德兴市生态环境质量动态监测及其驱动因子分析

引用本文

罗璇, 陈绎安, 胡宝群, 汤江龙. 德兴市生态环境质量动态监测及其驱动因子分析[J]. 环境科学, 2026, 47(10): 6945-6958.

LUO Xuan, CHEN Yi-an, HU Bao-qun, TANG Jiang-long. Dynamic Monitoring of Ecological Environmental Quality and Analysis of Its Driving Factors in Dexing City[J]. Environmental Science, 2026, 47(10): 6945-6958.

德兴市生态环境质量动态监测及其驱动因子分析

罗璇^1,2, 陈绎安³, 胡宝群³, 汤江龙⁴

1. 江西省国土空间调查规划研究院，南昌 330025;
2. 自然资源部鄱阳湖流域生态保护红线野外科学观测研究站，南昌 330025;
3. 东华理工大学地球与行星科学学院，南昌 330013;
4. 东华理工大学测绘与空间信息工程学院，南昌 330013

收稿日期: 2025-08-13; 修订日期: 2025-10-24

基金项目: 江西省自然科学基金重点项目（20152ACB20015）

作者简介: 罗璇（1983~），女，硕士，高级工程师，主要研究方向为国土空间规划、资源环境保护和耕地保护等，E-mail：19702582@qq.com

通信作者: 陈绎安, E-mail：asyianchen@163.com; 胡宝群, E-mail：bqhu@ecut.edu.cn

摘要: 对矿业城市开展生态环境质量长时序监测，并深入探究其驱动机制，对于推动区域绿色发展和生态环境保护具有重要意义. 构建融合土壤侵蚀与大气污染指标的改进遥感生态指数（MRSEI）以量化生态环境质量，结合Theil-Sen Median趋势分析、Mann-Kendall显著性检验和Hurst指数分析，系统评估2000~2023年德兴市生态环境质量的时空演变特征并预测其未来变化趋势. 进而借助XGBoost-SHAP模型识别影响MRSEI的外部驱动因子及其非线性作用，并进一步揭示内部指标因子对其的阈值效应. 结果表明：①德兴市生态质量等级总体以优、良和中等为主，其中等级为良的区域面积占比超过50%，以林地为主体；差和极差区域占比不足10%，集中于北部城镇与矿区. ②全域MRSEI整体呈先升后降趋势，东部和西部提升显著，北部城镇建成区和矿区显著下降，南部林地呈不显著下降. 84.39%的区域未来将延续当前变化趋势. ③林地面积占比是MRSEI最主要的正向驱动因子，城镇用地、耕地、裸地面积占比及人口密度则对其产生负向影响. ④2015~2023年间土壤侵蚀对MRSEI贡献增强，将侵蚀强度控制在1.07×10³ t·（km²·a）^-1以下是提高MRSEI水平的关键阈值. 德兴市未来应加强城镇与矿区边界管控，持续推进矿山生态修复，重点提升南部林地质量，以实现生态环境持续改善. 研究可为德兴市及其他矿业城市的生态环境监测、管理与保护工作提供相关参考与借鉴.

关键词: 改进遥感生态指数（MRSEI）生态环境质量 XGBoost-SHAP模型驱动因子德兴市

Dynamic Monitoring of Ecological Environmental Quality and Analysis of Its Driving Factors in Dexing City

LUO Xuan^1,2 , CHEN Yi-an³ , HU Bao-qun³ , TANG Jiang-long⁴

1. Jiangxi Institute of Land Space Survey and Planning, Nanchang 330025, China;
2. Field Scientific Observation and Research Station for Ecological Protection Red Line in Poyang Lake Basin of the Ministry of Natural Resources, Nanchang 330025, China;
3. School of Earth and Planetary Sciences, East China University of Technology, Nanchang 330013, China;
4. School of Surveying and Geoinformation Engineering, East China University of Technology, Nanchang 330013, China

Abstract: Long-term monitoring of ecological environmental quality in mining cities and the investigation of its driving mechanisms are of great significance for promoting regional green development and ecological protection. A modified remote sensing ecological index (MRSEI), integrating indicators of soil erosion and air pollution, was constructed to quantify ecological environmental quality. The Theil-Sen Median trend analysis, Mann-Kendall significance test, and Hurst exponent analysis were used to assess the spatiotemporal patterns and future trends of ecological environmental quality in Dexing City from 2000 to 2023 and predict the future trend. Additionally, the XGBoost-SHAP model was employed to identify the dominant external driving factors of MRSEI and quantify their nonlinear effects, as well as to assess the threshold effects of its component indicators. The results showed that: ① The ecological environmental quality was predominantly rated as excellent, good, or moderate. Areas rated as "good" accounted for over 50% of the total area and were mainly distributed in forests, while areas rated as "poor" and "very poor" made up less than 10%, mainly concentrated in northern urban and mining zones. ② The MRSEI showed an overall trend of initial improvement followed by decline. Significant improvements were observed in the eastern and western regions, while substantial degradation occurred in northern urban and mining areas. The southern forested region exhibited a slight, non-significant decline. Approximately 84.39% of the area was projected to maintain its current MRSEI trend in the future. ③ Forest ratio was the most important positive driver of MRSEI, whereas urban land ratio, cropland ratio, bare land ratio, and population density had negative impacts. ④ From 2015 to 2023, the contribution of soil erosion on MRSEI increased. A soil erosion intensity below 1.07×10³ t·(km²·a)^-1 was identified as a critical threshold for improving ecological environmental quality. To promote long-term ecological improvement, this city should strengthen boundary control between urban and mining areas, continue ecological restoration of mines, and focus on enhancing forest land quality. The study aims to offer valuable references for the monitoring, management, and conservation of the ecological environment in Dexing City and other mining cities.

Key words: modified remote sensing ecological index (MRSEI) eco-environmental quality XGBoost-SHAP model driving factors Dexing City

在“两山”理论和高质量发展战略引领下，矿业城市绿色转型和矿区生态修复已成为国家生态文明建设的重要领域^[1]，社会公众对矿业城市的环境问题的关注也日益增强. 相较于一般城市，矿业城市所面临的生态环境问题更具复合性、累积性与空间异质性^[2]：一方面，社会经济发展和人口增长带来普遍性的环境压力，另一方面，长期高强度的矿山开采引发景观结构破坏、植被退化、大气污染和重金属污染等生态环境问题^[3]，显著加剧区域生态环境质量退化. 因此，针对矿业城市的生态环境质量开展长时序的动态监测，可总结其演变特征，识别亟需开展生态管控的区域；解析生态环境质量变化的驱动因子，有助于制定精确、有效的环境管理政策. 这对维护区域生态安全和实现矿业城市可持续发展具有重要理论与实践价值.

