下载:
-
生态环境质量评价是对生态系统的功能、结构、过程及其服务进行的评价，能直接表征生态环境状况，对生态环境的保护和改善具有重要的指导和协调作用[1]。生态环境质量评价目前尚未形成统一规范的评价体系，采用不同评价方法得出的评价结果也存在差异[1,2]。其中，层次分析法、熵权法、主成分分析法与PSR模型在生态环境指标体系的构建中具有广泛适用性与重要指导作用，但仍存在着子系统相互关系难以解释、评价因子分级标准有待确定等问题[3,4]。2006年国家环境保护总局提出生态环境状况指数(EI)，用于评价地区生态环境质量状况[5]。徐涵秋通过改善生态环境状况指数（EI），在2013年对福州的生态环境评价中首次提出遥感生态指数（RSEI）[6]。遥感生态指数（RSEI）通过耦合与人类活动密切相关的绿度指数（NDVI）、湿度指数（Wet）、热度指数（LST）和干度指数（NDBSI）构建生态环境质量评价体系，使评价结果定量化、可视化表达，同时利用主成分分析法确定各因子权重，最大程度上避免了人为确定权重造成的主观性，使评价结果更加精确合理[7,8]。近年来，我国已有众多学者基于RSEI模型，针对绿洲、矿区等不同地理环境构建生态环境质量评价体系，较好地指导了区域生态环境监管与治理[8,9]。
目前RSEI模型在解释区域生态环境质量变化驱动力的研究上尚有不足，基于此，引入地理探测器分析墨江县生态环境质量变化的影响因子[5]。地理探测器是探测空间分异性，以及揭示其背后驱动力的统计学方法 [10]。目前，地理探测器已经被运用到生态、经济、文化等诸多领域[11-13]。
云南省墨江哈尼族自治县（以下简称“墨江县”）处于我国低纬度高原区域，具有明显的立体气候特征，北温带、亚热带、热带气候均有分布，少数高寒山区还具有寒带特点。同时墨江县也位于我国唯一的绿色经济试验示范区内[14]。目前，针对墨江县的研究主要集中于经济、文化方面，需要针对区域生态环境质量评价进行研究评价。基于RSEI模型，以遥感生态指数为因变量，选取自然因子、社会经济因子、模型因子3类，共计12个因子作为自变量，利用地理探测器进行驱动力分析，以期为推动墨江县生态环境保护与修复提供科学决策，并为相关地理环境区域构建地区生态环境质量评价体系、探究生态环境质量主要影响因子提供借鉴与参考[15]。
-
墨江县(101°08′~102°02′E，22°51′~23°59′N)是全国唯一的哈尼族自治县，行政上隶属于云南省普洱市。墨江县地处云贵高原西南边缘、横断山系纵谷区东南段，属于低纬度高海拔地区，地形北部狭窄，南部较宽，似纺锤状。其地势自西北向东南倾斜，属南亚热带半湿润山地季风气候，气候温和，雨量充沛。全县国土面积5312km²，辖12镇3乡168个村（社区）、常住人口28.16万人。墨江县历史悠久，是茶马古道中饮马成炊的重要驿站，处于“滇中3小时经济圈”，是昆曼国际大通道和泛亚铁路上的重要节点。
图 1 研究区图
Figure 1. Sketch of the study area
-
研究所使用的遥感数据和DEM数据来自中国科学院计算机网络信息中心地理空间数据云平台（
http://www.gscloud.cn ）。研究选取2005、2011、2015与2020年相同季节的遥感影像，最大程度上减少了因季节原因造成的影像差异，保证影像的可比性。水域会干扰主成分荷载分布，利用改进的水体指数（MNDWI）提取研究区水体。利用ENVI5.3对各期影像进行辐射定标、大气校正等预处理。土地利用数据来自武汉大学杨杰、黄昕两位教授共同撰写的《30 m annual land cover and its dynamics in China from 1990 to 2019》中的数据集（https://essd.copernicus.org/articles/13/3907/2021/ ），参照国家标准《土地利用现状分类(GB/T21010-2007)》并结合研究区土地利用现状，重分类为耕地、林地、草地、水体、建设用地5类。夜间灯光数据来自“珞珈一号”夜光遥感卫星（http://59.175.109.173:8888/app/login.html ）。研究利用区域平均夜间灯光指数（ANLI）表征研究区经济发展状况[16]。人口密度数据来源于《国家统计局农村社会经济调查司编.中国县域统计年鉴•2020（乡镇卷）》。路网数据通过对《墨江年鉴2021》中《墨江哈尼族自治县行政区划图》不同级别道路矢量化后得到。通过软件ArcGIS10.8将12个影响因子以格网为单位分级赋值，再运用地理探测器进行分析。 -
遥感生态指数（Remote Sensing Ecological Index，RSEI）选用绿度、湿度、热度、干度4个指标，并以第一主成分PC1构建RSEI[17]。指标权重由其对PC1的贡献度客观决定，避免了主观确定权重产生的误差。表达式为：
$$ RS EI = f(NDVI,Wet,LST,NDBSI) $$ (1) 式中，NDVI、Wet、LST、NDBSI分别为绿度指标、湿度指标、热度指标、干度指标。
-
归一化植被指数（NDVI）可用于监测植被生长状态，使植被与土壤、水相分离[18]，在生态环境监测工作中应用广泛。采用NDVI作为绿度指标，公式为：
$$ NDVI = \left( {{\rho _{{\text{nir }}}} - {\rho _{{\text{red }}}}} \right)/\left( {{\rho _{{\text{nir }}}} + {\rho _{{\text{red }}}}} \right) $$ (2) 式中，
${\rho _{{\text{nir }}}}$ 代表遥感影像中近红外波段的反射率，${\rho _{{\text{red }}}}$ 代表遥感数据中红外波段的反射率。 -
