下载:
-
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。
-
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。
-
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。
-
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：
$$ NDVI=({B}_{NIR}-{B}_{Red})/({B}_{NIR}+{B}_{Red}) $$ (1) 其中，
$ {B}_{NIR} $ 和$ {B}_{Red} $ 分别为近红外和红色波段反射率。 -
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：
$$ Wet = {w}_{1}{\rho }_{blue} + {w}_{2}{\rho }_{green} + {w}_{3}{\rho }_{red} + {w}_{4}{\rho }_{nir} - {w}_{5}{\rho }_{mir1}-{w}_{6}{\rho }_{mir2} $$ (2) 其中，
$ {\rho }_{blue} $ 为蓝光波段反射率；$ {\rho }_{green} $ 为绿光波段反射率；$ {\rho }_{red} $ 为红光坡段反射率；$ {\rho }_{mir1} $ 为中红外1波段反射率；$ {\rho }_{mir2} $ 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。 -
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:
$$ L={M}_{L}\cdot{Q}_{\lambda }+{A}_{L} $$ (3) $$ LST=\gamma \left[{e}^{-1}\left({\psi }_{1}L+{\psi }_{2}\right)+{\psi }_{3}\right]+\delta $$ (4) 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 ) ； Q λ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；
$ {\psi }_{1} $ 、$ {\psi }_{2} $ 、$ {\psi }_{3} $ 是大气水汽含量w 的函数[17]。 -
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：
$$ SI=\frac{\left[\left(={\rho }_{swir1}+{\rho }_{red}\right)-\left({\rho }_{nir}+{\rho }_{blue}\right)\right]}{\left[\left({\rho }_{swir1}+{\rho }_{red}\right)+\left({\rho }_{nir}+{\rho }_{blue}\right)\right]} $$ (5) $$ IBI=\dfrac{\left[\dfrac{2{\rho }_{swir1}}{{\rho }_{swir1}+{\rho }_{nir}}-\left(\dfrac{{\rho }_{nir}}{{\rho }_{nir+{\rho }_{red}}}+\dfrac{{\rho }_{green}}{{\rho }_{green}+{\rho }_{swir1}}\right)\right]}{\left[\dfrac{2{\rho }_{swir1}}{{\rho }_{swir1}+{\rho }_{nir}}+\left(\dfrac{{\rho }_{nir}}{{\rho }_{nir}+{\rho }_{red}}+\dfrac{{\rho }_{green}}{{\rho }_{green}+{\rho }_{swir1}}\right)\right]} $$ (6) $$ NDBSI=\frac{SI+IBI}{2} $$ (7) 其中，
$ {\rho }_{blue} $ 、$ {\rho }_{green} $ 、$ {\rho }_{red} $ 、$ {\rho }_{nir} $ 、$ {\rho }_{swir1} $ 和$ {\rho }_{swir2} $ 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。 -
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：
$$ {X}_{i}=({x}_{i}-min({x}_{i}\left)\right)/\left(max\right({x}_{i})-min({x}_{i}\left)\right) $$ (8) 其中，
$ {X}_{i} $ 是因子$ i $ 的标准化值，$ {x}_{i} $ 是因子$ i $ 的初始值。$$ RSEI=1-PCA(NDVI,WET,LST,NDBSI) $$ (9) 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)。
-
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。
-
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：
$$ q=1-\frac{\displaystyle\sum\nolimits _{h=1}^{L}{N}_{h}{\sigma }_{h}^{2}}{N{\sigma }^{2}} $$ (10) 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；$ {N}_{h} $ 、$ N $ 分别为分区$ h $ 和全区的样本数；$ {{\sigma }_{h}}^{2} $ 、$ {\sigma }^{2} $ 分别为分区$ h $ 和全区的样本方差。 -
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。
表 1 各期遥感数据第一主成分指标统计表
Table 1. Statistics of first principal component index of remote sensing data in different periods
年份 湿度Wet 绿度NDVI 干度NDBSI 热度LST 特征值 贡献率 2013 0.08 0.59 −0.32 −0.74 0.02 80.67 2015 0.07 0.63 −0.33 −0.69 0.02 79.99 2017 0.09 0.55 −0.32 −0.77 0.02 82.68 2019 0.10 0.52 -0.31 -0.79 0.02 83.16 -
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)
Table 2. Indicators and remote sensing ecological index (RSEI) of each period from 2013 to 2019
指标 Wet NDVI NDBSI LST RSEI 2013 0.56 0.67 0.38 0.38 0.64 2015 0.51 0.66 0.39 0.39 0.62 2017 0.71 0.70 0.41 0.40 0.57 2019 0.74 0.69 0.41 0.45 0.53 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。
