基于RSEI的山东省不同土地覆盖区生态环境质量变化特征及驱动因素

马林,梁勇,张雅芹,李云鹏

(1.济南市土地储备中心,济南 250099;2.济南市勘察测绘研究院,济南 250101)

我国工业化和城市化进程的不断推进,给人类带来了很多福祉同时也使很多区域面临着各种各样的生态问题,对区域经济及社会的可持续发展也产生了显著影响,目前已成为政府及学术界关注的焦点[1-2]。山东省作为我国经济强省和全球变化较为敏感的生态系统地带,在过去30 a的发展过程中土地覆盖类型发生了巨大变化[3-4]。因此,定量描述和评价城镇化和气候双重影响下山东省生态变化特征及其变化的主要驱动因子对指导当前生态文明建设工作具有重要作用。

目前国内外学者对山东省生态环境监测与评估的大多数研究均使用单一生态因子[3-5]。如孙汇颖等[3]基于土地利用类型指标发现2000—2018年山东省生境环境质量主要受到土地利用变化的影响;刘玉红等[4]基于植被初级生产力(NPP)指数发现山东省2000—2015年NPP呈增加趋势,降水量是影响植被NPP变化的主导因子;庄会波等[5]基于归一化植被指数(NDVI)指标发现山东省1998—2018年植被覆盖度呈增加趋势,但不同地形区域存在差异;也有很多学者采用地表温度(LST)、归一化差异不透水表面指数(NDBSI)、裸土指数(BI)分别探究了山东省城市热岛效应、不透水表面面积及裸土区域等变化情况从而反映山东省生态环境质量等[6-9]。以上研究虽可以在一定程度上反映山东省生态环境质量情况,但由于山东省生态系统的复杂性和多样性,仅采用一个或两个生态指标来评估生态系统的状况存在片面性。因此有学者研究发现通过主成分分析(PCA)方法整合绿色、湿度、干燥和热量生成的完全基于遥感的生态指数(RSEI)可以实现快速、高精度的监测区域生态环境质量及其变化情况[10-14]。RSEI不仅可以反映区域植被覆盖、土壤湿度状况,还可以反映地表干旱程度和地表热度情况,能对区域生态环境状况进行客观定量评价,成为区域生态环境质量监测和评估的新方法[15-19]。如张静等[10]基于RSEI对西安市生态环境质量监测发现RSEI可以很好反映西安市生态环境质量;罗镕基等[11]基于改进的RSEI对甘肃省古浪县生态环境质量监测发现RSEI能较好地综合各分量指标信息全面准确反映古浪县生态质量状况;Yang等[20]也基于RSEI对长江流域生态环境变化特征及其驱动因素发现长江流域整体生态质量有所改善,RSEI能较好地反映区域生态环境质量状况。

因此,本文基于Landsat数据计算NDVI(绿色度)、WET(湿度)、LST(热量)和归一化差异累积和裸土指数(NDBSI)(干燥度),然后基于PAC 法获得1991—2021年山东省RSEI时间序列数据,并基于RSEI时序数据探究山东省不同土地覆盖区域生态环境质量空间分布特征、变化趋势及环境因素和土地利用转移变化对RSEI的驱动情况,以期为山东省生态环境保护战略与经济可持续发展战略的协调发展提供理论依据。

1 材料与方法

1.1 研究区概况

山东省地处我国东部沿海,黄河下游,濒临渤海与黄海(114.79°—122.7°,34.38°—38.4°),省内地势中部多山地,西南、西北地势低洼平坦,东部丘陵起伏,总面积约155 800 km2。气候属于暖温带湿润半湿润季风性气候,植被类型以温带阔叶林、温带针叶林和温带针叶阔叶混交林为主,全年平均降水量达到710 mm,年平均气温11～14℃,年均日照时长为2 290～2 890 h,降水集中,雨热同季。山东省作为我国主要的粮食产区之一,全省农业总产值连续位居全国第一位,截至2022年底,全省人口1.02亿,生产总值为87 435亿元[8-9]。山东省地处三大经济圈的交汇处,连接了华东与华中地区,经济发展迅速,土地利用变化对区域生态环境质量产生了显著的影响(图1)。

