長三角地區生態環境質量時空特征分析

摘要：城市的發展占用大量自然資源，對人類的生活和發展構成嚴重威脅，客觀、精細地定量評估生態環境質量對實現當今可持續發展的目標具有重要作用。本文以長江三角洲地區為研究區，基于遙感生態指數模型原理，選用MODIS相關數據集及長時間序列的土地利用數據集提取綠度、濕度、熱度、干度、豐度共五個指標，應用主成分分析方法綜合指標，定量評估研究區的生態環境質量，接著從像元級、城市級、區縣級三個尺度分析長三角地區2001―2021年生態環境質量的時空分布特征，并使用統計學相關分析方法分析長時序的時空變化情況。研究表明：①長三角地區生態環境質量的南北、東西走向的空間格局差異大，初步分析該現象與城市的經濟水平、地形地貌及氣溫等有一定的關系。②結合長時序長三角地區生態環境質量變化情況分析，由2001年發展至今，長三角地區大部分地區的生態環境質量都有不同程度的降低。③長三角地區生態環境質量的聚集特征出現“三分局面”，南部地區以浙江省地區為主，呈現明顯“高-高”聚集特征，北部地區以安徽省北部為主，呈現“低-低”聚集特征，而東部地區以上海市為主及其周邊地區總體上為“低-低”聚集特征。

關鍵詞：長江三角洲地區；生態環境質量；時空變化；趨勢分析；空間分析

中圖法分類號：TP79 文獻標志碼：A 文章編號：1001-2443（2024）04-0rxlJcorlvciH5sYS1ikkpg==340-11

引言

隨著城市發展進程的加速，大量的自然資源被消耗，給生態環境帶來了巨大的影響，如空氣質量問題［1］、水環境污染［2］、土壤生產力下降［3］、城 市熱島效應［4］等，對人類的生活和發展構成嚴重威脅。習近平總書記在黨的第二十次全國代表大會中多次強調：在人類發展的過程中要充分關注大自然的狀態，保護生態環境質量，讓可持續發展的理念深入人心，以葆中華民族的發展源遠流長［5］。

為科學評估生態環境質量，我國生態環境部發布評估生態環境質量水平的相關技術規范，且更新迭代形成科學精準的生態環境質量指數（Ecological Index， EI）指標體系，該技術規范規定選取土地覆蓋類型相關系數和環境限制指數共六個指數，包括評估植被、水體以及生物狀態等，作為評估生態環境質量的指標體系［6］。黃莘絨等學者綜合考慮指標體系，從土地利用、空氣質量、水污染等方面選取7個指標構建評估生態環境的指數［7］。而EI指數的保密性強、可獲得性低，加上部分指標依賴于面板數據，其時空分辨率低、連續性差、數據測量標準不一致且獲取的規范不一等問題，導致EI指數的應用范圍狹窄［8］。

遙感數據的高時空分辨率、數據高覆蓋能力、方便快捷以及低成本等優勢，讓其在一眾面板數據中脫穎而出［9］。徐涵秋學者全面考慮衛星遙感數據的以上優勢，對比面板數據的不足后，于2013提出遙感生態指數（Remote Sensing Based Ecological Index， RSEI）評估生態環境質量，RSEI的構建基于遙感技術、指標容易獲得、沒有人為權重設定、結果易于可視化，且與國家生態環境部的標準有較好的相關性［10-11］，受到學者的廣泛應用［12～14］。由于生態環境的復雜性和多樣性，現有的遙感生態指數模型往往難以全面、準確地反映生態系統的狀況［15］。Xu D等學者考慮到EI指數受到土地覆被類型豐富度的影響，在RSEI指數的基礎上增加地表豐度（Abundance Index， AI）指標構建了生態環境質量評價指標體系，得到改進的遙感生態指數（RSEI2），并將RSEI、RSEI2分別同EI指數相比較，得出比較結果顯示RSEI2的監測精度優于RSEI模型［16］。

