2025, Vol. 46
冻土是指温度小于0℃并含冰的岩石和土壤[1]. 当前，全球气候变暖导致冻土快速退化[2，3]，影响着冻土区水文循环[4]、植被生长[5]、地气相互作用[6]和碳循环[7]等过程，对其生态安全构成了严重威胁. 作为世界最大的高海拔多年冻土区——青藏高原的主体构成骨架，三江源地区广泛发育着多年冻土和季节冻土，具有生态环境脆弱、对气候变化敏感的特征[8~10]. 近年来，冻土退化与人类活动加剧导致三江源地区水土流失、荒漠化、冰川消融、湿地减少和草地退化等生态问题日益突出，这不仅危及该地区的生态安全和社会经济发展[11~13]，更对国家生态安全屏障体系建设构成严峻挑战. 自21世纪以来，我国在三江源实施了一系列生态保护修复工程[14，15]以遏制该地区的生态恶化趋势. 基于此，探究三江源不同冻土区生态保护工程实施以来的生态治理成效，以及自然、人为因素对区域生态环境质量空间分异的影响机制，可为区域生态安全建设和可持续发展提供有效支撑.
随着国家对生态文明建设的重视，生态环境监测和评价的方法在持续发展和创新. 生态环境部提出了生态环境状况指数（ecological index，EI），用于评价县域、省域和生态区的生态环境质量及变化趋势[16]，但该指数受限于地面监测数据的获取成本较高、各指标权重受人为干预较大、无法进行数据可视化等缺点，难以高精度、实时快速地进行大范围生态环境质量监测与评价[17]. 而卫星遥感技术具有海量数据、获取方便、时效性强和可大范围长期监测等优点，在生态环境领域得到了广泛应用[18，19]. 通过综合绿度、湿度、干度和热度这4个表征生态状况的指标，遥感生态指数（remote sensing ecological index，RSEI）可以大范围、长时间、可视化地评测区域生态环境[20，21]. 李婷婷等[22]采用RSEI评价贺兰山长时序生态质量，指出贺兰山生态环境质量正缓慢改善，且降水对生态环境的影响大于气温；田智慧等[23]基于RSEI对鄱阳湖流域生态环境进行动态评估，发现其近30 a生态环境整体改善，人口密度是其最强的驱动因子；Cui等[24]构建RSEI探究淮北市生态环境变化，发现其近年来RSEI值波动减缓，土地利用对生态环境质量影响较大. 上述研究表明，RSEI适用于不同区域的生态环境质量评价.
在三江源地区，研究人员从植被指数[25]、植被净初级生产力[26]、植被物候变化[27]、蒸散发[28]和碳储量[29]等方面对其生态环境状况进行了分析，但这些研究均基于单一的生态评价指标，无法综合衡量三江源复杂的生态环境状况. 在此基础上，陈炜等[30]引入RSEI对三江源地区生态环境质量进行了动态监测与分析，得到1990~2015年三江源生态环境质量呈“先下降后上升”趋势的结论，验证了RSEI在三江源地区进行生态环境质量评价的可行性，但该研究时效性较差，且未意识到冻土分布对三江源生态环境的影响，也未能量化分析地形、气候、土壤、土地利用和社会经济等自然及人为因素对RSEI空间分异的影响水平.
因此，本文基于谷歌地球引擎（Google Earth Engine，GEE）平台，采用2000~2022年MODIS影像数据构建RSEI模型，评价三江源及各冻土区生态环境质量，并运用变异系数、重心迁移模型、Theil-Sen斜率估计、Mann-Kendall检验与Hurst指数探究其时空演变过程，最后结合地理探测器分析三江源不同冻土区生态环境质量空间分异的驱动力，以期为三江源生态保护和综合治理提供一定的科学依据.
1 材料与方法 1.1 研究区概况三江源（31°33′~37°08′N，89°25′~102°26′E）位于青海省南部，由青藏高原的腹地延伸至其东部边界，包括长江、黄河和澜沧江这三大源区，总面积约为3.8×105 km2（图 1）. 区域地势西高东低，平均海拔超过4 400 m，主要植被覆盖类型为高寒草原和高寒草甸；属于典型的高原大陆性气候，年平均气温较低，降水量空间分异大，呈东南高西北低的趋势；源区内河网密布且湖泊繁多，分布着大面积湿地和冰川，长江、黄河和澜沧江均发源于此，是我国水资源存储的重要载体.
|
图 1 研究区概况 Fig. 1 Study area overview |
三江源分布着各种类型的冻土，是季节性冻土和多年冻土的交汇带[31]. 依据中国冻土区划及类型图[32]，三江源内的冻土可分为大片多年冻土（Ⅰ），连续系数为70%~90%；大片-岛状多年冻土（Ⅱ），连续系数为30%~70%；山地多年冻土（Ⅲ）；中深季节冻土（Ⅳ），可能达到的最大季节冻结深度 > 1 m.
