Instability of remote sensing ecological index and its optimisation for time frequency and scale

Evaluating regional ecological environmental quality (EEQ) using remote sensing is important for achieving sustainable development. The remote sensing ecological index (RSEI) is a typical EEQ evaluation model used to comprehensively reflect regional ecological quality. However, owing to its complete dependence on remote sensing image information, the RSEI also has inherent issues, including unstable time series and inconsistent resolutions of its four sub-indices. To address these problems, this study used the Google Earth Engine (GEE) to propose an optimisation notion for the harmonic analysis of time series (HANTS) coupled random forest (RF) model and determined the accuracy and image quality of the optimised RSEI (RSEI_o) for the Yangtze River Basin (YRB). Based on the findings, HANTS could fill the gaps in the images, effectively reducing the noise and discrete degrees of the four indices and thereby improving the stability of the RSEI. The correlation coefficient (R) between the RSEI and RSEI_o was 0.93, with a root mean square error (RMSE) of 0.13, indicating that RSEI_o is reliable. The image quality assessment (based on contrast and information entropy) indicates that HANTS combined with the RF model can produce RSEI_o images with higher definitions and richer information at a constant spatial resolution. Further, the pixel-by-pixel coefficient of variation evaluation indicates that the RSEI_o image was highly stabilised, yielding higher numbers of effective RSEI_o images without changing the temporal resolution. Compared with traditional RSEI calculations, the optimisation proposal herein could highlight ecological differences caused by topographic changes in the YRB, which would produce an RSEI closer to actual surface conditions. Further, this proposed method could be used to obtain more detailed ecological information at a constant spatiotemporal resolution, thereby meeting the needs of long-term ecological monitoring in large-scale regions.     

城市遥感生态指数的创建及其应用

城市生态与人类生活息息相关,快速、准确、客观地了解城市生态状况已成为生态领域的一个研究重点。基于遥感技术,提出一个完全基于遥感技术,以自然因子为主的遥感生态指数（RSEI）来对城市的生态状况进行快速监测与评价。该指数利用主成分分析技术集成了植被指数、湿度分量、地表温度和建筑指数等4个评价指标,它们分别代表了绿度、湿度、热度和干度等4大生态要素。通过在福州主城区的应用表明,RSEI指数可以定量地评价和对比城市的生态质量,方便地进行时空动态变化分析。由于所选的指标完全基于遥感信息,容易获得,且计算过程无需人工干预,因此结果客观可靠、可比性强。     

南瓮河自然保护区生态环境质量遥感评价

运用遥感技术,科学、快速地评价区域生态环境质量,能够为区域生态环境的保护、治理和规划等提供科学依据.本研究以1990、2000和2015年的Landsat TM/OLI/TIRS为数据源,使用主成分分析方法确定湿度分量、归一化植被指数、地表温度和干度指数4个指标的权重,运用遥感生态指数(RSEI)评价模型,对南瓮河自然保护区1990—2015年的生态环境进行评价.结果表明: 遥感生态指数能够较好地反映研究区生态环境质量状况及其时空分异;1990—2015年,保护区 RSEI均值由0.55上升至0.83,生态环境质量优良以上区域面积所占百分比逐年增加,这与该等级中森林所占比例增加有关;保护区生态环境质量变好的区域所占比例高达91.4%,这与保护区的建立及相关工程与非工程防护措施的实施密切相关;核心区、缓冲区北部生态环境质量下降的主要原因是火灾的发生导致森林植被遭到破坏,而道路附近和试验区的东南部生态环境质量的下降与人类活动的干扰密不可分.     

基于遥感生态指数的雄安新区生态质量评估

城镇化建设的持续推进给生态环境带来的压力日益增加,多方位、客观、准确、快速测算区域生态环境质量是生态学研究的一个重点.本研究从绿度、湿度、热度、干度4方面分别提取了归一化植被指数(NDVI)、湿度指数(WET)、地表温度(LST)、归一化建筑-土壤指数(NDBSI)4个分量指标,采用基于ENVI平台的主成分分析技术集成所选指标,基于新型遥感生态指数(RSEI)对1995—2015年雄安新区生态质量进行评估.结果表明: 1995、2004和2015年,雄安新区的RSEI均值分别为0.724、0.710、0.682,生态质量总体呈下降趋势;1995—2015年间,研究区RSEI主要由4、5级向1、2、3级转变,生态质量改善和恶化的面积分别占总面积的8.9%和20.9%,生态改善区域主要位于雄县东部和南部,主要原因在于该区域大面积的林地和园地受到当地政府的高度重视和严格保护,生态质量恶化区域主要位于城镇外围以及白洋淀周边,原因在于白洋淀水域面积的锐减和城市化的不断推进;RSEI与各分量指标的平均相关系数为0.804,均高于各分量指标间的平均相关系数,表明RSEI能较好地综合各分量指标信息,全面准确反映研究区生态质量状况.     

