环境科学  2024, Vol. 45 Issue (10): 5900-5911   PDF    
引用本文
张靓涵, 张未, 赵安周, 孙利辉. 融合PM2.5浓度遥感生态指数的峰峰矿区生态环境质量时空特征及驱动力分析[J]. 环境科学, 2024, 45(10): 5900-5911.
ZHANG Jing-han, ZHANG Wei, ZHAO An-zhou, SUN Li-hui. Spatial and Temporal Characteristics and Driving Force Analysis of Ecological Environmental Quality in Fengfeng Mining Area with Remote Sensing Ecological Index of PM2.5 Concentration[J]. Environmental Science, 2024, 45(10): 5900-5911.
融合PM2.5浓度遥感生态指数的峰峰矿区生态环境质量时空特征及驱动力分析
张靓涵1, 张未1, 赵安周1,2, 孙利辉1     
1. 河北工程大学矿业与测绘工程学院, 邯郸 056038;
2. 邯郸市自然资源空间信息重点实验室, 邯郸 056038
收稿日期: 2023-11-26; 修订日期: 2024-01-04
基金项目: 国家自然科学基金项目（42171212）；河北省自然科学基金项目（D2022402030, D2021402007）；内蒙古自治区科技厅“科技兴蒙”重点专项（2022EEDSKJXM009-1）；河北省研究生示范课程项目（KCJSX2024076）
作者简介: 张靓涵（1990~）, 女, 硕士研究生, 主要研究方向为矿区生态环境遥感监测, E-mail：315083765@qq.com
通信作者: 赵安周, E-mail：zhaoanzhou@hebeu.edu.cn
摘要: 峰峰矿区作为我国重要的煤炭主产区, 其煤炭开采和利用对生态环境造成了严重的影响, 深入了解该地区生态环境质量时空演变及其驱动因素对于推进煤炭型城市转型具有重要意义. 基于GEE平台的Landsat数据, 构建了2000~2020年峰峰矿区新型遥感生态指数（RSEInew）, 结合趋势分析和地理探测器等方法评估RSEInew的时空演变规律及驱动要素. 结果表明：①2000~2020年峰峰矿区的RSEInew呈现波动增加趋势（trend=0.002 2）, 其生态环境质量良和优等级占比呈现增加的趋势, 其值由2000年的24.80%上升到2020年的65.54%；②RSEInew等级变化表明2000~2020年峰峰矿区生态环境质量等级显著改善（3和4）的比例为10.21%, 主要分布在其西北部的和村镇和义井镇等地；显著退化（-3和-4）的比例仅为1.58%, 主要零星分布在东部的临水镇和大社镇；③2000~2020年期间RSEInew值呈显著增加（P < 0.05）的面积占比为18.29%, 主要集中分布在中北部地区以及西部边缘地带；显著减小（P < 0.05）的面积占比为9.25%, 主要集中在峰峰矿区东部地区. 变异系数结果表明, RSEInew高波动的地区主要集中在峰峰矿区的中部以及东部的彭城镇和临水镇；④从影响因素来看, 2000~2020年期间土地利用类型（X6）的q值均值为0.290, 远大于其他因子. 社会经济要素的q值呈现上升的趋势, 表明该地区生态环境质量的空间分布受人类活动的影响越来越强. 交互作用结果表明土地利用变化是峰峰矿区生态环境质量的关键影响要素.
关键词: GEE平台      新型遥感生态指数（RSEInew）      时空演变      驱动因素      峰峰矿区     
Spatial and Temporal Characteristics and Driving Force Analysis of Ecological Environmental Quality in Fengfeng Mining Area with Remote Sensing Ecological Index of PM2.5 Concentration
ZHANG Jing-han1 , ZHANG Wei1 , ZHAO An-zhou1,2 , SUN Li-hui1     
1. School of Mining and Geomatics Engineering, Hebei University of Engineering, Handan 056038, China;
2. Key Laboratory of Natural Resources and Spatial Information, Handan 056038, China
Abstract: The Fengfeng mining area is an important coal-producing area in China and crucial environmental problems have been caused by large-scale exploitation of coal mines. The spatio-temporal evolution and driving factors of the ecological environment quality in this area must be explored for promoting the transformation of coal-based cities. Based on Landsat data of the Google earth engine (GEE) platform, this study constructed a new remote sensing-based ecological index (RSEInew) for the Fengfeng mining area from 2000 to 2020. The spatial and temporal evolution of RSEInew and its driving factors were evaluated by using trend analysis and geographic detector methods. The results showed that: ① From 2000 to 2020, the RSEInew of the Fengfeng mining area presented a fluctuating increasing trend (trend = 0.002 2), and the proportion of good and excellent ecological environmental quality showed an increasing trend, rising from 24.80% in 2000 to 65.54% in 2020. ② The change in the RSEInew grade indicated that the proportion of significant improvement (3 and 4) of ecological environment quality grade in the Fengfeng Mining area from 2000 to 2020 was 10.21%, which was mainly distributed in Hexun town and Yijing town in the northwest of the Fengfeng mining area. The proportion of significant degradation (-3 and -4) was only 1.58%, mainly scattered in Linshui town and Dashe town. ③ RSEInew values increased significantly during 2000-2020 in the area accounting for 18.29%, mainly distributed in the central and northern areas and the western fringe of the Fengfeng mining area. The significantly reduced area accounted for 9.25%, mainly concentrated in the eastern area of the Fengfeng mining area. The coefficient of variation results showed that the areas with high fluctuation of RSEInew were mainly concentrated in Pengcheng town and Linshui town in the middle and eastern Fengfeng mining area. ④ From the perspective of influencing factors, the average q value of land use type (X6) during 2000-2020 was 0.290, which was much higher than other factors. The q value of social and economic factors showed an increasing trend, indicating that the spatial distribution of ecological environment quality in this region was increasingly strongly influenced by human activities. The interaction results showed that land use change was the key factor influencing ecological environment quality in the Fengfeng mining area.
Key words: GEE platform      new remote sensing based ecological index(RSEInew)      space-time evolution      driving factors      Fengfeng mining area     

