2025, Vol. 46
2. 长安大学地质工程与测绘学院, 西安 710054
, GU Yu-xin1 , SHEN Jia-qi1 , ZHANG Ming-qi1 , CONG Ming2 , SUN Yan1 , HE Jiao-jie1
, YANG Li-wei1
2. College of Geology Engineering and Geomatics, Chang'an University, Xi'an 710054, China
生态环境是由经济因素、自然因素和社会因素组成的复合系统, 是生态系统及其要素格局的综合表现, 也是人类生存和发展的物质基础和空间, 与人类生存环境和社会可持续发展战略有着紧密的联系[1, 2]. 但随着我国社会经济快速发展, 人口的急剧增长、工业化规模的扩大和城镇化进程的加快加大了人类活动对生态环境的影响程度[3], 导致生态系统退化, 随之产生了水土流失[4]和土地荒漠化[5]等一系列问题.
黄河流域作为我国北方地区重要的生态屏障, 地处生态安全的关键区域[6], 流域内资源与环境的可持续发展一直是人们关注的焦点[7]. 长期以来, 黄河流域生态系统受到人口增长、经济发展以及城市化进程的影响, 生态环境承受了巨大的压力, 植被破坏、水土流失、土地沙化加剧和水源涵养功能减退等生态问题严重[8]. 如今, 我国在全面深化改革的同时更加注重人与自然的全面协调可持续发展, 积极推进生态结构绿色转型, 国家对生态环境保护的投入和治理力度不断加大[9, 10], 黄河流域生态保护和高质量发展已上升为重大国家战略[11, 12], 处理好黄河流域生态保护与高质量发展的关系, 对形成新的发展格局和模式具有重要的战略意义[13].
实现对黄河流域生态环境质量的评价和研究是落实黄河流域生态保护战略和推动黄河流域高质量发展的前提. 当前, 有多种方法被用于生态环境质量监测和评价, 如层次分析法[14], 生态足迹法[8]以及综合生态指数法等[15]. 但在大区域长时序生态环境监测和分析评价中, 传统的生态质量评估方法往往存在着数据获取等方面的困难[16]. 相比之下, 卫星遥感技术具有获取便捷、覆盖面积大、周期重复性和高空间分辨率等优点, 能够整合多学科知识, 已成为环境监测评价、生态调查、资源评估等领域不可或缺的手段[17, 18]. 国内外学者针对遥感指数监测和评价环境质量的可行性展开了大量研究, 如通过归一化植被指数或增强型植被指数进行植被生长状态及植被覆盖度监测[19 ~ 22]、通过标准化降水蒸散指数进行干旱评估[23 ~ 25]、通过地表温度指数进行城市热岛效应研究[26 ~ 28]等. 其中徐涵秋[29]提出的遥感生态指数综合了绿度、湿度、干度和热度这4个指标, 因其相比单一指标分析能更加全面、准确和客观地表征生态质量状态, 提出后便得到了广泛的认同[10], 目前已在城区、流域和区域等不同空间尺度上的生态环境质量评价中得到应用[16, 17, 30]. 同时针对遥感生态指数在实际应用中的不足, 国内外学者从不同角度不断对其进行丰富与完善[9], 赵嘉丽等[31]在原有指数基础上引入归一化盐分指数, 构建了干旱区流域遥感生态指数, 对岱海流域生态环境质量进行评价分析；傅楷翔等[32]更进一步引入土壤调节植被指数, 用于高寒盐渍化地区生态研究；Xu等[33]则引入土地覆盖类型丰度, 构建了区域尺度上的遥感生态指数模型, 并证实其在中国范围内与生态环境部提供的环境指数高度一致. 综合以上研究成果, 通过遥感生态指数进行生态环境监测和评价是切实可行的, 且通过改进型的遥感生态指数可以更好地反映不同地区生态环境质量.
目前针对黄河流域地区的遥感生态监测, 多数仍采用单一指标对整个流域生态环境进行评价[34, 35], 或仅以流域内典型地区为对象进行局部范围的研究[36, 37], 且有关自然与人文要素间多因子及因子间交互作用的定量化研究相对较少[9, 38, 39], 故基于整个流域的长时间序列生态环境评估和驱动因素分析仍是研究的重难点. 因此本文充分发挥遥感在大范围和长时序监测中的优势, 以整个黄河流域作为研究对象, 基于遥感生态指数, 对黄河流域2001~2021年间生态环境质量的时空格局及其演变趋势进行系统分析, 并借助地理探测器对影响黄河流域生态环境质量的关键因子及其交互作用进行定量探测分析, 旨在为黄河流域生态环境保护和高质量发展提供依据.
1 材料与方法 1.1 研究区域概况黄河流域（图 1）西起巴颜喀拉山, 东临渤海, 北抵阴山, 南至秦岭, 位于32°10′~41°50′N、95°53′~119°05′E, 东西长约1 900 km, 南北宽约1 100 km, 流域总面积约为7.95×105 km2, 横跨中国地貌结构的3个主要阶梯, 包括青藏高原、内蒙古高原、黄土高原和黄淮海平原这4个地貌单元, 干流自西向东流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南及山东这9省后流入渤海[40, 41]. 黄河流域气候随地形变化显著, 以干旱和半干旱大陆性季风气候为主, 西北部为干旱气候, 中部为半干旱气候, 东南部为半湿润和湿润气候, 多数地区降水在200~650 mm, 且年内分布不均, 空间分布差异明显[42, 43], 黄河流域是我国重要的经济地带和生态屏障, 流域内省区经济占北方经济的半壁江山. 黄河流域生态保护和高质量发展已上升为国家区域发展的重大战略[44].
|
图 1 研究区域 Fig. 1 Study area |
本文使用的生态环境质量数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）的中国高分辨率生态环境质量数据集（CHEQ）. 该数据集由徐栋等利用主成分分析技术集成湿度（WET）、绿度（NDVI）、热度（LST）、干度（NDBSI）和土地覆盖类型丰度（AI）这5项指标, 借助Google earth engine平台计算得到, 并储存为栅格类型数据. 数据集以RSEI指数的形式提供了中国2001~2021年间500 m的历史生态环境质量, 时间分辨率为年度, 原始数据为MOD09A1、MOD11A2和MCD12Q1. 验证结果表明CHEQ数据集与中国生态环境部提供的环境指数（EI）高度一致[33], 并在时间序列尺度上表现出卓越的稳定性和连续性[45], 因此本文采用CHEQ数据集提供的RSEI指数作为生态环境质量的评价标准.
1.2.2 气候数据逐月温度数据和降水数据来源于国家青藏高原科学数据中心（http://data.tpdc.ac.cn）的中国1 km分辨率逐月降水量数据集和中国1 km分辨率逐月平均气温数据集. 该数据集由彭守璋根据CRU发布的全球0.5°气候数据集和WorldClim发布的全球高分辨率气候数据集, 并通过Delta空间降尺度方案在中国地区降尺度生成, 使用496个独立气候观测点数据进行验证, 验证结果可信[46 ~ 48]. 风速数据集来源于国家科技基础条件平台——国家地球系统科学数据共享服务平台（http://loess.geodata.cn）的中国区域1km分辨率逐月平均风速数据集, 数据集基于再分析气候数据经过空间降尺度得到, 包括中国陆地范围, 空间分辨率1 km[49, 50].
1.2.3 人文数据流域人口密度数据来源于LandScan（https://landscan.ornl.gov）的2000~2022年的1 km精度人口空间分布数据集, LandScan人口数据集由美国能源部橡树岭国家实验室（ORNL）开发, East View Cartographic提供. 夜间灯光数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）的中国“类DMSP-OLS”1 km夜间灯光遥感数据集, 时间跨度为1992~2022年[51]. GDP数据来源于figshare（https://figshare.com/）和Xu等[52]的研究.
1.2.4 地形和矢量数据DEM数据来源于GEBCO（https://www.gebco.net）, 空间分辨率为500 m. 流域行政区矢量边界数据来源于EasyMap（https://map.easyv.cloud/）, 并利用QGIS处理为shp格式.
为后续研究方便, 将参与影响因素分析的数据的空间尺度统一到1 km.
