2023, Vol. 44
2. 河北省环境变化遥感识别技术创新中心, 石家庄 050024;
3. 河北省环境演变与生态建设实验室, 石家庄 050024
2. Hebei Innovation Center for Remote Sensing Identification Technology of Environmental Change, Shijiazhuang 050024, China;
3. Hebei Laboratory of Environmental Evolution and Ecological Construction, Shijiazhuang 050024, China
生态环境是人类赖以生存的物质基础, 许多生态和环境问题都与全球气候变化和人类活动有关[1, 2].生态脆弱性是特定生态系统在时间和空间尺度上对外部干扰的响应[3], 是自然因素和人类短期经济行为共同作用的结果[4~7].当自然界变化和人类活动所带来的外部压力超过生态承载力时, 自然资源和生态环境的脆弱性就会增加[8].自20世纪80年代, 生态脆弱性逐渐成为研究热点[9, 10], 有国外学者针对不同区域生态系统的生态脆弱性进行分析评价.Duguy等[11]采用GIS建模方法对西班牙阿拉贡和瓦伦西亚两个区域的森林生态系统脆弱性进行评价, 提出一种对于生态脆弱性分析新的GIS建模方法, 通过考虑短期、中期以及短期和中期脆弱性的耦合, 用于评估生态系统对火灾的生态脆弱性.Boori等[12]基于遥感生态指数运用主成分分析法对俄罗斯萨马拉地区生态脆弱性及相关性进行评价分析, 发现遥感生态指数和生态指数在生态学意义上表现出很强的可比性, 但生态指数比遥感生态指数能够有效地反映生态脆弱性的变化.国内学者对生态脆弱性研究的区域多涉及南方丘陵区、北方农牧交错区、西北干旱脆弱区、西南喀斯特地区以及青藏高原等典型的生态脆弱区[13].黄越等[14]基于景观格局指数法评估中国北方农牧交错区的生态脆弱性时空演变, 结果发现研究区景观生态脆弱性逐年下降, 景观格局趋向规则.王茜等[15]从自然和人为因素角度, 运用空间主成分分析方法对滇东南典型喀斯特区域广南县的生态脆弱性进行反演, 结果发现2000~2018年广南县整体脆弱性变化较小, 但脆弱程度不断加剧.
为了评估生态脆弱性, 已有研究基于不同原理和目的发展了一系列评估模型框架[16], 包括“压力-状态-响应”[17]和“敏感-恢复-压力”[18]等, 除此之外, 近些年来, 一些学者认识到管理决策在脆弱性指数评估中的重要性, 将“压力-状态-响应-管理(PSRM)”评价模型也应用于该研究领域.Jiang等[8]以西藏自治区为研究区, 建立PSRM(pressure-state-response-management)模型, 即将管理政策与传统的压力-状态-响应(pressure-state-response, PSR)模型相结合, 对西藏自治区生态脆弱性进行评价, 结果发现西藏自治区生态脆弱性空间分布变化显著, 由东南向西北逐渐减小.Jiang等[8]构建的这种评价模型, 将政府管理活动用于生态环境的影响评价, 新模型中的管理体现了政府和公众对地方生态环境保护的重要性, 对生态环境建设具有重要意义.因此, 将政府政策和公众行为纳入PSR模型构建新的综合模型, 能够更加全面地反映生态脆弱性状况, 对未来生态脆弱性评价提供了新思路[8].
京津冀地区是我国北方重要的经济中心, 京津冀一体化已经上升为国家战略, 但同时其生态脆弱性问题也十分突出, 脆弱的生态环境面临的主要问题包括水资源短缺、森林生态系统退化严重和雾-霾污染严重等.随着京津冀地区经济的快速发展以及北京冬奥会成功申请及举办, 地区发展战略逐渐向经济-环境共同发展转变.因此分析京津冀地区生态环境现状并对生态环境进行脆弱性评估, 是促进生态系统良性运作的关键.近年来出现了一系列针对京津冀地区生态和可持续发展的相关研究.宁立新等[19]以生态系统健康、景观生态学等理论为基础对京津冀地区生态系统健康进行分析评价, 结果发现京津冀地区生态系统一般健康的区域占绝大多数.Wu等[20]基于“活力-组织-弹性-生态系统服务”框架分析了城市化对京津冀地区生态系统健康的影响, 结果发现2000~2015年, 京津冀地区特别是其北部地区生态系统健康水平逐渐提高.此外, 城市化过程对京津冀地区生态系统健康具有负面影响.Kang等[21]建立了生态系统服务与生态系统健康相结合的评价模式, 开发了一种跨学科方法, 用于研究城市化对京津冀地区城市群生态系统风险的影响, 结果发现京津冀地区生态系统健康和生态系统风险指数值均呈显著下降趋势.虽然目前相关研究取得了重要的结果, 但大多数研究以生态系统健康或生态系统服务价值为主, 以生态脆弱性为分析重点的相关研究较少, 缺少对脆弱性空间格局特征的研究, 且其指标体系、评价方法和时空尺度均不相同, 难以有效反映京津冀地区生态系统整体情况.
因此, 本文以京津冀地区作为研究区, 根据Jiang等[8]提出的PSRM模型构建京津冀地区生态脆弱性指标评价体系, 运用序关系法、CRITIC法、锡尔系数、热点分析和地理探测器等研究方法系统评价京津冀地区2009~2019年生态脆弱性空间分布格局与时空变化特征, 并对影响其生态脆弱性空间分布的主要驱动因子进行探究, 以期为京津冀地区生态环境保护、生态安全建设以及京津冀一体化协同式发展提供参考.