1.2 数据源与预处理本文涉及的数据包括MODIS数据、三江源边界数据、冻土和植被分布数据以及自然和人为驱动因子数据，数据具体介绍见表 1. 其中，MODIS数据选用三江源每年植被生长季（5~9月）的数据[33]，在GEE平台对其进行去云、裁剪等预处理，并重采样至500 m. 驱动因子数据均在ArcGIS 10.8软件中进行裁剪并重采样至500 m. 此外，文中所有地理数据统一投影至WGS_1984_UTM_Zone_48N坐标系.
|
表 1 数据源介绍 Table 1 Data source introduction |
1.3 研究方法 1.3.1 RSEI构建
遥感生态指数（RSEI）集绿度、湿度、干度和热度指标于一体，可直观科学地反映生态环境的优劣[20]. 通常，使用归一化植被指数（normalized difference vegetation index，NDVI）作为绿度指标，描述研究区地表植被生长状况；采用缨帽变换中的湿度分量（WET）表示湿度指标，它能反映地表水分信息，对植被、水和土壤湿度状况较为敏感；通过土壤指数（SI）和建筑指数（IBI）构建干度指标（NDBSI），表示地表的干燥程度；使用陆地表面温度（LST）代表热度指标，反映地表的热度信息，具体如表 2所示.
|
|
表 2 各指标计算公式1） Table 2 Calculation formulas of each indicator |
由于三江源存在大量水体，会影响到WET指标的准确性，因此在指标计算前需采用改进归一化差异水体指数（modified normalized difference water index，MNDWI）对三江源进行水体掩膜[34]，公式如下：
|
(1) |
式中，BGreen和BSWIR1分别为对应MOD09A1数据的绿波段和短波红外1波段反射率.
为避免各指标之间的量纲差异影响到RSEI计算结果，需在主成分分析前对各指标进行归一化处理，公式如下：
|
(2) |
式中，NIi为指标归一化结果，取值在[0，1]区间内；Ii为第i个像元指标值；Imin和Imax分别为指标最小和最大值.
对归一化后的4个指标进行主成分分析（principal component analysis，PCA），判断第一主成分结果（PC1）中特征向量符号：若与生态质量呈正相关的绿度、湿度指标为正值，则表明PC1与实际生态环境质量相符，可直接取PC1为初始遥感生态指数（RSEI0），反之，需要进行1-PC1操作才能得到正确的RSEI0[35]，公式如下：
|
(3) |
为方便各年份RSEI之间比较，对RSEI0进行归一化处理得到遥感生态指数RSEI，值越大，表明该区域生态环境质量越好.
1.3.2 Theil-Sen斜率估计与Mann-Kendall检验Theil-Sen斜率估计与Mann-Kendall检验作为非参数统计的趋势计算和显著性检验方法，常被用于长时间序列数据的分析，它不受样本分布特征影响，能有效去除异常值干扰. 本文用其分析RSEI趋势变化及显著性. 值得说明的是，该方法的原理与公式在文献[36]中已有详细介绍，故文中不再重复，本文Mann-Kendall检验的显著性水平为α=0.05.
1.3.3 Hurst指数Hurst指数是目前广泛应用于水文学[37]、气候学[38]和生态学[39]等领域，定量描述长时间序列数据的持续性，判断其未来变化趋势的有效方法. 参考已有研究[36]，Hurst指数取值范围为[0，1]，当0≤Hurst指数 < 0.5时，表明RSEI时间序列具有反持续性，即未来趋势与现在相反；Hurst指数=0.5时，RSEI为随机序列，无法预测未来变化趋势；0.5 < Hurst指数≤1时，表明RSEI时间序列具有持续性，即未来趋势与现在一致.
1.3.4 地理探测器地理探测器是一种探测数据空间分异并揭示其驱动力的统计学工具[40]. 本文利用地理探测器的单因子探测和交互因子探测功能，定量分析三江源及各冻土区RSEI空间分异的驱动力. 由于地理探测器中要求自变量因子为离散数据，因此在ArcGIS中利用等间距法、自然断点法并结合各驱动因子数据特征，将其重分类为5~9类，其中，由于个别年份夜间灯光数据空间分异较小，分类级别少于5类. 在此基础上，根据研究区大小及地理探测器算力限制，在三江源及不同冻土区对重分类后的数据创建4 km×4 km的渔网，取渔网中心生成共计24 091个采样点，提取对应的RSEI值和各驱动因子离散值输入地理探测器. 地理探测器以q值表示驱动因子对RSEI空间分异的解释程度，取值范围为[0，1]，q值越大，解释力越强.
2 结果与分析 2.1 RSEI模型检验 2.1.1 RSEI第一主成分结果基于GEE平台计算2000~2022年研究区NDVI、WET、NDBSI和LST，在此基础上进行主成分分析，得到如表 3所示的第一主成分信息.
|
|
表 3 第一主成分信息1） Table 3 First principal component information |
由表 3可知：研究区各年份第一主成分特征值贡献率均在52.05%以上，表明第一主成分集中了各指标的多数特征. 分析4个指标的载荷，发现NDVI、WET正负符号相同，而NDBSI、LST与NDVI、WET正负符号相反，本文在构建RSEI时遵循如下原则[35]：若与生态质量呈正相关的绿度、湿度指标为正值，则直接取PC1进行RSEI计算；反之，需要先进行1-PC1操作. 该原则可使得NDVI、WET载荷值为正，NDBSI、LST载荷值为负，符合各指标对生态环境的影响机制. 从各指标载荷的绝对值大小来看，NDVI与NDBSI载荷的绝对值基本大于WET和LST，说明研究区绿度和干度指标对生态环境的影响更大.
2.1.2 RSEI与各指标相关性基于ArcGIS在研究区范围内随机生成2×104个采样点，提取其对应的2000~2022年RSEI平均值及NDVI、WET、NDBSI和LST指标平均值生成散点图（图 2），统计不同指标与RSEI的相关性. 各指标与RSEI的Pearson相关系数绝对值从高到低依次为：NDBSI（-0.979） > NDVI（0.849） > WET（0.603） > LST（-0.339），均通过了显著性检验. RSEI与4个指标显著相关，比任意单一指标更具有代表性，能综合反映研究区的生态状况. 其中，NDVI、WET与RSEI呈正相关，NDBSI、LST与RSEI呈负相关，这与现实中各指标的生态环境效益相符.
|
图 2 RSEI与各指标的相关性 Fig. 2 Correlation of RSEI with indicators |
综上，通过第一主成分贡献率分析、各指标载荷分析及不同指标和RSEI相关性分析可得，以第一主成分构建的RSEI集中了各指标的多数特征，对生态环境的影响与实际情况相符，可以综合性地表示研究区复杂的生态环境情况. 因此，以第一主成分构建RSEI是合理的.
