黄土高原生态系统健康时空演变及其驱动因素分析

引用本文

王雅慧, 赵安周, 刘宪锋, 张未, 韩晓冉. 黄土高原生态系统健康时空演变及其驱动因素分析[J]. 环境科学, 2025, 46(7): 4558-4567.

WANG Ya-hui, ZHAO An-zhou, LIU Xian-feng, ZHANG Wei, HAN Xiao-ran. Analysis of Spatial and Temporal Evolution of Ecosystem Health and Its Driving Factors on the Loess Plateau[J]. Environmental Science, 2025, 46(7): 4558-4567.

黄土高原生态系统健康时空演变及其驱动因素分析

王雅慧¹, 赵安周¹, 刘宪锋², 张未¹, 韩晓冉¹

1. 河北工程大学矿业与测绘工程学院，邯郸 056038;
2. 陕西师范大学地理科学与旅游学院，西安 710119

收稿日期: 2024-07-13; 修订日期: 2024-08-30

基金项目: 国家自然科学基金项目（42171212）；河北省自然科学基金项目（D2022402030）；河北省研究生示范课程项目（KCJSX2024076）

作者简介: 王雅慧（2002~），女，硕士研究生，主要研究方向为城镇化与生态环境互馈机制，E-mail：2696584271@qq.com

通信作者: 赵安周, E-mail：zhaoanzhou@hebeu.edu.cn

摘要: 明确区域生态系统的健康状况及其驱动因素对于推动可持续发展具有重要意义. 基于“压力-状态-响应（PSR）”框架，评估了2000年、2005年、2010年、2015年和2020年黄土高原生态系统健康水平，并利用时空地理加权回归（GTWR）模型进一步识别了影响生态系统健康水平的主要驱动因素. 结果表明：①研究期间内黄土高原生态系统健康水平呈波动上升的趋势，其值由2000年的0.452上升到2020年的0.464，生态系统健康水平较好的区域主要分布在其中部和东北部地区，其值普遍高于0.45，生态系统健康水平较差的区域主要分布在其西北和东南部分区域，其值多低于0.40；②从空间聚集特征来看，黄土高原生态系统健康水平呈现显著的空间聚集特征，“H-H聚集”主要位于黄土高原中部、西部和东北部的西宁、延安、太原和天水等市；③驱动因素分析表明，坡度、年均气温、建设用地比例和土地利用强度为影响黄土高原生态系统健康的主导因子，其中坡度主要表现为正向驱动作用，年均气温、建设用地比例和土地利用强度主要表现为负向驱动作用. 研究结果能够为黄土高原生态保护和可持续发展政策的制定提供理论依据.

关键词: 生态系统健康压力-状态-响应（PSR）框架驱动因素时空地理加权回归（GTWR）模型黄土高原

Analysis of Spatial and Temporal Evolution of Ecosystem Health and Its Driving Factors on the Loess Plateau

WANG Ya-hui¹ , ZHAO An-zhou¹ , LIU Xian-feng² , ZHANG Wei¹ , HAN Xiao-ran¹

1. School of Mining and Geomatics, Hebei University of Engineering, Handan 056038, China;
2. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China

Abstract: The clarification of health status of a regional ecosystems and their driving factors is of great significance for promoting sustainable development. Based on the "pressure-state-response (PSR)" framework, the ecosystem health levels of the Loess Plateau were evaluated for the years 2000, 2005, 2010, 2015, and 2020, and the main driving factors affecting ecosystem health levels were further identified by using the spatial-temporal geographically weighted regression (GTWR) model. The following results were obtained: ① During the study period, the ecosystem health level of the Loess Plateau fluctuated upward, with the value increasing from 0.452 in 2000 to 0.464 in 2020. Areas with good ecosystem health levels were mostly distributed in the central and northeastern regions, with values greater than 0.45. Areas with poor ecosystem health levels were mostly distributed in the northwest and southeast regions, with values lower than 0.40. ② From the perspective of spatial aggregation characteristics, the ecosystem health level of the Loess Plateau exhibited significant spatial aggregation."H-H aggregations" were mostly located in the central, western, and northeastern parts of the Loess Plateau, such as Xining, Yan'an, Taiyuan, and Tianshui. ③ The analysis of driving factors showed that the slope, annual average temperature, proportion of construction land, and land use intensity were the dominant factors affecting the ecosystem health of the Loess Plateau. Slope mainly drove positively, whereas annual average temperature, proportion of construction land, and land use intensity mainly drove negatively. Our results can provide a theoretical basis for the formulation of ecological protection and sustainable development policies on the Loess Plateau.

Key words: ecosystem health pressure-state-response(PSR)framework driving factor spatial-temporal geographically weighted regression (GTWR) model Loess Plateau

生态系统健康是指生态系统结构和功能在动态过程中达到一种相对稳定和良好状态的能力，表现为生态系统的自我调节、自我修复和自我更新的能力^[1]. 在过去几十年，人类活动对生态系统的扰动不断增强，造成地球上至少2/3的生态系统退化，生态系统的健康问题日益凸显，严重威胁人类社会经济的可持续发展^[2]. 因此，对区域生态系统健康进行评价，明晰其主要驱动力对生态系统管理保护和恢复具有重要意义^[3].

