2001—2020年间河南省郑州市生态环境质量时空变化及驱动因素分析

doi:10.6046/zrzyyg.2023203

2001—2020年间河南省郑州市生态环境质量时空变化及驱动因素分析

奥勇^,¹^,²^,³, 汪雅¹, 王晓峰¹^,²^,³, 吴京盛¹, 张亦恒¹, 李雪娇¹

1.长安大学土地工程学院,西安 710054

2.陕西省土地整治重点实验室,西安 710054

3.自然资源部退化及未利用土地整治工程重点实验室,西安 710054

Spatiotemporal changes of ecological quality and their driving factors in Zhengzhou City over the last 20 years

AO Yong^,¹^,²^,³, WANG Ya¹, WANG Xiaofeng¹^,²^,³, WU Jingsheng¹, ZHANG Yiheng¹, LI Xuejiao¹

1. School of Land Engineering,Chang’an University, Xi’an 710054, China

2. Shaanxi Key Laboratory of Land Consolidation,Xi’an 710054, China

3. Key Laboratory of Degraded and Unused Land Consolidation Engineering,Ministry of Natural Resource,Xi’an 710054, China

责任编辑: 李瑜

收稿日期: 2023-07-11 修回日期: 2023-09-27

基金资助:

陕西省土地整治重点实验室开放基金项目“污损土地遥感调查与评估研究”(2018-JC08)
自然资源部“退化及未利用土地整治工程重点实验室”开放基金项目“土壤重金属污染快速识别技术”(SXDJ2019-8)

Received: 2023-07-11 Revised: 2023-09-27

作者简介 About authors

奥勇(1965- ),男,博士,副教授,主要从事生态遥感方面研究。Email: aoyong@chd.edu.cn。

摘要

生态环境质量是地区发展水平的重要组成部分,客观定量地对其进行长时序动态监测与分析,可为城市可持续发展和生态环境建设提供科学依据。基于Landsat遥感影像,通过主成分分析法构建遥感生态指数(remote sensing ecological index,RSEI)作为评价指标,运用Sen+Mann-Kendall趋势分析、Hurst指数、地理探测器探究河南省郑州市2001—2020年生态环境质量时空变化特征以及各驱动因子影响程度。研究表明: ①2001—2020年间郑州市整体生态环境质量处于中等水平,生态环境指数呈先下降再上升再下降趋势,空间分布表现为东部平原低、西南山地丘陵高。除2010年受高温影响生态环境质量恶化面积大幅增加外,区域总体生态环境质量以不变和轻微改善为主。②2001—2020年间郑州市生态环境质量变化趋势显著,上升趋势区域占比56.34%,下降趋势区域占比42.26%。结合Hurst指数,东部生态环境质量下降趋势区域未来变化以持续性特征为主,西南部生态环境质量上升趋势区域未来变化以反持续性特征为主。③驱动力分析表明,2001—2020年间土地利用类型和人口密度是影响郑州市生态环境质量变化的主要因子,其解释力强度明显高于其他因素。高程和年均降水等自然因素影响力逐渐减弱,而反映城市化水平的夜间灯光指数影响力逐渐增强。研究可为郑州市生态环境评价与保护工作提供科学依据。

关键词： 生态环境质量; 遥感生态指数; Sen+Mann-Kendall; Hurst指数; 地理探测器

Abstract

Ecological quality is an important indicator of a regional development level. Objective, quantitative dynamic monitoring and analysis of long-term ecological quality can provide a scientific basis for urban sustainable development and ecological construction. Based on Landsat remote sensing images, this study constructed the remote sensing ecological index (RSEI) as an evaluation index using principal component analysis. Accordingly, this study explored the spatiotemporal change characteristics of ecological quality in Zhengzhou from 2001 to 2020, as well as the extent of influence of various driving factors, using the Sen+Mann-Kendall trend analysis, the Hurst index, and geographical detectors. The results indicate that from 2001 to 2020, Zhengzhou maintained moderate ecological quality overall. The RSEI showed downward, upward, and then downward trends sequentially. Spatially, the eastern plains showed lower ecological quality, whereas the southwestern mountainous and hilly areas exhibited higher ecological quality. The regional ecological quality remained unchanged predominantly or saw slight improvements over these years except for 2010, when the area of zones with ecological quality deteriorating significantly increased due to high temperature. From 2001 to 2020, the ecological quality in Zhengzhou exhibited significant trends, with 56.34% of areas showing an upward trend and 42.26% exhibiting a downward trend. These results, along with the Hurst index, reveal that the downward trend in ecological quality in the eastern part is primarily characterized by sustainable changes in the future, while the upward trend in ecological quality in the southwestern partition is primarily characterized by anti-sustainable changes in the future. Driving force analysis indicates that over the 20 years, primary factors influencing changes in ecological quality in Zhengzhou included land use type and population density, whose explanatory power is significantly stronger than other factors. The impact of natural factors, such as elevation and average annual precipitation, has gradually diminished, while the influence of the night light index, which reflects the urbanization level, has progressively increased. The results of this study will provide a scientific basis for the evaluation and preservation of ecosystems in Zhengzhou.

