2025, Vol. 46
2. 陕西师范大学地理科学与旅游学院，西安 710119;
3. 兰州大学资源环境学院，兰州 730000
, XIN Cun-lin1
, YANG Yu-fan2 , XIN Shun-jie3 , WANG Yu1 , CHEN Ning1 , ZHANG Bo1 , ZHU Ke-bing1 , MA Xin-shu1 , CHEN Hong-xiang1
2. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China;
3. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China
生态环境是人类生存和发展的基本要求[1]，不仅为人类提供自然资源和人居环境服务，还是区域社会经济可持续发展的核心和基础. 生态环境质量的优劣直接影响到人类生存环境和国家生态安全[2]. 20世纪以来，全球人口的激增带来经济高速发展的同时[3]，人类活动改变了生态系统循环的自然过程，进而造成了水土流失、森林退化和土地沙漠化等一系列生态环境问题[4，5]，严重破坏生态系统平衡，威胁到人类生存发展[6]. 因此，为了应对以上日益激增的环境问题，必须对生态环境质量进行准确定量评价，识别生态环境质量的关键驱动因子并预测生态环境未来趋势走向，从而实现社会经济的绿色高质量发展，并为生态环境保护和社会可持续发展提供理论依据[7].
生态环境质量定量评价是一项复杂而具有挑战性的任务. 近年来，生态环境质量变化评估产生了众多研究方法. 在指标体系内容方面，产生了诸多专项评价[8]，包括生态风险评估[9]、生态脆弱性评估[10]和生态健康评价[11]等. 在评价的方法方面也从定性描述转变为定量分析，常见的分析方法有：人工神经网络评价方法[12]、生态足迹法[13]和综合指数评价法[14]等. 但上述生态环境质量评价方法的数据来源多为统计年鉴，格网化评价难以实现. 随着“3S”技术的高速发展，卫星遥感技术（RS）以数据易获取、覆盖范围广和大面积同步观测等优势得到广泛应用，与地理信息系统（GIS）结合后在生态环境评价中效果显著. 徐涵秋[15]在2013年基于遥感技术提出遥感生态指数（remote sensing ecological index，RSEI），用于定量评价区域生态环境质量. RSEI指数是完全基于自然因子，拥有指标获取简单、无人为设定权重、结果可视化等优势的评价指标，缺少人为干扰从而保证评价结果的客观合理[15，16]，因此被广泛应用于流域[1，17]、大城市[18]、海岛[19]和青藏高原[20]等地理单元的生态环境质量评价. 在长时序RSEI分析中，传统的评估面临着海量数据和复杂处理过程的挑战[7]，而谷歌地球引擎（Google Earth Engine，GEE）遥感大数据平台克服了在模型数据获取方面的困难和限制，其强大的运算功能可以快速高效地处理遥感数据[21]，已在洱海流域[22]、淮河流域[23]和格尔木市[24]等诸多地区生态环境评估中得到充分验证. 综上所述，由于GEE平台的快捷、便利和高效性，目前已被广泛应用于生态环境质量相关的研究.
甘肃省位于我国西北内陆地区，地理位置特殊，作为西部生态环境安全的重要屏障和黄河、长江上游重要水源涵养区，在全国生态安全格局中具有重要的战略地位. 过去几十年，气候变化和人为活动的双重干扰导致甘肃省生态环境愈加脆弱，干旱、土地贫化、荒漠化和资源枯竭等生态问题日益突出. 盐渍化与沙漠化土地面积的不断扩大，极大压缩人们生产生活的空间的同时，严重制约了经济社会发展[25]. 尽管得益于生态保护政策的指导，近年来甘肃省沙化和荒漠化面积有所下降，但依然是我国受沙化和荒漠化危害最严重的省份之一. 省内生态环境问题日渐加剧、生态环境污染加速并且西迁是甘肃省乃至西部大开发战略所面临的严重挑战，已成为甘肃省社会经济发展和人类生产生活的重大制约因素. 因此，利用遥感大数据平台和“3S”技术及时、准确地掌握甘肃省生态环境时空格局、识别其驱动力与未来演变趋势，对甘肃省生态环境保护和建设具有重要研究价值和战略意义.
鉴于此，本研究基于GEE平台量化21世纪以来甘肃省生态环境质量、确定其突变年份、阐明其时空特征、剖析其空间变化趋势和稳定性、识别其空间分异的关键驱动因子并最终预测其未来走向. 本研究的开展皆为回答以下科学问题：①21世纪以来甘肃省生态环境质量在年际尺度上表现出怎样的时空变化格局？②环境因子如何影响甘肃省生态环境质量的空间异质性？③甘肃省生态环境质量在未来会呈现出怎样的发展趋势？以上关键科学问题的解答可为甘肃省生态保护政策制定和生态文明建设提供科学依据和数据支撑[26].
1 材料与方法 1.1 研究区概况甘肃省位于中国西北内陆地区（32°11´~42°57´N，92°13´~108°46´E）（图 1），横跨黄土高原、青藏高原和内蒙古高原，地形狭长且幅员辽阔，东西绵延1 659 km，南北跨度530 km，海拔相差悬殊，总面积为42.59万km2，占中国总面积的4.72%[27]. 甘肃省年平均气温在0~16 ℃[28]，年降水量为300 mm，整体时空分布不均. 甘肃省境内河流分属长江、黄河、内陆河3个流域，涉及9条水系，年总径流量603亿m3. 甘肃省得天独厚的自然环境和气候类型，使其形成了山地、平川、高原、沙漠和戈壁等多种地形地貌以及耕牧交错的特色农牧业生态系统. 甘肃省是中国西部重要的生态环境安全屏障，是黄河和长江上游的重要水源涵养区，在全国生态安全格局中具有重要的战略地位. 近年来甘肃省部分生态环境问题日渐加剧，已成为制约甘肃省社会经济发展和人类生产生活的重要因素.
|
图 1 研究区概况 Fig. 1 Overview of the study area |
GEE遥感大数据云平台作为地理信息数据可视化和处理平台，具有处理长时空尺度遥感数据的能力，无需大气校正和辐射校正等数据预处理过程[17]. 本研究基于GEE平台，选取2000~2022年逐年植被生长季（6~9月）的MOD13A1归一化植被指数（normalized difference vegetation index，NDVI）、MOD11A2地表温度（land surface temperature，LST）和MOD09A1地表反射率数据，所有数据均统一为WGS-1984坐标系. 对水体和云层进行掩膜处理以提高RSEI精度[29]. 参考以往研究和现有数据，本研究从自然和社会经济两个方面选择了8个驱动因子（气温、降水量、植被覆盖度、人口分布、夜间灯光强度、海拔高度、坡度和地形起伏度）来探究生态环境质量的空间异质性归因（数据描述见表 1）.
