2. 新疆种植业绿色生产工程技术研究中心, 新疆乌鲁木齐 830052
2. Xinjiang Planting Industry Green Production Engineering Technology Research Center, Urumqi, Xinjiang, 830052, China
生态环境作为人类文明存续的根基，正面临社会生产力提升与科技创新加速带来的资源超载危机。构建科学精准的生态环境动态评价机制，已成为破解生态失衡、实现可持续发展的重要路径。由于卫星遥感技术可实时、快速、大范围地对地表进行观测，已成为生态环境监测的有力工具。目前利用遥感技术进行生态环境监测和评价的研究主要分为两类。一类是利用遥感技术提取单一环境指标。一些研究首先以Landsat 5、Landsat 8、HJ-1B、ASTER、MODIS等遥感数据为基础，利用大气辐射传输模型、单窗算法、劈窗算法等方法实现区域内地表温度的反演，然后计算热岛强度并分析其时空演变特征，最后提出缓解城市热岛效应以及提高城市生态环境质量的有效措施[1-5]。然而，生态系统是一个非线性的、时变的、分布式的、随机性的复杂巨系统，导致生态环境受多个因素的共同影响，仅靠单一指标无法准确反映区域生态环境的综合状况[6]。因此，针对这个问题，另一些研究则是通过综合考虑多个环境因子，对区域生态环境质量开展评价。徐涵秋[7]在2013年创新性地提出了遥感生态指数(Remote Sensing Ecology Index，RSEI)，并使用该指数对城市的生态环境质量进行快速监测与评价。RSEI利用主成分分析(Principal Component Analysis，PCA)将表征城市“绿度”“湿度”“热度”“干度”的4个生态环境指标(植被指数、湿度分量、地表温度和建筑土壤指数)有机集成在一起。这些指标可通过遥感影像快速获得，无需依赖其他辅助数据，而且各指标的权重根据各主成分的载荷值自动确定而非人为确定，因此由RSEI得到的评价结果客观可靠，鲁棒性强，且不同时间段的结果具有较强的可比性。由于具备上述众多优点，近些年RSEI在生态环境领域得到了广泛应用，遍及不同地理条件的区域，包括城市[8-11]、矿区[12-14]、山区[15]、流域[16-17]等。李清云等[18]以1992年、2000年、2016年这3个时期的Landsat遥感影像为基础，计算并分析了RSEI及其时空变化特征，结果发现，自20世纪90年代以来，阿克苏的生态环境质量在不断好转。何亮等[19]对比分析了2010年、2015年、2020年塔里木垦区的RSEI，结果发现，垦区的RSEI呈现先下降后上升的趋势，生态环境整体上得到了改善，同时也证明了RSEI在对干旱区的生态环境评价中同样适用。
天山北坡经济带是一条形成于山麓洪-冲积扇的条带状绿洲城镇带，是以农牧业、石油、煤炭等能源开发为重点的综合经济带，目前天山北坡经济带迎来了新的发展机遇，但随着人类活动与自然环境的相互作用日益频繁，此地区的生态环境也面临着巨大压力[20]。新疆维吾尔自治区五家渠市不仅是天山北坡经济腹心地带，也是从乌鲁木齐市到古尔班通古特沙漠最近的绿色通道，区位优势十分明显[20]。但当前对五家渠市生态环境质量监测和评价的研究较少。因此，本研究拟利用RSEI对五家渠市1996年、2010年、2022年的生态环境进行监测和评价，分析其时空变化特征，揭示该区域的生态环境状况，为生态环境保护和可持续发展提供科学依据。
1 材料与方法 1.1 研究区概况五家渠市位于天山山脉博格达峰北麓和准噶尔盆地南缘，是新疆维吾尔自治区直辖县级市，与昌吉市和乌鲁木齐市相连，东西宽度为29 km，南北长度为75 km，总面积为711 km2。五家渠市深处亚洲大陆腹地，属典型的温带大陆性气候，冬寒夏热，春秋季节不明显，昼夜温差大，气温变化剧烈。地势南高北低，由东南向北倾斜，海拔303-555 m，地貌主要由南部的山地、中部的冲积平原、北部的沙漠组成。五家渠市的遥感影像图和行政数字高程模型(Digital Elevation Model，DEM)图如图 1所示。
|
| 图 1 五家渠市的2022年遥感影像图(a)和行政数字高程模型图(b) Fig.1 Remote sensing image (a) and digital elevation model map (b) of Wujiaqu City in 2022 |
1.2 数据来源与处理
