EN中文

湿地科学 >

2025 , Vol. 23 >Issue 3: 458 - 472

DOI: https://doi.org/10.13248/j.cnki.wetlandsci.20240128

湿地与生态安全

干旱区湿地生态环境质量评估及驱动力分析

  • 杨鸿魁 , 1, 2, 3 ,
  • 杨明新 1 ,
  • 朱兴明 1 ,
  • 宋先腾 1 ,
  • 祁万强 , 1, *
展开
祁万强，工程师。E-mail:

杨鸿魁（1992—），男，青海省湟中人，硕士，工程师，从事生态地质和自然资源调查研究。E-mail:

收稿日期: 2024-04-26

  修回日期: 2024-06-23

  网络出版日期: 2026-03-12

版权

版权所有©《湿地科学》编辑部2025
杨鸿魁, 杨明新, 朱兴明, 等. 干旱区湿地生态环境质量评估及驱动力分析——以苏干湖湿地为例[J]. 湿地科学, 2025, 23(3): 458-472 [Yang H K, Yang M X, Zhu X M, et al. Assessment of wetland ecological environment quality in arid region and analysis of driving forces: a case study of the Sugan Lake Wetland. Wetland Science, 2025, 23(3): 458-472
收起

Assessment of wetland ecological environment quality in arid region and analysis of driving forces: a case study of the Sugan Lake Wetland

  • Yang Hongkui , 1, 2, 3 ,
  • Yang Mingxin 1 ,
  • Zhu Xingming 1 ,
  • Song Xianteng 1 ,
  • Qi Wanqiang , 1, *
Expand

Received date: 2024-04-26

  Revised date: 2024-06-23

  Online published: 2026-03-12

Copyright

Copyright ©2025 Wetland Science. All rights reserved.
Fold

摘要

重视湿地资源生态价值和生态功能是保障区域可持续发展的重要前提。基于2010—2020年的Landsat遥感影像，通过构建遥感生态指数(RSEI)分析了苏干湖湿地生态环境质量的时空演变特征，并结合地理探测器探索了影响湿地生态环境质量的驱动因子。研究结果表明， 2010年、2015年和2020年苏干湖湿地遥感生态指数均值分别为0.469、0.402和0.460，生态环境质量总体呈微弱下降趋势。生态环境质量差、较差的区域分布基本一致，主要分布在湿地东、中部及小苏干湖北侧，以裸地、盐碱地、盐沼地等土地利用类型为主。遥感生态指数差值分析表明，2010—2020年研究区生态环境质量以变差等级占优，变差等级区域面积为196.01 km2，变好等级区域面积为138.07 km2。2010年、2015年和2020年遥感生态指数的莫兰指数(Moran’s I)分别为0.322、0.236和0.149，表明遥感生态指数具有空间正相关性，但聚集性减弱趋势显著。热点分析表明，冷点主要聚集在研究区东侧，土地利用类型以盐碱地和沙地为主；热点主要聚集在研究区中部，2010年后向小苏干湖南侧及花海子一带移动。地理探测器分析结果表明，苏干湖湿地生态环境质量受自然因素和人为因素的共同作用，其中，干度指数是影响生态环境质量的最大单因子驱动力；交互探测中以高程、土地利用类型和气温的交互影响为主，人为因子的影响力显著弱于自然因子。研究结果可为干旱区湿地资源的可持续发展提供一定的数据支撑和参考。

本文引用格式

杨鸿魁 , 杨明新 , 朱兴明 , 宋先腾 , 祁万强 . 干旱区湿地生态环境质量评估及驱动力分析[J]. 湿地科学, 2025 , 23(3) : 458 -472 . DOI: 10.13248/j.cnki.wetlandsci.20240128

Abstract

It is an important prerequisite for ensuring regional sustainable development to attach importance to the ecological value and ecological functions of wetland resources. Based on Landsat remote sensing images from 2010 to 2020, the spatio-temporal evolution characteristics of the ecological environment quality of the Sugan Lake Wetland were analyzed by constructing the Remote Sensing Ecological Index (RSEI), and the driving factors affecting the regional ecological environment quality were explored in combination with the geographical detector. The research results showed that among the four indicators of the RSEI of the Sugan Lake Wetland in 2010, 2015 and 2020, there was a positive correlation between NDVI and RSEI, and between WET and RSEI, while there was a negative correlation between NDBSI and RSEI, and between LST and RSEI. The average values of RSEI in the three periods were 0.469, 0.402 and 0.460, respectively. The RSEI decreased by 14.29% from 2010 to 2015; and increased by 14.43% from 2015 to 2020. Overall, the RSEI decreased by 1.92% from 2010 to 2020, and the ecological environment quality of the Sugan Lake Wetland generally showed a slightly deteriorating trend. The areas with poor and relatively poor ecological environment quality were basically consistent in distribution, mainly located on the east side, in the central part of the wetland, and on the north side of the Xiaosugan Lake, with land use types such as bare land, saline-alkali land, and salt marsh land. The analysis of the RSEI difference showed that from 2010 to 2020, the ecological environment quality of the study area was dominated by the deteriorating grade, with the area of the deteriorating grade region reaching 196.01 km2, and the area of the improving grade region being 138.07 km2. The Moran’s I values of RSEI in 2010, 2015 and 2020 were 0.322, 0.236 and 0.149, respectively, showing a positive spatial correlation, but with a significant trend of weakening aggregation, and the polarization of the ecological environment quality in the study area had been alleviated. The results of the hot spot analysis showed that the cold spots mainly gather on the east side of the study area, with the land use types mainly being saline-alkali land and sandy land; the hot spots mainly gather in the central part of the study area, and after 2010, they moved to the south side of the Xiaosugan Lake and the area around Huahaizi. The analysis of the results of the geographical detector showed that the ecological environment quality of the Sugan Lake wetland was jointly affected by natural factors and human factors. Among them, the dryness index was the single factor with the greatest driving force affecting the ecological environment quality; in the interactive detection, the interactive influence of elevation, land use type and air temperature was dominant. The influence of human factors was significantly weaker than that of natural factors. The research results can provide certain data support and reference for the sustainable development of wetland resources in arid regions.

