沣河流域生态环境质量的遥感评价及影响因子分析

冯荣荣，张凯莉，韩佳宁，李颖辉，刘琪琪，刘 康①

(1.西北大学城市与环境学院，陕西 西安 710127；2.陕西西安城市生态系统定位观测研究站，陕西 西安 710127)

目前，遥感技术的飞速发展和多源遥感数据的开放获取极大地促进了区域尺度上的对地观测研究，基于遥感技术的生态环境质量监测与评估是当前研究热点之一[1-3]。生态环境质量指生态环境的优劣程度，以生态学、地理学和环境科学等学科理论为基础，在特定时间和空间尺度上，反映人与生态环境之间持续发展的协调程度[4]。然而，随着人类社会主动改造和适应生态系统的过程，人类活动与生态环境的关系日益密切，由此产生的人口、资源及环境之间的矛盾日趋突出[5-7]。因此，科学准确评估区域生态环境状况及其变化，对区域可持续发展和我国生态文明建设有重要实践和指导意义。

近年来，随着“3S”技术不断发展，相对于传统通过构建指标体系来评估生态环境质量的方法，遥感具有数据源广、数据量大、实时监测等优点，被广泛应用于生态环境质量监测与评价中[8-12]。国内外基于遥感技术监测生态环境质量方面的研究目前有2大方向。一类是基于单一指标的生态环境质量测度，如采用NDVI指数评估区域植被变化以反映其生态环境状况[13]，利用遥感反演的地表温度监测城区气候和环境[14]，提取水体指数获取河流信息的时空变化趋势从而评估水环境[15]。然而，生态环境是多种影响因素综合作用的结果，单一的生态评价指标无法客观、全面地反映其生态环境变化。因此，从多个生态评价指标的综合作用着手进行区域生态环境评价尤为重要。近年来，有学者提出了基于遥感信息的新型遥感生态指数(remote sensing ecological index，RSEI)，该指数是基于遥感影像进行反演，不易受到人为因素影响且能可视化表达评价结果，可实现对区域生态环境的快速监测与评价[16]。目前学者们从不同尺度基于该指数开展生态环境质量监测研究，并取得大量研究成果，可被用于指导区域环境可持续发展。如从乡镇尺度采用RSEI研究其生态环境质量时空变化和影响机制，进而实现生态环境与乡村生活协调发展[17-18]；也有学者从市级尺度采用RSEI评价生态环境质量，为城市生态环境保护和治理提供科学建议[19-20]；此外，国内外学者从矿区[21]、自然分区[22]等其他空间尺度开展生态环境质量评价工作。然而，流域作为综合区域环境特征的生态单元，除具备整体性外，亦是由生态系统、社会系统、经济系统等共同构成的具有层次性的复杂系统[23]，其既能与外界进行物质、能量和信息交换，同时又具有清晰边界且相对封闭的独立单元[24]。这种特殊性在流域内部表现为流域生态环境质量也存在明显的尺度效应以及时间和空间滞后效应，基于这种复杂、多层次的互动与辐射作用，流域被众多学者认为是生态学理论研究与实际应用相结合的最适宜实验地[25]。然而目前却鲜有学者利用遥感生态指数对流域尺度生态环境质量进行研究[26]。基于此，开展流域尺度的综合生态环境质量评价及驱动机制探究具有重要意义，通过实现流域尺度上生态环境和人类活动优化配置，可促进流域可持续发展。

秦岭是我国中部最重要的生态安全屏障，是中国的生态命门，保护其生态环境具有重大意义。沣河流域位于秦岭北坡，具有“山地-平原”的结构，是自然环境和人类活动的交互区域[27]，区域内自然环境和经济社会发展差异显著。以沣河流域为研究区，采用RSEI分析其2001—2021年生态环境质量时空变化，通过相关性分析其空间分布情况，并基于地理探测器对其影响因子进行探究，可以优化沣河流域生态环境，维持并推动流域可持续发展；与此同时也能为秦岭北坡的生态环境建设提供科学依据。

