基于RSEI的黄河中游地区生态环境质量时空演化特征及驱动因素—以延安市为例

薛 桦, 刘 萍

(山西水利职业技术学院, 山西 运城 044000)

生态环境质量是人类活动与自然环境共同作用的结果,与人类生存和社会经济发展密切相关[1]。虽然城镇化、工业化的发展给人类带来了很多福祉,但与此同时也出现了各种各样的生态环境问题(如城市区域大气污染、水污染等环境污染,乡村地区的水土流失、土地盐碱化等)[2-3]。据政府间气候变化专门委员会(IPCC)报告显示世界将在21世纪继续变暖且到2100年估计将至少增高4℃,热浪、干旱等极端天气气候的发生和频率将迅速增加[4-5],这一趋势势必会对我国生态环境脆弱的区域的自然和社会生态系统的可持续发展和稳定性产生重要影响(如植被退化、生物多样性丧失以及干旱加剧)。2021年联合国环境规划署指出生态环境的退化已经影响到约 32亿人的福祉(占世界总人口的 40%)[5]。近年来,生态文明建设及提升生态环境质量已经成为我国工作重点[6-7],通过监测地域生态环境质量演化、驱动因素及未来可能的持续状态对指导当前生态文明建设工作具有重要作用。

黄河中游地区作为世界上土壤侵蚀和环境退化最严重区域,我国为了减少黄河中游地区水土流失和土壤侵蚀,于1999年实施了一系列生态恢复工程(如退耕还林还草)改善该区域生态环境质量[4]。但有研究发现黄河中段由于前期生态恢复工程缺乏科学指导(如在限水区种植树木而消耗大量土壤和地下水造成的 “小树龄”、新种植的植被使净初级生产力和蒸散发量(ET)增加导致土壤水分减少从而造成土壤表层干旱化等),导致该区域土壤水分缺失、径流减少、生物多样性减少和生态系统退化,严重影响了该区域生态环境质量[8-9]。因此,厘清黄河流域中游地区生态环境质量时空演变及其主要驱动因子已成为评估该地区植被重建计划可持续性的一个紧迫科学问题,特别是最近的一项研究报告称黄河流域部分地区植被密度已经接近该区域的最大阈值[9-10]。然而,目前常用于黄河流域中年段生态环境质量监测的大多数评估模型使用单一生态因子,如叶面积指数(LAI)[11]、植被覆盖度[12]、土地利用变化[13]、干旱指数[14]、水分利用效率等[15]与生态环境相关的因子。如Qin等[11]基于LAI指数研究发现黄河中游地区植被LAI呈增加趋势,且干旱和水分利用效率是影响该区域LAI变化的主要驱动因子;Tian等[16]基于植被覆盖度指数研究发现自21世纪以来在气候和人类活动的协同作用下黄河流域94%以上的地区植被呈变绿趋势;韩磊等[17]基于植被覆盖度指数研究也指出黄河流域中游植被呈改善趋势,但东部退化明显。但以上研究均基于单一因子对黄河中游地区生态环境质量进行评估,虽然可以在一定程度上反映黄河流域中游生态环境质量情况,但很难评估地形复杂的地区的生态环境质量的变化,且黄河中游地区生态系统是一个复杂的系统,其生态环境质量会受到多因素的影响,使用综合指标能更全面地反映了该地区的生态状况。近年来,有很多学者计算多种指数均值或以面积权重法构建综合模型,也有基于变异系数法、层次分析法等构建综合模型,但这些模型构建过程往往因人为主观因素使结果存在质疑[18]。因此,徐涵秋于2013年基于遥感数据将绿度、湿度、干度和热度4个指数通过主成分分析法(PCA)将4种指标耦合提出了新型的遥感生态指数(RSEI),集成了反映生态环境最为直观的多重指标,可实现综合、客观地定量评价区域生态环境质量状态[19]。如宋慧敏等[20]基于RSEI对1995年、2015年渭南市生态环境质量监测;王丽霞等[21]基于RSEI对1998—2016年延河流域生态环境质量进行了监测和预估;杨悦等[22]也基于RSEI对乡村振兴背景下陕西省生态环境质量进行了评估。以上研究均表明RSEI指数在生态环境监测和评价方面具有很好的适用性,并已被广泛应用于城市、湿地、岛屿、盆地等地区的生态环境质量监测。延安市地处黄河流域,境内沟壑纵横、地表支离破碎,干旱少雨、植被稀少,曾是黄河中上游地区水土流失最为严重、生态环境最为脆弱的地区之一[13,23]。但目前基于综合指标监测延安市的生态环境质量及其驱动因子的研究较少。