干旱区湿地作为一类重要的自然资源，在气候调节[1-2]、水源涵养[3-4]、生物多样性保护[5-6]、防风固沙[7]等方面发挥着独特的生态功能。受全球气候变化影响，干旱区湿地面临着荒漠化、岩漠化、盐碱化等日益突出的环境问题[8]。同时，人类活动和工程建设的干预也对湿地生态系统的稳定带来了严峻挑战[9]。因此，研究干旱区湿地分布和变化趋势，对于湿地资源的保护利用、生态环境质量的科学评价、湿地生态旅游的可持续发展[10]具有重要意义。
遥感生态指数(Remote Sensing Ecological Index，RSEI)是徐涵秋[11]提出的一种融合多个自然因子指标来快速监测和评价区域生态环境质量的新方法，该方法具有可量化、可视化和可时空分析的优点，在生态环境质量评价工作中得到广泛认可[12]，已被应用于城市建设[13]、流域范围[14]和省市[15]等区域尺度的生态环境质量评价中。柯丽娜等[16]对1995—2021年辽东湾北部区域生态环境质量变化状况进行评价，发现辽东湾北部区域生态环境质量改善明显，揭示了遥感生态指数在滨海湿地生态环境质量研究方面的适用性；李凤莹等[17]借助遥感生态指数对上海南汇东滩湿地开展相关研究，指出了遥感生态指数在海岸带湿地生态分析中的适用性以及在城市可持续发展和科学管理中应避免生态风险、实现湿地资源的可持续开发。遥感生态指数在湖泊湿地、自然保护区等的生态环境质量评价中也得到较好的应用[18-19]。但在实际应用中发现遥感生态指数存在一些不足之处，众多学者对其进行了补充和完善。例如，王杰[20]等将遥感生态指数中的干度指数调整为盐度指数和土地退化指数，构建了干旱区遥感生态指数(ARSEI)，在干旱区生态环境质量评价中效果显著。由于遥感生态指数计算中并没有考虑到自然条件对生态环境的影响是有限的，Zhu等[21]采用移动窗口的遥感生态指数(MW-RSEI)评价了露天矿对生态环境的破坏，并提出了监测和管理措施。综上，遥感生态指数和改进型遥感生态指数均可用于生态环境质量评价和环境状况监测工作中，应针对研究区域的特点合理采用评价指数以取得良好的评价效果。
苏干湖湿地位于柴达木盆地北缘块段带北部的绿洲–沙漠生态过渡带，为封闭的山间断陷盆地，属内陆盐沼湿地[22]，区内盐碱化强烈发育，土壤板结严重，对湿地内植被的生长造成了严重威胁。针对内陆盐沼湿地的特殊性，众多学者以苏干湖湿地为研究对象，针对生物多样性及其季节变化规律、湿地生态脆弱性、水循环以及植被盖度对气候变化的响应等方面做了大量研究工作[23-26]。本研究结合遥感生态指数对苏干湖湿地进行长时间序列、多指标的生态环境质量评估，分析苏干湖湿地生态环境状况的动态变化特征，旨在为苏干湖湿地生态环境保护和可持续开发提供可靠数据支撑。

1 研究区概况

苏干湖湿地(38°50′07″N~38°56′27″N，93°47′53″E~94°04′26″E)位于甘肃省酒泉市阿克塞哈萨克族自治县阿勒腾乡境内(图1)，属祁连山北麓西段范围，湿地北部为当金山，处在柴达木盆地北缘块段带北部的绿洲–沙漠生态过渡带，为封闭的山间断陷盆地。海拔2 795~2 808 m，属内陆高寒半干旱气候，年平均气温3~10 ℃，降水稀少，蒸发量1 228~2 495 mm[27]。区内西北风盛行，沙尘天气频发。湿地水系主要源于党河南山，大、小哈尔腾河多次潜流，在花海子一带以泉形式出现，最终注入大、小苏干湖。土壤以草甸土、草甸沼泽土、盐土、草甸盐土、沙土等为主，土壤盐渍化严重。为保护苏干湖地区生态环境，2003年，大、小苏干湖湿地被列入中国重要湿地名录。2017年在大苏干湖周边实施了禁牧措施。
1 General situation of the Sugan Lake Wetland

苏干湖湿地概况图

2 数据来源与研究方法

2.1 数据来源及预处理

从地理空间数据云平台(https://www.gscloud.cn/)获取2010年8月的Landsat5 TM影像、2015年8月的Landsat8 OLI影像以及2020年9月的Landsat8 OLI影像。选用8—9月研究区内植被生长旺季的遥感影像数据，影像时间相近，以尽可能降低时间因素对分析结果的影响。影像云量均小于10%。利用ENVI 5.3软件，对图像进行辐射定标、大气纠正、影像裁剪等预处理。利用ArcGIS 10.7软件，进行主成分分析和差值分析，数据结果用Excel表格处理。研究区居民点数据来自全国1∶100万公众版基础地理数据库(https://www.webmap.cn/)。2010—2020年年降水量、年平均气温及人口密度数据均来自资源环境科学与数据中心(https://www.resdc.cn/)，空间分辨率为1 km。高程数据(DEM)来自地理空间数据云(https://www.gscloud.cn/)，分辨率为30 m，坡度由高程计算获取。土地利用类型数据获取自中国科学院资源与环境数据中心(http://www.gscloud.cn/)，分辨率为30 m。研究区行政区划数据为2015年地市行政边界，来自资源环境科学与数据中心(https://www.resdc.cn/)。将所有数据的分辨率重采样至30 m。影像数据信息详见表1。
1 Basic information of remote sensing image data of the Sugan Lake Wetland

