基于新遥感生态指数环境质量动态监测——以阜新市为例

气候灾害易影响生态环境,传统的遥感生态指数(RSEI)缺乏气候因素影响生态质量的研究,本研究引入气象因子并优化了生态因子的选择,更加综合全面评价区域内的生态环境质量。使用主成分分析法构建新遥感生态指数(NRSEI),对各因子及多因子交互分析。结果表明,NRSEI较RSEI各因子在第1主成分贡献率均值提升12.53%,并且NRSEI与各因子相关性为高度相关,3 a均值为0.853。分析了2013-2020年阜新市生态环境的变化特点和原因,并利用NRSEI对研究区域的生态环境质量进行动态监测和评估,总体来看,2013-2020年阜新市生态环境状况变好,对于阜新市与NRSEI相关性最高的单个因子是湿度因子,因此阜新市相关部门应注重对河流、湖泊和湿地的保护,减少建筑开发,以改善城市的环境质量。

长白山区4种针叶林有效叶面积指数遥感精细反演及空间分布规律

[目的]研究快速、准确、宏观获取不同森林类型有效叶面积指数(LAI_(e))的方法,探讨其空间分布规律,为中小尺度森林LAI_(e)遥感产品的开发提供新思路,为林业精细化监测和森林生态系统碳水循环模拟提供科学可靠的技术手段。[方法]以长白山为研究区,基于Sentinel-2A多光谱影像,运用三维卷积神经网络提取研究区4种针叶林型(长白落叶松、樟子松、红松和红皮云杉)的空间分布;采用区分林型和全样本2种方案,分析样地实测LAI_(e)与7种植被指数(增强植被指数、反红边叶绿素指数、改进简单植被指数、归一化水体指数、归一化植被指数、土壤调节植被指数、简单植被指数)的相关关系;利用各林型对应的最优植被指数,构建区分林型和全样本LAI_(e)与植被指数的回归模型,并基于验证样本数据对比区分林型模型、全样本模型和PROSAIL模型在LAI_(e)反演中的精度表现;结合地理因子分析4种针叶林型LAI_(e)空间格局及变化规律。[结果]所有样本组中7种植被指数与相对的LAI_(e)均存在极显著相关关系(P<0.01),除增强植被指数(EVI)与红松LAI_(e)、简单植被指数(SR)与红皮云杉LAI_(e)外,相关系数均大于0.6,但组间LAI_(e)与不同植被指数相关性具有较大差异;红松、长白落叶松和樟子松LAI_(e)与反红边叶绿素指数(IRECI)相关性最高,红皮云杉、红松LAI_(e)分别与EVI、改进简单植被指数(MSR)相关性最高;4种不同林型模型比全样本模型的R2提高12.7%以上,RMSE降低34.5%;研究区内4种林型LAI_(e)范围在0.37~5.86之间,平均LAI_(e)由高至低依次为红松、长白落叶松、樟子松、红皮云杉。红松对海拔、坡度、坡向的变化最为敏感,红皮云杉、樟子松次之,长白落叶松最小。[结论]不同林型LAI_(e)与遥感植被指数的相关程度存在明显差异,区分林型构建回归模型能够提高LAI_(e)反演精度;区分林型后拟合的线性模型精度整体较PROSAIL模型和全样本模型更高,但LAI_(e)高值区域没有PROSAIL模型表现稳定;4种针叶林型LAI_(e)对地理因子变化的反应差异较大。本研究可为精细区分森林类型的中小尺度针叶林LAI_(e)遥感反演研究提供参考。

