2024, Vol. 45
2. 河北省环境变化遥感识别技术创新中心, 石家庄 050024;
3. 河北省环境演变与生态建设省级重点实验室, 石家庄 050024
2. Hebei Technology Innovation Center for Remote Sensing Identification of Environmental Change, Shijiazhuang 050024, China;
3. Key Laboratory of Environmental Evolution and Ecological Construction in Hebei Province, Shijiazhuang 050024, China
生态环境是指由生物群落和非生物自然因素组成的各种生态系统所构成的整体, 主要由自然因素形成, 并间接、潜在和长远地对人类的生存和发展产生影响[1, 2]；同时生态环境又为人类的生存和发展提供了良好的自然条件[3], 因此对生态环境进行客观准确的评价与分析, 可以为“生态文明建设”和环境治理政策的制定提供科学依据和决策支撑.
滹沱河是石家庄的母亲河, 是河北平原的缔造者之一, 位于燕山、太行山生态涵养区和低平原生态修复区, 是京津冀生态安全屏障的重要组成部分. 李镇等[4]和孙雷刚等[5]对滹沱河流域进行植被覆盖度（fractional vegetation cover, FVC）和降水蒸散发指数（standardized precipitation evapotranspiration index, SPEI）相关性研究. 王慧玮等[6]则是对流域内地下水水质进行评价. 但前人未对滹沱河流域进行自然和人文的综合性生态环境质量评价.
生态环境质量评价过程中, 不仅需要对生态环境进行客观评价还需评估对人类社会的影响, 因此众多学者从不同角度对生态环境进行质量评价, 以便为生态保护政策提供数据支撑[7]. 在指标体系内容层面, 发展了各种专项评价, 其中包括生态健康评价[8]、生态脆弱性评估[9]和生态风险评估[10]等. 在评价的方法层面也从定性描述发展为定量分析, 常见的方法有层次分析法[11]、生态足迹法[12]、人工神经网络评价方法[13]和综合指数评价法[14]等. 综合指数评价法适合多元指标, 能较好地对复杂环境进行生态评价, 例如联合国和经济合作与发展组织针对生态评价分别提出“驱动力-状态-响应模型”和“压力-状态-响应模型”[15]. Meng等[8]从资源利用、生态发展、生态文化推广、政策执行和经济发展这5个方面, 选取了35个指标, 构建了生态发展综合指数. Das等[16]运用组织弹性框架, 对加尔各答等特大城市构建了城市生态系统健康指数（ecosystem health index, EHI）. 我国环保部门也开展了对生态环境状况评价的研究和实践, 2015年颁布了《生态环境状况评价技术规范》（HJ/T192-2015）（简称《规范》）, 由生物丰富度指数、植被覆盖指数、水网密度指数、土地胁迫指数和污染负荷指数构成生态指数（ecological index, EI）[17]. 欧阳玲等[18]利用《规范》对科尔沁沙地进行生态环境状况评价. 由于上述生态环境质量评价方法的数据来源多为统计年鉴, 格网化评价难以实现, 但遥感技术具有高时效性、宏观性和动态监测等优势, 为生态环境评价提供技术和数据支持, 因此利用遥感技术进行生态环境监测和评价已成为主要手段[19]. 谷歌地球引擎（Google earth engine, GEE）开发平台提供了强大的数据运算功能, 提高了生态环境质量监测的效率. 例如, 归一化差值植被指数（normalized difference vegetation index, NDVI）、叶面积指数（leaf area index, LAI）和植被净初级生产力（net primary productivity, NPP）等广泛用于评估植被生长状况[20]. 地表温度（land surface temperature, LST）已被用于评估城市的热岛效应和干热风等气象灾害[21]. Hu等[22]以耦合绿度指数、湿度指数、干燥度指数和热度指数构成遥感生态指数（remote sensing ecological index, RSEI）, 由于RSEI缺少社会经济因素引起的生态压力, 不能全面反映生态环境质量, 而EI的多因子指标可以较好地反映研究区的综合生态环境质量, 但其中的水网密度指数和污染负荷指数, 难以达到综合性格网化评价, 故本文将RSEI中的湿度指数和基于夜间灯光数据反演的污染负荷指数与EI指标中的生物丰富度指数、植被覆盖指数和土地胁迫指数相结合构成新的指标体系. 用熵权法和变异系数计算各指标权重, 构建新的生态环境评价模型. 利用2000~2020年每隔5 a的数据, 计算生成空间分辨率为250 m的生态环境质量等级以及聚类分布, 并运用地理探测器对其驱动因子进行解释分析. 滹沱河流域生态环境评价研究可为相关部门制定生态环境改善的政策提供数据支持.