在此基础上，本文计算三江源区2000~2022年RSEI，具体结果如图 3所示.
|
图 3 2000~2022年三江源区RSEI空间分布 Fig. 3 Spatial distribution of RSEI in the Three-River Headwater Region from 2000 to 2022 |
由图 3可知，三江源生态环境质量表现出明显的地理分异性，整体呈“西北低、东南高”的分布格局. 2000~2022年间，三江源生态环境质量存在一定的变化趋势，不同冻土区的时空演变各异，将在下文中对其进行深入研究.
2.2 生态环境质量时空演变特征 2.2.1 RSEI时间分布特征基于线性回归模型，统计分析2000~2022年三江源区及各冻土区的年均RSEI变化趋势，如图 4所示.
|
图 4 2000~2022年三江源区及各冻土区的年均RSEI变化 Fig. 4 Change of annual average RSEI in the Three-River Headwater Region and various frozen ground regions from 2000 to 2022 |
由图 4可知，过去23 a间，三江源区及各冻土区生态环境质量呈上升趋势. 三江源区RSEI多年均值为0.489，呈波动上升趋势，平均年际增长率约为0.001 5 a-1. 不同冻土区中，大片多年冻土区RSEI多年均值仅为0.429，生态环境质量最差，年际变化较小（0.001 1 a-1）；大片-岛状多年冻土区和山地多年冻土区生态环境质量均较高，RSEI多年均值分别为0.630和0.624，本研究期间，前者生态环境质量仅微弱提升（0.000 5 a-1），而后者生态优化趋势明显（0.002 2 a-1）；此外，中深季节冻土区虽然生态环境质量较低，RSEI多年均值为0.587，但在过去23 a间改善最为显著（0.003 1 a-1），与前两者的差距不断缩小.
2.2.2 RSEI空间分布特征计算2000~2022年三江源区RSEI均值及变异系数，参考前人研究[20，41]，将RSEI均匀划分为5个等级：差（0~0.2）、较差（0.2~0.4）、中等（0.4~0.6）、良好（0.6~0.8）和优（0.8~1），将变异系数划分为4个等级：稳定（0~0.1）、较稳定（0.1~0.2）、较不稳定（0.2~0.3）和不稳定（> 0.3），二者在三江源区和不同冻土区的空间分布状况如图 5所示. 结果表明，2000~2022年三江源生态环境质量占比最大的部分为中等且较不稳定，空间分异明显，生态环境质量及其稳定性自西北向东南逐渐提升. RSEI等级为差和较差的区域共占源区总面积的35.72%，主要分布在大片多年冻土区内部高寒草原以及中深季节冻土区北部沙漠化区域，以上区域植被覆盖度低，气候干冷，地表沙漠化情况较为严重[42]；RSEI等级为中等的区域面积最大（29.17%），主要在低等级周围区域分布；RSEI等级良好和优的区域面积占比为35.1%，集中分布于水热状况较好，植被覆盖率较高的大片-岛状多年冻土区、山地多年冻土区以及中深季节冻土区东南部.
|
Ⅰ、Ⅱ、Ⅲ和Ⅳ对应的冻土类型及空间分布见图 1 图 5 2000~2022年三江源区RSEI均值及变异系数空间分布 Fig. 5 Spatial distribution of RSEI mean and coefficient of variation in the Three-River Headwater Region from 2000 to 2022 |
对比RSEI均值及其稳定性分布，发现两者存在较高的空间一致性，即生态环境质量差的区域总体稳定性较差，生态环境脆弱；生态环境质量好的区域稳定性较高，生态环境抗干扰能力较强. 不同冻土区中，大片多年冻土区生态环境质量及其稳定性最差，大片-岛状多年冻土区最佳，山地多年冻土区略好于中深季节冻土区.
2.2.3 RSEI重心迁移以2000年、2005年、2010年、2015年、2020年和2022年为时间节点，绘制三江源区RSEI各等级重心迁移图（图 6）. 结果显示，2000~2022年三江源区生态环境质量西北低、东南高，RSEI差等级到优等级的重心自西北向东南分布，随着时间发展，源区整体及各冻土区生态环境质量不断提升，主要体现为研究期间RSEI各等级重心逐渐向大片多年冻土区内部转移，这与上文得出的结论一致.
|
图 6 典型年份RSEI不同等级重心迁移 Fig. 6 Migration of RSEI different levels of center of gravity in typical years |
为深入分析2000~2022年三江源区及各冻土区生态质量变化的情况，本文利用Theil-Sen斜率估计与Mann-Kendall检验分析像元尺度上的RSEI变化趋势，结果如图 7所示.
