整合多源遥感数据的洪涝灾害评估恢复——以河南“7·20”暴雨灾害为例

doi:10.6046/zrzyyg.2022389

整合多源遥感数据的洪涝灾害评估恢复——以河南“7·20”暴雨灾害为例

黎孟琦^,, 李功权^,, 谢志辉

长江大学地球科学学院,武汉 430100

Post-flood recovery assessment based on multi-source remote sensing data:A case study of the “7·20” rainstorm in Henan

LI Mengqi^,, LI Gongquan^,, XIE Zhihui

School of Geoscience, Changjiang University,Wuhan 430100, China

通讯作者: 李功权(1971-),男,博士,副教授,主要从事GIS应用等方面的研究。Email:Gongquan_Li@126.com。

责任编辑: 陈昊旻

收稿日期: 2022-08-10 修回日期: 2023-08-12

基金资助:

自然资源部城市国土资源监测与仿真重点实验室开放基金课题“基于多源遥感数据的粤港澳大湾区高温热浪风险评估”(KF-2020-05-047)

Received: 2022-08-10 Revised: 2023-08-12

作者简介 About authors

黎孟琦(2000-),女,硕士研究生,主要从事遥感应用方面的研究。Email: 2022710478@yangtzeu.edu.cn。

摘要

洪涝灾害发生后通过植被指数和灯光指数定量评估灾后恢复情况,对灾区经济建设和生态恢复的评估具有重要科学意义。该文以河南“7·20”暴雨灾害区为研究区,基于日度和月度NPP-VIIRS数据、Sentinel-NDVI、MODIS-EVI数据和统计年鉴数据,构建归一化差异城市指数(normalized difference urban index,NDUI)来表征城市内部空间细节; 基于回归模型模拟人口和国内生产总值的空间分布; 从研究区的夜间灯光数据和植被覆盖数据2个不同的维度来评估洪涝灾害。结果表明: 高危区和中危区总面积为1 429.04 km²,占研究区总面积的6.06%,高危地区主要分布在郑州西部、新乡东部、安阳东部、鹤壁北部,其中郑州市受灾严重程度最高; 从植被覆盖度恢复率(vegetation cover recovery rate, VCRR)来看,卫辉市、淇县、滑县、林州市等地区整体植被恢复情况较差,其VCRR的值大部分在0以下,植被覆盖有恶化趋势。NDUI与社会经济统计数据拟合精度高于0.8,表明NDUI可以在洪涝灾害发生后应用于精确位置救援和灾后针对性重建工作; NPP-VIIRS和MODIS-EVI评估洪涝灾害的结果具有很好的互补性,2种数据的有机结合进行洪涝灾害研究,对灾后救援和恢复评估均有较高的应用价值。

关键词： 河南“7·20”暴雨; NDUI; NPP-VIIRS; 灯光指数; 植被覆盖度; 植被覆盖度恢复率

Abstract

Quantitative post-flood recovery assessment based on vegetation and lighting indices is critical for assessing economic reconstruction and ecological restoration in afflicted areas. This study investigated the “7.20” rainstorm disaster area in Henan. Based on the daily and monthly NPP-VIIRS data, Sentinel-NDVI and MODIS-EVI data, and statistical yearbook data, this study characterized the spatial intricacies within urban areas by constructing a normalized difference urban index (NDUI). Then, it simulated the population and GDP distributions by employing a regression model. Finally, this study assessed the post-flood recovery from two distinct aspects: nighttime light data and vegetation cover data. The results are as follows: ① High- and medium-risk zones covered an area of 1 429.04 km², accounting for 6.06% of the total study area. High-risk zones were primarily distributed in western Zhengzhou, eastern Xinxiang, eastern Anyang, and northern Hebi, with Zhengzhou suffering the most severe impact; ② In terms of the vegetation cover recovery rate (VCRR), low overall vegetation recovery was observed in Weihui and Linzhou cities and Qixian and Huaxian counties, with VCRRs mostly below 0. This indicates a deteriorating vegetation cover trend; ③ The fitting between NDUI and socio-economic statistical data yielded accuracy exceeding 0.8, suggesting that the NDUI can be applied to precise location-based rescue and targeted post-disaster reconstruction in the aftermath of floods. Additionally, the assessment results based on NPP-VIIRS and MODIS-EVI data were highly complementary, implying that the flood research based on the integration of the two types of data enjoys high application value for post-disaster rescue and recovery assessment.

Keywords： “7·20” rainstorm in Henan; NDUI; NPP-VIIRS; lighting index; fractional vegetation cover; vegetation cover recovery rate

PDF (32274KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

黎孟琦, 李功权, 谢志辉. 整合多源遥感数据的洪涝灾害评估恢复——以河南“7·20”暴雨灾害为例[J]. 自然资源遥感, 2024, 36(1): 250-266 doi:10.6046/zrzyyg.2022389

LI Mengqi, LI Gongquan, XIE Zhihui. Post-flood recovery assessment based on multi-source remote sensing data:A case study of the “7·20” rainstorm in Henan[J]. Remote Sensing for Land & Resources, 2024, 36(1): 250-266 doi:10.6046/zrzyyg.2022389

0 引言

城市缺乏规划、建筑安全性低、自然缓冲区破坏、气候变化等因素使人类处于自然灾害的危险之中。诸多自然灾害中,洪涝灾害造成的损失尤为严重,在人口密集区易对经济、人口和环境造成较大的影响。洪涝灾害发生在城市时,直接表现为灾区灯光强度减弱,而减弱的幅度与洪灾的严重等级、自我防范意识强弱、城市基础排涝设施等因素有关,所以利用夜间灯光数据提取灾情信息对辅助救援决策的制定具有重要意义。但是由于洪涝灾害不仅会对城市造成破坏,还会对广大农村地区甚至是无照明区域的农田和山地造成严重影响,致使灾区的生态系统遭到破坏,所以仅使用夜间灯光数据对洪涝灾害进行评价具有一定的局限性,无法对非照明区域进行评价分析^[1-2]。

生态系统破坏的最直接表现形式是地表植物生长情况变差。由于生态系统的脆弱性和敏感性,被破坏植被的自我修复是一个长期的过程,而该过程可以利用植被指数来定量评价^[3]。植被指数多用于植物生长监测、作物类型判定和作物估产等方面,目前常用的植被指数包括增强型植被指数(enhanced vegetation index,EVI)和归一化植被指数(normalization difference vegetation index,NDVI)。利用中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)获取的EVI可以反映地表植被特征,多用于研究不同区域的植被变化情况。目前越来越多的学者应用该数据对洪涝灾害进行研究,李斌等^[4]指出,利用MODIS时序数据可以绘制洪水淹没范围及其动态变化,并且具有很高的精度; 许超等^[5]利用MODIS时间序列数据,通过遥感信息提取的方法对洞庭湖区2000—2015年水体淹没情况进行了研究,表明有23.6%的区域是水陆交替区,是洪水防控的重点区域;张娜等^[6]利用MYD09GA地表反射率数据,实现了洪水淹没亚像元级别的空间细节定位,该方法对洪水淹没范围提取精度更高,能够很好地保持水体空间细节特征; 饶品增等^[7]基于MODIS数据结合随机森林方法提取洞庭湖区2017年的洪水淹没水体,并获取洪水淹没区的农作物分布情况,统计分析计算得到本次洪水造成的粮食产量损失等数据; 田玉刚等^[8]基于时间序列MODIS影像,结合洪水过后退去有序渐变特点,构建了具有稳定性与一致性特点的作物淹没历时指数,并结合最优二分算法分界点提出提取大范围暴雨后作物淹没历时的新方法。

