EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 10: 2039 - 2054

DOI: https://doi.org/10.12082/dqxxkx.2023.230212

地理空间分析综合应用

乌梁素海流域生态脆弱性时空变化及其成因分析

  • 李云帆 , 1, 2 ,
  • 李彩霞 1, 2 ,
  • 贾翔 1, 2 ,
  • 吴晶 1, 2 ,
  • 张晓丽 , 1, 2, * ,
  • 梅晓丽 3 ,
  • 朱若柠 3 ,
  • 王冬 3
展开
  • 1.北京林业大学森林培育与保护教育部重点实验室，北京 100083
  • 2.北京林业大学精准林业北京市重点实验室，北京 100083
  • 3.中建一局集团第三建筑有限公司，北京 100161
* 张晓丽（1967—），北京人，博士，教授，博士生导师，研究方向为资源环境遥感。E-mail:

李云帆（1999—），山西长治人，硕士生，研究方向为资源环境遥感。E-mail:

收稿日期: 2023-04-21

  修回日期: 2023-07-13

  网络出版日期: 2023-09-22

基金资助

中建股份科技研发计划项目(CSCEC-2020-Z-5)

中欧科技合作“龙计划”五期项目(59257)

中欧对地观测合作森林监测技术与示范应用(2021YFE0117700)

收起

Spatiotemporal Changes and Causes of Ecological Vulnerability in Ulansuhai Basin

  • LI Yunfan , 1, 2 ,
  • LI Caixia 1, 2 ,
  • JIA Xiang 1, 2 ,
  • WU Jing 1, 2 ,
  • ZHANG Xiaoli , 1, 2, * ,
  • MEI Xiaoli 3 ,
  • ZHU Ruoning 3 ,
  • WANG Dong 3
Expand
  • 1. The Key Laboratory for Silviculture and Conservation of Ministry of Education, Beijing Forestry University, Beijing 100083, China
  • 2. Precision Forestry Key Laboratory of Beijing, Beijing 100083, China
  • 3. The Third Construction Co., Ltd. of China Construction First Bureau Group, Beijing 100161, China
* ZHANG Xiaoli, E-mail:

Received date: 2023-04-21

  Revised date: 2023-07-13

  Online published: 2023-09-22

Supported by

CSCEC Science and Technology Research and Development Program(CSCEC-2020-Z-5)

China-Europe Science and Technology Cooperation "Dragon Plan" Phase V Project(59257)

Cooperation project between China and Europe in Earth Observation on forest monitoring technology and demonstration applications(2021YFE0117700)

Fold

摘要

面对“碎片化”生态治理的挑战，全面了解流域生态系统的脆弱性及其演变规律成为生态环境综合治理的关键。乌梁素海流域作为全国示范意义的生态保护修复工程试点，经历了传统“治理湖泊”到系统“治理流域”的转变。本研究选择乌梁素海流域作为研究对象，构建了“敏感-恢复-压力”生态脆弱性评价指标体系，并以Google Earth Engine (GEE)云平台为基础，采用Mann-Kendall突变检验、Sen+Mann-Kendall趋势分析和变换轨迹等方法，对2000—2020年乌梁素海流域生态脆弱性时空演变进行分析，最后通过地理探测器进一步探讨了乌梁素海流域生态脆弱性的成因，并揭示了其主要驱动因子。研究结果表明：乌梁素海流域的生态脆弱性表现为“中间低、两边高”的格局。其中，西部乌兰布和沙漠以及东部乌拉山区生态脆弱性较高，而中部河套灌区则相对较低。2000—2020年，流域的生态脆弱性分级指数从2.44上升至2.59，揭示了生态脆弱性的轻微恶化趋势。2000、2009、2013、2017和2020年为突变节点，约59.82%的区域在评估期间生态脆弱性等级保持稳定，变化轨迹法显示2013年为显著下降的节点，2017年后下降趋势减缓。此外，地表干度是乌梁素海流域生态脆弱性的核心驱动因子，多个因素相互作用时对生态脆弱性的解释力超过单一因素。土地覆盖类型解释力最为显著，其次是气象类型、经济类型。本研究对长时序流域生态脆弱性的时空变化及成因进行了分析，为同类型的生态脆弱区域评估和生态保护与修复工程治理提供科学依据。

