EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 5: 1193 - 1211

DOI: https://doi.org/10.12082/dqxxkx.2024.230431

地球信息科学理论与方法

面向生态环境健康评价的自适应指标约简模型构建

  • 陈建辉 ,
  • 汪小钦 , * ,
  • 孔令凤
展开
  • 福州大学空间数据挖掘与信息共享教育部重点实验室 数字中国研究院（福建），福州 350108
*汪小钦（1972—），女，福建古田人，博士，研究员，主要从事遥感信息模型与方法、环境与资源遥感GIS应用建模等研究。E-mail:

陈建辉（1998—），男，福建平潭人，硕士生，主要从事资源环境遥感。E-mail:

收稿日期: 2023-07-27

  修回日期: 2023-10-07

  网络出版日期: 2024-05-21

基金资助

中国科学院战略性先导科技专项(XDA23100500)

国家重点研发计划项目(2017YFB0504203)

收起

Construction of Adaptive Indicator Reduction Model for Ecological Environment Health Assessment

  • CHEN Jianhui ,
  • WANG Xiaoqin , * ,
  • KONG Lingfeng
Expand
  • Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, The Academy of Digital China（Fujian）, Fuzhou 350108, China
*WANG Xiaoqin, E-mail:

Received date: 2023-07-27

  Revised date: 2023-10-07

  Online published: 2024-05-21

Supported by

Strategic Pilot Science and Technology Project of the Chinese Academy of Sciences(XDA23100500)

National Key Research and Development Program of China(2017YFB0504203)

Fold

摘要

生态环境健康评价对于促进生态保护、引导区域经济发展战略、调整和衡量生态文明建设结果具有重要意义。综合指标体系模型是现今国内外主流的评价方法，然而，如何构建不同地区通用、普适性强的指标体系，如何从众多繁杂的指标通过客观、科学的方法自动筛选出能表征研究区特点的重要指标是目前所面临的难点。本文集成压力-状态-响应模型（Pressure-State-Response，PSR）和生态层次网络模型（Ecological Hierarchy Network，EHN），并考虑部分指标所存在的信息重叠，建立了目标层-准则层-要素层-指标层-同类指标层的5层网状指标体系，提出了基于优劣解距离法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）的同类指标层约简和基于目标优化理论的指标层约简相结合的两段式自适应指标约简模式。结合两者完成面向生态环境健康评价的自适应指标约简模型的构建，并在地理大数据的支持下，应用于云南、福建、京津冀、陕西、湖北、新疆和吉林7个生态环境迥异区域的2001—2021年生态环境健康评价。研究结果表明： ① 利用两段式自适应指标约简模型所筛选出的中选指标可以较好地体现不同地区生态系统特点，中选指标中权重靠前的指标被较多文献应用于各地区指标体系构建，说明所构建的指标体系和两段式自适应指标约简模型具有较好的普适性和合理性，有效避免了人为指标体系构建的主观性； ② 7个地区生态环境健康状况的空间分布和时间变化趋势符合实际情况，并且能与现有的文献、资料进行互相印证，从侧面证实了本文所提出模型的有效性。本文所提出的模型可为其他领域指标体系构建和筛选提供参考，也为大范围不同区域的生态环境健康评价提供方法支撑。

关键词： 指标约简; 网状指标体系; 优劣解距离法; 目标优化模型; 最大化偏差模型; CRITIC法; 熵权法; 生态层次网络模型; 压力-状态-响应模型

本文引用格式

陈建辉 , 汪小钦 , 孔令凤 . 面向生态环境健康评价的自适应指标约简模型构建[J]. 地球信息科学学报, 2024 , 26(5) : 1193 -1211 . DOI: 10.12082/dqxxkx.2024.230431

Abstract

A healthy ecological environment forms a crucial foundation for the sustainable development of both nations and humanity. In the domain of ecological environment assessment, the comprehensive indicator system model represents the mainstream evaluation approach, both domestically and internationally. The extensive application of big geodata within this context offers significant potential for addressing ecological problems characterized by vast scales, intricate processes, and a variety of influencing factors. However, as the acquisition of big geodata becomes increasingly accessible, the coverage of the index system has significantly expanded, raising the pivotal issue of objectively and scientifically selecting crucial indicators capable of representing the distinctive characteristics of the study area. This challenge is particularly critical in today’s ecological health assessment. The Pressure-State-Response (PSR) model offers a causal perspective, comprehensively considering the systemic relationships between the ecological environment and human socioeconomic activities. The Ecological Hierarchy Network (EHN) model is capable of reflecting the overlap and interconnections between upper and lower-layer indicators. In this study, by integrating the frameworks of PSR and EHN and taking into account the potential information overlap from multiple available parameters, we established a five-layer networked indicator system consisting of the Target Layer, Criteria Layer, Element Layer, Indicator Layer, and Homogeneous Indicator Layer. We also proposed a two-stage adaptive indicator reduction model that combines Homogeneous Indicator Layer reduction using the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) and Indicator Layer reduction based on target optimization theory. Combining both approaches, we developed an adaptive indicator reduction model tailored for ecological environmental health assessment. Leveraging big geodata comprising remote sensing thematic products, topography, meteorology, soil, and population information, we applied the proposed model to assess the ecological health of seven ecologically diverse regions in China, including Yunnan, Fujian, Beijing-Tianjin-Hebei, Shaanxi, Hubei, Xinjiang, and Jilin during the period 2001—2021. The results show that: (1) The selected indicators obtained through the two-stage indicator adaptive reduction model effectively reflected the distinct characteristics of ecosystems in different regions. Furthermore, indicators with higher weights among the selected ones have been widely employed in constructing indicator systems across various regions. These findings highlighted the universality and rationality of both the constructed indicator system and the two-stage indicator adaptive reduction model, effectively mitigating the subjectivity associated with manual indicator system construction; (2) The spatial distribution and temporal trends of the ecological environment health of the seven regions aligned with real-world conditions and were corroborated by existing literature and data, which indicated the effectiveness of the model proposed in this study. The proposed models presented in this paper can serve as a reference for constructing indicator systems and selecting indicators in other domains and provide methodological support for ecological environment health assessment across diverse regions on a large scale.

Key words： indicators reduction; network index system; superior and inferior solution distance method; target optimization model; maximizing deviation model; Criteria Importance Through Intercriteria Correlation (CRITIC) method; entropy method; ecological hierarchy framework; Pressure-State-Response (PSR) framework

1 引言

生态环境健康是指生态系统在人类活动干扰下维持其组织结构、自我协调和对胁迫的恢复能力[1-2]。健康的生态环境是人类活动的重要物质基础，对人类生产生活至关重要。然而，随着气候变化与人类社会的高速发展，生态环境各方面都遭到了不同程度的破坏[3]。中国作为经济快速发展的发展中国家，也面临着一系列严重的生态环境健康问题[4]。不过，随着中国大力推行和实施一系列有关于生态环境保护、发展的政策，中国的生态环境问题已有明显改善[5]。为了巩固现有成果并继续推进中国环境保护治理事业，对于不同地区的生态环境健康状况进行统一评估和比较是十分有必要的，以便了解和识别不同区域生态的健康状况、变化以及仍存在的生态环境问题[6]，更有利于评估生态措施在不同地区的适用性，为后续推进和改善相关国家政策和措施打下基础[7-8]。
综合指标体系模型由于能对复杂生态环境进行有效的简化和综合表达，被广泛用于生态评价中[9⇓⇓-12]，常用的指标模型有活力-组织力-恢复力模型[13]（Vigor-Organization-Resilience，VOR），PSR模型[14]和EHN模型[15]等。随着地理大数据的出现，指标模型对于区域复杂生态系统的刻画能力更是得到了很大提升。地理大数据具有数据种类多样、能够满足大尺度、长时间监测目标等优势，且相对于传统的空间信息数据更加注重不同种类数据的整合、融合与协调使用[16]，对于解决大尺度、复杂过程、驱动因素众多的生态方面问题，地理大数据拥有着巨大的前景[17-18]。然而，目前指标体系的大部分研究都只停留在局部区域范围[3]，其研究结果在大范围不同区域的应用存在限制。在大范围区域中，生态环境背景与人类活动的巨大差异导致不同区域具有不同的特征，影响区域生态环境的内外因素也不尽相同，生态评价标准也因地而异。特定区域所构建的指标体系往往随着不同学者不同地区的组合都会有所不同[19-20]，呈现多样化，指标体系的复用性低、无法通用，以至于地区之间的横向可比性差。虽然部分学者使用RSEI[21]或其改进指数[22-23]完成了不同地区的生态评价，但所表征的要素都较为简单[24]，无法顾及到各地区生态系统差异，生态环境健康状况是空间中一组完整要素的反馈作用，缺少这些要素的任何一部分都会导致对地表生态健康状况模拟的不准确[25]。因此，给出一个较为客观、普适且能涵盖不同生态系统的指标体系，进而建立能根据区域特点的指标自动筛选模型开展生态环境健康评估，至今仍然缺乏且十分紧迫，亟需一些新的思路和突破。
面对庞大的指标体系和各地区显著的自然人文差异，将指标体系中所有指标都用于评价是冗余且不合理的，能否根据各地区自身特点从庞大的指标体系中自动确定适宜的关键指标同样是决定生态环境健康评价好坏的重要环节。目前常用的指标筛选方法有相关性分析[9]、主成分分析法[26]、模糊粗糙集[27]等，但存在着诸如指标的筛选过程不够客观，掺杂诸多主观臆断，或指标筛选依据单一、缺乏对生态系统完整性和复杂性考虑等问题[28]，这都将影响指标体系和生态环境健康评价结果的正确性与合理性。近年来，定量化的指标筛选模型方法逐渐被使用， Lin等[15]、黄洁等[28]和汪小钦等[29]通过矩阵化分析和定量选取模型的方式，在提高了筛选过程的科学性和客观性的同时，保证了评价指标体系的完整性与简洁性，为指标筛选研究提供了新的方向。但这些研究仅在局部区域开展，没有在不同生态系统进行有效性验证。
基于以上需求和问题，本研究尝试基于遥感、气象、人口密度、地形等地理大数据，首先以EHN和PSR 模型为基础，构建较为普适的评价指标体系，其次基于TOPSIS法和目标优化理论构建两段式自适应指标约简模型，以此完成面向生态环境健康评价的自适应指标约简模型的构建。并在中国选择7个生态条件差异较大的典型地区进行合理性验证，为后续对全国范围内生态环境的评价、跨区域比较打下基础，从而促进现有生态保护政策和策略的修订和完善。

