2024, Vol. 45
2. 寿县国家气候观象台淮河流域典型农田生态气象野外科学试验基地, 寿县 232200;
3. 安徽省气象局气象科学研究所大气科学与卫星遥感安徽省重点实验室, 合肥 230031
2. Huaihe River Basin Typical Farm Eco-meteorological Experiment Field, Shouxian National Climatology Observatory, Shouxian 232200, China;
3. Anhui Province Key Laboratory of Atmospheric Science and Satellite Remote Sensing, Anhui Institute of Meteorological Sciences, Hefei 230031, China
生态环境是社会-经济-自然的复合系统, 它不仅为人类提供自然资源和生活环境服务, 而且是区域社会经济可持续发展的基础和核心. 生态环境质量能准确刻画人类生产活动与环境的协调水平, 其好坏程度关系到人类生活环境和物质条件, 还是国家生态安全和社会可持续发展的关键影响因素[1]. 对生态环境质量进行定量评价并探讨其对自然环境和人为因素的响应, 可为生态环境保护和社会可持续发展提供科学支持[2].
近年来, 许多方法被用来监测和评价生态环境质量的现状或变化, 其中基于遥感技术的方法具有高效性和准确性, 被广泛应用于生态环境质量研究中[3]. 生态环境作为综合动态系统, 使用单一遥感指数对其质量进行评价存在局限性与偶然性[4], 因此近年来学者们使用多因子综合分析对生态环境质量进行评价, 其中徐涵秋[5]运用主成分分析法（principal component analysis, PCA）将绿度、湿度、干度和热度这4个指标结合构建遥感生态指数（remote sensing ecological index, RSEI）模型, 该模型具有权重客观性、结果可视性等优点, 为生态环境质量综合评价提供了新思路[6].
在长时间序列分析中, 传统的生态质量评估面临着庞大数据量和复杂数据处理的挑战[2], 谷歌地球引擎（Google earth engine, GEE）遥感大数据平台克服了在数据获取方面的困难和限制, 其强大的运算功能可以快速高效地处理影像数据集[7]. Cui等[8]采用GEE平台展开城市生态环境质量检测与评价, 研究指出GEE平台储存了大量的地理数据库, 并支持实时结果预览. Xiong等[9]借助GEE平台构建RSEI模型来评价洱海流域1999~2019年的生态环境质量, 研究指出GEE平台适用于大规模的RSEI构建和生态环境质量评估. 汪东川等[10]在基于GEE平台的资源性城市生态环境质量研究中指出, GEE平台在数据处理方面不仅可以提高效率, 还能筛选最小云量以支持更精确的研究分析. 综上可知, 由于GEE平台的快捷、便利和高效性, 目前其已被广泛应用于生态环境质量及相关的研究.
淮河流域作为人口众多、城市化进程加速和产业密集的地区, 生态环境问题日渐突显. 比如, 雷思友等[11]对安徽省展开生态环境质量综合评价, 结果表明安徽省北部煤炭资源型城市生态环境质量最差, 但是Wang等[12]研究发现2001~2020年安徽省北部的生态环境质量呈下降-上升趋势, 这可能是因为区域生态环境质量变化与人类干预和自然因素干扰的交互作用紧密相关[13]. 淮河流域作为中国经济发展的重要流域, 其生态环境质量的变化密切影响着当地区域经济和环境政策的实施. 因此, 本研究基于GEE平台构建2002~2022年RSEI模型分析淮河流域生态环境质量的时空变化, 并探究其空间分异的主要驱动因子, 以期为未来淮河流域生态环境质量管理和可持续发展规划提供科学支持.
