苏州市吴中区生态保护红线区生态环境质量定量评价

贾有余，李 辉，王钊齐，杜小龙，杨 悦，李建龙①

(1.内蒙古农牧业科学院资源环境与检测技术研究所，内蒙古 呼和浩特 010031；2.南京大学生命科学学院，江苏 南京 210093)

苏州市吴中区生态保护红线区生态环境质量定量评价

贾有余1,2，李 辉2，王钊齐2，杜小龙2，杨 悦2，李建龙1,2①

(1.内蒙古农牧业科学院资源环境与检测技术研究所，内蒙古 呼和浩特 010031；2.南京大学生命科学学院，江苏 南京 210093)

生态环境质量指数；空间主成分分析；生态红线保护区；坡向定量分异

生态保护红线指依法在重点生态功能区、生态环境敏感区和脆弱区等区域划定的严格管控边界,对于维护生态安全格局、保障生态系统功能和支撑经济社会可持续发展具有重要意义[1]。对已划定的生态红线生态环境质量进行评价,并进行有效保护,国内外尚无成功的经验可以借鉴。近年来,生态环境质量的研究方法主要有指数评价法[2]、人工神经网络评价法[3]和生态足迹法[4]等,这些方法往往存在评价指标的选择主观性强、评价模型不清晰、评价尺度较为笼统等问题。在评价的手段方面,近20 a来,基于遥感的生态环境质量评价渐成趋势,国内研究紧跟国际前沿。其中,燕守广等[5]通过分析生态系统服务功能的重要性,将江苏省划分为15类生态红线区域,分为两级管控。而在江苏省内,苏州市是全国率先进行生态红线划定工作的城市之一,2014年底出台《苏州市吴中区生态红线区域保护规划》,确定吴中区10个类型19个生态红线区域。对已划定的生态红线区域如何进行有效保护,国内目前正处于探索阶段[5]。

以苏州市吴中区陆域生态红线区为主要研究区域,利用多源数据从多指标、定量化、多时空的角度出发,利用空间主成分分析方法构建生态环境质量指数,探索生态红线区生态环境质量的变化特征和成因。研究结果不但能为苏州市吴中区生态红线区保护提供重要的数据支撑和科学依据,而且能为将来促进生态红线区的智能化动态监测和有效管控提供新思路和新方法。

1 研究区概况

苏州市吴中区位于苏州市南部和西部,地处长江下游、太湖之滨,地理位置为北纬30°56′～31°21′,东经119°55′～120°54′。全区总面积为745 km2(不含太湖水域),太湖水域面积为2 425 km2,其中,属吴中区的水域面积约为1 486 km2。全境东西长92.95 km,南北宽48.1 km,整个地势自西向东微微倾斜,平原海拔高度由6.5 m降至2 m左右,略呈西高东低态势,地处中国大陆东部沿海,位于北亚热带湿润的季风气候区。全境东部以平原为主,由水网平原、低洼圩田平原、湖荡水网平原、滨湖水网平原和山前冲积平原构成;西部有低山丘陵,系浙西天目山向东北延伸的余脉,呈岛状分布在除东部甪直以外的太湖之中和沿岸。境内山脉最高峰为穹窿山主峰——笠帽峰,海拔为341.7 m,其次为西山主峰——缥缈峰,海拔为336.6 m[6]。

该文研究区分布于苏州市吴中区陆域的生态红线区域,属于吴中区环境保护局与南京大学协同制定的《编制苏州市吴中区生态红线保护区管控措施实施细则》的划定范围。西山风景名胜区、东山风景名胜区、甪直风景名胜区、石湖风景名胜区、东吴国家森林公园、清明山生态公益林、渔洋山生态公益林、藏书生态公益林、木渎风景名胜区、光福风景名胜区、米堆山生态公益林和玉屏山生态公益林面积分别为 8 488.09、3 294.72、1 661.14、1 360.57、1 200.01、196.62、399.43、1 470.07、926.12、1 217.03、