关键词： 生态脆弱性; 乌梁素海流域; Google Earth Engine; 时间序列分析; 地理探测器; 时空变化

本文引用格式

李云帆 , 李彩霞 , 贾翔 , 吴晶 , 张晓丽 , 梅晓丽 , 朱若柠 , 王冬 . 乌梁素海流域生态脆弱性时空变化及其成因分析[J]. 地球信息科学学报, 2023 , 25(10) : 2039 -2054 . DOI: 10.12082/dqxxkx.2023.230212

Abstract

To meet the challenges posed by the "fragmented" nature of ecological governance, it is crucial to have a holistic understanding of the vulnerability of basin ecosystems and the underlying patterns of their evolution for comprehensive ecological management. The Ulansuhai Basin, serving as a pilot site for a representative ecological conservation and restoration project, has experienced a shift from traditional "lake management" to a more systemic "basin management". This study selected the Ulansuhai Basin as the study area and established a "Sensitivity-Recovery-Pressure" index system for ecological vulnerability assessment. Using the Google Earth Engine cloud platform, methods including Mann-Kendall test, Sen+Mann-Kendall trend analysis, and transformation trajectory were applied to analyse the spatiotemporal evolution of ecological vulnerability in the Ulansuhai Basin from 2000 to 2020. Moreover, geographical detectors were utilized to further investigate the causes of ecological vulnerability in the Ulansuhai Basin, and to identify the primary driving factors. The results indicated that the ecological vulnerability of the Ulansuhai Basin exhibited a “low in the middle, high on both sides” pattern, e.g., the western region of the Ulan Buh Desert and the eastern Ula Mountain region had relatively higher ecological vulnerability, while the central Hetao irrigation area had lower ecological vulnerability. From 2000 to 2020, the basin’s ecological vulnerability grading index increased from 2.44 to 2.59, indicating a slight decline in ecological vulnerability. Abrupt changes of vulnerability were observed in 2000, 2009, 2013, 2017, and 2020, with approximately 59.82% of the basin area maintaining stable ecological vulnerability grades throughout the assessment period. The transformation trajectory method showed that the decline of vulnerability peaked in 2013 and then began to slow after 2017. Additionally, surface aridity was identified as a key driving factor of ecological vulnerability in the Ulansuhai Basin, and the interaction of multiple factors showed a stronger explanatory power for ecological vulnerability than a single factor. Generally, land cover type exhibited the most significant explanatory power, followed by meteorological and economic types. This study analyzed the long-term spatiotemporal changes and causes of ecological vulnerability in basin ecosystems, providing a scientific basis for the assessment and governance of ecological conservation and restoration projects in ecologically vulnerable regions.

Key words： ecological vulnerability; Ulansuhai Basin; Google Earth Engine; time series analysis; Geodetector; spatiotemporal change

