2024, Vol. 45
2. 中国科学院大学, 北京 100101;
3. 陕西黄土高原地球关键带国家野外科学观测研究站, 西安 710061
2. University of Chinese Academy of Sciences, Beijing 100101, China;
3. National Observation and Research Station of Earth Critical Zone on the Loess Plateau in Shaanxi, Xi'an 710061, China
黄土丘陵沟壑区是中国西部黄土高原最具代表性的地貌类型之一, 受限于干旱的气候、破碎的地形和稀疏的植被, 该地区生态环境呈现出极大的脆弱性, 严重的水土侵蚀使该地区成为中国生态安全的重点保护区[1~3]. 保护和恢复该区域的生态稳定直接关系到国家生态安全. 近年来, 该地区遭受到气候变化和非持续性土地利用的双重压力, 导致部分地区生境质量发生明显退化[4~6]. 因此, 定量研究黄土丘陵沟壑区的生境质量变化及其驱动力对于合理布局下垫面, 维持生态系统稳定及促进可持续发展均具有重要意义.
当前, 卫星遥感技术具有快速、广泛、实时获取和处理生态信息的优势, 并能够整合多学科知识, 已成为环境监测、生态调查、资源评估等工作的有效手段[7~9]. 国内最早利用遥感技术对黄土丘陵沟壑区生态环境开展相关研究的工作可追朔至20世纪90年代, 付炜[10]应用遥感和地理信息系统技术提取土壤侵蚀主要影响因子, 并建立土壤产沙模型, 对小流域土壤侵蚀进行实验研究, 实现对黄土丘陵沟壑区土壤侵蚀的持续监测和快速评估. 傅伯杰等[11]基于IDRIS地理信息系统生成数字高程模型（DEM）, 对黄土丘陵沟壑区的土壤侵蚀类型进行分类和过程分析. 21世纪以来, 随着遥感技术的发展和成熟, 更多生态环境评估方法应用到黄土丘陵沟壑区, 如Chen等[12]采用层次分析法对区域生态环境的特征、质量、利用程度和潜力进行了评价, 并提出生态改造、恢复和规划的建议. 姚楠等[13]结合GIS与InVEST模型评价了黄土丘陵沟壑区土地利用转化和碳储量变化, 发现退耕还林还草工程显著促进了区域生态系统碳储量的增加. 然而, 上述研究只针对特定的生态主题进行分析, 对黄土丘陵沟壑区整体的生态环境质量评估较为缺乏. 而由徐涵秋[14]提出的遥感生态指数RSEI可以较好地解决这一问题. 该指数完全基于遥感信息, 通过主成分分析法将绿度、湿度、热度和干度耦合, 实现对区域生态环境全面、快速地评估和监测[15, 16]. 目前遥感生态指数RSEI已在城市[17, 18]、自然保护区[19]、流域[20, 21]和区域[22]等不同空间尺度范围的生境质量评价中得到了很好地应用. 因此, 本研究引入该指数对黄土丘陵沟壑区生境质量进行长时序动态监测和评价.
祖厉河流域属典型的黄土丘陵沟壑区, 地形破碎、生境脆弱、干旱少雨、弱产水、强产沙且水土流失严重, 植被恢复困难[23]. 2000年以来, 社会经济发展和生态工程大力推进, 极大地促进了该地区机修农耕梯田、撂荒、退耕还林和造林梯田的转型. 极强的土地利用变化及干旱化的气候使得该区域生态环境变化较大. 因此, 本研究以祖厉河流域为研究对象, 采用Google Earth Engine（GEE）平台和Landsat遥感数据, 系统调查2000~2020年的遥感生态指数RSEI的时空分布情况. 此外, 由于研究区属于半干旱地区, 植被较为稀疏, 土壤暴露面积较大, 会对红、近红外波段的反射率有较大影响, 使得NDVI的计算受到干扰[24], 而Qi等[25]提出的改进土壤调整植被指数MSAVI能够动态消除土壤背景的影响. 因此, 本研究使用MSAVI代替NDVI作为绿度指标进行生态遥感指数评价模型构建, 同时, 运用统计学和地理信息系统工具（变异系数CV、Theil-Sen Median斜率估计、Mann-Kendall显著性检验和Hurst指数）, 深入分析20 a间生境质量的时空变化格局. 当前, 地理探测器作为驱动因子分析工具, 已在生态学领域得到了广泛的应用和验证[26, 27]；因此, 本研究选取6个环境因子和人为因子, 引入地理探测器探讨引起RSEI空间分布变化的主要驱动力. 本研究旨在为黄土丘陵沟壑区生态恢复和治理提供理论支持, 并为制定具体的生态规划和管理措施提供科学依据.
