2024, Vol. 45
生态系统是人类得以生产和生活的基础[1], 生态敏感性作为评价区域生态系统变化情况的重要指标, 其变化反映了区域生态系统受自然和人类干扰产生的响应程度的波动, 揭示了潜在生态环境问题发生的可能性[2, 3]. 近年来, 受气候异常变化和不合理人类活动的双重影响, 中国乃至全球区域生态系统的退化现象比较严重[4, 5], 生态环境对外部变化的适应水平不断降低[6], 引起区域生态敏感程度持续发生改变[7]. 作为世界上最大的发展中国家, 改革开放以来, 中国经济快速增长, 发展进程加快, 生态环境受到威胁, 尤以经济区为甚[8]. 长江经济带既是中国关键的经济区也是非常重要的生态承载区[9], 近年来环境问题频发[10], 迫切需要加强生态状况评估及影响因素探索. 因此, 研究长江经济带的生态敏感程度及其对气候变化和人为干扰的响应机制, 可以为流域经济带的生态环境保护、气候变化应对及经济社会可持续发展提供科学依据.
当前, 区域生态环境变化评估及其影响因素分析已成为学术研究的热点. 在生态敏感性评价研究中, 大多以功能特殊的地区为研究对象, 如滩涂资源丰富的上海市[3]、热带森林资源富集的景洪县[11]以及动植物种类繁多的天柱山国家森林公园[12]和大熊猫国家公园[2]等. 但是, 针对内部大规模和快节奏生产生活过程对生态环境的适应能力造成巨大压力的地区——经济带[13, 14], 尤其是对于含有复杂生态系统的长江经济带, 生态敏感性的演变研究还不够深入. 在生态环境影响因素研究中, 已有研究证明了气候变化和人类活动是两大影响因素, 但不同区域的气候和人为因素在生态演变过程中的作用机制不同[15, 16], 还有研究发现了气候变化与人类活动的交互作用同样会对生态环境产生影响[17]. 然而, 大部分已有研究分析了气候和人为因素单独影响生态环境的情况, 鲜少关注因子间交互作用的影响效应. 对于影响因素的研究方法, 过往研究大多采用偏相关分析[18]或多元回归分析[19]来探讨自然和人为因素是否与生态系统变化存在一定关系, 但这两种方法会忽略非线性因果关系以及交互效应. 近年来学者更倾向于利用地理探测器[20, 21]进行影响因子的探究, 但该方法无法展示独立因子或交互因子的正负效应, 也缺少回归模型对因变量特征模拟的能力. 而响应曲面法（response surface methodology, RSM）既可以反映因子的影响效应, 又保有回归模型的优点, 还可以提高模型构建的效率和准确率[22], 由此使用该方法可更准确地找到主要影响因子, 并清晰地观察因子的影响效应, 特别是交互因子的作用机制[23]. 且该方法在生物、药物、食品和工业相关领域中应用广泛[24], 但少有学者将其用于生态环境领域.
综上, 已有研究在生态敏感性评价以及气候和人为因素分别对生态的影响分析等方面进行了讨论, 但是目前仍然缺乏聚焦于经济带的生态敏感性评价及其影响因素单独或交互作用的效应分析, 且RSM在生态环境领域的应用有待深入. 基于此, 本文在构建长江经济带生态敏感性评价体系的同时, 考虑气候变化和人类活动两个主要因素及其交互作用, 采用主成分分析和响应曲面法分析各地区的主要影响因素及其效应, 通过发现生态敏感性演变特征及其影响因子的作用, 以期为长江经济带及相似地区制定和落实各项生态改善举措以及建立健全生态环境保护机制等提供启示.
1 材料与方法 1.1 研究区概况长江经济带包括江苏、安徽、浙江、江西、湖北、湖南、四川、贵州和云南所含128个地级市以及上海和重庆两个直辖市, 一共130个城市, 如图 1所示. 该区域占国土面积的21.4%, 土地利用类型以森林和农田为主. 全域贡献了中国40%以上的人口和GDP, 现已接近全国总量的一半, 是中国最重要的经济发展区, 且域内包含了长三角、长江中游和成渝城市群. 长江经济带年平均降水量在1 000 mm左右, 年平均气温约16℃, 同时《长江经济带气候安全与零碳愿景展望》报告指出, 该区域气候变化显著, 是全球气候变化高度敏感带.
|
图 1 研究区域概况示意 Fig. 1 Map of the study area |
本研究在数据获取及指标计算时选取了长江经济带130个市的气象、遥感和统计数据, 来源如表 1所示. 气象和遥感数据均需通过ArcGIS软件进行提取和处理, 并通过分区统计将数据逐年空间化至每个市域单元, 得到2001~2021年各年长江经济带各市的指标数据, 其中河流长度和土壤中各质含量数据仅为单一年份数据, 河流水系数据来源于国家基础地理信息系统（2021）, 土壤数据来源于世界土壤数据库1.1版本. 同时, 获取土地利用数据需通过ArcGIS构建属性表并计算, 以得到各市森林、草地、水体、耕地、建筑用地和未利用地的面积；获取土壤中各质含量数据需结合世界土壤数据库（HWSD）和土壤水特性模型（SPAW）建立SWAT模型土壤属性数据库, 利用ArcGIS提取并计算长江经济带土壤中砂粒、粉粒、黏粒和有机碳的质量分数.
