基于GEE时序分析的大区域生态脆弱性遥感动态评估方法

本发明涉及生态脆弱性评估。具体地说是基于gee时序分析的大区域生态脆弱性遥感动态评估方法。

背景技术：

1、生态系统是构成陆地生态圈的最基本组成单元之一，是维持社会经济可持续发展的重要保证。近年来受气候和环境变化的影响，极端天气气候事件的发生频率、强度和范围均有所上升，在人类活动和气候变化的双重胁迫下,生态脆弱性(eco-systemvulnerability index,esvi)加剧。遥感技术由于其观测范围大且周期较短的特点，在生态脆弱性监测方面有着独特的优势，相关学者在指标体系构建以及技术方法等方面进行了广泛而深入的研究。在研究指标方面，较多侧重于自然属性，鲜有涉及社会-经济-生态系统的城市复杂巨系统等方面的探索；研究尺度方面，大多基于省市县等宏观和微观尺度，而基于典型的流域、城市群区域等尺度的研究较少；研究方法方面，地理探测器、综合指数法、dea(data envelopment analysis)模型的运用较为普遍，指标划分不够精细，不能很好地将多系统脆弱性研究与耦合协调度研究区分开来。大区域生态脆弱性遥感监测面临的困难是庞大的数据量、以及由此产生的繁杂的数据预处理和指数计算工作。

2、google earth engine(gee)平台拥有大量的历史遥感影像数据存档，例如landsat、sentinel、modis等卫星影像以及数据产品。gee是高性能并行运算的云服务平台，可以通过随时访问网络的api(application programming interface)和基于web的交互式开发环境实现对云端海量数据的访问、操作以及结果可视化等，同时可以在线调用包括机器学习在内的常见算法的功能，特别是为长时序的遥感资料分析提供了高效便捷的处理平台，也为大规模遥感数据的挖掘分析提供可能。凭借此优势，gee已被广泛应用于数据融合、多时相影像分类、变化检测、土地覆盖与土地利用动态监测等方面。已有学者基于gee进行生态脆弱性的连续分析，并取得相应的成果，但这些研究仍然采用传统的计算方式，在分量的计算方式上会随传感器的变化而变化，加上多源数据的成像差异，得到的结果差异大，而且长时间序列遥感影像的获取、处理过程复杂，一系列的辐射定标、大气校正、拼接、裁剪操作在消耗大量计算资源的同时，时效性相对较差，更多用于科学研究，不利于推广。

技术实现思路

1、为此，本发明所要解决的技术问题在于提供一种基于gee时序分析的生态脆弱性遥感动态评估方法，以解决现有技术基于典型的流域、城市群区域等尺度的生态脆弱性动态评估较少，以及大尺度区域的生态脆弱性分布计算量过大、指标冗余以及精度不高等问题。该方法是基于时序landsat5/7/8等影像数据提出了针对大尺度范围、连续长期的生态脆弱性在线自动检测及动态监测方法，顾及了大区域土地覆盖变化的复杂性和时间上的不确定性，能够提高生态脆弱性遥感监测的效率，扩展数据适用范围。

2、为解决上述技术问题，本发明提供如下技术方案：

3、基于gee时序分析的大区域生态脆弱性遥感动态评估方法，包括如下步骤：

4、步骤(1)、在gee平台利用像元级最小云量影像合成法合成目标年份的季节最小云量影像；

5、步骤(2)、筛选生态脆弱性评价指标，构建社会-经济-生态系统脆弱性评价指标体系；

6、步骤(3)、采用层次分析法和主成分分析法给各评价指标进行权重赋值，通过确定体系内不同指标的权重值，最后计算形成初始化生态脆弱性指数(即加权综合指数)；

7、步骤(4)、对初始化生态脆弱性指数进行归一化处理，生成生态脆弱性指数，根据生态脆弱性指数进行生态脆弱性分级；

8、步骤(5)、输出生态脆弱性计算结果。

9、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，步骤(1)中，合成最小云量影像所用数据包括landsat-5/8/9地表反射率数据集；步骤(2)中构建社会-经济-生态系统脆弱性评价指标体系所用到的数据包括dem数据、中国气象台站的地面观测数据、土地覆盖分类数据、生物丰度数据、植被npp数据、社会人文数据。