公里网格尺度的陕西冬小麦综合遥感指数保险产品设计

基于遥感时序数据MOD13A2和陕西省99个气象站点的逐日气象数据,使用EVI差值法提取陕西冬小麦种植区,筛选与冬小麦单产相关性最高的遥感指数,结合冬小麦生育期内倒春寒、干旱、连阴雨以及干热风4个农业气象灾害的气象指标,构建综合遥感指数模型,以覆盖冬小麦全生育期的农业气象灾害风险。基于最优产量预测模型设计冬小麦综合遥感指数保险,采用分布拟合和蒙特卡洛模拟方法,计算10770个公里网格冬小麦综合遥感指数保险的理赔门槛值和精算纯费率,绘制理赔门槛地图和精算纯费率地图。结果表明:(1)采用EVI差值法提取冬小麦种植区,不同区域使用不同差值时段和门槛值,可获得较高提取精度,县域提取面积与2020年实际播种面积的相关系数达0.997,平均绝对误差524.9hm²;(2)2000-2020年第65、81天EVI及两者最大值与陕西冬小麦单产相关性较高,县域相关系数年平均值最高达0.692;(3)融合干旱、连阴雨和倒春寒3个农业气象灾害的气象指标,最优综合遥感指数模型模拟单产与实际单产的相关系数达0.837,最优综合遥感指数模型R²为0.602;(4)关中、陕南部分地区冬小麦种植风险较低,平均单产损失率低于2%,渭河与黄河交口处冬小麦种植风险较高,平均单产损失率高于4%,其余地区冬小麦种植风险介于两者之间。冬小麦单产和种植风险在县域以下区域存在较大空间差异,提高测算理赔门槛和精算纯费率的空间精度,能够使冬小麦高产地区和低产地区获得同样的赔付机会,避免赔付超过实际损失导致的道德风险,同时能够使费率与实际种植风险相匹配,增加费率公平性,提高低风险地区参保意愿,减少逆选择。

基于基线遥感生态指数的鄂尔多斯市生态质量分析

鄂尔多斯市是黄河流域重要的草原荒漠过渡带和农牧交错带,研究其生态质量变化对支持黄河流域生态保护和高质量发展具有重要意义。以MODIS遥感影像为数据源,通过改进常规归一化及主成分方法,计算鄂尔多斯市基线遥感生态指数(Baseline remote sensing ecological index,B_RSEI),分析该区域2001—2019年的生态质量时空变化特征。结果表明:(1)B_RSEI具有稳定的方向性和整体性,能更好地反映生态质量长时序变化,2001—2019年鄂尔多斯市B_RSEI呈现起伏增长和东高西低的空间分异性。(2)地表含水量指数是促进B_RSEI的主要因素,是解释B_RSEI分布的主要单因子,地表温度是抑制B_RSEI的主要因素,其交互作用最大。(3)鄂尔多斯生态质量以改善为主,占总面积的67.13%,准格尔旗、康巴什区、伊金霍洛旗地区生态治理效果显著。研究表明鄂尔多斯市生态质量整体改善,B_RSEI有利于分析生态质量年际变化,为鄂尔多斯市生态治理和黄河流域高质量发展提供参考依据。

基于遥感生态指数改进模型的沱江流域生态环境质量时空变化及驱动力研究

[目的]沱江流域面临严重的水土流失、水环境污染和土壤侵蚀等生态环境问题,开展流域生态环境质量评价对推动长江上游生态环境保护和流域社会经济高质量可持续发展具有重要意义。[方法]基于谷歌地球引擎平台,选取2000-2020年的Landsat遥感影像,以绿度、湿度、热度、干度、生物丰度指数构建生态环境质量评价模型,采用变异系数、一元线性回归和空间自相关分析方法对流域内生态环境质量的时空演变格局进行分析,并运用最优参数地理探测器模型(optimal parameter geographic detector model,OPGD)对其驱动力进行探测。[结果](1)2000-2020年,沱江流域生态环境质量多年平均值为0.66,等级以良为主,占比为63.01%。成都周边区县、内江、自贡、泸州等城镇地区生态环境质量较差,呈现南北低中间高的空间分布格局。(2)沱江流域生态环境质量总体呈下降趋势,生态环境质量变差的趋势显著,轻微退化和显著退化面积占比分别为19.75%和5.88%。人口密度大,社会经济发展水平高的城镇化地区,生态环境质量以较高波动为主,占比为18.15%。(3)2000-2020年沱江流域全局自相关莫兰指数范围为0.769~0.870,主要分布在第1象限和第3象限,局部自相关的高-高集聚区和低-低集聚区范围随时间呈显著变化,景观斑块破碎化明显。(4)OPGD结果表明,土地利用类型、坡度、高程、夜间灯光为流域生态环境质量变化的主要驱动因子,人口密度、气温和GDP为次要驱动因子,降水量和坡向因子影响较小。土地利用类型与其他因子交互作用增强对流域内生态环境质量变化的影响。[结论]改进的遥感生态指数模型对开展区域生态环境质量评价提供新方法,研究结果为生态环境保护提供参考。

