工业区生态环境质量时空演变与驱动力分析

引用本文

孙欣然, 胡春明, 朱长军, 罗林林. 工业区生态环境质量时空演变与驱动力分析[J]. 环境科学, 2026, 47(9): 6279-6290.

SUN Xin-ran, HU Chun-ming, ZHU Chang-jun, LUO Lin-lin. Spatiotemporal Evolution and Driving Force Analysis of Ecological Environment Quality in an Industrial Area[J]. Environmental Science, 2026, 47(9): 6279-6290.

工业区生态环境质量时空演变与驱动力分析

孙欣然^1,2, 胡春明², 朱长军¹, 罗林林³

1. 河北工程大学能源与环境工程学院，邯郸 056038;
2. 中国科学院生态环境研究中心，北京 100085;
3. 贵州茅台酒股份有限公司，遵义 564500

收稿日期: 2025-06-29; 修订日期: 2025-09-30

基金项目: 国家自然科学基金项目（U2102209）

作者简介: 孙欣然（1999~），女，硕士研究生，主要研究方向为生态遥感，E-mail：xinransunn@163.com

通信作者: 朱长军, E-mail：christorf@126.com

摘要: 工业化进程显著影响了区域生态环境质量，针对工业区系统开展其时空演变过程分析与驱动因素识别，对于实现其可持续发展具有重要意义. 以典型工业区贵州茅台酒厂为研究对象，基于GEE平台和Landsat 8遥感影像数据，综合应用遥感生态指数（RSEI）、重心迁移模型、地理探测器与灰色预测模型[GM（1，1）]，通过揭示2013~2024年不同生态管理模式下研究区生态环境质量时空演变规律及其主要驱动因子，并预测未来发展趋势，为工业区生态规划与管理提供科学依据. 结果表明：①研究区生态环境质量存在显著空间分异，老厂区在持续管理下RSEI均值提升26.64%，但整体仍处于较差等级；中华片区因大规模扩建生态质量波动较大，西部退化明显，人工修复后RSEI良级面积于2021年增至20%以上；规划建设区无管理，其具有大面积自然环境，RSEI为良级，但近年出现生态退化迹象. 整个研究区RSEI改善的重心向东北方向移动，而其恶化的重心迁移方向则为西南方向. ②NDBSI、NDVI和LST为主要驱动因子，NDBSI驱动力最强（q=0.820），任意两因子交互作用驱动力均强于单因子，NDBSI与LST交互作用解释力最为显著（q=0.881）. ③预测结果显示，2031年老厂区RSEI将达0.39，中华片区可达0.521，规划建设区若无干预将继续退化. 构建适用于工业区生态环境动态监测与归因分析的方法框架，揭示不同生态管理模式下的生态演化路径与驱动机制，研究成果为工业区生态修复与绿色转型提供了理论支撑与决策参考，有利于帮助促进生态与工业协同发展.

关键词: 遥感生态指数（RSEI）重心迁移地理探测器灰色预测模型[GM（1，1）] GEE平台生态环境质量

Spatiotemporal Evolution and Driving Force Analysis of Ecological Environment Quality in an Industrial Area

SUN Xin-ran^1,2 , HU Chun-ming² , ZHU Chang-jun¹ , LUO Lin-lin³

1. College of Energy and Environmental Engineering, Hebei University of Engineering, Handan 056038, China;
2. Research Centre for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China;
3. Kweichow Moutai Co., Ltd., Zunyi 564500, China

Abstract: Industrialization has significantly affected the regional ecological environment quality. It is of great significance to analyze the spatial and temporal evolution process and identify the driving factors of the industrial area system for its sustainable development. In this study, Landsat 8 remote sensing imageries on GEE were used to construct the remote sensing ecological index (RSEI). The migration of the gravity center, Geodetector, and the GM(1, 1) grey prediction model were applied to analyze the spatiotemporal evolution of ecological environment quality in the study area from 2013 to 2024 under different ecological management strategies. The main driving factors were identified, and the future development trend was predicted, providing a scientific basis for ecological planning and management in industrial areas. The results showed that: ① There was a significant spatial differentiation in the ecological environment quality of the study area. A 26.64% increase was shown in the average RSEI of the Old Factory Area with good management, but its level was still "relatively poor." Due to the large-scale expansion in the Zhonghua Area, fluctuations were observed in the ecological environment quality, and degradation was observed in the western region. After artificial restoration, an increase in the RSEI "good" area to more than 20% was shown in 2021. In the Planning-Construction Area, characterized by extensive natural coverage and "good" RSEI, management had been absent, leading to emerging signs of ecological degradation observed in recent years. Moreover, a northeastward migration of the RSEI improvement center was exhibited across the study area, while a southwestward shift of deterioration was demonstrated. ② NDBSI, NDVI, and LST were identified as the primary driving factors, with NDBSI exhibiting the strongest driving force (q=0.820). The explanatory power generated by any two-factor interaction was observed to exceed that of a single factor, and the most significant explanatory effect was demonstrated through the interaction between NDBSI and LST (q=0.881). ③ Based on the prediction results, the RSEI was projected to reach 0.39 in the Old Factory Area and 0.521 in the Zhonghua Area by 2031. Without intervention, continued degradation was anticipated in the Planning-Construction Area. A methodological framework was constructed in this study to facilitate dynamic monitoring and attribution analysis of industrial area ecosystems, through which ecological evolution and driving mechanisms were revealed under varying ecological managements. These findings provide theoretical support and decision-making references for ecological restoration and green transformation in industrial areas, contributing to the coordinated development of ecological and industrial systems.

Key words: remote sensing ecological index (RSEI) migration of gravity center Geodetector grey prediction model[GM(1, 1)] Google Earth Engine (GEE) ecological environment quality

传统工业区往往以牺牲生态环境为代价追求经济效益，随着可持续发展及提升人类福祉的需求不断上升，工业区生态系统管理面临着独特的挑战^[1，2]. 生态系统动态监测和评估是开展生态系统管理的前提与基础，卫星遥感技术因范围广、采集快和数据系统等优点，在监测区域生态环境变化时被广泛应用^[3]. 归一化植被指数^[4]、归一化水体指数^[5]和地表温度^[6]等遥感指数为区域乃至全球尺度生态环境动态监测与定量评估提供了重要支撑. 但由于生态系统具有多要素且多层次的复杂特性，单一指标难以全面刻画生态环境整体质量，科研人员为此逐步建立多源数据融合的综合评价指标，如环境质量指数（EQI）^[7，8]、生态环境状况指数（EI）^[9，10]和遥感生态指数（remote sensing ecological index，RSEI）^[11]. 其中，RSEI应用主成分分析避免了人为主观权重赋值，且结果的空间可视化较好^[12，13]，常被用于评估生态系统质量^[14~17]，并在京津冀、长三角和粤港澳大湾区等城市群得到广泛应用^[18~20]. 与城市生活区相比，工业区具有能耗集中、热岛效应高和可发挥调节功能的生态空间有限、研究基础薄弱等特点，较大程度上限制了工业区生态系统质量的监测与评估. RSEI相关数据客观易获取且具备连续性，对于缺乏研究基础且空间结构复杂的工业区生态系统无疑是可行的研究指标.

