2025, Vol. 46
2. 贵州民族大学生态环境工程学院, 贵阳 550025
2. College of Eco-Environmental Engineering, Guizhou Minzu University, Guiyang 550025, China
生态环境是社会-经济-自然复合系统, 其质量状况是反映人类活动与自然环境相互作用的响应表征, 也是区域健康可持续发展的重要保障[1, 2]. 近30 a来随着城镇化以市场化改革和体制转轨为主要动力, 中国社会经济与城镇化高速发展, 然而此过程中也伴随着水土流失、耕地占用、植被破坏、生态用地锐减和热岛效应等一系列生态环境问题, 如何协调人的发展与自然保护之间的矛盾引起广泛关注, 如何及时监测多尺度生态系统的变化并发现存在的问题、探究形成机制和制定保护策略, 是当前亟待研究的科学问题[3, 4].
以往生态质量监测和评价方法, 主要从生物丰度指数、景观多样性指数、植被指数、土地利用、建筑指数和净初级生产力等方面选取单因素指标进行评估, 或者选取多因素指标采用层次分析法、主成分分析法等赋权计算[5 ~ 7], 例如原国家环境保护局提出的生态环境状况指数（ecological environment index, EI）以及压力-状态-响应（PSR）概念模型、灰色关联度模型的应用等[1]. 由于生态质量研究对象存在范围广和要素多等特点, 上述对生态质量监测和评估的方法, 难以从宏观层面全面揭示区域生态环境的系统性和复杂性, 并且受到试验条件限制或数据收集困难等客观因素的影响, 以及指标权重确定存在较大主观性和随意性[8]. 探究生态系统单一特征的变化, 难以综合衡量生态质量整体状况[9]. 长时间序列的地表动态监测研究逐渐成熟, 利用综合指数开展生态质量评价成为新的趋势[10].
徐涵秋[11]提出遥感生态指数（RSEI）, 通过主成分分析技术综合绿度、湿度、热度及干度因子等, 定量表征区域生态环境状况. 该指数有效规避数据获取困难, 各因子权重确定以其对主分量的贡献为准, 极大地提高了权重分配的客观性, 解决了可视化问题并具有较强的鲁棒性[12, 13]. 相比于其他方法, RSEI更适用于评估连续土地覆被的生态状况[14, 15]. 众多学者通过将RSEI模型改变生态因子组合、增加主成分个数、改变因子权重和离散化成果等加以改进, 在城市、乡村、森林、湿地、海岛、沙漠、黄土地、矿区、干旱区、县域和流域等不同地理环境和区域进行应用研究[15 ~ 18]. 徐涵秋发文指出改进型遥感生态指数（modified remote sensing ecological index, MRSEI）指数可能会降低第一主成分的占比, 无法增加原RSEI的信息量, 导致各主成分分量互相干扰, 造成MRSEI结果失真；采用核主成分（kPCA）集成各个模型分指标以及添加气溶胶光学厚度指标（AOD）也不能证明MRSEI和非线性遥感生态指数（nonlinear remote sensing ecological index, NRSEI）的有效性[15, 19 ~ 21]. 除此以外, 部分学者也在RSEI中加入了空气质量、叶面积指数、PM2.5浓度、盐度（SI-T）、土壤退化度以及社会属性的兴趣点（POI）等指标改进RSEI进行动态评估[8, 22, 23], 以及利用CA-Markov、ANN-CA-Markov和FLUS等模型进行模拟预测等[24, 25], 都为生态环境质量监测评估工作的深入进行有益尝试.
传统长时序遥感影像数据收集与处理困难且步骤繁杂, 谷歌地球引擎（Google earth engine, GEE）作为地理数据分析处理的综合性平台, 可以高效调用大尺度和长时间序列海量数据, 实现影像镶嵌、裁剪、去云、指数计算与主成分分析, 在生态环境质量监测方面具有独特优势并得到广泛应用[17, 26]. 空间分异研究方面, 当前比较热门的地理探测器因子分析方法, 存在采样样本数量单一且主观和自变量分类方法缺乏比较等问题, 且分析过程中往往忽略P值说明以及缺乏对比分析等问题. 研究案例方面, 贵阳市属西南喀斯特区域省会城市, 生态环境本底脆弱性、生态文明建设先进性与人地关系突出矛盾性, 决定了该区域研究对于生态环境监测评估研究方向具有重要的典型意义, 然而该区域此类研究讨论较少, 已有研究时间尺度较短且缺乏多方法多样本的空间分异定量归因. 基于已有研究存在的问题, 本文主要从典型区域和多样本多分类方法的创新视角展开, 以期丰富喀斯特地区生态质量研究工作.
鉴于此, 本文基于1991~2020年的Landsat系列遥感影像数据, 利用GEE平台通过主成分分析方法构建RSEI评价模型, 评估与分析1991~2020年贵阳市生态质量演变特征, 并利用地理探测器、Hurst指数和变异系数等方法分析生态质量变化的持续性、稳定性和空间分异影响因素, 以期为区域生态空间优化管控和未来可持续发展决策提供参考和科学依据.