目前主要的夜间灯光数据有美国军事气象卫星计划(defense meteorological satellite program,DMSP)搭载的操作线扫描传感器(operational linescan system,OLS)获得的灯光影像、美国国家极地轨道合作卫星(Suomi national polar-orbiting partnership,Suomi-NPP)搭载的可见光红外成像辐射仪(visible infrared imaging radiometer suite,VIIRS)获取的NPP-VIIRS影像和武汉大学发射的珞珈一号卫星获取的图像数据。NPP-VIIRS与DMSP-OLS相比,空间分辨率更高,对夜间灯光的探测能力更强,有效降低了DMSP-OLS所引发的数据饱和问题^[9⇓-11],珞珈一号夜间灯光影像的130 m空间分辨率可以更加清晰地反映城市的空间结构,但较大范围和较长时间跨度的存档数据较少,难以进行长时间尺度的研究。

近些年来,夜间灯光数据为灾后影响及灾区恢复重建等遥感监测评估提供了一种新视角。Li等^[12]将NPP-VIIRS绘制的5 d综合洪水图与人口密度数据集相结合,用以估计可能暴露于洪水的人口; Sun等^[13]提出了一种通过混合像素线性分解从粗空间分辨率VIIRS和ATMS数据中估计水范围的方法,利用地形信息将粗空间分辨率VIIRS和ATMS测量得出的洪水图外推到30 m的更高空间分辨率,结果表明ATMS与联邦紧急事务管理局洪水区之间有很好的一致性,相关性为0.95; 何原荣等^[14]基于NPP-VIIRS DNB夜光遥感数据和经济统计数据构建评估模型,模拟受灾人口,利用洪水发生前后夜光亮度变化提取识别灾后受灾影响变化区域,并监测灾后恢复进程,最后实现了灾情可视化管理系统; 张宝军^[15]利用DMSP/OLS数据分析了2003—2013年极重灾区夜间灯光分布范围和强度的变化特点,表明灾后夜间灯光指数与受灾人口等灾情指标存在较显著的相关关系。

洪涝灾害的发生给人们各方面生活带来了巨大影响,多源遥感数据在灾后恢复评估中具有独特的优势,但是基于多源遥感数据在灾后恢复评估方面的应用研究比较少。本文采用夜间灯光数据、Sentinel-2和MODIS-EVI为数据源,拟通过Sentinel-2提取的NDVI和NPP-VIIRS融合为10 m空间分辨率的归一化差异城市指数(normalized difference urban index,NDUI),最后利用最优模型构建NDUI与国内生产总值(gross domestic product,GDP)和人口的关系模型,提取河南省“7·20”特大水灾受灾区域、受灾人口; 使用MODIS-EVI数据与2019年和2020年MODIS-EVI做对比分析,从EVI变化率、植被覆盖度(fractional vegetation cover, FVC)变化和植被覆盖度恢复率(vegetation cover recovery rate,VCRR)3个层面评价灾后植被破坏和恢复情况,为灾害救援和灾后恢复建设提供数据依据,同时为灾后多角度评估恢复情况提供借鉴,以期为全面获取洪涝灾害灾情信息和灾后评估提供一种新的思路和方法。

1 研究区域概况与数据源

1.1 研究区域概况

本文的研究区为河南省的郑州市、安阳市、鹤壁市和新乡市等在内的38个区县级行政区划,空间位置介于E112°~115°,N34°~36°之间,总面积约为25 411 km²。气候分布较为复杂,地处暖温带和亚热带过渡区,主要受西风带大气环流控制,属暖温带-亚热带、湿润-半湿润季风气候。降雨主要集中在6,7,8这3个月,占全年降雨量的60%~70%,由于迎风坡地形的抬升作用,是全省的暴雨中心之一,年降雨量为600~700 mm。区域内水系纵横交错,分布着黄河、贾鲁河、卫河、双泊河、金水河、须水河等诸多河流,河网密高的地区为郑州北部、新乡中部、安阳东部(图1)。2021年7月20日河南局部发生特大暴雨,此次暴雨灾害造成398人死亡失踪、1 478.6万人受灾,直接经济损失1 200.6亿元。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区河网密度

(基于河南省地理信息公共服务平台下载的审图号为豫S(2019年)013号标准地图制作,底图无修改)

Fig.1 Density map of river network in the study area

1.2 数据源及其预处理

本文数据源预处理及主要技术流程见图2。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 主要技术流程

Fig.2 Main technical process

1.2.1 夜间灯光数据

NPP-VIIRS夜间灯光影像数据下载自美国国家地球物理数据中心(https://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html),本文选取2021年7月14日—8月2日的NPP-VIIRS DNB逐日夜间数据以及2021年1—12月的NPP-VIIRS DNB无云月合成影像。由于NPP-VIIRS存在背景噪声和异常极大值,本文将亮度值(0.3×10^-9 W·cm^-2·sr^-1)作为阈值,小于该阈值的像元赋值为0,用来消除背景噪声的影响,选取北京、上海和深圳3个城市的最大像元灰度值作为去除研究区异常极大值的参考阈值,将研究区内异常极大值重新赋值为3×3邻域内栅格的最大值^[16]。由于灾害评估需要灾前和灾后的图像,因此可以应用统计辐射归一化来最小化多时相图像中基于噪声的辐射差异。本文以2021年7月无云稳定合成影像为参考影像,通过计算像素均值、标准偏差和像素变化,对其他图像的辐射值进行归一化处理,辐射归一化后的影像和目标影像之间的辐射尺度相同。因此,假设影像灰度服从高斯分布统计,辐射归一化模型为:

(1)

g_{p} = \frac{g_{t} - μ_{t}}{δ_{t}} \times δ_{r} + μ_{r}

，

式中: $g_{p}$ 为目标影像归一化后的像元灰度值; $g_{t}$ , $μ_{t}$ 和 $δ_{t}$ 分别为目标影像的像元灰度值、均值和标准差; $μ_{r}$ 和 $δ_{r}$ 分别为参考影像的平均值和标准差。

1.2.2 MODIS-EVI数据

MODIS-EVI数据是美国国家航空航天局(https://ngdc.noaa.gov/eog/viirs/download_ut_mos.html)提供的MOD13Q1数据,本文选取空间分辨率为250 m的16 d合成的EVI数据,选取2018年6月—2021年9月共30期影像。利用MRT(MODIS Reprojection Tool)工具对MODIS-EVI数据进行裁剪、重采样并转换成Albers投影,投影坐标系转换成WGS84,空间分辨率选择250 m,输出TIFF格式。为了消除云和大气的干扰,采用时间序列谐波分析法对EVI数据进行滤波处理^[17]。由于EVI数据异常值的存在,将异常值重新赋值为前后2期正常影像的3×3邻域内栅格的平均值,进而探讨季节性周期对植被指数的影响,评估数据的可利用性。