基于遥感生态环境指数的生态环境质量分析——以甘南藏族自治州为例

加强对甘南藏族自治州近年来的生态环境质量分析与监测,可对该地区生态坏境质量格局建设与保护提供参考。以Landsat8 OLI-TIRS陆地成像仪的遥感影像数据为基础数据,通过构建甘南藏族自治州生态环境质量指数,运用遥感生态指数模型(RSEI)和主成分分析,对比分析研究区2010年7月、2015年7月及2020年7月遥感影像数据,对其生态环境质量做出研究评价。结果表明,虽然甘南藏族自治州生态环境质量较好,但是其生态环境质量格局演变程度较为明显,亟待加强生态环境保护。

基于改进遥感生态指数的干旱内流区生态质量评价--以阴山北麓塔布河流域为例

干旱-半干旱地区生态环境脆弱,开展多要素、长时序生态质量动态变化研究,可为干旱-半干旱区生态建设与区域可持续发展提供科学依据。在遥感生态指数RSEI基础上,根据干旱-半干旱地区特点,耦合了绿度(NDVI)、湿度(WET)、热度(LST)、干度(SI)和盐度(SI-T)五个指标,提出适应干旱-半干旱区域生态质量评价的mRSEI模型,对1986—2022年间塔布河流域生态质量进行动态评价。利用Mann-Kendall突变检验、Theil-Sen(T-S)分析联合Mann-Kendall趋势分析法探究生态质量时空变化;引入欧洲中期天气预报中心发布的第五代再分析数据集(ERA5)的气象数据,在逐像元层面探讨了气候因素与mRSEI的相关关系。研究表明:(1)相较于RSEI而言,mRSEI能更好集成各生态分量包含的信息,且模型更加稳定可靠;(2)mRSEI受到的负面影响主要来自于盐度指标(SI-T),相关系数均值为-0.922,其影响力大于干度、热度指标,表明引入盐度指标对干旱-半干旱区生态质量评价具有重要意义;(3)研究时序内mRSEI介于0.179—0.423,生态质量总体呈下降趋势(Slope=-0.0014,P<0.05);(4)趋势分析结果表明,塔布河流域84.37%的区域生态质量未发生变化,另外15.63%中,生态质量退化面积占比远高于生态质量变好的区域,研究区生态质量总体呈退化趋势。(5)气候因素与mRSEI相关分析结果表明,降水与mRSEI呈正相关(r=0.411—0.807),年均气温与mRSEI呈负相关(r=-0.824—-0.398);时序相关分析结果表明,气温是研究区生态质量的主控因子。(6)人文因素虽然会对塔布河流域生态质量产生扰动,但并不起决定作用。基于改进的遥感生态指数mRSEI,能够科学监测干旱-半干旱区生态质量空间分布、准确把握生态质量变化趋势,可为干旱-半干旱地区生态保护提供理论支撑。

近30年天山北坡改进型遥感生态指数时空变化及其驱动因素

天山北坡是西北地区重要的生态功能区和重要经济带,受气候变化和人类活动的影响,脆弱的生态环境面临着巨大挑战,但目前对该地区生态环境质量时空变化、特征及驱动力的认识较少。为此,本文利用改进型遥感生态指数(ERSEI)、空间自相关分析、多元线性回归分析和地理加权分析方法揭示天山北坡1990、2000、2010和2020年4个时期生态环境质量时空变化、特征及其驱动因素。结果表明:(1)1990-2020年天山北坡ERSEI先大幅下降后逐渐恢复并持续上升,生态环境质量逐渐改善并趋于稳定,总体呈“东优西劣”的空间格局;(2)天山北坡生态环境对气候变化较为敏感,温度是ERSEI变化的最重要驱动因子;(3)不同驱动因素对ERSEI的影响存在显著的空间异质性,自然因素对局部ERSEI空间分异起主导作用,人为因素则对年际ERSEI变化产生重要影响。这表明气候变化和人类活动显著影响ERSEI变化,未来应科学规划各类经济活动,减缓气候变化效应,提升天山北坡生态安全和环境可持续性。

