基于IWRSEI的右玉县生态环境质量时空变化分析

Analysis of the Spatial and Temporal Evolution of the Ecological Environment Quality in Youyu County Based on IWRSEI

摘要: 北方农牧交错带是我国典型的生态脆弱区，精准评估农牧交错带生态环境质量变化，为区域生态文明建设与实现可持续发展提供合理参考。以农牧交错带的核心区域右玉县为研究区，选取2002年、2008年、2014年、2020年四个不同时期的Landsat影像作为数据基础，在遥感生态指数(RSEI)模型基础上，引入盐度指标(NDSI)构建改进的遥感生态指数(IWRSEI)对2002~2020年右玉县的生态环境质量进行定量评价，通过空间自相关分析生态环境质量时空演变规律。结果表明：(1) 在IWRSEI模型中，第一主成分的荷载值的正负及其排序与RSEI保持一致。此外，IWRSEI模型的第一主成分的特征值贡献率较RSEI提升了1.92%，使得评价结果更贴近实际地表状况，该模型更适合应用于右玉县的生态环境质量评估。(2) 2002~2020年间右玉县的IWRSEI指数平均值为0.509，生态环境质量处于较为良好的状态。IWRSEI指数的年均值呈现一个先增后减的趋势，其中在2014年达到峰值0.550。2002~2014年右玉县的生态环境质量等级分布保持稳定，南部、西部和中部高海拔地带生态环境质量较好，而北部、东北部及中部低海拔区域质量较差；2014~2020年生态环境质量较差的区域面积占比显著上升了16.24%，而质量较好占比减少18.37%，主要变化集中在中低海拔地区。(3) 右玉县生态环境质量存在显著的空间自相关性，局部主要为高–高集聚和低–低集聚，与生态指数分布变化趋于一致。

Abstract: An appropriate reference for the establishment of regional ecological civilization and the achievement of sustainable development is the precisely assessed ecological environment quality changes in the northern agriculture and animal husbandry intertwined belt, which is a typical ecologically fragile area in China. Using Youyu County as the study location, which is the crossbreeding zone’s central region, the data base consisted of Landsat images from the years 2002, 2008, 2014, and 2020. The salinity index (NDSI) was added based on the Remote Sensing Ecological Index (RSEI) model to create the Improved Remote Sensing Ecological Index (IWRSEI), which measures the quality of the ecological environment in Youyu County from 2002 to 2020. Youyu County’s ecological environment quality was assessed quantitatively, and spatial autocorrelation was used to examine the ecological environment quality’s temporal and spatial evolution. The findings demonstrate that (1) in the IWRSEI model, the first main component’s loadings and ordering, both positively and negatively, are consistent with RSEI. Additionally, the IWRSEI model’s first principal component’s eigenvalue contribution rate improved by 1.92% when compared to the RSEI, bringing the evaluation results closer to the real surface conditions and making the model more appropriate for use in Youyu County’s ecological environment quality assessment. (2) Youyu County’s average IWRSEI rating from 2002 to 2020 was 0.509, indicating that the ecological environment is in reasonably excellent condition. The IWRSEI’s yearly average value exhibits an increasing and subsequently declining pattern, peaking at 0.550 in 2014. From 2002 to 2014, Youyu County’s ecological environment quality ratings were distributed steadily, with the high-altitude zones in the south, west, and central regions maintaining the same ecological environment quality grades. The central high-elevation zone has a better ecological environment than the northern, northeastern, and central low-elevation areas; from 2014 to 2020, the percentage of areas with a poorer ecological environment increased significantly by 16.24%, while the percentage of areas with a better ecological environment decreased by 18.37%. The main changes were concentrated in the middle and low-elevation areas. (3) There is a significant spatial autocorrelation in the ecological environment quality of Youyu County, with local areas mainly characterized by high-high clustering and low-low clustering, which is consistent with the distributional changes of the ecological index.

