生态环境是社会-经济-自然的复合系统, 其质量状况可以有效反映区域人类生产活动与环境的协调程度^[1—2]。随着中国经济快速增长、城市化进程加快, 部分地区面临着森林退化、土壤侵蚀、水土流失和城市热岛等一系列生态环境问题^[3—6]。开展生态环境质量动态监测和定量评价可为生态环境保护和可持续发展提供科学依据。

遥感技术因具有高精度、高效率和大尺度等特点，已被广泛应用于生态环境研究领域^[7]。早期常采用单一的生态因子对生态系统进行评估, 然而生态系统是一个复杂的巨系统, 受多因素综合影响, 仅使用单一指标难以全面反映生态环境的综合特征。因此, 在2006年国家环境保护部颁发的《生态环境状况评价技术规范》中推出了基于遥感技术的生态环境状况指数(EI), 已成为我国县级以上生态环境年度综合评价的基本标准。

然而, 上述方法往往需要人为确定因子权重, 受主观因素影响大。此外, 研究数据多源于社会经济等方面, 且一般通过县区年度统计数据获取, 致使统计指标受到了时间和地域影响, 数据更新通常较慢, 不易获得生态环境质量的细部特征。因此, 徐涵秋^[8]基于绿度(NDVI)、热度(LST)、干度(NDSI)、湿度(Wet)4个指标, 通过主成分分析(PCA)构建了遥感生态指数(RSEI), 由于RSEI的4个指标易于获取, 且可根据数据特征自动分配权重, 结果具有一定客观性, 因而得到了广泛应用和不断改进。Nie等^[9]采用地形修正后的RSEI对山西阳泉煤矿1987—2020年的生态环境质量进行了监测和评价, 发现修正后RSEI的地形效应大大降低, 实用性提高。Xu等^[10]利用RSEI和改进的RSEI评价福建省2002—2017年的生态变化, 研究表明改进方法能有效检测全省生态环境的时空变化。然而, 传统的生态环境质量评价在长时序分析中面临数据量大、数据处理困难等问题。谷歌地球引擎(GEE)平台可方便地访问大量公开资源以处理非常大的地理空间数据集^[11], 特别适用于大范围、长时序监测, 在生态环境质量评价、自然灾害变化检测等领域具有巨大应用潜力^[12—13]。在生态环境评价方面, 杨泽康等^[14]基于GEE对黄河流域生态环境质量进行了评价, 效果良好。

西安市地处中国西北部, 是陕西省的政治、经济、文化和旅游中心, 随着工业化进程加快, 城市生态环境所面临的压力日益严峻。因此, 亟需开展生态环境质量时空变化监测研究。气溶胶是固体和液体颗粒混合物, 能显著影响生态系统、空气质量、天气和气候, 研究气溶胶的时空变化对生态环境安全具有重要意义, 而气溶胶光学厚度(AOD)是描述气溶胶含量的重要参数^[15—17]。当前, 在生态环境质量监测与评价研究中, 缺乏将基于遥感的空气污染物指标与生态环境状况相结合的定量研究。此外, 国内外学者对生态环境质量的评价大多集中在数据质量较好的某个季节, 但不同地区的生态环境在不同季节往往存在差异性。因此, 有必要在这一方向进行深入探讨。

本文基于GEE平台将AOD数据纳入RSEI模型, 建立改进型遥感生态指数(ARSEI), 利用PCA探讨西安市2000—2020年生态环境质量的时空变化, 并进一步通过莫兰指数(Moran′s I)空间自相关分析生态环境质量的特征, 以期为城市生态环境质量监测、评价与保护提供理论依据和方法借鉴。

1 研究区概况

西安市地处关中平原中部, 是陕西省省会, 北临渭河, 南依秦岭, 包括新城区、碑林区、雁塔区、莲湖区、未央区和长安区等11个区以及蓝田和周至两个县, 地势东南高, 西北与西南低, 研究区位置及土地利用类型如图 1所示。该地区属于暖温带半湿润大陆性季风气候, 年平均气温13.0—13.7℃, 年降水量522.4—719.5 mm。截至2019年底, 常住人口1020.35万人, 城镇人口约761.28万人, 占全市总人口的74.61%(数据来自西安市统计年鉴http://tjj.xa.gov.cn)。

2 数据与方法 2.1 数据源及预处理

选取西安市2000、2004、2010、2015、2020年各目标年份及其前后一年春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12—2月)云量小于10%的Landsat影像, 受成像时间限制, 2020年冬季仅选取了2019和2020年冬季的数据。AOD数据来自对应目标年份及其前后一年各季MCD19A2产品的均值, 该产品为MODIS Terra和Aqua集成产品, 每天以1 km分辨率生成, 数据描述如表 1。