因此,本文以延安市为研究区,基于RSEI综合评估延安市生态环境质量及其对气候、人口、干旱和人类活动等因素的敏感性,旨在回答以下问题:自1990年以来延安市生态环境质量时空分布、演化状态及未来可能的持续状态是怎样的?极端气候、平均气候、干旱和人类活动变化对延安市生态环境质量的影响程度如何?主要影响因素对延安市生态环境质量变化是抑制还是驱使?

1 材料与方法

1.1 研究区

延安市地处黄河中段的陕西黄土高原丘陵沟壑区(35°21′—37°31′N,107°41′—110°31′E),北连榆林,南接关中3市、东隔黄河与山西临汾、吕梁县相望,西临甘肃庆阳。平均海拔1 200 m,地形复杂,呈西北高东南低的态势,地貌以高原、丘陵为主,沟壑纵横、梁峁起伏。延安市气候属于暖温带半湿润易旱气候区,全年气候变化受制于季风环流,春季干燥少雨,气温回升迅速,多大风、扬沙天气,降雨集中于夏季,呈东南高、东北低的趋势,且多强度较大的暴雨。北部为半干旱区,南部为半湿润区,夏季温热多雨,冬季寒冷干燥。植被类型主要为林地和草地,自1999年之后,延安市实施退耕还林(还草)政策后,森林覆盖率提升到52.5%,植被覆盖度提高至81.3%,生态恢复得到很大提升[10,13,23](图1)。

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1549号的标准地图制作,底图无修改。

1.2 数据源及预处理

本文的研究数据包括Landsat遥感数据、气候数据(平均气候、极端气候、干旱)、土地利用和地形数据。

(1) Landsat遥感数据源于Google Earth Engine(GEE)平台上提供的已经过了辐射定标、大气校正等预处理的30 m空间分辨率的陆地卫星TM和OLI/TIRS数据的地表反射率数据,反射率数据用于构建本文RSEI指数需要的归一化差异植被指数(NDVI)、湿度指数(WET)、归一化差异不透水表面指数(NDBSI)和地表温度(LST)。本文通过多次对比试验选择每年的4—10月份的遥感反射率作为RSEI计算的基础数据,因为该阶段能更好地体现RSEI指数的特性。NDVI,NDBSI,WET和LST的计算公式见文章“1.3.1遥感生态指数(RSEI)计算方法”章节。

(2) 气候数据:气温(TEM)、降水(PER)和风速(WIN)数据源于中国气象数据网(http:∥data.cma.cn/data/cdcdetail/dataCode)提供的1990—2020年的月尺度的气温、降水和风速数据。极端气候数据源于HadEX3数据产品(www.climdex.org),该数据是采用综合观测资源来量化昼夜温度和降水变化,由29个气候极端指数组成,这些指数是通过世界温度及降水站数据计算而来的,数据涵盖了1901—2020年的极端天气事件,综合反映了极端温度和降水事件的频率和强度,该数据被应用于极端天气事件研究中[11]。根据延安市温度和降水的实际情况,本文选择了最低气温最小值(TNN)、日最低气温最大值(TNX)、日最高气温最小值(TXN)、日最高气温最大值(TXX)、最大1 d降雨量(RX1day)、最大5 d降雨量(RX5day)作为本文的极端气候指标。气候数据均使用ANUSPLINE方法插值得到每月分辨率为30 m的空间尺度数据。

(3) 地形数据:30 m的DEM数据源于GEE平台提供的SRTM DEM产品。坡度数据(SLOPE)和坡向数据(Aspect)均是基于DEM数据使用ArcGIS软件提供的Slope和Aspect工具计算得到。

