本文是一篇土木工程论文，本文利用遥感的手段可以实现生态环境质量的快速监测，目前监测遥感生态环境质量的模型较多，除了耦合植被覆盖、建筑裸土、地表水分、近地表温度外，可以尝试考虑引入土地覆盖、植被健康状况、碳含量、夜间灯光等要素构建模型反应复杂生态环境系统之间的交互影响，也可以利用不同要素探索地表生态环境与大气环境、人文环境、社会经济要素之间存在的耦合协调关系，探究生态环境质量与经济、人文、地理学之间的深层关联。
1 绪论
1.1 研究背景及意义
城镇是一个拥有顽强生命力并且不断扩张的集环境、人口、资源以及经济元素高度密集的综合体。随着改革开放以来我国的城镇建设用地面积不断扩张，城镇化程度也在不断增长[1]。通常意义上的城镇化一般指的是社会产业结构从农业演变为工业、服务业时，人口向城镇迁移带动城镇发展、生产资料重组的过程[2]。随着城镇数量的增加以及规模的扩大，农村经济结构开始渐渐地向着城镇演变。
2021 年 5 月 11 日，全国第七次人口普查工作公布我国总人口数已达 14.1178亿，占世界总人口的两成。截至 2020 年，城镇人口数量已占总人口数的 6 成左右，我国的城镇化水平已达到 59.58%[3]。而在 1978 年，我国城镇化水平仅有 17.9%，在这 60 年中出现了大规模的人口迁移。我国早在“十一五”计划中就已经提出将城镇群作为城镇化主体的建议。紧接着在“十二五”中再次指出：城镇化应该将重点放在中小城镇，逐步形成辐射性强的城镇群。
在过去的半个世纪中，全球经济的快速发展在城市地区创造了大量就业机会，促进了大规模的人口流入城镇。由于中国城市化进程不断增速，导致自然景观上建筑面积的显著增加，大规模的人类活动引起了不同程度上的生态系统干扰，对全球碳循环产生了较大影响，使得世界生态系统面临着前所未有的挑战[4]。
东北作为早期东北亚重工业基地，拥有大量矿产资源支撑的东北早在上世纪30 年代就建立了完整的工业体系。现如今，受重工业发展以及气候、区位等要素的影响，森林资源采育失衡、荒漠化、水土流失、湿地退化日益严重、部分资源型城市矿产资源耗竭等问题日益显露。东北地区的水污染，大气污染，土壤污染，噪声污染，光污染日益严峻，城市生态环境均受到较大胁迫[5]。
如何精准地对城市区生态环境质量进行有效量化，直接关系到城镇居民的民生问题。传统的生态环境质量监测手段主要通过离散点采样，该方法所需参数复杂、获取难度较大、监测效率较低，并且具有较大时滞性，难以满足不断变化的生态环境质量监测的要求，因此如何寻找一种能够快速精准量化生态环境质量的技术需求日愈增加。
..................................
1.2 国内外研究现状
20世纪 70 年代，Rouse 等[7]就已利用遥感影像获取归一化差异植被指数 NDVI (Normalized Difference Vegetation Index)进行生态监测。Ivits 等[8]在 2011 年借助SPOT 卫星对整个欧洲范围内农田鸟类栖息地的适应性进行有效监测；Alcaraz 等[9]以伊比利亚半岛为研究对象，通过提供植被表现对环境驱动因素的早期综合响应，证明了增强植被指数（EVI）对物种分布监测的有效性；Ivits 等[10]在 2009 年基于遥感影像开发了永久植被分数（PVF），以检测西班牙河岸带的不利和有利生态条件；Ronald 等[11]从遥感热图像反演的地表温度（LST）也被广泛用于调查区域热环境，在评估城市热岛效应方面具有较高可靠性；Caccamo 等[12]使用中分辨率成像光谱仪（MODIS）产品评估了森林中几种光谱指数对干旱的敏感性，发现基于遥感对干旱强度的敏感性监测可行性较高。
国外的学者通常热衷于大尺度上的生态评价，而国内的学者常把关注点聚焦于省市、区县级别的环境评估。任志远[13]从景观生态学的角度利用遥感影像结合实测数据对陕北地区黄土高原生态环境质量进行监测；银山等[14]利用 Landsat TM影像解译土地利用状况、植被、土壤侵蚀等数据对内蒙古沙尘暴肆虐地区进行生态评价并给出了整治对策；冉有华等[15]以 TM 影像为底图目视解译对定西地区进行生态评估。
早期生境质量的估算方法主要通过对遥感影像的目视解译，以土地覆盖变化来进行生态评价。但以此类方法进行生态环境评价方法单一，不能全面反应生态状况。2006 年，生态环境部颁布了《生态环境状况评价技术规范》，其中给出了生态环境状况指数(Ecological Index, EI)的计算公式[16]，耦合人类活动、污染指标、生物丰度、水网密度、植被覆盖的 EI 指数考量了更多的生态影响要素，能更好地反应地表生态环境的真实状况。
...............................
