EN中文

Economic geography >

2026 , Vol. 46 >Issue 1: 204 - 214

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.01.020

Spatiotemporal Evolution of Ecological Quality in Shishou City Based on GEE and Remote Sensing Based Ecological Index

  • WANG Xu , 1 ,
  • FANG Xiaonan 1 ,
  • LI Shengfang 2 ,
  • XU Hang 1 ,
  • ZHENG Xiaoming 3, 4 ,
  • XIAO Hao 5
Expand
  • 1. School of Geography and Information Engineering， China University of Geosciences， Wuhan 430078，Hubei， China
  • 2. School of Arts and Communication， China University of Geosciences， Wuhan 430074，Hubei， China
  • 3. Geological Environmental Center of Hubei Province， Wuhan 430034，Hubei， China
  • 4. School of Environmental Studies， China University of Geosciences， Wuhan 430074，Hubei， China
  • 5. Shishou Municipal Bureau of Natural Resources and Planning， Shishou 434400，Hubei， China

Received date: 2025-01-05

  Revised date: 2025-07-30

  Online published: 2026-02-12

Fold

Abstract

Taking Shishou City as the research object and based on the Landsat5, 8, and 9 remote sensing data from 2000 to 2022, this study calculates greenness index, heat index, humidity index, and dryness index on the basis of Google Earth Engine, and constructs the Remote Sensing based Ecological Index (RSEI), which aims to dynamically monitor the changes in the ecological quality of Shishou City and identify the priority areas for ecological restoration. It uses the methods of spatial statistics and landscape pattern index to explore the spatial and temporal changes and aggregation characteristics of ecological quality in Shishou City. The results show that: 1) The average values of remote sensing ecological index in Shishou City were 0.682, 0.746, 0.769, 0.765 and 0.753 in the five time periods from 2000 to 2022, which were all at the level of "good" or above. 2) The ecological quality of Shishou City in the five periods was "excellent" and "good" in a wide range of areas, accounting for a large proportion. 3) From 2000 to 2010, the ecological quality of Shishou City improved more and degraded less. From 2011 to 2022, the ecological quality of Shishou City improved and degraded basically the same. 4) The Moran's index in Shishou City from 2000 to 2022 was 0.423, 0.550, 0.332, 0.340 and 0.543 in order, showing positive spatial correlation, with high-high clustering and low-low clustering predominating. 5) In the past two decades, the density of ecological quality landscape patches in Shishou City has tended to decrease, the shape of patches has tended to be regular, and similar patches have become more aggregated. The combination of RSEI and spatial statistical analysis is able to monitor the spatial and temporal changes of ecological quality, and identify priority areas for ecological restoration. The methods can provide certain reference for regional ecological security and ecological protection.

Key words： remote sensing based ecological index; ecological quality; landscape pattern index; spatial autocorrelation; Google Earth Engine; Shishou City

Cite this article

WANG Xu , FANG Xiaonan , LI Shengfang , XU Hang , ZHENG Xiaoming , XIAO Hao . Spatiotemporal Evolution of Ecological Quality in Shishou City Based on GEE and Remote Sensing Based Ecological Index[J]. Economic geography, 2026 , 46(1) : 204 -214 . DOI: 10.15957/j.cnki.jjdl.2026.01.020

生态评价对区域的发展规划起到重要支撑作用[1]。随着社会经济的高速发展，人地关系问题日益严重。在人类发展需求的驱动下，对土地资源的掠夺式开发导致地表形态剧烈改变[2]。随意开发不仅造成了生态系统的破坏，也导致了土地利用结构出现失衡[3]。同时，城镇化进程的加快，也导致我国各大城市群的生态空间被大量挤占，生态压力加剧，制约着城市群的健康发展[4]。社会经济的快速发展与生态环境之间的关系变得日益复杂，生态安全问题已被提升至国家战略层面[5]。长江经济带作为我国重大的区域发展战略，在过去近20年时间里经历了迅猛发展。然而，这一快速发展进程也导致了其生态系统的退化，社会经济发展与生态环境保护之间的矛盾愈发突出[6]，两者之间的耦合协调性问题也变得尤为显著[7]。江汉平原作为长江中下游区域的重要农业区，是我国不可或缺的农作物产地[8]。“万里长江，美在荆江”。位于长江荆江段的石首市，地处江汉平原与洞庭湖平原的交汇处，承载着江汉平原粮食安全、生态安全、水资源安全以及防洪安全的重大使命，是国家生态安全格局的重要组成部分。近几十年来，石首市长江荆江段以及洪湖流域历经围湖造田、围湖养殖等高强度的人类活动，使得区域内人、田、水之间的矛盾日益严重，生态系统变得极为脆弱。生态空间萎缩、生态结构受损、生态功能退化三大问题相互交织，严重威胁石首市的生态环境。
运用遥感、大数据、云计算等技术手段，能够快速、大范围地开展生态环境遥感监测。谷歌地球引擎（Google Earth Engine，GEE）是行星级别的地理空间分析云平台[9]，拥有强大的计算能力，对外公开并免费提供大量的对地观测数据。通过GEE平台可以快速完成大规模的土地利用、森林退化等方面的制图[10]。2013年，徐涵秋教授基于RS与GIS技术提出一种新型的遥感生态指数（Remote Sensing based Ecological Index，RSEI），耦合了植被指数、地表温度、湿度分量和土壤指数4个评价指标，以福建省长汀县为试验区开展研究，同时将RSEI的计算结果与《生态环境状况评价技术规范》中EI的计算结果进行比较，发现二者之间有较强的可比性[11]。同年，又将遥感生态指数的应用推广到城市范围[12]，分析出2001—2009年福州主城区生态环境质量等级变化情况。至今，RSEI已经得到学者们的广泛应用。Yue等基于遥感生态指数模型，对中国35个主要城市的生态环境质量状况进行了评价[13]；农兰萍等基于RSEI对昆明市2000—2018年生态环境质量进行了评价[14]；Hu等使用遥感生态指数研究了武汉市土地利用变化与生态环境质量的影响[15]；Zhang等基于RSEI的中国中部长株潭城市群生态环境质量时空演变及驱动因素分析，认为气候、土壤、地形对生态环境有正向影响，城镇化对生态环境有负向影响[16]。除城市外，RSEI在山区[17-18]、湖泊流域[19-20]、露天矿区[21-22]、自然保护区[23-24]等多种区域中均得到了广泛的运用。
对于地级尺度的荆州市，已有学者从植被[25-26]、耕地[27]、景观[28]、水生态[29]、土地利用[30-31]等多个角度开展分析研究，但缺乏针对县域尺度——石首市的生态质量评估。本文基于GEE平台，计算绿度、热度、湿度和干度指标，构建遥感生态指数，对石首市2000—2022年的生态质量情况进行监测，并识别出生态修复优先区。同时，通过对石首市的RSEI开展空间自相关分析，旨在揭示其近20年的生态质量时空变化以及空间分异趋势，并识别生态修复优先区，为该区的生态安全与生态保护提供基础数据支撑。这对于助力石首市生态文明建设，维护石首市的生态安全以及对长江经济带建设和长江大保护等国家工程具有重要意义。