随着工业区“三生空间”（即生产、生活和生态空间）的不断融合，对其生态环境质量开展评估和预测具有重大意义. 本文以贵州茅台酒厂为研究区域，基于GEE平台Landsat 8遥感数据，通过生态遥感指数（RSEI）探究不同管理模式下工业化对生态环境质量的影响，深入分析区域RSEI时空演变特征，运用地理探测器分析其驱动因素，并利用灰色预测模型[GM（1，1）]展开预测，以揭示研究区生态系统演化特征与驱动因子及未来发展趋势，继而为其后续规划建设的合理布局推进提供参考，也为工业区生态系统管理提供案例.

茅台酒厂作为典型工业区，其功能分区复杂且开发强度差异大，生态管理模式各异，具备较强代表性和研究价值. 在全球工业化进程持续推进和生态与发展矛盾日益突出的背景下，本研究通过构建基于多源遥感数据的典型工业区生态环境质量综合评估与驱动因子分析框架，以期为其他工业区生态管理策略的制定提供可复制的技术路径.

1 研究区概况与数据来源 1.1 研究区域

茅台酒厂位于中国贵州省仁怀市茅台镇，属于亚热带季风气候，全年冬暖夏热且高温少雨少风. 研究区域总面积为15.03 km²，地势东高西低，属于低山河谷侵蚀地貌. 研究区域概况如图 1所示.

图 1 研究区域概况 Fig. 1 Study area

根据研究区发展及生态系统管理现状可分为3个区域：老厂区开发度最高，生产设施密集，生态系统有持续的精细管理；中华片区正处于开发扩建阶段，生态系统处于被破坏后的人工修复阶段；规划建设区是预留发展区域，生态系统受到低扰动，基本无人工管理及修复.

1.2 数据来源

本研究数据源是由GEE平台直接获取的Landsat 8 OLI-TIRS卫星遥感影像. Landsat 8卫星数据来自美国地质探测局（USGS），其中多光谱和热红外波段信息可用于RSEI的计算. 本研究所选用的数据影像空间分辨率为30 m，成像时间为2013~2024年的7~9月，云量不超过5%，质量较高，且全部经过了辐射定标、大气校正和去云等预处理，可以准确反映出研究区生态状况. 数据说明见表 1，其中Landsat 8 OLI用于构建RSEI，LUCC、DEM、年均气温和年降雨均用于地理探测器驱动因素分析.

表 1 数据来源 Table 1 Data sources

2 研究方法

本研究技术路线如图 2所示，由GEE平台获取遥感影像并构建RSEI，以2013~2024年RSEI为基础分析其时空格局，并运用重心迁移模型分析其演化过程，通过地理探测器中的单因子探测和交互探测分析驱动因素，最后使用GM（1，1）预测模型进行预测并提出建议.

图 2 技术路线 Fig. 2 Technical route

2.1 构建生态遥感指数（RSEI）

RSEI是一种基于多源遥感数据的综合评估模型，通过整合多个关键生态参数，利用遥感影像宏观观测优势，实现生态环境质量快速动态监测与可视化表达. 相较于传统评价方法，RSEI无需依赖地面实测数据，显著降低数据获取成本，极大提高了评价效率. 此外，该指数基于主成分分析（PCA）自动确定各指标权重，避免了人为赋权的主观性，使得评价结果更具科学性和客观性. 本研究通过GEE平台直接展开运算，将绿度指标（NDVI）、湿度指标（WET）、干度指标（NDBSI）及热度指标（LST）进行耦合，运用主成分分析法归一化处理进而反映研究区生态环境状况. RSEI表达式如下^[21]：

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

(1)

式中，NDVI为绿度指标，WET为湿度指标，NDBSI为干度指标，LST为热度指标.

（1）绿度指标描述区域植被状况及生态环境，表达式为^[22]：

N D V I = \frac{N I R - R E D}{N I R + R E D}

(2)

式中，RED和NIR分别为Landsat 8遥感影像第3和第5波段.

（2）湿度指标表征各像元对应地物水分含量，反映植被和土壤湿度^[23]，计算公式为：

\begin{array}{l} W E T_{O L I} = 0.151 1 ρ_{B} + 0.197 3 ρ_{G} + 0.328 3 ρ_{R} + \\ 0.340 7 ρ_{N I R} - 0.717 7 ρ_{S W I R 1} - 0.455 9 ρ_{S W I R 2} \end{array}

(3)

式中， $ρ_{B}$ 、 $ρ_{G}$ 、 $ρ_{R}$ 和 $ρ_{N I R}$ 分别为OLI数据蓝波段、绿波段、红波段和近红外波段反射数据； $ρ_{S W I R 1}$ 和 $ρ_{S W I R 2}$ 分别为OLI数据短红外1和2波段反射数据.

（3）干度指标由于建设用地和裸露自然地表均呈现出“干化”状态，干度指标NDBSI由建筑指数IBI与土壤指数SI合成表示，计算公式如下^[24]：

I B I = \frac{\frac{2 ρ_{S W I R}}{ρ_{S W I R} + ρ_{N I R}} - (\frac{ρ_{N I R}}{ρ_{N I R} + ρ_{R}} + \frac{ρ_{G}}{ρ_{G} + ρ_{S W I R}})}{\frac{2 ρ_{S W I R}}{ρ_{S W I R} + ρ_{N I R}} + (\frac{ρ_{N I R}}{ρ_{N I R} + ρ_{R}} + \frac{ρ_{G}}{ρ_{G} + ρ_{S W I R}})}

(4)

S I = \frac{(ρ_{S W I R} + ρ_{R}) - (ρ_{N I R} + ρ_{B})}{(ρ_{S W I R} + ρ_{R}) + (ρ_{N I R} + ρ_{B})}

(5)

N D B S I = \frac{S I + I B I}{2}

(6)

式中， $ρ_{B}$ 、 $ρ_{G}$ 、 $ρ_{R}$ 、 $ρ_{N I R}$ 和 $ρ_{S W I R}$ 分为指OLI数据蓝波段、绿波段、红波段、近红外波段和短红外波段反射数据.

