基于RSEI 和ANN-CA-Markov 模型的伊宁市生态环境质量动态监测及预测研究

陈勉为，冯 丹，张仕凯，江 雨，张新兰

（1.伊犁师范大学化学与环境科学学院，新疆 伊宁 835000；2.伊犁师范大学污染物化学与环境治理重点实验室，新疆 伊宁 835000）

生态环境质量是人类活动和生态环境共同作的结果，自然环境与人类生存和社会经济发展息息相关，随着社会的发展和科技的进步，人类物质文明的发展达到了前所未有的高度，但是伴随而来的是日益严峻的生态环境问题［1］。人类过度地攫取自然资源，盲目追求经济利益，经济的发展与资源配置的矛盾日益突出，给人类自身的生存和发展带来了严重的威胁，这使得世界各国日渐关注生态环境问题［2］。1992年“可持续发展”的观念在巴西举行的联合国发展与环境会议上提出，人类清晰地意识到在追求经济发展的同时要保护生态环境，实现可持续发展是全世界面临的艰巨任务。

从世界范围来看，我国的生态环境问题更加严峻。我国的经济在快速发展，但在发展的过程中，过度消耗自然资源，由此引发了一系列生态环境问题。土地退化、水土流失、空气污染等一系列问题是中国面临的主要环境问题［3］。人们对生态环境问题越来越关注，生态环境的好坏直接影响区域的可持续发展，如何用科学的方法定量评价生态环境就显得格外重要。目前，已知并可行的研究方法多种多样，卫星遥感以其大范围监测、周期性、实时性等优点，在区域生态环境评价中得到了广泛的应用。然而，目前的大多数研究仅基于单一指标来描述生态环境的特定方面，基于遥感影像热红外波段反演地表温度监测城市热岛［4］；或者构建各种干旱指数来评估区域干旱状况［5］。然而，由于生态系统的复杂性，单一的指标往往无法全面有效地描述生态环境。同时，有学者利用层次分析法和压力-状态-响应（PSR）模型对多个指标进行构建，从而对生态环境进行评价［6］，但这些指标通常面临着权重难以确定、人为主观性强等问题。自徐涵秋［7］首次提出使用遥感生态指数（Remote-sensing ecological index，RSEI）来表征生态环境质量，该指数利用主成分分析将4个生态指标耦合起来，该指标获取简单、无需人工确定权重等优点，目前多名学者已证明RSEI的可靠性。Cui 等［8］以生态环境质量指数为基础分析了2000—2020年淮北市生态环境的变化情况，并且得出2000—2010 年，城市建设对各类土地的侵占，是导致生态环境质量下降的直接原因；Zhang等［9］以乌鲁木齐市为研究对象，结果表明近25 a来，乌鲁木齐市RSEI 均值逐渐下降，生态环境总体恶化，但各区县之间的差异依然显著；王瑾杰等［10］以吐鲁番市和哈密市为研究对象，建立和绘制吐哈地区多个时期的RSEI模型，并对此地区的生态环境质量及土地利用进行了定量分析，研究表明2000—2018年吐哈地区的生态环境质量表现为略微下降的趋势；农兰萍等［11］基于RSEI 模型对昆明市生态环境质量的动态监测，研究结果表明2000—2018 年，昆明市RSEI的平均值为0.51，生态环境质量呈现“上升-下降-上升-下降”的波动变化趋势。目前为止，主要是针对研究区域RSEI的动态评价［12］，但对RSEI的预测目前仅有王丽霞等［13］通过耦合CA-Markov模型对研究区域进行生态环境预测，传统的CA-Markov 模型具有较强的主观性，对于生态环境变化这类复杂问题的模拟，其准确性并不高，但人工神经网络（Artificial neural network，ANN）具有模拟复杂非线性问题的能力，因此本研究在CA-Markov 模型的基础上构建ANN-CA-Markov 模型，将4 个生态指标作为驱动力因子，并结合RSEI对生态环境质量进行更科学合理地预测。

本文以新疆伊犁州伊宁市作为研究区域，伊宁市作为伊犁河谷城市，先后荣获“中国优秀旅游城市”“国家园林城市”、国家新型城镇化综合试点市等称号，土地资源、矿产资源、畜牧业资源、林业资源极其丰富。因此科学、合理地对伊宁市生态环境质量变化进行动态监测及合理预测研究，不仅能够探索伊宁市生态环境质量变化的时空分布特征，分析影响因素，还能够为伊宁市生态空间的优化管控与未来的可持续发展和决策提供适合建议，以保证国土空间的生态安全。本研究对于伊宁市生态环境质量动态监测及预测具有重大意义，为可持续发展战略和生态保护规划改善伊宁市生态环境质量提供参考和科学依据。

