EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 3: 170 - 182

DOI: https://doi.org/10.6046/zrzyyg.2023403

SRP model-based assessment and analysis of ecological vulnerability in the Yangtze River economic belt within Jiangsu Province

  • WANG Yuanyuan , 1 ,
  • ZANG Xiechao , 2 ,
  • XU Weiwei 1 ,
  • YANG Changxia 2 ,
  • JIN Yang 1 ,
  • REN Jinghua 1 ,
  • HE Xinxing 1
Expand
  • 1. Geological Survey of Jiangsu Province, Research Institute Engineering Technology Innovation Center for Land(Cropland) Ecological Monitoring and Rehabilitation, Ministry of Natural Resources, Nanjing 210018, China
  • 2. College of Earth Science, Chengdu University of Technology, Chengdu 610059, China

Received date: 2023-12-27

  Revised date: 2024-05-17

  Online published: 2026-06-03

Fold

Abstract

Socioeconomic development and intensified urbanization have influenced ecosystems essential for human survival. In particular, the ecological quality of the Yangtze River economic belt (YREB) within Jiangsu Province has been significantly challenged due to urbanization and land development, establishing ecological vulnerability assessment as a prominent focus. This study investigated the ecological vulnerability in the YREB within Jiangsu Province across four periods from 2005 to 2020, based on the sensitivity-resilience-pressure (SRP) model that involves 16 indicators in three categories: ecological resilience, pressure, and sensitivity. Using the analytic hierarchy process-selective principal component analysis (AHP-SPCA) weighting method and geodetector, this study delved into the characteristics and drivers of ecological vulnerability. The results indicate that the ecological vulnerability in the study area increased gradually from Nanjing to Nantong cities. Ecological vulnerability levels shift primarily between adjacent levels, characterized by decreased moderate/severe vulnerability and increased mild/slight/potential vulnerability. Primary drivers of ecological vulnerability include the proportion of arable land, population density, and biodiversity, with the interaction between vegetation cover and the proportion of arable land showing the highest explanatory power. Overall, the results of this study provide a significant reference for ecosystem conservation and sustainable development along the Yangtze River within Jiangsu Province.

Key words： Yangtze River economic belt (YREB); sensitivity-resilience-pressure (SRP) model; geodetector; ecological vulnerability; driver

Cite this article

WANG Yuanyuan , ZANG Xiechao , XU Weiwei , YANG Changxia , JIN Yang , REN Jinghua , HE Xinxing . SRP model-based assessment and analysis of ecological vulnerability in the Yangtze River economic belt within Jiangsu Province[J]. Remote Sensing for Natural Resources, 2025 , 37(3) : 170 -182 . DOI: 10.6046/zrzyyg.2023403

0 引言

近几十年来,随着工业化和城市扩张的快速推进,各地生态环境受干扰和破坏现象加剧[1]。环境污染、资源匮乏以及生态系统衰退等问题已成为制约社会发展的主要瓶颈[2,3]。鉴于国内外对生态环境质量的日益关注,相关概念如生态环境脆弱性等被提出[4-6],这有助于认识生态系统的健康状况,为实现地区社会经济绿色发展提供重要指导和参考。近些年随着经济迅猛增长和城市化加速发展,长江经济带江苏段的生态环境也受到了巨大挑战[7],大规模土地开发和工业化进程导致土地资源持续耗竭,湿地和滩涂退化与破坏呈逐渐上升趋势[8]。这一生态环境演变危及当地生态平衡,对防洪和可持续发展带来巨大挑战[9]。因此,开展长江经济带江苏段的生态脆弱性评价势在必行。
当前,国内外学者对生态脆弱性的评价研究重点放在评价指标体系和评价模型。例如李念春等[10]基于压力灵敏度(sensitivity-pressure,SP)模型,选取土壤侵蚀等12个指标对黄河三角洲生态区生态脆弱性进行评价;陆海燕等[11]基于脆弱性域图(vulnerability-scoping-diagram,VSD)模型,选取人口密度等20个指标利用主成分分析法(principal component analysis,PCA)对新疆生态脆弱性进行了评价;邵怀勇等[12]利用压力状态响应模型(pressure-state-response,PSR)对攀西集矿区进行生态脆弱性评价。这些模型中,SP模型简单易用,但缺乏综合性,未考虑生态恢复力和适应力; VSD模型深入分析生态脆弱性,但数据需求高且复杂; PSR模型强调生态关系,却忽视敏感性和恢复力。相较之下,灵敏度弹性压力(sensitivity resilience pressure,SRP)模型更全面准确,考虑了敏感性、恢复力和压力度。
生态脆弱性评价中,评价指标权重的确定方法对结果至关重要,常见方法有层次分析法(analytic hierarchy process,AHP)、PCA法、熵权法、专家打分法和数据挖掘等。如薛联青等[13]和吴春生等[14]结合AHP确定每个生态脆弱性评价指标级别相对重要性;李霞等[15]和宁雅楠等[16]利用PCA进行生态脆弱性评价中因子权重确定;许章华等[17]选取10个指标基于熵权法进行了各指标的权重确定;刘琳等[18]选取17个指标采用专家打分法确定各评价指标权重;陆志翔等[19]基于数据挖掘定量分析人—水—生态协同演化过程。上述方法中,AHP能系统化处理复杂问题,但主观性强且判断矩阵可能不一致; PCA简化指标但忽视相关性;熵权法客观但计算复杂;专家打分法具有专家知识但主观性强;数据挖掘需大量数据和资源。本文结合AHP与PCA,融合专家意见与数据分析,既减少了主观性,也利用了数据空间相关性,实现了多方法优势互补。
基于以上考虑,本文以长江经济带江苏段为研究对象,在综合考虑自然因素、社会因素以及人类活动等多方面因素基础上,运用AHP与空间主成分分析(spatial principal component analysis,SPCA)结合法(AHP-SPCA)确定权重,采用SRP模型开展生态环境脆弱性评价,揭示了研究区2005—2020年4个时期生态脆弱性时空变化规律,并进一步利用地理探测器对该地区生态脆弱性驱动因素进行分析,以期更好地理解生态系统响应和演化。这一研究为生态环境保护和可持续发展提供了科学依据。

