基于改进型遥感生态指数的兰州市主城区生态环境质量时空变化分析

Analysis of spatio-temporal variations in the quality of the ecological environment in Lanzhou’s main urban area based on an improved remote sensing ecological index

摘要

目的 研究河谷型城市生态环境质量状况，为生态环境质量的可视化表达提供方法支撑。 方法 在RSEI的基础上引入PM_2.5作为大气环境指标，提出了适用于河谷型城市的改进型遥感生态环境指数模型IRSEI。基于熵权法和指标和法计算IRSEI指数，使用地理探测器进行因子探测，分析了兰州市主城区2012~2022 年生态环境质量时空格局演变与驱动因素。 结果 2012~2022年夏季和冬季生态环境质量分布格局相似，大部分地区的IRSEI指数等级为“中等”和“良好”，这说明10 a间研究区生态环境整体向好发展。2012~2022年冬季生态环境质量较差的面积呈减小趋势，夏季生态环境质量较差的面积明显低于冬季。土地利用类型、GDP、人口密度、高程和气温成为影响研究区IRSEI空间变化的主要驱动因素。 结论 使用IRSEI能够更全面地反映兰州市主城区的生态环境质量状况，2012~2022年兰州市主城区生态环境出现逐渐向好的趋势，2010年以来兰州市持续实施的污染防治和生态修复等措施，对区域生态环境质量的改善发挥重要作用。

Abstract

Objective The aim of this paper was to analyze the quality of the ecological environment in valley cities and to provide a method and technical support for visually expressing this quality. Method Based on the RSEI，the paper introduced PM_2.5 as an atmospheric environment index and proposed the IRSEI for valley cities.The IRSEI was calculated using the entropy weight method and indicators.Geodetectors were then used to detect factors，and the temporal and spatial distribution of the IRSEI in the main urban area of Lanzhou City was analyzed from 2012 to 2022. Result From 2012 to 2022，the distribution pattern of ecological environment quality in summer and winter was basically similar，with most areas receiving ‘moderate’ or ‘good’ IRSEI index grades，indicating that the overall ecological environment has developed well over the past 10 years.During this period，there was a downward trend in the proportion of areas with poor ecological quality in winter，while the average proportion of areas with poor ecological quality in summer was significantly lower.The main driving factors affecting the IRSEI were land use type，GDP，population density，elevation and temperature. Conclusion The IRSEI could comprehensively reflect the quality of the ecological environment in the study area，which would gradually improve from 2012 to 2022.The measures implemented in Lanzhou since 2010，such as pollution prevention and ecological restoration，have played an important role in improving the regional ecological environment.

Graphical abstract

关键词

兰州市 / 河谷型城市 / 生态环境质量 / IRSEI / 时空变化

Key words

Lanzhou City / the valley city / ecological environment quality / IRSEI / temporal and spatial variation

人类的生存和发展离不开生态环境，良好的生态环境更是前提与保障，城市作为人类活动对自然环境影响最剧烈的区域，其生态环境质量状况关乎人类健康^［1］。2013年，徐涵秋^［2］提出了综合性遥感生态指数（RSEI），该方法相比于 EI 指数在指标权重及结果的可视化方面取得明显进展。此后，RSEI成为城市生态环境质量监测的主流方法。学者如宋慧敏等^［3］、吴可人等^［4］、姜俊狄等^［5］均使用RSEI模型实现了城市生态环境质量的监测与评价。

为提高RSEI在不同类型、不同特征城市生态环境监测的适用性，许多学者对其进行了改进与完善。如Jia等^［6］使用前3个主成分加权求和得到黄山市的 MRSEI 、刘英等^［7］使用核主成分分析法得到 MRSEI。这些方法上的改进，使模型评价结果更加精确。此外，部分学者在 RSEI 基础上调整或新增指标，如焦晓萌等^［8］使用 RDI 代替干度指标，实现了西南岩溶地区生态环境动态监测；王杰等^［9］使用盐度和土地退化指标代替干度指标实现了我国干旱地区--乌兰布和沙漠的生态环境遥感监测。张伟等^［10］在RSEI基础上新增了CSI和EMW两个指标，实现了呼包鄂榆城市群的生态环境评价；冯自贤等^［11］新增PM₁₀实现了干旱半干旱区-宁夏回族自治区的生态环境评价。这些改进在一定程度上提高了研究的针对性。然而，目前鲜少有针对河谷型城市生态环境质量评价的方法，RSEI对河谷型城市生态环境质量评价的适用性尚需论证。