312.98和193.28 hm2。

2 数据来源与处理方法

2.1 数据来源

2.1.1 遥感数据

选用陆地卫星Landsat-5 TM(thematic mapper)、Landsat-7 ETM+(enhanced thematic mapper plus)、Landsat-8 OLI(operational land imager)和TIRS(thermal infrared sensor)传感器影像用于吴中区生态红线区域生态质量和生态价值时空变化研究。研究区卫星轨道号为119038,影像中心点坐标为31°46′07″ N,120°23′31″ E,分辨率为30 m×30 m,投影坐标系为通用横墨卡托格网系统(universal transverse Mercartor grid system，UTM),地理坐标系为1984年世界大地坐标系统(world geodetic system 1984，WGS84),整景影像行列号为7961×7271。数据获取情况见表1,累计获取2000—2015年影像13景。为了研究方便,影像均获取自7—8月间同期,其中,2005、2007和2012年7—8月因云的覆盖度较大而未获取。

表1 Landsat系列遥感影像数据获取情况Table 1 Data acquisition from Landsat images

2.1.2 气象数据

反演地表温度的气象数据基于苏州市吴中区周边8个气象站和4个辐射站,包括2000—2015年月平均气温、月降水量和月太阳总辐射。数据获取于中国气象科学数据共享服务网(http:∥data.cma.cn),利用克里金插值法将基于气象站点的气象参数插值为栅格面,分辨率为30 m×30 m,投影坐标系和地理坐标系与遥感数据一致。

2.1.3 高程数据

数字高程模型(digital elevation model,DEM)是用一组有序数值阵列形式表示地面高程的一种实体地面模型。数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http:∥www.gscloud.cn),分辨率为30 m×30 m,以遥感数据为基准图像,选用ENVI 5.0软件对DEM数据进行配准,并添加投影坐标UTM ZONE 51N。

2.2 处理方法

2.2.1 改进的归一化差异水体指数掩膜

该方法适用于陆域,对水域不作研究,因此,需要将水域掩膜去除。利用改进的归一化差异水体指数(modified normalized difference water index,MNDWI,IMNDW)对吴中区水域进行提取[7],用水域掩膜去除吴中区遥感影像的水域部分。IMNDW估算公式为

(1)

式(1)中,G为绿色波段反射率;M为中红外波段反射率。

2.2.2 净初级生产力

归一化差值植被指数(normalized difference vegetation index,NDVI,INDV)指绿色植物在单位时间和单位面积上所累积的有机干物质总质量,是从光合作用所产生的有机物总质量中扣除自养呼吸后的剩余部分[8]。利用INDV可使植被从水和土中分离出来[9]。

INDV=(ANIR-AR)/(ANIR+AR)。

(2)

式(2)中,ANIR和AR分别为近红外波段和红波段处的反射率。

用光能利用率(CASA)模型[10]来估算净初级生产力(net primary productivity,NPP,PNP),NPP可由植物吸收的光合有效辐射(absorbed photosynthetically active radiation,APAR,RAPA)和实际光能利用率(θ)进行估算[11],估算公式为

PNP(x,t)=RAPA(x,t)×θ(x,t)。

(3)

式(3)中,PNP(x,t)为像元x上植被在t时间内的净初级生产力(以C计),g·m-2;RAPA(x,t)为像元x上植被在t时间内吸收的光合有效辐射量,MJ·m-2;ε(x,t)为像元x上的植被在t时间内的光合转换率(以C计),g·MJ-1。

RAPA(x,t)=LSO(x,t)×RFPA(x,t)×0.5。

(4)

式(4)中,LSO(x,t)为像元x上植被在t时间内的太阳总辐射量,MJ·m-2;RFPA(x,t)为植被层对入射光合有效辐射的吸收比例,由INDV决定;常数0.5为植被层能利用的太阳有效辐射占太阳总辐射的比例。

ε(x,t)=Tε1(x,t)×Tε2(x,t)×Wε(x,t)× εmax。

(5)

式(5)中,Tε1(x,t)和Tε2(x,t)分别为高温和低温对光能利用率的胁迫作用;Wε(x,t)为水分胁迫系数;εmax为理想条件下最大光能利用率(以C计),g·MJ-1。