无人机遥感的多植被指数土壤水分反演模型

土壤水分是影响农业生产的重要因素,在作物生长发育和最终产量上起着至关重要的作用,快速、高效地估算土壤水分已成为农林水资源监测的热点问题。利用高光谱反射率的特征波段计算植被指数、构建土壤水分反演模型已获得广泛的认可和应用。针对反演土壤水分受植被覆盖度影响较大的问题,提出用多种植被指数组合削弱植被覆盖度对土壤水分反演的影响。在宜昌市仓屋榜试验基地选取30组柑橘树,在果树滴落线处收集土壤,通过烘干法测定土壤质量含水率,采样4次,共计120组土壤含水率;并利用ASD Field Spectral FR光谱仪(波长范围325~1 075 nm)及大疆精灵4多光谱版无人机获取了120组试验区蓝、绿、红、红边、近红外及短波红外波段光谱反射率,采用移动平均法对光谱数据进行降噪预处理,通过灰色关联法对9种植被指数进行比较分析,筛选出与土壤水分极显著相关的4种植被指数(p<0.01),各指数与土壤水分的相关性从高到低依次为裸土指数(BSI)、归一化蓝绿差异植被指数(NGBDI)、绿色归一化指数(GNDVI)、归一化差异植被指数(NDVI),其中BSI与土壤水分的相关性最高,相关系数为-0.687(N=120)。采用线性逐步回归法和非线性BP神经网络法建立了基于多种植被指数的土壤水分反演模型,依据决定系数(R^(2))、相对误差绝对值(ARE)、均方根误差(RMSE)作为反演模型的精度评价指标。结果表明:逐步回归模型和BP神经网络模型的土壤水分反演值与实测值之间的R^(2)分别为0.816、 0.889, RMSE分别为2.54%、 1.53%, ARE分别为21.13%、 8.88%,利用多植被指数组合的非线性BP神经网络算法基于植被指数建模对土壤水分反演的精度更高,在一定程度上可以克服植被覆盖度不同对土壤水分反演精度的影响,作为直接测定土壤水分的有效替代方法,为农业灌溉定量决策及科学管理提供科学参数。

基于遥感生态指数的广东石门台国家级自然保护区生态环境质量评价

基于遥感生态指数(RSEI)定量评估了1997—2021年石门台自然保护区的生态环境质量变化,探究该自然保护区建立与管控级别提升前后的生态环境质量变化情况,并运用随机森林算法和相关性分析方法探讨演变的原因。结果表明:石门台自然保护区RSEI值从1997年的0.637动态上升到2011年的0.714,随着自然保护区从省级升至国家级,生态环境质量稳步提高,2021年RSEI达到0.788;保护区生态环境质量变好的区域占比高达64.5%,其中,缓冲区改善较为明显,变差的区域主要集中在实验区人类活动频繁地区以及核心区高海拔山脊地带;RSEI对高程的响应最为明显,300~600 m生态环境质量最好,300 m以下和超过900 m生态环境质量相对较差;当土壤酸碱度为5.3、有机碳质量分数为4.1%、黏土质量分数为32%时,RSEI最高;居民活动从外向内(即实验区-缓冲区-核心区)对生态环境质量的影响程度逐渐降低且带来负面影响;时间上,RSEI与降水呈现正相关性,有23.6%的区域通过显著性检验(P<0.05),局部年份受降水的影响较大。总体上,石门台自然保护区生态环境质量变好趋势明显,今后应加强对高山顶部裸土区域以及低海拔人类活动频繁地区的保护和治理。

