1986—2024年斧头湖流域土地利用格局演变与生态质量评价研究

Land use pattern evolution and ecological quality assessment in the Futou Lake Basin from 1986 to 2024

摘要

基于1986—2024年Landsat地表反射率影像，采用支持向量机分类构建土地利用数据集，并结合遥感生态指数（RSEI）和富营养化指数（FUI），分别对斧头湖流域陆域与水体生态质量演变进行综合评估.结果表明：城镇建筑区面积由9.2 km²增至106.6 km²（+1 064%），扩张历经缓慢（1986—2000年）、加速（2000—2010年）和高速（2010—2024年）三阶段；森林净增196.62 km²（+31%），成为流域内面积最大且生态质量最佳的类型；农田与水体面积分别减少163.17 km²（-21%）和131.61 km²（-45%）.陆域生态质量呈“南优北差”格局，南部幕阜山森林区以优、良级为主，中部城镇建筑区整体较低；水体营养状态在2000—2015年富营养化显著加剧，湖区大面积由中营养转为富营养，随后于2015—2024年总体回落至中营养水平.研究结果可为流域土地资源优化配置、生态修复优先区划定及水质提升工程提供科学依据，对维护区域生态安全与可持续发展具有重要参考价值.

Abstract

Based on Landsat surface reflectance imagery from 1986 to 2024， a land use dataset was constructed using a support vector machine （SVM） classifier. The Remote Sensing Ecological Index （RESI） and the Eutrophication Index （FUI） were employed to comprehensively assess the ecological quality evolution of terrestrial and aquatic environments in the Futou Lake Basin. The results indicate that the urban built-up area expanded from 9.2 km² to 106.6 km²， representing a 1 064% increase， undergoing three distinct growth phases： slow （1986-2000）， accelerated （2000-2010）， and rapid expansion （2010-2024）. Forested areas increased by 196.62 km² （+31%）， becoming the dominant land cover type in terms of both area and ecological quality. In contrast， farmland and water bodies decreased by 163.17 km² （-21%） and 131.61 km² （-45%）， respectively. Terrestrial ecological quality exhibits a spatial pattern of “better in the south， poorer in the north，” with high-quality forests concentrated in the southern Mufu Mountain area and relatively lower-quality conditions in the central urban zone. The eutrophic state of water bodies intensified significantly between 2000 and 2015， with large areas shifting from mesotrophic to eutrophic conditions. However， from 2015 to 2024， a general reversion to mesotrophic levels was observed. These findings provide scientific support for the optimized allocation of land resources， delineation of priority areas for ecological restoration， and implementation of water quality improvement projects within the basin， offering valuable insights for regional ecological security and sustainable development.

Graphical abstract

关键词

LUCC / RSEI / FUI / 斧头湖 / 转移矩阵

Key words

LUCC / RSEI / FUI / Futou Lake / transfer matrix

湿地是位于陆地生态系统与水生生态系统之间的重要过渡带^［1］，为人类提供了诸多不可替代的生态系统服务功能，如调节气候、蓄洪防旱、净化水质、保护生物多样性等^［2］.湖泊作为湿地的典型类型，不仅为人类提供饮用水源、农业灌溉和水产养殖资源，还在防洪抗旱等方面发挥重要作用^［3］.然而，随着人类活动与气候变化的叠加效应，许多湖泊生态系统正面临富营养化等威胁，导致水质恶化、生态失衡，对区域水安全和生物多样性造成深远影响.

土地利用变化LUCC（land use and land cover change，LUCC）是驱动湖泊生态系统演变的关键因素，通过改变地表覆盖类型、利用结构和生态功能，直接影响水体的营养盐输入与生态系统平衡^［4］.已有研究系统总结了LUCC对生态系统过程与水环境的多重影响机制：土地利用转化通过改变地表径流与营养盐输送通量、岸线连通性及景观格局，进而驱动湖泊水质与富营养化水平的时空演变；在长江中下游平原湖群，2016—2020年间多湖表现出总磷主导的水质变化与富营养化差异，印证了人类活动与土地格局调整的重要作用^［5-6］.

在生态质量遥感评价方面，遥感生态指数（remote sensing ecological index，RSEI）已被广泛用于区域生态状况的综合表征与动态监测，其以“绿度—湿度—干度—热度”四要素经主成分分析构建综合指数，能够较好反映景观格局扰动对生态质量的响应^［7］.与此同时，水体富营养指数（forelule index，FUI）本质上是表征水色的指标，并非直接的富营养指数；但大量研究表明FUI与透明度、叶绿素a等参数存在统计相关，在一定条件下可作为营养状态的信息载体或替代变量使用^［8］.近年来，中下游平原湖区依托Landsat长时序数据在水体透明度/营养状态反演方面取得了重要进展，形成了跨年代的水色—清晰度—营养状态产品，为定量识别人类活动与气候变异的综合影响提供了数据基础^［9］.

斧头湖是长江中下游地区典型的湖泊湿地生态系统^［10］.斧头湖流域生态系统在维护区域生态平衡和经济社会发展中具有重要地位，不仅在生态保护和渔业资源开发中发挥着重要作用，还因其特殊的湿地资源与湖北其他湖群共同促进了区域经济的发展，同时也是区域水文调节、气候平衡的重要载体.近年来，斧头湖流域因土地利用格局剧烈变化和人类活动干扰，湿地面积与空间结构发生显著变化，对湖泊水质和生态服务功能产生了明显冲击^［11］.