1 材料与方法 1.1 研究区概况贵阳市位于黔中岩溶区域腹地（26°11′~27°22N, 106°07′~107°17′E）, 下辖6个区、3个县和1个县级市（图 1）, 是中国西南重要的中心城市之一, 也是连接丝绸之路经济纽带和21世纪海上丝绸之路的重要门户. 区域地处云贵高原黔中山原丘陵中部, 长江与珠江分水岭地带, 地貌属于以喀斯特孤峰和峰林为主的岩溶丘原盆地地区, 喀斯特面积占国土面积的85%, 平均海拔约1 100 m, 为亚热带温润温和型气候, 夏季雨水充沛（约500 mm）[27]. 全市总面积8 043 km2, 2020年末常住人口为598.98万人, 城市化率超过80%. 贵阳市喀斯特环境的脆弱性表现为植被和土壤的低恢复性, 成土过程缓慢, 植被成长不易, 自我修复能力弱, 随着近30 a来社会经济高速发展, 资源消耗不断扩大, 人地矛盾激化, 生态环境问题日益突出[28]. 贵阳是中国较早开展生态文明建设的城市, 从2002年提出“环境立市”, 2008年创建国内首部生态文明城市测评指标体系, 在经济发展滞后、城市化效率不高和生态环境脆弱的多重压力之下, 走绿色高质量发展道路成为必有选择, 因此生态质量的监测评估工作具有重要的现实意义.
|
图 1 研究区域位置示意 Fig. 1 Location of the study area |
遥感影像来源于GEE平台数据库中1991~2020年的Landsat T1级别的地表反射率数据产品, 其中1991、1996、1999、2005和2010年为Landsat 5遥感影像, 2015年和2020年为Landsat 8遥感影像, 缺失部分影像或者云量影响区域, 采用相近日期影像代替；土壤侵蚀数据来源于科学数据银行（https://www.scidb.cn/en）；土地利用数据来源于30 m全球地表覆盖数据GlobeLand 30；年降水量和年均气温来源于中国科学院资源环境科学与数据中心；人口密度栅格来源于Worldpop网站数据集；夜间灯光数据来源于国家青藏高原科学数据中心. 所有数据经过坐标和投影一致性处理, 然后利用ArcMap的随机采样工具, 分别选取1 500、5 000和10 000个随机点, 提取要素数据输入地理探测器进行分析.
1.3 RSEI模型遥感生态指数主要由绿度、湿度、干度和热度等4个指标构成, 可采用植被指数NDVI、湿度指数WET、干度指数NDBSI和热度指数LST进行定量测度[29, 30].
1.3.1 绿度NDVI植被指数NDVI能较好反映地表植被覆盖程度、生物量和叶面积指数等信息, 也可间接反映地表生态质量, 选用植被生长季节的地表反射率数据进行计算. 具体公式为：
|
(1) |
式中, ρNIR和ρR分别为近红外和红波段反射率数值.
1.3.2 湿度WET湿度指标用生态监测中的缨帽变换湿度分量WET来表征, WET能反映地表植被和土壤湿度状况, WET可从Landsat影像数据中提取参数, 具体公式为：
|
(2) |
式中, B1~B6分别为蓝、绿、红、近红、中红外1和中红外2波段的反射率数值, c1~c6为传感器参数. 因采用了Landsat TM5和Landsat OLI8传感器参数, 湿度指标模型参数不同, 具体为：
|
(3) |
|
(4) |
干度NDBSI由建筑指数和裸土指数构成, 具体公式为：
|
(5) |
|
(6) |
|
(7) |
式中, ρSWIR1、ρNIR、ρG、ρB和ρR分别为短波红外1波段、近红外、绿、蓝和红波段，NDBSI、IBI和SI分别为干度指数、建筑指数和裸土指数.
1.3.4 热度LST热度由地表温度LST表征, 具体公式为：
|
(8) |
|
(9) |
式中, T为传感器处温度（K）, ρ为常数（ρ=1.438×10-2 mK）, ε为地表比辐射率, K1和K2分别为卫星发射时预定的定标参数, λ为热红外波段中心波长（μm）, L6为遥感影像热红外辐射定标后的反射率（%）.
1.3.5 遥感生态指数RSEI首先将数据进行去云和掩膜去水体处理, 减少云量和水体对于真实地面湿度和主成分分析的影响, 将NDVI、WET、NDBSI和LST等4个因子数据进行归一化处理, 统一到[0, 1]的无量纲值, 然后采用协方差矩阵来进行主成分变换, 通过对特征光谱空间坐标轴的旋转, 去掉各指标间的相关性, 将冗余和相互干扰的信息剔除, 筛选出少量能表达重要变量信息的第一主成分PC1, PC1中的负值经过1-PC1处理, 得到遥感生态指数初始值RSEI0, 再将RSEI0进行归一化处理即可得到RSEI指数, 并以此构建RSEI指数用于表示区域生态质量分布特征, RSEI的值越大, 说明生态质量越好, 反之则越差[29, 30]. 参考生态环境状态评价技术规范（HJ 192-2015）和刘浦东等[18]、刘小燕等[31]的划分标准, 将贵阳市1991~2020年的RSEI值划分为：差（RSEI∈（0~0.2]）、较差（RSEI∈（0.2~0.4]）、中等（RSEI∈（0.4~0.6]）、良好（RSEI∈（0.6~0.8]）和优（RSEI∈（0.8~1.0]）共5个等级. RSEI计算公式为：
|
(10) |
|
(11) |
式中, NDVI为绿度指标, WET为湿度指标, NDBSI为干度指标, LST为热度指标, 为遥感生态指数, RSEI0、RSEI0max、和RSEI0min分别为经过正负值转置和主成分分析后的遥感生态指数初始值、最大值和最小值.