|
Ⅰ、Ⅱ、Ⅲ和Ⅳ对应的冻土类型及空间分布见图 1 图 7 2000~2022年三江源区RSEI变化趋势空间分布 Fig. 7 Spatial distribution of RSEI trend in the Three-River Headwater Region from 2000 to 2022 |
总体而言，过去23 a间，三江源区及各冻土区生态环境质量均呈改善趋势，生态恢复成效显著. RSEI呈上升趋势的面积占源区总面积的62.69%，中深季节冻土区北部和大片多年冻土区东部的生态环境质量显著上升，这与三江源地区生态工程的实施密不可分[14，15]；RSEI呈下降趋势的区域面积占比为35.74%，主要分布在大片多年冻土区西部和南部，以及大片-岛状多年冻土区中部，应重点关注以上区域呈下降趋势的原因，采取合理的生态治理政策减缓其恶化趋势；青海南山、拉脊山以及鄂陵湖附近的沙丘和洪积平原上分布有少量生态环境极端恶劣的区域，研究期间，其生态环境质量未发生变化. 在不同冻土区中，中深季节冻土区的生态改善最为明显，约73.37%的面积呈改善趋势，其余依次为山地多年冻土区（63.53%）、大片多年冻土区（59.61%）和大片-岛状多年冻土区（57.00%）.
结合Hurst指数进一步分析研究区生态环境质量未来发展趋势，三江源Hurst指数均值为0.42，表明区域未来生态环境质量发展呈较弱的反持续趋势. 将Hurst指数与RSEI变化趋势叠加分析，如图 8所示.
|
Ⅰ、Ⅱ、Ⅲ和Ⅳ对应的冻土类型及空间分布见图 1 图 8 三江源区RSEI未来变化趋势空间分布 Fig. 8 Spatial distribution of RSEI future trend in the Three-River Headwater Region |
图 8表明，未来三江源区及各冻土区生态环境质量均呈轻微恶化趋势. 三江源区约55.31%的区域未来呈恶化趋势，由改善变为恶化的趋势最明显（49.90%），主要分布在中深季节冻土区、山地多年冻土区以及大片多年冻土区中部和东部、大片-岛状多年冻土区东南部，应对上述区域开展持续观测，警惕其可能出现的生态恶化现象；呈持续恶化趋势的区域零星分布于整个三江源区，需对以上区域进行重点治理以遏制其生态恶化趋势；此外，大片多年冻土区西南部以及大片-岛状多年冻土区中部的区域未来可能扭转其生态恶化趋势，当地生态保护仍需久久为功，维护现阶段的生态治理成果. 在不同冻土区中，中深季节冻土区未来恶化趋势最为明显，预计有61.95%的面积未来呈恶化趋势，其余依次为山地多年冻土区（57.08%）、大片-岛状多年冻土区（53.46%）和大片多年冻土区（53.09%）.
为验证Hurst指数预测的准确性，在尽可能保证预测样本数据量的情况下，以2019年、2020年和2021年为节点，将2000~2022年间的RSEI数据分为预测样本和验证样本，统计基于Hurst指数预测的未来发展趋势与实际变化趋势中，研究区RSEI呈改善和恶化趋势的面积占比（表 4）. 结果表明，在各时间段内，预测值与实际值之间的最大偏差为10.22%，呈现改善趋势与恶化趋势的面积占比平均差值分别为5.69%和6.32%. 总体而言，预测值与实际值相差较小，且均普遍呈现出恶化趋势. 因此，可认为利用Hurst指数预测三江源区生态环境质量未来发展趋势具有一定可靠性.
|
|
表 4 Hurst指数预测值与实际值对比 Table 4 Comparison of Hurst index predicted value and actual value |
2.3 生态环境质量空间分异驱动力探测 2.3.1 单因子探测
以2000年、2005年、2010年、2015年、2020年和2022年为时间节点，探究不同驱动因子对三江源区及各冻土区RSEI空间分异的驱动水平，对各年份单因子探测结果取均值，如表 5所示.
|
|
表 5 单因子探测结果均值1） Table 5 Mean value of single factor detection results |
表 5显示，在三江源区中，除夜间灯光和人口密度外，其余驱动因子均通过显著性检验，这是由于该地区地广人稀，作为我国核心生态保护区，全域禁止或限制开发[15]，因此可直观反映其社会经济条件的驱动因子对RSEI空间分异的影响不显著. 降水是三江源区生态环境质量空间分异的主导因子，其q值为0.420，其次为气温、土壤湿度、土壤温度、土地利用类型，地形因子的影响较小.
不同冻土区生态环境质量空间分异的主要驱动力均为降水因子，此外，气温、土壤水热状况、土地利用等因子的解释力也相对较强. 特别的，在山地多年冻土区中，土壤湿度因子q值略大于降水因子，且受地形分布影响，其植被覆盖差异较大，因而高程因子对其生态环境质量空间分异的影响也较为明显；中深季节冻土区人类活动较为频繁，土地利用类型因子的解释力大于其它冻土区.
2.3.2 交互因子探测对各年份交互因子探测结果取均值（图 9），结果显示，各因子交互作用均呈现为双因子增强和非线性增强效果，这表明三江源生态环境质量空间分异是多驱动因子协同作用的结果. 在三江源区及各冻土区中，降水和气温因子的交互作用影响力均较强，其q值在三江源区可达到0.528；在山地多年冻土区和中深季节冻土区中，该q值分别为0.471和0.665；在大片多年冻土区以及大片-岛状多年冻土区中，该q值分别为0.392和0.175，仅次于降水和土壤温度因子交互后的q值. 此外，降水和其他因子组合均呈现出较强的解释力，进一步验证了降水因子对该区域生态环境质量空间分异起主导作用.
|
图 9 交互因子探测结果均值 Fig. 9 Mean value of interaction factor detection results |
RSEI集成了绿度、湿度、干度和热度这4个生态指标，相较单一指标更具代表性，可高效评估区域生态环境[20]. 本文使用主成分方法构建三江源区RSEI模型，结果表明，以第一主成分构建的RSEI避免了人为因素干扰，可集中各指标的多数特征，且符合各指标对生态环境的影响机制，能有效表征三江源冻土区大范围长时间序列的生态环境质量.