兰州市位于甘肃省中部，黄河自西向东穿城而过，形成典型的河谷盆地地貌，导致地形封闭性强，不利于大气污染物扩散。田世丽等^［12］研究发现河谷地形明显抑制了兰州市污染物的扩散。瞿德业等^［13］发现兰州市城区PM_2.5浓度相比于PM₁₀对大气污染的贡献呈增加趋势。由此可见，河谷地形对区域气候、污染扩散、生态环境等产生显著影响。然而，RSEI 模型并未考虑大气对生态环境的影响，若将其直接用于河谷型城市生态环境质量监测，可能会造成结果偏高，不能反映区域真实现状。

基于此，本研究引入PM_2.5，构建了改进型遥感生态指数（IRSEI），监测2012~2022年兰州市主城区生态环境质量状况和时空分布，以期为兰州市及其他河谷型城市生态环境综合治理、生态保护与绿色发展规划等提供参考。

1 材料与方法

1.1 研究区概况

如图1所示，兰州市主城区位于兰州市中西部，包括城关区、七里河区、安宁区等五区，面积约为1 663 km²。黄河穿城而过，城区呈东西狭长带状分布，地势西北部、南部高，中间低，平均海拔约1 850 m^［14］。区域属温带大陆性气候，年均气温10.3 ℃，年均降水量327 mm。作为典型的河谷型城市，其地理封闭性、工业密集性与生态脆弱性共同构成了独特的生态环境基底。

1.2 数据来源

研究所需数据主要包括Landsat数据、PM_2.5站点数据以及其他数据。

Landsat数据来源于美国地质调查局（https：//ers.cr.usgs.gov/），包括Landsat5 TM 和Landsat8 OLI，行列号为131035，时相为2012~2022年的1月和8月（优选当月15日，云量小于5%）。对影像进行辐射定标、大气校正、水体掩膜等预处理后，对多期影像人工采集精度检测点，相对误差小于1个像素，可以满足本研究精度要求。

PM_2.5数据来自于中国环境监测总站（https：//www.cnemc.cn/），使用主城区及周边8个站点数据进行克里金插值得到覆盖全域的PM_2.5数据^［15］，使用预留2个站点数据进行精度验证，R²达到0.81，可以用来构建与差值霾指数（DHI）之间的联系^［16］。

其他数据来源如表1所示。为确保数据尺度一致性，以上数据均使用兰州市主城区范围进行裁剪，统一重采样为30 m。

1.3 IRSEI指数计算

在RSEI基础上增加了PM_2.5指标后，最终的IRSEI计算如式（1）：

V_{\mathrm{I}\mathrm{R}\mathrm{S}\mathrm{E}\mathrm{I}}=f\left(V_{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}},V_{\mathrm{W}\mathrm{E}\mathrm{T}},V_{\mathrm{L}\mathrm{S}\mathrm{T}},V_{\mathrm{N}\mathrm{D}\mathrm{B}\mathrm{S}\mathrm{I}},V_{\mathrm{D}\mathrm{H}I}\right)（1）

式中：V_{\mathrm{I}\mathrm{R}\mathrm{S}\mathrm{E}\mathrm{I}}为改进后的遥感生态指数；V_{\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}}、V_{\mathrm{W}\mathrm{E}\mathrm{T}}、V_{\mathrm{L}\mathrm{S}\mathrm{T}}、V_{\mathrm{N}\mathrm{D}\mathrm{B}\mathrm{S}\mathrm{I}}、V_{\mathrm{D}\mathrm{H}\mathrm{I}}分别为绿度、湿度、热度、干度与PM_2.5指数。

