陳銘楊 程煜 楊洪偉 黃薇薇 楊冬雪 任雅茹

摘要：把握區(qū)域生態(tài)環(huán)境的時空格局，厘清其主要影響因素，對實現(xiàn)區(qū)域生態(tài)文明建設具有決定性作用?；贕EE平臺，構(gòu)建遙感生態(tài)指數(shù)（RSEI），解析2001—2020年間長三角生態(tài)環(huán)境質(zhì)量時空變化，并利用隨機森林模型分析其影響因素。結(jié)果顯示：（1）時間維度上，RSEI先降后升，但研究期末仍低于期初；空間維度上，山地丘陵區(qū)RSEI顯著高于各城市建成區(qū)。（2）時空演化上，皖北地區(qū)RSEI始終呈上升態(tài)勢，長江沿岸及太湖周邊城市建成區(qū)RSEI明顯呈下降趨勢。（3）建設用地面積占比（POCL）、坡度（SLOPE）和高程（DEM）是影響長三角RSEI的主導因素。當POCL大于3%時，對RSEI起抑制作用，在3%-50%區(qū)間，其抑制作用更為顯著；SLOPE在0-0.6°和2.5°-29.5°區(qū)間對RSEI起促進作用，而在0.6°-2.5°和大于29.5°區(qū)間對RSEI起抑制作用；DEM ≥ 1150 m時，其對RSEI的促進作用達到最大后保持平穩(wěn)。進一步優(yōu)化城市用地空間布局，增加城市綠地面積，是實現(xiàn)長三角高質(zhì)量發(fā)展的必由之路。

關鍵詞：長三角；生態(tài)環(huán)境質(zhì)量；隨機森林；影響因素

中圖分類號：X87；X826文獻標志碼：A文章編號：1001-2443（2023）03-0277-09

引言

伴隨著我國城鎮(zhèn)化進程的不斷加快，土壤退化、水質(zhì)惡化、大氣污染等生態(tài)環(huán)境問題日益突出［1］，在影響自然環(huán)境的同時也極大制約了社會經(jīng)濟的高質(zhì)量發(fā)展。及時監(jiān)測與評估區(qū)域生態(tài)環(huán)境的變化，對保持區(qū)域生態(tài)環(huán)境質(zhì)量具有重要意義。

生態(tài)環(huán)境質(zhì)量評價作為生態(tài)環(huán)境研究中的關鍵問題，備受學者關注。早期生態(tài)環(huán)境質(zhì)量評價研究中，學者們多采用基于面板統(tǒng)計數(shù)據(jù)的壓力—狀態(tài)—響應模型（PSR）［2］、生態(tài)環(huán)境指數(shù)（EI）［3］、生態(tài)足跡［4］等方法。這類方法所需指標較多，部分指標數(shù)據(jù)獲取難度大，且研究受限于行政區(qū)劃影響，多為省域［4］、市域［5］和縣域［6］等中宏觀尺度，缺乏空間上的整體情況研究。2013年，徐涵秋［7-8］提出的遙感生態(tài)指數(shù)（Remote Sensing Ecological Index， RSEI）由熱度、綠度、干度、濕度四個指標組成，該指數(shù)的指標數(shù)據(jù)可完全通過遙感手段獲得，且能反映區(qū)域生態(tài)系統(tǒng)的復雜性、多樣性和典型性，同時，該指數(shù)可從柵格尺度上評價區(qū)域生態(tài)環(huán)境質(zhì)量。因此，RSEI很快成為了測度生態(tài)環(huán)境質(zhì)量的有效新手段［9-10］。然而，利用RSEI評價大范圍區(qū)域的生態(tài)環(huán)境質(zhì)量時，卻會面臨龐大的遙感數(shù)據(jù)下載和預處理的困難［11］。隨著Google Earth Engine（GEE）平臺的建立與發(fā)展，其強大的云算力和存儲特征為遙感影像數(shù)據(jù)的處理提供了高效的處理平臺［12］，進一步推動了RSEI的應用［13-14］。