基于改进遥感生态指数的宁夏沿黄平原区生态环境质量评价

区域生态环境质量评价是国民经济建设与可持续性发展规划的基础，是生态学研究的主要方向之一。以土地利用/覆盖数据和Landsat OLI数据为基础，分别在ArcGIS和GEE平台上进行景观多样性指数（Landscape Diversity Index，LDI）与归一化植被指数（Normalized Difference Vegetation Index，NDVI）、湿度（Wet Index，WI）、归一化裸土和建筑指数（Normalized Difference Building-Soil Index，NDBSI）、遥感生态指数（Remote Sensing Based Ecological Index，RSEI）和改进遥感生态指数（Modified Remote Sensing Ecological Index，MRSEI）的计算。在LDI最佳尺度约束下分析表明，宁夏沿黄平原区景观多样性指数具有显著尺度依赖特征（P<0.001），阈值出现在3000 m×3000 m。主成分分析（Principal Component Analysis，PCA）解释了研究区改进遥感生态指数主要受到NDVI和LDI影响，其中NDVI是PC1（特征值贡献率68.98%）的决定因子，特征向量为0.8901；LDI为次要决定因子，特征向量为-0.4146，该分量在MRSEI计算中分值较高。LDI是PC2（特征值贡献率28.76%）的决定因子，特征向量为0.9100；NDVI为次要决定因子，特征向量为0.4056，该分量在MRSEI计算中分值较低。从MRSEI在应用中可信性来看，其在分析中采用LDI替代LST有效地避免了RSEI分析中NDBSI和LST之间存在的生态学意义重复表达和多因子向量投影中的高度聚集。研究区空间异质性主要以"差"和"较差"级别分布在不同土地利用/覆盖类型交错区且以环绕研究区为主要特点。在"差"到"好"梯度上，斑块密度为减少趋势由8.3个/km²减少到5.9个/km²，而平均斑块面积呈增加趋势由0.120 km²增加到0.169 km²。综合来看宁夏沿黄平原区生态环境质量总体MRSEI值为0.0117刚好超过"较好"水平下限。     

基于Google Earth Engine云计算的城市群生态质量长时序动态监测——以粤港澳大湾区为例

人类活动对生态环境的影响日益强烈,及时动态地监测生态现状及其变化信息对城市生态的管理和保护以及可持续发展具有重大意义。遥感生态指数（RSEI）是一种客观、快速和简便的生态质量监测和评价技术,已被广泛应用于生态学研究领域,但在进行大范围长时间监测时往往面临云遮挡和拼接困难的问题。因此,本文基于Google Earth Engine （GEE）平台,对1988-2018年来粤港澳大湾区共3530景Landsat遥感影像进行批量去云,采用中值合成法逐年计算绿度、湿度、干度和热度等遥感指标并利用主成分分析法构建遥感生态指数,评价了该区域近30年生态质量的时空变化。该方法改善了遥感生态指数在大范围长时序监测中数据缺失和拼接困难等问题,增加了时间序列的可比性。研究表明：（1）遥感生态指数能够较好地表征粤港澳大湾区的生态质量,其中绿度和湿度指标与其呈正相关,干度和热度指标与其呈负相关;（2）时间上,三十年间粤港澳大湾区生态质量呈"上升-下降-上升-下降"的波动下降趋势,空间上,生态质量具有明显的空间异质性,主要呈现西北和东北部高和中部低的状态。重度和中度退化区主要集中在区域中部,总体改善区域主要位于西部和东北部,基本不变区域主要包括北部区域以及香港,轻度退化区分布较为分散;（3）基于GEE云计算的图像处理可以较好的改善遥感数据缺失、色差和时间不一致等问题,极大的提高影像处理的效率,扩展了遥感生态指数在大范围长时间序列生态监测中的应用。研究结果可以为提升遥感生态指数适用范围和准确度提供参考,并为快速城市化背景下生态保护和土地管理提供理论依据。     