1 研究区概况与数据来源

1.1 研究区概况

石首市地处江汉平原与洞庭湖平原交界处，为湖北省荆州市代管的县级市，属亚热带季风气候，地势东高西低，整体以平原为主。截至2023年，石首市下辖2个街道（绣林和笔架山街道）、11个镇（新厂、横沟市、大垸、小河口、桃花山、调关、东升、高基庙、南口、高陵和团山寺镇）、1个乡（久合垸乡）以及1个乡级单位（天鹅洲经济开发区）。石首市属于国家“三区四带”生态保护修复格局中的长江重点生态区，坐拥天鹅洲白鱀豚、麋鹿国家级自然保护区以及桃花山生态区。区域内耕地、山林与湿地交错分布，既承载着生物多样性保育、水土保持等生态服务功能，又支撑着农业生产的可持续发展，共同形成了一个完整的生态保护与生产发展复合系统。

1.2 数据来源

本文的遥感影像数据来源于GEE平台（https://earthengine.google.com/）公开发布的覆盖全球范围的Landsat地表反射率数据集，主要使用Landsat 5、Landsat 8与Landsat 9的Collection 2、Level 2数据，包括地表反射率（SR）和地表温度（ST）产品，空间分辨率为30 m，该数据集已经进行过辐射定标与大气校正。通过GEE平台中的JavaScript API接口，可以实现Landsat数据的在线调取与访问。本文选取石首市范围内的Landsat-5 TM（2000、2006和2010年）、Landsat-8 OLI（2016年）以及Landsat-9 OLI（2022年）共5个时期的遥感影像数据，时间集中在目标年份的7~9月，可最大程度地避免因为云层覆盖广、影像获取季节差异过大而对研究结果产生影响（表1）。
表1 遥感影像数据及信息

Tab.1 Remote sensing image data and its information

时间 影像编号 云量
（%）
2000/
09/04		 LANDSAT/LT05/C02/T1_L2/LT05_124039_20000904 9.00
LANDSAT/LT05/C02/T1_L2/LT05_124040_20000904 17.00
2006/
08/20		 LANDSAT/LT05/C02/T1_L2/LT05_124039_20060820 3.00
LANDSAT/LT05/C02/T1_L2/LT05_124040_20060820 4.00
2010/
07/31		 LANDSAT/LT05/C02/T1_L2/LT05_124039_20100730 6.00
LANDSAT/LT05/C02/T1_L2/LT05_124040_20100730 1.00
2016/
07/30		 LANDSAT/LC08/C02/T1_L2/LC08_124039_20160730 1.41
LANDSAT/LC08/C02/T1_L2/LC08_124040_20160730 1.97
2022/
08/08		 LANDSAT/LC09/C02/T1_L2/LC09_124039_20220808 0.21
LANDSAT/LC09/C02/T1_L2/LC09_124040_20220808 0.18

