近31年嘉陵江流域生态环境质量时空演变及驱动因子探测

汪士为, 吴 伟

(1.湖北汽车工业学院, 湖北 十堰 442002; 2.武汉大学 水资源与水电工程科学国家重点实验室, 武汉 430072)

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]。然而近100年以来,人类活动的持续增加导致大规模的生态系统扰动,这对全球碳循环有相当大的影响,也会加剧全球气候变化,从而导致各种各样的生态问题(如植被退化、生物多样性丧失以及极端气候事件增加)[2-3]。嘉陵江作为长江上游重要的生态屏障和水源涵养地[3],因布局了大量的采矿冶炼企业以及频繁出现的自然灾害等,使嘉陵江流域部分地区生态环境逐渐恶化[4-5]。因此,我国推出了一系列生态修复工程,这使嘉陵江流域生态状况格局发生了巨大变化。厘清嘉陵江流域目前的生态环境质量时空状况及其演化的主要驱动因子,对认清嘉陵江流域生态环境现状及后期制定切实可靠的保护战略和制度至关重要。

随着3S技术的快速发展,卫星遥感已经成为动态监测生态环境要素和评估生态环境变化的有效技术手段[6-7]。在遥感技术发展的基础上,我国环境保护部于2006年提出了以生物丰度指数、植被覆盖指数、水网密度指数、土地退化指数和环境质量指数为基础的生态指数(EI)[8]。此后,很多学者利用多时相遥感数据通过构建反映生态环境的相关指数对我国甚至全球的生态环境质量进行了评价[9-11]。然而因EI获取指数困难和数据更新周期较长等原因,目前常用的生态环境质量评价模型多使用单一生态指数[10]。如反映植被生长状况的归一化差异植被指数(NDVI)[11]、增强型植被指数(EVI)[12]和叶面积指数(LAI)[13],反映城市生态热岛效应的地表温度[14],反映区域干旱状况的各种干旱指数(标准化降水蒸散指数(SPEI)[15]、温度植被干旱指数(TVDI)[16])。虽然这些单一指数能够较好地反映生态环境的某一方面,但生态系统是一个特别复杂的系统,单一指数无法全面准确地描述生态环境[17-18]。基于以上问题,有学者提出通过两个或多个度量的聚合指数来监测生态状态,从而实现生态环境的高精度监测[19],也有一些学者使用层次分析法和压力—状态—响应(PSR)模型综合多个指标构建综合指标评估生态环境[20]。但这些指标权重确定比较困难,且在计算过程中人为干预较多,因此无法精确地描述区域生态环境质量。因此,徐涵秋[21]于2013年提出了一项包括代表气候和地表生物物理变量的遥感的生态指数(RSEI),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)。该指数弥补了EI,PSR和聚合指数的人为主观权重设定、指标难获取性、结果无法进行可视化的不足,能对区域生态环境状况进行客观定量评价,成为区域生态环境质量监测和评估的新方法,比了EI,PSR和聚合指数更有利于评估不同土地覆盖区域和不同地形的生态环境状况。如章程焱等[5]基于RSEI指数研究发现嘉陵江下游生态环境质量显著退化趋势;Yang等[22]基于RSEI发现长江流域整体生态质量有所改善,但横断山脉区域有所下降,且地表温度是RSEI变化的主导因子;Zhou等[23]也基于RSEI指数发现2000—2018年太湖流域整体生态环境质量呈现快速下降阶段(2000—2010年)和缓慢下降阶段(2010—2018年)。以上研究基于RSEI均较好地反映了不同区域的生态环境质量状况,但通过查阅已有的文献发现目前对基于RSEI指数的嘉陵江流域生态环境质量监测和驱动机制的研究暂未检索到。而现存的嘉陵江流域生态监测的研究多基于单一指标进行研究。如胡孟珂[7]基于NDVI探究了2001—2020年嘉陵江流域的植被覆盖度;王世杰等[24]基于SPEI研究了近60年的嘉陵江流域干旱情况。因此亟需通过一种能够全面反映嘉陵江流域生态环境质量的指标探理清嘉陵江流域生态环境质量变化的驱动机制、空间分异特征。其次,嘉陵江流域生态环境质量监测是生态系统动态监测的一项长期性、经常性的监测任务之一。

