王力，黄妮，牛铮，2，罗明，陈元鹏，郭义强，雷雅会，扶卿华，应凌霄

1.中国科学院空天信息创新研究院 遥感科学国家重点实验室,北京 100101;2.中国科学院大学,北京 100049;3.自然资源部土地整治重点实验室,北京 100083;4.自然资源部国土整治中心,北京 100035;5.中国地质大学（北京）土地科学技术学院,北京 100083;6.珠江水利委员会珠江水利科学研究院,广州 510611

山水林田湖草生态保护修复以生命共同体理念为指导，依据国土空间规划和生态保护修复等专项规划，以保障国家生态屏障和重点生态功能区健康安全为目标，在景观尺度上，统筹考虑山上山下、地上地下、陆地海洋以及流域上下游，优化国土空间布局，调整土地利用结构和关系，对退化、受损和毁坏的生态系统进行恢复活动（罗明等，2019）；山水林田湖草生态保护修复关系到生态文明建设和美丽中国建设进程，关系到国家生态安全和中华民族永续发展（吴钢等，2019）。山水林田湖草生态保护修复工程试点于2016年开始启动，在全国24 个省（自治区、直辖市）共有25 个山水林田湖草生态保护修复工程试点。这25个试点（约111万km2的国土面积）大多分布于生态安全战略格局骨架区域，并且基本都属于国家重点生态功能区，对维护国家生态安全、提升区域生态功能具有重要意义（罗明等，2019）。山水林田湖草生态保护修复工程项目内容繁杂、工程量巨大，涵盖了矿山、水环境、森林、农田、湖泊、草原、湿地、海洋、农村、城市等多种类型的修复治理（王军和钟莉娜，2019；李红举等，2019）。这些工程的实施，开始取得生态、社会和经济等多重效益，但也存在监测评价管理科学性不足的问题（罗明等，2019）。科学客观的监测与评价有助于明确生态环境问题的产生机制，使得生态保护修复措施取得最优效益，是山水林田湖草生态保护修复工程顺利实施的保障。

采用常规地面测量方法来进行山水林田湖草生态保护修复工程监测和绩效评价，存在主观性太强、周期时间长、人工及成本较高等局限性，并且难以在区域尺度上对监测要素进行快速提取，使得监测结果和绩效评价缺乏时效性（Andrés-Costa等，2017；刀谞等，2018）。遥感技术以其宏观、实时、快速、动态、客观的特点，被国内外学者广泛应用于生态保护修复项目的监测和绩效评价中，例如：热带雨林恢复（Qin 等，2019；Wu 等，2020）、Nature-based稀树草原恢复（Moustakas等，2019）、大规模生态恢复工程区的植被恢复（Tong等，2018；Niu 等，2019），而且，应用于生态保护修复工程监测中的指标，64%是可以通过遥感数据进行直接或间接监测的（陈元鹏等，2019）。前人的研究为基于遥感数据的山水林田湖草生态保护修复工程监测和绩效评价提供了技术参考，但是目前大部分研究只是针对山、水、林、田、湖、草等单一生态要素进行监测和评价，难以满足山水林田湖草生态保护对生态系统整体保护、系统治理的需求。

本研究针对前人研究中存在的问题，综合考虑山、水、林、田、湖、草等多种生态要素，提出了一个基于遥感数据的山水林田湖草生态保护修复项目监测和绩效评价技术路线。采用文献综述和具体案例分析相结合的方法，详细论述了遥感技术在山水林田湖草生态保护修复项目监测和绩效评价中的应用。该研究的开展对于保障山水林田湖草生态保护修复工程的顺利实施，以及工程效益的可持续性具有技术指导性意义。