1 引言

生态脆弱性是衡量区域生态系统稳定性的一种表达[1]，指在一定时空尺度内，生态环境在一种或多种自然及人类活动压力下所表现出来的易变性，它是自然属性和人为属性共同作用的结果，这种相互作用的结果往往会向着人类不适宜利用的方向发展[2⇓-4]。随着中国经济的快速发展、人口不断的增加，资源不合理的利用造成生态环境脆弱的问题逐渐凸显。目前，有关生态脆弱性的研究已逐渐成为当下生态环境修复与可持续发展研究的热点和重点，备受国内外学者的关注[5-6]。针对区域性的生态脆弱性评价研究可以掌握不同空间尺度下各脆弱等级的分布及生态环境现状，有利于调配生态环境资源、科学调控人类活动，达到人与自然和谐发展，对区域生态系统可持续发展具有重要意义[7]。
近年来，学者们对生态脆弱性的研究广泛而深入，有关生态脆弱性评价的研究成果日渐丰富。方法上，诸多学者运用主成分分析法[3]、综合评价法[8]、加权求和法[9]、层次分析法[10-11]、ADV（Agents’ Differential Vulnerability）法[12]、TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution）法[13]、VSD（Vulnerability Scoping Diagram）法[14]等进行了生态脆弱性的定量评价，而SRP(Sensitivity-Recovery-Pressure)模型强调外部干扰与生态系统之间的因果关系，体现自然影响和人为活动干扰[15-16,23-24]；区域上，选择高原及山区[17]、自然灾害易发区[18]、城乡交错结合带[19]、海岸交错带[20]等揭示不同区域生态脆弱性程度；时间上，大多数学者使用单一时间节点分析生态脆弱性的变化，缺少时间连续性的变化研究；驱动力分析上，大多数学者结合区域特点进行定性分析[21]，缺乏直接的统计学方法揭示其背后的驱动机制。虽然生态环境脆弱性的分析方法不断精进，研究区域逐渐扩大，但中国是世界上生态脆弱区分布最广、脆弱生态类型数量最多、生态脆弱最明显的国家之一[22]，关于中国北方地区生态脆弱性的空间分布特征和驱动分析有待进一步研究。
乌梁素海是全球同纬度荒漠、半荒漠地区最大的湖泊之一，承担着维护黄河生物多样性和水生态安全的功能。作为我国北方生态安全战略格局中防沙带的特殊门户，对保护黄河和河套灌区、维护区域生态平衡具有重要作用。由于荒漠化加速、水土流失等生态问题，该地区的经济社会发展和农业生产受到严重制约。因此，2018年起，政府转变策略，实施了“山水林田湖草沙”生态综合修复工程。在此背景下，朱鹏航[23]使用水质数据分析了乌梁素海1999—2019年的水质变化规律，然而，该研究仅对乌梁素海水域环境进行独立评估，缺乏对全流域多种生态要素范围的研究；田野虽然从山水林田湖草生态修复的角度对该流域的水土流失、土地沙化等进行了系统评价[24]，但在分析过程中仍然缺少长时序生态脆弱性的时空变化特征及驱动因素的研究。此外，以上研究数据主要通过实测调查获取，存在数据采集困难等不足，制约了大尺度、长时序的生态脆弱性时空变化特征及驱动因素研究。遥感数据具有大面积收集各类时空数据的优势，有助于长期监测区域生态脆弱性的时空变化。同时，地理探测器作为一种强大的分析工具，能够有效诊断各影响因素对地理事物分布与发展解释力的大小，并对地理现象的驱动机制进行定量分析，无需线性假设，具有形式简洁、含义明确的特点，解决了传统方法类别变量分析复杂、模糊的问题[25-26]。目前，以 GEE (Google Earth Engine)为代表的地理云平台具有快速获取、处理和计算多源数据的优点，这在一定程度上克服了区域生态脆弱性数据获取难、处理效率低等困难，为研究长时序、大尺度的生态脆弱性评价提供了可能[27-28]。
综上所述，本研究以内蒙古乌梁素海流域为研究对象，基于GEE平台，通过SRP模型构建生态脆弱性评价指标体系，采用空间主成分分析、突变检验及趋势分析、变换轨迹法分析乌梁素海流域2000—2020年生态脆弱性时空变化特征，结合地理探测器探索乌梁素海流域生态脆弱性的影响因素。本研究旨在填补长时序乌梁素海多种生态要素范围研究的空白，实现山水林田湖草沙生态综合治理提供理论依据，为我国干旱半干旱地区的生态脆弱性综合评价提供技术支撑。

2 研究区概况

乌梁素海流域地处中国内蒙古巴彦淖尔市辖区，包括乌拉特前旗、乌拉特中旗与乌拉特后旗的阴山以南部分及磴口县[29]，地理坐标106°23′15″ E—109°49′40″ E，40°10′13″ N—41°15′37″ N，面积约为1.63 万km2（图1）。流域西部是乌兰布和沙漠，南部是黄河，东部是乌拉山国家森林公园，北部是阴山山脉和乌拉特草原，中部是河套平原。流域内年均降水量仅215 mm，年均蒸发量高达2 000 mm。流域核心的乌梁素海是世界同纬度地区最大的自然湿地，是黄河生态安全的“自然之肾”，是“两屏三带”生态安全战略格局北方防沙带的重要关口，也是亚洲重要生物多样性保护区和全球著名鸟类迁徙地和繁殖地。乌梁素海流域地区属于西北干旱半干旱地区，植被稀疏，20世纪90年代以来，由于过度开垦放牧、矿山无序开采，污水大量排放，导致流域沙漠侵蚀、草场沙化、水土流失等问题十分严重。2018年，乌梁素海流域生态保护修复工程纳入国家第三批山水林田湖草生态保护修复工程试点，尝试通过从单纯“治理湖泊”到“治理流域”转变，以期实现系统化的乌梁素海流域生态治理。
图1 研究区地理位置

