2023, Vol. 44
2. 教育部中阿旱区特色资源与环境治理国际合作联合实验室, 银川 750021;
3. 种苗生物工程国家重点实验室, 银川 750001;
4. 宁夏国土资源调查监测院, 银川 750002
2. China-Arab Joint International Research Laboratory for Featured Resources and Environmental Governance in Arid Region, Yinchuan 750021, China;
3. State Key Laboratory of Seedling Bioengineering, Yinchuan 750001, China;
4. Ningxia Land Resources Surveying and Monitoring Institute, Yinchuan 750002, China
六盘山自然保护区坐落于湿润与干旱气候的过渡带, 是宁夏生态立区的重要战略基地和黄河流域典型生态区的重要单元, 更是我国西北干旱半干旱区最具代表性的温带山地森林生态系统和重要的水源涵养林分布区[1].但由于滥垦乱伐等原因, 六盘山曾一度成为遭受严重破坏的天然次生林.为构筑六盘山生态安全屏障, 提升其生态环境承载力, 宁夏于2018年4月全面打响新时代黄河保卫战.鉴于六盘山独特的地理位置和强大的生态功能, 科学评估其生态环境质量, 明晰其驱动机制, 对区域生态环境保护、生态危机预防和生态规划管理具有重要意义.
生态环境质量时空分异特征明显, 传统的评价指标受尺度、时间和地域等限制, 数据难以获取[2].随着遥感技术的快速发展, 陆面生态状况监测取得了显著进展, 为区域生态环境质量评估提供了新的方法[3, 4], 如何完全基于遥感影像对生态环境进行快速评价已成为研究热点[5, 6].徐涵秋[7]于2013年提出一种基于主成分分析和无主观干扰的遥感生态评价模型(remote sensing ecological index, RSEI), 其具有计算速度快、所需辅助参数少和结果可视化佳等优点[8~10].然而, RSEI在应用中仍然存在许多不确定性.首先, 由于特征向量方向的差异使计算的第一主成分(PC1)可能需要基于先验知识进行反转[11, 12], 导致RSEI结果具有随机性; 其次, 基于主成分分析构建RSEI模型具有不稳定性, 无法保证较高的贡献度[13~15], 造成信息利用不充分, 导致RSEI结果被低估或高估[16].RSEI的不确定性极大地限制了其批量应用.熵值法可以克服人为权重无法避免的随机性和臆断性问题, 消除多指标变量间信息冗余[17], 是一种客观赋权法, 同时, 基于熵值法构建遥感生态指数(entropy remote sensing ecological index, E-RSEI)既可以有效解决数据利用不充分问题, 又能够确保E-RSEI结果与生态质量呈正比, 使批量计算生态环境质量应用程序的实现成为可能.
目前, 国内外学者大多针对六盘山自然保护区植被状况[18]和生物多样性[19, 20]等进行分析评价, 但较少考虑区域生态环境质量的时空变化格局和变化过程的空间异质性, 定量探测生态环境质量的驱动因子也较为鲜见.鉴于此, 本文以黄河流域典型生态区——六盘山自然保护区为研究对象, 基于熵值法构建遥感生态指数(E-RSEI), 并以E-RSEI为因变量, 选取8个驱动因子作为自变量, 探究生态环境质量对环境与人为因子的响应特征, 以期为实现黄河流域生态保护和高质量发展提供理论支持.
1 材料与方法 1.1 研究区概况六盘山自然保护区(35°15′~35°41′N, 106°09′~106°30′E)位于黄河流域内, 地处宁夏回族自治区南部(图 1), 海拔1 612~2 942 m, 总面积678 km2, 具有大陆性和海洋季风边缘气候特点, 年平均气温5.8℃, 年降水量676 mm, 年平均相对湿度60%~70%.其土地利用类型以草地、疏林地和灌木林为主, 植被主要分为温性针叶林、落叶阔叶林、灌丛、草原、草甸和栽培植被等7个类型, 土壤分为山地草甸土、灰褐土、新积土、红土、潮土和粗骨土这6种类型.
|
图 1 研究区概况示意 Fig. 1 Location of the study area |
如表 1所示, 本研究使用的数据包括Landsat 5/7/8遥感影像、降水量、气温、海拔、土壤类型、植被类型和夜间灯光数据.为保证数据的可靠性和结果的可比性, 故选取研究区范围内无云且处于植被繁茂期(6~9月)的遥感影像(表 2).本研究的数据处理具体包括：在ENVI 5.3中对影像数据进行几何校正、辐射定标、大气校正和图像裁剪等预处理工作; 在ArcGIS 10.2中对气温和降水数据进行空间插值计算; 在ArcGIS 10.2中创建渔网工具, 生成15 002个采样点, 利用自然断点法将降水、气温、海拔和夜间灯光亮度分为五类, 坡度和坡向分为九类, 土壤和植被分别分为六类和七类, 利用等距离法将NDVI、WET、NDSI和LST划分为5类, 提取样点后输入至地理探测器中, 以进行驱动因子量化分析.
