自然资源遥感, 2023, 35(3): 201-211 doi: 10.6046/zrzyyg.2022194

技术应用

干旱区绿洲城市生态环境时空格局变化及影响因子研究

排日海·合力力,1, 昝梅,1,2

1.新疆师范大学地理科学与旅游学院,乌鲁木齐 830054

2.新疆干旱区湖泊环境与资源重点实验室,乌鲁木齐 830054

Spatio-temporal changes and influencing factors of ecological environments in oasis cities of arid regions

PARIHA Helili,1, ZAN Mei,1,2

1. College of Geography and Tourism, Xinjiang Normal University, Urumqi 830054, China

2. Xinjiang Laboratory of Lake Environment and Resources in Arid Zone, Urumqi 830054, China

通讯作者: 昝 梅(1979-),女,副教授,主要从事干旱区生态环境与遥感应用研究。Email:zanmei1102@163.com。

责任编辑: 张仙

收稿日期: 2022-05-16   修回日期: 2022-09-21  

基金资助: 新疆干旱区湖泊环境与资源重点实验室开放课题“玛纳斯湖湖滨植被水分利用效率对干旱胁迫的影响研究”(XJDX0909-2021-01)
新疆师范大学博士科研启动基金项目“新疆森林碳储量影响因子研究”(XJNUBS2003)

Received: 2022-05-16   Revised: 2022-09-21  

作者简介 About authors

排日海·合力力(1998-),女,硕士研究生,主要从事干旱区生态环境研究。Email: 1601250145@qq.com。

摘要

城市作为人类生活和生产的核心区域,其生态环境质量越来越受到人们关注,特别是生态环境脆弱的干旱区城市。在新疆的南疆和北疆2个典型绿洲城市(乌鲁木齐市和喀什市)分别选取研究区,基于Google Earth Engine(GEE)构建2个城市遥感生态指数(remote sensing ecological index, RSEI),比较2000年、2010年和2020年2个研究区生态环境质量的时空变化特征,并利用随机森林模型定量分析2个研究区RSEI的影响因素。结果表明: ①近20 a间研究区1生态环境质量变差,研究区2生态环境质量变好,研究区1生态环境改善的区域集中在城市中心的老城区,而城区外围的新建区生态环境变差,研究区2东北部生态环境明显改善,而城市中心周围的新建区生态环境质量变差; ②植被覆盖度是影响2个研究区RSEI最重要的因子,气温和降水量是影响2个研究区RSEI次重要的因子,影响因子对2个研究区RSEI的影响范围有所差异; ③近20 a间研究区1城市规模的扩大、不透水面的增加和植被覆盖度的减小是生态环境变差的主要原因,而研究区2城市化与绿色健康城市发展模式共同推进的举措对生态环境质量的改善发挥了重要作用。研究结果可以为研究区城市健康发展提供科学依据。

关键词： 乌鲁木齐市; 喀什市; RSEI; GEE; 随机森林

Abstract

Cities are core areas for human life and production. The ecological environment quality is a growing concern in cities, especially cities with fragile ecological environments in arid regions. This study selected 2 study areas from two typical oasis cities, namely Urumqi City in northern Xinjiang and Kashgar City in southern Xinjiang. It compared the spatio-temporal changes in the ecological environment quality of the two study areas in 2000, 2010, and 2020 using two urban remote sensing-based ecological indices (RSEIs) constructed based on the Google Earth Engine (GEE). Furthermore, it quantitatively analyzed the factors influencing the RESIs of the two cities using the random forest model. The results are as follows: ① Over the past 20 years, the ecological environment quality in study area 1 worsened but that in study area 2 improved overall. In study area 1, the ecological environment improved mainly in the old urban area and deteriorated in the newly built area at the periphery of the urban area. In study area 2, the ecological environment significantly improved in the northeastern part and deteriorated in the newly built area around the city center. ② The fractional vegetation cover is the most critical factor influencing RESIs of both study areas, followed by temperature and precipitation. These influencing factors had different influences on the RSEIs of the two study areas. ③ The primary reasons for the deterioration of the ecological environment in study area 1 included the expanded urban scale, the increased impervious surfaces, and the decreased fractional vegetation cover in the past 20 years are. In contrast, urbanization and green and healthy urban development pattern jointly played a significant role in improving the ecological environment quality in study area 2. The results of this study can provide a scientific basis for healthy urban development in both study areas.

Keywords： Urumqi City; Kashgar City; RSEI; GEE; random forest

PDF (6217KB) 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

排日海·合力力, 昝梅. 干旱区绿洲城市生态环境时空格局变化及影响因子研究[J]. 自然资源遥感, 2023, 35(3): 201-211 doi:10.6046/zrzyyg.2022194

PARIHA Helili, ZAN Mei. Spatio-temporal changes and influencing factors of ecological environments in oasis cities of arid regions[J]. Remote Sensing for Land & Resources, 2023, 35(3): 201-211 doi:10.6046/zrzyyg.2022194

0 引言

生态环境质量是指生态环境在一定时间和空间内影响人类生存和社会经济发展的程度,是生态环境的基本属性[1]。城市化是人类进步的必然过程,也成为对社会、经济和城市环境持续施加压力的主要因素,是全球关注的问题。遥感技术具有快速、实时和大规模监测的优点,已广泛应用于生态环境领域。有学者利用遥感反演的植被指数和地表温度评价森林群落生长情况[2],利用地表温度进行城市热岛效应分析[3]。但生态系统的形成与发展受多种因素影响,在一定程度上单一指标不能全面反映自然过程的真实情况。2013年徐涵秋[4]提出的遥感生态指数(remote sensing ecological index,RSEI),综合利用多种指标定量评价生态环境质量。近年来,RSEI被广泛应用于区域生态环境质量评价[5⇓-7]和建模。在研究内容方面RSEI被用于地区、环境质量时空演变分析[8⇓-10]、城市化环境效应的定量分析[11-12]、生态环境驱动因子探讨[13-14],以及生态环境质量与城市扩张影响机制的研究[15]。Google Earth Engine(GEE)云计算平台为实现大区域长时期RSEI的遥感估算提供了数据源和技术保障。该平台可以快速高效地批量处理海量遥感影像,弥补了传统单机模式处理遥感数据的缺陷[16]。