海量丰富的遥感数据为RSEI计算提供了多样化的数据源，其中MODIS数据和Landsat数据应用最为广泛. 在本文中，受三江源植被生长季云量较大的影响，Landsat影像数据空缺较多，且Landsat7 ETM+影像存在条带问题，故本文选用了影像质量相对较高的MODIS数据，以保证RSEI计算结果的准确性和可靠性.
此外，本文在前人研究基础上[43]，选取了高程、坡度、坡向、气温、降水、夜间灯光、人口密度和土地利用类型等自然及人为驱动因子，并针对冻土区的环境特点，加入了表征土壤水热状况的土壤温度、湿度因子，此两项因子被认为是影响冻土区植被生长和生态环境的关键因素[44]，旨在全面、客观地量化分析RSEI空间分异的驱动力.
3.2 三江源区生态环境质量变化趋势分析本文研究发现，2000~2022年间三江源区生态环境质量总体改善，这与陈炜等[30]的研究结果一致. 生态环境质量的提升一方面源自本世纪初我国在三江源地区开展的退耕还林、退牧还草、封山育林、湿地保护和沙漠化土地防治等生态保护工程[45]，另一方面得益于近年来三江源气候朝向“暖湿化”发展（图 10），气温适度上升加之降水增加，有益于研究区湿度增加、植被恢复[46]. 然而，面对其生态环境未来潜在的恶化趋势，相关部门应采取多角度、全方位、因地制宜的环境保护政策，从促进植被与水资源保护、控制草地畜牧压力、加强土地利用监管和构建生态监测平台等方面入手，完善落实三江源生态工程建设，维护现阶段取得的生态治理成果.
|
图 10 2000~2022年三江源区年均降水和气温统计值 Fig. 10 Statistical values of annual average precipitation and temperature in the Three-River Headwater Region from 2000 to 2022 |
受多驱动力协同影响，三江源不同冻土区的生态环境质量各不相同，降水和气温作为主要的交互驱动因子，对生态环境质量的空间分异起到了至关重要的作用. 具体而言，大片多年冻土区冻土连续性高、土壤冻结期长[47]且水热条件差（图 11），因而其植被覆盖率低，植被多以高寒草原、高寒草甸及高山植被为主（图 12），受干冷气候及强劲风力的影响，区域内沙漠化土地面积较大[42]，生态环境质量远低于其他冻土区；随着多年冻土连续性降低，大片-岛状多年冻土区土壤冻结期缩短，在水热条件较为充足的情况下，其植被覆盖率相对较高，植被类型转变为以高寒草甸和灌丛为主，生态承载力较强，生态环境质量最好；山地多年冻土区分布于高山地带，水热状况较好，植被覆盖率较高，随着海拔升高，其植被分布从灌丛、高寒草甸、高寒草原到高山植被，以高寒草甸为主，生态环境质量较高；中深季节冻土区无多年冻土，年平均气温高，且降水较为充足，因而其植被生长季长[27]、覆盖率高，植被类型以高寒草甸、灌丛、温带草原为主，人类活动区还分布有耕地、果园等栽培植被，生态环境质量较好，但其北部青海湖附近分布有温带荒漠草原及大片荒漠化土地，近年来由于过度放牧和不合理的土地利用导致其荒漠化加剧[42]，因此，该区域总体生态环境质量较低，但随着三江源一系列生态保护工程的实施，其生态恢复已初见成效.
|
Ⅰ、Ⅱ、Ⅲ和Ⅳ对应的冻土类型见图 1 图 11 2000~2022年各冻土区平均降水、气温统计值 Fig. 11 Statistical values of annual average precipitation and temperature in various frozen ground regions from 2000 to 2022 |
|
图 12 三江源区植被类型分布 Fig. 12 Distribution of vegetation types in the Three-River Headwater Region |
本文依托MODIS遥感数据构建RSEI，旨在实现三江源生态环境质量的高效评估. 然而，遥感数据本质上属于瞬时观测产物，其用于评价常态生态环境质量时，受限于时间分辨率高低，对地表快速变化的捕捉能力具有不确定性，因而可能得到不全面的生态环境质量评价结果[48]. 未来研究中，可尝试使用多时相遥感数据提升时间分辨率，以期更全面地理解并揭示生态环境的演变过程. 在预测生态环境质量未来发展趋势时，Hurst指数存在明显的局限性，如预测精度依赖于数据量的充分性[49]，且无法界定预测趋势的持续时长，后续研究中拟引入CA-Markov模型，利用其具备长期预测和模拟复杂系统空间变化的双重优势提升预测结果的科学性与可靠性[50].
4 结论（1）2000~2022年，三江源区RSEI均值为0.489，生态环境质量整体表现为中等，呈“西北低、东南高”的分布格局，总体生态环境质量较不稳定，生态环境质量较低的区域稳定性较差. 不同冻土区RSEI均值依次为：大片-岛状多年冻土区（0.630） > 山地多年冻土区（0.624） > 中深季节冻土区（0.587） > 大片多年冻土区（0.429）.
