2025, Vol. 46
2. 中科星图股份有限公司, 北京 101300
2. Geovis Technology Co., Ltd., Beijing 101300, China
生态脆弱性是指生态系统在面对外界干扰和压力时, 其结构和功能容易遭受破坏和损失的程度[1], 是衡量生态环境质量和可持续发展的重要指标之一[2]. 作为人类活动的主要场所, 城市集中了大量的人口、资源和经济活动[3], 这种高度集中化的发展模式不仅加剧了资源的消耗和环境的污染, 也使得城市生态系统的脆弱性增加. 据统计, 我国中等及以上生态脆弱区占全国陆地国土空间的55%, 其中极度和重度脆弱区占比达29.5%[4], 形势十分严峻. 因此, 深入探讨城市地区的生态脆弱性, 对于保障城市可持续发展和维护生态平衡具有重要意义.
生态脆弱性的研究起源于20世纪80年代[5], 在这一时期, 研究者们主要聚焦于那些典型的脆弱区域[6], 如干旱和半干旱地区[7, 8]、青藏高原[9]、湿地[10]、南方丘陵区[11]和其它天然脆弱区域. 以上区域由于其独特的自然环境和生态系统结构, 往往更容易受到外界干扰和破坏, 因此成为生态脆弱性研究的重点对象. 随着城市生态环境问题的日益严重, 生态脆弱性的研究重心逐渐从某些典型脆弱区域转向城市地区, 涵盖了人口增长、建成区无序扩张、工业污染加剧及自然资源破坏等多元问题, 呈现出更为广泛和复杂的研究趋势. 为了评估生态脆弱性, 已有研究基于不同原理和目的开发了一系列评估模型框架[12], 例如压力-状态-响应模型[13]、敏感-恢复-压力模型[14]、暴露度-敏感性-适应力模型[15]以及改进的压力-状态-响应-管理模型. 其中, 敏感-恢复-压力（sensitivity-resilience-pressure, SRP）模型综合考虑了生态系统对外部影响的敏感性、恢复力和受到的压力, 能够更全面地评估生态脆弱性, 随着评估方法的不断完善, 该模型在生态脆弱性方面的应用也日趋广泛[16], 如Hong等[17]、刘佳茹等[18]、王熙等[19]和李洪广等[20]均基于SRP模型, 分别对城市、山地、流域以及喀斯特地区的生态脆弱性进行了深入地评价与分析. 以上研究不仅展示了SRP模型在不同生态系统类型中的适用性, 也有助于人们对各类生态系统脆弱性状况的全面了解, 为制定针对性的生态保护和管理措施提供了科学依据. 此外, 生态脆弱性包含多种评价方法, 包括层次分析法[21]、模糊综合评价方法[22]、熵权法[20, 23]和主成分分析法[24]等, 都得到了广泛的应用. 各种评价方法均有各自的优缺点, 层次分析法和模糊评价法主观性较强, 且计算较为复杂[25], 熵权法作为一种客观确权方法, 根据数据的离散程度和均匀度确定各个指标的熵值和权重, 能够规避主观因素对权重确定的干扰[26], 同时相较于主成分分析, 在处理因子负荷符号的复杂性上更具优势, 确保了综合评价的明确性和清晰度, 是常用的生态评价方法之一. 尽管目前对生态脆弱性的研究已经涵盖了多个方面, 包括模型构建、指标选择以及评价方法等, 但大多数研究仍然聚焦于对生态系统当前状态和历史变迁的分析[27~29], 而相对较少关注对未来生态脆弱性发展趋势的预测.
近年来, 已有学者针对中原城市群的生态环境变化和可持续发展做出相关研究, 韩燕等[30]通过测算生态效率揭示了经济活动与生态环境的相互关系, 指出提高生态效率是减少对环境的负面影响的关键；张曼玉等[31]评估了中原城市群的生态安全, 强调了生态环境保护对于城市可持续发展的重要性；而王万同等[32]则通过动态监测生态系统服务价值, 量化了人类活动对生态系统的直接影响. 虽然以上研究为人们提供了丰富的视角和数据, 从不同的角度探讨人类活动对生态环境的影响, 但是关于中原城市群生态脆弱性的专项研究相对较少, 难以较全面地反映中原城市群生态系统的整体状况.
因此, 本文以中原城市群为研究对象, 通过融合SRP模型和熵权法, 构建了一套生态脆弱性指标评价体系. 采用动态度法、地理探测器和CA-Markov等研究方法系统评价中原城市群2005~2020年生态脆弱性的时空变化特征, 探究影响其空间分布的主要驱动因子, 并预测2025年的变化情况. 本研究有助于实现联合国提出的保护可持续利用陆地生态系统（SDG15）和建设可持续发展城市（SDG11）等可持续发展目标[33], 以期为中原城市群经济和环境保护协同发展提供决策支持.
1 材料与方法 1.1 研究区域中原城市群地处中国中东地区, 以河南省为主体, 位于110°15′~118°10′E, 31°13′~37°47′N之间（图 1）, 面积为28.7万km2. 包括整个河南省, 山东省的聊城和菏泽, 安徽省的淮北、蚌埠、亳州、阜阳和宿州, 河北省的邢台和邯郸以及山西省的长治、晋城和运城, 共5省30座城市. 中原城市群是以郑州为中心, 洛阳为副中心, 开封、新乡、平顶山、漯河、焦作、许昌和济源等地区性城市为节点构成的紧密联系圈. 2020年中原城市群的常住人口约1.4亿人, 区域生产总值为81 266亿元. 中原城市群与东部沿海地区长三角、珠三角、京津冀三大城市群及其他城市群发展相互呼应, 并起着重要的支撑作用, 是河南省乃至中部地区承接发达国家及我国东部地区产业转移、西部资源输出的枢纽和核心区域之一. 近年来, 中原城市群的发展取得了显著成就, 经济实力不断增强, 城市建设逐渐完善, 区域协同发展成效显著.
|
图 1 中原城市群研究区区位 Fig. 1 Location of the study area of Central Plains Urban Agglomeration |
此外, 中原城市群地处南北气候过渡地带和第二阶梯向第三阶梯的过渡地带, 自然景观荟萃, 动植物资源丰富, 平原丘陵山地兼具且以平原为主, 产业发展和城镇建设受自然条件限制较小.