资源型城市区域是指依赖资源开发和利用发展起来的一种特殊类型的地区, 在推动我国社会经济发展过程中起到了关键作用[1, 2]. 资源的开发和利用在带动地方经济发展的同时也带来了大气污染、水污染以及植被破坏等严重的生态环境问题, 严重阻碍城市的可持续发展[3~6]. 《推进资源型地区高质量发展“十四五”实施方案》中明确提出要推动资源能源绿色开发, 建设生态宜居环境. 因此对资源型区域生态环境质量进行快速以及准确的分析与评价, 对区域生态环境综合治理及其高质量发展具有重要的意义[7, 8].

目前, 诸多学者和机构通过野外调查和实地监测等手段对生态环境质量进行了研究[9~11]. 然而, 传统的调查方法受到时间和空间限制, 无法全面和准确地描述其生态环境演变. 近些年, 遥感技术由于可以提供及时、准确以及大范围的生态环境动态监测数据而被广泛应用在不同空间尺度的生态环境质量监测研究中[12, 13]. 这其中最典型的是生态环境部于2006年出台的《生态环境状况评价技术规范》中提出的基于遥感数据的生态环境状况指数（ecological index, EI）[14], 此后生态环境部在2015年又对该规范进行了修订[15]. 总体来看, EI可以反映区域生态环境的整体质量, 因此被广泛应用在省、市以及县等不同空间尺度的生态环境质量评价中[16~18]. 然而在应用的过程中有学者发现该指数只能简单地表征地区生态环境的状况, 无法刻画研究区内不同等级生态环境状况的空间分布及其变化情况[19]. 因此, 在考虑指标的可获取性以及生态环境状况空间分布可视化等问题的基础上, 徐涵秋[19]于2013年提出了遥感生态指数（remote sensing based ecological index, RSEI）, 该指数基于绿度、湿度、干度和热度来表征区域的生态环境质量, 可以较好地表征生态环境质量的空间分布[19~21]. 该指数目前已广泛应用在城市[22]、流域[23~25]以及矿区[26]的生态环境质量监测中. 考虑到不同研究区的生态环境状况存在差异, 也有诸多学者通过引入气溶胶光学厚度（aerosol optical depth, AOD）[27, 28]、差值指数（difference index, DI）[29]和盐度指标[30]等对RSEI进行改进, 使改进的RSEI更加适用于不同区域的生态环境质量监测. 作为典型的煤炭工矿区, 峰峰矿区长期以来一直承担着大量的煤炭开采和加工任务, 使得其近些年大气污染严重, 生态环境问题日益突出[31, 32], 虽然已有研究采用RSEI对其生态环境质量进行了评价, 但是其评价时间序列较短, 且未考虑大气颗粒物对生态环境质量的影响[31, 33].

鉴于此, 本文将可以反映颗粒物PM2.5（fine particulate matter）浓度的DI纳入到RSEI的构建中, 基于谷歌地球引擎（Google earth engine, GEE）平台强大的数据运算和处理能力构建2000~2020年峰峰矿区新型遥感生态指数（new remote sensing based ecological index, RSEInew）, 分析其时空演变, 在此基础上进一步分析气候因素、地表因素以及人类活动因素对生态环境质量影响, 以期为峰峰矿区高质量发展提供数据支撑.

1 材料与方法 1.1 研究区概况

峰峰矿区地处太行山东麓的河北省邯郸市（114°03'~114°16'E, 36°20'~36°34'N）, 包括9个乡镇, 面积约353 km2（图 1）. 该地区地形以平原和丘陵为主, 地势由西北向东南倾斜, 海拔在101~837 m之间, 气候类型属于温带季风气候, 四季分明, 雨热同期, 多年平均气温约13℃, 年降水量约560 mm, 其中85%以上的降水集中在5~10月[31, 34]. 土地利用类型以耕地和不透水面为主, 约占区域总面积的80%以上（图 1）. 境内已探明煤、石灰石以及瓷土等矿产资源丰富[33]. 作为典型的煤炭型资源工矿区, 近些年由于煤炭等资源开采造成的生态环境破坏问题日益突出, 研究其生态环境质量时空格局及其驱动要素, 可为同类型地区转型发展提供较好的参考.

图 1 研究区位置示意 Fig. 1 Location of the study area

1.2 数据来源 1.2.1 Landsat数据

2000~2020年的Landsat 5 TM、Landsat 7 ETM+和Landsat 8 OLI/TIRS遥感影像T1级别的地表反射率数据产品（surface reflectance, SR）来源于GEE平台数据库, 其时间分辨率为16 d, 空间分辨率为30 m×30 m. 这些数据已经过几何校正、辐射定标和大气校正, 具有良好的质量[35]. 采用CFMASK（the c function of mask）算法对波段QA（quality assessment）质量波段做按位操作实现对像素值的筛选, 掩膜掉云、云阴影和雪等像素, 并进一步对影像进行裁剪和去除水体等预处理[36].

1.2.2 驱动因子数据

2000~2020年平均气温、年降水量以及夜间灯光数据均来自于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）, 其空间分辨率均为1 km×1 km；DEM（digital elevation model）数据来源于GEE平台数据库中的SRTM数据, 坡度以及坡向数据基于DEM数据由GEE平台计算得出, 其空间分辨率均为30 m×30 m；GDP、人口密度以及土地利用类型数据均来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）, 其中GDP和人口密度的空间分辨率为1 km×1 km, 土地利用的空间分辨率为30 m×30 m. 在利用地理探测器分析时采用双线性插值方法将所有数据重采样到100 m×100 m.