基于理想参照系-关键指标的赤水河流域生态系统质量变化趋势分析

赤水河流域是长江上游重要的生态安全屏障,针对赤水河流域经济开发与生态环境保护的突出矛盾,基于MODIS数据产品提取赤水河流域2000—2018年归一化植被指数（NDVI）、叶面积指数（LAI）、表层水分含量指数（SWCI）和陆地表面温度（LST）生态系统质量关键指标,利用ENVI主成分分析构建遥感生态指数（RSEI）,计算赤水河流域2000—2018年生态系统质量,进行Sen+Mann-Kendall趋势分析,并与贵州习水自然保护区林地最优状态下RSEI值进行比较,进而量化区域生态系统质量恢复潜力,为赤水河流域生态恢复、绿水青山就是金山银山重要理论实现提供科学参考。结果表明：RSEI能够很好地反映赤水河流域生态系统质量时空分布特征,且绿度和湿度对赤水河流域生态系统质量起关键作用。赤水河流域RSEI平均值为0.613,高值区域主要分布在下游湿润常绿阔叶林区,中游河谷中山阔叶林林、常绿针叶林区,上游镇雄县、威信县和叙永县交界处的高山常绿针叶林、落叶阔叶林区。赤水河流域近20年生态系统质量以整体以改善为主,但局部仍出现退化现象,其中生态系统质量显著改善面积占总面积的6.12%,轻微改善面积占59.51%,轻微退化面积占23.17%,显著退化面积占1.49%。赤水河流域林地RSEI值与理想参照系RESI值差距在10%以上面积占林地总面积的49.82%,主要分布在大方县、桐梓县、播州区及怀仁市、习水县部分地区。     

格尔木长时间序列遥感生态指数变化监测

格尔木作为青藏高原重要的交通枢纽城市,其生态环境的可持续发展关系到该地区的经济繁荣与社会稳定。利用长时间序列的研究在节点选择方面缺少指向性,通常采用等间隔划分的方法来确定研究时间节点。基于此,通过Google Earth Engine(GEE)平台计算了格尔木近30年(1990—2019年)的遥感生态指数(RSEI),并使用非参数统计方法——Mann-Kendall突变检验,科学的确定研究的时间节点,再进一步分析格尔木生态环境时空变化并探讨其影响因素。研究表明：(1) RSEI可以有效地评价格尔木生态环境质量,30年间RSEI均值从0.38下降至0.33,生态环境整体呈退化趋势;(2)由突变检验确定1990、2001、2006、2015、2019年为研究的时间节点。各年份RSEI以较差为主,占总面积的45%以上,主要分布在柴达木盆地北部。RSEI等级变化以下降为主,2001年下降最为明显,2015年有所减缓;(3)受气候与人类活动不同程度的影响,格尔木RSEI变化趋势以下降为主,占区域总面积的89.73%,广泛分布在柴达木地区和唐古拉山地区,受气候因素影响较大;而变化趋势上升的仅占3....     

基于遥感生态指数模型的渭南市生态环境质量动态监测与分析

本文基于1995和2015年的Landsat系列遥感影像,利用主成分分析法确定绿度、湿度、干度、热度4个指标的权重,采用遥感生态指数(RSEI)评价模型,对渭南市1995—2015年的生态环境质量进行监测与分析.结果表明: 1995—2015年,渭南市的生态环境质量总体呈上升趋势,RSEI均值由0.489上升至0.556;生态环境改善的地区主要分布在渭南市中部,占总面积的49.6%;生态环境退化的地区主要分布在韩城市部分矿区和渭南市南部区县(秦岭北麓渭南段),仅占总面积的15.4%.研究区生态环境质量受城市规划建设影响较大,但总体上其生态环境质量有所改善,得益于近年来该市对生态环境的关注与投入.     

