生态环境是由经济因素、自然因素、社会因素所组成的复合系统^[1], 也是人类生存和发展的物质基础, 与人类生存环境和社会可持续发展战略具有着紧密的联系。随着人口增长、经济发展以及城市化时代的来临, 生态环境受到的人类活动影响日益显著^[2], 资源过度消耗、水土流失^[3-4]、土地荒漠化、生物物种减少^[5]等问题逐步凸显。建设和保护良好的生态环境可以帮助人民提高生活质量、稳固人民健康生存基础和发展社会生产力。为了贯彻可持续发展战略, 国家对于生态环境质量日益关注, 并制定了生态环境指数标准, 定时监测生态环境质量、建立自然保护区、颁布法律文件等, 确保生态环境免遭破坏^[6—7]。生态质量反映了生态环境的好坏程度。在生态系统层次上, 也可反映可持续发展策略对人民生存环境的影响程度^[8]。

国外对于生态环境评价指标体系的建立已有相关研究, 德国采用经合组织提出的压力-状态-反应模型, 对14个环境主题进行了分类, 建立起一套具有科学性、功能性、可操作性的生态评价指标体系。指标的选择满足了可量化性、可用性、可理解性、政策相关性, Walz在此基础上用了一种聚合总压力指数方法^[9], 通过加入了大量的个别指标, 优化模型从而反映了德国几乎所有领域的生态状况, 但存在城市环境问题、景观领域等因素的复杂地区的合并或拆分如何处理还未解决。同时, 通过多达140多种的指标去处理大范围地区的生态环境是具有很大难度的。2006年中国国家环境保护部提出了第一个综合性的生态环境评价标准体系, 从生物丰富、植被覆盖、水网密度、土地退化、环境质量指数5个方面评估, 通过对不同地物类型进行数值的权重分布, 最终合计得到生态环境状况指数(Enviroment Index, EI), 以此综合衡量区域的生态环境质量, 该指数可以整体刻画评估区域的生态环境状态值, 实现不同时间内生态质量的对比分析, 但对于地物的识别分类、部分指标权重不合理、个别指数数据更新难度大等问题也极大限制了该指数的使用^[10—11]。随着“3S”技术的兴起, 利用卫星遥感技术可以对植被、水域、城市、气候等因素实现大面积、实时、快速、周期性的重复观测, 因此在生态学研究领域受到了研究者的重视和应用^[12—14]。在“3S”技术所获得的遥感影像数据基础下, 徐涵秋提出了遥感生态指数(Remote Sensing Ecological Index, RSEI), 该指数通过计算基于遥感影像数据的植被指数、裸土指数、水体指数、地表温度而获得, 并能进行空间可视化表达, 便于生态环境质量时空变化分析和评价。RSEI因其优势开始被研究者广泛使用, 以往获取RSEI的方法是利用下载的遥感影像, 然后由ENVI或ArcGIS软件计算得到。对于小区域, 指定时间段等条件处理方便, 容易施实, 但对于大区域(如省级、全国、全球), 持续数十年的时间跨度, 这种方法存获取数据和处理分析存在局限性。GEE(Google Earth Engine)平台则可以轻易解决该类型的数据计算, GEE是由Google推出的专门用于卫星图像和其他地理数据运算的云平台, 提供的数据时间跨度长达40年, 地理范围遍及全球, 因此, 对长时段、大范围的遥感生态研究有巨大优势。

