王 淵,趙宇豪,2,吳健生,2,*

1 北京大學城市規(guī)劃與設計學院, 城市人居環(huán)境科學與技術重點實驗室, 深圳 518055

2 北京大學城市與環(huán)境學院, 地表過程分析與模擬教育部重點實驗室, 北京 100871

生態(tài)環(huán)境是指影響人類生產生活和生態(tài)系統(tǒng)發(fā)展的各種生態(tài)因素的總和,與人類生存和發(fā)展所處的環(huán)境以及社會可持續(xù)發(fā)展息息相關[1]。地球進入人類世后[2],人類活動對全球生態(tài)環(huán)境的影響愈發(fā)強烈[3-5],其主要是通過改變地表狀況從而影響生態(tài)環(huán)境,而城市化是造成地表變化的重要原因之一[6-7]。中國是目前城市化速度最快的國家之一,1978 到2019年間,城市化率增長了 42.68%[8],然而傳統(tǒng)城市化過度側重于發(fā)展速度,導致生態(tài)環(huán)境被破壞。隨著新時代中國經濟和城鎮(zhèn)化開始由高速增長轉向高質量發(fā)展[9],國家日益重視生態(tài)環(huán)境評估與保護。其中生態(tài)環(huán)境部根據生物豐度指數,植被覆蓋指數,水網密度指數,土地退化指數和環(huán)境質量指數構建的生態(tài)指數(Ecological Index, EI),在區(qū)域生態(tài)環(huán)境質量(Ecological Environmental Quality, EEQ) 評估方面得到了廣泛應用[10]。在實際應用中,學者們雖然可以根據研究區(qū)域對指標和權重進行了不同的調整,但普遍面臨評價指標提取困難、數據空間精度較低和數據更新慢等問題[11]。而及時動態(tài)地監(jiān)測生態(tài)環(huán)境狀況,明晰生態(tài)環(huán)境變化的特點和趨勢,對生態(tài)環(huán)境管理和社會可持續(xù)發(fā)展具有重大意義。

衛(wèi)星遙感具有大面積、快速和周期性的重復觀測的優(yōu)點,已被廣泛應用于生態(tài)學研究領域,使得生態(tài)環(huán)境質量評價工作得到了改善[12-13]。目前,已創(chuàng)建了多種遙感指數來量化生態(tài)狀況,如歸一化植被指數(NDVI)、增強植被指數(EVI)、永久植被分數(PVF)和干旱條件指數(SDCI)等,但大多都是以某個特定的生態(tài)相關主題為導向,不能全面的評估區(qū)域的綜合生態(tài)狀況[14]。而基于遙感信息并結合了綠度、濕度、干度、熱度的遙感生態(tài)指數(remote sensing based ecological index, RSEI)[15]可以比較好的解決上述問題。遙感生態(tài)指數指標容易獲取且計算簡便,無需人為設定權重和閾值,是一種客觀、快速、簡便的城市生態(tài)質量的監(jiān)測和評價技術[16-17]。通過該指數來評估生態(tài)質量的時空分異,已在不同尺度得到了廣泛的應用[12,18-19]。然而在遙感生態(tài)指數的應用中還存在一些問題。首先,遙感影像普遍面臨云遮擋問題,去云較為困難,直接去云則會造成云遮擋區(qū)域數據缺失；其次,不同景影像的獲取時間有所差異,拼接有一定困難,可比性不足。為規(guī)避上述問題,部分研究通常選取云量較少的小塊區(qū)域某幾個時間點的數據開展研究[20-21],而云量較多區(qū)域的大范圍長時序研究則相對較少[22]。近年來,谷歌云計算的Google Earth Engine(GEE)平臺的快速發(fā)展為遙感數據提供了強大處理平臺[23],基于GEE的圖像處理可以較好的改善遙感數據缺失、多云、色差、時間不一致等問題。在大范圍長時間序列的遙感應用研究,GEE更具優(yōu)勢,極大的縮短了圖像處理時間,提高了工作效率[24]。