Keywords： ecological quality; remote sensing ecological index; Sen-Mann-Kendall; Hurst index; geodetector

PDF (4342KB) 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

奥勇, 汪雅, 王晓峰, 吴京盛, 张亦恒, 李雪娇. 2001—2020年间河南省郑州市生态环境质量时空变化及驱动因素分析[J]. 自然资源遥感, 2025, 37(1): 102-112 doi:10.6046/zrzyyg.2023203

AO Yong, WANG Ya, WANG Xiaofeng, WU Jingsheng, ZHANG Yiheng, LI Xuejiao. Spatiotemporal changes of ecological quality and their driving factors in Zhengzhou City over the last 20 years[J]. Remote Sensing for Land & Resources, 2025, 37(1): 102-112 doi:10.6046/zrzyyg.2023203

0 引言

良好的生态环境是人类生存和可持续发展的基础,对整个人类社会的高质量发展起着至关重要的作用。随着人类活动的增强与城市化进程的快速发展,大气^[1]、土壤污染^[2]、植被退化^[3]、热岛效应^[4]等环境问题日益凸显,对人类生存与发展构成严重威胁。因此,及时准确地对生态环境质量变化进行动态监测逐渐成为学术界与政府相关部门的关注重点,为城市的可持续发展与生态环境保护措施的制定提供参考。

目前,学者们对生态环境质量监测和评价的方法不断发展。我国现行的生态环境综合指标评价标准《生态环境状况评价技术规范》(HJ 192—2015)利用生态状况指数(eco-environment index,EI)计算区域生态环境质量^[5],但该指数依赖大量统计数据,数据收集难度大,指标权重的设定主观性强,且只适用于县级以上单位,得到的结果为一个具体数值,数据无法可视化,不能有效反映生态环境质量的空间分布和变化特征^[6-7]。而遥感技术凭借实时快速、大规模监测等优势,成为区域生态环境评价的重要手段,在生态环境领域得到了广泛应用。如利用植被指数监测区域植被覆盖度变化^[8],利用建筑指数和地表温度(land surface temperature,LST)评价城市热岛效应^[9],或利用水体指数提取河流信息评价水环境等^[10]。但实际上,生态环境是一个多因素构成的复杂系统,需要利用综合指标来对生态环境进行全面、准确地综合评价。近年来,许多学者探索基于遥感的综合生态指数来评价区域生态环境质量^[11]。其中,集成了归一化植被指数(normalized difference vegetation index,NDVI)、缨帽变换湿度分量(wetness,Wet)、LST和归一化建筑和裸土指数(normalized difference building and soil index,NDBSI)4个生态指标的遥感生态指数(remote sensing ecological index,RSEI)^[12]完全基于遥感技术,综合多个指标,客观定量地获取地表信息,能够直观可视化地反映区域生态环境质量空间变化,在生态环境监测领域应用十分广泛^[13⇓-15]。王丽春等^[16]等借助RSEI指数实现对玛纳斯湖湿地生态环境的监测和评价,发现日益增强的人类活动使玛纳斯河流域人口、经济与生态环境之间的关系严重失调; 赵管乐等^[17]利用RSEI模型,对典型干热河谷区攀枝花市生态环境质量进行分析,指出其生态环境的下降与降水量存在密切关系; 权文婷等^[18]基于RSEI对水库流域生态环境变化监测,得到经济发展的同时也要平衡好生态环境治理问题。

郑州市是河南省的省会,也是中原城市群的核心城市、国家重要的中心城市和综合交通枢纽。现有对郑州市生态环境的研究主要集中于黄河流域流经区域的生态环境保护方面^[19-20],但随着郑州城市化进程的加快,其生态环境质量不断发生变化,对郑州市整体生态环境状况的长时序监测与分析具有重要意义。因此,本文采用主成分分析方法构建RSEI模型,对郑州市2001—2020年的生态环境状况进行监测,分析其时空格局与演变趋势,并探究影响生态环境质量变化的关键因素,为郑州市生态环境保护与综合治理提供科学参考。

1 研究区概况与数据源

1.1 研究区概况

郑州市地处河南省中北部(34°16'~34°58'N,112°42'~114°14'E,图1),黄河中、下游分界处,全市总面积约7 567 km²,下辖1个县、5个县级市、6个区,其中金水区、惠济区、中原区、二七区和管城回族区为郑州市主城区。郑州市地形总趋势西南高、东北低,横跨中国第二级和第三级地貌台阶,西部多山地丘陵,东部平原地势平坦,整体平均海拔约108 m。郑州市地处暖温带,四季分明,属温带大陆性季风气候,降水集中在夏季6—8月份,年平均降水量为600~700 mm,境内流域面积较大(≥100 km²)的河流有29条,地跨黄河、淮河2大流域,其中黄河在郑州市境内的支流有伊洛河、汜水河和枯河,淮河在郑州市境内支流有颍河、贾鲁河、运粮河等。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区域概况示意图

Fig.1 Location of the study area

1.2 数据源及其预处理

本研究所用的研究区矢量边界数据来源于中国科学院地理科学与资源研究所(https://www.resdc.cn/)。遥感影像数据为Landsat系列影像,来源于美国地质调查局(http://glovis.usgs.gov/),由于部分年份影像质量不佳,因此选取2001年、2006年、2010年的Landsat5 TM和2015年、2020年的Landsat8 OLI共5期的遥感影像,空间分辨率为30 m。为保证研究数据的可靠性,所选遥感影像的云量均低于2%,月份集中在5—10月,该时期植被生长状况良好,影像质量佳。在ENVI中对影像进行辐射定标、大气校正、几何纠正、拼接和裁剪、水体掩模等预处理工作。其他数据来源分别为: 年平均气温、降水数据来源于国家地球系统科学数据中心(http://www.geodata.cn/),空间分辨率为1 000 m; DEM数据来源于地理空间数据云(https://www.gscloud.cn/),空间分辨率为90 m,通过ArcGIS从中提取出坡度数据; 土地利用类型数据来源于中国科学院地理科学与资源研究所(https://www.resdc.cn/),空间分辨率为1 000 m; 人口密度以及GDP数据来源于郑州市统计年鉴; 夜间灯光数据来源于国家青藏高原科学数据中心(https://data.tpdc.ac.cn/),空间分辨率为1 000 m。

