基于MRSEI的红河流域上游生态环境质量动态评估与分区管控

引用本文

杨琨, 黄义忠, 黄传曙. 基于MRSEI的红河流域上游生态环境质量动态评估与分区管控[J]. 环境科学, 2026, 47(9): 6251-6263.

YANG Kun, HUANG Yi-zhong, HUANG Chuan-shu. Dynamic Assessment and Zonal Control of Ecological Environment Quality in the Upstream Region of the Honghe River Basin Based on MRSEI[J]. Environmental Science, 2026, 47(9): 6251-6263.

基于MRSEI的红河流域上游生态环境质量动态评估与分区管控

杨琨, 黄义忠, 黄传曙

昆明理工大学国土资源工程学院，昆明 650093

收稿日期: 2025-07-29; 修订日期: 2025-10-17

基金项目: 国家自然科学基金项目（41761081）；云南省社科规划办重点项目（ZD202218）

作者简介: 杨琨（2000~），女，硕士研究生，主要研究方向为土地利用变化及生态效应分析，E-mail：3186217102@qq.com

通信作者: 黄义忠, E-mail：2684690927@qq.com

摘要: 红河是发源于云南境内的重要国际性河流，是云南省生态屏障、干热河谷脆弱带和生态廊道交汇区，区内生物多样性与水土流失和石漠化等生态问题并存. 系统分析评估流域生态环境质量空间分异、时空变化和驱动因素，进而提出分区管控措施，对云南省建成全国生态文明排头兵具有重要意义，也可为红河这一国际河流的开发保护与协同治理提供决策基础信息. 研究针对区内生态环境特点，探讨构建融合归一化山体植被指数（NDMVI）、湿度（WET）、干度（NDBSI）和热度（LST）的改进型遥感生态指数（MRSEI）作为生态环境质量评价核心参数并分析其适用性，基于2000~2020年的5期Landsat遥感数据建立MRSEI展开评估，获得红河流域上游生态环境质量空间分布及动态变化，采用Sen-MK趋势分析、Hurst指数及偏导数法揭示其演变趋势与驱动机制，根据生态环境质量演变特征将流域划分为5类管控单元，并提出相应管控措施. 结果表明：①相较于传统RSEI，MRSEI能够更准确反映植被覆盖变化，在研究区具有更优的适用性. ②研究区生态环境质量空间差异性显著，2000~2020年流域生态环境质量总体呈改善趋势，MRSEI均值从0.298 7升至0.322 1，南部植被恢复明显改善，但北部石漠化区域仍持续退化. ③预测未来研究区10.12%的区域生态将持续改善，另有26.18%的改善区域存在逆转风险. ④降水是主要正向影响因子，对生态环境质量改善作用显著，人类活动为负向影响因子，是生态环境质量退化与波动的重要驱动力. ⑤将流域划分为生态保护核心区、监测区、优化区、恢复区和潜力治理区这5类管控单元，并提出相应管控措施.

关键词: 改进型遥感生态指数（MRSEI）生态环境质量时空变化驱动因素分区管控

Dynamic Assessment and Zonal Control of Ecological Environment Quality in the Upstream Region of the Honghe River Basin Based on MRSEI

YANG Kun , HUANG Yi-zhong , HUANG Chuan-shu

Faculty of Land Resources Engineering, Kunming University of Science and Technology, Kunming 650093, China

Abstract: The Honghe River is an important international river originating in Yunnan, serving as an ecological barrier for the province, and is a meeting point for the dry-hot valley's fragile zone and ecological corridor. Within the region, biodiversity coexists with ecological issues such as soil erosion and rocky desertification. A systematic analysis assesses the spatial differentiation and temporal changes in the ecological environment quality of the watershed and the driving factors, thereby proposing zoning control measures, which is significant for establishing Yunnan as a national leader in ecological civilization and can provide foundational information for decision-making in the development, protection, and collaborative management of the Honghe River. This study, focusing on the ecological environment characteristics of the region, explores constructing an improved remote sensing ecological index (MRSEI) that integrates the normalized difference vegetation index (NDMVI), humidity (WET), aridity (NDBSI), and temperature (LST) as core parameters for evaluating ecological environment quality and analyzes its applicability, establishing MRSEI based on five periods of Landsat remote sensing data from 2000 to 2020 for evaluation, obtaining the spatial distribution and dynamic changes of ecological environment quality in the upper reaches of the Honghe River Basin, employing Sen-MK trend analysis, Hurst index, and partial derivative methods to reveal its evolution trends and driving mechanisms. Based on the characteristics of ecological environment quality evolution, the five types of control units with appropriate control measures were proposed. The results indicate that: ① Compared to the traditional RSEI, MRSEI could more accurately reflect changes in vegetation cover, showing better applicability in the study area. ② There was a significant spatial disparity in ecological environment quality in the study area; from 2000 to 2020, the overall trend of ecological environment quality in the watershed improved, with MRSEI mean increasing from 0.298 7 to 0.322 1. The vegetation in the southern part noticeably improved, while the rocky desertification area in the north continued to degrade. ③ It was predicted that 10.12% of the area in the future study region will continue to improve ecologically, as well as 26.18% of the improved areas at risk of reversal. ④ Precipitation was a major positive influencing factor, significantly contributing to the improvement of ecological environment quality, whereas human activities were negative influencing factors, serving as major driving forces for ecological environment quality degradation and fluctuations. ⑤ The watershed was classified into five types of control units: ecological protection core area, monitoring area, optimization area, restoration area, and potential governance area, with corresponding control measures proposed.

Key words: improved remote sensing ecological index (MRSEI) ecological environment quality spatiotemporal changes driving factors zonal control

云南省是我国西南地区的重要生态安全屏障，全省正在努力建设成为“全国生态文明排头兵”. 红河作为发源于云南境内的一条重要国际性河流^[1~3]，其流域是我国与东南亚地区区域经济合作、对外开放的重要通道. 云南境内红河流域上游地形地貌复杂、生物多样性丰富但生态环境极其脆弱，流域内包括多个生态屏障、生态廊道、生态脆弱带和生态节点，是云南省“三屏两带”生态安全格局的重要组成部分. 红河流域生态环境质量的变化直接关系到云南省生态安全格局稳定性，针对性监测评估红河流域的生态环境质量，分析其时空演变规律、甄别其关键影响因素，有效实施生态保护与修复、细化分级分类管控措施，对有效保障云南省生态文明战略、区域可持续发展乃至跨境生态安全都具有重要意义.