（4）热度指标通过大气辐射传输方程法反演地表温度（LST）^[25].

T = \frac{K_{2}}{l n (\frac{K_{1}}{L} + 1)}

(7)

L = g a i n \cdot D N + b i a s

(8)

L S T = \frac{T}{1 + (λ \cdot \frac{T}{ρ}) \cdot l n ε}

(9)

式中，T为卫星传感器温度值；L为OLI传感器热红外波段辐射值； $K_{1}$ 和 $K_{2}$ 为辐射定标参数；gain和bias为波段增加值与偏置值；DN为像元灰度值； $λ$ 为OLI传感器10波段中心波长，即10.9 μm； $ρ$ 为地表亮温，取值1.438×10^-2 m·K； $ε$ 为地表比辐射率.

本研究将上述4个分量指标归一化处理消除量纲差异后进行主成分分析（PCA）^[26]，利用GEE平台通过主成分分析线性正交变换将多个指标变量根据贡献率筛选，多维压缩其中少数重要指标，构建RSEI. 根据前人研究将RSEI划分为5个等级：优、良、一般、较差和差^[27]，等级划分见表 2.

表 2 遥感生态指数等级划分 Table 2 Remote sensing ecology index (RSEI) classification

2.2 遥感生态指数重心模型

遥感生态指数重心的迁移路线可反映区域生态环境质量空间演变情况，本研究将RSEI栅格数据矢量化，计算不同年份生态质量的重心坐标，进而分析其变化轨迹，揭示生态质量空间分布的迁移趋势. 如下所示^[28]：

X_{t} = \frac{\sum_{j = 1}^{n} R S E I_{t j} X_{j}}{\sum_{j = 1}^{n} R S E I_{t j}}

(10)

Y_{t} = \frac{\sum_{j = 1}^{n} R S E I_{t j} Y_{j}}{\sum_{j = 1}^{n} R S E I_{t j}}

(11)

式中， $X_{t}$ 和 $Y_{t}$ 为研究区第t年生态遥感指数坐标； $R S E I_{t j}$ 为研究区第t年j单元遥感生态指数； $X_{j}$ 和 $Y_{j}$ 为研究区j单元地理坐标.

2.3 地理探测器

地理探测器包括因子探测、交互探测、风险探测和生态探测这4个板块^[29]，可用于分析生态环境质量空间分异现象背后的驱动力.

其中，因子探测可分析出各个自变量在多大程度上解释了因变量的空间分异性，度量自变量对因变量的影响，并使用q值量化该影响程度，本文q值即各因子对RSEI空间分布的解释力，计算公式如下：

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

(12)

式中，k为自变量或因变量分类或分区； $N_{k}$ 为第k层样本数； $N$ 为区域总样本数； $σ_{k}^{2}$ 为第k层方差； $σ^{2}$ 为整个区域方差； $q$ 为影响因子对因变量解释力. q值取值范围为0到1，q值越大解释力越强.

2.4 GM（1，1）预测模型

灰色预测模型通过探究系统发展规律对未来系统状况展开科学定量预测^[30]. 现GM（1，1）预测模型在环境、工业和金融等诸多领域得到广泛应用^[31]. 本文使用该模型预测研究区RSEI.

构建GM（1，1）预测模型首先将原始数据序列设置为：

X^{(0)} (1) = \{x^{(0)} (1), x^{(0)} (2), \dots, x^{(0)} (n)\}

(13)

而后对所有数据进行级比计算和判断，所有级比均落于计算范围区间内可建立模型. 累加原数列 $X^{(0)}$ ，建立线性一阶微分方程：

\frac{d X^{(1)}}{d t} + a x^{(1)} = u

(14)

[\begin{matrix} a \\ u \end{matrix}] = {(B^{T} B)}^{- 1} B^{T} Y

(15)

\begin{matrix} B = [\begin{matrix} - \frac{1}{2} x^{(1)} (1) + x^{(1)} (2) & 1 \\ ⋮ & ⋮ \\ - \frac{1}{2} x^{(1)} (n - 1) + x^{(1)} (n) & 1 \end{matrix}], Y = [\begin{matrix} x^{(0)} (2) \\ \begin{array}{l} x^{(0)} (3) \\ ⋮ \\ x^{(0)} (n) \end{array} \end{matrix}] \end{matrix}

(16)

将以上参数代入预测方程：

X^{(1)} (k + 1) = [X^{(0)} (1) - \frac{u}{a}] e^{- a k} + \frac{u}{a}

(17)

式中，k+1为时间序列位数，第k+1年预测值为 $X^{(0)} (k + 1) = X^{(1)} (k + 1) - X^{(1)} (k)$ .

3 结果与分析 3.1 研究区主成分分析结果

本研究基于2013~2024年遥感影像数据，对RSEI各分量指标进行主成分分析（PCA）. 由表 3可知，第一主成分（PC1）可有效综合4个分量指标主要信息特征，其贡献率稳定维持在较高水平，介于78.18%~84.65%，均高于75.00%，表明PC1可作为研究区生态环境状况综合表征指标. 进一步对各分量指标荷载值进行深入解析，12期影像数据中NDVI（绿度指数）和WET（湿度指数）均呈现显著正荷载特征. 从生态学意义来看，NDVI数值提升直接反映植被覆盖状况改善，WET增加表明植被-土壤系统含水量提高，这两个指标共同展现出对区域生态环境的积极促进作用. 相比之下，LST（热度指标）和NDBSI（干度指标）则表现出稳定负载荷特性. 具体而言，LST绝对值增大表征地表热环境恶化，NDBSI绝对值升高反映不透水地表扩张及土壤干旱化程度加剧. 这两个指标荷载特征充分揭示了人类活动对生态环境产生的负面效应，其变化趋势与区域生态环境质量呈显著负相关关系.