1 研究区与数据

1.1 研究区概况

沣河是黄河支流渭河南岸的一级支流，也是西安市第3大河流[28]。沣河流域地理位置为33°40′～34°30′ N，108°30′～109°10′ E，面积约为1 670 km2，北与渭河平原相邻，南依秦岭山地。流域海拔约为331～2 936 m，属暖温带半湿润大陆性季风气候区。流域年平均气温约为15 ℃，年平均降水量约为800 mm，主要集中在7—9月，约占全年总降水量的一半，年平均径流量为4.8亿m3，水土流失严重[29]。在行政区域上，该流域覆盖西安市长安区韦曲、郭杜和滦镇等12个街道，高新区细柳、灵沼和秦渡等8个街道和乡镇，鄠邑区五竹街道，西咸新区沣西新城的马王和大王等5个街道和乡镇以及沣东新城王寺、斗门和沣东3个街道(图1)。

图1 沣河流域区位Fig.1 Map of the Fenghe River watershed

1.2 数据来源及预处理

遥感数据来自美国地质勘探局(https:∥earthexplorer.usgs.gov/)的Landsat系列影像(表1)，所选用影像集中在6月前后，以忽略季节、植被生长状态不同造成的差异，从而保证结果具有可比性。为了减少误差，选取影像云量均小于10%，并使用ENVI 5.3软件云自动检测工具生成掩膜文件进行去云处理，进行辐射定标、大气校正、图像裁剪等预处理[30-31]后，提取绿度、湿度、干度和热度4个遥感生态评价指标并计算RSEI指数。其中，热度指标由Landsat系列影像中热红外波段获取，不同传感器空间分辨率不一致，因此采用立方卷积(cubic convolution)方法将热红外波段分辨率重采样至30 m[32-33]，以确保提取的热度指标与其他3个指标空间分辨率一致。

表1 2001—2021年沣河流域Landsat系列影像数据Table 1 Landsat image series data of the Fenghe River watershed from 2001 to 2021

NPP/VIIRS夜间遥感数据来自科罗拉多矿业大学(https:∥eogdata.mines.edu/nighttime_light/)，分辨率为500 m×500 m；DEM数据来自NASA EARTHDATA(https:∥search.asf.alaska.edu/)的ALOS 12.5 m×12.5 m数据，年平均降水量数据来自中国气象数据网(http:∥data.cma.cn/)1 000 m×1 000 m栅格数据，土壤数据来自中国科学院南京土壤研究所中国土壤科学数据库30 m×30 m栅格数据。为了保证数据空间分辨率一致性和结果准确性，将各评价指标、夜间灯光强度、DEM、坡度、降水量和土壤类型数据空间分辨率均重采样为1 000 m×1 000 m，采用ArcGIS 10.5软件进行重分类赋值，并用地理探测器进行分析。

2 研究方法

2.1 构建遥感生态指数(RSEI)

采用RSEI监测沣河流域2001—2021年生态环境变化。绿度(归一化植被指数，normalized difference vegetation index，NDVI)、湿度(WET)、干度(NDSI)和热度(地表温度，land surface temperature，LST)4个指标均会影响人类生活，因此采用耦合生成的综合指数RSEI来反映生态环境质量变化具有可信度[34]。RSEI计算公式为

IRSE=f(INDV,WET,INDS,TLS)。

(1)

式(1)中，IRSE为遥感生态指数；INDV为绿度指标；WET为湿度指标；INDS为干度指标；TLS为热度指标；f为主成分分析。

2.1.1绿度指标(NDVI)

NDVI与植被生长状态、生物量密切相关，可以反映植被繁茂状况，从而在一定程度上反映地区生态环境质量情况[35]，NDVI计算公式为

(2)

式(2)中，INDV为绿度指标；bred和bnir分别为Landsat系列影像中红光和近红外波段反射率。

2.1.2湿度指标(WET)

湿度指标为缨帽变换中的湿度分量，该分量能够很好地监测地表环境状况[36]。对于不同传感器数据源，计算方法也不同，WET计算公式为

WET,TM=0.031 5×bblue+0.202 1×bgreen+0.301 2×bred+0.159 4×bnir-0.680 6×bswir1-0.610 9×bswir2，

(3)

WET,OLI=0.151 1×bblue+0.197 3×bgreen+0.328 3×bred+0.340 7×bnir-0.711 7×bswir1-0.455 9×bswir2。

(4)