针对斧头湖的研究亦在增多，一方面，有学者基于生态适宜性/功能分区探讨湖区保护与利用路径；另一方面，基于多源遥感卫星影像数据驱动反演为斧头湖总氮、总磷等关键指标提供了时空监测手段；区域层面则通过典型湖泊对比揭示了斧头湖在中游湖群中的富营养化演变特征与驱动差异^［12］.

不过尽管斧头湖具有重要生态与经济价值，但基于长时序的系统研究仍较为有限，LUCC与流域生态之间的作用机制尚需深入探讨.为此，本研究利用1986—2024年间的Landsat遥感影像数据，结合RSEI和FUI，综合评价斧头湖流域生态质量及其时空演变规律.与既有工作相比，本文的主要贡献在于： 1） 构建“LUCC-RSEI-FUI”三位一体的长时序（1986—2024年）评估框架，将土地格局演变与生态质量、水色/营养状态关联于同一时空基准； 2） 在中下游平原型湖泊情境下，系统量化土地利用变化情况； 3） 在斧头湖尺度形成可复用的数据处理流程与指标体系，为后续流域治理评估与协同管控提供可比证据.研究结果不仅能丰富湿地与湖泊生态研究的方法体系，也为斧头湖及类似区域的生态环境保护与水资源管理提供科学依据，对推动区域生态可持续发展具有重要意义.

1 研究区域与数据

1.1 研究区域概况

斧头湖流域位于湖北省东南部，跨武汉市江夏区、咸宁市咸安区和嘉鱼县^［13］，地理坐标为114°10'~114°15'E，29°56'~30°07'N.流域整体上地势复杂，东部与梁子湖相邻，西部和北部为冲积湖平原，西南部与西凉湖相接.流域北部的斧头湖水面平均面积约126 km²，为湖北省第四大淡水湖^［14］，中部为城镇建筑区，南部以森林为主（图1）.流域气候温和、雨量充沛，孕育了丰富的生物多样性，记录有武昌鱼、青虾、中华鳖、湖北圆吻鲴等珍稀水生物种，水鸟44种，浮游动植物及水生维管束植物种类繁多^［15］.

1.2 研究数据

本研究通过Google Earth Engine（GEE）平台（https：//code.earthengine.google.com）获取1986年至2024年斧头湖流域的Landsat-5（B1~B5，B7）与Landsat-8（B2~B7）地表反射率数据，其中1986年至2012年数据采用Landsat-5 TM（LANDSAT/LT05/C02/T1_L2），2013年至2024年数据采用Landsat-8 OLI（LANDSAT/LC08/C02/T1_L2）.影像数据已进行几何校正、大气校正及云掩膜等预处理，确保数据质量符合分类要求.在ENVI中采用支持向量机（support vector machine，SVM）方法对下载的Landsat-5与Landsat-8地表反射率数据进行分类，提取出斧头湖流域内的主要土地利用类型，构建LUCC数据集.同时，基于Landsat-5与Landsat-8地表反射率数据，在GEE平台分别计算斧头湖流域归一化植被指数（normalized difference vegetation index，NDVI）、湿润指数、干燥度指数（normalized difference built-up index，NDBSI）和地表温度（land surface temperature，LST），并进行主成分分析，构建RSEI来评估斧头湖流域陆域生态质量及时空演变规律；考虑到RSEI在水体存在NDVI偏低、湿度异常而导致生态质量被低估的情况，引入水体富营养化指数（FUI）来评估斧头湖水域的富营养化水平，通过陆域RSEI指数和水体FUI指数来共同评估斧头湖流域1986—2024年生态质量时空变化格局.

2 研究方法

本研究以1986—2024年多期Landsat影像为数据基础，经过辐射/大气校正与云阴影剔除后，采用SVM进行LUCC分类并获取转移矩阵，同时构建RSEI评价方法表征陆域生态质量，通过反演FUI表征水色/营养状态.整体技术路线如图2所示.

2.1 SVM土地利用分类

SVM是一种监督学习算法，广泛应用于分类和回归问题中.在遥感分类领域，SVM因其良好的泛化能力、对高维数据的处理能力以及对少量样本的鲁棒性，成为土地利用分类的常用方法^［16］.SVM的核心思想是通过寻找一个最优超平面将样本空间中的不同类别分开，并最大化超平面两侧的间隔，从而实现高精度分类.在土地利用分类中，SVM通过利用遥感影像的光谱信息，实现对不同地物类型的精确区分.

在本研究中，基于真彩色遥感影像，通过目视判别在斧头湖流域内选取了具有代表性的样本点，共涵盖农田、森林、灌木、草地、水体和建筑6类地物，为后续分类做准备.

本研究采用基于径向基核函数（radial basis function，RBF）的SVM分类器.RBF适用于非线性分类问题，其公式为：

K(x_i,x_j)=\mathrm{e}\mathrm{x}\mathrm{p}(-\gamma ||x_i-x_j|{|}^{\mathrm{2}}),（1）

其中，γ为核函数参数，控制样本点对超平面的影响范围，x_i\mathrm{、}{x}_j表示下标维度对应的特征向量.RBF核函数通过将低维特征空间的数据映射到高维空间，从而使原本线性不可分的样本在高维空间中实现线性可分^［17］.