長三角是我國經(jīng)濟社會發(fā)展最具顯示性的戰(zhàn)略區(qū)域，其快速發(fā)展的背后是植被覆蓋率下降、生態(tài)用地減少、生態(tài)系統(tǒng)退化等一系列生態(tài)環(huán)境問題，嚴重削弱了該區(qū)域環(huán)境承載能力。在長三角一體化全方位加速發(fā)展的新階段，“堅持綠色高質(zhì)量發(fā)展，把保護和修復生態(tài)環(huán)境擺在重要位置”，高度重視并構(gòu)建區(qū)域生態(tài)環(huán)境保護共同體是實現(xiàn)生態(tài)環(huán)境質(zhì)量保護與經(jīng)濟發(fā)展雙重目標的客觀需求。當前從柵格尺度評價長三角整體生態(tài)環(huán)境質(zhì)量的相關研究較少，此外，在生態(tài)環(huán)境質(zhì)量影響因素研究中通常采用地理探測器［1］、相關分析法［9］、因子分析法［15］等方法，但這類方法只能揭示解釋變量與因變量之間的線性關系，而非線性的隨機森林模型則可以彌補以上方法的不足。因此，本文將借助GEE平臺，基于MODIS數(shù)據(jù)，建立RSEI綜合評價模型，研究2001—2020年長三角生態(tài)環(huán)境質(zhì)量的時空演化特征，并運用隨機森林模型探析影響因素的重要性及其與生態(tài)環(huán)境質(zhì)量之間的非線性關系，以期為長三角生態(tài)環(huán)境保護提供科學依據(jù)。

1 研究方法與數(shù)據(jù)來源

1.1 數(shù)據(jù)來源

構(gòu)建遙感生態(tài)指數(shù)所需的歸一化植被指數(shù)（NDVI）數(shù)據(jù)提取自MOD13A1數(shù)據(jù)集，該數(shù)據(jù)集選取每個位置十六天內(nèi)的最優(yōu)像素進行合成，分辨率為500 m；地表溫度（LST）數(shù)據(jù)提取自MOD11A2地表溫度數(shù)據(jù)集，MOD11A2數(shù)據(jù)集以1 km的分辨率提供了8天地表溫度的平均值；干度和濕度數(shù)據(jù)提取自MOD09A1影像集，MOD09A1影像集提供了MODIS影像中7個波段的表面光譜反射率估計值，該影像集以8天為周期進行合成，分辨率為500 m［16］。

土地利用和DEM數(shù)據(jù)來源于中科院資源環(huán)境科學與數(shù)據(jù)中心（https：//www.resdc.cn/），土地利用數(shù)據(jù)空間分辨率為30 m×30 m，DEM空間分辨率為90 m×90 m，同時基于DEM數(shù)據(jù)，通過ArcGIS 10.5中的Aspect和Slope工具計算出坡度和坡向數(shù)據(jù)。降水數(shù)據(jù)和氣溫數(shù)據(jù)均來自國家地球系統(tǒng)科學數(shù)據(jù)中心（http：//www.geodata.cn/），空間分辨率為1 km×1 km。人口密度柵格數(shù)據(jù)來源于Worldpop（https：//www.worldpop.org/），空間分辨率為1 km×1 km。GDP柵格數(shù)據(jù)是基于夜間燈光數(shù)據(jù)、土地利用數(shù)據(jù)及市級GDP統(tǒng)計數(shù)據(jù)對1km×1km的網(wǎng)格賦值所得到［17］，空間分辨率為1km×1km。

1.2 預處理

在GEE平臺上采用去云中值的方法合成2001、2005、2010、2015和2020年五個時相夏季MODIS數(shù)據(jù)集，并將MODIS數(shù)據(jù)集分辨率重采樣為1 km。為確保計算土壤和植被濕度的準確性，需要掩膜去除大面積水體。坐標系統(tǒng)一采用WGS1984地理坐標系，并基于5 km×5 km漁網(wǎng)統(tǒng)計遙感生態(tài)指數(shù)和各影響因素的均值。

1.3 研究方法

1.3.1 遙感生態(tài)指數(shù) 遙感生態(tài)指數(shù)（RSEI）可由綠度、熱度、濕度和干度四個生態(tài)指標構(gòu)成［7-8］。綠度通過NDVI來表征；熱度可用地表溫度（LST）來表征；濕度指標（WET）使用MOD09A1多光譜影像集經(jīng)纓帽變換后的第三分量進行表征，代表土壤和植被所含水分的多少［18］；干度指標（NDBSI）采用建筑指數(shù)（IBI）和裸土指數(shù)（SI）的平均值來刻畫［19-20］。各生態(tài)指標的計算方法見表1。