Fig. 1 The location of Ulansuhai Basin

3 研究方法与数据来源

本研究基于GEE平台，利用Landsat影像、MODIS产品和DEM等开源数据作为原始数据源建立生态脆弱性评价体系，对评价指标体系数据预处理后采用空间主成分分析方法得到生态脆弱性指数，通过M-K突变检验、变换轨迹、Sen+Mann-Kendall趋势分析等时空方法分析乌梁素海流域近20年来生态脆弱性的突变时刻及时空变化特征，运用地理探测器模型分析方法探究影响其生态脆弱性的主要因子。技术流程如图2所示。
图2 技术路线

Fig. 2 Technology flowchart

3.1 生态脆弱性评价体系构建

SRP模型以生态系统稳定性的内涵为依据构建而成，通过生态敏感性（Sensitivity）、生态压力度（Pressure）、生态恢复力（Recovery）体现自然和人类活动对生态脆弱性的综合影响[30-31]。生态敏感性反映生态系统属性的变化幅度及系统恢复需要的周期；生态压力度指生态系统在转变为退化或演化状态之前可以承受的干扰阈值，泛指生态系统面临的外部压力；生态恢复力表示生态系统在干扰消除后生态系统的恢复速度与状态。
乌梁素海流域地貌类型复杂，年均降水量为215 mm，年均蒸发量高达2 000 mm，生态敏感性指标选取包含地形、气候和景观等内容；结合该地区的发展状况，考虑人口对流域生态环境的影响，生态压力度指标的选取以人口密度为主；生态恢复力以植被生长和人类经济活动为主，选取代表性指标为植被覆盖度和经济密度。生态敏感性高会加大生态压力度对环境的影响，而生态恢复力的提高会减轻环境面临的压力。因此，评估生态敏感性、生态压力度和生态恢复力这三者之间的相互作用对准确描述生态脆弱性至关重要。
本研究因地制宜计算了11个指标构建SRP生态脆弱性评价模型（表1），该模型生成的指数量化了生态环境的脆弱程度，其中值越大，生态环境越脆弱，反之亦然。同时，在构建评价体系过程中充分考虑每个指标对生态脆弱性的不同影响，并综合考虑指标与生态脆弱性之间的正负关系，评价指标对生态环境的演化产生积极影响时作为正向指标，反之则作为负向指标。
表1 乌梁素海流域生态脆弱性评价体系和数据来源

Tab. 1 Ecological vulnerability assessment system of Ulansuhai Basin data sources

要素层 指标层 指标性质 空间分辨率 原始数据来源
生态敏感性
(Sensitivity)		 高程 正向 90 m SRTM[32]
地形起伏度 正向 90 m SRTM
景观干扰度 正向 1 km Zendo[33]
年均降雨量 正向 1 km 中国科学院环境数据中心
大气温度 正向 1 km Zendo[34]
地表温度 正向 1 km MODIS
地表湿度 负向 30 m Landsat
地表干度 正向 30 m Landsat
生态压力度
(Pressure)		 人口密度 正向 1 km GPW v4[35]
生态恢复力
(Recovery)		 植被覆盖度 负向 30 m Landsat
经济密度 负向 1 km 中国科学院环境数据中心[36]

3.2 生态脆弱性评价指标计算

本研究中使用的Landsat遥感影像、MODIS产品、DEM数据均直接从GEE平台引用（https://developers.google.com/earth-engine/datasets）。其中，本研究获取乌梁素海流域2000—2020年逐年植被生长季的Landsat地表反射率数据，以2020年为基准年，分别对Landsat TM、ETM+和OLI传感器进行光谱协调预处理，将遥感影像云量阈值设为40%，并进行云掩膜，最终镶嵌生成覆盖乌梁素海流域的影像。土地覆盖数据集和大气温度数据来源于Zendo社区（https://zenodo.org/），人口密度数据来源于NASA社会经济数据应用中心（https://sedac.ciesin.columbia.edu/data/collection/gpw-v4），经济密度和年均降雨量数据来源于中国科学院资源环境科学数据中心（https://www.resdc.cn）。为避免乌梁素海流域水体部分对其他指标的影响，本研究利用2020年的土地覆盖数据对所有原始数据进行掩膜处理。