图1 山东省土地类型空间分布Fig.1 Spatial distribution of land types in Shandong Province

1.2 数据源及预处理

(1)Landsat数据。本文使用Google Earth Engine(GEE)平台提供1991—2021年的30 m 空间分辨率的Landsat系列数据提供的地表反射率数据构建RSEI指数需要的归一化差异植被指数(NDVI)、缨帽变换的湿度分量(WET)、归一化差异不透水表面指数(NDBSI)和地表温度(LST)。GEE 平台提供的Landsat的T2_SR 产品已经过辐射定标、大气校正等预处理,在构建RSEI时通过多次对比试验最终选择每年的3—10月份的数据构建每年的RSEI,因为该阶段能更好地体现RSEI指数的特性。

(2)土地利用数据(LUCC)。本文土地利用数据来源于中国科学院资源环境科学数据平台(http:∥www.resdc.cn),该数据集是由多个研究所基于Landsat系列的遥感影像结合人机交互目视解译方法获取,其二级分类包括草地、林地、耕地、建设用地、水域和未利用地,分辨率为30 m。其中耕地和建设用地平均分类精度达到85%以上,其他土地利用类型平均分类精度达到75%以上,可满足本文研究需求。本文采用1990年、2010年、2020年的土地利用数据。

1.3 研究方法

1.3.1 遥感生态指数 在反映生态质量的诸多自然因素中,绿度、湿度、热度、干度可谓是与人类生存息息相关的4个重要指标,也是人类直观感觉生态条件优劣的重要因素,因此常被用于评价生态系统。因此徐涵秋等[21]提出的遥感生态指数(RSEI)从反映生态质量的众多自然因素中选择与人类生存相关的4个因素作为生态评价因素,该指数利用主成分分析耦合了表示地表植被覆盖和生长情况的绿色指数(NDVI)、表示土壤的湿度状况的湿度(WET)指数、表示地表干旱程度的干燥度指数(NDBSI)和反映地表热度情况的热量指数(LST)[16-18]。其中,NDVI和NDBSI指标可以反映生态环境对人类活动引起的土地覆盖变化的生态响应,LST 和WET 揭示了生态质量对代表气候变化的响应,4个生态指标综合起来能够直观地反映区域生态环境恶劣情况[21],4个指标的计算如下:

(1)绿度指标。NDVI是应用最广泛的植被指数之一,许多生态学研究均证明了其有用性[12-13]。因此,本文选择NDVI作为绿度指数,计算公式为:

式中:ρnir为遥感图像的近红外波段;ρred为红光波段。

(2)热度指标。热度指标由地表温度(LST)表示,虽然Landsat 8 TIRS传感器中有两个热红外波段,但由于波段11的辐射校准问题,本文仅选择了波段10来反演LST[21]。当然,对于TM,我们仍然得到了基于波段6的LST。首先,将数字(DN)值转换为传感器孔径处的光谱辐射亮度(Lλ),计算公式见(2):

式中:Grescale为特定于频带的重新缩放增益因子;Qcal为量化的校准像素值(DN);Brescale为不同于频带的重缩放偏置因子。传感器处光谱辐射亮度(Lλ)可使用公式(3)转换为传感器亮度温度下的有效辐射亮度。

式中:Tλ为传感器亮度温度下的有效值,K1〔TM 波段6为607.76 W/(m2·sr·μm),TIR波段10为774.89 W/(m2·sr·μm)〕和K2(TM 波段4为260.56 K,TIR波段10为1 321.08 K)分别是校准常数1,2。最后,使用Tλ获得LST。

式中:λ为发射辐射的波长(TM 波段6 为11.435 μm,TIR 波段10 为10.9μm);ρ为常数(1.438×10-2m K);ε为表面发射率,可通过使用Sobrino模型的NDVI估算[21]。