1 材料与方法 1.1 研究区概况京津冀地区位于华北平原北部, 地处东经113°27′~119°50′, 北纬36°05′~42°40′之间, 西临山西, 北靠内蒙古、辽宁, 南毗河南、山东, 总面积21.72×104 km2, 辖11个设区市和北京、天津两直辖市.该地区主要由坝上高原、燕山和太行山山地、河北平原三大地貌类型单元组成.西北部与北部背靠燕山山脉地势较高, 南部与东部为华北平原地形较为平坦.由西北向的燕山-太行山山系构造向东南逐步过渡为平原, 地势西北高东南低[图 1(a)].京津冀地区属温带季风气候, 四季分明, 1月平均气温在3℃以下, 7月平均气温18~27℃.年均降水量484.5mm, 降水量分布特点为东南多西北少.京津冀地区河流众多, 长度在18~1 000 km的河流多达300多条, 汇聚于海河、滦河、内陆河和辽河这4大水系.植被地域性差异显著, 北部坝上地区主要为草地与林地, 由北向南自然植被逐渐减少, 以农田为主[图 1(b)].
|
图 1 京津冀地区高程与土地利用概况 Fig. 1 Overview of the map of elevation and land use in the Beijing-Tianjin-Hebei Region |
本研究数据主要包括2009、2014和2019年的京津冀地区遥感数据、气象数据、社会经济数据和其他数据等.
遥感数据由归一化植被指数(normalized difference vegetation index, NDVI)和植被净初级生产力(net primary productivity, NPP)构成.NDVI数据由USUG官网(https://lpdaac.usgs.gov/)提供的MOD13Q1数据集获取, 采用最大值合成法计算各年份NDVI年最大值.NPP数据采用MODIS产品中的MOD17A3HGF数据集, 通过ArcGIS 10.8将无效值去除, 再乘比例因子0.000 1后得到最终结果.
气象数据包括年平均降水和年平均气温, 基于京津冀地区及其周边共17个气象站点的观测数据(由中国气象科学数据中心(https://data.cma.cn/)下载获取, 在ArcGIS10.8中利用克里金插值法对其进行空间插值获取得到最终结果.
社会经济数据包括人口密度、道路密度、人均GDP、人类干扰指数、受教育程度和建成区绿化面积率.人口密度数据由世界人口官网(www.worldpop.org/)下载获取.道路数据来源于(https://www.openstreetmap.org/), 利用核密度分析法计算得到道路密度.人类干扰指数数据根据Boori等[7]所提公式计算得到.其余数据通过查阅2010~2020年各省市统计年鉴获取.为保证不同数据研究尺度一致, 在ArcGIS 10.8中利用反距离插值法[22]将社会经济数据栅格化.
其他数据包括PM2.5、PM10、生境质量指数、高程、坡度、地形起伏度、景观多样性指数、生物丰度和土壤侵蚀强度.PM2.5数据由美国华盛顿大学大气成分分析组(https://sites.wustl.edu/acag/datasets/surface-pm2-5/)[23]下载获取.PM10[24]和生境质量指数数据[25]由Zenodo官网(https://zenodo.org/)下载获取.高程、坡度和地形起伏度是分辨率30m的GDEMV3数据, 由地理空间数据云(http://www.gsc.loud.cn/)下载获取.景观多样性指数基于土地利用数据, 利用Fragstats v4.2软件计算得到, 其中土地利用数据由中国科学院资源环境科学与数据中心(http://www.resdc.cn/)提供.生物丰度基于土地利用数据, 根据公式[26]计算得到.土壤侵蚀强度采用修正的土壤侵蚀模型RUSLE[27, 28]计算得到, 其中计算土壤可蚀性因子所需的土壤类型数据由世界土壤数据库(HWSD)提供.
为方便计算与确保计算结果精确度, 首先, 将各指标空间数据通过ArcGIS 10.8定义为WGS 1984坐标系并投影至Asia North Albers Equal Area Conic, 中央经线为116.3°.其次, 根据行政区界限掩膜出京津冀地区研究范围.最后, 重新采样至300 m×300 m的空间分辨率, 保证所有栅格数据统一大小.
1.3 研究方法 1.3.1 指标体系本研究采用压力(pressure, P)-状态(state, S)-响应(response, R)-管理(management, M)模型构建京津冀地区指标评价体系, 即将政府的管理决策纳入PSR模型, 构建PSRM模型.这4个层次的互动构成了“发生了什么, 为什么会发生, 如何处理, 基于什么”的逻辑关系[29], 主要分析和研究生态环境与社会系统中压力(P)、状态(S)、响应(R)和管理(M)四者之间的相互影响, 相较于传统的PSR模型更加注重指标间的因果关系.
压力层是指人类活动对生态系统产生的压力和干扰.生态系统承受压力越大, 说明人类活动与经济发展对当地自然环境破坏越严重.京津冀地区经济社会快速发展, 产业结构调整和人类生产生活都对当地生态环境产生重要影响.因此选用人均GDP表征社会经济情况; 人口密度、人类干扰指数、道路密度、PM2.5和PM10反映人类活动对生态系统产生的压力.
状态层是指生态系统和自然环境当前状态, 健康状态越差, 表明当地生态系统状态越不稳定.当地植被覆盖率越高, 生态脆弱性就越低.降水和气温直接决定着植被生长所需的水热条件.高程、坡度和地形起伏度直接影响到当地降水和气温状况, 从而间接影响植被的生长条件.土壤侵蚀强度影响着植被的生长环境.因此选用年平均降水、年平均气温、坡度、高程、地形起伏度和土壤侵蚀强度反映当前生态系统所处状态.
