厦漳泉新兴都市区生态质量遥感评价

王美雅

厦漳泉新兴都市区生态质量遥感评价

王美雅*

闽南师范大学历史地理学院, 漳州 363000

城市生态系统和地表生物物理组分之间存在复杂的潜在非线性关系, 这使得城市聚集的都市区生态质量客观评估遇到了技术挑战。针对性选取干度、路网密度、土地利用程度综合指数、植被覆盖率、生态连接度、湿度、热度、生态系统服务价值指数8个城市生态重要影响因子, 利用主成分分析进行指标集成建立城市生态评价遥感指数UEQ, 并分析不同等级UEQ与地表景观格局指标的定量关系, 评价区域一体化背景下厦漳泉新兴都市区生态状况。结果表明, 受8个指标综合作用, 厦漳泉都市区UEQ均值为0.558, 生态指数等级为中等。对比UEQ指数的8个指标分量, 对生态质量起正向作用的生态系统服务价值指标值较低, 对生态质量起负向作用的干度、土地利用程度综合指数和热度指标值较高, 其它4个指标贡献度较低。从空间分布来看, 厦漳泉都市区生态质量总体呈“西高东低”的空间格局。东部核心区高不透水面覆盖地区, 生态用地的生态效益较低, 其生态质量比都市区整体平均值低0.212; 西部绿色山地保育带, 完整连续的生态用地发挥的生态效益也更高, 其平均生态质量比总体平均值高0.104。不透水面斑块小、斑块内部连通度低且斑块聚集度低的区域, 其生态质量好于不透水面斑块大、斑块内部高度连通且斑块高度聚集的区域。

厦漳泉都市区; 城市生态评价遥感指数; 生态质量; 地表空间格局; 遥感

0 前言

都市区已成为我国城镇化空间的主要形态, 具有强大的集聚效应和辐射效应推动城市区域发展, 其城镇用地快速扩张并不断聚集使得地表景观格局趋于复杂化和破碎化, 产生了大体量的水、热和大气污染等城市代谢, 生态用地生态调控能力严重不足, 引起一系列城市生态问题[1]。如何实现都市区城市用地布局与生态环境协调发展, 是关系到中国未来可持续发展的重大课题。分析评价都市区生态质量空间状况有助于提高都市区内城市建设与区域生态平衡互馈关系内在机制的认知能力, 为都市区大中小城市协调发展提供科学参考。

遥感卫星影像能够在全球范围内提供及时、一致的数据, 更综合、准确地反映地物光谱和热信息等生态指标状况[2], 在生态评价研究领域得到广泛地应用, 大大弥补了传统半定量监测评价方法的缺陷。早期研究仅用单一因子来体现某个区域整体生态状况, 评价结果过于片面[3-4]。为此, 我国发布并优化了生态环境指数(EI)[5]。许多学者也相继开展了多指标集成进行生态状况评价的研究[6-7]。但大多研究存在评价因子过于繁琐, 评价指标难以获取, 指标权重主观性较强, 评价结果不能体现区域生态状况的空间差异等问题。如LIANG等[7]运用土地利用分类、植被指数等遥感影像数据和人口密度、收入等社会数据, 提出了绿度、拥挤度、经济状况和市容4个指标, 用以评估1990-2000年美国Indianapolis市生态质量变化。而后, 徐涵秋[8]提出了遥感生态指数(remote sensing based ecological index, RSEI), 选取绿度、干度、湿度和热度4个指标, 采用不受人为干扰的主成分分析法耦合为一个评价综合生态状况的指数。贾有余等[9]选取净初级生产力、地表温度、地表裸露度和植被覆盖度4个指标, 利用空间主成分分析方法构建生态评价模型分析苏州吴中区陆域生态保护红线区生态环境质量的时空变化特征。王苗等[11-12]。总体看来, 遥感在生态环境领域的运用已取得一定成果, 但针对都市区生态快速、准确的评价机制仍不明确。

