基于RSEI的黃河中游地區生態環境質量時空演化特征及驅動因素—以延安市為例

薛 樺, 劉 萍

(山西水利職業技術學院, 山西 運城 044000)

生態環境質量是人類活動與自然環境共同作用的結果,與人類生存和社會經濟發展密切相關[1]。雖然城鎮化、工業化的發展給人類帶來了很多福祉,但與此同時也出現了各種各樣的生態環境問題(如城市區域大氣污染、水污染等環境污染,鄉村地區的水土流失、土地鹽堿化等)[2-3]。據政府間氣候變化專門委員會(IPCC)報告顯示世界將在21世紀繼續變暖且到2100年估計將至少增高4℃,熱浪、干旱等極端天氣氣候的發生和頻率將迅速增加[4-5],這一趨勢勢必會對我國生態環境脆弱的區域的自然和社會生態系統的可持續發展和穩定性產生重要影響(如植被退化、生物多樣性喪失以及干旱加劇)。2021年聯合國環境規劃署指出生態環境的退化已經影響到約 32億人的福祉(占世界總人口的 40%)[5]。近年來,生態文明建設及提升生態環境質量已經成為我國工作重點[6-7],通過監測地域生態環境質量演化、驅動因素及未來可能的持續狀態對指導當前生態文明建設工作具有重要作用。

黃河中游地區作為世界上土壤侵蝕和環境退化最嚴重區域,我國為了減少黃河中游地區水土流失和土壤侵蝕,于1999年實施了一系列生態恢復工程(如退耕還林還草)改善該區域生態環境質量[4]。但有研究發現黃河中段由于前期生態恢復工程缺乏科學指導(如在限水區種植樹木而消耗大量土壤和地下水造成的 “小樹齡”、新種植的植被使凈初級生產力和蒸散發量(ET)增加導致土壤水分減少從而造成土壤表層干旱化等),導致該區域土壤水分缺失、徑流減少、生物多樣性減少和生態系統退化,嚴重影響了該區域生態環境質量[8-9]。因此,厘清黃河流域中游地區生態環境質量時空演變及其主要驅動因子已成為評估該地區植被重建計劃可持續性的一個緊迫科學問題,特別是最近的一項研究報告稱黃河流域部分地區植被密度已經接近該區域的最大閾值[9-10]。然而,目前常用于黃河流域中年段生態環境質量監測的大多數評估模型使用單一生態因子,如葉面積指數(LAI)[11]、植被覆蓋度[12]、土地利用變化[13]、干旱指數[14]、水分利用效率等[15]與生態環境相關的因子。如Qin等[11]基于LAI指數研究發現黃河中游地區植被LAI呈增加趨勢,且干旱和水分利用效率是影響該區域LAI變化的主要驅動因子;Tian等[16]基于植被覆蓋度指數研究發現自21世紀以來在氣候和人類活動的協同作用下黃河流域94%以上的地區植被呈變綠趨勢;韓磊等[17]基于植被覆蓋度指數研究也指出黃河流域中游植被呈改善趨勢,但東部退化明顯。但以上研究均基于單一因子對黃河中游地區生態環境質量進行評估,雖然可以在一定程度上反映黃河流域中游生態環境質量情況,但很難評估地形復雜的地區的生態環境質量的變化,且黃河中游地區生態系統是一個復雜的系統,其生態環境質量會受到多因素的影響,使用綜合指標能更全面地反映了該地區的生態狀況。近年來,有很多學者計算多種指數均值或以面積權重法構建綜合模型,也有基于變異系數法、層次分析法等構建綜合模型,但這些模型構建過程往往因人為主觀因素使結果存在質疑[18]。因此,徐涵秋于2013年基于遙感數據將綠度、濕度、干度和熱度4個指數通過主成分分析法(PCA)將4種指標耦合提出了新型的遙感生態指數(RSEI),集成了反映生態環境最為直觀的多重指標,可實現綜合、客觀地定量評價區域生態環境質量狀態[19]。如宋慧敏等[20]基于RSEI對1995年、2015年渭南市生態環境質量監測;王麗霞等[21]基于RSEI對1998—2016年延河流域生態環境質量進行了監測和預估;楊悅等[22]也基于RSEI對鄉村振興背景下陜西省生態環境質量進行了評估。以上研究均表明RSEI指數在生態環境監測和評價方面具有很好的適用性,并已被廣泛應用于城市、濕地、島嶼、盆地等地區的生態環境質量監測。延安市地處黃河流域,境內溝壑縱橫、地表支離破碎,干旱少雨、植被稀少,曾是黃河中上游地區水土流失最為嚴重、生態環境最為脆弱的地區之一[13,23]。但目前基于綜合指標監測延安市的生態環境質量及其驅動因子的研究較少。