土壤湿度是地面与大气之间进行能量交换的一个关键因子[19]，采用Wet作为湿度指标。选用遥感影像的传感器分别涉及TM、ETM、OLI传感器，指标提取公式分别为：
TM数据：
$$\begin{split} Wet = &\; 0.0315{\rho _{{\text{bhue }}}} + 0.2021{\rho _{{\text{green }}}} + 0.3102{\rho _{{\text{red}}}} +\\ &\; 0.1594{\rho _{{\text{nir }}}} - 0.6806{\rho _{{\text{swi }}1}} - 0.6109{\rho _{{\text{swi }}2}}. \end{split}$$ (3) ETM数据：
$$\begin{split} Wet =&\; 0.1509{\rho _{{\text{thve }}}} + 0.1973{\rho _{{\text{green }}}} + 0.3279{\rho _{{\text{red}}}} +\\&\; 0.3406{\rho _{{\text{nir}}}} - 0.7112{\rho _{{\text{swir }}1}} - 0.4572{\rho _{{\text{gwi }}2}} \end{split}$$ (4) OLI数据：
$$\begin{split} Wet =&\; 0.1511{\rho _{{\text{bthe }}}} + 0.1973{\rho _{{\text{grean }}}} + 0.3283{\rho _{{\text{rsd}}}} +\\&\; 0.3407{\rho _{{\text{nir}}}} - 0.7171{\rho _{{\text{gwir }}1}} - 0.4559{\rho _{{\text{swir }}2}}.\end{split} $$ (5) 式中，
${\rho _{{\text{blue }}}}$ 、${\rho _{{\text{green }}}}$ 、${\rho _{{\text{red }}}}$ 、${\rho _{{\text{nir }}}}$ 、${\rho _{{\text{swir }}1}}$ 和${\rho _{{\text{swir }}2}}$ 分别代表遥感影像中蓝、绿、红、近红外波段以及短波红外一、短波红外二的反射率。 -
LST是控制和评估地球表面生物、化学和物理过程的重要参数之一，也是研究地球生态条件和土地资源管理活动的重要因素 [20]。采用LST作为热度指标，运用大气校正法反演地表温度。公式为：
$$ {L_\lambda } = [\varepsilon B{\text{LST}} + (1 - \varepsilon )L \uparrow ]\tau + L \downarrow $$ (6) $$ B{\text{LST}} = \left[ {{L_\lambda } - L \downarrow - \tau (1 - \varepsilon )L \uparrow } \right]/\tau \varepsilon $$ (7) $$ LST = {K_2}/\ln \left[ {{K_1}/B\left( {{T_s}} \right) + 1} \right] $$ (8) 式中，
${L_\lambda }$ 代表遥感影像热红外波段辐射值，$B{\text{LST}}$ 代表黑体辐射亮度值，LST代表地表温度，$\varepsilon $ 代表地表比辐射率，K1和K2代表传感器定标参数。K1在TM、ETM、OLI中分别为607.76，666.09，774.89。K2在TM、ETM、OLI中分别为1260.56，1282.71，1321.08。$L \uparrow $ 代表大气上行辐射亮度值，$L \downarrow $ 代表大气下行辐射亮度值，$\tau $ 代表遥感影像中大气在热红外波段的透过率，其值可在美国宇航局（NASA）大气参数查询网站（https://atmcorr.gsfc.nasa.gov/ ）上获取。 -
干度指标表征区域内土地退化状况与地表裸露程度。采用裸土指数SI和建筑指数IBI合成干度指标NDBSI。公式为：
$$ SI = \frac{{\left[ {\left( {{\rho _{{\text{SWIR }}1}} + {\rho _{{\text{red }}}}} \right) - \left( {{\rho _{{\text{NIR }}}} + {\rho _{{\text{blue }}}}} \right)} \right]}}{{\left[ {\left( {{\rho _{{\text{SWIR }}1}} + {\rho _{{\text{red }}}}} \right) + \left( {{\rho _{{\text{NIR }}}} + {\rho _{{\text{blue }}}}} \right)} \right]}} $$ (9) $$\begin{split} IBI = &\; \left[ {\frac{{2{\rho _{{\text{SWIR }}1}}}}{{{\rho _{SWIR1}} + {\rho _{NIR}}}} - \left( {\frac{{{\rho _{NIR}}}}{{{\rho _{NRR}} + {\rho _{{\text{red }}}}}} + \frac{{{\rho _{{\text{green }}}}}}{{{\rho _{{\text{green }}}} + {\rho _{{\text{SWIR }}}}}}} \right)} \right]/\\&\; \left[ {\frac{{2{\rho _{{\text{SWIR 1}}}}}}{{{\rho _{SWIR1}} + {\rho _{NIR}}}} + \left( {\frac{{{\rho _{NIR}}}}{{{\rho _{NIR}} + {\rho _{{\text{red }}}}}} + \frac{{{\rho _{{\text{green }}}}}}{{{\rho _{{\text{green }}}} + {\rho _{SWIR1}}}}} \right)} \right]\end{split} $$ (10) $$ NDBSI = (SI + IBI)/2 $$ (11) 式中，
${\rho _{{\text{blue }}}}$ 、${\rho _{{\text{green }}}}$ 、${\rho _{{\text{red }}}}$ 、${\rho _{{\text{nir }}}}$ 和${\rho _{{\text{swir }}1}}$ 分别代表遥感影像中蓝、绿、红、近红外波段以及短波红外一的反射率。 -
由于4个指标量纲不统一，在进行主成分变换之前需要对其进行标准化处理。公式为[21]：
$$ N{I_i} = \left( {{I_i} - {I_{\min }}} \right)/\left( {{I_{\max }} - {I_{\min }}} \right) $$ (12) 式中：
$N{I_i}$ 代表某指标标准化后的值，${I_i}$ 代表对应指标像元i处的值，${I_{\max }}$ 和${I_{\min }}$ 代表对应像元的最大值与最小值。为后续进行遥感生态指数分级，同样需要对得到的遥感生态指数结果RSEI0进行标准化处理。公式为：
$$ RS EI = \left( {RS E{I_0} - RS E{I_{min}}} \right)/\left( {RS E{I_{max}} - RS E{I_{min}}} \right) $$ (13) 式中，RSEImax和RSEImin分别代表最大值与最小值。
-
因子探测器主要用于探测研究区遥感生态指数空间分异性，以及各影响因子能在多大程度上解释遥感生态指数的空间分异[10]。公式为：
$$ q = 1 - \frac{1}{{N{\sigma ^2}}}\sum\limits_{h = 1}^L {{N_h}} \sigma _h^2 $$ (14) 式中，q代表各自变量对因变量的解释力大小；h=1，...，h代表自变量或因变量的分层；Nh和N分别代表分级区域和全区的样本数；
$\sigma _h^2$ 和${\sigma ^2}$ 分别代表分级区域和全区遥感生态指数的方差。 -
交互探测器用于探测各影响因子之间两两交互产生的交互效应是否会增强或减弱对遥感生态指数的解释力。交互作用关系如表1所示。
表 1 交互作用关系
Table 1. interaction relationship
关系描述 交互作用 q(A∩B)<Min[q(A),q(B)] 非线性减弱 Min[q(A),q(B)]<q(A∩B)<Max[q(A),q(B)] 单因子非线性减弱 q(A∩B)>Max[q(A),q(B)] 双因子增强 q(A∩B)=q(A)+q(B) 相互独立 q(A∩B)>q(A)+q(B) 非线性增强 -
研究区各年份遥感生态指数主成分分析结果如表2所示。基于主成分变换方法，将各年份的4个分指标提取到主成分（PC1—PC4）中。根据区域实际生境质量变化规律以及生态学原理，绿度指标（NDVI）与湿度指标（Wet）对区域生态环境质量具有积极影响，指标载荷值为正；热度指标（LST）与干度指标（NDBSI）则具有消极影响，指标载荷值为负。由表2可看出，各年份PC1中绿度、湿度指标载荷值为正，热度、干度指标载荷值为负，能够合理解释研究区生境质量变化情况，PC2、PC3与PC4的4个分指标则不能正确反映研究区生态环境质量实际状况[22]。因此，排除不具有生态含义的PC2—PC4，以PC1创建遥感生态指数RSEI。
表 2 遥感生态指数主成分分析结果
Table 2. Results of principal component analysis of remote sensing ecological index
年份 指标 PC1 PC2 PC3 PC4 2005 NDVI 0.1512 0.1787 −0.0342 −0.0232 Wet 0.2047 −0.0932 0.0470 −0.0377 LST −0.1722 0.1000 0.0861 −0.0107 NDBSI −0.2262 −0.0411 −0.0458 −0.0415 特征值 0.1456 0.0523 0.0129 0.0038 特征值贡献率 67.89% 24.35% 5.99% 1.77% 2011 NDVI 0.1804 0.1408 −0.0280 −0.0155 Wet 0.2308 −0.0693 0.0531 −0.0275 LST −0.1825 0.0745 0.0919 −0.0051 NDBSI −0.2290 −0.0183 −0.0418 −0.0358 特征值 0.1716 0.0305 0.0138 0.0023 特征值贡献率 78.66% 13.96% 6.33% 1.05% 2015 NDVI 0.2018 0.1012 −0.0512 0.0149 Wet 0.2381 −0.0416 0.0718 