本研究使用的数据来自于Collection 2数据集，选取五家渠市1996年8月29日和2010年8月20日的Landsat 5 Level-2遥感影像(以下简称为“Landsat 5遥感影像”)，以及2022年8月21日的Landsat 8 Level-2遥感影像(以下简称为“Landsat 8遥感影像”)，Landsat 5和Landsat 8遥感影像的行列号分别为143和29，空间分辨率为30 m，云量小于5%。Landsat 5和Landsat 8遥感影像分别由TM传感器(发射于1984年)和OLI陆地成像仪(发射于2013年)传感器获取得到，可从美国地质勘探局(United States Geological Survey，USGS)官网(https://earthexplorer.usgs.gov/)下载。Collection 2数据集中的Level-2遥感影像提供了热红外波段地表温度和经过大气校正以后的多光谱波段地表反射率两种数据。使用LEDAPS(Landsat Ecosystem Disturbance Adaptive Processing System)大气校正算法(版本3.4.0)处理Landsat 5遥感影像；使用LaSRC(Land Surface Reflectance Code)大气校正算法(版本1.5.0)处理Landsat 8遥感影像；使用罗切斯特理工学院和美国航空航天局喷气推进实验室合作开发的Landsat表面温度算法(版本1.3.0)生产地表温度产品。Landsat 5和Landsat 8遥感影像的地表温度(Land Surface Temperature，LST)由温度产品的像元DN值转换得到，如公式(1)所示：
| $ \mathrm{LST}=0.00341802 \times \mathrm{DN}+149-273.15, $ | (1) |
式中，LST的单位为℃；DN为温度产品的像元量化值。
对经过转换以后的遥感影像进行裁剪，获得五家渠市地表反射率和地表温度。研究区内分布着大小不一的水体，这些水体的存在会严重干扰研究区湿度值的计算，在极端情况下可能会导致湿度值偏高，使该区域的生态环境质量被高估。因此，为了排除水体对生态环境评价的干扰，本研究使用改进归一化水体指数(Modified Normalized Difference Water Index，MNDWI)提取水体信息[21]，然后通过设定阈值，将水体从遥感影像中进行掩膜处理。MNDWI的计算方法如公式(2)[22]所示：
| $ \mathrm{MNDWI}=\frac{\rho_{\text {green}}-\rho_{\text {mir}}}{\rho_{\text {green}}+\rho_{\text {mir}}}, $ | (2) |
式中，ρgreen、ρmir分别代表绿光波段和中红外波段的反射率。计算Landsat 5遥感影像的MNDWI时，ρgreen、ρmir分别对应Landsat 5遥感影像的第2、5波段。计算Landsat 8遥感影像的MNDWI时，ρgreen、ρmir分别对应Landsat 8遥感影像的第3、6波段。
1.3 方法 1.3.1 绿度指标植被是陆地生态系统的核心要素，在生态平衡维持与水土保持中具有不可替代的生态价值。归一化植被指数(Normalized Difference Vegetation Index，NDVI)不仅可以在一定程度上消除太阳高度角、地形变化、大气衰减的影响，还可以减小仪器标定误差对单波段的影响，进而最大程度地增强对植被的响应能力[23]，是评估植被生长状态和覆盖度的最佳指示因子。因此，本研究将NDVI选为绿度指标进行评估，其计算如公式(3)所示：
| $ \mathrm{NDVI}=\frac{\rho_{\mathrm{nir}}-\rho_{\mathrm{red}}}{\rho_{\mathrm{nir}}+\rho_{\mathrm{red}}}, $ | (3) |
式中，ρnir、ρred分别代表近红外波段和红光波段的反射率。计算Landsat 5遥感影像的NDVI时，ρnir、ρred分别对应Landsat 5遥感影像的第4、3波段。计算Landsat 8遥感影像的NDVI时，ρnir、ρred分别对应Landsat 8遥感影像的第5、4波段。
1.3.2 热度指标热污染将引发生态系统失衡，并干扰物质代谢及能量循环等城市生态过程[24]。在本研究中，热度指标使用LST进行表征，其计算如公式(1)所示。
1.3.3 湿度指标土壤和植物的湿度在调节地表水循环和能量平衡方面起着重要作用，是评估生态环境质量的关键指标[25]。本研究使用经缨帽变换提取的湿度(Wet)来表征湿度指标。Landsat 5遥感影像的湿度指标计算如公式(4)[26]所示：
| $ \;\;\;\;\;\; \mathrm{Wet}=0.03151 \rho_{\text {blue}}+0.2021 \rho_{\text {green}}+0.3102 \rho_{\text {red}}+ \\ 0.1594 \rho_{\text {nir}}-0.6806 \rho_{\text {swir} 1}-0.6109 \rho_{\text {swir} 2}, $ | (4) |