1.4 变异系数与Hurst指数 1.4.1 变异系数变异系数是用来计算数据的离散程度, 从而反映事物发展的波动性或稳定性, 变异系数值越大, 表明数据越波动, 反之越稳定. 参考宗慧琳等[32]研究结果, 利用聚类分析法将变异系数划分为：低波动变化（CV≤0.15）、较低波动变化（0.15 < CV≤0.20）、中等波动变化（0.20 < CV≤0.25）、较高波动变化（0.25 < CV≤0.31）和高波动变化（CV > 0.31）这5个等级. 变异系数的计算公式如下：
|
(12) |
式中, CV为变异系数, STDRSEI为RSEI平均值的标准差, RSEI为逐年RSEI平均值, n为年份数, i表示第i年.
1.4.2 Hurst指数Hurst指数是定量测度长时间序列数据信息依赖性和持续性的方法, 即过去的信息对未来的影响程度, 可以依据指数判断数据未来变化趋势[9, 32 ~ 34], 具体计算公式如下：
|
(13) |
式中, R为极差, S为标准差, c为常数, 将观测值分为n个子序列RSEIi, 其中i=1, 2, …, n. m为任意正整数且0 < m < n, H为Hurst指数, 极差R（m）的计算公式如下：
|
(14) |
式中, X（t）为累计离差, 计算公式如下：
|
(15) |
式中, 1 < t < m；标准差S（m）的计算公式如下：
|
(16) |
Hurst指数（H）取值范围为[0, 1], 当0 < H < 0.5时, 表明RSEI变化具有反持续性, 即未来趋势与过去相反, H越接近0, 反持续性越强；当H=0.5时, 表明数据具有随机性；当0.5 < H < 1时, 表明RSEI具有持续性, 未来趋势与过去相同, H值越接近1说明持续性越强. 为方便分析, 将H进行分等定级[9, 35]：强反持续性（< 0.35）、弱反持续性（0.35~0.5）、弱持续性（0.5~0.65）和强持续性（> 0.65）.
1.5 地理探测器地理探测器是探测地理要素空间分异性, 以及揭示其背后驱动因子的一种新的统计学方法, 可以分析因子之间是否存在交互作用, 以及交互作用的强弱、方向、线性和非线性等问题[26, 36 ~ 38]. 海拔、坡度和坡向等地形要素的差异性, 会影响植被生长所需的温度、水分、光照和土壤等条件[39], 因此作为自然要素中的地形因子进行探测分析；气温（热量）、降水和土壤类型是直接影响植被生长、发育、分布和种类组成的重要因素[40], 因此作为自然要素中的气象因子和土壤因子进行考虑；研究区喀斯特地貌分布广泛, 石漠化与水土流失问题突出, 对于生态环境造成严重破坏, 因此需要将不同石漠化程度、土壤侵蚀程度和岩组类型作为影响因子加入到地理探测器中进行分析；人类活动方面主要从土地利用类型、夜间灯光数据和人口密度等方面进行考虑[41]. 地理探测器的计算公式如下：
（1）因子探测 因子探测用于探测分析驱动因子X对因变量Y的解释力, 其公式如下：
|
(17) |
|
(18) |
式中, q为影响因子X对于因变量Y的影响力, 值越大说明影响力或解释力更大, h为因变量或者影响因子的分层, N和Nh为全区和层h的单元数, σh2和σ2为层h和全区的Y值方差, SSW和SST为层内方差之和与全区总方差.
（2）交互探测 交互探测用于识别不同影响因子对因变量的交互作用, 影响因子间共同作用是否会增强或减弱对因变量的解释力[42], 交互作用结果和对应q值范围见表 1.
|
表 1 因子探测交互结果 Table 1 Results of factor interactions |
将贵阳市2020年RSEI值作为因变量, 从自然影响与人类活动等2个方面进行考虑, 自然因子选取海拔、坡度、坡向、年均气温、年均降水、土壤类型、石漠化程度、土壤侵蚀强度和岩组类型, 人类活动影响方面选取土地利用、人口密度和夜间灯光数据等因子作为自变量[24, 29, 43], 通过随机采样方法选取1 500、5 000和10 000个样本点, 通过自然断点法和二分之一标准差方法对数值型自变量进行分区分类, 比较不同策略下因变量空间分异的自变量解释力大小以及自变量之间的交互作用, 分析贵阳市RSEI时空分异因子解释力和交互作用.
2 结果与分析 2.1 生态质量时空变化趋势通过统计各区县每年RSEI区间值的分布情况, 得到贵阳市1991~2020年RSEI总体演变趋势、时空分布格局以及各区县RSEI演变趋势（图 2~4）. 从贵阳市RSEI分类统计及数量变化趋势来看（图 2）, 区域RSEI均值呈波浪型变化规律, 1991~1999年呈现先降后升趋势, 1999~2010年呈下降趋于恶化趋势, 2010~2020年呈上升趋于改善趋势；30 a以来区域RSEI均值在（0.4~0.6）范围内, 均处中等水平, RSEI的最高水平和最低水平分别出现在2020年（0.58）和2010年（0.47）；从年度RSEI值域分布面积占比来看, 各年RSEI等级以中等（25.32%）和良好（24.99%）为主, RSEI优和RSEI较差等级区域面积占比分别为18.20%和18.11%, RSEI差的区域面积占比最小（13.38%）.