10、模型输入数据为谷歌开发的卫星图像和地球观测数据云端运算平台googlegarth engine(gee)中存储的长时序地理时空大数据，包括：digital elevation model(dem)数据、landsat-5和landsat-8地表反射率数据集、中国气象台站的地面观测数据(气温和降水)、土地覆盖分类数据、生物丰度数据、modis17a3h植被npp数据、社会人文数据(人口、gdp)。

11、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，landsat-5/8/9地表反射率数据集包括可见光波段、近红外波段、短波红外波段和热红外波段；landsat-5/8/9地表反射率数据遥感影像分辨率为15米，时间分辨率为16天，属中等分辨率遥感影像，时间范围为2010-2019年夏季(6月-9月)，适合大区域生态遥感制图；合成最小云量影像时，选择目标年份及其前后各1年共3年的landsat5/8/9数据影像进行合成；

12、中国气象台站的地面观测数据包括气温数据和降水数据；植被npp数据的来源为modis17a3h数据产品；社会人文数据包括人口数据和gdp数据。

13、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，步骤(2)中，针对不同地区的评价对象的差异性，筛选出的生态脆弱性评价指标包括水体、气候、植被、土壤、地形地貌和人文，构建得到社会-经济-生态系统脆弱性评价指标体系。

14、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，水体包括水资源总量和水网密度两方面的内容，采用生态系统健康评价、综合指数法、景观生态法和生态足迹法中的一种或两种及两种以上的评价方法对水体进行评价；

15、气候包括年平均降雨量、干燥度、日照时数、积温、极端高温日数、极端低温日数和极端降雨日数，采用综合指数法、生态模型法、景观生态法和生态系统健康评价中的一种或两种及两种以上的评价方法对气候进行评价；

16、植被包括植被净初级生产力、生物丰度指数、香农指数和蔓延度指数，采用生态足迹法、综合指数法、生态模型法、景观生态法和生态健康法中的一种或两种及两种以上的评价方法对植被进行评价；

17、土壤包括降雨侵蚀力、土壤可蚀性和土地覆盖三方面的内容，采用景观生态法、生态足迹法和生态模型法中的一种或两种及两种以上的评价方法对土壤进行评价；

18、地形地貌包括坡度、海拔高度和坡向三方面的内容，采用综合指数法、生态健康法和生态模型法中的一种或两种及两种以上的评价方法对地形地貌进行评价；

19、人文包括人口密度、农村人口比重、恩格尔系数、gdp密度和农民纯收入，采用综合指数法对人文进行评价。

20、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，步骤(3)中，借助gis工具实现不同指标的叠加分析；考虑到不同指标对生态系统脆弱性的贡献不同，因此需要引入权重的概念，通过对不同的指标赋予不同的权重，从而突出地区生态环境主导问题；

21、主成分分析法为：计算各评价指标的前4个主成分分量，即特征向量、特征值、贡献率和累积贡献率；然后根据贡献率和累积贡献率选择主成分，达到指标降维的目的；计算各评价指标的前4个主成分分量时，包括如下步骤：

22、①建立初始变量矩阵：

23、

24、式(1)中，x为评价指标的矩阵集合；为矩阵中第i行第j列评价指标；n代表矩阵的总列数，m代表矩阵的总行数；

25、②计算相关系数矩阵：

26、

27、式(2)中，r为各评价指标相关系数的矩阵集合；为初始变量的相关系数，i＝1,2,3…,p，j＝1,2,3…,p；计算公式如下：

28、

29、式(3)中，n代表估计样本数，xki和xkj代表估计样本的原始数据矩阵，代表第i行数据的均值，代表第j列数据的均值；

30、③计算r的特征值和特征向量：

31、r的特征值为λ1≥λ2≥λ3≥…≥λm，r的特征值相应的特征向量分别为μ1,μ2,μ3…μm；最终到的特征向量矩阵为：

32、

33、④通过对m个变量xi(i＝1,2,3,…,m)进行线性变换形成新的变量w；

34、w＝utx                                           式(5)；

35、wij＝ui1x1j+ui2x2j+…+uimx1m                     式(6)；

36、式(5)中：w代表新的基底u下的坐标，u为低维空间的标准正交基，x代表步骤①中评价指标的矩阵集合；

37、式(6)中：wij代表第i行第j列评价指标的权重，ui1…uim代表相关系数矩阵r的特征值相应的特征向量，x1j…x1m代表变换后的数据变量。

38、通过以上步骤，最终得到信息贡献率最大的几个主成分，一般信息累计贡献率>85％即可满足要求。

39、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，步骤(3)中，初始化生态脆弱性指数的计算公式为：

