2025, Vol. 46
黄河口国家公园拥有我国暖温带保存最完整、最广泛、最年轻的湿地生态系统以及海陆变迁面积增长最快、最活跃的三角洲湿地[1]. 生态系统健康指在人为扰动下生态系统的结构与功能得以维持并能够持续地满足人们合理需求的能力[2]. 黄河口国家公园由于地处陆-海-河交汇地带，生态系统脆弱[3]，受黄河来水来沙量减少及区域用水量增加的影响，生态系统内植被生长受限、水系连通受阻；随当地渔业和盐业发展，滩涂围垦和盐田开发等活动导致生态系统原有景观类型多样性减少，干扰了国家公园的自我净化能力，使得区域生态系统健康遭受严重破坏. 为促进黄河口国家公园生态系统稳定发展，亟需在此区域开展生态系统健康研究.
目前国内外学者对生态系统健康的研究集中于评估框架的构建和权重计算方法的选取. 评估框架主要包括压力-状态-响应（PSR）模型[4]、驱动-压力-状态-影响-响应（DPSIR）模型[5]、自然-社会-经济子系统模型[6]、结构-功能-过程-发展（SFPD）模型[7]和活力-组织力-反弹力（VOR）模型[8]等. 权重计算方法包括层次分析法[9]、熵权法[10]和TOPSIS法[11]等. 评估框架方面，PSR和DPSIR模型较少提及对生态系统自然属性和完整性的评价，自然-社会-经济子系统模型则在人类需求与生态系统相互作用关系方面讨论较少，VOR模型虽考虑了以上因素，但在自然生态系统与人为社会活动联系方面有所欠缺，因此本研究在VOR模型基础上增加生态系统服务功能，建立了活力-组织力-反弹力-生态系统服务功能（VORS）模型. 前人的权重计算方法如层次分析法受主观因素影响较大，熵权法由于灵敏度过高易导致指标失效，TOPSIS法则可以减少上述问题，使指标权重的计算更加科学准确.
生态系统健康评价结果的可信度可以反映评估框架的合理性，然而目前关于生态系统健康的研究中[12~14]，多数学者只是对评价结果验证的重要性进行讨论说明，并没有实质性地将验证方法纳入整个研究中，本研究尝试引入生态环境质量来验证生态系统健康评价结果，由于表征生态环境质量的遥感生态指数（RESI）在主成分分析步骤中对水体掩膜处理会导致结果中水体缺失，而研究区水体面积占比为24.81%，RESI明显不适用于此区域，其他研究中所采用的改进型遥感生态指数也较少提及水体的影响[15，16]，于是本研究将象征多水型地区生态环境质量的水体丰度[17]纳入RESI的指标中建立水体型遥感生态指数，并以此来验证生态系统健康评价结果的可信度.
近年来，随着黄河来水来沙减少以及区域用水量增加，水系连通受阻和景观类型减少等问题严重威胁了生态系统的健康发展. 基于此，本研究基于VORS模型结合TOPSIS法评价黄河口国家公园陆域生态系统健康，并采用水体型遥感生态指数结合ESRI世界影像以验证评价结果的可信度，进一步利用Moran's I指数揭示生态系统健康空间自相关特征，最后通过最优参数地理探测器模型探究生态系统健康空间分异的驱动因素，以期为多水型地区生态系统健康评价结果验证提供新方法，并为黄河口国家公园生态系统保护与管理提供科学依据.
1 研究区概况与数据来源 1.1 研究区位置与范围黄河口国家公园位于黄河入海口处（118°13′55.28″ ~ 119°30′57.00″E，37°25′02.67″ ~38°17′53.47″N），北临渤海，东靠莱州湾，涉及山东省东营市垦利区、河口区和利津县等3个县（区）（图 1）. 黄河口国家公园总面积约352 291.34 hm2，由南部和北部片区组成，两片区由黄河现行河道和黄河故道连通. 其中，陆域面积137 141.08 hm2，占国家公园总面积的38.93%，该区域拥有中国暖温带保存最完整的湿地生态系统，在气候调节、土壤保持和生物多样性维持等方面发挥重要作用，此外，丰富的生物与景观资源使其具有极高的生态保护和游憩观赏等价值. 近年来，随着黄河来水来沙量的减少以及区域用水量的增加，陆域生态系统的连通性逐渐减弱；以水产养殖与晒盐为主的生产经营活动对陆域生态系统的完整性造成显著破坏，黄河口陆域生态系统健康与可持续发展受到严重威胁.
|
图 1 研究区位置与范围 Fig. 1 Location and scope of study area |
黄河口国家公园陆域边界获取自《黄河口国家公园总体规划》[18]，其中内陆边界通过矢量化得到，向海一侧边界使用瞬时水边线提取得到. 本研究中2020年土地利用/覆盖数据来源于欧航局10 m分辨率的全球土地利用（World Cover）数据（https://viewer.esa-worldcover.org/worldcover），在其基础上，结合黄河口国家公园实际情况，对裸地、湿地和建设用地等用地类型进行目视修正，得到研究区的土地利用/覆盖数据（图 2）. 2020年归一化植被指数（NDVI）数据源为Landsat 8 OLI/TIRS C2 L2影像，空间分辨率30 m×30 m，时间分辨率16 d，获取自美国地质调查局（USGS）（https://www.usgs.gov/），使用ENVI软件进行波段计算得到. DEM数据来源于美国国家航空航天局（https://modis.gsfc.nasa.gov）；气温和降水数据是在Peng等[19]的1 km分辨率数据集基础上进行反距离插值得到；土壤类型数据来源于Google Earth Engine平台的250 m分辨率土壤数据集（https://developers.google.com/earth-engine/）；盐度指数数据由Landsat 8反演得出；城镇化率和GDP数据通过《东营年鉴》各街道及乡镇的城镇人口和常住人口数据计算得出；水系、道路和乡镇点数据来源于Open Street Map，利用欧氏距离法得出距水源、道路和乡镇点距离. 此外，东营市垦利区、河口区和利津县主要粮食作物的播种面积、产量及价格来源于《东营统计年鉴（2020年）》《全国农产品成本收益资料摘要（2020年）》. 所有数据的投影坐标系统一为WGS_1984_UTM_Zone_50N，使用最近邻算法将分辨率重采样至10 m.
|
图 2 黄河口国家公园土地利用/覆盖类型 Fig. 2 Land use/cover types in Yellow River Estuary National Park |
参考相关区域生态系统健康研究[20，21]并结合研究区实际情况，本文基于自然生态系统完整性以及人类对生态系统服务的需求，采用VORS评价体系，从活力、组织力、反弹力和生态系统服务功能这4个维度选取8个指标进行生态系统健康评价. 各指标对生态系统健康影响不同，使其趋于稳定的为积极指标，使其趋于脆弱的为消极指标，评价指标体系及类型见图 3.
|
图 3 黄河口国家公园陆域生态系统健康评价指标 Fig. 3 Health evaluation index of terrestrial ecosystem in Yellow River Estuary National Park |
活力是衡量生态系统生产力和新陈代谢的指标，主要是指系统内部的能量积累和物质循环的容量，其取决于绿色植物的覆盖率及光合作用[22]. 本研究利用归一化植被指数（NDVI）来表征活力. 计算公式如下：
|
(1) |
式中，B4和B5分别表示Landsat 8的红色和近红外波段.