遥感技术因其快速、准确、高效被区域生态环境质量监测评估广泛应用，其中生态环境遥感信息提取及指数构建成为其中的关键技术. 早期的生态环境质量评价模型方法主要采用压力-状态-响应模型^[4]、生态足迹分析^[5]等，采用遥感指标以单一指标为主，如归一化差异植被指数（NDVI）^[6，7]、叶面积指数（LAI）^[8]和净初级生产力（NPP）^[9]等. 然而，生态系统具有高度复杂性，单一指标往往难以全面有效地表征生态环境整体状况. 近年来，综合指标体系在生态环境评价中得到广泛应用，包括生态环境状况指数（ecological index，EI）^[10]、生态环境质量指数（environmental quality index，EQI）^[11]以及遥感生态指数（remote sensing ecological index，RSEI）^[12]. EI和EQI虽然有不少应用实例，但是存在数据获取难度大、指标权重固定、难以实现像元级分析等局限性，应用范围受到一定限制. 相比之下，RSEI利用主成分分析法耦合绿度（NDVI）、湿度（WET）、干度（NDBSI）和热度（LST）这4个生态指标，避免了人为设定权重引起的主观误差，因此被广泛应用于多尺度生态环境质量监测研究^[13~17]，有学者在流域、城市群区域和全国尺度开展RSEI量化评估，验证了RSEI在区域生态评估中的适用性以及该模型指数的可靠性^[18~21]. 与此同时，部分学者在用RSEI模型指数对区域生态评估过程中，注意到区域特征和局部因子对评价结果的影响，如黄河流域植被对干湿季节性变化的响应明显^[22]、高山峡谷区地形因子对生态质量空间分异呈现主导作用^[23]、山地城市生态质量受地形起伏和城市化进程的双重影响^[24]以及喀斯特地区生态退化与恢复过程显著的空间异质性^[25]等，他们根据研究区特征采用不同因子对RSEI模型进行改进，使得评估精度得到提高，结果更符合实际.

红河流域上游复杂的地形条件和独特的生态环境使得RSEI的应用带来特殊挑战，前述学者的实践也印证了复杂区域中模型本地化与参数优化的必要性，采用构建改进型遥感生态指数（MRSEI）开展研究区生态环境质量评价成为较好的选择. 红河流域上游地处云贵高原，具有典型的干热河谷气候特征、复杂喀斯特地貌、较高植被覆盖度，这一特殊的地理环境使得传统NDVI指数在该区域易出现饱和现象，导致监测值偏高^[26]，研究区复杂地形对研究生态质量空间分异也存在较大影响. 为解决这一问题，本研究拟引入对植被覆盖更敏感的归一化山体植被指数（NDMVI）替代NDVI，NDMVI能更精确反映植被覆盖状况，同时通过融合红光和近红外波段反射率最小值的方法，有效消除地形效应带来的干扰. 通过融合归一化山体植被指数（NDMVI）、湿度（WET）、干度（NDBSI）和热度（LST）构建改进型遥感生态指数（MRSEI），作为生态环境质量评价核心参数，动态评估红河流域上游生态环境质量，利用Sen-MK趋势分析和Hurst指数分析生态环境质量时空演变规律及未来趋势，结合偏导数法和残差分析量化气候因子与人类活动的驱动贡献，结合生态环境质量空间分布规律及动态变化特征划分生态管控单元，提出针对性管控措施. 本研究旨在系统掌握红河流域上游生态环境质量动态变化规律同时，为红河流域上游这类复杂区域探寻适用的改进型遥感生态指数（MRSEI）模型以期提高评估准确性，并为基于遥感信息的生态环境质量评估提供新思路.

1 材料与方法 1.1 研究区概况

红河发源于云南省大理州巍山县境内，流经红河州和文山州等地，最终于河口瑶族自治县出国境，进入越南境内，形成连接中国、老挝和越南这3国的国际性河流系统，见图 1. 红河流域上游位于云南省中南部（22°20′~26°12′N，99°55′~105°18′E），流域内地形起伏剧烈，从源头至出海口高差近4 000 m，形成了典型的深切河谷地貌. 北部以岩溶高原为主，喀斯特地貌广泛发育，呈现出山脉、河流与盆地交错分布的独特景观；南部则为哀牢山余脉延伸区，山势陡峻，峡谷幽深，地形切割强烈. 受亚热带高原山地季风气候影响，流域内雨热同期，水热条件优越，但降水时空分布不均. 这种复杂的地形地貌与气候特征，加之广泛分布的石灰岩地质构造，使红河流域上游成为生态敏感性和脆弱性并存的典型区域. 流域内包括哀牢山-无量山生态屏障、南部边境生态屏障、东南水土保持廊道、元江生物多样性保护廊道和元江干热河谷地带，以及新平哀牢山节点和绿春黄连山节点，是云南省“三屏两带”生态安全格局的重要组成部分.

图 1 研究区概况 Fig. 1 Overview of the study area

1.2 数据来源

通过遥感影像数据质量筛选，以每年5月至11月植物生长季节云层覆盖率低于20%的影像为标准，选择2000年、2005年和2010年的3幅Landsat-5 TM影像以及2015年和2020年的2幅Landsat-8 OLI/TIRS影像. 为消除不同传感器（TM与OLI/TIRS）的波段差异，在Google Earth Engine（GEE）平台中对所有影像进行统一处理：将Landsat-5/8数据转换为表面反射率产品，通过波段重映射确保波段一致性；采用中值法填充去云处理产生的数据缺失；最后将所有影像重采样为1 km分辨率并统一投影至WGS1984_UTM_ZONE_47N坐标系. 气象数据来源于中国科学院资源环境科学与数据中心（www.resdc.cn），其中年降雨量和年均气温采用1 km×1 km原始分辨率数据，日照时数为10 km×10 km原始分辨率数据，所有气象数据通过双线性插值重采样至1 km×1 km；DEM来源于地理空间数据云（http://www.gscloud.cn/），原始空间分辨率为1 km×1 km；河流数据来源于OSM（www.openstreetmap.org）. 其中气象数据、年降雨量和年均气温、日照时数均采用2000年、2005年、2010年、2015和2020年相关数据. 所有辅助数据坐标系重投影为WGS1984_UTM_ZONE_47N，应用行政区边界做缓冲裁剪栅格，保持范围一致.

1.3 研究方法

本文建立“改进型遥感生态指数构建-动态评估-驱动因素分析-管控分区-措施”的研究框架，如图 2.

图 2 研究框架 Fig. 2 Research framework

1.3.1 改进型遥感生态指数构建

（1）改进型遥感生态指数（MRSEI）红河流域植被茂密，传统NDVI（归一化植被指数）在该区域容易达到饱和^[27]，导致监测值偏高，影响评估准确性. 为解决这一问题，本研究采用对高覆盖植被更敏感的归一化山地植被指数（NDMVI），以提高生态环境质量动态监测的精度. 同时，NDMVI通过融合红光和近红外波段的最小反射率数据，有效降低了地形阴影和坡度对遥感监测的干扰，使评估结果更加可靠. 基于Google Earth Engine（GEE）平台，本研究构建了改进型遥感生态指数（MRSEI），该指数通过主成分分析法（PCA）整合了绿度（NDMVI）、湿度（WET）、干度（NDBSI）和热度（LST）这4个指标并集中于第一主成分（PC1），然后通过1-PC1计算得到MRSEI₀，最后将MRSEI₀标准化至[0, 1]区间^[28]，最终获得改进型遥感生态指数（MRSEI），公式如下：

M R S E I = f (N D M V I, W E T, N D B S I, L S T)

(1)

上述4个指标计算方法见表 1.