1.3 研究方法 1.3.1 RSEInew模型构建

借鉴徐涵秋[19]提出的RSEI模型, 在归一化差值植被指数（normalized difference vegetation index, NDVI）、湿度（Wet）、地表温度（land surface temperature, LST）和干度指数（normalized difference built-up and soil index, NDBSI）这4个指标的基础上加入表征PM2.5浓度的DI[29, 37], 从而构建RSEInew模型来对峰峰矿区生态环境质量变化进行评估, 各指标计算公式见表 1.

表 1 RSEInew的计算公式 Table 1 Calculation equations of RSEInew

为进一步避免水体区域的影响, 基于GEE平台调用全球地表水数据集中的年度水体分类历史数据层（JRC yearly water classification history, v1.4）来去除峰峰矿区内的水体[38]. 为消除不同指标之间的量纲和单位差异, 对NDVI、Wet、LST、NDBSI和DI这5个指标进行归一化处理：

(1)

式中, NIi为经过归一化后的某个指标值, Ii为各指标在第i像元的值；Imin和Imax分别为各指标最小和最大值.

在GEE平台上利用主成分分析法（principal component analysis, PCA）计算RSEInew0, 并进一步对其归一化处理, 具体公式如下：

(2)
(3)

式中, RSEInew0为未经归一化处理的改进型RSEI, RSEInew0_max和RSEInew0_min分别为RSEInew0的最大值和最小值. RSEInew为最终构建的改进型RSEI, 其值介于0~1之间, 越接近1表明生态环境质量越好. 参照文献[19]将RSEInew结果分为5个等级：差[0~0.2）、较差[0.2~0.4）、中[0.4~0.6）、良[0.6~0.8）和优[0.8~1.0].

1.3.2 趋势分析

采用Theil-Sen趋势分析对2000~2020年峰峰矿区RSEInew的变化趋势进行分析[39]. 该方法是一种稳健的非参数统计趋势计算方法, 计算效率高且对于测量误差和离群数据不敏感, 适用于长时间序列数据的趋势分析, 其计算公式为：

(4)

式中, β为RSEInew变化的趋势值, median为中位数函数值, xi和xj分别为第i年和第j年的RSEInew值. 为验证变化趋势的显著性, 本文进一步采用M-K（Mann-Kendall）对其显著性进行检验, 变化趋势类型如表 2所示[40, 41].

表 2 变化趋势及稳定性类型 Table 2 Types of change trend and stability

1.3.3 变异系数

变异系数（coefficient of variation, CV）主要用来反映数据的离散程度, 值越大, 表明数据分布越离散, 数据的波动较大；反之, 则说明数据分布集中, 数据波动较小, 时序稳定[42]. 计算公式如下：

(5)

式中, n为年数, xi为第i年的RSEInew, CV为变异系数, CV越大变异程度越高, 稳定性越低, 具体分级见表 2[43].

1.3.4 地理探测器

地理探测器是王劲峰等[44]提出的基于地理空间数据的多元统计分析方法, 用于探测自变量对因变量的影响程度, 通过分析不同地理空间单元之间的差异, 确定自变量对因变量的影响程度大小以及空间分布特征. 本文选取气候因素（年降水量、年平均温）、地表因素（海拔、坡向、坡度）和人类活动因素（土地利用类型、人口密度、GDP、夜间灯光指数）这9个因子, 采用因子探测和交互探测的方法分析各因子对RSEInew的影响力和交互作用.

因子探测的公式为：

(6)

式中, L为变量Y或因子X的分层, Nh和N分别为不同区和全区的样本数量；δh2和δ2分别为层h和全区Y值的方差.

交互探测主要用来分析不同因子之间的交互作用, 因子之间交互作用结果分类如表 3所示[44].

表 3 交互探测结果 Table 3 Results of factor interactions

2 结果与分析 2.1 生态环境质量总体评价

表 4显示了峰峰矿区各主成分分量、特征值和贡献率. 从中可以看出, 2000~2020年期间第一主成分（PC1）的贡献率在75.57%~87.27%之间, PC1最大限度集中了5个分指标的特征信息, 表明RSEInew能够有效表征峰峰矿区的生态环境质量. 从5个不同指标的特征向量来看, NDVI和Wet的特征向量值为正, 表明这两个指标对生态环境质量的影响为正效应, 而LST、NDBSI与DI的特征向量值为负, 表明这3个指标对生态环境质量的影响为负效应, 与客观实际相符. 因此, 本文以PC1构建峰峰矿区RSEInew.

表 4 2000、2005、2010、2015和2020年RSEInew各指标主成分分析结果 Table 4 Results of principal component analysis in 2000, 2005, 2010, 2015, and 2020

从RSEInew的时间变化来看, 2000~2020年峰峰矿区的RSEInew呈现波动增加趋势（trend=0.002 2）, 其多年均值为0.562 2, 最高值出现在2007年（RSEInew=0.665 7）, 最低值出现在2009年（RSEInew=0.424 1）. 值得注意的是, 2017~2020年RSEInew的值呈持续上升的趋势, 其值由2017年的0.508 7上升到2020年的0.634 1[图 2（a）]. 从不同等级RSEInew的变化来看, 峰峰矿区生态环境质量差和较差等级占比呈现下降的趋势, 其值由2000年的39.73%下降到2020年的20.06%, 主要分布在各乡镇不透水表面分布的区域, 这些区域主要为工厂与城镇, 受人类活动干扰大[图 2（b）和图 3]. 良和优等级占比呈现增加的趋势, 其值由2000年的24.80%上升到2020年的65.54%, 主要分布在峰峰矿区的中西部地区, 这些区域主要为林地和耕地, 生态环境质量较好[图 2（b）和图 3]. 以上分析结果表明近20年来峰峰矿区生态环境质量呈现改善的趋势.