粵港澳大灣區(qū)(Guangdong-Hong Kong-Macao Greater Bay Area, GBA)的發(fā)展歷程可以看做中國城市化的縮影,對其進行長時序的生態(tài)質量時空變化評估,不僅可以助力該區(qū)域的建設和綠色發(fā)展,對全國其他地區(qū)也有借鑒意義。同時,粵港澳大灣區(qū)是典型的南方多云地區(qū),基于GEE平臺的影像數據處理和遙感生態(tài)指數計算可以為其他類似地區(qū)的提供參考。因此,本文借助GEE平臺,通過逐年遍歷1988—2018年粵港澳大灣區(qū)3530景Landsat遙感影像,對其去云、計算指標、疊加提取中值、鑲嵌等處理,提取年度遙感生態(tài)指數,評價了近三十年來該區(qū)域的生態(tài)質量的動態(tài)變化,分析了生態(tài)質量的時空異質性并比較城市間發(fā)展態(tài)勢的差異,以期在快速城市化背景下,為土地管理和生態(tài)保護提供理論依據。

1 研究區(qū)概況與數據來源

1.1 研究區(qū)概況

粵港澳大灣區(qū)(21°32′—24°26′N,111°20′—115°24′E)位于中國華南地區(qū)(圖1),屬亞熱帶季風氣候,年平均氣溫為22°C,雨季集中在4月至9月[25]。其由香港、澳門兩個特別行政區(qū)和廣州、深圳、珠海、佛山、惠州、東莞、中山、江門、肇慶九個珠三角城市組成,總面積5.6萬km2,2019年末常住7264.92萬人,GDP總量高達11.59萬億元人民幣,是中國開放程度最高、經濟活力最強的區(qū)域之一,在“一帶一路”建設和國家發(fā)展大局中具有重要地位[26]。

圖1 研究區(qū)Fig.1 Study area

1.2 數據來源與預處理

采用的數據及來源如表1所示。其中,Landsat數據來源于美國地質調查局(United States Geological Survey, USGS),在GEE平臺集成,空間分辨率為30m,主要包括原始圖像(Digital Number, DN),經輻射校正的大氣層頂表觀反射率圖像(Top of Atmosphere Reflectance, TOA Reflectance)和經輻射校正和大氣校正的地表反射率圖像(Surface Reflectance, SR),均已完成幾何精校正。由于Landsat7 衛(wèi)星的ETM+機載掃描行校正器(ScanLinesCorrector, SLC)自2003年故障,導致數據條帶的部分丟失,為了盡量避免傳感器之間差異的影響,研究中使用1988—2011年Landsat5衛(wèi)星的TM數據和2013—2018年Landsat8衛(wèi)星的OLS和TIRS數據,不含2012年。

表1 數據集說明Table 1 Dataset descriptions

預處理包括去云和水體掩膜兩個部分。首先對Landsat影像利用CFMASK算法生成的質量評估波段QA進行去云處理,它通過標示哪個像素可能受儀器或云層影響,從而提高了科學研究的完整性(https://www.usgs.gov/land-resources/nli/landsat)。具體過程為：選擇出有云陰影覆蓋、有云并且云層置信度為中等的像元,將其像元值設置為0。其次,由于水體會影響主成分載荷,根據徐涵秋提出的改進的歸一化水體指數(Modified Normalized Difference Water Index, MNDWI)對水體掩膜[27]。

2 研究方法

遙感生態(tài)指數(RSEI)由歸一化植被指數(NDVI)、濕度分量(WET)、地表溫度(LST)和干度指數(NDBSI)構成,分別反映與人類生存息息相關的綠度、濕度、熱度和干度四種生態(tài)要素。其所選的指標完全基于遙感信息,容易獲得,且計算過程無需人工干預,因此結果客觀可靠、可比性強[15]。