以上数据均源于GEE平台数据库。Landsat 5 TM、Landsat 8 OLI/TIRS地表反射率产品已经过辐射定标、大气校正和几何校正等预处理, 通过调用云掩膜算法合成目标年份及其前后一年的均值影像。MODIS数据直接在线调用, 其分辨率为1 km, 为统一分辨率, 将其重采样到30 m。为避免水域对湿度指标的影响, 使用改进的归一化水体指数^[18](MNDWI)去除水体信息。

2.2 研究方法 2.2.1 遥感生态指数的计算

在RSEI基础上, 引入AOD数据, 利用PCA构建ARSEI, 各指标计算方法如表 2。

由于上述五个指标单位不一, 在主成分分析前需要进行归一化, 公式如下：

(1)

式中, NI_i为某指标的归一化值, I_i是指标值, I_min和I_max分别对应指标最小值和最大值。

基于GEE平台利用主成分分析法计算初始ARSEI₀：

(2)

式中, PC1为第一主成分, f是对各指标进行归一化处理。此外, 对ARSEI₀进行归一化处理得到ARSEI。参考《生态环境评价技术规范》中基于RSEI的生态环境分级标准^[25], 将ARSEI分为5级, 即极差(0—0.2)、较差(0.2—0.4)、中等(0.4—0.6)、良好(0.6—0.8)、极好(0.8—1)。

2.2.2 空间自相关分析

空间自相关反映某一区域中的某种现象与邻近区域单元同一现象的相关程度^[26], 包括全局空间自相关和局部空间自相关2个方面。全局莫兰指数可从整体上揭示生态环境质量空间布局的集聚情况, 公式如下：

(3)

式中, n表示样本数量, x_i与x_j表示属性x在空间位置i和j的观测值, x为属性x_i的平均值, W_ij为空间权重矩阵, 本文采用邻接性的权重矩阵, 若第i个地区和第j个地区相邻, 则W_ij取1, 否则为0。

为进一步揭示西安市生态环境质量的高-高和低-低空间集聚区, 了解生态环境质量局部的空间分布特征, 采用局部莫兰指数空间关联局部指标聚类(LISA)进行局部空间自相关分析, 公式如下：

(4)

式中, 各参数含义同前。

3 结果与分析 3.1 ARSEI的合理性

由目标年份四季PCA结果可知, 各年份第一主成分PC1的特征值贡献度最高, 四季平均值分别为64.78%、88.48%、67.95%和48.11%。受篇幅限制, 考虑到夏季PC1贡献度较高, 因此, 以夏季为例展开PCA贡献度结果分析。由表 3可知, NDVI和Wet荷载均为正值, NDSI、LST和AOD荷载均为负值, 说明NDVI和Wet对生态环境质量起促进作用, 而NDSI、LST和AOD对生态环境质量起阻碍作用, 与实际相符。表中PC1最大达91.99%, 最小为83.06%, 表明PC1能较好地集中各指标特征信息, 故依据PC1构建ARSEI评价西安市生态环境质量是合理的。RSEI是广为使用的生态环境质量评价指数, 已被成功应用于城市、矿区和湿地等的生态环境质量评价中^{[9, 27—28]}, 下文将通过与RSEI的对比, 进一步检验ARSEI的合理性。

表 4给出了2000—2020年RSEI与ARSEI的指数值、生态等级、差值及其百分比。从指标值变化来看, 2000—2004年RSEI与ARSEI均有所下降, 之后均逐渐上升, 反映出西安市生态环境先退化后改善, 但总体向好的一致趋势；从指标差值及变化百分比来看, RSEI和ARSEI最大差值为0.018, 变化百分比总体小于3.249%, 两个指标非常接近；从分级结果来看, RSEI与ARSEI的生态级别均为中等和较好, 两个指标在数值上虽略有差别, 但分级结果完全一致, 说明AOD对生态环境质量有一定影响, 虽然尚未导致生态级别的改变, 但在ARSEI中已得以体现, 进而也说明了ARSEI在研究区生态环境监测中的合理性。

3.2 ARSEI各指标的季节性

图 2反映了ARSEI各指标变化, 结果表明NDVI和LST随季节呈先增后减趋势, 而NDSI呈先减后增趋势, 其中, 夏季LST最高, NDSI最低。2010年以前, Wet随季节先减后增, 之后则呈先增后减趋势。AOD四季变化趋势不尽相同, 2000年和2020年呈先减后增再减的波动趋势, 2010年相反, 2004年表现为先减后增, 而2015年表现为持续减少。

从5个指标年度趋势可见, NDVI和Wet呈波动上升趋势, LST呈逐年增加趋势, NDSI存在一定波动。此外, 随着经济快速发展, 城市化的加快使大气气溶胶颗粒增多, AOD随年份呈增长态势。