苏干湖湿地遥感影像数据基本信息

影像类型 影像时间 行列号 云量/% 分辨率/m
Landsat5 TM 2010-08-26 137/33 0.00 30
Landsat8 OLI/TIRS 2015-08-08 137/33 1.61 15/30
Landsat8 OLI/TIRS 2020-09-26 137/33 5.26 15/30

2.2 研究方法

2.2.1 遥感生态指数构建

遥感生态指数(RSEI)基于遥感影像处理技术，其融合的绿度、湿度、干度、热度4个指标是与区域生态环境质量直接相关的自然要素，能够较好地规避人为主观评价的影响，较客观地反映区域环境质量的优劣。通过对影像的处理和计算，可分别得到绿度指标(归一化植被指数，NDVI)、湿度指标(WET)、热度指标(地表温度，LST)和干度指标(建筑指数+裸土指数，NDBSI)。
（1）绿度指标。绿度指标反映的是植被在地表的覆盖特征，是表征地表植被适宜性的指标[27-28]。本研究利用NDVI来指征绿度指标，计算公式如下：
\begin{document}$ {{NDVI}} = (N - R)/(N + R) $\end{document}
式中，N代表近红外波段反射率，R代表红外波段反射率。
（2）湿度指标。湿度指标除了能代表开放水体外，还可以代表与生态环境高度相关的土壤和植被的湿度，是指示生态环境质量的一个重要参数[29]。研究区为湿地保护区，水资源相对丰富，因此，湿度指标具有极其重要的参考价值。本研究采用缨帽变换的湿度分量来表征湿度指标[29]。本研究选用的Landsat影像，不同传感器湿度分量的系数不同，分别表示如下[29]：
\begin{document}$ \begin{split} & WET\mathrm{_{OLI}}={0}{.1511b}_2{ + 0}{.1973b}_3{+ 0}{.3283b}_4{+ } \\ & \qquad{0.3407b}_5-{0}{.7117b}_6-{0}{.4559b}_7\end{split} $\end{document}
\begin{document}$ \begin{split} & WET\mathrm{_{TM}}={0}.{0315b}_1{ + 0}.{2021b}_2{ + 0}.{3102b}_3{ + } \\ & \qquad{0.1594b}_4-{ 0}.{6806b}_5{ 0}.{6109b}_7\end{split} $\end{document}
式中，WETOLI、WETTM分别表示Landsat8 OLI、Landsat5 TM数据的湿度分量；bi (i=1,2,···,6,7)分别代表OLI和TM影像的各波段反射率。
（3）热度指标。本文采用大气校正法基于Landsat热红外波段反演地表温度，其原理为：先估计大气对地表热辐射的影响，然后将这部分大气影响从卫星传感器所观测到的热辐射总量中减去，得到地表热辐射强度，再将地表热辐射强度转化为相应的地表温度[30-32]。计算公式为：
\begin{document}$ L=\left[\varepsilon\times B\left(T\right)+\left(1-\varepsilon\right)\times L_{\mathrm{down}}\right]\times\tau+L_{\mathrm{up}} $\end{document}
\begin{document}$ B\left(Ts\right)=\left[L-L_{\mathrm{up}}-\tau\times\left(1-\varepsilon\right)\times L_{\mathrm{down}}\right]/\tau\times\varepsilon $\end{document}
\begin{document}$ T = {K_2}/\ln \left( {{K_1}/B\left( T \right) + 1} \right) - 273.15 $\end{document}
式中，L为热红外波段的辐射亮度值；Lup为大气上行辐射；Ldown为大气下行辐射；B(Ts) 为黑体热辐射亮度；T为地表真实温度(℃)；ε为地表比辐射率；τ为大气在热红外波段的透过率；K1、K2为固定参数，对于Landsat 8的波段10，K1=774.885 39 W/(m2·μm·sr)，K2=1321.078 9K1；对于Landsat5，K1=607.76 W/(m2·μm·sr)，K2=1260.56K1。
（4）干度指标。湿地范围内土壤的干化程度会对生态系统的稳定产生巨大影响。本文选用裸土指数(SI)和建筑指数(IBI)合成干度指数(NDBSI)来表征干度指标，干度指数是二者的加权平均值[33]。其计算公式为：
\begin{document}$ {{SI}} = {{[({b_5} + {b_3}) - (b{}_4 + b{}_1)]} \mathord{\left/ {\vphantom {{[({b_5} + {b_3}) - (b{}_4 + b{}_1)]} {[({b_5} + {b_3}) + ({b_4} + {b_1})]}}} \right. } {[({b_5} + {b_3}) + ({b_4} + {b_1})]}} $\end{document}
\begin{document}$ \begin{split}&{{IBI}} = \left\{ {\frac{{2{b_5}}}{{{b_5} + {b_4}}} - \left[ {\frac{{{b_4}}}{{{b_4} + {b_3}}} + \frac{{{b_2}}}{{{b_2} + {b_5}}}} \right]} \right\}/\\&\qquad \left\{ {\frac{{2{b_5}}}{{{b_5} + {b_4}}} + \left[ {\frac{{{b_4}}}{{{b_4} + {b_3}}} + \frac{{{b_2}}}{{{b_2} + {b_5}}}} \right]} \right\}\end{split} $\end{document}
\begin{document}$ {NDBSI}=({SI}+{IBI})/2 $\end{document}
式中，bi(i=1,2,···,5)分别代表OLI和TM影像的各波段反射率。
（5）构建评价指数RSEI
在地理学研究中，多变量问题会在一定程度上增加数据分析的难度，主成分分析法(PCA)就是针对该类问题而产生的多元统计分析方法，其原理为[34]：在损失较小信息的前提下，将多个变量综合成少数几个综合变量，综合变量所代表的信息既不重叠，又综合了之前数据的信息，可以更好地进行比较和分析。同时，经过主成分分析的数据在很大程度上保留了数据本身的客观性，消除了人为等外界因素的干扰，是一种数据降维处理的好方法。
由于NDVI、WET、NDBSI、LST4个指数的量纲不一致，在进行主成分分析之前，为了减少因量纲不统一而产生的误差，首先要对上述指数进行标准化处理[35]，将所有信息转换到[0,1]范围内，计算公式见式(10)。同时，需要对研究区水域进行掩膜处理，其目的是消除大面积水域分布对地表真实湿度的影响。
\begin{document}$ \mathit{{Y}_{{i}}}=(X_i-X_{\min})\mathord{\left/\vphantom{(X_i-X_{\min})(X_{\max}-X_{\min})}\right.}(X_{\max}-X_{\min}) $\end{document}
式中，i为像元位置；Yi为规范化后的各指数在像元i的值；Xi为各指标在像元i的原始值；Xmax为各指数的最大像元值；Xmin为各指数的最小像元值。
将标准化后的4个指标通过ArcGIS 10.7软件中的主成分分析模块进行主成分分析后生成第一主成分PC1。经验证，在生态环境越好的区域PC1值反而越小，故采用1−PC1来生成初始遥感生态指数RSEI0，并对其进行标准化处理，得到最终的RSEI。计算公式如下：
\begin{document}$ RS EI_0=1-PC1 $\end{document}
\begin{document}$ RS EI=\left(RS EI_0-RS EI_{0 \min }\right) /\left(R S E I_{0 \max }-R S E I_{0 \min }\right) $\end{document}
式中，PC1为主成分分析的第1主成分；RSEI0min为RSEI0的最小值；RSEI0max为RSEI0的最大值。
（6）相关系数矩阵
ArcGIS 10.7软件的主成分分析功能可以直接实现NDVI、WET、NDBSI、LST和RSEI栅格数据间的相关系数矩阵构建，通过相关系数的大小来判断各指标与遥感生态指数的相关性。利用Orgin 2022软件绘制相关系数热图。