|
表 1 数据来源与预处理 Table 1 Data sources and pre-processing |
1.3 研究方法
本研究首先基于GEE平台构建遥感生态指数动态评估21世纪以来甘肃省生态环境质量的变化，并结合Mann-Kendall与Pettitt检验确定其突变年份；在此基础上采用ArcGIS空间分析、数理统计、Theil-Sen Median联合Mann-Kendall趋势分析和变异系数等方法揭示生态环境质量时空分布规律和变化趋势；进而使用地理探测器和双变量Moran's I识别生态环境质量空间分异的关键驱动因子并将驱动作用进行可视化；最终借助Hurst指数预测生态环境质量未来走向. 本研究技术流程如图 2所示.
|
图 2 技术流程 Fig. 2 Technological process |
本研究基于GEE平台计算2000~2022年逐年RSEI. RSEI由4项指标耦合而成，分别为绿度（NDVI）、湿度（WET）、热度（LST）和干度（NDBSI）. 就遥感技术而言，它可以从遥感影像中获得这4项指标的信息，采用归一化植被指数、湿度分量、地表温度和裸土指数分别代表绿度、湿度、热度和干度. 以上4项评价指标是人类直观感受生态条件优劣的最重要指标，RSEI指数能够客观地耦合4项指标，合理代表区域生态质量，因此常用于生态环境质量评价[15]. 4项指标计算公式分别如下：
（1）绿度指标
|
(1) |
（2）湿度指标
|
(2) |
（3）热度指标
|
(3) |
式中，LST表示地表温度值（℃），DN表示像元灰度值（K）.
（4）干度指标
|
(4) |
|
(5) |
|
(6) |
式中，SI表示裸土指数，IBI表示建筑指数，ρ1~ρ7表示MOD09A1地表反射率产品的波段.
（5）RSEI构建 对4项指标分别进行归一化处理，最后通过主成分分析（principal component analysis，PCA）方法将4项指标进行耦合计算得到RSEI指数，取值范围为[0，1]. 其值越接近1代表生态环境质量越高，越接近0则代表生态环境质量越低. 计算公式如下：
|
(7) |
式中，RSEI表示生态环境质量；NDVI表示植被指数；WET表示湿度分量；LST表示地表温度；NDBSI表示裸土指数.
1.3.2 Mann-kendall和Pettitt突变检验法（1）Mann-kendall突变检验 该检验是一种不受个别异常值干扰的非参数检验方法[30，31]. 本研究对甘肃省2000~2022年RSEI在时间序列上的突变点进行检验，用以捕捉RSEI发生显著突变的时间点. 其计算公式如下.
首先，为n个样本量的时间序列R（x1，x2，…，xn）构造序列Sk：
|
(8) |
|
(9) |
式中，Sk表示时刻i大于时刻j的累计数值，xi表示时刻i的RSEI均值.
假设随机独立于时间序列，定义统计量UFk：
|
(10) |
式中，E（Sk）和Var（Sk）分别表示Sk的均值和方差.
再次构建时间序列，将统计量定义为UBk并满足UBk=-UFk. 当UFk > 0时，时间序列呈上升趋势；反之当UFk < 0时，时间序列呈下降趋势；当UBk和UFk有交点且处于临界直线之间时，时间节点为突变的开始.
（2）Pettitt突变检验 Pettitt突变检验是一种新的非参数检测法，在有效判断RSEI时序突变情况的同时，还能检验突变是否具备数学统计意义上的显著性[32]. 与Mann-Kendall法一样，构造形如式（11）的一秩序列. 不同的是ri是分3种情况定义的，即：
|
(11) |
式中，ri表示第i时刻数值大于或小于j时刻数值个数的累计数.
Pettitt法是直接利用秩序列来检测突变点的. 若t0时刻满足：
|
(12) |
则t0点处为突变点.
|
(13) |
若P < 0.5，则认为检测出的突变点在统计意义上是显著的.
1.3.3 Theil-Sen Median联合Mann-Kendall趋势分析本研究采用Sen's slope estimator用于长时间序列的RSEI趋势分析. Sen's slope estimator通过计算时间序列的中位数可以较好地减少离群干扰，通常用于长时间序列的趋势分析[31]，但其无法对时间序列趋势的显著性进行检验. 进一步引入Mann-Kendall显著性检验可以完成Sen's slope estimator的显著性检验[33]. 其计算公式如下所示：
|
(14) |
式中，QRSEI表示时间序列的趋势变化；RSEIi和RSEIj分别表示时间段i和j的RSEI均值（1 < i < j < n），当QRSEI > 0.000 5时为上升趋势，当QRSEI= 0.000 5时趋势稳定不变，而当QRSEI < 0.000 5时为下降趋势.
检验统计量的公式如下所示：
|
(15) |
|
(16) |
当n≥10时，统计量S近似服从标准正态分布，使用检验统计量Z进行趋势检验. 公式如下所示：
|
(17) |
式中，var表示方差. 采用显著性水平α=0.05进行显著性检验，当|Z| < 1.96时，序列变化显著；当|Z|≥1.96时，序列变化不显著.
1.3.4 CV变异系数基于像元尺度栅格数据，利用变异系数（coefficient of variation，CV）来表征生态环境质量的受扰动幅度，CV值越小生态环境质量状态越稳定；数值越大，生态环境质量变化越不稳定[23]. 计算公式如下：
|
(18) |
式中，CV表示变异系数，Tmean表示RESI的多年均值，n表示总时间序列数，Ti表示在时间序列i上RESI的值.
1.3.5 地理探测器模型地理探测器是一种用于探究地理空间要素分布空间异质性及驱动因子的研究方法[34]. 地理探测器的因子探测可以识别驱动因子并对其作用力大小进行探测，交互探测可以对多个驱动因子对因变量的交互作用进行解释，因子交互类型见表 2.
|
|
表 2 因子交互作用类型 Table 2 Types of factor interactions |
地理探测器计算公式如下[35]：
|
(19) |
式中，q表示自变量解释力的度量；L表示自变量或因变量的分层；N和σ2分别表示研究区整体的单元数和方差；Nh和σh2分别表示层h的单元数和方差.
1.3.6 双变量空间自相关模型空间双变量分析可以确定RSEI与驱动因子的空间关联模式. 双变量局部莫兰指数（Moran's I）用于数据的空间分析. 空间自相关包括全局自相关和局部自相关，其中，局部自相关能更好地探测出区域内各因子的高值集聚区和低值集聚区，本研究通过分析空间关联局域指标显著水平，利用Local Moran's I统计量分析甘肃省RSEI与驱动因子的空间自相关特征. Local Moran's I计算公式如下[36]：
|
(20) |
式中，Zi和Zj表示百分制得分的标准化形式；Wij表示空间权重矩阵. 若Ii显著 > 0，则区域变量之间的空间差异显著较小；若Ii显著 < 0，则区域变量之间的空间差异显著较大.
1.3.7 未来变化趋势预测预测生态环境质量的未来趋势是实现可持续发展目标的一个重要环节. Hurst指数可以定量地表示RSEI序列数据在未来的依赖性，可以用来判断当前的趋势在未来是否会持续[37]. 采用重标极差（R/S）分析方法计算RSEI的Hurst值，以模拟甘肃省生态环境质量相对于过去的未来演变趋势，其原理如下[33]. 对于时间序列RSEIi（i=1，2，…，n），定义该时间序列.
