基于RSEI的阿克苏河流域生态环境质量变化及驱动力分析

Ecological Environment Quality Changes and Drivers in Aksu River Basin Basis on Remote Sensing Ecological Index

摘要: 阿克苏河流域是中国西北地区典型的干旱区绿洲，是塔里木河重要源流，生态系统相对脆弱。长期监测和评价阿克苏河流域生态环境状况为实现区域可持续发展提供重要科学依据。基于Google Earth Engine (GEE)平台的海量数据，构建了1990~2020年的遥感生态指数(RSEI)。采用Spearman秩相关分析、确定阿克苏河流域RSEI指数的适用性。使用Sen’s slope分析、Moran’s I指数和地理探测器等方法，分析1990~2020年阿克苏河流域生态环境质量的时空分布特征及变化趋势，探讨RSEI空间异质性的自然和人为因素。结果表明：(1) 1990~2020年阿克苏河流域RSEI高值集中在北部山区，低值集中在南部沙漠和荒漠。RSEI均值表明生态环境质量处于差和较差等级；(2) 近30年阿克苏河流域生态环境质量处于下降趋势，但北部和中部地区生态环境质量有所改善；(3) 阿克苏河流域生态环境质量大部分保持稳定发展趋势，尤其是近10年稳定区域占比达84%以上；(4) Moran’I值表现出正空间相关性。H-H聚集区在北部山区，L-L聚集区主要分布在南部沙漠和荒漠地区；(5) 阿克苏河流域生态环境质量受自然因素和人类活动共同影响。其中，土地利用和覆盖变化(LUCC)是主导因子，年均气温(Tem)、太阳辐射(Sr)、年均降水量(Pre)、国内生产总值(GDP)、人口密度(Pop)和高程(DEM)是主要驱动因素。各因子交互作用对RSEI的影响远大于单因子的作用。

Abstract: The ecosystem of the Aksu River Basin (ARB) has been adversely affected by prolonged arid climate conditions and land reclamation, leading to a decline in environmental quality. Therefore, long-term ecological monitoring and assessment of the ARB is needed to maintain the ecological sustainability of the basin. On the basis of the Landsat data of the Google Earth Engine platform, a remote sensing ecological index (RSEI) that covered the period 1990 to 2020 was constructed. Spearman rank correlation analysis was conducted to determine the applicability of RSEI to ARB. Sen’s slope analysis, Moran’s I index and a geodetector were used to analyse the spatiotemporal distribution characteristics and change trends of RSEI in ARB from 1990 to 2020 and explore the natural and human factors that affect RSEI spatial heterogeneity. The results show that:(1) The high values of RSEI in ARB from 1990 to 2020 were concentrated in the northern mountainous areas, and the low values were concentrated in the southern deserts and wilderness. The mean values of RSEI indicated that eco-environment quality (EEQ) was poor or fair. (2) The changes in ecological quality in ARB tended to decrease more than the area tended to increase. The northern mountainous and central areas increased. (3) Most of the EEQ values of ARB maintained a stable development trend, especially in the past 10 years, when the proportion of stable areas exceeded 84%. (4) The Moran’s I values showed a spatial positive correlation. The high-high concentration area was in the northern mountainous region, and the low-low concentration area was mainly distributed in the southern desert and wilderness. (5) The EEQ of ARB was influenced by natural and human activities. Land use and cover change was the dominant factor, and annual mean temperature (Tem), solar radiation (Sr), annual mean precipitation (Pre), gross domestic product (GDP), population density (Pop) and digital elevation model (DEM) were the main driving factors. The interactive effects of various factors on RSEI are far greater than the effects of individual factors.

1. 引言

生态环境为人类生存提供物质基础，生态环境质量的好坏反映一定时空范围内人类生存和社会可持续发展的适宜性[1]。近年来，由于气候变化和社会经济发展，城市化进程加快，二氧化碳排放量增加，水土流失等问题日益明显，部分地区生态环境质量遭到了严重破坏。因此，合理监测生态环境质量的动态变化以及探寻其主要的影响因素尤为重要。