2.2.3 地表温度

遥感影像的热红外波段可以用来反演地表温度,其像元所对应的灰度值(DN)越大,则温度越高[12]。可以用辐射传输方程算法和单通道算法进行地表温度反演,该文研究区域主要是林地,相关研究表明上述2种算法对林地地表温度(land surface temperature,LST,TLS)反演的精度差异很小[13],因此,选择辐射传输方程算法来反演地表温度,估算公式为

Lλ=[ε×B(TLS)+(1-ε)×L↓]×τ+ L↑。

(6)

式(6)中,Lλ为热红外辐射亮度,W·m-2·sr-1·μm-1;ε为地表辐射率;B(TLS)为普朗克定律推算得到的黑体在TLS(单位为°C)条件下的热辐射亮度,W·m-2·sr-1·μm-1;L↓和L↑分别为下行和上行辐射亮度,W·m-2·sr-1·μm-1;τ为大气在热红外波段的透过率。温度为TLS的黑体在热红外波段的辐射亮度B(TLS)计算公式为

B(TLS)=[Lλ-L↑-τ×(1-ε)× L↓]/τ×ε。

(7)

式(7)中,各项参数可在美国太空总署(NASA)官网(http:∥atmcorr.gsfc.nasa.gov/)中查询得到。在ETM+影像的2个热红外波段中,选择第6波段，反演的地表温度则具有较高的灵敏度[14]。TLS的反演如式(8)所示。

TLS=K2/ln [K1/B(TLS)+1]。

(8)

式(8)中，K1和K2为校订常数,对于TM,K1=666.09 W·m-2·sr-1·μm-1,K2=1 282.71 K;对于ETM+,K1=666.09 W·m-2·sr-1·μm-1,K2=1 260.56 K;对于TIRS,K1=774.89 W·m-2·sr-1·μm-1,K2=1 321.08 K。最后求得TLS值,个别年份因为云的影响而存在异常值,将TLS<20 ℃的像元赋值为整幅影像的平均值。

2.2.4 地表裸露度

地表裸露度表示地表裸土的裸露程度,其亮度可以直接反映裸土的裸露强度,归一化不透水指数(normalized difference impervious index,NDII,INDI)与遥感影像中地物的反射率和热红外辐射高度相关,是裸土与植被等地物的相对值,在一定程度上反映了地表裸土的裸露程度。仍利用像元二分模型基于NDII的Fb来估算地表裸露度。Fb不同于植被覆盖度之处在于其可以反映地物的反射率和温度属性,从而丰富了生态系统环境质量研究方法和内容。INDI的计算公式为

INDI=(V-RTI)/(V+RTI)。

(9)

式(9)中,V为可见光波段反射率,如TM影像第1、2和3波段;RTI为热红外波段辐射亮度,如TM影像第6波段。为了使研究结果精确性更高,根据文献[15],选择TM影像的第3和第6波段,以及Landsat 8影像的第4和第10波段来计算INDI,其中,对于ETM+影像第6波段,选择格式2的高增益数据。Fb计算公式为

Fb=(INDI-INDI,min)/(INDI,max-INDI,min)。

(10)

式(10)中,INDI,max一般为影像中城镇居民区温度高、反射率大的像元值;INDI,min一般为影像中植被覆盖率高、温度低的像元值。为了去除异常值的干扰,选择累积概率为5%和95%的像元INDI值作为INDI,min和INDI,max。

2.2.5 植被覆盖度

植被覆盖度指植被(包括叶、茎、枝等)在地面的垂直投影面积占统计区总面积的比例,主要用遥感方法来估算区域的植被覆盖度。INDV能较好地反映植被覆盖度和生长状况的差异,利用INDV的像元二分模型[16]近似估算Fv的公式为

Fv=(INDV-INDV,min)/(INDV,max-INDV,min)。

(11)