基于此,本文基于Google Earth Engine(GEE)平台提供的Landsat数据构建RSEI指数,基于RSEI探究嘉陵江流域1990—2020年生态环境质量时空动态及自然因素和人为因子对其变化的驱动情况,旨在为未来嘉陵江流域生态环境保护战略与经济发展战略的协调发展提供理论依据。

1 研究区与研究方法

1.1 研究区概况

嘉陵江(102°—109°E,29°—34°N)是长江上游左岸的主要支流,发源于陕西秦岭山脉,向西南流经陕西、甘肃、四川和重庆并于重庆市的朝天门汇入长江干流,全长1 120 km2,流域内面积为15.98万 km2(图1)。嘉陵江是长江支流中流域面积最大、流量第二的大河,占整个长江流域面积的近9%。嘉陵江流域具有丰富的地貌类型,上游段主要为山地地形,中游段为盆地和丘陵,下游段流经四川盆地东部平行峡谷区,形成了峡谷河流。嘉陵江流域落差海拔有2 300 m[7],大部分地区属于亚热带湿润季风气候。中下游地段冬季温暖多雾,上游则多霜雪风暴,春夏季节多春旱和初夏干旱天气。年均降水量1 000 mm以上,气温1月-4～10℃,7月14～ 32℃[8-9]。本文使用的嘉陵江流域边界数据源于地理遥感生态网(http:∥www.gisrs.cn/infofordata)提供的全国二级流域边界数据。

图1 嘉陵江流域DEM和坡度空间分布

1.2 数据来源与处理

(1) 遥感数据:遥感数据使用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构建本文RSEI指数需要的归一化差异植被指数(NDVI)、缨帽变换的湿度分量(WET)、归一化差异不透水表面指数(NDBSI)和地表温度(LST)。其中,NDVI表示地表植被覆盖和生长情况,是反映区域生态环境质量的敏感因素;缨帽变换获取的湿度分量WET能够较好地反映地表植被和土壤的湿度状况;裸土和建筑用地均会造成地表“干化”,本研究利用建筑指数和裸土指数构建NDBSI用于表示地表干燥化;LST是指示地表与大气之间物质能量交换的重要参数,用于反映地表热度情况。本文通过多次对比试验选择每年的4—10月份的遥感数据作为RSEI计算的基础数据,因为该阶段为嘉陵江流域植被生长阶段,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) 气象数据(气温(TEM)、降水(PER)和风速(WIN)):1990—2020年的气息数据源于中国气象数据网站(http:∥data.cma.cn/data/cdcdetail/dataCode)提供的气温、降水和分速的月数据。采用基于样条函数插值理论的专业气象插值软件ANUSPLINE,以DEM数据为协变量,对气温、降水和飞速数据进行空间插值获得30 m的栅格数据。

(3) 高程数据(DEM):30 m的DEM数据源于GEE平台提供的SRTM DEM产品。坡度数据(SLOPE)是基于DEM数据使用ArcGIS软件提供的Slope工具计算得到。

(4) 1990—2020年的土地利用数据(LUCC)、人口数据(POP)和国内生产总值(GDP)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。

1.3 研究方法

1.3.1 遥感生态指数(RSEI)计算方法 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指标可以反映生态环境对人类活动引起的土地覆盖变化的生态响应,LST和WET揭示了生态质量对代表气候变化的响应,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[21]。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]。首先,将数字(DN)值转换为传感器孔径处的光谱辐射亮度(Lλ),表示为: LST的计算公式见(2):

Lλ=Grescale×Qcal+Brescale

(2)

式中:其中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(Lλ)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)

WEToli=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。通过主成分分析(PCA)将上述获得的4个成分指标进行耦合,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。由于上述4个因素的维度不均匀,如果直接使用这些因素来计算PCA,每个指标的权重都会不平衡。因此,在预处理后进行主成分分析(PCA)之前,需要对这4个指标进行归一化以实现单位统一。采用PCA方法将NDVI,LST,WET,NDBSI的信息集中到第一主成分上,其是根据各指标在主成分的贡献度和自身的性质确定权重,减少了人为赋值的误差。为了避免水体对主成分载荷的影响和指标量纲不统一对权重的影响,在进行主成分之前进行了如下处理:(1) 使用改进的归一化差异水体指数(MDNWI)掩膜去除水体。(2) 由于这4个指标不一致性,在预处理后进行主成分分析(PCA)之前对这4个指标进行归一化以实现单位统一[21]。