表 1 MRSEI各遥感指标计算公式 Table 1 Calculation formula for each remote sensing ecological indicator for MRSE

指标	计算公式	参数含义
NDMVI	$N D M V I = \frac{(ρ_{N I R} - ρ_{r e d}) + (ρ_{r e d_m i n} - ρ_{N I R_m i n})}{(ρ_{N I R} + ρ_{r e d}) - (ρ_{r e d_m i n} + ρ_{N I R_m i n})}$	$ρ_{r e d}$ 和 $ρ_{N I R}$ 为红外波段和近红外波段的反射率； $ρ_{r e d_m i n}$ 为红外波段反射率最小值； $ρ_{N I R_m i n}$ 为近红外波段反射率最小值
WET	$W E T_{T M} = 0.031 5 ρ_{b l u e} + 0.202 1 ρ_{g r e e n} + 0.310 2 ρ_{r e d} + 0.159 4 ρ_{n i r} - 0.680 6 ρ_{s w i r 1} - 0.610 9 ρ_{s w i r 2}$ $W E T_{O L I} = 0.151 1 ρ_{b l u e} + 0.197 3 ρ_{g r e e n} + 0.328 3 ρ_{r e d} + 0.340 7 ρ_{n i r} - 0.717 1 ρ_{s w i r 1} - 0.455 9 ρ_{s w i r 2}$	$ρ_{b l u e}$ 、 $ρ_{g r e e n}$ 、 $ρ_{r e d}$ 、 $ρ_{n i r}$ 、 $ρ_{s w i r 1}$ 和 $ρ_{s w i r 2}$ 分别为TM和OLI影像蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率
LST	$L_{λ} = g a i n \times D N + b i a s$ $B (T_{s}) = \frac{L_{λ} - L_{u p} - τ (1 - ε) L_{d o w n}}{τ ε}$ $T_{s} = \frac{K_{2}}{l n [K_{1} / B (T_{s}) + 1]}$	$L_{λ}$ 为传感器辐射亮度；DN为Landsat数据像元的灰度值; $g a i n$ 和 $b i a s$ 为热红外波段的增益和偏置值；B(T_s) $为$ 黑体热负电荷亮度； $L_{u p}$ 和 $L_{d o w n}$ 分别为大气上行辐射和大气下行辐射； $τ$ 为大气在热红外波段的透过率， $ε$ 为地表辐射率；T_s为地表温度（K）；对于Landsat8, K₁=774.59 W·m^-2·μm^-1·sr^-1，K₂=1 321.08K₁
NDBSI	$S I = [(ρ_{s w i r 1} + ρ_{r e d}) - (ρ_{b l u e} + ρ_{n i r})] / [(ρ_{s w i r 1} + ρ_{r e d}) + (ρ_{b l u e} + ρ_{n i r})]$ $I B I = \frac{2 ρ_{s w i r 2} / (ρ_{s w i r 1} + ρ_{n i r}) - [ρ_{n i r} / (ρ_{r e d} + ρ_{g r e e n} / (ρ_{s w i r 1} + ρ_{g r e e n})]}{2 ρ_{s w i r 2} / (ρ_{s w i r 1} + ρ_{n i r}) + [ρ_{n i r} / (ρ_{r e d} + ρ_{n i r}) + ρ_{g r e e n} / (ρ_{s w i r 1} + ρ_{g r e e n})]}$ $N D B S I = (S I + I B I) / 2$	SI和IBI分别为裸土指数和建筑物指数； $ρ_{b l u e}$ 、 $ρ_{g r e e n}$ 、 $ρ_{r e d}$ 、 $ρ_{n i r}$ 、 $ρ_{s w i r 1}$ 和 $ρ_{s w i r 2}$ 分别为TM和OLI影像蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率

表 1 MRSEI各遥感指标计算公式 Table 1 Calculation formula for each remote sensing ecological indicator for MRSE

（2）MRSEI适用性分析为定量评价图像局部纹理细节差异，引入对比度与熵^[29，30]. 对比度反映图像的清晰度和纹理沟纹深浅程度，其值越大，表明纹理越精细，反之，则越模糊. 熵值反映图像信息量，其值越大反映图像纹理复杂程度越大^[31]. 具体公式见式（2）~（4）：

g Δ (x, y) = |g (x, y) - g (x + Δ x, y + Δ y)|

(2)

式中，gΔ（x，y）为灰度差分值，反映了相邻像素间的灰度变化程度，是纹理分析中的重要特征之一. g（x，y）为图像在像素位置（x，y）处的灰度值.（Δx，Δy）表示相邻像素的空间位移，一般取水平方向、垂直方向或对角方向上的单位距离.

C O N = \sum_{i = 1}^{256} i^{2} p Δ (i)

(3)

E N T = \sum_{i = 1}^{256} p Δ (i) l o g_{2} [p Δ (i)]

(4)

式中，CON和ENT分别为对比度和熵；i为灰度分级值；pΔ（i）为灰度差分结果的分级值i在gΔ（x，y）中的取值概率.

1.3.2 生态环境质量动态评估

以改进型遥感生态指数（MRSEI）为基础，结合Sen趋势分析与M⁃K显著性检验揭示了流域生态环境质量的时空变化趋势，并利用Hurst指数预测其未来演变方向.

（1）Sen趋势分析 Sen趋势分析是判断具有时间序列数据变化趋势的一种重要手段，与传统回归分析相比，它对误差不敏感，减少了异常值的影响，适用于长时间序列数据的时空趋势分析^[32，33]. Sen斜率度计算公式如下：

β_{M R S E I} = M e d i a n (\frac{M R S E I_{j} - M R S E I_{i}}{j - i}), 1 < i < j < n

(5)

式中，Median表示中位数，β表示变化斜率. 当β > 0时，表明MRSEI随时间改善；当β=0时，表明MRSEI保持不变；当β < 0时，表明MRSEI在时间序列上有退化趋势.

（2）M⁃K显著性检验为验证Theil-Sen Median趋势分析结果的显著性，本研究采用Mann-Kendall（MK）非参数检验. 该检验不需要测量值服从正态分布，也不要求趋势是线性的，并且不受缺失值和异常值的影响. 适用于分析长时间序列数据的时空趋势^[34]. 假设检验统计量S，计算公式如下：

\{\begin{matrix} S = \sum_{k = 1}^{n - 1} \sum_{j = k + 1}^{n} s g n (M R S E I_{j} - M R S E I_{k}) \\ s g n (M R S E I_{j} - M R S E I_{k}) = \{\begin{matrix} 1, M R S E I_{j} - M R S E I_{k} > 0, \\ 0, M R S E I_{j} - M R S E I_{k} = 0, \\ - 1, M R S E I_{j} - M R S E I_{k} < 0 . \end{matrix} \end{matrix}

(6)

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

(7)

式中，n为时间序列的长度；sgn为符号函数；Var（S）为检验统计量S的方差.

将S标准化，得到标准正态检验统计量Z，用于标识显著性水平，公式如下：

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}

(8)

式中，显著性水平对应的阈值分别是±1.65（对应90%的置信水平）、±1.96（对应95%的置信水平）和±2.58（对应99%的置信水平），结果采用0.05的显著性水平进行双尾检验.

根据检验结果，本研究将变化显著性分为不显著变化、微显著变化、显著变化和极显著变化这4类. 将二者结合用来判断变化的显著性，趋势类别如表 2.