1 材料与方法 1.1 研究区概况淮河流域（111°55′~121°20′E, 30°55′~36°20′N）约为27万km2, 位于长江和黄河两大流域之间, 海拔相对较低, 以平原为主, 约占流域总面积2/3, 在东北、西和西南边缘地区为丘陵和山区, 约占流域总面积1/3. 土地利用类型以耕地为主, 占比约80.1%. 林地和草地主要分布于南部和西部地区, 其中草地占约8.2%, 林地占约2.1%. 建设用地于流域各处均有分布, 占比约6.3%. 水域相对集中分布于东部, 未利用土地面积较少, 不足2.5%[图 1（a）]. 流域地处南北气候过渡带, 南部气温和降水量较高、北部较低, 年平均气温为13.6~17.4℃, 降水集中在夏季, 多年平均总降水量约为920 mm[图 1（b）和1（c）]. 植被覆盖较好, 高值主要分布于东部及西南边缘地区, 其次为中部地区, 低值区分布于流域西北部[图 1（d）]. 人口密度大, 位居各大流域之首, 高值区分布于流域各处. 工业化和城镇化发展迅速, GDP高值达到50 000万元·km-2以上, 主要分布于西部、中部和东部少部分地区[图 1（e）和1（f）].
|
LC表示土地利用类型, TA表示年平均气温, PRE表示年降水量, EVI表示增强型植被指数, POD表示人口密度, GDP表示国内生产总值 图 1 2002~2022年研究区平均状况 Fig. 1 Average condition of the study area from 2002 to 2022 |
遥感数据来源于GEE平台, 包括16 d合成的1 km MOD13A1的增强型植被指数（enhanced vegetation index, EVI）数据、8 d合成的1 km MOD11A2的地表温度（land surface temperature, LST）数据、8 d合成的500 m MOD09A1反射率数据. 基于GEE平台, 首先统一所有数据为WGS84坐标系、空间分辨率为1 km, 然后对8 d数据平均为16 d数据, 进而计算构建RSEI的各种指标, 并平均得到空间分辨率为1 km的流域年均指标, 进一步计算得到区域年RSEI指数. 气象数据包括淮河流域55个气象站的年平均气温（temperature, TA）和年降水量（precipitation, PRE）, 来源于中国气象科学数据中心（http://data.cma.cn/）, 在异常值剔除和缺测值线性插补基础上, 使用克里金插值方法[14]得到空间分辨率为1 km、坐标系为WGS84的流域气象数据. 2001年、2005年、2010年、2015和2020年的土地利用类型（land cover, LC）数据来源于GEE平台的1 km MCD12Q2 IGBP LC数据, 本研究将其重分类为耕地、林地、草地、湿地、建设用地、水体和未利用土地这7类. 其他辅助数据包括海拔（DEM）、2000年、2005年、2010年、2015年和2019年的国内生产总值（gross domestic product, GDP）和人口密度（population density, POD）来源于资源环境科学与数据中心（https://www.resdc.cn/）, 空间分辨率为1 km. 在数据分析中, 为了避免水域对RSEI湿度指标的影响[2], 所有数据基于LC分类剔除水体部分. 所有流域空间数据统一为944 × 534个格点、坐标系WGS84和分辨率1 km.
1.3 研究方法本研究首先基于GEE平台构建RSEI模型, 其次使用统计学方法分析淮河流域生态环境质量的时空变化, 最后利用地理探测器分析淮河流域生态环境质量的驱动机制, 详细技术流程见图 2.
|
图 2 技术流程 Fig. 2 Flow chart of this study |
为弥补归一化植被指数（normalized difference vegetation index, NDVI）易饱和的不足[15], 本研究选用EVI代替NDVI作为植被绿度因子, 以绿度（EVI）、湿度（Wetness, WET）、热度（LST）和干度（归一化建筑及裸土指数, normalized difference built-up and soil index, NDBSI）构建RSEI模型：
|
式中, f为主成分分析方法（PCA）, 该方法根据上述4种指标对RSEI的贡献度和数据本身的性质确定4个指标的权重, 避免人为主观因素对结果的影响[5]. 绿度指标EVI数据和热度指标LST数据分别采用GEE平台上MOD13A1中的EVI数据和MOD11A2中的LST数据. 湿度指标WET和干度指标NDBSI基于GEE平台MOD09A1反射率计算得到, 计算方法参考文献[3]. 由于4个指标量纲不一致, 先进行正向归一化处理[2], 再通过PCA构建RSEI. 由图 3的PCA结果可知, 2002~2022年淮河流域RSEI第一主成分（PC1）的贡献率均超过70%, EVI和WET的载荷值均为正值, 表明其对RSEI的贡献是正面的, LST和NDBSI均为负值, 表明其对RSEI的贡献是负面的, 这与真实情况相符, 因此, 本文选用4个指标的PC1特征构建RSEI来评估淮河流域生态环境质量. 为了便于分析区域的生态环境质量特征, 将RSEI以0.2为间隔分为差、较差、中、良和优这5个级别[5].