遥感技术（remote sensing，RS）因其高精度、高时相、覆盖范围广和数据易获取等特点而广泛应用于生态环境监测与评估中^[4]. 随着科技的进步与相关研究的持续发展，各种遥感指数应运而生，包括植被指数、水体指数、大气污染指数和土壤水分指数等^[5]，它们在监测目标物的空间形态、空间分布与动态演变中体现出了明显优势. 2013年，徐涵秋^[6]提出了集成绿度、湿度、干燥度和热度这4个方面的遥感生态指数（remote sensing ecological index，RSEI）来综合表达生态环境质量，该做法弥补了传统遥感指数只能描述单一特征物的不足. 而RSEI也凭此优势得以推广与应用，并随着研究范围的扩大与研究的深入开展而不断改进. 为适应研究区域的自然地理特征或生态环境问题，在原有4项指标的基础上引入新的指标因子，是当前较主流的RSEI改进方法，其旨在提高区域生态评价的准确性. 不同地区的新指标因子具有不同考量，具体为：在生物多样性较丰富的地区引入生物丰度指数^[7]和生境质量^[8]；在干旱与半干旱地区，荒漠化指数（表土粒度指数）^[7，9]和盐度指数^[10，11]是主要考虑的指标因子；在岩溶地区引入石漠化指数^[12]；在快速城镇化地区，则侧重考虑土地利用与人口分布^[13]对RSEI的影响；在矿区生态环境质量评价的指标选取上，已有研究在空气质量^[14]、土壤侵蚀^[15]和土壤重金属污染^[16]方面进行了初步尝试与探索，为研究提供良好的思路与基础.

基于生态环境质量动态演变分析，进一步探讨生态环境质量演变背后的关键影响因素，对深入理解其内在关系和制定精准化治理策略具有重要启示. 目前，已有多种分析方法应用于此，主要包括Pearson或Spearman相关性分析^[17]、地理加权回归^[18，19]、地理探测器^[20，21]和基于机器学习的非线性回归^[22，23]等. 这些方法在探索自变量与因变量之间的正负相关性、空间关联性和关联强度等特征中均体现出了各自的优势. 已有研究指出，不同影响因素对生态环境的作用往往呈现出复杂性和非线性特征^[24]. 然而，当前对生态环境质量的驱动研究仍较多依赖于地理加权回归或地理探测器等空间分析手段的使用，基于机器学习的非线性建模仍需进一步地探讨.

作为中国重要的有色金属和贵金属资源基地之一，德兴市的生态环境质量受到工业经济发展与露天矿山开采活动的显著影响，土地损毁、水土流失和空气污染等成为该区域较突出的环境问题. 为此，基于多源数据，在原RSEI的基础上引入了土壤侵蚀（soil erosion，SE）和PM_2.5因子，构建改进遥感生态指数（modified remote sensing ecological index，MRSEI），用以评估与监测2000~2023年研究区域24 a的生态环境质量. 进而使用Theil-Sen median趋势分析和Mann-Kendall显著性检验方法，系统分析生态环境质量的时空演变特征，并计算Hurst指数以预测其未变趋势. 最后，利用XGBoost-SHAP模型揭示影响生态环境质量的外部驱动因子及其非线性作用，并分析内部指标因子对MRSEI的阈值效应. 本文旨在为德兴市和其他矿业型城市的生态环境监测、评价与管理提供相关的参考与借鉴.

1 材料与方法 1.1 研究区域

德兴市位于江西省东北部，属于亚热带季风气候. 如图 1所示，全域地势主要表现为东南高、西北低. 土地利用类型的分布特征为：农田和城镇集中在西部与北部，东部和南部区域多森林植被，裸地集中在采矿区内. 该市矿山开采和工矿业发展历史悠久，是典型的矿业型城市. 境内矿山分布较多，截至2020年底，全市列入2020年矿产资源储量表的矿区有57个（http://www.dxs.gov.cn/）. 金属矿产主要集中在镇域北部，以德兴铜矿、银山铅锌矿和金山金矿为典型代表；以大理岩和花岗岩为主的非金属矿产则多分布于南部和西部地区. 矿山开采方式以露天式为主. 在长期的矿产资源开发过程中，德兴市产生了矿山土地损毁、水土流失和矿山三废排放等生态环境问题.

图 1 研究区域高程和土地利用类型分布 Fig. 1 Distribution of DEM and land use types in study area

1.2 数据来源与预处理

本研究采用多源数据，包括基于Landsat卫星反演获得的遥感数据、气象数据、土壤数据以及社会经济数据，具体数据来源与说明详见表 1. 年均温和年降水数据由逐月栅格数据统计得到. 所有数据均经过投影统一处理，原始空间分辨率为1 km的数据通过双线性插值法重采样至30 m，以保证数据空间的一致性.

表 1 数据来源 Table 1 Data resource

1.3 研究方法 1.3.1 改进遥感生态指数构建

RSEI目前使用最多的生态环境质量评估模型^[25]，其主要因子包括绿度、湿度、干燥度和热度. 德兴市作为一座典型的矿业城市，在评价其生态环境质量时应充分考虑矿业发展对城市生态环境的影响. 露天矿山开采常导致地表裸露、水土流失、空气污染和扬尘等不良环境效应，因此在RSEI原有的指标因子基础上加入土壤侵蚀因子^[26]和PM_2.5因子^[27]构建MRSEI的指标体系. 首先，分别计算MRSEI的各项指标因子，其中：绿度以NDVI为指标，湿度以缨帽变换获得的湿分量（WET）表示，干燥度和热度分别由NDBSI和LST参数表示，PM_2.5以DI指数^[27，28]表示，以上5个指标的数据均基于GEE平台利用Landsat系列卫星反演获取；SE则是在ArcGIS软件上利用修正通用土壤侵蚀模型（revised universal soil loss equation，RUSLE）^[29，30]计算得到. 其次，对6项指标因子进行标准化处理以消除不同量纲对MRSEI的影响. 最后，采用主成分分析（principal component analysis，PCA）方法来确定各个指标的权重，求得MRSEI. 表 2列出了各项指标因子和MRSEI的具体计算公式.