1.3 研究方法 1.3.1 Theil-Sen斜率估计Theil-Sen斜率估计法是一种鲁棒性强的非参数分析法, 不依赖于数据的分布假设, 可以有效避免计算时时间序列上数据的缺失和数据分布对结果的影响, 对数据误差具有较强的抵抗能力, 适用于各种类型的数据, 分析结果较为科学和可信[53, 54]. 因此本文采用Theil-Sen Median斜率估计分析黄河流域2001~2021年间的RSEI时间变化趋势, 计算公式为：
|
(1) |
式中, Indexi和Indexj为序列数i和j对应的指标数值, Median为取中值函数. Sen表示指标的变化趋势, 当Sen < 0时指标呈减少趋势, 当Sen > 0时指标呈上升趋势；Sen绝对值越高, 指标变化幅度越大, Sen绝对值越接近0, 指标变化幅度越小[55].
1.3.2 Mann-Kendall检验Mann-Kendall检验是一种定量的、非参数的检验方法, 不易受异常值的干扰, 适用于时间序列数据的显著性检验[34]. 因此本文采用Mann-Kendall检验分析黄河流域2001~2021年间的生态环境质量等级时间变化显著性, 计算公式为：
|
(2) |
|
(3) |
|
(4) |
式中, Indexi和Indexj为序列数i和j对应的指标数值, sign为符号函数, n为指标总数. Z为标准化后的检验统计量, 当Z的绝对值大于1.65、1.96和2.58时, 表示趋势分别通过了信度为90%、95%和99%的显著性检验[34].
Mann-Kendall检验和Theil-Sen斜率估计的结果可判断RSEI变化趋势的显著性, 具体如表 1所示.
|
表 1 RSEI变化趋势分级参考 Table 1 RSEI trend grading reference table |
1.3.3 空间转移矩阵和重心迁移模型
空间转移矩阵来源于系统分析中对系统状态与状态转移的定量描述[56]. 借助空间转移矩阵可以判断系统某一要素在某一时间间隔内空间格局的变化, 并定量计算出该要素的转入和转出情况, 还可以揭示不同要素间的转移速率[57]；重心迁移模型则可以揭示某一要素在时空演变中的变化特征[58]. 重心计算方法如下：
|
(5) |
式中, Xt和Yt分别为不同生态等级分布重心的经度和纬度；n为t时期土地利用类型的斑块数；Cti为第t年第i个生态等级斑块的面积；Xti和Yti分别为第t年第i个斑块重心的经纬度坐标. 本文采用空间转移矩阵和重心迁移模型来说明黄河流域RSEI指数的变化情况.
由于空间转移矩阵和重心迁移模型要求对相关要素进行分级, 因此本研究参考《生态环境状况评价技术规范》[59]和文献[29, 33, 60], 将流域内生态环境质量划为5个等级：优（RSEI≥0.75）、良好（0.55≤RSEI < 0.75）、中等（0.35≤RSEI < 0.55）、较低（0.2≤RSEI < 0.35）、较差（RSEI < 0.2）.
1.3.4 空间自相关分析生态环境质量的空间相关性分析可以用来描述研究区内生态环境质量的空间异质性分布, 即通过总体离散程度来确定其空间是否存在聚集, 可反映要素与其相邻要素属性值之间是否存在关联[61, 62]. 全局莫兰指数（Moran's I）可反映整个研究区域内所有空间单元属性值的相关性[63], 并通过Z得分和P值来对该指数的显著性进行评估. 计算方法为：
|
(6) |
式中, I为全局莫兰指数, m为元素总数, Ai为第i个元素的属性值, Ā为研究区域内所有元素的平均属性值, Wij为空间权重. 莫兰系数的值域位于[-1, 1], 大于0表示空间单元属性具有正相关性, 其中莫兰指数越接近1说明该属性的聚集效应越显著；小于0表示空间单元属性具有负相关性, 其中莫兰指数越接近-1说明属性的趋异效应越显著；若莫兰指数值趋近于0, 则认为该属性在空间上呈现随机分布的特性[64].
1.3.5 Hurst指数Hurst指数是广泛应用在水文学、经济学、气候学和地质学等领域定量描述时间序列长程依赖性的有效方法[65], 计算方法如下.
对于给定的时间序列{Index（t）}, 1, 2, 3, …, n, 定义均值序列Index（T）和累计离差X（t, T）：
|
(7) |
|
(8) |
若存在H, 使得累计离差的极差R与时间序列标准差S满足R/S ∝ TH, 则说明时间序列存在Hurst现象, 且H称为Hurst指数. Hurst指数可用来判断时间序列的可持续性, 若0.5 < H < 1, 说明序列具有正相关性, 其值越接近1说明正相关性越显著；若0 < H < 0.5, 说明序列具有负相关性, 其值越接近0说明负相关性越显著；若H接近0.5, 则说明时间序列自相关性不显著[66, 67].
Hurst指数和Theil-Sen斜率估计的结果可判断RSEI变化的持续性, 具体如表 2所示.
|
|
表 2 RSEI变化持续性分级参考 Table 2 Reference table for sustainability grading of RSEI changes |
1.3.6 地理探测器
地理探测器是探测空间分异性以及揭示其背后驱动因子的一种统计学方法, 此方法无线性假设, 具有明确的物理含义[68]. 相比传统的相关系数模型, 其不仅能实现定量数据分析, 也能完成定性数据的处理, 同时又能对各因子之间的交互作用进行分析[58]. 以q表示各因子对目标因子的解释力, 其计算公式为：
|
(9) |
式中, N为全部样本数, Nh为分类样本数, σ2为全部样本方差, σh2为分类样本方差, L为选取的因子数量. 因子解释力q的值域为[0, 1], q的值越大, 表明因子的解释力越大, 极端情况下, q值为1表明该因子完全控制了目标因子的空间分布, q值为0则表明该因子与目标因子没有任何关系.
2 结果与分析 2.1 流域生态环境质量时间变化格局图 2（a）给出了2001~2021年黄河流域及流域范围内各省份年均RSEI变化情况, 表 3提供了各省份RSEI变化趋势的显著性. 流域21 a间的RSEI指数平均值为0.34, 流域范围内青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南以及山东这9省的RSEI指数平均值分别为0.36、0.41、0.34、0.25、0.23、0.39、0.40、0.46和0.38. 流域整体的RSEI指数呈现较显著提高趋势, 通过信度为95%的显著性检验, Sen值较高, 提高幅度较大, 但在省域范围上RSEI指数的空间分布和年际变化情况并不平衡. 综合来看, 河南地区RSEI的提高趋势尽管未通过显著性检验, 但RSEI指数在数值上一直处于较高水平, 在过去21 a间的波动中维持在0.4以上, 多数年份可达到0.45以上, 高于其他省份；宁夏和内蒙古两地的RSEI指数常年居于较低水平, 整体上在0.2~0.27范围内波动, 其中内蒙古地区RSEI指数最低, 两地变化趋势截然不同, 内蒙古地区RSEI指数呈现降低趋势, 宁夏地区则有所提高, 尽管趋势并未通过显著性检验, 也需警惕内蒙古地区的生态恶化情况；甘肃地区RSEI指数与整个黄河流域的RSEI指数在数值大小和变化趋势上较为一致, 均通过信度为95%显著性检验, 呈现较显著提高趋势. 青海、四川、山西、陕西和山东等地的RSEI指数略高于整个流域的平均水平, 其中青海与四川两地变化趋势较为一致, 年际变化较大, 因此RSEI提高趋势并不显著；山西、陕西两地年际变化较小, 且在数值上较为接近, 分别通过了信度为95%和99%的显著性检验, Sen值很高, 说明提升幅度很大. RSEI指数曲线显示黄河流域的生态环境状况表现出阶段性上升-下降-上升的规律, 并大致呈现自西北省份到东南省份逐渐改善的趋势.