2 研究方法

面向生态环境健康评价的自适应指标约简模型的构建包括指标体系构建和两段式自适应指标约简模型的构建。

2.1 指标体系构建

生态系统作为一个综合性系统，其健康状况都是由内外多种因素所决定，评价生态环境健康状况，需从这些因素进行着手，但不同地区生态系统的差异导致驱动因素侧重的主题也较为不同。为了使评价指标体系较为普适，本文集成PSR模型和EHN模型进行指标体系总体框架的构建，借助PSR模型能够从因果关系充分考虑生态系统自身内部、生态系统与人类社会经济活动之间的系统关联的优势，通过压力、状况和响应三大概念对生态环境健康状况的因素进行总体概况，再结合EHN模型所体现出的生态系统的“层级性”与指标的“多对应”关系，对概念进行逐层细分与约束，明确主题和范围，使后续层级指标的纳入与设定更加客观、全面且具有代表性，达到所构体系能反映生态系统网状结构的完整性与涵盖不同生态系统的目标。且考虑到现有研究对于同类指标常保留所有或主观地选取部分纳入指标体系中，导致指标信息重叠，有可能严重影响指标体系构建和评价结果的客观性。所以在传统的4层指标体系基础上，增添同类指标层，形成目标层-准则层-要素层-指标层-同类指标层的5层网状指标体系（图1）。
图1 生态环境健康评价指标体系

Fig. 1 Ecological environment health assessment index system

该指标体系以生态环境健康评价作为目标层，将其通过PSR概括成反映生态环境健康的三大概念（压力、状态和响应）作为准则层向下约束。同时考虑到不同区域生态环境背景与人类活动的差异导致压力、状态和响应的侧重面存在部分不同，在要素层进行细分，进一步获得明确的主题。其中，压力层表征的是生态系统所面临的内外胁迫，各地区生态系统所面临的压力主要包括自然资源限制和人类活动影响，因此选定土地压力和人类活动压力两方面；状态层表征生态系统所处状况，所选择的表征要素中，活力、组织力和恢复力主要关注生态系统物理层面和功能方面的状况[30]，水热状况与地形地貌则能决定生态系统化学层面状况，尤其是能够决定植被这一衡量生态系统状况关键因素的生长状况[31]，将状态细分为这5个方面能较全面的反映生态系统不同角度的状况水平；响应层表征生态系统面对压力和状况变化的承受能力，而生态敏感性能够表达区域发生生态问题的可能性和程度[32]，因此本文通过沙漠化敏感性、土壤侵蚀敏感性、盐碱化敏感性和景观干扰敏感性4种全国主要的敏感性[32⇓⇓-35]进行表征。
在前三层的约束下，以涵盖不同生态系统为目标，同时兼顾科学性、数据易获取性和可量化性等原则，参考相关研究成果与政策文件[9,29,31⇓⇓⇓-35]完成指标层的选取（指标数据具体介绍详见附表A）。对所选择的指标层与要素层进行梳理，形成一对多、多对多的网状重叠关系。同类指标层从目前所用到的同类型指标最多的植被指数、地形因子、气温指标和降水指标中归纳，其中各植被指数还包括各自的年均值、年差值、年最大值、年最小值、生长季均值、生长季差值、生长季最大值、生长季最小值。
附表A ：指标描述及来源

Appendix A : Description and source of indicators

指标 指标计算方法及说明 数据来源/计算所需数据 年份
生态用地面积占比 （林地面积+草地面积+水体面积+湿地面积+
冰川雪地面积+耕地面积×0.5）/格网面积		 中国年度土地覆盖数据集（Annual China Land Cover Dataset）(http://doi.org/10.5281/zenodo.4417809)
以500 m×500 m格网为计算单元		 2001—2020年
土地利用程度综合指数 L a = ∑ i = 1 n A i × C i × 100 % (11)
式中： L a为研究区土地利用程度综合指数；
A i为土地利用类型i的土地利用程度分级指数； C i为土地利用类型i的面积百分比。
人类活动强度 （耕地面积×0.2+草地面×0.067+不透水面）/格网面积
人口密度 全国人口空间分布公里网格数据[65] 中国科学院资源环境数据云平台
(http://www.resdc.cn)		 2000年、2005年、2010年、2015年
植被指数（计算内容包括：年均值、年差值、年最大值、年最小值、生长季均值、生长季差值、生长季最大值、生长季最小值）
增强型植被指数（EVI） MODIS EVI指数产品 250 m MOD13Q1 GEE平台 2001—2021年
归一化植被指数（NDVI） MODIS NDVI指数产品
优化型土壤调节植被指数(OSAVI) OSAVI=(NIR-R)/(NIR+R+0.16) （12）
式中： NIR为近红外波段； R为红波段。
绿度 MOD09A1数据缨帽变换绿度分量 500 m MOD09A1 GEE平台 2001—2021年
比值植被指数(RVI) RVI=NIR/R （13）
概括差值植被指数(GDVI) GDVI=(NIR²-R²)/(NIR+R²) （14）
大气阻抗植被指数(ARVI) ARVI=(NIR-(2R-B)/NIR+(2R-B)) （15）
差值植被指数(DVI) DVI=NIR-R （16）
式中： NIR为近红外波段； R为红波段。
叶面积指数(LAI) MDOIS叶面积指数产品 500 m MOD15A2 GEE平台 2001—2021年
光合有效辐射吸收比率
(FPAR)		 MDOIS光合有效辐射吸收比率产品
净初级生产力(NPP) MDOIS净初级生产力产品 500 m MOD17A3 GEE平台 2001—2021年
水源涵养指数 （（水体面积+湿地面积+冰川雪地面积）×0.45+林地面积×0.35+草地面积×0.2）/格网面积 中国年度土地覆盖数据集（Annual China Land Cover Dataset）(http://doi.org/10.5281/zenodo.4417809)
以500 m×500 m格网为计算单元		 2001—2020年
生态活力 植被覆盖度×0.6+水网密度指数×0.4
香农多样性指数 使用Python的第三方库—Pylandstats进行计算
香农均匀度
蔓延度
平均斑块面积
斑块密度
景观形状
生态弹性度 E C O = ∑ i = 1 m S i × P i （17）
式中：Si为土地类型i所占的比例；Pi为土地类型i的弹性分值；m为土地类型的数目
生物丰度 （林地面积×0.35+草地×0.21+湿地×0.28+耕地×0.11+建设用地×0.04+未利用地×0.01）/区域面积
地形因子
坡度 DEM计算获取 ASTGTM2，30 m分辨率数据
美国地质调查局网（https://gdex.cr.usgs.gov/）		 单一图像
地形位 D E M = l g E E - + 1 × S S - + 1 （18）
式中： E为空间任一像元的高程值； E -为研究区平均高程值； S为该像元的坡度值； S -为研
究区平均坡度值
海拔高度 DEM高程值
地表粗糙度 地表单元的实际曲面与其在水平面上的投影
之间的面积之比
地形起伏度 单位面积内最大高程值与最小高程值的差值
高程变异 对海拔高度计算变异系数
气温指标
年均气温 使用气象数据曲面拟合专业软件 Anusplin
进行气象数据插值		 气象站点日值数据集
美国国家海洋和大气管理局（NOAA)
（https://www.noaa.gov/）		 2001—2021年
极端最低气温
极端最高气温
平均最低气温
平均最高气温
平均气温距平
≥0℃积温 中国气象背景数据集中≥0℃积温[66] 中国科学院资源环境数据云平台
(http://www.resdc.cn)		 单一图像
≥10℃积温 中国气象背景数据集中≥10℃积温[66]
降水指标
降水距平百分率 使用气象数据曲面拟合专业软件 Anusplin
进行气象数据插值		 气象站点日值数据集
美国国家海洋和大气管理局（NOAA)
（https://www.noaa.gov/）		 2001—2021年
最大日降水量
年降水量
湿度 MOD09A1数据缨帽变换湿度分量 500 m MOD09A1 GEE平台 2001—2021年
地表温度 MODIS地表温度产品 1000 m MOD11A2 GEE平台
干燥度 中国气象背景数据集—干燥度[66] 中国科学院资源环境数据云平台
(http://www.resdc.cn)
蒸散发量 MDOIS蒸散发量产品 500 m MOD16A2 GEE平台
最大斑块面积 使用Python的第三方库—Pylandstats
进行计算		 中国年度土地覆盖数据集（Annual China Land Cover Dataset）(http://doi.org/10.5281/zenodo.4417809)以500 m×500 m格网为计算单元 2001—2020年
分离度指数
平均分维数
土壤质地 中国土壤质地空间分布数据 中国科学院资源环境数据云平台
(http://www.resdc.cn)		 单一图像
风速 使用气象数据曲面拟合专业软件 Anusplin
进行气象数据插值		 气象站点日值数据集
美国国家海洋和大气管理局（NOAA)
（https://www.noaa.gov/）		 2001—2021年
湿润指数 中国气象背景数据集—湿润指数[66] 中国科学院资源环境数据云平台
(http://www.resdc.cn)		 单一图像
植被覆盖度 基于NDVI数据利用像元二分法计算 250m MOD13Q1 GEE平台 2001—2021年
此外，由于各指标的空间分辨率不同，在进一步处理前，必须对评价指标数据的栅格大小统一为500 m×500 m，并且后续的评价结果也为该分辨率，评价尺度为面向省域的区域尺度。

2.2 两段式自适应指标约简模型

本文所提出的两段式自适应指标约简模型包括基于TOPSIS法的同类指标层约简和基于目标优化理论与最大化偏差模型的指标层约简。考虑到指标的单年份影像只能反映当时的生态状况，使用多年所有影像的均值可以更客观、更稳定地反映多年的生态状况，因此本文将各指标的多年均值作为各指标的代表进行筛选。并且由于评价指标的量纲及其所代表的物理意义存在较大的区别，在进一步处理前，对评价指标数据进行标准化处理，所有指标值都归一化到[0,1]。

