基于多源数据的生态环境质量变化研究——以广州市为例

陈文裕，夏丽华，陈 行，陈金凤

广州大学 地理科学与遥感学院，广东 广州 510006

0 引 言

GIS技术蓬勃发展和遥感观测技术提升使城市生态环境研究数据和研究方法呈现多元化趋势。基于遥感数据能快速获得与生态相关的多种遥感指数，如反映植被生长状况的植被指数[4-6]，表征地表能量平衡的地表温度[7-9]和反映地表建筑分布状况的建筑指数[10-11]等，丰富的遥感指数有利于长期动态观测地表生态环境状况。学者徐涵秋构建了遥感生态指数（RSEI），对福州主城区的生态环境质量进行了评价[12]。RSEI能同时结合研究区域的植物生长状况、土壤干湿程度以及地表温度等多个指标，能有效反映城市的生态环境状况；而且在构建RSEI的过程中应用主成分变换进行多个指标的特征提取，有效减少人工干预，计算结果更加客观[12]。此后，不同学者运用RSEI对漓江流域[13]、重庆[14]、北京[15]等地区的生态环境质量进行了评价，充分证明了RSEI在评价生态环境质量方面的优越性和灵活性，但目前运用RSEI对广州市生态环境进行评价的研究较少。此外，也有学者针对研究区域间的空间异质性提出了改进的生态环境评价模型[16-17]，但是在城市中相似的功能区容易形成聚集的分布形态[18]，使得城市地表的形态呈现多样性和复杂性，着重于整体性研究的遥感指数往往难以反映城市内部的生态差异性。因此，通过遥感生态指数能快速获取宏观的生态环境质量及其长时间序列的变化情况，却难以精细反映微观尺度的变化，也难以探究引起相应变化的驱动因素。近年来地理大数据的快速发展使城市生态格局研究朝着多元化和精细化方向发展，其中，兴趣点（POI）数据为城市微观尺度的研究提供了机遇[14]。POI拥有丰富的空间和属性信息，能有效刻画城市中功能设施分布状况，结合POI和夜间灯光数据可以进行城市功能区划分[19]、建成区的识别[20]以及人口和经济指标空间化[21-23]等精细化研究。综合运用城市大数据和遥感数据研究城市生态问题已经成为趋势[14]。目前，多数学者利用POI进行人文方面的研究或者研究城市热场和POI之间的关系[24]，对POI和生态相关的遥感指标的关注仍然较少，难以精细反映城市的发展对生态环境的影响方式和作用程度。因此，在微观尺度下探究不同因素对城市生态环境的影响程度仍待进一步研究。

以广州市为例，结合Landsat 5/8遥感数据和多源时空数据，对广州市生态环境变化进行分析并探究变化的驱动因素。选用2001、2009和2021年1月初云量较少的遥感影像生成RSEI数据，结合土地覆盖数据分析广州城市化发展状况及其对生态环境的影响。在此基础上，通过地理探测器探究各个变量对生态环境的影响程度，为探究城市建成环境对生态环境格局的作用方式提供借鉴和参考。

1 广州市概况与数据来源

1.1 广州市概况

广州市（112°57′～114°03′E，22°26′～23°56′N）地处广东省中南部，是广东省重要的交通枢纽[25]，下辖11个区，总面积为7434.4 km²，第七次全国人口普查显示广州市总人口为1867.66万（图1）。广州市地形以平原和丘陵为主，地势北高南低。近年来广州市经济发展迅猛，城市的土地覆盖类型和利用方式变化显著，尤其是城市建设用地的扩张使大面积的绿地被挤占并引发了相关的环境问题，如城市热岛效应明显[26]、水土流失和土地资源浪费等[27]。因此，定量分析广州市的生态环境状况，探究生态环境质量变化的主要影响因素，对指导城市的合理规划和可持续发展具有重要意义。

图1 广州市位置示意图Fig.1 Location of Guangzhou

1.2 数据来源与预处理

研究中选用的数据包括Landsat系列遥感数据、土地覆盖数据、百度POI数据和高程数据。其中，遥感数据包括Landsat5和Landsat8数据，选用2001、2009和2021年1月初云量较少的遥感影像，影像数据均来自USGS网站(https://earthexplorer.usgs.gov/)，通过ENVI软件进行大气校正、镶嵌和裁剪等预处理工作。DEM从地理空间数据云平台获取，2000、2010和2020年的土地覆盖数据集从Globeland30平台（http://www.globallandcover.com/） 获 取， 在ArcGIS10.6软件中进行重分类和裁剪。POI数据从百度地图获得，对数据进行坐标纠正和去重等预处理，并参考《国民经济行业分类（GB/T4754-2011）》等分类标准重新归类（表1）。

