基于RSEI的夏津县环境质量监测与评价

Environmental Quality Monitoring and Evaluation of Xiajin County Based on RSEI

摘要: 生态环境监测与评价是提高生态环境质量的重要基础工作。本文以夏津县为研究对象，选取2010年和2020年2期Landsat卫星影像为研究数据，基于耦合NDVI、NDSI、WET、LST指标的生态环境质量评价指数RSEI综合分析评价研究区域2010年~2020年城市化建设对生态环境的影响。结果显示：夏津县区域整体环境质量大幅度提高、城市及周边地区生态环境质量等级由第三级“良好”改善为第四级“优秀”、城区周边地区植被覆盖度提高、湿度指数提高、热度指数提高、干度指数下降。

Abstract: Ecological environment monitoring and evaluation is an essential foundational task for improving environmental quality. This study focuses on Xiajin County and utilizes two Landsat satellite images from 2010 and 2020 as the research data. Based on the integrated analysis of the Remote Sensing Ecological Index (RSEI), which couples NDVI, NDSI, WET, and LST indices, this paper evaluates the impact of urbanization on the ecological environment in the region from 2010 to 2020. The results show that the overall environmental quality of Xiajin County significantly improved. The ecological environment quality of urban and surrounding areas upgraded from the third level “Good” to the fourth level “Excellent”. The vegetation coverage around urban areas increased, the wetness index improved, the heat index rose, and the dryness index decreased.

1. 引言

生态环境是指影响人类生存与发展的自然资源(包括水资源、土地资源、生物资源以及气候资源)数量和质量的总称。生态环境作为一个复合生态系统，不仅直接关系到社会和经济的可持续发展[1]，也与人类生存息息相关。近年来，随着我国城市化进程的不断推进，生态环境保护与经济高质量发展之间的矛盾日益突出，引起了社会的广泛关注[2]。目前，常用的生态环境监测与评价方法主要分两类：一类是基于单一指标的生态环境评价法，如李应鑫[3]等以Landsat遥感影像及气象数据为数据源，探究了云南省九大高原湖泊流域NDVI时空演变特征及其与气温、降水的关系；另外一类为基于统计数据的多指标评价方法，主要利用分析模型将多指标数据进行耦合再分析。但在实际应用中，单指标的评价方法不能全面地反映某一地区的整体生态环境质量状况，多指标评价方法中部分统计数据获取困难，且指标权重受到人为因素干扰，存在一定的局限性。因此，徐涵秋[4]在2013年提出基于Landsat数据，利用主成分分析集成了植被指数、湿度分量、地表温度和建筑指数四个指标的遥感生态指数(Remote sensing of ecological index，简称RSEI)。该指数全部依托于遥感影像反演，且指标计算采用主成分分析，没有人为因素影响，具有客观性、多指标性、可视化和高密度等特点，在生态环境监测和保护方面得到了广泛应用。

夏津古称“鄃城”，距今已有2200多年的历史。交通线路交错互通，德商高速、青银高速等贯穿其境，境内东北部拥有广袤的黄河故道原生态森立资源，是国家AAAA级旅游景区、国家级森林公园、全国休闲农业与乡村旅游示范点。夏津县作为德州地区农业大县，旅游重点发展地区，环境保护与生态建设在经济发展和生态可持续发展过程中具有重要意义。目前，夏津县地区的生态环境质量变化监测研究尚少，基于此，本文以夏津县为例，基于遥感技术，选取两期卫星数据影像数据为数据源，构建集成NDVI、WET、NDSI、LST四个指标的RSEI生态环境质量指标，进而对夏津县地区进行生态环境质量开展动态变化监测与评价研究。以期为夏津县生态环境保护与开发、可持续发展提供科学依据。

2. 材料与研究方法

2.1. 研究区概况

夏津地处鲁西北黄泛冲积平原，地势东北高而西南低，坡降较缓，为暖温带半湿润大陆性季风气候，降水集中在夏季。区域内有五六河、青年河、七一河、六马河等多条主要支流流经，交相呼应，支流汇通，按河流的自然流势分为卫运河系和马颊河系[5]，全县交通便利，省道315、254公路纵穿全县，青银高速、308国道横贯东西。