|
PC1表示第一主成分, PC2表示第二主成分, PC3表示第三主成分, PC4表示第四主成分, EVI表示增强型植被指数, WET表示湿度, LST表示地表温度, NDBSI表示归一化建筑及裸土指数 图 3 RSEI指标的主成分分析 Fig. 3 Principal component analysis of RSEI indices |
使用最小二乘法计算每个像元的斜率值表示变化率, 反映2002~2022年淮河流域生态环境质量的空间变化趋势. 采用变异系数（coefficient of variation, CV）[16]表示生态环境质量的波动程度, CV值越高表明该地区的生态环境质量时间序列的稳定性越低, 反之则稳定性越高, 将CV值分为低波动（0~0.1）、相对低波动（0.1~0.2）、中等波动（0.2~0.3）、相对高波动（0.3~0.4）和高波动（> 0.4）这5个级别. 采用基于R/S分析法的Hurst指数[17]研究流域生态环境质量的持续性特征. Hurst指数范围为[0, 1], 值越接近0反持续性越强, 越接近1持续性越强. 参考前人研究[18], 将Hurst指数分4级：强反持续性（< 0.35）, 弱反持续性（0.35~0.5）, 弱持续性（0.5~0.65）, 强持续性（> 0.65）. 采用地理探测器的因子探测、交互探测和风险区探测[19]探究区域生态环境质量的空间分异性及驱动机制. 其中, 因子的影响作用表示为驱动力强度q, 值为[0, 1], 越接近0, 说明因子的驱动力越弱, 反之越强. 由于导致生态环境质量发生变化的因素复杂多样, 故此结合研究区域现状及数据的可获得性和代表性, 并借鉴前人研究的成果[20], 选取EVI、PRE、TA、DEM、LC、GDP和POD作为基于地理探测器的生态环境质量的驱动机制分析.
2 结果与分析 2.1 淮河流域生态环境质量动态变化图 4（a）给出了2002~2022年淮河流域年均RSEI变化. 从中可知, 流域RSEI总体呈阶段性上升-下降趋势, RSEI的最高和最低平均水平分别出现在2007年（0.50）和2002年（0.37）, 表明淮河流域生态环境质量在2002~2007年有所改善, 在2007~2022年略微有所下降. 由图 4（b）的不同等级RSEI面积变化可知, 21年间不同等级面积年际变化较大, 差和较差等级面积先减小后增加, 但是总体表现为减小, 平均占比为37.87%；中等级面积总体表现为增加, 平均占比为39.63%；良和优等级面积先增加后又减少, 总体表现为增加, 平均占比为22.50%, 但是优等级的面积不超过1.80%.
|
（b）中虚线表示变化趋势 图 4 2002~2022年淮河流域RSEI年际变化及各等级面积占比 Fig. 4 Interannual changes in RSEI and the area percentage of its grades in the Huaihe River Basin from 2002 to 2022 |
结合图 4和图 5可知, 2007年以前流域RSEI以较差等级为主, 占比为52.62%, 主要分布于流域西部、中部和北部地区, 中、良等级主要分布于流域东部和西南边界地区. 自2007年起, 流域以中和良等级为主, 总占比超过61.50%, 主要分布在流域中部、东部和东北部地区, RSEI差和较差等级总占比约25.55%, 主要分布在流域西部.
|
图 5 2002~2022年淮河流域RSEI的空间分布 Fig. 5 Spatial distribution of RSEI in the Huaihe River Basin from 2002 to 2022 |
通过多时相的RSEI差值以分析淮河流域RSEI的变化情况, 如图 6所示. 结果表明, 4个时段中淮河流域RSEI保持稳定的地区占比很小. 其中, 在2002~2007年RSEI改善的区域占比为87.99%. 2007~2012年RSEI改善面积大幅降低, 仅占流域面积的46.84%. 2012~2017年和2017~2022年两个时期RSEI退化的面积占比分别为51.99%和53.44%.
