EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 2: 360 - 371

DOI: https://doi.org/10.13866/j.azr.2025.02.15

生态与环境

基于GEE的干旱区县域生态环境质量时空变化及驱动力分析——以阿拉善左旗为例

  • 李琪 , 1 ,
  • 党国锋 1 ,
  • 鱼腾飞 , 2 ,
  • 张浪 1 ,
  • 陈薇宇 2
展开
  • 1.西北师范大学地理与环境科学学院，甘肃 兰州 730070
  • 2.中国科学院西北生态环境资源研究院阿拉善荒漠生态水文试验研究站，甘肃 兰州 730000
鱼腾飞. E-mail:

李琪（1995-），男，硕士研究生，主要从事生态环境遥感监测研究. E-mail:

收稿日期: 2024-08-15

  修回日期: 2024-12-17

  网络出版日期: 2025-08-13

基金资助

中国科学院“西部青年学者”重点项目([2020]82)

内蒙古自治区关键技术攻关项目(2020GG0306)

阿拉善盟科技计划项目(AMY2020-18)

甘肃省自然科学基金项目(21JR7RA038)

阿拉善盟林业和草原局自选项目(2021LC0001)

收起

Spatial-temporal variation and driving forces analysis of ecological environment quality in arid counties based on GEE: A case study of Alxa Left Banner

  • LI Qi , 1 ,
  • DANG Guofeng 1 ,
  • YU Tengfei , 2 ,
  • ZHANG Lang 1 ,
  • CHEN Weiyu 2
Expand
  • 1. College of Geography and Environment Science, Northwest Normal University, Lanzhou 730070, Gansu, China
  • 2. Alax Desert Eco-hydrological Experimental Research Station, Northwest institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, Gansu, China

Received date: 2024-08-15

  Revised date: 2024-12-17

  Online published: 2025-08-13

Fold

摘要

客观、准确、及时地评价生态环境质量时空变化及驱动力对生态环境保护方案与政策的制定具有重要意义。以阿拉善左旗为例，基于Google Earth Engine（GEE）平台构建了干旱区改进的遥感生态指数（Remote Sensing-based Ecological Index，RSEI），分析了近30 a（1991—2021年）RSEI的时空变化及其驱动力。结果表明：（1）近30 a阿拉善左旗RSEI呈波动上升趋势，其中2012年RSEI最大（0.360），2007年最小（0.264）。（2）近30 a阿拉善左旗生态环境改善区面积（RSEI>0.2，3.15%）大于退化区（RSEI<-0.2，2.48%），无变化区面积最大（-0.2<RSEI<0.2，94.37%）。RSEI较差的区域主要分布在裸地区域，而林地、草地、耕地、不透水面区域RSEI逐渐变好。（3）1991—2021年Global Morans’I指数在0.600~0.650之间，表现出较高的聚集特征。（4）从线性混合效应模型的结果来看，引起RSEI变化的原因，人类活动占89%，气候变化占11%。综上所述，近30 a来阿拉善荒漠区生态环境质量整体逐步改善，腾格里沙漠北缘局部地区生态环境质量提升显著，人类活动尤其是飞播造林工程起到了关键作用。

关键词： 遥感生态指数; GEE; 空间自相关; 干旱区

本文引用格式

李琪 , 党国锋 , 鱼腾飞 , 张浪 , 陈薇宇 . 基于GEE的干旱区县域生态环境质量时空变化及驱动力分析——以阿拉善左旗为例[J]. 干旱区研究, 2025 , 42(2) : 360 -371 . DOI: 10.13866/j.azr.2025.02.15

Abstract

Objective, accurate, and timely evaluation of the spatiotemporal changes and driving forces of ecological environment quality is of great significance for the formulation of ecological protection plans and policies. Taking Alxa Left Banner as an example, this study constructs a Remote Sensing-based Ecological Index (RSEI) for arid regions based on the Google Earth Engine (GEE) platform and analyzes the spatiotemporal changes and driving forces of RSEI over the past 30 years (1991-2021). The study shows that: (1) Over the past 30 years, the RSEI of Alxa Left Banner has shown a fluctuating upward trend, with the maximum RSEI in 2012 (0.360) and the minimum in 2007 (0.264). (2) Over the past 30 years, the area of ecological improvement (RSEI>0.2, 3.15%) in Alxa Left Banner is larger than the area of degradation (RSEI<-0.2, 2.48%), with the largest area showing no change (-0.2<RSEI<0.2, 94.37%). Regions with poorer RSEI are mainly distributed in bare land areas, while the RSEI of forest, grassland, farmland, and impervious surface areas has gradually improved. (3) From 1991 to 2021, the Global Moran’s I index ranged between 0.600 and 0.650, indicating a high degree of clustering. (4) According to the results of the linear mixed-effects model, human activities account for 89% of the changes in RSEI, while climate change accounts for 11%. In summary, over the past 30 years, the overall ecological environment quality in the Alxa Desert area has gradually improved, with significant improvements in the northern edge of the Tengger Desert, primarily due to human activities, especially the aerial seeding afforestation projects.