2 研究方法

2.1 遥感生态指数

遥感生态指数（RSEI）是一种基于GIS和遥感技术建立的，集成绿度、热度、湿度、干度4个指标，运用主成分变换确定各分量指标对生态质量的贡献度进而构建出的模型，是一个以自然地理要素为主要评价因子的模型。
遥感生态指数的抽象函数表达式为：
$RSEI=f\left(NDVI, WET, LST, NDBSI\right)$
式中：RSEI为遥感生态指数；NDVI表示绿度分量指标；WET为湿度分量指标；LST为热度分量指标；NDBSI为干度分量指标。
遥感生态指数模型主要适用于对陆地的反演，大面积的水体会干扰分量指标的计算，从而影响主成分分析。对于石首市这样存在大型湖泊与河流的区域，需要对其进行水体掩膜处理，以排除水域对RSEI计算的影响。本文利用MNDWI（归一化水体指数）对研究区的水域部分进行掩膜处理[32]，公式如下：
$MNDWI=\frac{{P}_{green}-{P}_{nir}}{{P}_{green}+{P}_{nir}}$
式中：Pnir代表遥感影像的近红外波段；Pgreen代表遥感影像的绿光波段。设定的阈值为0.2，即MNDWI的值大于0.2的部分为水体。
水体掩膜后，进行各分量指标的反演计算。此时各指标的大小与单位均存在差异，量纲不统一，不能直接进行运算，还需要对其分别进行标准化处理。将4个分量指标的量纲统一在区间[0,1]内，以保证在计算遥感生态指数时不会出现权重失衡的情况。采用极值法对各分量进行标准化处理。
遥感生态指数模型中4个分量指标的计算方法如下：
①绿度指标。本文选用归一化植被指数（Normalized Difference Vegetation Index，NDVI）表征，计算公式如下：
$NDVI=\frac{{P}_{nir}-{P}_{red}}{{P}_{nir}+{P}_{red}}$
式中：Pnir代表近红外波段；Pred代表红光波段。计算得到NDVI的值在-1~1之间，植被越健康、覆盖度越高时NDVI的值也就越大。
②热度指标。本文采用地表温度值（LST）表示，利用GEE平台提供的Landsat 5、8、9的Collection 2、Level 2数据中第六、第十波段（ST_B6、ST_B10）进行地表温度值的计算。ST_B6与ST_B10是平台处理好的关于地表温度的产品，在GEE中可以直接调用此波段进行地表温度的计算。
③湿度指标。湿度指标可以很好地反映出植被与土壤的湿度情况，常用于生态环境状况的监测，湿度指标值越高，表示区域内植被的生长情况和生态质量越好。本文采用缨帽变换中的湿度分量（WET）作为湿度指标进行计算，不同卫星传感器的公式参数有所不同。
④干度指标。土壤的干化程度对于生态环境有着一定程度的干扰，采用SI（裸土指数）可以反映出土壤干化情况。裸土指数的高低指示地表裸露严重状况与土地退化情况，三者呈正相关关系。IBI（建筑指数）也能够作为反映生态环境的重要指标，建筑物同样会导致土地的干化，建成区的扩大会破坏区域内原有的生态环境。本文将裸土指数SI和建筑指数IBI相结合，即使用二者的均值作为干度指标。
干度指标公式为：
$NDBSI=\frac{SI+IBI}{2}$
裸土指数公式为：
$SI=\frac{\left[\left({P}_{swir1}+{P}_{red}\right)-\left({P}_{nir}+{P}_{blue}\right)\right]}{\left[\left({P}_{swir1}+{P}_{red}\right)+\left({P}_{nir}+{P}_{blue}\right)\right]}$
建筑物指数公式为：
$IBI=\frac{\frac{2{P}_{swir1}}{{P}_{swir1}+{P}_{nir}}-\left(\frac{{P}_{nir}}{{P}_{nir}+{P}_{red}}+\frac{{P}_{green}}{{P}_{green}+{P}_{swir1}}\right)}{\frac{2{P}_{swir1}}{{P}_{swir1}+{P}_{nir}}+\left(\frac{{P}_{nir}}{{P}_{nir}+{P}_{red}}+\frac{{P}_{green}}{{P}_{green}+{P}_{swir1}}\right)}$
式中：NDBSI为干度指数；SI为裸土指数；IBI为建筑物指数；Pblue代表蓝光波段；Pgreen代表绿光波段；Pred代表红光波段；Pnir代表近红外波段；Pswir1代表中红外波段1。
利用GEE平台完成主成分分析，融合上文反演出的4个分量指标，并组合成新的影像，对其进行第一主成分的提取。经主成分分析变换后，得到原始遥感生态指数（RSEI0），公式为：
$RSE{I}_{0}=f\left\{P{C}_{1}\left[f\left(NDVI,WET,LST,NDBSI\right)\right]\right\}$
式中：RSEI0代表原始遥感生态指数；PC1为第一主成分；NDVI表示绿度分量指标；WET为湿度分量指标；LST为热度分量指标；NDBSI为干度分量指标。
为方便遥感生态指数的分析与比较，还需要对原始遥感生态指数（RSEI0）进行标准化处理，将其取值区间确定在[0,1]之间，公式为：
$RSEI=\frac{RSE{I}_{0}-RSE{I}_{min}}{RSE{I}_{max}-RSE{I}_{min}}$
式中：RSEI为经过标准化处理的遥感生态指数；RSEI0为原始遥感生态指数；RSEImin表示RSEI0的最小值；RSEImax表示RSEI0的最大值。RSEI数值越大，说明地区的生态条件越优秀。

2.2 空间自相关

空间自相关是检验一个要素的生态质量与其相邻空间的生态质量是否相关的重要指标[33]。利用全局空间自相关（Global Moran's I）和局部空间关联指标（Local Moran's I）能够有效地分析遥感生态指数的空间相关性。全局Moran's I指数反映了相邻空间单元属性值的相关性[34]，Global Moran's I的绝对值接近1，表明空间自相关更强[35]。
局部Moran's I（LISA）指数能够有效地反映研究区各网格单元生态质量之间的相关性[36]。如果全局空间自相关不存在，可以查找可能被屏蔽的局部空间自相关的位置；而当存在全局空间自相关时，可以分析是否存在空间异质性。
动态Moran散点图由4个象限组成，对应4种局部空间关联模式[37-38]。

2.3 景观格局指数

本文使用景观格局指数对石首市用地类型和遥感生态指数的变化情况进行分析，包括斑块密度（PD）、景观形状指数（LSI）以及聚合度指数（AI）。
斑块密度（PD）是单位面积内的斑块数量，可反映出某一类型斑块的破碎化程度，反映景观单位面积上的异质性。
$PD=\frac{NP}{A}$
式中：NP为斑块数量；A为景观总面积。
景观形状指数（LSI）可以指示形状的复杂程度，其值越大表明形状越复杂，公式如下：
$LSI=\frac{0.25·E}{\sqrt{A}}$
式中：E为景观中所有斑块边界的总长度（边缘长度）；A为景观总面积。
聚合度指数（AI）是斑块空间聚集程度的指标，可以反映同类斑块的邻近性和空间分布。
$AI=\frac{{g}_{ii}}{max{g}_{ii}}·100$
式中：gii为同类斑块之间的邻接边数；maxgii表示理论最大邻接边数（完全聚集状态）。

3 结果与分析

3.1 生态质量时空格局分析

本文在GEE平台中完成石首市2000、2006、2010、2016和2022年5个时期各指标计算和归一化处理，再进行主成分分析的计算，统计出研究区5个时期各指标的主成分分析结果（表2）。
表2 石首市5个时期RSEI各指标的主成分分析结果