2.2.1 同类指标层约简方法

为避免指标体系中同类型指标过多所导致的信息重叠，本文以指标的敏感性、代表性和重要性3个方面作为筛选依据，并利用TOPSIS法能充分利用原始数据的信息，有效避免信息损失，使结果能精确地反映各评价指标之间差距的优势，整合3个方面的计算结果进行综合评价，根据综合得分确定表征指标。
其中敏感性使用变异系数计算[36]，表示所选指标在生态系统发生变化时，能迅速做出准确地反应，反映评价指标的灵敏度和区分度；代表性使用相关性分析[37]，表示所选指标具有同一类其他指标共有的特性，能较全面、准确地解释一类指标所反应的情况；重要性使用（全局）主成分分析的方差贡献率[38]和地理探测器的因子探测器[39]进行计算，表示所选指标相较其他指标更能全面、准确、客观地提供信息。
TOPSIS法[40]是通过在目标空间中定义一个测度，测量目标靠近正理想解（最大值）和远离负理想解（最小值）的程度，以此对评价对象进行评估。具体步骤如下：
（1）首先将同类指标在4个方法所得的得分进行标准化，获得标准化矩阵Z。
Z =   z 11 z 12 ⋯ z 1 m   z 21 z 22 ⋯ z 2 m ⋮ ⋮ ⋮ ⋮   z n 1 z n 2 ⋯ z n m    
式中：行与该同类型中的指标个数对应，n表示同类指标的个数；列与计算得分方法对应，m表示方法的个数。
（2）获得标准化矩阵每列的最大值与最小值，并且分别使用式（2）计算每个同类型指标与最大值和最小值的距离，依据2个距离和式（3）获得综合得分。
                                  D i + = ∑ j = 1 m ( Z j + - z i j ) 2   D i - = ∑ j = 1 m ( Z j - - z i j ) 2         ( i = 1,2 , ⋯ , n )
S i = D i - D i - + D i +                     ( i = 1,2 , ⋯ , n )
式中： D i +和 D i -分别为第i个同类指标与最大值的距离，和与最小值的距离； Z j +和 Z j -分别为标准化矩阵第j列的最大值和最小值；Si为第i个同类指标最后的综合得分
（3）当只需要一个指标作为该同类指标的表征指标时，取综合得分最高的指标；当需要多个指标作为该同类指标的表征指标时，将每个指标的综合得分除以所有指标综合得分之和获得贡献率，将贡献率从大到小累加，取累计贡献率≥50%的前n个指标作为该同类指标的表征指标。

2.2.2 指标层约简与权重计算

在同类指标约简结果的基础上，基于目标优化理论进行指标层约简，主要包括权重计算和指标筛选2个部分。首先计算要素层与指标层权重，将权重结果依据要素层和指标层的隶属关系进行合并获得组合权重；其次基于隶属关系和组合权重设置约束条件构建目标优化的最优模型进行指标筛选；最后将筛选后的指标重新进行组合权重的计算，再将不同要素层下相同指标的权重进行合并，获得指标的最终权重。
（1）指标权重计算
为使指标筛选和最终结果更具客观合理性，作为关键条件的指标权重同样需去除主观因素的影响，因此采用客观赋权法。要素层为指标层抽象的结果，需先对要素层下属的指标层通过主成分变换方法集成，获取要素层指标的具体数值，随后再通过主成分分析，以方差贡献率作为要素层指标的权重。
指标层权重则采用最大化偏差模型实现CRITIC法和熵权法的组合赋权。CRITIC法[41]的思想是如果数据的波动性越大，指数之间的冲突就越大，权重就越高；熵权法[42]的思想是使用信息熵来计算指数权重，如果指标的变化程度小，那么信息熵就大，在评价中发挥的作用就弱，权重就小。通过最大化偏差模型实现2种客观权重方法的结合，不仅可以克服主观因素造成的权重差异，且相比使用单一权重计算方法，能对指标数据的波动性、变化程度和指标之间的冲突等进行综合考虑，减少使用单一权重方法的片面性，使权重结果更加合理。
最大化偏差模型[43]式（4）的基本思想是通过将各方法结果之间的距离最大化进行模型的建立，并在此基础上计算每种客观赋权法的权重 W *，以反映每种评价方法对组合权重结果的贡献。因此 W *的选择应使所有方法下每个评价对象的总偏差得分最大，并满足单位化约束。
m a x D ( W * ) = ∑ k = 1 t ∑ i = 1 m ∑ i = 1 m | f i , k - f l , k | W k *                                             ( s . t ∑ k = 1 t W k * 2 = 1 )
应用拉格朗日方法求解该优化模型，并对单位化加权向量进行归一化，得到以下等式：
W k * = ∑ i = 1 m ∑ l = 1 m f i , k - f l . k ∑ k = 1 t ∑ i = 1 m ∑ l = 1 m f i , k - f l . k
式中： W k *是第k个客观赋权法在组合权重中的权重； f i , k是第k个客观赋权法所计算出的第i个评价结果。
评价指标的组合权重如下：
W = ∑ k = 1 t W K * w ' k
式中：W为最终的组合权重； w ' k为各客观赋权法所计算出的权重。
（2）指标筛选模型构建
根据网状候选指标体系的要素层和指标层之间对应的关联关系，建立关系矩阵R，其将用于约束定量化指标筛选模型。以关系矩阵为基础，以组合权重为条件，在保证要素层指标完备的情况下，构建最优模型的目标函数和约束条件，进行指标层指标的筛选。
R = r 11 r 12 r 13 . . . r 1 j . . . r 1 J r 21 r 22 r 23 . . . r 2 j . . . r 2 J ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ r k 1 r k 2 r k 3 ⋯ r k j ⋯ r k J ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ r K - 1,1 r K - 1,2 r K - 1,3 ⋯ r K - 1 , j ⋯ r K - 1 , J r K 1 r K 2 r K 3 ⋯ r K , j ⋯ r K J = R 1 R 2 ⋮ R k ⋮ R K - 1 R K
式中：行与要素层指标对应， K表示要素层指标的个数；列与指标层指标对应，J表示指标层指标的个数； r k j表示第k个要素层指标与第j个指标层指标之间的关系。其中当 r k j=1时，表示对应的要素层指标与指标层指标有关系， r k j=0时则表示两者没有关系。
在保证指标体系生态完整的基础上，使最终入选的关键指标数（目标函数 Z）达到最小值：
m i n Z = ∑ j = 1 J x 4 j
约束条件：
R k · X 4 ' > 0 约 束 条 件 ( 1 ) X 4 · W 4 ' > 0.85 约 束 条 件 ( 2 ) x 4 j = 1 或 0 约 束 条 件 ( 3 )
式中：Z代表指标层（j）指标要选择的数目； x 4 j代表备选评价指标是否被选； X 4代表方程解集， W 4表示指标的权重， '表示转置；目标方程表示指标选取满足选取的指标层指标数量需最少；约束条件(1)表示以要素层（k=1,2,…, K）的指标作为保障生态完整性的要素层，每个指标所衍生的 x 4 j（即，j=1,2,…, J）指标中至少有一个对应被选取，保证下层指标与上层指标具有连续性；约束条件(2)表示，为了到达指标体系完备性的要求，指标体系的权重之和要达到一定的精度要求，参照主成分分析法的要求，被选指标权重占原始权重比例不低于85%；约束条件(3)表示备选指标 x 4 j（j=1,2,…, J）只能被选择（=1）或者被排除（=0）。

2.3 生态环境健康综合指数计算

为使不同年份不同地区的生态环境健康状况结果更具可比性，将每个指标的不同年份不同区域进行统一标准化处理。基于中选指标和最终权重，使用综合指标法，将选中的各正向或反向生态评价指标进行标准化后的值与其对应的最终权重值，通过加权求和计算生态环境健康综合指数（Ecological Environment Health Comprehensive Index， EHCI）。
E H C I = ∑ i = 1 n E i × w i
式中： EHCI为生态环境健康综合指数，其反映的是研究区的生态环境健康水平，取值范围为[0,1]； n为选中的评价指标个数； E i为第i个指标的标准化值； w i为第i个指标最终权重，且 ∑ i = 1 n w i = 1。

3 实验区与实验数据

3.1 实验区

为验证本研究方法在中国不同地区的适用性，选择云南、福建、京津冀、陕西、湖北、新疆和吉林这7个较为典型的地区作为实验区（图2）。在气候方面，所选的7个地区在湿润、半湿润、半干旱、干旱这4个气候皆有涉及，且其中陕西省跨湿润、半湿润区、半干旱区3个气候分区，有利于研究方法在跨多个分区的地区上是否适用；在地表覆盖类型上，从云南、福建的森林为主，到吉林“东林、中农、西牧”和湖北的“五山一水三分田”，再到京津冀的城市群与耕地的组合、新疆草原和荒漠、陕西的秦岭和北部的荒漠，涉及多种不同的地表覆盖类型与组合；在影响生态环境健康的外部因素方面，从人类活动密集的东部到人口逐渐稀少的中西部。综上所述，所选的7个地区在中国各个方位都有分布，并且诸如气候、地表覆盖类型、人类活动等因素差异显著，具有较好的代表性和典型性。
图2 实验区分布

Fig. 2 Experimental area distribution

3.2 实验数据

研究中所使用到的地理大数据包括2001—2021年的遥感数据及产品、气象数据等数据，以及人口密度、DEM数据、土壤质地和中国行政边界数据等。为了统一分辨率，将栅格数据都重采样为500 m×500 m。（指标数据具体介绍详见附表A）

3.2.1 遥感数据及产品

遥感数据为MODIS数据，包括MOD11A2、MOD13Q1、MOD15A2H等，为了便于数据的获取，借助Google Earth Engine（GEE）平台进行指标数据的计算、投影变换、重采样、数量级转换与SG滤波等预处理获得所需的数据。
土地覆盖数据使用的是武汉大学遥感院黄昕和李家艺团队制作的分辨率为30 m的遥感产品，包含耕地、灌木、林地、草地、水体、冰雪、裸地、不透水面和湿地9种地表覆盖类型的中国年度土地覆盖数据集[44]（Annual China Land Cover Dataset）(http://doi.org/10.5281/zenodo.4417809)，借助公式和python进行相关景观生态指数的批量计算。