目前,利用RSEI分析城市生态环境质量的研究主要集中在我国经济发达的东部沿海地区,对西部干旱区城市的关注较少,尤其是不同城市化水平的多个城市之间生态环境质量对比的研究更少。乌鲁木齐市人口密集,经济高速发展,是我国向西开放的桥头堡。近年来随着乌鲁木齐市城市化水平的提高出现了一些生态环境问题,如大气和水环境的恶化、大面积开垦草原引起的沙漠化和土地沙化现象以及过度放牧引起的草原退化等[17]。喀什市位于塔克拉玛干沙漠边缘,生态环境及其脆弱,近些年来土地盐泽化加剧,沙化草场退化的生态环境问题也比较严峻[18]。此外,乌鲁木齐市和喀什市是新疆北疆和南疆城市化发展较快的典型城市。因此,本文在2个城市分别选取研究区,利用遥感数据计算2个研究区2000年、2010年和2020年绿度指标归一化植被指数(normalized difference vegetation index,NDVI)、湿度指标(wetness,WET)、热度指标地表温度(land surface temperature,LST)和干度指标(normalized difference building and soil index,NDBSI),采用主成分分析法(principal component analysis,PCA)构建RSEI模型,并对2个研究区生态环境质量的时空变化特征进行对比分析。选取研究区与RSEI紧密相关的6种因子,利用随机森林模型比较分析2个研究区RSEI影响因子的重要性及偏依赖性。本研究结果可以为促进新疆南北疆城市化和生态环境质量协调发展提供理论依据,对研究区环境保护和可持续发展也具有实际意义。

1 研究区及其数据源

1.1 研究区概况

乌鲁木齐市位于新疆天山北麓,准噶尔盆地南缘(E86°46'10''~88°59'48'',N42°54'16'~44°58'16'),是中国乃至中亚和欧洲的交通枢纽,已成为中国向西开放的桥头堡[19]。乌鲁木齐市属于温带大陆性干旱半干旱气候,是新疆城市化进程最快的城市,城市土地和人口的增长对周围生态环境产生了很大影响。喀什市位于新疆天山南部,塔里木盆地西缘(E75°50'~76°21',N39°24'~38°37'),是我国连接中亚、西亚和南亚,进而连接欧洲的天然路桥和黄金通道。喀什市属于典型的暖温带大陆性干旱气候。近年来,喀什市的城市化得到很大发展。本文在2个城市分别选取研究区,如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区位置示意图

Fig.1   Location of the study area


1.2 数据来源

GEE平台的快速发展为遥感数据提供了强大处理平台。本研究基于GEE利用2000年、2010年和2020年共211景Landsat影像数据,在GEE平台中对遥感数据进行批量拼接、裁剪和水体掩模等预处理。为了避免季节差异造成的影响,选取每年5—10月之间的夏季和秋季的数据。基于GEE平台计算研究区NDVI,WET,LST和NDBSI,并利用PCA法构建研究区RSEI。数字高程模型(digital elevation model,DEM)数据来自地理空间数据云平台(http://www.gscloud.cn),空间分辨率为30 m。研究区2000年、2010年和2020年土地利用类型数据、植被覆盖度(fractional vegetation cover,FVC)、气温、降水量、人口空间分布以及国内生产总值(gross domestic product,GDP)空间分布网格数据集(经济密度)都来源于中国科学院资源环境科学数据中心(http://www.resdc.cn/),空间分辨率均为1 km。根据分类标准对土地利用数据采用耕地、林地、草地、水域、建设用地和裸地6个一级类型进行处理[20]。并对以上空间数据进行坐标系统和空间分辨率的统一。

2 研究方法

2.1 构建RSEI

综合考虑了研究区干旱、脆弱的生态环境特征及适用性选取了RSEI模型,该模型可以对大区域生态环境实现快速监测和评价。模型包括4个指标[21],分别反映面积广大的研究区与人类生存息息相关的绿度、湿度、热度和干度生态因素,这些指标也是评价干旱区生态环境质量必须包含的重要因素。其中NDVI可以反映植被生长和覆盖度的状况; WET可以较好地反映研究区土壤和植被的水分信息; LST与城市生态环境密切相关,因而使用LST表征热度指标; 城区建筑用地面积不断扩大,加上城市周围裸地广泛分布是造成研究区土壤干化危害区域生态环境的原因,所以本文将裸地指数(soil index,SI)和建筑指数(index-based built-up index,IBI)加权平均后得到的NDBSI[22]作为干度指标反映研究区干旱化的程度。总之RSEI模型能够针对研究区存在的生态环境问题进行客观的评价并对研究区具有较好的适用性。其中NDVI和WET的公式分别为:

NDVI=(ρNIR-ρRed)/(ρNIR+ρRed)
WETTM=0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2
WETOLI=0.1511ρBlue+0.1972ρGreen+0.3283ρRed+0.3407ρNIR-0.7117ρSWIR1-0.4559ρSWIR2

式中ρBlue,ρGreen,ρRed,ρNIR,ρSWIR1和ρSWIR2分别为遥感影像相应的蓝光、绿光、红光、近红外、短波红外1和短波红外2波段的反射率。LST的公式为:

B(Ts)=K2lnK1L6(10)+1-273.15
LST=B(Ts)/{1+[λB(Ts)/ρ]lnε}

式中:B(Ts)为黑体辐射亮度;对于Landsat5影像,K1=607.76 W/(m2·sr·um),K2=1 260.56 K;对于Landsat8 影像,K1=774.89 W/(m2·sr·um),K2=1 201.14 K[23];L6(10)为TM (TIRS)热红外波段在传感器处的辐射值;λ为热红外波段中心波长;ρ=1.438×10-2mK;ε为地表比辐射率。IBI,SI和NDBSI的公式分别为:

IBI=2ρSWIR1ρSWIR1+ρNIR-ρNIRρNIR+ρRed+ρGreenρGreen+ρSWIR1/2ρSWIR1ρSWIR1+ρNIR+ρNIRρNIR+ρRed+ρGreenρGreen+ρSWIR1
SI=[(ρSWIR1+ρRed)-(ρNIR+ρBlue)]/[(ρSWIR1+ρRed)+(ρNIR+ρBlue)]
NDBSI=(IBI+SI)/2 。

在构建RSEI前对4个指标进行归一化处理,确保4个指标的数值范围在[0,1]之间。基于4个标准化指数,采用PCA计算RSEI的初始值RSEI0。RSEI的计算公式为:

RSEI=(RSEI0-RSEI0-min)/(RSEI0-max-RSEI0-min)

式中RSEI0-max和RSEI0-min分别为初始值RSEI0的最大值和最小值。RSEI越接近1表明生态环境质量越好; 越接近0表明生态环境质量越差。

2.2 随机森林模型

随机森林算法是Breiman[24]提出的一种包含大量决策树的多分类器组合算法,被认为是一种有效的机器学习算法。其基本原理是在CART决策树中引入Bagging算法进行多次有放回的随机抽样,然后训练得到单个决策树分类器,完成对集成模型的构建。与其他模型相比,随机森林算法可以处理高维数据集,具有较高的可靠性和较低的时间复杂度,算法灵活、稳健和实用性高。此外,随机森林算法在参数优化、变量排序以及后续变量解释力分析等方面优势较为明显。近年来该方法被广泛应用于解决复杂的地理综合问题中,例如驱动因子分析、因子贡献、预测分析和遥感大数据分类等领域[25⇓-27]。综上所述,本文选取随机森林算法定量计算研究区RSEI影响因子的重要性和偏依赖性,其中变量重要性的值越大说明该因子对因变量的贡献权重越高。

2.3 RSEI模型适用性的检验

为了评价RSEI模型对研究区生态环境质量的综合代表性,分别计算了研究区2020年的RSEI,NDVI,WET,LST和NDBSI之间的相关系数(图2)。由各生态因子与RSEI的相关系数可以看出,研究区1的RSEI分别与各生态因子之间相关系数绝对值的平均值为0.838,RSEI与NDBSI相关性最显著,相关系数为-0.891; NDBSI与NDVI,WET和LST的相关性较高,相关系数分别为-0.870,-0.670和0.532; 研究区2的RSEI与各生态因子之间相关系数绝对值的平均值为0.961,RSEI与NDBSI的相关性最为显著,相关系数为-0.994; NDBSI与NDVI,WET和LST的相关性比较高,分别为-0.985,-0.925和0.902。以上结果说明2个研究区RSEI与各生态因子相关性较好,比任意单一指标更具代表性。即RSEI能够综合表达研究区各指标的信息。同时也说明选取RSEI评价研究区城市生态环境质量的适用性较好,评价结果客观准确性较好。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2020年RSEI,WET,NDBSI,NDVI和LST之间的相关系数及相关性检验

Fig.2   Correlation coefficient and correlation test among RSEI, WET, NDBSI, NDVI and LST in 2020


3 结果与分析

3.1 RSEI和生态因子的时间变化特征

由表1可以看出: 研究区1在2000年、2010年和2020年RSEI均值分别为0.38,0.36和0.34呈逐渐下降的趋势,2020年的RSEI相比2000年降低了0.04,降幅约为10.52%。研究区2在2000年、2010年和2020年RSEI均值分别为0.37,0.40和0.41,呈逐渐增加趋势,相比2000年,研究区2在2020年RSEI增加了0.04,增幅约为10.81%。研究期内2个研究区的NDVI和NDBSI均值整体呈下降趋势,LST的均值整体呈增加趋势。研究区1的WET均值呈下降趋势,而研究区2的WET均值整体呈略微增加的趋势。

表1   2个研究区各年份指标和RSEI的变化

Tab.1  Change in 4 indicators and RSEI in each year of the two study areas

研究区年份NDVIWETLSTNDBSIRSEI
平均值标准差平均值标准差平均值标准差平均值标准差
研究区12000年0.320.160.620.190.700.140.790.130.38
2010年0.360.190.570.210.700.180.740.160.36
2020年0.240.180.480.180.740.140.730.150.34
研究区22000年0.370.310.480.270.480.250.690.300.37
2010年0.360.290.530.250.390.220.660.270.40
2020年0.270.200.530.250.530.260.600.280.41

新窗口打开| 下载CSV


3.2 RSEI时空格局分析

3.2.1 RSEI等级空间分布特征

参考已有生态质量分级标准以0.2为间隔分成5级,分别代表生态质量优、良好、中等、较差和差[28-29],对估算得到的2个研究区3期RSEI分别进行分级并统计面积,如表2所示。2000年、2010年和2020年研究区1生态环境质量以较差和中等级为主,其中较差的生态环境的面积分别占总面积的44.09%,41.55%和46.92%,中等级生态环境的面积分别占总面积的30.41%,24.76%和22.64%。生态环境质量较差和差区域的面积呈增加趋势,2020年较差和差区域面积最多,达到66.43%。说明2000年以来研究区1生态环境质量呈现下降趋势。2000年研究区2生态环境质量处于差和较差的区域占总面积的比例超过50%,中等及以上的区域面积比例为44.48%。2010年和2020年研究区2生态环境差的面积相比2000年分别减少7.67%和11.03%,而2020年生态质量优的区域面积相比2000年增加2.50%,说明研究期内研究区2生态环境质量整体呈上升趋势。可以看出近20 a研究区2生态环境质量等级优和良好的面积占比明显高于研究区1,研究区1生态环境质量等级差和较差的占比整体呈增加趋势,而研究区2生态环境质量差的占比明显减少。

表2   各年份生态等级和面积比例统计

Tab.2  Statistic of ecological grades and area rations in each year (%)

研究区年份差较差中等良好优
研究
区1		2000年14.7544.0930.417.631.84
2010年20.5341.5524.769.863.29
2020年19.5146.9222.648.122.81
研究
区2		2000年44.3011.2115.9916.3612.13
2010年36.6315.5716.4823.447.88
2020年33.2719.7415.7216.6414.63