1 材料与方法 1.1 研究区概况滹沱河是华北地区的重要河流, 也是山西省和河北省的主要河流之一, 如图 1所示. 滹沱河流域范围为：37°22'~39°25'N, 112°16'~116°06'E[23]. 流域内海拔9~3 059 m, 流域面积大约为26 630 km2, 其中山西省为18 690 km2, 占全流域面积的70%；河北省为7 940 km2, 占全流域面积的30%[24]. 平山县境内岗南水库和黄壁庄水库截留了滹沱河猴刎村到岗黄水库段的所有来水, 成为石家庄重要的饮用水源地, 同时也是北京市重要的应急水源地. 滹沱河主要流经4种典型地貌类型：山间盆地、山地、丘陵和平原, 分别占流域总面积的20%、50%、10%和20%[25].
|
图 1 滹沱河流域地理位置示意 Fig. 1 Location of Hutuo River Basin |
将以下数据统一为阿尔伯斯等积圆锥投影, 重采样生成空间分辨率为250 m的2000、2005、2010、2015和2020年的5期数据.
1.2.1 生物丰富度指数基于GEE平台, 利用Landsat TM/OLI数据, 生成林地、草地、耕地、水域湿地、建设用地和未利用地这6大类土地利用数据, 对研究区内选取700个样本点, 再调用随机森林分类模型, 精度为Kappa系数均在0.77以上, 生成空间分辨率为30 m的土地利用分类结果, 根据表 1中的公式, 得到生物丰富度指数.
|
表 1 新生态环境指数（NEI）一级指标体系计算公式及性质1） Table 1 Calculation formula and properties of new ecological environment index (NEI) level 1 index system |
1.2.2 植被覆盖指数
基于GEE平台, 选取MOD13Q1数据, 计算5~9月NDVI最大值的均值, 生成空间分辨率为250 m的植被覆盖指数.
1.2.3 土地胁迫指数DEM高程数据来源于美国国家航空航天局（https://search.earthdata.nasa.gov）, 空间分辨率为90 m的ASTER GDEM（global digital elevation model）数据产品, 生成坡度和坡长因子. 基于地面台站获取研究区降水数据（http://data.cma.cn/）, 进行空间化、插值分析、裁剪以及栅格计算, 生成降水侵蚀力因子数据[26]. 土壤类型数据由世界土壤数据库（HWSD）提供, 生成土壤侵蚀因子[27]. 基于GEE平台, 利用Landsat TM（B3和B4）或OLI（B4和B5）的波段数据进行计算生成空间分辨率为250 m的植被覆盖度数据（FVC）, 得到植被覆盖因子. 将以上数据代入通用土壤流失方程（RUSLE）模型[28], 计算土地侵蚀模数, 得到土地侵蚀程度等级, 根据表 1的公式, 得到土地胁迫指数.
1.2.4 污染负荷指数根据《规范》中污染负荷指数的标准, 需要6种污染物数据, 分别是化学需氧量、氨氮、二氧化硫、烟（粉）尘、氮氧化物和固体废物, 均来自于统计年鉴. 利用DMSP-OLS（defense meteorological satellite program-operational linescan system, 2000~2010年）和NPP-VIIRS（national polar orbiting partnership-visible infrared imaging radiometer suite, 2015~2020年）的夜间灯光数据（https://dataverse.harvard.edu/）反演格网化污染负荷指数, DMSP-OLS和NPP-VIIRS的DN值范围为0~63, 空间分辨率为1 000 m[29]. 将以上数据代入污染负荷指数排放模拟模型中, 见公式（1）~（3）, 生成格网化滹沱河流域污染负荷指数.
1.2.5 湿度指数基于GEE平台, 利用Landsat TM数据的1、2、3、4、5和7波段反射率和Landsat OLI数据的2、3、4、5、6和7波段反射率, 根据表 1中公式计算生成空间分辨率为30 m的湿度指数.
1.2.6 其他数据水系数据来源于全国地理信息资源目录服务系统（https://www.webmap.cn）中1：25万水系矢量数据, 利用ArcGIS对水系矢量数据以及DEM数据进行填洼、流量计算和河网分级, 并与水系数据确定泄洪点, 再通过ArcGIS中分水岭工具导入流向和泄洪点, 得到滹沱河流域矢量边界.
利用水系矢量数据生成水网密度. 道路数据来源于（https://www.openstreetmap.org/）, 生成道路密度指数. 基于GEE开发平台, 选取空间分辨率为500 m的MOD17A3数据, 生成NPP值. 以下数据空间分辨率均为1 km, 人口密度数据来源于世界人口官网（http://www.worldpop.org）, PM10和PM2. 5由Zenodo官网（http://zenodo.org/）下载获取, GDP公里格网数据和地形地势数据均来自中国科学院资源环境科学与数据中心（http://www.resdc.cn/）下载获取. 以上数据用于因子探测.
1.3 研究方法 1.3.1 新生态环境指数（NEI）指标体系（1）本文选取《规范》中生物丰富度指数、植被覆盖指数、土地胁迫指数和污染负荷指数, 以及RSEI中湿度指数构成新生态环境指数（NEI）, 该指数由5个指标构成, 并赋予相对应的指标性质, 具体信息如表 1所示.
本文以校正后的2000~2020年夜间灯光数据为基础, 对研究区的夜间灯光总值（x）和污染负荷排放总量（y）进行统计并拟合分析, 构建滹沱河流域污染负荷指数排放量的模型, 模拟单位像元污染负荷指数排放值. 2000~2020年滹沱河流域污染负荷指数排放量模拟方程如公式（1）所示, R2为0.871 5.
|
(1) |
式中, y为污染负荷排放总量的模拟值, x为夜间灯光数据像元DN值总和.