0.0212 LST −0.1730 0.0955 0.0783 0.0018 NDBSI −0.2422 −0.0248 −0.0280 0.0320 特征值 0.1860 0.0217 0.0147 0.0017 特征值贡献率 83.02% 9.69% 6.55% 0.74% 2020 NDVI 0.2058 0.0964 −0.0515 0.0148 Wet 0.2385 −0.0394 0.0710 0.0215 LST −0.1746 0.0932 0.0761 0.0019 NDBSI −0.2458 −0.0237 −0.0283 0.0319 特征值 0.1902 0.0201 0.0143 0.0017 特征值贡献率 84.05% 8.88% 6.31% 0.76% 由图2可看出，在2005—2020年间，墨江县西部与北部山地地区生态环境质量较高，中部阿墨江两侧以及东北部平原地区生态环境质量较差，空间分布随河流、峡谷和山地地形呈现出带状分布特征。由图3可看出，墨江县遥感生态指数从2005年至2020年依次为0.5689、0.5824、0.5866、0.5985，呈现出逐年增长的趋势。对于RSEI产生正面效益的指数中，绿度指数整体呈现上升趋势，在2011—2015年出现小幅度下降，湿度指数呈现出逐年上升的趋势；对于RSEI产生负面效益的指数中，热度指数在15年内呈现逐年缓慢上升的趋势，干度指数呈现逐年下降的趋势。综上所述，各主成分的逐年变化趋势表明墨江县生态环境保护已见成效，但仍需合理管控人口增长，科学界定“三生”空间。
图 2 2005—2020年生态环境质量空间分布图
Figure 2. Spatial distribution of ecological environment quality from 2005 to 2020
图 3 2005-2020年各主成分均值图
Figure 3. The mean value of each principal component from 2005 to 2020
参考《生态环境状况评价技术规范》将墨江县生态环境分为5级：优（0.8—1）、良、（0.6—0.8）一般（0.4—0.6）、较差（0.2—0.4）、差（0—0.2），如表3所示。墨江县生态环境质量等级为差和较差的区域面积在20年内增加了0.34%，约17.82 km2，整体变化趋于平稳；生态环境质量等级为一般的区域面积总共减少了6.52%，约341.73 km2，在15年间呈逐年下降的趋势；生态环境质量等级为优和良的区域面积总共增加了6.86%，约359.55 km2，呈逐年上升的趋势，2020年达到56.63%，已超过总比例的50%，说明墨江县20年来生态环境保护与规划整体上取得较好成效。
表 3 2005—2020年生态环境质量各等级面积和比例
Table 3. Area and proportion of each grade of ecological environment quality from 2005 to 2020
质量等级 2005年 2011年 2015年 2020年 面积（km²） 比重（%） 面积（km²） 比重（%） 面积（km²） 比重（%） 面积（km²） 比重（%） 差 253.16 4.83% 262.59 5.01% 279.35 5.33% 289.31 5.52% 较差 862.18 16.45% 844.88 16.12% 883.67 16.86% 808.20 15.42% 一般 1517.33 28.95% 1361.67 25.98% 1266.28 24.16% 1175.61 22.43% 良 1986.42 37.90% 1942.40 37.06% 1845.96 35.22% 1892.08 36.10% 优 622.13 11.87% 829.68 15.83% 965.96 18.43% 1076.02 20.53% 通过RSEI差值变化分析对墨江县2005—2020年生态环境质量按等级进行定性与定量统计与分析，等级划分为：恶化（RSEI差值∈[−4，−1]），不变（RSEI差值=0），优化（RSEI差值∈[1，4]），结果如图4所示。可以看出，2005—2011年，阿墨江两岸地区与东北部平原地区生态环境状况明显恶化，西部山地地区与阿墨江西侧之间地区生态环境状况总体呈优化与不变；2011—2015年，墨江县中部以北地区生态环境状况出现较大规模的恶化，且恶化情况集中在阿墨江两侧与北部地区，南部地区则以生态环境质量优化为主；2015—2020年，墨江县西部山地及附近地区和东北、东南部平原地区生态环境质量以优化为主，中部与南部地区出现较为明显的生态环境质量恶化现象。从15年间生态环境质量等级变化情况来看，墨江县西部与东部山林地区生态环境质量状况以优化为主，北部山林地区生态环境质量状况则呈现出“优化—恶化—优化”的趋势，中部河流两侧则大体上呈现逐年恶化的趋势，说明墨江县政府对于区域内林地生态修复与保护措施已经较为完善，但流域生态环境治理仍需进一步改进，需要加大河流流域范围内生态环境保护力度，严格落实生态环境保护措施。
图 4 2005—2020年生态环境质量等级变化图
Figure 4. Eco-environmental quality level change map in 2005-2020
-
以研究区遥感生态指数为因变量Y，海拔、坡度、多年平均气温、多年平均降水、土地利用类型、路网密度、平均夜间灯光指数、人口密度、绿度指数、湿度指数、热度指数、干度指数为自变量X进行影响因子探测分析。利用ArcGIS在研究区内创建1 km×1 km的格网，获取格网中心点作为样本点，共计5217个，最后提取不同格网内自变量与因变量的值进行生态环境质量影响因子探测分析。影响因子空间分布如图5所示。