MNDWI计算公式见(10):

MNDWI=(ρgreen-ρmir)/(ρgreen+ρmir)

(10)

式中:ρgreen,ρmir分别表示TM和TIR对应的绿光波段和中红外波段。

指标归一化公式见(11):

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

(11)

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

RSEI计算公式见(12)、(13):

RSEI0=1-PC1〔f(NDVI,WET,LST,NDBSI)〕

(12)

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

(13)

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[21]的研究成果,具体计算公式见文献[21]。RSEI0max和RSEI0min分别为RSEI0最大值和最小值。

1.3.2 RSEI变化趋势分析 采用Sen趋势法探究1990—2020年嘉陵江流域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。

1.3.3 RSEI对不同驱动因子的响应—地理探测器 地理探测器是将自变量空间分布与潜在因素分布进行比较,适用于测量空间分层非均质性程度的空间分析方法[25]。本文利用地理探测器分析嘉陵江流域RSEI的空间分布特性,以及探测不同因子与RSEI的相关性程度,用q值解释这个程度。公式见(15):

(15)

2 结果与分析

2.1 各指标主成分分析

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,得到结果见表1。从表1可以看出4期影像各指标的第一主成分的贡献率分别为97.588%,97.658%,98.327%和98.003%,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。其中,代表植被覆盖度的NDVI和代表地表湿度的WET在第一主成分上的载荷均为正,表明NDVI和WET对RSEI具有正向作用,而代表地表温度的LST和代表建筑和土地硬化程度的NDBSI在第一主成分的载荷均为负,表明二者对RSEI具有负向作用,而其主成分(P2-P4)则无明显规律可循,基本不能揭示嘉陵江流域生态环境质量状况。这一结果与王丽霞[26]、魏雨涵[27]和Huang[28]等的研究结论一致。因而本文后续研究将采用第一主成分的值来构建嘉陵江流域的RSEI模型。其中,第一主成分值越高,代表生态环境质量越好,反之亦然。

表1 嘉陵江流域1990年、2000年、2010年、2020年各指标主成分结果Table 1 Principal component results of indicators of Jialing River basin in 1990, 2000, 2010 and 2020

2.2 嘉陵江流域RSEI的空间分布特征

本文基于文献[20],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。从嘉陵江流域RSEI年际变化及Mann-Kendall(M-K)检验曲线可以发现(图2), 1990—2020年嘉陵江流域RSEI值呈增加趋势,线性变化倾斜率为 0.000 3/a,说明嘉陵江流域近 31年生态环境质量整体呈变好趋势。其中 2006年和 2011年分别是该地区近 31年 RSEI最小的两个年份,RSEI值分别为0.628,0.706,均属于良好等级。2002年和2004年分别是嘉陵江流域近31年RSEI值最高的两个年份,RSEI值分别为0.873,0.871,均属于优等级。由 UF曲线可以看出1992年和2010—2016年嘉陵江流域RSEI为减小趋势,其他年份均为上升趋势。在2003之前的年份UF和 UB曲线相交年份较多,但在2003年之后的年份UF和UB曲线无相交情况,因此可以说明 2003年是嘉陵江RSEI出现突变的年份。从UF和UB的曲线来看在2003年之前RSEI基本为较为稳定对的浮动状态,但在2003年之后RSEI呈现先减小后增加的趋势。

