王永祥,徐园园,杨佳嘉,陈裕鑫,魏佳轩,周 娟,张未来,程武学,*

1 四川师范大学地理与资源科学学院,成都 610066

2 四川师范大学西南土地资源评价与监测教育部重点实验室,成都 610066

长江是我国第一大河,长江上游流域的自然生态环境十分复杂,由于其处在我国东西部交汇区,因此对我国的战略意义十分重大[1]。但是在过去,由于多年的人为破坏,长江上游的生态环境质量下降较为严重,这就与我国的可持续发展战略相悖,政府决定建立长江上游生态屏障[2]。而重庆地处长江上游和三峡库区腹心地带,是长江上游的中心城市,嘉陵江与长江在此交汇,地理环境较为典型。重庆也是长江上游生态屏障的最后一道关口,对长江中下游地区生态安全承担着不可替代的作用,修复好重庆市生态环境的重要性不言而喻。近年来,近年来由于重庆市始终将修复长江生态环境工作摆在压倒性位置,推出了一系列符合地方条件的生态修复措施[3—5],例如“两岸青山,千里林带”、“清水绿岸”等,国家也出台了长江经济带“共抓大保护、不搞大开发”方针等保护生态环境[6],因此有必要对重庆市生态质量变化进行监测,并分析其驱动因素。关于生态质量的评价,近年来已有较多研究,在指数的选择上,有学者选取生物多样性指数[7]、植被覆盖度指数[8—9],等单因素构建模型评估生态质量亦或是使用层析分析方法[10—11]、主成分分析法[12]等向多种因素人为赋予权重。对于重庆市生态环境质量前期已有相关研究,周启刚[13]等人分别选取归一化植被指数(NDVI)、归一化建筑指数(NDBI)、图斑破碎度模型评估重庆市生态空间质量,表明研究区生境质量呈波动上升趋势。任彦霓[14]等人结合遥感和POI数据探究重庆市主城区生态环境质量格局,发现生态环境质量受城市建设影响显著。本研究在前人研究的基础上,选取了遥感生态指数对重庆市生态环境质量进行评估,通过构建RSEI模型可以避免因人为因素导致的权重不均,因此较适用于生态质量评价当中。

遥感生态指数[15](RSEI)是由我国学者徐涵秋提出的用于评价区域生态质量的遥感指数,由于其研究在生态环境变化方面的优势以及弥补了生态环境状况指数(Ecological Environment Index, EI)当中由于土壤侵蚀模数和环境质量指数难以获取到的不足[16],常被应用于大范围[17—19]、长时间序列[20—23]的生态环境保护研究。国内外学者利用这一指数进行了广泛又深入的研究,Karimi[24]等人利用伊朗阿拉斯巴兰保护区和美国、欧洲13个城市的Landsat多时相影像、国家土地覆盖数据库(NLCD)、不透水性和高分辨率层不透水性(HRLI)数据为研究对象,基于RSEI指数建立陆面生态状况模型。Liao等人利用Modis影像对中国2000—2017年生态环境质量进行了评价[25]。赵管乐[26]等人利用RSEI研究了典型干热河谷区的生态环境变化。卢卓[27]等使用不同分辨率Landsat卫星影像与Sentinel-2A卫星影像计算RSEI时的精度进行了对比。RSEI可以更好的对研究区域生态环境质量进行定量、客观地评价,具有一定的学术价值。又由于生态环境质量研究的对象存在范围广、要素多等特点,因此相对于其他传统的研究手段,遥感的独特之处在于能够在空间和时间层面上反映地面事物的变化,结合遥感和GIS技术可以高效地提取、反演出生态环境质量评价所需的指标,最终通过可视化表达直观地展示评价结果。此外,本文在现有RSEI研究当中使用较多的Sen趋势分析、曼-肯德尔检验方法[28]监测长时间变化趋势的基础上,引入可以衡量时间序列统计相关性[29]的Hurst指数,对重庆市多年RSEI未来持续性进行预测。再使用地理探测器对影响地理现象空间分布差异的自然、气候、人类活动因素进行探测,得到了影响重庆市RSEI空间分异的驱动因素,为后续重庆市生态环境治理提供一定的理论支撑。