Key words： remote sensing-based ecological index; GEE; spatial autocorrelation; arid region

从气象学角度，干旱区通常指干旱指数AI<0.65的区域。据1980—2010年资料，全球干旱区面积约占全球陆地面积的45.4%。受气候变化和人类活动的影响，干旱区面积在近50 a呈增加趋势，未来有可能还将进一步增加[1]。土地荒漠化已成为全球十大环境问题之一，尤其是对生态环境原本就脆弱的干旱区（含半干旱区）这一问题尤为严重[2]。我国干旱区面积广阔，约占国土面积的56.48%[3]，主要分布在我国的西北部、北部，例如新疆、内蒙古、甘肃、青海、宁夏等地。这些地区降水稀少，蒸散量大，导致这些地区生态环境承载力低。因此，准确、及时地对干旱区生态环境质量变化及其驱动力进行大范围的获取和分析对于干旱区可持续发展具有重要意义。评价区域生态环境质量及其变化的方法较多，遥感技术因其具有大范围和长时间序列的优点而得到广泛应用。最初，许多评价模型都应用单一的遥感指数，例如植被覆盖度[4]、归一化植被指数[5]、地表温度[6⇓-8]等反映区域生态环境质量变化。由于生态系统本身具有多元性和复杂性的特点，单一的遥感指数很难系统、全面地反映区域生态环境状况。因此，综合生态评价指标是对一个地区的多个方面进行考量和评估的指标[9]。2013年，Xu[10]提出了基于多项指标（绿度、干度、湿度和热度）的城市遥感生态指数（Remote Sensing Ecological Index，RSEI）。这个指标从四个维度出发，通过遥感技术获取相关数据，并将其综合计算，得出一个反映城市生态环境质量的综合评价指标，在评价城市的生态环境状况时，RSEI被广泛应用[11]。
但是，上述的综合指数是针对东部地区和人口稠密地区的，干旱区的生态环境现状与其有很大的差别。干旱区气候普遍存在土地盐碱化现象，大面积土地受到水土流失、土地沙化等退化过程的影响。众多学者在应用综合遥感指数时结合当地的实际情况对RSEI构建的指标选择和计算方法作出了相应的改变。例如，刘尚钦等[12]研究发现，如果只使用第一主成分可能会丢失很多有效的数据，为了解决这个问题使用了前三个主成分结果，并建立一种新的基于植被类型的绿洲生态遥感指数（Oasis Remote Sensing Ecological Index，ORSEI）。陈丽红等[13]结合土地利用/覆被变化（LUCC）及社会经济统计资料对疏勒河流域的生态环境质量进行了评价及驱动力分析。李朋轩等[14]基于GEE构建了新疆地区的遥感生态指数，并考虑了土地利用变化对生态环境质量的影响。
阿拉善荒漠地处欧亚大陆腹地，是典型的干旱气候，近年来受气候变化和人类活动的双重影响，土地荒漠化、盐渍化、草地退化等环境问题日益突出[15]。从2000—2020年间，阿拉善盟总体上沙漠化土地面积减少，沙漠化程度降低，但是在局部地区出现了沙漠化程度加深的情况，这主要和人类活动有关[16]。因此，高效、精确地监测阿拉善生态质量环境的时间和空间变异及其驱动因素是实现可持续发展目标的关键。本研究以阿拉善左旗为例，根据研究区实际情况对RSEI做出如下改进：保留了绿度、湿度和干度指数，采用盐度指数来代替热度指数，形成适合干旱区生态环境质量评价的改进型RSEI。然后，基于GEE平台计算阿拉善左旗1991—2021年RSEI，以构建大尺度、长序列的生态环境质量数据集。本研究的目标是：（1）分析1991—2021年阿拉善左旗生态环境质量的时空变化；（2）探索性分析阿拉善左旗生态环境质量空间分异特征；（3）选取气候变化和人类活动因子阐明引起RSEI变化的驱动力。

1 材料与方法

1.1 研究区概况

阿拉善左旗，地处内蒙古西部，是阿拉善盟的一部分。地理位置介于37°24′~41°52′N，103°21′~106°51′E之间。最高点为贺兰山主峰敖包圪垯，海拔达3556.16 m；最低点海拔约742 m。阿拉善左旗总土地面积约为80412 km2。腾格里沙漠、乌兰布和沙漠横贯全境，占全旗总面积的34.9%。北部戈壁、盐碱地、荒漠草地分布较广，占全旗总面积的28.3%。天然牧草地、人工草地占全旗总面积的29.5%。由于地处内陆腹地，气候属中温带大陆性气候。境内植被以旱生和超旱生的荒漠植物群落为主。受气候、地貌等影响，其分布具有明显的地带性特征具体如图1所示。
图1 研究区示意图

Fig. 1 Schematic diagram of the study area

1.2 数据来源与研究方法

本研究数据大部分来自GEE平台，选取Landsat Collection 2 Level 2数据集[17]。由于干旱区植被稀疏，故选择植被生长较为旺盛的7—9月，云量低于20%的影像，由于影像时间尺度大（1991—2021年），不同年份选取不同的数据，具体信息见表1。遥感数据处理在GEE平台中进行，大致分为三步：（1）影像前处理，主要包括去除云及阴影、中值合成、水体提取与掩膜、影像裁剪。（2）RSEI各指标提取。（3）主成分分析（PCA）。在此基础上，对RSEI进行了时空变化特征和空间自相关分析，最后选取气候因子和人类活动因子探究引起RSEI变化的驱动力因素，具体工作流程如图2所示。
表1 陆地卫星数据源基本信息

Tab. 1 Basic information about Landsat data sources

年份 数据集 卫星 使用波段 月/云/空间分辨率
1991—2011 LANDSAT/LT05/C02/T1_L2 Landsat 5/TM SR_B（1，2，3，4，5，7）ST_B6 7—9月
<20%
30 m
2012 LANDSAT/LE07/C02/T1_L2 Landsat 7/ETM+ SR_B（1，2，3，4，5，7）ST_B6
2013—2021 LANDSAT/LC08/C02/T1_L2 Landsat 8/OLI/TIRS SR_B（2，3，4，5，6，7）ST_B10
图2 数据处理与分析流程

