基于GEE的渭河流域生态质量动态监测及其驱动机制

doi:10.11686/cyxb2025327

草业学报 ›› 2026, Vol. 35 ›› Issue (5): 1-19.DOI: 10.11686/cyxb2025327

• 研究论文 •

基于GEE的渭河流域生态质量动态监测及其驱动机制

王亦波¹(), 韩新宁²(), 安可³, 张梦婕⁴, 田慧慧¹, 拓行行⁵, 张潇珊⁵, 叶发明⁶^,⁷, 尹子鸣⁵, 马晓瑞⁵, 杨庆⁶^,⁷, 师涛⁵, 李伟⁵()

^1.西北农林科技大学草业与草原学院，陕西杨凌 712100
^2.宁夏师范大学资源环境与生命科学学院，宁夏固原 756000
^3.定边县气象局，陕西定边 718600
^4.宁夏大学农学院，宁夏银川 750021
^5.西北农林科技大学水土保持科学与工程学院，陕西杨凌 712100
^6.中国科学院水利部水土保持研究所，陕西杨凌 712100
^7.中国科学院大学现代农业科学学院，北京 111049

收稿日期:2025-08-14 修回日期:2025-09-15 出版日期:2026-05-20 发布日期:2026-03-11
通讯作者: 韩新宁,李伟
作者简介:hanxinning@163.com
Corresponding author. E-mail： liwei2013@nwsuaf.edu.cn
王亦波（2000-），男，浙江长兴人，在读硕士。E-mail： yiboyes@126.com
基金资助:
国家自然科学基金项目(42277464);国家重点研发计划项目(2022YFF1302800);陕西省重点研发项目(2024SF-YBXM-545);宁夏自然科学基金(2025AAC030610)

Google Earth Engine-based dynamic monitoring of ecological status in the Weihe River Basin and mechanisms driving it

Yi-bo WANG¹(), Xin-ning HAN²(), Ke AN³, Meng-jie ZHANG⁴, Hui-hui TIAN¹, Hang-hang TUO⁵, Xiao-shan ZHANG⁵, Fa-ming YE⁶^,⁷, Zi-ming YIN⁵, Xiao-rui MA⁵, Qing YANG⁶^,⁷, Tao SHI⁵, Wei LI⁵()

^1.College of Grassland Agriculture，Northwest A&F University，Yangling 712100，China
^2.College of Resources，Environment and Life Sciences，Ningxia Normal University，Guyuan 756000，China
^3.Dingbian County Meteorological Bureau，Dingbian 718600，China
^4.College of Agriculture，Ningxia University，Yinchuan 750021，China
^5.College of Soil and Water Conservation Science and Engineering，Northwest A&F University，Yangling 712100，China
^6.Institute of Soil and Water Conservation，Chinese Academy of Sciences & Ministry of Water Resource，Yangling 712100，China
^7.College of Advanced Agricultural Sciences，University of Chinese Academy of Science，Beijing 111049，China

Received:2025-08-14 Revised:2025-09-15 Online:2026-05-20 Published:2026-03-11
Contact: Xin-ning HAN,Wei LI

摘要/Abstract

摘要：

渭河流域作为黄河流域的核心支流，其生态质量优劣直接关系到区域可持续发展进程。本研究利用Google Earth Engine（GEE）平台构建了基于遥感的生态指数（RSEI），系统分析了2000-2024年间渭河流域生态质量的时空变化及其驱动机制。结果表明：研究期内流域年均RSEI为0.37~0.53，整体以2.73×10^-3·a^-1的速率显著改善，空间上呈现“东南高西北低、边缘高中心低”梯度，秦岭北麓生态脊梁凸显。天水-平凉、延安-庆阳等地RSEI极显著增加，西安-咸阳都市圈显著退化，同时泾河上游矿区及都市圈西扩区存在24.4%的持续退化风险，高波动区占59.3%，生态恢复瓶颈突出。通过SHAP解释XGBoost发现，生态质量空间异质性主要由气候因素主导，其中实际蒸散发与地表温度的驱动作用较强，影响力远高于地形、人类活动等其他因素，且适宜区间内（10~25 ℃）的气温升高、降水量增加（550~600 mm）和阈值范围内人口密度形成协同作用，对RSEI提升具有显著正向效应。本研究在气候变化背景下分析和监测渭河流域RSEI的动态演变，为黄河流域生态保护修复和高质量发展提供了科学依据。

关键词: 遥感生态指数, XGBoost模型, 机器学习, 渭河流域

Abstract:

As an important tributary of the Yellow River， the ecological status of the Weihe River Basin plays a significant role in regional sustainable development. This study employed the remote sensing ecological index （RSEI）， developed on the Google Earth Engine （GEE） platform， to comprehensively analyze the spatial and temporal variations in ecological status of the Weihe River Basin from 2000 to 2024， along with its underlying drivers. Methods including Theil-Sen trend analysis， Mann-Kendall test， Hurst exponent， and coefficients of variation were used to examine these changes. Additionally， the eXtreme Gradient Boosting （XGBoost） model， enhanced with SHapley Additive exPlanations （SHAP） values， was used to identify and elucidate the primary factors influencing the spatial heterogeneity of ecological status. Over the studied period， the RSEI of the Weihe River Basin is projected to increase from 0.37 to 0.53， representing an initial rise followed by stabilization. The spatial distribution shows that the ecological quality is higher in the southeast and edges， and lower in the northwest and center， with the ecological backbone formed along the northern foot of the Qinling Mountains. Meanwhile， ecological quality in the Guanzhong urban agglomeration has deteriorated. The analysis reveals a 27.4% reduction in areas of poor ecological quality， expansion of medium-quality areas， and a slow growth in high-quality areas， indicating that ecological restoration is approaching a bottleneck. Predictions suggest that 72.7% of the basin will continue to show improvements， whereas 24.4%-particularly in the mining areas of upper Jinghe River and the western expansion zones of the metropolitan area-face ongoing degradation risks. High volatility is evident in 59.3% of the basin. The spatial heterogeneity of RSEI in the Weihe River Basin is the result of the interaction of multiple factors， and there are complex synergistic and antagonistic relationships between the factors， which are driven by the dual combination of “climate mastery and anthropogenic amplification”： climatic factors ［actual evapotranspiration （AET）， land surface temperature （LST）， potential evapotranspiration （PET）， temperature （TMP）， precipitation （PRE）］ affect RSEI through the water-heat balance， of which precipitation is the key regulator of the negative effect of PET， and 20-25 ℃ is the optimal temperature window for water-heat synergy； AET and LST promote positive synergy within a moderate temperature range； and PET and PRE produce negative antagonism in areas with sufficient precipitation. At the same time where population density exceeds 600 persons·km^-2， urbanisation triggers ecological degradation through the heat island effect （amplifying LST） and surface hardening （weakening PRE infiltration）. The methodologies and findings of this study provide a detailed understanding and ongoing monitoring of the dynamic evolution of RSEI in the Weihe River Basin amidst climate and population changes. This research offers a scientific foundation for the ecological protection， restoration， and sound ecological development of the Yellow River Basin.

Key words: remote sensing ecological index, XGBoost model, machine learning, Weihe River Basin

王亦波, 韩新宁, 安可, 张梦婕, 田慧慧, 拓行行, 张潇珊, 叶发明, 尹子鸣, 马晓瑞, 杨庆, 师涛, 李伟. 基于GEE的渭河流域生态质量动态监测及其驱动机制[J]. 草业学报, 2026, 35(5): 1-19.

Yi-bo WANG, Xin-ning HAN, Ke AN, Meng-jie ZHANG, Hui-hui TIAN, Hang-hang TUO, Xiao-shan ZHANG, Fa-ming YE, Zi-ming YIN, Xiao-rui MA, Qing YANG, Tao SHI, Wei LI. Google Earth Engine-based dynamic monitoring of ecological status in the Weihe River Basin and mechanisms driving it[J]. Acta Prataculturae Sinica, 2026, 35(5): 1-19.

图/表 14

图1 渭河流域概况A：研究区在黄河流域位置Location of the study area in the Yellow River Basin； B：渭河流域数字高程模型Digital elevation model （DEM） of the Weihe River Basin （WRB）； C：研究区土地利用情况Land use of the study area； D：研究区25年平均年降水量25-year average precipitation of the study area； E：研究区25年平均气温25-year average temperature of the study area. 基于自然资源部标准地图服务网站GS（2016）2923号标准地图制作，底图边界无修改。Based on the standard map service website GS（2016）2923 of the Ministry of Natural Resources， the boundary of the base map is not modified.

