第 36 卷第 2 期上海工程技术大学学报Vol. 36 No. 2 2022 年 6 月JOURNAL OF SHANGHAI UNIVERSITY OF ENGINEERING SCIENCE Jun. 2022文章编号: 1009 − 444X(2022)02 − 0224 − 07基于GIS的长三角城市群生态环境脆弱性综合评价刘惠敏,郑中团,李文雯(上海工程技术大学数理与统计学院,上海 201620)摘要:以长三角城市群为例,考虑该地区地表、气候、社会经济发展等特征,从人为因素和自然因素出发构建长三角城市群生态环境脆弱性水平评价指标体系. 同时,基于地学信息系统(Geographic Information System, GIS)技术,综合运用主成分分析、熵权法、空间自相关分析等方法,对长三角城市群2010、2015和2018年生态环境脆弱性水平进行综合测度与时空特征分析,并识别其驱动因素. 结果表明:1)时序分布上,长三角城市群生态环境脆弱性水平升高,且由中度脆弱向重度脆弱过渡;2)空间分布上,生态环境脆弱性存在空间自相关性,且为显著正相关;3)2010—2018年,土地利用程度、人均GDP、工业二氧化硫排放量和建成区绿化覆盖率等是长三角城市群生态环境脆弱性的核心驱动力.关键词:长三角城市群;地学信息系统;综合评价;核心驱动力;主成分分析法中图分类号:X32 文献标志码:AComprehensive evaluation of ecological environment vulnerability of Yangtze River Delta urban agglomeration based on GISLIU Huimin,ZHENG Zhongtuan,LI Wenwen( School of Mathematics, Physics and Statistics, Shanghai University of Engineering Science, Shanghai 201620, China)Abstract:Taking the Yangtze River Delta urban agglomeration as an example, the characteristics of the area's surface, climate, and social and economic development were considered, and an evaluation index system for the ecological environment vulnerability of the Yangtze River Delta urban agglomeration from human factors and natural factors was built. At the same time, based on geographic information system (GIS) technology, principal component analysis, entropy weight method, spatial autocorrelation analysis and other methods were used to comprehensively measure and analyze the spatial and temporal characteristics of ecological environmental vulnerability level in the Yangtze River Delta urban agglomeration in 2010, 2015 and 2018, and identify its driving factors. The results show that: 1) in terms of time series distribution, the ecological environment fragility level of the Yangtze River Delta urban agglomeration has increased, and the transition from moderate fragility to severe fragility; 2) in terms of spatial distribution, the vulnerability of ecological environment has spatial autocorrelation, and