基于优化地理探测器的生态环境质量驱动力分析

牟凤云, 黄 淇, 陈 林

(1.重庆交通大学 智慧城市学院, 重庆 400074; 2.重庆市地理信息和遥感应用中心, 重庆 401120)

为推动生态环境质量持续改善和强化减污降碳协同增效作用,重庆市生态环境局组织编制了《重庆市生态环境监测“十四五”规划(2021—2025年)》,并于2022年1月印发实施,将以解决生态环境领域突出问题为抓手,推进生态环境质量持续改善,筑牢长江上游重要生态屏障[1-2]。监测重庆市生态环境质量时空演化并分析其驱动力,对重庆市土地资源可持续利用和生态环境有效保护具有重要的实践意义和价值。

目前基于土地利用测度生态环境质量的方法,主要包括单一指标测度法和综合指标测度法,前者利用植被覆盖度(Fractional Vegetation Coverage, FVC)[3]、归一化植被指数(Normalized Difference Vegetation Index,NDVI)[4]、植被净初级生产力(Net Primary Productivity,NPP )[5]、增强型植被指数(Enhanced Vegetation Index,EVI)等[6],单一指标直接表征区域生态环境质量,结果不免陷于片面;后者运用生态环境质量指数(Eco-environmental Quality Index,EQI)[7-8]、遥感生态环境指数(Remote Sensing Ecological Index, RSEI)等[9-10]综合指标表征区域生态环境质量,相较于前者更为全面,因此应用也更为广泛;近年来,土地在“三生”(生产、生态、生活)功能间的转型与重构对于生态环境质量的影响逐渐引起关注,基于土地利用主导功能分类体系,将“三生”空间与土地利用转型相衔接,也成为探究区域生态环境质量的重要切入点[11],因此本研究从“三生空间”与土地利用主导功能的视角出发,建立“三生”土地利用主导功能分类及其生态环境质量指数方案,据此计算重庆市各区县生态环境质量指数。

地理探测器是探究生态环境质量演化驱动力的常用方法,运用该方法前须将连续数据离散化,即在连续数据取值范围内设置若干个离散点,将取值范围划分为若干离散区间,从而将数据由定量表达转换为定性表达的过程。连续数据离散化是数据预处理的重要环节之一,因此现有研究对连续数据的离散化方法作出了丰富探讨,将现有离散化方法分类为[12]:监督和非监督离散化、动态和静态离散化、全局和局部离散化、拆分和合并离散化、直接式和增量式离散化、单属性和多属性离散化等。亦有不少国外文献结合地理探测器探究空间数据的最优离散方法,如Cao F等[13]结合5种非监督离散化方法,详细描述了使用单因子q值和因子交互q值来确定最优离散方法的过程;Meng X等提出了一种基于尺度的离散化方法(SBDM)[14],即使用单因子q值的幂作为准则函数,通过缩放尺度以获取最优离散方法,又提出一种多尺度离散化方法(MSD)[15],即通过确定一组自变量X的适当阈值,从而最小化因变量Y的方差;Song Y等[16]提出了一种基于最优参数的地理检测器 (OPGD),优化了空间数据离散化过程和空间分析的空间尺度,确定了地理探测器模型的最佳参数组合。多项研究表明[13-16],探究连续数据的合理离散方法,可以一定程度上克服连续数据离散化过程中的随机性和主观性,从而提升模型的分聚类能力、抗噪声能力以及表达能力,优化模型结果,但国内关于生态环境质量演化驱动力的研究却极少聚焦于连续驱动因子的离散化过程,因此本研究弥补这一不足,试图探讨重庆市生态环境质量演化驱动因子的合理离散方法。

本研究从“三生空间”与土地利用主导功能的视角出发计算重庆市各区县生态环境质量指数,利用相等间隔法、分位数法、自然断点法、几何间隔法、标准差法等5种离散方法,将连续驱动因子离散化,并代入地理探测器以最大q值确定各因子合理离散法与分类数,最后利用地理探测器的因子探测确定各因子合理离散法与分类数,探究各驱动因子的驱动力大小,并利用交互探测探究各驱动因子间交互模式。研究结果一方面可将连续数据合理离散化的思想进一步推广,引起相关研究重视,另一方面可为相关政策的贯彻落实提供科学决策依据。