|
图 2 1991~2020年贵阳市RSEI分类统计及分布趋势 Fig. 2 Classification statistics and distribution trends of RSEI in Guiyang from 1991 to 2020 |
|
图 3 1991~2020年贵阳市RSEI时空分布 Fig. 3 Distributions of RSEI in Guiyang from 1991 to 2020 |
|
图 4 1991~2020年贵阳市不同区县RSEI演变趋势 Fig. 4 Trend of RSEI in different counties of Guiyang from 1991 to 2020 |
从空间分布和变化趋势上看（图 3）, RSEI空间分布规律性较为明显, 呈现东北向西南递减趋势, RSEI高值区域主要分布在息烽县、开阳县和乌当区, RSEI低值区主要分布于云岩区、南明区、花溪区和清镇市等城市建设和人类活动频繁区域. 从各区县不同年份的RSEI均值统计热力图来看（图 4）, 各区县RSEI均值范围在（0.3~0.7）之间, 即属于RSEI等级“较差”至“良好”区间, 其中“较差（RSEI∈（0.2~0.4]）”等级出现频次为10次, 主要出现时间为1996年的观山湖区和清镇市、2010年的大部分区县以及2020年的南明区和云岩区, “良好（RSEI∈（0.6~0.8]）”等级出现频次为7次, 都集中在乌当区和开阳县；从时间来看, 2010年出现RSEI等级“中等”和“较差”频率较高, 处于近30 a来的生态质量低谷期, 也是清镇市、开阳县、修文县和白云区等区域RSEI均值由高到低再转高的转折时期；2020年大部分区县的生态质量趋于变好, 开阳县、修文县和清镇市RSEI均值达到历史最高, 但是云岩区和南明区RSEI均值比2015年降低, 达到历史最低值, 因此2020年也是较为典型的时期, 区域RSEI空间差异更加明显, 区县生态质量差距更为明显.
2.2 生态质量持续性与稳定性分析根据Hurst指数的原理, 当H > 0.5即表明贵阳市RSEI将呈正持续性也就是变化趋势与以往大致相同, 当H < 0.5时表明贵阳市RSEI呈反持续性即变化趋势大致相反[9]. 通过对贵阳市1991~2020年RSEI结果进行逐像元得到Hurst指数（图 5和表 2）. 分析可知, 贵阳市RSEI变化的H均值为0.59, H > 0.5的区域面积占比为73.98%, H < 0.5的区域面积占比为26.02%, 表明未来贵阳市生态质量变化表现为弱持续性, 即大部分地区RSEI变化趋势与过去相同. 从H分级占比来看, 弱持续性等级占比最高（38.01%）, 强持续性占比次之（35.97%）, 弱反持续占比为22.00%, 弱持续和强持续性区域主要分布于云岩区、南明区、观山湖区、花溪区、乌当区和白云区等城市建成区域, 以及清镇市西部、开阳县西南部, 弱反持续性区域主要分布于清镇市南部和东部、观山湖区西部、花溪区南部、修文县和息烽县大部分区域.
|
图 5 贵阳市生态质量变化Hurst指数空间分布 Fig. 5 Spatial distribution of Hurst index for ecological quality changes in Guiyang |
|
|
表 2 1991~2020年贵阳市RSEI变化Hurst指数与变异系数 Table 2 Hurst and CV index of RSEI in Guiyang from 1991 to 2020 |
由式（12）计算贵阳市1991~2020年RSEI值变异系数, 得到RSEI变异系数统计结果（表 2）. 结果表明, 贵阳市RSEI变异系数值域范围为（0~2）, 其中46.61%区域处于高波动变化, 26.90%处于低波动变化, 14.94%处于较高波动变化, 说明区域整体RSEI波动性较大；变异系数较大区域主要集中于开阳县、修文县、白云区和清镇市, 从东北-西南呈条带分布, 变异系数较小区域主要集中于息烽县、主城区及周边的水体、山体公园以及大面积林地区域. 水体、山体公园以及大面积林地多数为生态红线保护范围, 受人类活动干扰较少, 因此RSEI变化较为稳定, 城市建成区虽受人类活动影响较大, 但是因为城市不透水面形成以后对于干度、湿地、绿度和热度的变化影响较为有限, 虽然RSEI值较低, 但也较为稳定. 除此以外, 城市边缘地区的变异系数较大, 且斑块较为破碎, 是受到人类活动影响较为明显的区域.
2.3 生态质量空间分异归因通过随机采样方法在研究区域选取1 500、5 000和10 000个样本点, 采样自然断点法和1/2标准差方法对数值型自变量进行分区分类, 利用地理探测器对2020年贵阳市RSEI进行影响因素因子探测和交互作用探测.
