0 引言

生态环境作为人类生存的基本需求，其质量直接影响着人类的生存环境和社会经济的可持续发展^[1]。近几十年来，全球人口持续增长，经济迅猛发展^[2]。与此同时，加剧的人类活动对自然生态系统的循环过程产生了干扰，导致了一系列严峻的环境问题，如森林退化、水土流失、土地荒漠化、生物多样性减少等^[3-6]。这些问题不仅威胁生态系统的平衡，还对人类的生存构成了严重威胁^[7-9]。在追求经济快速增长的同时，保护区域生态环境、实现经济与环境的协调，已经成为当前人类活动亟需解决的关键问题^[10]。因此，对区域生态环境质量进行评价和监测，对于制定科学合理的生态环境保护政策以及实现区域的可持续发展，都具有重要意义。

卫星遥感具有宏观、动态的优势，在生态环境领域得到广泛应用^[11-13]。遥感卫星衍生的一些指标在表征区域生态环境方面发挥了重要作用。如归一化植被指数(NDVI)^[14-15]、叶面积指数(LAI)^[16]、增强植被指数(EVI)^[17]等被广泛用于评估植被覆盖状况；地表温度等用于表征城市热环境和热岛效应，揭示城市温度分布的情况^[18-19]；温度植被干旱指数(TVDI)以及归一化差异水分指数(NDMI)等用来评估干旱程度^[20-22]。然而，生态环境变化受多种因素影响，依靠单一指标难以反映综合生态环境状况。学者们将多个单一指标整合成综合生态环境指数，如压力-状态-响应(PSR)模型、生态环境状况指数(EI)和遥感生态指数(RSEI)等，以综合表达更多的生态环境质量信息。PSR模型采用层次分析法来综合多个指标，实现对生态环境的全面评价。已有众多学者采用PSR模型在不同空间尺度上开展了生态环境评价^[23-27]。然而，PSR模型中的指标需要涵盖压力、状态和响应等多个层面，这些指标的获取可能面临数据缺乏、获取困难等问题。此外，层次分析法(AHP)依赖专家学者的经验分配权重，评价结果可能受到不同专家的主观观点和经验的影响，会引入一定的不确定性。EI由《生态环境状况评价技术规范》提出，也已在中国得到了广泛应用，成为各级行政区生态环境质量评估的重要依据。姚尧等^[28]采用EI对我国2005年的生态环境质量进行评价，结果表明全国生态状况整体一般，西部较差、东部较好，呈阶梯分布的趋势；岳昂等^[29]采用EI评估天津市生态环境状况；张沛等^[30]通过构建EI指数评估了塔里木河干流区域治理前后的环境状况，结果表明该区域在综合治理后生态状况明显改善。然而，EI同样存在着依赖统计数据等问题，并且PSR模型和EI只能以行政区或者区域为单位开展评估，无法表征区域内部生态环境状况的空间细节。RSEI是一种完全基于遥感信息技术的生态指数，通过运用主成分分析法耦合绿度、湿度、热度和干度等4大生态要素以评价区域生态环境质量^[31]。RSEI中各指标的影响依据数据本身的性质来决定，从而避免人为因素对指标权重设置的影响。已有一些研究将RSEI应用于多个地区的生态环境遥感评价。方灿莹等^[32]构建了RSEI分析福州市体育馆的生态效应，研究发现2016年福建省奥林匹克中心的RSEI为0.39；徐涵秋等^[33]基于2004、2015年2个时相的Landsat影像构建RSEI评估了雄安新区生态环境；周喆等^[34]以Landsat影像为数据源构建RSEI，以10年为时间间隔评估了黄河上游流域2000—2020年的生态环境质量；王晓雷等^[35]采用RSEI对迁安矿区1990—2020年每5年的生态环境质量进行分析，结果表明迁安矿区在研究期内生态环境质量总体属于中等水平，2005—2010年间生态环境质量明显下降。然而，由于遥感影像预处理过程繁琐、工作量巨大等原因，目前研究多是在长时间序列上开展有限时相、年份的生态环境质量评价以反映整个研究时序内生态环境变化情况，但仅仅依赖有限时相的数据可能无法充分捕捉复杂生态系统的动态变化和演化过程。

