2024, Vol. 45
人类活动的不断增强对地表过程影响的范围和强度不断扩大, 对生态系统产生了巨大压力[1, 2], 进而导致生态环境破坏与退化, 人地系统耦合失调等问题[3, 4]. 这对中国实现可持续发展目标造成了挑战. 然而中国生态环境质量与人类活动之间的耦合机制尚未明确. 因此, 定量探索中国生态环境质量与人类活动的耦合机制, 明确其影响因子, 对缓解中国人类活动加剧带来的潜在的生态风险以及实现可持续发展目标有着重要的理论和现实意义.
生态环境质量与人类活动耦合的相关研究成为国际研究热点之一[5]. 其相关理论和方法主要包括：耦合协调度模型、环境库兹涅茨曲线、远程耦合理论和足迹家庭理论[6]等. 其中, 耦合协调度模型可以体现两个或多个系统之间是否存在良好互动, 能很好地解释系统的可持续发展程度[7]. 耦合协调度模型在碳排放[8]、城市化[9]、社会经济[10]和生态环境等诸多研究领域都有体现, 但相关研究仍有很多局限性.
在指标选择方面, 首先, 研究者多采用统计数据输入耦合协调度模型, 研究尺度只能停留在省和市级尺度, 无法反映像元级别的空间信息[11]. 另外, 现有研究使用的统计数据种类繁多并且没有统一标准[12], 使用的评价指标不能全面表示人类活动和生态环境质量. 遥感技术的发展则极大改善了这一局面[5]. 目前, 遥感可以多时段并且重复获取大面积的地理信息, 为中国长期生态环境和人类活动监测提供技术和精度保障[13]. 徐涵秋[14]在传统的遥感生态指数（remote sensing ecological index, RSEI）的基础上添加了土地利用丰度指数, 得到中国高分辨率生态环境质量数据集（eco-environmental quality, EEQ）. 经评估, 相比于传统的RSEI, EEQ与原国家环境保护总局提出的生态环境状况指数（ecological index, EI）[15]更为一致, 可以较为全面地表示中国生态环境质量[5]. 此外, 净初级生产力人类占用法、全球干扰指数法、土地类型变化法和人类足迹法等方法也广泛应用于人类活动强度量化的研究中[16]. 其中人类足迹方法（利用多源遥感数据进行综合赋值来综合反映人类活动强度）适用范围广, 空间精细程度高, 成为当前研究中国人类活动量化的理想方法[16~18].
在研究内容方面, 现有关于生态环境质量与人类活动耦合的相关研究仍集中在耦合协调度时空变化和类型分异上, 耦合协调机制研究不够深入[6], 对生态环境质量与人类活动耦合协调度的主导因子认识不足. 最优参数地理探测器可以客观揭示外部影响因子对耦合协调度的驱动作用[19], 而对数平均迪氏分解（logarithmic mean division index, LMDI）与耦合协调度模型的结合则为从机制角度上定量探究耦合协调度的主导因子提供了一种新的方法[8].
本研究分别选取人类足迹和EEQ数据集来表示中国的人类活动和生态环境质量, 辅以趋势分析、Hurst指数、耦合协调度模型、LMDI模型和最优参数地理探测器方法, 探索中国人类活动、生态环境质量、耦合协调度和耦合协调类型的时空变化, 定量分析耦合协调度变化的主导因子, 评估人类活动变化对生态环境质量带来的影响, 以期为我国制定区域可持续发展战略及生态保护提供相应的理论参考和科学建议.
1 材料与方法 1.1 数据来源本研究选取的2000~2018年中国高分辨率生态环境质量数据[5], 其来源于国家地球系统科学数据中心（http://www.geodata.cn/）. 2001~2019年人类足迹数据集[20]来源于全球陆地年度人类足迹数据集（https://doi.org/10.6084/m9.figshare.16571064）. 2016~2020年气温、降水和2019年人均国内生产总值（gross domestic product, GDP）数据来源于国家地球系统科学数据中心. 2016~2020年总初级生产力（gross primary product, GPP）、2019年路网密度和2019年河网密度数据来源于科学数据银行（https://www.scidb.cn/）. 中国1 km DEM数据来自中国科学院资源环境科学与数据中心（https://www.resdc.cn/Default.aspx）. 中国1 km地形起伏度数据来自全球变化数据学报（https://www.geodoi.ac.cn/WebCn/doi.aspx?Id=887）. 生态环境质量和人类足迹数据统一选择为2001~2018年. 2016~2020年气温、降水数据为月数据, 分别通过求均值以及求和的方法合成为年数据. 2016~2020年气温、降水和GPP数据均通过求均值的方法合成为多年平均气温、降水和GPP数据. 所有数据均统一为相同的空间分辨率、空间范围和投影.
