基于遥感生态指数的上海市城市生态质量评价及驱动力研究

刘立志,韩震

上海海洋大学海洋科学学院,上海 201306

随着城市经济的高速发展和社会阶段性发展的变革，生态环境发生了显著的变化[1-3]。2012 年我国在全国范围内开展了生态环境十年变化（2000—2010）遥感调查与评估，促进了国内生态环境质量分析研究的迅速发展。生态环境质量监测的评价方法主要包括指数评价法、人工神经网络、灰度关联分析法、聚类分析法、生态足迹法和模糊判别法等[5-9]。关于指数评价法的研究主要分为单一指标和综合指标两个方面。考虑到生态环境的复杂性，综合生态指数监测往往比单一生态指数监测更具有优势[10]。遥感生态指数（remote sensing ecological index,RSEI）是2013 年徐涵秋[11]利用不受人为因素影响的主成分分析法提出的，选取了湿度、绿度、干度和热度四个指标，根据指标的贡献值评价了福州市的生态环境质量。该方法不仅可以定量表示生态质量状况，还可以进行可视化分析，已经在许多领域被广泛应用。Alejandra M M[12]2018 年提出了城市环境质量指数（UEQI）,将遥感数据和人口普查数据结合，利用多元统计分析来确定城市的环境质量指数。Firozjaei M K 等 [13]（2021）使用美国和欧洲13 个城市的遥感影像，将植被-不透水面-土壤三角模型和遥感生态指数模型进行结合，提出了一个地表生态状况组成指数，将裸土和人为破坏活动的土地区分开来。Maity S [14]（2022）基于遥感生态指数模型，对加而各答城市群30 年的生态环境质量进行了评价。以上研究主要从遥感生态指数的角度评价整体城市生态质量变化，对遥感生态指数变化以及驱动因素研究较少，利用主成分分析构建了RSEI 模型，对上海市2013—2019 年的生态环境进行了评估，并利用地理探测器分析了上海市生态质量的驱动因素。

1 研究区和数据来源

1.1 研究区域

上海市，位于太平洋西岸，长江和黄浦江入海汇合处，北与江苏省南通市接壤，南与杭州湾北岸相望，西部和江苏和浙江两省相邻。上海属于河口冲积洲平原，地势低平、东高西低，地面高程平均不足4 m，地面低于外围高潮水位。上海属于亚热带季风性气候，常年主导风为东南风，气候温润，日照充足，四季分明，雨水充沛。上海市境内天然植被不多，绝大部分是人工栽培作物和林木。上海周边地区多为农田小镇，不透水面由中心城区向四周呈现辐射状。

1.2 数据来源

研究使用2013 年、2015 年、2017 年和2019 年Landsat8 卫星OLI 传感器的遥感影像数据，数据来源于美国地质勘探局。研究区矢量边界数据来自全国地理信息资源目录服务系统。自然地理数据主要有：降水数据、地形高程、地形坡度、地形坡向等，其中降水数据来自国家地球系统科学数据中心；地形高程数据来自美国地质勘探局；地形坡度、坡向数据来源于地理空间数据云。社会经济数据主要有：国内生产总值(GDP)、年末常住人口、人口密度等，均引自上海市统计年鉴。

2 研究方法

2.1 绿度指标

归一化植被指数（NDVI）是衡量绿化程度的指标之一[15]，其计算公式如下：

其中，BNIR和BRed分别为近红外和红色波段反射率。

2.2 湿度指标

通过缨帽变换从遥感数据中提取湿度指标[16]，其计算公式为：

其中，ρblue为蓝光波段反射率；ρgreen为绿光波段反射率；ρred为红光坡段反射率；ρmir1为中红外1 波段反射率；ρmir2为中红外2 波段反射率；对于OLI 影像，wi (i=1，2，…，6) 为缨帽变换中Wet分量各波段的系数，分别为0.1511、0.1973、0.3283、0.3407、—0.7117、—0.4559。