均值序列：
|
(21) |
累计离差：
|
(22) |
极差：
|
(23) |
标准差：
|
(24) |
由
本研究基于GEE平台完成了RSEI模型的构建和计算. 利用MATLAB 2022软件完成了RSEI时序数据的Mann-Kendall和Pettitt突变检验、CV稳定性分析、Theil-Sen Median联合Mann-Kendall趋势分析及Hurst指数未来变化预测. 地理探测器使用RStudio 2022软件进行. 利用GeoDa软件计算了双变量Moran's I. 使用ArcGIS 10.6软件完成了空间制图和分析. 使用Origin 2021软件完成了部分制图.
2 结果与分析 2.1 甘肃省生态环境质量时空变化特征 2.1.1 甘肃省生态环境质量年际变化特征2000~2022年甘肃省生态环境质量的年际变化如图 3所示. 甘肃省RSEI随年份增加呈不显著的波动上升趋势（P > 0.05）. RSEI在0.34~0.47范围内波动，多年平均RSEI为0.41，年际变化斜率为0.001 3 a-1. 2020年的RSEI达到峰值，较多年平均RSEI高0.06；2005年RSEI达到谷值，较多年平均RSEI低0.07. 以上结果表明，2000~2022年期间在日益严格的环保政策和相关生态治理措施的推动下，甘肃省生态环境质量呈持续变好趋势，显现出了近年来较好的生态环境治理效果.
|
图 3 生态环境质量年际变化 Fig. 3 Inter-annual variation in ecological environment quality |
2000~2022年甘肃省生态环境质量Mann-Kendall和Pettitt突变检验结果如图 4所示. 由图 4（a）的Mann-Kendall突变检验结果可知，UF曲线除2005年以外均处于临界线以内，其中2002~2005年UF曲线均低于0且持续下降，表明在此期间甘肃省生态环境质量持续恶化. RSEI在2007年、2008年、2013年、2018年和2021年5个年份的UF曲线与UB曲线存在交点，且在临界直线之间，表明以上5个年份为甘肃省生态环境质量在时间序列上发生突变的年份. 由图 4（b）的Pettitt突变检验结果可知，Ut统计量曲线在2006年和2007年低于临界直线，表明以上2个年份的生态环境质量发生了突变. 综上所述，综合Mann-Kendall和Pettitt突变检验结果，2000~2022年甘肃省生态环境质量在时序上存在突变点且突变年份为2007年.
|
图 4 生态环境质量Mann-Kendall和Pettitt突变检验 Fig. 4 Mann-Kendall and Pettitt mutation tests for ecological environment quality |
为了揭示甘肃省生态环境质量空间分布特征，参照已有研究的生态环境质量分级标准，将RSEI分为[0，0.2）、[0.2，0.4）、[0.4，0.6）、[0.6，0.8）和[0.8，1]这5个值域区间，分别表示生态环境质量的“差”、“较差”、“中”、“良”和“优”这5类等级[38，39]，据此得到甘肃省逐年生态环境质量与多年平均生态环境质量空间分布.
2000~2022年甘肃省逐年生态环境质量空间分布如图 5所示. 从中可知生态环境质量逐年空间分布状况基本类似，优等级分布于甘肃省东南部，差等级分布于西北部，生态环境质量自东南向西北逐渐变差.
|
图 5 生态环境质量逐年空间分布 Fig. 5 Year-by-year spatial distribution of ecological environment quality |
2000~2022逐年生态环境质量等级面积占比变化如图 6所示. 生态环境质量等级为优、良和差的面积占比随年份增加呈上升趋势，其线性拟合斜率分别为0.031%·a-1、0.299%·a-1和0.015%·a-1. 中和较差等级的面积占比随年份增加而下降，线性拟合斜率分别为-0.022%·a-1和-0.323%·a-1. 其中，良和较差等级的面积占比随年份增加呈显著上升和下降趋势（P < 0.05），其他等级占比变化则不显著（P > 0.05）. 综上所述，2000~2022年甘肃省生态环境质量优、良、中、较差和差等级的面积随年份增加分别呈不显著增加、显著增加、不显著减小、显著减小和不显著增加，分别以132.03、1 273.44、93.70、1 375.66和63.83 km2·a-1的速度增加或减少.
|
图 6 不同等级生态环境质量的面积占比年际变化 Fig. 6 Inter-annual changes in the area share of different levels of ecological environment quality |
甘肃省多年平均生态环境质量空间差异显著，存在一定的两极分化现象，自东南向西北逐渐变差（图 7）. 其中，优等级面积为0.69万km2，仅占甘肃省总面积的1.62%，在甘肃省生态环境质量各等级里占比最小，主要分布在甘肃省南部的甘南藏族自治州东部和天水市东部边缘等地区，以上地区植被覆盖度较高、植被类型丰富，人为干扰相对较少，在稳定气候、水土保持和生态系统安全维持方面具有重要作用. 良等级面积为9.03万km2，占比21.20%，聚集在甘肃省南部和祁连山区，以上地区地处秦岭山脉和祁连山国家公园内，植被覆盖度较高、水源涵养功能较好、降水量较大，植被和气候的综合作用导致以上区域生态环境质量较优. 中等级面积占比最大，达27.17%，面积达11.57万km2，分布在庆阳市西部、定西市、天水市西部以及河西走廊地区. 较差等级占比23.62%，面积达10.06万km2，在空间上呈条带状分布，主要位于甘肃省中北部的白银市、兰州市、金昌市、张掖市北部以及酒泉市除中部以外的区域. 差等级占比26.39%，面积达11.24万km2，分布于酒泉市、张掖市西北部和武威市北部. 生态环境质量最差区域地处库姆塔格沙漠、巴丹吉林沙漠与腾格里沙漠边缘地带，以上地区广泛分布着荒漠戈壁，植被覆盖度极低，风沙侵蚀作用强烈，气候干旱，蒸散量是降水量数倍，导致生态环境较为恶劣和脆弱.
|
图 7 多年平均生态环境质量空间分布 Fig. 7 Spatial distribution of multi-year average ecological environment quality |
为了探究甘肃省生态环境质量是否存在随海拔、坡度和地形起伏度等地形因素变化的地形效应，利用ArcGIS 10.6空间分析工具，基于DEM分别提取和计算海拔、坡度和地形起伏度，并按自然间断点法重分类为不同类别. 以10 a为间隔，将研究时段分割为起始年份（2000年）、中间年份（2011年）和截止年份（2022年），从而分别统计2000年、2011年、2022年和多年平均RSEI随海拔、坡度和地形起伏度等级的变化.
