基于改进遥感生态指数的车尔臣河生境质量评价及驱动因素分析

引用本文

张加成, 高凡, 刘坤, 何兵, 吴杰, 李颖. 基于改进遥感生态指数的车尔臣河生境质量评价及驱动因素分析[J]. 环境科学, 2026, 47(9): 6237-6250.

ZHANG Jia-cheng, GAO Fan, LIU Kun, HE Bing, WU Jie, LI Ying. Evaluation of Habitat Quality and Driving Forces Analysis in the Qarqan River Basin Based on an Enhanced Remote Sensing Ecological Index[J]. Environmental Science, 2026, 47(9): 6237-6250.

基于改进遥感生态指数的车尔臣河生境质量评价及驱动因素分析

张加成^1,2, 高凡^1,2, 刘坤^1,2, 何兵^1,2, 吴杰^1,2, 李颖^1,2

1. 新疆农业大学水利与土木工程学院，乌鲁木齐 830052;
2. 新疆水利工程安全与水灾害防治重点实验室，乌鲁木齐 830052

收稿日期: 2025-07-02; 修订日期: 2025-10-09

基金项目: 塔里木河流域管理局科研项目（TGJAKSJJG-2022KYXM0003，TGJGLJJG-2024KYXM0003）

作者简介: 张加成（1999~），男，硕士研究生，主要研究方向为干旱区生态环境质量评价和环境遥感，E-mail：Zjc1394263148@163.com

通信作者: 高凡, E-mail：gutongfan0202@163.com

摘要: 车尔臣河是塔里木河流域生态水文格局的重要组成部分，与塔里木河共同维系塔克拉玛干沙漠东部绿色走廊和台特玛湖稳定水面面积. 进行车尔臣河生境质量变化特征及其驱动因素研究，对于维系塔里木河流域生态平衡与水资源高效利用具有重要意义. 针对流域干旱生态特性，构建一种改进遥感生态指数（ERSEI），借助谷歌地球引擎（GEE）平台，综合利用Theil-Sen Median趋势分析+M-K检验、莫兰指数（Moran's I）和最优参数地理探测器方法，系统揭示了2000~2023年流域生境质量时空演变规律与核心驱动因素. 结果表明：①ERSEI指数第一主成分方差累计贡献率为76.5%，且其与各生态因子的平均相关系数达0.79，通过刻画干旱区地表特征细节进一步验证了该模型的适用性与稳定性；②2000~2023年研究区ERSEI年均值为0.484，整体呈波动式改善趋势，生态环境恶化区域面积比例减少10.58%，改善区域面积比例增加12.63%. 空间上表现为两极分异格局，生态质量最优区集中于高海拔地带与绿洲核心区，生态质量较差区则主要分布在北部沙漠边缘及中部缺乏河道的荒漠区域；③车尔臣河流域生态环境质量空间集聚特征显著，高-高聚类集中于高海拔区与中海拔绿洲耕地，低-低聚类分布于中海拔荒漠带；④相较于自然因素，人类活动对车尔臣河流域生态质量演变的驱动作用更为突出. 土地利用类型是ERSEI的主导单因子驱动因子，其与气象因子、海拔因子的交互作用对ERSEI指数变化具备更强的解释力（q值分别达0.854、0.829和0.892），驱动力机制总体表现为明显的双因子增强与非线性增强特征.

关键词: 谷歌地球引擎（GEE）改进型遥感生态指数（ERSEI）生态环境质量莫兰指数最优参数地理探测器（OPGD）

Evaluation of Habitat Quality and Driving Forces Analysis in the Qarqan River Basin Based on an Enhanced Remote Sensing Ecological Index

ZHANG Jia-cheng^1,2 , GAO Fan^1,2 , LIU Kun^1,2 , HE Bing^1,2 , WU Jie^1,2 , LI Ying^1,2

1. College of Hydraulic and Civil Engineering, Xinjiang Agricultural University, Urumqi 830052, China;
2. Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention, Urumqi 830052, China

Abstract: As a critical tributary within the Tarim River Basin framework ("nine tributaries and one mainstream"), identifying spatio-temporal variations in habitat quality and their driving factors in the Qarqan River Basin is essential for regional ecological conservation and sustainable development. To address the ecological characteristics of this arid basin, this study developed an enhanced remote sensing ecological index (ERSEI). Leveraging the Google Earth Engine (GEE) platform, we integrated Theil-Sen Median trend analysis, Mann-Kendall test, spatial autocorrelation (Moran's I), and optimal parameters-based Geodetector to investigate habitat quality dynamics and driving factor influences (from 2000 to 2023). Key results indicate: ① The first principal component of ERSEI contributed 76.5% of the cumulative variance, with a mean correlation coefficient of 0.79 across ecological indicators, confirming its efficacy in characterizing arid land surface features and validating its robustness. ② The annual mean ERSEI value was 0.484 from 2000 to 2023, showing a fluctuating improvement trend. The proportion of ecologically degraded areas decreased by 10.58%, while improved areas increased by 12.63%. Spatially, a polarized pattern emerged: Ecological quality was superior in high-altitude regions and oasis cores but poorer in northern desert margins and central channel-lacking arid zones. ③ Significant spatial clustering of ecological quality was observed, with high-high agglomerations concentrated in high-altitude areas and mid-altitude cultivated oases and low-low clusters predominantly distributed in mid-altitude desert belts. ④ Human activities exerted stronger driving forces on ecological evolution than natural factors over 2000 to 2023. Land use type was the dominant single factor. Interactions between land use and meteorological factors/elevation significantly enhanced the explanatory power for ERSEI (q-values: 0.854, 0.829, and 0.892), with driving mechanisms characterized by distinct pairwise factor enhancement and nonlinear synergistic effects.

