2024, Vol. 45
生态脆弱性是指在特定时空范围内, 受一种或多种环境条件的影响生态系统所表现出对外部干扰的敏感性和自我恢复能力, 是衡量生态环境质量和可持续发展的重要指标之一[1].近年来, 在全球气候变化与人类活动的共同影响下[2], 生物多样性锐减、生态退化等一系列生态问题尤为突出[3], 严重影响了人们赖以生存的生态环境和社会的可持续发展[4 ~ 6].因此, 迫切需要开展生态脆弱性评价及其驱动机制研究[7], 对因地制宜进行生态环境的保护与管理具有重要意义, 从而保障生态安全, 促进人与自然的可持续利用与发展[8].目前, 关于区域的生态脆弱性评价已成为环境变化与可持续发展的热点与核心问题之一[9], 主要集中在尺度的精细化、评价方法的多元化和评价指标体系的构建等方面[10], 评价方法上已从单一生态要素逐渐向自然经济社会复合的综合化方向发展[11], 并构建了一系列评价模型, 如“压力-状态-响应”模型[12]、“敏感-恢复-压力”模型[13]、“暴露-敏感-适应”模型[14]、“生境-结构-功能”模型[15]和遥感生态指数[16]等, 而“敏感-恢复-压力”模型依据生态系统稳定性的内在含义构建, 并综合考虑了自然与社会经济之间相互作用及影响, 能够较为全面地体现生态脆弱性的综合特征, 是区域生态脆弱性评价的综合模型[17], 并在自然保护区[18]、流域[19]、喀斯特[20]和城市[21, 22]等地区得到广泛的应用.因此, 本文从“敏感-压力-恢复”角度综合分析其作用, 能全面客观地评价四川省生态脆弱性.了解生态脆弱性的驱动机制, 将有助于为区域生态环境的保护和管理提供理论依据[15, 23].由于生态系统的复杂性, 涉及影响因子众多, 而且不同因子空间分异性明显[24], 地理探测器作为一种探测空间分异性并揭示其驱动力的空间分析方法, 如张良侠等[25]、朱琪等[26]和齐润泽等[27]采用地理探测器分别对黄土高原、东北森林带和河湟地区生态脆弱性的驱动机制进行了研究, 然而, 传统地理探测器对连续型因子的离散化一般由个人经验决定, 存在主观性和离散化不佳等问题[28, 29].因此, 本文采用参数最优地理探测器（optimal parameters-based geographical detector, OPGD）[30], 能够识别并进行连续型因子的最佳离散化处理, 从而揭示生态脆弱性的驱动因子.
四川省作为典型的复杂地理环境区, 空间分异性明显, 且在不同自然因素及人类生产活动的影响下, 大部分地区生态环境日益退化.因此, 本文基于“敏感-恢复-压力”模型, 采用空间主成分、空间自相关和参数最优地理探测器等方法系统地分析了2000~2020年四川省生态脆弱性时空分异特征, 并从空间分异角度揭示其驱动机制, 以期为区域生态环境的保护与管理提供理论依据.
1 材料与方法 1.1 研究区概况四川省位于中国的西南部, 地处第一级青藏高原和第三级长江中下游平原的过渡带[31], 东经97°21' ~ 108°33', 北纬26°03' ~ 34°19'之间, 总面积约48.6×104 km2, 下辖18个地级市、3个自治州以及183个县级行政区.四川省地形复杂多样, 东西高差悬殊（图 1）, 主要以高原和山地为主, 平原相对较少.此外, 由于地处长江上游, 四川省河流众多, 水资源量十分丰富, 但空间分布不均.气候各地差异性明显, 西部高原山区以寒温带气候为主, 而东部盆地属亚热带季风气候, 年均气温为16 ~ 18℃.由于地理环境的复杂性, 加上人类长期生产活动对自然资源的过度开发以及自然灾害（如气象灾害和自然灾害）频发的影响[32], 四川省生态环境日益退化.因此, 科学地对四川省生态脆弱性进行评价, 显得尤为重要.
|
图 1 四川省高程分布示意 Fig. 1 Elevation distribution of Sichuan Province |
本研究采用的数据主要包括遥感数据、气象数据、社会经济数据和其他数据.
遥感数据包括归一化植被指数（normalized difference vegetation index, NDVI）和植被净初级生产力（net primary productivity, NPP）, 来自美国地质调查局（https://lpdaac.usgs.gov）, 其中NDVI数据为MOD13A3数据集, 空间分辨率为1 000 m, 采用最大值合成法（maximum value composite, MVC）合成年度数据, 然后基于像元二分模型[33, 34]对植被覆盖度进行计算；NPP数据为MOD17A3HGF数据集, 空间分辨率为500 m.
气象数据包括气温和降水数据, 来自国家青藏高原科学数据中心（https://data.tpdc.ac.cn/home）逐月平均气温和逐月降水数据集, 空间分辨率为1 000 m, 并使用496个独立气象观测点数据验证了其准确性.
社会经济数据包括人口密度和人均GDP.人口密度来自世界人口数据库（https://hub.worldpop.org/）, 空间分辨率为1 000 m；人均GDP来源于2001年、2011年和2021年《四川省统计年鉴》.
其他数据包括高程、土地利用、土壤和PM2.5数据.高程下载自地理空间数据云（https://www.gscloud.cn/）, 空间分辨率为90 m, 坡度和地形起伏度基于高程进行计算；土地利用数据来自中国科学院资源环境科学与数据中心（https://www.resdc.cn/）, 空间分辨率为30 m, 其中生物丰度[35]、生境质量[36]和景观干扰度[37]基于土地利用数据进行计算；土壤数据来自世界土壤数据库（https://www.fao.org/soils-portal/en/）, 为第二次全国土地调查南京土壤所1∶100万土壤数据, 空间分辨率为1 000 m, 土壤侵蚀强度采用修正通用土壤侵蚀方程（revised universal soil loss equation, RUSLE）[38, 39]估算；PM2.5数据来自CHAP（china high air pollutants, CHAP）, 空间分辨率为1 000 m.
