采煤区生态环境质量及其驱动因素的时空动态：以彬昌矿区为例

《Ecological Indicators》：Spatiotemporal dynamics of ecological quality and driving factors in a coal mining area: A case study of the Binchang mining area

　　郑俊良|姚万强|马雄伟|李友|张勇|乔普瑞|程迁进
西安科技大学地理信息学院，中国西安710054

**摘要**
随着采矿活动和城市化的迅速扩张，采矿区人类活动与生态环境之间的矛盾日益突出。然而，现有的基于遥感生态指数（RSEI）的研究主要集中在城市和湿地生态系统上，对于生态脆弱的煤炭采矿区整个生态演变及其驱动机制的深入了解有限。为了填补这一空白，本研究以黄龙煤炭基地的核心生产基地——彬昌矿区作为研究区域，利用谷歌地球引擎（GEE）平台提供的30米分辨率的Landsat 5/7/8影像（1990–2020年数据），通过主成分分析融合了四个核心指标（绿色度、湿度、干燥度和热量）来构建RSEI；使用30米分辨率的中国土地覆盖数据集（CLCD）来描述土地利用变化；结合GeoDetector模型和Moran's I指数来量化生态质量的驱动机制和空间自相关特征。定量结果显示：（1）研究区域的平均RSEI从1990年的0.462增加到2020年的0.595，增加了28.89%，表明整体生态质量有所改善；（2）生态改善区域占总区域的69.38%，远超过生态退化区域的29.60%，显示出生态恢复的总体趋势；（3）耕地、林地和草地占据了研究区域的大部分（超过90%），而建设用地面积迅速增加，总增长率为19.22%，主要是以耕地为代价；（4）土地利用类型是驱动RSEI变化的主要单一因素（平均q值为0.25），其与时坡度的协同作用效应持续增强（2020年时q值达到0.52），尤其是在2005年大规模采矿之后。与标准的RSEI应用框架相比，本研究通过构建综合分析框架，有效分离了采矿活动的生态影响，并揭示了采矿区土地利用变化与地形条件之间的新型协同驱动关系。这项研究为全球生态脆弱的煤炭采矿区的地形敏感型土地利用规划和针对性生态修复提供了关键的科学支持。

