长三角地区生态环境质量时空特征分析

摘要：城市的发展占用大量自然资源，对人类的生活和发展构成严重威胁，客观、精细地定量评估生态环境质量对实现当今可持续发展的目标具有重要作用。本文以长江三角洲地区为研究区，基于遥感生态指数模型原理，选用MODIS相关数据集及长时间序列的土地利用数据集提取绿度、湿度、热度、干度、丰度共五个指标，应用主成分分析方法综合指标，定量评估研究区的生态环境质量，接着从像元级、城市级、区县级三个尺度分析长三角地区2001―2021年生态环境质量的时空分布特征，并使用统计学相关分析方法分析长时序的时空变化情况。研究表明：①长三角地区生态环境质量的南北、东西走向的空间格局差异大，初步分析该现象与城市的经济水平、地形地貌及气温等有一定的关系。②结合长时序长三角地区生态环境质量变化情况分析，由2001年发展至今，长三角地区大部分地区的生态环境质量都有不同程度的降低。③长三角地区生态环境质量的聚集特征出现“三分局面”，南部地区以浙江省地区为主，呈现明显“高-高”聚集特征，北部地区以安徽省北部为主，呈现“低-低”聚集特征，而东部地区以上海市为主及其周边地区总体上为“低-低”聚集特征。

关键词：长江三角洲地区；生态环境质量；时空变化；趋势分析；空间分析

中图法分类号：TP79 文献标志码：A 文章编号：1001-2443（2024）04-0rxlJcorlvciH5sYS1ikkpg==340-11

引言

随着城市发展进程的加速，大量的自然资源被消耗，给生态环境带来了巨大的影响，如空气质量问题［1］、水环境污染［2］、土壤生产力下降［3］、城 市热岛效应［4］等，对人类的生活和发展构成严重威胁。习近平总书记在党的第二十次全国代表大会中多次强调：在人类发展的过程中要充分关注大自然的状态，保护生态环境质量，让可持续发展的理念深入人心，以葆中华民族的发展源远流长［5］。

为科学评估生态环境质量，我国生态环境部发布评估生态环境质量水平的相关技术规范，且更新迭代形成科学精准的生态环境质量指数（Ecological Index， EI）指标体系，该技术规范规定选取土地覆盖类型相关系数和环境限制指数共六个指数，包括评估植被、水体以及生物状态等，作为评估生态环境质量的指标体系［6］。黄莘绒等学者综合考虑指标体系，从土地利用、空气质量、水污染等方面选取7个指标构建评估生态环境的指数［7］。而EI指数的保密性强、可获得性低，加上部分指标依赖于面板数据，其时空分辨率低、连续性差、数据测量标准不一致且获取的规范不一等问题，导致EI指数的应用范围狭窄［8］。

遥感数据的高时空分辨率、数据高覆盖能力、方便快捷以及低成本等优势，让其在一众面板数据中脱颖而出［9］。徐涵秋学者全面考虑卫星遥感数据的以上优势，对比面板数据的不足后，于2013提出遥感生态指数（Remote Sensing Based Ecological Index， RSEI）评估生态环境质量，RSEI的构建基于遥感技术、指标容易获得、没有人为权重设定、结果易于可视化，且与国家生态环境部的标准有较好的相关性［10-11］，受到学者的广泛应用［12～14］。由于生态环境的复杂性和多样性，现有的遥感生态指数模型往往难以全面、准确地反映生态系统的状况［15］。Xu D等学者考虑到EI指数受到土地覆被类型丰富度的影响，在RSEI指数的基础上增加地表丰度（Abundance Index， AI）指标构建了生态环境质量评价指标体系，得到改进的遥感生态指数（RSEI2），并将RSEI、RSEI2分别同EI指数相比较，得出比较结果显示RSEI2的监测精度优于RSEI模型［16］。