表 3 生态质量等级划分
Table 3. Classification of ecological quality
等级 差 较差 一般 较好 优 区间 [0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8] (0.8,1] 
图 1 2013—2019年RSEI分级空间分布图
Figure 1. Spatial distribution map of RSEI classification from 2013 to 2019
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。
表 4 2013—2019年各级生态质量面积转移矩阵/km²
Table 4. Area transfer matrix of ecological quality at all levels in 2013-2019 /km2
2013 差 较差 一般 较好 优 转入 2019 差 3.36 33.22 3.47 0.98 0.21 41.24 较差 0.30 318.37 453.47 37.75 4.00 813.89 一般 0.13 66.75 1451.41 585.07 60.96 2164.31 较好 0.04 14.20 350.63 1866.36 375.20 2606.44 优 0.06 3.67 67.01 427.78 625.14 1123.68 转出 3.90 436.21 2325.99 2917.94 1065.51 6749.55 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
Figure 2. Spatial distribution map of RSEI classification in 2013-2019
-
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
Table 5. Single factor detection results in 2013-2019
因子 2013年 2015年 2017年 2019年 q值 排序 q值 排序 q值 排序 q值 排序 GDP 0.32 6 0.43 6 0.39 6 0.43 6 人口密度 0.95 1 0.89 1 0.92 1 0.94 1 年末常住 0.13 7 0.13 7 0.02 7 0.04 7 降水 0.58 4 0.74 2 0.49 5 0.50 5 高程 0.73 2 0.73 3 0.78 2 0.76 2 坡度 0.71 3 0.71 4 0.71 3 0.74 3 坡向 0.42 5 0.45 5 0.53 4 0.51 4 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。
-
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
Table 6. Interaction detection results of influence factors
交互作用探测 GDP 人口密度 年末常住 降水 高程 坡度 坡向 GDP 0.43 人口密度 0.99 0.94 年末常住 0.53 0.98 0.04 降水 0.76 0.98 0.80 0.50 高程 0.90 0.97 0.87 0.97 0.76 坡度 0.90 0.95 0.87 0.93 0.80 0.74 坡向 0.93 0.97 0.78 0.76 0.83 0.91 0.51 -
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12734.2亿元，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
Figure 3. Risk-detector results
-
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。
Study on Urban Ecological Quality Evaluation and Driving Forces in Shanghai Based on Remote Sensing Ecological Index
More Information-
摘要: 定量监测生态质量变化和揭示背后驱动力对于生态环境保护和持续发展具有重要意义。以上海市为例，通过构建遥感生态指数(RSEI)，分析了2013—2019年上海市生态质量，结合转移矩阵对上海市生态质量时空变化情况进行了研究，并利用地理探测器分析了影响上海市生态质量的驱动因素。结果表明: 2013—2019年上海市生态质量发生了明显变化，RSEI下降率为17.19%；社会经济、人类活动和自然环境对RSEI的影响均较强，在单因子探测中，人口密度的影响程度最大，双因子探测交互作用强于单因子探测作用，研究成果可为上海市生态环境保护提供理论支撑。Abstract: Quantitative monitoring of ecological quality changes and revealing the driving forces behind them are of great significance for ecological environmental protection and sustainable development. Taking Shanghai as an example, the ecological quality of Shanghai from 2013 to 2019 was analyzed by constructing the Remote Sensing Ecological Index (RSEI), and the spatial-temporal change of the ecological quality of Shanghai was studied by combining the transfer matrix. The driving factors affecting the ecological quality of Shanghai were analyzed by using the geographical detector. The results showed that the ecological quality of Shanghai changed significantly from 2013 to 2019, and the decline rate of RSEI is 17.19%. Socioeconomics, human activities and natural environment all had strong impacts on RSEI. In the single-factor detection, population density had the greatest impact, and the interaction of the two-factor detection was stronger than that of the single-factor detection. The research results can provide theoretical support for ecological environment protection in Shanghai.