表 3 4个指标在第一主成分上的荷载和贡献率 Table 3 Contribution rates and loadings of four indexes to the first principal component (PC1)

3.2 生态环境质量时序分析

老厂区2013~2024年RSEI及4个分量均值如表 4所示. 2013~2024年RSEI均值增幅达26.64%，整体呈持续提高趋势，持续管理下生态环境质量有所改善，但由于该功能区密集的工业布局，RSEI均值一直处于较差等级. 对于4个分量指标，2015年NDVI值为0.343 5，2024年升至0.404 6，植被覆盖度增加；WET值受气候变化影响较为波动；LST值2018年后低于0.800 0，植被覆盖度增加带来降温效果，但生产加工过程中的热排放仍是一大制约因素，降温效果不稳定；NDBSI值2020年后小幅缩减至0.655 0~0.670 3，干度指标得到控制与改善.

表 4 老厂区2013~2024年生态分量评价指标与RSEI指数均值 Table 4 Mean value of the ecological component index and RSEI from 2013 to 2024 in the Old Factory Area

表 5为中华片区2013~2024年RSEI及4个分量均值统计结果. 2013年RSEI GM（1，1）均值明显较高，主要由于当年NDVI与WET相对较高，且LST较低，该时段中华片区尚未经历大规模建设活动，热排放少，部分区域生态质量保持良好，反映了当时的季节性优势与人类干扰较低的综合状态. 2014~2017年RSEI均值约0.301 2~0.392 6，2023年提高至0.457 1，因开发扩建产生破坏导致均值不稳定，后期人工修复使其表现出提高趋势. 对于4个分量，NDVI值2018~2023年由0.327 5持续增大至0.467 5，植被覆盖度扩大；WET值自2020年基本稳定在0.496 5及以上；LST值随土地利用变化而剧烈波动；NDBSI值2013~2020年约0.670 3~0.717 7，2021~2024年降低至0.590 3~0.636 9.

表 5 中华片区2013~2024年生态分量评价指标与RSEI均值 Table 5 Mean value of the ecological component index and RSEI from 2013 to 2024 in the Zhonghua Area

规划建设区2013~2024年RSEI及4个分量均值如表 6所示. 由于该功能区自然区域范围广，其RSEI均值处于良等级，明显优于老厂区和中华片区，但因缺乏管理，近几年区域土地整治加快，该均值出现降低趋势，2016年为0.757 6，2024年降低至0.638 7. 对于4个分量，NDVI与WET两个正向指标均在较高水平；LST与NDBSI两个负向指标整体水平均低于老厂区和中华片区. 该功能区各数值变化规律性较差，可能发生生态退化，需投入适当人工干预以维持生态稳定.

表 6 规划建设区2013~2024年生态分量评价指标与RSEI均值 Table 6 Mean value of the ecological component index and RSEI from 2013 to 2024 in the Planning-Construction Area

3.3 生态环境质量空间分析 3.3.1 RSEI时空格局

图 3和图 4分别为研究区2013~2024年RSEI各等级空间分布与面积占比，不同功能区RSEI呈现出显著空间异质性与动态演变特征. 老厂区RSEI主要呈现差和较差，多年平均占比分别为24.86%和39.22%，优等级仅占0.32%，受密集工业生产影响，生态质量长期处于低值区；中华片区RSEI以较差、一般和良等级为主，多年平均占比分别为31.40%、23.35%和19.62%；规划建设区生态质量最优，良和优等级多年平均占比分别为53.97%和23.15%.

图 3 RSEI各等级空间分布 Fig. 3 Spatial distribution of RSEI levels

（a）老厂区；（b）中华片区；（c）规划建设区图 4 2013~2024年RSEI各等级面积占比 Fig. 4 Area proportion of all levels of RSEI from 2013 to 2024

老厂区2013~2024年RSEI差等级面积减少9.27%，良等级扩大11.08%，反映长期管理对生态恢复的积极作用；然而，其RSEI均值仍为较差等级，高热排放与高干度是主要制约因素. 中华片区人工修复促使整体良等级面积自2021年增至20%以上，但西部区域因开发扰动出现明显局部生态退化. 规划建设区2024年优等级面积较2018年减少2.85%，且较差等级占比由4.43%增至13.97%，揭示低扰动开发对自然生态系统的影响. 研究区RSEI演变本质上体现出工业化进程中“生产-生态”空间演变：老厂区通过长期精细管理优化逐渐实现修复，但难以突破工业密集区的生态阈值；中华片区人工修复虽有效，却受制于“先破坏后治理”的被动模式；规划建设区的自然优势因开发扰动逐步丧失，亟需进行预警式管理.

3.3.2 RSEI空间重心迁移

重心转移可反映生态格局总体位移特征，己被广泛用于土地利用和生态环境质量变化等研究. 为分析2013~2024年RSEI各等级重心转移情况，以3 a为间隔，计算并绘制研究区RSEI各等级重心移动路径，如图 5所示. 总体上看RSEI重心分布与其空间分布格局具有较高一致性，迁移路径能较好展示出RSEI空间分布格局变化，与功能区管理策略及土地开发进程高度耦合.

图 5 2013~2024年RSEI不同等级重心迁移 Fig. 5 Migration of gravity center of different levels of RSEI from 2013 to 2024

研究区RSEI差等级重心集中在北部，并由东北向西南迁移，体现出中部和南部区域的开发造成RSEI恶化趋势，2013~2016年迁移速率最快，表明在这一时段部分区域生态质量下降较明显. 较差等级RSEI变化趋势整体上与差等级较为一致，分布逐渐向西南部转移. 一般等级变化幅度不明显，转移路径向东北部移动. 良和优等级总体变化幅度较大，重心向东北迁移，老厂区通过精细化管理提升NDVI并扩大RSEI良等级面积占比，中华片区后期修复，均促使重心的迁移. 从结果来看，2013~2024年研究区RSEI改善的重心呈现向东北方向移动的趋势，而生态环境质量恶化的重心迁移方向则表现出向西南方向移动的趋势，反映南部开发加剧生态恶化，北部管理养护及修复提升生态环境质量.

图 6为研究区2013~2024年RSEI等级转化桑基图. 差级面积增加较为明显，扩大0.59 km²，较差级增加0.31 km²，较差级有0.95 km²转为差级，一般等级有1.02 km²转为较差等级. 优级总体缩减0.15 km². 2013~2024年研究区RSEI主要表现为“较差→差”、“一般→较差”和“良→一般”这3个路径，整体来看研究区生态环境依然严峻.

