基于Google Earth Engine和CA-Markov模型的永宁县生态环境质量时空分析及预测.pdf

第 22 卷 第 2 期2023 年 6 月宁 夏 工 程 技 术Vol.22 No.2Ningxia Engineering TechnologyJun.2023基于 Google Earth Engine 和 CA-Markov 模型的永宁县生态环境质量时空分析及预测刘程辉（航天规划设计集团有限公司，北京102616）摘 要：遥感生态指数（RSEI）在评估区域生态环境时发挥着重要作用，但目前生态环境评价主要集中在对历史影像的分析上，缺乏对未来生态环境状况的预测及评估。基于 Google Earth Engine 平台，选取 20052020 年共 4 期Landsat 影像，计算了绿度、湿度、干度和热度 4 项指标，并通过主成分分析法构建了 RSEI 模型，对影像进行了时空分析。此外，采用 CA-Markov 模型预测了 2025 年的 RSEI 影像。结果表明：20052020 年永宁县 RSEI 年均增长速率为 0.004 7/a，生态环境持续改善；永宁县生态环境质量在空间上呈现“东强西弱”的格局；永宁县中、东部生态环境质量变化较为剧烈，而西部生态环境质量较为稳定；相比于 2020 年，预测 2025 年永宁县生态环境等级为优和良的面积将分别增加 4.12%和 1.41%，等级为差的面积将减少 6.03%，生态环境质量将向好发展。CA-Markov 模型能够为未来生态环境预测及决策提供依据。关键词：CA-Markov；Google Earth Engine；遥感生态指数；永宁县中图分类号：P951；P237 文献标志码：A生态环境质量评价作为评估区域内生态环境优劣的重要手段，能够为区域可持续发展及制定生态环境保护政策提供依据。重视景观生态环境质量评价，防范、化解生态环境领域的重大风险，警惕、预测潜在生态风险危害，是生态文明建设的迫切要求。遥感技术具有速度快、监测范围大等优点，因此被广泛应用于生态环境监测研究中1-2。利用遥感技术进行环境监测的方法具体包括单指标评价法、多指标评价法和遥感生态指数（RSEI）评价法。单指标评价法通常选用单一的遥感指标（NDVI，EVI，FVC等）对生态环境进行评价，但生态环境受多种因素共同影响，采用单一指标评价生态环境往往存在较大问题3。多指标评价法选择多种环境指标对生态环境进行评价，然而各指标权重的设定通常依据研究者的主观经验，会给评估工作造成较大影响。RSEI评价法避免了单指标评价法的不足之处，同时其采用的主成分分析法弥补了多指标评价法在权重设定上的缺陷，目前该方法已得到广泛应用4。此外，当前对于生态环境评价的研究主要集中在对历史影像的分析上，缺少对未来生态环境的预测。遥感领域常用的预测模型有 CA 模型5、Markov模型、系统动力学模型6、CLUE-S 模型7等。大量研究表明，各模型难以同时兼顾数量和空间问题。例如，CA 模型注重单个元胞的转换，但在数量的预测上存在不足；Markov 模型缺乏空间模拟能力8。而CA-Markov 模型综合了 CA 模型强大的空间模拟能力和 Markov 模型数量预测精度高的优势，极大地提升了预测精度9-10。目前，该模型已被广泛应用于城市增长边界预测9，11、土地利用模拟12、植被覆盖度预测13-14、城市热环境预测15等领域，并取得了一定的成果。宁夏银川市永宁县作为黄河流域的重要区域之一，近年来面临着植被退化、土地荒漠化等问题，生态环境脆弱，因此，掌握永宁县生态环境质量的变化情况及未来趋势对当地生态环境保护具有重要的现实意义。本文基于 Google Earth Engine（GEE）平台，选取 20052020 年共 4 期的 Landsat 影像，对永宁县的 RSEI 进行了时空分析，并利用 CA-Markov 模型对 2025 年的 RSEI 结果进行了预测。文章编号：1671-7244（2023）02-0169-06收稿日期：2022-05-11作者简介：刘程辉（1996），男，硕士，主要从事遥感云计算及其科学分析研究（）。宁 夏 工 程 技 术第 22 卷1研究区域与方法1.1研究区概况永宁县（10549E10622E，3807N3829N）地处银川平原引黄灌区中部，东临黄河，西靠贺兰山，面积为 934 km2，地势西高东低（图 1）。该县地处西北内陆，属于荒漠原生物气候带，干旱少雨，蒸发量大，生态环境脆弱。1.2研究方法1.2.1RSEI模型土地覆被的变化对生态环境质量有着极大的影响。首先，植被的生长状况是评价区域生态环境的重要表征，也是人类能感受到的最直观的指标；其次，伴随着城市化进程，部分生态用地转变为城市用地，人类活动对生态环境产生了一些负面作用；最后，地表湿度和温度能够体现出区域内气候变化对生态环境的影响。本文参照徐涵秋提出的方法，利用 Landsat 影像对绿度（NDVI）、热度（LST）、湿度（Wet）和干度（NDBSI）4 个指标进行了计算4。杨泽康等3、郑子豪等16已经证实 GEE 平台在构建 RSEI 模型时的优势，因此，本文在 GEE 平台上选取了 2005，2010，2015 和 2020 年共 4 期的Landsat 影像，影像信息如表 1 所示。为了降低季节性差异带来的影响，本文将选取影像的时间固定为68 月，并对影像进行了去云、裁剪和镶嵌处理，同时将影像的空间分辨率由 30 m 重采样至 100 m，以此计算评价生态环境质量的各项指标。为了避免量纲不统一，在主成分分析之前要对指标值进行归一化处理，其公式为 I=Ii-IminImax-Imin，（1）式中：Ii为像元 i 的各指标的值；Imin和 Imax分别为各指标的最小值和最大值；I 为像元归一化后的值。将 4 个影像集成为单张影像后，可以通过 GEE 平台编写的主成分分析脚本完成 RSEI 计算。