根据城市生态质量评价结果, 建立地表空间格局与生态指数间的响应机制是科学、合理进行城市空间格局优化的关键。景观指数能较好指示城市地表空间格局变化, 为地表空间格局对生态环境的影响机理研究提供理论基础[13]。景观指标与生态质量指数回归分析, 可以揭示地表空间格局差异对生态影响。景观格局指数可指示不同生态状况[14]。目前, 两者关系研究多为定性描述, 综合量化生态质量值与地表空间格局相关关系的研究较少。

厦漳泉新兴都市区, 位于21世纪海上丝绸之路核心区, 是福建省两大核心城市群之一。2010年福建省提出构建厦漳泉都市区, 随着厦门、漳州和泉州3个城市一体化建设的不断推进, 未来厦漳泉都市区空间仍将继续扩张, 将极大改变周边区域的自然生态景观。都市区规划明确指出保护生态环境, 控制城市规模, 科学优化都市区中心城市空间布局。因此, 本文重点研究都市区生态快速、准确的定量评价方法, 在此基础上探讨适宜城市地表空间格局与生态环境的相互耦合机制, 以期为厦漳泉都市区实现区域科学管理与建设提供理论指导依据。

1 材料与方法

1.1 研究区概况

厦漳泉都市区地处福建省东南沿海, 位于23.5°N—25°N, 117°E—119°E。范围包括厦门市、泉州市区、漳州市区、惠安县、南安市、晋江市、石狮市、龙海市(现龙海区)、长泰县(现长泰区)、漳浦县、云霄县、东山县、诏安县等三市城县(图1), 总面积为1.4万km2。2019年, 厦漳泉都市区GDP总量为 18362亿元, 占福建省GDP总量的43%, 常住人口占福建省人口的38%[15]。

图1 厦漳泉都市区范围

Figure 1 The study area

1.2 数据来源

主要研究数据为厦门、漳州、泉州区域2019— 2020年夏季Landsat 8卫星影像, 影像详细信息见表1。所选影像季节相近, 基本无云层覆盖。参照文献[16-17]模型和参数以及Landsat 8网站提供的公式和参数对Landsat 8影像进行辐射校正, 将影像DN值转换为传感器处反射率。

1.3 城市生态评价遥感指数UEQ

采用“压力-状态-响应”机制建立生态质量评价指标体系。生态压力指标反映厦漳泉都市区土地利用过程中面临的生态压力, 选取干度()、路网密度()、土地利用程度综合指数()3个指标; 生态状态指标反映厦漳泉都市区在面临风险压力时所处于的状态, 选择植被覆盖率()、生态连接度()2个指标; 生态响应指标反映土地利用生态环境对面临风险源的响应, 选取湿度()、热度()、生态系统服务价值指数() 3个指标。其中, 干度反映地表“干化”程度, 地表裸露越厉害的区域生态质量越差; 路网密度反映城市密集道路交通网络对自然生态地表的影响; 土地利用程度综合指数反映人类活动对土地利用方式和结构的综合作用程度; 植被覆盖率反映城市植被健康和覆盖度状况; 生态连接度反映快速城市化过程中城市生态用地空间格局的优劣[18]; 湿度反映地表土壤和植被的湿度; 热度反映地表温度空间格局; 生态系统服务价值指数反映区域生态环境状态和调节能力。

选取以上8个遥感指标, 采用主成分分析来自动量化各个指标对生态的贡献度, 避免了人为干扰, 且能实现评价结果空间可视化。由此, 构建基于遥感的城市生态评价模型(urban remote sensing ecological quality index, UEQ)。8个指标计算方法如下:

(1)干度: 干度指标(normalized difference built-up and soil index, NDBSI)采用裸土指数SI与建筑指数IBI的均值来综合代表[19], 公式为:

其中:

表1 研究区Landsat影像

(2)路网密度: 数据来源于2020年开放街道图数据(open street map, OSM), 基于OSM数据提取城市高速公路、主干道、次干道和铁路等道路矢量信息, 并采用核密度计算城市路网密度空间分布。计算方法为: 以300 m×300 m方形网格作为路网密度基本计算单元, 网格内道路总长度与面积之比为路网密度, 单位为km·km-2。将反演得到的路网密度专题图重采样为30 m分辨率。

(3)土地利用程度综合指数: 通过将土地利用程度按照土地自然综合体在社会因素影响下自然平衡保持状态分级赋值, 从而给出土地利用程度综合指数定量化表达式[20], 公式为:

式中,为土地利用程度综合指数,i为第类土地利用程度分级指数,C为第类土地面积占总面积的比重。

(4)植被覆盖率: 选用归一化植被指数NDVI表示, 其公式为:

式中,和分别为近红外和红光波段。

(5)生态连接度: 首先, 采用随机森林(random forests, RF)分类算法[21]提取林地、耕地、草地、水体、不透水面和其他用地6种土地覆盖类型。RF算法生成决策树数量和用于测试的特征数目参数分别设置为500和3。将这6种地表景观类型分成生态用地(林地、耕地、草地、水体)和障碍面(不透水面和其它用地)2大类。接着, 基于最小耗费距离模型, 以障碍面为“源”, 6种景观类型为阻力面计算障碍影响指数(barrier effect index, BEI)。然后, 以生态用地为“源”, 障碍影响指数BEI为阻力面, 计算4种生态用地经过2种障碍类型实现连接所需要克服的阻力[22], 得到生态连接度评价结果。

BEI指数反映不透水面等阻碍类型对植被和水体等生态用地斑块之间实现结构联系的阻隔程度, 某给定障碍物产生的障碍效应随最小耗费距离的增加呈对数增加[23], 公式为:

式中,Y为第种障碍物所产生的障碍效应;b为第种障碍物类型的权重系数, 其值参照文献[24];s1和s2分别为不同障碍类型指数递减函数的校正系数;d为通过最小耗费距离模型计算出的最小耗费距离;为障碍类型的种类数。得到研究区指数后, 基于最小耗费距离模型计算生态连接度, 公式为:

(6)湿度: 采用缨帽变换的湿度分量()来表示[25], 其公式为:

(7)热度: 采用单通道算法反演的地表温度(land surface temperature, LST)表示热度[26-27], 公式为:

式中,sensor为传感器处亮温值;1和2分别为热红外波段定标常数;sensor为热红外波段辐射值;和分别为基于Planck函数的2个参数;为地表比辐射率;1、2和3为大气水汽含量函数。

(8)生态系统服务价值指数: 生态系统服务价值指数[28]计算各个土地利用类型的服务价值、各项服务功能的价值和生态系统服务总价值, 其公式为:

式中,为生态系统服务价值指数,ij为第个区域类土地利用类型面积,A为第个样方总面积,i为第类土地利用类型的生态系统服务价值系数。

模型构建: 所反演8个指标的量纲不尽相同, 因此, 基于主成分分析方法计算之前, 必须对它们进行归一化, 将它们的值都统一到[0, 1]之间。采用主成分分析方法(principal component analysis, PCA)构建城市生态评价遥感指数[29]。其第1主成分(PC1)最大程度地集成了各变量信息, 可用来耦合以上8个指标变量, 构建模型, 其计算公式为:

为使大数值代表生态状况好, 先用1减去来获得初始生态指数0, 对0结果进行归一化, 使其值介于[0, 1]之间。值越接近1, 代表生态质量越好。

1.4 地表景观格局指数

地表景观格局质量优劣与城市生态质量密切相关。将表征下垫面性质的不同面积、形状及空间组合的植被和不透水面类型斑块视为景观组分, 选取了5个稳定适用的类型水平景观格局指数构建定量分析指标体系(表2), 计算各景观指数在生态指数的不同等级上的指标值, 以进一步探究不同地表类型的空间格局对城市生态质量的影响。