1.3.2 隨機森林模型 隨機森林模型是Breiman于2001年提出的一種基于決策樹的機器學習算法，可模擬解釋變量和因變量之間的復雜關系［21］。隨機森林利用bootsrap重采樣方法從原始樣本中抽取多個樣本構(gòu)造決策樹，其回歸模型結(jié)果按決策樹投票分數(shù)而定［22］。本文將2001年、2010年和2020年三個時相的8個影響因子和RSEI分別作為自變量和因變量，按照1∶9的比例劃分測試集和訓練集構(gòu)建隨機森林模型。利用部分依賴圖描述某一解釋變量在排除其他解釋變量的情況下與因變量之間的回歸關系，并通過測試集的R2來對模型精度進行表征。

2 結(jié)果與分析

2.1 RSEI模型檢驗

由表2可知：（1）四個指標各年份第一主成分（PC1）的貢獻率均在60%以上，表明PC1能集合四個指標大部分的特征信息［23］，可用于主成分分析；（2）四個指標的平均貢獻度絕對值中，NDVI（0.6743）＞NDBSI（0.5734）＞LST（0.3584）＞W(wǎng)ET（0.2003）；（3）PC1中四個指標的貢獻度中NDVI與WET為正值，起正向效應，LST與NDBSI為負值，起負向效應，這與實際情況相符。因此，依據(jù)PC1提取的信息構(gòu)建RSEI是合理的。

由于缺乏實測數(shù)據(jù)，因此直接評價RSEI模型的準確性較為困難。而生態(tài)環(huán)境質(zhì)量與土地利用類型密切相關［24］，因此可借助土地利用數(shù)據(jù)間接驗證RSEI模型的準確性。以0.2為間隔，將RSEI劃分為優(yōu)、良、一般、較差和差五個等級［9］，并統(tǒng)計2001年、2010年和2020年三個時相各等級的土地利用類型面積占比，據(jù)此繪制成圖1。由圖1可知，RSEI等級為優(yōu)的主要土地利用類型是林地，其次是耕地，其余用地類型占比非常小。RSEI等級為良和一般的土地利用類型情況非常相似，主要是耕地，占比都在50%以上。RSEI等級為差和較差的土地利用類型以建設用地為主，其中RSEI等級為差中的建設用地面積占比達到了70%以上。這與林地是生態(tài)用地，耕地是半生態(tài)用地，建設用地是非生態(tài)用地［25］的實際情況相符合。因而，本文所構(gòu)建RSEI模型測算的結(jié)果是可靠的。

2.2 生態(tài)環(huán)境質(zhì)量時空特征

從圖2可以看出，研究期內(nèi)，長三角生態(tài)環(huán)境質(zhì)量呈先降后升的波動變化，但研究期末仍差于研究期初，最高值（0.6686）出現(xiàn)在2005年，最低值（0.6354）出現(xiàn)在2015年。具體來看，2001—2005年間，生態(tài)環(huán)境質(zhì)量略微變好，這是因為2005年全國降水普遍偏多，而降水的增多會在一定程度上提高土壤的濕度。2005—2015年逐漸惡化，原因是城市化的快速發(fā)展，生態(tài)用地的大幅度縮減，使得生態(tài)功能退化。2010—2015年下降速率較前五年有所減緩，下降速率由3.25%降至1.78%，2015—2020年間生態(tài)環(huán)境質(zhì)量明顯改善，這一期間，國家相繼發(fā)布了《全國生態(tài)保護與建設規(guī)劃（2013—2020年）》《生態(tài)文明體制改革總體方案》，這為長三角大力開展生態(tài)保護和治理提供了指導，導致區(qū)域生態(tài)環(huán)境質(zhì)量逐步好轉(zhuǎn)。

為了進一步分析長三角生態(tài)環(huán)境質(zhì)量，以0.2為間隔將RSEI分成五類等級［9］，分別是差［0，0.2］、較差［0.2，0.4］、一般［0.4，0.6］、良好［0.6，0.8］和優(yōu)［0.8，1.0］。由圖3和表3可知，長三角生態(tài)環(huán)境質(zhì)量以良好等級為主，其面積占比超過50%，這與長三角水熱條件優(yōu)越、綠化覆蓋率較高的事實相符合。從時間上來看：優(yōu)等級面積占比呈現(xiàn)出升—降—升的變化趨勢；良好等級面積占比呈現(xiàn)出降—升的變化趨勢，最高值（63.68%）出現(xiàn)在2001年，最低值（51.24%）出現(xiàn)在2015年；一般等級面積占比呈現(xiàn)出升—降的變化趨勢；較差和差等級呈現(xiàn)出降—升—降—升的變化趨勢，波動較大。