2 研究方法

2.1 RSEI

RSEI通过主成分分析方法集成绿度(用NDVI表示)、湿度(用Wet表示)、热度(用LST表示)和干度(用NDBSI表示)4个表征生态环境的指标得到^[12],各指标计算公式见表1。该方法克服了传统单一指标评价的缺点,同时因其完全基于遥感信息获得,避免了主观因素的干预,结果更加客观合理。由于各指标分量之间存在量纲差异,为避免对计算结果造成影响,在进行主成分分析前,需要对各指标分量进行归一化处理,使其值映射在[0,1]区间内,计算公式为:

(1)

N I_{i} = (I_{i} - I_{m i n}) / (I_{m a x} - I_{m i n})

，

式中: $N I_{i}$ 为归一化处理后的指标值; $I_{i}$ 为像元 $i$ 处对应的指标值; $I_{m i n}$ , $I_{m a x}$ 分别为对应指标的最小值和最大值。对归一化后的4个指标分量进行主成分变换,对取得的第一主成分PC1进行减值运算,得到初始生态指数(RSEI₀),而后对RSEI₀进行归一化处理最终得到遥感生态指数(RSEI),其值处于[0,1]区间内,值越接近于1,表明生态环境质量越好。计算公式^[12]为:

(2)

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

，

(3)

R S E I = (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: $R S E I_{0}$ 为 $R S E I$ 初始值; $P C 1$ 为4个指标分量经主成分变换后得到的第一主成分; $R S E I$ 为最终遥感生态指数; $R S E I_{0 m i n}$ 和 $R S E I_{0 m a x}$ 分别为对应 $R S E I_{0}$ 的最小值和最大值。

表1 指标计算公式

Tab.1 Indicators calculation equation

指标	计算公式	说明
绿度(NDVI)	$N D V I = (ρ_{N I R} - ρ_{R}) / (ρ_{N I R} + ρ_{R})$	$ρ_{N I R}$ 为近红外波段反射率; $ρ_{R}$ 为红光波段反射率
湿度(Wet)	$\begin{array}{l} W e t_{T M} = 0.031 5 ρ_{B} + 0.202 1 ρ_{G} + 0.310 2 ρ_{R} + \\ 0.159 4 ρ_{N I R} - 0.680 6 ρ_{S W I R 1} - 0.610 9 ρ_{S W I R 2} \end{array}$ $\begin{array}{l} W e t_{O L I} = 0.151 1 ρ_{B} + 0.197 3 ρ_{G} + 0.328 3 ρ_{R} + \\ 0.340 7 ρ_{N I R} - 0.711 7 ρ_{S W I R 1} - 0.455 9 ρ_{S W I R 2} \end{array}$	$ρ_{B}$ , $ρ_{G}$ , $ρ_{R}$ , $ρ_{N I R}$ , $ρ_{S W I R 1}$ 和 $ρ_{S W I R 2}$ 分别为TM与OLI数据的蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率数据
热度(LST)	$L S T = K_{2} / l n (K_{1} / T + 1)$ $L_{λ} = [ε T + (1 - ε) L ↓] τ + L ↑$ $T = [L_{λ} - L ↑ - τ (1 - ε) L ↓] / τ ε$	$L_{λ}$ 为热红外辐射亮度值; $T$ 为黑体热辐射亮度; $ε$ 为地表比辐射率; $τ$ 为大气透过率; $L ↑$ 为大气上行辐射亮度; $L ↓$ 为大气下行辐射亮度; $K_{1}$ , $K_{2}$ 为传感器定标参数
干度(NDBSI)	$N D B S I = (S I + I B I) / 2$ $S I = [(ρ_{S W I R 1} + ρ_{R}) - (ρ_{N I R} + ρ_{B})] / [(ρ_{S W I R 1} + ρ_{R}) + (ρ_{N I R} + ρ_{B})]$ $I B I = [\frac{2 ρ_{S W I R 1}}{ρ_{S W I R 1} + ρ_{R}} - (\frac{ρ_{N I R}}{ρ_{N I R} + ρ_{R}} + \frac{ρ_{G}}{ρ_{G} + ρ_{S W I R 1}})] /$ $[\frac{2 ρ_{S W I R 1}}{ρ_{S W I R 1} + ρ_{R}} + (\frac{ρ_{N I R}}{ρ_{N I R} + ρ_{R}} + \frac{ρ_{G}}{ρ_{G} + ρ_{S W I R 1}})]$	$S I$ 为裸土指数; $I B I$ 为建筑指数; $ρ_{B}$ , $ρ_{G}$ , $ρ_{R}$ , $ρ_{N I R}$ , $ρ_{S W I R 1}$ 分别为TM与OLI数据的蓝、绿、红、近红外和短波红外1波段的反射率数据

新窗口打开| 下载CSV

2.2 Sen+Mann-Kendall趋势分析

Sen+Mann-Kendall法同时结合了Sen趋势估算与Mann-Kendall显著性检验,可有效检验趋势变化的显著性,减少噪声干扰,提高检验结果准确度^[21]。

