EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 11: 1983 - 1994

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.221

Ecology and Environment

Spatiotemporal changes and driving factors of ecological environment quality in the Shanxi section of the Yellow River Basin from 2000 to 2023

  • Yin ZHANG , 1, 2 ,
  • Congjian SUN , 3 ,
  • Geng LIU 1, 2 ,
  • Jinlong CHAO 1, 2 ,
  • Tianwei GENG 1, 2 ,
  • Honghong LIU 1, 2
Expand
  • 1. School of Geographical Science, Taiyuan Normal University, Jinzhong 030619, Shanxi, China
  • 2. Shanxi Key Laboratory of Earth Surface Processes and Resource Ecology Security in Fenhe River Valley, Taiyuan Normal University, Jinzhong 030619, Shanxi, China
  • 3. School of Geographical Science, Shanxi Normal University, Taiyuan 030031, Shanxi, China

Received date: 2025-04-22

  Revised date: 2025-08-03

  Online published: 2026-03-11

Fold

Abstract

Based on the Google Earth Engine (GEE) platform, this study coupled aerosol optical depth with the remote sensing ecological index to construct a modified remote sensing ecological index (MRSEI) for comprehensively evaluating the spatiotemporal variation and driving mechanisms of ecological environment quality in the Shanxi section of the Yellow River Basin, China, from 2000 to 2023. The results show that: (1) MRSEI substantially improved the accuracy of ecological environment quality assessment, with stronger texture features and better detail representation. (2) From 2000 to 2023, ecological environment quality in the study area improved overall. Most areas were classified as general or good, with only a small proportion at poor levels. Spatially, MRSEI indicated a low-high gradient from northwest to southeast. The western part of Lüliang City exhibited the poorest ecological quality, with unfavorable conditions also observed in Datong City, Shuozhou City, and Xinzhou City. In contrast, Changzhi City, eastern Linfen City, parts of Jincheng City, and eastern Yuncheng City showed the best conditions. (3) Land use type exerted the greatest influence on ecological environment quality, followed by annual precipitation, slope, and elevation. Interactions among factors were significantly enhanced, particularly between land use type and other variables. This study provides a scientific basis for ecological environment protection and sustainable development in the Shanxi section of the Yellow River Basin.

Key words： Shanxi section of the Yellow River Basin; modified remote sensing ecological index; ecological environment quality; spatial autocorrelation; optimal parameters-based geographic detector

Cite this article

Yin ZHANG , Congjian SUN , Geng LIU , Jinlong CHAO , Tianwei GENG , Honghong LIU . Spatiotemporal changes and driving factors of ecological environment quality in the Shanxi section of the Yellow River Basin from 2000 to 2023[J]. Arid Land Geography, 2025 , 48(11) : 1983 -1994 . DOI: 10.12118/j.issn.1000-6060.2025.221

全球变暖导致极端天气事件频发、冰川退缩以及海平面上升等现象，对自然生态系统和人类社会产生了深远影响[1]。黄河流域作为中国第二大河流，其生态环境的变化不仅关乎流域内居民的生产生活，更对中国的生态安全、经济社会发展具有重要影响。近年来，流域面临干旱加剧、生态退化等问题[2]。中国政府高度重视并将黄河流域生态保护和高质量发展上升为国家战略[3]，旨在实现流域经济社会发展与人口、资源、环境的协调统一。因此，对黄河流域生态环境的时空变化及其驱动因素进行深入研究，显得尤为迫切和重要。
遥感技术作为地球观测的重要手段，能够远距离、快速、大面积地获取地表信息，在生态环境监测和评价中发挥着不可替代的作用[4]。特别是遥感生态指数（RSEI）的提出[5]，在生态脆弱性评估和生态环境监测领域获得广泛认可和应用[6-7]。该指数集成了湿度、绿度、干度和热度4个关键参数，通过遥感数据的处理和分析，能够全面、快速地反映生态系统的整体状况。随着遥感技术的不断进步和数据处理方法的持续优化，RSEI的应用也在不断深化和拓展。例如，一些研究开始对RSEI进行本地化处理，以提高其评估的准确性和可靠性[8]。同时，RSEI也被广泛应用于不同类型的生态系统评估中[9]。在黄河流域的生态环境监测中，RSEI同样展现出了巨大的应用潜力。通过基于RSEI的时空变化分析，可以揭示流域内生态环境的整体变化趋势，还可为流域政策措施制定提供科学依据。
然而，传统的RSEI主要基于自然要素，未能充分考虑地域性生态环境的特有地理特性及人为活动影响，导致监测效能存在偏差[10]。针对这些局限，学者尝试量化人类活动以改进RSEI，例如，李艺霖等[11]、杨羽佳等[12]、Ge等[13]通过耦合夜间灯光指数、人类活动强度指标兴趣点密度（IPOI）、优化干旱度等方式，证明优化后的RSEI更贴合研究区的实际情况，能有效捕捉到研究区的空间分布特征和时间演变趋势。这些研究表明，区域化改进是提升RSEI监测效能的关键路径。
黄河流域在中国生态安全和经济社会发展中具有重要地位，受自然和人为因素双重影响，流域生态环境面临严峻挑战[2]。黄河流域山西段地处黄土高原东部，作为中国北方重要的能源重化工基地，长期面临颗粒物污染问题，其中永济市、临汾市和侯马市污染程度较高，气溶胶光学厚度（AOD）可达0.4以上[14]。气溶胶作为大气中悬浮颗粒物的集合体，其光学厚度直接表征了大气浑浊度和颗粒物浓度，是评估空气质量的关键参数[15]，其与生态质量的关联机制为RSEI改进提供了新视角。近年来，已有学者尝试将AOD引入RSEI模型中，如Shi等[16]、Tang等[17]证明引入AOD显著提升了生态环境质量评价的准确性。然而，当前研究多聚焦于单一城市或特定下垫面，而对于流域尺度，特别是人类活动与自然因素综合作用下的复杂地貌区的生态安全评估仍较为欠缺。因此，科学评估流域生态环境质量，深入了解其驱动机制，对于实现精准化生态治理具有重要的理论和实践意义。
基于此，本研究以黄河流域山西段为例，在RSEI的基础上进行改进，引入AOD，构建改进型遥感生态指数（MRSEI）。相较于原模型，MRSEI能更全面、精准地评估区域生态环境质量变化，并更有效地反映生态健康状况。该研究可为黄河流域山西段的生态环境保护和高质量发展提供科学依据。