|
表 1 数据源详细说明 Table 1 Detailed description of data |
|
|
表 2 遥感影像数据来源 Table 2 Remote sensing image data source |
1.3 研究方法 1.3.1 基于熵值法的E-RSEI计算
本研究利用RSEI模型中原有的4个指标[7], 基于熵值法构建生态环境质量评估模型(E-RSEI), 计算公式如下：
|
(1) |
式中, E-RSEI为基于熵值法的遥感生态指数, NDVI、WET、NDSI、LST分别为绿度指标、湿度分量、干度指标、地表温度这4个评价指标, 具体计算公式见文献[7, 21~23].wi为第i个指标的权重, 利用4个指标的均值计算, 每个指标有6个评价对象, 公式为[24]：
|
(2) |
|
(3) |
|
(4) |
|
(5) |
|
(6) |
式中, Hi为第i个指标的熵, m为评价指标的数目, n为被评价对象的数目, k=1/lnm, NIij为第i个指标的第j个归一化值, I为某一像元值, Imin和Imax分别为最小值和最大值.为消除异常像元的影响, Imin和Imax选取2%~98%的置信区间.绿度和湿度对生态环境起优化作用[25], 采用正向指标归一化公式(5)计算; 热度和干度对生态环境起破坏作用[23], 采用负向指标归一化公式(6)计算.
1.3.2 趋势分析(1) 稳定性分析(CV) 变异系数CV反映数据的离散程度, 可用于评估E-RSEI的稳定性, 公式为[26]：
|
(7) |
式中, Std为标准差, Mean为均值.根据Nielsen的划分标准[24], 分为弱变异(CV≤10%), 中等程度变异(0%＜CV＜100%), 强变异(CV≥100%).
(2) Mann-Kendall趋势检验及Sen倾斜度Mann-Kendall趋势检验是使用最为广泛的非参数检验方法, 其样本无需遵循特定的分布, 且不受异常值干扰, 具体公式见文献[27].
利用Sen倾斜度表示趋势性大小及变化方向, 公式见文献[28]：
|
(8) |
式中, β>0时, E-RSEI呈改善趋势; β < 0时, E-RSEI呈退化趋势.
(3) Hurst指数Hurst指数可用于判断时间序列未来变化趋势, 定量描述长时间序列信息相关性, 具体原理见文献[29].当0 < H < 0.5, E-RSEI未来变化趋势与过去相反, H越小, 反持续性越强; 当H=0.5, E-RSEI为随机序列, 无长期相关性; 当0.5 < H < 1, H越大, 持续性越强.将Sen倾斜度同Hurst指数结果叠加, 分析E-RSEI持续性变化趋势.
1.3.3 地理探测器地理探测器无线性假设且物理意义明确[30].本文选取降水、气温、海拔、坡度、坡向、植被类型、土壤类型和可代表全球和区域范围内人类活动强度的夜间灯光数据作为自变量, 利用因子探测[31, 32]、交互探测[33, 34]和风险探测[35]对E-RSEI进行驱动因子量化分析.
(1) 分异及因子探测探测评价指标X(自变量)对生态环境质量(因变量Y)的影响力, 用q值度量：
|
(9) |
|
(10) |
式中, h=1, 2, …, L为变量Y或因子X的分层; N和Nh分别为全区和层h的单元数; σh2和σ2为层h和全区的Y值方差; SSW和SST为层内方差之和与全区总方差.q值为评价指标X对Y的影响力, 值越大影响力越强; 反之亦然.
(2) 交互作用探测识别评价指标X1和X2共同作用对Y的影响.根据两种指标对Y的q值[q(X1)和q(X2)]、交互q值[q(X1∩X2)]和q值之和[q(X1)+q(X2)]的关系, 将交互作用分为5类(表 3).
|
|
表 3 探测因子交互作用类型 Table 3 Interaction types of the detection factors |
(3) 风险区探测搜索生态环境质量状况好的区域, 用t来检验：
|
(11) |
式中, Yh为子区域h内Y属性均值; nh为子区域h内样本数量; Var为方差.
2 结果与分析 2.1 E-RSEI模型精度验证依据绿度、湿度、干度和热度这4个指标均值, 基于熵值法计算指标权重分别为0.268 0、0.230 1、0.261 2和0.240 7, 表明各个指标分量对生态环境质量的影响程度不同, 绿度的影响力最大, 干度次之, 其次是热度, 湿度对生态环境质量的影响最小.