3.2.1 生态敏感性指标

生态敏感性的计算指标有高程、地形起伏度、景观干扰度、年均降雨量、大气温度、地表温度、地表湿度、地表干度。
（1）地形起伏度：本研究根据张伟研究[37]和相关技术指南，使用DEM数据并通过邻域分析得到15像元×15像元窗口大小中最大高程值和最小高程值后进行求差获得。地形起伏度与高程相同，不随时间改变而改变。计算公式如(1)—式(3)所示。
R i = A i - B i
A i = M a x ( D E M j + a , k + b )
B i = M a x ( D E M j + a , k + b )
式中：DEMj,k为第j行和第k列像元的高程值；a和b是从-7到7变化的整数，表示相邻像素相对于(j,k)处的中心像元的偏移量。
（2）景观干扰度：本研究以2000—2020年逐年土地分类数据集为基础，使用Fragstats4.0软件进行景观破碎度、景观分维度、景观分离度的计算，参照其它生态脆弱性研究[38⇓-40]，景观破碎度最为重要，其次为景观分离度、景观分维度，并在归一化后分别以0.5、0.3、0.2的权重进行加权赋值。计算公式如式(4)所示。
E = 0.5 P D + 0.3 S + 0.2 D
式中：PD为景观破碎度；S为景观分离度；D为景观分维度。
（3）地表温度：本研究使用MOD11A1数据通过式(5)计算白天和夜间地表温度平均值作为地表温度。
L S T = L S T d a y + L S T n i g h t 2
（4）地表湿度：本研究使用Landsat影像进行缨帽变换获得湿度分量，考虑降水、人为灌溉、生态调水等对地表所产生的复合影响，并结合相关研究[41]，将其定为负向指标。计算公式如(6)所示。
W E T = a B + b G + c R + d N I R + e S W I R 1 + f S W I R 2
式中：B为蓝光波段、G为绿光波段、R为红光波段、NIR为近红外波段、SWIR1和SWIR2为短波红外波段的像元灰度值，各波段传感器系数如表2[42]所示：
表2 缨帽变换传感器系数

Tab. 2 Tasseled Cap Transform sensor coefficient

传感器名称 B G R NIR SWIR1 SWIR2
TM 0.031 5 0.202 1 0.301 2 0.159 4 -0.680 6 -0.610 9
ETM+ 0.262 6 0.214 1 0.092 6 0.065 6 -0.762 9 -0.538 8
OLI 0.151 1 0.197 3 0.328 3 0.340 7 -0.711 7 -0.455 9
（5）地表干度：本研究使用Landsat影像计算徐涵秋研究[43]中的NDBSI指数（Normalized Difference Built-up and Soil Index, NDBSI），该指数由建筑指数（IBI）和裸土指数（SI）结合而成，计算公式如式(7)—式(9)所示。
I B I = 2 S W I R 1 S W I R 1 + N I R - N I R N I R + R + G G + S W I R 1 2 S W I R 1 S W I R 1 + N I R + N I R N I R + R + G G + S W I R 1
S I = ( S W I R 1 + R ) + ( N I R + B ) ( S W I R 1 + R ) - ( N I R + B )
N D B S I = I B I + S I 2
式中：B为蓝光波段；G为绿光波段；R为红光波段；NIR为近红外波段；SWIR1为短波红外波段。
（6）年均降雨量和大气温度：年均降雨量和大气温度数据分别来自中国科学院环境数据中心和Zendo社区，均为空间分辨率1 km的逐年数据。乌梁素海流域年降水多集中于夏季，且多为强降雨，虽然雨水对缓解干旱和植被生长有利，但强降雨会加剧与水土流失。为区分于地表湿度，本研究选择年均降雨量作为正向指标。

3.2.2 生态压力度指标

为保持人口密度数据的时空一致性，本研究使用2000、2005、2010、2015和2020年人口密度原始数据，通过单线性插值法填补了中间年份的缺失值，从而得到2000—2020年乌梁素海流域的逐年数据。

3.2.3 生态恢复力指标

（1）植被覆盖度：本研究使用Landsat影像并通过像元二分模型进行计算，统计乌梁素海流域的年均植被生长季中直方图累计频率为5%和95%的NDVI值，并进行归一化计算，计算公式如式(10) 所示。
F V C = N D V I i - N D V I 5 % N D V I 95 % - N D V I 5 %
式中： N D V I i为第i个像元的NDVI值。取直方图累计频率为5%与95%的NDVI值作为 N D V I 5 %和 N D V I 95 %， N D V I i≤ N D V I 5 %时该像元植被覆盖度为0， N D V I i≤ N D V I 95 %时该像元植被覆盖度为1。
（2）经济密度：经济密度空间栅格原始数据集使用2000、2005、2010、2015和2020年数据，预处理方法同人口密度。依据巴彦淖尔市统计年鉴的相关信息[44]，多年来当地第三产业所占经济比重最大。本研究根据第三产业对环境的贡献度以及其它生态脆弱性相关研究，因地制宜将其划分为负向指标[45]。