1. 引言

在当今社会，生态环境已成为全球关注的重点问题，是区域生态安全和社会可持续发展的关键影响因素。近年来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，将生态安全提高至与国家战略安全同等重要的地位。众所周知，进行生态评价和生态变化状况的监测是维护国家生态安全的重要举措之一[1]。中国北方农牧交错带作为我国重要的生态安全屏障，其生态环境状况不仅关系到区域的可持续发展，还影响到周边地区的生态安全和人民的生活质量[2]。高效开展中国北方农牧交错带生态领域的研究对及时掌握生态状况，制定科学合理的生态保护政策具有重要作用。

遥感技术的进步实现了由人工结合影像与地理信息进行分析到智能化检测的转变，促进了生态分析方式的进步。遥感指数是利用遥感技术将卫星多光谱影像可见光以及红外波段不同波段进行组合来构建并强化光谱特性，以便更好地评价具体地物特征的一种手段[3]。相比于以往的定性评价，遥感指数的出现使生态环境的优劣性有了一个定量的评价标准，但其中的单一遥感指数只能反映城市生态系统中的某一个问题，这样的评价方式仍是片面的[4]。研究者们开始探寻更综合的生态评价方法，以求客观评估区域生态环境质量，构建更适用于生态系统的遥感监测模型和方法。

2013年徐涵秋[5]在生态指数(EI)的基础上提出了一种新的遥感生态指数(RSEI)。该指数通过主成分分析，将绿度、湿度、热度和干度四项指标整合起来，可以对研究区的生态质量进行客观且准确的评估，且可比性较强，能弥补EI指数的不足。此后，RSEI模型及在此基础上衍生出的相关模型被广泛应用于生态环境质量动态监测与评价中。随着生态环境质量评价研究的不断深入，一些学者针对研究区域的生态环境特点对RSEI进行改进，在原有四个指标的基础上加上能代表区域特色的指标构建改进的遥感生态指数。王远轲等[6]用盐度指数(SI)替代干度指标，并引入空气质量指标(DI)构建改进的遥感生态指数(MRSEI)，并结合景观指数，借助空间自相关分析方法，通过地理探测器进行驱动因子分析，定量评价黄河三角洲生态环境时空分异特征。

右玉县位于山西省朔州市，是北方农牧交错带的核心区域，同时也是京津冀风沙源治理生态功能区的重要组成部分和重要的生态屏障。准确客观地评估右玉县的生态环境质量，分析其时空变化特征，对北方农牧交错带的生态环境保护治理政策的制定具有重要的意义。鉴于此，本文基于RSEI模型，并结合右玉县环境问题，加入盐度指标(NDSI)构建了用于半干旱地区的遥感生态指数(IWRSEI)作为评价指标，以2020年的数据参考，对右玉县应用IWRSE模型的适用性进行了评估。利用IWRSEI模型，对2002~2020年右玉县的生态环境质量进行了系统的定量评估，并通过可视化形式揭示该地区生态环境质量的时空分布特征；同时通过空间自相关分析，探讨区域生态脆弱性的时空演变规律，旨在为右玉县生态环境的定量化动态监测开拓新视角，并为右玉县未来生态环境治理和可持续发展提出合理性建议。旨在为右玉县生态环境的定量化动态监测开拓新视角。

2. 数据与方法

2.1. 研究区概况

Figure 1. Overview of the study area

图1. 研究区概况

右玉县位于山西省北部的朔州市，毛乌素沙漠的边缘，地处黄河上中游地区，黄土丘陵缓坡区，地理坐标为(112˚23′33ʺ~112˚38′35ʺE，39˚41′18ʺ~40˚17分54ʺN，图1)，下辖4个镇、4个乡：新城镇、右卫镇、威远镇、元堡子镇、牛心堡乡、高家堡乡、杨千河乡、李达窑乡，总面积达1969 km² [7]。平均海拔1400 m，地貌类型主要为丘陵和山地。具有温带大陆性季风气候特征，以寒冷、多风和干旱为主要气候特点。是京津冀风沙源治理生态功能区的重要组成部分，也是京津冀地区重要的生态屏障。