2.2.2 空间自相关分析

空间自相关性是度量区域内相邻位置间空间特征或属性相互依赖程度的一个重要参量指标。通过空间自相关分析能够更好地判别苏干湖湿地RSEI值分布与空间地物间的相互关系。Moran’s I指数表示在研究区范围内各空间地物间的相关程度。其值分布在[−1，1]，当Moran’s I>0时，表示各要素呈集聚态；为负值则表示各要素呈离散态；等于0则表示呈随机状[36]。莫兰指数的计算公式为:
\begin{document}$ {I_i} = {{{A}}_i}\sum\limits_{j = 1}^n {{W_i}_j} {{{A}}_j} ; $\end{document}
式中，Ai和Aj分别表示RSEI值在空间位置i与j的标准化值；Wij为空间权重值，通常选取距离权重来指示，是空间位置i，j距离平方的倒数，距离阈值非0，否则结果为0。
热点分析(Getis-Ord Gi*)方法可以用来指示地物要素在空间上的分布特征，能够显示高值和低值的空间聚集状态。通常将置信度设置为90%、95%和99%来表示其显著性水平[37-38]。通过冷热点可以分析研究区生态环境质量好或差的空间分布以及2010—2020年研究区冷热点迁移的空间特征。热点分析的表达式为[39]：
\begin{document}$ \mathit{\mathit{{G}_{{i}}^*}} = \left(\sum\limits_{j=1}^nw_{ij}x_j-\overline{x}\sum\limits_{j=1}^nw_{ij}\right)/\left(\sigma\sqrt{n\sum\limits_{j=1}^nw_{ij}^2}-\left(\sum\limits_{j=1}^nw_{ij}\right)^2\right); $\end{document}
式中，Gi*为研究区局部自相关指数；n为30 m×30 m网格数；σ为标准差；xj为网格j的RSEI值；wij为RSEI值在位置i和j的空间权重值，是基于i，j距离的空间权重矩阵，表示区域 i 和 j 的空间关系，通常距离阈值内非零，否则为 0。

2.2.3 地理探测器

利用地理探测器的因子探测和交互探测[40-41]，分析影响2010—2020年苏干湖湿地生态环境质量的驱动因素。将3期RSEI值作为因变量，选取2010年、2015年和2020年的NDVI、WET、NDBSI、LST、DEM、坡度、土地利用类型及人口密度共8个因子作为自变量，其中，NDVI、WET、NDBSI、LST、DEM、坡度和土地利用类型是自然因子，人口密度是人为因子。利用地理探测器的因子探测和交互探测分析各因子对苏干湖湿地生态环境质量的解释力及交互作用。其表达式如下：
\begin{document}$ q = 1 - \frac{1}{{N{\sigma ^2}}}\sum\limits_{h = 1}^L {{N_{{h}}}\sigma _h^2} ; $\end{document}
式中，h = 1, ···, L，为因变量RSEI和自变量因子的分层，即分类或分区；Nh和N分别为层h和全区的单元数；σh2和σ2分别是层h和全区RSEI值的方差。