1.3.1　指标计算　1） 绿度指标：以NDVI指数代表绿度指标，公式如式（2）：

NDVI=\frac{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}-{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}}{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}+{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}}（2）

式中：{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}\mathrm{、}{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}分别为Landsat5 TM第4、3波段与Landsat8 OLI第5、4波段。

2） 湿度指标：以WET指数作为湿度指标，用缨帽变换的第3分量表示，公式如（3）：

WET=S_{\mathrm{1}\mathrm{B}\mathrm{L}\mathrm{U}\mathrm{E}}+S_{\mathrm{2}\mathrm{G}\mathrm{R}\mathrm{E}\mathrm{E}\mathrm{N}}+S_{\mathrm{3}\mathrm{R}\mathrm{E}\mathrm{D}}+S_{\mathrm{4}\mathrm{N}\mathrm{I}\mathrm{R}}+S_{\mathrm{5}\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}+S_{\mathrm{6}\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{2}}（3）

式中：BLUE、GREEN、SWIR1、SWIR2分别对应Landsat5 TM第1、2、5、7波段和Landsat8 OLI第2、3、6、7波段。S₁~S₆系数参考已有研究结果^［17-18］。

3） 干度指标：研究中的SI指数由两部分构成，即SI和IBI^［19］，计算公式如式（4）、式（5）、式（6）：

SI=\left[\left({\rho }_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}+{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}\right)-\left({\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}\mathrm{E}}+{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}\right)\right]/\left[\left({\rho }_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}+{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}\right)+float\left({\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}\mathrm{E}}+{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}\right)\right]（4）

IBI=\left[\mathrm{2}{\rho }_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}/\left({\rho }_{\mathrm{S}\mathrm{W}\mathrm{R}\mathrm{I}\mathrm{1}}+{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}\right)-{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}/\left({\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}+{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}\right)+{\rho }_{\mathrm{G}\mathrm{R}\mathrm{E}\mathrm{E}\mathrm{N}}/\left({\rho }_{\mathrm{G}\mathrm{R}\mathrm{E}\mathrm{E}\mathrm{N}}+{\rho }_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}\right)\right]/\left[\mathrm{2}{\rho }_{\mathrm{S}\mathrm{W}\mathrm{R}\mathrm{I}\mathrm{1}}/\left({\rho }_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}+{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}\right)+{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}/\left({\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}+{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}\right)+{\rho }_{\mathrm{G}\mathrm{R}\mathrm{E}\mathrm{E}\mathrm{N}}/\left({\rho }_{\mathrm{G}\mathrm{R}\mathrm{E}\mathrm{E}\mathrm{N}}+{\rho }_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}\mathrm{1}}\right)\right]（5）

NDBSI=\left(SI+IBI\right)/\mathrm{2}（6）

式中：参数定义同上式（2）与（3）。

4） 热度指标：以LST指数作为热度指标，计算公式如式（7）、式（8）^［20］：

L_{\lambda }=\left[\epsilon B\left(T_S\right)+\left(\mathrm{1}-\epsilon \right)L_{dowm}\tau +L_{up}\right]（7）

T_S=\mathrm{1321.08}/\mathrm{l}\mathrm{n}\left[\mathrm{1}+\mathrm{774.89}/B\left(T_S\right)\right]（8）

式中，\epsilon为地表辐射率，T_S为地表温度，B\left(T_S\right)为黑体热辐射亮度，\tau为大气透过率，L_{up}为大气上行辐射亮度，L_{down}为大气下行辐射亮度。

5） PM_2.5指标：基于冯海霞等^［16］，Zha等^［21］的研究结果，构建差值霾指数（DHI）表征颗粒物浓度变化，计算公式如式（9）：

DHI={\rho }_{\mathrm{n}}-{\rho }_{\mathrm{m}}（9）

式中：{\rho }_{\mathrm{n}}\mathrm{、}{\rho }_{\mathrm{m}}分别表示Landsat5 TM和Landsat8 OLI第1、7波段的反射率。