2.3 热度指标

热度指标使用经过比辐射率校正的地表温度(LST)，计算公式如下:

其中，e为地表比辐射率；L为卫星传感器处辐射强度(W·m—2·ster—1· μm—1) ；Qλ为像元对应 DN值；ML和AL分别为头文件中该波段的乘法调整系数和加法调整系数；γ、δ为基于 Planck 函数的两个参数；ψ1、ψ2、ψ3是大气水汽含量w 的函数[17]。

2.4 干度指标

利用土壤指数(SI)和建筑指数（IBI）合成干度指标(NDBSI)，其计算公式如下：

其 中，ρblue、ρgreen、ρred、ρnir、ρswir1和 ρswir2分别为ETM 遥感影像第1、2、3、4、5、7 波段的反射率数据和OLI 数据第2、3、4、5、6、7 波段的反射率。

2.5 遥感生态指数的构建

生态系统中，干度、绿度、热度和湿度是研究生态学的主要参数指标[11]。为了从四个参数中得出RSEI，首先将四个指标进行标准化处理，以去除不同维度的范围值，再将处理后的四个指标全部作为变量输入，通过主成分分析将干度、绿度、湿度、热度指标这一组变量转换为主成分变量，提取第一主成分变量作为遥感生态指数。标准化公式如下：

其中，Xi是因子i的标准化值，xi是因子i的初始值。

其中，RSEI 方程由四个指标组成，即NDVI(绿度)、WET(湿度)、NDBSI (干度)和LST (热度)。

2.6 转移矩阵

转移矩阵是一种衡量生态环境变化的重要工具，被广泛应用于和土地利用相关的各项生态环境动态变化研究中[18]。利用转移矩阵得到了RSEI 的变化情况。

2.7 地理探测器

地理探测器是王劲峰[19]等提出的一种可以探测空间分异性并揭示驱动因子机理的统计学空间分析方法，可以识别显著影响因变量的解释变量，因子探测器可分析驱动因素的影响强度，因子探测是解释自变量和因变量指标解释程度大小，用解释力q 值进行度量。表达式为：

其中，q为度量RSEI 时空分布的指标，取值范围为0-1；L为总分区数；Nh、N分别为分区h和全区的样本数；σh2、σ2分别为分区h和全区的样本方差。

3 结果分析

3.1 第一主成分分析

利用主成分分析法得出了2013—2019 年各期数据的第一主成分指标统计表（表1），表1 内容主要包括相关特征向量、特征值和贡献率；从表1 中可以看出，湿度和绿度的值都为正，表示湿度和绿度这两个指标和生态环境质量呈正相关，而干度和热度的值都为负数，则代表干度和热度这两个指标和生态环境质量呈负相关，符合各个指标与生态环境关系相关性的实际情况。在2013 年、2015 年、2017 年和2019 年，第一主成分的贡献率分别为80.67%，79.99%，82.68%和83.16%，说明第一主成分良好地保留了大量有效信息。对比第一主成分4 个指标载荷值变化，Wet 的绝对值远小于其他指标，可见土壤湿度的优化作用较小。且LST 和NDBSI 的载荷值绝对值之和大于Wet 和NDVI 之和，说明上海市不透水面热度和土壤干化的破坏作用大于土壤湿度和植被的优化作用。

3.2 上海市生态质量分析

表2 为上海市各指标均值统计结果，从表2 中可以看出，各期指标范围在0～1 之间，在2013—2019 年间，研究区湿度整体呈上升趋势，湿度均值整体上升了32.14%。其中，2013—2015 年间，均值下降了8.93%。绿度在2015 年和2019 年存在不同程度的降低，但整体呈上升趋势，具体表现为先下降后上升然后再下降；干度指标和热度指标在研究期间表现为持续上升的趋势，分别上升了7.89%和18.42%。2013—2019 年，上海市RSEI 均值呈逐年减少趋势，下降率为17.19%，表明上海市生态环境质量发生了明显变化，整体生态质量变差。