1 研究区概况及数据源

1.1 研究区概况

研究区位于长江下游,是中国东部经济最为繁荣的区域之一。地理位置介于118°~122°E和31°~33°N之间,东西长约430 km,横跨8个城市,包括南京市、扬州市、镇江市、苏州市、无锡市、常州市、南通市和泰兴市(泰州市代管)。研究区范围如图1所示,涵盖栖霞区、句容市、常州市、江阴市和如皋市等33个区县,面积总计2.34×106 km2。截至2020年,这一区域常住总人口已达到2 404万人,GDP达41 724亿元。研究区地形以平原为主,绝大部分地区在海拔50 m以下,低山丘陵集中在西部。气候属亚热带湿润季风气候,气候温和、四季分明、季风显著、冬冷夏热、雨量充沛。研究区水体众多,拥有丰富的湿地生态系统,为各种野生动植物提供了栖息地,构成了丰富多样的自然生态景观。近些年,由于城市化进程与农业发展迅猛,研究区自然生态受到威胁,生态保护刻不容缓。
图1 研究区概况图

Fig.1 Overview map of the study area

1.2 数据来源及其预处理

本文选取数字高程模型(digital elevation model,DEM)、土地利用、遥感影像、土壤、社会经济、气象、植被覆盖和矿区点数据作为基础数据,分别通过地理空间数据云、中国科学院资源环境科学数据、中国气象数据共享服务网和江苏省统计局等平台获取,具体数据来源如表1所示。
表1 不同数据类型及数据来源

Tab.1 Different data types and data sources

数据类型 数据内容 数据来源 用途
遥感影像数据 主要是Landsat系列卫星数据 https://earthexplorer.usgs.gov/ 计算植被覆盖、土壤干度
DEM数据 2010 年分辨率 30 m 的 ASTER GDEM 数据 地理空间数据云(http: //www.gscloud.cn/) 计算坡度、高程、地表起伏度、坡长因子、地形湿度指数[20]
土壤数据 全国1∶100万土壤类型数据 中国科学院资源环境科学数据中心(http: //www.resdc.cn/) 计算土壤可侵蚀性
气象数据 江苏省长江沿岸周边站点年降雨量数据和年均气温数据 中国气象数据共享服务网
(cdc.nimc.cn/home.do)		 计算年降雨量、年均气温
土地利用数据 江苏省2005—2020年30 m分辨率土地利用数据 中国地质调查局地质云 2.0
(https://geocloud.cgs.gov.cn/)		 计算景观多样性、生物丰度、耕地占比
社会经济类数据 2005—2020年各时段相关经济指标数据、人口数据等 《江苏省统计年鉴》 计算人口密度、国内生产总值(gross domestic product,GDP)
河网矢量数据 江苏省水系数据 中国地质调查局地质云 2.0
(https://geocloud.cgs.gov.cn/)		 计算水系密度
矿区点数据 研究内矿区点数据以及长江沿岸范围内露天矿山修复区数据 江苏省长江沿岸国土空间遥感监测
项目		 计算矿区点干扰密度
本文采用多种不同数据源导致数据坐标系不一致,如获取的Landsat影像是在WGS84下,获取的土地利用数据是CGCS2000坐标系,土壤数据是阿尔伯斯投影坐标系。为避免不同坐标系转换时产生误差,并确保所有数据空间单元的一致性以及逻辑运算的精确性,需在数据运算前统一坐标系。本文将所有数据均统一至WGS_1984_UTM_Zone_50N坐标系下。所有评价指标栅格分辨率均采用30 m。
对研究使用的Landsat TM/OLI系列影像数据借助ENVI5.3平台,首先完成辐射定标、大气校正等,消除大气散射对数据产生的影响;其次进行图像镶嵌、图像裁剪等预处理,获得研究区内遥感影像图。另外,气象、统计年鉴等数据属于统计数据,需要对如多年、多气象站点、多时期和多地区的统计数据进行整理,并借助ArcGIS10.8平台采用多元回归计算、残差计算和空间插值方法内插等,实现属性数据到空间数据的转化。

2 研究方法

本文技术路线如图2所示。采用SRP模型,选取植被覆盖、土壤侵蚀、景观多样性指数、生物丰度指数、GDP、人口以及矿山点密度等16个评价指标,构建了生态环境脆弱性评价体系,通过AHP-SPCA权重确定方法确定各指标权重,结合3S技术对研究区2005—2020年间生态环境进行脆弱性评价,并借助地理探测器完成研究区生态环境脆弱性驱动力分析。
图2 研究技术路线图