为了验证分类结果的可靠性，本研究采用混淆矩阵对SVM分类效果进行评价，计算生产者精度、用户精度、总体精度及Kappa系数^［18］.生产者精度表示某一类别被正确分类的概率，用户精度反映分类结果的可靠性.总体精度衡量整体分类正确率，而Kappa系数用于评估分类结果相较于随机分类的改进程度，SVM分类结果见表2.

本研究的总体精度达到了98.13%，Kappa系数为97.17%，分类精度较高.其中，森林和水体的分类精度最高，用户精度分别达到99.35%和99.36%，生产者精度分别达到99.13%和99.42%，而建筑区的分类精度相对较低，用户精度达到87.93%，生产者精度达到89.22%.各精度指标值整体表明SVM分类方法的高可靠性.

2.2 土地利用转移矩阵

土地利用转移矩阵是研究土地利用变化特征的重要工具，用于量化不同土地利用类型之间的转移情况，能够反映研究区域在不同时期内土地利用类型的数量变化、结构变化及转移方向^［19］.通过转移矩阵，可以清晰地了解各类地物在时间尺度上的动态变化特征.

土地利用转移矩阵的数学表达形式为：​​​

U=\left[\begin{array}{cccc}{U}_{\mathrm{11}}& U_{\mathrm{12}}& \cdots & U_{\mathrm{1}n}\\ U_{\mathrm{21}}& U_{\mathrm{22}}& \cdots & U_{\mathrm{2}n}\\ ⋮& ⋮& \ddots & ⋮\\ U_{n\mathrm{1}}& U_{n\mathrm{2}}& \cdots & U_{nn}\end{array}\right],（2）

其中，U为土地利用转移矩阵；U_{ij}表示在两个时间点间，第i类土地类型转移为第j类土地类型的面积（km²）；n为土地利用类型的总数^［20］.

2.3 RSEI

RSEI评价方法是一种基于遥感影像，通过综合多项生态指标并运用主成分分析（principal component analysis，PCA）构建的评价指标体系，进行生态质量评价的方法.RSEI综合了绿度（NDVI）、湿度（WET）、干度（NDBSI）和热度（LST）4个关键生态因子，这些因子均可直接由卫星影像的地表反射率数据计算得到，因而具有操作简便、区域适应性强等优点^［21］.

绿度由NDVI表示，计算公式为：

I_{\mathrm{N}\mathrm{D}\mathrm{V}}=\frac{{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}-{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}}{{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}},（3）

其中，{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}} 为近红外波段，{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}为红波段^［22］.

湿度反映了地表的湿润程度，用基于Tasseled Cap变换的湿润指数表示，其公式为：

\begin{array}{l}WE{T}_{\mathrm{T}\mathrm{M}}=\mathrm{0.0315}{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}}+\mathrm{0.2021}{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+\mathrm{0.3102}{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}+\mathrm{0.1594}{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}-\mathrm{0.6806}{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}-\mathrm{0.6109}{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{2}},\\ \end{array}（4）

WE{T}_{\mathrm{O}\mathrm{L}\mathrm{I}}=\mathrm{0.1511}{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}}+\mathrm{0.1973}{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+\mathrm{0.3283}{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}+\mathrm{0.3407}{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}-\mathrm{0}.{\mathrm{7117}}_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}-\mathrm{0.4559}{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{2}},（5）

其中，{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}}、{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}、{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}、{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}、{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}、{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{2}} 分别为Landsat影像的蓝波段（TM B1/OLI B2）、绿波段（TM B2/OLI B3）、红波段（TM B3/OLI B4）、近红外波段（TM B4/OLI B5）、短波红外1波段（TM B5 /OLI B6）、短波红外2波段（TM B7/OLI B7）^［23］.

干度由NDBSI表示，是通过裸土指数（I_S）和建筑用地指数（I_BI）整合计算的人工地表指数^［24］.其计算公式为：

I_{\mathrm{N}\mathrm{D}\mathrm{B}\mathrm{S}}=\frac{I_{\mathrm{B}\mathrm{I}}+I_{\mathrm{S}}}{\mathrm{2}}.（6）

裸土指数（I_{\mathrm{S}}）的计算公式为^［25］：

I_{\mathrm{S}}=\frac{({\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}+{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}})-({\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}})}{({\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}+{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}})+({\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}})}.（7）

建筑用地指数（IBI）的计算公式为^［26］：

I_{\mathrm{I}\mathrm{B}}=\frac{\frac{\mathrm{2}\times {\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}}{{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}+{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}}-\left(\frac{{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}}{{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}}+\frac{{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}}{{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}}\right)}{\frac{\mathrm{2}\times {\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}}{{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}+{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}}+\left(\frac{{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}}{{\lambda }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}}+\frac{{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}}{{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+{\lambda }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}\mathrm{1}}}\right)}.（8）

热度由T_LS表示，T_LS利用热红外波段（{\lambda }_{tir}）计算，采用比辐射率修正公式：

T_{\mathrm{L}\mathrm{S}}=\frac{{\lambda }_{\mathrm{t}\mathrm{i}\mathrm{r}}}{\mathrm{1}+\left(\mathrm{0.00115}\times \frac{{\lambda }_{tir}}{\mathrm{1.438}}\right)\mathrm{l}\mathrm{n}(\mathrm{ϵ})}-\mathrm{273.15},（9）