表1 百度POI重分类结果Tab.1 Reclassification results of Baidu POI

2 研究方法

2.1 主成分分析（PCA）

主成分分析是一种经典的特征提取方法，能在尽量保留数据内在信息的前提下，通过依次垂直旋转坐标轴的方法将原始数据转变为少量有效的特征成分，从而达到方差最优的效果[28]。研究中通过主成分分析把不同指标的信息集中到第一主成分中，进而构建遥感生态指数[12]。

2.2 遥感生态指数模型（RSEI）

遥感生态指数（RSEI）模型由NDVI、Wet、LST、NDBSI构建，能有效反映地表生态环境状况[12]。RSEI函数表达式如下：

徐州市中心医院对住院糖尿病患者在常规治疗和管理方法干预基础上，利用医院-社区分级诊疗平台开展延续性护理，分别于出院后1周护士进行一次电话随访，3个月后对社区卫生服务中心进行督导，6个月、12个月由护士进行门诊、电话或入户等方式进行随访，了解病情变化，血糖控制情况及依从性等。

式中，NDVI、Wet、LST、NDBSI分别为归一化植被指数、湿度分量、地表温度和建筑-裸土指数[12]，各指标计算过程见表2。通过主成分分析把不同指标的信息集中到少数重要变量，进而构建RSEI[12]。由于各变量度量单位不统一，在主成分变换之前需要归一化处理[12]如下：

表2 指标计算方法Tab.2 Calculation methods of indicators

式中，NLi为归一化后的指标值；Ii为像元i处的数值；Imax和Imin分别为该指标的最大和最小值，经过归一化后的4个指标能用于计算主成分分析结果的第一主成分（PC1）。为了使PC1中更大的数值代表更优的生态环境，可用1减去PC1，得到初始的生态指数（RSEI0），最后对RSEI0进行归一化处理得到遥感生态指数[12]如下：

式中，PC1为主成分分析结果的第一主成分；RSEI0为初始遥感生态指数；RSEI为遥感生态指数，计算结果取值范围为0～1，数值越高表示生态环境质量越好[12]。

2.3 核密度分析

核密度分析通过计算搜索范围内的POI的密度，获得POI在空间上连续的密度变化图层[29]。计算结果中核密度越大，表明该类POI设施分布更密集。通过核密度分析能刻画广州市各种功能区的分布状况，经过多次探索，确定计算时搜索半径为1500 m。

2.4 地理探测器

1）分异及因子探测[30]，可用于探测空间分异规律，表达式为：

式中，q为各因子对RSEI空间差异的解释力度；L为RSEI或各个因子的分层；N为研究区内划分格网的数量；Nh为层h区域内RSEI的数值；σ2为研究区内RSEI的方差；σh2为层h区域内RSEI的方差[14]。q的取值范围是0～1，值越大表明因子对RSEI空间分异性的解释力越大[30]。

2）交互作用探测器，可揭示各个因子之间的交互作用，即描述两个因子在交互作用时对生态相关的遥感指数空间分异性解释力的变化情况[30]。结合以上研究方法，技术路线如图2所示。

图2 技术路线图Fig.2 Flow chart of the study

3 结果与分析

3.1 广州市土地覆盖时空变化分析

对广州市近20年的土地覆盖变化情况进行可视化（图3），并对变化趋势进行统计（表3）。林地主要分布在黄埔区西北部、白云区东部、花都区北部、南沙区中部、增城区和从化区的中部和北部地区的山地和丘陵地区，20年来面积变化显著，尤其是广州市中部和南部地区的林地大量减少。耕地在主城区附近分布较少，其余地区分布广泛，2010年后耕地面积明显下降，呈斑状分布。不透水面早期集中分布在广州市中部的主城区片区，近20年来面积迅速扩大，尤其是2010年之后主城区和周边县区的不透水面连接成片，向北延伸至花都区中部，向东扩张到增城区南部，向南则延伸至南沙区中部。草地零星分布于各个区，在城市扩张的过程中呈下降趋势；水体面积则基本保持不变。由于广州市裸地面积较小，研究暂不分析。总的来说，广州市近20年的耕地、林地、草地和不透水面的面积变化显著，城市建设用地急剧增长，而耕地、林地、草地面积有所减少。