表2 2013—2019 年各期指标和遥感生态指数(RSEI)Tab.2 Indicators and remote sensing ecological index (RSEI) of each period from 2013 to 2019

参考相关规范[20]将RSEI 结果按表3 分为5 个等级，得到2013—2019 年上海市RSEI 分级空间分布图，如图1 所示，从图1 可以看出，2013—2019 年上海市中部区域生态环境质量等级以较差和一般为主，北部和南部区域以较好和优为主，崇明区、金山区、奉贤区、青浦区和松江区生态质量较好。其中金山区生态质量等级整体以优为主。

图1 2013—2019 年RSEI 分级空间分布图Fig.1 Spatial distribution map of RSEI classification from 2013 to 2019

表3 生态质量等级划分Tab.3 Classification of ecological quality

利用ArcGIS 叠加分析得到了各时期各级的生态质量转移矩阵（表4），从表4 可以看出，2013—2019 年各级生态环境质量由差变好（等级为差、较差、一般和较好向上级的转化）的面积占比分别为：13.68%、19.40%、17.96%和14.66%，由好变差（等级为较差、一般、较好和优向下级的转化）的面积占比分别为：7.62%、19.64%、21.38%和41.33%，说明虽然存在生态质量由差转好的趋势，但其增速远不及生态质量由好变差的趋势，因此总体上2013—2019 年上海市生态质量仍呈下降趋势。

图2 为各阶段RSEI 变化图，从图2 可以看出，2013—2015 年上海市市中心区域在经历了城镇化和经济发展却并未对其生态环境质量产生影响，反而使得生态质量变好；2015—2017 年上海市市中心区域、浦东新区和奉贤区生态质量变差，青浦区、嘉定区和崇明区北部生态质量变好；2017—2019 年通过各项生态环境治理和保护举措，生态质量得到了有效改善，浦东新区南部和奉贤区生态环境质量变好。总体来看，2013—2019 年上海市生态环境质量发生了明显变化，崇明区、金山区、奉贤区、青浦区和松江区RSEI 值虽然高但仍存在严重的生态退化问题，值得相关部门引起重视。市中心区域：普陀区、杨浦区、静安区、虹口区和黄浦区RSEI 值虽然低但生态质量多为稳定或变好趋势。因此，判断生态环境质量影响因子，合理制定生态环境保护举措，是下一步研究的重点。

图2 2013—2019 年各阶段RSEI 变化图Fig.2 Spatial distribution map of RSEI classification in 2013-2019

3.3 基于地理探测器的单因子探测

为了分析影响因子和遥感生态指数之间的关系，以遥感生态指数作为因变量，影响因子作为自变量，导入地理探测器。选取了7 个影响因子，有GDP、人口密度、年末常住人口、降水、高程、坡度和坡向。对于高程、坡度和坡向以类型进行分区，其他数值型数据采用自然断点法将其分为5 个分区。通过对各探测因子q 进行度量，可以分析探测因子对于遥感生态指数的空间分层异质性（见表5）。q 值的范围是[0,1]，q 值越小，对应的自变量对遥感生态指数的相关性越弱，反之越强。

表5 2013—2019 年单因子探测结果Tab.5 Single factor detection results in 2013-2019

从表5 可以得到以下结论：在2013—2019 年间，研究区遥感生态指数的空间分布情况受人口密度的影响程度均强于其他6 个探测因子，都在85%以上。每一年的分异因子探测结果中q 值最小的是年末常住人口，q 值最大的是人口密度，说明对生态环境影响较大的影响因素是人口密度，作为人口相关的数据，两者出现了截然相反的情况。高程对遥感生态指数的解释力较强，并且相对稳定排名在前三名，其q 值在0.73—0.78 小范围内波动；降水的q 值呈先上升后下降然后再上升，在2015 年达到峰值0.74，同年相较于其他探测因子影响程度位居第二。坡度的q 值在2013—2017 年影响力均为0.71，2019 年均值有所上升；坡向的q 值出现为先上升后下降的现象，在2017 年达到峰值0.53。GDP的q 值在0.32—0.43 范围内波动，从四年中q 值大小来看，GDP 对生态环境质量变化影响较小；年末常住人口的q 值呈先下降后上升的趋势，在2017 年出现了最低值0.02，影响力较低，不是主要影响因素。