Key words: Google Earth Engine(GEE) enhanced remote sensing ecological index(ERSEI) ecological environment quality Moran's I optimal parameters-based Geodetector(OPGD)

生态环境质量不仅是生态系统综合状态的反映，更是衡量区域内生态要素构成、系统结构及功能完整性的重要指标^[1，2]. 尤其是在干旱区，生态环境质量对生态系统的稳定性和生态服务功能的持续发挥具有更为直接和显著的影响. 因此，构建科学合理的生态环境质量评价体系，系统揭示其时空演变规律与主导驱动机制，对于维护干旱区生态安全格局，促进区域可持续发展具有重要意义^[2]. 遥感技术以其广覆盖、高效和近实时获取生态信息的优势，已成为生态环境质量动态监测与评价的重要工具，相较于依赖有限点状样地的传统调查方法，能提供更为全面和动态的评估结果. 徐涵秋^[3]提出遥感生态指数（RSEI），通过主成分分析（PCA）耦合绿度、湿度、热度和干度这4个关键生态指标^[4~7]，首次实现了城市生态环境质量的定量评价. 随着RSEI在不同区域的广泛应用，其在特定环境条件下适应性不足的问题逐渐显现，推动学者们围绕区域生态特征进行适应性改进. 李泽虹等^[8]引入生物多样性指数（BI）全面反映攀枝花市生态环境多样性与复杂性；徐克立等^[9]采用增强型植被指数（EVI）替代NDVI作为绿度指标以提高对稀疏植被区生境质量的探测能力；冯平等^[10]引入气溶胶光学厚度（AOD）构建新型遥感生态指数（IRSEI）以弥补RSEI在大气环境评估维度的不足；汤从沧等^[11]采用沙度、盐度指标与土壤调节植被指数（SAVI）提高塔里木河流域生境质量识别精度. 然而，鉴于干旱区在气候背景、地质地貌、植被类型及水资源分布等方面存在的显著差异，构建适用于特定研究区的遥感生态指数仍是一项必要而关键的科学问题.

作为塔里木河流域“九源一干”的源流之一，车尔臣河与塔里木河干流共同注入尾闾台特玛湖^[11~13]，形成了中国面积最大的荒漠河岸林生态屏障，有效阻挡了塔克拉玛干和库鲁克塔格两大沙漠的合拢，在我国“三区四带”生态安全格局中发挥着关键生态功能. 近几十年来车尔臣河中游人工绿洲和灌溉农业的扩张导致水土资源开发利用强度不断加大，流域生态环境问题日益凸显^[14~16]，亟需开展车尔臣河生态环境质量动态监测并深入解析其驱动机制，以支撑精准化的生态保护政策制定和高效水资源管理策略优化. 基于此，本研究以车尔臣河为对象，针对其独特的生态环境特征，在传统遥感生态指数（RSEI）框架基础上，提出了改进型遥感生态指数（enhanced remote sensing ecological index，ERSEI），旨在精确刻画流域生境质量的时空演变. ERSEI的主要改进包括：其一，针对土壤盐渍化问题和水资源在该区域的极端重要性，增补盐度指数（CSI）和水网密度指数（WND）；其二，鉴于研究区内建设用地占比极低，为更贴合实际地表特征，仅采用裸土指数（SI）表征干度指数（NDBSI）；其三，考虑流域植被覆盖普遍稀疏特征，选用对低植被覆盖度更敏感的土壤调节植被指数（SAVI）替代RSEI中的绿度归一化植被指数（NDVI），以提高植被信息提取精度. 基于GEE（Google Earth Engine）云计算平台^[17~19]，采用多期Landsat TM/OLI时序影像和MODIS气候数据产品，构建ERSEI指数揭示2000~2023年研究区生态环境质量演变特征，通过最优参数地理探测器^[20~22]探测车尔臣河空间分异成因，明确关键驱动因子及其解释力，并分析主要因子间的交互效应，以期为流域生态环境定量化和动态化监测提供新思路，同时为流域生态保护与水资源高效利用提供科学依据.

1 材料与方法 1.1 研究区概况

车尔臣河位于新疆内陆干旱区（81°42′~88°30′E，36°05′~39°19′N，图 1），发源于昆仑山北坡木孜塔格峰，全长813 km，流域面积约7.4×10⁴ km²，年径流量8.0×10⁸ m³（87%源自冰川融水），最终注入台特玛湖^[23]. 流域呈现南部高寒山区（昆仑山），中部灌溉绿洲，北部干旱沙漠生态梯度，是阻隔塔克拉玛干沙漠东扩的核心生态屏障，对维系荒漠河岸林生态屏障至关重要.

图 1 研究区位置示意 Fig. 1 Location of the study area

1.2 数据来源与预处理

基于GEE平台，选用2000~2023年间24 a的Landsat卫星地表反射率数据产品（surface reflectance，SR）. 数据源包括Landsat 5（TM）和Landsat 8（OLI）的T1级别影像，该数据集已完成辐射定标、大气校正及几何校正预处理. 考虑到Landsat单景影像覆盖范围有限（幅宽185 km），难以获取大区域连续稳定温度场，采用MODIS地表温度产品MOD11A2作为热度因子替代数据. 筛选研究区内每年6~9月（主要植被生长期）影像构建时序数据集提高ERSEI反演结果准确性^[24~26]，在GEE云端完成影像的去云、中值合成、镶嵌、裁剪和去除水体等预处理操作，最终将ERSEI以1 km分辨率导出. 技术细节与处理流程见图 2. 辅助数据包括数字高程模型（DEM）、气象要素等，详细参数见表 1. 为保持一致的空间分辨率，将所有要素重采样到1 km.

图 2 技术路线 Fig. 2 Technology road

表 1 研究数据和处理方法^1） Table 1 Research data and processing methods

1.3 研究方法 1.3.1 ERSEI指数

基于遥感生态指数（RSEI），通过改进绿度（SAVI）和干度因子（NDBSI），引入盐度（CSI）和水网密度（WND）生态因子，结合湿度因子（WET）和热度因子（LST）构建适合研究区的改进型遥感生态指数（ERSEI），计算公式如表 2所示.

表 2 ERSEI各生态指标计算公式^1） Table 2 Calculation formula for each remote sensing ecological indicator of ERSEI