为确保所有数据空间上的一致性, 数据均进行裁剪、投影和重采样处理, 投影至坐标系WGS84_Albers, 空间分辨率为1 000 m.
1.3 研究方法 1.3.1 评价指标体系构建系统合理地选取评价指标是生态脆弱性评价的关键[6].本文基于“敏感-恢复-压力”模型, 在综合考虑四川省自然和社会环境特征的基础上, 依据相关研究[22, 32, 40], 遵从科学性、代表性和数据可获取性等原则, 全面客观地构建四川省生态脆弱性评价指标体系, 具体评价指标如表 1所示.
|
表 1 四川省生态脆弱性评价指标体系1） Table 1 Ecological vulnerability assessment index system in Sichuan Province |
敏感层是指生态系统受到内部自然或外部人为因素影响所表现出的敏感性[41], 通常与生态系统本身的属性有关.地形因素（高程、坡度和地形起伏度）作为生态评价中必须考虑的重要因素；气象因素（气温和降水）可以影响植被的生长与恢复, 从而影响生态系统的稳定；而四川省地处青藏高原东缘、长江流域上游, 地势起伏大, 加之降水丰沛且强度大[38], 作为我国水土流失严重的省份之一, 水土流失现象严重.因此, 敏感性指标从地形、气象和环境因子中选取了高程、坡度、地形起伏度、年均降水、年均气温、PM2.5、土地利用和土壤侵蚀强度指标, 以上指标会影响生态系统的敏感性, 使其更容易受到外部环境的干扰[42].
恢复层是指生态系统受到外部干扰后, 能够自我调节和恢复的能力.植被覆盖度（FVC）作为陆地生态系统重要的生物参数, 反映了地表植被生长状况；植被净初级生产力（NPP）是生态系统评价的重要指标, 生态系统越稳定, 其值越大. 因此, 本文选取了植被覆盖度（FVC）、植被净初级生产力（NPP）、生境质量和生物丰度, 以上指标能够反映区域内物种丰富的程度, 体现出受到干扰后的抵抗能力.
压力层是指生态系统受到外界干扰和影响的程度, 通常与经济和人类活动有关.四川省人均GDP存在显著的区域性差异, 人均GDP较高的地区城市化水平较高, 然而, 在城市化进程快速发展的影响下, 社会经济的发展和人类生产活动都会对生态环境造成影响. 此外, 四川省景观破碎化程度相对较高, 斑块数量庞大且复杂, 景观干扰度反映了人类活动与景观之间的相互作用. 因此, 本文选取了人口密度、人均GDP和景观干扰度.
以上各个指标之间相互作用影响着生态环境, 即敏感层和压力层越高, 生态脆弱性越高, 反之, 恢复层越高, 生态脆弱性越低.
1.3.2 评价指标标准化评价指标量纲及属性存在差异, 需对其进行标准化处理.本文采用了不同的标准化方法, 对于定量和定性指标分别采用极差法和分级赋值法.
（1）极差法 正向和负向指标标准化, 公式如下.
正向指标：
|
(1) |
负向指标：
|
(2) |
式中, Zi，positive为第i个指标正向标准化值；Zi，negative为第i个指标负向标准化值；xi为第i个指标的原始值；xi，max为第i个指标的最大值；xi，min为第i个指标的最小值.
（2）分级赋值法 对于定性指标, 依据相关研究[22, 40, 43]并结合研究区实际特征对其进行分级赋值, 如表 2所示.
|
|
表 2 土地利用类型和土壤侵蚀强度标准化值 Table 2 Standardized values for land-use types and soil erosion levels |
1.3.3 空间主成分分析
空间主成分分析基于统计分析原理[44], 用较少的综合指标最大限度保留原来较多指标所反映的信息[5], 且能有效避免人为因素的影响, 从而提高评价的客观性[17].本文对标准化后的15个评价指标采用空间主成分分析, 并选取累计贡献率达到85%以上的前6个主成分.最后, 对生态脆弱性指数（ecological vulnerability index, EVI）进行计算, 公式如下：
|
(3) |
式中，IEVI为生态脆弱性指数；αn为第n个主成分的贡献率；Yn为第n个主成分；n为6.
1.3.4 生态脆弱性指数标准化及分级为便于多期生态脆弱性指数的比较, 需对其进行标准化处理, 公式如下：
|
(4) |
式中，ISEVI，i为第i年生态脆弱性指数标准化值；EVIi，max为第i年生态脆弱性指数的最大值；EVIi，min为第i年生态脆弱性指数的最小值.
在综合考虑四川省生态环境特征的基础上, 依据已有生态脆弱性分级标准[32, 10, 43], 本文采用自然断点分类法将2000、2010和2020年四川省生态脆弱性划分为5个等级, 分别为：微度脆弱[0~0.267]、轻度脆弱（0.267~0.396]、中度脆弱（0.396~0.537]、重度脆弱（0.537~0.69]和极度脆弱（0.69~1.00].
1.3.5 空间自相关分析空间自相关分析是监测空间属性及其变化相关性程度的空间统计方法[45], 并用于检验一个区域单元上某一变量与相邻区域单元上的同一变量是否具有显著相关性的重要指标[2], 通常分为全局空间自相关和局部空间自相关.
（1）全局空间自相关 分析在整个空间中生态脆弱性的空间相关性或空间聚集特征, 公式为：
|
(5) |
（2）局部空间自相关 进一步分析生态脆弱性具体的聚集区, 用空间关联局部指标聚类图（local indicators of spatial association, LISA）表示, 公式如下：
|
(6) |
式中, Iglobal为全局Moran'I；Ilocal为局部Moran'I；xi和xj为第i个和第j个评价单元生态脆弱性指数；x为所有评价单元生态脆弱性指数的均值；Wij为空间权重系数矩阵；n为评价单元数量.聚集模式分别为高-高聚集（high-high, H-H）、高-低聚集（high-low, H-L）、低-低聚集（low-low, L-L）、低-高聚集（low-high, L-H）和不显著（not significant）.