Fig.2 Research technology roadmap

2.1 评价指标标准化

不同的评价指标代表不同的生态环境状况。由于这些指标数据来源和计算方法等存在差异,可能导致评价结果受到各指标之间的值域范围和单位影响。为了消除这些差异,需要对所有评价指标进行归一化处理,以确保值域都在[0,1],使指标可以进行有效比较和综合分析。在生态环境脆弱性评价中,不同评价指标可能具有不同作用方向,即有些指标高值代表较好生态状况,有些指标高值则代表较差生态状况。为考虑这一差异,将各个生态指标分为正向指标和负向指标,以便更准确评估生态环境脆弱性,具体归一化方法参考文献[21]。

2.2 AHP-SPCA权重确定法

1)AHP确定权重。AHP是一种用于决策分析的数学模型和方法。该方法核心步骤包括建立问题的层次结构,通过两两比较不同层次元素的相对重要性来获取判断矩阵,然后利用数学计算方法得出各元素的权重,最终确定最佳选择。此外,AHP还包括一致性检验,以确保决策者的比较是一致和可信的[22]。
2)SPCA法。SPCA的核心思想是在传统PCA基础上考虑空间关联性,通过线性变换将高维空间数据投影到一个新的坐标系,其中每个主成分代表数据的一种特定空间结构。与传统PCA不同,SPCA利用协方差或协方差矩阵的空间结构来计算主成分,以捕捉空间变异性的主要方向。这有助于提取空间数据中的关键模式和趋势,减少数据维度,同时保留数据的重要信息[23-24]。
3)最小相对信息熵。本文基于最小相对信息熵原理,将AHP权重分配结果与SPCA权重分配结果相融合,从而获得最终综合权重结果(表2)。最小信息熵原理参考文献[25]。
表2 2005年、2010年、2015年和2020年各评价指标权重

Tab.2 Weights of evaluation indicators for 2005, 2010, 2015 and 2020

指标因子 W 1 i ① 2005年 2010年 2015年 2020年
W2i Wi W2i Wi W2i Wi W2i Wi
坡度 0.063 3 0.000 7 0.008 9 0.001 2 0.011 8 0.002 5 0.016 7 0.003 8 0.020 3
高程 0.027 3 0.000 8 0.006 4 0.001 3 0.008 0 0.002 0 0.009 8 0.003 5 0.012 8
地形起伏 0.010 5 0.000 2 0.002 1 0.000 4 0.002 8 0.000 9 0.004 0 0.001 3 0.004 7
地形湿度 0.029 9 0.007 9 0.020 6 0.008 3 0.021 0 0.053 4 0.052 9 0.059 7 0.055 0
年均降雨 0.099 6 0.147 1 0.161 6 0.129 0 0.151 3 0.123 4 0.146 7 0.116 8 0.140 5
年均气温 0.033 2 0.114 8 0.082 4 0.126 1 0.086 4 0.111 2 0.080 3 0.075 6 0.065 2
土壤侵蚀 0.196 2 0.000 2 0.008 4 0.000 4 0.011 2 0.000 1 0.006 6 0.000 2 0.007 9
植被覆盖 0.098 1 0.164 9 0.169 8 0.159 5 0.167 0 0.164 9 0.168 2 0.162 0 0.164 1
水系密度 0.041 9 0.005 3 0.019 9 0.004 4 0.018 1 0.020 7 0.038 9 0.018 8 0.036 5
生物丰度 0.029 7 0.029 9 0.039 8 0.044 4 0.048 5 0.023 4 0.034 9 0.093 1 0.068 5
矿点密度 0.053 9 0.000 1 0.003 1 0.000 2 0.004 0 0.000 1 0.003 5 0.000 3 0.004 9
景观多样 0.016 4 0.161 2 0.068 6 0.164 0 0.069 2 0.165 6 0.068 9 0.162 8 0.067 3
人口密度 0.058 8 0.101 4 0.103 1 0.122 0 0.113 1 0.114 9 0.108 7 0.104 9 0.102 3
耕地占比 0.092 5 0.164 9 0.164 9 0.165 2 0.165 1 0.165 0 0.163 4 0.162 0 0.159 4
土壤干度 0.073 7 0.006 0 0.027 9 0.005 6 0.027 1 0.001 8 0.015 5 0.008 2 0.032 0
GDP 0.075 0 0.094 6 0.112 5 0.068 0 0.095 4 0.050 1 0.081 0 0.027 0 0.058 6
总计 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0

①Wi为各评价指标的最终权重,W1i,W2i分别为AHP确定的权重以及SPCA的权重。

2.3 评价模型

本研究采用生态脆弱性指数(enhanced vegetation index,EVI)来对研究区域生态脆弱性进行分析与评价[26-27]。计算过程涉及将各评价因子与相应权重相叠加,具体EVI模型计算公式为:
E V I = r 1 y 1 + r 2 y 2 + … + r n y n
式中:yn为第n个标准化后的指标因子;rn为第n个指标因子权重,计算得到EVI后将计算结果进行标准化处理,得到最终的EVI,并使其值在0到1范围内,其值越大,表明生态环境越脆弱。

2.4 生态脆弱性分级方法

本文采取绝对定级方法对研究区生态脆弱性进行分类定级,即利用等间距的方法对研究区的生态脆弱性结果进行分级[28]。各等级分类标准和对应的类别特征如表3所示。
表3 生态环境脆弱性类型分级取值表