2.1 城市綠度

城市綠度是指城市范圍內為植被覆蓋的區(qū)域,且具有一定的生態(tài)服務效益,對生態(tài)質量有積極的影響[28]。歸一化植被指數(Normalized Vegetation Index,NDVI)據植被葉面在紅光波段的吸收和近紅外波段的反射特性構建,能反映植物生物量、葉面積指數以及植被覆蓋度,因此,以NDVI 表征城市綠度指標,計算方法見公式(1)。

(1)

式中ρred、ρNIR分別表示TM 影像和OLI影像影像所對應的紅波段和近紅外波段的反射率。

2.2 地表濕度

基于纓帽變換的濕度分量(WET)可反映地表水體條件,特別是土壤的濕度狀態(tài),基于 TM 和OLI數據進行 WET 提取[29-30],計算方法見公式(2)(3)。在提取之前,使用MNDWI對水體進行掩膜,綜合前人研究[31]和目視解譯,設置閾值為0.15,計算方法見公式(4),使WET反映真實的陸地地表濕度狀況。

WET(TM)=0.0315ρblue+0.2021ρgreen+0.3102ρred+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2

(2)

WET(OLI)=0.1511ρblue+0.1972ρgreen+0.3283ρred+0.3407ρNIR-0.7117ρSWIR1-0.4559ρSWIR2

(3)

(4)

式中ρblue、ρgreen、ρred、ρNIR、ρSWIR1、ρSWIR2分別表示TM 影像和OLI影像所對應的藍波段、綠波段、紅波段、近紅外波段、短波紅外 1 波段和短波紅外 2 波段的地物反射率。

2.3 城市干度

建筑物是城市人工生態(tài)系統(tǒng)的重要組成部分,建筑不透水面取代原有自然生態(tài)系統(tǒng),導致了地表的“干化”,因此利用建筑裸土指數代表“干度”。應用建筑指數(index-based built-up index, IBI)[16]和 裸土指數(soil index,SI)[32]合成干度指標,記為干度指數(normalized difference built-up and soil index, NDBSI),計算方式如下所示

NDBSI=SI+IBI/2

(5)

(6)

(7)

式中ρblue、ρgreen、ρred、ρNIR、ρSWIR1、ρSWIR2分別表示TM 影像和OLI影像所對應的藍波段、綠波段、紅波段、近紅外波段、短波紅外 1 波段和短波紅外 2 波段的地物反射率。

2.4 地表溫度

地表溫度(Land Surface Temperature, LST)是地球能量收支的重要組成部分。是反映地表環(huán)境的重要參數,本研究以經過反演的地表溫度表征熱度指標。由于Landsat8衛(wèi)星的TIRS傳感器有兩個熱紅外波段,因為TIRS band 10波段相對于TIRS band 11波段而言位于一個較低的大氣吸收區(qū)域,具有更高精度的大氣透過率,因此選取Landsat5的第6波段和Landsat8的第10波段作為地表溫度反演通道。LST采用統(tǒng)計單窗模型(statistical mono-window model,SWM)進行反演[33]。采用植被覆蓋度計算地物比輻射率[34-35],植被覆蓋率由NDVI計算得到。SWM具體計算方法如下所示。

(8)

(9)

Fveg=NDVI-NDVIbare/NDVIveg-NDVIbare2

(10)

式中Tb表示TIRS通道的大氣頂層反射值,ε是地表比輻射率,系數Ai、Bi、Ci由線性回歸確定,是對10類TCWV(i=1,...,10)進行的輻射傳輸模擬[36]。NDVIbare為裸露土壤或建筑表面的NDVI值,NDVIveg為全植被覆蓋區(qū)的NDVI值,當NDVI大于0.7時,取植被覆蓋度為1。當NDVI小于0時,取植被覆蓋度為0。

2.5 綜合生態(tài)指數構建

對去云之后的遙感影像分別計算各遙感指標,通過影像疊加、提取中值(式11),能夠消除異常值和改善色差影響。

(11)

