2025, Vol. 46
2. 河南大别山森林生态系统国家野外科学观测研究站（河南大学），郑州 450046;
3. 信阳生态研究院，信阳 464000
, LI Guo-dong1,2,3
, REN Xiao-juan1,2 , ZHANG Man1,2 , WANG Jing-yu1,2 , ZHAO Qing-tao1,2 , LI Peng-fei1,2
2. Henan Dabieshan National Field Observation and Research Station of Forest Ecosystem(Henan University), Zhengzhou 450046, China;
3. Xinyang Academy of Ecological Research, Xinyang 464000, China
土地利用将社会经济活动与生态过程联系起来，并影响生态系统服务[1]. 土地利用变化被认为是全球环境变化的重要原因之一，也是研究人类活动与生态环境之间关系的重要突破[2]. 先前的研究表明，不同时期土地利用变化的空间异质性明显[3]，多样化的变化对生态系统服务的供应产生了不同的影响，并影响了人类福祉[4]. 在城市扩张地区，不同土地利用类型之间的竞争，尤其是建设用地与其相邻土地（如耕地、林地、草地和水域）之间的竞争非常突出，导致了生态系统功能供需之间的激烈冲突[5~8]. 因此，在城市扩张地区，评估土地利用变化及其生态环境影响的状况和趋势，对于制定土地利用规划策略和实施生态环境保护措施具有重要意义.
土地利用变化以多种方式影响生态环境[9]. 土地利用模式和土地利用结构的变化，以及由此导致的经济发展空间的迁移，对生态环境产生了深刻的影响[10]. 从20世纪中叶开始，学者们开始研究生态环境评估的理论、方法和应用. 在早期的研究中，通过计算生态系统服务价值的变化来评估土地利用对生态环境的影响. Westman提出的生态系统服务价值评估概念和美国环境保护局开展的环境监测和评估计划（EMAP）为开展生态环境评估提供了基础[11，12]. 随后，越来越多的研究人员开始关注不同尺度上的生态环境质量及其变化，使用多时相遥感图像和景观格局分析方法来构建多样化的生态环境评估模型[13~15]. 在研究方法方面，通常选择指标（体系）和综合评价方法来分析不同地区生态环境质量的变化和规律，并基于多源遥感数据和GIS空间分析技术进行实证研究[16]. 遥感技术和GIS已经成为各个环境评价领域的关键工具[17，18]. 徐涵秋构建了一个由绿度（NDVI）、湿度（WET）、热度（LST）和干燥度（NDBSI）组成的遥感生态指数（remote sensing ecological index，RSEI）来监测生态环境质量的变化，该指数的4个组成部分是人们可以直接感知生态条件是否良好的重要生态因素，该指数为区域生态质量研究，尤其是在城市生态系统监测研究中提供了有效的定量参考[19].
土地利用变化受多种因素驱动，在全球范围内，60%的土地利用与人类直接活动有关，40%由气候变化等间接因素驱动[20，21]. 由于不同地区的环境要素和社会发展存在很大差异，导致影响地区土地利用的因素在空间上存在很大的异质性.
安徽省作为长江经济带的关键节点和长三角一体化发展的重要支柱，经历了显著的城市扩张、频繁的土地利用转换以及剧烈的生态环境变化. 在此背景下，本研究选取安徽省作为研究区域，基于1990~2020年每10 a土地利用的时空演变分析，利用RSEI评估生态环境质量. 自2000年以来，遥感监测技术和数据质量显著提高，使得本研究能够更准确地评估和比较2000~2020年每5 a的生态环境变化. 最后，本研究借助地理探测器对驱动土地利用变化因素进行探究. 本研究试图阐明城市扩张地区土地利用和生态环境质量的演变特征，识别以上地区发生的潜在生态环境问题，探究主导以上问题发生的自然和社会经济因素，以期为实现区域高质量发展提供决策参考.
1 研究区概况安徽省的经纬度范围在114°54′~119°37′E，29°41′~34°38′N之间，地形以平原丘陵为主，地势自南向北逐渐降低，地理区划上属于我国的华东长三角洲地区，涵盖17个地级市（图 1），土地总面积约为14.01万km2. 截至到2020年底，安徽省常住人口6 101.72万人，人口聚集程度较高. 安徽省位于暖温气候区与亚热带气候区交界处，且以淮河为分界线，淮河以北属暖温带季风气候，农业用地面积占比高，主要农作物小麦和水稻轮作，淮河以南为亚热带季风气候[22]. 作为长三角地区重要的组成部分，安徽省工业矿产种类齐全，位于全国经济发展几大板块交界处，是重要的经济缓冲区. 安徽还拥有沿江城市群和皖江城市经济带[23]，以上地区为安徽经济的快速发展和沿江地区城市化进程做出了重大贡献.
|
图 1 研究区位 Fig. 1 Location of the study area |
本研究采用的1990年、2000年、2010年和2020年的土地利用数据来自CLCD土地利用数据集，CLCD数据集的总体精度达80%，分辨率为30 m[24]. 结合全国土地利用分类标准，本研究将其分为农田、森林、灌木、草原、水域、裸地、建设用地和湿地这8种一级土地利用类型，每种地类分别用数字1~8表示.