**1. 引言**
矿产资源为人类生存、繁衍和经济增长提供了必要的物质基础（Yang等人，2018；Wang等人，2025）。随着经济的快速增长和城市用地面积的扩展，对矿产资源的需求持续增加（Wei等人，2020）。然而，大规模、高强度的采矿活动严重影响了生态质量，导致采矿区出现了一系列环境问题，包括城市热岛效应、空气污染、土地退化、水资源枯竭和生物多样性丧失（Tao和Jin，2023；Zhou等人，2020；Malekmohammadi等人，2023；Mohammadpour等人，2024）。因此，监测煤炭采矿区生态质量的时空变化并识别其驱动因素具有重要的实践和科学意义（He等人，2020；Mahdian等人，2026；Mahdian等人，2023）。
传统的采矿区生态监测方法主要依靠人工实地调查，这种方法工作量大、效率低、调查周期长且数据不完整（Wei等人，2020）。相比之下，遥感技术具有高效、广泛的空间覆盖范围、强的时间连续性和非破坏性的数据采集优势（Lv等人，2019；Xiao等人，2020；Khosravi等人，2024；Yeganeh-Bakhtiary等人，2022；Yeganeh-Bakhtiary等人，2023）。这些优势使遥感能够克服传统地面方法在空间尺度、时间连续性和破坏性采样方面的限制。因此，遥感越来越多地用于监测环境变化，并支持生态系统恢复工作，例如湿地（Yang等人，2021；Mozafari等人，2025）、城市地区（Wang等人，2022；Riazi等人，2025）和沙漠（Chen等人，2022；Noori等人，2023）。
近年来，许多研究采用基于遥感数据的指标和模型来评估生态质量。例如，Mahdian等人（2024）通过整合环境监测和人为影响评估，分析了安扎利湿地的退化原因；Donnelly等人（2024）利用高斯过程和卷积自编码器对全球气候因素进行建模和预测，从而提高了复杂时空气候变异性的表现能力；Hu等人（2021）使用2000年至2019年的MODIS数据分析了土壤调节植被指数、归一化差异植被指数和增强植被指数的年变化；Haleem等人（2022）利用土壤和水资源评估工具，在气候和土地利用变化情景下评估地表径流，这些情景是通过元胞自动机-人工神经网络和校正偏差的通用环流模型生成的；Peng等人（2021）利用随机森林模型对日本福冈的城市热岛效应进行了评估；Hua等人（2020）利用多时相卫星影像研究了不透水面面积、地表温度、植被指数和城市热岛强度之间的关系。
尽管单个生态指标可以有效描述特定的环境属性，但它们不足以提供全面客观的总体生态质量评估。为了克服这些不足，Xu（2013）提出了RSEI作为一种综合生态评估方法，利用主成分分析融合了来自遥感数据的绿色度、湿度、干燥度和热量指标。通过客观确定指标权重，RSEI能够高效且稳健地监测区域生态质量，并在近年来得到广泛应用（Xu, 2013；Xu和Deng, 2022）。其他研究还探索了道路网络（Gao等人，2020）、土地利用（Aizizi等人，2023）、气候条件（Zhang等人，2022）和城市化过程（Ariken等人，2020）对生态质量的影响，通过相关性和回归分析进行探讨。然而，基于RSEI的研究主要集中在城市地区（Wang和Xu，2023；Lv等人，2023）、湿地（Yuan等人，2021）和自然保护区（Jing等人，2020）。此外，很少有研究探讨生态质量变化的驱动机制。Yue等人（2019）应用RSEI评估了中国35个主要城市的生态质量，但没有明确分析这些变化背后的驱动因素；Du等人（2024）使用RSEI评估了甘南高山草地的生态质量，并将其与总初级生产力（GPP）进行了比较，展示了RSEI的优越敏感性；然而，他们的分析缺乏对驱动因素的多维度视角。Wen等人（2019）使用单景Landsat影像研究了平潭综合实验区的时空生态变化，但数据来源的局限性引入了不确定性和潜在的系统误差。因此，对RSEI变化的主要驱动因素以及人类活动作用的调查仍然有限，特别是在采矿区（Bai等人，2023）。
为了解决上述问题，本研究聚焦于黄龙煤炭基地的彬昌矿区，利用1990年至2020年的Landsat数据，在谷歌地球引擎（GEE）平台上计算了遥感生态指数（RSEI），以分析生态质量的时空演变。此外，还应用GeoDetector模型和Moran's I指数来定量识别主要驱动因素，并揭示生态质量的空间自相关特征。本研究旨在为采矿区生态质量的驱动机制提供新的见解，并为生态恢复和可持续管理提供支持。

**2. 数据与方法**
**2.1. 研究区域**
本研究以彬昌矿区作为研究区域，如图1所示。彬昌矿区面积约为790平方公里，煤炭储量估计为50.3亿吨，是中国重要的煤炭生产基地，同时也具有较高的生态脆弱性（Zhao等人，2020）。该矿区位于陕西省咸阳市的黄土高原上，处于陕西省北部和甘肃省东部的交界处。矿区呈现西南向东北逐渐降低的海拔梯度，泾河流经该区域。该地区具有温暖温带半干旱大陆季风气候，年平均河流流量为57.60立方米/秒，年平均降水量为559.33毫米，年平均气温为11.1摄氏度。