公式为R0=PC NDVI，DLST，Wetness，NDBSI ，（2）式中：R0为初始 RSEI 值；PC 为主成分分析函数；NDVI，DLST，Wetness 和 NDBSI 分别为绿度、热度、湿度和干度指标。同时，本文为了便于比较计算结果，对 R0进行了正规化处理，公式为R=R0-R0minR0max-R0min ，（3）式中：R0min，R0max分别为归一化前R0的最小值和最大值；R 为归一化后的 RSEI 值。归一化之后，RSEI值在 0 和 1 之间，该值越接近 1，表明生态质量越好。本文以 0.2 为步长，将 RSEI 值分为差0，0.2、较差（0.2，0.4、中（0.4，0.6、良（0.6，0.8和优（0.8，1共 5 个等级。1.2.2CA-Markov模型CA 模型的数学表达式为Qt+1=(Qt，n)，（4）式中：Qt+1，Qt分别为元胞 Q 在 t+1 和 t 时刻的状态；n 为元胞的领域；表示元胞的转换规则。Markov 模型的数学表达式为Pij=P11P1nPn1Pnn，（5）Qt+1=PijQt，（6）式中，Pij为状态转移概率矩阵，表示生态等级 i 转移为生态等级 j 的概率。本文采用 IDRISI 软件中的 CA-Markov 模块完成了永宁县的 RSEI 预测，具体操作如下。（1）在 Arcmap 10.7 中，将栅格影像转换为ASCII 文本文件；然后，将 ASCII 文本文件导入IDRISI 软件中的 ARCRASTER 模块，并进行重分类处理。（2）利用 IDRISI 的 CA-Markov 模块计算 20102015 年及 20152020 年的生态环境转移矩阵，并将转换面积作为转换规则，以便于进行下一步的预测。（3）在 IDRISI 的 CA-Markov 模块中，以 5 年为步长，分别预测 2015 年和 2020 年生态环境质量的空间格局，并将预测结果与这 2 个年份的实际生态10620106201061010610106001060010550105503830383038203820381038101 100Q0mQ2 494010 km5图1研究区概况图表1影像信息表年份2005201020152020传感器Landsat 5 TMLandsat 5 TMLandsat 8 OLILandsat 8 OLI空间分辨率/m30303030影像数量4567170第 2 期刘程辉：基于Google Earth Engine和CA-Markov模型的永宁县生态环境质量时空分析及预测环境质量状况进行对比分析和精度评定，最后对2025 年生态环境质量的空间格局进行模拟。2结果与分析2.1主成分分析结果由第 1 主成分分析结果（表 2）可知：20052020 年，绿度和湿度的荷载均为正数，干度与热度的荷载均为负数，表明绿度与湿度对生态环境具有积极作用，而干度与热度则对生态环境具有消极作用，此结果与现实情况相符；第 1 主成分的贡献率分别为 94.08%（2005 年），95.52%（2010 年），94.28%（2015 年）和 93.38%（2020 年），均大于 90%，表明第 1主成分集中了绝大部分信息，能够真实合理地反映研究区域的生态环境状况。综上可见，采用第 1 主成分构建永宁县的 RSEI 模型是可行的。2.2RSEI时空分析20052020 年 RSEI 均值年际变化情况如图 2所示。由图 2 可知，永宁县生态环境质量虽然呈现“上升下降上升”的波动变化，但整体表现出持续改善的态势。RSEI 均值由 2000 年的 0.452 增长为 2020 年的 0.545，年均增长速率为 0.004 7/a。20052020 年永宁县 RSEI 值的空间等级分布图如图 3 所示。由图 3 可知：永宁县生态环境质量呈明显的空间分异现象，东部的生态环境要优于西部；东部为人类主要活动区域，生态等级为优的区域持续增加；西部为荒漠地区，生态等级为差的区域持续减少。总体来看，永宁县生态环境质量向好变化。为了定量研究永宁县各年份生态环境质量等级的变化情况，本文分别对各等级的面积及其占比进行了表2第1主成分分析结果年份2005201020152020绿度0.9660.9420.9330.923湿度0.7790.7930.8110.815干度-0.912-0.920-0.951-0.945热度-0.995-0.995-0.991-0.988特征值0.1590.1580.1750.181贡献率94.08%95.52%94.28%93.38%20052010201520200.440.480.520.56RSEIRSEIRSEI4图220052020年永宁县RSEI均值年际变化图a2005b2010c2015d2020RSEI14020 km108E图320052020年永宁县RSEI值的空间等级分布图171宁 夏 工 程 技 术第 22 卷统计，如表 3 和图 4 所示。2020 年，生态等级为优的面积最大，占比为 31.70%；2005 年，生态等级为优的面积最小，占比为 18.44%；两年相较，生态等级为优的面积增加了 13.26%。此外，生态等级为差的面积持续减少，由 2005 年的 319.34 km2下降至2020 年的 228.76 km2，减少了 10.31%。整体上看，20052020 年永宁县生态环境质量等级优、良、中的面积之和占比分别为 52.08%（2005 年），61.15%（2010 年），58.51%（2015 年）和 64.13%（2020 年），再次印证了永宁县生态环境状况呈现波动态势，但整体表现为改善态势。为了表示 20052020 年生态环境质量的变化情况，本文采用空间分布影像相减法（后一研究时期的 RSEI 空间分布影像减去前一研究时期的影像）得出生态环境质量变化的空间分布图，并将其分为改善、不变和恶化 3 个等级，同时对各个等级的面积进行了统计，如图 5 和表 4 所示。