3.4 基于地理探测器的因子交互作用分析

交互探测器可识别不同探测因子之间的交互作用，交互作用可分为非线性减弱、单因子非线性减弱、双线性增强、独立和非线性增强。除了年末常住人口与坡度、坡向和降水交互时，表现为非线性增强，其他探测因子交互作用表现均为双因子增强。通过交互探测器来判断2019 年各探测因子交互作用对RSEI 的影响（见表6），由表6 可知，人口密度和其他因子交互均达到了0.95 以上，对生态质量的解释力较好。除去人口密度和其他因子交互之外，降水∩高程的交互影响力最大，为0.97，相较于单因子的影响力提升较为明显，同时，坡度在和其他探测因子交互作用中，坡度∩降水的交互影响力仅次于坡度∩人口的交互影响力，为0.93，说明受降水的影响，复杂地形对生态环境质量的影响较为明显。坡向∩GDP 的交互影响力比单因子影响力高，均仅次于分别与人口密度的交互影响力。年末常住人口与其他探测因子交互时，影响力q 值均达到了0.5 以上。任意两个因子交互的q 值都比单因子的q 值大，说明上海市的生态质量是人为因素和自然因素共同作用的结果。

表6 影响因子交互探测结果Tab.6 Interaction detection results of influence factors

3.5 基于地理探测器的风险区探测

风险探测器可以探测各因子在不同等级下对RSEI 的影响程度，结果如图3 所示，风险探测结果表明，人口密度、高程、坡度对生态环境的影响较大，各级分区的RSEI 之间存在显著差异，年末常住人口对生态环境影响较小，各级分区的RSEI 之间不存在显著差异。人口密度越大，RSEI 均值越小，生态环境质量越差；整体上GDP 越大，RSEI 均值较小，不同的是由于第三产业占比增加的浦东新区2019 年GDP 达到12 734.2 亿元，相较于其他区，整体上RSEI 均值较高。RSEI 均值随高程的增加呈现先降低后升高然后再降低的趋势，高程在0～1.91（1 级分区）时RSEI 均值达到最大值0.71，在1.9～4.4（2 级分区）时RSEI 均值有所降低，在4.4～5.0（3 级分区）时RSEI 均值上升，随后在4 和5 级分区RSEI 呈现下降趋势。上海市整体平均高程不足4 m，在人类活动活跃地带，RSEI 均值有所下降。随着坡度等级逐渐增加，RSEI 均值逐渐变小，在坡度等级为3～5 等级时，RSEI 均值变化不大。RSEI 均值对应坡向整体上变化特征为：正北至正东方向对应的RSEI 均值最高，其次是东南方向，不同坡向对生态质量的影响存在差异。

图3 风险探测区结果Fig.3 Risk-detector results

4 结论

利用遥感生态指数法对2013—2019 年上海市的生态环境进行了分析，并利用地理探测器模型对影响遥感生态指数变化的驱动因素进行了研究，研究结论主要如下：

（1）2013—2019 年上海市生态环境质量发生了明显变化，RSEI 均值下降率为17.19%，表明上海市整体生态质量变差。

（2）崇明区、金山区、奉贤区、青浦区和松江区存在严重的生态退化问题，市中心区域（普陀区、杨浦区、静安区、虹口区和黄浦区）生态质量多为稳定或变好趋势。

（3）2013—2019 年，研究区遥感生态指数的空间分布情况受人口密度的影响程度强于其他五个探测因子。降水、坡度和高程对RSEI 的影响次之，即研究区的人类活动和自然环境对RSEI 的影响都较强。