2 结果与分析

2.1 UEQ指数分指标反演结果

图2为厦漳泉都市区UEQ指数8个指标反演结果。表3为利用主成分分析方法计算得到的指标权重和方差信息。由表3可知, 8个指标第1主成分累计方差贡献率为78.6%, PC1可以较大程度地集成各变量信息。统计对比其他特征分量结果, PC2和PC3累积方差贡献率仅为7%和5%, PC4—PC8累积方差贡献率均小于5%, PC2—PC8累积方差贡献率之和远小于第1主成分, 且PC2—PC8中的8个指标值符号和大小均不稳定, 容易忽略某些重要信息且不符合实际生态情况。因此, 可用PC1来耦合城市生态评价模型的8个指标变量。对比不同指标的PC1荷载值符号可以看出, NDVI、ECI、W和V荷载值均为正值, 均对生态质量起正向作用, 而NDBSI、RD、La和LST荷载值均为负值, 它们对生态质量起负向作用, 这与城市生态情况相符。

不同指标呈现出不同的空间分布状况 (图2)。由图2可知, 对比NDBSI指标(图2a), 不透水面密集分布的城市中心区域, 干度指标明显高于自然覆盖地表区域, 且空间分布上成连片性。对比RD指标(图2b), 城郊路网密度表现了较强的差异性, 即厦漳泉城市中心区域路网密度高值集聚性较强, 西部城镇外围区域低值区较多。对比La指标(图2c), 在经济发达的东部平原地区, 人类活动对该区域的生态环境干扰强烈, 土地利用程度高于交通和经济发展相对落后的西部山地区域。对比NDVI指标(图2d), 在城市周边具有植被覆盖率高的大型山体绿地, 而在城市中心区域, 植被覆盖率则明显低于郊区。对比ECI空间分布(图2e), 城市连接度水平最高的区域主要位于城市周边区域, 均表现出明显的孤岛状分布态势; 低连接区域主要位于城市中心不透水面密集的区域, 表现出良好的结构连接性。对比W指标(图2f), 西部林地集中分布的区域湿度高于东部沿海建筑密集分布区域。对比LST指标(图2g), 城市建筑密集区域热度明显高于大片绿地和水体分布区域。厦漳泉城市中心连片区具有较大比例的高温区。对比V指标(图2h), 厦漳泉都市区沿海湿地具有高生态系统服务价值, 西部林地连片区也具有较高生态系统服务价值, 人口密集的东部核心区, 开发强度大, 以建设用地和农田为主, 生态系统服务价值最低。

表2 景观格局指数指标

图2 8个生态指标反演影像

Figure 2 Eight ecological indicators maps

表3 研究区UEQ指数8个指标主成分分析结果

2.2 厦漳泉都市区生态质量空间格局

通过UEQ模型反演得到厦漳泉都市区UEQ指数均值为0.558(表3, 图3), 生态指数等级为中等。UEQ各指标中, 起正向作用的生态系统服务价值指数指标值较低, 对生态质量起负向作用的土地利用程度综合指数、热度和干度指标值较高, 虽然起正向作用的植被覆盖率、湿度和生态连接度指标值较高, 起负向作用的路网密度值较低, 但这4个指标对PC1的贡献度较低, 综合作用下, 使得UEQ值为中等水平。为进一步分析UEQ指数的代表性, 将UEQ值以0.2为间隔划分成5级, 1—5级分别代表生态差、较差、中等、良和优5个等级, 统计各等级区域面积所占比例。结果表明, 城市生态等级为中等、较差和差区域面积均占厦漳泉都市区总面积的54%; 而生态等级为优和良的区域面积占46%。UEQ等级为差和较差的区域主要分布在城市和副城市中心高不透水面覆盖地区, 这些地区人类活动频繁, 植被覆盖率低, 建筑、道路等人工地表的阻隔使得生态用地生态效益较低, 热岛效应严重, 导致其生态质量差; 而生态等级为优良级别的区域主要分布在城市大块绿地和外围山体植被覆盖区, 这些地区人类活动较少, 其植被覆盖率和湿度高, 干度和热度低, 空气质量较城区好, 完整连续的生态用地发挥的生态效益也更高, 因而表现出较优的生态等级。