1 基于遥感数据的山水林田湖草生态保护修复项目监测和绩效评价技术路线

基于遥感数据的山水林田湖草生态保护修复项目监测和绩效评价以“山水林田湖草生命共同体”的理念（成金华和尤喆，2019）及生态系统生态学为理论支撑，注重生态因子之间的相互作用及生态环境的整体性。本研究具体的技术路线如图1所示。通过收集山水林田湖草生态保护修复项目工程区的多源数据——包括多源遥感数据（不同时间、空间和光谱的遥感数据）和多源观测数据（定点、实地调查采样数据、智能设备观测数据），利用各种遥感反演和信息提取的方法，从关注生态系统格局和质量出发，获取了能综合反映山水林田湖草各生态要素的指标信息（土地覆盖类型、植被长势、水质）。这些指标的选择参考了全国生态环境10年变化（2000年—2010年）遥感调查的评估指标（欧阳志云等，2014；Ouyang等，2016），可以服务于山水林田湖草生态保护修复项目的实施进度监测，同时还可以应用于山水林田湖草生态修复项目实施完后的绩效评价。从提升区域生态系统服务的角度出发，本文选择了一系列指标进行山水林田湖草生态保护修复项目的绩效评价（水源涵养、水土保持、生态系统承载力、固碳功能、生态系统服务价值等）。

图1 基于遥感数据的山水林田湖草生态保护修复项目监测和绩效评价技术路线Fig.1 Technical route of monitoring and performance evaluation of ecological restoration project of mountains，rivers，forests，farmlands，lakes，and grasslands based on remote sensing data

表1以云南省抚仙湖山水林田湖草生态保护修复工程试点项目的遥感监测为例，阐明了本研究选取的土地覆盖类型、植被长势、水质参数在项目实施过程中的监测，以及作为评价指标与水源涵养、水土保持、生态系统承载力等指标，在项目绩效评价中的可能应用。抚仙湖山水林田湖草生态保护修复工程试点项目的总体目标是以抚仙湖Ⅰ类优质水资源保护为目标，针对流域突出的生态问题，强力推进流域生态格局优化与空间管控，加大退化土地整治。为了实现这一目标，共划分了4大类工程：修山扩林工程、调田节水和控污治河工程、生境修复工程和治水保湖工程。针对这4 大类工程，共有19 个评价指标，其中14 个指标可以通过遥感监测获取，并能进一步辅助生态修复工程的绩效评价。

表1 云南省抚仙湖山水林田湖草生态保护修复工程试点项目总体目标、项目类别、评价指标，以及可以通过遥感监测获取的指标、绩效评价方法Table 1 The overall objectives，project categories，evaluation indicators of the pilot project of ecological protection and restoration project of mountains，rivers，forests，farmlands，lakes，and grasslands in Fuxian Lake of Yunnan Province，as well as indicators and performance evaluation methods that can be obtained through remote sensing monitoring

2 基于遥感数据的山水林田湖草生态保护修复项目监测

区域生态系统涵盖山、水、林、田、湖、草等自然生态各要素（刘世梁等，2019）。本研究以“山水林田湖草生命共同体”（成金华和尤喆，2019；吴钢等，2019）为中心思想，主要关注各生态要素组成的区域生态系统的格局和质量，论述遥感数据在山水林田湖草生态保护修复项目监测中的应用。对于生态系统格局的研究，从生态系统分类出发，利用遥感数据获取项目区土地覆盖类型，以此来分析各生态要素的数量结构和空间布局；对于区域生态系统质量的研究，从植被长势、水质两方面开展基于遥感数据的植被长势时空变化分析和水环境质量监测。