目前，国内外对生态系统健康的评价多采用物种指示法和指标体系法，物种指示法主要是选择大量且典型的物种作为评估生态系统健康状况的指标^[4]，如Zhao等^[5]基于多种水生生物建立了一个新的水生态系统的健康评估体系；廖静秋等^[6]以生物和化学等综合指标评价了滇池流域生态系统健康状况. 考虑到物种指示法通常只适用于单一生态系统，且由于各种限制未能反映社会经济等复杂因素^[7]，因此也有学者采用指标体系法构建一个包含生态系统内部和外部的指标来全面评价生态系统的健康，该方法不受生态系统数量、类型和数据的限制^[4]，目前被用于各类生态系统的健康评价，其中以“活力-组织力-恢复力”（vigor-orangization-resilience，VOR）框架和“压力-状态-响应”（pressure-state-response，PSR）框架应用最为广泛^[7]，如Huang等^[4]通过VOR框架评估了2000~2020年中国陆地生态系统健康状况. 因该评估框架对生态系统服务以及驱动力方面考虑不足，也有学者对其进行了改进，如陈万旭等^[8]将生态系统服务纳入VOR框架中构建了“活力-组织力-弹性-服务（vigor-orangization-resilience-services，VORS）”的评估框架，系统分析了长江中游城市群生态系统健康水平的时空特征. 需要注意的是基于VOR框架以及在此基础上进行改进的框架侧重于对生态系统的完整性和自然状态进行评价^[9，10]，而PSR框架综合考虑了自然环境压力、系统现状与人类对其的响应间的内在关系^[11，12]，能够更加科学、全面的评估生态系统健康状况，被广泛应用在区域生态系统健康评估中^[13，14]，Xiao等^[12]以中国西南山区为研究区，采用PSR框架在格网尺度上计算了重庆市的生态系统健康值，分析和探究了重庆市生态健康现状及其动态变化规律.

从驱动要素来看，降水量和温度等自然因素以及土地利用、经济发展和人口密度等人类活动均会对生态系统健康产生重要影响^[15，16]，随着近些年人类活动的加剧，城市扩张和生态工程建设等人类活动正成为驱动生态系统健康时空变化的主要因素^[12，15]. 当前，大多学者采用线性回归、随机森林模型、相关性分析等探究影响生态系统健康的驱动因素^[16]，由于这些方法不能解释不同地区的影响差异性^[17]，因此也有学者采取地理加权回归（geographically weighted regression，GWR）模型来探究生态系统健康影响因素的空间异质特征，但该模型未能将时间维度纳入分析^[2，15]，时空地理加权回归（geographically and temporally weighted regression，GTWR）模型能够加入时间维度，有效解决时空非平稳性的问题^[18~20]. 尽管大量学者已经对生态系统健康的影响因素进行了分析，但现有研究多集中在城市群等人口密集的区域，对我国西部欠发达的地区研究较少^[21]，特别是对生态工程重点实施区域生态系统的健康状况评估及其主导因素的空间分异研究并不多见.

黄土高原位于黄河中上游地区，是我国生态工程重点实施区域之一^[21]，自1999年退耕还林还草、天然林保护等生态工程实施以来，该地区植被呈现明显的恢复状况，目前大多学者通过影响因子与生态环境的相关性分析其影响因素^[21~23]，对其生态系统健康状况尤其是各驱动因子时空分异的研究鲜有报道. 鉴于此，本研究基于PSR框架和时空分析方法对黄土高原2000年、2005年、2010年、2015年和2020年生态系统健康进行评价，在此基础上进一步利用GTWR模型探究影响生态系统健康主要驱动因素的时空分异特征，以期为黄土高原生态恢复与持续治理提供理论依据与数据支持.

1 研究区概况

黄土高原位于黄河中游，北纬33°43′~41°16′，东经100°54′~114°33′之间，覆盖山西省和宁夏回族自治区的全境，内蒙古自治区、甘肃省、青海省、陕西省和河南省的部分区域，总面积约为64.8万km^2[21，24]. 该地区地势西高东低，西部地区以高原和沟壑地貌为主，东南部地区主要是由土石构成的山区，北部地区则为风沙地带、干旱草原和高地草原^[25][图 1（a）]. 气候类型属温带大陆性季风气候，冬季寒冷干旱，夏季炎热多雨，年平均气温3.6~14.3℃，平均降水150~800 mm^[26]. 由于气候和地形特点，该地区在水热资源方面呈现出显著的地域性差异，导致植被类型呈现出复杂且多样化的特点，从东南到西北，植被类型依次为森林、森林草原、温带草原以及荒漠和半荒漠^[27] [图 1（b）]. 随着社会经济的发展和人类活动的加剧，对该地区生态系统健康的影响日益加强，严重威胁其可持续发展，因此，本研究以黄土高原44个市域作为评价单元对其生态系统健康及其驱动因素进行分析.

图 1 研究区位置和植被类型 Fig. 1 Location and vegetation type of the study area

2 材料与方法 2.1 数据来源 2.1.1 生态系统健康评价数据

生态系统健康评价数据包括土地利用数据、人口密度数据、植被覆盖数据和社会经济数据等，其中归一化植被指数（normalized difference vegetation index，NDVI）数据源于谷歌地球引擎平台；土地利用和人口密度数据源于中国科学院资源环境科学与数据中心；社会经济数据用于生态系统服务价值的计算，源于各省市的统计年鉴和《全国农产品成本收益资料汇编》（表 1）.

表 1 研究数据来源与描述 Table 1 Research data sources and descriptions

2.1.2 生态系统健康驱动因素数据

生态系统健康驱动因素包括高程（digital elevation model，DEM）、坡度（SLOPE）、年均降雨（precipitation，PRE）、年均气温（temperature，TEM）、年均相对湿度（relative humidity，RHU）、国内生产总值（gross domestic product，GDP）、植被覆盖度（fraction of vegetation coverage，FVC）、夜间灯光强度（nighttime light intensity，NLI）、建设用地比例（proportion of built-up land，POB）和土地利用强度（land use intensity，LUI）. 其中DEM数据源于地理空间数据云，依据DEM数据计算得到SLOPE数据；PRE、TEM和RHU数据源于国家地球系统科学数据中心；GDP数据源于中国科学院资源环境科学与数据中心；FVC数据源于地球资源数据云；NLI数据源于国家青藏高原科学数据中心，具体描述如表 1所示. 所有数据均统一投影坐标系为WGS_1984_UTM_Zone_48N.