1972年在瑞典召开联合国关于环境问题的第一次重大会议[2]。自此，各国相继出台一系列关于改善生态环境的计划与政策。20世纪80、90年代，以3S (遥感、全球定位系统和地理信息)技术为主的生态环境监测逐渐开始。部分研究利用多源遥感影像提取单一指标来评估生态环境质量。例如，使用NDVI和FVC反映植被空间异质性和植被生长状况[3]。此外，随着压力–状态–响应模型(PSR模型)的出现，研究人员开始使用多个指标综合评估生态环境质量[4] [5]。如城市生态系统[6]、河流生态系统[7]和湿地生态系统[8]。PSR模型虽然使用多个指标可以较为全面的评估生态环境状况，但数据获取难度大，指标权重的确定受人为干扰较大。由此，徐涵秋[9]基于PSR模型，使用主成分分析，将绿度，湿度，干度和热度四个指标建立了遥感生态指数，对区域生态环境进行评价。该模型极大地克服了人类干扰的缺点，结果全面合理，具有空间可视化等优点。并广泛应用于流域[10]、湿地[11]甚至全中国[12]等大尺度范围。目前，RSEI被广泛应用于区域生态环境质量评估，使生态环境评价体系更加完善。

然而，仅对于生态环境质量的好坏做出评估是不够的。地理探测器是量化影响因素最常用的方法之一[13]。该模型不仅能探测单因子的解释力，还能探测不同因子的交互作用[14]。有学者使用该模型探究中国生态环境质量的驱动力，结果表明自然力是主要驱动力[15]。也有研究表明，土地覆被是主要影响黄河三角洲生态环境质量的驱动力[16]。此外，众多研究表明，RSEI受到人类活动和自然环境变化的共同影响[17]。

干旱半干旱地区生态环境脆弱，极易受到气候变化和人类生产活动干扰，生态环境质量下降较为明显[18]。阿克苏河流域(ARB)位于干旱半干旱地区，是塔里木河的重要水源地，对人类的生产生活具有重要影响。有研究表明阿克苏河流域生态、农业和城镇空间利用冲突已形成，有扩张趋势[19]。也有研究表明，阿克苏地区的生态系统服务功能水平较低，空间差异较大[20]。因此，加强对阿克苏河流域生态环境的研究，能够为阿克苏河流域生态环境保护与可持续发展提供重要参考。

本文主要研究阿克苏河流域生态环境质量的时空变化特征，分析影响阿克苏河流域生态环境的主要驱动力。为此，我们将重点开展三方面的工作：(1) 利用Landsat系列的遥感影像分析1990~2020年阿克苏河流域生态环境质量的时空变化特征及趋势；(2) 使用空间自相关分析阿克苏河流域生态环境质量的空间关联性；(3) 利用地理探测器模型探究阿克苏河流域生态环境质量的空间异质性及驱动因素。

2. 材料与研究方法

2.1. 研究区概况

阿克苏河流域位于新疆维吾尔自治区南部塔里木盆地的西部。该流域地势呈西北高，东南低，平均海拔1100 m。具有温带沙漠气候的特征，夏季高温炎热，冬季少雪[21]。阿克苏河由发源于天山山脉西部的托什干河和库玛拉克河在温宿县南部汇合而成，全长224 km，并最终流入中国最大的内陆河塔里木河中(图1)。径流主要由冰雪融水和山区降水补给，水量丰富。但阿克苏河流域地处塔克拉玛干沙漠边缘，生态环境脆弱。此外，随着流域内人类活动增加和自然环境变化，生态环境问题也随之突显。因此，阿克苏河流域生态环境质量的监测与环境治理势在必行。

注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2020)4619号的标准地图制作，底图无修改。

Figure 1. Research area overview

图1. 研究区概况

2.2. 数据来源

遥感影像源于美国地质调查局( United States Geological Survey, USGS)，在Google Earth Engine (GEE)平台(https://earthengine.google.com)获取经辐射校正和大气校正的Landsat影像，空间分辨率为30 m。筛选出1990年、1995年、2000年、2005年、2010年、2015年、2020年的Landsat 5 TM/OLI或Landsat 8 TM/OLI遥感影像，绘制了1990~2023年阿克苏河流域RSEI时空分布。为减轻过多云量、季节差异和数据质量问题带来的影响，选择运量小于15%，时间范围为6~8月的图像。

影响因素数据包括年均气温、年均降水量、太阳辐射、高程(DEM)、土地利用/覆盖数据、人口密度(POP)、经济生产总值(GDP)和夜间灯光亮度。其中，年均气温、年均降水量和太阳辐射是通过所收集的阿克苏市、阿瓦提县、柯坪县、阿拉尔市、乌什县、温宿县等气象站点的详细气象数据计算而成。下表包括了一些数据来源。