式(3)～(4)中，bred、bgreen、bblue、bnir、bswir1和bswir2分别为Landsat系列影像中红光、绿光、蓝光、近红外、短波红外1和短波红外2波段反射率。

2.1.3干度指标(NDSI)

城市快速扩张导致城市区域地面硬化，这会对区域生态环境质量产生不利影响。采用裸土指数SI(soil index，SI，IS)和建筑指数IBI(index-based built-up index，IBI，IIB)构建干度指标[37]，NDSI计算公式为

(5)

(6)

(7)

式(5)～(7)中，INDS为干度指标；IIB为建筑指数；IS为裸土指数；bred、bgreen、bblue、bnir和bswir1分别为Landsat系列影像中红光、绿光、蓝光、近红外和短波红外1波段反射率。

2.1.4热度指标(LST)

热度指标采用LST表示，采用辐射传输方程来反演地表温度，LST计算公式为

Lλ=[ε×B(Ts)+(1-ε)×Ld]×τ+Lu，

(8)

(9)

(10)

式(8)～(10)中，TLS为地表真实温度；Lλ为卫星传感器接受到的热红外辐射亮度值；ε为地表比辐射率；B(Ts)为黑体热辐射亮度；Lu、Ld分别为大气向上、向下辐射亮度，其值可在NASA网站(https:∥atmcorr.gsfc.nasa.gov)获得；τ为大气在热红外波段的透过率，其值可在NASA网站获得；K1、K2为定标参数，Landsat5 TM影像K1=607.76 W·(m2·um·sr)-1和K2=1 260.56 K，Landsat8 OLI影像K1=774.89 W·(m2·um·sr)-1和K2=1 321.08 K。

2.1.5水体掩膜

为了避免研究区水域对结果的影响，只针对研究区非水域部分区域生态环境质量进行分析，采用改进的归一化差异水体指数(modified normalized difference water index，MNDWI，IMNDW)对NDVI、WET、NDSI和LST结果进行掩膜处理[38]，只针对研究区非水域部分区域生态环境质量进行分析。MNDWI计算公式为

(11)

式(11)中，bgreen和bswir1分别为Landsat系列影像中绿光和短波红外1波段反射率。

2.1.6主成分分析

采用主成分分析方法，将与生态环境质量相关信息集中在较少的主成分上，该方法可以集成生态环境质量指标权重，而无需人为设置，因而可以避免因受主观影响而造成权重有所偏差。对归一化绿度、湿度、干度和热度指标进行主成分分析，并提取具有代表性的第1主成分(PC1)为初始遥感生态指数(RSEI′，IRSE′)，再对RSEI′进行归一化得到归一化遥感生态指数(RSEI，IRSE)。

IRSE′=PC1[f(INDV,WET,INDS,TLS)]，

(12)

(13)

式(12)～(13)中，IRSE，max′和IRSE，min′分别为初始遥感生态指数最大值和最小值；IRSE为归一化遥感生态指数，其值介于0到1之间，RSEI越接近1，说明区域生态环境质量越好，反之则生态环境质量越差。

2.2 空间自相关分析

为了进一步研究沣河流域生态环境质量空间分布，采用全局莫兰指数(global Moran′sI)和局部莫兰指数(local Moran′sI)对研究区生态环境质量进行空间相关性分析，其计算公式分别为

(14)

(15)

式(14)～(15)中，I全局和I局部分别为全局和局部莫兰指数；n为总数；Wij为权重矩阵；xi为i地区遥感生态指数值；x为研究区遥感生态指数平均值。全局莫兰指数取值范围在-1～1之间。局部空间自相关类型有不显著、高-高、高-低、低-高和低-低5种[39]。

2.3 地理探测器

地理探测器是应用于空间数据探索性分析的有力工具，是被用来分析各种现象驱动力的一种统计学方法[40]。地理探测器不仅可以揭示因子解释力，还可以分析变量之间的交互关系，已被广泛应用到生态环境和社会科学等众多领域[41-43]。采用因子探测和交互作用探测分析遥感生态评价指标(绿度、湿度、干度和热度)、高程、坡度、夜间灯光强度、降水和土壤类型9个因子对生态环境的影响力水平和交互作用。

2.3.1因子探测

因子探测用于探测生态环境空间分异性及不同驱动因子对其的影响程度，其计算公式为

(16)