1 研究区概况

重庆市地处我国长江上游地区腹心地带,近年来,作为“西部大开发”的重要战略支点、“一带一路”和长江经济带的联结点以及内陆开放高地,重庆市的土地利用在生产、生态、生活功能间大幅转型重构,对生态环境质量产生显著影响。2021年,全市生态环境保护投入956.5亿元,占GDP的3.4%,同比增长12.0%,全市环保产业实现营业收入 1 325.7亿元,同比增长 27.7%。据生态环境部发布的《2021中国生态环境状况公报》显示,2021年全国生态环境质量主要指标顺利完成,生态环境质量明显改善[1],全市生态环境状况指数为70.2,评价结果为“良”。

2 研究方法

2.1 生态环境质量指数

本文的生态环境质量指数是研究区域内“三生”用地生态环境质量及其面积比例综合作用的结果,公式如下:

(1)

式中:EVk为第k个评价单元的生态环境质量指数;Ski为第k个评价单元某类功能用地的面积;Sk为第k个评价单元的土地总面积;Vi为第i类功能用地的生态环境质量指数;n为基于“三生功能”的土地资源类型数量。

2.2 离散方法

采用相等间隔法、分位数法、自然断点法、几何间隔法和标准差法共5种离散方法将连续的驱动因子离散化,各离散方法见表1所示。

表1 离散方法原理Table 1 Introduction to discretization methods

2.3 地理探测器

地理探测器是由王劲峰等[17]基于“两个关联变量的空间分布趋于一致”的理论开发而来,用于探测地理现象的空间分异性并解释其背后驱动力,包括风险探测、因子探测、生态探测和交互探测4个探测器,本研究主要运用到因子探测和交互探测,原理如下:

(1) 因子探测。用于检验生态环境质量Y的空间分异性,并探测驱动因子Xn对生态环境质量Y的空间分异性的解释程度,用q值度量,公式如下:

(2)

(2) 交互探测。用于识别不同驱动因子Xn之间的交互作用类型,判断两个驱动因子共同作用时对生态环境质量Y的解释力是相互增强、相互减弱还是相互独立,交互作用类型主要包括非线性增强、独立、双因子增强、单因子非线性减弱和非线性减弱。

3 数据获取及处理

3.1 数据获取

本研究涉及的数据包括重庆市2000年、2005年、2010年、2015年、2020年的土地利用分布、重庆市2016年统计年鉴、重庆市DEM,EDVI,GDP、人口空间分布、重庆市逐年年降水量和年平均气温空间插值数据集、全国基础地理信息数据库。数据详情如表2所示。

表2 数据详情Table 2 The data source

3.2 数据处理

(1) 生态环境指数计算。从“三生空间”与土地利用主导功能的视角出发,参考已有文献[9-10,18]建立2005—2020年的“三生”土地利用主导功能分类方案(表3),从而计算重庆市各区县的EQI,得到重庆市的EQI的时空分布图和等级隶属度分布,然后利用全局莫兰指数和局部莫兰指数分析重庆市EQI的冷热点分布特点。

表3 “三生”土地利用主导功能分类及其生态环境质量指数Table 3 The classification scheme of ‘production-living-ecological’ leading function of land use from 2005 to 2020

(2) 驱动力因子体系构建。在借鉴已有成果的基础上[19-23],遵循指标选取的科学性、可比性、独立性、可操作性以及可获取性等原则,从自然要素、人为要素等两个方面选取22个能直接或间接影响生态环境质量的因素,构建驱动因子体系,包括气温X1、降水X2、GDPX3、人口X4、NDVIX5、到居民点距离X6、到公路距离X7、到铁路距离X8、到河流距离X9、到机场距离X10、DEMX11、坡度X12,工业生产总值X13、第一产业生产总值X14、第二产业生产总值X15、第三产业生产总值X16、农林牧渔服务业总产值X17、城镇居民人均可支配收入X18、公路里程X19、工业二氧化硫排放量X20、工业废水排放量X21、工业烟尘排放量X22。

(3) 最优离散方法确定。根据合理离散法和分类数确定流程,分别利用5种离散方法将22项连续型驱动力指标离散化为2～20类,并代入地理探测器计算q值,运用MATLAB绘制22个驱动力指标在不同离散方法、不同分类数下的驱动力q值曲线分布图,最后根据q值曲线分布特点、最大q值确定各驱动力指标值曲线分布类型、合理离散法与分类数,从而对22项驱动力指标进行合理离散化。

