东庄水库坝址位于黄河二级支流泾河下游峡谷末端，属于陕西省咸阳市礼泉县东庄乡。东庄水库属于黄河流域渭河水系，是渭河防洪减淤体系的重要控制性工程，同时也是黄河水沙调控体系的重要支流水库，在渭河甚至黄河综合治理开发中都具有十分重要的作用^[1-2]。作为国家级重大节水供水工程，东庄水库水利枢纽工程于2018年开工，建设工期8 a，建成后将成为陕西省最大水库，可发挥防洪减淤、供水、发电、生态改善等多种经济和社会效益。近些年来，随着城镇人口数量增加、规模扩大，社会经济发展带来的问题影响着东庄水库流域生态环境质量，流域生态脆弱性问题引发关注，流域生态环境的改善面临挑战。基于此，对东庄水库流域生态环境开展实时准确的监测，可为流域开发与保护、城镇经济发展提供数据和理论支撑。

卫星遥感技术具备大面积同步观测、时效性强的优点，可以客观且连续反映地表状态变化，近年来已成为生态系统监测评估的重要手段之一。遥感生态指数(remote sensing based ecological index，RSEI)是徐涵秋在国家生态环境推出的生态环境状况指数(ecological index，EI)的基础上，建立的基于遥感技术对区域生态环境质量状况进行评估的指数^[3]。RSEI整合了绿度、湿度、干度、热度4个指标，基于主成分分析后的第一主成分综合指征区域内生态环境质量。相较于EI评价指标不易获取，且无法对生态环境状况的空间分布进行表征的问题，RSEI完全基于遥感技术，具有快速、客观、可视化的优势，是当前区域生态环境质量监测评估研究的热点^[4-6]。缪新辉等^[7]基于Landsat遥感影像构建RSEI，对甬江流域17年来生态环境变化进行监测分析；薛陈利等^[8]选取1999—2019年遥感影像计算RSEI，定量分析中老铁路经济廊带生态质量的时空演变规律；钟欣呈等^[9]利用2005—2020年的Landsat影像，构建RSEI模型，对玉溪市16 a的生态环境质量进行监测与评价。上述研究表明采用RSEI对区域内生态环境状况进行定量表征，可以揭示生态环境的时空演变规律，为区域生态环境治理提供思路。

谷歌云计算的Google Earth Engine(GEE)平台具备海量的历史影像数据，利用其出色的并行运算能力，可实现海量多源数据的访问、操作和结果可视化展示^[10-11]。近年来，GEE平台已被广泛应用于作物种植面积提取^[12-14]、土地利用/覆盖监测^[15]、沿海潮滩变化监测^[16]、城市扩张分析^[17]等多个领域研究。

本文基于GEE平台可进行大量遥感数据快速处理的优势，以东庄水库流域为研究区，对2000—2020年Landsat卫星遥感数据进行指标运算，通过主成分分析法分别建立每个年份的RSEI，揭示20 a间东庄水库流域生态环境状况时空变化规律，利用CA-Markov模型预测研究区2030年RSEI空间分布，以期为东庄水库流域生态环境治理提供参考依据。

1 研究区和数据来源 1.1 研究区概况

东庄水库水利枢纽坝址位于泾河的峡谷(34°43′N，108°29′E)河段，泾河为黄河的二级支流，是黄河洪水、泥沙的主要来源地之一^[1]。东庄水库坝址流域面积为4.31×10⁴ km²，占泾河流域面积的95%，水库总库容为3.06×10⁹ m³，基本控制了泾河的全部洪水泥沙^[18-19]。水库库区位于黄土高原沟壑区和丘陵沟壑区^[20]，属于典型的生态环境脆弱区。库区高程353.7~2 520 m，河道宽度仅为40~200 m，水库河道形态蜿蜒曲直，属于典型的侵蚀型峡谷河道，水库两侧高原地表相对平坦，高程约为1 000~1 300 m，大部为黄土覆盖^{[1, 20]}。

1.2 数据来源及预处理

影像数据来源于美国地质调查局(USGS)发布的2000—2020 Landsat影像数据，多光谱通道空间分辨率为30 m，对地观测重访周期为16 d。分别选用2000，2010年的Landsat 5 TM影像和2020年的Landsat 8 OLI影像，采用USGS于2020年发布的Collection 2 Level 2数据集(该数据集在几何校正和辐射定标方面较Collection 1数据集有所提高)，经过大气校正处理。为保证影像时相上覆盖植被生长季，选取每年6—9月数据。