為快速、全面、準確地了解區域的生態環境質量水平，本文主要應用MODIS相關數據集和長時間序列的土地利用數據集構建生態環境質量評價指標，定量評估區域的生態環境質量，從像元級、城市級、區縣級三個尺度分析研究區2001年至2021年生態環境質量的時空分布特征及時空變化情況。本文應用遙感技術，擺脫行政區范圍界限，結合長時序的研究區指標特征變化情況，客觀、動態地分析研究區域的生態環境質量，為區域可持續發展研究提供科學依據。

1 研究區與數據處理

1.1 研究區概況

長江三角洲（以下簡稱長三角）地區在中國經濟發展中扮演著至關重要的角色，該地區的活力、開放程度和創新能力均高于其他地區［17］。自2010年以來，我國相繼出臺系列區域一體化政策。2019年，中共中央、國務院發布了《長江三角洲區域一體化發展規劃綱要》（以下簡稱規劃綱要），強調全力支持長江三角洲區域的一體化發展，并將其提升為國家戰略，明確指出長江三角洲地區的范圍包括上海市、江蘇省、浙江省和安徽省的全域，共41個城市，包含307個區縣，面積共35.8萬平方公里，約占我國國土面積3.74%，容納了全國約16%的人口，其國內生產總值約占全國的四分之一。推動規劃綱要在長三角地區一體化發展的實施意義重大，不僅能夠促進長三角地區的經濟和社會發展，推動區域協調發展和綠色低碳發展，而且能夠增強中國在全球經濟競爭中的影響力和話語權［18］。本文以長三角地區為研究區，示意圖如圖1所示。

1.2 數據來源

本文主要應用遙感技術，基于MODIS數據集選取歸一化植被指數（NDVI）［19］、地表濕度（WET）［10］、地表溫度（LST）［20-21］和地表干度（NDBSI）［11］四個指標，再應用武漢大學楊杰和黃昕教授團隊發布的長時間序列的土地利用數據獲取地表豐度（AI）指標，分別代表長三角地區的綠度指數、濕度指數、溫度指數、干度指數和豐度指數，反演長三角地區的生態環境質量指數，用以評估長三角地區生態環境質量。研究應用的數據如表1所示。

2 研究方法

2.1 生態環境質量評價指數

本文基于遙感生態質量模型理論，應用長時間序列的土地利用數據獲取地表豐度（AI）指標。以歸一化植被指數（NDVI） 作為綠度指標、歸一化差異的建筑和土壤指數（NDBSI）作為干 度指標、地表溫度指數（LST） 作為熱度指標、 濕度指數（WET）作為濕度指標、 地表豐度指數（AI） 作為豐度指標，共5個重要指標為準，構建生態指數質量的評價指數RSEI2，評估長三角地區的生態環境質量。

豐度指標（AI）通過計算各種土地覆蓋類型在整個研究區域中的相對分布面積，得到每種土地覆蓋類型的豐度值，反映整個研究區域的土地覆蓋類型豐度情況［6］。本文基于長時序土地覆蓋類型數據［23］，首先應用ArcGIS軟件創建1KM*1KM漁網，接著統計數據網格內的各土地覆蓋類型面積，最后應用AI公式計算1平方公里網格內的土地覆蓋類型豐度指標，計算公式如（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]為土地覆蓋類型的豐度指數，μ為歸一化系數，Forest （林地）、Grassland （草地）、Water（水體）、Cropland（耕地）、Built（不透水面），Unused （未利用地）分別代表各自類型的面積，Area為統計面積的總面積。

本文基于以上五個指數，構建評價生態環境質量的綜合指數［10-11］。首先，為消除量綱不同導致指數之間的比較和分析障礙，將數據統一量綱，確保計算和比較的準確性和可靠性［24］。研究采用最大最小歸一化方法對上述五個指標分別進行正規化，將數據統一規定到［0，1］中，正規化公式如（2）所示。