图内数值的单位为km² 图 6 RESI各等级面积转化桑基图 Fig. 6 Area conversion of RSEI level Sankey diagram

3.4 生态环境质量变化分析 3.4.1 RSEI等级变化

为揭示2013~2024年研究区生态环境质量变化，本研究通过红绿法对2013年、2018年和2024年RSEI等级数据进行插值分析^[32]，并将发生变化的区域可视化，绘制成图 7，表 7统计了变化面积. 2013~2024年，老厂区RSEI等级提升面积显著大于退化面积，2013~2018年1.55 km²变好，1.02 km²变差，2018~2024年1.47 km²变好，1.04 km²变差，彰显出该功能区生态环境质量控制管理优化效果显著；中华片区2013~2018年1.74 km² RSEI等级降低，2018~2024年1.34 km²变差，西部扩建区域与RSEI退化区高度重叠；规划建设区2013~2018年1.54 km² RSEI等级降低，2018~2024年2.46 km²变差，比变好的面积大1.11 km²，亟需人工干预以维持生态环境质量.

图 7 2013~2018年和2018~2024年RSEI等级变化 Fig. 7 Changes of RSEI level from 2013 to 2018 and 2018 to 2024

表 7 2013~2018年和2018~2024年RSEI等级变化面积/km² Table 7 Change area of RSEI level from 2013 to 2018 and 2018 to 2024/km²

3.4.2 生态环境质量驱动分析

引入最优参数地理探测器揭示区域生态环境质量影响因素，2020年多源数据在空间分辨率、数据精度及完整性方面均优于其他年份，且该年份处于研究区生态管理的重要阶段，既反映了早期管理措施的效果，也体现了建设活动的影响，因此选取2020年数据. 以RSEI为因变量，自变量包括模型结构因素（绿度、湿度、干度、热度）、气候因素[年均气温（TEM）、年降水（PRE）]、地形因素（DEM、坡度、坡向）和人类活动因素[土地利用/覆被变化（LUCC）]. 将这10个因素依次以X1~X10表示. 地理探测结构如图 8所示.

X1~X10分别表示模型结构因素（绿度、湿度、干度、热度）、气候因素（年均气温、年降水）、地形因素（DEM、坡度、坡向）和人类活动因素（土地利用/覆被变化）图 8 2013~2024年的地理探测器结果 Fig. 8 Geodetector results from 2013 to 2024

在单因子探测结果中，所有10项因子均通过了95%显著性测试，RSEI与各因素在空间异质性上的重要性排序为：NDBSI > NDVI > LST > WET > DEM > TEM > PRE > 坡度 > 坡向 > LUCC. 其中NDBSI的q值最高（0.820），NDVI次之（0.718），第三是LST（0.670）. 说明研究区生态环境质量受厂区建设等人为扰动的影响最大.

交互探测结果表明，任意两个因子交互作用均大于单因子对RSEI空间分布的影响，说明研究区RSEI空间分布差异是多各因子共同作用的结果. 其中NDBSI与LST交互作用驱动力最强（0.881）. 建设区扩张影响地表覆盖情况，研究区人工用地扩张范围与生态环境质量较差区域范围重合度较高，说明建设区扩张导致地表景观格局大幅度变化，从而严重影响当地生态质量.

以研究区2018~2024年RSEI数据为基础，应用GM（1，1）预测模型，该模型适用于样本量较小的中短期预测情景，最终所得预测值见表 8，为避免过长预测期引入较大不确定性，预测时间设定为与历史拟合序列2018~2024年的时间跨度一致的2025~2031年. 3个功能区模型级比值均在区间（ $e^{- \frac{2}{n + 1}}$ ， $e^{\frac{2}{n + 1}}$ ）即（0.779，1.284）之内，说明适合构建灰色预测模型，此外，可通过后验差比值可以验证模型精度，后验差比值越小，则说明灰色预测精度越高. 老厂区模型精度高且拟合效果良好，RSEI将缓慢提升，预计于2030年达到0.39，整体RSEI即将突破较差等级，说明该功能区生态管理具有持续效益；未来建议持续做好维护管理，可通过设置垂直绿墙增加立体绿化以降低LST值，进而调节RSEI，还可建立高频次遥感监测体系，及时调整车间散热系统布局. 中华片区模型精度基本合格，拟合效果良好，RSEI表现出提升趋势，预计在2031年达到0.521，体现出人工修复阶段性成效. 未来应将先破坏再修复的被动模式转为扩建同时实施生态修复的“修复-保育”模式，在现有生态恢复管理基础上，不断转入以维护管理为主的生态系统保育模式，对西部明显退化区域划定生态红线，限制高强度开放，对已修复区域进行适应性管理，使其生态环境更稳定. 规划建设区由于无管理状态下生态质量波动性太强，其模型精度不合格. 虽生态系统具备一定恢复能力^[33]，但RSEI仍表现出衰退趋势，表明自然生态系统自我调节能力已无法抵消人为扰动，需提高人工修复或生态系统维护管理以逆转现有生态环境质量降低趋势. 建议在北部退化区优先建立生态廊道，阻断退化蔓延，此外，可构建监测网络，结合季节性植被恢复调节RSEI. 对于整个厂区，建议将RSEI纳入生态考核体系，并探索生产-生态协调发展的用地布局.

表 8 RSEI指数预测 Table 8 RSEI prediction

4 讨论

工业开发使NDVI和WET下降，NDBSI和LST上升，RSEI降低^[34]. 本研究通过时空演变分析发现茅台酒厂工业区生态环境质量表现出明显空间分异：老厂区工业布局密集，中华片区近年大规模开发扩建，二者生态环境质量较差；而规划建设区为预留发展区域，仅受少量扰动，大面积未开发，植被覆盖度高，生态环境质量良好；研究区整体RSEI时空特点与已有发现一致^[35~38]. 在小尺度区域的遥感生态监测中，数据的波动性在所难免. 本研究为尽量减少不确定性，所有年份影像均选取在7~9月植被生长旺盛期，以保持年度数据在季节上的一致性，但不同季节RSEI有差异^[39]，未来研究可引入不同季节更高时间分辨率遥感数据，以进一步提高时序连续性.