1.2 指标体系构建本文基于SRP生态脆弱性评价模型, 结合中原城市群的地理位置和城市发展状况, 以及数据的时效性、可获取性和易操作性, 从生态敏感性、生态恢复力和生态压力度这3个层面选取14个评价指标, 如表 1. 其中生态敏感性指生态系统在受到外界干扰时, 如自然和人类活动, 所表现出的不稳定性[34], 采用地形指标和气象指标来表征其生态变化；生态恢复力指生态系统受到内部扰动时的自我恢复能力[18], 选取植被覆盖度、植被净初级生产力和生物丰度等生态活力指标来反映；生态压力度指受到外界干扰时生态系统产生的生理效应, 通常与经济和人类活动有关[2], 选取人口密度、耕地占比、建成区占比和国内生产总值（GDP）来反映. 根据各指标的选取依据将其划分为正向指标和负向指标.
|
表 1 中原城市群生态脆弱性评价指标体系 Table 1 Evaluation index system for ecological vulnerability of the Central Plains Urban Agglomeration |
1.3 数据来源
高程数据（DEM）来源于地理空间数据云（https://www.gscloud.cn/）, 选取ASTER GDEM 30 m数据进行重采样. PM2.5数据来源于中国大气污染指数（China high air pollutants, CHAP）, 是基于多源卫星遥感和人工智能技术, 考虑了空气污染的时空异质特性, 结合丰富的地基观测数据、卫星遥感产品、大气再分析和模式模拟等资料生产得到. 降水数据和温度数据在国家地球系统科学中心（https://www.geodata.cn/）下载, 利用月度数据生成年均值；潜在蒸散量和植被覆盖度数据来源于国家青藏高原科学数据中心, 其中, 植被覆盖度数据（fractional vegetation cover, FVC）由NDVI数据经过像元二分模型, 根据土地利用类型确定纯植被像元值和纯裸土像元值计算得来；植被净初级生产力（net primary production, NPP）是在PIE ENGINE（https://engine.piesat.cn/）平台上下载的年度合成产品（MYD17A3H.006）；人口密度数据来源于WorldPop（https://www.worldpop.org/）；GDP数据和土地利用数据均来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn/）.
1.4 研究方法本研究基于SRP模型, 从自然、社会和经济层面选取14个指标, 运用熵权法确定各指标权重, 计算生态脆弱性指标（ecological vulnerability index, EVI）, 分析其2005~2020年的生态脆弱性时空分布特征和状态转变特征, 并利用CA-Markov模型预测2025年中原城市群的生态脆弱性状况. 生态脆弱性评价体系分析框架如图 2所示.
|
图 2 生态脆弱性评价体系分析框架 Fig. 2 Analytical framework for the ecological vulnerability evaluation system |
由于选取的指标存在量纲和属性上的差异, 根据各个指标对于最终生态脆弱性的积极或者消极影响, 采用极差法对各个指标进行归一化, 使其成为0~1之间的标准化值[1, 35], 计算公式为：
|
(1) |
|
(2) |
式中, Xi+和Xi-分别为正和负指标的标准化值；Xi为指标i的原始化值, Xi, max和Xi, min为指标i的最大值和最小值.
1.4.2 生态脆弱性指数构建熵权法属于客观定权法, 是生态脆弱性评价中常用的定权法之一[20], 通过计算各个指标的信息熵来确定其权重, 从而实现多指标决策. 采用熵权法确定每个指标的权重, 再利用综合指数法由各指标与其对应的权重相乘得出生态脆弱性指数, 并利用公式（4）对生态脆弱性指数进行归一化得到标准化值（standardized ecological vulnerability index, SEVI）, 便于不同时期间的脆弱性对比, 计算生态脆弱性综合指数（ecological vulnerability synthesis index, EVSI）定量分析研究区生态脆弱程度的整体情况.
|
(3) |
|
(4) |
|
(5) |
式中, EVI为生态脆弱性指数, Xi为各指标归一化值, Wi为各指标权重；SEVI为生态脆弱性标准化值, EVImax和EVImin为EVI的最大值和最小值；EVSI为生态脆弱性综合指数, i为生态脆弱性等级, Si为第i类脆弱性等级面积, S为研究区总面积.
为了便于分析和比较时间序列下中原城市群的生态脆弱性的空间分布特征和时空演化格局, 利用自然间断点法对2005~2020年中原城市群的生态脆弱性指数分类, 将研究区域脆弱性划分为轻微（0~0.155）、轻度（0.155~0.221）、中度（0.221~0.297）、重度（0.297~0.443）和极度（0.443~1.000）这5个等级.