响应层是指区域承受外部压力的能力, 主要反映区域生态系统在环境压力下的应变能力.压力承受能力越差, 表明该地生态系统容忍度越低.因此选用归一化植被指数(NDVI)、植被净初级生产力(NPP)、生物丰度、生境质量指数和景观多样性指数反映对生态环境变化的响应能力.
管理层主要是指社会和个人为减少和预防人类活动对环境的不利影响而采取的措施[29].它包括减少政府与个人活动对环境的负面影响, 以及人类为恢复生态环境、降低生态脆弱性所采取的补救措施.居民受教育程度越高, 环保意识越强.绿化面积越大, 生态环境越好.因此选用受教育程度和建成区绿化面积率表明政府与人们环保意识与行为的变化.具体评价指标内容如表 1所示.
|
表 1 京津冀地区生态脆弱性指标体系 Table 1 Ecological vulnerability index system in the Beijing-Tianjin-Hebei Region |
由于不同的指标具有不同的量纲, 其指标数值无法直接用于评价分析.因此, 为确保结果的准确性, 首先对数据进行标准化处理[30, 31].本文采用极差变化法, 结果取值为[0, 1], 公式如下.
正向指标:
|
(1) |
负向指标:
|
(2) |
式中, Rij为第i行第j个指标的标准化数值, xij为第i行第j个指标的原始数据; xmax为第i行第j个指标的最大值; xmin为第i行第j个指标的最小值.
1.3.2 CRITIC法CRITIC法是熵权法的一种改进方法, 其指标权重是由指标数据中蕴含的信息流计算得来, 并且充分体现各个指标间的冲突性与差异性, 具有很强的实用性[32], 公式如下.
(1) 数据标准化处理, 具体见公式(1)和公式(2).
(2) 标准化矩阵X的各指标标准差和指标间的相关系数计算公式分别为:
|
(3) |
|
(4) |
式中, ωj为第j个指标的标准差; rij为第i个指标与第j个指标间的相关系数; Xi和Xj分别为标准化矩阵X的第i、j列.
(3) 计算评价指标信息量：
|
(5) |
(4) 计算客观权重Ej:
|
(6) |
序关系法[33]是一种根据专家对评价指标先定性排序后定量赋值的主观赋权方法[34], 它通过对AHP进行改进, 避开了其中的缺点且该方法无需一致性检验, 公式如下.
(1) 确定指标xi的序关系, 根据专家经验确定指标xi与xi-1之间的相对重要性程度, 即: x1>x2>…> xi.
(2) 根据专家经验给出指标xi和xi-1的相对重要性比值wk-1/wk的理性判断, 即:
|
(7) |
式中, rk参考赋值见表 2.
|
|
表 2 rk参考赋值 Table 2 Reference of rk assignment |
(3) 权重系数wk的计算, 若专家给出rk的理想赋值, 则wm的计算公式如下:
|
(8) |
|
(9) |
|
(10) |
|
(11) |
式中, w1、w2、w3、w4和w5分别为指标x1、x2、x3、x4和x5的权重.
1.3.4 组合赋权法由于主观赋权法过于依赖专家经验, 缺乏对数据的客观分析, 且客观赋权法无法体现指标间横向比较.为了消除主客观赋权法中的等等弊端, 因此选用组合赋权法对权重进行修正, 公式如下:
|
(12) |
式中, ω为组合权重; αi为序关系法权重; βi为CRITIC法权重.为保证计算结果客观性, 因此λ取0.5参与计算, 依据公式计算出各指标综合权重, 如表 3所示.
|
|
表 3 指标权重 Table 3 Index weight |
1.3.5 脆弱性评价方法
生态脆弱性指数(ecological vulnerability index, EVI)用于表示生态脆弱性的程度, 公式如下:
|
(13) |
式中, EVI为生态脆弱性指数; Wj为第j项指标权重; Xij为各指标标准化后数据; n为评价指标个数.EVI经公式(1)和公式(2)标准化处理之后, 在参考前人对于生态脆弱性指数划分标准的基础上[35, 36], 将生态脆弱性结果划分为5个等级, 其值越高, 表明区域生态脆弱性越严重, 如表 4所示.
|
|
表 4 生态脆弱性分级 Table 4 Classification of ecological vulnerability |
1.3.6 锡尔系数
锡尔系数, 最早是由Henri Theil于1967年首先提出[37], 是区域差异研究中最常见的统计方法之一[38], 锡尔系数越大, 表示区域差异程度越大.本文将锡尔指数引入生态脆弱性评估, 以体现京津冀地区生态脆弱性空间分布集聚程度, 公式如下:
|
(14) |
式中, T为锡尔系数; n为各县数量; Ii为第i个县的生态脆弱性指数; I为总体平均生态脆弱性指数; Pi为第i个县的面积; P为总面积.锡尔系数的范围从0~1, 锡尔系数值越大, 说明京津冀生态脆弱性的空间分布集聚程度较高, 区域间生态环境相互影响较大, 反之亦然.
1.3.7 热点分析热点分析(Getis-Ord Gi*)方法能够识别数据高值(热点)和低值(冷点)的空间聚类[39], 该方法已被广泛应用于生态环境研究中, 公式如下:
|
(15) |
式中, xj和xi分别为斑块j和i的生态脆弱性指数值; Wij为空间权重矩阵.同时对Gi*进行Z检验.若Z(Gi*)显著为正, 说明该地生态脆弱性指数高度集聚, 即为热点区; 反之, 则为冷点区.