1 数据与方法

1.1 研究区概况

黄河流域山西段位于山西省的西部（34°59′~40°29′N，110°24′~113°54′E），是黄河流域的重要组成部分，全长约965 km，总面积9.71×104 km2[18]，占山西省总面积的60%以上（图1）。该地区地形复杂，地势从东北向西南递减，属于温带大陆性季风气候区，四季分明。
图1 研究区概况

注：基于自然资源部标准地图服务网站审图号为GS(2024)0650号的标准地图制作，底图边界无修改。A、B、C为3个细节对比样区，A为吕梁市西北部，B为太原市城区，C为临汾市中心。下同。

Fig. 1 Overview of the study area

1.2 数据来源

本研究选取了2000、2005、2010、2015、2020年和2023年6期MOD13A1、MOD09A1、MOD11A2、MCD19A2遥感影像用于计算遥感生态指数，空间分辨率分别为500 m、1 km、1 km、1 km（https://code.earthengine.google.com/）。生态环境质量影响因子数据选择2000、2005、2010、2015、2020、2023年高程、坡度、坡向、年均气温、年降水量、人口密度、GDP和土地利用类型（LUCC）。其中，90 m的高程数据来自地理空间数据云（https://www.gscloud.cn/），并提取了坡度、坡向数据；年均气温、年降水量数据是基于国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）的1 km分辨率的逐月数据计算而来；人口密度、GDP数据来自中国科学院资源环境科学数据中心（https://www.resdc.cn/），空间分辨率为1 km；LUCC数据来源于欧空局发布的长序列土地覆盖数据（https://cds.climate.copernicus.eu/），空间分辨率为300 m。为了便于计算，将所有数据统一重采样到1 km×1 km。各影响因子的空间分布情况如图2所示。
图2 黄河流域山西段生态环境质量影响因子的空间分布

注：LUCC为土地利用类型。下同。

Fig. 2 Spatial distributions of factors affecting ecological environment quality in the Shanxi section of the Yellow River Basin

1.3 研究方法

1.3.1 改进型遥感生态指数（MRSEI）模型的构建

RSEI通过集成湿度、绿度、干度和热度4个参数，利用主成分分析法综合评价生态环境质量[5]，具有客观、全面且易于比较的特点。其中，绿度、湿度、干度、热度分别选取归一化植被指数（NDVI）、湿度指数（WET）、干度指数（NDBSI）、地表温度（LST）表示。其中，NDBSI由建筑指数（IBI）和裸土指数（SI）计算而来。本研究在RSEI的基础上，针对黄河流域生态特点，耦合AOD，构建MRSEI，表达式如下：
M R S E I = f ( N D V I ,   W E T ,   N D B S I ,   L S T ,   A O D )
W E T = 0.1147 ρ 1 + 0.2489 ρ 2 + 0.2408 ρ 3 +                             0.3132 ρ 4 - 0.3122 ρ 5 - 0.6416 ρ 6 + 0.5087 ρ 7
N D B S I = ( S I + I B I ) / 2
S I = ( ρ 6 + ρ 1 ) - ( ρ 2 + ρ 3 ) ( ρ 6 + ρ 1 ) + ( ρ 2 + ρ 3 )
I B I = [ 2 ρ 6 / ( ρ 6 + ρ 2 ) ] - [ ρ 2 / ( ρ 2 + ρ 1 ) ] - [ ρ 4 / ( ρ 4 + ρ 6 ) ] [ 2 ρ 6 / ( ρ 6 + ρ 2 ) ] + [ ρ 2 / ( ρ 2 + ρ 1 ) ] + [ ρ 4 / ( ρ 4 + ρ 6 ) ]
式中：f为主成分分析法； ρ i（i=1, 2,…, 7）为MOD09A1各地表发射率波段。
主成分分析结果表明第一主成分（PC1）的贡献率稳定在70%左右，有效整合了各生态因子的特征。PC1在不同年份中展现出稳定的载荷值模式，其中NDVI和WET载荷值均为正值，对生态环境质量评价具有正面影响，而NDBSI、LST和AOD为负值，产生负面影响。与各指标的实际影响一致，证明基于PC1构建MRSEI是可行的。而其他主成分分量，各生态因子的载荷值正负不稳定，缺乏明确规律，生态意义不清晰。因此，本研究采用PC1分量作为不同生态因子综合信息的代表。
MRSEI与各生态因子的相关性分析结果（表1）显示，NDVI和WET与MRSEI呈正相关，NDBSI、LST、AOD与MRSEI呈负相关。平均相关度高于0.72，除了AOD，各指标的相关系数均值均高于0.77，说明MRSEI能表征各生态因子的综合信息（均通过了显著性检验）。尽管AOD与MRSEI的相关系数均值较低，但加入AOD仍然具有必要性和重要性。AOD所反映的大气污染状况是其他生态因子所无法替代的。加入AOD可以丰富生态环境质量评估的信息维度，提供更全面的生态环境状况描述。
表1 2000—2023年改进型遥感生态指数（MRSEI）与5个生态因子的相关性分析