Table 1. Data source of influencing factors

表1. 影响因子的数据来源

影响因素	编号	分辨率	来源
年平均气温(Tem)	X1	30 m	站点数据来自http://data.cma.cn/site/index.html
年平均降水(Pre)	X2	30 m
太阳辐射(Sr)	X3	30 m
经济生产总值(GDP) [22]-[26]	X4	1 km	http://poles.tpdc.ac.cn/zh-hans/
人口密度(Pop) [27] [28]	X5	1 km	https://www.resdc.cn/
土地利用/覆盖(LUCC) [29]	X6	30 m	http://poles.tpdc.ac.cn/zh-hans/
夜间灯光(NPP/VIIRS) [30]	X7	1 km	https://data.tpdc.ac.cn/
高程(DEM)	X8	90 m	https://www.resdc.cn/

2.3. 研究方法

如图2所示。首先，我们利用Landsat5/8影像，结合GEE平台，合成RSEI影像。其次，利用秩相关分析确定RSEI的适用性。通过Sen斜率和Moran’s I指数分析RSEI的时空分布及空间自相关分析。最后，使用地理探测器进行RSEI空间异质性分析。

Figure 2. Framework diagram for this study

图2. 研究框架

2.3.1. RSEI模型

(1) 绿度指标：绿度用归一化植被指数(Normalized Differences Vegetation Index, NDVI)来代表，该指数能够有效反映植被覆盖度和植被生物量等指标，具有检测灵敏度高的优势，能更真实地表达研究区地表空间变化规律[31]。计算公式：

$\text{NDVI}=\left({\rho }_{nir}-{\rho }_{red}\right)/\left({\rho }_{nir}+{\rho }_{red}\right)$ (1)

式中：ρnir代表Landsat影像的近红外波段的反射率，ρred代表Landsat影像的红外波段的反射率。

(2) 湿度指标：湿度指标采用缨帽变换所得的湿度分量来表示，能够反映区域的土壤水分状况[32]。计算公式如下：

${\text{WET}}_{\left(\text{TM}\right)}=0.0315{\text{b}}_1+0.020{\text{b}}_2+0.3102{\text{b}}_3+0.1594{\text{b}}_4-0.6806{\text{b}}_5-0.6109{\text{b}}_7$ (2)

${\text{WET}}_{\left(\text{OLI}\right)}=0.1511{\text{b}}_1+0.1973{\text{b}}_2+0.3283{\text{b}}_3+0.3407{\text{b}}_4-0.7117{\text{b}}_5-0.4559{\text{b}}_7$ (3)

式中：b1~b5代表Landsat8/OLI影像的2-6波段或Landsat5/TM影像的1-5波段；b7代表Landsat8/OLI或Landsat5/TM影像的7波段。

(3) 热度指标：是通过使用比辐射率所校正的遥感影像热红外波段来反演地表温度(Land Surface Temperature，LST)表示[33]，计算公式如下：

$L_{\lambda }=gain\times DN+bias$ (4)

$L_{\lambda }=gain\times DN+bias$ (5)

式中：$L_{\lambda }$ 表示TM/OLI热红外第6波段或第10波段的辐射值；gain表示第6或第10波段的增益值；bias表示第6或第10波段的偏置值；${\text{K}}_1、{\text{K}}_2$ 分别为辐射定标参数；DN表示像元灰度值。

$LST=\frac{T}{1+\left(\lambda T/\rho \right)\times \ln \epsilon }$ (6)

式中：λ为TM/OLI热红外第6或第10波段的中心波长；ε代表地表比辐射率；ρ = 1.438 × 10 − 2 mK。

(4) 干度指标：建筑指数(IBI)通常反映该地区的干旱程度。综合土壤指数(soil index，SI)和IBI来表示干度指标(normalized difference built-up and soil index, NDBSI) [34]，计算公式如下：

$\text{SI}=\frac{\left({\rho }_{SWR1}+{\rho }_{red}\right)-\left({\rho }_{blue}+{\rho }_{NIR}\right)}{\left({\rho }_{SWR1}+{\rho }_{red}\right)+\left({\rho }_{blue}+{\rho }_{NIR}\right)}$ (7)

$\text{IBI}=\frac{\frac{2{\rho }_{SWR1}}{{\rho }_{SWR1}+{\rho }_{NIR}}-\left(\frac{{\rho }_{NIR}}{\left({\rho }_{NIR}+{\rho }_{red}\right)}+\frac{{\rho }_{green}}{{\rho }_{green}+{\rho }_{SWR1}}\right)}{\frac{2{\rho }_{SWR1}}{{\rho }_{SWR1}+{\rho }_{NIR}}+\left(\frac{{\rho }_{NIR}}{\left({\rho }_{NIR}+{\rho }_{red}\right)}+\frac{{\rho }_{green}}{{\rho }_{green}+{\rho }_{SWR1}}\right)}$ (8)