黄河流域生态环境质量时空格局与演变趋势

黄河流域是我国重要的生态功能区,在我国经济社会发展和生态安全方面的作用举足轻重。如何及时、准确的获取黄河流域生态环境质量的时空格局与演变趋势,对黄河流域生态环境保护和建设具有重要意义。利用Google Earth Engine（GEE）平台,筛选目标年份及其前后各1年的夏季（6-9月）Landsat遥感影像,去除有云像元,掩膜水体信息,采取中值合成提取绿度、湿度、热度和干度4个生态指标,通过主成分分析快速构建遥感生态指数（RSEI）。结果表明：（1）绿度（NDVI）、湿度（Wet）、热度（LST）和干度（NDSI）4个指标在第1主成分（PC1）上的平均贡献率为89.60%,依据PC1构建遥感生态指数（RSEI）在黄河流域是可行的。（2）1990-2019年,黄河流域RSEI总体呈现出"快速变好→缓慢转好"2个阶段,1990-2000年增长趋势平均为0.005/a,增长率为11.69%,生态环境质量等级由差转为较差（10.18万km²）、较差转为中等（5.69万km²）、中等转为良（7.08万km²）贡献较大;2000-2019年增长趋势平均为0.001/a,增长率仅为3.86%,生态环境质量等级由较差转为差（6.10万km²）、良转为中等（4.09万km²）贡献较大。（3）1990-2019年,黄河流域生态环境质量提升的面积占黄河流域总面积的76.38%,其中显著提升的面积占26.14%;生态环境质量降低的面积占黄河流域总面积23.62%,其中显著降低的面积仅占1.46%。30年来黄河流域生态环境质量整体向好,实施生态工程的黄河上中游地区生态环境质量提升最快,而一些国家重点经济开发区生态环境质量有所恶化,使用GEE平台可以及时、准确的获取黄河流域生态环境质量的时空格局与演变趋势。     

干旱荒漠区生态环境质量遥感动态监测——以古尔班通古特沙漠为例

利用遥感生态指数(RSEI)对区域生态变化进行评价,可以快速、高效、客观地获取研究区生态环境变化状况.本研究以两期Landsat数据为数据源,计算研究区绿度、湿度、热度、干度4个生态因子的遥感生态指数,并基于主成分分析法确定其权重,对古尔班通古特沙漠2006—2017年间的生态环境时空格局进行定性和定量评价.结果表明: 湿度和绿度对古尔班通古特沙漠生态环境质量起正面作用,而热度和干度对生态环境质量起负面作用,其中代表绿度指标的归一化植被指数(NDVI)的贡献最大.2006—2017年间,古尔班通古特沙漠的RSEI有所下降,其均值从0.294下降至0.243,降幅达20.1%,研究区的生态环境状况呈现整体变差的趋势.古尔班通古特沙漠中部生态环境较为稳定,东北部植被覆盖密集区及南缘灌溉区生态环境质量变好,沙漠南部及西北部区域生态环境质量变差.     

基于遥感空间信息的武夷山国家级自然保护区植被覆盖度变化与生态质量评估

成立于1979年的武夷山国家级自然保护区,是中国东南部面积最大、保留最为完整的中亚热带森林生态系统,对其成立40年以来的植被及其生态质量的变化迄今并无研究涉及。本研究选取1979—2017年的5景Landsat系列影像,借助MODIS的归一化植被指数(NDVI)数据对Landsat影像的NDVI数据进行植被的时相纠正,通过计算植被覆盖度(FVC)和遥感生态指数(RSEI)来评估武夷山国家级自然保护区植被覆盖度及其生态质量的变化。结果表明: 通过近40年的保护,保护区的植被覆盖度有明显提升,从1979年的73.6%上升到2017年的89.5%;生态质量也随之上升,从1988年的0.801上升到2017年的0.823。2017年,整个保护区生态质量为优、良等级的面积占总面积的98.7%。从空间分布来看,生态变好的区域主要分布在东北核心区和西南核心区中部;变差的区域主要分布于道路两侧和山顶。在垂直高程上,以高程1300~1900 m范围内的植被覆盖度和生态质量最好。除了局部年份可能受到气候的影响外,武夷山国家级自然保护区植被和生态质量的改善主要得益于当地政府的有效政策和群众的积极保护。     

陕西省植被覆盖时空变化及其对极端气候的响应

基于2001—2018年MODIS NDVI数据,从生态分区视角分析陕西省归一化植被指数(NDVI)的时空变化特征,并结合该地区31个气象站点日值数据,探讨NDVI对极端气温和极端降水指数的响应特征。结果表明：(1)陕西省及其各生态区的NDVI变化均显著上升,整体呈南高北低的分布特点,其中秦巴山地落叶与阔叶林生态区(IV)NDVI值最高为0.86,陕北北部典型草原生态区(I)NDVI值最低为0.38。(2)年际尺度上,陕西省NDVI与极端气温暖极值(暖夜日数)和极端降水指数总体呈显著正相关(P<0.05),在陕西省北部NDVI变化主要受极端降水的影响,南部则对极端气温的敏感度更高。(3)多年月尺度上,各生态区NDVI对极端气温冷极值(最低气温、日最低气温的极低值和日最高气温的极低值)和极端气温暖极值(最高气温、日最低气温的极高值和日最高气温的极高值)存在明显的滞后性,滞后时间多为3个月;与极端降水指数(单日最大降水量和连续5日最大降水量)的滞后时间为2个月,说明陕西省内NDVI对极端气候的响应具有显著的滞后效应。     