2 研究区概况及数据预处理
2.1 研究区概况
试验区选取长春市双阳区为研究对象，该区位于长春市东南部，下辖 4 街道，4乡镇。长春位于北纬 43°05′～45°15′，东经 124°18′～127°05′，建城区面积 625.5km2，该区位于著名的中国老工业基地，城镇化率达 59%。
该区地处松辽平原东南部，属温带大陆性气候。由于区位因素影响，夏季短，冬季长，年温差最值达 60 度以上。2004 年起，该区被评为国家级生态示范区，区内森林覆盖度约 25%，拥有十余条水系，四十余座水库，常驻人口数达 33 万。
土木工程论文参考
.........................
2.2 数据来源及预处理
本文对双阳区生态环境进行监测，使用数据包括遥感影像数据、行政区矢量边界数据。遥感数据中多光谱影像获取自美国地质勘探局(United States Geological Survey，USGS)的 Landsat 公开数据集 Level 1 数据，覆盖时间为 2000-2020 年的 21 期影像。研究区内云覆盖少于 5%，成像清晰。
由于实验所需数据时间跨度较大，因此使用 Landsat5 TM、Landsat7 ETM+和Landsat8 OLI/TIRS 三个传感器获取研究区影像。虽然传感器不同，但其设计原理与思路相同，且波长范围相近，经过实验室定标与校正后数据之间具有较强的可靠度。Landsat7 卫星在 2003 年由于仪器故障，获取的影像具有严重的条带现象，2012 年底Landsat5 卫星退役后，Landsat8 已经作为接替卫星替代了 Landsat5、Landsat7 的工作。2003 年后的 Landsat7 ETM+数据虽然有条带数据缺损，但已有学者开发出了数据修复算法，经验证后修复结果较好，三者之间数据的可对比性，已获得学术界的广泛认同[35]。本文使用遥感数据的影像获取时间及传感器类型如下表所示：
土木工程论文怎么写
夜间灯光数据包括 DMSP/OLS、NPP-VIIRS 两类，DMSP 数据仅公布了 1992-2013 年的 F10-F18 共 6 种传感器获取的 34 期年度合成数据。由于 DMSP/OLS 数据自 2013 年后停止获取，且本文研究时间跨度较长，因此 2013 年之后的数据使用 NPP-VIIRS 年度合成产品代替。
.......................
