淮河生态经济带生态环境质量时空演变及驱动因素分析

Spatio-temporal evolution and driving factors analysis of ecological and environmental quality in Huaihe River Eco-Economic Belt

摘要

为全面评估淮河生态经济带生态环境质量的时空演变特征，基于遥感生态指数（RSEI）数据，结合地形、气候、植被覆盖度、土地利用类型、GDP、人口密度及夜间灯光等多源数据，利用一元线性回归分析和重心迁移模型等方法，揭示了淮河生态经济带2001—2021年生态环境质量的时空变化特征，并借助地理探测器深入剖析了关键驱动因子及其交互作用对生态环境质量的定量影响。结果表明：1）该区域生态环境质量年际变化呈现波动性，总体趋势稳中有升，空间上则表现为西南高、东北低的分布特征，且不同区域的等级面积占比差异显著；2）不同等级生态环境质量区域空间集聚动态复杂多样，其重心总体向西北方向迁移；3）自然因素中的坡度和高程对区域生态环境质量的影响最大，社会经济因素中土地利用类型和夜间灯光的影响逐渐增强。此外，地形因子与相对湿度、降水等因子的交互作用对生态环境质量空间分布具有显著影响。研究成果可为淮河生态经济带的生态环境保护策略及可持续发展路径提供坚实的科学依据与决策支持。

Abstract

To comprehensively assess the spatiotemporal evolution characteristics of ecological environment quality in the Huaihe River Eco⁃Economic Belt， the remote sensing ecological index （RSEI） data， combined with multi⁃source data including topography， climate， vegetation coverage， land use type， GDP， population density， and nighttime light were utilized. The methods such as univariate linear regression analysis and the center of gravity migration model were employed to reveal the spatiotemporal variation characteristics of ecological environment quality in the Huaihe River Eco⁃Economic Belt from 2001 to 2021. Furthermore， the geodetector was applied to deeply analyze the quantitative impacts of key factors and their interactions on ecological environment quality. The results indicated that： 1） The interannual variation of ecological environment quality in this region had exhibited fluctuations， with an overall trend of stable improvement. Spatially， the ecological environment quality had shown a pattern of being higher in the southwest and lower in the northeast， with significant differences in the area proportions of different quality grades. 2） The spatial agglomeration dynamics of regions with different ecological environment quality grades had been complex and diverse， generally migrating toward the northwest. 3） Among natural factors， the slope and elevation have had the greatest impact on ecological environment quality， while among socioeconomic factors， the influence of land use type and nighttime light had gradually strengthened. The interaction between topographic factors and relative humidity， precipitation， and other factors had exerted a significant influence on the spatial distribution of ecological environment quality. The research findings might provide a scientific basis and decision-making support for ecological environment protection strategies and sustainable development pathways in the Huaihe River Eco-Economic Belt.

Graphical abstract

关键词

生态环境质量 / 遥感生态指数 / 地理探测器 / 淮河生态经济带

Key words

ecological environment quality / remote sensing ecological index / geodetector / Huaihe River Eco-Economic Belt

0 引言

生态环境质量评估通过多要素指标体系的构建，定量刻画生态系统对人类活动和社会经济发展的支撑能力^［1］。自20世纪60年代起，国际社会逐步建立环境评价体系，如美国的《国家环境政策法》奠定了制度基础^［2］，而遥感与GIS技术的发展推动了评估方法从地面监测向空、天、地一体化转变。其中，遥感生态指数（RSEI）通过集成绿度、湿度、热度和干度等核心指标，实现了区域生态环境质量的快速、客观评价，并在不同生态系统中得到广泛应用^［3-4］。

针对RSEI的局限性，学者们通过引入动态栖息地指数^［5］、PM_2.5浓度^［6］等改进模型，提升了其在国家公园、矿区等特定场景的适用性。在分析方法上，趋势检验（如Theil⁃Sen⁃Mann⁃Kendall）^［7］、地理探测器^［8］等技术的应用，深化了对生态环境质量时空演变规律与驱动机制的理解，为科学管理提供支撑。

