基于 Rao Q 指数方向性趋势区分保护区内森林整合与碎片化的新应用

《Remote Sensing Applications: Society and Environment》：A Novel Application of Directional Trends in Rao's Q for Distinguishing Forest Consolidation from Fragmentation in Protected Areas

　　

摘要：光谱异质性指标，特别是Rao的二次熵（Q），被广泛用于评估景观多样性，但在森林景观中，静态量值测量在生态学上存在歧义——高值可能反映成熟的结构性复杂性，也可能反映活跃的破碎化过程。本研究检验了如下假设：Rao的Q趋势的时间方向能够消除这一歧义，提供森林结构动态的诊断指标：异质性下降反映林冠整合，异质性上升反映破碎化和干扰。利用2013年至2025年共13年的Landsat 8 OLI影像时间序列，我们基于NDVI和EVI计算了印度西高止山脉萨亚德里虎保护区的逐年像素级Rao的Q值，并使用改进的Mann-Kendall检验（校正时间自相关）提取时间趋势。通过利用高分辨率影像对300个分层样点（每种趋势类别100个）进行目视判读以验证趋势方向，QNDVI的总体准确率为89.00%（Cohen's κ = 0.835），QEVI的总体准确率为89.33%（κ = 0.840），两种指数的方向逆转错误率均为2.67%。该保护区景观总体表现出高度稳定性（95%–98%），结构动态在保护梯度上呈系统性变化：核心区稳定性最高、破碎化速率最低，非保护外围区稳定性最低、变化速率升高，缓冲区则处于中间动态状态。鉴于像素级趋势数据存在强空间自相关性（Moran's I ≈ 0.60–0.62），区域级差异被解释为描述性空间格局而非形式检验的对比结果。QNDVI（对细微结构信号敏感）与QEVI（对明确干扰进行保守高精度过滤）的功能互补性，支撑了一个四级监测框架：覆盖景观2.48%的区域作为需要干预的活跃破碎化区域，97.52%的区域为稳定或整合状态。该框架最适用于连续植被覆盖且不存在大范围土地用途转化的森林景观；在此领域内，分析光谱异质性的时间方向可为二元覆盖变化检测提供一个可扩展的、过程层面的补充手段，用于评估保护区管理成效。

引言：Rao的二次熵（Rao's Q）已成为遥感应用中刻画光谱异质性的最具理论支撑且被广泛采用的指标之一（Rao et al., 1982; Rocchini et al., 2017; Torresani et al., 2024）。与NDVI等逐像素植被指数不同——后者仅捕获单一位置的光谱强度——Rao的Q量化了滑动邻域窗口内的两两光谱差异，使其对植被的空间构型和结构复杂性敏感（Rao et al., 1982; Rocchini et al., 2010）。这种基于邻域的敏感性是其在光谱变异假说（SVH）中处于核心地位的基础，该假说认为景观中更大的光谱变异性对应于更高的生态位多样性、栖息地结构复杂性，并最终对应于生物多样性（Khare et al., 2021; Palmer et al., 2002; Rocchini et al., 2010; Torresani et al., 2019）。因此，Rao的Q被广泛用作栖息地异质性、功能多样性和生态系统监测的代理指标，适用于多种环境。然而，尽管其具有理论吸引力，一个根本性的解释局限性制约了其实用性：Rao的Q在单一时间点测量的量值在生态学上存在歧义。

这种状态歧义并非微不足道的局限——它对保护监测而言具有操作性上的禁用效应。一个高的Rao的Q值无法区分结构丰富、成熟的原始森林，与正在进行农业侵蚀的破碎化景观、引入光谱上显著不同的不透水表面的道路廊道，或处于稳定配置中的自然森林-草地生态交错带。所有这些情景都会产生升高的邻域内光谱差异，因此产生相同的高Rao的Q值，尽管它们代表了在管理响应需求上完全迥异的生态条件（Khare et al., 2021; Mpakairi et al., 2022）。同样，一个低的Rao的Q可能反映处于结构整合状态的郁闭成熟森林——这是一项保护成就——也可能反映因单一土地覆盖类型均质化而导致的结构退化景观。简言之，静态Rao的Q描述了空间异质性的状态，但无法揭示产生该状态的生态过程，也无法判断该过程从保护角度来看是生态学上有利的还是不利的。