2.1.2 自然和社会经济数据2000~2020年NDVI和kNDVI数据是根据MODIS卫星数据进行计算而得到，收集了2000~2020年的气象、粮食作物面积、旅游总收入、绿地面积、建成区面积、民用车数量、大中型工业资产总和及建筑企业固定资产数据，其中，社会经济数据来自于安徽省统计局每年发布的《安徽省统计年鉴》，2000~2020年平均气温数据来自于安徽省气象局每年发布的《安徽省气候公报》及气象站点数据. DEM数据来自地理空间数据云（https://www.gscloud.cn/）发布的ASTER GDEM 30 m分辨率产品，坡度依据DEM数据计算得出. 土壤质地类型、人口密度和GDP来自于中国科学院资源环境科学与数据中心（https://www.resdc.cn）提供的1km分辨率产品. 生态系统服务价值基于网格法和当量因子表计算各年份各类用地类型的总价值，空间分辨率为1 km. DMSP/OLS和NPP/VIIRS夜间灯光数据来自国家地球物理数据中心（http://geospace.geodata.cn/）产品，铁路分布数据来自全国地理信息资源目录服务系统（https://www.webmap.cn），裁剪后计算欧氏距离.
2.2 研究方法 2.2.1 土地利用变化图谱利用ArcGIS 10.2软件，将已经重分类的两期数据导入，利用栅格计算器得到土地利用变化模式图谱. 其计算公式如下：
| (1) |
式中，X为土地利用前期编码，W为土地利用中期编码，Y为土地利用末期编码，Z为研究时段土地利用动态变化模式图谱，将其分为以下4种模式，如表 1.
|
表 1 土地利用变化模式 Table 1 Patterns of land-use change |
2.2.2 土地利用程度综合指数
土地利用程度综合指数反映的是区域内人类对土地开发利用的程度，多用于衡量区域内土地利用深度和广度.
其公式为：
| (2) |
式中，Ni为第i级土地利用程度分级数（通常采用8级划分），Si和S分别为第i级土地利用面积和区域内土地总面积，n为土地利用程度分级编码，具体分级见表 2.
|
|
表 2 1990~2000年土地利用转移矩阵/km2 Table 2 Matrix of land use transition from 1990 to 2020/km2 |
2.2.3 基于遥感生态指数的生态环境质量评价
RSEI采用主成分分析法对4个指标进行综合构建，避免了各指标权重的主观性. 由于水体的反射特性与其他地表类型差异较大，可能会对指数的计算结果产生干扰，同时由于安徽省境内水域分布广泛，因此在处理遥感数据时，剔除2000~2020年间的水域部分. 保证RSEI在不同年份之间的可比性，确保指数能够准确地反映非水体区域的生态变化. 计算公式如下：
| (3) |
（1）湿度（WET） 湿度在地表与大气之间的水分交换过程中起着至关重要的作用，是衡量土地退化的重要指标. 通过流苏帽变换计算的WET能较好地反映植被和土壤的湿度状况；因此，本研究选择WET作为RSEI的指标之一. MODIS卫星数据计算RESI的方法如式（4）所示.
| (4) |
式中，ρblue、ρgreen、ρred、ρnir、ρnir2、ρswir和ρswir2分别为蓝波段、绿波段、红波段、近红外波段、近红外波段2、短波红外波段和短波红外波段2的反射率值.
（2）绿度（NDVI/kNDVI） NDVI值反映了植被的生长情况和相应区域的植被覆盖度；该值与作物产量和叶面积密切相关，被广泛用于植被状况和生态环境质量的评价.
| (5) |
但是NDVI在表达植被生物物理参数时存在饱和效应，因而这里选用kNDVI（核归一化植被指数），可以更好地表达植被生物物理参数的非线性关系，同时具有自适应伸缩的能力，可以更好地适应不同生物群系和季节变化[25]. 计算式如下：
| (6) |
式中，在每个特定应用中，σ指定的长度尺度参数表示指数对稀疏/茂密植被地区的敏感性. 本研究中取值为0.5（nir + red）.
（3）干燥度（NDBSI） 建设用地和裸土的不断扩大将导致区域生态环境的恶化. 选择NDBSI代表地表干燥程度，该指数由土壤指数（SI）和归一化建筑指数（NDBI）综合计算得出：
| (7) |
| (8) |
| (9) |
（4）热度（LST） 热度指标利用了Google Earth Engine平台上提供的MODIS/006/MOD11A1数据集. 该数据集包含了全球范围内1 km分辨率的每日地表温度（LST）和发射率信息. 将其重采样至500 m分辨率，用于分析地表温度的长期变化趋势. 对数据进行了一系列预处理，包括云掩膜处理以去除云覆盖的影响，以及对地表温度数据进行质量控制以排除异常值.
2.2.5 相关性分析及随机森林特征重要性皮尔逊相关系数，是用于度量两个变量X和Y之间的线性相关程度的一个统计量. 随机森林特征重要性是指模型在训练和预测时，各个特征对训练和预测结果的影响程度. 特征重要性可以揭示变量之间的非线性关系. 本研究利用相关系数和随机森林算法中的百分比增加的均方误差（incmse）和增加的节点纯度（incnodepurity）特征重要性评估方法，探究土地利用变化对生态环境质量的线性和非线性关系[26].
2.2.6 地理探测器使用地理探测器目的在于探测研究空间的分异性，并揭示其背后驱动力因子的一种新的地理学和统计学相结合的方法. 本研究利用地理探测器方法选取了19个自然、社会和经济指标，以分析安徽省近年来土地利用变化的驱动力，涵盖了地形地貌要素、气候状况要素、土壤性质、自然状态、经济状态、人口分布、政策因素和经济水平等多个方面. 本文主要使用的是其中的因子探测器和交互探测器. 结果一般用解释力（Q）和显著性解释（P）表示，Q越大则对自变量的解释力越强，其范围通常在0~1之间. 交互因子探测目的在于探究两个因子共同作用时，是否会减弱或加强对土地利用变化的解释力. 一般用t表示. 其结果大致可分为4种[27].