修正模拟单位像元污染负荷指数排放值, 利用污染负荷指数排放估算拟合方程, 计算得到以夜间灯光数据所反映的每个栅格污染负荷指数排放值, 最终得出滹沱河流域污染负荷排放总量的模拟值. 由于回归函数存在误差, 第n年拟合污染负荷指数排放值与实际统计污染负荷指数排放值不一致. 因此, 构建了滹沱河流域第n年夜间灯光数据反演的污染负荷指数排放格网模型比例关系式, 计算如公式（2）所示. 然后将第n年夜间灯光数据拟合污染负荷指数排放值乘以相对应的比例关系式, 计算如公式（3）所示, 得到第n年污染负荷指数拟合排放量与统计数据相等的空间化数据.
|
(2) |
|
(3) |
式中, mn为第n年污染负荷指数统计值与拟合值的比例关系数；C为该年污染负荷指数排放量统计值；Ct为该年污染负荷排放总量的模拟值；Cx（n）k为该年第k个栅格污染负荷指数排放量；Cl（n）k为该年第k个栅格污染负荷指数排放量模拟值.
（3）RUSLE模型
利用通用土壤流失方程（RUSLE）模型, 计算土地侵蚀模数, 得到土地侵蚀程度等级, 用于计算土地胁迫指数. RUSLE模型如公式（4）所示[30, 31].
|
(4) |
式中, A为土壤侵蚀模数, 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为水土保持因子, L为坡长因子, S为坡度因子.
1.3.2 新生态环境指数（NEI）模型构建（1）指标归一化
为统一各指标的单位和范围, 增强各指标的对比性, 采用极差变化法对各指标进行归一化处理, 结果为0~100, 计算如公式（5）和公式（6）所示.
正向指标：
|
(5) |
负向指标：
|
(6) |
式中, yi为图像像元的标准化数值；xi为图像像元的原始像元值；xmax为图像像元的最大值；xmin为图像像元的最小值.
（2）熵权法
熵权法是根据指标的离散程度确定客观权重的方法, 其信息熵值越小, 指标权重越大, 反之权重越小[32, 33]. 计算如公式（7）~（9）所示.
|
(7) |
|
(8) |
|
(9) |
式中, Hi为熵值, m为评价指标的数目, n为被评价对象的数目, K=1/lnm, Tij为第i个指标的第j个数值, 当Yij=0时, Yij（lnYij）=0, Wi为第i个指标的权重.
（3）变异系数法（CV）
CV是一种客观赋权的方法. 将数据的标准差与平均值进行求比得出[34], 变异系数越大表明该指标在评价对象的分布差异越大, 故在评价体系中赋予较大的权重；反之, 赋予较小的权重, 计算如公式（10）~（13）所示.
|
(10) |
|
(11) |
|
(12) |
|
(13) |
式中, Aj为指标权重；Vj为第j个指标的变异系数；Sj为每个指标的标准差；Pj为每个指标的平均值, n为被评价对象的数目, Xij为第j个指标的第i个数值.
（4）组合赋权法
选取熵权法和变异系数法, 利用组合赋权法对权重进行修正[35, 36], 计算如公式（14）所示.
|
(14) |
式中, ε为组合权重, αi为变异系数法权重, βi为熵权法权重. 为保证计算结果的客观性, γ取0.5系数参与计算.
依据公式（14）计算各指标的综合权重, 如表 2所示.
|
|
表 2 各指标权重 Table 2 Weights of each indicator |
（5）新生态环境指数（NEI）计算如公式（15）所示. NEI越高, 表明生态环境质量越好.
|
(15) |
式中, NEI为新生态环境指数, B为生物丰富度指数, V为植被覆盖指数, W为湿度指数, D为土地胁迫指数, P为污染负荷指数.
1.3.3 新生态环境指数（NEI）聚类分析热点分析（Getis-Ord Gi*）是识别具有统计显著性的热点和冷点, 进而得出数据高值（热点）和低值（冷点）的空间聚类方法, 计算如公式（16）所示. 热点分析可以突出滹沱河流域生态环境质量聚类程度的时空分布.
|
(16) |
式中, xi和xj分别为i和j栅格单元生态环境质量等级值；Wij为空间权重矩阵；并对Gi*进行Z检验, 若Z（Gi*）显著为正, 表明该个单元生态环境质量等级高度聚集, 为热点区. 反之, 则为冷点区.
1.3.4 地理探测器地理探测器是用于计算地理事物的影响因子空间分异性及因子驱动作用的统计学模型. 核心思想为自变量与因变量具有关系时, 那么这两个变量具有相似的空间分异特征[37]. 本研究利用地理探测器中的因子探测和交互作用探测模块, 揭示不同因子和交互作用下对滹沱河流域生态环境质量的影响. 因子探测用q值为度量值, 计算如公式（17）所示.
|
(17) |
式中, L为变量分类；Nh和N分别为层h和研究区的单元数；σ2和σh2分别为研究区的NEI数值与层h的方差. q为研究区内生态环境质量的解释程度, 范围是[0, 1], q值越大, 表示该因子对生态环境质量解释能力越强, 反之, 解释能力越小.