这一诊断局限在保护区管理情境下最为致命，因为管理机构必须在景观尺度上区分根本不同的生态轨迹：一方面是林冠整合和成熟森林发育，另一方面是渐进的破碎化和干扰驱动的结构破坏。保护区覆盖了地球陆地表面近17.6%的面积，是全球保护生物多样性和生态系统服务的主要策略（UNEP-WCMC and IUCN, 2024）。然而，仅凭法律划定并不能保证保护成效；有效性关键取决于在不可逆退化发生之前检测并应对生态威胁的能力（Geldmann et al., 2013; Leverington et al., 2010）。在印度西高止山脉等崎岖偏远景观中——坡度超过45°、道路通达性有限以及强烈季风降水（年降水量>5000毫米）使得基于地面的实地调查在景观尺度上操作上不可行——遥感是唯一可行的持续同步监测途径（Kale, 2010; Pettorelli et al., 2014）。然而，正如静态Rao's Q的歧义所说明的那样，卫星观测描述了景观状态却无法诊断产生该状态的过程（Cohen et al., 2010）。解决这一局限——从状态描述转向过程推断——是本研究试图解决的核心挑战。

对静态指标局限性的自然应对是纳入时间信息，而现有方法在特定变化类别上已能有效实现这一点。基于断点的算法，包括LandTrendr（Kennedy et al., 2010）、BFAST（Verbesselt et al., 2012）和CCDC（Zhu and Woodcock, 2014），可检测逐像素光谱轨迹中的突变不连续性，对于识别离散干扰事件——如皆伐、火灾和洪水——非常有效，因为这些变化是突发的且空间上局部的。然而，在连续植被覆盖且受法律保护的地景中，具有生态学意义的变化往往是逐渐发生的，不会产生产生可检测的逐像素断点。诸如林冠间隙闭合、边缘迁移、渐进式结构整合或破碎化等过程会在多年中逐步累积，系统性地改变Rao's Q所捕获的空间异质性，同时对这些基于断点的检测器保持不可见。较近期的研究已探索利用标准差和变异系数等聚合度量在时间上变化光谱异质性（Deng et al., 2025; Khare et al., 2021），但量变异性本身在生态学上存在歧义：它量化了变化量而未编码其方向。一个像素的Rao's Q在十年内从0.02单调增加到0.12，与另一个像素的Rao's Q在同一时期内从0.12单调减少到0.02，可能表现出近乎相同的时间方差——然而前者反映的是景观正在逐渐变得更异质，后者反映的是景观正在稳步变得更加均质。异质性变化的方向在诊断意义上是其量值和方差所不具备的。

因此，我们提出：Rao's Q趋势的时间方向构成森林结构动态的过程诊断指标——一个静态量值测量、基于断点的检测器和聚合变异度指标从根本上无法恢复的信号。我们的核心假设是：在不存在大范围土地覆盖转化的连续植被景观中，Rao's Q单调时间趋势的方向编码了生态过程：持续的上升趋势反映渐进的破碎化、干扰或光谱上显著不同的表面的引入，这些过程系统性地增加了邻域内差异随时间的变化；而持续的下降趋势反映林冠整合、间隙闭合和结构稳定化，随着景观向郁闭林冠状态均质化而逐步降低空间异质性。该框架明确区别于传统变化检测：变化信号不是突发不连续性，而是在多年时间尺度上累积的异质性单调方向性漂移——正是保护区和连续植被景观最可能表现出的变化类型。如果法律保护转化为可测量的生态成效，这些方向性动态应在保护梯度上呈现系统且可预测的变化：核心区受最严格法规约束且人为干扰最小，应主要表现与结构整合一致的下降趋势；缓冲区暴露于受规制但非零的人类活动，应显示中间且空间上可变动的动态；非保护外围区应主要表现与破碎化压力和干扰驱动结构破坏一致的上升趋势。

为检验该假设，我们分析了印度西高止山脉萨亚德里虎保护区各保护区划中，基于Landsat数据从NDVI和EVI计算的Rao's Q的逐像素时间趋势，时间跨度为13年（2013–2025），使用改进的Mann-Kendall检验校正多年遥感序列固有的时间自相关（Hamed et al., 1998）。具体而言，本研究的目标为：

