2026, Vol. 47
2. 东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室，南昌 330013;
3. 江西省生态环境科学研究与规划院，生态环境部通江湖泊（鄱阳湖）保护与修复重点实验室，南昌 330039
2. Key Laboratory of Mine Environmental Monitoring and Improving around Poyang Lake of Ministry of Natural Resources，East China University of Technology，Nanchang 330013，China;
3. Key Laboratory of Protection and Restoration of Yangtze River-connected Lake（Poyang Lake），Ministry of Ecology and Environment，Jiangxi Academy of Eco-Environmental Sciences and Planning，Nanchang 330039，China
生态环境是自然、社会与经济因素交织而成的复杂系统，构成人类生存发展的多维支撑基础，更深度关联可持续发展战略核心[1]. 伴随我国快速城市化进程中人口集聚与工业化扩张的双重驱动，高强度人类活动引发的生态胁迫效应日益凸显. 部分区域生态系统已逼近承载力阈值，诱发水土流失、土地沙化等次生环境问题，显著削弱生态服务功能[2，3]. 环鄱阳湖城市群是江西省的经济核心发展区，其资源环境可持续发展受到广泛关注. 一直以来，由于人口增长，经济发展和城市化进程等诸多因素，区域内生态环境面临着较大的压力[4，5]. 当前我国正处于深化改革的战略转型期，生态现代化理论正深度重构发展范式. 在国家治理层面，绿色增长导向驱动产业生态化与生态产业化双轨重构，生态环境治理投入强度持续提升. 实现生态保护与高质量发展协同增益，已成为构建新发展格局的核心战略支点，其价值维度涵盖生态安全屏障巩固、绿色竞争力培育及低碳转型制度创新[6]. 因此，合理准确地评价环鄱阳湖城市群生态环境质量变化及未来趋势，是实现经济与生态协同、可持续发展的关键.
传统生态环境质量评价方法，如层次分析法[7]、熵权法[8]和人工神经网络法[9]等，在大区域长时序监测中存在数据获取困难的问题. 相比之下，卫星遥感技术凭借其大范围和周期性数据获取优势，已成为环境监测等领域的关键手段. 学者们验证了利用遥感指数评价生态环境质量的可行性，如用植被指数监测植被生长[10]、干旱指数评估旱情[11]和温度指数研究热岛效应[12]等. 但是区域生态环境质量的影响因素较为复杂，相较于单一指数，综合指数更适用于复杂区域的生态系统质量评价[13]. 其中，徐涵秋[14]提出的遥感生态指数（remote sensing ecological index，RSEI）综合了绿度（normalized difference vegetation index，NDVI）、湿度（wetness，WET）、干度（normalized difference built-up soil index，NDBSI）和热度（land surface temperature，LST）这4个生态指标，较单一指标能更全面、客观地表征生态环境质量，因此获得广泛应用. 目前利用RSEI来表征生态环境质量已在矿区[15]、城区[16]、湿地[17]和流域[18]等不同区域得到验证，如赵娜等[19]利用MODIS卫星影像数据构建RSEI指数，运用时空变化分析和地理探测器等方法，揭示了内蒙古生态环境质量的演变规律、未来趋势及驱动因素；叶博文等[20]通过多期MODIS遥感影像构建RSEI指数，分析2000~2022年巴彦淖尔市生态环境质量的时空变化，并探究其与土地利用变化的关系；赵晓燕等[21]通过Landsat遥感影像构建RSEI指数，通过趋势显著性分析成渝双城经济圈生态环境质量时空变化特征，并通过最优参数地理探测器模型对研究区生态环境质量进行驱动力分析. 随着研究的不断深入，学者们根据研究区的特殊性对RSEI进行了改进完善，如张伟等[22]在RSEI的基础上引入综合盐度指标和水网密度构建干旱区遥感生态指数，并将其应用于西北干旱区的呼包鄂榆城市群；针对NDVI在植被茂密区存在饱和性缺陷的问题，陈创等[23]将原指数RSEI的NDVI替换为核归一化植被指数构建适用于高植被区的改进型RSEI，并基于改进型RSEI量化了桃江县生态环境质量的时序变化；此外，农兰萍等[24]在RSEI的基础上引入人口和GDP等指标提出改进型RSEI，并基于该指数探究滇中地区生态环境质量变化情况. 综上，遥感生态指数是生态环境监测与评价的一种可靠有效工具，其优化模型也能更好地反映不同区域生态环境质量差异. 但是，以上基于RSEI的改进模型多适用于特定的研究区，并没有得到更多数据的验证[25]. 目前，运用遥感生态指数开展生态环境监测与评估仍然具有广阔前景[26].