**2.2. 数据选择**
本研究收集了1990年至2020年间每隔五年的遥感数据（即七个时间点的数据），数据来源于GEE云平台上的Landsat 5、Landsat 7和Landsat 8数据集。选择了云覆盖度低于20%的遥感图像，并使用云掩蔽算法根据质量评估（QA）带去除云层和阴影。进一步使用JRC年度水资源分类历史数据集对水面进行了掩蔽。对于影像缺失的年份，使用相邻年份具有相似获取期的数据来填补空缺，以确保时间连续性。
土地利用数据来源于中国土地覆盖数据集（CLCD），该数据集基于30米分辨率的Landsat影像，提供了自1985年至今的年中国年度土地利用数据。CLCD的整体分类准确率超过88%，满足了本研究的要求。
此外，还选择了一组自然和社会经济变量作为Geodetector分析的潜在驱动因素，包括数字高程模型（DEM）、PM2.5浓度、国内生产总值（GDP）、坡度、人口密度、朝向、降水量、温度、土地利用分类以及距河流、铁路和道路的距离。这些数据的详细信息见表1。

**表1. 本研究使用的数据源和空间分辨率**
| 数据集 | 空间分辨率 | 数据来源（URL） |
|-----------------|---------------|----------------------|
| Landsat 5/7/8影像 | 30米 | https://code.earthengine.google.com/ |
| 土地利用数据（CLCD） | 30米 | https://zenodo.org/ |
| PM2.5浓度 | 1公里 | http://www.wustl.edu/acag/datasets/surface-pm2–5 |
| 温度 | 1公里 | http://www.geodata.cn/ |
| 降水量 | 1公里 | http://www.geodata.cn/ |
| 国内生产总值 | 1公里 | https://www.resdc.cn |
| 人口 | 1公里 | https://www.WorldPop.org/ |
| 道路网络 | 1:1,000,000 | https://www.webmap.cn |

**3. 方法**
本研究采用基于主成分分析（PCA）的RSEI来研究1990年至2020年间生态质量的时空变化及其驱动机制。研究包括三个主要部分：（1）RSEI模型的构建；（2）空间自相关分析；（3）驱动因素分析。整体技术流程如图2所示。

**3.1.1. 构建RSEI模型**
RSEI结合了四个生态指标——NDVI、WET、NDBSI和LST——来描述采矿区的生态状况。其中，归一化差异植被指数（NDVI）用于表征植被覆盖情况；湿度指数（WET）来源于Tasseled Cap变换，反映了地表湿度状况；归一化差异裸土指数（NDBSI）能够有效捕捉建设用地和裸土的信息，这对于监测采矿区的地表扰动至关重要；土地表面温度（LST）表明了热环境状况。这些指标的计算公式见表2。

**表2. 遥感生态指数（RSEI）中的指标汇总**
| 指标名称 | 计算公式 |
|-----------------|---------------------------|
| 绿度（归一化差异植被指数，NDVI） | NDVI = ρNIR + ρred / (ρNIR ? ρred) |
| 湿度（WET） | WET = b * ρblue + g * ρgreen + r * ρred + n * ρNIR + s1 * ρSWIR1 + s1 * ρSWIR2 |
| 干燥度（归一化差异建设用地和裸土指数，NDBSI） | NDBSI = ρSWIR1 + ρred ? ρNIR + ρblue |
| IBI | IBI = 2 * ρSWIR1 / (ρSWIR1 + ρNIR) |
| 热度（土地表面温度，LST） | LST = K2 * (1 + ln(K1 * βT) |

K1和K2是热红外波段的参数。
从遥感影像中提取这些指标后，对每个指标进行了归一化处理以消除量纲差异。然后使用主成分分析（PCA）合成归一化指标，并提取第一个主成分（PC1）来表示综合生态状况。最后，再次对PC1进行归一化以获得RSEI值，其范围为0到1，较高的值表示更好的生态质量。RSEI的表达式为：
**RSEI = f(GWNL)**
其中，G、W、N和L分别代表绿色度、湿度和干燥度组分，对应于NDVI、WET、NDBSI和LST。RSEI表示构建的指数，较高的值表示更好的生态质量，较低的值表示较差的生态质量。
RSEI的四个组分指标是从Landsat大气顶层（TOA）反射率和热波段计算得出的，从而确保了方法的一致性和长期时间序列（1990–2020年）的可比性。此外，为了将这些四个维度整合到一个无偏的综合性指标中，同时避免单个指标的局限性，对标准化指数（NDVI、WET、NDBSI和LST）应用了主成分分析（PCA）。在RSEI中，第一个主成分（PC1）作为一个综合的生态质量指标，整合了绿色度、湿度、干旱度和热度的四个维度。此外，对NDBSI（干旱度）和LST（热度）的关注使RSEI能够捕捉到采矿区两个最突出的环境压力因素：物理地表破坏和热污染。这种增强的敏感性使得该模型在采矿区的生态监测中比传统的植被指数更具生态意义。