图2 嘉陵江流域RSEI时序曲线和

从嘉陵江流域RSEI的空间分布来看(图3,表2),除2005年、2010年生态环境质量以中等等级为主,其他年份的生态环境质量均以良好和优等级为主,这表明嘉陵江生态环境质量较好,但其空间分布异质性较大。其中,1990年嘉陵江大部分面积 RSEI处于良好等级,共 130 268.7 km2,占嘉陵江流域总面积(不含水体)的78.11% ;中等等级的RSEI零星分布在整个区域,占总面积的 13.51%,仅有0.25%区域为较差等级,分布在广元昭化以下干流区域的南部地区。1995年除陇南西部的生态环境质量为中等等级,其他区域的生态环境质量均较好,为优等等级。2000年嘉陵江流域的生态环境质量占良好和优等等级的比例相近,但总体表现为海拔较高的北部低于海拔较低的中、南部;嘉陵江流域2005年的生态环境质量较2000年之前明显退化,从以良好和优等的生态环境质量为主转换为中等等级。2010年较2005年生态环境质量有所改善,但较2000年之前仍较差。2015年、2020年的生态环境得到改善,较2010年相比优等面积比例分别增加了48.90%和40.22%。总体而言,除2005年、2010年外,研究区内大部分地区为良好和优等等级,流域生态环境整体呈现为先改善、变差和改善的过程。

表2 不同年份RSEI各等级统计

图3 嘉陵江流域1990年、2000年、2010年、2020年,30 a RSEI空间分布

2.3 长江流域RSEI演变趋势

进一步分析1990—1995年、1995—2000年、2000—2005年、2005—2010年、2010—2015年、2015—2020年嘉陵江流域RSEI变化趋势(图4,图5),发现30年间嘉陵江流域50%以上的区域的生态环境质量为变化不明显,但其变化趋势存在显著的时空差异性。 1990—1995年1.12%的区域表现为退化趋势,零星分布在达州地区,12.84%的区域为轻微退化趋势,集中在陇南以北和达州以东地区,仅有1.51%的区域呈显著改善趋势,集中在平武地区。1995—2000年的71.57%的区域表现为变化不明显趋势,14.65%的区域表现为轻微退化趋势。2000—2005年69.31%的区域表现为轻微改善趋势,但在遂宁等地区仍零星分布有轻微退化趋势的区域。2005—2010年在南充以南、广元以北等地区均呈轻微改善趋势,但在其他区域均有部分像元上为轻微退化趋势,其中退化趋势的占12.98%。2010—2020年嘉陵江大部分区域生态环境变化不明显,但在迭部地区均以轻微退化趋势为主。

图4 嘉陵江流域不同阶段RSEI变化趋势

图5 嘉陵江流域土地利用分布图和土地利用转移

2.4 嘉陵江流域土地利用转移矩阵

为进一步分析人类活动对嘉陵江流域RSEI的影响,我们基于目前提供的土地利用类型产品分析了1990—2020年嘉陵江流域土地利用转移情况(图5,图6),发现1990—1995年有724.43 km2的草地转换为林地,有152.98 km2的草地转为耕地,其他转换类型主要为林地转为草地和耕地、耕地转为草地、林地和建设用地。但总体表现为林地面积和建设用地面积增加,草地和耕地面积减少。1995—2000年主要转移类型为林地转为草地,转换了855.99 km2。其而耕地面积的减少主要得益于增加的建设用地、草地和林地,水域和未利用地基本没有变化。2000—2005年的主要转移类型为未利用地转为建设用地(转移面积436.71 km2),耕地转为建设用地的面积为165.38 km2,建设用地面积仍为持续增长趋势,其次在川陕甘地区的草地和林地面积也有些许增加。2005—2015年草地面积减少了 1.72%,林地和耕地面积分别增加了 0.42%和 1.8%。2015—2020年虽然林地和建设用地面积分别增加了,但耕地和未利用地面积减少了,从而使草地面积增加。