Sen斜率(Theil-Sen Median)估算法是一种非参数统计的趋势分析计算法,对测量误差和离群数据不敏感,能够避免时间序列数据可能存在的数据缺失或异常等情况的影响^[22],计算效率较高。其计算公式为:

(4)

β = M e d i a n (\frac{X_{j} - X_{i}}{j - i}), \forall j i

，

式中: $β$ 为RSEI变化趋势; $M e d i a n$ ()为中值函数; $X_{i}$ , $X_{j}$ 分别为第 $i$ , $j$ 时间序列的RSEI值; $i$ , $j$ 为时间序列数。当 $β 0$ 时,表示RSEI呈上升趋势; 当 $β 0$ 时,表示RSEI呈下降趋势。

Mann-Kendall法作为一种非参数的时间序列趋势显著性检验方法,不需要测量值符合正态分布,也不受缺失值和异常值的干扰^[23],因此,结合该方法对Sen序列趋势进行显著性检验。检验统计量 $s$ 计算公式为:

(5)

s = \sum_{i = 1}^{n} \sum_{j = i + 1}^{n} s g n (x_{j} - x_{i})

式中: $s g n$ ()为函数符号,计算公式为:

(6)

s g n (x_{j} - x_{i}) = \{\begin{array}{l} 1 & (x_{j} - x_{i} 0) \\ 0 & (x_{j} - x_{i} = 0) \\ - 1 & (x_{j} - x_{i} 0) \end{array}

。

使用检验统计量 $Z$ 进行趋势检验,计算公式为:

(7)

Z = \{\begin{array}{l} \frac{s - 1}{\sqrt{V (s)}} & (s 0) \\ 0 & (s = 0) \\ \frac{s + 1}{\sqrt{V (s)}} & (s 0) \end{array}

式中: 方差V(s)=n(n-1)(2n+5)/18; $n$ 为序列中数据个数。对数据采用双边趋势检验,显著水平定为0.05,当 $|Z| 1.96$ 时RSEI变化趋势显著,当 $|Z| \leq 1.96$ 时RSEI变化趋势不显著^[24]。

2.3 Hurst指数

Hurst指数是定量描述长时间序列数据长期持续性的有效方法,在水文学^[25]和生态学^[26]等领域广泛应用。本文采用重标极差(rescaled range,R/S)分析法对Hurst指数进行计算,从而分析研究区RSEI可持续性特征。

对于给定时间序列 ${R S E I_{t}}, t = 1,2, \dots, n,$ 定义该时间序列均值序列,其计算公式为:

(8)

{\bar{R S E I}}_{T} = \frac{1}{T} \sum_{t = 1}^{T} R S E I_{t}, T = 1,2, \dots, n

对于 $T$ 内的所有时刻, $t$ 时刻的累计离差为:

(9)

X (t, T) = \sum_{t = 1}^{t} (R S E I_{t} - R S E I_{T}), 1 \leq t \leq T

。

定义极差序列 $R$ 为:

(10)

R_{t} = \underset{0 \leq t \leq T}{m a x} X (t, T) - \underset{0 \leq t \leq T}{m i n} X (t, T), t = 1,2, \dots, n

，

定义标准差序列 $S$ ,为:

(11)

S = \sqrt{\frac{1}{T} \sum_{t = 1}^{T} [R S E I_{t} {- \bar{{\bar{R S E I}}_{T}}]}^{2}}

t = 1,2, \dots, n

。

对于极差数列 $R$ 与标准差序列 $S$ 之间的比值R/S,若存在 $R / S \propto t^{H}$ ,则分析的给定时间序列 ${R S E I_{t}}$ 存在Hurst现象, $H$ 称为Hurst指数, $H$ 值的大小可以反映时间序列的随机性或持续性特征。当 $0 H 0.5$ 时,表明RSEI序列数据具有反持续性,未来与过去的变化趋势相反,且 $H$ 值越接近0,反持续性越强; 当 $H = 0$ 时,表明RSEI序列数据具有随机性,即未来与过去的变化趋势相互独立; 当 $0.5 H 1$ 时,表明RSEI序列数据是一个持续性序列,未来与过去的变化趋势正相关,且 $H$ 值越接近1,持续性越强。

2.4 地理探测器

地理探测器是由王劲峰等^[27]提出的用于检验空间分异性以及各因素之间相互影响程度的空间统计分析模型。本研究选取因子探测和交互探测来探究影响郑州市生态环境质量空间分异的因素以及各因素之间的相互作用关系。

1)因子探测。因子探测可用于检验各自变量因子对因变量空间分异性的解释程度。其计算公式为:

(12)

q = 1 - \frac{1}{N σ^{2}} \sum_{h = 1}^{L} N^{h} σ_{h}^{2}, h = 1,2, \dots, L

，

式中: $q$ 为驱动因子对因变量的解释力程度; $L$ 为驱动因子或自变量的分级数; $N^{h}$ , $N$ 分别为不同分级区域和全区域的样本数; $σ_{h}^{2}$ , $σ^{2}$ 分别为不同分级区域和全区域的因变量方差。 $q$ 值越大,说明该驱动因子对因变量的解释力越高。

2)交互探测。交互探测可用于检验不同驱动因子之间是否具有交互作用以及对因变量空间分异性的影响,即因子间的相互作用会增强还是减弱对因变量空间分异性的解释力,不同 $q$ 值范围对应的交互作用分为以下5种类型,如表2所示。