|
图 6 淮河流域RSEI的空间变化 Fig. 6 Spatial changes in RSEI in the Huaihe River Basin |
由图 7（a）可知, 淮河流域2002~2022年大部分地区RSEI呈改善趋势, 面积占比为55.93%, 退化面积占比22.01%, 主要呈斑块状分布在中西部；其中, 东部波动低、稳定性较好, 西部和中部波动相对高、稳定性较差[图 7（b）]. 总体而言, 流域的生态环境质量有所改善, 但是有明显的空间分异性, 整体呈现自东向西逐渐变差的分布特征（西北和西南边缘山区除外）.
|
图 7 淮河流域RSEI变化的空间统计 Fig. 7 Spatial statistics of RSEI changes in the Huaihe River Basin |
由图 7（c）可知, 淮河流域的Hurst指数小于0.5, 说明该区域RSEI变化为反持续性. 其中, Hurst指数大于0.35的面积占比为52.49%, 该区域的RSEI变化为弱反持续性, 主要分布在西北和西南部；Hurst指数不高于0.35的面积占比为47.51%, 该区域的RSEI为强反持续性, 主要分布在东部和中部. 综合趋势变化和持续性分析可知, 淮河流域的RSEI未来可能以改善为主, 面积占比为68.02%, 主要在中东和中北部, 而恶化区域占比为31.98%, 主要聚集于西北和西南部[图 7（d）].
2.2 RSEI空间分异驱动因子分析 2.2.1 因子探测表 1为基于地理探测器的q值, 不同年份的所有驱动因子的q值均通过0.05显著性检验. 在所有驱动因子中, EVI的多年q值均高于其他因子, 对RSEI变化的驱动力最大, 排序1；DEM多年q值均排序2, 对RSEI变化的驱动力较大. 人为因子中, POD多年q值最高排序3, 平均排序4, 说明人口分布对研究区RSEI变化驱动力不高. LC、GDP和TA的多年平均q值排序5、6和7, 表明研究区RSEI变化与土地利用变化、相关经济活动和区域温度变化关系较弱. 由此看出, 在所有研究年份中, 多数驱动因子的驱动力发生了一定变化, 然而EVI和DEM的驱动力排序保持不变, 表明21年来研究区RSEI变化受当地自然因素的影响高于人为因素, 这可能是由于1990年代淮河流域开始推行退耕还林、还草措施, 在气候条件和水保措施的共同作用下, 流域内植被恢复效果显著, 植被覆盖呈上升趋势[21].
|
表 1 驱动因子的q值及排序1） Table 1 The q-value and ranking of driving factors |
2.2.2 交互作用探测
图 8表示驱动因子间对RSEI变化的交互作用. 结果表明, 所有交互探测结果都是双因子或非线性增强两种交互作用类型, 与单个因子相比, 任意双因子交互作用对研究区的RSEI变化都有更强的影响, 其中EVI和DEM与其他因子交互作用的驱动力要明显高于其余驱动因子间的交互作用. 21年平均EVI∩DEM是最强交互驱动力, 5个典型年份中交互作用最强驱动力分别为：EVI∩DEM（2002年、2012年和2022年）、EVI∩PRE（2007年）和EVI∩LC（2017年）, 这与单因子探测结果一致, 说明EVI与DEM是淮河流域RSEI变化的主要影响因子.
|
EVI表示增强型植被指数, DEM表示海拔, PRE表示年降水量, TA表示年平均气温, LC表示土地利用类型, POD表示人口密度, GDP表示国内生产总值 图 8 驱动因子交互作用的q值 Fig. 8 The q-value of interactions between driving factors |
结合风险区探测结果和图 1及图 5可知, RSEI最高值区主要位于淮河流域西南和西北边缘的林地, 就自然因子而言, 主要分布在DEM为575~2 052 m, 对应的降水在1 310~1 430 mm、气温在16.7~17.4℃和EVI在0.72~0.95之间的区域, 对于人为因子而言, 主要对应POD为7.36~50.7人·km-2和GDP为176~464万元·km-2的区域. RSEI最低区主要位于淮河流域西部的建设用地, 对应的自然因子DEM在44.3~161 m、降水在559~684 mm、气温在15.4~16.1℃和EVI在0.13~0.46之间, 对应的人为因子POD在12 200~75 700人·km-2和GDP在22 100~58 100万元·km-2之间. 综上所述, 适宜的气候、土地利用类型、地形条件, 以及低强度的人类活动, 有利于植被的生长, 对淮河流域的生态环境带来积极影响.
