煤炭资源型区域生态环境演变研究——以山西省为例

doi:10.6046/zrzyyg.2023238

煤炭资源型区域生态环境演变研究——以山西省为例

赖仕久^,¹, 胡晋山^,¹, 康建荣¹, 王小兵²

1.江苏师范大学地理测绘与城乡规划学院,徐州 221116

2.中钢集团马鞍山矿山研究总院股份有限公司,马鞍山 243000

Ecological evolution of coal resource-based regions: A case study of Shanxi Province

LAI Shijiu^,¹, HU Jinshan^,¹, KANG Jianrong¹, WANG Xiaobing²

1. School of Geography, Geomatics and Planning, Jiangsu Normal University, Xuzhou 221116, China

2. Sinosteel Maanshan General Institute of Mining Research Co.,Ltd., Maanshan 243000, China

通讯作者: 胡晋山(1973-),男,博士,教授,研究方向为GIS与矿区生态环境治理。Email:xzjshu@163.com。

责任编辑: 李瑜

收稿日期: 2023-08-2 修回日期: 2023-09-3

基金资助:

国家自然科学基金项目“山区采动地表时空动态机理与反演研究”(41671395)
国家自然科学基金项目“山区煤矿开采对地表水资源影响规律研究”(52074133)
江苏师范大学研究生科研与实践创新计划项目“煤炭资源型区域生态环境演变研究——以山西省为例”(2022XKT0064)

Received: 2023-08-2 Revised: 2023-09-3

作者简介 About authors

赖仕久(1999-),男,硕士研究生,研究方向为GIS与矿区生态环境治理。Email: 1774014207@qq.com。

摘要

山西省是全国重要的煤炭基地,大范围、高强度的煤炭资源开采对生态环境造成了破坏,因此对其生态环境演变进行研究具有重要意义。该文基于Google Earth Engine(GEE)平台,应用MODIS影像计算山西省范围内2000—2022年的长时间序列的遥感生态指数(remote sensing ecological index, RSEI),用Mann-Kendall趋势分析法对RSEI的演变趋势进行分析,用Pettitt突变检验法对RSEI突变进行分析,用皮尔逊相关系数对RSEI与气候因子的相关性进行分析。结果表明: 山西省2000—2022年近23 a间平均生态质量较好,但全省的煤炭矿区平均生态质量一般,降水量和气温的空间分布对RSEI的空间分布具有较大的解释力。全省大部分区域RSEI演变趋势为提升,降低的区域主要集中在煤炭矿区和人口密集和经济发达的盆地区域。全省生态质量从较差提升到一般,再提升到较好,演变过程大致可以分为4个阶段,2000—2006年是波动上升期,2006—2012年是稳定期,2012—2019年是向上波动期,2019—2022年是持续上升期; 全省的煤炭矿区生态质量从较差提升到较好,演变过程大致也可以分为4个阶段,2000—2006年是波动上升期,2006—2012年是稳定期,2012—2019年是波动下降期,2019—2022年是持续上升期; 2010年为山西省生态质量突变年份,山西省及其煤炭矿区生态质量在2010年前向好,在2010年后全面提升。降水量年际变化对生态质量的影响总体是正向的,而气温年际变化对生态质量的影响不显著。

关键词： 遥感生态指数; 生态环境演变; 生态质量突变; 山西省; 国家煤炭规划矿区

Abstract

Shanxi Province is recognized as a significant coal base in China. The extensive and intensive coal mining activities have adversely affected the local ecology, rendering the research on ecological evolution in Shanxi Province highly significant. Utilizing the Google Earth Engine (GEE) platform, this study calculated the 2000-2022 remote sensing ecological index (RSEI) of Shanxi Province using images from Moderate Resolution Imaging Spectroradiometer (MODIS). The Mann-Kendall trend analysis method was employed to analyze the evolutionary trends of RSEI, while Pettitt mutation tests were conducted to identify RSEI mutations. Furthermore, the Pearson correlation coefficient was used to analyze the correlation between RSEI and climatic factors. The results indicate that Shanxi Province exhibited relatively high ecological quality on average during the period. However, the coal mining areas in the province displayed moderate ecological quality overall. The spatial distribution of precipitation and temperature can effectively account for the spatial distribution of RSEI. Most regions in Shanxi Province showed an upward trend in RSEI, with areas with reduced RSEI predominantly located in coal mining areas and basin areas with high population density and a developed economy. During the 23 years, the ecological quality in Shanxi Province has evolved from poor to moderate and then to relatively good, increased while fluctuating from 2000 to 2006, kept stable from 2006 to 2012, regressed after increase from 2012 to 2019, and continuously increased from 2019 to 2022. Similarly, the ecological quality in coal mining areas has shifted from relatively poor to relatively good, increased while fluctuating from 2000 to 2006, kept stable from 2006 to 2012, decreased while fluctuating from 2012 to 2019, and continuously increased from 2019 to 2022. The year 2010 is identified as a pivotal point for the ecological quality of Shanxi Province, with the ecological quality trending upward from 2000 to 2010 and comprehensively improving after 2010 across the province and its coal mining areas. The interannual variations in precipitation generally produce positive impacts on the ecological quality, while the variations in interannual temperature exert insignificant impacts.