以20%为间隔, 将RSEI和E-RSEI等级依次划分为差、较差、中、良和优这5个等级.RSEI计算的PC1贡献度为76.31%, 信息利用率较低, 使结果产生误差.其次, 利用RSEI模型计算六盘山自然保护区生态环境质量, 需要对PC1进行反转, 采用“1-PC1”进行还原, 限制了模型的批量应用.由图 2可以看出, RSEI和E-RSEI均值分别为73.21%和74.39%, 均呈现出西高东低的空间分布趋势.整体上, E-RSEI结果高于RSEI, 而对于低覆盖度草地, E-RSEI略低于RSEI, 在疏林地处, E-RSEI高于RSEI.改进后的E-RSEI模型可以保证高值部分代表生态优, 能够更为真实地反映生态环境质量的空间分布情况, 实现生态环境质量状况的批量计算.由此看来, 本研究选用E-RSEI模型来反演各研究年份的生态环境质量更具适宜性.
|
图 2 2020年RSEI和E-RSEI空间分布对比 Fig. 2 Comparison of spatial distribution between RSEI and E-RSEI in 2020 |
从1990~2020年4个指标及E-RSEI均值的时间变化来看(图 3), 31年间, 六盘山自然保护区E-RSEI整体向好, 由1990年的0.553 7提升至2020的0.757 0, 平均增幅为0.066·(10 a)-1, 增长率为36.72%; 从单一指标来看, 绿度和湿度分别上升0.219 9和0.050 3, 上升率分别为34.18%和13.35%, 且变化趋势与E-RSEI基本吻合, 说明绿度和湿度越高, 则地表植被覆盖越高, 土壤水分越充足, 生态环境质量越好, 二者对生态环境起积极作用.干度和热度31年间分别下降0.235 9和0.234 8, 下降幅度分别为55.61%和36.16%, 与E-RSEI变化趋势相反, 说明干度和热度越高, 土壤沙化和岩石裸露等问题越严重, 生态环境质量越差, 二者对生态环境起消极作用.
|
图 3 1990~2020年E-RSEI及各指标变化情况 Fig. 3 Changes in E-RSEI and its indicators from 1990 to 2020 |
以20%为间隔, 对1990~2020年E-RSEI进行等级划分(图 4), 并统计各生态等级和占比(图 5).31年间, 研究区E-RSEI等级为差的区域面积占比最低, 在5%以下, 呈波动性下降趋势, 主要分布在米缸山以北、彭阳县与泾源县交界处以及研究区东南部; 较差等级区域面积呈持续性下降趋势, 由1990年的22.14%下降至2020年的1.15%; 中等级区域呈先上升后下降趋势, 其面积占比在1996年出现峰值(50.87%), 最低值出现在2020年(18.81%), 空间上由全区均匀分布向东部集中转化; 优良等级区域呈整体向好趋势, 分别由1990年的28.00%和8.66%上升至2020年的44.91%和34.95%, 尤其是2008年以来, 优等级区域大幅度提升, 主要分布在米缸山以南和研究区中东部.31年间, E-RSEI优势区域等级由中等(1990~2002年)向良好等级(2008~2020年)转变.
|
图 4 1990~2020年研究区E-RSEI空间分布 Fig. 4 Spatial distribution of E-RSEI from 1990 to 2020 in the study area |
|
图 5 研究区生态等级面积和比例 Fig. 5 Area and percent change of graded E-RSEI from 1990 to 2020 in the study area |
由图 6(a)可知, 生态环境质量改善地区相对聚集且呈面状分布; 稳定区域相对分散, 呈点状与改善区交错分布; 生态环境质量退化区域面积较小, 主要分布在研究区南部的六盘山国家级森林公园和东南部地区.由表 4可知, 研究区生态环境质量呈改善的区域面积为571.03 km2, 约占总面积的84.22%, 稳定区面积为86.92%, 约占总面积的12.82%, 退化面积为20.04 km2, 约占2.96%.整体而言, 六盘山自然保护区31年间生态环境质量改善区域面积远大于退化区域面积, 表明研究区生态呈改善趋势.
|
图 6 E-RSEI变化趋势空间分布 Fig. 6 Spatial distribution of E-RSEI variation trend |
|
|
表 4 E-RSEI空间变化趋势面积占比 Table 4 Area proportion of E-RSEI spatial variation trend |
由表 4可知, 生态环境质量呈正向持续性变化(Hurst>0.5)的面积为78.69%, 反向持续化(Hurst < 0.5)的面积为8.49%, 说明未来的该区域生态环境质量在短期内将保持现有的发展趋势, 即未来生态环境质量变化呈改善趋势.未来生态环境质量以持续性改善为主, 面积占比76.79%, 生态环境质量呈稳定发展的面积占比为12.82%, 生态环境质量由改善向退化方向变化的面积约占7.43%, 生态环境质量呈持续退化及未来改善的面积占比分别为1.90%和1.06%.由图 6(b)可知, 未来生态环境质量呈持续性改善的区域主要分布于米缸山以北以及研究区东北部彭阳县与泾源县交界处, 稳定区主要分布于米缸山以南国家级森林公园和研究区中东部秋千架地区, 生态环境质量由改善向退化方向变化区域主要分布在研究区中西部海拔较高地区.