图 5 地理探测器影响因子空间分布图
Figure 5. Geographical probe impact factor spatial distribution map
-
单一驱动因子探测分析结果如表4所示，影响因子p值均小于0.001，即所选因子对墨江县生境质量的影响较为显著[15]，q值为自变量X对因变量Y的解释力[23]。由于遥感生态指数本身由绿度指数、湿度指数、热度指数和干度指数耦合而成，在进行地理探测器结果分析时侧重于自然因子以及社会经济因子。自然因子中解释力大小依次为：海拔＞多年平均气温＞坡向＞多年平均降水；社会经济因子中解释力大小依次为：土地利用类型＞路网密度＞人口密度＞平均夜间灯光指数。社会经济因子中土地利用类型q统计值为0.3265，解释力仅次于4个模型因子，表明土地利用类型在研究区生态环境质量时空变化中具有重要影响力。
表 4 主导因子探测结果
Table 4. Dominant factor detection results
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 q statistic 0.0852 0.0454 0.0574 0.0210 0.3265 0.0253 0.0050 0.0221 0.6898 0.7813 0.6120 0.8597 p value 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 -
影响因子的交互作用分析结果见表5。交互探测结果显示，研究区生态环境质量主要受驱动力交互作用影响，而非单一因子主导。所有模型因子交互均为非线性增强交互，即各因子交互作用对研究区生态环境质量的解释力大于因子单独解释力之和，且增强作用大于双因子增强交互；自然因子与社会经济因子中，海拔与坡度、土地利用类型，坡度与多年平均降水、土地利用类型、路网密度，多年平均气温与土地利用类型，对年平均降水与土地利用类型，土地利用类型与路网密度、人口密度之间为非线性增强交互作用，其余均为双因子增强交互作用。其中，干度指数与热度指数的交互解释力度为89.74%，大于其他因子的交互作用力；其次为干度指数与湿度指数的解释力，达到了88.44%。结果表明裸地面积与反射率特征对研究区生境质量影响最为显著[24]，即人口生产生活方式造成的林地与水域面积变化是墨江县各乡镇生态环境质量分布的主要影响因素。此结果与单一驱动因子探测分析结果相符合，表明墨江县政府应合理规划县土地利用类型，提高土地利用效率，实现土地资源可持续利用。
表 5 因子交互作用探测结果
Table 5. Factor interaction detection results
海拔 坡度 多年平
均气温多年平
均降水土地利
用类型路网密度 平均夜间
灯光指数人口密度 绿度指数 湿度指数 热度指数 干度指数 海拔 0.0852 nonlinear bi bi nonlinear bi bi bi nonlinear nonlinear nonlinear nonlinear 坡度 0.1404 0.0454 bi nonlinear nonlinear nonlinear bi bi nonlinear nonlinear nonlinear nonlinear 多年平均气温 0.0900 0.1142 0.0574 bi nonlinear bi bi bi nonlinear nonlinear nonlinear nonlinear 多年平均降水 0.1091 0.0653 0.0851 0.0210 nonlinear bi bi bi nonlinear nonlinear nonlinear nonlinear 土地利用类型 0.3887 0.3312 0.3737 0.3353 0.3265 nonlinear bi nonlinear nonlinear nonlinear nonlinear nonlinear 路网密度 0.1191 0.0684 0.0893 0.0492 0.3362 0.0253 bi bi nonlinear nonlinear nonlinear nonlinear 平均夜间灯光指数 0.1015 0.0566 0.0701 0.0532 0.3384 0.0311 0.0050 bi bi nonlinear nonlinear nonlinear 人口密度 0.1112 0.0740 0.0894 0.0634 0.3445 0.0495 0.0383 0.0221 nonlinear nonlinear nonlinear nonlinear 绿度指数 0.7010 0.6952 0.6966 0.6964 0.7076 0.6916 0.6964 0.6948 0.6898 nonlinear nonlinear nonlinear 湿度指数 0.7993 0.7853 0.7969 0.7863 0.8065 0.7847 0.7837 0.7838 0.8839 0.7813 nonlinear nonlinear 热度指数 0.6183 0.6197 0.6172 0.6166 0.6483 0.6168 0.6153 0.6162 0.8181 0.8321 0.6120 nonlinear 干度指数 0.8667 0.8619 0.8648 0.8619 0.8707 0.8604 0.8611 0.8608 0.8737 0.8844 0.8974 0.8597 -