2.2 生态系统健康评价 2.2.1 PSR框架

PSR框架的基础是压力（pressure）、状态（state）和响应（response）三者之间的因果关系，最初是由经济合作与发展组织（Organization for Economic Cooperation and Development，OECD）提出^[28]，该框架不仅可以描述人类活动（如不可持续的资源开发、经济发展和人口增长等）对生态系统造成压力，改变生态系统的活力、组织力、功能和恢复力等状态，同时也可评估人类对上述变化的响应，进而恢复或改善生态系统的健康^[29，30]. 压力指标表征自然生产和人类活动给生态系统带来的压力，选取表征人类活动压力的人口密度^[12]作为压力评价指标；状态指标表征研究区的生态环境状态及变化^[31]，考虑到生态环境的生物特征及生态功能，选取NDVI、Shanon多样性指数（Shannon's diversity index，SHDI）、Shanon均匀度指数（Shannon's evenness index，SHEI）、凝聚度指数（cohesion index，COHESION）和生态系统恢复力指数（ecosystem resilience index，ERI）^[8，11]这5项指标作为状态评价指标，其中NDVI与植被生长和净初级生产力相关，SHDI和SHEI表征景观多样性与稳定性，COHESION表示景观连通性，ERI指生态系统承受自然和人类活动干扰的能力^[32，33]；响应指标用于衡量人类对生态恢复所采取措施的有效性，生态系统服务价值（ecosystem services value，ESV）作为评价生态服务功能的重要准则，已被普遍定义为评价生态系统健康的关键性指标，蔓延度指数（contagion index，CONTAG）能够反映景观的完整性，平均分形维数（fractal dimension index_mean，FRAC_MN）用于度量景观的复杂性^[31]，因此选取ESV、CONTAG和FRAC_MN作为响应层指标来构建黄土高原生态系统健康评估框架.

其中SHDI、SHEI、COHESION、CONTAG、FRAC_MN通过景观指数计算软件Fragstats4.2计算得到，具体介绍及计算方法详见表 2；ERI计算参考有关学者研究^[34，35]并结合研究区实际情况，对不同景观类型对恢复力的贡献程度赋值，弹性值由高到低依次为林地（9）、水体（8）、草地（7）、耕地（3.5）、建设用地（2）、未利用地（0）；ESV的计算参考谢高地等^[36，37]提出的中国陆地生态系统单位面积ESV当量系数表，参考张瑜等^[38]和Jiang等^[39]对黄土高原ESV的研究，采用研究区2010年主要粮食作物的平均产量4.99 t·hm^-2，平均单价2 075.6元·t^-1，得到黄土高原单个ESV当量因子为1 479.7元·hm^-2. 按不同土地利用类型进行划分，与得到的研究区ESV当量系数表进行叠加，计算可得黄土高原2000年、2005年、2010年、2015年和2020年的ESV.

表 2 生态系统健康评价指标体系及计算方法 Table 2 Ecosystem health evaluation index system and calculation methods

2.2.2 熵权法

采用极差法对各指标归一化处理，将各指标数据归一化至0~1区间范围内，具体计算公式如下.

正向指标： Y_{i j} = \frac{x_{i j} - x_{i m i n}}{x_{i m a x} - x_{i m i n}}

(1)

负向指标： Y_{i j} = \frac{x_{i m a x} - x_{i j}}{x_{i m a x} - x_{i m i n}}

(2)

式中，Y_ij表示标准化处理后的指标值，xij 表示指标的初始值，ximax 和ximin 表示指标的最大值和最小值，i表示指标个数，取值为1~9，j为年份.

确定评价指标的权重采用熵权法，该方法不受主观因素的影响，依据相关的数学理论，能够反映各指标的效用信息^[40]，其具体计算公式如下.

熵值（E_i）计算公式如下：

E_{i} = - k \sum_{j = 1}^{n} f_{i j} l n f_{i j}

(3)

f_{i j} = \frac{r_{i j}}{\sum_{j = 1}^{n} r_{i j}}

(4)

式中，k=1/lnn . 当fij =0时，fij ln fij =0.

差异性系数（di ）计算公式如下：

d_{i} = 1 - E_{i} (i = 1, 2, \dots, m)

(5)

指标的权重（Wi ）计算公式如下：

W_{i} = \frac{d_{i}}{\sum_{i = 1}^{m} d_{i}} (i = 1, 2, \dots, m)

(6)

其中0≤Wi ≤1、∑i=1mWi=1 ，通过此方法计算得到的各指标的权重值如表 1所示.

综合评价指数是通过将各项评价指标的标准化值按权重累加计算得到^[12].

E H I_{j} = \sum_{i = 1}^{n} W_{i} \times Y_{i j}

(7)

式中，EHI _j为第j年的生态系统健康指数值.

目前，有关EHI的划分尚没有统一的标准，参考已有研究成果^[33，41~43]及黄土高原实际情况，将黄土高原各市域EHI计算结果划分为5级：EHI∈（0，0.35]时为差（Ⅰ级）、（0.35，0.40]时为较差（Ⅱ级）、（0.40，0.45]时为一般（Ⅲ级）、（0.45，0.50]时为较优（Ⅳ级）和（0.50，0.65]时为优（Ⅴ级）；将2000~2020年EHI变化分为上升（> 0）和下降（<0）.

2.3 空间自相关分析

空间自相关分析用于衡量相邻空间某一观测值的相关性与差异性，分为全局自相关和局部自相关. 其中，全局自相关用以分析观测变量的相关性强弱程度，用全局莫兰指数（global Moran's I，I_G）来表征^[44]，其范围为[-1，1]；局部自相关分析用以衡量相邻单元自相关的关联性与异质性强弱程度^[17]，采用局部莫兰指数（local Moran's I，I_L）来表征. 具体公式如下：

I_{G} = \frac{n \sum_{i = 1}^{n} \sum_{j = 1}^{n} W_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} \sum_{j = 1}^{n} W_{i j} \sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2}}

(8)

I_{L} = \frac{\sum_{j = 1, j + i}^{n} W_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2}}

(9)

式中，n为市域数量，x¯ 为观测值的平均值，xi 和xj 分别为在i和j的观测值，Wij 为i和j间的空间权重.