20052010 年，永宁县生态环境质量有明显改善，改善区域主要集中在中部地区，改善面积达到 333.49 km2，占比为38%；生态环境质量恶化区域主要分布在东部地区，面积为 83.41 km2，占比为 9.51%。20102015 年，永宁县生态环境质量恶化严重，恶化区域主要集中在中部和东部地区，恶化面积占比达到 25.35%，大于同一时期生态环境质量改善的面积，表明这一时期生态环境质量总体呈恶化态势。20152020 年，永宁县生态环境质量再次得到改善，改善区域主要分 布 在 中 部 地 区，面 积 为 275.22 km2，占 比 为31.36%；而恶化区域较为分散，主要分布在中部和表320052020年永宁县各生态环境质量等级面积km2年份2005201020152020生态环境质量等级优161.95261.15194.89278.37良178.03170.88194.59173.25中117.38104.98124.37111.54较差101.4880.48104.1486.31差319.34260.66260.16228.7618.4429.7422.1931.7020.2719.4622.1619.7313.3711.9514.1612.7036.3629.6829.6326.052005201020152020020406080100,%E811.569.1611.869.83图420052020年永宁县各生态环境质量等级面积占比图020 km1056(,14a20052010b20102015c20152020图520052020年永宁县生态环境质量变化空间分布图172第 2 期刘程辉：基于Google Earth Engine和CA-Markov模型的永宁县生态环境质量时空分析及预测东部地区，面积达到 107 km2，占比为 12.19%。综上所述，20052020 年，永宁县西部的生态环境质量较为稳定，生态环境质量变化主要发生在中部和东部地区。只有改善中部和东部地区生态环境质量的恶化情况，才能够提升永宁县整个区域内的生态环境质量。2.3CA-Markov预测和模拟本文基于 CA-Markov 模块，以先期获取的RSEI 结果为初始数据，在 IDIRSI 软件中进行了生态环境质量预测。首先，本文通过 20052010 年及20102015 年的 RSEI 数据，分别对永宁县 2015 年和 2020 年的 RSEI 等级空间分布进行了模拟（图 6），并且加以验证。2015 年的 kappa 系数为 0.778，2020 年的 kappa 系数为 0.754，均大于 0.75，符合预测要求。同时，本文统计了永宁县 2015 年和 2020 年预测数据和真实数据中各生态等级的面积及其相对误差（表 5）。由表 5 可 知：2015 年的模拟效果较好，相对误差最大的等级为优（13.36%），相对误差最小的等级为中（5.68%）；2020 年的模拟效果较差，相对误差最大的等级为较差（24.57%），相对误差最小的等级为差（9.54%）。在此基础上，本文对永宁县 2025 年的生态环境质量状况进行了预测（图 7）。由图 7 可知，永宁县生态环境质量在空间上仍表现出“东强西弱”的生态格局。另外，本文对各生态等级的面积进行了预测（表 6），生态等级由优到差分别为 314.57 km2，185.68 km2，111.30 km2，90.90 km2和 175.80 km2，其占 比 分 别 为 35.82%，21.14%，12.67%，10.35%和20.02%。与 2020 年相比，预计 2025 年永宁县生态环境质量等级为优和良的面积将分别提升 4.12%和 1.41%，生态等级为差的面积将降低 6.03%。可见，2025 年永宁县的生态环境状况可能仍然呈改善态势。表420052020年永宁县生态环境质量变化等级的面积和占比等级恶化不变改善20052010年面积/km283.41460.61333.49占比/%9.5152.4938.00年份20102015年面积/km2222.45513.09142.06占比/%25.3558.4716.1920152020年面积/km2107.00495.44275.22占比/%12.1956.4531.36a2015b2020RSEI14020km108E图62015年和2020年永宁县RSEI等级空间分布模拟图表52015年和2020年永宁县生态等级预测面积和真实面积统计表指标差较差中良优年份2015年预测值/km2237.77111.68131.44176.37220.93真实值/km2260.16104.14124.37194.59194.89相对误差/%-8.617.245.68-9.3613.362020年预测值/km2206.93107.51124.80205.40233.56真实值/km2228.7686.31111.54173.25278.37相对误差/%-9.5424.5711.8918.56-16.10173宁 夏 工 程 技 术第 22 卷3结论本文借助 GEE 遥感云平台，通过 Landsat 影像完成了对 RSEI 的构建，并对 20052020 年永宁县生态环境质量进行了时空分析，采用 CA-Markov 模型对永宁县 2025 年的生态环境质量进行了预测，结论如下。（1）永宁县生态环境质量在时间上表现为持续改善；在空间上呈现“东强西弱”的生态格局。变化监测表明永宁县中部和东部地区的生态环境质量变化较为剧烈，而其西部地区的生态环境质量较为稳定。因此，改善永宁县中部和东部地区的生态环境恶化情况以及保证西部地区的生态环境质量，对于提高整个区域的生态环境质量尤为重要。