Tab.3 Table of values for the classification of ecological vulnerability types

脆弱性类型 EVI 生态环境特征
潜在脆弱 [0,0.2] 区域内生态环境质量良好,能快速应对外界环境变化,生态环境自我恢复能力强,应对生态环境变化承压能力强,无异常生态环境问题出现
微度脆弱 (0.2,0.4] 区域内生态环境质量较好,生态环境自我恢复能力较强,应对外界环境变化能力较强,可以有效抵抗外界压力,存在使生态环境变差的潜在威胁因子
轻度脆弱 (0.4,0.6] 区域内生态环境质量一般,生态环境自我恢复能力处于中等水平,自身生态环境敏感性较高,生态环境适应能力中等,易产生一定的生态环境问题
中度脆弱 (0.6,0.8] 区域内生态环境质量差,生态环境表现出较高的敏感度和产生较大的压力,与此同时生态的可恢复性变得很差,生态恢复存在较大的阻力,恢复能力弱,生态问题较多
极度脆弱 (0.8,1.0] 区域内生态环境质量极差,生态环境敏感性高,自我恢复能力弱,生态环境问题严重,生态环境自我恢复难度极大,生态问题突出

2.5 转移矩阵

在生态脆弱性研究中,转移矩阵用于描述不同生态状态之间的转变过程。这个转移矩阵通常是一个方阵,其中的元素表示从一个生态状态到另一个生态状态的转变概率或频率[29]。具体来说,对于生态脆弱性而言,这个矩阵可以用于描述不同生态系统或区域之间生态脆弱性水平的变化和演化。

2.6 地理探测器

地理探测器作为一种新兴统计学方法,根据空间分异性理论,旨在辨识多个要素之间的相互作用关系,并揭示这些关系背后的驱动因子[30]。该模型核心是地理事物分布在特定空间位置上,如果一个自变量对因变量产生重要影响,那么它们在空间上应该具有相似的分布特征[31]。
地理探测器包括分异及因子探测、交互作用探测、风险区探测和生态探测[32]。本文主要使用分异及因子探测和交互作用探测,以分析研究区生态脆弱性的空间分布及其背后驱动因子。其中分异及因子探测用来探究因变量因子Y的空间分异性以及自变量因子X对因变量因子Y的空间分异性的解释力。
交互作用探测是用以识别不同驱动力因子之间的交互作用,即探究2个因子共同作用是否会增加或者削弱对因变量因子Y的解释力。探测首先需要分别计算2个自变量因子X对于Y的解释力q值,然后计算2个自变量因子的交互后的q值,最后对2个q值进行比较。判断结果共分为以下5类,如表4,具体判断依据见文献[32]。
表4 交互作用探测器交互作用类型分类

Tab.4 Classification of interaction detector interaction types

判断依据 交互作用类型
q(X1∩X2)<min[q(X1),q(X2)] 非线性减弱
min[q(X1),q(X2)]<q(X1∩X2)<
max[q(X1),q(X2)]		 单因子非线性减弱
(X1∩X2)>max[q(X1),q(X2)] 双因子增强
q(X1∩X2)=q(X1)+q(X2) 独立
q(X1∩X2)>q(X1)+q(X2) 非线性增强

3 结果与分析

3.1 生态恢复力时空分布特征

生态恢复力指生态系统受到外界干扰下的自我调节能力和恢复能力,与生态系统自身的内部结构有关,本研究用生态活力、生态结构以及景观格局等3个方面来衡量恢复力。生态环境恢复力是负向指标,经过标准化处理后,指标值越低表示区域内生态环境恢复能力越强,计算后得到恢复力结果值介于0~0.960 2之间,如图3所示。从图3可以看出,2005—2020年15 a间长江经济带江苏段生态恢复力指数呈先逐渐增加后缓慢降低趋势,对应生态环境恢复能力在15 a间呈先变弱再缓慢变强趋势。
图3-1 研究区内生态恢复力分布

Fig.3-1 Distribution of ecological resilience in the study area

图3-2 研究区内生态恢复力分布

Fig.3-2 Distribution of ecological resilience in the study area

根据研究区内生态恢复力空间分布情况可知,长江沿岸区域内建邺区、玄武区、鼓楼区、润州区、张家港市、崇川区和太仓市一带生态恢复力较强。从空间分布上可见,生态恢复力较强的区域主要沿江分布,形成中间区域生态恢复力较强,两边生态恢复力较弱的趋势。

3.2 生态压力度时空分布特征

生态压力度是指外界环境对于生态系统的干扰强度,主要来自人类社会经济活动所带来的干扰,本次研究主要从人为活动和社会经济中人口密度、耕地占比率、土壤干度指数以及GDP 4个方面来衡量研究区内生态环境压力度。4期生态环境压力度值介于0.010 1~0.919 5之间,如图4所示,研究区内4期生态环境压力度指数整体呈波动下降趋势,其中2005年江苏省长江沿岸的生态压力度均值最高,2020年江苏省长江沿岸生态压力度均值最低。
图4 研究区内生态压力度分布

Fig.4 Distribution of ecological stress degree in the study area

根据4期生态压力度分布图可知(图4),江苏省长江沿岸生态环境压力度整体呈西部压力度值低于东部压力度值,靠近长江区域压力度值低于远离长江区域压力度值的趋势,其中南京市栖霞区-镇江市的汤山-宝华山一带、将军山-牛首山-银杏湖一带、茅山以及老山等多个自然保护区域内生态环境压力度明显低于其余区域内生态环境压力度。