-
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
图 2 2013—2019年各阶段RSEI变化图
Fig. 2 Spatial distribution map of RSEI classification in 2013-2019
表 1 各期遥感数据第一主成分指标统计表
Tab. 1 Statistics of first principal component index of remote sensing data in different periods
年份 湿度Wet 绿度NDVI 干度NDBSI 热度LST 特征值 贡献率 2013 0.08 0.59 −0.32 −0.74 0.02 80.67 2015 0.07 0.63 −0.33 −0.69 0.02 79.99 2017 0.09 0.55 −0.32 −0.77 0.02 82.68 2019 0.10 0.52 -0.31 -0.79 0.02 83.16 
下载: 导出CSV
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
指标 Wet NDVI NDBSI LST RSEI 2013 0.56 0.67 0.38 0.38 0.64 2015 0.51 0.66 0.39 0.39 0.62 2017 0.71 0.70 0.41 0.40 0.57 2019 0.74 0.69 0.41 0.45 0.53
下载: 导出CSV
表 3 生态质量等级划分
Tab. 3 Classification of ecological quality
等级 差 较差 一般 较好 优 区间 [0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8] (0.8,1]
下载: 导出CSV
表 4 2013—2019年各级生态质量面积转移矩阵/km²
Tab. 4 Area transfer matrix of ecological quality at all levels in 2013-2019 /km2
2013 差 较差 一般 较好 优 转入 2019 差 3.36 33.22 3.47 0.98 0.21 41.24 较差 0.30 318.37 453.47 37.75 4.00 813.89 一般 0.13 66.75 1451.41 585.07 60.96 2164.31 较好 0.04 14.20 350.63 1866.36 375.20 2606.44 优 0.06 3.67 67.01 427.78 625.14 1123.68 转出 3.90 436.21 2325.99 2917.94 1065.51 6749.55
下载: 导出CSV
表 5 2013—2019年单因子探测结果
Tab. 5 Single factor detection results in 2013-2019
因子 2013年 2015年 2017年 2019年 q值 排序 q值 排序 q值 排序 q值 排序 GDP 0.32 6 0.43 6 0.39 6 0.43 6 人口密度 0.95 1 0.89 1 0.92 1 0.94 1 年末常住 0.13 7 0.13 7 0.02 7 0.04 7 降水 0.58 4 0.74 2 0.49 5 0.50 5 高程 0.73 2 0.73 3 0.78 2 0.76 2 坡度 0.71 3 0.71 4 0.71 3 0.74 3 坡向 0.42 5 0.45 5 0.53 4 0.51 4
下载: 导出CSV
表 6 影响因子交互探测结果
Tab. 6 Interaction detection results of influence factors
交互作用探测 GDP 人口密度 年末常住 降水 高程 坡度 坡向 GDP 0.43 人口密度 0.99 0.94 年末常住 0.53 0.98 0.04 降水 0.76 0.98 0.80 0.50 高程 0.90 0.97 0.87 0.97 0.76 坡度 0.90 0.95 0.87 0.93 0.80 0.74 坡向 0.93 0.97 0.78 0.76 0.83 0.91 0.51
下载: 导出CSV
-
[1] Willis K S. Remote sensing change detection for ecological monitoring in United States protected areas[J]. Biological conservation, 2015, 182: 233−242. doi: 10.1016/j.biocon.2014.12.006 [2] McDonnell M J, MacGregor F I. The ecological future of cities[J]. Science, 2016, 352(6628): 936−938. [3] 邓力维,徐丽华. 重庆南川区生态环境变化及其对城市不透水面的响应[J]. 