环境科学  2024, Vol. 45 Issue (7): 4122-4136   PDF    
引用本文
宗慧琳, 张晓伦, 袁希平, 吕杰, 杨明龙, 甘淑. 利用GEE进行1990~2022年小江流域生态环境质量时空格局与演变趋势分析[J]. 环境科学, 2024, 45(7): 4122-4136.
ZONG Hui-lin, ZHANG Xiao-lun, YUAN Xi-ping, LÜ Jie, YANG Ming-long, GAN Shu. Xiaojiang River Basin Ecological Environmental Quality Spatiotemporal Pattern and Evolutionary Trend Analysis Using GEE from 1990 to 2022[J]. Environmental Science, 2024, 45(7): 4122-4136.
利用GEE进行1990~2022年小江流域生态环境质量时空格局与演变趋势分析
宗慧琳1,2, 张晓伦1, 袁希平2,3, 吕杰1, 杨明龙1, 甘淑1,2     
1. 昆明理工大学国土资源工程学院, 昆明 650093;
2. 云南省高校高原山地空间信息测绘技术应用工程研究中心, 昆明 650093;
3. 滇西应用技术大学云南省高校山地实景点云数据处理及应用重点实验室, 大理 671006
收稿日期: 2023-08-08; 修订日期: 2023-10-11
基金项目: 国家自然科学基金项目（41861054, 62266026）
作者简介: 宗慧琳（1987~）, 女, 博士研究生, 工程师, 主要研究方向为自然灾害遥感和环境遥感, E-mail：30211008@kust.edu.cn
通信作者: 甘淑, E-mail：gs@kust.edu.cn
摘要: 云南省小江流域是长江上游生态修复示范区, 评估和监测该区的生态环境质量是该区生态文明建设中一项非常重要的基础工作. 选取1990年、1995年、2000年、2005年、2010年、2014年、2018年和2022年的Landsat遥感影像数据, 提取了绿度（NDMVI）、湿度（WET）、干度（NDBSI）和热度（LST）这4个指标, 采用主成分分析法构建了遥感生态指数（RSEI）, 利用GEE平台、ArcGIS 10.7平台和Python平台, 结合地学信息图谱、变异系数、Mann-Kendall趋势检验、Sen's斜率估计和Hurst指数等分析方法, 对1990~2022年间小江流域的生态质量时空格局和变化趋势进行分析. 结果表明：①研究区生态质量空间上具有较明显的地理分异性, 到2022年生态质量等级为优、良的区域主要分布在高山植被覆盖较好的区域, 生态质量较差的区域主要分布在地势相对较低的泥石流沟谷区域；时间尺度上, 1990~2022年研究区的RSEI指数从1990年的0.41增长到2022年的0.55, 生态环境质量整体呈波动改善趋势, 平均增幅为0.048（10 a）-1, 这与近些年该区大力开展的退耕还林、泥石流防治和水土保持、重金属污染治理等一系列生态建设工程密不可分. ②相较于NDVI指标, NDMVI对地形起伏区域的植被信息更加敏感, 尤其是在阴影区域, 能更准确定量描述植被信息, 更适合用于高山峡谷区的绿度信息表达, 从而使得RSEI更适用于高山峡谷区的生态质量评价；③小江流域RSEI变异系数平均值为0.202, 生态环境质量整体的波动性较小, 高波动主要集中在沿小江断裂带两侧的泥石流沟谷区域中, 这些区域地表由裸露岩石、泥沙构成, 容易受季节、气候和人为活动的影响；④该区生态环境质量上升面积占85.72%, 下降面积占10.15%, 未来变化趋势将以持续改善和未来退化为主, 占比分别为44.75%和39.97%, 因此, 需要紧密监测处于退化潜在风险的区域. 研究结果可为小江流域进一步开展生态环境保护、治理和可持续发展工作提供理论依据.
关键词: 生态环境质量      遥感生态指数（RSEI）      GEE平台      小江流域      时空格局      趋势变化     
Xiaojiang River Basin Ecological Environmental Quality Spatiotemporal Pattern and Evolutionary Trend Analysis Using GEE from 1990 to 2022
ZONG Hui-lin1,2 , ZHANG Xiao-lun1 , YUAN Xi-ping2,3 , LÜ Jie1 , YANG Ming-long1 , GAN Shu1,2     
1. Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093, China;
2. Research Center of Applied Engineering of Spatial Information Surveying and Mapping Technology in Plateau and Mountainous in Yunnan Province, Kunming 650093, China;
3. Key Laboratory of Mountain Land Cloud Data Processing and Application for Universities in Yunnan Province, West Yunnan University of Applied Sciences, Dali 671006, China
Abstract: Assessment and monitoring of the quality of the ecological environment in the area is a very important fundamental task in the development of ecological civilization in the Xiaojiang River Basin in Yunnan Province, which serves as a demonstration area for ecological restoration in the upper reaches of the Yangtze River. The Landsat remote sensing images from 1990, 1995, 2000, 2005, 2010, 2014, 2018, and 2022 were chosen, and the four indexes of greenness (NDMVI), humidity (WET), dryness (NDBSI), and heat (LST) were extracted. The remote sensing ecological index (RSEI) was created using the principal component analysis method, then the spatial and temporal patterns and trends of ecological quality in the Xiaojiang River Basin between 1990 and 2022 were examined using the GEE platform, ArcGIS 10.7 platform, and Python platform, combining the analysis methods of geographic information mapping, coefficient of variation, Mann-Kendall trend test, Sen's slope estimation, and Hurst's index. The findings demonstrated that: ① the ecological quality of the study area had more obvious geographic differentiation spatially, and by 2022, the areas with excellent and good ecological quality grades were primarily distributed in the areas with better alpine vegetation cover, and those with poor ecological quality were primarily distributed in the areas of the mudslide ravines with relatively low terrain. On a time scale, the study area's RSEI index increased from 0.41 in 1990 to 0.55 in 2022, with a fluctuating overall trend of ecological quality improvement and an average increase of 0.048(10 a) -1; this progress was directly related to a number of ecological construction initiatives that have been energetically carried out, such as converting farms to forests, preventing mudslides, saving soil and water, managing heavy metal contamination, etc. ② The RSEI was more appropriate for the evaluation of ecological quality in alpine ravine areas because, in comparison to the NDVI index, the NDVMI adopted in this study was more sensitive to vegetation information in topographic undulation areas, especially in shaded areas, and could more accurately and quantitatively describe the vegetation information. ③ The RSEI in the Xiaojiang River Basin had a mean coefficient of variation of 0.202. Overall, its volatility was low, and its high volatility was mostly concentrated in the mudslide gully area along both sides of the Xiaojiang River fracture zone, where the surface was made up of bare rocks and sediment that was easily impacted by the changing of the seasons, the climate, and human activity. ④ The quality of the ecological environment in the region was significantly improving, with the rising area reaching 85.72% of the total area and the declining area accounting for approximately 10.15% of the total area. The future trend of change will be dominated by ongoing improvement and future degradation, accounting for 44.75% and 39.97%, respectively. It is important to pay close attention to areas that could potentially degrade. The findings of this study can serve as a theoretical foundation for additional ecological environmental conservation, management, and sustainable development in the Xiaojiang River Basin.
Key words: ecological environment quality      remote sensing ecological index (RSEI)      GEE platform      Xiaojiang River Basin      spatial and temporal patterns      trend change     

生态文明建设于2018年首次历史性地被写入《中华人民共和国宪法修正案》. 随着我国对生态文明建设重视程度的提高, 国家对生态环境保护的投入和治理力度不断加大, 生态环境质量监测受到社会的广泛关注[1]. 近些年, 卫星遥感技术不断发展, 对地观测能力飞速提升, 能够更快速便捷地获取地表信息, 已被广泛用于生态环境监测领域.