建设项目引发的区域生态变化的遥感评估——以敖江流域为例

建筑用地规模的扩大,在很大程度上影响着区域生态质量,制约了区域的可持续发展,利用遥感对地观测技术及时监测区域生态质量具有十分重要的意义。以敖江流域为例,重点研究该流域中的贵安开发区建设项目引发的建筑用地变化及其对区域生态质量的影响。选取2010年建设前的ALOS影像和2016年建设后的GF-1影像,构建基于ALOS和GF-1影像的建筑用地提取模型;采用遥感生态指数(RSEI)来对生态质量进行综合评价,并构建了ALOS和GF-1影像的湿度分量,在此基础上定量分析了区域建筑用地变化及其生态效应。研究表明:2010—2016年间,研究区建筑用地面积显著增加,其中有86%是由于贵安开发区建设引起的。贵安开发区建筑用地的增加导致了区域生态质量的总体下降,其遥感生态指数RSEI均值从建设前的0.787下降到建设后的0.689,降幅达12.4%,生态优良等级所占面积的比例从2010年的91%下降到2016年的79%。定量分析表明,区域建筑用地面积比例与生态质量呈显著负相关关系,建筑用地面积占比每增加10%,其RSEI值将下降0.041。因此,应加强敖江流域生态环境的保护与治理,严格控制沿江的建设开发项目,切实保护好流域的生态环境。     

植被-地温指数(NDVI-LST)在新疆干旱监测中的适用性

采用MODIS归一化植被指数(Normalized Difference Vegetation Index,NDVI)和地表温度(Land Surface Temperature,LST)产品数据分析新疆2000—2015年生长季3阶段NDVI与LST的时空变化特征及相关关系;利用多元线性回归方法分析不同时期影响NDVI-LST相关关系的气象因子;并按不同土地覆盖与土地利用(Land-Use and Land-Cover Change,LUCC)类型分析NDVILST相关关系时空变化特征。结果表明:(1)生长季3时期LST与NDVI均存在显著相关关系,可利用两者的特殊关系进行干旱评估。(2)不同时期气象因子对NDVI-LST相关关系影响程度不一;并且不同LUCC类型的NDVI-LST相关关系也存在明显差异。(3)在生长季中期利用植被健康指数(Vegetation Health Index,VHI)对新疆大部分地区的植被健康和干旱进行监测是可行有效的,而初期与末期的干旱评估需要利用其他干旱指数进行补充研究。     

The response of boreal peatland community composition and NDVI to hydrologic change,warming, and elevated carbon dioxide

Widespread changes in arctic and boreal Normalized Difference Vegetation Index (NDVI) values captured by satellite platforms indicate that northern ecosystems are experiencing rapid ecological change in response to climate warming. Increasing temperatures and altered hydrology are driving shifts in ecosystem biophysical properties that, observed by satellites, manifest as long‐term changes in regional NDVI. In an effort to examine the underlying ecological drivers of these changes, we used field‐scale remote sensing of NDVI to track peatland vegetation in experiments that manipulated hydrology, temperature, and carbon dioxide (CO₂) levels. In addition to NDVI, we measured percent cover by species and leaf area index (LAI). We monitored two peatland types broadly representative of the boreal region. One site was a rich fen located near Fairbanks, Alaska, at the Alaska Peatland Experiment (APEX), and the second site was a nutrient‐poor bog located in Northern Minnesota within the Spruce and Peatland Responses Under Changing Environments (SPRUCE) experiment. We found that NDVI decreased with long‐term reductions in soil moisture at the APEX site, coincident with a decrease in photosynthetic leaf area and the relative abundance of sedges. We observed increasing NDVI with elevated temperature at the SPRUCE site, associated with an increase in the relative abundance of shrubs and a decrease in forb cover. Warming treatments at the SPRUCE site also led to increases in the LAI of the shrub layer. We found no strong effects of elevated CO₂ on community composition. Our findings support recent studies suggesting that changes in NDVI observed from satellite platforms may be the result of changes in community composition and ecosystem structure in response to climate warming.     

