夜光遥感指示下人类活动对森林覆盖时空演变的影响研究

关键词：夜光遥感；人类活动；森林覆盖；偏最小二乘回归模型；双变量莫兰指数

森林覆盖是维持地球生态平衡的关键因素，森林覆盖减少会加剧气候变化的负面影响，也会对生态系统的稳定性造成威胁。森林覆盖变化研究是学者们关注的热点问题，如利用 Landsat 系列卫星提供的长期全球森林监测数据，在全球尺度上进行森林的空间分布和时空动态的分析研究 [1] ；利用 Landsat8 和Sentinel-2 等高分卫星数据对森林覆盖时空演变进行精细化研究 [2]。等等。

人类活动与气候变化的双重作用是森林覆盖变化的主要驱动力之一 [3]。传统遥感在计算森林覆盖变化上具有突出优势，但在持续量化人类活动对森林覆盖影响方面存在局限，难以有效关联城市化、农业扩张、工业发展等人类社会活动与森林覆盖变化之间的空间耦合关系。而夜光遥感技术能够探测夜间灯光变化所引起的植被地表亮度的变化，从而体现出人类活动强度及其空间分布特点 [4]，有助于弥补传统遥感技术持续监测人类活动等方面的不足。其数据具有高时间分辨率和广域覆盖等优势，结合气候、土地利用变化等因素，可以更精确地揭示人类活动对森林覆盖的时空演变影响 [5-6]。基于此，本文以中国各省级行政区为研究对象，以近十年的夜光遥感数据、森林覆盖数据和气候数据为基础，开展人类活动对我国森林覆盖的时空演变研究分析。

1 数据来源与数据处理

1.1 数据来源

夜光遥感数据：VIIRS-DNB 月度无云合成数据集该数据集以月为单位，涵盖全球夜间灯光强度的观测。森林覆盖数据：Hansen Global Forest ChangeDataset，包含 2000 年以来全球的森林覆盖变化情况。气候数据：（1） ClimateHazards Group InfraRed Precipitation with Station data（CHIRPS），该数据集结合了卫星观测和地面气象站数据，提供了全球范围内的日降水量信息）； （2） EuropeanCentre for Medium-Range Weather Forecasts Reanalysis v5 - Land Hourly（ERA5-Land），包含了全球逐小时地表温度信息。

1.2 数据处理

所有数据集均以 2014-2023 年为时间维度筛选全国各省级行政区的数据，将 scale 都设定为 1000 米，裁剪后的数据分别从不同的数据源读取出来并转化为列表的形式，利用谷歌地球引擎（GEE）中的区域聚合方法将各数据源中各个像素的统计数据提取出来并转化为数值数组。其后，使用 Pands 库构建包含森林覆被、夜间灯光、降水量、气温的数据表，其中，夜间灯光数据、降水和温度数据均转换为年均值，森林覆盖选择 treecover2000 波段中森林丧失（loss）和森林恢复（gain）数据算得年森林覆盖变化。最后，以 1000 米 ×1000 米为空间单元对每个省级行政区进行划分。

2 研究方法

2.1偏最小二乘回归

偏最小二乘回归（PLS）结合了主成分分析和多元回归的特点，特别适用于自变量之间存在多重共线性的情况，并且能够在自变量和因变量之间找到最佳的线性关系 [7]。为了剔除降水和温度对森林覆盖的影响，本文以降水和温度作为自变量，将数据集以 8：2 的比例划分为训练集与测试集，对森林覆盖率进行回归分析，提取回归残差，确保夜间灯光和森林覆盖的空间关系不受气候变量的干扰。PLS 回归模型的结果主要由交叉验证的 |R² 值（即 Q² ）进行评估，表示实际值和预测值之间相关性的平方， Q²⩾0.0975 ，则可以保留 PLS 分量，Q²<0.0975 ，则 PLS 回归模型不具有统计学意义。

2.2 K 最近邻（KNN）算法

KNN 算法是一种基于实例的学习方法，其基本原理是依据目标点与其周围其他数据点的距离进行比较，取距离目标点最接近的 K 个邻居点，然后依据邻居点的情况进行判断和预测[8]。

2.3 双变量莫兰指数

双变量莫兰指数（Bivariate Moran’s I）是两个变量空间依赖性的一个测量指标 [9]。本文通过计算 2014 年至 2023 年 10 年间每一个省级行政区的夜间灯光强度和森林覆盖残差的双变量莫兰指数，分析人类活动与森林覆盖在每一个省级行政区中的空间关系。双变量莫兰指数显著性检验采用 999 次置换验证，p<0.05 ，认为观察到的双变量莫兰指数值显著，表明夜间灯光和森林覆盖之间的空间关联不是随机产生的；当 p>0.05 ，则认为观察值可能仅为随机分布，不具有显著空间相关性。