其中，\mathrm{ϵ} 为地表比辐射率，由植被覆盖度（FVC）估算^［27］.FVC计算公式为：

C_{\mathrm{F}\mathrm{V}}=\frac{I_{\mathrm{N}\mathrm{D}\mathrm{V}}-I_{\mathrm{N}\mathrm{D}\mathrm{V},\mathrm{m}\mathrm{i}\mathrm{n}}}{I_{\mathrm{N}\mathrm{D}\mathrm{V},\mathrm{m}\mathrm{a}\mathrm{x}}-I_{\mathrm{N}\mathrm{D}\mathrm{V},\mathrm{m}\mathrm{i}\mathrm{n}}},（10）

比辐射率计算公式为：

\mathrm{ϵ}=C_{\mathrm{F}\mathrm{V}}\times \mathrm{0.004}+\mathrm{0.986}.（11）

RSEI的构建通过PCA将NDVI、WET、NDBSI和LST这4个指标综合为一个生态指数.首先是计算协方差矩阵，将4个指标标准化后进行中心化处理^［28］，公式为：

\mathrm{C}\mathrm{o}\mathrm{v}(X)=\frac{\mathrm{1}}{n-\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^n}(X_i-\overline{X})(X_i{-\overline{X})}^{\mathrm{T}}.（12）

然后对协方差矩阵进行特征值分解，求解特征值λ及其对应的特征向量.特征值的大小表示主成分的方差贡献率.然后将标准化的指标影像投影到主成分空间：

P{C}_i={\vec{v}}^{\mathrm{T}}\cdot X,（13）

其中，PC_i 为第i个主成分，X为输入数据矩阵，{\vec{v}}^{\mathrm{T}}为特征向量矩阵.

取第一主成分（PC₁）作为RSEI的综合指数^［29］，并进行归一化：

I_{\mathrm{R}\mathrm{S}\mathrm{E}}=\frac{P{C}_{\mathrm{1}}-P{C}_{\mathrm{1},\mathrm{m}\mathrm{i}\mathrm{n}}}{P{C}_{\mathrm{1},\mathrm{m}\mathrm{a}\mathrm{x}}-P{C}_{\mathrm{1},\mathrm{m}\mathrm{i}\mathrm{n}}},（14）

本研究基于Landsat-5和Landsat-8遥感影像数据，采用Google Earth Engine（GEE）平台进行RSEI的构建与分析，选择1986年至2024年生长季（4月至10月）的Landsat-5和Landsat-8遥感影像数据，按斧头湖流域进行筛选，并应用质量掩膜去除云和其他低质量像元.由于指标数据全部来源于遥感数据，且不需要设置权重，具有较强的客观性与可对比性.RSEI以［0，0.2］、（0.2，0.4］、（0.4，0.6］、（0.6，0.8］和（0.8，1］为分割标准将陆地区域的环境质量划分为差、较差、中等、良和优共5个等级，以便对流域生态环境质量进行评估^［30］.

参考黄炜宏等^［31］的研究，将RSEI等级降低两级及以上为生态质量显著恶化，降低一级为轻微恶化，等级变化为 0 则为不变，等级增加一级为轻微改善，等级增加两级及以上为显著改善.

2.4 水体营养状态评价

尽管RSEI在陆域生态质量监测中具有良好表现，但由于水体普遍存在NDVI值低、湿度指标异常等特征，直接应用RSEI可能会系统性地低估其生态质量，难以准确反映富营养化程度等关键水生态特征.因此，本文采用分区评价策略，陆地区域采用RSEI指标表征生态质量，水体区域（斧头湖）则引入FUI进行补充评价，以更全面地反映流域内不同生态单元的环境状态与演变特征.FUI的构建基于CIE色度坐标体系这一由国际标准照明委员会制定的可见光颜色空间标准^［32］，该系统通过CIE色度空间的X、Y、Z三坐标替代了卫星影像反射率中的红（red）、绿（green）、蓝（blue）波段反射率^［33］.在本研究中，首先基于公式（15）~（20）将 Landsat 的 RGB 波段反射率转换为二维色度空间；随后计算色度角（Hue angle，α）^［34］；最后，基于色度角α和FUI指数查找表，在查找表中定位与α最邻近的色度值，该色度值对应的FUI即水体的FUI水色指数.具体公式如下：

X=\mathrm{2.7689}{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}+\mathrm{1.7517}{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+\mathrm{1.1302}{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}},（15）

Y=\mathrm{1.0000}{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}+\mathrm{4.5907}{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+\mathrm{0.0601}{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}},（16）

Z=\mathrm{0.0000}{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{d}}+\mathrm{0.0565}{\lambda }_{\mathrm{g}\mathrm{r}\mathrm{e}\mathrm{e}\mathrm{n}}+\mathrm{5.5934}{\lambda }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}},（17）

x=\frac{X}{X+Y+Z},（18）

y=\frac{Y}{X+Y+Z},（19）

\alpha =\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\left(\frac{y-y_{\mathrm{0}}}{x-x_{\mathrm{0}}}\right),（20）

其中，x₀ 和y₀ 为色度空间的参考点坐标.

水体营养状态依据FUI值表征的水色状态进行分类.该分类算法基于Hydrolight仿真数据集及全球实测数据建立，并参考以往对太湖、巢湖和长寿湖的研究^［34］，将水体划分为贫营养状态（1≤FUI<7），中营养状态（7≤FUI<10），富营养状态（10≤FUI）.