(4) 1990—2020年的土地利用数据(LUCC)来源于中国科学院资源环境科学数据平台(http:∥www.resdc.cn)。土地利用数据包括草地、林地、耕地、建设用地、水域和未利用地。

(5) 干旱数据:本文采用的干旱指标是标准化降水蒸散发指数(Standardized precipitation evapotranspiration index, SPEI),SPEI作为一种站点特有的干旱指标,特别适合于检测、监测和探索全球变暖对干旱状况的影响[14]。SPEI指数基于降水、气温、湿度等资料计算蒸散量,得到每月水平衡,对降水量和蒸散量之间的差值序列累积概率值进行正态标准化,用降水量和蒸散量之间的差值与其平均状态的偏离程度来揭示区域的干旱特征[14]。本文利用中国气象数据共享服务系统提供的1990—2020年月平均气温和月总降水数据计算不同尺度下的SPEI,用最接近序列的线性回归估计替代了某些特定站点的缺失数据。通过SPEI计算器计算了3个月尺度和12个月尺度的SPEI值,3个月尺度的 SPEI可以用来反映干旱的季节性变化特征。具体计算公式参见文献[14]。最后基于ANUSPLIN软件插值为30 m的网格数据。

1.3 研究方法

1.3.1 遥感生态指数 遥感生态指数(RSEI)从反映生态质量的众多自然因素中选择与人类生存相关的4个因素作为生态评价因素[21],该指数利用主成分分析耦合了表示地表植被覆盖和生长情况的绿色指数(NDVI)、表示土壤的湿度状况的湿度(WET)指数、表示地表干旱程度的干燥度指数(NDBSI)和反映地表热度情况的热量指数(LST)。其中,NDVI和NDBSI指标可以反映人类活动引起的土地覆盖变化的生态响应,LST和WET揭示了生态质量对气候变化的响应,4个生态指标综合起来能够直观地反映区域生态环境恶劣情况[19]。4个指标的计算如下:

(1) 绿度指标NDVI。归一化差异植被指数(NDVI)是应用最广泛的植被指数之一,许多生态学研究均证明了其有用性[12-13]。因此,本文选择NDVI作为绿度指数,计算公式为(1):

NDVI=(ρnir-ρred)/(ρnir-ρred)

(1)

式中:ρnir为遥感图像的近红外波段;ρred为红光波段。

(2) 热度指标LST。热度指标由地表温度(LST)表示。虽然Landsat 8 TIRS传感器中有两个热红外波段,但由于波段11的辐射校准问题,本文仅选择了波段10来反演LST[18]。当然,对于TM,我们仍然得到了基于波段6的LST[19]。将数字(DN)值转换为传感器孔径处的光谱辐射亮度,表示为LST的计算公式见(2):

Lλ=Grescale×Qcal+Brescale

(2)

式中:Grescale是特定于频带的重新缩放增益因子;Qcal是量化的校准像素值(DN);Brescale是不同于频带的重缩放偏置因子。传感器处光谱辐射亮度可使用公式(3) 转换为传感器亮度温度下的有效辐射亮度:

(3)

式中;Tλ是传感器亮度温度下的有效值;K1(TM波段6为607.76 W/(m2·sr·μm);TIR波段10为774.89 W/(m2·sr·μm)和K2(TM波段4为260.56 K,TIR波段10为1 321.08 K)分别是校准常数1,2。最后,使用Tλ获得LST,公式表示见(4):

(4)

式中:λ是发射辐射的波长(TM波段6为11.435 μm,TIR波段10为10.9 μm);ρ为常数(1.438×10-2mK);ε是表面发射率,可通过使用Sobrino模型的NDVI估算[20]。

(3) 湿度指标WET。对地表湿度信息较为敏感的缨帽变换湿度分量(TCW)已被证明对植被、水和土壤湿度条件较为敏感[14]。因此,本文选择TCW作为湿度指数(WET),并且可以分别使用方程(5) 和(6) 来估计Landsat TM和Landsat 8的湿度指数[23]:

WETtm=0.0315ρ1+0.2012ρ2+0.3102ρ3+
0.1594ρ4-0.6806ρ5-0.6109ρ6

(5)

WEToil=0.1511ρ1+0.1973ρ2+0.3283ρ3+
0.3407ρ4-0.7117ρ5-0.4559ρ6

(6)

式中:ρi(i=1,2,3,…,6)分别为TM和OLI传感器对应的蓝光波动、绿光波段、红光波段、近红外波段、短波红外波段1和短波红外波段2。

(4) 干度指标NDBSI。由于建设用地和裸露土壤会对区域生态环境造成严重危害。因此,本文选择了归一化差异不透水表面指数(NDBSI)结合基于指数的建成指数(IBI)和土壤指数(BSI)表征研究区干燥度,其计算公式见(7—9)。

NDBSI=(BSI+IBI)2

(7)

BSI=〔(S1+ρred)-(ρblue+ρnir)〕/
〔(S1+ρred)+(ρblue+ρnir)〕

(8)

(9)

式中:S1,ρred,ρgreen,ρnir,ρblue分别表示TM和OLI对应的短波红外、红光、绿光、近红外和蓝光波段

(5) 遥感生态指数构建RSEI。通过主成分变化(PCA)对以上4个指标进行集成,并使用第一个主成分(PC1)构建RSEI,其最大优点是综合指标的权重不是人为确定的,而是根据每个指标对PC1的贡献自动客观地确定。因此,在计算中避免了由于权重设置而导致的结果的可能偏差,该权重设置因个人和方法而异,这大大提高了结果的客观性和可信度。在预处理后需要对4个指标进行归一化以实现单位统一,然后采用PCA方法将NDVI,LST,WET,NDBSI的信息集中到第一主成分上。

指标归一化公式见(10):

NIi=(Ii-Imin)/(Imax-Imin)

(10)

式中:NIi为各指标归一化结果;Ii为各指标在第i像元的值;Imin和Imax分别为各指标最小值和最大值。

RSEI计算公式见(11)、(12):

RESI0=1-PC1〔f(NDVI,WET,LST,NDBSI)〕

(11)

RSEI=(RSEI0-RSEI0min)/(RSEI0max-RSEI0min)

(12)

式中:PC1为4个指标归一化后指标通过第一主成分分析的结果,为了方便分析,对其进行正负值转置。RSEI0为转置后结果,4个指标分别参与徐涵秋等19]的研究成果,具体计算公式见文献[19]。RSEI0 max,RSEI0 min分别为RSEI0最大值和最小值。

本文基于文献[19]将 RSEI划分为RSEI<0.2(差),0.2≤RSEI<0.4(较差),0.4≤RSEI<0.6(中等),0.6≤RSEI<0.8(良好)和RSEI≥0.8(优)5个等级。

1.3.2 Mann-Kendall突变点检验 本文采用Mann-Kendall方法对1990—2020年延安市生态环境质量突变检验。用每年的RSEI构造一个X秩序列记为Sk,在时间序列为随机的假设下[14],定义统计量:

(13)

式中;E(sk)和var(sk)分别是Sk的均值和方差。UFK形成UF的特征曲线,再通过可信度检验来判断是否有明显的变化趋势。UF>0,表示序列呈上升趋势,反之,呈下降趋势。RSEI突变点为UF与UB曲线相交点[23]。

1.3.3 RSEI变化趋势分析 采用Sen趋势法探究1990—2020年延安市RSEI变化趋势和变化速率。Sen斜率的计算公式见(14)[11]:

(14)

式中:β为RSEI变化趋势; Median为取中值函数;当β>0时,RSEI呈增加趋势;β<0时,RSEI呈减小趋势。

1.3.4 变异系数法 利用变异系数(CV)来反映延安市生态环境质量变化相对波动程度,数值越大表明生态环境质量受干扰强度越大,越不稳定;数值越小说明生态环境质量状态相对稳定[11]。计算公式如下:

(15)

