2. 内蒙古师范大学内蒙古节水农业工程研究中心, 呼和浩特 010022;
3. 内蒙古自治区环境监测总站呼和浩特分站, 呼和浩特 010022
2. Inner Mongolia Water Saving Agricultural Engineering Research Center of Inner Mongolia Normal University, Hohhot 010022, China;
3. Inner Mongolia Autonomous Region Environmental Monitoring Station Hohhot Branch, Hohhot 010022, China
生态环境安全是国家安全的重要组成部分, 是功在当代、利在千秋的事业, 是人类生存的基本保障, 是经济社会持续健康发展的重要保障.“生态兴则文明兴、生态衰则文明衰”, 面对生态环境问题的严峻挑战, 开展生态环境质量监测评估对生态环境保护政策的制定有重要借鉴价值[1].习近平总书记在内蒙古代表团审议团会议上多次强调了新时代生态环境保护的极端重要性, 就保持加强生态文明建设, 加大生态系统保护力度, 守护好祖国北疆亮丽风景线做出重要指示[2].内蒙古自治区是我国北方的重要生态屏障, 其宏观生态系统状况不仅关系民众生存和生计, 而且关系华北、东北、西北乃至全国的生态安全[3].内蒙古自治区大面积区域处于中国北方干旱和半干旱区, 是典型的生态环境脆弱带[4], 开展干旱和半干旱区生态环境质量监测评估对内蒙古生态环境保护政策的制定有重要参考意义.
生态环境质量评价方法主要分为:单因子变化分析和多因子变化综合分析.与单因子分析相比, 多因子综合分析更加全面和准确.近年来, 学者们提出了多种评价指标体系, 其中徐涵秋的遥感生态指数(remote sensing ecological index, RSEI)[5]具有指标多样性、权重客观性和结果可视性等优点.其基本思想是通过主成分分析[6]将各指标对RSEI的贡献由其向量加载到PC1进行加权, 避免了固定权重的主观分配, 最大限度地减少权重定义中其他属性引起的误差.因此, RSEI具有鲁棒性[7], 且能快速、客观和定量地对区域生态环境进行评价[8], 国内外学者已将其应用于不同的区域进行生态环境评价[9~15], 也不乏学者对其进行了不同角度的改进[16~19].
流域作为综合区域环境特征的生态单元, 既能与外界进行物质、能量和信息交换, 同时又具有清晰边界且相对封闭的独立单元, 被众多学者认为是生态学理论研究与实际应用相结合后最适宜实验地.冯荣荣等[20]对沣河流域近20年生态环境时空变化特征及其集聚分布模式、影响区域生态环境的主导因子和交互因子展开探究;Liu等[21]利用RSEI对库耶河流域进行了生态环境质量评价;Dong等[22]选取RSEI对洱海流域2000~2020年的生态环境质量进行分析;Luo等[23]通过GEE平台计算乌兰木伦河流域2000~2020年RSEI空间分布;陈丽红等[24]对1987~2017年疏勒河流域的生态环境质量进行综合评价及驱动力分析.针对干旱区土壤盐碱化和沙化等问题, 不少学者针对干旱和半干旱区域的RSEI进行了改进与适用性研究.张伟等[25]引入综合盐度指标CSI和水网密度遥感估算模型EMW提出的改进型遥感生态指数ERSEI;第五泾渭等[26]利用绿度、湿度、盐度和沙度指数耦合构建了半干旱地区遥感生态指数SARSEI;王杰等[27]加入土地退化度构建了干旱遥感生态指数ARSEI;刘尚钦等[28]从生态因子选择与耦合方法两方面对其进行了优化, 构建了绿洲遥感生态指数ORSEI;罗镕基等[29]引入荒漠化指数, 构建了干旱遥感生态指数DRSEI.针对干旱区流域, 颉金凤等[30]基于绿度、湿度、热度、盐度和荒漠化程度这5个指标, 构建了改进遥感生态指数IRSEI, 并对2000~2020年石羊河流域生态环境质量进行评价.
呼伦湖、乌梁素海和岱海是内蒙古重要的三大淡水湖, 在调节气候、修复生态和涵养水源方面发挥着重要作用, 对区域经济发展和环境改善都起着举足轻重的作用, 但由于其生态脆弱性, 使得内陆湖泊对气候和人类活动的变化响应十分敏感[31].岱海作为内蒙古“一湖两海”的重要组成, 其流域是干旱和半干旱地区东部边缘典型内陆封闭流域, 自然条件决定了生态环境脆弱, 同时这种独特条件下的环境演替往往具有不可逆转性[32].近年来, 岱海环境不断恶化, 表现为湖泊水位下降, 湖水咸化, 营养物质含量升高以及水生生物种类减少等[31], 不少学者对此展开了研究[33~35], 而针对岱海流域的生态环境质量评价鲜见报道.因此, 本文基于RSEI模型, 引入盐度指标NDSI构建干旱区流域遥感生态指数(AWRSEI)作为流域的评价指标, 以2014年岱海流域为例分析了AWRSEI的适用性.基于AWRSEI模型, 采用4期Landsat TM/OLI合成影像, 对2001~2020年岱海流域的生态环境质量进行定量评价, 以可视化形式展现流域生态环境质量时空分布特征;同时通过变异系数、空间自相关分析流域生态环境质量时空演变规律, 并通过地理探测器进行成因分析和驱动因子解释力分析, 进一步探究影响该流域生态环境演变的重要因素, 以期为岱海流域生态环境定量动态监测提供新思路, 并为岱海流域生态环境整治以及可持续发展政策制定和规划治理提供科学依据.
1 材料与方法 1.1 研究区概况岱海位于内蒙古自治区乌兰察布市凉城县境内, 是半干旱地区典型内陆湖, 湖水补给主要依靠湖区降水和地表径流以及地下径流, 消耗主要是湖面的垂直蒸发.岱海流域(112°16'~112°59'E, 40°11'~40°48'N, 图 1)总面积达2 341.67 km2, 地处蒙晋交界, 流域北部、西部及西南部为黄河流域, 东南部与海河流域相接, 东北部为内陆河流域黄旗海水系.岱海流域是典型内陆封闭小流域, 属黄土高原小流域生态系统, 是京津冀地区生态屏障的重要组成部分.流域以中低山地、丘陵和陷落盆地平原为主, 主要分布有典型草原植被、高山草甸植被、沼泽植被等, 属温带半干旱大陆性季风气候, 年平均气温5.1℃, 多年平均降水量392 mm, 年平均蒸发量高达1 938 mm.流域涉及12个乡镇区, 分别为凉城县的六苏木镇、长汉营乡、曹碾满族乡、天成乡、岱海林场、岱海循环工业发展区、岱海旅游办事处、岱海镇和麦胡图镇, 卓资县的大榆树乡和十八台镇, 丰镇市的三义泉镇[36~39], 约有16.5万人口, 主要从事农业与畜牧业生产.