1.4.3 脆弱性等级时空变化单一等级动态度可以反映在一段时间内某一脆弱性等级的变化剧烈程度与变化速率, 当单一动态度较高时, 说明该生态脆弱性等级在该时间段内发生了显著的变化, 可能出现了退化、改善或转移等情况. 其计算公式为：
|
(6) |
综合动态度可以反映特定时间段内脆弱性等级变化的活跃程度, 表示区域内所有脆弱性等级变化的总体速率和剧烈程度, 相对于单一动态程度, 更具有全局性.
|
(7) |
式中, K为生态脆弱性的单一动态度, Ue为等级初始面积, Us为等级末期面积, T为从周期开始到结束的时间长度；L为生态脆弱性的综合动态程度, ΔLUi-j为该期间从i级转移到其他级的总面积的绝对值；Ui，s为研究开始时i级的初始区域.
1.4.4 地理探测器模型地理探测器是一种用于地理空间数据分析和模式识别的统计工具. 它结合了地理信息系统和统计学方法, 旨在发现地理现象背后的驱动因子[36], 可以用于研究地理现象的空间分布规律、影响因素的空间差异性以及地理现象的空间关联性等问题. 地理探测器共包含了4个模块, 分别是风险区探测器、生态探测器、分异及因子探测器和交互作用探测器[37]. 本文使用分异及因子探测器和交互作用探测器来探究生态指标与中原城市群的生态脆弱性空间分布格局关系. 分异及因子探测器用于探测地理现象（属性Y）的空间分异, 以及探测某因子X多大程度上解释了地理现象的空间分异, 并通过因子解释力q值来量化它们对地理现象的影响程度[38], q值越大表示自变量X对属性Y的解释力越强, 反之则越弱. 将生态脆弱性指标EVI作为因变量, 离散后的生态指标作为自变量X, 根据因变量和自变量的区内方差计算q值, 并根据结果解释和评估自变量对因变量空间分异的影响程度. 其表达式为：
|
(8) |
式中, h为自变量的分类或分区；Nh和N分别为层h和全区的单元数；σh和σ分别为层h和全区的Y值的方差；SSW为层内方差和；SST为区域总方差；q的值域为[0, 1].
交互作用探测器先分别计算某两个单因子X1和X2对Y的q值：q（X1）和q（X2）, 并计算两个变量叠加后形成的新图层时的q值：q（X1∩ X2）, 根据q（X1）、q（X2）和q（X1∩ X2）的关系确定因子间的交互作用对脆弱性的影响程度. 其判别关系如表 2所示.
|
|
表 2 交互作用探测判断依据 Table 2 Basis for interaction detection and determination |
1.4.5 CA-Markov模型预测
CA-Markov模型的预测是元胞自动机（CA）模型的空间动态演化和马尔可夫（Markov）过程的状态转移的结合, 根据系统不同状态的初始概率和状态之间的转换概率来确定未来时刻每个状态的趋势[39, 40]. 通过建立转移面积矩阵和转移概率矩阵, 确定不同等级之间的转换规则, 利用元胞自动机模型模拟脆弱性等级变化的过程；将CA模型的结果作为马尔可夫模型的输入, 分析不同等级之间的转移概率. 最后, 基于以上概率进行未来状态的预测. 元胞自动机是一种离散空间、时间的动态模型[41], 将地理空间离散为元胞网格, 对下一时刻的元胞状态进行模拟, 模型为：
|
(9) |
式中, S为第ij元胞的状态；t和t + 1为时刻；f为转换函数；q为邻域.
马尔可夫过程是基于两个时期之间的生态脆弱性的状态转移规律, 根据当前时刻的状态, 预测下一时刻的各个元胞的状态, 其模型为：
|
(10) |
式中, Se为e个周期后的状态；S0为初始时刻的状态；e为周期个数；Pe为转换概率矩阵.
2 结果与分析 2.1 生态脆弱性空间分布特征在空间分布上, 中原城市群的生态脆弱性呈现出由西北向东南逐渐降低的趋势. 如图 3和图 4所示, 郑州大都市区和副中心城市洛阳以重度脆弱性为主, 北部跨区域协同发展区和西部转型创新示范区以中度脆弱性为主, 而东部承接转移示范区和南部高效生态示范区则以轻度和轻微脆弱性为主. 这主要是因为中心城市发展规模较大, 经济发展迅速, 人口密度大, 过度且无序的人为活动使得生态压力过大, 脆弱程度较高；北部城市的工业发展较为集中, 往往存在资源过度开发和不合理利用的问题, 导致生态系统功能退化；西部的运城和三门峡由于存在山地、丘陵和平原等多种地形, 气候变化较大, 降水分布不均, 导致植被覆盖不足, 土壤侵蚀严重, 进而增加生态脆弱性；东部地区地处黄淮海平原, 拥有丰富的水资源和农业资源, 为良好的生态系统提供了稳定的基础, 区域内生态脆弱性较低；南部的生态脆弱性较低得益于其扎实的农业基础和优越的气候条件以及充沛的年均降水量, 以上因素共同促进了植被的生长和生态系统的维持, 从而使得该区域的生态脆弱性保持在相对较低的水平.