指标	公式	文献
绿度（SAVI）	$S A V I = (1 + L) \times (ρ_{N I R} + ρ_{R}) / (ρ_{N I R} + ρ_{R} + 1)$	[11]
湿度（WET）	$W e t = 0.0315 ρ_{B} + 0.2021 ρ_{G} + 0.3102 ρ_{R} + 0.1594 ρ_{N I R} - 0.6806 ρ_{S W I R 1}$ $- 0.6109 ρ_{S W I R 2}$ $W e t = 0.1511 ρ_{B} + 0.1973 ρ_{G} + 0.3283 ρ_{R} + 0.3407 ρ_{N I R} - 0.7117 ρ_{S W I R 1}$ $- 0.4559 ρ_{S W I R 2}$	[26] [27]
干度（NDBSI）	$N D B S I = S I$ $S I = [(ρ_{S W I R 1} + ρ_{R}) - (ρ_{N I R} + ρ_{B})] / [(ρ_{S W I R 1} + ρ_{R}) + (ρ_{N I R} + ρ_{B})]$	[3，28，29]
热度（LST）	MOD11A2	[30]
盐度（CSI）	$C S I = (S I - T + N D S I + S I 3) / 3$ $S I - T = (ρ_{R} / ρ_{N I R}) \times 100$ $N D S I = (ρ_{R} - ρ_{N I R}) / (ρ_{R} + ρ_{N I R})$ $S I 3 = S q r t (ρ_{G}^{2} + ρ_{R}^{2})$	[14]
水网密度（WND）	$W N D = W C D \otimes H D W \otimes V A W$	[14]
1）L为土壤调节参数，经验取0.5；ρ为影像波段反射率；B、G、R和NIR分别为蓝波段、绿波段、红波段和近红外波段；SWIR1为短波红外波段1；SWIR2为短波红外波段2；SI-T为盐分指数；NDSI为归一化盐分指数；MOD11A2为MODIS地表温度产品；SI3为盐分指数3；WCD为水体核密度；HDW为水平衰减权重；VAW为垂直衰减权重； $\otimes$ 为矩阵逐元素相乘

表 2 ERSEI各生态指标计算公式^1） Table 2 Calculation formula for each remote sensing ecological indicator of ERSEI

在进行PCA计算之前，需要对每个生态因子采用整体归一化进行指标标准化. 公式如下：

N I_{i} = (I_{i} - I_{m i n}) / (I_{m a x} - I_{m i n})

(1)

式中，N $I_{i}$ 为归一化后的各指标； $I_{i}$ 为各指标像元值； $I_{m a x}$ 和 $I_{m i n}$ 分别为各指标的最大值和最小值.

采用主成分分析法（PCA）^[24]对归一化与剔除异常值后的6个生态指数进行集成，得到第一主成分PC1，计算公式如下：

$ \begin{array}{l} {\rm{ERSE}}{{\rm{I}}_{\rm{0}}} = \\ \;\;\;\;\; \;\;{\rm{ PC1}}[ f{\rm{(SAVI, WET, NDBSI, LST, CSI, WND)]}} \end{array} $

(2)

E R S E I = \frac{E R S E I_{0} - E R S E I_{0 m i n}}{E R S E I_{0 m a x} - E R S E I_{0 m i n}}

(3)

式中，ERSEI₀和ERSEI分别为未经标准化处理的初始遥感生态指数和进行标准化处理后的遥感生态指数；ERSEI_0max和ERSEI_0min分别为ERSEI₀的最大值和最小值；ERSEI通过应用区间为0.2的等区间分类方法将ERSEI进行分级：差（0~0.2]、较差（0.2~0.4]、中等（0.4~0.6]、良（0.6~0.8]和优（0.8~1.0]^[3].

1.3.2 相关性分析

皮尔逊相关系数（Pearson）表征两变量间的线性相关性，计算两个变量间的协方差与各自标准差的标准化比，如式（4）所示，取值范围为[-1, 1].

γ = \frac{c o v (x, y)}{σ_{x} σ_{y}} = \frac{\sum_{i = 1}^{n} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sqrt[]{\sum_{i = 1}^{n} (x_{i} {- \bar{x})}^{2}} \sqrt[]{\sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2}}}

(4)

式中，x和y为2个待计算相关关系的变量.

1.3.3 Theil-Sen Median趋势分析和Mann-Kendall检验

Theil-Sen Median趋势分析是一种稳健的非参数统计方法，该方法对数据异常值不敏感，适用于时间序列数据中的趋势检测. 趋势度β计算公式如下：

β = M e d i a n (\frac{x_{j} - x_{i}}{j - i}), \forall j > i

(5)

式中，x_j和x_i分别为像素j和像素i的ERSEI值，分别以j年和i为单位，其中j > i；Median为中间值函数；β > 0，表示ERSEI呈上升趋势，反之呈下降趋势.

Mann-Kendall检验也是一种非参数统计检验方法，可以确定时间序列中是否存在显著趋势. 它不需要数据服从正态分布，且不受缺失值和异常值的影响. 计算公式如下：

S = \sum_{i = 1}^{n - 1} \sum_{j = i + 1}^{n} s g n (x_{j} - x_{i}), i < j \leq n

(6)

s g n (x_{j} - x_{i}) = \{\begin{matrix} 1, & x_{j} - x_{i} > 0, \\ 0, & x_{j} - x_{i} = 0, \\ - 1, & x_{j} - x_{i} < 0 . \end{matrix}

(7)

式中，S为检验统计量；n为时间序列中的样本数；sgn为SIGN函数；当n≥10时，检验统计量S大致服从正态分布，标准化统计量Z可用于趋势检验. 具体公式如下：

V a r (S) = \frac{n (n - 1) (2 n + 5)}{18}

(8)

Z = \{\begin{matrix} \frac{S - 1}{\sqrt[]{V a r (S)}}, & S > 0, \\ 0, & S = 0, \\ \frac{S + 1}{\sqrt[]{V a r (S)}}, & S < 0 . \end{matrix}

(9)

式中，Var（S）为简化方差公式；Z为ERSEI的标准化统计量；在给定显著性水平α下，当 $|Z|$ > Z_1-α/2时，表明ERSEI在α水平上发生显著变化，一般α=0.05；在本研究中，ERSEI时间序列变化趋势的显著性采用0.05置信水平.

通过整合两种研究方法，将ERSEI的趋势进行分级，即：显著恶化（β≥0.000 5，Z≥1.96）、轻微恶化（β≥0.000 5，-1.96 < Z < 1.96）、不变（-0.000 5 < β < 0.000 5）、轻微改善（β < -0.000 5，-1.96 < Z < 1.96）和显著改善（β≤-0.000 5，Z≤-1.96）.

1.3.4 空间自相关分析

全局指数（global Moran's I）^[31，32]是量化空间自相关性的统计指标，用于解析时空格局演化特征，判别地理区域内变量的空间分布模式（聚类、离散或随机）. 该指数通过评估空间依赖性，可表征生态质量等要素的空间集聚效应. global Moran's I值域解析如下：正值趋近1表明显著的空间正相关，揭示相邻单元属性值趋聚集性，且绝对值与集聚强度呈正相关；负值趋近-1指示空间负相关，反映邻域属性异质性，绝对值与空间分异程度正相关；0值附近则表征随机分布，体现空间无关联性. 其数学模型表述为：

g l o b a l M o r a n' s I = \frac{n \sum_{i = 1}^{n} \sum_{j = 1}^{m} W_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} \sum_{j = 1}^{m} W_{i j} \sum_{i = 1}^{n} (x_{i} {- \bar{x})}^{2}}

(10)

式中， $x_{i}$ 和 $x_{j}$ 分别为在单元i和j处的ERSEI的值； $\bar{x}$ 为流域ERSEI的均值；n为流域样本总数；m为像元单元i的邻近单元个数； $W_{i j}$ 为位置i与j之间的空间权重，i与j相邻时， $W_{i j}$ =1，反之 $W_{i j}$ =0.