|
图 2 2001~2021年黄河流域生态环境质量和生态迁移路径 Fig. 2 Ecological environment quality and ecological migration pathway in the Yellow River Basin from 2001 to 2021 |
|
|
表 3 2001~2020年黄河流域RSEI的变化趋势及显著性 Table 3 Changing trend and significance of RSEI in the Yellow River Basin from 2001 to 2020 |
通过对研究区内生态环境质量分级的统计计算, 得到图 2（b）的生态等级迁移路径和表 4不同等级面积空间转移矩阵. 由图 2（b）可知, 2001~2006年间生态环境有明显改善, 但2006~2011年间发生恶化, 而后10 a间生态环境质量在波动中上升, 主要发生了较低一级与中等一级的转化, 各等级向上一个生态环境等级改善的趋势强于向下一个生态环境等级恶化的趋势, 并很少发生“跳跃式”的改善或恶化. 21 a间处于较低等级的土地面积最大, 占总面积的一半左右；中等级以上的土地面积占总面积的40%左右, 且占比在波动上升；较差一级面积约占总面积的10%, 并在波动中略有下降. 2011~2016年生态环境质量有所下降, 有较大面积的区域生态质量由中等一级恶化为较低一级, 或从较差一级恶化为较差一级；2016~2021年间则有较大的改善. 截至2021年, 流域内生态环境质量在中等及中等以上的面积占比已经超过2011年, 相较2001也有很大提升. 此外, 表 4显示在过去21 a里, 黄河流域生态等级较差一级面积下降有限, 且与较低一级发生了双向转化, 说明较差一级的生态位置可能发生了迁移. 优一级面积的增长量达3倍以上. 各等级因生态改善减少面积大于生态恶化增加的面积, 说明黄河流域生态环境质量整体上得到改善.
|
|
表 4 黄河流域不同等级面积空间转移矩阵/km2 Table 4 Spatial transfer matrix of different levels of area in the Yellow River Basin/km2 |
2.2 流域生态环境质量空间变化格局 2.2.1 流域RSEI分级空间分布和动态演变
选取2001年、2006年、2011年、2016年和2021年作为2001~2021年的代表年对黄河流域的生态质量进行分析（图 3）, 多年生态环境较差的地区集中在西北部的毛乌素沙地、库布齐沙漠一带, 自西北向东南生态环境逐渐改善, 汾河、洛河、泾河和渭河流域沿线地区生态环境相对较好. 为更直观地体现出黄河流域生态环境的时空差异和生态质量变化的显著性, 对5个代表年的RSEI指数按年份做差值计算和Mann-Kendall检验, 按表 5将计算结果划分为6个等级, 计算结果列入表 6, 并将不同年份间RSEI变异分级绘于图 4.
|
图 3 2001~2021年黄河流域生态环境质量等级分布 Fig. 3 Distribution of ecological environment quality grades in the Yellow River Basin from 2001 to 2021 |
|
|
表 5 2001~2021 RSEI变化趋势分级参考 Table 5 RSEI trend grading reference from 2001 to 2021 |
|
|
表 6 2001~2021年黄河流域RSEI各变异等级面积占比/% Table 6 Proportion of RSEI variation levels in the Yellow River Basin from 2001 to 2021/% |
|
图 4 不同年份间RSEI变异分级 Fig. 4 RSEI variation grading between different years |
据表 6所示, 流域内绝大多数地区RSEI变化并不显著（|Z|≤1.65, 未通过显著性检验）. 2001~2021年间仅有1.57%的区域发生显著改善, 4.77%的区域发生较显著改善. 尽管显著性不强, 但改善区域面积高于恶化区域面积（前者占比66.69%, 后者占比33.31%）；结合图 4, 发生较显著恶化的区域集中在白银市西北部、巴彦淖尔市南部以及安阳市西南部附近区域, 发生较显著改善的区域位于青海省西部区域；此外, 黄河流域中游地区主要以改善为主, 而上游和下游的大部分恶化趋势更明显. 就不同年份间RSEI变异趋势来看, 仅2006~2011年间以恶化趋势为主, 恶化面积达到总面积的66.5%, 发生显著恶化和较显著恶化的区域面积也高于其他年份（面积占比分别达到5.6%和1.65%）.
2.2.2 流域RSEI空间自相关性分析流域2001年、2006年、2011年、2016年和2021年莫兰系数计算结果如表 7所示. 各年度P < 0.01且Z > 2.58, 结果通过显著性检验. 莫兰指数值均大于0, 表明2001~2021年度黄河流域RSEI存在正向的空间关联, 在空间上呈现出一定的聚集特征, 这在图 3中也得到验证. 结合图 3, 较低一级生态集中于内蒙古、宁夏一带, 因此在长时序观测中两省遥感生态指数均值长期处于较低水平[图 2（a）].
|
|
表 7 莫兰指数计算结果 Table 7 Calculation results of Moran's I |
2.2.3 流域内各等级生态环境重心迁移研究
由于流域呈现出较显著的正向空间关联, 为更好研究各生态等级聚集区域在不同年份的特点, 以5a时间为间隔, 分别计算2001年、2006年、2011年、2016年和2021年黄河流域生态等级为优、良好、中等、较低和较差的区域重心并绘制如图 5的重心迁移. 总体上讲, 黄河流域较差一级重心沿东北-西南方向转移, 主要与内蒙宁夏生态风险区方位有关；较低一级重心主要位于宁夏东部, 生态环境恶化时重心主要向南方迁移, 改善时则向北迁移；中等一级重心主体位于六盘山以东, 且呈现向东迁移的趋势；良好一级和优一级均在陕西境内, 且向东北方向迁移, 从迁移趋势预计将于渭南相交. 2001~2006年较差一级、良好一级和优一级迁移幅度较大, 反映出当年生态环境质量变化幅度较大；近5 a生态环境质量等级重心以西迁为主, 幅度较小, 仍需持续关注生态改善情况.
|
图 5 2001~2021年黄河流域生态环境质量等级重心迁移 Fig. 5 Migration of the ecological environment quality level center in the Yellow River Basin from 2001 to 2021 |
结合国家政策来看, 改革开放后国家开展了水土保持工程、“三北”防护林建设工程、天然林保护措施以及退耕还林、还草试点等一系列措施改善流域生态[37, 69 ~ 71], 各项生态工程大大提升了黄河上游植被覆盖率, 解决了土地荒漠化的问题, 取得了较显著的改善效果. 从2001年黄河流域生态环境质量等级[图 3（a）]可以明显看出陕西中部地区和山西中部、南部地区生态环境质量优于流域内大多数区域；黄河上游区域青海、甘肃和宁夏南部地区生态质量高于上游其他区段, 特别是上游河源段地区, 得益于三江源生态保护工程, 降低了人类活动, 并提高了植被覆盖.
2001年后, 国家持续推进三江源自然保护区建设[72], 并逐步建设水土保持生态修复试点项目区[73], 加大黄土高原、祁连山区生态环境整治力度[74]. 对应2001~2006年, 黄河流域RSEI整体上有很大提升, 流域中游地区改善面积较大[图 4（a）]. 但随着西部大开发战略的持续推进和人口迅速增长, 河源地区和黄河下游区域生态环境质量则呈现恶化趋势, 这一时间段生态质量发生的中等一级向较低一级和良好一级向中等一级的退化[图 2（b）], 主要出现在河源地区和下游流域, 黄土高原大部反而因水土保持生态修复试点项目的开展得到改善（图 4）, 这一结果这与王清韵[75]以及燕丹妮[76]等的研究结果具有一致性.
随着西部大开发战略的全面推进, 迫于经济发展压力和资源开发的需求, 人为造成的水土流失等环境破坏较为严重. “十一五”期间将“初步遏制人为水土流失和生态破坏现象, 流域内生态良好区面积得到巩固和扩大, 黄河源区生态环境得到有效改善”明确为黄土高原地区水土保持生态建设的目标, 持续开展了一系列耕地退耕及封育保护、小流域淤地坝坝系建设等工作[77], 但人口、资源和环境的矛盾依旧较为显著, 生态环境仍呈现大面积恶化的趋势[图 4（b）]. 2011年生态环境退化到2001年之前的水准（图 3）.
2012年中共十八大以来, 习近平同志为核心的党中央领导集体以生态文明建设全局为出发点, 提出“绿水青山就是金山银山”、“山水林田湖草是生命共同体”等理念, 为黄河生态保护和综合治理奠定了理论根基[73]. 2014年国家开展新一轮的退耕还林还草, 正式印发《青海三江源生态保护和建设二期工程规划》[78], 强化河源区域生态环境建设, 持续推进小流域综合治理等措施, 2011~2016年间生态环境改善面积占比有所增加[图 4（c）]. 中共十九大明确指出坚持人与自然和谐共生, 推进荒漠化、石漠化、水土流失综合治理. 山水林田湖草生态保护修复工程、毛乌素沙地综合治理工作稳步进行以及2020年贫困地区新一轮退耕还林还草工作开展均促进了生态修复区植被的恢复. 2016~2021年间流域南部地区、河源地区以及沙地沙漠地区等区域生态环境都得到一定的提高（图 4）.