|
表 1 数据来源 Table 1 Details of research data |
1.3 研究方法 1.3.1 生态敏感性评估
生态敏感性评价因子的选择要根据研究问题的核心和研究区域内实际的生态条件进行调整, 与其生态特征相贴合. 本研究综合考虑长江经济带生态环境系统整体, 鉴于土、植被和水三大要素既是生态和环境的主体又是资源的载体[27], 为从宏观、大范围和长时间序列等角度上展现全域生态、环境和资源的特征, 本研究选取评价角度为土壤环境、生境环境和水环境3方面构建该区域生态敏感性评价指标体系, 由土壤可蚀性、生物丰度指数、植被覆盖度和水网密度指数4个指标表示（表 2）. 公式计算参考《生态环境状况评价技术规范》《全国生态状况调查评估技术规范——生态系统服务功能评估》.
|
|
表 2 生态敏感性评价指标体系 Table 2 Ecological sensitivity evaluation index system |
对4个指标进行归一化, 其中植被覆盖度、生物丰度和水网密度是负向指标, 土壤可蚀性是正向指标, 计算过程如下.
正向归一化：
|
(6) |
负向归一化：
|
(7) |
式中, Xj′为第j个指标归一化后的值, max（Xj）和min（Xj）分别为第j个指标的最大值和最小值. 而后通过CRITIC（criteria importance though intercrieria correlation）法计算各评价指标的权重, 该方法是给指标赋予客观权重的方法, 既考虑了指标的对比强度（由指标的标准差来衡量）, 同时又将指标间的冲突性纳入考虑（由指标间的相关性来体现）. 本研究采用该方法来测定生态敏感性评价指标的客观权重, 以此来综合评价生态环境情况, 计算公式如下：
|
(8) |
|
(9) |
式中, cj为第j个评价指标所包含的信息量, c j越大表明第j个评价指标在整个评价指标体系中的作用越大；m为指标的个数；σj为第j个指标样本数据的标准差；ρjk为第j和k个指标样本数据间的皮尔逊相关系数；ŵj为第j个指标的客观权重. 由此可计算生态敏感性指数, 公式如下：
|
(10) |
式中, ES为生态敏感性指数, ŵ1、ŵ2、ŵ3和ŵ4分别为4个指标对应的权重值. 并利用自然断点法将生态敏感性指数结果分为4级（轻度敏感、中度敏感、重度敏感和极度敏感）, 各评价指标平均权重和生态敏感性分级结果如表 3.
|
|
表 3 评价指标平均权重和生态敏感性分级结果 Table 3 Results of evaluation index weight and ecological sensitivity classification |
1.3.2 影响效应分析
（1）气候变化和人类活动指标的选取 基于过往研究[28, 29], 本文选取了6个用于估计人类活动和气候变化影响的指标, 如表 4所示. 其中, 人口密度和人口增长越大表明对自然资源的需求越大, 国内生产总值和夜间灯光是表现区域当前经济和发展状况的指标, 反映了人类活动对环境的直接压力[28]. 气温可以表现一个地方的热状况特征, 降雨量则直观表现单位时间内降水的多少, 这两个指标是表征区域气候变化情况的核心指标[29].
|
|
表 4 生态敏感性影响因素指标 Table 4 Indicators of ecological sensitivity influencing factors |
（2）主成分分析 主成分分析方法（principal component analysis, PCA）提供了一种降低维度的方法, 通过将n维因子进行正交变换, 随即形成彼此之间相互独立的k维（k < n）变量（即主成分）, 使新变量任意二者均不相关, 且这些主成分应尽可能保持原有变量反映信息的能力. 最终各主成分得分计算公式如下：
|
(11) |
式中, Fi为第i（i=1, 2, …, k）个主成分的得分；λi为第i个主成分的特征值；αj和Cj为第j（j =1, 2, …, n）个指标的负荷向量和标准化后值.
（3）响应曲面法 响应曲面法（RSM）是优化随机过程的统计学试验方法, 通过合理的试验设计, 采用多元回归方程拟合因素和响应值之间函数关系, 目标是发现响应值和各项因子之间的定量关系和规律.
本研究采用的中心复合设计（central composite design, CCD）是常用的响应曲面试验设计方法之一. 假设一个CCD方案是研究k个指标对响应值的影响, 则由1个中心点（各指标的中值）、k个高水平顶点（各指标的最大值）、k个低水平顶点（各指标的最小值）和2k个定义参数α的轴向点组成, 各个维度的平面由于中心点重合而组成空间, 通过观察响应值在空间中的分布情况来探究自变量对响应值的影响及效应. 其中中心点和顶点用于估计一次项和交互项, 轴向点则用于估计平方项. 计算公式如下：
|
(12) |
式中, y为响应变量, βi、βij和βii分别为一次项、交互项和平方项的系数, xi为第i个输入因子, ε为观测误差.