2 结果与分析 2.1 滹沱河流域生态环境质量时空演变特征根据《规范》, 将生态环境分为5级, 即优、良、一般、较差和差（表 3）.
|
|
表 3 生态环境质量分级 Table 3 Levels of eco-environment quality |
对研究区内生态环境质量分级计算（表 4）, 2000~2020年滹沱河流域内整体生态环境质量有所提高, 没有生态环境差的区域, 各年处于“一般”的占比均在10%左右, 处于“良”的占比均在57.4%以上, 处于“优”的占比均在25.09%以上. 2000~2015年, 滹沱河流域内整体环境质量呈现降低的趋势, “较差”和“一般”等级的占比有所增加；“良”等级占比有所降低；“优”等级前期变化不大, 2015年有所增加. 2020年较2015年, 滹沱河流域环境状况逐步恢复, “较差”等级占比大幅度降低；“一般”和“优”等级占比均有小幅上涨.
|
|
表 4 2000~2020年滹沱河流域生态环境质量等级面积占比/% Table 4 Area percentage of different eco-environment quality grades in Hutuo River Basin from 2000 to 2020/% |
滹沱河流域生态环境质量分级分布, 如图 2所示. 滹沱河流域生态环境质量大致呈现“中间高两侧低”的分布规律, 中部地区大部分处于“优”和“良”等级, 局部地区处于“一般”和“较差”, 东部地区的生态环境质量以“一般”和“较差”为主, 西部地区以“良”等级为主, 局部分布“一般”和“较差”等级. 中部地区多为山地丘陵, 植被覆盖度高以及人烟稀少, 受人为因素较少, 故生态环境较好. 流域内东部地区, 城市数量多且分布较为集中, 人口密度高, 人类活动对生态环境压力大, 破坏强. 流域内西南部（阳泉市）和西部地区（忻州市）的城市及周围地区生态环境质量有所降低, 主要是建设用地的扩大以及植被覆盖度降低. 流域内西侧河谷地区, 由于坡度以及降水侵蚀力强度大, 加之不合理过度开垦导致土壤侵蚀程度进一步增加. 2000~2015年, 滹沱河流域内西部河谷地区和东部的城镇及周围地区的生态环境质量有不同程度地降低, 但中部地区由“良”转“优”等级的区域面积有所增加. 2020年, “较差”等级区域呈现零星分布的状态, 大部分地区处于“良”和“优”的等级, 由于环保政策的颁布和实施, 进而滹沱河流域整体生态环境质量有较大提高.
|
图 2 2000~2020年滹沱河流域生态环境质量分级分布 Fig. 2 Distribution of eco-environment quality grades in Hutuo River Basin from 2000 to 2020 |
冷点区域表示生态环境质量差, 热点区域表示生态环境质量良好. 生态环境质量的冷点区域多分布于主要城市及其周围地区和西部的河谷地区, 热点区域主要集中于流域内中部地区（图 3）. 原因为城市地区受人类活动影响大, 西部的河谷地区侵蚀力强, 中部地区植被覆盖度高受人类活动影响小. 2000~2015年, 滹沱河流域冷点区域数量增加, 区域面积不断扩大, 趋于集中分布, 中部地区热点面积有所减少, 原因是建设用地面积扩大和污染物排放量增加. 2020年, 流域内下游地区以及忻州市东部, 除较大城市外, 冷点区域面积缩小呈零星分布；中部地区热点区域面积小, 范围扩大, 是由于《滹沱河保护条例》的颁布以及各项环保政策的实施, 2020年南部地区生态环境质量较2015年有所改善.
|
图 3 2000~2020年滹沱河流域生态环境质量聚类分布特征 Fig. 3 Clustering distribution characteristics of eco-environment quality in Hutuo River Basin from 2000 to 2020 |
本文根据以往学者的研究和格网数据的可获取性[38], 着重考虑并且深入分析以下9个驱动因子, 包括：NPP、人口密度、PM2.5、PM10、FVC、人均GDP、道路密度指数、水体密度指数和地貌类型数据. 利用自然分位法将连续变量数据分为4~8类. 利用地理探测器对流域内生态环境质量空间分布分异的驱动因子进行探测, 各因子对生态环境质量空间分布的影响程度和交互作用结果见表 5和图 4.
|
|
表 5 滹沱河流域生态环境质量驱动因子探测结果1） Table 5 Results of the detection of ecological and environmental conditions driver in Hutuo River Basin |
|
（a）2000年, （b）2005年, （c）2010年, （d）2015年, （e）2020年；X1表示FVC, X2表示人均GDP, X3表示NPP, X4表示PM2.5, X5表示PM10, X6表示人口密度, X7表示水体密度指数, X8表示道路密度指数, X9表示地貌类型 图 4 滹沱河流域生态环境质量驱动因子交互作用探测结果 Fig. 4 Detection results of eco-environment quality driver interactions in Hutuo River Basin |
人口密度、NPP、PM2.5、PM10、FVC、水体密度指数和地貌类型因子, 大致呈现出2000~2015年波动性增长, 2020年下降趋势. 人口密度、NPP、FVC和地貌类型为前4的主要因子. 流域内中西部多山地丘陵, 以林地和草地为主, 人口稀少. 东部为冲积平原, 以耕地和建设用地为主, 人口密度较高. 东部地区工业生产和汽车尾气等污染物排放量较大, PM2.5和PM10呈现东多西少的空间分布. 2019年我国实行国六汽车尾气排放标准, 以及各项生产环保政策的实施, 2020年PM2.5和PM10驱动因子减小.