综上，本研究基于谷歌地球引擎(Google Earth Engine，GEE)平台，采用2003—2022年的中分辨率成像光谱仪(MODIS)数据，逐年计算乌鲁木齐市的RSEI，并利用泰尔-森中位数法(Theil-Sen)和曼-肯德尔检验(MK)对该市生态环境的时空变化趋势进行了分析。乌鲁木齐作为新疆自治区的重要中心城市，该地区的特殊地理位置和气候条件，使其面临严峻的生态挑战。干旱气候和水资源短缺问题对乌鲁木齐的生态系统稳定性构成了威胁，同时由于城市化和经济发展的快速推进，人类活动对生态环境的影响也逐渐加剧。在这样的背景下，定量研究该区域生态环境质量对生态环境保护以及可持续发展具有重要意义。

1 研究区概况及数据来源 1.1 研究区概况

乌鲁木齐位于亚欧大陆的中心，坐落在天山山脉中段的北麓，紧邻准噶尔盆地的南缘，其地理坐标跨越86°37'33″—88°58'24″E，42°45'32″—44°08'00″N。该市行政区划总面积为1.378 8万km²，辖区包括8个县区，分别为天山区、沙依巴克区、新市区、水磨沟区、头屯河区、达坂城区、米东区和乌鲁木齐县(图 1)。乌鲁木齐地形多样，地势高低不均，山地地区广泛分布。南部和东北部地势较高，土地覆盖类型以林地为主；而中部和北部则相对较低，城区坐落于中部，北部主要土地覆盖类型是裸土。乌鲁木齐地区属于中温带大陆性干旱气候，春季和秋季相对较短，而冬季和夏季相对较长，昼夜温差较大，年均降水量约为194 mm。

1.2 数据源及预处理

研究数据源来自GEE平台提供的2003—2022年的MODIS遥感影像数据及其衍生产品，包括MODIS植被指数产品(MOD13Q1)、MODIS地表反射率产品(MOD09Q1、MOD09A1)以及MODIS地表温度产品(MOD11A2)。MOD13Q1产品提供了250 m空间分辨率的16 d合成NDVI数据；MOD09A1提供了500 m空间分辨率的8 d合成地表反射率产品；MOD11A2提供了1 km分辨率的8 d合成地表温度数据。将以上产品进行月合成，转换为阿尔伯斯(Albers)等积投影并统一为250 m分辨率。为了避免季节差异造成的影响，本研究选择每年植被生长季(6—10月)的数据进行年平均合成后构建RSEI。

2 研究方法 2.1 遥感生态指数及其指标计算

基于RSEI采用主成分分析将绿度、湿度、热度和干度4个生态指标耦合在一起。RSEI可表示为这4个指标的函数，计算公式如下：

$ \text { RSEI }=f \text { (Greenness, Wetness, Heat, Dryness }) $

(1)

式中：Greenness——绿度；Wetness——湿度；Heat——热度；Dryness——干度。

2.1.1 绿度

绿度以NDVI表征，NDVI植被在红光和近红外波段的不同吸收和反射特性构建，与植物生物量、叶面积指数、覆盖度等密切相关，可以监测植被的生长和覆盖状况^[36]。计算公式如下：

$ \text { NDVI }=\left(\rho_{\mathrm{NIR}}-\rho_{\mathrm{Red}}\right) /\left(\rho_{\mathrm{NIR}}+\rho_{\text {Red }}\right) $

(2)

式中：ρ_NIR和ρ_Red——近红外波段和红光波段的反射率，%。

2.1.2 湿度

湿度以缨帽变换的湿度分量表征。缨帽变换的湿度分量对植被、水体和土壤湿度状态较为敏感，与生态环境密切相关^[37-38]。湿度(WET)的计算公式如下：

$ \begin{aligned} & \text { WET }=0.114\;7 \rho_{\text {Red }}+0.248\;9 \rho_{\mathrm{NIR}}+0.240\;8 \\ & \rho_{\text {Blue }}+0.313\;2 \rho_{\text {Green }}-0.312\;2 \rho_{\mathrm{SWIR} 1}-0.641\;6 \\ & \rho_{\text {SWIR } 2}-0.508\;7 \rho_{\text {SWIR } 3} \end{aligned} $