传统的遥感影像研究需要进行收集遥感数据再进行预处理,之后利用相关软件进行计算,再进行后处理,步骤较为繁杂,尤其是在进行长时间序列研究时,需要消耗大量时间在数据处理阶段[30]。谷歌地球引擎(Google Earth Engine,GEE)平台是当前使用较为广泛的处理大量遥感数据的平台,由于没有硬件设备的限制,这就使得GEE在处理大范围,长时间序列数据上具有一定的优势,可以节省大量时间且效率较高,广泛为学者关注使用。近年来我国也推出了便于学习和研究的遥感平台如PIE-Engine和AI Earth,将会更进一步提高相关领域研究效率[31—32]。本研究对一些主流遥感平台进行优选,使用GEE云平台,调用海量多源遥感影像数据和方法,不仅可以提高计算效率,还为长时间序列生态环境质量变化检测与可持续发展等研究提供数据基础和技术支持。

1 研究区概况

重庆位于中国西南部、长江上游地区,地跨东经105°11′—110°11′、北纬28°10′—32°13′之间的青藏高原与长江中下游平原的过渡地带。东邻湖北、湖南,南靠贵州,西接四川,北连陕西;长江横贯全境,流程691km,与嘉陵江、乌江等河流交汇,研究区位置如图1所示。辖区东西长470km,南北宽450km,幅员面积8.24万km2。重庆地势由南北向长江河谷逐级降低,西北部和中部以丘陵、低山为主,东南部靠大巴山和武陵山两座大山脉,坡地较多,有“山城”之称。总的地势是东南部、东北部高,中部和西部低,由南北向长江河谷逐级降低。

图1 研究区概况Fig.1 Study area overview

2 材料与方法

2.1 数据来源

遥感数据来自于美国谷歌公司免费地理计算云平台Google Earth Engine(GEE)当中所收录的Landsat数据,2011年遥感影像采用“LANDSAT/LT05/C01/T1_SR”数据集当中收录的Landsat5-TM影像,2013、2015、2017、2021数据均采用“LANDSAT/LC08/C01/T1_SR”。图2表示了将GEE服务器当中研究区范围的Landsat8数据进行去云处理后的影像可用性,可以看出由南向北可用性逐渐增加。

图2 Lansat8影像可用性Fig.2 Lansat8 image availability

由于2021年数据较难获取,本文使用2020年数据与重庆市2020年RSEI数据进行空间分布影响因素研究。气候数据中降水、风速、近地表气温数据来自于国家科技基础条件平台—国家地球系统科学数据中心(http://www.geodata.cn),分辨率均为1km;地表数据来自于中国科学院计算机网络信息中心地理空间数据云平台(http://www.gscloud.cn)的ASTER GDEM数字高程数据数据集,分辨率为30m;人口密度数据来源于WorldPOP平台(https://www.worldpop.org)的Population Density数据集,分辨率为1km;LUCC数据来自于国家基础地理信息中心全球地表覆盖数据产品服务网站(DOI:10.11769),分辨率为30m;夜间灯光数据来自于美国国家海洋和大气管理局地球观测小组的数据平台(https://ngdc.noaa.gov),分辨率为1km。

2.2 研究方法

2.2.1遥感生态指数

遥感生态指数是将国家环保部颁布的EI指数当中属性的空间展现方式进行了一定程度的修正[33],采用植被指数、裸土指数、湿度、地表温度分别对应代表绿度、干度、湿度和热度,遥感生态指数(RSEI)就可以表示为:

RSEI=f(Greenness,Wetness,Heat,Dryness)

其遥感定义为:

RSEI=f(VI,WET,LST,SI)

上述两式当中,Greenness为绿度,Wetness为湿度,Heat为热度,Dryness为干度,VI为植被指数,Wet为湿度,LST为地表温度,SI为裸土指数。

(1)绿度指标

当前研究中,归一化植被指数(NDVI)是使用最为广泛的一项植被指数,因此在本文当中也选择NDVI作为植被指数进行计算:

其中ρNIR代表Landsat影像的近红外波段的辐射率,ρRed代表红光波段的辐射率。

(2)湿度指标

湿度指数反映了自然界当中各类事物如植被、水体、裸土的湿度,是生态环境监测当中一个十分重要的指标。本研究中采用的计算方法为:

WetTM=0.0315ρBlue+0.2021ρGreen+0.3102ρRed+0.1594ρNIR-0.6806ρSWIR1-0.6109ρSWIR2

WetOLI=0.1511ρBlue+0.1972ρGreen+0.3283ρRed+0.3407ρNIR-0.1777ρSWIR1-0.4559ρSWIR2

上述两个式子当中,WetTM指Landsat TM传感器所获取影像计算湿度指标的方法,WetOLI指Landsat OLI传感器所获取影像计算湿度指标的方法。而ρBlue、ρGreen、ρRed、ρNIR、ρSWIR1、ρSWIR2分别代表了遥感影像的蓝、绿、红光波段以及近红外、短波红外1、短波红外2波段的辐射率。

(3)热度指标

热度指标用地表温度来代替。

L=gain×DN+offset

式中,DN为像元灰度值;gain和 offset为波段的増益和偏置,其数值可以再遥感影像头文件中获取得到;K1和K2为定标参数;λ为波段的中心波长;ε代表地表辐射率。

(4)干度指标

干度指标的计算方法为:

式中,ρBlue、ρGreen、ρRed、ρNIR、ρSWIR1、ρSWIR2分别为对应于各影像的蓝波段、绿波段、红波段、近红外波段、短波红外1波段和短波红外2波段的辐射率。

2.2.2Sen氏趋势分析法与MK检验

本文采用了Sen斜率趋势分析重庆市在2011—2021年以来RESI的变化趋势,与传统的采用最小二乘法计算线性回归趋势相比,Sen氏趋势分析法可以有效避免计算时时间序列上数据的缺失和数据分布对结果的影响,还可以消除异常值对时间序列的干扰[34]。Sen氏斜率计算公式如下:

式中,Q为计算得到的斜率,i、j为之间序列数且0

式中,S表示统计量由sgn(x)总和得到,VAR(S)表示方差,n表示数据量,ZMK表示简言之,qk表示相同数据组的个数,ε表示误差值。因此,本文在像元尺度上采用 Sen 氏趋势分析与 MK 检验相结合,分析重庆市RSEI在像元尺度上的变化趋势及显著性;在区域尺度上则采用线性回归分析RSEI变化的总体趋势。

2.2.3Hurst指数

Hurst指数是一项普遍应用于水文、地质、气候领域的描述时间序列的方法,后来也逐渐有学者将其用于RSEI的研究。其计算方法为:

对于给定的时间序列{RSEI(t)},1,2,…,n,定义均值序列:

累计离差:

极差:

R(T)=maxX(t,T)-minX(t,T)T=1,2,…,n

标准差为:

再根据上述公式求取:

若R/S∝TH,说明要分析的这一序列里存在Hurst现象。H为Hurst指数,通过log(R/S)n=a+H×log(n),用最小二乘法拟合可以得到。如果0

2.2.4空间转移矩阵与重心迁移模型

空间转移矩阵是一种定量描述状态转移的方法,该方法研究的运动过程只与运动的始末状态有关,可以反映出某一要素在某一时间间隔中空间格局的变化[37—38]。空间转移矩阵不仅可以反映各类要素的面积变化,还可以计算出某要素的转入和转出情况,因此常用于土地利用等方面的研究[39]。而重心迁移模型可以较好的反映某要素在时空演变过程当中的变化特征。

2.2.5地理探测器

地理探测器是一种能揭示地理现象空间分异差异和分析自变量与因变量之间相互作用的数学模型[40],相比传统的相关系数模型,其不仅能实现定量数据分析,也能完成定性数据的处理,同时又能对各变量之间的交互作用进行分析[41—42]。本文引入地理探测器分析自然与人类因素对于重庆市RSEI分布的影响。地理探测器用q值表示影响程度大小,取值范围为0—1,q的计算方法为[43]:

3 结果与分析

3.1 RSEI空间分布格局

首先计算重庆市多年平均RSEI,参考相关研究[44—46],利用等间距法将计算结果重分类为5级,分别赋予差、较差、中等、良、优,最终得到如图所示的重庆市RSEI空间分布图如图3所示。RSEI等级为差的地区整体占比2.48%,空间上主要集中于重庆西部即渝北区、沙坪坝区等,在大足区、铜川区等也有零星等级较差的区域分布,较差等级的区域占比8.28%,在上图当中体现得并不多,主要围绕差一级的周围、西部边缘、中部和北部有些许分布。中等等级占比38.32%主要位于重庆市中西部且分布较为集中,也是面积最大的等级。良与优分布的区域较为相似,在重庆市中部和北部分布较多,占比分别为41.87%和9.05%。总体来说,重庆市多年平均RSEI大于0.6的区域占比为50.92%,有超过一半的区域RSEI等级为良或优。

