基于GEE的长三角生态环境质量评价及其影响因素分析

陈铭杨 程煜 杨洪伟 黄薇薇 杨冬雪 任雅茹

摘要：把握区域生态环境的时空格局，厘清其主要影响因素，对实现区域生态文明建设具有决定性作用。基于GEE平臺，构建遥感生态指数（RSEI），解析2001—2020年间长三角生态环境质量时空变化，并利用随机森林模型分析其影响因素。结果显示：（1）时间维度上，RSEI先降后升，但研究期末仍低于期初；空间维度上，山地丘陵区RSEI显著高于各城市建成区。（2）时空演化上，皖北地区RSEI始终呈上升态势，长江沿岸及太湖周边城市建成区RSEI明显呈下降趋势。（3）建设用地面积占比（POCL）、坡度（SLOPE）和高程（DEM）是影响长三角RSEI的主导因素。当POCL大于3%时，对RSEI起抑制作用，在3%-50%区间，其抑制作用更为显著；SLOPE在0-0.6°和2.5°-29.5°区间对RSEI起促进作用，而在0.6°-2.5°和大于29.5°区间对RSEI起抑制作用；DEM ≥ 1150 m时，其对RSEI的促进作用达到最大后保持平稳。进一步优化城市用地空间布局，增加城市绿地面积，是实现长三角高质量发展的必由之路。

关键词：长三角；生态环境质量；随机森林；影响因素

中图分类号：X87；X826文献标志码：A文章编号：1001-2443（2023）03-0277-09

引言

伴随着我国城镇化进程的不断加快，土壤退化、水质恶化、大气污染等生态环境问题日益突出［1］，在影响自然环境的同时也极大制约了社会经济的高质量发展。及时监测与评估区域生态环境的变化，对保持区域生态环境质量具有重要意义。

生态环境质量评价作为生态环境研究中的关键问题，备受学者关注。早期生态环境质量评价研究中，学者们多采用基于面板统计数据的压力—状态—响应模型（PSR）［2］、生态环境指数（EI）［3］、生态足迹［4］等方法。这类方法所需指标较多，部分指标数据获取难度大，且研究受限于行政区划影响，多为省域［4］、市域［5］和县域［6］等中宏观尺度，缺乏空间上的整体情况研究。2013年，徐涵秋［7-8］提出的遥感生态指数（Remote Sensing Ecological Index， RSEI）由热度、绿度、干度、湿度四个指标组成，该指数的指标数据可完全通过遥感手段获得，且能反映区域生态系统的复杂性、多样性和典型性，同时，该指数可从栅格尺度上评价区域生态环境质量。因此，RSEI很快成为了测度生态环境质量的有效新手段［9-10］。然而，利用RSEI评价大范围区域的生态环境质量时，却会面临庞大的遥感数据下载和预处理的困难［11］。随着Google Earth Engine（GEE）平台的建立与发展，其强大的云算力和存储特征为遥感影像数据的处理提供了高效的处理平台［12］，进一步推动了RSEI的应用［13-14］。

长三角是我国经济社会发展最具显示性的战略区域，其快速发展的背后是植被覆盖率下降、生态用地减少、生态系统退化等一系列生态环境问题，严重削弱了该区域环境承载能力。在长三角一体化全方位加速发展的新阶段，“坚持绿色高质量发展，把保护和修复生态环境摆在重要位置”，高度重视并构建区域生态环境保护共同体是实现生态环境质量保护与经济发展双重目标的客观需求。当前从栅格尺度评价长三角整体生态环境质量的相关研究较少，此外，在生态环境质量影响因素研究中通常采用地理探测器［1］、相关分析法［9］、因子分析法［15］等方法，但这类方法只能揭示解释变量与因变量之间的线性关系，而非线性的随机森林模型则可以弥补以上方法的不足。因此，本文将借助GEE平台，基于MODIS数据，建立RSEI综合评价模型，研究2001—2020年长三角生态环境质量的时空演化特征，并运用随机森林模型探析影响因素的重要性及其与生态环境质量之间的非线性关系，以期为长三角生态环境保护提供科学依据。