为快速、全面、准确地了解区域的生态环境质量水平，本文主要应用MODIS相关数据集和长时间序列的土地利用数据集构建生态环境质量评价指标，定量评估区域的生态环境质量，从像元级、城市级、区县级三个尺度分析研究区2001年至2021年生态环境质量的时空分布特征及时空变化情况。本文应用遥感技术，摆脱行政区范围界限，结合长时序的研究区指标特征变化情况，客观、动态地分析研究区域的生态环境质量，为区域可持续发展研究提供科学依据。

1 研究区与数据处理

1.1 研究区概况

长江三角洲（以下简称长三角）地区在中国经济发展中扮演着至关重要的角色，该地区的活力、开放程度和创新能力均高于其他地区［17］。自2010年以来，我国相继出台系列区域一体化政策。2019年，中共中央、国务院发布了《长江三角洲区域一体化发展规划纲要》（以下简称规划纲要），强调全力支持长江三角洲区域的一体化发展，并将其提升为国家战略，明确指出长江三角洲地区的范围包括上海市、江苏省、浙江省和安徽省的全域，共41个城市，包含307个区县，面积共35.8万平方公里，约占我国国土面积3.74%，容纳了全国约16%的人口，其国内生产总值约占全国的四分之一。推动规划纲要在长三角地区一体化发展的实施意义重大，不仅能够促进长三角地区的经济和社会发展，推动区域协调发展和绿色低碳发展，而且能够增强中国在全球经济竞争中的影响力和话语权［18］。本文以长三角地区为研究区，示意图如图1所示。

1.2 数据来源

本文主要应用遥感技术，基于MODIS数据集选取归一化植被指数（NDVI）［19］、地表湿度（WET）［10］、地表温度（LST）［20-21］和地表干度（NDBSI）［11］四个指标，再应用武汉大学杨杰和黄昕教授团队发布的长时间序列的土地利用数据获取地表丰度（AI）指标，分别代表长三角地区的绿度指数、湿度指数、温度指数、干度指数和丰度指数，反演长三角地区的生态环境质量指数，用以评估长三角地区生态环境质量。研究应用的数据如表1所示。

2 研究方法

2.1 生态环境质量评价指数

本文基于遥感生态质量模型理论，应用长时间序列的土地利用数据获取地表丰度（AI）指标。以归一化植被指数（NDVI） 作为绿度指标、归一化差异的建筑和土壤指数（NDBSI）作为干 度指标、地表温度指数（LST） 作为热度指标、 湿度指数（WET）作为湿度指标、 地表丰度指数（AI） 作为丰度指标，共5个重要指标为准，构建生态指数质量的评价指数RSEI2，评估长三角地区的生态环境质量。

丰度指标（AI）通过计算各种土地覆盖类型在整个研究区域中的相对分布面积，得到每种土地覆盖类型的丰度值，反映整个研究区域的土地覆盖类型丰度情况［6］。本文基于长时序土地覆盖类型数据［23］，首先应用ArcGIS软件创建1KM*1KM渔网，接着统计数据网格内的各土地覆盖类型面积，最后应用AI公式计算1平方公里网格内的土地覆盖类型丰度指标，计算公式如（1）所示。

[AI=μ×（0.35×Forest+0.21×Grassland+0.28×Water+0.11×Cropland +0.04×Built+0.01×Unused） /Area]

（1）

其中： [AI]为土地覆盖类型的丰度指数，μ为归一化系数，Forest （林地）、Grassland （草地）、Water（水体）、Cropland（耕地）、Built（不透水面），Unused （未利用地）分别代表各自类型的面积，Area为统计面积的总面积。

本文基于以上五个指数，构建评价生态环境质量的综合指数［10-11］。首先，为消除量纲不同导致指数之间的比较和分析障碍，将数据统一量纲，确保计算和比较的准确性和可靠性［24］。研究采用最大最小归一化方法对上述五个指标分别进行正规化，将数据统一规定到［0，1］中，正规化公式如（2）所示。