图3 2011—2021年重庆市RSEI空间分布格局Fig.3 Spatial distribution pattern of RSEI in Chongqing from 2011 to 2021

3.2 RSEI空间分布变化

以2年为间隔,分别以2011、2013、2015、2017、2019、2021年为刻度,计算出重庆市RESI等级为优、良、中等、较差、差的重心,以时间顺序从前向后连接绘制出重心迁移图并以不同颜色表示如图4。总体上来说RSEI不同等级的重心分布与RSEI的空间分布格局具有较高的一致性,重心迁移路线也能较好的表示出RSEI在空间上的分布格局变化。重庆市RSEI等级为差一级的重心从重庆市中部逐渐向北部移动,且2019—2021年幅度最大表明在这一时间段内其变化速率较快,北部生态质量下降较为明显。从重庆市RSEI空间分布图来看,较差一级的分布整体上与差一级的较为同步,从上图可也可以出RSEI等级为中等的重心迁移也从重庆市中部向北部变化。中等和良一级的变化幅度不是很大,中心分布集中与丰都县、石柱土家族自治县。等级为优一级的与之前时间段相比在2019—2021年幅度较大,迁移方向向西部变化。

图4 2011—2021年RSEI不同等级重心迁移Fig.4 Migration of Different Levels of Center of Gravity for RSEI 2011—2021

再计算重庆市2011—2021年RSEI等级转移矩阵,得到结果如下表1所示。差一级减少较为明显,减少了6429.88km2,较差一级减少了了9761.41km2,其中有5566.30km2转为中等,7834.42km2转为良,较差一级分布的区域大部分得到了改善,生态质量提升。优一级整体增加了4168.55km2。图5为不同等级的RSEI转移路径。可以看到,2011—2021年重庆市RSEI主要发生了“较差→中等”、“较差→良”、“中等→良”、“良→优”这四个路径,整体来看重庆市生态环境得到优化。

表1 重庆市RSEI转移矩阵/km2Table 1 Chongqing RSEI Transfer Matrix

图5 不同等级RSEI转移路径Fig.5 Different levels of RSEI transfer paths

3.3 RSEI空间分布的地理探测

一般来说,影响RSEI在空间上分布的因素可分为气候因素、地表因素以及人为因素。本文在上述三类因素当中选取相应代理变量,形成如下表2所示的影响因子表。由于地理空间数据在计算时较为依赖尺度选取,选择不同尺度计算,得到的结果也会不同,为了获取本研究的最佳研究尺度,格网大小依据经验公式而来:基于采样点的数量确定样本数量。本研究中RSEI结果斑块均数大致为5万个,经过测试发现用2km×2km的正方形对研究区进行等间距采样,将会生成2.3万个样区。因此本文选取2km尺度格网进行采样,最后在地理探测器当中进行计算。另外,在现有研究当中不难发现植被覆盖及其表征指数NDVI也在生态环境当中有举足轻重的角色,但是考虑到在计算RSEI指数时,NDVI已单独作为一种计算因子加入其中,因此在利用地理探测器探测影响因素时不另做探测。

表2 重庆市RSEI影响因子Table 2 Chongqing RSEI impact factors

根据因子探测,计算上述各类因子对RSEI的影响大小,结果如表3所示。各因子对于RSEI的影响程度排序为:近地表气温X3>土地利用类型X8>海拔X4>近地表风速X2>坡度X5>夜间灯光X9>降水量X1>坡向X6>人口密度X7。表3当中q为因子的解释力,q的值位于0到1之间,且q值越大表示该因子的解释力越强。从各因子解释力来看,近地表气温、土地利用类型、海拔三个因子的解释力都大于0.25,分别是0.349,0.284,0.259,这三个因子是主要影响因子。坡度的解释力为0.205,为次要影响因子。其余各因子的解释力都小于0.2,表明对重庆市RSEI空间分布影响较为微弱。