1 研究区概况祖厉河是黄河上游的一级支流, 发源于通渭县华家岭, 于靖远县汇入黄河, 地理坐标为104°12′~105°33′E, 35°18′~36°34′N（图 1）. 流域面积约为10 682 km2, 海拔分布在1 392~2 816 m之间, 地势南高北低, 最高处位于流域东北的崛吴山, 最低处位于汇入黄河处. 该流域气候干燥, 降雨稀少, 蒸发量大, 年均气温为6~8℃, 年均降水量仅在300 mm左右, 而蒸发量则高达1 560~1 660 mm[28]. 流域内水土流失严重, 受径流冲刷影响, 地貌呈现千沟万壑的景象[29]. 由于灌溉条件艰苦, 主要的土地生产方式依赖于雨水灌溉, 人为灌溉较少. 为了改善流域内的水土涵养能力, 近年来进行了大规模的坡改梯整地工程, 修建了大量梯田.
|
图 1 研究区示意 Fig. 1 Location of the study area |
GEE平台收录了全球1984年至今的Landsat数据, 可通过Javascript编译在线调用. 本研究所用到的2000~2012年Landsat遥感影像使用Landsat5 TM地表反射数据集（GEEID：LANDSAT/LT05/C01/T1_SR）, 2013~2020年影像使用Landsat8 OLI地表反射数据集（GEEID：LANDSAT/LC08/C01/T1_SR）, 上述产品的空间分辨率均为30 m, 时间分辨率为16 d. GEE中的Landsat地表反射数据（SR）产品已进行大气校正、辐射定标等预处理, 达到T1级别, 后续计算仅需做去云处理. 为保证RSEI计算的准确性, 并确保遥感影像不缺失, 每年云量阈值选择小于15%；根据前人研究结果, 研究区的植被生长期主要集中在第100~280 d[30], 故每年遥感影像时间段选择4~9月.
2.1.2 其他数据源如表 1所示, 本研究中使用到水体、高程、人口密度、降水、气温和梯田等数据均收录在GEE数据库中, 可通过Javascript编程进行在线裁剪、投影变化并下载使用. 其中水体数据在GEE平台中将其投影转换, 利用掩膜工具将2级以上水体从RSEI计算中剔除, 以消除水体对地表反演及主成分分析的影响[14]. 本研究使用ArcGIS 10.2的创建渔网工具创建800 × 800大小的渔网, 共生成17 054个网格, 利用分区统计工具获取网格内的梯田面积、高程、坡度、人口密度、降水、气温、MSAVI、WET、LST和NDBSI的均值或总和, 随后根据自然断点法将网格内梯田分布面积分为8类, 其余因子分为5类, 最后导入地理探测器进行空间分异驱动力分析.
|
表 1 其他数据源及说明1） Table 1 Other data sources and descriptions |
2.2 研究方法 2.2.1 基于GEE平台的RSEI计算
在反映生境质量的各项指标中, 绿度、湿度、热度和干度与人类的生产生活息息相关[31], 且这4个指标信息可通过遥感影像大面积快速获取. 本研究用土壤调节植被指数、湿度分量、地表温度和干度指数分别代表绿度、湿度、热度和干度, 在GEE平台中计算出4个指标值并进行归一化处理, 随后再进行主成分分析, 各指标计算公式见表 2. 用1减去第一主成分PC1后得到初始RSEI值RSEI0. 计算公式如下：
|
(1) |
|
|
表 2 各指标计算公式 Table 2 Formulas for the calculation of indicators |
式中, RSEI0为初始RSEI值, PC1为第一主成分, MSAVI、WET、LST和NDBSI分别对应绿度、湿度、热度和干度.
对RSEI0进行归一化处理后获得RSEI值：
|
(2) |
式中, RSEI0_min和RSEI0_max分别为初始RSEI0值中的最小和最大值. RSEI值映射在[0, 1]之间, RSEI值越接近1, 说明生境质量越好.
2.2.2 稳定性分析（CV）变异系数（CV）是一种衡量数据集中值相对于平均值的分散程度的方法, 它通过计算标准差与平均值的比值得到[32, 33]. 本研究在像元尺度上计算2000~2020年祖厉河流域遥感生态指数RSEI的变异系数, 用于评估RSEI在长时间序列上变化的稳定性. 计算公式如下：
|
(3) |
式中, CV为遥感生态指数变异系数, δ为RSEI标准差, γ为RSEI算术平均值. CV值越小表明数据分布越紧凑, 遥感生态指数RSEI年际变化程度越小；反之, CV值越大, 表明数据分布越离散, 遥感生态指数RSEI年际变化程度越大. 在ArcGIS 10.2中利用自然断点法[34]将变异系数划分为低变异（CV < 0.316）, 中等变异（0.316 ≤ CV ≤ 0.525）和高变异（CV > 0.525）.
2.2.3 Theil-Sen Median+MK趋势变化分析Theil-Sen Median斜率估计法与Mann-Kendall显著性检验法常被结合用于分析长时间序列栅格数据的趋势变化情况[19, 34, 35]. 该方法的优势在于能够规避噪声数据的干扰, 有效减少因数据误差造成的影响, 具有较高的稳健性和可靠性[36]. 其中Sen斜率度计算公式如下：
|
(4) |
式中, Median为计算中值, RSEIi和RSEIj为第i和第j年对应的遥感生态指数RSEI值, βrsei为RSEI变化斜率. 当βrsei > 0时, 说明生境质量呈改善趋势, 当βrsei < 0时, 则表明生境质量呈退化趋势.
Mann-Kendall显著性检验是一种广泛应用的非参数检验法, 其详细计算公式见文献[30]. 本研究给定显著性水平α为0.05, 可在正态分布表中查找临界值Z1-α/2为±1.96, 以判断趋势变化的显著性, 则如果|Z|大于1.65、1.96和2.58, 表示趋势分别通过了信度为90%、95%和99%的显著性检验. 根据检验结果, 本研究将变化显著性分为不显著变化、微显著变化、显著变化和极显著变化这4类.