图 2 2000~2020年峰峰矿区整体RSEInew以及不同等级RSEInew变化趋势 Fig. 2 Overall RSEInew and RSEInew trends for different grades in Fengfeng mining area from 2000 to 2020

图 3 2000、2005、2010、2015和2020年峰峰矿区RSEInew空间分布 Fig. 3 Spatial distribution of RSEInew in Fengfeng mining area in 2000, 2005, 2010, 2015, and 2020

2.2 生态环境质量时空演变趋势

表 5和图 4显示了峰峰矿区生态环境质量等级的变化趋势以及空间分布, 进一步将变化结果分为显著改善（3和4, RSEInew等级提高了3级或4级）、轻微改善（1和2, RSEInew等级提高了1级或2级）、无变化（0, RSEInew等级无变化）、轻微退化（-1和-2, RSEInew等级降低了1级或2级）和显著退化（-3和-4, RSEInew等级降低了3级或4级）. 2000~2020年生态环境质量改善和退化的比例分别为63.60%和16.40%, 其中显著改善的比例为10.21%, 主要分布在其西北部的和村镇和义井镇等地[表 5和图 4（a）]；显著退化的比例仅为1.58%, 主要零星分布在东部的临水镇和大社镇[表 5和图 4（a）]. 分时间段来看, 2000~2005年生态环境质量改善的比例为47.27%, 主要分布在西北部的义井镇和和村镇等地, 生态环境质量退化的比例为22.76%, 主要分布在中东部的峰峰镇和临水镇等地区, 显著改善和显著退化的比例仅为2.96%和1.31%[表 5和图 4（b）]；2005~2010年生态环境质量改善的比例为32.01%, 主要分布在东北部的大社镇以及南部的大峪镇等地, 生态环境质量退化的比例为23.59%, 主要分布在东北部的义井镇和和村镇等地, 显著改善和显著退化的比例仅为1.23%和0.88%[表 5和图 4（c）]；2010~2015年生态环境质量改善的比例为32.80%, 主要分布在东部的新坡镇以及西北部的义井镇和和村镇等地, 生态环境质量退化的比例为19.27%, 主要分布在北部的大社镇和中东部的临水镇等地, 显著改善和显著退化的比例仅为1.04%和0.59%[表 5和图 4（d）]；2015~2020年生态环境质量改善的比例为33.81%, 生态环境质量退化的比例为15.45%, 主要分布在西北部的义井镇、和村镇和中东部的临水镇等地, 显著改善和显著退化的比例仅为0.56%和1.04%[表 5和图 4（e）]. 总体来看, 4个时间段生态环境质量呈改善和退化的比例平均值分别为36.47%和20.27%, 改善的面积比例大于退化, 进一步表明2000~2020年峰峰矿区生态环境质量处于逐渐改善过程中.

表 5 2000~2020峰峰矿区RSEInew等级变化 Table 5 Statistics of the changes in RSEInew grades of Fengfeng mining area from 2000 to 2020

图 4 2000~2020年峰峰矿区RSEInew等级时空变化空间分布 Fig. 4 Spatial distribution of RSEInew grades in Fengfeng mining area from 2000 to 2020

从RSEInew值的变化趋势来看, 2000~2020年期间RSEInew呈增加面积占比为61.71%, 其中显著增加（P < 0.05）的面积占比为18.29%（表 6）, 主要集中分布在中北部地区以及西部边缘地带[图 5（a）], 这些地区主要植被类型为林地和草地（图 1）；显著减小（P < 0.05）的面积占比为9.25%（表 6）, 主要集中在峰峰矿区东部地区[图 5（a）], 这些地区主要为不透水面（图 1）. 从RSEInew值的变异系数变化来看, 2000~2020年峰峰矿区低波动变化、较低波动变化、中波动变化、较高波动变化和高波动变化的面积比例分别为0.82%、23.28%、42.83%、17.42%和15.65%（表 6）, 高波动的地区主要集中在中部以及东部不透水面较为聚集的彭城镇以及临水镇[图 5（b）], 表明这些地区受到人类活动影响较大, RSEInew变化的稳定性较低, 波动性较大.

表 6 2000~2020峰峰矿区RSEInew值变化趋势及稳定性统计 Table 6 RSEInew values trend and stability statistics in Fengfeng mining area from 2000 to 2020

图 5 2000~2020年峰峰矿区RSEInew变化趋势及CV Fig. 5 Change trend and CV of RSEInew in Fengfeng mining area from 2000 to 2020

2.3 生态环境质量驱动因子分析 2.3.1 主要因子探测分析

考虑到影响RSEInew的因素主要包括气象要素、地表因素以及人类活动因素的影响, 本文选取相应的要素因子分析其对RSEInew空间分布的影响（表 7）. 单因子探测器结果表明本文所选取因子的P值均为0, 表明这些因子均会对峰峰矿区生态环境质量的空间分布产生显著影响（表 8）. 2000~2020年期间土地利用类型（X6）的q值均值为0.290 3, 但远大于其他因子, 因此该因子对生态环境质量空间分异性影响最大, 其次为年降水量（X1）, 其q值均值为0.074 1, 坡向（X4）和坡度（X5）因子的q值均值仅为0.017 7和0.024 6, 远低于其他因子, 因此对生态环境质量空间分异性影响最小（表 8）. 从时间变化来看, 2000~2020年期间土地利用类型（X6）、人口密度（X7）、GDP（X8）和夜间灯光（X9）等社会经济要素的q值呈现上升的趋势, 而年降水量（X1）和气温（X2）等气象要素以及海拔（X3）、坡向（X4）和坡度（X5）等地表因素的q值呈现下降的趋势, 进一步表明峰峰矿区生态环境质量的空间分布受人类活动的影响越来越强（图 6）.