陕西省由多种地貌构成, 呈现为陕西南北部高, 中部的关中平原低。陕南秦岭森林茂盛, 植被覆盖率高。关中平原城市化进程快, 主要以耕地为主。陕北黄土高原地区属大陆性气候同时兼具沙漠气候特征, 干旱少雨, 风沙天气多, 截止到1999年植被覆盖率仅有32%。为抑制毛乌素沙漠扩张的趋势以及发展良好生态环境, 陕西省政府实施了生态环境建设综合治理工程、天然林资源保护工程、退耕还林工程等一系列重点生态建设工程。而时至今日, 陆续开展的重点生态建设工程下, 陕西省生态环境质量变化状况方面的研究较少。虽有类似的相关研究表明, 如殷崎栋等人^[15]所做的陕西省NDVI的时空变化规律, 得到NDVI呈显著增加, 榆林、延安市增加量为全省最高的结果, 但使用单一的植被指数来代表生态环境仍有不足。宋慧敏等人^[16]从陕西省渭南市1995与2015年的Landsat数据提取得到的RSEI模型中, 渭南市生态环境质量总体呈提高趋势。HuiYue等人^[17]选取1990与2015年全中国35座城市的RSEI研究, 结果表明西安市的生态环境质量有一定程度下降。以上文献仅展现了陕西省部分城市的RSEI变化, 且仅用了两个时间段的影像, 难以表现陕西长时序和全省下的生态环境变化的全貌。而在生态环境日益重视的背景下, 长时序监测生态环境状况、定量评估其变化特征与未来发展趋势, 以及促进良好发展的驱动力研究, 已成为人类生态管理和可持续发展的重要任务。因此, 本文首先通过GEE平台对陕西省1999—2018年20年的Landsat5、Landsat7、Landsat8总计6000景以上的影像数据进行去云、去异常值处理, 并取平均值获取每一年影像数据, 再计算得到植被、裸土、水体、热度归一化指数影像, 由主成分分析获取遥感生态指数影像。其次, 获取并评价20年间陕西省遥感生态指数分布及变化趋势。最后, 对陕西省各地区的遥感生态指数与各指标的线性关系进行分析与总结。帮助人们对陕西省的生态环境变化有确切认知与了解, 并对各地区建设和绿色发展决策提供一定科学依据。

1 研究区及数据来源 1.1 研究区

陕西省位于中国中部地区(图 1), 介于东经105°29′—111°15′, 北纬31°42′—39°35′之间。总占地面积20.56万km², 地势南北高, 中间低, 有高原、山地、平原和盆地等多种地形。陕西省横跨三个气候带, 南北气候差异较大。陕南属北亚热带气候, 关中及陕北大部分属于暖温带气候, 陕西北部属中温带气候。

全省市平均气温9—16℃, 自南向北、自东向西递减; 陕北年平均温度7—12℃, 中部12—14℃, 陕南14—16℃。年平均降水量340—1240mm。降水南多北少, 南部为湿润区, 中部为半湿润区, 北部为干旱区。

1.2 数据来源与预处理

本文遥感数据来自GEE平台汇集的美国地质调查局Landsat5、Landsat7、Landsat8、DEM(Digital Elevation Model)数据。DEM数据表达研究区地貌变化, 用于制作研究区的三维地图。Landsat系列影像数据用于计算各类生态评价指数, 其空间分辨率为30m, 其时间周期从1999年初到2018年底。由于2012年Landsat7影像有条带状缺失, 数据通过一元回归方法进行适当弥补从而完成2012年的影像数据。为了保证数据尽可能不存在感应器导致的数据误差, 1999—2011年使用Landsat5影像数据, 2013—2018年使用的是Landsat8影像数据。影像数据中对云层的处理, 利用CFMASK(The C Function of Mask)算法对波段QA(Quality Assessment Bands)进行了掩膜处理, 同时, 对于部分无法被识别为云层的有云区域以及传感器问题所出现的异常值区域, 通过人工识别并逐步掩膜处理消除。

2 研究方法

在影响生态质量的自然因素中, 绿度、湿度、热度、干度与人类活动生活有紧密的联系, 这些因素不仅容易让人类直观判断生态质量程度优劣的因子, 也容易由遥感数据计算得到。因此, 本文采用徐涵秋所提出的遥感生态指数RSEI(Remote Sensing Ecological Index), RSEI是由绿度指数、湿度指数、干度指数、热度指数四种指标经过主成分分析获得。该指数能能够最大程度的保留四种原指标的信息量。