1 研究区概况

图1 研究区域示意图Fig.1 Schematic diagram of the study area

2 数据与方法

2.1 数据来源与预处理

研究中使用的数据来自美国地质调查局（USGS）的Landsat TM5和Landsat OLI-TIRS8，数据参数见表1。遥感影像空间分辨率为30 m，空间投影坐标系为WGS_1984_UTM_Zone_44N，其中Landsat5 TM 宽幅为185×185 km2，Landsat OLI/TIRS8 宽幅为170×180 km2。研究区所用的矢量数据涉及伊宁市各县域行政边界，来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）。

表1 2006—2021年4期遥感影像部分参数Tab.1 Part parameters of four remote sensing images from 2006 to 2021

在提取构建RSEI前，原始图像需经过ENVI 5.3进行预处理，包括几何校正、辐射定标、大气校正和图像裁剪，预处理结果进行假彩色合成（由Near IR、Red、Green三波段合成）（图2）。

图2 2006—2021年预处理假彩色合成图像Fig.2 Pretreatment of false color composite images from 2006 to 2021

2.2 遥感生态指数

本次研究中，RSEI 采用主成分分析法，先将绿度（NDVI）、湿度（WET）、干度（NDSI）及热度（TEM）通过模型分别计算；为减少误差，筛选4个指标的数据处于5%～95%的置信区，并进行归一化处理，将归一化处理的数据通过波段合成，4 个指标归一化后的数据集中到第一主成分上，根据4 个指标在主成分上的贡献率和自身性质来确定权重值，可减少人为赋值误差，各指标模型如下。

2.2.1 绿度（植被指数）植被指数（NDVI）由Rouse等［14］提出，并已成为遥感中最广泛使用的植被指数，用于监测地表绿色植被覆盖，本文中使用此指标来表征RSEI中的绿度。公式如下：

式中：ρNIR为近红外波段；ρred为红波段。波长参数见表2。

表2 Landsat卫星传感器参数Tab.2 Landsat satellite sensor parameters

2.2.2 湿度（湿分指数）湿分指数（WET）可通过缨帽变换（也称K-T变换）计算得出，从Landsat图像数据中提取参数，本文使用此指标来表征RSEI中的湿度，但由于Landsat TM5和Landsat OLI8传感器参数不同，因此对于湿分量模型参数有所不同［15-16］。公式如下：

式中：ρblue为蓝波段；ρgreen为绿波段；ρSWIR1为短波红外1；ρSWIR2为短波红外2。波长参数见表2。

心理弹性(resilience)是影响主观幸福感的又一重要变量，它是指个体在危险情境下良好适应的动态过程[10]，是个体在面对严峻或持久挑战时仍能保持其情绪和认知幸福感的能力[11]。诸多研究已证实，心理弹性对主观幸福感具有实质性影响[12，13]，心理弹性涉及逆境下的积极适应模式[15]，是主观幸福感的重要预测因素[6]。还有研究表明，心理弹性与大学生的乐观、积极情绪显著正相关[15]，提高心理弹性可能提升大学生压力下的积极情绪，缓解消极情绪[16]。

2.2.3 干度（建筑-裸土指数）建筑-裸土指数（NDSI）可用于有效监测环境干度，通过对建筑指数（IBI）和裸土指数（SI）两者的平均值进行计算［17-18］，以此指标来表征RSEI中的干度。公式如下：

2.2.4 热度（陆地表面温度）陆地表面温度（TEM）使用大气矫正法对Landsat 图像数据进行地表温度反演，通过利用植被覆盖度（Fractional vegetation cover，FVC）计算得到地物发射率（Ref），原始的遥感影像像元亮度值[B(Ts)]经过辐射校正后，得到星上辐射亮度值，星上辐射亮度值经过大气校正，去除水汽的影响后，得到辐射亮度值，然后将辐射亮度值转化为相对于黑体的黑体辐射亮度值，通过Plank函数的转化，将黑体辐射亮度值转化为黑体亮度温度值，即为地表温度［19-22］。公式如下：