因此,本文以延安市為研究區,基于RSEI綜合評估延安市生態環境質量及其對氣候、人口、干旱和人類活動等因素的敏感性,旨在回答以下問題:自1990年以來延安市生態環境質量時空分布、演化狀態及未來可能的持續狀態是怎樣的?極端氣候、平均氣候、干旱和人類活動變化對延安市生態環境質量的影響程度如何?主要影響因素對延安市生態環境質量變化是抑制還是驅使?

1 材料與方法

1.1 研究區

延安市地處黃河中段的陜西黃土高原丘陵溝壑區(35°21′—37°31′N,107°41′—110°31′E),北連榆林,南接關中3市、東隔黃河與山西臨汾、呂梁縣相望,西臨甘肅慶陽。平均海拔1 200 m,地形復雜,呈西北高東南低的態勢,地貌以高原、丘陵為主,溝壑縱橫、梁峁起伏。延安市氣候屬于暖溫帶半濕潤易旱氣候區,全年氣候變化受制于季風環流,春季干燥少雨,氣溫回升迅速,多大風、揚沙天氣,降雨集中于夏季,呈東南高、東北低的趨勢,且多強度較大的暴雨。北部為半干旱區,南部為半濕潤區,夏季溫熱多雨,冬季寒冷干燥。植被類型主要為林地和草地,自1999年之后,延安市實施退耕還林(還草)政策后,森林覆蓋率提升到52.5%,植被覆蓋度提高至81.3%,生態恢復得到很大提升[10,13,23](圖1)。

注：該圖基于國家測繪地理信息局標準地圖服務網站下載的審圖號為GS(2016)1549號的標準地圖制作,底圖無修改。

1.2 數據源及預處理

本文的研究數據包括Landsat遙感數據、氣候數據(平均氣候、極端氣候、干旱)、土地利用和地形數據。

(1) Landsat遙感數據源于Google Earth Engine(GEE)平臺上提供的已經過了輻射定標、大氣校正等預處理的30 m空間分辨率的陸地衛星TM和OLI/TIRS數據的地表反射率數據,反射率數據用于構建本文RSEI指數需要的歸一化差異植被指數(NDVI)、濕度指數(WET)、歸一化差異不透水表面指數(NDBSI)和地表溫度(LST)。本文通過多次對比試驗選擇每年的4—10月份的遙感反射率作為RSEI計算的基礎數據,因為該階段能更好地體現RSEI指數的特性。NDVI,NDBSI,WET和LST的計算公式見文章“1.3.1遙感生態指數(RSEI)計算方法”章節。

(2) 氣候數據:氣溫(TEM)、降水(PER)和風速(WIN)數據源于中國氣象數據網(http:∥data.cma.cn/data/cdcdetail/dataCode)提供的1990—2020年的月尺度的氣溫、降水和風速數據。極端氣候數據源于HadEX3數據產品(www.climdex.org),該數據是采用綜合觀測資源來量化晝夜溫度和降水變化,由29個氣候極端指數組成,這些指數是通過世界溫度及降水站數據計算而來的,數據涵蓋了1901—2020年的極端天氣事件,綜合反映了極端溫度和降水事件的頻率和強度,該數據被應用于極端天氣事件研究中[11]。根據延安市溫度和降水的實際情況,本文選擇了最低氣溫最小值(TNN)、日最低氣溫最大值(TNX)、日最高氣溫最小值(TXN)、日最高氣溫最大值(TXX)、最大1 d降雨量(RX1day)、最大5 d降雨量(RX5day)作為本文的極端氣候指標。氣候數據均使用ANUSPLINE方法插值得到每月分辨率為30 m的空間尺度數據。