低覆盖草地叶面积指数遥感估算方法

有效估算低覆盖草地叶面积指数(LAI),对监测低覆盖草地生长状况、优化完善草地管理具有重要意义。以往针对草地叶面积指数的研究大多集中于中高覆盖度草地,对低覆盖草地的研究相对较少。利用谷歌地球引擎(GEE),基于Landsat-8卫星数据提取所需特征变量,通过特征变量与叶面积指数的相关性及其在模型中的重要性进行特征优选,确定模型最佳变量个数,以此构建机器学习模型,探寻适合在低覆盖区草地估算叶面积指数的方法。结果显示,基于相关性特征优选的梯度提升回归树模型(r-GBRT)在低覆盖草地估算叶面积指数的效果较好,测试集的R 2为0.686,均方根误差(RMSE)为0.101。结果表明,基于特征优选构建的机器学习模型在低覆盖条件下估算草地叶面积指数方面具有较好的应用价值。

毛竹向杉木林扩张不同阶段叶面积指数地面高光谱遥感模型研究

毛竹向杉木林扩张会引发“林退竹进”、林权纠纷等生态与经济问题。利用遥感有效反演毛竹演替过程对于科学管控森林资源意义重大。为了揭示地面高光谱在毛竹扩张不同阶段叶面积指数(LAI)反演的有效性,以毛竹在杉木林中扩张为研究对象,沿毛竹扩张方向设置四类杉竹比例样方,模拟扩张Ⅰ、Ⅱ、Ⅲ、Ⅳ阶段,根据原始光谱及开方、对数、倒数、一阶微分、二阶微分等10种光谱变换数据与不同扩张阶段LAI相关性选取特征波段,构建归一化植被指数(NDVI)、黄光波段指数(YI)等7个LAI显著相关植被指数,分别建立光谱信息与植被指数的五类单因素回归模型,基于植被指数利用神经网络、决策森林回归、贝叶斯线性回归和线性回归四种机器学习方法构建多因素回归模型,探讨毛竹向杉木林不同扩张阶段LAI高光谱反演模型适用性。结果表明:原始光谱的一阶微分、二阶微分、对数一阶微分和倒数一阶微分四类微分变换能够丰富光谱信息,更好表征毛竹向杉木林的扩张过程;植被指数中,YI与毛竹LAI相关系数最大,表现出毛竹扩张过程的高敏感性,NDVI反演效果最佳,但基于传统植被指数建模的总体反演效果不佳;基于微分变换光谱的二次多项式和幂指数回归模型在各扩张阶段表现更佳,神经网络算法在LAI反演方面优于其他机器学习算法,总体来看,基于光谱变换的传统回归算法优于机器学习建模方法。扩张第Ⅲ阶段基于对数倒数一阶微分变换光谱构建的模型(y=5.2914e^(183.76x))拟合效果最佳,建模集和验证集R^(2)分别为0.735和0.742,RMSE分别为0.733和0.468,nRMSE分别为14.0%和9.9%,建议毛竹扩张管控选在竹林各半的混交林中。系统开展毛竹不同扩张阶段LAI高光谱反演模型的创新分析,将为科学营林造林管理奠定基础。

基于遥感生态指数的海南五指山市生态环境质量评价及成因分析

五指山市作为海南生态环境保护的核心区,研究其生态环境质量及成因对保护海南生态环境完整性具有重要指导意义。以五指山市为评估单元,选取2001、2005、2010、2015、2021年Landsat影像,利用遥感生态指数(RSEI)对其生态环境质量进行评价与分析,并用Sen趋势分析和MK检验分析RSEI变化趋势,最后通过最优地理探测器模型(OPGD)分析2021年生态环境质量空间分异成因。结果表明,1)时间尺度上,2001-2021年五指山市RSEI先下降后上升,RSEI均值从2011年的0.579波动上升到2021年的0.682;2001-2021年五指山市RSEI一般和良等级的占比最大,超过92.27%;RSEI等级为良的区域波动增加,RSEI等级为一般的区域波动减少,这表明五指山市RSEI呈高质量波动式增长。2)空间尺度上,RSEI等级为差和较差的区域集中在低海拔水系周边的乡镇;一般等级主要围绕差和较差等级的周围;良和优等级分布在四周、中东部海拔高地区。RSEI显著改善区域与海南热带雨林国家公园五指山片区一致;而显著退化区域则分布在人口密集的乡镇地区。3)变化趋势上,研究区有92.58%的区域呈增加趋势,显著改善区域有5.93%;RSEI呈减少趋势的区域有7.42%,显著变差的有0.01%;趋势变化显示,21年间五指山市RSEI整体呈变好趋势,但是显著改善区域面积有限,仍需持续加强生态环境建设。4)驱动因子分析,气温、高程为主的自然因子和生产总值为主的社会因子是2021年五指山市RSEI空间分异的主要影响因子。高程在单因子中具有最大解释力,气温和高程交互作用对RSEI解释力最高,而降水对五指山市RSEI不具影响力。