式(11)中,Fv为像元的植被覆盖度;INDV,max和INDV,min分别为区域内最大和最小NDVI值。

2.2.6 生态环境质量指数

空间主成分分析是一种多元统计分析方法,指采用ArcGIS 10.1或ENVI 5.1等软件将多元属性空间中输入波段内数据变换到相对于原始空间对轴进行旋转的新的多元属性空间,新空间中的轴(属性)互不相关,从而对数据进行变换,可以消除高度相关的多光谱影像的各波段之间冗余信息来压缩数据,将多波段影像压缩为少数几个互不相关的主成分波段,从而简化研究[17]。利用ENVI 5.1软件的Forward PCA Rotation New Statistics and Rotate工具对各项生态环境质量指数指标进行空间主成分分析,获得各指标在模型构建中的贡献率[18],构建生态因子(Ef)的模型,Ef可以用来定量评价生态系统环境质量的优劣,其值越高,说明该生态系统结构越合理、稳定,自我调节功能和恢复能力越强。模型构建步骤如下:

(1)Fv的取值区间为[0,1],对Fb、LST和NPP进行归一化处理,将Fb和LST对生态系统有利的值归一化到高值区,不利的值归一化到低值区,各项指标范围界定在[0,1]之间。

(2)建立NPP、LST、Fb和Fv的相关关系矩阵R。

(3)求相关关系矩阵R的特征值λi和相应的特征向量矩阵A。

(12)

Ef=(IEQ-IEQ,min)/(IEQ,max-IEQ,min)。

(13)

利用ENVI 5.1软件的Forward PCA Rotation New Statistics and Rotate工具实现步骤(3)和(4)。式(13)中,Ef为生态因子,由IEQ归一化得到,其范围界定在[0,1]之间。将归一化后的Ef划分为5个等级,建立苏州市吴中区重要生态红线区生态环境质量分级标准(表2)。

2.2.7 变化趋势和显著性检验

为研究2000—2015年苏州市吴中区重要生态红线区域像元尺度的年际变化规律,对研究区域的每个像元建立线性回归模型,用单个像元的线性回归系数代表该像元值的年际变化率,可用最小二乘法表示,公式为

(14)

表2 苏州市吴中区重要生态红线区生态环境质量分级标准Table 2 Eco-environment quality standard for grading of important terrestrial ecological red line areas in Wuzhong District, Suzhou City

变化趋势的显著性检验采用F检验法进行检验,显著性表示变化趋势可置信程度的高低。可用式(15)来检验回归方程〔式(14)〕的显著性:

(15)

式(15)中,各项参数同式(14);F检验的回归自由度df1=1,剩余自由度df2=n-2=11。

2.2.8 数据处理分析

采用SPSS 22.0和Excel 2016软件进行数据处理和表格制作,采用ArcGIS 10.1软件制图。其中,采用SPSS 22.0中的ANOVA法进行方差分析。

3 结果与分析

3.1 不同时空生态环境质量分级结果

图1 月平均生态因子f)的空间分布Fig.1 Spatial distribution of f

3.2 不同时空生态环境质量变化趋势和显著性检验

图2显示，苏州市吴中区重要生态红线区近16 a的生态因子变化率(ΔEf)变化不大,在[-0.08,0.06]之间,占研究区总面积43%的区域ΔEf<0,57%的区域ΔEf>0,总体上,ΔEf减少和增加的面积各占50%。ΔEf≤-0.06的区域面积比例以甪直风景名胜区为最大,为11%,其他各生态红线区在2%以下,总体为1%;ΔEf为>-0.06～-0.04的区域面积比例以甪直风景名胜区为最大,为20%,其他各生态红线区在0～5%之间,总体为4%;ΔEf为>-0.04～-0.02的区域面积比例以甪直风景名胜区为最大,为24%,其他各生态红线区在2%～12%之间,总体为9%;就ΔEf为>-0.02～0的区域面积比例而言,各生态红线区在19%～42%之间,总体为29%;ΔEf为>0～0.02的区域面积比例以甪直风景名胜区为最小,为16%,其他各生态红线区在39%～67%之间,总体为51%;就ΔEf为>0.02～0.04的区域面积比例而言,各生态红线区在0～10%之间,总体为5%;就ΔEf>0.04的区域面积比例而言,各生态红线区在0～10%之间,总体为1%。