流域范围数据基于ArcGIS 10.8的水文分析模块生成，采用DEM数据结合东庄水库坝址和全国河流水系数据，得到东庄水库流域范围。预处理包括滤云、地表温度预处理、中值合成。在GEE平台上使用官方提供的Landsat云掩膜算法，对选定时间和空间范围的数据集进行滤云处理，对无云像元进行中值合成操作。分别将3个年份的影像根据东庄水库流域范围进行裁剪，得到的影像数据云量少且季相相同，保证运算结果的可比性(图 1)，同时为避免水域对主分量载荷的影响，采用MNDWI水体指数结合阈值法对影像的水体进行掩膜处理^[21]。根据官方提供的算法对数据集的热红外波段进行处理，得到每年的地表温度数据，公式为：

$ \mathrm{LST}=\left(\begin{array}{lll} 0.00 & \left.341802 \times B_{\mathrm{TIRS}}+149.0\right)-273.15 \end{array}\right. $

(1)

式中：LST为地表温度数据(℃)；B_TIRS为Landsat 5和Landsat 8的热红外波段。

土地利用/覆盖数据为GlobeLand 30数据集，为自然资源部发布的30 m空间分辨率全球地表覆盖数据(http://globeland30.org/home.html?type=data)。GlobeLand 30数据包括10个一级类型，分别为：林地、草地、耕地、灌木林、水体、湿地、苔原、人造地表、裸地、冰川和永久积雪。本文采用土地利用/覆盖数据为参考单元，对生态环境时空变化情况进行分析。

2 研究方法

徐涵秋在构建RSEI的指标选取上，在诸多反映区域生态质量的自然因素中，综合考虑与人类生存关系密切且评价指标的可获取性，选取了绿度、湿度、干度、热度作为构建RSEI的重要指标^[4]，这4个指标均可以通过遥感影像提取得到。通过缨帽变换(Kauth-Thomas transformation，KT)后的湿度分量(WET)表征湿度指标，归一化植被指数(NDVI)表征绿度指标，建筑—土壤指数(NDBSI)表征干度指标，地表温度(LST)表征热度指标，RSEI可以表达为上述4个指标的函数^[22]，表达为：

$ \mathrm{RSEI}=f(\mathrm{NDVI}, \mathrm{Wet}, \mathrm{LST}, \mathrm{NDBSI}) $

(2)

2.1 指标构建 2.1.1 绿度指标

归一化植被指数(normalized difference vegetation index，NDVI)是反映植被生长状况的经典植被指数^[23]，与植被覆盖度、生物量、叶面积指数等参数都有密切关联，可以用作RSEI中的绿度指标，公式为：

$ \mathrm{NDVI}=\frac{\rho_{\mathrm{NIR}}-\rho_R}{\rho_{\mathrm{NIR}}+\rho_R} $

(3)

式中：ρ_NIR，ρ_R分别为Landsat数据的近红外和红光反射率。

2.1.2 湿度指标

缨帽变换(Kauth-Thomas transformation，KT)可以在保存有用信息的前提下压缩数据量，经缨帽变换后得到的若干分量均与陆表物理量存在密切关联，包括亮度、绿度、湿度等^[24]。缨帽变换被广泛应用于植被监测和土地利用/覆盖监测，缨帽变换后第三个分量为湿度(WET)，对土壤和植被的水分比较敏感^[25]，与生态环境状况存在关联，可以用来表示RSEI中的湿度指标，表达为：

$ \begin{aligned} \mathrm{Wet}_{\text {Landsat5-TM }}=&0.0315 \rho_B+0.2021 \rho_G+ \\ &0.3102 \rho_R+0.1594 \rho_{\mathrm{NIR}}- \\ &0.6806 \rho_{\mathrm{SWIR} 1}-0.6109 \rho_{\mathrm{SWIR} 2} \end{aligned} $

(4)

$ \begin{aligned} \mathrm{Wet}_{\text {Landsats-OLI }}=&0.1511 \rho_B+0.1973 \rho_G+ \\ &0.3283 \rho_R+0.3407 \rho_{\mathrm{NIR}}- \\ &0.7117 \rho_{\mathrm{SWIR}_1}-0.4559 \rho_{\mathrm{SWIR}_2} \\ \end{aligned} $

(5)

式中：Wet_Landsat5-TM和Wet_Landsat8-OLI分别表示TM和OLI影像的湿度分量；ρ_B，ρ_G，ρ_R，ρ_NIR，ρ_SWIR1，ρ_SWIR2分别为TM和OLI影像的蓝、绿、红、近红外、短波红外1、短波红外2波段的光谱反射率。