2.3 流域生态环境质量变化可持续性分析流域21 a间的Hurst指数平均值为0.36, 流域范围内青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南以及山东这9省的Hurst指数平均值分别为0.36、0.66、0.11、0.48、0.75、0.67、0.71、0.59和0.44. 仅从Hurst指数平均值来看, 甘肃地区RSEI指数呈现出较强的负相关性, 山西、内蒙古两地RSEI指数则呈现出较强的正相关性；四川、陕西和河南呈现正相关, 青海地区也有一定的负相关性；其余各地自相关性不强.
为进一步揭示流域内生态环境质量的变异规律, 逐像元计算流域Hurst指数和Sen指数, 并按表 2将黄河流域RSEI指数的未来变化趋势绘制于图 6. 未来流域内生态以恶化为主（持续恶化面积占比为24.39%, 由改善转为恶化面积占比为5.08%）. 对于流域内各省份, 甘肃、山东和河南这3省生态改善面积和恶化面积相当, 但甘肃平均Hurst更低, 因此理论上生态环境质量变异的程度更加强烈, 且由于甘肃地区由改善转为恶化的面积占比达11.92%, 高于由恶化转为改善的面积（占比为6.47%）, 因此需警惕定西市东部、南部和临夏回族自治州西部等地生态环境的反持续性恶化现象, 并遏制甘南藏族自治州西南部、天水西北部和白银市境内生态持续恶化的趋势；平均Sen指数和图 6都显示内蒙古地区生态环境存在恶化的可能, 位置上主要位于库布齐沙漠及毛乌素沙地一带, 面积占比达49.19%, 当地生态治理仍需久久为功；从面积占比来看陕西、山西和宁夏未来生态均以持续改善为主导（面积占比分别为33.16%和34.30%）, 形成了东到汾河、西到北洛河的生态改善区域；青海省河源地区生态环境质量未来可能持续改善, 这与近些年三江源保护政策以及小流域治理措施的实施息息相关[72, 78], 但省内较大面积区域未来仍存在恶化的风险；流域在四川省的面积较少, 主要在阿坝藏族羌族自治州北部, 境内除中部地区外, 其余地区生态环境呈现出恶化态势.
|
图 6 黄河流域RSEI指数未来变化趋势 Fig. 6 Future trends of RSEI index in the Yellow River Basin |
此外, 流域内有20%左右面积的区域Hurst指数接近0.5, 因此无法对该区域生态环境质量的未来变化情况做出准确预测, 但总体来看, 未来生态环境质量恶化的区域面积占比超过33.07%, 超过生态环境质量改善和不变的面积（占比分别为27.26%和19.01%）, 后续研究需持续关注该区域变化趋势的显著程度及其影响因素.
2.4 流域生态环境质量驱动因子探测借助地理探测器对流域内生态环境质量的驱动因子进行分析. 选取RSEI指数为因变量, 取地表因素、气候因素和人文因素的9个代表影响因子为自变量, 影响因子具体如表 8所示, 以2001年、2011年和2020年为驱动因子探测的时间节点, 将影响因子离散化后进行地理探测.
|
|
表 8 黄河流域生态环境质量影响因子 Table 8 Impact factors on ecological environment quality in the Yellow River Basin |
2.4.1 单因子探测结果
各因子对RSEI的影响结果如表 9所示, 不同年份的所有驱动因子的q值均通过0.05显著性检验, 表明探测结果可信, 各因子对RSEI的空间分异都有较显著的影响, 但对RSEI的影响的程度不同. 在所有驱动因子中, 人文因素中人口密度PD的多年q值高于其他因子, 对生态环境质量的空间分异性的解释性最强, 同样作为重要人文因素的GDP在多年单因子探测中排名也超过大部分地形和气候因素, 表明近20 a来黄河流域生态环境变化受人类活动影响很大. 在自然因素中, 气候因素排名优先于地形因素, 其中以气候因素PRE为最主要的解释因子, 地形因素SL则逐渐成为最次要的解释因素. 相比于其他因素, NSWS、TEM和AL的多年q值排名处于后4位, 故仅就单因子分析而言, 这3个因素并非流域生态环境变化的主要驱动力.
|
|
表 9 单因子探测结果1） Table 9 Single factor detection results |
不同驱动因子多年份q值排名多呈现波动变化趋势. 自然因素中气候因素PRE的q值与解释力在9个因子中排名一直较靠前, 增长并取代PD成为解释力最强的单因子, 而同样作为自然因素的NSWS和TEM的q值在数值上虽也有增长, 但排名并没有取得明显的上升；地形因素中各因子则在波动中下降明显. 在各种因素中, PRE的q值极差最大, 达到0.33；SL、TEM、GDP和PD的q值极差最小, 仅0.08左右, 同时, 考虑到人口密度的显著性一直极强但影响程度变化不大, 人口的增长对流域生态的影响可能已趋于饱和.
2.4.2 交互探测结果交互探测结果如图 7所示, 交互探测结果显示各因子对RSEI的解释能力在交互作用下都得到了很大增强, 没有出现相互独立或者相互削弱的情况, 表明因子交互作用对黄河流域生态环境质量变化的影响高于原有的不同单因子的单独作用.
|
图 7 因子交互作用探测结果 Fig. 7 Factor interaction detection results |
根据交互探测的结果分析, 9个因子的主要交互作用类型为双因子增强和非线性增强两种, 双因子增强类型为较多数, 占70.2%. 在所有因子组合中, 单因子解释能力最强的PD和PRE与其他因子交互后均取得了较强的解释力, 但因子交互作用取得的结果并不完全与两单因子解释力一致. 2001年单因子解释能力较弱的NSES在和PD交互后交互作用结果的解释力反而强于排名更靠前的PD与PRE的交互组合, 2016年NTI和AL的交互作用甚至超过了其他各因子交互作用的解释力, 这一情况仅凭单因子探测是无法预测的, 因此黄河流域生态环境质量是以人为因素为主导的和多因子协同作用下的结果, 通过研究不同因子间的交互作用可以更好地反映出各因子对黄河流域生态质量的影响.
3 讨论 3.1 2001~2021流域RSEI时空变化特征黄河流域2001~2021年间黄河流域RSEI指数平均值为0.34, 增长趋势通过信度为95%的显著性检验, 生态环境质量的变化呈现出一定的波动性, 流域内存在生态恶化与改善并存的现象, 整体上改善面积大于恶化面积, 该研究结果与陈芳淼等[13]、李冠稳等[79]和杨泽康等[80]的研究结果一致, 但本研究中RSEI的年际变化幅度更小一些, 这可能与CHEQ数据集构建过程中将土地覆盖类型丰度作为第5项指数加入主成成分分析有关, 这一点在Li[45]等对CHEQ数据集质量的分析结果中能够得到证实. 20世纪以来政府实施和开展一系列退耕还林还草等流域治理措施已见成效, 但西部大开发以及城镇化进程的加快等人类活动的加剧同样也带来了负面影响, 如河源地区的恶化态势以及甘肃宁夏等地的生态退化趋势. 黄河流域生态质量的可持续性分析显示流域内生态环境质量的未来变化趋势以退化为主, 已有的研究也揭示出同样的规律[81], 需警惕内蒙古、青海及甘肃地区的生态风险, 尽管目前国家采取一系列措施改善环境质量, 黄河流域的高质量发展和生态保护工作仍任重道远.