3.1.2. 空间自相关分析
空间自相关被用来研究研究区域内生态质量的空间模式和聚集情况。这种方法包括两个组成部分：全局空间自相关和局部空间自相关（Liang等人，2017；Xiao等人，2024）。
首先，使用全局Moran's I指数来表征数据集的整体空间自相关。全局Moran's I指数的公式如下：
(2) I = n / (S0 ∑i ∑j wij(xi ? xˉ) / (∑i xi ? xˉ)2)
在公式中，n代表样本点的数量；xˉ代表样本均值；xi和xj分别代表第i个和第j个样本的观测值；wij代表空间权重矩阵；S0代表空间权重的总和。该指数的范围是从-1到1，较大的值表示较强的空间聚集，较小的值表示较弱的空间聚集。
其次，应用局部空间自相关分析来更准确地描述采矿区内RSEI的空间分布模式。较高的局部Moran's I值表示给定区域与其周围区域之间的空间相关性较强，这通过更深的点颜色来反映，反之亦然。

3.1.3. 驱动因素分析
本研究使用GeoDetector来分析采矿区生态变化的驱动因素。Geodetector方法被用来研究空间异质性，确定驱动因素对生态质量的影响，并探索因素相互作用（Liu等人，2022）。在本研究中，应用了地理探测器的两个模块：因素检测和交互作用检测。
因素检测被用来量化每个自变量对RSEI的解释能力。较高的q值反映了相应因素对生态质量的更大影响。计算公式如下：
(3) q = 1 ? ∑h=1 (LN(h) / σh^2) / Nσ^2
在公式中，h代表自变量或因变量的层次或类别；Nh和N分别代表层次h和整个区域的单元数量；σh^2和σh分别代表层次h和整个区域中y值的方差。q值的范围是从0到1，较大的值表示因变量y的空间异质性较强。

4. 结果
4.1. RSEI的时空变化特征
4.1.1. 时间变化特征
对1990年至2020年的RSEI值进行了统计分析，以评估滨昌矿区的长期生态质量趋势（图3）。从1990年到2000年，RSEI的平均值从0.462下降到0.442，下降了大约4.16%，这表明这一时期生态质量有所恶化。从2000年到2010年，RSEI的平均值显著增加，从0.442增加到0.531（20.09%），反映了生态条件的显著改善。2010年至2020年间，RSEI的平均值从0.531增加到0.595，增加了大约11.99%，表明生态质量持续改善并逐步稳定。
总体而言，滨昌矿区的RSEI平均值从1990年的0.462增加到2020年的0.595，增加了大约28.89%，表明这一时期的生态质量有了整体改善和相对稳定性。

4.1.2. 生态质量的动态演变
根据既定的评估标准，将年RSEI值分为五个等级，每个等级间隔0.2，以进一步描述生态质量的变化（Zhang等人，2022）：极差（[0–0.2]）、差（[0.2–0.4]）、中等（[0.4–0.6]）、良好（[0.6–0.8]）和优秀（[0.8–1.0]）。这些类别的时空分布如图4所示。

4.2. 土地利用变化特征
4.2.1. 土地利用变化的时空模式
滨昌矿区的总面积约为633.57平方公里，土地用途类型的比例构成如图6所示。耕地、草地和森林是主要的土地用途类型，合计占总面积的约95%。耕地占最大比例，并具有最广泛的空间分布。