3 结果与分析

3.1 遥感生态指数相关性检验

2010年、2015年和2020年苏干湖湿地NDVI与RSEI、WET与RSEI呈明显正相关，而NDBSI、LST与RSEI均呈负相关(图2)。3期相关系数矩阵中各分量指标与RSEI的相关系数均值由大到小依次为NDBSI(0.746)、LST(0.675)、NDVI(0.550)、WET(0.535)，绿度、湿度与RSEI的相关系数明显低于干度、热度与RSEI的相关系数，这与苏干湖湿地所处干旱区的地理环境特征相符合。2010年、2015年和2020年苏干湖湿地RSEI与各指标的相关系数均值分别为0.836、0.823和0.830，均优于NDVI、WET、NDBSI和LST等各指标间的相关性，因此RSEI可以更好地反映苏干湖湿地生态环境质量的优劣。
2 Correlation coefficients between remote sensing ecological index and various indicators of the Sugan Lake Wetland from 2010 to 2020

2010—2020年苏干湖湿地遥感生态指数与各指标的相关系数

NDVI为绿度指标；WET为湿度指标；NDBSI为干度指标；LST为热度指标；RSEI为遥感生态指数。]]>

3.2 生态环境质量指标主成分分析

苏干湖湿地RSEI4个参量的主成分分析结果表明(表2)，2010年、2015年和2020年第一主成分(PC1)和第二主成分(PC2)的累积贡献率分别为90.83%、92.51%和94.78%，其中PC1的贡献率分别为73.85%、71.28%和76.24%。除PC1外，其他主成分4个指标值的正负变化无明显规律可循。PC1的贡献率较高，能够较好地综合各指标的特征信息，因此可用PC1构建遥感生态指数。
2 Principal component analysis results of ecological indicators in the Sugan Lake Wetland in 2010, 2015 and 2020

2010年、2015年和2020年苏干湖湿地各生态指标的主成分分析结果

年份指标第一主成分特征向量第二主成分特征向量第三主成分特征向量
2010年绿度指标NDVI−0.318−0.3930.831
湿度指标WET−0.6820.7100.027
干度指标NDBSI0.215−0.018−0.194
热度指标LST0.6220.5840.520
特征值0.0210.0050.002
贡献率/%73.8516.988.54
2015年绿度指标NDVI−0.329−0.5800.487
湿度指标WET−0.6450.7140.157
干度指标NDBSI0.3750.188−0.441
热度指标LST0.5790.3440.737
特征值0.0140.0040.001
贡献率/%71.2821.236.09
2020年绿度指标NDVI−0.268−0.5680.590
湿度指标WET−0.4400.7410.084
干度指标NDBSI0.517−0.112−0.477
热度指标LST0.6840.3390.646
特征值0.0190.0050.001
贡献率/%76.2418.544.68
RSEI的4个指标中，NDVI与WET的特征向量均为负向，NDBSI与LST的特征向量均为正向，说明在苏干湖湿地NDBSI和LST较NDVI和WET对RSEI的协同影响更明显，且PC1中的热度指标明显高于干度指标。实地调查发现，研究区内建设用地分布面积较少且集中在研究区东侧一带，对干度指数存在直接影响；研究区地处干旱区内陆，湿地外围景观类型为大面积的荒漠戈壁[42]，对研究区地表增温影响显著。绿度指标、湿度指标对PC1的贡献为负值，且湿度指标对PC1的影响远大于绿度指标，其原因在于一是苏干湖湿地内植被较为稀疏，整体覆盖率不高；二是苏干湖外围因湿度引起的土壤盐碱化对生态环境的“负作用”较为明显[43]。

3.3 生态环境质量的时间变化格局

苏干湖湿地遥感生态指数由2010年的0.469下降至2015年的0.402，下降幅度为14.29%；2015—2020年遥感生态指数由0.402上升为0.460，增加幅度为14.43%(表3)。总体来看，2010—2020年RSEI整体下降了1.92%，表明10年间苏干湖湿地生态环境质量变差。
3 Four ecological indicators and remote sensing ecological index of the Sugan Lake Wetland in 2010, 2015 and 2020

2010年、2015年和2020年苏干湖湿地4个生态指标及遥感生态指数

年份绿度指标NDVI湿度指标WET干度指标NDBSI热度指标LST遥感生态指数RSEI
2010年0.203±0.144−0.160±0.0760.981±0.0740.650±0.1560.469±0.197
2015年0.243±0.179−0.038±0.0730.931±0.0790.736±0.1190.402±0.180
2020年0.193±0.109−0.035±0.0560.959±0.0540.580±0.1560.460±0.164
从分量指标来看，2010—2015年和2015—2020年NDVI呈先增加后微弱下降趋势，表明苏干湖湿地植被覆盖面积有所减少，但整体降幅不大；2010—2020年湿度指标整体呈增加趋势，表明研究区土壤湿度增加。2010年、2015年和2020年干度指数分别为0.981、0.931和0.959，呈现先降低后升高的趋势，结合图2干度指标与RSEI的负相关性关系，反映了苏干湖湿地内裸土面积变化对湿地生态状况的影响。热度指数LST表现为先增加后下降的特征，但总体保持在较高水平，表明土壤湿度增加会对地温变化产生直接影响。
为了定量化、直观化分析RSEI，对2010年、2015年和2020年湿地生态环境质量指数进行分级[44]，以0.2为等距间隔，按由低到高的顺序划分为5个等级：差、较差、中、良和优。图3显示了2010—2020年苏干湖湿地生态环境质量等级的变化情况。2010年研究区主要以中等级以上为主，差等级主要分布在东侧、小苏干湖外围及湿地中部等区域。2015年差等级面积明显增加，分布范围与2010年基本一致，但延伸趋势明显，东侧与中部、西侧差等级区域有成片发展的态势。2020年差等级区域显著减少，整体以较差等级以上为主，相较于2015年，差等级区域向较差和良以上等级转变，表明生态环境质量向好发展。但2020年相较于2010年差等级占比明显降低，但是较差等级的面积有所增加，说明2010—2020年苏干湖湿地生态环境质量有微下降的发展趋势。
3 Ecological quality grade of the Sugan Lake Wetland from 2010 to 2020