表 2 趋势类别^1） Table 2 Trend categories

（3）Hurst指数未来变化趋势预测 Hurst指数是一种用于分析时间序列长期依赖性和趋势持续性的重要指标. Hurst指数可分为3种情况：当0≤Hurst < 0.5时，表明MRSEI存在长期相关性，即MRSEI未来趋势与过去相反，呈反持续性；当Hurst=0.5时，表明MRSEI值相互独立，具有随机性；当0.5 < Hurst≤1时，表明MRSEI具有持续性，未来总体趋势与过去一致. Hurst指数的范围是[0, 1]，值越接近1，表示MRSEI的持续性越显著^[35].

1.3.3 驱动因素分析

在生态环境评价中，多元遥感生态指数是衡量区域生态质量的重要指标，其变化受气候因子和人类活动的共同影响^[36，37]. 为了准确量化不同驱动因素对MRSEI的贡献，本研究采用偏导数的方法，分离并计算气温（T）、降水（P）和日照时数（SR）等气候因子的独立影响，并利用偏相关分析识别人类活动及其他自然因素的作用，通过消除变量间的交互影响，提取各气候因子与MRSEI的净相关性，从而更客观地评估其贡献程度^[38]. 公式如下：

\begin{array}{l} \frac{d M R S E I}{d t} \approx \frac{\partial M R S E I}{\partial T} \times \frac{d T}{d t} + \frac{\partial M R S E I}{\partial P} \times \frac{d P}{d t} + \\ \frac{\partial M R S E I}{\partial S R} \times \frac{d S R}{d t} + H_{c o n} \\ = T_{c o n} + P_{c o n} + S R_{c o n} + H_{c o n} \end{array}

(9)

式中，T、P和SR分别表示气温、降水和日照时数；T_con、P_con和SR_con分别表示气温、降水和日照时数对MRSEI的贡献；H_con为MRSEI变化趋势与气候因子贡献之间的残差，表示其他因素对MRSEI变化的影响^[39]； $\frac{d M R S E I}{d t}$ 为气候变化和人类活动作用导致MRSEI随时间t变化的趋势 $; \frac{\partial M R S E I}{\partial T}$ 、 $\frac{\partial M R S E I}{\partial P} 和 \frac{\partial M R S E I}{\partial S R}$ 分别表示各气候因子对MRSEI的偏导数.

偏相关系数是基于皮尔逊相关系数计算得到的，主要用于衡量在控制其他变量影响后某一自变量与因变量之间的线性关系强度. 因此，本研究在分析气候因子对MRSEI的驱动效应时，假设MRSEI与各气候因子之间的关系近似为线性关系，通过消除其他两个变量的影响^[40]，每个偏导数分别等于相应的二阶偏相关系数. 二阶偏相关系数计算公式如下：

R_{x y, z λ} = \frac{R_{x y, z} - R_{x λ, z} \times R_{y λ, z}}{\sqrt[]{(1 - R_{x λ, z}^{2}) \times (1 - R_{y λ, z}^{2})}}

(10)

式中， $R_{x y, z λ}$ 通过消除因子z和λ的影响，表示x和y之间的二阶偏相关系数； $R_{x λ, z}$ 、 $R_{y λ, z}$ 和 $R_{x y, z}$ 的定义相似. 利用t检验判断两个变量相关性的显著性. 贡献的正负分别表示影响因子对MRSEI的正向作用和负向作用，其中正向作用表示影响因子促进MRSEI增加，负向作用则表示影响因子抑制MRSEI增加.

1.3.4 管控分区

通过计算MRSEI的变化趋势，分析其等级动态分布类型（NER），通过比较不同年份地MRSEI等级编码来表征生态质量的长期变化模式，从而揭示红河流域生态环境改善、退化和活动趋势. 基于NER结果，本研究进一步将红河流域划分为生态保护核心区、生态监测区、生态优化区、生态恢复区和生态潜力治理区5个生态管理分区，以反映不同区域的生态稳定性及变化趋势^[41]. NER计算公式如下：

N E R = 10^{5} \times C o d e_{M R S E I 2000} + 10^{4} \times C o d e_{M R S E I 2005} + 10^{3} \times

C o d e_{M R S E I 2010} + 10^{2} \times C o d e_{M R S E I 2015} + 10^{1} \times C o d e_{M R S E I 2020}

(11)

式中，NER为2000~2020年MRSEI水平的动态分布，Code_MRSEI2000、Code_MRSEI2005、Code_MRSEI2010、Code_MRSEI2015、Code_MRSEI2020分别为2000年、2005年、2010年、2015年和2020年的MRSEI.

NER含义及划分依据如表 3.

表 3 管理分区 Table 3 Management partitions

2 结果与分析 2.1 MRSEI适用性及优势

基于主成分分析方法，本研究对红河流域上游2000年、2005年、2010年、2015年和2020年这5个时期的MRSEI指标进行了分析. 各年份的特征值贡献率均超过70%，分别为73.69%、80.06%、72.84%、79.23%和82.77%，说明PC1能够有效综合各指标的主要信息. 因此，采用PC1构建的改进型遥感生态指数MRSEI能够较好地反映研究区的生态环境状况（见图 3）.

图 3 2000~2020年NDVI与NDMVI对比 Fig. 3 Comparison between NDVI and NDMVI from 2000 to 2020

为进一步验证MRSEI模型在复杂地理环境下的优越性，本研究选取红河州和文山州两个地形地貌差异显著的区域进行对比分析（见图 4），并引入对比度与熵值作为定量评价指标. 对比度反映空间分辨能力，其值越大表明模型对生态环境质量差异的刻画越精细，这对于识别深切河谷和高原盆地交错分布下的生态梯度尤为重要；熵值表征信息丰富度，其值越高说明模型包含的空间异质性信息越多，能够更好地捕捉喀斯特地区高度破碎化的生态格局.

图 4 2000~2020年红河州、文山州RSEI与MRSEI对比 Fig. 4 Comparison of RSEI and MRSEI in Honghe Prefecture and Wenshan Prefecture from 2000 to 2020

分析结果表明（表 4），2000年~2020年间，无论在红河州还是文山州，MRSEI的对比度和熵值均较传统RSEI略有提升. 其中，红河州的对比度值由2000年的0.30提高至0.31、由2020年的0.35提高至0.36，熵值也在各年份均保持微弱优势；文山州的提升更为明显，如2000年对比度由0.28提升至0.30，熵值由5.05提升至5.09，2020年对比度和熵值同样均较RSEI高. 总体上，MRSEI在红河州和文山州均表现出更强的空间分辨能力与信息丰富度，能够更敏锐地识别山原交错、盆地相间地貌所形成的生态过渡带，同时更充分捕捉深切河谷和喀斯特地貌等复杂景观结构中所蕴含的生态异质性.

表 4 MRSEI与RSEI的对比度与熵值 Table 4 Contrast and entropy values between MRSEI and RSEI

特别是在喀斯特地貌广泛分布的文山州，MRSEI在各年份对比度和熵值均高于RSEI，优势更加突出. 这表明改进后的指数对复杂下垫面条件和生态脆弱性具有更强的适应性，能够更好地识别石漠化区域的生态细节变化，从而为红河流域特殊地貌条件下的生态环境质量评估提供了更可靠的技术手段.