2.1 绿度指数

绿度指数用归一化植被指数(Normalized Difference Vegetation Index, NDVI)通过获取遥感数据的近红外与红光波段数据差异来量化绿色植被的生物量、叶面积指数、植被覆盖度。计算方法见公式^[18](1)

(1)

式中, ρ_nir, ρ_red分别表示近红外与红波段的反射率。

2.2 湿度指数(WET)

湿度指数包含土壤的湿度以及植物的湿度, 由遥感数据经缨帽变换(K-T)后获得。因TM传感器与OLI传感器波谱分辨率不同, 湿度指数见^[19—20](2)、(3)

(2)

(3)

式中, ρ_green, ρ_blue, ρ_swir1, ρ_swir2分别表示绿波段、蓝波段、中红外1波段, 中红外2波段的反射率。

2.3 热度指数

热度用陆地表面温度(Land Surface Temperature, LST)来代表。陆地表面温度可反映地物辐射热量的程度, 是生态环境中一个不可忽视的变量。计算方法有辐射传递方程、单窗口、单通道法。本文用实用性单通道算法(Practical single channel)^[21—23], 公式见(4)、(5)

(4)

(5)

式中, L_sen代表传感器接收到的辐射值, ε代表陆地表面的辐射率, w表示大气水蒸汽含量, c₁=1.19104×10⁸Wμm⁴m^-2sr^-1, c₂=1.43877×10⁴μmK, B(T_s)代表T_s温度的普朗克辐射值, λ表示有效波长, a_i(i=1, 2, 3…7)表示B(T_s)模型内的Landsat系列数据系数。

2.4 干度指数

干度选取干度指数(Normalized Difference Built-up and Soil Index, NDBSI)来代表。该指数由建筑指数(Index-Based built-up Index, IBI)和裸土指数(Soil Index, SI)的平均值表示。计算公式^[24]见(6)、(7)

(6)

(7)

(8)

式中, ρ_green, ρ_blue, ρ_red, ρ_nir, ρ_swir1, ρ_swir2分别表示绿, 蓝, 红, 近红外, 短红外1, 短红外2波段的辐射率。

2.5 生态指数的构建

由于几种数据源的范围不同, 若直接进行主成分分析, 建立的第一主成分会趋近于方差值最大的指标, 所以各指标以及生态指数需要进行归一化处理。其次, 归一化处理后的主成分分析所得到的的结果有可能是数值越大生态质量越好的“生态指数”或数值越大生态质量越差的“污染指数”, 为使RSEI大的数值代表好的生态质量, 利用公式(9), (10)进行归一化与数据统一：

(9)

(10)

或

2.6 Pearson相关系数(Pearson Correlation Coefficient)

Pearson相关系数是用来衡量两个数据集合是否在一条线上面, 可以体现定距变量间的线性关系。计算公式见(11)：

(11)

2.7 Shapiro-Wilk检验(Shapiro-Wilk test)

Shapiro-Wilk检验是一种在频率上统计检验中检验正态性的方法。由Shapiro和Wilk于1965年发表。其特点是可以针对较小的数据量进行正态性检验^[25]。计算公式见(12)：

(12)

式中, a_{i, n}为i与n的相关系数。

2.8 Mann-Kendall检验(Mann-Kendall)

Mann-Kendall趋势检验被提出时是作为气候诊断与预测方法。该方法可对中心趋势不稳定的时间序列进行分析。适用于分析持续增长或下降趋势的时间序列数据, 因其是一个非参数检验, 所以数据不需要满足正态分布检验, 但数据需要没有序列相关性^[26—27]。计算公式见(13)：

(13)