2.2. 数据源与预处理

本文遥感影像数据均在(https://earthexplorer.usgs.gov)下载，所采用的数据为Landsat 5 TM和Landsat 8 OLI/TIRS遥感图像，其时间分辨率为16 d，空间分辨率为30 m。为减少云量对结果的影响，选择云量在10%以内的图像；时间上，选取2002年、2008年、2014年和2020年的遥感图像。利用ENVI 5.3对影像数据进行辐射定标、大气校正、去云和裁剪等预处理。

2.3. 研究方法

2.3.1. IWRSEI模型

半干旱区域遥感生态指数(IWRSEI)是针对陆地开发的生态指数，大面积水域会影响真实地面湿度以及主成分的载荷，为避免水体的干扰，本文通过归一化水体指数(NDWI)识别并获取研究区域内的水体进而做掩模处理[8]。

参考徐涵秋等的遥感生态指数(RSEI)，关注半干旱区生态系统的基本组成，结合右玉县实际生态环境动态变化，在绿度(NDVI)、湿度(WET)、干度(NDBSI)、热度(LST)四个指标的基础上[9]，加入盐度(NDSI) [10]，从而构建IWRSEI模型来对右玉县生态环境质量变化进行评估，各指标计算公式如表1所示。

Table 1. Calculation formula for IWRSEI index

表1. IWRISE指标计算公式

指标	计算公式	参数含义
NDVI	$NDVI=\frac{\left({\rho }_{NIR}-{\rho }_{Red}\right)}{\left({\rho }_{NIR}+{\rho }_{Red} \right)}$	${\rho }_{NIR}$ 为近红外波段反射率； ${\rho }_{Red}$ 为红光波段的反射率。
WET	$\begin{array}{c}WET\left(TM\right)=0.0315{\rho }_{Blue}+0.2021{\rho }_{Green}+0.3102{\rho }_{Red}\\ +0.1594{\rho }_{NIR}-0.6806{\rho }_{SWIR1}-0.6109{\rho }_{SWIR2}\end{array}$ $\begin{array}{c}WET\left(OLI\right)=0.1511{\rho }_{Blue}+0.1973{\rho }_{Green}+0.3283{\rho }_{Red}\\ +0.3407{\rho }_{NIR}-0.7117{\rho }_{SWIR1}-0.4559{\rho }_{SWIR2}\end{array}$ $\begin{array}{c} WET\left(ETM+\right)=0.2626{\rho }_{Blue}+0.2141{\rho }_{Green}+0.0926{\rho }_{Red}\\ +0.0656{\rho }_{NIR}-0.7629{\rho }_{SWIR1}-0.5388{\rho }_{SWIR2}\end{array}$	${\rho }_{Blue}$ 为蓝波段反射率； ${\rho }_{Green}$ 为绿波段的反射率； ${\rho }_{Red}$ 为红波段的反射率； ${\rho }_{NIR}$ 为近红外波段反射率； ${\rho }_{SWIR1}$ 为短波红外1波段反射率； ${\rho }_{SWIR2}$ 为短波红外2波段反射率。
NDBSI	$NDBSI=\frac{\left(SI+IBI\right)}{2}$ $SI=\frac{\left[\left({\rho }_{SWIR1}+{\rho }_{Red} \right)-\left({\rho }_{Blue}+{\rho }_{NIR} \right)\right]}{\left[\left({\rho }_{SWIR1}+{\rho }_{Red} \right)+\left({\rho }_{Blue}+{\rho }_{NIR} \right)\right] }$ $IBI=\frac{\frac{2{\rho }_{SWIR1}}{{\rho }_{SWIR1}+{\rho }_{NIR}}-\left(\frac{{\rho }_{NIR}}{{\rho }_{NIR}+{\rho }_{Red}}+\frac{{\rho }_{Green}}{{\rho }_{Green}+{\rho }_{SWIR1} }\right)}{\frac{2{\rho }_{SWIR1}}{{\rho }_{SWIR1}+{\rho }_{NIR}}+\left(\frac{{\rho }_{NIR}}{{\rho }_{NIR}+{\rho }_{Red}}+\frac{{\rho }_{Green}}{{\rho }_{Green}+{\rho }_{SWIR1} }\right)}$	SI为裸土指数； IBI为应用建筑指数； ${\rho }_{SWIR1}$ 为短波红外1波段反射率； ${\rho }_{Red}$ 为红波段的反射率； ${\rho }_{Blue}$ 为蓝波段反射率； ${\rho }_{NIR}$ 为近红外波段反射率； ${\rho }_{Green}$ 为绿波段的反射率。
LST	$ST=DN\ast 0.00341802+149-273.15$	$DN$ 为像元的灰度值。
NDSI	$NDSI=\frac{{\rho }_{Red}-{\rho }_{NIR}}{{\rho }_{Red}+{\rho }_{NIR}}$	${\rho }_{Red}$ 为红波段的反射率； ${\rho }_{NIR}$ 为近红外波段反射率。