Fig. 2 Flow of data processing and analyzing

气象数据来源于国家气象信息中心—中国气象数据网（http://data.cma.cn/）。社会经济数据来自《内蒙古统计年鉴》。土地利用数据来源于中国土地覆盖数据集（China Land Cover Dataset，CLCD）[18]。研究使用1991年、2008年和2020年三个时段的土地利用数据，研究各个时期不同土地利用类型下RSEI的变化。
本研究中，使用像元尺度的平均值来刻画RSEI的时间变化，并利用各个像元的标准误来描绘RSEI的空间差异性。为了深入了解各指标之间的相关性，采用了Pearson相关系数进行分析，同时设定了显著性水平为双尾检测（P=0.05）。为了计算人类活动（耕地面积、牲畜存栏数、人工林面积、年末总人口）和气象因子（年降水量、年蒸散发量、平均气温、平均风速）对RSEI变化的相对贡献，采用了线性混合效应模型（Linear Mixed-effects Model，LMM）。在分析之前，将它们的量纲统一到[0,1]之间。以上分析均在R语言软件中完成。

1.3 遥感生态指数计算

RSEI是近年来发展的一种综合性生态指标，主要用于利用遥感数据评估生态环境质量，因其与生态状况紧密相关而备受关注[10,19]。本研究利用绿度、湿度、干度和盐度在GEE中构建改进的RSEI，然后通过主成分分析（PCA）进行耦合。计算公式如下：
R S E I = f ( N D V I , W E T , N D B S I , S I )
归一化植被指数（NDVI）是反映干旱区植被生长状态的最好指标之一。湿度指数（WET）反映土壤、植被的含水量。在计算湿度时，使用遥感反演方法对研究区的土壤湿度进行获取，来自不同传感器的影像对每个波段具有不同的系数[20-21]。土壤盐渍化是我国西北地区植被退化的常见因素之一，随着人类活动和气候变化的影响也出现了“盐增植减”的现象[22]，严重影响生态环境质量[23]。因此，本研究使用盐度指数（SI）进行反演。采用干度指数（NDBSI）其计算基于建筑指数（IBI）与裸土指数（BSI）的平均值来表示，各指标计算方法如表2所示。
表2 各指标计算公式

Tab. 2 Calculation formulas for various indicators

指标 计算方法 描述
NDVI N D V I = ρ N I R - ρ R e d ρ N I R + ρ N I R ρ B l u e、 ρ G r e e n、 ρ R e d、 ρ N I R、 ρ S W I R 1、
ρ S W I R 2分别表示Landsat TM、
ETM+、OLI影像的蓝色、绿色、
红色、近红外、短波红外1和
短波红外2波段的反射率。
WET W E T T M = 0.0315 ρ B l u e + 0.2021 ρ G r e e n + 0.3102 ρ R e d + 0.1594 ρ N I R - 0.6806 ρ S W I R 1 - 0.6109 ρ S W I R 2 W E T E T M + = 0.0315 ρ B l u e + 0.2021 ρ G r e e n + 0.0926 ρ R e d + 0.0656 ρ N I R - 0.7629 ρ S W I R 1 - 0.5388 ρ S W I R 2 W E T O L I = 0.1511 ρ B l u e + 0.1972 ρ G r e e n + 0.3283 ρ R e d + 0.3407 ρ N I R - 0.7117 ρ S W I R 1 - 0.4559 ρ S W I R 2
SI S I = ρ B l u e + ρ R e d
NDBSI I B I = 2 ρ S W I R 1 ρ S W I R 1 + ρ N I R - ρ N I R / ρ N I R + ρ R e d + ρ G r e e n / ρ G r e e n + ρ S W I R 1 2 ρ S W I R 1 ρ S W I R 1 + ρ N I R + ρ N I R / ρ N I R + ρ R e d + ρ G r e e n / ρ G r e e n + ρ S W I R 1 B S I = ρ S W I R 1 + ρ R e d - ρ B l u e + ρ N I R ρ S W I R 1 + ρ R e d + ρ B l u e + ρ N I R N D B S I = I B I + S I 2
NDVI、WET、NDBSI、SI四个指标通过主成分分析整合为一个综合指数，大部分信息都集中在第一主成分（PC1）和第二主成分（PC2）上，这样就避免了人为因素。在进行主成分分析之前，需要考虑各个指标的权重。为了消除量纲对分析结果的影响，首先对这些指标进行了极值标准化，将它们的数值范围一致地映射到[0,1]之间。
将四幅单波段影像合成为多波段影像，每年进行同样的操作，得到1991—2021年的多波段影像。如果经过主成分分析之后得到的PC1和PC2特征值累计贡献率超过了85%，则可以认为PC1和PC2整合了这些影像的大部分特征。而值越大代表生态环境质量越差；这与正常的逻辑相反需要正负值的调换，得到初始的RSEI，用 R S E I 0表示为：
R S E I 0 = 1 - P C 1 + P C 2
将 R S E I 0归一化，得到最终的RSEI，可以在宏观上反映区域生态环境质量，计算公式如下：
R S E I = R S E I 0 - R S E I 0 m i n R S E I 0 m a x - R S E I 0 m i n
式中： R S E I 0 m a x和 R S E I 0 m i n分别表示 R S E I 0的最大值和最小值。
为了更好地研究阿拉善左旗生态环境质量的时空动态变化，以0.2为间隔将各年份的RSEI值分为五个类别，分别标记为“劣、差、中、良、优”。对应RSEI指数的范围为[0,0.2）、[0.2,0.4）、[0.4,0.6）、[0.6,0.8）、[0.8,1.0]。这种细分有助于更全面地了解生态环境质量的变化。为了探究RSEI多年的变化特征，利用ArcGIS 10.6软件对部分年份的RSEI影像进行差值分析，所得到的影像RSEI分布在[-1~1]之间。对其进行分级分别为：[-1~-0.6）、[-0.6~-0.2）、[-0.2~0.2）、[0.2~0.6）、[0.6~1]，对应“显著变差、变差、不变、变好、显著变好”。