2.1.2 组织力指标组织力反映生态系统的复杂性，组织结构越复杂，生态系统的健康水平越高. 生态系统组织力由自然景观多样性和人类活动影响两个维度组成[11]，自然景观多样性取决于景观异质性和连通性水平[23]，本研究使用香农多样性指数（SHDI）和香农均匀度指数（SHEI）表征景观异质性水平，使用蔓延度指数（CONTAG）和斑块内聚力指数（COHESION）表征景观连通性水平，自然景观多样性指标值越高说明组织力越好；人类活动影响方面使用人类干扰指数表征，人类干扰指数以耕地和建设用地占土地总面积的比例表示，其值越高则生态系统组织力越差.
本研究在Fragstats 4.2软件中使用移动窗口法对自然景观多样性指标进行计算. 有研究表明[24]，选择合理的空间幅度（移动窗口大小）是准确进行景观分析的重要前提，因此本研究以100 m为间隔和100~1 500 m为试验范围，分别计算了15种空间幅度下的景观格局指数[25]，并采用GS+软件模拟这15种幅度下景观格局指数的半变异函数，得出块基比（图 4），以各景观格局指数的块基比趋于稳定时的移动窗口半径作为最佳分析幅度[26]. 由图 4可知移动窗口为600 m时4种指数的块基比趋于稳定，因此将景观格局指数计算的幅度确定为600 m.
|
图 4 景观格局指数空间变异特征值变化趋势 Fig. 4 Variation trend of spatial variation characteristic value of landscape pattern index |
反弹力是系统受外界扰动后自我修复的能力，自我修复能力的大小与土地利用/覆盖类型的弹性值密切相关. 本研究采用生态弹性值来表征生态系统反弹力[27]，为使计算结果更符合研究区实际情况，本研究在前人研究[28~30]的基础上，对研究区不同土地利用/覆盖类型的生态弹性度分值进行了修正（表 1）. 生态弹性值计算如下：
|
(2) |
|
表 1 土地利用/覆盖类型生态弹性度分值 Table 1 Ecological elasticity scores of land use/cover types |
式中，R表示生态弹性值，Ai表示第i类土地利用/覆盖类型的面积占比，RCi表示i类土地利用/覆盖类型的生态弹性度分值，n表示土地利用/覆盖类型的数量.
2.1.4 生态系统服务功能指标能否持续为人类社会提供稳定的生态系统服务是评价生态系统健康的重要准则[31]，本研究采用谢高地等[32]提出的当量因子法定量计算研究区的生态系统服务价值，为使计算结果符合黄河口地区的实际状况，使用研究区粮食产量的市场价值对该当量因子进行修正，得到各个土地利用/覆盖类型的生态系统服务系数（表 2）. 计算公式如下：
|
(3) |
|
(4) |
|
|
表 2 各土地利用/覆盖类型对应的生态系统服务类型及相应系数 Table 2 Ecosystem service type and coefficient corresponding to land use/cover type |
式中，ESV表示生态系统服务价值（元），Ai表示i种土地类型的面积，VCi表示i种土地类型的生态系统服务系数，Dj表示第j种类型服务功能的价值当量，EV表示当量因子的经济价值量.
参考以往研究[33~35]，结合黄河口国家公园陆域面积大小并考虑到南部片区与北部片区连通处较窄的问题，本研究建立100 m×100 m的格网，并以每1个格网内的土地利用/覆盖类型为基础，分别计算人类干扰指数、生态弹性值和生态系统服务价值，生态系统健康各指标计算结果如图 5所示.
|
图 5 评价指标空间分布 Fig. 5 Spatial distribution of evaluation indicators |
TOPSIS法[36]是一种常见的组内综合评价方法，它可以很好地利用已有的数据信息进行计算，其结果可以准确反映不同评价方案间的差异. 该方法步骤为：在已标准化的原数据矩阵基础上，利用余弦法找出有限方案中的最优解和最劣解，再计算每个评价对象分别与最优解和最劣解间的距离，得到每个对象与最优解的相对接近程度，以此作为评价优劣的依据. 本研究使用该方法确定生态系统健康评价指标体系中各维度和指标的权重（表 3），具体计算步骤如下.
|
|
表 3 各指标含义及权重 Table 3 Meaning and weight of each indicator |
（1）针对方案指标构建评估矩阵，如下所示：
|
(5) |
式中，Xij表示原始数据第i个评价对象的第j个评价指标.
（2）对矩阵中各指标数据采取无量纲化处理，公式如下.
对于正向指标：
|
(6) |
对于负向指标：
|
(7) |
式中，X表示原始数据；Xmax和Xmin分别表示样本数据中的最大值和最小值.
（3）确定最优解Sj+和最劣解Sj-：
|
(8) |
|
(9) |
式中，Zij表示归一化后矩阵Z中的数据.
（4）利用加权的欧几里得距离法，计算各评价指标到最优解的距离Di+和最劣解的距离Di-：
|
(10) |
|
(11) |
（5）计算评价对象与最优解的贴近程度Ci：
|
(12) |
式中，D-值越大，表明该研究对象距最劣解越远，则研究对象越优；C值越大，评价对象越好.
2.3 生态系统健康评价模型与等级划分参考Chen等[37]和李魁明等[38]的研究，本文采用活力（V）、组织力（O）、反弹力（R）和生态系统服务功能（S）来表征生态系统健康，计算公式如下：
|
(13) |
式中，HI表示生态系统健康，A1、A2、A3和A4分别表示V、O、R和S这4个维度的权重.