(3)

式中：ρ_Red、ρ_NIE、ρ_Blue、ρ_Green、ρ_SWIR1、ρ_SWIR2和ρ_SWIR3——MODIS红波段、近红外波段、蓝波段、绿波段、短波红外波段1、短波红外波段2和短波红外波段3的反射率，%。

2.1.3 热度

热度以地表温度(LST)表征，反映区域的热环境空间差异^[39]。本研究中，地表温度直接采用MODIS的地表温度产品。

2.1.4 干度

干度以归一化建筑与土壤指数(NDBSI)表征，用来描述地表干化程度。建设用地和裸土都是造成区域环境“干燥”的原因，因此，利用建筑指数(IBI)和裸土指数(SI)合成归一化建筑与土壤指数(NDBSI)^[40]，计算公式如下：

$ \mathrm{NDBSI}=\frac{\mathrm{IBI}+\mathrm{SI}}{2} $

(4)

$ \mathrm{SI}=\frac{\left(\rho_{\mathrm{SWIR} 1}+\rho_{\mathrm{Red}}\right)-\left(\rho_{\mathrm{NIR}}+\rho_{\text {Blue }}\right)}{\left(\rho_{\text {SWIR } 1}+\rho_{\text {Red }}\right)+\left(\rho_{\text {NIR }}+\rho_{\text {Blue }}\right)} $

(5)

$ \mathrm{IBI}=\frac{\frac{2 \rho_{\mathrm{SWIR} 1}}{\rho_{\mathrm{SWIR} 1}+\rho_{\mathrm{NIR}}}-\frac{\rho_{\mathrm{NIR}}}{\rho_{\mathrm{NIR}}+\rho_{\text {Red }}}-\frac{\rho_{\text {Green }}}{\rho_{\text {Green }}+\rho_{\mathrm{SWIR} 1}}}{\frac{2 \rho_{\mathrm{SWIR} 1}}{\rho_{\mathrm{SWIR} 1}+\rho_{\mathrm{NIR}}}+\frac{\rho_{\mathrm{NIR}}}{\rho_{NIR}+\rho_{Red}}+\frac{\rho_{Green}}{\rho_{\text {Green }}+\rho_{\mathrm{SWIR} 1}}} $

(6)

2.1.5 RSEI

水体会影响地面湿度反演以及主成分分析结果。本研究通过改进的归一化水体指数(MNDWI)阈值进行水体掩膜。设置的水体阈值为0.2，MNDWI计算公式如下：

$ \operatorname{MNDWI}=\left(\rho_{\text {Green }}-\rho_{\mathrm{SWIR} 1}\right) /\left(\rho_{\text {Green }}+\rho_{\text {SWIR } 1}\right) $

(7)

式中：ρ_Green——绿色波段反射率，%；ρ_SWIR1——短波红外1波段反射率，%。

由于NDVI、WET、LST和NDBSI等指标的量纲并不统一，因此在计算RSEI之前，对各个指标进行归一化处理，使其数值映射到0~1之间，消除量纲差异。具体操作流程：选择研究区域在2003—2022年的数据进行循环，筛选出可作为上下界的最值，对指标数据进行同一标准的整体归一化。各指标归一化计算公式为：

$ \mathrm{NI}_i=\left(I_i-I_{\min }\right) /\left(I_{\max }-I_{\min }\right) $

(8)

式中：NI_i——归一化后指标值；I_i——该指标在像元i处的像元值；I_max和I_min分别代表该指标在2003—2022年间的最大值和最小值。

计算改进后MNDWI识别水体，对归一化后绿度、湿度、热度和干度4个指标进行水体掩膜，然后进行主成分变换(PCA)。第一主成分(PCA₁) 包含了原来数据中大部分信息量，基于第一主成分来计算RSEI。为了使主成分分析结果越大代表生态环境质量越好，用1减去PCA₁得到初始RSEI₀，计算公式如下：