1.4 空间自相关分析

使用全局空间自相关（Global moran’s I）和局部空间关联指标（Local moran’s I）来评估RSEI的空间相关性。Global moran’s I（Moran’s I）用于反映相邻空间单元属性值之间的关联程度。
G l o b a l     m o r a n ’ s     I = m × ∑ i = 1 m ∑ j = 1 m W i j ( D i - D - ) ( D j - D - ) ∑ i = 1 m ∑ j = 1 m W i j ( D i - D - ) 2
式中：m表示元素的总数； D i表示第i位置的生态环境质量值； D -表示研究区域内所有元素的生态环境质量的平均值； W i j表示空间权重。Moran’s I的取值范围在[-1，1]之间。当Moran’s I越接近1时，表示生态环境质量在空间上呈正相关性增大；越接近-1时，表示生态环境质量在空间上呈负相关性增大；而当Moran’s I等于0时，表示生态环境质量在空间上不存在自相关[24]。这一指数的变化反映了生态环境质量在空间上的相关性程度。
Local moran’s I（LISA）指数能有效反映研究区各网格单元生态环境质量之间的相关性[25]。计算公式如下:
L o   c a l   m o r a n ’ s     I = D i - D - × ∑ j = 1 m W i j D j - D - ∑ i = 1 m D j - D - 2
式中：Local moran’s I代表局部莫兰指数，参数含义与Moran’s I相同。

2 结果与分析

2.1 RSEI的时间变化

阿拉善左旗RSEI在0.264~0.360之间变化（图3a），最高值为0.36（2012年），最低值为0.264（2007年）。在1991—2021年中，阿拉善左旗RSEI表现出不规则的波动性特征。但其中又有一定的阶段性特征。1991—2001年各项指数变化幅度相对平稳，1991—1996年间RSEI出现了短暂的增长期，RSEI从0.296增加到了0.341，增长幅度为15%。2001—2012年间各个指数变化幅度较大，湿度指数出现了明显的下降。在2016—2021年间RSEI出现了下降，从0.338下降到了0.309，下降幅度为8.6%。1991—2021年RSEI的标准差总体上相对平稳（图3b）。但是在1991—1996年波动性较大，这和其他四个指标的标准差变化几乎一致，这可能和当时的气候条件有关，其他年份变化不大。
图3 1991—2021年阿拉善左旗RSEI均值和标准差变化

Fig. 3 Changes in mean and standard deviation of RSEI in Alxa Left Banner from 1991 to 2021

2.2 RSEI的空间分布与变化

选择1991年、1997年、2003年、2008年、2015年和2021年的RSEI影像，并在GEE平台进行分级。总体上阿拉善左旗RSEI等级为劣和差，该区域占比超过了75%，表明阿拉善左旗生态环境质量总体上处在一个较差的水平，尤其是1991年（图4a）等级为劣和差占比达到了80%，等级为中的区域仅占13%。等级为劣和差的区域主要分布在腾格里沙漠地区、乌兰布和沙漠边缘地区，这些地区环境质量较差，降水稀少。而等级为中、良和优的区域主要分布在贺兰山区和阿拉善左旗的北部地区，这些地区植被相对较为丰富，再加上这些地区进行了大量的人工林建设，使得生态质量相对较好。
图4 阿拉善左旗部分年份RSEI分级与占比

Fig. 4 RSEI classification and proportion for select years in Alxa Left Banner

根据1991年、1997年、2003年、2008年、2015年和2021年的RSEI等级分布图，分别统计了各生态等级（劣、差、中、良、优）的比例（图4g），整体上等级为差的区域占比最多，其次为等级劣的区域。1991—1997年差等级的区域减少而中等级的区域增加导致1991—1997年的RSEI水平总体上几乎未发生变化。2003—2021年间RSEI水平总体上呈现下降-上升-下降的变化趋势，但总体上生态环境变好。
将显著变好和变好定义为生态改善，显著变差和变差定义为生态退化。1991—2021年（图5a）阿拉善左旗生态改善面积为5090.56 km2，占总面积的比例为5.8%，而生态退化面积为3079.43 km2，占总面积的比例为3.5%。生态改善区域主要分布在草地和耕地区域，这些地区人类活动较为频繁，气候条件相对较好，随着耕地面积的增加生态环境变化明显。再加上这些年在该地区进行了大量的人工植被建设，使生态环境改善。1991—2001年生态改善面积小于生态退化面积，分别占总面积的2.9%和3.4%。2001—2012年（图5c）生态环境改善最明显，约有4%的面积改善，总体上从1991—2021年阿拉善左旗生态环境缓慢变好。
图5 不同时段RSEI变化

Fig. 5 Changes in RSEI over different periods

阿拉善左旗的RSEI等级呈现出动态的变化过程，这种变化过程可以通过桑基图进行有效地可视化（图6）。计算了阿拉善左旗在1991—2008年和2008—2021年两个时段的RSEI等级转移矩阵，具体结果如表3和表4所示。
图6 生态等级变化桑基图