2010—2020年苏干湖湿地生态环境质量等级

表4为基于遥感生态指数分级的2010—2020年苏干湖湿地面积的变化情况，不同年份研究区总面积不一致是因为对小苏干湖和湿地范围内的大苏干湖等水体进行了水体掩膜，由于各年份水体分布面积不等，故未将水体面积计算在内。2010年苏干湖湿地整体的生态环境质量等级以中等级以上为主，面积为539.03 km2，占比高达64.85%；较差等级的面积为196.60 km2，占比为23.65%；差等级的面积为95.55 km2，占比为11.50%。2015年苏干湖湿地的生态环境质量变差趋势明显，虽然中等级以上的面积达436.74 km2，占比为53.09%，但相较于2010年下降明显，减少了13.97%，其中良等级面积占比为14.18%，优等级面积仅占0.40%，生态环境质量明显恶化。2020年苏干湖湿地生态环境质量有了不同程度的改观，中等级以上面积达523.99 km2，占比为64.95%，其中，中等级的面积增加了45.693 km2，良等级的面积增加了31.04 km2，优等级的面积增加了10.52 km2；较差等级的面积减少幅度极小，较2015年仅减少了4.09 km2；差等级的面积减少明显，减少面积达98.96 km2。整体来看，2020年较差、差等级所占面积为282.81 km2，占比为35.05%，较2015年减少了26.70%，生态环境质量转变明显。这与2017年后苏干湖湿地实行禁牧及人口迁出关系密切。结合2010—2020年遥感生态指数下降了近2%，表明苏干湖湿地的生态环境质量改善不明显，仍需加强保护措施。
4 Area changes of the Sugan Lake Wetland from 2010 to 2020 based on remote sensing ecological index classification

基于遥感生态指数分级的2010—2020年苏干湖湿地面积变化

遥感生态
指数分级		 2010年 2015年 2020年
面积/km2 占比/% 面积/km2 占比/% 面积/km2 占比/%
差 95.55 11.50 149.21 18.14 50.25 6.23
较差 196.60 23.65 236.65 28.77 232.56 28.83
中 316.38 38.06 316.74 38.51 362.44 44.92
良 188.06 22.62 116.67 14.18 147.70 18.31
优 34.60 4.16 3.33 0.40 13.85 1.72
合计 831.18 100 822.59 100 806.79 100

3.4 苏干湖湿地生态环境质量空间变化格局

3.4.1 RSEI分级空间分布与演变

为了进一步分析苏干湖湿地2010—2020年生态环境质量的变化情况，利用ArcGIS 10.7软件对苏干湖湿地2010—2020年的RSEI做差值处理，图4和表5分别为2010—2020年苏干湖湿地RSEI生态等级和不同生态等级湿地的面积。采用自然间断点分级法，将苏干湖湿地生态等级变化情况划分为5类：明显变差、轻微变差、未明显变化、轻微变好和明显变好。苏干湖湿地整体以未明显变化等级为主，面积为471.84 km2，占总面积的比例达58.55%；轻微变差等级的面积为194.82 km2，占比为24.18%；明显变差等级的面积为1.18 km2，占比为0.15%；轻微变好等级的面积为128.32 km2，占比为15.92%；明显变好等级的面积为9.75 km2，占比仅为0.21%。按类型划分的变差的总面积为196.01 km2，不变的总面积为471.84 km2，变好的面积为138.07 km2(表5)。
4 Ecological grade of remote sensing ecological index of the Sugan Lake Wetland from 2010 to 2020

2010—2020年苏干湖湿地遥感生态指数生态等级

5 Wetland areas of different ecological grade in the Sugan Lake Wetland from 2010 to 2020

2010—2020年苏干湖湿地不同生态等级湿地的面积

生态等级 变化特征 级差 分级
面积/km2		 类型
面积/km2		 面积占比/%
变差 明显变差 −4 0.05 196.01 0.01
−3 1.13 0.14
轻微变差 −2 7.72 0.96
−1 187.10 23.22
不变 未明显变化 0 471.84 471.84 58.55
变好 轻微变好 1 98.43 138.07 12.21
2 29.89 3.71
明显变好 3 9.22 1.14
4 0.53 0.07