Tab.2 Results of principal component analysis of RSEI in Shishou City

年份 指标 PC1 PC2 PC3 PC4
2000 NDVI 0.7695 0.5460 0.0229 -0.3306
WET 0.1837 -0.6841 0.1338 -0.6931
LST -0.1239 0.1429 0.9818 0.0156
NDBSI -0.5990 0.4620 -0.1326 -0.6404
特征值 0.0167 0.0065 0.0017 0.0003
特征值贡献率（%） 66.43 25.64 6.64 1.29
2006 NDVI 0.6785 0.7064 0.1256 -0.1578
WET 0.1072 -0.3252 0.0732 -0.9367
LST -0.3475 0.1642 0.9229 -0.0246
NDBSI -0.6383 0.6069 -0.3566 -0.3116
特征值 0.0085 0.0025 0.0012 0.0001
特征值贡献率（%） 69.36 20.52 9.47 0.66
2010 NDVI 0.8811 -0.4293 -0.1657 -0.1090
WET 0.0171 0.2138 0.1699 -0.9618
LST -0.1870 -0.6594 0.7279 -0.0214
NDBSI -0.4340 -0.5790 -0.6434 -0.2501
特征值 0.0172 0.0041 0.0017 0.0000
特征值贡献率（%） 74.74 17.73 7.35 0.19
2016 NDVI 0.7616 -0.5019 -0.3846 -0.1421
WET 0.1335 0.2120 0.3246 -0.9121
LST -0.2695 -0.8037 0.5292 -0.0379
NDBSI -0.5741 -0.2393 -0.6831 -0.3828
特征值 0.0264 0.0032 0.0017 0.0001
特征值贡献率（%） 84.26 10.18 5.31 0.25
2022 NDVI 0.6339 -0.7477 -0.1797 -0.0825
WET 0.1951 -0.0015 0.8870 -0.4186
LST -0.7328 -0.6608 0.1623 0.0047
NDBSI -0.1520 0.0655 -0.3933 -0.9044
特征值 0.0151 0.0037 0.0004 0.0000
特征值贡献率（%） 78.65 19.23 2.03 0.09
一般来说，计算得到的前几个主成分特征值贡献率越高，其集合的信息量越多，能够更好地集中各分量指标的主要信息。由表2可知，石首市5个时期PC1的特征值贡献率均大于66%，表明PC1能够较好地集中4个分量指标的大部分主要信息，可代替原有的绿度、热度、湿度和干度指标，用于遥感生态指数模型的构建。该方法能够在一定程度上减弱因人为制定分量指标而产生的主观性误差等影响，以此来分析石首市的生态质量状况，更加具有客观性，也更能够反映出研究区生态质量的变化。同时，石首市5个时期的NDVI和WET均为正值，LST和NDBSI均为负值，载荷方向一致，表明采用RSEI模型可以得到较为合理的结果。
同样，在GEE平台中完成石首市5个时期遥感生态指数的计算，并对其进行标准化处理得到统计结果。为了更加直观地看出研究期内石首市遥感生态指数的变化情况，本文将其转化为柱状图（图1）。
图1 石首市5个时期的遥感生态指数均值与分级比重

Fig.1 Mean values and grading proportions of RSEI in the five periods in Shishou City

由图1可知，石首市5个时期遥感生态指数（RSEI）的均值依次为0.682、0.746、0.769、0.765和0.753，整体呈现“先上升后小幅下降”的态势。参考徐涵秋对RSEI的生态环境分级标准[12]，按照0.2的间隔分为5个生态等级：差（0≤RSEI≤0.2）、较差（0.2<RSEI≤0.4）、中等（0.4<RSEI≤0.6）、良好（0.6<RSEI≤0.8）、优（0.8<RSEI≤1.0）。具体来看，石首市2000—2022年的遥感生态指数均值都大于0.6，属于“良好”水平；2000年石首市遥感生态指数的均值最低，2010年均值最高。此外，还发现近10年石首市的生态质量略有变差，后2个时期的遥感生态指数均值均低于2010年，但差距并不大，总体处于“良好”水平以上，但仍显著高于2000和2006年的水平。这表明，石首市的生态质量在经历显著提升后，近期虽面临小幅波动的压力，但整体仍稳定维持在良好状态。按照上文的分级分类方法，同时统计出5个时期石首市生态质量不同等级的面积及其所占比重（表3），以便于从时间尺度上分析2000—2022年石首市生态质量情况。
表3 石首市5个时期的遥感生态指数分级统计结果

Tab.3 Classification and statistical results of RSEI in the five periods in Shishou City

等级 指标 2000 2006 2010 2016 2022
差[0，0.2] 面积（km2） 4.36 0.90 2.43 0.36 2.30
比重（%） 0.37 0.08 0.21 0.03 0.20
较差（0.2，0.4] 面积（km2） 23.46 11.26 18.26 29.50 36.36
比重（%） 2.01 0.98 1.57 2.55 3.15
中等（0.4，0.6] 面积（km2） 179.40 57.83 85.42 117.13 100.83
比重（%） 15.36 5.01 7.35 10.14 8.73
良好（0.6，0.8] 面积（km2） 833.89 742.17 490.12 419.16 490.50
比重（%） 71.39 64.30 42.16 36.30 42.48
优（0.8，1.0] 面积（km2） 126.99 342.12 566.26 588.46 524.68
比重（%） 10.87 29.64 48.71 50.97 45.44
由表3可知，石首市5个时期的生态质量以“良好”与“优”水平为主，二者合计占比均在80%以上，2006和2010年更是达到90%以上。与2000年相比，2022年石首市的“优”等级面积增加了397.69 km2，“良好”等级面积减少了343.38 km2，“中等”等级面积减少了78.57 km2，“较差”等级面积增加了12.90 km2，“差”等级面积减少了2.05 km2。
不同时期的RSEI空间分布图可以直观地展示出研究区生态质量的时间、空间的分异。进一步地，本文将石首市5个时期的RSEI进行可视化（图2），以便于从空间尺度进行分析。
图2 石首市遥感生态指数等级空间分布演变

Fig.2 Evolution of spatial distribution of RSEI grades in Shishou City

从图2可见，石首市5个时期均以绿色与深绿色斑块（代表“优”和“良好”等级）为主，表明生态质量总体表现较好。相反，生态质量为“中等”及以下的区域占比较小，且空间上主要集中在石首市城区等城镇地带，表明这些区域因人口集中、人类活动强，生态质量偏低，且呈现出逐年扩张的趋势。