1.2 研究方法 1.2.1 趋势分析Theil-Sen是计算趋势的方法[21], 并常结合Mann-Kendall[22]进行检验. 趋势变化（slope为趋势, P为显著性检验值）有4种类型：①若P < 0.05, slope > 0, 为显著上升趋势；②若P < 0.05, slope < 0, 为显著下降趋势；③若P > 0.05, 为不显著；④若slope = 0时, 则表示没有变化. Hurst指数是预测相对于过去, 未来发展趋势的有效方法. Hurst指数（H）的3种形式为：①若0.5 < H < 1, 则未来与过去变化趋势一致；②若H = 0.5, 则未来与过去变化趋势无关；③若0 < H < 0.5, 则未来与过去变化趋势相反. slope、P和H的计算方法详见参考文献[21~24]. 将Theil-Sen趋势和Hurst指数结合可得出未来变化趋势[5], 未来变化趋势的5种类型分别为：①若H > 0.5, slope > 0, 为持续增加趋势；②若H > 0.5, slope < 0, 为持续减少趋势；③若H < 0.5, slope > 0, 为增加转为减少趋势；④若H < 0.5, slope < 0, 为减少转为增加趋势；⑤若H = 0.5, 同时slope也会等于0, 为随机变化趋势.
1.2.2 耦合协调度模型耦合协调度模型主要用于反映两个或多个系统之间在自身和外界的作用下产生相互作用从而达到的耦合协调状态[25~27]. 该模型在反映系统之间耦合强度大小的同时也反映了系统之间协调水平的强弱[25]. 当系统之间的耦合度和协调度均较高时, 则认为该系统实现了良性耦合. 通过耦合协调度模型来量化中国人类活动和生态环境质量的耦合协调度, 其公式为：
|
(1) |
|
(2) |
|
(3) |
式中, H和E分别表示人类活动和生态环境质量, 耦合度（C）表示系统间相互作用和影响的程度. 综合协调指数（T）表示二者综合发育程度. 结合了C和T的耦合协调度（D）能够更全面地评价两个系统的发展状况[27]. α和β分别表示生态环境质量与人类活动两个子系统相对重要性, 本研究认为生态环境质量与人类活动同等重要, 因此均设为0.5. 另外参考Zeng等[9]的研究, 本研究将耦合协调度分为4大类, 12亚类（表 1）. 由于人类活动和生态环境质量数据的数值范围不一致, 因此本研究在构建耦合协调度模型之前, 首先对人类活动和生态环境质量数据进行归一化处理, 具体计算方法详见文献[25].
|
表 1 人类活动（H）与生态环境质量（E）的耦合协调类型划分 Table 1 Coupling coordination type division of human activities (H) and eco-environmental quality (E) |
1.2.3 LMDI模型
指数分解分析（index decomposition analysis, IDA）是定量分析多种影响因素对因变量的影响程度的方法[28], 在过去的许多研究中, 多见于能源消耗、碳排放和环境变化的领域[8, 28, 29]. 在众多指数分解分析模型中, LMDI模型克服了分解过程中的“0”值[30]和残差[31]问题, 是最理想的分解方法之一. 并且LMDI模型结构简单, 适用性较高, 易与其它模型结合使用. 参考Chen等[8]的研究, 将耦合协调度模型和LMDI模型有效结合.
公式如下：
|
(4) |
|
(5) |
|
(6) |
式中, 0表示开始年份（2001年）, t表示结束年份（2018年）, ΔD表示开始到结束年份耦合协调度的变化值. 
地理探测器模型中空间数据离散化和空间尺度效应是基本问题, 但一般由经验决定, 缺乏准确的定量评估. 而最优参数地理探测器模型, 通过探索空间尺度、空间数据离散方法和空间数据分区数量的最佳组合以实现更精确的空间分析, 使结果更加公正客观[19]. 在最优参数地理探测器模型中, q值表示了影响因子对因变量的影响程度, 其取值范围为0~1. 若影响因子的q值越大就表明该影响因子对因变量解释力越强[22, 24].
判断最优空间尺度、最优离散化方法和最优分区数量均以q值最大为原则, 并借助R语言中的GD包实现. 对于最优空间尺度, 结合前人研究, 考虑到中国各省区面积（其中, 中国香港、澳门和台湾数据暂缺）差异以及需要更多的数据样本来提高地理探测器模型准确性[19], 对于面积小于10万km2的省区（包括上海、北京、天津、重庆、海南和宁夏）设置的空间尺度单元为1、3、5、8和10 km；对于整个中国和面积大于50万km2的省区（包括新疆、西藏、内蒙古和青海）设置空间尺度单元为5、10、15、20和25 km；其余省区设置空间尺度单元为3、5、8、10和15 km. 在获得最优空间尺度的基础上, 进行最优离散化方法和最优分区数量的筛选. 结合前人研究[19, 32], 离散方法选择相等间隔、自然断点、分位数、几何间隔和标准差方法, 并将分区数量设置为5~9, 选出q值最大的参数作为地理探测器分析的最优参数. 在获得最优参数地理探测器模型后, 分别使用因子探测器和交互探测器来分别揭示各个外部影响因子以及不同外部影响因子的组合对中国耦合协调度的驱动程度, 具体公式见文献[19, 32].
中国耦合协调度是受气候变化、地表形态、人类活动和自然环境等因素共同影响的[33, 34]. 参考已有研究[19, 32]以及数据的可获得性, 本研究选取海拔和地形起伏度2个地形因子, 2019年人均GDP和路网密度2个社会经济因子, 2016~2020年多年平均气温、降水和GPP以及2019年河网密度的4个自然环境因子共8个影响因子, 与2018年耦合协调度进行最优参数地理探测分析.