2.2. 数据来源

2.2.1. 遥感影像数据

研究区Landsat遥感影像数据来源于美国地质勘测局(https://earthexplorer.usgs.gov/)，选取的两期影像数据时间分别为2010.08.16和2020.09.20，获取时间相近、云量均低于1%的C2L1级别数据以及C2L2级别数据，保证数据的高质量和低差异性。影像获取信息如下表1所示。

Table 1. Remote sensing image data of Xiajin County in various periods

表1. 夏津县各时期遥感影像

年份	数据类型	分辨率	云量(%)	时间
2010	Landsat 8 OLI	30 m	0~1	2010年8月16日
2020	Landsat 8 OLI	30 m	0~1	2020年9月20日

通过ENVI 5.2对所下载的2幅卫星影像依次进行辐射定标、FLAASH大气校正、空间裁剪等，消除或修正影像中由太阳高度、大气质量和传感器灵敏度造成的数据误差，并取得研究区行政范围内影像数据。

2.2.2. 辅助数据

本文采用的大气数据来源于NASA网站(http://atmcorr.gsfc.nasa.gov)，气象资料、耕地、林地面积等计算数据来自《夏津县统计年鉴》和《夏津县土地利用总规(2006~2020)》；研究区域面状矢量图来自《中国基础地理》数据集。人口和GDP来源中国科学院资源与环境数据中心(https://www.resdc.cn/Default.aspx)；气温，降水数据来源于国家地球系统科学数据中心(https://www.geodata.cn/)；高程数据来源于地理空间数据云(https://www.gscloud.cn/)，土地利用数据来源于武汉大学CLCD公开数据集 (http://doi.org/10.5281/zenodo.4417809)。

2.3. 研究方法

2.3.1. 遥感生态指数RSEI

遥感生态指数RSEI，集成了热度、绿度、干度、湿度四个指标，以单一综合指标RSEI反映研究区生态环境现状，采用主成分分析方法得到每个指标的载荷得分，并通过数学方法将四个指标的相关性与差异性通过特征值贡献率最高的主成分一计算得出。在ENVI5. 2中通过特定主成分变换工具进行数据处理，得到客观的指标权重，避免了人为因素在权重设定过程中造成的结果偏差。表示为：

$\text{RSEI}=\left(\text{Greenness},\text{Wetness},\text{Heat},\text{Dryness}\right)$

其遥感定义为：

$\text{RSEI}=\text{f}\left(\text{NDVI},\text{WET},\text{LST},\text{NDSI}\right)$

式(1)中：RSEI为遥感生态指数，RSEI值与研究区域的生态环境质量呈正相关，数值越大，代表生态环境状况越好。WET表示湿度指标；NDVI表示绿度指标；LST表示热度指标；NDVI表示干度指标。

(1) 绿度(NDVI)

本文选用归一化植被指数(NDVI)代表绿度，归一化植被指数与植物的覆盖面积有关，植被覆盖面积越大，覆盖率越高，NDVI的数值就越高，呈现负数或是0，则说明本地区是裸地荒地，或是水体，无植被覆盖。同时NDVI作为目前应用最广泛的一种植被指数[6]，计算方式较为简便，具体计算公式如下：

$\text{NDVI}=\left({\rho }_{\text{nir}}-{\rho }_{\text{red}}\right)/\left({\rho }_{\text{nir}}+{\rho }_{\text{red}}\right)$

式中：${\rho }_{\text{nir}}$ 代表Landsat 影像近红外波段的反射率；${\rho }_{\text{red}}$ 代表红光波段的反射率。

(2) 湿度(WET)

湿度指标采用遥感缨帽变换获得，作为代表生态系统中植被和土壤的湿度分量，本地区无大范围的水体区域，在运算之前无需对水体进行掩膜处理。

计算公式为：

$\text{WET}=0.1511{\rho }_1+0.1973{\rho }_2+0.3283{\rho }_3+0.3407{\rho }_4-0.7117{\rho }_5-0.4559{\rho }_7$

