基于 RSEI 的黄河上游流域生态环境质量变化分析

doi:10.7522/j.issn.1000-694X.2022.00148

摘要/Abstract

摘要：

黄河上游流域作为黄河的水源地是中国重要的生态功能区，分析黄河上游流域的生态环境质量变化对于黄河流域的生态保护和经济高质量发展具有重要意义。本文基于Google Earth Engine平台，通过遥感生态指数（Remote Sensing Ecological Index，RSEI）对2000—2021年黄河上游流域的生态环境质量进行动态分析。结果表明：（1）黄河上游流域RSEI呈提升态势，并且具有阶段性的特点，2000—2005年为生态环境质量恶化阶段，2006—2021年为生态环境质量改善阶段。生态环境质量总体处于较差和中等水平，占区域总面积的64.78%。（2）不同河段生态环境质量存在显著的空间异质性，其中河源段的生态环境质量最好，冲积平原段的生态环境质量最差。（3）黄河上游流域生态环境质量空间集聚特征显著，高-高集聚区稳定分布于河源段附近，低-低集聚区分布在人类活动强度较大的峡谷段和冲积平原段。（4）绿度、湿度、热度和干度均对黄河上游地区生态环境质量产生显著影响，其中绿度为主导驱动因子，干度为次要驱动因子。植被覆盖度的增加、气候调节和人类活动对黄河上游流域生态环境改善有明显的促进作用。

关键词: 黄河上游流域, Google Earth Engine, 遥感生态指数, 地理探测器, Mann-Kendall趋势分析

Abstract:

As the water source of the Yellow River， the upper Yellow River basin is an important ecological function area in China. Analysis of ecological environmental quality changes in the upper Yellow River basin is important for ecological protection and high-quality economic development of the Yellow River basin. Based on Google Earth Engine platform， this paper analyzes the change of ecological environment quality in the upper Yellow River basin from 2000 to 2021 through remote sensing ecological index （RSEI）. The results show that：（1）The RSEI of the upper Yellow River basin is elevated. At the same time， it has the characteristics of stages. 2000-2005 is the stage of deterioration of ecological environment quality， and 2006-2021 is the stage of improvement of ecological environment quality. It is poor and moderate， accounting for 64.78% of the total area of the region. （2）The ecological quality of different river sections is different significantly， with the best ecological quality in the river source section and the worst ecological quality in the alluvial plain section. （3）The spatial clustering characteristics of ecological environment quality in the upper Yellow River basin are obvious， where high-high clustering areas are stably distributed near the river source section and low-low clustering areas are distributed in the canyon section and alluvial plain section where the intensity of human activities is higher. （4）Greenness， humidity， heat and dryness all have significant effects on the ecological quality of the upper Yellow River basin， with greenness as the dominant driver and dryness as the secondary driver. The increase of vegetation cover， climate regulation and soil and water conservation have significantly contributed to the ecological improvement of the upper Yellow River basin.

Key words: upper Yellow River basin, Google Earth Engine, remote sensing ecological index, geographical detectors, Mann-Kendall trend test

中图分类号:

X171

崔亚婷, 李嬛, 郑龙啸, 吴孟泉. 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.

Yating Cui, Huan Li, Longxiao Zheng, Mengquan Wu. 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.

图/表 12

图1 黄河上游流域位置

Fig.1 Location of the upper Yellow River basin

表1 指标计算方法

Table 1 Calculation methods of indicators

指标	计算方法
NDVI	$N D V I = (B n i r - B r e d) / (B n i r + B r e d)$
WET	$W E T T M = 0.0315 B b l u e + 0.2021 B g r e e n + 0.3102 B r e d + 0.1594 B n i r - 0.6806 B s w i r 1 - 0.6109 B s w i r 2$
WET	$W E T O L I = 0.1511 B b l u e + 0.1973 B g r e e n + 0.3283 B r e d + 0.3407 B n i r - 0.7117 B s w i r 1 - 0.4559 B s w i r 2$
NDBSI	$I B I = 2 B s w i r 1 B s w i r 1 + B n i r - B n i r B n i r + B r e d + B g r e e n B g r e e n + B s w i r 1 2 B s w i r 1 B s w i r 1 + B n i r + B n i r B n i r + B r e d + B g r e e n B g r e e n + B s w i r 1$
	$S I = (B s w i r 1 + B r e d) - (B n i r + B b l u e) (B s w i r 1 + B r e d) + (B n i r + B b l u e)$
	$N D B S I = S I + I B I / 2$
LST	$L S T = γ × 1 ε × ψ 1 × L s e n + ψ 2 + ψ 3 + δ$