基于改进遥感生态指数的尾矿库及周边区域生态环境质量分析

以广西武宣三里沙安尾矿库及周边区域为研究区,整合实测数据与遥感数据,在兼顾尾矿库及周边区域植被、地表湿润程度、地表温度及地表裸露度和建筑用地信息的基础上,考虑了选矿厂、尾矿库及周边区域的土壤重金属污染情况,将土壤重金属污染指标纳入遥感生态指数RSEI中,从而构建改进的遥感生态指数IRSEI,并结合移动窗口算法与主成分分析模型,构建了一种改进的遥感生态指数IRSEI_mw。结果表明:增加内梅罗综合指数有利于更精细地对金属矿区及周边区域的生态环境质量进行评估;相比于整体研究区,尾矿库内部生态质量整体较差,整个研究区内RSEI、IRSEI及IRSEI_mw的均值分别为0.53、0.52和0.58,尾矿库内三个生态指数的均值分别是0.29、0.27和0.22;相比RSEI及IRSEI,IRSEI_mw指数计算的区域生态质量结果的区分度有所增加,尾矿区内生态质量等级为差的区域范围大幅增加,尾矿区外部等级为优的面积大幅增加。总体而言,IRSEI_mw指数可有效量化尾矿库及周边区域生态环境质量,有利于更精细地对金属矿区及周边区域的生态环境质量进行评估。

基于改进遥感生态指数的吐鲁番-哈密地区生态环境质量评价及驱动机制分析

吐鲁番市和哈密市是我国盐渍化危害最严重的地区之一,明晰其生态环境变化趋势和驱动机制对吐鲁番-哈密地区生态文明建设具有重要意义。基于Google earth engine(GEE)平台,筛选2005—2020年6—9月Landsat影像,选取绿度(SVAI)、湿度(Wet)、热度(LST)、干度(NDBSI)和盐度(NDSI)构建改进型遥感生态指数(SRSEI)对吐鲁番-哈密地区生态环境进行评估。结果表明:(1)SRSEI使用SAVI代替NDVI并加入盐度指标(NDSI),与RSEI相比有着更高的第一主成分贡献率,能更全面客观地评价吐鲁番-哈密地区生态环境质量。(2)时间尺度上,2005—2020年吐鲁番-哈密地区SRSEI先下降后上升,均值0.49,并在2020年均值达到0.5575,较差和良的面积占比变化显著,较差占比减少了11.54%,良占比增加了30.15%。且未来生态环境变化趋势还将以改善为主;空间尺度上,北部西山台原和中部莫钦乌拉山生态质量多为优和良,较差区域主要集中在南部噶顺戈壁。(3)年均降水量、年均气温和经济生产总值是驱动SRSEI变化的主要控制因子,q值均大于0.092;与单因子对生态环境影响力相比,双因子交互产生的影响力更强,年均降水量∩经济生产总值是驱动吐鲁番-哈密地区生态环境发生变化的最强交互因子。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于连续变化检测和分类算法的动态遥感生态指数构建