[yi=xi-xminxmax-xmin] （2）

其中： [yi]指的是指标经过正规化后的值，xi指的是指标在像元i的值，xmax指的是指标的最大值，xmin指的是指标的最小值。

统一量纲后，对各指标数据进行主成分分析［25］，采用该方法为的是将原始数据的维度压缩到一个较低的维度空间，同时尽可能地保留较多的数据信息，公式如（3）所示；再用1减去主成分分析结果PC1，表示最终结果中数值越大生态环境质量越好［26］，公式如（4）所示。

[PC1=PCA（NDVI， NDBSI， LST， WET，AI）] （3）

[RSEI1=1-PC1] （4）

其中： [PC1]为第一主成分，NDVI， NDBSI， LST， WET， AI分别代表了绿度、干度、热度、湿度和丰度指标，RSEI1表示生态环境质量初始值。

最后为了便于理解和分析，对生态环境质量指数进行了规范化处理，使其取值范围在［0，1］之间，得到生态环境质量指数RSEI2，公式如（5）所示。当RSEI2值越接近1时，表明生态环境越好；当RSEI2值越接近0时，表明生态环境越差。

[RSEI2=RSEI1-RSEIminRSEImin-RSEImax] （5）

其中： [RSEI2]为正规化后生态环境质量指数，RSEI1表示生态环境质量初始值，RSEImin为生态环境质量的最小值，RSEImax为生态环境质量的最大值。

2.2 线性趋势分析

斜率趋势分析是一种基于数据点之间的斜率变化来判断数据趋势的方法，通过斜率趋势分析，可以确定数据是否在上升、下降或持平，以及变化的速度和程度［27］。本文应用趋势分析评价生态环境质量的变化趋势，计算公式如（6）所示。

[Slope=n×i=1n yiCi-i=1n yi×i=1n Cin×i=1n y2i-i=1n yi2] （6）

其中： [Slope]代表研究数据的变化斜率，n代表时间序列的长度（2001年到2021年），yi代表第i年（其中2001年为第1年），Ci代表第i年的研究对象数据值。

2.3 空间自相关分析

空间自相关分析是一种重要的空间统计工具，通过对空间数据的特征和规律进行深入分析，可以协助研究者更好地理解空间数据的特征和规律，进而制定更有效的决策和政策［28］。

莫兰指数（Moran’I）是一种衡量空间数据自相关性的统计指标，用于评估地理空间上相似值的聚集程度，它的值介于-1和1之间，正值指的是研究数据呈正自相关，负值指的是研究数据呈负自相关，值为零表示不存在空间自相关性［29］。Lisa聚类图基于莫兰指数来确定空间单元所处的聚类模式，用于可视化空间数据聚类模式，可以快速发现空间数据中的聚类区域，并显示每个空间单元的聚类类型和强度，以及其与相邻空间单元的聚类模式关系，将空间数据点分为高-高聚集、低-低聚集、高-低离散和低-高离散四类，将不同类别的数据点用不同颜色编码，就可以直观地展示出空间数据的聚类模式以及不同区域的聚集程度［30］。

3 结果和分析

3.1 长三角地区生态环境质量时空特征

综合MODIS遥感影像数据，运用生态指数模型计算长三角地区2001年至2021年长时间序列的像元级的生态环境质量，计算结果输出如图2所示。

由图2分析得出，长三角地区的南部地区生态环境质量较高，西部地区可以看到明显的“心形”大别山区域分割线，“心形”区域为大别山主峰区域，生态环境质量较高。长三角地区往南的长江中下游平原范围内生态环境质量一般，再往南连接到九华山、黄山、天台山等山区的生态环境质量总体较好。该分布特征与城市的定位有一定的关系，安徽省的安庆市、六安市、池州市、黄山市均属于旅游城市，其地形地貌丰富，植被覆盖广袤。浙江省南部主要以丘陵为主，连绵不断的山丘生态良好，其中浙江省丽水市拥有多个国家级生态保护区，属于国家级重点旅游城市。而长三角地区的北部和东部的大部分地区生态环境质量较低。