3 结果与分析

3.1 斧头湖流域LUCC动态演变过程

3.1.1 土地利用类型空间分布

1986—2024年间，斧头湖流域的土地利用格局呈现出显著的时空演变特征（图3）. 建筑用地由1986年9.2 km²增至2024年的106.6 km²，扩张率高达1 064 %.空间上以中部城镇建筑区为核心，沿主要交通走廊向北缘及东南郊呈扇形蔓延.时间上可划分三阶段：1986—2000年扩张速率约1.2 km²·a^-1，属缓慢增长；2000—2010年增至约1.9 km²·a^-1，进入加速期；而在2010—2024年进一步跃升至约3.9 km²·a^-1，呈现高速扩张态势.森林面积由635.56 km²增至832.17 km²，净增196.62 km²（增长31%），占比从37.3%提升到48.9%.南部幕阜山林地维持高覆盖度，提供稳定生态屏障，森林成为流域面积最大、生态质量最优的土地类型.农田面积从764.6 km²降至601.5 km²（降低21%），占比由44.9%减至35.4%，农田流失主要集中在中部；值得注意的是，2015—2020年农田面积年均减少仅1.2 km²·a^-1，但2020—2024年减少量骤增至34.6 km²·a^-1，反映出最新一轮城镇扩张对农田面积的影响.水体面积由292.9 km²减为161.3 km²（降低45%）.1986—1990年均减少29.8 km²；1990—2015年间总体保持170±10 km²的相对稳定；2020年后再次小幅缩减，空间上仍以北部的斧头湖为主要水域范围.综合来看，近40年间斧头湖流域土地利用演变呈现“城镇扩张—耕地收缩—森林恢复”的典型梯度：中部建成区快速膨胀，农田面积持续让位；南部及东北部山丘区森林覆盖率显著提高，为流域生态安全格局提供了新的支撑.

3.1.2 土地覆盖变化特征

近40年的研究期间，流域内土地利用格局不断演变，建筑用地和森林面积扩张明显.建筑用地新增面积达97.4 km²，主要来源于农田（77.2 km²）和森林（16.3 km²）转化.森林面积出现明显增长，新增面积达197.0 km²，其中流域东北部有252.2 km²农田转化为森林，同时城市西部周边有90.5 km²森林转化为农田.农田和水体面积出现减少，其中农田面积因建筑用地扩张和森林面积增加而减少了162.7 km².水体面积净减少131.7 km²，转化方向主要是农田（86.7 km²）和森林（55.8 km²）（见表3）.

3.2 斧头湖流域生态质量时空变化

3.2.1 生态质量空间格局

使用RSEI评价长时间尺度斧头湖流域陆地区域的生态环境质量（如图4所示）.RSEI展示出明显的空间分异特征，整体呈现出南高北低的格局.其中，南部地区的RSEI值普遍较高，生态环境质量以良和优为主，主要分布于森林区域.这些区域因植被覆盖度高、人类干扰较小，生态系统稳定性较强，是生态安全格局的重要支撑带.中部地区RSEI变化较大，表现出一定的空间不均衡性，优良区域与中等区域交错分布，多为复合土地利用结构下的生态过渡带，该区域受人为活动干扰强烈，植被破碎化严重，是生态脆弱区的典型代表.北部区域的RSEI值高于中部地区，但低于南部区域，生态质量级别多为良.从空间格局演变来看，RSEI的空间分布变化与土地利用类型变化具有高度一致性.例如在中部地区，原为耕地区域逐渐转化为城镇建设用地，其RSEI明显下降，生态环境质量退化趋势显著.相反，在南部实施生态保护较好的区域，RSEI值则呈上升趋势，说明生态修复工程对提升局部生态质量具有积极成效.

FUI指数评价结果显示：1986—2005年斧头湖整体处于中营养状态，仅沿岸部分湖汊表现为富营养状态；2000年在部分水域出现了贫营养状态.2005—2015年间水体富营养化状态显著加剧，大面积湖区由中营养状态转变为富营养状态，反映出该时期外源与内源污染均有所增加.2020年至2024年，斧头湖水质明显改善，主要湖体水域恢复到中营养状态，仅零星沿岸湖汊区域呈富营养状态.具体如图5所示.

3.2.2 生态环境质量时序变化

通过RSEI等级变化趋势分析发现，斧头湖流域陆域生态环境质量在1986—2024年经历了显著的时间变化（如图6所示）.1986—2000年期间，轻微改善和显著改善区域主要分布在流域北部的零散区域，轻微恶化区域主要分布于流域中部的建设用地扩张区域和西南部的森林区域.2000—2010年期间，整体环境质量仍呈现恶化的现象，到2010年西南区域的恶化现象有所缓解.2010—2020年期间出现大面积轻微恶化，几乎整个陆地区域大面积出现轻微恶化，可能与森林破坏和建设用地扩张有关.2020—2024年期间，北部出现了少量的轻微改善和显著改善区域，显示出生态修复工作的积极效果，整体上生态环境质量并未变化.

