2025, Vol. 46
2. 国家环境保护水土污染协同控制与联合修复重点实验室（成都理工大学）, 成都 610059;
3. 成都理工大学地理与规划学院, 成都 610059;
4. 成都理工大学生态环境学院, 成都 610059
, ZHANG Ting-bin1,2
, YI Gui-hua3 , BIE Xiao-juan3 , LI Jing-ji2,4 , DANG Wei-yang1 , LI Lan-xing1
2. State Environmental Protection Key Laboratory of Synergetic Control and Joint Remediation for Soil & Water Pollution, Chengdu University of Technology, Chengdu 610059, China;
3. College of Geography and Planning, Chengdu University of Technology, Chengdu 610059, China;
4. College of Ecology and Environment, Chengdu University of Technology, Chengdu 610059, China
生态环境是人类生存与发展的重要物质基础[1~3]. 由于经济发展和社会进步, 人类活动对环境施加的压力愈来愈大, 不合理的人类活动已经威胁到区域生态平衡, 生态保护与经济发展的矛盾日益尖锐[4]. 因此, 开展长时间序列生态环境质量评价和影响因素识别对构建自然环境与经济社会和谐发展具有重要现实意义.
生态环境质量的变化容易受到自然因素和人为因素的影响, 自然因素包括气候变化[5]、极端天气[6]和自然灾害[7]等, 人为因素包括城市化[8]、过度开采[9]和生态保护工程[10]等. 前人多采用相关分析、聚类分析和多元线性回归等多种统计方法探索和分析生态环境质量的影响因素[11~13]. 然而, 以上方法忽略了影响因素之间的相互作用对生态环境质量的间接影响[14]. 结构方程模型（structural equation modeling, SEM）是一种基于变量协方差矩阵的统计分析方法, 能够同时处理多个变量, 准确反映潜变量与观测变量之间的因果关系[15], 基于结构方程模型可以量化影响因素对目标变量的直接影响以及多个影响因素对目标变量的间接影响[16].
太行山区是京津冀地区的天然生态屏障和生态敏感区[17], 对气候变化和人类活动敏感, 其生态安全状况对京津冀的可持续发展具有重要影响. 已有研究表明, 太行山区生态环境质量受气候因素变化的影响显著, 气候变化导致的气温和降水变化可以直接影响到植被的生长和发育, 进而影响太行山区生态环境质量[18, 19]. 太行山区最初的植被为阔叶落叶林, 但由于1970年之前的大规模森林破坏（例如砍伐、耕作、伐木和放牧等）使其退化成为灌木草本群落[20, 21], 自1980年起, 政府实施了植树造林、禁牧和坡耕地退耕还林等一系列植被恢复工程, 以控制水土流失, 减少生态退化, 促进植被恢复[22~24], 但人类城市化进程以及矿区开采也使得该区生态环境质量退化[25]. 因此在气候变化和人类活动的叠加作用下, 需深入研究太行山区生态环境质量的变化情况, 以及气候因素和人类活动对该地区生态环境质量的具体影响及强度.
综上, 本研究以MODIS（moderate-resolution imaging spectroradiometer）为主要数据源, 基于Google earth engine（GEE）平台, 分析2001~2021年太行山区生态环境质量时空特征, 使用结构方程模型分析太行山区生态环境质量的影响强度和路径, 以期为该区生态环境保护与可持续发展提供数据参考.
1 材料与方法 1.1 研究区概况太行山区（110°15′~116°35′E, 34°34′~40°48′N）地处华北地区西部, 位于中国地势的第二阶梯和第三阶梯之间[图 1（a）]. 太行山区北起燕山山脉, 南至晋豫交界处, 西邻山西高原, 东接华北平原, 涉及北京市、河北省、山西省和河南省四省市部分区域, 总面积约为13.7×104 km2. 区内气候属温带大陆性季风气候, 季节差异明显, 春季大气流动性较强, 夏季气温高且降雨充沛, 秋季多晴朗天气, 冬季寒冷且湿度较低. 气温由北向南逐渐升高, 太行山西北部气温较低. 年降雨量大约为500 mm, 夏季（6~8月）降雨约占年降水量的50%~70%. 降水量由北向南逐渐增多, 南部地区年降水量在600 mm以上, 北部年降水量在400 mm左右.
|
图 1 研究区高程与植被类型分布示意 Fig. 1 Distribution of elevation and vegetation types in the study area |
遥感生态指数（remote sensing ecological index, RSEI）选用：归一化植被指数（normalized difference vegetation index, NDVI）、热度（land surface temperature, LST）、湿度（WET）以及干度（normalized difference built-up and soil index, NDBSI）这4个生态指标均来自2001~2021年MODIS遥感产品（https://developers.google.com/earth-engine/datasets/catalog/modis）, 具体产品数据见表 1.
|
表 1 MODIS遥感产品数据 Table 1 MODIS remote sensing product data |
气温和降水数据来自国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）的中国1 km×1 km分辨率逐月气温数据集和中国1 km×1 km分辨率逐月降水数据集, 该数据集是根据CRU（Climatic Research Unit gridded Time Series）发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集, 通过Delta空间降尺度方案在中国地区生成的, 经496个独立气象观测点数据验证结果可信[26, 27].