Fig.1 Overview of the Weihe River Basin

表1 数据集及来源

Table 1 Data sets and sources

数据类型 Data type	变量 Variant	空间分辨率 Spatial resolution	来源 Source
遥感生态指数 Remote sensing ecological index （RSEI）	绿度Greenness	500 m	https：//ladsweb.modaps.eosdis.nasa.gov/MOD13A1_v6
	湿度Wetness	500 m	https：//ladsweb.modaps.eosdis.nasa.gov/MOD09A1_v6
	干度Dryness	500 m	https：//ladsweb.modaps.eosdis.nasa.gov/MOD09A1_v6
	热度Heat	1 km	https：//ladsweb.modaps.eosdis.nasa.gov/MOD11A2_v6
气候和土壤 Climate and soils	降水量Precipitation （PRE）	1 km	https：//data.tpdc.ac.cn
	温度Temperature （TMP）	1 km	https：//data.tpdc.ac.cn
	相对湿度Relative humidity （RH）	1 km	https：//data.tpdc.ac.cn
	实际蒸散发Actual evapotranspiration （AET）	1 km	https：//data.tpdc.ac.cn
	潜在蒸散发Potential evapotranspiration （PET）	1 km	https：//data.tpdc.ac.cn
	地表温度Land surface temperature （LST）	1 km	https：//data.tpdc.ac.cn
	土壤湿度Soil moisture （SM）	1 km	https：//data.tpdc.ac.cn
	土地覆盖Land cover （LC）	500 m	https：//ladsweb.modaps.eosdis.nasa.gov/MCD12Q1_061
地形Topography	数字高程模型Digital elevation model （DEM）	30 m	https：//www.ncdc.ac.cn
地形Topography	坡度Slope	30 m	从高程数据中提取Extraction from elevation data
社会经济和人类活动Socio-economic and human activities	人口密度Density of population （DOP）	100 m	https：//hub.worldpop.org
	国内生产总值Gross domestic product （GDP）	1 km	https：//www.resdc.cn
	夜间灯光指数Nighttime light index （NL）	1 km	https：//lpdaac.usgs.gov/
	人类足迹Human footprint （HFP）	1 km	https：//www.x-mol.com/groups/li_xuecao/news/48145

图2 渭河流域2000-2024年RSEI变化情况A：年际变化Inter-annual changes； B：变化趋势Trends of changes； C：面积占比Percentage of area； D：平均值空间分布特征Spatial distribution characteristics of the mean values. 基于自然资源部标准地图服务网站GS（2016）2923号标准地图制作，底图边界无修改。Based on the standard map service website GS（2016）2923 of the Ministry of Natural Resources， the boundary of the base map is not modified.

Fig.2 Changes in RSEI in the Weihe River Basin of 2000-2024

表2 渭河流域RSEI变化趋势

Table 2 Trends of RSEI in the Weihe River Basin

RSEI趋势变化Changes in RSEI trends	S_RSEI	Z值Z-value	面积占比Percentage of area （%）
极显著增加Extremely significant increase	≥0.0005	≥2.580	11.63
显著增加Significant increase	≥0.0005	1.960~2.580	11.35
微显著增加Slightly significant increase	≥0.0005	1.645~1.960	8.27
不显著增加Non-significant increase	≥0.0005	0~1.645	46.72
无变化No change	-0.0005~0.0005	-	0.01
不显著减少Non-significant decrease	≤-0.0005	-1.645~0	19.09
微显著减少Slightly significant decrease	≤-0.0005	-1.960~-1.645	1.09
显著减少Significant decrease	≤-0.0005	-2.580~-1.960	1.18
极显著减少Extremely significant decrease	≤-0.0005	≤-2.580	0.66

图3 2000-2024年渭河流域RSEI变异系数（A）及未来变化趋势（B）基于自然资源部标准地图服务网站GS（2016）2923号标准地图制作，底图边界无修改。Based on the standard map service website GS（2016）2923 of the Ministry of Natural Resources， the boundary of the base map is not modified.

Fig.3 Variable coefficient （A） and predicted future trends of RSEI （B） in the Weihe River Basin of 2000-2024

表3 模型稳健性验证：5-fold交叉验证结果

Table 3 Model robustness validation： 5-fold cross-validation results

Fold	确定系数 R²	均方根误差 Root mean square error （RMSE）	平均绝对误差 Mean absolute error （MAE）
1	0.7590	0.0680	0.0520
2	0.7630	0.0670	0.0510
3	0.7580	0.0680	0.0510
4	0.7600	0.0670	0.0510
5	0.7590	0.0690	0.0520
均值±标准差Mean±SD	0.7598±0.0019	0.0676±0.0008	0.0513±0.0005