2.2.4 Hurst指数未来趋势分析基于重标极差（R/S）分析方法基础上的Hurst指数, 是用来量化表示一组长时间序列数据变化可持续性的一种方法, 其详细计算原理见文献[31]. Hurst指数有3种表现形式：当0.5 < H < 1时, 表明时序数据未来趋势与过去趋势相同, H数值越靠近1, 持续性越强；当H = 0.5时, 时序数据为随机变化；当0 < H < 0.5时, 时序数据未来的趋势与过去相反, H越接近0, 反持续性越强. 本研究将Sen斜率分析结果与Hurst指数计算结果进行叠加分析, 由此分析RSEI的未来变化趋势.
2.2.5 地理探测器地理探测器是一种统计学方法, 用于探明空间分异性和揭示其背后的驱动因素[37]. 除了4个指标因子外, 本研究还选取梯田分布、坡度、高程、人口密度、降水和气温这6个驱动因子作为自变量, 以RSEI值作为因变量, 进行分异及因子探测和交互作用探测, 分析环境因子和人为因子对RSEI变化的影响.
分异及因子探测：探测某一因子X对因变量Y空间分异性的影响力, 通常以q值进行度量, 计算公式为：
|
(5) |
式中, h=1, 2, …, L为变量Y或因子X的分层, Nh和N分别为层h和全区的单元数；σ2和σh2分别为层h和全区的Y值的方差. SSW和SST分别为层内方差之和与全区总方差. q取值范围为[0, 1], q值越大表明自变量对因变量的影响力越大, 反之则影响力越小.
交互作用探测：探明两个不同影响因子（X1、X2）共同作用下对因变量（Y）的影响. 评估方法是将两个影响因子对因变量的交互q值[q（X1∩X2）]与单因子q值[q（X1）, q（X2）]、两个单因子q值之和[q（X1）+ q（X2）]进行大小比较, 将双因子交互作用分为5类（表 3）.
|
|
表 3 双因子交互作用结果 Table 3 Interaction results between factors |
3 结果与分析 3.1 遥感生态指数模型适用性检验
对组成遥感生态指数的4个指标进行主成分分析, 结果如表 4所示. 各年份第一主成分最高贡献率为83.08%, 最低贡献率为68.76%, 平均贡献率为74.77%, 说明第一主成分集成了各项指标大部分特征信息；同时, 在第一主成分上, 绿度指标（MSAVI）和湿度指标（WET）载荷值呈正值, 而热度指标（LST）和干度指标（NDBSI）载荷值则呈负值, 与现实中绿度和湿度对生态环境起正效应, 热度和干度对生态环境起负效应的情况相符[38]；此外, 其他主成分（PC2、PC3和PC4）的指标载荷值正负符号未呈现出规律性, 难以解释生态现象. 因此, 通过PC1耦合4项指标分量的遥感生态指数可以客观反映研究区生境质量情况.
|
|
表 4 研究区各项指标主成分分析结果 Table 4 Principal component analysis of four indicators in the study area |
3.2 祖厉河流域RSEI分级时空分布分析
参考2015年颁布的《生态环境状况评价技术规范》, 以0.2为间隔[39, 40], 将2000~2020年祖厉河流域生境质量划分为差、较差、一般、良和优这5个级别, 并统计各等级占比分布情况（图 2和图 3）. 根据图 2（a）, 20年间, 祖厉河流域RSEI均值先下降后上升, 其中2000年RSEI均值为0.388, 2005年下降至0.328；2005~2010年RSEI均值无明显变化；而2010~2020年, RSEI均值上升至0.557, 生境质量逐步得到改善. 由图 2（b）可得, 生境质量差（包括差和较差）的面积占比先上升后下降, 从2000年的56.69%上升至2005年的峰值（74.64%）, 随后在2020年降至最低值（7.42%）；生境质量一般的面积占比则呈现出先下降后上升的趋势, 其占比最低点出现在2005年（23.39%）, 最高点出现在2020年（60.42%）；生境质量良和优面积逐年增加, 2000~2010年占比不到5%, 2015年提高至9.57%, 2020年大幅增长至32.17%. 从图 3空间分布来看, 生境质量向良和优变化的地区更多集中在流域北部的低海拔地区；流域南部地区生境质量改善不明显, 部分区域甚至出现了退化现象. 总体而言, 20年间, 祖厉河流域生境质量主要从较差等级（2000~2010年）向一般等级（2015~2020年）转变.
|
图 2 2000~2020年生境质量变化分布 Fig. 2 Distribution of changes in habitat quality from 2000 to 2020 |
|
图 3 2000~2020年祖厉河流域RSEI空间分布 Fig. 3 Spatial distribution of RSEI in the Zuli River Basin from 2000 to 2020 |
在ArcGIS 10.2中将Theil-Sen Median趋势变化分析结果与Mann-Kendall显著性检验结果叠加, 将遥感生态指数RESI变化分为9种类型（表 5和图 4）. 由表 5可知, 2000~2020年祖厉河流域生境质量变化趋势中, 不显著改善的面积占比最大, 达到44.88%；显著改善面积（包括极显著改善和显著改善）占比为28.49%；无变化的面积占比最小, 为0.11%；而生态退化的面积之和为1 033.54 km2, 面积占比为7.82%. 由图 4可知, 生境质量得到改善的地区相对集中, 以面状形式分布；而退化区域则相对分散, 呈点状散布在改善区域之间. 生境质量显著改善区域主要分布在在会宁县中部和西北部地区, 以及靖远县境内祖厉河下游沿岸地区. 总体而言, 研究期间祖厉河流域生态改善区域面积远大于生态退化区域面积, 生境质量整体呈改善趋势.