3 结果与分析 3.1 土地利用时空分析 3.1.1 土地利用类型现状在1990~2020年间，安徽省的土地利用类型主要以农田和森林用地为主（图 2）. 这两种地类的多年平均占比分别为60%±2.14%和25%±1.38%. 2020年的农田面积为83 352.6 km2，森林面积为36 540.59 km2，占比分别为59.485%和26.078%. 其他土地利用类型占比相对较小. 在1990~2020年间，农田用地的面积呈现逐年下降的趋势，其占总用地类型的比例亦逐年减少. 农田向其他用地类型的转化现象较为普遍. 其次，森林用地的面积呈波动性上升的趋势. 灌木和草原的面积则呈现逐年下降的趋势. 由最初的约3%下降至末年的0.003%和0.03%左右. 水域的面积在2000年之后呈现波动性上升的趋势. 裸地的面积占比较小，其面积由初年的14.692 5 km²下降至末年的1.351 8 km²，表明裸地经过开发利用后转化为了其他用地类型. 建设用地的面积呈现出逐年增加的趋势. 建设用地面积占比的增加在一定程度上反映了安徽省近年来的城镇化率的提高，城市人口逐渐增加，城市化进程加速.
|
图 2 1990~2020年安徽省土地利用类型 Fig. 2 Land use type in the Anhui Province from 1990 to 2020 |
在1990~2020年间，安徽省主要的土地利用转移发生在农田、森林和建设用地之间（表 2）. 其中主要的转移方式为农田向建设用地转移、农田向森林转移和森林向农田转移，转移的面积分别为：6 986.056 5、2 646.117 9和2 101.543 2 km2. 总体上，安徽省土地利用呈现农田、森林和建设用地增加的趋势.
基于安徽省1990年、2000年、2010年和2020年这4期土地利用变化栅格数据，本研究将其划分为两个时期，1期为1990~2010年. 2期为2000~2020年，从而构建了安徽省土地利用变化模式图谱（图 3）. 结合当前土地利用变化的动态和实际情况，本研究将其分为4种主要模式. 在以上模式中，农田、森林和建设用地这3类用地的变化最为显著，变化的重心主要集中在各个地级市的外围区域，外围区域主要用地类型为农田或建设用地. 综合对比两个时期，1990~2010年间的土地利用模式变化以前期变化和持续变化为主，这表明这一时期处于持续建设时期，相比之下，后一个时期（2000~2020年）的变化频率要明显高于前一个时期，土地利用变化更加广泛，涉及全省的大部分地区. 这一时期的变化以前期变化和后期变化为主. 土地利用的后期变化通常围绕着前期变化而开展. 两类变化模式交替进行.
|
图 3 土地利用变化类型 Fig. 3 Types of land use change |
本研究计算了安徽省各个地级市的土地利用程度综合指数，按照每年的土地利用综合程度指数采用自然间断法将其分为4类：轻度利用、中度利用、重度利用和过度利用. 并根据此绘制了相应的土地利用程度综合指数地图（图 4）.
|
图 4 1990~2020年安徽省各地级市综合土地利用动态度 Fig. 4 Comprehensive land use dynamics degree of prefecture-level cities in the Anhui Province from 1990 to 2020 |
综合图 4，1990年时，宿州市、淮南市、安庆市和池州市土地开发利用程度较高，土地开发利用活动频繁的地区主要集中在皖中和皖南地区，以及皖北地区东部的一部分，在2000~2020年间，淮北市的土地利用程度综合指数一直处于较高水平，而淮南市的土地利用程度综合指数有所下降. 此外，合肥市的土地利用程度综合指数一直处于稳定的水平. 1990~2020年各地级市的土地用程度综合指数呈现下降的趋势.
3.2 生态环境质量的动态变化 3.2.1 生态环境质量现状为了更清晰地表征安徽省的生态环境状况，本研究利用遥感生态指数（RSEI）进行衡量，同时在计算2000~2020年间的RESI时，将水域进行掩膜并剔除，最后将RESI划分为5个等级（表 3），并统计了2000年、2005年、2010年、2015年和2020年各生态环境质量等级的面积占比.
|
|
表 3 2000~2020年安徽省遥感生态指数水平面积占比/% Table 3 Levels of the remote sensing ecological index in Anhui Province from2000 to 2020/% |
从表 3可以得出，2000~2020年，安徽省RSEI差和较差等级所占比例有所下降，而中等、良和优等级所占比例同期分别增长了12%、8%和4%. 截至2020年，安徽省RSEI差、较差、中等、良和优等级分别占国土面积的12%、30%、28%、19%和12%，表明区域内生态环境有所改善，但仍以较差和中等的生态环境质量为主导，未来仍有改进空间. 与2000~2010年相比，2015~2020年生态环境质量中等和良区域面积占比增长明显加速.