[yi=xi-xminxmax-xmin] （2）

其中： [yi]指的是指標經過正規化后的值，xi指的是指標在像元i的值，xmax指的是指標的最大值，xmin指的是指標的最小值。

統一量綱后，對各指標數據進行主成分分析［25］，采用該方法為的是將原始數據的維度壓縮到一個較低的維度空間，同時盡可能地保留較多的數據信息，公式如（3）所示；再用1減去主成分分析結果PC1，表示最終結果中數值越大生態環境質量越好［26］，公式如（4）所示。

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

[RSEI1=1-PC1] （4）

其中： [PC1]為第一主成分，NDVI， NDBSI， LST， WET， AI分別代表了綠度、干度、熱度、濕度和豐度指標，RSEI1表示生態環境質量初始值。

最后為了便于理解和分析，對生態環境質量指數進行了規范化處理，使其取值范圍在［0，1］之間，得到生態環境質量指數RSEI2，公式如（5）所示。當RSEI2值越接近1時，表明生態環境越好；當RSEI2值越接近0時，表明生態環境越差。

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

其中： [RSEI2]為正規化后生態環境質量指數，RSEI1表示生態環境質量初始值，RSEImin為生態環境質量的最小值，RSEImax為生態環境質量的最大值。

2.2 線性趨勢分析

斜率趨勢分析是一種基于數據點之間的斜率變化來判斷數據趨勢的方法，通過斜率趨勢分析，可以確定數據是否在上升、下降或持平，以及變化的速度和程度［27］。本文應用趨勢分析評價生態環境質量的變化趨勢，計算公式如（6）所示。

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

其中： [Slope]代表研究數據的變化斜率，n代表時間序列的長度（2001年到2021年），yi代表第i年（其中2001年為第1年），Ci代表第i年的研究對象數據值。

2.3 空間自相關分析

空間自相關分析是一種重要的空間統計工具，通過對空間數據的特征和規律進行深入分析，可以協助研究者更好地理解空間數據的特征和規律，進而制定更有效的決策和政策［28］。

莫蘭指數（Moran’I）是一種衡量空間數據自相關性的統計指標，用于評估地理空間上相似值的聚集程度，它的值介于-1和1之間，正值指的是研究數據呈正自相關，負值指的是研究數據呈負自相關，值為零表示不存在空間自相關性［29］。Lisa聚類圖基于莫蘭指數來確定空間單元所處的聚類模式，用于可視化空間數據聚類模式，可以快速發現空間數據中的聚類區域，并顯示每個空間單元的聚類類型和強度，以及其與相鄰空間單元的聚類模式關系，將空間數據點分為高-高聚集、低-低聚集、高-低離散和低-高離散四類，將不同類別的數據點用不同顏色編碼，就可以直觀地展示出空間數據的聚類模式以及不同區域的聚集程度［30］。

3 結果和分析

3.1 長三角地區生態環境質量時空特征

綜合MODIS遙感影像數據，運用生態指數模型計算長三角地區2001年至2021年長時間序列的像元級的生態環境質量，計算結果輸出如圖2所示。

由圖2分析得出，長三角地區的南部地區生態環境質量較高，西部地區可以看到明顯的“心形”大別山區域分割線，“心形”區域為大別山主峰區域，生態環境質量較高。長三角地區往南的長江中下游平原范圍內生態環境質量一般，再往南連接到九華山、黃山、天臺山等山區的生態環境質量總體較好。該分布特征與城市的定位有一定的關系，安徽省的安慶市、六安市、池州市、黃山市均屬于旅游城市，其地形地貌豐富，植被覆蓋廣袤。浙江省南部主要以丘陵為主，連綿不斷的山丘生態良好，其中浙江省麗水市擁有多個國家級生態保護區，屬于國家級重點旅游城市。而長三角地區的北部和東部的大部分地區生態環境質量較低。

為具體分析各區域發展現狀，以及準確地向各級政府提供決策參考，根據長三角地區2001—2021年像元級生態環境質量數據，按行政邊界大小輸出市級、區縣級生態環境質量，分別分析長三角地區城市級、區縣級的生態環境質量時空分布特征，并應用統計學的相關方法客觀分析長三角地區各城市的城市化水平變化情況。