4.2.2. 土地利用类型的时间动态
使用单类型动态指数分析了每个类别的时间动态，以进一步量化特定土地用途类型的变化（表5）。耕地在1990–2020年期间表现出最明显的下降趋势，总体减少了0.69%。其中，2005年至2010年的减少幅度最大，减少了1.64%。最终，土地使用类型成为衡量矿区最深刻的人为改变的综合指标，直接反映了自然土地覆盖向矿坑、加工设施、定居点和复垦地区的转变。为了识别影响生态质量变化的驱动因素，选取了十二个影响因素：数字高程模型（DEM，X1）、国内生产总值（GDP，X2）、PM2.5（X3）、坡度（X4）、人口（X5）、朝向（X6）、降水量（X7）、距离铁路的距离（X8）、距离河流的距离（X9）、道路距离（X10）、温度（X11）以及土地使用类型（X12）。对七个代表性年份（1990年、1995年、2000年、2005年、2010年、2015年和2020年）进行了地理检测分析，并计算了每个因素的平均解释能力（图8）。

下载：下载高分辨率图像（139KB）
下载：下载全尺寸图像
图8. 影响因素的q值比例分布。
所有单因素检测结果都具有统计学意义（p < 0.001），证实每个因素都显著影响了生态质量的空间分布。重要的是，分析定量指出土地使用类型（X12）是主要的驱动因素，其解释能力最强（占RSEI变化的20%以上）。各因素的相对影响顺序为：X12 > X4 > X11 > X1 > X10 > X8 > X5 > X6 > X2 > X7 > X3 > X9。这一顺序表明，生态质量模式的主要因素是强烈的人为改变（主要表现为土地使用变化）与关键的自然地形（坡度，X4）和气候（温度，X11）因素之间的协同作用。在特定的煤矿区内，土地使用变化的作用尤为显著。土地向采矿/建设用地的转换以及相关基础设施的扩展，代表了采矿活动最直接和最深远的空间影响。因此，尽管社会经济因素（如GDP、人口）和距离基础设施的距离指标显示出显著影响，但它们对生态质量的影响主要是通过土地使用变化这一主要的空间途径实现的。因此，该地区生态质量的退化不能归因于单一因素，而是这种复杂相互作用的结果，其中采矿驱动的土地使用变化是最强大的重塑生态景观的人为因素。

交互作用检测显示，任意两个因素的综合作用都比单个因素更加强烈（图9），大多数交互作用表现出非线性或协同增强。这表明多因素的综合作用是 ambition mining area 生态质量演变的主要驱动力。涉及土地使用类型（X12）的交互作用始终显示出最显著的效果，并且随着时间的推移而增强。土地使用类型（X12）与坡度（X4）之间的交互作用具有最高解释能力，q值分别为1990年的0.23、2005年的0.29、2010年的0.42、2015年的0.47和2020年的0.52。1995年，土地使用类型（X12）与降水量（X7）之间的交互作用最强（q = 0.28），而2000年，主导交互作用是土地使用类型（X12）与朝向（X6）之间（q = 0.23）。

下载：下载高分辨率图像（981KB）
下载：下载全尺寸图像
图9. ambition mining area 内驱动因素之间的交互作用效应（1990–2020年）。

4.3.2. RSEI的空间自相关特征
尽管地理检测分析揭示了多因素的综合作用，但它并未直接反映RSEI的空间依赖性。因此，使用全局Moran's I来评估空间自相关（图10）。从1990年到2005年，Moran's I缓慢上升，而2005年后迅速增加。这种加速与采矿活动的大规模扩张、经济的快速增长和城市化的加剧相吻合，从而增强了子区域之间的空间依赖性。总体而言，RSEI的空间聚集性在31年的研究期间显著增强。

下载：下载高分辨率图像（74KB）
下载：下载全尺寸图像
图10. ambition mining area 内RSEI的全球Moran's I的时间趋势（1990–2020年）。