图6 不同年份嘉陵江流域土地利用转移统计图

2.5 RSEI对不同驱动因子的响应

通常认为人类活动(如土地利用变化、人口和GDP)、地形(如坡度、海拔)和气候因子(气温、降水和风速)的协同或单独作用导致生态环境质量发生变化。因此,本文基于地理探测器的因子探测器和交互探测器分析了不同年份人为活动、地形和气候因子对嘉陵江流域生态环境质量驱动机制。从RSEI的多年均值的因子探测结果可知(图7),人口(POP)的和GDP与嘉陵江流域的RSEI的关系最敏感,q值分别为0.279,0.283,其次分别为气温(TEM,q值为0.150)和海拔(DEM,q值为0.117)。而土地利用(LUCC,q值为0.043,)和坡度(SLOPE,q值为0.052)对嘉陵江流域的RSEI的变化的驱动作用最小,其次为风速(WIN,q值为0.064)和降水量(PER,q值为0.079)。通过不同因子交互探测结果我们发现DEM∩TEM(0.521)和DEM∩WIN(0.519)的交互作用对 RSEI的影响最大,影响因子大于 0.5。其次,LUCC∩PER(0.408)、PER∩WIN(0.402)、SLOPE∩TEM(0.405)、SLOPE∩POP(0.45)、SLOPE∩DEM(0.494)的交互作用对RSEI的影响因子均大于 0.4(表3)。可以发现地形因子和其他因子之间的交互作用对RSEI的影响均较大,且任何两种因子的交互作用都大于单个因子对嘉陵江流域生态环境质量的影响。而GDP和任何两个因子之间的交互作用对 RSEI的影响最小。

图7 不同因子对年均RSEI变化的q驱动力值分布

通过分析不同年份RSEI受到不同因子的敏感性情况(图8),发现GDP和POP对1990—2020年的RSEI的q决定力呈下降趋势,LUCC和SLOPE在2010年之前对RSEI的q值较小且变化稳定,而在2010—2020年q值均呈增加趋势,但增加幅度较小。DEM对RSEI影响的q值在2010年也较小且变化稳定,但在2015年大幅度增加,2020年呈略微下降趋势,但q值仍高于2010年之前。PER在2010年之前对RSEI的q值均在0.01以下,但在2015年突增至0.408,2020年有所下降,但q值仍远远高于2010年之前的q值。TEM和WIN对RSEI影响的q值在1995年、2015年均发生了显著的突增,但随后均有所下降。

图8 不同年份RSEI对不同因子的q驱动力值分布 Fig. 8 Distribution of q driving force values of RSEI for different factors in different years

3 讨 论

3.1 嘉陵江流域生态环境质量动态变化

嘉陵江流域作为长江上游重要的地理生态区域,其生态环境保护与高质量发展已上升为国家战略[26]。其中气候变化和人类活动对该区域造成的影响最为突出,如据气象报告在2006年夏季嘉陵江流域的川渝地区发生了极大的干旱事件,降水量较其他年份显著减少,对该地区的植被生长和社会经济发展产生了严重的不利影响[28];在2011年嘉陵江流域遭遇了3次大暴雨,暴雨引起了严重的水土流失、土壤盐碱化、滑坡等影响该区域生态环境质量的自然灾害[29]。因此,我国政府于1999年在嘉陵江流域的川陕甘实施了 “退耕还林、荒山造林”等生态环境恢复项目改善嘉陵江流域生态环境质量。在生态保护和环境恢复实施下一些地区生态环境呈现出恢复状态,然而目前关于嘉陵江流域生态环境质量变化的主导因子的研究还较少。因此,本文通过分析嘉陵江流域1990—2020年的RSEI时空动态,发现1990—2020年嘉陵江流域生态环境质量整体呈上升趋势。其中,2006年和2011年嘉陵江流域的生态环境质量较其他年份显著退化,这一结果与极端气象事件一致。同样,胡孟珂等通过研究气候对嘉陵江流域的植被覆盖度变化时也发现在2006年和2011年植被覆盖度发生突降。其次,我们发现嘉陵江流域1 999后年的RSEI较1996—1998年的RSEI得到了大幅度提升,但在2003年之前RSEI基本为较为稳定对的浮动状态, 2003年之后RSEI呈现先减小后增加的趋势,发生这种突变的可能原因主要是虽然嘉陵江流域在1999年之后实施了一系列生态保护和修复的项目。