1.3.2 指标归一化处理

由于本研究所选指标量纲不一致，需对指标做归一化，公式为式（10）、式（11）：

N_i=\left(I_i-I_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)/\left(I_{\mathrm{m}\mathrm{a}\mathrm{x}}-I_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)（10）

N_i=\left(I_{\mathrm{m}\mathrm{a}\mathrm{x}}-I_i\right)/\left(I_{\mathrm{m}\mathrm{a}\mathrm{x}}-I_{\mathrm{m}\mathrm{i}\mathrm{n}}\right)（11）

式（10）与（11）分别为正、负指标归一化。其中，N_i为归一化后指标值；I_i 为指标i原始值；I_max和I_min分别指标i的最大值和最小值。本研究以5%和95%为置信区间，计算区间数值，避免异常值引起的结果误差。

1.3.3 指标权重计算

首先，计算指标熵值。公式为式（12）、式（13）：

E_j=-k{\sum }_{j=\mathrm{1}}^n{P}_{ij}\times ln{P}_{ij},(j=\mathrm{1,2},...,n)（12）

P_{ij}=\frac{x_{ij}}{\sqrt[]{{\sum }_{j=\mathrm{1}}^n{x}_{ij}^{\mathrm{2}}}}（13）

式中：E_j为熵值，k=\frac{\mathrm{1}}{\mathrm{l}\mathrm{n}\mathrm{6}}，x_{ij}为指标值。

其次，计算指标权重。公式为式（14）：

W_j=\frac{\mathrm{1}-E_{\mathit{j}}}{{\sum }_{j=\mathrm{1}}^m(\mathrm{1}-E_j)},j=\mathrm{1,2}...,m（14）

式中：w_j为第j指标的权重值，取值在［0，1］之间。

1.3.4 IRSEI指数计算

根据指标权重值，使用指数和法，在ENVI 5.6中运用波段计算器计算IRSEI值，计算公式为式（15）：

IRSEI=W_{\mathrm{1}}\times NDVI+W_{\mathrm{2}}\times WET+W_{\mathrm{3}}\timesLST+w{W}_{\mathrm{4}}\timesNDBSI+W_{\mathrm{5}}\timesDHI（15）

式中：W_{\mathrm{1}}、W_{\mathrm{2}}、W_{\mathrm{3}}、W_{\mathrm{4}}、W_{\mathrm{5}}分别为NDVI、WET、LST、NDBSI、DHI的权重。

1.4 地理探测器

使用地理探测器来量化不同因素对研究区IRSEI的影响。计算公式为：

q=\mathrm{1}-\frac{{\sum }_{h=\mathrm{1}}^L{N}_h{\sigma }_h^{\mathrm{2}}}{N{\sigma }^{\mathrm{2}}}=\mathrm{1}-\frac{SSW}{SST}（16）

式中：q为驱动因素解释力，值域为［0，1］。

2 结果与分析

2.1 兰州市主城区生态环境质量总体变化特征

采用熵权法和指数和法计算得到IRSEI，指标权重见表2。PM_2.5对生态环境影响最大，其次为绿度，湿度影响最小。根据等差数列将IRSEI分为差（0~0.2）、较差（0.2~0.4）、中等（0.4~0.6）、良好（0.6~0.8）和优（0.8~1）5级。2012~2022年，兰州市主城区IRSEI分布格局基本相似。人口密集、高层和超高层建筑物集中的区域生态环境质量等级较低，主要原因是受地形和建筑物的影响，大气污染物不能有效扩散。

由图2~3可知，2012~2022年1月份生态环境质量“差和较差”等级的面积呈减少趋势，占比由35.6%下降为20.7%。“中等”级占比在30%左右，呈波动下降的趋势。“优和良好”等级面积呈增加趋势，增幅84.95%。这说明10 a间兰州市主城区1月份生态质量等级逐渐向优、良等级转化，重点工业污染源、扬尘管控等大气污染防治工程成效明显。