3.3 生态敏感性时空分布特征

生态敏感性受生态系统自身的类型和特征影响,若该区域生态系统敏感性越高,则区域内生态环境遭受的破坏可能性越大,生态环境越脆弱。本次研究敏感性是基于地形因子、地表因子、气候因子以及水文因子4个层次计算的长江沿岸江苏段的生态敏感性,2005年、2010年、2015年和2020年4期计算结果介于0.047 1~0.847 5之间,如图5所示,生态环境敏感性在2005—2020年间整体呈下降趋势,前期下降趋势不明显,后期变化较为明显。
图5 研究区内生态敏感性分布

Fig.5 Distribution of ecological sensitivity in the study area

生态敏感性高值区主要位于长江区域范围内以及周边城区范围内,而低值区主要位于南京市栖霞区-镇江市的汤山-宝华山一带、将军山-牛首山-银杏湖一带、茅山以及老山等植被覆盖较好区域。敏感性受降雨气温等因素影响较大,因此造成区域内不同时期敏感性随着降雨分布以及气温情况有明显变化。

3.4 生态脆弱性整体空间特征

计算4个时间点的EVI,并利用ArcGIS10.8展示了生态环境脆弱性在空间上的分布情况(图6)。根据生态脆弱性空间分布图以及对4个不同时期生态脆弱性分析,研究区生态环境脆弱性呈现出从南京向南通逐渐增加的趋势。
图6 研究区内生态脆弱性分布

Fig.6 Distribution of ecological vulnerability in the study area

南京、扬州和镇江等地区海拔较高,地形较复杂,城区外人类活动对该地区影响相对较小。该地区拥有多个国家级森林公园和自然保护区,植被种类繁多且覆盖较好。因此,长江沿岸西部地区,如老山山脉、宁镇山脉、茅山山脉、钟山以及栖霞山等地区,其生态脆弱性相对较低,尤其是地形较为崎岖的地区。
与之相反,研究区的泰兴、江阴、通州、张家港、海门等区域主要以平坦地势为主,城市化程度较高,耕地分布密集,人为活动强度较大。此外,该地区坡度较为平缓,适宜进行农业等自然资源利用。高人口密度使得生态环境自然恢复能力减弱,强烈的人类活动导致了该地区生态环境受到较大压力。因此,泰兴、江阴、通州、张家港、海门等区域的生态脆弱性相对较高。
此外,本文对长江沿岸江苏段不同生态环境脆弱性等级的面积及其占比进行了统计分析(图7),结果表明,在2005—2020年4个不同时期,研究区生态环境脆弱性等级主要集中在微度脆弱至中度脆弱之间,而潜在脆弱和重度脆弱的面积占比相对较小。
图7 不同脆弱性面积及占比统计

Fig.7 Statistics of the area and percentage of different vulnerabilities

具体而言,对江苏省长江沿岸地区4个时间点的生态环境脆弱性分析,2005年和2010年生态环境脆弱性等级的面积占比表现为:中度脆弱>轻度脆弱>微度脆弱>重度脆弱>潜在脆弱。2015年和2020年生态环境脆弱性等级的面积占比表现为:轻度脆弱>中度脆弱>微度脆弱>重度脆弱>潜在脆弱。总的来说,生态脆弱性呈现出轻、中度脆弱占比最大,潜在脆弱占比最小的趋势,具体面积和占比数据在不同年份有所变化。

3.5 生态脆弱性的时间变化

本文采用转移矩阵对2005—2020年3个时段生态环境脆弱性进行动态分析。分析过程中,运用ArcGIS10.8软件,生成2005—2010年、2010—2015年以及2015—2020年期间各生态脆弱性等级转移矩阵图,如图8所示。2005—2010年期间,江苏省长江沿岸地区的生态环境脆弱性等级转移情况显示,最大的转入生态脆弱性等级为轻度脆弱,其面积为4 006.17 km2。而最大的转出生态脆弱性等级为中度脆弱,其面积达到4 293.92 km2。2010—2015年期间,同样显示最大的转入和转出生态脆弱性等级均为轻度脆弱,其面积分别为4 816.53 km2和4 464.19 km2。在2015—2020年期间,发现最大的转入和转出生态脆弱性等级仍然为轻度脆弱,其面积分别为4 404.31 km2和4 503.66 km2。2005—2020年间生态脆弱性等级之间的相互转变主要集中在相邻等级之间的转变,而跨越多个等级的转变情况占比相对较小。具体而言,在2005—2020年的3个时段中,潜在脆弱性等级的转入面积均大于转出面积。只有在2005—2010年期间,重度脆弱性区域的转入面积略小于转出面积,而在其余2个时段中,重度脆弱性区域的面积都呈现减少的趋势。
图8 2005—2010年江苏省长江沿岸生态环境脆弱性等级转移图

Fig.8 Transfer of ecological vulnerability classes along the Yangtze River in Jiangsu Province from 2005 to 2010

综合分析转移矩阵和图8可以看出,在2005—2020年间,长江经济带江苏段生态环境脆弱性在一定程度上得到改善。这一发现有助于更全面地了解生态环境演变趋势,为生态环境管理和保护提供了有益信息。

3.6 生态脆弱性变化驱动力分析

为探究2005—2020年内16个因子对研究区范围内生态环境脆弱性空间分布的解释力,本文利用地理探测器对导致区域内生态环境脆弱性变化的各驱动力因子进行分析,得出15 a间16个因子对生态环境脆弱性的解释力。结果如图9所示。因子解释力由大到小分别是耕地占比(0.424)>人口密度(0.320)>生物丰度指数(0.266)>年均气温(0.170)>高程(0.167)>土壤侵蚀强度(0.133)>GDP(0.129)>坡度(0.114)>地形起伏度(0.106)>年降雨量(0.092)>景观格局指数(0.081)>植被覆盖(0.075)>矿山密度(0.050)>地形湿度指数(0.019)>土壤干度指数(0.005)>水系密度(0.003)。从整体驱动力因子看江苏省长江沿岸生态环境的脆弱性的16个驱动因子中没有一个因子对生态环境脆弱性有绝对的解释力,因此可见生态环境脆弱性不是单个因子驱动的,而是多个因子综合驱动的结果。其中最具解释力的因子为耕地占比大小、人口密集程度和生物丰度。
图9 驱动力因子对生态环境脆弱性q值