如图 6(c)所示, 1990~2020年六盘山自然保护区生态环境质量整体稳定性较好, 平均变异系数为0.031.弱变异等级区域占研究区总面积的98.97%, 中等程度变异主要分布在西北部隆德县边界及东部泾源县边界, 面积占比为1.03%.综上可知, 1990~2020年六盘山自然保护区整体生态系统较为稳定, 但西北部隆德县边界及东部泾源县边界生态环境质量变化较大, 生态系统相对脆弱.
2.4 研究区生态环境质量E-RSEI驱动因子地理探测 2.4.1 单驱动因子影响力探测各因子对生态环境质量空间分布影响程度排序为：NDVI＞NDSI＞LST＞WET＞降水＞气温＞海拔＞植被类型＞坡向＞土壤类型＞夜间灯光＞坡度(图 7), 这进一步说明模型因子中NDVI对生态环境质量的影响力最大, 与熵值法结果一致.在环境与人为驱动因子中, 降水、气温和海拔是区域内生态环境质量空间分布的主要驱动因子, 解释力超过30%; 植被类型和坡向是次影响因子, 解释力在10%以上; 土壤类型、夜间灯光亮度和坡度对生态环境质量解释力较小.
|
图 7 因子探测结果 Fig. 7 Results of factor detector |
由于模型因子本身与E-RSEI关联性较大, 故重点分析了模型因子以外的其他因子的影响力.通过因子探测结果可知, 生态环境质量的驱动因子交互作用均呈增强效应(图 8), 其中79.05%呈双因子增强效应, 20.95%呈非线性增强效应, 不存在独立起作用的因子, 表明任何两个驱动因子的交互作用对六盘山自然保护区生态环境质量空间分布的影响力均大于单一因子.其中, 降水∩气温(q值为0.429)交互作用影响力排名第一, 其次是降水∩坡向(q值为0.407), 降水与其他探测因子交互作用的结果进一步表明降水较大程度影响了该区域的生态环境质量.人类活动的单因子解释力较低, 但是与环境因子的交互作用解释力较强, 表明人类活动是影响生态环境质量空间分异格局的间接因素.
|
图 8 研究区各因子交互探测影响力(q) Fig. 8 Interactive detection explanatory power (q) of various factors in the study area |
根据风险探测器的研究结果, 得到了六盘山生态恢复的最适宜范围(表 5), 且在95%置信水平上通过了统计意义检验.随着降水量、海拔不断增加、气温不断降低, E-RSEI均值呈现增加趋势, 降水量在889.6~936.7 mm、气温在3.6~4.9℃的气候范围内, 海拔在2 552.0~2 942.0 m、坡度在9.1°~17.6°、坡向在西北向292.5°~337.5°的地形因子范围内, 最利于研究区生态的恢复治理; 植被、土壤类型不同, E-RSEI均值也会随之波动变化, 阔叶林植被、山地草甸土的E-RSEI均值最高, 分别为0.748 2和0.684 5; 随着夜间灯光亮度的增强, E-RSEI均值呈下降趋势, 说明在人类活动干扰小的条件下, 生态环境质量状况较好.在模型因子NDVI和WET处于高值、NDSI和LST处于低值时, E-RSEI均值最大, 生态环境质量状况较好.
|
|
表 5 探测指标适应类型或范围 Table 5 Suitable ranges or types of detection indicators |
3 讨论 3.1 E-RSEI模型适用性
RSEI模型因其指标获取简易、无人为权重且结果能够合理反映区域生态状况等优点, 自2013年提出以来被广泛应用[7, 11, 36~38].Li等[39]以平余县为研究区, 解释RSEI计算结果的随机性源于特征向量方向的差异, 指出当NDVI和WET分量的特征向量值小于0时, 需要对PC1进行反转, 这与本研究的计算结果一致.由于主成分分析得到的特征向量方向和大小不唯一且PC1贡献度不稳定[14], 限制了模型的批量使用.本研究结果表明, 基于熵值法计算的E-RSEI结果高于RSEI, 但整体上空间分布趋势与RSEI基本一致.E-RSEI模型既可以保证指标信息被充分利用, 又能够确定结果的方向, 其可以定量地反映生态环境质量空间分布及其变化情况, 为未来学者进行批量计算提供了科学依据.