为具体分析各区域发展现状，以及准确地向各级政府提供决策参考，根据长三角地区2001—2021年像元级生态环境质量数据，按行政边界大小输出市级、区县级生态环境质量，分别分析长三角地区城市级、区县级的生态环境质量时空分布特征，并应用统计学的相关方法客观分析长三角地区各城市的城市化水平变化情况。

2001—2021年长三角地区城市级生态环境质量数据可视化如图3所示，按照统计学中的五分位法将数据客观地分为五类，降低数据主观分类的可能性。总体来看，生态环境质量较高的城市包括浙江省大部分城市、安徽省的六安市、安庆市、池州市、黄山市等，生态环境质量较低的区域主要分布在安徽省北部、江苏省北部和上海市，且随着时间的变化有扩增的趋势。其中，上海市及周边城市为城市化高度发展地区，生态环境质量水平相较于长三角地区其它城市而言较低。安徽省北部为降水较少区域，较为干旱，生态环境质量水平较低。浙江省地形地貌主要是以连绵不断丘陵为主，且降雨主要集中于浙江省的南部地区，生态环境保持良好。

随后分析长三角地区2001—2021年区县级的生态环境质量时空特征，输出结果如图4所示。由图可知，生态环境质量较高的区县主要包括浙江省大部分地区、安徽省的南部地区等，生态环境质量较低的区域主要分布在安徽省北部、江苏省北部和上海市部分区县，且随着时间的变化有扩增的趋势。

3.2 长三角地区生态环境质量时空变化特征

3.2.1 时间变化特征 为直观分析2001—2021年长三角地区生态环境质量的时空变化特征，对上述数据进一步解释和分析。首先，将首尾两年数据作差异分析，分别获得市级、区县级生态环境质量差异图如图5所示，图中色彩越深，代表生态环境质量增幅越大，其趋势与前面表述基本一致。图中可以看出，长三角地区绝大部分地区的生态环境质量都有不同程度的下降。相较于其它地区而言，安徽省中部地区、安徽省南部地区、浙江省西部地区的生态环境质量较二十年前有所提高，江苏省大部分地区的生态环境质量有所降低。

为分析2001—2021年长三角地区生态环境质量的变化速率，运用公式（11）对2001—2021年长三角地区的城市级、区县级生态环境质量数据分别进行线性趋势分析，计算结果如图6所示。图6（a）为城市级生态环境质量变化速率，其值绝大部分小于0，这表示长三角地区大部分城市的生态环境质量随着年份的增加在逐渐降低。结合县级生态环境质量变化速率图6（b）可知，安徽省除了合肥市核心区部分区县、马鞍山周边区县、安庆市部分区县的生态环境质量的变化速率为负以外，其它大部分地区的生态环境质量的变化速率均为正，表示安徽省大部分地区随着时间的增长生态环境质量也在提高。而浙江省大部分地区、江苏省绝大部分地区的生态环境质量的变化速率均为负，表示在2001—2021年来这些地区的生态环境质量略有下降，研究发现，当今长三角地区的生态环境较2001年有所降低，对长三角地区的生态环境保护刻不容缓。

3.2.2 空间变化特征 基于以上工作，分析长三角地区生态环境质量的空间变化特征，检测空间聚集或空间离散现象。应用GeoDa软件，基于K-近邻方法，默认邻居数为4，选用具有标识的ID字段创建空间权重，计算2001—2021年长三角地区城市级生态环境质量的莫兰指数，分析其空间自相关性，长三角地区长时序城市级生态环境质量莫兰指数输出如图7所示。

将上述计算结果汇总得到表2，由表可知2001—2021年长三角地区城市级生态环境质量莫兰指数均在0.7以上，最大值为0.823，最小值为0.788，表现出高空间自相关性。