本研究选取了土地覆盖类型、植被长势和水质参数这3个指标，论述其在山水林田湖草生态保护修复项目监测中的应用，主要基于以下两个原因：（1）基于遥感数据获取的土地覆盖类型、植被长势和水质参数具有很强的普适性，已经成功应用于山水林田湖草生态保护修复试点项目——陕西省黄土高原生态保护修复、河北省国家山水林田湖草生态修复、江西省赣州市山水林田湖草生态保护与修复和福建省闽江流域山水林田湖草生态修复等试点工程项目中。（2）基于遥感数据获取土地覆盖类型、植被长势和水质参数的方法较为成熟，且在近几年取得了一系列技术方法上的突破，并具有巨大的发展空间，例如：随着高空间分辨率遥感数据获取周期缩短、深度学习等机器学习算法广泛应用，土地覆盖分类的分辨率、时效性、精度和自动化水平逐步提高（Tong 等，2020；Zhang 等，2019；许泽宇 等，2022）；近年来遥感大数据云平台处理技术的突破，使得遥感数据可以快速实现长时间尺度植被长势的连续监测（Song 等，2018；裴 杰 等，2018；Huang 等，2020）；水质参数的遥感反演也逐步从实验室、科学方法走向业务化应用（丁梦娇等，2019；Sagan等，2020；刘曼等，2021）。

2.1 土地覆盖类型遥感提取

土地覆盖类型信息是描述区域生态系统类型组成的重要基础数据，对揭示山、水、林、田、湖、草等生态要素的空间变化规律和评价生态保护修复工程区的生态环境具有重要意义（刘纪远和布和敖斯尔，2000）。前人的研究大多以遥感影像为数据源，通过人机交互解译、监督分类等方法，提取土地覆盖类型信息，但这些方法费时费力，很难实现生态保护修复项目工程区土地覆盖亚类和三级以上地类的高效、准确提取。随着空间科学技术的飞速发展，基于遥感数据的土地覆盖分类研究也向着更高层次的人工智能化方向发展（邸凯昌等，2000；骆剑承等，2001；Gidudu和Heinz，2007）。单一的人工智能分类方法被证明在中低分辨率土地覆盖分类中具有很好的精度（Rodriguez-Galiano 等，2012；裴欢 等，2018；戴声佩等，2021），但是针对高分辨率遥感影像分类会造成很多与实际理解不相符的破碎斑块。针对这一问题，面向对象的分类方法也被广泛引入到遥感分类中（Zhang 等，2018；朱晓霞等，2021；Vizzari，2022）。作为一种面向对象的影像分割技术，其最重要的特点就是分类的最小单元是由影像分割后得到的同质影像对象（图斑），而不再是单个像素，可以实现较高层次的遥感图像分类和目标地物提取（陈云浩等；2006）。图2 为基于高空间分辨率的卫星遥感数据，采用图像分割的方法获取的2015年广东省定子滩产卵场周边土地覆盖类型数据，通过客观分析该区域生态保护修复工程实施前各土地覆盖类型的面积比例和空间分布格局，为科学合理地制定河道修复工程规划提供详细的数据支持与决策参考。

图2 2015年广东省定子滩产卵场周边土地覆盖类型的空间分布Fig.2 Spatial distribution of land cover types around the Spawning Ground of Ding Zi Tan in Guangdong Province in 2015

从1999年开始，世界上的各个国家就陆续发射高空间分辨率的卫星遥感数据，而且近几年高空间分辨率卫星的数量明显增加（石卫平，2000；李静，2007）。这些高空间分辨率的卫星遥感数据具有亚米级的空间分辨率，重访周期高达1天，可以对生态保护修复工程区的土地覆盖类型进行近实时动态监测。图3展示了重庆市某一矿山生态保护修复工程实施不同阶段的高空间分辨率遥感影像图，通过目视判读的方法也很容易识别生态保护修复工程区各生态要素的变化，以此来判断项目实施的进度。

图3 重庆市某一矿山修复区的高空间分辨率影像图Fig.3 High spatial resolution image of a mine restoration area in Chongqing

除了通过直观的目视判读的方法从高空间分辨率影像中识别生态保护修复工程区的各生态要素以外，深度学习作为图像识别领域重要的技术手段，在地表特征地物精确提取方面展现出了巨大的潜力，这也为利用高空间分辨率遥感数据来开展生态保护修复工程区进度监测提供了重要的技术支撑。例如：刘文涛等（2018）使用深度学习方法从高空间分辨率影像中提取了建筑物屋顶，并通过特征复用和特征增强等设计深度卷积神经网络，实现建筑物的自动精确提取；Bupphawat等（2017）提出了一种基于深度学习技术的高空间分辨率遥感图像土地覆盖制图方法，可以实现亚像元尺度土地覆盖类型的提取；Tong 等（2020）提出了一种深度卷积神经网络方法，该方法可以用于高精度提取不同时空分辨率遥感影像的土地覆盖类型信息。我们利用深度学习方法从国产高分二号卫星影像上提取了建筑物信息，发现深度学习方法可以精确的提取出道路、已建好的建筑物和正在建设的建筑物（Wang等，2019）。