式中, S表示统计量由sgnx总和得到, VAR(S)表示方差, n表示数据量, Z_MK表示检验值, q_k代表相同数据组的个数, ε代表误差值。

3 结果分析与讨论 3.1 RSEI模型表现

表 1为1999—2018年陕西省的四种指标通过主成分分析所得到的第一主成分的指标占比, 遥感生态指数以及贡献率。由表 1可知, 所得数据的贡献率普遍在70%以上, 说明第一主成分贡献占主导地位, 无法表现的数据占比较少。可见利用主成分分析方法对陕西省这种地跨三个气候带, 拥有多种地貌的省级大面积地域是可行的, 并且也客观地反映了其综合生态状况。从各指标的均值上来看, 湿度与绿度指数都为正, 干度与热度指数都为负。说明湿度、绿度与遥感生态指数呈正相关, 干度与热度呈现负相关。从数值大小上看, 湿度与干度系数数据值相一致, 占一二排名, 绿度、热度指数则排三四。这说明在影响陕西省生态环境的指标中, 每上升各指标的一个单位长度, 干、湿度指数对于遥感生态指数的影响要更大。这个结果与文献中的结果中有不同^[28—29]。其原因主要是地理环境的差异, 陕西省南部地区以森林覆盖为主, 气候湿润。陕北地区范围内延安东部为黄龙山林区, 西部为子午岭国家公园, 榆林地区因三北防护林工程的建设, 沙漠, 荒地大幅度的减少。图 2为1999—2018年四种指标平均值影像图, 可看出关中地区地表温度相对较高, 因其是盆地并且主要以耕地与城镇建设用地为主造成的。陕西省的地表温度呈现为关中东部城市、陕北毛乌素沙漠区域高, 延安, 陕南部低, 这与文献结果一致^[30]。热度指数平均值的地区主要是陕北黄土沟壑地区、关中以及秦岭地区, 占据部分比较多, 热度指数方差值相比较小, 对于遥感生态指数影响最小。从南到北来看, 陕西省的降雨量依次降低^[31—32], 从而干度与湿度指数的方差值相比较大, 因此对遥感生态指数影响最大。

3.2 陕西省生态质量变化趋势

准确评价20年间陕西省的生态质量变化状况, 先大致判断各时间间断生态质量走向, 再对交接点不断进行代价函数之和最小要求演算, 同时尽可能以不小于3个连续的数据建立一元回归方程模型, 结果见图 3。由图 3可以看出, 陕西省生态变化状况呈现出1998—2005年先上升后下降, 2005—2018年再上升后下降, 主体呈上升趋势。图 3中1999—2003年生态质量上升, 2003—2005年是下降趋势并于2005年降到20年间最低点, 2005—2012年再次上升到达最高点, 2012—2018年再呈现下降趋势。图 3的结果为1999—2002年呈上升趋势, 2002—2005年为下降, 后面变化状况与左图一样。从均方根误差来看, 左图的1999—2003的比右图的要低, 而2003—2005的则高于右图。在2005—2012年期间, 均方根误差值较高, 说明在此期间的线性上升拟合程度方面是具有可信度的。2005—2018年间均方根误差值较低, 数据结果呈现不稳定性, 但趋势是降低的。从四个回归方程的代价函数总和上来看, 左图要低于右图, 因此选用左图作为数据结果。

3.3 陕西省生态质量空间分布特征

根据图 3的数据结果, 建立不同转折点年间的陕西省遥感生态指数分布(图 4), 依据文献^[33]以0.2为间隔分别建立起0—0.2差, 0.2—0.4较差, 0.4—0.6中等, 0.6—0.8良好, 0.8—1优秀五种评级。图 4中不同年份都体现出陕西省北部遥感生态指数普遍要低, 评级主要是差与较差。而关中地区的生态指数评级为中等, 陕南地区评级为良好及优秀。大体呈现出随纬度增高生态遥感指数逐步降低。但在关中地区以北, 有东西两侧评级都为良好的区域, 以西区域为子午岭森林公园, 以东为黄龙山景区。

从表 2的各时间节点上来看, 评级为差的区域在2005年占陕西省土地面积达到了7.54%, 主要位于陕北地区西北部的毛乌素沙漠区域。其他时间点占比都很小并在这五个年份中呈现逐步下降的趋势。评级较差的区域也呈现下降趋势, 2012年达到最低点。评级为中的区域几乎占全陕西省面积的40%, 并呈现出逐渐上升的趋势。评级为良的区域面积占比主要为25%并也在逐渐上升。评级为优的区域占比几乎与差区域占比接近, 但稍微有所增加。