表4 模型稳健性验证：训练-测试差异度

Table 4 Model robustness validation： training-test variances

指标

Index

训练集

Training set

测试集

Test set

Δ（测试-训练Test-training）

R²

图4 XGBoost模型测试集RSEI预测精度评估：观测值与预测值对比（A）及其残差分布（B）

Fig.4 Evaluation of RSEI prediction accuracy for the test set of XGBoost model： observed values vs. predicted values （A） and their residual distributions （B）

图5 XGBoost模型测试集残差正态性检验：Q-Q图（A）与残差分布直方图（B）

Fig.5 XGBoost model test set residual normality test： Q-Q plot （A） and histogram of residual distribution （B）

表5 特征重要性的层级划分

Table 5 Hierarchical division of feature importance

层级

Level

特征

Characterization

平均绝对SHAP值

Mean |SHAP|

累积贡献率

Cumulative contribution

二级驱动Secondary drivers

PET， DOP， TMP， PRE

0.0259， 0.0239， 0.0207， 0.0113

0.0819

三级驱动Three-stage drivers

DEM， LC， RH， SM， HFP， GDP， SLOPE， NL

<0.010

0.0280

图6 基于SHAP的XGBoost模型特征贡献方向（A）与重要性排序（B）（测试集）AET：实际蒸散发Actual evapotranspiration； LST：地表温度Land surface temperature； PET：潜在蒸散发Potential evapotranspiration； DOP：人口密度Density of population； TMP：温度Temperature； PRE：降水量Precipitation； DEM：数字高程模型Digital elevation model； LC：土地覆盖Land cover； RH：相对湿度Relative humidity； SM：土壤湿度Soil moisture； HFP：人类足迹Human footprint； GDP：国内生产总值Gross domestic product； SLOPE：坡度Slope； NL：夜间灯光指数Nighttime light index. 下同The same below.

Fig.6 SHAP-based XGBoost model contribution direction （A） and feature importance ranking （B）（test set）

表6 特征类型重要性分析

Table 6 Importance analysis of feature types

特征 Feature	平均绝对SHAP值 Mean \|SHAP\|	相对贡献率 Relative contribution （%）	表现过程 Embodiment process
气候Climate	0.0225	60.84	主导水分-能量平衡Dominant moisture-energy balance
社会经济Socioeconomic	0.0075	20.48	人类活动与压力Human activities and stress
静态特征Static feature	0.0044	12.11	背景生境条件Background habitat conditions
土地利用 Land use	0.0024	6.57	土地覆被与利用Land cover and use

图7 特征变量SHAP值和RSEI与其部分依赖关系

Fig.7 Characteristic variables SHAP values and RSEI with their partial dependencies