随着数据量的持续增长以及数据预处理和计算任务的日益复杂，RSEI模型亟需更强大的数据存储与处理平台支持. 在此背景下，相关学者借助Google Earth Engine（GEE）平台处理大范围的海量遥感数据，GEE平台能够迅速完成遥感影像的去云处理，以及指标计算、统计和分析等复杂操作，从而为RSEI模型的广泛应用提供了坚实的数据处理保障，显著提升了生态环境监测与评估的效率和精准度[27，28]. 环鄱阳湖城市群作为江西省最具发展活力的区域，被着力打造为带动中部地区发展的核心增长极. 这意味着环鄱阳湖城市群必将加快城市化进程，这必然会给区域生态环境带来冲击. 目前针对环鄱阳湖城市群的生态环境质量变化的研究相对较少，且生态环境质量长时序时空变化分析的研究大都集中在过去，而缺乏对未来生态环境质量的趋势变化探究. 因此，本研究选取环鄱阳湖城市群为研究对象，基于GEE平台筛选2000~2020年的MODIS遥感影像，通过主成分分析方法构建RSEI，并结合Theil-Sen斜率估计、CV变异系数和Mann-Kendall检验等方法分析环鄱阳湖城市群的生态环境质量时空变化，并利用Hurst指数分析生态环境质量的未来变化趋势，最后进一步应用CA-Markov模型模拟和预测2030年环鄱阳湖城市群的生态环境质量，旨在为该区域的生态文明建设与可持续发展提供科学依据.
1 研究区概况与数据来源 1.1 研究区概况环鄱阳湖城市群地处江西省中北部（26°57′~30°04′N，113°34′~118°28′E），以我国第一大淡水湖——鄱阳湖为核心. 该区域地形平坦，水系发达，森林覆盖面积超过50%，整体区域面积为9.23万km2，涵盖了江西省近10个地级市（如图 1）. 截至2020年末，该地区实现生产总值19 459.89亿元，占全省生产总值的75.74%；常住人口达到3 109.97万人，城镇化水平达到61.67%. 环鄱阳湖城市群现代化步伐加快，城市扩张与能源需求增长并行，随之而来的生态环境挑战成为影响区域可持续发展的核心问题.
|
图 1 研究区域 Fig. 1 Study area |
MODIS数据为大范围监测生态环境提供了高效途径. 因此，本研究通过GEE平台选取MODIS多时相8 d表面反射率合成数据集MOD09A1、8 d平均地表温度数据集MOD11A2和归一化差异植被指数数据集MOD13A1来提取4个生态指标. 在这4个指标中，NDVI、WET和NDBSI的分辨率为500 m，而LST的分辨率为1 000 m. 当将这4个指标组合起来构建RSEI时，它们实际上具有融合效应，因此，生成的RSEI图像的分辨率保持在500 m[29，30]. 上述数据已完成大气校正、去云、拼接与裁剪等预处理，详情见表 1.
|
表 1 遥感数据信息 Table 1 Remote sensing data information |
2 研究方法 2.1 遥感生态指数的构建
遥感生态指数（RSEI）是通过主成分分析（PCA）耦合绿度（NDVI）、湿度（WET）、干度（NDBSI）和热度（LST）这4个指标来表征生态质量. 绿度是由归一化植被指数表示[27]；湿度是由缨帽变换后的湿度分量表示[31]；干度由归一化建筑-裸土指数表示，其由建筑指数[32]与裸土指数[33]取平均组合而成.热度由地表温度表示[34]. 由于指标数据均来自于遥感数据，并且不需要设置权重，具有较强的客观性与可信度[35]. RSEI可以表示为如下函数式：
| (1) |
为确保RSEI主成分分析不受水体区域的干扰，基于GEE平台利用全球地表水数据集的年度水体分类历史数据层剔除环鄱阳湖城市群中的水体信息[36].
2.2 指标去噪与整体归一化由于各指标在数值范围上存在较大差异，此外，指标若存在异常值对归一化后的数据有一定影响. 因此在进行PCA之前，对以上指标进行去噪和归一化处理以统一各指标的量纲. 在此过程中，本研究采用像元二分模型，通过该模型去除各指标中的1%高值和低值噪声，以减少异常值对结果的影响，并利用归一化公式对各指标进行归一化处理[37，38]. 公式如下：
| (2) |
式中，NIi为归一化后的指标值，Ii为指标值，Imax和Imin分别为该指标的最大和最小值.
经过正规化后的4个指标可以用于计算第一主成分（PC1），若NDVI和WET在PC1的载荷值为正值，NDBSI和LST为负值，则用PC1表示RSEI，反之则用1-PC1表示[26]. 具体公式如下：
| $ \mathrm{RSEI}_0=\left\{\begin{array}{l} \mathrm{PC}_1[f(\mathrm{NDVI}, \text { WET, NDBSI, LST })], \quad \boldsymbol{V}_{\mathrm{NDVI}}, \boldsymbol{V}_{\mathrm{WET}}>0 \\ 1-\mathrm{PC}_1[f(\mathrm{NDVI}, \text { WET, NDBSI, LST })], \quad \boldsymbol{V}_{\mathrm{NDVI}}, \boldsymbol{V}_{\mathrm{WET}}<0 \end{array}\right. $ | (3) |
式中，RSEI0为初始遥感生态指数，VNDVI和VWET分别为PC1中绿度和湿度指标特征向量.
为了方便对比不同年份的RSEI指数，对RSEI0进行归一化处理，RSEI的取值在[0，1]之间，值越大，表示生态环境质量越好，反之越差. 计算公式如下：
| (4) |
式中，RSEI0_max和RSEI0_min分别为RSEI0的最大和最小值.
2.3 CV变异系数CV变异系数是衡量数据离散程度的重要指标. 其值的大小直观反映了数据的波动性：变异系数越大，表明数据分布越分散，波动幅度越高；反之，越小则表示数据越集中，波动幅度较低. 本文运用CV变异系数探究RSEI的稳定性特征[39]. 计算公式如下：
| (5) |
式中，CV表示RSEI的变异系数，δ表示标准差，γ表示平均值. 将CV值划分为低波动（<0.1）、较低波动（0.1~0.2）、中等波动（0.2~0.3）、较高波动（0.3~0.4）和高波动（>0.4）这5个级别[40].