Keywords： remote sensing ecological index; ecological assessment; ecological quality mutation; Shanxi Province; national planning coal mining area

PDF (7826KB) 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

赖仕久, 胡晋山, 康建荣, 王小兵. 煤炭资源型区域生态环境演变研究——以山西省为例[J]. 自然资源遥感, 2024, 36(4): 62-74 doi:10.6046/zrzyyg.2023238

LAI Shijiu, HU Jinshan, KANG Jianrong, WANG Xiaobing. Ecological evolution of coal resource-based regions: A case study of Shanxi Province[J]. Remote Sensing for Land & Resources, 2024, 36(4): 62-74 doi:10.6046/zrzyyg.2023238

0 引言

矿产资源的开采,一方面促进了社会经济的发展,另一方面也对矿区的生态环境产生了不同程度的破坏^[1]。山西省作为我国重要的煤炭基地,长时间、大范围、高强度的煤炭资源开采对地表最直接的影响是挖损、沉陷或压占,在局部范围内会加速土壤侵蚀,加剧植被破坏、生态系统受损等^[2]。省内有多个国家煤炭规划矿区,因此研究全省及煤炭矿区生态环境演变对该区域生态环境防护具有重要意义。

徐涵秋^[3-4]针对此前遥感生态监测大多基于单一的指标进行评测,而国家环境保护部以行业标准的形式颁发的《生态环境状况评价技术规范》推出的主要基于遥感技术的综合几个指标的生态环境状况指数只能笼统地说明一个地区的生态状况,无法体现该地区内部生态状况差异的问题,提出了遥感生态指数(remote sensing ecological index, RSEI)。RSEI一经提出就受到了广泛关注,由于该指数具有较强的客观性、评价指标数据易获取、评价结果可视化效果好、能排除人为因素对指标权重的影响等优点^[5],在生态环境状况监测与评价中被广泛应用。随后,徐涵秋^[6-7]又将RSEI推向了国际,并从构建科学客观的生态指标体系的因果网络框架(压力-状态-反应框架)的角度对构建的RSEI的内涵及合理性进行新的阐释。当前RSEI已广泛用于不同尺度下的不同区域生态状况的客观监测与评价,如在省^[8-9]、市^[10-11]、县^[12⇓-14]、山区^[15]、高原^[16]、流域^[17-18],以及生态环境被严重破坏的矿区^[19-20]等区域,学者们都使用了RSEI来表征区域的生态环境状况,并对生态环境状况的空间分布、时间演变及影响因子等进行分析,为各地区的生态环境修复与绿色发展决策提供了科学的参考与建议。在Google Earth Engine(GEE)平台广泛应用前,基于RSEI的生态质量评价主要集中在较小的区域,生态质量演变研究主要是计算少数几年的RSEI图像差值来研究不连续年份之间生态质量变化。而在GEE平台广泛应用后,由于GEE平台运算能力强大、遥感图像处理简单快速等优点,基于RSEI的生态质量评价开始集中在更大的区域,生态质量演变研究不仅计算少数几年的RSEI图像差值来研究不连续年份之间生态质量变化,同时用连续年份的长时序 RSEI图像来研究生态质量的波动及演变趋势。

此外学者们也在探索RSEI的改进方法,以期更加科学合理地表征特定区域生态状况。根据不同研究区域的地理环境以及人类活动状况,在RSEI已有的指标基础上加入新的指标进行主成分分析来构建改进型的遥感生态指数是目前最常见的一种对RSEI进行改进的方法,如在RSEI的湿度指标、热度指标、绿度指标、干度指标之外增加土地利用、人口分布、地形、盐度、水网密度、不透水面覆盖度等指标进行主成分分析,构建改进的遥感生态指数进行生态状况的监测与评价^[21⇓-23]。针对RSEI未考虑到尺度及空间相关性对生态环境的影响,朱冬雨等^[24]提出了一种具有局部适应性的遥感生态指数,采用基于窗口范围计算第一主成分的特征向量值作为该窗口中心像素生态环境因子的权重,将因子值加权求和构建改进型的遥感生态指数。在探索对RSEI进行改进的过程中,也出现了一些不合理或有争议的改进方法,学者们对这些不合理的改进方法进行了剖析指正,并对有争议的改进方法进行了积极讨论,如剖析将不具生态含义的第二主成分和第三主成分加入具有明确生态含义的第一主成分进行加权求和计算的改进型的遥感生态指数的不合理性^[25-26]、使用核主成分分析代替主成分分析来集成生态指标的不合理性^[27]、讨论采用z-score标准化代替最小最大归一化对生态指标进行归一化的不合理性^{[28⇓⇓-31]}。

山西省地处黄土高原东部,地貌形态复杂多样,干旱少雨,是全国生态环境最为脆弱的省份之一,同时,山西又是煤炭资源储量丰富的大省,还是我国重要的能源重化工基地^[32]。考虑到山西省地貌形态复杂多样,山西省内拥有众多国家煤炭规划矿区,若在RSEI已有的指标基础上加入新的生态指标进行主成分分析来构建改进型的遥感生态指数来表征山西省的生态环境状况,如何选择合适的指标是一个难题,选择不当会导致广大区域出现生态环境状况高估或低估,使得改进型的遥感生态指数对山西省的生态状况表征不具有代表性,此外,许多指标不能直接通过遥感图像反演得到,将分辨率较低的指标与RSEI已有的指标一起进行主成分分析,会导致生成的生态指数图像分辨率下降,信息量丢失。具有局部适应性的遥感生态指数缺少在省域的应用与验证,而其他的RSEI改进方法具有不合理性或存在争议,皆不适用于表征山西省及其国家煤炭规划矿区的生态环境状况。RSEI在面积广阔区域、各种地形地貌区域、生态破坏严重的矿区等区域均有广泛的应用及验证,并得到学者们的一致认可。因此,本文基于MODIS影像数据,计算山西省范围内2000—2022年的长时间序列的RSEI,获取近23 a间全省及其国家煤炭规划矿区的生态状况时空演变规律,为区域生态环境保护与可持续发展提供一定的决策依据。