表 2 MRSEI各项指标因子计算公式 Table 2 Calculation formulas of MRSEI indicator factors

指标	计算公式	参数含义
NDVI	$N D V I = \frac{(B_{n i r} - B_{r e d})}{(B_{n i r} + B_{r e d})}$	B_nir和B_red分别为近红外波段和红波段反射率^{[6, 27]}
WET	$ \begin{aligned} \mathrm{WET}_{\mathrm{TM}}= & 0.310\;2 B_{\text {red }}+0.159\;4 B_{\text {nir }}+0.031\;5 B_{\text {blue }}+ \\ & 0.020\;1 B_{\text {green }}-0.686\;6 B_{\text {swir1 }}-0.610\;9 B_{\text {swir2 }} \\ \mathrm{WET}_{\text {ETM }+}= & 0.328\;3 B_{\text {red }}+0.065\;6 B_{\text {nir }}+0.262\;6 B_{\text {blue }}+ \\ & 0.214\;1 B_{\text {green }}-0.762\;9 B_{\text {swir1 }}-0.538\;8 B_{\text {swir2 }} \\ \mathrm{WET}_{\text {OLI }}= & 0.328\;3 B_{\text {red }}+0.340\;7 B_{\text {nir }}+0.151\;1 B_{\text {blue }}+ \\ & 0.197\;3 B_{\text {green }}-0.711\;7 B_{\text {swir1 }}-0.455\;9 B_{\text {swir } 2} \end{aligned} $	WET_TM、WET_{ETM +}和WET_OLI分别对应Landsat TM、Landsat ETM+和Landsat OLI影像的湿度，B_blue、B_green、B_red、B_nir、B_swir1和B_swir2分别为蓝、绿、红波段、近红外波段、中红外波段1和中红外波段2的反射率^{[6, 27]}
LST	$ \begin{aligned} \mathrm{LST}_{\text {TM }, \mathrm{ETM}+} & =\frac{T_{\text {sen }}}{1+\left(\frac{\lambda T_{\text {sen }}}{\rho}\right) \ln \varepsilon}-273.15 \\ \mathrm{LST}_{\text {OLI }} & =\frac{T_{\text {sen }}^2}{b L_{\text {senor }}} \times \frac{\varphi_1 L_{\text {senor }}+\varphi_2}{\varepsilon+\varphi_3}+T_{\text {sen }}-\frac{T_{\text {sen }}^2}{b L_{\text {senor }}} \end{aligned} $	LST_TM、LST_{ETM +}和LST_OLI分别对应Landsat TM、Landsat ETM+和Landsat OLI影像的地表温度，b为常数，T_sen为传感器探测到的亮度温度，L_senor为传感器测得的辐射亮度，φ₁、φ₂和φ₃为常数，ε为地表比辐射率，λ为热红外波段的波长，ρ为常数^{[6, 27]}
NDBSI	$ \begin{gathered} \text { NDBSI }=\frac{(\mathrm{IBI}+\mathrm{SI})}{2} \\ \mathrm{IBI}=\frac{\frac{2 B_{\text {swirl }}}{B_{\text {swirl }}+B_{\text {nir }}}-\left(\frac{B_{\text {nir }}}{B_{\text {nir }}+B_{\text {red }}}+\frac{B_{\text {green }}}{B_{\text {green }}+B_{\text {swirl }}}\right)}{\frac{2 B_{\text {swirl }}}{B_{\text {swirl }}+B_{\text {nir }}}+\left(\frac{B_{\text {nir }}}{B_{\text {nir }}+B_{\text {red }}}+\frac{B_{\text {green }}}{B_{\text {green }}+B_{\text {swirl }}}\right)} \\ \mathrm{SI}=\frac{\left(B_{\text {swirl }}+B_{\text {red }}\right)-\left(B_{\text {nir }}+B_{\text {blue }}\right)}{\left(B_{\text {swirl }}+B_{\text {red }}\right)+\left(B_{\text {nir }}+B_{\text {blue }}\right)} \end{gathered} $	B_blue、B_green、B_red、B_nir、B_swir1和B_swir2分别为蓝、绿、红波段、近红外波段、中红外波段1和中红外波段2的反射率^{[6, 27]}
DI	$D I = B_{r e d} - B_{n i r}$	B_red和B_nir分别为红波段和近红外波段的反射率^{[27, 28]}
SE	$S E = R \times K \times C \times P \times L \times S$	R为降水侵蚀力因子，K为土壤可蚀性因子，C为植被覆盖因子，P为水土保持措施因子，L为坡长因子，S为坡度因子^{[29, 30]}
MRSEI	$ \begin{aligned} \mathrm{MRSEI}= & w_1 \times \mathrm{NDVI}+w_2 \times \mathrm{WET}+w_3 \times \mathrm{NDBSI}+ \\ & w_4 \times \mathrm{LST}+w_5 \times \mathrm{DI}+w_6 \times \mathrm{SE} \end{aligned} $	w₁、w₂、w₃、w₄、w₅和w₆分别表示各个指标因子的权重系数. 权重系数由PCA方法得到

表 2 MRSEI各项指标因子计算公式 Table 2 Calculation formulas of MRSEI indicator factors

MRSEI的取值区间为[0, 1]，越接近1说明区域的生态环境质量越好. 为了直观地比较MRSEI的时空分布特征，以0.2为间距^[31]将MRSEI划分为5个等级：极差[0，0.2）、差[0.2，0.4）、中等[0.4，0.6）、良[0.6，0.8）和优[0.8，1]. 本研究时间为2000~2023年共24 a，按照等间隔的方式将研究时间划分为2000~2004年、2005~2009年、2010~2014年、2015~2019年和2020~2023年这5个时段.

1.3.2 历史趋势分析

结合Theil-Sen Median趋势分析和Mann-Kendall（M-K）显著性检验来评估MRSEI在2000~2023年24 a的总体演变趋势及其稳定性^[26]. 趋势分析与显著性检验借助R语言平台实现，计算公式如下所示[公式（1）~（4）]. 根据趋势分析和M-K显著性检验的结果，可将MRSEI的总体变化趋势类型划分为5类^[8]（表 3）.

β = M e d i a n (\frac{X_{j} - X_{i}}{j - i}), 2000 \leq i < j \leq 2023

(1)

$ Z= \begin{cases}\frac{S-1}{\sqrt{\operatorname{Var}(S)}}, & S>0, \\ 0, & S=0, \\ \frac{S+1}{\sqrt{\operatorname{Var}(S)}}, & S<0 .\end{cases} $

(2)

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

(3)

S = \sum_{i = 1}^{n - 1} \sum_{j = i + 1}^{n} \{\begin{matrix} 1, & x_{j} - x_{i} > 0, \\ 0, & x_{j} - x_{i} = 0, \\ - 1, & x_{j} - x_{i} < 0 . \end{matrix}

(4)

式中，β为斜率，Median（）为取中值，X_i和X_j分别为年份i和j的MRSEI，Z为检验统计量，Var（S）为S的方差.

表 3 MRSEI的历史变化趋势类型 Table 3 MRSEI change trend classification

β	Z标准化统计量	MRSEI
β < 0	$\|Z\|$ > 1.96	显著降低
β < 0	$\|Z\|$ ≤ 1.96	不显著降低
β = 0	—	保持稳定
β > 0	$\|Z\|$ ≤ 1.96	不显著提高
β > 0	$\|Z\|$ > 1.96	显著提高

表 3 MRSEI的历史变化趋势类型 Table 3 MRSEI change trend classification

1.3.3 未来趋势预测

引入Hurst指数，根据2000~2023年MRSEI数据来预测德兴市MRSEI的未来变化趋势. Hurst指数（H）一般介于0~1之间，当H = 0.5时，过去和未来的趋势之间不存在相关性；当0 < H < 0.5时，趋势在未来出现反持续性，而0.5 < H < 1则表明未来将保持现状趋势^[8].

1.3.4 MRSEI的外部因子驱动与内部指标因子贡献

NDVI、NDBSI、WET、LST、SE和PM_2.5指标是MRSEI的核心构成要素，与其存在直接关系. 而自然条件、土地利用和社会经济等外部因子则代表了生态环境质量演变的外部驱动力，能够独立解释MRSEI的时空差异. 因此，研究将内部指标因子与外部驱动因子分开进行回归分析，旨在实现两个分析目标：一是揭示外部驱动因子对MRSEI的相对重要性、非线性作用和交互效应，二是解析6项内部指标因子对MRSEI的贡献机制与阈值效应.

回归建模方法采用XGBoost模型，近年来，该模型越来越广泛地应用到生态领域的驱动因子分析中^[32~34]. 它是一种优化的分布式梯度提升决策树算法，在回归预测应用中具有多种优势，例如在小数据集上表现良好、能够并行处理实现快速性能和防止过度拟合等^[34，35]. 并引入SHAP分析用于解释XGBoost模型回归的结果，其主要通过SHAP值来量化每个自变量对因变量的影响^[23].