（2）过去23 a间，三江源区及各冻土区生态环境质量持续向好，RSEI各等级重心向大片多年冻土区内部迁移，不同冻土区生态环境质量呈改善趋势的面积占比依次为：中深季节冻土区（73.37%） > 山地多年冻土区（63.53%） > 大片多年冻土区（59.61%） > 大片-岛状多年冻土区（57.00%）. 三江源Hurst指数均值为0.42，表明未来该地区生态环境质量可能以轻微恶化趋势为主，潜在恶化风险从大片多年冻土区（53.09%）、大片-岛状多年冻土区（53.46%）、山地多年冻土区（57.08%）到中深季节冻土区（61.95%）逐渐增大，该地区的生态保护工作任重而道远.
（3）三江源不同冻土区的生态环境质量空间分异是多驱动因子协同作用的结果，其中，降水因子起主导作用，降水和气温因子交互后，对生态环境质量空间分异的解释力变强. 此外，土壤湿度、土壤温度和土地利用类型因子也对区域生态环境质量的空间分异起到一定驱动作用. 由于各冻土区驱动因子表现各异，针对不同冻土区，应采取因地制宜的生态治理政策.
| [1] |
周幼吾, 郭东信, 邱国庆, 等. 中国冻土[M]. 北京: 科学出版社, 2000. Zhou Y W, Guo D X, Qiu G Q, et al. Geocryology in China[M]. Beijing: Science Press, 2000. |
| [2] | Biskaborn B K, Smith S L, Noetzli J, et al. Permafrost is warming at a global scale[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-018-08240-4 |
| [3] | Zhao L, Zou D F, Hu G J, et al. Changing climate and the permafrost environment on the Qinghai-Tibet (Xizang) plateau[J]. Permafrost and Periglacial Processes, 2020, 31(3): 396-405. DOI:10.1002/ppp.2056 |
| [4] | Walvoord M A, Kurylyk B L. Hydrologic impacts of thawing permafrost-A review[J]. Vadose Zone Journal, 2016, 15(6): 1-20. |
| [5] | Jin X Y, Jin H J, Iwahana G, et al. Impacts of climate-induced permafrost degradation on vegetation: a review[J]. Advances in Climate Change Research, 2021, 12(1): 29-47. DOI:10.1016/j.accre.2020.07.002 |
| [6] | Vecellio D J, Nowotarski C J, Frauenfeld O W. The role of permafrost in Eurasian land-atmosphere interactions[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(22): 11644-11660. DOI:10.1029/2019JD031204 |
| [7] | Schuur E A G, Abbott B W, Commane R, et al. Permafrost and climate change: carbon cycle feedbacks from the warming arctic[J]. Annual Review of Environment and Resources, 2022, 47: 343-371. DOI:10.1146/annurev-environ-012220-011847 |
| [8] |
程国栋, 赵林, 李韧, 等. 青藏高原多年冻土特征、变化及影响[J]. 科学通报, 2019, 64(27): 2783-2795. Cheng G D, Zhao L, LI R, et al. Characteristic, changes and impacts of permafrost on Qinghai-Tibet Plateau[J]. Chinese Science Bulletin, 2019, 64(27): 2783-2795. |
| [9] | Guo B, Zhou Y, Zhu J F, et al. Spatial patterns of ecosystem vulnerability changes during 2001-2011 in the three-river source region of the Qinghai-Tibetan Plateau, China[J]. Journal of Arid Land, 2016, 8(1): 23-35. DOI:10.1007/s40333-015-0055-7 |
| [10] |
孟宪红, 陈昊, 李照国, 等. 三江源区气候变化及其环境影响研究综述[J]. 高原气象, 2020, 39(6): 1133-1143. Meng X H, Chen H, Li Z G, et al. Review of climate change and its environmental influence on the Three-River Regions[J]. Plateau Meteorology, 2020, 39(6): 1133-1143. |
| [11] |
李林, 朱西德, 周陆生, 等. 三江源地区气候变化及其对生态环境的影响[J]. 气象, 2004, 30(8): 18-22. Li L, Zhu X D, Zhou L S, et al. Climatic changes over Headwater of the Three-River-Area and its effect on ecological environment[J]. Meteorological Monthly, 2004, 30(8): 18-22. DOI:10.3969/j.issn.1000-0526.2004.08.004 |
| [12] |
张永勇, 张士锋, 翟晓燕, 等. 三江源区径流演变及其对气候变化的响应[J]. 地理学报, 2012, 67(1): 71-82. Zhang Y Y, Zhang S F, Zhai X Y, et al. Runoff variation in the Three Rivers Source Region and its response to climate change[J]. Acta Geographica Sinica, 2012, 67(1): 71-82. |
| [13] |
彭景涛, 李国胜, 傅瓦利, 等. 青海三江源地区退化草地土壤全氮的时空分异特征[J]. 环境科学, 2012, 33(7): 2490-2496. Peng J T, Li G S, Fu W L, et al. Temporal-spatial variations of total nitrogen in the degraded grassland of Three-River Headwaters Region in Qinghai Province[J]. Environmental Science, 2012, 33(7): 2490-2496. |
| [14] |
邵全琴, 樊江文, 刘纪远, 等. 三江源生态保护和建设一期工程生态成效评估[J]. 地理学报, 2016, 71(1): 3-20. Shao Q Q, Fan J W, Liu J Y, et al. Assessment on the effects of the first-stage ecological conservation and restoration project in Sanjiangyuan region[J]. Acta Geographica Sinica, 2016, 71(1): 3-20. |
| [15] |
刘峥延, 李忠, 张庆杰. 三江源国家公园生态产品价值的实现与启示[J]. 宏观经济管理, 2019(2): 68-72. Liu Z Y, Li Z, Zhang Q J. The realization and enlightenment of the value of the ecological products of the Three-River-source National Park[J]. Macroeconomic Management, 2019(2): 68-72. |
| [16] |
HJ 192-2015, 生态环境状况评价技术规范[S]. HJ 192-2015, Technical criterion for ecosystem status evaluation[S]. |
| [17] |