2000~2020年人均GDP和道路密度指数呈现逐年增加的趋势, 我国经济高速发展, 人均GDP也逐年提高, 路网基建设施不断完善. 滹沱河流域流经河北山西两省, 作为北方的重要经济中心、主要的人口迁入省份和经济重点发展区, 河北和山西作为重工业大省, 仍以粗放型产业为主, 对生态环境恢复和改善产生负面影响.
2.3.2 因子交互作用探测结果各因子在交互作用下对滹沱河流域生态环境质量的影响力比单因子均显著增强（图 4）. 2000~2020年, 地貌类型和FVC与其他因子组合仍是主要作用, 其中“地貌类型+FVC”为主导作用. 2000~2015年河北省和山西省工业化不断推进以及重工业生产基地不断发展, “FVC+PM污染物”对生态环境质量影响较大. 由于产业转型升级以及各项减排降尘的政策实施, 2020年PM2.5和PM10污染物解释力大幅度下降, 但对生态环境仍有重要影响.
3 讨论滹沱河流域生态环境质量2000~2015年处于衰退期, 2015~2020年处于恢复期, 这与王伟[39]的研究结果一致. 滹沱河流域生态环境质量整体处于“良”等级, 这与刘晓东等[24]和崔嫱等[40]的结论相矛盾, 主要原因为选取的研究范围不一致和指标体系不一致. 王伟的研究选取的是滹沱河部分流域；刘晓东的指标主要集中于河流的水量、水质和生物等指标；崔嫱选取的主要为人文因素指标, 导致评价结果具有一定出入. 生态环境质量评价所涉及的指标覆盖范围广, 包含自然指标和人文指标, 能揭示滹沱河流域生态环境的重要性. 2000~2015年, 流域内生态环境的衰退, 是由于工业化的发展和人口过度集中导致污染物排放量的不断增加以及草地和林地面积不断减少, 导致流域内长期遭受植被破坏、雾-霾污染和土壤流失等影响. 2015年, 将加强生态文明建设写入国家五年发展规划当中, 2017年和2019年分别颁布了国五汽车尾气排放标准和国六汽车尾气排放标准[41], 2016年《环境空气质量标准》（GB 3095-2012）等各项环保条例的颁布以及有关部门落实政策[42], 2020年滹沱河流域生态环境逐步恢复.
滹沱河流域生态环境质量因子分析方面, 流域内生态环境受多种自然因素和人为因素影响. 有些学者认为流域内以人为因素为主导作用[38], 但由于指标体系构建不一致, 可能导致主要因子不一致. 单因子探测中, 地貌类型、FVC、NPP和人口密度始终为主要影响因子. 2020年PM2.5和PM10解释力有较大幅度减弱. 交互因子探测中, “地貌类型+FVC”起主导作用.
《滹沱河保护条例》政策的颁布和不断推进, 需要上下游地区协同发展和统筹规划. 根据上述滹沱河生态环境质量的特征, 应当进一步制定因地制宜的生态环境保护政策以及措施, 加快实现“生态文明建设”的目标[43]. 根据流域内生态环境质量的空间分布以及集聚结果, 得出主要城市及乡镇地区仍然是生态环境保护的重点关注的区域[44], 尤其是河北省和山西省以重工业为主的产业结构[45], 应当加快产业转型升级的步伐, 大力扶持绿色创新型企业引领高质量发展, 提高生态环境水平.
4 结论（1）时间上, 滹沱河流域生态环境质量整体处于“良”水平. 流域内生态环境质量变化大致分为衰退期（2000~2015年）和恢复期（2015~2020年）. 空间上, 流域内的主要城市乡镇及周围地区2000~2015年生态环境质量指数呈现降低趋势, 但在2020年城市乡镇中心地区生态环境有所改善.
（2）滹沱河流域空间集聚效应明显, 生态环境质量差（冷点区域）的区域主要集中在主要城市乡镇地区, 以及西部的河谷地区, 生态环境质量好（热点区域）的区域主要分布于流域内多山地丘陵的中部地区.
（3）单因子探测结果表明, 2000~2015年NPP、人口密度、PM2.5、PM10、FVC、水体密度指数和地貌类型因子呈现波动性增长, 2015~2020年呈下降趋势. 人均GDP和道路密度指数对环境状况的影响逐年升高. 因子交互作用探测结果表明, 地貌类型和FVC与其他因子组合仍是主要作用, 其中“地貌类型+FVC”始终是主导驱动因子；衰退期PM2.5和PM10污染物解释力逐年提高, 恢复期解释力大幅度下降.