本研究选用数据包括:遥感影像数据数字、高程模型数据(DEM)和人口密度、GDP、土地利用数据和气象数据等辅助数据, 各数据主要信息见表 1.预处理中辐射定标是将遥感影像的DN值转换为传感器处反射率;FLAASH大气校正则为了消除大气和光照等因素对地物反射影响, 以减少不同时期影像在光照和大气等条件产生的差异;剪裁所使用的边界来源为ArcGIS水文分析提取的岱海流域边界.由于中国科学院资源环境科学与数据中心未公布2019年降水和蒸发数据, 使用2020年数据替代, 其余数据均为2000年和2019年数据.
1.3 研究方法 1.3.1 AWRSEI模型
干旱区流域遥感生态指数(AWRSEI)是针对陆地开发的生态指数, 大面积水域会对真实地面湿度以及主成分的载荷产生影响, 需先剔除大面积水域.本研究选用归一化水体指数(NDWI)获取流域内的水体掩模.
(1) |
式中, ρGreen为绿波段反射率;ρNIR为近红外波段反射率.
针对干旱区流域生态系统的基本组成, 以流域地表生态环境动态监测为导向, 选取绿度、湿度、干度、热度和盐度这5个生态因子为主要指标, 计算公式如表 2所示.其中, 绿度、湿度、干度和热度主要参考徐涵秋的遥感生态指数[5].盐度为本研究新引入的反映土壤盐分含量的指标, 由土壤盐度指数(NDSI)代表[41, 42].
AWRSEI通过主成分分析(PCA), 将5个指标信息集中到第一主成分上, 以单一指标形式呈现.为了避免指标量纲不统一对权重的影响, 在进行主成分分析之前需对各指标进行归一化.公式如下:
(2) |
式中, NIi为各指标的归一化结果;Ii为各指标在第i个像元值;Imax和Imin分别为各指标的最大值和最小值.
采用主成分分析法对归一化和剔除异常值处理后5个生态指数进行耦合, 得到第一主成分PC1, 即未经标准化处理的初始遥感生态指数AWRSEI0.对AWRSEI0进行标准化处理, 得到AWRSEI, 计算公式如下:
(3) |
(4) |
式中, AWRSEI0max和AWRSEI0min分别为AWRSEI0的最大值和最小值, AWRSEI值为[0, 1], 数值越接近1表示生态环境质量越好.
1.3.2 变异系数变异系数[49]是以标准差和平均值之间的关系来反映因变量的变化程度, 可用来反映多年生态环境质量年际变化的稳定程度.该值越大, 离散程度越大, 稳定性越低[50].计算公式为:
(5) |
式中, CV为变异系数;SD为某指标每一栅格的多年标准差;
空间自相关常被用于研究时空格局演变, 分为全局自相关和局部空间自相关两种类型[51].全局自相关是在整个研究区域内对地理要素进行空间特征性描述, 通常采用全局指数(global Moran's)来分析总体空间关联程度与空间差异性.计算模型为:
(6) |
式中, n为流域像元总数;m为像元单元i的邻近单元个数;Wij为空间权重矩阵W中的元素, 当像元单元i与j相邻时, Wij = 1, 反之Wij = 0;xi和xj分别为AWRSEI在空间地域单元i和j上的观测值;x为流域AWRSEI均值.Moran's I指数的取值范围为[-1, 1], Moran's I > 0表示空间正相关, 值越大, 正相关性越显著, 空间聚集性越强;Moran's I = 0表示空间不相关, 空间单元随机分布;Moran's I < 0, 则表示空间负相关, 值越小, 负相关性越显著, 空间差异性越大.
为进一步揭示流域生态环境质量的高⁃高和低⁃低空间集聚区, 了解生态环境质量局部的空间分布特征, 采用局部指数(local Moran's)进行局部空间自相关分析[52].计算模型为:
(7) |
式中各参数含义同式(6).
1.3.4 地理探测器地理探测器是王劲峰等[53]提出的探测空间分异性及揭示背后驱动因子的一种统计学方法, 其核心思想是通过分析变量空间异质性来定量探测自变量对因变量的影响程度, 已在生态环境方面得到了广泛应用.参考已有研究成果[30, 54, 55], 本研究采用地理探测器中的因子探测器和交互作用探测器来揭示影响岱海流域AWRSEI变化主导生态因子并进行驱动因子量化分析.因子探测器, 探测各因子变化趋势对AWRSEI变化趋势的影响大小或解释力大小, 模型如下:
(8) |
式中, h为因子;L为因子的分层数;Nh和N分别为各因子的层h和整个流域的样本数;σh和σ分别为层h和4期遥感影像的AWRSEI所有像元的方差.q为各因子对流域AWRSEI的解释力, 值域为[0, 1], 该值越大, 说明该因子对AWRSEI变化的解释力越强.
交互作用探测器, 用于判断不同因子对AWRSEI变化的交互作用.通过比较在单因子作用时的q值、2个单因子的q值之和与双因子交互作用时的 q值, 根据三者之间的大小关系, 将交互作用类型分为5类, 如表 3所示.
2 结果与分析 2.1 AWRSEI模型验证 2.1.1 AWRSEI数据相关性分析
本研究对岱海流域的NDVI、WET、NDBSI、LST、NDSI和AWRSEI在ArcGIS中进行采样点间隔500 m全区均匀采样, 获得8 662个样本.通过分析各生态因子之间相关性, 来判定AWRSEI指数与各因子相关性和综合代表程度, 并对其进行数据质量检验, 结果如图 2.
由图 2可知, AWRSEI服从正态分布, 能全面反映一定区域内生态环境状况.NDVI和WET与AWRSEI的Pearson相关系数均为0.926;NDBSI、LST和NDSI与AWRSEI的Pearson相关系数分别为-0.962、-0.579和-0.971, 均通过了P < 0.01显著性检验.AWRSEI指数与5个指标分量显著相关, 比NDVI、WET、NDBSI、LST和NDSI这5个指标分量的任一单指标分量更具代表性, 能综合反映生态环境状况.
2.1.2 AWRSEI模型验证分析RSEI和AWRSEI中各生态因子的主成分分析结果如表 4所示.AWRSEI的PC1贡献率为80.04%, 比RSEI高3.69%, 包含了更多信息.RSEI和AWRSEI各指标贡献率都仅在第一主成分上有着相同正负分布, 且与图 2相关分析的正负贡献具有一致性, 具体为NDVI和WET在第一主成分上贡献率为正值, NDBSI、NDSI和LST为负值, 表明NDVI和WET对生态环境改善起促进作用, NDBSI、NDSI和LST对生态环境改善起抑制作用, 与实际情况相符.AWRSEI的5个指标分量对PC1的荷载值绝对值排序为:NDBSI(-0.552) > NDSI(-0.536) > NDVI(0.447) > WET(0.384) > LST(-0.248), 这与RSEI的4个指标排序一致且与现实中5个指标对生态环境影响相符合.综合表明, 第一主成分可以很好地集成5个指标分量信息, AWRSEI模型采用PCA的方法来耦合5个指标分量可全面反映生态环境综合状况.
2.1.3 RSEI和AWRSEI模型对比分析
岱海流域内RSEI和AWRSEI评价结果如图 3所示.从中可知, RSEI和AWRSEI对岱海流域生态环境监测的大致趋势一致, 但在空间分布和程度上存在差异.