ΔEf减少的区域主要集中在甪直风景名胜区，西山风景名胜区环岛公路、山间公路、东中部沿岸及西南部沿岸鱼塘一带,东山风景名胜区西部沿岸一带,木渎风景名胜区东部及西部,石湖大部分范围,其他生态红线区域有零星分布。ΔEf增加的区域主要集中在西山风景名胜区中西部、东山风景名胜区中东部、木渎风景名胜区中部、藏书生态公益林大部分、东吴国家森林公园和渔洋山大部分范围。

从F检验的空间分布(图3)来看,2000—2015年16 a间,苏州市吴中区重要生态红线区总体上有1 486.54 hm2的区域(占8%)ΔEf表现为极显著减少,1 464.41 hm2的区域(占8%)表现为显著减少,1 890.71 hm2的区域(占10%)表现为显著增加,1 758.16 hm2的区域(占9%)表现为极显著增加,其他区域表现为无显著变化。

图2 生态因子变化率(ΔEf)的空间分布Fig.2 Spatial distribution of ΔEf

图3 生态因子变化率(ΔEf)显著性检验的空间分布Fig.3 Spatial distribution of ΔEf significance test

3.3 不同时空生态环境质量的坡向分异结果

由Ef的坡向分异情况(图4)可以看出,近16 a来,苏州市吴中区生态红线区的生态环境质量整体上表现为越靠近东坡和南坡坡向越好,东坡坡向最好,其中,东坡坡向在海拔225～275 m范围内最好,越靠近西坡和北坡坡向越差,西北坡向最差。总体上,各坡向的生态环境质量随着海拔的增加而逐渐变好,随后在海拔250～275 m以上变差,东坡坡向比西坡坡向变化幅度大。

图4 月平均生态因子f)的坡向分异Fig.4 Slope directive variance of f

由ΔEf的坡向分异情况(图5)可以看出,生态环境质量变差趋势最明显的地方集中在海拔200 m以上,整体上,越靠近北坡和西坡坡向,变差趋势越明显,其中,北坡偏西北坡的坡向变差趋势最明显;而生态环境质量变好趋势最明显的地方集中在海拔30～100 m之间,整体上,越靠近北坡，坡向变好的趋势越明显,其中,在北坡坡向变好的趋势最明显。总体上,各坡向的生态环境质量变化率随着海拔的增加而逐渐增加,随后,在海拔100 m以上开始减少,北坡坡向变化幅度比南坡坡向大。

图5 生态因子变化率(ΔEf)的坡向分异Fig.5 Slope directive variance of ΔEf

4 结论

2000—2015年,苏州市吴中区重要生态红线区的生态环境质量整体上呈变好趋势,而部分区域呈变差趋势,人类可到达性越低的区域生态环境质量越好,生态环境质量变差的地区往往集中于公路地带和居民聚集地。经遥感影像目视解译,2000年,重要生态红线区内公路网较稀疏,2003—2006年间,各重要生态红线区内快速修路造桥,到2015年,公路网相对2000年更加密集,而这些公路沿线地区都是生态环境质量变差的区域,就笔者研究来看,人类活动对生态环境质量的影响要高于其他因素。

由坡向分异结果可以看出,限于山地生态系统的自然属性,山顶的资源较贫瘠,海拔较高的地方生态环境质量较差。不同区域生态环境质量存在坡向差异性,可能是气候原因所致。苏州市吴中区属于北亚热带季风气候区,太阳辐射、气温和降水量因地形、坡向等差异而形成各种独特的小气候,在长期的气候性演替条件下,不同坡向形成不同的生态系统类型,并且不同坡向的土壤属性存在差异性,生长的植物种类也有所差别。

实际调查结果发现,东吴国家森林公园的生态环境质量保护得较好,但存在生物入侵现象,尤其是竹类植物入侵速度较快。生态红线区生态环境质量变差的主要原因有:自然与人文景观系统分散,破碎化严重,生物多样性下降,生态林次生化与退化严重,人工养殖与开山种植活动频繁,生活污染与工业污染并存,自然生态系统退化及受外来物种入侵影响严重等。值得一提的是,东吴国家森林公园和石湖风景名胜区被不同乡镇分割开,乡镇的边界则以公路为界,一个完整的生态红线区的生态系统破碎化,容易使得整个生态红线区缺乏整体性保护。笔者研究以遥感影像为基础,模拟城市生态环境质量遥感指标,提出基于城市的地表裸露度指标,构建生态环境指数模型用于定量评价苏州市吴中区2000—2015年间生态环境质量变化,实现了城市生态环境质量在空间区域的定量表达,为城市生态环境质量的快速、准确监测提供了新方法。