1 研究方法与数据来源

1.1 数据来源

构建遥感生态指数所需的归一化植被指数（NDVI）数据提取自MOD13A1数据集，该数据集选取每个位置十六天内的最优像素进行合成，分辨率为500 m；地表温度（LST）数据提取自MOD11A2地表温度数据集，MOD11A2数据集以1 km的分辨率提供了8天地表温度的平均值；干度和湿度数据提取自MOD09A1影像集，MOD09A1影像集提供了MODIS影像中7个波段的表面光谱反射率估计值，该影像集以8天为周期进行合成，分辨率为500 m［16］。

土地利用和DEM数据来源于中科院资源环境科学与数据中心（https：//www.resdc.cn/），土地利用数据空间分辨率为30 m×30 m，DEM空间分辨率为90 m×90 m，同时基于DEM数据，通过ArcGIS 10.5中的Aspect和Slope工具计算出坡度和坡向数据。降水数据和气温数据均来自国家地球系统科学数据中心（http：//www.geodata.cn/），空间分辨率为1 km×1 km。人口密度栅格数据来源于Worldpop（https：//www.worldpop.org/），空间分辨率为1 km×1 km。GDP栅格数据是基于夜间灯光数据、土地利用数据及市级GDP统计数据对1km×1km的网格赋值所得到［17］，空间分辨率为1km×1km。

1.2 预处理

在GEE平台上采用去云中值的方法合成2001、2005、2010、2015和2020年五个时相夏季MODIS数据集，并将MODIS数据集分辨率重采样为1 km。为确保计算土壤和植被湿度的准确性，需要掩膜去除大面积水体。坐标系统一采用WGS1984地理坐标系，并基于5 km×5 km渔网统计遥感生态指数和各影响因素的均值。

1.3 研究方法

1.3.1 遥感生态指数 遥感生态指数（RSEI）可由绿度、热度、湿度和干度四个生态指标构成［7-8］。绿度通过NDVI来表征；热度可用地表温度（LST）来表征；湿度指标（WET）使用MOD09A1多光谱影像集经缨帽变换后的第三分量进行表征，代表土壤和植被所含水分的多少［18］；干度指标（NDBSI）采用建筑指数（IBI）和裸土指数（SI）的平均值来刻画［19-20］。各生态指标的计算方法见表1。

1.3.2 随机森林模型 随机森林模型是Breiman于2001年提出的一种基于决策树的机器学习算法，可模拟解释變量和因变量之间的复杂关系［21］。随机森林利用bootsrap重采样方法从原始样本中抽取多个样本构造决策树，其回归模型结果按决策树投票分数而定［22］。本文将2001年、2010年和2020年三个时相的8个影响因子和RSEI分别作为自变量和因变量，按照1∶9的比例划分测试集和训练集构建随机森林模型。利用部分依赖图描述某一解释变量在排除其他解释变量的情况下与因变量之间的回归关系，并通过测试集的R2来对模型精度进行表征。

2 结果与分析

2.1 RSEI模型检验

由表2可知：（1）四个指标各年份第一主成分（PC1）的贡献率均在60%以上，表明PC1能集合四个指标大部分的特征信息［23］，可用于主成分分析；（2）四个指标的平均贡献度绝对值中，NDVI（0.6743）＞NDBSI（0.5734）＞LST（0.3584）＞WET（0.2003）；（3）PC1中四个指标的贡献度中NDVI与WET为正值，起正向效应，LST与NDBSI为负值，起负向效应，这与实际情况相符。因此，依据PC1提取的信息构建RSEI是合理的。

由于缺乏实测数据，因此直接评价RSEI模型的准确性较为困难。而生态环境质量与土地利用类型密切相关［24］，因此可借助土地利用数据间接验证RSEI模型的准确性。以0.2为间隔，将RSEI划分为优、良、一般、较差和差五个等级［9］，并统计2001年、2010年和2020年三个时相各等级的土地利用类型面积占比，据此绘制成图1。由图1可知，RSEI等级为优的主要土地利用类型是林地，其次是耕地，其余用地类型占比非常小。RSEI等级为良和一般的土地利用类型情况非常相似，主要是耕地，占比都在50%以上。RSEI等级为差和较差的土地利用类型以建设用地为主，其中RSEI等级为差中的建设用地面积占比达到了70%以上。这与林地是生态用地，耕地是半生态用地，建设用地是非生态用地［25］的实际情况相符合。因而，本文所构建RSEI模型测算的结果是可靠的。