3.2 流域生态环境质量驱动力分析不同驱动因子的探测结果表明以人口密度、降水量、国内生产总值和坡向为代表的人类活动、气候调节和地形等因素是黄河流域整体生态变化的关键影响因素, 现有的很多研究都支持这一结论[13, 38]. 但本研究中人为因素的影响力更高, 可能的解释是CHEQ数据集进行主成成分分析时纳入了土地覆盖类型丰度, 而土地利用类型本身也是作为人类活动的重要反映, 使得CHEQ数据集能够更适合反映区域生态环境变化与城市化进程的潜在关系[33]. 此外, 本文虽结合政府采取的生态改善措施与相关年份生态环境变化情况进行了分析, 但尚未直接量化政策因素的影响力和解释性, 未来研究中可在人文因素中补充政策因素和城镇化水平, 以便更深入地研究黄河流域生态环境质量的影响机制.
4 展望本研究基于CHEQ数据集, 以引入AI的RSEI指数作为生态环境质量评价指标, 对黄河流域过去21 a生态环境质量演变趋势和驱动因素进行了定量分析. 引入AI后的RSEI指数在区域空间范围内性能良好, 并表现出与EI数据的高度一致性[33, 45], 但RSEI指数在构建过程中为避免水域对指标造成干扰, 需通过掩膜屏蔽水体信息[29], 因此无法反映流域内水环境质量. 但水体作为生态系统的重要组成成分, 对生态环境的影响不容忽视[16]. 目前已有遥感监测评估水环境[82 ~ 85]或大气环境[86 ~ 88]相关参数的研究, 未来研究中或可考虑纳入水体和大气相关指数构建流域生态环境质量的综合评价体系, 真正全面地评估流域生态环境变化. 其次, 已有的研究发现不同空间尺度下影响因子的探测结果不同且解释力并非随空间分辨率线性变化[89], 数据离散化过程产生的分区效应也会影响到地理探测器的探测结果[90]. 本研究使用的各影响因子的数据集原始空间分辨率并不统一, 本文在研究中将空间分辨率统一到1 km, 但这对有更高分辨率的数据集而言仍是一种信息损失, 并且, 尽管本文尝试了不同的数据离散化方法并选取各年份q值最低探测结果作为最终结果呈现, 但仍不能保证同一指标在不同年份均通过0.01显著性检验, 这些指标间显著性的细微差异也可能对研究结果造成一些影响. 因此, 后续研究中考虑构建更高空间分辨率的数据集并对数据离散化方法进行研究和改进, 以便在不同的空间尺度和数据分区下对探测结果进行优选, 得到更准确的研究结果.
5 结论（1）2001~2021年间黄河流域平均RSEI整体上在波动中上升, 增长趋势通过信度为95%的显著性检验, 流域内除宁夏、内蒙两地外其余地区生态质量维持在中等水平左右. 流域内生态存在阶段性的变化, 2001~2006年为生态环境改善的第一阶段, 2006~2011年为加速恶化阶段, 2011~2016年为减速恶化阶段, 2016~2021年为生态环境改善的第二阶段. 通过空间转移矩阵分析得出不同等级的生态位置发生了迁移, 21 a间各级的主要发生相邻两级间面积转移, 改善面积大于恶化面积, 流域生态质量波动中整体向好.
（2）流域24.97%的区域在未来可能存在生态环境恶化的风险, 需关注青海、甘肃两省的生态情况, 并采取生态修复措施遏制内蒙古地区的生态恶化趋势. 流域内全局莫兰指数显示区域内存在显著的空间聚集特征, 且聚集程度逐渐增强, 各生态等级重心在空间上呈现自北向南、自西向东逐渐改善的趋势, 近5 a重心迁移以西迁为主, 幅度较小, 需持续关注生态改善情况, 全面治理黄河流域生态环境任重道远.
（3）地理探测结果表明, 过去21 a间流域内RSEI主要受到人口密度的影响, 人为因素对生态环境质量的作用显著, 流域生态与人类活动关系密切. 以降水量为代表的气候因素的解释力逐渐增强. 相比于单因子, 各因子的交互作用对流域生态环境质量的影响更显著.
| [1] |
苏嘉亮, 晏晨然, 雷雨, 等. 陕西省生态环境质量长时序动态监测[J]. 生态学报, 2023, 43(2): 554-568. Su J L, Yan C R, Lei Y, et al. Long time series dynamic monitoring of eco-environmental quality in Shaanxi Province[J]. Acta Ecologica Sinica, 2023, 43(2): 554-568. |
| [2] |
刘秋华, 谢余初, 覃宇恬, 等. 基于GEE云计算的南宁市生态环境质量时空分异监测[J]. 水土保持通报, 2023, 43(5): 121-127. Liu Q H, Xie Y C, Qin Y T, et al. Dynamic monitoring and spatio-temporal pattern of ecological environmental quality in Nanning City based on Google Earth Engine[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 121-127. |
| [3] |
袁贞贞, 王秋红, 王勇, 等. 多情景模拟下重庆市土地利用变化对生态系统健康的影响[J]. 生态学报, 2023, 43(20): 8279-8291. Yuan Z Z, Wang Q H, Wang Y, et al. Impacts of land use change on ecosystem health in Chongqing under multi-scenario simulation[J]. Acta Ecologica Sinica, 2023, 43(20): 8279-8291. |
| [4] |
钟旭珍, 王金亮, 邓云程, 等. 怒江-萨尔温江流域植被覆盖时空变化趋势及驱动力[J]. 生态学报, 2023, 43(24): 10182-10201. Zhong X Z, Wang J L, Deng Y C, et al. Spatio-temporal variation and driving forces of vegetation cover in the Nujiang-Salween River Basin[J]. Acta Ecologica Sinica, 2023, 43(24): 10182-10201. |
| [5] |
高照忠, 黄雅君, 魏海霞, 等. 近30年云贵高原水蚀荒漠化遥感监测及影响因子时空分异规律[J]. 测绘通报, 2021(10): 117-122. Gao Z Z, Huang Y J, Wei H X, et al. Remote sensing monitoring of water erosion desertification and spatio-temporal differentiation of its influencing factors in the Yunnan-Guizhou Plateau in recent 30 years[J]. Bulletin of Surveying and Mapping, 2021(10): 117-122. |
| [6] |
任保平, 邹起浩. 黄河流域环境承载力的评价及进一步提升的政策取向[J]. 西北大学学报(自然科学版), 2021, 51(5): 824-838. Ren B P, Zou Q H. The evaluation of environmental carrying capacity in Yellow River Basin and the policy orientation for further ascension[J]. Journal of Northwest University (Natural Science Edition), 2021, 51(5): 824-838. |
| [7] |
卢荡, 魏伟, 王继平, 等. 重要生态功能区干旱时空演变特征及对关键资源的影响: 以黄河流域为例[J]. 环境科学, 2024, 45(6): 3352-3362. Lu D, Wei W, Wang J P, et al. Spatio-temporal evolution of drought and its impact on Key Resources in the important ecological functional area: a case study in the Yellow River Basin[J]. Environmental Science, 2024, 45(6): 3352-3362. |
| [8] |
赵政楠, 茹少峰. 黄河流域生态补偿的时空格局、区域差异及分布动态演进[J]. 环境科学, 2024, 45(10): 5853-5867. Zhao Z N, Nie S F. Spatial-temporal situation, regional differences, and dynamic evolution of the distribution of ecological compensation in the Yellow River Basin[J]. Environmental Science, 2024, 45(10): 5853-5867. |
| [9] |
宗慧琳, 张晓伦, 袁希平, 等. 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 H L, Zhang X L, Yuan X P, et al. 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. |
| [10] |
陈宜欣, 宁晓刚, 张翰超, 等. 遥感生态指数(RSEI)模型及应用综述[J/OL]. 自然资源遥感. http://kns.cnki.net/kcms/detail/10.1759.P.20240125.1640.016.html, 2024-01-29. Chen Y X, Ning X G, Zhang H C, et al. Overview of remote sensing ecological index(RSEI)model and its applications[J/OL]. Remote Sensing for Natural Resources. http://kns.cnki.net/kcms/detail/10.1759.P.20240125.1640.016.html, 2024-01-29. |
| [11] |
苏永伟, 刘泽鑫. 资源-环境约束下黄河流域产业结构优化影响因素研究——基于2008-2018年的数据分析[J]. 西北大学学报(自然科学版), 2021, 51(3): 425-437. Sun Y W, Liu Z X. Research on the factors influencing the optimization of industrial structure in the Yellow River Basin under resource-environment constraints: analysis based on the data from 2008 to 2018[J]. Journal of Northwest University (Natural Science Edition), 2021, 51(3): 425-437. |
| [12] |
罗平平, 朱伟, 王双涛. 关于黄河流域高质量发展综合立法的思考[J]. 人民黄河, 2023, 45(12): 14-18. Luo P P, Zhu W, Wang S T. Consideration on comprehensive legislation of high-quality development in the Yellow River Basin[J]. Yellow River, 2023, 45(12): 14-18. DOI:10.3969/j.issn.1000-1379.2023.12.003 |
| [13] |
陈芳淼, 黄慧萍, 杨光, 等. 基于遥感生态指数的黄河流域生态环境质量变化及影响因素分析[J]. 中国沙漠, 2023, 43(4): 252-262. Chen F M, Huang H P, Yang G, et al. Research on the dynamic change of the ecological environment and its influencing factors in the Yellow River Basin based on remote sensing ecological index[J]. Journal of Desert Research, 2023, 43(4): 252-262. |
| [14] |
刘璐, 张文强, 胡飞超, 等. 基于群决策和层次分析法的长江中游地区农村污水处理技术评价及优选[J]. 环境科学, 2023, 44(2): 1191-1200. Liu L, Zhang W Q, Hu F C, et al. Evaluation and optimization of rural sewage treatment technologies in the middle reaches of the Yangtze River based on group decision making and analytic hierarchy process[J]. Environmental Science, 2023, 44(2): 1191-1200. |
| [15] |