1.3.3 复合敏感指数计算生态敏感性评估常用于划分生态保护区的研究[30], 而本研究以生态敏感性和气候敏感性2个视角构建复合型敏感性指数, 对长江经济带生态管治区的划定进行了新尝试, 以期为流域生态文明建设提供一种新的思路. 其中, 梁玉莲等[31]将气候变化指数用于表示气候变化的敏感性, 旨在揭示各地区对气候变化响应的差异情况. 因此本研究参考文献[31, 32]对长江经济带的年际气候变化指数进行了测算.
|
(13) |
|
(14) |
|
(15) |
|
(16) |
|
(17) |
式中, JJA为夏季, DJF为冬季. RWAFjt为j市在年度t的平均温度变化（ΔTjt）与长江经济带全域同年平均温度变化（Tmeant）的距平, σRjt和σTjt为j市在年度t的年均降雨量Rjt和年均气温Tjt分别与各自最优线性拟合值的偏差, ΔRjt、ΔσRjt和ΔσTjt分别为Rjt、σRjt和σTjt的年际变率. n即为这4个指标的等级值, 根据变化幅度将n值设定为0~4, 各等级的界定变化量参考文献[31]. 并通过自然断点法将RCCI指数分为4级.
随后将生态敏感性和气候敏感性的4个等级分别赋予等距的数值（1、3、5和7）, 构建基于GIS和RS的空间可视化评价模型, 通过空间数据叠置得到综合管治结果, 如图 2所示, 并利用自然断点法将其分为生态环境优化区、管控区和治理区, 优化区为叠加结果小于6的地区, 管治区为综合值在6~10之间的城市, 大于10则为治理区.
|
图 2 复合敏感指数的计算与分级 Fig. 2 Calculation and classification of comprehensive sensitivity |
从全域、城市群、省（市）和市（州）这4个空间尺度, 对长江经济带生态敏感性的时空演变特征进行了趋势分析和可视化分析, 如图 3和图 4.
|
图 3 2001~2021年长江经济带生态敏感性时序演变 Fig. 3 Temporal changes of ecological sensitivity in the Yangtze River Economic Belt from 2001 to 2021 |
|
图 4 2001~2021年长江经济带生态敏感性空间分布 Fig. 4 Spatial distribution of ecological sensitivity in the Yangtze River Economic Belt from 2001 to 2021 |
在全域层面上（如图 3）, 2001~2021年生态敏感值总体呈现波动上升的趋势, 由2001年0.572 9升至2021年0.585 5, 总体上升了2.2%, 这是由于研究期内长江经济带的生境质量随着草地和水域湿地面积的减少而明显下降. 且研究期内有18 a生态敏感等级为重度敏感及以上（敏感值大于0.57）.
在城市群层面上, 如图4（a）~4（e）, 在成渝、长江中游和长三角城市群之间, 生态敏感性逐渐降低, 与地区生产总值呈反比关系. 且研究期内长三角城市群的生态敏感程度显著加重, 到2021年城市群之间敏感程度的差距已缩小, 均在重度敏感及以上.
在省（市）层面上, 如图4（f）~4（j）, 上海的生态敏感程度最高, 其次是江苏和四川, 云南的生态敏感程度最低. 尽管浙江的生态敏感程度处于次小, 但研究期内其敏感等级上升至中度. 相反, 重庆和贵州的生态敏感程度有所下降, 由重度降至中度.
在市（州）层面上, 如图4（k）~4（o）, 生态重度敏感及以上的城市分布存在一定的集聚, 长江以北地区敏感程度更高且高敏感区域更集中. 相较于2001年, 2021年长江经济带生态敏感等级提高、下降和不变的城市数占比分别为20%、16.2%和63.8%, 其中敏感程度提高的城市多分布于研究区内东南部和沿海地区.
2.2 气候变化和人类活动对生态敏感性的影响作用为避免要素的多重共线性并提升模型拟合效果, 运用SPSS软件对可能影响生态敏感性的6个因素进行主成分分析. 由表 5可知, 在4个主成分被提取后, 累计贡献率为92.95%已大于80%, 说明当前所提主成分包含原始因素92.95%的特征信息, 整体上可用于代换所有原始变量. 且由各主成分因子的负荷系数可得, F1中GDP、DP和NTL的负荷系数较大, 可看作经济发展的综合反映；F2可看作降雨量情况；F3可看作气温情况；F4可看作人口增长的反映.
|
|
表 5 指标主成分因子负荷系数1） Table 5 Load coefficient of principal component factor |
将各主成分（因子）和生态敏感性（响应）通过公式（12）构建响应曲面模型. 经MINITAB软件测算, 得到各市的模型方差分析结果. 判断各因子项的显著性（P < 0.1）, 并通过因子图观察因子影响效应, 得到各市单因子和交互因子影响及效应情况如图 5和图 6.
|
非线性影响效应中, 先正向后负向表示倒U型效应, 先负向后正向表示U型效应 图 5 单因子影响效应空间分布 Fig. 5 Spatial distribution of single factor effect |
|
“∩”表示两个因子的交互作用 图 6 因子交互效应空间分布 Fig. 6 Spatial distribution map of interaction factor effect |
对于经济发展因子, 如图5（a）, 51个城市的经济发展因子对生态敏感性的影响效应为正向或先负向后正向, 表明此类地区的生态敏感值随经济发展值的不断增大而升高. 其中, 16个市研究期内GDP均值大于全域均值, 比如三大城市群的核心城市上海、武汉和重庆等；其余35个市研究期内GDP均增大了近10倍或以上, 如连云港等. 这说明, 对于经济水平较高或发展速度较快的地区, 持续推进经济发展更容易伴随着生态敏感程度加重. 对于人口增长因子, 如图 5（d）, 在该因子对地区生态敏感性呈现负向或先正向后负向影响的44个市中, 45.5%地区近5年人口出现负增长或增长速度已放缓但生态敏感程度加重, 可见此类地区（如上海等）人口与生态的矛盾依然尖锐, 未达到人口均衡发展的目标.