图8 基于SHAP值的前6位关键特征交互效应

Fig.8 Interaction effect of the top 6 key features based on SHAP values

参考文献 57

[1]	Sun C F， Li Q， Liu Y， et al. Human activities have more impacts on the recent discharge reduction of the largest tributary of the Yellow River relative to last three centuries. Science of the Total Environment， 2023， 890： 164217-164225.
[2]	Liu W. Variation in water deficit and its association with climate indices in Weihe River Basin， China. Atmosphere， 2024， 15（3）： 339.
[3]	Cui Y， Wang Y， Lü Y， et al.Comparative study on industrial coordinated development of urban agglomerations in western China： take Chengdu-Chongqing and Guanzhong Plain Urban Agglomerations as an example. Journal of Xi’an University of Technology， 2024， 40（1）： 45-55.
	崔琰，王英，吕园，等. 西部城市群产业协同发展研究——以成渝和关中平原城市群为例. 西安理工大学学报， 2024， 40（1）： 45-55.
[4]	Roche P K， Campagne C S. From ecosystem integrity to ecosystem condition： A continuity of concepts supporting different aspects of ecosystem sustainability. Current Opinion in Environmental Sustainability， 2017， 29： 63-68.
[5]	Berger A R， Hodge R A. Natural change in the environment： A challenge to the pressure-state-response concept. Social Indicators Research， 1998， 44（2）： 255-265.
[6]	Huang B， Shao J B， Meng W J， et al. Assessment on environmental quality of estuary ecosystem of Jiaojiang River based on press-state-response model. Wetland Science， 2016， 14（6）： 825-831.
	黄备，邵君波，孟伟杰，等. 利用PSR模型的椒江河口生态系统环境质量评价. 湿地科学， 2016， 14（6）： 825-831.
[7]	Khatun R， Das S. Exploring ecosystem health of wetlands in Rarh tract of West Bengal through V-O-R model. Ecological Informatics， 2022， 72： 101840.
[8]	Zhou Q G， Peng C H， Liu X W， et al. Ecosystem health assessment of water level fluctuating zone in Three Gorges Reservoir Area based on VOR model. Research of Soil and Water Conservation， 2022， 29（5）： 310-318.
	周启刚，彭春花，刘栩位，等. 基于VOR模型的三峡库区消落带2010-2020年生态系统健康评价. 水土保持研究， 2022， 29（5）： 310-318.
[9]	Xu H Q. A remote sensing urban ecological index and its application. Acta Ecologica Sinica， 2013， 33（24）： 7853-7862.
	徐涵秋. 城市遥感生态指数的创建及其应用. 生态学报， 2013， 33（24）： 7853-7862.
[10]	Xu Y J， Yang X C， Xing X Y， et al. Coupling eco-environmental quality and ecosystem services to delineate priority ecological reserves-A case study in the Yellow River Basin. Journal of Environmental Management， 2024， 365： 121645.
[11]	Li R Z. Dynamic assessment on regional eco-environmental quality using AHP-statistics model-A case study of Chaohu Lake Basin. Chinese Geographical Science， 2007， 17（4）： 341-348.
[12]	Amindin A， Blaschke T， Bordbar M， et al. Leveraging GEE and machine learning algorithm in dynamic modeling of eco-environmental quality. Environmental and Sustainability Indicators， 2025， 27： 100818.
[13]	Shi T T， Xu H Q， Sun F Q， et al. Remote-sensing-based assessment of regional ecological changes triggered by a construction project： a case study of Aojiang River Watershed. Acta Ecologica Sinica， 2019， 39（18）： 6687-6696.
	施婷婷，徐涵秋，孙凤琴，等. 建设项目引发的区域生态变化的遥感评估——以敖江流域为例. 生态学报， 2019， 39（18）： 6687-6696.
[14]	Liu Y， Xu W H， Hong Z H， et al. Integrating three-dimensional greenness into RSEI improved the scientificity of ecological environment quality assessment for forest. Ecological Indicators， 2023， 156： 111092.
[15]	Miao W N， Chen Y， Kou W L， et al. The HANTS-fitted RSEI constructed in the vegetation growing season reveals the spatiotemporal patterns of ecological quality. Scientific Reports， 2024， 14（1）： 14686.
[16]	She H， Li P， Wang X K， et al. Spatial and temporal changes and its driving factors of ecological environment quality in Weihe River basin from 2000 to 2020. Bulletin of Soil and Water Conservation， 2025， 45（1）： 317-326.
	佘欢，李鹏，王孝康，等. 2000-2020年渭河流域生态环境质量时空变化及其驱动因素. 水土保持通报， 2025， 45（1）： 317-326.
[17]	Sagi O， Rokach L. Approximating XGBoost with an interpretable decision tree. Information Sciences， 2021， 572： 522-542.
[18]	Li Y Y， Chang J X， Wang Y M， et al. Spatiotemporal responses of runoff to land use change in Wei River Basin. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（15）： 232-238.
	黎云云，畅建霞，王义民，等. 渭河流域径流对土地利用变化的时空响应. 农业工程学报， 2016， 32（15）： 232-238.
[19]	Xu H Q. A remote sensing index for assessment of regional ecological changes. China Environmental Science， 2013， 33（5）： 889-897.
	徐涵秋. 区域生态环境变化的遥感评价指数. 中国环境科学， 2013， 33（5）： 889-897.
[20]	Xu W J， Song J X， Long Y Q， et al. Analysis and simulation of the driving mechanism and ecological effects of land cover change in the Weihe River Basin， China. Journal of Environmental Management， 2023， 344： 118320.