淮河生态经济带是我国南北过渡的关键生态廊道，其环境质量演变对区域可持续发展具有重要影响^［9］。然而，现有研究缺乏对该区域长时间序列的系统分析，尤其在自然因素（气候、水文）与人类活动（土地利用、城市化）的交互作用机制方面研究不足。因此，本研究基于2001—2021年数据，结合RSEI与地理探测器方法，揭示淮河生态经济带生态环境质量的时空分异规律及驱动因素，为区域生态保护与绿色发展提供科学依据。

1 研究区概况

2018年国务院颁布的《淮河生态经济带发展规划》划定了一个总面积约24.3万km²的重要区域，涵盖苏、皖、鲁、豫、鄂5省25个地级市和4个县域（图1）。该区域（31°01'—36°13'N，112°14'—120°54'E）具有典型的季风气候特征，地形以平原为主（占50%以上），兼具山地丘陵，植被呈现暖温带向亚热带过渡的分布特点。作为我国重要的生态安全屏障，该地区不仅是主要农业产区，还集聚了食品加工、电子信息与装备制造等多元产业。随着区域协同发展的深入推进，淮河生态经济带正逐步成为推动我国中东部地区高质量发展的新增长极。

2 数据源与研究方法

2.1 数据源

数据源主要包括生态环境质量年度合成产品（CHEQ_V2）、自然因子数据集和社会经济因子数据集。采用CHEQ_V2数据集（500 m分辨率）提供的RSEI指数作为评价标准。该数据集由国内多所高校联合开发，融合了高分辨率遥感影像、气象和土地利用数据，与中国生态环境部的环境指数（EI）具有良好的一致性，能准确反映陆地生态环境质量的时空变化特征^［10］。参考相关研究成果^［3-4］，将淮河流域内的生态环境质量划分为5个等级：差（0≤RSEI<0.2）、低（0.2≤RSEI<0.4）、中（0.4≤RSEI<0.6）、良（0.6≤RSEI<0.8）、优（0.8≤RSEI≤1.0）。

自然因子数据集包括高程、坡度、降水、气温、相对湿度和植被覆盖度数据。其中，中国科学院资源环境数据云平台（https：//www.resdc.cn）提供了空间分辨率为1 km的DEM数据，并借助ArcGIS软件提取了坡度信息。通过国家气象科学数据中心（https：//data.cma.cn）获取2001—2021年覆盖2416个气象站点的逐日观测数据，采用IBM SPSS技术对数据中的缺失值进行有效处理。随后，结合ANUSPLIN插值模型，融入经纬度与高程数据，构建空间分辨率为1 km的降水、气温与相对湿度等关键气象因子的时序数据。2001年1月至2021年12月的植被覆盖度数据（空间分辨率250 m）来源于国家青藏高原数据中心（https：//data.tpdc.ac.cn），为生态⁃气象关联分析提供高分辨率植被参数支撑。

社会经济因子数据集包括GDP、人口密度、土地利用类型和夜间灯光数据。GDP数据来源于figshare（https：//figshare.com/）和XU等^［11］的研究结果；人口密度数据来源于OAK RIDGE National Laboratory发布的Population Density 数据（https：//landscan.ornl.gov），GDP和人口密度数据，时间跨度均为2001—2021年，空间分辨率均为1 km。2001年、2011年和2021年土地利用类型数据源自高时空分辨率的中国年度土地覆盖数据集（https：//doi.org/10.5281/zenodo.12779975），空间分辨率均为30 m。夜间灯光数据源自国家青藏高原数据中心发布的中国长时间序列逐年人造夜间灯光数据集（https：//doi.org/10.11888/Socioeco.tpdc.271202）。鉴于2021年夜间灯光数据暂未获取，采用时间上最为相近的2020年夜间灯光数据作为替代，以确保研究的连续性和数据的可用性。

为满足后续分析需求，以上数据均经过裁剪、重采样预处理，统一转换为空间分辨率为1 km且投影相同的栅格数据。

2.2 一元线性回归及F检验

采用一元线性回归方法对淮河生态经济带2001—2021年的RSEI数据进行逐像元分析。通过计算每个栅格对应的线性回归方程的斜率，直观表征该区域21年间RSEI的时空变化趋势。斜率为负时，表明RSEI呈减少态势；斜率为正时，表明RSEI呈增长态势。具体计算公式如下：