|
|
表 5 遥感生态指数RSEI变化显著性统计 Table 5 Significance statistics of changes in RSEI index |
|
图 4 2000~2020年祖厉河流域RSEI显著性变化 Fig. 4 Changes in RSEI significance in the Zuli River Basin from 2000 to 2020 |
对遥感生态指数进行逐一像元计算变异系数（CV）, 获得祖厉河流域遥感生态指数稳定性分布（图 5）. 由图 5可知, 2000~2020年祖厉河流域生态质量变化稳定性整体偏中上, 变异系数CV均值为0.365. 低变异等级区域面积占比为45.06%, 主要分布在流域南部山地丘陵区, 以上地区人类活动强度相对较低；中等变异等级区域广泛分布在流域中北部地区, 面积占比为36.65%；高变异等级区域分布在会宁县与靖远县境内, 面积占比为18.29%. 结合图 4和图 5进行对比分析可得, 遥感生态指数显著改善区域与高变异等级区域大致吻合, 说明近年来祖厉河流域北部地区生境质量改善明显, 治理效果显著.
|
图 5 2000~2020年祖厉河流域生境质量稳定性 Fig. 5 Habitat quality stability in the Zuli River Basin from 2000 to 2020 |
在ArcGIS 10.2中将趋势变化结果与Hurst指数计算结果进行叠加分析, 获得6种遥感生态指数未来变化趋势（表 6和图 6）. 由表 6可知, 祖厉河流域RSEI像元呈现可持续性变化（H > 0.5）的面积占比为80.21%, 呈现反持续性（H < 0.5）变化的面积占比为19.79%, 平均Hurst指数为0.558, 表明祖厉河流域大部分区域未来生境质量将保持原有的变化趋势. 根据图 6和表 6, 祖厉河流域生境质量未来变化趋势中以持续改善为主, 面积占比为73.48%, 在全流域范围内均有分布；未来改善趋势区域面积比例为1.5%；持续退化趋势区域面积占比为5.6%, 主要聚集在流域东北部的崛吴山地区, 以及安定区西南部的马窑湾、阴山湾和刘家沟等地区；未来退化趋势面积占比17.89%, 主要分散分布在安定区境内, 以及会宁县境内的李家坪、豆家沟等地区；未来趋势不变和未来趋势不确定区域面积占比分别为1.13%和0.41%.
|
|
表 6 祖厉河流域生态环境变化趋势持续性统计 Table 6 Sustained statistics on ecological trends in the Zuli River Basin |
|
图 6 祖厉河流域生境质量未来变化趋势 Fig. 6 Future trends in habitat quality in the Zuli River Basin |
地理探测器中的因子探测器量化了各因子对生境质量空间分异性的影响程度, 通过计算各因子的q值来进行判断（图 7）. 图 7显示, 各因子对生境质量的影响力由大到小排序为：MSAVI > LST > 降水 > 高程 > WET > 气温 > NDBSI > 梯田 > 坡度 > 人口密度. 构成遥感生态指数RSEI的4个因子中, MSAVI影响力最大, 解释力达到86.27%, 其次是LST, 解释力为60.16%. 其余因子中, 降水、高程和气温为主要影响因子, 解释力均在30%以上；次要影响因子为梯田, 因子解释力为16.07%；坡度和人口密度的单因子解释力较低.
|
图 7 单因子探测结果 Fig. 7 Factor detection results |
由于遥感生态指数的4个构成因子参与了RSEI值的计算, 因此本研究仅讨论模型因子以外的其他因子之间的交互影响力. 利用交互探测器获取了两个因子在共同作用下对生境质量空间分异性的解释力（图 8）. 结果显示, 有77.7%的情况呈现双因子增强的效果, 而22.3%的情况则表现为非线性增强, 这表明因子之间的交互作用对于解释研究区生境质量空间分异具有显著增强作用, 因此可得出祖厉河流域生境质量的空间分异是多因子共同作用的结果. 双因子交互作用中, q值大于0.5的交互类型有7种, 其中降水∩高程（q值= 0.667）交互影响力最大, 其次是降水∩气温（q值= 0.584）和降水∩梯田（q值= 0.527）, 降水与其他探测因素的相互作用结果表明, 降水对该地区的生境质量有较大影响. 在人为因子中, 梯田因子与降水、气温和高程的交互作用均超过梯田单因子作用的两倍, 说明梯田因子在与环境因子的共同作用下, 能显著提升影响生境质量空间分异的解释力.