[21]	Hou Y P， Long B， Liu G， et al. Study on the ecological environmental spatio-temporal evolution in the Gansu section of the Weihe River basin. Environmental Ecology， 2024， 6（5）： 19-26.
	侯亚鹏，龙斌，刘高，等. 渭河流域（甘肃段）生态环境质量时空演变. 环境生态学， 2024， 6（5）： 19-26.
[22]	Xu Y， Dai Q Y， Lu Y G， et al. Identification of ecologically sensitive zones affected by climate change and anthropogenic activities in southwest China through an NDVI-based spatial-temporal model. Ecological Indicators， 2024， 158： 111482.
[23]	Wang Y B， Zhang G Y， Liu Y Y， et al. Study on the evolution of vegetation pattern and its driving mechanism in Yanhe River Basin. Journal of Ecology and Rural Environment， 2024， 40（8）： 985-995.
	王亦波，张格语，刘洋洋，等. 延河流域植被格局演变及其驱动机制研究. 生态与农村环境学报， 2024， 40（8）： 985-995.
[24]	Tong S Q， Zhang J Q， Bao Y H， et al. Analyzing vegetation dynamic trend on the Mongolian Plateau based on the Hurst exponent and influencing factors from 1982-2013. Journal of Geographical Sciences， 2018， 28（5）： 595-610.
[25]	Xiao T， Wang C Z， Feng M， et al. Dynamic changes in grassland coverage in the Sanjiangyuan region of Qinghai from 2000 to 2011. Acta Agrestia Sinica， 2014， 22（1）： 39-45.
	肖桐，王昌佐，冯敏，等. 2000-2011 年青海三江源地区草地覆盖度的动态变化特征. 草地学报， 2014， 22（1）： 39-45.
[26]	Huang Y， Song H Q， Wu H， et al. Spatiotemporal dynamics of vegetation carbon use efficiency and its relationship with hydrothermal factors in Inner Mongolia Autonomous Region. Bulletin of Soil and Water Conservation， 2024， 44（5）： 358-368.
	皇彦，宋海清，吴昊，等. 内蒙古自治区植被碳利用效率时空动态及其与水热因子的关系. 水土保持通报， 2024， 44（5）： 358-368.
[27]	Wu X， Zhang X Y， Long A C， et al. Revealing the drivers of land surface temperature variation in Guiyang City using XGBoost and SHAP. Environmental Science and Technology， 2024， 47（8）： 155-166.
	吴雪，张显云，龙安成，等. 采用XGBoost+SHAP揭示贵阳市地表温度的驱动力因子. 环境科学与技术， 2024， 47（8）： 155-166.
[28]	Takefuji Y. Beyond XGBoost and SHAP： Unveiling true feature importance. Journal of Hazardous Materials， 2025， 488： 137382.
[29]	Li W Q， Xie J C， Li J X， et al. Watershed ecological compensation allocation method based on improved Shapley value solution. Systems Engineering-Theory & Practice， 2013， 33（1）： 255-261.
	李维乾，解建仓，李建勋，等. 基于改进Shapley值解的流域生态补偿额分摊方法. 系统工程理论与实践， 2013， 33（1）： 255-261.
[30]	Zhao J J， Wang K. How to apply interpretable machine learning methods to prediction research in public administration？-A case study on economies of scale in local governments. Chinese Public Administration， 2025， 41（3）： 76-89.
	赵聚军，王坤. 可解释机器学习如何应用于公共管理中的预测研究——以地方政府规模经济效应为例. 中国行政管理， 2025， 41（3）： 76-89.
[31]	Das P， Kashem A. Hybrid machine learning approach to prediction of the compressive and flexural strengths of UHPC and parametric analysis with Shapley additive explanations. Case Studies in Construction Materials， 2024， 20： e02723.
[32]	Moretti S， Patrone F. Transversality of the Shapley value. TOP， 2008， 16（1）： 1-41.
[33]	Lanitis A， Taylor C J， Cootes T F. A unified approach to coding and interpreting face images//Proceedings of the 5th IEEE International Conference on Computer Vision. Cambridge： IEEE Press， 1995： 368-373.
[34]	Lundberg S M， Erion G， Chen H， et al. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence， 2020， 2（1）： 56-67.
[35]	Bakas I， Kontoleon K J. ANNs and game theory SHAP algorithms quantifying the contribution of geometric and temperature-dependent material properties to the thermal response of concrete walls exposed to elevated temperatures. Construction and Building Materials， 2025， 493： 143121.
[36]	He Z X， Geng G P， Zheng R L. Variation characteristics and its driving forces of fractional vegetation cover in the Shaanxi section of the Yellow River Basin under the background of the grain for green program. Environmental Science， 2025， 46（2）： 1-19.
	何祖鑫，耿广坡，郑若琳. 退耕还林还草背景下黄河流域陕西段植被覆盖度变化特征及驱动力分析. 环境科学， 2025， 46（2）： 1-19.
[37]	He H J， Wang Z， Dong J F， et al. Synergy and trade-off between vegetation change and urbanization development in the Yellow River Basin of Shaanxi Province based on satellite remote sensing data. Acta Ecologica Sinica， 2022， 42（9）： 3536-3545.
	何慧娟，王钊，董金芳，等. 陕西黄河流域植被变化与城镇化协同权衡关系研究——基于卫星遥感数据. 生态学报， 2022， 42（9）： 3536-3545.
[38]	Wang B， Yue D P， Zhang J. “Harmonizing the north and south， benefiting the world”： Geoscientific interpretation of the ecological significance of the Qinling Mountains. Geography Education， 2022（12）： 3-8.
	王斌，岳大鹏，张瑾. “和合南北、泽被天下”：秦岭生态意义的地学解读. 地理教育， 2022（12）： 3-8.
[39]	Guo X D. Research on rural settlement development and spatial structure in Loess Hilly Area. Lanzhou： Lanzhou University， 2007.郭晓东. 黄土丘陵区乡村聚落发展及其空间结构研究. 兰州：兰州大学， 2007.