新窗口打开| 下载CSV


2个研究区RSEI的等级分布如图3所示。由图3(a)—(c)可知,研究期内研究区1生态环境差和较差的区域主要分布在北部米东区和中部达坂城区植被稀疏的裸地区域。近20 a间研究区1生态环境质量以中等级转为较差和差的等级为主,土地利用类型以城市、耕地和草地为主。由图3(d)—(f)可知,研究期内研究区2生态环境良好和优的区域主要分布在中南部的耕地区域,而生态环境差的区域主要分布在北部的裸地和主城区外围新开发的区域。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2个研究区RSEI的等级分布

Fig.3   Spatial distribution of RSEI value classes of the two study areas


3.2.2 RSEI等级变化检测

为了更好地提取研究区RSEI变化特征,将共20 a的研究期分为3个时段,分别为2000—2010年、2010—2020年和2000—2020年。将RSEI相比前一时期面积变化的剧烈程度分为7个级别: 急剧变差、明显变差、略微变差、生态不变、略微变好、明显变好和急剧变好,并分别用-3,-2,-1,0,1,2和3表示。其中急剧变差、明显变差和略微变差归为变差类,生态不变为一类,略微变好、明显变好和急剧变好归为一类。检测结果如表3所示。由以上不同时段的统计结果表明,2个研究区生态环境质量等级不变的面积分别约占整个区域面积的70%和50%左右。研究区1在2010—2020年生态环境质量变差的面积比2000—2010年的多,说明2010年后生态环境变差速度比前10 a的快; 研究区2在2000—2010年生态环境变好速度比2010—2020年的变化速度快。近20 a研究区1生态环境质量整体呈变差趋势,而研究区2呈变好趋势(图4)。由图4可以看出,生态变差的区域主要分布于人口聚集区、耕地和草地区域。

表3   2000—2020年2个研究区RSEI等级变化检测

Tab.3  Detection of the change of RSEI level of the two study areas from 2000 to 2020

研究区类别级差2000—2010年2010—2020年2000—2020年
面积/km2比例/%面积/km2比例/%面积/km2比例/%
研究区1变差-3,-2,-11 399.1910.142 694.2820.362 584.4119.53
不变010 547.8876.479 933.2175.068 992.7867.96
变好1,2,31 845.9213.38605.464.581 655.8112.51
研究区2变差-3,-2,-193.0716.9290.3716.49112.2620.49
不变0257.7846.86272.2249.69213.4838.97
变好1,2,3199.2036.21185.2133.81222.1040.54

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   2000—2020年2个研究区RSEI变化监测

Fig.4   Change detection of RSEI of the two study areas from 2000 to 2020


3.3 驱动因子分析

3.3.1 因子重要性分析

利用随机森林模型定量分析不同因子对研究区RSEI的影响,包括自然因素(FVC、气温、降水量和DEM)和人为因素(经济密度、人口密度和土地利用类型)。首先,对研究区2000年、2010年和2020年的RESI和对应年份的7个影响因子分别进行2 km×2 km(研究区1)和1 km×1 km(研究区2)网格化处理,并求算每个格网各指标的均值; 然后,将RSEI作为随机森林模型的因变量,7个影响因子作为模型自变量进行不同年份影响因子重要性分析。由图5可知,2000年、2010年和2020年研究区1的RSEI影响因子重要性排序基本保持一致,其中FVC的贡献率最大,平均约为60%; 其次是气温和降水量; 人口密度的贡献率最小,平均约为25%。2010年和2020年研究区2的RSEI主要影响因子重要性顺序基本一致,而2000年影响因子重要性顺序与后2个时期稍有差异,整体上FVC对RSEI的贡献率最大,平均约为55%; 其次是降水量和气温; 经济密度的贡献率最小,平均约为12%。总之,研究期内2个研究区的自然因素比人为因素对RSEI的影响更大,其中2个研究区自然因素重要性分别约为65.6%和73.9%。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   影响因子重要性排序

Fig.5   Importance ranking of influencing factors


3.3.2 因子偏依赖性分析

随机森林模型的偏依赖性表示因变量对自变量的边缘依赖性,是机器学习对结果可解释性的指标[30]。本文选取2000年、2010年和2020年FVC、气温、降水量、经济密度、人口密度、土地利用类型和DEM的年均值分别和研究区1与研究区2的RSEI年均值进行偏依赖性分析。由图6和图7可以看出,不同因子对2个研究区RSEI的影响区间和影响程度有所差异。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   研究区1影响因子对RSEI的偏依赖

Fig.6   Partial dependency of the study area 1 for the factors in the RSEI


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   研究区2影响因子对RSEI的偏依赖

Fig.7   Partial dependency of the study area 2 for the factors in the RSEI


由图6可以看出,研究区1的FVC增加对RSEI的影响程度逐渐上升,当FVC>0.6后对RSEI的影响程度达到最大且几乎保持不变; 当气温在2~8 ℃的时候对RSEI的影响程度比较高,大于8 ℃后对RSEI的影响程度急剧下降; 降水量大于160 mm后对RSEI的影响程度急剧上升; 经济密度大于2 000万元/km2后对RSEI的影响程度逐渐增加; 人口密度大于40 000人/km2后对RSEI的影响程度达到最大且几乎保持不变; 林地对RSEI的影响最大,而建设用地和裸地对RSEI的影响逐渐下降; DEM>2 000 m后对RSEI的影响达到最大且几乎保持不变。

由图7可以看出,对于研究区2,FVC对RSEI的影响趋势与研究区1相似; 气温在0~4 ℃的时候对RSEI的影响程度比较低,大于4 ℃后对RSEI的影响程度急剧上升,达到9 ℃后对RSEI的影响逐渐下降; 降水量的增加对RSEI的影响程度逐渐上升,当降水量大于150 mm时对RSEI的影响程度达到最大且几乎保持不变; 经济密度对RSEI的影响趋势与研究区1类似; 人口密度大于1 500人/km2后对RSEI的影响程度逐渐上升; 研究区2土地利用类型对RSEI的影响趋势与研究区1相似; 当DEM=1 300 m时对RSEI的影响达到最大,之后对RSEI的影响逐渐下降,此外当DEM>1 500 m时影响明显下降。