1.3.5 最优参数地理探测器（OPGD）

最优参数地理探测器由Song等^[33]提出，旨在优化传统地理探测器模型在分区离散化方法依赖经验性假设及交互作用识别偏差等方面的局限性^[34，35]. 该方法通过系统组合连续型变量的多种离散化方法（自然断点、相等间断、几何间断、分位数及标准差分类）与分类数（3~8类），基于最大q值准则确定最优空间尺度，提升空间分异性分析的客观性. 本研究采用单因子探测器量化各变量的独立解释力，并运用交互作用探测器解析双变量对因变量的协同效应，其交互作用模式可分为非线性减弱、单因子减弱、双因子增强、相互独立及非线性增强这5类（表 3）. q值计算模型如下：

q = 1 - \frac{\sum_{h = 1}^{L} N_{h} σ_{h}^{2}}{N σ^{2}}

(11)

表 3 地理探测器交互作用类型 Table 3 Types of Geodetector interactions

交互作用类型	q值范围
非线性减弱	$q (X 1 ⋂ X 2) < M i n [q (X 1), q (X 2)]$
单因子减弱	$M i n [q (X 1), q (X 2) < q (X 1 ⋂ X 2) < M a x [q (X 1), q (X 2)]$
双因子增强	$q (X 1 ⋂ X 2) > M a x [q (X 1), q (X 2)]$
相互独立	$q (X 1 ⋂ X 2) = q (X 1) + q (X 2)$
非线性增强	$q (X 1 ⋂ X 2) > q (X 1) + q (X 2)$

表 3 地理探测器交互作用类型 Table 3 Types of Geodetector interactions

式中，L为因变量ERSEI或自变量因子的分层数；N_h和N分别为不同分级区和整个流域中的样本数； $σ_{h}$ 为不同分级区ERSEI的方差； $σ$ 为整个区域ERSEI的方差.

2 结果与分析 2.1 ERSEI指数验证 2.1.1 ERSEI指数有效性分析

ERSEI与同期各生态因子之间的Pearson相关系数如图 3，基于平均相关性检验的ERSEI的适用性和可行性如表 4. 各生态因子与ERSEI相关系数均在1%水平上显著，各生态因子在5个时期的平均相关系数绝对值均超过0.73，且与ERSEI的相关系数均超过0.79，表明植被条件（SAVI）、土壤湿度（WET）和水网密度（WND）对生境质量具有促进作用；ERSEI与NDBSI（干度）、LST（热度）和CSI（盐度）呈显著负相关，表明三者对生态环境产生抑制效应. ERSEI有效整合了多源生态信息，综合表征区域生态环境状况的能力显著优于任一单因子，进一步验证了ERSEI模型在本研究中的适用性和优越性.

图 3 各生态指数与ERSEI相关性 Fig. 3 Correlation of each ecological factor with ERSEI

表 4 ERSEI与每个指标的平均值 Table 4 Mean values of ERSEI with each indicator

2.1.2 ERSEI与RSEI指数对比分析

为明确ERSEI与RSEI差异性，选取研究区内4类典型区域进行对比分析（图 4）. 结果显示：在绿洲与耕地区域（对比图 4中a、b与e、f），ERSEI对植被提取精度明显提高，生态纹理更加精细，主要得益于SAVI与WND因子，SAVI因子有效缓解了传统植被指数在干旱区不敏感的问题，WND因子显著提升了水系辐射影响的渐变表达效果. 具体表现为：圈定区域RSEI均值为0.697和0.257，而ERSEI分别达到0.758和0.238. 在水库周边与未利用地区域（对比图 4中c、d与g、h），ERSEI采用SI替代IBI并加入CSI因子后，对山体形态的刻画更加准确，戈壁盐碱地的边界轮廓更为清晰. 圈定区域的RSEI均值为0.435和0.185，ERSEI则为0.361和0.207. 综合分析表明，相较于RSEI，ERSEI在生态纹理表达和植被识别精度方面均展现出显著优势.

图 4 2023年RSEI与ERSEI局部细节对比 Fig. 4 Comparison of RSEI and ERSEI local details in 2023

RSEI和ERSEI中各生态指标的PCA结果如表 5所示. ERSEI的PC1贡献率为76.5%，相比RSEI高出4.7个百分点，表明ERSEI指标能够反映更多的特征. RSEI和ERSEI各生态因子的PC1载荷值稳定且有规律，进行“1-PC1”操作后，SAVI、WET和WND在第一主成分上载荷值为正值，对生态环境质量评价起正向作用；NDBSI、LST和CSI为负值，对生态质量评估发挥负向效应. 该结果与Pearson系数结果一致.

表 5 RSEI与ERSEI各指标主成分分析结果 Table 5 Results of principal component analysis of RSSEI and ERSEI indicators

2.2 生态环境质量时空变化特征

基于2000~2023年ERSEI指数时序分析表 6所示，在过去24 a间车尔臣河生境质量呈现显著的阶段性演变特征：2000~2015年，ERSEI指数逐渐上升，于2015年达到最高值0.49；而在2015~2023年生境质量变化情况呈现下降趋势，至2023年ERSEI指数回落至4.88. 从生境质量等级结构演变来看，差等级区域面积比例显著缩减80%，优等级区域扩张59.3%，较差、一般和良等级分别增加9%、5.21%和16.61%，表明流域生态环境质量整体呈现波动性改善态势. 然而，当前ERSEI均值仍处于中等偏低水平，反映出流域生态系统仍具脆弱性特征，未来亟需构建生态保护与经济社会协调发展的长效机制.