小江流域位于云南省东北部, 居长江上游之金沙江下段右岸, 属金沙江Ⅰ级支流, 是长江上游生态环境最为恶劣的流域之一. 该区由于长期过度开采矿产资源、坡地开耕、植被破坏、土壤侵蚀和水土流失严重, 加之泥石流地质灾害频发, 对流域内植被、土壤、水体等生态环境要素产生强烈的破坏作用, 生态功能极度退化[2]. 对金沙江年输沙量1 000多万t, 占该流域输沙量的68.5%, 严重威胁长江流域生态安全及金沙江下游大型水电站群的正常运转. 因此, 该区生态环境治理与恢复迫在眉睫, 紧扣“长江上游生态修复示范区”“昆明北部生态涵养区”功能定位, 在小江流域大力推进退耕还林、荒山造林、生态廊道建设、泥石流防治和水土保持等生态建设工程, 系统整治修复流域生态环境. 目前, 针对该区的生态环境质量评价研究不足, 区域生态环境质量空间格局分布和时间演变趋势分析更是鲜见. 农兰萍等[3]针对昆明市、张诗文等[4]针对云南省开展的生态质量评价均覆盖了小江流域, 但这两个研究为避免实验区云的影响, 选用的实验数据分别为1~3月和2~4月, 存在较大的时间偏差, 不具代表性, 植被与生态质量紧密相关, 且RSEI指数将植被绿度作为关键指标之一, 因此, 影像数据必须选用植被生长期的数据得到的研究结果才能更准确地反映生态条件状况. 因此, 高效、准确地开展长时间序列生态环境质量空间分布格局与趋势分析, 对于该区前期生态环境建设成效评估及未来生态治理与恢复方针政策的制定具有重要的参考意义与指导意义.

徐涵秋[5]提出的遥感生态指数（remote sensing ecological index, RSEI）将绿度（normalized difference vegetation index, NDVI）、湿度（WET）、干度（normalized difference build and soil index, NDBSI）和热度（land surface temprature, LST）多个因子综合在一起, 采用主成分分析法客观地为每个指标定权, 能比单因子分析更加全面、准确、客观地表征生态质量状态, 同时, 该方法完全基于遥感影像数据, 能非常快速对区域生态环境做出评价, 得到了十分广泛的应用, 且不乏学者对其从不同的角度进行了发展与完善, 使得评价结果更具有针对性[6, 7]. 赵嘉丽等[8]引入盐度指标构建了遥感生态指数（AWRSEI）, 以岱海流域为例探讨了其在干旱和半干旱区流域适用性；王芳等[9]采用熵权法构建了遥感生态指数（E-RSEI）, 对黄河流域典型生态区进行了为期31 a的生态环境质量空间格局和驱动力分析. 近年来, 一些地理空间数据云计算平台蓬勃发展, 如Google Earth Engine[10]、PIE-Engine[11]和AI Earth云平台等, 改变了传统地理空间数据存储、管理和分析方式[12 ~ 14], 通过整合数据资源、提供大数据处理工具及高性能算力, 大大提高了运算效率, 被广泛用于地球科学研究[15 ~ 19]. 田智慧等[20]基于GEE平台对鄱阳湖流域1990~2020年生态环境质量变化进行了评估和分析, 并探测了主要的驱动力因子；傅楷翔等[21]基于GEE平台构建改进型盐渍遥感生态指数（salinity remote sensing ecological index, SRSEI）对青藏公路那（曲）安（多）段1990~2022年间的生态环境进行评估并分析了其驱动力. 以上研究成果为区域生态环境质量综合评价、时空格局演变分析提供了有益的参考.

由于小江流域位于云南典型高山峡谷区, 植被覆盖区采用NDVI指数表达时, 容易因地形起伏变化大出现局部表征不准确, 其特殊的地形环境条件使得原始的RSEI及已有的改进模型不适用, 因此需要结合研究区自身的地理环境特点对RSEI进行改进, 使其与当地的实际条件更契合. 吴志杰等[22]针对山地起伏变化区提出了归一化差值山地植被指数（normalized difference mountain vegetation index, NDMVI）, 能消除或抑制地形起伏带来的影响, 更准确地提取植被信息. 综上所述, 本文利用遥感大数据平台Google Earth Engine, 以云南省小江流域为研究区, 选用1990~2022年共33年的Landsat影像作为数据源, 基于RSEI模型, 将NDVI替换为NDMVI来构建遥感生态指数作为评价模型, 使之更加准确地反映该区生态质量状况, 对该区展开生态环境质量时空格局及演化趋势综合分析, 旨在为该区生态环境建设和可持续发展提供科学依据.

1 材料与方法 1.1 研究区概况

小江位于云南省东北方向, 全长约为138 km, 是金沙江右岸的一条支流, 流经东川区、会泽县和寻甸回族彝族自治县, 如图 1所示. 小江流域的总面积约3 370 km2, 区域内落差大于3 500 m, 地形起伏变化大, 主要构造地貌表现为山体的强烈陡升, 河流的迅速深切. 受西南季风和东南季风影响, 干湿季分明, 降水主要集中在5~10月, 降雨量约为600~1 025 mm[23]. 小江流域是我国暴雨型泥石流的发育区, 沿着小江两岸分布了约140多条泥石流冲沟[24], 发育在著名的小江深大断裂带上, 世界著名的泥石流地质公园即坐落于此. 其土地利用类型以草地、林地和耕地为主[25], 植被主要沿着垂直带分为干热河谷稀疏草丛带、山地常绿阔叶林与针叶林带、亚高山针叶林带、高山灌丛草甸带[26]. 目前, 针对该区的生态环境质量综合评价研究不足, 前期生态环境建设成效未知, 本文将研究与分析1990~2022年间该区的生态环境质量空间分布格局与趋势演变情况, 为该区未来生态建设可持续发展提供参考.