表2 因子交互作用类型

Tab.2 Types of factors interaction

$q$ 值范围	交互作用类型
$q (X_{1} ⋂ X_{2}) m i n [q (X_{1}), q (X_{2})]$	非线性减弱
$\begin{array}{l} m i n [q (X_{1}), q (X_{2})] q (X_{1} ⋂ X_{2}) \\ m a x [q (X_{1}), q (X_{2})] \end{array}$	单线性减弱
$\begin{array}{l} m a x [q (X_{1}), q (X_{2})] q (X_{1} ⋂ X_{2}) \\ q (X_{1}) + q (X_{2}) \end{array}$	双因子增强
$q (X_{1} ⋂ X_{2}) = q (X_{1}) + q (X_{2})$	相互独立
$q (X_{1} ⋂ X_{2}) q (X_{1}) + q (X_{2})$	非线性增强

新窗口打开| 下载CSV

3 结果与分析

3.1 RSEI检验

对研究区各个年份的4个分量指标进行主成分分析,得到不同年份第一主成分载荷与贡献率。由表3可知,4个分量指标中的绿度指标(NDVI)与湿度指标(WET)为正值,热度指标(LST)与干度指标(NDBSI)为负值,说明绿度、湿度对遥感生态指数(RSEI)具有正向影响,而热度、干度对RSEI为负向影响。从分量指标数值大小来看,绿度与干度载荷的绝对值大于湿度和热度,说明绿度和干度对RSEI的贡献度更高,影响更大。同时,研究区5个年份第一主成分PC1特征值贡献率的平均值为80.04%,其中最高值为85.13%(2010年),最低值为76.18%(2001年),各年贡献率均超过75%,表明PC1能够集成4个指标的主要特征信息,可用于构建RSEI。

表3 不同年份第一主成分载荷与贡献率

Tab.3 Load and contribution rate of the PC1 in different years

年份	第一主成分PC1				贡献率/%
	绿度	湿度	热度	干度
	NDVI	WET	LST	NDBSI
2001年	0.716	0.277	-0.304	-0.608	76.18
2006年	0.648	0.292	-0.341	-0.646	78.03
2010年	0.668	0.319	-0.362	-0.674	85.13
2015年	0.730	0.285	-0.324	-0.617	81.39
2020年	0.667	0.317	-0.310	-0.624	79.46
平均值	0.686	0.298	-0.328	-0.634	80.04

新窗口打开| 下载CSV

为验证RSEI模型的适用性,以《生态环境状况评价技术规范》(HJ 192—2015)中的EI指数^[5]为参考进行对比分析。通过国家生态环境部发布的环境状况公报及查阅相关资料^[28]得知,2015—2020年郑州市EI值域为61.4~63.5,因其是百分制,为方便对比将其换算为小数0.614~0.635。而实际计算得到的2015—2020年郑州市RSEI值域为0.605~0.613,与EI指数的差值小于0.04,且各市区县环境质量等级相对一致,因此通过构建RSEI模型评价郑州市生态环境质量与标准EI指数评价结果没有明显差异,可用于表征区域生态环境质量变化状况。

3.2 生态环境质量时空变化

通过主成分分析计算得到郑州市2001—2020年的RSEI均值分别为0.608,0.596,0.565,0.613和0.605,总体表现为先下降再上升再下降的趋势。为更准确地定量评价郑州市RSEI的时空变化,根据《生态环境评价技术规范》(HJ 192—2015),将郑州市RSEI以0.2为间隔,划分为差[0,0.2]、较差(0.2,0.4]、中等(0.4,0.6]、良(0.6,0.8]、优(0.8,1]这5个生态环境质量等级。由图2可知,郑州市多年生态环境质量总体处于中等水平,并表现出较为显著的地理分异,生态质量较差等级区域不断向东部转移。2001年郑州市生态环境质量较差区域主要分布在西南部登封市、巩义市、新密市等山地丘陵地区与市中心区域,东、西部平原的新郑市、中牟县和荥阳市等地生态质量较好; 2006—2020年,登封市、巩义市和新密市等西南部山地丘陵地区环境质量得到明显改善,生态环境质量等级由较差转变为以中等和良为主; 而主城区与新郑市、中牟县等东部平原地区生态环境相较于2001年逐渐恶化,较差等级区域不断向东扩张,整体生态环境质量等级以中等和较差为主。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2001—2020年郑州市RSEI等级分布

Fig.2 Distribution of RSEI in Zhengzhou City from 2001 to 2020

由表4可知,2001—2020年郑州市生态环境质量等级总体以中等和良为主,占总面积的50%以上。评级为差与较差区域的面积变化具有一定的波动性,2010年与2020年呈增加趋势,其中2010年较差等级面积增至最大,达到1 702.43 km²,占总面积的22.96%,2001—2020年间总体呈下降趋势; 中等区域所占面积逐渐减少,由33.64%下降到21.05%; 良和优等级的区域面积占比呈明显的上升趋势,由39.85%上升到58.10%,面积增加了1 352.72 km²。综上所述,郑州市2001—2020年生态环境质量优、良等级面积持续增加,中等、较差等级面积不断减少,生态环境质量不断改善。

表4 2001—2020年郑州市生态环境质量等级面积与占比

Tab.4 Areas and proportions of ecological environment quality levels in Zhengzhou City from 2001 to 2020