Fig.9 The q-value of driver factors on ecological vulnerability

对于单个生态环境驱动力因子进行讨论后,本文考虑到影响生态环境脆弱性的因子不是单独作用,而有可能是多因子共同相互作用。因此对16个驱动力因子进行交互作用分析,得到交互作用如图10所示。探测结果表明任何2种驱动力对生态环境脆弱性的交互作用都远大于单独驱动力的独自作用。交互作用结果仅分为双因子增强以及非线性增强2种。探究结果表明2种江苏省长江沿岸生态环境脆弱性是多种因子共同驱动的结果,不存在单因子驱动。在众多交互作用结果中交互作用影响力前6名分别是植被覆盖与耕地占比(0.657)、人口密度与耕地占比(0.628)、年均气温与耕地占比(0.564)、生物丰度与耕地占比(0.559)、耕地占比与GDP(0.544)和耕地占比与土壤干度(0.512)。
图10 生态脆弱性驱动力因子交互作用图

Fig.10 Interaction diagram of drivers of ecological vulnerability

4 讨论

本研究采用16个评价指标基于SRP模型构建了全面而系统的生态环境脆弱性评价体系,这种综合性的评价方法有助于从多个维度和层面揭示生态环境的脆弱性,提高评价的准确性和可靠性,但过多的评价指标的数据来源可能存在时空差异,有些数据可能存在缺失,这可能导致评价结果准确性和可靠性受到一定影响。指标权重采用AHP与SPCA联合确定,既考虑了专家主观经验判断,又利用了数学模型客观计算,使权重分配更加科学,但不同的专家可能会给出不同的判断矩阵和权重分配结果,这可能导致评价结果不确定性。虽然SRP模型在生态脆弱性评价中具有一定的通用性,但不同地区生态系统具有独特特征和差异。因此,在应用SRP模型时需要根据实际情况进行适当调整和修正,以确保评价结果的准确性和可靠性。
研究区生态脆弱性整体上呈现自南京向南通递增的趋势。这一空间分布特征的主要原因在于西部南京、扬州和镇江等区域是江苏省森林资源的主要存储区,生态系统相对较为稳定,具备较强的自我修复能力。相反,东部泰兴、江阴、通州、张家港和海门等区域面临着更大的生态环境压力,其生态恢复能力有限,因此在该地区生态环境相对脆弱。鉴于江苏省的生态问题,2005—2020年来,江苏省实施了一系列生态工程,如“263”专项行动和“1+3+7”污染防治攻坚作战体系等,这些工程涵盖了自然村环境整治、康居乡村建设、国家园林城市建设和矿山修复工程等领域,工程修复后的生态环境明显改善。图11为选取的某采石宕口作为示例。目前,江苏省已成为全国首个拥有44个国家园林城市(县城)、9个国家生态园林城市和19个江苏省生态园林城市的省份,林木覆盖率和自然湿地保护率分别达到24.06%和64.3%。
图11 某采石宕口生态修复前(左)后(右)脆弱性对比

Fig.11 Comparison of vulnerability of a quarrying site before (left) and after (right) ecological restoration

关于生态脆弱性的驱动因素,研究发现单一因子解释力最显著的因素包括耕地占比、人口密度以及生物丰度。研究区域地势平坦,素有“鱼米之乡”美誉,耕地面积占比和人口密度大,二者在生态脆弱性评价中属于生态压力层,对生态脆弱性起负面作用;而生物丰度是在林地、耕地、水域、草地、建筑用地和未利用地的面积基础上计算的,林地、草地、水域越大,其值越大。研究区自2005年以来,生态脆弱性整体下降,表明全局内林地、草地、水域面积占比增大,生态质量整体变好。在多个交互作用结果中,植被覆盖与耕地占比之间以及耕地占比与土壤干度之间的交互作用呈现非线性增强趋势,说明生态环境脆弱性是自然因素与人为活动因素相互作用的结果。研究表明,研究区生态环境脆弱性并非单一因子的结果,而是多个因素相互作用的综合效应,相互增强。需要注意的是,所有对生态环境脆弱性解释力较强的因子多与人类活动相关。因此,江苏省长江沿岸生态环境保护的核心问题在于提高公众的环境保护意识,加强生态环境保护政策的宣传,以促使生态环境保护理念深入人心。此外,还需要加强生态保护措施,加强生态环境修复工程的建设。

