干热河谷是中国西南地区特殊的地理单元，热量高、降水量少以及蒸发强的独特自然环境条件，孕育高原特色现代农业^[1]。而随着人类活动加剧，对生态环境产生明显影响。近年来干热河谷的生态环境现状和未来发展备受国家高度重视，从构建西南生态安全屏障到生态系统保护和修复重大工程规划，关于生态环境尤其是生态环境脆弱区的研究及评估成为研究热点^[2]。20世纪60年代国外学者开展对生态环境质量评价的研究。伴随遥感技术的发展，利用RS和GIS获取地面信息，再结合数学方法进行环境综合评价，使生态环境质量研究得到较大飞跃^[3]。其中以Charles等人对河口地区开展的生态监测和评价最具代表性^[4]。而在2006年国家环境保护局提出生态环境状况指数(EI)，用于评价一个地区的生态环质量状况。鉴于该指数存在指标权重人为设定，且获取难度大等缺点。2013年徐涵秋基于遥感影像提出了遥感生态指数(RSEI)，用于定量评价区域的生态环境质量^[5]。相较EI指数，RSEI指数的构建不依赖于地面调查数据，在确保空间上的连续性的同时减少了人为干预，从而保证评价结果的客观合理性^[6]。此后该指数被广泛应用于区域地理生态研究中。周萌等人利用遥感生态指数对东江源区2000—2019年的生态环境质量进行了时空变化分析以及动态监测^[7]。Wang^[8]通过改进遥感生态指数(ARSEI)耦合了绿度、盐度、湿度、热量和土地退化指数，对干旱区生态环境质量进行了监测和评价。但在解剖生态环境变化的驱动力研究尚有不足。因此，本文引入地理探测器作为探索空间分异的统计学方法^[9]，用于解释影响生态环境质量的空间异质性和揭示其背后的驱动力。

元谋干热河谷作为中国西南干旱河谷的典型代表，干热的气候与人为活动影响下，出现植被—土壤协同退化的自然现象，使该区成为较为典型的生态脆弱区^[10]。本文以Landsat遥感影像作为数据源，通过构建遥感生态指数模型，采用主成分分析和地理探测器等方法，探究2000—2020年期间元谋干热河谷生态环境质量时空变化特征^[11]，进一步分析其生态环境变化的驱动因素，为治理干热河谷区域的生态环境保护和可持续发展提供借鉴和参考依据。

1 研究区概况

元谋干热河谷主要集中分布于元谋干热河谷境内(101°35′—102°06′E，25°23′—26°06′)，地处滇中高原北缘，属楚雄彝族自治州。地势呈四周高，中间低，由南向北倾斜的“筲箕凹”形，属于南亚热带干热河谷气候^[9]，年均降雨量657.5 mm，全年基本无霜，年平均气温21.4 ℃。干热河谷的典型植被类型为稀树灌木草丛^[12]。独特的气候环境，快速发展农业经济，给元谋干热河谷带来发展机遇的同时也给河谷的生态环境带来了挑战。随着森林覆盖率减小、土地退化、水土流失严重，该区已成为中国较为典型的生态脆弱分布区^[13]。

2 数据与分析 2.1 数据来源及处理

本文所获取的Landsat遥感影像来自美国地质勘查局USGS(https://earthexplorer.usgs.gov/)，时间为2000年12月25日、2010年12月23日的Landsat 7 ETM和2020年12月26日Landsat 8 OLI遥感影像数据。元谋干热河谷旱季干旱少雨少云，在此统一选取12月(云量＜8%)遥感影像作为研究数据源。借助ENVI5.3平台对影像数据进行预处理，如辐射定标、大气校正、重采样、裁剪等。而其他辅助数据：DEM数据来源于地理空间数据云(http://www.gscloud.cn, 30 m×30 m)；土地利用通过人机交互监督分类法对3期Landsat影像进行分类。参照国家标准《土地利用现状分类(GB/T21010-2007)》，结合研究区的土地利用现状，采用土地利用3级分类系统将元谋干热河谷的土地利用类型划分为林地、灌草丛、耕地、建筑用地、水体及其他6类。对完成分类的土地利用数据进行精度评价：总体精度大于85%，kappa系数在80%以上^[14]；人口及经济数据集源于中国中国科学院资源环境科学数据中心(http://www.resdc.cn/)，而气温和降水数据来源于国家地球系统科学数据中心(http://www.geodata.cn)；空间分辨率均为1 km×1 km^[15]，需进一步重采样到30 m×30 m，使各个因子结果适用于评价指标的计算。最后通过利用ArcGIS将遥感生态指数、DEM和社会经济等数据格网化并分级赋值，进行地理探测器分析。