式(16)中，q为驱动因子对生态环境的影响程度；h为驱动因子层数；L为驱动因子或遥感生态指数分层数；N为沣河流域样本数；σ2为遥感生态指数方差。q取值范围在0～1之间，q值越大，说明该驱动因子对生态环境的影响越大，且其对生态环境的影响力为q值×100%。

2.3.2交互作用探测

交互作用探测用于探测不同驱动因子对生态环境的交互作用，假设驱动因子X和Y的影响力分别为q(X)和q(Y)，交互作用后产生q(X∩Y)，通过比较叠加后的q(X∩Y)与q(X)和q(Y)，检验2个因子共同作用后它们对生态环境空间分异性的影响程度是扩大还是降低。双因子交互作用会产生以下5种探测结果：(1)当q(X∩Y)max[q(X)，q(Y)]时，则交互作用为双因子增强，即协同作用；(4)当q(X∩Y)=q(X)+q(Y)时，则交互作用为独立；(5)当q(X∩Y)>q(X)+q(Y)时，则交互作用为非线性增强，即双协同作用[38]。

3 结果与分析

3.1 生态环境指标整体特征

2001、2005、2011、2015和2021年沣河流域4个遥感生态评价指标的主成分分析结果见表2。由表2可知，2001、2005、2011、2015和2021年PC1特征值贡献率分别为78.93%、82.37%、85.36%、76.10%和82.67%，均超过75%，表明PC1可以最大程度集中绿度、湿度、干度和热度4个指标的特征，因此可以选取其作为研究区生态环境质量的表征。在PC1中，绿度指标NDVI和湿度指标WET为正值，表明它们对生态环境呈现正向作用，而干度指标NDSI和热度指标LST为负值，其对生态环境呈现负向作用。

表2 沣河流域RSEI的主成分分析Table 2 Principal component analysis of RSEI in the Fenghe River watershed

NDVI、WET、NDSI和LST分别为绿度、湿度、干度和热度。

2001—2021年沣河流域RSEI、NDVI、WET、NDSI以及LST变化情况见表3。由表3可知，2001—2011年，对环境起正向作用的NDVI和WET指标平均值不断增加，同时，起负向作用的NDSI和LST指标平均值不断降低，RSEI指数平均值在此期间呈现上升趋势，表明沣河流域生态环境质量在该期间有明显改善。2011—2015年，起正向作用的NDVI和WET指标平均值和起负向作用的LST平均值呈现增加趋势，而NDSI平均值呈现降低趋势，RSEI平均值较前一时期也有所上升，虽然热度因子对环境产生的负面作用有所增加，但在综合作用下，并未对生态环境产生不利影响。2015—2021年，4个评价指标平均值均有所下降，RSEI指数平均值亦在降低，生态环境较前一时期有所退化。

表3 2001—2021年沣河流域因子平均值Table 3 Mean value of factors in the Fenghe River watershed from 2001 to 2021

3.2 沣河流域RSEI时空变化分析

为了进一步分析RSEI反映的生态效应，以0.2为间隔将2001、2005、2011、2015和2021年RSEI分为5级：极差(0～0.2)、较差(>0.2～0.4)、一般(>0.4～0.6)、良好(>0.6～0.8)和优质(>0.8～1.0)，2001—2021年沣河流域生态环境质量等级分布见图2。由图2可知，沣河流域近20年生态环境质量整体上得到很大程度的改善，生态环境质量优质区域面积在不断增加，同时生态环境质量极差区域面积在不断减少，生态环境质量极差区域主要集中在西咸新区和高新区等人类活动相对聚集的地区。

图2 沣河流域RSEI等级分布Fig.2 Distribution of RSEI grades in the Fenghe River watershed

NDVI、WET、NDSI和LST分别为绿度、湿度、干度和热度，RSEI为遥感生态指数。

为进一步明确沣河流域生态环境质量状况，对各生态环境质量等级面积及其占比进行统计(图3)。由图3可知，2001—2015年沣河流域生态环境明显改善，其中，生态环境质量极差和较差区域面积共减少300.07 km2，且其所占比例也一直呈现下降趋势，共下降18.08个百分点；生态环境质量良好和优质区域面积增加290.04 km2，其所占比例也不断增加，共增加17.48个百分点；生态环境质量一般区域面积占总面积比例变化幅度不大。2015—2021年研究区生态环境质量极差和较差区域面积增加59.49 km2，其面积占比由14.14%增加至17.72%；生态环境质量优质和良好区域面积减少37.61 km2，其面积占比由65.68%降低至63.41%，表明在此期间研究区生态环境发生退化。综上，沣河流域生态环境在2001—2015年得到明显改善，而在2015—2021年却有所退化。