$ \operatorname{RSEI}_0=1-\mathrm{PCA}_1 f\left(\mathrm{NDVI}, {\mathrm{WET}, \mathrm{LST}, \mathrm{NDBSI})}\right. $

(9)

最后，对初始RSEI进行归一化处理：

$ \begin{aligned} & \operatorname{RSEI}=\left(\mathrm{RESI}_0-\operatorname{RESI}_{0-\min }\right) /\left(\operatorname{RESI}_{0-\max }-\right. \\ &\left.\operatorname{RESI}_{0-\min }\right) \end{aligned} $

(10)

式中：RESI_0-min和RESI_0-max——该指标的最小值和最大值。

2.2 趋势分析

采用Theil-Sen中位数法和Mann-Kendall(MK)检验方法分析RSEI的时空变化。Theil-Sen中位数法，又称Sen's Slope估计，是一种稳健的非参数统计趋势计算方法。其原理如下：如果数据包含N对(x，y)值，计算所有点对之间的斜率，并选择中位数作为回归斜率的估计。使用该斜率，通过每一对(x，y)值传递一条直线，以获得N个截距。选择截距的中位数作为回归截距的估计。该方法计算效率高，对测量误差和离群数据不敏感，因此常用于长时间序列数据的趋势分析^[41]。当Slope>0时，表示RSEI呈现增加趋势；当Slope < 0时，表示RSEI呈现减小趋势。

$ \begin{aligned} \text { Slope }=\operatorname{median}\left(\frac{\operatorname{RSEI}_j-\mathrm{RSEI}_i}{j-i}\right), 2003 \leqslant i \leqslant j \leqslant 2020 \end{aligned} $

(11)

式中：Slope——RSEI的变化率，%；median中——中位数；i、j——年份，取值范围为2003—2022。

MK检验用于评估RSEI是否有持续增加或减少的趋势。该方法的优点是样本数据不需要遵循一定的分布，不受少数离群值的影响^[42]。其思想是，如果存在趋势，符号值将趋向于不断增加，或不断减少。这种方法的优点是样本数据不需要遵循一定的分布，不受少数异常值的影响。该方法已成功应用于大量与水文和气象趋势变化相关的研究中。本研究采用MK检验方法逐像素分析RSEI变化趋势的显著性，标准化的检验统计量Z可以用下式(12)—(15)计算^[43]。

$ S=\sum\limits_{i=1}^{n-1} \sum\limits_{j=i+1}^n sgn\left(x_j-x_i\right) $

(12)

式中：S——特定统计量，通常称为S统计量；x_i和x_j代表RSEI时间序列的相应年份值；n——序列长度；sgn(x_j-x_i)——阶跃函数，当x_j>x_i时，值为1；当x_j < x_i时，值为-1；当x_j=x_i时，值为0。

MK检验证明了S统计量服从渐进正态分布，其期望值E(S)和方差Var(S)计算公式为：

$ E(S)=0 $

(13)

$ \operatorname{Var}(S)=n(n-1)(2 n+5) / 18 $

(14)

最终，统计变量Z为：

$ Z= \begin{cases}(S-1) / \sqrt{\operatorname{Var}(S)} & S>0 \\ 0 & S=0 \\ (S+1) / \sqrt{\operatorname{Var}(S)} & S<0\end{cases} $

(15)

Z服从标准正态分布，在双边趋势检验下，给定显著性水平a，如果绝对值Z＞Z_(1-a/2)，拒绝无趋势的原假设，否则接受无趋势的原假设。参考前人研究^[44]，将显著性分为7类(表 1)。其中，1.65，1.96和2.58分别表示像元通过90%，95%和99%显著性检验。