我们进一步分析了不同阶段嘉陵江流域RSEI空间变化趋势,发现 30年间嘉陵江流域50%以上的区域的生态环境质量为变化不明显,但其变化趋势存在显著的时空差异性。其中煤矿开采区集中区(华蓥山地区和大巴山地区)、铁矿则集中区(涪江流域)的生态环境呈退化趋势最明显。有研究发现在2000年后嘉陵江开采业快速发展,因为嘉陵江流域很多区域开采后期生态恢复措施不完善,如矿物弃渣随意丢弃、废弃船舶滩涂维修不做任何污染防治措施、随意砍林造路等。这使得在嘉陵江经济快速发展的期间这些区域的生态环境质量也呈现大面积的退化趋势。其次,在2000年之后在城镇化推进下,城市建设和扩张在进一步加速,为增加新的居住用地或修建工业设施。其次,因为当地居民生态意识浅薄,存在土地利用不当,盲目破坏生态环境,进而导致大面积的植被区域被破坏,尤其在海拔较高的区域和川蜀等经济发展迅速的地区表现尤为显著[8-12]。针对以上问题,嘉陵江上游流域很多地区实施了生态环境保护条例实现嘉陵江流域生态环境的可持续发展,据统计数据在2015年之后随着生态保护理念和政府的宏观调控下,人们保护生态环境的意识增加(如嘉陵江西南涌两岸的养殖业实施的限期清理废水、农村集中养殖并统一处理养殖废水、农家肥有效利用等),使生态环境质量在 2015—2020年有所改善。虽然在2015年及之后,嘉陵江上游流域生态环境质量得到很好的改善,但相关部门仍需继续贯彻落实相关规定,尽量减少人类活动对生态脆弱区生态环境的影响。

3.2 嘉陵江流域生态环境质量的驱动因子

为进一步分析人类活动和气象因素对嘉陵江流域RSEI的影响,我们基于目前提供的土地利用类型产品分析了1990—2020年嘉陵江流域土地利用转移情况,发现1990—1995年林地面积和建设用地面积增加,草地和耕地面积减少。1995—2000年主要转移类型为林地转为草地,耕地面积的减少主要得益于增加的建设用地、草地和林地,水域和未利用地基本没有变化。2000—2005年的主要转移类型为未利用地转为建设用地,建设用地面积仍为持续增长趋势。2005—2015年草地面积减少、林地和耕地面积分别增加。2015—2020年虽然林地和建设用地面积增加,但耕地和未利用地面积减少从而使草地面积增加。通过分析发现土地利用转移主要与人口的快速增加、城市扩张和 1 999开始的将坡耕地退耕还林还草、宜林荒山荒地造林的退耕还林(还草)政策有关。有研究发现因为特定生态环境变化和人类活动导致部分草地转为耕地、林地和其他土地,由于人口快速增长和三北防护林体系工程的实施,建设用地的发展,导致许多草地遭到破坏,并且长期过度放牧加上气候变化和啮齿动物破坏的影响,嘉陵江流域天然草地退化严重,将不可避免地导致该区域荒漠化加剧。RSEI变化是一个周期性、持续性的动态过程,除了受到人类活动的影响,气候变化和地形也是RSEI变化的另一驱动因素。因此,本文综合前人研究选择了气温、降水、风速、坡度、坡向、GDP、人口数据和土地利用数据基于地理探测器探究了不同阶段以上因素对RSEI变化的贡献情况。发现在主导因子方面嘉陵江流域生态环境质量前期主要受到GDP和POP的影响程度较大,但随着时间的变化受到GDP和POP的影响程度呈下降趋势,但TEM,WIN,LUCC,DEM,SLOPE和PER在2015年之前对嘉陵江生态环境质量影响较小,2015年后对生态环境质量的影响程度呈增加趋势。因此可以发现嘉陵江流域生态环境质量在前期人类活动对其影响显著,后期随着政府生态保护措施的实时和人们生态意识的增强,同时随着经济快速发展,人们生活质量提升,对生态环境保护意识越来越强及国家的大力呼吁下,后期POP和GDP对嘉陵江流域的影响逐渐下降。但在2015年时,地形因子和自然气候条件变化是影响嘉陵江流域的生态环境质量的主要因子。有研究证明,随着全球气候变暖,长江流域大部分地区发生的季节性干旱的面积整体呈扩大趋势,同时极端气候事件也在逐渐增强。因为嘉陵江流域的很多区域露天采矿较多,该区域土质松散,垂直节理发育,遇水则容易溶解,因此在地形和气候的双重影响下该地区极容易造成泥石流、滑坡等自然灾害[22]。因此,嘉陵江流域的生态环境质量在地形和气候因子的协同作用下可能会发生显著变化。如夏季及时雨、大暴雨等天气增多,导致在 SLOPE较大的地区发生滑坡、泥石流等自然灾害,从而对生态环境产生显著的影响[30-31]。在因子交互作用探测方面,嘉陵江流域生态环境质量的空间分异性受多个影响因子共同作用,每两个因子之间相互作用的影响力都大于单一因子的影响力,其中地形因子和气象、土地利用因子之间的交互作用最为显著。嘉陵江流域整体生态环境质量上升,这表明嘉陵江流域在生态环境维持与治理方面政策的大方向是有效的,绝大部分区域生态环境质量都在提升,少部分地区略有降低,应有针对性地进行政策调整,改善生态环境质量。根据地理探测器分析结果发现后期嘉陵江流域生态环境主要受到自然因素和土地利用变化的影响程度较大,说明后期需要进一步规范化嘉陵江流域土地覆盖并进一步加强自然灾害的防护策略。

