银川市生态环境质量时空演变及驱动因子分析

王佳蓉,何 杰,屈国兴,侯嘉烨,王恒恒

(宁夏大学地理科学与规划学院,银川 750021)

【研究意义】生态环境是人类生存的基本保障和社会发展的基础,生态环境动态变化将直接影响人类的生活质量[1]。生态环境质量一般指特定时空范围内的资源和环境要素下生态环境的优劣程度[2]。开展生态环境评价与监测有助于了解生态环境质量状况及变化趋势,为生态环境保护决策提供科学参考。将遥感技术和地理信息技术相结合进行对地观测分析,具有快速、实时、覆盖面广的优势,被广泛应用于生态环境监测中。利用遥感技术构建的评价指标已成为监测区域生态环境质量的重要手段。【前人研究进展】植被覆盖度、归一化植被指数(NDVI)已被广泛用于评估植被生长及变化[3-6];地表温度(LST)被用于研究城市热岛效应[7],水体指数被用于评估生境适宜性或干旱状况[8-9],土地利用变化被用于探究生态环境效应[10]。以上指标均是针对某一生态环境领域的细化单一指标,生态环境由复杂的生态系统组成,受多种因素影响,基于单因子指标的评价方法无法全面反映区域生态环境质量的系统性变化,多因子评价比单因子更有优势[11]。我国生态环境部于2006年提出生态环境状况指数(Ecological index,EI),利用生物丰度、植被覆盖度、水网密度等指标对生态环境进行综合评价和系统分析,被广泛应用于评价生态环境承载力[12]。EI只能提供对地区生态状况的概括性描述,不能详细描述该地区各种环境条件的局部分布及内部差异,且各评价因子权重需要通过实验反复确定,权重设置人为干扰因素较大,应用领域不同,权重不同。2013年,徐涵秋等[13]提出遥感生态指数(Remote sensing ecological index,RSEI),该指数可以减少评估过程中人为因素的影响,克服EI的空间可视化困难,已被广泛用于监测区域生态环境质量[14-16]。国内外学者从不同角度和尺度来探究区域生态环境质量状况,准确地了解和评估地区环境发展的动态变化[17-18],验证现行环境治理政策的成效,为后续精准治理生态环境提供科学依据和参考,基于RSEI的区域生态环境质量评价已成为该领域的重点研究方向[19-20]。【本研究切入点】多数研究经常选用间隔5或10年的遥感影像进行RSEI评估[21],针对区域连续长时间序列的区域生态环境质量监测相对较少,若将其应用于区域长时间尺度的动态监测研究,使用传统方式构建RSEI面临着数据量大、部分影像像素点缺失、数据预处理和指数计算过程繁杂等困难[22]。云计算平台的出现改变了传统地理空间数据存储、管理和分析的方式。其中,Google Earth Engine平台是能进行高性能并行运算的云服务平台,其拥有大量遥感影像数据存档且具有高性能计算和大数据处理能力,被广泛应用于科学研究[23]。GEE平台是通过API(Application programing interface)和基于Web的交互式开发环境实现对GEE平台云端数据的访问、操作及可视化等[24]。银川市地处干旱半干旱区域,生态系统较不稳定,近年来快速城镇化更对生态情况形成威胁,面临着植被退化、湿地减少等区域生态问题,因此如何“及时、快速、科学的”监测与评价银川市生态环境质量变化成为亟待解决的问题。【拟解决的关键问题】基于Landsat 5、Landsat 7和Landsat 8系列数据,以宁夏银川市为研究区,提取统计绿度、湿度、干度、地表温度等生态指标,耦合构建遥感生态指数(RSEI),重构银川市2000—2020年生态环境质量动态变化,探究该地区生态环境质量时空分布特征和变化趋势,并分析影响生态环境的主导因子和交互因子,以期为银川市环境保护、生态修复工作及更加科学合理地制定区域发展规划提供理论参考和科学依据。

1 材料与方法

1.1 研究区概况

银川市位于中国西北地区、宁夏平原中部(图1),是黄河流域生态保护的重要屏障,属于温带大陆性气候,四季分明,春迟夏短,秋早冬长,昼夜温差大,雨雪稀少,蒸发强烈,气候干燥,风大沙多。银川市地形主要由山地和平原构成,西部、南部较高,北部、东部较低,略呈西南-东北方向倾斜。地貌类型多样,自西向东分为贺兰山山地、冲积扇前倾斜平原、洪积冲积平原、冲积湖沼平原、河谷平原。黄河穿境而过,跨灵武市、永宁县、兴庆区和贺兰县,形成众多湖泊湿地,对改善生态环境具有天然资源优势。银川市生态系统稳定性较差,面临植被退化、湿地减少等系列区域生态环境问题;因此,对银川市进行生态环境质量监测与分析具有重要意义。

基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作,底图边界无修改。The standard map with the approval number GS(2019)1822 downloaded from the standard map service website of the National Bureau of Surveying, Mapping and Geographic Information is made, and the base map boundary is not modified.