3.4 陕西省生态质量变化分布

从表 3, 图 5看出1999—2003年生态质量下降与提升区域占比大致相等, 主要变化评级也是从良到中, 中到较差。下降区域主要分布于关中城市地区, 提升的区域则在陕北中部地区与关中西部地区。2003—2005年下降区域占比达23.80%, 占据主要部分是从中等到较差, 良到中以及较差到差3个方面。退化区域主要分布于陕北地带西北部的毛乌素沙漠区域, 以及关中地区。同期质量提升区域不明显。2005—2012年提升区域占比达29.71%, 从较差到中占比为12.28%, 中到良好则占据10.07%, 是生态质量提升的主要评级分段。提升区域主要在陕北地区和陕南东部区域, 同期降低区域较少, 主要位于关中城市。2012—2018年, 退化区域达到了20.91%主要是良到中以及中到较差的占比。退化区域主要分布在关中、陕北南部以及陕南地区。提升区域为陕北中部。

3.5 陕西省生态质量发展趋势

图 6左图是利用Mann-Kendall检验方法做的变化趋势分布图简称M-K图, 图中陕南西南地区有部分影像数据缺失, 是因为2016年影像因云层覆盖没有可使用的影像数据。可看出, 20年间显著下降区域主要分布在城市地区面积占比为3. 74%, 显著上升区域则主要分布于陕北东部、陕南东南部占据陕西省面积的35.52%。不显著变化地区中, 不显著上升占据面积比例最大达39.44%, 而下降区域多是关中地区耕地部分以及陕南中、北部, 共有21.31%低于显著上升部分。综合来看这20年间, 关中以及陕南地区的生态质量维护发展弱于陕北。在陕西省整体的生态质量变化上有将近80%的生态环境质量有所上升。

图 6右图是利用20年数据做的陕西省生态遥感指数的一元回归方程斜率, 低于0即呈下降趋势的区域仅占25.18%, 与M-K图上相似也是主要分布于城市地区以及陕南中, 北部地区, 呈现上升趋势的区域也占据陕西省面积的主要部分, 综合来看陕西省遥感生态指数多呈现上升的趋势。

3.6 指标的线性检验及正态分布检验

对遥感生态指数以及其指标进行Pearson线性相关关系分析需要完成指标的正态分布检验以及线性判断。图 7为散点分布图, 随机选取每年陕西省地区的500个点, 共20年, 总计10000个点。散点分布大致呈现出线性, NDBSI与WET较为聚集呈现出线性的程度更高。

NDBSI、LST与RSEI呈现负相关, WET、NDVI呈现正相关。这与文献^[34]结果相一致。综合来看其数据类型是符合线性分布的。正态分布检验采用的是Shapiro-Wilk检验, 因其可以完成小数据检测, 而对于该研究, 每个具有20年数据的像素点是符合要求的。

图 8中绿色区域即大于0.905(P>0.05)是符合正态分布的, 而五种指标面积占比都大于75%。不符合正态分布区域主要位于陕南东南部的汉中市, 造成该结果是2016年该区域影像缺失造成的。虽然NDVI、LST、NDBSI指标在陕北地区呈现较多不显著区域, 但综合来看指标仍符合正态分布检验, 因此可以用于做Pearson线性相关关系检验。

3.7 Pearson线性相关关系分析

图 9上部分为各指标与遥感生态指数的线性拟合程度分布图, 线性拟合程度越高, 数据就越符合线性方程。线性拟合程度分为不相关、弱正, 负相关、中正, 负相关、强正, 负相关7个评级。LST图中, 关中地区的西安市城中心遥感生态指数与热度指数呈弱正相关, 向外则呈现弱, 中负相关。陕北地区的西北部毛乌素沙漠区域呈现中负相关。NDBSI图中关中西安城区, 陕北的西北部毛乌素沙漠区域呈现中负相关。NDVI图中西安城中心呈现中弱, 负相关, 外围逐渐呈现弱正相关, 陕北地区也呈现弱正相关。WET图中呈现结果为弱正相关, 主要分布在城区, 陕北榆林地区。

