陈 晨，胡 林，李 玉

(1.平安煤炭开采工程技术研究院有限责任公司，安徽 淮南 232001；2.淮河能源燃气集团有限责任公司，安徽 淮南 232001)

0 引言

淮南矿区煤炭储量丰富，长期的煤炭开采活动带动了周边地区的经济发展和社会进步，然而经济发展与生态环境往往呈现一种负相关关系，经济飞速发展的同时，也给矿区带来了生态破坏、环境污染、土地退化等一系列环境问题，进而对矿区居民生存环境造成负面影响。而矿区居民生存环境又与生态环境质量密切相关，必须采取有效措施开展环境治理和修复，提升和改善生态环境治理。因此，开展生态环境质量评价显得尤为重要，能够为矿区环境治理修复和生态环境质量改善提供重要的参考和依据。

生态环境质量评价是根据特定的目的，选择具有代表性、可比性、可操作性的评价指标和方法，对生态环境质量的优劣程度进行定性或定量的分析和判断[1-2]。2006年，原国家环境保护部以行业标准的形式颁发了《生态环境状况评价技术规范》，推出了基于遥感技术[3]的生态环境状况指数EI，旨在对我国县级以上生态环境提供一种年度综合评价标准。2013年，在考虑到EI权重的合理性、归一化系数的设定、指标的易获取性和生态状况可视化等问题的情况下，徐涵秋[4]提出了一种完全基于遥感信息、集成多种生态因子的遥感生态指数(Remote Sensing Ecology Index，RSEI)，该指数用绿度、湿度、干度和热度4个分量反映区域的生态环境状况，通过主成分分析对各个指标赋以权重，计算结果具很强的客观性、稳定性和可视性。RSEI将一维的EI值转换为二维的面表示，很好地表现了生态环境在空间上的分布，并且可以通过不同时空的对比反映区域生态环境状况的演变[5-7]。RSEI指数自提出以来，在区域生态环境遥感监测和评价领域得到了广泛应用。在此基础上，拟利用RSEI方法进行研究区生态环境质量的综合评价和演变分析。

1 单一评价指标构建

遥感数据统一选用Landsat OLI影像，影像获取时间见表1。首先分别对淮南矿区2013年、2016年、2019年的遥感影像进行数据预处理，然后分别对绿度、湿度、热度和干度4个指标进行计算。

表1 Landsat OLI影像获取时间Table 1 Landsat OLI image acquisition time

1.1 热度指标

热度指标由地表温度来代表，目前，地表温度反演算法主要有大气校正法(也称为辐射传输方程：Radiative Transfer Equation，RTE)、单通道算法和分裂窗算法[8-9]。本文对热度的计算采用大气校正算法[10]，其基本原理为借助大气辐射传输方程，在将大气影响去除的前提下，将卫星所观测到地表热辐射强度转化为相应的地表温度，具体流程如图1所示。根据热红外波段辐射传输方程，传感器接收到的热红外辐射由大气向上热辐射、地表物透过大气传递的真实地表热辐射、大气向下热辐射再经由地表发射后透过大气传递到传感器的辐射3部分组成，方程见式(1)

图1 基于大气校正法的TIRS地表温度反演流程Fig.1 Flow chart of TIRS surface temperature inversion based on atmospheric correction method

Lλ=[εB(Ts)+(1-ε)Ld]τ+Lu

(1)

式中，Lλ为热红外波段辐射定标后所得的辐射亮度值；ε为地表比辐射率；B(Ts)为黑体热辐射亮度；Ts为地表真实温度；τ为热红外波段的大气透过率；Lu,Ld分别为大气向上和向下辐射亮度。B(Ts)计算公式为

B(Ts)=[Lλ-Lu-τ(1-ε)Ld]τε

(2)

式中，Lu,Ld和τ可通过成像时间以及中心经纬度在NASA提供的网站(http：//atmcorr.gsfc.nasa.gov/)获取，ε通过植被覆盖度获取。设组成自然表面的像元可以简单地看作是由不同比例的植被和裸地组成，在计算地表比辐射率时可以按式(3)粗略估计。

ε=FvRvεv+(1-Fv)Rsεs+dε

Rv=0.933 2+0.058 5Fv

Rs=0.990 2+0.106 8Fv

(3)

式中，Fv为植被覆盖度；Fv和Fs分别是植被和裸地的温度比率；εv取值为0.986，εs为0.972；研究区所在地区TIRS 10的εv取值为0.985，εs为0.973。地表较平整时，dε可取0，地表高低差别大时，dε可根据经验公式(4)估算，当Fv<0.5时，dε=0.003 8Fv；当Fv<0.5时，dε=0.003 8(1-Fv)；当Fv=0.5时，dε最大，dε=0.001 9。

(4)

式中，NDVI为归一化植被指数；NDVISoil为完全是裸土或无植被覆盖区域的NDVI值；NDVIVeg则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。取经验值NDVIVeg= 0.70和NDVISoil= 0.05，即当某个像元的NDVI大于0.70时，Fv取值为1；当NDVI小于0.05，Fv取值为0。在获取黑体在热红外波段的辐射亮度之后，根据普朗克公式可得到地表温度Ts为

(5)

对于TIRS Band 10，K1=774.89 W/(m2·μm·sr)，K2=1 321.08 K。

1.2 湿度指标

土壤湿度是表示土壤干湿程度的物理量，通常用土壤含水量与土壤干重之比来表示。遥感缨帽变换所获得的亮度、绿度、湿度分量已被广泛地应用在生态环境监测中，其中的湿度分量反映了水体和土壤、植被的湿度，与生态密切相关[11]。缨帽变换是一种特殊的主成分分析，经过缨帽变换后的第3个分量可以很好地反映出土壤的湿度状况，因此可以用来估算土壤湿度分量指数。对于Landsat 8有