式中：ρ₁至ρ₇分别代表蓝波段、绿波段、红波段、近红外波段、短波红外1、短波红外2。

(3) 干度 (NDSI)

土壤干化严重影响区域生态环境。土壤干化会导致土地利用率降低，土壤中腐殖质降低，土壤板结等问题。城市地区监测土壤干化的主要指标有裸土指数(SI)和建筑指数(IBI) [7]，因此在表示研究区域内干度指标上，本文选用裸土指数和建筑指数共同构建干度指标，NDSI公式为：

$\text{NDSI}=\left(\text{SI}+\text{IBI}\right)/2$

$\text{SI}=\left[\left({\rho }_6+{\rho }_4\right)-\left({\rho }_5+{\rho }_2\right)\right]/\left[\left({\rho }_6+{\rho }_4\right)+\left({\rho }_5+{\rho }_2\right)\right]$

$\text{IBI}=\left[2\ast {\rho }_6/\left({\rho }_6+{\rho }_5\right)-\left[{\rho }_5/\left({\rho }_5+{\rho }_4\right)+{\rho }_3/\left({\rho }_3+{\rho }_6\right)\right]\right]/\left[2\ast {\rho }_6/\left({\rho }_6+{\rho }_5\right)+\left[{\rho }_5/\left({\rho }_5+{\rho }_4\right)+{\rho }_3/\left({\rho }_3+{\rho }_6\right)\right]\right]$

(4) 热度(LST)

地表温度作为表征地表过程变换的重要物理量，对地表–大气能力交换有直接驱动作用。地表温度反演，可以应用在城市热岛监测、自然灾害监测等方面。热红外遥感技术是用于反演地表温度获得地表温度指数的主要方式，可将同时期LandsatC2L2热红波段灰度值乘以某一比例因子[8]，再将其转换为摄氏温度，转换公式为：

$\text{LST}=\text{DN}\ast 0.00341802+149-273.15$

式中DN为Landsat影像C2L2级别影像数据的热红外波段的像元值。

2.3.2. 主成分分析

主成分分析(PCA)在1991年由Karl Pearson提出，旨在通过线性相关性分析后，进行坐标轴转换，计算各标本值与新坐标轴的关系，选择出最具有代表性的坐标轴，即为第一主成分，从而达到将多个指标进行综合或者降维为少数几个指标(主成分)的效果，是一种提取主要指标信息的重要技术。本文所采用的空间主成分变化耦合NDVI、WET 、LST、NDSI 4个指标，根据不同指标的主成分贡献量客观确定权重，实现单指标呈现多指标信息的目的。但由于不同指标的量纲各异，因此，在主成分变换之前，需要先统一各指标的量纲，本文将4个指标进行正规化处理，使得各个指标的数值处于[0, 1]之间，公式为：

$\text{RB}1=\left(b_1-b_{\min }\right)/\left(b_{\max }-b_{\min }\right)$

式中：RB1是归一化后的像元值，b₁、b_max及b_min分别表示像元的原始值、最大及最小值。

2.3.3. 地理探测器

地理探测器(GeoDetector)是一种新兴的空间分析模型，用于识别空间差异及其驱动因素[9]。本研究通过该模型探讨了RSEI的驱动因素及其多因子的交互作用。分异和因子探测旨在识别RSEI的空间分布是否存在显著差异，并量化各驱动因子在解释这些差异中的作用。q值可以衡量各因子对RSEI空间分异的影响，q值越高影响越大，计算公式如下：

$q=1-\frac{{{\displaystyle \sum }}_{h=1}^L{N}_h{\sigma }_h^2}{N{\sigma }^2}$

式中：h表示变量Y或因子X的分类；$N_h$ 和N分别表示层h和全区的单元数；${\sigma }_h^2$ 和${\sigma }^2$ 分别为层h和全区的Y值方差。q值范围为[0, 1]。