1.3.8 驱动因子分析本研究运用地理探测器分析京津冀地区2009~2019年生态脆弱性空间分布格局的主要驱动因子, 该方法是由王劲峰等人研发用于揭示空间异质性与探测自变量与其影响因子因果关系的一种空间统计学方法[40].首先, 将19项生态脆弱性评价因子作为自变量, EVI作为因变量, 构建5 km×5 km格网进行空间划分.其次, 运用自然断点法对自变量数据进行离散化处理, 共分为5级.最后, 运用因子探测器计算q统计值.其计算公式为:
|
(16) |
式中, h=1, …, L为变量Y或因子X的分层, 即分类或分区; Nh和N分别为层h和全区的单元数; σh2和σ2分别为层h和全区的Y值的方差.
2 结果与分析 2.1 京津冀地区时间演变特征整体上, 京津冀地区生态环境处于中度脆弱水平, 2009、2014和2019年中度及以上脆弱面积占比分别为68.24%、65.06%和60.35%(表 5). 2009~2019年京津冀地区生态环境呈现先恶化后改善的趋势. 2009~2014年间, 京津冀地区微度脆弱面积比例增长3.1%, 面积增加了6 803.01 km2; 轻度脆弱面积减少130.41 km2, 占比下降0.02%; 中度脆弱面积占比下降12.3%, 面积减少26 537.31 km2; 重度、极度脆弱面积比例分别增加了9.1%和0.02%, 面积增加了19 512.9 km2和351.81 km2.各等级变化中, 重度脆弱面积增长幅度最大, 使得京津冀地区生态脆弱性有一定程度的加剧.2014~2019年京津冀地区生境情况明显好转.微度、中度、重度和极度脆弱面积较2014年分别减少了2 248.29、2 220.21、7 988.67和55.98 km2, 下降比率分别为1.0%、1.0%、3.7%和0.01%.轻度面积较2014年增加了12 513.15 km2, 增长比率为5.7%.
|
|
表 5 京津冀地区生态脆弱性面积变化 Table 5 Ecological vulnerability area change in the Beijing-Tianjin-Hebei Region |
为了进一步分析各市生态脆弱性差异, 将计算各市3期生态脆弱性平均值, 计算结果如图 2所示.研究区内各市多年平均生态脆弱性指数在0.265~0.589之间, 3期平均值最小的为承德市, 最大的为衡水市.承德市、秦皇岛市和北京市3期平均值均在0.2~0.4之间, 为轻度脆弱.其余各市3期平均值在0.4~0.6之间, 为中度脆弱.
|
图 2 京津冀地区各市多年生态脆弱性指数 Fig. 2 Multi-year ecological vulnerability index of cities in Beijing-Tianjin-Hebei Region |
空间上, 京津冀生态脆弱区大体呈现“东北-西南”向的分布规律, 如图 3所示.京津冀中南部地区以中度和重度脆弱区为主, 东北部及西南部大部分地区为微度、轻度脆弱区.由于东北部的承德市与秦皇岛市是京津冀的水源涵养功能区与生态环境支撑区, 良好的水热条件使得当地植被覆盖率高, 森林草地面积广阔, 并且人口密度相对较小, 人类活动对生态环境的压力小, 破坏轻.西南部地区以山区为主, 植被丰富, 且海拔较高, 人口相对较少, 从而使得东北、西南部生态脆弱性较低.西北部的张家口市由于地处北方农牧交错带, 植被类型以沙生、旱生植被为主, 植物群落单一, 土质松散, 易发生土壤侵蚀与水土流失, 且西北部干旱多风, 土壤沙化、风蚀现象严重, 加之不合理垦殖、粗放经营等人类活动的影响, 加剧了对植被的破坏, 导致该地区生态脆弱性较高.京津冀中南部地区地处华北平原, 有害气体不易扩散, 且第二产业比重大, 导致该地区PM2.5和PM10污染严重, 空气质量低, 水热条件较北部地区差, 干旱状况较为严重.此外中南部植被覆盖率低, 城区建设用地较多, 人类活动对当地生态环境产生较大压力, 使得该地区生态脆弱性较为严重.
|
图 3 2009~2019年京津冀地区生态脆弱性分布 Fig. 3 Distribution map of ecological vulnerability in the Beijing-Tianjin-Hebei Region from 2009 to 2019 |
2009~2014年, 京津冀生态脆弱性整体有一定程度的加剧, 南部重度和极度面积扩大导致当地生态脆弱性逐渐增加, 但中部和东北部生态脆弱性不断下降.2014~2019年, 京津冀北部地区和太行山-燕山一带微度、轻度脆弱面积扩大, 南部地区重度、极度脆弱面积相对减少, 生态环境逐渐改善.
2.2.2 生态脆弱性空间集聚规律2009~2019年期间锡尔系数值在0.237 5~0.242 2之间波动, 呈现出“V”形摆动上升的趋势, 表明10年内京津冀地区生态脆弱性空间格局呈现出较高聚集性的特征, 空间差异程度先减后增.2009~2014年锡尔系数由0.238 4缓慢下降到0.237 5, 表明其空间集聚程度逐渐减弱, 空间分布格局逐渐倾向于随机分布.2014~2019年锡尔系数上升到0.242 2, 表明空间集聚特征增强, 生态脆弱性在区域间具有较强的相互作用.