4 讨论

4.1 不同土地利用类型的RSEI等级变化分析

生态环境质量的变化与土地利用类型的转换有一定关系(图8)。从图8可以看出,2个研究区裸地和建设用地的生态环境质量等级较低,主要集中在差和较差等级,其中约超过90%的裸地面积是生态环境质量差和较差状态。草地、裸地和建设用地中几乎没有生态环境质量优的等级。耕地和森林生态环境质量较高,都在中等以上等级。研究区1中等和良好等级的耕地面积占总耕地面积的70%,良好和优等的森林面积占总森林面积的85%。研究区2中等及以上等级的耕地面积占总耕地面积的90%以上。在2个研究区不同土地利用类型主要是在中等等级比例变化较明显。从研究区生态环境质量的等级所占的比例来看,对生态环境质量变化影响大小的排序依次为裸地>建设用地>草地>耕地>森林。相比2000年,2020年研究区1生态环境质量降低的原因在于裸地和草地生态环境质量差和较差的面积比例的增加以及建设用地生态环境质量较差面积比例的增加。对于研究区2生态环境质量变好的原因在于耕地生态环境质量良和优的面积比例的增加和草地与建设用地生态环境质量差和较差面积的比例明显减少。以上分析可知,耕地和草地与裸地和建设用地对生态环境质量影响的差异本质上是由植被覆盖和不透水表面导致的,在生态环境退化中生态环境质量差和较差等级主要是由于在城市扩张过程中,建设用地占领了原有的耕地和草地。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   2000年和2020年不同土地利用类型的RSEI等级面积比列

Fig.8   RSEI levels proportions of different land-use types in 2000 and 2020


4.2 生态环境质量差异的原因分析

以上研究表明,20 a间研究区1的生态环境质量总体表现为变差的状态,而研究区2生态环境质量呈变好的状态。主要是由于城市规模、自然和人文环境不同,以及生态环境主要影响因子的变化导致不同城市生态环境质量有所不同。乌鲁木齐市是新疆城市规模最大的城市,随着城市化进程的推进,不透水面增加,植被覆盖减少,导致城市中心地表温度升高,热岛效应加剧,环境质量恶化。而喀什市自2010年5月获批设立经济特区后城市化的进程不断加快[31],绿色健康的城市发展模式有序推进,植被覆盖对该城市的生态环境质量起了很重要的作用。此外。影响生态环境的因子对全球气候变化产生的不同响应也可能是2个研究区生态环境表现出差异的原因。

从研究区生态环境质量的时空分布特征来看,20 a间研究区1生态环境质量差的区域主要集中在北部米东区和中部的达坂城区,生态环境质量好的区域主要分布在城市西南和东北部。研究区2生态环境质量差的区域主要集中在研究区2中心区和北部,生态环境质量好的区域主要分布在城市中部和南部。20 a间2个研究区城市化进程加快,城市迅速向外围扩展,以建筑物为代表的不透水面逐渐代替原有草地和耕地是研究区生态环境质量下降的原因之一。其中研究区1以天山区、沙依巴克区和新市区为代表的中心城区的扩张最为明显。研究区2除了城市中心扩张外,城乡交接带明显向城郊延伸。从地形地貌角度看,研究区1北部邻接沙漠以戈壁沙地为主,研究区2北部位于山地南坡以裸地为主,所以导致2个研究区生态环境质量差的区域集中在北部。2个研究区部分区域生态环境质量有所改善的原因可能与旧城改造工程以及环境保护和恢复政策的出台有关。

总之,气温和降水等自然要素在气候变化作用下直接影响生态环境质量,人类活动引起的土地利用和植被覆盖的变化导致城市生态环境的变化更加复杂。有研究表明城市生态环境质量的短期变化主要是由人类活动引起的,而城市生态环境质量的长时期变化主要是自然和人类活动综合作用的结果[32]。快速城市化伴随着社会经济的繁荣,但其威胁城市可持续发展的负面影响也不能忽视。根据干旱区绿洲城市的特点,今后应该在节水前提下提高城市植被覆盖度,增加绿度,从而改善城区小气候环境。对城市建设用地规模科学规划,提高现有城区土地利用效率,倡导集约和节约型城市化发展模式。此外,通过生态环境综合治理措施促进城市生态环境的改善,推进绿色生产和生活方式,实现城市化与生态环境质量协调发展。

5 结论

在乌鲁木齐市和喀什市分别选取研究区,基于GEE平台利用Landsat系列遥感数据构建了2000年、2010年和2020年RSEI模型,对2个研究区生态环境质量进行评价,并利用随机森林模型对研究区影响RSEI的因子进行定量分析。主要结论如下:

1)20 a间2个研究区生态环境质量呈相反的变化特征。其中,研究区1生态环境质量整体变差,变差速度先慢后快; 研究区2生态环境质量整体变好,变好速度呈先快后慢的特征。研究区1生态环境显著改善的区域集中在城市中心的老城区,生态环境变差的区域主要集中在城市外围的新建区; 研究区2生态环境改善的区域主要集中在城市东北部,生态环境质量变差的区域主要分布在城市中心周围的新建区。

2)FVC是影响2个研究区RSEI最重要的因子,气温和降水量分别是影响2个研究区RSEI次重要的因子。不同影响因子对2个研究区RSEI的影响范围有所差异。2个研究区FVC分别大于0.6和0.9后,FVC因子对其城市RSEI的影响程度达到最大且几乎保持不变; 2个研究区气温分别在2~8 ℃和4~9 ℃范围内时对其城市RSEI的影响逐渐增大; 研究区1降水量大于160 mm后对RSEI的影响程度急剧上升,而研究区2年降水量大于150 mm时对RSEI的影响程度达到最大且几乎保持不变。

3)20 a间研究区1城市化规模不断扩大、不透水面增加和FVC的减小是城市生态环境变差的主要原因。而研究区2城市化与绿色健康城市发展模式共同推进的举措对该城市生态环境质量变好发挥了重要作用。因此在节水前提下提高干旱区绿洲城市植被覆盖,科学规划建设用地规模,提高现有城区土地利用效率,倡导集约、节约型绿色城市化发展模式,进而促进城市化与生态环境质量协调发展。

参考文献

王东升, 王小磊, 雷泽勇.

