善趋势明显。

(3) 对2025年研究区的生态环境质量各指标值进行预测，NDVI，WET均出现上升趋势，LST则出现下降，NDBSI小幅度上升，RSEI仍持续上升，但上升速率明显放缓，研究区在后续的生态环境建设中，仍应进行持续的生态治理及保护。