[40]	Lei Z D. Conform and restructure. Xi’an： Xi’an University of Architecture and Technology， 2005.雷振东. 整合与重构. 西安：西安建筑科技大学， 2005.
[41]	Chen J H. The response of ecological environment quality in Guanzhong Region to the expansion of urban and rural construction land. Xi’an： Chang’an University， 2023.陈锦鸿. 关中地区生态环境质量对城乡建设用地扩张的响应研究. 西安：长安大学， 2023.
[42]	Li Z S， Yang L， Wang G L， et al. The management of soil and water conservation in the Loess Plateau of China： Present situations， problems， and counter-solutions. Acta Ecologica Sinica， 2019， 39（20）： 7398-7409.
	李宗善，杨磊，王国梁，等. 黄土高原水土流失治理现状、问题及对策. 生态学报， 2019， 39（20）： 7398-7409.
[43]	Chu H M， He S F， He J L， et al. Research on the spatiotemporal differentiation characteristics of urban ecological resilience in the Yellow River Basin based on PSR model. Research of Soil and Water Conservation， 2025， 32（4）： 396-404.
	初慧敏，贺山峰，何佳临，等. 基于 PSR 模型的黄河流域城市生态韧性时空分异特征研究. 水土保持研究， 2025， 32（4）： 396-404.
[44]	Wen G C， Wu B J， Wang L， et al. Analysis of eco-environmental geological problems and their driving forces in the Henan section of the Yellow River Basin， China. Sustainability， 2023， 15（8）： 6818.
[45]	Wang B， Li P， Xu G C， et al. Temporal and spatial variation characteristics of annual temperature in China’s first-level basin. Resources Science， 2019， 41（1）： 152-163.
	王斌，李鹏，徐国策，等. 中国一级流域年气温的时空变化特征. 资源科学， 2019， 41（1）： 152-163.
[46]	Aizizi Y， Kasimu A， Liang H， et al. Evaluation of ecological space and ecological quality changes in urban agglomeration on the northern slope of the Tianshan Mountains. Ecological Indicators， 2023， 146： 109896.
[47]	Wang R F， Lyu B Q， Zhang W J. Vegetation dynamics and their responses to climate change in the Yellow River Basin： Based on climatic wet and dry zoning scales. Arid Land Geography， 2025， 48（6）： 973-984.
	王瑞芳，吕宝奇，张文静. 黄河流域植被动态及其对气候变化的响应——基于气候干湿分区尺度. 干旱区地理， 2025， 48（6）： 973-984.
[48]	Huang Z Q. Partial least squares regression analysis to factor of influence for ecological footprint. Cluster Computing， 2019， 22（3）： 6425-6433.
[49]	An Y H， Liu J， Zhang J Q， et al. Comparative researches on the provenance indicators of Huaihe River，Yangtze River and Yellow River sediments. Quaternary Sciences， 2020， 40（3）： 837-850.
	安郁辉，刘健，张军强，等. 淮河与长江和黄河沉积物的物源识别指标比较研究. 第四纪研究， 2020， 40（3）： 837-850.
[50]	Zhang P， Qi S， Lai J L， et al. Spatiotemporal changes and driving factors of ecological quality in the Jinsha River Basin based on RSEI. Environmental Science， 2025， 46（3）： 1-18.
	张鹏，齐实，赖金林，等. 基于RSEI的金沙江流域生态环境质量时空变化及驱动因素分析. 环境科学， 2025， 46（3）： 1-18.
[51]	Yu H J， Zhang F M， Ma H， et al. Spatio-temporal evolution and driving factors of ecological environment quality in the Huaihe River Basin based on RSEI. Environmental Science， 2024， 45（7）： 4112-4121.
	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. 环境科学， 2024， 45（7）： 4112-4121.
[52]	Wang Y X， Xu Y Y， Yang J J， et al. Dynamic monitoring and spatio-temporal pattern evolution analysis of eco-environmental quality in Chongqing based on remote sensing. Acta Ecologica Sinica， 2023， 43（15）： 6278-6292.
	王永祥，徐园园，杨佳嘉，等. 基于Landsat的重庆市生态环境质量动态监测及其时空格局演变分析. 生态学报， 2023， 43（15）： 6278-6292.
[53]	Ma Y F， Li J P， Chen C S， et al. Spatial and temporal variation of remote sensing ecological index and its climate response in Changbai Mountains Region. Desert and Oasis Meteorology， 2023， 17（2）： 91-97.
	马云飞，李建平，陈长胜，等. 长白山地区遥感生态指数时空变化及其气候响应. 沙漠与绿洲气象， 2023， 17（2）： 91-97.
[54]	Chen J， Fang L X， Zhu C W. Sponge city construction in mountain park in the semi-arid areas of northwest China-taking Xining Botanical Garden as an example. Chinese Landscape Architecture， 2022， 38（S1）： 86-90.
	陈静，方路行，朱程伟. 西北半干旱地区山地公园海绵城市建设实践——以西宁市植物园为例. 中国园林， 2022， 38（S1）： 86-90.
[55]	Li Z， Teng H F. Investigation on sponge city construction status in the semi-arid region of western China and research on sample model innovation——taking Xifeng District of Qingyang City as an example. Intelligent Building & Smart City， 2025（6）： 17-22.
	李祯，滕海峰. 西部半干旱区海绵城市建设现状调查及样本模式创新研究——以庆阳市西峰区为例. 智能建筑与智慧城市， 2025（6）： 17-22.
[56]	Yang Y， Wang Q， Sun C. A spatial layout of green-grey-blue facilities in semi-arid cities based on waterlogging prevention and control. Architecture & Culture， 2025（2）： 245-249.
	阳烨，王琦，孙晨. 基于内涝防治的半干旱城市绿-灰-蓝设施空间分布研究. 建筑与文化， 2025（2）： 245-249.
[57]	Guasconi D， Cousins S， Manzoni S， et al. Spatial and temporal variability in soil and vegetation carbon dynamics under experimental drought and soil amendments. EGUsphere， 2023， 2023： 1-28.