实验将数据集划分为70%的训练集和30%的验证集，采用10折交叉检验和和随机网格搜索方法进行参数调整优化，并以RMSE、R²和MAE作为模型性能的评价指标.

2 结果与分析 2.1 MRSEI的时空演变特征

如图 2所示，2000~2023年研究区域的MRSEI等级以优、良和中等为主；其中，等级为良的面积占比长年保持在50%以上；等级为差和极差的面积总占比不超过10%. 全域的MRSEI均值经历了先提高、后降低的趋势（图 2），2010~2014年全域MRSEI均值最高（图 3）.

图 2 2000~2023年全域MRSEI均值及其不同等级类型面积占比的年际变化 Fig. 2 Interannual variation of the mean MRSEI and the area proportions of different MRSEI levels from 2000 to 2023

图 3 各时期MRSEI的空间分布特征 Fig. 3 Spatial distribution characteristics of MRSEI in different periods

不同等级的MRSEI呈现出了明显的空间异质性（图 3），体现为：等级为良的区域面积覆盖较广，土地利用类型以森林和灌木为主；等级为中等的区域集中分布于农田地区；北部的建设用地和裸地（金属矿区）的MRSEI等级为差或极差，说明该区域工矿业发展对生态环境质量造成较明显的影响. 境内生态环境质量最差的地区位于德兴铜矿，并出现面积扩张态势，2015~2019年生态环境质量表现最差，等级以极差为主，而2020年后逐渐改善，转变为差.

2.2 MRSEI历史变化趋势的空间分布特征

分析MRSEI的历史变化趋势，结果如图 4所示. 全域保持稳定的区域面积占比小，仅为14.02%. 呈现出提高状态的区域占50.88%，其中，显著提高的区域占7.09%，集中分布在西部地区；不显著提高的区域占43.79%，集中在北部和东部地区，土地利用类型为森林和灌木. 中部地区则以降低趋势为主，占比35.10%，该地区南部的森林的MRSEI呈现出不显著降低，该区域的林地质量不高，林分结构较差，多为低质低效林；北部的矿区和建设用地的MRSEI显著降低. 尽管大部分矿区的变化趋势以下降为主，但德兴铜矿局部区域的MRSEI则出现了提高态势，主要得益于近年来德兴铜矿绿色矿山和数字矿山的积极建设，以及相关生态修复政策措施的稳步落实.

图 4 2000~2023年德兴市MRSEI的变化趋势 Fig. 4 MRSEI change trends in Dexing City from 2000 to 2023

2.3 MRSEI的未来趋势

Hurst指数分析结果显示，全域MRSEI的Hurst指数均值为0.65，未来变化趋势以持续性为主，其面积占比约84.39%；反持续性的区域面积比例较小且分布分散[图 5（a）]. 结合趋势检验和Hurst指数分析结果，将MRSEI的未来变化趋势划分为9种类型（表 4）. 在未来，境内有43.06%的区域将持续地不显著提高，主要是东部和西部的森林；30.46%的区域呈现出不显著降低趋势，集中在南部的森林；北部的城镇和工矿用地将保持持续性显著降低[图 5（b）].

图 5 MRSEI未来变化趋势的空间分布特征 Fig. 5 Spatial distribution of future MRSEI change trends

表 4 MRSEI的未来变化趋势类型 Table 4 Future trend types of MRSEI

2.4 MRSEI的外部驱动因子

MRSEI通常受到自然系统和人类社会系统等外部因子的双重影响^[36，37]. 因此，从自然条件、土地利用和社会经济3个层面选取了10项驱动因子，其中，自然条件因子包括高程（DEM）、年降水（Pre）和年均温（Tem）；土地利用因子包括林地面积占比（Forest）、耕地面积占比（Crop）、城镇用地面积占比（City）和裸地面积占比（Bare）；社会经济因子包括地区生产总值（GDP）和人口密度（Pop）. 借鉴相关研究^[38]，以500 m ×500 m的网格统计不同时段内MRSEI及其驱动因子的均值，以分析各因子的驱动作用及其非线性作用. 外部驱动因子的XGBoost-SHAP模型建模性能评价指标结果见表 5.

表 5 XGBoost-SHAP模型性能指标 Table 5 Performance metrics of the XGBoost-SHAP model

2.4.1 外部主导驱动因子的识别

图 6（a）展示了不同时期10项驱动因子的重要性排序，图 6（b）则展示了2000~2023年各驱动因子对MRSEI的总体重要性排序及其作用方向. 选取前5项因子作为MRSEI的主导驱动因子进行分析.

（a）各个时期MRSEI外部驱动因子重要性排序；（b）2000~2023年MRSEI外部驱动因子重要性与蜂群图，（b1）重要性图和（b2）蜂群图；在蜂群图中，当高因子值（黄色）主要分布在负X轴时，表示该因子对MRSEI起负向效应，因子值的增大将导致MRSEI降低图 6 MRSEI外部驱动因子的重要性图与蜂群图 Fig. 6 Contribution mechanisms of the component indicators to MRSEI and their threshold effects

计算24 a的变量均值，代入XGBoost-SHAP模型，求取各项驱动因子对MRSEI的总体重要性[图 6（b1）]. 结果显示，土地利用因子对MRSEI具有显著的驱动作用，其中Forest是最关键的驱动因子，其 $|S H A P|$ 均值明显大于其他因子；其余主导因子的重要性排序依次为City、Crop、Bare和Pop. 这5项因子在不同时期均保持为主导驱动因子，但重要性排序具有差异性，具体表现为：Forest的重要性始终居于首位；而City、Bare、Crop和Pop的重要性排序在不同时期有所变化；Bare的相对重要性呈提高趋势，反映出矿山开采活动对德兴市生态环境质量的影响作用逐渐增强[图 6（a）]. 总体而言，研究区域的生态环境质量更多受人类活动的影响，如城镇建设、耕地开垦和矿产开发等地表改造行为，自然因子的影响较弱.

进一步分析MRSEI对各项驱动因子的响应方向[图 6（b2）]，当高因子值（黄色）集中落在SHAP负值区域时，表明该项驱动因子对MRSEI产生负向效应，反之则为正向效应. 结果显示，Forest对MRSEI起明显的正向作用，而City和Bare表现出显著的负向效应，其余因子的作用方向不明显，需要结合非线性分析进一步探讨.

2.4.2 外部驱动因子的非线性作用

如图 7所示，10项驱动因子对MRSEI呈现出了明显的非线性效应. Forest对MRSEI具有显著的正向改善作用. City、Crop和Bare对MRSEI呈负向驱动，当其值分别达到0.40、0.31和0.47后，其增长对MRSEI的降低作用趋于平缓. Pop对MRSEI产生负向影响的关键阈值为1.66×10³人·km^-2，超过阈值后，其边界效应接近0. 同时，Bare增加引起的MRSEI下降幅度明显大于City、Crop和Pop. DEM对MRSEI表现为正向驱动；Shrub在低于0.12时对MRSEI具有负向作用，超过该阈值后MRSEI有所回升. 当Pre和Tem分别超过1.76×10³ mm和18.21 ℃后，二者的增大将降低MRSEI.