进行了局部空间自相关分析以进一步识别局部聚集模式（图11）。在早期阶段，RSEI在东部和西部形成了明显的对比，呈现出“人字形”空间模式。河流沿岸和建成区周围的RSEI值相对较低，反映了人类活动的负面影响。后期出现了新的模式，即东部和西部地区形成高值聚集，而中部地区形成低值聚集。西北部的高-高（HH）聚集和东南部的低-低（LL）聚集都随时间扩大。这些空间模式的变化与ambition mining area 持续的煤炭开采活动密切相关。

下载：下载高分辨率图像（546KB）
下载：下载全尺寸图像
图11. ambition mining area 内RSEI的局部空间相关模式（1990–2020年）。

5. 讨论
5.1. 生态质量变化的区域分析
从ambition mining area 生态质量的空间分布来看，生态退化的区域主要集中在城市扩张区。这些区域之前以生态条件良好的耕地和森林为主，但逐渐被转变为生态质量较低的建设用地。这种土地使用转变导致了土壤持续干燥和植被覆盖减少，从而降低了当地的生态状况。相比之下，生态质量得到改善的区域主要位于西南部的丘陵和低山地区，这些地区的经济活动相对有限。这些地区的地形以缓坡为特征，土地覆盖以森林和草地为主。因此，这些地区保持了较高的植被覆盖率、更多的土壤水分以及更适宜的自然条件，同时人类干扰程度相对较低。在研究期间，土地复垦活动将废弃的矿坑和裸露土地转变为耕地和森林区域，从而改善了生态质量（见图12）。

下载：下载高分辨率图像（451KB）
下载：下载全尺寸图像
图12. ambition mining area 内RSEI等级的空间分布（1990–2020年）。

5.2. 土地使用转变分析
计算了ambition mining area 的土地使用强度指数（表6），显示出总体下降趋势。从1990年到2000年，该指数持续下降，主要是由于经济发展相对缓慢和土地使用转变有限。2000年至2005年间，随着采矿区吸引外部投资、积极促进工业化并逐步启动采矿活动，该指数逐年上升。然而，2005年至2020年间，尽管采矿活动在多个地点扩展，土地使用强度指数并未继续上升。这种稳定反映了国家对生态保护和环境治理的日益重视，包括将某些开发用地转变为生态用地的政策，从而有助于观察到的土地使用强度下降。

下载：下载高分辨率图像（529KB）
下载：下载全尺寸图像
图13. ambition mining area 内的land use 转变空间分布（1990–2020年）。

5.3. 生态质量的驱动因素分析
总体而言，土地使用类型（X12）与坡度（X4）之间的相互作用的影响逐年增强，土地使用类型、坡度与其他驱动因素之间的相互作用也逐年加强。这一趋势在2005年左右大规模煤炭开采开始后尤为明显，与先前的研究结果一致，支持了本研究结果的可靠性。
土地使用类型（X12）和坡度（X4）对生态质量有显著影响，因为不同的土地使用类型通过不同的机制和强度影响自然系统。采矿区内耕地减少减少了人类活动的强度，降低了化肥和农药相关的土壤污染，从而有助于改善生态质量。同时，城市用地的扩张促进了产业升级和结构转型，有助于淘汰高污染和高能耗产业，鼓励发展低碳、环保和可持续产业。这些变化减少了工业排放，改善了环境条件。此外，土地使用类型的改变可以改变坡度特征，从而影响地表径流过程、侵蚀强度、植被分布和整个生态系统的稳定性。

自2010年以来，数字高程模型（DEM，X1）的影响逐渐增加，反映了交通基础设施发展、土地使用变化和煤炭开采扩展对局部地形的综合影响，进而影响生态质量。1995年，降水量（X7）对生态条件有相对较强的影响。现有数据显示，这一时期的降雨量增加，提高了土壤湿度，促进了植被生长，有助于生态系统的恢复。这些气候条件可能缓解了ambition mining area 早期的水分限制，有助于观察到的生态质量改善。