本研究选取了人类能够直观感受生态优劣的绿度、湿度、干度和热度这4个指标, 虽然这些指标具有较好的代表性, 但在生态评价模型的构建中, 指标的选择会带有一定的主观性, 不同的地区也很难使用统一的指标, 导致其成为多指标建模的难题.因此未来的研究中, 将结合研究区自然基底信息, 对评价指标体系做进一步完善, 全面客观地评价该区的生态环境质量.
3.2 研究区生态环境质量E-RSEI时空分异特征六盘山自然保护区1990~2020年生态环境质量E-RSEI整体呈上升趋势, 该结论同前人研究的结果一致[20].生态向好态势一方面与区域气候环境关联密切[40], 另一方面与区域治理措施密不可分, 过去战争破坏和因人口增加等导致滥垦乱伐, 使该区域生态环境严重恶化.自2000年以来, 得益于三北防护林工程、天然林保护工程、水源涵养林工程、退耕还林工程、400 mm降水线绿化造林工程和“四个一”林草产业示范工程等林业生态工程的相继实施, 以及“山水林田湖草”生态保护修复项目的实行和新时代黄河保卫战的推进, 促进了植被群落的繁衍和演替进程, 从而提高了生态环境质量, 筑牢六盘山生态安全屏障, 这与已有的研究结果一致[41].
生态环境质量E-RSEI呈下降趋势的区域主要分布在六盘山国家级森林公园和东南部地区, 且未来仍存在退化的潜在风险.六盘山国家级森林公园植物群落类型多样, 生态系统稳定, 但对气候变化的响应较为敏感, 气候条件成为影响该区域生态恢复的主要因素; 研究区东南部区域海拔较低, 人类活动和农业活动导致部分地区土壤质地变差、土壤肥力下降、土壤侵蚀和水土流失加剧, 人类活动对该区生态环境的干扰力超过了其生态系统自身的修复力和外界治理力度, 从而导致生态环境质量E-RSEI出现退化.
3.3 研究区生态环境质量E-RSEI驱动因子分析降水、气温和海拔是影响六盘山自然保护区整体生态变化的关键因素, 而气候因子是引起生态环境质量E-RSEI空间分布的主导因素, 该研究结果与前人一致[42, 43].研究区植被覆盖状况NDVI主导生态环境质量, 而植被对气候变化相当敏感, 尤其是在干旱半干旱地区, 气候是对植被具有决定性影响的自然驱动力[44].研究表明, 与气温因素相比, 降水对研究区生态环境质量的影响更为明显, 由于六盘山自然保护区处于半干旱地区, 光照资源丰富, 所以水分条件对生态环境质量空间分布可能更为重要.随着海拔的升高, 六盘山自然保护区降水分布逐渐增大, 气温直减率为0.51℃·(100 m)-1, 因此海拔成为影响生态环境质量的次关键因素.
人类活动对研究区生态环境质量的单因子解释力较低, 这是由于六盘山自然保护区居民点分布较少, 且随着生态旅游的发展逐渐迁出研究区, 但人类活动与环境因子的交互作用解释力显著增强, 说明其是生态环境质量的重要影响因子[45]：一方面, 通过封山禁牧和人工育林等生态工程提高生态环境质量; 另一方面, 滥垦乱伐等活动破坏了当地生态.在今后的研究中, 将会在人为因子中补充政策因素, 更为深入地探究生态环境质量变化的驱动机制.
4 结论(1) 1990~2020年六盘山自然保护区生态环境质量呈增加趋势, 平均增幅为0.066·(10 a)-1, 多年平均E-RSEI为67.5%, 呈现出南高北低、东低西高的空间分布特征.
(2) 31年间研究区生态环境改善区域面积比重达84.22%.未来持续性改善区域面积达76.79%, 但仍有9.33%的区域生态环境存在持续退化或由改善向退化转变的潜在风险, 全面恢复六盘山自然保护区生态依然任重道远.