李艳翠, 袁金国, 刘博涵, 等. 滹沱河流域生态环境动态遥感评价[J]. 环境科学, 2024, 45(5): 2757-2766. Li Y C, Yuan J G, Liu B H, et al. Ecological environment dynamical evaluation of Hutuo River Basin using remote sensing[J]. Environmental Science, 2024, 45(5): 2757-2766. |
| [16] |
余慧婕, 张方敏, 马赫, 等. 基于遥感生态指数的淮河流域生态环境质量时空演化及其驱动因素分析[J]. 环境科学, 2024, 45(7): 4112-4121. Yu H J, Zhang F M, Ma H, et al. Spatio-temporal evolution and driving factors of ecological environment quality in the Huai River basin based on RSEI[J]. Environmental Science, 2024, 45(7): 4112-4121. |
| [17] |
廖洪圣, 卫伟, 陈乐, 等. 典型黄土丘陵沟壑区生境质量时空变化及驱动力: 以祖厉河流域为例[J]. 环境科学, 2024, 45(9): 5361-5371. Liao H S, Wei W, Chen L, et al. Spatial and temporal changes in habitat quality and driving forces in typical loess hill and gully areas: a case study of the Zuli River Basin[J]. Environmental Science, 2024, 45(9): 5361-5371. |
| [18] |
陈智勇, 吴耀炜, 林港特, 等. 基于遥感生态指数的粤港澳生态环境质量与土地利用变化空间关系[J]. 环境科学, 2024, 45(11): 6433-6447. Chen Z Y, Wu Y W, Lin G T, et al. Spatial relationship between eco-environment quality and land use change in Guangdong Province-Hong Kong-Macao, China based on remote sensing-based ecological index[J]. Environmental Science, 2024, 45(11): 6433-6447. |
| [19] | Li P, Wang J, Liu M M, et al. Spatio-temporal variation characteristics of NDVI and its response to climate on the Loess Plateau from 1985 to 2015[J]. CATENA, 2021, 203. |
| [20] | Gao W D, Zheng C, Liu X H, et al. NDVI-based vegetation dynamics and their responses to climate change and human activities from 1982 to 2020: a case study in the Mu Us Sandy Land, China[J]. Ecological Indicators, 2022, 137. |
| [21] |
刘子源, 周德成, 郝璐, 等. 基于3种遥感指数的2000—2020年尼泊尔地区植被生长动态的对比[J]. 环境科学, 2024, 45(10): 5924-5930. Liu Z Y, Zhou D C, Hao L, et al. Comparison of three remote sensing indices in revealling the vegetation growth dynamics in Nepal from 2000 to 2020[J]. Environmental Science, 2024, 45(10): 5924-5930. |
| [22] | Zhang J R, Xiao J F, Tong X J, et al. NIRv and SIF better estimate phenology than NDVI and EVI: effects of spring and autumn phenology on ecosystem production of planted forests[J]. Agricultural and Forest Meteorology, 2022, 315. |
| [23] | Wang Q F, Zeng J Y, Qi J Y, et al. A multi-scale daily SPEI dataset for drought characterization at observation stations over mainland China from 1961 to 2018[J]. Earth System Science Data, 2021, 13(2): 331-341. DOI:10.5194/essd-13-331-2021 |
| [24] | Liu C H, Yang C P, Yang Q, et al. Spatiotemporal drought analysis by the standardized precipitation index (SPI) and standardized precipitation evapotranspiration index (SPEI) in Sichuan Province, China[J]. Scientific Reports, 2021, 11(1). DOI:10.1038/s41598-020-80527-3 |
| [25] |
宋刚勇, 周创兵, 傅少君. 基于SPEI指数的重庆干旱特征分析与预测模型构建[J]. 武汉大学学报(工学版), 2023, 56(12): 1458-1471. Song G Y, Zhou C B, Fu S J. Analysis of drought characteristics and construction of prediction model in Chongqing based on SPEI index[J]. Engineering Journal of Wuhan University, 2023, 56(12): 1458-1471. |
| [26] |
梁建设, 白永平, 杨雪荻, 等. 基于多源数据的城市扩张中热环境演变及响应[J]. 环境科学, 2022, 43(6): 3365-3374. Liang J S, Bai Y P, Yang X D, et al. Thermal environment evolution and response mechanism of urban sprawl based on multi-source data[J]. Environmental Science, 2022, 43(6): 3365-3374. |
| [27] |
胡李发, 谢元礼, 崔思颖, 等. 关中平原城市群夏季城市热岛特征及驱动力[J]. 中国环境科学, 2021, 41(8): 3842-3852. Hu L F, Xie Y L, Cui S Y, et al. The characteristics and driving forces of summer urban heat island in Guanzhong Plain urban agglomeration[J]. China Environmental Science, 2021, 41(8): 3842-3852. DOI:10.3969/j.issn.1000-6923.2021.08.042 |
| [28] | Arshad S, Ahmad S R, Abbas S, et al. Quantifying the contribution of diminishing green spaces and urban sprawl to urban heat island effect in a rapidly urbanizing metropolitan city of Pakistan[J]. Land Use Policy, 2022, 113. |
| [29] |
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. |
| [30] | Boori M S, Choudhary K, Paringer R, et al. Spatiotemporal ecological vulnerability analysis with statistical correlation based on satellite remote sensing in Samara, Russia[J]. Journal of Environmental Management, 2021, 285. |
| [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] |
傅楷翔, 贾国栋, 余新晓, 等. 基于改进遥感生态指数的青藏公路那(曲)安(多)段生态环境评估及驱动机制分析[J]. 环境科学, 2024, 45(3): 1586-1597. Fu K X, Jia G D, Yu X X, et al. Ecological environment assessment and driving mechanism analysis of Nagqu and Amdo sections of Qinghai-Xizang Highway based on improved remote sensing ecological index[J]. Environmental Science, 2024, 45(3): 1586-1597. |
| [33] | Xu D, Yang F, Yu L, et al. Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data[J]. Journal of Cleaner Production, 2021, 321. |
| [34] |
田智慧, 任祖光, 魏海涛. 2000~2020年黄河流域植被时空演化驱动机制[J]. 环境科学, 2022, 43(2): 743-751. Tian Z H, Ren Z G, Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(2): 743-751. |
| [35] |
王成龙, 王秀艳, 李佳霖, 等. 1981-2019年黄河流域植被时空演变格局及影响因子分析[J]. 测绘科学, 2023, 48(10): 136-146. Wang C L, Wang X P, Li J L, et al. Spatio-temporal change patterns and its influencing factors of vegetation in the Yellow River Basin from 1981 to 2019[J]. Science of Surveying and Mapping, 2023, 48(10): 136-146. |
| [36] |
刘小燕, 崔耀平, 董金玮, 等. 黄河中下游影响区生态空间和生态指数变化评估[J]. 生态学报, 2021, 41(20): 8030-8039. Liu X Y, Cui Y P, Dong J W, et al. Assessment of ecological space and ecological index changes in the affected area of the middle and lower reaches of the Yellow River[J]. Acta Ecologica Sinica, 2021, 41(20): 8030-8039. |
| [37] |
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. |
| [38] |
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. |
| [39] |
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. |
| [40] |
胡光印, 董治宝, 逯军峰, 等. 黄河流域沙漠化空间格局与成因[J]. 中国沙漠, 2021, 41(4): 213-224. Hu G Y, Dong Z B, Lu J F, et al. Spatial pattern of Aeolian desertification and its causes in the Yellow River catchment[J]. Journal of Desert Research, 2021, 41(4): 213-224. |
| [41] |