等级	2001年		2006年		2010年		2015年		2020年
等级	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%
差	469.67	6.33	130.67	1.76	797.53	10.76	395.93	5.34	416.12	5.61
较差	1 495.85	20.17	1 269.94	17.13	1 702.43	22.96	1 114.97	15.04	1 129.83	15.24
中等	2 494.00	33.64	2 328.42	31.40	1 951.10	26.31	1 624.60	21.91	1 560.85	21.05
良	2 217.18	29.90	2 581.36	34.82	1 912.03	25.79	2 369.05	31.95	2 836.95	38.26
优	737.75	9.95	1 104.06	14.89	1 051.36	14.18	1 909.90	25.76	1 470.70	19.84

新窗口打开| 下载CSV

3.3 生态环境质量演变分析

表5为郑州市生态环境质量等级变化情况。由表5可知,2001—2006年,不变和改善面积占总面积的77.61%,其中轻微改善(级差为1)的面积占比为33.10%,生态环境质量呈现稳中向好趋势。2006—2010年,生态环境质量恶化面积占总面积的41.99%,改善面积占比15.51%,较2001—2006年分别增加了19.6%和降低了29.92%,整体生态环境呈恶化趋势。2010—2015年,郑州市生态环境处于改善趋势,质量改善面积占比52.92%并以轻度改善为主。2015—2020年,郑州市生态环境质量等级不变面积占比45.51%,质量改善和恶化面积分别占比30.25%和24.24%,差值为6.01%,生态环境质量仍处于改善趋势但改善幅度减弱。总的来说,2001—2020年近20 a间郑州市生态环境呈现改善趋势,质量等级以不变和轻微改善为主。

表5 2001—2020年郑州市生态环境质量等级变化情况

Tab.5 Changes of ecological environment quality levels in Zhengzhou City from 2001 to 2020

变化类型	级差	2001—2006年		2006—2010年		2010—2015年		2015—2020年
变化类型	级差	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%
恶化	-4	13.46	0.18	27.97	0.38	28.86	0.39	27.93	0.38
	-3	112.02	1.51	122.13	1.65	133.68	1.80	123.85	1.67
	-2	447.65	6.04	470.84	6.35	320.10	4.32	386.55	5.21
	-1	1 086.67	14.66	2 492.23	33.61	763.36	10.30	1 259.32	16.98
不变	0	2 385.91	32.18	3 150.79	42.50	2 244.54	30.27	3 373.99	45.51
改善	1	2 454.52	33.10	962.53	12.98	2 671.43	36.03	1 711.14	23.08
	2	829.84	11.19	157.67	2.13	989.91	13.35	381.61	5.15
	3	79.16	1.07	27.74	0.37	216.73	2.92	121.01	1.63
	4	5.22	0.07	2.55	0.03	45.84	0.62	29.05	0.39

新窗口打开| 下载CSV

从生态环境质量等级变化的空间分布(图3)来看,2001—2006年,郑州市生态环境质量恶化区域主要分布在金水区、中牟县和新郑市等东部平原地区,改善区域主要位于西南部登封市、巩义市和新密市等山地丘陵区,其中明显改善区域位于山脉高海拔地区。2006—2010年,郑州市生态环境质量以不变和轻微恶化为主,生态环境恶化区域主要位于主城区和西南丘陵地区,空间分布较为分散,没有明显改善区域。2010—2015年,郑州市生态环境质量显著提升并以轻微改善为主,明显改善区域主要位于主城区与西部山地丘陵区,恶化区域主要分布在荥阳市、中牟县和新郑市等低海拔平原地区。2015—2020年,郑州市生态环境质量以不变为主,轻微恶化区域主要分布在荥阳市、登封市和新郑市等中部地区,东、西两侧区域以轻微改善为主。总的来看,2001—2020年郑州市生态环境质量等级变化的空间分布特征与2001—2006年和2010—2015年相似,主城区与西南山地丘陵区环境质量以改善为主,东、西部平原地区环境质量以恶化为主,且恶化区域分布较为分散,没有明显汇集区。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2001—2020年郑州市生态环境质量等级变化空间分布

Fig.3 Spatial distribution of change in ecological quality grade of Zhengzhou City from 2001 to 2020

3.4 生态环境质量发展趋势

Sen趋势估算与Mann-Kendall显著性检验相结合得到郑州市RSEI变化趋势和变化显著性,由图4可知,2001—2020年近20 a间郑州市RSEI变化以轻微上升趋势为主,上升趋势区域面积占比达到全市总面积的56.34%,主要分布在巩义市、登封市和新密市等西南部海拔较高地区,该区域生态环境质量逐年改善。但随着郑州城市化的快速发展和土地利用方式的转变,人类活动对生态环境的影响加剧,主城区周边以及荥阳市、中牟县和新郑市等东、西部平原地区RSEI呈不断下降趋势,占全市总面积的42.26%。RSEI保持稳定不变的区域仅占全市总面积的1.4%,生态环境质量变化稳定区域很少,郑州市整体生态环境质量变化趋势较为显著。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2001—2020年郑州市RSEI变化趋势