3.4.2 遥感生态指数空间自相关分析

为了更好地分析苏干湖湿地生态环境质量的空间变化与空间分异特征，利用GIS渔网工具创建了1.5 km×1.5 km的网格分别对2010年、2015年和2020年的RSEI值进行重采样，共提取了383个样本点位，利用GeoDa软件进行空间自相关分析。研究结果表明，苏干湖湿地2010年、2015年和2020年的样点均处在第一、三象限，Moran’s I指数分别为0.322、0.236和0.149，表明苏干湖湿地生态环境质量的空间集聚性减弱，RSEI高值区和低值区的集聚趋势均不明显，说明研究区生态环境质量优劣的两极分化状况得到缓解。
热点分析可以将研究区内的高值区和低值区凸显出来。2010—2020年3期遥感生态指数冷热点分布图表明(图5)，2010年不显著点占总数的46.21%，集中分布在湿地外围；热点主要分布在小苏干湖加仁普力一带，大苏干湖东北侧有少量分布；冷点主要集中在湿地内塞什腾村至花海子一带，是大小哈尔腾河潜流在研究区的出水口，盐碱化及人类活动干预较强烈。2015年不显著点占45.62%；热点主要分布在大苏干湖东北侧至研究区东南侧，99%和90%置信水平的热点比例下降；冷点出露在研究区中东部。2020年不显著性点数增加明显，达241个，占总样本点的64.78%，集中分布在研究区北侧、中西部及南部，有大量95%、99%置信水平的热点转化为不显著点；热点集中分布在研究区东南侧以及小苏干湖南部；冷点除在中东侧集中分布外，在小苏干湖北侧和苏干湖村一带有扩张趋势。结合遥感影像和野外调查验证，低值区主要集中在盐碱地、沙地等低植被覆盖区，高值区主要分布在河道两侧等高植被覆盖区。
5 The distribution of cold and hot areas in the remote sensing ecological index of Sugan Lake Wetland from 2010 to 2020

2010—2020年苏干湖湿地遥感生态指数冷热点分布

3.5 苏干湖湿地生态环境质量驱动因子探测

为分析影响苏干湖湿地生态环境质量空间差异性的驱动因素，探究研究区地理条件和人为因素对生态环境质量的影响，将RSEI作为因变量，绿度、湿度、干度、热度、DEM、坡度、土地利用类型(LUCC)及人口密度作为自变量，利用Excel版地理探测器进行分析。

3.5.1 单因子探测结果

地理探测器单因子探测结果表明(表6)，苏干湖湿地生态环境质量受自然因素和人为因素的共同作用，q值均大于0.01，除2020年土地利用类型外，其余因子解释力显著。在选取的10个因子中，NDVI、LST、NDBSI和WET耦合组成RSEI，因此这4个指标的q值明显高于其他因子，2010年、2015年和2020年按q值排序均为NDBSI>WET>LST>NDVI。从其他因子分析来看，2010—2020年其他驱动因子对RSEI的解释力均呈下降趋势，其中2010年高程和土地利用类型对生态环境影响的解释力强于坡度、降水和人口密度；2015年高程和年降水量的影响力排末位，而年平均气温和人口密度对环境的影响增加；2020年土地利用类型和年降水量上升为主导因子，高程和坡度次之，人口密度和年平均气温的影响力最弱。2010—2020年土地利用类型的解释力减弱，由0.219降低至0.080，但仍高于其他影响因子；人口密度的影响力明显低于其他影响因子，表明受人口搬迁等政策实施的影响，研究区内人口密度对环境质量的影响降低。同时，年降水量的影响力排序变化为：第7位→第10位→第6位，说明生态环境的主导因素由土地利用类型和高程逐渐演变为土地利用类型和年降水量。
6 Results of single factor detection in the Sugan Lake Wetland

2010—2020年苏干湖湿地单因子探测结果

因子2010年2015年2020年
q值p值排序q值p值排序q值p值排序
绿度指标NDVI0.4350.0040.4170.0040.3520.004
热度指标LST0.7310.0030.7620.0020.8470.002
干度指标NDBSI0.8310.0010.7910.0010.8650.001
湿度指标WET0.7660.0020.7530.0030.6040.003
坡度0.0720.0090.0760.0080.0540.007
高程0.1790.0060.0730.0090.0460.008
土地利用类型0.2190.0050.1480.0050.0800.385
人口密度0.1440.0080.1160.0060.0170.0010
年平均气温0.0600.00100.1130.0070.0430.009
年降水量0.1540.0070.2890.00100.0770.006

3.5.2 交互探测结果

地理探测器交互探测结果表明(图6)，2010—2020年因子间的交互作用均表现为双因子增强和非线性增强2种类型。任意2个因子对生态环境质量的交互影响均明显高于单因子带来的影响，对RSEI的影响更大。与RSEI直接相关的NDVI、LST、NDBSI和WET均具有较高的相关性，不做重点分析。2010年高程∩人口密度的q值最高(0.388)，其次为高程∩年均气温(0.368)和高程∩土地利用类型(0.359)，与年降水量交互的土地利用类型、高程及人口密度q值均在0.30以上；2015年高程∩年均气温影响最大，q值为0.262；年均气温∩土地利用类型、高程∩土地利用类型、坡度∩土地利用类型和人口密度∩土地利用类型的q值相差不大，分别为0.256、0.256、0.234和0.233，其他因子交互影响力q值在0.2以下；2020年高程∩年均气温q值最高(0.248)，高程∩土地利用类型、高程∩年降水量分列第2、3位，q值分别为0.239、0.220，其他因子q值均处在较低水平。综合来看，2010—2020年高程、年平均气温对生态环境质量均起主导作用，人口密度的影响力逐年下降，而高程∩年降水量的影响力得到提升，表明研究区生态环境质量受人为因素干扰程度降低，自然因素成为主导影响因素。
6 Interactive detection results of geographic detector in the Sugan Lake Wetland from 2010 to 2020

2010—2020年苏干湖湿地地理探测器交互探测结果

X1代表NDVI；X2代表LST；X3代表NDBSI；X4代表WET；X5代表坡度；X6代表高程；X7代表土地利用类型；X8代表人口密度；X9代表年平均气温；X10代表年降水量。]]>