式中，ρblue、ρswir1、ρswir2分别代表蓝光波段、短波红外波段1和短波红外波段2的反射率。ρblue、ρgreen、ρred、ρnir、ρswir1、ρswir2分别对应Landsat 5遥感影像的第1、2、3、4、5、6波段。
Landsat 8遥感影像的湿度指标计算如公式(5)[26]所示：
| $ \;\;\;\;\;\;\text { Wet}=0.15111 \rho_{\text {blue}}+0.1973 \rho_{\text {green}}+0.3283 \rho_{\text {red}}+ \\ 0.3407 \rho_{\text {nir}}-0.7117 \rho_{\text {swir} 1}-0.4559 \rho_{\text {swir} 2}, $ | (5) |
式中，ρblue、ρgreen、ρred、ρnir、ρswir1、ρswir2分别对应Landsat 8遥感影像的第2、3、4、5、6、7波段。
1.3.4 干度指标土壤干化会使小气候环境趋于旱化，导致土壤退化和植被衰退，是评估生态环境质量的关键指标。本研究利用建筑物指数(Index of Building Intensity，IBI)和裸土指数(Soil Index，SI)反映土壤干化状况，然后取IBI和SI的平均值[归一化建筑土壤指数(Normalized Differential Building-Soil Index，NDBSI)]来定量表征干度指标。IBI、SI和NDBSI的计算公式分别如公式(6)、(7)和(8)[27-28]所示：
| $ \;\;\;\;\;\mathrm{IBI}= \\ \frac{\left[\frac{2 \times \rho_{\text {swir} 1}}{\rho_{\text {swir} 1}+\rho_{\text {nir}}}-\left(\frac{\rho_{\text {nir}}}{\rho_{\text {nir}}-\rho_{\text {red}}}+\frac{\rho_{\text {green}}}{\rho_{\text {green}}+\rho_{\text {swir} 1}}\right)\right]}{\left[\frac{2 \times \rho_{\text {swir} 1}}{\rho_{\text {swir} 1}+\rho_{\text {nir}}}+\left(\frac{\rho_{\text {nir}}}{\rho_{\text {nir}}-\rho_{\text {red}}}+\frac{\rho_{\text {green}}}{\rho_{\text {green}}+\rho_{\text {swir}}}\right)\right]}, $ | (6) |
| $ \mathrm{SI}=\frac{\left[\left(\rho_{\mathrm{swirl}}+\rho_{\mathrm{red}}\right)-\left(\rho_{\text {blue}}+\rho_{\text {nir}}\right)\right]}{\left[\left(\rho_{\mathrm{swirl}}+\rho_{\mathrm{red}}\right)+\left(\rho_{\text {blue}}+\rho_{\text {nir}}\right)\right]}, $ | (7) |
| $ \mathrm{NDBSI}=\frac{\mathrm{IBI}+\mathrm{SI}}{2}, $ | (8) |
式中，计算Landsat 5遥感影像的NDBSI时，ρblue、ρgreen、ρred、ρnir、ρswir1分别对应Landsat 5遥感影像的第1、2、3、4、5波段。计算Landsat 8遥感影像的NDBSI时，ρblue、ρgreen、ρred、ρnir、ρswir1分别对应Landsat 8遥感影像的第2、3、4、5、6波段。
1.3.5 遥感生态指数的构建PCA法在保留原始数据中重要特征的基础上，可以减少数据的维度，从而降低计算量，提高计算效率[29]。因此，本研究利用PCA法将NDVI、LST、Wet、NDBSI这4个生态环境指标进行有机整合，并将其作为RSEI，实现对生态环境质量的快速评价。为了避免量纲不统一造成的权重失衡，根据指标的最大值和最小值进行归一化处理，将其转换为无量纲指标，取值为0-1。归一化处理如公式(9)所示：