郑金丽, 严子奇, 李东, 等. 黄河流域降雨-径流关系时空演变研究[J]. 水资源与水工程学报, 2021, 32(4): 77-85, 92. Zheng J L, Yan Z Q, Li D, et al. Spatio-temporal evolution of the rainfall-runoff relationship in the Yellow River Basin[J]. Journal of Water Resources and Water Engineering, 2021, 32(4): 77-85, 92. |
| [42] |
曹云, 孙应龙, 陈紫璇, 等. 2000—2020年黄河流域植被生态质量变化及其对极端气候的响应[J]. 生态学报, 2022, 42(11): 4524-4535. Cao Y, Sun Y L, Chen Z X, et al. Dynamic changes of vegetation ecological quality in the Yellow River Basin and its response to extreme climate during 2000-2020[J]. Acta Ecologica Sinica, 2022, 42(11): 4524-4535. |
| [43] |
张志高, 孙梓欣, 张秀丽, 等. 1960—2020年黄河流域气候生长季时空演变及成因分析[J]. 干旱区研究, 2023, 40(10): 1537-1546. Zhang Z G, Sun Z X, Zhang X L, et al. Spatial-temporal evolution and impact factors during the climatic growing season in the Yellow River Basin from 1960 to 2020[J]. Arid Zone Research, 2023, 40(10): 1537-1546. |
| [44] |
刘彦随, 夏军, 王永生, 等. 黄河流域人地系统协调与高质量发展[J]. 西北大学学报(自然科学版), 2022, 52(3): 357-370. Liu Y S, Xia J, Wang Y S, et al. Coordinated human-earth system and high-quality development in Yellow River Basin[J]. Journal of Northwest University (Natural Science Edition), 2022, 52(3): 357-370. |
| [45] | Li J J, Peng X B, Tang R M, et al. Spatial and temporal variation characteristics of ecological environment quality in China from 2002 to 2019 and influencing factors[J]. Land, 2024, 13(1). DOI:10.3390/land13010110 |
| [46] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019 |
| [47] | Peng S Z, Ding Y X, Wen Z M, et al. Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011-2100[J]. Agricultural and Forest Meteorology, 2017, 233: 183-194. DOI:10.1016/j.agrformet.2016.11.129 |
| [48] | Peng S Z, Gang C C, Cao Y, et al. Assessment of climate change trends over the Loess Plateau in China from 1901 to 2100[J]. International Journal of Climatology, 2018, 38(5): 2250-2264. DOI:10.1002/joc.5331 |
| [49] | Jing W L, Yang Y P, Yue X F, et al. A spatial downscaling algorithm for satellite-based precipitation over the Tibetan Plateau based on NDVI, DEM, and Land Surface Temperature[J]. Remote Sensing, 2016, 8(8). DOI:10.3390/rs8080655 |
| [50] |
荆文龙, 冯敏, 杨雅萍. 一种NCEP/NCAR再分析气温数据的统计降尺度方法[J]. 地球信息科学学报, 2013, 15(6): 819-828. Jing W L, Feng M, Yang Y P. A statistical downscaling approach of NCEP/NCAR reanalysis temperature data[J]. Journal of Geo-information Science, 2013, 15(6): 819-828. |
| [51] | Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-Like data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. |
| [52] | Xu Z K, Wang Y, Sun G H, et al. Generating gridded gross domestic product data for China using geographically weighted ensemble learning[J]. ISPRS International Journal of Geo-Information, 2023, 12(3). DOI:10.3390/ijgi12030123 |
| [53] |
袁丽华, 蒋卫国, 申文明, 等. 2000—2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 2013, 33(24): 7798-7806. Yuan L H, Jiang W G, Shen W M, et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010[J]. Acta Ecologica Sinica, 2013, 33(24): 7798-7806. |
| [54] |
高梓茜, 包安明, 郑国雄, 等. 基于空间异质性的库鲁斯台草地退化[J]. 中国科学院大学学报, 2023, 40(6): 735-742. Gao Z Q, Bao A M, Zheng G X, et al. Grassland degradation assessment based on spatial heterogeneity in Kulusitai[J]. Journal of University of Chinese Academy of Sciences, 2023, 40(6): 735-742. |
| [55] | Chen C, Park T, Wang X H, et al. China and India lead in greening of the world through land-use management[J]. Nature Sustainability, 2019, 2(2): 122-129. DOI:10.1038/s41893-019-0220-7 |
| [56] |
陶帅, 邝婷婷, 彭文甫, 等. 2000—2015年长江上游NDVI时空变化及驱动力——以宜宾市为例[J]. 生态学报, 2020, 40(14): 5029-5043. Tao S, Kuang T T, Peng W F, et al. Analyzing the spatio-temporal variation and drivers of NDVI in upper reaches of the Yangtze River from 2000 to 2015: a case study of Yibin City[J]. Acta Ecologica Sinica, 2020, 40(14): 5029-5043. |
| [57] |
赵禾苗, 阿里木江·卡斯木. 基于地理探测器的喀什市地表热场空间分异及影响因素分析[J]. 生态与农村环境学报, 2022, 38(2): 147-156. Zhao H M, Alimujiang K. Analysis of spatial differentiation and influencing factors of surface thermal field in Kashgar City based on geographic detector[J]. Journal of Ecology and Rural Environment, 2022, 38(2): 147-156. |
| [58] |
王永祥, 徐园园, 杨佳嘉, 等. 基于Landsat的重庆市生态环境质量动态监测及其时空格局演变分析[J]. 生态学报, 2023, 43(15): 6278-6292. Wang Y X, Xu Y Y, Yang J J, et al. Dynamic monitoring and spatio-temporal pattern evolution analysis of eco-environmental quality in Chongqing based on remote sensing[J]. Acta Ecologica Sinica, 2023, 43(15): 6278-6292. |
| [59] | HJ 192-2015, 生态环境状况评价技术规范[S]. |
| [60] |
蒋文学, 李益敏, 杨雪, 等. 基于RSEI模型的贡山县生态质量动态监测及影响因素分析[J]. 西北师范大学学报(自然科学版), 2023, 59(5): 106-115. Jiang W X, Li Y M, Yang X, et al. Dynamic monitoring and influencing factors analysis of ecological quality in Gongshan County based on RSEI model[J]. Journal of Northwest Normal University (Natural Science), 2023, 59(5): 106-115. |
| [61] | Xiong Y, Xu W H 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. |
| [62] |
李娟, 张永福, 余婷婷, 等. 基于遥感生态指数的阿克苏地区生态质量时空变化及其驱动力[J]. 水土保持学报, 2023, 37(6): 333-340. Li J, Zhang Y F, Yu T T, et al. Assessment of spatial-temporal changes of ecological environment quality and its driving force in Aksu Region based on remote sensing ecological index[J]. Journal of Soil and Water Conservation, 2023, 37(6): 333-340. |
| [63] |
褚晓彤, 王跃朋, 周建. 关中地区耕地显性与隐性非粮化的时空变化及对粮食产量的影响[J]. 农业工程学报, 2023, 39(19): 241-249. Chu X T, Wang Y P, Zhou J. Effects of spatiotemporal variations in visible and invisible non-grain production cultivated land on grain yield in the Guanzhong Region of Shaanxi in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(19): 241-249. |
| [64] |
曾鹏, 段至诚, 魏旭. 城市群省际边界经济发展格局的时空演化研究[J]. 人文地理, 2023, 38(3): 118-127. Zeng P, Duan Z C, Wei X. Spatial-temporal evolution of regional economy in inter-provincial boundary of urban agglomeration[J]. Human Geography, 2023, 38(3): 118-127. |
| [65] |
张斯源, 樊逸飞, 颜礼, 等. 基于长时序MODIS的陕西省近20年生态质量时空变化及其驱动力研究[J]. 水土保持学报, 2023, 37(2): 111-119, 198. Zhang S Y, Fan Y F, Yan L, et al. Temporal and spatial variation and driving forces of eco-environmental quality in Shaanxi Province in recent 20 years based on long time series MODIS data[J]. Journal of Soil and Water Conservation, 2023, 37(2): 111-119, 198. |