运用地理探测器探究驱动机制发现，研究区生态环境质量变化的核心驱动因子为NDBSI、NDVI和LST，这与其他研究结果相似^[40~43]. 而任意两因子交互作用均大于单因子影响力，其中，NDBSI与LST交互作用（q=0.881）对RSEI空间异质性的解释力最强. 这一发现与现有研究存在共性，工业区生产加工过程中热排放加剧了热岛效应（LST）与生态恢复的复杂性，郑彩之等^[44]发现城市面积大幅扩张带来热岛效应，而地表温度越高，地面干化越严重，进而导致生态环境质量下降. NDBSI对RSEI的强解释力（q=0.820）表明影响工业区生态环境质量的核心是土地开发与自然覆盖矛盾. 老厂区NDVI提升，但LST居高不下，限制RSEI提高，说明单一绿度修复难以抵消工业热排放的生态压力，凸显工业区生态管理的特殊挑战. 虽然单一年份的驱动因子分析无法直接反映年度间的变化趋势，但能够较为清晰地揭示生态环境质量空间分异的主要影响因素及其作用机制，对理解研究区生态质量变化规律具有重要参考价值. 未来在数据条件允许的情况下，可进一步开展多年份驱动因子探测对比分析，以验证不同年份结果的一致性与规律的稳定性. 此外，GM（1，1）预测模型适合刻画宏观的变化方向，而难以反映短期波动、突发事件或非线性变化. 因此，本研究预测结果主要用于宏观层面判断未来变化方向和幅度，对短期波动的分析仍需结合其他方法. 未来可考虑引入多元灰色预测模型、时间序列分解方法或机器学习模型，开展多情景预测，以提高对未来生态环境质量变化的多维刻画能力.

基于RSEI空间分异特征及驱动机制，提出分区调控的优化建议. 老厂区以控制热排放为核心，优先控制LST与NDBSI协同恶化，在热排放集中区域采用高反射率材料覆盖屋顶，减少地表吸热，并设置垂直绿化，植被覆盖度的提升有助于生态环境的提升和改善^[45]；中华片区采用修复与扩建同步模式，优先在NDBSI > 0.7区域增加绿化，铺设植被毯，减少裸地面积，实施土壤保湿工程，抑制NDBSI升高与裸地扩张，并建设通风廊道缓解热岛效应；规划建设区北部明显退化区域建立生态廊道阻断退化蔓延，并在该功能区划定生态红线，进行NDVI与WET动态监测，划定阈值，如以NDVI < 0.6为预警线，预防低扰动开发导致隐性退化，通过无人机监测与生物多样性保护维持系统稳定性. 与末端治理模式相比，针对性分区调控响应了RSEI驱动机制，更加高效，节省修复成本. 未来研究可结合更高分辨率的遥感数据与实地调查，进一步验证模型的准确性并细化驱动机制分析.

5 结论

（1）有效的生态管理对于工业区RSEI具有重要意义. 老厂区在持续生态管理下，RSEI均值提高26.64%，差等级面积减少9.27%，良等级扩大11.08%，生态环境质量表现出改善趋势，但受限于密集工业布局，整体仍处于较差等级；中华片区良等级面积自2021年起增至20%以上，生态环境质量表现出恢复趋势，但大规模开发扩建使其波动显著，其中西部区域出现明显局部生态退化；规划建设区自然本底优良，但缺乏管理干预，2018~2024年2.46 km²区域RSEI等级降低，出现生态退化迹象，生态稳定性亟需强化.

（2）茅台酒厂的生态管理宜关注干度、绿度和热排放. 地理探测器结果显示，NDBSI、NDVI和LST是影响研究区生态环境质量的主要驱动因子，其中NDBSI驱动力最强（q=0.820）. 人为扰动（如厂区建设）对生态环境负面影响显著，尤其是建设用地扩张与地表温度升高导致生态质量下降. 交互探测结果显示，多因子共同作用加剧了生态环境空间异质性，NDBSI与LST交互作用对RSEI影响最为显著（q=0.881）.

（3）GM（1，1）预测模型结果显示，老厂区2030年RSEI将提升至0.39，还需强化垂直绿化与热排放管控；中华片区2031年RSEI预计达0.521，建议划定生态红线并实施扩建与修复同步策略；规划建设区若无干预则将继续退化，应建立监测网络并对退化区实施定向干预.

（4）本研究建立了一套适用于工业区生态质量评估与归因分析的综合技术体系，可为实现生态与工业协同发展提供决策支撑. 通过以茅台酒厂为案例分析揭示多功能分区下生态演化的差异路径与管理响应，为推进生态空间精细化调控、构建区域生态预警机制提供有益参考.