表 6 车尔臣河ERSEI指数各等级占比与均值统计 Table 6 Statistics of the proportion and mean value of ERSEI index in Qarqan River

从空间变化角度分析生态质量状况，空间可视化结果如图 5，车尔臣河生境质量呈现显著的空间异质性特征，整体表现为南高北低的梯度分布格局. 进一步统计了各个年份不同等级的面积和占比（如表 7），结果表明：2000~2023年间，优等级和良等级面积占比分别从3.12%和20.86%显著提升至4.74%和23.16%，增幅达51.9%和11.0%，主要分布于中部绿洲带及南部昆仑山北坡区域（约4 944 km²）；差区域从2000年的9.89%下降到2023年的3.84%，降幅达61.2%，受人工绿洲扩张影响面积约7 630 km²；较差与中等区域面积也呈轻微增长变化，增长幅度分别为3.84%和3.3%，变化区域多集中在中部荒漠区域和北部毗邻沙漠区域，面积约2 888.32 km².

图 5 ERSEI等级分布 Fig. 5 Distribution of the ERSEI grade

表 7 2000~2023年车尔臣河生态环境评价等级面积及比例 Table 7 Area and proportion of ecological environment evaluation grade in Qarqan River from 2000 to 2023

车尔臣河2000~2023年生态环境质量变化趋势面积占比如表 8所示. 期间显著变化区域（包括显著恶化和显著改善）面积占比相对有限，分别为14.37%和11.7%；“轻微恶化”区域表现出明显的时序波动特征，面积平均占比约27.84%，在2015~2020年占比最高，达到46.27%；相比之下，稳定“不变”区域占比最低（4.65%~10.05%），且年际变化幅度较小. 与“轻度改善”一样在不同年份间波动起伏不大，较为稳定. 在2000~2023年间，“恶化”为42.21%，“改善”占比48.35%，生态质量改善的面积达到7 744.21 km²，充分证实了研究期内流域生态环境质量的整体改善趋势.

表 8 2000~2023年生态状况变化趋势及面积占比 Table 8 Trends in ecological status and area percentage from 2000 to 2023

基于ERSEI变化趋势的空间分布特征分析（图 6）. 2000~2023年车尔臣河流域生态环境质量演变呈现明显的阶段性差异. 具体表现为：2000~2005年和2015~2020年两个时段，恶化与改善区域空间分布较为分散，面积占比分别为47.31%和47.33%，显示出较强的空间异质性；而2005~2010年、2010~2015年及2020~2023年3个时段则呈现相似的空间分布格局——轻微改善区域主要分布于南部泥石流沟谷带，明显改善区域集中在中部且末绿洲及东部若羌县城周边，恶化区域（包括轻微和显著恶化）则主要分布在西部平原区、东部昆仑山北麓以及北部沙漠毗邻区和河流中游荒漠带. 总体来看，近24 a来绿洲面积稳步扩大也是影响生境质量的重要因素.

图 6 ERSEI变化趋势空间分布 Fig. 6 Spatial distribution of ERSEI trends

2.3 生态环境质量空间相关性分析

本文使用ArcGIS 10.5软件对2000~2023年尔臣车河流域ERSEI进行了空间Moran's检验，结果表明，2000~2023年ERSEI的所有Moran's I值均大于0，均通过P < 0.05的显著性检验，表明ERSEI存在显著的正空间自相关（表 9）.

表 9 车尔臣河ERSEI全局Moran's I指数 Table 9 Global Moran's I index of ERSEI in the Qarqan River

基于空间自相关分析结果（P < 0.05），车尔臣河ERSEI指数呈现显著的正空间自相关性，表明生态环境质量存在明显的空间集聚特征而非随机分布，通过LISA聚类分析（图 7）. 2000~2015年，变化最明显区域为流域中部绿洲区和南部昆仑山高海拔区域，区域整体高-高聚类面积有所增大；而2015~2023年流域东南高-高集聚范围明显减少，低-低聚类面积缓慢增加，表明区域内生态环境质量有所下降. 相较于2000年，2010年中部平原区域低-低聚类区域显著减少，减少原因为部分土地被开垦为耕地，绿度增加，温度降低，生态环境质量相对改善. 2015年期间，低-低范围增加，增加的区域主要分布在远离河道的荒漠区域. 此外，2000年东北角区域分布的低-低聚类在2015年几乎消失，变为不显著区域. 这些变化充分体现了人类活动（如耕地扩张）与自然因素共同塑造的流域生态环境质量空间分异格局.

图 7 车尔臣河流域ERSEI指数LISA聚类 Fig. 7 LISA cluster of ERSEI in Qarqan River Basin

2.4 驱动分析 2.4.1 单因子探测分析

为探究影响车尔臣河流域生境质量驱动因素，选取X₁~X₈共8个影响因子进行单因子探测分析，其中自然因素（X₁~X₅）和人为因素（X₆~X₈），各因素不同离散方法及类别数的解释力如图 8，单因子探测结果见表 10. 在各年份中驱动因素的分类方法与分类数目并不相同，各驱动因子的解释力（q值）存在显著差异. q值综合排序依次为：X₃ > X₁ > X₂ > X₄ > X₈ > X₇ > X₆ > X₅，在2000~2023年间，人为因素的相对贡献显著增强，其中土地利用类型的解释力增幅达291%（q=0.422），为ERSEI时空变化的主导驱动因子；2000~2023年ERSEI自然因素的驱动格局发生明显转变，地形因子（如海拔高度）的解释力呈下降趋势，而气象因子（蒸发和降水）的影响则轻微上升. 这一变化特征表明，虽然海拔高度仍是决定生境质量空间格局的基础性因素，但人类活动（特别是土地利用变化）已成为近年来流域生态环境演变的主要驱动力.

X₁~X₈含义见表 10，下同图 8 不同离散方法及类别数的解释力（q）统计结果 Fig. 8 Statistical results of explanatory power(q) under different discretization methods and categories

表 10 单因子探测结果^1） Table 10 Single factor detection results

2.4.2 交互式探测分析

为进一步探究因子之间的交互作用，对2000~2023年车尔臣河流域的ERSEI与驱动因子进行交互因子探测，结果如图 9. 探测结果表现均为双因子增强和非线性增强，表明车尔臣河流域生境质量变化是多因素共同作用结果，其解释力（q值）均显著高于单因子作用. 2000~2023年间，土地利用类型与海拔高度之间的交互作用最为显著，平均q值为0.892，其次是海拔高度与蒸发之间的交互作用，q值为0.854. 此外土地利用类型与气象因子（蒸发和降水）的交互解释力同样高于其他组合，反映出人类活动通过改变地表能量平衡和水循环过程对生境质量产生深远影响. 这一交互作用格局揭示：土地利用变化作为主导驱动因子，不仅直接影响生境质量，更重要的是通过调节地形和气候因子的作用强度，重塑了整个流域的生态环境演变格局. 这种多尺度、多维度的驱动机制，充分体现了干旱区内陆河流域生态环境系统的复杂性和敏感性.