2.4 Sen+Mann-Kendall检验Theil-Sen斜率估计是一种稳健的非参数分析方法，具有较强的数据适应性. 它无需对数据分布做出严格假设，能够在一定程度上避免数据缺失和异常分布的干扰. 这使得它在处理各类数据时都能保持较高的可靠性[41]. Mann-Kendall（M-K）检验是一种非参数统计方法，适用于时间序列数据的显著性分析[42]. 计算公式为：
| (6) |
式中，RSEIi和RSEIj为序列数i和j对应的指标数值；β为斜率中值，当β>0时指标呈上升趋势，当β<0时指标呈下降趋势.
对于M-K检验，Ζ为标准化后的检验统计量，当Ζ的绝对值分别大于1.65、1.96和2.58时，表示趋势分别通过了信度为90%、95%和99%的显著性检验.
2.5 空间转移及重心迁移分析空间转移矩阵被应用于研究某一要素在特定的时间范围内的空间格局变动，并对该元素的流入和流出进行量化分析[43]. 重心迁移模型可以描述某种属性分布重心的动态变化[16]. 计算方法如下：
| (7) |
式中，X和Y分别为重心经度和纬度坐标；n为斑块数；Ci为第i个斑块的面积；Xi和Yi为第i个斑块的中心经度和纬度坐标.
2.6 Hurst指数Hurst指数（H）是定量描述时间序列长程依赖性的有效方法[44]. 计算方法如下：
| (8) |
| (9) |
式中，Index（T）为均值序列，X（t，T）为累计离差. 若极差R与时间序列标准差S满足
元胞自动机（CA）是一种具有离散时空状态的模型，可以处理和操作复杂的空间系统[45]. 其表达式为：
| (10) |
式中，S（t+1）和S（t）分别为t+1和t时刻的元胞有限离散的集合状态；f为局部空间的元胞转移规则；N为两个瞬间的间隔时间.
Markov模型是一种描述随机过程的数学模型，常用于模拟无后效性的地理事件. Markov模型认为，事件的未来状态与当前状态有关，而与历史状态无关. 通过初始状态和转移概率矩阵，可以有效预测系统的未来状态[46]. 其表达式如下：
| (11) |
式中，Pij表示转移概率矩阵.
CA-Markov模型融合了Markov模型的时间预测优势与CA模型的空间分析能力. 而生态环境质量具有空间自相关性，为生态环境质量预测提供了新的视角. 通过引入CA-Markov模型对环鄱阳湖城市群的生态环境质量进行科学预测，为区域生态规划和决策提供有力支持[41，47].
3 结果与分析 3.1 遥感生态指数模型检验各年份主成分分析结果如表 2所示. 从中可知，PC1中NDVI和WET的载荷值为负值，NDBSI和LST的载荷值为正值，根据RSEI的构建方法，因此采用1-PC1来构建RSEI表征生态环境质量[14]. 各年份PC1的特征值贡献率最低值为55.8%（2014年），最高值为74.1%（2003年），说明PC1为主要组成部分，能有效地整合4个生态指标的大部分生态信息，这突出了它在创建综合生态指数方面的效用[48]. 主成分分量应用的重点在于其是否真正代表某一特定信息，而不是它的特征向量所占的百分比[26]. 因此，由PC1表征的遥感生态指数能够有效反映环鄱阳湖城市群的生态环境质量在不同年份上的变化情况.
|
|
表 2 主成分分析结果 Table 2 Principal component analysis results |
3.2 环鄱阳湖城市群生态环境质量时间变化格局
环鄱阳湖城市群2000~2020年各生态指标均值变化及RSEI线性拟合情况如图 2和图 3所示. 从中可以看出，遥感生态指数RSEI的均值为0.625，处于中等偏上的水平，具体表现为先上升后下降的趋势，21 a间整体呈上升趋势. 2000~2014年波动上升，2014年达到最高为0.656，随后2014~2020年有所下降，RSEI均值从2000年的0.574上升至2020年的0.629，增幅为9.6%. 从单一指标看，NDVI呈波动上升趋势，由2000年的0.627上升至2020年的0.670，上升了6.9%；WET变化呈震荡下降的态势，其值在0.510~0.631之间波动变化；NDBSI变化呈现波动下降的态势，总体变化不大；LST则表现为波动下降的趋势，由2000年的0.592下降至2020年的0.453，下降了23.5%.
|
图 2 生态指标均值年际变化 Fig. 2 Interannual variation in the mean values of ecological indicators |
|
图 3 RSEI线性拟合 Fig. 3 RSEI linear fit |
以5 a时间为间隔，选取2000年、2005年、2010年、2015年和2020年作为代表年份对环鄱阳湖城市群的生态质量进行分析. 依据《生态环境状况评价技术规范》（HJ 192⁃2015）[49]，将环鄱阳湖城市群的RSEI值划分为差、较差、中等、良和优这5个等级，可视化结果如图 4所示. 从中可以看出，各年份生态环境质量等级为优的区域集中在研究区的东北部和西部. 多年生态环境质量等级为差的地区集中在中部及南部的平原地区，如南昌市等，自2000年起从中部向南部生态环境逐渐改善. 植被覆盖较好的地方其生态环境质量较好，在城镇化率高的地区生态环境质量较差，城市群内的城镇区越来越集中，表现为生态环境质量为差的区域集中在城市发展较快的区域.