根据图 4可知, 总体上, 生态脆弱性热点区域主要集中于京津冀地区中南部广大平原地区以及西北部山区.冷点区域主要集中于京津冀东北部与西南部地区, 沿燕山山脉蔓延至太行山区, 逐渐形成生态屏障将南部热点与北部冷点区域隔绝开. 2009~2014年, 京津冀中南部热点区域面积大幅度增加, 高值趋向集聚分布.西北部热点区域面积减少, 东北部冷点区域面积增加. 2014~2019年, 京津冀生态脆弱性空间集聚格局变化不大.由于2015年河北省制定《河北省太行山绿化三年见成效实施方案》在太行山区实施植树造林、封山育林和防风固沙等绿化工程, 使得西南部冷点面积小幅度增加.
|
图 4 2009~2019年京津冀地区热点分析分布 Fig. 4 Distribution of hot spots in the Beijing-Tianjin-Hebei Region from 2009 to 2019 |
因子探测器计算结果如表 6所示.2009年对京津冀地区生态脆弱性影响力最强的5个因子为植被净初级生产力(0.578)、生物丰度(0.562)、人类干扰指数(0.514)、生境质量指数(0.435)和PM10(0.422). 2014年解释力最强的前5个因素为PM10(0.597)、生物丰度(0.591)、人类干扰指数(0.575)、PM2.5(0.559)和生境质量指数(0.531).2019年驱动力最强的前5个指标为PM10(0.645)、PM2.5(0.628)、生物丰度(0.627)、人类干扰指数(0.627)和年平均气温(0.594).
分析显示, 10年来生物丰度、PM10和人类干扰指数是影响京津冀地区生态脆弱性空间分布格局的主要因子. 京津冀地区地貌类型多样, 山地、平原相间分布, 使得不同地区土地利用空间差异较大.由于生物丰度和人类干扰指数是基于土地利用数据计算得到, 土地利用的分布及变化直接影响着生物丰度和人类干扰指数的空间格局.在海拔较高的山区, 如太行山-燕山附近, 以林地、草地为主, 生物物种丰富, 且该地区人口稀少, 对生态环境的干扰较小.而京津冀中南部和西北部地区, 多以耕地和建设用地为主, 植被类型单一, 生物种类较少, 且中南部地区人口稠密, 人类活动对生态环境的干扰强度大, 易导致生态退化.此外, 京津冀地区人口稠密, 其工业生产, 汽车尾气和燃煤冶金等活动产生的污染物排放量较大, 空气中PM10浓度高, 使得PM10成为制约京津冀地区空气质量的主要空气污染物之一.由于山地阻挡、南北部人口密度和产业结构等差异, 使得PM10浓度呈“南高北低”的分布格局.
|
|
表 6 京津冀地区生态脆弱性驱动因子探测结果 Table 6 Detection results of driving factors of ecological vulnerability in the Beijing-Tianjin-Hebei Region |
3 讨论 3.1 京津冀地区生态脆弱性时间变化趋势
在本研究中, 京津冀地区整体生态质量中等, 与先前对于京津冀地区生态环境评价结果一致[19, 41].然而在演变趋势上, 2009~2019年京津冀地区整体生态脆弱性呈下降趋势, 这与左璐等[41]对京津冀地区生态质量综合评价结果相矛盾, 其主要原因是指标体系和时间尺度不同, 由于左璐等基于2001、2010和2019年京津冀地区MODIS遥感数据等4个指标构建评价体系, 指标主要为自然因子, 导致评价结果势必有所出入.脆弱性研究一般基于综合指标体系构建, 指标覆盖范围较广, 这再次强调了整体分析京津冀地区生态脆弱性的重要性[16].从分段结果来看, 2014年京津冀地区生态脆弱性指数整体提高, 由于2010年《京津冀都市圈区域规划》等政策的提出, 其中不乏一些以牺牲生态环境为代价加速经济发展的举动, 如大规模建设用地、过度资源开发、不合理排放等, 导致京津冀地区长期遭受雾-霾污染、水资源短缺、植被破坏等因素影响.2014年以后, 国家对生态文明建设高度关注[42], 随着《京津冀协同发展纲要》和《京津冀协同发展生态环境保护规划》等政策的实施, 2015年将加强生态文明建设写入国家五年发展规划以及北京冬奥会申请成功, 京津冀各市生态环境厅和有关部门大力投入生态环境建设, 使得2019年京津冀生态脆弱性指数较2014年下降, 生态环境逐渐改善.
3.2 京津冀地区生态脆弱性空间格局特征从空间分布格局来看, 生态环境较差地区主要分布在京津冀中部、南部和西北部, 良好地区分布在东北部和西南部, 与先前对京津冀地区生态系统健康分析结果相同[19, 20, 41, 43].从空间集聚特征来看, 京津冀地区空间差异呈“高-低-高”态势.高值(热点)区域分布在京津冀西北部和中南部地区, 低值(冷点)区域分布在京津冀东北部和西南部, 与之前对于京津冀生态系统健康空间集聚分析结果一致[20].
3.3 京津冀地区生态脆弱性驱动因子从驱动因子来看, 京津冀地区生态脆弱性时空变化受到自然因素和人为因素共同作用[44], 其中生物丰度、PM10和人类干扰指数是控制京津冀地区生态脆弱性时空演变的主要因子.由于不同研究的指标选取标准有所差异, 可能导致主要驱动因子不同, 但其内在驱动机制一致.有研究认为城市化迅速扩张、人类干扰强度增大等因素是导致京津冀地区生态系统变化的重要驱动因素[41, 45], 其本质上仍是土地利用及人类生产生活对生态环境造成的影响.