3 遥感生态质量评价方法及空间异质性原理 .................................. 12
3.1 遥感生态质量评价方法 ............................... 12
3.1.1 遥感生态模型 .................................. 12
3.1.2 主成分分析法原理 .................................. 14
4 区域尺度生态环境质量评价方法优化 ................................. 20
4.1 参数择优 ................................ 20
4.2 移动窗口法 ....................................... 25
4.3 特征向量方向优化 .................................. 26
5 结合区域尺度效应的生态质量评价 .......................... 31
5.1 不同模型结果对比与分析 ................................ 31
5.1.1 基于统计数据的生境质量时间差异 ...................... 31
5.1.2 基于统计数据的生境质量空间差异 ............................ 39
5 结合区域尺度效应的生态质量评价
5.1 不同模型结果对比与分析
5.1.1 基于统计数据的生境质量时间差异
为对比 RSEI 与本文提出的 RO-RSEI 模型之间的差异，分别对 2000-2020 年近21 期数据作对比分析，RSEI 与 RO-RSEI 的生态因子对第一主成分的贡献以及第一主成分对所有主成分的贡献率统计结果见附录 4。
从整体上看，RSEI 模型的第一主成分对所有主成分的贡献率在 58.82%~80.49%之间，反应了大部分的生态环境质量信息。而 RO-RSEI 模型第一主成分的贡献率均值在 66.68%~88.87%之间，各年份的均值贡献率皆高于 RSEI，得到的最终结果反映的生态环境信息丰富程度均高于前者。在窗口移动过程中最高贡献率甚至达到97.78%，最低贡献值为 41.42%，说明在研究区内，由于下垫面之间的巨大差异，导致每个窗口内的参数相关程度不同，因此在主成分分析坐标轴旋转时，舍弃的冗余数据量差异显著，RO-RSEI 模型会“因地制宜”地根据中心像元附近下垫面的真实情况计算最终结果，结果更具科学性。
由于 RSEI 以整幅图像为窗口带入主成分计算，所以每个年份仅进行一次 PCA运算，仅存在一组数值。而 RO-RSEI 是基于移动窗口计算所得，在本研究区中窗口一共移动约 300 万次，每个窗口内的生态因子贡献情况会随着下垫面的改变而波动。以整个研究区为窗口的 RSEI 模型主要反映的是整个研究区范围的所有像元为整体的坐标轴旋转过程中所反映的生态情况，并不会根据区域尺度考量局部生态环境质量变化差异，因此不具备完整的生态学含义。
................................
6 结论与展望
6.1 主要结论
对当前应用最广泛的遥感生态环境质量评价模型存在的部分问题，本文提出一种结合区域尺度优化方法的生态环境评价质量新指标 RO-RSEI，通过对近 21 期的RSEI 模型与 RO-RSEI 模型生态环境质量监测结果的长时间序列上对比与分析，以及基于地理探测器的生态因子空间分异性协调评价，主要结论如下：
（1）RO-RSEI 的计算不需要人工干预，解决了遥感生态质量监测批量计算问题。遥感大数据的出现，要求批量计算遥感生态质量，该模型的提出为遥感生态质量监测模型的多季相和多时相研究提供了技术上的可能。在计算 RO-RSEI 时，仅需要判断当绿度、湿度的特征向量方向为正时不做修改，当干度、热度特征向量方向为负时将窗口内的结果翻转并映射即可。RO-RSEI 考虑了生态学效应，在空间上评价等级更连续，尤其在主城区与稀疏植被覆盖下的生态监测结果更精准；在时间上，RO-RSEI相较于 RSEI 模型监测结果更稳定，与现实情况相符，也更符合物理学的“扩散模型”；
（2）在特征向量方向上，使用移动窗口逐像元计算窗口内的 PCA 发现，NDVI、WET、NDBSI、LST 并不会完全服从绿度、湿度同向，干度、热度同向的研究结论，反而通过数百万次的计算后发现他们在特征向量贡献方向上存在较大差异。指数择优后的特征向量结果较好，所有窗口均服从“同向”理论，使得 RO-RSEI 模型更具普遍适用性。使用 RO-RSEI 模型，使得在每个窗口内计算的 PCA 根据输入指标的特征向量方向进行归一化、取反、映射后与原窗口内的数值保持同比例，不需要任何人工干预；
（3）对统一研究区的同一时相进行长时间序列的生态环境质量研究，仅需对该区域任意年份的数据进行指数择优即可获取最优参数，无需逐年指数择优。通过长时间序列的指数择优发现，通用归一化植被指数（UNVI）相较于 NDVI 等传统植被参数在生态环境质量监测中具有较强适用性。
参考文献（略）