Fig.4 Change trend of RSEI in Zhengzhou City from 2001 to 2020

采用Hurst指数来进一步分析郑州市RSEI变化趋势的可持续性特征,如图5所示。2001—2020年郑州市RSEI的Hurst指数值在0.056~0.99之间,平均值为0.67,表现为以持续性为主。Hurst指数值低于0.5的区域面积为1 072.27 km²,占总面积14.46%,主要分布在西南部箕山和嵩山山脉地区,该区域RSEI未来变化趋势反持续性特征较为明显。Hurst指数值高于0.5的区域分布广泛,占总面积85.54%,其中高于0.7的区域占50.38%,主要分布在人类活动较强的主城区周边以及荥阳市、中牟县和新郑市等东、西部平原地区,RSEI未来变化表现出较强的持续性特征。结合图4总体分析,2001—2020年间RSEI上升趋势的区域未来表现具有反持续性特征,而RSEI下降趋势的区域未来将保持持续性特征。这表明郑州市生态环境质量受人类活动扰动较大,未来整体生态环境质量具有持续性下降趋势,政府需不断加强地区生态保护工程建设,尤其是表现出持续性下降趋势的东、西部平原地区。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2001—2020年郑州市RSEI变化Hurst指数

Fig.5 Change of RSEI and Hurst index in Zhengzhou City from 2001 to 2020

3.5 生态环境质量驱动因子分析

相关研究表明生态环境质量变化受多种自然因素和人文因素共同影响^[29⇓-31],结合研究需要,本文选取覆盖气象(气温、降水),地形(高程、坡度),社会经济(人口密度、国内生产总值(gross domestic product,GDP))和人为干扰(土地利用类型、夜间灯光数据)等方面共8种典型驱动因子作为自变量X,研究区RSEI作为因变量Y,探究郑州市生态环境质量变化的驱动机制。为整合不同数据源自变量因子的空间特征,利用ArcGIS软件创建研究区1 km×1 km格网,提取格网中心点处变量值,根据 $q$ 值最大化原则,采用分位数断点法和自然断点法将连续变量最优离散化,从而得到最佳探测结果。

3.5.1 单因子探测分析

因子探测结果如表6所示,所选自变量因子均对因变量RSEI的空间分异性具有显著影响( $P$ <0.05),不同驱动因子各年 $q$ 值的变化具有一定波动性。土地利用类型与人口密度对因变量RSEI的解释力最强,平均值分别为0.257和0.246,不同年份的 $q$ 值排序交替位列前2名,明显高于其他因子; 坡度因子的多年 $q$ 值均保持在0.1以下,最高值仅为2010年的0.096,对多年RSEI变化没有明显的驱动作用; 高程、夜间灯光数据、年均气温、GDP和年均降水这6个驱动因子的 $q$ 均值依次降低,介于0.1~0.2之间,对RSEI空间分异性解释力一般,其中高程和年均气温的 $q$ 值分别从2001年的0.264和0.232逐渐降至2020年的0.137和0.123,排序也分别从第1和第3分别降至第3和第5,二者对RSEI的解释力强度呈下降趋势,而夜间灯光数据的 $q$ 值从2001年的0.129升至2020年的0.177,解释力强度呈逐渐上升趋势。探测结果表明,社会经济、人为干扰因子对生态环境质量变化的影响大于气象和地形因子,并且随着城市化的快速发展,人类活动对生态环境的影响力也逐渐增强。

表6 因子探测结果

Tab.6 Results of single detection

因子类型	2001年		2006年		2010年		2015年		2020年		2000—2020年
因子类型	$q$ 值	排序	$q$ 值	排序	$q$ 值	排序	$q$ 值	排序	$q$ 值	排序	$q$ 值	排序
年均降水	0.134	5	0.132	7	0.112	6	0.103	7	0.141	4	0.124	7
年均气温	0.232	3	0.164	5	0.107	7	0.149	6	0.123	6	0.155	5
高程	0.264	1	0.181	3	0.187	3	0.164	3	0.137	5	0.186	3
坡度	0.093	8	0.073	8	0.096	8	0.033	8	0.031	8	0.065	8
土地利用类型	0.171	4	0.251	2	0.362	1	0.295	1	0.207	2	0.257	1
人口密度	0.255	2	0.256	1	0.262	2	0.217	2	0.239	1	0.246	2
GDP	0.111	7	0.176	4	0.156	5	0.126	5	0.111	7	0.136	6
夜间灯光数据	0.129	6	0.153	6	0.181	4	0.163	4	0.177	3	0.161	4

新窗口打开| 下载CSV

3.5.2 因子交互探测分析

对驱动因子进行交互探测分析,结果如图6所示,各因子间的交互作用均表现为非线性增强和双因子增强这2种交互类型,表明因子间协同作用对郑州市生态环境质量变化产生的影响力高于原有单因子,并呈现出一定的规律性。土地利用类型与人口密度的交互值除2001年为0.371外,其余4个年份均为最高值,其交互作用对区域生态环境质量的影响最显著; 并且高程、土地利用类型和人口密度与任一因子的交互值,明显高于该因子与其他因子之间的交互值,说明这3个因子对郑州市生态环境质量的变化起着关键作用; 对比单因子探测结果,坡度因子与其他因子的交互值得到显著提升,且均表现为非线性增强效果,说明解释力低的单因子与其他因子交互作用下影响力更明显; 夜间灯光数据与其他因子交互作用的影响力逐渐提高,尤其是与年均气温和年均降水的交互影响,说明城市化发展对区域气温与降水等自然因素的干扰加剧,进而更加显著地影响区域生态环境质量。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2001—2020郑州市RSEI驱动因子交互探测结果

X1为年平均降水; X2为年平均气温; X3为高程; X4为坡度; X5为土地利用类型; X6为人口密度; X7为GDP; X8为夜间灯光数据

Fig.6 Interaction detection results of RSEI influencing factors in Zhengzhou City from 2001 to 2020