3. 结果与分析

3.1. 夏津县地区生态环境质量指标主成分分析结果

各指标归一化后镶嵌为新图像，借助ENVI5.2开展主成分分析变[10]，结果如下表2示。

Table 2. Contribution rates of each principal component

表2. 各主成分贡献率

年份	2010		2020
主成分	特征值	特征值贡献率(%)	特征值	特征值贡献率(%)
1	0.0214	87.15	0.0268	96.48%
2	0.0011	11.07	0.0009	2.34%
3	0.0006	1.78	0.0000	0.10%
4	0.0000	0.00	0.0000	0.08%

根据表2可知，经主成分变换后，2010年第一主成分特征值为0.0214特征贡献率为87.15%、2020年第一主成分特征值为0.0268特征贡献率为96.48%，两期数据的四个指标第一主成分上具有明显差异性，亦可以理解为第一主成分包含了四个指标的差异性信息，因此选用主成分一(PC1)代替原有的四个指标，作为新遥感生态环境质量评价指数RSEI。通过探究RSEI的指数数值和变化，监测夏津县的生态环境质量。

3.2. 生态环境质量各指标分析结果

3.2.1. 绿度变化特征

植被作为地理环境中最重要的组成部分之一，对于地球碳氧平衡、热量交换以及能量流动、化学物质循环具有重要的作用。地表的植被覆盖可以有效保持水土、降低地表温度，以及储存太阳能进行转化，对人类的生产生活、社会发展、生活条件改善具有重要意义[11]。通过NDVI指数可以监测地面植被的覆盖情况，NDVI值越低，代表植被的覆盖率越低，反之亦然[12]。因此可以通过对比两个时期的NDVI指数图像，实现对研究区域的植被变化监测。

表3植被指数归一化统计结果，区域NDVI指数经过归一化后，最大值为1，最小值为0，方便对两个时期的指数进行对比。在2010年，NDVI的指数均值为0.578；2020年均值上升到0.679，十年来指数的变化表现为上升势态。植被指数与植被覆盖率有直接关系，数值的上升代表本地区总体植被覆盖率的提高。

Table 3. NDVI normalised statistical results

表3. NDVI归一化统计结果

年份	最小值	最大值	均值	标准差
2010	0.00	1.00	0.578	0.079
2020	0.00	1.00	0.679	0.161

图1、图2分别代表2010年、2020年两期夏津县NDVI指数地理分布数据。从图1可以看出，2010年夏津县城区内部，归一化植被指数在中部县城城区及周边地区表现为浅红色，说明NDVI值普遍低。在东北部区域苏留庄镇和雷集镇区域图像呈现浅绿色，植被指数较高，植被覆盖较好，原因是黄河古道森林位于该区域内，面积可达2177.82公顷。由图2可以看出，在县城及周边地区NDVI值低，说明城区植被覆盖度较小，城市化发展对城区植被覆盖的破坏。与2010年相比，在县城城区周边地区的植被覆盖度明显提高，在县城的东北部、东部和西部乡村地区NDVI指数较高。根据《夏津县土地利用总规划(2006~2020)》表明，2010年林地占地2456.33公顷，2020年林地占地2503.65公顷。政府规划优化土地利用结构，将其他土地用于补充耕地和绿化造林，成功将其他用地面积占总土地面积2.04%降到了1.57%，植被覆盖率稳步提升。

Figure 1. 2010 Xiajin County NDVI Index

图1. 2010年夏津县NDVI指数

Figure 2. 2020 Xiajin County NDVI Index

图2. 2020年夏津县NDVI指数

3.2.2. 湿度变化特征

湿度分量广泛被用于环境质量监测，主要受当地地区的气候降水、水文状况、植被覆盖、土壤类型等环境因素的影响[13]。监测湿度变化，对研究区域内部水循环和水土保持具有重要意义。

研究区域中的湿度指数代表了土地和表层植被的湿度。湿度指数统计结果如表4所示，2010年WET指数均值为0.572、2020年均值0.680，呈现上升趋势，土壤和植被湿度有明显的提高。