2.2 研究方法 2.2.1 RSEI计算

元谋干热河谷的生态环境特征主要表现为森林覆盖率低，土壤贫瘠，水土流失严重，生态环境脆弱。基于区域自然环境特性，本文选取NDVI，WET，NDBSI和LST这4个指标，拟构建元谋干热河谷的遥感生态指数，利用主成分分析方法对指标赋予权重。

(1) 绿度指标。NDVI应用于检测植被生长状态和植被覆盖度^[16]。

$ \mathrm{NDVI}=\frac{T_{\text {nir }}-T_{\text {red }}}{T_{\text {nir }}+T_{\text {red }}} $

(1)

式中：NDVI为归一化植被指数；T_nir, T_red分别为ETM，OLI数据中红、近红外波段的反射率。

(2) 湿度指标。Wet主要反映了水体和土壤、植被的湿度，广泛应用在生态环境监测和评价。利用遥感缨帽变换获取的湿度分量与土壤湿度有关^[17]，计算如下：

$ \begin{aligned} \mathrm{Wet}_{\mathrm{TM}}= & h_1 \times 0.0315+h_2 \times 0.2021+ \\ & h_3 \times 0.3102+h_4 \times 0.1594- \\ & h_5 \times 0.6806-h_6 \times 0.6109 \end{aligned} $

(2)

$ \begin{aligned} \mathrm{Wet}_{\text {OLI }}= & h_1 \times 0.1511+h_2 \times 0.1973+ \\ & h_3 \times 0.3283+h_4 \times 0.3407- \\ & h_5 \times 0.7117-h_6 \times 0.4559 \end{aligned} $

(3)

式中：h₁-h₆分别代表蓝波段、绿波段、红波段、近红波段、中红外波段1, 中红外波段2。

(3) 干度指标。建筑物和裸土会造成土地干化，严重影响河谷流域的生态环境问题，本文采用建筑物指数IBI和裸土指数

SI的平均值来构建干度指标NDBSI^[18-20]：

$ \mathrm{SI}=\frac{\left(T_{\text {swir } 1}+T_{\text {red }}\right)-\left(T_{\text {nir }}+T_{\text {blue }}\right)}{\left(T_{\text {swir } 1}+T_{\text {red }}\right)+\left(T_{\text {nir }}+T_{\text {blue }}\right)} $

(4)

$ \text { IBI }=\frac{2 T_{\text {swir1 }} /\left(T_{\text {swir1 }}+T_{\text {nir }}\right)-\left[T_{\text {nir }} /\left(T_{\text {nir }}+T_{\text {red }}\right)+T_{\text {green }} /\left(T_{\text {green }}+T_{\text {swir1 }}\right)\right]}{2 T_{\text {swir1 }} /\left(T_{\text {swirl }}+T_{\text {nir }}\right)+\left[T_{\text {nir }} /\left(T_{\text {nir }}+T_{\text {red }}\right)+T_{\text {green }} /\left(T_{\text {green }}+T_{\text {swir1 }}\right)\right]} $

(5)

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

(6)

式中：T_blue，T_green，T_red，T_nir，T_swir1分别为蓝波段、绿波段、红波段、近红外波段、短波红外1。

(4) 热度指标。热度指标用地表温度(LST)经比辐射率校正的温度来表示。通过利用Landsat数据的热红外波段，计算亮度温度Lλ，并进行比辐射率ε校正，计算公式：