山区夏季地表温度的影响因素——以泰山为例

以泰山为例,应用夏季的Landsat 5的TM6为基本数据源,基于单窗算法定量反演了泰山地表面温度(LST),在此基础上首先探讨了LST与地形因子的关系,然后比较了归一化水汽指数(NDMI)和归一化植被指数(NDVI)在表达山区LST上的效力,最后利用逐步回归分析法,构建出LST与地形因子、NDMI的回归方程,应用偏相关系数,得出各个因子对LST的影响程度。结果表明:1)在地形因子中,影响LST的主要因素是海拔,随海拔升高呈自然对数形式降低,相比而言,坡度、坡向以及太阳入射能量的影响则很小;2)在没有水体时,NDVI与NDMI都能有效地表达山区的LST,LST与NDVI间是二次项负相关关系,与NDMI间是线性负相关关系,在表达LST上NDMI比NDVI更有效;3)综合分析表明,地表水汽特征是其表面温度最主要的影响因素,其次是海拔。研究结果将为山区地表温度空间分异性特征及形成机制的研究提供科学的参考。     

小五台亚高山草甸与生境关系分析

该文结合野外植被调查,在获取更为详细的景观尺度生境数据基础上,探讨了小五台亚高山草甸植物群落与直接环境因子之间的定量关系。典范对应分析(CCA)的结果表明:1) 在小五台的亚高山草甸分布地段,热量、养分和水分条件构成了其生境特征差异的基本格局;2) 用效应温度和太阳直接辐射量所表征的热量因子,指示出研究区植物群落最基本的分化,说明热量条件是制约研究区草甸群落分布的最重要的因子;3) 养分状况的差异,除了说明生境条件本身的差异外,也在一定程度上指示了放牧干扰对群落分布的影响;4) 由地形等因素控制的土壤表层水分状况,则反映了草甸植物群落分布所受到的水分条件影响。     

青藏高原植被生长季NDVI时空变化与影响因素

青藏高原是中国乃至亚洲的生态屏障,研究其植被对气候变化的响应对区域生态保护具有重要的现实意义。基于MOD09A1数据反演的生长季归一化植被指数(NDVI),分析2001—2018年青藏高原植被生长季NDVI时空特征和变化趋势,结合气象站点数据阐释NDVI与气候因子的关系。结果表明: 研究期间,青藏高原植被生长季NDVI呈缓慢上升趋势,不同气候区生长季NDVI年际变化差异明显,NDVI值波动幅度表现为高原湿润气候区>半湿润气候区>半干旱气候区>干旱气候区。青藏高原湿润气候区、半湿润气候区、干旱气候区、半干旱气候区NDVI显著升高和降低面积占比分别为1.4%和1.9%、4.9%和1.5%、16.4%和0.8%、7.0%和2.0%,干旱和半干旱气候区NDVI升高面积占比明显大于湿润和半湿润气候区。气温是影响湿润气候区和半湿润气候区NDVI变化的主导因子,而在干旱气候区,降水对NDVI的影响明显强于其他气候因子。气温对整个青藏高原植被生长季NDVI的驱动作用强于降水和相对湿度。     

基于RSEI模型的生态质量评估及城镇化影响——以南京市为例

利用2000和2017年Landsat5/TM和Landsat8/OLI影像,基于遥感生态指数(RSEI)模型,结合2000—2017年南京市气象观测数据和社会经济数据,对南京及其特色生态区域的生态环境变化进行分析与评估,结果表明: 2000—2017年,南京市RSEI平均值由0.626降至0.618;将RSEI值分成差、较差、一般、良和优5个等级,良好以上面积占比由61.0%降至57.1%,较差以下等级面积占比略有上升;与2000年相比,2017年南京市生态质量变好的面积占比为34.5%,变差的为34.7%,30.8%的面积基本不变,其中,主城区的生态质量明显好转,生态质量好转的面积超过了变差的面积,而新城区和郊区生态质量明显恶化,生态质量变差的面积超过了好转的面积;在3个生态保护区中,紫金山生态质量明显好于老山和江心洲;城镇化率与RSEI呈极显著负相关关系,相关系数达-0.91。城市化进程总体上会对生态环境产生负面影响,但严格的保护和管理措施可以使良好的生态环境得以保持甚至改善。