式中,n表示該像素點處某一年衛(wèi)星訪問的次數,即包含的影像總數,pix表示第i張影像的像素值,pix_f表示取中值后最終的像素值。

最后,對單一指標采用極差標準化去除量綱,依據主成分變換(式12)構建遙感生態(tài)指數。為方便比較,將RSEI標準化處理至[0,1]之間,以0.2為間隔,將RESI劃分為差(0—0.2)、較差(0.2—0.4)、中等(0.4—0.6)、良(0.6—0.8)和優(yōu)(0.8—1.0)五個等級[37]。

RSEI0=PCAfNDVI,WET,NDBSI,LST

(12)

(13)

3 結果分析

3.1 模型檢驗3.1.1 RSEI模型表現(xiàn)

將標準化后的各年度綠度、濕度、干度、熱度指標進行波段合成,PCA變換后得到主成分分析結果,等間隔抽取樣本進行檢驗。由表2可知,1988、1998、2008、2018四個年份的第一主成分貢獻率分別為72.40%、65.75%、77.72%和85.34%,表明主成分集中了大部分特征,且每個指標在第一主成分上的載荷分布均勻,因此基于第一主成分提取的信息來表征RSEI是合理的。

表2 主成分分析結果Table 2 The result of principal component analysis

3.1.2相關性檢驗

采用平均相關度模型檢驗 RSEI的適用性,相關系數越接近1,表明模型的綜合代表程度越高,適宜性越強[15]。計算方法見式(14)。

(14)

表3 各指標相關性矩陣Table 3 Correlation matrix among RSEI and 4 factors

計算各指標之間的Pearson相關系數,在99%置信水平P值均為0.000,均通過顯著性檢驗。平均相關度計算結果表明,RSEI的平均相關度最大,多年的平均值為0.761,其中1988、1998、2008和2018年分別為的0.744、0.681、0.780和0.840。其次是NDBSI,平均相關度為0.604,WET、LST、NDVI的相關度較低,分別為0.478、0.407、0.340,這表明綜合多個指標的RSEI比單一指標更適合用來評價生態(tài)質量。RSEI與各分指標的相關系數中,NDVI和WET與RSEI呈正相關,NDBSI和LST與RSEI呈負相關,表明RSEI值越大態(tài)質量越好。NDBSI的相關系數最大,相關系數的絕對值均大于0.9,其主要反應裸土、建筑分布情況,進表明城市擴張會造成生態(tài)質量的惡化。

3.2 生態(tài)質量時空變化

1988—2018年粵港澳大灣區(qū)RSEI的統(tǒng)計值分布如圖2所示,箱線圖中展示了RSEI的下四分位數、中位數、上四分位數、上限和下限,限制線以外的異常值不顯示。圖中折線表示RSEI的均值變化,多年RESI均值為0.632,表明其總體生態(tài)質量處于良好水平。1988—1991年間,生態(tài)質量呈現(xiàn)上升趨勢,1991—2000年生態(tài)質量逐漸下降,2000—2002年呈上升趨勢,到2003年RSEI達到近30年最大值0.802,達到優(yōu)秀水平。此后直至2018年表現(xiàn)為波動下降的趨勢。

圖2 1988—2018年粵港澳大灣區(qū)遙感生態(tài)指數RSEI的統(tǒng)計值分布Fig.2 Statistical distribution of RSEI in the GBA from 1988 to 2018

為確保階段劃分的科學性,使用基于梯度下降法的最優(yōu)迭代算法對RSEI值進行自動分段擬合。兩種分段擬合曲線和精度檢驗結果如圖3所示。圖3(a1)顯示通過直接觀察圖2初步劃分的斷點位置,即1991年、2000年和2003年。圖3(b1)顯示迭代后的自動擬合結果,斷點為1991年、2000年和2002年。圖3(a2)和(b2)比較了兩種方法的擬合精度,從分段擬合曲線的R2值來看,自動線性擬合的精度更高。由于2002至2018年時間跨度較大,新增2009年作為時間節(jié)點進行后續(xù)分析。