1.2.3 Sentinel-2数据

Sentinel-2是欧洲航天局于2015年(Sentinel-2A)和2017年(Sentinel-2B)发射的多光谱双星卫星,这2颗卫星都携带多光谱仪器,主要任务是土地监测、应急管理和安全。Sentinel-2有10 m(B2,B3,B4,B8),20 m(B5,B6,B7,B8a,B11,B12)和60 m(B1,B9,B10)的空间分辨率,卫星有5 d的重访时间,覆盖全球。Google Earth Engine(GEE)是由Google开发的新一代基于云的地球科学数据和分析应用全球尺度平台,该平台为开展地球观测研究提供了独特的机会,被广泛应用在监测全球森林变化、全球地表水变化、作物产量估算、稻田测绘、城市测绘、洪水测绘和火灾恢复等方面^[18]。

本研究使用了GEE平台获取了2021年7月15日—8月5日中5期的Sentinel-2 L2A的1C 级影像(数据集 ID: ee.ImageCollection(“COPERNICUS/S2_SR”),且均满足研究区云量低于10%的条件。Sentinel-2 数据预处理主要包括时间和云量筛选、去云处理、指数计算、合成、镶嵌和裁剪等,上述操作均在GEE平台中完成,最终生成研究区内空间分辨率为10 m的Sentinel-NDVI数据集。

2 研究方法

2.1 MODIS-EVI数据可行性评价

受季节性、周期性和数据质量的影响,同一研究区不同时间分辨率的植被指数会产生差异性,这对利用植被指数评估洪涝灾害破坏情况提出了挑战。为验证洪涝灾害的发生是否对研究区植被产生影响,利用2019和2020年的各时相MODIS-EVI数据来验证季节对植被的影响程度,并与2021年数据进行对比分析(图3)。由图3可知,2019年和2020年各时段EVI变化趋势大致相同,研究区4个地级市2021年EVI总量在洪涝灾害(7月20日)发生后较2019年和2020年同期均产生一定下降,其中鹤壁市EVI总量下降最明显。排除2021年自然植被受到除洪涝灾害以外其他自然灾害和人类活动的影响,说明洪涝灾害对植被生长产生了影响,进而反映在植被指数的变化上,论证了MODIS-EVI数据用来研究洪涝灾害对植被影响的可行性。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 各市2019—2021年EVI总量变化

Fig.3 Changes in the total amount of EVI by cities from 2019 to 2021

2.2 NDUI合成

本文提出通过整合Sentinel-2数据和NPP-VIIRS夜间灯光数据来生成NDUI。基本原理是利用植被光谱指数,通过植被信号来降低夜间灯光数据的饱和度并增加夜间光度值的城市间变化来捕捉城市空间结构,进而来评估洪涝灾害对城市内部造成的影响。

首先,利用GEE平台对Sentinel-2数据预处理,生成研究区生长季节无云阴影的Sentinel-NDVI数据集,最大限度提高未种植耕地和城市地区之间的可分离性。其次对预处理好的NPP-VIIRS日数据进行重采样到10 m空间分辨率,以匹配Sentinel-NDVI的分辨率,对重采样后的夜间灯光数据进行归一化,范围为[0,1]。最后,将处理好的2种数据相结合,最大限度地区分城市地区和贫瘠土地。

就云量而言,Sentinel-2数据可能处于以下3种状态之一: 清晰(场景中没有云)、部分受污染(有一些云但仍可以看到空间分布),或完全污染(100%云量)。手动选择云量低于10%的清晰Sentinel-2图像是大多数研究中的主要策略,但是在部分污染影像中包含的有用信息的良好图像像素通常没有得到很好利用。最大值NDVI合成方法简单、容易、快速,可以保证将植被生长季节的高质量数据保留下来。最后通过将与处理好的Sentinel-NDVI与NPP-VIIRS夜间灯光数据相结合起来构建NDUI,其表达式为:

(2)

N D U I = \frac{T N L - N D V I}{T N L + N D V I} (N D V I \geq 0)

，

式中: 夜间灯光总强度(total night-time light,TNL)为归一化的 NPP-VIIRS 夜间光照数据; NDVI为无云Sentinel-NDVI。由于水的NDVI通常小于0,且城市地区不能存在于水下,因此将公式中的NDVI限制为不小于0,以使NDUI在数学上更加易于解释。根据这个定义,植被覆盖非常稀疏且夜间灯光充足的城市核心区的NDUI将接近1,而植被丰富且夜间灯光不足的偏远农村地区将具有接近-1的低值。

选择郑州市金水区作为测试地点,以检查NDUI表征和绘制城市区域的能力(图4)。图4(c)显示了金水区地区的示例NDUI图。从中可以轻松识别市中心向外辐射的主要道路,这些道路与周围环境截然不同。很明显,TNL图像(图4(b))中缺乏的这些空间细节来自Sentinel-NDVI合成(图4(a))。从视觉上看,NDUI 地图与土地覆盖图非常相似(图4(d)),这表明 NDUI 成功地增强了城市地区。NDUI不仅可以捕捉范围城市区域,还可以捕捉具有精细细节的局部城市区域。如图5所示,可以轻松识别金水区城内的主干道(图5(a))。同时,可以很容易地将市中心区、北龙湖(区域A)、郑州东站、龙子湖大学城(区域B)、大玉米CBD(区域C)与周围环境进行区分(图5)。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 金水区2021年NDVI,TNL,NDUI 和 GlobeLand30

Fig.4 NDVI, TNL, NDUI and GlobeLand30 in Jinshui District in 2021

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 金水区城市区域的特写

Fig.5 Close-up of the urban area of Jinshui District

在照明欠佳的区域,一些影像像素NDUI值小于0,甚至接近于-1,这些区域常会发生在农业农村地区、城市居住率较低地区和无人居住区。但是本次洪涝灾害的发生不仅对城市地区产生了严重影响,也对农村、耕地、山林、丘地等地区造成了严重破坏,所以单一使用NDUI对洪涝灾害进行评价,会产生严重的局限性,这些区域的GDP、人口和破坏区域会被严重低估。所以有必要结合土地覆盖数据对NDUI和夜间灯光数据进行重新分配,为人口和GDP的模拟做必要准备。

2.3 土地覆盖复合归一化差异城市指数

土地覆盖数据可定量揭示人类活动的空间分布情况,如土地覆盖中的人造地表,是人类活动的主要场所,水域、林地、冰川、草地等水域则基本无人居住。把高空间分辨率的土地覆盖与NDUI进行融合,不仅可以识别散落在耕地、林地及草地上的人口集聚点,还可以细化人口空间分布情况。

将夜间灯光数据结合土地利用数据研究人类经济活动具有重要的意义,由于夜间灯光数据的空间分辨率较低,导致城市地区出现饱和效应,无法识别人口分布差异,难以进行小空间尺度上的应用研究。可以采用高空间分辨率遥感数据与夜间灯光数据进行融合的NDUI,结合土地覆盖中提取的耕地、林地、草地和人造地表4种土地类型生成4种地类的土地覆盖复合归一化差异城市指数(land cover composited normalized difference urban index, LC-NDUI)。