因子探测方面, 通过RSEI空间分异影响因素解释力统计可知（表 3）, 虽然不同分类方法与随机样本影响地理探测器的q值结果, 但是不同因子解释力的大小排序趋势总体一致. 利用1/2标准差法进行影响因子数据分类, 通过显著性检验的平均q值的大小排序为：土地利用 > 夜间灯光 > 坡度 > 人口密度=气温 > 土壤类型 > 海拔 > 降水 > 石漠化程度 > 岩组类型 > 土壤侵蚀程度 > 坡向. 自然断点分类法通过显著性检验的平均q值的大小排序为：土地利用 > 坡度 > 夜间灯光 > 人口密度 > 土壤类型 > 气温 > 降水 > 海拔 > 土壤侵蚀程度 > 岩组 > 坡向 > 石漠化程度. 土地利用、夜间灯光、坡度和人口密度对于RSEI空间分异的解释力较强, 岩组、坡向和土壤侵蚀程度和石漠化程度对于RSEI空间分异解释力较弱, 说明一定时期以内人类活动对于区域生态质量的解释力大于自然因子, 对于人类活动频繁的研究区域, 生态质量受人类活动影响较大, 土地利用是人类对自然资源进行开放利用的方式, 城市建设与扩张、工业生产和地类用途的改变等活动, 都在强烈地影响着地表生态质量, 夜间灯光与人口密度也是反映人类活动活跃的指数, 人口越密集, 对于生产生活资源的需求量越大, 污水排放、汽车尾气、温室效应和侵占生态用地等问题随之而来.
|
|
表 3 2020年RSEI空间分异影响因素因子探测1） Table 3 Factor detection results of RSEI spatial differentiation in 2020 |
随机采样样本量方面, 分别利用1 500、5 000和10 000个随机采样点比较因子探测结果可知, 不同样本影响因子探测q值大小, 部分因子的q值会出现突变情况和不显著情况. 当利用1/2标准差进行探测分析时, 结果显示并不是样本量越大, 差异越显著, 尤其是当样本量为5 000时, 部分因子探测q值与1 500和10 000样本的结果差异较大, 夜间灯光、土壤侵蚀和降水因子没有通过差异显著性检验；利用自然断点法进行探测分析, 样本量为1 500时, 只有土壤侵蚀因子没有通过差异显著性检验, 样本量为5 000和10 000时, 所有因子都通过了差异显著检验. 推测该结果产生的原因与样本采集的随机性有一定的关系, 所以可以通过求取P < 0.05显著性水平的q统计均值, 从整体上反映影响因子q值的大小顺序, 一定程度上消除只用一种方法或者一种采样模式而产生的随机误差甚至错误结果, 也从侧面证明使用不同方法和不同采样样本进行分析探测, 对于得到更准确的结果是有重要意义的. 因此在地理探测器因子探测分析中, 有必要考虑不同分类方法与不同样本的影响, 筛选出通过显著性检验的q值, 并做均值处理, 避免因分类和样本量降低准确性.
交互探测方面, 因子之间交互对于RSEI的解释力均属于双因子增强与非线性增强, 表明因子间协同作用对于贵阳市RSEI空间分异的影响力均高于单因子, 并呈现一定的规律性；其中气温、降水、石漠化程度和岩组类型等单因子, 与其他多数因子交互之后均属非线性增强类型, 即两个因子交互结果大于两个单因子q值之和, 对于RSEI空间分异解释力更强；土地利用与其他因子分别交互结果呈双因子增强类型, 即两个因子交互结果大于各个单因子, 虽然对于RSEI空间分异的解释力仍有增强, 但解释力仍小于非线性增强类型.
3 讨论 3.1 可靠性分析基于GEE平台构建RSEI指数定量测度贵阳市1991~2020年生态质量演变规律, 并利用不同分类方法和随机采样样本构建地理探测器模型, 对RSEI空间分异进行定量归因, 其中使用的GEE平台、地理探测器等手段, 都尽量避免人为主观对于数据处理和指标权重的影响. 通过与已有研究进行对比发现, 肖红燕[44]等学者利用inVEST模型评估贵阳市2005~2020年生境质量, 结果表明“生境质量空间上呈“北高南低”的态势, 其分布和变化与土地利用存在密切关联”、“各区（县、市）生境质量指数大小为：开阳县 > 乌当区 > 息烽县 > 修文县 > 清镇市 > 花溪区 > 白云区 > 南明区 > 观山湖区 > 云岩区”、“生境质量的影响力（q值）排序：土地利用类型 > NDVI > 人口密度 > 坡度 > SHDI > SPLIT > 海拔”, 生境质量的空间分布、区县生态质量的高低以及主导影响因素（土地利用）的结果, 皆与文中结果高度相似. 不同方法对同一区域的生态质量（生境质量）评估结果高度相似, 可从侧面证明结果的可靠性.
3.2 空间分异影响因子解释通过地理探测器结果分析可知, 影响贵阳市RSEI空间分异的主导影响为土地利用、夜间灯光、坡度和人口密度, 其次为气温、降水和土壤类型, 影响较小的因子为海拔、土壤侵蚀程度、岩组、坡向和石漠化程度. 土地利用、人口密度和夜间灯光指数都是反映人类活动的指标, 人口越多, 资源需求量越大, 对周边生态环境的扰动也就更大, 土地利用变化会对地表结构、生态系统、土壤质量、气候、野生动植物等产生直接或者间接的影响[45], 不论是在局地尺度、区域尺度、国家尺度或者全球尺度, 土地利用变化的影响都是较为明显. 自然因子方面, 坡度为影响力较大的因子, 因坡度对于植物生长所需的光照、湿度、养分、土壤类型等因素具有重要影响, 地形通过重新分配水热和地表辐射或形成干扰区域来影响生态条件, 与RSEI指数中的干度、绿度、热度和湿地遥相呼应, 不同坡度等级的植被生长情况存在客观差异, 加之城市建设与耕地保护对于坡度有较为严格政策指导与要求, 坡度具有不同尺度下的数据分析敏感性, 因此在因子探测中具有良好的表现[46]. 其它对于RSEI空间分异解释力较低的自然因子, 虽从定性层面来说有一定的影响甚至较大影响, 但因部分因子本身的演变周期较长以及范围较大, 在30 a的时间尺度和8 000 km2空间尺度的研究尺度上敏感性较低. 换个角度也可以得出启示, 对于地方生态质量保护提升, 应该从人类活动方面着手, 短期保护从土地利用优化、重要生态功能区保护和避免“摊大饼”城市发展等角度出发, 中长期保护应该在短期保护的基础之上, 考虑区域自然本底特征与条件, 因地制宜发展生态城市、发展产业布局和发展旅游经济, 因地制宜才是人地关系和谐与可持续发展的基础.