Fig. 6 Ecological grade transition sankey diagram

表3 1991—2008年生态等级变化转移矩阵

Tab. 3 Ecological grade change transition matrix from 1991 to 2008 /km2

1991年 2008年
劣 差 中 良 优
劣 20837.54 6388.98 772.57 77.57 23.20
差 11384.72 26602.14 3675.01 493.89 208.30
中 62.32 3309.34 6598.99 1120.84 200.68
良 1.76 30.54 1475.00 2024.40 585.54
优 0.35 3.33 23.16 645.20 1776.98
表4 2008—2021年生态等级变化转移矩阵

Tab. 4 Ecological grade change transition matrix from 2008 to 2021 /km2

2008年 2020年
劣 差 中 良 优
劣 20395.57 11355.27 481.44 31.82 17.81
差 6178.71 24840.16 5029.51 186.36 81.75
中 390.01 3061.34 7854.05 1125.48 92.59
良 38.79 184.52 1279.73 2543.47 303.50
优 9.15 38.84 119.60 917.33 1686.13
在1991—2008年期间，大部分RSEI等级为劣的区域保持稳定，11380.73 km2的区域从劣等级转变为差等级，0.35 km2的区域升级为优等级。而RSEI等级为差的区域中，有6384.29 km2的区域向劣等级转移，26574.16 km2的区域保持不变，转变为良等级和优等级的面积分别为30.26 km2和3.33 km2。在RSEI等级为中的区域中，大部分区域也没有发生明显的变化，而转变为差等级和良等级的面积分别较大，分别为3667.206 km2和1462.53 km2。另外，RSEI等级为良的区域有642.32 km2向优等级转变。从各个等级的转移面积可以看出，从1991—2008年，阿拉善左旗的生态环境逐渐改善，但改善幅度不大。
而在2008—2021年期间，RSEI等级为劣的区域发生了较大的转移，面积最大的是向差等级转移，达11350.58 km2，向中等级和良等级转移的面积分别为481.33 km2和31.83 km2。RSEI等级为差的区域向劣等级和中等级转移的面积分别为6174.67 km2和5022.60 km2。RSEI等级为中的区域向差等级转移最多，面积达3056.19 km2。RSEI等级为优的区域发生转移的面积约占40%，其中向良等级转移面积为914.35 km2，向劣等级转移的面积为9.15 km2。
使用1991年、2008年和2020年三期土地利用数据，而阿拉善左旗境内几乎无湿地、积雪/冰川和灌丛类型，所以阿拉善左旗一共六种土地类型（耕地、林地、草地、水体、裸地、不透水面）。土地利用类型以裸地为主，主要分布在沙漠及其周边地区。对比RSEI空间分布图，可以发现生态环境质量较差的区域几乎和裸地的分布重合，生态较好的地区主要分布在耕地、林地、草地和不透水面区域。不同土地利用类型下RSEI的变化（表5）可知，1991—2008年不透水面和耕地的RSEI变化最明显，45%和41%的区域变好，3%和7%的区域显著变好。可能是由于1991—2008年不透水面区域面积增加了近3.5倍而耕地面积增加了1.71倍，草地和裸地分别有5%的区域变差，其他区域变化不大。2008—2020年，总体上变化不大。需要注意的是不透水面有13%的区域变差，这可能与城市建设区扩展过快有关，1991—2020年阿拉善左旗城市建设区面积增加了3.18倍。不透水面和耕地变好的区域相比1991—2008年急剧下降到了11%和6%。林地96%的区域未发生变化，4%的区域变好，林地RSEI未向差的方向变化。从1991—2020年整体而言，不透水面和耕地向变好的方向急剧变化随后变化速度变缓。而林地一直是向着变好的方向发展，草地和裸地处在缓慢的变化过程中，向变好和变差的方向均有发生。
表5 不同土地利用下遥感生态指数（RSEI）面积比例变化

Tab. 5 Changes in remote sensing ecological index (RSEI) area percentage under different land uses /%

年份 土地利用 显著变差
(-1.0~-0.6)		 变差
(-0.6~-0.2)		 不变
(-0.2~0.2)		 变好
(0.2~0.6)		 显著变好
(0.6~1.0)
1991—2008 耕地 0.00 0.02 0.51 0.41 0.07
林地 0.00 0.00 0.97 0.03 0.00
草地 0.00 0.05 0.87 0.08 0.00
裸地 0.00 0.05 0.91 0.04 0.00
不透水面 0.00 0.20 5.43 0.45 0.03
2008—2020 耕地 0.01 0.07 0.80 0.11 0.01
林地 0.00 0.00 0.96 0.04 0.00
草地 0.00 0.05 0.89 0.06 0.00
裸地 0.00 0.04 0.95 0.01 0.00
不透水面 0.01 0.13 0.80 0.06 0.00

2.3 RSEI的空间自相关

为了研究RSEI的时空特征，计算了阿拉善左旗RSEI的Moran’s I，1991年、1997年、2003年、2008年、2015年和2021年的Moran’s I分别为0.650、0.639、0.600、0.622、0621、0.636，表现出较高的聚集特征。绘制了1991年、1997年、2003年、2008年、2015年和2021年RSEI的LISA聚类图，利用LISA聚类图获得了区域生态环境质量的局部空间相关格局（图7）。不显著区域（Not）主要分布在腾格里沙漠和一些荒漠地区。H-H聚集区域主要分布在贺兰山区和研究区内的耕地区域，这些地区生态环境质量较好。1991—2021年分布范围未发生较大的变化。L-L聚集区域主要分布在一些沙漠边缘地区，且L-L聚集区域破碎化程度明显较为突出。H-L聚集区域和L-H聚类区域分布非常小且零星，说明阿拉善左旗生态环境质量极值点很少。
图7 RSEI的LISA聚类图