$\text{NDBSI}=\left(\text{SI}+\text{IBI}\right)$ (9)

式中：ρSWR1是短波红外1波段；ρred和ρNIR分别为红波段和近红外波段的反射率；ρblue和ρgreen分别是蓝波段和绿波段的反射率。

RSEI指数的构建：RSEI四个指标基于Landsat系列影像数据计算。由于4个指标的量纲不一致，如果直接计算各指标的主成分，可能会造成权重不一致性。因此，在计算4个指标前需要做归一化处理，使计算结果在[0, 1]之间。然后采用主成分分析计算PC1。接着用1-PC1计算得到原始的生态指数RSEI0 [35]。最后对RSEI0进行标准化就可以获得RSEI，计算公式如下：

$N{I}_i=\left(I_i-I_{\min }\right)/\left(I_{\max }-I_{\min }\right)$ (10)

$\text{RSEI}=\left({\text{RSEI}}_0-{\text{RSEI}}_{0\text{min}}\right)/\left({\text{RSEI}}_{0\text{max}}-{\text{RSEI}}_{0\text{min}}\right)$ (11)

式中：NIi表示指标归一化结果；Ii为各指标在像元i处的值；Imin和Imax代表指标的最小和最大值；RSEI0max和RSEI0min表示RSEI0的最大和最小值。

RSEI的值位于0~1之间，值越大，生态环境质量越好。参考2015年颁布的《生态环境状况评价技术规范》(HJ 192-2015)，将RSEI值每0.2一个区间进行划分，共划分为5个类型：差(0~0.2)，较差(0.2~0.4)，中等(0.4~0.6)，良(0.6~0.8)，优(0.8~1) [36] [37]。因此，RSEI类型反映了研究区生态环境状况。然后，采用ArcGIS中的Spatial Analyst工具，共计算6个时期(1990~1995、1995~2000、2005~2010、2010~2015和2015-2020)的RSEI变化，将结果分为明显改善(IO，包括+4和+3)、轻微改善(IS，包括+2和+1)、不变(IN，变化为0)、轻微恶化(DS，包括−1和−2)和明显恶化(DO，包括−3和−4)五种类型。用于各时间段的生态环境质量进行变化监测。

2.3.2. 线性回归分析

线性回归分析能够分析随时间变化的变量的趋势。当Slope > 0时，表示像元RSEI为增加趋势；Slope = 0时，表示RSEI基本不变；Slope < 0时，表示该像元RSEI为降低趋势[3]。其表达式为：

$Slope=\frac{n{{\displaystyle \sum }}_{i=1}^{n}i\times RSE{I}_i-\left({{\displaystyle \sum }}_{i=1}^{n}i\right)\left({{\displaystyle \sum }}_{i=1}^{n}RSE{I}_i\right)}{n{{\displaystyle \sum }}_{i=1}^n{i}^2-{\left({{\displaystyle \sum }}_{i=1}^{n}i\right)}^{}}$ (12)

式中，Slope为像元回归方程的斜率；RSEIi为第i年的RSEI值，n为研究时间长度。

2.3.3. 空间自相关分析

空间自相关分析是衡量各要素与相邻空间要素之间相关性以及相关程度的一个重要指标[38]。全局空间自相关分析(全局Moran’s I指数)能够较好地反映研究区各空间要素的相关性。该指标的取值范围是[−1, 1]，当Moran’s I > 0时，表示数据为空间正相关；Moran’s I < 0时，则反之。其表达式为：

$I=\frac{m\times {{\displaystyle \sum }}_{i=1}^m{{\displaystyle \sum }}_{j=1}^m{W}_{ij}\left(D_i-\overline{D}\right)\left(D_j-\overline{D}\right)}{{{\displaystyle \sum }}_{i=1}^m{{\displaystyle \sum }}_{j=1}^m{W}_{ij}{\left(D_i-\overline{D}\right)}^2}$ (13)

式中：I代表全局Moran’s I指数；m为要素个数；$D_i$ 和$D_j$ 分别为第i和第j个要素的属性值；Wij代表元素i和j间的空间权重；$\overline{\text{D}}$为要素的平均属性值。

局部空间自相关分析能够揭示研究区内各空间要素值与周围单元属性值在空间上的差异程度。按照要素之间的相关程度，可划分为高–高(H-H)、低–低(L-L)、高–低(H-L)、低–高(L-H)以及无显著性[35]。表达式如下：