4 结论（1）1991~2020年贵阳市RSEI均值在（0.4~0.6）范围内, RSEI等级以中等（25.32%）和良好（24.99%）为主, 30 a来RSEI呈现波浪式变化规律, RSEI均值最高水平和最低水平分别出现在2020年（0.58）和2010年（0.47）, RSEI呈现东北向西南递减空间分布趋势.
（2）贵阳市RSEI变异系数值域范围为（0~2）, 其中46.61%区域处于高波动变化, RSEI整体波动性较大, 变异系数较大区域主要集中于开阳县、修文县、白云区和清镇市, 从东北-西南呈条带分布；Hurst指数均值为0.59, H > 0.5的区域面积占比为73.98%, H < 0.5的区域面积占比为26.02%, 未来贵阳市生态质量变化表现为弱持续性, 即大部分地区RSEI变化趋势与过去相同.
（3）不同分类方法与随机样本影响地理探测器的q值结果, 但不同因子解释力的大小排序趋势总体一致. 土地利用、夜间灯光指数、坡度和人口密度对于RSEI空间分异的解释力较强, 岩组、坡向和土壤侵蚀程度和石漠化程度解释力较弱. 因子交互探测均属双因子增强与非线性增强, 土地利用与其他因子交互最有利于解释RSEI空间分异.
| [1] |
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. |
| [2] |
余慧婕, 张方敏, 马赫, 等. 基于遥感生态指数的淮河流域生态环境质量时空演化及其驱动因素分析[J]. 环境科学, 2024, 45(7): 4112-4121. Yu H J, Zhang F M, Ma H, et al. Spatio-temporal evolution and driving factors of ecological environment quality in the Huai River basin based on RSEI[J]. Environmental Science, 2024, 45(7): 4112-4121. |
| [3] | Liu M X, Ma M F, Liu J H, et al. Quantifying impacts of natural and anthropogenic factors on urban ecological quality changes: A multiscale survey in Xi'an, China[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110463 |
| [4] | Zhang X Y, Jia W W, He J Y. Spatial and temporal variation of ecological quality in northeastern China and analysis of influencing factors[J]. Journal of Cleaner Production, 2023, 423. DOI:10.1016/j.jclepro.2023.138650 |
| [5] |
乔旭宁, 王林峰, 牛海鹏, 等. 基于NPP数据的河南省淮河流域生态经济协调性分析[J]. 经济地理, 2016, 36(7): 173-181, 189. Qiao X N, Wang L F, Niu H P, et al. The eco-economic coordinate analysis of Huaihe river basin in Henan province based on NPP data[J]. Economic Geography, 2016, 36(7): 173-181, 189. |
| [6] |
缪鑫辉, 梁勤欧. 基于遥感生态指数的甬江流域生态环境变化分析[J]. 长江流域资源与环境, 2021, 30(2): 427-438. Miao X H, Liang Q O. Analysis of ecological environment changes in Yongjiang River Basin based on remote sensing ecological index[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 427-438. |
| [7] |
王永祥, 徐园园, 杨佳嘉, 等. 基于Landsat的重庆市生态环境质量动态监测及其时空格局演变分析[J]. 生态学报, 2023, 43(15): 6278-6292. Wang Y X, Xu Y Y, Yang J J, et al. Dynamic monitoring and spatio-temporal pattern evolution analysis of eco-environmental quality in Chongqing based on remote sensing[J]. Acta Ecologica Sinica, 2023, 43(15): 6278-6292. |
| [8] |
赵开鑫, 李雪梅, 王桂钢, 等. 基于GEE平台的黄河源区生态环境质量动态评价[J]. 生态学杂志, 2024, 43(1): 290-298. Zhao K X, Li X M, Wang G G, et al. Dynamic evaluation of ecological environment quality in the Yellow River source region based on GEE platform[J]. Chinese Journal of Ecology, 2024, 43(1): 290-298. |
| [9] |
张云霞, 汪仕美, 李焱, 等. 2000-2020年青藏高原生态质量时空变化[J]. 生态学杂志, 2023, 42(6): 1464-1473. Zhang Y X, Wang S M, Li Y, et al. Spatiotemporal patterns of ecological quality across the Qinghai-Tibet Plateau during 2000-2020[J]. Chinese Journal of Ecology, 2023, 42(6): 1464-1473. |
| [10] | Khare S, Drolet G, Sylvain J D, et al. Assessment of spatio-temporal patterns of black spruce bud phenology across Quebec based on MODIS-NDVI time series and field observations[J]. Remote Sensing, 2019, 11(23). DOI:10.3390/rs11232745 |
| [11] |
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. Xu H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24): 7853-7862. |
| [12] |
农兰萍, 王金亮. 基于RSEI模型的昆明市生态环境质量动态监测[J]. 生态学杂志, 2020, 39(6): 2042-2050. Nong L P, Wang J L. Dynamic monitoring of ecological environment quality in Kunming based on RSEI model[J]. Chinese Journal of Ecology, 2020, 39(6): 2042-2050. |
| [13] |
胡思汉, 姚玉增, 付建飞, 等. 基于RSEI指数的东北矿区生态质量变化评价: 以辽宁弓长岭区为例[J]. 生态学杂志, 2021, 40(12): 4053-4060. Hu S H, Yao Y Z, Fu J F, et al. Evaluation of ecological quality variation in mining area of Northeast China based on RSEI Index: A case study of Gongchangling District, Liaoning Province[J]. Chinese Journal of Ecology, 2021, 40(12): 4053-4060. |