为了更好地分析RSEI和AWRSEI在评价岱海流域生态环境质量方面的差异, 参考2006年颁布的《生态环境状况评价技术规范》(HJ/T 192-2006)[56], 依据RSEI和AWRSEI指数值划分为5个等级:差[0, 0.2)、较差[0.2, 0.4)、一般[0.4, 0.6)、良[0.6, 0.8)和优[0.8, 1], 并通过对岱海流域湖区周边、耕地、林地、建筑用地和未利用地进行对比, 量化分析RSEI和AWRSEI的差异, 结果见图 4和图 5.
岱海湖区周边由于湖泊面积缩小而导致湖泊周边土壤盐碱化, AWRSEI与RSEI相比更为完整地显示了岱海湖区周边盐碱土的轮廓特征与分布形态, 湖区周边RSEI均值为0.428[图 5(a)], AWRSEI均值为0.405, 对比图像纹理可知AWRSEI细节突出.岱海流域内广泛分布着植被, 针对耕地和林地而言, 耕地的RSEI均值为0.602[图 5(b)], AWRSEI均值为0.627, 林地RSEI均值为0.638[图 5(c)], AWRSEI均值为0.682, 与RSEI相比, AWRSEI突出了植被覆盖, 增强了植被与周边不同地类的对比度.图 5(d)主要包括了建筑用地, 其RSEI均值为0.283, AWRSEI均值为0.223, 对比可知AWRSEI中建筑用地轮廓提取更精确.图 5(b)中, RSEI未提取出的道路在AWRSEI中可以明显被识别.未利用地RSEI均值为0.455[图 5(e)], AWRSEI均值为0.433, 对比可知AWRSEI对盐碱地监测更加灵敏.总体而言, AWRSEI比RSEI对植被更加敏感, 对建筑用地和盐碱土分辨能力更强, 生态环境质量评价结果与真实地表情况更为接近.
2.2 岱海流域生态环境质量综合分析 2.2.1 生态因子主成分分析由表 5可知, 4期的第一主成分(PC1)贡献率均大于74%, 且各生态因子PC1贡献率在第一主成分上有着相同正负分布.5个生态因子对PC1荷载值均值绝对值排序为:NDVI(0.505) > NDBSI(-0.538) > NDSI(-0.514) > WET(0.353) > LST(-0.178), 这与现实中5个指标对生态环境影响相符合.综合表明, PC1可以很好地集成5个指标分量信息, 本研究区可采用第一主成分PC1来提取AWRSEI, 能够全面反映岱海流域生态环境的综合状况.
2.2.2 生态环境质量时空变化分析
为了更好地分析岱海流域的生态环境质量, 对岱海流域AWRSEI指数进行分级, 见图 6.在此基础上统计岱海流域各年生态环境质量等级累计比例及均值[56], 见表 6.
通过统计岱海流域2001~2020年AWRSEI值发现, AWRSEI值位于等级优(0.8~1)的比例较少, 流域生态环境质量基础较差.2001~2020年AWRSEI指数年均值为0.427;2020年岱海流域均值达峰值为0.502, 生态环境质量最佳;而2001年生态环境质量最差, AWRSEI均值为0.377. 20年间, 整体生态环境质量明显好转, 等级差和良的面积占比变化显著, 等级差占比减少了20.51%, 等级良占比增加了12.71%.总体而言, 2001~2020年AWRSEI的均值呈现波动上升趋势, 并且在2020年均值达到最高, 说明研究期内岱海流域生态环境质量呈现改善趋势.
从空间变化角度分析, 岱海生态环境质量总体处于较差水平.生态环境质量等级较差和差的区域主要分布在凉城县城、湖区周边、流域北部中海拔地区和南部中海拔地区, 这些区域海拔相对较低, 人类活动频繁.生态环境质量等级良和优的区域主要分布在流域南部和西北部高海拔地区, 这些区域主要为林地, 植被覆盖率高且人类活动少.总体而言, 生态环境质量等级以较差和一般等级为主, 平均占比为35.745%和27.883%.其中, 等级差和较差主要分布于中海拔地区;等级良和等级优面积占比最少, 主要分布于高海拔地区林地和低海拔耕地.
2.2.3 生态环境质量等级转移分析为突出岱海流域AWRSEI指数变化情况, 本研究对4期岱海流域的AWRSEI指数进行了差值处理.差值结果级差范围为[-4, 4], 其中, -4和-3为明显恶化, -2和-1为轻微恶化, 0为不变, 1和2为轻微改善, 3和4为明显改善, 共5个等级变化, 通过正负将等级变化分为恶化、不变和改善这3大类, 见图 7和图 8.
统计分析表明, 生态环境质量以改善为主.2001~2020年生态环境质量改善区域占比54.48%, 主要分布在中高海拔地区;生态环境质量恶化区域占比12.23%, 主要分布在湖区周边和西北部中高海拔区域.其中, 2009年到2014年, 恶化区域占比26.82%, 为4期影像中恶化占比最高, 主要区域集中在凉城县城和湖区周边.2014年到2020年生态环境整体变化最明显, 改善区域占比47.11%.总体来看, 生态环境质量改善区域远大于恶化区域, 岱海流域生态环境质量有所改善.
2.2.4 生态环境质量变异波动分析为直观表示生态环境质量变化稳定性, 通过计算2001~2020年岱海流域AWRSEI的变异系数CV反映生态环境质量波动程度, 并将变异系数CV在ArcGIS中通过自然间断点划分为低波动、较低波动、中波动、较高波动和高波动这5个等级, 结果见图 9.
2001~2020年岱海流域生态环境质量变异系数CV最高值1.730, 平均值0.280, 表明生态环境质量状况较为稳定.图 9显示, 生态环境质量变异程度低波动、较低波动、中波动、较高波动和高波动区域面积占比分别为11.61%、30.36%、30.69%、19.41%和7.93%.低波动和较低波动区域主要分布在高海拔林地和低海拔耕地区域;中波动区域分布在流域中海拔区域;较高波动和高波动区域主要分布在湖区南侧和居民点区域.整体而言, 岱海流域除居民点区域和湖区南侧外, 大部分地区生态环境质量波动较小.
2.2.5 生态环境质量空间相关性分析地理学第一定律指出, 任何事物间都有联系且距离相近的事物联系更为密切, 表现出事物的联系性特征.与此同时, 具有空间特性的事物也表现出空间分异性.为了分析岱海流域AWRSEI的空间联系与分异性, 将AWRSEI在ArcGIS中转为250 m×250 m的矢量点数据, 通过空间自相关检验后, 使用聚类和异常值工具分析岱海流域AWRSEI指数的空间自相关并绘制LISA聚类[57, 58], 结果见图 10.
图 10表明, 4期岱海流域Moran's I指数和z得分均表示Moran's I指数显著, 通过了显著性水平5% 的检验, 说明岱海流域生态环境质量空间分布存在显著相关性.整体上岱海流域生态环境质量高⁃高集聚区主要分布在高海拔林地区域和低海拔耕地区域;低-低集聚区零星分布在中海拔区域.2009年之前岱海流域生态环境质量空间分布较稳定, 2009年后高-高聚类区范围扩大, 但内部高-低异常区明显增多, 表明2009~2020年生态环境质量等级良的区域高⁃高集聚的稳定性变差.从局部来看, 变化最明显区域有流域北部中海拔区域和南部中高海拔区域.北部中海拔区域呈现低-低集聚区域扩大, 生态环境质量变差.南部中高海拔区域2001年和2014年呈现不显著的高-高集聚的空间集聚状况, 而2009年和2020年高-高集聚范围扩大, 表明此区域的生态环境质量稳定性极差, 极易受到自然及人为因素的扰动.