2001—2021年長三角地區城市級生態環境質量數據可視化如圖3所示，按照統計學中的五分位法將數據客觀地分為五類，降低數據主觀分類的可能性。總體來看，生態環境質量較高的城市包括浙江省大部分城市、安徽省的六安市、安慶市、池州市、黃山市等，生態環境質量較低的區域主要分布在安徽省北部、江蘇省北部和上海市，且隨著時間的變化有擴增的趨勢。其中，上海市及周邊城市為城市化高度發展地區，生態環境質量水平相較于長三角地區其它城市而言較低。安徽省北部為降水較少區域，較為干旱，生態環境質量水平較低。浙江省地形地貌主要是以連綿不斷丘陵為主，且降雨主要集中于浙江省的南部地區，生態環境保持良好。

隨后分析長三角地區2001—2021年區縣級的生態環境質量時空特征，輸出結果如圖4所示。由圖可知，生態環境質量較高的區縣主要包括浙江省大部分地區、安徽省的南部地區等，生態環境質量較低的區域主要分布在安徽省北部、江蘇省北部和上海市部分區縣，且隨著時間的變化有擴增的趨勢。

3.2 長三角地區生態環境質量時空變化特征

3.2.1 時間變化特征 為直觀分析2001—2021年長三角地區生態環境質量的時空變化特征，對上述數據進一步解釋和分析。首先，將首尾兩年數據作差異分析，分別獲得市級、區縣級生態環境質量差異圖如圖5所示，圖中色彩越深，代表生態環境質量增幅越大，其趨勢與前面表述基本一致。圖中可以看出，長三角地區絕大部分地區的生態環境質量都有不同程度的下降。相較于其它地區而言，安徽省中部地區、安徽省南部地區、浙江省西部地區的生態環境質量較二十年前有所提高，江蘇省大部分地區的生態環境質量有所降低。

為分析2001—2021年長三角地區生態環境質量的變化速率，運用公式（11）對2001—2021年長三角地區的城市級、區縣級生態環境質量數據分別進行線性趨勢分析，計算結果如圖6所示。圖6（a）為城市級生態環境質量變化速率，其值絕大部分小于0，這表示長三角地區大部分城市的生態環境質量隨著年份的增加在逐漸降低。結合縣級生態環境質量變化速率圖6（b）可知，安徽省除了合肥市核心區部分區縣、馬鞍山周邊區縣、安慶市部分區縣的生態環境質量的變化速率為負以外，其它大部分地區的生態環境質量的變化速率均為正，表示安徽省大部分地區隨著時間的增長生態環境質量也在提高。而浙江省大部分地區、江蘇省絕大部分地區的生態環境質量的變化速率均為負，表示在2001—2021年來這些地區的生態環境質量略有下降，研究發現，當今長三角地區的生態環境較2001年有所降低，對長三角地區的生態環境保護刻不容緩。

3.2.2 空間變化特征 基于以上工作，分析長三角地區生態環境質量的空間變化特征，檢測空間聚集或空間離散現象。應用GeoDa軟件，基于K-近鄰方法，默認鄰居數為4，選用具有標識的ID字段創建空間權重，計算2001—2021年長三角地區城市級生態環境質量的莫蘭指數，分析其空間自相關性，長三角地區長時序城市級生態環境質量莫蘭指數輸出如圖7所示。

將上述計算結果匯總得到表2，由表可知2001—2021年長三角地區城市級生態環境質量莫蘭指數均在0.7以上，最大值為0.823，最小值為0.788，表現出高空間自相關性。