图 9下部分来看, LST图斜率多在0.2—0.4与-0.4—-0.2区间, 可见LST指标的变化对于RSEI变化的影响较小。NDBSI图里, 关中西安城区数值多处于-0.4—-0.2之间, 而在陕北毛乌素沙漠干旱区域则达到了-0.8以下, 说明干旱区域的RSEI随NDBSI变化幅度要远高于其他地区。在NDVI图中, 依然是陕北毛乌素沙漠地区, 数值在0.8以上, 关中西安城区市中心在-0.4—-0.6, 外围在0.2—0.4。WET图展现结果为, 关中西安城区以及陕北毛乌素沙漠地带数值在0.2—0.4区间。综合来看, 关中城市地带各指标对于RSEI的斜率虽呈现线性关系, 但数值都较小, 即变动一个单位长度, RSEI变化程度都较小, 在陕北干旱地区, NDBSI与NDVI对于RSEI的变化幅度极大。

4 讨论 4.1 陕西省关中地区城市中心与外围遥感生态指数变化趋势差异的原因

从陕西省整体生态质量分布图来看生态遥感指数与地理环境密切相关, 说明20年间, 自然地理环境、气候等因素对于RSEI仍处于主导地位, 这与文献结论相同^[35]。西安作为陕西省省会城市, 同时, 也是陕西省城市化发展最快的城市, 它的发展可以体现出政府在衡量城市化发展与生态质量维持的政策与成效。根据M-K图以及Pearson相关关系图, 两种图像结果结合可以总结出西安市中心RSEI, WET, LST, 指标在上升NDVI, NDBSI下降。城市外围RSEI, WET与NDVI下降, LST与NDBSI上升。从城市外围RSEI降低的结果来看, 西安市政府制定规划工厂向外围转移, 城市化扩建^[36—37], 从而WET下降, NDBSI, LST上升。另外, 外围在1999年时多是耕地, 工地的建设造成了NDVI下降, 也是RSEI明显下降原因之一。城中心遥感生态指数的上升, 原因可能是多方面的, 首先是工厂外移, 住房、商场建成, 中心城镇化完成, 其次还有政府实行的城市绿色化建设, 绿色植被的蒸腾作用可以使地表增湿, 降温^[38—39]。最终致使WET指标增加并高于周边城市化建设地带, 这个结果与文章指出的建成区湿度指数高于未建成区一致^[40—41]。WET的上升与NDBSI的下降, 同时这两指标也是RSEI的主要占比成分, 呈现出城中心的RSEI上升的结果, 最终形成西安城市中心与外围生态环境指标变化相反的结果。

4.2 生态治理工程是陕北生态质量提升的主要驱动力

陕北东部黄土丘陵沟壑区的NDVI与RSEI的斜率在0.2—0.8之间, 西部的毛乌素沙漠地区NDVI、NDBSI与RSEI的斜率值都远高于其他指标, 数值在0.8以上, -0.8以下。说明黄土沟壑区的RSEI提升的主要原因是NDVI增加, 而毛乌素沙漠地区则是NDVI的上升与NDBSI的下降。两类结果都有一个共同结论即NDVI上升, 这与截止于2018年榆林市NDVI累计增长88.65%, 耕地、林地、草地和沙化土地上的NDVI均明显增加的的结论^[42]相同, 而促进NDVI的增加则主要功臣是退耕还林, 三北防护林等生态治理工程。如陕北东部黄土丘陵沟壑区采用的“坡面退耕还林(草), 沟道拦蓄整地, 梁峁固土保水”的生态治理方略^[43—44], 高坡度坡地退耕还林还草, 荒山荒地营造油松、侧柏、柠条保持林恢复坡地生态环境有效促进了NDVI增长。西北部毛乌素沙漠地带因主要土质为泥沙, 其NDBSI指标要高于黄土地区的, 所以治理采用“沙地固沙还灌草, 农区防风还林网”战略, 引水拉沙、大苗深栽、挖壕排盐等方法治理北部盐碱地, 建设北部稳定的防护林体系。生态治理工作不只促进了NDVI增加, 同时也削弱了NDBSI指数, 因此表现为NDVI与NDBSI都主要影响RSEI的提升。