式中:Cv为RSEI变异系数;RSEIi表示第i年对应的RSEI值;RSEImean为基于1990—2020年的RSEI数据获得的多年 RSEI均值。

1.3.5 Hurst法 Hurst指数是根据每年RSEI时间序列数据预测未来RSEI可能的变化趋势,是一种定量表述时间序列信息长期依赖性的有效方法[11]。Hurst指数分为3种情况:若0≤Hurst<0.5,说明RSEI时序数据具有长期的相关性,将来的总体趋势和过去的趋势相反,时间序列表现出反持续性;所Hurst=0.5,表明RSEI时序数据互相独立且没有依赖性,现在不会影响未来;0.5

1.3.6 随机森林模型 利用随机森林回归模型变量的重要性对驱动因素对延安市RSEI的影响进行排序,该模型使用均方误差的百分比增长(%Inc MSE)来评估每个自变量对因变量的影响程度[11]。首先构造ntree决策树模型和计算随机替换的OBB均方误差(未取样的样品组成的ntree out-of-bag数据),构造如下矩阵:

其次计算重要性得分,如下公式:

(16)

式中:n为原始数据样本的数量;m为变量的数量。

1.3.7 结构方程模型 采用AMOS 23软件构建结构方程模型(SEM,StructuralEquationModel),该模型基于研究者的先验知识预先设定各因素之间的依赖关系,以此判断各因素之间关系强弱,可获得自变量对因变量影响的直接效果、间接效果和总效果,并能够拟合和判断整体模型,可更全面地了解研究系统。本文使用SEM模型中极大似然估计来研究延安市不同时间段RSEI与主要驱动因子之间的直接影响和间接影响,后根据整体模型拟合检验(卡方)以及个别参数检验(p值)来评估整体模型[11]。

2 结果与分析

2.1 延安市生态环境质量总体分析

本文通过对1990年、2000年、2010年、2020年的4个指标进行主成分分析(表1),发现四年各指标的第一主成分贡献率分别为88.262%,92.957%,93.342%和95.294%,表明第一主成分包含了4个指标的大部分信息,可以使用第一主成分构建RSEI指数。本文后续研究将采用第一主成分的结果构建延安市的RSEI模型。

表1 各指标主成分及贡献率Table 1 Principal components and contribution rate of each indicator

图2为1990—2020年4种指标、RSEI均值变化和突变点情况,可以发现RSEI从0.598(1990年)增加至0.707(2020年),线性变化倾斜率为 0.003 3/a,说明延安市近 31年生态环境质量整体呈变好趋势。从单一指标来看可以促进生态环境质量的绿度和湿度指标均为增加趋势,其增加速率分别为0.005 2/a和0.001 1/a,而与生态环境质量呈负关系的热度指标和干度指标均表现为减小趋势,其减小速率分别为0.002 4/a和0.003 6/a。从各曲线来看,RSEI的变化曲线走向没有与任何一个指标相一致,因此可以发现是各指标的综合影响共同促进了延安市的生态环境变化。从RSEI的突变的检验图可以发现由 UF曲线可以看出1995年之前RSEI为上升趋势,1995—2001年RSEI为下降趋势,2001年之后延安市RSEI一直呈增加趋势,且RSEI的增加速率在逐渐上升。在2008年之前的年份UF和 UB曲线相交年份较多,结合RSEI曲线可以2001—2008年之间RSEI突变情况较为明显,后基本呈稳定的上升趋势,但2008年之后的年份UF和UB曲线无相交情况,因此可以说明 2001年是延安市RSEI出现突变的年份。