IWRSEI模型运用主成分分析法(PCA)，将五个生态指标的数据整合至第一主成分，以单一维度反映整体情况。为了避免指标量纲不统一对权重的影响，在进行主成分分析之前需对各指标进行归一化处理[11]。公式如下：

$N{I}_i=\frac{I_i-I_{\text{min}}}{I_{\text{max}}-I_{\text{min}}}$ (1)

式中，$N{I}_i$ 为经过归一化后的某个指标值；$I_i$ 为各指标在第像元的值；$I_{\text{max}}$ 和$I_{\text{min}}$ 分别为各指标的最大和最小值。

经归一化处理后，将5个生态指数的归一化因子合成为一幅影像，利用ENVI自带主成分分析工具，进行主成分分析，提取第一主成分计算得到初始遥感生态指数值，记为$IWRSE{I}_0$ ：

$IWRSE{I}_0=P{C}_1\left[f\left(NDVI,WET,NDBSI,LST,NDSI\right)\right]$ (2)

由于不同时期的遥感生态指数值各不相同，为了方便对比研究，将$IWRSE{I}_0$ 再次归一化处理得到$IWRSEI$ ：

$IWRSEI=\frac{IWRSE{I}_0-IWRSE{I}_{0\min }}{IWRSE{I}_{0\max }-IWRSE{I}_{0\text{min}}}$ (3)

式中，$IWRSE{I}_0$ 代表原始未经归一化的遥感生态指数，其最大值和最小值分别标记为$IWRSE{I}_{0\max }$ 和$IWRSE{I}_{0\text{min}}$ 。指数的取值介于[0, 1]之间，指数值越接近1，则表明生态环境质量越优良。

2.3.2. 空间自相关

空间自相关是分析时空变化的一种常用方法，它包括全局空间自相关和局部空间自相关这两个不同的分析维度。本文通过$Моran’s I$ 指数来分析右玉县四个时期总体空间关联和空间差异程度[12]。为了深入探究区域生态环境质量的空间集聚现象及其局部分布特性，本文采用局部莫兰指数($Local Моran’s I$ )进行局部空间自相关性的局部分析，并分析相邻区域之间的差异程度[13]。

3. 结果与分析

3.1. AWRSEI 模型验证

3.1.1. IWRSEI模型验证分析

Table 2. Results of principal component analysis of indicators in RSEI and IWRSEI models