式中：NDVI＜0.05、NDVI＞0.7、NDVI0.05～0.7分别为NDVI 取值范围；E（water）为水体像元比辐射率；E（building）为城镇像元比辐射率；E（natural）为自然表面比辐射率；ρTIRS1为热红外1 波段；Lup为大气向上辐射亮度；Ldown为大气向下辐射亮度；t为大气在热红外波段的透过率（Lup、Ldown、t的数据通过NASA大气剖面计算器得出http://atmcorr.gsfc.nasa.gov/）；K1和K2为卫星发射预设常量（Landsat TM5：K1=607.76、K2=1260.56；Landsat OLITIRS8：K1=774.89、K2=1321.08）。参数见表2。

2.2.5 RSEI模型建立将上面得到的4个因子指标通过主成分分析（PCA）进行耦合，利用第一个主成分（PC1）构建RSEI，最大的优点是综合指标的权重不是人为确定，而是根据各指标对PC1 的贡献度自动客观确定，避免了在计算中因权重设置因人而异、因方法不同而可能导致结果偏差，提高了结果的客观性和可信度。

由于上述4个因子的维度不均匀，如果直接用4个因子来计算PCA，每个指标的权重就会不平衡。因此，在计算PCA之前，应该对上述4个因子进行归一化处理，将每个指标值转换为0～1 范围内的无量纲值［23］。公式如下：

式中：XIi为归一化之后的数值；Ii为归一化前的数值；Imax和Imin分别为归一化前的最大值和最小值。

4 个因子在归一化计算后，借助ENVI 5.3 软件中波段合成模块和PCA 模块计算PC1，在个别情况下，生态较好区域的值反而越低，对其进行正负值转置，使RSEI 值越高的地方表示生态越好。公式如下：

2.3 预测模型

元胞自动机（Cellular automata，CA）模型是一种具有模拟复杂系统时空演化过程的能力模型［24］，但传统的CA 模型具有较强的主观性，因此存在一定的局限性。人工神经网络具有足够模拟复杂非线性问题的能力，拥有较强的并行、分布式存储、处理、自组织、自适应和自学能力，其本质就是通过对样本的不断训练从而获取最小误差的网络参数值，而后通过输入与训练样本相似的数据输出结果误差最小的数据［25］。Markov 模型是用来预测事件发生概率的一种方法，在区域土地利用变化中Markov模型有着广泛的应用［26-27］，但由于土地利用的空间分布随机性较强，因此传统模型具有局限性，很难达到预测效果。

通过耦合ANN、CA、Markov 模型，以CA 作为基础，结合Markov 和ANN 模型进行构建，成为ANNCA-Markov 模型，此模型普遍适用于土地利用变化的模拟和预测，因生态环境质量也是具有高度空间自相关性的栅格数据，因此研究尝试使用ANN-CAMarkov 模型对RSEI 进行预测。通过使用中山大学刘小平教授团队开发的GeoSOS-FLUS V2.4软件，完成对研究区域未来的RSEI 的预测［28］。运用Kappa系数和FoM 指数来确定精度，其中Kappa 系数大于75%，认为结果可信度较高，模拟效果较好；FoM 指数为灵敏值，一般小于0.1则认为模拟精度较高。

3 结果与分析

3.1 4个指标的主成分分析

伊宁市2006—2021 年4 个年份RSEI 指标主成分分析结果如表3 所示。4 个年份PC1 的贡献率结果分别为85.67%、76.39%、79.67%、82.17%，表明PC1 集中了4 个指标的大部分特征，可以用来表示研究区域的整体生态情况。其中绿度和湿度的特征值均为正值，说明绿度和湿度对伊宁市生态水平具有正面影响；干度和热度的特征值均为负值，说明干度和热度对伊宁市生态水平具有负面影响。此外对比4个年份4个指标的特征绝对值发现，4个指标排序为绿度＞热度＞干度＞湿度，说明影响伊宁市生态环境质量的主要因素依次为绿度、热度、干度、湿度，符合伊犁河谷地区所表现出来的生态状况［29］。

表3 2006—2021年各指标主成分分析Tab.3 Principal component analysis of indicators from 2006 to 2021