3 结果与分析 3.1 2003—2022年RSEI平均值的空间分布特征

乌鲁木齐市2003—2022年RSEI逐像元平均值的空间分布见图 2。

2003—2022年乌鲁木齐市的RSEI平均值为0.37，依据张祥永等^[45]研究中的RSEI分级标准，说明该区域生态环境质量总体处于中等偏下水平。乌鲁木齐市RSEI指数具有明显的空间差异，从南向北呈现逐渐降低的变化趋势。达坂城城区的小区域内部呈现相反的空间变化趋势，由南向北RSEI值逐渐上升。整体来看，RSEI低的区域主要分布乌鲁木齐市的北部以及东南部。北部米东区受准噶尔盆地的影响，东南部地区地处狭长的柴窝堡-达坂城盆地中，两区域土地覆盖类型均以裸地为主，生态质量提升较为困难，RSEI值普遍＜0.3。乌鲁木齐市中部地形较为平坦，是城区的主要分布区，城区以外土地覆盖类型以耕地为主，总体植被覆盖率较低，RSEI值主要分布在0.3~0.4。该区受人为因素影响更为显著，生态环境脆弱。RSEI较高的区域主要分布在研究区南部、东北部，这2个区域海拔较高，土地覆盖类型以林地为主，且受人为干扰小，生态环境良好。南部RSEI值主要集中在0.5~0.7，东北部RSEI主要集中在0.7~0.9，这符合预期。通常情况下，海拔越高，人为干涉越少，植被生长状况越好。相反，地势较平坦的区域，如乌鲁木齐市的主城区等，受到人类活动的干扰较大，生态环境状况相对较差。

3.2 RSEI时序变化特征

根据逐年的RSEI结果，将2003—2022年每年RSEI值与20年RSEI均值进行差值运算，得到每年RSEI异常值并绘制折线图(图 3)。RSEI异常值的范围为-0.09~0.19，最大值出现在2016年，最小值出现在2004年。这表明在过去的20年中，2016年乌鲁木齐市的生态环境状况相对最好，而2004年最不理想。在总体趋势方面，近20年乌鲁木齐市的RSEI异常值呈现“波动增长、波动下降、显著增长、显著下降、轻微增长”的变化特征。2003—2007年间，RSEI异常值呈现波动增长态势。随后，自2007年起，RSEI异常值开始下降，并在2011年达到最低值(-0.04)，之后未见显著变化。2013年后，RSEI异常值显著上升，2016年达到峰值后急剧下降，2020年触及最低值(-0.06)，后呈现反向增长趋势。

以2016年为界，采用Theil-Sen中位数法分别计算2003—2016年和2016—2022年的RSEI变化趋势值。2003—2016年间，RSEI呈现增长趋势，增长率为0.07/10 a；2016—2022年间，RSEI呈现下降趋势，下降率为0.21/10 a。经计算，2003—2022年的RSEI上升趋势值为0.02/10 a，表明乌鲁木齐市近20年的RSEI值以每10年上升0.02的速度增长。总体来看，乌鲁木齐2003—2022年间RSEI呈现增长趋势，该增长主要发生在2003—2016年期间，在此期间的增长率为0.07/10 a。需要注意的是，2016年RSEI最高是因为该年降雨量明显高于其他年份，使得植被长势良好，因此RSEI值较高。

3.3 RSEI空间变化特征

逐像元对乌鲁木齐市RSEI进行趋势分析。为了探讨2016年前后RSEI变化趋势的空间差异，分别计算2003—2022、2003—2016、2016—2022年3个不同时间段内各个像元的年际变化率及变化显著性[图 4(a)—(f)]。由图 4可见，整体来看，2003—2022年研究区内RSEI总体趋势以上升为主，上升区域面积占研究区总面积的77.54%。但RSEI的变化率较小，主要集中在-0.08/10 a~0.08/10 a。该阶段达到90%显著性变化的像元最少，占总体面积比例仅为4.43%。在2003—2016年间，研究区的整体RSEI变化同样以上升为主，上升区域面积占总体面积的87.34%，RSEI变化率集中在-0.2/10 a~0.2/10 a。在此期间，达到90%显著性变化的像元最多，面积占比为28.28%。而在2016—2022年间，研究区的RSEI下降趋势显著，面积占比高达82.23%，RSEI下降率集中在-0.8/10 a~-0.2/10 a，达到90%显著性变化的像元面积占比为18.83%。