数字高程模型数据（digital elevation modal, DEM）来自美国NASA（https://lpdaac.usgs.gov/products/）提供的ASTER GDEM, 空间分辨率为30 m×30 m, 并利用DEM数据生成坡度数据.
植被类型数据与土壤类型数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）. 将中国1∶100万植被类型数据重新划分为栽培植被、草甸、草丛、草原、灌丛、阔叶林、针叶林和其他这8种类型[图 1（b）]. 根据土壤发生分类系统将土壤类型按照土纲分为11类, 其中江河、江河内沙洲/岛屿、湖泊/水库和滨海盐场/养殖场等土壤类型合并为其他类.
夜间灯光数据来自于Harvard Dataverse（https://dataverse.harvard.edu/）的DMSP-OLS-like数据集, 作为人类活动的表征. 该数据集集成了DMSP-OLS和SNPP-VIIRS数据[28, 29], 空间分辨率为1 km×1 km.
本文所有数据地理参考统一为WGS_1984_UTM_Zone_49N, 为保证空间分辨率的一致性, 所有栅格数据重采样为1 km×1 km.
1.3 研究方法 1.3.1 遥感生态指数构建遥感生态指数RSEI选用归一化植被指数（NDVI）、湿度分量（WET）、地表温度（LST）和裸土指数（NDBSI）这4个能直观反映生态环境优劣的指标[30], 以全面反映生态环境质量. 相应的计算公式为：
|
(1) |
式中, NIR为近红外波段, Red为红光波段.
|
(2) |
式中, ρi(i=1, 2, …, 7)为MODIS09A1各地表反射率波段.
|
(3) |
式中, DN为陆地地表温度的灰度值.
|
(4) |
|
(5) |
|
(6) |
式中, bS、bRed、bNIR、bBlue和bGreen分别为短波红外、红光、近红外、蓝光和绿光波段.
为避免4个指标量纲不一致和不同时相影像差异, 对指标进行归一化处理. 其公式为：
|
(7) |
式中, NIi为归一化后的指标值；Ii为某像元的指标值, Imin为该指标的最小值, Imax为该指标的最大值.
采用层次分析法对各归一化生态指标赋权, 层次分析法能有效解决数据利用不充分的问题. 通过一致性比率（consistency rate, CR）实现一致性检验, 其计算公式为：
|
(8) |
|
(9) |
式中, n为矩阵阶数；CI为一致性指标, RI为评价随机一致性指标. 通常认为, 当CR < 0.1时, 判定矩阵的一致性才可以被接受[31].
因各个分量指标对生态环境的影响不同, 用1减去干度、热度的归一化值, 得到正比干度和正比热度这2个指标. 最后利用4个分量指标计算生态指数.
|
(10) |
式中, n和j表示分量指标数, aj为层次分析法的权重值, Ij为各分量指标归一化后的值.
RSEI取值区间为[0, 1], 值越接近1说明生态环境质量越好. 以0.2为间距划分为5个等级, 分别表示生态质量状况差[0, 0.2）、较差[0.2, 0.4）、中等[0.4, 0.6）、良好[0.6, 0.8）、极好[0.8, 1].
1.3.2 Sen+Mann-Kendall趋势分析法Theil-Sen media（Sen）斜率分析法和Mann-Kendall（MK）显著性检验是两种非参数检验方法[32, 33]. 它们不要求时间序列满足正态分布和序列自相关的大部分假设, 对时间序列中的异常值不敏感, 能够有效地处理小的离群点和缺失值噪声, 因此得到广泛使用.
Theil-Sen斜率估算法通过计算序列中两两数据对之间的斜率, 将所有数据对斜率的中值作为时间序列的总体变化趋势. 其计算公式如下：
|
(11) |
式中, β为所有数据对斜率的中值. β的正负表示时间序列中的趋势方向. 当β > 0时, 为上升趋势；反之, 为下降趋势. β值的大小表示平均变化率.
Mann-Kendall检验作为Theil-Sen斜率估算的补充[34], 可对估算结果进行显著性检验. 计算方法为：
|
(12) |
|
(13) |
|
(14) |
|
(15) |
式中, n为时间序列中数据的个数；m为序列中结（重复出现的数据组）的个数；ti为结的宽度第i组重复数据组中的重复数据个数. 同样, 采用双边趋势检验, 在给定显著性水平α下, 在正态分布表中查得临界值Z1-α/2. 如果|Z|≤Z1-α/2时, 则接受原假设即趋势不显著；若|Z| > Z1-α/2, 则拒绝原假设, 趋势显著.
1.3.3 Hurst指数Hurst指数可表征变量时间序列的信息依赖性, 判断未来变化趋势. 具体公式如下：
|
(16) |
式中, R为极差, S为标准差, c为常数, 将观测值分为n个子序列RSEIi, 其中i=1, 2, …, n. m为任意正整数且0 < m < n, H为Hurst指数, 极差R（m）的计算公式如下：
|
(17) |
式中, X（t）为累计离差, 计算公式如下：
|
(18) |
式中, 1 < t < m；标准差S（m）的计算公式如下：
|
(19) |
Hurst指数（H）取值范围[0, 1], 其值大小可判断RSEI的持续性, 当0≤H < 0.5时, 表明RSEI具有反持续性, 即未来趋势与过去相反, H越接近0, 反持续性越强；H =0.5时, RSEI变现为随机性；0.5 < H≤1时, 表明RSEI具有持续性, 即未来趋势与过去相同, H越接近1, 持续性越强[35].