$LISA=\frac{m\left(D_i-\overline{D}\right)\times {{\displaystyle \sum }}_{j=1}^m{W}_{ij}\left(D_j-\overline{D}\right)}{{{\displaystyle \sum }}_{j=1}^m{\left(D_j-\overline{D}\right)}^2}$ (14)

式中变量与式(1)相同。

2.3.4. 地理探测器

地理探测器是由王劲峰等[13]提出的一种空间分析手段，主要用来分析空间分异性及其驱动因素。采用地理探测器中的因子探测器和交互探测器寻找影响RSEI的影响因子及其交互作用[39]。其表达式为：

$q=1-{\displaystyle \sum }_{h=1}^L{N}_h{\sigma }_h^2/N{\sigma }^2$ (15)

式中：q为自变量对因变量的影响力；N表示全部的样本数；L为自变量的数量；Nh表示分类样本数；${\sigma }_h^2和{\sigma }^2$ 则表示全部样本的方差和分类样本方差。

交互作用探测能够反映两个影响因子的交互作用与单因子的解释力的不同[40]。即通过计算q(X1∩X2)值与q(X1)和q(X2)的数值进行对比，判断依据见表2。

Table 2. Type of interaction between two variables

表2. 两个变量之间交互作用的类型

判断标准	交互作用类型
q(x1∩x2) < min[q(x1), q(x2)]	非线性减弱
Min[q(x1),q(x2)] < q(x1∩x2) < max[q(x1), q(x2)]	单因子非线性减弱
q(x1∩x2) > max[q(x1), q(x2)]	双因子增强
q(x1∩x2) = q(x1) + q(x2)	独立
q(x1∩x2) > q(x1) + q(x2)	非线性增强

3. 研究结果

3.1. RSEI指数的验证

通过对RSEI与4个生态指标进行Spearman秩相关分析，确定RSEI是否能正确反映阿克苏河流域生态环境质量。在研究区内对RSEI、LST、NDBSI、NDVI、WET均匀采样，共获得2728个采样点，用于RSEI与4个指标代表性的评估。

如图3所示，各指标之间的相关系数为0.14-0.86。RSEI与LST、NDBSI、NDVI、WET的斯皮尔曼相关系数分别为−0.91、−0.94、0.24、0.90。其中，RSEI与LST和NDBSI具有较强的负相关，与NDVI和WET具有较强的正相关。结果表明RSEI与4个指标具有较强的相关性。因此，RSEI比单个指标更具有代表性。

Figure 3. (a) Ecological environmental indicators and RSEI correlation coefficient; (b) 3D scatter plot of RSEI-NDBSI-LST; (c) 3D scatter plot of RSEI-NDVI-WET

图3. (a) 各指标与RSEI的相关系数；(b) RS EI-NDBSI-LST三维散点图；(c) RSEI-NDVI-WET三维散点图

3.2. 生态环境质量时空特征及趋势变化分析

空间上，阿克苏河流域生态环境质量呈北高南低。生态环境质量较差的地区主要集中在南部海拔低，沙漠和荒漠分布的区域。生态环境质量较好的地区主要分布在北部海拔较高的山区，RSEI由内向外逐渐升高。时间上，1990~2020年阿克苏河流域超过60%的地区生态环境质量被评为差和较差等级，2020年生态环境质量被评为优良中等级的占比从2005年的22.2%下降至9.05%。但相比于2015年，2020年阿克苏河流域生态环境质量有改善趋势(图4)。从RSEI的平均值来看，1990~2020年RSEI主要集中在0.3~0.18，生态环境质量评为差和较差等级。其中，1990~2010年RSEI呈波动变化，2010~2020年RSEI均值保持平稳。相较于2015年，2020年RSEI均值有所上升，表明生态环境有所改善。

Figure 4. Spatial distribution of ecological quality in the ARB, 1990~2020

图4. 1990~2020年阿克苏河流域生态环境质量空间分布图

1990~2020年阿克苏河流域RSEI变化趋势空间分布表明(图5)，RSEI呈上升趋势的面积占比为21%，呈下降趋势的面积占比为79%。其中，未显著增加的面积占20.2%，主要分布在北部山区和中东部地区，极显著增加和显著增加的面积之和占比不足1%。未显著下降的面积占63.3%。显著下降和极显著下降的面积之和为15.7%，主要分布在东部、西部和西南部。总的来说，近30年阿克苏河流域生态环境质量处于下降趋势，但北部和中部地区生态环境质量有所改善。