|
1. 梯田, 2. 坡度, 3. 高程, 4. 人口密度, 5. 降水, 6. 气温, 7. 绿度MSAVI, 8. 湿度WET, 9. 热度LST, 10. 干度NDBSI 图 8 双因子交互探测结果（q值） Fig. 8 Two-factor interaction to detect influence |
本研究利用GEE平台, 构建完全依赖于遥感信息和自然因素的遥感生态指数（RSEI）计算代码, 得到2000~2020年祖厉河流域生境质量变化情况, 结果显示, 祖厉河流域20年间生境质量呈先下降后上升的趋势, 这与崔亚婷等[41]得出的研究结果一致. 研究区内生境质量显著改善的区域主要分布在会宁县, 与郑凯[42]的研究结论相吻合, 其发现在2000~2016年期间, 祖厉河流域植被覆盖度NDVI变化中, 会宁县的增加值最为显著. 20年间, 祖厉河流域的生境质量改善面积远远超过了退化面积, 并呈现出持续改善的趋势. 这主要得益于国家在黄土丘陵沟壑区实施的一系列生态保护工程, 包括自1998年起的天然林保护工程、退耕还林和退牧还草计划等[43]. 然而, 部分地区仍存在退化现象, 且未来有持续退化的潜在风险, 如流域东北部的崛吴山地区和西南部的马窑湾、阴山湾和刘家沟等海拔在2 500 m以上的地区. 通过实地考察发现, 祖厉河流域地貌破碎, 高海拔地区灌溉条件恶劣, 农村劳动人口不断迁出, 导致大量农田弃耕, 梯田坍塌, 这可能是上述地区生境质量发生退化的部分原因. 针对以上地区, 应及时采取植被恢复、梯田结构维护等生态修复措施；同时, 应根据当地的实际情况制定合理的生态补偿政策, 将生态环境保护与经济利益相结合, 使保护者得到补偿与激励, 从而鼓励当地居民留在家乡, 积极参与生态环境保护.
4.2 祖厉河流域RSEI空间分异主要驱动力本研究表明, 除了4个指标因子外, 降水、气温和高程是影响祖厉河流域遥感生态指数RSEI空间分异性的关键因子, 表明气候要素是导致生境质量变化的主导因素, 这一结论与前人的研究结果一致[19, 44, 45]. 研究区属于半干旱气候区, 水分限制使得该地区植被以草原和灌木为主, 这种植被较为单一的生态系统使得该地区对气候变化尤其敏感[46]. 人口密度的单因子解释力较低, 这是由于祖厉河流域大部分地区人口密度较低, 人类活动对生态环境的影响相对较小, 使得生态系统能够更好地保持其原始状态, 生物多样性得到保护. 本研究发现, 梯田单因子作用对生境质量空间分布变化有一定的解释力, 而当梯田与环境因子交互作用时, 解释力显著增加, 说明梯田是研究区生境质量的重要影响因子. 梯田独特的结构使其具有多种生态服务价值, 包括土壤保持、气候调节和水资源保护等[47]；“十三五”以来, 通过采取坡耕地水土流失综合治理措施, 祖厉河流域内大部分坡耕地已转变为梯田, 对改善当地生态环境和防治水土流失起到关键作用[48].
4.3 不足与展望为消除半干旱区土壤亮度影响, 本研究用MSAVI代替NDVI作为绿度指标, 构建遥感生态指数RSEI评价模型, 对黄土丘陵沟壑区生态环境质量进行长时序监测与评估, 研究结果可为当地制定相关生态修复政策提供一定的参考依据. 然而该指数仍有不足之处, 如选取指标较少, 不如《生态环境状况评价技术规范》中的EI指数全面, 未来研究应因地制宜, 根据研究区的区域特征, 纳入更多指标, 建立更为完善的生态环境质量评价指标体系. 另外, 遥感生态指数RSEI在确定各指标权重时依赖主成分分析法, 虽然避免了人为确定权重的主观性, 但在构建RSEI模型过程中主成分贡献度具有不稳定性, 无法确保较高的水平[49, 50], 因此, 未来研究可尝试应用变异系数法、熵权法和CRITIC权重法等界定各指标权重.
5 结论（1）2000~2020年, 祖厉河流域生境质量呈先下降后上升的趋势, RSEI均值由2000年的0.388先降至2005年的0.328, 随后上升至2020年的0.557, 遥感生态指数年均增幅为0.084 5·（10 a）-1. 总体来说, 研究区生境质量由”较差“等级向”一般“等级转化.
（2）20年间祖厉河流域生态环境改善面积超过92%, 大大超过退化面积, 其中不显著改善的面积占比最大, 达到44.88%, 显著改善（包括极显著改善和显著改善）面积占比28.49%, 主要分布在会宁县境内；而生态退化面积占比仅为7.82%, 呈点状散布在研究区内. 生境质量未来变化趋势中, 有74.98%的区域为持续改善或未来改善趋势, 但仍有23.48%的区域面临生态环境由改善向退化转换或持续退化的风险.
（3）降水、气温和海拔是影响研究区生境质量空间分布的重要因子, 它们的单因子解释力均超过30%. 因子之间的交互作用呈双因子增强和非线性增强的效果, 其中降水因子与其他因子的交互作用解释力最强. 梯田因子与其他因子的相互作用能够显著提高解释力, 表明梯田建设在改善研究区生境质量中发挥了积极作用.