图3 沣河流域RSEI分级面积占比Fig.3 The ratio of RSEI classification area in the Fenghe River watershed

为了进一步分析2001—2021年沣河流域生态环境质量变化趋势，将研究期间各年份RSEI进行差值处理。指数变化等级过少不能详细说明生态环境质量变化的具体情况，因此参照文献[20,22]，将生态指数变化分为7个等级：明显变差、中等变差、轻微变差、不变、轻微变好、中等变好和明显变好。由图4和表4可知，不同时期沣河流域生态环境质量变化不一致。2001—2005年，沣河流域生态环境质量变好区域面积为227.63 km2，其占总面积比例为13.72%，生态环境变好区域主要集中在郭杜、黄良街道等研究区中部地区；生态环境质量变差区域面积为124.77 km2，占总面积的7.52%，研究区总体上生态环境质量变好趋势大于生态环境变差趋势。2005—2011年，研究区生态环境质量变好区域面积为214.22 km2，占总面积的12.91%，生态环境质量变好区域主要集中在马王、斗门和细柳等街道；生态环境质量变差区域面积为98.94 km2，占总面积的5.96%，研究区生态环境质量变好面积是变差区域的2倍多。2011—2015年，研究区生态环境质量变好区域面积为246.95 km2，占总面积的14.88%，主要集中在沣河河道附近地区；生态环境质量变差区域面积为154.49 km2，占总面积的9.31%，主要集中在马王、灵沼等街道，虽然生态环境质量变差区域面积有所增加，但生态环境变好区域面积仍大于变差区域。2015—2021年，生态环境质量变好区域面积为171.92 km2，占总面积的10.37%，大兆、引镇等街道生态环境得到提高；生态环境质量变差区域面积为156.90 km2，占总面积的9.45%，西咸新区王寺、斗门街道以及高新区细柳、兴隆等街道生态环境质量明显退化，在该期间生态环境变好区域面积较之前有所减少，且生态环境变差区域面积较之前有所增加。综上，2001—2015年沣河流域生态环境质量呈现增长趋势，2015—2021年生态环境质量呈现下降趋势。

图4 沣河流域RSEI等级变化Fig.4 Variation of RSEI levels in the Fenghe River watershed

表4 沣河流域RSEI等级面积变化Table 4 Changes in the area of RSEI grades in the Fenghe River watershed

3.3 生态环境质量指标相关性

3.3.1RSEI与评价指标的相关分析

采用ArcGIS 10.5软件进行重采样、相交等处理，研究RSEI与NDVI、WET、NDSI和LST这4个评价指标之间的关系。由图5可知，2001、2005、2011和2021年RSEI与NDVI的相关性最好，而2015年RSEI与NDSI的相关性最高，与此同时，RSEI与NDVI的相关性也较高。近20年间，RSEI与NDVI和WET之间存在显著正相关关系，与NDSI和LST之间存在显著负相关关系，这与主成分分析结果趋势相一致，且NDVI和WET与NDSI和LST之间存在负相关关系。综上，RSEI与NDVI、WET、NDSI和LST之间均呈现极强相关性，进一步说明RSEI能集中各评价指标信息，用该指数能够反映近20年沣河流域生态环境质量状况。

**表示在1%水平上显著。NDVI、WET、NDSI和LST分别为绿度、湿度、干度和热度，RSEI为遥感生态指数。图5 RSEI与NDVI、WET、NDSI及LST的相关性Fig.5 Correlation of RSEI with NDVI, WET, NDSI, and LST