(3) 地形數據:30 m的DEM數據源于GEE平臺提供的SRTM DEM產品。坡度數據(SLOPE)和坡向數據(Aspect)均是基于DEM數據使用ArcGIS軟件提供的Slope和Aspect工具計算得到。

(4) 1990—2020年的土地利用數據(LUCC)來源于中國科學院資源環境科學數據平臺(http:∥www.resdc.cn)。土地利用數據包括草地、林地、耕地、建設用地、水域和未利用地。

(5) 干旱數據:本文采用的干旱指標是標準化降水蒸散發指數(Standardized precipitation evapotranspiration index, SPEI),SPEI作為一種站點特有的干旱指標,特別適合于檢測、監測和探索全球變暖對干旱狀況的影響[14]。SPEI指數基于降水、氣溫、濕度等資料計算蒸散量,得到每月水平衡,對降水量和蒸散量之間的差值序列累積概率值進行正態標準化,用降水量和蒸散量之間的差值與其平均狀態的偏離程度來揭示區域的干旱特征[14]。本文利用中國氣象數據共享服務系統提供的1990—2020年月平均氣溫和月總降水數據計算不同尺度下的SPEI,用最接近序列的線性回歸估計替代了某些特定站點的缺失數據。通過SPEI計算器計算了3個月尺度和12個月尺度的SPEI值,3個月尺度的 SPEI可以用來反映干旱的季節性變化特征。具體計算公式參見文獻[14]。最后基于ANUSPLIN軟件插值為30 m的網格數據。

1.3 研究方法

1.3.1 遙感生態指數 遙感生態指數(RSEI)從反映生態質量的眾多自然因素中選擇與人類生存相關的4個因素作為生態評價因素[21],該指數利用主成分分析耦合了表示地表植被覆蓋和生長情況的綠色指數(NDVI)、表示土壤的濕度狀況的濕度(WET)指數、表示地表干旱程度的干燥度指數(NDBSI)和反映地表熱度情況的熱量指數(LST)。其中,NDVI和NDBSI指標可以反映人類活動引起的土地覆蓋變化的生態響應,LST和WET揭示了生態質量對氣候變化的響應,4個生態指標綜合起來能夠直觀地反映區域生態環境惡劣情況[19]。4個指標的計算如下:

(1) 綠度指標NDVI。歸一化差異植被指數(NDVI)是應用最廣泛的植被指數之一,許多生態學研究均證明了其有用性[12-13]。因此,本文選擇NDVI作為綠度指數,計算公式為(1):

NDVI=(ρnir-ρred)/(ρnir-ρred)

(1)

式中:ρnir為遙感圖像的近紅外波段;ρred為紅光波段。

(2) 熱度指標LST。熱度指標由地表溫度(LST)表示。雖然Landsat 8 TIRS傳感器中有兩個熱紅外波段,但由于波段11的輻射校準問題,本文僅選擇了波段10來反演LST[18]。當然,對于TM,我們仍然得到了基于波段6的LST[19]。將數字(DN)值轉換為傳感器孔徑處的光譜輻射亮度,表示為LST的計算公式見(2):

Lλ=Grescale×Qcal+Brescale

(2)

式中:Grescale是特定于頻帶的重新縮放增益因子;Qcal是量化的校準像素值(DN);Brescale是不同于頻帶的重縮放偏置因子。傳感器處光譜輻射亮度可使用公式(3) 轉換為傳感器亮度溫度下的有效輻射亮度:

(3)

式中;Tλ是傳感器亮度溫度下的有效值;K1(TM波段6為607.76 W/(m2·sr·μm);TIR波段10為774.89 W/(m2·sr·μm)和K2(TM波段4為260.56 K,TIR波段10為1 321.08 K)分別是校準常數1,2。最后,使用Tλ獲得LST,公式表示見(4):

(4)

式中:λ是發射輻射的波長(TM波段6為11.435 μm,TIR波段10為10.9 μm);ρ為常數(1.438×10-2mK);ε是表面發射率,可通過使用Sobrino模型的NDVI估算[20]。