3 讨论 3.1 RSEI时空变化趋势2002~2022年淮河流域生态环境质量的变化情况和区域政策的实施密切相关. 1997年我国在淮河流域开展“零点行动”, 生态环境质量得到一定改善, 并在2007年取得了阶段性胜利, 达到近21年高峰[22, 23]. 本研究也发现2007年的生态环境质量得到了明显改善. 2008年由于金融危机和自然灾害等原因导致生态保护力度下降[24], 党的十八大召开以来, 国家高度重视环境保护并深度落实环境保护战略, 淮河流域经济带建设提升为国家战略发展重点, 进一步保障流域内生态环境质量的恢复和改善[25, 26], 但近年来淮河流域各地发生不同程度的自然灾害, 生态环境质量略有下降. 本研究发现2007年以后淮河流域的整体生态环境质量的确略有下降, 并且优和良等级的面积下降了、差和较差等级的面积增加了, 这和南京市的生态环境质量变化情况类似[27].
淮河流域生态环境质量情况又有明显的地域特征. 本研究发现淮河流域生态环境质量整体呈现自东向西逐渐变差（西部边缘除外）, Li等[28]研究认为河南省生态环境质量整体一般, 由此可见, 在淮河流域的河南区域的确比其他地区生态环境质量较差. 江苏省借助卓越的地理环境和强劲的经济实力, 能及时对城市环境污染进行策划和调控[23], 因此, 流域内江苏地区的生态环境质量较好. 在生态环境质量平均较好的流域中西部地区依然有质量较差的区域, 比如, 安徽省北部煤炭资源型城市[11], 但是本研究发现以上地区的生态环境质量平均呈下降再上升的趋势, 这与Wang等[12]研究的结论基本一致. 另外, 由于西北和西南边缘山区海拔较高、气候条件适宜故利于植被生长, 从而有较高的植被覆盖度, 生态环境质量表现较好, 这与魏杰等[29]研究的结果一致.
3.2 RSEI变化驱动因素分析EVI是驱动淮河流域RSEI空间分布的主导因素, 该结果与Wang等[12]研究的结果一致. 植被变化是自然因素和人为因素共同作用的结果, 适宜的气候条件, 加上国家政策推动建立生态功能保护区及植树造林等, 都提高了淮河流域的植被生长状况, 进而影响着区域生态环境质量[21, 30]. 海拔对淮河流域RSEI的空间分异影响程度仅次于EVI, 这与傅楷翔等[4]的研究结论不同, 可能是由于研究区的海拔和地貌不同导致的. 流域内水热条件充足, 在流域西南和西北边缘高海拔地区主要以林地为主, 植被覆盖高, 人为干扰少, 因此在区域高海拔地区的生态环境质量更优. 降水与气温是驱动RSEI空间分异的次关键因素, 该研究结果与前人的一致[31]. 人为因子中, 土地利用类型对RSEI空间分异的驱动力不高, 这与Cui等[8]研究的结论不同, 这归因于土地利用变化不同导致的. 近21年来淮河流域土地利用类型发生变化较少, 其中林地面积基本稳定[32], 这可能是土地利用变化在本研究中的驱动力较低的原因. 人口密度能够直观反映研究区内人类聚集程度, 淮河干流山丘区人口稠密, 人地矛盾突出, 对生态环境产生负面影响[33], 比区域经济发展的影响更加明显, 这一结论与前人研究的结果一致[4], 但是城市化的先进状态有利于维持甚至改善生态环境质量[34], 因此流域东部的RSEI整体高于粗放型经济发展的西部.