2.3 岱海流域生态环境质量变化原因分析为了更好地分析岱海流域生态环境质量变化, 本研究利用地理探测器揭示NDVI、WET、NDBSI、LST和NDSI在4期影像中生态环境质量变化的解释力强度.在ArcGIS将4期影像的因变量和自变量使用1 km×1 km格网重采样工具统一各因子尺度, 获得2 166个采样点, 并采用自然间断法重分类为6类后通过地理探测器分析[55], 得到各生态因子对岱海流域生态环境的解释程度.
2.3.1 单因子探测分析由表 7和表 8可知, 所有探测因子P值均小于0.01, 表明所选探测因子均通过显著性检验, 可作为影响因素进行成因分析.2001年、2009年、2014年和2020年岱海流域NDVI、NDBSI和NDSI是AWRSEI的主导因子, LST解释力最低.2001~2020年岱海流域NDVI提升0.262, NDBSI和NDSI分别下降0.081和0.261.NDVI与AWRSEI变化趋势一致, 呈现“先下降后上升”趋势;NDBSI与AWRSEI变化趋势相反, 呈现“先上升后下降”趋势;NDSI呈现“波动下降”的趋势.整体而言, 岱海流域生态环境提升主要由于植被归一化指数提高, 土壤干度和盐度的降低.
2.3.2 交互式探测分析
将2001、2009、2014和2020年岱海流域因变量AWRSEI与5个自变量进行交互式探测分别得到15种结果, 探测结果均为双因子和非线性增强两类, 表明交互式探测作用效果高于单个因子作用效果.
图 11结果表明, 岱海流域4期影像中NDVI和NDBSI的组合是交互作用最强组合, q值最高达0.970, 即NDVI显著变化增加了NDBSI作为自变量对生态环境的解释力.此外, NDVI与其他因子交互作用也产生了较高的q值, 表明岱海流域生态环境是由多个因子相互作用的, 而不是简单的叠加或者独立影响.
为探究岱海流域生态环境质量变化的驱动机制, 根据流域近年来演变特征并参考已有研究成果, 本研究选取2001年和2020年气象因子、地形因子和人类活动这3个方面因素, 利用地理探测器揭示其对岱海流域生态环境质量变化的解释力[31].岱海流域是半干旱区封闭小流域, 无人工生态补水, 降水和蒸发波动对该流域生态环境变化影响显著, 故本研究采用降水(pre)和蒸发(evp)两个指标代表气象因子.由于地形、地貌在不同海拔段的变化, 加之坡向的分异, 形成了岱海流域地理生态环境差异性, 故本研究利用海拔(dem)、坡度(slope)和坡向(aspect)这3个指标代表地形因子.为了更好地分析人类活动对岱海流域生态环境质量的影响, 本研究采用人口密度(pop)、国内生产总值(GDP)和土地利用(lucc)这3个指标代表人类活动.在ArcGIS将8个的因变量和自变量统一尺度后采用自然间断法重分类为4~9类后通过地理探测器分析[55], 得到各驱动因子对岱海流域生态环境的解释程度.
2.4.1 单因子探测分析因子探测结果表明(表 9), 岱海流域生态环境质量受自然因素和人为因素共同影响, 不同驱动因子对AWRSEI空间分布的解释力有明显差异.除坡向外, 所有探测因子P值均小于0.05, 表明所选探测因子均通过显著性检验, 可作为影响因素进行分析.2001和2020年岱海流域土地利用是AWRSEI的主导因子, q值达0.328, 说明土地利用在岱海流域生态环境质量中起到较明显的解释作用, 且相较于2001年, 2020年土地利用的q值增长100.056%.20年间, 气象因子和地形解释力有所下降, 人类活动解释力明显上升.整体而言, 岱海流域生态环境变化主要受人类活动影响.
此外, 将AWRSEI均值与地形因子进行叠加分析[59], 结果如图 12所示.分析表明, AWRSEI均值随着海拔升高呈现先降低再升高的趋势, 与2.2.2节AWRSEI时空变化分析中的结果一致.在海拔1 400~1 500 m时最低, 随着海拔的升高, AWRSEI均值逐渐升高, 在海拔2 000~2 121 m时达到最大(0.580).AWRSEI均值随着坡面角度变大, 面积占比逐渐减少.AWRSEI均值在坡度小于6°时, 变化趋势与坡度成反比;当坡度大于6°时, AWRSEI均值变化趋势与坡度成正比.AWRSEI均值在平面的值最大(0.490), 说明平地生态环境质量相对好, 这与耕地分布高度一致.阴坡与阳坡的AWRSEI均值分别为0.426和0.422, 即AWRSEI在阴坡和阳坡的差别不大.
将2001年和2020年岱海流域的AWRSEI与驱动因子进行交互式探测分别得到36种结果, 探测结果均为双因子和非线性增强两类, 表明交互式探测作用效果要高于单个因子作用效果.图 13结果表明, 2001年土地利用和海拔、气象因子的组合是交互作用最强组合, 即土地利用显著变化增加了海拔、降水和蒸发作为自变量对生态环境的解释力.2020年土地利用和降水的组合是交互作用最强组合, q值最高达0.384, 即土地利用显著变化增加了降水作为自变量对生态环境的解释力.土地利用与其他因子交互作用也产生了较高的q值, 这也表明岱海流域生态环境是由多个因子相互作用的, 而不是简单的叠加或者独立影响.
AWRSEI指数从干旱区流域生态特性出发, 有效集成了绿度、湿度、干度、热度以及盐度这5个生态指标, 相较于任一单指标分量更具代表性, 且相较于RSEI更适用于干旱区流域, 能综合反映生态环境状况.本研究结果表明, AWRSEI各生态因子的平均相关系数为0.860, 比单个指标分量更具代表性.AWRSEI引入盐度指标后第一主成分的荷载值正负和排序与RSEI一致, 这与其他学者对RSEI的研究结论一致[60], 其特征值贡献率比RSEI高3.69%, 即AWRSEI包含了更多信息.相较于RSEI, AWRSEI对植被更加敏感, 对建筑用地和未利用地(盐碱土)的分辨能力更强, 适合干旱区流域生态环境质量评价.
3.2 岱海流域生态环境质量时空变化特征基于AWRSEI模型, 本研究对岱海流域2001~2020年生态环境质量进行了评价.结果表明, 2001~2020年岱海流域AWRSEI均值介于0.377~0.502, 流域整体生态环境质量较差.流域生态环境质量总体呈现先减小后上升的趋势, 生态环境质量改善区域远大于恶化区域, AWRSEI均值呈上升趋势, 生态环境质量有所改善.通过计算变异系数, 表明岱海流域变异系数CV标准差低, 生态环境质量状况稳定, 整体变化波动较小, 高波动主要集中在湖区南侧和居民点区域, 这与流域内土地利用变化一致[61].流域内城镇化建设会带来一定的生态环境恶化[62], 2001年不透水面面积为9.840 km2, 2020年面积为24.536 km2, 从流域现有生态环境质量空间分布可以看出(图 6), 生态环境质量较差的区域与不透水面分布接近.因此, 结合流域生态环境质量现状, 岱海流域应进一步加强城镇化地区生态系统保护与修复工作.空间自相关性分析发现, 岱海流域生态环境质量存在显著的空间自相关性, 这与其他学者在其他研究区所得结论一致.