付杰, 王萍, 张清, 等. 基于改进遥感生态指数的海南岛生态环境质量动态变化[J]. 农业资源与环境学报, 2021, 38(6): 1102-1111. Fu J, Wang P, Zhang Q, et al. Dynamic monitoring of ecological environment quality of Hainan Island based on improved remote sensing ecological index[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1102-1111. |
| [18] |
陈涛, 杨武年. "3S"技术在生态环境动态监测中的应用研究[J]. 中国环境监测, 2003, 19(3): 19-22. Chen T, Yang W N. Applications of RS, GIS and GPS in the dynamic monitoring of environment[J]. Environmental Monitoring in China, 2003, 19(3): 19-22. DOI:10.3969/j.issn.1002-6002.2003.03.007 |
| [19] |
高吉喜, 赵少华, 侯鹏. 中国生态环境遥感四十年[J]. 地球信息科学学报, 2020, 22(4): 705-719. Gao J X, Zhao S H, Hou P. Advances of remote sensing on ecology and environment in China[J]. Journal of Geo-Information Science, 2020, 22(4): 705-719. |
| [20] |
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. |
| [21] | Shan W, Jin X B, Ren J, et al. Ecological environment quality assessment based on remote sensing data for land consolidation[J]. Journal of Cleaner Production, 2019, 239. DOI:10.1016/j.jclepro.2019.118126 |
| [22] |
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. |
| [23] |
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. |
| [24] | Cui R H, Han J Z, Hu Z Q. Assessment of spatial temporal changes of ecological environment quality: a case study in Huaibei City, China[J]. Land, 2022, 11(6). DOI:10.3390/land11060944 |
| [25] | Guo B Y, Wang J S, Mantravadi V S, et al. Effect of climate and ecological restoration on vegetation changes in the "Three-River Headwaters" region based on remote sensing technology[J]. Environmental Science and Pollution Research, 2022, 29(11): 16436-16448. DOI:10.1007/s11356-021-16927-3 |
| [26] | Song Y, Liang T, Zhang L B, et al. Spatio-temporal changes and contribution of human and meteorological factors to grassland net primary productivity in the Three-Rivers Headwater Region from 2000 to 2019[J]. Atmosphere, 2023, 14(2). DOI:10.3390/atmos14020278 |
| [27] |
王泰华, 杨大文. 2001—2020年三江源冻土区植被物候变化特征分析[J]. 冰川冻土, 2023, 45(2): 711-723. Wang T H, Yang D W. Variation characteristics of vegetation phenology during 2001—2020 on frozen ground zone of the Three Rivers Source Region[J]. Journal of Glaciology and Geocryology, 2023, 45(2): 711-723. |
| [28] | Xie J K, Liu L, Wang Y T, et al. Changes in actual evapotranspiration and its dominant drivers across the Three-River Source Region of China during 1982-2014[J]. Hydrology Research, 2022, 53(2): 297-313. DOI:10.2166/nh.2022.076 |
| [29] | Wu X Y, Shen C T, Shi L N, et al. Spatio-temporal evolution characteristics and simulation prediction of carbon storage: a case study in Sanjiangyuan Area, China[J]. Ecological Informatics, 2024, 80. DOI:10.1016/j.ecoinf.2024.102485 |
| [30] |
陈炜, 黄慧萍, 田亦陈, 等. 基于Google Earth Engine平台的三江源地区生态环境质量动态监测与分析[J]. 地球信息科学学报, 2019, 21(9): 1382-1391. Chen W, Huang H P, Tian Y C, et al. Monitoring and assessment of the eco-environment quality in the Sanjiangyuan region based on Google Earth Engine[J]. Journal of Geo-Information Science, 2019, 21(9): 1382-1391. |
| [31] |
罗斯琼, 李红梅, 马迪, 等. 三江源冻土-植被相互作用及气候效应研究现状及展望[J]. 高原气象, 2022, 41(2): 255-267. Luo S Q, Li H M, Ma D, et al. Review and prospects of frozen soil-vegetation interaction and climate effects in the Three Rivers Source Region[J]. Plateau Meteorology, 2022, 41(2): 255-267. |
| [32] |
南卓铜. 中国1: 1000万冻土区划及类型图[DS/OL]. https://cstr.cn/CSTR:11738.11.ncdc.Westdc.2020.674, 2021-01-08. Nan Z T. Geocryological regionalization and classification map of the frozen soil in China (1: 10, 000, 000)[DS/OL]. https://cstr.cn/CSTR:11738.11.ncdc.Westdc.2020.674, 2021-01-08. |
| [33] |
徐涵秋, 邓文慧. MRSEI指数的合理性分析及其与RSEI指数的区别[J]. 遥感技术与应用, 2022, 37(1): 1-7. Xu H Q, Deng W H. Rationality analysis of MRSEI and its difference with RSEI[J]. Remote Sensing Technology and Application, 2022, 37(1): 1-7. |
| [34] |
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595. Xu H Q. A study on information extraction of water body with the Modified Normalized Difference Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. |
| [35] |
刘江容, 林晓凤, 王豪伟, 等. 海峡两岸生态环境质量差异性评价及港口发展对其的影响[J]. 生态学报, 2024, 44(5): 1837-1853. Liu J R, Lin X F, Wang H W, et al. Ecological quality differentiation of the environment and impacts of port development on both coasts of the Taiwan Strait[J]. Acta Ecologica Sinica, 2024, 44(5): 1837-1853. |