5 结论

论文以长江经济带江苏段为研究区域,采用AHP-SPCA权重计算方法,基于SRP模型和地理探测器对生态脆弱性的空间分布特征、时空演变以及影响因素进行了深入研究。结论如下:
1)生态脆弱性空间分布趋势。研究区生态环境脆弱性呈现出自南京向南通逐渐增加的趋势。南京、扬州和镇江等地区拥有多个国家级森林公园和自然保护区,植被种类丰富且覆盖良好,因此生态脆弱性相对较低。泰兴、江阴、通州、张家港和海门等区域地形较为平坦,农业活动频繁,生态环境的自然恢复能力相对较弱,导致生态脆弱性相对较高。
2)生态脆弱性时空演变。在时间序列上,生态脆弱性等级之间相互转变主要集中在相邻等级之间,跨越多个等级的转变较为罕见。研究发现,过去15 a内中度和重度生态脆弱性的区域面积减小,而轻度、微度和潜在脆弱性的区域面积有所增加,表明研究区生态环境脆弱性在一定程度上有所改善。
3)生态脆弱性驱动因素。通过应用地理探测器中因子探测器和交互探测器发现,影响研究区生态环境脆弱性空间分布变化的主要驱动因素包括耕地占比、人口密度和生物丰度。在考虑交互作用时,植被覆盖与耕地占比之间的相互作用对生态环境脆弱性程度具有最大的解释能力。因此,解决生态环境问题需要综合考虑多种因素及其相互作用,而不仅仅是关注主要因素,以有效解决生态环境挑战。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
韩博, 金晓斌, 项晓敏, 等. 基于“要素—景观—系统”框架的江苏省长江沿线生态修复格局分析与对策[J]. 自然资源学报, 2020, 35(1):141-161.

DOI

Han B, Jin X B, Xiang X M, et al. Exploration of ecological restoration pattern and countermeasure along the Yangtze River in Jiangsu Province based on the “element-landscape-system” framework[J]. Journal of Natural Resources, 2020, 35(1):141-161.

[2]
Nasir M A, Canh N P, Le T N L. Environmental degradation and role of financialisation,economic development,industrialisation and trade liberalisation[J]. Journal of Environmental Management, 2021,277:111471.

[3]
Ozcan B, Tzeremes P G, Tzeremes N G. Energy consumption,economic growth and environmental degradation in OECD countries[J]. Economic Modelling, 2020,84:203-213.

[4]
Jagtap T G, Komarpant D S, Rodrigues R S. Status of a seagrass ecosystem:An ecologically sensitive wetland habitat from India[J]. Wetlands, 2003, 23(1):161-170.

[5]
Eggermont H, Verschuren D, Audenaert L, et al. Limnological and ecological sensitivity of Rwenzori Mountain lakes to climate warming[J]. Hydrobiologia, 2010, 648(1):123-142.

[6]
徐广才, 康慕谊, 贺丽娜, 等. 生态脆弱性及其研究进展[J]. 生态学报, 2009, 29(5):2578-2588.

Xu G C, Kang M Y, He L N, et al. Advances in research on ecological vulnerability[J]. Acta Ecologica Sinica, 2009, 29(5):2578-2588.

[7]
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.

[8]
王柯, 张建军, 邢哲, 等. 我国生态问题鉴定与国土空间生态保护修复方向[J]. 生态学报, 2022, 42(18):7685-7696.

Wang K, Zhang J J, Xing Z, et al. Identification of ecological problems in China and the direction of ecological protection and restoration of national space[J]. Acta Ecologica Sinica, 2022, 42(18):7685-7696.

[9]
李旭亮, 杨礼箫, 田伟, 等. 中国北方农牧交错带土地利用/覆盖变化研究综述[J]. 应用生态学报, 2018, 29(10):3487-3495.

DOI

Li X L, Yang L X, Tian W, et al. Land use and land cover change in agro-pastoral ecotone in Northern China:A review[J]. Chinese Journal of Applied Ecology, 2018, 29(10):3487-3495.

[10]
李念春, 袁辉. 黄河三角洲高效生态经济区生态环境脆弱性评价研究[J]. 山东国土资源, 2015, 31(10):57-61.

Li N C, Yuan H. Evaluation and study on ecological vulnerability of efficient ecological economic zone in the Yellow River Delta area[J]. Shandong Land and Resources, 2015, 31(10):57-61.

[11]
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.

DOI

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.

DOI

[12]
邵怀勇. 攀西矿业开发集中区生态环境遥感信息提取及生态安全评价研究[D]. 成都: 成都理工大学, 2009.

Shao H Y. Remote sensing information extraction of ecological environment and eco-security evaluation in panxi mining concentrated area[D]. Chengdu: Chengdu University of Technology, 2009.

[13]
薛联青, 王晶, 魏光辉. 基于PSR模型的塔里木河流域生态脆弱性评价[J]. 河海大学学报(自然科学版), 2019, 47(1):13-19.

Xue L Q, Wang J, Wei G H. Dynamic evaluation of the ecological vulnerability based on PSR modeling for the Tarim River Basin in Xinjiang[J]. Journal of Hohai University (Natural Sciences), 2019, 47(1):13-19.

[14]
吴春生, 黄翀, 刘高焕, 等. 基于模糊层次分析法的黄河三角洲生态脆弱性评价[J]. 生态学报, 2018, 38(13):4584-4595.

Wu C S, Huang C, Liu G H, et al. Assessment of ecological vulnerability in the Yellow River Delta using the fuzzy analytic hierarchy process[J]. Acta Ecologica Sinica, 2018, 38(13):4584-4595.

[15]
李霞, 朱万泽, 舒树淼, 等. 基于主成分分析的大渡河中游干暖河谷草地土壤质量评价[J]. 生态学报, 2021, 41(10):3891-3900.

Li X, Zhu W Z, Shu S M, et al. Soil quality assessment of grassland in dry and warm valley of Dadu River based on principal component analysis[J]. Acta Ecologica Sinica, 2021, 41(10):3891-3900.