1 研究区概况与数据源

1.1 研究区概况

山西省位于华北西部,轮廓形状类似一个由东北斜向西南的平行四边形(图1)。山西作为黄土高原的重要组成部分,地貌是广泛覆盖黄土的山地高原。境内山峰丘陵众多,沟壑纵横,被称为“两山夹一川”。东部是以太行山为主脉的块状山地。西部是以吕梁山为主干的黄土高原。中部像串珠一样分布着彼此相隔的“多”字形断陷盆地,从北而南依次是大同、忻州、太原、临汾、运城盆地,东南部还有较为独特的长治、晋城高原断陷盆地,平原分布其间,这些盆地为省内人口密集和经济发达的地区。省内煤炭资源丰富,有17个国家煤炭规划矿区,如图1所示。省内2000—2022年7月的平均降水量为81.70~189.12 mm,如图2(a)所示,平均气温9.69~28.22 ℃,如图2(b)所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 山西省地势及煤炭矿区分布图

1. 大同矿区; 2. 平朔朔南矿区; 3. 河保偏矿区; 4. 轩岗矿区; 5. 离柳矿区; 6. 岚县矿区; 7. 阳泉矿区; 8. 东山矿区; 9. 西山古交矿区; 10. 汾西矿区; 11. 石隰矿区; 12. 武夏矿区; 13. 霍东矿区; 14. 霍州矿区; 15. 潞安矿区; 16. 乡宁矿区; 17. 晋城矿区

Fig.1 Distribution map of topography and coal mining areas in Shanxi Province

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 山西省降水及气温分布图

Fig.2 Distribution map of precipitation and temperature in Shanxi Province

1.2 数据源及其预处理

本文使用的遥感影像是MODIS数据,在GEE平台上对其汇总的MOD09A1,MOD11A2和MOD13A1数据集进行调用。其中MOD09A1数据分辨率为500 m,提供了经过大气校正的表面光谱反射率的8 d合成值; MOD11A2数据分辨率为1 000 m,提供了8 d内收集的所有MOD11A1地表温度数据的平均值,为使MOD11A2数据和MOD09A1数据、MOD13A1数据的分辨率保持一致,使用最邻近法将MOD11A2数据重采样至500 m; MOD13A1数据分辨率为500 m,提供了植被指数的16 d合成值。在GEE平台上筛选出2000—2022年7月份所有MOD09A1,MOD11A2和MOD13A1影像数据,其中对MOD09A1影像进行云掩模,然后分别对3个数据集的影像数据进行均值合成并裁剪到研究区范围。均值合成后的MOD09A1影像仍有部分多云年份的数据有云掩模后的空缺区域,本文用同年6月的云掩模并均值合成后的MOD09A1影像对7月的云掩模并均值合成后的MOD09A1遥感影像的空缺区域进行补缺,以保证每一年的MOD09A1影像没有大范围的云掩模后的空缺区域。此外,为了真实反映所选范围的生态状况,基于预处理后的MOD09A1影像,利用改进归一化差异水体指数 (modified normalized difference water index, MNDWI)^[33]生成水体掩模,阈值设置为0,MNDWI>0的区域为水体,分别对2000—2022年近23 a间所选月份的MOD09A1,MOD11A2和MOD13A1合成影像进行掩模处理。

本文使用的山西省的边界数据、DEM数据是从地理空间数据云(https://www.gscloud.cn)获取的,2000—2022年7月气温和降水量数据来源于国家科技基础条件平台——国家地球系统科学数据中心(http://www.geodata.cn)。

2 研究方法

2.1 遥感生态指数(RSEI)

RSEI以自然生态环境的4个重要指标绿度、湿度、热度、干度作为构建生态指数的评价指标,采用主成分变换来进行指标集成,用归一化差分植被指数(normalized difference vegetation index, NDVI)、归一化建筑和裸土指数(normalized difference built-up and bare soil index, NDBSI)、缨帽变换的湿度分量(tasseled cap wetness index, WET)、地表温度(land surface temperature, LST)分别代表绿度、干度、湿度和热度^[34]。

1)绿度指标,计算公式为:

(1)

N D V I = M_{N D V I} \times 0.0001

式中: NDVI为归一化差分植被指数; M_NDVI为MOD13A1数据集的NDVI波段的值。

2)湿度指标,计算公式为:

(2)

W E T = 0.1147 ρ_{r e d} + 0.2489 ρ_{N I R 1} + 0.2408 ρ_{b l u e} + 0.3132 ρ_{g r e e n} - 0.3122 ρ_{N I R 2} - 0.6416 ρ_{S W I R 1} - 0.5087 ρ_{S W I R 2}

式中: WET为基于MODIS数据的缨帽变换的湿度分量; ρ_red,ρ_NIR1,ρ_blue,ρ_green, ${ρ_{N I R}}_{2}$ ,ρ_SWIR1,ρ_SWIR2分别为MOD09A1数据集的红、近红外1、蓝、绿、近红外2、短波红外1、短波红外2波段的值,即MOD09A1数据集的1至7波段的值。

3)热度指标,计算公式为:

(3)

L S T = 0.02 M_{L S T} - 273.15

式中,LST为地表温度,单位是℃; M_LST为MOD11A2数据集的LST_Day_1km波段的值。

4)干度指标,计算公式为:

(4)

N D B S I = \frac{I B I + S I}{2}

(5)

I B I = \frac{\frac{2 ρ_{S W I R 1}}{ρ_{S W I R 1} + ρ_{N I R 1}} - (\frac{ρ_{N I R 1}}{ρ_{N I R 1} + ρ_{r e d}} + \frac{ρ_{g r e e n}}{ρ_{g r e e n} + ρ_{N I R 1}})}{\frac{2 ρ_{S W I R 1}}{ρ_{S W I R 1} + ρ_{N I R 1}} + (\frac{ρ_{N I R 1}}{ρ_{N I R 1} + ρ_{r e d}} + \frac{ρ_{g r e e n}}{ρ_{g r e e n} + ρ_{N I R 1}})}