然而,遥感手段的使用也存在局限性,城市生态系统作为自然、经济、社会的结合体,其生态环境的影响因子错综复杂,重金属、噪声、大气、水体污染等对生态环境质量也会产生重要影响,这类污染源目前还难以用遥感的手段进行监测,因此,利用遥感技术的优点,综合社会、经济及观测站点数据将使生态环境质量变化评价更加全面。

城市生态环境质量是随着时间变化而渐变的过程,笔者研究中所使用的遥感数据尽量保持在每年的相同季节,以保持评价结果的可比性。理论上,提高遥感影像的时间和空间分辨率将会使生态环境质量监测结果更加可靠,但受遥感卫星本身重访周期、成像分辨率、成像质量的限制,在同一研究地长时间序列上的监测中,很难保持数据的完整、统一。因此,针对现有的Landsat卫星影像,对已有数据进行拟合以保持时间序列上的一致性,将有助于提高生态环境质量遥感监测结果的可靠性。

[1] 环发[2015]56号,生态保护红线划定技术指南[S].

[2] 徐燕,周华荣.初论我国生态环境质量评价研究进展[J].干旱区地理,2003,26(2):166-172.[XU Yan,ZHOU Hua-rong.A Preliminary Study on Advances in Assessment of Eco-Environmental Quality in China[J].Arid Land Geography,2003,26(2):166-172.]

[3] 李祚泳,邓新民.综合环境质量的B-P网络二级评价[J].环境科学研究,1995,8(3):32-35.[LI Zuo-yong,DENG Xin-min.Two Classes Assessment of Comprehensive Environmental Quality Based on B-P Neural Network[J].Research of Environmental Sciences,1995,8(3):32-35.]

[4] 徐中民,陈东景,张志强,等.中国1999年的生态足迹分析[J].土壤学报,2002,39(3):441-445.[XU Zhong-min,CHENG Dong-jing,ZHANG Zhi-qiang,etal.Calculation and Analysis on Ecological Footprints of China[J].Acta Pedologica Sinica,2002,39(3):441-445.]

[5] 燕守广,林乃峰,沈渭寿，等.江苏省生态红线区域划分与保护[J].生态与农村环境学报,2014,30(3):294-299.[YAN Shou-guang,LIN Nai-feng,SHEN Wei-shou,etal.Delineation and Protection of Ecological Red Lines in Jiangsu Province[J].Journal of Ecology and Rural Environment,2014,30(3):294-299.]

[6] 苏州市吴中区发展改革局,苏州市吴中区统计局.吴中统计年鉴2014[M].北京:方志出版社,2014:1-80.[Wuzhong District Suzhou Development and Reform Bureau,Wuzhong District Bureau of Statistics of Suzhou.Wuzhong Statistical Yearbook 2014[M].Beijing:Local Press,2014:1-80.]

[7] 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报,2005,9(5):589-595.[XU Han-qiu.A Study on Information Extraction of Water Body With the Modified Normalized Difference Water Index(MNDWI)[J].Journal of Remote Sensing,2005,9(5):589-595.]

[8] LIU J,CHEN J M,CIHLAR J,etal.Net Primary Productivity Distribution in the BOREAS Region From a Process Model Using Satellite and Surface Data[J].Journal of Geophysical Research Atmospheres,1999,104(D22):27735-27754.

[9] ROUSE J W,HAAS R H,SCHELL J A,etal.Monitoring Vegetation Systems in the Great Plains With Erts[J].Nasa Special Publication,1974,351:309-317.

[10]ZHOU W,GANG C C,ZHOU L,etal.Dynamic of Grassland Vegetation Degradation and Its Quantitative Assessment in the Northwest China[J].Acta Oecologica,2014,55:86-96.