2.1.3 干度指标

区域内的不透水面如建筑屋顶、水泥路等阻挡了陆表与地下水的联系，加上未利用地、裸地等的存在，导致陆表干化；采用建筑指数^[26](IBI)和土壤指数^[27](SI)分别表示研究区地表建筑和裸土信息，取IBI和SI的均值作为RSEI指数的干度指标(NDBSI)，公式为：

$ \mathrm{NDBSI}=\frac{\mathrm{IBI}+\mathrm{SI}}{2} $

(6)

$ \mathrm{SI}=\frac{\left(\rho_{\mathrm{SWIR} 1}+\rho_R\right)-\left(\rho_{\mathrm{NIR}}+\rho_B\right)}{\left(\rho_{\mathrm{SWIR}_1}+\rho_R\right)+\left(\rho_{\mathrm{NIR}}+\rho_B\right)} $

(7)

$ \mathrm{IBI}=\frac{\left(\frac{2 \rho_{\mathrm{SWIR} 1}}{\rho_{\mathrm{SWIR}_1}+\rho_{\mathrm{NIR}}}-\frac{\rho_{\mathrm{NIR}}}{\rho_{\mathrm{NIR}}+\rho_R}-\frac{\rho_G}{\rho_G+\rho_{\mathrm{SWIR} 1}}\right)}{\left(\frac{2 \rho_{\mathrm{SWIR} 1}}{\rho_{\mathrm{SWIR} 1}+\rho_{\mathrm{NIR}}}+\frac{\rho_{\mathrm{NIR}}}{\rho_{\mathrm{NIR}}+\rho_R}+\frac{\rho_G}{\rho_G+\rho_{\mathrm{SWIR} 1}}\right)} $

(8)

2.1.4 热度指标

地表温度(land surface temperature，LST)的变化与城市化进程、人类活动等密切相关，而城市化进程与生态环境相互影响和制约，因此地表温度与区域内生态环境也关系密切，采用地表温度表征热度指标，处理方法在本文指标构建部分已做详尽叙述。

2.2 遥感生态指数(RSEI)构建

采用主成分分析(principal component analysis，PCA)法将得到的4个指标进行耦合。PCA基于线性变换，通过剔除冗余数据将参与分析的多个变量的信息转化到1~2个波段中，进而实现数据的高效压缩^[24]。PCA可以避免人为主观因素干扰对结果带来的偏差，同时最大程度保留了参与分析所需的主要信息。PCA集成了各指标的权重，根据各主分量的贡献度来客观确定^{[3, 28]}。在做PCA之前，为使4个指标具有统一的量纲，分别进行了归一化处理和剔除异常值^[29]。为使PC₁数值与生态环境结果呈正向关系，对PCA变换后的第一主成分PC₁再次进行归一化处理，最终得到遥感生态指数RSEI，公式为：

$ \mathrm{RSEI}_0=1-\left\{\mathrm{PC}_1[f(\mathrm{NDVI}, \mathrm{Wet}, \mathrm{LST}, \mathrm{NDBSI})]\right\} $

(9)

$ \mathrm{RSEI}=\frac{\mathrm{RSEI}_0-\mathrm{RSEI}_{\min }}{\mathrm{RSEI}_{\max }-\mathrm{RSEI}_{\min }} $

(10)

式中：PC₁为主成分分析后的第一主成分；RSEI₀为遥感生态指数的初始值；RSEI_min和RSEI_max分别为RSEI₀的最小值和最大值，RSEI的值越大越趋近于1，表明区域生态环境越优，反之生态环境越恶劣。

2.3 生态环境质量动态变化分析方法

为更直观地分析东庄水库生态环境质量的空间分布及变化情况，本文基于已有研究成果^[4]，将RSEI以0.2为步长，等间距划分为差(0~0.2)、较差(0.2~0.4)、中等(0.4~0.6)、良(0.6~0.8)、优(0.8~1.0)这5个等级，通过分析2000，2010，2020年3个年份各生态等级下4个指标的变化情况。为进一步分析2000—2020年间东庄水库流域生态环境变化情况，在RSEI等级划分基础上，参考《生态环境状况评价技术规范》中对生态环境状况变化的分级标准，结合研究区实际情况，对各年份RSEI指数两两作差，将结果分为0，±1，±2，±3，±4共9级，其中0表示生态环境基本不变，正值表示生态环境变好，根据绝对值大小细分为略微变好和明显变好；负值表示生态环境变差，根据绝对值大小细分为略微变差和明显变差。