参考陈鹏等[39]和燕守广等[40]的研究，将黄河口国家公园陆域生态系统健康使用等间断法分为5个等级（表 4）.
|
|
表 4 生态系统健康等级划分 Table 4 Ecosystem health level classification |
2.4 生态系统健康评价结果验证
本研究利用生态环境质量验证生态系统健康评价结果的可信度，生态环境质量通常由徐涵秋[41]的遥感生态指数（RESI）来表征，但其计算过程中对水体掩膜处理会导致结果中水体信息缺失，研究区水体比例达24.81%，因此在RESI的4个评价指标（绿度、湿度、干度和温度）基础上加入与多水型区域生态环境质量最相关的水体丰度，用于弥补这一缺陷，这5个指标构成水体型遥感生态指数. 此外由于黄河口地区裸露土壤较多，而NDSI对裸露土壤响应良好，因此利用NDSI来表征干度更为合理[42]，最后利用TOPSIS法融合这5类指标（表 5）形成水体型遥感生态指数.
|
|
表 5 水体型遥感生态指数各指标计算方法 Table 5 Calculation method of indicators of ecological index of water shape by remote sensing |
2.5 生态系统健康空间自相关分析
本研究利用全局Moran's I指数和局域Moran's I指数，探讨黄河口国家公园生态系统健康水平的空间依赖性和集聚格局，I值在-1~1之间，绝对值越大，空间自相关性越强. 为得到可信的空间相关分析结果，设置了5%水平下的统计显著性值P（即P < 0.05为显著），计算公式如下：
|
(14) |
|
(15) |
式中，n表示黄河口国家公园陆域空间单元总数；m表示空间单元j在地理上相邻的空间单元数；xi和xj表示空间单元i和j的生态系统健康值；wij表示单位i和j的空间权重矩阵；x表示生态系统的平均健康值.
2.6 最优参数地理探测器及驱动因素选取地理探测器[43]是探测地理现象空间分异性并揭示其驱动因素的统计方法. Song等[44]在地理探测器基础上进行优化，发展了基于最优参数的地理探测器模型，此模型可对连续型变量选择最优的即q值最大的离散分类法及分类数，提高了地理探测器运算精度. 本研究利用R语言中“GD”包，采用自然断点分类、相等间隔分类、分位数分类和几何间隔分类等4种方法，同时设置2~10的类别数，通过计算各因子在不同分类法及分类数下的q值，选取q值最大时对应的参数组合对因子做最优离散化处理，从而揭示生态系统健康空间分异的驱动机制. 因子交互探测是根据因子交互的q值与2个单因子独立的q值进行对比来分析交互作用，共有：非线性增强、双因子增强、单因子非线性减弱、非线性减弱和独立5种类型.
参考以往研究[45~47]，本文从自然因素、社会经济因素和可达性等3个角度构建生态系统健康空间分异驱动因素指标体系. 海拔和坡度反映了研究区的自然环境基底，如在黄河河道两侧的微小起伏可能会导致景观类型有所差异，进而影响生态系统组织力，从而驱动生态系统健康空间分异；气温、降水和NDVI等影响和反映研究区植被生长状况，进而影响生态系统的物质循环和能量流动的稳定性，驱动生态系统健康空间分异；研究区内不同土壤类型如潮土、盐化潮土和盐土等对应的土地利用/覆盖类型不同，其生态系统反弹力也有所差异，进而驱动生态系统健康的空间分异；研究区土壤盐碱化问题严重，以黄河或黄河故道为基轴向两侧延伸其盐碱化程度加剧，盐碱化程度越高的区域生态系统健康水平越差；水源在水资源供给、水文调节和净化环境等方面的生态系统功能突出，距离水源越近的区域生态系统健康水平越高；黄河口国家公园范围涉及10个乡镇（街道）和4家油田企业，油田产业发展促使人口集聚，城镇化率和GDP提高，而这些因素导致工农业用水增多和环境污染问题加剧，影响生态系统的环境自净能力从而驱动生态系统健康空间分异；乡镇和道路建设等因素所导致的城市热岛效应和水系连通受阻等会损害系统内的健康，距乡镇和道路越远，生态系统健康越高. 因此，选取海拔、坡度、年均气温、年均降雨量、土壤类型、NDVI、盐度指数、城镇化率、GDP、距道路距离、距水源距离和距乡镇点距离等作为驱动生态系统健康空间分异的因素.
3 结果与分析 3.1 生态系统健康评价结果可信度分析图 6列出A、B和C这3个示例地点，分别为生态系统健康评价水平为良好、一般和较差的区域，可知生态系统健康和水体型遥感生态指数在空间分布上具有较强的一致性. A点的水体型遥感生态指数较高，结合ESRI世界影像看出此处基本为水域；B点的水体型遥感生态指数处于中等水平，主要为海边的盐沼湿地和滩涂；C点水体型遥感生态指数值较低，高清影像显示此区域为耕地，这3处地点的指数水平和土地利用/覆盖类型均与生态系统健康的研究结果相吻合，进一步证实了生态系统健康评价结果可信度较高.
|
图 6 生态系统健康评价结果可信度分析 Fig. 6 Reliability analysis of ecosystem health assessment results |
按照等间断法对4个维度下的指标进行分级（图 7），并计算各维度中不同等级的面积占比（图 8）和各等级中不同土地利用/覆盖类型的面积占比（表 6）.
|
图 7 各维度生态系统评价等级分布 Fig. 7 Level distribution of ecosystem evaluation in each dimension |
|
图 8 活力、组织力、反弹力和生态系统服务功能各等级的面积占比 Fig. 8 Area proportion of vigor, organization, resilience, and ecosystem service function to each level |
|
|
表 6 各等级中不同土地利用/覆盖类型的面积占比 Table 6 Area proportion of different land use/cover types at each level |
结果表明，活力较好的一、二级区域面积约占研究区的1/4[图 7（a）和图 8]，主要土地利用/覆盖类型为耕地（表 6），由于作物的初级生产力高，其活力值也相对高. 活力为三级区域面积占比为21.49%，该地区以滩涂、水体和少部分盐沼湿地为主. 植被生长离不开土壤和水，黄河调水调沙工程使得泥沙在入海口大量淤积，为植被提供了更多生存空间，同时带来充足的淡水水源，但这些植被生长不如农作物旺盛，导致此区域活力值弱于耕地区域. 废弃河口生态系统活力弱于现行河口，一方面废弃河口受海洋来水侵蚀，导致物源供给缺乏，另一方面受滩涂围垦的影响，植被生长阻力大，生态系统活力值较低. 水域和建设用地覆盖区域生态系统活力值较低，主要是因为陆地水域中浮游植物覆盖率低，光合作用较弱.
3.2.2 生态系统组织力空间分析研究区组织力主要集中于二级[图 7（b）]，面积占比高达59.76%（图 8），整个研究区景观连通度较好，整体组织力较高. 这部分主要包括盐沼湿地、滩涂、水域、灌木、草地和林地（表 6），景观类型多样化. 四级和五级等组织力较差的区域面积占比为14.13%，主要土地利用/覆盖类型为耕地，这部分区域易受到自然环境和人类胁迫性影响，对生态系统健康造成消极影响.