4 讨论与结论

4.1 讨论

本研究通过主成分分析法集成绿度、湿度、热度和干度指标构建RSEI模型,定量客观的对郑州市2001—2020年近20 a间综合生态环境质量进行监测,并对监测结果进行趋势分析与驱动力检验,深入探究其时空变化特征及规律。

研究结果表明,利用第一主成分构建RSEI模型能够有效表征区域整体生态环境质量。2001—2020年郑州市RSEI均值整体处于中等水平,呈现先下降再上升再下降趋势,2010年最低值,2015年最高值,这与卢楠楠^[32]和Guo等^[33]对郑州市生态环境的研究结果基本一致。从RSEI时空分布和演变来看,与2001年郑州市生态环境质量西南部较差,东部较好情况相比,2006—2020年,郑州市西南部山地丘陵地区环境质量得到明显改善,生态环境质量等级由较差转变为以中等和良为主; 而主城区与东部平原地区生态环境逐渐恶化,且较差等级区域不断向东扩张,恶化区域分散分布在城镇周边。造成这种明显地理分异的原因主要是郑州市实施的“十年造林绿化规划”,植树造林,恢复森林植被,郑州市西部荒山丘陵沟壑区的荒山绿化取得了显著成效,生态环境质量逐渐增强。而主城区与东部平原地区随着社会经济发展城市与耕地不断扩张,人类活动不断增强对区域生态环境质量造成一系列干扰,生态环境质量逐渐恶化。从RSEI发展趋势来看,2001—2020年间郑州市整体生态环境质量变化以轻微上升趋势为主,占总面积56.34%,主要分布在西南部海拔较高地区,但该区域的Hurst指数值多低于0.5,表现为反持续性特征; 而呈下降趋势的区域主要分布在主城区周边及东、西部平原等地区,其Hurst指数值普遍高于0.5,多表现为持续性特征,由此来看,由于城镇不断扩张,未来郑州市整体生态环境质量可能会有所下降,尤其是人类活动频繁的东部平原地区。对影响区域生态环境质量的驱动因子进行探测,发现郑州市生态环境质量的变化受多种因子的共同作用,其中反映地表覆被变化情况和人类活动强弱的土地利用类型和人口密度因子解释力最强,对郑州市生态环境质量变化起主导作用; 同时反映区域城市化发展水平的夜间灯光指数影响力逐渐增强,高程和年均降水等自然因子影响力逐渐减弱,进一步说明城镇化建设和人类活动对郑州市生态环境的干扰加剧,发展的同时也应兼顾生态保护需要,实现经济与生态环境的协调发展。

生态环境是一个涉及多方面的复杂系统,气候、地形和生物等都会对质量产生一定影响。本研究驱动机制分析主要选取气象和地形因子代表自然要素,土地利用类型和典型社会经济因子代表人文要素,后续研究可进一步结合光照、生态保护工程、人口迁徙等指标提高因子覆盖度,从而更全面的检验生态环境影响因素。

4.2 结论

1)主成分分析结果表明,不同年份第一主成分贡献率均在75%以上,RSEI能够精准高效地表征区域生态环境质量。2001—2020年郑州市整体生态环境质量处于中等水平,生态环境指数呈先下降再上升再下降趋势,空间分布表现为东部平原低、西南山地丘陵高。除2010年受高温影响生态环境质量恶化面积大幅增加外,区域总体生态环境质量以不变和轻微改善为主。

2)2001—2020年郑州市生态环境质量变化趋势显著,上升趋势区域占比56.34%,下降趋势区域占比42.26%。结合Hurst指数,东部生态环境质量下降趋势区域未来变化以持续性特征为主,西南部生态环境质量上升趋势区域未来变化以反持续性特征为主。

3)驱动力分析表明,2001—2020年20 a间土地利用类型和人口密度是影响郑州市生态环境质量变化的主要驱动因子,其解释力强度明显高于其他因素。高程和年均降水等自然因素影响力逐渐减弱,而反映城市化水平的夜间灯光数据影响力逐渐增强,人类活动对区域生态环境的影响进一步加深。

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]

熊欢欢, 梁龙武, 曾赠,

等.

中国城市PM2.5时空分布的动态比较分析

[J]. 资源科学, 2017, 39(1):136-146.

DOI:10.18402/resci.2017.01.14 [本文引用: 1]

本文基于2014-2015年中国190个大中城市PM2.5的监测数据,建立空间数据统计模型,总结两年内PM2.5的浓度、空间集聚的年际变化和存在问题,为相关研究与决策提供参考。结果显示：①2015年较2014年全国平均PM2.5浓度下降10%,达标天数提升了4.4%,空气质量整体改善,但改善的天数主要集中在春夏秋季,冬季改善幅度甚微,其中12月污染加重。②2015年PM2.5整体污染范围缩小,污染核心区由京津冀向鲁西北和豫北地区扩散,京津冀、长三角、长江中游等城市群年均浓度降幅较大,长三角、珠三角和成渝城市群日均达标率增长较快。③2015年PM2.5的集聚性更明显,浓度高值区范围减小,热点地区更密集地分布在以京津冀地区为中心的华北地区,并呈多中心格局。由此,应该加快构建制度支持的多中心监督治理模式,以华北地区为先行先试区域,构建管理支持的多区域联动治理模式,培养环境伦理支持的公众环保意识,实现民防民治。

Xiong

H H

, Liang

L W

, Zeng

et al.

Dynamic analysis of PM2.5 spatial-temporal characteristics in China

[J]. Resources Science, 2017, 39(1):136-146.