表2. RSEI和IWRSEI模型中各指标的主成分分析结果

指标	主成分	NDVI	WET	NDBSI	LST	NDSI	$P{C}_1$ 贡献率/%
RSEI	$P{C}_1$	0.665	0.229	−0.537	−0.466	--	74.45
	$P{C}_2$	−0.379	−0.094	0.257	−0.884	--	21.01
	$P{C}_3$	−0.641	0.370	−0.671	0.041	--	3.01
	$P{C}_4$	−0.055	−0.895	−0.441	−0.009	--	0.53
IWRSEI	$P{C}_1$	0.773	0.357	−0.407	−0.164	−0.286	77.37
	$P{C}_2$	0.346	−0.183	0.229	0.882	−0.124	13.91
	$P{C}_3$	−0.379	0.745	−0.334	0.411	0.147	6.05
	$P{C}_4$	0.138	0.533	0.818	−0.161	−0.035	2.56
	$P{C}_5$	0.346	−0.012	−0.011	−0.003	0.938	0.11

表2呈现了RSEI和IWRSEI模型生态因子的主成分分析数据。IWRSEI的第一主成分($P{C}_1$ )的贡献率增至77.37%，比RSEI高出1.92%，显示出其包含更全面的指标信息。两个模型中指标对$P{C}_1$ 的贡献均呈现相同的正负分布，其中NDVI和WET的正贡献表明它们对环境改善有正面作用，而NDBSI、NDSI和LST的负贡献则暗示它们可能抑制环境改善，这与五个指标的实际环境效应一致。整体来看，第一主成分能够有效地整合这五个指标的信息，表明IWRSEI模型通过应用PCA方法来整合这些指标，能够全面地反映生态环境的整体状况。

3.1.2. RSEI和IWRSEI模型对比分析

以2020年研究区IWRSEI与RSEI为例，整体对比指数间差异(图2)，显示RSEI和IWRSEI在监测右玉县生态环境变化的总体趋势上是一致的，但是它们在空间细节和变化程度上有所区别。为更好地分析IWRSEI与RSEI在右玉县的差异性，对建设用地、水域附近、未利用地与林地进行对比。在建设用地方面，IWRSEI相比RSEI更能突出建设用地轮廓，城镇与耕地的识别更准确。水域附近IWRSEI能够对不同地物的生态环境质量进行区分，增强了不同地物对比度。对于未利用地，由于土地盐碱度高，植被覆盖程度低，生态较差，IWRSEI相比RSEI对未利用地的生态环境评价更精确，对盐碱地监测更加灵敏。在植被覆盖度较高地区，IWRSEI相比RSEI更突出了植被覆盖。

Figure 2. Comparation between RSEI and IWRSEI

图2. RSEI和IWRSEI对比

综合来看，IWRSEI的生态评价更符合现实，对于右玉县整体的生态质量较为准确，IWRSEI在右玉县相比RSEI具有较好的适用性。

3.2. 右玉县生态环境质量综合分析

3.2.1. 生态因子主成分分析

右玉县四个时期主成分分析结果见表3。IWRSEI的第一主成分($P{C}_1$ )的贡献率均达到75%以上，这表明第一主成分集中了主要的特征信息，能够用($P{C}_1$ )构建改进的遥感生态指数IWRSEI。并且绿度指标NDVI和湿度指标WET的正值对研究区域的生态环境产生了积极效应，而盐度指标NDSI、温度指标LST和干度指标NDBSI的负值则对环境产生了负面影响，这与实际环境规律相一致。整体来看，第一主成分能够有效地整合这五个指标的信息，表明IWRSEI模型通过应用PCA方法来整合这些指标，能够全面地反映右玉县生态环境的整体状况。

Table 3. Results of principal component analysis of indicators

表3. 各指标主成分分析结果

年份	NDVI	第一主成分($P{C}_1$ )				$P{C}_1$ 贡献率/%
		WET	NDBSI	LST	NDSI
2002	0.344	0.381	−0.343	−0.707	−0.344	75.99
2008	0.546	0.320	−0.403	−0.374	−0.546	83.56
2014	0.455	0.191	−0.461	−0.580	−0.455	80.73
2020	0.773	0.357	−0.407	−0.164	−0.286	77.37