沿海地区经济社会高速发展,是生态环境变化的焦点区域。然而,沿海地区云雨天气频发,遥感信息获取能力受限,导致遥感生态质量指数(RSEI)评价结果受成像日期变化而波动,可比性较差。针对以上问题,研究利用连续变化检测和分类(CCDC)算法构建时间序列模型,通过合成任意时刻影像、重构遥感生态指数以及改进指数归一化方式,研发了一种动态遥感生态指数(DRSEI),细化了RSEI在区域生态质量监测的时间尺度,并应用于沿海城市宁波生态质量时空变化监测。结果表明:(1)RSEI对时间差异较为敏感,当影像年内成像时间相差逾1个月,RSEI差异可达0.147,这种差异会对长期生态质量动态监测的稳定性和准确性造成影响。(2)基于合成影像的DRSEI平均绝对偏差为0.097,接近成像时间相差半个月的RSEI差异(0.072),误差相对较小,一定程度上减小了真实影像时相差异引起的误差。(3)DRSEI能够表征任意时刻生态质量,通过年际(1986—2019年)和半月际(2019年)DRSEI分析揭示了宁波市生态质量总体下降趋势和时空异质性加剧过程。具体地,1986—2019年宁波市南部和西部森林区域的DRSEI持续上升,而近郊农田快速转化为建成区导致DRSEI不断下降。研究提出的DRSEI能够精确描述区域生态质量变化趋势,准确定位生态质量变化转折点,有望服务海岸带地区的生态质量定期监测与评估工作,支持沿海城市高质量发展与生态环境保护。

基于Landsat 8 OLI影像的常用水体指数法分类精度对比

以南水北调受水区的石家庄为对象,以同期Sentinel-2 MSI影像的目视结果作为标准水体,使用11种常见水体指数,从Landsat 8 OLI影像中提取水体分布信息,基于转移矩阵的面积精度检验法、抽样精度检验法,对提取结果进行精度验证。结果表明,各水体指数法提取宽阔水面(如大型水库、湖泊)的区别不大,城区小水系、小型河道更能检验水体指数的提取能力,WI2019在对比的水体指数中表现最佳。分析表明,南水北调通水后,石家庄市除去大型水库后地表水体面积显著增加,从2014年42.0 km^(2)增长到2020年62.5 km^(2)。南水北调通水后受水区地表水体面积增长较快,鉴于大部分新增水体底部存在人工衬砌,地下水补给功能较差、无效蒸发较多,建议适当控制水体规模,以便有效减少外调水资源的浪费。

长株潭城市群生态环境与城镇化时空耦合协调关系--基于遥感生态指数和夜间灯光指数

城镇化是推动社会经济发展、影响区域生态安全格局的重要因素,生态环境与城镇化的稳定协调是实现区域可持续发展的保证。为平衡城市群在城镇化发展进程中与生态环境的耦合协调关系,以长株潭城市群23个区(县)为研究对象,综合利用土地利用、夜间灯光和MODIS数据,基于Google Earth Engine(GEE)平台,构建2002~2022年夜间灯光指数和遥感生态指数分别表征城镇化水平和生态环境质量,并采用耦合协调度模型探析长株潭城市群城镇化与生态环境耦合协调的等级聚类和时空差异。结果表明:①2002~2022年,长株潭城市群热度变化显著,降低29.26%,且除炎陵县外,其他区(县)生态环境质量均有不同程度下降,呈倒“N”型或“M”型走势,开福区、天心区、天元区等城镇建设活动多的区(县)遥感生态指数下降幅度最大;②长株潭城市群城镇化水平有所提高,夜间灯光指数整体呈上升趋势,但2022年增速低于2017年,区(县)之间发展不均衡,城镇化水平较高的区(县)集中在长沙;③长株潭城市群多数区(县)耦合度在2002~2022年处于从拮抗到磨合过渡的阶段,2012年耦合度整体处于较高水平,但17个区(县)在2017年又落回较低阶段。2022年长株潭城市群大部分区(县)耦合协调度达到协调状态,部分区(县)长期失调,整体耦合协调情况较好,但空间分布不均衡,呈现中北部高、南部低的特征。

华北落叶松林立地因子提取及立地指数遥感估测

根据2019年Landsat8 OLI光学遥感数据和塞罕坝机械林场地区2020年森林资源二类清查数据以及临时样地数据,编制塞罕坝机械林场华北落叶松林立地指数表,并得到华北落叶松林小班立地指数。在小班尺度上获取影像的光谱、纹理、植被指数、线性变换、地形等6个种类59个特征,利用极限梯度提升算法(XGBoost)提取华北落叶松林小班林分因子信息估测立地指数。结果表明:遥感-立地因子特征立地指数估测模型的精度更高,准确度为0.877376,召回率为0.894318,精确率为0.926923,F_(1)值为0.908221。因此,在立地指数估测中,将多光谱遥感特征与立地因子提取相结合具有应用潜力。