| [14] | Xu H Q, Wang Y F, Guan H D, et al. Detecting ecological changes with a remote sensing based ecological index (RSEI) produced time series and change vector analysis[J]. Remote Sensing, 2019, 11(20). DOI:10.3390/rs11202345 |
| [15] |
徐涵秋, 邓文慧. MRSEI指数的合理性分析及其与RSEI指数的区别[J]. 遥感技术与应用, 2022, 37(1): 1-7. Xu H Q, Deng W H. Rationality analysis of MRSEI and its difference with RSEI[J]. Remote Sensing Technology and Application, 2022, 37(1): 1-7. |
| [16] | Zheng Z H, Wu Z F, Chen Y B, et al. Instability of remote sensing based ecological index (RSEI) and its improvement for time series analysis[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.152595 |
| [17] | 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 |
| [18] |
刘浦东, 王远轲, 张冬, 等. 基于多源数据的小清河流域生态环境时空变化分析[J]. 生态学杂志, 2024, 43(2): 600-608. Liu P D, Wang Y K, Zhang D, et al. Analysis of temporal and spatial variations of ecological environment in Xiaoqing River Basin based on multi-source data[J]. Chinese Journal of Ecology, 2024, 43(2): 600-608. |
| [19] |
宋美杰, 罗艳云, 段利民. 基于改进遥感生态指数模型的锡林郭勒草原生态环境评价[J]. 干旱区研究, 2019, 36(6): 1521-1527. Song M J, Luo Y Y, Duan L M. Evaluation of ecological environment in the Xilin Gol Steppe based on modified remote sensing Ecological Index Model[J]. Arid Zone Research, 2019, 36(6): 1521-1527. |
| [20] |
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. |
| [21] |
徐涵秋, 李春强, 林梦婧. RSEI应使用主成分分析或核主成分分析?[J]. 武汉大学学报(信息科学版), 2023, 48(4): 506-513. Xu H Q, Li C Q, Lin M J. Should RSEI use PCA or kPCA?[J]. Geomatics and Information Science of Wuhan University, 2023, 48(4): 506-513. |
| [22] |
何洋, 赵喜萍. 基于标准化遥感生态指数的汾河流域生态评价与时序分析[J]. 生态学杂志, 2024, 43(2): 564-575. He Y, Zhao X P. Ecological evaluation and time series analysis of Fenhe River Basin based on standardized remote sensing ecological index[J]. Chinese Journal of Ecology, 2024, 43(2): 564-575. |
| [23] |
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. |
| [24] |
王丽霞, 赵蕊, 刘招, 等. 基于RSEI的延河流域生态环境质量监测与预估[J]. 干旱区研究, 2022, 39(3): 943-954. Wang L X, Zhao R, Liu Z, et al. Monitoring and prediction of ecological environmental quality in the Yanhe River Basin based on the remote sensing ecological index[J]. Arid Zone Research, 2022, 39(3): 943-954. |
| [25] |
陈勉为, 冯丹, 张仕凯, 等. 基于RSEI和ANN-CA-Markov模型的伊宁市生态环境质量动态监测及预测研究[J]. 干旱区地理, 2023, 46(6): 911-921. Chen M W, Feng D, Zhang S K, et al. Dynamic monitoring and prediction of eco-environmental quality in Yining City based on RSEI and ANN-CA-Markov model[J]. Arid Land Geography, 2023, 46(6): 911-921. |
| [26] |
周喆, 胡夏嵩, 刘昌义, 等. 基于GEE的黄河上游生态环境质量动态监测与评价: 以龙羊峡至积石峡段为例[J]. 生态学杂志, 2023, 42(10): 2545-2554. Zhou Z, Hu X S, Liu C Y, et al. Dynamic monitoring and evaluation of eco-environmental quality in the upper reaches of the Yellow River based on GEE: A case study of the section from Longyang Gorge to Jishi Gorge[J]. Chinese Journal of Ecology, 2023, 42(10): 2545-2554. |
| [27] |
周寒冰, 包玉, 王志泰. 岩溶地区不同规模城市遗存山体表面空气负离子及其影响因素——以贵阳市为例[J]. 生态学报, 2023, 43(15): 6257-6277. Zhou H B, Bao Y, Wang Z T. The surface negative air ion concentration and influencing factors of urban remnant mountains of different sizes in karst areas: A case study of Guiyang City[J]. Acta Ecologica Sinica, 2023, 43(15): 6257-6277. |
| [28] |
朱桂云. 科学发展观引领下的生态文明城市建设研究——以贵阳市为例[D]. 武汉: 武汉大学, 2014. Zhu G Y. Scientific concept of development guidance of ecological civilization city construction research—in Guiyang city as an example[D]. Wuhan: Wuhan University, 2014. |
| [29] | Yuan B D, Fu L N, Zou Y A, et al. Spatiotemporal change detection of ecological quality and the associated affecting factors in Dongting Lake Basin, based on RSEI[J]. Journal of Cleaner Production, 2021, 302. DOI:10.1016/j.jclepro.2021.126995 |