圖3 1988—2018年粵港澳大灣區(qū)的遙感生態(tài)指數RSEI分布Fig.3 Distribution of RSEI in the GBA from 1988 to 2018

RSEI值的空間分布如圖4所示,圖中生態(tài)質量較低的紅色區(qū)域在前期分布相對較為分散,與各城市建成區(qū)所處地理位置保持高度一致,呈現(xiàn)出明顯的多中心分布。而后期主要集中分布在佛山、中山、廣州南、東莞、深圳和惠州的市中心和惠陽區(qū),表現(xiàn)為明顯的空間集聚分布特征。同時從圖4可以看出,研究區(qū)域內的生態(tài)質量空間異質性高,且城市區(qū)域的生態(tài)質量明顯低于非城市區(qū)域。

圖4 1988—2018年粵港澳大灣區(qū)生態(tài)質量變化Fig.4 Remote sensing ecological index (RSEI) changes of the GBA from 1988 to 2018

3.3 生態(tài)質量變化檢測

為了進一步分析生態(tài)質量變化的時空分布狀況將RSEI的 五個等級,采用差值法對多時相的生態(tài)質量進行變化檢測(表4)。

表4 生態(tài)質量等級轉移矩陣Table 4 Transition matrix of ecological quality levels

圖5和圖6表示變化檢測結果,紅色、黃色和綠色分別表示生態(tài)質量退化、不變和提高。1988—1991年,有43%的區(qū)域生態(tài)質量提高,生態(tài)質量下降的區(qū)域占6%,空間上分布較為零散。1991—2000年,生態(tài)質量提高的區(qū)域占10%,生態(tài)質量下降的區(qū)域達45%,分布在廣州、佛山、東莞、深圳的大部分區(qū)域。2000—2002年,有8%的區(qū)域生態(tài)質量退化,主要分布在肇慶市東南部、惠州市東北部以及深圳市南部沿海區(qū)域,區(qū)域生態(tài)質量提高的區(qū)域占43%,不同程度地分布在每個城市。2002—2018年生態(tài)質量總體下降,其中2002—2009年,生態(tài)質量下降區(qū)域占35%,2009—2018年,生態(tài)質量下降區(qū)域占36%,空間分布較為均勻,每個城市有不同程度的下降。從1988—2018年的變化檢測結果來看,三十年來共有36%的區(qū)域生態(tài)質量下降,廣州、東莞、佛山、珠海生態(tài)質量退化明顯,肇慶西北部、深圳、惠州等區(qū)域也有不同程度的退化。

圖5 1988—2018年生態(tài)質量變化檢測Fig.5 Change detection of ecological quality in the GBA from 1988 to 2018

圖6 1988—2018年粵港澳大灣區(qū)生態(tài)質量變化Fig.6 Changes of ecological quality in the GBA from 1988 to 2018

3.4 生態(tài)質量分區(qū)統(tǒng)計

統(tǒng)計各縣(區(qū))尺度上三十年來生態(tài)質量變化檢測結果的均值,將其分為五個級別,分別為總體改善、基本不變、輕度退化、中度退化和重度退化。由圖7可知,生態(tài)質量存在明顯空間分異。其中佛山、中山、東莞、廣州南部以及珠海市金灣區(qū)、江門市江海區(qū)為重度退化,空間上集聚分布在粵港澳大灣區(qū)的中心,這些區(qū)域海拔較低,城市擴張范圍大,綠地保有量較少,城市發(fā)展過程中生態(tài)質量遭到破壞。澳門、深圳市的寶安區(qū)、龍華區(qū)、光明區(qū)、珠海市蓬江區(qū)、肇慶市端州區(qū)下降幅度次之,表現(xiàn)為中度退化。江門市大部分地區(qū)、佛山西部的高明區(qū)以及與其毗鄰的肇慶市高要區(qū)、廣州北部的從化區(qū)、惠州市博羅縣等生態(tài)質量整體改善,這些區(qū)域相對而言山地居多,以自然景觀為主,城市開發(fā)強度較弱,此外,深圳市南山區(qū)和福田區(qū)的生態(tài)質量也得以改善。研究區(qū)北部和香港生態(tài)質量整體基本不變,這可能是因為香港本身處于高度城市化水平,開發(fā)空間有限,且香港對生態(tài)用地保護嚴格,土地開發(fā)阻力和難度較大,而研究區(qū)北部多山區(qū),基本沒有開發(fā)利用。