首先需要验证夜间灯光数据与NDUI的相关性,选取研究区各个区县平均相对夜间灯光强度I与NDUI进行拟合(图6),决定系数R²超过0.95,说明两者具有极大的相关性。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 NDUI和I的拟合图

Fig.6 Fitting diagram of NDUI and I

为研究GDP和人口的空间分布情况,来探讨洪涝灾害对人口和经济产生的影响,进而基于土地覆盖数据中的4类地类结合NDUI生成LC-NDUI。其计算公式如下:

(3)

L C_{i} = \overset{n}{\sum_{i = 1}} (L_{i j} \times L i g h t_{i j})

，

式中: n为土地类型数量,取值为4; LC_i为第i种土地覆盖类型上的NDUI; L_ij为第j个格网第i种地表覆盖类型; Light_ij为第j个格网第i种地表覆盖类型上的NDUI。

2.4 灯光指数

基于夜间灯光影像数据构建TNL,I,综合灯光指数(compounded night light index, CNLI)和灯光面积占区域总面积比S等指数。灯光灰度值大于0的区域为有效灯光区域,可以通过灯光指数的变化来研究该区域在一段时间内的发展变化,或评价地震破坏和震后恢复情况。灯光灰度值的总和,是指平均灯光强度(I)和灯光面积比(S)的乘积,其中灯光面积比(S)是指灯光像元面积和区域总面积的比值。各指标计算公式如下:

(4)

T N L = \overset{D N_{m a x}}{\sum_{i = D N_{m i n}}} (D N_{i} n_{i})

，

(5)

I = \overset{D N_{m a x}}{\sum_{i = 1}} \frac{D N_{i} n_{i}}{D N_{m a x} N_{L}}

，

(6)

C N L I = I S

，

(7)

S = \frac{A_{N}}{A}

，

式中: DN_i和n_i分别为研究区内第i级灰度像元值和像元数; DN_min和DN_max分别为研究区内夜间灯光像元最小和最大灯光灰度值; N_L和A_N分别为研究区在区间[DN_min, DN_max]的像元总数和所占据的面积; A为研究区面积。

2.5 植被指数

虽然MODIS-NDVI的应用研究富有成效,但NDVI在低植被覆盖区易受土壤背景和植被冠层的影响,在高植被覆盖区容易饱和,对大气影响的纠正也不彻底。而EVI削弱了气溶胶和土壤背景的影响,并克服了植被饱和现象,能敏感地监测稀疏植被和茂密植被,可以弥补NDVI的不足^[19]。因此可以基于MODIS-EVI数据,从EVI变化率、FVC和VCRR几个维度来评价河南“7·20”洪涝灾害的植被恢复情况。

2.5.1 EVI

MODIS-EVI减少了大气、土壤背景以及像元异常值的影响,增强了浓密植被生长变化的监测和稀疏植被的区分,所以MODIS-EVI比MODIS-NDVI更接近实际的植被覆盖变化。EVI计算公式为:

(8)

E V I = G \times \frac{P_{n i r} - P_{r e d}}{P_{n i r} + C_{1} P_{r e d} - C_{2} P_{b l u e} + L}

，

式中: P_blue, P_red和P_nir分别为蓝色、红色、近红外波段的反射率; L为土壤调节参数,取值为1; C₁和C₂为气溶胶阻力项的系数,取值分别为6和7.5; G为增益或比例因子,取值2.5。

2.5.2 FVC

本研究利用像元二分法模型来估算FVC。根据像元二分模型原理,每个像元的EVI可表示为由植被覆盖部分的EVI与无植被覆盖部分的EVI这2部分一元线性加权合成,则计算公式为:

(9)

E V I = (1 - F V C) \times E V I_{s o i l} + F V C \times E V I_{v e g}

，

(10)

F V C = \frac{E V I - E V I_{s o i l}}{E V I_{v e g} - E V I_{s o i l}}

，

式中: EVI_veg为植被完全覆盖像元的EVI; EVI_soil为无植被覆盖像元的EVI。受环境和其他因素的影响,EVI_veg和EVI_soil在不同的时空尺度上会发生相应变化,因此本文结合土地利用计算两者的值。根据EVI累积频率分布,选取累积频率0.5%和99.5%的EVI值分别作为EVI_soil和EVI_veg。

2.5.3 VCRR

计算VCRR可以用来评价灾后植被的恢复情况^[20],对研究灾后植被和农田恢复具有重要意义,由于植被生长情况受季节性影响较明显,引入相对差(D),来评价洪涝灾害年份VCRR。VCRR和D计算公式为:

(11)

V C R R = \frac{E V I_{i} - E V I_{1}}{E V I_{0} - E V I_{1}}

，

(12)

D = V C R R_{g} - V C R R_{s}

，

式中: EVI_i为洪涝灾害后i时期(2021年7月28日、8月15日、8月31日,… )的FVC; EVI₁为洪涝灾害后FVC; EVI₀为洪涝灾前FVC; VCRR_g为2021年VCRR; VCRR_s为2019年和2020年VCRR均值。

2.6 评估模型构建

相关性分析是指对2个或多个具备相关性的变量元素进行分析,从而衡量2个变量因素的相关密切程度。为了探究研究区夜间灯光指数、LC-NDUI与不同拟合模型的拟合优度,利用SPSS(statistical product service solutions)数据分析平台,将上述夜间灯光指数和LC-NDUI分别与GDP和常住人口构建线性、非线性、指数和对数4种模型,进行回归分析。通过判定各模型的决定系数R²来确定最优模型,模型公式如下:

(13)

y = a_{0} + a_{1} + x

，

(14)

y = a_{0} b^{x}

，

(15)

y = a_{0} + a_{1} x^{p_{1}} + a_{2} x^{p_{2}} + \dots + a_{m} x^{p_{m}}

，

(16)

y = a_{0} l n (x - b)

，

式中: y为研究区预测的GDP和人口数量; x为夜间灯光指数(TNL,I,CNLI)和LC-NDUI; a_m为常数; p_m为权重。

利用夜间灯光指数(TNL,CNLI,I)和LC-NDUI分别与各行政区的GDP、GDP密度(GDPD)、人口数量(TP)和人口密度(PD)构建线性、非线性、指数和对数4种模型进行相关性分析,结果如表1和表2所示。由表1和表2可以看出,TNL与GDPD和PD,I与GDP和TP,CNLI与GDP和TP,LC-NDUI与GDP和TP的各模型决定系数R²均低于0.6,因此,TNL不适合用于研究“河南7·20”暴雨地区GDPD和PD与灯光指数的相关性分析; CNLI不适合用于GDP和TP与灯光指数的相关性分析; I不适合用于研究GDP和TP与灯光指数的相关性分析; LC-NDUI不适合用于研究GDP和TP与灯光指数的相关性分析。由表1可以看出,4种模型中,非线性模型的表现最好,4种指数与GDP和GDPD的R²在非线性模型上最高,分别有TNL与GDP非线性模型为0.785 79; I与GDPD非线性模型为0.857 87; CNLI与GDPD非线性模型为0.863 77; LC-NDUI与GDPD非线性模型0.878 43。4种指数的非线性模型中,与GDP的R²最高的是TNL的非线性模型,与GDPD的R²最高的是LC-NDUI的非线性模型,它们分别为0.785 79和0.878 43。由表2可以看出,与另3种模型相比,4项指数与TP和PD的相关性R²在非线性模型上均最高。分别有TNL与TP非线性模型为0.815 79; I与PD非线性模型为0.892 67; CNLI与PD线性模型0.900 97; LC-NDUI与PD非线性模型为0.881 12。与TP的R²在TNL的非线性模型上最高,为0.815 79; 与PD的R²在CNLI的非线性模型上最高,为0.900 97。相比之下,因LC-NDUI是夜间灯光数据结合土地覆盖数据融合而成,具有更高的空间分辨率和更准确的人口分布信息,LC-NDUI与GDPD和PD的R²均超过0.87,说明其相关性较好,可以较准确地研究洪涝灾害对社会经济的破坏。