1.3.6 参数最优地理探测器地理探测器作为一种探测地理现象空间分异性并揭示其驱动力的统计方法[46], 被广泛应用在地理现象空间分异性的驱动力分析中[29, 47].本文创建5 km×5 km格点共19 445个, 用于自变量和因变量的提取, 然后借助R语言中“GD”包, 采用5种分类方法（如相等间隔分类、自然断点分类、标准差分类、几何间隔分类和分位数分类）, 类别数设为3~8类, 通过计算每个连续型因子在不同分类方法和分类数下的q值[28], 选择q值最大的参数组合（分类方法+类别数）作为最优参数对连续型因子做最优离散化处理, 从而从空间分异角度揭示生态脆弱性的驱动机制[45].
（1）因子探测器 探测生态脆弱性的空间分异, 并识别不同驱动因子对生态脆弱性空间分异的解释力, 通常用q值表示, 值越大表示因子的解释力越强.公式如下：
|
(7) |
式中, q为驱动因子对生态脆弱性的解释力；h为变量或因子的分层；N和Nh分别为全区和h区单元数；σ2和σh2分别为全区和h区生态脆弱性的方差.
（2）交互作用探测器 探测不同驱动因子之间的交互作用对生态脆弱性空间分异的解释力.交互作用类型如表 3所示.
|
|
表 3 交互作用探测器交互作用类型 Table 3 Interaction types of interactive detectors |
2 结果与分析 2.1 生态脆弱性时空分异特征 2.1.1 空间分布特征
四川省生态脆弱性空间分异性明显, 呈“东部高、西部低”空间分布格局（图 2）, 这与四川省自然和社会环境有着密切的关系.四川省的西部（甘孜藏族自治州）、西北部（阿坝藏族羌族自治州）和西南部（凉山彝族自治州）地区主要以微度和轻度脆弱为主, 而东部大部分地区主要以重度和极度脆弱为主.这主要由于西部、西北部和西南部地区地处高原山区, 是国家生态安全战略格局中重要的生态屏障区, 光热条件良好、物种丰富、植被覆盖率高, 加之海拔较高, 人口密度低和人类活动强度弱, 对生态环境的影响较小, 区域内生态脆弱性较低；而东部地区地处盆地, 是四川省经济发展的主要聚集地和人口最为稠密的地区之一, 城市化与工业化进程快速发展, 空气污染较为严重, 此外, 农业较为发达, 但土地利用类型较为单一, 人类不合理的垦殖活动对植被造成一定程度的破坏, 从而导致生态脆弱性突出.而中度脆弱主要呈离散分布, 分布于低度脆弱（微度脆弱+轻度脆弱）和高度脆弱（重度脆弱+极度脆弱）之中.
|
图 2 2000~2020年四川省生态脆弱性空间分布 Fig. 2 Spatial distribution of ecological vulnerability in Sichuan Province from 2000 to 2020 |
2000年、2010年和2020年四川省生态脆弱性指数分别为0.422、0.417和0.398, 呈逐渐降低的趋势, 但整体上仍处于中度脆弱. 2000~2020年, 四川省生态脆弱性主要以微度和轻度脆弱为主（表 4）, 面积分别为243 270、270 251和286 375 km2, 面积占比分别为50.04%、55.59%和58.90%, 所占面积均超过研究区总面积的一半, 且呈逐渐增加的趋势, 表明四川省生态环境逐渐改善.此外, 为进一步分析生态脆弱性时间变化特征, 对各个时期生态脆弱性面积占比及面积变化进行了统计（表 4）. 2000~2020年, 不同等级生态脆弱性面积占比波动较大, 微度和重度脆弱呈逐渐增加的趋势, 轻度脆弱呈先增加后减少的趋势, 中度和极度脆弱呈逐渐减少的趋势.其中, 2000~2020年, 极度脆弱面积减少最为显著, 面积由99 009 km2减少到54 553 km2, 面积占比减少了9.14个百分点；而微度脆弱面积增加最为显著, 面积由97 145 km2增加到160 886 km2, 面积占比增加了13.11个百分点, 表明在此期间, 四川省加强了生态环境保护工作, 退耕还林还草工程以及相关环保政策的实施（如《四川省“十三五”生态保护与建设规划》）, 使得区域生态环境压力得到缓解, 生态环境得到逐渐改善.
|
|
表 4 2000~2020年四川省各个时期生态脆弱性面积占比及变化1） Table 4 Area proportion and change of ecological vulnerability in Sichuan Province in different periods from 2000 to 2020 |
2.2 生态脆弱性空间聚集特征
2000年、2010年和2020年四川省生态脆弱性全局Moran'I分别为0.863、0.871和0.846（图 3）, 表明生态脆弱性存在显著正相关和较强的空间集聚特征, 空间差异程度呈先减小后增大的趋势. 2000~2010年Moran'I增加, 表明生态脆弱性在空间上呈显著的正相关特征, 并伴有继续增加的趋势, 但空间分布的差异性正在缩小, 然而, 在2020年Moran'I有所下降, 表明空间聚集程度有所下降.
|
图 3 2000~2020年四川省生态脆弱性全局空间自相关散点图 Fig. 3 Global spatial autocorrelation scatter plot in Sichuan Province from 2000 to 2020 |
进一步分析生态脆弱性在空间上的聚集特征, 由图 4可知, 2000~2020年间, 聚集主要以高-高聚集、低-低聚集和不显著为主.其中, 不显著占比最大, 主要分布在四川省的西部、西北部和西南部（凉山彝族自治州、攀枝花市）等地区, 整体上呈增加的趋势, 表明四川省生态脆弱性在空间上的随机分布特征在增强.高-高聚集区和低-低聚集区整体上均呈减少的趋势.其中, 高-高聚集区主要分布在四川省的东部和西部、西北部以及西南部的部分地区, 生态脆弱性主要以重度和极度脆弱为主, 空间分布上以广元市、巴中市以及阿坝藏族羌族自治州的北部地区减少较为显著, 而甘孜藏族自治州则呈现出显著的向西扩张趋势, 占比由5.96%增加到7.77%, 占比增加了1.81个百分点；低-低聚集区主要分布在四川省的西部、西北部和西南部的部分地区, 生态脆弱性主要以微度和轻度脆弱为主, 但变化幅度较小, 空间分布上以四川省的西北部增加, 而西部和西南部减少, 其中, 西南部的攀枝花市减少最为显著, 占比由27.42%减少到23.85%, 减少了3.57个百分点.此外, 高-低聚集区和低-高值聚集区主要零星分布于高度脆弱（重度脆弱+极度脆弱）和低度脆弱（微度脆弱+轻度脆弱）之中, 呈现“大聚集、小分散”的空间分布格局.研究表明, 高聚集区容易对周围地区产生影响, 因此, 在生态保护中应优先侧重于高聚集区的保护工作, 以避免高聚集区对周围地区的辐射影响.