2.2 植被长势遥感监测

植被长势是区域生态系统质量的重要指示器（王柯等，2019）。基于遥感数据估算的植被指数、植被覆盖度、叶面积指数和植被生产力等参数可以定量地表征地表植被长势（Yuan等，2017；Chen等，2013；Xiao等，2019），其中，植被指数获取的不确定性较低，也是遥感领域中用来表征地表植被长势状况的一个简单、有效的度量参数。众多植被指数中，归一化植被指数NDVI（Normalized Difference Vegetation Index）是最为广泛使用的一种植被指数，与植被长势呈正相关关系（Rokni 和Musa，2019）。针对生态保护修复工程区植被长势的监测，可以综合利用低、中、高这3种空间分辨率NDVI的优势。

低空间分辨率遥感数据具有大尺度、长时间序列、高效率、低成本的特点，可以高效确定植被发生明显变化的区域以及变化对应的精细时间节 点。例 如：Jiang 等（2017） 基 于1984年—2013年的GIMMS NDVI（0.083°×0.083°）数据分析了中亚地区植被的变化，发现1991年苏联解体后因为弃牧导致哈萨克斯坦东部、吉尔吉斯斯坦和塔吉克斯坦部分地区的牧场植被覆盖度明显改善；Song 等（2018）利用0.05°×0.05°空间分辨率的NOAA AVHRR NDVI 遥感数据监测了近34年来全球土地覆盖的变化情况，发现中国和欧洲区域大规模的植树造林活动是该区域森林增加的关键驱动力，而热带地区的森林砍伐和农田开垦，是导致该区域农田大面积增加的直接原因。基于1982年—2016年0.05°×0.05°空间分辨率的NOAA AVHRR NDVI 数据，分析了全国25 个山水林田湖草生态保护工程试点项目区和第一批10 个项目区森林、低矮植被和裸地及建筑用地三种生态要素在项目开展前34年的变化情况，该结果可以为生态保护修复工程提供长时序的生态本底依据，也可作为在工程完成后开展绩效评价的对比数据（图4）。

图4 基于1982年—2016年低空间分辨率遥感数据的山水林田湖草生态保护修复试点工程区植被长势变化趋势分析Fig.4 Analysis of vegetation growth trend in the pilot project area of mountains，rivers，forests，farmlands，lakes，and grasslands ecological protection and restoration based on 1982—2016 low spatial resolution remote sensing data

中空间分辨率遥感数据在时空分辨率以及获取成本上稍逊色于低空间分辨率遥感数据，但可以应用于分析区域植被的变化程度和具体空间位置。随着基于云计算的地理信息处理平台Google Earth Engine（GEE）的发展，海量中空间分辨率遥感数据的免费快速处理成为可能（Beaton 等，2019；Gorelick 等，2017；Xiong 等，2017）。例如：裴杰等（2018）基于GEE 遥感大数据云计算平台，利用1988年—2016年的Landsat NDVI 长时间序列数据，分析了云南省南洞地下河流域石漠化生态工程实施前后植被的变化。

高空间分辨率遥感数据对地面物体的辨别能力强，更直观地体现了现实地表情况，可以分析植被发生变化的原因和驱动机制。例如：孙桂芬等（2018）利用四川省雅江县和冕宁县两场火灾前后时序的高分一号宽幅数据，对不同受灾程度火烧迹地火灾前后NDVI 的变化进行分析，结果表明火烧区植被的NDVI 比正常植被对应的NDVI 始终偏低，且植被受灾越严重，其NDVI值对应越低。