| $ E I_{\text {归一化}}=\frac{E I-E I_{\min}}{E I_{\max}-E I_{\min}}, $ | (9) |
式中，EI归一化代表生态环境指标的归一化值，EI代表生态环境指标值，EImin、EImax分别代表生态环境指标的最小值、最大值。
将归一化处理后的生态环境指标进行主成分变换，得到RSEI，其中，根据先验知识，设定NDVI和Wet为正值，LST和NDBSI为负值，计算如公式(10)所示：
| $ \begin{aligned} \mathrm{RSEI} & =\mathrm{PCA}[f(\mathrm{NDVI}, \text { Wet}, -\mathrm{LST}, \\ -\mathrm{NDBSI})]。& \end{aligned} $ | (10) |
为了将计算得到的不同年份RSEI进行对比分析，本研究对不同年份的RSEI进行归一化处理，将其值转化为0-1。归一化值越大，生态环境质量越优，反之则越差。为了定量化地评价五家渠市生态环境质量情况，将生态环境质量情况划分为5个不同等级，即RSEI在[0.0, 0.2)时，生态环境质量情况等级为差；RSEI在[0.2, 0.4)时，为较差；RSEI在[0.4, 0.6)时，为中；RSEI在[0.6, 0.8)时，为良；RSEI在[0.8, 1.0]时，为优。
为了定量分析近30年来五家渠生态环境质量变化情况，将等级变化值设定为-4、-3、-2、-1、0、1、2、3、4；当等级变化值为-4和-3时，生态环境质量变化情况为严重恶化；当等级变化值为-2和-1时，为恶化；当等级变化值为0时，为不变；当等级变化值为1和2时，为改善；当等级变化值为3和4时，为显著改善。
1.3.6 地理探测器为了定量探讨影响生态环境质量的关键因素，本研究引入地理探测器进行分析。王劲峰等[30]在提出“因子力”度量指标的基础上，结合地理信息系统(Geographic Information System，GIS)的空间叠加技术和集合论，建立地理探测器模型，该模型是一种可以有效探测空间分异性并揭示其背后驱动力的统计学方法。地理探测器包含因子探测器、交互探测器、生态探测器和风险探测器4个探测器。在本研究中主要使用因子探测器和交互探测器进行驱动力分析。因子探测器主要通过各因子的解释力(q)大小判别生态环境质量主要影响因素，q的取值为0-1，其值越大，表明空间分层异质性越强，其对生态环境的影响也越大。而交互探测器可以判别不同因子两两相互作用对生态环境的影响，即评价两个因子共同作用时是否会增加或减弱对生态环境的影响。交互探测器通过对比单因子的q值和两个因子相互作用后的q值，可以判断因子之间交互作用的类型。交互作用类型的判别方法如表 1所示。
| 判别方法 Discriminant method |
影响模式 Influence mode |
| q(X1∩X2)＜min(q(X1), q(X2)) | Nonlinear attenuation |
| min(q(X1), q(X2))＜q(X1∩X2)＜max(q(X1), q(X2)) | Single factor nonlinear attenuation |
| q(X1∩X2)＞max(q(X1), q(X2)) | Dual factor enhancement |
| q(X1∩X2)＝q(X1)+q(X2) | Independent |
| q(X1∩X2)＞q(X1)+q(X2) | Nonlinear enhancement |
| Note: X1 and X2 represent different influence factors respectively. | |
为了揭示影响生态环境质量的关键因素，本研究首先根据五家渠市行政区划图的空间范围创建单元大小为1 km×1 km的网格，取每个网格的中心点作为采样点，共获得1 448个采样点(图 2)；然后获得每个采样点的NDVI、Wet、NDBSI、LST、RSEI，并将得到的指标值按照从小到大的顺序进行排序，利用相等间隔法将排序后的指标值划分成8类；最后将分类结果作为X值、RSEI作为Y值输入到地理探测器中进行因子探测分析。根据因子探测分析得到的q值和显著水平(P)值评价指标因子对RSEI的影响，q值越大，则表示指标因子对RSEI的影响越大，即对生态环境质量的影响也更大。
|
| 图 2 五家渠市设计的采样点分布情况 Fig.2 Distribution of sampling points designed in Wujiaqu City |
2 结果与分析 2.1 生态环境评价指标