表1 灯光指数和LC-NDUI与GDP的相关性决定系数R²

Tab.1 Correlation coefficients R² of the light index and LC-NDUI with GDP

模型	TNL		I		CNLI		LC-NDUI
模型	GDP	GDPD	GDP	GDPD	GDP	GDPD	GDP	GDPD
线性	0.766 36	0.274 23	0.518 53	0.856 71	0.484 62	0.863 24	0.379 81	0.846 29
非线性	0.785 79	0.360 36	0.591 03	0.857 87	0.588 71	0.863 77	0.582 02	0.878 43
指数	0.684 27	0.314 87	0.577 43	0.735 23	0.571 82	0.804 52	0.596 28	0.814 53
对数	0.315 47	0.226 76	0.304 05	0.592 51	0.482 48	0.780 23	0.340 15	0.842 35

新窗口打开| 下载CSV

表2 灯光指数和LC-NDUI与人口的相关性决定系数R²

Tab.2 Correlation coefficient R² of the light index and LC with population

模型	TNL		I		CNLI		LC-NDUI
模型	TP	PD	TP	PD	TP	PD	TP	PD
线性	0.815 72	0.241 83	0.311 64	0.892 19	0.311 84	0.900 62	0.179 99	0.871 39
非线性	0.815 79	0.367 55	0.558 36	0.892 67	0.494 14	0.900 97	0.486 25	0.881 12
指数	0.714 58	0.302 14	0.544 39	0.814 63	0.474 88	0.836 71	0.535 61	0.795 42
对数	0.352 41	0.183 55	0.164 63	0.712 65	0.269 89	0.843 25	0.181 97	0.764 82

新窗口打开| 下载CSV

本研究选取95%的置信区间内LC-NDUI和CNLI分别与GDPD和PD进行回归分析,作为互相结果验证。参考回归结果最优非线性模型的公式,利用最优模型模拟GDP和人口。基于经济统计数据和夜间灯光指数模拟的GDP和人口数据,在区县级的尺度上构建分级统计(图7)。从图7(a)、图7(b)和图7(c)可以看出,最高GDP的县区主要分布在郑州的金水区、管城区和新郑市,且LC-NDUI模拟的GDP与研究区统计的GDP拟合精度更高。从图7(d)、图7(e)和图7(f)可以看出,最高人口的区县主要分布在郑州的金水区和新郑市,且LC-NDUI模拟的人口与研究区统计的人口拟合精度最高。

图7-1

新窗口打开| 下载原图ZIP| 生成PPT

图7-1 研究区GDP和人口的统计图和模拟图

Fig.7-1 Statistical and simulated graphs of GDP and population in the study area

图7-2

新窗口打开| 下载原图ZIP| 生成PPT

图7-2 研究区GDP和人口的统计图和模拟图

Fig.7-2 Statistical and simulated graphs of GDP and population in the study area

2.7 GDP和人口空间化的模拟和精度评价

2.7.1 GDP和人口空间化模拟及结果校正

为了估计研究区内每个像元所代表的GDP和人口值,将GDP和人口分配给每个像元,公式为:

(17)

G T_{g} = G T_{j} \cdot \frac{D N_{i}}{C L_{j}}

，

式中: GT_g为每个像元的GDP和人口模拟值; DN_i为研究区内第i个像元灰度值; GT_j为第j行政区模拟的GDP值和人口值; CL_j为第j行政区内总灯光指数和LC-NDUI。

最优模型模拟 GDP和人口使用的是县级总指数,而不是单一像素值指数,模拟 GDP和人口分解为像素比例时,模拟值可能会与县一级的实际值之间存在偏差^[21]。为了纠正这些潜在的偏差,需要在像素级别校正模拟值,公式为:

(18)

G T_{x} = \frac{G T_{t}}{G T_{y}} \cdot G T_{g}

，

式中: GT_x为每个像素校正后的值; GT_t为行政单元统计的官方值; GT_y为最优模型计算像素值总和。

选用LC-NDUI与GDP 和人口实现空间化建模,基于最优模型模拟的GDP和人口按式(17)分配到像元格网上,并采用式(18)实现了区县级校正,最终得到郑州市、新乡市、安阳市和鹤壁市 GDP与人口空间分辨率为10 m的空间化密度(图8)。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 2021年河南研究区10 m空间分辨率人口和GDP密度

Fig.8 10-meter spatial resolution population and GDP density map of the study area in 2021

郑州市、新乡市、安阳市和鹤壁市之间表现出明显的经济水平和人口空间差异,呈现明显的多核布局,并且人口和经济的分布具有极大的相关性。相比较于新乡市、安阳市和鹤壁市,郑州市的经济和人口水平最高,主要以郑州主城区为核心向四周呈现网状发散。新乡市、鹤壁市和安阳市农业生产活动丰富、多山区地形起伏较大且交通不便导致经济发展受限,人口和经济分布呈现高度的聚集性。

2.7.2 模拟精度评价

模型验证是GDP和人口空间分布建模的重要程序,R²是评估回归函数表现的常用指标,反映观察值和拟合值之间的相关性。本文对GDP和人口模拟值的验证采用5项指标进行: 误差(relative error,RE)、总相对误差(total relative error,TRE)、平均相对误差(mean relative error,MRE)、平均绝对误差(mean absolute error,MAE)和相对差(relative root mean squared error,RRMSE)。公式分别为:

(19)

R E = \frac{G T_{g} - G T_{s}}{G T_{s}} \times 100 %

，

(20)

T R E = \overset{n}{\sum_{i = 1}} | R E_{i} |

，

(21)

M R E = \frac{\overset{n}{\sum_{i = 1}} | R E_{i} |}{n}

，

(22)

M A E = \frac{\overset{n}{\sum_{i = 1}} | G T_{g} - G T_{s} |}{n}

，

(23)

R R M S E = \sqrt{\frac{\overset{n}{\sum_{i = 1}} {(R E)}^{2}}{n}}

，

式中: GT_s为GDP和人口观察值; n为县级行政区总数。

RE从模拟的GDP、人口和每个行政区域的GDP和人口统计数据中得出,用于评估回归函数对GDP和人口估计的能力; TRE用于衡量研究领域产生的总误差; MAE为测量平均绝对偏差; MRE源自TRE,用于测量研究区GDP和人口估算回归模型的准确性; RRMSE为计算值和真实值的差别。