2.2 生态环境质量时空特征

从图2可以看出，研究期内，长三角生态环境质量呈先降后升的波动变化，但研究期末仍差于研究期初，最高值（0.6686）出现在2005年，最低值（0.6354）出现在2015年。具体来看，2001—2005年间，生态环境质量略微变好，这是因为2005年全国降水普遍偏多，而降水的增多会在一定程度上提高土壤的湿度。2005—2015年逐渐恶化，原因是城市化的快速发展，生态用地的大幅度缩减，使得生态功能退化。2010—2015年下降速率较前五年有所减缓，下降速率由3.25%降至1.78%，2015—2020年间生态环境质量明显改善，这一期间，国家相继发布了《全国生态保护与建设规划（2013—2020年）》《生态文明体制改革总体方案》，这为长三角大力开展生态保护和治理提供了指导，导致区域生态环境质量逐步好转。

为了进一步分析长三角生态环境质量，以0.2为间隔将RSEI分成五类等级［9］，分别是差［0，0.2］、较差［0.2，0.4］、一般［0.4，0.6］、良好［0.6，0.8］和优［0.8，1.0］。由图3和表3可知，长三角生态环境质量以良好等级为主，其面积占比超过50%，这与长三角水热条件优越、绿化覆盖率较高的事实相符合。从时间上来看：优等级面积占比呈现出升—降—升的变化趋势；良好等级面积占比呈现出降—升的变化趋势，最高值（63.68%）出现在2001年，最低值（51.24%）出现在2015年；一般等级面积占比呈现出升—降的变化趋势；较差和差等级呈现出降—升—降—升的变化趋势，波动较大。

从空间分布格局来看（图4），长三角生态环境质量整体呈“北劣南优，东差西好”的空间格局。其中，生态环境质量等级为差和较差的区域主要集中分布在上海、苏州、无锡和常州等城镇化水平较高的地区，其建设用地面积的扩张挤占了原本的生态用地，导致植被绿地减少，城市热岛效应增强。等级为优良的区域主要分布在皖西大别山以及皖南和浙江南部等山地丘陵区，这里植被覆盖率较高，人类活动强度相对较弱，生态承载能力较强。等级为一般的地区主要集中分布在皖北，2001年皖北地区的生态环境质量以一般为主，部分地区生态环境质量处于较差和差等级，这是由于该地区的土地利用类型以农业用地为主，早期的农业生产方式较为粗放，随着绿色农业生产技术的应用与推广，皖北地区生态环境质量逐渐改善，2020年皖北地区大部分地区生态环境质量处于良好等级，只有阜阳市的中南部小范围区域生态环境质量仍以一般等级为主。

2.3 生态环境质量时空演变

表4给出了长三角2001—2020年三个不同时段的生态环境质量变化面积统计结果，可以看出，2001—2010年，持续改善的区域面积为4.43万 km2，而退化的区域面积为6.8万 km2，生态环境质量退化的面积明显高于改善的面积，表明长三角在2001—2010年间生态环境质量处于下降的趋势。与2001—2010年相比，2010—2020年生态环境质量变化具有与之相反的趋势，2010—2020年，生态环境质量改善的面积为4.83万 km2，高于生态环境质量退化的面积4.14万 km2。总体来看，2001—2020年与2001—2010年具有类似的变化趋势，虽然近10年生态环境质量有所改善，但改善的幅度还不够显著。