生态科学,2022, 41(03):107−116. doi: 10.14108/j.cnki.1008-8873.2022.03.012 [4] Boori M S, Choudhary K, Paringer R, et al. Spatiotemporal ecological vulnerability analysis with statistical correlation based on satellite remote sensing in Samara, Russia[J]. Journal of Environmental Management, 2021, 285. [5] 杨定,杨振山. 高寒地区生态贫困评价及影响因素分析-以色林错地区为例[J]. 资源科学,2021, 43(02):293−303. [6] 吴利,柳德江. 基于GA-BP神经网络的玉溪市耕地生态安全评价[J]. 云南农业大学学报(自然科学),2019, 34(05):874−883. [7] 路瑞,赵琰鑫. 基于水资源生态足迹的黄河流域水资源利用评价[J]. 人民黄河,2020, 42(11):48−52+134. doi: 10.3969/j.issn.1000-1379.2020.11.010 [8] 王铖洁,方红远,朱晔,等. 基于层次分析法-模糊综合评价的苏北平原河流生态状况评估[J]. 中国农村水利水电,2021(12):12−18. doi: 10.3969/j.issn.1007-2284.2021.12.003 [9] 朱记伟,王江瑞,刘阳阳. 基于COWA-灰色定权聚类法的城市河流生态治理项目运营期绩效评价[J]. 水资源与水工程学报,2021, 32(01):14−21. [10] 包妮沙,李秋玥,杨天鸿,等. 耦合多因子的地表生态状况指数在干旱半干旱区露天矿的应用效果评价[J]. 金属矿山,2023(01):40−54. doi: 10.19614/j.cnki.jsks.202301005 [11] 徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报,2013, 33(24):7853−7862. [12] Alejandra M M, Alberto B D, Santana R L. Urban environmental quality assessment using remote sensing and census data[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 71: 95−108. doi: 10.1016/j.jag.2018.05.010 [13] Firozjaei M K, Fathololoumi S, Kiavarz M, et al. Land Surface Ecological Status Composition Index (LSESCI): A novel remote sensing-based technique for modeling land surface ecological status[J]. Ecological Indicators, 2021, 123. [14] Maity S, Das S, Pattanayak J M, et al. Assessment of ecological environment quality in Kolkata urban agglomeration, India[J]. Urban ecosystems, 2022, 25(4): 1137−1154. doi: 10.1007/s11252-022-01220-z [15] Goward S N, Xue Y K, Czajkowski K P. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements[J]. Remote Sensing of Environment, 2002, 79(2): 225−242. [16] 李博伦,遆超普,颜晓元. Landsat 8陆地成像仪影像的缨帽变换推导[J]. 测绘科学,2016, 41(04):102−107. [17] Sobrino J A, Jimenez-Munoz J C, Paolini L. Land surface temperature retrieval from LANDSAT TM 5[J]. Remote Sensing of Environment, 2004, 90(4): 434−440. doi: 10.1016/j.rse.2004.02.003 [18] 朱会义,李秀彬. 关于区域土地利用变化指数模型方法的讨论[J]. 地理学报,2003(05):643−650. doi: 10.3321/j.issn:0375-5444.2003.05.001 [19] Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107−127. doi: 10.1080/13658810802443457 [20] 中华人民共和国环境保护部. 生态环境状况评价技术规范:HJ 192-2015[S]. 北京:中国环境科学出版社,2015. -
点击查看大图
计量
- 文章访问数: 142
- HTML全文浏览量: 101
- PDF下载量: 36
- 被引次数: 0