3.2.3 生态系统反弹力空间分析生态系统反弹力各等级分布较为均匀，一级和二级的区域面积占比达41.40%[图 7（c）和图 8]，这部分区域主要为水体和盐沼湿地等（表 6）. 该区域地处黄河与渤海交界处，咸淡水交汇产生的离子作用促使沉积物絮凝沉降，浮游生物繁盛；盐沼湿地在动物的迁移过程中为其提供觅食和休憩场所，生物多样性丰富，因此反弹力较好. 三级区域面积占比为14.27%，有零星分布的林地、灌木和草地，以上区域植被一经破坏，需要较长时间才能恢复，因此反弹力一般. 四级区域面积占比为31.03%，土地利用/覆盖类型主要为滩涂，受水动力及沉积动力影响，滩涂侵蚀程度较高，反弹力较差. 耕地和建设用地处于五级状态下，面积占比为13.30%，农作物生长期受气候因素影响较大，产量受自然环境制约明显；建设用地中自然景观类型少，生态系统受破坏后较难恢复，因此这一区域反弹力最差.
3.2.4 生态系统服务功能空间分析生态系统服务功能一级区域面积占比约1/5[图 7（d）和图 8]，其中水体面积占比为88.99%（表 6），水体的水资源供给与水文调节能力对生态系统服务价值贡献力较高，生态系统服务功能强. 二级区域面积占比仅为5.63%，主要为水体与滩涂区域，这部分区域水文调节与生物多样性维持方面贡献较大. 生态系统服务功能主要集中于四级，此区域面积占比为38.08%，主要土地利用/覆盖类型为盐沼湿地、滩涂，其在水文调节和生物多样性维持等服务方面作用较强. 五级区域主要为耕地与建设用地，耕地在文化服务、维持养分循环、生物多样性和净化环境等服务方面作用较少，因此生态系统服务价值较低.
3.3 生态系统健康空间分析通过VORS模型结合TOPSIS法对黄河口国家公园陆域生态系统健康进行定量化分析，按照生态系统健康评价等级划分，绘制了研究区生态系统健康各等级空间分布及面积占比（图 9）.
|
图 9 生态系统健康各等级空间分布及面积占比 Fig. 9 Spatial distribution and area proportion of ecosystem health at each level |
黄河口国家公园陆域生态系统健康水平以良好和一般为主（图 9），健康水平为健康和良好的区域面积占比为33.15%，健康水平为一般的区域为研究区的主体部分，面积占比达47.66%，健康水平较差和差的区域面积占比分别为17.82%和1.37%.
生态系统健康水平为健康的区域主要集中于黄河河道边缘，首先在这一区域由于上游输水输沙使得淡水资源充足，土壤有机质含量高，农作物进行光合作用产生较高初级生产力；其次此区域景观种类丰富度高且河湖沼水系连通度高，生态系统稳定性强；最后其承载着国家公园陆域重要的水资源供给与水文调节功能，因此处于健康状态.
生态系统健康水平良好的地区集中于国家公园陆域南部，即盐沼湿地与滩涂间的水域. 水系是湿地生态系统物质能量流动的关键部分，其在黄河口湿地蒸散需水和生物栖息地需水等水源提供方面的生态系统服务功能较高，因此这一区域的健康水平呈良好状态.
生态系统健康水平一般的地区集中于国家公园北部片区大部分区域及南部片区北部区域，土地利用/覆盖类型主要为盐沼湿地和滩涂. 一方面，黄河下游沉积物带来养分，促使芦苇碱蓬等植被生长，活力增强；湿地在潜在生态廊道构成中的贡献率达到40%~65%[48]，有利于国家公园生物迁移的生境通道及生态网络构建，区域组织力较好. 另一方面，由于黄河流域工农业引水量的急剧上升造成径流量下降，在入海口区域的滩涂容易被海水侵蚀，区域反弹力较差；由于陆源污染物排放导致赤潮频发，生态系统服务功能遭受不良影响；外来物种如互花米草入侵还改变了当地生态环境，严重影响了黄河口区域生态系统的健康发展.
生态系统健康水平较差的地区集中于国家公园南部片区东部，主要是耕地. 在耕地区域中，农田生态系统生产能力强，活力值高；并且此区域具有支撑农户生计与保障粮食安全的生态系统服务功能. 但耕地景观SHDI较低，组织力与反弹力较差，将其综合定量化计算后发现这一区域健康水平较差.
生态系统健康水平差的地区在国家公园中呈零散状分布，主要用地类型为建设用地. 这一区域受人类干扰程度高，尤其是道路将原本连通的自然景观人为阻隔，水系连通受阻，因此组织力差；此区域景观多样性最低，建筑物侵占生物栖息环境，反弹力差；建筑物作为不透水面阻断地表水入渗，对水循环及水土保持产生不利影响，因此生态系统服务功能差.
3.4 生态系统健康空间自相关分析利用全局Moran's I指数分析了生态系统健康水平的总体空间格局特征（图 10）. 结果表明：Moran's I指数为0.857（P < 0.05），说明研究区生态系统健康水平具有显著的空间正相关特征.
|
图 10 生态系统健康莫兰指数散点图 Fig. 10 Moran's I scatter plot of ecosystem health |
利用局域Moran's I指数分析生态系统健康水平的空间集聚类型（图 11），高-高型聚集分布区域主要集中在水域，其空间集聚网格数占总网格数的21.20%. 高-高型聚集分布区应当继续发挥连通水系、丰富景观种类与调节水文的作用，以保持生态系统持续稳定健康的状态. 低-低型聚集分布区域主要集中在耕地，其空间集聚网格数占总网格数的16.79%. 低-低型聚集分布区需要对生态系统存在的活力、组织力、反弹力和生态系统服务功能较差的问题进行改进，以提高生态系统健康水平.
|
图 11 生态系统健康空间集聚 Fig. 11 Spatial agglomeration of ecosystem health |
驱动因子的分析受离散分类法和分类数的影响显著（图 12），因此，选取最优的离散分类法和分类数是描述驱动因子和地理现象间真正关联性的基础，当前研究[44]通常将q值最大的离散分类法及分类数组合作为因子的最优离散化参数. 以年均气温（X3）为例（图 12），其分类法为自然断点分类且分类数为10时，q值最大，解释力最强，故选用自然断点分类法将年均气温划分为10类. 同理，选用自然断点分类法将GDP（X9）分为5类；选用几何间隔分类法将距水源距离（X11）分为6类；选用几何间隔分类法将海拔（X1）分为7类；选用自然断点分类法将城镇化率（X8）分为9类；选用分位数分类法将距道路距离（X10）分为9类；选用几何间隔分类法将坡度（X2）分为10类；选用自然断点分类法将年均降雨量（X4）和距乡镇点距离（X12）分为10类；选用相等间隔分类法将NDVI（X6）分为10类；选用分位数分类法将盐度指数（X7）分为10类.