(3) 濕度指標WET。對地表濕度信息較為敏感的纓帽變換濕度分量(TCW)已被證明對植被、水和土壤濕度條件較為敏感[14]。因此,本文選擇TCW作為濕度指數(WET),并且可以分別使用方程(5) 和(6) 來估計Landsat TM和Landsat 8的濕度指數[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)分別為TM和OLI傳感器對應的藍光波動、綠光波段、紅光波段、近紅外波段、短波紅外波段1和短波紅外波段2。

(4) 干度指標NDBSI。由于建設用地和裸露土壤會對區域生態環境造成嚴重危害。因此,本文選擇了歸一化差異不透水表面指數(NDBSI)結合基于指數的建成指數(IBI)和土壤指數(BSI)表征研究區干燥度,其計算公式見(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分別表示TM和OLI對應的短波紅外、紅光、綠光、近紅外和藍光波段

(5) 遙感生態指數構建RSEI。通過主成分變化(PCA)對以上4個指標進行集成,并使用第一個主成分(PC1)構建RSEI,其最大優點是綜合指標的權重不是人為確定的,而是根據每個指標對PC1的貢獻自動客觀地確定。因此,在計算中避免了由于權重設置而導致的結果的可能偏差,該權重設置因個人和方法而異,這大大提高了結果的客觀性和可信度。在預處理后需要對4個指標進行歸一化以實現單位統一,然后采用PCA方法將NDVI,LST,WET,NDBSI的信息集中到第一主成分上。

指標歸一化公式見(10):

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

(10)

式中:NIi為各指標歸一化結果;Ii為各指標在第i像元的值;Imin和Imax分別為各指標最小值和最大值。

RSEI計算公式見(11)、(12):

RESI0=1-PC1〔f(NDVI,WET,LST,NDBSI)〕

(11)

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

(12)

式中:PC1為4個指標歸一化后指標通過第一主成分分析的結果,為了方便分析,對其進行正負值轉置。RSEI0為轉置后結果,4個指標分別參與徐涵秋等19]的研究成果,具體計算公式見文獻[19]。RSEI0 max,RSEI0 min分別為RSEI0最大值和最小值。

本文基于文獻[19]將 RSEI劃分為RSEI<0.2(差),0.2≤RSEI<0.4(較差),0.4≤RSEI<0.6(中等),0.6≤RSEI<0.8(良好)和RSEI≥0.8(優)5個等級。

1.3.2 Mann-Kendall突變點檢驗 本文采用Mann-Kendall方法對1990—2020年延安市生態環境質量突變檢驗。用每年的RSEI構造一個X秩序列記為Sk,在時間序列為隨機的假設下[14],定義統計量:

(13)

式中;E(sk)和var(sk)分別是Sk的均值和方差。UFK形成UF的特征曲線,再通過可信度檢驗來判斷是否有明顯的變化趨勢。UF>0,表示序列呈上升趨勢,反之,呈下降趨勢。RSEI突變點為UF與UB曲線相交點[23]。

1.3.3 RSEI變化趨勢分析 采用Sen趨勢法探究1990—2020年延安市RSEI變化趨勢和變化速率。Sen斜率的計算公式見(14)[11]:

(14)

式中:β為RSEI變化趨勢; Median為取中值函數;當β>0時,RSEI呈增加趨勢;β<0時,RSEI呈減小趨勢。

1.3.4 變異系數法 利用變異系數(CV)來反映延安市生態環境質量變化相對波動程度,數值越大表明生態環境質量受干擾強度越大,越不穩定;數值越小說明生態環境質量狀態相對穩定[11]。計算公式如下:

(15)

式中:Cv為RSEI變異系數;RSEIi表示第i年對應的RSEI值;RSEImean為基于1990—2020年的RSEI數據獲得的多年 RSEI均值。

1.3.5 Hurst法 Hurst指數是根據每年RSEI時間序列數據預測未來RSEI可能的變化趨勢,是一種定量表述時間序列信息長期依賴性的有效方法[11]。Hurst指數分為3種情況:若0≤Hurst<0.5,說明RSEI時序數據具有長期的相關性,將來的總體趨勢和過去的趨勢相反,時間序列表現出反持續性;所Hurst=0.5,表明RSEI時序數據互相獨立且沒有依賴性,現在不會影響未來;0.5