图 1 研究区概况示意 Fig. 1 Location of the study area

1.2 数据源与预处理

本文研究使用来源于GEE平台数据库中1990~2022年跨度33 a的Landsat遥感影像T1级别的地表反射率数据产品（surfae refletance, SR）, 涉及到Landsat 5（TM）、Landsat 7（ETM+）、Landsat 8（OLI）、Landsat 9（OLI-2）的地表反射率数据产品, 具体对应各年用到的数据见表 1, 在GEE中数据集的编号分别为LANDSAT/LT05/C02/T1_L2, LANDSAT/LE07/C02/T1_L2, LANDSAT/LC08/C02/T1_L2, LANDSAT/LC09/C02/T1_L2, 空间分辨率为30 m, 时间分别率为16 d. 该数据已经过辐射校正、大气校正、几何校正. 由于植被与生态质量紧密相关, RSEI指数采用植被绿度作为关键指标, 因此, 影像数据必须选用植被生长季节的影像, 以保证反演结果的准确性[27]. 研究区内, 5~11月植被生长迅速, 绿植覆盖度高, 在GEE编程（Javascript）过程中, 筛选目标年份的5~11月遥感影像, 该区域涉及2景影像. 在GEE云端完成影像的去云、中值合成、镶嵌、裁剪和去除水体等预处理操作.

表 1 各年对应的Landsat影像 Table 1 Landsat images for each year

1.3 研究方法 1.3.1 RSEI模型构建

研究区是云南省典型的高山峡谷区, 针对这一实际情况, 本文借鉴徐秋涵等[27]学者提出的遥感生态指数（RSEI）评价小江流域的生态质量, 采用绿度、湿度、干度和热度这4个指标构建评价指标体系. 在指标反演中, 由于研究区是典型的高山峡谷区, 地形起伏变化大, 从Landsat8局部合成影像[图 2（a）]和对应位置的Google高清影像[图 2（b）], 可以看到存在阴影区的地方是覆盖密集的植被区[图 2（a）和图 2（b）两个红框中], 在采用NDVI反演绿度指标时, 出现局部估算不准确的问题, 图 2（c）两个红框中植被区明显不一致, 而吴志杰等[22]提出的山地植被指数能更好地刻画植被信息[图 2（d）], 从图 2（d）中两个红框所示位置可知NDMVI得到的植被区具有更好的一致性, 即其所表达绿度信息更可靠. 因此将原始指标体系中由NDVI反演的绿度指标换成更适用于山区地形复杂区域的山地植被指数（NDMVI）, 以消除或抑制地形起伏带来的影响. 即本研究选用绿度（NDMVI）、湿度（WET）、干度（NDBSI）和热度（LST）这4个指标, 然后用主成分分析法第一主成分合成遥感生态指数（RSEI）来综合反映该区域的生态质量.

图 2 Landsat8合成影像中NDVI与NDMVI的局部细节对比 Fig. 2 Comparison of local details between NDVI with NDMVI in Landsat8 composite imagery

绿度指标通常用植被指数来定量表达, 反映区域植被的生长和覆盖状况, 对水土保持及生态环境质量产生着不可替代的作用和影响. 湿度指标是用来定量表征土壤中水分的重要指标之一, 通常采用缨帽变换（Kanth-Thomas）中的第三分量来表示. 干度指标可以表达土地荒漠化及退化的情况, 一般选用的是裸土指数（soil index, SI）和建筑指数（index-based built-up index, IBI）平均值得到干度指标（NDBSI）. 热度指标用地表温度（LST）来表达, 本文采用2020年12月美国地质调查局（U.S. Geological Survey, USGS）发行的Landsat卫星第二套数据集的2级产品（Landsat Collection 2 Level-2, LC2L2）中的地表温度产品（Landsat Collection 2 Level-2 surface temperature, LC2L2ST）[28], 该数据是基于热红外光谱数据反演的, 空间分辨率为30 m, 该产品是按16位整型数发布, 因此必须将像元的光谱灰度值按比例因子转换成地表温度值. 4项指标的具体计算公式见表 2.

表 2 各指标计算公式 Table 2 Formulas for each indicator

通过在GEE中编写主成分分析代码（JavaScript）计算第一主成分分量PC1, 见式（9）.

(9)

式（9）表示对4项指数进行主成分分析, 并取第一主成分分量PC1. 式中, NDMVI、WET、NDBSI和LST分别为绿度、湿度、干度和热度这4个遥感数据反演的指标的全局归一化值[29]. f（）为PCA运算, PC1为第一主成分.

在PC1第一主成分分量的基础上, 构建RSEI0：

(10)

式中, RSEI0为初始生态指数, PC1为第一主成分分量. 为了便于比较, 最后将RSEI0进行归一化处理, 使其值介于[0, 1]之间, 得到遥感生态指数RSEI, RSEI值越接近于1, 表示生态环境质量越好, RSEI值越接近于0, 表示生态环境质量越差.

1.3.2 地学信息图谱分析

地学信息图谱论多应用于空间信息变化领域, 能够直观反映变化的过程信息、空间信息和属性信息[34], 本文将其引入生态质量等级变化研究, 并在ArcGIS 10.7软件支持下, 将生态质量等级按照等级差[0~0.2]、较差（0.2~0.4]、中等（0.4~0.6]、良（0.6~0.8]和优（0.8~1.0]编码为1、2、3、4和5, 将前一期生态质量等级代码作为10位数, 后一期生态质量等级代码作为个位数, 按照公式（11）进行代数运算, 将二者合成一个新的生态质量编码[35].

(11)

式中, N为新生成的图谱编码, 表示生态质量从起始年份的A等级转换为结束年份B等级, 如代码14, 表示生态等级从1变为4, 即从差转变为良. 生态质量等级变化包括从低等级生态质量向高等级生态质量转变和从高等级生态质量向低等级生态质量转变, 表现为转入与转出两个动态过程, 转入为某等级生态质量转入本等级的过程, 转出则是本等级生态质量转为其他等级的过程, 意味着某等级的增加（涨势）和减少（落势）. 在研究时, 将初期和末期数据进行叠加处理, 得到对应等级的新增信息即涨势图谱, 和对应等级的减少信息即落势图谱[36], 用于可视化表达不同生态等级的转入和转出空间信息.

1.3.3 变异系数

CV变异系数主要用来反映数据的离散程度, 值越大, 表明数据分布越离散, 数据的波动较大[9]；反之, 则说明数据分布集中, 数据波动较小, 时序稳定. 基于像元的RSEI值计算变异系数来描述流域内生态质量的稳定性, 计算方式为：

(12)

式中, n为年份数, i表示第i年, RSEIi为第i年的遥感生态指数, STDRSEI表示区域逐年遥感生态指数平均值的标准差, RSEI是区域逐年遥感生态指数的平均值, CV表示变异系数. CV越大表明变异程度越高, 稳定性越低；CV越小表明变异程度越低, 稳定性越高. 聚类分析[Natural Breaks（Jenks）]的分级中断均是由数据的自然排列分布决定, 而非人为设定, 因此按聚类分析法将其划分为5个等级[37], 分别为低波动变化（CV≤0.15）, 较低波动变化（0.15 < CV≤0.20）, 中等波动变化（0.20 < CV≤0.25）, 较高波动变化（0.25 < CV≤0.31）、高波动变化（CV > 0.31）.