基于遥感生态指数（RSEI），结合地理探测器，对2005—2020年间云南省墨江县生态环境质量时空变化及其影响因子进行探析。结果表明：1）从时间上看，墨江县2005、2011、2015和2020年遥感生态指数均值分别为0.5689、0.5824、0.5866、0.5985，呈现出逐年增长的趋势；从空间上看，研究区生态环境质量随河流、峡谷和山地地形呈现出带状分布特征。2）2020年墨江县生态环境质量等级为优和良的区域面积达到56.63%，超过研究区总面积的一半；15年间阿墨江两侧出现明显的生态环境质量恶化现象，说明研究区内流域生态环境质量仍需进一步治理。3）地理探测器分析结果显示：主导因子探测方面，所选因子对研究区生境质量的影响均较为显著，其中土地利用类型的解释力仅次于4个模型因子；交互作用探测方面，任意影响因子交互的解释力度均为增强；其中，干度因子与热度因子解释力度达到89.74%，说明二者交互对研究区生境质量空间分布起主导作用。
基于生态文明建设发展要求，该区域宜根据发展现状，构建具有针对性、系统性的区域生态环境质量监测体系，落实生态环境改善措施，在未来进一步开展土地资源利用效率提升、生态修复等方面的研究。
在实际应用时，还应当考虑：1）由于遥感影像数据获取时间集中在春季，难以避免植被长势对运算结果造成的误差。2）未来应统计墨江县各乡镇年GDP总量、交通运输量等社会经济指标，使社会经济因子更加深层次体现研究区生产生活实际情况。
Spatial and temporal variation of ecological and environmental quality in Mojiang Hani Autonomous County and its influencing factors
More Information-
摘要: 调查区域生态环境质量时空变化有助于对生态环境的保护和改善提供指导和进行协调。基于2005—2020年Landsat遥感数据，运用遥感生态指数（RSEI）和地理探测器模型，探究墨江哈尼族自治县生态环境质量时空变化及影响因子。结果表明：（1）研究区2005—2020年遥感生态指数均值分别为0.5689、0.5824、0.5866、0.5985，呈现出逐年增长的趋势；（2）2020年研究区生境质量等级为优和良的面积超过一半，但流域生态环境治理仍需进一步改进；（3）研究区生态环境质量变化受多因子相互作用影响，干度因子与热度因子对生态环境质量空间分布的解释力最大。Abstract: Mojiang Hani Autonomous County is the only Hani nationality autonomous county in China. Investigating spatial and temporal changes in ecological environment quality in Mojiang Hani Autonomous County helps provide guidance and coordination for protecting and improving the local ecological environment. It can also consolidate and expand the achievements of poverty alleviation, and promote rural revitalisation. Based on Landsat remote sensing data from 2005 to 2020, this study uses the Remote Sensing Ecological Index (RSEI) and the Geo-detector model. It aims to investigate the spatial and temporal changes in ecological and environmental quality in Mojiang Hani Autonomous County, based on which the impact factors are analysed and studied. The study results show that: 1) the average values of remote sensing ecological index in the study area in 2005, 2011, 2015 and 2020 are 0.5689, 0.5824, 0.5866 and 0.5985, respectively, showing an increasing trend year by year. 2) 56.63% of the area in the study area will have a quality rating of distinction and merit in 2020, but the basin ecological environment management still needs to be further improved. 3) The interaction of multiple factors influences habitat quality changes in the study area. The dryness and heat factors have the most significant explanatory power for the spatial distribution of habitat quality.