|
图 4 环鄱阳湖城市群RSEI等级分布 Fig. 4 RSEI grade distribution map of the Poyang Lake city cluster |
通过统计分析研究区内生态环境质量分级情况，绘制出图 5中的生态等级迁移路径. 从中可以看出，2000~2015年生态环境质量总体表现为改善趋势，主要表现为良、中等和较差等级之间的相互转化，其中各等级生态环境向更高等级改善的趋势更为明显. 在此期间，生态环境等级为良的区域面积最大，约占总面积的一半；而等级为差的区域面积仅占总面积的2%左右，且呈波动下降趋势. 2015~2020年生态环境质量出现下滑，表现为少部分区域生态环境质量由优和良降至中等，或由较差恶化至差. 整体来看2000~2020年间等级为良的面积从44.86%上升至58.42%，等级为优和良的面积占比超过总面积的50%. 综上所述，环鄱阳湖城市群生态环境质量整体呈现改善趋势.
|
图 5 环鄱阳湖城市群RSEI等级迁移路径 Fig. 5 RSEI grade transition path in the Poyang Lake city cluster |
通过计算2000~2020年5期环鄱阳湖城市群RSEI各生态等级重心并绘制重心迁移图（图 6）. 从中可以看出，差等级重心呈现东南往西北向迁移，与南昌城市扩张的生态胁迫高度耦合；较差与中等等级重心持续分布于南昌东南部，其西南/东北向偏移分别响应生态环境退化；良等级重心在南昌东部呈现向西南的系统性位移；优等级重心稳定滞留在鄱阳湖生态缓冲区. 2005~2015年环鄱阳湖城市群RSEI各生态等级迁移幅度较大，表明在此期间涉及大量面积之间的等级转换. 从整体重心迁移轨迹来看2000~2020年各生态等级重心均分布在南昌市和一些周边区域，近5 a环鄱阳湖城市群生态环境质量等级重心以东南方向迁移为主.
|
图 6 环鄱阳湖城市群RSEI等级重心迁移路径 Fig. 6 Center shift path of RSEI grades in the Poyang Lake city cluster |
本研究将Theil-Sen趋势分析与M-K显著性检验相结合，将环鄱阳湖城市群的RSEI变化划分为9种类型（图 7），各类变化特征的面积占比详见表 3. 结果显示，生态环境退化区域主要集中在南昌市、景德镇市及萍乡市；而生态环境改善区域则集中于抚州市、九江市和上饶市. 2000~2020年期间，环鄱阳湖城市群中生态环境质量呈改善趋势的区域面积比例较高，大部分地区的生态环境质量均呈上升趋势. 其中，不显著改善区域的面积占比最大，占比为31.72%，其次是极显著改善的区域，占比为23.27%，而生态环境无明显变化的区域面积占比最小，仅为0.03%.
|
图 7 环鄱阳湖城市群RSEI变化显著性 Fig. 7 Significance of RSEI changes in the Poyang Lake city cluster |
|
|
表 3 环鄱阳湖城市群RSEI变化显著性统计 Table 3 Statistical significance of RSEI changes in the Poyang Lake city cluster |
本研究将Theil-Sen趋势分析与Hurst指数相结合，将环鄱阳湖城市群的RSEI的可持续性变化特征划分为5种类型（图 8），各类变化特征的面积占比详见表 4. 结果显示，持续恶化区域主要集中在南昌市和萍乡市，而持续改善区域则零散分布于各市，其中抚州市改善较为显著，持续改善的面积占比达19.46%. 反持续改善趋势的区域在研究区占比最高，达到49.34%，这表明接近一半的区域未来改善潜力有限，需重点关注其变化的显著性及驱动因素，而未来基本稳定的区域多为植被覆盖丰富的山区，如九江市、景德镇市和铅山县等地.
|
图 8 环鄱阳湖城市群RSEI可持续性 Fig. 8 RSEI sustainability in the Poyang Lake city cluster |
|
|
表 4 未来趋势类别 Table 4 Future trends category |
对RSEI进行逐像元的CV变异系数计算，得到环鄱阳湖城市群的RSEI稳定性分布（图 9）. 结果显示，2000~2020年期间，该区域生态环境质量变化的稳定性表现为：低波动区域占58.85%，较低波动区域占31.12%，主要以二者为主，表明环鄱阳湖城市群近90%的区域发生波动的概率较低. 低波动区域主要集中在东部的景德镇市和铅山县等地，以上地区植被覆盖度高且稳定，因此生态环境变化波动较小. 而高波动区域则相对集中，主要分布在各城镇区域，如南昌市和临川区等地.