1.3.4 结构方程模型结构方程模型在变量上分为可测变量和潜变量, 在模型中包括测量模型和结构模型, 测量模型指可观测指标与潜变量之间的关系, 而结构模型则是变量与变量之间的联系[36]. 其模型基础结构如下.
测量模型：
|
(20) |
|
(21) |
结构模型：
|
(22) |
式中, x为外源指标组成的向量；ξ为外源潜变量, 为外源指标在外源潜变量上的因子载荷矩阵；y为内生指标组成的向量：η为内生潜变量；Λ为内生指标在内生潜变量上的因子载荷矩阵；Β为内生潜变量间的关系；Γ为外源潜变量对内生潜变量的影响；ε1、ε2和ε3为外源指标、内生指标的误差项和结构方程的残差项, 其中残差项表示内生潜变量在方程中未被解释的部分.
为确定最佳拟合模型, 选取卡方（Chi-Square）和自由度（DF）之比、拟合优度指数（goodness of fit index, GFI）和近似误差均方根（root mean square error of approximation, RMSEA）这3个指标来评价模型拟合效果. 当CMIN/DF < 3、GFI > 0.9和RMSEA < 0.05时认为模型拟合效果较好.
2 结果与分析 2.1 生态环境质量时空分布特征基于层次分析法得到绿度、湿度、干度和热度指标的权重分别为0.455、0.171、0.129和0.245, CR=0.003, 通过一致性检验, RSEI各指标权重分配合理.
2001~2021年间太行山区南部生态环境质量总体略好于北部, 生态环境质量极好的区域主要位于晋城市与运城市、济源市、焦作市和新乡市的城市交界处, 在长治市西北部的沁源县与晋中市东南部的左权县也有小范围分布；生态环境质量中等和良好的地区主要分布在新乡市北部、邯郸市西部、安阳市以及长治市；生态环境质量差和较差的地区主要集中在张家口市南部的阳原县和蔚县以及运城市的闻喜县[图 2（a）]. 2001年研究区北部和西南部存在小范围的生态环境差的区域, 生态环境质量极好的区域主要分布在研究区南部[图 2（b）]. 2010年研究区北部和西南部生态环境质量差的区域有所减少, 南部生态环境质量极好的区域略有增多, 但东南部低海拔地区生态环境质量变差[图 2（c）]. 到2021年, 研究区北部和西南部生态环境质量持续改善, 尤其是北部张家口市的阳原县和蔚县生态环境质量改善显著[图 2（d）].
|
图 2 2001~2021年太行山区RSEI空间分布 Fig. 2 Spatial distribution of RSEI in the Taihang Mountain area from 2001 to 2021 |
太行山区2001~2021年RSEI均值介于0.511~0.552, 多年均值0.531, RSEI最高值出现在2012年, 最低值出现在2010年[图 3（a）]. 研究区生态环境质量以中等和良好水平为主. 其中, 生态环境质量差的比例从2001年的7.19%逐步下降至2021年的3.58%（图 3b）. 生态环境质量极好的比例在2001~2021年间较为稳定, 最低为2021年的9.03%, 最高为2001年的10.9%.
|
图 3 2001~2021年太行山区RSEI箱形图与占比变化 Fig. 3 RSEI box chart and occupancy change chart in the Taihang Mountain area from 2001 to 2021 |
趋势分析结果表明, 2001~2021年间太行山区RSEI变化趋势以改善为主, 面积达6.53×104 km2, 占总面积的47.82%（表 2）. RSEI增长速率较快的地区集中在张家口市和临汾市[图 4（a）]. 变化趋势上显著改善的面积为2.9×104 km2, 占总面积的21.24%, 主要分布在张家口市（阳原县、蔚县、涿鹿县）、大同市（灵丘县、广灵县、浑源县）以及临汾市[图 4（b）]. 退化面积为5.9×104 km2, 占比43.09%（表 2）, 主要分布在研究区东南部以及相对低海拔地区, 其中显著退化面积为2.52×104 km2, 占比18.43%, 主要分布在安阳市、邯郸市以及长治市中心城区[图 4（b）].
|
|
表 2 2001~2021年太行山区RSEI变化趋势分级 Table 2 RSEI trend classification in the Taihang Mountain area from 2001 to 2021 |
|
图 4 2001~2021年RSEI变化速率与变化趋势 Fig. 4 Rate of change and trend of RSEI from 2001 to 2021 |
2001~2021年太行山区RSEI的Hurst指数平均值为0.44, 以反持续性为主. Hurst指数 > 0.5的面积为3.32×104 km2, 占研究区面积的24.19%（表 3）, 表现为持续性, 即未来变化趋势与2001~2021年变化趋势一致, 主要分布在晋中市的榆社县和左权县以及保定市的阜平县[图 5（a）]；Hurst指数 < 0.5的面积为10.41×104 km2, 占比为75.81%, 表现为反持续性, 即未来变化趋势与近22 a变化趋势相反.