(6)

S I = \frac{(ρ_{S W I R 1} + ρ_{r e d}) - (ρ_{b l u e} + ρ_{N I R 1})}{(ρ_{S W I R 1} + ρ_{r e d}) + (ρ_{b l u e} + ρ_{N I R 1})}

式中: NDBSI为建筑和裸土指数; IBI为建筑指数; SI为裸土指数。

在使用主成分分析来集成绿度、湿度、热度、干度4个指标之前,由于绿度、湿度、热度、干度4个指标量纲不统一,为避免量纲不统一造成权重失衡,需对4个指标进行归一化处理,归一化计算公式为:

(7)

N I_{i} = \frac{I_{i} - I_{m i n}}{I_{m a x} - I_{m i n}}

式中: NI_i为归一化后的某一指标值在像元i的值; I_i为该指标在像元i的值; I_max为该指标的最大值; I_min为该指标的最小值。

由于归一化处理的方法为最小最大归一化法,这种归一化方法要求数据需要相对稳定,不能有过大或过小的异常值存在,故在对指标进行归一化之前,先对部分年份指标图像的极少量异常值进行判断并掩模处理。对归一化后的绿度、湿度、热度、干度4个指标进行主成分分析,得到的第一主成分是可以表征生态质量的初始遥感生态指数RSEI₀,为了便于指标的度量和比较,对初始遥感生态指数RSEI₀进行归一化处理,使其值在0~1之间,得到最终的遥感生态指数,计算公式为:

(8)

R S E I_{0} = P C 1 [f_{P C A} (N D V I, W E T, L S T, N D B S I)]

(9)

R S E I = \frac{R S E I_{0} - R S E I_{0_m i n}}{R S E I_{0_m a x} - R S E I_{0_m i n}}

式中: RSEI₀为初始遥感生态指数; PC1表示第一主成分; f_PCA为主成分分析函数; RSEI_{0_max}为初始遥感生态指数的最大值; RSEI_{0_min}为初始遥感生态指数的最小值。

RSEI被分为5个等级,差[0-0.2]、较差(0.2-0.4]、一般(0.4-0.6]、良好(0.6-0.8]、优(0.8-1]。

2.2 Sen斜率+Mann-Kendall显著性检验的趋势分析

Sen斜率估计量是估计时间序列趋势的一种鲁棒性的非参数方法,该方法计算效率高,对测量误差和异常值不敏感,因此适用于长时间序列的趋势分析; Mann-Kendall显著性检验用来评估时间序列中趋势的显著性,不需要样本遵循正态分布,并且可以很好地处理缺失值和异常值^[35]。Sen斜率结合Mann-Kendall显著性检验是估计时间序列趋势并判断显著性的常用方法,计算公式为:

(10)

S_{R S E I} = M e d i a n (\frac{R S E I_{j} - R S E I_{i}}{j - i})

式中: S_RSEI为RSEI时间序列趋势的Sen斜率估计量; S_RSEI>0表示RSEI时间序列呈增加趋势,S_RSEI<0表示RSEI时间序列呈减少趋势; Median为中值函数; i和j为时间序列序数,0<i<j<n,n为时间序列长度; RSEI_i和RSEI_j为第i时刻和第j时刻的RSEI值。

(11)

S = \overset{n - 1}{\sum_{i = 1}} \overset{n}{\sum_{j = i + 1}} s i g n (R S E I_{j} - R S E I_{i})

(12)

s i g n (R S E I_{j} - R S E I_{i}) = \{\begin{array}{l} 1 & (R S E I_{j} - R S E I_{i} > 0) \\ 0 & (R S E I_{j} - R S E I_{i} = 0) \\ - 1 & (R S E I_{j} - R S E I_{i} < 0) \end{array}

(13)

V a r (S) = [n (n - 1) (2 n + 5) - \overset{g}{\sum_{p = 1}} t_{p} (t_{p} - 1) (2 t_{p} + 5)] / 18

(14)

Z = \{\begin{array}{l} (S - 1) / \sqrt{v a r (S)} & (S > 0) \\ 0 & (S = 0) \\ (S + 1) / \sqrt{v a r (S)} & (S < 0) \end{array}

式中: S为检验统计量; Var(S)为S的方差; 将时间序列的相同值分为一组; g为分组数; t_p为每一组中的相同值个数; Z为标准化检验统计量。对于给定的置信水平,若|Z|≥ ${Z_{1 -}}_{α}_{/ 2}$ ,即在置信水平α(显著性检验水平)上,时间序列数据存在显著的上升或下降趋势,|Z|分别大于等于1.645,1.960,2.576时表示分别通过了置信度90%,95%,99%的显著性检验,本文选择95%的置信度进行显著性检验。

2.3 Pettitt突变点检验

Pettitt突变点检验是一种非参数均值突变检验方法,该方法不需要待检验序列服从特定的概率分布^[36],广泛用于寻找时间序列的均值突变点,具体计算公式为:

(15)

U_{t, n} = U_{t - 1, n} + V_{t}, t = 2, \cdot\cdot\cdot, n

(16)

V_{t} = \overset{n}{\sum_{j = 1}} s i g n (X_{t} - X_{j})

(17)

U_{1, n} = V_{1}

(18)

s i g n (X_{t} - X_{j}) = \{\begin{array}{l} 1 & (X_{t} - X_{j} > 0) \\ 0 & (X_{t} - X_{j} = 0) \\ - 1 & (X_{t} - X_{j} < 0) \end{array}

(19)