[11]朱文泉.中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究[D].北京:北京师范大学,2005.[ZHU Wen-quan.Estimation of Net Primary Productivity of Chinese Terrestrial Vegetation Based on Remote Sensing and Its Relationship With Global Climate Change[D].Beijing:Beijing Normal University,2005.]

[12]WANG F,QIN Z H,SONG C Y,etal.An Improved Mono-Window Algorithm for Land Surface Temperature Retrieval From Landsat 8 Thermal Infrared Sensor Data[J].Remote Sensing,2015,7(4):4268-4289.

[13]刘冰,包国涛,彭凯,等.基于Landsat TM影像不同地表温度反演算法的比较[J].地理信息世界,2015,22(3):57-61.[LIU Bing,BAO Guo-tao,PENG Kai,etal.Comparison of Different Land Surface Temperature Algorithms Based on Landsat TM Images[J].Geomatics World,2015,22(3):57-61.]

[14]刘春国,卢晓峰,高松峰.Lansat-7 ETM+热红外波段高低增益状态数据反演亮度温度比较研究[J].河南理工大学学报(自然科学版),2011,30(5):561-566.[LIU Chun-guo,LU Xiao-feng,GAO Song-feng.Comparison of Brightness Temperatures Inversed Form High and Low Gain State Data of Lansat-7 ETM+Thermal Infrared Band[J].Journal of Henan Polytechnic University(Natural Science),2011,30(5):561-566.]

[15]WANG Z Q,GANG C C,LI X L,etal.Application of a Normalized Difference Impervious Index NDII to Extract Urban Impervious Surface Features Based on Landsat TM Images[J].International Journal of Remote Sensing,2015,36(4):1055-1069.

[16]李苗苗.植被覆盖度的遥感估算方法研究[D].北京:中国科学院遥感应用研究所,2003.[LI Miao-miao.The Method of Vegetation Fraction Estimation by Remote Sensing[D].Beijing:Institute of Remote Sensing Applications Chinese Academy of Sciences,2003.]

[17]杨诸胜.高光谱图像降维及分割研究[D].西安:西北工业大学,2006.[YANG Zhu-sheng.Research on Dimensionality Reduction and Segmentation of Hyperspectral Image[D].Xi′an:Northwestern Polytechnical University,2006.]

[18]邓书斌,陈秋锦,杜会建,等.ENVI遥感图像处理方法[M].北京:高等教育出版社,2014:115-117.[DENG Shu-bin,CHEN Qiu-jin,DU Hui-jian,etal.ENVI Remote Sensing Image Processing Method[M].Beijing:Higher Education Press,2014:115-117.]

(责任编辑：李祥敏)

Quantitative Evaluation of Eco-Environment Quality of the Terrestrial Ecological Red Line Area in Wuzhong District, Suzhou City.

JIAYou-yu1,2,LIHui2,WANGZhao-qi2,DUXiao-long2,YANGYue2,LIJian-long1,2

(1.Institute of Resources and Environment and Testing Technology Sciences, Inner Mongolia Academy of Agricultural and Animal Husbandry Sciences, Hohhot 010031, China;2.School of Life Sciences, Nanjing University, Nanjing 210093, China)

eco-environmental quality index; spatial principal component analysis; terrestrial ecological red line areas; quantitative slope directive variance

2016-09-21

苏州市科技计划〔科技支撑计划-农业项目(SNG201447)〕;江苏省农业三新工程项目(SXGC[2014]287);APN全球变化项目(ARCP2015-03CMY-Li);国家自然科学基金(41271361);国家重点基础研究发展计划(2010CB950702);苏州市吴中区生态红线区域保护规划项目(2014WZHB01)

① 通信作者E-mail: jlli2008@nju.edu.cn

X826;X821;X87

A

1673-4831(2017)06-0525-08

10.11934/j.issn.1673-4831.2017.06.006

贾有余(1960—),男,内蒙古呼和哠特人,工程师，学士,主要研究方向为农牧业生态与环境保护。E-mail: jiayouyujiayouyu@126.com