1.3.4 Mann-Kendall趋势检验及Sen's斜率估计

Mann-Kendall（M-K）检验法是一种非参数统计检验方法, 适用于非正态分布的序列趋势显著性检验, 能很好地揭示时间序列的趋势变化特征, 具体公式见文献[38]. 下文将Mann-Kendall检验法简称为M-K检验, 在置信度水平α = 0.05下, 判断RSEI变化的显著性, 当|Z| > 1.96时, 变化显著, 当|Z| < 1.96时, 变化不显著[39].

Sen's趋势度表示趋势性大小及变化方向, 计算公式如下：

(13)

式中, β为序列的趋势度, Median为取中位数, RSEIi为序列RSEI像元值, i和j为时间序列第i和第j个位置, RSEIi和RSEIj分别为第i个和第j个RSEI像元值. β > 0时, 代表序列呈上升趋势, β = 0时, 序列无趋势变化, 即序列平缓；β < 0时, 代表序列呈下降趋势；β的绝对值越大, 代表趋势上升或下降程度越大.

1.3.5 Hurst指数

1951年英国水文学家赫斯特提出了变化趋势预测方法, 称为Hurst指数, 可定量表征时间序列变化数据的持续性或长程相关性, 最常用的方法是R/S分析方法[40], 公式如下：

(14)

式中, R为极差, S为标准差, c为常数, 将观测值分为n个子序列RSEIi, 其中i=1, 2, …, n.m为任意正整数且0 < m < n, H为Hurst指数, 其中极差R（m）的计算公式如下：

(15)

式中, X（t）为累计离差, 计算公式为：

(16)

式中, 1 < t < m；标准差S（m）的计算公式如下：

(17)

通过计算, 得到多个平均重标度极差值, 对公式R/S=(cm)H两边取对数, 采用最小二乘法进行线性拟合, 所得的斜率即为Hurst指数. Hurst指数H的值域为[0, 1]；当H = 0.5时, 表示时序数据具有独立随机性, 无明显规律可循；当0.5 > H > 0时, 时间序列数据表现出明显的反持续性, 即未来变化趋势与过去的趋势相反；当1 > H > 0.5时, 时间序列表现为持续发展状态, 即未来变化趋势延续过去的趋势.

2 结果与分析 2.1 评价指标反演及各指标间相关性

在进行四大生态评价指标反演前, 应将水体去除, 以免带来对湿度指标估算的影响, 本研究采用常用的归一化差分水体指数（normalized difference water index, NDWI）去除水体. 反演计算出的NDMVI、WET、NDBSI和LST这4个生态指标情况如图 3所示. 从中可以看出, 1990~2022年, 代表生态质量好的绿度指标呈W型变化, 湿度指标呈现出较明显的上升趋势；代表生态质量差的干度指标呈W型变化, 同时具有较明显的下降趋势, 热度指标也呈现出W型变化.

图 3 各指标均值线性拟合 Fig. 3 Linear fit of the mean of each indicator

主成分分析得到的各主成分分量、特征值和贡献率见表 3, 第一主成分的贡献率在54.48%~71.65%之间, 已最大限度集合4个指标的信息. 在PC1中, 绿度NDMVI和湿度WET均为负值, 而干度NDBSI与热度LST均呈正值, 这是由于不同平台计算时计算结果不完全相同导致, 进行“1-PC1”计算后, 绿度NDMVI和湿度WET成为正值, 对生态质量发挥正向作用, 干度NDBSI与热度LST均呈负值, 对生态质量发挥反向作用, 与实际相符. 而其他几个主成分分量对应的载荷值正负号不稳定, 无规律可循, 难以解释其对生态质量带来的是有益或无益影响, 因此不应纳入生态质量评估的范畴, 仅采用第一主成分PC1作为生态表征代表[41].

表 3 各主成分的特征向量及贡献率 Table 3 Eigenvectors and contributions of each principal component

以2022年的实验结果为例, 在ArcGIS 10.7中创建渔网工具, 生成25 104个样本, 统计RSEI与各个评价指标间的相关性（图 4）, RSEI与NDMVI、WET、NDBSI和LST的相关系数分别为0.929、0.906、-0.942和-0.738, 最小达到0.738, 可见RSEI能代表各个分量的综合信息. 绿度和湿度对第一主成分PC1的贡献权重为负值, 与遥感生态指数RSEI的相关系数为正值, 表明绿度和湿度对研究区生态质量有正向积极作用；干度和热度对第一主成分PC1贡献权重为正值, 与遥感生态指数RSEI的相关系数为负值, 表明干度和地表温度对研究区生态质量有负向消极作用；这与现实中各指标对生态环境效应相对应.

图 4 RSEI与各指标的相关性 Fig. 4 Correlation of RSEI with indicators

2.2 研究区RSEI时空格局特征

统计各年份遥感生态指数的均值和标准差, 得到图 5, 1990~2000年这10年间生态质量越来越好；2000~2010年这10 a, 生态质量先下降, 后又慢慢逐渐恢复；2010~2022年生态环境也出现波动, 先下降, 后又大力恢复上升. 总的来看, RSEI均值从1990年的0.411增长到2022年的0.554, 在2005年和2014年出现两次低于0.4, 在2018年出现峰值0.619, 实验结果表明, 小江流域的生态质量总体向着振荡上升方向发展, 逐渐在改善, 增长率为0.048（10 a）-1.

图 5 1990~2022年RSEI及线性趋势拟合 Fig. 5 RSEI and linear trend fitting from 1990 to 2022

为了从空间角度度量生态质量状况, 本文根据《生态环境评价技术规范》（HJ/T 192-2006）, 将小江流域遥感生态指数划分为5个生态等级, 分别为差[0~0.2]、较差（0.2~0.4]、中等（0.4~0.6]、良（0.6~0.8]和优（0.8~1.0], 空间可视化结果如图 6所示, 分别对应1、2、3、4和5共5个等级. 可以发现, 在各年评价结果中, 沿着小江深大断裂带两侧的泥石流沟谷所在位置均处于生态质量较差的1和2级, 表明生态质量较差, 生态质量处于4、5级的大多位于高山植被覆盖较好的地方, 这一结果与实际情况吻合. 进一步统计了各个年份不同等级的面积（表 4）和占比（图 7）, 以便得到更加清晰的研究结果, 结果表明：①生态质量主要集中在较差、中等和良这3个等级, 差和优的占比非常小；②较差和差两个等级集中分布于沿小江断裂带两侧分布的泥石流沟区域, 以上地区属于干热河谷, 几乎都是稀疏草丛或裸露地表, 植被覆盖条件较差, 生态条件恶劣；③1990~2022年, 从整体上生态质量等级优和良的等级比例在波动上升, 相应的较差等级的比例在曲折下降, 其中优从1990年的0.05%上升为2022年的4.18%, 增加4.13%, 约有137 km2, 良从1990年的3.84%上升为2022年的49.87%, 增加46.03%, 约1 538 km2, 较差从1990年的45%下降到2022年的13.49%, 减少了31.51%, 约1 052 km2；④生态质量总体在逐步改善, 但在2005年和2014年出现了两次严重的退化, 这主要可能是受到当年干旱气候的影响, 地表温度影响力升高, 植被、湿度的正向影响力下降.