一、使用改进的Mann-Kendall检验量化逐像素Rao's Q趋势的方向、量值及统计显著性，作为森林结构动态的诊断检验。

二、通过高分辨率影像的分层目视评估（n=300个样点，每种趋势类别100个）验证趋势方向的生态学解释。

三、比较核心区、缓冲区和非保护区中正向、负向和无显著性趋势的空间分布和普遍性，以评估保护梯度是否产生系统性差异化的异质性动态。

四、评估趋势分类对关键分析选择的敏感性——包括滑动窗口大小、Sen斜率量值阈值和光谱指数选择——以区分真实生态信号与参数化依赖的伪影。

---

## 研究区域

萨亚德里虎保护区（Sahyadri Tiger Reserve, STR）位于印度北部西高止山脉（16°58′–17°49′N, 73°33′–73°55′E），面积1,165平方公里，跨越560–1,450米的陡峭海拔梯度，以深邃河谷和悬崖为特征（图1）。

保护区经历热带季风气候，6月至9月为显著雨季——西侧坡面年降雨量超过5,000毫米，背风区域为2,500–3,000毫米——随后是10月至次年5月的旱季。

---

## Rao's Q的空间分布

在整个研究区域中，基于NDVI和EVI的Rao's Q值范围从0到约0.15，但两种指数表现出显著不同的分布模式，反映了它们在高生物量热带环境中对林冠结构的对比敏感性。

QNDVI占据了较宽的动态范围，2013年约56%的景观区域数值超过0.02。空间上，较高的QNDVI值集中在森林-农业边界处、

---

## 时间方向消除静态异质性歧义

验证结果证实了核心假设：在连续植被覆盖的保护区景观中，Rao's Q趋势的时间方向能够可靠地区分林冠整合与破碎化。QNDVI的总体准确率为89.00%（Cohen's κ = 0.835），QEVI的总体准确率为89.33%（κ = 0.840），每种指数对300个独立评估样点均如此，表明当光谱异质性发生显著变化时，趋势方向能够正确识别潜在的结构性过程。

---

## 结论

本研究证明，分析光谱异质性的时间方向可将Rao's Q从一个歧义的静态指标转变为森林结构动态的诊断指标。在存在土地用途转化约束的连续植被保护区景观中，趋势方向能够可靠地区分林冠整合与活跃破碎化——这已通过每种指数300个分层样点的盲测目视验证得到确认（QNDVI总体准确率89.00%，κ = 0.835；QEVI总体准确率89.33%，κ = 0.840）。

---

## CRediT作者贡献声明

Rutuja Kate：撰写——初稿、可视化、验证、软件、方法论、正式分析、数据整理。Jayanta Bhattacharya：撰写——审阅与编辑、监督、概念设计。Abhijit Mukherjee：撰写——审阅与编辑、监督。

---

## 未引用参考文献

Li et al., 2025; Rocchini et al., 2019; The Wildlife, 2006; UNEP-WCMC IUCN, 2024。

---

## 数据可用性

本研究使用的Landsat 8 Collection 2 Level 2地表反射率影像可通过美国地质调查局Earth Explorer平台和Google Earth Engine数据目录（LANDSAT/LC08/C02/T1_L2）公开获取。用于云掩膜、植被指数计算和年中值合成图像的Google Earth Engine脚本作为补充代码S1提供，此外可通过以下链接访问：https://code.earthengine.google.com/3172fa0b467ce28914c73ab75f8b82d8。Rao's Q计算、改进的……

---

## 伦理声明

作者特此声明，稿件《Rao's Q方向性趋势在保护区中区分森林整合与破碎化的新颖应用》为原创工作，此前未发表且未在其他地方接受审稿。所有作者均已对研究做出实质贡献并对其内容承担全部责任。

本研究严格按照最高伦理标准进行，所有使用的数据均为利益冲突声明?作者声明他们没有已知的竞争性经济利益或可能影响本文所报告工作的私人关系。Rutuja Kate|Abhijit Mukherjee|Jayanta Bhattacharya印度理工学院卡拉拉普尔分校环境科学与工程学院，印度西孟加拉邦卡拉拉普尔721302