|
A~F分别为郑州大都市区、核心发展区、北部跨区域协同发展区、东部承接产业转移区、西部转型创新发展区和南部高效生态示范区 图 3 2005~2020年生态脆弱性结果 Fig. 3 Ecological vulnerability results from 2005 to 2020 |
|
A~F分别为郑州大都市区、核心发展区、北部跨区域协同发展区、东部承接产业转移区、西部转型创新发展区和南部高效生态示范区 图 4 2005~2020年中原城市群各层次城市脆弱性统计 Fig. 4 Statistics of vulnerability for cities at different levels in the Central Plains Urban Agglomeration from 2005 to 2020 |
本研究表明, 中原城市群2005~2020年的EVI均值分别为0.200 8、0.213 2、0.240 6和0.228, EVSI分别为2.161、2.328、2.673和2.532, 呈现出先增加后降低的演变趋势. 如表 3所示, 2005~2020年, 中原城市群生态脆弱性主要以轻度和中度为主, 二者总面积占比分别为73.99%、77.73%、77.14%和79.54%, 所占面积都超过研究区域总面积的一半, 且呈逐渐增加趋势, 说明研究区的生态系统普遍面临一定的压力. 变化率最为显著的是重度脆弱性, 3个时期内的变化率分别为42.59%、92.05%和-26.83%, 区域面积由13 790 km2增至27 630 km2, 面积占比增加了4.84个百分点, 重度脆弱区变化幅度最大, 说明研究区脆弱性程度有所增加. 2005~2015年轻微和轻度脆弱区面积大幅度减少, 变化率分别为-64.35%和-28.61%, 中度及以上脆弱区面积增加了78 851 km2, 生态环境持续恶化；2015~2020年轻微和轻度脆弱性的变化率上升, 面积增加了25 309 km2, 中度及以上的脆弱性变化率为-15.78%, 说明2015年以后高脆弱性区域面积在减少, 生态环境恢复较好. 但是, 2005~2020年期间, 轻微和轻度脆弱性的总面积由204 575 km2减少至151 033 km2, 而重度和极度脆弱性的面积增加了16 842 km2, 说明虽然环境状况有所好转, 但并未恢复至最初水平.
|
|
表 3 2005~2020年脆弱等级统计1） Table 3 Statistics of vulnerability levels from 2005 to 2020 |
2.3 不同脆弱性等级变化特征
为进一步分析不同脆弱性等级的演变规律, 制作状态转移矩阵, 计算各脆弱性等级的转移方向和转移量. 从表 4中可以看出, 2005~2010年的转移总面积为68 741 km2, 脆弱等级上升的区域面积为56 823 km2, 轻度脆弱性的转出量最大；2010~2015年的转移面积是3个阶段内转移面积最大的, 为101 245 km2, 但仅有1 909 km2是向脆弱性降低的方向转移, 轻度脆弱性向中度脆弱性的转移量高达57 441 km2, 占转移总面积的56.73%；2015~2020年, 该阶段的变化趋势与前两个阶段相反, 脆弱等级下降的面积大于脆弱等级上升的面积, 转移量最大的是中度向轻度和重度向中度的转移, 转移面积分别为27 248 km2和12 913 km2. 说明2005~2015年脆弱性等级持续上升, 2015年后有所下降.
|
|
表 4 脆弱性等级面积转移矩阵/km2 Table 4 Vulnerability level area transfer matrix/km2 |
单一动态度是脆弱性等级变化速率的体现, 反映了在研究阶段内生态脆弱性等级变化的剧烈程度. 由图 5可知, 2005~2010年各等级单一动态度的绝对值大小为：重度（8.25%） > 极度（7.64%） > 轻微（-6.34%） > 中度（4.30%） > 轻度（-0.42%）, 重度脆弱性面积增长最快, 轻微等级面积缩小最快；2010~2015年各等级面积变化速率在原有的方向上急速提升, 其绝对值大小为：重度（18.41%） > 中度（9.65%） > 轻微（-9.56%） > 极度（8.21%） > 轻度（-5.42%）, 脆弱性等级进一步增加, 生态环境持续恶化. 2015~2020年各等级的动态度朝着相反的方向变化, 动态度变化为：重度（-5.37%） > 轻度（4.07%） > 轻微（3.80%） > 中度（-2.53%） > 极度（-1.60%）, 其中, 中度以上脆弱区比例减少, 轻度和轻微脆弱区比例增加, 总体生态环境呈现正向改善的发展态势. 综合动态度联合考虑区域内各个脆弱性等级的数量变化, 提供区域脆弱性变化的总体信息. 3个阶段综合动态度的变化为1.47%、4.04%和1.77%, 说明在2010~2015年各等级的变化最剧烈, 2015年后, 综合动态度下降, 各等级变化趋于稳定, 生态环境明显改善.
|
图 5 不同时期脆弱性等级单一动态度结果 Fig. 5 Single dynamic degree results of vulnerability levels over time |
分异及因子探测器结果显示（表 5）, 各因子对生态脆弱性的影响力q值存在显著差异, P值都为0. 其中, 建成区占比、生物丰度、人口密度、GDP和植被覆盖度是影响最大的5个因子, q值的均值分别为0.657、0.500、0.305、0.278和0.242. 特别是生物丰度和植被覆盖度的解释力逐渐上升, 说明《河南省土地利用总体规划（2006~2020年）》中协调土地利用与生态建设的关系等相关政策的实施, 使生态活力空间格局发生了较大改变.
|
|
表 5 中原城市群生态脆弱性因子探测器结果 Table 5 Results of the ecological vulnerability factor detector for the Central Plains Urban Agglomeration |
2005~2020年交互作用探测结果显示（图 6）, 91个结果主要表现为双因子增强和非线性增强, 说明任意两因子间交互作用对中原城市群生态脆弱性的影响超越单一因子, 研究区生态脆弱性是各因子协同作用的结果. 2005年解释力排在前3位的是建成区占比∩坡度、建成区占比∩GDP、建成区占比∩年均温度, q值分别为0.725、0.723和0.715, 2010~2020年解释力排在前3位的都是建成区占比∩坡度、生物丰度∩坡度、生物丰度∩地形起伏度, q值均在0.75以上, 共同解释力大于75%. 分析得出生物丰度和建成区占比与其他因子的交互作用尤为显著, 解释力均大于60%, 说明城市扩张过程中土地利用方式的转变以及地形因素的复杂作用共同加剧了中原城市群生态脆弱性, 导致空间差异进一步加大. 综合因子与交互作用探测结果, 发现中原城市群的生态环境脆弱性变化源于自然环境和人类活动的共同作用. 植被覆盖度和生物丰度对生态系统健康至关重要, 而频繁的人类活动则可能破坏生态, 增加生态压力. 尽管各因子交互作用程度不一, 但它们共同影响着中原城市群的生态环境.