表 7 影响因子划分 Table 7 Impact factor breakdown table

表 8 因子探测结果 Table 8 Results of single detection

图 6 2000、2005、2010、2015、2020年以及均值的气候因子、地表因子和人类活动因子q值 Fig. 6 Climate factor, surface factor, and human activity factor q values for 2000, 2005, 2010, 2015, 2020, and multi-year averages

2.3.2 交互作用分析

影响因子的交互作用结果显示双因子之间的交互作用增强了对RSEInew的解释力, 除去坡向（X4）、坡度（X5）与其他部分因子之间的交互作用为非线性增强之外, 其他因子间的交互作用均为双因子增强（图 7）. 从多年均值来看, 交互作用平均解释力最大的为年降水量（X1）∩土地利用类型（X6）, 其q的均值为0.353 6, 即对峰峰矿区生态环境质量空间分布的解释水平为35.36%, 其次为海拔（X3）∩土地利用类型（X6）, 其q值为0.337 8, 解释力最小的为坡度（X5）∩海拔（X3）. 土地利用类型作为单因子探测中主导因子之一, 其对其他因素交互探测结果的平均解释力达到了0.323 3. 这表明峰峰矿区的土地利用类型对RSEInew的解释起主导作用, 对区域内生态环境质量产生显著影响. 此外, 尽管坡度和坡向因素在单因素探测中的解释力较小, 但在与其他因素相互作用后, 对RSEInew的解释力显著提升（图 7）, 这表明坡度和坡向因素与其他因素的共同作用也对峰峰矿区的生态环境质量产生了一定影响.

图 7 2000、2005、2010、2015、2020年以及均值交互探测器结果 Fig. 7 Interactive detector results in 2000, 2005, 2010, 2015, 2020, and multi?year averages

3 讨论

PM2.5与生态环境质量和人类的健康密切相关[45, 46]. 本文在RSEI的基础上引入表征PM2.5浓度的DI指标, 借助GEE平台构建了2000~2020年峰峰矿区RSEInew, 并对其时空演变和驱动因素进行了分析. 相比于传统的遥感数据处理方法, GEE平台可以在线处理大尺度和长时间序列的遥感数据, 大大提高遥感数据处理的效率[22, 47]. RSEI在计算的过程中避免了技术以及数据限制导致的权重设置不均, 可以更好地对区域不同等级生态环境质量的空间分布和变化进行定量和客观的评价[19]. 然而, 煤炭的开采、运输以及利用会产生严重的大气污染, 对生态环境质量的影响不可忽视[48]. 张静等[22]在RSEI的基础上, 引入AOD对西安市的生态环境质量进行了评价；万虹麟等[29]将反映PM2.5浓度的DI纳入到RSEI的构建过程中, 对2000~2019年沧州市生态环境质量状况进行了分析, 认为新构建的RESI更能综合代表沧州市的生态质量情况. 在煤炭开发利用为主的城市, 虽然也有学者利用RSEI评估了其生态环境的变化及其影响因素[6, 49, 50], 但是在PM2.5污染严重的峰峰矿区尚未见报道. 本文的研究发现RSEInew的第一主成分贡献度在75%以上, 表明其PC1能较好地集中各指标信息（表 4）. 从时间变化来看, RSEInew的值以及良和优等级占比呈现增加的趋势[图 2（b）], 表明峰峰矿区近些年生态环境质量呈现改善的趋势, 这与滕永佳等[31]的研究结果类似. 从空间分布来看, 生态环境质量明显改善的地区主要位于中西部地区, 退化的地区主要发生在东部地区（图 5）, 这些地区主要是由于近些年城市向东发展, 使得大量的耕地转换为城市不透水面, 导致其生态环境退化, 郑子豪等[51]在研究长江三角洲生态环境质量变化的时候也得出了类似的结论. 从驱动力分析来看, 社会经济要素的q值呈现上升的趋势, 交互作用平均解释力最大的为年降水量（X1）∩土地利用类型（X6）, 其次为海拔（X3）∩土地利用类型（X6）, 表明峰峰矿区生态环境质量的空间分布受人类活动的影响越来越强（图 6和图 7）. 峰峰矿区在今后的城市规划中要注重城市建筑用地与农业以及其他生态用地之间的平衡, 科学地进行城市规划, 在城市发展的同时注重生态环境的保护, 进而实现城市与生态协同发展.

虽然本文基于GEE平台对峰峰矿区的生态环境质量进行了长时序逐年研究, 但仍旧存在诸多局限性, 如GEE上有数量丰富的遥感数据源, 本文只是基于Landsat数据展开分析, 未来还可以选用不同数据源和分辨率的数据进行综合分析, 以便获取更为精确的峰峰矿区生态环境质量时空变化格局的分析结果.

4 结论

（1）2000~2020年峰峰矿区的RSEInew呈现波动增加趋势（trend=0.002 2）, 其多年均值为0.562 2. 从不同等级RSEInew的变化来看, 峰峰矿区生态环境质量差和较差等级占比呈现下降的趋势, 良和优等级占比呈现增加的趋势.

（2）从RSEInew等级变化来看, 2000~2020年生态环境质量改善和退化的比例分别为63.60%和16.40%, 其中显著改善的比例为10.21%, 主要分布在其西北部的和村镇和义井镇等地. 4个时间段生态环境质量改善和退化的比例平均值为36.47%和20.27%.