Tab. 1 Correlation analysis between MRSEI and five ecological factors from 2000 to 2023

年份 NDVI WET NDBSI LST AOD 平均相关度
2000 0.971** 0.898** -0.961** -0.816** -0.213** 0.772**
2005 0.856** 0.972** -0.969** -0.814** -0.201** 0.762**
2010 0.963** 0.882** -0.958** -0.785** -0.149** 0.747**
2015 0.967** 0.896** -0.961** -0.757** -0.231** 0.762**
2020 0.963** 0.882** -0.944** -0.750** -0.213** 0.750**
2023 0.967** 0.891** -0.959** -0.712** -0.084** 0.723**
相关系数均值 0.948** 0.904** -0.959** -0.772** -0.182** 0.753**

注：NDVI、WET、NDBSI、LST、AOD分别为归一化植被指数、湿度指数、干度指数、地表温度、气溶胶光学厚度；**表示相关性在0.01水平上显著。

1.3.2 对比度和熵

为了精确量化图像局部纹理的细节差异，本研究选取黄河流域山西段的3个典型区域（图1），采用对比度和熵2个指标进行评估[19]。对比度反映图像纹理的清晰度及沟纹的深浅程度，数值越大表明纹理越清晰，反之则趋于模糊。而熵用来衡量图像的信息丰富度，数值越高表明图像纹理越复杂多变。计算公式如下：
C O N = ∑ k = 1 256 k 2 p Δ ( k )
E N T = - ∑ k = 1 256 p Δ ( k ) l o g 2 [ p Δ ( k ) ]
式中：CON为对比度；ENT为熵：k为分级值： p Δ ( k )为k发生的概率。
其中，区域A位于吕梁市西北部，该区域地形复杂，植被覆盖度低，人类活动频繁，生态环境质量相对较差；区域B位于山西省省会太原市城区，人口密集，经济活动频繁，近年来随着城市化进程的加速，生态环境面临着巨大的压力与挑战；区域C位于临汾市中心，同样作为人口较为集中的地区，其工业发展历史悠久，但同时也带来了较为严重的环境污染（图3）。通过对比发现，改进前，区域A中部RSEI被高估，区域B东北部和区域C中部RSEI被低估；改进后，MRSEI在描述生态环境时更细节，能更准确地捕捉到大气中的颗粒物浓度变化，从而更真实地反映地面的生态环境状况。
图3 黄河流域山西段RSEI和MRSEI局部细节对比

注：RSEI为遥感生态指数；MRSEI为改进型遥感生态指数。

Fig. 3 Comparison of local details between RSEI and MRSEI in the Shanxi section of the Yellow River Basin

对比度和熵计算结果显示，区域A的RSEI对比度为0.0084，熵为0.0712，而MRSEI的对比度提升至0.0155，熵值也增加至0.1175；在区域B，差异更为明显，RSEI的对比度为0.0018，熵值为0.0190；而MRSEI的对比度为0.0130，熵值也增加至0.1144，展示出MRSEI在提升图像细节表现上的优势。区域C也表现出同样的结果，RSEI与MRSEI的对比度分别为0.0128和0.0232，熵分别为0.1057与0.1649，再次证明了MRSEI在提升图像纹理清晰度、复杂度和细节信息量方面的优势。