|
1.X1, 2.X2, 3.X3, 4.X4, 5.X5, 6.X6, 7.X7, 8.X8, 9.X9, 10.X10, 11.X11, 12.X12, 13.X13, 14.X14；指标X1~X14含义见表 1 图 6 交互作用检测结果 Fig. 6 Test results of interaction effects |
中原城市群生态脆弱性的变化也离不开相关政策的支持. 近年来, 国家持续推动生态文明建设, 党的十八大和十九大报告中均强调加快生态文明建设的重要性, 并细化了生态文明体制改革的重要内容, 为新时代加强生态文明建设提供了动力和行动指南. 此外《“十三五”生态环境保护规划》《中原城市群发展规划》等相关政策的颁布与实施为生态环境的保护提供了有力的法律保障和支持, 对中原城市群生态脆弱性的变化产生了积极的影响.
2.5 CA-Markov模型预测结果利用IDRISI软件的CROSSTAB模块功能, 将中原城市群2020年现状数据与模拟结果相叠加, 得到Kappa系数为0.733, 接近0.75, 表明模拟数据与现状数据一致性高, 模拟效果较好, 即CA-Markov模型在模拟中原城市群的生态脆弱空间布局时具有可行性. 基于2020年生态脆弱格局和2015~2020年脆弱性转移矩阵, 使用CA-Markov模型预测2025年生态脆弱格局, 结果如图 7所示. 2025年生态环境持续性得到良好改善, 生态脆弱性以轻度和中度为主, 轻微、轻度、中度、重度和极度脆弱性等级面积占比分别为12.95%、48.83%、28.98%、7.43%和1.91%, 相较于2020年, 轻度脆弱性面积增加12 940 km2, 重度和极度脆弱性等级面积分别减少了6 635 km2和1 331 km2, 区域内脆弱性等级大多向上一级转移, 且2025年的EVSI为2.400, 小于2020年. 各数据表明2025年脆弱性有所降低, 生态环境有所好转.
|
图 7 2025年生态脆弱性预测结果 Fig. 7 Predicted ecological vulnerability for 2025 |
中原城市群整体以轻度和中度脆弱性为主, 生态环境质量中等. 在时间演变趋势上, 2005~2015年中原城市群的生态脆弱性呈上升趋势, 2015~2020年有所下降, 这与王昕等[42]对中原城市群的生态足迹的研究结果相一致, 而且2010~2020年中原城市群的生态脆弱性先升后降, 这与马进[43]的利用空间主成分分析方法构建的2010年、2015年和2020年河南省生态脆弱性的评价结果一致. 主要因为2005~2015年随着经济水平的快速发展, 能源资源消耗增加, 人均生态足迹上升, 生态环境面临更加严峻的挑战, 会导致生态脆弱性的增加；2015~2020年由于中央加快推进生态文明建设和河南省“十三五”生态环境保护规划等一系列生态保护政策的实施, 各地区在发展过程中越来越重视生态环境的保护, 使得人均生态足迹下降, 生态脆弱性降低. 但是该变化趋势与陈永贵等[44]的关于中原城市群的生态环境质量的检测结果相反, 主要是因为该研究基于Landsat TM/OLI影像计算6个自然生态因子, 构建改进的生态指数ERSEI, 未考虑到人为干扰对生态环境的影响, 所以结果上会有所出入.
从空间分布来看, 中原城市群的生态脆弱性呈现出由西北向东南逐渐降低的分布特征, 脆弱性高值区域集中在以郑州为中心的大都市区和副中心城市洛阳, 并以此为中心向四周辐射, 低值区域都集中在南部的南阳、信阳和驻马店等地, 这与马进[43]的河南省生态脆弱性的生态格局结果相一致；此外, 柳敏等[45]的关于中原城市群生态系统服务价值的研究也证实了南阳和信阳等地区的总生态服务价值高, 生态状况良好, 而城市化集中的大都市区总生态服务价值低, 环境状况较差. 研究区的西部和西北部城市, 如三门峡、运城、晋城和长治等, 由于海拔较高, 且丘陵地区植被稀疏, 水源涵养能力差, 导致生态脆弱性较高；北部和中心地区城市, 由于城市化进程较快, 第二产业发达[42], 密集的人类活动破坏了生态环境的平衡, 使其脆弱性极高；而南部和东部地区, 如信阳、驻马店、阜阳和蚌埠, 气候条件相对较好, 降雨量充沛, 适宜植物和农作物生长, 因而脆弱性较低.
3.2 中原城市群生态脆弱性驱动因子由驱动因素可知, 中原城市群的生态脆弱性是自然环境和人类活动共同作用的结果. 建成区占比和生物丰度是主要影响因素, GDP、人口密度和植被覆盖度是次重要影响因素[43], 同时班凤梅等[46]通过研究发现, 建成区的植被覆盖率较低是阻碍生态环境发展的重要因素. 作为中西部地区创新创业先行区, 中原城市群近年来城市化进程迅猛, 建成区占比不断攀升. 这一过程中, 丰富的人类活动以及土地资源的过度或不合理利用, 导致了区域内生物丰度的显著差异和植被覆盖的不均衡. 以上因素相互作用、相互影响, 共同构成了中原城市群生态脆弱性的复杂情景.