3.4 京津冀地区生态环境可持续发展建议生态环境是决定京津冀地区未来发展的关键, 因此, 政府应完善生态补偿机制, 平衡生态恢复与经济增长的关系, 适应自然, 制定规律, 坚持统筹规划的理念, 加强生态修复的系统规划, 以提升京津冀地区生态涵养区功能.生态环境良好地区应利用生态区位优势辐射周边地区.生态环境一般地区应将绿色产业作为发展重点, 依托绿色产业引领高质量发展, 以提高生态环境水平.此外, 人类活动是影响京津冀地区生态环境的关键因素, 未来应因地制宜, 杜绝土地粗放利用现象, 减少人类活动干扰, 实施生态工程, 促进生态环境可持续发展.
3.5 本研究不足本文因统计数据实时性较差, 部分数据采用相邻年份数据代替, 且考虑到数据的可获取性, 未细分其他人类活动对研究区生态脆弱性的影响.因此, 在未来研究中, 应尽可能收集最新数据并进一步完善评价体系, 从而提高评价结果的准确性.
4 结论(1) 京津冀地区生态脆弱性整体上处于中度脆弱水平.2009~2019年京津冀地区生态脆弱性呈先增后降趋势, 整体呈降低态势.不同地区生态脆弱性差异较大, 主要表现为中南、西北部生态脆弱性高于东北、西南部.
(2) 基于生态脆弱性市级尺度, 承德市、秦皇岛市和北京市为轻度脆弱; 张家口市、唐山市、天津市、廊坊市、保定市、沧州市、石家庄市、衡水市、邢台市和邯郸市为中度脆弱.
(3) 京津冀地区空间集聚效应强烈, 集聚程度呈“高-低-高”趋势.热点区域主要集中于京津冀西北部农牧交错带与中南部大部分平原地区, 冷点区域主要分布在京津冀东北部与燕山-太行山区沿线.
(4) 不同年份各因子解释力大小不同, 但生物丰度、PM10和人类干扰指数始终是控制京津冀地区生态脆弱性时空变化的主要驱动因子.
(5) 通过分析京津冀地区生态脆弱性状况及其主导因素, 据此提出未来生态发展建议, 推动京津冀地区建立长效生态保护机制.
| [1] | Wu X L, Tang S Y. Comprehensive evaluation of ecological vulnerability based on the AHP-CV method and SOM model: a case study of Badong County, China[J]. Ecological Indicators, 2022, 137. DOI:10.1016/j.ecolind.2022.108758 |
| [2] | Xia M, Jia K, Zhao W W, et al. Spatio-temporal changes of ecological vulnerability across the Qinghai-Tibetan Plateau[J]. Ecological Indicators, 2021, 123. DOI:10.1016/j.ecolind.2020.107274 |
| [3] | Beroya-Eitner M A. Ecological vulnerability indicators[J]. Ecological Indicators, 2016, 60: 329-334. DOI:10.1016/j.ecolind.2015.07.001 |
| [4] |
屈志强, 沈婷婷, 徐胜利, 等. 生态脆弱性评价概述[J]. 草原与草业, 2020, 32(3): 1-4, 42. Qu Z Q, Shen T T, Xu S L, et al. Review of ecological vulnerability evaluation[J]. Grassland and Prataculture, 2020, 32(3): 1-4, 42. DOI:10.3969/j.issn.2095-5952.2020.03.002 |
| [5] | Boori M S, Choudhary K, Paringer R, et al. Eco-environmental quality assessment based on pressure-state-response framework by remote sensing and GIS[J]. Remote Sensing Applications: Society and Environment, 2021, 23. DOI:10.1016/j.rsase.2021.100530 |
| [6] | 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 |
| [7] | Boori M S, Choudhary K, Paringer R, et al. Using RS/GIS for spatiotemporal ecological vulnerability analysis based on DPSIR framework in the Republic of Tatarstan, Russia[J]. Ecological Informatics, 2022, 67. DOI:10.1016/j.ecoinf.2021.101490 |
| [8] | Jiang Y J, Shi B, Su G J, et al. Spatiotemporal analysis of ecological vulnerability in the Tibet Autonomous region based on a pressure-state-response-management framework[J]. Ecological Indicators, 2021, 130. DOI:10.1016/j.ecolind.2021.108054 |
| [9] |
徐君, 李贵芳, 王育红. 生态脆弱性国内外研究综述与展望[J]. 华东经济管理, 2016, 30(4): 149-162. Xu J, Li G F, Wang Y H. Review and prospect of research on ecological vulnerability in China and abroad[J]. East China Economic Management, 2016, 30(4): 149-162. |
| [10] | Guo B, Zang W Q, Luo W. Spatial-temporal shifts of ecological vulnerability of karst mountain ecosystem-impacts of global change and anthropogenic interference[J]. Science of the Total Environment, 2020, 741. DOI:10.1016/j.scitotenv.2020.140256 |
| [11] | Duguy B, Alloza J A, Baeza M J, et al. Modelling the ecological vulnerability to forest fires in mediterranean ecosystems using geographic information technologies[J]. Environmental Management, 2012, 50(6): 1012-1026. DOI:10.1007/s00267-012-9933-3 |
| [12] | Boori M S, Choudhary K, Paringer R, et al. Spatiotemporal ecological vulnerability analysis with statistical correlation based on satellite remote sensing in Samara, Russia[J]. Journal of Environmental Management, 2021, 285. DOI:10.1016/j.jenvman.2021.112138 |
| [13] |
陆海燕, 孙桂丽, 李路, 等. 基于VSD模型的新疆生态脆弱性评价[J]. 新疆农业科学, 2020, 57(2): 292-302. Lu H Y, Sun G L, Li L, et al. Ecological vulnerability assessment in Xinjiang based on VSD model[J]. Xinjiang Agricultural Sciences, 2020, 57(2): 292-302. |
| [14] |