Fig. 7 LISA cluster diagram of RSEI

2.4 RSEI变化成因分析

影响区域生态环境质量的因素众多，但主要受人类活动和气候变化的影响。近年来阿拉善地区人工造林面积显著增加[26]。本研究从人类活动因子（牲畜存栏数、年末总人口、耕地面积、人工林面积）和气候变化因子（平均气温、平均风速、年降水量、年蒸散发量）两个因素来分析引起RSEI变化的原因。Pearson相关性分析显示（图8a），RSEI与NDVI之间呈现出极显著的正相关关系。RSEI与SI之间呈现出显著的负相关关系。然而，RSEI与平均气温、平均风速、年降水量、年蒸散发量、年末总人口、耕地面积以及牲畜存栏量之间并没有显著的相关性。
图8 阿拉善左旗遥感生态指数与气候和人类活动因子之间的关系

Fig. 8 Relationship between remote sensing ecological index and climate and human activity factors for the Alxa Left Banner

进一步的线性混合效应模型分析（图8b）揭示了造成RSEI变化的不同因素的贡献。结果表明，人类活动因子对RSEI变化的贡献占比高达89%，而气候变化因子的贡献占比为11%。在单个因素的影响方面，耕地面积、牲畜存栏量、人工林面积、年降水量、年蒸散发量以及平均气温的估算值均呈现正向影响，而年末总人口和平均风速的估算值则呈现负向影响。根据估算值的大小排序，耕地面积对RSEI的影响最为显著，其次是牲畜存栏量、年降水量、人工林面积、年蒸散发量、平均气温、平均风速，最后是年末总人口。这些分析结果为我们提供了关于RSEI变化的主要驱动力，强调了人类活动因子在影响RSEI方面的重要性，并指出了不同因素对RSEI的贡献程度和方向。

3 讨论

本研究所构建的RSEI更适合干旱区。将原来遥感生态指数（RSEI）中的热度指标替换为适用于干旱区环境的盐度指标的主要原因在于，阿拉善左旗土壤盐分具有强烈的空间自相关性，西南和北部地区盐分较高而东南及中部地区盐分较低[27]，这和该地区植被指数NDVI的分布相反。土壤盐分的增加会加剧土壤盐渍化的程度，在干旱区土壤盐渍化对生态环境的破坏主要是两个方面：一是破坏了土壤的生产力，二是对土壤生态系统的服务功能进行损害[28]。为了更准确地对阿拉善左旗生态环境质量进行评价，将盐度指标纳入RSEI的构建。这一改进有助于提高指数的适用性，使其更符合干旱区特有的生态环境特征。利用GEE平台构建改进的RSEI对阿拉善左旗生态环境质量进行研究，表明阿拉善左旗生态环境处在较差的水平，但随着阿拉善地区人工植被的建设，生态环境有缓慢变好的趋势[29]。这与陈丽红等[13]、郭泽呈等[30]在干旱区所做的研究一致。
本研究结果显示，1991—2021年阿拉善左旗RSEI在0.264~0.360之间变化，且随着年份的变化表现出阶段性的变化趋势，通过对比阿拉善左旗的气象数据发现，RSEI的阶段性变化和气象数据表现出一致性。代云豪等[31]利用Landsat影像构建了阿拉尔垦区的遥感生态指数，发现年均气温相对稳定和降雨量增多对阿拉尔垦区生态环境质量起积极作用，这与本研究的结果一致。杜高奇等[32]研究黄河流域生态环境质量，发现RSEI对气温、降水和风速变化敏感性的空间异质性较大，RSEI对风速的敏感性最大，即风速与RSEI为正相关，这与本研究的结果不同，造成这种不同的原因可能是干旱区气候条件相对黄河流域较差，植被稀疏，风速较大，植被对风速的削减作用很弱，风速对植被的生长有抑制作用。黄河流域人类活动频繁，人造绿化面积较大，适当的风速对植被的生长起到积极作用。此外，干旱区和黄河流域的土壤理化性质不同，过大的风速破坏了表层土壤，进一步影响了植被的生长，这也就造成了干旱区风速和RSEI的负相关关系。RSEI在不同土地利用类型下，也呈现出不同的分布特征。在耕地、林地、不透水面区域RSEI值较高，生态环境较好，而在草地、裸地这些土地利用类型下生态环境较差。1991—2021年间阿拉善左旗耕地面积迅速增加，近30 a间耕地面积增加了7.6倍，这对局部地区的生态环境质量影响较为明显。随着耕地和不透水面面积的扩张导致RSEI的破碎化分布。
目前，阿拉善左旗沙化土地治理总体上呈现好转的趋势，但形势依然严峻，而且已治理的地区容易反弹退化。阿拉善地区既是国家“三区四带”[33]生态安全战略格局“北方防沙带”的重点区域，也是我国抵御风沙侵袭的一道生态屏障和缓解气候变化的廊带。自1984年起，阿拉善左旗开展了飞播造林实验，经过多年实践和总结，形成了适合当地实际情况的治沙技术。阿拉善左旗飞播造林面积从2000年开始迅速增加，Chen等[34]研究表明，飞播造林可以改善表层土壤质地和养分。飞播造林也促进了土壤颗粒细化，增强了土壤的保水能力，提高了土壤水分的有效性[35]。总体来说，1991—2021年阿拉善左旗生态环境有变好的趋势，尤其是在2001—2012年间部分地区生态环境改善较为明显，这与该区域进行的生态工程建设有很大的关系。
由于本研究涉及的数据来源较少，未来的研究还需要采用更加多样化的数据，比如，总初级生产力、气溶胶光学厚度等。选择代表性更好的数据，才能更加准确地反映复杂的生态系统。