4 展望本研究基于GEE平台构建RSEI分析淮河流域生态环境质量. 然而, 为了避免研究区水域对指标的影响剔除了水体部分, 但水体作为生态系统的重要组成成分具有极其重要的生态系统服务功能, 其对生态环境质量的影响不容忽视. 由于生态系统复杂多样, 一些研究通过在RSEI模型中添加经济生产总值和人口密度等指标来改进RSEI[35], 增加模型的稳定性和完全性. 因此, 在未来研究中, 可以考虑水体对生态环境质量的影响, 构建新的流域生态环境质量评估模型, 更全面地评估不同流域的生态环境质量变化.
5 结论（1）2002~2022年淮河流域RSEI平均呈现上升-下降但总体为上升的趋势, 空间上RSEI呈现东高西低的分布格局（西北和西南边缘山区除外）. 生态环境质量以较差和中等级为主, 21年来流域的生态环境质量有所改善, 但是有明显的空间分异性.
（2）2002~2022年淮河流域RSEI呈改善趋势地区面积占比为55.93%. 东部稳定性较好, 西部和中部稳定性较差. 未来RSEI变化以改善（68.02%）为主, 总体呈现反持续性.
（3）地理探测器结果表明, EVI是最强单因子驱动力, EVI∩DEM是最强的交互驱动力. 适宜的土地利用类型、地形条件、降水和气温, 以及低强度的人类活动, 有利于植被的生长, 对淮河流域的生态环境带来积极影响.
| [1] | Ji J W, Wang S X, Zhou Y, et al. Spatiotemporal change and landscape pattern variation of eco-environmental quality in Jing-Jin-Ji urban agglomeration from 2001 to 2015[J]. IEEE Access, 2020, 8: 125534-125548. DOI:10.1109/ACCESS.2020.3007786 |
| [2] |
张静, 杨丽萍, 贡恩军, 等. 基于谷歌地球引擎和改进型遥感生态指数的西安市生态环境质量动态监测[J]. 生态学报, 2023, 43(5): 2114-2127. Zhang J, Yang L P, Gong E J, et al. Dynamic monitoring of eco-environmental quality in Xi'an based on GEE and adjusted RSEI[J]. Acta Ecologica Sinica, 2023, 43(5): 2114-2127. |
| [3] | Yuan B D, Fu L N, Zou Y A, et al. Spatiotemporal change detection of ecological quality and the associated affecting factors in Dongting Lake Basin, based on RSEI[J]. Journal of Cleaner Production, 2021, 302. DOI:10.1016/j.jclepro.2021.126995 |
| [4] |
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 environmental assessment and driving mechanism analysis of Naqu and Anduo sections of Qinghai-Tibet highway based on improved remote sensing ecological index[J]. Environmental Science, 2024, 45(3): 1586-1597. |
| [5] |
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. |
| [6] | Zheng Z H, Wu Z F, Chen Y B, et al. Instability of remote sensing based ecological index (RSEI) and its improvement for time series analysis[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.152595 |
| [7] | Huang H P, Chen W, Zhang Y, et al. Analysis of ecological quality in Lhasa Metropolitan Area during 1990-2017 based on remote sensing and Google Earth Engine platform[J]. Journal of Geographical Sciences, 2021, 31(2): 265-280. DOI:10.1007/s11442-021-1846-8 |
| [8] | Cui R H, Han J Z, Hu Z Q. Assessment of spatial temporal changes of ecological environment quality: a case study in Huaibei City, China[J]. Land, 2022, 11(6). DOI:10.3390/land11060944 |
| [9] | 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 |
| [10] |
汪东川, 陈星, 孙志超, 等. 格尔木长时间序列遥感生态指数变化监测[J]. 生态学报, 2022, 42(14): 5922-5933. Wang D C, Chen X, Sun Z C, et al. Monitoring of changes in the ecological index of long-time sequence Remote Sensing in Golmud, Qinghai Province[J]. Acta Ecologica Sinica, 2022, 42(14): 5922-5933. |
| [11] |
雷思友, 范君. 基于灰色系统(GRAY)的安徽省城市生态环境质量综合评价及对策研究[J]. 安徽理工大学学报(社会科学版), 2015, 17(2): 25-30. Lei S Y, Fan J. Study on ecological environment quality comprehensive evaluations and countermeasures based on GRAY of Anhui province[J]. Journal of Anhui University of Science and Technology (Social Science), 2015, 17(2): 25-30. DOI:10.3969/j.issn.1672-1101.2015.02.006 |