應用LISA聚集圖更深入探究長三角地區城市級生態環境質量的聚集現象，顯示出聚集程度的空間分布特征，繪制的2001年至2021年長三角地區城市級生態環境質量LISA聚集圖如圖8所示。由圖可知，生態環境質量在城市級的空間尺度具有一定的聚集特征。浙江省大部分城市具有明顯的“高-高”聚集特征，且在2005年前后逐漸影響到安徽省南部部分地區，組成了長三角地區南部地區較大范圍的“高-高”聚集區；安徽省北部地區具有明顯的“低-低”聚集特征，且隨著時間的推移沒有明顯的區域擴張或縮小；江蘇省由一開始不明顯的聚集特征，逐漸演變為中部地區“低-低”聚集特征且逐漸向南擴張，在2005年前后與上海市合并在一起，表現出高度的“低-低”聚集特征。

結合經濟水平、地形地貌及氣象等因素分析，上海市及周邊城市為城市化水平高度發展地區，生態環境質量水平相較于長三角地區其它城市而言較低；安徽省北部為降水較少區域，較為干旱，生態環境質量水平較低；浙江省地形地貌主要是以連綿不斷丘陵為主，且降雨主要集中于浙江省的南部地區，生態環境保持良好。

應用GeoDa軟件，基于K-近鄰方法，默認鄰居數為4，選用具有標識的ID字段創建空間權重，計算2001—2021年長三角地區區縣級生態環境質量的莫蘭指數，分析其空間自相關性，長三角地區長時序區縣級生態環境質量莫蘭指數輸出如圖9所示。

將上述計算結果匯總得到表3，由表可知，2001—2021年長三角地區區縣級生態環境質量莫蘭指數均在0.7以上，最大值為0.804，最小值為0.777，表現出高空間自相關性。

應用LISA聚集圖更深入探究長三角地區城市級生態環境質量水平的聚集現象，顯示出空間上聚集程度的位置和分布特征，繪制的2001年至2021年長三角地區區縣級生態環境質量LISA聚集圖如圖10所示。由圖可知，生態環境質量在區縣級的空間尺度具有一定的聚集特征，其中浙江省大部分區縣的聚集特征均為“高-高”聚集，而與安徽省接壤的杭州市淳安縣、衢州市開化縣一直獨立于周邊的“高-高”聚集特征，表現不顯著特征。相較于城市級尺度變化較明顯的是安徽省的安慶市岳西縣、太湖縣和潛山縣三個縣隨著時間的變化基本呈現“高-高”聚集特征。上海市各區縣基本一直保持“低-低”聚集特征，且聚集區域隨時間的推移向周邊擴張。

4 結論

本文主要應用遙感技術，運用MODIS相關數據集和長時間序列的土地利用數據集，分別獲得綠度、干度、濕度、溫度和豐度五個指標，運用生態環境質量模型計算區域的生態環境質量，使用統計學相關分析方法，從時間和空間兩個角度分析長三角地區2001年至2021年生態環境質量分布特征及變化情況，并擺脫行政區范圍界限，結合像素級、城市級、區縣級三個尺度生態環境質量的分布具體分析小區域的時空變化情況。

（1）長三角地區生態環境質量水平的空間格局差異大，從南北、東西走向的對比中得出：長三角地區的南部地區生態環境質量較高，初步判斷與地形地貌、氣象因素以及城市的定位有關；生態環境質量較低的區域主要分布在安徽省北部，江蘇省北部和上海市，且隨著時間的變化有擴增的趨勢，考慮到安徽省、江蘇省的南北地形地貌、氣溫、干濕差異較明顯，且北部相比較南部而言較為干旱，而上海市地區的經濟水平高，相較于長三角其它地區其生態環境質量略有降低。

（2）結合長時序的時空變化分析得出，長三角地區大部分區域的生態環境質量都有不同程度的下降，其中僅有安徽省部分地區、浙江省西部地區的生態環境質量較二十年前左右有所提高。安徽省除了合肥市核心區部分區縣、馬鞍山周邊區縣、安慶市部分區縣的生態環境質量的提高速率較慢以外，其余大部分地區的生態環境質量的提高速率較快。浙江省大部分地區、江蘇省絕大部分地區的生態環境質量略有下降且速率較快，科學實施對長三角地區的生態環境保護刻不容緩。