4 结论

基于GEE平台和Landsat系列遥感数据所构建改进的遥感生态指数，进行阿拉善左旗RSEI变化的研究，得出如下主要结论：
（1）1991—2021年阿拉善左旗RSEI波动变化，等级为差和劣的区域由80%下降到76%，表明阿拉善左旗生态环境质量从1991—2021年逐渐变好。
（2）在不同土地利用类型下RSEI的变化结果显示人类活动较为频繁的地区RSEI较好，比如耕地、林地、不透水面。
（3）人类活动是导致阿拉善左旗生态环境质量变化的主要原因，其中耕地面积的变化是人类活动的主导因子。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Yu H, Wang L, Zhang J, et al. A global drought-aridity index: The spatiotemporal standardized precipitation evapotranspiration index[J]. Ecological Indicators, 2023, 153: 110484.

[2]
程静, 王鹏, 陈红翔, 等. 半干旱区生态风险时空演变及其影响因素的地理探测——以宁夏盐池县为例[J]. 干旱区地理, 2022, 45(5): 1637-1648.

DOI

[Cheng Jing, Wang Peng, Chen Hongxiang, et al. Geographical exploration of the spatial and temporal evolution of ecological risk and its influencing factors in semi-arid regions: A case of Yanchi County in Ningxia[J]. Arid Land Geography, 2022, 45(5): 1637-1648. ]

DOI

[3]
Pravalie R. Drylands extent and environmental issues. A global approach[J]. Earth-Science Reviews, 2016, 161: 259-278.

[4]
Liu H, Li X J, Mao F J, et al. Spatiotemporal evolution of fractional vegetation cover and its response to climate change based on MODIS data in the subtropical region of China[J]. Remote Sensing, 2021, 13(5): 913.

[5]
Chen X, Liu C, Yu X. Urbanization, economic development, and ecological environment: Evidence from provincial panel data in China[J]. Sustainability, 2022, 14(3): 1124.

[6]
Li J, Song C, Cao L, et al. Impacts of landscape structure on surface urban heat islands: A case study of Shanghai, China[J]. Remote Sensing of Environment, 2011, 115(12): 3249-3263.

[7]
Singh P, Kikon N, Verma P. Impact of land use change and urbanization on urban heat island in Lucknow City, Central India. A remote sensing based estimate[J]. Sustainable Cities and Society, 2017, 32: 100-114.

[8]
Zhang X, Estoque R C, Murayama Y. An urban heat island study in Nanchang City, China based on land surface temperature and social-ecological variables[J]. Sustainable Cities and Society, 2017, 32: 557-568.

[9]
Xu H, Wang Y, Guan H, et al. Detecting ecological changes with a remote sensing based ecological index (RSEI) produced time series and change vector analysis[J]. Remote Sensing, 2019, 11(20): 2345.

[10]
Xu H. A remote sensing index for assessment of regional ecological changes[J]. China Environmental Science, 2013, 33(5): 889-897.

[11]
冯自贤, 佘璐, 王秀慧, 等. 基于改进遥感生态指数的宁夏生态环境质量时空变化[J]. 生态环境学报, 2024, 33(1): 131-143.

DOI

[Feng Zixian, She Lu, Wang Xiuhui, et al. Spatial and temporal variations of ecological environment quality in Ningxia based on improved remote sensing ecological index[J]. Ecology and Environmental Sciences, 2024, 33(1): 131-143. ]

[12]
刘尚钦, 张福浩, 赵习枝, 等. 干旱区绿洲遥感生态指数的改进[J]. 测绘科学, 2022, 47(6): 143-151, 203.

[Liu Shangqin, Zhang Fuhao, Zhao Xizhi, et al. Improvement of remote sensing ecological index in oases in arid area[J]. Science of Surveying and Mapping, 2022, 47(6): 143-151, 203. ]

[13]
陈丽红, 刘普幸, 花亚萍. 基于RSEI的疏勒河流域生态质量综合评价及其成因分析[J]. 土壤通报, 2021, 52(1): 25-33.

[Chen Lihong, Liu Puxing, Hua Yaping. Comprehensive evaluation of ecological quality and its factors analysis in the Shule River Basin based on RSEI[J]. Chinese Journal of Soil Science, 2021, 52(1): 25-33. ]

[14]
李朋轩, 杨永崇, 王涛, 等. 新疆地区土地利用变化及其对生态环境质量的影响[J]. 北方园艺, 2022(8): 67-75.

[Li Pengxuan, Yang Yongchong, Wang Tao, et al. Land use changes and its impact on ecological environment quality in Xinjiang[J]. Northern Horticulture, 2022(8): 67-75. ]

[15]
Lyu X, Li X, Gong J, et al. Comprehensive grassland degradation monitoring by remote sensing in Xilinhot, Inner Mongolia, China[J]. Sustainability, 2020, 12(9): 3682.

[16]
Su X, Singh V P, Niu J, et al. Spatiotemporal trends of aridity index in Shiyang River basin of northwest China[J]. Stochastic Environmental Research and Risk Assessment, 2015, 29: 1571-1582.

[17]
Cook M, Schott J R, Mandel J, et al. Development of an operational calibration methodology for the Landsat thermal data archive and initial testing of the atmospheric compensation component of a Land Surface Temperature (LST) product from the archive[J]. Remote Sensing, 2014, 6(11): 11244-11266.

[18]
Yang J, Huang X. 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data Discussions, 2021, 13(8): 3907-3925.

[19]
Hu X, Xu H. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality: A case from Fuzhou City, China[J]. Ecological Indicators, 2018, 89: 11-21.