2.3 水质参数遥感反演

“水”要素是山水林田湖草生命共同体的重要组成部分，而水质是水环境的重要指示因子。水质遥感监测可以反映水质参数（悬浮物含量、叶绿素a浓度、水体透明度等）在空间和时间上的分布及变化，发现一些常规方法难以揭示的污染源和污染物迁移特征，而且具有监测范围广、速度快、成本低和长期动态监测等优势（田野等，2015），因此，可以利用遥感技术对生态保护修复工程区水质参数进行时空定量分析。针对生态保护修复区的水质参数遥感反演，前人的研究中通常采用经验统计方法建立水质参数与最佳遥感波段及其组合的线性和非线性关系来实现水质参数的遥感定量反演，以此来监测水质参数在空间和时间上的变化状况和特性（杜为静等，2010；何磊等，2015）。基于2017年18 景不同时相的SPOT多光谱影像，分析了深圳港赤湾港区多用途泊位改扩建工程附近海域水体化学需氧量（COD）涨落潮输移特征（图5）。经遥感时序分析及实测样点水质分析，发现工程实施区附近不同时期COD浓度受涨落潮影响较为明显：落潮时，径流携带沿岸COD 高浓度水体直接影响工程附近水域；涨潮阶段，工程附近COD 高浓度水体得到稀释，赤湾内湾COD 浓度稍高于工程沿岸水域。基于高空间分辨率遥感数据的可见光波段构建的指数可以定量指示水体的黑度（Shen 等，2019），该方法已经被生态环境部应用于城市黑臭水体的排查与识别中。因此，利用遥感数据可以较好地表征水质参数空间变化趋势，但针对某一地点水质参数进行定量提取的精度有待提高（Li等，2016）。

图5 不同涨落潮特征潮位SPOT多光谱影像提取的水体化学需氧量Fig.5 Multi-spectral image extraction of chemical oxygen demand in water for tide levels with different rising and falling tide characteristics

3 基于遥感数据的山水林田湖草生态保护修复项目绩效评价

科学客观地评估山水林田湖草生态保护修复工程的效益对于维护和提升区域生态系统服务具有重要意义（孔令桥等，2019）。按照“山水林田湖草生命共同体”的理念，对生态系统空间格局、生态系统特性及服务功能进行综合评价，有助于明确生态空间存在的突出问题，以及未来区域生态保护修复所面临的形势与挑战（叶艳妹等，2019）。

不同的山水林田湖草生态保护修复工程有不同的目标要求，其效益评价的指标也存在不同，但是遥感作为一种技术手段，可以有效的获取与植被、水体和地表覆盖类型有关的数据，并在此基础上提取一套客观的绩效评价指标，辅助生态保护修复工程的绩效评价（陈元鹏等，2019）。通过分析云南南洞地下河流域Landsat 影像提取的植被覆盖度（annFVC）的时序变化，Pei 等（2019）发现经过近30 多年的生态保护修复治理，该区域的植被覆盖度呈明显增加趋势，而且生态工程实施后整个区域的annFVC 增加幅度（Slope=0.0046，P=0.008）大于生态工程实施前（Slope=0.0029，P=0.34），说明生态保护修复工程的实施明显改善了当地的植被覆盖度。

为了进一步评价生态保护修复工程实施后带来的生态效益，可以利用低中空间分辨率的遥感数据，通过生态环境要素遥感反演的方法，定量获取生态保护修复工程区的绩效评价指标，例如：水源涵养功能、水土流失、生态承载力、固碳功能、生态系统服务价值、景观格局稳定性等参数，评价生态保护修复工程实施后所带来的区域生态效益（表2）。这些评价指标中，除了不能被应用于生态承载力估算之外，遥感技术都可以在其他指标的估算中发挥很重要的作用。

表2 山水林田湖草生态保护修复工程绩效评价中的指标、计算方法和遥感估算参数总结Table 2 Summary of indicators，calculation methods and remote sensing estimation parameters in performance evaluation of ecological restoration engineering