2000年，安徽省生态环境较差的区域主要集中在皖中和皖北地区，涉及阜阳市、亳州市、宿州市、淮北市、淮南市、六安市、滁州市和合肥市（图 5）. 2005年，亳州市、淮北市、淮南市和宿州市的生态环境质量有所改善. 到了2010年，蚌埠市的生态环境质量相较之前也有所提升. 进一步地，在2015~2020年间，阜阳市的生态环境质量也经历了显著地改善. 总体而言，在2000~2020年间，安徽省北部和中部地区的生态环境质量提升速度和良好生态环境所占面积呈现逐步增长趋势. 安徽省生态环境质量较差、中等和良的区域分布最为广泛，以上区域主要集中在森林用地和农田用地. 生态环境质量较好的地区以森林为主，主要分布在大别山区、黄山山区、池州市和宣城市. 生态环境质量较差和差的区域主要为建设用地和未利用地，以上区域主要为主城区. 值得注意的是，2000~2020年，生态环境质量较差和差的区域呈现块状向核心区缩减的趋势.
|
图 5 2000~2020年安徽省生态环境质量 Fig. 5 Ecological and environmental quality in the Anhui Province from 2000 to 2020 |
为了比较不同时期生态环境质量的变化，并探究土地利用变化的驱动力，本研究基于RSEI水平，对2000~2020年安徽省生态环境质量变化特征进行了分析. 研究中将生态环境质量分为5个等级，分别用1~5来表示，其中1代表生态环境质量较差，2代表较差，3代表中等，4代表良好，5代表优秀（表 4）.
|
|
表 4 2000~2020年遥感生态指数变化水平占比/% Table 4 Proportion of the change level of remote sensing ecological index from 2000 to 2020/% |
在2000~2020这近20 a间，安徽省的生态环境质量总体上得到了显著地改善. 例如，从2、3、4和5等级转换的地类面积共有63 792.49 km2，其中，较差等级的生态环境质量转换到中等生态环境质量，即2→3级转换，占据了主导地位，约占总面积的14.67%. 另一方面，生态环境恶化的面积，即生态环境等级由高转化成低等级的面积共计16 863.88 km2，其中恶化的主要类型为2→1级，即较差的生态环境质量转换为差的环境质量. 这一现象表明，生态环境治理仍需要循序渐进，同时需要防止生态环境质量较差的地区由于缺乏相应的治理措施而进一步导致其环境更加恶化.
区域生态环境变化总体上表现出改善与恶化两种相反的趋势. 这两种趋势在特定区域内的相互作用会导致整体生态环境质量的增加或减少（图 6）. 在2000~2020年间，安徽省RSEI变化趋势，整体生态环境呈现积极改善趋势. 由表 4可知，2000~2020年安徽省生态环境退化面积占12.04%（恶化），生态环境不变面积占42.44%（不变），生态环境改善面积占45.53%（改善）. 此外，山区也出现生态环境质量退化现象，例如大别山区和黄山山区可能由于旅游开发和人类活动导致的生态环境恶化，以上生态环境退化现象往往呈现斑块状分布格局，因此更需要人为进行调控和治理. 如图 6所示，城郊地区的生态环境质量显著高于主城区. 2000~2020年，主城区生态环境质量总体上有所改善，这表明通过建设绿道，公园等绿地，生态条件不断得到改善. 对比土地利用类型的空间分布和RSEI值的空间分布，可以发现，在2000~2020年间，安徽省各市的生态环境恶化区域（图 6中的红色部分）几乎都是新的建设用地.
|
图 6 2000~2020年安徽省生态环境质量变化 Fig. 6 Changes in ecological and environmental quality in the Anhui Province from 2000 to 2020 |
不同土地利用类型下生态环境质量存在差异. 为了更清晰地阐明土地利用类型与RSEI之间的关系，本文建立了不同土地利用类型（各区各土地利用类型占比）与RSEI（各区各RSEI）之间的相关性分析（图 7）. 同时，由于在计算RSEI过程中将水域进行掩膜处理，因而在计算特征重要性时除去了水域用地类型的干扰.
|
（a）Person相关系数求解的结果，（b）和（c）随机森林算法求解变量特征重要性结果；显著性检验：*表示P≤0.05，**表示P≤0.01，***表示P≤0.001 图 7 RSEI对土地利用的动态响应 Fig. 7 Dynamic response of RSEI to land use |
农田用地、草原和建设用地与RSEI之间呈现负相关关系，相关系数依次为：-0.48、-0.07和-0.44，而森林、灌木和裸地与RSEI之间呈现正相关关系. 相关系数分别为：0.51、0.068和0.029. 这一结果表明，受人类活动干扰较强或人类活动比较频繁的地类对生态环境的影响是负面的，例如农业生产和快速城市化都可能导致生态环境质量的下降. 在incmse方法中，各用地类型的特征重要性分别为：51.67%（建设用地）、49.98%（森林）、31.74%（草原）、28.40%（农田）、13.61%（裸地）和10.77%（灌木）. 而在incnodepurity方法的特征重要性分别为：22.77（建设用地）、18.80（森林）、7.44（草原）、15.60（农田）、1.70（裸地）和2.66（灌木）. 以上结果均强调了建设用地、森林、农田和草原对生态环境质量的重要性. 综上所述，生态环境质量的改善要求严格控制人类活动对自然生态系统的干扰，如对森林、草原的干扰，同时还需要规划好农业生产活动，以实现人与自然和谐发展[28].