参考文献

[1]	刘翔宇, 张延飞, 丁木华, 等. 长三角中心区生态环境质量评价与空间格局分析[J]. 人民长江, 2021, 52(5): 30-36. Liu X Y, Zhang Y F, Ding M H, et al. Eco-environmental quality evaluation and spatial distribution patterns analysis on central area of Yangtze River Delta[J]. Yangtze River, 2021, 52(5): 30-36.
[2]	古璠, 黄义雄, 陈传明, 等. 福建省自然保护区生态网络的构建与优化[J]. 应用生态学报, 2017, 28(3): 1013-1020. Gu F, Huang Y X, Chen C M, et al. Construction and optimization of ecological network for nature reserves in Fujian Province, China[J]. Chinese Journal of Applied Ecology, 2017, 28(3): 1013-1020.
[3]	程琳琳, 王振威, 田素锋, 等. 基于改进的遥感生态指数的北京市门头沟区生态环境质量评价[J]. 生态学杂志, 2021, 40(4): 1177-1185. Cheng L L, Wang Z W, Tian S F, et al. Evaluation of eco-environmental quality in Mentougou District of Beijing based on improved remote sensing ecological index[J]. Chinese Journal of Ecology, 2021, 40(4): 1177-1185.
[4]	Islam A R M T, Islam H M T, Shahid S, et al. Spatiotemporal nexus between vegetation change and extreme climatic indices and their possible causes of change[J]. Journal of Environmental Management, 2021, 289. DOI:10.1016/j.jenvman.2021.112505
[5]	杨梦娇, 赵伟, 詹琪琪, 等. 基于偏相关分析的2003—2020年青藏高原地表温度变化驱动因子量化研究[J]. 测绘学报, 2024, 53(5): 848-859. Yang M J, Zhao W, Zhan Q Q, et al. Quantitative study on driving factors of land surface temperature trends on the Qinghai-Tibet Plateau from 2003 to 2020 based on partial correlation analysis[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(5): 848-859.
[6]	肖茜, 杨昆, 洪亮. 近30 a云贵高原湖泊表面水体面积变化遥感监测与时空分析[J]. 湖泊科学, 2018, 30(4): 1083-1096. Xiao Q, Yang K, Hong L, et al. Remote sensing monitoring and temporal-spatial analysis of surface water body area changes of lakes on the Yunnan-Guizhou Plateau over the past 30 years[J]. Journal of Lake Sciences, 2018, 30(4): 1083-1096.
[7]	艾力克木·司拉音, 安外尔·艾则孜, 塔吉古丽·喀斯木, 等. 基于环境质量指数的塔里木河下游生态输水效益评估[J]. 干旱区地理, 2025, 48(1): 31-42. Silayin Ailikemu, Eziz Anwar, Kasimu Tajiguli, et al. Evaluation of the ecological water conveyance benefits in the lower reaches of Tarim River based on environmental quality index[J]. Arid Land Geography, 2025, 48(1): 31-42.
[8]	牟凤云, 黄淇, 陈林. 基于优化地理探测器的生态环境质量驱动力分析[J]. 水土保持研究, 2024, 31(1): 440-449. Mu F Y, Huang Q, Chen L. Eco-environmental quality driving force detection using optimized Geographic Detector[J]. Research of Soil and Water Conservation, 2024, 31(1): 440-449.
[9]	HJ 192-2015, 生态环境状况评价技术规范[S].
[10]	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.
[11]	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.
[12]	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
[13]	董鑫, 李艳忠, 董亭忆, 等. 基于GEE的嘉陵江流域生态环境质量演变及驱动因子分析[J]. 广西科学, 2026, 33(1): 54-63. Dong X, Li Y Z, Dong T Y, et al. Analysis of long-term dynamic evolution characteristics and driving mechanism of ecological environment quality in the Jialing River Basin based on GEE[J]. Guangxi Sciences, 2026, 33(1): 54-63.
[14]	Zhang S C, Yang P, Xia J, et al. Research and analysis of ecological environment quality in the Middle Reaches of the Yangtze River Basin between 2000 and 2019[J]. Remote Sensing, 2021, 13(21). DOI:10.3390/rs13214475
[15]	Zhang J, Yang G J, Yang L P, et al. Dynamic monitoring of environmental quality in the Loess Plateau from 2000 to 2020 using the Google Earth Engine platform and the remote sensing ecological index[J]. Remote Sensing, 2022, 14(20). DOI:10.3390/rs14205094
[16]	Yang X J, 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
[17]	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
[18]	陈靖松, 张建军, 李金龙, 等. 京津冀地区碳排放时空格局变化及其驱动因子[J]. 生态学报, 2024, 44(6): 2270-2283. Chen J S, Zhang J J, Li J L, et al. Spatio-temporal pattern of carbon emissions and its driving factors in the Beijing-Tianjin-Hebei region[J]. Acta Ecologica Sinica, 2024, 44(6): 2270-2283.
[19]	郑子豪, 吴志峰, 陈颖彪, 等. 基于Google Earth Engine的长三角城市群生态环境变化与城市化特征分析[J]. 生态学报, 2021, 41(2): 717-729. Zheng Z H, Wu Z F, Chen Y B, et al. Analyzing the ecological environment and urbanization characteristics of the Yangtze River Delta urban agglomeration based on Google Earth Engine[J]. Acta Ecologica Sinica, 2021, 41(2): 717-729.
[20]	郭城, 陈颖彪, 郑子豪, 等. 顾及时空背景的遥感生态指数适用性分析——以粤港澳大湾区为例[J]. 地理与地理信息科学, 2021, 37(5): 23-30. Guo C, Chen Y B, Zheng Z H, et al. Applicability analysis of RSEI considering spatio-temporal background: a case study of Guangdong-Hongkong-Macao Greater Bay Area[J]. Geography and Geo-Information Science, 2021, 37(5): 23-30.
[21]	李琪, 党国锋, 鱼腾飞, 等. 基于GEE的干旱区县域生态环境质量时空变化及驱动力分析——以阿拉善左旗为例[J]. 干旱区研究, 2025, 42(2): 360-371. Li Q, Dang G F, Yu T F, et al. Spatial-temporal variation and driving forces analysis of ecological environment quality in arid counties based on GEE: a case study of Alxa Left Banner[J]. Arid Zone Research, 2025, 42(2): 360-371.
[22]	黄炜宏, 徐智新, 曾波, 等. 基于RSEI的福建省生态环境质量变化特征研究[J]. 人民长江, 2024, 55(12): 107-117. Huang W H, Xu Z X, Zeng B, et al. Research on characteristics of changes in ecological environment quality of Fujian Province based on RSEI[J]. Yangtze River, 2024, 55(12): 107-117.
[23]	钟安亚, 孙娟, 胡春明, 等. 基于RSEI的北京王平煤矿生态环境修复效果评估及预测[J]. 矿业安全与环保, 2023, 50(4): 89-96. Zhong A Y, Sun J, Hu C M, et al. Evaluation and prediction of ecological environment restoration effect of Beijing Wangping Coal Mine based on RSEI[J]. Mining Safety & Environmental Protection, 2023, 50(4): 89-96.