3.3 中原城市群生态脆弱性预测及分析中原城市群的规划期为2016~2020年, 远期展望到2025年打造绿色生态发展示范区, 建设生态环境优良的宜居城市群. CA-Markov模型预测的2025年生态脆弱性状况与2020年相比, 脆弱性有所降低, 生态环境状况好转, 建议持续加强生态环境保护力度, 优化土地利用结构, 推动绿色发展, 同时利用预测模型进行长期规划, 强化生态环境实时监测与预警, 促进区域生态环境的可持续发展.
3.4 本研究的不足本研究虽然在较大区域尺度上探究中原城市群的生态脆弱性, 但是在指标体系的构建上, 对于人类活动对生态系统的影响以及生态系统的恢复力等方面的研究还不够深入, 仍需要进一步完善, 并且数据的空间分辨率有限, 得到的评价结果在尺度上有些粗糙. 因此在后续的研究中, 应综合考虑多个方面的因素, 选取更高分辨率的遥感数据源, 制定合理完整的评价体系.
4 结论（1）中原城市群2005~2020年的EVI均值分别为0.200 8、0.213 2、0.240 6和0.228, 整体处于轻度脆弱性等级. 在空间分布上, 呈现出西北高、东南低和中间高、四周低的分布格局, 极度脆弱地区多分布在郑州、洛阳、焦作、邯郸和长治等地, 脆弱性低值区域分布在研究区的南部和东南部.
（2）在时间演变上, 脆弱性程度先升后降, 各等级都倾向于向邻近的等级方向大规模转变, 具有连续性等级变化特征, 2015年各脆弱性等级区域面积发生较大变化, 且重度脆弱等级的变化最剧烈.
（3）中原城市群的生态脆弱性的空间差异是所有因子共同作用的结果, 因子间的交互作用结果大于单因子的作用结果. 城市面积占比和生物丰度是造成中原城市群生态脆弱性的主要影响因素, GDP、人口密度和植被覆盖度是次重要影响因素.
（4）2025年中原城市群的EVSI呈下降趋势, 轻度脆弱性区域占比最大, 重度和极度脆弱性面积减少, 整体生态脆弱性得到改善.
| [1] |
王钰帆, 白强, 孙虎. 2000—2020年汾河流域生态脆弱性时空演变与驱动因素[J]. 浙江大学学报(理学版), 2023, 50(5): 607-618. Wang Y F, Bai Q, Sun H. Spatial-temporal evolution and driving factors of ecological vulnerability in Fenhe river basin from 2000 to 2020[J]. Journal of Zhejiang University (Science Edition), 2023, 50(5): 607-618. |
| [2] |
喻春哲, 于欢, 项清, 等. 四川省生态脆弱性时空分异及其驱动机制[J]. 环境科学, 2024, 45(12): 6922-6934. Yu C Z, Yu H, Xiang Q, et al. Spatio-temporal differentiation and its driving mechanism of ecological vulnerability in Sichuan Province[J]. Environmental Science, 2024, 45(12): 6922-6934. |
| [3] | Peng B H, Huang Q Q, Elahi E, et al. Ecological environment vulnerability and driving force of Yangtze river urban agglomeration[J]. Sustainability, 2019, 11(23). DOI:10.3390/su11236623 |
| [4] | 鄂竟平. 提升生态系统质量和稳定性[J]. 中国水利, 2020(23): 101-103. |
| [5] |
商彦蕊. 自然灾害综合研究的新进展——脆弱性研究[J]. 地域研究与开发, 2000, 19(2): 73-77. Shang Y R. Vulnerability Study——The new development of synthetized study on natural disasters[J]. Areal Research and Development, 2000, 19(2): 73-77. DOI:10.3969/j.issn.1003-2363.2000.02.019 |
| [6] |
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 |
| [7] |
裴欢, 房世峰, 覃志豪, 等. 干旱区绿洲生态脆弱性评价方法及应用研究——以吐鲁番绿洲为例[J]. 武汉大学学报(信息科学版), 2013, 38(5): 528-532. Pei H, Fang S F, Qin Z H, et al. Method and application of ecological environment vulnerability evaluation in arid oasis — A case study of Turpan Oasis, Xinjiang[J]. Geomatics and Information Science of Wuhan University, 2013, 38(5): 528-532. |
| [8] | Yi F, Lu Q, Li Y h, et al. Ecological vulnerability assessment of natural oasis in arid areas: application to Dunhuang, China[J]. Ecological Indicators, 2023, 149. DOI:10.1016/j.ecolind.2023.110139 |
| [9] |
于伯华, 吕昌河. 青藏高原高寒区生态脆弱性评价[J]. 地理研究, 2011, 30(12): 2289-2295. Yu B H, Lu C H. Assessment of ecological vulnerability on the Tibetan Plateau[J]. Geographical Research, 2011, 30(12): 2289-2295. |
| [10] | Chen W, Cao C X, Liu D, et al. An evaluating system for wetland ecological health: Case study on nineteen major wetlands in Beijing-Tianjin-Hebei region, China[J]. Science of the Total Environment, 2019, 666: 1080-1088. DOI:10.1016/j.scitotenv.2019.02.325 |
| [11] |
姚雄, 余坤勇, 刘健, 等. 南方水土流失严重区的生态脆弱性时空演变[J]. 应用生态学报, 2016, 27(3): 735-745. Yao X, Yu K Y, Liu J, et al. Spatial and temporal changes of the ecological vulnerability in a serious soil erosion area, Southern China[J]. Chinese Journal of Applied Ecology, 2016, 27(3): 735-745. |
| [12] |
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. |
| [13] |
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. |
| [14] | 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 |
| [15] |
苏悦, 刘洪, 杨武年, 等. 高原山地区域生态脆弱性研究——以康定市为例[J]. 自然资源遥感, 2024, 36: 206-215. Su Y, Liu H, Yang W N, et al. Ecological vulnerability of highland mountain areas: a case study of Kangding, Sichuan Province[J]. Remote Sensing for Natural Resources, 2024, 36: 206-215. |
| [16] |