1)人口、GDP与人口、GDP分布因子相关性。通过相关性分析发现(表3),研究区县级常住人口数量与4类地表覆盖类型的NDUI总量显著正相关。人造地表像元数与人口和GDP的相关性均大于0.58,通过与LC-NDUI数据融合,其相关性提升到了0.81以上。土地覆盖类型中的耕地、林地及草地的像元数与人口和GDP相关性较低,通过与LC-NDUI融合,相关性大幅提升。

表3 各区县GDP和人口统计值与各要素之间的相关系数

Tab.3 Correlation coefficients between the statistical values of GDP and population with each factor in each district and county

类型	要素	人口	GDP
地表覆盖	耕地像元数	-0.021	-0.027
	林地像元数	-0.087	-0.103
	草地像元数	-0.142	-0.102
	人造地表像元数	0.604**^①	0.581
LC-NDUI	耕地LC-NDUI总量	0.434**	0.436**
	林地LC-NDUI总量	0.342**	0.231**
	草地LC-NDUI总量	0.579**	0.760**
	人造地表LC-NDUI 总量	0.824**	0.813**

**表示在0.05置信水平上显著。

新窗口打开| 下载CSV

2)精度分析。随机选取研究区的14个街道作为验证数据,计算街道2021年常住人口统计数据与格网化人口数据的误差(图9)。可以看出,在其他因素固定的前提下,人口在分区模拟下的效果要好于不分区模拟。这表明在模拟人口时,参考土地覆盖类型的人口分布因子可以提升基于LC-NDUI的人口空间化的模拟精度。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 人口空间化误差统计

Fig.9 Population spatialization error statistics

图10为不同县级行政区模拟GDP和人口的误差,表4为不同指数和模型的误差。由图10和表4中可以看出,整体误差较小,模拟效果均较好,RE基本控制在[-1,1]之间,大部分RE在[-0.5,0.5]之间,各县区的CNLI和LC-NDUI模型模拟GDP和人口中,LC-NDUI与GDP和人口的非线性模型得到MRE最小为0.51,表明夜间灯光数据和LC-NDUI能够用于研究区GDP和人口空间模拟,并且具有较好效果,证明了NPP-VIIRS夜间灯光数据和LC-NDUI用于较小行政区尺度的区域经济数据研究也具有较大意义。综合TRE、MRE、MAE和RRMSE误差分析,CNLI和LC-NDUI模拟GDP和人口的最优模型为非线性模型,与其他3种模型对比,非线性模型的几种误差均得到最小值。大部分城市模拟值与统计值较为接近,而惠济区和文峰区模拟的GDP值与实际值误差较大; 滑县、浚县、登封市和封丘的模拟人口与实际值误差较大,误差接近1。究其原因主要是统计数据自身误差与人为因素干扰容易对数据结果造成一定的误差。收集的GDP和人口统计数据来源于河南省统计局,获取数据的过程,难免受到人为因素干扰,其编制统计年鉴的技术标准和操作方法有所异同。此外,登封市和封丘具有较大面积地形地势崎岖复杂的区域,滑县、浚县存在大量农业种植区,零散而微弱的灯光分布为卫星传感器的数据获取增加了难度,进而影响灯光的传输。同时,不同地区基础照明设施的差异会造成一定影响,乡镇夜间照明设备较落后,而城市区域夜间灯光照明系统相对完善。最后,无灯光区域的经济生产和人口活动是卫星无法探测的,也会进一步加大其误差来源。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 不同区域GDP和人口的误差

Fig.10 Errors in GDP and population in different regions

表4 不同指数和模型的误差分析

Tab.4 Error analysis of different indices and models

模型	CNLI				LC-NDUI
模型	TRE	MRE	MAE	RRMSE	TRE	MRE	MAE	RRMSE
线性	23.18	0.61	5 960.2	6.32	20.43	0.64	6 032.1	6.24
非线性	18.46	0.57	5 234.2	6.14	17.58	0.51	5 021.6	6.08
指数	31.52	0.73	6 243.5	7.59	34.29	0.68	6 148.9	7.95
对数	48.71	0.84	7 012.6	7.96	43.84	0.89	7 156.3	8.62

新窗口打开| 下载CSV

3 实验结果与分析

3.1 危险区的划定与评估

假彩色合成图像可以直观地解释停电程度,该图像可以通过将2021年7月19日的NDUI数据与2021年7月21日和2021年7月25日的洪涝灾害发生后数据相结合来产生。具体而言,使用洪涝灾害发生前的5个晚上(2021年7月14—18日)NDUI平均值来表示“正常”光分布,将7月25日分配给蓝色并将7月19日和7月21日分别分配给绿色和红色,通过复合数据产生的颜色组合快速突出停电区域。

通过结合河南“7·20”洪涝灾害发生前后几乎无云的数据,生成了一张假彩色合成图像(图11)。在研究过程中保持常亮的像元出现在所有时间的影像中,并且3个场景中的每个像元几乎都分配了值,从而产生白色。洪涝灾害前影像中存在亮度像元,但在事件后(21日和25日)影像中缺失或变暗的灯光显示为绿色。从颜色综合指数中可以看出,截至7月25日,灯光缺失的地方以粉绿色显示,郑州市西部地区、新乡北部和安阳南部地区是受洪涝灾害影响最严重的地区。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 洪涝灾害发生前后NPP-VIIRS DNB假彩色合成图

Fig.11 False color composite image of NPP-VIIRS DNB before and after the flood disaster

而停电强度可以用归一化城市指数比率R_ND表示,具体为通过灾后NDUI与灾前NDUI之间的比值来计算。R_ND可以表示为:

(24)

R_{N D} = \frac{N D U I_{p o s t}}{N D U I_{p r e}}

，

式中: NDUI_post为灾后NDUI; NDUI_pre为灾前NDUI。如公式所示: 灾后TNL减少越大,会导致NDUI减小,进而导致R_ND值越小。由于灾后TNL和NDUI降低代表停电,因此R_ND基本大于0,停电区域的像素值将介于-1~0之间。从生成的R_ND范围来看,洪涝灾害破坏严重程度分为3类“危机区”分别是: 高危区(R_ND≤0.45)、中危区(0.45<R_ND≤0.8)和低危区(R_ND>0.8)。

代表河南“7·20”洪涝灾害停电强度的R_ND是根据2021年7月17—25日NDUI之间的比率计算的。高危地区主要分布在郑州西部、新乡东部、安阳东部和鹤壁北部地区,包括荥阳市、巩义市、卫辉市、延津县、长恒市和北关区(图12)。在郑州东部属于山丘区,极端暴雨引发山洪和滑坡,导致桥梁房屋等光源基础设施遭到破坏; 7月17—23日降雨量最大区域虽然出现在鹤壁市(589 mm),但是相比较于郑州市,鹤壁市的城市排涝能力较强,因而高危区在城区占比较小; 新乡卫辉市城区受淹达7 d,导致城区电网和交通受到严峻挑战; 作为降雨量534 mm的郑州市,贾鲁河、双泊河和颖河均出现超保证水位大洪水,过程洪量均超过历史实测最大值,主城区20日后出现大面积积水,导致全市一半小区地下空间和公共设施被淹,多区域出现断电断水断网。参照研究区3 d假彩色合成图像进行分类危机区域的准确性评估,通过置信度为80%准确度水平评估,评估系数为0.694,表明参考假彩色合成图像的危机区域分类输出具有一定的准确度。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 研究区洪涝灾害危机区分布