|
曲线不完整的部分为未通过显著性检验 图 12 生态系统健康空间分异连续型驱动因子最优离散化 Fig. 12 Optimal discretization of continuous drivers of ecosystem health spatial differentiation |
从图 13可知，对生态系统健康空间分异影响最强的3个因子（q > 0.1）分别为NDVI（X6）、土壤类型（X5）和距乡镇点距离（X12），q值分别为0.288 3、0.148 0和0.117 9. NDVI值表征植被覆盖的程度，植被覆盖越高的区域，生态系统中储存有机质含量越高并且物质循环与能量流动速率越快，因而生态系统活力越高，此空间内的生态系统健康水平越好. 不同土壤类型适宜不同植被生长，研究区内为盐土的区域生态系统健康水平差，而潮土等土壤土质松散、耕性良好，适宜灌木、草地和耕地区域的植被生长，此空间生态系统健康水平良好. 距乡镇点距离越远的空间受人为因素影响小，生态系统健康水平越高.
|
X1：海拔，X2：坡度，X3：年均气温，X4：年均降雨量，X5：土壤类型，X6：NDVI，X7：盐度指数，X8：城镇化率，X9：GDP，X10：距道路距离，X11：距水源距离，X12：距乡镇点距离 图 13 生态系统健康空间分异单因子探测 Fig. 13 Single factor detection of spatial differentiation of ecosystem health |
因子交互探测可以进一步分析因子的交互作用对生态系统健康空间分异的影响. 通过因子交互探测可知（图 14），不同驱动因子间具有显著交互作用，且两因子交互作用除一组表现为单因子非线性减弱外，其余均表现为非线性增强和双因子增强. 解释力最强的交互作用为NDVI（X6）∩盐度指数（X7），q值为0.451 9，其交互作用表现为非线性增强，表明两因子叠加极大增强了单因子对生态系统健康空间分异的影响. 除此以外前5名依次为NDVI（X6）∩距乡镇点距离（X12）、NDVI（X6）∩距道路距离（X10）、年均气温（X3）∩NDVI（X6）、年均降雨量（X4）∩NDVI（X6）和土壤类型（X5）∩NDVI（X6），q值分别为0.427 8、0.421 7、0.421 0、0.420 9和0.420 0，解释力均高于40%，表明这6类交互因子组合对此区域生态系统健康空间分异特征具有显著影响.
|
X1：海拔，X2：坡度，X3：年均气温，X4：年均降雨量，X5：土壤类型，X6：NDVI，X7：盐度指数，X8：城镇化率，X9：GDP，X10：距道路距离，X11：距水源距离，X12：距乡镇点距离 图 14 生态系统健康空间分异驱动因子交互探测 Fig. 14 Interaction detection of drivers of ecosystem health spatial differentiation |
黄河口国家公园目前正处于建设过程中，针对其生态系统健康的研究相对较少. 本研究兼顾系统内部生态活力和外部服务功能，采用VORS模型来分析黄河口国家公园的生态系统健康. 模型所选指标已在如黄山[49]、神农架[33]和长春北湖[50]等国家公园生态系统健康研究中广泛应用，均为可表征国家公园生态系统健康的有效指标. 本研究发现黄河口国家公园生态系统健康整体呈良好状态，这与王广州等[46]和谷瑞丽等[51]针对黄河口地区生态系统健康的研究结果相同. 倪艳梅等[52]从大型底栖动物群落结构角度评定此区域为亚健康状态，即黄河口地区健康水平整体上呈良好状态；本研究得出生态系统健康水平最高的区域为水体部分，这与牛明香等[53]研究的结果一致. 有研究[54]采用高清影像对比等方法验证生态系统健康模型和结果的合理性，本研究在高清影像对比的基础上尝试使用生态环境质量对生态系统健康结果进行验证，由于表征生态环境质量的RESI在进行主成分分析时需对水体掩膜，不适用于研究区这种水体比例较高的区域，因此引入水体丰度建立水体型遥感生态指数，其计算结果中水体的生态环境质量较高，这与Jiao等[17]和周寅桥等[55]研究的结果一致. 将水体型遥感生态指数结合ESRI世界影像与生态系统健康进行对比，发现3个关键区域的结果相吻合，充分证实生态系统健康评价结果可信度较高，这也为以后对多水型地区生态系统健康验证提供了方法借鉴.
4.2 生态系统健康发展建议① 促进景观类型多样化发展. 针对研究区内部分区域景观单一问题，一方面可以在耕地区域适当种植药用植物，使农田植被朝着多样化趋势发展；在建设用地内适当增加植被覆盖，开挖部分水面打造小花园，增强国家公园自我造血能力. 另一方面可以在沿海区域规划浅海养殖和人工盐田面积，控制盐沼湿地和滩涂减少问题，逐步恢复林草覆盖来促进景观类型多样化发展. ②加强水系连通、构建生态网络. 黄河口国家公园位于陆-海-河交汇处，具有复杂的物质、能量和信息流，因此加强水系连通对国家公园健康发展尤为重要. 在对生态系统水平差的地区进行分析后得出，道路将原本连通的自然景观人为阻隔，其水系连通受阻. 为解决这一区域问题，可以对国家公园河道和潮沟内芦苇等进行清理，避免其大量繁殖影响水文连通；还可通过涵洞改造和堤坝拆除等强化水文交换，进而构建生态网络. ③营造良好栖息地环境，维持生物多样性. 在生态系统水平差的区域还存在建筑物密度大，侵占生物栖息环境的问题，这也影响了生态系统健康发展. 针对这一问题，第一可通过水库等蓄水方式，实现淡水资源的季节均匀分配，缓解湿地盐碱化程度，为湿地中各类生物提供生存和繁衍场所；第二可根据鸟类生存习性，采取人工方法建立栖息环境如生境岛隔绝和微细地貌改造，使湿地鸟类多样性得到恢复和提高；最后可控制油田开采、围海养殖和城镇化等人类活动，促进国家公园生态系统健康稳定发展.
4.3 研究不足与展望本文通过水体型遥感生态指数对生态系统健康评价结果的可信度进行了验证，但没有通过实地监测来进一步佐证研究结果，在未来研究中可以在研究区进行无人机监测并实地采样，使得验证结果更加准确；黄河口国家公园的建设与生态保护是一个长期的过程，后续可以对其进行长时间序列的动态化监测与研究.
5 结论（1）按照等间断法将黄河口国家公园陆域生态系统健康划分为5个等级，其健康水平以良好和一般为主，水平为健康、良好、一般、较差和差的区域面积占比分别为2.51%、30.64%、47.66%、17.82%和1.37%.
（2）水体型遥感生态指数、ESRI世界影像与3个关键区域的生态系统健康评价结果吻合度和一致性较高，充分证实生态系统健康评价结果可信度较高，为以后对多水型地区生态系统健康验证提供了方法借鉴.