1.3.6 隨機森林模型 利用隨機森林回歸模型變量的重要性對驅動因素對延安市RSEI的影響進行排序,該模型使用均方誤差的百分比增長(%Inc MSE)來評估每個自變量對因變量的影響程度[11]。首先構造ntree決策樹模型和計算隨機替換的OBB均方誤差(未取樣的樣品組成的ntree out-of-bag數據),構造如下矩陣:

其次計算重要性得分,如下公式:

(16)

式中:n為原始數據樣本的數量;m為變量的數量。

1.3.7 結構方程模型 采用AMOS 23軟件構建結構方程模型(SEM,StructuralEquationModel),該模型基于研究者的先驗知識預先設定各因素之間的依賴關系,以此判斷各因素之間關系強弱,可獲得自變量對因變量影響的直接效果、間接效果和總效果,并能夠擬合和判斷整體模型,可更全面地了解研究系統。本文使用SEM模型中極大似然估計來研究延安市不同時間段RSEI與主要驅動因子之間的直接影響和間接影響,后根據整體模型擬合檢驗(卡方)以及個別參數檢驗(p值)來評估整體模型[11]。

2 結果與分析

2.1 延安市生態環境質量總體分析

本文通過對1990年、2000年、2010年、2020年的4個指標進行主成分分析(表1),發現四年各指標的第一主成分貢獻率分別為88.262%,92.957%,93.342%和95.294%,表明第一主成分包含了4個指標的大部分信息,可以使用第一主成分構建RSEI指數。本文后續研究將采用第一主成分的結果構建延安市的RSEI模型。

表1 各指標主成分及貢獻率Table 1 Principal components and contribution rate of each indicator

圖2為1990—2020年4種指標、RSEI均值變化和突變點情況,可以發現RSEI從0.598(1990年)增加至0.707(2020年),線性變化傾斜率為 0.003 3/a,說明延安市近 31年生態環境質量整體呈變好趨勢。從單一指標來看可以促進生態環境質量的綠度和濕度指標均為增加趨勢,其增加速率分別為0.005 2/a和0.001 1/a,而與生態環境質量呈負關系的熱度指標和干度指標均表現為減小趨勢,其減小速率分別為0.002 4/a和0.003 6/a。從各曲線來看,RSEI的變化曲線走向沒有與任何一個指標相一致,因此可以發現是各指標的綜合影響共同促進了延安市的生態環境變化。從RSEI的突變的檢驗圖可以發現由 UF曲線可以看出1995年之前RSEI為上升趨勢,1995—2001年RSEI為下降趨勢,2001年之后延安市RSEI一直呈增加趨勢,且RSEI的增加速率在逐漸上升。在2008年之前的年份UF和 UB曲線相交年份較多,結合RSEI曲線可以2001—2008年之間RSEI突變情況較為明顯,后基本呈穩定的上升趨勢,但2008年之后的年份UF和UB曲線無相交情況,因此可以說明 2001年是延安市RSEI出現突變的年份。

圖2 4個指標和RSEI時序曲線及RSEI的Mann-Kendall(M-K)檢驗

2.2 延安市生態環境質量空間分布特征

從延安市RSEI的空間分布來看(圖3),1990年延安市RSEI值總體表現為從北向南逐漸減小的趨勢,即從北向南生態環境質量逐漸變差,其中的吳起縣、志丹縣和延川縣的生態環境質量較其他地區較弱,區域內大部分面積的RSEI值在0.4以下,屬于較差及以下等級,該區域土地類型為生態環境較為脆弱的草地覆蓋區域。但在南部的大部分區域RSEI值基本在0.6以上,屬于中等及以上等級,生態環境質量較北部好。1995年生態環境質量較1990年北部有所改善,但是南部生態環境質量變差,尤其是南部的黃陵縣和富縣。2000年生態環境質量進一步改善吳起縣、志丹縣和延川縣生態環境質量改善最為明顯,從較差及以下等級改善為良好及以上等級,但南部生態環境質量較1995年并未發生較大變化。2005年除宜川縣和延川縣部分地區的生態環境質量較2000年有所變差,其他區域生態環境質量等級并未發生較大變化。2010年較2005年來看,宜川縣、吳起縣和志丹縣RSEI指數有所下降,但在延安市的南部大部分地區的生態環境質量得到很大提升。2015年較2010年生態環境質量總體表現為變差趨勢,在延安市北部地區表現較為明顯。2020年延安市整個區域的生態環境質量均較好,整個區域基本均為優等及以上等級。