|
|
表 3 太行山区RSEI变化持续性分级 Table 3 RSEI change persistence classification in the Taihang Mountain area |
|
图 5 太行山区RSEI持续性与未来变化趋势 Fig. 5 RSEI persistence and future change trend in the Taihang Mountain area |
Hurst指数与Sen趋势结合得到太行山区生态环境质量未来变化趋势[图 5（b）]. 由退化变为未来改善面积为5.06×104 km2, 占比36.85%（表 3）, 主要分布在研究区东南部的安阳市、邯郸市、鹤壁市、新乡市和焦作市[图 5（b）]；持续性改善面积为1.83×104 km2, 占比13.38%（表 3）, 主要分布在研究区中部的晋中市及晋中市与长治市交界处[图 5（b）]；由改善变为未来退化面积5.35×104 km2, 占比为38.96%, 在研究区全域均有分布, 主要分布在研究区北部的张家口市、大同市以及保定市[图 5（b）]；持续退化面积约1.48×104 km2, 占比为10.80%, 主要分布在运城市的永济市和盐湖区[图 5（b）]. 总体来看, 太行山区未来生态环境质量以改善为主, 约占研究区总面积的50.24%.
2.3 太行山区生态环境质量影响因素分析使用结构方程模型研究太行山区环境因子（高程、坡度、植被类型、土壤类型）、气候因子（气温、降水）、和人类活动因子（夜间灯光）对RSEI变化的直接影响和间接影响. 结构方程模型的拟合优度参数为CMIN/DF = 1.938、GFI = 0.99、RMSEA = 0.04, 表示模型拟合良好. 降水对太行山区RSEI的直接影响最为显著, 直接影响系数为0.28（P < 0.01）, 通过影响气温间接影响太行山区RSEI, 间接影响系数为-0.048（表 4和图 6）；其次为人类活动, 直接影响系数为-0.22（P < 0.01）, 通过影响植被类型间接影响太行山区RSEI, 间接影响系数为-0.025, 总影响为-0.229（表 4和图 6）, 人类活动因子的负向影响最大. 气温对太行山区RSEI的直接影响系数为-0.17, 还通过影响土壤类型对RSEI产生微弱的间接影响（0.009）. 高程对太行山区RSEI的总影响为0.378, 主要通过影响气温、坡度、人类活动和植被类型间接影响RSEI（表 4和图 6）.
|
|
表 4 各因子对RSEI变化的影响1） Table 4 Effects of various factors on RSEI changes |
|
箭头表示影响因子的影响路径, 箭头旁边的数字是对应影响路径的标准化回归系数；实线表示积极的影响, 虚线表示消极的影响；*表示P < 0.01 图 6 太行山区RSEI与影响因素的结构方程模型 Fig. 6 Structural equation model of RSEI and the factors influencing it in the Taihang Mountain area |
高程、坡度和植被类型等环境因素是太行山区RSEI的主要影响因素. 高程和坡度较低的区域人类活动和农业活动强度大[图 7（a）和7（b）], 导致部分地区土壤质地变差、土壤肥力下降和土壤侵蚀加剧[37], 人类活动对该区生态环境的干扰超过了其生态系统自身的修复能力和外界治理水平[38], 从而间接导致生态环境质量较低. 植被类型以针叶林、阔叶林和灌丛为主的区域具有较高的生态环境质量[图 7（c）]. 森林植被根系较深, 能够固定土壤, 防止水土流失和土壤侵蚀, 保持土壤结构的稳定性. 丰富的凋落物和植物群落等的共同作用对大气降水进行重新分配和调节, 有效改善了当地小气候和土壤理化性质, 改善了植被生长环境[39]. 土壤类型对生态环境质量既有直接影响又有间接影响. 淋溶土、半淋溶土、初育土等土壤类型区域RSEI较高, 盐碱土和钙层土不适宜植被生长的区域RSEI低[图 7（d）]. 淋溶土和半淋溶土水肥保持能力较强, 植被主要为针叶林和阔叶林, 而其他土壤区含水量与营养元素相对匮乏, 植被以草本为主, 对外界环境的依赖性更强[40].