图7展示了1986—2024年斧头湖水体FUI等级变化的空间分布情况.1986—2000年湖区大部分水域表现为显著改善或轻微改善，表明富营养化程度普遍降低，可能与当时人类活动总体强度相对较小以及湖泊自净能力的发挥有关^［35］.2000—2005年出现了一定程度的分化现象，一方面，湖泊西岸地区的面源污染有所减轻，出现显著改善；另一方面，还有一些沿岸地带（湖泊西南、东南、东北角）则表现为轻微恶化或显著恶化.整体上，湖泊水体富营养化水平仍在波动中缓慢加剧.2005—2010年，湖区显现出明显的轻微恶化或显著恶化区域，尤其在北部，这可能与建设用地快速扩张、农业化肥施用量增加以及入湖污染物总量升高有关^［35］，相较前一阶段，整体富营养化的恶化趋势在局部地区开始加剧.与2005—2010年相比，2010—2015年水体富营养化进一步加剧.大量区域由此前的改善或不变演化为轻微恶化或显著恶化，表明湖泊富营养化程度显著上升，亟需加强污染控制与生态修复.总体来说，2015—2024年斧头湖水体出现大范围的改善，在中部与东部水域表现明显.极少数沿岸区域仍维持恶化程度不变的状态，局部污染尚未得到完全控制和彻底治理.

4 总结与建议

基于1986—2024年多源Landsat影像，本研究综合采用SVM分类、RSEI评价与计算FUI值等方法，对斧头湖流域近40年来的LUCC与生态环境质量演变进行系统分析.结果显示，建筑用地在此期间持续扩张，主要来源于农田与森林的转化；与此同时，在流域东北部，大面积农田逐步恢复为森林，体现了一定的生态修复成效.整体上，农田与水体面积均有所减少.

RSEI评估表明，斧头湖流域陆地区域的生态环境质量具有显著的时空分异，南部植被覆盖度高、人类干扰相对较小，整体维持较好水平；中部与北部因城镇扩张、耕地破坏与湿地萎缩而生态退化较为明显.2010—2020年期间，中部和东南部大面积恶化，2020—2024年则在生态修复的推动下北部出现零星改善，并遏制住了恶化趋势.另一方面，FUI揭示了湖区水体富营养化在2000—2015年间趋于富营养化，在2015—2024年得到一定程度改善.总体而言，斧头湖流域在快速城市化与生态修复的双重作用下，土地利用格局和水体生态状况呈现出破坏-修复并存的动态演化特征^［36］.与传统研究主要聚焦于单一湖泊水质富营养化问题或者侧重陆域生态质量评估相比^{［1， 30］}，本研究同时结合陆域土地利用格局与水体富营养化指数开展综合评价，充分体现了斧头湖流域在城市化与生态修复双重作用下的动态演化特征，分析时间跨度长、方法体系完整，对内陆湖泊流域多重生态要素的协同研究更具系统性与创新性.未来需继续强化湿地保护、面源污染控制和综合治理措施，以实现流域生态系统的可持续发展.

参考文献

[1] 安杰， 杨梅， 黄韵， 等. 重庆市长寿湖水质营养状态调查评价及特征分析［J］. 环境污染与防治， 2023， 45（5）： 694-699.

[2] AN J， YANG M， HUANG Y， et al. Investigation， evaluation and characteristic analysis of water quality and nutritional status of Changshou Lake in Chongqing［J］. Environmental Pollution and Control， 2023， 45（5）： 694-699. （Ch）.

[3] 徐昔保， 杨桂山， 江波. 湖泊湿地生态系统服务研究进展［J］. 生态学报， 2018， 38（20）： 7149-7158.

[4] XU X B， YANG G S， JIANG B. Progress in lake-wetland ecosystem services［J］. Acta Ecologica Sinica， 2018， 38（20）： 7149-7158. （Ch）.

[5] 秦伯强， 高光， 胡维平， 等. 浅水湖泊生态系统恢复的理论与实践思考［J］. 湖泊科学， 2005， 17（1）： 9-16.

[6] QIN B Q， GAO G， HU W P， et al. Reflections on the theory and practice of shallow lake ecosystem restoration［J］. Journal of Lake Science， 2005， 17（1）： 9-16. （Ch）.

[7] 郑颖雯， 王周锋， 李思杰， 等. 近30年来渭河流域土地利用/覆被时空动态演化特征及驱动力分析［J］. 环境科学， 2025： 1-18.

[8] ZHENG Y W， WANG Z F， LI S J， et al. Analysis of spatiotemporal dynamic evolution characteristics and driving forces of land use/cover change in the Weihe river basin in the past 30 years［J］. Environmental Science， 2025： 1-18. （Ch）.

[9] 张新荣， 刘林萍， 方石， 等. 土地利用、覆被变化（LUCC）与环境变化关系研究进展［J］. 生态环境学报， 2014， 23（12）： 2013-2021.

[10] ZHANG X R， LIU L P， FANG S， et al. Research advances on the relationship between land use/cover change and environmental change［J］. Ecology and Environmental Sciences， 2014， 23（12）： 2013-2021. （Ch）.

[11] 赵晏慧， 李韬， 黄波， 等. 2016—2020年长江中游典型湖泊水质和富营养化演变特征及其驱动因素［J］. 湖泊科学， 2022， 34（5）： 1441-1451.

[12] ZHAO Y H， LI T， HUANG B， et al. Evolution characteristics and driving factors of water quality and eutrophication of typical lakes in the middle reaches of the Yangtze River from 2016 to 2020［J］. Journal of Lake Sciences， 2022， 34（5）： 1441-1451. （Ch）.

[13] XU H Q， WANG Y F， GUAN H D， et al. Detecting ecological changes with a remote sensing based ecological index （RSEI） produced time series and change vector analysis［J/OL］. Remote Sensing， 2019， 11（20）［2025-10-11］.