3.2.2 气象数据

气象数据的来源包括气象站点数据和中国气象背景数据集。气象站点数据是对美国国家海洋和大气管理局（NOAA)（https://www.noaa.gov/）的日值气象数据集进行年值数据的统计，并使用气象数据曲面拟合专业软件 Anusplin进行气象数据插值，获得年均气温、平均最低气温、降水距平百分率、风速等；中国气象背景数据集（http://www.resdc.cn）包括≥0 ℃ 积温、≥10 ℃积温、湿润指数、干燥度等参数。

3.2.3 其他数据

DEM数据使用美国地质调查局网站（https://gdex.cr.usgs.gov/）提供的空间分辨率为30m的 ASTGTM2全球数字高程数据，进行地表起伏度、坡度、地形位等地形指标计算。土壤质地、人口密度数据来自中国科学院资源环境数据云平台（http://www.resdc.cn）。

4 结果及分析

4.1 指标筛选结果及合理性分析

同类指标层筛选结果和指标层筛选结果如表1、表2所示。结果表明，植被覆盖度、生态用地面积占比、水源涵养、平均斑块面积、生物丰度、土地利用程度、人类活动强度、生态弹性度在7个地区中都有被选中，说明这几种指标为共性指标，在各地区的生态环境健康评价中都是通用的。其中生态用地占比、水源涵养、生物丰度、人类活动强度和生态弹性度都是《区域生态质量评价办法（试行）》[35]中所提出的指标，本身就适用于中国生态的相关评价。
表1 各地区同类型指标筛选结果

Tab. 1 Screening results of the same type of indicators in each region

云南 福建 京津冀 陕西 湖北 新疆 吉林
植被
指标		 DVI年最小值 NDVI年均值 GARVI年差值 RVI年差值 DVI的年最小值 OSAVI的年差值 RVI的生长
季差值
地形
指标		 粗糙度、地表起
伏度、海拔高度		 坡度、地形位、
地表起伏度		 地表起伏度、海拔
高度、地形位		 粗糙度、地表
起伏度		 坡度、海拔高度、
地形位		 地形位、海拔高度、
粗糙度		 坡度、地形位、
地表起伏度
气温
指标		 年均气温、≥10℃
积温、≥0℃积温		 年均气温、极端低温、≥ 10℃积温、≥ 0℃积温 年均气温、年均最
低气温、≥ 10℃积温、≥ 0℃积温		 极端低温、年均
气温、≥ 10℃积温、≥ 0℃积温		 年均气温、年均最高气温、≥ 10℃积温、≥ 0℃积温 年均最高气温、
≥ 10℃积温、≥ 0℃
积温、极端高温		 年均气温、极端
低温、≥ 10℃积温、≥ 0℃积温
降水
指标		 年降水量、最大
日降水量		 年降水量、最大日降水量 最大日降水量 年降水量、降水
距平百分率		 年降水量 年降水量 年降水量、最大
日降水量
表2 各地区指标筛选结果

Tab. 2 Screening results of indicators in each region

云南 福建 京津冀 陕西 湖北 新疆 吉林
中选指标 权重 中选指标 权重 中选指标 权重 中选指标 权重 中选指标 权重 中选指标 权重 中选指标 权重
湿润指数 0.116 4 植被覆盖度 0.134 0 水源涵养 0.157 2 湿润指数 0.114 8 水源涵养 0.121 1 生态用地面积
占比		 0.249 7 水源涵养 0.125 4
植被覆盖度 0.081 3 生态用地面积
占比		 0.085 1 生态用地
面积占比		 0.120 2 RVI年差值 0.100 1 生态用地
面积占比		 0.106 9 水源涵养 0.084 4 生态用地
面积占比		 0.101 1
生态用地面积
占比		 0.081 1 水源涵养 0.060 1 植被覆盖度 0.106 7 植被覆盖度 0.095 5 地形位 0.098 5 植被覆盖度 0.064 5 地形位 0.083 5
平均分维数 0.061 7 香农多样性 0.053 0 人类活动强度 0.083 8 生态用地面积占比 0.089 2 土壤质地 0.077 0 OSAVI年差值 0.058 2 植被覆盖度 0.071 6
生物丰度 0.057 4 年均气温 0.052 3 平均斑块面积 0.054 8 最大斑块面积 0.067 9 年均气温 0.064 6 平均分维数 0.056 6 湿润指数 0.070 5
DVI年最小值 0.056 7 香农均匀度 0.052 3 土地利用程度 0.052 5 水源涵养 0.066 9 最大斑块面积 0.062 1 DEM 0.055 2 生物丰度 0.059 0
最大斑块面积 0.054 3 最大斑块面积 0.049 9 DEM 0.050 6 土壤质地 0.062 1 生物丰度 0.061 9 生物丰度 0.052 3 土壤质地 0.053 1
平均斑块面积 0.053 9 蔓延度 0.046 7 生物丰度 0.050 5 生物丰度 0.049 6 植被覆盖度 0.057 6 平均斑块面积 0.045 5 最大斑块面积 0.046 1
水源涵养 0.053 9 地形位 0.045 7 地形位 0.049 2 地表起伏度 0.045 1 人类活动强度 0.050 8 ≥10℃积温 0.031 2 人类活动强度 0.045 8
DEM 0.049 2 地表起伏度 0.043 5 年均气温 0.036 5 平均斑块面积 0.040 6 土地利用程度 0.048 9 地形位 0.030 6 蔓延度 0.043 3
土壤质地 0.047 4 平均斑块面积 0.043 0 年均最低气温 0.035 4 土地利用程度 0.039 5 DEM 0.040 2 香农均匀度 0.027 9 土地利用程度 0.042 9
人类活动强度 0.044 0 生物丰度 0.040 5 最大日降水量 0.032 5 生态弹性度 0.027 4 坡度 0.030 2 NPP 0.025 9 平均斑块面积 0.042 5
土地利用程度 0.032 4 叶面积指数 0.038 9 最大斑块面积 0.029 1 香农均匀度 0.025 6 生态弹性度 0.029 0 香农多样性 0.023 9 香农均匀度 0.041 5
叶面积指数 0.029 6 湿润指数 0.038 7 ARVI的生长
季差值		 0.027 0 生态活力 0.025 3 湿润指数 0.028 6 ≥0℃积温 0.023 6 香农多样性 0.040 9
蒸散发量 0.029 5 土地利用程度 0.037 0 叶面积指数 0.021 6 叶面积指数 0.023 2 平均斑块面积 0.026 1 蔓延度 0.023 3 叶面积指数 0.037 3
生态弹性度 0.028 9 蒸散发量 0.035 4 生态活力 0.020 3 粗糙度 0.023 0 NPP 0.023 7 年降水量 0.023 3 蒸散发量 0.031 1
香农均匀度 0.023 8 NPP 0.032 9 生态弹性度 0.020 2 香农多样性 0.022 9 香农均匀度 0.020 5 土地利用程度 0.023 2 生态弹性度 0.025 8
香农多样性 0.019 4 人类活动强度 0.026 2 风速 0.018 0 蔓延度 0.022 5 DVI的生长季
最小值		 0.019 0 极端高温 0.023 0 风速 0.017 5
粗糙度 0.018 8 平均分维数 0.026 1 蒸散发量 0.017 0 蒸散发量 0.022 4 香农多样性 0.017 3 土壤质地 0.021 5 RVI的生长季
差值		 0.016 2
NPP 0.016 4 坡度 0.021 0 地表起伏度 0.016 9 分离度 0.019 2 蒸散发量 0.016 0 FPAR 0.021 0 平均分维数 0.005 0
地表起伏度 0.015 8 生态弹性度 0.019 9 - - 人类活动强度 0.017 4 - - 生态弹性度 0.017 8 - -
FPAR 0.014 8 NDVI年均值 0.017 8 - - - - - - 人类活动强度 0.017 4 - -
生态活力 0.013 4 - - - - - - - - - - - -
从各地区的结果来看，排名靠前的指标都较好契合各地区的基本情况。福建省和云南省全省森林覆盖率过半，气候湿润，排名靠前的湿润指数、水源涵养、植被覆盖度和生态用地面积占比都能很好的表征自然本底特征。京津冀拥有大面积的平原区域，而平原植被覆盖率低，以耕地、建设用地为主，人类活动对生态产生较大压力使得生态脆弱性较为严重，与受到人为干扰小、生态环境健康状况良好的山区林地形成主要的生态差异[45]。湖北和吉林与京津冀较为相似， 3个地区排名靠前的指标都为水源涵养指数和生态用地面积占比，且林地、耕地、建设用地的生态效益在水源涵养能力和生态用地属性上有较大差异，因此通过所选指标可以体现出3个地区主要的生态差异。其余指标则表现3个地区不同的生态本底条件，京津冀人类活动强烈，所以人类活动强度、平均斑块面积同样占据较大的权重，地形位、湿润指数和植被覆盖度则符合吉林东南高西北低的地形与湿润的气候，湖北地形位和土壤质地指标权重的靠前，体现出湖北复杂的土壤类型与地形地貌。
陕西跨域3个气候带，是气候干湿变化敏感区和生态脆弱区[46]，且北部黄土高原、毛乌素沙漠、陕北高原与关中平原肥沃的耕地和中部、南部的秦岭与巴山在植被覆盖与气候干湿上差异显著。陕西省的结果中位于前列的湿润指数、RVI年差值、植被覆盖度和生态用地等可较好体现出陕西内部气候干湿与植被覆盖的差异。而新疆属于干旱半干旱气候，植被覆盖率低，生态系统以荒漠生态系统为主，其次是草地生态系统，并且新疆的快速发展与水资源、植被的稀缺是生态问题的主要原因[47]，因此能够表征生态用地面积变化的生态用地面积占比与体现水源涵养能力和植被覆盖状况的水源涵养指数、植被覆盖度和OSAVI年差值的权重排名靠前是合理的。
此外，在各地区中部分中选指标在已有的生态相关评价文献中与各地人为选择的指标有较大的重合度。如：福建省的香农多样性、香农均匀度、植被覆盖度[48]；京津冀的地形起伏度、蒸散发量、人类活动强度、年平均气温、生物丰度，平均斑块面积、植被覆盖度[45,49]；吉林的海拔、植被覆盖度、生物丰度、香农多样性、香农均匀度、土地利用程度和人类活动强度[50-51]；新疆的植被覆盖度、DEM、生物丰度、年降水量、土地利用综合指数、NPP、平均分维数[52⇓-54]。
从以上的分析表明，两段式自适应指标约简模型能够根据各个地区的特点，自动、客观且合理的筛选出能够表征各地区生态环境差异或自然本底特征的关键指标，在降低指标信息冗余的同时，很大程度上减少了指标选择和权重计算的主观性。