| [1] |
傅伯杰, 陈利顶, 马克明. 黄土丘陵区小流域土地利用变化对生态环境的影响——以延安市羊圈沟流域为例[J]. 地理学报, 1999, 54(3): 241-246. Fu B J, Chen L D, Ma K M. The effect of land use chang on the regional environment in the yangjuangou catchment in the Loess Plateau of China[J]. Acta Geographica Sinica, 1999, 54(3): 241-246. DOI:10.3321/j.issn:0375-5444.1999.03.006 |
| [2] |
王军, 傅伯杰, 邱扬, 等. 黄土高原小流域土壤养分的空间异质性[J]. 生态学报, 2002, 22(8): 1173-1178. Wang J, Fu B J, Qiu Y, et al. Spatial heterogeneity of soil nutrients in a small catchment of the Loess Plateau[J]. Acta Ecologica Sinica, 2002, 22(8): 1173-1178. DOI:10.3321/j.issn:1000-0933.2002.08.001 |
| [3] |
巩杰, 陈利顶, 傅伯杰, 等. 黄土丘陵区小流域土地利用和植被恢复对土壤质量的影响[J]. 应用生态学报, 2004, 15(12): 2292-2296. Gong J, Chen L D, Fu B J, et al. Effects of land use and vegetation restoration on soil quality in a small catchment of the Loess Plateau[J]. Chinese Journal of Applied Ecology, 2004, 15(12): 2292-2296. DOI:10.3321/j.issn:1001-9332.2004.12.019 |
| [4] |
卫伟, 陈利顶, 温智, 等. 黄土小流域水沙输移过程对土地利用/覆被变化的响应[J]. 生态环境学报, 2012, 21(8): 1398-1402. Wei W, Chen L D, Wen Z, et al. Response of runoff and sediment process to changes in land use/cover in a small loess hilly catchment[J]. Ecology and Environmental Sciences, 2012, 21(8): 1398-1402. |
| [5] | Chen L D, Wei W, Fu B J, et al. Soil and water conservation on the Loess Plateau in China: review and perspective[J]. Progress in Physical Geography: Earth and Environment, 2007, 31(4): 389-403. DOI:10.1177/0309133307081290 |
| [6] |
张燕, 梁进一, 韦玲霞. 兰州市生态环境质量时空变化及驱动力分析[J]. 干旱区资源与环境, 2023, 37(10): 65-74. Zhang Y, Liang J Y, Wei L X. Change in spatial-temporal patterns of eco-environment quality and its driving forces for the Lanzhou City[J]. Journal of Arid Land Resources and Environment, 2023, 37(10): 65-74. |
| [7] |
陈涛, 杨武年. "3S"技术在生态环境动态监测中的应用研究[J]. 中国环境监测, 2003, 19(3): 19-22. Chen T, Yang W N. Applications of RS, GIS and GPS in the dynamic monitoring of environment[J]. Environmental Monitoring in China, 2003, 19(3): 19-22. DOI:10.3969/j.issn.1002-6002.2003.03.007 |
| [8] |
邵世保, 张毳. 遥感及GIS技术在城市生态环境调查中的应用[J]. 环境科学与技术, 2003, 26(S2): 26-27. Shao S B, Zhang C. Application of remote sensing and GIS technology in urban eco-environment investigation[J]. Environmental Science & Technology, 2003, 26(S2): 26-27. |
| [9] |
杨振斌, 薛桁, 王茂新, 等. 卫星遥感地理信息与数值模拟应用于风能资源综合评估新尝试[J]. 太阳能学报, 2003, 24(4): 536-539. Yang Z B, Xue H, Wang M X, et al. The synthetic utility of remote sensing, gis and numerical modeling in assessment of wind energy resource[J]. Acta Energiae Solaris Sinica, 2003, 24(4): 536-539. DOI:10.3321/j.issn:0254-0096.2003.04.020 |
| [10] |
付炜. 黄土丘陵沟壑区土壤侵蚀预测模型建立方法的研究[J]. 水土保持学报, 1992, 6(3): 6-13. Fu W. Research on establishment of the model for predicting soil erosion on loess hilly and gully areas[J]. Journal of Soil and Water Conservation, 1992, 6(3): 6-13. DOI:10.3321/j.issn:1009-2242.1992.03.010 |
| [11] |
傅伯杰, 汪西林. DEM在研究黄土丘陵沟壑区土壤侵蚀类型和过程中的应用[J]. 水土保持学报, 1994, 8(3): 17-21. Fu B J, Wang X L. The application of DEM in studying soil erosion type and process in the loess hilly and gully area[J]. Journal of Soil and Water Conservation, 1994, 8(3): 17-21. DOI:10.3321/j.issn:1009-2242.1994.03.011 |
| [12] | Chen X Z, Ma M G, Ran Y H, et al. Ecological evaluation and planning of loess hilly semi-arid region - A case study on Dingxi Prefecture, China[A]. In: Proceedings of SPIE 4890, Ecosystems Dynamics, Ecosystem-Society Interactions, and Remote Sensing Applications for Semi-Arid and Arid Land[C]. Hangzhou: SPIE, 2003. 644-651. |
| [13] |
姚楠, 刘广全, 姚顺波, 等. 基于InVEST模型的黄土丘陵沟壑区退耕还林还草工程对生态系统碳储量的影响评估[J]. 水土保持通报, 2022, 42(5): 329-336. Yao N, Liu G Q, Yao S B, et al. Evaluating on effect of conversion from farmland to forest and grassland porject on ecosystem carbon storage in loess hilly-gully region based on InVEST model[J]. Bulletin of Soil and Water Conservation, 2022, 42(5): 329-336. |
| [14] |
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. DOI:10.3969/j.issn.1000-6923.2013.05.019 |
| [15] |
杨江燕, 吴田, 潘肖燕, 等. 基于遥感生态指数的雄安新区生态质量评估[J]. 应用生态学报, 2019, 30(1): 277-284. Yang J Y, Wu T, Pan X Y, et al. Ecological quality assessment of Xiongan New Area based on remote sensing ecological index[J]. Chinese Journal of Applied Ecology, 2019, 30(1): 277-284. |