（4）近年来, 滹沱河保护政策的颁布以及南水北调工程的实施, 使滹沱河下游地区水量增加和生态环境质量有所提高, 南水北调输水量呈现季节性明显变化（夏多冬少）, 所以对局部生态环境改善有待探究. 滹沱河虽是海河流域的主要支流, 但属于四级河流, 故没有明确的流域矢量边界线, 研究区范围存在一定偏差. 污染物数据由于种类多, 时间序列较长, 所以以2003年污染物数据代替2000年数据, 因此在后期研究当中应当采用最新数据. 《水生态监测技术指南河流水生生物监测与评价（试行）》已经发布, 后期应当将水生生物以及水质指标纳入生态环境评价体系当中.
| [1] | Jiang L G, Liu Y, Wu S, et al. Analyzing ecological environment change and associated driving factors in China based on NDVI time series data[J]. Ecological Indicators, 2021, 129. DOI:10.1016/J.ECOLIND.2021.107933 |
| [2] | Martire S, Castellani V, Sala S. Carrying capacity assessment of forest resources: enhancing environmental sustainability in energy production at local scale[J]. Resources, Conservation and Recycling, 2015, 94: 11-20. DOI:10.1016/j.resconrec.2014.11.002 |
| [3] |
田智慧, 尹传鑫, 王晓蕾. 鄱阳湖流域生态环境动态评估及驱动因子分析[J]. 环境科学, 2023, 44(2): 816-827. Tian Z H, Yin C X, Wang X L. Dynamic monitoring and driving factors analysis of ecological environment quality in Poyang Lake Basin[J]. Environmental Science, 2023, 44(2): 816-827. |
| [4] |
李镇, 齐菲, 尙国琲, 等. 滹沱河流域植被覆盖时空演变及其与SPEI的相关关系[J]. 南水北调与水利科技, 2018, 16(1): 135-143. LI Z, QI F, Shang G F, et al. Spatial-temporal change of vegetation cover and its relationship with SPEI in Hutuo River Basin[J]. South-to-North Water Transfers and Water Science & Technology, 2018, 16(1): 135-143. |
| [5] |
孙雷刚, 郑振华. 基于RS的近30年滹沱河流域植被覆盖度动态变化研究[J]. 地理与地理信息科学, 2014, 30(6): 36-40, 45. Sun L G, Zheng Z H. RS-based study on dynamic change of vegetation coverage in Hutuo River watershed in the past 30 years[J]. Geography and Geo-Information Science, 2014, 30(6): 36-40, 45. DOI:10.3969/j.issn.1672-0504.2014.06.008 |
| [6] |
王慧玮, 郭小娇, 张千千, 等. 滹沱河流域地下水水化学特征演化及成因分析[J]. 环境化学, 2021, 40(12): 3838-3845. Wang H W, Guo X J, Zhang Q Q, et al. Evolution of groundwater hydrochemical characteristics and origin analysis in Hutuo River Basin[J]. Environmental Chemistry, 2021, 40(12): 3838-3845. DOI:10.7524/j.issn.0254-6108.2020080301 |
| [7] | Long Y, Jiang F G, Deng M L, et al. Spatial-temporal changes and driving factors of eco-environmental quality in the Three-North region of China[J]. Journal of Arid Land, 2023, 15(3): 231-252. DOI:10.1007/s40333-023-0053-0 |
| [8] | Meng L R, Huang J, Dong J H. Assessment of rural ecosystem health and type classification in Jiangsu province, China[J]. Science of the Total Environment, 2018, 615: 1218-1228. DOI:10.1016/j.scitotenv.2017.09.312 |
| [9] | Li W L, Liu C L, Su W L, et al. Spatiotemporal evaluation of alpine pastoral ecosystem health by using the Basic-Pressure-State-Response Framework: a case study of the Gannan region, northwest China[J]. Ecological Indicators, 2021, 129. DOI:10.1016/J.ECOLIND.2021.108000 |
| [10] | Baas J, Augustine S, Marques G M, et al. Dynamic energy budget models in ecological risk assessment: from principles to applications[J]. Science of the Total Environment, 2018, 628-629: 249-260. DOI:10.1016/j.scitotenv.2018.02.058 |
| [11] | Fattahi R, Khalilzadeh M. Risk evaluation using a novel hybrid method based on FMEA, extended MULTIMOORA, and AHP methods under fuzzy environment[J]. Safety Science, 2018, 102: 290-300. DOI:10.1016/j.ssci.2017.10.018 |
| [12] | Yang W C, Xu K, Lian J J, et al. Multiple flood vulnerability assessment approach based on fuzzy comprehensive evaluation method and coordinated development degree model[J]. Journal of Environmental Management, 2018, 213: 440-450. |
| [13] | Adams M D, Kanaroglou P S. Mapping real-time air pollution health risk for environmental management: combining mobile and stationary air pollution monitoring with neural network models[J]. Journal of Environmental Management, 2016, 168: 133-141. |
| [14] | Guo Q, Wang J Y, Yin H L, et al. A comprehensive evaluation model of regional atmospheric environment carrying capacity: model development and a case study in China[J]. Ecological Indicators, 2018, 91: 259-267. DOI:10.1016/j.ecolind.2018.03.059 |