3.2 生态质量时空差异分析

为探究生态质量的时空演变趋势，本文选择2000、2006、2010、2016和2022年5个目标年份，利用生态等级转移矩阵分析石首市2000—2022年不同生态质量区域的变化情况。
图3为研究期内石首市各生态等级之间由转移矩阵得到的桑基图。从中看出，2000—2010年，生态质量提升显著，大量“良好”等级区域转化为“优”等级，同时大部分“中等”等级区域转换为“良好”和“优”等级；而“较差”和“差”等级区域变化较小。2011—2022年，生态质量略有下降，表现为部分“优”等级区域转化为“良好”等级；同时也有部分“良好”等级区域转化为“中等”等级；此外，“较差”等级区域也出现增长。
图3 2000—2022年石首市生态等级转移桑基图

Fig.3 Sankey diagram of ecological grade transfer in Shishou City, 2000-2022

为更好地分析生态等级的变化情况，本文按照转移情况分为5个等级，分别为不变（0）、略有退化（-1、-2）、明显退化（-3、-4）、略有改善（+1、+2）和明显改善（+3、+4）。
表4展示了石首市2000—2022年不同生态等级的变化情况，从中看出，2000—2006年与2007—2010年这两个时期石首市的生态质量改善面积远大于退化面积，其中2000—2006年，生态退化总面积为72.11 km2（占比6.43%），而改善总面积为401.65 km2（占比35.83%）；2007—2010年，退化面积为191.27 km2，改善面积则为375.39 km2。2011—2016年，石首市生态质量改善与退化基本一致，分别为256.02和247.30 km2，且大部分区域（55.13%）生态等级未发生变化。2017—2022年，生态质量略有下降，退化面积为272.04 km2（占比23.56%），改善面积为214.52 km2（占比18.58%）。
表4 2000—2022年石首市生态等级变化情况统计

Tab.4 Statistics on changes of ecological ranking in Shishou City, 2000-2022

时段 变化情况 明显退化 略有退化 不变 略有改善 明显改善
-4 -3 -2 -1 0 +1 +2 +3 +4
2000—2006年 变化等级面积（km2） 0.00 0.11 1.64 70.37 647.33 369.52 29.17 2.87 0.09
变化总面积（km2） 72.11 647.33 401.65
比重（%） 6.43 57.74 35.83
2007—2010年 变化等级面积（km2） 0.02 0.54 13.11 177.61 555.12 369.65 5.48 0.25 0.00
变化总面积（km2） 191.27 555.12 375.39
比重（%） 17.05 49.49 33.46
2011—2016年 变化等级面积（km2） 0.02 5.86 33.84 216.31 618.48 228.26 18.42 0.63 0.00
变化总面积（km2） 256.02 618.48 247.30
比重（%） 22.82 55.13 22.05
2017—2022年 变化等级面积（km2） 0.54 6.25 25.26 240.00 667.99 186.80 25.57 2.15 0.00
变化总面积（km2） 272.04 667.99 214.52
比重（%） 23.56 57.86 18.58
根据石首市生态质量的时空演变情况，可以对其进行生态修复优先区的识别。生态修复优先区在空间形态上应该尽可能完整连片，有利于生态修复工程的实施与管理[39]。但生态等级转移矩阵的像元以遥感影像为基础，空间形态较为破碎，不利于直接作为生态修复优先区。因此，本文基于生态等级转移矩阵，利用“聚合面”工具[40]将破碎的像元聚合为新的面要素，并以2016—2022年“明显退化”的区域作为生态修复的潜在区域输入，最终识别出完整连片、面积较大的生态修复优先区（图4）。
图4 石首市生态修复优先区空间分布

Fig.4 Spatial distribution of ecological restoration priority zones in Shishou City

根据图4，本文可识别出石首市的生态修复优先区面积为18.16 km2。进一步，从中选取a、b、c、d 4处典型区域，结合2022年的遥感影像图，发现这些区域大多为建设用地、裸地和收割后的农田，受人类活动影响较大。相比之下，建设用地与裸地生态功能受损突出，可以考虑对这些区域进行优先生态修复。

3.3 生态质量的空间自相关

为探究石首市生态质量的空间分异特征，本文对遥感生态指数（RSEI）进行探索性空间统计分析。首先采用300 m×300 m的格网对RSEI影像进行重采样，以确保尺度信息的完整性并满足量化分析的精度。在此基础上，系统采集采样点数据，以验证其空间相关性，进而揭示生态质量的空间分异特征。
首先，利用采样点分析绿度、湿度、热度、干度4个分量指标与RSEI之间的关系。图5为RSEI和正向指标（绿度、湿度），负向指标（热度、干度）的三维散点图。由图5可知，RSEI越大，NDVI和WET也越大，表现为正相关，即植被条件越好、湿润度越高，生态环境就越好；RSEI越小，LST和NDBSI越大，表现为负相关，即地表温度越高、区域干度越高，生态环境相对越差。
图5 遥感生态指数与分量指标的三维散点图

Fig.5 Three-dimensional scatterplot of RSEI versus component indicators

然后，对采样点进行空间自相关分析。通过Moran's I分析2000、2006、2010、2016和2022年石首市遥感生态指数的全局空间自相关情况，得到5个时期的莫兰指数散点图（图略）。结果可知，石首市5个时期的莫兰指数依次为0.423、0.550、0.332、0.340和0.543，散点主要分布于第一、三象限（即高—高聚集与低—低聚集），表明石首市的生态质量在空间上具有正相关性。其中，2006年莫兰指数值最大，空间正相关性最强；2010年莫兰指数值最小，空间正相关性最弱。5个时期散点主要在第三象限聚集，表明石首市生态质量偏低的地区RSEI差异性小。
最后，利用局部空间自相关分析结果并绘制LISA聚类和显著性图来分析石首市生态质量的空间分布特征（图略）。从显著性来看，研究期内石首市“不显著”的区域分布最广。从LISA聚类来看，高—高（H-H）聚集区呈现碎片化散落分布，其占比呈波动变化，主要分布在石首市的北部和南部，广大的江汉平原区域；低—低（L-L）聚集区域主要分布在石首市城区，并沿长江沿岸零散分布；5个时期的高—低（H-L）和低—高（L-H）分布零散，面积占比较小。具体来说，5个研究时期中石首市生态质量“不显著”的区域占主导地位，而显著的区域则主要集中在城镇区域范围内，其余地区分布零散，呈碎片化格局。同时，高—高（H-H）聚集区域在5个时期中大多通过了0.01的显著性检验，而低—低（L-L）聚集区域则更为显著，普遍达到了0.001的水平。