|
图 4 2000~2020年四川省生态脆弱性局部空间自相关LISA集聚及显著性 Fig. 4 LISA aggregation and significance of local spatial autocorrelation of ecological vulnerability in Sichuan Province from 2000 to 2020 |
不同离散组合的选择对驱动因子的分析有显著影响（图 5）, 因此, 任意的选取离散化分类方法与分类数可能导致无法准确描述驱动因子与地理现象之间的实际关联性[48].目前, 已有研究通常将q值最大的组合作为连续型因子的最优离散化参数[30].本文中以2020年连续型因子的最优离散化为例（图 5）, 对于植被覆盖度（X9）, 当分类方法为几何间隔分类法且分类数为8时, q值最大, 故选用几何间隔分类法将植被覆盖度（X9）划分为8类；同理, 选用自然断点分类法将高程（X1）、PM2.5（X6）、植被净初级生产力（X10）和生境质量（X11）划分为8类；选用标准差分类法将坡度（X2）、地形起伏度（X3）、年均气温（X5）和人口密度（X13）划分为8类；选用分位数分类法将年均降水（X4）和生物丰度（X12）分别划分为7类和6类, 将人均GDP（X14）和景观干扰度（X15）划分为8类.
|
曲线不完整的部分为未通过显著性检验 图 5 2020年连续型因子最优离散化 Fig. 5 Continuous factor was optimally discrete in 2020 |
本文从影响生态脆弱性的自然和社会因素角度进行分析.由表 5可知, 各驱动因子P值均为0, 表明驱动因子对生态脆弱性的解释力充足, 但不同年份间解释力具有一定的差异性. 2000年、2010年和2020年对四川省生态脆弱性空间分异的影响始终保持最强4个因子分别为生境质量（X11）、土地利用（X7）、生物丰度（X12）和高程（X1）, q均值分别为0.854、0.781、0.735和0.612, 均大于0.6, 对生态脆弱性的影响力较大；而土壤侵蚀强度（X8）和景观干扰度（X15）影响力相对较小, q均值分别为0.032和0.060, 均小于0.1.表明生境质量（X11）、土地利用（X7）、生物丰度（X12）和高程（X1）是四川省生态脆弱性空间分异的主导因子, 从而导致生态脆弱性空间分布上的差异性.
|
|
表 5 四川省生态脆弱性因子探测q值1） Table 5 The q value of ecological vulnerability factor detection in Sichuan Province |
2.3.3 生态脆弱性因子交互探测
采用因子交互探测进一步分析不同因子之间的交互作用对生态脆弱性的影响.由图 6可知, 不同驱动因子之间存在明显的交互作用, 即各驱动因子对生态脆弱性的影响并不是独立的, 而是交互作用的结果, 从而进一步增强了单一驱动因子对四川省生态脆弱性的影响且主要表现为双因子增强或非线性增强特征.与非线性增强作用相比, 双因子增强作用对四川省生态脆弱性的空间分异性解释力更大.其中, 2000年解释力排在前三的交互作用分别为生境质量（X11）∩生物丰度（X12）、地形起伏度（X3）∩生境质量（X11）和坡度（X2）∩生境质量（X11）, q值分别为0.947、0.931和0.928；2010年解释力排在前三的交互作用分别为生境质量（X11）∩生物丰度（X12）、地形起伏度（X3）∩生境质量（X11）和坡度（X2）∩生境质量（X11）, q值分别为0.951、0.938和0.933；2020年解释力排在前三的交互作用分别为生境质量（X11）∩生物丰度（X12）、植被覆盖度（X9）∩生境质量（X11）和年均气温（X5）∩生境质量（X11）, q值分别为0.931、0.926和0.901.此外, 综合分析得出土地利用（X7）、生境质量（X11）和生物丰度（X12）因子与其它因子之间的交互作用, q值均在0.71以上, 解释程度大于70%, 明显强于其它因子之间的交互作用, 表明土地利用（X7）、生境质量（X11）和生物丰度（X12）因子是四川省生态脆弱性的主要驱动因子, 并导致了生态脆弱性在空间分布的差异性.总体来看, 多因子之间的交互作用对生态脆弱性空间分异起到了明显的增强作用, 表明四川省生态脆弱性的空间分异是多因子之间相互作用所形成.因此, 对区域进行生态环境的保护与管理时, 应充分考虑不同因子的交互作用对生态脆弱性的影响.
|
1~15表示X1~X15（见表 5）；*表示非线性增强交互作用, 其他表示双因子增强交互作用 图 6 2000~2020年四川省生态脆弱性因子交互探测 Fig. 6 Interactive detection of ecological vulnerability factors in Sichuan Province from 2000 to 2020 |
从空间分布来看, 四川省生态脆弱性呈“东部高、西部低”空间分布格局, 且东部地区生态脆弱性明显高于西部地区, 这与金丽娟等[32]和姚昆等[40]对四川省和川西北生态脆弱性评价结果一致.主要由于东部地区海拔较低, 土地利用类型以耕地和建设用地为主, 林地覆盖率低, 加之人口密集, 城市化和社会经济快速发展, 人类活动对生态环境的干扰强度较大, 导致区域压力度高, 抵抗外界干扰的能力弱, 区域生态脆弱性突出；而西北部、西南部以及西部地区海拔较高, 属重要的生态屏障区, 区域光热条件良好, 土地利用类型以林地和耕地为主, 植被覆盖率高, 加之人口密度低, 人类活动对生态环境的影响较轻, 导致区域压力度低, 抵抗外界干扰的能力强, 区域生态环境较好, 生态脆弱性较低.综上所述, 自然环境是四川省生态脆弱性空间分布差异性的基础, 而人类活动进一步加剧了生态脆弱性.