圖3 RSEI的空間分布

總體來看,從1990—2020年延安市生態環境質量大區域表現為改善趨勢,在延安市北部地區改善最明顯。

2.3 延安市生態環境質量演化分布特征

本文根據M-K突變點檢驗結果,將本文的研究時段(1990—2020年)分為3個階段(1990—1995年、1996—2001年、2002—2020年),并基于Sen斜率法探究了不同階段延安市生態環境質量變化趨勢特征(圖4)。我們發現1990—1995年延安市38.34%的區域的生態環境質量為上升趨勢,主要集中在北部的吳起縣、安塞縣、子長縣、寶塔縣、延長縣、延長縣和宜川縣,尤其在吳起縣部分地區的生態環境質量改善呈顯著趨勢;32.35%的區域的生態環境質量變化不明顯,集中分布在延安市中部地區;39.32%的區域表現下降趨勢,尤其在黃陵縣和富縣西北部地區下降趨勢最明顯。1996—2001年延安市生態環境質量總體以上升趨勢為主(占總區域的90.8%);呈下降趨勢的區域占總區域的3.17%,零散分布在安塞縣北部和寶塔縣北部地區;呈保持不變趨勢的占6.03,集中分布在延安市北部的延川縣、延長縣地區。2002—2020年延安市生態環境質量總體以不顯著上升趨勢為主(占研究區總面積的60.32),12.04%的區域表現為增加趨勢,集中在延安東北部的子長縣、安塞區延川縣和寶塔縣;27.65的區域的生態環境質量變化不大。

總體而言,延安市不同階段的生態環境質量演化呈現較大差異,1995年以前生態環境質量以下降趨勢為主,而1995年之后總體以上升趨勢為主,這一結果與RSEI的均值趨勢呈現結果存在差異,因此不能用區域平均值十分準確地展現區域整體的變化情況。

2.4 延安市生態環境質量穩定性的空間格局

本文基于變異系數探究了延安市不同階段生態環境質量變化穩定性情況,基于延安市不同階段RSEI3變異性計算結果和實際情況將變異劃分為6個等級(圖5)。我們發現延安市1990—1995年的RSEI變異系數的平均值為0.195,變化屬于較高波動變化(0.15～0.2),其中屬于高波動變化(>0.2)的占整個延安市的42.03%,集中在吳起縣、志丹縣、延川縣、黃陵縣、富縣和黃龍縣等地區,而在延安市中部地區的生態環境變化較為穩定,尤其在甘泉縣和寶塔縣以南地區變化屬于低波動(0～0.1)。

圖5 各階段RSEI的變異系數分布

1996—2001年延安市RSEI變化的穩定性較1990—1995年來看,發生較大變化的區域是延安市東部地區的延川縣、延長縣和宜川縣地區和延安市南部的洛川縣地區,穩定性從原來的較高變化變成了高變化,其他區域變化不明顯。2002—2020年延安市生態環境質量總體變化較為穩定,整個區域的生態環境變化穩定性系數平均值為0.148,屬于較低波動變化(0.1～0.15)。

2.5 延安市生態環境質量未來趨勢的空間格局

基于1990—2020年延安市的RSEI時間序列計算得到 Hurst指數(H)分布圖(圖6),可知延安市Hurst指數均值為0.373,表明未來延安市RSEI變化趨勢具有Hurst現象,即未來一段時期內延安市的RSEI的變化趨勢與1990—2020年的變化趨勢整體表現為相反趨勢。H介于0～0.5之間的面積占97.69%,結合前面的RSEI變化趨勢發現延安市RSEI在未來一段時間內會出現大面積的下降趨勢。其中反持續性減少(0≤H<0.4)占63.7%,主要集中在延安市中部和南部地區,北部地區零星分布在所有縣區。33.99%的區域為反持續性減少不顯(0.4≤H<0.5),零散分布在整個研究區。未來延安市RSEI的變化趨勢與1990—2020年的變化趨勢相同的面積(0.5