K_{t} = m a x | U_{t, n} |

(20)

P = 2 e^{[- 6 K_{t}^{2} / (n^{3} + n^{2})]}

式中: U_t_,_n为统计量; X_j,X_t为时间序列的第j个和第t个RSEI值; n为时间序列长度; K_t为U_t_,_n统计量的绝对值的最大值,对应的t时刻是时间序列突变点; P为显著性检验统计量,若P<0.05,则认为突变点t具有统计学意义,通过了置信度95%的显著性检验。

3 结果和分析

3.1 近23 a间山西省及煤炭矿区整体生态状况

2000—2022年的NDVI,NDBSI,WET,LST这4个指标的主成分分析结果如表1所示,第一主成分特征值占比2001年最高为89.41%,2018年最低为69.41%,除2018年略小于70%外,其他年份皆大于70%,说明主成分分析的结果保留了分析指标的大部分信息。在第一主成分中,NDVI和WET的贡献度均为正值,NDBSI和LST均为负值,说明NDVI和WET与RSEI呈正相关,NDBSI和LST与RSEI呈负相关,NDVI和WET对RSEI的影响是正面的,NDBSI和LST对RSEI的影响是负面的,这与实际情况相符,用构建的RSEI来表征山西省的生态状况是合理的。如表2所示,从4个指标的贡献度平均值的绝对值来看,从大到小依次为NDBSI,NDVI,LST和WET,说明NDBSI对RSEI的影响最大,其次是NDVI和LST,WET最小; 从贡献度标准差来看,从大到小依次为LST,NDBSI,WET和NDVI,说明在不同年份LST对RSEI的影响的离散程度是最大的,其次是NDBSI和WET,NDVI最小。

表1 第一主成分指标贡献度与特征值占比

Tab.1 The index contributions and eigenvalue percentage of the first principal component

年份	NDVI 贡献度	NDBSI 贡献度	WET 贡献度	LST 贡献度	特征值占比/%
2000年	0.622	-0.451	0.445	-0.461	87.69
2001年	0.588	-0.548	0.456	-0.382	89.41
2002年	0.554	-0.512	0.443	-0.485	82.82
2003年	0.534	-0.603	0.382	-0.453	83.08
2004年	0.563	-0.649	0.397	-0.323	80.37
2005年	0.563	-0.609	0.373	-0.417	86.23
2006年	0.539	-0.612	0.369	-0.445	83.55
2007年	0.592	-0.585	0.371	-0.412	84.15
2008年	0.579	-0.542	0.352	-0.498	86.20
2009年	0.557	-0.607	0.380	-0.422	83.65
2010年	0.550	-0.572	0.364	-0.488	88.18
2011年	0.574	-0.563	0.374	-0.461	83.86
2012年	0.608	-0.573	0.354	-0.421	76.92
2013年	0.591	-0.612	0.355	-0.387	75.86
2014年	0.545	-0.580	0.337	-0.503	84.39
2015年	0.570	-0.591	0.371	-0.434	83.32
2016年	0.597	-0.584	0.314	-0.450	78.80
2017年	0.549	-0.611	0.312	-0.478	86.51
2018年	0.556	-0.596	0.388	-0.430	69.41
2019年	0.515	-0.619	0.322	-0.498	81.57
2020年	0.509	-0.659	0.370	-0.413	80.26
2021年	0.554	-0.574	0.346	-0.494	83.40
2022年	0.513	-0.604	0.360	-0.493	80.06

新窗口打开| 下载CSV

表2 第一主成分指标贡献度平均值与标准差

Tab.2 The mean and standard deviation of index contributions of the first principal component

参数	NDVI 贡献度	NDBSI 贡献度	WET 贡献度	LST 贡献度
平均值	0.564	-0.585	0.371	-0.446
标准差	0.029	0.044	0.038	0.045

新窗口打开| 下载CSV

山西省2000—2022年23 a间RSEI均值的空间分布如图3所示,从全省来看,RSEI等级为一般的区域面积最大,等级为优和良好的区域面积大于等级为差和较差的区域面积,说明2000—2022年23 a间全省平均生态质量较好。全省等级为优的区域主要分布在吕梁山脉、太岳山、舜王坪以及太行山脉的五台山和北天池山等高海拔区域; 等级为差的区域主要零星分布在朔州市和大同市; 等级为较差的区域主要分布在黄河以东、吕梁山脉以西的西部区域,朔州市和大同市,临汾、运城、晋城、太原和忻州5个盆地与吕梁山脉和太行山脉相接的地势变化的盆地边缘区域,以及太原市和静乐县。结合2000—2022年23 a间降水和气温均值的空间分布(图2),综合分析RSEI与降水和气温的空间关系可知,降水与RSEI整体的空间分布格局较为一致,大致呈由东南向西北降低的空间分布格局,而气温对RSEI局部的空间分布也有影响,RSEI等级为优的区域基本位于气温低值区域。值得注意的是,太原盆地和忻州盆地降水较少,气温较高,而生态质量较好,由于这2个盆地区域地形平坦,水土保持较好,四周地势较高,日照时间较少,地形对生态质量的影响起主导作用。而同为盆地区域,临汾盆地和运城盆地生态质量较差,由于临汾盆地和运城盆地气温最高,蒸腾作用明显,此时气温对生态质量的影响起主导作用,大同盆地生态质量较差,由于大同盆地是降水最少的区域,此时降水对生态质量的影响起主导作用。从煤炭矿区来看,RSEI等级为一般的区域面积最大,等级为优和良好的区域面积与等级为差和较差的区域面积相当,说明煤炭矿区2000—2022年23 a间平均生态质量一般,且呈东南部矿区比西北部矿区生态质量好的空间格局。煤炭矿区等级为较差的区域主要分布在北部和西部矿区,包括大同、平朔朔南、河保偏、离柳、岚县、石隰和霍州矿区; 等级为良好的区域主要分布在南部和东部矿区,包括霍东、晋城、潞安、武夏和阳泉矿区; 等级为优和差的分布区域少。煤炭矿区RSEI均值从高到低依次为霍东、潞安、晋城、阳泉、武夏、乡宁、西山古交、轩岗、汾西、霍州、岚县、石隰、东山、离柳、平朔朔南、大同、河保偏矿区。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 山西省2000—2022年RSEI均值分布图