图3 研究区城市生态评价遥感指数(UEQ)等级分布图

Figure 3 UEQ-levels distribution map

分区来看, 厦漳泉都市区生态环境质量总体呈“西高东低”的空间格局(图4)。都市区西部和西南部为绿色山地生态保育带(南安市、长泰县(现长泰区)、漳浦县、云霄县、东山县、诏安县等), 其平均生态质量指数达0.662, 比研究区平均值高0.104; 而东部核心区的厦门湖里区和思明区、泉州鲤城区、晋江市、石狮市、漳州龙文区的生态质量指数平均值为0.346, 比研究区平均值低0.212, 生态质量排名靠后。城市功能定位一定程度上影响了城市生态质量的优劣。生态质量低于平均值的13个区县均集中在都市区核心区, 其中7个县市功能定位以制造业基地、化工基地和产业基地等为特色优势产业。这些城市核心区域工业发展与生态环境质量的提升并未形成良性互动, 甚至导致生态质量评价结果较差。

2.3 地表景观格局对UEQ指数响应特征

计算地表景观格局指标和UEQ生态质量指数不同等级间的定量关系, 结果表明(表3), 不透水面和植被(林地、耕地、草地)对区域生态质量的影响主要来源于景观要素的平均斑块面积(PA_MN), 斑块连通度(CI_MN)和斑块聚集度(AI)的影响。UEQ等级差和较差的区域, 不透水面的PA_MN达2.9 hm2以上, 而UEQ等级为优良区域的PA_MN只有不到0.3 hm2(表4)。相反, UEQ等级优、良的区域, 植被PA_MN达15 hm2以上, 而UEQ等级为较差、差区域的PA_MN不到3.5 hm2。UEQ等级为差和较差区域不透水面的CI_MN值比UEQ等级为优和良区域平均高0.09(表4)。相反, UEQ等级为优和良区域的CI_MN值比UEQ等级为差和较差区域平均高0.1。UEQ等级差区域不透水面的AI值也高于UEQ等级优和良区域, 前者的AI值超过80%, 后者小于40%。生态优良的区域, 植被的AI值也高于生态差的区域, 前者的AI值超过89%, 后者小于46%。由此可见, 城市不透水面斑块小、斑块内部连通度低且斑块聚集度低的区域, 其生态质量好于不透水面斑块大、斑块内部高度连通且斑块高度聚集的区域。植被斑块大, 斑块内部高度连通、斑块高度聚集的区域, 其生态质量好于植被斑块面积小且内部连通度低、斑块聚集度低的区域。结合UEQ指数结果来看(图3、图4), 厦漳泉都市区各区县生态质量等级分区明显, 各县区生态协调联系不够。因此, 未来厦漳泉都市区进行土地空间利用规划时也应注意一体化协调发展, 各区县应考虑城市建筑用地和绿地景观的面积、连通和聚集程度对生态质量影响。

图4 厦漳泉都市区生态质量空间格局差异

Figure 4 Spatial pattern difference of UEQ value of Xiamen-Zhangzhou-Quanzhou metropolitan area

表4 UEQ与6种景观格局指数的相关系数

注: **即在0 .01 水平(双侧)上显著相关。*即在 0.05 水平(双侧)上显著相关。

表5 5个UEQ等级对应的不透水面和植被景观格局指数

3 讨论

UEQ模型评估结果表明厦漳泉都市区生态质量指数均值为0.558, 各区县最小值为0.242, 最大值为0.698。与其它同样采用主成分的城市生态质量指数结果相比[30-34], 生态质量指数均值集中在0.4—0.6之间, 如上海市(0.48—0.61)[30]、武汉市(0.53—0.60)[31]、南京市(0.62)[32]、渭南市(0.48—0.56)[33]。因此, UEQ模型模拟结果较为可靠。