| [16] |
何天星, 田宁, 周锐, 等. 基于GEE和RSEI的长三角一体化示范区生态环境质量动态评估[J]. 生态学杂志, 2023, 42(2): 436-444. He T X, Tian N, Zhou R, et al. Dynamic assessment of eco-environmental quality in Yangtze River Delta integration demonstration area based on GEE and RSEI[J]. Chinese Journal of Ecology, 2023, 42(2): 436-444. |
| [17] | Chen Z Y, Chen R R, Guo Q, et al. Spatiotemporal change of urban ecologic environment quality based on RSEI-taking Meizhou City, China as an example[J]. Sustainability, 2022, 14(20). DOI:10.3390/su142013424 |
| [18] |
宋慧敏, 薛亮. 基于遥感生态指数模型的渭南市生态环境质量动态监测与分析[J]. 应用生态学报, 2016, 27(12): 3913-3919. Song H M, Xue L. Dynamic monitoring and analysis of ecological environment in Weinan City, Northwest China based on RSEI model[J]. Chinese Journal of Applied Ecology, 2016, 27(12): 3913-3919. |
| [19] |
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. |
| [20] | 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 |
| [21] |
施智勇, 胡晓婷, 谢慧黎, 等. 基于RSEI的生态环境质量评价及驱动力分析——以闽江流域(福州段)为例[J]. 测绘通报, 2023(2): 28-33. Shi Z Y, Hu X T, Xie H L, et al. Eco-environmental quality assessment and driving force analysis based on RSEI: a case study of the Minjiang River Basin(Fuzhou section)[J]. Bulletin of Surveying and Mapping, 2023(2): 28-33. |
| [22] | Xu H Q, Duan W F, Deng W H, et al. RSEI or MRSEI? Comment on Jiaet al. Evaluation of eco-environmental quality in Qaidam Basin based on the ecological index (MRSEI) and GEE. Remote Sens. 2021, 13, 4543[J]. Remote Sensing, 2022, 14(21). DOI:10.3390/rs14215307 |
| [23] |
张小文. 遥感和GIS辅助下的祖厉河流域土壤侵蚀空间变化分析[J]. 遥感技术与应用, 2009, 24(6): 772-776. Zhang X W. Spatial analyze of soil erosion assisted by remote sensing data and GIS in Zuli River Basin[J]. Remote Sensing Technology and Application, 2009, 24(6): 772-776. |
| [24] |
彭燕, 何国金, 张兆明, 等. 中国区域Landsat遥感指数产品[J]. 中国科学数据, 2020, 5(4): 79-86. Peng Y, He G J, Zhang Z M, et al. Landsat spectral index products over China[J]. China Scientific Data, 2020, 5(4): 79-86. |
| [25] | Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126. DOI:10.1016/0034-4257(94)90134-1 |
| [26] |
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. 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 |
| [27] |
王文慧, 钟业喜, 马宏智, 等. 鄱阳湖水陆交错带生态韧性时空变化及影响因素[J]. 生态学报, 2023, 43(22): 9514-9526. Wang W H, Zhong Y X, Ma H Z, et al. Spatio-temporal variations and influencing factors of ecological resilience in the Aquatic-Terrestrial Ecotone of Poyang Lake[J]. Acta Ecologica Sinica, 2023, 43(22): 9514-9526. |
| [28] |
吕明侠, 王一博, 吴川东, 等. 祖厉河河源区径流、泥沙对气候的响应研究[J]. 水资源与水工程学报, 2020, 31(2): 87-94. Lü M X, Wang Y B, Wu C D, et al. Study on the response of runoff and sediment to climate change in the Zuli River source area[J]. Journal of Water Resources and Water Engineering, 2020, 31(2): 87-94. |
| [29] |
梁丽霞, 张忠扬, 梁洁. 祖厉河流域降水指标的周期性研究[J]. 水利发展研究, 2022, 22(6): 65-70. Liang L X, Zhang Z Y, Liang J. Periodicity of precipitation index in Zuli River Basin[J]. Water Resources Development Research, 2022, 22(6): 65-70. |
| [30] |
吉珍霞, 裴婷婷, 陈英, 等. 黄土高原植被物候变化及其对季节性气候变化的响应[J]. 生态学报, 2021, 41(16): 6600-6612. Ji Z X, Pei T T, Chen Y, et al. Vegetation phenology change and its response to seasonal climate changes on the Loess Plateau[J]. Acta Ecologica Sinica, 2021, 41(16): 6600-6612. |
| [31] | Li N, Wang J Y, Qin F. The improvement of ecological environment index model RSEI[J]. Arabian Journal of Geosciences, 2020, 13(11). DOI:10.1007/s12517-020-05414-7 |
| [32] |
代子俊, 赵霞, 李冠稳, 等. 2000~2015年青海省植被覆盖的时空变化特征[J]. 西北农林科技大学学报(自然科学版), 2018, 46(7): 54-65. Dai Z J, Zhao X, Li G W, et al. Spatial-temporal variations of vegetation coverage in Qinghai from 2000 to 2015[J]. Journal of Northwest A & F University (Natural Science Edition), 2018, 46(7): 54-65. |
| [33] |
冯娴慧, 曾芝琳, 张德顺. 基于MODIS NDVI数据的粤港澳大湾区植被覆盖时空演变[J]. 中国城市林业, 2022, 20(1): 1-6, 28. Feng X H, Zeng Z L, Zhang D S. Temporal-spatial evolution of vegetation coverage in Guangdong-HongKong-Macao greater bay area based on MODIS NDVI data[J]. Journal of Chinese Urban Forestry, 2022, 20(1): 1-6, 28. |