|
图 9 环鄱阳湖城市群RSEI稳定性 Fig. 9 RSEI stability in the Poyang Lake city cluster |
基于2000年和2010年两个时期的RSEI数据，对2020年RSEI进行模拟，在此基础上预测2030年的RSEI空间分布. 通过将2020年RSEI的模拟结果与2020年真实RSEI数据进行模型精度验证得到Kappa系数为0.7381，表明该模型预测具有较高的准确性和可靠性，可适用于环鄱阳湖城市群2030年的RSEI空间分布预测. 2030年环鄱阳湖城市群预测RSEI空间分布见图 10. 预测结果如下：生态环境质量等级为优的区域面积占比11.27%，良占56.16%，较差占5.38%，差占2.01%. 对比2020年RSEI值，区域生态环境质量整体呈轻微改善趋势. 具体表现为：差和较差等级区域面积有所缩减，优和良等级区域面积相应增加，且良等级区域的面积变化最为显著. 等级为优和良的区域主要分布在研究区的东西部，而等级为差和较差的区域仍集中在南昌市和上饶市等城市区域.
|
图 10 2030年模拟环鄱阳湖城市群RSEI等级空间分布 Fig. 10 Simulated spatial distribution of RSEI grades for the Poyang Lake city cluster in 2030 |
基于GEE平台构建的遥感生态指数模型，为环鄱阳湖城市群生态环境质量评估提供了高效且可靠的解决方案. 该平台显著提升了评估工作的效率与精度，其核心优势体现在以下3个方面：①本研究摒弃传统繁琐的数据下载流程，直接通过GEE平台高效获取2000~2020年间的MODIS影像. 利用GEE强大的处理能力，对目标年份影像进行均值合成，有效抑制噪声与云污染，显著提升了原始数据的质量. 这一基础环节的优化，为后续不同年份生态环境质量的准确和一致性评估奠定了坚实基础；②在GEE平台上对预处理后的影像数据执行主成分分析，结果表明，不同年份的PC1贡献率均稳定在55%以上. 这充分证明，基于GEE平台提取的RSEI指标能够有效集成核心生态环境信息，为精确刻画环鄱阳湖城市群生态环境质量的时空格局及其动态演变提供了高度可靠的数据基础；③GEE的核心优势在于其强大的云端计算能力. 平台内嵌了丰富的预处理功能和快速调用函数，如云量筛选、掩膜处理和异常值去除，减少了传统方法中耗时的数据下载及预处理等步骤. 更重要的是，在维持相同数据质量的前提下，GEE能更快计算出研究区域的遥感生态指数指标，这种效率的飞跃也极大地加速了模型构建与分析进程，更极大提升了评估效率，展现出在大区域尺度生态环境综合评估领域广阔的应用前景.
环鄱阳湖城市群2000~2020年间RSEI指数的平均值为0.625，生态环境质量的变化呈现出一定的波动性. 环鄱阳湖城市群生态环境质量状况中等，整体呈现中部平原地区低，周边丘陵和山地地区高的空间格局分布. 由于丘陵和山区海拔较高、气候条件适宜有利于植被生长，从而有较高的植被覆盖度，生态环境质量表现较好，这与田智慧等[49]、张雅欣等[50]和Zhang等[51]的研究结果基本一致. 2000~2014年生态环境质量呈现波动上升，在此期间2007~2008年有较大幅度的下降，这主要是由于2008年江西省大部分地区出现持续大范围雨雪和低温冷冻天气，导致森林面积受损，房屋坍塌，使生态环境遭到严重的破坏. 2009年“鄱阳湖生态经济区”规划的出台，使得2010年开始生态环境逐渐改善，2014年达到最高. 2014年后生态环境质量下降，这可能与2014年后研究区干旱气候频发有关. 例如江西在2019年表现出连续5个月以上的夏秋连旱，属于大面积，高强度干旱[52]. 严重干旱导致该地区水资源量降低，土壤功能衰退，植被长势差，并进一步导致城市群生态环境质量恶化. 在21 a间，环鄱阳湖城市群生态质量以等级为良为主，2000~2015年持续改善，等级为差和较差的面积逐渐改善，2015~2020年由于受极端天气影响，生态环境质量改善面积不及退化面积. 通过重心迁移和趋势显著性分析城市群内生态环境质量，得出变化趋势以不显著改善为主，各等级的重心变化主要以南昌市及其周边的城市区域为主. 环鄱阳湖城市群内的城市发展与城镇化建设的快速发展导致生态环境质量的退化，南昌市作为江西省省会，其经济和城市化发展占城市群内主要部分，通过查阅统计年鉴可知，江西省城镇化率从2000年的27.67%，逐步提升至2010年的44.06%，2015年继续上升至52.30%，直到2020年达到60.4%. 从CA-Markov模型预测未来2030年的RSEI空间分布（图 10）可知，大部分地区的RSEI将呈上升趋势. 但也可清楚地看到，2015~2020年RSEI的整体表现为下降趋势，未来经济建设还面临不少困难. 在经济下行压力加大的情况下，实现碳达峰和碳中和迫在眉睫，任务艰巨. 政府应该加强循环经济政策的建设，这有助于提高环境和可持续发展的能力. 国家虽已出台一系列环境治理措施，但环鄱阳湖城市群的发展与生态保护任务依然艰巨.
5 结论（1）环鄱阳湖城市群生态环境质量在2000~2014年总体波动上升，2014年后开始小幅度下降，伴随少量优和良区域降级至中等，以及部分较差区域恶化至差. 尽管存在波动，21 a间整体生态环境质量维持在中等偏上水平，且呈现改善趋势，良等级区域始终占据最大面积比例. 空间格局显示：优等区域集中于东北部和西部，中部及南部以较差和差等级为主，但2010年后状况改善.