应用LISA聚集图更深入探究长三角地区城市级生态环境质量的聚集现象，显示出聚集程度的空间分布特征，绘制的2001年至2021年长三角地区城市级生态环境质量LISA聚集图如图8所示。由图可知，生态环境质量在城市级的空间尺度具有一定的聚集特征。浙江省大部分城市具有明显的“高-高”聚集特征，且在2005年前后逐渐影响到安徽省南部部分地区，组成了长三角地区南部地区较大范围的“高-高”聚集区；安徽省北部地区具有明显的“低-低”聚集特征，且随着时间的推移没有明显的区域扩张或缩小；江苏省由一开始不明显的聚集特征，逐渐演变为中部地区“低-低”聚集特征且逐渐向南扩张，在2005年前后与上海市合并在一起，表现出高度的“低-低”聚集特征。

结合经济水平、地形地貌及气象等因素分析，上海市及周边城市为城市化水平高度发展地区，生态环境质量水平相较于长三角地区其它城市而言较低；安徽省北部为降水较少区域，较为干旱，生态环境质量水平较低；浙江省地形地貌主要是以连绵不断丘陵为主，且降雨主要集中于浙江省的南部地区，生态环境保持良好。

应用GeoDa软件，基于K-近邻方法，默认邻居数为4，选用具有标识的ID字段创建空间权重，计算2001—2021年长三角地区区县级生态环境质量的莫兰指数，分析其空间自相关性，长三角地区长时序区县级生态环境质量莫兰指数输出如图9所示。

将上述计算结果汇总得到表3，由表可知，2001—2021年长三角地区区县级生态环境质量莫兰指数均在0.7以上，最大值为0.804，最小值为0.777，表现出高空间自相关性。

应用LISA聚集图更深入探究长三角地区城市级生态环境质量水平的聚集现象，显示出空间上聚集程度的位置和分布特征，绘制的2001年至2021年长三角地区区县级生态环境质量LISA聚集图如图10所示。由图可知，生态环境质量在区县级的空间尺度具有一定的聚集特征，其中浙江省大部分区县的聚集特征均为“高-高”聚集，而与安徽省接壤的杭州市淳安县、衢州市开化县一直独立于周边的“高-高”聚集特征，表现不显著特征。相较于城市级尺度变化较明显的是安徽省的安庆市岳西县、太湖县和潜山县三个县随着时间的变化基本呈现“高-高”聚集特征。上海市各区县基本一直保持“低-低”聚集特征，且聚集区域随时间的推移向周边扩张。

4 结论

本文主要应用遥感技术，运用MODIS相关数据集和长时间序列的土地利用数据集，分别获得绿度、干度、湿度、温度和丰度五个指标，运用生态环境质量模型计算区域的生态环境质量，使用统计学相关分析方法，从时间和空间两个角度分析长三角地区2001年至2021年生态环境质量分布特征及变化情况，并摆脱行政区范围界限，结合像素级、城市级、区县级三个尺度生态环境质量的分布具体分析小区域的时空变化情况。

（1）长三角地区生态环境质量水平的空间格局差异大，从南北、东西走向的对比中得出：长三角地区的南部地区生态环境质量较高，初步判断与地形地貌、气象因素以及城市的定位有关；生态环境质量较低的区域主要分布在安徽省北部，江苏省北部和上海市，且随着时间的变化有扩增的趋势，考虑到安徽省、江苏省的南北地形地貌、气温、干湿差异较明显，且北部相比较南部而言较为干旱，而上海市地区的经济水平高，相较于长三角其它地区其生态环境质量略有降低。