表1 指标计算方法

Table 1 Calculation methods of indicators

指标	计算方法
NDVI	$N D V I = (B n i r - B r e d) / (B n i r + B r e d)$
WET	$W E T T M = 0.0315 B b l u e + 0.2021 B g r e e n + 0.3102 B r e d + 0.1594 B n i r - 0.6806 B s w i r 1 - 0.6109 B s w i r 2$
WET	$W E T O L I = 0.1511 B b l u e + 0.1973 B g r e e n + 0.3283 B r e d + 0.3407 B n i r - 0.7117 B s w i r 1 - 0.4559 B s w i r 2$
NDBSI	$I B I = 2 B s w i r 1 B s w i r 1 + B n i r - B n i r B n i r + B r e d + B g r e e n B g r e e n + B s w i r 1 2 B s w i r 1 B s w i r 1 + B n i r + B n i r B n i r + B r e d + B g r e e n B g r e e n + B s w i r 1$
	$S I = (B s w i r 1 + B r e d) - (B n i r + B b l u e) (B s w i r 1 + B r e d) + (B n i r + B b l u e)$
	$N D B S I = S I + I B I / 2$
LST	$L S T = γ × 1 ε × ψ 1 × L s e n + ψ 2 + ψ 3 + δ$

表2 主成分分析结果

Table 2 Results of principal component analysis

年份	指标	PC1	PC2	PC3	PC4
2000	WET	0.109	0.142	0.318	0.930
	NDVI	0.670	0.670	0.292	0.124
	NDBSI	-0.437	-0.011	-0.833	-0.338
	LST	-0.589	-0.727	-0.345	-0.062
	特征值	0.045	0.009	0.003	0.001
	贡献率/%	78.07	16.27	5.49	0.17
2007	WET	0.117	0.115	0.341	0.925
	NDVI	0.651	0.616	0.416	0.148
	NDBSI	-0.501	-0.086	-0.789	-0.344
	LST	-0.557	-0.773	-0.294	-0.059
	特征值	0.042	0.008	0.004	0.001
	贡献率/%	76.31	15.77	7.70	0.22
2014	WET	0.152	0.335	0.316	0.874
	NDVI	0.687	0.708	0.019	0.158
	NDBSI	-0.466	-0.332	-0.681	-0.455
	LST	-0.535	-0.524	-0.659	-0.055
	特征值	0.046	0.015	0.005	0.002
	贡献率/%	79.11	13.15	7.43	0.30
2021	WET	0.146	0.229	0.359	0.892
	NDVI	0.690	0.646	0.280	0.165
	NDBSI	-0.504	-0.106	-0.751	-0.412
	LST	-0.498	-0.720	-0.477	-0.074
	特征值	0.062	0.012	0.005	0.002
	贡献率/%	77.81	15.43	6.54	0.22

图2 基于Mann-Kendall检验的黄河上游流域RSEI变化

Fig.2 Analysis of RSEI changes in the upper Yellow River basin based on Mann-Kendall test

图3 黄河上游流域生态环境质量2021年空间分布（A）及2000—2021年变化（B）

Fig. 3 Spatial distribution and change of ecological environmental quality in the upper Yellow River basin from 2000 to 2021

图4 2000—2021年黄河上游流域不同河段生态环境质量

Fig. 4 Ecological environmental quality of different river sections in the upper Yellow River basin from 2000 to 2021

图5 基于 Mann-Kendall检验的黄河上游流域不同河段RSEI变化

Fig. 5 Analysis of RSEI changes in the river source section （A）， canyon section （B） and alluvial plain section （C） of the upper Yellow River basin based on the Mann-Kendall test

表3 黄河上游流域2000—2021年全局空间自相关分析

Table 3 Global spatial autocorrelation analysis of the upper Yellow River basin from 2000 to 2021

年份	全局Moran' I指数	方差	Z值
2000	0.481	0.000034	82.62
2007	0.486	0.000038	78.94
2014	0.515	0.000041	80.11
2021	0.581	0.000038	94.63

图6 黄河上游流域2000—2021年局部空间自相关分析

Fig. 6 Local spatial autocorrelation analysis of the upper Yellow River basin from 2000 to 2021

表4 黄河上游生态环境质量影响因子探测结果

Table 4 Detection results of ecological environmental quality impact factors in the upper Yellow River basin

影响因子	2000年		2007年		2014年		2021年		q平均值
影响因子	q值	P值	q值	P值	q值	P值	q值	P值	q平均值
NDVI	0.825	0.000	0.817	0.000	0.822	0.000	0.830	0.000	0.823
WET	0.688	0.000	0.623	0.000	0.604	0.000	0.658	0.000	0.643
LST	0.725	0.000	0.768	0.000	0.725	0.000	0.707	0.000	0.731
NDBSI	0.801	0.000	0.791	0.000	0.798	0.000	0.807	0.000	0.799