图3 广州市2000、2010和2020年土地覆盖时空分布图Fig.3 Spatio-temporal distribution of land cover in Guangzhou in 2000，2010 and 2020

表3 2000―2020年广州市土地覆盖变化情况Tab.3 Land cover transformation in Guangzhou from 2000 to 2020

3.2 广州市环境质量时空变化分析

主成分变换是一种有效的特征提取方法，研究中参考相关文献将绿度、湿度、干度和热度4个指标的信息提取到PC1—PC4的4个主成分中（表4）[12,14]。在PC1内Wet和NDVI两个指数为正数，LST和NDBSI为负数，表明绿度和湿度在生态环境中呈正效应，干度和热度则是呈负效应，在研究区内符合客观事实[12]。3个时期第一主成分的特征贡献率平均值高于80%，说明了PC1能较好地反映4个指标的主要信息，能有效反映广州市的态环境质量状况。通过等间隔法把RSEI划分为5类（图4）并计算各个等级在不同时期的面积占比情况（表5）。2000―2010年，优、较差和差等级的面积及占比有所增加，中和良等级的占比有所减小，表明良等级具有向优等级转变的趋势，而中等级则具有向较差和差等级转变的趋势。2010―2020年，优、中和较差等级占比有所上升，良等级则转化为中和优两个等级。结合图3和图4，随着不透水面的扩张，在主城区附近，生态环境质量为中和差等级的面积逐渐增多，而北部林区生态环境质量为优等级的面积不断增加，说明广州市在发展过程中对生态环境的影响存在空间异质性，在丘陵和山地生态环境质量呈上升趋势，在城市扩张区域则有所下降。

表4 RSEI主成分分析结果Tab.4 Principal component analysis results of RSEI

表5 广州市2000、2010和2020年生态质量等级面积占比Tab.5 Area proportion of eco-environmental quality grades in Guangzhou in 2000，2010 and 2020

图4 广州市2000、2010和2020年生态环境质量评价结果Fig.4 Evaluation results of eco-environment quality in Guangzhou in 2000，2010 and 2020

进一步探究不同地类中3个时期的生态环境变化情况（图5），在耕地、林地以及草地中，中等级面积占比均有所降低，而优和良等级面积占比持续上升，其中，在林地内优等级所占比例上升最为明显，草地次之。表明植被的面积总体上减少，但保留下来的植被的生态环境质量有所提升，因此，优等级面积占比有所增加。在不透水面内以中等级为主导，其面积占比先增加而后减少，在2010―2020年部分区域由中等转化为良等级，说明广州市在城市化过程中也重视生态环境的改善。

图5 广州市2000、2010和2020年不同地类生态环境质量等级面积占比Fig.5 Area proportion of eco-environmental quality grades of different land cover types in Guangzhou in 2000, 2010 and 2020

3.3 生态环境质量空间分异影响因子分析

为分析广州市生态环境质量地区差异的驱动因素，通过城市基础设施POI的核密度分析结果刻画广州市功能设施的分布现状，结合地形因子和土地覆盖数据探究不同变量与生态环境之间的关系。

3.3.1 广州市功能设施POI分布现状分析

广州市基础设施POI集聚性较明显，生活配套设施（图6a）主要分布在人口密集的城区，而在南沙区和从化区的密度相对较低。工厂企业类设施（图6b）包括各类工厂和公司经营门店，从外围到城区分别是传统企业、汽车和高新技术产业集聚区[31]。道路配套设施（图6c）以机场、地铁、汽车站和道路为中心，向外呈辐射状连接各个行政区。景点绿地（图6d）包括白云山风景区、华南植物园和广州动物园等自然和人文景点，与其他类型POI相比，空间分布更加均匀。由于广州市的POI密度分布在空间上存在异质性，为相关生态指数空间分异研究提供机遇。

图6 各类POI核密度空间分布图Fig.6 Spatial distribution of kernel density of various types of POI