从时间变化来看, 四川省生态环境呈逐渐改善的趋势, 但整体上仍处于中度脆弱, 与金丽娟等[32]研究的结果一致.然而, 在阶段演变上, 与金丽娟等[32]采用层次分析法对2005年、2010年、2015年和2018年四川省生态脆弱性评价的结果相矛盾, 主要由于评价方法的选择和时间尺度不同导致, 层次分析法属于主观赋权法, 因子权重的赋值人为因素影响较大, 从而导致研究结果有所出入.从阶段演变来看, 2010年四川省生态脆弱性指数整体偏低, 主要由于汶川地震发生后, 恢复重建计划的实施, 使得生态环境得到恢复, 并呈良性的发展方向；而在2010年后, 政府进一步加强了对生态环境的保护力度, 如四川省“十三五”生态保护与建设规划和退耕还林还草等相关环保政策的实施, 植被覆盖率得以提升, 加之人们对生态环境保护意识的逐渐提高, 生态环境得到进一步改善.
3.2 四川省生态脆弱性驱动机制本文采用参数最优地理探测器对连续型因子做最优离散化, 从而揭示其驱动机制, 本研究发现土地利用、生境质量和生物丰度是四川省生态脆弱性的主要驱动因子, 这与彭文甫等[31]、姚昆等[40]和刘延国等[49]研究结果基本一致, 表明生态脆弱性时空分布的差异性是不同自然条件和人类活动综合作用的结果.但与Liu等[41]采用相关性分析法研究得出四川省生态脆弱性的驱动因子存在一定差异, 主要原因是由于评价方法不同导致, 但其内在影响机制一致.此外, 本文中社会因子（人口密度和人均GDP）的贡献度低于土地覆盖相关因子（土地利用类型和生物丰度）, 但有相关研究认为随着城市化和社会经济的快速发展, 人类活动等因子对生态脆弱性的影响较大[33, 50], 但在其本质上仍是土地利用及人类活动对其造成的影响, 即人类活动通过改变地表土地覆盖类型, 从而引起生态脆弱性的波动, 这与Pan等[15]和李云帆等[37]研究的结果一致.四川省土地覆盖类型中以耕地和建筑用地对生态脆弱性变化的影响较大, 而人类活动（如退耕还林还草工程、生态整治和修复工程等）都会改变地表土地覆盖类型, 从而对生态环境造成不同程度的影响.
3.3 本研究局限性四川省作为典型的复杂地理环境区, 即具有复杂的自然和社会环境.本文基于“敏感-恢复-压力”模型评价了四川省生态脆弱性, 与其他模型相比, “敏感-恢复-压力”模型综合考虑了自然与社会经济之间相互作用及影响, 并强调了社会经济对其造成的影响, 因此, 适用于人类活动与自然环境相互作用下的生态系统, 从而更能反映生态系统的实际状态.自工业革命以来, 人类活动对地表的改变是巨大的, 而且还在不断增长, 所有生态系统都或多或少地直接或间接地受到人类活动的影响.此外, 基于“敏感-恢复-压力”模型的灵活性, 采用该模型可以对一般或特殊地区的生态脆弱性进行评价（如自然保护区、喀斯特地区和干旱区及城市等）, 提高评价的客观性.因此, 本文基于“敏感-恢复-压力”模型, 从敏感性、恢复力和压力度这3个角度遴选指标, 能够较为客观综合地评价2000~2020年四川省生态脆弱性, 并采用参数最优地理探测器对连续型因子做最优离散化处理, 能客观地分析各驱动因子对生态脆弱性空间分异的影响程度并揭示其驱动机制.
但本文也存在一些不足之处, 首先, 全面客观地选取评价指标作为生态脆弱性评价共同面对的难题, 其影响因素众多, 除本文选取的因子外, 如政策实施、自然灾害（如气象灾害、地质灾害、地震灾害等）和地表径流等阶段性变化也可能是导致生态脆弱性变化的重要因素, 但在研究中因数据获取困难、难以量化而忽视其影响, 需在以后研究中进一步分析其对生态脆弱性的影响.其次, RUSLE模型作为应用广泛的土壤侵蚀统计模型, 本文在对土壤侵蚀强度进行估算时, 土地利用数据空间分辨率为30 m, 受数据可获得性影响, 气温和降水等数据, 空间分辨率均为1 km, 由于高精度气象数据的欠缺, 可能会导致估算的误差.因此, 在以后研究中需对生态脆弱性的驱动机制进行更深入地研究, 并不断完善生态脆弱性评价体系, 从而提高评价的准确性.
4 结论（1）2000~2020年四川省生态脆弱性指数分别为0.422、0.417和0.398, 呈逐渐降低的趋势, 但整体上仍处于中度脆弱, 空间上, 呈“东部高、西部低”空间分布格局, 且东部地区生态脆弱性明显高于西部地区, 表现出明显的区域性差异特征, 这与四川省自然和社会环境有着密切的关系；时间上, 生态环境呈逐渐改善的趋势.
（2）四川省生态脆弱性空间格局保持相对稳定, 在空间上具有较强的聚集特征, 空间分异性明显, 高-高聚集区主要分布在东部的大部分地区；低-低聚集区主要分布在西部、西北部和西南部的部分地区, 而不显著呈增加的趋势, 表明四川省生态脆弱性在空间上的随机分布特征在增强.