基于遥感生态指数的阜新市生态质量评估

[J]. 生态科学, 2020, 39(3):88-94.

[本文引用: 2]

Wang D S, Wang X L, Lei Z Y.

Ecological change assessment of Fuxin based on remote sensing ecological index

[J]. Ecological Science, 2020, 39(3):88-94.

[本文引用: 2]

Ochoa-Gaona S, Kampichler C, De Jong B H J, et al.

Amulti-criteri on index for the evaluation of local tropical forest conditions in Mexico

[J]. Forest Ecology Management, 2010, 260:618-627.

DOI:10.1016/j.foreco.2010.05.018      URL     [本文引用: 1]

张瑞钢, 莫兴国, 林忠辉.

滹沱河上游山区近50年蒸散变化及主要影响因子分析

[J]. 地理科学, 2012, 32(5):628-634.

DOI:10.13249/j.cnki.sgs.2012.05.628      [本文引用: 1]

准确估计流域蒸散,掌握其变化趋势和主要影响因子,对科学认识流域水文循环规律以及管理流域水资源具有重要意义。利用傅抱璞年蒸散量公式计算滹沱河上游山区及其子流域1958~2007年逐年蒸散量,并利用Mann-Kendall-Sneyers等方法分析了流域蒸散趋势和突变特征,及其主要影响因子。结果表明在滹沱河流域傅抱璞公式能够较好的拟合蒸散。50 a来全流域及各子流域年均蒸散呈下降趋势。降水对蒸散起控制作用,相对湿度在流域部分地区显著影响蒸散（α=0.05）。

Zhang R G, Mo X G, Lin Z H.

The trend and the principal influence factors of evapotranspiration in Hutuo River basin during last 50 years

[J]. Journal of Geophysical Research, 2012, 32(5):628-634.

[本文引用: 1]

徐涵秋.

城市遥感生态指数的创建及其应用

[J]. 生态学报, 2013, 33(24):7853-7862.

[本文引用: 1]

Xu H Q.

A remote sensing urban ecological index and its application

[J]. Acta Ecologica Sinica, 2013, 33(24):7853-7862.

[本文引用: 1]

朱泓, 王金亮, 程峰, 等.

滇中湖泊流域生态环境质量监测与评价

[J]. 应用生态学报, 2020, 31(4):1289-1297.

DOI:10.13287/j.1001-9332.202004.011      [本文引用: 1]

九大高原湖泊流域在云南省经济发展中占有举足轻重的地位,其中,滇中五大湖泊流域(滇池、抚仙湖、星云湖、杞麓湖、阳宗海,下文称五湖流域)是云南工农业、旅游业等经济和社会发展最活跃的地区,与流域生态环境质量密切相关。本研究基于遥感生态指数(RSEI)对滇中五湖流域1988—2018年的生态环境质量进行监测和评价。结果表明: 尽管1988—2018年间研究区生态环境质量呈转好趋势,RSEI平均值由0.368增加到0.481,但流域整体生态环境质量欠佳;生态环境质量提高的面积占比57.6%,主要分布在湖泊之间的山地,下降区域主要为湖周的平地区;研究期间,滇池、抚仙湖、阳宗海的生态环境质量持续变好,但近10年,杞麓湖和星云湖的生态环境质量明显变差,各湖泊生态环境质量变化与湖泊水质变化存在一致性。未来生态环境质量的改善还需更多的社会关注和政府投入。

Zhu H, Wang J L, Cheng F, et al.

Monitoring and evaluation of eco-environmental quality of lake basin regions in central Yunnan Province,China

[J]. Chinese Journal of Applied Ecology, 2020, 31(4):1289-1297.

[本文引用: 1]

蒋超亮, 吴玲, 刘丹, 等.

干旱荒漠区生态环境质量遥感动态监测——以古尔班通古特沙漠为例

[J]. 应用生态学报, 2019, 30(3):877-883.

DOI:10.13287/j.1001-9332.201903.008      [本文引用: 1]

利用遥感生态指数(RSEI)对区域生态变化进行评价,可以快速、高效、客观地获取研究区生态环境变化状况.本研究以两期Landsat数据为数据源,计算研究区绿度、湿度、热度、干度4个生态因子的遥感生态指数,并基于主成分分析法确定其权重,对古尔班通古特沙漠2006—2017年间的生态环境时空格局进行定性和定量评价.结果表明: 湿度和绿度对古尔班通古特沙漠生态环境质量起正面作用,而热度和干度对生态环境质量起负面作用,其中代表绿度指标的归一化植被指数(NDVI)的贡献最大.2006—2017年间,古尔班通古特沙漠的RSEI有所下降,其均值从0.294下降至0.243,降幅达20.1%,研究区的生态环境状况呈现整体变差的趋势.古尔班通古特沙漠中部生态环境较为稳定,东北部植被覆盖密集区及南缘灌溉区生态环境质量变好,沙漠南部及西北部区域生态环境质量变差.

Jiang C L, Wu L, Liu D, et al.

Dynamic monitoring of eco-environmental quality in arid desert area by remote sensing:Taking the Gurbantunggut Desert China as an example

[J]. Chinese Journal of Applied Ecology, 2019, 30(3):877-883.

[本文引用: 1]

Karbalaei S S, Amoushahi S, Gholipour M.

Spatiotemporal ecological quality assessment of metropolitan cities:A case study of central Iran

[J]. Environmental Monitoring and Assessment, 2021, 193(5):305-305.