4.2 各地区EHCI的时空变化分析

利用各地区中选指标和相应的权重，计算了2001—2021年每年的生态环境健康综合指数EHCI的空间分布。21年来各地区EHCI总体空间分布格局基本一致。

4.2.1 平均EHCI的空间分布

7个地区2001—2021年平均生态健康空间分布如图3所示，其中新疆[54]、福建[55]、陕西[56]、京津冀[57]、湖北[58]与现有文献中生态环境健康状况好坏的相对分布格局相似。并且，各地区生态环境健康状况的空间分布基本符合实际情况，健康的状况水平基本都位于绿色资源丰富的区域，如云南滇西和滇中、福建内陆区域、京津冀北部燕山-西部太行山区沿线、陕西秦岭-巴山一带、湖北北部等，这些区域的生态系统都具有较强的活力、组织力和恢复力，且充足的绿色资源也增强了区域水源涵养能力与对于沙漠化、盐碱化、人类活动等胁迫的抵抗能力。EHCI中低值区则主要分布在地表覆盖类型为城镇、耕地、裸地等植被覆盖稀疏、类型单一，生态系统脆弱，容易受到外部（人类）活动影响的区域，因此生态环境健康状况水平都处于较低值，如福建沿海城市群、京津冀冀中平原和坝上高原、陕西北部和关中平原、吉林西北部等。而EHCI恶劣的区域主要位于新疆的东部、准噶尔盆地和塔里木盆地，这些区域的地表覆盖类型以荒漠、戈壁、稀疏灌木为主，全区几乎无植被生长，土壤湿度低，地表温度高，生态系统条件严峻，生态环境健康状况恶劣。
图3 各地区21年的EHCI均值空间分布情况

Fig. 3 The spatial distribution of the mean value of EHCI in each region in the past 21 years

从各地区空间分布来看，云南和福建中绝大多数区域的生态环境健康处于良好的状况，其中生态环境健康相对较差的区域主要分布在云南东部、北部和福建的沿海区域；京津冀中北部燕山-西部太行山区沿线的生态环境健康状况最好，冀中平原中的耕地和坝上高原次之，冀中平原中的城镇区域及周边区域则相对最差；陕西从秦岭-巴山一带到关中地区再到子午岭森林公园和黄龙山景区，最后到陕北地区，整体显现出随纬度变化生态环境健康状况好坏交替的情况；湖北则呈现出四周高中间低的格局，相对最优的区域位于湖北西部、东北、东西两侧的边缘地带和中部部分区域，而位于中部平原地区中的耕地和城镇的生态环境健康状况水平略低于其他区域；新疆生态环境健康状况相对差的区域主要位于准格尔盆地、塔里木盆地以及新疆东部地区，而相对较好的区域则分布在有大面积草地、森林、绿洲的西部区域；吉林主要呈现西北-东南差距，东南部优于西北部。
此外，各地区总体生态健康状况方面，云南和福建大部分区域的生态环境健康水平处于高值，因此生态环境健康状况最优。湖北、吉林、京津冀、陕西， 4个地区内部都有约一半区域的生态环境健康状况处于良好，而余下区域在图中明显表现出湖北和吉林相近，京津冀有大规模生态环境健康状况较差的城市群，所以总体生态环境健康状况低于湖北和吉林，而高于陕西中荒漠、关中平原所表现出的状况水平。新疆的生态环境健康状况最为恶劣，生态环境健康状况良好的区域占比远低于低值区域，且该地区低值区域的生态环境健康状况水平远低于其他地区。

4.2.2 EHCI的时间变化特征

利用 Sen+Mann-Kendall 法[29]对2001—2021年各地区的EHCI 进行时间序列趋势分析。由于不存在 Sen 趋势度β严格为 0的区域，研究将 |β|<0.003的位置判定为无明显变化，此外，采用检验统计量 Z 来检验趋势的显著性，取显著水平 α=0.05，Z1-α/2 =Z0.975=1.96。当 β >0.003，|Z|>1.96 时，序列呈显著上升趋势；当 β>0.003，|Z|≤1.96 时，序列呈上升但不显著趋势；当 β <-0.003，|Z|>1.96 时，序列呈显著下降趋势；当 β <-0.003，|Z|≤1.96 时，序列呈下降但不显著趋势，结果如图4所示，并对各地区各变化趋势的面积占比进行统计，如表3所示。
图4 2001—2021年各地区EHCI变化趋势

Fig. 4 The trend of EHCI in each region from 2001 to 2021

表3 各地区EHCI变化趋势分级面积占比

Tab. 3 The proportion of each grading area of EHCI change trend in each region in each region （%）

云南 福建 京津冀 陕西 湖北 新疆 吉林
稳定不变 91.21 94.26 87.82 85.02 93.08 90.82 95.36
严重退化 1.83 3.33 8.23 1.69 3.80 4.51 3.69
轻微退化 0.01 0.04 0.07 0.02 0.05 0.26 0.04
轻微改善 0.01 0.02 0.06 0.01 0.04 0.28 0.05
明显改善 6.94 2.35 3.82 13.26 3.03 4.13 0.86
由图4和表3可知，7个地区21年来生态环境健康状况总体上都保持稳定的态势，稳定不变的等级基本都占各地区面积的85%以上。其中云南、陕西改善区域多于退化区域，改善面积分别达6.94%和13.26%。其余地区则相反，京津冀和吉林退化最为严重，分别达8.23%和3.69%，而福建、新疆和湖北退化面积占比和改善面积占比基本持平，相差小于1%。
生态环境健康的改变，往往会引起各地区关键指标即排名靠前指标数据的改变，并通过这些变化进行体现。各地区中生态环境健康状况的改善基本都要归功于国家生态治理措施的实行，与实施区域能够较好的对应。1999年以来我国实行了两轮的“退耕还林”，且2001—2021年正处于“三北防护林”工程实施的第2阶段，在21年的生态修复过程中都取得了显著的生态效益[59]，陕西的陕南东部、陕北毛乌素沙漠与黄土沟壑区，新疆塔里木盆地和准噶尔盆地外围与天山北坡经济带，吉林西部、湖北西部和京津冀西北张家口等改善区域或为两大生态措施工程其中之一的重点建设区，或为两大生态措施工程的重叠区，在这些地区中最显著的变化为植被覆盖面积的增加，这对于各地区中权重值靠前的关键指标都有较大促进作用，如京津冀、湖北、新疆和吉林生态治理区域的生态用地面积占比中植被比例增加而耕地面积减少，且水源涵养功能也伴随植被增多得到了加强，陕西则随着陕北植被的增加，除了直观的植被覆盖度的变化，通过对于气候的影响，区域湿润指数也同样有较大变化，缓解了陕北的干燥气候，使生态系统条件更加适宜。此外，除了国家层面生态举措，各地区生态改善还归功于自身的生态治理，如：京津冀西北张家口的改善也得益于京津冀风沙源治理工程的开展，通过人工造林、退耕还林和小流域治理等措施，在改善水源涵养能力的同时，增加了生态用地面积占比中林地和草地的比例[49]；福建省改善区域主要集中于泉州和漳州两市水土流失严重区域，云南省改善区域则属于典型的喀斯特地貌，属于石漠化极度敏感区域[60]，同时也是水土流失和石漠化综合治理重点区，水土流失和石漠化治理成效的最直接体现就是植被恢复和植物演替，对于这些区域的湿润指数、生态用地面积占比和植被覆盖度都有很大的改善，因此其所表现出的健康程度都得到较高的提升。而生态环境健康状况退化因素，除了新疆是由于荒漠化，致使生态用地面积占比中草地、林地等减少，其他地区的退化区域主要属于各地区的城镇周边地带，其中京津冀中南部最为典型，随着经济的快速发展，人口聚集与城镇不断扩张，人类活动对生态环境健康的干扰主要体现在生态用地面积占比中城镇用地对其他用地的侵占，致使生态环境健康状况呈退化趋势。
综上所述，7个地区生态环境健康状况的空间分布和时间变化趋势都较为合理，并且能与现有的文献、资料进行相互印证，从侧面证实了指标体系的普适性与指标筛选和权重计算结果的合理性。

4.3 各地区压力、状况和响应贡献率分析

压力表征的是生态系统所面临的自然或人类活动引起的内外胁迫，状态表征生态系统面对压力时所处状况，响应表征人类面对生态问题采取的对策和措施或生态系统面对压力和状况变化的承受能力。并且3个方面存在一定因果关系，若人类活动对生态系统健康施加一定压力，生态系统健康状态将相应改变。随之，人类对生态系统健康的变化做出响应，以恢复生态系统健康或防止生态系统退化[30]，研究3个方面的贡献率有助于探寻目前生态系统所面临的处境。通过分别生成每个地区每年的压力、状态和响应结果，计算每年3个方面对于EHCI结果的占比作为对于EHCI的贡献率，并求取整个地区21年的均值作为平均贡献率，如表4所示。从表4中可以看出，状态对于EHCI结果的贡献率在各地区中都位于第一，说明生态系统所处状态都是决定各地区生态环境健康状况最主要的因素。
表4 各地区压力、状况和响应的平均贡献率

Tab. 4 Average contribution rate of pressure, conditions, and responses in each region