1.3.3 空间自相关分析

空间自相关分析旨在揭示空间单元间某种特征值的空间自相关性程度，分为全局和局部空间自相关2类[20]。全局自相关关注整个区域的空间特征，常用全局莫兰指数（Ig）度量，值介于-1~1之间。局部自相关用于研究每个地区与周围区域的空间差异程度和显著性，常用局部莫兰指数（ I I）度量。计算公式如下：
I g = n ∑ i = 1 n ∑ j = 1 n W i j ( x i - x - ) ( x j - x - ) ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n ( x i - x - ) 2
I I = n ( x i - x - ) ∑ j = 1 n W i j ( x j - x - ) ∑ i = 1 n ( x i - x - ) 2
式中：n为地理单元数； W i j为每个单元的权重； x i和 x j分别为第i和j个单元值； x -是全部单元格的均值。

1.3.4 最优参数地理探测器

最优参数地理探测器模型常用于探测地理现象的空间分异性及其驱动因素[21]。本研究将各影响因子作为自变量，MRSEI作为因变量，探究黄河流域山西段生态环境质量变化的驱动力。q值量化了各影响因子对生态环境质量的作用大小，q值范围为[0,1]，其值越大，表明该影响因子的影响力越大，计算公式如下：
q = 1 - ∑ h L N h σ h 2 N σ 2
式中：q为各影响因子对生态环境质量的影响力；h为各影响因子的分层数； N h和N为层数h和全区的单元数； σ h 2和 σ 2为层数h和全区的方差。

2 结果与分析

2.1 生态环境质量时空演变特征

2.1.1 时间分布特征

2000、2005、2010、2015、2020年和2023年黄河流域山西段的MRSEI稳步上升，分别为0.532、0.568、0.624、0.630、0.641、0.716，增长率为0.33·(10a)-1，表明2000—2023年生态环境质量有所改善（图4a）。近年来，黄河流域山西段为加强生态保护实施了多项政策，如实施退耕还林、植树造林等，并加大环境污染治理力度，为生态环境持续改善创造了有利条件。
图4 2000—2023年黄河流域山西段各生态环境质量等级面积占比及转移情况

注：图4b中柱状高度代表生态质量等级占据的面积大小，柱状之间的流动幅度代表等级间的转移情况。

Fig. 4 Proportion and transfer of ecological environment quality grades in the Shanxi section of the Yellow River Basin from 2000 to 2023

根据MRSEI将生态质量划分为5个等级[22]：差（0.0~0.2），较差（0.2~0.4），一般（0.4~0.6），良（0.6~0.8），优（0.8~1.0）（图4a）。结果表明，2000—2023年黄河流域山西段生态质量等级集中在一般和良，面积占比分别为36.10%和29.87%，差等级面积占比极低，仅0.07%。具体而言，差、较差和一般的面积均呈减少趋势，线性拟合斜率分别为-0.44%·(10a)-1、-49.75%·(10a)-1和-29.38%·(10a)-1；良和优的面积呈增加趋势，斜率分别为51.26%·(10a)-1和28.31%·(10a)-1。2000—2023年黄河流域山西段生态质量等级的转移变化情况结果显示，优等级区域保持高度稳定，而一般和较差等级变化显著，尤以2005—2010年波动最大，2015年后趋于稳定（图4b）。上述结果表明，黄河流域山西段的生态环境得到了显著改善，特别是较差等级的区域减少幅度最大，而良等级的区域增加幅度最多，可见该区域在生态环境保护与恢复方面取得了积极进展。

2.1.2 空间分布特征

从空间分布上看，黄河流域山西段的生态环境质量存在显著的区域差异，MRSEI呈西北低、东南高的空间分布格局，并呈逐渐变好的趋势（图5）。其中，生态环境质量等级为差的区域主要分布在吕梁市西部，等级为较差的区域主要分布在大同市、朔州市、忻州市等地，这些区域位于黄河流域山西段西北部，属于中温带与北暖温带交界区，气候较为干旱，水资源相对匮乏，并以农业和矿产资源开发为主，导致土地退化、水土流失严重。
图5 2000—2023年黄河流域山西段MRSEI的空间分布

Fig. 5 Spatial distributions of MRSEI in Shanxi section of the Yellow River Basin from 2000 to 2023

相比之下，北暖温带区的长治市、晋城市、临汾市东部等地，以及南暖温带区的运城市东部等地生态环境较好，生态环境质量为优等级。近年来，这些区域实施了一系列生态保护措施，使得工业和农业活动更加集约和环保；并且这些区域气候较为湿润，水资源相对丰富，拥有更多的自然资源和生态景观，如森林、湿地等，对生态环境的维护有一定的积极作用。

2.2 生态环境质量时空变化趋势分析

分析2000—2023年黄河流域山西段生态质量变化趋势，将生态等级划分为差、较差、一般、良、优5个等级，并进行差值计算，然后重分类为3类：退化、稳定和改善。结果显示，黄河流域山西段生态环境质量呈现出“改善-退化-改善”的动态变化过程（图6）。其中，改善区域面积占比达到69.33%，稳定区域面积占比28.95%，退化区域面积占比较少，仅为1.72%。具体而言，朔州市西北部、忻州市西部等地生态环境质量2010—2015年退化后逐渐改善，中部吕梁市西部、临汾市西北部2000—2023年整体处于改善状态，晋中市、运城市、晋城市等地2015—2020年出现退化，后逐渐改善，其余地区保持稳定。
图6 2000—2023年黄河流域山西段各生态环境质量等级变化情况