黄越, 程静, 王鹏. 中国北方农牧交错区生态脆弱性时空演变格局与驱动因素——以盐池县为例[J]. 干旱区地理, 2021, 44(4): 1175-1185. Huang Y, Cheng J, Wang P. Spatiotemporal evolution pattern and driving factors of ecological vulnerability in agro-pastoral region in northern China: A case of Yanchi County in Ningxia[J]. Arid Land Geography, 2021, 44(4): 1175-1185. |
| [15] |
王茜, 赵筱青, 普军伟, 等. 滇东南喀斯特区域生态脆弱性的时空演变及其影响因素[J]. 应用生态学报, 2021, 32(6): 2180-2190. Wang Q, Zhao X Q, Pu J W, et al. Spatial-temporal variations and influencing factors of eco-environment vulnerability in the karst region of Southeast Yunnan, China[J]. Chinese Journal of Applied Ecology, 2021, 32(6): 2180-2190. DOI:10.13287/j.1001-9332.202106.018 |
| [16] |
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. |
| [17] |
张学渊, 魏伟, 周亮, 等. 西北干旱区生态脆弱性时空演变分析[J]. 生态学报, 2021, 41(12): 4707-4719. Zhang X Y, Wei W, Zhou L, et al. Analysis on spatio-temporal evolution of ecological vulnerability in arid areas of Northwest China[J]. Acta Ecologica Sinica, 2021, 41(12): 4707-4719. |
| [18] | Li X F, Song L N, Xie Z B, et al. Assessment of ecological vulnerability on northern sand prevention belt of China based on the ecological pressure-sensibility-resilience model[J]. Sustainability, 2021, 13(11). DOI:10.3390/su13116078 |
| [19] |
宁立新, 梁晓瑶, 程昌秀. 京津冀地区生态系统健康评估及时空变化[J]. 生态科学, 2021, 40(6): 1-12. Ning L X, Liang X Y, Cheng C X. Spatiotemporal variations of ecosystem health of Jing-Jin-Ji region based on the PSR model[J]. Ecological Science, 2021, 40(6). DOI:10.3390/ijerph18030918 |
| [20] | Wu F, Wang X K, Ren Y F. Urbanization's impacts on ecosystem health dynamics in the Beijing-Tianjin-Hebei region, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(3). DOI:10.3390/ijerph18030918 |
| [21] | Kang P, Chen W P, Hou Y, et al. Linking ecosystem services and ecosystem health to ecological risk assessment: a case study of the Beijing-Tianjin-Hebei urban agglomeration[J]. Science of the Total Environment, 2018, 636: 1442-1454. DOI:10.1016/j.scitotenv.2018.04.427 |
| [22] |
霍童, 张序, 周云, 等. 基于暴露-敏感-适应性模型的生态脆弱性时空变化评价及相关分析——以中国大运河苏州段为例[J]. 生态学报, 2022, 42(6): 2281-2293. Huo T, Zhang X, Zhou Y, et al. Evaluation and correlation analysis of spatio-temporal changes of ecological vulnerability based on VSD model: A case in Suzhou section, Grand Canal of China[J]. Acta Ecologica Sinica, 2022, 42(6): 2281-2293. |
| [23] | Van Donkelaar A, Hammer M S, Bindle L, et al. Monthly global estimates of fine particulate matter and their uncertainty[J]. Environmental Science & Technology, 2021, 55(22): 15287-15300. |
| [24] | Bai K X, Li K, Ma M L, et al. LGHAP: the Long-term gap-free high-resolution air pollutant concentration dataset, derived via tensor-flow-based multimodal data fusion[J]. Earth System Science Data, 2022, 14(2): 907-927. |
| [25] | Xu D, Yang F, Yu L, et al. Quantization of the coupling mechanism between eco-environmental quality and urbanization from multisource remote sensing data[J]. Journal of Cleaner Production, 2021, 321. DOI:10.1016/j.jclepro.2021.128948 |
| [26] |
孙宇晴, 杨鑫, 郝利娜. 基于SRP模型的川藏线2010-2020年生态脆弱性时空分异与驱动机制研究[J]. 水土保持通报, 2021, 41(6): 201-208. Sun Y Q, Yang X, Hao L N. Spatial and temporal differentiation and driving mechanism of ecological vulnerability along Sichuan-Tibet railway during 2010-2020 based on SRP model[J]. Bulletin of Soil and Water Conservation, 2021, 41(6): 201-208. |
| [27] |
谢怡凡, 姚顺波, 丁振民, 等. 退耕还林和地理特征对土壤侵蚀的关联影响——以陕西省107个县区为例[J]. 生态学报, 2022, 42(1): 301-312. Xie Y F, Yao S B, Ding Z M, et al. The grain for green project, geographical features and soil erosion: taking 107 counties in Shaanxi Province as examples[J]. Acta Ecologica Sinica, 2022, 42(1): 301-312. |
| [28] |
陈峰, 李红波. 基于GIS和RUSLE的滇南山区土壤侵蚀时空演变——以云南省元阳县为例[J]. 应用生态学报, 2021, 32(2): 629-637. Chen F, Li H B. Spatial-temporal variations of soil erosion in Southern Yunnan mountainous area using GIS and RUSLE: a case study in Yuanyang County, Yunnan Province, China[J]. Chinese Journal of Applied Ecology, 2021, 32(2): 629-637. |
| [29] |