图 9 参数最优地理探测器交互式探测结果 Fig. 9 Interactive detection results of optimal parameters-based Geodetector

3 讨论 3.1 ERSEI适用性分析

本研究根据车尔臣河流域城市建筑占比低、盐渍化突出和水系衰减等生态特征在RSEI指数基础上改进绿度和干度指数，引入盐度和水网指数构建ERSEI指数. 对各生态指标进行Pearson分析（图 3），各生态因子间均呈现显著相关性（P < 0.01），验证了主成分分析（PCA）集成的合理性^[36，37]. 与RSEI相比，ERSEI在空间分异表征上更具优势：首先，在中游绿洲区，通过融合灌溉水网辐射效应（WND），清晰刻画农田-荒漠过渡带的梯度变化特征；其次，局部纹理细节更丰富，土地利用类型反演精度显著提升. 时序PCA结果显示（2000~2023年），ERSEI第一主成分贡献率稳定维持在70%~81%，表明模型具有较低信息损失率与较高评价稳定性，这与其他学者的结论一致^[38]. 因此，对于车尔臣河流域生态环境质量评价结果来说ERSEI模型反演结果更加可靠，但ERSEI的适用性受区域生态本底约束，其在盐渍化-干旱型流域的评估优势明显，而高城市化区域可能仍适用传统RSEI模型，此差异需通过后续跨区域对比研究进一步验证.

3.2 车尔臣河生态环境质量驱动机制

2000~2023年间，车尔臣河流域生态环境质量总体呈波动改善趋势，年均ERSEI从0.473上升至0.488，但该区域生境质量仍处于一般水平，这一结果与汤从沧等^[11]研究的结果相一致. 从空间格局来看，ERSEI空间异质性显著，尤以中部平原区为典型. 该区域以且末、若羌绿洲为核心，农牧业快速发展. 大量未利用地向耕地转换，显著提升了局部生态承载力，带动了生态改善^[39]. 而中部河流荒漠带、西部平原区及北部沙漠毗邻区域，受植被退化与土地沙化影响，生境质量低且恶化显著，这与刘伟等^[40]的研究结论一致. 值得注意的是，尽管南部高海拔地区受人类活动干扰较小，其ERSEI仍波动明显，以轻微恶化与改善交替为主要特征. 这种变异可归因于高海拔地区多变的气候条件与地质条件之间复杂的相互作用.

此外，基于最优参数地理探测器分析，流域生态环境质量演变表现出多因子协同驱动特征，因子间交互均呈现双因子增强或非线性增强（图 9），这与既有的相关研究相符^[41~43]. 单因子探测结果显示，海拔高度（地形类）、蒸发（气象类）和土地利用（人类活动类）解释力最强. 这是由于研究区地处昆仑山-塔里木盆地过渡带，形成明显的垂直气候和植被带谱，导致生态参数具有显著的海拔依赖性^[44]，该现象与叶洪铭等^[45]的研究相似. 尽管土地利用的单因子解释力低于海拔与气象因子，但其q值由2000年的0.145增至2023年的0.422，反映出绿洲开发过程对生态系统的影响持续增强. 值得注意的是，绿洲扩张不仅直接改变覆被格局，还通过调控水文气候过程，间接影响生态环境质量^[46]. 双因子交互探测进一步印证了车尔臣河流域生境质量分异是多因子耦合的结果. 其中，土地利用类型与海拔的交互作用最为显著（多年平均q=0.892），与蒸发、降水的交互解释力也显著高于其他组合. 这一结果表明，人类活动通过改变土地利用类型，影响地表能量平衡和水循环，加剧了生态系统的复杂响应. 进一步印证了流域生态环境质量演变的多元耦合驱动机制，何旭刚等^[47]的研究也验证了这一观点.

总体而言，车尔臣河流域生境质量演变受多因子协同驱动，驱动机制体现出强烈的复杂性和敏感性. 因此，在制定生态保护策略时，需高度重视驱动因子间的协同效应，科学统筹生态与经济发展，系统推进上游节水调度、中游农业高效用水与下游生态补水的一体化管控，并强化全流域水资源监测与综合调度能力，从而提升生态恢复措施的针对性与整体效能.

3.3 不足与改进

本研究通过改进绿度指标、干度指标、增加盐度指标和水网指标显著提升了干旱区内陆河流域生态环境质量评价的适用性，然而仍存在以下需要完善之处. 指标体系方面，当前模型尚未纳入水土流失率、荒漠化指数等关键生态因子，可能影响极端生态退化区域的评价精度. 建议后续研究整合RUSLE模型、风蚀强度指数等多元参数，构建更全面的生态健康评价体系；时序分析方面，基于固定时相遥感影像的监测方法难以消除物候波动（如温度、降水异常）对植被指数的影响. 未来可采用Google Earth Engine平台，通过Savitzky-Golay滤波重构NDVI时间序列，结合动态时间规整（DTW）算法精确提取植被物候特征，建立自适应生长季的ERSEI计算框架，为生态修复提供更精准的决策依据.

4 结论

（1）根据车尔臣河生态特性构建ERSEI指数，有效集成6项生态指标，与各生态因子平均相关系数为0.79，即ERSEI比任一单指标分量更具代表性；并且ERSEI的PC1贡献率为76.5%，比RSEI高4.7个百分点；特别是在建筑用地和荒漠盐碱土地，图像提取纹理更精细，生境评价结果与地表真实情况更为接近.

（2）车尔臣河2000~2023年，在空间尺度上ERSEI整体均值为0.484，核密度高值区为0.2~0.6，呈“先升后降”波动趋势. 生态高质量区集中于南部高寒草甸及中下游绿洲带. 较差区域主要分布于北部沙漠前缘、南部地势相对较低的泥石流沟谷区域以及中部荒漠带. 24 a间，生态环境质量整体改善与退化面积占比分别为48.35%和42.21%，整体生态环境质量明显好转.

（3）车尔臣河生态环境质量存在显著的空间自相关性. 生态环境质量低-低聚类为生态环境质量差的类型聚集，主要集中于北部沙漠-绿洲交错带；高-高集聚区主要分布在高海拔林草区域和中游人工绿洲核心区域. 从驱动因子对生态环境质量解释力中可以发现，土地利用类型是ERSEI的主导因子，土地利用类型与气象因子、海拔的组合呈现双因子增强效应，q值分别为0.854、0.829和0.892，且各驱动因子之间均为增强关系，因此在对车尔臣河进行生态环境管理和保护策略制定中，需考虑多因子及其交互作用的重要性，注意土地利用过程并实施合理的政策减少对环境的破坏，对于因地制宜的生态资源有效配置和区域生态修复工作具有现实意义.