Figure 5. Spatial distribution map of ecological environment quality change trends in the Aksu River Basin from 1990 to 2020 (a), and area proportion chart (b)

图5. 1990~2020年阿克苏河流域生态环境质量变化趋势空间分布图(a)和面积占比图(b)

Figure 6. Spatial distribution map of RSEI changes in the Aksu River Basin from 1990 to 2020 (a), and area proportion chart of each change level (b)

图6. 阿克苏河流域1990~2020年RSEI变化空间分布图(a)和各变化等级面积占比图(b)

近30年来，阿克苏河流域生态改善区IO所占比例小于2%，说明阿克苏河流域生态环境质量变化明显改善的区域较少。IS占比呈下降–上升–下降–上升的趋势，其中2000~2005年期间占比最大，大都分布在中部和西部地区，南部地区仅和田河附近少有分布。阿克苏河流域生态恶化区DO所占比例小于3.5%，说明阿克苏河流域生态环境质量变化明显恶化的区域较少，但相比于IO较大。DS呈上升–下降–上升–下降的趋势，与IS变化趋势几乎相反。DS在1995~2000年期间出现最大占比，主要分布在山区南部，西北及西北部地区，南部地区几乎无分布。IN由1990~1995年的54.35%上升到2015~2020年的91.47%，主要由南部地区向北部地区延伸，各时期内占比最大(图6)。总体来看，近30年来，阿克苏河流域生态环境质量大部分保持稳定发展趋势。尤其是2010~2020年生态环境质量保持不变的面积占比高达84%以上，并且IO和DO的面积之和占比不足1%，人们越来越重视对生态环境的保护与治理。

3.3. 空间自相关分析

基于渔网划分的2727个样本点，采用Moran’s I指数和LISA聚类对阿克苏河流域RSEI进行空间自相关分析。图7为Moran’s I指数散点图。Moran’s I指数均大于0，结果通过显著性检验(p ≤ 0.01且Z ≥ 2.58)。每时期的散点主要集中在第一象限和第三象限，表示阿克苏河流域的生态环境空间分布具有显著的正相关。1990年、1995年、2000年、2005年、2010年、2015年和2020年的Moran’s I指数分别为0.773、0.792、0.745、0.728、0.834、0.870和0.893，RSEI的空间分布呈正相关，并具有一定的聚集分布特征。同时，1990~2020年阿克苏河流域的Moran’s I指数呈波动上升趋势，表明空间聚集特征有所增加。

Figure 7. Global Moran’s I scatter plot of RSEI in the Aksu River Basin from 1990 to 2020

图7. 1990~2020年阿克苏河流域RSEI的Global Moran’s I散点图

图8为LISA聚类图。研究发现，RSEI不显著聚类主要集中分布在中部地区，北部地区呈H-H聚类，南部地区呈L-L聚类。此外，H-L和L-H聚类几乎没有分布，表明生态环境质量没有极端。其中，L-L聚类表示生态环境质量较差的区域，主要在阿瓦提县和阿克苏市的沙漠地区分布，柯坪县少有分布。H-H聚类表示生态环境质量较好的区域，主要分布在乌什县和温宿县海拔较高的山区。其中，2005年H-H聚类在中部地区也有分布，斑块聚集，表明2005年中部地区的生态环境质量有所改善。与2010年相比，2020年RSEI指数的H-H聚类斑块增加，L-L聚类斑块减少，空间聚集性增强。因此，近十年来，阿克苏河流域生态环境质量有望改善。

Figure 8. LISA clustering map of RSEI in the Aksu River Basin from 1990 to 2020

图8. 1990~2020年阿克苏河流域RSEI的LISA 聚类图

3.4. 空间异质性及影响因素分析

通过单因子检测计算各因子的q值，揭示各因子对RSEI的相对影响，结果如表3所示。除NPP/VIIRS外，其余因子对RSEI的影响均显著(P < 0.05)。其中，LUCC的解释力超过43%，q排名第一，被认为是阿克苏河流域生态环境质量空间异质性的主导因素。其次，TEM、PRE和Sr的解释力均超过34%，并且GDP、Pop、DEM解释力超过10%，被认为是主要驱动因素；而NPP/VIIRS的p值过大，不显著。