Fig.3 Distribution map of mean of RSEI in Shanxi Province from 2000 to 2022

2000—2022年山西省及其煤炭矿区与非煤炭矿区逐年平均RSEI的变化趋势如图4所示,可以发现23 a间非煤炭矿区的逐年平均RSEI要高于全省及其煤炭矿区。全省、煤炭矿区、非煤炭矿区演变过程大致可以分为4个阶段,①2000—2006年是波动上升期,平均RSEI经历了2次大幅降低后迅速回升,分别是2001年降低后在2002年回升和2005年降低后在2006年回升,这一时期RSEI有升有降,但整体为上升趋势,全省平均RSEI值从2000年的0.471上升至2006年的0.526,非煤炭矿区从2000年的0.485上升至2006年的0.531,煤炭矿区从2000年的0.441上升至2006年的0.516。②2006—2012年是稳定期,这一时期RSEI较为稳定,波动幅度不大,全省的RSEI均值最高为2012年的0.532,最低为2009年的0.497,非煤炭矿区最高为2012年的0.538,最低为2009年的0.506,煤炭矿区最高为2012年的0.519,最低为2009年的0.479,标准差较小,没有明显的上升、下降趋势。③全省2012—2019年、非煤炭矿区2012—2020年为向上波动期,RSEI升降频繁,经历了3次升高后下降,全省平均RSEI在2019年回落到与2012年的0.532接近的0.519,非煤炭矿区在2020年回落到与2012年相同的0.538,这一时期起止的RSEI接近,但波动幅度较大,全省平均RSEI最高值为2013年的0.598,最低值为2015年和2019年的0.519,非煤炭矿区最高值为2013年的0.603,最低值为2015年的0.529,没有明显的上升以及下降趋势,主要是在2006—2012年的稳定期后向更高的RSEI的波动。煤炭矿区2012—2019年为波动下降期,平均RSEI经历了3次升高后迅速回降,分别是2013年升高后在2014年回降、2016年升高后在2017年回降和2018年升高后在2019年回降,这一时期RSEI有升有降,但整体为下降趋势,从2012年的0.519下降至2019年的0.464。④全省和煤炭矿区2019—2022年、非煤炭矿区2020—2022年为持续上升期,平均RSEI持续上升,全省从2019年的0.519上升至2022年的0.605,非煤炭矿区从2020年的0.538上升至2022年的0.609,煤炭矿区从2019年的0.464上升至2022年的0.597,并且2022年的平均RSEI是23年间的最高值。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 山西省、煤炭矿区、非煤炭矿区2000—2022年逐年平均RSEI变化趋势图

Fig.4 The annual average RSEI change trend chart of Shanxi Province, coal mining area and non-coal mining area from 2000 to 2022

3.2 23 a间山西省及其煤炭矿区生态质量演变趋势

2000—2022年RSEI的Sen斜率+Mann-Kendall显著性检验的趋势分析结果如图5所示,全省、煤炭矿区大部分区域RSEI演变趋势皆为升高(显著升高和不显著升高),且在演变趋势为升高的区域中,大部分区域通过了显著性检验,说明全省、煤炭矿区生态质量皆全面提升。全省RSEI演变趋势为降低(显著降低和不显著降低)的区域主要集中在太行山脉的五台山和盆地区域,临汾、运城、太原、忻州、晋城和长治盆地均有大量区域演变趋势为降低,在山西省七大盆地之中,只有大同盆地的演变趋势基本为升高,演变趋势为降低的区域还分布在煤炭矿区,包括平朔朔南和轩岗矿区、汾西矿区西部、阳泉矿区东部。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 山西省2000—2022年RSEI演变趋势分布图

Fig.5 Distribution map of evolution trend of RSEI in Shanxi Province from 2000 to 2022

3.3 23 a间山西省及其煤炭矿区生态质量突变分析

全省2000—2022年RSEI的Pettitt突变检验结果如图6所示,RSEI未发生显著突变的区域主要集中在太行山脉和晋城市,在发生显著突变的区域中,没有区域在2004年前、2017年后发生突变,在2010年发生突变的区域面积是最大的,主要集中在中部的吕梁市、太原市、晋中市和北部的忻州市、朔州市。煤炭矿区内未发生显著突变的区域面积略大于发生显著突变的区域面积,未发生显著突变的区域主要分布在南部和东部矿区,包括晋城、乡宁、霍州、霍东、潞安、阳泉、汾西矿区,其中晋城矿区未发生显著突变的区域面积是最大的。在煤炭矿区显著突变区域同样也是2010年突变的面积最大,主要分布在西山古交、离柳、石隰、阳泉、岚县和轩岗矿区。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 山西省2000—2022年RSEI突变分布图

Fig.6 Distribution map of mutation of RSEI in Shanxi Province from 2000 to 2022

本文对2000—2022年23 a间全省每个栅格像元都进行Pettitt突变检验,定义栅格像元RSEI突变的最多年份为生态质量突变年份,因此2010年为山西省的生态质量突变年份,与以往定义整个研究区域RSEI均值的突变年份为研究区的生态质量突变年份^[37]相比,本文定义的突变年份更具代表性,此外,可以避免RSEI均值的突变年份不显著而不能被定义为生态质量突变年份的问题。同时,全省煤炭矿区内栅格像元RSEI突变最多的年份也是2010年,因此定义2010年为全省的生态质量突变年份,对于煤炭矿区也具有代表性。