it is a significant positive correlation; 3) from 2010 to 2018, the degree of land use, GDP per capita, industrial sulfur dioxide emissions, and green coverage of built-up areas收稿日期: 2021 − 09 − 27作者简介:刘惠敏(1995 − ),女,在读硕士,研究方向为可持续发展与数据挖掘. E-mail:*************************通信作者:郑中团(1979 − ),男,副教授,博士,研究方向为应用随机过程与复杂网络、可持续发展中的数据挖掘、统计机器学习与数据分析. E-mail:**********************are the core driving forces for the fragility of the ecological environment of the Yangtze River Delta urban agglomeration.Key words:Yangtze River Delta urban agglomeration;geographic information system (GIS);comprehensive evaluation;core driving force;principal component analysis生态环境系统的稳定是人类进行社会生产活动的前提,而生态环境脆弱会破坏人与自然和谐相处的模式. 随着经济的发展以及人为活动对生态环境的干扰,生态环境问题日益严重. 这一现状迫切地要求人类去探索人与自然更加和谐的相处之道,以便于维持生态系统稳定,同时也有利于社会和经济的发展. 长三角是我国经济最发达的区域之一,经济的快速发展会对生态系统带来一定的压力. 当生态系统遭受的压力过高,其就会表现出生态脆弱. 因此对长三角城市群生态环境脆弱性水平进行综合评价分析成为研究热点. 它对提升长三角生态系统稳定性、改善长三角生态环境质量,进而实现协同治理、达到更高质量的长三角一体化具有深远的意义.国内外学者对生态环境脆弱性做了深入广泛的研究[1 − 3]. 目前,关于生态环境脆弱性综合评价的方法有很多,包括主成分分析法、德尔菲法、熵权法、层次分析法、综合指数法、基于遥感和地学信息系统(Geographic Information System, GIS)评价法等. 其中,遥感和GIS技术在生态环境脆弱性水平综合评价当中运用日益广泛[4 − 6]. GIS具有强大的输入、空间分析及制图功能,可对脆弱的生态环境进行评价和分区[7];而主成分分析(PCA)可以将最初的指标转化为少数几个不相关的综合指标,并且尽可能多的反映原有指标的信息[8]. 高越等[9]基于主成分分析法对赤峰市生态环境质量进行综合评价. 马骏等[10]运用主成分分析法对2001—2010年三峡库区生态脆弱性进行定量综合评价. 陈星霖[11]运用熵权法对广西农业生态脆弱性进行综合评价. 李路等[12]运用空间主成分方法分析喀什地区的额时空变化并对其进行驱动力分析. 杨志辉等[13]运用莫兰指数对洋河流域进行空间相关性分析.目前. 关于生态环境脆弱性综合评价的研究颇多,但对于导致生态环境脆弱的驱动力分析和空间相关性分析较少. 本研究针对长三角城市群地理位置、环境气候、经济发展等特征,从自然因素和人为因素两个方面选择评价指标,基于GIS技术,运用主成分分析、熵权法对长三角城市群生态环境脆弱性水平进行综合评价分析.1 生态环境脆弱性水平评价指标体系构建1.1 研究地区概况长江三角洲城市群以上海为中心,位于长江入海之前的冲积平原,包括上海、南京、无锡、宣城、池州等27个城市. 其地处江海交汇之地,沿海港口众多,地理位置十分优越,是我国经济发展最强的区域之一. 长江三角洲主要为亚热带季风性气候,年均温17 ℃左右,降雨量较多,再加上地势低洼等因素,该地区的洪涝灾害非常严重. 此外,长江三角洲区域的生态系统类型复杂,地表覆盖多样,河川纵横、农业发达、人口稠密,是外来人口最大的集聚地. 截至2019年底,长江三角洲地区的人口达到2.27亿人. 人口数量大幅度增长以及经济的快速发展给该地区的生态系统带来严重的威胁. 因此,对长三角城市群生态环境脆弱性水平进行综合评价分析迫在眉睫.1.2 评价指标体系的构建生态系统本身具有一定的恢复能力,而外界干扰会导致生态敏感,从而导致生态脆弱. 生态脆弱性是生态系统的固有属性,是生态敏感性和生态系统自我恢复能力叠加的结果. 生态脆弱由自然本身的脆弱和人为干扰导致的脆弱两部分构成.