基于遥感生态指数的京郊南部城市生态评价——以涿州市、固安县为例

温小乐，陈旭，徐涵秋

(福州大学环境与安全工程学院，福建 福州 350108)

0 引言

中国城市的快速发展以及建设用地的大量扩张，催生出一系列以大城市和超大城市为核心的大都市圈，以京、沪为代表的一线大都市在不断发展壮大的同时也引发了诸如资源短缺、能源紧张、环境污染等一系列的“城市病”[1-2]. 随着区域协同发展和产业转移，大都市周边的卫星城在迎来发展契机的同时也面临着较大的生态风险. 河北省涿州市和固安县地处北京市南郊，毗邻北京的南大门，近年来掀起了大规模城市建设热潮，承接了大量的北京转移产业，及时对这些卫星城市开展快速有效的生态状况监测与评价显得尤为重要.

遥感技术因其快速、实时的优势在生态监测与评价领域得到广泛的应用，为区域生态评价提供了有效的研究手段[3-4]. 纵观现有的遥感生态评价方法，以采用单一生态指标偏多，如单纯利用植被指数或地表温度指数来表征地表生态的优劣，但这种单一评价指标无法客观全面地反映生态的综合变化[5]. 从综合指标来看，目前应用较多的是2006年中国环境保护总局提出的环境生态指数(ecological index, EI)[6]，该评价方法虽然融合了植被覆盖度、水网密度、生物丰度等多个指标且在研究中取得了一定的成果[7-8]，但由于在指标选取和权重赋值过程中存在人为主观干扰过多等不足而难以得到广泛应用. 2013年徐涵秋通过遥感信息反演获得多项可直观反映生态状况的因子，构建基于遥感数据的新型生态评价指数—遥感生态指数(remote sensing based ecological index, RSEI)[9]，该指数耦合了多项生态指标，可对区域生态状况开展快速有效的综合性评价，已在众多城市和地区的生态评价中得到广泛应用[10-19].

本研究基于遥感生态指数，分析涿州市和固安县近20年间(1997—2017年)生态状况的变化趋势并探究变化原因，为该地区的生态保护和建设规划提供科学依据.

1 研究范围和研究方法

1.1 研究区概况

图1 研究区位置Fig.1 Location of the study area

研究区为河北省涿州市和固安县(39°8′N-39°36′N, 115°44′E-116°29′E)(图1，红色矩形区域表示地图所示范围在京津冀地区位置)，毗邻北京市南部，属暖温带半干旱半湿润大陆性气候，西北部略高、东南偏低，全境地势平坦. 地处华北平原中部，域内拒马河穿流而过形成冲积平原，土地肥沃[20-21]. 研究区耕地资源丰富，受北京辐射带动作用影响，发展迅速，城市发展与资源、环境的矛盾日益激化，生态面临严峻挑战.

1.2 数据及预处理

数据来自地理空间数据云(http://www.gscloud.cn/)，获取了3期Landsat系列遥感影像，分别为1997-09-21 Landsat5 TM影像、2009-09-22 Landsat5 TM影像和2017-09-28 Landsat8 OLI影像. 三景影像获取时间都处于9月下旬，确保了研究结果的可比性.

为消除遥感影像在获取过程中受到的大气条件、光照以及地表起伏的影响，需要对影像进行几何校正和大气校正等预处理. 几何校正主要通过ENVI软件的Registration模块对不同年份影像进行配准，使其几何精度达到应用要求； 采用辐射定标[22]和6S模型法对影像进行大气校正[23].

2 遥感生态指数

遥感生态指数(RSEI)是一种新型的遥感指数，可用于综合评价研究区的生态状况. 该指数由绿度、湿度、热度和干度4个指标耦合形成，其中，植被指数[24]用来表征绿度，湿度指数[25]用来表征湿度，地表温度[26]用来表征热度，裸土指数[27-28]用来表征干度，各指标表达式如下：

1) 绿度指标. 由归一化植被指数(normalized difference vegetation index, NDVI)来表征：

NDVI=(ρNIR-ρred)·(ρNIR+ρred)-1

(1)

式中：ρNIR、ρred为近红外波段和红波段.

2) 湿度指标. 遥感缨帽变换所获取的湿度分量可以较好反映地表的湿度状况. 基于TM 和 OLI 数据的湿度分量(Wet)的提取公式为：

Wet1997、2009=0.031 5ρblue+0.202 1ρgreen+0.310 2ρred+0.159 4ρNIR-0.680 6ρSWIR1-0.610 9ρSWIR2

(2)

Wet2017=0.151 1ρblue+0.197 2ρgreen+0.328 3ρred+0.340 7ρNIR-0.711 7ρSWIR1-0.455 9ρSWIR2

(3)

式中：ρblue、ρgreen、ρred、ρNIR、ρSWIR1、ρSWIR2分别为Landsat影像的蓝波段、绿波段、红波段、近红外波段、短波红外1波段和短波红外2 波段的反射率.