Fig. 6 Changes in ecological environment quality grades in the Shanxi section of the Yellow River Basin from 2000 to 2023

从各组成因子变化趋势分析（图7），2000—2023年NDVI和WET整体增加（尤其是吕梁市、临汾市等地），表明植被覆盖状况得以优化，区域水湿条件有所改善，是推动生态环境质量改善的重要因素。NDBSI整体下降，意味着地表土壤沙化、盐渍化等退化状况得到一定程度的缓解，区域土地生态功能在逐步恢复。LST和AOD数据显示，研究区两侧的吕梁山和太行山山区数值下降而中部盆地上升，可能由于中部盆地地区城市化进程加快、工业活动集中，导致热岛效应加剧以及大气污染物排放增多，进而对生态环境质量产生负面影响，这或许是导致生态环境质量出现阶段性退化的关键因素。
图7 2000—2023年黄河流域山西段MRSEI各组成因子空间变化

注：NDVI为归一化植被指数；WET为湿度指数；NDBSI为干度指数；LST为地表温度；AOD为气溶胶光学厚度。

Fig. 7 Spatial changes of each component factor of MRSEI in the Shanxi section of the Yellow River Basin from 2000 to 2023

2.3 生态环境质量空间自相关分析

依据2000—2023年的MRSEI，对黄河流域山西段生态环境的空间自相关性进行了计算，结果显示，全局莫兰指数分别为0.576、0.574、0.555、0.603、0.593、0.529（P<0.05），表明黄河流域山西段生态环境质量在空间上呈现出显著的正相关性，即生态环境质量相似的区域在空间上趋向集聚。
局部莫兰指数结果显示（图8），2000年以来黄河流域山西段生态环境质量以高-高、低-低聚集为主，高-低、低-高分布较为分散且面积较小。高-高聚集区主要分布在中部、东部和南部的大部分区域，具体为吕梁市东部、太原市、晋中市、临汾市、晋城市、运城市的大部分区域。相比之下，忻州市西北部、吕梁市西部等地则形成了低-低聚集区，原因可能包括干旱缺水、土壤侵蚀严重等因素。生态环境质量的空间分布特征反映了不同区域在自然条件、人类活动以及生态环境保护意识等方面的显著差异。
图8 黄河流域山西段生态环境质量LISA聚类

Fig. 8 LISA cluster of ecological environment quality in the Shanxi section of the Yellow River Basin

2.4 生态环境质量驱动因素探测

生态环境质量的空间分异通常受到自然、人为等因素的综合影响[23]。本研究选取年均气温、年降水量、高程、坡度、坡向、人口密度、GDP、LUCC 8个指标为自变量，以MRSEI为因变量，基于最优参数地理探测器，分析黄河流域山西段生态环境质量变化的驱动因素。

2.4.1 单因子探测结果

单因子探测结果表明（表2），2000—2023年LUCC对生态环境质量的影响力最大，q值均值为0.577；其次为年降水量，q值均值为0.269，长期位居第2；坡度和高程对生态环境质量也起到关键作用，q值均值为分别为0.139、0.124；相比之下，GDP、人口密度、年均气温和坡向虽然也有一定影响，但影响力相对较小。各驱动因素q值均值排序依次为LUCC>年降水量>坡度>高程>GDP>人口密度>年均气温>坡向，各驱动因素的P值均为0，均通过了显著性检验。
表2 2000—2023年因子探测结果

Tab. 2 Factor detection results from 2000 to 2023

驱动因素 2000年 2005年 2010年 2015年 2020年 2023年 2000—2023年均值
q值 排序 q值 排序 q值 排序 q值 排序 q值 排序 q值 排序 q值 排序
LUCC 0.588 1 0.615 1 0.642 1 0.612 1 0.555 1 0.452 1 0.577 1
高程 0.170 3 0.141 3 0.148 4 0.086 5 0.086 4 0.113 5 0.124 4
坡度 0.129 4 0.138 4 0.156 3 0.119 3 0.155 3 0.135 4 0.139 3
坡向 0.029 7 0.034 7 0.029 8 0.032 8 0.028 8 0.027 8 0.030 8
年降水量 0.300 2 0.256 2 0.268 2 0.238 2 0.335 2 0.217 3 0.269 2
年均气温 0.068 6 0.045 6 0.051 6 0.051 6 0.037 7 0.072 6 0.054 7
人口密度 0.029 8 0.028 8 0.050 7 0.039 7 0.045 6 0.223 2 0.069 6
GDP 0.080 5 0.060 5 0.094 5 0.113 4 0.059 5 0.080 7 0.081 5

注：LUCC为土地利用类型；q为各影响因子对生态环境质量的影响力。

驱动因素分析显示，LUCC影响力最大，不合理的土地利用方式会导致生态系统受损。年降水量为第二大因子，直接影响水源涵养和植被生长，进而影响生态稳定性。坡度和高程通过影响土壤侵蚀、水流方向和植被分布，对生态环境产生重要作用。而GDP、人口密度、年均气温等影响力相对较弱，可能与经济发展带来的环境污染、气候变化对生态系统的间接影响及人口活动对自然资源的压力有关。