(3) 降水、气温和海拔是影响区域E-RSEI空间分布的主导因子.因子间的交互作用以双因子增强趋势为主, 其中降水与其他因子的交互作用起主导作用.本文揭示了驱动因子对生态环境质量的影响, 探究了最适宜生态环境质量恢复治理的驱动因子范围.
| [1] |
席建超, 胡传东, 武国柱, 等. 六盘山生态旅游区旅游步道对人类践踏干扰的响应研究[J]. 自然资源学报, 2008, 23(2): 274-284. Xi J C, Hu C D, Wu G Z, et al. Response of Liupan Mountain ecological tourism' trail to human trampling disturbance[J]. Journal of Natural Resources, 2008, 23(2): 274-284. DOI:10.3321/j.issn:1000-3037.2008.02.012 |
| [2] |
吴宜进, 赵行双, 奚悦, 等. 基于MODIS的2006-2016年西藏生态质量综合评价及其时空变化[J]. 地理学报, 2019, 74(7): 1438-1449. Wu Y J, Zhao X S, Xi Y, et al. Comprehensive evaluation and spatial-temporal changes of eco-environmental quality based on MODIS in Tibet during 2006-2016[J]. Acta Geographica Sinica, 2019, 74(7): 1438-1449. |
| [3] | He F H, Gu L J, Wang T, et al. The synthetic geo-ecological environmental evaluation of a coastal coal-mining city using spatiotemporal big data: a case study in Longkou, China[J]. Journal of Cleaner Production, 2017, 142: 854-866. DOI:10.1016/j.jclepro.2016.07.011 |
| [4] | Yang X Y, Meng F, Fu P J, et al. Spatiotemporal change and driving factors of the Eco-Environment quality in the Yangtze River Basin from 2001 to 2019[J]. Ecological Indicators, 2021, 131. DOI:10.1016/j.ecolind.2021.108214 |
| [5] | Ivits E, Buchanan G, Olsvig-Whittaker L, et al. European farmland bird distribution explained by remotely sensed phenological indices[J]. Environmental Modeling & Assessment, 2011, 16(4): 385-399. |
| [6] | Alcaraz-Segura D, Lomba A, Sousa-Silva R, et al. Potential of satellite-derived ecosystem functional attributes to anticipate species range shifts[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 57: 86-92. DOI:10.1016/j.jag.2016.12.009 |
| [7] |
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. Xu H Q. A remote sensing index for assessment of regional ecological changes[J]. China Environmental Science, 2013, 33(5): 889-897. DOI:10.3969/j.issn.1000-6923.2013.05.019 |
| [8] | Wu S P, Gao X, Lei J Q, et al. Ecological environment quality evaluation of the Sahel region in Africa based on remote sensing ecological index[J]. Journal of Arid Land, 2022, 14(1): 14-33. DOI:10.1007/s40333-022-0057-1 |
| [9] |
孔玲玲, 冯险峰, 武爽, 等. 拉萨城市圈1994—2017年生态质量的时空动态监测及驱动力分析[J]. 地理科学进展, 2022, 41(3): 437-450. Kong L L, Feng X F, Wu S, et al. Spatiotemporal dynamics and driving factor analysis of ecological quality change in the Lhasa urban circle from 1994 to 2017[J]. Progress in Geography, 2022, 41(3): 437-450. |
| [10] |
林妍敏, 南雄雄, 胡志瑞, 等. 西北典型生态脆弱区植被覆盖度时空变化及其生态安全评价: 以宁夏贺兰山为例[J]. 生态与农村环境学报, 2022, 38(5): 599-608. Lin Y M, Nan X X, Hu Z R, et al. Fractional vegetation cover change and its evaluation of ecological security in the typical vulnerable ecological region of Northwest China: Helan Mountains in Ningxia[J]. Journal of Ecology and Rural Environment, 2022, 38(5): 599-608. |
| [11] | Jiang F, Zhang YQ, Li J Y, et al. Research on remote sensing ecological environmental assessment method optimized by regional scale[J]. Environmental Science and Pollution Research, 2021, 28(48): 68174-68187. DOI:10.1007/s11356-021-15262-x |
| [12] | Zheng Z H, Wu Z F, Chen Y B, et al. Instability of remote sensing based ecological index (RSEI) and its improvement for time series analysis[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.152595 |
| [13] |
单薇, 金晓斌, 孟宪素, 等. 基于多源遥感数据的土地整治生态环境质量动态监测[J]. 农业工程学报, 2019, 35(1): 234-242. Shan W, Jin X B, Meng X S, et al. Dynamical monitoring of ecological environment quality of land consolidation based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(1): 234-242. |
| [14] | Li Y D, Li Z J, Wang J J, et al. Analyses of driving factors on the spatial variations in regional eco-environmental quality using two types of species distribution models: a case study of Minjiang River Basin, China[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108980 |