Table 4. WET index statistical results

表4. WET指数统计结果

年份	最小值	最大值	平均值	标准差
2010	0.00	1.00	0.572	0.063
2020	0.00	1.00	0.680	0.103

Figure 3. WET index of Xiajin County in 2010

图3. 2010年夏津县WET指数

Figure 4. WET index of Xiajin County in 2020

图4. 2020年夏津县WET指数

图3和图4分别为2010年和2020年夏津县湿度指数。从图中可以看出，2010年夏建县区域内，主要呈现黄色和淡红色，湿度指数普遍偏低，在水库地区，湿度指数相对较高并影响到周边地区；2020年湿度指数显示，人口密集且建筑物较多的城区内部，湿度指数数值偏低，而县城边界乡村地区如苏留庄镇、雷集镇、双庙镇和宋楼镇地区人口少、农作物、林木等植物茂盛地区，湿度指数数值相对较高。湿度指数从城区向乡镇地区，中心向周边地区呈现逐渐减少的趋势。

3.2.3. 热度变化特征

本文选择以地表温度代表热度指标，影响地表温度的因素有太阳辐射、下垫面状况、气温、土地利用类型等[14]，研究区域内热度指标变化，对于监测区域内热量平衡、城市化发展具有重要意义。

根据表5数据显示，2010年热度指数均值为0.589、2020年为0.592，热度指数有所上升。为了更加直观地观察2010年至2020年热度变化，本文通过影像DN值反演地表温度方法，获得两期热度指标空间分布图像。

Table 5. LST heat index statistical results

表5. LST热度指数统计结果

年份	最小值	最大值	平均值	标准差
2010	0.00	1.00	0.589	0.039
2020	0.00	1.00	0.592	0.095

根据图5显示，2010年夏津县区内大部分地区红色，表明热度指数比较高，而到了2020年见图6，虽然总体热度指数提高，但是高热度区域主要为人口密集，建筑物和交通工具密集的县城城区内，县区内东北部东部和西部因为林木覆盖，植物覆盖，环境质量较好，热度指数低呈现蓝色和浅蓝色。

Figure 5. LST index of Xiajin County in 2010

图5. 2010年夏津县LST指数

Figure 6. LST index of Xiajin County in 2020

图6. 2020年夏津县LST指数

3.2.4. 干度变化特征

干度指标由建筑指数(IBI)和裸土指数(SI)合成获得。归一化干度指数统计结果如表6所示，干度指数均值由2010年的0.651降到了2020年的0.559，干度指数明显下降。随着经济发展，夏津县地区城镇化快速发展，耕地面积扩大，减少了裸土和荒地的面积，同时优化城乡土地利用结构，土地利用率提高[15]。

Table 6. Statistical results of NDSI dryness index

表6. NDSI干度指数统计结果

年份	最小值	最大值	平均值	标准差
2010	0.00	1.00	0.651	0.003
2020	0.00	1.00	0.559	0.155

Figure 7. 2010 Xiajin County NDSI Index

图7. 2010年夏津县NDSI指数

Figure 8. 2020 Xiajin County NDSI index

图8. 2020年夏津县NDSI指数

图7和图8，分别为2010年NISI分布图和2020年NDSI分布图。根据图中显示，2010年在县城周围存在大量的裸地，初步判断是未种植作物的农田，因此干度指数普遍较高，到2020年城区的城镇化发展迅速，因此在中心地区的县城区域，干度指数高，在东北部，东部地区，干度较低[16]。

3.3. 生态环境质量指数RSEI分析

本文利用ENVI5.2遥感数据处理平台，通过叠加NDVI、WET、NDSI、LST四项指标影像，利用主成分分析工具得到包含绝大部分生态环境质量信息的第一主成分，将第一主成分的代表波段band1提取出来，即为生态环境质量指数RSEI [17]。为了便于对研究区域进行生态环境质量的综合性评价以及探究为期10年的研究区域生态环境质量变化，需要对RSEI数值进行归一化处理，使其值域为[0, 1]。归一化RSEI统计结果如表7所示。