参考文献

[1]	叶亚平, 刘鲁君. 中国省域生态环境质量评价指标体系研究[J]. 环境科学研究, 2000, 13(3): 33-36. Ye Y P, Liu L J. A preliminary study on assessment indicator system of provincial eco-environmental quality in China[J]. Research of Environmental Sciences, 2000, 13(3): 33-36.
[2]	苏军德, 赵晓冏, 李国霞, 等. 祁连山国家自然保护区生境质量时空特征及驱动因素分析[J]. 中国环境科学, 2024, 44(5): 2595-2605. Su J D, Zhao X J, Li G X, et al. Spatial and temporal characteristics and driving factors of habitat quality in Qilian Mountain National Nature Reserve[J]. China Environmental Science, 2024, 44(5): 2595-2605.
[3]	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.
[4]	辛会超, 郭玮, 王贺封. 基于GEE和RSEI的京津冀地区生态环境质量时序动态评估[J]. 西北林学院学报, 2024, 39(2): 106-114. Xin H C, Guo W, Wang H F. Time series dynamic assessment of ecological environment quality in Beijing-Tianjin-Hebei region based on GEE and RSEI[J]. Journal of Northwest Forestry University, 2024, 39(2): 106-114.
[5]	杨泽康, 田佳, 李万源, 等. 黄河流域生态环境质量时空格局与演变趋势[J]. 生态学报, 2021, 41(19): 7627-7636. Yang Z K, Tian J, Li W Y, et al. Spatio-temporal pattern and evolution trend of ecological environment quality in the Yellow River Basin[J]. Acta Ecologica Sinica, 2021, 41(19): 7627-7636.
[6]	Gong C, Lyu F N, Wang Y L. Spatiotemporal change and drivers of ecosystem quality in the Loess Plateau based on RSEI: a case study of Shanxi, China[J]. Ecological Indicators, 2023, 155. DOI:10.1016/j.ecolind.2023.111060
[7]	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
[8]	李泽虹, 吴青松, 李茜, 等. 基于IRSEI的生态环境质量评价与影响因素分析: 以攀枝花南部为例[J]. 沉积与特提斯地质, 2025, 45(2): 446-458. Li Z H, Wu Q S, Li X, et al. Evaluation of ecological environment quality and analysis of influencing factors based on IRSEI: a case study of the southern region of Panzhihua[J]. Sedimentary Geology and Tethyan Geology, 2025, 45(2): 446-458.
[9]	徐克立, 吕伟才, 汤连盟. 基于改进遥感生态指数(MRSEI)的淮河流域生态环境质量评价[J]. 中国环境监测, 2025, 41(1): 225-234. Xu K L, Lyu W C, Tang L M. Ecological environment quality assessment of Huaihe River Basin based on modified remote sensing ecological index(MRSEI)[J]. Environmental Monitoring in China, 2025, 41(1): 225-234.
[10]	冯平, 杨妮娟, 李建柱. 滦河流域遥感生态指数改进及生态环境质量评价[J]. 应用生态学报, 2023, 34(12): 3195-3202. Feng P, Yang N J, Li J Z. Improvement of remote sensing ecological index and evaluation of ecological environment quality in Luanhe River Basin, China[J]. Chinese Journal of Applied Ecology, 2023, 34(12): 3195-3202.
[11]	汤从沧, 李巧, 陶洪飞, 等. 基于改进遥感生态指数模型的塔里木河流域生态环境质量评价[J]. 环境科学, 2025, 46(7): 4485-4498. Tang C C, Li Q, Tao H F, et al. Evaluating the ecological environment quality in the Tarim River Basin based on the modified remote sensing ecological index model[J]. Environmental Science, 2025, 46(7): 4485-4498. DOI:10.13227/j.hjkx.202407130
[12]	袁志毅, 张向萍, 王远见, 等. 车尔臣河诸小河流域水资源统一管理存在的问题及对策[J]. 人民黄河, 2022, 44(S1): 23-24, 27.
[13]	郭丽君. 新疆车尔臣河流域平原区绿洲耗水格局研究[J]. 中国水能及电气化, 2024(9): 28-32. Guo L J. Research on the water consumption patterns of the oasis in the plain area of the Qiemo River Basin in Xinjiang[J]. China Water Power & Electrification, 2024(9): 28-32.
[14]	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.
[15]	Zhang K L, Feng R R, Zhang Z C, et al. Exploring the driving factors of remote sensing ecological index changes from the perspective of geospatial differentiation: a case study of the Weihe River Basin, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(17). DOI:10.3390/IJERPH191710930
[16]	Duo L H, Wang J Q, Zhang F Q, et al. Assessing the spatiotemporal evolution and drivers of ecological environment quality using an enhanced remote sensing ecological index in Lanzhou City, China[J]. Remote Sensing, 2023, 15(19). DOI:10.3390/RS15194704
[17]	Li W B, Samat A, Abuduwaili J, et al. Spatiotemporal pattern, evolutionary trend, and driving forces analysis of ecological quality in the Irtysh River Basin (2000-2020)[J]. Land, 2024, 13(2). DOI:10.3390/LAND13020222
[18]	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. DOI:10.13227/j.hjkx.202308035
[19]	Zhou M L, Li Z H, Gao M L, et al. Revealing the eco-environmental quality of the Yellow River Basin: trends and drivers[J]. Remote Sensing, 2024, 16(11). DOI:10.3390/RS16112018
[20]	马林, 梁勇, 张雅芹, 等. 基于RSEI的山东省不同土地覆盖区生态环境质量变化特征及驱动因素[J]. 水土保持研究, 2024, 31(2): 389-400. Ma L, Liang Y, Zhang Y Q, et al. Spatiotemporal change and driving factors of the eco-environment quality of different land covers in Shandong Province based on RSEI[J]. Research of Soil and Water Conservation, 2024, 31(2): 389-400.
[21]	施智勇, 胡晓婷, 谢慧黎, 等. 基于RSEI的生态环境质量评价及驱动力分析——以闽江流域(福州段)为例[J]. 测绘通报, 2023(2): 28-33. Shi Z Y, Hu X T, Xie H L, et al. Eco-Environmental quality assessment and driving force analysis based on RSEI: a case study of the Minjiang River basin(Fuzhou section)[J]. Bulletin of Surveying and Mapping, 2023(2): 28-33.
[22]	樊自立, 徐海量, 张鹏, 等. 新疆车尔臣河及其水资源利用研究[J]. 干旱区研究, 2014, 31(1): 20-26. Fan Z L, Xu H L, Zhang P, et al. The Qarqan River in Xinjiang and its water resources utilization[J]. Arid Zone Research, 2014, 31(1): 20-26.