3.4 23 a间山西省及其煤炭矿区生态质量变化

限于篇幅,本文选取2000年、2010年(生态质量突变年份)和2022年,分析这3 a全省及其煤炭矿区RSEI空间分布,并计算2000—2010年和2010—2022年的RSEI等级差值,从而研究全省及其煤炭矿区2000—2022年的生态质量变化。

全省2000年、2010年、2022年的RSEI分别如图7(a)(b)(c)所示。从图7(a)可以看出,2000年全省RSEI等级为差和较差的区域面积大于等级为优和良好的区域面积,在5个RSEI等级中,等级为一般的区域面积最大,但等级为差和较差的区域面积之和大于等级为一般的区域面积,说明全省2000年的生态质量较差。黄河与吕梁山脉之间的西部区域、临汾盆地和运城盆地是生态质量最差的区域,RSEI等级基本为差和较差; 朔州市和大同市生态质量较差,大部分区域的RSEI等级为较差; 吕梁山脉和太岳山是生态质量最好的区域,RSEI等级基本为优和良好; 晋城市生态质量较好,RSEI等级主要为一般和良好。煤炭矿区RSEI等级为较差、一般的区域面积最大,等级为差和较差的区域面积之和大于等级为优和良好的区域面积之和,煤炭矿区内基本没有等级为优的区域,说明煤炭矿区2000年生态质量较差。河保偏、离柳、石隰、霍州矿区是生态质量最差的煤炭矿区,RSEI等级基本为差和较差,此外,大同、平朔朔南、岚县、汾西矿区的生态质量较差,大部分区域的RSEI等级为较差。晋城、霍东、潞安3个矿区生态质量相对较好,RSEI等级基本为良好和一般。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 山西省RSEI分布图

Fig.7 Distribution map of RSEI of Shanxi Province

从图7(b)可以看出,2010年全省RSEI等级为一般的区域面积最大,等级为差和较差的区域面积与等级为优和良好的区域面积相当,说明全省2010年生态质量一般。朔州市、大同市和临汾盆地是生态质量最差的区域,RSEI等级基本为差和较差; 黄河与吕梁山脉之间的西部区域和运城盆地的生态质量较差,RSEI等级基本为较差,同时有零星的等级为差的区域; 吕梁山脉、太行山脉、太岳山和王屋山北部等的高海拔区域是生态质量最好的区域,RSEI等级为优。煤炭矿区RSEI等级为一般的区域面积最大,等级为差和较差的区域面积之和大于等级为优和良好的区域面积之和,说明煤炭矿区2010年生态质量仍较差。大同、平朔朔南、河保偏矿区是生态质量最差的煤炭矿区,RSEI等级基本为差和较差,此外,离柳、石隰、汾西矿区的生态质量较差,大部分区域的RSEI等级为较差。晋城、霍东、潞安、乡宁和阳泉5个矿区生态质量相对较好,RSEI等级基本为优、良好和一般。

从图7(c)可以看出,2022年全省RSEI等级为良好的区域面积最大,等级为优和良好的区域面积远大于等级为差和较差的区域面积,且等级为一般区域面积也远大于等级为差和较差的区域面积,说明全省2022年生态质量较好。生态质量较差的区域只有朔州市和大同市,RSEI等级主要为较差,其中零星分布着少部分等级差的区域。大部分区域RSEI等级为良好和一般,吕梁山脉、太行山脉、太岳山、中条山东部和王屋山北部等的高海拔区域是生态质量最好的区域,RSEI等级为优。煤炭矿区RSEI等级为良好的区域面积最大,等级为优和良好的区域面积远大于等级为差和较差的区域面积,且等级为一般区域面积也远大于等级为差和较差的区域面积,煤炭矿区内基本没有等级为差的区域,说明煤炭矿区2022年生态质量整体较好。大同、平朔朔南、河保偏矿区相比其他矿区生态质量较差,RSEI等级基本为较差和一般,其余煤炭矿区等级基本为优、良好和一般。

2000—2010年、2010—2022年的RSEI等级差分别如图8(a)(b)所示,从图8(a)可以看出,2000—2010年全省大部分区域的RSEI等级未发生变化,变化的区域大部分在一个等级差,等级差绝对值越大的区域面积越小,没有等级降低4级的区域,即没有区域等级从优下降到差,等级降低3级、升高4级的区域也非常少。全省、煤炭矿区RSEI等级升高的区域面积皆大于降低的区域面积,说明全省、煤炭矿区2000—2010年的生态质量状况向好。全省RSEI等级下降的区域主要分布在大同市和朔州市、太原市、阳泉矿区和晋城矿区,等级升高1级的区域分布较为广泛,升高2级及以上的区域主要分布在运城盆地、太原盆地西南部以及临汾市西部。晋城、乡宁、霍州、霍东、武夏、石隰、汾西、阳泉、岚县、离柳、轩岗、河保偏12个矿区RSEI等级升高的区域面积大于降低的区域面积,其中,乡宁、石隰矿区是生态质量提升最显著的2个煤炭矿区,RSEI等级升高的区域面积大于降低的区域面积,且大于等级未发生变化的区域面积。潞安、西山古交、东山、平朔朔南、大同5个矿区RSEI等级降低的区域面积大于升高的区域面积,其中,大同矿区是生态质量降低最显著的煤炭矿区,RSEI等级降低的区域面积虽小于未发生变化的区域面积,但远大于等级升高的区域面积。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 山西省RSEI等级差分布图