依据图5可知，不同地区RSEI的变化趋势存在明显的空间差异。2001—2010年，生态环境变差的区域主要集中在苏州、常州、无锡、上海等城市化发展较快的地区，江苏中部和北部城市生态环境质量也有所变差，与湿度有所降低相关，皖北农业区的生态环境质量明显提高。2010—2020时间段里，皖北农业区、江苏省、上海市和浙江省南部区域生态环境质量有所改善，这得益于生态保护规划与措施的制定和实施，以及人们生态保护理念的提升，变差的区域较少，主要集中在合肥、阜阳等地，如近些年来经济社会发展迅速的合肥市，其建设用地面积更是由2001年的125.00 km2增至2020年的466.54 km2，扩大了将近三倍。整体来看，2001—2020年，长三角生态环境质量变差的地区主要分布在城市建成区，生态环境质量改善的地区主要集中分布在皖北农业区。值得注意的是，上海市的不透水面面积（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，超过上海市总面积的三分之一［26］，但经过近20年的环境治理和造林，上海市的森林覆盖率从1999年的3%增至2020年的18.49%，虽然2020年上海市生态环境质量较2001年有所下降，但整体呈好转趋势。

2.4 生态环境质量影响因素分析

生态环境质量受到自然和人文因素的综合影响［27］。基于对已有研究的梳理［1，9，28］，遵循科学性和可获取性等原则，本文选取2001年、2010年和2020年三个时相的高程（DEM）、坡度（SLOPE）、坡向（ASPECT）、年均降水（PRE）以及年均气温（TEM）作为自然解释变量，GDP、人口密度（POP）和建设用地面积占比（POCL）作为人文解释变量，RSEI为被解释变量，用以构建随机森林模型。在构建随机森林模型前，利用SPSS软件对三个时相的8个影响因素与对应年份的RSEI做了相关性分析，结果（表5）显示各年份的影响因素均在0.01的显著性水平与RSEI上显著相关，满足构建随机森林的条件。

基于随机森林模型构建RSEI与影响因素之间的回归模型，三个时相的测试集决定系数R2分别为0.811、0.811和0.843，均在0.8以上，说明模型拟合结果较好。图6是基于permutation方法得到的影响因素相对重要性排序。由图6可知，自然因素中，PRE和TEM的重要性大小排名相对靠后，表明二者對长三角RSEI空间分布的影响力不够显著，其中2001年PRE重要性大小偏高是由于该年份长江下游地区出现干旱的状况，导致PRE解释力偏高。其次，ASPECT对RSEI变化无明显驱动作用，SLOPE和DEM重要性排名靠前，表明二者对RSEI空间分异性的解释力度高。人文因素中，POCL的重要性自2010年以来明显大于其他影响因子，表明POCL已逐渐成为长三角RSEI变化的主导因子，GDP与POP则相对靠后，三个人文因素的重要性大小在研究期内增加较快，说明研究期内人类活动对生态环境的影响持续增强。总体来说，POCL、SLOPE和DEM的重要性大小排名相对靠前，是影响长三角RSEI的主导因素。

为准确得出各变量与RSEI的偏依赖关系，这里选取三个时相的所有样本数据构建随机森林模型，并得到偏依赖关系图（图7），其反映了长三角RSEI与各影响因素之间的数理关系。结果表明：建设用地面积占比与RSEI的关系呈现出平稳—下降的趋势，当建设用地面积占比小于3%时，RSEI稳定不变，表明此时RSEI受到城市扩张的影响较小，当建设用地面积占比大于3%时，其与RSEI呈显著的负相关关系，值得注意的是，当建设用地面积占比在3%-50%时，RSEI迅速下降，表明此时城市扩张对生态环境的抑制作用较强。GDP在3.1×105 万元/km2内与RSEI呈显著的负相关关系，RSEI随着GDP的增加先是急剧下滑再缓慢下滑，当GDP增加至3.1×105 万元/km2，RSEI达到低值后开始趋于平缓。人口密度对生态环境的影响与GDP相类似，当人口密度小于2.5×104 人/km2时，其与RSEI呈负相关关系。高程偏依赖图中可以看出，随着高程的增加，RSEI随之增加，到1150 m左右达到最高值并几乎保持不变。海拔是影响人口和经济发展的重要因素，通常人类在海拔较低的平原地带活动较为频繁［29］，高海拔地区人类活动干扰相对较小，因而长三角高海拔地区的生态环境质量相对较好。坡度与RSEI的关系呈现出上升—下降—上升—下降的趋势，当坡度小于0.6°时，RSEI开始上升，随后在0.6°-2.5°之间，RSEI开始下降，当坡度大于2.5°时，RSEI又开始上升，直至29.5°时，RSEI才呈下降趋势，可能是由于坡度大于29.5°时易发生水土流失，进而造成RSEI的下降。由ArcGIS 10.5坡向分类可知，阳坡在135°-225°之间，半阳坡为225°-315°，坡向偏依赖图中可以看出阳坡的生态环境质量明显高于阴坡。气温偏依赖图中可以看出，随着气温上升RSEI呈现出平稳—上升—波动下降的趋势，当年均气温低于13.8 ℃时，RSEI几乎稳定不变，而年均气温在13.8 ℃-15 ℃间，RSEI开始上升，随后开始波动下降，这是因为气温会影响植被绿度的高低［30］，同时气温会改变城市热岛强度［31］，进而影响RSEI。降水与RSEI的关系基本呈现上升—下降—平稳的趋势，当年均降水小于1150 mm时，RSEI逐渐上升，而年均降水大于1150 mm小于2100mm时，RSEI开始下降，年均降水大于2100mm时，则几乎保持不变，与植被生长对降水有一定的最适范围有关［32］。