2.2 红河流域上游生态环境质量动态评估 2.2.1 基于MRSEI的生态环境质量评估

从空间分布来看（图 5），流域内生态环境质量呈现出以红河为界、北部相对较差和南部相对较好的格局. 生态环境质量等级为中等和好的区域面积占比超过56%，主要集中在红河流域以南的区域，这些地区植被覆盖率较高，人类活动干扰相对较少. 而生态环境质量为差和极差的区域主要分布在东北部的文山州境内、西北部的大理州和楚雄州境内少量区域，这些地区多为石漠化较为严重的区域，土壤侵蚀和植被退化问题较为突出.

图 5 2000~2020年红河流域上游MRSEI等级分布 Fig. 5 Distribution of MRSEI grades in the upper reaches of the Honghe River Basin from 2000 to 2020

表 5和图 6显示了2000~2020年红河流域上游生态环境质量呈现显著改善趋势. 等级为好的面积始终占比最高（35.15%~37.27%），但总体缓慢下降2.1个百分点；等级为极好增长最为突出，面积从18 540 km²扩张到32 476 km²，占比从15.50%提升至27.20%，尤其在2015~2020年加速增长，增加2 980 km². 差与极差合计减少17.4%，但极差等级在2015年后反弹至3.89%. 质量转移主要表现为中等等级向极好等级转化，20 a间中等等级减少7 472 km²，推动生态系统质量梯度整体上移. 这一演变与MRSEI指数变化高度吻合，流域年均MRSEI值从0.298 7升至0.322 1，其中2015~2020年增速加快，印证了后期生态环境的加速优化. 本研究表明，流域生态治理成效显著，但需关注极差等级的波动反弹风险.

表 5 2000~2020年红河流域上游MRSEI类别面积及占比 Table 5 Area and proportion of MRSEI in the upper reaches of the Honghe River Basin from 2000 to 2020

图 6 2000~2020年红河流域MRSEI变化趋势 Fig. 6 Trends of MRSEI in the Honghe River Basin from 2000 to 2020

2.2.2 生态环境质量时空演变趋势

本研究从5个等级区分MRSEI的变化：微显著退化、不显著退化、无变化、不显著改善和微显著改善，结果见表 6和图 7. 红河流域上游区域内的生态环境质量变化趋势相对稳定，变化趋势为无变化的区域分布较广，占趋势变化面积的55.61%，这表明该区域的生态环境在研究时段内保持了一定的稳定性，可能与该地区人类活动较少、自然生态系统较为完整有关. 研究区的改善趋势明显高于退化趋势，尤其在红河流域以南区域较为普遍. 而退化趋势主要分布于红河流域以北区域，这种空间分布特征和变化趋势表明，人类活动、地势变化以及水资源利用方式对红河流域的生态环境产生了显著影响.

表 6 2000~2020年MRSEI变化趋势类别面积及占比 Table 6 Area and proportion of MRSEI change trend from 2000 to 2020

图 7 2000~2020年红河流域上游MRSEI变化趋势分析 Fig. 7 Analysis of trend of MRSEI in the upper reaches of the Honghe River Basin from 2000 to 2020

基于Sen趋势与Hurst指数的红河流域生态环境可持续性分析（表 7）表明，研究区未来生态演变呈现出的复杂空间异质性特征. 研究区生态环境质量变化趋势可明确划分为9种典型类型，这些类型在空间分布上表现出明显的区域分异规律（图 8）.

表 7 2000~2020年红河流域MRSEI未来变化持续性类别面积及占比 Table 7 Area and proportion of MRSEI in the Honghe River Basin from 2000 to 2020

图 8 2000~2020年红河流域MRSEI未来变化持续性分析 Fig. 8 Continuity of MRSEI trends in the upper reaches of the Honghe River Basin

从变化趋势类型的面积占比来看，生态环境质量可能发生逆转的区域占据了主导地位，合计为88.57%，这一结果反映出红河流域生态系统正处于一个动态变化的关键时期. 当前呈现改善趋势但未来可能退化的区域，其面积达到31 435 km²，占比为26.18%，空间分布上主要集中在水文条件敏感的出海口区域. 当前退化但未来可能逆转的区域面积为22 916 km²，占比为19.08%，主要集中于南部红河州境内的生态修复工程实施区.

从变化持续性特征来看，具有持续改善特征的区域虽然面积不大，但在空间上形成了若干连续分布的核心生态斑块；研究区内未发现典型的持续退化区域，这可能与近年来实施的生态修复工程有关；过渡型区域（0≤Hurst < 0.5）面积占比最大，反映出流域生态系统整体处于一个动态变化的过渡阶段.

2.3 生态环境质量影响因素分析

本文通过偏导数方法对红河流域上游2000~2020年生态环境质量MRSEI变化的影响因子进行了定量分析. 结果显示（图 9），各因子对MRSEI变化的贡献存在显著差异. 其中，温度的贡献平均值为0.008 6，表明红河流域上游的气温变化较小，对MRSEI的影响不明显. 日照时数的贡献平均值为0.565 3，表明日照资源的变化不显著，对MRSEI的影响也较小. 降水的贡献平均值高达162.588 0，说明降水对MRSEI具有非常强的正向贡献，是促进MRSEI改善的关键气候因子. 这可能与红河流域上游5~11月降水明显增加有关，充足的水分条件促进了植被的快速增长，进而提升了生态环境质量. 相比之下，人类活动的贡献平均值为-174.335 5，说明人类活动总体上对红河流域上游的生态环境质量产生了负面影响，导致其向退化趋势发展.

（f）气候与人类活动对MRSEI的正向和负向影响图 9 红河流域气候变化和人类活动对MRSEI的影响 Fig. 9 Impacts of climate change and human activities on MRSEI in the Honghe River Basin

2.4 生态分区与管控措施

通过对2000~2020年红河流域上游MRSEI的变化情况分析，本研究划分了5个生态管理分区，包括生态保护核心区、生态监测区、生态优化区、生态恢复区和生态潜力治理区. 各分区的面积占比分别为：7.54%、2.35%、38.66%、17.69%和33.76%. 如图 10和图 11所示，生态保护核心区主要分布在红河流域沿岸及哀牢山-无量山生态屏障、南部边境生态屏障和以金沙江为主的干热河谷范围内，是云南省生态保护红线的重要组成部分. 这一区域生态功能重要且敏感，需要严格限制人类活动来保护其生态环境的稳定性. 生态优化区主要分布在红河流域上游以南区域，MRSEI状态逐渐好转，从较差状态转变为较好状态，说明该区域的生态环境质量正在逐步提升. 生态恢复区主要分布在红河流域上游以北区域，包括大理州和楚雄州境内，MRSEI状态逐渐恶化，从较好状态转变为较差状态. 生态监测区面积占比极少且分布零散，生态潜力治理区分布广泛.

图 10 红河流域上游生态管理分区分布 Fig. 10 Zoning distribution of ecological management in the upper reaches of the Honghe River Basin

图 11 红河流域上游生态管理分区 Fig. 11 Ecological management zoning in the upper reaches of the Honghe River Basin

为进一步明确各分区的空间分布特征及响应的管控方向，本研究结合MRSEI变化特征，提出了针对性的管控目标与措施，见表 8.