图 6 1990~2022年小江流域生态质量的分级结果 Fig. 6 Results of classification on RSEI from 1990 to 2022

表 4 1990~2022年生态质量等级面积/km2 Table 4 Area of classification on RSEI from 1990 to 2022/km2

图 7 1990~2022年生态质量分级面积占比 Fig. 7 Percentage of classification area on RSEI from 1990 to 2022

根据前文分析, 进一步分期研究小江流域生态质量的等级演变态势, 通过统计生态质量转移矩阵（表 5）得到等级演变情况[42], 从表 5中可以得到每个分期阶段内生态质量等级转变的面积. 为了更清楚了解生态质量的改善和退化状态, 结合前面等级划分, 将生态质量变化情况进一步归为3类, 分别为变好、不变和变差, 空间分布如图 8所示, 显然可知, 1990~1995年、1995~2000年、2005~2010年和2014~2018年这4个时段, 生态质量明显处于改善阶段, 其中2014~2018年时段的改善幅度最大, 而2000~2005年、2010~2014年和2018~2022年这3个时段, 生态质量处于退化回落阶段. 在生态质量改善期内, 植被覆盖良好, 同时裸露地表面积也得到控制, 在生态质量退化回落期内, 植被覆盖明显下降, 裸露地表也增加, 可见通过提高植被覆盖度, 不仅能提高绿度指标的正效能, 同时还能起到减少裸露地表面积从而降低干度指标的负效能, 可以极大地改善该区的生态环境.

表 5 1990~2022年生态质量转移矩阵/km2 Table 5 RSEI transfer matrix from 1990 to 2022/km2

图 8 1990~2022年遥感生态指数变化图谱 Fig. 8 Mapping of RSEI changes from 1990 to 2022

进一步将每种转变形式进行空间可视化, 制作了生态等级涨势图谱[图 9（a）]和落势图谱[图 9（b）], 并统计了涨势图和落势图中对应的每个等级涨了多少、落了多少, 以便直观反映变化的过程信息、空间信息和属性信息（表 6）. 从涨势图谱和落势图谱中可发现, 在生态质量变好的1990~1995年、1995~2000年、2005~2010年和2014~2018年这4个时段, 涨势图谱中能观察到3、4和5等级居多, 对应年份的落势图谱中1和2等级居多, 而在生态质量变差的2000~2005年、2010~2014年和2018~2022年这3个阶段, 涨势图谱中的1和2等级增加, 对应年份的落势图谱中则3、4和5等级增加.

图 9 1990~2022年RSEI涨（落）势图谱 Fig. 9 Mapping of RSEI uptrend and downtrend from 1990 to 2022

表 6 1990~2022年RSEI涨势和落势统计/km2 Table 6 Statistics of RSEI uptrend and downtrend/km2

2.3 研究区RSEI变化趋势分析

应用RSEI指数对小江流域的生态质量计算变异系数, 进行像元尺度的空间测度及时序演变稳定性模拟, 得到RSEI变异系数（CV）, 其值分布在[0.019, 0.841]范围内, 平均值0.201 6, 且95%以上分布于[0~0.31], 可见整体波动性较小. 按照制定的等级划分原则[43]处理, 得到各波动等级的空间分布[图 10（a）], 并进行统计（表 7中1~3列）. 由分布[图 10（a）]及统计结果可知, 1990~2022年波动变化由高到低依次为：较低波动、中等波动、低波动、较高波动和高波动. 说明RSEI随着时间, 不同波动变化并存, 其中高波动性占比最少, 其他几种波动等级为主. 变异系数偏大的区域主要分布在沿小江断裂带两侧的泥石流沟谷区域中, 这些区域地表由裸露岩石和泥沙构成, 容易受季节、气候和人为活动的影响, 是RSEI波动的主要因素. 变异系数较小的区域即稳定性比较高的区域主要集中在远离泥石流沟的高山上, 这些区域植被覆盖条件较稳定, 且受到人为干扰较少. 中等波动变化区域分散均匀分布在过渡区域.

图 10 RSEI变化趋势空间分布 Fig. 10 Spatial distribution of RSEI trends

表 7 RSEI空间变化趋势面积占比 Table 7 Percentage of area of RSEI spatial trends

在Python平台上, 进行M-K检验和Sen's斜率估计, 在置信度水平α=0.05下, 趋势检验结果如图 10（b）所示. 将Z值图像分为5级[44], 显著上升（Z > 1.96）、上升（0.001 < Z < 1.96）、无明显趋势（-0.001 < Z < 0.001）、下降（-1.96 < Z < -0.001）和显著下降（Z < -1.96）. 根据Z值分析可得RSEI变化趋势统计结果（表 7中4~6列）, 研究区中显著上升区域面积190.78 km2, 占研究区5.65%, 上升区域面积2 669.11 km2, 占研究区79.07%, 无明显变化区域面积173.24 km2, 占研究区5.13%, 下降区域面积337.77 km2, 占研究区10.01%, 显著下降面积4.73 km2, 占研究区0.14%. 显著上升和显著下降的总面积共有195.51 km2, 占研究区的5.79%, 以显著上升为主. 随后使用P值进行验证, 图 10（c）中表明具有显著趋势的面积共195.51 km2, 占研究区5.79%, 两者结果一致. 根据Sen's斜率估计[图 10（d）], 近33年来小江流域生态质量显著下降区域主要分布于东川区的铜都街道镇、会泽的娜姑镇及红土地镇靠近高山草甸分布区, 东川区的铜都街道镇、会泽的娜姑镇人口分布逐渐密集, 开发痕迹较重, 红土地镇靠近高山灌丛草甸带植被覆盖稀少, 几乎成为裸土地, 是生态质量出现明显退化的原因；显著上升区域主要分布于红土地镇南段、阿旺镇、功山镇和仁德街道.

小江流域RSEI的Hurst指数平均值为0.53, 以正向持续性为主, 空间分布如图 10（e）. Hurst指数大于0.5的面积为1 861.32 km2, 占研究区总面积55.09%, 表现为正向持续性, 即未来的变化趋势与过去这些年演变规律一致[45]；Hurst指数小于0.5的面积为1 514.31 km2, 占研究区总面积的44.82%, 表现为反持续性, 即未来变化趋势与过去演变规律相反.