Table 7. Statistical results of RSEI environmental quality index

表7. RSEI环境质量指数统计结果

年份	最小值	最大值	平均值	标准差
2010	0.00	1.00	0.660	0.063
2020	0.00	1.00	0.768	0.131

由表7信息可得，2010年RSEI指数均值为0.660，2020年指数均值达到了0.768，上升了0.108。指示环境质量状况的RSEI指数上升，代表研究区域总体环境的改善和发展。下面为夏津县各期RSEI空间分布图。

图9和图10分别为2010年和2020年归一化RSEI指数分布图。由图显示，中心的县城城区颜色为浅棕色、浅黄色，说明RSEI指数相对较低，而夏津县地区东北部、东部地区颜色呈现暗绿色、浅绿色，说明RSEI指数相对较高，代表此处的生态环境质量总体评价相对较好，环境质量变化是由研究区域的边界地区向中心城镇地区逐渐降低。

Figure 9. RSEI index of Xiajin County in 2010

图9. 2010年夏津县RSEI指数

Figure 10. RSEI index of Xiajin County in 2020

图10. 2020年夏津县RSEI指数

为了更好地分析夏津县生态环境质量状况及时空变化，本文将[0, 1]的生态环境指数RSEI统计结果划分了4个等级见表8，每个等级的间隔为0.25。四个级别依次，一级代表颜色为红色，表示生态环境质量“较差”；二级代表颜色为黄色，表示生态环境质量“一般”；三级代表颜色为绿色，说明生态环境质量“良好”；四级代表颜色为蓝色，说明生态环境质量“优秀”。

图11和图12分别为2010年和2020年夏津县生态环境质量等级图，图11显示2010年研究区域大部分位于第三级“良好”，第四级“优秀”分布面积较小、主要分布在西部边界卫运河沿岸东岸，其次为东部边界河东北部的雷集镇和苏留庄镇。

Table 8. Ecological and environmental status classification scale

表8. 生态环境状况分级表

级别 指数	较差(红色) 0 ≤ RSEI ≤ 0.25	一般(黄色) 0 < RSEI ≤ 0.50	良好(浅绿色) 0.50 < RSEI ≤ 0.75	优秀(深绿色) 0.75 < RSEI ≤ 1
描述	植被覆盖度较差， 气温干旱，湿度低限制人类生产生活活动。	植被覆盖度中等， 温和湿润适合人类生存，但存在限制因素。	植被覆盖较高，生物多样性丰富，适宜人类生存 生产，适合定居。	植被覆盖高，生物多样性丰富，生态环境稳定。

Figure 11. 2010 ecological and environmental quality grading chart

图11. 2010年生态环境质量分级图

Figure 12. 2020 ecological and environmental quality grading chart

图12. 2020年生态环境质量分级图

3.4. 生态环境质量驱动因子探测

生态环境质量的空间分异通常受到气候、地表因素及人类活动的综合影响[18]。本研究选取12个环境变量作为影响因子，以RSEI值为因变量，通过250 m × 250 m的渔网采样，获得逐个渔网样本数据，并使用地理探测器分析2010、2020年生态环境空间分异的驱动机制。

Table 9. Single-factor probe results

表9. 单因子探测结果

年份	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12
2010	0.027	0.014	0.087	0.003	0.000	0.470	0.946	0.574	0.940	0.683	0.375	0.329
2020	0.049	0.050	0.100	0.002	0.248	0.454	0.948	0.906	0.978	0.626	0.072	0.064

X1：年均温；X2：年降水量；X3：海拔；X4：坡度；X5：坡向；X6：土地覆盖；X7：NDVI；X8：WET；X9：NDBSI；X10：LST；X11：人口；X12：GDP。