2.4 时空地理加权回归模型（GTWR）

本文采用GTWR模型探究黄土高原生态系统健康驱动因素的时空特征^[17，45]，公式为：

Y_{i} = β_{0} (u_{i}, v_{i}, t_{i}) + \sum_{l = 1}^{k} β_{l} (u_{i}, v_{i}, t_{i}) X_{i l} + δ_{i}

(10)

式中，Yi 为被观测变量，ui ，vi ，ti 分别为经纬度和时间，βlui,vi,ti 为第i个要素第l个自变量的回归系数，Xil 为解释变量，δi 为残差项.

其中驱动因素中LUI计算公式如下：

L U I = \sum_{i = 1}^{n} A_{i} S_{i} / S_{c}

(11)

式中，Ai 表示第i级地类用地强度等级，参考文献[33]，各地类用地强度等级分别为：建设用地（4）、耕地（3）、草地（2.5）、林地（2）、水域（2）和未利用地（1）；Si 表示第i种土地利用类型面积，Sc 表示土地总面积.

3 结果与分析 3.1 黄土高原生态系统健康时空演变特征

图 2（a）显示了2000年、2005年、2010年、2015年和2020年黄土高原EHI的平均值分别为0.452、0.460、0.455、0.457和0.464，总体呈现波动上升趋势. 从不同等级EHI占比情况来看，2000年、2005年、2010年、2015年和2020年低于EHI均值的市域单元比例分别为50.00%、52.27%、50.00%、47.73%和52.27%. 从时间变化来看，EHI处于优（Ⅴ级）和较优（Ⅳ级）的市呈现上升的趋势，其占比由2000年的50%增加到2020年的59%；处于一般（Ⅲ级）和较差（Ⅱ级）的占比呈下降趋势，由2000年的47.73%减少到2020年的38.64%；EHI处于差（Ⅰ级）等级的占比最低，均为2.27%[图 2（b）].

图 2 黄土高原生态系统健康变化趋势及不同等级占比 Fig. 2 Trend of ecosystem health changes in the Loess Plateau and the proportion of different levels

黄土高原生态系统健康水平具有显著的空间异质性（图 3），呈现优（Ⅴ级）和较优（Ⅳ级）健康水平的地区主要分布在黄土高原中部、东北部和西部区域，如海东、延安、西安、吕梁、太原和忻州市等；呈一般（Ⅲ级）健康水平的地市主要有兰州、渭南、呼和浩特、朔州、长治和三门峡市；而呈差（Ⅰ级）和较差（Ⅱ级）的地市主要集中于黄土高原西北部和东南部，如巴彦淖尔、吴忠、中卫、渭南和运城市等. 从EHI变化空间分布来看，EHI下降的市域数量占黄土高原市域总数的27.27%，主要分布在黄土高原东南部等区域，包括西安、郑州、洛阳、阳泉和大同市等，这些区域生态系统健康水平出现恶化趋势主要由于近年来处于高强度开发过程，人类对生态系统干扰广度和深度逐步提升，区域内的人为景观逐渐代替了半自然景观和自然景观，导致生态系统多样性和恢复能力明显下降^[33]. EHI上升的市域数量占黄土高原市域总数的72.73%，集中分布在黄土高原中部和北部地区，主要由于此区域为国家实施的退耕还林还草政策的重点区域，治理效果显著，植被覆盖度增加，生态保护和修复措施极大提升了该地区生态系统的健康水平^[33，34].

图 3 黄土高原生态系统健康空间分布与时空变化 Fig. 3 Spatial distribution and spatiotemporal changes of ecosystem health in the Loess Plateau

3.2 黄土高原生态系统健康空间聚集特征

全局空间自相关Moran's I指数分析结果如表 3所示，2000年、2005年、2010年、2015年和2020年黄土高原EHI全局Moran's I指数分别为0.450、0.481、0.428、0.458、0.427，Z值均大于显著性水平检验临界值2.58，且均通过了P<0.001显著性水平检验，表明黄土高原市域尺度EHI在99.9%置信度下存在显著的空间正相关，即EHI较高的地区空间上趋于和EHI较高的地区邻接，EHI较低的地区空间上趋于和EHI较低的地区邻接.

表 3 EHI全局自相关检验 Table 3 EHI global autocorrelation test

2000年、2005年、2010年、2015年和2020年黄土高原EHI的局部自相关聚类图如图 4所示. 从中可以看出，研究期间内“H-H聚集”主要分布于黄土高原中部、西部和东北部，包括西宁、延安、太原和天水市等；“L-L聚集”分布于巴彦淖尔、银川和运城市等周围市域，表明此区域的生态环境较差，且相邻地区的生态环境也较差；H-L、L-H和无明显聚集地区分布较少且较为分散.

图 4 黄土高原生态系统健康局部自相关聚类分布 Fig. 4 Local autocorrelation clustering distribution of ecosystem health in the Loess Plateau

3.3 生态系统健康变化驱动因素分析 3.3.1 影响因子选取与识别

为探究黄土高原生态系统健康变化的驱动因素，基于研究区概况和数据可获取性^{[2，16，35]}，选取2000年、2005年、2010年、2015年和2020年DEM、SLOPE、PRE、TEM、RHU和FVC作为自然因素，GDP、NLI、POB和LUI作为人类活动因素，构建GTWR模型，进一步解析黄土高原生态系统健康变化的驱动因素. 为避免初选因子出现多重共线性问题，实现有效降维，将10个初选因子运用OLS经典线性回归，根据回归结果将方差膨胀因子（variance inflation factor，VIF）大于7.5的DEM和PRE剔除，其余8个因子通过GTWR模型与黄土高原EHI进行分析.