[16]
宁雅楠, 李贝, 杨伟州, 等. 基于主成分分析法的土地利用景观分区研究——以青龙满族自治县为例[J]. 中国农业资源与区划, 2016, 37(2):22-28.

Ning Y N, Li B, Yang W Z, et al. Landscape zoning of land use based on principal component analysis:A case study of Qinglong Manchu Autonomous County[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(2):22-28.

[17]
许章华, 陈文慧, 石文春, 等. 福州新区建设背景下生态脆弱性的演变研究[J]. 遥感信息, 2021, 36(6):34-43.

Xu Z H, Chen W H, Shi W C, et al. Evolution of ecological vulnerability in Fuzhou new district under construction[J]. Remote Sen-sing Information, 2021, 36(6):34-43.

[18]
刘琳, 吴云飞. 基于AHP-模糊综合评价法的东北地区林业生态建设研究[J]. 森林工程, 2023, 39(3):82-90.

Liu L, Wu Y F. Research on the ecological construction of forestry in Northeast China based on AHP-fuzzy comprehensive evaluation method[J]. Forest Engineering, 2023, 39(3):82-90.

[19]
陆志翔, 肖洪浪, Wei Yongping, 等. 黑河流域近两千年人—水—生态演变研究进展[J]. 地球科学进展, 2015, 30(3):396-406.

DOI

Lu Z X, Xiao H L, Wei Y P, et al. Advances in the study on the human- water- ecology evolution in the past two thousand years in Heihe River Basin[J]. Advances in Earth Science, 2015, 30(3):396-406.

[20]
秦承志, 杨琳, 朱阿兴, 等. 平缓地区地形湿度指数的计算方法[J]. 地理科学进展, 2006, 25(6):87-93,157.

Qin C Z, Yang L, Zhu A X, et al. Computation method of topographic wetness index in low relief area[J]. Progress in Geography, 2006, 25(6):87-93,157.

[21]
田丰收, 刘新平, 原伟鹏. 新疆和田地区耕地面源污染生态风险评价[J]. 干旱区地理, 2019, 42(2):295-304.

Tian F S, Liu X P, Yuan W P. Ecological risk assessment of farmland non-point source pollution in Hotan Prefecture,Xinjiang[J]. Arid Land Geography, 2019, 42(2):295-304.

[22]
齐姗姗. 流域生态脆弱性与生态系统服务相关关系研究——以甘肃白龙江流域为例[D]. 兰州: 兰州大学, 2017.

Qi S S. Correlation between watershed ecological vulnerability and ecosystem services:A case study of Bailongjiang watershed in southern Gansu[D]. Lanzhou: Lanzhou University, 2017.

[23]
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.

[24]
张雪茂, 董廷旭, 杜华明, 等. 基于景观生态风险评价的涪江流域景观格局优化[J]. 生态学报, 2021, 41(10):3940-3951.

Zhang X M, Dong T X, Du H M, et al. Optimization of landscape pattern in Fujiang River Basin based on landscape ecological risk assessment[J]. Acta Ecologica Sinica, 2021, 41(10):3940-3951.

[25]
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.

[26]
高化雨, 韩会玲, 张晶, 等. 基于生态脆弱性评价的松花湖湖滨带功能区划研究[J]. 水生态学杂志, 2019, 40(6):1-7.

Gao H Y, Han H L, Zhang J, et al. Lakeside function division of Songhua Lake based on ecological vulnerability evaluation[J]. Journal of Hydroecology, 2019, 40(6):1-7.

[27]
田超, 杨夏捷, 鞠园华, 等. 吉林省西部地区生态脆弱性的动态评价[J]. 水土保持研究, 2018, 25(4):298-303.

Tian C, Yang X J, Ju Y H, et al. Dynamic evaluation of ecological vulnerability in western Jilin Province[J]. Research of Soil and Water Conservation, 2018, 25(4):298-303.

[28]
范强. 基于SRP模型资源枯竭型城市生态脆弱性时空分异研究——以阜新市为例[D]. 大连: 辽宁师范大学, 2017.

Fan Q. SRP model based spatial-temporal differentiation analysis of ecological vulnerability for resources-exhausted region:A case study for Fuxin[D]. Dalian: Liaoning Normal University, 2017.

[29]
何盈利, 尤南山, 崔耀平, 等. 2000年来中国生态状况时空变化格局[J]. 自然资源学报, 2021, 36(5):1176-1185.

DOI

He Y L, You N S, Cui Y P, et al. Spatio-temporal changes in remote sensing-based ecological index in China since 2000[J]. Journal of Natural Resources, 2021, 36(5):1176-1185.

[30]
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.

DOI

Wang J F, Xu C D. Geodetector:Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134.

[31]
徐超璇, 鲁春霞, 黄绍琳. 张家口地区生态脆弱性及其影响因素[J]. 自然资源学报, 2020, 35(6):1288-1300.

DOI

Xu C X, Lu C X, Huang S L. Study on ecological vulnerability and its influencing factors in Zhangjiakou area[J]. Journal of Natural Resources, 2020, 35(6):1288-1300.

[32]
叶妍君, 齐清文, 姜莉莉, 等. 基于地理探测器的黑龙江垦区农场粮食产量影响因素分析[J]. 地理研究, 2018, 37(1):171-182.

DOI

Ye Y J, Qi Q W, Jiang L L, et al. Impact factors of grain output from farms in Heilongjiang reclamation area based on geographical detector[J]. Geographical Research, 2018, 37(1):171-182.

Options
Outlines

/

〈 〉