[23]	李景远, 吴巍, 周孝德, 等. 车尔臣河流域土地利用变化及生态环境效应分析[J]. 环境科学学报, 2015, 35(10): 3330-3337. Li J Y, Wu W, Zhou X D, et al. Land use change and eco-environment effect in Qarqan River Basin[J]. Acta Scientiae Circumstantiae, 2015, 35(10): 3330-3337.
[24]	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.
[25]	Jiang L L, Jiapaer G L, Bao A M, et al. Vegetation dynamics and responses to climate change and human activities in central Asia[J]. Science of the Total Environment, 2017, 599-600: 967-980. DOI:10.1016/j.scitotenv.2017.05.012
[26]	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
[27]	Baig M H A, Zhang L F, Shuai T, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5): 423-431. DOI:10.1080/2150704X.2014.915434
[28]	Rikimaru A, Roy P S, Miyatake S. Tropical forest cover density mapping[J]. Tropical Ecology, 2002, 43(1): 39-47.
[29]	Xu H. A new index for delineating built‐up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008, 29(14): 4269-4276. DOI:10.1080/01431160802039957
[30]	Van Nguyen O, Kawamura K, Trong D P, et al. Temporal change and its spatial variety on land surface temperature and land use changes in the Red River Delta, Vietnam, using MODIS time-series imagery[J]. Environmental Monitoring and Assessment, 2015, 187(7). DOI:10.1007/s10661-015-4691-3
[31]	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.
[32]	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.
[33]	Song Y, Wang J, Ge Y, et al. An optimal parameters-basedgeographical detector model enhances geographic characteristicsof explanatory variables forspatial heterogeneity analysis: Caseswith different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5): 593-610.
[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]	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.
[36]	潘占冬, 王轶夫, 王可月, 等. 基于改进型遥感生态指数的将乐县生态质量评估及驱动分析[J]. 环境科学, 2025, 46(10): 6419-6431. Pan Z D, Wang Y F, Wang K Y, et al. Ecological quality assessment and driving analysis of Jiangle County based on modified remote sensing ecological index[J]. Environmental Science, 2025, 46(10): 6419-6431. DOI:10.13227/j.hjkx.202408293
[37]	潘金胤, 王世东, 范沁河. 基于遥感绿色指数的城市生态环境质量评价研究——以南京市为例[J]. 自然资源遥感, 2024, 36(3): 88-95. Pan J Y, Wang S D, Fan Q H. Assessment of urban ecological quality based on the remote sensing green index: a case study of Nanjing City[J]. Remote Sensing for Natural Resources, 2024, 36(3): 88-95.
[38]	Firozjaei M K, Fathololoumi S, Kiavarz M, et al. Land surface ecological status composition index(LSESCI): a novel remote sensing-based technique for modeling land surface ecological status[J]. Ecological Indicators, 2021, 123. DOI:10.1016/J.ECOLIND.2021.107375
[39]	魏光辉. 新疆车尔臣河流域土地利用/覆被变化分析[J]. 南昌工程学院学报, 2017, 36(1): 78-84. Wei G H. Analysis on land use and cover change in Qarqan River Basin[J]. Journal of Nanchang Institute of Technology, 2017, 36(1): 78-84.
[40]	刘伟, 凌红波, 公延明, 等. 基于改进型遥感生态指数的塔里木河干流生态环境质量评价[J]. 干旱区地理, 2025, 48(2): 271-282. Liu W, Ling H B, Gong Y M, et al. Evaluation of ecological environment quality in the mainstream of Tarim River based on improved remote sensing ecological index[J]. Arid Land Geography, 2025, 48(2): 271-282.
[41]	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. DOI:10.13227/j.hjkx.202305059
[42]	邵志东, 张芳, 彭康, 等. 基于土地覆盖变化与遥感生态指数的奇台绿洲生态环境质量监测[J]. 环境科学, 2024, 45(10): 5890-5899. Shao Z D, Zhang F, Peng K, et al. Ecological environment quality monitoring of Qitai Oasis based on land use/cover change and remote sensing ecological index[J]. Environmental Science, 2024, 45(10): 5890-5899. DOI:10.13227/j.hjkx.202311092
[43]	张鹏, 齐实, 赖金林, 等. 基于RSEI的金沙江流域生态环境质量时空变化及驱动因素分析[J]. 环境科学, 2026, 47(1): 408-419. Zhang P, Qi S, Lai J L, et al. Spatiotemporal changes and driving factors of ecological quality in the Jinsha River Basin based on RSEI[J]. Environmental Science, 2026, 47(1): 408-419. DOI:10.13227/j.hjkx.202412136
[44]	Zhang X Y, Jia W W, Lu S X, et al. Ecological assessment and driver analysis of high vegetation cover areas based on new remote sensing index[J]. Ecological Informatics, 2024, 82. DOI:10.1016/J.ECOINF.2024.102786
[45]	叶洪铭, 黄瑾, 徐瑶, 等. 基于改进型遥感生态指数的黄石市生态质量评价[J]. 环境科学与技术, 2025, 48(1): 211-224. Ye H M, Huang J, Xu Y, et al. Evaluation of ecological quality in Huangshi City based on an improved remote sensing ecological index[J]. Environmental Science & Technology, 2025, 48(1): 211-224.
[46]	Aizizi Y, Kasimu A, Liang H W, et al. Evaluation of ecological space and ecological quality changes in urban agglomeration on the northern slope of the Tianshan Mountains[J]. Ecological Indicators, 2023, 146. DOI:10.1016/J.ECOLIND.2023.109896
[47]	何旭刚, 孙建好, 吴科生, 等. 西北干旱区植被时空演变及驱动力分析[J]. 环境科学, 2025, 46(11): 6969-6979. He X G, Sun J H, Wu K S, et al. Spatial-temporal evolution and driving force analysis of FVC in the arid region of Northwest China[J]. Environmental Science, 2025, 46(11): 6969-6979. DOI:10.13227/j.hjkx.202410261


环境科学 2026, Vol. 47 Issue (9): 6237-6250	PDF