3.3.2 基于GTWR的影响因子时空异质性分析

基于GTWR模型，利用自然断点法将回归结果中各影响因子与EHI的回归系数分为4个等级，图 5和图 6显示了自然因子和人类活动因子回归系数的时空分布. 从整体看，SLOPE、TEM、POB和LUI的回归系数绝对值与其他因子相比较高，因此，将SLOPE、TEM、POB和LUI确定为影响黄土高原生态系统健康的主导因子，重点分析这些因子对生态系统健康的影响.

图 5 黄土高原自然影响因子回归系数的时空分布 Fig. 5 Spatiotemporal distribution of regression coefficients of natural impact factors on the Loess Plateau

图 6 黄土高原人类活动影响因子回归系数的时空分布 Fig. 6 Spatiotemporal distribution of regression coefficients of human activity influencing factors on the Loess Plateau

SLOPE对黄土高原生态系统健康的影响主要为正向驱动作用，即随SLOPE的增加，该地区的EHI也增加[图 5（a）]. 黄土高原大部分地市的回归系数为正值，其中高值区主要包括榆林、延安、渭南、铜川和巴彦淖尔市等，说明这些地市生态系统健康水平受SLOPE影响较大. 回归系数为负值的区域位于东南部的晋城、济源、洛阳和郑州市等. 从变化趋势来看，回归系数呈现高值区的地市数量逐渐减少，表明该地区SLOPE对生态系统健康的正向驱动作用逐渐减弱.

从TEM的回归系数时空分布来看[图 5（d）]，TEM对黄土高原生态系统健康的影响以负向驱动作用为主. 回归系数负值区分布在黄土高原南部和东北部的大部分区域，其中高值区有洛阳、郑州、晋城和铜川市等，回归系数为正值的区域分布于黄土高原西北部的巴彦淖尔、银川和吴忠市等. 随时间变化，负值区逐渐增加，说明该地区TEM对生态系统健康的负向驱动作用逐渐增强.

从POB的回归系数时空分布来看[图 6（f）]，黄土高原POB对生态系统健康的影响整体呈“西高东低”的态势，且以负向驱动作用为主. 回归系数负值区分布于黄土高原西部和中部的海东、固原、庆阳和榆林市等，而正值区集中于黄土高原东部和南部的宝鸡、临汾、运城、晋城、洛阳和郑州市等. 在时间的变化上，回归系数为负值的区域随时间的变化逐渐减少，主要表现为黄土高原中部和西部的白银、平凉和西宁市等地区，说明这些地区近年来POB对生态系统健康的影响程度逐渐减弱.

黄土高原LUI的增加对生态系统健康的影响以负向驱动作用为主，大致呈东西分布[图 6（g）]. 整体看来，黄土高原西部的定西、吴忠、中卫和固原市等地区LUI对生态系统健康的影响以正向为主且保持稳定的态势；而黄土高原中部和东部的榆林、太原、晋城和郑州市等地区均处于负值区. 从时间变化来看，LUI对生态系统健康的负向驱动作用逐渐增强，如咸阳、铜川、运城和三门峡市等.

4 讨论

基于PSR框架和熵权法，本文构建了黄土高原生态系统健康评价指标体系，并结合空间统计方法，对2000年、2005年、2010年、2015年和2020年该地区生态系统健康评估与时空演变特征及其驱动因素进行了分析. 研究结果表明黄土高原EHI呈上升趋势，其值由2000年的0.452上升到2020年的0.464[图 2（a）]，主要原因是由于近些年来国家在该地区大力推进退耕还林还草、生态保护以及天然防护林等生态恢复工程，使得其林地和草地面积增加进而提升植被覆盖度与景观多样性^[21，46]，改善了生态健康状况，这与邵雅静^[15]和郭珊珊^[33]表明黄河流域中上游生态系统健康水平明显提升相一致；此外，Chen等^[26]研究也表明2000~2020年黄土高原遥感生态指数（remote sensing ecological index，RSEI）从0.32上升至0.46，生态环境质量逐渐改善. 空间上，生态系统健康水平较高的地区主要分布在黄土高原中部、东北部和西部区域（图 3），这与郭珊珊^[33]认为生态系统健康水平较好的区域主要分布在黄河流域西部祁连山、秦岭北麓、吕梁山和太行山等植被覆盖较好的区县，并且分区范围明显变大的研究结果相类似. 在驱动因素方面，本文的研究结果发现SLOPE、TEM、POB和LUI是影响黄土高原生态系统健康的主导因子，其中SLOPE主要表现为正向驱动作用，TEM、POB和LUI则呈现负向驱动作用（图 5和图 6），这与邵雅静^[15]、李慧等^[23]和罗逸臻等^[47]的研究较为一致，主要原因是陡坡地形有助于限制土地开发，可以有效防止自然生态环境遭受人类破坏，促进生态系统的健康发展^{[21，33，48]}；POB和LUI的增加导致不透水表面快速扩张，生态用地面积持续缩减，生物多样性减少^[15]，对区域生态系统的健康影响较大. 郭珊珊^[33]选取与本文相似的10个因子，对黄河流域生态系统健康与各影响因子进行了Pearson相关性分析，结果表明导致黄河流域生态系统健康变化的主导因素有SLOPE、LUI、人口密度和POB. 这与本研究得到的结论相类似，其中黄河流域人口密度因素影响较大与本文结论不一致，其原因可能是黄河流域下游的河南省和山东省等人口较多的区域不在本研究考虑范围内. 与已有研究^{[2，12，23]}相比，GTWR模型将各驱动因子回归结果的分布特征与时间变化以空间化显示，更加直观、详细地揭示了不同区域各因子对生态系统健康的驱动作用程度与动态变化特征.