对于降雨量因子, 如图 5（b）, 该因子对生态敏感性产生正向影响的区域集中分布于长江经济带“胡焕庸线”以东的长江沿线上, 可见随着区域降雨量增大, 此类城市的生态敏感性呈增加趋势. 对于气温因子, 如图 5（c）, 在地区生态敏感性被该因子正向或先负向后正向影响的30个市中, 70%地区位于长江以南, 则对于此类地区, 随气温值持续增大, 生态敏感值增大. 可能是由于区域南部本就气温偏高, 且研究期内气温均升高, 其中82.1%市的增大幅度甚至为0.5℃以上. 可见气温较高区域的气温不断升高伴随着生态呈消极趋势.
2.2.2 因子交互作用效应分析由图6（a）~6（f）可知：共95个市存在因子交互作用显著影响该地区生态敏感性, 其中有30个市存在3对及以上交互作用显著影响该地区生态敏感性（如盐城等）, 说明长江经济带的气候和人为因子间的相互作用及其对敏感性的影响机制较为复杂. 而因子间交互作用呈现负交互效应表明, 其一因子水平的变化会改变另一因子对地区生态敏感性的影响效应方向；正交互则不改变. 在所有显著的因子交互作用中, 78.6%对交互项的影响效应为负, 其中人口增长与其他因子产生的相互作用甚至94.6%为负交互, 如图6（c）、6（e）和6（f）. 在分析交互效应为负的地区其中一个因子对生态敏感性的影响机制时, 还应针对产生交互作用的另一因子处于不同因子水平的情况进行考虑, 反之亦然.
以盐城市的3对交互作用为例, 做出交互效应图：如图7（a）~7（b）, 降雨量和气温因子分别与经济发展产生的交互作用对生态敏感性的影响效应均为正交互, 相同地, 这两个气候因子水平的变化没有改变经济发展对该地区敏感性的效应方向；不同地, 降雨量因子处于低水平时, 经济发展产生的负向影响斜率比降雨量处于高水平时更大, 气温因子则相反. 然而, 该地区的经济发展与人口增长的交互作用对生态敏感性的影响效应为负, 如图 7（c）, 经济发展因子值的增大在人口增长处于高水平时, 伴随着生态敏感值的升高. 也就是说, 该地区若要在不加重敏感程度的前提下推进发展, 则不可追求人口高速增长, 而应找到有利于协调发展的人口增长速度.
|
“∩”表示两个因子的交互作用 图 7 盐城市交互因子效应 Fig. 7 Interactive factor effect diagram of Yancheng |
通过公式（10）和公式（13）~（17）以及图 2所示过程, 以复合敏感性指数划分长江经济带的生态综合管治区. 其中, 优化区为气候变化幅度较小且生态环境状况较好, 只需保持现状的区域；管控区为气候变化程度稍大且生态较为敏感, 需对生态环境进行严格监控, 必要时限制人类干扰的区域；治理区为气候和生态敏感程度均较高, 需对生态环境进行综合治理并加强气候变化风险管理, 避免影响人类正常生产生活的区域.
2001~2021年长江经济带的复合敏感均值空间分布结果如图 8所示, 治理区包括上海、武汉和成都等45个市, 主要分布在长三角、长江中游和成渝城市群及周边城市, 可见对于单个城市或城市群, 气候敏感程度和生态敏感程度具有一定的溢出效应, 生态环境管控仍是当前该区域建设的主要任务之一. 而雅安市的东和西相邻城市均呈现敏感值较高, 但其本身综合敏感程度不高, 可以认为此类城市存在一定的“生态虹吸”. 同时, 三大城市群内均既包含治理区又包含优化区, 说明城市群内部生态明显不平衡.
|
图 8 生态综合管治区分布 Fig. 8 Distribution map of ecological comprehensive management area |
总体上长江经济带生态处于重度敏感程度, 生态高度敏感的地区主要分布在四川东部、安徽北部和江苏东部, 这是由于这些区域都具有土壤易侵蚀程度较高和植被覆盖率较低的特征[33, 34]. 同时, 研究期内长三角城市群敏感程度明显加重, 生态环境演变呈现一定的恶化趋势, 这与Chi等[35]的研究结果一致. 这可能是因为长三角城市群是国内人口规模最大且经济最发达的城市化地区, 不合理人类活动强度较大, 如过度开垦耕地水域, 使大面积农田和水域转化为建设用地和裸地[36], 导致生境质量下降[37]. 在本研究期内（2001~2021年）, 2003~2011年长江经济带的生态敏感程度总体下降, 主要是因为期间内区域植被覆盖度有所提高[38], 这得益于区域内造林绿化工程的有效实施, 取得了重要成果[39].