| [12] | Wang X, Yao X J, Jiang C Z, et al. Dynamic monitoring and analysis of factors influencing ecological environment quality in northern Anhui, China, based on the Google Earth Engine[J]. Scientific Reports, 2022, 12(1). DOI:10.1038/s41598-022-24413-0 |
| [13] |
致公党中央调研组. 加快推进淮河流域经济发展与环境保护[J]. 中国发展, 2015, 15(5): 1-7. The Survey and Research Group with the Central Committee of China Zhi Gong Party. Research report on economic development and environmental protection of Huaihe River Basin[J]. China Development, 2015, 15(5): 1-7. |
| [14] |
李月臣, 何志明, 刘春霞. 基于站点观测数据的气温空间化方法评述[J]. 地理科学进展, 2014, 33(8): 1019-1028. Li Y C, He Z M, Liu C X. Review on spatial interpolation methods of temperature data from meteorological stations[J]. Progress in Geography, 2014, 33(8): 1019-1028. |
| [15] | 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 20years[J]. Ecological Indicators, 2020, 119. DOI:10.1016/j.ecolind.2020.106847 |
| [16] |
马云飞, 陈长胜, 袁福香, 等. 东北虎豹国家公园生态环境质量动态评价及其气候响应[J]. 生态学报, 2023, 43(7): 2614-2626. Ma Y F, Chen C S, Yuan F X, et al. Dynamic evaluation of ecological environment quality and climate response in northeastern China Tiger and Leopard National Park[J]. Acta Ecologica Sinica, 2023, 43(7): 2614-2626. |
| [17] |
江田汉, 邓莲堂. Hurst指数估计中存在的若干问题——以在气候变化研究中的应用为例[J]. 地理科学, 2004, 24(2): 177-182. Jiang T H, Deng L T. Some problems in estimating a Hurst exponent—A case study of applicatings to climatic change[J]. Scientia Geographica Sinica, 2004, 24(2): 177-182. DOI:10.3969/j.issn.1000-0690.2004.02.008 |
| [18] |
张云霞, 汪仕美, 李焱, 等. 2000-2020年青藏高原生态质量时空变化[J]. 生态学杂志, 2023, 42(6): 1464-1473. Zhang Y X, Wang S M, Li Y, et al. Spatiotemporal patterns of ecological quality across the Qinghai-Tibet Plateau during 2000-2020[J]. Chinese Journal of Ecology, 2023, 42(6): 1464-1473. |
| [19] |
李鑫磊, 李瑞平, 王秀青, 等. 基于地理探测器的河套灌区林草植被覆盖度时空变化与驱动力分析[J]. 干旱区研究, 2023, 40(4): 623-635. Li X L, Li R P, Wang X Q, et al. Spatiotemporal change and analysis of factors driving forest-grass vegetation coverage in Hetao Irrigation District based on geographical detector[J]. Arid Zone Research, 2023, 40(4): 623-635. |
| [20] | Yang H H, Yu J, Xu W Z, et al. Long-time series ecological environment quality monitoring and cause analysis in the Dianchi Lake Basin, China[J]. Ecological Indicators, 2023, 148. DOI:10.1016/j.ecolind.2023.110084 |
| [21] |
常俊超, 崔亚军. 淮河流域极端气象事件与植被时空演变及响应关系研究[J]. 水电能源科学, 2023, 41(6): 17-21. Chang J C, Cui Y J. Study on spatio-temporal evolution and response relationship of extreme climate events and vegetation in Huaihe River Basin[J]. Water Resources and Power, 2023, 41(6): 17-21. |
| [22] | 李振波, 王谦, 黄雪梅. "零点"十年话治淮[J]. 环境经济, 2008(9): 55-58. |
| [23] |
程永生, 关荣荣, 王晓雪, 等. 淮河流域绿色发展水平指标体系构建及评价[J]. 齐鲁师范学院学报, 2023, 38(2): 69-77. Cheng Y S, Guan R R, Wang X X, et al. Measurement of green development level in Huaihe River Basin and its promotion path[J]. Journal of Qilu Normal University, 2023, 38(2): 69-77. |
| [24] |