1.2 数据来源及处理

研究采用的数据主要有Landsat系列数据集、降水、气温、DEM、GDP、土地利用数据、夜间灯光和PM2.5数据,数据详细信息见表1。通过JavaScript API 在GEE平台上在线访问研究区范围内2000—2020年植被生长季(6—9月)的Landsat 5 TM、Landsat 7 ETM、Landsat 8 OLI地表反射率数据集,该数据已进行几何校正、大气校正等预处理。使用时序插值的方法对空值进行填充,即采用线性内插的方法对时序光谱曲线中部分缺失数据依据其时间前后的光谱信息对其插值,并利用MASK算法对数据进行去云处理,减少干扰,为了避免水体对主成分载荷的影响,利用归一化差异水体指数(MNDWI)获取水体掩膜并去除水体。影响因子数据处理具体包括:在ArcGIS 10.6中经多次实验,确定创建500 m×500 m矩形网络,生成24 827个采样点,利用自然断点法将因变量RSEI和所有自变量数据划分为九类,将样点输入地理探测器,进行驱动因子分析量化[25]。

表1 数据详细信息

1.3 研究方法

1.3.1 基于GEE平台的RSEI构建与计算 基于GEE平台,提取研究区的绿度、湿度、干度和热度指标,调用主成分分析算法合成RSEI。对以上分量指标归一化[26],通过主成分分析,得到第一主成分PC1,对PC1进行正负转置得到遥感生态指数初始值RSEI0,将RSEI0归一化处理得到遥感生态指数(RSEI),公式如下:

RSEI0=1-PC1[f(NDVI,WET,NDBSI,LST)]

(1)

RSEI=(RSEI0-RSEI0min)/(RSEI0max+RSEI0min)

(2)

式中,NDVI、WET、NDBSI和LST指绿度、湿度、干度、热度,计算公式见徐涵秋[13]的方法。RSEI0max指遥感生态指数初始值的最大值,RSEI0min是其最小值。RSEI取值范围在[0,1],值越大,说明生态环境状况越好。

1.3.2 相关性分析莫兰指数 空间自相关包括全局空间自相关(Global Moran’sI)和局部空间自相关(Local Moran’sI)。RSEI空间相关性分析可用于描述区域生态环境质量变化同质性分布[27]。Global Moran’sI指数揭示空间相邻单元RSEI变化值的相互关系模式,即评估它是聚类的、分散的还是随机的,其绝对值接近1,空间自相关更强,计算公式如下:

(3)

为探究银川市生态环境质量的高-高和低-低空间集聚区,了解生态环境质量的局部空间分布特征,基于GeoDa软件,采用局部莫兰指数(Local Moran’sI)LISA进行局部空间自相关分析,公式如下:

(4)

基于Origin软件,采用Pearson相关性分析可以定量分析RSEI变化与各分量(NDVI、WET、LST和NDBSI)[28]变化之间的相关性,计算公式如下:

(5)

式中,变量X表示RSEI变化,Y表示影响RSEI变化的各分量指标。

1.3.3 地理探测器 地理探测器是探究地理现象空间异质性,并揭示其驱动因子的一种统计学模型[29]。被广泛应用于探测环境、植被和土地研究等方面。基于Excel软件中的GeoDetector插件,通过因子探测和交互作用探测分析遥感生态指标[30](NDVI、WET、NDBSI和LST)、降水、气温、高程、坡度、GDP、聚落聚集度、夜间灯光和PM2.5等12个因子对生态环境的影响力程度和交互作用。

因子探测。因子探测用于探测生态环境空间分异及驱动因子的影响水平。

(6)

式中,q表示12个影响因子对RSEI的解释力,q∈[0,1];h为自变量的分层序号;Nh和N为层h和区域内的单元数;σh和σ2分别表示层h和区域内Y值的方差;SSW表示层内方差之和;SST表示全区总方差。