随着气候变化和人类活动干扰强度的增加, 各市生态敏感性演变过程中气候和人为因子的影响效应各不相同. 单因素分析表明, 研究期内地区生态敏感性受经济发展显著影响的城市分布最广, 其次是人口增长、降雨量和气温, 说明研究区域内以经济发展和人口增长为特征的人类活动对生态敏感性的影响高于以降雨量和气温为特征的气候变化, 这与Pan等[40]的结论相似, 该研究认为长江流域的人类活动在生态演变中的作用大于气候变化. 在长江沿线地区, 研究期内降雨量的提升加剧了地区生态敏感程度[41], 而气温的增大在一定程度上降低了区域生态敏感性程度, 表明此类地区的降雨量和气温分别对生态具有相反的作用[42]. 对于研究期内生态呈现恶化趋势的城市, 其生态更多是受到人类活动的消极影响, 尤其是经济发展的负向作用[43]. 这可能是因为长江经济带城市化建设持续推进, 无可避免对植被覆盖度和生物丰富度造成威胁[44, 45], 从而引起地区生态适应力的降低.
然而, 要准确合理地评价气候变化和人类活动在生态敏感程度演变过程中的相对作用, 还需考虑气候和人为因素共同作用产生的影响, 这与徐勇等[46]的观点一致, 但该研究并未考虑气候和人为因子产生的交互作用对生态的影响. 而本文利用响应曲面法来考察交互因子对地区生态的作用机制, 由结果可知, 区域内与其他因子产生交互作用影响地区生态敏感性占比最大的因子是人口增长, 其次是经济发展、降雨量和气温, 则本研究期内人为因素在长江经济带生态演变过程中起着重要作用[47]. 对于交互因子的影响效应, 负交互效应占比最大的是降雨量与人口增长（97.3%）, 其次是气温与人口增长（97.1%）和经济发展与人口增长（94.6%）, 则长江经济带的人口增长对生态环境的影响机制较为复杂[48]. 同时, 降雨量和气温也对生态敏感程度变化有很大贡献, 长江经济带65%地区存在二者分别与人为因子的相互作用对生态敏感性产生显著影响, 说明气候变化、人类活动和生态环境之间存在复杂的互馈效应[49]. 此外, 生态系统对于气候变化的响应具有时滞性[50], 同时人类活动对气候因素的影响也并非立竿见影. 那么各区域在生态保护工作中, 主要应根据各地不同的气候情况采取针对性的措施, 才是真正做到因地制宜地保护生态环境.
4 结论（1）本研究期间长江经济带生态敏感均值等级为重度敏感, 且时间上波动情况不容乐观. 空间上, 长江以北地区的生态敏感程度与长江以南相比明显更高. 但研究期内长江以南和发展进程快的东部地区的生态敏感程度变化情况更为显著和普遍, 且波动趋势为明显提高.
（2）一定区域内影响生态变化的因素存在空间差异, 而单因子的影响效应在空间分布上具有一定的特征. 其中经济发展、降雨量和气温单因子对生态敏感性产生正向影响的地区, 分别集中于经济水平高或发展速度快的地区、长江沿线和长江以南.
（3）气候变化和人类活动对生态环境的影响不是孤立作用的, 研究期内长江经济带生态敏感性的演变过程中, 人类活动因素的影响居于主导地位, 气候变化因素则更多地发挥了催化作用. 且长江经济带中84个城市存在气候和人为因子产生相互作用进而影响生态敏感性, 其中78.6%对交互项的影响效应为负, 则在不同的气候因子水平下, 此类城市的人为因子在生态演变过程中的作用效应相反.
（4）考虑地区气候变化情况的生态治理区划分更有利于识别长江经济带生态重点保护区, 生态综合管治区分别为优化区、管控区和治理区, 其中治理区集中分布于城市群内部及北邻城市, 同时此类区域生态管治工作更为复杂.
| [1] |
蔡进, 危小建, 江平, 等. 基于贝叶斯网络的生态系统服务权衡协同关系强度及其空间格局优化: 以汾河流域为例[J]. 环境科学, 2024, 45(5): 2780-2792. Cai J, Wei X J, Jiang P, et al. Ecosystem service trade-off synergy strength and spatial pattern optimization based on bayesian network: a case study of Fenhe River Basin[J]. Environmental Science, 2024, 45(5): 2780-2792. |
| [2] | Xu Y, Liu R, Xue C B, et al. Ecological sensitivity evaluation and explanatory power analysis of the Giant Panda National Park in China[J]. Ecological Indicators, 2023, 146. DOI:10.1016/j.ecolind.2022.109792 |
| [3] | Shi Y S, Li J Q, Xie M Q. Evaluation of the ecological sensitivity and security of tidal flats in Shanghai[J]. Ecological Indicators, 2018, 85: 729-741. DOI:10.1016/j.ecolind.2017.11.033 |
| [4] | Kang J F, Zhang Y N, Biswas A. Land degradation and development processes and their response to climate change and human activity in China from 1982 to 2015[J]. Remote Sensing, 2021, 13(17). DOI:10.3390/rs13173516 |
| [5] | Bardgett R D, Bullock J M, Lavorel S, et al. Combatting global grassland degradation[J]. Nature Reviews Earth & Environment, 2021, 2(10): 720-735. |
| [6] | Huang J P, Yu H P, Guan X D, et al. Accelerated dryland expansion under climate change[J]. Nature Climate Change, 2016, 6(2): 166-171. DOI:10.1038/nclimate2837 |
| [7] |
李振亚, 魏伟, 周亮, 等. 中国陆地生态敏感性时空演变特征[J]. 地理学报, 2022, 77(1): 150-163. Li Z Y, Wei W, Zhou L, et al. Spatio-temporal evolution characteristics of terrestrial ecological sensitivity in China[J]. Acta Geographica Sinica, 2022, 77(1): 150-163. |
| [8] |
徐勇, 李欣怡, 黄雯婷, 等. 2000~2020年中国典型经济区PM2.5时空变化及其与植被景观格局的关系[J]. 环境科学, 2023, 44(4): 1852-1864. Xu Y, Li X Y, Huang W T, et al. Spatio-temporal variation in PM2.5 concentration and its relationship with vegetation landscape patterns in typical economic zones in China from 2000 to 2020[J]. Environmental Science, 2023, 44(4): 1852-1864. |
| [9] |
郭宇, 姚亦锋, 王振波, 等. 基于主体功能区的长江经济带绿色发展评价与问题区域识别[J]. 生态学报, 2023, 43(7): 2569-2582. Guo Y, Yao Y F, Wang Z B, et al. Green development evaluation and problem areas identification of the Yangtze River Economic Belt from the perspective of major function oriented zones[J]. Acta Ecologica Sinica, 2023, 43(7): 2569-2582. |