3.3 西安市生态环境质量时空演变特征

基于各年度四季PC1得到ARSEI四季分布图(图 3), 左侧代表像元值的数量分布, 右侧为相应数据的拟合线。总体而言, ARSEI随季节呈不同变化趋势, 夏秋季ARSEI先减后增, 春冬季呈先略减后增加再减小趋势, 至2015年达最大。下文以夏季为例进行分析。

3.3.1 西安市生态环境质量时空格局

由表 4可知, 西安市5个年度夏季ARSEI均值分别为0.565、0.521、0.572、0.644和0.695, 20年来增长趋势为0.006/a。表 5为2000—2020年西安市生态环境质量等级面积和比例, 图 4为各年生态环境质量等级分布图。

从时间尺度看(表 5), 20年间生态环境质量较差和极差等级的面积减少了1339.08 km², 良好和极好等级区面积增加了2241.80 km²。2000年西安市生态环境质量主要处于中等水平, 到2004年, 极差等级面积变化最大, 增加了1744.53 km², 占城市总面积的17.26%。其余三个年度以极好等级为主, 占比分别为40.64%、41.34%和47.43%。

从空间尺度看(图 4), 良好和极好等级区集中分布于西安南部海拔较高的秦岭地区, 该地区人口稀少, 受人类活动影响较小, 土地利用类型以森林为主, 起到了良好的生态调节作用。中等等级在各区均有分布, 主要集中在秦岭以北。较差和极差等级集中分布在主城区及其外围, 如中北部的雁塔区、东北部的阎良区、长安区北部等, 这些地区海拔较低, 人口分布较为集中, 经济活动活跃, 对生态环境带来不利影响。

3.3.2 西安市生态环境质量时空演变趋势

表 6和图 5为2000—2004年、2004—2010年、2010—2015年和2015—2020年西安市生态环境质量等级变化统计表及ARSEI变化检测差值图像, 将变化检测结果分为改善类型(+1、+2、+3、+4)、不变(0)和退化类型(-1、-2、-3、-4)。

从时间尺度看(表 6), 4个时段生态环境质量改善比例平均为25.18%, 退化比例平均为11.28%。2000—2004年退化比例(29.41%)大于改善比例(15.99%), 说明该时期生态环境质量变差。其余三期改善区均大于退化区, 特别是2010—2015年, 改善区占比最大(31.62%), 表明这三个时期生态环境质量处于改善之中。

从空间尺度看(图 5), 2000—2004年生态环境质量退化区主要分布在秦岭以北, 如东北部的阎良、高陵和中北部的未央区等, 而周至县南部及东南的蓝田县等改善面积较集中。其余三个时间段生态环境质量提升区包括北部大部分地区, 区域相对聚集且面积大, 退化区包括周至县西南部、长安区中部及主城区外围部分地区, 区域面积相对较小。

3.4 生态环境质量的空间自相关

采用2 km×2 km格网进行采样, 每幅图像共收集2252个样本点。图 6为ARSEI与正指标(NDVI、Wet)和负指标(LST、NDSI、AOD)的四维散点图。考虑AOD为新增指标, 特用灰度标尺表示它与其余指标的关系。从图 6可知, ARSEI越大, NDVI和Wet也越大, AOD越小；ARSEI越大, NDSI和LST越小, 对应AOD也越小。

图 7为由全局Moran指数计算得到的5年Moran指数散点图。由图可见, 各点主要分布在第一三象限, 说明生态环境质量空间分布具有较强正相关性, 呈聚集性而非随机性。2000—2020年Moran指数先升后降, 2010年空间正相关性最强, 可达0.859, 2020年最弱, 值为0.627。

利用局部空间自相关分析, 得到ARSEI的5种聚散类型, 即不显著、高-高(HH)、低-低(LL)、高-低(HL)和低-高(LH)。由图 8知, 西安市生态环境质量空间自相关特征以高ARSEI值和低ARSEI值集聚为主, 说明ARSEI的空间分布相互联系紧密。其中, 不显著型主要分布在蓝田县、鄂邑区中北部等地, 南部的秦岭地区形成了HH聚集区, 有较强的正相关关系。LL主要位于秦岭北部, 如以莲湖区和雁塔区等为中心的主城区及周围。总体上, 5个时期HL和LH分布分散且面积较小, HH和LL分布集中且所占面积大。

4 讨论

气溶胶与人类健康息息相关, 与生态安全关系密切。本文在RSEI基础上, 引入AOD指标, 构建了ARSEI, 基于GEE开展了西安市生态环境质量的动态监测, 并利用Moran指数实现生态环境质量的空间自相关分析。前人研究表明GEE平台可在线调用大尺度、长时序海量数据, 方便快捷^{[12, 14]}, 本研究进一步证实了相比传统处理方法, GEE平台所具有的独特优势。