| [30] | Shi F, Yang B X, Li M S. An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes—a case study from Nanjing Jiangbei New Area, China[J]. Ecological Indicators, 2023, 147. DOI:10.1016/j.ecolind.2023.109998 |
| [31] |
刘小燕, 崔耀平, 董金玮, 等. 黄河中下游影响区生态空间和生态指数变化评估[J]. 生态学报, 2021, 41(20): 8030-8039. Liu X Y, Cui Y P, Dong J W, et al. Assessment of ecological space and ecological index changes in the affected area of the middle and lower reaches of the Yellow River[J]. Acta Ecologica Sinica, 2021, 41(20): 8030-8039. |
| [32] |
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. |
| [33] |
奥勇, 汪雅, 王晓峰, 等. 近二十年郑州市生态环境质量时空变化及驱动因素分析[J/OL]. 自然资源遥感, 2023, 11: 1-11, http://kns.cnki.net/kcms/detail/10.1759.p.20231127.0757.006.html. Ao Y, Wang Y, Wang X F, et al. Spatial-temporal changes and driving factors of eco-environmental quality in recent 20 years in Zhengzhou City[J/OL]. Remote Sensing for Natural Resources, 2023, 11: 1-11, http://kns.cnki.net/kcms/detail/10.1759.p.20231127.0757.006.html. |
| [34] |
孙天瑶, 李雪梅, 许民, 等. 2000—2018年塔里木河流域植被覆盖时空格局[J]. 干旱区地理, 2020, 43(2): 415-424. Sun T Y, Li X M, Xu M, et al. Spatial-temporal variations of vegetation coverage in the Tarim River Basin from 2000 to 2018[J]. Arid Land Geography, 2020, 43(2): 415-424. |
| [35] |
桑国庆, 唐志光, 邓刚, 等. 基于MODIS NDVI时序数据的湖南省植被变化研究[J]. 长江流域资源与环境, 2021, 30(5): 1100-1109. Sang G Q, Tang Z G, Deng G, et al. Study on vegetation change in Hunan Province based on MODIS NDVI time series data[J]. Resources and Environment in the Yangtze Basin, 2021, 30(5): 1100-1109. |
| [36] |
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. |
| [37] |
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 1990-2020[J]. Environmental Science, 2023, 44(5): 2518-2527. |
| [38] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000~2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi Province from 2000 to 2020 based on Geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [39] |
徐勇, 郑志威, 孟禹弛, 等. 西南地区不同类型植被NPP时空演变及影响因素探究[J]. 环境科学, 2024, 45(1): 262-274. Xu Y, Zheng Z W, Meng Y C, et al. Spatio-temporal variation in net primary productivity of different vegetation types and its influencing factors exploration in Southwest China[J]. Environmental Science, 2024, 45(1): 262-274. |
| [40] |
徐勇, 盘钰春, 邹滨, 等. 定量评估气候变化对长江中下游地区植被GPPGS变化的影响[J]. 环境科学, 2024, 45(3): 1615-1628. Xu Y, Pan Y C, Zou B, et al. Quantitative assessment of the impact of climate change on the growing season of vegetation gross primary productivity in the middle and lower reaches of the Yangtze River[J]. Environmental Science, 2024, 45(3): 1615-1628. |
| [41] |
赵嘉丽, 李兴, 孙冰. 基于AWRSEI的岱海流域生态环境质量时空演变及驱动因子分析[J]. 环境科学, 2024, 45(3): 1598-1614. Zhao J L, Li X, Sun B. Spatial-temporal evolution and driving factors analysis of ecological environment quality in Daihai Basin based on AWRSEI[J]. Environmental Science, 2024, 45(3): 1598-1614. |
| [42] |
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. |
| [43] | Yang H H, Yu J, 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. DOI:10.1016/j.ecolind.2023.110084 |
| [44] |
肖红燕. 基于土地利用变化的贵阳市生境质量时空演变研究[D]. 贵阳: 贵州大学, 2023. Xiao H Y. Study on spatial-temporal variation of habitat quality in Guiyang City based on land use change[D]. Guiyang: Guizhou University, 2023. |
| [45] |
徐文彬, 饶良懿. 土地利用和气候变化对农牧交错带生态系统服务的影响[J]. 环境科学, 2023, 44(9): 5114-5124. Xu W B, Rao L Y. Impacts of land use and climate change on ecosystem services in Agro-pastoral ecotone[J]. Environmental Science, 2023, 44(9): 5114-5124. |
| [46] | Liu P, Ren C Y, Yu W S, et al. Exploring the ecological quality and its drivers based on annual remote sensing ecological index and multisource data in Northeast China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110589 |