| [10] | Tu D H, Cai Y Y, Liu M B. Coupling coordination analysis and spatiotemporal heterogeneity between ecosystem services and new-type urbanization: a case study of the Yangtze River Economic Belt in China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110535 |
| [11] | Yu J, Li F T, Wang Y, et al. Spatiotemporal evolution of tropical forest degradation and its impact on ecological sensitivity: a case study in Jinghong, Xishuangbanna, China[J]. Science of the Total Environment, 2020, 727. DOI:10.1016/j.scitotenv.2020.138678 |
| [12] | Zheng Y, Lan S R, Chen W Y, et al. Visual sensitivity versus ecological sensitivity: an application of GIS in urban forest park planning[J]. Urban Forestry & Urban Greening, 2019, 41: 139-149. |
| [13] |
吴一帆, 许杨, 唐洋博, 等. 长江经济带二氧化碳净排放时空演变特征及脱钩效应[J]. 环境科学, 2023, 44(3): 1258-1266. Wu Y F, Xu Y, Tang Y B, et al. Temporal and spatial characteristics of net CO2 emissions and decoupling analysis in Yangtze River Economic Belt[J]. Environmental Science, 2023, 44(3): 1258-1266. |
| [14] |
王鹤鸣, 田双清, 陈乐宾, 等. 新发展格局下长江经济带协调发展: 新动能、新挑战与新路径[J]. 长江流域资源与环境, 2023, 32(4): 679-691. Wang H M, Tian S Q, Chen L B, et al. New dynamics, challenges and promotion paths of Yangtze River Economic Belt's coordinated development under the new development pattern[J]. Resources and Environment in the Yangtze Basin, 2023, 32(4): 679-691. |
| [15] |
金岩松, 金凯, 王飞, 等. 气候变化和人类活动对东部沿海地区NDVI变化的影响分析[J]. 环境科学, 2023, 44(6): 3329-3342. Jin Y S, Jin K, Wang F, et al. Impacts of climate change and human activities on NDVI change in eastern coastal areas of China[J]. Environmental Science, 2023, 44(6): 3329-3342. |
| [16] |
张良侠, 岳笑, 周德成, 等. 气候变化和人类活动对我国典型草原区植被恢复的影响[J]. 环境科学, 2023, 44(5): 2694-2703. Zhang L X, Yue X, Zhou D C, et al. Impacts of climate change and human activities on vegetation restoration in typical grasslands of China[J]. Environmental Science, 2023, 44(5): 2694-2703. |
| [17] |
张宏泽, 崔文刚, 刘绥华, 等. 基于地理探测器和多源数据的耕地土壤重金属来源驱动因子及其交互作用识别[J]. 环境科学, 2023, 44(4): 2177-2191. Zhang H Z, Cui W G, Liu S H, et al. Identifying driving factors and their interacting effects on sources of heavy metal in farmland soils with geodetector and multi-source data[J]. Environmental Science, 2023, 44(4): 2177-2191. |
| [18] |
徐勇, 黄雯婷, 窦世卿, 等. 2000~2020年西南地区植被NDVI对气候变化和人类活动响应特征[J]. 环境科学, 2022, 43(6): 3230-3240. Xu Y, Huang W T, Dou S Q, et al. Responding mechanism of vegetation cover to climate change and human activities in southwest China from 2000 to 2020[J]. Environmental Science, 2022, 43(6): 3230-3240. |
| [19] |
程钰, 尹建中, 王建事. 黄河三角洲地区自然资本动态演变与影响因素研究[J]. 中国人口·资源与环境, 2019, 29(4): 127-136. Cheng Y, Yin J Z, Wang J S. Research on natural capital evolution and influencing factors in the Yellow River Delta Region[J]. China Population, Resources and Environment, 2019, 29(4): 127-136. |
| [20] |
张金茜, 巩杰, 柳冬青. 地理探测器方法下甘肃白龙江流域景观破碎化与驱动因子分析[J]. 地理科学, 2018, 38(8): 1370-1378. Zhang J X, Gong J, Liu D Q. Dynamics and driving factors of landscape fragmentation based on GeoDetector in the Bailongjiang watershed of Gansu province[J]. Scientia Geographica Sinica, 2018, 38(8): 1370-1378. |
| [21] |
赵丹, 王祖伟, 张国壮, 等. 因子回归和交互联合探索区域植被覆盖度的影响因素——以三江源地区为例[J]. 中国环境科学, 2022, 42(8): 3903-3912. Zhao D, Wang Z W, Zhang G Z, et al. Identifying factors affecting regional fractional vegetation cover based on a combination of factor regression and interaction—A case study on the Three-River Headwaters Region[J]. China Environmental Science, 2022, 42(8): 3903-3912. DOI:10.3969/j.issn.1000-6923.2022.08.049 |