2.4.2 交互探测结果

交互探测结果显示（图9），这些驱动因素并非孤立作用，而是相互交织，共同塑造了黄河流域山西段的生态环境。各因子间的交互作用显著增强了它们对生态环境的影响力。
图9 最优参数地理探测器交互探测结果

注：X1、X2、X3、X4、X5、X6、X7、X8分别为LUCC、高程、坡度、坡向、年降水量、年均气温、人口密度、GDP；q为各影响因子对生态环境质量的影响力。

Fig. 9 Results of interactive detection by the optimal parameter geodetector

LUCC作为最重要的驱动因素，对生态环境质量的变化具有显著的影响力。当它与其他任意因子交互作用时，这种影响力被进一步放大，q值普遍高于0.6，特别是与年降水量结合时，2000、2005、2010、2015、2020、2023年的q值分别达到0.672、0.681、0.700、0.703、0.682和0.576，接近0.7，这表明两者之间的相互作用尤为强烈。此外，LUCC与其他因子的交互结果也普遍超越了单因子作用，进一步证实了生态环境质量变化是一个由多因素作用的复杂过程。因此，在制定黄河流域的生态环境保护和治理策略时，不仅要关注单个因子，更要重视因子间的相互作用，以实现更精准、有效的生态环境管理，推动黄河流域的可持续发展。

3 讨论

RSEI是当前评价区域生态环境质量的主流方法之一，被广泛应用于生态脆弱性评估和生态环境监测等领域[6-7]。本研究基于GEE平台进行处理，在传统RSEI的基础上引入AOD，进而构建MRSEI。结果表明，NDVI和WET与MRSEI呈正相关，NDBSI、LST、AOD与MRSEI呈负相关，这与前人的研究结果一致[24]。各个时期PC1的贡献率稳定在70%左右，能够较好地反映黄河流域山西段生态环境质量特征。因此，MRSEI可以客观、有效地评估黄河流域山西段的生态环境质量。
2000—2023年黄河流域山西段生态环境质量整体呈现出“改善-退化-改善”的变化过程，得益于该区域植被与水湿条件的优化以及土地退化缓解[25-26]，但中部盆地地区面临的城市发展与生态保护矛盾突出，城市人口增长、城镇化进程加快，使该区域生态环境受到一定程度的负面影响。近年来，中国政府高度重视黄河流域的生态保护，并将其上升为国家战略[3]，前期以工程调控与污染防治为核心，通过调水调沙解决断流问题、强化工业废水治理与农业面源污染控制，随后转向系统治理与高质量发展，实施山水林田湖草沙一体化保护、流域生态廊道建设工程等，流域生态质量也持续得到改善[27]。驱动因素分析结果表明，黄河流域山西段生态环境质量主要受LUCC和年降水量影响。土地利用方式受人类活动影响，导致植被覆盖度不同，进而影响蒸散发，改变区域生态环境质量；而年降水量的多少与当地整体的自然景观密切相关，对于黄河流域山西段而言，该区域地处黄土高原，地形复杂，气候干旱与半干旱特征显著，年降水量的时空分布不均对生态环境质量的影响尤为突出。这一结论与其他相关研究结果具有一致性[23-24]。
本研究不足之处在于：（1）数据获取存在局限性。尽管本研究整合了多种数据源，但部分数据的时空分辨率仍不够理想，难以准确反映一些小尺度、精细化的生态环境特征。（2）MRSEI主要在黄河流域山西段进行了构建与应用，但不同区域的生态环境特征存在显著差异，包括气候条件、地形地貌、植被类型等，还需进一步验证。因此，后续会加强数据精度提升与多区域模型验证，使MRSEI能更好地服务于生态环境质量评估工作。

4 结论

（1）MRSEI显著提升了生态环境质量评价的准确性，展现出了更详细、更清晰的纹理特征和细节信息量，能更准确地捕捉到大气中的颗粒物浓度变化，从而更真实地反映地面的生态环境状况。
（2）2000—2023年黄河流域山西段NDVI和WET整体增加，NDBSI整体下降，LST和AOD呈现出两侧山区下降而中部盆地上升，生态环境质量整体上有所改善；生态质量等级主要集中在一般和良2个等级，差等级的面积占比极低，其中差、较差和一般的面积呈减少趋势，良和优的面积呈增加趋势。
（3）黄河流域山西段生态环境质量呈现西北低、东南高的分布格局，并呈逐渐变好的趋势。其中，差等级主要分布在吕梁市西部，较差等级主要分布在大同市、朔州市、忻州市等地，东部、东南部的生态环境较好，尤其是在长治市、临汾市东部、晋城市部分区域和运城市东部，生态环境质量等级为优。
（4）生态环境质量的空间分布受自然、人为因素的综合影响。主要受控于LUCC和年降水量，其次为坡度和高程，而GDP、人口密度、年均气温和坡向等因子影响力相对较小。各因子间交互作用，进而增强了对生态环境的影响力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
IPCC. Climate change 2021: The physical science basis[M/OL]. Cambridge: Cambridge University Press, 2021.