基于GEE的渭河流域生态质量动态监测及其驱动机制

Google Earth Engine-based dynamic monitoring of ecological status in the Weihe River Basin and mechanisms driving it

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 57

相关文章 8

编辑推荐

Metrics

[1]	麦晶晶, 冯琦胜, 王瑞泾, 封森耀, 金哲人, 张忠雪, 梁天刚, 金加明. 基于机器学习的高精度耕地识别模型构建——以甘肃省张掖市为例[J]. 草业学报, 2025, 34(2): 149-162.
[2]	肖娅婷, 唐彧哲, 王潞, 白宇飞, 杨海波, 李斐. 光谱指数助力机器学习提高玉米叶片含水量估测精度[J]. 草业学报, 2025, 34(12): 85-96.
[3]	杨志贵, 张建国, 李锦荣, 于红妍, 常丽, 宜树华, 吕燕燕, 张玉琢, 孟宝平. 内蒙古温性草原草地类型近20年时空动态变化研究[J]. 草业学报, 2023, 32(9): 1-16.
[4]	郭芮, 伏帅, 侯蒙京, 刘洁, 苗春丽, 孟新月, 冯琦胜, 贺金生, 钱大文, 梁天刚. 基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究[J]. 草业学报, 2023, 32(4): 15-29.
[5]	苗春丽, 李仲贤, 赵志成, 伏帅, 高金龙, 刘洁, 冯琦胜, 梁天刚. 栽培苜蓿草地智能感知系统关键生物物理指标实时监测及分析算法研究[J]. 草业学报, 2023, 32(12): 90-103.
[6]	厉方桢, 钟华平, 欧阳克蕙, 赵小敏, 李愈哲. 基于机器学习的阿勒泰地区草地地下生物量估测与数字制图[J]. 草业学报, 2022, 31(8): 13-23.
[7]	秦格霞, 吴静, 李纯斌, 吉珍霞, 邱政超, 李颖. 基于机器学习算法的天祝藏族自治县草地地上生物量反演[J]. 草业学报, 2022, 31(4): 177-188.
[8]	金哲人, 冯琦胜, 王瑞泾, 梁天刚. 基于MODIS数据与机器学习的青藏高原草地地上生物量研究[J]. 草业学报, 2022, 31(10): 1-17.