$ L \lambda=\text { gain } \times\text { D N}+\text { bias } $

(7)

$ B\left(T_S\right)=[L \lambda-L \uparrow-\tau(1-\varepsilon) L \downarrow] / \tau \varepsilon $

(8)

$ \mathrm{LST}=K_2 / \operatorname{In}\left[\frac{K_1}{B\left(T_S\right)}+1\right] $

(9)

式中：gain，bias分别为热红外波段的增益值与偏置值；DN为像灰度值；B(T_S)为黑体辐射亮度；L↑和L↓为大气向上和向下的辐射亮度；T为大气热红外波段透过率；ε为地表比辐射率。对于Landsat 7影像来说，K₁=666.09;K₂=1 282.71；而Landsat 8影像K₁=774.89;K₂=1 321.08^[21-23]。

通过上述公式计算出生态环境质量4个评价指标，再经归一化处理，最后合成一幅新的影像，构建一个函数^[24]，表达式为：

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

(10)

式中：NDVI为归一化植被指数; Wet是湿度分量；NDBSI是由建筑指数与裸土指数线性合成得到；LST是地表温度指数。

(5) 4个指标归一化处理。为了便于后续计算，需对研究区生态环境质量评价的4个指标进行标准化处理，使其数值介于[0, 1]之间，从而有助于对各指标进行比较^[25-26]。归一化公式为：

$ A_i=\frac{B_i-B_{\min }}{B_{\max }-B_{\min }} $

(11)

式中：A_i为第i个指标标准化处理值；B_i为第i个原指标值；B_max为第i个指标最大值；B_min第i个指标最小值。

为了使湿度指标能更好反映地面湿度, 本研究采用归一化水体指数(MNDWI)实现对水体信息的掩膜, 从而避免大面积水体影响PCA的荷载分布^[27]。其计算公式为:

$ \mathrm{MNDWI}=\left(P_{\text {green }}-P_{\text {nir }}\right) /\left(P_{\text {green }}+P_{\text {nir }}\right) $

(12)

式中：P_green为绿光波段；P_nir为中红外波段。

(6) 遥感生态指数构建。RSEI指数由上述4个指标经归一化后转换后的第一主成分(PC₁)所构成，通过主成分分析方法计算得到4个指标，基于4个指标数值范围不一^[28-29]，经归一化处理，其具体公式为：

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

(13)

$ \begin{aligned} \mathrm{RSEI}= & \left(\operatorname{RSEI}_0-\operatorname{RSEI}_{0-\text { min }}\right) / \\ & \left(\mathrm{RSEI}_{0-\text { max }}-\mathrm{RSEI}_{0-\text { min }}\right) \end{aligned} $

(14)

式中：RSEI₀生态指数的初始值；RSEI_0-min, RSEI_0-max为初始值的最小和最大值；RSEI则是遥感生态指数, 其数值越接近1，表明生态环境越好, 越接近0表明生态环境越差。

2.2.2 地理探测器模型

由王劲峰等人提出地理探测器主要用于分析空间分异性的影响因素及各因子间的交互探测^[30]。将RSEI等级作为因变量，将绿度、湿度、干度、热度、降雨量、气温、高程、经济和人口密度及土地利用10个评价指标作为自变量，导入地理探测器进行运算。利用地理探测器中的因子探测和交互探测，分析影响元谋干热河谷生态环境质量的驱动力^[31]。根据因子探测器所得结果中的q值和p值得出各指标对元谋干热河谷生态环境的影响力及。q值越大，说明指标对生态环境的影响力越大。因子探测器计算公式为：

$ q=1-\frac{1}{N \delta^2} \sum\limits_{h=1}^L N_h \delta_h^2 $

(15)

式中：q为某影响因子对元谋干热河谷生态环境质量指数的影响力, 即解释力强度; h=1, …, L; L为因变量RSEI和自变量因子的分类数; N_h, N分别为不同分级的区域和全区域内的样本数; δ_h², δ²分别为不同分级的区域和全区域内RSEI的方差^[11]。