因此,生态环境脆弱性受人为因素和自然因素两个方面的影响[14]. 本研究从人为因素和自然因素两个方面来选取长三角城市群生态环境脆弱性水平的评价指标,共11个指标,如图1所示.长三角城市群经济发达、人口密集,上海、苏州等地都是以工业化为主导的城市,人类活动频繁多样. 因此人为因素对于生态环境的影响愈发严重,生态脆弱性问题日益严峻. 人为因素方面,本研究选取人均GDP、人口密度、土地利用程度、第 2 期刘惠敏等:基于GIS的长三角城市群生态环境脆弱性综合评价· 225 ·工业二氧化硫排放量、建成区绿化覆盖率等5个指标. 其中,前4项指标代表经济和社会发展对生态环境的胁迫,为正向指标,指标越高,生态环境脆弱性水平越高;后1项指标为负向指标.自然因素方面,考虑长三角城市群所处地理位置,选取高程、坡度、归一化植被指数(NDVI )平均值、年均温、年降水量、年日照小时数等6个指标. 高程、坡度为正向指标. 高程越高、坡度越大、该地区越容易遭受暴雨侵蚀,生态越脆弱. NDVI 平均值、年均温为负向指标. NDVI 平均值越大,植被覆盖度越高,水土保持能力越好;年均温越高,越有利于植被生长,生态系统越稳定[15]. 年降水量、年日照小时数为正向指标. 降水量越大,水土越容易流失;日照时间越长,土地越容易干裂,生态系统越脆弱.2 数据来源与数据处理2.1 数据来源本研究分别选取2010、2015、2018年的土地利用数据、数字高程模型(Digital Elevation Model,DEM )数据、气象数据和社会经济发展数据. 其中,DEM 数据来自美国太空总署(NASA ),分辨率为12.5 m ,由ArcGIS 提取出高程和坡度数据. 土地利用类型数据来源于Landsat 系列遥感影像进行遥感目视解译,分辨率为30 m ,将土地利用分为耕地、林地、草地、水域、建设用地和未利用土地等6种类型. NDVI 数据来源于中国科学院资源环境科学与数据中心(/),分辨率为1 km ,并由ArcGIS 提取出每个城市的NDVI 区域均值. 其他指标数据分别来源于2010、2015、2018年长三角城市群27个城市的《统计年鉴》《国民经济与社会发展统计公报》及各省市统计局、生态环境局和国家统计局提供的相关资料.2.2 数据处理对于缺失数据,在ArcGIS10.2平台上采用克里金插值法完成补全. 首先对指标进行标准化处理,本研究采用分级赋值法和极差法两种处理方式.对于高程和土地利用程度两个指标,采用分级赋值法进行标准化处理[16 − 17]. 土地利用程度综合指数由每种土地所占面积比例乘以对应的标准化赋值得到,见表1.表 1 评价指标的赋值和标准化Table 1 Assignment and standardization of evaluation indicators指标标准化赋值246810高程<300300~<600600~<900900~<1 200≥1 200土地利用程度林地、水域草地耕地建设用地未利用土地对生态环境脆弱性水平起积极作用的指标为正向指标,对生态环境脆弱性水平起消极作用的指标为负向指标. 对于其他9个指标采用极差法进行标准化处理. 公式为x i j x ′i j式中:为指标体系中各指标数据的原始值;为极差化后的指标数值.3 生态环境脆弱性指数时空特征分析3.1 基于PCA 的生态环境脆弱性指数的时序特征分析主成分分析法主要采用降维的思想,将原来长三角城市群生态环境脆弱性水平人为因素自然因素年日照小时数年均温年降水量坡度高程工业二氧化硫排放量建成区绿化覆盖率土地利用程度人口密度人均GDP平均值NDVI图 1 生态环境脆弱性水平评价指标体系Fig. 1 Evaluation index system of ecological environmentvulnerability level· 226 ·上 海 工 程 技 术 大 学 学 报第 36 卷众多具有一定相关性的指标重新组合成一组互不相关、尽可能少的综合指标来代替原来的指标. 这些新的综合指标保留了原始变量的主要信息,同时彼此之间又互不相关,比原始变量具有更优越的性质[18]. 采用主成分分析法对11个评价指标进行分析,结果见表2. 根据主成分累计贡献率达到85%以上的限制,确定2010、2015、2018年5个主成分,并进一步计算生态脆弱性指数(Eco-Environment Vulnerability Index, EVI)为式中:Y i为第i个空间主成分的数值;r i为第i个空间主成分对应的贡献率.