4.3 不足与改进

本文利用RSEI评价陕西省1999—2018年的生态环境质量变化, 其中存在一些不足。首先, 本文利用了3期影像分别为Landsat—5 TM、Landsat—7 TM、Landsat—8 OLI/TIRS影像, TM与OLI/TIRS传感器之间的波谱差异会对结果有一定影响, 今后的研究尽量沿用同一传感器影像集。其次, 生态遥感指数存在有归一化处理前极值不统一, 仅用4项指标不能完全表征生态环境质量上的不足, 因此可采用改进遥感生态指数^[45]、增加如大气污染^[46]相关指标进一步优化评价体系。

5 结论

本文借助GEE(Google Earth Engine)平台, 对陕西省1999—2018共计20年的遥感生态指数动态进行分析, 获取并总结了每年热度、绿度、干度、湿度的系数占比。依据代价方程最小原则得到了陕西省遥感生态指数变化及拐点的回归方程。对各区间影像的生态环境质量分布, 各阶段变化面积占比做出评价与总结。利用M-K图、线性回归方法对于RSEI变化趋势做了探讨。通过Shapiro-Wilk方法对陕西省各指标影像做了正态分布检验与线性图像判断。探讨分析了各指标与RSEI的Pearson相关关系分布图。获得如下结论：

(1) 四种指标中, LST与NDBSI指标对于RSEI呈现负相关, NDVI与WET呈现正相关, 取20年的平均值来看, NDBSI在RSEI指标占比最大, 最小为LST。

(2) 陕西省RSEI发展总趋势是从1999年开始上升, 2003年为转折点呈现下降趋势, 2005年上升持续到2012年, 2012年到2018年主体呈现下降趋势。

(3) 陕西省生态环境质量主要呈现出, 从北到南RSEI不断上升, 陕北南部的黄龙山与子午岭森林公园高于关中地区, 城市地区低于周边地区。

(4) 各阶段生态环境变化状况, 1999—2003年生态环境质量提升与降低面积占比接近大约12%, 降低区域主要在关中平原。2003—2005年质量降低面积占比达到了23.8%, 其主要分布在陕北毛乌素沙漠地带。而上升仅有5.21%。2005—2012年质量提升占比到了29.71%, 主要在陕北地带, 而质量降低只有8.81%。2012—2018年, 质量降低占比为20.91%, 主要在陕南与关中地带。提升占比仅为11.84%。

(5) 发展趋势上, M-K图中表示过去20年关中城市地区的RSEI呈现出显著下降, 陕北地带的显著上升。一元回归方程斜率图中城市区域的RSEI下降的趋势要高于其他地区。

(6) 线性图与正态检验分布图上表示RSEI与各指标都呈现线性, 同时也符合正态分布, 可用来进行Pearson线性关系研究。

(7) Pearson相关关系分布图与回归方程的斜率图上看, 城市地区线性拟合程度较弱, 且斜率也较低, 单一指标提升对于RSEI没有显著提高。陕北西北部地区RSEI与NDBSI指标拟合程度主要为中负相关, 斜率值主要小于-0.8, 毛乌素沙漠地区的RSEI主要受NDBSI, NDVI指标影响。陕北黄土丘陵沟壑区NDVI拟合程度主要为弱, 中正相关, 斜率值为0.2—0.8, 说明该地区的RSEI则主要受NDVI指标影响。