图7 黄河上游流域人类活动和自然环境变化

Fig. 7 Human activities and natural environmental changes in the upper Yellow River basin

图8 基于 Mann-Kendall检验的黄河上游流域生态环境质量影响因素变化趋势

Fig. 8 The trends of factors influencing ecological environmental quality in the upper Yellow River basin based on the Mann-Kendall test

参考文献 44

1	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.
2	中共中央国务院印发《黄河流域生态保护和高质量发展规划纲要》［J］.中华人民共和国国务院公报，2021（30）：15-35.
3	马佳宁，高艳红.近50年黄河上游流域年均降水与极端降水变化分析［J］.高原气象，2019，38（1）：124-135.
4	Zheng L X， Wu M Q， Cui Y T，et al.What causes the great green tide disaster in the South Yellow Sea of China in 2021？［J］.Ecological Indicators，2022，140：108988.
5	Schell J.Monitoring vegetation systems in the great plains with ERTS［J］.Nasa Special Publication，1973，351：309.
6	Zheng L X， Wu M Q， Zhou M，et al.Spatiotemporal distribution and influencing factors of Ulva prolifera and Sargassum and their coexistence in the South Yellow Sea，China［J］.Journal of Oceanology and Limnology，2021，40（7）：1070-1084.
7	Jiapaer G， Liang S L， Yi Q，et al.Vegetation dynamics and responses to recent climate change in Xinjiang using leaf area index as an indicator［J］.Ecological Indicators，2015，58：64-76.
8	璩路路，刘彦随，周扬，等.罗霄山区生态用地时空演变及其生态系统服务功能的响应：以井冈山为例［J］.生态学报，2019，39（10）：3468-3481.
9	陈相标，丁文荣.滇中高原湖泊流域土地利用变化及生态系统服务功能［J］.水土保持研究，2022，29（3）：205-212.
10	Willis K S.Remote sensing change detection for ecological monitoring in United States protected areas［J］.Biological Conservation，2015，182：233-242.
11	Zarch M A A， Malekinezhad H，Mobin，M H，et al.Drought monitoring by Reconnaissance Drought Index （RDI） in Iran［J］.Water Resources Management，2011，25（13）：3485-3504.
12	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.
13	Shan W， Jin X B， Ren J，et al.Ecological environment quality assessment based on remote sensing data for land consolidation［J］.Journal of Cleaner Production，2019，239：118126.
14	杭鑫，罗晓春，曹云，等.基于RSEI模型的生态质量评估及城镇化影响：以南京市为例［J］.应用生态学报，2020，31（1）：219-229.
15	Huang H P， Chen W， Zhang Y，et al.Analysis of ecological quality in Lhasa Metropolitan Area during 1990-2017 based on remote sensing and Google Earth Engine platform［J］.Journal of Geographical Sciences，2021，31（2）：265-280.
16	Jing Y Q， Zhang F， He Y F，et al.Assessment of spatial and temporal variation of ecological environment quality in Ebinur Lake Wetland National Nature Reserve，Xinjiang，China［J］.Ecological Indicators，2020，110：105874.
17	Qureshi S， Alavipanah S K， Konyushkova M，et al.A remotely sensed assessment of surface ecological change over the Gomishan Wetland，Iran［J］.Remote Sensing，2020，12（18）：2989.
18	Liu C， Yang M H， Hou Y T，et al.Spatiotemporal evolution of island ecological quality under different urban densities：a comparative analysis of Xiamen and Kinmen Islands，southeast China［J］.Ecological Indicators，2021，124：107438.
19	郝斌飞，杨洪，马明国，等.基于Google Earth Engine的三峡库区土地利用与陆表参数变化研究［J］.长江流域资源与环境，2020，29（6）：1343-1355.
20	Yin Q， Liu M L， Cheng J Y，et al.Mapping paddy rice planting area in northeastern China Using spatiotemporal data fusion and phenology-based method［J］.Remote Sensing，2019，11（14）：1699.
21	Nguyen U， Pham L， Dang D.Correction to：an automatic water detection approach using Landsat 8 OLI and Google earth engine cloud computing to map lakes and reservoirs in New Zealand［J］.Environmental Monitoring and Assessment，2020，192（9）：616.
22	侯伟，马金辉，白晓.一种采用Landsat TM对ETM+SLC-off影像缝隙修补的方法［J］.遥感信息，2013，28（6）：72-77.
23	徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究［J］.遥感学报，2005（5）：589-595.
24	Jimenez-Munoz J， Cristobal J， Sobrino J，et al.Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（1）：339-349.
25	Yang X Y， Meng F， Fu P J，et al.Spatiotemporal change and driving factors of the eco-environment quality in the Yangtze River Basin from 2001 to 2019［J］.Ecological Indicators，2021，131：108214.
26	都军，高军凯.1961-2014年张掖市降水变化趋势［J］.中国沙漠，2017，37（4）：770-774.
27	Hamed K.Trend detection in hydrologic data：the Mann-Kendall trend test under the scaling hypothesis［J］.Journal of Hydrology，2008，349（3/4）：350-363.
28	董春媛，乔荣荣，王傲洁，等.大兴安岭森林区植被物候的纬度地带性［J］.生态学杂志，2022，41（12）：2306-2316.
29	Martin D.An assessment of surface and zonal models of population［J］.International Journal of Geographical Information Systems，1996，10（8）：973-989.
30	Xiong Y， Xu W 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，2021，125：107518.
31	万鲁河，王绍巍，陈晓红.基于GeoDA的哈大齐工业走廊GDP空间关联性［J］.地理研究，2011，30（6）：977-984.
32	Griffith D.Spatial Autocorrelation：A Primer［M］.Washington DC，USA：Association of American Geographers，1987.
33	Anselin L.Local indicators of spatial association：LISA［J］.Geographical Analysis，2010，27（2）：93-115.
34	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.
35	崔文全，徐明德，李艳春，等.生态系统服务功能重要性研究［J］.安全与环境工程，2014，21（2）：5-9.
36	Zhang Y S， Lu X， Liu B Y，et al.Spatial relationships between ecosystem services and socioecological drivers across a large-scale region：a case study in the Yellow River Basin［J］.Science of the Total Environment，2021，766：142480.
37	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/OL］.水利水电技术（中英文），2022：1-14.
38	何慧娟，王钊，董金芳，等.陕西黄河流域植被变化与城镇化协同权衡关系研究：基于卫星遥感数据［J］.生态学报，2022，42（9）：3536-3545.
39	逯承鹏，纪薇，刘志良，等.黄河流域甘肃段县域“三生”功能空间时空格局及影响因素识别［J］.地理科学，2022，42（4）：579-588.
40	高云飞，张栋，赵帮元，等.1990-2019年黄河流域水土流失动态变化分析［J］.中国水土保持，2020（10）：64-67.
41	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.
42	高健翎，高燕，马红斌，等.黄土高原近70a水土流失治理特征研究［J］.人民黄河，2019，41（11）：65-69.
43	Jänicke C， Okujeni A， Cooper S，et al.Brightness gradient-corrected hyperspectral image mosaics for fractional vegetation cover mapping in northern California［J］.Remote Sensing Letters，2019，11（1）：1-10.
44	Piao S L， Yin G D， Tan J G，et al.Detection and attribution of vegetation greening trend in China over the last 30 years［J］.Global Change Biology，2015，21（4）：1601-1609.