表 2 各主成分特征值、贡献率与累计贡献率Table 2 Characteristic value, contribution rate and cumulative contribution rate of each principal component年份主成分系数主成分PC1PC2PC3PC4PC52010特征值 4.587 3.193 1.3100.5310.451贡献率41.69829.02311.905 4.830 4.096累计贡献率41.69870.72182.62687.45791.5522015特征值 4.422 2.945 1.1700.7260.574贡献率40.19726.77410.640 6.598 5.215累计贡献率40.19766.97177.61084.20889.4232018特征值 4.395 2.693 1.2250.7840.551贡献率39.95624.48211.1397.130 5.010累计贡献率39.95664.43875.57782.70687.717计算生态环境脆弱性指数空间分布,如图2所示. 参考国内外生态环境的相关划分标准[19],考虑长三角城市群生态环境脆弱性特征,并根据自然断点法将2010年生态环境脆弱性指数分为5个等级:微度脆弱、轻度脆弱、中度脆弱、重度脆弱和极度脆弱. 为保证评价结果具有对比性,2015和2018年的等级划分与2010年保持一致. 将脆弱性指数小于−1.65归为微度脆弱,在[−1.65, −0.25) 归为轻度脆弱,在[−0.25, 1.38) 归为中度脆弱,[1.38, 4.73) 归为重度脆弱,大于等于4.73归为极度脆弱.N N N 201020152018微度脆弱轻度脆弱中度脆弱重度脆弱极度脆弱图 2 生态环境脆弱性指数空间分布图Fig. 2 Spatial distribution of ecological environment vulnerability index由图2可知,2010—2018年,长三角城市群生态环境脆弱性水平程度升高,整体从中度脆弱向重度脆弱过渡. 上海市生态环境脆弱性水平一直处于极度脆弱区,这与上海市作为我国一线城市,第 2 期刘惠敏等:基于GIS的长三角城市群生态环境脆弱性综合评价· 227 ·人口密度远高于其他城市有关. 2010—2015年,金华、安庆、温州等地区从微度脆弱区过渡到轻度脆弱区;盐城、扬州、泰州等地区从中度脆弱过渡到重度脆弱,并有向极度脆弱过渡的趋势. 杭州、绍兴等地区从中度脆弱区过渡到重度脆弱区. 2015—2018年,长三角城市群整体变化幅度不大.滁州市由中度脆弱转化到重度脆弱. 微度和轻度脆弱区集中在西南部,主要是安徽池州、宣城、安庆,浙江湖州、温州、金华,江苏泰州等. 重度和极度脆弱区集中在东北部,主要是上海市、江苏南通、苏州、无锡、南京以及浙江嘉兴等. 安徽和浙江部分城市从轻度脆弱转化到中度脆弱. 可见,长三角城市群生态环境质量在降低,生态系统逐渐不稳定.3.2 基于莫兰指数的生态环境脆弱性指数的空间特征分析3.2.1 莫兰指数简介莫兰指数(Moran's I)是由澳大利亚统计学家帕克·莫兰在1950年提出. 该指数分为全局莫兰指数和局部莫兰指数. 莫兰指数是一个有理数,经过方差归一化之后,它的值会被归一化到−1.0与+1.0之间. 莫兰指数大于0时,表示数据呈现空间正相关,其值越大空间相关性越明显;莫兰指数小于0时,表示数据呈现空间负相关,其值越小空间差异越大;莫兰指数为0时,空间呈随机性.全局莫兰指数计算公式[20]为局部Moran′I指数计算公式[21]为X式中:I为Moran′I指数;X i、X j为第i个、第j个评价单元内的脆弱性指数均值;为全部评价单元的脆弱性均值;W ij为空间权重矩阵;S为空间权重矩阵各元素之和.3.2.2 全局莫兰指数本研究基于2010、2015和2018年长三角27个城市的生态环境脆弱性综合指数,运用空间自相关工具计算生态环境脆弱性的全局Moran′I.结果显示:2010、2015、2018年的全局莫兰指数分别为0.466 042、0.443 682、0.583 470. 全局莫兰指数在0至1之间取值,表示正相关;全局莫兰指数在0至−1之间取值,表示负相关[15]. 因此,可以明显看出2010、2015和2018年长三角城市群生态环境脆弱性在空间上具有显著正相关性,并且相关性增强.3.2.3 局部莫兰指数在全局莫兰指数的计算基础上,进一步计算局部莫兰指数,得到LISA聚类图,如图3所示.N N N 201020152018不显著高−高低−低低−高高−低图 3 生态环境脆弱性LISA聚类图Fig. 3 LISA cluster diagram of ecological environment vulnerabilityLISA聚类图主要有4种聚集类型,高高聚集(H−H)、低低聚集(L−L)、低高聚集(L−H)和高低聚集(H−L). 