（3）土地利用、生境质量和生物丰度是四川省生态脆弱性的主要驱动因子, 且所有因子之间交互作用结果均大于单因子作用结果, 表明多因子之间的交互作用对生态脆弱性的空间分异起到了明显增强作用, 因此, 四川省生态脆弱性的空间分异是多因子之间相互作用的结果.
| [1] | Li Q, Shi X Y, Wu Q Q. Effects of protection and restoration on reducing ecological vulnerability[J]. Science of the Total Environment, 2021, 761. DOI:10.1016/j.scitotenv.2020.143180 |
| [2] |
李美丽, 尹礼昌, 张园, 等. 基于MODIS-EVI的西南地区植被覆盖时空变化及驱动因素研究[J]. 生态学报, 2021, 41(3): 1138-1147. Li M L, Yin L C, Zhang Y, et al. Spatio-temporal dynamics of fractional vegetation coverage based on MODIS-EVI and its driving factors in Southwest China[J]. Acta Ecologica Sinica, 2021, 41(3): 1138-1147. |
| [3] | Wang Y, Li X M, Zhang F, et al. Effects of rapid urbanization on ecological functional vulnerability of the land system in Wuhan, China: a flow and stock perspective[J]. Journal of Cleaner Production, 2020, 248. DOI:10.1016/j.jclepro.2019.119284 |
| [4] | Hu X J, Ma C M, Huang P, et al. Ecological vulnerability assessment based on AHP-PSR method and analysis of its single parameter sensitivity and spatial autocorrelation for ecological protection-A case of Weifang city, China[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107464 |
| [5] |
张慧琳, 吴攀升, 侯艳军. 五台山地区生态脆弱性评价及其时空变化[J]. 生态与农村环境学报, 2020, 36(8): 1026-1035. Zhang H L, Wu P S, Hou Y J. Ecological vulnerability assessment and its temporal and spatial changes in Wutai mountain area[J]. Journal of Ecology and Rural Environment, 2020, 36(8): 1026-1035. |
| [6] |
王鹏, 赵微, 柯新利. 基于SRP模型的潜江市生态脆弱性评价及时空演变[J]. 水土保持研究, 2021, 28(5): 347-354. Wang P, Zhao W, Ke X L. Evaluation and spatiotemporal evolution of ecological vulnerability of Qianjiang based on SRP model[J]. Research of Soil and Water Conservation, 2021, 28(5): 347-354. |
| [7] |
黄木易, 仲勇, 冯少茹, 等. 1970s以来巢湖流域水环境保护区景观生态脆弱性时空特征及驱动解析[J]. 湖泊科学, 2020, 32(4): 977-988. Huang M Y, Zhong Y, Feng S R, et al. Spatial-temporal characteristic and driving analysis of landscape ecological vulnerability in water environment protection area of Chaohu Basin since 1970s[J]. Journal of Lake Sciences, 2020, 32(4): 977-988. |
| [8] | He L, Shen J, Zhang Y. Ecological vulnerability assessment for ecological conservation and environmental management[J]. Journal of Environmental Management, 2018, 206: 1115-1125. DOI:10.1016/j.jenvman.2017.11.059 |
| [9] | He D, Hou K, Li X X, et al. A reliable ecological vulnerability approach based on the construction of optimal evaluation systems and evolutionary tracking models[J]. Journal of Cleaner Production, 2023, 419. DOI:10.1016/j.jclepro.2023.138246 |
| [10] |
常溢华, 蔡海生. 基于SRP模型的多尺度生态脆弱性动态评价——以江西省鄱阳县为例[J]. 江西农业大学学报, 2022, 44(1): 245-260. Chang Y H, Cai H S. Dynamic assessment of multi-scale eco-environmental vulnerability based on SRP model in Poyang county[J]. Acta Agriculturae Universitatis Jiangxiensis, 2022, 44(1): 245-260. |
| [11] | Yi F, Lu Q, Li Y H, et al. Ecological vulnerability assessment of natural oasis in arid areas: application to Dunhuang, China[J]. Ecological Indicators, 2023, 149. DOI:10.1016/j.ecolind.2023.110139 |
| [12] |
丁文璐, 夏军, 姚成慧, 等. 基于压力-状态-响应和TOPSIS模型的德安县水生态承载力评价[J]. 武汉大学学报(工学版), 2022, 55(11): 1081-1089. Ding W L, Xia J, Yao C H, et al. Evaluation of water ecological carrying capacity of De'an county based on PSR and TOPSIS models[J]. Engineering Journal of Wuhan University, 2022, 55(11): 1081-1089. |
| [13] |
徐超璇, 鲁春霞, 黄绍琳. 张家口地区生态脆弱性及其影响因素[J]. 自然资源学报, 2020, 35(6): 1288-1300. Xu C X, Lu C X, Huang S L. Study on ecological vulnerability and its influencing factors in Zhangjiakou area[J]. Journal of Natural Resources, 2020, 35(6): 1288-1300. |
| [14] |
李彤玥. 基于"暴露—敏感—适应"的城市脆弱性空间研究——以兰州市为例[J]. 经济地理, 2017, 37(3): 86-95. Li T Y. Spatial vulnerability based on the framework of the exposure-sensitivity-adaptive capacity: a case study of Lanzhou[J]. Economic Geography, 2017, 37(3): 86-95. |
| [15] | Pan Z Z, Gao G Y, Fu B J. Spatiotemporal changes and driving forces of ecosystem vulnerability in the Yangtze River basin, China: quantification using habitat-structure-function framework[J]. Science of the Total Environment, 2022, 835. DOI:10.1016/j.scitotenv.2022.155494 |
| [16] |
郭泽呈, 魏伟, 庞素菲, 等. 基于SPCA和遥感指数的干旱内陆河流域生态脆弱性时空演变及动因分析——以石羊河流域为例[J]. 生态学报, 2019, 39(7): 2558-2572. Guo Z C, Wei W, Pang S F, et al. Spatio-temporal evolution and motivation analysis of ecological vulnerability in arid inland river basin based on SPCA and remote sensing index: a case study on the Shiyang river basin[J]. Acta Ecologica Sinica, 2019, 39(7): 2558-2572. |