2 结果与分析 2.1 时空变化分析中国人类活动（slope = 0.04 a-1, P < 0.01）、生态环境质量（slope = 4.2 × 10-7 a-1, P < 0.05）和耦合协调度（slope = 3.08 × 10-4 a-1, P < 0.01）在研究期间内均表现出显著增长趋势[图 1（d）]. 其中, 生态环境环境质量、人类活动和耦合协调度的值均无量纲, 数值越大说明生态环境质量越好、人类活动越强和耦合协调度越高. 在空间分布上, 生态环境质量具有明显的南高北低空间分布规律[图 1（a）], 人类活动和耦合协调度则是均以胡焕庸线为界, 表现出明显的东高西低空间分布规律[图 1（b）和图 1（c）]. 相比于生态环境质量, 人类活动与耦合协调度的时空格局更加一致[图 1（b）、图 1（c）和图 1（d）].
|
基于自然资源部标准地图服务网站下载的审图号为GS（2020）4634号的标准地图制作, 底图无修改, 下同 图 1 2001~2018年中国生态环境质量、人类活动和耦合协调度的时空分布 Fig. 1 Spatial and temporal distribution of eco-environmental quality, human activities and coupled coordination in China from 2001 to 2018 |
根据表 2可知, 在像元尺度上, 研究期间中国生态环境质量与人类活动耦合协调类型变化总面积为166.1 × 104 km2, 占中国陆域总面积的17.3%. 高级协调3个亚类共转入48.5 × 104 km2, 转出16.9 × 104 km2, 共计增加31.6 × 104 km2. 基本协调3个亚类共转入55.3 × 104 km2, 转出70.1 × 104 km2, 共计减少14.8 × 104 km2. 基本不协调3个亚类共转入23.6 × 104 km2, 转出35.6 × 104 km2, 共计减少12 × 104 km2. 严重不协调3个亚类共转入38.8 × 104 km2, 转出43.5 × 104 km2, 共计减少4.7 × 104 km2. 总体而言, 在研究期间仅有高级协调类型在增加.
|
|
表 2 2001~2018年中国生态环境质量与人类活动耦合协调类型转移矩阵1）× 104/km2 Table 2 Coupling coordination type transfer matrix of human activity and eco-environmental quality in China from 2001 to 2018 × 104/km2 |
由图 2可知, 省级尺度上中国生态环境质量与人类活动耦合协调类型在胡焕庸线东西两侧基本呈现出“东部协调, 西部不协调”的分异规律, 并且研究期间大部分省区的耦合协调类型没有变化. 但其中广东、江苏、浙江和天津省区的耦合协调类均由基本协调类型转换为高级协调类型. 黑龙江由基本不协调人类活动滞后亚类转换为基本协调人类活动滞后亚类；辽宁由基本协调人类活动滞后亚类转变为基本协调亚类；山东则是由基本协调亚类转变为基本协调生态环境质量滞后亚类. 总的来说, 在像元和省级尺度上, 中国生态环境质量与人类活动耦合协调类型转化的整体趋势均为由低级向更高级的耦合协调类型转移.
|
SC1、SC2和SC3等字母为耦合协调类型的简写, 具体含义见表 1第3列 图 2 2001年和2018年中国省级尺度生态环境质量与人类活动耦合协调类型分布 Fig. 2 Distribution of coupling coordination types of human activities and eco-environmental quality at the provincial scale in China in 2001 and 2018 |
由图 3可知, 从5~25 km空间单尺度, 随着空间尺度的增大, 大多数影响因子的q值均在增加. 90%分位数q值随着空间尺度的增加呈现出先降低后增加的趋势, 并在25 km时, 90%分位数q值达到最大值. 因此, 本研究使用25 km作为空间分层异质性分析的最优尺度, 并进一步进行地理探测器中的最优离散化、因子探测器和交互探测器分析. 由图 4可知, 不同离散方法和分区数量对因变量的q值有着很大影响. 以路网密度为例, 分位数分类方式优于其它分类方式, 并在区间数量为7时q值达到最大, 因此对于路网密度来说, 应使用分位数分为7类为最优离散化选择. 其它影响因子均以q值最大为原则进行最优离散化.
|
图 3 基于最优参数地理探测器中国耦合协调度影响因子不同空间尺度效应比较 Fig. 3 Comparison of the effects of different spatial scales of the influence factor of coupling coordination degree in China based on the optimal parameters geographical detector |
|
图 4 基于最优参数地理探测器中国耦合协调度影响因子空间数据最优离散化过程 Fig. 4 Optimal discretization process of spatial data on the influence factor of coupling coordination degree in China based on the optimal parameters geographical detector |
各个影响因子[图 5（a）]和交互影响因子[图 5（b）]均对中国耦合协调度有着显著的驱动作用（P < 0.05）. 其中人均GDP（q = 0.75）、GPP（q = 0.68）、降水（q = 0.62）和路网密度（q = 0.54）是中国耦合协调度空间分布的主要影响因子[图 5（a）]. 而人均GDP与GPP（q = 0.83）、人均GDP与降水（q = 0.81）和GPP与路网密度（q = 0.8）的交互组合对中国耦合协调度空间分布的驱动力更强, 并且人均GDP、GPP和降水与其它影响因子的交互组合的q值均大于0.6[图 5（b）]. 这表明以人均GDP为代表的社会经济因素是影响中国耦合协调度空间分布的主要因素, 而以GPP和降水为代表的自然环境因子是进行社会经济活动的基础, 对中国耦合协调度的影响同样很大.