由上图可知,2010、2015和2018年的长三角生态环境脆弱性呈现出显著的空间聚集性特征. 3个年份的空间具体聚集特征大体相同,主要是以高高聚集和低低聚集为主. 高高聚集的城市主要有泰州、上海、苏州、镇江和嘉兴;低低聚集的区域主要集中在浙江省和安徽省,如绍兴、杭州、金华、台州、池州、铜陵、芜湖;其他城市聚集性不够显著. 空间聚集性虽然在整体上变化不大,· 228 ·上海工程技术大学学报第 36 卷但还是呈现局部扩张的趋势. 2018年与2010年相比,镇江成为高值聚集区,表明长三角城市生态环境脆弱性在空间上存在一定程度的扩张.4 生态环境脆弱性的驱动因素分析4.1 基于PCA的生态环境脆弱性驱动力分析2010年成分矩阵见表3. 本研究采用各指标的贡献率表示驱动作用的大小. 由表可知,第1主成分中,自然因素为主要驱动力;第2主至第5主成分中,人为因素为主要驱动力.表 3 2010年成分矩阵Table 3 Composition matrix in 2010指标主成分PC1PC2PC3PC4PC5高程−0.8930.236−0.2010.1900.114土地利用程度0.870−0.1440.2950.124−0.057年降水量−0.8380.2820.184−0.030−0.323坡度−0.6970.447−0.3750.2920.207人均GDP0.5650.544−0.484−0.2400.070工业二氧化硫排放量0.5070.7660.0340.1720.156年日照小时数0.265−0.747−0.408−0.0830.272年均温0.521−0.7050.0890.3470.049人口密度0.5460.6780.2910.2810.029NDVI平均值0.6180.661−0.048−0.2200.005建成区绿化覆盖率−0.4960.0480.715−0.2270.425 2018年成分矩阵见表4. 由表可知,第1主成分中,土地利用程度仍然是主要驱动因子;第2主成分中,人均GDP和年均温是主要驱动因子;第3主成分中,建成区绿化覆盖率是主要驱动因子;第4主成分中,年均温是主要驱动因子;第五主成分中,年降雨量是主要驱动因子. 研究表明,2010—2018年土地利用程度、人均GDP、工业二氧化硫排放量和建成区绿化覆盖率等是长三角城市群生态环境脆弱性的核心驱动力,而其他指标的驱动力较小. 经济的发展必然导致人类对土地的开发利用程度提高,从而促使生态系统向不稳定的方向发展,长三角城市群的生态环境脆弱性水平程度也向更严重的趋势转化.表 4 2018年成分矩阵Table 4 Composition matrix in 2018指标主成分PC1PC2PC3PC4PC5高程−0.9430.010−0.130−0.0570.135土地利用程度0.8750.0420.167−0.122−0.206坡度−0.8050.253−0.218−0.2780.259降水量−0.6650.3860.2700.220−0.079年均温0.660−0.610−0.085−0.014−0.045人均GDP0.4360.757−0.215−0.0140.139NDVI平均值0.6100.7050.0670.0690.062工业二氧化硫排放量0.2290.635−0.4430.493−0.019人口密度0.4300.5780.449−0.4290.214建成区绿化覆盖率−0.4240.1480.7610.323−0.057年日照小时数0.486−0.5260.1550.3220.5855 结 语本研究考虑长江三角洲的地理特征、气候环境特征以及社会经济发展特征,从人为因素和自然因素两方面构建长三角城市群的生态环境脆弱性水平评价指标体系,计算长三角27个城市2010、2015、和2018年的EVI值并进行空间相关性分析.长三角城市群生态环境脆弱性水平综合评价结果表明,长三角城市的生态环境质量水平呈现下降趋势,生态系统愈发脆弱. 时序分布上,长三角城市群脆弱性程度升高,且由中度脆弱向重度脆弱过渡;空间分布上,长三角城市群生态环境脆弱性存在空间自相关性,且为显著正相关. 2010—2018年,土地利用程度、人均GDP、工业二氧化硫排放量和建成区绿化覆盖率等一直是长三角城市群生态环境脆弱性的核心驱动力. 从整体生态环境脆弱性指数分布水平看,上海市脆弱性水平遥遥领先于其他城市. 外来人口过多导致人口密度一直居高不下,因此人口密度成为上海市生态环境脆弱性的核心驱动因子. 长江三角洲工业化为主导城市居多,一直面临工业二氧化硫排放量过高的问题. 因此要降低长三角生态环境脆弱性程度,提升生态系统的稳定性,每个城市都应该针对自己的短板问题进行解决. 