| [34] |
徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740. |
| [35] |
康雄, 曹俊涛, 陈成, 等. 不同趋势法的宁夏长时序植被变化分析[J]. 测绘通报, 2020(11): 23-27. Kang X, Cao J T, Chen C, et al. Analysis of long-term vegetation change in Ningxia with different trend methods[J]. Bulletin of Surveying and Mapping, 2020(11): 23-27. |
| [36] |
秦格霞, 芦倩, 孟治元, 等. 1982~2015年中国北方草地NDVI时空动态及其对气候变化的响应[J]. 水土保持研究, 2021, 28(1): 101-108, 117. Qin G X, Lu Q, Meng Z Y, et al. Spatial-temporal dynamics of grassland NDVI and its response to climate change in northern China from 1982 to 2015[J]. Research of Soil and Water Conservation, 2021, 28(1): 101-108, 117. |
| [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] |
杨泽康, 田佳, 李万源, 等. 黄河流域生态环境质量时空格局与演变趋势[J]. 生态学报, 2021, 41(19): 7627-7636. Yang Z K, Tian J, Li W Y, et al. Spatio-temporal pattern and evolution trend of ecological environment quality in the Yellow River Basin[J]. Acta Ecologica Sinica, 2021, 41(19): 7627-7636. |
| [39] |
孙从建, 张文强, 李新功, 等. 基于遥感影像的黄土高原沟壑区生态效应评价[J]. 农业工程学报, 2019, 35(12): 165-172. Sun C J, Zhang W Q, Li X G, et al. Evaluation of ecological effect of gully region of Loess Plateau based on remote sensing image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(12): 165-172. DOI:10.11975/j.issn.1002-6819.2019.12.020 |
| [40] |
徐涵秋. 水土流失区生态变化的遥感评估[J]. 农业工程学报, 2013, 29(7): 91-97. Xu H Q. Assessment of ecological change in soil loss area using remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(7): 91-97. |
| [41] |
崔亚婷, 李嬛, 郑龙啸, 等. 基于RSEI的黄河上游流域生态环境质量变化分析[J]. 中国沙漠, 2023, 43(3): 107-118. Cui Y T, Li H, Zheng L X, et al. Study of ecological environmental quality changes in the upper Yellow River Basin based on remote sensing ecological index[J]. Journal of Desert Research, 2023, 43(3): 107-118. |
| [42] |
郑凯. 气候变化和人类活动对祖厉河流域植被覆盖的影响[D]. 兰州: 兰州大学, 2019. Zheng K. Impacts of climate change and human activities on vegetation cover in the Zuli River Basin[D]. Lanzhou: Lanzhou University, 2019. |
| [43] |
杜高奇, 李自强, 赵勇, 等. 基于RSEI的黄河流域生态环境质量监测与驱动因素分析[J]. 水利水电技术(中英文), 2022, 53(12): 81-93. Du G Q, Li Z Q, Zhao Y, et al. RSEI-based analysis on eco-environment quality monitoring and driving factors of Yellow River Basin[J]. Water Resources and Hydropower Engineering, 2022, 53(12): 81-93. |
| [44] |
王建, 赵牡丹, 李健波, 等. 基于MODIS时序数据的秦巴山区生态环境质量动态监测及驱动力分析[J]. 山地学报, 2021, 39(6): 830-841. Wang J, Zhao M D, Li J B, et al. Dynamic monitoring and driving forces of eco-environmental quality in the Qinba mountains based on MODIS time-series data[J]. Mountain Research, 2021, 39(6): 830-841. |
| [45] |
邓晨晖, 白红英, 高山, 等. 秦岭植被覆盖时空变化及其对气候变化与人类活动的双重响应[J]. 自然资源学报, 2018, 33(3): 425-438. Deng C H, Bai H Y, Gao S, et al. Spatial-temporal variation of the vegetation coverage in Qinling mountains and its dual response to climate change and human activities[J]. Journal of Natural Resources, 2018, 33(3): 425-438. |
| [46] |
李晓东, 傅华, 李凤霞, 等. 气候变化对西北地区生态环境影响的若干进展[J]. 草业科学, 2011, 28(2): 286-295. Li X D, Fu H, Li F X, et al. Research progress on effects of climate change on ecological environment in Northwest China[J]. Pratacultural Science, 2011, 28(2): 286-295. |
| [47] |
陈蝶, 卫伟, 陈利顶, 等. 梯田生态系统服务与管理研究进展[J]. 山地学报, 2016, 34(3): 374-384. Chen D, Wei W, Chen L D, et al. Progress of the ecosystem services and management of terraces[J]. Mountain Research, 2016, 34(3): 374-384. |
| [48] |
胡春宏, 张晓明. 黄土高原水土流失治理与黄河水沙变化[J]. 水利水电技术, 2020, 51(1): 1-11. Hu C H, Zhang X M. Loess Plateau soil erosion governance and runoff-sediment variation of Yellow River[J]. Water Resources and Hydropower Engineering, 2020, 51(1): 1-11. |
| [49] |
单薇, 金晓斌, 孟宪素, 等. 基于多源遥感数据的土地整治生态环境质量动态监测[J]. 农业工程学报, 2019, 35(1): 234-242. Shan W, Jin X B, Meng X S, et al. Dynamical monitoring of ecological environment quality of land consolidation based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(1): 234-242. |
| [50] | Li Y D, Li Z J, Wang J J, et al. Analyses of driving factors on the spatial variations in regional eco-environmental quality using two types of species distribution models: a case study of Minjiang River Basin, China[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108980 |