| [15] |
程琳琳, 王振威, 田素锋, 等. 基于改进的遥感生态指数的北京市门头沟区生态环境质量评价[J]. 生态学杂志, 2021, 40(4): 1177-1185. Cheng L L, Wang Z W, Tian S F, et al. Evaluation of eco-environmental quality in Mentougou District of Beijing based on improved remote sensing ecological index[J]. Chinese Journal of Ecology, 2021, 40(4): 1177-1185. |
| [16] |
宋美杰, 罗艳云, 段利民. 基于改进遥感生态指数模型的锡林郭勒草原生态环境评价[J]. 干旱区研究, 2019, 36(6): 1521-1527. Song M J, Luo Y Y, Duan L M. Evaluation of ecological environment in the Xilin Gol Steppe based on modified remote sensing ecological index model[J]. Arid Zone Research, 2019, 36(6): 1521-1527. |
| [17] |
顾晓昀, 徐宗学, 刘麟菲, 等. 北京北运河河流生态系统健康评价[J]. 环境科学, 2018, 39(6): 2576-2587. Gu X Y, Xu Z X, Liu L F, et al. Health assessment of the stream ecosystem in the north canal river basin, Beijing, China[J]. Environmental Science, 2018, 39(6): 2576-2587. |
| [18] |
杜鑫, 赵鹏祥, 陈海波, 等. 六盘山自然保护区38年来植被覆盖与气候变化关系分析[J]. 安徽农业科学, 2011, 39(11): 6558-6561, 6601. Du X, Zhao P X, Chen H B, et al. Analysis on relationship between the change of vegetation coverage and climate in Liupan mountain nature reserve during recent 38 years[J]. Journal of Anhui Agricultural Sciences, 2011, 39(11): 6558-6561, 6601. |
| [19] |
刘学琴, 贺达汉, 王新谱. 宁夏六盘山国家级自然保护区眼蝶群落多样性[J]. 生物多样性, 2020, 28(8): 973-982. Liu X Q, He D H, Wang X P. Diversity of satyrinae in the Liupanshan national nature reserve of Ningxia[J]. Biodiversity Science, 2020, 28(8): 973-982. |
| [20] |
曾锦源, 胡洁, 宋景舒, 等. 宁夏六盘山国家级自然保护区林下鸟兽多样性调查[J]. 生态与农村环境学报, 2022, 38(2): 209-216. Zeng J Y, Hu J, Song J S, et al. A survey of mammal and bird diversity using camera-trapping in Liupanshan national nature reserve in Ningxia[J]. Journal of Ecology and Rural Environment, 2022, 38(2): 209-216. |
| [21] | Xu H Q, Wang Y F, Guan H D, et al. Detecting ecological changes with a remote sensing based ecological index (RSEI) produced time series and change vector analysis[J]. Remote Sensing, 2019, 11(20). DOI:10.3390/rs11202345 |
| [22] |
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. Yang Z K, Tian J, Li W Y, et al. Spatio-temporal pattern and evolution trend of ecological environment quality in the Yellow River Basin[J]. Acta Ecologica Sinica, 2021, 41(19): 7627-7636. |
| [23] |
孙从建, 李晓明, 张文强, 等. 基于遥感信息的吕梁山贫困区生态安全评价[J]. 中国环境科学, 2019, 39(12): 5352-5360. Sun C J, Li X M, Zhang W Q, et al. Evaluation of ecological security in poverty-stricken region of Lüliang Mountain based on the remote sensing image[J]. China Environmental Science, 2019, 39(12): 5352-5360. |
| [24] | Huang Y L, Wang J Q, Li J M, et al. Ecological and environmental damage assessment of water resources protection mining in the mining area of Western China[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108938 |
| [25] |
农兰萍, 王金亮. 基于RSEI模型的昆明市生态环境质量动态监测[J]. 生态学杂志, 2020, 39(6): 2042-2050. Nong L P, Wang J L. Dynamic monitoring of ecological environment quality in Kunming based on RSEI model[J]. Chinese Journal of Ecology, 2020, 39(6): 2042-2050. |
| [26] |
马晓妮, 任宗萍, 谢梦瑶, 等. 砒砂岩区植被覆盖度环境驱动因子量化分析——基于地理探测器[J]. 生态学报, 2022, 42(8): 3389-3399. Ma X N, Ren Z P, Xie M Y, et al. Quantitative analysis of environmental driving factors of vegetation coverage in the Pisha sandstone area based on geodetector[J]. Acta Ecologica Sinica, 2022, 42(8): 3389-3399. |
| [27] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [28] | Yu H C, Bian Z F, Mu S G, et al. Effects of climate change on land cover change and vegetation dynamics in Xinjiang, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(13). DOI:10.3390/ijerph17134865 |
| [29] | Hurst H E. Methods of using long-term storage in reservoirs[J]. Proceedings of the Institution of Civil Engineers, 1956, 5(5): 519-543. |