3.3.2RSEI空间自相关分析

空间自相关是检验某个地区生态环境质量与其相邻空间生态环境质量相关性的重要指标。基于沣河流域景观格局和生态系统特征，采用250 m×250 m栅格进行重采样，从2001、2005、2011、2015和2021年RSEI图像中收集26 513个采样点，通过分析变量是否具有相关性及其相关程度来解释其空间自相关性。2001、2005、2011、2015和2021年全局Moran′sI指数分别为0.858、0.887、0.883、0.767和0.807，且均在1%水平上显著相关，说明研究结果具有可信度。这表明2001—2021年沣河流域生态环境质量整体空间分布呈现聚集特性，且具有极强正相关性，研究区生态环境质量好与差的区域均为集中分布。

为了进一步了解沣河流域RSEI时空分布特征，采用局部莫兰指数分析研究区RSEI集聚现象(图6)。由图6可知，高-高聚集区表示空间自相关性为正，主要分布在研究区南部五台、滦镇和引镇等街道，这些地区不易受到人类活动影响，生态环境较好；低-低聚集区表示空间自相关性为负，主要分布在研究区北部西咸新区王寺、斗门和钓台等街道。2001—2015年研究区低-低聚集区面积不断减少，表明研究区生态环境质量在不断改善；2021年研究区低-低聚集区面积比2015年大，说明2015—2021年沣河流域生态环境质量有所下降。

图6 沣河流域RSEI的LISA聚类图Fig.6 LISA cluster map of RSEI in the Fenghe River watershed

3.4 生态环境质量影响因子探测分析

以2015年4个遥感生态评价指标、高程、坡度、夜间灯光强度、降水和土壤类型共9个因子作为自变量，以2015年RSEI作为因变量，在研究区创建1 km×1 km格网，并采用自然断点法对自变量进行分级，采用地理探测器探明不同因子对生态环境的影响力水平和交互作用。

3.4.1因子探测分析

地理探测器的因子探测结果表明，绿度、湿度、干度、热度、高程、坡度、夜间灯光强度、降水和土壤类型9个因子q值分别为0.804、0.827、0.950、0.621、0.570、0.536、0.119、0.564和0.273，且均在1%水平上显著相关，这表明所有影响因子对沣河流域生态环境质量的空间分异性均有显著影响。这9个因子影响力由大到小依次为干度、湿度、绿度、热度、高程、降水、坡度、土壤类型和夜间灯光强度。由于RSEI由绿度、湿度、干度和热度4个指标耦合而成，因此这4个遥感生态评价指标对沣河流域生态环境的影响力明显高于其他因子。除此之外，沣河流域生态环境受高程、坡度和降水因子的影响也较大，而土壤类型、夜间灯光强度对生态环境的影响较小。

3.4.2交互作用探测分析

表5为各影响因子的交互作用探测结果。由表5可知，任意2个因子交互产生的影响均比单独因子的大，所有因子交互作用均为双因子增强，不存在独立和减弱的情况，说明沣河流域生态环境并不是单一因子作用的结果，而是地形、经济等因子与遥感生态评价指标交互后增强的结果。其中，干度与其他因子的交互结果均大于0.9，表明2015年沣河流域地表裸土面积和建筑面积对该地区生态环境质量的影响最大。

表5 影响因子交互作用探测结果Table 5 Detection results of the interaction of the influencing factors

4 讨论与结论

4.1 讨论

4.1.1生态环境质量时空变化及其影响因子研究

2001—2015年沣河流域遥感生态指数平均值由0.543增长到0.668，说明生态环境质量在此期间得到改善，主要是因为研究区内大量湿地公园、森林公园的恢复建设为生态环境质量的整体提高做出了贡献。其中，遥感生态指数高值区主要分布在研究区南部山区，而低值区域分布在研究区北部平原区，遥感生态指数呈现从南向北减少的趋势，这主要是由于研究期间，随着城市化发展，北部地区土地利用方式发生变化，如耕地变为建筑用地，而南部地区为秦岭山区，林地、草地面积占比较高。2015—2021年沣河流域遥感生态指数平均值由0.668降低至0.649，说明这段时间研究区生态环境较前一阶段有轻微退化，这主要是由于该时期西咸新区规划建设全面提升，西咸新区建设加快是导致生态环境质量变化的重要原因。此外，该时期高新区亦快速发展，致使区域内较多的草地和水域变为建筑用地，植被覆盖度降低，这些区域生态环境适宜度降低，从而导致研究区整体生态指数下降。因此，在未来发展中，沣河流域应加大生态环境保护力度，不断寻找符合不同区域的自然恢复措施，协调经济发展与生态环境保护之间的关系，合理规划区域土地资源发展方向。