-
图 2 2005—2020年生态环境质量空间分布图
Fig. 2 Spatial distribution of ecological environment quality from 2005 to 2020
图 3 2005-2020年各主成分均值图
Fig. 3 The mean value of each principal component from 2005 to 2020
图 4 2005—2020年生态环境质量等级变化图
Fig. 4 Eco-environmental quality level change map in 2005-2020
表 1 交互作用关系
Tab. 1 interaction relationship
关系描述 交互作用 q(A∩B)<Min[q(A),q(B)] 非线性减弱 Min[q(A),q(B)]<q(A∩B)<Max[q(A),q(B)] 单因子非线性减弱 q(A∩B)>Max[q(A),q(B)] 双因子增强 q(A∩B)=q(A)+q(B) 相互独立 q(A∩B)>q(A)+q(B) 非线性增强 
下载: 导出CSV
表 2 遥感生态指数主成分分析结果
Tab. 2 Results of principal component analysis of remote sensing ecological index
年份 指标 PC1 PC2 PC3 PC4 2005 NDVI 0.1512 0.1787 −0.0342 −0.0232 Wet 0.2047 −0.0932 0.0470 −0.0377 LST −0.1722 0.1000 0.0861 −0.0107 NDBSI −0.2262 −0.0411 −0.0458 −0.0415 特征值 0.1456 0.0523 0.0129 0.0038 特征值贡献率 67.89% 24.35% 5.99% 1.77% 2011 NDVI 0.1804 0.1408 −0.0280 −0.0155 Wet 0.2308 −0.0693 0.0531 −0.0275 LST −0.1825 0.0745 0.0919 −0.0051 NDBSI −0.2290 −0.0183 −0.0418 −0.0358 特征值 0.1716 0.0305 0.0138 0.0023 特征值贡献率 78.66% 13.96% 6.33% 1.05% 2015 NDVI 0.2018 0.1012 −0.0512 0.0149 Wet 0.2381 −0.0416 0.0718 0.0212 LST −0.1730 0.0955 0.0783 0.0018 NDBSI −0.2422 −0.0248 −0.0280 0.0320 特征值 0.1860 0.0217 0.0147 0.0017 特征值贡献率 83.02% 9.69% 6.55% 0.74% 2020 NDVI 0.2058 0.0964 −0.0515 0.0148 Wet 0.2385 −0.0394 0.0710 0.0215 LST −0.1746 0.0932 0.0761 0.0019 NDBSI −0.2458 −0.0237 −0.0283 0.0319 特征值 0.1902 0.0201 0.0143 0.0017 特征值贡献率 84.05% 8.88% 6.31% 0.76%
下载: 导出CSV
表 3 2005—2020年生态环境质量各等级面积和比例
Tab. 3 Area and proportion of each grade of ecological environment quality from 2005 to 2020
质量等级 2005年 2011年 2015年 2020年 面积（km²） 比重（%） 面积（km²） 比重（%） 面积（km²） 比重（%） 面积（km²） 比重（%） 差 253.16 4.83% 262.59 5.01% 279.35 5.33% 289.31 5.52% 较差 862.18 16.45% 844.88 16.12% 883.67 16.86% 808.20 15.42% 一般 1517.33 28.95% 1361.67 25.98% 1266.28 24.16% 1175.61 22.43% 良 1986.42 37.90% 1942.40 37.06% 1845.96 35.22% 1892.08 36.10% 优 622.13 11.87% 829.68 15.83% 965.96 18.43% 1076.02 20.53%
下载: 导出CSV
表 4 主导因子探测结果
Tab. 4 Dominant factor detection results
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 q statistic 0.0852 0.0454 0.0574 0.0210 0.3265 0.0253 0.0050 0.0221 0.6898 0.7813 0.6120 0.8597 p value 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
下载: 导出CSV
表 5 因子交互作用探测结果
Tab. 5 Factor interaction detection results
海拔 坡度 多年平
均气温多年平
均降水土地利
用类型路网密度 平均夜间
灯光指数人口密度 绿度指数 湿度指数 热度指数 干度指数 海拔 0.0852 nonlinear bi bi nonlinear bi bi bi nonlinear nonlinear nonlinear nonlinear 坡度 0.1404 0.0454 bi nonlinear nonlinear nonlinear bi bi nonlinear nonlinear nonlinear nonlinear 多年平均气温 0.0900 0.1142 0.0574 bi nonlinear bi bi bi nonlinear nonlinear nonlinear nonlinear 多年平均降水 0.1091 0.0653 0.0851 0.0210 nonlinear bi bi bi nonlinear nonlinear nonlinear nonlinear 土地利用类型 0.3887 0.3312 0.3737 0.3353 0.3265 nonlinear bi nonlinear nonlinear nonlinear nonlinear nonlinear 路网密度 0.1191 0.0684 0.0893 0.0492 0.3362 0.0253 bi bi nonlinear nonlinear nonlinear nonlinear 平均夜间灯光指数 0.1015 0.0566 0.0701 0.0532 0.3384 0.0311 0.0050 bi bi nonlinear