（2）结合长时序的时空变化分析得出，长三角地区大部分区域的生态环境质量都有不同程度的下降，其中仅有安徽省部分地区、浙江省西部地区的生态环境质量较二十年前左右有所提高。安徽省除了合肥市核心区部分区县、马鞍山周边区县、安庆市部分区县的生态环境质量的提高速率较慢以外，其余大部分地区的生态环境质量的提高速率较快。浙江省大部分地区、江苏省绝大部分地区的生态环境质量略有下降且速率较快，科学实施对长三角地区的生态环境保护刻不容缓。

（3）总体而言，长三角地区的生态环境质量具有一定的聚集特征且出现浙江、安徽北部、上海市周边地区的“三分局面”。浙江省大部分地区具有明显的“高-高”聚集特征，且逐渐带动安徽省南部部分地区；江苏省由一开始不明显的聚集特征，逐渐演变为中部地区“低-低”聚集特征且聚集区域逐渐向南扩张，在2005年前后与上海市合并在一起，表现出高度的“低-低”聚集特征；上海市各区县基本一直保持“低-低”聚集特征，且区域随时间的推移向周边扩张。

（4）城市的长久发展离不开政府、社会、人民群众多方的努力和支持。政府、社会等要以“天空地”一体化技术为基础，系统且精准地评估生态环境质量，在系统地保护生态环境质量的前提下发展经济、扩张城市、提高城市发展质量，指导地区长久贯彻和实施相关保护政策，保证地区的可持续发展，让人民群众的幸福感更可持续、安全感更有保障。。

参考文献：

［1］ 肖严华，侯伶俐，毛源远.经济增长、城镇化与空气污染——基于长三角城市群的实证研究［J］.上海经济研究，2021（9）：57-69.

［2］ SONG J， CHEN Y， LUAN F. Air pollution， water pollution， and robots： is technology the panacea［J］. Journal of Environmental Management， 2023， 330： 117170.

［3］ WANG Y， GUO E， KANG Y， et al. Assessment of land desertification and its drivers on the Mongolian Plateau using intensity analysis and the geographical detector technique［J］. Remote Sensing， 2022， 14（24）： 6365.

［4］ HAN W， TAO Z， LI Z， et al. Effect of urban built-up area expansion on the urban heat islands in different seasons in 34 metropolitan regions across China［J］. Remote Sensing， 2023， 15（1）： 248.

［5］ 习近平.高举中国特色社会主义伟大旗帜 为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告［J］.创造，2022，30（11）：6-29.

［6］ 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.

［7］ 黄莘绒，管卫华，陈明星，等.长三角城市群城镇化与生态环境质量优化研究［J］.地理科学，2021，41（1）：64-73.

［8］ 王胜.关于统计数据质量存在的问题及其对策研究［J］.现代经济信息，2010（24）：206-208.

［9］ 施开放. 多尺度视角下的中国碳排放时空格局动态及影响因素研究［D］.上海：华东师范大学，2017：21-24.

［10］ 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.

［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］ SHAN W， JIN X， REN J， et al. Ecological environment quality assessment based on remote sensing data for land consolidation［J］. Journal of Cleaner Production， 2019， 239： 118126.

［13］ LI Z， XU D， GUO X. Remote sensing of ecosystem health： opportunities， challenges， and future perspectives［J］. Sensors， 2014， 14（11）： 21117-21139.

［14］ 张琨，吕一河，傅伯杰，等.黄土高原植被覆盖变化对生态系统服务影响及其阈值［J］.地理学报，2020，75（5）：949-960.

［15］ 张静，杨丽萍，贡恩军，等.基于谷歌地球引警和改进型遥感生态指数的西安市生态环境质量动态监测［J］.生态学报，2023，43（5）：2114-2127.

［16］ XU D， YANG F， YU L， et al. Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data［J］. Journal of Cleaner Production， 2021， 321： 128948.

［17］ 许泽宁，陈子韬，甄茂成.区域一体化政策对城市高学历人才分布的影响与作用机制——以长三角地区为例［J］.地理研究，2022，41（6）：1540-1553.

［18］ 中共中央国务院印发长江三角洲区域一体化发展规划纲要［N］. 人民日报，2019-12-02（001）.