3.3.2 生态环境质量影响因素分析

RSEI指数由4个指数综合构建，各个指数能直接影响到生态环境的分析结果，因此基于地理探测器，结合多源数据对不同指数进行分析。根据广州市的实际状况和因子选取原则，以地形因子、土地覆盖数据和各类功能设施POI密度为自变量，在计算中对连续型数值变量进行离散化，根据相关文献[14,32]以及R语言中的GD函数包[33]进行探索分析。分析发现分类效果较好的有，DEM按照几何间隔法分为10组，坡度采用标准差法分为10组，其余变量采用分位数法分为10组。将各个遥感指标与因子按照1 km×1 km的格网进行空间划分，并提取不同指标在每个网格中心点处的值进行分析，分异及因子探测结果见表6。

表6 NDVI、Wet、NDBSI和LST影响因素q值Tab.6 The q values of influencing factors of NDVI, Wet, NDBSI and LST

整体上，各个因子对NDVI、LST和NDBSI解释力度较高，q值平均值分别为0.352、0.338、0.264；对Wet的解释力度较低，q值平均值仅为0.079。而在不同的因子中，土地覆盖类型的q值最高，在NDVI和NDBSI和LST的解释力度都较高。NDVI均值在各种地类中会存在较大差异，各种地类的发射率的差异会导致地表温度在空间上存在差异，其中不透水面增温更明显。地形因子解释力度也较高，高程在NDVI、NDBSI和LST的q值平均值高于0.43，表明高程会影响水热组合以及人类的活动强度，进而影响植被覆盖度、地表温度和干湿度的情况。广州市的丘陵山地NDVI均值较高，LST均值较低，对生态环境起正效应。此外，不同功能设施POI密度的解释力度存在差异，生活配套设施、工厂企业设施和道路配套设施对NDVI、LST和NDBSI的空间分异的解释力度高，q值均值分别为0.298、0.341和0.289。景点绿地中植被相对较高且在广州市分布较为均匀，整体上景点绿地的解释力度较低。

3.3.3 生态环境质量影响因素交互作用探测

利用交互作用探测器能进一步分析各个变量对不同遥感指数影响的交互作用[30]。从图7看出，在不同的遥感指数中任意两个因子的交互作用都呈现增强关系。在NDVI和NDBSI的交互因子中，土地覆盖∩高程、土地覆盖∩坡度和土地覆盖∩工厂企业设施的解释力度最高，NDVI分别是0.6072、0.5662和0.5531，NDBSI分别是0.4392、0.4369和0.4178。在Wet的交互因子中，土地覆盖∩坡度、土地覆盖∩高程和土地覆盖∩道路配套设施的解释力度最高，分别是0.1642、0.1634和0.1571。在LST的交互因子中，高程∩工厂企业、高程∩土地覆盖和高程∩生活配套设施的解释力度最高，分别是0.5421、0.5387和0.5319。从单个因子来看，土地覆盖类型和地形因子对NDVI、NDBSI和LST的空间分异解释力度较高，在交互作用后，土地覆盖类型、地形因子和基础设施POI的密度解释力度进一步增强，说明各个因子对不同指数的影响是协同作用的。

图7 NDVI、Wet、NDBSI和LST影响因素交互作用探测Fig.7 Interaction detector of influencing factors of NDVI,Wet, NDBSI and LST

4 结 论

以广州市为例，将遥感数据和多源时空数据结合，进行土地覆盖类型和城市生态环境质量时空变化分析并对生态环境质量空间分异的驱动因素进行探究，结论如下。

1）2000—2020年，广州市生态环境等级处于良的区域向中和优转化的趋势明显，丘陵和山地生态环境质量呈上升趋势，在城市扩张区域则有所下降。

2）广州市功能设施呈多核心+多次核的空间格局，各种类型POI设施空间分布具有异质性，其中生活配套设施、工厂企业设施和道路配套设施对生态环境质量影响较大。

3）各种因子对NDVI、NDBSI和LST的解释力度较高。在人类活动强度较高的低海拔不透水面地区，城市基础设施建设完善，生活配套设施、工业企业、交通设施密集，NDVI与Wet偏低，NDBSI与LST偏高，对生态环境存在不利影响，热岛效应显著；在广州市的丘陵山地NDVI最高，LST最低，尤其是山地和公园绿地降温效应显著。因此，在城市化发展过程中需要严格保护自然生态源地，在城区中适度增加公园绿地，工业区、道路和居民生活区应注重自然植被恢复。