|
各个影响因子和交互影响因子均通过了P < 0.05的显著性检验 图 5 基于最优参数地理探测器中国耦合协调度因子探测和交互探测 Fig. 5 Factor detection and interaction detection of coupled coordination factors in China based on the optimal parameters geographical detector |
对于中国各个省区最优地理探测器模型的建立, 仍然参照q值最大的原则进行最优参数筛选, 但由于受到篇幅的限制具体过程不再描述, 并且只展示前3位的影响因子和交互影响因子. 由图 6可知, 人均GDP存在于中国所有省区影响前3的影响因子中, 胡焕庸线以东的省区第1和第2影响因子分别以人均GDP和路网密度为主, 第3影响因子以地形因子为主. 因此, 社会经济因素主导了该地区耦合协调度的空间分布, 地形因子作为社会经济活动的基础也对该地区耦合协调度的空间分布产生很大影响. 胡焕庸线以西的省区前3的影响因子分别为以GPP、人均GDP和降水为主. 以GPP和降水为代表的自然环境因子主导了该地区耦合协调度的空间分布, 但人均GDP对该地区耦合协调度的空间分布影响也很大. 由图 7可知, 胡焕庸线以东的省区前3的交互影响因子均为人均GDP与其它因子的交互为主；而胡焕庸线以西的省区第1交互影响因子以GPP与其它因子的交互为主, 第2和第3交互影响因子以人均GDP与其它因子的交互为主. 这说明即使在中国各个省区, 社会经济因子对各个地区耦合协调度的空间分布也有着很强驱动力.
|
图 6 基于最优参数地理探测器中国各省区耦合协调度因子探测结果 Fig. 6 Factor detection results of coupling coordination degree among provincial administrative regions in China based on the optimal parameters geographical detector |
|
图 7 基于最优参数地理探测器中国各省区耦合协调度交互探测结果 Fig. 7 Interaction detection results of coupling coordination degree among provincial administrative regions in China based on the optimal parameters geographical detector |
通过LMDI模型和耦合协调模型, 确定研究期间影响中国人类活动和生态环境质量耦合协调度变化在机制角度上的主导因子, 并揭示其影响方向和程度. 图 8显示了从机制角度上影响中国及各个省区耦合协调度变化的主导因子. 本研究发现耦合度对耦合协调度的影响主要在胡焕庸线以西的省区比较突出. 如在西藏、内蒙古和新疆耦合度的变化导致该地耦合协调度分别增加了0.006、0.004和0.005, 分别占各自耦合协调度变化值的323.5%、170.7%和133.6%. 而胡焕庸线以东的绝大部分省区耦合度对耦合协调度的影响相对较小（上海和天津等甚至起了负作用）. 相比之下, 综合协调指数对于耦合协调度的影响主要在胡焕庸线以东的省区比较突出. 如江苏、山东和天津的综合协调指数的变化分别导致当地耦合协调度增加了0.03、0.025和0.024, 均占各自耦合协调度变化值的100%以上. 全国来看, 综合协调指数和耦合度的变化分别导致耦合协调度增加了0.005 84和0.004 27, 分别占耦合协调度变化值的57.8%和42.2%. 这说明综合协调指数是机制角度上影响中国耦合协调度变化更为关键因子.
|
图 8 基于LMDI模型中国人类活动和生态环境质量的耦合协调度分解 Fig. 8 Decomposition of coupling coordination degree between human activities and eco-environmental quality in China based on LMDI model |
进一步分析中国生态环境质量与人类活动的耦合时空机制, 本研究深入探索了中国人类活动变化对生态环境质量影响. 如表 3所示, 本研究根据人类活动和生态环境质量的未来变化趋势间的对应关系, 得出人类活动对生态环境质量影响的评价指标（包括有利开发、破坏开发、有效保护、无效保护、自然增长和自然下降）. 如图 9所示, 有利开发地区（占20.1%）主要分布在胡焕庸线以东的东北、华北、华中、西南和大城市群地区. 这些地区人类活动增加的同时生态环境质量也在好转. 破坏开发地区（占29.54%）主要分布于胡焕庸线以西的地区以及胡焕庸线以东的华北和华东的部分地区. 这些地区则是在人类活动不断增强的同时, 生态环境质量不断变差. 自然增长（占3.9%）和自然下降（占3.91%）地区主要分布在胡焕庸线以西. 其中, 自然增长地区主要分布在胡焕庸线以西的黑龙江西部、新疆北部和青藏高原北部, 而自然下降地区和无效保护地区（占15.04%）在胡焕庸线东西两侧均有分布, 分布规律不明显. 有效保护地区（占17.48%）主要分布在胡焕庸线以东的东北和西南等地区.