（3）从RSEInew值的变化趋势来看, 2000~2020年期间RSEInew呈显著增加（P < 0.05）的面积占比为18.29%, 主要集中分布在中北部地区以及西部边缘地带. CV结果表明2000~2020年峰峰矿区低波动变化、较低波动变化、中波动变化、较高波动变化和高波动变化的面积比例分别为0.82%、23.28%、42.83%、17.42%和15.65%, 高波动的地区主要集中在中东部不透水表面较为聚集的彭城镇和临水镇.

（4）2000~2020年期间土地利用类型（X6）的q值均值为0.290, 远大于其他因子, 表明该因子对生态环境质量空间分异性影响最大. 从时间变化来看, 2000~2020年期间社会经济要素的q值呈现上升的趋势, 表明峰峰矿区生态环境质量的空间分布受人类活动的影响越来越强. 交互作用平均解释力最大的为年降水量（X1）∩土地利用类型（X6）, 进一步表明说明土地利用等人类活动是影响峰峰矿区生态环境质量的关键要素.

参考文献
[1] 陈美景, 王庆日, 白中科, 等. 黄河流域资源型城市土地利用转型及其对生态系统服务价值的影响[J]. 生态学报, 2023, 43(22): 9459-9470.
Chen M J, Wang Q R, Bai Z K, et al. Land use transition of resource-based cities in the Yellow River Basin and its impact on ecosystem services[J]. Acta Ecologica Sinica, 2023, 43(22): 9459-9470.
[2] 于翠英, 朝克图. 资源型城市生态承载力基本问题探究[J]. 生态经济, 2013(6): 160-163.
Yu C Y, Chao K T. On the basic problems of the ecological carrying capacity of the resource-based cities[J]. Ecological Economy, 2013(6): 160-163. DOI:10.3969/j.issn.1671-4407.2013.06.034
[3] 刘英, 许萍萍, 毕银丽, 等. 新疆戈壁煤矿露天开采对生态环境扰动定量分析[J]. 煤炭学报, 2023, 48(2): 959-974.
Liu Y, Xu P P, Bi Y L, et al. Quantitative analysis of coal mining disturbance on environment in Xinjiang Gobi Open-pit mining area[J]. Journal of China Coal Society, 2023, 48(2): 959-974.
[4] 汪东川, 陈星, 孙志超, 等. 格尔木长时间序列遥感生态指数变化监测[J]. 生态学报, 2022, 42(14): 5922-5933.
Wang D C, Chen X, Sun Z C, et al. Monitoring of changes in the ecological index of long-time sequence Remote Sensing in Golmud, Qinghai province[J]. Acta Ecologica Sinica, 2022, 42(14): 5922-5933.
[5] Lv X J, Xiao W, Zhao Y L, et al. Drivers of spatio-temporal ecological vulnerability in an arid, coal mining region in western China[J]. Ecological Indicators, 2019, 106. DOI:10.1016/j.ecolind.2019.105475
[6] Jiang H, Fan G W, Zhang D S, et al. Evaluation of eco-environmental quality for the coal-mining region using multi-source data[J]. Scientific Reports, 2022, 12(1). DOI:10.1038/s41598-022-09795-5
[7] Yang Z, Li W P, Li X Q, et al. Assessment of eco-geo-environment quality using multivariate data: a case study in a coal mining area of western China[J]. Ecological Indicators, 2019, 107. DOI:10.1016/j.ecolind.2019.105651
[8] 康帅直, 穆琪, 赵永华, 等. 黄土高原神府资源开采区生态环境质量时空格局特征[J]. 生态学报, 2023, 43(7): 2781-2792.
Kang S Z, Mu Q, Zhao Y H, et al. Temporal and spatial pattern characteristics of ecological environmental quality in Shenfu mining area of Loess Plateau[J]. Acta Ecologica Sinica, 2023, 43(7): 2781-2792.
[9] 冯菁, 郭庆丰, 胡伟, 等. 苏州大气颗粒物PM2.5和PM10质量浓度异常"倒挂"现象的成因及影响分析[J]. 中国环境监测, 2023, 39(3): 138-145.
Feng J, Guo Q F, Hu W, et al. Causes of the abnormal reversal between PM2.5 and PM10 mass concentrations and its impact on the PM2.5 in Suzhou[J]. Environmental Monitoring in China, 2023, 39(3): 138-145.
[10] Hou Y K, Zhang A B, Lv R L, et al. A study on water quality parameters estimation for urban rivers based on ground hyperspectral remote sensing technology[J]. Environmental Science and Pollution Research, 2022, 29(42): 63640-63654. DOI:10.1007/s11356-022-20293-z
[11] 赵玉玲, 杨楠楠, 张海霞, 等. 基于高光谱的邯郸市土壤重金属统计估算模型研究[J]. 生态环境学报, 2020, 29(4): 819-826.
Zhao Y L, Yang N N, Zhang H X, et al. Study on the statistical estimation model of soil heavy metals in Handan city based on hyper-spectral[J]. Ecology and Environmental Sciences, 2020, 29(4): 819-826.
[12] Hou Y K, Zhang A B, Lv R L, et al. Machine learning algorithm inversion experiment and pollution analysis of water quality parameters in urban small and medium-sized rivers based on UAV multispectral data[J]. Environmental Science and Pollution Research, 2023, 30(32): 78913-78932. DOI:10.1007/s11356-023-27963-6
[13] 李艳翠, 袁金国, 刘博涵, 等. 滹沱河流域生态环境动态遥感评价[J]. 环境科学, 2024, 45(5): 2757-2766.
Li Y C, Yuan J G, Liu B H, et al. Ecological environment dynamical evaluation of Hutuo river basin using remote sensing[J]. Environmental Science, 2024, 45(5): 2757-2766.
[14] HJ/T 192-2006, 生态环境状况评价技术规范(试行)[S].
[15] HJ 192-2015, 生态环境状况评价技术规范[S].
[16] Shan W, Jin X B, Ren J, et al. Ecological environment quality assessment based on remote sensing data for land consolidation[J]. Journal of Cleaner Production, 2019, 239. DOI:10.1016/j.jclepro.2019.118126