而交互探测器主要用于探测多因子交互作用后对生态环境质量的影响力，即影响因子相互作用后是否会强化或弱化对区域生态环境的影响，或者这些因子对生态环境的影响是相互独立的^[32]。该方法是首先分别计算两种因子对生态环境质量的q值q(X₁), q(X₂)，交互后的q值q(X₁∩X₂)然后对q(X₁), q(X₂)与q(X₁∩X₂)进行比较，主要类型详见表 1。

3 结果与分析 3.1 生态环境质量评价结果

由表 2可知，2000，2010和2020年生态环境质量指标第一主成分的特征值分别为0.312，0.265，0.333；贡献率分别为78.75%，72.85%，81.69%。这3期影像的PC₁的贡献率都超过70%，涵盖上述4个指标的大部分特征信息。而PC₄的贡献率较小，可忽略不计。基于PC₁累积贡献率超过70%，因此，构建RSEI生态指数模型能全面反映研究区的生态环境综合状况，对评价生态质量具有较好的适普性。

由表 3中的4个指标均值变化来看，2000—2020年绿度和湿度指标的均值呈现先降后升的变化趋势，说明这20 a元谋干热河谷采取生态修复政策措施取得一定成效；而LST呈现前10 a微增后10 a有微减变化。而干度指标呈现小幅度增长变化的趋势，表明元谋干热河谷在2010年的城镇化速度有所加快，不透水表面和裸土面积有所增加。从各指标均值变化来看NDVI，NDSI和LST指标在这20 a间的变化幅度较大，说明2个指标对元谋干热河谷RSEI变化起着至关重要作用。从RSEI均值变化幅度上看，2000年元谋干热河谷RSEI值为0.628，到2010年RSEI降低到0.609，说明2010年的生态环境质量较差。而到2020年，随着研究区的生态环境恢复和治理，RSEI值上升到0.684，生态环境质量变好。在2000—2010年，RSEI值减少0.02，减少幅度为3.01%；而在2010—2020年RSEI值增加0.075，增幅为12.31%；从总体来看，在2000—2020年RSEI值变化幅度约为8.91%，RSEI值呈现先降后升的变化趋势。后10 a生态环境改善的效果明显优于前10 a改善的效果。

3.2 RSEI空间变化分析 3.2.1 RSEI整体性分析

根据《生态环境评价技术规范》的分级标准，以0.2为间隔，将元谋干热河谷生态指数划分成5个等级：差(0~0.2)、较差(0.2~0.4)一般(0.4~0.6)、良(0.6~0.8)、优(0.8~1.0)^[7]；通过分级统计得到RSEI空间分布状况(图 2，表 4)。

由图 1可知，在2000—2020年元谋干热河谷的生态环境质量等级以良好、一般为主。从遥感生态环境指数的空间分布来看(图 1)，环境质量等级较低区域主要集中在元谋干热河谷坝区和流域两侧，受干热气候条件及人类活动影响，生态环境质量较差。较高质量等级则分布在元谋干热河谷东南部高海拔地区，随着水分条件改善，植被覆盖度高，生态环境较好。从整体上看，元谋干热河谷生态环境质量指数年均值在0.609~0.684间，呈现先“先降后升”变化的趋势，多年RSEI平均值为0.640，研究区生态环境质量一般。

由表 4可知，在2000—2010年元谋干热河谷生态环境为优和良好的区域面积由原来的42.83%下降到2010年34.63%；而等级为差和较差的区域面积比例由2000年的18.63%上升到2010年的31.48%，整体生态环境质量较差。而这个时期元谋干热河谷城镇化建设加快导致生态环境恶化。但在2010—2020年元谋干热河谷的生态环境质量出现好转，表现在生态级差和较差的面积减少，由2010年636.71 km²降到2020年的508.82 km²。生态等级为良和优的面积比例由2010年的34.63%增加到2020年的40.04%，后期元谋干热河谷实行的生态恢复工程和政策的积极响应，使得该区近10 a的生态环境明显改善。