3.3 岱海流域生态环境质量变化原因通过地理探测器对生态因子分析表明, 2001~2020年岱海流域生态环境的提升主要由于植被归一化指数提高, 土壤干度和盐度的降低, 其中2014年和2020年NDVI均值分别为0.556、0.704.通过查阅相关文献可知, 2014年岱海被国家列入规划保护的365个好湖泊之一, 有关部门在岱海周边造林绿化, 并实施“退耕还湿””和“退耕还林还草”政策[61], 这与本研究中绿度指标上升趋势的结果相吻合.交互式探测分析表明, NDVI的显著变化增加了NDBSI作为自变量对生态环境的解释力, 这与汪孝贤等[63]在祁连山国家级自然保护区生态环境质量评价中结果一致.
3.4 驱动因子对岱海流域生态环境质量的贡献通过地理探测器分析表明, 岱海流域生态环境质量受多种因素共同影响, 不同驱动因子对AWRSEI空间分异解释力差异明显, 且均为双因子或非线性增强, 这与其他学者所得结论一致[31].岱海流域AWRSEI的主导因子是土地利用, q值达0.328.土地利用类型影响着地表覆被情况, 会对流域内生态过程产生影响, 进而引起生态环境质量的变化.建设用地规划是国土空间规划中的重要内容, 与区域生态空间、生态安全与生态敏感性等都有着极为密切的关系[63].通过地形叠加AWRSEI指数分析发现, 生态环境质量随着坡度的升高呈降低趋势, 而坡向对生态环境质量无明显响应.地形因子中, 植被生长易随海拔所带来的气温与光照的差异而出现一定的垂直分带现象, 坡度则直接关系到土壤的肥力及保水性, AWRSEI模型中的NDVI能够直观地体现植被茂密程度和生长状况, 故而高程与坡度因子对流域生态环境空间分异有较大影响[63].气象因子中, 降水和蒸发虽与植被生长、土壤盐碱化和水土保持等密切相关, 但个别年份的降水变化很难对生态环境造成直接明显的影响[63].此外, 岱海流域降水量相对匮乏, 应是降水和蒸发对AWRSEI影响较小的原因.
3.5 不足与展望本研究虽然在RSEI的基础上增加盐度指标构建了适合干旱区流域的AWRSEI指数, 但并未考虑水土流失、荒漠化以及流域水源涵养能力[64]等生态因子, 同时缺少了对水体的评价, 此外, 本研究仅在岱海流域进行了研究, 未对其他干旱区流域的适用性进行研究.因此, 在后期的研究中, 需完善水体遥感生态指数评价, 增加并优化指标体系[65], 选取更多干旱区流域进行研究, 更好地服务于半干旱区流域生态环境质量监测.本研究采用单一时刻遥感影像进行生态环境质量监测与评价, 容易受到天气等偶然因素的影响, 导致遥感生态指数可能存在一定的差异.因此, 在后续研究中, 可选择GEE平台对数据进行植被生长期影像均值合成、最大值合成等预处理得到更为稳定且更具代表性的数据, 将是下一步研究应当考虑的重点.本研究未开展生态评价预测方面工作, 在后续的研究中可尝试利用CA-Markov模型[66]对流域生态环境质量进行预测.
4 结论(1)AWRSEI模型从干旱区流域生态特性出发, 有效集成了绿度、湿度、干度、热度以及盐度这5个生态指标, 与各生态因子平均相关系数为0.860, 即AWRSEI比5个指标分量的任一单指标分量更具代表性, 能综合反映生态环境状况.引入NDSI指标后, AWRSEI的PC1荷载值的正负和排序与RSEI一致, 且PC1贡献率比RSEI高出3.69%, 即AWRSEI包含了更多信息, 能够全面反映岱海流域生态环境的综合状况.AWRSEI比RSEI更为清晰地显示了岱海流域的生态环境质量, 图像纹理特征区分更加明显, 特别是在高植被覆盖区域、建筑用地和未利用地(盐碱土), 评价结果与真实地表情况更为接近.总体而言, AWRSEI增强了RSEI适用区域的广度, 尤其对干旱区流域的适用性有了较大的提升.
(2)岱海流域2001~2020年AWRSEI值位于[0.8, 1]的比例较少, 均值为0.427, 流域生态环境质量基础较差, 均值呈现波动上升趋势, 并在2020年均值达到最高0.502.整体生态环境质量明显好转, 等级差和良的面积占比变化显著, 差占比减少了20.51%, 良占比增加了12.71%.空间分布上, 岱海流域南部和西北部高海拔地区林地生态环境质量优, 北部和南部中海拔地区生态环境质量较差, 湖区北侧生态环境质量优于南侧.生态环境质量等级以较差和一般为主, 差与较差等级主要分布于中海拔地区;等级良与优面积占比最少, 主要分布于高海拔地区林地和低海拔耕地.生态环境质量改善区域远大于恶化区域, AWRSEI总体呈上升趋势, 生态环境质量有所改善.
(3)岱海流域AWRSEI变异系数CV最高值为1.73, 平均值为0.28, 生态环境质量状况稳定, 整体变化波动较小, 高波动主要集中在湖区南侧和居民点区域.岱海流域生态环境质量存在显著的空间自相关性.生态环境质量高⁃高集聚区主要分布在高海拔林地区域和低海拔耕地区域;低⁃低集聚区零星分布在中海拔区域.2009年之后高⁃高聚类中高⁃低异常区明显增多, 即生态环境质量等级为良的区域高⁃高聚类的稳定性差.从局部来看, 变化最明显的区域有流域北部中海拔区域和南部中高海拔区域.其中, 北部中海拔区域生态环境质量变差, 南部中高海拔区域生态环境质量好转.
(4)2001~2020年岱海流域生态环境的提升主要由于植被归一化指数提高, 土壤干度和盐度的降低.NDVI和NDBSI的组合是交互作用最强的组合对生态环境的解释力最强.从不同驱动因子对生态环境质量影响作用分析中可以发现, 土地利用是AWRSEI的主导因子, 解释力最强.土地利用和气象因子的组合是交互作用最强, 且各驱动因子之间均为增强关系, 即岱海流域生态环境是由多个因子相互作用的, 而不是简单的叠加或者独立影响.此外, 岱海流域AWRSEI指数随着海拔升高呈现先降低再升高的趋势;随着坡度的升高呈降低趋势;坡向对生态环境无明显响应.