（2）2000~2020环鄱阳湖城市群生态环境质量的变化趋势主要以不显著改善为主，其区域面积占比最大为31.72%，在南昌市周边地区的变化较大. 通过重心迁移分析得出不同生态等级的位置发生了迁移，2000~2020年各生态等级重心均分布在南昌市及其周边区域，近5 a生态环境质量等级重心以东南方向迁移为主.
（3）环鄱阳湖城市群生态环境质量整体上较稳定，以低波动及较低波动为主；生态环境质量的未来变化主要以持续改善和反持续改善为主，其面积占比分别为19.46%和49.34%，未来反持续改善趋势主要集中在中部和西南部地区. 2030年环鄱阳湖城市群生态环境质量将得到一定改善，其中生态等级主要以良为主，占比为56.16%，差和较差的部分仍集中在研究区的中部、西南部及东南部地区.
| [1] | Haas J, Ban Y F. Mapping and monitoring urban ecosystem services using multitemporal high-resolution satellite data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(2): 669-680. DOI:10.1109/JSTARS.2016.2586582 |
| [2] | Aronson M F J, Lepczyk C A, Evans K L, et al. Biodiversity in the city：key challenges for urban green space management[J]. Frontiers in Ecology and the Environment, 2017, 15(4): 189-196. DOI:10.1002/fee.1480 |
| [3] | Geng J W, Yu K Y, Xie Z, et al. Analysis of spatiotemporal variation and drivers of ecological quality in Fuzhou based on RSEI[J]. Remote Sensing, 2022, 14(19). DOI:10.3390/rs14194900 |
| [4] |
陈洁茹, 叶长盛, 魏嶶, 等. 环鄱阳湖城市群县域“三生空间”耦合协调性及影响因素分析[J]. 生态环境学报, 2025, 34(5): 807-818. Chen J R, Ye C S, Wei W, et al. Analysis of “production-living-ecological space” coupling coordination and influencing factors in county areas of Poyang Lake city cluster[J]. Ecology and Environmental Sciences, 2025, 34(5): 807-818. |
| [5] |
胡宜之, 余敦. 环鄱阳湖城市群土地利用碳排放传导效应及预测[J]. 水土保持研究, 2024, 31(2): 342-353. Hu Y Z, Yu D. Transmission effect and prediction of land use carbon emissions in urban agglomeration around Poyang Lake[J]. Research of Soil and Water Conservation, 2024, 31(2): 342-353. |
| [6] |
马舒意, 黄小兰, 黄晶. 环鄱阳湖城市群生态系统服务价值时空变化及权衡协同关系[J]. 水土保持研究, 2024, 31(3): 391-400. Ma S Y, Huang X L, Huang J. Temporal and spatial variation of ecosystem service value and its trade-offs and synergies in the urban agglomeration around Poyang Lake[J]. Research of Soil and Water Conservation, 2024, 31(3): 391-400. |
| [7] |
刘璐, 张文强, 胡飞超, 等. 基于群决策和层次分析法的长江中游地区农村污水处理技术评价及优选[J]. 环境科学, 2023, 44(2): 1191-1200. Liu L, Zhang W Q, Hu F C, et al. Evaluation and optimization of rural sewage treatment technologies in the middle reaches of the Yangtze River based on group decision making and analytic hierarchy process[J]. Environmental Science, 2023, 44(2): 1191-1200. DOI:10.13227/j.hjkx.202203043 |
| [8] |
姚琦, 黎明杰, 麻林, 等. 基于大型底栖动物完整性指数与综合生物指数的水生态评价[J]. 中国环境科学, 2024, 44(3): 1476-1486. Yao Q, Li M J, Ma L, et al. Ecological health assessment based on benthic macroinvertebrates index of biotic integrity and comprehensive biological index[J]. China Environmental Science, 2024, 44(3): 1476-1486. |
| [9] |
徐伟恒, 熊源, 黄邵东, 等. 遥感在生态环境质量监测与评价中的应用现状研究[J]. 西南林业大学学报, 2023, 43(2): 195-204. Xu W H, Xiong Y, Huang S D, et al. Review and research progress of the application of remote sensing in ecological environment quality monitoring and evaluation[J]. Journal of Southwest Forestry University, 2023, 43(2): 195-204. |
| [10] | Li P, Wang J, Liu M M, et al. Spatio-temporal variation characteristics of NDVI and its response to climate on the Loess Plateau from 1985 to 2015[J]. CATENA, 2021, 203. DOI:10.1016/j.catena.2021.105331 |
| [11] | Wang Q F, Zeng J Y, Qi J Y, et al. A multi-scale daily SPEI dataset for drought characterization at observation stations over mainland China from 1961 to 2018[J]. Earth System Science Data, 2021, 13(2): 331-341. DOI:10.5194/essd-13-331-2021 |
| [12] | Lee P S H, Park J. An effect of urban forest on urban thermal environment in Seoul，South Korea，based on Landsat imagery analysis[J]. Forests, 2020, 11(6). DOI:10.3390/f11060630 |
| [13] | Wang H, Liu C L, Zang F, et al. Remote sensing-based approach for the assessing of ecological environmental quality variations using google earth engine：a case study in the Qilian mountains，northwest China[J]. Remote Sensing, 2023, 15(4). DOI:10.3390/rs15040960 |
| [14] |
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. |
| [15] | Liu H, Jiang Y, Misa R, et al. Ecological environment changes of mining areas around Nansi lake with remote sensing monitoring[J]. Environmental Science and Pollution Research, 2021, 28(32): 44152-44164. DOI:10.1007/s11356-021-13849-y |
| [16] |
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. |