|
a1.50~304 m, a2.394~789 m, a3.789~1 143 m, a4.1 143~1 530 m, a5.1 530~3 074m；b1. 0°~2°, b2. 2°~4°, b3. 4°~6°, b4. 6°~8°, b5. 8°~10°, b6. 10°~26.5°；c1.栽培植被, c2.草甸, c3.草丛, c4.草原, c5.灌丛, c6.阔叶林, c7.针叶林, c8.其他；d1.淋溶土, d2.半淋溶土, d3.钙层土, d4.初育土, d5.半水成土, d6.水成土, d7.盐碱土, d8.人为土, d9.高山土, d10.城区, d11.其他 图 7 人类活动强度随地形变化与RSEI随环境因素变化 Fig. 7 Intensity of anthropogenic activity varies with terrain and RSEI varies with environmental factors |
气候因素是影响太行山区RSEI变化的关键因素. 整体上气温对RSEI呈现负向影响, 而降水对RSEI则表现出正向影响. 太行山区受季风气候影响, 雨热同期, 但潜在蒸发量多在1 600 mm左右[41], 远大于实际降水, 易形成干旱胁迫, 2001~2021年太行山区气温呈上升趋势[图 8（a）], 气温升高会使植被生长受到土壤水分胁迫的影响, 水分大量蒸发使得土壤水分流失严重[42], 从而导致植被生长受限, 使生态环境质量降低[图 8（c）]. 气温也可通过影响土壤间接影响RSEI的高低（图 6）, 气温升高会增加土壤有机质的分解速率, 促使土壤中的养分更容易矿化并提供给植被, 从而有利于湿润地区的植被生长[43]. 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. 近20 a来太行山区年降水量呈增长趋势[图 8（b）], 太行山区是典型的半干旱山地, 光照资源丰富但水分不足[44], 降水增多能够提高土壤湿度, 增强植物光合效率, 促进植被生长发育, 从而使生态环境质量得以改善[图 8（d）]. 降水除了对RSEI有直接的正向影响外, 还通过影响地形间接影响RSEI（图 6）. 这可能是由于雨水对土壤的冲刷在一定程度上改变了地形结构, 影响了陆地水循环和地表径流的分布[45, 46].
|
a1.-3.34~6.06℃, a2.6.06~8.69℃, a3.8.69~10.57℃, a4.10.57~12.68℃, a5.12.68~15.84℃；b1. 336~446 mm, b2. 446~520 mm, b3. 520~587 mm, b4. 587~640 mm, b5. 640~828 mm 图 8 2001~2021年太行山区气候因子年际变化与RSEI随气候因子变化 Fig. 8 Interannual variation of climate factors and RSEI changes with climate factors in the Taihang Mountain area from 2001 to 2021 |
与环境因素和气候因素相比, 人类活动对太行山区RSEI的负面影响最大. 这是由于城市化进程加快, 建设用地扩张侵占林地、草地以及耕地, 致使大量植被被破坏, 生物多样性降低[47], 同时由于城市“热岛效应”, 导致气温升高湿度降低, 抑制了植被生长, 导致生态环境质量降低[48, 49]. 研究区内存在大量矿区[50], 矿山开采不可避免地导致了矿区土地的广泛占用和破坏, 这一过程破坏了原有的植被. 矿山植被的破坏通常导致地表干燥、热容量降低以及反射率增加, 进而形成区域性的热岛效应和干热风害, 对矿区微气候造成不利影响[51~53]. 矿区土壤主要由废石和废渣组成, 其有机质、养分和水分相对匮乏, 破坏了植被生长的基本条件, 导致植被覆盖度大幅下降[54, 55]. 这种状况导致了矿区大面积的人工裸地形成, 加剧了水土流失现象, 进一步促使土地荒漠化的发展. 人类活动可以通过影响植被间接影响RSEI（图 6）. 一些研究表明现状植被在人类活动的干扰下, 可能会转化为栽培植被或被破坏发生逆行演替[56~58], 引起生态系统中植物群落结构的剧变. 这种植被的变化不仅影响土地的生态平衡, 还可能导致土壤侵蚀、水资源的变动以及生物多样性的减少[58~61].
4 结论（1）太行山区2001~2021年RSEI介于0.511~0.552之间, 多年均值为0.531, RSEI最高值出现在2012年, 最低值出现在2010年. 空间分布上, 生态环境质量等级为极好的地区主要分布在南部高海拔地区, 差和较差的区域主要分布在研究区北部以及西南部.
（2）研究区生态环境质量变化趋势上以改善为主. 显著改善面积占比21.24%, 主要分布在张家口市（阳原县、蔚县、逐鹿县）、大同市（灵丘县、广灵县、浑源县）以及临汾市（古县、浮山县、翼城县）, 显著退化面积占比18.43%, 主要分布在安阳市、邯郸市以及长治市中心城区；RSEI未来变化趋势以反持续性为主, 由改善转为未来退化的面积达38.96%.
（3）降水对太行山区RSEI的直接影响最为显著, 其次为人类活动. 高程对太行山区RSEI没有直接影响, 主要通过影响气温、坡度、夜间灯光和植被类型间接影响RSEI的分布. 降水、高程和坡度对太行山区RSEI有正向影响, 总影响分别为0.232、0.378和0.26；人类活动和气温对太行山区RSEI有负向影响, 总影响分别为-0.245和-0.161.