交互作用探测。交互探测用于研究多因子交互作用对生态环境质量的影响。分别计算任意两个因子X1与X2叠加后的q值[q(X1∩X2)],判断各因子交互作用程度(表2)。

表2 因子交互探测作用判断

2 结果与分析

2.1 各指标主成分分析

基于研究区遥感影像提取NDVI、WET、NDBSI和LST指标,利用主成分分析方法计算RSEI。由表3可知,除2017年和2018年外,其余年份的PC1特征值贡献率均在75%以上,即第一主成分PC1中包含4个指标中多数与生态环境质量相关的主要信息,可以最大程度集中NDVI、WET、NDBSI和LST 4个分量指标的特征,因此可以选用第1主成分的结果计算RSEI表征研究区生态环境质量;21年中,有17个年份PC1特征值贡献率超过80%,表明RSEI模型在银川市的生态环境质量评价中适用性较好。

表3 2000—2020年分量指标的主成分分析

2.2 银川市生态环境质量时空变化分析

2.2.1 生态环境质量时间变化 为准确判断银川市生态环境质量的时间变化趋势,将RSEI进行分段线性拟合(图2)。

图2 银川市遥感生态指数的分段拟合结果Fig.2 RSEI segment-fitting results in Yinchuan city

银川市生态环境质量变化总体呈“上升—下降—缓慢上升”趋势。银川市RSEI在2000—2007年呈上升状态(表4),斜率为0.01,2007—2013年呈下降阶段,斜率为-0.0129,2013—2020年的拟合结果呈缓慢上升趋势,斜率为0.0056。

表4 线性拟合参数

从图3可知,RSEI均值从2000年的0.39增长到2020年的0.42,2001年出现最低值(0.37),2007年出现峰值(0.47),即银川市的生态环境质量在2000—2007年呈波动式上升趋势,在2007—2013年呈退化状态,2013—2020年生态环境质量逐渐得到改善。

图3 2000—2020年银川市的遥感生态指数Fig.3 RSEI of Yinchuan city from 2000 to 2020

2.2.2 生态环境质量空间变化 应用GEE平台计算得出银川市2000—2020年RSEI指数等级分布(图4),参考《生态环境状况评价技术规范》[12]中的生态环境分级标准和以往学者的研究成果[13],研究以0.2为间隔将RSEI值划分为5个等级:差[0,0.2)、较差[0.2,0.4)、一般[0.4,0.6)、良[0.6,0.8)和优[0.8,1),从该指数可以得出区域生态环境质量空间分布及变化情况。银川市生态环境质量总体分布特点表现为北部优于南部,主要原因是北部湖泊湿地众多,黄河穿境而过,水热条件组合较好。生态环境质量等级为“中等”和“良好”的区域主要分布在银川市中部的耕地区域、黄河两岸地带及贺兰山自然保护区;等级为“较差”和“差”的区域主要分布在贺兰山洪积扇、城市建成区和南部的灵武市戈壁滩区域。2007年以后,城市建成区不断扩大,部分水域面积减少,对生态环境质量造成一定影响,生态环境质量“较差”和“差”等级的区域面积占比增加。随着银川市生态保护修复工程推进,生态环境逐渐好转,生态环境质量由中部向南北两侧逐渐改善,“中等”和“良好”等级的区域面积占比逐渐提高,南部的灵武市生态环境质量等级由“差”和“较差”逐渐转为“中等”,研究区在城市建成区不断扩张的情况下生态环境总体上有所改善,生态修复工作对提高环境质量等级具有重要意义。

图4 银川市生态环境质量等级空间分布Fig.4 Spatial distribution of eco-environmental quality level in Yinchuan city

从图5可知,2000—2007年银川市生态环境质量提高,生态环境质量为“差”和“较差”的区域面积减少573.50 km2,所占比例呈波动式下降趋势,共下降6.95%;生态环境质量等级为“优”和“良”的区域面积增加495.54 km2,其占比也不断增加,共增加5.85%;生态环境质量等级为“中等”的区域面积占比变化幅度较小。2007—2013年银川市生态环境质量等级为“差”和“较差”的区域面积增加596.43 km2,占比由56.12%增加至62.87%;生态环境质量“优”等级和“良”等级的区域面积减少661.68 km2,占比由32.46%减少至24.26%,表明在该期间生态环境退化。2013—2020年银川市生态环境质量等级为“差”和“较差”的区域面积减少628.22 km2,占比减少9.07%;等级为“优”和“良”的区域面积增加419.04 km2,占比增加4.24%,呈现波动上升趋势,表明研究区生态环境在此期间得到一定改善。综上,银川市生态环境质量在2000—2007年有所提高,在2007—2013年退化,在2013—2020年得到一定改善。