（2）通过对永宁县 2015 年和 2020 年生态环境的模拟及验证，可知两个年度的 kappa 系数均大于0.75，证明采用 CA-Markov 模型对 RSEI 进行预测的方法是可行的。（3）本文预测 2025 年永宁县生态环境质量保持改善态势，生态等级为优和良的面积将持续增加，生态等级为差的面积将持续减少。参考文献：1 YUAN B D，FU L N，ZOU Y A，et al.Spatiotemporal change detection of ecological quality and the associated affecting factors in Dongting Lake Basin，based on RSEIJ.Journal of Cleaner Production，2021，302：126995.2 XIONG Y，XU W H，LU N，et al.Assessment of spatialtemporal changes of ecological environment quality based on RSEI and GEE：A case study in Erhai Lake Basin，Yunnan Province，ChinaJ.Ecological Indicators，2021，125：107518.3 杨泽康，田佳，李万源，等.黄河流域生态环境质量时空格局与演变趋势J.生态学报，2021，41（19）：7627-7636.4 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）：889-897.5 刘伟玲，张育庆，杨俊.不规则邻域CA的城市增长边界研究：以大连市经济技术开发区为例J.测绘通报，2018（8）：93-96.6 苏伟忠，杨桂山，陈爽，等.城市增长边界分析方法研究：以长江三角洲常州市为例J.自然资源学报，2012，27（2）：322-331.7 HUANG D Q，HUANG J，LIU T.Delimiting urban growth boundaries using the CLUE-S model with village administrative boundariesJ.Land Use Policy，2019，82：422-435.8 周烨.城市化时空演变的多元多尺度分析及其扩张模拟预测研究：以浙江省为例D.杭州：浙江大学，2019.9 李贤江，石淑芹，蔡为民，等.基于CA-Markov模型的天津滨海新区土地利用变化模拟J.广西师范大学学报（自然科学版），2018，36（3）：133-143.10 赵晓峰，王金林，王珊珊，等.基于MCR模型的卡拉麦里地区生态安全格局变化研究J.干旱区地理，2021，44（5）：1396-1406.11 薛燕，李晓丹，张倩倩.基于CA-Markov的雄安新区城市增长模拟预测J.水利与建筑工程学报，2018，16（2）：81-84.12 余健，童秋英，朱波.改进CA-Markov模型的武汉市土地利用变化模拟J.测绘科学，2020，45（6）：165-171.13 魏月茹，吴风华.北三县植被覆盖度动态变化及其预测J.华北理工大学学报（自然科学版），2020，42（3）：33-39.14 杜英坤，燕琴，骆成凤，等.石家庄19952015年植被覆盖变化监测及预测J.遥感信息，2016，31（4）：101-107.15 冯晓刚，撒利伟，李凤霞，等.基于CA-Markov模型的西安市热环境模拟研究J.西安建筑科技大学学报（自然科学版），2016，48（5）：731-737.16 郑子豪，吴志峰，陈颖彪，等.基于Google Earth Engine的长三角城市群生态环境变化与城市化特征分析J.生态学报，2021，41（2）：717-729.56(,14010 km58E图72025年永宁县生态环境质量等级空间分布预测图表62025年永宁县生态环境质量等级面积及占比项目面积/km2占比/%优314.5735.82良185.6821.14等级中111.3012.67较差90.9010.35差175.8020.02（下转第 180 页）174宁 夏 工 程 技 术第 22 卷322-328.16 刘睿杰，白欢欢，王珊珊，等.花生红衣原花青素稳定性研究J.中国油脂，2018，43（6）：126-131.17 杨运英，王廷芹，周子涵.紫色康乃馨色素提取及其稳定性J.北方园艺，2021（2）：80-84.18 吴敏，张杰，曾凡骏.天然花青素稳定性研究现状J.中国食品添加剂，2008（5）：50-53.Study on Extraction and Stability of China Rose Red PigmentHAN Meifang，DENG Lisha，REN Jiangling，FENG Zhe*（School of Life Science and Engineering，Northwest Minzu University，Lanzhou 730000，China）Abstract：Using 95%（mass fraction）ethanol as extraction solvent，ultrasonic-assisted method was used in this paper.The optimum extraction process was determined by the contrastive analysis of the effects of solid-liquid ratio，ultrasonic temperature and ultrasonic time on the extraction rate of red pigment.On this basis，the effects of food additives，oxidants and reducing