2001—2021年沣河流域生态环境质量空间分布具有很强的正相关性，高-高聚集区主要分布在研究区南部，南部为秦岭山地，土地利用类型以林地、草地为主，人为干扰少，土壤结构好且植被根系对土壤流失起到拦截作用，土壤保持量高，因此南部地区生态环境质量好；低-低聚集区主要分布在北部，土地类型以耕地和建筑用地为主，植被覆盖率低且降水量少，土壤保持量极低，因此生态环境质量比南部差。

2015年沣河流域生态环境影响因子分析结果表明，干度指标是影响生态环境的主导因子。随着城市化快速发展，沣河流域建筑面积在逐年增加，2015年研究区建筑面积已达到193.28 km2，其面积约为2001年的2倍。随着流域建筑面积不断增多，干度指标对流域生态环境质量的影响也越来越大。除4个遥感生态评价指标外，高程的影响力(q值为0.570)最大，研究区南部为山区，海拔变化大，不易受到人类活动影响；北部为平原，地势平坦，土地利用以建筑用地为主，受人为影响大，导致研究区南部地区生态环境质量比北部地区高。地理探测器的交互作用探测结果表明，任意2个因子交互后的影响均比单因子大，尤其是各因子与干度指标交互后的作用明显增强，且干度与热度交互后的影响比绿度与湿度交互后的大，这说明2015年对沣河流域产生负面作用的因子影响力大于正面作用的因子，因此在以后的发展中，沣河流域在快速发展经济的同时也要注重对生态环境的保护，避免生态环境进一步退化。

4.1.2局限性和未来展望

该研究基于Landsat系列遥感影像，通过主成分分析构建了RSEI指数，并采用地理探测器分析生态环境影响因子，为研究沣河流域生态环境质量时空变化及其影响因子提供一种有效方法。在今后研究中，还需在数据获取及处理方法方面进一步改进。该研究在数据获取方面虽然选取的遥感影像云量比较低，但还是存在少量薄云，会直接影响提取的遥感生态评价指标的精度。与此同时，生态环境是多种因子综合作用的结果，虽然分析了绿度、湿度、干度、热度、高程、坡度、夜间灯光强度、降水和土壤类型对生态环境的影响力水平，但影响生态环境的因子远不止这些，因此在以后研究中需要将多源遥感数据与多种社会经济数据相结合，以便能够更准确地分析生态环境质量变化状况。此外，在未来研究中还可以引用相关模型，对未来的生态环境质量进行预测，以便开展适当的人工干预，使生态环境得到有效保护。

4.2 结论

基于Landsat系列遥感影像提取绿度、湿度、干度和热度指标，并采用主成分分析方法耦合生成遥感生态指数，分析近20年沣河流域生态环境时空变化特征，采用全局莫兰指数和局部莫兰指数对研究区生态环境质量进行空间相关性分析，并采用地理探测器对影响研究区生态环境质量的主导因子和交互因子进行探究。主要结论如下：

(1)2001—2015年沣河流域生态环境总体上得到很大程度的改善，绿度和湿度指标对生态环境起正面作用，干度和热度指标对生态环境起负面作用，生态环境质量的提高主要来源于植被面积的增加以及裸土和建筑面积的减少。2015—2021年沣河流域生态环境质量有轻微下降，主要是由于在此期间对环境起正面作用的绿度和湿度指标较之前有所下降。

(2)研究期间，沣河流域生态环境质量存在显著正相关关系。高-高聚集区主要分布在滦镇、五台街道等研究区南部地区；低-低聚集区主要分布在王寺、斗门街道等北部地区，2001—2015年沣河流域低-低聚集区面积不断减少，而2015—2021年沣河流域低-低聚集区面积有所增加，说明近20年间沣河流域生态环境呈先明显改善后轻微退化趋势。

(3)地理探测器模型的因子探测结果表明，2015年遥感生态评价指标中，干度指标对沣河流域生态环境的影响力最大，即地表裸土和建筑面积对沣河流域生态环境影响最大；多因子交互作用探测结果表明，所有因子交互作用均为协同增强。