3.4 土地利用变化驱动力分析 3.4.1 土地利用驱动因子探测单因子探测结果如表 5所示，在自然和社会经济因素中，各解释力排名为：城市人口占比>绿地面积>旅游总收入>建成面积>民用车辆数>水资源总量>人口>粮食作物面积>年平均降水>土壤类型>大中型工业产值>建筑企业固定资产>高程>生态系统服务价值>GDP>到铁路距离>年平均气温>坡度>NDVI. 其中，城市人口占比、绿地面积、旅游总收入、建成面积、民用车辆数、水资源总量、人口和粮食作物面积对1990~2020年间安徽省的土地利用动态度影响显著，其解释力分别为0.662 8、0.525 3、0.510 6、0.434 6、0.429 0、0.346 1、0.331 8和0.327 7. 此外，年平均降水、土壤类型、大中型工业产值、建筑企业固定资产、高程、生态系统服务价值、GDP、到铁路距离和年平均气温均低于0.3，解释力分别为：0.237 8、0.210 7、0.181 5、0.172 7、0.091 4、0.088 7、0.067 9、0.049 4和0.035 4. 其中，高程、生态系统服务价值、GDP、到铁路距离和年平均气温的解释力低于0.1的阈值，以上因素大多属于自然因素. 坡度和NDVI值的解释力在0.015 0左右，且其显著性高于0.5的阈值，因此对土地利用动态度的影响不显著. 综合来看，自然因素与社会经济因素对土地利用变化的影响是交互作用的，其中社会经济因素的影响要大于自然因素的影响.
|
|
表 5 驱动因子解释力及显著性 Table 5 Driver explanatory power and significance |
3.4.2 土地利用驱动因子交互探测
交互因子探测结果表明各因素的交互作用均表现出双因子增强和非线性增强，既不存在单因子非线性减弱的情况，也不存在非线性减弱的情况（图 8）. 交互因子探测的结果表明，在各个因子的交互作用下，对土地利用动态度的解释力均呈现上升的趋势. 其中，民用车辆数、建成面积、绿地面积和城市人口占比指标与其他各项指标交互后的解释力均呈现上升趋势，粮食作物面积和大中型工业资产总和的交互影响，其解释力达到了1，而其余则为建筑业固定资产与粮食作物面积和大中型工业资产总和的交互影响，其解释力均值在0.86左右. 其次，旅游总收入与粮食作物面积和大中型工业资产总和的交互影响，其解释力的均值在0.89左右. 再者水资源总量与粮食作物面积、建筑企业固定资产和旅游总收入的交互影响. 其解释力的均值在0.95左右. 以上影响力较高的交互因子，多数属于社会经济因子中一二三产业的交互. 旅游总收入与其他各因子的交互影响中，较为显著的是与土壤类型、年平均降水和年平均气温的交互影响，解释力均值在0.70左右. 年平均降水与建筑企业固定资产的交互影响的解释力达到了0.72. 人口与粮食作物面积的交互影响解释力达到了0.68. 研究结果表明，社会经济指标的交互解释力较单因子解释力均得到明显的提升. 在一定的社会经济条件下. 自然因素与人类活动、经济发展等因素相互作用，相互影响的综合效应得到了加强. 社会经济因素的引入可能使得自然因素的影响不再是线性的，而是在特定的条件下发挥综合多维的作用[29]. 同时，社会经济因素的活动也受到自然因素的制约和影响，二者之间相互制衡和相互适应. 当自然因素与社会经济因素交互作用后，对土地利用变化的解释力得到显著提升[30].
|
1.粮食作物面积，2.大中型工业产值，3.建筑企业固定资产，4.旅游总收入，5.水资源总量，6.土壤类型，7.NDVI，8.坡度，9.GDP，10.人口，11.年平均降水，12.年平均气温，13.高程，14.民用车辆数，15.建成面积，16.夜间灯光，17.绿地面积，18.城市人口占比，19.生态系统服务价值，20.到铁路距离 图 8 交互探测因子解释力 Fig. 8 Interactive detection factor explanatory power |
安徽省位于长江三角洲地区，不仅是长三角一体化发展的关键支柱，而且是长江经济带的核心节点. 研究安徽省有助于深入理解中国东部地区的城市化进程、土地利用变化与生态环境之间的关系，为区域的可持续发展提供了重要的理论支持和决策依据.
本研究发现，在1990~2020年间，安徽省的土地利用变化主要表现为农田和森林面积的减少，建设用地面积的增加，以及水域面积的小幅度增加. 这一趋势与全国范围内的土地利用变化趋势基本一致[31~33]. 人口增长和经济发展是主要的驱动因素[34]，随着安徽省人口的持续增长和经济的不断发展，对建设用地的需求不断增加，导致农田和森林用地被大量侵占，以满足工业、交通和居住等用地需求. 此外，农业结构的调整也是农田面积减少的重要原因之一[35]. 随着农业生产方式的转变，部分农田转为林地或其他用地，以适应市场需求和环境保护的需要. 例如，安徽省实施的退耕还林政策，鼓励将部分坡度较大、水土流失严重的农田转化为林地，以改善生态环境[36]. 同时，农业产业结构的调整也导致部分农田转为园地和林地等，以满足市场对特色农产品和生态产品的需求[37]. 城市化进程的加速也是建设用地面积增加的重要原因，城市人口规模的不断扩大，城市基础设施建设的不断完善，导致建设用地需求不断增长[38]. 同时，城市扩张也导致周边农田和森林用地被大量侵占，以满足城市用地的需求. 尽管建设用地面积的增加对生态环境产生了负面影响，但安徽省的生态环境整体质量持续改善，与全国其他各地的研究结果一致[39，40]. 这主要得益于政府实施的生态保护政策，如退耕还林和退耕还湿等，有效地改善了生态环境. 因此，在制定土地利用规划时，需要充分考虑不同土地利用类型对生态环境的影响. 土地利用变化主要受到社会经济因素的影响，其中社会经济因素之间的交互作用对土地利用变化的影响最为显著，这一点与全国其他区域研究相一致[41，42]. 为了实现经济发展与生态环境保护的协调统一，需要充分考虑生态环境的影响. 同时，可以借鉴本研究结果，制定更加科学合理的城市化发展战略，实现经济发展与生态环境保护的协调统一.