|
|
表 3 人类活动对生态环境质量影响的评价指标1） Table 3 Evaluation index of the impact of human activities on eco-environmental quality |
|
图 9 人类活动对生态环境质量影响类型 Fig. 9 Types of impacts of human activities on eco-environmental quality |
本研究期间, 中国各省区生态环境质量与人类活动的耦合协调类型大都保持不变, 广东、江苏、浙江和天津等胡焕庸线以东省区的耦合协调类均由基本协调类型转换为高级协调类型, 但山东却由基本协调亚类转变为基本协调生态环境质量滞后亚类（图 2）. 这是因为山东污染密集型[35]、能源密集型[36]和资源密集型[37]产业过于集中, 所占该地区产业总值的份额长期处于较高水平. 因此, 长期过度依赖污染、能源和资源产业[35~37]带来的生态环境质量滞后已经成为阻碍山东实现可持续发展的重要因素. 相比之下, 北京、上海、广东和浙江等省区虽然在20世纪初污染、能源和资源密集型产业占该地区产业总值的份额也很高, 但是随着时间发展, 份额不断降低[35~37]. 这就使得这些省区的耦合协调类型向更高级的协调类型转换.
基于最优参数地理探测器, 发现以人均GDP为代表的社会经济因子决定了中国耦合协调度的空间分布, 这与Xu等[5]研究的结果相近. 但胡焕庸线以西的省区其耦合协调度主导因子主要为GPP, 其次为人均GDP和降水；该线以东的省区其耦合协调度主导因子才主要为社会经济因子和海拔. 这是因为胡焕庸线以西的地区生态环境质量较差[图 1（a）], 而社会经济活动优先在自然基础好的地区快速发展[38], 因此, GPP和降水成为该地区耦合协调度分布的首要制约因素. 而该线以东地区生态环境质量较高[图 1（a）], 在自然基础普遍较好的情况下, 人均GDP等社会经济因子则主导了该地区耦合协调度的分布. 基于LMDI模型发现综合协调指数为机制角度上中国耦合协调度变化的关键因子, 这与Chen等[8]的研究结果相近. 但对于胡焕庸线以西的省区, 如内蒙古, 新疆等中低收入水平地区, 发展过程中仍伴随着大量化石能源的消耗[39], 无法保证生态环境保护的同时进行[40], 这使得这些地区综合协调指数在耦合协调度的变化中影响微弱. 而胡焕庸线以东的省区, 如北京、上海、天津和江苏等高收入水平地区, 发展中会更加注重清洁能源使用[39], 在进行社会经济活动的同时注重生态环境质量的共同提升[40], 这使得这些地区综合协调指数在耦合协调度的变化中起着主导作用.
通过评价人类活动对生态环境质量影响, 发现自然增长与有效保护类型的地区与我国一系列生态工程实施密集的地区（西南、东北和西北）[41]相重合, 这说明在退耕还林、岩溶石漠化治理和天然林资源保护等多个生态工程[41]的实施下, 生态环境质量持续好转[42], 对于该地区耦合协调度的提升做出了较大的贡献. 另外, 在生态恢复的背景下, 即使是多个生态工程实施的地区, 依然出现无效保护的类型, 这可能与气候变化有关[43]. 经济增长和环境改善同时发生这种实现“双赢”结果的例子很重要, 这为其它地区寻求绿色可持续发展提供了很好的效仿模式[44]. Busch等[44]研究发现中国“绿色增长的亮点”（经济增长和环境改善同时发生的地区）主要分布在上海、西南、华北、华中、珠江三角洲和福建, 这与本研究发现的有利开发地区（图 9）的空间分布基本一致.
胡焕庸线已经被逐渐确立为国家地理分界线, 包括自然人文诸多要素的东西综合分异格局将稳定存在[45]. 胡焕庸线以西的省区整体上自然基础差并且该地区耦合协调度主导因素以自然环境和气象因素为主（图 6和图 7）, 但在像元尺度上仍存在生态环境质量较高[图 1（a）]的地区（如绿洲与河谷农业区）. 因此胡焕庸线以西的省区应以这些自然基础好的地区为着力点, 促进人类活动的增强的同时也要兼顾生态环境质量的提升, 不断提升综合协调指数在该地区耦合协调度的影响力. 如在新疆北部存在高级协调地区[图 1（c）]和有利开发地区（图 9）, 这是因为新疆着重使人口经济活动不断向绿洲与河谷地区集聚, 其与胡焕庸线东部省区的差距日益减小[46]. 胡焕庸线以东的省区由于自然基础普遍相对较好, 其耦合协调度的主导因子为社会经济因子和综合协调指数（图 6和图 7）. 这些地区集中了中国绝大部分社会经济活动以及污染产出[47], 因此应在通过调整经济结构、提高资源能源利用效率等途径加快绿色转型发展的同时, 科学开展国土空间生态修复工作, 使生态系统向良性循环方向发展, 最终实现人地系统的协调共生和耦合优化[48].