[1] |
陈俊. 现实·理论·实践: 深刻把握习近平生态文明思想的三个维度——基于对党的二十大精神的学习与研究[J]. 重庆大学学报(社会科学版), 2022. Chen J. Reality·Theory·Practice: Deeply grasp the three dimensions of Xi Jinping thought on ecological civilization: based on the study and research of the spirit of the 20th CPC national congress[J]. Journal of Chongqing University (Social Science Edition), 2022. DOI:10.11835/j.issn.1008-5831.zs.2022.12.005 |
[2] | 王利. 探索以生态优先、绿色发展为导向的高质量发展新路子——学习贯彻习近平总书记在内蒙古代表团重要讲话精神专题研讨会综述[J]. 理论研究, 2019(2): 78-80. |
[3] |
王婉莹, 刘琳, 李梦娇, 等. 生态-经济发展情景下内蒙古宏观生态系统模拟与分析[J]. 生态学报, 2021, 41(14): 5888-5898. Wang W Y, Liu L, Li M J, et al. Scenario-based simulation and analysis of future terrestrial ecosystem changes in Inner Mongolia under different ecological-economic development pathways[J]. Acta Ecologica Sinica, 2021, 41(14): 5888-5898. |
[4] |
刘洁. 近60年来中国北方半干旱区界线与范围时空变化特征研究[D]. 西安: 西北大学, 2019. Liu J. Study on spatial and temporal variation of the boundary and area of the semi-arid region in Northern China over the past 60 years[D]. Xi'an: Northwest University, 2019. |
[5] |
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24): 7853-7862. Xu H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24): 7853-7862. |
[6] |
徐涵秋, 李春强, 林梦婧. RSEI应使用主成分分析或核主成分分析?[J]. 武汉大学学报(信息科学版), 2023, 48(4): 506-513. Xu H Q, Li C Q, Lin M J. Should RSEI use PCA or kPCA?[J]. Geomatics and Information Science of Wuhan University, 2023, 48(4): 506-513. |
[7] | Xu H Q, Duan W F, Deng W H, et al. RSEI or MRSEI? Comment on Jiaet al. evaluation of eco-environmental quality in Qaidam basin based on the ecological index (MRSEI) and GEE. Remote Sens. 2021, 13, 4543[J]. Remote Sensing, 2022, 14(21). DOI:10.3390/rs14215307 |
[8] |
滑永春, 孙小添, 白澳, 等. 基于遥感黄河流域内蒙古段十大孔兑生态环境质量监测评价[J]. 水土保持研究, 2022, 29(5): 199-205. Hua Y C, Sun X T, Bai A, et al. Monitoring and evaluation of ten kongdui eco-environmental quality changes in Inner Mongolia section of the Yellow River Basin based on remote sensing[J]. Research of Soil and Water Conservation, 2022, 29(5): 199-205. |
[9] |
赵管乐, 彭培好. 基于RSEI的典例干热河谷区——四川省攀枝花市生态环境变化分析[J]. 山地学报, 2021, 39(6): 842-854. Zhao G Y, Peng P H. RSEI-based evaluation on ecological environment changes in typical dry hot valley-Panzhihua city, Sichuan, China[J]. Mountain Research, 2021, 39(6): 842-854. |
[10] |
温小乐, 陈旭, 徐涵秋. 基于遥感生态指数的京郊南部城市生态评价——以涿州市、固安县为例[J]. 福州大学学报(自然科学版), 2022, 50(2): 286-292. Wen X L, Chen X, Xu H Q. Ecological evaluation of cities in southern Beijing suburbs based on remote sensing ecological Index: taking Zhuozhou City and Gu'an County as examples[J]. Journal of Fuzhou University (Natural Science Edition), 2022, 50(2): 286-292. |
[11] | Ling C, Zhang G P, Deng X Y, et al. A study on the drivers of remote sensing ecological index of Aksu Oasis from the perspective of spatial differentiation[J]. Water, 2022, 14(24). DOI:10.3390/w14244052 |
[12] | Hu X S, Xu H Q. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality: A case from Fuzhou City, China[J]. Ecological Indicators, 2018, 89: 11-21. DOI:10.1016/j.ecolind.2018.02.006 |
[13] | Wang S X, Zhang M, Xi X. Ecological environment evaluation based on remote sensing ecological index: A case study in East China over the past 20 years[J]. Sustainability, 2022, 14(23). DOI:10.3390/su142315771 |
[14] | Tang H, Fang J W, Xie R J, et al. Impact of land cover change on a typical mining region and its ecological environment quality evaluation using remote sensing based ecological index (RSEI)[J]. Sustainability, 2022, 14(19). DOI:10.3390/su141912694 |
[15] | Zhang Y, She J Y, Long X R, et al. Spatio-temporal evolution and driving factors of eco-environmental quality based on RSEI in Chang-Zhu-Tan metropolitan circle, central China[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109436 |
[16] |
郭泽呈, 魏伟, 庞素菲, 等. 基于SPCA和遥感指数的干旱内陆河流域生态脆弱性时空演变及动因分析——以石羊河流域为例[J]. 生态学报, 2019, 39(7): 2558-2572. Guo Z C, Wei W, Pang S F, et al. Spatio-Temporal evolution and motivation analysis of ecological vulnerability in Arid Inland River Basin based on SPCA and remote sensing index: A case study on the Shiyang River Basin[J]. Acta Ecologica Sinica, 2019, 39(7): 2558-2572. |
[17] |
朱冬雨, 陈涛, 牛瑞卿, 等. 利用移动窗口遥感生态指数分析矿区生态环境[J]. 武汉大学学报(信息科学版), 2021, 46(3): 341-347. Zhu D Y, Chen T, Niu R Q, et al. Analyzing the ecological environment of mining area by using moving window remote sensing ecological index[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3): 341-347. |
[18] | Sun C, Li J L, Liu Y C, et al. Ecological quality assessment and monitoring using a time-series remote sensing-based ecological index (ts-RSEI)[J]. GIScience & Remote Sensing, 2022, 59(1): 1793-1816. |
[19] | Wang Z W, Chen T, Zhu D Y, et al. RSEIFE: A new remote sensing ecological index for simulating the land surface eco-environment[J]. Journal of Environmental Management, 2023, 326. DOI:10.1016/j.jenvman.2022.116851 |
[20] |
冯荣荣, 张凯莉, 韩佳宁, 等. 沣河流域生态环境质量的遥感评价及影响因子分析[J]. 生态与农村环境学报, 2022, 38(7): 860-871. Feng R R, Zhang K L, Han J N, et al. Remote sensing evaluation and influence factor analysis of ecological environment quality in the Fenghe River watershed[J]. Journal of Ecology and Rural Environment, 2022, 38(7): 860-871. |
[21] | Liu Q, Yu F H, Mu X M. Evaluation of the ecological environment quality of the Kuye River Source Basin using the remote sensing ecological index[J]. International Journal of Environmental Research and Public Health, 2022, 19(19). DOI:10.3390/ijerph191912500 |