将Hurst指数与前文的MK趋势检验分级结果结合, 小江流域1990~2022年生态质量趋势变化持续性格局如图 10（f）所示, 共有持续退化、未来退化、稳定不变、未来改善和持续改善这5类[9]. RSEI未来变化趋势统计结果（表 7中7~9列）显示, 其中持续退化约占7.28%的比例, 主要分布在娜姑镇、铜街街道和红土地镇靠北部, 是急需重点改善的区域；未来退化的区域占比约39.97%, 主要分布在海拔相对较低的山地常绿阔叶林与针叶林带和干热河谷稀疏草丛带外围, 需要给予持续监测和关注, 避免出现退化, 保持好现有的生态质量状态；持续改善的占比约为44.75%, 主要分布在流域边缘海拔较高的亚高山针叶林带、高山灌丛草甸带和海拔最低的干热河谷中心.

3 讨论 3.1 GEE平台构建RSEI优势

研究针对泥石流高发区的小江流域长时间序列遥感监测的需求, 基于GEE云平台选用Landsat5、Landsat7、Landsat8和Landsat9涉及时间跨度为1990~2022年的地表反射率数据产品, 筛选出5~11月植被生长季节遥感影像数据, 进行影像去云、中值合成、镶嵌、裁剪和去除水体等预处理, 得到更为稳定且更具代表性的数据, 实现该区域生态评价指标绿度（NDMVI）、湿度（WET）、干度（NDBSI）和热度（LST）的提取, 并采用主成分分析法合成遥感生态指数（RSEI）, 实现了该区生态质量的空间测度和时序变化分析. 本实验结果可知, 绿度NDMVI和湿度WET均与生态遥感指数RSEI呈正相关, 而干度NDBSI和热度LST均与生态遥感指数RSEI呈负相关, 这与前人研究的结果一致[27]. 值得进一步说明的是, 研究从以下几个方面得到了发展：其一, 绿度指标选用归一化差值山地植被指数（NDMVI）, 该指数具有消除或抑制地形起伏影响的作用, 与NDVI指数相比, 能更准确的表征山地植被信息；其二, 2022年的研究区数据采用美国2021年发射的最新一代的陆地卫星Landsat9传回的多光谱遥感数据和热红外光谱数据, 目前基于该数据的相关研究报道还很少, 该数据无疑将在地球科学研究领域带来更大的效益和价值；另外, 本文温度数据选用了2020年12月美国地质调查局（U.S. Geological Sur-vey, USGS）发布的Landsat热红外光谱数据生产的2级地表温度产品（LC2L2ST）, 属于中高尺度长时间序列数据, 远远高于原有的被广泛应用的Terra MODIS地表温度产品1 000 m分辨率. 以上基于GEE平台在不同层面上对模型的发展, 使得RSEI评价模型能更加客观、准确和快速地评价高山峡谷区的生态环境质量, 发挥出更大的效用和价值.

3.2 小江流域生态环境质量时空变异趋势

时间尺度上, 小江流域1990~2022年生态环境质量整体呈上升趋势, 且具有较小的波动性, 这一方面与区域气候环境有关, 另一方面与该区域加大生态环境治理密不可分. 该区过去长期粗放型的矿产开采、伐薪炼矿、爆破, 在历史因素、自然环境因素和人文因素等多种因素的综合作用下, 导致小江流域生态环境恶化严重, 地质灾害不断发生, 水土流失严重, 给当地居民生存造成巨大威胁, 同时严重威胁着长江流域生态安全及金沙江下游大型水电站群的正常运转. 自开始打造长江上游生态修复示范区以来, 大力开展生态环境治理工程, 包括退耕还林、荒山造林、生态廊道建设、天然林保护、森林抚育和退化防护林更新改造、泥石流防治和水土保持、重金属污染治理等, 从而改善了生态环境质量.

空间尺度上, 从2022年生态环境评价结果中可以看到, 生态质量处于差和较差两个等级面积约455 km2, 主要分布于沿着小江断裂带两侧的泥石流沟谷位置, 这些位置的生态质量整体上有轻微的改善, 但仍然属于整个流域中生态质量最脆弱的地方. 生态环境质量下降的区域主要分布在东川区的铜都街道镇、会泽的娜姑镇及红土地镇靠近高山草甸分布区, 且具有持续退化的趋势, 需重点加强改善和监测；而位于海拔相对较低的山地常绿阔叶林与针叶林带和干热河谷稀疏草丛带外围区域, 目前处于轻度改善的状态, 在未来可能出现退化的潜在风险, 需要进一步持续关注和监测.

3.3 不足与改进

本研究通过替换NDVI为NDMVI, 构建了更适合山区的遥感生态指数RSEI, 但未能加入流域特有的泥石流灾害信息、水土流失等生态因子, 因此, 在后期研究中, 将继续增加并优化生态评价指标体系, 以便更好地服务于该区生态环境质量监测. 本研究未开展生态质量变化驱动机制的研究, 在后续研究中可尝试采用地理探测器对生态驱动因子进行探测和分析, 达到更深入地揭示单因素或因子间交互作用对生态变化的驱动力.

4 结论

（1）通过集成NDMVI、WET、NDBSI和LST而构建的RSEI, 与各指标的相关度达到0.7以上, 能有效表征生态质量, 其中NDMVI比NDVI能更准确地表达地形起伏区域的植被状况.

（2）应用构建的RSEI对小江流域1990~2022年的生态质量进行评价, 整体呈现出改善趋势, 且具有较小的波动性. 在空间上, 生态环境质量较好的区域主要集中在高山植被覆盖较好的区域, 较差的区域主要集中在地势相对较低的泥石流沟谷区域. 在时序特征上, RSEI变异系数较低, 具有较高的稳定性, 33年间, 生态质量改善区域占比达到85.72%, 退化占比约10.15%, 但需要注意的是约47.25%的比例在未来可能存在退化的风险, 全面恢复和提升小江流域的生态质量任重道远.

（3）采用Google Earth Engine等类型的遥感大数据云平台进行生态质量遥感监测不仅能够快速、高效地完成影像预处理, 同时能更方便地完善和延续未来的监测工作, 在长时间、大范围的遥感监测研究领域中具有十分广阔的应用前景.