区域土地利用转型的生态环境效应是全球变化研究的重要内容之一，科学合理地测度土地利用转型所引发的生态环境效应对于改善区域生态环境具有重要意义[43]. 本文基于多源数据，将区域土地利用变化与生态环境质量评价结果相结合，更为全面地反映区域生态环境质量的变化特征，为揭示土地利用转型所引发的生态环境效应提供了一种新思路. 同时基于随机森林模型分析结果，识别出哪种地类转型主导了生态环境质量的变化，在一定程度上可为区域土地资源可持续利用提供科学参考与政策建议. 但仍受到数据获取以及定量评估方法的限制，在一些方面存在进一步探究的空间：①数据来源的局限性：本研究主要使用了CLCD土地利用数据和MODIS遥感数据，以上数据可能无法完全反映土地利用变化的实际情况，例如部分区域可能存在数据缺失或精度不足的问题. ②研究方法的局限性：本研究主要使用了RSEI来评估生态环境质量，RSEI虽然能够综合反映生态环境的多个方面，但其指标体系和方法可能存在一定的局限性，例如无法反映所有生态系统服务功能的变化. 未来研究可以尝试使用更多样化的数据来源，例如实地调查数据、社会经济统计数据等，以提高数据的完整性和可靠性. 并尝试使用其他生态环境评估方法，例如生态系统服务价值评估、景观生态学方法等，以更全面地评估土地利用变化对生态环境的影响.
5 结论（1）1990~2020年间，安徽省土地利用变化主要体现在农田和森林面积的减少、建设用地面积的增加以及水域面积小幅度增加. 土地利用变化主要集中在前期和后期上，反复变化和持续变化所占的比例较小.
（2）建设用地的单一动态度最高，为3.32%，而裸地最低，为- 6.975%. 安徽省综合土地利用度处于较低水平，约为0.43%. 但年际间和地类间的相互变化较为丰富. 1990~2020年间，安徽省的土地利用转移大部分发生在后期，即2010~2020年间. 土地利用程度综合指数表明安徽省各地级市对土地利用的开发程度呈现下降的趋势. 对土地的改造趋于饱和状态.
（3）安徽省的RSEI值从2000年的0.38上升到2010年的0.43，再上升到2020年的0.48，表明生态环境整体质量持续改善. 生态环境改善区规模大于生态环境恶化区，导致RSEI值增加. 不同的土地利用类型对生态环境质量的影响方向和影响程度不同，其中森林、灌木和裸地对生态环境质量有正向影响，而农田用地、草原、建设用地对生态环境质量有负向影响. 随机森林模型显示建设用地、森林、农田和草原的变化是安徽省生态环境质量改变的重要因素. 此外，安徽省生态环境质量在不同区域间存在显著的空间差异，尤其是平原地区与山区之间. 土地利用结构的不一致是造成差异的根本原因.
（4）单因子探测表明影响安徽省土地利用变化主要的因子多为社会经济因素，如城市人口占比、绿地面积等，交互因子探测中，社会经济因子间的交互作用对土地利用变化产生了一定的驱动力，其次为自然因子与社会经济因子的交互影响.
| [1] | Lang Y Q, Song W. Quantifying and mapping the responses of selected ecosystem services to projected land use changes[J]. Ecological Indicators, 2019, 102: 186-198. DOI:10.1016/j.ecolind.2019.02.019 |
| [2] | Daunt A B P, Silva T S F. Beyond the park and city dichotomy: land use and land cover change in the northern coast of São Paulo (Brazil)[J]. Landscape and Urban Planning, 2019, 189: 352-361. DOI:10.1016/j.landurbplan.2019.05.003 |
| [3] | Bryan B A, Ye Y Q, Zhang J, et al. Land-use change impacts on ecosystem services value: incorporating the scarcity effects of supply and demand dynamics[J]. Ecosystem Services, 2018, 32: 144-157. DOI:10.1016/j.ecoser.2018.07.002 |
| [4] | Narducci J, Quintas-Soriano C, Castro A, et al. Implications of urban growth and farmland loss for ecosystem services in the western United States[J]. Land Use Policy, 2019, 86: 1-11. DOI:10.1016/j.landusepol.2019.04.029 |
| [5] | Li Y G, Liu W, Feng Q, et al. The role of land use change in affecting ecosystem services and the ecological security pattern of the Hexi Regions, Northwest China[J]. Science of the Total Environment, 2023, 855. DOI:10.1016/j.scitotenv.2022.158940 |
| [6] |
苏伯儒, 刘某承. 基于生态系统服务权衡的生态系统管理策略研究进展[J]. 自然资源学报, 2023, 38(7): 1848-1862. Su B R, Liu M C. Research progress in ecosystem management strategies based on ecosystem services trade-offs[J]. Journal of Natural Resources, 2023, 38(7): 1848-1862. |
| [7] |
耿守保, 孙中宇, 张敏, 等. 广东省陆地生物多样性热点区域及其胁迫因素[J]. 热带地理, 2023, 43(3): 359-371. Geng S B, Sun Z Y, Zhang M, et al. Terrestrial biodiversity hotspots and their threats in Guangdong Province[J]. Tropical Geography, 2023, 43(3): 359-371. |
| [8] |
卫新东, 林良国, 冯小龙, 等. 神木市生态安全格局构建与生态问题定量诊断[J]. 生态学报, 2023, 43(1): 82-94. Wei X D, Lin L G, Feng X L, et al. Construction of ecological security pattern and quantitative diagnosis of ecological problems in Shenmu City[J]. Acta Ecologica Sinica, 2023, 43(1): 82-94. |
| [9] | Grimm N B, Faeth S H, Golubiewski N E, et al. Global change and the ecology of cities[J]. Science, 2008, 319(5864): 756-760. DOI:10.1126/science.1150195 |
| [10] |
贺三维, 张臻, 甘杨旸. 隐性经济视角下异质性环境规制对雾霾污染的时空效应[J]. 经济地理, 2022, 42(4): 178-189. He S W, Zhang Z, Gan Y Y. Spatio-temporal effect of environmental regulations on haze pollution from the perspective of implicit economy[J]. Economic Geography, 2022, 42(4): 178-189. |
| [11] | Westman W E. How much are nature's services worth?[J]. Science, 1977, 197(4307): 960-964. DOI:10.1126/science.197.4307.960 |
| [12] | Reynolds L, Herlihy A T, Kaufmann P R, et al. Electrofishing effort requirements for assessing species richness and biotic integrity in western Oregon streams[J]. North American Journal of Fisheries Management, 2003, 23(2): 450-461. DOI:10.1577/1548-8675(2003)023<0450:EERFAS>2.0.CO;2 |