| [1] | Nie X R, Hu Z Q, Zhu Q, et al. Research on temporal and spatial resolution and the driving forces of ecological environment quality in Coal Mining Areas considering topographic correction[J]. Remote Sensing, 2021, 13(14). DOI:10.3390/RS13142815 |
| [2] | Jiang F, Zhang Y Q, 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. |
| [3] | Zhao H X, Jiang X W, Gu B J, et al. Evaluation and functional zoning of the ecological Environment in urban space-A case study of Taizhou, China[J]. Sustainability, 2022, 14(11). DOI:10.3390/su14116619 |
| [4] |
方创琳, 王振波, 刘海猛. 美丽中国建设的理论基础与评估方案探索[J]. 地理学报, 2019, 74(4): 619-632. Fang C L, Wang Z B, Liu H M. Exploration on the theoretical basis and evaluation plan of Beautiful China construction[J]. Acta Geographica Sinica, 2019, 74(4): 619-632. |
| [5] | Song Y F, Lu Y J, Liu T J, et al. Variation of vegetation fractional coverage and its relationship with climate in a desert steppe: optimization of farmland layout in a farming-pastoral ecotone using the ecological suitability index[J]. Ecological Engineering, 2020, 150. DOI:10.1016/j.ecoleng.2020.105834 |
| [6] | Li X H, Zhang H Y, Yu J B, et al. Spatial-temporal analysis of urban ecological comfort index derived from remote sensing data: a case study of Hefei, China[J]. Journal of Applied Remote Sensing, 2021, 15(4). DOI:10.1117/1.JRS.15.042403 |
| [7] | Vicente-Serrano S M, Quiring S M, Peña-Gallardo M, et al. A review of environmental droughts: increased risk under global warming?[J]. Earth-Science Reviews, 2020, 201. DOI:10.1016/j.earscirev.2019.102953 |
| [8] | Yi L, Chen J S, Jin Z F, et al. Impacts of human activities on coastal ecological environment during the rapid urbanization process in Shenzhen, China[J]. Ocean & Coastal Management, 2018, 154: 121-132. |
| [9] | Chen S M, Liu F T, Zhang Z, et al. Changes of groundwater flow field of Luanhe River Delta under the human activities and its impact on the ecological environment in the past 30 years[J]. China Geology, 2021, 4(3): 455-462. |
| [10] | Zhang D J, Jia Q Q, Xu X, et al. Contribution of ecological policies to vegetation restoration: a case study from Wuqi County in Shaanxi Province, China[J]. Land Use Policy, 2018, 73: 400-411. |
| [11] | Han J Y, Wang J H, Zhao Y, et al. Spatio-temporal variation of potential evapotranspiration and climatic drivers in the Jing-Jin-Ji region, North China[J]. Agricultural and Forest Meteorology, 2018, 256-257: 75-83. DOI:10.1016/j.agrformet.2018.03.002 |
| [12] | Zhao L, Dai A G, Dong B. Changes in global vegetation activity and its driving factors during 1982-2013[J]. Agricultural and Forest Meteorology, 2018, 249: 198-209. DOI:10.1016/j.agrformet.2017.11.013 |
| [13] | Sun X F, Shao H Y, Xiang X Y, et al. A coupling method for eco-geological environmental safety assessment in mining areas using PCA and catastrophe theory[J]. Natural Resources Research, 2020, 29(6): 4133-4148. DOI:10.1007/s11053-020-09682-8 |
| [14] | Huang H P, Chen W, Zhang Y, et al. Analysis of ecological quality in Lhasa Metropolitan Area during 1990-2017 based on remote sensing and Google Earth Engine platform[J]. Journal of Geographical Sciences, 2021, 31(2): 265-280. DOI:10.1007/s11442-021-1846-8 |
| [15] | Cortizas A M, Horák-Terra I, Pérez-Rodríguez M, et al. Structural equation modeling of long-term controls on mercury and bromine accumulation in Pinheiro mire (Minas Gerais, Brazil)[J]. Science of the Total Environment, 2021, 757. DOI:10.1016/j.scitotenv.2020.143940 |
| [16] | Xie M M, Chen J, Zhang Q Y, et al. Dominant landscape indicators and their dominant areas influencing urban thermal environment based on structural equation model[J]. Ecological Indicators, 2020, 111. DOI:10.1016/j.ecolind.2019.105992 |
| [17] |
李薇, 谈明洪. 太行山区不同坡度NDVI变化趋势差异分析[J]. 中国生态农业学报, 2017, 25(4): 509-519. Li W, Tan M H. NDVI variation tendency under different slopes in Taihang Mountain[J]. Chinese Journal of Eco-Agriculture, 2017, 25(4): 509-519. |
| [18] | Peng H, Jia Y W, Zhan C S, et al. Topographic controls on ecosystem evapotranspiration and net primary productivity under climate warming in the Taihang Mountains, China[J]. Journal of Hydrology, 2020, 581. DOI:10.1016/j.jhydrol.2019.124394 |
| [19] | Wang C W, Luo J J, Qing F, et al. Analysis of the driving force of spatial and temporal differentiation of Carbon Storage in Taihang Mountains based on InVEST model[J]. Applied Sciences, 2022, 12(20). DOI:10.3390/app122010662 |
| [20] | Liu X P, Zhang W J, Yang F, et al. Changes in vegetation-environment relationships over long-term natural restoration process in Middle Taihang Mountain of North China[J]. Ecological Engineering, 2012, 49: 193-200. DOI:10.1016/j.ecoleng.2012.06.040 |