如图 8（a）所示，4个年份的生态环境质量均随着海拔高度的上升以2 825~3 574 m海拔范围为转折点，呈先升后降的变化态势，在2 825~3 575 m范围内人类活动较少，气候条件较为适宜，植被生长较为繁茂，4个年份生态环境质量均在此达到峰值，生态环境质量均达到中等级（RSEI > 0.53）. 从图 8（b）可知，不同年份生态环境质量均随坡度的上升而上升，在2°~6°范围以后呈急剧上升态势，最后在51°~63°范围处趋于平缓. 除2022年生态环境质量峰值在 > 63°等级外，其余3个年份均在51°~63°处达到峰值. 根据《中华人民共和国水土保持法》规定，坡度大于25°的地区应限制复垦，已复垦的耕地应当逐步退耕还林还草. 坡度 < 15°的地区因为受到人类活动的干扰较多导致生态环境质量较差. 根据图 8（c）可知，甘肃省生态环境质量在不同年份均呈随地形起伏度的上升而持续上升的变化态势，均在0~32 m范围处最差（RSEI < 0.30），自73~114 m范围后变化趋于平缓，最后在343~1 035 m范围达到峰值，生态环境质量均达到较优水平（RSEI > 0.63）. 综上所述，2000~2022年甘肃省生态环境质量在地形效应下表现出明显的差异，呈现出随海拔上升而先升后降、随坡度上升而上升、随地形起伏度上升而持续上升的变化态势.
|
图 8 生态环境质量地形区划统计 Fig. 8 Statistics on the topographic division of ecological environment quality |
本研究采用Theil-Sen趋势分析联合Mann-Kendall显著性检验方法，对2000~2022年甘肃省生态环境质量空间变化趋势进行分析. 如图 9（a）所示，甘肃省生态环境质量变化趋势空间差异较为显著. 呈上升和下降趋势的区域面积分别为28.59万km2和13.84万km2，分别占甘肃省总面积的67.13%和32.50%. 生态环境质量恶化的区域主要集中在甘肃省北部的肃北蒙古族自治县与南部的甘南藏族自治州、陇南市等地区，此外中部的武威市也有分布. 其中极显著下降的区域零星分布在武威市中部和肃北县北部，面积为0.21万km2，占总面积的0.49%. 生态环境质量呈上升趋势的区域占据甘肃省主体，其中以不显著上升为主，其面积为20.86万km2，占总面积的48.98%，广泛分布于除肃北县北部、甘南州和陇南市以外的甘肃全境. 极显著上升的区域占比4.83%，面积为2.06万km2，零星分布于河西走廊地区、临夏州、定西市和天水市等. 2000~2022年生态环境质量无变化区域面积为0.16万km2，仅占总面积0.37%. 其余变化趋势的面积和占比见表 3. 综上所述，2000~2022年甘肃省生态环境质量以上升趋势为主，其中不显著上升区域占比最大，其次为不显著下降，而无变化的区域占比最小.
|
图 9 生态环境质量变化趋势和稳定性空间分布 Fig. 9 Spatial distribution of trends and stability of changes in ecological environment quality |
|
|
表 3 生态环境质量变化趋势和稳定性面积统计 Table 3 Trends and stabilization area statistics in ecological environment quality |
2.2.2 甘肃省生态环境质量空间稳定性
本研究利用CV变异系数法，分析2000~2022年甘肃省生态环境质量在空间分布上的稳定程度. 如图 9（b）所示，甘肃省生态环境质量稳定性的空间差异较为显著. 甘肃省生态环境质量以相对低波动占据主体，其面积达26.62万km2，占甘肃省总面积的62.51%，主要分布在酒泉市东部、南部，以及庆阳市、平凉市、天水市和定西市等，在河西走廊也有少量分布. 此外，低波动的区域主要分布在甘南州、定西市、庆阳市东部和祁连山山区等，占地面积约6.41万km2，占总面积的15.06%，表明以上区域生态环境的空间稳定性最好. 高波动的区域仅占0.55%，面积为0.23万km2，主要分布在酒泉市东部和西部两个区域，表明该区域生态环境质量的空间稳定性最差. 其余波动等级的面积和占比见表 3. 综上所述，2000~2022年甘肃省生态环境质量变化在大部分区域波动程度较低，稳定性较好，在甘肃省南部最为稳定.
2.3 甘肃省生态环境质量空间异质归因 2.3.1 甘肃省生态环境质量驱动因子选取生态环境质量格局的变化是包括自然和人为因素在内的多种环境因子共同作用的结果. 为了探究生态环境质量与各环境因子之间的内在联系及驱动机制，结合甘肃省实际情况，同时考虑到某些变量在功能上的相似性和变量间的共线性问题，为了减少冗余，将8种环境因子数据作为自变量分为3个亚类，①气象数据：年均气温和年降水量；②社会经济数据：人口分布和夜间灯光强度；③自然环境数据：海拔高度、坡度、地形起伏度和植被覆盖度. 考虑到数据时效性和对环境现状的指示意义，以研究时段的终止年份（2022年）为例展示近年来各环境因子的空间分布特征.
8种环境因子的空间分布如图 10所示. 气温呈现出天水市与陇南市最高、其余地区次之、祁连山脉最低的空间分布；降水量呈南高北低、东高西低的两极分化态势；植被覆盖度与降水量高度类似，在空间上呈东高西低、南高北低的两极分化态势；人口分布与夜间灯光强度分布情况高度类似，呈以兰州城市建成区最高、其余13市州城市建成区次之、剩下区域最低的空间分布；海拔高度呈祁连山脉及甘南州高、其余地区低的分布；坡度和地形起伏度呈甘南州、陇南市及张掖市西南部高、其余地区低的空间分布.
|
图 10 各环境因子空间分布 Fig. 10 Spatial distribution of environmental factors |
地理探测器模型用于定量识别不同年份影响生态环境质量发生空间异质的关键驱动因子. 在ArcGIS创建10 km×10 km的格网对各变量采样，共得到6 844个格点. 同样地，将时序数据分割为3个年份（2000年、2011年和2022年）进行地理探测器建模.
2.3.2.1 生态环境质量单因子探测结果单因子探测结果显示，除夜间灯光强度外，其余7个环境因子对甘肃省生态环境质量的空间分布存在显著影响（P < 0.01）. 如图 11所示，在2000年、2011年和2022年，8种环境因子的解释力（q值）趋势一致，降序排列为：植被覆盖度（0.83~0.84） > 降水量（0.77~0.79） > 地形起伏度（0.49~0.57） > 坡度（0.43~0.52） > 海拔高度（0.13~0.22） > 气温（0.08~0.13） > 人口分布（0.003~0.006） > 夜间灯光强度（0.001~0.002）. 植被覆盖度是甘肃省生态环境质量空间异质的主导驱动因子，在不同研究年份的解释力q值均在0.80以上. 这可能是由于21世纪以来甘肃省率先推行退耕还林、还草工程，在气候条件和水土保持措施的共同作用下，甘肃省植被恢复效果显著，植被覆盖度呈上升趋势，植被的生长给甘肃省的生态环境带来了积极影响. 降水量是第2主导因子，其解释力q值也均在0.70以上. 夜间灯光强度是城市社会经济发展的有力表现，能直观反映人类活动的影响范围[40]，夜间灯光强度单因子探测结果表明，甘肃省目前的城市发展程度并未对生态环境质量产生明显的驱动作用（q < 0.01）. 单因子探测结果表明23 a来甘肃省生态环境质量变化受当地自然因素的影响大于社会经济因素.