3.2.2 RSEI区域性分析

为进一步探究元谋干热河谷RSEI变化情况，本文通过对元谋干热河谷管辖的10个乡镇20 a RSEI研究，结果如图 2所示。

由图 2可以看出，新华乡、姜驿乡的RSEI均值低于全县的RSEI平均值，表明这两个乡镇生态环境状况较差；而物茂乡、老城乡以及元马镇RSEI较高，表明该区域的生态环境状况相对较好，而这些区域多属于农、林业种植区，人口密度相较主城区低，拥有较好的自然区位条件。2000—2020年姜驿乡、黄瓜园镇、物茂乡、元马镇的RSEI处于上升；而江边乡处于下降趋势，说明水库修建对该区生态环境造成一定影响；而其他乡镇的RSEI均值相对稳定。这也进一步说明元谋干热河谷实施生态保护取得一定成效，辖区生态环境得到改善。

3.3 RSEI动态变化分析

依据研究区实际情况，采用指数分级法将生态环境指数等级变化分为5类间隔为0.3，分别表现为：恶化(RSEI指数值＜-0.6)，变差(-0.3＜RSEI指数值＜-0.6)，不变(0＜RSEI指数值＜-0.3)，变好(0.3＜RSEI指数值＜0)和优化(RSEI指数值＞0.3) ^[11]。以获取RSEI为基础，分别对元谋干热河谷2000—2020年的生态环境质量进行分级面积变化统计和分析。通过图 3和表 5可知，2000—2010年期间，元谋干热河谷生态环境质量不变的面积占总体的60%以上；生态环境质量转好的面积占元谋干热河谷总面积的19.95%；而生态环境变差的面积占研究区域面积的18.8%。生态好转与恶化的面积基本相当。

在2010—2020年期间元谋干热河谷生态环境质量变好等级面积占总面积的25.41%远高于生态变差的面积。而生态环境转好集中在河谷两侧，主要受退耕还林还草政策以及水库修生态移民等政策的影响，使得河谷两侧的生态环境得到改善。生态环境变差集中在元谋干热河谷居民区和耕作区周围，而不合理的人类活动在一定程度影响了当地生态环境。总体来，前10 a元谋干热河谷生态环境较差，后10 a元谋干热河谷生态环境出现转好。这进一步说了元谋干热河谷生态修复工程和措施初步显现成效，部分区域的生态环境质量明显改善。

3.4 驱动力因素分析

区域生态环境质量受人为和自然等多重因素驱动，而干热河谷生态环境状况差异分明且环境条件复杂。因此本文选取NDVI，Wet，NDBSI和LST这4个基础指标，再结合当地独特干热气候条件及人类活动对生态环境影响，筛选出降水、气温、高程(DEM)、经济密度(GDP)、人口密度(POP)、土地利用等指标作为自变量X，以研究区RSEI模型第1主成分PC₁作为因变量Y。利用ArcGIS采用自然断点法对自变量进行分级，创建500 m×500 m的格网进行均匀分布采样，去除异常点，共7 770个样本点。然后将数据导入到基于Excel的地理探测器软件中进行因子探测，探究各驱动因子对RSEI空间分异特征的解释力(图 4)。由表 6可知，2000—2020年期间对10个因子探测结果显示：p=0，表明所选10个因子对元谋干热河谷生态环境解释力都很充足。q值是指对RSEI的影响强度，也是对空间分异特征的解释力^[11]。从时间序列来看，2000年q值大小依次为：土地利用＞绿度指标＞干度指标＞湿度指标＞热度指标＞气温＞海拔＞降水＞人口密度＞经济密度，其中土地利用(q=0.589)是影响2000年研究区生态环境的主导因子。2010年影响因子解释力大小为：绿度指标＞土地利用＞干度指标＞湿度指标＞热度指标＞气温＞海拔＞降水＞经济密度＞人口密度。而绿度指标的q=0.583，是2010年元谋干热河谷生态环境变化的主要影响因素；2020年影响强度大小为：绿度指标＞土地利用＞热度指标＞气温＞湿度指标＞海拔＞降水＞经济密度＞干度指标＞人口密度。然而，绿度和土地利用的q值均大于0.5，是生态环境变化的主导因素。总体来看，这20 a研究区的绿度指标q值都大于0.5，是影响元谋干热河谷生态环境变化的重要因素。其他因子也在不同程度上影响着生态环境的变化。