不同年份各遥感指数PCA统计结果如表 2所示。1996年、2010年、2022年的第一主成分(PC1)的特征值分别为0.192 7、0.265 3、0.374 4，贡献率分别为96.93%、96.90%、97.83%，均在90%以上，显著高于其他主成分的贡献率，说明PC1包含4个生态环境指标(NDVI、Wet、-LST、-NDBSI)的大部分特征信息。这4个生态环境指标在PC1向量上的载荷值均为正，方向较为稳定，说明NDVI和Wet对生态环境起正向促进的作用，而LST和NDBSI对生态环境起负向抑制的作用，与先验知识一致。而在第二主成分(PC2)、第三主成分(PC3)和第四主成分(PC4)向量上的载荷值有正有负，方向都较为混乱，没有呈现出明显的规律性。从以上两方面的分析可以看出，PC1不仅具有较高的贡献率，且各生态环境指标的载荷方向稳定，影响趋势与实际情况相符，因此，利用PC1建立RSEI进行生态环境质量评价是合理可行的。
| 年份 Year |
主成分 Principal component |
归一化植被指数 NDVI |
湿度 Wet |
地表温度 -LST |
归一化建筑土壤指数 -NDBSI |
特征值 Eigenvalue |
贡献率/% Contribution rate/% |
| 1996 | PC1 | 0.609 3 | 0.570 8 | 0.417 2 | 0.359 2 | 0.192 7 | 96.93 |
| PC2 | -0.142 2 | -0.509 6 | 0.193 8 | 0.826 1 | 0.002 6 | 1.28 | |
| PC3 | 0.672 0 | -0.285 0 | -0.676 4 | 0.098 6 | 0.002 2 | 1.12 | |
| PC4 | -0.396 2 | 0.577 3 | 0.575 3 | 0.422 8 | 0.001 3 | 0.67 | |
| 2010 | PC1 | 0.580 7 | 0.609 8 | 0.407 8 | 0.353 1 | 0.265 3 | 96.90 |
| PC2 | -0.090 9 | -0.600 1 | 0.698 2 | 0.379 6 | 0.005 1 | 1.86 | |
| PC3 | -0.470 9 | 0.386 2 | 0.570 3 | -0.551 2 | 0.002 5 | 0.93 | |
| PC4 | 0.657 9 | -0.344 7 | 0.144 8 | -0.653 8 | 0.000 8 | 0.31 | |
| 2022 | PC1 | 0.431 3 | 0.481 3 | 0.395 0 | 0.652 9 | 0.374 4 | 97.83 |
| PC2 | 0.074 3 | -0.068 6 | 0.851 9 | -0.513 8 | 0.007 1 | 1.86 | |
| PC3 | -0.847 3 | -0.070 3 | 0.320 3 | 0.417 8 | 0.000 8 | 0.20 | |
| PC4 | 0.300 9 | -0.871 0 | 0.125 3 | 0.367 6 | 0.000 4 | 0.11 |
2.2 生态环境质量时空变化特征分析
五家渠市在1996年、2010年、2022年的RSEI空间分布情况如图 3所示。RSEI值小的区域(红色区域)，即生态环境质量差的区域多集中在五家渠市北部。这些区域与古尔班通古特沙漠相邻，大部分区域被裸土所覆盖，土壤沙化程度高、湿度低、地表温度高，导致这些区域的生态环境质量较差。五家渠市在1996年、2010年、2022年的RSEI平均值分别为0.33、0.40、0.56，总体呈上升趋势，这表明近30年来，五家渠市的生态环境质量总体上在不断好转(表 3)。同时，1996-2010年的RSEI平均值增长了0.07，年平均增长率为0.47%；2010-2022年的RSEI平均值增长了0.16，年平均增长率为1.2%，说明这一时期五家渠市的生态环境质量好转速度不断加快。
|
| 图 3 五家渠市不同年份的RSEI空间分布 Fig.3 Spatial distribution of RSEI of Wujiaqu City in different years |
| 年份 Year |
最小值 Minimum value |
最大值 Maximum value |
平均值 Average value |
标准差 Standard deviation |
| 1996 | 0 | 1 | 0.33 | 0.21 |
| 2010 | 0 | 1 | 0.40 | 0.19 |
| 2022 | 0 | 1 | 0.56 | 0.21 |