|
X1表示年均气温，X2表示年降水量，X3表示年均植被覆盖度，X4表示人口分布，X5表示夜间灯光强度，X6表示海拔高度，X7表示坡度，X8表示地形起伏度 图 11 不同年份单因子探测结果 Fig. 11 Results of single factor detection in different years |
生态环境质量交互因子作用类型如图 12所示. 各驱动因子对生态环境的影响均不是互相独立的，驱动因子交互作用的结果均表现为双因子增强和非线性增强两种，不存在减弱或者相互独立的情况，这说明生态环境质量的变化过程是一种复杂的因子交互作用的过程. 双因子增强是指驱动因子两两交互后的解释力大于它们各自单独作用时对生态环境的解释力，而非线性增强效果要强于双因子增强，即驱动因子两两交互后的解释力大于它们各自单独作用时的解释力相加. 图 12同时展示了不同研究年份各驱动因子交互探测结果，可知各因子交互作用产生的解释力均得到了一定的提升. 在2000年，植被覆盖度∩海拔高度的解释力q值最大（0.89）；在2011年，植被覆盖度∩气温的q值最大（0.88）；在2022年，植被覆盖度∩海拔高度的q值最大（0.91）. 以上结果表明，生态环境质量空间变化不仅是单一驱动因子作用的结果，而是受到具有空间异质性的各因子两两交互作用的影响. 因子间的耦合与生态环境质量关系更加密切，对生态环境质量空间异质性的影响更为显著.
|
X1表示年均气温，X2表示年降水量，X3表示年均植被覆盖度，X4表示人口分布，X5表示夜间灯光强度，X6表示海拔高度，X7表示坡度，X8表示地形起伏度；∗表示双因子增强，**表示非线性增强 图 12 不同年份因子交互探测结果 Fig. 12 Factor interaction detection results for different years |
为了展现多种因子对生态环境质量作用在空间上的表达，在地理探测器已识别出关键驱动因子的基础上，结合双变量局部Moran's I，将环境因子的驱动作用可视化，并通过LISA图展示. LISA图能够提供生态环境质量和驱动因子的交互信息并反映彼此的空间相互作用，其结果共分为高-高、低-低、高-低、低-高和不显著这5类. LISA空间聚类结果如图 13所示，通过空间聚类发现，在同一研究年份，生态环境质量与不同驱动因子之间的空间聚集情况差异显著，而不同年份生态环境质量与同一因子之间的空间聚集情况高度类似.
|
图 13 不同年份生态环境质量与驱动因子的LISA图 Fig. 13 LISA plots of ecological environment quality and drivers in different years |
甘肃省东南部的陇南市、天水市、平凉市和庆阳市在不同研究年份均是生态环境质量-气温的高-高聚集区，表明在以上地区两者间存在显著正相关关系，气温对生态环境质量的变化存在正向促进作用. 生态环境质量-降水量和生态环境质量-植被覆盖度的高-高聚集区在不同年份均分布于甘肃省南部和祁连山地区，表明上述因子在以上地区对生态环境具有促进作用；而低-低聚集区分布于甘肃省北部和武威市北部. 降水量和植被覆盖度对生态环境质量的变化影响区域高度重合，两者对生态环境质量具有综合性的影响. 生态环境质量-人口分布的高-高聚集区在不同年份均散布于甘肃省南部，而低-低聚集区在2000和2011年分布于酒泉市北部，在2022年则聚集特征不明显. 生态环境质量-夜间灯光强度在2000年表现为低-低聚类和高-低聚类两类，低-低聚集区分布于河西走廊以北；2011和2022年主要表现为不显著和高-低聚类两种类型，高-低聚集区在不同年份均分布于祁连山地区及甘肃省南部. 生态环境质量-海拔高度的高-高聚集区在不同年份均分布在祁连山地区和甘南州，海拔高度在上述地区对生态环境呈正向促进作用. 生态环境质量-坡度与生态环境质量-地形起伏度的空间聚类特征在不同年份均类似，高-高聚集区大致位于祁连山地区、甘南州、陇南市和天水市，是两者对生态环境存在正向促进作用的区域，低-低聚集区则位于酒泉市北部和武威市北部，表明以上区域由于坡度和地形起伏度较小导致生态环境质量较差.
2.4 甘肃省生态环境质量未来变化趋势预测目前，大量研究均聚焦在生态环境现状分析，鲜见研究考虑其未来趋势，预测生态环境未来趋势能够为甘肃省政府及时、合理地制定和调整相应的生态保护政策提供重要参考依据，同样不容忽视. 因此，本研究基于甘肃省生态环境质量的变化趋势，将Theil-Sen Median联合Mann-Kendall趋势分析与Hurst指数相结合，对生态环境未来趋势进行预测.
由图 14（a）和表 4可知，Hurst指数 > 0.5的区域面积为9.26万km2，占甘肃省总面积的21.76%，表示以上区域未来呈现出可持续的变化趋势；Hurst指数 < 0.5的区域面积达33.17万km2，占甘肃省总面积的77.87%，表示以上区域未来呈现出反持续的变化趋势. 总体而言，呈可持续的区域散布在甘肃省白银市及其以南区域和张掖市及其以北区域，呈反持续的区域空间分布则与之相反.
|
图 14 生态环境质量Hurst指数和未来趋势空间分布 Fig. 14 Spatial distribution of the Hurst index and future trends of ecological environment quality |
|
|
表 4 生态环境质量Hurst指数和未来趋势面积统计 Table 4 Hurst index and future trend area statistics of ecological environment quality |
甘肃省生态环境质量未来趋势走向见图 14（b）. 生态环境质量未来呈持续上升模式的区域主要散布于除金昌市、武威市、酒泉市北部之外的甘肃各地，面积为6.64万km2，占甘肃省总面积的15.59%（表 4），以上区域未来呈现出可持续性，表示以上区域生态环境质量当前呈上升趋势，且这种上升趋势在未来很有可能会持续. 由上升变为下降模式的区域广阔分布在除酒泉市北部、武威市北部和甘南州以外的甘肃各地，其面积达21.78万km2，是面积占比最大的模式，占甘肃省总面积的51.15%，以上区域生态环境质量呈反持续性特征，即当前呈上升趋势，但未来这种上升趋势极可能转为下降趋势. 呈持续下降模式的区域主要零星散布于酒泉北部、甘南州和陇南市的个别地区，其面积为2.63万km2，占甘肃省总面积的6.17%，以上区域未来呈现出可持续性，表示以上区域生态环境质量当前为下降趋势，且这种下降趋势在未来很有可能会持续下去. 由下降变为上升模式的区域分布在酒泉市北部、武威市北部、甘南州和陇南市部分地区，其面积为11.38万km2，占甘肃省总面积的26.72%，以上区域生态环境质量呈反持续性特征，表示以上区域生态环境质量当前为下降趋势，但这种下降趋势未来极可能转变为上升趋势. 呈随机变化模式的区域面积仅为4.26 km2，仅占甘肃省总面积的0.001%，表示该区域生态环境质量的变化没有明显的未来趋势，其未来变化表现出较大的随机性. 未通过显著性检验的区域面积为0.16万km2，占甘肃省总面积的0.37%，无法确定其具体的变化趋势.