40、

41、式(7)中：esvi0为初始化生态脆弱性指数，χi为第i个评价指标；ωi为第i个评价指标的权重；n为评价指标的个数。

42、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，步骤(4)中，根据步骤(3)中计算得到的各评价指标的加权综合指数(即初始化生态脆弱性指数)计算非土壤的生态脆弱性指数；根据生态脆弱性指数的直方图分布和标准差确定分级阈值，结合主成分分析结果，得到土壤脆弱性指数分级结果。

43、本发明利用gee在线空间分析功能，基于生态脆弱性评价体系中不同指标的权重值，计算生态系统脆弱性指数(不包括土壤)，根据该指数的直方图分布和标准差，确定该指数分级阈值，结合主成分分析结果，得到土壤脆弱性指数(由于土壤脆弱性计算中三级指标重复性较大，为了避免指标的重复计算导致的影响因子权重被扩大，对土壤脆弱性二级指标分级结果求最大值)分级结果。

44、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，步骤(4)中，通过输入各个指标权重值，并进行归一化处理，利用gee平台上的水体掩膜，去掉水体信息以避免大片的水域对真正地面的湿度条件的干扰，利用gee平台在线计算获取研究区生态脆弱性指数(esvi)，其值介于[0,1]之间，esvi值越接近1，生态越好。生态脆弱性指数的计算公式如下：

45、esvi＝(esvi0-esvi0_min)/(esvi0_max-esvi0_min)     式(8)；

46、式(8)中，esvi为生态脆弱性指数；esvi0为初始化生态脆弱性指数，esvi0_min为esvi0在5％-95％区间的最小值，esvi0_max为esvi0在5％-95％区间的最大值；esvi的取值范围为[0,1]。

47、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，生态脆弱性分级标准如下：

48、生态脆弱性指数小于0.3时，为非脆弱生态系统；生态脆弱性指数大于或等于0.3且小于0.45时，为轻度脆弱生态系统；生态脆弱性指数大于或等于0.45且小于0.7时，为中度脆弱生态系统；生态脆弱性指数大于或等于0.7且小于0.85时，为重度脆弱生态系统；生态脆弱性指数大于或等于0.85时，为极度脆弱生态系统。

49、上述基于gee时序分析的大区域生态脆弱性遥感动态评估方法，生态脆弱性计算结果的输出包括制图、总体精度、kappa系数、精确度、召回率与f1-score、生产精度和用户精度。这些精度验证结果是卷积神经网络计算方法计算结果时候一并输出。

50、本发明的技术方案取得了如下有益的技术效果：

51、1、本发明基于gee时序分析的大区域生态脆弱性遥感动态评估方法，利用google云服务基础设施遥感大数据分析平台，基于深度学习和时序分析的技术方法，考虑不同指标对生态脆弱性的贡献，构建专家知识库，采用主成分变换提取水体、植被、土壤、地形地貌以及人文等指标，构建遥感生态脆弱性指数；结合各指标时序属性和卷积神经网络，以达到指标降维的目的，实现基于gee平台的大区域生态脆弱性遥感快速评估和制图，实现区域级、省级生态环境质量遥感监测。

52、2、与传统的基于像素的生态脆弱性计算方法相比，结合gee时序分析的评估模型输入数据量小，可以去除指标冗余成分，并且加入人文社会因素指标，将数据和知识相结合，降低遥感数据的不确定性，提高影像波段的利用率和计算效率，精度可提高15％。将本发明的方法应用于我国西北、东北、华中、华东等不同地区，总体精度88％以上；其实际评估的技术流程和方法只需将研究区和指标权重稍作改变，即可得到完全基于遥感技术、指标容易获得、没有人为权重设定、且结果能被可视化的遥感生态脆弱性,以期快速、定量、客观地评价大区域区域生态环境质量，对生态环境恶化进行有效预报预警，可以将生态脆弱性评估方法推广到城市、资源等可持续评估领域。