| [21] | Liu X P, Zhou W M, Li X X, et al. Secondary succession of shrub-herb communities in the hilly area of Taihang Mountain[J]. Frontiers in Plant Science, 2023, 14. DOI:10.3389/fpls.2023.1194083 |
| [22] | Liu X P, Zhang W J, Hu C S, et al. Soil greenhouse gas fluxes from different tree species on Taihang Mountain, North China[J]. Biogeosciences, 2014, 11(6): 1649-1666. DOI:10.5194/bg-11-1649-2014 |
| [23] | Li W, Tan M H. Influences of vertical differences in population emigration on mountainous vegetation greenness: a case study in the Taihang Mountains[J]. Scientific Reports, 2018, 8(1). DOI:10.1038/s41598-018-35108-w |
| [24] | Liang H Z, Fu T G, Gao H, et al. Climatic and Non-Climatic drivers of plant diversity along an altitudinal gradient in the Taihang Mountains of northern China[J]. Diversity, 2023, 15(1). DOI:10.3390/d15010066 |
| [25] | Guo H C, He S, Jing H T, et al. Evaluation of the impacts of change in land use/cover on Carbon Storage in multiple scenarios in the Taihang Mountains, China[J]. Sustainability, 2023, 15(19). DOI:10.3390/su151914244 |
| [26] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019 |
| [27] | Ding Y X, Peng S Z. Spatiotemporal trends and attribution of drought across China from 1901—2100[J]. Sustainability, 2020, 12(2). DOI:10.3390/su12020477 |
| [28] | Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-Like data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333 |
| [29] | Mu H W, Li X C, Wen Y N, et al. A global record of annual terrestrial human footprint dataset from 2000 to 2018[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01284-8 |
| [30] |
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. |
| [31] | Li Y, Wu L Y, Han Q, et al. Estimation of remote sensing based ecological index along the Grand Canal based on PCA-AHP-TOPSIS methodology[J]. Ecological Indicators, 2021, 122. DOI:10.1016/j.ecolind.2020.107214 |
| [32] | Hirsch R M, Slack J R. A nonparametric trend test for seasonal data with serial dependence[J]. Water Resources Research, 1984, 20(6): 727-732. |
| [33] |
徐勇, 戴强玉, 黄雯婷, 等. 2000~2020年西南地区植被NDVI时空变化及驱动机制探究[J]. 环境科学, 2023, 44(1): 323-335. Xu Y, Dai Q Y, Huang W T, et al. Spatio-temporal variation in vegetation cover and its driving mechanism exploration in southwest China from 2000 to 2020[J]. Environmental Science, 2023, 44(1): 323-335. |
| [34] | Gocic M, Trajkovic S. Analysis of changes in meteorological variables using Mann-Kendall and Sen's slope estimator statistical tests in Serbia[J]. Global and Planetary Change, 2013, 100: 172-182. |
| [35] |
赖金林, 齐实, 崔冉冉, 等. 西南高山峡谷区植被变化及影响因素分析[J]. 环境科学, 2023, 44(12): 6833-6846. Lai J L, Qi S, Cui R R, et al. Analysis of vegetation change and influencing factors in southwest alpine canyon area[J]. Environmental Science, 2023, 44(12): 6833-6846. |
| [36] | Fonseca-Pedrero E. Structural equation modeling with Mplus: basic concepts, applications, and programming[J]. Psicothema, 2012, 24(2): 343-344. |
| [37] | Cao W, Wu D, Huang L, et al. Determinizing the contributions of human activities and climate change on greening in the Beijing-Tianjin-Hebei Region, China[J]. Scientific Reports, 2021, 11(1). DOI:10.1038/s41598-021-00788-4 |
| [38] | Chen G, Li Q, Peng F, et al. Henan ecological security evaluation using improved 3D ecological footprint model based on emergy and net primary productivity[J]. Sustainability, 2019, 11(5). DOI:10.3390/su11051353 |
| [39] |
陈玉兰, 焦菊英, 田红卫, 等. 黄土高原归一化植被指数与自然环境因子的空间关联性——基于地理探测器[J]. 生态学报, 2022, 42(9): 3569-3580. Chen Y L, Jiao J Y, Tian H W, et al. Spatial correlation analysis between vegetation NDVI and natural environmental factors based on geographical detector on the Loess Plateau[J]. Acta Ecologica Sinica, 2022, 42(9): 3569-3580. |
| [40] |
贺鹏, 毕如田, 徐立帅, 等. 基于地理探测的黄土高原植被生长对气候的响应[J]. 应用生态学报, 2022, 33(2): 448-456. He P, Bi R T, Xu L S, et al. Using geographical detection to analyze responses of vegetation growth to climate change in the Loess Plateau, China[J]. Chinese Journal of Applied Ecology, 2022, 33(2): 448-456. |
| [41] |
李晓荣, 高会, 韩立朴, 等. 太行山区植被NPP时空变化特征及其驱动力分析[J]. 中国生态农业学报, 2017, 25(4): 498-508. Li X R, Gao H, Han L P, et al. Spatio-temporal variations in vegetation NPP and the driving factors in Taihang Mountain Area[J]. Chinese Journal of Eco-Agriculture, 2017, 25(4): 498-508. |
| [42] | Yin L C, Feng X M, Fu B J, et al. A coupled human-natural system analysis of water yield in the Yellow River basin, China[J]. Science of the Total Environment, 2021, 762. DOI:10.1016/j.scitotenv.2020.143141 |