| [66] |
方春爽, 朱睿, 卢睿, 等. 基于GEE的石羊河流域植被覆盖变化特征及其影响因素分析[J]. 遥感技术与应用, 2023, 38(5): 1167-1179. Fang C S, Zhu R, Lu R, et al. Analysis of vegetation cover change characteristics and influencing factors in the Shiyang River Basin based on GEE[J]. Remote Sensing Technology and Application, 2023, 38(5): 1167-1179. |
| [67] |
赵家培, 郭恩亮, 王永芳, 等. 基于核温度植被干旱指数的内蒙古植被生长季生态干旱监测[J]. 应用生态学报, 2023, 34(11): 2929-2937. Zhao J P, Guo E L, Wang Y F, et al. Ecological drought monitoring of Inner Mongolia vegetation growing season based on kernel temperature vegetation drought index (kTVDI)[J]. Chinese Journal of Applied Ecology, 2023, 34(11): 2929-2937. |
| [68] |
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. |
| [69] |
马京京, 高美玲, 李振洪, 等. 黄河流域森林覆盖时空变化及驱动因素分析[J]. 测绘通报, 2023(7): 51-57. Ma J J, Gao M L, Li Z H, et al. Spatial and temporal changes of forest cover and its driving factors over the Yellow River basin[J]. Bulletin of Surveying and Mapping, 2023(7): 51-57. |
| [70] |
王松茂, 牛金兰. 黄河流域城市生态韧性时空演变及其影响因素[J]. 生态学报, 2023, 43(20): 8309-8320. Wang S M, Niu J L. Spatio-temporal evolution and influencing factors of urban ecological resilience in the Yellow River Basin[J]. Acta Ecologica Sinica, 2023, 43(20): 8309-8320. |
| [71] |
田美荣, 冯朝阳, 王世曦, 等. 近70年来黄河流域生态修复历程及系统性修复思考[J]. 环境工程技术学报, 2023, 13(5): 1787-1797. Tian M R, Feng C Y, Wang S X, et al. Ecological restoration of the Yellow River basin in the last 70 years and systematic restoration thinking[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1787-1797. |
| [72] |
吴喜芳, 李改欣, 潘学鹏, 等. 黄河源区植被覆盖度对气温和降水的响应研究[J]. 资源科学, 2015, 37(3): 512-521. Wu X F, Li G X, Pan X P, et al. Response of vegetation cover to temperature and precipitation in the source region of the Yellow River[J]. Resources Science, 2015, 37(3): 512-521. |
| [73] |
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. |
| [74] |
刘长雨, 杨洁, 谢保鹏, 等. 黄河流域甘青段生境质量时空特征及其地形梯度效应[J]. 农业资源与环境学报, 2023, 40(2): 372-383. Liu C Y, Yang J, Xie B P, et al. Temporal and spatial characteristics of habitat quality and its topographic gradient effect in the Gansu-Qinghai section of the Yellow River basin[J]. Journal of Agricultural Resources and Environment, 2023, 40(2): 372-383. |
| [75] |
王清韵, 周丁扬, 安萍莉, 等. 自然保护地政策对区域生态环境质量的影响——以三江源地区为例[J]. 应用生态学报, 2023, 34(5): 1349-1359. Wang Q Y, Zhou D Y, An P L, et al. Impacts of nature reserve policy on regional ecological environment quality: a case study of Sanjiangyuan region[J]. Chinese Journal of Applied Ecology, 2023, 34(5): 1349-1359. |
| [76] |
燕丹妮, 武心悦, 王博恒, 等. 1982—2015年黄土高原植被变化特征及归因[J]. 生态学报, 2023, 43(23): 9794-9804. Yan D N, Wu X Y, Wang B H, et al. Characteristics and driving forces of changes in vegetation coverage on the Loess Plateau, 1982-2015[J]. Acta Ecologica Sinica, 2023, 43(23): 9794-9804. |
| [77] | 赵永平. 黄河上中游: 水土保持提速[N]. 人民日报, 2005-09-14(006). |
| [78] |
石涛. 黄河流域生态保护与经济高质量发展耦合协调度及空间网络效应[J]. 区域经济评论, 2020(3): 25-34. Shi T. Spatial correlation network and regional connected effect of coupling coordination degree between ecological protection and high-quality economic development in the Yellow River Regions[J]. Regional Economic Review, 2020(3): 25-34. |
| [79] |
李冠稳, 高晓奇, 肖能文. 基于关键指标的黄河流域近20年生态系统质量的时空变化[J]. 环境科学研究, 2021, 34(12): 2945-2953. Li G W, Gao X Q, Xiao N W. Spatial and temporal changes of ecosystem quality based on key indicators in Yellow River Basin from 2000 to 2018[J]. Research of Environmental Sciences, 2021, 34(12): 2945-2953. |
| [80] |
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. |
| [81] |
尹传鑫. 基于MODIS的黄河流域生态环境质量演变及驱动力分析[D]. 郑州: 郑州大学, 2022. Yin C X. Evolution and driving force analysis of ecological environment quality based on MODIS data in the Yellow River Basin[D]. Zhengzhou: Zhengzhou University, 2022. |
| [82] | Fu L, Zhou Y M, Liu G, et al. Retrieval of Chla concentrations in Lake Xingkai using OLCI images[J]. Remote Sensing, 2023, 15(15). DOI:10.3390/rs15153809 |
| [83] | Jayaram C, Patidar G, Swain D, et al. Total suspended matter distribution in the hooghly river estuary and the sundarbans: a remote sensing approach[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 9064-9070. |
| [84] | Lu S J, Deng R R, Liang Y H, et al. Remote sensing retrieval of total phosphorus in the pearl river channels based on the GF-1 remote sensing data[J]. Remote Sensing, 2020, 12(9). DOI:10.3390/rs12091420 |
| [85] |
王思梦, 秦伯强. 湖泊水质参数遥感监测研究进展[J]. 环境科学, 2023, 44(3): 1228-1243. Wang S M, Qin B Q. Research progress on remote sensing monitoring of lake water quality parameters[J]. Environmental Science, 2023, 44(3): 1228-1243. |
| [86] | Wei J, Li Z Q, Lyapustin A, et al. Reconstructing 1-km-resolution high-quality PM2.5 data records from 2000 to 2018 in China: spatiotemporal variations and policy implications[J]. Remote Sensing of Environment, 2021, 252. |
| [87] |
代园园, 龚绍琦, 张存杰, 等. 粤港澳大湾区大气PM2.5浓度的遥感估算模型[J]. 环境科学, 2024, 45(1): 8-22. Dai Y Y, Gong S Q, Zhang C J, et al. Remote sensing model for estimating atmospheric PM2.5 concentration in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Environmental Science, 2024, 45(1): 8-22. |
| [88] |
李沈鑫, 邹滨, 张凤英, 等. PM2.5和O3污染协同防控区的遥感精细划定与分析[J]. 环境科学, 2022, 43(10): 4293-4304. Li S X, Zou B, Zhang F Y, et al. Regionalization and analysis of PM2.5 and O3 synergetic prevention and control areas based on remote sensing data[J]. Environmental Science, 2022, 43(10): 4293-4304. |
| [89] |
石晶, 石培基, 李雪红, 等. 石羊河流域生态系统服务时空变化及其多尺度影响因素研究[J]. 地理科学进展, 2024, 43(2): 276-289. Shi J, Shi P J, Li X H, et al. Spatial and temporal variability of ecosystem services in the Shiyang River Basin and its multi-scale influencing factors[J]. Progress in Geography, 2024, 43(2): 276-289. |
| [90] | Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. Giscience & Remote Sensing, 2020, 57(5): 593-610. |