表 8 红河流域上游生态管理分区及管控措施 Table 8 Ecological management zoning and control measures in the upper reaches of the Honghe river Basin

3 讨论 3.1 MRSEI合理性分析

本研究针对红河流域上游干热河谷与喀斯特地貌交错、植被覆盖度高、地形起伏显著的特点，采用NDMVI替代传统NDVI，有效缓解了高植被覆盖下的指数饱和问题，提升了绿度指标对生态变化的敏感性. 同时，通过融合红光与近红外波段反射率最小值，显著抑制了地形阴影造成的干扰. 2000~2020年间MRSEI的对比度与信息熵均高于RSEI，说明其能更精细地反映生态质量的空间异质性. 这一结果与焦晓萌等^[42]在岩溶区的研究结论一致，也与吕文凯^[43]在红河流域的研究结果相符，印证了MRSEI在特殊生态系统中的稳定性和推广潜力. 此外，该空间分异模式与梁巧玲等^[44]在元谋干热河谷的发现相呼应，进一步验证了干热河谷生态系统中绿度指标作为生态质量空间分异首要驱动因子的作用. 本研究通过引入对高植被覆盖更为敏感的NDMVI指数，有效改善了传统NDVI在干热河谷区的饱和效应，从而更精确地捕捉到植被覆盖变化与生态环境质量之间的响应关系.

3.2 生态环境质量呈“南优北劣”格局驱动因素

红河流域上游生态环境质量空间分异显著，南部地区MRSEI值较高且持续改善，主要受益于降水增加促进的植被恢复；而北部文山州等石漠化区域生态退化明显. 偏导数与残差分析进一步量化了不同因子的贡献，显示降水是生态改善的主导气候因子（贡献值162.59），人类活动总体表现为抑制作用（贡献值-174.36）. 这一结论不仅与Qu等^[45]在长江流域和叶博文等^[46]在内蒙古的研究相一致，也呼应了徐涵秋^[12]提出的RSEI模型中湿度与绿度的正向耦合机制. 北部文山州石漠化区生态恢复滞后的现象反映了喀斯特生态系统的特殊脆弱性，岩溶地貌土壤贫瘠、有效土层浅薄，共同形成了制约植被恢复的“地表缺水-土壤贫瘠”双重障碍^[47]，需要通过“工程-生物-农业”协同治理模式才能有效改善生态恢复效果.

3.3 生态演变风险预警

Hurst指数分析表明，流域内仅10.12%的区域生态改善具有较强持续性，26.18%的当前改善区未来可能发生逆转，尤其集中在跨境河口、干热河谷边缘等生态敏感带. 这种跨境生态压力在GAMLSS模型对元江-红河上游径流非一致性的研究中得到进一步验证^[48]，哀牢山以东的干游元江在2002年出现显著水文突变点，可能与跨境水资源开发活动密切相关. 因此，红河作为中国-越南-老挝共享的国际河流，其生态恢复需考虑上下游联动效应，尽管流域整体生态质量呈改善趋势，但局部退化风险依然突出，应结合跨境水文监测与生态预警体系，实施重点区域动态管控，防范生态质量回退风险.

3.4 差异化管控分区

基于MRSEI等级动态编码（NER）划分的5类生态管控分区，明确了核心保护区、优化区和恢复区的空间范围及治理方向. 南部生态优化区可继续实施植被恢复与水源涵养工程，北部石漠化区应推进“工程-生物-农业”协同治理模式，而出境河口区需建立中-越-老跨境生态数据共享与联合监测机制，实现“评估⁃预警⁃调控”一体化治理. 该分区策略契合云南省“三屏两带”生态安全格局构建需求，也为跨境流域生态共治提供了可操作的空间途径.

3.5 研究不足与展望

尽管MRSEI在红河流域表现出良好适用性，但仍存在以下不足：①遥感数据空间分辨率有限，难以捕捉小尺度生态变化；②人类活动因子量化主要依赖残差分析，缺乏更多社会经济指标，如人口密度与产业结构；③MRSEI区域适应性强，但在其他干热河谷或跨境流域的推广效果有待验证.

未来研究可在数据精细化和模型应用方面拓展. 可通过融合更高时空分辨率的多源遥感与地面观测数据，提高对生态过程的动态捕捉能力；同时，可构建跨尺度和多源数据支撑的生态评估框架，结合生态学过程模型与动态观测，提升模型在不同生态系统中的适应性和评估精度. 此外，应强化研究成果与政策和管理实践的对接，推动生态评估向区域治理及跨境生态共治的有效转化.

4 结论

（1）2000~2020年红河流域生态质量总体呈现改善趋势，但空间分布差异显著. 南部地区因水热条件优越且受人类干扰较小，生态环境持续提升；而北部石漠化区域受限于喀斯特地貌的脆弱性，退化问题仍然突出. Sen-MK趋势分析表明改善区域面积占比超过退化区域，但Hurst指数预测显示26.18%的生态改善区未来可能发生逆转，说明气候变化与人类活动的交互作用对生态系统稳定性具有重要影响，需重点关注北部生态退化风险区域的保护与修复.

（2）气候因子与人类活动对流域生态环境变化的驱动作用存在明显差异. 降水是促进生态改善的主导因素而人类活动则主要呈现负向影响，是导致局部生态退化的关键原因. 温度和日照时数对生态质量的影响相对较弱，表明在红河流域上游，水分条件是制约生态系统演变的主要气候变量.

（3）基于MRSEI动态评估结果，红河流域可划分为5类生态管控分区. 生态保护核心区主要分布在红河干流沿岸、哀牢山-无量山生态屏障及南部边境区，这些区域生态功能重要且敏感，需实施最严格的保护措施；南部生态优化区显示出持续改善趋势，可通过植被恢复与水源涵养工程进一步巩固成果；北部生态恢复区退化明显，亟需开展石漠化综合治理；监测区与潜力区虽然面积有限但生态功能关键，需建立动态监测与适应性管理机制.