{\theta }_{\mathrm{s}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}}=\frac{n\times {\displaystyle \sum _{i=\mathrm{1}}^n}\left(i\times \mathrm{R}\mathrm{S}\mathrm{E}{\mathrm{I}}_i\right)-{\displaystyle \sum _{i=\mathrm{1}}^n}i{\displaystyle \sum _{i=\mathrm{1}}^n}\mathrm{R}\mathrm{S}\mathrm{E}{\mathrm{I}}_i}{n\times {\displaystyle \sum _{i=\mathrm{1}}^n}{i}^{\mathrm{2}}-{({\displaystyle \sum _{i=\mathrm{1}}^n}i)}^{\mathrm{2}}}，（1）

式中：{\theta }_{\mathrm{s}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}}为趋势斜率，n为年数，\mathrm{R}\mathrm{S}\mathrm{E}{\mathrm{I}}_i为第i年的RSEI值。

采用F检验法对RSEI斜率的趋势变化进行显著性检验。依据检验结果，将淮河生态经济带生态环境质量的变化划分为6个等级（见表1）。

2.3 重心迁移模型

重心迁移模型通过追踪研究对象空间分布质心的动态变化，揭示其空间演变特征^［12］。运用该模型分析淮河生态经济带生态环境质量的空间演变趋势，通过计算各时期生态环境质量分布的重心坐标及其迁移轨迹，定量表征区域生态环境质量的时空变化特征。

2.4 地理探测器

运用地理探测器方法（具体公式见文献［8］），选取高程、坡度、降水、气温、相对湿度、土地利用类型、植被覆盖度、GDP、人口密度和夜间灯光等10个自然与人文因子，通过因子探测和交互探测，分析2001—2021年淮河生态经济带生态环境质量的空间分异驱动机制。

3 结果与分析

3.1 淮河生态经济带生态环境质量时空变化特征

3.1.1 年际变化特征

淮河生态经济带生态环境质量在2001—2021年呈现波动性上升趋势（图2），与已有研究结果^［13］相吻合。2002年，受工业快速扩张、水资源过度开发、湿地减少及水利工程建设等多重压力影响^［13］，RSEI跌至谷底（0.441 6）。此后，随着国家环保政策的加强及治理措施的实施，如强化污染监管、水资源保护和生态修复^［13］，RSEI逐步回升，并于2007年达到阶段性高峰（0.492 9）。然而，受经济结构调整、城市化加速及自然灾害频发等因素影响^［14］，RSEI后续出现波动。特别是工业化和城市化进程中的新污染源增加，与基础设施建设和环境治理投入不足相叠加，加之自然灾害的冲击，对该区域生态环境构成新的挑战。近年来，得益于国家对生态文明建设的坚决推进及区域内省市的协同努力^［13］，淮河生态经济带生态环境质量总体上呈现持续改善的良好趋势。

3.1.2 空间变化特征

由图3a可知，2001—2021年淮河生态经济带RSEI平均值介于0.189~0.877之间。RSEI等级大致呈西南高、东北低的空间分布格局，面积占比呈现正态分布特征。其中，中等级占据了绝大多数面积，达到86.60%，良等级（6.46%）和低等级（6.20%）、优等级（0.73%）和差等级（0.01%）面积占比较小（图3b）。

在2001—2021年，淮河生态经济带的RSEI展现出显著的空间异质性特征，其趋势变化斜率介于-0.024~0.018之间（图3c）。由表2可知，该区域RSEI表现出不同等级的增减态势：极显著减少区域占比5.85%，主要集中在江苏省的连云港市与盐城市的沿海区域，反映出这些地区生态环境的明显退化；显著减少的区域占比6.10%，其分布相对零散，表明局部地区生态状况有所恶化；未显著减少的区域广泛分布，占比25.17%，特别是江苏省的泰州市与安徽省的六安市成为此类变化的集中区域，体现出较高的生态稳定性。未显著增加区域占比最高，达49.74%，同样呈广泛分布特征，以安徽省的亳州市、淮北市、宿州市、蚌埠市及河南省驻马店市等区域尤为突出，表明这些地区的生态环境虽保持稳定，但缺乏显著提升。而RSEI呈显著增加和极显著增加的区域，尽管占比分别为7.56%和5.58%，且分布相对分散，但仍标志着部分区域在生态恢复与改善方面取得了积极成效（图3d）。