DOI:10.1007/s10661-021-09082-2      PMID:33900465      [本文引用: 1]

The present study used the recently developed Remote Sensing-Based Ecological Index (RSEI) to assess the temporal-spatial variation of ecological quality in the metropolitan city of Isfahan (Iran) as a member of the UNESCO Creative Cities Network. This study was conducted from the Landsat TM/OLI satellite images of 2004, 2009, 2014 and 2019. The RSEI was synthesized by principal component analysis for four indices of Normalized Difference Vegetation Index (NDVI), Land Surface Temperature (LST), Land Surface Moisture (LSM) and Normalized Differential Build-up, and Bare Soil Index (NDBSI) based on the framework of the Pressure-State-Response (PSR) in the aforementioned years. The ecological quality of the city was assessed by RSEI over a 15-year period. The index has a value range of 0 (completely poor ecological quality) to 1 (completely desirable). In addition, the spatial heterogeneity of RSEIs at different intervals was assessed by the Moran index. The results showed that the RSEI value was always less than 0.4, which indicated the unfavourable ecological quality of the city. This index was 0.34, 0.37, 0.26 and 0.30 in 2004, 2009, 2014 and 2019, respectively. Therefore, the ecological quality of the city did not have a constant trend during the studied period and had several fluctuations, which could be attributed to the natural and anthropogenic changes in the studied period. Additionally, the results of the Moran index showed a steady decline, which indicated a declining homogeneity during this period. Matching the calculated RSEIs with the realities of the region at each time interval suggested that the index could be a useful tool for assessing urban ecological quality.

张亚球, 姜放, 纪梦达, 等.

基于遥感指数的区县级生态环境评价

[J]. 干旱区研究, 2020, 37(6):1598-1605.

[本文引用: 1]

Zhang Y Q, Jiang F, Ji M D, et al.

Assessment of the ecological environment at district and county level based on remote sensing index

[J]. Arid Zone Research, 2020, 37(6):1598-1605.

[本文引用: 1]

刘立冰, 熊康宁, 任晓冬.

基于遥感生态指数的龙溪—虹口国家级自然保护区生态环境状况评估

[J]. 生态与农村环境学报, 2020, 36(2):202-210.

[本文引用: 1]

Liu L B, Xiong K N, Ren X D.

Assessment of ecological environment status in the Longxi-Hongkou National Nature Reserve based on remote sensing ecological index

[J]. Journal of Ecology and Rural Environment, 2020, 36(2):202-210.

[本文引用: 1]

万虹麟, 霍飞, 牛玉芬, 等.

顾及PM2.5浓度遥感生态指数模型的沧州市区生态环境质量动态监测分析

[J]. 地球物理学进展, 2021, 36(3):953-960.

[本文引用: 1]

Wan H L, Huo F, Niu Y F, et al.

Dynamic monitoring and analysis of ecological environment change in Cangzhou City based on RSEI model considering PM2.5 concentration

[J]. Progress in Geophysics, 2021, 36(3):953-960.

[本文引用: 1]

郑子豪, 吴志峰, 陈颖彪, 等.

基于Google Earth Engine的长三角城市群生态环境变化与城市化特征分析

[J]. 生态学报, 2021, 41(2):717-729.

[本文引用: 1]

Zheng Z H, Wu Z F, Chen Y B, et al.

Analyzing the ecological environment and urbanization characteristics of the Yangtze River Delta Urban Agglomeration based on Google Earth Engine

[J]. Acta Ecologica Sinica, 2021, 41(2):717-729.

[本文引用: 1]

杭鑫, 罗晓春, 曹云, 等.

基于RSEI模型的生态质量评估及城镇化影响——以南京市为例

[J]. 应用生态学报, 2020, 31(1):219-229.

DOI:10.13287/j.1001-9332.202001.030      [本文引用: 1]

利用2000和2017年Landsat5/TM和Landsat8/OLI影像,基于遥感生态指数(RSEI)模型,结合2000—2017年南京市气象观测数据和社会经济数据,对南京及其特色生态区域的生态环境变化进行分析与评估,结果表明: 2000—2017年,南京市RSEI平均值由0.626降至0.618;将RSEI值分成差、较差、一般、良和优5个等级,良好以上面积占比由61.0%降至57.1%,较差以下等级面积占比略有上升;与2000年相比,2017年南京市生态质量变好的面积占比为34.5%,变差的为34.7%,30.8%的面积基本不变,其中,主城区的生态质量明显好转,生态质量好转的面积超过了变差的面积,而新城区和郊区生态质量明显恶化,生态质量变差的面积超过了好转的面积;在3个生态保护区中,紫金山生态质量明显好于老山和江心洲;城镇化率与RSEI呈极显著负相关关系,相关系数达-0.91。城市化进程总体上会对生态环境产生负面影响,但严格的保护和管理措施可以使良好的生态环境得以保持甚至改善。

Hang X, Luo X C, Cao Y, et al.

Ecological quality assessment and the impact of urbanization based on RSEI model for Nanjing,Jiangsu Province,China

[J]. Chinese Journal of Applied Ecology, 2020, 31(1):219-229.

[本文引用: 1]

李婷婷, 马超, 郭增长.

基于RSEI模型的贺兰山长时序生态质量评价及影响因素分析

[J]. 生态学杂志, 2021, 40(4):1154-1165.

[本文引用: 1]

Li T T, Ma C, Guo Z C.

Ecological quality evaluation and influencing factors analysis of Helan Mountain based on RSEI

[J]. Chinese Journal of Ecology, 2021, 40(4):1154-1165.

[本文引用: 1]

张华, 宋金岳, 李明, 等.

基于GEE的祁连山国家公园生态环境质量评价及成因分析

[J]. 生态学杂志, 2021, 40(6):1883-1894.

[本文引用: 1]

Zhang H, Song J Y, Li M, et al.

Eco-environmental quality assessment of Qilian Mountain National Park based on GEE

[J]. Chinese Journal of Ecology, 2021, 40(6):1883-1894.

[本文引用: 1]

约日古丽·卡斯木, 孜比布拉·司马义, 王蕾, 等.

新疆博乐市生态环境变化对城市建设用地扩张的响应

[J]. 农业工程学报, 2019, 35(1):252-259.

[本文引用: 1]

Yueriguli K, Zibibula S, Wang L, et al.

Response of ecological environment change to urban construction land expansion in Bole City of Xinjiang

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(1):252-259.

[本文引用: 1]

Xiong Y, Xu W, Lu N, et al.

Assessment of spatial-temporal changes of ecological environment quality based on RSEI and GEE:A case study in Erhai Lake basin,Yunnan Province,China

[J]. Ecological Indicators, 2021, 125:107518.

DOI:10.1016/j.ecolind.2021.107518      URL     [本文引用: 1]

韩芹芹, 张克潭.