地区 压力P 状况S 响应R
云南 0.170 5 0.434 0 0.389 8
福建 0.147 6 0.435 0 0.417 5
京津冀 0.240 8 0.447 0 0.312 8
陕西 0.162 0 0.439 7 0.398 4
湖北 0.203 2 0.433 6 0.382 1
新疆 0.219 6 0.497 5 0.202 3
吉林 0.181 3 0.432 6 0.386 2
从各地区的主导类型来看，可以分为状况-响应联合主导与状态主导2种类型。状况-响应联合主导的地区有云南、福建、陕西、湖北和吉林，这些地区在响应方面的贡献率具有接近于状况的较高贡献率，因此这些地区生态系统健康状况主要依托于自然条件状况和生态措施的实施、自身生态系统的承受能力。结合表3中稳定不变的面积占据绝大多数的情况，说明在这些稳定不变的区域中自然条件状况基本保持不变，生态系统面对压力和状况变化的承受能力强，但在表3中显示吉林的退化趋势多于改善趋势而其他地区中两者基本持平或少于，表明除了受较差的自然条件状况的影响外，在响应部分吉林所实施的生态措施效果和对于内外胁迫的承受能力都相对较弱；状况主导的地区包括京津冀和新疆，除了自然条件好的区域对生态环境健康的正面影响外，表3中显示京津冀的退化趋势严重，并且压力的贡献率为各地区最大，说明以自然条件状况为主导，在自然条件相对较差的区域，生态系统状况的不稳定，加以京津冀人类活动程度强烈，使其相对于其他地区更易受人类活动干扰，双重因素的作用下，致使退化趋势严重。而新疆中响应的贡献率远低于其他地区，并且低于压力的贡献率，说明由于大片荒漠、沙地的存在，不利的自然条件状况降低了该地区的生态环境健康状况的同时，生态环境所面临的内外胁迫也超过了人类对生态系统健康的变化做出的响应与生态系统的承载力，抗干扰能力弱，使该地区成为生态敏感区。

5 结论与讨论

5.1 结论

本文提出了一种面向生态环境健康评价的自适应指标约简模型，包括一套能适用于不同生态系统的五层评价指标体系与能依据不同地区特征自动筛选关键评价指标的两段式自适应指标约简模型，并选取了7个生态条件特征迥异的典型地区验证了该方法的适用性与合理性。主要结论如下：
（1）所提出的指标体系，在传统的指标体系上扩大了体系框架和所能表征生态系统特征的涵盖面，并通过层级关系从上到下层层约束，使得指标体系内部结构和所表征的内容、方面更加全面细致，能适用于不同生态系统，减少了重复构建指标体系的负担。同时，通过梳理要素层和指标层的关系，使用网状结构体现了生态系统内部的多关联、多对应关系，与生态系统中各因素交叉联系的实际情况更加切合。此外，不同区域使用统一的指标体系，增加了不同区域结果的可比性，对跨区域生态环境的保护和管理具有重要意义。
（2）基于TOPSIS法与目标优化理论的两段式自适应指标约简方法，分别针对同类指标层和指标层指标筛选，能够综合考虑和利用指标本身数据多个方面的属性，是一个从同类指标的得分计算、指标层权重计算与最终的指标筛选都客观的定量化筛选方法，能最大限度地减少最终综合评价结果所受到的主观影响，以适宜、合理的多维数据模式反映区域的生态环境健康状况。
（3）7个地区的指标筛选结果能够较好地体现各地区的自然本底特征，其中部分指标在现有文献中也同样被使用，并且各地区生态环境健康水平的空间分布和时间变化趋势结果能与现有文献、实际情况和相关生态政策成果较好对应，证明了指标筛选结果和其对应权重的合理性。说明本文所构建的指标体系能够较好地适应全国不同地区的生态系统，具有较强的普适性，并且通过两段式自适应指标约简模型可以筛选出不同生态系统所侧重的关键指标和与其对应的适宜权重值。
（4）在年际尺度上，7个地区大部分区域（>85%）的生态环境健康状况都保持稳定不变的态势，云南和陕西在总体稳定的基础上呈现向好的趋势，京津冀、吉林则是在总体稳定的基础上略微退化。其中改善区域占比最大的是陕西，达13.26%，京津冀的退化区域占比最多，达8.23%。各地区改善区域主要归功于政府所实施的各种生态治理措施，而退化区域主要由于经济快速发展、城市不断的扩张所引起的。

5.2 讨论

鉴于目前生态环境健康评价所面临的问题，本文提出了一种面向生态环境健康评价的自适应指标约简模型，其中所构建的指标体系和指标筛选方法对当前研究的不足都有所改进和弥补。在指标体系方面，以往研究中存在指标体系普适性弱[3]、涵盖范围不够全面等缺点[24]，本文提出的指标体系将PSR和EHN模型进行结合，通过考虑生态系统的多方面因素从指标体系的广度和深度两方面扩大涵盖范围，收集不同生态系统的侧重指标，使指标体系能够适用于不同生态系统，且统一的评价体系使跨区域长时序的结果更具可比性的同时减少了重复构建指标体系的负担；在指标筛选方面，本文提出了两段式自适应指标约简模型，首先以TOPSIS法为基础，通过考虑同类指标的敏感性、代表性和重要性3个方面弥补目前同类指标筛选方法的缺乏。其次，针对目前常用的筛选方法存在的权重计算和筛选过程主观性强、缺乏客观合理性，指标筛选依据单一的问题[28]，通过最大化偏差模型对多个客观权重赋权法进行组合赋权并结合目标优化理论进行指标筛选的方式，在减少主观性影响的同时能综合考虑指标数据的多方面属性完成指标筛选。但仍有可以改进的地方与对该工作的进一步展望：
（1）在指标标准化时只是简单的对指标进行极值归一化，但如气温、降水等指标的极值对于生态环境健康状况来说并不是最适宜的值，而是存在一个适宜的范围，所以在今后的工作中需要构建一个适用于不同数据的标准化方法。
（2）对于筛选结果和评价结果的合理性缺乏定量化方法进行验证，本文仅从定性分析的角度探讨了指标筛选结果是否能体现研究区的生态特点与生态环境健康状况的时空分布、变化结果是否与现有文献、政策成果相对应，以此来进行结果的验证，下一步将尝试构建合适的定量化验证方法，通过定性和定量相结合的方式提高结果验证的科学性和合理性。
（3）目前只是简单的对7个地区进行了生态环境健康状况时空变化的分析，未来将进一步开展两段式方法在全国更大范围内的生态环境健康评价，并根据评价结果对生态环境健康状况的影响因素进行探究，为后续全国范围不同区域的生态环境健康评价、生态治理措施成果监测和生态环境问题改善提供结果依据与方法支撑。
（4）目前所提出的方法在所选择的几个实验区中都得到了较好的结果，但本论文的主要研究尺度为面向省域的区域尺度，因此没有进一步在多尺度情景下进行探讨。尺度作为地理现象或地理实体不可避免的本质特征[61]，其造成的尺度问题是地理学中所面临的基本问题之一，也是定量遥感领域扩展到多尺度所需克服的关键问题，广泛的存在于涉及地理学的各种研究中。主要表现为在某一尺度上观测到的现象、总结出的规律或得出的结果，在其他尺度上可能通用、可能类似，但更多的是需要重新修正[62]，如在小尺度上植物的分布主要是受其立地的土壤特性和微地形所决定，而在较大尺度上，气候条件则起主导作用[63]。该问题在生态评价领域同样无法避免，生态环境健康状况是所选区域尺度内一组完整生态相关元素的反馈效应，取决于所选尺度范围内总体的生态系统条件[30]，而不同尺度范围下所形成的生态系统的功能和结构都有所不同，因此生态系统内部相互作用引起的生态效应也不同 [23]，导致生态评价结果所用到的指标和权重必然有所差异，尽管部分学者尝试通过移动窗口的方式考虑区域尺度特征[25,64]，但其考虑的窗口范围小，并且适宜的尺度范围仍然需要通过不断的实验。本文方法在选择的实验区下辖县市或包含实验区的生态区中重新计算得到的指标筛选与其权重结果将会适用于新区域尺度的生态评价，无法避免会出现与目前结果有些许差异，但相同区域大体的生态环境健康状况好坏的相对分布基本相同，为了使研究更进一步，未来将在县、市、生态区等不同区域尺度上进行实验，获得一个较为适宜的评价尺度。
本文图文责任编辑：蒋树芳

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李魁明, 王晓燕, 姚罗兰. 京津冀地区生态系统健康时空演变及其影响因素[J/OL]. 环境科学:1-17[2023-08-20].

[Li K M, Wang X Y, Yao L L. Spatial-temporal evolution of ecosystem health and its influencing factors in Beijing-Tianjin-Hebei region[J/OL]. Environmental Science:1-17[2023-08-20].] DOI:10.13227/j.hjkx.202301077

[2]
Rapport D J, Costanza R, McMichael A J. Assessing ecosystem health[J]. Trends in Ecology & Evolution, 1998, 13(10):397-402. DOI:10.1016/S0169-5347(98)01449-9

[3]
Li Y, Tian H F, Zhang J F, et al. Detection of spatiotemporal changes in ecological quality in the Chinese mainland: Trends and attributes[J]. Science of the Total Environment, 2023,884:163791. DOI:10.1016/j.scitotenv.2023.163791

[4]
王柯, 张建军, 邢哲, 等. 我国生态问题鉴定与国土空间生态保护修复方向[J]. 生态学报, 2022, 42(18):7685-7696.

[Wang K, Zhang J J, Xing Z, et al. Identification of ecological problems in China and the direction of ecological protection and restoration of national space[J]. Acta Ecologica Sinica, 2022, 42(18):7685-7696.] DOI:10.5846/stxb202110122869

[5]
何盈利, 尤南山, 崔耀平, 等. 2000年来中国生态状况时空变化格局[J]. 自然资源学报, 2021, 36(5):1176-1185.