图 7 MRSEI对外部驱动因子的非线性响应 Fig. 7 Nonlinear responses of MRSEI to external driving factors

2.4.3 外部驱动因子的交互效应

图 8反映了5项主导驱动因子间的交互作用关系. 散点在垂直方向上的离散程度越大，表明二者的交互作用越强；而SHAP值< 0表明该交互作用对MRSEI产生负向效应. 分析发现，当Forest < 0.25时，其与City、Crop、Bare和Pop的交互作用均对MRSEI产生负向效应. 不同的是，Forest与Bare高值的SHAP值最低，说明二者之间的交互作用对MRSEI的负向影响最强；与Crop所产生的负向效应最弱；与City和Pop的交互作用相似，负向效应强度中等. 当Forest超过0.50时，其单因子主导作用增强，SHAP值由负转正，MRSEI呈现出提高趋势. 此外，City与Crop、Bare和Pop之间的交互作用整体较弱. Crop与Bare和Pop的之间交互较强，Crop越小，Bare和Pop越大，对MRSEI的负向影响越显著.

图 8 MRSEI外部主导驱动因子的交互效应 Fig. 8 Interaction effects of dominant external driving factors on MRSEI

2.5 MRSEI内部指标因子的阈值效应

为探索不同时间段内6项内部指标因子对MRSEI的内在贡献机制及阈值效应，同样基于XGBoost-SHAP模型进行回归分析，结果见图 9.

图 9 MRSEI内部指标因子的贡献机制及其阈值效应 Fig. 9 Contribution mechanisms of the component indicators to MRSEI (a) and their threshold effects (b)

除2005~2009年，NDVI对MRSEI的贡献始终最突出，其次是NDBSI；2015年后，SE对MRSEI的贡献作用有所增强[图 9（a）]. NDVI和WET对MRSEI主要表现为正向贡献，其余4项指标因子则呈负向贡献，且各指标因子均表现出明显的非线性效应. 当NDVI超过0.21后，MRSEI明显提高；当ρ（PM_2.5）高于39.41 μg·m^-3时，MRSEI急剧下降；同样的，当SE在0.53×10³~1.07×10³ t·（km²·a）^-1范围内，MRSEI也出现显著下降[图 9（b）].

3 讨论 3.1 MRSEI的适应性检验

计算2000~2023年德兴市的RSEI与MRSEI的均值进行对比分析，结果如图 10所示. MRSEI和RSEI二者Pearson相关系数为0.947 4（P < 0.001），表明二者存在显著的正相关关系；并呈现出较相似的空间分布格局[图 10（a）和10（b）]. 不同的是，通过计算二者差值发现，RSEI在一定程度上高估了矿区和南部森林的生态环境质量[图 10（c）]. 为更全面地对比MRSEI和RSEI的差异，选取了城镇、矿区、农田和森林这4类典型土地利用区域，分别计算两种指数在这些地区的信息熵. 较高的熵值反映图像具备更高的信息复杂度和丰富度^[39]. 结果显示[图 10（d）]，在城镇和农田地区，MRSEI和RSEI的熵值十分接近；而在矿区和森林地区，MRSEI的熵值明显高于RSEI，说明MRSEI在这些区域具有更强的信息表达能力和区分度. 德兴市水土流失较明显的区域主要集中在德兴铜矿和南部的林地，同时矿区的空气污染较其他地区也更为突出. 综合来看，MRSEI更好地刻画了这两类用地的生态环境质量.

图 10 MRSEI与RSEI的对比分析 Fig. 10 Comparison of MRSEI and RSEI

与现有研究对比，钟安亚等^[40]对德兴市的NDVI开展了长时序的动态监测，发现南部的NDVI出现退化趋势，同样指出应加强对该区域林地的关注. 在2015~2019年间，德兴铜矿的生态环境质量最差，而2020~2023年有所转好. 钟安亚等^[40]的研究进一步指出，2018年是矿区生态修复的关键节点，自此区域植被覆盖状况向好，这与研究结果较为一致，也间接验证了研究结果的可靠性.

3.2 MRSEI的外部驱动与内部贡献

本研究使用XGBoost-SHAP模型分别探讨了MRSEI的外部因子的驱动机制，以及内部指标因子的贡献机制及其阈值效应.

在外部驱动因子方面，相关研究表明，区域的生态环境质量受多种复杂因素的影响，不同地域的主导驱动因子存在差异. 例如，在干旱、半干旱地区，降水和气温等气候因子的影响更加突出^[41，42]；而在水热条件较好的湿润地区，人为因素（如社会经济水平、土地利用类型等）的作用则更加显著^[43~45]. 本研究结果进一步验证了土地利用类型对区域MRSEI的重要驱动作用. 林地通常具有水土保持、涵养水源、净化空气和维持生态多样性等多种生态功能^[46]，也具有较高的NDVI值，对区域生态环境质量带来显著的提升作用. 相反，城镇用地和裸地（矿区）的扩张普遍威胁生态环境质量，已有相关研究^{[27，31，47]}同样论证了这一说法. 研究期间内，德兴市在矿区逐渐实施了包括立体植被生态系统重建、排土场与边坡整治和林地占补平衡等多项生态修复政策与措施，有效提高了局部的生态环境质量. 但是，城镇建设面积和矿山的开采面积的明显扩张，导致原本的林地和灌木被人造地表取代，直接导致区域植被覆盖率的降低，生态环境质量恶化. 在气候因子方面，适宜的水热条件有利于植被生长，但德兴市良好的水热条件使得MRSEI的空间分异并不受二者明显的限制，因此在关键因子识别中，其驱动作用并不显著. 吴健达等^[48]的研究同样指出，在矿业城市中，人为因子对区域生态环境质量表现出非常显著的影响作用，自然因子的作用则相对减弱. 年降水和年均温的非线性回归分析表明，当年二者在一定的阈值范围内时，MRSEI可维持高水平；但超出范围后，MRSEI出现下降态势. 过多的降水可能导致水土流失^[49]，气温的升高可能加剧土壤水分蒸发和植被蒸腾，进而对区域的生态环境质量造成负面影响.

关于外部驱动因子之间的交互作用，如2.4.3节所示，当Forest处于低水平时，其与City、Crop和Bare之间的交互作用均会降低MRSEI；但其与Bare的负向交互最强，与Crop交互最弱，与City交互中等. 这可能源于不同地类的植被覆盖水平与人类活动强度差异：裸地（矿区）的植被覆盖率最低，加上矿区内的人类活动，包括但不限于工业生产、运输和矿山开采等，将对生态环境质量产生更明显的不良效应. 城镇用地的植被覆盖率虽高于裸地，且常伴随一定程度的绿化管理，但其生态效益仍较为有限. 而耕地的植被覆盖率虽然不及森林，但禾本植物或其他农作物的种植使该地类的植被覆盖率高于城镇用地和裸地^[44]，人类的改造活动强度也弱于二者. 因此，当森林等自然植被较少时，耕地扩张导致的MRSEI退化将明显弱于城镇和工矿用地扩张. 上述分析均表明了土地利用对研究区域生态环境质量的显著影响. 因此，合理划定并严格管控城镇开发边界与矿区开采边界，合理规划土地用途，对未来维持与提高区域的生态环境质量具有重要意义.