2.4 CA-Markov模型

元胞自动机(cellular automata，CA)是一种在时间、空间、状态3个维度均离散的动力学模型，可以模拟复杂的时空演变过程^[30]。马尔科夫(Markov)模型本质是对研究对象在指定时刻发生的概率进行预测^[31]。CA-Markov模型将CA模型与Markov模型二者融合，具备了CA模型复杂空间系统的动态演化能力和Markov模型时间动态预测能力，提升了预测概率的准确性，使模拟结果更为合理^[32]。

3 结果与分析 3.1 各指标时空变化分析

基于GEE平台处理得到2000，2010，2020年RSEI的4个指标(NDVI，WET，NDBSI，LST)，从图 2可以看出，东庄水库流域NDVI整体水平较高，NDVI在林区和丘陵区较高，在城镇和农田区相对较低；WET的空间分布规律与NDVI相近，在林区和丘陵区值较高，表明林区植被覆盖高的区域湿度较大，在不透水面多的城镇区湿度较低；NDBSI与LST在空间分布上与NDVI和WET呈相反的规律，在林区值较低，在城镇区域值较高。

3.2 主成分结果分析

对处理后的4个分量进行主成分分析，由表 1可知，2000，2010，2020年3个年份中4个指标对第一主成分(PC₁)均有一定载荷，PC₁中绿度指标(NDVI)与湿度指标(WET)的特征向量均为正，干度指标(NDBSI)和热度指标(LST)的特征向量均为负，表明绿度和湿度对研究区生态环境起到正面影响，干度和热度起到负面影响，与实际情况相符。而PC₂—PC₄中各指标的正负与大小没有规律，且3个年份PC₁的特征值贡献率分别为85.71%，85.29%和82.15%，均超过80%，由此表明PC₁集成了4个指标的绝大部分特征，可以真实合理反应东庄水库流域生态环境状况。3个年份的PC₁中NDVI和NDBSI的特征值均高于WET和LST，表明NDVI和NDBSI对区域生态环境的影响更大。2000—2020年RSEI均值从2000年的0.499，上升到2020年的0.500，表明20 a间东庄水库流域生态环境呈略微上升趋势，但总体维持在一个水平(表 2)。

进一步分析不同RSEI等级的变化情况，并考察RSEI的合理性。从表 3可以看出，3个年份中NDVI和WET的均值均表现为随RSEI等级的升高而升高，而NDBSI和LST的均值随着RSEI等级的升高而降低，4个指标的均值都随RSEI级别的变化而表现出和实际相符的变化规律，表明RSEI可以综合表征东庄水库流域生态环境变化情况。

3.3 庄水库流域生态环境质量时空分布

以2000，2010，2020年3个年份的土地利用数据为参考，分析2000—2020年东庄水库流域RSEI空间分布(图 3)，3个年份RSEI等级分布具有一定规律，浅绿和深绿表征的生态环境状况良和优的区域主要集中在张家山、瓦庙山、槐家山等山区和丘陵沟壑区，这些区域地表覆盖以天然林为主，属于典型的冷岛区，湿度和绿度指标较高，而热度指标较低；红色代表的生态状况差的区域主要分布在城镇，植被覆盖低且属于典型的热岛区，绿度指标低而干度指和热度指标较高。2000年RSEI等级差的区域与城镇区基本吻合，2010年随着城镇扩张及制造业、矿业等工业发展，RSEI等级差的区域范围有所扩大，2020年随着城镇区工业化发展，RSEI差的区域进一步扩大，等级差与较差的区域大多分布在城镇及其外围地带，东庄水库流域西部RSEI等级为优的林区大部分区域等级下降为良。

3.4 东庄水库生态环境质量动态监测

从表 4可以看出，2000—2020年东庄水库流域的生态环境状况以基本不变为主，占49.34%，变好和变差的面积相当，其中变好的面积略高，二者分别占25.95%和24.71%。分时间段来看，2000—2010年该流域61.44%的区域生态环境状况为基本不变，变好和变差的面积相当，其中变差的面积略高，二者面积分别为762.428 km²和783.853 km²。2010—2020年生态环境状况仍以基本不变为主，所占比例为59.95%，变好的面积大于变差，分别为768.434 km²和738.991 km²，分别占20.41%和19.63%。以上表明20 a间东庄水库流域的生态环境状况整体较为复杂，生态环境的改善与恶化的状况长期以来持续并存。