李永化, 范强, 王雪, 等. 基于SRP模型的自然灾害多发区生态脆弱性时空分异研究——以辽宁省朝阳县为例[J]. 地理科学, 2015, 35(11): 1452-1459. Li Y H, Fan Q, Wang X, et al. Spatial and temporal differentiation of ecological vulnerability under the frequency of natural hazard based on SRP model: a case study in Chaoyang County[J]. Scientia Geographica Sinica, 2015, 35(11): 1452-1459. |
| [17] | Hong W Y, Jiang R R, Yang C Y, et al. Establishing an ecological vulnerability assessment indicator system for spatial recognition and management of ecologically vulnerable areas in highly urbanized regions: a case study of Shenzhen, China[J]. Ecological Indicators, 2016, 69: 540-547. DOI:10.1016/j.ecolind.2016.05.028 |
| [18] |
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. |
| [19] |
王熙, 李建松, 刘权毅, 等. 基于SRP模型的新安江流域生态脆弱性评价[J]. 水生态学杂志, 2024, 45(2): 1-9. Wang X, Li J S, Liu Q Y, et al. Evaluation of ecological vulnerability in Xin'anjiang river basin based on SRP modelling[J]. Journal of Hydroecology, 2024, 45(2): 1-9. |
| [20] |
李洪广, 周旭, 肖杨, 等. 基于SRP模型的西南喀斯特山区生态脆弱性时空变化特征[J]. 生态科学, 2021, 40(3): 238-246. Li H G, Zhou X, Xiao Y, et al. Temporal and spatial changes of ecological vulnerability in southwestern Karst Mountains based on SRP model[J]. Ecological Science, 2021, 40(3): 238-246. |
| [21] |
金丽娟, 许泉立. 基于SRP模型的四川省生态脆弱性评价[J]. 生态科学, 2022, 41(2): 156-165. Jin L J, Xu Q L. Ecological vulnerability assessment of Sichuan Province based on SRP model[J]. Ecological Science, 2022, 41(2): 156-165. |
| [22] | Ma L X, Kang H, He D, et al. The evolution process of ecological vulnerability and its quantitative analysis of influencing factors: a case study of Longdong area[J]. Environmental Science and Pollution Research, 2023, 30(18): 51464-51490. DOI:10.1007/s11356-023-25583-8 |
| [23] |
刘轩, 粟晓玲, 刘雨翰, 等. 西北地区生态干旱脆弱性评估[J]. 水资源保护, 2023, 39(3): 65-73. Liu X, Su X L, Liu Y H, et al. Vulnerability assessment of ecological drought in Northwest China[J]. Water Resources Protection, 2023, 39(3): 65-73. |
| [24] |
王鹏, 赵微, 柯新利. 基于SRP模型的潜江市生态脆弱性评价及时空演变[J]. 水土保持研究, 2021, 28(5): 347-354. Wang P, Zhao W, Ke X L. Evaluation and spatiotemporal evolution of ecological vulnerability of Qianjiang based on SRP model[J]. Research of Soil and Water Conservation, 2021, 28(5): 347-354. |
| [25] |
邰苏日嘎拉, 王永亮, 陈国栋, 等. 基于SRP模型的内蒙古鄂伦春地区生态脆弱性评价[J]. 中国地质, 2024, 51(1): 234-247. Tai S R G L, Wang Y L, Chen G D, et al. Ecological vulnerability assessment of Oroqen Region in the Inner Mongolia based on SRP model[J]. Geology in China, 2024, 51(1): 234-247. |
| [26] |
李金铠, 董婷婷, 魏伟. 中原城市群旅游产业绿色发展水平评价及影响因素研究[J]. 资源开发与市场, 2024, 40(1): 108-117. Li J K, Dong T T, Wei W. Evaluation and influencing factors of green development level of tourism industry in the Central Plains Urban Agglomeration[J]. Resource Development & Market, 2024, 40(1): 108-117. DOI:10.3969/j.issn.1005-8141.2024.01.012 |
| [27] | Li Q, Shi X Y, Wu Q Q. Effects of protection and restoration on reducing ecological vulnerability[J]. Science of the Total Environment, 2021, 761. DOI:10.1016/j.scitotenv.2020.143180 |
| [28] | Lan G X, Jiang X L, Xu D H, et al. Ecological vulnerability assessment based on remote sensing ecological index (RSEI): a case of Zhongxian County, Chongqing[J]. Frontiers in Environmental Science, 2023, 10. DOI:10.3389/fenvs.2022.1074376 |
| [29] |
武帅, 田冰, 顾世杰, 等. 基于PSRM模型的京津冀地区生态脆弱性时空演变[J]. 环境科学, 2023, 44(10): 5630-5640. Wu S, Tian B, Gu S J, et al. Spatial-temporal evolution of ecological vulnerability in Beijing-Tianjin-Hebei Region based on PSRM model[J]. Environmental Science, 2023, 44(10): 5630-5640. |
| [30] |
韩燕, 邓美玲. 中原城市群生态效率时空演变及影响因素[J]. 生态学报, 2020, 40(14): 4774-4784. Han Y, Deng M L. Spatio-temporal evolution of eco-efficiency and influencing factors of Central Plains Urban Agglomeration[J]. Acta Ecologica Sinica, 2020, 40(14): 4774-4784. |
| [31] |