（3）空间分布上来看，生态系统健康水平为健康的区域集中于黄河河道两侧，良好区域分布于南部片区的盐沼湿地与滩涂间的水域，一般区域分布于北部片区以及南部片区东部的盐沼湿地和滩涂；较差的区域集中于研究区东南部的耕地；差的区域在研究区内呈零散状分布，主要为建设用地. 生态系统健康空间分布的Moran's I指数为0.857（P < 0.05），说明研究区生态系统健康具有显著空间正相关特征，在空间分布上存在较强集聚.
（4）单因子探测表明，驱动生态系统健康空间分异最强的3个因子分别为NDVI、土壤类型和距乡镇点距离，q值分别为0.288 3、0.148 0和0.117 9；交互探测表明NDVI（X6）∩盐度指数（X7）交互作用对驱动空间分异解释力最强，q值达0.451 9，其次为NDVI∩距乡镇点距离、NDVI∩距道路距离、年均气温∩NDVI、年均降雨量∩NDVI和土壤类型∩NDVI.
| [1] |
牛明香, 王俊, 徐宾铎. 基于PSR的黄河河口区生态系统健康评价[J]. 生态学报, 2017, 37(3): 943-952. Niu M X, Wang J, Xu B D. Assessment of the ecosystem health of the Yellow River Estuary based on the pressure-state-response model[J]. Acta Ecologica Sinica, 2017, 37(3): 943-952. |
| [2] | Zhang Z W, Zhang J Y, Liu L P, et al. Spatial–temporal heterogeneity of urbanization and ecosystem services in the Yellow River Basin[J]. Sustainability, 2023, 15(4). DOI:10.3390/su15043113 |
| [3] | Loucks D P. Developed river deltas: are they sustainable[J]. Environmental Research Letters, 2019, 14(11). DOI:10.1088/1748-9326/ab4165 |
| [4] |
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. |
| [5] | Zhao Y L, Han R, Cui N, et al. The impact of urbanization on ecosystem health in typical karst areas: a case study of Liupanshui City, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(1). DOI:10.3390/ijerph18010093 |
| [6] | Zeng C, Deng X Z, Xu S, et al. An integrated approach for assessing the urban ecosystem health of megacities in China[J]. Cities, 2016, 53: 110-119. DOI:10.1016/j.cities.2016.01.010 |
| [7] | Su M R, Xie H, Yue W C, et al. Urban ecosystem health evaluation for typical Chinese cities along the belt and road[J]. Ecological Indicators, 2019, 101: 572-582. DOI:10.1016/j.ecolind.2019.01.070 |
| [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] |
胡立刚. 基于层次分析法的贵州省六硐河健康评估研究[J]. 中国农村水利水电, 2019(9): 87-93. Hu L G. Study on the comprehensive health assessment of Liudong River of Guizhou Province based on the analytic hierarchy process[J]. China Rural Water and Hydropower, 2019(9): 87-93. DOI:10.3969/j.issn.1007-2284.2019.09.018 |
| [10] |
毛智宇, 徐力刚, 赖锡军, 等. 基于综合指标法的鄱阳湖生态系统健康评价[J]. 湖泊科学, 2023, 35(3): 1022-1032. Mao Z Y, Xu L G, Lai X J, et al. Assessment on ecosystem health of Lake Poyang based on a comprehensive index method[J]. Journal of Lake Sciences, 2023, 35(3): 1022-1032. |
| [11] |
沙宏杰, 张东, 施顺杰, 等. 基于耦合模型和遥感技术的江苏中部海岸带生态系统健康评价[J]. 生态学报, 2018, 38(19): 7102-7112. Sha H J, Zhang D, Shi S J, et al. Ecosystem health assessment of coastal zone in central Jiangsu Province based on coupling model and remote sensing technology[J]. Acta Ecologica Sinica, 2018, 38(19): 7102-7112. |
| [12] |
汪左, 王萌, 王畅畅, 等. 安徽省1980—2015年生态系统健康时空演变[J]. 自然资源遥感, 2023, 35(4): 159-168. Wang Z, Wang M, Wang C C, et al. Spatio-temporal evolution of ecosystem health in Anhui Province from 1980 to 2015[J]. Remote Sensing for Natural Resources, 2023, 35(4): 159-168. |
| [13] |
孙玮婕, 乔斌, 于红妍, 等. 基于活力-组织力-恢复力的黑河源区高寒湿地景观生态健康评估[J]. 干旱区研究, 2024, 41(2): 301-313. Sun W J, Qiao B, Yu H Y, et al. Ecological health assessment of the alpine wetland landscape in the Heihe River source area based on vigor, organization, and resilience[J]. Arid Zone Research, 2024, 41(2): 301-313. |
| [14] |
赵建鹏, 武江民, 贾腊春, 等. 基于驱动力-压力-状态-响应模型的黄河流域甘肃段生态系统健康评价[J]. 生态与农村环境学报, 2024, 40(5): 602-611. Zhao J P, Wu J M, Jia L C, et al. Ecosystem health assessment of Gansu section of Yellow River Basin based on DPSR model[J]. Journal of Ecology and Rural Environment, 2024, 40(5): 602-611. |
| [15] |
冯自贤, 佘璐, 王秀慧, 等. 基于改进遥感生态指数的宁夏生态环境质量时空变化[J]. 生态环境学报, 2024, 33(1): 131-143. Feng Z X, She L, Wang X H, et al. Spatial and temporal variations of ecological environment quality in Ningxia based on improved remote sensing ecological index[J]. Ecology and Environmental Sciences, 2024, 33(1): 131-143. |
| [16] |
冯平, 杨妮娟, 李建柱. 滦河流域遥感生态指数改进及生态环境质量评价[J]. 应用生态学报, 2023, 34(12): 3195-3202. Feng P, Yang N J, Li J Z. Improvement of remote sensing ecological index and evaluation of ecological environment quality in Luanhe River Basin, China[J]. Chinese Journal of Applied Ecology, 2023, 34(12): 3195-3202. |
| [17] | Jiao Z J, Sun G Y, Zhang A Z, et al. Water benefit-based ecological Index for urban ecological environment quality assessments[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 7557-7569. DOI:10.1109/JSTARS.2021.3098667 |
| [18] | 山东省自然资源厅. 黄河口国家公园总体规划[EB/OL]. https://w.dzwww.com/p/pb4HqYUDb.html, 2021-09-26. |
| [19] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019 |
| [20] |
徐辉, 丁祖栋, 武玲玲. 黄河下游沿黄城市生态系统健康评价[J]. 人民黄河, 2022, 44(2): 12-15, 20. Xu H, Ding Z D, Wu L L. Evaluation of urban ecosystem health along the lower Yellow River[J]. Yellow River, 2022, 44(2): 12-15, 20. DOI:10.3969/j.issn.1000-1379.2022.02.003 |