(3)湿度指标。对地表湿度信息较为敏感的缨帽变换湿度分量(TCW)已被证明对植被、水和土壤湿度条件较为敏感[11]。因此,本文选择TCW 作为湿度指数(WET),并且可以分别使用方程(5)和(6)来估计Landsat TM 和Landsat 8的湿度指数[12]。

式中:ρi(i=1,2,3,…,6)分别为TM 和OLI传感器对应的蓝光波动、绿光波段、红光波段、近红外波段、短波红外波段1和短波红外波段2。

(4)干度指标。由于建设用地和裸露土壤会对区域生态环境造成严重危害。因此,本文选择了归一化差异不透水表面指数(NDBSI)结合基于指数的建成指数(IBI)和土壤指数(BSI)表征研究区干燥度[21]。

式中:S1,ρred,ρgreen,ρnir,ρbule分别为TM 和OLI对应的短波红外、红光、绿光、近红外和蓝光波段。

(5)构建RSEI。通过主成分变化(PCA)对以上4个指标空间坐标轴旋转从而去掉各指标间的相关性,把4个指标的主要信息集中到1～2个主成分上,从而构建RSEI。这种方法最大优点是综合指标的权重不是人为确定的,而是根据每个指标对PC1 的贡献自动客观地确定。因此,在计算中避免了由于权重设置而导致的结果的可能偏差,该权重设置因个人和方法而异,这大大提高了结果的客观性和可信度。在预处理后需要对4个指标进行归一化以实现量纲统一,然后采用PCA 方法将NDVI,LST,WET,NDBSI的信息集中到第一、二主成分上[21]。

指标归一化公式见(10):

式中:NIi为各指标归一化结果;Ii为各指标在第i像元的值;Imin和Imax分别为各指标最小值和最大值。

为了使PC1大的数值代表好的生态条件,进一步用1减去PC1,获取初始RSEI,RSEI计算公式见公式(11)—(12):

为了便于指标的度量和比较,同样对RSEI0进行归一化:

式中:RSEI0max,RSEI0min分别为RSEI0最大值和最小值。RSEI值越接近1,生态越好,反之,生态越差。

本文基于文献[14]将RSEI划分为RSEI＜0.2(差),0.2≤RSEI＜0.4(较差),0.4≤RSEI＜0.6(中等),0.6≤RSEI＜0.8(良好)和RSEI≥0.8(优)5个等级。

1.3.2 RSEI变化趋势分析 采用Sen趋势法探究1991—2021年山东省RSEI变化趋势和变化速率。Sen斜率的计算公式如下[22]:

式中:β为RSEI变化趋势;Median为取中值函数;当β＞0时,RSEI呈增加趋势;β＜0时,RSEI呈减小趋势。

1.3.3 稳定性分析 研究使用变异系数Cv分析RSEI近31 a的持续的稳定性,Cv越大表明RSEI的变化越不稳定[20]。

式中:Cv为变异系数;Xi为第i年对应的RSEI值;Xmean为基于1991—2021年的RSEI均值。本文根据自然断裂法将RSEI的稳定性分为5类:低波动变化(＜0.049)、较低波动变化(0.049～0.1)、中波动变化(0.1～0.185)、较高波动变化(0.185～0.392)和高波动变化(0.392～1)。

1.3.4 未来趋势分析 Hurst指数是根据RSEI的长时间序列数据预测未来数据的变化趋势,基于重标极差(R/S)的Hurst指数是一种定量表述时间序列信息长期依赖性的有效方法[23]。本文基于Hurst指数研究RSEI未来的趋势,若0≤Hurst＜0.5,说明RSEI将来总体趋势和过去趋势相反;若Hurst=0.5,表明RSEI互相独立且没有依赖性,现在不会影响未来;0.5＜Hurst≤1,表明未来RSEI总体趋势与过去总体趋势相同,越接近1,持续性越强[23]。

1.3.5 地理探测器 本文利用地理探测器度量RSEI的空间分布特性,以及探测不同因子与RSEI的相关性程度,用q值解释这个程度[24]。公式如下:

式中:q为影响因子对RSEI时空变化的解释力;h为不同驱动因子的分类或分区数据;L为影响因子的样本数量;Nh和N分别为h和整个区域的单元数;δ2h和δ2为h和整个区域的方差。q值越大,代表该因子对RSEI影响程度越大。并使用交互作用探测识别不同因子之间的相互作用,并评估他们的组合效应以观测任何一对因素共同作用是否会增加或降低对RSEI空间分布的解释力[24]。

2 结果与分析

2.1 生态环境整体分析

由山东省RSEI主成分分析结果(表1)可知,1991—2021年的第一主成分贡献率均达到80%以上,说明第一主成分集中了NDVI,LST,WET 和NDBSI指标的大部分特征信息,能够较好地展示该区域内的生态环境特征情况。从各指标的载荷来看,NDVI和WEI的载荷值成正比,表示绿度和湿度越高,土壤水分充足,地表植被覆盖越高,生态环境越好。绿度和湿度越低,土壤水分不足,地表植被覆盖降低,生态环境恶劣。LST 与NDBSI的载荷值成正比,干度和热度越高,表示土壤沙化、荒漠化、岩石裸露等问题越严重,干度和热度越低,表示土壤沙化、荒漠化、岩石裸露等问题得到缓解。

表1 各指标第一主成分及贡献率Table 1 First principal component and contribution rate of each indicator

2.2 各指标时序变化特征

由图2可知,RSEI总体以每年0.000 5的速率减小,即生态环境质量轻微退化。NDVI每年以0.003 1的速率增加,WET,LST,NDBSI分别以0.002/a,0.008/a,0.008 6/a的速率下降。虽然具有正效益的NDVI指标呈增加趋势和具有负效益的LST,NDBSI呈减小趋势,但具有正效益的WET 却呈减小趋势,经过主成分分析的4 个遥感指标在抵消了部分生态效益的不同影响后,将导致RSEI指标下降,且从各指标曲线走势来看,RSEI曲线走势与4种指标走势均不一致,由此可见RSEI变化是4 种指标共同变化引起。

图2 4个指标和RSEI时序曲线Fig.2 Four indicators and RSEI time series curve

2.3 RSEI的空间分布特征

从山东省RSEI的空间分布来看(图3),1991年山东省威海市、烟台市、济宁与临沂市交界处,济宁市与秦安市交界处生态环境质量表现为优等级,聊城南部与菏泽北部生态环境质量表现为较差等级。1996年生态环境质量较1991年整体有所改善,大部分地区表现良好等级和优等级,济宁东南部表现为较差等级。2001年山东省大部分地区生态质量环境表现较差,其中烟台、威海、青岛南部表现为差等级。2006年相较于2001年生态环境质量有明显提升,山东省中部、东部、北部表现为良好等级,南部部分地区表现为较差等级。2011年相较于2006年,山东省整体生态环境质量有恶化趋势,其中德州、聊城、济南、滨州等地区大部分表现为差等级,菏泽、淄博、临沂大部分地区表现为较差等级。2016年山东省整体生态环境质量有较大改善,大部分地区表现为良好等级,相较于2011年,生态环境质量有显著提升。2021年山东省生态环境质量严重下滑,其中聊城、德州表现为差等级,济南北部、滨州中南部、淄博北部表现为较差等级,烟台、青岛和潍坊东南部表现为较差等级。从生态环境特征总体来看,1991—2020年山东省生态环境质量整体表现为下降趋势。

图3 RSEI的空间分布Fig.3 Spatial distribution map of RSEI

图4显示了每隔5 a的RSEI统计结果,1991—2021年RSEI的结果值在0～1范围内均有分布,均值在1991—2001 年为下降趋势,2006—2021 年呈“增—减—增—减”趋势。从分布来看,2001年RSEI范围分布集中在0.1～0.6,分布相对集中且低于其他年份,均值为7 个年份中最低年份(0.37);2006 年RSEI集中在0.4～0.8,分布集中且高于其他年份,均值为7个年份中最高(0.59)。从不同等级占比来看,良等级占比与RSEI均值变化特征一致,1991—2001年减少,2006—2021年呈“增—减—增—减”趋势,但较差等级变化特征与良等级呈相反趋势,中等级占比保持稳定不变。