從空間分布格局來看（圖4），長三角生態(tài)環(huán)境質(zhì)量整體呈“北劣南優(yōu)，東差西好”的空間格局。其中，生態(tài)環(huán)境質(zhì)量等級為差和較差的區(qū)域主要集中分布在上海、蘇州、無錫和常州等城鎮(zhèn)化水平較高的地區(qū)，其建設用地面積的擴張擠占了原本的生態(tài)用地，導致植被綠地減少，城市熱島效應增強。等級為優(yōu)良的區(qū)域主要分布在皖西大別山以及皖南和浙江南部等山地丘陵區(qū)，這里植被覆蓋率較高，人類活動強度相對較弱，生態(tài)承載能力較強。等級為一般的地區(qū)主要集中分布在皖北，2001年皖北地區(qū)的生態(tài)環(huán)境質(zhì)量以一般為主，部分地區(qū)生態(tài)環(huán)境質(zhì)量處于較差和差等級，這是由于該地區(qū)的土地利用類型以農(nóng)業(yè)用地為主，早期的農(nóng)業(yè)生產(chǎn)方式較為粗放，隨著綠色農(nóng)業(yè)生產(chǎn)技術的應用與推廣，皖北地區(qū)生態(tài)環(huán)境質(zhì)量逐漸改善，2020年皖北地區(qū)大部分地區(qū)生態(tài)環(huán)境質(zhì)量處于良好等級，只有阜陽市的中南部小范圍區(qū)域生態(tài)環(huán)境質(zhì)量仍以一般等級為主。

2.3 生態(tài)環(huán)境質(zhì)量時空演變

表4給出了長三角2001—2020年三個不同時段的生態(tài)環(huán)境質(zhì)量變化面積統(tǒng)計結(jié)果，可以看出，2001—2010年，持續(xù)改善的區(qū)域面積為4.43萬 km2，而退化的區(qū)域面積為6.8萬 km2，生態(tài)環(huán)境質(zhì)量退化的面積明顯高于改善的面積，表明長三角在2001—2010年間生態(tài)環(huán)境質(zhì)量處于下降的趨勢。與2001—2010年相比，2010—2020年生態(tài)環(huán)境質(zhì)量變化具有與之相反的趨勢，2010—2020年，生態(tài)環(huán)境質(zhì)量改善的面積為4.83萬 km2，高于生態(tài)環(huán)境質(zhì)量退化的面積4.14萬 km2?？傮w來看，2001—2020年與2001—2010年具有類似的變化趨勢，雖然近10年生態(tài)環(huán)境質(zhì)量有所改善，但改善的幅度還不夠顯著。

依據(jù)圖5可知，不同地區(qū)RSEI的變化趨勢存在明顯的空間差異。2001—2010年，生態(tài)環(huán)境變差的區(qū)域主要集中在蘇州、常州、無錫、上海等城市化發(fā)展較快的地區(qū)，江蘇中部和北部城市生態(tài)環(huán)境質(zhì)量也有所變差，與濕度有所降低相關，皖北農(nóng)業(yè)區(qū)的生態(tài)環(huán)境質(zhì)量明顯提高。2010—2020時間段里，皖北農(nóng)業(yè)區(qū)、江蘇省、上海市和浙江省南部區(qū)域生態(tài)環(huán)境質(zhì)量有所改善，這得益于生態(tài)保護規(guī)劃與措施的制定和實施，以及人們生態(tài)保護理念的提升，變差的區(qū)域較少，主要集中在合肥、阜陽等地，如近些年來經(jīng)濟社會發(fā)展迅速的合肥市，其建設用地面積更是由2001年的125.00 km2增至2020年的466.54 km2，擴大了將近三倍。整體來看，2001—2020年，長三角生態(tài)環(huán)境質(zhì)量變差的地區(qū)主要分布在城市建成區(qū)，生態(tài)環(huán)境質(zhì)量改善的地區(qū)主要集中分布在皖北農(nóng)業(yè)區(qū)。值得注意的是，上海市的不透水面面積（主要包括建筑和道路）由2001年的1367.96 km2增加至2020年的2472.39 km2，超過上海市總面積的三分之一［26］，但經(jīng)過近20年的環(huán)境治理和造林，上海市的森林覆蓋率從1999年的3%增至2020年的18.49%，雖然2020年上海市生態(tài)環(huán)境質(zhì)量較2001年有所下降，但整體呈好轉(zhuǎn)趨勢。