由图 5可知，探究2000—2020年影响元谋干热河谷生态环境变化的10因子间两两交互探测共产生36项交互结果。相较单因子，双因子的交互作用对元谋干热河谷生态环境的影响更为显著。主要表现在20 a间绿度、干度、湿度和热度指标、气温、降水、海拔、GDP值、人口密度、土地利用这10个因子，任意两因子的交互作用对元谋干热河谷生态环境质量的影响力均大于单因子的影响，且都显示为双因子增强。其中2000年影响RSEI最大的是土地利用∩绿度指标的交互作用q=0.712，是所有因子中对元谋干热河谷生态环境质量空间分异性有最强的解释力。而在2010年NDVI∩NDBSI交互作用q值在0.7以上，其影响最大。2020年NDVI∩LST的交互作用对元谋干热河谷的RSEI影响最强。从2000—2020年所有因子交互探测结果显示：绿度指标、土地利用和干度指标这3个因子对元谋干热河谷生态环境变化的影响最为显著。这20 a期间，绿度因素的影响作用逐渐增大，而植被覆盖度的提高对研究区生态环境恢复和治理中起着关键性的作用。而干度和土地利用的变化主要受土壤和城市扩张影响，导致地表裸露、干化严重。因此在恢复和保护当地生态环境，要注重合理开发利用土地资源和保护植被。

4 结论

(1) 利用RSEI模型并采用主成分分析方法来研究元谋干热河谷的生态环境质量变化情况。从时间上看，2000—2020年元谋干热河谷的RSEI均值从0.628增至0.684，增长率为8.92%，生态环境正在逐步改善；而空间上看，元谋干热河谷生态环境较好区域集中分布在元谋干热河谷高海拔植被覆盖度较高的地区；生态较差等级分布在金沙江和龙川江流域河谷两侧低海拔区域内，整体呈现出“中部低、四周高”分布特征。

(2) 从生态环境空间变化分析中可知，元谋干热河谷生态环境质量改善集中在中部与西部区域，而东部乡镇变化不大；从时间变化上看，2000年元谋干热河谷生态环境质量等级差的面积占研究区面积的18.63%，到2010年增长到31.48%。而随着生态环境改善，2020年生态等级较差的面积降至25.49%。这说明元谋干热河谷实施生态修复工程取得一定成效。

(3) 分析影响元谋干热河谷生态环境驱动力的结果显示：绿度指标和土地利用对生态环境质量的影响较为显著；2000—2020年各指标q的平均值排序大小为：NDVI＞土地利用＞NDBSI＞LST＞WET＞气温＞高程＞降水＞经济密度＞人口密度。再对比3期影响生态环境质量的因子发现，q值存在不同程度的变化，侧面说明在这20 a期间所选10个因子对元谋干热河谷生态环境质量的时空分布影响存在波动性。而两两因子交互后的q值均大于单因子的影响。其中绿度指标与其他因子交互后q值均大于0.5，而土地利用与其他因子相交的q值也显著大于其他交互结果。这进一步说明绿度和土地利用对元谋干热河谷的生态环境变化起着关键性作用。任意两因子间交互的影响力都要大于单因子的影响，说明元谋干热河谷的生态环境现状是自然和人为因素共同作用的结果，而气温、降水、人口及GDP等因素是其具体的表现。

因此，在发展元谋干热河谷社会经济的同时，应合理配置和利用土地资源，继续落实生态保护和修复工作，促进生态环境和谐发展。由于特定区域的绿度、湿度、干度和热量等指标的变化存在一定随机性，为了使本文的生态环境评价结果更加科学合理，在后续的研究中更详细结合元谋干热河谷的区域特征，建立更加完善的生态环境评价体系，为生态治理提供更加准确的方向。