3 讨论

（1）传统RSEI构建过程需要在计算机本地下载和处理遥感影像数据，过程较为繁琐。且在面对研究区中云量较多区域存在数据缺失这一问题时，研究者们通常采用相近年份的遥感影像来替代该年份的遥感影像［11］，一定程度上影响了结果的准确性。借助GEE平台使用去云中值的方法合成夏季RSEI分指标数据，一方面可以极大提升模型构建效率，另一方面可有效减小云量的干扰，提高研究的准确性。

（2）已有相关研究表明，MODIS遥感影像相较于Landsat系列遥感影像更加适合于中尺度的研究［33］，故本研究选取MODIS遥感影像作为数据源构建RSEI模型。建模结果显示，PC1中四个指标贡献度的正负值分布与实际情况相符合，且经验证RSEI模型得到的结果合理可靠。因此，本研究基于GEE平台采用MODIS数据构建的RSEI，可较好的评估长三角生态环境质量。

（3）本文构建的随机森林模型精度较高，可以有效解释影响因素与RSEI之间的非线性关系。但同时也存在一些不足，本文随机森林模型的运算基于栅格数据模式，一些常规的统计年鉴数据由于缺乏成熟的空间化数据集而无法选用［22］，未来可考虑用机器学习的方法来实现统计年鉴数据空间化。

4 结论

本文基于GEE平台，通过MODIS数据构建遥感生态指数（RSEI），解析了2001—2020年间长三角生态环境质量时空变化，并利用随机森林分析了其影响因素。主要结论如下：

（1）长三角整体生态环境质量本底较好。从时序特征上来看，长三角生态环境质量呈先降后升的波动变化，但研究期末仍差于期初。从空间格局上来看，整体呈现出“北劣南优，东差西好”的分异格局。从时空演化上来看，皖北生态环境质量逐渐趋好，长江沿岸、太湖周边地区的城市建成区生态环境质量明显变差。

（2）建设用地面积占比（POCL）、坡度（SLOPE）和高程（DEM）是造成长三角RSEI空间分异的主导因子。当POCL大于3%时，其对RSEI起负面影响，在3%-50%区间，对RSEI的抑制作用显著增强；SLOPE在2.5°-29.5°和0-0.6°两个区间对RSEI起促进作用，而在大于29.5°和0.6°-2.5°两个区间时对RSEI起抑制作用；DEM≥1150 m时，其对RSEI的促进作用达到最大后保持平稳。

（3）建设用地的迅速扩张是导致长三角地区生态环境质量下降的主要原因，因此未来需要合理规划城市用地空间布局，增加城市绿地面积，以实现长三角地区的高质量发展。此外，可根据各影响因素与RSEI之间的关系，因地制宜地开展生态环境治理与保护工作。

参考文献

［1］ 宋媛， 石惠春， 谢敏慧， 等. 2000—2017年甘肃省生态环境质量时空演变格局及其影响因素［J］. 生态学杂志， 2019， 38（12）： 3800-3808.