已有城市群生态研究的区域包括长三角城市群、珠三角城市群等大城市群[37]。UEQ模型结合RS和GIS优势, 通过采用主成分分析方法实现指标自动集成, 相比人为赋权重更具客观性, 且实现区域生态质量的可视化。但受数据获取限制, 部分评价因子如道路数据仅获取较新年份数据, 未能实现时间序列变化的分析; 土地利用程度和生态系统服务价值指数的部分参数数据来源于前人研究成果[20, 28], 然而生态质量机理较为复杂, 这可能会导致评估结果存在一定不确定性, 但不会影响生态质量空间格局整体变化特征。未来应加强对生态质量形成机理研究, 持续改进评估模型。

城市生态质量快速、准确评价是生态城市规划建设及实现城市数字化管理的客观依据。本研究从多个视角评价厦漳泉都市区生态质量状况, 研究表明都市区东部人为活动较为频繁地区生态质量较西部山地生态保育带低。未来应加强这些地区生态系统保护, 减少人为活动对生态环境破坏, 采用城市多核心组团发展模式, 避免密集连片发展, 保留城区大型绿地和水系绿廊, 使都市区健康可持续发展。但本文还未能很好地挖掘生态质量结果好坏和景观斑块的内在联系, 研究深度有待加强。

4 结论

(1)厦漳泉都市区UEQ均值为0.558, 生态指数等级为中等。其中, 生态等级为中等、较差和差区域面积均占厦漳泉都市区总面积的54%; 而生态等级为优和良的区域面积占46%。

(2)植被、生态用地空间格局优劣、环境湿度和生态系统服务价值状况是改善城市生态系统的影响因子, 但干度、路网密度、土地利用程度综合指数和热度等指标的综合作用会导致城市生态恶化。

(3)都市区生态质量总体呈“西高东低”的空间格局。东部核心区高不透水面覆盖地区, 土地综合利用强度大, 其生态质量指数(0.346)比总体平均值低; 西部绿色山地生态保育带, 连续的生态用地发挥的生态效益也更高, 其生态质量指数(0.662)比总体平均值高。

(4)不透水面斑块小、斑块内部连通度低且斑块聚集度低的区域, 其生态质量好于不透水面斑块大、斑块内部高度连通且斑块高度聚集的区域。

[1] UN. World urbanization prospects: The 2018 Revision (ST/ESA/SER. A/420) [R]. United Nations New York, 2019.

[2] ROSENTRETER J, HAGENSIEKER R, WASKE B. Towards large-scale mapping of local climate zones using multitemporal Sentinel 2 data and convolutional neural networks [J]. Remote Sensing of Environment, 2020, 237: 111472.

[3] OCHOA-GAONA S, KAMPICHLER C, DE JONG B H J, et al. A multi-criterion index for the evaluation of local tropical forest conditions in Mexico [J]. Forest Ecology and Management, 2010, 260(5): 618–627.

[4] 张文强, 孙从建, 李新功. 晋西南黄土高原区植被覆盖度变化及其生态效应评估 [J]. 自然资源学报, 2019, 34(8): 1748–1758.

[5] 中华人民共和国环保部. 生态环境状况评价技术规范(发布稿) HJ 192—2015 [S]. 北京: 中国标准出版社, 2015.

[6] REZA M I H, ABDULLAH S A. Regional index of ecological integrity: a need for sustainable management of natural resources [J]. Ecological Indicators, 2011, 11(2): 220–229.

[7] LIANG Bingqing, WENG Qihao. Assessing urban environmental quality change of Indianapolis, united states, by the remote sensing and GIS integration [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2011, 4(1): 43–55.

[8] 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.

[9] 贾有余, 李辉, 王钊齐, 等. 苏州市吴中区生态保护红线区生态环境质量定量评价[J]. 生态与农村环境学报, 2017, 33(6): 525–532.

[10] 王苗, 刘普幸, 乔雪梅, 等. 基于RSEDI的宁夏生态环境质量时空演变及其驱动力贡献率分析 [J]. 生态学杂志, 2021, 40(10): 3278–3289.