表3 因子探测结果Table 3 Factor detection results

重庆市RSEI各影响因子在地理探测器中的生态探测如表4所示。根据统计检验,海拔与各气候因素对RSEI空间分布的影响具有显著性差异,与其他因子无显著性差异;近地表气温与除海拔外的其他因子无显著差异;土地利用类型与近地表气温、日海拔之间无显著差异;人口密度坡向因子之间有显著差异。总的来说,以近地表气温、海拔为主的自然因素以及以土地利用为主的人为因素是影响重庆市RSEI空间分布的主要影响因素。

表4 探测因子对于RSEI影响差异的统计显著性Table 4 Statistical significance of the differences in the effects of detection factors on RSEI

3.4 RSEI时间变化趋势

3.4.1区域尺度RSEI变化趋势

图6是基于线性回归的重庆市区域尺度全年RSEI均值变化情况,从总体上来看,重庆市RSEI整体较高,多年均值为0.593,平均年际变化率达到0.00759/a,全年RSEI标准误为0.0239在2011—2021年呈波动上升趋势。

图6 2011—2021年RSEI区域尺度变化趋势Fig.6 Regional scale trends of RSEI, 2011—2021

图7为重庆市39个区县从2011年到2021年以来RSEI的变化趋势,由该热力图可以发现,2011年的时候较多区县颜色为红色、橙色,较明显的有:渝中区、大渡口区、江北区、沙坪坝区、九龙坡区、南岸区、北碚区、荣昌区等,表明这些区县在2011年的时候RSEI较低,环境质量较差,到2021年,红色及橙色区域明显减少,先前为红色、橙色区域的大部分转为了蓝色。虽然大渡口区和渝中区的颜色仍为橙色,但是和2011年相比已经改善了许多。同时从热力图也可以看到有些区县的RSEI有所减少,如:城口县、垫江县等。整体来看,热力图当中大部分区县由红色为主转为蓝色,证明与2011年相比,2021年重庆市生态环境质量有了大幅度提高。

图7 不同县区RSEI变化趋势Fig.7 Trend of RSEI in different counties of Chongqing

3.4.2像元尺度RSEI变化趋势

总体上看,全年RSEI在近12年当中以增长趋势为主,如图8所示,共占总体的75.89%。从RSEI变化显著性来看,极显著增长区域分布在南部、西南部以及北部的开州区、云阳区等地,达全市面积14.41%,显著增长的分布区域大致与极显著增长的相同,共计有20.19%。城口县、巫溪县为极显著退化等级的主要分布区,说明此区域在近12年当中生态质量水平下降较为严重。RESI增长和退化的速度也不尽相同,快速增长区主要分布在西南部、南部各地,占总面积的16.64%。有大致三分之一的区域为缓慢增长,同时也是重庆市RSEI变化趋势中占比最大的一个等级,表明重庆市实施的一系列生态环境建设工程已见成效。同时我们也应看到:重庆市多为喀斯特地貌,也是全国8个石漠化严重发生地区之一,北部城口县、巫溪县RSEI退化较快,根据前人研究[47—48],这三个地方同样也是石漠化高敏感区,土壤绝对允许侵蚀量小,当表土流失后,必然导致大片石灰岩裸露,生态质量水平大幅度下降需要实施一系列环境保护措施,因此针对当地特点实施相应的生态修复政策十分必要[49]。

图8 像元尺度RSEI变化趋势与变化显著性Fig.8 The trend of RSEI at the image metric scale and its significance of change

3.5 RSEI时间变化可持续性

根据Hurst指数的原理当H>0.5即表明重庆市RSEI将呈正持续性也就是变化趋势与大致相同,当H<0.5表示重庆市RSEI呈反持续性即变化趋势大致相反。基于这一原理,利用Matlab对重庆市2011、2013、2015、2017、2019、2021年的RSEI栅格数据逐像元计算Hurst指数如图9所示,再利用Hurst指数与Sen氏趋势分析结果利用ArcGIS叠加分析、重分类。在将来,重庆市RSEI有1.19%继续快速退化,这些区域主要集中于重庆市中部武隆区、涪陵区、丰都县交界处以及北部的城口县、巫溪县等地,有2.88%的RSEI属于继续缓慢降低。“出现波动”说明当前无法用Hurst指数推断将来的可持续性。共计有总体53.3%的RSEI会保持增长的可持续性,即在未来会继续缓慢或者快速增长。