3.4 用地类型与景观格局

土地利用/覆盖变化不仅影响地表覆盖，也会影响地面绿度、热度、湿度、干度等生态环境因子[41]。不同的用地类型，对生态环境质量状况影响各异。探究二者之间的联系，有助于合理开发土地，同时对于生态保护、修复方面的工作有着一定的指导作用。本文选择武汉大学杨杰和黄昕教授团队的中国逐年土地覆盖数据集（CLCD）开展研究[42]。首先将目标年份的CLCD数据转换为矢量数据，继而利用“分区统计”工具，以用地类型为分区单元，统计各类型对应的5个时期的RSEI值。由于计算RSEI时进行了水体掩膜，因此，此步骤不再包含“水体”这一用地类型。计算结果见表5。
表5 石首市5个时期各用地类型的RSEI统计值

Tab.5 RSEI statistical values by land use type in Shishou City, 2000-2022

年份 RSEI统计值 耕地 林地 草地 裸地 不透水面
2000 min 0.000 0.096 0.413 0.023 0.012
max 1.000 0.902 0.477 0.854 0.927
mean 0.690 0.698 0.443 0.289 0.428
median 0.701 0.704 0.439 0.180 0.409
2006 min 0.006 0.333 0.134 0.070 0.018
max 1.000 0.866 0.727 0.770 0.865
mean 0.755 0.732 0.545 0.369 0.494
median 0.773 0.738 0.604 0.238 0.473
2010 min 0.001 0.149 0.009 0.378 0.000
max 1.000 0.952 0.806 0.787 0.947
mean 0.779 0.823 0.641 0.632 0.477
median 0.800 0.836 0.659 0.648 0.443
2016 min 0.070 0.215 0.343 0.398 0.000
max 1.000 0.966 0.904 0.809 0.960
mean 0.776 0.822 0.755 0.622 0.474
median 0.806 0.838 0.768 0.623 0.431
2022 min 0.000 0.076 0.256 0.224 0.022
max 0.990 0.894 0.986 0.911 1.000
mean 0.767 0.744 0.780 0.647 0.460
median 0.796 0.754 0.799 0.668 0.421
由表5可知，耕地、林地的RSEI值普遍较高，对生态质量起积极作用。其中耕地的RSEI值差异较大，其极差在所有用地类型中位居前列。可能原因是，遥感影像选取的时间存在差异，不同年份影像的部分耕地会存在处于收获前、收获后两个不同的状态，导致农作物的覆盖情况不同，影响了RSEI值。不透水面、裸地区域的生态环境质量相对偏低。草地、裸地的RSEI值呈持续上升趋势，但二者在整个区域的面积占比极小，代表性不足。总的来说，林地、耕地、草地等生态用地对生态环境起正面作用；而裸地、不透水面等则主要起负面作用。
进一步选取部分景观格局指数对2000—2022年石首市用地类型和遥感生态指数变化情况进行分析，使用Fragstats 4.2软件计算出斑块密度（PD）、景观形状指数（LSI）以及聚合度指数（AI），并绘制石首市用地类型和RSEI景观格局变化图（图6）。
图6 2000—2022年石首市用地类型和RSEI景观格局变化

Fig.6 Changes in landscape patterns of land use type and RSEI in Shishou City, 2000-2022

从用地类型角度来看，建设用地的PD最高且持续上升，表明其破碎化程度加剧；林地的PD呈现先减后增再减少的趋势，耕地则呈持续上升趋势；草地、裸地PD较低且相对稳定。建设用地的LSI显著高于其他地类，形状更复杂，2000—2022年均维持高位；耕地、林地的LSI出现先减后增再减少的趋势；裸地、草地等LSI较低。耕地、裸地、林地的AI较高，表明分布更聚集；建设用地AI相对较低，且变化幅度小；2000—2006年草地的AI出现剧烈增加，之后处于高位且趋于平稳。总体来看，2000—2022年石首市建设用地趋于破碎化和形状复杂化，而其他用地类型则相对聚集、破碎化程度较低。
从RSEI角度来看，优等级的PD呈现持续下降的趋势，斑块密度逐年降低；良好等级的PD先增后减；中等、较差等级的PD波动变化；差等级的PD较低。5个等级的LSI均表现出先减（2000—2006年）后增（2007—2016年）再减少（2017—2022年）的趋势，景观形状较为复杂。至于聚合度指数AI，优等级持续上升，聚集趋势增强；其余4个等级均有先减后增的趋势。总体来看，2000—2022年石首市生态质量景观斑块密度趋于减少，斑块形状呈规则化发展，且同类斑块的聚集性呈整体增强的趋势。

4 结论与讨论

4.1 结论

本文利用传统遥感平台以及云平台，基于Landsat 5 TM和Landsat 8、9 OLI遥感影像，反演了2000—2022年石首市的绿度、湿度、热度和干度4个指标特征，并利用主成分分析法构建遥感生态指数模型，通过RSEI对其生态质量进行监测。此外，还基于空间统计分析和景观格局指数的方法探讨了生态质量的空间分布及聚集特征。主要结论如下：①研究期内石首市5个时期的RSEI均值依次为0.682、0.746、0.769、0.765和0.753，均处于“良好”水平以上，表现为先增后减，整体水平较2000年基准期有明显提升。②石首市5个时期均以绿色、深绿色斑块为主，生态质量为“优”和“良好”的区域分布广泛、占比较大，表明整体生态质量良好。生态质量差的区域集中在石首市城镇范围。③2000—2006和2007—2010年石首市生态质量均表现为改善多、退化少，其中出现改善的面积比重均大于30%。2011—2016年石首市生态质量改善与退化基本一致，面积分别为256.02和247.30 km2。2017—2022年生态质量略有变差，有23.56%的区域出现退化，18.58%的区域出现改善。同时识别出面积为18.16 km2的生态修复优先区。④石首市5个时期的莫兰指数依次为0.423、0.550、0.332、0.340和0.543，在空间上具有正相关性。以高—高（H-H）聚集和低—低（L-L）聚集为主。⑤研究期内石首市建设用地趋于破碎化和形状复杂化，其他用地类型则表现为相对聚集与低破碎化。生态质量景观斑块密度趋于减少，斑块形状趋于规则，同生态等级斑块更加聚集。