本研究在探讨耦合协调度变化影响因子时, 仅探讨了2001~2018年耦合协调度变化的主导因子, 研究时间跨度略广, 缺乏对研究时段的分阶段探讨. 若深入探讨不同研究时段耦合协调度变化的主导因子, 对耦合协调度变化过程的理解可能会更加深刻.
4 结论（1）本研究期间, 中国耦合协调度、生态环境质量和人类活动均为显著增长趋势. 空间上, 人类活动和耦合协调度均以胡焕庸线为界呈现“西低东高”的分异规律, 生态环境质量则表现出“南高北低”分异规律.
（2）胡焕庸线以东的省区耦合协调类型以协调类型为主, 以西则以不协调类型为主. 在像元和省级尺度上中国耦合协调类型转化的整体趋势均是由低级向更高级耦合协调类型转移.
（3）基于LMDI模型发现, 综合协调指数成为机制上中国耦合协调度变化的主导因子；基于最优参数地理探测器模型发现, 在众多外部影响因子中以人均GDP为代表的社会经济因子成为中国耦合协调度变化的主导因子. 胡焕庸线以东的省区其耦合协调度主导因子以社会经济因子和综合协调指数为主, 而该线以西的省区其耦合协调度主导因子以自然环境因子和耦合度为主.
（4）深入评价中国人类活动的变化对生态环境质量带来的影响, 发现胡焕庸线以东主要为有利开发和有效保护类型, 胡焕庸线以西主要为破坏开发和无效保护类型.
| [1] |
傅伯杰. 新时代自然地理学发展的思考[J]. 地理科学进展, 2018, 37(1): 1-7. Fu B J. Thoughts on the recent development of physical geography[J]. Progress in Geography, 2018, 37(1): 1-7. |
| [2] | Li S C, Wu J S, Gong J, et al. Human footprint in Tibet: assessing the spatial layout and effectiveness of nature reserves[J]. Science of the Total Environment, 2018, 621: 18-29. DOI:10.1016/j.scitotenv.2017.11.216 |
| [3] | Sandberg M, Klockars K, Wilén K. Green growth or degrowth? Assessing the normative justifications for environmental sustainability and economic growth through critical social theory[J]. Journal of Cleaner Production, 2019, 206: 133-141. DOI:10.1016/j.jclepro.2018.09.175 |
| [4] |
刘彦随. 现代人地关系与人地系统科学[J]. 地理科学, 2020, 40(8): 1221-1234. Liu Y S. Modern human-earth relationship and human-earth system science[J]. Scientia Geographica Sinica, 2020, 40(8): 1221-1234. |
| [5] | 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 |
| [6] | Fang C L, Liu H M, Li G D. International progress and evaluation on interactive coupling effects between urbanization and the eco-environment[J]. Journal of Geographical Sciences, 2016, 26(8): 1081-1116. DOI:10.1007/s11442-016-1317-9 |
| [7] | Fan Y P, Fang C L, Zhang Q. Coupling coordinated development between social economy and ecological environment in Chinese provincial capital cities-assessment and policy implications[J]. Journal of Cleaner Production, 2019, 229: 289-298. DOI:10.1016/j.jclepro.2019.05.027 |
| [8] | Chen J D, Li Z W, Dong Y Z, et al. Coupling coordination between carbon emissions and the eco-environment in China[J]. Journal of Cleaner Production, 2020, 276. DOI:10.1016/j.jclepro.2020.123848 |
| [9] | Zeng W X, Chen X, Wu Q R, et al. Spatiotemporal heterogeneity and influencing factors on urbanization and eco-environment coupling mechanism in China[J]. Environmental Science and Pollution Research, 2023, 30(1): 1979-1996. DOI:10.1007/s11356-022-22042-8 |
| [10] | Cui D, Chen X, Xue Y L, et al. An integrated approach to investigate the relationship of coupling coordination between social economy and water environment on urban scale-A case study of Kunming[J]. Journal of Environmental Management, 2019, 234: 189-199. |
| [11] | Liang L W, Wang Z B, Li J X. The effect of urbanization on environmental pollution in rapidly developing urban agglomerations[J]. Journal of Cleaner Production, 2019, 237. DOI:10.1016/j.jclepro.2019.117649 |
| [12] | Feng Y X, He S W, Li G D. Interaction between urbanization and the eco-environment in the Pan-Third Pole region[J]. Science of the Total Environment, 2021, 789. DOI:10.1016/j.scitotenv.2021.148011 |
| [13] | Shao Z F, Ding L, Li D R, et al. Exploring the relationship between urbanization and ecological environment using remote sensing images and statistical data: A case study in the Yangtze River Delta, China[J]. Sustainability, 2020, 12(14). DOI:10.3390/su12145620 |
| [14] |
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. DOI:10.3969/j.issn.1000-6923.2013.05.019 |
| [15] | HJ 192-2015, 生态环境状况评价技术规范[S]. |
| [16] |
段群滔, 罗立辉. 人类活动强度空间化方法综述与展望——以青藏高原为例[J]. 冰川冻土, 2021, 43(5): 1582-1593. Duan Q T, Luo L H. Summary and prospect of spatialization method of human activity intensity: taking the Qinghai-Tibet Plateau as an example[J]. Journal of Glaciology and Geocryology, 2021, 43(5): 1582-1593. |