RSEI突破了EI权重因子易受主观影响及数据来源的局限, 以绿、热、干、湿四个指标为基础, 自动分配因子权重, 在城市生态环境评价中具有一定普适性^[27]。然而, 在中国北方地区城市化快速发展过程中, 大气污染对生态环境质量的负面影响不容忽视。万虹麟等^[29]在RSEI基础上, 引入反映颗粒物PM2.5浓度的差值指数, 监测了河北沧州市的生态环境质量, 进一步凸显了生态环境质量监测中考虑大气污染因素的重要性和迫切性, 然而相关工作在西北地区, 特别是气溶胶污染典型而严重的西安市尚未见报道。AOD是气溶胶粒子重要的光学参数之一, 可有效反映大气污染程度, 故纳入AOD指标构建了表征西安市生态环境质量的ARSEI。从上文的表 3和表 4可见, ARSEI的PC1贡献度在83%以上, 说明其PC1能较好地集中各指标信息, ARSEI和RSEI的最大差值为0.018, 差异百分比在3.249%之内, 同时二者分级结果一致, 表明构建的ARSEI与具有普适性的RSEI具有极大的相似性。对比研究区已有的相关成果, 王新杰和薛东前^[30]利用压力-状态-响应(PSR)概念模型计算了西安市1996—2006年生态环境综合指数, 发现2000—2004年生态环境质量变差, 与本文同期结果相吻合。赵安周等^[31]采用灰色关联度模型对西安市生态环境质量的评价表明, 西安市生态环境综合水平在2004年达到较低点, 此后呈上升趋势, 与本文结果一致。综上可见, ARSEI能较好地将空气污染因素考虑在内, 能包含更多的信息, 在西安市生态环境质量评价中具有一定的合理性和全面性。

西安是中国西部地区的中心城市, 国家重要的科研、教育和工业基地, 近20年来发展迅猛。由图 8可见, 2000—2004年LL呈上升趋势, 表明生态环境质量下降。2004年以来, LL明显下降, HH变化不明显, 表明生态环境质量有所好转。HH和LL分布集中且所占面积大, 主要是因为秦岭地区以林地为主, 分布广, 面积大, 区域生态质量整体良好, 而秦岭北部地区是西安市人类与经济活动的主要区域, 相对而言生态环境质量较差。从前文可知, 主城区及周围环境质量下降, 究其因可能是由于2000年以来西部大开发战略的启动, 加之西咸一体化战略的实施, 西安市建立多个开发区, 城市化进程加快, 大片耕地被城市用地取代所致^[32—33]。2004—2010年生态环境质量有所好转, 主要原因是西安世园会的筹办及2009年国务院发布的《关中—天水经济区发展规划》, 促进了城乡建设和生态环境治理的协调发展^[34—35]。2010年以来西安市生态环境质量不断提升, 与西安市围绕“八水绕长安”的主题大力开展生态恢复治理工程、城镇化水平增长速度放缓、退耕还林、城市建成区绿化以及秦岭生态保护条例的颁布与实施密切相关^[35—36]。黄河是中华民族的母亲河, 黄河流域生态保护和高质量发展的重大国家战略, 为黄河流域经济转型提供了具有前瞻性的设计, 对黄河流域省市发展提出了新要求。西安作为黄河流域最大的城市, 在生态环境监测与治理中应有新的担当和创新的智慧, 遥感技术及GEE平台的综合利用, 为深入开展黄河流域城市生态环境动态监测、实现人与自然和谐共生提供了良好手段。

5 结论

(1) 本文构建的ARSEI纳入了大气污染指标, PC1贡献度在83%以上, 与RSEI差异小, 分级结果一致。ARSEI能较好地集中绿、热、干、湿和AOD等指标特征信息, 有助于更加全面、客观地评价研究区生态环境质量。

(2) 2000—2020年夏季ARSEI分别为0.565、0.521、0.572、0.644、0.695, 呈先减后增趋势。20年间西安市生态环境质量较差和极差等级区面积减少了1339.08 km², 良好和极好等级区面积增加了2241.80 km², 说明研究区生态环境质量总体变好。其中, 北部的主城区及周围区域生态环境质量较差, 南部秦岭地区生态环境质量较好。

(3) 研究区生态环境质量以不变为主, 总体而言, 改善区面积大于退化区。2000—2004年、2004—2010年、2010—2015年和2015—2020年4个时段生态环境质量改善比例平均为25.18%, 退化比例平均为11.28%。2000—2004年改善区集中在南部地区, 退化区集中于北部地区, 其余3个时段以改善为主。

(4) 2000—2020年间5期Moran指数分别为0.764、0.863、0.859、0.762、0.627, 表明生态环境质量的空间分布存在较强正相关和一定的内在联系, 空间分布呈聚集性, 以HH和LL分布为主, 且较为集中, 而HL、LH和不显著分布较少且较为分散。