圖6 RSEI的Hurst指數分布

2.6 延安市生態環境質量未來趨勢的空間格局

通常認為人類活動、地形、氣候因子(平均氣候以及極端降水)、干旱等的會對區域生態環境質量產生顯著影響。因此,本文采用隨機森林算法對選取的14生態環境質量的驅動因子(包括氣候因子(風速(WIN)、氣溫(TEM)、降水(PER)、日最低氣溫的極低值(TNn)、日最低氣溫的極高值(TNx)、日最高氣溫的極低值(TXn)、日最高氣溫的極高值(TXx)、單日最大降雨量(Rx1day)、連續5日最大降雨量(Rx5day)、人類活動〔土地利用(LUCC)〕、地形(海拔(DEM)、坡度(Slope)、坡向(Aspect))和干旱(SPEI指數)的敏感性排序,從因子排序的結果發現不同時間段驅動因子對延安市生態環境質量影響的程度存在差異。其中,1990—1995年,延安市生態環境質量受到TXx,TNn,TXn和SPEI的影響較大,%incMSE大于55,而受到人類活動和地形因子的影響較小(%incMSE小于40)。1996—2001年延安市生態環境質量受到SPEI,TXn,TNn,LUCC的影響較大(%incMSE大于50),受到地形的影響較小。而2002—2020年延安市生態環境質量受到Rx5day,TXn,TNn和TXx的影響較大,但%incMSE基本小于7,較前兩個階段小,因此這些因素在這一階段對RSEI的影響較小。

2.7 延安市生態環境質量與主要驅動因子的通經分析

通過構建不同階段的主要驅動因子對延安市RSEI的結構方程模型得到各個因子和各個因子對RSEI的通經系數,反映不同因子對RSEI的直接和間接影響。結構方程模型表明不同時間段延安市生態環境質量與不同因子間存在復雜的交互作用。其中,1990—1995年TXn對RSEI的正影響系數最大(0.63),而TXx(-0.77)、SPEI(-0.45)和TNn(-0.39)對RSEI為負影響。此外,在整個相互作用路徑中,不同因子之間的相關關系均較顯著,由此可知,延安市RSEI除了受到TXn,TXx,SPEI和TNn的直接影響外,還會受到這些因子之間相互作用的間接影響。1996—2001年LUCC對RSEI的正影響系數最大(0.24),而TXn(-0.26)、SPEI(-0.24)和TNn(-0.03)對RSEI為負影響,且TNn對RSEI的直接影響較小,而是通過對因子的影響從而進一步對RSEI產生影響(尤其是對TXn的影響最大)。2002—2020年Rx5day對RSEI的負影響最大(-0.4),而TXn(-0.04)、TXx(-0.02)和TNn(-0.09)對RSEI為負影響較小,但其均對Rx5day產生了較為顯著的影響,通過影響Rx5day從而間接對RSEI產生影響。

3 討論與結論

延安市境內地表支離破碎,干旱少雨、是我國生態環境最為脆弱的地區之一。因此我國自1999年之后在延安市實施了“退耕還林(還草)”政策,自政策實施以來植被動態和生態環境監測已成為該區域的關注熱點,但目前基于綜合指標評價延安市“退耕還林(還草)”政策實施前后的生態環境時空動態、未來演化趨勢及不同階段生態環境變化的主要驅動因子[13-22]。然而延安市生態環境質量對地形地貌、氣候變化和人類活動的響應過程是一個復雜的動態過程,不同地貌條件會導致熱量和水分的空間差異,進而使得生態環境質量變化存在明顯空間差異,尤其在對氣候敏感的干旱、半干旱地區尤為顯著[8-11]。因此,本文基于GEE平臺提供的1990—2020年的Landsat數據基于綜合評價指數—RSEI指數并輔以Sen趨勢分析、Manna-Kendall突變點檢驗、變異系數、Hurst法對延安市生態環境過去和未來演化特征進行了分析,然后基于隨機森林和結構方程模型探究了不同階段RSEI對不同驅動因素的敏感性和相關性,揭示了不同階段生態環境質量對主要驅動因子的響應規律,主要結論如下:

(1) 延安市近 31年生態環境質量整體呈變好趨勢。其中與生態環境質量的綠度和濕度指標均為增加趨勢,呈負關系的熱度指標和干度指標均表現為減小趨勢,綜合來看是各指標的綜合影響共同促進了延安市的生態環境變化。本文研究結論與楊悅等、張家政等、聶桐等人研究結論相一致,這表明延安市生態環境質量自生態修復工程以來得到了極大的改善。

(2) 延安市生態環境質量從1990—2020年大區域表現為改善趨勢,在延安市北部地區改善最明顯。但從時間趨勢上來看,延安市1995年之前RSEI為上升趨勢,1995—2001年RSEI為下降趨勢,2001年之后延安市RSEI一直呈增加趨勢,2001年時RSEI發生突變的年份。

(3) 延安市1990—1995年的RSEI變化屬于較高波動變化,集中在吳起縣、志丹縣、延川縣、黃陵縣、富縣和黃龍縣等地區,延安市中部地區的生態環境變化較為穩定(變化屬于低波動)。1996—2001年延安市RSEI變化的整體以高波動變化為主, 2002—2020年延安市生態環境質量總體變化較為穩定,屬于較低波動變化。延安市RSEI在未來一段時間內會出現大面積的下降趨勢。

(4) 1990—1995年延安市生態環境質量受到日最低氣溫的極低值的正影響最大,受到日最高氣溫的極高值、日最高氣溫的極低值和干旱的負影響較大;1996—2001年土地利用對RSEI的正影響最大,而日最高氣溫的極低值、干旱和日最低氣溫的極低值對RSEI為負影響,且日最低氣溫的極低值對RSEI的直接影響較小,而是通過對因子的影響從而進一步對RSEI產生影響;2002—2020年連續5日最大降雨量對RSEI的負影響最大,而日最高氣溫的極低值、日最高氣溫的極高值和日最低氣溫的極低值對RSEI為負影響較小,但其均對連續5日最大降雨量產生影響從而間接對RSEI產生較大影響。這主要是因為延安市土質為疏松的黃土層,常年受到風蝕、水蝕的顯著影響,土地沙化、溫度升高、日照時數增加、太陽輻射增強、風速增加以及極端事件增多均會導致區域生態環境惡化[8]。其中極端降雨的增多會加劇延安市水土流失,帶走地表的有機質,從而對延安市生態環境產生不利影響[24]。其次,一方面隨著全球溫度升高和極端溫度事件的增加以及伴隨的干旱事件的增多,土壤水分和植被冠層水分的蒸散發增加,使延安市部分區域水分利用效率降低,從而影響生態環境質量的變化[16]。另一方面隨著極端溫度增大,地表干燥度增加,裸露在外的土壤在強烈的太陽輻射、風和極端降水的侵蝕下,植被根系抓地力下降,從而進一步導致生態環境質量降低[11]。延安市作為我國水土流失最為嚴重的黃土高原區域,雖然自1999年以后的一些生態恢復工程(如退耕還林還草),使植被覆蓋發生了顯著變化[25]。但有研究發現工程實施之初沒有綜合考慮到區域氣候、水文等因素影響,而大規模造林活動增加的蒸散發使地表干燥化程度增加[24]。大范圍的干旱可能會導致未來植被呈退化趨勢,加劇延安市生態環境惡化[26]。有研究表明全球氣候變暖加劇了氣候系統的不穩定性,未來極端氣候事件出現的頻率和強度均呈現明顯的增加,其中主要以極端濕潤和極端干旱的年份頻率增加為主,主要表現為極端干旱和極端濕潤交替出現[11,24]。這些極端事件的發生和交互作用不但會對延安市生態環境產生巨大影響,而且也會伴隨一系列的自然災害。因此,未來延安市生態環境恢復不但要考慮大型生態工程實施的后期是否會有片面(或負反饋作用),還亟需關注極端氣候導致的自然災害和植被退化。