图5 银川市生态环境质量等级面积Fig.5 Ecological environment quality grade area in Yinchuan city

从表5和图6可知,银川市生态环境质量保持不变的面积比重较大,在3个时间段的面积占比分别为54.82%、53.16%和47.90%,在2000—2020年生态质量“不变”的区域面积占比为55.25%,该区域生态质量21年来整体较稳定。银川市不同时期生态环境质量变化不一致。2000—2007年,银川市生态质量“变好”区域面积为2484.68 km2,占总面积的30.74%,生态环境“变好”区域主要集中在贺兰山及外围区域和灵武市的北部;生态环境质量“变差”区域面积为1167.17 km2,面积占比14.44%,研究区“变好”区域面积是“变差”面积的2倍多。2007—2013年,生态环境质量“变好”区域面积2321.49 km2,占总面积的28.72%,主要集中在西夏区的南梁农场、贺兰县的暖泉农场、黄河银川段东岸、灵武市中部圆疙瘩湖周边地带和灵武市南部部分地区;生态环境质量“变差”的区域面积为1464.68 km2,占总面积的18.12%,银西高速铁路以东的丘陵地区和宁东地区生态质量退化,在此期间生态环境变好区域较之前减少,且生态环境变差面积增加。2013—2020年,生态环境“变好”区域面积为2751.42 km2,占比34.04%,主要集中在贺兰山东麓洪积扇、月牙湖及灵武市马家滩地区;“变差”区域面积为1459.77 km2,占比18.06%,主要集中在贺兰县东部、灵武市城市建成区和灵武市最南部。生态质量差值等级数为“变好”的区域面积较2013年以前增加,说明该区域生态环境质量在该时期表现为由低等级向高一等级逐渐转变,生态环境质量逐年得到改善。2000—2007年银川市生态环境质量提升,在2007—2013年退化,2013—2020年逐渐得到改善。

表5 银川市生态环境质量年际变化

图6 银川市生态环境质量空间变化Fig.6 Temporal variation of eco-environmental quality in Yinchuan city

2.3 银川市生态环境质量的相关性分析

2.3.1 空间自相关分析 为了探索银川市生态环境变化的空间分布特征,采用600 m×600 m网格对2000年、2007年、2013年和2020年RSEI影像进行重采样,得到24 025个样点,计算样点的全局和局部空间自相关(图7～8)。2000年、2007年、2013年和2020年Moran’sI指数分别为0.893、0.897、0.887和0.861,且均在0.01水平显著相关,研究结果具有可信度,Moran’sI在2000—2007年上升,在2007—2013年下降,在2013—2020年上升,表明研究区生态环境质量的空间聚集度呈“上升—下降—上升”的趋势,这与其生态环境质量等级变化趋势一致。表明,银川市生态环境质量变化的空间分布呈聚集性,生态环境质量好与差的区域分布相对集中。高-高聚集主要集中在贺兰山自然保护区、三区两县城外的林场和农田,这些区域远离城乡居民点,受人类活动影响较小,生态环境质量较好;低-低聚集主要分布在灵武市的丘陵和戈壁滩等地区。2000—2007年银川市低-低聚集区域面积减少,表明该地区生态环境质量提高;2007—2013年,低-低区级区域面积增加,表明该地区生态环境质量下降;2013—2020年低-低聚集区域面积显著减少,说明该时段区域生态环境质量有所改善。

图8 银川市生态环境质量的局部空间自相关Fig.8 Local spatial autocorrelation of eco-environmental quality in Yinchuan city

2.3.2 Pearson相关分析 为进一步明确各生态分量(NDVI、LST、WET和NDBSI)变化与RSEI变化的关系,分析RSEI的变化机制,计算2020年与2000年影像差值RSEI与各分量之间的Pearson相关系数(图9),在置信度0.01级别,P<0.01,均通过显著性检验。NDVI和WET与RSEI呈正相关,Pearson相关系数分别为0.436和0.646,表明NDVI和WET增加值越大,银川市生态环境质量越好;NDBSI和LST与RSEI呈负相关,Pearson相关系数分别为-0.574和-0.849,表明NDBSI和LST增加会给银川市生态质量造成一定压力。综上,RSEI与4个分量指标之间存在较强相关性,且与主成分分析结果趋势一致,说明RSEI能集中各分量指标的信息,用该指数可以反映银川市生态环境质量变化情况。同时,RSEI变化与NDBSI的相关系数最大,与WET的相关系数次之,NDBSI反应建筑和裸土的变化情况,说明银川市生态环境的变化主要是由城市扩张等因素动态驱动,表明2007—2013年银川市生态环境质量下降与城市扩张、水域湿地面积减少等原因有关。