| [15] | Berger A R, Hodge R A. Natural change in the environment: a challenge to the pressure-state-response concept[J]. Social Indicators Research, 1998, 44(2): 255-265. DOI:10.1023/A:1006888532080 |
| [16] | Das M, Das A, Mandal A. Research note: ecosystem Health (EH) assessment of a rapidly urbanizing metropolitan city region of eastern India - A study on Kolkata Metropolitan Area[J]. Landscape and Urban Planning, 2020, 204. DOI:10.1016/j.landurbplan.2020.103938 |
| [17] | HJ 192-2015, 生态环境状况评价技术规范[S]. |
| [18] |
欧阳玲, 马会瑶, 王宗明, 等. 基于遥感与地理信息数据的科尔沁沙地生态环境状况动态评价[J]. 生态学报, 2022, 42(14): 5906-5921. Ouyang L, Ma H Y, Wang Z M, et al. Dynamic evaluation of ecological environment in Horqin sandy land based on remote sensing and geographic information data[J]. Acta Ecologica Sinica, 2022, 42(14): 5906-5921. |
| [19] | Ding Q, Wang L, Fu M C, et al. An integrated system for rapid assessment of ecological quality based on remote sensing data[J]. Environmental Science and Pollution Research, 2020, 27(26): 32779-32795. DOI:10.1007/s11356-020-09424-6 |
| [20] | Erasmi S, Klinge M, Dulamsuren C, et al. Modelling the productivity of Siberian larch forests from Landsat NDVI time series in fragmented forest stands of the Mongolian forest-steppe[J]. Environmental Monitoring and Assessment, 2021, 193(4). DOI:10.1007/S10661-021-08996-1 |
| [21] | Lee P S H, Park J. An effect of urban forest on urban thermal environment in Seoul, South Korea, based on Landsat imagery analysis[J]. Forests, 2020, 11(6). DOI:10.3390/f11060630 |
| [22] | Hu X S, Xu H Q. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality: a case from Fuzhou City, China[J]. Ecological Indicators, 2018, 89: 11-21. DOI:10.1016/j.ecolind.2018.02.006 |
| [23] |
席梅竹, 赵中秋, 吴攀升, 等. 基于改进CA-Markov模型的滹沱河流域山区段土地利用变化模拟及预测[J]. 西北林学院学报, 2021, 36(4): 150-158. Xi M Z, Zhao Z Q, Wu P S, et al. Changes and predictions of land use in mountain section of the Hutuo River Basin based on improved CA-Markov model[J]. Journal of Northwest Forestry University, 2021, 36(4): 150-158. DOI:10.3969/j.issn.1001-7461.2021.04.22 |
| [24] |
刘晓东, 郭劲松, 赵鹏宇. 忻州市滹沱河主要支流生态系统健康评价[J]. 环境监测管理与技术, 2016, 28(2): 33-36, 68. Liu X D, Guo J S, Zhao P Y. Ecosystem health assessment of main tributaries of Hutuo River in Xinzhou City[J]. The Administration and Technique of Environmental Monitoring, 2016, 28(2): 33-36, 68. DOI:10.3969/j.issn.1006-2009.2016.02.008 |
| [25] |
丁永康, 叶婷, 陈康. 基于地理探测器的滹沱河流域植被覆盖时空变化与驱动力分析[J]. 中国生态农业学报(中英文), 2022, 30(11): 1737-1749. Ding Y K, Ye T, Chen K, et al. Analysis of spatio-temporal dynamics and driving forces of vegetation cover in the Hutuo River Basin based on the geographic detector[J]. Chinese Journal of Eco-Agriculture, 2022, 30(11): 1737-1749. DOI:10.12357/cjea.20220309 |
| [26] |
章文波, 付金生. 不同类型雨量资料估算降雨侵蚀力[J]. 资源科学, 2003(1): 35-41. Zhang W B, Fu J S. Rainfall erosivity estimation under different rainfall amount[J]. Resources Science, 2003(1): 35-41. |
| [27] | Huang X F, Lin L R, Ding S W, et al. Characteristics of soil erodibility K value and its influencing factors in the Changyan Watershed, Southwest Hubei, China[J]. Land, 2022, 11(1). DOI:10.3390/LAND11010134 |
| [28] |
陈朝良, 赵广举, 穆兴民, 等. 基于RUSLE模型的湟水流域土壤侵蚀时空变化[J]. 水土保持学报, 2021, 35(4): 73-79. Chen C L, Zhao G J, Mu X M, et al. Spatial-temporal change of soil erosion in Huangshui Watershed based on RUSLE model[J]. Journal of Soil and Water Conservation, 2021, 35(4): 73-79. |
| [29] | Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-Like data (19922019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333 |
| [30] |