| [17] | Sanderson E W, Jaiteh M, Levy M A, et al. The human footprint and the last of the wild: the human footprint is a global map of human influence on the land surface, which suggests that human beings are stewards of nature, whether we like it or not[J]. BioScience, 2002, 52(10): 891-904. DOI:10.1641/0006-3568(2002)052[0891:THFATL]2.0.CO;2 |
| [18] | Williams B A, Venter O, Allan J R, et al. Change in terrestrial human footprint drives continued loss of intact ecosystems[J]. One Earth, 2020, 3(3): 371-382. DOI:10.1016/j.oneear.2020.08.009 |
| [19] | 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. |
| [20] | Mu H W, Li X C, Wen Y N, et al. A global record of annual terrestrial Human Footprint dataset from 2000 to 2018[J]. Scientific Data, 2022, 9(1). DOI:10.1038/s41597-022-01284-8 |
| [21] | Sen P K. Estimates of the regression coefficient based on Kendall's tau[J]. Journal of the American Statistical Association, 1968, 63(324): 1379-1389. DOI:10.1080/01621459.1968.10480934 |
| [22] |
徐勇, 郑志威, 郭振东, 等. 2000~2020年长江流域植被NDVI动态变化及影响因素探测[J]. 环境科学, 2022, 43(7): 3730-3740. Xu Y, Zheng Z W, Guo Z D, et al. Dynamic variation in vegetation cover and its influencing factor detection in the Yangtze River Basin from 2000 to 2020[J]. Environmental Science, 2022, 43(7): 3730-3740. |
| [23] |
王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527. Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the Yellow River Basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527. |
| [24] |
徐勇, 黄雯婷, 郑志威, 等. 基于空间尺度效应的西南地区植被NPP影响因子探测[J]. 环境科学, 2023, 44(2): 900-911. Xu Y, Huang W T, Zheng Z W, et al. Detecting influencing factor of vegetation NPP in Southwest China based on spatial scale effect[J]. Environmental Science, 2023, 44(2): 900-911. |
| [25] |
王兆华, 邹朋宇, 李浩, 等. 经济-能源-水耦合视角下黄河流域区域协同发展路径[J]. 中国人口·资源与环境, 2022, 32(8): 10-19. Wang Z H, Zou P Y, Li H, et al. Path of regional coordinated development in the Yellow River Basin from the perspective of economy-energy-water nexus[J]. China Population, Resources and Environment, 2022, 32(8): 10-19. |
| [26] |
王少剑, 崔子恬, 林靖杰, 等. 珠三角地区城镇化与生态韧性的耦合协调研究[J]. 地理学报, 2021, 76(4): 973-991. Wang S J, Cui Z T, Lin J J, et al. Coupling relationship between urbanization and ecological resilience in the Pearl River Delta[J]. Acta Geographica Sinica, 2021, 76(4): 973-991. |
| [27] |
李缘缘, 魏伟, 周俊菊, 等. 中国土地利用碳排放变化及协调分区[J]. 环境科学, 2023, 44(3): 1267-1276. Li Y Y, Wei W, Zhou J J, et al. Changes in land use carbon emissions and coordinated zoning in China[J]. Environmental Science, 2023, 44(3): 1267-1276. DOI:10.3969/j.issn.1000-6923.2023.03.028 |
| [28] |
蒋晶晶, 叶斌, 计军平, 等. 中国碳强度下降和碳排放增长的行业贡献分解研究[J]. 环境科学, 2014, 35(11): 4378-4386. Jiang J J, Ye B, Ji J P, et al. Research on contribution decomposition by industry to China's carbon intensity reduction and carbon emission growth[J]. Environmental Science, 2014, 35(11): 4378-4386. |
| [29] |
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. |
| [30] | Ang B W, Liu N. Handling zero values in the logarithmic mean Divisia index decomposition approach[J]. Energy Policy, 2007, 35(1): 238-246. DOI:10.1016/j.enpol.2005.11.001 |
| [31] | Ang B W, Liu N. Negative-value problems of the logarithmic mean Divisia index decomposition approach[J]. Energy Policy, 2007, 35(1): 739-742. DOI:10.1016/j.enpol.2005.12.004 |
| [32] |
李琛, 吴映梅, 高彬嫔, 等. 高原湖泊乡村聚落空间分异及驱动力探测——以环洱海地区为例[J]. 经济地理, 2022, 42(4): 220-229. Li C, Wu Y M, Gao B P, et al. Spatial differentiation and driving factors of rural settlement in plateau lake: a case study of the area around the Erhai[J]. Economic Geography, 2022, 42(4): 220-229. |
| [33] |