2.4 生態(tài)環(huán)境質(zhì)量影響因素分析

生態(tài)環(huán)境質(zhì)量受到自然和人文因素的綜合影響［27］?；趯σ延醒芯康氖崂恚?，9，28］，遵循科學性和可獲取性等原則，本文選取2001年、2010年和2020年三個時相的高程（DEM）、坡度（SLOPE）、坡向（ASPECT）、年均降水（PRE）以及年均氣溫（TEM）作為自然解釋變量，GDP、人口密度（POP）和建設用地面積占比（POCL）作為人文解釋變量，RSEI為被解釋變量，用以構(gòu)建隨機森林模型。在構(gòu)建隨機森林模型前，利用SPSS軟件對三個時相的8個影響因素與對應年份的RSEI做了相關性分析，結(jié)果（表5）顯示各年份的影響因素均在0.01的顯著性水平與RSEI上顯著相關，滿足構(gòu)建隨機森林的條件。

基于隨機森林模型構(gòu)建RSEI與影響因素之間的回歸模型，三個時相的測試集決定系數(shù)R2分別為0.811、0.811和0.843，均在0.8以上，說明模型擬合結(jié)果較好。圖6是基于permutation方法得到的影響因素相對重要性排序。由圖6可知，自然因素中，PRE和TEM的重要性大小排名相對靠后，表明二者對長三角RSEI空間分布的影響力不夠顯著，其中2001年PRE重要性大小偏高是由于該年份長江下游地區(qū)出現(xiàn)干旱的狀況，導致PRE解釋力偏高。其次，ASPECT對RSEI變化無明顯驅(qū)動作用，SLOPE和DEM重要性排名靠前，表明二者對RSEI空間分異性的解釋力度高。人文因素中，POCL的重要性自2010年以來明顯大于其他影響因子，表明POCL已逐漸成為長三角RSEI變化的主導因子，GDP與POP則相對靠后，三個人文因素的重要性大小在研究期內(nèi)增加較快，說明研究期內(nèi)人類活動對生態(tài)環(huán)境的影響持續(xù)增強。總體來說，POCL、SLOPE和DEM的重要性大小排名相對靠前，是影響長三角RSEI的主導因素。

為準確得出各變量與RSEI的偏依賴關系，這里選取三個時相的所有樣本數(shù)據(jù)構(gòu)建隨機森林模型，并得到偏依賴關系圖（圖7），其反映了長三角RSEI與各影響因素之間的數(shù)理關系。結(jié)果表明：建設用地面積占比與RSEI的關系呈現(xiàn)出平穩(wěn)—下降的趨勢，當建設用地面積占比小于3%時，RSEI穩(wěn)定不變，表明此時RSEI受到城市擴張的影響較小，當建設用地面積占比大于3%時，其與RSEI呈顯著的負相關關系，值得注意的是，當建設用地面積占比在3%-50%時，RSEI迅速下降，表明此時城市擴張對生態(tài)環(huán)境的抑制作用較強。GDP在3.1×105 萬元/km2內(nèi)與RSEI呈顯著的負相關關系，RSEI隨著GDP的增加先是急劇下滑再緩慢下滑，當GDP增加至3.1×105 萬元/km2，RSEI達到低值后開始趨于平緩。人口密度對生態(tài)環(huán)境的影響與GDP相類似，當人口密度小于2.5×104 人/km2時，其與RSEI呈負相關關系。高程偏依賴圖中可以看出，隨著高程的增加，RSEI隨之增加，到1150 m左右達到最高值并幾乎保持不變。海拔是影響人口和經(jīng)濟發(fā)展的重要因素，通常人類在海拔較低的平原地帶活動較為頻繁［29］，高海拔地區(qū)人類活動干擾相對較小，因而長三角高海拔地區(qū)的生態(tài)環(huán)境質(zhì)量相對較好。坡度與RSEI的關系呈現(xiàn)出上升—下降—上升—下降的趨勢，當坡度小于0.6°時，RSEI開始上升，隨后在0.6°-2.5°之間，RSEI開始下降，當坡度大于2.5°時，RSEI又開始上升，直至29.5°時，RSEI才呈下降趨勢，可能是由于坡度大于29.5°時易發(fā)生水土流失，進而造成RSEI的下降。由ArcGIS 10.5坡向分類可知，陽坡在135°-225°之間，半陽坡為225°-315°，坡向偏依賴圖中可以看出陽坡的生態(tài)環(huán)境質(zhì)量明顯高于陰坡。氣溫偏依賴圖中可以看出，隨著氣溫上升RSEI呈現(xiàn)出平穩(wěn)—上升—波動下降的趨勢，當年均氣溫低于13.8 ℃時，RSEI幾乎穩(wěn)定不變，而年均氣溫在13.8 ℃-15 ℃間，RSEI開始上升，隨后開始波動下降，這是因為氣溫會影響植被綠度的高低［30］，同時氣溫會改變城市熱島強度［31］，進而影響RSEI。降水與RSEI的關系基本呈現(xiàn)上升—下降—平穩(wěn)的趨勢，當年均降水小于1150 mm時，RSEI逐漸上升，而年均降水大于1150 mm小于2100mm時，RSEI開始下降，年均降水大于2100mm時，則幾乎保持不變，與植被生長對降水有一定的最適范圍有關［32］。