4.2 讨论

从社会层面来看，石首市2000—2010年生态质量持续好转，主要原因是在1990年代末以及本世纪初我国政府先后出台了生态环境保护相关条例，有效提升了社会整体的环保意识。1994年湖北省第八届人民代表大会常务委员会通过了《湖北省环境保护条例》，在环境监督管理、防治环境污染和其他公害、保护和改善生活生态环境及法律责任明确等方面做了具体规定。1998年国务院发布了《建设项目环境保护管理条例》，对建设项目和生产活动提出实行环境影响评价制度，这一制度从源头上对可能对生态环境造成影响的社会行为进行了科学评估，并通过严格的审批程序和规范性要求，将潜在的环境风险降至最低。
与此同时，全球范围对于在农业方面人与自然和谐共生的倡导在本世纪初开始有了进展。自2002年联合国粮农组织（FAO）发起“全球重要农业文化遗产（GIAHS）动态保护与适应性管理”倡议以来，以乡村为核心生存空间、注重人与自然和谐共生的传统复合农业生产系统，逐步在全球范围内获得“制度化与合法化”保护和管理的理论支持。这一倡议为保障地方粮食安全与生计需求提供了有力支撑，同时也成为乡村社会可持续发展的重要驱动力[43]。湖北作为农业大省，是中国重要的粮食主产区之一，每年粮食总产量稳居全国前列。2006年湖北省第十届人民代表大会常务委员会第二十三次会议通过了《湖北省农业生态环境保护条例》，从法律层面明确了农业生态环境的管理要求，对农业生产、社会资本投入及公众参与等环节进行了规范，标志着湖北省在协调生态保护与农业发展方面迈出了关键一步，为后续的良性互动奠定了制度基础。
近10年来，在城市高速发展建设过程中，石首市的遥感生态指数出现一定的下降。长江是中国第一大河，长江流域生态保护和高质量发展的需要对长江沿岸城市提出了新的要求，同时沿岸城市也面临新的挑战和机遇。2022年6月，“长江荆江段及洪湖流域山水林田湖草沙一体化保护和修复工程项目”正式通过评审和公示，并于2022年底全面推进所有子项目，项目为期3年。其中，石首市内分布有“荆州山水项目”中的8个子项目，可以预见，经过后续3年时间的生态保护与修复，石首市的生态环境在未来将会得到进一步改善。
需要指出的是，本研究也存在一些局限性。尽管本文选用遥感生态指数（RSEI）开展研究，相较于原国家环境保护总局在2006年提出的生态环境状况指数（EI）而言，各项指标的权重更加客观，且操作便捷[44]，能够在一定程度上体现出当地的生态质量状况，但其评估结果仍存在不确定性。同时，RSEI模型主要基于自然要素反演，未充分纳入GDP、人口、文化等社会影响因素，难以全面刻画人地关系耦合下的复杂生态过程[45]。此外，在土地类型异质性较强的区域，各遥感指标的敏感性及其差异性，可能导致评估结果存在偏差。未来将进一步加入地面同步实测数据（如生物量、土壤湿度等）与遥感指标进行对比验证，以深化对RSEI模型在异质性区域机理的理解，并提升其在复杂区域的评估精度。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
骆泓鉴, 明冬萍, 徐录. 基于GEE的遥感生态指数时序计算[J]. 自然资源遥感, 2022, 34(2):271-277.

[2]
戈晨曦. “三生空间”背景下榆林市土地利用功能演变及生态环境响应[D]. 西安: 长安大学, 2021.

[3]
邹利林, 刘彦随, 王永生. 中国土地利用冲突研究进展[J]. 地理科学进展, 2020, 39(2):298-309.

DOI

[4]
王世豪, 黄麟, 徐新良, 等. 特大城市群生态空间及其生态承载状态的时空分异[J]. 地理学报, 2022, 77(1):164-181.

DOI

[5]
陈昆仑, 齐漫, 王旭, 等. 1995—2015年武汉城市湖泊景观生态安全格局演化[J]. 生态学报, 2019, 39(5):1725-1734.

[6]
刘小琼, 何鹏飞, 韩继财, 等. 长江经济带生态安全格局演化及多情景模拟预测[J]. 经济地理, 2023, 43(12):192-203.

DOI

[7]
李小娟, 万大娟, 王长梅. 怀化市经济发展与生态环境保护耦合协调性研究[J]. 经济地理, 2023, 43(11):190-197.

DOI

[8]
夏天, 吴婕妤, 朱媛媛, 等. 中国中部重点农区虾稻田的时空演变及地域模式[J]. 经济地理, 2023, 43(6):183-191.

DOI

[9]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine:Planetary-scale geospatial analysis for everyone[J]. Remote sensing of Environment, 2017, 202:18-27.

DOI

[10]
Mondal P, McDermid S S, Qadir A. A reporting framework for Sustainable Development Goal 15:Multi-scale monitoring of forest degradation using MODIS,Landsat and Sentinel data[J]. Remote Sensing of Environment, 2020, 237:111592.

DOI

[11]
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.

[12]
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24):7853-7862.

[13]
Yue H, Liu Y, Li Y, et al. Eco-environmental quality assessment in China's 35 major cities based on remote sensing ecological index[J]. Ieee Access, 2019, 7:51295-51311.

DOI

[14]
农兰萍, 王金亮. 基于RSEI模型的昆明市生态环境质量动态监测[J]. 生态学杂志, 2020, 39(6):2042-2050.

[15]
Hu C, Song M, Zhang A. Dynamics of the eco-environmental quality in response to land use changes in rapidly urbanizing areas:A case study of Wuhan,China from 2000 to 2018[J]. Journal of Geographical Sciences, 2023, 33(2):245-265.