2003—2022年乌鲁木齐市RSEI下降区域分布在南部以及东部，这2个区域是森林覆盖区。这表明近20年来，高海拔地区的植被保护政策及措施可能不够到位，使得该区域RSEI呈现下降趋势，但下降趋势相对不显著，呈现“斑块”状的轻微降低趋势。结合2002—2016年和2016—2022年变化来看，这2个区域的RSEI下降趋势主要由2003—2016年该区域RSEI下降导致，2016年之后这2个区域的RSEI呈现上升趋势。

2003—2022年乌鲁木齐市RSEI上升区域主要分布在中部以及北部，上升趋势并不显著，仅在西部存在连片的轻微上升区域，其他RSEI上升区域未通过90%的显著性检验。2003—2016年间，中部、北部RSEI同样呈现上升趋势，中度上升区域面积占比16.42%，主要分布在中部，表明乌鲁木齐市中部生态质量在逐步改善，且改善效果明显。然而，2016—2022年间，中部、北部RSEI下降趋势严重，尤其北部米达区，RSEI下降率多数超过0.6/10 a，中部偏北区域甚至达到了显著下降趋势。研究区北部、中部土地覆盖类型以裸土、城区和耕地为主，很有可能是受到人为因素影响，导致近几年恶化趋势严重。

4 结论与展望

(1) 2003—2022年乌鲁木齐市的RSEI平均值为0.37，整体生态环境质量处于中等偏下水平。RSEI具有明显的空间差异，南部RSEI值主要集中在0.5~0.7，而北部RSEI值普遍＜0.3，呈现从南向北RSEI逐渐降低的趋势。

(2) RSEI异常值的范围为-0.09~0.19，2016年乌鲁木齐市的生态环境状况最好，2004年生态环境状况最差。2003—2016年间RSEI变化率为0.07/10 a；2016—2022年RSEI变化率为-0.21/10 a；2003—2022年期间RSEI的整体变化率为0.02/10 a。

(3) 2003—2022年研究区内RSEI值主要呈现上升趋势，上升区域面积占总面积比例为77.54%，增长率主要集中在-0.08/10 a~0.08/10 a。2002—2016年研究区内呈现上升趋势的RSEI面积占总体面积的87.34%，增长率主要集中在-0.2/10 a ~ 0.2/10 a。2016—2022年研究区内RSEI主要呈现下降趋势，下降区域面积占总体面积比例为82.23%，下降率主要集中-0.7/10 a~0.2/10 a。

(4) 2003—2022年乌鲁木齐市RSEI降低区域分布在南部以及东部，RSEI上升区域主要分布在中部以及北部，变化趋势以轻微下降或轻微上升为主。2016—2022年间，中部、北部RSEI下降趋势显著，尤其北部米达区，降低率多数超过0.6/10 a，中部偏北区域RSEI降低趋势尤其显著。

近20年的RSEI平均值及变化趋势显示，2003—2022年乌鲁木齐市RSEI值下降区域主要分布在南部和东部，这2个区域是森林覆盖区，表明高海拔地区的植被保护政策及措施可能存在不足，导致轻微的RSEI降低趋势。然而，2016—2022年这2个区域的生态状况呈现改善趋势，说明近年来的生态环境保护工作取得了一定效果。乌鲁木齐市中部和北部RSEI在2003—2016年间相对较好，但2016年之后下降趋势十分显著。中部是主城区的分布区，北部主要土地覆盖类型是裸土，2个区域生态均相对脆弱，生态恢复成果较难持续。因此，在未来的生态环境建设和保护过程中，需要特别关注中部和北部的生态保护。此外，针对不同区域的RSEI变化特征，应提供不同的生态环境保护策略。在RSEI降低趋势明显的地区，需要采取措施来减缓生态环境的恶化，例如，加强生态保护和恢复工作。而在RSEI增加趋势明显的地区，可以继续推动可持续发展和保护措施，以巩固和加强生态环境的改善。