［19］ 李苗苗. 植被覆盖度的遥感估算方法研究［D］.北京：中国科学院研究生院（遥感应用研究所），2003：28.

［20］ ANDRADE M D D， DELGADO R C， DA COSTA DE MENEZES S J M， et al. Evaluation of the MOD11A2 product for canopy temperature monitoring in the Brazilian Atlantic Forest［J］. Environmental Monitoring and Assessment， 2021， 193： 1-20.

［21］ 郑子豪，吴志峰，陈颖彪，等.基于Google Earth Engine的长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.

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

［23］ YANG J， HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019［J］. Earth System Science Data， 2021， 13（8）： 3907-3925.

［24］ 李兴奇，高晓红.服从不同分布数据的无量纲化方法研究［J］.统计与决策，2022，38（10）：31-36.

［25］ LI Z， CHAI Z， GUO Y， et al. Resonant quantum principal component analysis［J］. Science Advances， 2021， 7（34）： 2589.

［26］ 任晨阳.长三角地区生态环境质量与城市化时空耦合协调特征分析［D］.上海： 上海师范大学，2021：27.

［27］ ZHAO Y， HE C， ZHANG Q. Monitoring vegetation dynamics by coupling linear trend analysis with change vector analysis： a case study in the Xilingol steppe in northern China［J］. International journal of remote sensing， 2012， 33（1）： 287-308.

［28］ 陈彦光.基于Moran统计量的空间自相关理论发展和方法改进［J］.地理研究，2009， 28（6）：1449-1463.

［29］ 刘昭玥，费杨，师华定，等.基于UNMIX模型和莫兰指数的湖南省汝城县土壤重金属源解析［J］.环境科学研究，2021，34（10）：2446-2458.

［30］ 朱子明，祁新华.基于Moran'I的闽南三角洲空间发展研究［J］.经济地理，2009，29（12）：1977-1980+2070.

Analysis of Space-Time Characteristics of Ecological Environment Quality in the Yangtze River Delta

HOU Zi-yi， LUO Wen-hui， MA Jin-ji

（College of Geography and Tourism， Anhui Normal University， Wuhu 241002，China）

Abstract： The development of cities occupies a large amount of natural resources and poses a serious threat to human life and development. Objectively and meticulously assessing the quality of the ecological environment plays an important role in achieving the goal of sustainable development today. This paper takes the Yangtze River Delta as the research area. Based on the principle of remote sensing ecological index model， five indicators including greenness， humidity， heat， dryness， and abundance were extracted from MODIS related datasets and long-term land use datasets. The principal component analysis method was used to synthesize the indicators and quantitatively evaluate the ecological environment quality of the research area. Then， the spatial and temporal distribution characteristics of ecological environment quality in the Yangtze River Delta from 2001 to 2021 were analyzed by three scales： the pixel-level， the city-level and the county-level and the long-term spatial and temporal changes were analyzed by statistical analysis method. The results show that： 1） The spatial pattern of the ecological environment quality in the Yangtze River Delta varies greatly from north to south and from east to west， and the preliminary analysis shows that this phenomenon has a certain relationship with the economic level， topography and temperature of the city. 2） Based on the analysis of the change of ecological environment quality in the Yangtze River Delta in the long term， the ecological environment quality in most areas of the Yangtze River Delta has been reduced by varying degrees since 2001. 3） The aggregation characteristics of the ecological environment quality in the Yangtze River Delta present three kinds of situations. The southern region， mainly Zhejiang Province， shows an obvious "high - high" aggregation characteristics. The northern region， mainly northern Anhui Province， shows a "low - low" aggregation， while the eastern region， mainly Shanghai and its surrounding areas， generally shows a "low - low" aggregation.

Key words：the Yangtze River Delta; ecological environment quality; time and space change; trend analysis; spatial analysis

（责任编辑：巩 劼）