3) 热度指标. 由经过反演的地表温度(land surface temperature，LST)来表征，采用基于大气校正法[29]，获得LST：

Lλ=[εB(TS)+(1-ε)L↓]τ+L↑

(4)

式中：ε为比辐射率；B(TS)为黑体热辐射亮度；τ为大气在热红外波段的透过率；L↑和L↓分别为大气向上辐射亮度和大气向下辐射亮度.则反推B(TS)、TS分别为：

(5)

(6)

式中：TS为地表温度. 对于TM[30]，K1=607.76 W·(m2·μm·sr)-1； 对于TIRSBand10，K1=774.89 W·(m2·μm·sr)-1，K2=1 321.08 K； 通过NASA的网站(http://atmcorr.gsfc.nasa.gov)查询得到L↑、L↓和τ，以及通过Sobrino方法[31]计算得到ε，就可计算得到地表温度.

4) 干度指标. 建筑用地、不透水面的增加会造成地表“干化”，选用建筑指数(index-based built-up index, IBI)[32]和裸土指数(soil index, SI)[27]合成干度指数(NDSI)：

(7)

考虑到上述4项指标的量纲都不同，均采用归一化进行处理. 对4项归一化指标通过主成分分析[33-34]及归一化后获得RSEI：

RSEI0=1-PC1

(8)

RSEI=(RSEI0-RSEI0_min)·(RSEI0_max-RSEI0_min)-1

(9)

其中： RSEI0_max代表RSEI0这个指标的最大值； RSEI0_min代表RSEI0这个指标的最小值. 最终的 RSEI值在0～1之间，数值越大代表生态状况越好，反之则越差.

3 结果与分析

3.1 研究区生态质量变化分析

研究区1997年、2009年和2017年4个生态指标与RSEI的计算结果见表1，RSEI反演结果见图2. 结果显示，在所有3个时相的4个主成分分量(PC1、PC2、PC3、PC4)中第一主成分的贡献率都大于80%，表明第一主成分已经集中了4个分量的绝大部分特征，因此可以用第一主成分来表征区域的生态质量. 分析RSEI与PC1的相关性发现，3个年份的绿度分量和湿度分量与RSEI都呈正相关，干度分量和热度分量与RSEI都呈负相关. 在1997—2017年间研究区生态质量总体下降： RSEI的均值从1997年的0.66下降到2009年的0.56，降幅16.67%，生态恶化明显. 然后由2009年的0.56下降到2017年的0.50，降幅10.71%，2009—2017年生态质量下降放缓. 这一结果也可以从图2中直观反映，对比1997年、2009年与2017年的指数图，研究区生态差的区域分布显著增多而生态优的区域分布则明显减少，可见近20 a间研究区整体生态状况趋于退化，生态质量下降明显.

表1 主成分分析结果

图2 1997，2009和2017年研究区RSEI图Fig.2 RSEI maps of the study area in 1997, 2009 and 2017

为定量分析20年间研究区生态质量的变化情况，将RSEI数值平均分为5个等级[8]，数值由低到高分别代表生态差、较差、中等、良、优5个等级，并对各等级面积进行统计(表2). 结果表明，2009年研究区生态等级为差和较差的面积是1997年的1.55倍，而等级为优的面积为1997年的26.21%； 2017年研究区生态等级为差和较差的面积是1997年的2.22倍，而等级为优的面积仅为1997年的17.41%，研究区20年间生态质量呈显著下降的趋势. 用差值算法对研究区生态变化进行分析，结果如表3所示.

表2 研究区的生态级别面积和比例

表3 研究区生态分级变化

1997—2009年生态退化的面积为746.30 km2，占比50.38%，生态改善的面积为258.90 km2，占比17.47%； 2009—2017年生态退化的面积为589.90 km2，占比39.82%，生态改善的面积为332.42 km2，占比22.44%. 相比1997—2009年, 2009—2017生态改善的面积有所提高，但仍然低于退化的面积. 截止2017年，研究区生态较差区域占比高达30%，生态面临严峻挑战. 综合来看, 1997—2017年RSEI各等级变化显著，将近60%的区域其生态趋于退化，而生态改善的区域则不足15%. 结合研究区RSEI变化图(图3)发现，1997—2009年研究区西部和东南部生态质量下降明显； 1997—2009年西部和东南部不少区域生态已经开始恢复，而北部和南部生态质量有明显下降.