圖7 1988—2018年不同區(qū)域生態(tài)質量平均變化結果Fig.7 Results of average variation of ecological quality in different regions from 1988 to 2018

4 討論4.1 研究亮點

以往在運用RSEI生態(tài)指數對區(qū)域生態(tài)質量時空變化進行監(jiān)測時,經常會受到遙感圖像質量的制約,為消除圖像質量的影響,研究多采取在年度影像中挑選質量較好且季節(jié)相近的影像數據[20,38],或者僅進行小范圍的研究[39-40],而對于云量較多的區(qū)域往往會造成數據缺失,通常采用鄰近年份代替的方法[21],這限制了RSEI指數的準確性、可比性以及研究的區(qū)域范圍和時間序列長度。而本研究在計算粵港澳大灣區(qū)1988—2018三十年來的RSEI時,基于Google Earth Engine(GEE)提供的強大云計算能力可以較好的避免上述問題。RSEI指數中的綠度、濕度、干度、熱度等指標均是基于全年遙感數據計算的結果,通過疊加全年所有圖像,提取中值的方法,改善了去云、圖像色差等常見問題。同時,該處理方法同樣可以作為季度、月度等周期性時間段的數據處理的參考,增加了研究結果在時間序列上的可比性。GEE的使用可以極大的提高影像處理的效率、在大范圍長時間序列的遙感應用研究中極具優(yōu)勢,為RSEI的運用提供了更廣闊的前景。

4.2 模型指標關系

生態(tài)質量與四個分指標密切相關。根據相關性分析結果,NDVI和WET對RSEI起正向作用,即在指標的數量區(qū)間內,隨著NDVI和WET增大,RSEI相應增加,生態(tài)質量越好。相反,隨著NDBSI和LST的增加,RSEI隨之減小,生態(tài)質量下降。從標準化指標的系數來看,其中NDBSI系數的絕對值最大,對RSEI的影響最大。在一定程度上證實了城市擴張帶來的城市景觀的變換會對生態(tài)環(huán)境產生負面影響,因此城市規(guī)劃和設計者應該兼顧生態(tài)環(huán)境,權衡城市發(fā)展和生態(tài)環(huán)境質量的關系,促進可持續(xù)的城市發(fā)展。需要指出的是,植被質量對生態(tài)質量的影響很大,因此NDVI合成通常根據植被物候期提取特定季節(jié)的數據。而粵港澳大灣區(qū)處于亞熱帶季風氣候區(qū),終年溫暖濕潤,植被物候特征不明顯[41],同時,其位于南方多云地區(qū),遙感成像易受天氣條件影響,數據缺失問題更加突出,僅選擇生長季數據,會導致研究區(qū)部分年份出現(xiàn)較多空值。因此本文在NDVI指標提取過程中對全年所有影像數據進行合成。相反,在北方地區(qū),植被物候明顯,且云量較少,可以根據研究區(qū)的植被生長季節(jié)的起訖日期,進而確定相應的NDVI數值[42]。