图9 银川市遥感生态指数与各因子相关性分析Fig.9 Correlation analysis of RSEI and various factors in Yinchuan city

2.4 银川市生态环境质量的影响因子探测分析

2.4.1 生态环境质量的影响因子探测分析 从表6可知,2000年对生态环境质量空间异质性影响程度排序为NDBSI>NDVI>WET>LST>高程>聚落聚集度>GDP>PM2.5>降水>夜间灯光>气温>坡度;2005年对生态环境质量空间分布影响程度排序为LST>NDBSI>WET>NDVI>高程>PM2.5>GDP>降水>聚落聚集度>气温>夜间灯光>坡度;2010年对生态质量的影响程度排序为NDBSI>LST>NDVI>WET>高程>PM2.5>GDP>聚落聚集度>降水>气温>夜间灯光>坡度;2015年对生态质量影响程度排序为WET>NDBSI>NDVI>LST>高程>PM2.5>降水>气温>GDP>聚落聚集度>夜间灯光>坡度;2020年对生态环境质量影影响程度排序为NDBSI>NDVI>WET>LST>高程>PM2.5>降水>气温>GDP>聚落聚集度>夜间灯光>坡度。在RSEI模型分量生态指标中,NDBSI对银川市生态环境质量的影响力最大,与皮尔逊分析结果一致,表明城市扩张是引起银川市生态质量变化的主要原因。在自然与社会因子中,高程、PM2.5和GDP是区域生态环境质量空间分布的主要影响因子,降水和气温是次影响因子,夜间灯光亮度和坡度对其影响力较小。

表6 银川市生态环境质量的影响因子探测结果

2.4.2 生态环境质量的影响因子交互探测分析 从图10～11可知,银川市生态环境质量的12个影响因子中双因子交互产生的影响均大于单因子,银川市生态环境质量影响因子交互作用表现为双因子增强和非线性增强,表明银川市生态环境质量不是单因子作用的结果,是遥感生态评价指标、自然、社会和经济等多因子交互后增强的效应所致。

图10 银川市生态环境质量的遥感生态指标交互探测Fig.10 Interactive detection of ecological index of ecological environment quality by remote sensing in Yinchuan city

在遥感生态评价指标中,2000年、2005年和2020年NDBSI∩LST交互作用影响力(q值分别为0.973、0.979和0.975)最强,表明该时段区域地表温度、地表建筑面积和裸土面积对其生态环境的影响较大;2010年NDVI∩LST交互作用影响力(q值为0.975)最强,表明在该时段银川市地表植被覆盖度和地表温度对生态环境质量影响较大;2015年WET∩LST交互作用影响力(q值为0.978)最强,表明在该时段湿度和热度是影响银川市生态环境质量空间分布的主要因子。

银川市自然和社会因子交互作用均大于单因子作用效果,表现为双因子增强和非线性增强。2000年对银川市RSEI解释力最大的是高程∩聚落聚集度(q值为0.685);2005年对银川市RSEI解释力影响最大的是高程∩GDP(q值为0.738);2010年对银川市RSEI解释力影响最大的是高程∩聚落聚集度(q值为0.702);2015年对银川市RSEI解释力影响最大的是PM2.5∩高程(q值为0.712);2020年对银川市RSEI解释力影响最大的是降水∩坡度(q值为0.869),降水∩气温交互作用影响力次之(q值为0.850)。2000—2020年所有自然和社会因子交互探测结果显示,高程、聚落聚集度、GDP、PM2.5以及夜间灯光对银川市生态环境变化的影响最显著。

图11 银川市生态环境质量的自然社会因子交互探测Fig.11 Interactive detection of natural social factors

其中,高程对银川市生态环境变化影响最大,贺兰山银川区域人为干扰较少,植被覆盖率较高,生态环境质量较好;除高程因子外,人类聚落、经济扩张对银川市生态环境质量具有重要影响,即在社会发展过程中,硬化面积和地表裸露面积增大,导致植被覆盖度减小,生态环境质量降低。