乌鲁木齐市环境应急监测体系存在的问题及对策

[J]. 中国环境监测, 2013, 29(2):86-90.

[本文引用: 1]

Han Q Q, Zhang K T.

The Study on problems and countermeasures of environmental emergency monitoring system in Urumqi

[J]. Environmental Monitoring in China, 2013, 29(2):86-90.

[本文引用: 1]

阿力木江·塔依尔, 木合塔尔·艾买提.

城市化与干旱区环境耦合度分析——以喀什市为例

[J]. 环境影响评价, 2016, 38(4):92-96.

[本文引用: 1]

Alimjan T, Muhetaer A.

Analysis on coupling degree between urbanization and arid area:Taking Kashi City as an example

[J]. Environmental Impact Assessment, 2016, 38(4):92- 96.

[本文引用: 1]

哈孜亚·包浪提将, 毋兆鹏, 陈学刚, 等.

乌鲁木齐市景观格局变化及驱动力分析

[J]. 生态科学, 2018, 37(1):62-70.

[本文引用: 1]

Haziya B, Wu Z P, Chen X G, et al.

Analysis of landscape pattern change and driving force in Urumqi City

[J]. Ecological Science, 2018, 37(1):62-70.

[本文引用: 1]

王志杰, 苏嫄.

南水北调中线汉中市水源地生态脆弱性评价与特征分析

[J]. 生态学报, 2018, 38(2):432-442.

[本文引用: 1]

Wang Z J, Su Y.

Analysis of eco-environmental vulnerability characteristics of Hanzhong City,near the water source midway along the route of the South-to-North Water Transfer Project,China

[J]. Acta Ecological Sinica, 2018, 38(2):432-442.

[本文引用: 1]

Xu H.

A new index for delineating built-up land features in satellite imagery

[J]. International Journal of Remote Sensing, 2008, 29(14):4269-4276.

DOI:10.1080/01431160802039957      URL     [本文引用: 1]

徐涵秋.

水土流失区生态变化的遥感评估

[J]. 农业工程学报, 2013, 29(7):91-97,294.

[本文引用: 1]

Xu H Q.

Remote sensing assessment of ecological changes in soil and water loss areas

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(7):91- 97,294.

[本文引用: 1]

Jiménez-Muoz J C, Sobrino J A.

A generalized single-channel method for retrieving land surface temperature from remote sensing data

[J]. Journal of Geophysical Research Atmospheres, 2003, 108(22):4688.

[本文引用: 1]

Breiman L.

Random forests

[J]. Machine Learning, 2001, 45 (1):5-32.

DOI:10.1023/A:1010933404324      URL     [本文引用: 1]

陈兵红, 靳全锋, 柴红玲, 等.

浙江省大气PM2.5时空分布及相关因子分析

[J]. 环境科学学报, 2021, 41(3):817-829.

[本文引用: 1]

Chen B H, Jin Q F, Chai H L, et al.

Spatiotemporal distribution and correlation factors of PM2.5 concentrations in Zhejiang Province

[J]. Acta Scientiae Circumstantiae, 2021, 41(3):817-829.

[本文引用: 1]

张文强, 罗格平, 郑宏伟, 等.

基于随机森林模型的内陆干旱区植被指数变化与驱动力分析:以北天山北坡中段为例

[J]. 植物生态学报, 2020, 44(11):1113-1126.

[本文引用: 1]

Zhang W Q, Luo G P, Zheng H W, et al.

Analysis of vegetation index changes and driving forces in inland arid areas based on random forest model:A case study of the middle part of northern slope of the north Tianshan Mountains

[J]. Chinese Journal of Plant Ecology, 2020, 44(11):1113-1126.

DOI:10.17521/cjpe.2020.0111      URL     [本文引用: 1]

赖自力, 向杰, 陈建平, 等.

基于随机森林模型的云南元阳梯田地形因子分析

[J]. 地质学刊, 2016, 40(3):518-525.

[本文引用: 1]

Lai Z L, Xiang J, Chen J P, et al.

Analysis on topographic factors of the Yuanyang terrace in Yunnan Province based on random forest model

[J]. Journal of Geology, 2016, 40(3):518-525.

[本文引用: 1]

杨保华, 杨清华, 陈剑虹.

关于《生态环境状况评价技术规范(试行)》中土地退化指数的权重及计算方法的探讨

[J]. 生态与农村环境学报, 2011, 27(3):103-107.

[本文引用: 1]

Yang B H, Yang Q H, Chen J H.

Weight of land (soil) degradation indeces and optimization of their calculation in “echnical criteria or evaluation of ecological environment (Trial)”

[J]. Journal of Ecology and Rural Environment, 2011, 27(3):103-107.

[本文引用: 1]

刘盼, 任春颖, 王宗明, 等.

南瓮河自然保护区生态环境质量遥感评价

[J]. 应用生态学报, 2018, 29(10):3347-3356.

[本文引用: 1]

Liu P, Ren C Y, Wang Z M, et al.

Assessment of the eco-environmental quality in the Nanweng River Nature Reserve,Northeast China by remote sensing

[J]. Chinese Journal of Applied Ecology, 2018, 29(10):3347-3356.

[本文引用: 1]

Guidotti R, Monreale A, Ruggieri S, et al.

A survey of methods for explaining black box models

[J]. ACM Computing Surveys, 2018, 51(5):1-42.

[本文引用: 1]

哈尚辰, 阿里木江·卡斯木.

近20年来喀什市乡村转型发展评价

[J]. 水土保持通报, 2016, 36(6):282-287.

[本文引用: 1]

Ha S C, Alimujiang K.

Evaluation of rural transformation development in Kashgar City during last 20 years

[J]. Bulletin of Soil and Water Conservation, 2016, 36(6):282-287.

[本文引用: 1]

Liu C, Yang M H, Hou Y T, et al.

Spatiotemporal evolution of island ecological quality under different urban densities:A comparative analysis of Xiamen and Kinmen Islands,Southeast China

[J]. Ecological Indicators, 2021, 124:107438.

DOI:10.1016/j.ecolind.2021.107438      URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发