由图4~5可知，2012~2022年8月份生态环境质量“差和较差”等级占比平均为23%，明显低于1月份的33%。2022年“中等和良好”等级占比达到63%，相较于2012年增加了5.7%。“优”等级面积减少，占比由17.8%下降到10.1%。这说明10 a间研究区8月份生态质量整体呈现向好发展的趋势，但由于经济发展和城市建设进程不断加快，城市热岛效应增强。尤其是城关、七里河、安宁等人口密集与经济繁荣的中心城区，IRSEI等级分布主要以“差”为主。

2.2 冬季生态环境质量时空变化特征

为了更好地反映研究区生态环境质量时空演变特征，对2012~2022年1月和8月共12期数据前后两期分别做差值运算，参考王勇等^［22］的分级法，划分为7个等级。分别为急剧变差［-1，-0.4）、明显变差［-0.4，-0.2）、略微变差［-0.2，-0.05）、基本不变［-0.05，0.05）、略微变好［0.05，0.2）、明显变好［0.2，0.4）和急剧变好［0.4，1］。

2012~2022年兰州市主城区冬季生态质量等级逐步向变好、且趋于稳定的方向发展（图6）。2012~2014年生态质量变差的面积占比为17.93%，集中分布在红古区及七里河南部山区。2014~2016年、2016~2018年2个时期生态质量变差面积占比平均增长了约25%，2018~2022年又出现下降趋势。其中，2014~2018年急剧变差面积平均为167 km²/a，主要原因为：2014~2018年1月研究区平均高温和极端低温均有所升高，平均空气质量指数由2016年的98 μg/m³增加到2018年105 μg/m³。

2012~2022年生态质量“略微变好、明显变好或和急剧变好”的区域面积表现出明显波动，2012~2014年生态变好地区占比71.42%，2014~2020年下降至35.26%，2020~2022年间占比增加至63.23%。2012~2022年生态环境质量“基本不变”的区域呈现“先减少后增加”的趋势。

2.3 夏季生态环境质量时空变化特征

2012~2022年兰州市主城区夏季的生态环境质量状况呈现明显变好的发展趋势（图7）。其中2012~2014年无明显变化占比达到49.43%，主要分布在西固区、城关区和七里河区中部。略微变好的面积占比为27.12%，与略微变差的区域呈现交错分布的特征，研究区整体生态质量变化呈略微变好趋势。2014~2018年生态略微变差的面积占比达到37%以上，主要分布在七里河南部山区，在红古区呈现点状零散分布。生态质量不变、略微变好与明显变好的面积占比大于40%。2018~2020年，生态质量略微变化好的面积633.33 km²，占比达到40.31%，生态质量的到明显改善。2020~2022年间生态质量无明显变化的面积达到759.22 km²，占比为48.31%。这表明经过2012~2020年的固体废弃物防治、产业污染治理、面源和移动源污染防治、“无废”城市建设和强化绿化建设等系列防治措施，2020~2022年城市生态质量在前期持续向好发展的基础上，逐步呈现稳定趋势。

2.4 IRSEI驱动因素分析

采用地理探测器分析兰州市主城区1月与8月IRSEI空间分异的驱动因子，各年份因子的q值均通过0.05显著性检验。

由图8可知，1月土地利用类型、GDP与人口密度因子在5期q值中均较大，而其他因子 q 值均较小，这表明土地利用类型、GDP与人口密度3个主要驱动因子对兰州市主城区1月IRSEI的影响波动较大且较为强烈。人口密集区与高层建筑群集聚的中心城区大气污染排放较多，IRSEI普遍较低。此外，冬季植被凋零，NDVI值相比于夏季骤降，植被光合作用速率降低，绿度贡献减弱。土壤冻结导致WET值下降。

由图9可知，8月份因子探测结果中土地利用类型、GDP、人口密度、气温与高程在5期q值中均较大，这在一定程度上反映土地利用类型是影响兰州市主城区IRSEI变化的主要因素。与冬季不同的是，夏季气温与高程2个因子对IRSEI的影响显著，主要原因是夏季中心城区热岛效应比冬季强烈，河谷地形更不利于空气污染物的扩散，导致城关区、七里河区等中心城区易出现“差”等级分布。综合来看，2012~2022年兰州市主城区IRSEI各驱动因子中，土地利用类型的q值均高于其它因子，成为主要影响因素；而GDP与人口密度的多年q值亦呈上升趋势，说明10 a来人类活动对研究区IRSEI的影响在不断增强。