4 结 论

本文基于“山水林田湖草生命共同体”的理念，提出了基于遥感数据的山水林田湖草生态保护修复项目监测和绩效评价的技术路线。通过文献综述和具体案例分析相结合的方法，阐明了遥感数据获取的土地覆盖类型、植被长势、水质参数可以有效地应用于山水林田湖草各生态要素的监测，论述了遥感在辅助山水林田湖草生态保护修复项目绩效评价中的重要作用。随着遥感数据源的不断增加、以及新的遥感影像处理和信息提取方法的进一步发展，利用遥感数据对山水林田湖草生态保护修复项目的评价指标进行的研究也会逐渐向精细化和多样化的方向发展，这将为山水林田湖草生态保护修复项目的监测和绩效评价提供重要的技术参考，尤其对于缺少实测资料的生态保护修复项目具有重要的应用价值。

遥感技术在山水林田湖草生态保护修复项目的监测和辅助绩效评价中可以发挥重要作用，但是遥感技术并不是万能的，它在山水林田湖草生态保护修复工程上的应用中还存在明显的不足：

（1）遥感技术的应用离不开地面观测数据的支持。遥感影像从数据获取、预处理以及地表参数反演和信息提取等过程中都存在一定的误差，从而影响生态保护修复项目工程区各生态要素的监测和绩效评价结果的准确性，导致生态保护修复决策产生偏差（Liu 等，2019；Biswal 等，2019；Frolking 等，2002）。为了从遥感数据中精确提取与生态保护修复监测和绩效评价有关的信息，必须采用遥感信息和地面观测资料相结合的方法（Dardel 等，2014；Lawley 等，2016；Yang 等，2012），对遥感反演和提取的参数进行充分的地面验证，尽可能准确地获取生态保护修复项目监测和绩效评价所需要的数据。基于遥感技术提取的反映山水林田湖草生态保护修复工程实施效果的指标，各指标之间权重的确定需要相关领域的专家基于地面实测数据才能给出合理的数值范围。

（2）遥感技术所能提供的监测山水林田湖草生态保护修复项目的指标以及辅助绩效评价的指标都是有限的。山水林田湖草生态保护修复项目实施效果的指标包括生态效果、经济效果、社会效果3 个方面（Martin 和Lyons，2018）。目前遥感技术的应用主要体现在生态效果的评价中，而经济效果和社会效果的评价更多的是使用统计数据，遥感数据的使用十分有限（胡霞和杨春华，2014；张峰和李珍存，2006）。

（3）遥感参数的使用需要加强与生态环境学科进一步广泛深入的交叉研究。通过对遥感影像上所表现的色调、纹理、形状、光谱特征、热辐射特征等信息的充分挖掘，采用数据融合以及各种信息提取技术，可以获取很多与生态保护修复工程监测以及绩效评价有关的指标，但是与生态修复项目的实际需求相比，这些指标还是存在较大的局限性（Berni 等，2009；Asokan 和Anitha，2019；Damm 等，2018）。例如：遥感技术在监测土地覆盖分类、植被长势和水质等方面已经能提供一个较好的定性分析结果，但是对其进行定量、客观和系统的评价，还需要进一步研究。此外，有些反映山水林田湖草生态保护修复工程区生态环境质量的指标（如生物多样性、群落组成，土壤剖面结构、理化特性等），很难通过遥感手段精确获取，需要进一步挖掘和探索可用于监测和评价生态保护修复项目的遥感参量。

因此，为了进一步提高遥感数据服务于山水林田湖草生态保护修复项目监测和绩效评价的广度和深度，一方面要从算法和数据源出发，从遥感数据中挖掘出更多有关山水林田湖草生态保护修复项目的信息；另一方面，要加强遥感数据与传统调查数据的结合，进一步挖掘和探索新的可业务化的遥感评价参量，形成更系统、完整的山水林田湖草生态保护修复项目监测和评价。