DOI

[He Y L, You N S, Cui Y P, et al. Spatio-temporal changes in remote sensing-based ecological index in China since 2000[J]. Journal of Natural Resources, 2021, 36(5):1176-1185.] DOI:10.31497/zrzyxb.20210507

[6]
Shan W, Jin X B, Ren J, et al. Ecological environment quality assessment based on remote sensing data for land consolidation[J]. Journal of Cleaner Production, 2019,239:118126. DOI:10.1016/j.jclepro.2019.118126

[7]
Li W W, Yi P T, Zhang D N, et al. Assessment of coordinated development between social economy and ecological environment: Case study of resource-based cities in Northeastern China[J]. Sustainable Cities and Society, 2020,59:102208. DOI:10.1016/j.scs.2020.102208

[8]
Xiao R, Liu Y, Fei X F, et al. Ecosystem health assessment: A comprehensive and detailed analysis of the case study in coastal metropolitan region, Eastern China[J]. Ecological Indicators, 2019, 98:363-376. DOI:10.1016/j.ecolind.2018.11.010

[9]
Wang J B, Ding Y F, Wang S Q, et al. Pixel-scale historical-baseline-based ecological quality: Measuring impacts from climate change and human activities from 2000 to 2018 in China[J]. Journal of Environmental Management, 2022,313:114944. DOI:10.1016/j.jenvman.2022.114944

[10]
徐明德, 李静, 彭静, 等. 基于RS和GIS的生态系统健康评价[J]. 生态环境学报, 2010, 19(8):1809-1814.

DOI

[Xu M D, Li J, Peng J, et al. Ecosystem health assessment based on RS and GIS[J]. Ecology and Environmental Sciences, 2010, 19(8):1809-1814.] DOI:10.16258/j.cnki.1674-5906.2010.08.005

[11]
Xie X E, Fang B, Li X, et al. Urban ecosystem health assessment and obstacle factor diagnosis using a comprehensive assessment model for Nanjing, China[J]. Growth and Change, 2021, 52(3):1938-1954. DOI:10.1111/grow.12492

[12]
Shi R X, Jia Q Y, Wei F Z, et al. Comprehensive evaluation of ecosystem health in pastoral areas of Qinghai-Tibet Plateau based on multi model[J]. Environmental Technology & Innovation, 2021,23:101552. DOI:10.1016/j.eti.2021.101552

[13]
Yan Y, Zhao C L, Wang C X, et al. Ecosystem health assessment of the Liao River Basin upstream region based on ecosystem services[J]. Acta Ecologica Sinica, 2016, 36(4):294-300. DOI:10.1016/j.chnaes.2016.06.005

[14]
Sun B D, Tang J C, Yu D H, et al. Ecosystem health assessment: A PSR analysis combining AHP and FCE methods for Jiaozhou Bay, China1[J]. Ocean & Coastal Management, 2019, 168:41-50. DOI:10.1016/j.ocecoaman.2018.10.026

[15]
Lin T, Lin J Y, Cui S H, et al. Using a network framework to quantitatively select ecological indicators[J]. Ecological Indicators, 2009, 9(6):1114-1120. DOI:10.1016/j.ecolind.2008.12.009

[16]
裴韬, 黄强, 王席, 等. 地理大数据聚合的内涵、分类与框架[J]. 遥感学报, 2021, 25(11):2153-2162.

[Pei T, Huang Q, Wang X, et al. Big geodata aggregation: Connotation, classification, and framework[J]. National Remote Sensing Bulletin, 2021, 25(11):2153-2162.]

[17]
赵海凤, 李仁强, 赵芬, 等. 生态环境大数据发展现状与趋势[J]. 生态科学, 2018, 37(1):211-218.

[Zhao H F, Li R Q, Zhao F, et al. Current status and development trend of eco-environmental big data[J]. Ecological Science, 2018, 37(1):211-218.] DOI:10.14108/j.cnki.1008-8873.2018.01.028

[18]
王桥. 中国环境遥感监测技术进展及若干前沿问题[J]. 遥感学报, 2021, 25(1):25-36.

[Wang Q. Progress of environmental remote sensing monitoring technology in China and some related frontier issues[J]. National Remote Sensing Bulletin, 2021, 25(1):25-36.]

[19]
Pan W B, Huang H, Yao P C, et al. Assessment methods of small watershed ecosystem health[J]. Polish Journal of Environmental Studies, 2021, 30(2):1749-1769. DOI:10.15244/pjoes/125524

[20]
Ashraf A, Haroon M A, Ahmad S, et al. Use of remote sensing-based Pressure-State-Response framework for the spatial ecosystem health assessment in Langfang, China[J]. Environmental Science and Pollution Research, 2023, 30(38):89395-89414. DOI:10.1007/s11356-023-28674-8

[21]
Song W, Gu H H, Song W, et al. Environmental assessments in dense mining areas using remote sensing information over Qian'an and Qianxi regions China[J]. Ecological Indicators, 2023,146:109814. DOI:10.1016/j.ecoli nd.2022.109814

[22]
Dong C Y, Qiao R R, Yang Z C, et al. Eco-environmental quality assessment of the artificial oasis of Ningxia section of the Yellow River with the MRSEI approach[J]. Frontiers in Environmental Science, 2023,10:1071631. DOI:10.3389/fenvs.2022.1071631

[23]
Jiang F, Zhang Y Q, Li J Y, et al. Research on remote sensing ecological environmental assessment method optimized by regional scale[J]. Environmental Science and Pollution Research, 2021, 28(48):68174-68187. DOI:10.1007/s11356-021-15262-x

[24]
Li W J, An M, Wu H L, et al. The local coupling and telecoupling of urbanization and ecological environment quality based on multisource remote sensing data[J]. Journal of Environmental Management, 2023,327:116921. DOI:10.1016/j.jenvman.2022.116921

[25]
Wang Z W, Chen T, Zhu D Y, et al. RSEIFE: A new remote sensing ecological index for simulating the land surface eco-environment[J]. Journal of Environmental Management, 2023,326:116851. DOI:10.1016/j.jenvman.2022.116851

[26]
顾晓昀, 徐宗学, 刘麟菲, 等. 北京北运河河流生态系统健康评价[J]. 环境科学, 2018, 39(6):2576-2587.

[Gu X Y, Xu Z X, Liu L F, et al. Health assessment of the stream ecosystem in the north canal river basin, Beijing, China[J]. Environmental Science, 2018, 39(6):2576-2587.] DOI:10.13227/j.hjkx.201706229

[27]
Hou C M, Chen H, Long R Y, et al. Construction and empirical research on evaluation system of green productivity indicators: Analysis based on the correlation-fuzzy rough set method[J]. Journal of Cleaner Production, 2021,279:123638. DOI:10.1016/j.jclepro.2020.123638

[28]
黄洁, 吝涛, 胡灯进. 基于网络分析的生态建设评估指标体系定量选取——以福建省为例[J]. 生态学报, 2015, 35(3):686-695.

[Huang J, Lin T, Hu D J. Quantitative selection research on the evaluation indicators system for the ecological construction based on network analysis: A case study of Fujian[J]. Acta Ecologica Sinica, 2015, 35(3):686-695.] DOI:10.5846/stxb201304070621

[29]
汪小钦, 林梦婧, 丁哲, 等. 基于指标自动筛选的新疆开孔河流域生态健康评价[J]. 生态学报, 2020, 40(13):4302-4315.

[Wang X Q, Lin M J, Ding Z, et al. Ecological health assessment of Kaikong River Basin based on automatic screening of indicators in Xinjiang[J]. Acta Ecologica Sinica, 2020, 40(13):4302-4315.] DOI:10.5846/stxb201911142415

[30]
Chen W X. A multi-scale assessment of ecosystem health based on the Pressure-State-Response framework: A case in the Middle Reaches of the Yangtze River Urban Agglomerations, China[J]. Environmental Science and Pollution Research, 2022, 29(19):29202-29219. DOI:10.1007/s11356-021-17768-w

[31]
Zhao J C, Ji G X, Tian Y, et al. Environmental vulnerability assessment for mainland China based on entropy method[J]. Ecological Indicators, 2018, 91:410-422. DOI:10.1016/j.ecolind.2018.04.016

[32]
生态环境部. 全国生态功能区划. https://www.mee.gov.cn/xxgk2018/xxgk/xzgfxwj/202301/W020151126550511267548.pdf, 2015-11-26.

[Ministry of Ecology and Environment the People's Republic of China. National ecological function zoning. https://www.mee.gov.cn/xxgk2018/xxgk/xzgfxwj/202301/W020151126550511267548.pdf, 2015-11-26.]

[33]
傅伯杰. 中国生态区划研究[M]. 北京: 科学出版社, 2013.

[Fu B J. Study on ecological zoning in China[M]. Beijing: Science Press, 2013.]

[34]
孙莺沙, 卢明明, 王奕森, 等. 基于景观格局演变的汾河流域生态系统健康评价[J]. 中国农村水利水电, 2023(4):23-32.

[Sun Y S, Lu M M, Wang Y S, et al. Ecosystem health assessment of Fen River Basin based on landscape pattern evolution[J]. China Rural Water and Hydropower, 2023(4):23-32.] DOI:10.12396/znsd.221497

[35]
生态环境部. 区域生态质量评价方法(试行). https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/202111/W020211124377111066485.pdf, 2021-10-18.

[Ministry of Ecology and Environment the People's Republic of China. Regional ecological quality evaluation method (trial). https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/202111/W020211124377111066485.pdf, 2021-10-18.]

[36]
任纪安, 方瑶, 简季, 等. 基于主客观赋权法的城市生态环境评价[J]. 人民长江, 2019, 50(10):80-85.

[Ren J, Fang Y, Jian J, et al. Urban ecological environment assessment based on subjective and objective weighting method[J]. Yangtze River, 2019, 50(10):80-85.] DOI:10.16232/j.cnki.1001-4179.2019.10.015

[37]
徐涵秋. 水土流失区生态变化的遥感评估[J]. 农业工程学报, 2013, 29(7):91-97,294.

[Xu H Q. Assessment of ecological change in soil loss area using remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(7):91-97,294.]

[38]
周丽. 基于时序全局主成分分析的西部农村生态经济研究[J]. 中国农业资源与区划, 2017, 38(12):192-196,234.

[Zhou L. Research on rural ecological economy in Western China based on time series and generalized principal component analysis[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(12):192-196,234.] DOI:10.7621/cjarrp.1005-9121.20171228

[39]
Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: Cases with different types of spatial data[J]. GIScience & Remote Sensing, 2020, 57(5):593-610. DOI:10.1080/15481603.2020.1760434

[40]
Yang T, Zhang Q, Wan X H, et al. Comprehensive ecological risk assessment for semi-arid basin based on conceptual model of risk response and improved TOPSIS model-a case study of Wei River Basin, China[J]. Science of the Total Environment, 2020,719:137502. DOI:10.1016/j.scitotenv.2020.137502

[41]
吴瑞英, 孙怀卫, 严冬, 等. 基于格网数据和博弈论组合赋权的中巴经济走廊洪灾风险评价[J]. 农业工程学报, 2021, 37(14):145-154.