[24]	武旭, 王勃砚, 任伟, 等. 2000—2022年黄河流域甘肃段生态环境质量与影响因素[J]. 应用生态学报, 2025, 36(2): 353-364. Wu X, Wang B Y, Ren W, et al. Ecological environment quality and the influencing factors in Gansu section of Yellow River Basin during 2000-2022[J]. Chinese Journal of Applied Ecology, 2025, 36(2): 353-364.
[25]	权文婷, 周辉, 王卫东, 等. 2000-2023年关中平原城市群生态环境质量动态特征[J]. 水土保持研究, 2025, 32(1): 336-346, 357. Quan W T, Zhou H, Wang W D, et al. Characteristics of ecological environment quality dynamic of the urban agglomeration in Guanzhong Plain from 2000 to 2023[J]. Research of Soil and Water Conservation, 2025, 32(1): 336-346, 357.
[26]	张林杰, 蔡宏, 王小祎, 等. 贵阳市花溪区城市生态环境变化研究[J]. 测绘与空间地理信息, 2019, 42(2): 50-53, 57. Zhang L J, Cai H, Wang X Y, et al. Analysis the change of urban ecological environment in Huaxi district of Guiyang[J]. Geomatics & Spatial Information Technology, 2019, 42(2): 50-53, 57.
[27]	王锐婕, 王伦澈, 戴崴巍, 等. 长江流域生态环境质量时空演变与驱动因素分析[J]. 长江流域资源与环境, 2025, 34(8): 1797-1810. Wang R J, Wang L C, Dai W W, et al. Spatial-temporal evolution and driving force of eco-quality in Yangtze River Basin[J]. Resources and Environment in the Yangtze Basin, 2025, 34(8): 1797-1810.
[28]	宋永飞, 何原荣, 刘丽, 等. 基于Landsat-8的贺兰山生态环境质量时空演变分析[J]. 测绘科学, 2025, 50(1): 82-93. Song Y F, He Y R, Liu L, et al. Temporal and spatial evolution of ecological environment quality in Helan Mountain based on Landsat-8[J]. Science of Surveying and Mapping, 2025, 50(1): 82-93.
[29]	魏泽锋, 官云兰, 王淑婷, 等. "呼包鄂"城市群生态环境质量时空演变及驱动因素分析[J]. 环境科学, 2025, 46(11): 7172-7185. Wei Z F, Guan Y L, Wang S T, et al. Spatial-temporal evolution and driving factors of ecological quality in the "Hohhot-Baotou-Ordos" urban agglomeration[J]. Environmental Science, 2025, 46(11): 7172-7185. DOI:10.13227/j.hjkx.202409325
[30]	刘海峰, 姜彦杰, 孙竟鹏, 等. 硫酸盐冻融下沙漠砂混凝土抗冻性能及基于GM(1, 1)模型强度预测[J]. 功能材料, 2024, 55(12): 12151-12161. Liu H F, Jiang Y J, Sun J P, et al. Research on frost resistance of desert sand concrete undersulphate freeze-thawing and prediction model of strength based on GM (1, 1) model[J]. Journal of Functional Materials, 2024, 55(12): 12151-12161.
[31]	潘澔, 高尚. GM(1, 1)模型的性质及改进[J]. 山东大学学报(理学版), 2021, 56(11): 38-42, 60. Pan H, Gao S. Properties and improvement of GM (1, 1) models[J]. Journal of Shandong University (Natural Science), 2021, 56(11): 38-42, 60.
[32]	陈辅国, 郭爱请, 武爱彬, 等. 京津冀城市群城市扩张格局演变及其对生态环境质量的影响[J]. 环境科学, 2025, 46(6): 3708-3719. Chen F G, Guo A Q, Wu A B, et al. Evolution of urban expansion pattern and its impact on the quality of the ecological environment in the Beijing-Tianjin-Hebei urban agglomeration[J]. Environmental Science, 2025, 46(6): 3708-3719. DOI:10.13227/j.hjkx.202409036
[33]	张佳文, 祁帆, 张定祥, 等. 2010—2020年国家重点生态功能区生态质量改善效果评价[J]. 生态学报, 2024, 44(21): 9723-9735. Zhang J W, Qi F, Zhang D X, et al. Evaluation of the ecological quality improvement effect of the national key ecological function zones from 2010 to 2020[J]. Acta Ecologica Sinica, 2024, 44(21): 9723-9735.
[34]	赵晓燕, 李永平, 谈树成, 等. 成渝双城经济圈生态环境质量时空演变格局及其驱动力[J]. 生态学报, 2025, 45(1): 319-333. Zhao X Y, Li Y P, Tan S C, et al. Analysis of spatial and temporal evolution patterns and driving forces of ecological environment quality in Chengdu-Chongqing Economic Circle[J]. Acta Ecologica Sinica, 2025, 45(1): 319-333.
[35]	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.
[36]	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
[37]	张雨桐, 凌成星, 刘华, 等. 基于RSEI模型的大兴安岭区生态质量动态监测与评价[J]. 遥感技术与应用, 2025, 40(2): 359-367. Zhang Y T, Ling C X, Liu H, et al. Dynamic monitoring and evaluation of ecological quality in Daxing'anling District based on RSEI model[J]. Remote Sensing Technology and Application, 2025, 40(2): 359-367.
[38]	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.
[39]	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.
[40]	董洁芳, 武荣伟, 赵艳芬. 黄河流域生态环境质量时空演变及驱动力分析[J]. 水生态学杂志, 2024, 45(3): 60-69. Dong J F, Wu R W, Zhao Y F. Spatial-temporal evolution and driving force analysis of eco-environmental quality in the Yellow River Basin[J]. Journal of Hydroecology, 2024, 45(3): 60-69.
[41]	缪鑫辉, 梁勤欧. 基于遥感生态指数的甬江流域生态环境变化分析[J]. 长江流域资源与环境, 2021, 30(2): 427-438. Miao X H, Liang Q O. Analysis of ecological environment changes in Yongjiang River basin based on remote sensing ecological index[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 427-438.
[42]	李文艳, 兰安军, 范泽孟, 等. 黔中城市生态功能区生态环境质量动态评估及其驱动因素分析[J]. 地球物理学进展, 2024, 39(5): 1749-1762. Li W Y, Lan A J, Fan Z M, et al. Dynamic assessment of ecological environment quality in the ecological functional zone of central Guizhou city and its driving factor analysis[J]. Progress in Geophysics, 2024, 39(5): 1749-1762.
[43]	王经宇, 杨丽萍, 王美, 等. 陕北黄土高原生态环境质量时空变化监测及驱动力分析[J]. 环境科学, 2025, 46(7): 4522-4533. Wang J Y, Yang L P, Wang M, et al. Spatio-temporal monitoring and driving factor analysis of eco-environment quality in the Loess Plateau of northern Shaanxi[J]. Environmental Science, 2025, 46(7): 4522-4533.
[44]	郑彩之, 边振, 桑国庆. 基于遥感生态指数的济南市生态环境质量动态监测[J]. 生态科学, 2024, 43(5): 175-182. Zheng C Z, Bian Z, Sang G Q. Dynamic monitoring of ecological environment quality in Jinan based on remote sensing ecological index[J]. Ecological Science, 2024, 43(5): 175-182.
[45]	王祎宸, 贺洁, 何亮, 等. 黄河流域2001—2020年植被物候及其对气候变化的响应[J]. 生态学报, 2024, 44(2): 844-857. Wang Y C, He J, He L, et al. Vegetation phenology and its response to climate change in the Yellow River Basin from 2001 to 2020[J]. Acta Ecologica Sinica, 2024, 44(2): 844-857.


环境科学 2026, Vol. 47 Issue (9): 6279-6290	PDF