3 討論

（1）傳統(tǒng)RSEI構(gòu)建過程需要在計算機本地下載和處理遙感影像數(shù)據(jù)，過程較為繁瑣。且在面對研究區(qū)中云量較多區(qū)域存在數(shù)據(jù)缺失這一問題時，研究者們通常采用相近年份的遙感影像來替代該年份的遙感影像［11］，一定程度上影響了結(jié)果的準確性。借助GEE平臺使用去云中值的方法合成夏季RSEI分指標數(shù)據(jù)，一方面可以極大提升模型構(gòu)建效率，另一方面可有效減小云量的干擾，提高研究的準確性。

（2）已有相關研究表明，MODIS遙感影像相較于Landsat系列遙感影像更加適合于中尺度的研究［33］，故本研究選取MODIS遙感影像作為數(shù)據(jù)源構(gòu)建RSEI模型。建模結(jié)果顯示，PC1中四個指標貢獻度的正負值分布與實際情況相符合，且經(jīng)驗證RSEI模型得到的結(jié)果合理可靠。因此，本研究基于GEE平臺采用MODIS數(shù)據(jù)構(gòu)建的RSEI，可較好的評估長三角生態(tài)環(huán)境質(zhì)量。

（3）本文構(gòu)建的隨機森林模型精度較高，可以有效解釋影響因素與RSEI之間的非線性關系。但同時也存在一些不足，本文隨機森林模型的運算基于柵格數(shù)據(jù)模式，一些常規(guī)的統(tǒng)計年鑒數(shù)據(jù)由于缺乏成熟的空間化數(shù)據(jù)集而無法選用［22］，未來可考慮用機器學習的方法來實現(xiàn)統(tǒng)計年鑒數(shù)據(jù)空間化。

4 結(jié)論

本文基于GEE平臺，通過MODIS數(shù)據(jù)構(gòu)建遙感生態(tài)指數(shù)（RSEI），解析了2001—2020年間長三角生態(tài)環(huán)境質(zhì)量時空變化，并利用隨機森林分析了其影響因素。主要結(jié)論如下：

（1）長三角整體生態(tài)環(huán)境質(zhì)量本底較好。從時序特征上來看，長三角生態(tài)環(huán)境質(zhì)量呈先降后升的波動變化，但研究期末仍差于期初。從空間格局上來看，整體呈現(xiàn)出“北劣南優(yōu)，東差西好”的分異格局。從時空演化上來看，皖北生態(tài)環(huán)境質(zhì)量逐漸趨好，長江沿岸、太湖周邊地區(qū)的城市建成區(qū)生態(tài)環(huán)境質(zhì)量明顯變差。

（2）建設用地面積占比（POCL）、坡度（SLOPE）和高程（DEM）是造成長三角RSEI空間分異的主導因子。當POCL大于3%時，其對RSEI起負面影響，在3%-50%區(qū)間，對RSEI的抑制作用顯著增強；SLOPE在2.5°-29.5°和0-0.6°兩個區(qū)間對RSEI起促進作用，而在大于29.5°和0.6°-2.5°兩個區(qū)間時對RSEI起抑制作用；DEM≥1150 m時，其對RSEI的促進作用達到最大后保持平穩(wěn)。

（3）建設用地的迅速擴張是導致長三角地區(qū)生態(tài)環(huán)境質(zhì)量下降的主要原因，因此未來需要合理規(guī)劃城市用地空間布局，增加城市綠地面積，以實現(xiàn)長三角地區(qū)的高質(zhì)量發(fā)展。此外，可根據(jù)各影響因素與RSEI之間的關系，因地制宜地開展生態(tài)環(huán)境治理與保護工作。

參考文獻

［1］ 宋媛， 石惠春， 謝敏慧， 等. 2000—2017年甘肅省生態(tài)環(huán)境質(zhì)量時空演變格局及其影響因素［J］. 生態(tài)學雜志， 2019， 38（12）： 3800-3808.