张曼玉, 彭建军. 基于DPSIR模型的中原城市群生态安全评价研究[J]. 国土资源科技管理, 2023, 40(2): 28-43. Zhang M Y, Peng J J. The study on ecological security evaluation of Central Plains Urban Agglomeration based on DPSIR mode[J]. Scientific and Technological Management of Land and Resources, 2023, 40(2): 28-43. DOI:10.3969/j.issn.1009-4210.2023.02.003 |
| [32] |
王万同, 孙汀, 王金霞, 等. 基于多源遥感数据的区域生态系统服务价值年际动态监测——以中原城市群为例[J]. 地理科学, 2019, 39(4): 680-687. Wang W T, Sun T, Wang J X, et al. Annual dynamic monitoring of regional ecosystem service value based on multi-source remote sensing data: a case of Central Plains Urban Agglomeration Region[J]. Scientia Geographica Sinica, 2019, 39(4): 680-687. |
| [33] | 杨辉. 联合国可持续发展目标[A]. 见: 2017中国(太原)第四届世界骨科大会暨山西省第十九届骨科学术年会会刊[C]. 太原: 山西省医学会, 山西医科大学第二医院, 2017. |
| [34] |
刘吉平, 任晴, 徐艳艳, 等. 吉林省中部农业区生态敏感性评价[J]. 吉林师范大学学报(自然科学版), 2021, 42(3): 115-121. Liu J P, Ren Q, Xu Y Y, et al. Evaluation on ecological sensitivity of the agricultural region in the central part of Jilin Province[J]. Journal of Jilin Normal University (Natural Science Edition), 2021, 42(3): 115-121. |
| [35] |
徐至真, 王建萍, 韩积斌. 基于SRP模型的柴达木盆地生态脆弱性评价[J]. 盐湖研究, 2024, 32(3): 53-60. Xu Z Z, Wang J P, Han J B. Ecological vulnerability assessment of the Qaidam basin based on SRP model[J]. Journal of Salt Lake Research, 2024, 32(3): 53-60. |
| [36] |
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. |
| [37] | Dai X A, Gao Y, He X W, et al. Spatial-temporal pattern evolution and driving force analysis of ecological environment vulnerability in Panzhihua City[J]. Environmental Science and Pollution Research, 2021, 28(6): 7151-7166. DOI:10.1007/s11356-020-11013-6 |
| [38] |
何茂林, 张玉珊, 高家勇, 等. 喀斯特区土壤侵蚀与石漠化协同演变及交互关系[J]. 水土保持学报, 2023, 37(1): 140-150. He M L, Zhang Y S, Gao J Y, et al. Synergistic evolution and interaction of soil erosion and rocky desertification in karst area[J]. Journal of Soil and Water Conservation, 2023, 37(1): 140-150. |
| [39] | Yang X, Zheng X Q, Chen R. A land use change model: Integrating landscape pattern indexes and Markov-CA[J]. Ecological Modelling, 2014, 283: 1-7. |
| [40] | Xiong N N, Yu R X, Yan F, et al. Land use and land cover changes and prediction based on multi-Scenario simulation: a case study of Qishan County, China[J]. Remote Sensing, 2022, 14(16). DOI:10.3390/rs14164041 |
| [41] |
王跃, 刘家福, 周林鹏, 等. 基于AHP-SPCA熵权模型的松花江流域生态脆弱性时空演变及预测[J]. 水土保持通报, 2023, 43(2): 212-219, 360. Wang Y, Liu J F, Zhou L P, et al. Temporal and spatial evolution and prediction of ecological vulnerability in Songhua river basin based on AHP-SPCA entropy weight model[J]. Bulletin of Soil and Water Conservation, 2023, 43(2): 212-219, 360. |
| [42] |
王昕, 张杏梅. 中原城市群生态足迹与生态承载力时空变化分析[J]. 陕西理工大学学报(自然科学版), 2022, 38(4): 39-46. Wang X, Zhang X M. Spatial-temporal variation of ecological footprint and ecological carrying capacity in the Central Plains Urban Agglomeration[J]. Journal of Shaanxi University of Technology (Natural Science Edition), 2022, 38(4): 39-46. |
| [43] |
马进. 河南省生态系统脆弱性评价及时空变化特征分析[J]. 河南科学, 2022, 40(5): 759-768. Ma J. Ecosystem vulnerability assessment and spatial-temporal variation analysis in Henan Province[J]. Henan Science, 2022, 40(5): 759-768. |
| [44] |
陈永贵, 戴晓琴, 朱玉香. 黄河流域中原城市群生态环境质量遥感动态监测与分析[J]. 灌溉排水学报, 2024, 43(3): 80-86. Chen Y G, Dai X Q, Zhu Y X. Using remote sensing to analyse variation in ecological environment quality in urban region clustered by metropolitan cities in middle reach of the Yellow river[J]. Journal of Irrigation and Drainage, 2024, 43(3): 80-86. |
| [45] |
柳敏, 赵少华, 王亚婷, 等. 中原城市群生态系统服务价值时空变化研究[J]. 人民黄河, 2021, 43(11): 17-22, 28. Liu M, Zhao S H, Wang Y T, et al. Study on the spatial-temporal variation of ecosystem service value in Central Plains Urban Agglomeration[J]. Yellow River, 2021, 43(11): 17-22, 28. |
| [46] | 班凤梅, 刘卫婷, 张孝晶. 中原城市群城镇化与生态环境耦合协调时空分析[A]. 见: 中国环境科学学会2022年科学技术年会论文集(二)[C]. 南昌: 《中国学术期刊(光盘版)》电子杂志社有限公司, 2022. 1206-1214. |