综上所述，本研究预测未来甘肃省生态环境质量上升和下降的区域分别为18.02万km2和24.41万km2，其中由上升变为下降模式占据主导地位，表明未来甘肃省大部分地区的生态环境质量将呈现下降趋势.
3 讨论 3.1 甘肃省生态环境质量时空变化格局本研究基于GEE平台量化了2000~2022年甘肃省生态环境质量，阐明了生态环境质量时空变化规律，剖析了生态环境质量空间变化趋势和稳定性，识别出生态环境质量空间分异的关键驱动因子，最后预测了生态环境质量未来变化. 研究结果表明甘肃省生态环境质量年际变化与空间格局具有其独特规律. 在年际变化上，2000~2022年甘肃省生态环境质量总体上呈波动上升趋势，21世纪以来在日益严格的环保政策和相关生态治理措施的推动下，甘肃省生态环境质量呈持续变好趋势，显现出了近年来较好的生态环境治理效果. 在空间格局上，甘肃省生态环境质量自东南向西北逐渐变差. 生态环境质量为优的地区具有植被覆盖度较高、植被类型丰富，人为干扰相对较少的特点，在稳定气候、水土保持和维持生态系统安全方面具有重要作用. 良等级地区地处秦岭山脉和祁连山国家公园内，植被覆盖度较高、水源涵养功能较好、降水量较大，植被和气候的综合作用导致以上区域生态环境质量较优. 而生态环境差的区域广泛分布着荒漠戈壁，植被覆盖度极低、风沙侵蚀作用强烈、气候干旱且蒸散量远超降水量，从而导致生态环境较为恶劣. 以上时空规律与宋媛等[28]的研究相比，研究结果具有一定的一致性，均具有明显的两极分化现象，同时在时间变化上研究结论也相一致. 由于近年来甘肃省社会经济高速发展，部分城市建成区生态环境质量有所降低，例如兰州市和嘉峪关市等，但“生态源地”（林地和草地）的生态环境整体上呈变优趋势，对维护区域生态系统的平衡与协调起着促进作用.
3.2 甘肃省生态环境质量空间异质归因目前，学术界愈加重视多因素协同作用对生态环境的驱动机制[41]. 本研究同时考虑了不同因子对生态环境空间分异的解释力以及各驱动因子之间的交互作用，从而准确识别出导致甘肃省生态环境质量存在空间分异的主要驱动因子，并通过LISA图对驱动因子作用进行了可视化表达. 在8种驱动因子中，确定了自然环境因素是生态环境质量变化的主要贡献者，包括植被覆盖度、降水量、地形起伏度和坡度等，而社会经济因素则对生态环境空间格局的贡献较小. 植被覆盖度是驱动甘肃省生态环境空间格局的主导因素，植被变化是自然因素和人为因素共同作用的结果，适宜的气候条件，加上近年来国家政策推动建立甘肃省祁连山国家级自然保护区以及植树造林、退耕还林还草等，都提高了甘肃省的植被生长状况，进而影响着区域生态环境质量[42]. 降水与植被生长、水土保持和生物群落丰富度等自然现象密切相关. 降水量变化会显著改变土壤湿度[43]，因此降水量对生态环境空间异质性的解释程度位居第2，仅次于植被覆盖度. 因子交互探测结果表明，各因子之间交互作用产生的解释力高于单因子作用，交互类型均表现双因子增强与非线性增强两种，说明驱动因子对甘肃省生态环境空间异质性的作用类型为互相促进，并非相互独立作用和简单叠加. 综上所述，甘肃省生态环境变化是多因素交互所产生的结果，而驱动因子在不同区域对生态环境的作用方式和强度也有差异. 因此甘肃省政府在制定相应生态保护政策时，应充分考虑各因素之间的相互作用.
3.3 甘肃省生态环境质量未来发展趋势生态环境质量未来发展趋势研究对于实现可持续发展目标和美丽中国建设具有重大意义[44，45]. 本研究对甘肃省生态环境质量未来变化走向进行了预测，结果表明未来趋势的空间差异较为显著. 生态环境质量未来呈持续上升模式的区域主要散布于除金昌市、武威市、酒泉市北部之外的甘肃各地. 近年来，甘肃省政府积极树立和贯彻“绿水青山就是金山银山”理念，加快推进黄河流域生态保护，切实加强祁连山生态环境保护常态化监管，着力解决突出生态环境问题，全省生态环境持续巩固改善，生态环境保护工作取得了积极成效. 随着生态环境保护措施的继续实施，以上地区的生态环境质量将在未来得到进一步改善. 但由上升变为下降模式的地区面积占比最大，对此当地政府需要迅速应对，加强生态环境建设. 同时要清楚地认识到，甘肃省生态环境建设还面临诸多困难. 在经济下行压力加大的形势下，“双碳”目标任务艰巨、刻不容缓. 甘肃省政府应加强循环经济政策的建设，这一举措能够对提高生态环境质量和可持续发展的能力提供帮助[46]. 虽然甘肃省生态环境质量近年来有了一定提高，但仍需注意，甘肃省生态环境保护的结构性和根源性问题并未得到根本性解决，未来仍很有可能面临严重的退化和恶化压力，这将有可能阻碍甘肃省未来长期可持续发展和美丽甘肃建设目标的实现. 因此，甘肃省政府应采取更加积极主动的生态环境修复措施，防止未来部分地区生态环境进一步恶化.
3.4 研究局限与展望本研究所使用的GEE平台可为海量遥感数据在生态环境评估中提供强有力的支持. 相较于传统研究方法，GEE在长时间、大空间尺度生态环境质量综合评价方面有着更为广阔的应用前景[47]. 然而由于本研究使用的MODIS遥感数据时空分辨率仍不够精细，研究结果不可避免会存在一定偏差，因而未来在进行相关研究时，可以考虑通过更为客观精准的方式获取更全面、更高时空分辨率的遥感卫星数据，并充分结合GEE平台以实现更加高效精准的生态环境评估.
同时，遥感生态指数仅是基于遥感绿度、热度、干度和湿度综合生成的评价指标，一些环节有待改进. 目前RSEI模型4项指标在一定程度上能够反映生态系统的结构和功能，但并不能全方面覆盖和捕捉生态环境的优劣[26]. 随着遥感生态指数的发展，一些学者提出了改进的遥感生态指数[48，49]，例如在遥感生态指数基础上引入人口密度与GDP等社会经济指标和PM10等大气环境质量指标来改进模型等. 然而上述改进的遥感生态指数目前尚未经过严格的验证或论证，因此未在本研究中使用，但这仍可作为未来研究的改进方向.
此外，地理现象的复杂性及其驱动因子之间的相互作用导致其影响机制的分析成为地理学研究的难点之一. 本研究对驱动因子作用进行了定量分析，既为生态环境质量空间格局的影响机制的构建奠定了基础，也为各类地理要素空间分布驱动因子的研究提供了一定参考. 生态环境变化的驱动力诸多，本研究仅探讨了8种环境因子对生态环境的驱动作用，然而除所涉及因子之外，还受到诸如土壤有机质、土壤侵蚀强度、生物丰度、经济密度和土地利用等众多因素的影响，且研究区的不同也会导致驱动因子的分异，因此在后续研究中还需继续深入探讨.