褚钰, 付景保, 陈华君. 区域生态环境与经济耦合高质量发展时空演变分析——以河南省为例[J]. 生态经济, 2022, 38(5): 161-168. Chu Y, Fu J B, Chen H J. Temporal and spatial evolution of the coupling coordination of the high-quality development of regional ecological environment and economy: taking Henan province for example[J]. Ecological Economy, 2022, 38(5): 161-168. |
| [25] |
岳海珺. 淮河流域生态保护与经济高质量发展的耦合协调性测度与分析[D]. 济南: 山东财经大学, 2022. Yue H J. Measurement and analysis of coupling coordination between ecological protection and high-quality economic development in the Huaihe River basin[D]. Jinan: Shandong University of Finance and Economics, 2022. |
| [26] |
刘柏阳. 基于生态效率视角的淮河生态经济带绿色创新体系构建研究[D]. 蚌埠: 安徽财经大学, 2020. Liu B Y. Research on construction of green innovation system in Huaihe Ecological Economic Belt based on ecological efficiency[D]. Bengbu: Anhui University of Finance & Economics, 2022. |
| [27] | Hang X, Li Y C, Luo X C, et al. Assessing the ecological quality of Nanjing during its urbanization process by using satellite, meteorological, and socioeconomic data[J]. Journal of Meteorological Research, 2020, 34(2): 280-293. DOI:10.1007/s13351-020-9150-6 |
| [28] | Li N, Wang J Y. Comprehensive eco-environment quality index model with spatiotemporal characteristics[J]. Sensors, 2022, 22(24). DOI:10.3390/s22249635 |
| [29] |
魏杰, 刘丽娜, 马云霞, 等. 黄河中下游河南省高质量发展与生态环境耦合协调度时空格局研究[J]. 河南师范大学学报(自然科学版), 2022, 50(2): 48-57. Wei J, Liu L N, Ma Y X, et al. Spatial temporal pattern of coupling coordination degree between high quality development and ecological environment in Henan province in the middle and lower reaches of the Yellow River[J]. Journal of Henan Normal University(Natural Science Edition), 2022, 50(2): 48-57. |
| [30] |
曹书舸, 陈爽. 江苏重要生态功能区质量演变及红线管控效应分析[J]. 生态学报, 2023, 43(21): 8933-8947. Cao S G, Chen S. Analysis of quality evolution of important ecological function areas and implementation effects of the ecological redline in Jiangsu Province, China[J]. Acta Ecologica Sinica, 2023, 43(21): 8933-8947. |
| [31] |
赵嘉丽, 李兴, 孙冰. 基于AWRSEI的岱海流域生态环境质量时空演变及驱动因子分析[J]. 环境科学, 2024, 45(3): 1598-1614. Zhao J L, Li X, Sun B. Spatial-temporal evolution and driving factors analysis of ecological environment quality in Daihai Basin based on AWRSEI[J]. Environmental Science, 2024, 45(3): 1598-1614. |
| [32] |
翁升恒, 张方敏, 卢燕宇, 等. 淮河流域蒸散发时空变化与归因分析[J]. 生态学报, 2022, 42(16): 6718-6730. Weng S H, Zhang F M, Lu Y Y, et al. Spatiotemporal changes and attribution analysis of evapotranspiration in the Huai River Basin[J]. Acta Ecologica Sinica, 2022, 42(16): 6718-6730. |
| [33] | 燕乃玲, 虞孝感. 淮河流域生态系统退化问题与综合治理[J]. 水利发展研究, 2007, 7(8): 13-17. |
| [34] | Shi F, Yang B X, Li M S. An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China[J]. Ecological Indicators, 2023, 147. DOI:10.1016/j.ecolind.2023.109998 |
| [35] |
农兰萍, 王金亮, 玉院和. 基于改进型遥感生态指数(MRSEI)模型的滇中地区生态环境质量研究[J]. 生态与农村环境学报, 2021, 37(8): 972-982. Nong L P, Wang J L, Yu Y H. Research on ecological environment quality in central Yunnan based on MRSEI model[J]. Journal of Ecology and Rural Environment, 2021, 37(8): 972-982. |