[17] Boori M S, Choudhary K, Paringer R, et al. Eco-environmental quality assessment based on pressure-state-response framework by remote sensing and GIS[J]. Remote Sensing Applications: Society and Environment, 2021, 23. DOI:10.1016/j.rsase.2021.100530
[18] Wang J, Liu D W, Ma J L, et al. Development of a large-scale remote sensing ecological index in arid areas and its application in the Aral Sea Basin[J]. Journal of Arid Land, 2021, 13(1): 40-55. DOI:10.1007/s40333-021-0052-y
[19] 徐涵秋. 区域生态环境变化的遥感评价指数[J]. 中国环境科学, 2013, 33(5): 889-897.
Xu H Q. A remote sensing index for assessment of regional ecological changes[J]. China Environmental Science, 2013, 33(5): 889-897. DOI:10.3969/j.issn.1000-6923.2013.05.019
[20] Sun C, Li J L, Liu Y C, et al. Ecological quality assessment and monitoring using a time-series remote sensing-based ecological index (ts-RSEI)[J]. GIScience & Remote Sensing, 2022, 59(1): 1793-1816.
[21] Wang J J, Ding J L, Ge X Y, et al. Assessment of ecological quality in northwest China (2000-2020) using the Google Earth Engine platform: climate factors and land use/land cover contribute to ecological quality[J]. Journal of Arid Land, 2022, 14(11): 1196-1211. DOI:10.1007/s40333-022-0085-x
[22] 张静, 杨丽萍, 贡恩军, 等. 基于谷歌地球引擎和改进型遥感生态指数的西安市生态环境质量动态监测[J]. 生态学报, 2023, 43(5): 2114-2127.
Zhang J, Yang L P, Gong E J, et al. Dynamic monitoring of eco-environmental quality in Xi'an based on GEE and adjusted RSEI[J]. Acta Ecologica Sinica, 2023, 43(5): 2114-2127.
[23] 王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527.
Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the Yellow River Basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527.
[24] 田智慧, 尹传鑫, 王晓蕾. 鄱阳湖流域生态环境动态评估及驱动因子分析[J]. 环境科学, 2023, 44(2): 816-827.
Tian Z H, Yin C X, Wang X L. Dynamic monitoring and driving factors analysis of ecological environment quality in Poyang Lake Basin[J]. Environmental Science, 2023, 44(2): 816-827.
[25] Xiong Y, Xu W H, 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. DOI:10.1016/j.ecolind.2021.107518
[26] 范德芹, 邱玥, 孙文彬, 等. 基于遥感生态指数的神府矿区生态环境评价[J]. 测绘通报, 2021(7): 23-28.
Fan D Q, Qiu Y, Sun W B, et al. Evaluating ecological environment based on remote sensing ecological index in Shenfu mining area[J]. Bulletin of Surveying and Mapping, 2021(7): 23-28.
[27] 刘英, 党超亚, 岳辉, 等. 改进型遥感生态指数与RSEI的对比分析[J]. 遥感学报, 2022, 26(4): 683-697.
Liu Y, Dang C Y, Yue H, et al. Comparison between modified remote sensing ecological index and RSEI[J]. National Remote Sensing Bulletin, 2022, 26(4): 683-697.
[28] 刘笑, 郭鹏, 祁佳峰, 等. 基于MRSEI模型的阿勒泰市生态环境时空变化及驱动力分析[J]. 干旱区研究, 2023, 40(6): 1014-1026.
Liu X, Guo P, Qi J F, et al. Spatio-temporal changes and driving forces in the ecological environment of Altay City determined using an MRSEI model[J]. Arid Zone Research, 2023, 40(6): 1014-1026.
[29] 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.
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.
[30] 张浩斌, 王婉, 宋妤婧, 等. 基于改进遥感生态指数的干旱内流区生态质量评价——以阴山北麓塔布河流域为例[J]. 生态学报, 2024, 44(2): 523-543.
Zhang H B, Wang W, Song Y J, et al. Ecological index evaluation of arid inflow area based on the modified remote sensing ecological index: a case study of Tabu River Basin at the northern foot of the Yin Mountains[J]. Acta Ecologica Sinica, 2024, 44(2): 523-543.
[31] 滕永佳, 阎跃观, 郭伟, 等. 基于遥感生态指数的矿业城市生态环境时空变异分析[J]. 金属矿山, 2023(9): 213-222.
Teng Y J, Yan Y G, Guo W, et al. Analysis of spatiao-temporal variation of ecological environment in mining city based on remote sensing ecology index[J]. Metal Mine, 2023(9): 213-222.
[32] 高明, 李向全, 王振兴, 等. 峰峰矿区主要矿山环境地质问题及防治对策[J]. 中国矿业, 2020, 29(S2): 94-97.
Gao M, Li X Q, Wang Z X, et al. Research on the main environmental geology problems and prevention countermeasures in Fengfeng mining area[J]. China Mining Magazine, 2020, 29(S2): 94-97. DOI:10.12075/j.issn.1004-4051.2020.S2.024
[33] 李婧, 郝育红, 孙京敏, 等. 基于遥感生态指数的城市矿山生态环境时空变化评价[J]. 城市发展研究, 2021, 28(1): 17-22.
Li J, Hao Y H, Sun J M, et al. Evaluation of ecological environment' spatio-temporal variation in urban mine based on Rsei[J]. Urban Development Studies, 2021, 28(1): 17-22.
[34] 马志敬. 黑龙洞泉域岩溶水循环演变规律研究[D]. 邯郸: 河北工程大学, 2021.
Ma Z J. Study on karst water cycle evolution law in Heilongdong spring area[D]. Handan: Hebei University of Engineering, 2021.