3 讨 论

3.1 GEE云平台的应用成效

针对于区域长时间尺度的动态监测研究,使用传统方式构建RSEI面临着数据量大、部分影像像素点缺失、数据预处理和指数计算过程繁杂等困难[22],限制了研究的准确性和时间序列长度。前人研究表明,GEE云平台可在线调用长时序、大尺度海量数据,方便快捷[23,31]。本研究进一步证实了法GEE平台的优势。一方面,GEE平台提高了银川市生态环境质量变化监测的精度,利用GEE强大的云计算能力提取构建银川市近21年的RSEI时,绿度、湿度、干度和热度指标均基于一年中6—9月所有可用遥感数据计算得出,相较传统方法中选用一期或几期遥感影像进行年际RSEI评估[21],这种通过大量影像计算提取指标的方法,提高了生态环境质量监测的精度。另一方面,基于GEE云计算图像处理方式,能较好改善因天气原因(多云、多雨等)导致的遥感数据缺失、图像色差等问题[27],同时能极大提高影像处理速率,从而扩展RSEI在大范围、长时间序列生态评估中的应用。

3.2 近21年银川市生态环境变化的影响机制

利用RSEI对银川市2000—2020年的生态环境进行遥感监测与分析,RSEI值估算结果与生态修复和保护措施实施前后,区域生态环境质量的改善状况相对一致,与本研究所监测的结果相吻合,且每年PC1的值都在60%以上,表明RSEI对银川市具有较好的适用性,可以用来研究该区域生态环境质量变化。银川市生态环境质量呈“上升—下降—缓慢上升”的趋势,其中2000—2007年生态质量向好的主要原因是贺兰山地等受人为干扰少的区域植被覆盖度高,2007—2013年银川市生态环境质量有所退化,主要原因是该时段研究区城市化建设进程较快,部分湿地面积减少,这与该区域现有的部分学者[19]的研究结果一致。2013—2020年银川市生态环境质量逐渐改善,生态“变好”面积不断提高,原因是银川市开展的生态修复和保护措施对生态环境质量的影响较大,生态整治成效显著。因子探测结果显示,遥感生态指标NDBSI对生态环境质量影响最大,自然社会因子中,高程、PM2.5和GDP是主要影响因子;交互探测结果表明任意2个因子交互后的影响均大于单因子[32],说明银川市生态环境质量变化是多因子协同作用的结果。贺兰山地海拔高,植被覆盖度高,且远离城市建成区,不易受到人为活动的干扰。除高程因子外,人类聚落、经济扩张对银川市生态环境质量具有重要影响,即在社会发展过程中,硬化面积和地表裸露面积增大,导致植被覆盖度减小,生态环境质量降低。因此,在城市扩张和经济发展过程中,要注重合理开发利用土地资源[33],优化城市空间布局,保护生态环境。

4 结 论

(1)近21年来,银川市生态环境质量变化情况呈“上升—下降—缓慢上升”的趋势,2000—2007年呈上升状态,生态环境变好的区域主要集中在贺兰山及外围区域和灵武市北部;2007—2013年退化,退化区域主要分布于银西高速铁路以东的丘陵地区和宁东地区;2013—2020年得到改善,生态环境改善区域主要集中在贺兰山东麓洪积扇、月牙湖及灵武市马家滩地区。

(2)银川市生态环境质量变化的空间分布呈聚集性。高-高聚集区主要集中在贺兰山自然保护区、三区两县的林场和农田区域,低-低聚集区主要分布在灵武市的丘陵和戈壁滩等地区。2000—2007年银川市低-低聚集区域面积减少;2007—2013年,低-低聚集区域面积增加,2013—2020年低-低聚集区域面积显著减少,说明近21年银川市生态环境呈先上升后下降再改善的趋势。

(3)NDVI与WET对生态环境质量起正向作用,NDBSI与LST对其起负向作用,单因子探测中,遥感生态指标NDBSI对生态质量影响最大,自然社会因子中高程、PM2.5和GDP是主要影响因子。交互探测显示,因子间的交互作用为双因子增强和非线性协同增强,遥感生态指标中NDBSI和LST对生态影响程度较高,自然社会因子中高程、聚落聚集度、GDP、PM2.5以及夜间灯光对银川市生态环境变化的影响较为显著。