4.3 不足與展望

已有的評價指標體系仍有待完善之處。首先,四項指標是否可以全面表征區(qū)域生態(tài)質量值得商榷,因此下一步可以考慮增加指標數量[43]以提升指標對區(qū)域生態(tài)質量的代表性。其次,四項指標本身的評價方式也可以進一步提升。如溫度和濕度指標對生態(tài)質量的影響應該具有條件限制,地表溫度對人類健康風險的影響存在閾值,過高或過低均會導致死亡率增加[44],可以考慮根據研究區(qū)狀況制定合適的閾值之后再進行歸一化[45]。此外,城市生態(tài)質量的綠度、濕度、干度、熱度等指標是從二維結構方面的考慮,可以考慮引入城市植被三維信息等空間度量進行優(yōu)化。

在數據處理上,當研究區(qū)域過大、像素點過多時,基于GEE的大范圍像素級的處理可能會遇到內存溢出、處理速度慢等問題,可以采用圖像分割并行計算等方法進行改進。文中主要側重于使用GEE平臺實現(xiàn)長時間大范圍的生態(tài)質量監(jiān)測,僅對1988—2018年來大灣區(qū)生態(tài)質量變化趨勢和原因進行了簡單論述,但并沒有對驅動力做具體的分析和討論,這是下一步將要開展的工作。

5 結論

本文基于Google Earth Engine平臺,對1988—2018年來粵港澳大灣區(qū)共3530景Landsat遙感影像進行批量去云處理,逐年提取綠度、濕度、干度和熱度等遙感指標,構建生態(tài)指數RSEI,并基于梯度下降法的最優(yōu)迭代算法確定生態(tài)質量變化拐點,評價了粵港澳大灣區(qū)近30年間四個不同時段內的區(qū)域生態(tài)質量時空變化。主要結論如下：

(1)從時間上看,粵港澳大灣區(qū)三十年來生態(tài)環(huán)境質量呈現(xiàn)先上升、再下降、后上升、最后下降的總體趨勢?？臻g上,生態(tài)質量具有明顯的空間異質性,主要呈現(xiàn)出西北部和東北部的生態(tài)質量高,中部城市建成區(qū)生態(tài)質量低的狀態(tài),粵港澳大灣區(qū)應加強區(qū)域協(xié)調發(fā)展,形成優(yōu)勢互補的可持續(xù)發(fā)展模式。

(2)1988—2018年期間佛山東南部、中山、東莞、廣州南部以及珠海市金灣區(qū)、江門市江海區(qū)的生態(tài)質量表現(xiàn)為重度退化, 澳門、深圳市的寶安區(qū)、龍華區(qū)、光明區(qū)、珠海市蓬江區(qū)和肇慶市端州區(qū)表現(xiàn)為中度退化,肇慶市西北部、深圳市東部、珠海市香洲區(qū)、江門市新會區(qū)等區(qū)域表現(xiàn)為輕度退化,江門市大部分地區(qū)、佛山西部的高明區(qū)以及肇慶市高要區(qū)、廣州北部的從化區(qū)、惠州市博羅縣等生態(tài)質量整體改善,香港生態(tài)質量基本不變。

(3)1988—1991年,生態(tài)質量上升,生態(tài)質量提高和下降區(qū)域分別占43%和6%,1991—2000年,生態(tài)質量下降,生態(tài)質量提高和下降區(qū)域分別占10%和45%,下降區(qū)域分布在廣州、佛山、東莞、深圳的大部分區(qū)域,2000—2002年生態(tài)質量上升,生態(tài)質量提高和下降區(qū)域分別占43%和8%,下區(qū)域主要分布在肇慶市東南部、惠州市東北部以及深圳市南部沿海區(qū)域,2002—2018年生態(tài)質量總體下降,其中2002—2009年,生態(tài)質量下降區(qū)域占35%,2002—2018年,生態(tài)質量下降區(qū)域占36%。

(4)Google Earth Engine平臺可以較好的改善遙感數據缺失、多云、色差、時間不一致等問題,極大的提高影像處理的效率、在大范圍長時間序列的遙感應用研究中極具優(yōu)勢,為RSEI的運用提供了更廣闊的前景。