3.2 淮河生态经济带生态环境质量等级重心迁移

为了深入剖析淮河生态经济带内不同生态环境质量等级区域的空间集聚动态，以10 a时间为间隔，分别计算了2001、2011及2021年各等级（优、良、中、低、差）区域重心，直观展现其时空演变趋势（图4）。可以看出，差等级的重心逐渐由山东省临沂市转移至安徽省宿州市，呈现沿东北—西南方向迁移特征；低等级重心逐渐由安徽省淮北市转移至江苏省徐州市，呈现沿西南—东北方向迁移趋势；中等级重心由安徽省宿州市迁移至河南省商丘市，后迁回至安徽省淮北市，整体呈现向西北迁移的趋势；良等级重心由江苏省宿迁市先后迁移至安徽省亳州市和淮北市，整体呈现向西迁移的趋势；优等级重心均在河南省信阳市境内，整体呈现向西北方向迁移态势。

总体而言，淮河生态经济带生态环境质量重心的总体迁移趋势呈现出多元化和不平衡性的特点。不同等级的重心迁移方向各异，但总体上呈现出从东向西、从南向北的宏观迁移趋势。这种趋势可能与气候变化、水资源分布、土地利用方式的改变及区域经济发展的不均衡性等多种因素有关。

3.3 淮河生态经济带生态环境质量影响因子多维探测

3.3.1 因子探测

各因子对RSEI的影响结果如表3所示，不同年份的所有驱动因子的q值均通过5%的显著性检验，表明探测结果可信，各因子对RSEI的空间分异都有较显著的影响，但对RSEI的影响程度不同。在所有驱动因子中，自然因素中坡度和高程的多年q值高于其他因子，对生态环境质量的空间分异性的解释性最强，同样作为重要自然因素的相对湿度和降水在多年单因子探测中的排名也超过大部分人文因素，表明2001—2021年淮河生态经济带生态环境变化受自然因素影响更大，这与GONG等^［15］在黄土高原生态环境质量的研究结果相一致。在自然因素中，地形因素排名优先于气候因素和植被覆盖度；在社会经济因素中，土地利用类型排名优先于夜间灯光、人口和GDP。

不同驱动因子年份q值排名多呈现波动变化趋势。2001—2021年，高程因子的q值略有增加，但排序略有下降，说明其影响力虽然有所提升，但在所有因子中的相对重要性略有降低。坡度因子的q值始终保持最高，且排序稳定，表明其对生态环境质量的持续重要性。在2011年，降水因子的q值显著增加，并跃居第一，但在后续年份中有所下降，但仍保持在前五名之内，说明其影响力在某些时期可能特别突出。温度和人口两个因子的q值较低，且在不同年份中的排序也较低，说明它们对生态环境质量的影响相对较小。相对湿度因子虽然在不同年份中q值有所波动，但整体呈下降趋势，表明其对生态环境质量的影响力在减弱。土地利用类型和夜间灯光两个因子的q值在2021年显著增加，尤其是夜间灯光，从2001年的第7名跃升至2021年的第3名，表明它们对生态环境质量的影响显著增强。植被覆盖度和GDP两个因子的q值和排序均处于中间位置，说明它们对生态环境质量有一定影响，但不如坡度、高程等因子显著。