在MRSEI的内部指标因子贡献机制的分析中，NDVI对MRSEI具有较高的贡献度，这也从侧面验证了林地对区域生态环境质量的重要作用. 2000~2023年间，研究区域的总体MRSEI呈现出先提高后降低的态势，这可能与南部地区的MRSEI出现较大面积的下降密切相关. 其原因一方面在于该区域NDVI的降低^[40]；另一方面，该区域的水土流失现象较明显，在近两个时期中（2015~2019年和2020~2023年），SE对MRSEI的贡献增强，表明在未来有必要加强水土流失治理工作. 在推进城市生态治理的过程中，德兴市不仅要关注矿山开发的问题，也要着重关注对林地质量的动态监测与相关改善措施的实施，将土壤侵蚀强度控制在1.07×10³ t·（km²·a）^-1以下时，可为区域MRSEI的提高带来显著的效应.

3.3 不足与展望

尽管MRSEI计算中考虑了空气污染和水土流失的影响，但矿区开采通常对土壤、水和空气均造成污染. 由于水污染和土壤重金属污染数据较难获取，研究并未将其纳入遥感生态指数的构建中，这也是未来在矿区和矿业城市生态环境评价中需要进一步考虑和改进的地方.

受限于研究区域范围，较高精度的长时序的人口分布与GDP栅格数据难以获取，研究中采用的部分数据为1 km空间分辨率，在解析驱动机制时可能引入一定的误差. 此外，政策支持与财政投入同样对生态环境质量具有重要的影响，但因难以量化而未列入驱动因子的分析中. 同时，研究基于2000~2023年24 a的均值评估了驱动因子对MRSEI的整体非线性作用，该做法可能未能充分反映时间的动态变化. 研究利用XGBoost-SHAP模型识别了MRSEI的整体关键驱动因子；而牛鸿波等^[50]和Wang等^[51]则通过对比网格内的因子重要性得分，进一步揭示了关键驱动因子的空间异质性，该方法可为未来分区制定管理政策提供重要参考.

4 结论

（1）全域MRSEI等级以优、良和中等为主，其中等级为良的区域面积占比最大，保持在50%以上且分布广泛；等级为差和极差的地区占比不超过10%，集中在北部的城镇和矿区.

（2）2000~2023年间，区域MRSEI变化呈现先升后降的总体趋势. 其中，东部和西部地区表现出明显的提升态势；虽然矿区局部有所提高，但北部城镇建成区和矿区总体呈现显著下降趋势，该地区需开展生态管控，加大生态修复力度. 南部地区MRSEI以不显著降低为主. 预测显示，未来84.39%的区域将延续现有的MRSEI变化趋势.

（3）林地面积占比是MRSEI最主要的正向驱动因子，而城镇用地面积占比、耕地面积占比、裸地面积占比和人口密度则对其产生负向影响. 当林地面积占比低于0.25时，其与这4项负向驱动因子之间的交互作用会加剧对MRSEI的负面影响.

（4）NDVI是MRSEI内部指标因子中贡献最大的因子，2015~2023年土壤侵蚀指标对区域MRSEI的贡献有所增强，将侵蚀模数控制在1.07×10³ t·（km²·a）^-1以下对提高MRSEI具有重要作用. 该市未来应强化城镇开发边界与矿区边界管控，持续推进矿山生态修复，重点提升南部林地质量，提升水土保持能力.