3.2 伊宁市生态环境质量的时空变化分析

通过Excel 将4个指标数据及RSEI 统计并绘制折线图（图3）。根据我国生态环境部发布的《生态环境状况评价技术规范（HJ 192—2015）》对生态环境状况进行分级，以0.2 作为分级标准，即好（0.8～1.0）、较好（0.6～0.8）、中等（0.4～0.6）、较差（0.2～0.4）、差（0.0～0.2）。

图3 2006—2021年分量指标和RSEI的统计值Fig.3 Statistical values of sub indicators and RSEI from 2006 to 2021

由图3 根据时间变换分析可知，2006—2021 年伊宁市4 个年份RSEI 指标平均值为0.451，表明其生态环境质量总体处于中等水平。2006—2021 年RSEI 从0.427 上升到0.484，上升了13.34%，呈现上升趋势，表明伊宁市生态环境质量整体有所改善，其中2011—2016 年期间涨幅达11.28%，上升较为明显，主要得益于伊宁市北坡荒漠草原开展生态修复的原因［30］；但2016—2021年由于伊宁市开发区城市化进程加快，土地利用的转变，导致RSEI 出现小幅度下降。4个指标中绿度、干度、热度变化幅度趋于平稳；由于伊宁市处于伊犁河谷内，且自1999 年开始，降水呈持续增长趋势［31］，因此湿度增幅较为明显。

根据上述RSEI 分级标准，利用ArcGIS 10.5 软件对伊宁市各年的RSEI 进行重分类处理，得到2006—2021年伊宁市生态环境质量图（图4）。由图4 分析可知，2006—2021 年伊宁市北部山区生态环境质量处于较差或中等水平，主要由于伊宁市北部依靠天山山脉，辖区内北山坡面积近1.3×104hm2，绝大部分属于半荒漠化草场，属于生态脆弱区，总体发展处于稳定水平，其中2011—2016年生态呈现变好趋势，但后期出现反弹；南部伊犁河城区生态环境质量基本处于中等、较好水平，主要因为濒临伊犁河，水热资源丰富，为南部奠定了优良的生态环境基础；中部城区有明显地向外扩张趋势，较2006年相比，西部开发区及东城区生态质量呈下降趋势，其中2016 年城区生态呈现较差状态，但随后开展绿化及建造公园等市政工程［32］，2021年城区生态环境得到改善，恢复至中等水平。

图4 2006—2021年伊宁市RSEI等级分布Fig.4 Distributions of RSEI in Yining City from 2006 to 2021

通过ArcGIS和Excel将2006—2021年4期RSEI各等级面积进行提取并计算（表4）。由表4 可看出2006—2021 年伊宁市生态环境质量等级为好的区域面积减少了9.27 km2，占总面积1.37%，保持相对稳定；较好区域面积减少31.47 km2，占总面积4.67%；中等区域的面积保持相对稳定，面积增加4.06 km2，占比0.60%；较差区域面积变化较为显著，2006—2021年面积增长49.59 km2，占总面积7.35%，应尽快采取修复措施；差的区域面积减少12.92 km2，占总面积1.92%，其中2011 年下降较为明显，但随后呈上升趋势，主要由于2011年后城市不断向外扩张，土地利用类型转变。综上所述伊宁市生态环境质量变化呈现两极正在逐渐缩小的趋势，但中等区域及较差区域的面积正在逐年增大，总体生态环境呈现稳中趋差的方向发展，需加大生态修复力度。

表4 2006—2021年伊宁市各生态等级面积与占比Tab.4 Area and proportion of different ecological grades in Yining City from 2006 to 2021

3.3 伊宁市生态环境质量的时空变化差异分析

在上述RSEI等级划分的基础上，为得到不同年份之间生态环境质量变化的时空分布信息，利用差值处理不同年份的RSEI。将变化情况分为3 类变好（＞0）、不变（=0）和变差（＜0），其中按照变化的程度将变好与变差分为4 级，分别为±4、±3、±2 和±1，统计结果见表5，并通过ArcGIS 10.5绘图，结果见图5。

表5 2006—2021年伊宁市生态质量变化情况Tab.5 Changes of ecological quality in Yining City from 2006 to 2021 /km2

图5 2006—2021年伊宁市RSEI时空变化Fig.5 Temporal and spatial changes of RSEI in Yining City from 2006 to 2021