[22] | Dong Y K, Ma W, Tan Z W, et al. Spatial and temporal variation of multiple eco-environmental indicators in Erhai Lake Basin of China under land use transitions[J]. Environmental Science and Pollution Research, 2022, 30(6): 16236-16252. DOI:10.1007/s11356-022-23279-z |
[23] | Luo M, Zhang S W, Huang L, et al. Temporal and spatial changes of ecological environment quality based on RSEI: A case study in Ulan Mulun River Basin, China[J]. Sustainability, 2022, 14(20). DOI:10.3390/su142013232 |
[24] |
陈丽红, 刘普幸, 花亚萍. 基于RSEI的疏勒河流域生态质量综合评价及其成因分析[J]. 土壤通报, 2021, 52(1): 25-33. Chen L H, Liu P X, Hua Y P. Comprehensive evaluation of ecological quality and its factors analysis in the Shule River Basin Based on RSEI[J]. Chinese Journal of Soil Science, 2021, 52(1): 25-33. |
[25] |
张伟, 杜培军, 郭山川, 等. 改进型遥感生态指数及干旱区生态环境评价[J]. 遥感学报, 2023, 27(2): 299-317. Zhang W, Du P J, Guo S C, et al. Enhanced remote sensing ecological index and ecological environment evaluation in arid area[J]. National Remote Sensing Bulletin, 2023, 27(2): 299-317. |
[26] |
第五泾渭, 梅家龙, 余翰名, 等. 半干旱地区遥感生态指数的构建及应用[J]. 环境监测管理与技术, 2022, 34(4): 21-26. Diwu J W, Mei J L, Yu H M, et al. Construction and application of remote sensing ecological index in semi-arid region[J]. The Administration and Technique of Environmental Monitoring, 2022, 34(4): 21-26. |
[27] |
王杰, 马佳丽, 解斐斐, 等. 干旱地区遥感生态指数的改进——以乌兰布和沙漠为例[J]. 应用生态学报, 2020, 31(11): 3795-3804. Wang J, Ma J L, Xie F F, et al. Improvement of remote sensing ecological index in arid regions: Taking Ulan Buh Desert as an example[J]. Chinese Journal of Applied Ecology, 2020, 31(11): 3795-3804. |
[28] |
刘尚钦, 张福浩, 赵习枝, 等. 干旱区绿洲遥感生态指数的改进[J]. 测绘科学, 2022, 47(6): 143-151, 203. Liu S Q, Zhang F H, Zhao X Z, et al. Improvement of remote sensing ecological index in oasis in arid area[J]. Science of Surveying and Mapping, 2022, 47(6): 143-151, 203. |
[29] |
罗镕基, 王宏涛, 王成. 基于改进遥感生态指数的甘肃省古浪县生态质量评价[J]. 干旱区地理, 2023, 46(4): 539-549. Luo R J, Wang H T, Wang C. Ecological quality evaluation of Gulang County in Gansu province based on improved remote sensing ecological index[J]. Arid Land Geography, 2023, 46(4): 539-549. |
[30] |
颉金凤, 赵军, 卿苗, 等. 基于IRSEI的石羊河流域生态环境质量时空变化及驱动力分析[J]. 干旱区资源与环境, 2023, 37(5): 104-111. Xie J F, Zhao J, Qing M, et al. Changes in spatial-temporal patterns of ecological environment quality in Shiyang River and driving forces: An analysis based on improved remote sensing ecological index[J]. Journal of Arid Land Resources and Environment, 2023, 37(5): 104-111. |
[31] |
周云凯, 姜加虎. 近50年岱海生态与环境变化分析[J]. 干旱区研究, 2009, 26(2): 162-168. Zhou Y K, Jiang J H. Changes in the ecological environment in the Daihai Lake basin over the last 50 years[J]. Arid Zone Research, 2009, 26(2): 162-168. |
[32] |
孙占东, 姜加虎, 黄群. 近50年岱海流域气候与湖泊水文变化分析[J]. 水资源保护, 2005, 21(5): 16-18, 26. Sun Z D, Jiang J H, Huang Q. Analysis of climate and lake hydrological change in Daihai Basin in the late 50 years[J]. Water Resources Protection, 2005, 21(5): 16-18, 26. DOI:10.3969/j.issn.1004-6933.2005.05.004 |
[33] |
赵茜宇. 岱海湖滨带土壤盐碱化特征及生态修复技术研究[D]. 南昌: 南昌大学, 2022. Zhao Q Y. Study on soil salinization characteristics and ecological restoration technology of Daihai lakeside[D]. Nanchang: Nanchang University, 2022. |
[34] |
程玉琴, 郑丽娟, 付志强. 岱海湖泊萎缩原因分析及流域水生态保护建议[J]. 内蒙古气象, 2017(5): 24-26. Cheng Y Q, Zheng L J, Fu Z Q. Analysis of cause of Daihai lake shrinkage and water conservation recommendations[J]. Meteorology Journal of Inner Mongolia, 2017(5): 24-26. |
[35] |
闫乐乐. 岱海水生态环境对周边乡镇农业生产影响效应与对策研究[D]. 呼和浩特: 内蒙古师范大学, 2022. Yan L L. Study on the effect and countermeasure of the ecological environment of Daihai water on agricultural production in surrounding towns[D]. Hohhot: Inner Mongolia Normal University, 2022. |
[36] | 王苏民, 等. 岱海[M]. 合肥: 中国科学技术大学出版社, 1990. |
[37] |
李金雷, 刘欢, 哈斯娜, 等. 岱海流域土地利用动态模拟及生态系统服务价值测算[J]. 生态学杂志, 2022, 41(2): 343-350. Li J L, Liu H, Ha S N, et al. Simulation of land use and evaluation of ecosystem service value in Daihai Basin[J]. Chinese Journal of Ecology, 2022, 41(2): 343-350. |
[38] |
王书航, 白妙馨, 陈俊伊, 等. 典型农牧交错带山水林田湖草生态保护修复——以内蒙古岱海流域为例[J]. 环境工程技术学报, 2019, 9(5): 515-519. Wang S H, Bai M X, Chen J Y, et al. Research on the ecological protection and restoration of mountain-river-forest-farmland-lake-grassland system in typical farming-pastoral ecotone: taking Daihai Lake Basin in Inner Mongolia as an example[J]. Journal of Environmental Engineering Technology, 2019, 9(5): 515-519. |
[39] |
张样洋, 春喜, 周海军, 等. 内蒙古岱海流域生态保护红线划定研究[J]. 人民黄河, 2021, 43(4): 100-105. Zhang Y Y, Chun X, Zhou H J, et al. Study on delimitation of ecological protection Red Line of Daihai Lake Basin in Inner Mongolia[J]. Yellow River, 2021, 43(4): 100-105. |
[40] | Huang X, Li J Y, Yang J, et al. 30 m global impervious surface area dynamics and urban expansion pattern observed by Landsat satellites: From 1972 to 2019[J]. Science China Earth Sciences, 2021, 64(11): 1922-1933. DOI:10.1007/s11430-020-9797-9 |
[41] |
贾萍萍, 尚天浩, 张俊华, 等. 利用多源光谱信息反演宁夏银北地区干湿季土壤含盐量[J]. 农业工程学报, 2020, 36(17): 125-134. Jia P P, Shang T H, Zhang J H, et al. Inversion of soil salinity in dry and wet seasons based on multi-source spectral data in Yinbei area of Ningxia, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(17): 125-134. |
[42] |