(4) 因子探测及交互探测。以生态环境质量指数作为因变量Y,以22项驱动力指标作为自变量Xn(n=1,2,…,9),代入GeoDetector的因子探测模型中,探究各驱动力指标对生态环境质量的驱动力大小,得到各驱动力指标因子探测结果;又利用地理探测器的交互探测模型,探究各驱动因子X间的交互模式,得到各驱动力指标交互探测结果。

4 结果与分析

4.1 重庆市生态环境质量指数时空演化分析

根据重庆市EQI时空分布(图1),2005—2020年EQI在空间上一直呈现出由西北向东南走向的梯度分布特征。根据重庆市EQI等级隶属度分布(图2),重庆市2005年、2010年、2015年、2020年EQI处于I级的区县占比分别为0.132,0.132,0.132,0.079,呈先稳定后下降趋势,处于Ⅱ级的区县占比分别为0.289,0.211,0.184,0.368,呈先缓慢下降后迅速上升趋势,处于Ⅲ级的区县占比分别为0.158,0.105,0.132,0.132,呈先下降后稳定趋势,处于Ⅳ级的区县占比分别为0.158,0.263,0.237,0.026,呈先上升后下降趋势,处于V级的区县占比分别为:0.263,0.289,0.315,0.395,呈加速上升趋势,由此可知,处于I,Ⅲ和Ⅳ级的区县减少,处于Ⅱ和V级的区县增多,结合图1和图2发现,许多区县EQI由I级转为Ⅱ级,由Ⅳ级转为V级,从这个角度看,重庆市生态环境质量呈下降趋势。

图1 重庆市生态环境质量指数时空分布

图2 重庆市生态环境质量指数等级隶属度分布

4.2 重庆市生态环境质量驱动因子合理离散法与分类数确定结果

观察各驱动因子q值曲线分布图(图3),发现22个因子的q值总体上均随分类数增加而逐渐上升,但有些为单调上升,有些为波动上升;按曲线分布特点将22个因子分为3种类型:紧凑型(8个)8,波动型(3个)、差异型(11个),随分类数增加,紧凑型q值曲线逐渐趋于稳定,彼此间差异较小;波动型q值曲线内部波动起伏剧烈,彼此间差异不大;差异型部分q值曲线内部波动起伏强烈,彼此间差异显著;根据图3中的最大q值确定各驱动因子的合理离散法与分类数(表4),分位数法6个,几何间隔法7个、相等间隔法2个、自然断点法7个,由此可知,研究中各离散方法适用性排序为:自然断点法>几何间隔法>分位数法>相等间隔法>标准差法。

图3 各驱动因子q值曲线分布

表4 各驱动因子的合理离散法和分类数

4.3 重庆市生态环境质量演化驱动因子及其交互作用分析

根据驱动因子探测结果(图4),按驱动力q值大小将驱动因子依次划分为4个梯度:驱动因子(5个)、主要驱动因子(13个)、次要驱动因子(5个)和其他因子(4个)。关键驱动因子是决定重庆市生态环境质量演化的关键因素,均为自然因素,包括DEMX11(0.49)、气温X1(0.46)和坡度X12(0.39);主要驱动因子是驱动重庆市生态环境质量演化的主要因素,多属于经济因素,包括人口X4(0.37)、GDPX3(0.33)、NDVIX5(0.32)、第二产业生产总值X15(0.30)、第一产业生产总值X14(0.30)、工业生产总值X13(0.29)、第三产业生产总值X16(0.29)、农林牧渔服务业总产值X17(0.28)、城镇居民人均可支配收入X18(0.27)和公路里程X19(0.26);次要驱动因子是驱动重庆市生态环境质量演化的次要因素,主要为工业三废,包括工业废水排放量X21(0.26)、工业二氧化硫排放量X20(0.23)、工业烟尘排放量X22(0.20);其他因子对重庆市生态环境质量演化的影响较小,包括到铁路距离X8(0.14)、到机场距离X10(0.13)、到公路距离X7(0.08)、到居民点距离X6(0.06)、降水X2(0.05)和到河流距离X9(0.04)。