本研究虽基于PSR框架建立了黄土高原生态系统健康评价的体系和方法，并采用GTWR模型探究自然因素和人类活动方面各因子影响生态系统健康演变的时空异质性，力图实现研究的科学性与合理性，但黄土高原是一个地形复杂、水土流失严重等共同作用形成的脆弱且复杂的生态系统^[49]，由于目前该方面的研究处于起步阶段，未形成统一和成熟的评价体系，可借鉴的成果有限^[2]，故本研究所建立的评价体系指标选取可能不够完善，因此未来的研究应扩大指标类型及数据来源，考虑加入更多压力指标和供给、调节、文化、支持等生态系统服务方面的作用，建立多方面、多尺度的生态系统健康评价指标体系^{[8，50，51]}. 受到统计数据获取的限制，GTWR模型选取了2000年、2005年、2010年、2015年和2020年各10个驱动因子进行了研究，将因子数量提高、时间间隔减小可能会得到更有说服力的研究结果. 未来黄土高原在发展进程中应努力协调人类生产生活和城市扩张与耕地、林地和水域等土地利用之间的不平衡，走绿色可持续发展道路.

5 结论

（1）2000~2020年期间黄土高原EHI呈波动上升的趋势，其值由2000年的0.452上升到2020年的0.464. 生态系统健康水平较好的地区主要分布在黄土高原中部、东北部和西部区域，如海东、西安、吕梁、太原和忻州市等，较差的地市主要集中于黄土高原西北部和东南部，如巴彦淖尔、中卫、渭南和运城市等.

（2）黄土高原EHI呈现显著的空间聚集特征，高值区和低值区聚集区域整体保持相对稳定. “H-H聚集”主要位于黄土高原中部、西部和东北部，包括西宁、延安、太原和天水市等地区；“L-L聚集”分布于巴彦淖尔、银川和运城市等周围市域.

（3）SLOPE、TEM、POB和LUI为影响黄土高原生态系统健康的主导因子，其中SLOPE主要表现为正向驱动作用，且随时间变化正向驱动作用逐渐减弱；TEM、POB和LUI主要为负向驱动作用，随时间变化POB对生态系统健康的负向驱动作用逐渐减弱，TEM和LUI的负向驱动作用逐渐增强.