（3）總體而言，長三角地區的生態環境質量具有一定的聚集特征且出現浙江、安徽北部、上海市周邊地區的“三分局面”。浙江省大部分地區具有明顯的“高-高”聚集特征，且逐漸帶動安徽省南部部分地區；江蘇省由一開始不明顯的聚集特征，逐漸演變為中部地區“低-低”聚集特征且聚集區域逐漸向南擴張，在2005年前后與上海市合并在一起，表現出高度的“低-低”聚集特征；上海市各區縣基本一直保持“低-低”聚集特征，且區域隨時間的推移向周邊擴張。

（4）城市的長久發展離不開政府、社會、人民群眾多方的努力和支持。政府、社會等要以“天空地”一體化技術為基礎，系統且精準地評估生態環境質量，在系統地保護生態環境質量的前提下發展經濟、擴張城市、提高城市發展質量，指導地區長久貫徹和實施相關保護政策，保證地區的可持續發展，讓人民群眾的幸福感更可持續、安全感更有保障。。

參考文獻：

［1］ 肖嚴華，侯伶俐，毛源遠.經濟增長、城鎮化與空氣污染——基于長三角城市群的實證研究［J］.上海經濟研究，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］ 習近平.高舉中國特色社會主義偉大旗幟 為全面建設社會主義現代化國家而團結奮斗——在中國共產黨第二十次全國代表大會上的報告［J］.創造，2022，30（11）：6-29.

［6］ 中華人民共和國環境保護部.生態環境狀況評價技術規范 HJ 192-2015［S］.北京：中國環境科學出版社， 2015.

［7］ 黃莘絨，管衛華，陳明星，等.長三角城市群城鎮化與生態環境質量優化研究［J］.地理科學，2021，41（1）：64-73.

［8］ 王勝.關于統計數據質量存在的問題及其對策研究［J］.現代經濟信息，2010（24）：206-208.

［9］ 施開放. 多尺度視角下的中國碳排放時空格局動態及影響因素研究［D］.上海：華東師范大學，2017：21-24.

［10］ 徐涵秋.區域生態環境變化的遙感評價指數［J］.中國環境科學，2013，33（5）：889-897.

［11］ 徐涵秋.城市遙感生態指數的創建及其應用［J］.生態學報，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］ 張琨，呂一河，傅伯杰，等.黃土高原植被覆蓋變化對生態系統服務影響及其閾值［J］.地理學報，2020，75（5）：949-960.

［15］ 張靜，楊麗萍，貢恩軍，等.基于谷歌地球引警和改進型遙感生態指數的西安市生態環境質量動態監測［J］.生態學報，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］ 許澤寧，陳子韜，甄茂成.區域一體化政策對城市高學歷人才分布的影響與作用機制——以長三角地區為例［J］.地理研究，2022，41（6）：1540-1553.

［18］ 中共中央國務院印發長江三角洲區域一體化發展規劃綱要［N］. 人民日報，2019-12-02（001）.

［19］ 李苗苗. 植被覆蓋度的遙感估算方法研究［D］.北京：中國科學院研究生院（遙感應用研究所），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］ 鄭子豪，吳志峰，陳穎彪，等.基于Google Earth Engine的長三角城市群生態環境變化與城市化特征分析［J］.生態學報，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］ 李興奇，高曉紅.服從不同分布數據的無量綱化方法研究［J］.統計與決策，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］ 任晨陽.長三角地區生態環境質量與城市化時空耦合協調特征分析［D］.上海： 上海師范大學，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］ 陳彥光.基于Moran統計量的空間自相關理論發展和方法改進［J］.地理研究，2009， 28（6）：1449-1463.

［29］ 劉昭玥，費楊，師華定，等.基于UNMIX模型和莫蘭指數的湖南省汝城縣土壤重金屬源解析［J］.環境科學研究，2021，34（10）：2446-2458.

［30］ 朱子明，祁新華.基于Moran'I的閩南三角洲空間發展研究［J］.經濟地理，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

（責任編輯：鞏 劼）