例如,上海市第 2 期刘惠敏等:基于GIS的长三角城市群生态环境脆弱性综合评价· 229 ·应该疏散人群从而降低人口密度. 无锡、苏州等城市应降低工业二氧化硫排放量,退耕还林,提高绿化覆盖率;合肥、芜湖、滁州等城市应该降低土地利用率. 要实现长江三角洲区域一体化发展,就要实现生态环境的协同治理,生态环境脆弱性评价以及驱动力分析可为长三角城市群找到自身环境中存在的问题.本研究主要基于GIS 技术,获取生态环境脆弱性水平评价的部分指标,在指标的选择上还可以更加客观科学. 在空间相关性分析上,未对单独的指标做相关性分析,因此进一步探讨更加科学并且符合长三角城市群实际情况的生态环境脆弱性评价指标体系以及更微观的空间相关性分析是下一步研究的方向.参考文献:屈志强, 沈婷婷, 徐胜利, 等. 生态脆弱性评价概述[J ].草原与草业,2020,32(3):1 − 4,42.[ 1 ]张学玲, 余文波, 蔡海生, 等. 区域生态环境脆弱性评价方法研究综述[J ] . 生态学报,2018,38(16):5970 −5981.[ 2 ]邓伟, 袁兴中, 孙荣, 等. 基于遥感的北方农牧交错带生态脆弱性评价[J ] . 环境科学与技术,2016,39(11):174 − 181.[ 3 ]张德君, 高航, 杨俊, 等. 基于GIS 的南四湖湿地生态脆弱性评价[J ] . 资源科学,2014,36(4):874 − 882.[ 4 ]姚昆, 张存杰, 何磊, 等. 川西北高原区生态环境脆弱性评价[J ] . 水土保持研究,2020,27(0):349 − 355,362.[ 5 ]姚昆, 周兵, 李小菊, 等. 基于AHP−PCA 熵权模型的大渡河流域中上游地区生态环境脆弱性评价[J ] . 水土保持研究,2019,26(5):265 − 271.[ 6 ]何云玲. GIS 支持下生态环境脆弱性评价研究概况[J ].农业与技术,2008(3):65 − 68.[ 7 ]钟晓娟, 孙保平, 赵岩, 等. 基于主成分分析的云南省生态脆弱性评价[J ] . 生态环境学报,2011,20(1):109 −113.[ 8 ]高越, 赵秀清, 朝格吉胡楞, 等. 基于主成分分析法的赤峰市生态环境质量评价[J ] . 内蒙古科技与经济,2017(14):58 − 59,61.[ 9 ]马骏, 李昌晓, 魏虹, 等. 三峡库区生态脆弱性评价[J ].生态学报,2015,35(21):7117 − 7129.[10]陈星霖. 广西农业生态脆弱性评价及区划研究[J ] . 中国农业资源与区划,2020,41(3):212 − 219.[11]李路, 孙桂丽, 陆海燕, 等. 喀什地区生态脆弱性时空变化及驱动力分析[J ] . 干旱区地理,2021(1):277 − 288.[12]杨志辉, 赵军, 朱国锋, 等. 含植被覆盖影响的石羊河流域土壤水分遥感估算及空间格局分析[J ] . 生态学报,2020,40(23):8826 − 8837.[13]刘木生, 张其海, 林联盛, 等. 基于GIS 的江西省脆弱生态环境时空评价[J ] . 江西科学,2008(5):803 − 807,811.[14]林金煌, 胡国建, 祁新华, 等. 闽三角城市群生态环境脆弱性及其驱动力[J ] . 生态学报,2018,38(12):4155 −4166.[15]南颖, 吉喆, 冯恒栋, 等. 基于遥感和地理信息系统的图们江地区生态安全评价[J ] . 生态学报,2013,33(15):4790 − 4798.[16]杜悦悦, 彭建, 赵士权, 等. 西南山地滑坡灾害生态风险评价:以大理白族自治州为例[J ] . 地理学报,2016,71(9):1544 − 1561.[17]杨宇. 多指标综合评价中赋权方法评析[J ] . 统计与决策,2006(13):17 − 19.[18]胡庆芳, 杨大文, 王银堂, 等. 利用全局与局部相关函数分析流域降水空间变异性[J ] . 清华大学学报(自然科学版),2012,52(6):778 − 784.[19]李慧, 王云鹏, 李岩, 等. 珠江三角洲土地利用变化空间自相关分析[J ] . 生态环境学报,2011,20(12):1879 −1885.[20]朱子明 , 祁新华. 基于 Moran'I 的闽南三角洲空间发展研究[J ] . 经济地理,2009(2):1977 − 1980.[21]钱敏蕾, 李响, 徐艺扬, 等. 特大型城市生态文明建设评价指标体系构建:以上海市为例[J ] . 复旦学报(自然科学版),2015,54(4):389 − 397.[22](编辑:韩琳)· 230 ·上 海 工 程 技 术 大 学 学 报第 36 卷。