DOI

[16]
Zhang Y, She J, Long X, et al. Spatio-temporal evolution and driving factors of eco-environmental quality based on RSEI in Chang-Zhu-Tan metropolitan circle,central China[J]. Ecological Indicators, 2022, 144:109436.

DOI

[17]
王建, 赵牡丹, 李健波, 等. 基于MODIS时序数据的秦巴山区生态环境质量动态监测及驱动力分析[J]. 山地学报, 2021, 39(6):830-841.

[18]
Wang H, Liu C, Zang F, et al. Remote sensing-based approach for the assessing of ecological environmental quality variations using Google Earth Engine:A case study in the Qilian Mountains,Northwest China[J]. Remote Sensing, 2023, 15(4):960.

DOI

[19]
Yuan B, Fu L, Zou Y, et al. Spatiotemporal change detection of ecological quality and the associated affecting factors in Dongting Lake Basin,based on RSEI[J]. Journal of Cleaner Production, 2021, 302:126995.

DOI

[20]
Xiong Y, Xu W, Lu N, et al. Assessment of spatial-temporal changes of ecological environment quality based on RSEI and GEE:A case study in Erhai Lake Basin,Yunnan province,China[J]. Ecological Indicators, 2021, 125:107518.

DOI

[21]
Zhu D, Chen T, Zhen N, et al. Monitoring the effects of open-pit mining on the eco-environment using a moving window-based remote sensing ecological index[J]. Environmental Science and Pollution Research, 2020, 27:15716-15728.

DOI

[22]
Xiao W, Guo J, He T, et al. Assessing the ecological impacts of opencast coal mining in Qinghai-Tibet Plateau-a case study in Muli coal field,China[J]. Ecological Indicators, 2023, 153:110454.

DOI

[23]
Jing Y, Zhang F, He Y, et al. Assessment of spatial and temporal variation of ecological environment quality in Ebinur Lake Wetland National Nature Reserve,Xinjiang,China[J]. Ecological Indicators, 2020, 110:105874.

DOI

[24]
Su Y, Feng G, Ren J. Spatio-temporal evolution of land use and its eco-environmental effects in the Caohai National Nature Reserve of China[J]. Scientific Reports, 2023, 13(1):20150.

DOI

[25]
王彤新, 李莎, 左婵, 等. 近20年荆州市归一化植被指数时空演变特征及其对空气质量的影响[J]. 中国城市林业, 2023, 21(6):106-112.

[26]
黄端, 池泓, 朱浪, 等. 荆州市农田植被净初级生产力时空特征分析[J]. 气象科技进展, 2018, 8(5):96-100.

[27]
张雅杰, 李扬. 基于GIS的耕地质量综合评价——以湖北省荆州市为例[J]. 国土资源科技管理, 2017, 34(1):90-96.

[28]
陈晶晶, 李天宏. 基于PSR模型和投影寻踪法的荆州市景观生态风险评价[J]. 北京大学学报(自然科学版), 2017, 53(4):731-740.

[29]
刘嘉, 魏清松, 徐齐帆, 等. 荆州市水环境与水生态问题分析及治理措施[J]. 水利水电快报, 2024, 45(S1):73-75.

[30]
孙智杰, 江越潇, 罗莉威, 等. 基于土地利用的荆州市三生空间格局演化特征分析[J]. 上海国土资源, 2024, 45(2):111-118.

[31]
余威, 何蒲明. 基于GeoSOS-FLUS模型的荆州市生态安全评估[J]. 天津农业科学, 2024, 30(2):47-54.

[32]
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(5):589-595.

[33]
Fan G Y, Cowley J M. Auto-correlation analysis of high resolution electron micrographs of near-amorphous thin films[J]. Ultramicroscopy, 1985, 17(4):345-355.

DOI

[34]
王宏亮, 高艺宁, 王振宇, 等. 基于生态系统服务的城市生态管理分区——以深圳市为例[J]. 生态学报, 2020, 40(23):8504-8515.

[35]
Wan L H, Wang S W, Chen X H. GeoDA-based spatial correlation analysis of GDP in Hadaqi industrial corridor[J]. Geographical Research, 2011, 30:977-984.

[36]
Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2):93-115.

DOI

[37]
周婷, 马姣娇, 徐颂军. 2003-2013年中国湿地变化的空间格局与关联性[J]. 环境科学, 2020, 41(5):2496-2504.

[38]
朱磊, 杨爱民, 夏鑫鑫, 等. 基于空间自相关的1975—2015年玛纳斯河流域耕地时空特征变化分析[J]. 中国生态农业学报(中英文), 2020, 28(6):887-899.

[39]
黄友慧, 辛儒鸿, 李凯. 红枫湖镇生态环境质量评价及修复优先区识别研究[J]. 西南林业大学学报(自然科学), 2024, 44(4):64-72.

[40]
付梦娣, 唐文家, 刘伟玮, 等. 基于生态系统服务视角的生态风险评估及生态修复空间辨识——以长江源区为例[J]. 生态学报, 2021, 41(10):3846-3855.

[41]
匡文慧. 城市土地利用/覆盖变化与热环境生态调控研究进展与展望[J]. 地理科学, 2018, 38(10):1643-1652.

DOI

[42]
Yang J, Huang X. 30 m annual land cover and its dynamics in China from 1990 to 2019[J]. Earth System Science Data Discussions, 2021, 2021:1-29.

[43]
卢勇, 陈晖, 伽红凯, 等. 重要农业文化遗产保护与农业韧性的时空演变及影响效应[J]. 经济地理, 2024, 44(10):194-204.

DOI

[44]
张静, 杨丽萍, 贡恩军, 等. 基于谷歌地球引擎和改进型遥感生态指数的西安市生态环境质量动态监测[J]. 生态学报, 2023, 43(5):2114-2127.

[45]
Xia H, Zhang W, Wang H, et al. Spatial-temporal patterns and characteristics of ecological function between 2009 and 2015 in China[J]. Ecological Indicators, 2020, 116:106478.

DOI

Options
Outlines

/

〈 〉