图 4展示了五家渠市1996年、2010年、2022年不同区域的生态环境质量等级。相比于1996年和2010年，2022年生态环境质量等级为差的区域(红色区域)面积大幅度减少。但在南部区域，由于城镇化水平不断提高，建设用地不断增加，导致生态环境质量水平有所降低，许多区域的生态环境质量由良下降为中，降低了1个等级。与此相反，相较于1996年，2010年和2022年北部区域的生态环境质量有所改善，生态环境质量等级由差变为较差，提高了1个等级。近些年中部区域的许多裸地被开发成耕地，因此相比于1996和2010年，在2022年，大部分处于中部的区域，其生态环境质量等级由1996和2010年的较差和中改善为良和优，提高了1-3个等级。
|
| 图 4 五家渠市不同年份的生态环境质量等级 Fig.4 Ecological environment quality grade of Wujiaqu City in different years |
五家渠市在1996年、2010年、2022年不同生态环境质量等级的面积统计结果如表 4所示。相比于1996年和2010年，2022年生态环境质量等级为差的区域面积占总面积的比例大幅度降低，从1996年的37.85%和2010年的10.77%，降低至2022年的0.000 6%；生态环境质量等级为优的区域面积占比大幅度增加，从1996年的4.18%和2010年的3.64%，增加到2022年的22.21%。随着时间的推移，生态环境质量等级为中的区域面积占比有小幅度上升，从1996年的14.79%提升到2010年的19.86%，2022年达到27.41%。此外，1996年五家渠市大部分区域生态环境质量低，等级为差和较差的区域面积占比达到71.60%，而到了2010年和2022年，生态环境质量得到了极大改善，这两类区域面积占比分别降低至60.80%和34.39%。
| 等级 Level |
1996 | 2010 | 2022 | |||||
| 面积/km2 Area/km2 |
比例/% Proportion/% |
面积/km2 Area/km2 |
比例/% Proportion/% |
面积/km2 Area/km2 |
比例/% Proportion/% |
|||
| Poor | 273.60 | 37.85 | 79.03 | 10.77 | 0.004 5 | 0.000 6 | ||
| Fair | 243.94 | 33.75 | 367.22 | 50.03 | 254.08 | 34.39 | ||
| Average | 106.92 | 14.79 | 145.77 | 19.86 | 202.49 | 27.41 | ||
| Good | 68.22 | 9.44 | 115.34 | 15.71 | 118.12 | 15.99 | ||
| Excellent | 30.18 | 4.18 | 26.70 | 3.64 | 164.07 | 22.21 | ||
图 5展示了五家渠市的生态环境质量变化情况。1996-2022年大部分区域的生态环境都有所好转，变化情况为改善或显著改善，但在南部的部分城镇区域，生态环境质量不断恶化。五家渠市不同生态环境质量区域面积变化统计结果如表 5所示。总体上，1996-2010年大部分区域的生态环境质量变化处于改善情况。相较于1996-2010年，2010-2022年生态环境质量变化处于改善情况的面积基本保持不变，但处于显著改善情况的面积大幅度增加，同时处于恶化和显著恶化情况的面积大幅度减少。上述结果表明，近30年来，五家渠市的生态环境质量在不断改善，尤其是2010年以后的这十几年，改善速度在不断加快。但南部区域的生态环境质量有所下降，因此，在未来应该多重视该区域的生态环境保护。
|
| 图 5 五家渠市生态环境质量变化情况 Fig.5 Changes of ecological environment quality in Wujiaqu City |
| 生态环境质量变化 Change of ecological environment quality |
面积变化量/km2 Area change/km2 |
||
| 1996-2010 | 2010-2022 | 1996-2022 | |
| Significant deterioration | 10.99 | 1.56 | 2.91 |
| Deteriorate | 99.97 | 54.05 | 47.91 |
| Improve | 332.17 | 333.36 | 443.40 |
| Significant improve | 26.46 | 70.40 | 118.48 |
2.3 生态环境质量驱动因子分析