agents，metal ions，pH and other factors on the stability of the extracted red pigment were studied.The results show that the maximum absorption wavelength of red pigment in China rose is 540 nm，and the best extraction process condition is with 1 20 for solid-liquid ratio，60 for ultrasonic temperature and 70 minutes for ultrasonic time.The red pigment is less affected by common food additives，but its resistance to oxidation and reduction is poor.It is very unstable under the influence of Fe2+，so it is not suitable to use iron containers.The red pigment is relatively stable in acidic and neutral environment，but the color changes greatly in alkaline environment.Keywords：China rose；red pigment；ultrasonic assistance（责任编辑 丁莉君）（上接第 174 页）Spatial and Temporal Analysis and Prediction of Ecological Environment Quality in Yongning County Based on Google Earth Engine and CA-Markov ModelLIU Chenghui（China Aerospace Planning and Design Group Co.，Ltd.，Beijing 102616，China）Abstract：Remote Sensing Ecological Index（RSEI）plays an important role in assessing the regional ecological environment，but the current evaluation of ecological environment mainly focuses on the analysis of historical images，lacking prediction and assessment of future ecological conditions.Based on the Google Earth Engine（GEE）platform，four periods of Landsat images from 2005 to 2020 were selected，and four indexes of greenness，humidity，dryness and heat were calculated.A RSEI model was constructed by principal component analysis to conducted a spatial and temporal analysis of the images.The CA-Markov model was also used to predict the RSEI images in 2025.The results show that from 2005 to 2020，the average annual growth rate of RSEI in Yongning County was 0.0047/a，and the ecological environment continued to improve.Its ecological environment quality showed a spatial pattern of“strong in the east and weak in the west”，and the ecological environmental quality in the middle and east parts of Yongning County changed sharply，while that in the west was relatively stable.In 2025，the area with excellent and good ecological environment grades in Yongning County is predicted to increase by 4.12%and 1.41%compared with 2020，respectively，and the area with poor grade decrease by 6.03%.The ecological environment quality will be much better.The CA-Markov model can provide a basis for future ecological environment prediction and decision making.Keywords：CA-Markov；Google Earth Engine；RSEI；Yongning County（责任编辑 丁莉君）180