| [22] | Xing J, Ding D, Wang S X, et al. Quantification of the enhanced effectiveness of NOx control from simultaneous reductions of VOC and NH3 for reducing air pollution in the Beijing-Tianjin-Hebei region, China[J]. Atmospheric Chemistry and Physics, 2018, 18(11): 7799-7814. DOI:10.5194/acp-18-7799-2018 |
| [23] | 安敏, 韦雅倩, 何伟军, 等. 气候变化和人类活动对中国生态敏感性的影响分析与改善路径: 基于响应曲面法[J]. 中国人口·资源与环境, 2024, 34(5): 69-79. |
| [24] | Shahidi S A. Effect of solvent type on ultrasound-assisted extraction of antioxidant compounds from Ficaria kochii: optimization by response surface methodology[J]. Food and Chemical Toxicology, 2022, 163. DOI:10.1016/j.fct.2022.112981 |
| [25] |
伍亿真, 施开放, 余柏蒗, 等. 利用NPP-VIIRS夜间灯光遥感数据分析城市蔓延对雾霾污染的影响[J]. 武汉大学学报(信息科学版), 2021, 46(5): 777-789. Wu Y Z, Shi K F, Yu B L, et al. Analysis of the impact of urban sprawl on haze pollution based on the NPP-VIIRS nighttime light remote sensing data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 777-789. |
| [26] | Yang J, Huang X. The 30m 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 |
| [27] |
孙发政. 关于水土生态与水土生态保持几个问题的探讨[J]. 水土保持学报, 2011, 25(2): 262-264. Sun F Z. Discussion of several problems about the soil and water ecology and the soil and water ecological conservation[J]. Journal of Soil and Water Conservation, 2011, 25(2): 262-264. |
| [28] | Huang J P, Zhang G L, Zhang Y T, et al. Global desertification vulnerability to climate change and human activities[J]. Land Degradation & Development, 2020, 31(11): 1380-1391. |
| [29] | Ye X C, Zhang Q, Liu J, et al. Distinguishing the relative impacts of climate change and human activities on variation of streamflow in the Poyang Lake catchment, China[J]. Journal of Hydrology, 2013, 494: 83-95. DOI:10.1016/j.jhydrol.2013.04.036 |
| [30] |
李云, 张艳芳, 田茂, 等. 基于"重要性－敏感性－冲突性"的陕北生态保护重点区域辨识[J]. 长江流域资源与环境, 2020, 29(3): 643-653. Li Y, Zhang Y F, Tian M, et al. Identification of key ecological protection areas based on the "importance-sensitivity-conflict" framework in northern Shaanxi province[J]. Resources and Environment in the Yangtze Basin, 2020, 29(3): 643-653. |
| [31] |
梁玉莲, 韩明臣, 延晓冬, 等. 基于CMIP5模式的中国气候变化敏感性预估与分析[J]. 气象科学, 2016, 36(2): 158-164. Liang Y L, Han M C, Yan X D, et al. CMIP5 model-based prediction and sensitivity analysis of climate change in China[J]. Journal of the Meteorological Sciences, 2016, 36(2): 158-164. |
| [32] | Giorgi F. Climate change hot-spots[J]. Geophysical Research Letters, 2006, 33(8). DOI:10.1029/2006gl025734 |
| [33] |
刘珞丹, 李晶, 柳彩霞, 等. 2000-2015年长江经济带植被覆盖时空变化特征及影响因素分析[J]. 水土保持研究, 2021, 28(6): 330-336, 347. Liu L D, Li J, Liu C X, et al. Analysis on the characteristics of temporal and spatial changes and influencing factors of vegetation coverage in the Yangtze River Economic Belt from 2000 to 2015[J]. Research of Soil and Water Conservation, 2021, 28(6): 330-336, 347. |
| [34] |
贾路, 于坤霞, 李占斌, 等. 长江经济带降雨侵蚀力与NDVI耦合协调关系时空变异分析[J]. 农业工程学报, 2023, 39(4): 102-114. Jia L, Yu K X, Li Z B, et al. Spatial-temporal variability analysis of the coupling coordination relationship between rainfall erosivity and NDVI in the Yangtze River Economic Belt[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(4): 102-114. |
| [35] | Chi J Y, Xu G L, Yang Q Q, et al. Evolutionary characteristics of ecosystem services and ecological risks at highly developed economic region: a case study on Yangtze River Delta, China[J]. Environmental Science and Pollution Research, 2023, 30(1): 1152-1166. DOI:10.1007/s11356-022-22313-4 |
| [36] |
孔令桥, 张路, 郑华, 等. 长江流域生态系统格局演变及驱动力[J]. 生态学报, 2018, 38(3): 741-749. Kong L Q, Zhang L, Zheng H, et al. Driving forces behind ecosystem spatial changes in the Yangtze River Basin[J]. Acta Ecologica Sinica, 2018, 38(3): 741-749. |