| [17] |
付刚, 白加德, 齐月, 等. 基于GIS的北京市生态脆弱性评价[J]. 生态与农村环境学报, 2018, 34(9): 830-839. Fu G, Bai J D, Qi Y, et al. Ecological vulnerability assessment in Beijing based on GIS spatial analysis[J]. Journal of Ecology and Rural Environment, 2018, 34(9): 830-839. |
| [18] |
刘佳茹, 赵军, 沈思民, 等. 基于SRP概念模型的祁连山地区生态脆弱性评价[J]. 干旱区地理, 2020, 43(6): 1573-1582. Liu J R, Zhao J, Shen S M, et al. Ecological vulnerability assessment of Qilian mountains region based on SRP conceptual model[J]. Arid Land Geography, 2020, 43(6): 1573-1582. |
| [19] |
贾晶晶, 赵军, 王建邦, 等. 基于SRP模型的石羊河流域生态脆弱性评价[J]. 干旱区资源与环境, 2020, 34(1): 34-41. Jia J J, Zhao J, Wang J B, et al. Ecological vulnerability assessment of Shiyang river basin based on SRP model[J]. Journal of Arid Land Resources and Environment, 2020, 34(1): 34-41. |
| [20] |
李洪广, 周旭, 肖杨, 等. 基于SRP模型的西南喀斯特山区生态脆弱性时空变化特征[J]. 生态科学, 2021, 40(3): 238-246. Li H G, Zhou X, Xiao Y, et al. Temporal and spatial changes of ecological vulnerability in Southwestern karst mountains based on SRP model[J]. Ecological Science, 2021, 40(3): 238-246. |
| [21] |
马子惠, 马书明, 张树深. 大连市生态脆弱性评价及其不确定性分析[J]. 水土保持通报, 2019, 39(3): 237-242, 262. Ma Z H, Ma S M, Zhang S S. Ecological vulnerability assessment and its uncertainty analysis of Dalian city[J]. Bulletin of Soil and Water Conservation, 2019, 39(3): 237-242, 262. |
| [22] | Jiang B H, Chen W, Dai X A, et al. Change of the spatial and temporal pattern of ecological vulnerability: a case study on Cheng-Yu urban agglomeration, Southwest China[J]. Ecological Indicators, 2023, 149. DOI:10.1016/j.ecolind.2023.110161 |
| [23] |
孙桂丽, 陆海燕, 郑佳翔, 等. 新疆生态脆弱性时空演变及驱动力分析[J]. 干旱区研究, 2022, 39(1): 258-269. Sun G L, Lu H Y, Zheng J X, et al. Spatio-temporal variation of ecological vulnerability in Xinjiang and driving force analysis[J]. Arid Zone Research, 2022, 39(1): 258-269. |
| [24] |
赖金林, 齐实, 崔冉冉, 等. 西南高山峡谷区植被变化及影响因素分析[J]. 环境科学, 2023, 44(12): 6833-6846. Lai J L, Qi S, Cui R R, et al. Analysis of vegetation change and influencing factors in Southwest alpine canyon area[J]. Environmental Science, 2023, 44(12): 6833-6846. |
| [25] |
张良侠, 樊江文, 张海燕, 等. 黄土高原地区生态脆弱性时空变化及其驱动因子分析[J]. 环境科学, 2022, 43(9): 4902-4910. Zhang L X, Fan J W, Zhang H Y, et al. Spatial-temporal variations and their driving forces of the ecological vulnerability in the Loess Plateau[J]. Environmental Science, 2022, 43(9): 4902-4910. |
| [26] |
朱琪, 王亚楠, 周旺明, 等. 东北森林带生态脆弱性时空变化及其驱动因素[J]. 生态学杂志, 2021, 40(11): 3474-3482. Zhu Q, Wang Y N, Zhou W M, et al. Spatiotemporal changes and driving factors of ecological vulnerability in Northeast China forest belt[J]. Chinese Journal of Ecology, 2021, 40(11): 3474-3482. |
| [27] |
齐润泽, 潘竟虎. 河湟地区生态脆弱性时空演变及影响因素研究[J]. 干旱区研究, 2023, 40(6): 1002-1013. Qi R Z, Pan J H. Spatial and temporal evolution of ecological vulnerability and its influencing factors in the Hehuang area[J]. Arid Zone Research, 2023, 40(6): 1002-1013. |
| [28] |
张若婧, 陈跃红, 张晓祥, 等. 基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究[J]. 地理与地理信息科学, 2021, 37(4): 72-80. Zhang R J, Chen Y H, Zhang X X, et al. Spatial-temporal pattern and driving factors of flash flood disasters in Jiangxi province analyzed by optimal parameters-based geographical detector[J]. Geography and Geo-Information Science, 2021, 37(4): 72-80. |
| [29] |
施智勇, 谢慧黎, 王圳峰, 等. 基于参数最优地理探测器的福州市生境质量时空格局与驱动力分析[J]. 环境工程技术学报, 2023, 13(5): 1921-1930. Shi Z Y, Xie H L, Wang Z F, et al. Analysis of spatiotemporal heterogeneity of habitat quality and their driving factors based on optimal parameters-based geographic detector for Fuzhou City, China[J]. Journal of Environmental Engineering Technology, 2023, 13(5): 1921-1930. |
| [30] | 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. |
| [31] |
彭文甫, 张冬梅, 罗艳玫, 等. 自然因子对四川植被NDVI变化的地理探测[J]. 地理学报, 2019, 74(9): 1758-1776. Peng W F, Zhang D M, Luo Y M, et al. Influence of natural factors on vegetation NDVI using geographical detection in Sichuan province[J]. Acta Geographica Sinica, 2019, 74(9): 1758-1776. |
| [32] |
金丽娟, 许泉立. 基于SRP模型的四川省生态脆弱性评价[J]. 生态科学, 2022, 41(2): 156-165. Jin L J, Xu Q L. Ecological vulnerability assessment of Sichuan province based on SRP model[J]. Ecological Science, 2022, 41(2): 156-165. |
| [33] |