参考文献

[1]	Wu J S, Cheng D J, Xu Y Y, et al. Spatial-temporal change of ecosystem health across China: urbanization impact perspective[J]. Journal of Cleaner Production, 2021, 326. DOI:10.1016/J.JCLEPRO.2021.129393
[2]	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.
[3]	Rapport D J, Maffi L. Eco-cultural health, global health, and sustainability[J]. Ecological Research, 2011, 26(6): 1039-1049. DOI:10.1007/s11284-010-0703-5
[4]	Huang C B, Liu S S, Du X X, et al. Chinese urbanization promoted terrestrial ecosystem health by implementing high-quality development and ecological management[J]. Land Degradation & Development, 2024, 35(6): 2000-2021.
[5]	Zhao C S, Shao N F, Yang S T, et al. Integrated assessment of ecosystem health using multiple indicator species[J]. Ecological Engineering, 2019, 130: 157-168. DOI:10.1016/j.ecoleng.2019.02.016
[6]	廖静秋, 曹晓峰, 汪杰, 等. 基于化学与生物复合指标的流域水生态系统健康评价——以滇池为例[J]. 环境科学学报, 2014, 34(7): 1845-1852. Liao J Q, Cao X F, Wang J, et al. Basin-scale aquatic ecosystem health assessment with composite indices of chemistry and aquatic biota: a case study of Dianchi Lake[J]. Acta Scientiae Circumstantiae, 2014, 34(7): 1845-1852.
[7]	高丽萍. 基于土地利用变化的滇中城市群生态系统健康演化特征及影响因素研究[D]. 昆明: 云南财经大学, 2023. Gao L P. Study on evolution characteristics and influencing factors of ecosystem health in central Yunnan urban agglomeration based on land use change[D]. Kunming: Yunnan University of Finance and Economics, 2023.
[8]	陈万旭, 赵雪莲, 钟明星, 等. 长江中游城市群生态系统健康时空演变特征分析[J]. 生态学报, 2022, 42(1): 138-149. Chen W X, Zhao X L, Zhong M X, et al. Spatiotemporal evolution patterns of ecosystem health in the middle reaches of the Yangtze River urban agglomerations[J]. Acta Ecologica Sinica, 2022, 42(1): 138-149.
[9]	刘芳锐, 张正栋, 王欣怡, 等. 粤港澳大湾区生态系统健康时空变化及其对城镇化的响应[J]. 生态学报, 2023, 43(7): 2594-2604. Liu F R, Zhang Z D, Wang X Y, et al. Spatio-temporal variation of ecosystem health and its response to urbanization in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta Ecologica Sinica, 2023, 43(7): 2594-2604.
[10]	Ge F J, Tang G L, Zhong M X, et al. Assessment of ecosystem health and its key determinants in the middle reaches of the Yangtze River urban agglomeration, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(2). DOI:10.3390/ijerph19020771
[11]	Liu D L, Hao S L. Ecosystem health assessment at county-scale using the pressure-state-response framework on the Loess Plateau, China[J]. International Journal of Environmental Research and Public Health, 2017, 14(1). DOI:10.3390/ijerph14010002
[12]	Xiao Z L, Liu R, Gao Y H, et al. Spatiotemporal variation characteristics of ecosystem health and its driving mechanism in the mountains of southwest China[J]. Journal of Cleaner Production, 2022, 345. DOI:10.1016/J.JCLEPRO.2022.131138
[13]	罗鹏, 谈存峰, 齐婷婷. 基于PSR模型的黄河流域甘肃段生态系统健康评价及预测[J]. 水土保持通报, 2024, 44(3): 180-189. Luo P, Tan C F, Qi T T. Evaluation and prediction of ecosystem health in Gansu section of Yellow River Basin based on PSR model[J]. Bulletin of Soil and Water Conservation, 2024, 44(3): 180-189.
[14]	宁立新, 马兰, 周云凯, 等. 基于PSR模型的江苏海岸带生态系统健康时空变化研究[J]. 中国环境科学, 2016, 36(2): 534-543. Ning L X, Ma L, Zhou Y K, et al. Spatiotemporal variations of ecosystem health of the coastal zone in Jiangsu Province based on the PSR model[J]. China Environmental Science, 2016, 36(2): 534-543. DOI:10.3969/j.issn.1000-6923.2016.02.033
[15]	邵雅静. 气候变化和人类活动影响下的生态系统健康时空演变特征及分区管控——以黄河流域为例[D]. 西安: 长安大学, 2022. Shao Y J. Spatial and temporal evolution characteristics of ecosystem health under the influence of climate change and human activities and zoning management-take the Yellow River Basin as an example[D]. Xi'an: Chang'an University, 2022.
[16]	Shen W, Zheng Z C, Qin Y C, et al. Spatiotemporal characteristics and driving force of ecosystem health in an important ecological function region in China[J]. International Journal of Environmental Research and Public Health, 2020, 17(14). DOI:10.3390/ijerph17145075
[17]	朱玮晗, 林金煌, 杨舒棋, 等. 福建省县域森林损失时空演变特征及其影响因素分析[J]. 生态与农村环境学报, 2024, 40(4): 499-512. Zhu W H, Lin J H, Yang S Q, et al. Characterization of spatial and temporal evolution of forest loss in counties in Fujian Province and analysis of its influencing factors[J]. Journal of Ecology and Rural Environment, 2024, 40(4): 499-512.
[18]	Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3): 383-401. DOI:10.1080/13658810802672469
[19]	He J, Yang J. Spatial-temporal characteristics and influencing factors of land-use carbon emissions: an empirical analysis based on the GTWR model[J]. Land, 2023, 12(8). DOI:10.3390/LAND12081506
[20]	刘贤赵, 李阳. 县域尺度下长株潭地区城市化与碳排放的关系[J]. 环境科学, 2023, 44(12): 6664-6679. Liu X Z, Li Y. Relationship between urbanization and carbon emissions in the Chang-Zhu-Tan Region at the county level[J]. Environmental Science, 2023, 44(12): 6664-6679.
[21]	赵安周, 田新乐. 基于GEE平台的1986—2021年黄土高原植被覆盖度时空演变及影响因素[J]. 生态环境学报, 2022, 31(11): 2124-2133. Zhao A Z, Tian X L. Spatiotemporal evolution and influencing factors of vegetation coverage in the Loess Plateau from 1986 to 2021 based on GEE platform[J]. Ecology and Environmental Sciences, 2022, 31(11): 2124-2133.
[22]	赵安周, 张安兵, 刘海新, 等. 退耕还林(草)工程实施前后黄土高原植被覆盖时空变化分析[J]. 自然资源学报, 2017, 32(3): 449-460. Zhao A Z, Zhang A B, Liu H X, et al. Spatiotemporal variation of vegetation coverage before and after implementation of grain for green project in the Loess Plateau[J]. Journal of Natural Resources, 2017, 32(3): 449-460.
[23]	李慧, 张少伟, 赵阳. 黄河流域黄土高原生态质量时空演变格局及其驱动因素[J]. 水土保持研究, 2024, 31(4): 233-240. Li H, Zhang S W, Zhao Y. Spatiotemporal evolution pattern of ecological quality of the Loess Plateau and its driving factors[J]. Research of Soil and Water Conservation, 2024, 31(4): 233-240.
[24]	张家政, 李崇贵, 王涛. 黄土高原植被覆盖时空变化及原因[J]. 水土保持研究, 2022, 29(1): 224-230, 241. Zhang J Z, Li C G, Wang T. Dynamic changes of vegetation coverage on the Loess Plateau and its factors[J]. Research of Soil and Water Conservation, 2022, 29(1): 224-230, 241.
[25]	魏建洲. 黄土高原草地植被变化及其驱动力分析[D]. 兰州: 兰州大学, 2020. Wei J Z. Grassland vegetation change and its driving force in the Loess Plateau of China[D]. Lanzhou: Lanzhou University, 2020.