参考文献
[1] 杨坤士, 卢远, 翁月梅, 等. Google Earth Engine平台支持下的南流江流域生态环境质量动态监测[J]. 农业资源与环境学报, 2021, 38(6): 1112-1121.
Yang K S, Lu Y, Weng Y M, et al. Dynamic monitoring of ecological and environmental quality of the Nanliu River basin, supported by Google Earth Engine[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1112-1121.
[2] 王旭清, 史彦新, 潘建永, 等. 泥石流灾害多发区生态环境遥感监测评价[J]. 测绘通报, 2021(11): 21-24.
Wang X Q, Shi Y X, Pan J Y, et al. Remote sensing monitoring evaluation of ecological environment in debris flow disaster prone area[J]. Bulletin of Surveying and Mapping, 2021(11): 21-24.
[3] 农兰萍, 王金亮. 基于RSEI模型的昆明市生态环境质量动态监测[J]. 生态学杂志, 2020, 39(6): 2042-2050.
Nong L P, Wang J L. Dynamic monitoring of ecological environment quality in Kunming based on RSEI model[J]. Chinese Journal of Ecology, 2020, 39(6): 2042-2050.
[4] 张诗文, 李成荣, 王妍, 等. 基于长时序卫星遥感的云南省生态质量评价与演变特征[J]. 浙江农林大学学报, 2023, 40(3): 579-588.
Zhang S W, Li C R, Wang Y, et al. Evaluation and evolution characteristics of ecological quality in Yunnan based on long-time series satellite remote sensing[J]. Journal of Zhejiang A & F University, 2023, 40(3): 579-588.
[5] 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.
[6] 刘尚钦, 张福浩, 赵习枝, 等. 干旱区绿洲遥感生态指数的改进[J]. 测绘科学, 2022, 47(6): 143-151, 203.
Liu S Q, Zhang F H, Zhao X Z, et al. Improvement of remote sensing ecological index in oasis in arid area[J]. Science of Surveying and Mapping, 2022, 47(6): 143-151, 203.
[7] 董春媛, 乔荣荣, 杨智程, 等. 基于改进遥感生态指数的宁夏沿黄平原区生态环境质量评价[J]. 生态学报, 2023, 43(16): 6706-6715.
Dong C Y, Qiao R R, Yang Z C, et al. Eco-environmental quality assessment of the Ningxia plain along the Yellow River based on the modified remote sensing ecological index[J]. Acta Ecologica Sinica, 2023, 43(16): 6706-6715.
[8] 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.
[9] 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.
[10] Gorelick N, Hancher M, Dixon M, et al. Google earth engine: planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27. DOI:10.1016/j.rse.2017.06.031
[11] 程伟, 钱晓明, 李世卫, 等. 时空遥感云计算平台PIE-Engine Studio的研究与应用[J]. 遥感学报, 2022, 26(2): 335-347.
Cheng W, Qian X M, Li S W, et al. Research and application of PIE-Engine Studio for spatiotemporal remote sensing cloud computing platform[J]. National Remote Sensing Bulletin, 2022, 26(2): 335-347.
[12] Shelestov A, Lavreniuk M, Kussul N, et al. Exploring Google Earth Engine platform for big data processing: classification of multi-temporal satellite imagery for crop mapping[J]. Frontiers in Earth Science, 2017, 5. DOI:10.3389/feart.2017.00017
[13] 闫凯, 陈慧敏, 付东杰, 等. 遥感云计算平台相关文献计量可视化分析[J]. 遥感学报, 2022, 26(2): 310-323.
Yan K, Chen H M, Fu D J, et al. Bibliometric visualization analysis related to remote sensing cloud computing platforms[J]. National Remote Sensing Bulletin, 2022, 26(2): 310-323.
[14] 付东杰, 肖寒, 苏奋振, 等. 遥感云计算平台发展及地球科学应用[J]. 遥感学报, 2021, 25(1): 220-230.
Fu D J, Xiao H, Su F Z, et al. Remote sensing cloud computing platform development and Earth science application[J]. National Remote Sensing Bulletin, 2021, 25(1): 220-230.
[15] 王宇, 林中云, 赵胜楠, 等. 基于GEE云平台和数据融合的地表覆盖产品制作方法[J]. 农业机械学报, 2023, 54(8): 211-217.
Wang Y, Lin Z Y, Zhao S N, et al. Production method of land cover data based on GEE cloud platform and data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(8): 211-217.
[16] 娄佩卿, 付波霖, 林星辰, 等. 基于GEE的1998~2018年京津冀土地利用变化对生态系统服务价值的影响[J]. 环境科学, 2019, 40(12): 5473-5483.
Lou P Q, Fu B L, Lin X C, et al. Influence of land use change on ecosystem service value based on GEE in the Beijing-Tianjin-Hebei region from 1998 to 2018[J]. Environmental Science, 2019, 40(12): 5473-5483.
[17] 梁锦涛, 陈超, 孙伟伟, 等. 长时序Landsat和GEE云平台的杭州湾土地利用/覆被变化时空格局演变[J]. 遥感学报, 2023, 27(6): 1480-1495.
Liang J T, Chen C, Sun W W, et al. Spatio-temporal land use/cover change dynamics in Hangzhou Bay, China, using long-term Landsat time series and GEE platform[J]. National Remote Sensing Bulletin, 2023, 27(6): 1480-1495.
[18] 刘佳, 伍宇明, 高星, 等. 基于GEE和U-net模型的同震滑坡识别方法[J]. 地球信息科学学报, 2022, 24(7): 1275-1285.
Liu J, Wu Y M, Gao X, et al. Image recognition of co-seismic landslide based on GEE and U-net neural network[J]. Journal of Geo-information Science, 2022, 24(7): 1275-1285.
[19] 王力, 赵思妍, 陈元鹏, 等. 基于GEE云平台的黄土高原生态修复区植被变化与归因[J]. 农业机械学报, 2023, 54(3): 210-223.
Wang L, Zhao S Y, Chen Y P, et al. Vegetation change and attribution in ecological restoration area of loess plateau based on GEE cloud platform[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(3): 210-223.
[20] 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.
[21] 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 Naqu and Anduo sections of Qinghai-Tibet highway based on improved remote sensing ecological index[J]. Environmental Science, 2024, 45(3): 1586-1597.
[22] 吴志杰, 何国金, 黄绍霖, 等. 南方丘陵区植被覆盖度遥感估算的地形效应评估[J]. 遥感学报, 2017, 21(1): 159-167.
Wu Z J, He G J, Hang S L, et al. Terrain effects assessment on remotely sensed fractional vegetation cover in hilly area of southern China[J]. Journal of Remote Sensing, 2017, 21(1): 159-167.
[23] 彭锐. 小江流域泥石流特征综合探测分析研究[D]. 昆明: 昆明理工大学, 2019.
[24] 韦方强, 刘淑珍, 范建容, 等. 小江流域生态环境灾害与治理对策[J]. 自然灾害学报, 2004, 13(4): 109-114.
Wei F Q, Liu S Z, Fan J R, et al. Ecological environment disasters in Xiaojiang River basin and its control countermeasures[J]. Journal of Natural Disasters, 2004, 13(4): 109-114.