吴霞, 王长军, 樊丽琴, 等. 基于多光谱遥感的盐渍化评价指数对宁夏银北灌区土壤盐度预测的适用性分析[J]. 国土资源遥感, 2021, 33(2): 124-133. Wu X, Wang Z J, Fan L Q, et al. An applicability analysis of salinization evaluation index based on multispectral remote sensing to soil salinity prediction in Yinbei irrigation area of Ningxia[J]. Remote Sensing for Land & Resources, 2021, 33(2): 124-133. |
[43] | Chu H S, Venevsky S, Wu C, et al. NDVI-based vegetation dynamics and its response to climate changes at Amur-Heilongjiang River Basin from 1982 to 2015[J]. Science of the Total Environment, 2019, 650: 2051-2062. DOI:10.1016/j.scitotenv.2018.09.115 |
[44] | Zhai Y G, Roy D P, Martins V S, et al. Conterminous United States Landsat-8 top of atmosphere and surface reflectance tasseled cap transformation coefficients[J]. Remote Sensing of Environment, 2022, 274. DOI:10.1016/j.rse.2022.112992 |
[45] | Crist E P. A TM tasseled cap equivalent transformation for reflectance factor data[J]. Remote Sensing of Environment, 1985, 17(3): 301-306. DOI:10.1016/0034-4257(85)90102-6 |
[46] |
徐涵秋. 水土流失区生态变化的遥感评估[J]. 农业工程学报, 2013, 29(7): 91-97. Xu H Q. Assessment of ecological change in soil loss area using remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(7): 91-97. |
[47] | Alexander C. Normalised difference spectral indices and urban land cover as indicators of land surface temperature (LST)[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 86. DOI:10.1016/j.jag.2019.102013 |
[48] | Allbed A, Kumar L, Aldakheel Y Y. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region[J]. Geoderma, 2014, 230-231: 1-8. DOI:10.1016/j.geoderma.2014.03.025 |
[49] | Kesteven G L. The coefficient of variation[J]. Nature, 1946, 158(4015): 520-521. |
[50] | 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. |
[51] |
陈培阳, 朱喜钢. 基于不同尺度的中国区域经济差异[J]. 地理学报, 2012, 67(8): 1085-1097. Chen P Y, Zhu X G. Regional inequalities in China at different scales[J]. Acta Geographica Sinica, 2012, 67(8): 1085-1097. |
[52] |
张静, 杨丽萍, 贡恩军, 等. 基于谷歌地球引擎和改进型遥感生态指数的西安市生态环境质量动态监测[J]. 生态学报, 2023, 43(5): 2114-2127. Zhang J, Yang L P, Gong E J, et al. Dynamic monitoring of Eco-environmental quality in Xi'an based on GEE and adjusted RSEI[J]. Acta Ecologica Sinica, 2023, 43(5): 2114-2127. |
[53] |
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. |
[54] |
张华, 宋金岳, 李明, 等. 基于GEE的祁连山国家公园生态环境质量评价及成因分析[J]. 生态学杂志, 2021, 40(6): 1883-1894. Zhang H, Song J Y, Li M, et al. Eco-environmental quality assessment and cause analysis of Qilian Mountain National Park based on GEE[J]. Chinese Journal of Ecology, 2021, 40(6): 1883-1894. |
[55] |
李灏欣, 万华伟, 孙林, 等. 新疆生态系统健康遥感评估及关键驱动因子研究[J]. 干旱区地理, 2021, 44(2): 460-470. Li H X, Wan H W, Sun L, et al. Remote sensing assessment and key driving factors of ecosystem health in Xinjiang[J]. Arid Land Geography, 2021, 44(2): 460-470. |
[56] | HJ/T 192-2006, 生态环境状况评价技术规范(试行)[S]. |
[57] |
刘玉佳, 彭建, 李刚勇, 等. 基于GEE的库鲁斯台草原生态环境评价[J]. 生态学杂志, 2023, 42(11): 2776-2785. Liu Y J, Peng J, Li G G, et al. Eco-environmental assessment of Kurustai grassland based on GEE[J]. Chinese Journal of Ecology, 2023, 42(11): 2776-2785. |
[58] |
张晓山, 张旺锋, 高新宇, 等. 基于RSEI的张掖市甘州区生态环境质量动态评估[J]. 人民黄河, 2023, 45(2): 114-120. Zhang X S, Zhang W F, Gao X Y, et al. Dynamic assessment of ecological environment quality in Ganzhou District of Zhangye City based on RSEI[J]. Yellow River, 2023, 45(2): 114-120. |
[59] |
李婷婷, 马超, 郭增长. 基于RSEI模型的贺兰山长时序生态质量评价及影响因素分析[J]. 生态学杂志, 2021, 40(4): 1154-1165. Li T T, Ma C, Guo Z C. Ecological quality evaluation and influencing factors analysis of Helan Mountain based on RSEI[J]. Chinese Journal of Ecology, 2021, 40(4): 1154-1165. |
[60] |
王丽霞, 赵蕊, 刘招, 等. 基于RSEI的延河流域生态环境质量监测与预估[J]. 干旱区研究, 2022, 39(3): 943-954. Wang L X, Zhao R, Liu Z, et al. Monitoring and prediction of ecological environmental quality in the Yanhe River Basin based on the remote sensing ecological index[J]. Arid Zone Research, 2022, 39(3): 943-954. |
[61] |
梁旭, 刘华民, 纪美辰, 等. 北方半干旱区土地利用/覆被变化对湖泊水质的影响: 以岱海流域为例(2000-2018年)[J]. 湖泊科学, 2021, 33(3): 727-736. Liang X, Liu H M, Ji M C, et al. Effects of land use/cover change on lake water quality in the semi-arid region of northern China: A case study in Lake Daihai Basin (2000-2018)[J]. Journal of Lake Sciences, 2021, 33(3): 727-736. |
[62] |
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. |
[63] |
汪孝贤, 张秀霞, 李旺平, 等. 基于遥感生态指数(RSEI)改进模型的祁连山国家级自然保护区生态环境质量评价[J]. 生态与农村环境学报, 2023, 39(7): 853-863. Wang X X, Zhang X X, Li W P, et al. Assessment of ecological environment quality in Qilian Mountain National Nature Reserve based on improved RSEI model[J]. Journal of Ecology and Rural Environment, 2023, 39(7): 853-863. |
[64] |
许丽婷, 刘海红, 黄丽洁, 等. 2000-2020年汾河流域生态环境与水源涵养时空变化[J]. 干旱区研究, 2023, 40(2): 313-325. Xu L T, Liu H H, Huang L J, et al. Spatial and temporal changes of ecological environment and water conservation in Fenhe River Basin from 2000 to 2020[J]. Arid Zone Research, 2023, 40(2): 313-325. |
[65] |
张亚球, 姜放, 纪梦达, 等. 基于遥感指数的区县级生态环境评价[J]. 干旱区研究, 2020, 37(6): 1598-1605. Zhang Y Q, Jiang F, Ji M D, et al. Assessment of the ecological environment at district and county level based on remote sensing index[J]. Arid Zone Research, 2020, 37(6): 1598-1605. |
[66] | Yang X D, Bai Y P, Che L, et al. Incorporating ecological constraints into urban growth boundaries: A case study of ecologically fragile areas in the Upper Yellow River[J]. Ecological Indicators, 2021, 124. DOI:10.1016/j.ecolind.2021.107436 |