3.3 生态脆弱性评价指数计算

3.3.1 生态脆弱性指数

本研究为保持生态脆弱性评价数据的时空一致性，将11个评价指标因子重投影为WGS84椭球体、UTM平面坐标系，重采样为1 km，并进行Min-Max归一化处理[46]，其中正向指标处理如式(11)所示，负向指标处理如式（12）所示。
X p o s i t i v e = X i - M i n ( X ) M a x ( X ) - M i n ( X )
X n e g a t i v e = M a x ( X ) - X i M a x ( X ) - M i n ( X )
之后对所有归一化后的因子进行空间主成分分析，并把第一主成分进行正向指标归一化。归一化的数值大小与生态环境的脆弱性程度相关，当归一化值越大时，生态环境表现良好。为使结果更具客观性和科学性，根据式(13)进行0~1范围还原[47]，最后得出乌梁素海流域的生态脆弱性指数（Ecological Vulnerability Index, EVI）。
E V I = 1 - P C 1

3.3.2 生态脆弱性分级与分级指数

由于平均分级法操作简便结果清晰，本研究用该方法将脆弱性等级分成五级。分级标准见表3。
表3 乌梁素海流域生态脆弱性分级划分标准

Tab. 3 Classification standard of ecological vulnerability in Ulansuhai Basin

脆弱性等级 生态脆弱性指数范围 脆弱程度 生态特征解释
Ⅰ 0≤ EVI<0.2 潜在脆弱 生态功能完整，对各类干扰敏感性弱，承受生态压力小，自我恢复能力强，无生态异常出现
Ⅱ 0.2≤ EVI<0.4 微度脆弱 生态功能较为完整，对各类干扰敏感性较弱，承受生态压力较小，自我恢复能力强，存在潜在的生态异常
Ⅲ 0.4≤ EVI<0.6 轻度脆弱 生态功能尚可维持，对各类干扰敏感性中等，承受生态压力接近阈值，自我恢复能力较弱，存在少量的生态异常
Ⅳ 0.6≤ EVI<0.8 中度脆弱 生态功能部分退化，对各类干扰敏感性较强，承受生态压力较大，受损后恢复难度较大，生态异常较多
Ⅴ 0.8≤ EVI ≤1 重度脆弱 生态功能退化严重，对各类干扰敏感性强，承受生态压力大，受损恢复难度大，生态异常集中连片出现
最后根据脆弱性分级计算生态脆弱性分级指数（EVGI, Ecological Vulnerability Grading Index）。
E V G I = ∑ i = 1 5 i S i S
式中：i为脆弱性等级，共有五级；S为研究区总面积；Si为脆弱性等级为i的面积。

3.4 生态脆弱性时空变化分析

3.4.1 突变检验及趋势分析

（1） Mann-Kendall突变检验法：Mann-Kendal突变检验法是一种非参数统计检验，用于确定时间序列是否具有随时间变化的单调趋势。在假定时间序列独立的条件下，假设 H 0为原时间序列(x1、x2、x3…)的变化趋势，假设H1是原序列由增大或减小的趋势，构造序列 S k[48]，计算公式如式(15)—式(18)所示。
S k = ∑ i = 1 k r i k = 2,3 , … , n
r i = 1 x i > x j 0 x i ≤ x j j = 1,2 , ⋯ , i
U F k = S k - E ( S k ) V a r ( S k )
E ( S k ) = k ( k - 1 ) 4
V a r ( S k ) = n ( n - 1 ) ( 2 n + 5 ) 72
式中：当k=1时，S1=0， r i表示第i个时点 x i˃ x j (1≤j≤i)的累计数， x i表示时点i的EVGI值。 U F k为标准正态分布， U F 1=0。对于给定的显著水平 α=0.05，若 U F k>0时，原序列有上升趋势， U F k<0时，原序列有下降趋势。之后再定义逆向时间序列 x n , x n - 1 , ⋯ , x 1，为 U B k，重复相同操作，满足 U B k= - U F k， U B n=0。 U F k与 U B k在置信水平内的交点时刻即为突变发生时间。
（2）Sen+Mann-Kendall趋势分析法：Sen趋势度和Mann-Kendall趋势检验的结合能够判断长时序数据的变化趋势，该方法由于测量误差小、对离群值具有较好稳健性的优点，被广泛运用在长时序动态趋势分析中[49]。该方法通常在置信水平α=0.05时计算Z统计量来判断趋势的显著性：|Z|>1.96时发生显著性变化，|Z|≤1.96时发生不显著变化。同时，计算Sen斜率来判断趋势的上升和下降：斜率≥0.000 5时，趋势上升；斜率在-0.000 5到0.000 5之间趋势稳定；斜率≤-0.000 5时，趋势下降。