参考文献

[1]	何奕萱, 易桂花, 张廷斌, 等. 红河流域"通道-阻隔"作用下2000-2014年植被EVI变化趋势与驱动力[J]. 生态学报, 2018, 38(6): 2056-2064. He Y X, Yi G H, Zhang T B, et al. The EVI trends and driving factors in Red River Basin affected by the "corridor-barrier" function during 2000-2014[J]. Acta Ecologica Sinica, 2018, 38(6): 2056-2064.
[2]	赵嘉海, 王燚, 李一姣, 等. 基于生态系统服务的元江—红河流域(中国段)生态安全格局构建与评价[J]. 水土保持研究, 2025, 32(5): 363-373, 383. Zhao J H, Wang Y, Li Y J, et al. Construction and evaluation of ecological security pattern in Yuanjiang-Red River Basin (China section) based on ecosystem services[J]. Research of Soil and Water Conservation, 2025, 32(5): 363-373, 383.
[3]	张洪波, 尹班, 李春勇, 等. 近40年红河流域(中国部分)水源涵养功能动态演变特征及驱动因素[J]. 生态环境学报, 2025, 34(4): 556-569. Zhang H B, Yin B, Li C Y, et al. Characteristics and drivers of the dynamic evolution of water conservation function in the Honghe River Basin (China Section) in the last 40 years[J]. Ecology and Environment Sciences, 2025, 34(4): 556-569.
[4]	Quigley T M, Haynes R W, Hann W J. Estimating ecological integrity in the interior Columbia River Basin[J]. Forest Ecology and Management, 2001, 153(1-3): 161-178. DOI:10.1016/S0378-1127(01)00459-5
[5]	Miao C L, Sun L Y, Yang L. The studies of ecological environmental quality assessment in Anhui Province based on ecological footprint[J]. Ecological Indicators, 2016, 60: 879-883. DOI:10.1016/j.ecolind.2015.08.040
[6]	封建民, 郭玲霞, 刘宇峰, 等. 2000-2021年泾河流域植被NDVI变化及影响因素[J]. 水土保持研究, 2025, 32(1): 249-256. Fen J M, Guo L X, Liu Y F, et al. The spatiotemporal changes and its influencing factors of vegetation NDVI in the Jinghe River Basin from 2000 to 2021[J]. Research of Soil and Water Conservation, 2025, 32(1): 249-256.
[7]	郭梦京, 韩绍舜, 袁博, 等. 基于NDVI指数的博斯腾湖流域植被覆盖时空动态变化及驱动因素分析[J]. 环境科学, 2026, 47(3): 1769-1779. Guo M J, Han S S, Yuan B, et al. Analysis of temporal and spatial dynamic changes in vegetation coverage and driving factors in the Bosten Lake Basin based on the NDVI index[J]. Environmental Science, 2026, 47(3): 1769-1779. DOI:10.13227/j.hjkx.202501203
[8]	马艳, 陈铁喜, 陈鑫, 等. 东非高原1982—2020年叶面积指数的变化趋势及归因分析[J]. 应用生态学报, 2024, 35(9): 2561-2570. Ma Y, Chen T X, Chen X, et al. Change trend and attribution analysis of leaf area index in the east African Plateau from 1982 to 2020[J]. Chinese Journal of Applied Ecology, 2024, 35(9): 2561-2570.
[9]	李佳潼, 吴华, 徐悦, 等. 南昌市植被NPP演变特征及时空驱动分析[J]. 中南林业科技大学学报, 2025, 45(6): 172-181. Li J T, Wu H, Xu Y, et al. Analysis of the temporal and spatial evolution characteristics of vegetation NPP in Nanchang City[J]. Journal of Central South University of Forestry & Technology, 2025, 45(6): 172-181.
[10]	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].
[11]	中华人民共和国生态环境部. 关于印发《区域生态质量评价办法(试行)》的通知[DB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/202111/t20211124_961564.html, 2025-09-10.
[12]	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.
[13]	Gao Y G, Li Y H, Xu H Q. Assessing ecological quality based on remote sensing images in Wugong Mountain[J]. Earth and Space Science, 2022, 9(3). DOI:10.1029/2021EA001918
[14]	Jiang H, Fan G W, Zhang D S, et al. Evaluation of eco-environmental quality for the coal-mining region using multisource data[J]. Scientific Reports, 2022, 12(1). DOI:10.1038/s41598-022-09795-5
[15]	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.
[16]	张京新, 谷雨鑫, 沈佳琦, 等. 黄河流域生态环境质量时空变化及驱动因素分析[J]. 环境科学, 2025, 46(2): 956-971. Zhang J X, Gu Y X, Shen J Q, et al. Analysis of spatiotemporal changes and driving factors of ecological environment quality in the Yellow River Basin[J]. Environmental Science, 2025, 46(2): 956-971. DOI:10.13227/j.hjkx.202401141
[17]	Peng X F, Zhang S Q, Peng P H, et al. Unraveling the ecological tapestry: a comprehensive assessment of Changtang nature reserve's ecological and environmental using RSEI and GEE[J]. Land, 2023, 12(8). DOI:10.3390/land12081581
[18]	Yang X Y, Meng F, Fu P J, et al. Spatiotemporal change and driving factors of the eco-environment quality in the Yangtze River Basin from 2001 to 2019[J]. Ecological Indicators, 2021, 131. DOI:10.1016/j.ecolind.2021.108214
[19]	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
[20]	Liao W H, Jiang W G. Evaluation of the spatiotemporal variations in the eco-environmental quality in China based on the remote sensing ecological index[J]. Remote Sensing, 2020, 12(15). DOI:10.3390/rs12152462
[21]	Yang W L, Zhou Y, Li C Z. Assessment of ecological environment quality in rare earth mining areas based on improved RSEI[J]. Sustainability, 2023, 15(4). DOI:10.3390/su15042964
[22]	李朋轩, 王德应, 王涛. 黄河流域近20多年来植被生态环境质量季节特征及其对干湿变化的响应[J]. 水土保持研究, 2025, 32(5): 174-182. Li P X, Wang D Y, Wang T. Seasonal characteristics of vegetation ecological environment quality and their response to dry/wet changes in Yellow River Basin over past 20 years[J]. Research of Soil and Water Conservation, 2025, 32(5): 174-182.
[23]	张萍, 庞咏, 陈庆松, 等. 基于RSEI模型的滇西北高山峡谷区生态环境质量动态监测及驱动因子分析[J]. 自然资源遥感, 2025, 37(5): 243-253. Zhang P, Pang Y, Chen Q S, et al. Dynamic monitoring and driving factor analysis for eco-environmental quality in alpine gorges of northwest Yunnan based on a remote sensing ecological index model[J]. Remote Sensing for Natural Resources, 2025, 37(5): 243-253.
[24]	苟晓娟, 刘瑞, 李谷琳. 中国西南山地城市生态环境质量长时序变化及其评价——以重庆市为例[J]. 物探化探计算技术, 2024, 46(2): 224-234. Gou X J, Liu R, Li G L. Long-term changes and evaluation of eco-environmental quality in mountainous cities in Southwest China-take Chongqing municipality as an example[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2024, 46(2): 224-234.
[25]	张诗文. 云南岩溶石漠化区生态质量评估及驱动分析[D]. 昆明: 西南林业大学, 2023. Zhang S W. Ecological quality assessment and driving analysis of Yunnan karst rocky desertification areas[D]. Kunming: Southwest Forestry University, 2023.