4 讨　论

4.1 气温和降水对生态环境质量变化的影响

苏干湖湿地西侧和东北侧离阿尔金山脉与当金山距离相对较近，独特的地理位置形成年平均气温低、年降水量稀少、年蒸发强烈的气候特点。从气温、降水趋势线可以看出(图7)，研究区的年降水量总体呈上升趋势，2016年年降水量最低，仅为22 mm左右；年平均气温波动变化，呈微弱下降趋势，2010年以后随时间呈现冷湿–暖干–暖湿的变化趋势。本研究中气温、降水的变化趋势与王德旺等[45]对苏干湖流域冰川湿地与气候响应关系的研究结果一致。气温和降水的变化对水体面积的变化存在直接影响，2010—2020年研究区水体面积扩大明显，2015年、2020年水体面积较2010年增加了8.55 km2、24.94 km2。其原因一方面与大、小哈尔腾河补给有直接关系[46]；另一方面与气候变暖对西北干旱–半旱区的暖湿化以及极端气候事件的发生有关[47-48]。
7 Changes of annual precipitation and annual average temperature in the Sugan Lake Wetland

苏干湖湿地年降水量和年平均气温的变化

水体面积的增加在一定程度上增加了研究区土壤的湿度，而湿度和绿度是表征生态环境良好的重要指标，从RSEI的分量指标来看，湿度与RSEI的关联性要明显高于绿度(表2)，但研究区蒸发强烈，地下水水位较浅，直接导致盐类物质在近地表的富集，不利于耐盐植物生长。实地调研发现，苏干湖湿地土壤的板结程度较高，植被覆盖程度较低，生长不良。同时，温度也是影响植被正常生长的关键因子[49]，热度指标LST与RSEI的关联强度显著高于其他指标(表2)，这与研究区位于干旱区的地理位置相符，加上强烈的蒸发作用，不利于植被生长，这与RSEI整体呈微弱变差的结论较为一致。

4.2 其他因素对生态环境质量变化的影响

差值分析结果显示(表4)，2010—2020年苏干湖湿地轻微变差的面积高于轻微变好和明显变好二者的总和。从区域分布来看，生态环境质量差、较差的区域分布基本一致，主要分布在湿地东侧、中部和小苏干湖北侧，以裸地、盐碱地和盐沼地为主，受地下水水位升降影响，盐类物质集聚，造成植被退化、土壤板结严重、土壤裸露，更甚者有“翻耕”现象(图8)，对研究区生态环境质量威胁极大。结合表3来看，2015年RSEI指数下降最为严重，LST最高，同时NDBSI指标一直维持在0.93以上，表明2010—2020年苏干湖湿地生态环境质量受热度和干度负作用的影响较为强烈。实地调查发现，苏干湖湿地土壤盐渍化问题一直较为突出，水位埋深高低对植被正常生长均有影响，在小苏干湖北侧、研究区东侧出水口一带、大苏干湖入湖口一带及湿地地下水浅水位地段，因强烈蒸散发作用，盐类物质在地表持续析出堆积，造成土壤盐渍化，部分区域可见大面积盐类物质(图9)，其对生态环境质量影响较为显著。此外，苏干湖湿地内有乡道分布，东侧外围有居民地及柳格高速公路，人为因素干扰较为突出。地理探测器结果也揭示了人为因子对苏干湖湿地生态质量的影响[50-51]。
8 Phenomenon of soil “plowing” on the northern side of the Xiaosugan Lake

小苏干湖北侧土壤“翻耕”现象

9 Salinization characteristics on the southeast side of the Xiaosugan Lake.

小苏干湖东南侧盐渍化特征

湿地生态系统相对脆弱，人类活动的直接或间接干预会对其造成不同程度的影响，甚至造成湿地生态的直接恶化[52-53]。大、小苏干湖湿地于2003年被列入中国湿地保护名录，2017年以后实行苏干湖湿地禁牧，这些措施对生态环境的保护和改善是有益的，2020年较2015年生态环境改善效果明显。今后应注重湖泊外围地下水水位较浅区域盐渍化问题的治理，可通过开槽排水等方式来降低盐分析出对近地表土壤植被的持续影响[54]。
本文仅从遥感生态指数的自然指标角度分析了苏干湖湿地生态环境质量的变化情况，总体上能够反映湿地生境现状特征，但依然存在一定的局限性。未来应加强湿地盐渍化区域分布、地下水水位及苏干湖湿地土地利用类型变化等多要素的融合，完善生态环境质量评价指数，从而达到更好的评价效果。

5 结　论

2010年、2015年和2020年苏干湖湿地RSEI均值分别为0.469、0.402和0.460，2020年较2015年生态环境质量得到改善，2010—2020年RSEI整体下降了1.92%，呈微弱变差趋势。差值分析表明，苏干湖湿地RSEI整体以未明显变化等级为主，但退化面积要高于生态环境质量得到改善的面积，退化面积为194.82 km2，占比为24.18%。
2010年、2015年和2020年苏干湖湿地的Moran’s I指数分别为0.322、0.236和0.149，呈空间正相关性，但空间集聚性减弱趋势加剧。热点分析表明，2010—2020年以不显著性变化点为主，总体呈增加趋势。2010—2020年热点集中分布在小苏干湖南部，大苏干湖东北侧以及湿地南部花海子一带，且热点向不显著点的转移显著增加。冷点主要分布在湿地中、东部塞什腾村至花海子一带，在小苏干湖北侧和苏干湖村一带有扩张趋势。
地理探测器单因子探测结果显示，干度指数对苏干湖湿地生态环境质量的解释力最强，降水因子的影响呈增强趋势；多因子交互探测对RSEI的解释力较单因子显著增加，2010年高程∩人口密度q值最高(q=0.388)，2015年高程∩年平均气温影响最大(q=0.262)，2020年高程∩年平均气温q值最高(0.248)。综合来看，高程、土地利用类型和气温的交互作用对苏干湖湿地生态环境质量影响显著，而人口密度的影响力呈下降趋势。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
Options
文章导航

/

〈 〉