nonlinear nonlinear 人口密度 0.1112 0.0740 0.0894 0.0634 0.3445 0.0495 0.0383 0.0221 nonlinear nonlinear nonlinear nonlinear 绿度指数 0.7010 0.6952 0.6966 0.6964 0.7076 0.6916 0.6964 0.6948 0.6898 nonlinear nonlinear nonlinear 湿度指数 0.7993 0.7853 0.7969 0.7863 0.8065 0.7847 0.7837 0.7838 0.8839 0.7813 nonlinear nonlinear 热度指数 0.6183 0.6197 0.6172 0.6166 0.6483 0.6168 0.6153 0.6162 0.8181 0.8321 0.6120 nonlinear 干度指数 0.8667 0.8619 0.8648 0.8619 0.8707 0.8604 0.8611 0.8608 0.8737 0.8844 0.8974 0.8597
下载: 导出CSV
-
[1] 崔仁泽,宋川,王宜新,等. 生态环境质量评价现状分析及展望[J]. 环境科学与管理.,2022(10):186−189. [2] 颜子淳,王璐,蓝承威,等. 基于遥感生态指数的长汀县生态环境质量评价研究[J]. 山东林业科技.,2022(5):13−18. [3] 潘洋,巩合德,董李勤,杨大新,程希平,殷雅娟. 基于层次分析法的广西金秀地区生态环境质量综合评价[J]. 西南林业大学学报(自然科学),2017,37(3):74−80. [4] 朱蕾,葛骁,郭海宁,等. 基于熵权的扬州市生态环境质量模糊综合评价研究[J]. 环境科学与管理.,2013(7):161−166. [5] 梁巧玲,陈越豪,何光熊,史亮涛,李捷,史正涛. 基于遥感生态指数的元谋干热河谷生态环境动态监测及其驱动力分析[J/OL]. 水土保持通报,2022,42(6):146−154+181. [6] 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(5):889−897. [7] 排日海·合力力,昝梅,阿里木江·卡斯木. 乌鲁木齐市生态环境遥感评价及驱动因子分析[J]. 干旱区研究.,2021(5):1484−1496. [8] 刘虎,姜岳,夏明宇,等. 基于30年遥感监测的矿区生态环境变化——以南四湖周边矿区为例[J]. 金属矿山.,2021(4):197−206. [9] 高鹏文,阿里木江·卡斯木,图尔荪阿依·如孜,等. 哈密绿洲生态环境质量空间格局变化[J]. 草业科学.,2021(1):20−31. [10] 王劲峰,徐成东. 地理探测器:原理与展望[J]. 地理学报.,2017(1):116−134. [11] 刘海龙,管志涛. 中国电影产业时空演变特征及驱动因素[J]. 热带地理.,2021(5):943−955. [12] 刘海龙,刘美彤,呼旭红,等. 中国博物馆时空演变特征及成因分析[J]. 热带地理.,2022(3):469−480. [13] Wang Bo, Yang Taibao. Assessing Impact of Land Use Change on the Ecosystem Service Value in Yinchuan City from 1980 to 2018[J]. Sustainability, 2021, 13(15): 8311. doi: 10.3390/su13158311 [14] 马品,郭三杰,周芹芳等. 基于GIS的普洱市生态系统质量评价[J]. 生态经济,2020,36(2):188−195. [15] 李妍,张国钦,吝涛,等. 乡镇遥感生态指数时空变化及影响因子研究——以天津市蓟州区为例[J]. 生态学报.,2022(2):474−486. [16] Su Lin. The relationship between the average night light intensify and GDP in Shanghai: Based on the integration data of DMSP-OLS and NPP-VIIRS[J]. Journal of Computational Methods in Sciences and Engineering, 2022, 22(5): 1729−1735. doi: 10.3233/JCM-226155 [17] 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(1):1−7. [18] 张学林,冯祥. 基于NDVI的云南省植被覆盖变化的研究分析[J]. 现代化农业.,2022(10):63−66. [19] 李红星,黄解军,梁友嘉,等. 基于遥感生态指数的武汉市生态环境质量评估[J]. 云南大学学报:自然科学版.,2020(1):81−90. [20] Qureshi Salman, Alavipanah Seyed Kazem, Konyushkova Maria, Mijani Naeim, Fathololomi Solmaz, Firozjaei Mohammad Karimi, Homaee Mehdi, Hamzeh Saeid, Kakroodi Ata Abdollahi. A Remotely Sensed Assessment of Surface Ecological Change over the Gomishan Wetland, Iran[J]. Remote Sensing, 2020, 12(18): 2989. doi: 10.3390/rs12182989 [21] 聂单南光,程朋根,熊秋林. 基于RSEI指数的深圳市生态环境遥感评价[J]. 江西科学.,2020(5):673−679. [22] 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(12):3913−3919. [23] 王波,杨太保. 1980—2018年银川市生态系统服务价值评价及驱动力分析[J]. 干旱区地理.,2021(2):552−564. [24] Shaban R. S. Aldhshan, Helmi Zulhaidi Mohd Shafri. Change detection on land use/land cover and land surface temperature using spatiotemporal data of Landsat: a case study of Gaza Strip[J]. Arabian Journal of Geosciences, 2019, 12(443): 1−14. -
点击查看大图
计量
- 文章访问数: 10
- HTML全文浏览量: 9
- PDF下载量: 0
- 被引次数: 0