[20]
Huang C, Wylie B, Yang L, et al. Derivation of a tasselled cap transformation based on Landsat 7 at-satellite reflectance[J]. International Journal of Remote Sensing, 2002, 23(8): 1741-1748.

[21]
Baig M H A, Zhang L, Shuai T, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5): 423-431.

[22]
杜秉晨曦, 程勇翔, 吴玲. 准噶尔盆地植被与土壤盐渍化关联性变化趋势分析[J]. 生态学报, 2021, 41(23): 9364-9376.

[Du Bingchenxi, Cheng Yongxiang, Wu Ling. Analysis of negative correlation between vegetation and soil salinization in Junggar Basin[J]. Acta Ecologica Sinica, 2021, 41(23): 9364-9376. ]

[23]
Yu R, Liu T, Xu Y, et al. Analysis of salinization dynamics by remote sensing in Hetao Irrigation District of North China[J]. Agricultural Water Management, 2010, 97(12): 1952-1960.

[24]
Wan L H, Wang S, Chen X. GeoDA-based spatial correlation analysis of GDP in Hadaqi industrial corridor[J]. Geographical Research, 2011, 30(6): 977-984.

[25]
Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27(2): 93-115.

[26]
赵晨光, 程业森, 李慧瑛, 等. 腾格里沙漠东北缘人工植被恢复区土地利用/覆被变化及其驱动因素分析[J]. 干旱区资源与环境, 2021, 35(6): 131-138.

[Zhao Chenguang, Cheng Yesen, Li Huiying, et al. Land use/cover change of an artificial vegetation system in the northeastern edge of Tengger Desert[J]. Journal of Arid Land Resources and Environment, 2021, 35(6): 131-138. ]

[27]
吴亚坤, 李金彪, 高昊辰, 等. 阿拉善左旗土壤盐分空间变异特征研究[J]. 土壤, 2019, 51(5): 1030-1035.

[Wu Yakun, Li Jinbiao, Gao Haochen, et al. Study on spatial variability of soil salinity in Alxa Zuoqi[J]. Soil, 2019, 51(5): 1030-1035. ]

[28]
张飞, 塔西甫拉提·特依拜, 丁建丽, 等. 干旱区土壤盐渍化及其对生态环境的损害评估——以新疆沙雅县为例[J]. 自然灾害学报, 2009, 18(4): 55-62.

[Zhang Fei, Tashpolat Tiyip, Ding Jianli, et al. Soil salinization in arid area and its economic loss evaluation of eco-environmental damages: A case of Shaya County in Xinjiang[J]. Journal of Natural Disasters, 2009, 18(4): 55-62. ]

[29]
罗镕基, 王宏涛, 王成. 基于改进遥感生态指数的甘肃省古浪县生态质量评价[J]. 干旱区地理, 2023, 46(4): 539-549.

DOI

[Luo Rongji, Wang Hongtao, Wang Cheng. Ecological quality evaluation of Gulang County in Gansu Province based on improved remote sensing ecological index[J]. Arid Land Geography, 2023, 46(4): 539-549. ]

DOI

[30]
郭泽呈, 魏伟, 庞素菲, 等. 基于SPCA和遥感指数的干旱内陆河流域生态脆弱性时空演变及动因分析——以石羊河流域为例[J]. 生态学报, 2019, 39(7): 2558-2572.

[Guo Zecheng, Wei Wei, Pang Sufei, et al. Spatio-temporal evolution and motivation analysis of ecological vulnerability in arid inland river basin based on SPCA and remote sensing index: A case study on the Shiyang River Basin[J]. Acta Ecologica Sinica, 2019, 39(7): 2558-2572. ]

[31]
代云豪, 管瑶, 刘孟琴, 等. 1990—2020年阿拉尔垦区生态环境质量动态监测与评价[J]. 水土保持通报, 2022, 42(2): 122-128.

[Dai Yunhao, Guan Yao, Liu Mengqin, et al. Dynamic monitoring and evaluation of ecological environment quality in Alar Reclamation Area from 1990 to 2020[J]. Bulletin of Soil and Water Conservation, 2022, 42(2): 122-128. ]

[32]
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]. 水利水电技术, 2022, 53(12): 81-93.

[Du Gaoqi, Li Ziqiang, Zhao Yong, et al. RSEI-based analysis on eco-environment quality monitoring and driving factors of Yellow River Basin[J]. Water Resources and Hydropower Engineering, 2022, 53(12): 81-93. ]

[33]
高吉喜, 张小华, 邹长新, 等. 筑牢生态屏障建设美丽中国[J]. 环境保护, 2021, 49(6): 17-20.

[Gao Jixi, Zhang Xiaohua, Zou Changxin, et al. Constructing ecological barriers to build a beautiful China[J]. Environmental Protection, 2021, 49(6): 17-20. ]

[34]
Chen W Y, Yu T F, Han T, et al. Effects of afforestation by aerial sowing on topsoil physicochemical properties in the sandy desert, NW China[J]. Journal of Soils and Sediments, 2023, 23(6): 2417-2427

[35]
赵晨光, 李慧瑛, 鱼腾飞, 等. 腾格里沙漠东北缘人工植被对土壤物理性质的影响[J]. 干旱区研究, 2022, 39(4): 1112-1121.

DOI

[Zhao Chenguang, Li Huiying, Yu Tengfei, et al. Effects of artificial vegetation construction on soil physical properties in the northeastern edge of Tengger Desert[J]. Arid Zone Research, 2022, 39(4): 1112-1121. ]

DOI

Options
文章导航

/

〈 〉