交互检测能够揭示因子之间的相互作用及对RSEI变化的影响。结果(图8)表明，任意两个因子之间的交互作用大于单个因子对RSEI的影响。其中，Tem与Pre、Sr、LUCC、DEM；Pre与Sr、LUCC、DEM；Sr与LUCC、DEM；LUCC与DEM相互作用类型为双因素增强，其余组合交互作用类型表现为非线性增强。LUCC与其他因子相互作用的q值最高，解释力达到69%以上。高于LUCC对RSEI的单因子解释力。其中，LUCC与Pre是交互作用最强的组合，q值为79%以上。LUCC是影响RSEI变化的主导因子，LUCC与其他因子交互作用进一步增强了对RSEI的影响。虽然夜间灯光单因子解释力几乎没有，但与其他因子交互作用时q值为10%以上。尤其是与Tem、Pre和LUCC交互作用时q值高达46%以上，极大的增强了对RSEI的解释力。结果表明阿克苏河流域生态环境质量是受各个因子是相互影响，而不是各个因子简单相加，没有独立作用的影响因子。

Table 3. System resulting data of standard experiment

表3. 因子检测结果

影响因子	q值	p值	P值排序
X1	0.432169	0.000	2
X2	0.429162	0.000	3
X3	0.34149	0.000	4
X4	0.132761	0.000	6
X5	0.102665	0.000	7
X6	0.435149	0.000	1
X7	0.010002	1.000	8
X8	0.251828	0.000	5

Figure 9. The results of the interactive detection

图9. 交互检测的结果

4. 讨论

4.1. RSEI模型适用性

我国于2015年发布了新修订的《生态系统状态评价技术规范》(HJ 192-2015)。表明生态环境状况指数(EI)主要由生物丰富度指数、土地胁迫指数、植被覆盖度指数、污染负荷指数、水网密度五个指数和一个环境限制指数构成[41]。其中，前三个指标能够通过遥感影像获得，其他指数较难获取，并且各评价指标权重是人为设定的。RSEI采用主成分分析的方法确定绿度、湿度、干度和热度四个指标的权重，避免了人为干扰造成的不利影响。目前，RSEI已被广泛应用于干旱区的生态环境质量评估研究。有研究通过计算RSEI，分析柴达木盆地[42]等区域的生态环境质量的时空变化及趋势分析，证明RSEI可以用于干旱区的生态环境监测。

4.2. RSEI时空分异特征

阿克苏河流域RSEI均值从1990年0.26下降到2020年0.19，生态环境质量整体呈下降趋势。Ling等[43]研究结果表明阿克苏河流域RSEI均值在2000~2020年呈上升趋势，本研究结果与其不一致。一方面与本研究所使用的数据是Landsat系列数据相关，Landsat影像数据相较于MODIS影像数据精度更高，另一方面与研究区范围不一致有关。本文研究区覆盖较大沙漠和荒漠区域。已有研究表明沙漠和荒漠分布区的生态环境质量较低[44]。沙漠和干旱地区在维持生态环境质量方面面临挑战，这也表明可持续发展对环境保护和区域规划的重要性。

从变化趋势上看，1990~2020年阿克苏河流域北部山区和中部人类活动区的生态环境质量呈改善趋势。1990~2010年生态环境质量变化较大，2010~2020年生态环境质量稳定区达84%。其中，2015~2020年生态改善面积大于生态恶化面积，生态环境具有向好趋势，并且生态改善区主要分布在北部和中部地区。一方面与区域气候环境密切相关，另一方面与区域生态治理措施密不可分[45]。这得益于退耕还林、生态输水和封沙育林等工程的相继实施，促进了植被群落的繁殖和演替，从而改善了生态环境质量。

4.3. 生态环境质量RSEI驱动因子分析

结果表明LUCC是引起生态环境质量RSEI空间分布的主导因素。Ling等[43]利用NDVI、WET、NDBSI、LST、TEM、LUCC和ST (土壤类型)分析了ARB的EEQ。本研究在此基础上本研究加入Pop、DEM、Sr和NPP/VIIRS，更加深入地分析了阿克苏河流域生态环境质量的影响因素。已有研究表明LUCC会影响生态系统服务功能，例如碳储量，从而影响生态环境质量。此外，对黑河流域[46]的研究表明，土地利用类型的变化是影响 EEQ 的主要因素。例如，人类活动导致草地、耕地、林地转为建设用地或未利用地，从而导致环境质量随之恶化。研究区中部地区主要有城市分布，受人类活动影响，土地利用变化程度较大，生态环境质量变化较大。如表3所示，与1990年相比，耕地和建设用地的面积分别上升到8527.25 km²和494.29 km²。其中，1990~2020年草地转耕地和未利用地，水域转未利用地和未利用地转草地的面积较大。与GDP、Pop和DEM相比，Tem、Pre和Sr对阿克苏河流域生态环境质量的影响更为明显。由于阿克苏河流域属于干旱绿洲区，沙漠广布，人口分布较为集中，地势北高南低，所以Tem、Pre和Sr对生态环境质量空间分布可能更为重要。