［2］ 高珊， 黃賢金. 基于PSR框架的1953—2008年中國生態(tài)建設成效評價［J］. 自然資源學報， 2010， 25（2）： 341-350.

［3］ 宋述軍， 柴微濤， 周萬村. RS和GIS支持下的四川省生態(tài)環(huán)境狀況評價［J］. 環(huán)境科學與技術， 2008（10）： 145-147.

［4］ 張志強， 徐中民， 程國棟， 等. 中國西部12省（區(qū)市）的生態(tài)足跡［J］. 地理學報， 2001（5）： 598-609.

［5］ PAN H Y， ZHUANG M， GENG Y， et al. Emergy-based ecological footprint analysis for a mega-city： The dynamic changes of Shanghai［J］. Journal of Cleaner Production， 2018， 210： 552-562.

［6］ 劉瑞， 王世新， 周藝， 等. 基于遙感技術的縣級區(qū)域環(huán)境質(zhì)量評價模型研究［J］. 中國環(huán)境科學， 2012， 32（1）： 181-186.

［7］ 徐涵秋. 區(qū)域生態(tài)環(huán)境變化的遙感評價指數(shù)［J］. 中國環(huán)境科學， 2013， 33（5）： 889-897.

［8］ 徐涵秋. 城市遙感生態(tài)指數(shù)的創(chuàng)建及其應用［J］. 生態(tài)學報， 2013， 33（24）： 7853-7862.

［9］ 李婷婷， 馬超， 郭增長， 等. 基于RSEI模型的賀蘭山長時序生態(tài)質(zhì)量評價及影響因素分析［J］. 生態(tài)學雜志， 2021， 40（4）： 1154-1165.

［10］ XU H Q， WANG Y F， GUAN H D， et al. Detecting ecological changes with a remote sensing based ecological index （RSEI） produced time series and change vector analysis［J］. Remote Sensing， 2019， 11（20）： 2345.

［11］ 王淵， 趙宇豪， 吳健生， 等. 基于Google Earth Engine云計算的城市群生態(tài)質(zhì)量長時序動態(tài)監(jiān)測—以粵港澳大灣區(qū)為例［J］. 生態(tài)學報， 2020， 40（23）： 8461-8473.

［12］ 楊露. 祁連山地區(qū)生態(tài)環(huán)境質(zhì)量時空變化及其驅(qū)動機制分析［D］. 蘭州： 蘭州大學， 2021： 1-2.

［13］ WEI H L， WEI G J. Evaluation of the spatiotemporal variations in the eco-environmental quality in China based on the remote sensing index［J］. Remote Sensing， 2020， 12（15）： 2462.

［14］ YANG X Y， MENG F， FU P J， et al. Spatiotemporal change and driving factors of the eco-environment quality in the Yangtze River Basin from 2001 to 2019［J］. Ecological Indicators， 2021， 131： 108214.

［15］ 鄭嵐， 張志斌， 笪曉軍， 等. 嘉峪關市土地生態(tài)安全動態(tài)評價及影響因素分析［J］. 干旱區(qū)地理， 2021， 44（1）： 289-298.

［16］ 鄭子豪， 吳志峰， 陳穎彪， 等. 基于Google Earth Engine的長三角城市群生態(tài)環(huán)境變化與城市化特征分析［J］. 生態(tài)學報， 2021， 41（2）： 717-729.

［17］ 韓向娣， 周藝， 王世新， 等. 基于夜間燈光和土地利用數(shù)據(jù)的GDP空間化［J］. 遙感技術與應用， 2012， 27（3）： 396-405.

［18］ LOBSER S E， COHEN W B. MODIS tasseled cap： Land cover characteristics expressed through transformed MODIS date［J］. International Journal of Remote Sensing， 2007， 28（22）： 5079-5101.

［19］ 劉峰， 楊光， 韓雪瑩， 等. 科爾沁沙地生態(tài)環(huán)境質(zhì)量遙感動態(tài)監(jiān)測—以奈曼旗為例［J］. 水土保持研究， 2020， 27（5）： 244-249+258.

［20］ HU X S， XU H Q. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality： A case from Fuzhou City， China［J］. Ecological Indicators， 2018， 89： 11-21.