由表5 及图5 分析得出，根据时间变化分析得出，2006—2011 年生态环境质量的面积变化：变好的面积180.49 km2、不变的面积共315.53 km2、变差的面积178.40 km2，分别占总面积的26.76%、46.78%、26.45%，北部山坡地区生态环境质量逐年改善。2011—2016年生态环境质量的面积变化：变好的面积177.66 km2、不变的面积共268.45 km2、变差的面积228.30 km2，分别占总面积的26.34%、39.80%、33.85%。2016—2021年生态环境质量的面积变化：变好的面积243.80 km2、不变的面积共247.89 km2、变差的面积182.73 km2，分别占总面积的36.15%、36.76%、27.09%，伊宁市生态环境质量向差的趋势发展。2006—2021 年生态环境质量的面积变化：变好的面积159.14 km2、不变的面积共312.99 km2、变差的面积202.30 km2，分别占总面积的23.60%、46.41%、30.00%。总体上，伊宁市的生态环境质量状况较稳定，但整体环境质量依然不容乐观，如不及时开展生态修复，未来生态环境将会进一步变差。

3.4 RSEI预测

首先通过GeoSOS-FLUS V2.4 软件利用Markov和ANN 模型分别以2011 年和2016 年伊宁市RSEI分类数据为依据，将NDVI、WET、NDSI、TEM作为驱动力因子，确定转换规则，获得2021年模拟预测，将2021 年模拟预测结果与实际2021 年遥感生态指数分类图进行比较。通过模拟与真实数据进行比较，具有较高精度，Kappa 系数为0.815，FoM 指数为0.04，证明模拟数据具有一定的准确性，结果可靠。因此通过2021 年为基准，依此模型预测2026 年及2031年伊宁市RSEI（图6）。

图6 2026年和2031年伊宁市RSEI预测Fig.6 Forecast of RSEI in Yining City in 2026 and 2031

通过图6分析，可看出2026年和2031年伊宁市北坡地区生态得到一定程度改善，但由于伊宁市西部生态差地区靠近伊犁图开沙漠，生态改善存在困难，结合新疆伊宁市城市2018—2035 年总体规划，随着未来经济及城市化进程的继续发展，城区在未来生态环境依旧保持在中等水平，但城市将会继续向外扩张，自2000 年伊宁市耕地面积286.13 km2缩减到2018 年229.20 km2［33］，未来耕地面积将持续减少，建议在经济与社会发展的同时，加强区域生态保护。

4 结论

（1）2006—2021 年伊宁市4 个年份RSEI 指标主成分分析结果表明，绿度和湿度对伊宁市生态水平具有正面影响，干度和热度对伊宁市生态水平具有负面影响，影响伊宁市生态环境质量的主要因素依次为绿度、热度、干度、湿度，符合伊犁河谷地区所表现出来的生态状况。

（2）2006—2021 年伊宁市4 个年份RSEI 指标平均值为0.451，总体处于中等水平。伊宁市北部山区属于半荒漠化草场，属生态脆弱区，生态环境质量处于中下水平；南部濒临伊犁河，水热资源丰富，生态环境质量基本处于中上水平；西部开发区及东城区生态环境质量2016年前呈下降趋势，随后开展绿化及建造公园等对策，恢复至中等水平。伊宁市生态环境质量变化呈现两极正在逐渐缩小的趋势，但中等区域及较差区域的面积正在逐年增大，总体生态环境呈现稳中向差的发展趋势，需加大生态修复力度。

（3）预计2026 年和2031 年伊宁市北坡地区生态得到一定程度改善，但由于伊宁市西部生态差地区靠近伊犁图开沙漠，生态改善存在困难，结合《新疆伊宁市城市2018—2035 年总体规划》，城区在未来生态环境依旧保持在中等水平，但城市将会继续向外扩张，未来耕地面积将持续减少，建议在经济与社会发展的同时，加强区域生态保护。

综上所述，构建RSEI 动态监测评价伊宁市近15 a 来的生态质量情况，分析4 个影响因素对伊宁市生态环境质量影响机理，明确城市发展过程中的生态空间缺陷，利用CA-Markov 模型与ANN 人工神经网络相结合，预测伊宁市未来10 a内生态质量情况，预测精度（Kappa 系数）可达到0.815，远高于传统预测模型，但目前还不能达到随时随地的动态预测，未来可通过卷积神经网络进行图像的深度学习，通过以往的大量图像数据的学习训练，使人工智能算法的精度达到0.9 以上，并可以进行长期准确预测。