3 讨论

3.1 IRSEI与RSEI结果比较

为了对比PM_2.5对RSEI的改进作用，以兰州市城关区局部区域为例，分析PM_2.5、RSEI以及IRSEI 的空间分布（图10）。PM_2.5与IRSEI 的空间分布呈相反趋势，PM_2.5浓度较高的区域IRSEI值偏低。

局部区域的RSEI与IRSEI亦存在差异。如在黄河以北山区，土地利用类型以林草地为主，两者都呈现高值分布。但在中心城区（椭圆所示范围）IRSEI明显低于RSEI，且与居民地、建筑区、道路等要素分布呈现高度一致性，主要是由于城区生产生活、汽车尾气引起的PM_2.5浓度较高、大气环境质量较差。这说明IRSEI不仅能集中反映研究区植被、土壤、温度等环境条件，也考虑了大气环境状况，具有很好的综合性，能集中体现多因素共同作用下的城市生态环境质量现状。这也与刘英^［7］等，冯子贤等^［11］的研究结果一致。

3.2 生态修复工程对城市生态环境的影响

2012~2022年兰州市主城区生态质量等级逐步变好且趋于稳定，夏季生态环境质量变好的趋势较冬季显著。红古区2000年以前矿山开采较为频繁，地裂缝和采煤沉陷等地质灾害严重。2011红古区开始实施经济转型策略，彻底治理修复区域生态环境，2012~2022年红古区生态治理得到明显改善。七里河、城关区南部与北部山区属于典型的黄土丘陵区侵蚀环境，2000年以来兰州市政府持续推进南北两山绿化工程，有效增加了城市绿绿地面积，对改善城市生态环境有明显促进作用。这与高小龙等^［23］和段翰晨等^［24］研究结果一致，兰州市实施的一系列退耕还林、荒山造林等工程改善了提高了植被覆盖度，“引大入秦”工程进一步优化了区域水资源供给配置，城市生态环境质量转好。

3.3 局限性与展望

利用Landsat系列遥感数据构建改进型遥感生态指数IRSEI，反映了PM_2.5浓度对区域生态环境的影响，也为河谷型城市生态环境质量监测提供了方法支撑。但北方冬季遥感影像易受到积雪影响，如何利用算法去除云、雪对模型的影响，更好地反映河谷型城市冬季生态环境质量状况，还需进一步研究。

此外，由于近年来PM_2.5对兰州市大气污染的贡献率超过PM₁₀、SO₂等，成为主要污染物。因此，本研究引入PM_2.5综合评价河谷型城市生态环境状况。然而，针对不同地形特点，利用PM_2.5与PM₁₀改进RSEI，有何特点和差异，亦需进一步研究。

4 结论

本研究改进遥感生态指数模型，分析了兰州市主城区近10 a的生态环境质量变化，得出以下结论：

1） 2012~2022年兰州市主城区IRSEI分布基本相似。1月份“中等”与“优和良好”等级的面积和占比均呈现增长趋势；8月份“中等和良好”等级面积和占比亦呈增加趋势。说明10 a间兰州市主城区生态质量整体向好发展。

2） 2012~2022年冬季与夏季生态环境质量等级均呈现出较好的发展趋势。人类活动对兰州市主城区IRSEI的影响呈现不断增强的趋势。2010年以来，兰州市持续实施的污染防治和生态环境修复措施，对于区域生态环境质量的改善具有重要作用。

3） 使用IRSEI指数可以较好地反映河谷型城市生态环境质量状况，但在推广应用过程中，如何利用算法去除云、雪对评价模型的影响，更好地反映河谷型城市冬季生态环境质量状况，还需进一步研究。

参考文献

[1] Xu H Q， Duan W F， Guan HD，et al.Detecting ecological changes with a remote sensing based ecological index （RSEI） produced time series and change vector analysis［J］.Remote Sensing，2019，11（20）： 2345.

[2] 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.

[3] 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］.应用生态报，2016，27（12）：3913-3919.