Wet=0.151 1ρ2+0.197 3ρ3+0.328 3ρ4+0.340 7ρ5-0.711 7ρ6-0.455 9ρ7

(6)

式中，ρi=(1,2,3,…,7)为各波段的反射率。

1.3 干度指标

干度指标[12]是用来反映地表未受植被覆盖及地表损毁的指标，例如裸土、建设用地等，对研究建成区的扩张及生态环境的保护具有重要意义。在研究区域内矿区建设及煤炭开采导致的地表植被退化土地，都会造成地表的“干化”，对干度有影响。因此可由裸土指数SI和建筑指数IBI二者耦合来表示干度指标，对于OLI/TIRS数据来说

NDSI=(SI+IBI)/2

(7)

式中，ρi=(1,2,3,…,7)为各波段的反射率。

1.4 绿度指标

植被指数[13]常被用来进行植被分析，以区别地表植被间的细小差异。在许多场合，植被指数可发现并增强在原始彩色图像上所观察不到的植被间的差异。归一化植被指数NDVI与植物生物量等相关性很大，在植被指数中应用最广泛。云、水体、雪等对可见光具有高反射能力，NDVI以负值表示；地面覆盖为岩石或裸土[14]等时，NDVI以0左右的值表示；有植被笼罩地区其值为正，覆盖度越大，NDVI值越大。因此，本文用归一化差值植被指数作为绿度分析指标。

2 综合指数构建

RSEI指数采用主成分变换来进行指标集成，其最大优点就是集成各指标的权重不是人为确定，而是根据数据本身的性质、各个指标对各主分量的贡献度来自动客观地确定，从而更加客观。主成分分析借助正交变换，将随机向量的相关分量转化到不相关，再通过构造价值函数[15-16]把系统从低维转化成一维，设法将原来具有一定相关性的多个指标重组成一组互相无关的综合指标。由于4个指标的量纲不统一，因此，在做主成分变换前，必须先对这些指标进行正规化，将它们的数值映射到[0，1]区间，转化成无量纲，然后再计算PCA，各指标的正规化公式为

(8)

式中，Yi为标准化后的指标值；Xi为原指标值；Xmin为最小值；Xmax为最大值。借助ENVI 5.3软件平台，通过主成分变换合成新型生态环境质量指数RSEI。统计各指标第一主成分特征向量与特征值见表2。可以发现，2013年、2016年和2019年第一主成分的特征值贡献率分别为64.55%、63.70%、67.15%，3个年份的遥感数据中的第一主成分(PC1)特征值累积贡献率均大于60.0%，说明第一主成分中包含了4个指标中的大多数信息[17]。在3个年份中，绿度指标和湿度指标的第一主成分均呈正值，这说明绿度和湿度在影响生态环境平衡中起到正面作用，而热度指标和干度指标的第一主成分呈现负值，则可以说明它们在影响生态环境平衡起负面作用，这与淮南矿区的实际情况相符。一般情况下也认为绿度指数越大，说明该地区的植被覆盖度越高[18-24]；湿度指数越大，说明该地区的土壤和地表植被湿度越大，生态环境也越好。热度指数和干度指数越大，说明该地区地表温度越高，土壤和建设用地等硬化就越严重，生态环境就越差[25-28]。因此，采用第一主成分创建RSEI指数模型。

表2 各指标第一主成分Table 2 The first principal component of each indicator

3 分析与评价

根据上述RSEI指数模型计算得到研究区各年份的生态环境质量综合指数，并对其进行正规化处理，采用自然截断法对研究区生态环境质量进行分级，将生态环境质量分为优、良、一般、较差和差五级，结果如图2所示。根据评价结果对各年份不同生态环境质量评价等级面积及其占比进行统计，结果见表3。可以看出，生态环境质量优良的区域主要为耕地和水域，城镇、工矿、农村居民地生态环境质量较差。2019年生态环境质量明显变差，特别是矿区东北部耕地，可能与成像时期农作物种植状况和长势有关。2013—2019年研究区内的生态环境状况为优的面积不断减少；状况为良的面积先增加后减少；生态环境状况为一般、较差的面积先略有减少后略有增加；状况为差的面积先明显减少后显著增加。

图2 RSEI生态环境质量评价Fig.2 RSEI eco-environmental quality assessment

表3 各年份不同生态环境质量评价等级面积及其占比Table 3 Area and proportion of different eco-environment quality evaluation grades in each year

将2013年评价结果和2019年叠加，可以得出研究区2013—2019年间的生态环境演变情况，如图3所示、见表4。由于RSEI指数变化在一个等级以内，视为生态环境状况几乎不变；变差大于一个等级时，视为环境状况变差；变好大于一个等级时，视为环境变好。由图3、表4可知，2013—2019年间水体区域生态环境状况几乎不变，城镇区域生态环境状况好转，部分农田区域生态环境变差。2013—2019年生态环境质量变好的比例为15.288%，基本不变的比例为63.394%，变差的比例为21.318%。

表4 生态环境质量评价变化统计Table 4 Statistics of changes in ecological environment quality assessment

图3 RSEI指数变化分级Fig.3 Grading diagram of RSEI index

4 结论

(1)针对淮南矿区主要生态环境问题，在遥感和GIS技术支持下，采用遥感生态指数RSEI方法，对研究区生态环境质量进行评价和时空演变分析，得出2013—2019年淮南矿区生态环境质量的时空变化规律。

(2)淮南矿区内耕地和水域的生态环境质量总体较好，城镇、工矿、农村居民地的生态环境质量总体较差。

(3)2013—2019年淮南矿区的生态环境质量总体呈变差趋势，水体区域生态环境状况几乎不变，城镇区域生态环境状况好转，部分农田区域生态环境变差。