Fig.12 Distribution map of flood disaster crisis areas of the study area

3.2 受影响人口、GDP和受灾面积

在划定危机区域后,进一步计算所有区域下受影响的人口、GDP和受灾面积。从国家基础地理信息中心牵头研制出的30 m空间分辨率全球地表覆盖数据(GlobeLand30)2020版中提取研究区的土地利用图,通过最近邻算法,对2021年生成的人口和GDP生成的危机区域数据层进行重新采样,使用空间分析工具,计算各危机区内不同区的危机区面积,基于区域统计数据,计算研究区域内每个区域的危机区域人口总数和GDP,公式如下:

(25)

P_{e} = ρ_{e} \cdot N_{e}

，

式中: P_e为每个区域内受影响的总人口和GDP; $ρ_{e}$ 为受影响像素中的人口和GDP; N_e为每个危机区域下受影响的像素数。

基于研究区域内各区的总地理面积和受灾面积制作了各县的受灾面积占比图(图13),并基于各区区域面积、区域人口和区域GDP模拟计算得到各区受灾面积、受灾人口、受灾GDP以及它们的受灾比例(表5),可以看到受洪涝灾害影响最严重的地区为金水区、惠济区、红旗区、荥阳市和卫辉市等。高危区和中危区总面积为1 429.04 km²,占研究区总面积的6.06%,其中郑州市受灾面积为675.97 km²,占受灾影响面积的44.79%,受灾严重程度最高; 安阳市受灾面积为208.81 km²,占受灾影响面积的13.84%; 新乡市受灾面积为527.06 km²,占受灾影响面积的34.93% ; 鹤壁市受灾面积为97.21 km²,占受灾影响面积的6.44%。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 各区县受灾面积占比

Fig.13 Proportion of disaster-affected areas in each district and county

表5 模拟受灾人口、经济、面积及各自受灾比例

Tab.5 Simulation of the affected population, economy, area and the proportion of each affected

区名	区域面积/ km²	受灾面积/ km²	受灾面积比例/%	区域人口/ 万人	受灾人口/ 万人	受灾人口比例/%	区域GDP/ 亿元	受灾GDP/ 亿元	受灾经济比例/%
中原区	192.34	29.46	10.32	150.88	22.88	15.16	1 294.42	248.46	19.19
二七区	147.76	22.95	11.54	106.13	17.71	16.69	784.23	192.40	24.53
管城回族区	196.10	37.88	12.32	114.82	23.35	20.34	2 429.88	253.67	10.44
金水区	225.55	55.83	16.75	230.27	27.61	21.99	2 300.76	300.11	23.04
上街区	50.36	8.38	16.73	19.74	5.59	28.34	176.80	60.63	24.29
惠济区	201.41	29.36	14.58	55.50	24.12	23.45	306.85	261.81	18.32
中牟县	1 337.81	34.55	2.58	96.24	15.75	16.36	830.56	165.27	19.90
巩义市	973.15	70.53	10.77	78.25	11.98	15.30	901.88	123.05	13.64
荥阳市	875.73	131.94	15.04	73.01	16.90	23.15	554.23	108.10	19.51
新密市	957.73	100.77	10.12	82.60	10.23	12.38	713.25	116.61	16.35
新郑市	853.87	110.88	10.39	179.36	9.24	5.15	1 966.14	103.59	5.27
登封市	1 173.37	40.43	3.38	72.93	12.54	17.19	548.20	140.60	25.65
文峰区	171.25	20.98	12.25	45.10	18.84	31.77	259.25	204.03	78.70
北关区	51.08	5.50	12.98	31.03	5.56	17.91	171.76	60.14	35.02
殷都区	58.31	2.44	4.19	28.70	6.30	21.96	327.87	68.20	20.80
龙安区	231.81	8.49	3.66	29.26	14.29	18.84	182.12	77.70	42.66
安阳县	1 065.92	49.02	4.60	84.56	12.62	14.93	107.47	137.20	27.67
汤阴县	619.19	19.74	3.19	44.31	6.53	14.74	175.36	131.29	14.87
滑县	1 758.17	20.39	1.16	116.91	11.45	9.80	409.77	207.91	12.74
内黄县	1 112.56	35.20	3.16	66.89	12.85	19.21	186.63	133.29	10.42
林州市	1 762.11	47.03	2.67	81.57	17.84	21.87	615.34	239.82	24.97
鹤山区	114.82	7.58	6.61	6.27	14.26	27.35	92.61	154.42	16.74
山城区	124.59	9.52	7.64	15.54	13.79	28.73	138.35	149.30	20.92
淇滨区	288.61	21.01	7.28	46.08	7.65	16.60	283.27	107.79	18.05
浚县	940.97	26.47	2.81	62.47	10.38	16.62	293.82	110.57	17.63
淇县	478.57	32.63	6.82	26.23	6.57	25.06	262.65	166.99	13.58
红旗区	150.76	26.87	17.82	45.74	10.82	23.64	395.74	193.49	18.89
卫滨区	70.36	6.68	9.50	22.57	8.26	36.58	322.03	89.64	17.83
凤泉区	115.35	7.49	6.49	15.86	13.02	32.09	83.14	141.15	16.78
牧野区	90.68	16.21	17.87	34.09	11.03	32.36	231.70	119.93	21.76
新乡县	372.93	24.29	6.51	34.86	7.08	20.30	239.40	145.03	11.58
获嘉县	457.85	15.23	3.33	41.48	8.78	21.18	192.11	127.86	20.56
原阳县	1 221.67	43.43	3.56	65.12	13.12	20.14	186.50	147.15	19.90
延津县	885.08	52.86	5.97	45.79	9.78	21.36	166.15	104.30	16.77
封丘县	1 152.53	88.59	7.69	71.86	12.64	17.59	264.05	138.14	19.31
卫辉市	713.36	89.27	12.51	49.14	9.21	38.74	186.25	103.45	32.54
辉县市	1420.82	94.35	6.64	75.99	11.99	15.78	359.04	193.46	16.88
长垣市	980.74	61.78	6.30	90.54	10.25	11.33	529.59	116.82	13.06

新窗口打开| 下载CSV

3.3 FVC变化分析

为探究灾后FVC的变化,将FVC划分为5个等级(表6),绘制植被等级空间分布图(图14)。总体来看,研究区FVC良好,中高植被覆盖居多,主要分布在郑州市的西部的嵩山山脉、新乡市东南部和北部的太行山山地、安阳市西部为太行山和中部平原以及鹤壁市的中东部地区。为了有效判别植被变化的显著特征,将本次FVC的分类结果与2019年和2020年结果进行对比,便于评价洪涝灾害对FVC影响的时空变化分析,灾害发生前的FVC取各年份5月和6月的FVC均值,灾害发生后的FVC取各年份8月和9月的FVC均值,生成FVC分级统计图(图15)。从图15中可以看出,在洪涝灾害发生前,2019年、2020年和2021年各级FVC比例变化趋势具有较大的一致性,且均以中高植被覆盖比例居多,表明植被自然生长状态下,只受时间和气候因素的影响,FVC变化趋势较稳定。但是在洪涝灾害发生后,2021年的低植被覆盖和较低植被覆盖比例比2020年和2019年有所增加,且中植被覆盖和较高植被覆盖比例有所降低,表明2021年当洪涝灾害发生后,有一部分中植被覆盖和较高植被覆盖地区的植被受到影响,进而转化成较低植被覆盖地区,导致低植被覆盖和较低植被覆盖比例增加。