胡书玲, 余斌, 卓蓉蓉, 等. 中国陆域地表人类活动与自然环境的空间关系研究[J]. 生态学报, 2020, 40(12): 3935-3943. Hu S L, Yu B, Zhuo R R, et al. The spatial relationship between human activities and natural environment in the continent of China[J]. Acta Ecologica Sinica, 2020, 40(12): 3935-3943. |
| [34] |
张静静, 朱文博, 朱连奇, 等. 基于栅格的豫西山区地形起伏特征及其对人口和经济的影响[J]. 地理学报, 2018, 73(6): 1093-1106. Zhang J J, Zhu W B, Zhu L Q, et al. Spatial variation of terrain relief and its impacts on population and economy based on raster data in West Henan Mountain Area[J]. Acta Geographica Sinica, 2018, 73(6): 1093-1106. |
| [35] |
周沂, 贺灿飞, 刘颖. 中国污染密集型产业地理分布研究[J]. 自然资源学报, 2015, 30(7): 1183-1196. Zhou Y, He C F, Liu Y. An empirical study on the geographical distribution of pollution-intensive industries in China[J]. Journal of Natural Resources, 2015, 30(7): 1183-1196. |
| [36] |
黄永源, 朱晟君. 公众环境关注、环境规制与中国能源密集型产业动态[J]. 自然资源学报, 2020, 35(11): 2744-2758. Huang Y Y, Zhu S J. Public environmental concerns, environmental regulations and energy-intensive industrial dynamics in China[J]. Journal of Natural Resources, 2020, 35(11): 2744-2758. |
| [37] |
毛熙彦, 刘颖, 贺灿飞. 中国资源性产业空间演变特征[J]. 自然资源学报, 2015, 30(8): 1332-1342. Mao X Y, Liu Y, He C F. Spatial pattern dynamics of resource-based industry in China[J]. Journal of Natural Resources, 2015, 30(8): 1332-1342. |
| [38] |
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. |
| [39] |
原嫄, 孙欣彤. 城市化、产业结构、能源消费、经济增长与碳排放的关联性分析——基于中国省际收入水平异质性的实证研究[J]. 气候变化研究进展, 2020, 16(6): 738-747. Yuan Y, Sun X T. Exploring the relationship between urbanization, industrial structure, energy consumption, economic growth and CO2 emissions: an empirical study based on the heterogeneity of inter-provincial income levels in China[J]. Climate Change Research, 2020, 16(6): 738-747. |
| [40] |
李鹏飞, 吴利学, 田野. 中国城镇化路径的环境效应分析[J]. 城市与环境研究, 2014, 1(2): 65-82. Li P F, Wu L X, Tian Y. The environmental effect of China's urbanization models[J]. Urban and Environmental Studies, 2014, 1(2): 65-82. |
| [41] |
邵全琴, 刘树超, 宁佳, 等. 2000—2019年中国重大生态工程生态效益遥感评估[J]. 地理学报, 2022, 77(9): 2133-2153. Shao Q Q, Liu S C, Ning J, et al. Assessment of ecological benefits of key national ecological projects in China in 2000-2019 using remote sensing[J]. Acta Geographica Sinica, 2022, 77(9): 2133-2153. |
| [42] |
陈万旭, 李江风, 曾杰, 等. 中国土地利用变化生态环境效应的空间分异性与形成机理[J]. 地理研究, 2019, 38(9): 2173-2187. Chen W X, Li J F, Zeng J, et al. Spatial heterogeneity and formation mechanism of eco-environmental effect of land use change in China[J]. Geographical Research, 2019, 38(9): 2173-2187. |
| [43] | Liu X F, Zhu X F, Pan Y Z, et al. Vegetation dynamics in Qinling-Daba Mountains in relation to climate factors between 2000 and 2014[J]. Journal of Geographical Sciences, 2016, 26(1): 45-58. DOI:10.1007/s11442-016-1253-8 |
| [44] | Busch J, Amarjargal O. 100 global bright spots of green growth: Co-occurrence of nighttime light gain and forest gain, 1990-2015[J]. Global Environmental Change, 2022, 75. DOI:10.1016/j.gloenvcha.2022.102556 |
| [45] |
丁金宏, 程晨, 张伟佳, 等. 胡焕庸线的学术思想源流与地理分界意义[J]. 地理学报, 2021, 76(6): 1317-1333. Ding J H, Cheng C, Zhang W J, et al. The ideological origins and geographical demarcation significance of Hu Huanyong Line[J]. Acta Geographica Sinica, 2021, 76(6): 1317-1333. |
| [46] |
陆大道, 王铮, 封志明, 等. 关于"胡焕庸线能否突破"的学术争鸣[J]. 地理研究, 2016, 35(5): 805-824. Lu D D, Wang Z, Feng Z M, et al. Academic debates on Hu Huanyong population line[J]. Geographical Research, 2016, 35(5): 805-824. |
| [47] |
葛全胜, 方创琳, 江东. 美丽中国建设的地理学使命与人地系统耦合路径[J]. 地理学报, 2020, 75(6): 1109-1119. Ge Q S, Fang C L, Jiang D. Geographical missions and coupling ways between human and nature for the Beautiful China Initiative[J]. Acta Geographica Sinica, 2020, 75(6): 1109-1119. |
| [48] |
肖善才, 张东海, 胡涛, 等. 美丽中国建设的综合自然地理学透视[J]. 经济地理, 2023, 43(2): 33-39. Xiao S C, Zhang D H, Hu T, et al. An integrated physical geography perspective on the Beautiful China construction[J]. Economic Geography, 2023, 43(2): 33-39. |