| [36] |
王永祥, 徐园园, 杨佳嘉, 等. 基于Landsat的重庆市生态环境质量动态监测及其时空格局演变分析[J]. 生态学报, 2023, 43(15): 6278-6292. Wang Y X, Xu Y Y, Yang J J, et al. Dynamic monitoring and spatio-temporal pattern evolution analysis of eco-environmental quality in Chongqing based on remote sensing[J]. Acta Ecologica Sinica, 2023, 43(15): 6278-6292. |
| [37] |
韩煜娜, 左德鹏, 王国庆, 等. 变化环境下青藏高原陆地水储量演变格局及归因[J]. 水资源保护, 2023, 39(2): 199-207, 214. Han Y N, Zuo D P, Wang G Q, et al. Evolution pattern and attribution analysis of terrestrial water storage in Tibetan Plateau under changing environment[J]. Water Resources Protection, 2023, 39(2): 199-207, 214. |
| [38] |
巩杰, 高秉丽, 李焱, 等. 1960-2020年黄河流域气候干湿状况时空分异及变化趋势[J]. 中国农业气象, 2022, 43(3): 165-176. Gong J, Gao B L, Li Y, et al. Spatiotemporal variation of climate dry-wet condition and its potential trend in the Yellow River Basin from 1960 to 2020[J]. Chinese Journal of Agrometeorology, 2022, 43(3): 165-176. |
| [39] |
王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527. Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the Yellow River Basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527. |
| [40] |
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. |
| [41] |
张圣微, 赵鸿彬, 张发, 等. 基于MODIS NDVI的锡林郭勒草原近10年的时空动态[J]. 草业科学, 2014, 31(8): 1416-1423. Zhang S W, Zhao H B, Zhang F, et al. Temporal and spatial dynamic of Xilingol steppe based on MODIS NDVI in recent ten years[J]. Pratacultural Science, 2014, 31(8): 1416-1423. |
| [42] |
李庆, 张春来, 周娜, 等. 青藏高原沙漠化土地空间分布及区划[J]. 中国沙漠, 2018, 38(4): 690-700. Li Q, Zhang C L, Zhou N, et al. Spatial distribution of Aeolian desertification on the Qinghai-Tibet Plateau[J]. Journal of Desert Research, 2018, 38(4): 690-700. |
| [43] |
赵嘉丽, 李兴, 孙冰. 基于AWRSEI的岱海流域生态环境质量时空演变及驱动因子分析[J]. 环境科学, 2024, 45(3): 1598-1614. Zhao J L, Li X, Sun B. Spatial-temporal evolution and driving factors analysis of ecological environment quality in Daihai Basin based on AWRSEI[J]. Environmental Science, 2024, 45(3): 1598-1614. |
| [44] |
岳广阳, 赵林, 赵拥华, 等. 青藏高原西大滩多年冻土活动层土壤性状与地表植被的关系[J]. 冰川冻土, 2013, 35(3): 565-573. Yue G Y, Zhao L, Zhao Y H, et al. Relationship between soil properties in permafrost active layer and surface vegetation in Xidatan on the Qinghai-Tibetan Plateau[J]. Journal of Glaciology and Geocryology, 2013, 35(3): 565-573. DOI:10.7522/j.issn.1000-0240.2013.0065 |
| [45] |
王清韵, 周丁扬, 安萍莉, 等. 自然保护地政策对区域生态环境质量的影响——以三江源地区为例[J]. 应用生态学报, 2023, 34(5): 1349-1359. Wang Q Y, Zhou D Y, An P L, et al. Impacts of nature reserve policy on regional ecological environment quality: a case study of Sanjiangyuan region[J]. Chinese Journal of Applied Ecology, 2023, 34(5): 1349-1359. |
| [46] |
张良侠, 岳笑, 周德成, 等. 气候变化和人类活动对我国典型草原区植被恢复的影响[J]. 环境科学, 2023, 44(5): 2694-2703. Zhang L X, Yue X, Zhou D C, et al. Impacts of climate change and human activities on vegetation restoration in typical grasslands of China[J]. Environmental Science, 2023, 44(5): 2694-2703. |
| [47] |
刘闻慧, 文军, 陈金雷, 等. 青藏高原土壤冻融过程关键参量时空分布特征分析[J]. 高原气象, 2022, 41(1): 11-23. Liu W H, Wen J, Chen J L, et al. Characteristic analysis of the spatio-temporal distribution of key variables during the soil freeze-thaw process over the Qinghai-Xizang Plateau[J]. Plateau Meteorology, 2022, 41(1): 11-23. |
| [48] |
万昌君, 吴小丹, 林兴稳. 遥感数据时空尺度对地理要素时空变化分析的影响[J]. 遥感学报, 2019, 23(6): 1064-1077. Wan C J, Wu X D, Lin X W. Impact of spatial and temporal scales of remote sensing data on the spatiotemporal change in geographic elements[J]. Journal of Remote Sensing, 2019, 23(6): 1064-1077. |
| [49] | Lotfalinezhad H, Maleki A. TTA, a new approach to estimate Hurst exponent with less estimation error and computational time[J]. Physica A: Statistical Mechanics and Its Applications, 2020, 553. DOI:10.1016/j.physa.2019.124093 |
| [50] |
茹少峰, 马茹慧. 黄河流域生态环境脆弱性评价、空间分析及预测[J]. 自然资源学报, 2022, 37(7): 1722-1734. Ru S F, Ma R H. Evaluation, spatial analysis and prediction of ecological environment vulnerability of Yellow River Basin[J]. Journal of Natural Resources, 2022, 37(7): 1722-1734. |