蒋永健. 基于PSRM模型的西藏自治区生态脆弱性时空变化分析[D]. 昆明: 云南大学, 2021. Jiang Y J. Analysis on spatiotemporal change of ecological vulnerability in Tibet autonomous region based on PSRM model[D]. Kunming: Yunnan University, 2021. |
| [30] |
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. |
| [31] |
茹少峰, 马茹慧. 黄河流域生态环境脆弱性评价、空间分析及预测[J]. 自然资源学报, 2022, 37(7): 1722-1734. Ru S F, Ma R H. Evaluation, spatial analysis and prediction of ecological environment vulnerability of Yellow River Basin[J]. Journal of Natural Resources, 2022, 37(7): 1722-1734. |
| [32] |
罗宁, 贺墨琳, 高华, 等. 基于改进的AHP-CRITIC组合赋权与可拓评估模型的配电网综合评价方法[J]. 电力系统保护与控制, 2021, 49(16): 86-96. Luo N, He M L, Gao H, et al. Comprehensive evaluation method for a distribution network based on improved AHP-CRITIC combination weighting and an extension evaluation model[J]. Power System Protection and Control, 2021, 49(16): 86-96. |
| [33] |
王学军, 郭亚军. 基于G1法的判断矩阵的一致性分析[J]. 中国管理科学, 2006, 14(3): 65-70. Wang X J, Guo Y J. Analyzing the consistency of comparison matrix based on G1 method[J]. Chinese Journal of Management Science, 2006, 14(3): 65-70. |
| [34] |
王永刚, 王一姮, 耿浩. 基于序关系法和熵值法的机场安全管理能力综合评价[J]. 安全与环境学报, 2015, 15(5): 11-15. Wang Y G, Wang Y H, Geng H. Comprehensive evaluation model for airport safety management competence based on the hierarchical correlation analysis and entropy method[J]. Journal of Safety and Environment, 2015, 15(5): 11-15. |
| [35] |
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 based on GIS[J]. Journal of Geo-information Science, 2018, 20(7): 947-956. |
| [36] |
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. |
| [37] |
强文丽, 田楠, 刘爱民, 等. 全球食物供给非均衡性演变及贸易影响[J]. 地理科学进展, 2022, 41(8): 1416-1427. Qiang W L, Tian N, Liu A M, et al. Inequality of global food supply and the impact of trade[J]. Progress in Geography, 2022, 41(8): 1416-1427. |
| [38] |
姜宛贝, 刘卫东, 刘志高, 等. 中国化石能源燃烧碳排放强度非均衡性及其演变的驱动力分析[J]. 地理科学进展, 2020, 39(9): 1425-1435. Jiang W B, Liu W D, Liu Z G, et al. Inequality and driving forces of energy-related CO2 emissions intensity in China[J]. Progress in Geography, 2020, 39(9): 1425-1435. |
| [39] |
李芸邑, 刘利萍, 刘元元. 长江经济带工业污染排放空间分布格局及其影响因素[J]. 环境科学, 2021, 42(8): 3820-3828. Li Y Y, Liu L P, Liu Y Y. Spatial distribution pattern and influencing factors of industrial pollution emissions in Yangtze River economic belt[J]. Environmental Science, 2021, 42(8): 3820-3828. |
| [40] |
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. |
| [41] |
左璐, 孙雷刚, 鲁军景, 等. 基于MODIS的京津冀地区生态质量综合评价及其时空变化监测[J]. 自然资源遥感, 2022, 34(2): 203-214. Zuo L, Sun L G, Lu J J, et al. MODIS-based comprehensive assessment and spatial-temporal change monitoring of ecological quality in Beijing-Tianjin-Hebei region[J]. Remote Sensing for Natural Resources, 2022, 34(2): 203-214. |
| [42] |
李婷. 京津冀城市群生态环境可持续发展的政策评价——基于DPSIR-TOPSIS模型[J]. 生态经济, 2022, 38(5): 107-113. Li T. Policy evaluation of sustainable development of eco-environment in Beijing-Tianjin-Hebei urban agglomeration: based on DPSIR-TOPSIS model[J]. Ecological Economy, 2022, 38(5): 107-113. |
| [43] |
常玉旸, 高阳, 谢臻, 等. 京津冀地区生境质量与景观格局演变及关联性[J]. 中国环境科学, 2021, 41(2): 848-859. Chang Y Y, Gao Y, Xie Z, et al. Spatiotemporal evolution and spatial correlation of habitat quality and landscape pattern over Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2021, 41(2): 848-859. |
| [44] |
李魁明, 王晓燕, 姚罗兰, 等. 京津冀地区生态系统服务价值时空变化及驱动因子分析[J]. 环境工程技术学报, 2022, 12(4): 1114-1122. Li K M, Wang X Y, Yao L L, et al. Spatio-temporal change and driving factor analysis of ecosystem service value in the Beijing-Tianjin-Hebei region[J]. Journal of Environmental Engineering Technology, 2022, 12(4): 1114-1122. |
| [45] |
赵瑞, 刘学敏. 京津冀都市圈"三生"空间时空格局演变及其驱动力研究[J]. 生态经济, 2021, 37(4): 201-208. Zhao R, Liu X M. Analysis on spatial-temporal changes and driving forces of "production-living-ecological" spaces in Beijing-Tianjin-Hebei metropolitan area[J]. Ecological Economy, 2021, 37(4): 201-208. |