[26]	王子昊, 王冰, 张秋良, 等. 基于KNDVI的大兴安岭生态功能区植被覆盖变化时空特征及驱动力分析[J]. 环境科学, 2025, 46(5): 3021-3032. Wang Z H, Wang B, Zhang Q L, et al. Spatial and temporal characteristics and driving force analysis of vegetation cover change in Greater Khingan Mountains ecological functional area based on KNDVI[J]. Environmental Science, 2025, 46(5): 3021-3032. DOI:10.13227/j.hjkx.202404062
[27]	白天豪, 贡恩军, 周娜芳, 等. 2001~2022年秦巴山区生态碳汇时空格局及驱动力分析[J]. 环境科学, 2025, 46(1): 356-366. Bai T H, Gong E J, Zhou N F, et al. Spatiotemporal patterns and driving forces analysis of ecological carbon sink from 2001 to 2022 in Qinling-Daba Mountains, China[J]. Environmental Science, 2025, 46(1): 356-366. DOI:10.13227/j.hjkx.202401064
[28]	Yang Z J, Sun C, Ye J W, et al. Spatio-temporal heterogeneity of ecological quality in Hangzhou Greater Bay Area (HGBA) of China and response to land use and cover change[J]. Remote Sensing, 2022, 14(21). DOI:10.3390/RS14215613
[29]	Xi Y Y, Zhang Y S, Jiang Y, et al. Infrared small target detection based on entropy variation weighted local contrast measure[J]. Remote Sensing, 2025, 17(8). DOI:10.3390/rs17081442
[30]	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
[31]	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.
[32]	孙燕, 吴莉莉, 张云鹏, 等. "减污降碳"视角下长三角城市土地绿色利用效率的动态演进及影响因素[J]. 环境科学, 2025, 46(9): 5577-5586. Sun Y, Wu L L, Zhang Y P, et al. Dynamic evolution and influencing factors of urban land green use efficiency in the Yangtze River Delta from the perspective of "pollution reduction and carbon reduction"[J]. Environmental Science, 2025, 46(9): 5577-5586. DOI:10.13227/j.hjkx.202407077
[33]	Zhou G Q, Zhou X, Song T Y, et al. 22-year dynamic analysis of vegetation cover in karst area: a case study in Guangxi, China[J]. International Journal of Digital Earth, 2025, 18(1). DOI:10.1080/17538947.2025.2497097
[34]	蒋秀伟, 师芸. 黄土高原生态环境对气候变化与人类活动的双重响应[J]. 测绘通报, 2023(7): 1-6. Jiang X W, Shi Y. Dual response of the Loess Plateau ecosystem to climate change and human activities[J]. Bulletin of Surveying and Mapping, 2023(7): 1-6.
[35]	黄涛, 徐力刚, 范宏翔, 等. 长江流域干旱时空变化特征及演变趋势[J]. 环境科学研究, 2018, 31(10): 1677-1684. Huang T, Xu L G, Fan H X, et al. Temporal and Spatial variation characteristics and the evolution trends of droughts in the Yangtze River Basin[J]. Research of Environmental Sciences, 2018, 31(10): 1677-1684.
[36]	黄继超, 邓晓颖, 齐玉峰, 等. 河南省气候变化和人类活动对净生态系统生产力变化的影响[J]. 环境科学, 2026, 47(4): 2370-2381. Huang J C, Deng X Y, Qi Y F, et al. Impact of climate change and human activities on the changes in net primary ecosystem productivity in Henan Province[J]. Environmental Science, 2026, 47(4): 2370-2381. DOI:10.13227/j.hjkx.202503232
[37]	Zhang Y L, Zhao Z Y, Zhu J, et al. The dynamic patterns of critical ecological areas in the Yellow River Basin are driven primarily by climate factors but threatened by human activities[J]. Journal of Environmental Management, 2024, 371. DOI:10.1016/j.jenvman.2024.123282
[38]	王一, 郝利娜, 赵美龄, 等. 2001-2018年重庆植被NDVI变化及其对气候因子和人类活动的响应[J]. 水土保持研究, 2021, 28(5): 222-229. Wang Y, Hao L N, Zhao M L, et al. Variation of vegetation NDVI and its response to climatic factors and human activities in Chongqing from 2001 to 2018[J]. Research of Soil and Water Conservation, 2021, 28(5): 222-229.
[39]	谢慧君, 谢亚巍, 曹聪, 等. 重庆市植被净初级生产力时空变化特征及驱动力分析[J]. 长江流域资源与环境, 2023, 32(12): 2581-2597. Xie H J, Xie Y W, Cao C, et al. Spatial-temporal variation characteristics and driving forces of vegetation net primary productivity in Chongqing[J]. Resources and Environment in the Yangtze Basin, 2023, 32(12): 2581-2597.
[40]	周鑫蓉, 牛全福, 朱登峰, 等. 甘肃黄土高原区植被物候变化及影响因素[J]. 水土保持学报, 2025, 39(4): 118-128, 137. Zhou X R, Niu Q F, Zhu D F, et al. Analysis of vegetation phenological changes and influencing factors in the Loess Plateau region of Gansu Province[J]. Journal of Soil and Water Conservation, 2025, 39(4): 118-128, 137.
[41]	Xu C Y, Li B W, Kong F B, et al. Spatial-temporal variation, driving mechanism and management zoning of ecological resilience based on RSEI in a coastal metropolitan area[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2023.111447
[42]	焦晓萌, 张兵, 高阳, 等. 利用改进型遥感生态指数的岩溶区生态环境质量评价[J]. 测绘通报, 2024(4): 54-60. Jiao X M, Zhang B, Gao Y, et al. Evaluation of eco-environment quality in karst area using improved remote sensing ecological index[J]. Bulletin of Surveying and Mapping, 2024(4): 54-60.
[43]	吕文凯. 红河流域干旱时空演变特征及其对植被生产力影响研究[D]. 北京: 北京林业大学, 2022. Lv W K. Research on the temporal and spatial evolution characteristics of drought in the Red River Basin and its impact on vegetation productivity[D]. Beijing: Beijing Forestry University, 2022.
[44]	梁巧玲, 史正涛, 陈越豪, 等. 基于遥感生态指数的元谋干热河谷生态环境动态监测及其驱动力分析[J]. 水土保持通报, 2022, 42(6): 146-154, 181. Liang Q L, Shi Z T, Chen Y H, et al. Ecological environmental dynamic monitoring and driving force analysis of Yuanmou dry-hot valley based on remote sensing ecological index[J]. Bulletin of Soil and Water Conservation, 2022, 42(6): 146-154, 181.
[45]	Qu S, Wang L C, Lin A W, et al. Distinguishing the impacts of climate change and anthropogenic factors on vegetation dynamics in the Yangtze River Basin, China[J]. Ecological Indicators, 2020, 108. DOI:10.1016/j.ecolind.2019.105724
[46]	叶博文, 孙标, 赵云靓, 等. 2000~2022年内蒙古生境质量时空演变及驱动力分析[J]. 环境科学, 2025, 46(7): 4473-4484. Ye B W, Sun B, Zhao Y L, et al. Spatial-temporal evolution and driving force analysis of habitat quality in Inner Mongolia from 2000 to 2022[J]. Environmental Science, 2025, 46(7): 4473-4484. DOI:10.13227/j.hjkx.202407134
[47]	赵磊磊, 雷艳娇, 陈俊松, 等. 云南红河州石漠化演变过程及其综合治理成效[J]. 中国岩溶, 2019, 38(5): 704-712. Zhao L L, Lei Y J, Chen J S, et al. Evolution process and comprehensive control of rocky desertification in Honghe state, Yunnan Province[J]. Carsologica Sinica, 2019, 38(5): 704-712.
[48]	冷吉卫, 马凯, 李运刚, 等. 基于GAMLSS模型的元江—红河上游径流非一致性研究[J]. 应用基础与工程科学学报, 2025, 33(2): 324-337. Leng J W, Ma K, Li Y G, et al. GAMLSS model-based analysis on non-stationary of runoff in the upper catchment of the Red River Basin[J]. Journal of Basic Science and Engineering, 2025, 33(2): 324-337.


环境科学 2026, Vol. 47 Issue (9): 6251-6263	PDF