3.3 研究不足与展望

虽然本文综合评价了随着时间变化,LUCC,GDP,POP,DEM,SLOPE,TEM,PER和WIN对RSEI的影响情况,但并未探究嘉陵江流域极端水文气象现状及其对嘉陵江流域生态环境质量的影响以及多因素是如何共同作用于生态环境质量的,这些仍需要进一步深入探究。其次,因目前很多政府较为关注未来嘉陵嘉流域在不同气候、人类活动和地形影响下嘉陵江流域生态环境质量可能发生的现状,但本文并未涉及这一部分内容。后期将进一步基于Hurst指数和过去30 a的RSEI数据在不同因素的控制下对嘉陵江流域RSEI可能的持续状态进行预测,为嘉陵江流域生态环境保护和政策制定提供更加详细的参考资料。

4 结 论

本文采用遥感数据、地形数据、人类活动数据和气象数据相结合的方法对嘉陵江流域1990—2020年的生态环境质量时空动态,并通过地理探测器分别得到不同时期不同因子对嘉陵江流域生态环境质量的直接作用和交互作用。研究表明1990—2020年嘉陵江流域生态环境质量整体呈上升趋势,但不同时期不同区域存在差异。其中,1990—1995年陇南以北和达州以东地区生态环境质量呈退化趋势,平武部分地区呈改善趋势,其他区域基本保持不变。1995—2000年遂宁等地区零星分布有轻微退化趋势的区域。2005—2010年南充以南、广元以北等地区均呈轻微改善趋势。2010—2020年嘉陵江大部分区域生态环境变化不明显,但在迭部地区以轻微退化趋势为主。通过地理探测器结果显示,在主导因子方面嘉陵江流域生态环境质量前期主要受到GDP和POP的影响程度较大,但随着时间的变化受到GDP和POP的影响程度呈下降趋势,但TEM,WIN,LUCC,DEM,SLOPE和PER在2015年之前对嘉陵江生态环境质量影响较小,2015年后对生态环境质量的影响程度呈增加趋势。因此可以发现嘉陵江流域生态环境质量在前期人类活动对其影响显著,但随着政府生态保护措施的实时和人们生态意识的增强,自然因素的影响逐渐增强。在因子交互作用探测方面,嘉陵江流域生态环境质量的空间分异性受多个影响因子共同作用,每两个因子之间相互作用的影响力都大于单一因子的影响力,其中地形因子和气象、土地利用因子之间的交互作用最为显著。嘉陵江流域整体生态环境质量上升,这表明嘉陵江流域在生态环境维持与治理方面政策的大方向是有效的,绝大部分区域生态环境质量都在提升,少部分地区略有降低,应有针对性地进行政策调整,改善生态环境质量。根据地理探测器分析结果发现后期嘉陵江流域生态环境主要受到自然因素和土地利用变化的影响程度较大,说明后期需要进一步规范化嘉陵江流域土地覆盖并进一步加强自然灾害的防护策略。