Fig.8 Distribution map of RSEI level difference in Shanxi Province

从图8(b)可以看出,2010—2022年全省RSEI等级提升的区域分布广泛,未发生变化和提升1级的区域面积相当,没有降低4级的区域,即没有区域等级从优下降到差,等级降低3级、升高4级的区域也非常少。全省、煤炭矿区RSEI等级升高的区域面积远大于降低的区域面积,说明全省、煤炭矿区2010—2022年的生态质量状况全面提升。RSEI等级下降的区域主要分布在运城盆地一带,等级升高1级的区域分布广泛,等级升高2级及以上的区域主要分布在大同盆地、忻州市东北部、太原市东北部以及霍州矿区和汾西矿区。所有煤炭矿区RSEI等级升高的区域面积都大于降低的区域面积,其中,霍州、武夏、石隰、汾西、西山古交、东山、阳泉,岚县、离柳、轩岗、平朔朔南、大同矿区12个煤炭矿区生态质量提升显著,RSEI等级升高的区域面积大于降低的区域面积,且大于等级未发生变化的区域面积,说明近13年矿区生态环境防护起到显著效果。

3.5 23 a间山西省及其煤炭矿区生态质量与气候因子的相关性

逐像元全省2000—2022年RSEI与降水量和气温的相关性如图9、图10所示,大部分区域RSEI与降水的相关系数大于0,相关性为正相关,其中44.87%的正相关区域通过了95%置信度的显著性检验,在显著正相关区域中,黄河与吕梁山脉之间的西部区域和太原盆地东南方向的洞顶山区域相关性较强。只有小部分区域RSEI与降水的相关系数小于0,相关性为负相关,其中只有1.98%的负相关区域通过了95%置信度的显著性检验,说明同一像元降水量年际变化对生态质量的影响总体是正向的。而同一像元气温年际变化对生态质量的影响不显著,RSEI与气温只有1.98%的区域通过了95%置信度的显著性检验,其中显著负相关的区域主要集中在轩岗矿区和忻州盆地。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 山西省RSEI与降水量相关性分布图

Fig.9 Distribution map of the correlation between RSEI and precipitation in Shanxi Province

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 山西省RSEI与气温相关性分布图

Fig.10 Distribution map of the correlation between RSEI and temperature in Shanxi Province

4 结论

本文基于GEE平台,利用MODIS数据计算出山西省2000—2022年的RSEI,对全省、煤炭矿区、非煤炭矿区23 a间的逐年的平均RSEI的变化趋势进行了分析,以及分析全省、煤炭矿区23 a间的平均RSEI的空间分布特征。利用Sen斜率+Mann-Kendall显著性检验方法计算了全省2000—2022年RSEI演变趋势,利用Pettitt突变点检验计算了全省2000—2022年RSEI突变,分析全省、煤炭矿区RSEI的演变趋势和突变的空间分布特征。此外,定义栅格像元RSEI突变最多年份为山西省生态质量突变年份,代替以往定义整个研究区域的RSEI均值的突变年份为研究区生态质量突变年份,使得定义的突变年份更具代表性, 并且避免RSEI均值的突变年份不显著而不能被定义为生态质量突变年份的问题,使得先检验生态质量突变年份,再分析突变年份与其他年份之间生态质量变化情况的研究框架更加可靠和稳定。选取2000年、生态质量突变年份、2022年分析全省、煤炭矿区2000—2022年的生态质量变化情况。得出以下结论:

1)山西省2000—2022年23 a间平均生态质量较好,平均RSEI等级为优和良好的区域面积大于等级为差和较差的区域面积,降水和气温的空间分布对RSEI的空间分布具有较大的解释力。煤炭矿区平均生态质量一般,呈东南部矿区比西北部矿区生态质量好的空间格局,平均RSEI等级为一般的区域面积最大,等级为优和良好的区域面积与等级为差和较差的区域面积相当。从整体来看,23 a间全省范围、煤炭矿区生态质量全面提升,大部分区域RSEI演变趋势为升高,趋势为降低的区域主要集中在煤炭矿区和人口密集和经济发达的盆地区域。降水量年际变化对生态质量的影响总体是正向的,而气温年际变化对生态质量的影响不显著。

2)全省、煤炭矿区、非煤炭矿区23 a间逐年的平均RSEI的变化趋势大致可分为4个阶段。全省范围2000—2006年是波动上升期,2006—2012年是稳定期,2012—2019年是向上波动期,2019—2022年是持续上升期; 煤炭矿区2000—2006年是波动上升期,2006—2012年是稳定期,2012—2019年是波动下降期,2019—2022年是持续上升期; 非煤炭矿区2000—2006年是波动上升期,2006—2012年是稳定期,2012—2020年是向上波动期,2020—2022年是持续上升期。

3)全省、煤炭矿区在RSEI发生显著突变的区域中,2010年发生突变的区域面积是最大的,2010年即定义为山西省生态质量突变年份。

4)23 a间,全省从2000年生态质量较差、到2010年生态质量一般、再到2022年生态质量转为较好; 省内煤炭矿区从2000年生态质量较差,到2010年生态质量有所提升,但依然较差,再到2022年生态质量转为较好。全省、煤炭矿区2000年到2010年的生态质量状况向好,RSEI等级升高的区域面积大于降低的区域面积,但大部分区域的等级未发生变化。全省、煤炭矿区2010年到2022年生态质量状况全面提升,RSEI等级升高的区域面积远大于降低的区域面积。

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

[37]

Yang

H H

, Yu

, Xu

W Z

, et al.

Long-time series ecological environment quality monitoring and cause analysis in the Dianchi Lake Basin,China

[J]. Ecological Indicators, 2023, 148:110084.