| [21] | Sun S, Wang M C, Yang X, et al. Pollution characteristics and health risk assessment of phthalate esters in agricultural soil of the Yellow River Delta, China[J]. Environmental Science and Pollution Research, 2023, 30(18): 53370-53380. DOI:10.1007/s11356-023-26104-3 |
| [22] | Han Q Q, Niu Z G. Construction of the long-term global surface water extent dataset based on Water-NDVI spatio-temporal parameter set[J]. Remote Sensing, 2020, 12(17). DOI:10.3390/rs12172675 |
| [23] |
刘一鸣, 徐煖银, 曾辉. 中国东海海岸带地区生态系统健康评估及其尺度依赖性[J]. 生态学报, 2022, 42(24): 9913-9926. Liu Y M, Xu N Y, Zeng H. Ecosystem health assessment and its scale dependence in the coastal region of the East China Sea[J]. Acta Ecologica Sinica, 2022, 42(24): 9913-9926. |
| [24] |
刘世梁, 安南南, 尹艺洁, 等. 广西滨海区域景观格局分析及土地利用变化预测[J]. 生态学报, 2017, 37(18): 5915-5923. Liu S L, An N N, Yin Y J, et al. Landscape pattern analysis and prediction of land-use change in the Guangxi coastal area[J]. Acta Ecologica Sinica, 2017, 37(18): 5915-5923. |
| [25] | Xiao R, Su S L, Wang J Q, et al. Local spatial modeling of paddy soil landscape patterns in response to urbanization across the urban agglomeration around Hangzhou Bay, China[J]. Applied Geography, 2013, 39: 158-171. DOI:10.1016/j.apgeog.2013.01.002 |
| [26] |
周冬梅, 陈存友, 王明佳, 等. 基于最佳尺度的城市生态空间景观格局梯度和方向分异特征: 以长沙市为例[J]. 生态与农村环境学报, 2022, 38(5): 566-577. Zhou D M, Chen C Y, Wang M J, et al. Gradient and directional differentiation in landscape pattern characteristics of urban ecological space based on optimal spatial scale: a case study in Changsha City, China[J]. Journal of Ecology and Rural Environment, 2022, 38(5): 566-577. |
| [27] |
张楠, 窦世卿, 徐勇, 等. 近14年广西生态系统健康时空变化特征[J]. 桂林理工大学学报, 2021, 41(2): 370-378. Zhang N, Dou S Q, Xu Y, et al. Temporalspatial changes of ecosystem health in Guangxi in the past 14 years[J]. Journal of Guilin University of Technology, 2021, 41(2): 370-378. DOI:10.3969/j.issn.1674-9057.2021.02.017 |
| [28] |
刘明华, 董贵华. RS和GIS支持下的秦皇岛地区生态系统健康评价[J]. 地理研究, 2006, 25(5): 930-938. Liu M H, Dong G H. Ecosystem health assessment and driving force analysis in Qinhuangdao area based on RS & GIS[J]. Geographical Research, 2006, 25(5): 930-938. DOI:10.3321/j.issn:1000-0585.2006.05.019 |
| [29] |
贾艳艳, 王少杰, 刘福胜, 等. 黄河三角洲高效生态经济区土地利用变化及其与生境质量的相关性[J]. 水土保持通报, 2020, 40(6): 213-220, 227. Jia Y Y, Wang S J, Liu F S, et al. Land use change and its correlation with habitat quality in high efficiency Eco-economic zone of Yellow River Delta[J]. Bulletin of Soil and Water Conservation, 2020, 40(6): 213-220, 227. |
| [30] |
王超, 常勇, 侯西勇, 等. 基于土地利用格局变化的胶东半岛生境质量时空演变特征研究[J]. 地球信息科学学报, 2021, 23(10): 1809-1822. Wang C, Chang Y, Hou X Y, et al. Temporal and spatial evolution characteristics of habitat quality in Jiaodong Peninsula based on changes of land use pattern[J]. Journal of Geo-information Science, 2021, 23(10): 1809-1822. DOI:10.12082/dqxxkx.2021.190545 |
| [31] |
宋爽, 许大为, 石梦溪, 等. 挠力河流域景观生态健康时空演变[J]. 南京林业大学学报(自然科学版), 2021, 45(2): 177-186. Song S, Xu D W, Shi M X, et al. Spatial and temporal evolution of landscape ecological health in Naolihe Basin[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2021, 45(2): 177-186. |
| [32] |
谢高地, 张彩霞, 张雷明, 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进[J]. 自然资源学报, 2015, 30(8): 1243-1254. Xie G D, Zhang C X, Zhang L M, et al. Improvement of the evaluation method for ecosystem service value based on per unit area[J]. Journal of Natural Resources, 2015, 30(8): 1243-1254. |
| [33] | Shu H, Xiao C W, Ma T, et al. Ecological health assessment of Chinese national parks based on landscape pattern: a case Study in Shennongjia National Park[J]. International Journal of Environmental Research and Public Health, 2021, 18(21). DOI:10.3390/ijerph182111487 |
| [34] |
沈若兰, 肖桂荣. 武夷山国家公园生态系统服务价值评估[J]. 生态科学, 2023, 42(2): 58-65. Shen R L, Xiao G R. Evaluation of ecosystem service value of Wuyishan National Park[J]. Ecological Science, 2023, 42(2): 58-65. |
| [35] |
洪惠坤, 廖和平, 魏朝富, 等. 基于改进TOPSIS方法的三峡库区生态敏感区土地利用系统健康评价[J]. 生态学报, 2015, 35(24): 8016-8027. Hong H K, Liao H P, Wei C F, et al. Health assessment of a land use system used in the ecologically sensitive area of the Three Gorges Reservoir Area, based on the improved TOPSIS method[J]. Acta Ecologica Sinica, 2015, 35(24): 8016-8027. |
| [36] |
杜雪芳, 李彦彬, 张修宇. 基于TOPSIS模型的郑州市水资源承载力研究[J]. 人民黄河, 2022, 44(2): 84-88. Du X F, Li Y B, Zhang X Y. Study on water resources carrying capacity of Zhengzhou City based on TOPSIS model[J]. Yellow River, 2022, 44(2): 84-88. DOI:10.3969/j.issn.1000-1379.2022.02.017 |
| [37] | Chen W, Cao C X, Liu D, et al. An evaluating system for wetland ecological health: case study on nineteen major wetlands in Beijing-Tianjin-Hebei region, China[J]. Science of the Total Environment, 2019, 666: 1080-1088. DOI:10.1016/j.scitotenv.2019.02.325 |
| [38] |