[25] 杨育丽, 马明国, 周兆叶. 基于地形梯度的山地流域土地利用格局及时空演变研究——以云南小江流域为例[J]. 测绘工程, 2017, 26(12): 8-16.
Yang Y L, Ma M G, Zhou Z Y. Research on land use patterns and temporal and spatial evolution in mountainous watershed based on topographic gradient——A case study of Xiaojiang basin[J]. Engineering of Surveying and Mapping, 2017, 26(12): 8-16.
[26] 李淑松. 小江流域泥石流堆积扇演化特征及其综合利用[D]. 绵阳: 西南科技大学, 2019.
Li S S. Evolution characteristics and comprehensive utilization of debris flow fans in Xiaojiang River Basin[D]. Mianyang: Southwest University of Science and Technology, 2019.
[27] 徐涵秋, 邓文慧. MRSEI指数的合理性分析及其与RSEI指数的区别[J]. 遥感技术与应用, 2022, 37(1): 1-7.
Xu H Q, Deng W H. Rationality analysis of MRSEI and its difference with RSEI[J]. Remote Sensing Technology and Application, 2022, 37(1): 1-7.
[28] 李春强, 高永刚, 徐涵秋. Landsat新型热红外地表温度产品与MODIS地表温度产品的交互对比[J]. 光谱学与光谱分析, 2023, 43(3): 940-948.
Li C Q, Gao Y G, Xu H Q. Cross comparison between Landsat new land surface temperature product and the corresponding MODIS product[J]. Spectroscopy and Spectral Analysis, 2023, 43(3): 940-948.
[29] 骆泓鉴, 明冬萍, 徐录. 基于GEE的遥感生态指数时序计算[J]. 自然资源遥感, 2022, 34(2): 271-277.
Luo H J, Ming D P, Xu L. Time series calculation of remote sensing ecological index based on GEE[J]. Remote Sensing for Natural Resources, 2022, 34(2): 271-277.
[30] Crist E P, Cicone R C. A physically-based transformation of thematic mapper data---the TM tasseled cap[J]. IEEE Transactions on Geoscience and Remote Sensing, 1984(3): 256-263.
[31] Huang C, Wylie B, Yang L, et al. Derivation of a tasselled cap transformation based on Landsat 7 at-satellite reflectance[J]. International Journal of Remote Sensing, 2002, 23(8): 1741-1748. DOI:10.1080/01431160110106113
[32] Baig M H A, Zhang L F, Shuai T, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5): 423-431. DOI:10.1080/2150704X.2014.915434
[33] 曾成强, 王理根. 新一代Landsat卫星星座特征及应用前景[J]. 城市勘测, 2022(5): 78-85.
Zeng C Q, Wang L G. The characteristics and application prospects of the new generation Landsat satellite constellation[J]. Urban Geotechnical Investigation & Surveying, 2022(5): 78-85.
[34] 路昌, 周浩, 张凤, 等. 基于地学信息图谱的山东省国土空间转型分析[J]. 农业机械学报, 2021, 52(7): 222-230.
Lu C, Zhou H, Zhang F, et al. Land spatial transformation analysis in Shandong province based on Geo information map[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(7): 222-230.
[35] 杨爱民, 朱磊, 陈署晃, 等. 1975-2015年玛纳斯河流域土地利用变化的地学信息图谱分析[J]. 应用生态学报, 2019, 30(11): 3863-3874.
Yang A M, Zhu L, Chen S H, et al. Geo-informatic spectrum analysis of land use change in the Manas River Basin, China during 1975-2015[J]. Chinese Journal of Applied Ecology, 2019, 30(11): 3863-3874.
[36] 王鹏, 赵微, 柯新利. 基于SRP模型的潜江市生态脆弱性评价及时空演变[J]. 水土保持研究, 2021, 28(5): 347-354.
Wang P, Zhao W, Ke X L. Evaluation and spatiotemporal evolution of ecological vulnerability of Qianjiang based on SRP model[J]. Research of Soil and Water Conservation, 2021, 28(5): 347-354.
[37] 张伟, 杜培军, 郭山川, 等. 改进型遥感生态指数及干旱区生态环境评价[J]. 遥感学报, 2023, 27(2): 299-317.
Zhang W, Du P J, Guo S C, et al. Enhanced remote sensing ecological index and ecological environment evaluation in arid area[J]. National Remote Sensing Bulletin, 2023, 27(2): 299-317.
[38] 陈赟, 沈浩, 王晓慧, 等. 基于Mann-Kendall趋势检验的城市能源碳达峰评估方法[J]. 上海交通大学学报, 2023, 57(7): 928-938.
Chen Y, Shen H, Wang X H, et al. Assessment method for urban energy carbon emission peak based on Mann-Kendall trend test[J]. Journal of Shanghai Jiao Tong University, 2023, 57(7): 928-938.
[39] 冷险险. 气候变化下云南省干旱时空演变及预估[D]. 昆明: 昆明理工大学, 2020.
Leng X X. Evolution and prediction of dry spatial and temporal conditions in Yunnan Province under climate change[D]. Kunming: Kunming University of Science and Technology, 2020.
[40] Mandelbrot B B, Wallis J R. Robustness of the rescaled range R/S in the measurement of noncyclic long run statistical dependence[J]. Water Resources Research, 1969, 5(5): 967-988. DOI:10.1029/WR005i005p00967
[41] 徐涵秋, 李春强, 林梦婧. RSEI应使用主成分分析或核主成分分析?[J]. 武汉大学学报(信息科学版), 2023, 48(4): 506-513.
Xu H Q, Li C Q, Lin M J. Should RSEI use PCA or kPCA?[J]. Geomatics and Information Science of Wuhan University, 2023, 48(4): 506-513.
[42] 岳奕帆, 陈国鹏, 王立, 等. 基于GEE平台的舟曲县1998—2019年植被覆盖变化分析[J]. 草地学报, 2022, 30(6): 1534-1542.
Yue Y F, Chen G P, Wang L, et al. Analyses of vegetation coverage changes in Zhouqu county from 1998 to 2019 based on GEE platform[J]. Acta Agrestia Sinica, 2022, 30(6): 1534-1542.
[43] 胡尔查, 王晓江, 铁牛, 等. 内蒙古大青山国家级自然保护区植被归一化指数时空变化及其与环境因子的关系[J]. 生态学报, 2022, 42(14): 5945-5955.
Hu E C, Wang X J, Tie N, et al. Spatio-temporal variation of NDVI and influencing factors in the Daqing Mountain National Nature Reserve, Inner Mongolia[J]. Acta Ecologica Sinica, 2022, 42(14): 5945-5955.
[44] 韦春桃, 周永绪, 朱菲, 等. 基于GEE的石嘴山地区生态环境质量时空演变特征研究[J]. 测绘工程, 2023, 32(2): 30-39.
Wei C T, Zhou Y X, Zhu F, et al. Spatial and temporal evolution characteristics of ecological environment quality in Shizuishan region based on GEE[J]. Engineering of Surveying and Mapping, 2023, 32(2): 30-39.
[45] 李卓, 孙然好, 张继超, 等. 京津冀城市群地区植被覆盖动态变化时空分析[J]. 生态学报, 2017, 37(22): 7418-7426.
Li Z, Sun R H, Zhang J C, et al. Temporal-spatial analysis of vegetation coverage dynamics in Beijing-Tianjin-Hebei metropolitan regions[J]. Acta Ecologica Sinica, 2017, 37(22): 7418-7426.