| [13] |
黄从红, 杨军, 张文娟. 生态系统服务功能评估模型研究进展[J]. 生态学杂志, 2013, 32(12): 3360-3367. Huang C H, Yang J, Zhang W J. Development of ecosystem services evaluation models: research progress[J]. Chinese Journal of Ecology, 2013, 32(12): 3360-3367. |
| [14] | Zhao Y B, Wang S J, Zhou C S. Understanding the relation between urbanization and the eco-environment in China's Yangtze River Delta using an improved EKC model and coupling analysis[J]. Science of the Total Environment, 2016, 571: 862-875. DOI:10.1016/j.scitotenv.2016.07.067 |
| [15] | Peng J, Tian L, Liu Y X, et al. Ecosystem services response to urbanization in metropolitan areas: thresholds identification[J]. Science of the Total Environment, 2017, 607-608: 706-714. DOI:10.1016/j.scitotenv.2017.06.218 |
| [16] | Guo B B, Fang Y L, Jin X B, et al. Monitoring the effects of land consolidation on the ecological environmental quality based on remote sensing: a case study of Chaohu Lake Basin, China[J]. Land Use Policy, 2020, 95. DOI:10.1016/j.landusepol.2020.104569 |
| [17] | Ariken M, Zhang F, Liu K, et al. Coupling coordination analysis of urbanization and eco-environment in Yanqi Basin based on multi-source remote sensing data[J]. Ecological Indicators, 2020, 114. DOI:10.1016/j.ecolind.2020.106331 |
| [18] | Lee-Geiller S, Kütting G. From management to stewardship: a comparative case study of waste governance in New York City and Seoul metropolitan city[J]. Resources, Conservation and Recycling, 2021, 164. DOI:10.1016/j.resconrec.2020.105110 |
| [19] |
徐涵秋. 区域生态环境变化的遥感评价指数[J]. 中国环境科学, 2013, 33(5): 889-897. Xu H Q. A remote sensing index for assessment of regional ecological changes[J]. China Environmental Science, 2013, 33(5): 889-897. |
| [20] | Birhanu A, Adgo E, Frankl A, et al. Modelling spatial relationships between land cover change and its drivers in the Afro‐alpine belt of Mount Guna (Ethiopia)[J]. Land Degradation & Development, 2021, 32(14): 3946-3961. |
| [21] | Dar S A, Rashid I, Bhat S U. Land system transformations govern the trophic status of an urban wetland ecosystem: perspectives from remote sensing and water quality analysis[J]. Land Degradation & Development, 2021, 32(14): 4087-4104. |
| [22] | Jia L, Sun J P, Fu Y F. Spatiotemporal variation and influencing factors of air pollution in Anhui Province[J]. Heliyon, 2023, 9(5). DOI:10.1016/j.heliyon.2023.e15691 |
| [23] |
吴楠, 陈凝, 程鹏, 等. 安徽省陆地生态系统碳储量变化对未来土地覆被情景的响应[J]. 长江流域资源与环境, 2023, 32(2): 415-426. Wu N, Chen N, Cheng P, et al. Evaluation of carbon storage on terrestrial ecosystem responses to land cover change under five future scenarios in Anhui Province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(2): 415-426. |
| [24] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [25] | Camps-Valls G, Campos-Taberner M, Moreno-Martínez Á, et al. A unified vegetation index for quantifying the terrestrial biosphere[J]. Science Advances, 2021, 7(9). DOI:10.1126/sciadv.abc7447 |
| [26] |
王超, 阚瑷珂, 曾业隆, 等. 基于随机森林模型的西藏人口分布格局及影响因素[J]. 地理学报, 2019, 74(4): 664-680. Wang C, Kan A K, Zeng Y L, et al. Population distribution pattern and influencing factors in Tibet based on random forest model[J]. Acta Geographica Sinica, 2019, 74(4): 664-680. |
| [27] |
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. |
| [28] | Zhang M M, Tan S K, Zhang Y W, et al. Does land transfer promote the development of new-type urbanization? New evidence from urban agglomerations in the middle reaches of the Yangtze River[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108705 |
| [29] | Jiang Y J, Wu Y X, Groves C, et al. Natural and anthropogenic factors affecting the groundwater quality in the Nandong karst underground river system in Yunan, China[J]. Journal of Contaminant Hydrology, 2009, 109(1-4): 49-61. DOI:10.1016/j.jconhyd.2009.08.001 |