[14] YE M， SUN Y H. Review of the Forel-Ule Index based on in situ and remote sensing methods and application in water quality assessment［J］. Environmental Science and Pollution Research， 2022， 29（9）： 13024-13041.

[15] HU M Q， MA R H， XUE K， et al. A dataset of trophic state index for nation-scale lakes in China from 40-year Landsat observations［J/OL］. Scientific Data， 2024， 11［2025-10-11］.

[16] 袁莉蓉， 齐婷， 喻光明. 内陆湿地土地利用变化的生态效应——以斧头湖为例 ［J］. 海洋湖沼通报， 2014（1）： 129-36.

[17] YUAN L R， QI T， YU G M. Ecological effects of land-use change in inland wetlands： a case study of Futou Lake ［J］. Transactions of Oceanology and Limnology， 2014（1）： 129-36. （Ch）.

[18] 李迎雪. 基于面源污染削减的梁子湖小流域植被缓冲带构建研究［D］. 武汉： 华中农业大学， 2024.

[19] LI Y X. Construction of vegetative buffer belts in small watersheds of Liangzi Lake based on non-point source pollution reduction ［D］. Wuhan： Huazhong Agricultural University， 2024. （Ch）.

[20] 孔令阳， 李中强， 王双玲， 等. 基于生态适宜性分析的湖泊保护与利用——以湖北斧头湖为例［J］. 湖泊科学， 2012， 24（1）： 67-74.

[21] KONG L Y， LI Z Q， WANG S L， et al. Lake conservation and utilization based on ecological suitability analysis： a case study of Lake Futou in Hubei Province［J］. Journal of Lake Sciences， 2012， 24（1）： 67-74. （Ch）.

[22] 邓东升， 陈玉兰. 咸宁斧头湖水环境污染及防治措施分析［J］. 绿色科技， 2024， 26（20）： 158-161.

[23] DENG D S， CHEN Y L. Analysis of water environmental pollution and prevention measures of Xianning futou lake［J］. Journal of Green Science and Technology， 2024， 26（20）： 158-161.

[24] 李伟， 钟扬. 湖北斧头湖湖滨湿地植物的联结与相关分析［J］. 武汉植物学研究， 1995， 13（1）： 65-69.

[25] LI W， ZHONG Y. Association and correlation correlation analyese of the shoreline wetland plants in Futouhu Lake［J］. Plant Science Journal， 1995， 13（1）： 65-69.

[26] 徐艺文. 江汉湖群典型浅水性湖泊水生植物群落多样性研究——以斧头湖、梁子湖、网湖、长湖、涨渡湖为例［D］. 武汉： 湖北大学， 2019.

[27] XU Y W. Diversity of aquatic plant communities in typical shallow lakes of the Jianghan lake group ［D］. Wuhan： Hubei University， 2019. （Ch）.

[28] 孙艳艳， 曹洪涛， 张甲波， 等. 基于粒子群优化的支持向量机模型的水质参数遥感反演研究［J］. 环境保护科学， 2025， 51（4）： 86-95.

[29] SUN Y Y， CAO H T， ZHANG J B， et al. Research on remote sensing inversion of water quality parameters using support vector machine based on particle swarm optimization［J］. Environmental Protection Science， 2025， 51（4）： 86-95.

[30] 谭伊巧. 基于神经正切核的多核ANN-SVM分类器研究［D］. 兰州： 兰州交通大学， 2024.

[31] TAN Y Q. Research on multi-kernel ANN-SVM classifier based on neural tangent kernel［D］. Lanzhou： Lanzhou Jiatong University， 2024. （Ch）.

[32] 扈廷锐， 高怡凡， 陈李， 等. 基于决策树的GIS空间分析课程考核分析［J］. 地理空间信息， 2024， 22（8）： 129-132.

[33] HU T R， GAO Y F， CHEN L， et al. Assessment analysis of GIS spatial analysis course based on decision tree［J］. Geospatial Information， 2024， 22（8）： 129-132. （Ch）.

[34] 高文龙， 张景华， 刘洪， 等. 基于转移矩阵的大凉山区土地利用变化研究［J］. 西北地质， 2025， 58（1）： 270-281.

[35] GAO W L， ZHANG J H， LIU H， et al. Study on land use change in Daliangshan Area based on transfer matrix［J］. Northwestern Geology， 2025， 58（1）： 270-281. （Ch）.

[36] 彭文博， 孙文静， 薛帅栋， 等. 基于遥感与定量分析的开封市土地利用结构变化研究［J］. 地理空间信息， 2025： 1-8.

[37] PENG W B， SUN W J， XUE S D， et al. Changes in land-use structure in Kaifeng based on remote sensing and quantitative analysis［J］. Geospatial Information， 2025： 1-8.（Ch）.

[38] 徐涵秋. 城市遥感生态指数的创建及其应用［J］. 生态学报， 2013， 33（24）： 7853-7862.

[39] XU H Q. A remote sensing urban ecological index and its application［J］. Acta Ecologica Sinica， 2013， 33（24）： 7853-7862. （Ch）.

[40] 杨帆， 张亚军， 朱恕节， 等. 2000—2020年陕西省NDVI对气象和空气污染因素的空间响应［J］. 环境科学与技术， 2025： 1-10.