| [17] |
柯丽娜, 徐佳慧, 王楠, 等. 基于遥感生态指数的滨海湿地生态质量变化评价——以辽东湾北部区为例[J]. 生态环境学报, 2022, 31(7): 1417-1424. Ke L N, Xu J H, Wang N, et al. Evaluation of ecological quality of coastal wetland based on remote sensing ecological index：a case study of northern Liaodong bay[J]. Ecology and Environmental Sciences, 2022, 31(7): 1417-1424. |
| [18] |
倪春雨, 何文, 姚月锋. 基于Landsat 8的漓江流域生态环境质量及其影响因素分析[J]. 科学技术与工程, 2024, 24(12): 5227-5238. Ni C Y, He W, Yao Y F. Analysis of ecological environment quality and its influencing factors of the Lijiang River basin based on Landsat 8[J]. Science Technology and Engineering, 2024, 24(12): 5227-5238. |
| [19] |
赵娜, 王冰, 王子昊, 等. 基于遥感生态指数的内蒙古生态环境质量时空演化及生态管理分区[J]. 环境科学, 2025, 46(7): 4499-4509. Zhao N, Wang B, Wang Z H, et al. Spatiotemporal evolution of ecological environment quality and ecological management zoning in Inner Mongolia based on RSEI[J]. Environmental Science, 2025, 46(7): 4499-4509. DOI:10.13227/j.hjkx.202405303 |
| [20] |
叶博文, 孙标, 史小红, 等. 巴彦淖尔市土地利用变化及其对生态环境质量的影响[J]. 环境科学, 2024, 45(12): 6899-6909. Ye B W, Sun B, Shi X H, et al. Land use changes and its impact on ecological environment quality in Bayannur City[J]. Environmental Science, 2024, 45(12): 6899-6909. DOI:10.13227/j.hjkx.202312120 |
| [21] |
赵晓燕, 李永平, 谈树成, 等. 成渝双城经济圈生态环境质量时空演变格局及其驱动力[J]. 生态学报, 2025, 45(1): 319-333. Zhao X Y, Li Y P, Tan S C, et al. Analysis of spatial and temporal evolution patterns and driving forces of ecological environment quality in Chengdu-Chongqing Economic Circle[J]. Acta Ecologica Sinica, 2025, 45(1): 319-333. |
| [22] |
张伟, 杜培军, 郭山川, 等. 改进型遥感生态指数及干旱区生态环境评价[J]. 遥感学报, 2023, 27(2): 299-317. Zhang W, Du P J, Guo S C, et al. Enhanced remote sensing ecological index and ecological environment evaluation in arid area[J]. National Remote Sensing Bulletin, 2023, 27(2): 299-317. |
| [23] |
陈创, 聂平静, 黄凤寸, 等. 基于RSEI改进模型的生态环境质量评价及驱动机制研究——以湖南省桃江县为例[J]. 水土保持通报, 2024, 44(3): 159-170. Chen C, Nie P J, Huang F C, et al. Evaluation and driving mechanism of eco-environmental quality based on improved RSEI model——a case study at Taojiang County，Hunan Province[J]. Bulletin of Soil and Water Conservation, 2024, 44(3): 159-170. |
| [24] |
农兰萍, 王金亮, 玉院和. 基于改进型遥感生态指数（MRSEI）模型的滇中地区生态环境质量研究[J]. 生态与农村环境学报, 2021, 37(8): 972-982. Nong L P, Wang J L, Yu Y H. Research on ecological environment quality in central Yunnan based on MRSEI model[J]. Journal of Ecology and Rural Environment, 2021, 37(8): 972-982. |
| [25] | 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 |
| [26] |
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. |
| [27] | Cai Z C, Zhang Z, Zhao F, et al. Assessment of eco-environmental quality changes and spatial heterogeneity in the Yellow River Delta based on the remote sensing ecological index and geo-detector model[J]. Ecological Informatics, 2023, 77. DOI:10.1016/j.ecoinf.2023.102203 |
| [28] | Airiken M, Li S C. The dynamic monitoring and driving forces analysis of ecological environment quality in the Tibetan Plateau based on the google earth engine[J]. Remote Sensing, 2024, 16(4). DOI:10.3390/rs16040682 |
| [29] | Maimaitijiang M, Sagan V, Sidike P, et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing of Environment, 2020, 237. DOI:10.1016/j.rse.2019.111599 |
| [30] | Xu H Q, Lin M J, Wang Y F, et al. Quantitatively exploring the influence of geographical conditions on ecological quality using a novel remote sensing model：a comparison between two geographical disparity regions in China[J]. Geo-spatial Information Science, 2025, 28(3): 849-866. DOI:10.1080/10095020.2024.2380779 |
| [31] | Lobser S E, Cohen W B. MODIS tasselled cap：land cover characteristics expressed through transformed MODIS data[J]. International Journal of Remote Sensing, 2007, 28(22): 5079-5101. DOI:10.1080/01431160701253303 |
| [32] | Xu H. A new index for delineating built-up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008, 29(14): 4269-4276. DOI:10.1080/01431160802039957 |
| [33] | Rikimaru A, Roy P S, Miyatake S. Tropical forest cover density mapping[J]. Tropical Ecology, 2002, 43(1): 39-47. |