［21］ BREIMAN L. Random forests［J］. Machine learning， 2001， 45（1）： 5-32.

［22］ 夏曉圣， 陳菁菁， 王佳佳， 等. 基于隨機森林模型的中國PM2.5濃度影響因素分析［J］. 環(huán)境科學， 2020， 41（5）： 2057-2065.

［23］ 陳煒， 黃慧萍， 田亦陳， 等. 基于Google Earth Engine平臺的三江源地區(qū)生態(tài)環(huán)境質(zhì)量動態(tài)監(jiān)測與分析［J］. 地球信息科學學報， 2019， 21（9）： 1382-1391.

［24］ ZHENG Z H， WU Z F， CHEN Y B， et al. Instability of remote sensing based ecological index （RSEI） and its improvement for time series analysis［J］. Science of the Total Environment， 2022， 814： 152595.

［25］ 劉繼來， 劉彥隨， 李裕瑞. 中國“三生空間”分類評價與時空格局分析［J］. 地理學報， 2017， 72（7）： 1290-1304.

［26］ 黃昕， 李家藝， 楊杰， 等. Landsat衛(wèi)星觀測下的30m全球不透水面年度動態(tài)與城市擴張模式（1972—2019）［J］. 中國科學： 地球科學， 2021， 51（11）： 1894-1906.

［27］ 吳宜進， 趙行雙， 奚悅， 等. 基于MODIS的2006—2016年西藏生態(tài)質(zhì)量綜合評價及其時空變化［J］. 地理學報， 2019， 74（7）： 1438-1449.

［28］ 排日?！ず狭α?， 昝梅， 阿里木江·卡斯木. 烏魯木齊市生態(tài)環(huán)境遙感評價及驅(qū)動因子分析［J］. 干旱區(qū)研究， 2021， 38（5）： 1484-1496.

［29］ 劉睿文， 封志明， 楊艷昭， 等. 基于人口集聚度的中國人口集疏格局［J］. 地理科學進展， 2010， 29（10）： 1171-1177.

［30］ LAMCHIN M， LEE W K， JEON S W， et al. Long-term trend and correlation between vegetation greenness and climate variables in Asia based on satellite data［J］. Science of the Total Environment， 2018， 618： 1089-1095.

［31］ 向煬， 周志翔. 基于地理探測器的城市熱島驅(qū)動因素分析—以武漢市為例［J］. 長江流域資源與環(huán)境， 2020， 29（8）： 1768-1779.

［32］ 付含培， 王讓虎， 王曉軍， 等. 1999—2018年黃河流域NDVI時空變化及驅(qū)動力分析［J］. 水土保持研究， 2022， 29（2）： 145-153+162.

［33］ 郭城， 陳穎彪， 鄭子豪， 等. 顧及時空背景的遙感生態(tài)指數(shù)適用性分析—以粵港澳大灣區(qū)為例［J］. 地理與地理信息科學， 2021， 37（5）： 23-30.

Abstract： Grasping the spatial and temporal pattern of the regional ecological environment and clarifying its main influencing factors have a decisive role in realizing the construction of regional ecological civilization. Based on Google Earth Engine platform， we analyzed the temporal and spatial characteristics of ecological environment quality in Yangtze River Delta from 2001 to 2020 by constructing Remote Sensing Ecological Index （RSEI）， and discussed the influencing factors by random forest method. The results are as follows： （1） In the temporal dimension， RSEI decreased first and then increased， but it was still lower at the end of the study than at the beginning of the study. （2） In terms of spatio-temporal evolution， RSEI in northern Anhui was always on the rise， while RSEI in built-up areas along the Yangtze River and around Taihu Lake was obviously on the decline. （3） Construction land area proportion （POCL）， SLOPE and elevation （DEM） are the dominant factors affecting RSEI in the Yangtze River Delta. When POCL is greater than 3%， it has an inhibitory effect on RSEI， and the inhibitory effect is more significant in the range of 3%-50%. SLOPE promoted RSEI in the interval of 0°-0.6° and 2.5°-29.5°， and inhibited RSEI in the interval of 0.6°-2.5°and greater than 29.5°. When DEM ≥ 1150 m， its promoting effect on RSEI reaches the maximum and remains stable. To further optimize the spatial layout of urban land and increase the area of urban green space is the only way to achieve high-quality development of the Yangtze River Delta.

Key words： Yangtze River Delta; ecological environment quality; random forests; influencing factors

（責任編輯：鞏 劼）