[41] YANG F， ZHANG Y J， ZHU S J， et al. Spatial response of NDVI to meteorological and air pollution factors in Shaanxi Province from 2000 to 2020［J］. Environmental Science & Technology， 2025： 1-10. （Ch）.

[42] 胡景淞. 基于遥感生态指数的鄂州市梁子湖区生态环境质量评价［D］. 武汉： 华中师范大学， 2023.

[43] HU J S. Assessment of ecological-environment quality in Liangzi Lake District， Ezhou based on the Remote Sensing Ecological Index［D］. Wuhan： Central China Normal University， 2023. （Ch）.

[44] 杨旭志， 于欢， 罗瑞， 等. 基于RSEI的成都市主城区生态质量评估及对功能分区的响应分析［J］. 环境科学， 2025： 1-18.

[45] YANG X Z， YU H， LUO R， et al. Ecological quality assessment of Chengdu’s main urban area based on RSEI and its response to functional zoning ［J］. Environmental Science， 2025： 1-18.（Ch）.

[46] 江昌琛， 马黎华， 张维. 巫山县生态环境质量评价及主导因子分析［J］. 西南大学学报（自然科学版）， 2025， 47（9）： 216-232.

[47] JIANG C C， MA L H， ZHANG W. Evaluation of ecological environment quality of Wushan County and dominant factors analysis［J］. Journal of Southwest University （Natural Science Edition）， 2025， 47（9）： 216-232. （Ch）.

[48] 孙康元， 张琦， 夏尚铭. 遥感监测技术在潍坊市黑臭水体监管中的应用［J］. 山东水利， 2025（8）： 52-54.

[49] SUN K Y， ZHANG Q， XIA S M. Application of remote sensing monitoring technology in the supervision of black and odorous water bodies in Weifang［J］. Shandong Water Resources， 2025（8）： 52-54. （Ch）.

[50] 王驰， 杨金戈， 张国峰， 等. 镜面反射对植被指数和植被覆盖度的影响及实验测量［J］. 中国测试， 2025， 51（9）： 35-43.

[51] WANG C， YANG J G， ZHANG G F， et al. The effects of specular reflection on vegetation index and fractional vegetation cover and experimental measurement［J］. China Measurement & Test， 2025， 51（9）： 35-43. （Ch）.

[52] 范益恺， 黎烨， 陈增明， 等. 三江平原旱作黑土质量演变及其驱动因子分析［J］. 农业工程学报， 2025： 1-11.

[53] FAN Y K， LI Y， CHEN Z M， et al. Evolution of dryland black-soil quality in the Sanjiang Plain and its driving factors［J］. Transactions of the Chinese Society of Agricultural Engineering， 2025： 1-11.（Ch）.

[54] 韩文娟， 李志东， 张雅楠， 等. 基于遥感生态指数与土地利用转移矩阵的沈阳市2003—2023年生态环境质量评价［J］. 乡村科技， 2025， 16（14）： 118-124.

[55] HAN W J， LI Z D， ZHANG Y N， et al. Evaluation of the ecological environment quality in Shenyang City from 2003 to 2023 based on the remote sensing ecological index［J］. Rural Science and Technology， 2025， 16（14）： 118-124. （Ch）.

[56] 邵志东， 张芳， 彭康， 等. 基于土地覆盖变化与遥感生态指数的奇台绿洲生态环境质量监测［J］. 环境科学， 2024， 45（10）： 5890-5899.

[57] SHAO Z D， ZHANG F， PENG K， et al. Ecological environment quality monitoring of Qitai oasis based on land use/cover change and remote sensing ecological index［J］. Environmental Science， 2024， 45（10）： 5890-5899. （Ch）.

[58] 黄炜宏， 徐智新， 曾波， 等. 基于RSEI的福建省生态环境质量变化特征研究［J］. 人民长江， 2024， 55（12）： 107-117.

[59] HUANG W H， XU Z X， ZENG B， et al. Research on characteristics of changes in ecological environment quality of Fujian Province based on RSEI［J］. Yangtze River， 2024， 55（12）： 107-117. （Ch）.

[60] WERNAND M R， VAN DER WOERD H J. Spectral analysis of the Forel-Ule ocean colour comparator scale［J/OL］. Journal of the European Optical Society-Rapid Publications， 2010， 5［2025-10-11］.

[61] SCHANDA J. Colorimetry： Understanding the CIE System［M］. Newyork： John Wiley & Sons Press， 2007.

[62] WANG S L， LI J S， ZHANG B， et al. Trophic state assessment of global inland waters using a MODIS-derived Forel-Ule index［J］. Remote Sensing of Environment， 2018， 217： 444-460.

[63] 胡永歌. 郑州市生境质量空间分异及驱动机制研究［D］. 郑州： 河南农业大学， 2024.

[64] HU Y G. Spatial differentiation and driving mechanisms of habitat quality in Zhengzhou［D］. Zhengzhou： Henan Agricultural University， 2024. （Ch）.

[65] 张佩瑶. 环维多利亚湖地区非点源污染模拟研究——以坦桑尼亚Simiyu流域为例［D］. 南京： 南京信息工程大学， 2024.

[66] ZHANG P Y. Modeling of non-point source pollution in the Lake Victoria region［D］. Nanjing： Nanjing University of Information Science & Technology， 2024. （Ch）.

基金资助

国防科工局高分辨率对地观测系统重大专项政府综合治理应用与规模化产业化示范项目(81-Y50G20-9001-22/23)