| [43] | Seddon A W R, Macias-Fauria M, Long P R, et al. Sensitivity of global terrestrial ecosystems to climate variability[J]. Nature, 2016, 531(7593): 229-232. |
| [44] |
范晨雨, 景海涛, 王莉, 等. 太行山区气候时空变化及其对植被覆盖度的影响[J]. 水土保持研究, 2020, 27(3): 146-152, 158. Fan C Y, Jing H T, Wang L, et al. Spatial-temporal change of climate and its relationship with vegetation coverage in Taihang Mountainous areas[J]. Research of Soil and Water Conservation, 2020, 27(3): 146-152, 158. |
| [45] | Liu Z Q, Wei H, Zhang J E, et al. Seasonality regulates the effects of acid rain on microbial community in a subtropical agricultural soil of southern China[J]. Ecotoxicology and Environmental Safety, 2021, 224. DOI:10.1016/j.ecoenv.2021.112681 |
| [46] | 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 |
| [47] | Wu X C, Liu H Y, Li X Y, et al. Higher temperature variability reduces temperature sensitivity of vegetation growth in Northern Hemisphere[J]. Geophysical Research Letters, 2017, 44(12): 6173-6181. |
| [48] | Liu X, Ming Y J, Liu Y, et al. Influences of landform and urban form factors on urban heat island: comparative case study between Chengdu and Chongqing[J]. Science of the Total Environment, 2022, 820. DOI:10.1016/j.scitotenv.2022.153395 |
| [49] |
梁建设, 白永平, 杨雪荻, 等. 基于多源数据的城市扩张中热环境演变及响应[J]. 环境科学, 2022, 43(6): 3365-3374. Liang J S, Bai Y P, Yang X D, et al. Thermal environment evolution and response mechanism of urban sprawl based on multi-source data[J]. Environmental Science, 2022, 43(6): 3365-3374. |
| [50] |
李慧涛, 韩劲, 陆刚, 等. 太行山区产业生态化水平测度及空间差异——基于产业生态化实现过程的分析[J]. 干旱区资源与环境, 2023, 37(12): 68-77. Li H T, Han J, Lu G, et al. Measurement of industrial ecology level and spatial differences in the Taihang mountainous areas: analysis based on the implementation of industrial ecology[J]. Journal of Arid Land Resources and Environment, 2023, 37(12): 68-77. |
| [51] | Zhang M, Wang J M, Li S J. Tempo-spatial changes and main anthropogenic influence factors of vegetation fractional coverage in a large-scale opencast coal mine area from 1992 to 2015[J]. Journal of Cleaner Production, 2019, 232: 940-952. |
| [52] | Guo Y C, Huang Y L, Li J M, et al. Study on the influence of mining disturbance on the variation characteristics of vegetation index: a case study of Lingwu Mining Area[J]. Environmental Development, 2023, 45. DOI:10.1016/j.envdev.2023.100811 |
| [53] | Yu H X, Zahidi I, Chow M F. Vegetation as an ecological indicator in assessing environmental restoration in mining areas[J]. iScience, 2023, 26(9). DOI:10.1016/j.isci.2023.107667 |
| [54] | Sun S Y, Sun H, Zhang D S, et al. Response of soil microbes to vegetation restoration in coal mining subsidence areas at Huaibei Coal Mine, China[J]. International Journal of Environmental Research and Public Health, 2019, 16(10). DOI:10.3390/ijerph16101757 |
| [55] | Wu Z Y, Cui F, Nie J L. Relationship between soil water content and vegetation distribution in a small area before and after coal seam mining: a case study of coal mining subsidence area in Northwest China[J]. Environmental Earth Sciences, 2023, 82(4). DOI:10.1007/S12665-023-10791-9 |
| [56] | Yu L, Wu Z T, Du Z Q, et al. Insights on the roles of climate and human activities to vegetation degradation and restoration in Beijing-Tianjin sandstorm source region[J]. Ecological Engineering, 2021, 159. DOI:10.1016/j.ecoleng.2020.106105 |
| [57] | Sun R, Chen S H, Su H B. Trend analysis and driving factors of vegetation dynamics in northern China from 1982 to 2015[J]. Remote Sensing, 2022, 14(23). DOI:10.3390/rs14236163 |
| [58] |
尤其, 许宝荣, 邹松兵, 等. 中国北方干旱半干旱区植被-气候响应关系特征[J]. 中国沙漠, 2023, 43(4): 274-287. You Q, Xu B R, Zou S B, et al. The vegetation-climate quantitative relationship and characteristics in arid and semi-arid region of northern China[J]. Journal of Desert Research, 2023, 43(4): 274-287. |
| [59] | Abrego N, Crosier B, Somervuo P, et al. Fungal communities decline with urbanization—more in air than in soil[J]. The ISME Journal, 2020, 14(11): 2806-2815. |
| [60] | Li C, Sanchez G M, Wu Z F, et al. Spatiotemporal patterns and drivers of soil contamination with heavy metals during an intensive urbanization period (1989-2018) in southern China[J]. Environmental Pollution, 2020, 260. DOI:10.1016/j.envpol.2020.114075 |
| [61] | Liu W, Zhan J Y, Zhao F, et al. Impacts of urbanization-induced land-use changes on ecosystem services: a case study of the Pearl River Delta Metropolitan Region, China[J]. Ecological Indicators, 2019, 98: 228-238. |