从空间看(图 4)，2000—2020年东庄水库流域生态环境以略微变差、基本不变和略微变好为主，明显变差和明显变好的区域较少。20 a间该流域生态环境恶化区域主要分布在流域北部以彬州市为中心的城区及其外围区域，呈带状分布，以及流域南部以蒿店乡、峰阳镇、常宁镇等为中心的城镇及其周边区域。生态改善的区域主要分布在部分山区和丘陵沟壑区，表明城市扩张、工业和经济发展导致生态环境恶化。2000—2010年生态环境改善的区域主要分布在流域北部的山区和南部的丘陵地区，生态环境恶化的区域主要为城镇及其外围耕地和草地区域。2010—2020年有所改变，在流域北部前10 a生态环境改善的山区，部分地区出现生态环境恶化，而前10 a生态环境恶化的城镇及其外围耕地区域，生态环境得到改善，表明渭北地区1999年以来实施退耕还林政策，经过近10 a的发展对生态环境的改善起到了正面作用。20 a间东庄水库流域整体的生态环境变化情况较为复杂，不能笼统地归为生态环境改善还是恶化，原本生态环境好的区域存在恶化现象，但同时原本生态质量差的区域也得到了改善。

3.5 生态环境预测

利用IDRISI软件的CA-Markov模型进行东庄水库流域2030年RSEI空间分布演变模拟，以2020年RSEI结果为基期数据，设定5×5元胞滤波器，模拟2030年RSEI空间分布，并对RSEI各等级面积和比例进行统计(图 5，表 5)。由表 5可知，2030年东庄水库流域RSEI各等级面积所占比例趋势和2020年相似，与2020年相比，2030年RSEI差、良、优等级面积有所增加，分别增加了17.955，26.251，3.674 km²；较差和中等级面积有所下降，分别下降了5.732 km²和43.605 km²。从空间上来看，2030年东庄水库流域RSEI各等级空间分布规律与2020年基本一致，2020年生态环境差的城镇及其周边区域，生态环境恶化面积有所扩大，表明以当下的社会发展规律为前提，随着城镇规模化发展，增大了干度指标中建筑因素的影响，并且随着城镇发展带来的城市热岛效应增大了热度指标的影响，同时建筑用地侵占了林地、耕地和草地空间，抑制了绿度和湿度指标，因此RSEI有所降低。根据预测结果，2030年部分林区和丘陵地区RSEI为良的区域有所扩大，表明随着退耕还林政策的对生态环境改善的正面影响仍会持续。

4 结论

本文基于2000，2010，2020年的Landsat系列卫星数据，采用遥感生态指数RSEI对东庄水库流域不同时期的生态环境质量时空变化状况进行定量分析研究，通过CA-Markov模型对该流域2030年生态环境状况进行预测。

(1) 东庄水库流域生态环境优的区域主要分布在林区和丘陵地区，生态质量差的区域主要分布在城镇区及以城镇区为中心的周边区域。RSEI等级为优的面积下降了69.98%，差的面积增加了129.31%，但生态环境质量良和较差的区域分别呈增加和减少趋势。

(2) 2000—2020年，东庄水库流域生态环境总体维持在一个水平，RSEI均值从0.499上升到0.500，呈微弱上升趋势。基本不变区域占整个流域面积的49.34%，变好和变差的面积分别占25.95%和24.71%。生态环境改善的区域主要分布在部分山区和丘陵沟壑区，恶化的区域主要集中在城镇区及周边，监测结果表明退耕还林政策对流域生态环境起正面影响效用。20 a间东庄水库流域整体的生态环境变化情况较为复杂，长期以来该流域生态环境的改善与恶化同时存在。

(3) CA-Markov模型对东庄水库流域2030年RSEI空间分布模拟结果显示，RSEI差、良、优等级面积有所增加，较差和中等级面积有所下降。生态环境恶化的区域主要集中在城镇及其周边地区，改善的区域主要集中在林区和丘陵地区。表明以当前社会经济与生态环境发展规律模拟，东庄水库流域城镇及其周边区域的生态环境会持续恶化，城镇化发展与生态环境间耦合协调发展是亟须解决的现实问题。

(4) 2000—2020年东庄水库流域的生态环境虽在局部地区得到改善，但整体来看改善效果并不明显，同时一些城镇化高速发展的地区生态环境仍在持续恶化。本文在预测时，未动态考虑东庄水库水利枢纽工程建成后带来的变化。水库建成后对泾河下游不断流以及泾渭湿地不萎缩、不退化将产生保护作用，同时对鱼类繁殖期河道生态环境和下游汛期河道生态环境进行正向调节。今后可在退耕还林和东庄水库水利枢纽工程双重影响下，流域内生态环境变化评估等方面进行深入研究。