图4 各驱动因子的因子探测结果

根据驱动因子交互探测结果(表5),总体上看,驱动因子交互作用强度排序为:DEMX11(0.49～0.59)>气温X1(0.46～0.53)>坡度X12(0.39～0.53)>人口X4(0.37～0.57)>GDPX3(0.33～0.57)>NDVIX5(0.32～0.52>第二产业生产总值X15(0.30～0.58)>第一产业生产总值X15(0.30～0.57)>工业生产总值X14(0.29～0.56)>第三产业生产总值X13(0.29～0.57)>农林牧渔服务业总产值X17(0.28～0.55)>城镇居民人均可支配收入X18(0.27～0.59)>公路里程X19(0.26～0.58)>工业废水排放量X21(0.26～0.57)>工业二氧化硫排放量X20(0.23～0.59)>工业烟尘排放量X22(0.20～0.57)>到铁路距离X8(0.14～0.52)>到机场距离X10(0.13～0.53)>到公路距离X7(0.08～0.51)>到居民点距离X6(0.06～0.52)>降水X2(0.05～0.54)>到河流距离X9(0.04～0.50)。

表5 各驱动因子的交互探测结果Table 5 Interaction detection result

5 结 论

(1) 由于重庆市集大城市、大农村、大山区、大库区于一体,各区域自然条件和资源禀赋差异较大、发展不平衡不充分,以往渝东北、渝东南曾分别被划分为生态涵养发展区和生态保护发展区,现在渝东北三峡库区城镇群探索生态优先新路子,渝东南武陵山区城镇群打造文旅融合发展新标杆,因而渝东北、渝东南地区生态环境质量相对于主城都市区而言一直保持显著优势,重庆市EQI在空间上亦呈由西北向东南走向的梯度分布特征。而近年来重庆市的土地利用在生产、生态、生活功能间大幅转型重构,对生态环境质量产生显著影响,

(2) 根据驱动因子交互探测结果,分析驱动力q值曲线分布,发现22个因子的q值总体上均随分类数增加而逐渐上升,分为紧凑型8个、波动型3个和差异型11个,并确定了各因子的合理离散法和分类数,其中分位数法6个,几何间隔法7个、相等间隔法2个、自然断点法7个。由此可知,研究中各离散方法适用性排序为:自然断点法>几何间隔法>分位数法>相等间隔法>标准差法。不同因子适用的离散方法各异,研究时应根据因子数据特征择优选取离散方法。

(3) 研究识别出影响重庆市EQI演化的关键驱动因子4个(0.37～0.49)、主要驱动因子13个(0.14～0.33)、次要驱动因子4个(0.05～0.13)和其他因子1个(0.04)。关键驱动因子均为自然因素,受特殊地形、地貌以及气候影响,重庆市中心城区一直呈现出“多中心、组团式”山水城市空间格局,各大组团间的隔离带可以防止组团蔓延发展,具备优化城市空间结构、维护城市生态安全的功能;主要驱动因子多属于经济因素,近年来,重庆市作为“一带一路”和“长江经济带”的联结点,各区县经济形势向好,三大产业、农林牧渔业的粗放发展,导致城市建设用地无序蔓延,各大组团隔离带内绿地被不断蚕食,其生态调节功能也被不同程度削弱,部分组团发生粘连发展,“多中心、组团式”空间格局日益弱化;次要驱动因子主要为工业三废,相较于工业二氧化硫排放量、工业烟尘排放量,重庆市的工业废水排放量最少,但对生态环境质量的影响却最大,可能是由于重庆市水系密布,工业废水排放后经由水系更易造成生态环境大面积污染。

(4) 驱动因子间的交互作用强度均大于两因子驱动力,且随两因子驱动力降低而降低,呈现出梯度降低趋势,同时任意两项驱动因子间的交互作用均为双重增强或非线性增强。由此可推知,生态环境质量不只受各驱动因子独立作用影响,更受众多因子间的密切交互作用影响,部分驱动因子对生态环境质量的直接驱动力虽小,但却可通过影响其他驱动因子而间接影响生态环境质量,足见交互探测不可忽视。

连续数据离散化是数据预处理的重要环节之一,合理的离散化可以一定程度上克服连续数据离散化过程中的随机性和主观性,从而提升模型的分聚类能力、抗噪声能力以及表达能力,优化模型运算结果,但国内关于生态环境质量演化驱动力的研究却极少聚焦于连续驱动因子的离散化过程,因此本研究弥补这一不足,结合地理探测器和相等间隔法、分位数法、自然断点法、几何间隔法、标准差法等5种离散方法,在确定生态环境质量驱动因子的合理离散法上做出了有益尝试,但研究亦存在局限之处,即仅在5种离散方法中择优选取了最优离散方法,未将其他更多离散方法纳入比较,在后续的研究中将进一步探讨。