3.2.2. 生态环境质量时空变化分析

为了更好地分析右玉县的生态环境质量，依据《生态环境评价技术规范》的分级准则，对右玉县IWRSEI指数进行等级划分，将右玉县IWRSEI划分为差[0, 0.2)、较差[0.2, 0.4)、中等[0.4, 0.6)、良[0.6, 0.8)、优[0.8, 1] 5个等级[14]见图3。在此基础上，进一步汇总了右玉县四个时期生态环境质量等级的总体比例和平均数值于表4 [15]。

Figure 3. IWRSEI index classification of Youyu County

图3. 右玉县IWRSEI指数分级

在统计分析右玉县2002~2020年的IWRSEI数据时，发现大部分IWRSEI值位于(0.4, 1)区间，显示出该区域生态环境质量的基础较为良好。在这段时间内，IWRSEI的年均值为0.509，其中2014年达到峰值0.550，标志着生态环境质量的最佳时期；而到了2020年，IWRSEI均值下降至0.447，反映出生态环境质量的最低点。从2002年到2020年，生态环境质量整体呈现了先提升后下降的趋势。在2002至2014年间，不同等级的面积占比相对稳定，但在2014~2020年变化显著，其中较差等级的面积占比分别增加了7.67%和8.57%，而良和优等级的面积占比分别下降了10.12%和8.25%。这表明，近年来右玉县的生态环境质量呈现出了恶化的趋势。

从空间变化角度分析，植树造林、科学合理地资源开发利用改善了右玉县的生态环境质量，使得生态环境质量总体处于较好水平。生态质量较好的区域，即等级为良和优的地区，主要集中在南部、西部和中部的高海拔林地，这些地方植被茂密，人类活动较少。相反，生态质量较差的区域，如等级差和等级较差的地区，则多位于北部、东北部和中部的中低海拔地带，这些地方海拔较低，人类活动较为密集。但是，近年来由于人们不合理地资源开发利用及一些人为污染环境活动的出现，导致了右玉县生态环境质量下降。总体上，优、良和一般等级的生态环境质量占据了67.58%的主要比例，而较差等级的区域较少，多集中在中低海拔地区。

Table 4. IWRSEI percentage and mean statistics by class in YouYu County

表4. 右玉县IWRSEI各等级占比与均值统计

年份	等级比例/%					均值
	差[0, 0.2)	较差[0.2, 0.4)	一般[0.4, 0.6)	良[0.6, 0.8)	优[0.8, 1]
2002	16.75	19.45	23.47	21.96	18.37	0.512
2008	14.47	17.86	25.74	23.57	18.35	0.527
2014	13.70	15.04	24.33	26.64	20.30	0.550
2020	21.37	23.61	24.46	16.52	12.05	0.447

3.2.3. 生态环境质量等级转移分析

根据前文分析，进一步分期研究右玉县生态质量的等级演变态势，通过统计生态质量转移矩阵(表5)，得到等级演变情况，展示了每个时期内生态质量等级变化的面积及其占比。

Table 5. IWRSEI transfer matrix from 2002 to 2020

表5. 2002~2020年生态质量转移矩阵

变化类型	2002~2008年		2008~2014年		2014~2020年		2002~2020年
	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%	面积/km²	占比/%
退化	561.65	28.31	487.05	24.57	955.60	48.20	838.76	42.32
不变	795.90	40.13	855.24	43.14	728.49	36.75	620.95	31.32
改善	625.89	31.56	640.01	32.29	298.34	15.05	522.61	26.37

Figure 4. Chart of IWRSEI index level change in Youyu County

图4. 右玉县IWRSEI指数等级变化

为深入分析右玉县生态质量的变化情况，对四个时期的IWRSEI指数进行了对比分析。差值分析的等级差界定在[−4, 4]区间，具体划分为：−4到−3表示严重退化，−2到−1表示轻度退化，0表示无变化，1到2表示轻度改善，3到4表示显著改善，共划分为五个等级。这些等级变化进一步归纳为退化、稳定和改善三大类，具体结果展示在图4和图5中。