3.3.2 交互探测

交互探测结果如图5所示。3个研究年份中，淮河生态经济带生态环境质量影响因子的双因子交互作用q值均整体高于单因子q值，且各影响因子交互作用均表现为双因子增强或非线性增强。各影响因子间的交互作用强度显示，相对湿度∩高程（0.376 9）与相对湿度∩坡度（0.373 4）的交互作用尤为强烈，这表明它们对该区域生态环境质量的空间分布具有显著的联合影响。此外，降水∩高程（0.338 7）、降水∩坡度（0.332 7）、夜间灯光∩高程（0.304 9）、夜间灯光∩坡度（0.300 3）等交互项的q值均超过0.3的阈值，进一步凸显出这些因子组合在塑造该区域生态环境质量空间格局中的重要作用。

地形因子（高程、坡度）与其他因子之间的q值在不同年份中保持相对稳定。其中，高程∩相对湿度的q值介于0.357 5~0.391 4之间，坡度∩相对湿度的q值介于0.347 6~0.390 5之间，二者在整个研究期内均维持较高水平。这一结果与单因子探测结论具有良好的一致性，充分凸显了地形因子（高程、坡度）与相对湿度对淮河生态经济带生态环境质量的影响具有持续性与稳定性。值得关注的是，2021年植被覆盖度与其他因子的交互q值较2001年、2011年明显提升，表明植被覆盖度与相关因子的协同作用在近期对区域生态环境质量的驱动效应更为显著。与之相反，2021年GDP与其他因子的交互q值呈现不同程度下降，这一变化暗示随着时间推移，GDP所表征的社会经济发展对区域生态环境质量的影响方式和作用强度已发生改变。

4 结束语

融合RSEI与地形、气候、植被、土地利用、经济、人口及夜间灯光等多维数据，运用一元线性回归、重心迁移模型、地理探测器等方法，对2001—2021年淮河生态经济带生态环境质量的时空演变特征和驱动因素进行了系统分析。主要结论如下：

1） 2001—2021年淮河生态经济带生态环境质量呈现波动改善趋势，2002年和2007年分别出现低值和高值拐点，多年RSEI均值为0.467 9。空间分布上，RSEI值呈现出明显的区域差异，以中等级别（86.60%）为主，形成西南区域生态环境质量优于东北区域的明显梯度。（极）显著性增加的面积（13.14%）略高于（极）显著性减少的面积（11.95%）。

2） 重心迁移模型结果显示，淮河生态经济带生态环境质量等级重心展现出多元化且不平衡的复杂模式，总体趋势表现为由东向西、由南向北的宏观移动特点。

3） 地理探测器结果显示，自然因素尤其是地形（坡度和高程）和气候（如相对湿度）因素，作为长期且稳定的驱动力，对淮河生态经济带生态环境质量的空间分异性产生了深远影响。但随着社会经济的快速发展，社会经济因素（如土地利用类型的变化、夜间灯光强度的增加等）的影响日益显著。多因子之间的交互作用显著，尤其是地形与气候因子的交互作用，更是对该地区生态环境质量产生了显著的影响。在未来的生态环境保护与治理中，需充分考虑各因素间的相互作用，采取综合施策的策略。

鉴于CHEQ_V2生态环境质量产品为500 m空间分辨率的年度数据，本研究主要聚焦于RSEI的年际变化趋势及其背后的驱动机制，未来研究将依托更高空间与时间分辨率的生态环境质量数据及其影响因子数据集，以期获得更加精细且深刻的生态环境质量变化规律认知。

参考文献

[1] 赵国强， 陈立文， 穆佳， 等. 生态环境质量评价体系建设的探讨［J］. 气象与环境科学， 2018， 41（1）： 1-11.

[2] ZHAO Guoqiang， CHEN Liwen， MU Jia， et al. Discussion on construction of ecological environment quality evaluation system［J］. Meteorological and Environmental Sciences， 2018， 41（1）： 1-11.

[3] LINDSTROM M， WEST B. The United States national environmental policy act： History， process， and politics［M］//HANNA K. Routledge Handbook of Environmental Impact Assessment. London： Routledge， 2022： 302-317.

[4] 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.

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

[6] JING Yunqing， ZHANG Fei， HE Yufeng， et al. Assessment of spatial and temporal variation of ecological environment quality in ebinur lake wetland national nature reserve， Xinjiang， China［J］. Ecological Indicators， 2020， 110： 105874.