图2 4个指标和RSEI时序曲线及RSEI的Mann-Kendall(M-K)检验

2.2 延安市生态环境质量空间分布特征

从延安市RSEI的空间分布来看(图3),1990年延安市RSEI值总体表现为从北向南逐渐减小的趋势,即从北向南生态环境质量逐渐变差,其中的吴起县、志丹县和延川县的生态环境质量较其他地区较弱,区域内大部分面积的RSEI值在0.4以下,属于较差及以下等级,该区域土地类型为生态环境较为脆弱的草地覆盖区域。但在南部的大部分区域RSEI值基本在0.6以上,属于中等及以上等级,生态环境质量较北部好。1995年生态环境质量较1990年北部有所改善,但是南部生态环境质量变差,尤其是南部的黄陵县和富县。2000年生态环境质量进一步改善吴起县、志丹县和延川县生态环境质量改善最为明显,从较差及以下等级改善为良好及以上等级,但南部生态环境质量较1995年并未发生较大变化。2005年除宜川县和延川县部分地区的生态环境质量较2000年有所变差,其他区域生态环境质量等级并未发生较大变化。2010年较2005年来看,宜川县、吴起县和志丹县RSEI指数有所下降,但在延安市的南部大部分地区的生态环境质量得到很大提升。2015年较2010年生态环境质量总体表现为变差趋势,在延安市北部地区表现较为明显。2020年延安市整个区域的生态环境质量均较好,整个区域基本均为优等及以上等级。

图3 RSEI的空间分布

总体来看,从1990—2020年延安市生态环境质量大区域表现为改善趋势,在延安市北部地区改善最明显。

2.3 延安市生态环境质量演化分布特征

本文根据M-K突变点检验结果,将本文的研究时段(1990—2020年)分为3个阶段(1990—1995年、1996—2001年、2002—2020年),并基于Sen斜率法探究了不同阶段延安市生态环境质量变化趋势特征(图4)。我们发现1990—1995年延安市38.34%的区域的生态环境质量为上升趋势,主要集中在北部的吴起县、安塞县、子长县、宝塔县、延长县、延长县和宜川县,尤其在吴起县部分地区的生态环境质量改善呈显著趋势;32.35%的区域的生态环境质量变化不明显,集中分布在延安市中部地区;39.32%的区域表现下降趋势,尤其在黄陵县和富县西北部地区下降趋势最明显。1996—2001年延安市生态环境质量总体以上升趋势为主(占总区域的90.8%);呈下降趋势的区域占总区域的3.17%,零散分布在安塞县北部和宝塔县北部地区;呈保持不变趋势的占6.03,集中分布在延安市北部的延川县、延长县地区。2002—2020年延安市生态环境质量总体以不显著上升趋势为主(占研究区总面积的60.32),12.04%的区域表现为增加趋势,集中在延安东北部的子长县、安塞区延川县和宝塔县;27.65的区域的生态环境质量变化不大。

总体而言,延安市不同阶段的生态环境质量演化呈现较大差异,1995年以前生态环境质量以下降趋势为主,而1995年之后总体以上升趋势为主,这一结果与RSEI的均值趋势呈现结果存在差异,因此不能用区域平均值十分准确地展现区域整体的变化情况。

2.4 延安市生态环境质量稳定性的空间格局

本文基于变异系数探究了延安市不同阶段生态环境质量变化稳定性情况,基于延安市不同阶段RSEI3变异性计算结果和实际情况将变异划分为6个等级(图5)。我们发现延安市1990—1995年的RSEI变异系数的平均值为0.195,变化属于较高波动变化(0.15～0.2),其中属于高波动变化(>0.2)的占整个延安市的42.03%,集中在吴起县、志丹县、延川县、黄陵县、富县和黄龙县等地区,而在延安市中部地区的生态环境变化较为稳定,尤其在甘泉县和宝塔县以南地区变化属于低波动(0～0.1)。

图5 各阶段RSEI的变异系数分布

1996—2001年延安市RSEI变化的稳定性较1990—1995年来看,发生较大变化的区域是延安市东部地区的延川县、延长县和宜川县地区和延安市南部的洛川县地区,稳定性从原来的较高变化变成了高变化,其他区域变化不明显。2002—2020年延安市生态环境质量总体变化较为稳定,整个区域的生态环境变化稳定性系数平均值为0.148,属于较低波动变化(0.1～0.15)。

2.5 延安市生态环境质量未来趋势的空间格局

基于1990—2020年延安市的RSEI时间序列计算得到 Hurst指数(H)分布图(图6),可知延安市Hurst指数均值为0.373,表明未来延安市RSEI变化趋势具有Hurst现象,即未来一段时期内延安市的RSEI的变化趋势与1990—2020年的变化趋势整体表现为相反趋势。H介于0～0.5之间的面积占97.69%,结合前面的RSEI变化趋势发现延安市RSEI在未来一段时间内会出现大面积的下降趋势。其中反持续性减少(0≤H<0.4)占63.7%,主要集中在延安市中部和南部地区,北部地区零星分布在所有县区。33.99%的区域为反持续性减少不显(0.4≤H<0.5),零散分布在整个研究区。未来延安市RSEI的变化趋势与1990—2020年的变化趋势相同的面积(0.5