5.4. 环境政策意义
现有的基于RSEI的研究主要关注单一因素对区域生态质量的独立影响。然而，很少有研究量化了土地使用变化与地形条件之间的长期动态相互作用，特别是在生态脆弱的黄土高原的煤炭采矿区。我们的GeoDetector结果揭示了一种新的、特定于采矿的生态关系：土地使用类型和坡度之间的协同作用对研究区域生态质量的时空变化具有最强的解释能力。从定量上看，这种交互作用的q统计量从1990年的0.23持续增加到2020年的0.52，2005年后急剧上升，这与ambition mining area 内煤炭开采活动的大规模扩张完全同步。
具体而言，在陡坡上的采矿和建设活动造成的生态破坏远比在缓坡上的更为严重，而如“ Grain for Green Program”和矿山复垦等生态恢复措施可以带来最大的生态效益。更重要的是，随着采矿活动的扩展，地形特征与人为采矿干扰之间的相互作用不断加剧，成为采矿区内生态演变的核心机制。这一新见解为类似生态脆弱矿区的土地使用规划和生态恢复提供了科学依据。基于研究结果，提出了以下环境管理建议：首先，实施生态质量分区控制，优先保护生态价值较高的区域，并在受采矿活动和城市扩张影响的区域进行生态恢复；其次，制定基于地形的土地使用规划方案，严格避免在陡坡上进行开发和建设，以减少生态干扰的风险；第三，建立长期的、基于时间序列的采矿区生态监测系统——利用遥感技术——以实现生态影响的实时评估。

5.5. 限制与未来
本研究将重点从描述生态质量或采矿影响转向分析生态变化的驱动机制。具体而言，通过将长期RSEI趋势（1990–2020年）与土地使用转变分析和GeoDetector结合起来，不仅证实了土地使用变化是主要驱动力，还揭示了土地使用类型与地形因素之间持续的协同作用。然而，本研究受到数据和方法的限制。具体来说，Landsat图像的30米分辨率可能无法捕捉到细尺度的干扰，CLCD数据集无法区分“建设用地”类别中的采矿区，这可能影响驱动因素归属的准确性。此外，GeoDetector模型仅识别空间统计关联而非确定性的因果关系。未来的研究应关注整合多源数据（如更高分辨率的卫星图像（例如Sentinel-2）和无人机数据），以更详细的尺度验证和完善所识别的机制。已建立的诊断框架还可以与生态过程模型（例如InVEST）相结合，模拟不同土地管理策略下的未来情景，从而从事后诊断转向预测性规划。最后，将这一综合框架应用于具有不同气候和开采历史的其他采矿区，以测试其适用性。

6. 结论
本研究调查了1990年至2020年ambition mining area 生态质量的时空演变和驱动机制。结果表明，生态质量总体上呈改善趋势，平均RSEI增加了28.89%。生态改善区域（69.38%）显著超过了退化区域（29.60%），这表明尽管采矿活动密集，生态系统仍呈现出总体恢复的趋势。土地利用结构仍以耕地、林地和草地为主，但建设用地迅速扩张，主要以牺牲耕地为代价。在所有驱动因素中，土地利用类型被认为是影响生态质量的主要因素，其与坡度的相互作用解释力日益增强，尤其是在2005年大规模采矿活动开始之后。总体而言，该研究表明，土地利用变化与地形条件的协同作用在塑造采矿区的生态动态中起着关键作用。这些发现为考虑地形特征的土地利用规划和生态脆弱区域的有针对性生态修复提供了重要的科学支持。

**作者贡献声明：**
- 郑俊良（Zheng Junliang）：撰写——审稿与编辑、撰写——初稿、方法论、调查、数据分析、概念化。
- 姚万强（Yao Wanqiang）：监督、方法论、概念化。
- 马雄伟（Ma Xiongwei）：撰写——审稿与编辑、资金筹集、数据分析。
- 李友（Li You）：撰写——审稿与编辑、数据管理。
- 张勇（Zhang Yong）：验证。
- 邱普瑞（Qiao Purui）：监督、调查、数据管理。
- 程前进（Cheng Qianjin）：监督。