| [37] |
贺帅兵, 牟林云, 甄霖, 等. 长江三角洲生态环境脆弱带生态修复技术研究进展[J]. 生态学报, 2023, 43(2): 487-495. He S B, Mou L Y, Zhen L, et al. Research progress on ecological restoration technology of ecological fragile zone of the Yangtze River Delta[J]. Acta Ecologica Sinica, 2023, 43(2): 487-495. |
| [38] |
崔浩楠, 罗海江, 张学珍. 1982-2019年长江经济带植被覆盖变化的时空特征[J]. 生态学杂志, 2021, 40(8): 2517-2529. Cui H N, Luo H J, Zhang X Z. Temporal and spatial characteristics of green vegetation cover changes in the Yangtze River Economic Belt from 1982 to 2019[J]. Chinese Journal of Ecology, 2021, 40(8): 2517-2529. |
| [39] |
杨佳伟, 许秀环, 胡兴宜, 等. 长江两岸造林绿化工程背景下石首市森林生态格局分析[J]. 长江流域资源与环境, 2022, 31(5): 1051-1061. Yang J W, Xu X H, Hu X Y, et al. Analysis of forest ecological pattern in Shishou city under the background of afforestation project on sides of the Yangtze River[J]. Resources and Environment in the Yangtze Basin, 2022, 31(5): 1051-1061. |
| [40] | Pan Z Z, Gao G Y, Fu B J. Spatiotemporal changes and driving forces of ecosystem vulnerability in the Yangtze River Basin, China: quantification using habitat-structure-function framework[J]. Science of the Total Environment, 2022, 835. DOI:10.1016/j.scitotenv.2022.155494 |
| [41] | Zhang J F, Sun J, Ma B B, et al. Assessing the ecological vulnerability of the upper reaches of the Minjiang River[J]. PLoS One, 2017, 12(7). DOI:10.1371/journal.pone.0181825 |
| [42] |
崔利芳, 王伦澈, 屈赛, 等. 气温、降水量和人类活动对长江流域植被NDVI的影响[J]. 地球科学, 2020, 45(6): 1905-1917. Cui L F, Wang L C, Qu S, et al. Impacts of temperature, precipitation and human activity on vegetation NDVI in Yangtze River Basin, China[J]. Earth Science, 2020, 45(6): 1905-1917. |
| [43] |
刘黎明, 陈军飞, 王春宝. 长江经济带水-能源-粮食-生态脆弱性时空特征及影响机制[J]. 长江流域资源与环境, 2023, 32(8): 1628-1640. Liu L M, Chen J F, Wang C B. Spatiotemporal evolution and influencing mechanism of water-energy-food-ecology vulnerability: a case study of Yangtze River Economic Belt, China[J]. Resources and Environment in the Yangtze Basin, 2023, 32(8): 1628-1640. |
| [44] | Ma H D, Zhang D, Xiao L Y, et al. Integrating biodiversity conservation and local community perspectives in China through human dimensions research[J]. People and Nature, 2022, 4(6): 1461-1474. DOI:10.1002/pan3.10408 |
| [45] | Qu S, Wang L C, Lin A W, et al. Distinguishing the impacts of climate change and anthropogenic factors on vegetation dynamics in the Yangtze River Basin, China[J]. Ecological Indicators, 2020, 108. DOI:10.1016/j.ecolind.2019.105724 |
| [46] |
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. |
| [47] |
袁晓蕾, 王超, 李柏延, 等. 长江流域土地利用/覆盖变化驱动力及影响综述[J]. 武汉大学学报(信息科学版), 2023, 48(8): 1241-1255. Yuan X L, Wang C, Li B Y, et al. Review of the driving forces and impacts of land use/cover change in the Yangtze River basin[J]. Geomatics and Information Science of Wuhan University, 2023, 48(8): 1241-1255. |
| [48] |
王兆峰, 李竹, 吴卫. 长江经济带不同等级城市碳排放的时空演变及其影响因素[J]. 环境科学研究, 2022, 35(10): 2273-2281. Wang Z F, Li Z, Wu W. Spatio-temporal evolution and influencing factors of carbon emissions in different grade cities in the Yangtze River Economic Belt[J]. Research of Environmental Sciences, 2022, 35(10): 2273-2281. |
| [49] |
武爽, 冯险峰, 孔玲玲, 等. 气候变化及人为干扰对西藏地区草地退化的影响研究[J]. 地理研究, 2021, 40(5): 1265-1279. Wu S, Feng X F, Kong L L, et al. Effects of climate variation and human activities on grassland degradation in Tibet[J]. Geographical Research, 2021, 40(5): 1265-1279. |
| [50] | Wu D H, Zhao X, Liang S L, et al. Time-lag effects of global vegetation responses to climate change[J]. Global Change Biology, 2015, 21(9): 3520-3531. DOI:10.1111/gcb.12945 |