图6 RSEI的Hurst指数分布

2.6 延安市生态环境质量未来趋势的空间格局

通常认为人类活动、地形、气候因子(平均气候以及极端降水)、干旱等的会对区域生态环境质量产生显著影响。因此,本文采用随机森林算法对选取的14生态环境质量的驱动因子(包括气候因子(风速(WIN)、气温(TEM)、降水(PER)、日最低气温的极低值(TNn)、日最低气温的极高值(TNx)、日最高气温的极低值(TXn)、日最高气温的极高值(TXx)、单日最大降雨量(Rx1day)、连续5日最大降雨量(Rx5day)、人类活动〔土地利用(LUCC)〕、地形(海拔(DEM)、坡度(Slope)、坡向(Aspect))和干旱(SPEI指数)的敏感性排序,从因子排序的结果发现不同时间段驱动因子对延安市生态环境质量影响的程度存在差异。其中,1990—1995年,延安市生态环境质量受到TXx,TNn,TXn和SPEI的影响较大,%incMSE大于55,而受到人类活动和地形因子的影响较小(%incMSE小于40)。1996—2001年延安市生态环境质量受到SPEI,TXn,TNn,LUCC的影响较大(%incMSE大于50),受到地形的影响较小。而2002—2020年延安市生态环境质量受到Rx5day,TXn,TNn和TXx的影响较大,但%incMSE基本小于7,较前两个阶段小,因此这些因素在这一阶段对RSEI的影响较小。

2.7 延安市生态环境质量与主要驱动因子的通经分析

通过构建不同阶段的主要驱动因子对延安市RSEI的结构方程模型得到各个因子和各个因子对RSEI的通经系数,反映不同因子对RSEI的直接和间接影响。结构方程模型表明不同时间段延安市生态环境质量与不同因子间存在复杂的交互作用。其中,1990—1995年TXn对RSEI的正影响系数最大(0.63),而TXx(-0.77)、SPEI(-0.45)和TNn(-0.39)对RSEI为负影响。此外,在整个相互作用路径中,不同因子之间的相关关系均较显著,由此可知,延安市RSEI除了受到TXn,TXx,SPEI和TNn的直接影响外,还会受到这些因子之间相互作用的间接影响。1996—2001年LUCC对RSEI的正影响系数最大(0.24),而TXn(-0.26)、SPEI(-0.24)和TNn(-0.03)对RSEI为负影响,且TNn对RSEI的直接影响较小,而是通过对因子的影响从而进一步对RSEI产生影响(尤其是对TXn的影响最大)。2002—2020年Rx5day对RSEI的负影响最大(-0.4),而TXn(-0.04)、TXx(-0.02)和TNn(-0.09)对RSEI为负影响较小,但其均对Rx5day产生了较为显著的影响,通过影响Rx5day从而间接对RSEI产生影响。

3 讨论与结论

延安市境内地表支离破碎,干旱少雨、是我国生态环境最为脆弱的地区之一。因此我国自1999年之后在延安市实施了“退耕还林(还草)”政策,自政策实施以来植被动态和生态环境监测已成为该区域的关注热点,但目前基于综合指标评价延安市“退耕还林(还草)”政策实施前后的生态环境时空动态、未来演化趋势及不同阶段生态环境变化的主要驱动因子[13-22]。然而延安市生态环境质量对地形地貌、气候变化和人类活动的响应过程是一个复杂的动态过程,不同地貌条件会导致热量和水分的空间差异,进而使得生态环境质量变化存在明显空间差异,尤其在对气候敏感的干旱、半干旱地区尤为显著[8-11]。因此,本文基于GEE平台提供的1990—2020年的Landsat数据基于综合评价指数—RSEI指数并辅以Sen趋势分析、Manna-Kendall突变点检验、变异系数、Hurst法对延安市生态环境过去和未来演化特征进行了分析,然后基于随机森林和结构方程模型探究了不同阶段RSEI对不同驱动因素的敏感性和相关性,揭示了不同阶段生态环境质量对主要驱动因子的响应规律,主要结论如下:

(1) 延安市近 31年生态环境质量整体呈变好趋势。其中与生态环境质量的绿度和湿度指标均为增加趋势,呈负关系的热度指标和干度指标均表现为减小趋势,综合来看是各指标的综合影响共同促进了延安市的生态环境变化。本文研究结论与杨悦等、张家政等、聂桐等人研究结论相一致,这表明延安市生态环境质量自生态修复工程以来得到了极大的改善。

(2) 延安市生态环境质量从1990—2020年大区域表现为改善趋势,在延安市北部地区改善最明显。但从时间趋势上来看,延安市1995年之前RSEI为上升趋势,1995—2001年RSEI为下降趋势,2001年之后延安市RSEI一直呈增加趋势,2001年时RSEI发生突变的年份。

(3) 延安市1990—1995年的RSEI变化属于较高波动变化,集中在吴起县、志丹县、延川县、黄陵县、富县和黄龙县等地区,延安市中部地区的生态环境变化较为稳定(变化属于低波动)。1996—2001年延安市RSEI变化的整体以高波动变化为主, 2002—2020年延安市生态环境质量总体变化较为稳定,属于较低波动变化。延安市RSEI在未来一段时间内会出现大面积的下降趋势。

(4) 1990—1995年延安市生态环境质量受到日最低气温的极低值的正影响最大,受到日最高气温的极高值、日最高气温的极低值和干旱的负影响较大;1996—2001年土地利用对RSEI的正影响最大,而日最高气温的极低值、干旱和日最低气温的极低值对RSEI为负影响,且日最低气温的极低值对RSEI的直接影响较小,而是通过对因子的影响从而进一步对RSEI产生影响;2002—2020年连续5日最大降雨量对RSEI的负影响最大,而日最高气温的极低值、日最高气温的极高值和日最低气温的极低值对RSEI为负影响较小,但其均对连续5日最大降雨量产生影响从而间接对RSEI产生较大影响。这主要是因为延安市土质为疏松的黄土层,常年受到风蚀、水蚀的显著影响,土地沙化、温度升高、日照时数增加、太阳辐射增强、风速增加以及极端事件增多均会导致区域生态环境恶化[8]。其中极端降雨的增多会加剧延安市水土流失,带走地表的有机质,从而对延安市生态环境产生不利影响[24]。其次,一方面随着全球温度升高和极端温度事件的增加以及伴随的干旱事件的增多,土壤水分和植被冠层水分的蒸散发增加,使延安市部分区域水分利用效率降低,从而影响生态环境质量的变化[16]。另一方面随着极端温度增大,地表干燥度增加,裸露在外的土壤在强烈的太阳辐射、风和极端降水的侵蚀下,植被根系抓地力下降,从而进一步导致生态环境质量降低[11]。延安市作为我国水土流失最为严重的黄土高原区域,虽然自1999年以后的一些生态恢复工程(如退耕还林还草),使植被覆盖发生了显著变化[25]。但有研究发现工程实施之初没有综合考虑到区域气候、水文等因素影响,而大规模造林活动增加的蒸散发使地表干燥化程度增加[24]。大范围的干旱可能会导致未来植被呈退化趋势,加剧延安市生态环境恶化[26]。有研究表明全球气候变暖加剧了气候系统的不稳定性,未来极端气候事件出现的频率和强度均呈现明显的增加,其中主要以极端湿润和极端干旱的年份频率增加为主,主要表现为极端干旱和极端湿润交替出现[11,24]。这些极端事件的发生和交互作用不但会对延安市生态环境产生巨大影响,而且也会伴随一系列的自然灾害。因此,未来延安市生态环境恢复不但要考虑大型生态工程实施的后期是否会有片面(或负反馈作用),还亟需关注极端气候导致的自然灾害和植被退化。