图9 2011—2021年重庆市RSEI变化Hurst指数及未来变化趋势Fig.9 Chongqing RSEI Change Hurst Index 2011—2021 and its future trend

4 讨论与结论

4.1 讨论

综上所述,利用GIS和RS技术,计算RSEI并对重庆市生态环境质量变化做出客观真实评价具有一定理论意义和现实意义。一方面,相较于前期学者的研究方法,RSEI避免了因为人为主观因素,如技术限制、数据限制而导致的权重设置不均,可以更好地对重庆市生态环境质量进行较为定量、客观的评价,结合GIS和RS技术可以高效的提取、反演出生态质量评价所需的指标,具有一定的学术价值。研究重庆市生态质量现状及发展趋势对于完善当下生态文明建设具有重要的理论意义,本研究在分析了生态环境质量现状的基础上,结合相关指数及地理探测器,对重庆市生态环境质量状况及发展态势进行研究,对其影响因素进行探测。可以弥补区域生态环境质量现状研究的不足,丰富区域生态环境质量的理论研究,加深对生态文明建设的思考与理解。

另一方面,在当前时代背景下,研究重庆市RSEI变化成因,可以较大程度上探寻在山地地区影响生态环境质量的因素,由此可以为山地地区采取何种措施保护生态环境、提升生态环境质量提供一定建议,有利于更好的践行可持续发展战略以及更好的探索“绿水青山就是金山银山”实现路径。生态环境质量评价可以为区域生态环境保护与管理工作提供决策建议,有助于区域生态环境可持续发展。针对重庆市进行生态环境质量现状分析及趋势模拟,对于改善自然生态环境,提升城市生态影响力有着重要意义,探讨和完善生态文明制度体系建设提供参考依据。研究成果虽然较好的表现出了重庆市RSEI变化趋势,但仍存在些许不足,在计算RSEI时,每一年的RSEI采用最大合成法将生长期所有的遥感影像进行合成,仍然避免不了云雾的影响,这就会对结果造成一定的影响出现异常值。今后的研究可以选取更长时间序列的时间数据来降低数据误差带来的影响。另外,本研究只采用了2020年一年的数据进行重庆市RSEI影响因素探测,探测结果也没有与Sen趋势分析、Hurst指数的得到的结果进行关联分析,将在今后的研究中进一步分析RSEI影响因素变化与RSEI变化的相关性。

4.2 结论

通过对重庆市生态遥感指数在时间和空间上的研究发现重庆市生态环境质量正在稳步提升,生态环境也在不断优化,在自然恢复的基础上,人类活动也有一定的正反馈作用,表明重庆市生态修复措施的效果正在显现,具体结论如下:

(1)重庆市2011—2021年整体平均RSEI有50.92%为优和良,表明重庆市这一时间段生态环境整体质量较高,在空间上表现为东北部较高,西南部较低。

(2)从RSEI变化趋势来看,2011—2021 年间重庆市RSEI 呈波动趋势上升,平均年际变化率达到0.00759/a,全年RSEI标准误为0.0239。同时,极显著增长区域面积达14.41%,显著增长面积为20.19%,广泛分布于各区县,以快速增长为主,说明生态建设成效明显,但是,在重庆市北部也有快速退化与缓慢退化的区域,全域共计18.7%,重庆北部以城口县为代表的县区以溶岩地貌为主,近些年来生态质量下降较为明显。说明在治理生态环境的同时也不能轻视对石漠化的治理。

(3)从RSEI变化可持续性来看,重庆市RSEI变化总体持续性较强。在东北部、北部出现了明显的反持续性特征。在未来可能出现波动的区域占21.2%,主要分布在中部、北部,说明该区域需进一步加强生态建设工作,防止生态质量水平下降。有53.3%的区域将呈正持续性,要注意对这些区域生态质量水平的保持。

(4)使用地理探测器对自然、气候、人类活动三个方面进行因子探测,本文发现,重庆市RSEI空间分布由近地表气温、土地利用类型、海拔三个因子主要决定,其因子解释力均超过25%,表明这三种驱动因素是重庆市生态质量发生变化的主要影响因素。

(5)从RSEI空间变化来看2011—2021年重庆市RSEI主要发生了“较差→中等”、“较差→良”、“中等→良”、“良→优”这四个路径,整体上重庆市生态环境得到优化。其演进过程已与重庆市及长江上游生态环境相关研究相印证[50—51]。