Figure 5. Youyu County 2002~2020 IWRSEI class transfer Sankey chart

图5. 右玉县2002~2020年右玉县IWRSEI等级转移桑基图

统计结果显示，在2002~2008年和2008~2014年两个时期，右玉县的生态质量显著提升；然而，在2014~2020年，生态质量出现了退化。2002~2014年，生态质量改善的区域占总面积的63.85%，这些区域主要位于右玉县的北部和东北部的中高海拔地带；而生态质量退化的区域仅占12.23%，集中在南部和西部的中高海拔地区。到了2014~2020年，生态退化现象更为显著，退化区域占比增至48.2%。总体而言，2002~2014年生态质量改善的区域面积远超过退化区域，表明右玉县生态环境整体有所好转；但自2014年起，生态质量开始呈现下降趋势。

3.2.4. 生态环境质量空间相关性分析

地理学第一定律揭示了空间联系的密切性随距离缩短而增强，以及空间分异性的特点。为了研究右玉县IWRSEI的空间联系和差异，将数据转换为矢量点，经空间自相关检验后，利用聚类和异常值分析工具，对IWRSEI的空间自相关性进行了分析，并在图6中展示了LISA聚类图的结果。

Figure 6. LISA cluster diagram of IWRSEI index in Youyu County

图6. 右玉县IWRSEI指数LISA聚类图

图6显示，右玉县在四个时期的$Моran’s I$ 指数及其z得分均显著，通过了5%的显著性检验，这表明该县生态环境质量的空间分布具有明显的相关性。整体上右玉县的生态指数空间分布均以高–高集聚和低–低集聚类型为主，高-高集聚区主要集中在高海拔林地和低海拔耕地，这些地区的生态环境质量较好，同时相邻地域的生态环境质量也较好，其原因是此区域植被覆盖度较高；低–低集聚区主要分布在北部和东北部高海拔地区以及零星分布在中部中低海拔区域，表明此区域的生态环境质量较差，且相邻地区的生态环境质量也较差，该区域盐碱性高，植被覆盖程度低。2002年之后低–低集聚范围减小，从局部来看，变化最明显的是北部高海拔荒漠地区，表明此区域生态环境质量变好。2020年南部和中部中低海拔地区出现零星低–低集聚，表明此区域近年来受人为因素的干扰，生态环境质量出现下降。高生态环境质量区域主要集中在高海拔的森林地带和低海拔的农田地区。

4. 结论

通过IWRSEI对右玉县进行2002~2020年的生态环境动态监测，同时对该区域生态环境质量进行空间相关性分析。结果表明：

(1) IWRSEI模型综合了绿度、湿度、干度、热度和盐度这五个关键生态指标，结合右玉县实际生态环境动态变化，有着较高准确性。且IWRSEI的$P{C}_1$ 的贡献率比RSEI提升了1.92%，意味着IWRSEI包含了更丰富的信息，能更全面地反映右玉县的生态环境状况。IWRSEI在揭示右玉县生态环境质量方面更为清晰，尤其在植被覆盖度高、建筑用地和未利用地区域，其图像纹理特征的区分度更高，评价结果与实际地表情况更为吻合，显示出在右玉县具有较高的适用性。

(2) 2002~2020年右玉县的生态环境基础良好，整体呈现先改善后恶化的趋势，其中2002~2014年生态改善，2014~2020年生态有所退化。生态环境较好的主要在南部、西部及中部高海拔的林地区域，而生态差的集中在北部、东北部和中部低海拔地区，人类活动较为频繁，导致生态恶化。

(3) 右玉县生态环境质量的空间自相关性显著，主要以高–高集聚和低–低集聚类型为主，分布变化格局与IWRSEI指数分布变化相吻合。

NOTES

^*通讯作者。