GDP、Pop和NPP/VIIRS三个人为因素对阿克苏河流域生态环境质量的单因子解释力较低，这是由于阿克苏河流域人口分布较少，并且分布较为集中。但与其他环境因子交互作用解释力显著增加，是生态环境质量的重要影响因子。一方面，通过人工育林和封沙育林等生态工程改善生态环境质量；另一方面，城市扩张，占用耕地、林地和草地破坏了当地的生态环境。

Table 4. Land use area transfer in the Aksu River Basin from 1990 to 2020

表4. 1990~2020年阿克苏河流域土地利用面积转移

面积/km^2	1990年
2020年		草地	耕地	建设用地	林地	水域	未利用地	总计
	草地	8620.94	164.56	5.94	606.68	434.42	3913.06	13745.58
	耕地	2967.33	3885.47	150.49	447.00	101.00	975.96	8527.25
	建设用地	46.64	270.20	84.02	9.86	1.33	82.24	494.29
	林地	632.99	270.34	11.12	284.67	44.24	134.08	1377.44
	水域	251.36	19.79	0.50	50.97	1078.75	145.45	1546.2
	未利用地	5672.35	47.82	3.79	170.28	1478.60	30532.84	37905.67
	总计	18191.6	4658.17	255.86	1569.46	3138.34	35783.62	63597.06

基于本研究的结果，我们对ARB未来的生态环境监测与可持续发展提出以下展望：(1) 建议在未来的研究中继续利用Landsat系列影像和高分辨率影像结合，使用GEE平台定期做ARB的RSEI数据，确保数据的时效性。这样可以实时掌握ARB的生态环境的动态变化，为及时采取相应措施提供科学依据。(2) 该研究表明，自然因素和人类活动因素对ARB的生态有重大影响。其中，LUCC对生态环境质量影响最大。因此，在今后的生态环境治理中，既要考虑气候因素，人口和经济发展带来的压力，也要综合考虑土地利用类型的变化。针对土地利用类型的变化，建议对草地和林地进行生态输水或封育保护，对未利用地中的荒漠区进行防沙治沙，以促进区域生态平衡和可持续发展。(3) 针对ARB中生态环境质量较差的区域，特别是南部沙漠和荒漠区，建议实施生态恢复工程，如植被恢复、生态输水和荒漠化防治等。同时，加强北部山区生态环境质量较高区域的保护，防止因人类活动导致的生态退化。

5. 结论

本研究以阿克苏河流域为研究区，阿克苏河流域具有典型的干旱区绿洲的特征。其研究结果可为阿克苏河流域的环境保护和区域可持续发展提供科学依据。基于GEE平台、Landsat影像数据，Spearman秩相关分析、Sen’s斜率分析、Moran’s I指数和地理探测器等方法，确定了RSEI的适用性，利用RSEI指数分析了1990~2020年阿克苏河流域生态环境状况及其变化趋势，探讨了RSEI空间异质性的驱动因素。得出以下结论：

(1) 阿克苏河流域RSEI高值集中在北部山区，低值集中在南部沙漠和荒漠。从RSEI均值来看，阿克苏河流域生态环境处于差和较差等级；

(2) 阿克苏河流域生态环境质量变化趋向于减小面积大于趋向于增加面积。北部山区和中部地区是趋向于增加的区域；

(3) 近30年来，阿克苏河流域生态环境质量大部分保持稳定发展趋势。尤其是近10年生态环境质量保持不变的面积占比高达84%以上；

(4) 阿克苏河流域RSEI的Moran’I值表现出正空间相关性。H-H聚集区在北部山区。L-L聚集区主要分布在南部沙漠和荒漠地区；

(5) 阿克苏河流域生态环境质量受自然因素和人类活动共同影响，其中，LUCC为主导因子，Tem、Pre、Sr、GDP、Pop和DEM解释力超过10%为主要驱动因素。各因子交互作用对RSEI的影响远大于单因子的作用。因此，在环境保护与治理中，应综合考虑多种因素的作用。

基金项目

感谢阿克苏河流域山水林田湖草沙一体化保护和修复研究(AKSSSXM2022620)，新疆维吾尔自治区“天山英才”支持计划–科技创新团队(2023TSYCTD0019)和塔里木大学研究生科研创新计划补助金(TDGRI202304)的资助。

NOTES

^*通讯作者。