［2］ 高珊， 黄贤金. 基于PSR框架的1953—2008年中国生态建设成效评价［J］. 自然资源学报， 2010， 25（2）： 341-350.

［3］ 宋述军， 柴微涛， 周万村. RS和GIS支持下的四川省生态环境状况评价［J］. 环境科学与技术， 2008（10）： 145-147.

［4］ 张志强， 徐中民， 程国栋， 等. 中国西部12省（区市）的生态足迹［J］. 地理学报， 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］ 刘瑞， 王世新， 周艺， 等. 基于遥感技术的县级区域环境质量评价模型研究［J］. 中国环境科学， 2012， 32（1）： 181-186.

［7］ 徐涵秋. 区域生态环境变化的遥感评价指数［J］. 中国环境科学， 2013， 33（5）： 889-897.

［8］ 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.

［9］ 李婷婷， 马超， 郭增长， 等. 基于RSEI模型的贺兰山长时序生态质量评价及影响因素分析［J］. 生态学杂志， 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］ 王渊， 赵宇豪， 吴健生， 等. 基于Google Earth Engine云计算的城市群生态质量长时序动态监测—以粤港澳大湾区为例［J］. 生态学报， 2020， 40（23）： 8461-8473.

［12］ 杨露. 祁连山地区生态环境质量时空变化及其驱动机制分析［D］. 兰州： 兰州大学， 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］ 郑岚， 张志斌， 笪晓军， 等. 嘉峪关市土地生态安全动态评价及影响因素分析［J］. 干旱区地理， 2021， 44（1）： 289-298.

［16］ 郑子豪， 吴志峰， 陈颖彪， 等. 基于Google Earth Engine的長三角城市群生态环境变化与城市化特征分析［J］. 生态学报， 2021， 41（2）： 717-729.

［17］ 韩向娣， 周艺， 王世新， 等. 基于夜间灯光和土地利用数据的GDP空间化［J］. 遥感技术与应用， 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］ 刘峰， 杨光， 韩雪莹， 等. 科尔沁沙地生态环境质量遥感动态监测—以奈曼旗为例［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］ 夏晓圣， 陈菁菁， 王佳佳， 等. 基于随机森林模型的中国PM2.5浓度影响因素分析［J］. 环境科学， 2020， 41（5）： 2057-2065.

［23］ 陈炜， 黄慧萍， 田亦陈， 等. 基于Google Earth Engine平台的三江源地区生态环境质量动态监测与分析［J］. 地球信息科学学报， 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］ 刘继来， 刘彦随， 李裕瑞. 中国“三生空间”分类评价与时空格局分析［J］. 地理学报， 2017， 72（7）： 1290-1304.

［26］ 黄昕， 李家艺， 杨杰， 等. Landsat卫星观测下的30m全球不透水面年度动态与城市扩张模式（1972—2019）［J］. 中国科学： 地球科学， 2021， 51（11）： 1894-1906.

［27］ 吴宜进， 赵行双， 奚悦， 等. 基于MODIS的2006—2016年西藏生态质量综合评价及其时空变化［J］. 地理学报， 2019， 74（7）： 1438-1449.

［28］ 排日海·合力力， 昝梅， 阿里木江·卡斯木. 乌鲁木齐市生态环境遥感评价及驱动因子分析［J］. 干旱区研究， 2021， 38（5）： 1484-1496.

［29］ 刘睿文， 封志明， 杨艳昭， 等. 基于人口集聚度的中国人口集疏格局［J］. 地理科学进展， 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］ 向炀， 周志翔. 基于地理探测器的城市热岛驱动因素分析—以武汉市为例［J］. 长江流域资源与环境， 2020， 29（8）： 1768-1779.

［32］ 付含培， 王让虎， 王晓军， 等. 1999—2018年黄河流域NDVI时空变化及驱动力分析［J］. 水土保持研究， 2022， 29（2）： 145-153+162.

［33］ 郭城， 陳颖彪， 郑子豪， 等. 顾及时空背景的遥感生态指数适用性分析—以粤港澳大湾区为例［J］. 地理与地理信息科学， 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

（责任编辑：巩 劼）