[7] 魏之首， 关燕宁， 蔡丹路， 等. 基于改进型遥感生态指数的生态系统服务价值评估方法［J］. 地球信息科学学报， 2024， 26（7）： 1763-1778.

[8] WEI Zhishou， GUAN Yanning， CAI Danlu， et al. Assessing ecosystem service value with modified remote sensing ecological index［J］. Journal of Geo-Information Science， 2024， 26（7）： 1763-1778.

[9] 张靓涵， 张未， 赵安周， 等. 融合PM_2.5浓度遥感生态指数的峰峰矿区生态环境质量时空特征及驱动力分析［J］. 环境科学， 2024， 45（10）： 5900-5911.

[10] ZHANG Lianghan， ZHANG Wei， ZHAO Anzhou， et al. Spatial and temporal characteristics and driving force analysis of ecological environmental quality in Fengfeng Mining Area with remote sensing ecological index of PM_2.5 concentration［J］. Environmental Science， 2024， 45（10）： 5900-5911.

[11] LONG Yi， JIANG Fugen， DENG Muli， et al. Spatial-temporal changes and driving factors of eco-environmental quality in the three-north region of China［J］. Journal of Arid Land， 2023， 15（3）： 231-252.

[12] CAI Zongcai， ZHANG Zhen， ZHAO Fei， et al. Assessment of eco-environmental quality changes and spatial heterogeneity in the Yellow River Delta based on the remote sensing ecological index and geo-detector model［J］. Ecological Informatics， 2023， 77： 102203.

[13] 牛继强， 王子羽， 林昊， 等. 淮河生态经济带NPP时空演变特征及驱动因素分析［J］. 地理与地理信息科学， 2024， 40（3）： 37-43.

[14] NIU Jiqiang， WANG Ziyu， LIN Hao， et al. Temporal and spatial evolution characteristics and driving factors of NPP in the Huaihe River Economic Belt［J］. Geography and Geo-Information Science， 2024， 40（3）： 37-43.

[15] XU Dong， YANG Feng， YU Le， et al. Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data［J］. Journal of Cleaner Production， 2021， 321： 128948.

[16] XU Zekun， WANG Yu， SUN Guihou， et al. Generating gridded gross domestic product data for China using geographically weighted ensemble learning［J］. ISPRS International Journal of Geo-Information， 2023， 12（3）： 123.

[17] 王兴丹， 刘普幸， 耿梦蝶， 等. 土地利用时空变化的关键驱动因子及其影响趋势：以武威市为例［J］. 中国环境科学， 2023， 43（12）： 6583-6591.

[18] WANG Xingdan， LIU Puxing， GENG Mengdie， et al. The key driving factors of land use patio-temporal change and its influence trend： A case study of Wuwei［J］. China Environmental Science， 2023， 43（12）： 6583-6591.

[19] 余慧婕， 张方敏， 马赫， 等. 基于遥感生态指数的淮河流域生态环境质量时空演化及其驱动因素分析［J］. 环境科学， 2024， 45（7）： 4112-4121.

[20] YU Huijie， ZHANG Fangmin， MA He， et al. Spatio-temporal evolution and driving factors of ecological environment quality in the Huaihe River Basin based on RSEI［J］. Environmental Science， 2024， 45（7）： 4112-4121.

[21] CAI Hong， MA Xueqing， CHEN Pengyu， et al. Study on driving factors and spatiotemporal differentiation of eco-environmental quality in Jianghuai River Basin of China［J］. Sustainability， 2024， 16（11）： 1-18.

[22] GONG Cheng， Feinan LYU， WANG Yilei. Spatiotemporal change and drivers of ecosystem quality in the Loess Plateau based on RSEI： A case study of Shanxi， China［J］. Ecological Indicators， 2023， 155： 111060.

基金资助

国家自然科学基金项目(42371225)

河南省哲学社会科学规划项目(2024CSH034)

河南省自然科学基金项目(242300420602)

河南省高校人文社会科学研究一般项目(2025-ZDJH-597)