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]. 环境科学, 2024, 45(1): 218-227. 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]. Environmental Science, 2024, 45(1): 218-227. |
| [39] |
陈鹏. 基于遥感和GIS的景观尺度的区域生态健康评价——以海湾城市新区为例[J]. 环境科学学报, 2007, 27(10): 1744-1752. Chen P. Ecological health assessment at the landscape scale based on RS and GIS, A case study from the New District of a Bay-type city[J]. Acta Scientiae Circumstantiae, 2007, 27(10): 1744-1752. DOI:10.3321/j.issn:0253-2468.2007.10.024 |
| [40] |
燕守广, 李辉, 李海东, 等. 基于土地利用与景观格局的生态保护红线生态系统健康评价方法——以南京市为例[J]. 自然资源学报, 2020, 35(5): 1109-1118. Yan S G, Li H, Li H D, et al. Ecosystem health assessment method of eco-redline based on land use and landscape pattern in Nanjing[J]. Journal of Natural Resources, 2020, 35(5): 1109-1118. |
| [41] |
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24): 7853-7862. Xu H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24): 7853-7862. |
| [42] |
张治梅, 樊彦国, 矫志军, 等. 土壤盐渍化对滨海湿地生态环境质量的影响——以黄河三角洲为例[J]. 自然资源遥感, 2023, 35(4): 226-235. Zhang Z M, Fan Y G, Jiao Z J, et al. Impact of soil salinization on the eco-environment quality of coastal wetlands: a case study of Yellow River Delta[J]. Remote Sensing for Natural Resources, 2023, 35(4): 226-235. |
| [43] |
邵嘉豪, 李晶, 闫星光, 等. 基于地理探测器的山西省2000~2020年NPP时空变化特征及驱动力分析[J]. 环境科学, 2023, 44(1): 312-322. Shao J H, Li J, Yan X G, et al. Analysis of spatiotemporal variation characteristics and driving forces of NPP in Shanxi Province from 2000 to 2020 based on Geodetector[J]. Environmental Science, 2023, 44(1): 312-322. |
| [44] | 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. |
| [45] |
何梦真, 张乐涛, 魏仪媛, 等. 黄河中游不同地貌分区景观格局脆弱性及其驱动力[J]. 环境科学, 2024, 45(6): 3363-3374. He M Z, Zhang L T, Wei Y Y, et al. Landscape pattern vulnerability and its driving forces in different geomorphological divisions in the Middle Yellow River[J]. Environmental Science, 2024, 45(6): 3363-3374. |
| [46] |
王广州, 凡姚申, 窦身堂, 等. 基于DPSIR的黄河口及毗邻海域生态系统健康评价[J]. 人民黄河, 2023, 45(6): 92-97, 162. Wang G Z, Fan Y S, Dou S T, et al. Ecosystem health assessment of the Yellow River Estuary and adjacent sea areas based on the DPSIR model[J]. Yellow River, 2023, 45(6): 92-97, 162. DOI:10.3969/j.issn.1000-1379.2023.06.017 |
| [47] |
李霞, 陈永昊, 陈喆, 等. 中国沿海地区植被NDVI时空变化及驱动力分析[J]. 生态环境学报, 2024, 33(2): 180-191. Li X, Chen Y H, Chen Z, et al. Analysis of spatio-temporal changes and driving vegetation NDVI in coastal areas of China[J]. Ecology and Environmental Sciences, 2024, 33(2): 180-191. |
| [48] |
吴晶晶, 栗云召, 高猛, 等. 四种河流水系阻力下的黄河三角洲湿地生态网络构建及对比研究[J]. 湿地科学, 2018, 16(4): 493-501. Wu J J, Li Y Z, Gao M, et al. Construction of wetland ecological networks under four kinds of resistance of rivers in the Yellow River delta and their comparison[J]. Wetland Science, 2018, 16(4): 493-501. |
| [49] |
马小宾, 章锦河, 马天驰, 等. 国家公园生态系统健康测度模型构建及黄山实证研究[J]. 生态学报, 2024, 44(13): 5746-5760. Ma X B, Zhang J H, Ma T C, et al. National park ecosystem health measurement model construction and empirical study in Huangshan National Park[J]. Acta Ecologica Sinica, 2024, 44(13): 5746-5760. |
| [50] |
张永佳, 付诗可, 张洺也, 等. 长春北湖国家湿地公园湿地生态系统健康评价[J]. 环境生态学, 2023, 5(6): 15-20. Zhang Y J, Fu S K, Zhang M Y, et al. Health evaluation of wetland ecosystem in Changchun Beihu National Wetland Park[J]. Environmental Ecology, 2023, 5(6): 15-20. |
| [51] |
谷瑞丽, 多玲花, 邹自力, 等. 黄河下游城市群生态系统健康时空演变特征[J]. 水土保持通报, 2022, 42(6): 285-292. Gu R L, Duo L H, Zou Z L, et al. Spatial and temporal evolutionary characteristics of ecosystem health at urban agglomeration in lower Yellow River basin[J]. Bulletin of Soil and Water Conservation, 2022, 42(6): 285-292. |
| [52] |
倪艳梅, 陈莉, 董志远, 等. 黄河三角洲湿地生态修复区大型底栖动物群落结构与生态健康评价[J]. 生物多样性, 2024, 32(3): 78-90. Ni Y M, Chen L, Dong Z Y, et al. Community structure of macrobenthos and ecological health evaluation in the restoration area of the Yellow River Delta wetland[J]. Biodiversity Science, 2024, 32(3): 78-90. |
| [53] |
牛明香, 王俊, 刘志国, 等. 基于浮游植物生物完整性的黄河口近岸海域生态健康评价[J]. 渔业科学进展, 2024, 45: doi:-9869.20231224001.. Niu M X, Wang J, Liu Z G, et al. Ecological health assessment on the coastal waters in the Yellow River estuary using phytoplankton index of biotic integrity (P-IBI)[J]. Progress in Fishery Sciences, 2024, 45: doi:-9869.20231224001.. |
| [54] |
钟连秀, 路春燕, 王宗明, 等. 基于GIS与RS的漳江口红树林湿地生态系统健康评价[J]. 生态学杂志, 2019, 38(8): 2553-2563. Zhong L X, Lu C Y, Wang Z M, et al. Health assessment of mangrove swamp in Zhangjiang Estuary based on GIS and RS[J]. Chinese Journal of Ecology, 2019, 38(8): 2553-2563. |
| [55] |
周寅桥, 李雄. 基于水体型生态指数的无锡市城区生态质量时空变化分析[J]. 生态学报, 2024, 44(4): 1476-1490. Zhou Y Q, Li X. Spatio-temporal changes of ecological quality in Wuxi urban area based on water-beneficial ecological index[J]. Acta Ecologica Sinica, 2024, 44(4): 1476-1490. |