4 结论（1）年际变化上，2000~2022年甘肃省生态环境质量呈不显著波动上升趋势，突变节点为2007年. 优、良、中、较差和差的面积分别呈不显著增加、显著增加、不显著减小、显著减小和不显著增加趋势；空间分布上，生态环境质量空间分布呈现两极分化，自东南向西北逐渐变差. 生态环境质量存在一定地形效应，呈现随海拔上升而先升后降，随坡度和地形起伏度上升而持续上升的变化态势.
（2）2000~2022年甘肃省生态环境质量空间变化趋势以上升为主，其中以不显著上升区域面积占比最大. 生态环境质量在大部分区域空间稳定性较好，以甘肃省南部最为稳定.
（3）植被覆盖度和降水量是导致甘肃省生态环境质量产生空间异质的关键单因子；因子交互作用后解释力均得到了一定的提升，以植被覆盖度∩海拔高度、植被覆盖度∩气温对生态环境影响最为显著. 生态环境质量在同一研究年份与不同驱动因子之间的空间聚集差异显著，在不同研究年份与同一驱动因子之间的空间聚集情况高度类似.
（4）预测未来甘肃省生态环境质量呈上升趋势的区域面积为18.02万km2，呈下降趋势的区域面积达24.41万km2，其中由上升变为下降模式占据主导地位. 甘肃省应因地制宜实施更加严格的保护政策，采取更加积极主动的生态环境修复措施，及时防止未来部分地区生态环境质量恶化.
| [1] | An M, Xie P, He W J, et al. Spatiotemporal change of ecologic environment quality and human interaction factors in three gorges ecologic economic corridor, based on RSEI[J]. Ecological Indicators, 2022, 141. DOI:10.1016/j.ecolind.2022.109090 |
| [2] | Liu H M, Fang C L, Zhang X L, et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities: a spatial econometrics approach[J]. Journal of Cleaner Production, 2017, 165: 323-333. DOI:10.1016/j.jclepro.2017.07.127 |
| [3] | Zhu Y H, Luo P P, Zhang S, et al. Spatiotemporal analysis of hydrological variations and their impacts on vegetation in semiarid areas from multiple satellite data[J]. Remote Sensing, 2020, 12(24). DOI:10.3390/rs12244177 |
| [4] | Mu D R, Luo P P, Lyu J Q, et al. Impact of temporal rainfall patterns on flash floods in Hue City, Vietnam[J]. Journal of Flood Risk Management, 2021, 14(1). DOI:10.1111/jfr3.12668 |
| [5] | Wang S T, Cao Z, Luo P P, et al. Spatiotemporal variations and climatological trends in precipitation indices in Shaanxi Province, China[J]. Atmosphere, 2022, 13(5). DOI:10.3390/atmos13050744 |
| [6] | Wei X D, Wang N, Luo P P, et al. Spatiotemporal assessment of land marketization and its driving forces for sustainable urban-rural development in Shaanxi Province in China[J]. Sustainability, 2021, 13(14). DOI:10.3390/su13147755 |
| [7] |
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. |
| [8] |
李艳翠, 袁金国, 刘博涵, 等. 滹沱河流域生态环境动态遥感评价[J]. 环境科学, 2024, 45(5): 2757-2766. Li Y C, Yuan J G, Liu B H, et al. Ecological environment dynamical evaluation of Hutuo River Basin using remote sensing[J]. Environmental Science, 2024, 45(5): 2757-2766. |
| [9] | Baas J, Augustine S, Marques G M, et al. Dynamic energy budget models in ecological risk assessment: from principles to applications[J]. Science of the Total Environment, 2018, 628-629: 249-260. DOI:10.1016/j.scitotenv.2018.02.058 |
| [10] | Li W L, Liu C L, Su W L, et al. Spatiotemporal evaluation of alpine pastoral ecosystem health by using the Basic-Pressure-State-Response Framework: a case study of the Gannan region, northwest China[J]. Ecological Indicators, 2021, 129. DOI:10.1016/j.ecolind.2021.108000 |
| [11] | Meng L R, Huang J, Dong J H. Assessment of rural ecosystem health and type classification in Jiangsu province, China[J]. Science of the Total Environment, 2018, 615: 1218-1228. DOI:10.1016/j.scitotenv.2017.09.312 |
| [12] | Adams M D, Kanaroglou P S. Mapping real-time air pollution health risk for environmental management: combining mobile and stationary air pollution monitoring with neural network models[J]. Journal of Environmental Management, 2016, 168: 133-141. |
| [13] | Yang W C, Xu K, Lian J J, et al. Multiple flood vulnerability assessment approach based on fuzzy comprehensive evaluation method and coordinated development degree model[J]. Journal of Environmental Management, 2018, 213: 440-450. |
| [14] | Guo Q, Wang J Y, Yin H L, et al. A comprehensive evaluation model of regional atmospheric environment carrying capacity: model development and a case study in China[J]. Ecological Indicators, 2018, 91: 259-267. DOI:10.1016/j.ecolind.2018.03.059 |
| [15] |
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 |
| [16] |
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. |
| [17] | Yuan B D, Fu L N, Zou Y A, et al. Spatiotemporal change detection of ecological quality and the associated affecting factors in Dongting Lake Basin, based on RSEI[J]. Journal of Cleaner Production, 2021, 302. DOI:10.1016/j.jclepro.2021.126995 |
| [18] | Boori M S, Choudhary K, Paringer R, et al. Spatiotemporal ecological vulnerability analysis with statistical correlation based on satellite remote sensing in Samara, Russia[J]. Journal of Environmental Management, 2021, 285. DOI:10.1016/j.jenvman.2021.112138 |
| [19] | Liu C, Yang M H, Hou Y T, et al. Spatiotemporal evolution of island ecological quality under different urban densities: a comparative analysis of Xiamen and Kinmen Islands, southeast China[J]. Ecological Indicators, 2021, 124. DOI:10.1016/j.ecolind.2021.107438 |
| [20] |
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. |
| [21] | 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 |
| [22] | Xiong Y, Xu W H, Lu N, et al. Assessment of spatial-temporal changes of ecological environment quality based on RSEI and GEE: a case study in Erhai Lake Basin, Yunnan province, China[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107518 |
| [23] |
余慧婕, 张方敏, 马赫, 等. 基于遥感生态指数的淮河流域生态环境质量时空演化及其驱动因素分析[J]. 环境科学, 2024, 45(7): 4112-4121. Yu H J, Zhang F M, Ma H, et al. Spatio-temporal evolution and driving factors of ecological environment quality in the Huaihe River Basin based on RSEI[J]. Environmental Science, 2024, 45(7): 4112-4121. |
| [24] |
汪东川, 陈星, 孙志超, 等. 格尔木长时间序列遥感生态指数变化监测[J]. 生态学报, 2022, 42(14): 5922-5933. Wang D C, Chen X, Sun Z C, et al. Monitoring of changes in the ecological index of long-time sequence Remote Sensing in Golmud, Qinghai Province[J]. Acta Ecologica Sinica, 2022, 42(14): 5922-5933. |