单因子探测结果表9表明，植被覆盖(NDVI, X7)与建筑裸地指数(NDBSI, X9)的q值始终接近1 (2010年：0.946、0.940；2020年：0.948、0.978)，表明二者是解释生态质量空间分异的核心稳定因子；土地覆盖(X6)的q值较高(0.470 → 0.454)，进一步印证了土地利用类型的持续影响，这也是表明，人类对土地的利用方式对生态环境会产生一定程度的影响。社会经济因子中，人口(X11)与GDP (X12)的驱动作用显著减弱(0.375 → 0.072、0.329 → 0.064)，可能与区域生态保护政策及产业转型降低了人类活动干扰有关。此外，坡向(X5)的q值从0.000升至0.248，暗示地形方位对生态质量的局部调控增强，而气候因子(年均温X1、年降水量X2)的q值始终低于0.05，影响较弱。湿地指数(WET, X8)的解释力显著提升(0.574 → 0.906)，或与水资源管理措施的实施密切相关。整体上，自然因子主导RSEI格局，社会经济驱动力的弱化反映了区域可持续发展策略的潜在成效。

由图13、图14可以看出，各驱动因子对生态环境的影响并非独立，而是通过双因子交互显著增强，主要表现为非线性增强和双向增强，说明生态环境的空间分异是多因素综合作用的结果，而非单一因子影响，自然因子间的协同效应显著增强，尤其是植被覆盖(NDVI, X7)与建筑裸地指数(NDBSI, X9)的交互

Figure 13. 2010 RSEI driver interaction detection results

图13. 2010年RSEI驱动因子交互探测结果

Figure 14. 2020 RSEI driver interaction detection results

图14. 2020年RSEI驱动因子交互探测结果

q值在2010年和2020年分别达到0.984和0.987，超过单一因子解释力(单因子q值：X7: 0.946 → 0.948，X9: 0.940 → 0.978)，表明二者协同主导生态质量的空间分异格局。土地覆盖(X6)与NDVI的交互q值从0.700 (2010年)升至0.920 (2020年)，表明土地利用优化与植被覆盖增强共同促进了生态质量提升。

4. 讨论

不足与展望

本文在研究过程中只选取了热度、绿度、干度、湿度四个指标，并未考虑其他关键生态因子(如土壤质量、生物多样性、人类活动强度等)对生态环境质量的影响，导致评价不够全面，后续可以选取其他关键生态指标对夏津县进行进一步分析研究。

地理探测器模型默认因子间相互独立，但在实际生态系统中，自然与人类活动因子常存在复杂的非线性交互或共线性关系(如NDVI与气候因子的季节性耦合)。单因子探测结果虽能反映单一变量的解释力，但可能高估其独立贡献，忽略多因子协同或拮抗作用的潜在影响

5. 结论

(1) 通过研究可以得出，从2010年至2020年，NDVI指数由0.578上升至0.679、WET指数由0.572上升至0.680、NDSI指数由0.651下降至0.559、LST指数由0.589上升至0.592，最终通过主成分分析将四个指标进行耦合得到RSEI指数，表现为0.660上升至0.768，夏津县生态环境质量从2010年至2020年不断上升，并且变化幅度明显。

(2) 依据遥感生态指数RSEI总体变化趋势来分析，研究区域整体从第三级“良好”提高到第四级“优秀”。夏津县在2010~2020年间，生态环境质量有大幅度提高的趋势，县城城区周边区域变化最为明显。分析全县整体生态环境质量变化状况，夏津县生态环境质量总体表现为上升趋势。植被覆盖率提高，湿度分量提高，裸地和荒地面积减少，土壤干化情况好转。

(3) 单因子探测表明，自然因子是影响县域生态环境质量(RSEI)的主导因素，其中植被覆盖与建筑裸地指数对生态质量空间分异的解释力最强，其次为土地覆盖和地形特征(如海拔)。双因子交互探测进一步揭示，自然因子间的协同作用显著增强了对生态格局的驱动效能，尤其在植被、建筑裸地与湿地的组合中表现出非线性增益效应。人类活动因子(如人口、GDP)的独立驱动作用显著弱化，但其通过土地利用方式与自然因子的有限交互仍间接调控生态质量的空间分异。研究表明，多维自然因子的交互主导机制是区域生态环境质量变化的核心动力，而人类活动的影响更多体现在与自然系统的间接耦合中。