[1]	乔荣荣, 黄海涛, 董春媛, 罗立辉, 常学礼. 宁夏沿黄人工绿洲农田格局对景观多样性的影响——以卫宁平原灌区为例[J]. 中国沙漠, 2023, 43(2): 21-27.
[2]	尹振良, 冯起, 王凌阁, 陈泽霞, 常亚斌, 朱睿. 2000—2019年中国西北地区植被覆盖变化及其影响因子[J]. 中国沙漠, 2022, 42(4): 11-21.
[3]	李魁明, 王晓燕, 姚罗兰. 黄河流域农业绿色发展水平区域差异及影响因素[J]. 中国沙漠, 2022, 42(3): 85-94.
[4]	康雷, 杨兆萍, 韩芳. 新疆非物质文化遗产的空间分布及其影响因素[J]. 中国沙漠, 2022, 42(1): 158-166.
[5]	王娟, 何慧娟, 董金芳, 郭斌. 黄河流域植被净初级生产力时空特征及自然驱动因子[J]. 中国沙漠, 2021, 41(6): 213-222.
[6]	吕振涛, 李生宇, 范敬龙, 刘国军, 王海峰, 孟晓于. 蒙古国植被自然恢复潜力[J]. 中国沙漠, 2021, 41(5): 192-201.
[7]	杨洁, 谢保鹏, 张德罡. 黄河流域生境质量时空演变及其影响因素[J]. 中国沙漠, 2021, 41(4): 12-22.
[8]	贾浩巍, 颜长珍, 邢学刚, 谢家丽, 冯坤. 基于改进的遥感生态指数（MRSEI）的青海省都兰县生态环境质量评价[J]. 中国沙漠, 2021, 41(2): 181-190.
[9]	常亚斌, 朱睿, 肖生春, 李雅培. 1980－2015年阿拉善盟沙地面积变化及其驱动因子[J]. 中国沙漠, 2020, 40(6): 82-90.
[10]	张晗, 任志远. 基于Whittaker滤波的陕西省植被物候特征[J]. 中国沙漠, 2015, 35(4): 901-906.