| [25] |
宋媛. 甘肃省生态环境质量时空格局演变分析[D]. 兰州: 西北师范大学, 2020. Song Y. Analysis of spatiotemporal pattern of eco-environmental quality in Gansu province[D]. Lanzhou: Northwest Normal University, 2020. |
| [26] |
何盈利, 尤南山, 崔耀平, 等. 2000年来中国生态状况时空变化格局[J]. 自然资源学报, 2021, 36(5): 1176-1185. He Y L, You N S, Cui Y P, et al. Spatio-temporal changes in remote sensing-based ecological index in China since 2000[J]. Journal of Natural Resources, 2021, 36(5): 1176-1185. |
| [27] |
纪学朋, 白永平, 杜海波, 等. 甘肃省生态承载力空间定量评价及耦合协调性[J]. 生态学报, 2017, 37(17): 5861-5870. Ji X P, Bai Y P, Du H B, et al. Research on the spatial quantitative evaluation and coupling coordination degree of ecological carrying capacity in Gansu Province[J]. Acta Ecologica Sinica, 2017, 37(17): 5861-5870. |
| [28] |
宋媛, 石惠春, 谢敏慧, 等. 2000-2017年甘肃省生态环境质量时空演变格局及其影响因素[J]. 生态学杂志, 2019, 38(12): 3800-3808. Song Y, Shi H C, Xie M H, et al. Spatiotemporal evolution pattern and influencing factors of eco-environmental quality in Gansu from 2000 to 2017[J]. Chinese Journal of Ecology, 2019, 38(12): 3800-3808. |
| [29] | Liu P, Ren C Y, Yu W S, et al. Exploring the ecological quality and its drivers based on annual remote sensing ecological index and multisource data in Northeast China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110589 |
| [30] | Yang H H, Yu J, Xu W Z, et al. Long-time series ecological environment quality monitoring and cause analysis in the Dianchi Lake Basin, China[J]. Ecological Indicators, 2023, 148. DOI:10.1016/j.ecolind.2023.110084 |
| [31] |
张浩斌, 王婉, 宋妤婧, 等. 基于改进遥感生态指数的干旱内流区生态质量评价——以阴山北麓塔布河流域为例[J]. 生态学报, 2024, 44(2): 523-543. Zhang H B, Wang W, Song Y J, et al. Ecological index evaluation of arid inflow area based on the modified remote sensing ecological index: a case study of Tabu River Basin at the northern foot of the yin Mountains[J]. Acta Ecologica Sinica, 2024, 44(2): 523-543. |
| [32] |
门宝辉, 张腾. 北京三百年降水序列的成分分析及其随机模拟[J]. 水利学报, 2022, 53(6): 686-696, 711. Men B H, Zhang T. Component analysis and stochastic simulation of precipitation series in Beijing during the last 300 years[J]. Journal of Hydraulic Engineering, 2022, 53(6): 686-696, 711. |
| [33] | Zhang X M, Fan H B, Sun L, et al. Identifying regional eco-environment quality and its influencing factors: a case study of an ecological civilization pilot zone in China[J]. Journal of Cleaner Production, 2024, 435. DOI:10.1016/j.jclepro.2023.140308 |
| [34] |
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. |
| [35] | Yang Y F, Lu X W, Yu B, et al. Source-specific risk judgement and environmental impact of potentially toxic elements in fine road dust from an integrated industrial city, North China[J]. Journal of Hazardous Materials, 2023, 458. DOI:10.1016/j.jhazmat.2023.131982 |
| [36] | 韩秀凤. 包头市城区地表灰尘重金属和多环芳烃污染研究[D]. 西安: 陕西师范大学, 2019. |
| [37] | Umuhoza J, Jiapaer G, Tao Y, et al. Analysis of fluctuations in vegetation dynamic over Africa using satellite data of solar-induced chlorophyll fluorescence[J]. Ecological Indicators, 2023, 146. DOI:10.1016/j.ecolind.2022.109846 |
| [38] |
付绍桐, 贺晨曦, 马佳凯, 等. 不同发展情景下黄河流域山西段生态环境质量[J]. 应用生态学报, 2024, 35(5): 1337-1346. Fu S T, He C X, Ma J K, et al. Ecological environment quality of the Shanxi section of the Yellow River Basin under different development scenarios[J]. Chinese Journal of Applied Ecology, 2024, 35(5): 1337-1346. |
| [39] | Li Y M, Li Y T, Yang X, et al. Evaluation and driving force analysis of ecological quality in Central Yunnan Urban Agglomeration[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2024.111598 |
| [40] |
陈晋, 卓莉, 史培军, 等. 基于DMSP/OLS数据的中国城市化过程研究——反映区域城市化水平的灯光指数的构建[J]. 遥感学报, 2003, 7(3): 168-175. Chen J, Zhuo L, Shi P J, et al. The study on urbanization process in China based on DMSP/OLS Data: development of a light index for urbanization level estimation[J]. Journal of Remote Sensing, 2003, 7(3): 168-175. |
| [41] |
钟赛香, 胡鹏, 薛熙明, 等. 基于合理权重赋值方法选择的多因素综合评价模型——以JCR中70种人文地理期刊为例[J]. 地理学报, 2015, 70(12): 2011-2031. Zhong S X, Hu P, Xue X M, et al. Multi-factor comprehensive evaluation model based on the selection of objective weight assignment method[J]. Acta Geographica Sinica, 2015, 70(12): 2011-2031. DOI:10.11821/dlxb201512012 |
| [42] |
曹书舸, 陈爽. 江苏重要生态功能区质量演变及红线管控效应[J]. 生态学报, 2023, 43(21): 8933-8947. Cao S G, Chen S. Analysis of quality evolution of important ecological function areas and implementation effects of the ecological redline in Jiangsu Province, China[J]. Acta Ecologica Sinica, 2023, 43(21): 8933-8947. |
| [43] |
王丽春, 焦黎, 来风兵, 等. 基于遥感生态指数的新疆玛纳斯湖湿地生态变化评价[J]. 生态学报, 2019, 39(8): 2963-2972. Wang L C, Jiao L, Lai F B, et al. Evaluation of ecological changes based on a remote sensing ecological index in a Manas Lake wetland, Xinjiang[J]. Acta Ecologica Sinica, 2019, 39(8): 2963-2972. |
| [44] | Bai T T, Cheng J, Zheng Z H, et al. Drivers of eco-environmental quality in China from 2000 to 2017[J]. Journal of Cleaner Production, 2023, 396. DOI:10.1016/j.jclepro.2023.136408 |
| [45] | Xu D, Yang F, Yu L, et al. Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data[J]. Journal of Cleaner Production, 2021, 321. DOI:10.1016/j.jclepro.2021.128948 |
| [46] | Abad-Segura E, de la Fuente A B, González-Zamar M D, et al. Effects of circular economy policies on the environment and sustainable growth: worldwide research[J]. Sustainability, 2020, 12(14). DOI:10.3390/su12145792 |
| [47] |
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. |
| [48] | 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 |
| [49] | 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 |