参考文献

[1]	吴尚遇, 魏建兵, 何志豪, 等. 矿业城市生态风险评价研究进展[J]. 安全与环境工程, 2022, 29(1): 207-217. Wu S Y, Wei J B, He Z H, et al. Research progress in ecological risk assessment of mining cities[J]. Safety and Environmental Engineering, 2022, 29(1): 207-217.
[2]	李绥, 高鹏, 石铁矛, 等. 矿业城市生态风险参数化调控规划框架——基于生态风险与景观格局关联机制[J]. 城市规划, 2024, 48(9): 31-44. Li S, Gao P, Shi T M, et al. Parameterized regulation planning framework for ecological risk in mining cities: based on the correlation mechanism between ecological risk and landscape pattern[J]. City Planning Review, 2024, 48(9): 31-44.
[3]	Song W, Song W, Gu H H, et al. Progress in the remote sensing monitoring of the ecological environment in mining areas[J]. International Journal of Environmental Research and Public Health, 2020, 17(6). DOI:10.3390/ijerph17061846
[4]	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.
[5]	吴炳方, 张淼. 从遥感观测数据到数据产品[J]. 地理学报, 2017, 72(11): 2093-2111. Wu B F, Zhang M. Remote sensing: observations to data products[J]. Acta Geographica Sinica, 2017, 72(11): 2093-2111.
[6]	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.
[7]	赵晓燕, 谈树成, 张素, 等. 基于遥感生态指数改进模型的沱江流域生态环境质量时空变化及驱动力研究[J]. 水土保持学报, 2024, 38(5): 151-163. Zhao X Y, Tan S C, Zhang S, et al. Analysis of spatial and temporal changes and driving forces of ecological environment quality in Tuojiang River Basin Based on RSEI improved modeling[J]. Journal of Soil and Water Conservation, 2024, 38(5): 151-163.
[8]	Liu C L, Li Y W, He D M, et al. Dynamic monitoring of eco-environmental quality in the Greater Mekong Subregion: evolutionary characteristics and country differences[J]. Environmental Impact Assessment Review, 2025, 110. DOI:10.1016/j.eiar.2024.107700
[9]	朝力格尔, 兴安, 阿如旱, 等. 基于改进型遥感生态指数的干旱区生态环境评价: 以阴山北麓内蒙古武川县为例[J]. 应用生态学报, 2024, 35(7): 1907-1914. Chaoligeer, Xing A, A R H, et al. Assessment of ecological environment in arid region based on the improved remote sensing ecological index: a case study of Wuchuan County, Inner Mongolia at the northern foot of Yin Mountains[J]. Chinese Journal of Applied Ecology, 2024, 35(7): 1907-1914.
[10]	葛石冰, 宋晓君, 陈润, 等. 近30年天山北坡改进型遥感生态指数时空变化及其驱动因素[J]. 生态与农村环境学报, 2024, 40(7): 865-876. Ge S B, Song X J, Chen R, et al. The spatiotemporal changes and driving factors of ERSEI on the northern slope of Tianshan Mountains in the past 30 years[J]. Journal of Ecology and Rural Environment, 2024, 40(7): 865-876.
[11]	张浩斌, 王婉, 宋妤婧, 等. 基于改进遥感生态指数的干旱内流区生态质量评价——以阴山北麓塔布河流域为例[J]. 生态学报, 2024, 44(2): 523-543. Zhang H B, Wang W, Song Y J, et al. Ecological index evaluation of arid inflow area based on the modified remote sensing ecological index: a case study of Tabu River Basin at the northern foot of the Yin Mountains[J]. Acta Ecologica Sinica, 2024, 44(2): 523-543.
[12]	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.
[13]	王静, 王佳, 徐江琪, 等. 改进遥感生态指数的典型海岸带城市生态环境质量评价——以湛江市为例[J]. 自然资源遥感, 2023, 35(3): 43-52. Wang J, Wang J, Xu J Q, et al. Exploring ecological environment quality of typical coastal cities based on an improved remote sensing ecological index: a case study of Zhanjiang City[J]. Remote Sensing for Natural Resources, 2023, 35(3): 43-52.
[14]	马鹏飞, 张安兵, 王贺封, 等. 基于改进遥感生态指数的矿区生态环境监测及驱动因素分析[J]. 生态与农村环境学报, 2023, 39(12): 1580-1590. Ma P F, Zhang A B, Wang H F, et al. Ecological environment monitoring and driving factors analysis of mining area based on improved remote sensing ecological index[J]. Journal of Ecology and Rural Environment, 2023, 39(12): 1580-1590.
[15]	李晶, 李生财, 郭伟, 等. 基于改进遥感生态指数的山西省及煤炭矿区生态环境分析[J]. 金属矿山, 2023(1): 30-39. Li J, Li S C, Guo W, et al. Ecological environment analysis of Shanxi Province and coal mining areas based on modified remote sensing ecological index[J]. Metal Mine, 2023(1): 30-39.
[16]	何柳, 赵月, 刘伟, 等. 基于改进遥感生态指数的尾矿库及周边区域生态环境质量分析[J]. 金属矿山, 2024(8): 206-215. He L, Zhao Y, Liu W, et al. Analysis of ecological environment quality of tailings reservoir and surrounding areas based on improved remote sensing ecological index[J]. Metal Mine, 2024(8): 206-215.
[17]	欧阳晓, 朱翔, 贺清云. 基于生态系统服务和生态系统健康的生态风险评价——以长株潭城市群为例[J]. 生态学报, 2020, 40(16): 5478-5489. Ouyang X, Zhu X, He Q Y. Incorporating ecosystem services with ecosystem health for ecological risk assessment: case study in Changsha-Zhuzhou-Xiangtan urban agglomeration, China[J]. Acta Ecologica Sinica, 2020, 40(16): 5478-5489.
[18]	刘莹, 耿文亮, 邵静文, 等. "三生空间"视角下土地利用变化与生态系统服务价值响应——以黄河下游地区为例[J]. 地域研究与开发, 2021, 40(4): 129-135. Liu Y, Geng W L, Shao J W, et al. Land use change and ecosystem service value response from the perspective of "ecological-production-living spaces": a case study of the Lower Yellow River[J]. Areal Research and Development, 2021, 40(4): 129-135.
[19]	杨悦, 赵雨, 员学锋, 等. 乡村振兴背景下陕西省生态环境质量影响因素探究[J]. 生态与农村环境学报, 2023, 39(11): 1399-1409. Yang Y, Zhao Y, Yuan X F, et al. Study on the factors influencing ecological environment quality in Shaanxi Province in the context of rural revitalization[J]. Journal of Ecology and Rural Environment, 2023, 39(11): 1399-1409.
[20]	汪宙峰, 郑博, 贺相綦, 等. 基于参数最优地理探测器的西藏冰湖时空变化与影响因素研究[J]. 冰川冻土, 2023, 45(6): 1950-1960. Wang Z F, Zheng B, He X Q, et al. Spatial-temporal variations and influencing factors of glacial lakes in Tibet based on optimal parameters-based geographical detector[J]. Journal of Glaciology and Geocryology, 2023, 45(6): 1950-1960.
[21]	钟旭珍, 王金亮, 邓云程, 等. 怒江-萨尔温江流域植被覆盖时空变化趋势及驱动力[J]. 生态学报, 2023, 43(24): 10182-10201. Zhong X Z, Wang J L, Deng Y C, et al. Spatio-temporal variation and driving forces of vegetation cover in the Nujiang-Salween River Basin[J]. Acta Ecologica Sinica, 2023, 43(24): 10182-10201.
[22]	薄立明, 尹力, 魏伟, 等. 主体功能区视角下山东省国土空间格局演变及驱动因素分析[J]. 地理与地理信息科学, 2024, 40(1): 37-46. Bo L M, Yin L, Wei W, et al. Evolution characteristics and influencing factors of territorial spatial pattern in Shandong from the perspective of major function oriented zoning[J]. Geography and Geo-Information Science, 2024, 40(1): 37-46.
[23]	Li Z Q. Extracting spatial effects from machine learning model using local interpretation method: an example of SHAP and XGBoost[J]. Computers, Environment and Urban Systems, 2022, 96. DOI:10.1016/j.compenvurbsys.2022.101845
[24]	温婉琴, 王强, 陈田田. 整合生态系统服务与驱动因素阈值效应的生态安全分区研究——以西南地区为例[J]. 生态学报, 2024, 44(8): 3142-3156. Wen W Q, Wang Q, Chen T T. Integrating the threshold effects of driving forces on ecosystem service into the ecological security zoning: a case study in the Southwest China[J]. Acta Ecologica Sinica, 2024, 44(8): 3142-3156.
[25]	王瑛琦, 黄慧萍, 朱文露, 等. 高分辨率遥感生态指数构建及应用[J]. 遥感学报, 2024, 28(11): 2896-2909. Wang Y Q, Huang H P, Zhu W L, et al. Construction and application of high-resolution remote sensing ecological index[J]. National Remote Sensing Bulletin, 2024, 28(11): 2896-2909.
[26]	Li Y M, Li Y T, Yang X, et al. Evaluation and driving force analysis of ecological quality in central Yunnan Urban Agglomeration[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2024.111598