3 结果分析

本研究中 PLS 回归模型森林覆盖残差计算、KNN 空间权重矩阵构建和双莫兰指数的计算均基于Jupyter 环境，使用Geemap 调用GEE 平台实现。

3.1 森林覆盖残差计算结果

PLS 回归模型精度验证指标如表1 所示， Q² 均大于0.0975，且误差较为稳定，证明PLS 模型在气候对森林覆盖的影响分析中具有统计意义。

2014 年至 2023 年间，各省级行政区 94.1% 的双变量莫兰指数显著性 P 值均小于 0.05，夜间灯光与森林覆盖具有明显的空间相关性。其中部分省级行政区的部分时间段的 P 值大于 0.05，如 2014 年和 2015 年的贵州省、青海省和香港特别行政区等，反映出夜间灯光和森林覆盖的空间相关性不显著。总体上看，仅极少数的省级行政区在个别年份上的 P 值大于 0.05，因此，可以认为在 2014年至2023 年间，中国各省级行政区的夜间灯光与森林覆盖空间相关性非常显著。

3.3 中国各区域人类活动对森林覆盖的影响分析

2014 年—2023 年中国各省级行政区双变量莫兰指数值如表2 所示。双变量莫兰指数为正表示夜间灯光聚集的区域森林覆盖也相应聚集，即表明人类活动对森林覆盖呈现出积极影响，人类活动与森林覆盖形成了协同保护的效果。双变量莫兰指数为负表示夜间灯光聚集的区域森林覆盖与其离散，即表明这些区域的人类活动对森林覆盖呈现出驱赶趋势，人类活动对森林覆盖存在着消极影响。

观察表 2 可以发现，我国各省级行政区夜间灯光与森林覆盖之间的空间相关性在时间和空间上表现出较为显著的区域差异，根据 10 年间的双莫兰指数变化情况，大致可以将全国 34 个省级行政区人类活动与森林覆盖的关系分成三种类型，即持续促进型、持续抑制型和波动敏感型。

持续促进型表现为各年份指数值均为正或绝大部分年份为正，说明人类活动对森林覆盖起到积极的促进作用，包括澳门、宁夏、陕西、湖北、江西、广东、云南、浙江、江苏、新疆 10 个地区。持续抑制型表现为各年份指数值均为负或绝大部分年份为负，说明人类活动对森林覆盖起到抑制作用，包括安徽、北京、重庆、福建、广西、贵州、海南、河南、湖南、吉林、上海、台湾、天津、西藏、香港、黑龙江，共 16 个省级行政区域。波动敏感型表现为在 10 年间存在一定幅度的上下波动、正负交替，说明人类活动对森林覆盖的影响不稳定，包括甘肃、河北、山西、内蒙古、青海、山东、辽宁、四川共8 个地区。

结论

本文构建了“多源数据融合—气候控制—空间统计分析”研究框架，分析了夜光遥感指示下人类活动对森林覆盖时空演变的影响，揭示 10 年间各省级行政区夜间灯光与森林覆盖表现出显著的空间相关性，人类活动对森林覆盖的影响呈现出显著的时空差异。该研究框架具有较强的可推广性和拓展性，研究有助于剖析人类活动与森林覆盖时空关联的定量分析，在不同区域空间上挖掘出各地森林覆盖变化的不同模式，为区域生态保护以及绿色发展战略制定提供有益参考。

参考文献

[1]马超群， 杨静怡， 王晓峰， 等. 基于时序遥感数据的商南县耕地非农化特征及驱动因子分析 [J]. 遥感技术与应用 ， 2025， 40（1）： 47-59.

[2]Segarra J， Buchaillot M L， Araus J L， et al.Remote Sensing for Precision Agriculture： Sentinel-2 Improved Features and Applications[J].Agronomy， 2020， 10（5）：641.

[3]周锡饮 ， 师华定 ， 王秀茹 . 气候变化和人类活动对蒙古高原植被覆盖变化的影响 [J]. 干旱区研究 ， 2014， 31（4）： 604-610.

[4]Shi K， Yu B， Huang Y， et al. Evaluating the Ability of NPP-VIIRS Nighttime Light Data to Estimate the Gross Domestic Product and the Electric Power Consumption of China at Multiple Scales： A Comparison with DMSP-OLS Data[J]. Remote Sens. 2014， 6（2）： 1705-1724.

[5]张梦琪 ， 何宗宜 ， 樊勇 . DMSP/OLS 稳定夜间灯光影像的校正方法 [J].测绘通报 ， 2017， 71（12）： 58-62.

[6]李德仁 ， 李熙 . 论夜光遥感数据挖掘 [J]. 测绘学报 ， 2015， 44（6）： 591-601.

[7]Abdi H. Partial least squares regression and projection on latent structure regression （PLS Regression）[J]. Wiley interdisciplinary reviews： computational statistics， 2010， 2（1）： 97-106.

[8]Zhang S. Challenges in KNN Classification[J]. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（10）： 4663-4675.

[9]Lee S I. Developing a bivariate spatial association measure： an integration of Pearson’s r and Moran’s I[J]. Journal of geographical systems， 2001， 3（7）： 369-385.