| [30] | Liu M X, Ma M F, Liu J H, et al. Quantifying impacts of natural and anthropogenic factors on urban ecological quality changes: a multiscale survey in Xi'an, China[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110463 |
| [31] |
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136. Hu F, Zhang Y, Guo Y, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136. |
| [32] |
朱志强, 马晓双, 胡洪. 基于耦合FLUS-InVEST模型的广州市生态系统碳储量时空演变与预测[J]. 水土保持通报, 2021, 41(2): 222-229, 239. Zhu Z Q, Ma X S, Hu H. Spatio-temporal evolution and prediction of ecosystem carbon stocks in Guangzhou City by coupling FLUS-InVEST models[J]. Bulletin of Soil and Water Conservation, 2021, 41(2): 222-229, 239. |
| [33] |
姜晗, 吴群. 基于LUCC的江苏省生态系统服务价值评估及时空演变特征研究[J]. 长江流域资源与环境, 2021, 30(11): 2712-2725. Jiang H, Wu Q. Ecological service value evaluation and temporal-spatial evolution characteristics in Jiangsu Province based on LUCC[J]. Resources and Environment in the Yangtze Basin, 2021, 30(11): 2712-2725. |
| [34] |
付乐, 迟妍妍, 于洋, 等. 2000—2020年黄河流域土地利用变化特征及影响因素分析[J]. 生态环境学报, 2022, 31(10): 1927-1938. Fu L, Chi Y Y, Yu Y, et al. Characteristics and driving forces of land use change in the Yellow River Basin from 2000 to 2020[J]. Ecology and Environmental Sciences, 2022, 31(10): 1927-1938. |
| [35] |
管晶, 焦华富. 煤炭资源型城市城乡空间结构演变及影响因素——以安徽省淮北市为例[J]. 自然资源学报, 2021, 36(11): 2836-2852. Guan J, Jiao H F. The evolution process and influencing factors of urban-rural spatial structure in coal resource-based city: a case study of Huaibei city in Anhui province[J]. Journal of Natural Resources, 2021, 36(11): 2836-2852. |
| [36] |
张茜, 於冉, 储昭君, 等. 2000—2020年安徽省生境质量时空演变及其影响因素[J]. 水土保持通报, 2024, 44(2): 416-425. Zhang Q, Yu R, Chu Z J, et al. Temporal and spatial evolution of habitat quality and its influencing factors in Anhui Province during 2000-2020[J]. Bulletin of Soil and Water Conservation, 2024, 44(2): 416-425. |
| [37] |
朱锦维, 刘成武, 柯新利, 等. 城镇化过程中生态产品生产能力变化特征分析——以湖北长江经济带为例[J]. 生态环境学报, 2024, 33(3): 469-477. Zhu J W, Liu C W, Ke X L, et al. Analysis on the change characteristics of ecological product production capacity in urbanization process: a case study of Hubei Yangtze River economic zone[J]. Ecology and Environmental Sciences, 2024, 33(3): 469-477. |
| [38] |
李建梅, 刘庆芳, 胡昊天, 等. 安徽省各市区、县域高铁可达性及其与经济潜力协调发展[J]. 经济地理, 2022, 42(11): 64-73. Li J M, Liu Q F, Hu H T, et al. Coordinated development between the accessibility of high-speed rail and economic potential in built-up areas and counties of Anhui Province[J]. Economic Geography, 2022, 42(11): 64-73. |
| [39] |
王苗, 刘普幸, 乔雪梅, 等. 基于RSEDI的宁夏生态环境质量时空演变及其驱动力贡献率分析[J]. 生态学杂志, 2021, 40(10): 3278-3289. Wang M, Liu P X, Qiao X M, et al. Analysis of the spatiotemporal evolution of ecological environmental quality in Ningxia and its driving force contribution based on RSEDI[J]. Chinese Journal of Ecology, 2021, 40(10): 3278-3289. |
| [40] |
汲玉河, 周广胜, 王树东, 等. 2000—2019年秦岭地区植被生态质量演变特征及驱动力分析[J]. 植物生态学报, 2021, 45(6): 617-625. Ji Y H, Zhou G S, Wang S D, et al. Evolution characteristics and its driving forces analysis of vegetation ecological quality in Qinling Mountains region from 2000 to 2019[J]. Chinese Journal of Plant Ecology, 2021, 45(6): 617-625. |
| [41] |
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6): 3260-3269. Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6): 3260-3269. |
| [42] |
郑慧玲, 郑辉峰. 基于土地利用/覆被动态变化的粤港澳大湾区碳储量评价与预测[J]. 环境科学, 2024, 45(4): 2321-2331. Zheng H L, Zheng H F. Assessment and prediction of carbon storage based on land use/land cover dynamics in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Environmental Sciences, 2024, 45(4): 2321-2331. |
| [43] |
李平星, 陈雯, 邹露, 等. 基于一体化生态空间格局的土地利用/覆被变化及其生态环境效应——以长三角为例[J]. 环境科学学报, 2021, 41(10): 3905-3915. Li P X, Chen W, Zou L, et al. Eco-environmental effect of land use/cover change (LUCC) based on integrated ecological space: a case of Yangtze River Delta[J]. Acta Scientiae Circumstantiae, 2021, 41(10): 3905-3915. |