张景华, 封志明, 姜鲁光, 等. 澜沧江流域植被NDVI与气候因子的相关性分析[J]. 自然资源学报, 2015, 30(9): 1425-1435. Zhang J H, Feng Z M, Jiang L G, et al. Analysis of the correlation between NDVI and climate factors in the Lancang river basin[J]. Journal of Natural Resources, 2015, 30(9): 1425-1435. |
| [34] |
何利平, 简季. 四川省2009—2020年植被覆盖度时空变化遥感动态监测[J]. 水土保持通报, 2022, 42(2): 203-209. He L P, Jian J. Remote sensing dynamic monitoring on temporal and spatial changes of vegetation coverage in Sichuan province from 2009 to 2020[J]. Bulletin of Soil and Water Conservation, 2022, 42(2): 203-209. |
| [35] |
HJ/T 192-2006, 生态环境状况评价技术规范(试行)[S]. HJ/T 192-2006, Technical criterion for eco-environmental status evaluation[S]. |
| [36] |
杨征义, 季民, 王培培, 等. 基于InVEST模型的四川盆地生境质量时空演变分析[J]. 测绘与空间地理信息, 2023, 46(2): 64-68, 71. Yang Z Y, Ji M, Wang P P, et al. Spatio-temporal evolution study of habitat quality in Sichuan basin based on InVEST model[J]. Geomatics & Spatial Information Technology, 2023, 46(2): 64-68, 71. |
| [37] |
李云帆, 李彩霞, 贾翔, 等. 乌梁素海流域生态脆弱性时空变化及其成因分析[J]. 地球信息科学学报, 2023, 25(10): 2039-2054. Li Y F, Li C X, Jia X, et al. Spatiotemporal changes and causes of ecological vulnerability in Ulansuhai basin[J]. Journal of Geo-information Science, 2023, 25(10): 2039-2054. |
| [38] |
陈锐银, 严冬春, 文安邦, 等. 基于GIS/CSLE的四川省水土流失重点防治区土壤侵蚀研究[J]. 水土保持学报, 2020, 34(1): 17-26. Chen R Y, Yan D C, Wen A B, et al. Research on soil erosion in key prevention and control region of soil and water loss based on GIS/CSLE in Sichuan province[J]. Journal of Soil and Water Conservation, 2020, 34(1): 17-26. |
| [39] |
王猛, 王鹤松, 姜超, 等. 基于RUSLE和地理探测器模型的西南地区土壤侵蚀格局及定量归因[J]. 应用基础与工程科学学报, 2021, 29(6): 1386-1402. Wang M, Wang H S, Jiang C, et al. Spatial soil erosion patterns and quantitative attribution analysis in Southwestern China based on RUSLE and geo-detector model[J]. Journal of Basic Science and Engineering, 2021, 29(6): 1386-1402. |
| [40] |
姚昆, 张存杰, 何磊, 等. 川西北高原区生态环境脆弱性评价[J]. 水土保持研究, 2020, 27(4): 349-355, 362. Yao K, Zhang C J, He L, et al. Evaluation of ecological environment vulnerability in the northwest plateau area of Sichuan[J]. Research of Soil and Water Conservation, 2020, 27(4): 349-355, 362. |
| [41] | Liu Y M, Yang S N, Han C L, et al. Variability in regional ecological vulnerability: a case study of Sichuan province, China[J]. International Journal of Disaster Risk Science, 2020, 11(6): 696-708. |
| [42] | Shao H Y, Liu M, Shao Q F, et al. Research on eco-environmental vulnerability evaluation of the Anning river basin in the upper reaches of the Yangtze River[J]. Environmental Earth Sciences, 2014, 72(5): 1555-1568. |
| [43] | 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. DOI:10.1016/j.ecolind.2021.108429 |
| [44] |
王钰, 胡宝清. 西江流域生态脆弱性时空分异及其驱动机制研究[J]. 地球信息科学学报, 2018, 20(7): 947-956. Wang Y, Hu B Q. Spatial and temporal differentiation of ecological vulnerability of Xijiang river in Guangxi and its driving mechanism[J]. Journal of Geo-information Science, 2018, 20(7): 947-956. |
| [45] |
宋春威, 相恒星, 陈美宏, 等. 1980—2020年松嫩平原生态脆弱性时空分异[J]. 水土保持通报, 2023, 43(4): 366-374. Song C W, Xiang H X, Chen M H, et al. Spatiotemporal variability in ecological vulnerability of Songnen plain from 1980 to 2020[J]. Bulletin of Soil and Water Conservation, 2023, 43(4): 366-374. |
| [46] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [47] |
罗庆, 李小建, 杨慧敏. 中国县域经济空间分布格局及其演化研究: 1990年~2010年[J]. 经济经纬, 2014, 31(1): 1-7. Luo Q, Li X J, Yang H M. Spatial distribution pattern of China's county economy and its evolution: from 1990 to 2010[J]. Economic Survey, 2014, 31(1): 1-7. |
| [48] | Hu Y, Wang J F, Li X H, et al. Geographical detector-based risk assessment of the under-five mortality in the 2008 Wenchuan earthquake, China[J]. PLoS One, 2011, 6(6). DOI:10.1371/journal.pone.0021427 |
| [49] |
刘延国, 李景吉, 逯亚峰, 等. 西南山区生态保护红线划定方法优化——基于生态地质环境脆弱性评估[J]. 生态学报, 2021, 41(14): 5825-5836. Liu Y G, Li J J, Lu Y F, et al. Optimization method of ecological redline delineation in Southwest China from the view of eco-geo environment vulnerability assessment[J]. Acta Ecologica Sinica, 2021, 41(14): 5825-5836. |
| [50] |
孙炼. 基于NDVI的四川省植被变化动态监测及驱动因素分析[J]. 西南农业学报, 2023, 36(5): 1082-1089. Sun L. Dynamic monitoring and driving factor analysis of vegetation change in Sichuan province[J]. Southwest China Journal of Agricultural Sciences, 2023, 36(5): 1082-1089. |