[35] 张华, 安慧敏. 基于GEE的1987—2019年民勤绿洲NDVI变化特征及趋势分析[J]. 中国沙漠, 2021, 41(1): 28-36.
Zhang H, An H M. Analysis of NDVI variation characteristics and trend of Minqin Oasis from 1987 to 2019 based on GEE[J]. Journal of Desert Research, 2021, 41(1): 28-36.
[36] 王晓蕾, 石守海. 基于GEE的黄河流域植被时空变化及其地形效应研究[J]. 地球信息科学学报, 2022, 24(6): 1087-1098.
Wang X L, Shi S H. Spatio-temporal changes of vegetation in the Yellow River Basin and related effect of landform based on GEE[J]. Journal of Geo-Information Science, 2022, 24(6): 1087-1098.
[37] 冯海英, 冯仲科, 冯海霞. 一种基于差值指数的颗粒物PM2.5浓度反演新方法[J]. 光谱学与光谱分析, 2018, 38(10): 3012-3016.
Feng H Y, Feng Z K, Feng H X. One new method of PM2.5 concentration inversion based on difference Index[J]. Spectroscopy and Spectral Analysis, 2018, 38(10): 3012-3016.
[38] Long Y, Jiang F G, Deng M L, et al. Spatial-temporal changes and driving factors of eco-environmental quality in the Three-North region of China[J]. Journal of Arid Land, 2023, 15(3): 231-252. DOI:10.1007/s40333-023-0053-0
[39] Sen P K. Estimates of the regression coefficient based on Kendall's tau[J]. Journal of the American Statistical Association, 1968, 63(324): 1379-1389. DOI:10.1080/01621459.1968.10480934
[40] Bai Y, Li S G, Liu M H, et al. Assessment of vegetation change on the Mongolian Plateau over three decades using different remote sensing products[J]. Journal of Environmental Management, 2022, 317. DOI:10.1016/j.jenvman.2022.115509
[41] 李冠稳, 高晓奇, 肖能文. 基于关键指标的黄河流域近20年生态系统质量的时空变化[J]. 环境科学研究, 2021, 34(12): 2945-2953.
Li G W, Gao X Q, Xiao N W. Spatial and temporal changes of ecosystem quality based on key indicators in Yellow River Basin from 2000 to 2018[J]. Research of Environmental Sciences, 2021, 34(12): 2945-2953.
[42] 宗慧琳, 张晓伦, 袁希平, 等. 利用GEE进行1990~2022年小江流域生态环境质量时空格局与演变趋势分析[J]. 环境科学, 2024, 45(7): 4122-4136.
Zong H L, Zhang X L, Yuan X P, et al. Xiaojiang River Basin ecological environmental quality spatiotemporal pattern and evolutionary trend analysis using GEE from 1990 to 2022[J]. Environmental Science, 2024, 45(7): 4122-4136.
[43] 马云飞, 陈长胜, 袁福香, 等. 东北虎豹国家公园生态环境质量动态评价及其气候响应[J]. 生态学报, 2023, 43(7): 2614-2626.
Ma Y F, Chen C S, Yuan F X, et al. Dynamic evaluation of ecological environment quality and climate response in northeastern China Tiger and Leopard National Park[J]. Acta Ecologica Sinica, 2023, 43(7): 2614-2626.
[44] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.
Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[45] 廖琴, 李勇, 陶燕. 2013~2020年甘肃省PM2.5健康负担的时空变化趋势及驱动力[J]. 环境科学, 2024, 45(7): 3893-3902.
Liao Q, Li Y, Tao Y. Spatiotemporal trends and driving forces of PM2.5 health burden in Gansu Province from 2013 to 2020[J]. Environmental Science, 2024, 45(7): 3893-3902.
[46] 赵安周, 相恺政, 刘宪锋, 等. 2000~2018年京津冀城市群PM2.5时空演变及其与城市扩张的关联[J]. 环境科学, 2012, 43(5): 2274-2283.
Zhao A Z, Xiang K Z, Liu X F, et al. Spatio-temporal evolution patterns of PM2.5 and relationship with urban expansion in Beijing-Tianjin-Hebei Urban agglomeration from 2000 to 2018[J]. Environmental Science, 2012, 43(5): 2274-2283.
[47] Wang L, Diao C Y, Xian G, et al. A summary of the special issue on remote sensing of land change science with Google earth engine[J]. Remote Sensing of Environment, 2020, 248. DOI:10.1016/j.rse.2020.112002
[48] 万伦来, 李康玮, 娜仁, 等. 淮北市煤炭开采对生态系统服务胁迫阈值研究[J]. 中国环境科学, 2019, 39(10): 4473-4480.
Wan L L, Li K W, Na R, et al. Stress threshold of ecosystem service affected by coal mining in Huaibei City[J]. China Environmental Science, 2019, 39(10): 4473-4480. DOI:10.3969/j.issn.1000-6923.2019.10.053
[49] 陈逸雨, 曹春香, 徐敏, 等. 典型煤炭矿区生态健康遥感诊断[J]. 测绘通报, 2023(1): 71-76, 94.
Chen Y Y, Cao C X, Xu M, et al. Remote sensing diagnosis of ecological health in typical coal mining areas[J]. Bulletin of Surveying and Mapping, 2023(1): 71-76, 94.
[50] 李晶, 李生财, 郭伟, 等. 基于改进遥感生态指数的山西省及煤炭矿区生态环境分析[J]. 金属矿山, 2023(1): 30-39.
Li J, Li S C, Guo W, et al. Ecological environment analysis of shanxi province and coal mining areas based on modified remote sensing ecological index[J]. Metal Mine, 2023(1): 30-39.
[51] 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.
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.