[2]
陶健, 林昱辰, 王冰鑫, 等. 黄河流域生态环境脆弱性时空特征[J]. 生态学杂志, 2025, 44(9): 3054-3064.

[Tao Jian, Lin Yuchen, Wang Bingxin, et al. Spatiotemporal characteristics of eco-environmental vulnerability in the Yellow River Basin, China[J]. Chinese Journal of Ecology, 2025, 44(9): 3054-3064. ]

[3]
杨永春, 穆焱杰, 张薇. 黄河流域高质量发展的基本条件与核心策略[J]. 资源科学, 2020, 42(3): 409-423.

DOI

[Yang Yongchun, Mu Yanjie, Zhang Wei. Basic conditions and core strategies of high-quality development in the Yellow River Basin[J]. Resources Science, 2020, 42(3): 409-423. ]

DOI

[4]
Wang R Z, Sun Y H, Zong J K, et al. Remote sensing application in ecological restoration monitoring: A systematic review[J]. Remote Sensing, 2024, 16(12): 2204, doi: 10.3390/rs16122204.

[5]
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.

[Xu Hanqiu. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24): 7853-7862. ]

[6]
郑彩之, 边振, 桑国庆. 基于遥感生态指数的济南市生态环境质量动态监测[J]. 生态科学, 2024, 43(5): 175-182.

[Zheng Caizhi, Bian Zhen, Sang Guoqing. Dynamic monitoring of ecological environment quality in Jinan based on remote sensing ecological index[J]. Ecological Science, 2024, 43(5): 175-182. ]

[7]
Ye X, Kuang H H. Evaluation of ecological quality in southeast Chongqing based on modified remote sensing ecological index[J]. Scientific Reports, 2022, 12(1): 15694, doi: 10.1038/s41598-022-19851-9.

[8]
Chen N, Cheng G, Yang J, et al. Evaluation of urban ecological environment quality based on improved RSEI and driving factors analysis[J]. Sustainability, 2023, 15(11): 8464, doi: 10.3390/su15118464.

[9]
Yang R Y, Yang Z S, Zhong C B, et al. Characteristics of the spatiotemporal evolution of the improved integrated ecological effect index (IEEI) in mountainous province based on remote sensing: A case study in Yunnan Province of southwest China[J]. Frontiers in Ecology & Evolution, 2024, 12: 1343798, doi: 10.3389/fevo.2024.1343798.

[10]
陈宜欣, 宁晓刚, 张翰超, 等. 遥感生态指数(RSEI)模型及应用综述[J]. 自然资源遥感, 2024, 36(3): 28-40.

[Chen Yixin, Ning Xiaogang, Zhang Hanchao, et al. Remote sensing ecological index (RSEI) model and its applications: A review[J]. Remote Sensing for Natural Resources, 2024, 36(3): 28-40. ]

[11]
李艺霖, 赵先超. 长株潭城市群生态环境与城镇化时空耦合协调关系——基于遥感生态指数和夜间灯光指数[J]. 地球科学与环境学报, 2024, 46(3): 307-320.

[Li Yilin, Zhao Xianchao. Spatio-temporal coupling coordination relationship between ecological environment and urbanization in Changsha-Zhuzhou-Xiangtan urban agglomeration, China: Based on remote sensing ecological index and nighttime lighting index[J]. Journal of Earth Sciences and Environment, 2024, 46(3): 307-320. ]

[12]
杨羽佳, 张怡, 匡天琪, 等. 利用改进城市遥感生态指数的苏州市生态分析[J]. 测绘科学技术学报, 2021, 38(3): 323-330.

[Yang Yujia, Zhang Yi, Kuang Tianqi, et al. Ecological analysis of Suzhou City using improved urban remote sensing ecological index[J]. Journal of Geomatics Science and Technology, 2021, 38(3): 323-330. ]

[13]
Ge J T, Qian C, Zhang C, et al. IRSEI-based monitoring of ecological quality and analysis of drivers in the Daling River Basin[J]. Scientific Reports, 2024, 14(1): 14506, doi: 10.1038/s41598-024-65511-5.

[14]
王雁, 郭伟, 闫世明, 等. 山西省气溶胶光学厚度时空变化特征及气候效应分析[J]. 生态环境学报, 2018, 27(5): 900-907.

DOI

[Wang Yan, Guo Wei, Yan Shiming, et al. Analysis of spatio-temporal variation of aerosol optical depth and climatic effects in Shanxi Province[J]. Ecology and Environmental Sciences, 2018, 27(5): 900-907. ]

[15]
于志翔, 李霞, 于晓晶, 等. 2003—2019年新疆气溶胶光学厚度时空变化特征[J]. 干旱区地理, 2022, 45(2): 346-358.