[11] THANH L N, DE SMEDT F. Application of an analytical hierarchical process approach for landslide susceptibility mapping in a Luoi district, Thua Thien hue province, Vietnam [J]. Environmental Earth Sciences, 2011, 66 (7): 1739–1752.

[12] 文广超, 孙世奎, 李兴, 等. 可鲁克湖流域生态环境质量诊断 [J]. 应用生态学报, 2021, 32(8): 2906–2914.

[13] WELLMANN T, LAUSCH A, ANDERSSON E, et al. Remote sensing in urban planning: contributions towards ecologically sound policies? [J]. Landscape and Urban Planning, 2020, 204: 103921.

[14] XU Hanqiu, WANG Meiya, SHI Tingting, et al. Prediction of ecological effects of potential population and impervious surface increases using a remote sensing based ecological index (RSEI) [J]. Ecological Indicators, 2018, 93: 730–740.

[15] 福建省统计局. 福建统计年鉴[R]. 2020. http://tjj.fujian. gov.cn/tongjinianjian/dz2020/index.htm.

[16] CHANDER G, MARKHAM B L, HELDER D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors [J]. Remote Sensing of Environment, 2009, 113(5): 893–903.

[17] CHARVZ Jr P S. Image-based atmospheric corrections- revisited and revised [J]. Photogrammetric Engineering and Remote Sensing, 1996, 62(9): 1025–1036.

[18] WU Liyun, HE Dongjin, YOU Weibin, et al. The dynamics of landscape-scale ecological connectivity based on least- cost model in Dongshan island, China[J]. Journal of Mountain Science, 2017, 14(2): 336–345.

[19] XU Hanqiu. A new index for delineating built-up land features in satellite imagery [J]. International Journal of Remote Sensing, 2008, 29(14): 4269–4276.

[20] 刘纪远. 中国资源环境遥感宏观调查与动态研究[M]. 北京: 中国科学技术出版社, 1996.

[21] PADMANABAN R, BHOWMIK A K, CABRAL P. A remote sensing approach to environmental monitoring in a reclaimed mine area [J]. ISPRS International Journal of Geo-Information, 2017, 6(12): 2220–9964.

[22] DUPRAS J, MARULL J, PARCERISAS L, et al. The impacts of urban sprawl on ecological connectivity in the Montreal metropolitan region [J]. Environmental Science & Policy, 2016, 58: 61–73.

[23] MARULLI J, MALLARACH J M. A GIS methodology for assessing ecological connectivity: application to the Barcelona metropolitan area [J]. Landscape and Urban Planning, 2005, 71(2-4): 243–26.

[24] 武剑锋, 曾辉, 刘雅琴. 深圳地区景观生态连接度评估 [J]. 生态学报, 2008, 28(4): 1691–1701.

[25] BAIG M H A, ZHANG L F, SHUAI T, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance [J]. Remote Sensing Letters, 2014, 5(5): 423–431.

[26] JIMÉNEZ-MUÑOZ J C, CRISTOBAL J, SOBRINO J A, et al. Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(1): 339–349.

[27] JIMÉNEZ-MUÑOZ J C, SOBRINO J A, SKOKOVIć D, et al. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data [J]. IEEE Geoscience & Remote Sensing Letters, 2014, 11(10): 1840–1843.

[28] 刘永强, 龙花楼, 李加林. 长江中游经济带土地利用转型及其生态服务功能交叉敏感性研究[J]. 地理研究, 2018, 37(5): 1009–1022.

[29] CALLEJA J F, PAGES O R, DIAZ-ALVARES N, et al. Detection of buried archaeological remains with the combined use of satellite multispectral data and UAV data [J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73: 555–573.

[30] 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.

[31] 李红星, 黄解军, 梁友嘉, 等. 基于遥感生态指数的武汉市生态环境质量评估 [J]. 云南大学学报(自然科学版), 2020, 42(1): 81–90.