图4 RSEI的空间统计Fig.4 Spatial statistics of RSEI

2.4 RSEI变化趋势

由图5,图6A 可知,不同时间段山东省RSEI变化为稳定状态的区域占主体地位,其他趋势具有时空差异。其中,1991—2000年14.33%的区域RSEI呈上升趋势,集中在日照市、临沂市和菏泽市南部地区,19.66%的区域RSEI呈下降趋势,集中在泰安市、济南市、莱芜市、淄博市。2001—2010年RSEI呈增加上升趋势的区域较1991—2000年增加了30.69%,转变区域主要集中在山东省西部大部分城市和东北部的威海市和烟台市。2011—2021 年73.6%的区域RSEI变化呈稳定状态,仅有13.58%和12.82%的区域RSEI表现为上升和下降趋势,呈上升趋势的区域零星分布在中部部分城市,呈下降趋势的区域零星分布在东部和东北部部分城市。

图5 各阶段RSEI的趋势分布Fig.5 Trend distribution of RSEI in each stage

图6 各阶段RSEI变化趋势和稳定性所占像元百分比Fig.6 Statistical chart of the changes trends of RSEI and stability at each stage

基于1991—2000年、2001—2010年、2011—2021年山东省生态环境质量变异性计算结果和实际情况,将变异划分为5个等级〔变化相对稳定(≤0.2)、低波动变化(0.2～0.25)、较低波动变化(0.25～0.3)、较高波动变化(0.3～0.4)、高波动变化(＞0.4)〕(图6B、图7)。1991—2000年RSEI变异系数属于变化相对稳定、低波动变化和较低波动变化的区域占比为69.859%,较高波动变化和高波动变化占30.141%,较高波动变化的区域主要分布在山东省北部和东部地区。2001—2010年RSEI呈变化相对稳定、低波动变化和较低波动变化的区域占比为60.354%,较高波动变化和高波动变化占39.646%,其中呈高波动变化的区域较1991—2000年增加9.248%,这些区域集中在东北部的威海市、烟台市和东部的青岛市和日照市和中部的泰安市,这些区域主要土地利用类型为草地、林地和建设用地。2011—2021年仅有25.582%的区域为较高和高波动变化,集中在西部的聊城市和德州市,其他区域均以低波动变化为主。

图7 各阶段RSEI的变化稳定性分布Fig.7 Stability distribution of RSEI changes in different stages

从不同土地利用覆盖区域RSEI变化速率和变异性可知(表2),1991—2000年除草地区域RSEI未变化,其他区域RSEI均为下降趋势,且建设用地区域RSEI下降速率最快(0.091/a),其次为林地(0.070/a)。但从RSEI变异性来看,不同土地利用区域RSEI均为较低波动变化,且草地RSEI波动性＞未利用地＞减少用地＞耕地＞林地。2001—2010年不同土地利用区域RSEI均为增加趋势,且林地区域RSEI增加速率最大(0.158/a),其次为耕地区域(0.155/a),未利用地RSEI增加速率最小(0.053/a)。但从变异性来看,未利用地RSEI波动性＞草地＞耕地＞建设用地＞林地。2011—2021年林地和耕地区域均为增加趋势,增加速率分别为0.021/a,0.019/a,其他土地利用类型均为减小趋势,且未利用地减小速率最大(0.080/a)。从变异性来看,耕地RSEI变异性最大(变异系数为0.284),其次为林地(变异系数为0.270),草地变异性最小(变异系数为0.236),其次为未利用地(变异系数为0.237)。总体来看,2001—2010年RSEI变化较大,且波动性也为3个时间段最大。

表2 不同土地利用类型下各阶段RSEI变化速率和变异性Table 2 Statistical chart of RSEI rate of change and variability in different land use types at different stages