DOI

[Yu Zhixiang, Li Xia, Yu Xiaojing, et al. Spatiotemporal variation characteristics of aerosol optical depth in Xinjiang from 2003 to 2019[J]. Arid Land Geography, 2022, 45(2): 346-358. ]

DOI

[16]
Shi Z Y, Wang Y T, Zhao Q. Analysis of spatiotemporal changes of ecological environment quality and its coupling coordination with urbanization in the Yangtze River Delta urban agglomeration, China[J]. International Journal of Environmental Research and Public Health, 2023, 20(2): 1627, doi: 10.3390/ijerph20021627.

[17]
Tang Q, Hua L, Tang J L, et al. Advancing ecological quality assessment in China: Introducing the ARSEI and identifying key regional drivers[J]. Ecological Indicators, 2024, 163: 112109, doi: 10.1016/j.ecolind.2024.112109.

[18]
李豪, 张蕾, 梁晓磊, 等. 基于GeoSOM网络的生态修复分区——以黄河流域山西段为例[J]. 干旱区研究, 2025, 42(2): 321-332.

DOI

[Li Hao, Zhang Lei, Liang Xiaolei, et al. Ecological restoration zoning based on the GeoSOM network: A case study of the Shanxi section of the Yellow River Basin[J]. Arid Zone Research, 2025, 42(2): 321-332. ]

DOI

[19]
张伟, 杜培军, 郭山川, 等. 改进型遥感生态指数及干旱区生态环境评价[J]. 遥感学报, 2023, 27(2): 299-317.

[Zhang Wei, Du Peijun, Guo Shanchuan, et al. Enhanced remote sensing ecological index and ecological environment evaluation in arid area[J]. National Remote Sensing Bulletin, 2023, 27(2): 299-317. ]

DOI

[20]
陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进[J]. 地理研究, 2009, 28(6): 1449-1463.

[Chen Yanguang. Reconstructing the mathematical process of spatial autocorrelation based on Moran’s statistics[J]. Geographical Research, 2009, 28(6): 1449-1463. ]

[21]
张若婧, 陈跃红, 张晓祥, 等. 基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究[J]. 地理与地理信息科学, 2021, 37(4): 72-80.

[Zhang Ruojing, Chen Yuehong, Zhang Xiaoxiang, et al. Spatial-temporal pattern and driving factors of flash flood disasters in Jiangxi Province analyzed by optimal parameters-based geographical detector[J]. Geography and Geo-Information Science, 2021, 37(4): 72-80. ]

[22]
侯亚鹏, 龙斌, 刘高, 等. 渭河流域(甘肃段)生态环境质量时空演变[J]. 环境生态学, 2024, 6(5): 19-26.

[Hou Yapeng, Long Bin, Liu Gao, et al. Study on the ecological environmental spatio-temporal evolution in the Gansu section of the Weihe River Basin[J]. Environmental Ecology, 2024, 6(5): 19-26. ]

[23]
岳奕帆, 赵文智, 刘任涛, 等. 宁夏荒漠草原带生态环境质量时空变化及其驱动机制[J]. 生态学报, 2024, 44(20): 9067-9080.

[Yue Yifan, Zhao Wenzhi, Liu Rentao, et al. Spatiotemporal changes and driving mechanisms of eco-environmental quality in the desert steppe zone of Ningxia[J]. Acta Ecologica Sinica, 2024, 44(20): 9067-9080. ]

[24]
刘伟, 凌红波, 公延明, 等. 基于改进型遥感生态指数的塔里木河干流生态环境质量评价[J]. 干旱区地理, 2025, 48(2): 271-282.

DOI

[Liu Wei, Ling Hongbo, Gong Yanming, et al. Evaluation of ecological environment quality in the mainstream of Tarim River based on improved remote sensing ecological index[J]. Arid Land Geography, 2025, 48(2): 271-282. ]

DOI

[25]
李朋轩, 王德应, 王涛. 黄河流域近20多年来植被生态环境质量季节特征及其对干湿变化的响应[J]. 水土保持研究, 2025, 32(5): 174-182.

[Li Pengxuan, Wang Deying, Wang Tao. Seasonal characteristics of vegetation ecological environment quality and their response to dry/wet changes in Yellow River Basin over past 20 years[J]. Research of Soil and Water Conservation, 2025, 32(5): 174-182. ]

[26]
刘佳琪, 周璐红, 席小雅. 2000—2020年黄河流域土地生态质量及其变化趋势预测[J]. 干旱区地理, 2023, 46(10): 1654-1662.

DOI

[Liu Jiaqi, Zhou Luhong, Xi Xiaoya. Land ecological quality and its change trend prediction in the Yellow River Basin from 2000 to 2020[J]. Arid Land Geography, 2023, 46(10): 1654-1662. ]

DOI

[27]
李朋轩, 王涛, 王德应, 等. 黄河流域生态环境质量对气候变化的响应及其与水沙变化的关系[J]. 测绘通报, 2025(1): 59-65.

DOI

[Li Pengxuan, Wang Tao, Wang Deying, et al. Response of eco-environmental quality to climate change and its relationship with water and sediment changes in the Yellow River Basin[J]. Bulletin of Surveying and Mapping, 2025(1): 59-65. ]

DOI

Options
Outlines

/

〈 〉