单因子探测器分析结果如表 6所示。1996年、2010年、2022年的NDVI、Wet、NDBSI、LST的P值均为0，说明这4个指标因子均是影响生态环境质量的关键因素。单因子分析中，2010年和2022年4个指标因子的q值按照从大到小的排序相同，均为NDBSI＞NDVI＞Wet＞LST；而1996年的排序略有差异，为NDBSI＞Wet＞NDVI＞LST，Wet和NDVI的顺序发生了互换。结果表明，总体上NDBSI对生态环境质量的影响最大，而LST对生态环境质量的影响最小，Wet和NDVI居中，且这种规律相对稳定，不随时间的变化而发生变化。1996-2022年，研究区的NDBSI不断减小，与此对应的是LST和Wet不断降低，NDVI则不断增大，这说明NDBSI、Wet、NDVI、LST这4个指标因子不是单独影响生态环境质量的，而是协同影响(表 7)。
| 年份 Year |
因子 Factor |
解释力(q) Explanatory power (q) |
显著水平(P) Significant level (P) |
| 1996 | NDVI | 0.849 | 0.000 |
| Wet | 0.868 | 0.000 | |
| NDBSI | 0.895 | 0.000 | |
| LST | 0.784 | 0.000 | |
| 2010 | NDVI | 0.849 | 0.000 |
| Wet | 0.868 | 0.000 | |
| NDBSI | 0.895 | 0.000 | |
| LST | 0.784 | 0.000 | |
| 2022 | NDVI | 0.849 | 0.000 |
| Wet | 0.868 | 0.000 | |
| NDBSI | 0.895 | 0.000 | |
| LST | 0.784 | 0.000 |
| 年份 Year |
生态环境指标 Ecological environment indicator |
|||
| NDVI | NDBSI | LST | Wet | |
| 1996 | 0.09 | 0.02 | 16.50 | -0.09 |
| 2010 | 0.13 | -0.01 | 16.48 | -0.07 |
| 2022 | 0.16 | -0.03 | 15.16 | -0.03 |
交互探测器的分析结果如表 8所示。在1996年、2010年和2022年3个年份中，单因子的q值大部分处于[0.7, 0.9]，而双因子的q值均处于0.9以上。所有指标因子进行交互作用后q值提高，表明生态环境是极其复杂的，受多个因素共同影响，而非只受单一因素影响。不同年份q值大小排名前3的双因子组合及其影响模式如表 9所示，1996年、2010年、2022年9种组合的影响模式均是双因子增强；这3年出现频率最高的双因子组合是LST∩NDBSI，共出现了3次，且2010年和2022年该组合的q值均最大(分别为0.928和0.945)，其次为NDVI∩Wet和LST∩NDVI，均出现了2次，LST∩NDVI的q值(2010年为0.927，2022年为0.936)比NDVI∩Wet的q值大(1996年为0.931，2010年为0.926)。以上结果说明，生态环境质量主要受LST和NDBSI协同影响，其次受LST和NDVI协同影响。
| 1996 | 2010 | 2022 | ||||||||||||
| Wet | NDVI | NDBSI | LST | Wet | NDVI | NDBSI | LST | Wet | NDVI | NDBSI | LST | |||
| Wet | 0.868 | 0.855 | 0.866 | |||||||||||
| NDVI | 0.931 | 0.849 | 0.926 | 0.873 | 0.914 | 0.881 | ||||||||
| NDBSI | 0.929 | 0.911 | 0.895 | 0.909 | 0.912 | 0.886 | 0.913 | 0.912 | 0.906 | |||||
| LST | 0.904 | 0.915 | 0.923 | 0.784 | 0.905 | 0.927 | 0.928 | 0.778 | 0.934 | 0.936 | 0.945 | 0.850 | ||
| 年份 Year |
交互因子 Interaction factor |
解释力(q) Explanatory power (q) |
影响模式 Influence mode |
| 1996 | NDVI∩Wet | 0.931 | Dual factor enhancement |
| NDBSI∩Wet | 0.929 | Dual factor enhancement | |