| [34] | Dai X, Chen J P, Xue C L. Spatiotemporal patterns and driving factors of the ecological environmental quality along the Jakarta-Bandung high-speed railway in Indonesia[J]. Sustainability, 2023, 15(16). DOI:10.3390/su151612426 |
| [35] |
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. |
| [36] | 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 |
| [37] |
邵志东, 张芳, 彭康, 等. 基于土地覆盖变化与遥感生态指数的奇台绿洲生态环境质量监测[J]. 环境科学, 2024, 45(10): 5890-5899. Shao Z D, Zhang F, Peng K, et al. Ecological environment quality monitoring of Qitai Oasis based on land use/cover change and remote sensing ecological index[J]. Environmental Science, 2024, 45(10): 5890-5899. DOI:10.13227/j.hjkx.202311092 |
| [38] |
王新驰, 鲁铁定, 龚循强, 等. 基于改进遥感生态指数的南昌市生态环境质量监测与评价[J]. 科学技术与工程, 2023, 23(35): 15319-15327. Wang X C, Lu T D, Gong X Q, et al. Ecological environment quality monitoring and evaluation in Nanchang City based on improved remote sensing ecological index[J]. Science Technology and Engineering, 2023, 23(35): 15319-15327. |
| [39] |
张靓涵, 张未, 赵安周, 等. 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 J H, Zhang W, Zhao A Z, et al. 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. DOI:10.13227/j.hjkx.202311223 |
| [40] |
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 Huaihe River Basin based on RSEI[J]. Environmental Science, 2024, 45(7): 4112-4121. DOI:10.13227/j.hjkx.202308035 |
| [41] | Zhou S L, Li W, Zhang W, et al. The assessment of the spatiotemporal characteristics of the eco-environmental quality in the Chishui River Basin from 2000 to 2020[J]. Sustainability, 2023, 15(4). DOI:10.3390/su15043695 |
| [42] | 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 |
| [43] |
陶帅, 邝婷婷, 彭文甫, 等. 2000—2015年长江上游NDVI时空变化及驱动力——以宜宾市为例[J]. 生态学报, 2020, 40(14): 5029-5043. Tao S, Kuang T T, Peng W F, et al. Analyzing the spatio-temporal variation and drivers of NDVI in upper reaches of the Yangtze River from 2000 to 2015：a case study of Yibin City[J]. Acta Ecologica Sinica, 2020, 40(14): 5029-5043. |
| [44] |
张斯源, 樊逸飞, 颜礼, 等. 基于长时序MODIS的陕西省近20年生态质量时空变化及其驱动力研究[J]. 水土保持学报, 2023, 37(2): 111-119，198. Zhang S Y, Fan Y F, Yan L, et al. Temporal and spatial variation and driving forces of eco-environmental quality in Shaanxi Province in recent 20 years based on long time series MODIS data[J]. Journal of Soil and Water Conservation, 2023, 37(2): 111-119，198. |
| [45] | Mokarram M, Pourghasemi H R, Hu M, et al. Determining and forecasting drought susceptibility in southwestern Iran using multi-criteria decision-making（MCDM）coupled with CA-Markov model[J]. Science of the Total Environment, 2021, 781. DOI:10.1016/j.scitotenv.2021.146703 |
| [46] |
李凯, 张北赢. 基于CA-Markov模型的黄土高原土地利用模拟预测[J]. 湖北农业科学, 2022, 61(16): 64-69. Li K, Zhang B Y. Land use simulation and prediction in Loess Plateau based on CA-Markov model[J]. Hubei Agricultural Sciences, 2022, 61(16): 64-69. |
| [47] | Qiu Y H, Lu J B. Dynamic simulation of Spartina alterniflora based on CA-Markov model—a case study of Xiangshan bay of Ningbo City，China[J]. Aquatic Invasions, 2018, 13(2): 299-309. DOI:10.3391/ai.2018.13.2.10 |
| [48] | Maimaitituersun A, Yang H, Aobuliaisan N, et al. Assessing subtle changes in arid land river basin ecological quality：a study utilizing the PIE engine platform and RSEI[J]. Ecological Indicators, 2025, 170. DOI:10.1016/j.ecolind.2024.113035 |
| [49] |
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. |
| [50] |
张雅欣, 詹淇雯. 基于RSEI鄱阳湖生态经济区生态质量评价[J]. 北京测绘, 2024, 38(8): 1166-1171. Zhang Y X, Zhan Q W. Ecological quality assessment of ecological economic zone in Poyang Lake based on remote sensing ecological index[J]. Beijing Surveying and Mapping, 2024, 38(8): 1166-1171. |
| [51] | Zhang X M, Fan H B, Sun L, et al. Identifying regional eco-environment quality and its influencing factors：a case study of an ecological civilization pilot zone in China[J]. Journal of Cleaner Production, 2024, 435. DOI:10.1016/j.jclepro.2023.140308 |
| [52] |
罗甜, 郑博福, 黄云, 等. 基于改进型生态环境状况指数的江西省生态环境评价[J]. 遥感技术与应用, 2025, 40(2): 401-413. Luo T, Zheng B F, Huang Y, et al. Evaluation of ecological environment in Jiangxi Province based on improved ecological index[J]. Remote Sensing Technology and Application, 2025, 40(2): 401-413. |