[32] 杭鑫, 罗晓春, 曹云, 等. 基于RSEI模型的生态质量评估及城镇化影响——以南京市为例 [J]. 应用生态学报, 2020, 31(1): 219–229.

[33] 宋慧敏, 薛亮. 基于遥感生态指数模型的渭南市生态环境质量动态监测与分析 [J]. 应用生态学报, 2016, 27(12): 3913–3919.

[34] 程志峰, 何祺胜. 基于RSEI的苏锡常城市群生态环境遥感评价 [J]. 遥感技术与应用, 2019, 34(3): 531–539.

[35] 吴献文, 陈颖彪. 基于自然资源本底数据的珠三角城市群生态敏感性评估分析[J]. 生态环境学报, 2021, 30(5): 976–983.

[36] 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.

[37] 石小伟, 冯广京, YI Yang, 等. 浙中城市群土地利用格局时空演变特征与生态风险评价 [J]. 农业机械学报, 2020, 51(5): 242–251.

Remote sensing-based study on the urban ecological quality of the emerging Xiamen-Zhangzhou-Quanzhou metropolitan area

WANG Meiya*

School of History and Geography, Minnan Normal University, Zhangzhou 363000, China

Owing to the complex, potentially nonlinear relationship between urban ecological systems and biophysical surface components in metropolitan areas, selecting suitable quantitative models to evaluate their urban ecological quality is not always clear. The Xiamen-Zhangzhou-Quanzhou metropolitan areawas taken as an example. Eight ecological indicators, including NDBSI, RD, La, NDVI, ECI, W, LST, and V, were integrated into a new model named the Urban Remote Sensing Ecological Quality Index (UEQ) using Principal Component Analysis. The UEQ was used to quantitatively evaluate the ecological quality of the emerging Xiamen-Zhangzhou-Quanzhou metropolitan area. The quantitative relationship between UEQ at different levels and landscape indices was analyzed. Results showed that the Xiamen-Zhangzhou-Quanzhou metropolitan area hada mean ecological quality value of 0.558. Comparing the eight indices within the UEQ, the NDVI, ECI, W, and V indices positively affected the ecology, while the NDBSI, RD, La, and LST indices had a negative effect. It had high NDBSI, La, and LST values and low V values. The other four indicators had a low contribution to UEQ results. According to the spatial distribution of the UEQ, the ecological quality value in the western region of the Xiamen-Zhangzhou-Quanzhou metropolitan area was generally higher than that in the east region. The eastern urban center, covered by a high ratio of impervious surfaces and a low ratio of vegetation, had low ecological connectivity between the ecological land patches, resulting in a lower ecological quality value of 0.212 than that of the whole study area. The western mountain conservation belt had high NDVI and ECI values, which helpedreach a higher ecological quality value of 0.104 than the whole study area. The ecological quality of the region with small and dispersive impervious surface patches and low intra-patch connectivity was better than that with large and aggregate impervious surface patches.

Xiamen-Zhangzhou-Quanzhou metropolitan area; urban remote sensing ecological quality index (); ecological quality; landscape; remote sensing

10.14108/j.cnki.1008-8873.2024.01.015

TP79

A

1008-8873(2024)01-124-10

2021-08-21;

2021-11-15

福建省自然科学基金面上项目(2022J01918) ; 教育部人文社科青年基金(22YJC630139) ; 福建省创新战略研究项目(2020R0155) ; 国家自然科学基金青年基金项目(41601012)

王美雅(1991—), 女, 福建泉州人, 博士, 副教授, 主要从事环境与资源遥感研究, E-mail: miahao3@163.com

通信作者:王美雅

王美雅. 厦漳泉新兴都市区生态质量遥感评价[J]. 生态科学, 2024, 43(1): 124–133.

WANG Meiya. Remote sensing-based study on the urban ecological quality of the emerging Xiamen-Zhangzhou-Quanzhou metropolitan area[J]. Ecological Science, 2024, 43(1): 124–133.