| LST∩NDBSI | 0.923 | Dual factor enhancement | |
| 2010 | LST∩NDBSI | 0.928 | Dual factor enhancement |
| LST∩NDVI | 0.927 | Dual factor enhancement | |
| NDVI∩Wet | 0.926 | Dual factor enhancement | |
| 2022 | LST∩NDBSI | 0.945 | Dual factor enhancement |
| LST∩NDVI | 0.936 | Dual factor enhancement | |
| LST∩Wet | 0.934 | Dual factor enhancement |
3 讨论
本研究利用地理探测器的单因子探测器分析发现，NDBSI对生态环境质量的影响最大，而LST对生态环境质量的影响最小，Wet和NDVI居中，2010年和2022年影响程度从大到小的排序均为NDBSI＞NDVI＞Wet＞LST，1996年的排序为NDBSI＞Wet＞NDVI＞LST。辛文杰等[31]通过提取桂林市在2001-2019年不同区域的NDVI、NDBSI、Wet、LST，构建RSEI对生态环境进行了评价，根据多元回归拟合方程的回归系数结果，确定这4个指标对生态环境的影响程度从大到小的排序为NDBSI＞NDVI＞Wet＞LST。徐思瑜等[32]以四平市作为研究区，同样根据拟合方程的回归系数确定NDVI、NDBSI、Wet和LST对生态环境的影响程度，结果发现影响程度从大到小的排序为NDBSI＞Wet＞NDVI＞LST。张晓山等[33]以张掖市甘州区作为研究区，利用地理探测器的单因子探测器分析人口密度、海拔、绿度、湿度、干度、热度6个指标对生态环境的影响，结果发现，2020年6个指标的影响程度从大到小为绿度＞干度＞湿度＞热度＞人口密度>海拔。上述研究结果表明，NDBSI对生态环境的影响较大。NDBSI作为干度指标，反映了区域的土壤干化状况，在城市建设用地和裸地面积较大的区域通常较高，因此，为了保护生态环境质量，要合理规划城市布局，减少裸地和建设用地面积。
然而，生态环境是极其复杂的，往往受到多个因素共同影响，并非简单地只受某单一因素的影响。因此，为了更深层次地分析生态环境质量的影响因素，为区域生态环境保护和可持续发展提供科学依据，本研究进一步使用双因子交互探测器进行分析，发现生态环境质量主要受NDBSI和LST共同影响，其次受NDVI和LST共同影响。NDBSI是一种衡量城市中非密集建筑布局对环境影响的指标，反映了建筑与建筑之间的间隔、绿地的分布、日照、通风情况，NDBSI的值越大，表示城市建设用地和裸地面积越大。1996年五家渠市的NDBSI较高，其LST也较高，这导致大量热量在此处聚集，形成“热岛效应”，与肖荣波等[24]的研究结果相一致。热岛效应的形成会导致城市温度升高，而城市温度是地球表层能量平衡的重要部分，对城市气候有着深远的影响。高温不仅会改变区域气候，还会对空气质量、城市土壤的物理和化学性质、物质代谢和能量循环等生态过程产生负面影响。这些影响引发了一系列生态环境问题，最终导致生态环境质量下降[24]。城市热岛的生态环境效应解释了生态环境质量主要受NDBSI和LST共同影响的原因，其中，NDBSI通过影响建筑布局和绿地的配置，间接影响城市的温度分布，而LST则直接影响城市的热量聚集和气候变化，这二者的综合效应显著降低了城市的生态环境质量。因此，为了提高生态环境质量，应科学合理地规划建筑物的空间格局，在严格控制建筑密度的基础上合理设计建筑间隔，避免建筑物呈团块状分布，并可尝试建设绿色屋顶。同时，应根据气候特点合理规划道路布局，确保城市和郊区空气流通顺畅。此外，由于城市绿地具有“冷岛效应”，可以通过阴影和蒸发交互作用降低气温，因此要加强人工园林建设和城市公园建设，增加绿化面积。
4 结论本研究采用PCA法，将NDVI、Wet、LST和NDBSI进行综合集成，构建RSEI，并结合地理探测器模型，系统揭示了五家渠市1996年、2010年、2022年生态环境质量的时空分异特征及其驱动机制。结果表明，研究期间五家渠市的生态环境质量总体上得到显著改善，尤其是在2010年后，改善速度显著加快。值得注意的是，生态环境质量持续较差的区域主要集中在城市北部及与古尔班通古特沙漠相邻的地区，而南部城市建设用地的生态环境质量近些年也出现了一定程度的恶化。地理探测器分析发现，生态环境质量主要受LST和NDBSI共同影响，其次受LST和NDVI共同影响。因此，可通过优化城市空间格局、控制建设用地扩张、加强绿地系统建设等综合措施，实现生态脆弱区保护与城市发展的协调推进。