表6 FVC分级统计

Tab.6 Classification of fractional vegetation cover

等级	FVC范围	植被情况
1	[0,0.2)	低植被覆盖
2	[0.2,0.4)	较低植被覆盖
3	[0.4,0.6)	中植被覆盖
4	[0.6,0.8)	较高植被覆盖
5	[0.8,1.0]	高植被覆盖

新窗口打开| 下载CSV

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 不同年份FVC空间分布

Fig.14 Spatial distribution of fractional vegetation cover in different years

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15 不同年份FVC分级统计

Fig.15 Classification statistics of fractional vegetation cover in different years

3.4 VCRR变化分析

计算研究区VCRR情况,并对VCRR划分为6个等级(表7)。从空间分布特征上看(图16),卫辉市、淇县、滑县、林州市、登封市和荥阳市整体植被恢复情况较差,其VCRR的值大部分在0以下,植被覆盖有恶化趋势。该区域主要是由于地形和植被种类的影响,加上海拔较高,山地坡度大,农作物种植面积广,洪涝灾害发生后易发生次生灾害,对FVC破坏大,同时也影响植被后期的生长恢复; 4市主城区由于是生活集聚区,人口密度较大,建设用地比例较高、耕地比例较少,受人类经济活动影响较为严重,植被恢复情况较为复杂,VCRR各个等级均有分布。贾鲁河流经的新密市和中牟县,借助于发达的水系条件,植被的恢复情况比郑州市其他地区较好。

表7 VCRR等级划分

Tab.7 Classification of vegetation cover recovery rate grades

等级	VCRR范围	植被恢复情况
1	<0	植被恢复差
2	[0,0.25)	植被恢复较差
3	[0.25,0.5)	植被恢复一般
4	[0.5,0.75)	植被恢复较好
5	[0.75,1.0]	植被恢复好
6	>1.0	植被完全恢复

新窗口打开| 下载CSV

图16

新窗口打开| 下载原图ZIP| 生成PPT

图16 VCRR的空间分布

Fig.16 Spatial distribution of vegetation cover recovery rate

根据研究区VCRR的统计发现(表8),研究区整体FVC受损恢复情况偏好,超过52%的受损地区VCRR达到0.75以上,还有19%的受损地区VCRR在0.25以下,4.84%的地区不但没有恢复反而FVC下降; 郑州市和新乡市植被恢复情况最好,超58%受损地区VCRR达到0.75以上,鹤壁市和安阳市只有41%受损地区VCRR达到0.75以上,且受损地区VCRR在0.5以下的占比超45%,超7%的地区植被恢复情况一直在降低,得不到改善。

表8 VCRR分级统计

Tab.8 Classification statistics of vegetation cover recovery rate (%)

VCRR分级	研究区	郑州市	新乡市	安阳市	鹤壁市
差	6.54	6.53	3.93	8.18	7.58
较差	14.74	11.43	11.30	20.65	15.27
一般	17.25	13.98	13.67	18.51	22.94
较好	9.95	9.15	8.68	11.34	10.63
好	16.19	17.36	18.91	14.41	14.09
完全恢复	35.36	41.55	43.51	26.91	29.50

新窗口打开| 下载CSV

统计各个区县的VCRR差值等级所占比例,分析不同地区的VCRR的变化趋势(图17),VCRR差值差(<0)的比例总体来说较小,其中延津县、封丘县、长恒市、滑县、汤阴县和巩义市所占比例在10%以上,说明该地区的植被在洪涝灾害发生后,植被生长有恶化趋势,需要对该区域的植被生长增加人力物力干扰,以达到保障区域植被恢复到灾前水平; 但是也可以看到各个区县的植被覆盖完全恢复(>1)占比最高,说明此次洪涝灾害并没有对研究区域植被造成毁灭性打击; VCRR差值在较好(>0.5)以上的,在各个区县占比较大,其中惠济区、获嘉县、北关区、中原区占比超过70%,说明在洪涝灾害发生后,该区域的植被生长状况良好。

图17

新窗口打开| 下载原图ZIP| 生成PPT

图17 VCRR各等级年际变化柱状图

Fig.17 Histogram of interannual variation of vegetation cover recovery rate at each grade

4 结论

本文采用NPP-VIIRS月度合成数据、MODIS-EVI数据和统计年鉴数据,对河南“7·20”暴雨灾害进行评估,得出如下主要结论:

1)基于夜间灯光数据和Sentinel-NDVI融合的NDUI不仅可以捕捉区域城市区域,还可以捕捉具有精细细节的局部城市区域,且NDUI与社会经济统计数据拟合精度高于0.8,表明NDUI可以在洪涝灾害发生后,参与精确位置救援和灾后针对性重建工作。

2)通过对NPP-VIIRS和MODIS-EVI的分析表明,两种数据评估洪涝灾害的结果具有很好的互补性,夜间灯光数据在城区表现出了优秀的评估能力,MODIS-EVI在高植被覆盖地区对植被恢复的监测具有很高的应用价值。2种数据的有机结合为全面获取洪涝灾害灾情信息和灾后评估提供一种新的思路和方法。

3)基于夜间灯光数据的评估研究表明: 高危区主要分布在郑州西部、新乡东部、安阳东部、鹤壁北部地区,包括荥阳市、巩义市、卫辉市、延津县、长恒市和北关区。高危区和中危区总面积为1 429.04 km²,占研究区总面积的6.06%,其中郑州市受面积为675.97 km²,占受灾影响面积的44.79%,受灾严重程度最高。

4)洪涝灾害发生后,2021年的低植被覆盖和较低植被覆盖比例比2019年和2020年有多增加,且中植被覆盖和较高植被覆盖比例有所降低,表明洪涝灾害发生后,有一部分中植被覆盖和较高植被覆盖地区的植被受到影响。从VCRR来看,卫辉市、淇县、滑县、林州市、登封市和荥阳市整体植被恢复情况较差,其恢复率的值大部分在0以下,植被覆盖有恶化趋势。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

邱粲, 刘焕彬, 万程程, 等.

1984—2019年山东省暴雨洪涝灾害时空变化特征及其成因分析

[J]. 灾害学, 2022, 37(4):57-63.

[本文引用: 2]

Qiu

, Liu

H B

, Wan

C C

, et al.

Tempo-spatial variation and cause analysis of rainstorms and related flood disasters in Shandong from 1984 to 2019

[J]. Journal of Catastrophology, 2022, 37(4): 57-63.

[本文引用: 2]

[2]

Pandey

, Joshi

P K

, Seto

K C

Monitoring urbanization dynamics in India using DMSP/OLS night time lights and SPOT-VGT data

[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23:49-61.

DOI:10.1016/j.jag.2012.11.005 URL [本文引用: 1]

[3]

Joshi

P K

, Bairwa

B M

, Sharma

, et al.

Assessing urbanization patterns over India using temporal DMSP-OLS night-time satellite data

[J]. Current science, 2011, 100(10):1479-1482.