[Wu R Y, Sun H W, Yan D, et al. Evaluation of flood disaster risk in China-Pakistan Economic Corridor by combination weighting based on improved game theory and grid data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(14):145-154.] DOI:10.11975/j.issn.1002-6819.2021.14.016

[42]
Cheng W J, Xi H Y, Sindikubwabo C, et al. Ecosystem health assessment of desert nature reserve with entropy weight and fuzzy mathematics methods: A case study of Badain Jaran Desert[J]. Ecological Indicators, 2020,119:106843. DOI:10.1016/j.ecolind.2020.106843

[43]
Meng Y, Wang M, Xu W J, et al. Structure construction, evolution analysis and sustainability evaluation of Water-Ecological-Economic system[J]. Sustainable Cities and Society, 2022,83:103966. DOI:10.1016/j.scs.2022.1039 66

[44]
Yang J E, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8):3907-3925. DOI:10.5194/essd-13-3907-2021

[45]
武帅, 田冰, 顾世杰, 等. 基于PSRM模型的京津冀地区生态脆弱性时空演变[J/OL]. 环境科学:1-17[2023-03-21].

[Wu S, Tian B, Gu S J. Spatial-temporal evolution of ecological vulnerability in Beijing-Tianjin-Hebei region based on PSRM model[J/OL]. Environmental Science:1-17[2023-03-21] ] DOI:10.13227/j.hjkx.202210269

[46]
岳萌, 耿广坡, 王涛, 等. 2000—2019年黄河流域陕西段植被NDVI时空变化及其驱动因素分析[J]. 水土保持研究, 2023, 30(2):238-246,255.

[Yue M, Geng G P, Wang T, et al. Spatiotemporal variation of vegetation NDVI and its driving factors in the Shaanxi section of the Yellow River Basin from 2000 to 2019[J]. Research of Soil and Water Conservation, 2023, 30(2):238-246,255.] DOI:10.13869/j.cnki.rswc.2023.02.022

[47]
周紫燕, 汪小钦, 丁哲, 等. 新疆生态质量变化趋势遥感分析[J]. 生态学报, 2020, 40(9):2907-2919.

[Zhou Z Y, Wang X Q, Ding Z, et al. Remote sensing analysis of ecological quality change in Xinjiang[J]. Acta Ecologica Sinica, 2020, 40(9):2907-2919.] DOI:10.5846/stxb201904280871

[48]
Wang Z Y, Tang L N, Qiu Q Y, et al. Assessment of regional ecosystem health—a case study of the golden triangle of southern Fujian Province, China[J]. International Journal of Environmental Research and Public Health, 2018, 15(4):802. DOI:10.3390/ijerph15040802

[49]
王静, 周伟奇, 许开鹏, 等. 京津冀地区的生态质量定量评价[J]. 应用生态学报, 2017, 28(8):2667-2676.

DOI

[Wang J, Zhou W Q, Xu K P, et al. Quantitative assessment of ecological quality in Beijing-Tianjin-Hebei urban megaregion, China[J]. Chinese Journal of Applied Ecology, 2017, 28(8):2667-2676.] DOI:10.13287/j.1001-9332.201708.008

[50]
Ren Y T, Zhang F, Li J P, et al. Ecosystem health assessment based on AHP-DPSR model and impacts of climate change and human disturbances: A case study of Liaohe River Basin in Jilin Province, China[J]. Ecological Indicators, 2022,142:109171. DOI:10.1016/j.ecolind.2022.109171

[51]
Zou T H, Chang Y X, Chen P, et al. Spatial-temporal variations of ecological vulnerability in Jilin Province (China), 2000 to 2018[J]. Ecological Indicators, 2021,133:108429. DOI:10.1016/j.ecolind.2021.108429

[52]
罗磊, 王蕾, 刘平, 等. 新疆天山中部沙湾林场生态系统健康评价[J]. 新疆农业科学, 2018, 55(8):1505-1515.

DOI

[Luo L, Wang L, Liu P, et al. Ecosystem health evaluation for Shawan forest in middle part of Tianshan Mountain in Xinjiang[J]. Xinjiang Agricultural Sciences, 2018, 55(8):1505-1515.] DOI:10.6048/j.issn.1001-4330.2018.08.016

[53]
刘思怡, 丁建丽, 张钧泳, 等. 艾比湖流域草地生态系统环境健康遥感诊断[J]. 草业学报, 2020, 29(10):1-13.

DOI

[Liu S Y, Ding J L, Zhang J Y, et al. Remote sensing diagnosis of grassland ecosystem environmental health in the Ebinur Lake Basin[J]. Acta Prataculturae Sinica, 2020, 29(10):1-13.] DOI:10.11686/cyxb2019542

[54]
李灏欣, 万华伟, 孙林, 等. 新疆生态系统健康遥感评估及关键驱动因子研究[J]. 干旱区地理, 2021, 44(2):460-470.

[Li H X, Wan H W, Sun L, et al. Remote sensing assessment and key driving factors of ecosystem health in Xinjiang[J]. Arid Land Geography, 2021, 44(2):460-470.] DOI:10.12118/j.issn.1000-6060.2021.02.17

[55]
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]. Remote Sensing, 2019, 11(20):2345. DOI:10.3390/rs11202345

[56]
张斯源, 樊逸飞, 颜礼, 等. 基于长时序MODIS的陕西省近20年生态质量时空变化及其驱动力研究[J]. 水土保持学报, 2023, 37(2):111-119,198.

[Zhang S Y, Fan Y F, Yan L, et al. Temporal and spatial variation and driving forces of eco-environmental quality in Shaanxi Province in recent 20 years based on long time series MODIS data[J]. Journal of Soil and Water Conservation, 2023, 37(2):111-119,198.] DOI:10.13870/j.cnki.stbcxb.2023.02.014

[57]
于奇, 季建万, 张锐, 等. 基于多源数据的生态环境与经济耦合协调水平时空演变——以京津冀城市群为例[J]. 安全与环境学报, 2022, 22(6):3541-3549.

[Yu Q, Ji J W, Zhang R, et al. Spatiotemporal evolution of coupling coordination level between eco-environment and economy based on multi-source data: A case study of Jing-Jin-Ji urban agglomeration[J]. Journal of Safety and Environment, 2022, 22(6):3541-3549.] DOI:10.13637/j.issn.1009-6094.2022.0548

[58]
Peng L, Wu H W, Li Z H. Spatial-temporal evolutions of ecological environment quality and ecological resilience pattern in the middle and lower reaches of the Yangtze River economic belt[J]. Remote Sensing, 2023, 15(2):430. DOI:10.3390/rs15020430

[59]
邵全琴, 刘树超, 宁佳, 等. 2000—2019年中国重大生态工程生态效益遥感评估[J]. 地理学报, 2022, 77(9):2133-2153.

DOI

[Shao Q Q, Liu S C, Ning J, et al. Assessment of ecological benefits of key national ecological projects in China in 2000-2019 using remote sensing[J]. Acta Geographica Sinica, 2022, 77(9):2133-2153.] DOI:10.11821/dlxb202209001

[60]
余梦, 李阳兵, 罗光杰. 中国西南岩溶山地石漠化演变趋势[J]. 生态学报, 2022, 42(10):4267-4283.

[Yu M, Li Y B, Luo G J. Evolution trend of rocky desertification in Karst mountainous areas of southwest China[J]. Acta Ecologica Sinica, 2022, 42(10):4267-4283.] DOI:10.5846/stxb202106111559

[61]
郝大磊, 肖青, 闻建光, 等. 定量遥感升尺度转换方法研究进展[J]. 遥感学报, 2018, 22(3):408-423.

[Hao D L, Xiao Q, Wen J G, et al. Advances in upscaling methods of quantitative remote sensing[J]. National Remote Sensing Bulletin, 2018, 22(3):408-423.

[62]
黄雅君, 周伟, 马明国. 西南地区破碎地表空间异质性刻画与空间尺度关系初探[J]. 遥感学报, 2023, 27(3):802-809.

[Huang Y J, Zhou W, Ma M G. Characterize the spatial heterogeneity of fragmented land-surface and its relationship with spatial scale in southwest China[J]. National Remote Sensing Bulletin, 2023, 27(3):802-809.]

[63]
李双成, 蔡运龙. 地理尺度转换若干问题的初步探讨[J]. 地理研究, 2005, 24(1):11-18.

[Li S C, Cai Y L. Some scaling issues of geography[J]. Geographical Research, 2005, 24(1):11-18.] DOI:10.3321/j.issn:1000-0585.2005.01.002

[64]
Zhu D Y, Chen T, Zhen N, et al. Monitoring the effects of open-pit mining on the eco-environment using a moving window-based remote sensing ecological index[J]. Environmental Science and Pollution Research, 2020, 27(13):15716-15728. DOI:10.1007/s11356-020-08054-2

[65]
徐新良. 中国人口空间分布公里网格数据集[DB/OL]. 资源环境科学数据注册与出版系统. http://www.resdc.cn/DOI,2023-10-8.

[Xu X L. China's population spatial distribution kilometer grid data set[DB/OL]. Resource and Environmental Science Data Registration and Publishing System. http://www.resdc.cn/DOI, 2023-10-8.] DOI:10.12078/2017121101

[66]
徐新良. 中国气象要素平均状况空间插值数据集[DB/OL]. 资源环境科学数据注册与出版系统.http://www.resdc.cn/DOI, 2023-10-8.

[Xu X L. Spatial interpolation data set of average conditions of meteorological elements in China[DB/OL]. Resource and Environmental Science Data Registration and Publishing System. http://www.resdc.cn/DOI, 2023-10-8.] DOI:10.12078/2017121101

[67]
资源环境科学与数据中心. 中国土壤质地空间分布数据[DB/OL]. https://www.resdc.cn/data.aspx?DATAID=260, 2023-10-8.

[Resource and Resource and Environment Science and Data Center. China’s soil texture spatial distribution data[DB/OL]. https://www.resdc.cn/data.aspx?DATAID=260, 2023-10-8.]

Options
文章导航

/

〈 〉