张素, 熊东红, 吴汉, 等. 基于RUSLE模型的孙水河流域土壤侵蚀空间分异特征[J]. 水土保持学报, 2021, 35(5): 24-30. Zhang S, Xiong D H, Wu H, et al. Research on spatial variation of soil erosion in Sunshui River Basin based on RUSLE model[J]. Journal of Soil and Water Conservation, 2021, 35(5): 24-30. |
| [31] |
马悦, 何洪鸣, 赵宏飞. 基于GIS和RUSLE的甘南州土壤侵蚀时空演变[J]. 水土保持研究, 2023, 30(3): 37-46. Ma Y, He H M, Zhao H F. Spatiotemporal change of soil erosion in Gannan Tibetan Autonomous Prefecture based on GIS and RUSLE[J]. Research of Soil and Water Conservation, 2023, 30(3): 37-46. |
| [32] |
刘海龙, 谢亚林, 贾文毓, 等. 山西省生态安全综合评价及时空演化[J]. 经济地理, 2018, 38(5): 161-169. Liu H L, Xie Y L, Jia W Y, et al. Ecological security assessment and spatial-temporal evolution of Shanxi Province[J]. Economic Geography, 2018, 38(5): 161-169. |
| [33] |
王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527. Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the Yellow River Basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527. |
| [34] |
刘轩, 岳德鹏, 马梦超. 基于变异系数法的北京市山区小流域生态环境质量评价[J]. 西北林学院学报, 2016, 31(2): 66-71, 294. Liu X, Yue D P, Ma M C. Small watershed eco-environmental quality appraisal of Beijing mountain area based on coefficient variation[J]. Journal of Northwest Forestry University, 2016, 31(2): 66-71, 294. |
| [35] |
李华林, 张建军, 张耀方, 等. 基于不同赋权方法的北运河上游潜在非点源污染风险时空变化特征分析[J]. 环境科学, 2021, 42(6): 2796-2809. Li H L, Zhang J J, Zhang Y F, et al. Analysis of spatial-temporal variation characteristics of potential non-point source pollution risks in the upper Beiyun River Basin using different weighting methods[J]. Environmental Science, 2021, 42(6): 2796-2809. |
| [36] |
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. |
| [37] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [38] |
王盛, 李文静, 王金凤. 滹沱河上游径流演变及其影响因素分析[J]. 甘肃农业大学学报, 2020, 55(3): 162-169. Wang S, Li W J, Wang J F. Analysis on runoff variation characteristics and its influence factors in the upper reaches of Hutuo River Basin[J]. Journal of Gansu Agricultural University, 2020, 55(3): 162-169. |
| [39] |
王伟. 基于多源遥感数据的海河流域植被生态用水时空变化规律研究及生态脆弱性评价[D]. 徐州: 中国矿业大学, 2020. Wang W. Rearch of spatio-temporal variation of vegetation ecological water use and ecological vulnerability evaluation based on multi-source remote sensing data in Haihe River Basin[D]. Xuzhou: China University of Mining and Technology, 2020. |
| [40] |
崔嫱, 赵鹏宇, 冯文勇, 等. 山西滹沱河山区湿地生态系统健康评价[J]. 湿地科学与管理, 2015, 11(3): 16-19. Cui Q, Zhao P Y, Feng W Y, et al. Wetland ecosystem health assessment in mountain area of Hutuo River of Shanxi[J]. Wetland Science & Management, 2015, 11(3): 16-19. |
| [41] |
崔亮, 倪红, 戴春蓓, 等. 国五国六汽车尾气颗粒物的生态毒性分析[J]. 环境科学学报, 2020, 40(4): 1483-1490. Cui L, Ni H, Dai C B, et al. Ecological toxicity analysis of particulate matter from automobile exhaust in China Ⅴ and China Ⅵ[J]. Acta Scientiae Circumstantiae, 2020, 40(4): 1483-1490. |
| [42] |
宋小涵, 燕丽, 刘伟, 等. 2015~2021年京津冀及周边地区PM2.5和臭氧复合污染时空特征分析[J]. 环境科学, 2023, 44(4): 1841-1851. Song X H, Yan L, Liu W, et al. Spatiotemporal distribution characteristics of co-pollution of PM2.5 and ozone over BTH with surrounding area from 2015 to 2021[J]. Environmental Science, 2023, 44(4): 1841-1851. |
| [43] |
冯俊华, 张路路. 陕西省新型城镇化与生态环境协调度研究[J]. 生态学报, 2022, 42(11): 4617-4629. Feng J H, Zhang L L. Coordination degree between new urbanization and ecological environment in Shaanxi Province[J]. Acta Ecologica Sinica, 2022, 42(11): 4617-4629. |
| [44] | Zheng Z H, Wu Z F, Chen Y B, et al. Exploration of eco-environment and urbanization changes in coastal zones: a case study in China over the past 20 years[J]. Ecological Indicators, 2020, 119. DOI:10.1016/j.ecolind.2020.106847 |
| [45] |
朱婷婷, 侯立安, 童银栋, 等. 面向2035年的海河流域水安全保障战略研究[J]. 中国工程科学, 2022, 24(5): 26-33. Zhu T T, Hou L A, Tong Y D, et al. Strategy for assuring water security in the Haihe River Basin by 2035[J]. Strategic Study of CAE, 2022, 24(5): 26-33. |