| 生态系统健康遥感评估及关键驱动因素：以长江中游城市群为例 |
| 摘要点击 86 全文点击 3 投稿时间：2024-06-30 修订日期：2024-09-09 |
| 查看HTML全文
查看全文 查看/发表评论 下载PDF阅读器 |
| 中文关键词 生态系统健康（EH） 生态系统服务（ESs） 地理收敛交叉映射（GCCM）模型 VOR模型 驱动因素 |
| 英文关键词 ecosystem health （EH） ecosystem services system （ESs） geographic convergence cross-mapping （GCCM） model VOR model driving factors |
| DOI 10.13227/j.hjkx.20250746 |
| 作者 | 单位 | E-mail | | 郭锦 | 东华理工大学江西省流域生态过程与信息重点实验室, 南昌 330013
东华理工大学南昌市景观过程与国土空间生态修复重点实验室, 南昌 330013
东华理工大学测绘与空间信息工程学院, 南昌 330013
东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室, 南昌 330013 | 1035644115@qq.com | | 危小建 | 东华理工大学江西省流域生态过程与信息重点实验室, 南昌 330013
东华理工大学南昌市景观过程与国土空间生态修复重点实验室, 南昌 330013
东华理工大学测绘与空间信息工程学院, 南昌 330013
东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室, 南昌 330013 | 631000872@qq.com | | 张福庆 | 东华理工大学江西省流域生态过程与信息重点实验室, 南昌 330013
东华理工大学南昌市景观过程与国土空间生态修复重点实验室, 南昌 330013
东华理工大学测绘与空间信息工程学院, 南昌 330013
东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室, 南昌 330013 | | | 蔡进 | 东华理工大学江西省流域生态过程与信息重点实验室, 南昌 330013
东华理工大学南昌市景观过程与国土空间生态修复重点实验室, 南昌 330013
东华理工大学测绘与空间信息工程学院, 南昌 330013
东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室, 南昌 330013 | | | 丁于博 | 东华理工大学江西省流域生态过程与信息重点实验室, 南昌 330013
东华理工大学南昌市景观过程与国土空间生态修复重点实验室, 南昌 330013
东华理工大学测绘与空间信息工程学院, 南昌 330013
东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室, 南昌 330013 | |
|
| 中文摘要 |
| 长江中游城市群作为中国中部地区的重要城市群，其生态系统健康状况对促进城市生物多样性保护和可持续发展发挥着重要作用. 以多源遥感数据为基础，采用综合性的“活力-组织力-弹性”模型，对城市的生态系统健康进行系统评价，进一步运用地理收敛交叉映射模型（GCCM），识别生态系统健康关键驱动因素，揭示生态系统健康与其驱动因素之间的因果关系. 结果表明：①20 a间长江中游城市群的生态系统健康水平呈现改善趋势，由2010年的0.784增加到2020年的0.801；20 a间长江中游城市群生态系统健康总体上呈现东北部地区及西部地区优于中部及南部地区，分异特征明显；②基于GCCM模型识别，发现人类活动与生态系统健康相互影响较稳定，自然环境与生态系统健康相互影响不稳定. 人文景观指标：GDP和POP与EH相互作用变化方向均一致；自然景观指标：TA、MAP、HLI、NDVI和NPP与EH相互作用变化方向不一致；③GCCM模型探测驱动力大小排序为：归一化植被指数>国内生产总值>夜间灯光指数>年降水量>年平均温度>人口密度>净初级生产力；归一化植被指数是最重要的驱动因素，国内生产总值、夜间灯光指数、年降水量和年平均温度是主要的驱动因素，人口密度与净初级生产力对生态系统健康的贡献度较低. 对长江中游城市群生态系统功能及其变化的研究结果，可为未来生态系统管理提供了科学依据，对后续城市生态系统健康可持续治理和提出预防政策具有重要的理论和实践意义. |
| 英文摘要 |
| The Yangtze River Middle Reaches Urban Agglomeration， is a crucial city cluster in central China and plays an important role in promoting urban biodiversity conservation and sustainable development through its ecosystem health. Based on multisource remote sensing data， a comprehensive “Vigor-Organization-Resilience” model was used to systematically evaluate urban ecosystem health. Further， the geographic convergence cross-mapping （GCCM） model was employed to identify key driving factors of ecosystem health and reveal the causal relationships between ecosystem health and its drivers. The study showed that： ① Over 20 years， the ecosystem health level of the Yangtze River Middle Reaches Urban Agglomeration improved， increasing from 0.784 in 2010 to 0.801 in 2020. The overall ecosystem health was better in the northeastern and western regions compared to that in the central and southern regions， with notable differentiation. ② Based on the GCCM model， human activities and ecosystem health had a relatively stable mutual influence， while the interaction between the natural environment and ecosystem health was unstable. For human landscape indicators， GDP and POP had consistent interaction directions with EH. For natural landscape indicators， TA， MAP， HLI， NDVI， and NPP had inconsistent interaction directions with EH. ③ The GCCM model ranked the driving forces as follows： normalized vegetation index > GDP > nighttime light index > annual precipitation > average annual temperature > population density > net primary productivity. The normalized vegetation index was the most important driving factor， with GDP， nighttime light index， annual precipitation， and average annual temperature being the main driving factors， while population density and net primary productivity contributed less to ecosystem health. This study analyzes the ecosystem functions and changes in the Yangtze River Middle Reaches Urban Agglomeration， providing a scientific basis for future ecosystem management， and has significant theoretical and practical implications for sustainable urban ecosystem health governance and preventive policy formulation. |