| [30] | Deng X J, Hu S, Zhan C S. Attribution of vegetation coverage change to climate change and human activities based on the geographic detectors in the Yellow River Basin, China[J]. Environmental Science and Pollution Research, 2022, 29(29): 44693-44708. |
| [31] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [32] |
彭文甫, 张冬梅, 罗艳玫, 等. 自然因子对四川植被NDVI变化的地理探测[J]. 地理学报, 2019, 74(9): 1758-1776. Peng W F, Zhang D M, Luo Y M, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan Province[J]. Acta Geographica Sinica, 2019, 74(9): 1758-1776. |
| [33] | Duan Q W, Tan M H. Using a geographical detector to identify the key factors that influence urban forest spatial differences within China[J]. Urban Forestry & Urban Greening, 2020, 49. DOI:10.1016/j.ufug.2020.126623 |
| [34] |
徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740. |
| [35] | Zhu L J, Meng J J, Zhu L K. Applying Geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin[J]. Ecological Indicators, 2020, 117. DOI:10.1016/j.ecolind.2020.106545 |
| [36] |
潘洪义, 李加安, 张琴. 基于RSEI的地震区生态环境质量恢复研究——以汶川县为例[J]. 长江流域资源与环境, 2021, 30(3): 745-757. Pan H Y, Li J A, Zhang Q. Study on restoration of ecological environment quality in earthquake area based on RSEI: a case study of Wenchuan county[J]. Resources and Environment in the Yangtze Basin, 2021, 30(3): 745-757. |
| [37] |
苏朔, 宫兆宁, 张文静, 等. 北运河流域植被覆盖度变化及其生态环境质量评估[J]. 环境科学学报, 2022, 42(1): 19-27. Su S, Gong Z N, Zhang W J, et al. Change of vegetation coverage and assessment of ecological environment quality in Beiyun River Basin[J]. Acta Scientiae Circumstantiae, 2022, 42(1): 19-27. |
| [38] |
田智慧, 尹传鑫, 王晓蕾. 鄱阳湖流域生态环境动态评估及驱动因子分析[J]. 环境科学, 2023, 44(2): 816-827. Tian Z H, Yin C X, Wang X L. Dynamic monitoring and driving factors analysis of ecological environment quality in Poyang Lake Basin[J]. Environmental Science, 2023, 44(2): 816-827. |
| [39] | Li N, Wang J Y, Qin F. The improvement of ecological environment index model RSEI[J]. Arabian Journal of Geosciences, 2020, 13(11). DOI:10.1007/s12517-020-05414-7 |
| [40] | Gu Z J, Duan X W, Shi Y D, et al. Spatiotemporal variation in vegetation coverage and its response to climatic factors in the Red River Basin, China[J]. Ecological Indicators, 2018, 93: 54-64. |
| [41] |
王一超, 郝海广, 翟瑞雪, 等. 农户退耕还林生态补偿预期及其影响因素——以哈巴湖自然保护区和六盘山自然保护区为例[J]. 干旱区资源与环境, 2017, 31(8): 69-75. Wang Y C, Hao H G, Zhai R X, et al. Determinants of farm households' ecological compensation expectation to the Grain for Green Project: an empirical analysis based on Haba Lake National Nature Reserve and Liupanshan Mountain National Nature Reserve[J]. Journal of Arid Land Resources and Environment, 2017, 31(8): 69-75. |
| [42] |
王建, 赵牡丹, 李健波, 等. 基于MODIS时序数据的秦巴山区生态环境质量动态监测及驱动力分析[J]. 山地学报, 2021, 39(6): 830-841. Wang J, Zhao M D, Li J B, et al. Dynamic monitoring and driving forces of eco-environmental quality in the Qinba Mountains based on MODIS time-series data[J]. Mountain Research, 2021, 39(6): 830-841. |
| [43] |
戴君虎, 王红丽, 王焕炯, 等. 六盘山景观格局及与主要气候因子的关系[J]. 地理研究, 2013, 32(12): 2222-2232. Dai J H, Wang H L, Wang H J, et al. Studies on landscape pattern of Liupan Mountains and the relationship with main climate factors[J]. Geographical Research, 2013, 32(12): 2222-2232. |
| [44] |
李晓东, 傅华, 李凤霞, 等. 气候变化对西北地区生态环境影响的若干进展[J]. 草业科学, 2011, 28(2): 286-295. Li X D, Fu H, Li F X, et al. Research progress on effects of climate change on ecological environment in Northwest China[J]. Pratacultural Science, 2011, 28(2): 286-295. |
| [45] |
邓晨晖, 白红英, 高山, 等. 秦岭植被覆盖时空变化及其对气候变化与人类活动的双重响应[J]. 自然资源学报, 2018, 33(3): 425-438. Deng C H, Bai H Y, Gao S, et al. Spatial-temporal variation of the vegetation coverage in Qinling Mountains and its dual response to climate change and human activities[J]. Journal of Natural Resources, 2018, 33(3): 425-438. |