[27]	张靓涵, 张未, 赵安周, 等. 融合PM_2.5浓度遥感生态指数的峰峰矿区生态环境质量时空特征及驱动力分析[J]. 环境科学, 2024, 45(10): 5900-5911. Zhang J H, Zhang W, Zhao A Z, et al. Spatial and temporal characteristics and driving force analysis of ecological environmental quality in Fengfeng mining area with remote sensing ecological index of PM_2.5 concentration[J]. Environmental Science, 2024, 45(10): 5900-5911. DOI:10.13227/j.hjkx.202311223
[28]	冯海英, 冯仲科, 冯海霞. 一种基于差值指数的颗粒物PM_2.5浓度反演新方法[J]. 光谱学与光谱分析, 2018, 38(10): 3012-3016. Feng H Y, Feng Z K, Feng H X. One new method of PM_2.5 concentration inversion based on difference index[J]. Spectroscopy and Spectral Analysis, 2018, 38(10): 3012-3016.
[29]	陈思旭, 杨小唤, 肖林林, 等. 基于RUSLE模型的南方丘陵山区土壤侵蚀研究[J]. 资源科学, 2014, 36(6): 1288-1297. Chen S X, Yang X H, Xiao L L, et al. Study of soil erosion in the southern hillside area of China based on RUSLE model[J]. Resources Science, 2014, 36(6): 1288-1297.
[30]	张科利, 彭文英, 杨红丽. 中国土壤可蚀性值及其估算[J]. 土壤学报, 2007, 44(1): 7-13. Zhang K L, Peng W Y, Yang H L. Soil erodibility and its estimation for agricultural soil in China[J]. Acta Pedologica Sinica, 2007, 44(1): 7-13.
[31]	徐燕飞, 胡振琪, 陈永春, 等. 基于遥感生态指数的淮南矿区生态环境质量变化分析[J]. 煤炭工程, 2025, 57(1): 195-202. Xu Y F, Hu Z Q, Chen Y C, et al. Analysis of ecological environment quality change in Huainan mining area based on remote sensing ecological index[J]. Coal Engineering, 2025, 57(1): 195-202.
[32]	He J J, Shi Y J, Xu L H, et al. Exploring the scale effect of urban thermal environment through XGBoost model[J]. Sustainable Cities and Society, 2024, 114. DOI:10.1016/j.scs.2024.105763
[33]	Batunacun, Wieland R, Lakes T, et al. Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China[J]. Geoscientific Model Development Discussions, 2021, 14(3): 1493-1510. DOI:10.5194/gmd-14-1493-2021
[34]	Cao W, Wang L Y, Li R, et al. Unveiling the nonlinear relationships and co-mitigation effects of green and blue space landscapes on PM_2.5 exposure through explainable machine learning[J]. Sustainable Cities and Society, 2025, 122. DOI:10.1016/j.scs.2025.106234
[35]	Chen T Q, Guestrin C. XGBoost: a scalable tree boosting system[A]. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco, CA, USA: Association for Computing Machinery, 2016. 785-794.
[36]	陈芳淼, 黄慧萍, 杨光, 等. 基于遥感生态指数的黄河流域生态环境质量变化及影响因素分析[J]. 中国沙漠, 2023, 43(4): 252-262. Chen F M, Huang H P, Yang G, et al. Research on the dynamic change of the ecological environment and its influencing factors in the Yellow River Basin based on remote sensing ecological index[J]. Journal of Desert Research, 2023, 43(4): 252-262.
[37]	崔远政, 查慧, 王磊, 等. 乡镇生态环境质量评价及其影响因素研究——以江苏省为例[J]. 长江流域资源与环境, 2023, 32(9): 1922-1931. Cui Y Z, Zha H, Wang L, et al. Evaluation of ecological environment quality in townships and its influencing factors, exemplified in Jiangsu Province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(9): 1922-1931.
[38]	赵琪琛, 余敦, 王检萍, 等. 低山丘陵县域生态系统服务价值的时空分异及影响因素分析——以江西德兴市为例[J]. 环境工程技术学报, 2023, 13(2): 704-714. Zhao Q C, Yu D, Wang J P, et al. Spatial and temporal variation and impact factors analysis of ecosystem service value in low-mountain counties: taking Dexing City in Jiangxi Province as an example[J]. Journal of Environmental Engineering Technology, 2023, 13(2): 704-714.
[39]	王晓蕾, 黄亦龙. 基于Google Earth Engine和干旱改进型遥感生态指数的青海省生态环境质量评价[J]. 生态学报, 2025, 45(20): 10008-10020. Wang X L, Huang Y L. Evaluation of eco-environmental quality in Qinghai Province based on Google Earth Engine and drought-improved remote sensing ecological index[J]. Acta Ecologica Sinica, 2025, 45(20): 10008-10020.
[40]	钟安亚, 鲍铖, 胡春明. 生态修复视角下德兴市矿区NDVI时空动态变化监测研究[J]. 环境工程, 2024, 42(5): 122-130. Zhong A Y, Bao C, Hu C M. Spatiotemporal dynamic change monitoring of NDVI in mining areas of Dexing from the perspective of ecological restoration[J]. Environmental Engineering, 2024, 42(5): 122-130.
[41]	姜悦, 侯现慧. 基于RSEI和HLM模型的陕西省生态环境质量评价及影响因素分析[J]. 地理科学, 2025, 45(6): 1218-1231. Jiang Y, Hou X H. Eco-environmental quality evaluation and influencing factor analysis of Shaanxi Province based on RSEI and HLM Model[J]. Geographical Science, 2025, 45(6): 1218-1231.
[42]	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.
[43]	王滢, 李代伟, 张帆, 等. 基于Google Earth Engine的巢湖流域生态环境质量时空动态变化及影响因素分析[J]. 测绘通报, 2023(7): 7-13. Wang Y, Li D W, Zhang F, et al. Spatial and temporal dynamic change and influencing factors of ecological environment quality in Chaohu Lake basin based on GEE[J]. Bulletin of Surveying and Mapping, 2023(7): 7-13.
[44]	倪春雨, 何文, 姚月锋. 基于Landsat 8的漓江流域生态环境质量及其影响因素分析[J]. 科学技术与工程, 2024, 24(12): 5227-5238. Ni C Y, He W, Yao Y F. Analysis of ecological environment quality and its influencing factors of the Lijiang River Basin based on Landsat 8[J]. Science Technology and Engineering, 2024, 24(12): 5227-5238.
[45]	田成诗, 孙瑞欣. 长江经济带市域生态环境质量空间分异与影响因素分析——基于三生空间的土地利用转型[J]. 生态环境学报, 2023, 32(7): 1173-1184. Tian C S, Sun R X. Spatial heterogeneity and its influential factors of eco-environmental quality in the Yangtze River Economic Belt: based on land use transformation of production, living and ecological spaces[J]. Ecology and Environmental Sciences, 2023, 32(7): 1173-1184.
[46]	徐来仙, 何友均, 艾训儒, 等. 基于森林生态系统服务权衡与协同的森林可持续管理[J]. 生态学报, 2024, 44(4): 1347-1359. Xu L X, He Y J, Ai X R, et al. Sustainable forest management based on trade-offs and synergies of forest ecosystem services[J]. Acta Ecologica Sinica, 2024, 44(4): 1347-1359.
[47]	傅楷翔, 贾国栋, 余新晓, 等. 基于改进遥感生态指数的青藏公路那(曲)安(多)段生态环境评估及驱动机制分析[J]. 环境科学, 2024, 45(3): 1586-1597. Fu K X, Jia G D, Yu X X, et al. Ecological environment assessment and driving mechanism analysis of Nagqu and Amdo sections of Qinghai-Xizang highway based on improved remote sensing ecological index[J]. Environmental Science, 2024, 45(3): 1586-1597. DOI:10.13227/j.hjkx.202303252
[48]	吴健达, 张安兵, 王贺封, 等. 矿业城市生态环境质量动态变化及影响因素[J]. 西北林学院学报, 2025, 40(4): 201-212. Wu J D, Zhang A B, Wang H F, et al. Dynamic monitoring and influencing factor analysis of ecological environment in mining cities[J]. Journal of Northwest Forestry University, 2025, 40(4): 201-212.
[49]	梁茂厂, 郭晓华, 张影, 等. 湖北省生态环境质量的时空演变特征及影响因素分析[J]. 生态环境学报, 2024, 33(10): 1634-1647. Liang M C, Guo X H, Zhang Y, et al. Spatiotemporal evolution characteristics and influencing factors analysis of eco-environmental quality in Hubei Province[J]. Ecology and Environmental Sciences, 2024, 33(10): 1634-1647.
[50]	牛鸿波, 田少国, 祖鹏举, 等. 自然和人为干扰因素对黄土高原生态环境质量变化的影响[J]. 煤炭工程, 2024, 56(3): 157-166. Niu H B, Tian S G, Zu P J, et al. Effects of natural and human disturbance factors on ecological environmental quality changes in the Loess Plateau[J]. Coal Engineering, 2024, 56(3): 157-166.
[51]	Wang Y Y, Chen X, Gao M, et al. The use of random forest to identify climate and human interference on vegetation coverage changes in Southwest China[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109463


环境科学 2026, Vol. 47 Issue (10): 6945-6958	PDF