2.5 RSEI未来趋势分析

从图8可知,山东省Hurst指数(H)分布以0.3～0.4区间为主,H＞0.5的区域仅占0.77%。零星分布在山东省烟台市和威海市,其他区域H均小于0.5,表明未来一段时期内山东省RSEI的变化趋势与1991—2021年变化趋势为相反趋势。其中反持续性显著减少(0≤H＜0.4)占79.82%,反持续性减少不显著(0.4≤H＜0.5)占19.41%。从不同土地类型区域RSEI的H来看,不同土地利用类型区域未来一段时间内变化特征均与过去呈相反趋势,且不同土地类型区域的RSEI均小于0.4,这表明不同土地类型区域的反持续性均较显著。

图8 RSEI的Hurst指数分布Fig.8 Distribution map of hurst index for RSEI

2.6 RSEI对驱动因素的响应

2.6.1 土地覆盖变化 从不同阶段山东省土地利用转移矩阵可知(图9,表3):1990—2000年耕地和未利用面积以减少为主,分别减少了1 111,941 个像元,而水域和建设用地面积以增加为主,分别增加了461,318个像元,发生转移的区域零星分布在整个山东省。2000—2010年耕地和未利用地仍为大面积减少,分别减少了1 808,523个像元,建设用地面积大幅度增长,增加了2 791,发生土地利用转移的区域也零星分布在山东省整个区域,且在滨州市最北部建设用地显著增加。2010—2020年不同土地利用类型均发生了较大的转移,其中以草地和未利用地大面积减少、建设用地大面积增加为主,其中在滨州市北部、潍坊市北部等水域区域的建设用地转移为水域,中部的济南市、淄博市和枣庄市济宁市交汇处和东北部的烟台市新增草地面积大于减少草地面积。

表3 各阶段山东省土地利用类型转换像元统计Table 3 Pixel statistics of land use type conversion in Shandong Province at different stages

图9 各阶段山东省土地利用类型的转换变化Fig.9 Transformation change of land use types in Shandong Province at different stages

2.6.2 不同阶段4个生态指标对RSEI交互作用探测结果 为了探究不同环境因子对山东省不同时间段内RSEI空间分布的影响,采用地理探测器分析不同阶段不同因子对RSEI的解释力(表4)。从表4—5可知,1990—2000年、2001—2010年LUCC对RSEI空间分布变化的解释力最强,q值分别为0.184 2,0.184 0,但与2001—2010年相比,WET 和NDVI对RSEI的影响较大。2011—2021年RSEI空间分布变化受到WET 的影响最大,其次为LUCC,NDBSI和NDVI对其影响较小。

表4 不同因子对不同阶段RSEI变化的q 驱动力值Table 4 q driving force values of different factors on RSEI changes at different stages

从交互探测结果可知(表5),不同阶段环境因子的交互作用产生的q值均大于单独因子的q值,即不同环境因子的交互作用会增加对RSEI空间分布变化的解释。其中1990—2000 年LUCC 与其他因子之间的交互作用对RSEI的影响均大于其他因子彼此间的交互作用,解释率均在30%以上,LST 与其他因子间对RSEI的解释力均在15%以上。2001—2010年LUCC 与其他因子之间的交互作用对RSEI也均大于其他因子之间的交互作用,解释力均在30%以上。2011—2021年RSEI的空间分布变化主要受到LST∩LUCC,WET∩NDBSI,NDVI∩NDBSI和WET∩LUCC 的交互作用,其对RSEI空间分布变化的解释力均在10%以上,其他因子之间的交互作用对RSEI的影响较小。

表5 不同因子对不同阶段RSEI变化的交互作用Table 5 Interaction diagram of different factors on RSEI changes at different stages

3 讨论与结论

山东省作为我国经济强省和农业大省,其生态的好坏直接关系到人民生活水平。但随着城镇化快速发展,城市用地的快速扩张,导致其他土地利用覆盖类型发生了显著变化(尤其是生态用地)[3-6]。虽然山东省实施了一系列生态文明建设(如生态优先、绿色低碳发展、黄河流域生态保护与高质量发展策略等),但山东省生态环境质量对地形地貌、气候变化和人类活动的响应过程是一个复杂的动态过程,不同地貌条件会导致热量和水分的空间差异,进而使得生态环境质量变化存在明显空间差异[7]。因此,亟需厘清生态工程实施和城镇化快速发展背景下,山东省生态环境质量时空演变及其主要驱动因子。因此,本文利用1991—2021年的Landsat数据计算RSEI指数,并辅以Sen、变异系数法、Hurst法、随机森林对山东省生态环境质量变化特征及其变化的驱动因子进行分析,主要结论如下:

(1)1991—2021年山东省生态环境质量总体以下降趋势为主,且以每年0.000 5的速率减小,NDVI每年以0.003 1 的速率增加,WET,LST,NDBSI分别以0.002/a,0.008/a,0.008 6/a 的速率下降。1991—2000年在日照市、临沂市和菏泽市南部地区呈改善趋势,泰安市、济南市、莱芜市、淄博市为下降趋势;2001—2010年RSEI呈增加趋势的区集中在山东省西部和东北部;2011—2021年RSEI变化大部分区域呈稳定状态。孙汇颖等[3]基于In Vest对山东省2000—2018年生境质量研究同样也发现近20 a山东省生境环境质量总体为下降趋势;庄会波等[5]基于NDVI指数研究了山东省1982—2018年植被覆盖度变化特征,发现近30 a山东省NDVI均呈增加趋势。以上研究结论与本文结论相一致,这表明山东省生态环境质量仍在恶化,需要大力推进生态文明建设和城市化绿色发展理念从而改善山东生态环境质量。

(2)1991—2000年山东省生态环境质量变化以稳定趋势为主,变化以低波动变化为主,且除草地区域生态环境质量为上升趋势,其他区域均为下降趋势,但草地区域生态环境质量变化波动性＞未利用地＞减少用地＞耕地＞林地。2001—2010年生态环境质量仍以稳定变化趋势为主,但在山东省西部大部分城市和东北部的威海市和烟台市以增加趋势为主,且不同土地利用区域生态环境均为增加趋势,未利用地波动性＞草地＞耕地＞建设用地＞林地。2011—2021年生态环境质量变化呈稳定状态,但林地和耕地区域生态环境质量为增加趋势,其他土地利用类型均为减小趋势,耕地波动性＞林地＞减少用地＞未利用地＞草地。

(3)山东省生态环境质量未来一段时期内的变化趋势以增加趋势为主,且不同土地利用类型区域未来一段时间内变化特征均与过去呈相反趋势。

(4)1990—2000 年、2001—2010 年土地利用变化对山东省生态环境质量空间分布变化的影响最大,2010—2021年生态环境质量空间分布变化受到湿度变化和土地利用变化的影响较大。不同阶段不同环境因子的交互作用会增加对生态环境质量的影响。1990—2000年、2001—2010年土地利用与其他因子之间的交互作用对生态环境质量的影响均较大,2011—2021年生态环境质量的空间分布变化主要受到地表温度和土地利用、湿地和干度、绿度和干度以及土地利用和湿度的交互作用。

20世纪以来,随着山东省新旧动能转换重大工程实施,城市用地面积快速扩张,青连高速、鲁南高速等交通干线相继开通,山东省土地利用空间格局发生了巨大变化[25]。土地利用变化是人类活动最直接的反映,本研究发现土地利用是驱动1991—2010年山东省生态环境质量发生变化的主要驱动因子,同样本文也发现这一阶段山东省建设用地面积快速扩张,而作为特殊的半人工自然生态系统的耕地面积快速收缩,因此造成这一阶段生态环境遭到破坏。这一发现已在吴健生[26]、李胜鹏[27]、孙汇颖等[3]的研究结果中得以证明。近年来,随着人类我国生态文明建设战略的实施以及人们对生态意识的增强,生态环境质量较前20 a有所改善,且2010—2021年之后土地利用变化对山东省生态环境质量的影响较小[8]。但目前山东省生态环境质量仍以中等及以下等级为主,因此仍需要进一步加强生态文明建设,在城市群中增加能够提升生态环境质量的绿色植物,如提高交通道路边、小区内部植被覆盖度等,从而增加城市绿地率,构建国土空间安全格局,改善山东省生态环境质量。