[4] 吴可人，高祺，王让会，等.基于RSEI模型的石家庄生态环境质量评价［J］.地球物理学进展，2021，36（3）：968-976.

[5] 姜俊狄，李嘉，陈焱明，等.适用于秋冬季节RSEI的三峡库区生态质量评估［J］.测绘通报，2023（10）：14-19.

[6] Jia H， Yan C， Xing X.Evaluation of eco-environmental quality in qaidam basin based on the ecological index （MRSEI） and GEE［J］.Remote Sensing，2021，13（22）：4543.

[7] 刘英，党超亚，岳辉，等.改进型遥感生态指数与RSEI的对比分析［J］.遥感学报，2020，26（4）：683-697.

[8] 焦晓萌，张兵，高阳，等，利用改进型遥感生态指数的岩溶区生态环境质量评价 ［J］.测绘通报，2024（4）：54-60.

[9] 王杰，马佳丽，解斐斐，等.干旱地区遥感生态指数的改进：以乌兰布和沙漠为例［J］.应用生态学报，2020，31（11）：3795-3804.

[10] 张伟，杜培军，郭山川，等.改进型遥感生态指数及干旱区生态环境评价［J］.遥感学报，2023，27（2）： 299-317.

[11] 冯自贤，佘璐，王秀慧，等.基于改进遥感生态指数的宁夏生态环境质量时空变化［J］.生态环境报，2024，33（1）：131-143.

[12] 田世丽，夏敦胜，余晔，等.西北地区河谷城市大气降尘环境磁学特征及其环境意义［J］.环境科学，2011，32（9）：2761-2768.

[13] 瞿德业，周围，陈雷华，等.兰州市城区空气气溶胶中PM_2.5和PM₁₀污染状况分析［J］.干旱区资源与环境，2013，27（1）：70-74.

[14] 张新宇，刘学录，王鹏凯，等.兰州市土地利用碳排放研究［J］.甘肃农业大学学报，2024，59（4）：210-218.

[15] 杨帆，程慧波，王夏，等.兰州市主城区大气气溶胶PM_2.5中痕量金属的污染特征及其健康风险 ［J］.甘肃农业大学学报，2023，58（3）：169-179.

[16] 冯海霞，冯海英，杨立才，等.一种基于Landsat 8的城区空气质量监测方法［J］.环境污染与防治，2021，43 （1）：79-83.

[17] 张成才，陈东河，董洪涛.基于Landsat-5 TM数据的河南省白沙灌区地表温度反演研究［J］.遥感技术与应用，2013，28（6）：964-968.

[18] 李旭文，牛志春，姜晟，等.Landsat 8卫星OLI遥感影像在生态环境监测中的应用研究［J］.环境监控与预警，1013，5（6）：1-5.

[19] 权文婷，张树誉，刘艳，等.基于遥感生态指数的陕西省东庄水库流域生态环境变化监测与评价［J］.水土保持通报，2022，42（5）：96-104.

[20] 茹克亚·萨吾提，阿不都艾尼·阿不里，李虎，等. 基于遥感生态指数模型的阜康市生态环境动态变化监测与评价［J］.水土保持研究，2020，27（1）：283-289.

[21] Zha Y， Gao J， Jang J，et al.Normalized difference hazeindex：a new spectral index for monitoring urban air pollution［J］.International Journal of Remote Sensing，2012，33（1）：309-321.

[22] 王勇，王世东.基于RSEI的生态质量动态变化分析：以丹江流域（河南段）为例 ［J］.中国水土保持科学，2019，17（3）：57-65.

[23] 高小龙，闫浩文，王桂钢，等.兰州市削山造地区域生态变化遥感评价方法［J］.遥感技术与应用，2022，37（4）：1012-1020.

[24] 段翰晨，颜长珍，马如兰，等.兰州市南北两山生态建设效应的遥感监测［J］.中国沙漠，2011，31（2）：456-463.

基金资助

甘肃省杰出青年基金项目(22JR5RA046)

2022年甘肃省自然资源科技创新领军人才培育项目(202213)