[26]	Chen S F, Zhang Q F, Chen Y N, et al. Vegetation change and eco-environmental quality evaluation in the Loess Plateau of China from 2000 to 2020[J]. Remote Sensing, 2023, 15(2). DOI:10.3390/RS15020424
[27]	易浪, 任志远, 张翀, 等. 黄土高原植被覆盖变化与气候和人类活动的关系[J]. 资源科学, 2014, 36(1): 166-174. Yi L, Ren Z Y, Zhang C, et al. Vegetation cover, climate and human activities on the Loess Plateau[J]. Resources Science, 2014, 36(1): 166-174.
[28]	Levrel H, Kerbiriou C, Couvet D, et al. OECD pressure-state-response indicators for managing biodiversity: a realistic perspective for a French biosphere reserve[J]. Biodiversity and Conservation, 2009, 18(7): 1719-1732. DOI:10.1007/s10531-008-9507-0
[29]	Sun B D, Tang J C, Yu D H, et al. Ecosystem health assessment: a PSR analysis combining AHP and FCE methods for Jiaozhou Bay, China[J]. Ocean & Coastal Management, 2019, 168: 41-50.
[30]	李远艳, 安裕伦, 杨广斌. 基于PSR模型的喀斯特地区生态系统健康动态评价——以贵州省为例[J]. 水土保持研究, 2015, 22(6): 279-286. Li Y Y, An Y L, Yang G B. Dynamic evaluation of ecosystem health based on PSR model in Karst areas——a case study of Guizhou Province[J]. Research of Soil and Water Conservation, 2015, 22(6): 279-286.
[31]	霍子文, 王佳. 基于PSR模型的北京市西北生态涵养区生态健康评价研究[J]. 中国土地科学, 2020, 34(9): 105-112. Huo Z W, Wang J. Assessment on ecological health in northwest conservation area of Beijing city based on PSR model[J]. China Land Science, 2020, 34(9): 105-112.
[32]	Das S, Pradhan B, Shit P K, et al. Assessment of wetland ecosystem health using the pressure-state-response (PSR) model: a case study of mursidabad district of West Bengal (India)[J]. Sustainability, 2020, 12(15). DOI:10.3390/su12155932
[33]	郭珊珊. 黄河流域生态系统健康与城镇化耦合协调研究[D]. 徐州: 中国矿业大学, 2022. Guo S S. Research on the coupling and coordination of ecosystem health and urbanization in the Yellow River[D]. Xuzhou: China University of Mining and Technology, 2022.
[34]	孟庆香, 刘国彬, 杨勤科. 黄土高原土地利用动态变化及其生态效应[J]. 中国水土保持科学, 2009, 7(2): 48-53, 62. Meng Q X, Liu G B, Yang Q K. Dynamic change of land use and its ecological effects on the Loess Plateau[J]. Science of Soil and Water Conservation, 2009, 7(2): 48-53, 62.
[35]	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.
[36]	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.
[37]	谢高地, 甄霖, 鲁春霞, 等. 一个基于专家知识的生态系统服务价值化方法[J]. 自然资源学报, 2008, 23(5): 911-919. Xie G D, Zhen L, Lu C X, et al. Expert knowledge based valuation method of ecosystem services in China[J]. Journal of Natural Resources, 2008, 23(5): 911-919. DOI:10.3321/j.issn:1000-3037.2008.05.019
[38]	张瑜, 赵晓丽, 左丽君, 等. 黄土高原生态系统服务价值动态评估与分析[J]. 水土保持研究, 2018, 25(3): 170-176. Zhang Y, Zhao X L, Zuo L J, et al. Dynamic evaluation and analysis on ecosystem service value in the Loess Plateau[J]. Research of Soil and Water Conservation, 2018, 25(3): 170-176.
[39]	Jiang W, Fu B J, Lü Y H. Assessing impacts of land use/land cover conversion on changes in ecosystem services value on the Loess Plateau, China[J]. Sustainability, 2020, 12(17). DOI:10.3390/su12177128
[40]	Bai X R, Tang J C. Ecological security assessment of Tianjin by PSR model[J]. Procedia Environmental Sciences, 2010, 2: 881-887.
[41]	贾慧聪, 曹春香, 马广仁, 等. 青海省三江源地区湿地生态系统健康评价[J]. 湿地科学, 2011, 9(3): 209-217. Jia H C, Cao C X, Ma G R, et al. Assessment of wetland ecosystem health in the source region of Yangtze, Yellow and Yalu Tsangpo Rivers of Qinghai Province[J]. Wetland Science, 2011, 9(3): 209-217.
[42]	卢应爽, 韩蕊, 石宇, 等. 黔东南苗族侗族自治州生态系统健康的时空变化[J]. 生态学报, 2021, 41(14): 5557-5569. Lu Y S, Han R, Shi Y, et al. Ecosystem health assessment of Qiandongnan Miao and Dong Autonomous Prefecture[J]. Acta Ecologica Sinica, 2021, 41(14): 5557-5569.
[43]	喻志强, 曹浩, 王正勇, 等. 长江经济带生态系统健康评估及时空变化特征[J]. 水利水运工程学报, 2022(4): 28-36. Yu Z Q, Cao H, Wang Z Y, et al. Ecosystem health assessment and spatial and temporal change characteristics of the Yangtze River Economic Belt[J]. Hydro-Science and Engineering, 2022(4): 28-36.
[44]	Ren E H, Lin W P, Li B, et al. Regional ecological security assessment based on the pressure-state-response framework: the demonstration zone of Yangtze River Delta as an example[J]. Land, 2024, 13(1). DOI:10.3390/LAND13010096
[45]	Zou C, Zhu J W, Lou K L, et al. Coupling coordination and spatiotemporal heterogeneity between urbanization and ecological environment in Shaanxi Province, China[J]. Ecological Indicators, 2022, 141. DOI:10.1016/J.ECOLIND.2022.109152
[46]	刘静. 退耕还林后黄土高原植被覆被变化过程及未来分布预测[D]. 咸阳: 中国科学院教育部水土保持与生态环境研究中心, 2019. Liu J. Vegetation cover change process and future distribution prediction on the Loess Plateau after "Grain to Green"[D]. Xianyang: Research Center for Soil and Water Conservation and Eco-Environment, Chinese Academy of Sciences and Ministry of Education, 2019.
[47]	罗逸臻, 黄远程, 王涛. 关中平原城市群生态环境质量时空变化特征及其驱动力[J]. 地球科学与环境学报, 2023, 45(6): 1316-1329. Luo Y Z, Huang Y C, Wang T. Spatial-temporal variation characteristics of ecological environment quality and their driving forces in Guanzhong plain urban agglomeration, China[J]. Journal of Earth Sciences and Environment, 2023, 45(6): 1316-1329.
[48]	马士彬, 安裕伦, 杨广斌, 等. 不同地形梯度上的植被变化趋势及原因分析[J]. 生态环境学报, 2019, 28(5): 857-864. Ma S B, An Y L, Yang G B, et al. The analysis of distribution characteristics and reasons of NDVI change trends along the terrain gradient[J]. Ecology and Environment Sciences, 2019, 28(5): 857-864.
[49]	Xiang K Z, Zhao A Z, Liu H X, et al. Spatiotemporal evolution and coupling pattern analysis of urbanization and ecological environmental quality of the Chinese Loess Plateau[J]. Sustainability, 2022, 14(12). DOI:10.3390/su14127236
[50]	Li W J, Kang J W, Wang Y. Seasonal changes in ecosystem health and their spatial relationship with landscape structure in China's Loess plateau[J]. Ecological Indicators, 2024, 163. DOI:10.1016/j.ecolind.2024.112127
[51]	Li J H, Pei W J, Li Y H, et al. Evaluating and diagnosing ecosystem health of the "three-lake" watershed in Yuxi, Yunnan, China from 2010 to 2020 by PSR-KDE[J]. Environmental Research, 2024, 258. DOI:10.1016/j.envres.2024.119406


环境科学 2025, Vol. 46 Issue (7): 4558-4567	PDF