图3 1997—2009年和2009—2017年研究区RSEI变化图Fig.3 The change of RSEI in the study area from 1997 to 2009 and 2009 to 2017

3.2 生态质量变化原因

为详细探究研究区生态变化的原因，采用监督分类法对研究区进行地表覆盖分类，根据研究区实际用地状况主要分为建筑用地、裸地和植被3大类. 通过目视解译获得分类样本，采用最大似然法进行分类； 基于ArcGIS软件在研究区范围内随机选取388个点，并利用Google Earth影像作为精度验证数据，土地利用分类总精度为89.43%，Kappa系数为0.80，满足分类精度要求. 从图4分类结果可以看出，两个时相的不同地类空间分布差异明显，1997—2017年间研究区的植被分布面积减少而建筑用地大幅激增. 1) 建筑用地面积由1997年的240.59 km2上升到2009年的375.54 km2、2017年的786.45 km2，总体增长2.3倍. 2) 植被面积由1997年的1067.50km2减少到2009年的996.8 km2、2017年的542.62 km2，减少49.17%. 3) 裸地面积由1997年的172.56 km2减少到2009年的108.36 km2、2017年的151.28 km2，下降12.32%. 这一系列变化数据正好说明了表1的研究结果. 研究区植被的大面积锐减，致使绿度和湿度数值呈大幅下降； 而建筑用地快速增加，导致热度和干度数值上升显著[35]，这一降一升最终导致了研究区的整体生态水平趋于退化.

图4 1997，2009和2017年研究区主要地表覆盖分布图Fig.4 Main land cover types of the study area in 1997, 2009 and 2017

图5 植被覆盖占比与区域RSEI均值线性回归图Fig.5 Regression of the proportion of vegetation coverage and the mean of regional RSEI

综上所述，1997—2017年间研究区南部区域生态下降明显，东部和西部生态变化较小且局部生态有一定程度的改善，这与涿州市和固安县这两个片区的城市发展模式有着直接关系. 根据《2004—2020年涿州市城市总体规划》[36]，涿州市为进一步增强“大北京”的区位优势，大力实施城镇一体化发展，着重发展城东北旅游业和城南现代制造业，计划到2020年城镇化率达65%. 涿州市南部的林家屯镇、高官庄镇工业园区进行了大规模建设，导致涿州南部建筑用地面积激增，植被面积减少，生态水平趋于退化. 而城西由于绿化增加和生态工程的实施，生态保持在较好的水平； 在《2008—2020年固安县城市总体规划》[37]中，固安拟坚持“工业化、园区化”的战略，推进城市化进程，城镇化率实现由2008年的38%到2020年60%以上的转变. 固安县临近北京的东北方向大力进行生态改善工程[38]，从图4可以看出固安县城东北部裸地大面积被植被取代，城东生态质量有所改善(图3). 而南部的东湾乡、柳泉镇、马庄镇等片区一系列产业园的兴建，大量植被被建筑用地取代，生态质量下降明显.

为进一步分析地表覆盖与RSEI之间的关系，在乡镇尺度建立区域植被覆盖占比与区域RSEI均值之间定量的关系(图5)，相关实验发现，遥感生态指数为最佳拟合模型.

研究发现植被覆盖占比与RSEI均值呈指数关系. 也就是说，随着当地的植被覆盖占比增大，RSEI增大速率加快，当地生态改善更加明显.

4 结语

1) 1997—2017年间研究区总体上生态质量下降明显，RSEI均值由0.66下降到0.50，生态质量提高的面积仅为221 km2，占总面积的15%； 而生态质量下降的面积为877 km2，占总面积的59%.

2) 在乡镇级别上，植被覆盖占比与RSEI均值呈指数关系，随着区域植被覆盖占比的下降，RSEI对其敏感度降低； 但在植被覆盖占比增大的同时，RSEI增大速率加快，生态改善更加显著.

3) 20 a间研究区生态质量变化较大，南部生态质量一直呈下降趋势，西部先改善后退化，而东北部生态保持相对较好. 地表覆盖类型的变化对区域RSEI造成剧烈的影响： 南部大面积工业园区的建设使得大量植被区域被建筑用地取代，干度和热度上升导致生态质量降低； 东北部绿化面积增加使裸地面积大幅减少，绿度和湿度上升使得生态质量提高. 植被对研究区生态改善极为重要，为降低北京南郊的生态风险. 研究区在未来的建设中应严格控制建筑用地面积，尽可能增加建成区的绿化面积，加快建设城市生态公园和生态走廊, 鼓励居民和单位在建筑顶层构建空中花园，促进城市可持续发展.