3.4.2 变换轨迹法

遥感影像中的每个像元的变化轨迹可以通过特定的轨迹代码来表示，从而反映其时间序列的变化。土地覆盖变化轨迹分析与时间序列的分析具有一致性，代码中的数字或字母都代表给定地点每一层时间节点的土地覆盖类型，因此，轨迹码可以显示乌梁素海流域各时间节点的土地覆盖类型及各点时间变化趋势[50]。计算公式如式（20）所示。
T i j = ( G 1 ) i j × 10 n - 1 + ( G 2 ) i j × 10 n - 2 + … + ( G n ) i j × 10 n - n
式中： T i j为轨迹层中第i行第j列像素的轨迹代码，并无数学意义；n为时点个数； ( G 1 ) i j , ( G 2 ) i j , … , ( G n ) i j是给定像素处每个时间节点的土地利用/覆盖类型的代码。

3.5 生态脆弱性影响因子分析

地理探测器基于两大地理学定律和空间统计学方法开发的方法，能够有效探测各影响因素对地理事物分布的解释力大小[25-26]。该方法将生态脆弱性指数作为因变量，使用因子探测器和交互探测器对乌梁素海流域生态脆弱性驱动因子进行分析，探究各因子对全局生态脆弱性的驱动力。其中，因子脆弱性主要用于探测单因子对流域生态脆弱性的影响力大小，计算公式如式（21）所示。
q i = 1 - 1 N σ 2 ∑ h = 1 L N h σ h 2
式中：qi为影响因子i对生态脆弱性的因子解释力；n为样本量；L是指标因子分类数； N h和 σ h 2分别为h层样本量和生态脆弱性的方差。 q = 0,1，q值越大说明影响因子i对流域生态脆弱性的因子解释力越强。
在单个因素影响环境的情况下，多个因素之间的相互作用会导致流域生态系统的脆弱性发生变化[45]。交互探测器主要用于探测多因子交互作用后对地理事物的因子解释力，即影响因子X1、X2相互作用后是否会强化或弱化流域生态脆弱性的影响，其主要类型如表4所示。
表4 交互探测器结果类型

Tab. 4 Interactive detector result types

判断依据 交互作用
q X 1 ⋂ X 2 < M i n q X 1 , q X 2 非线性减弱
M i n q X 1 , q X 2 < q X 1 ⋂ X 2 < M a x q X 1 , q X 2 单线性减弱
q X 1 ⋂ X 2 > M a x q X 1 , q X 2 双线性增强
q X 1 ⋂ X 2 = q X 1 + q X 2 相互独立
q X 1 ⋂ X 2 > q X 1 + q X 2 非线性增强

4 结果及分析

4.1 生态脆弱性时间变化

2000—2020年，乌梁素海流域整体处于微度脆弱且生态脆弱性分级指数缓慢增加（图3）。流域的生态脆弱性分级指数在2.03~2.84之间，从2000年的2.44到2020年的2.59，整体升高了0.14。其中，2000—2006年生态脆弱性分级指数变化波动较小，2007—2020年生态脆弱性分级指数变化波动逐渐增大，2013年前后变化最为剧烈。最大年际波动范围分别为2012—2013年和2013—2014年，值的变化分别为-0.52和0.51。
图3 乌梁素海流域2000—2020年生态脆弱性分级指数变化

Fig. 3 The change of ecological vulnerability grading index in Ulansuhai Basin from 2000 to 2020

本研究对乌梁素海流域2000—2020年生态脆弱性的分级数据进行统计，并开展时间序列变化分析，以揭示各等级生态脆弱性所占总面积的百分比变化趋势（图4）。2000—2012年，生态脆弱分级较为稳定，2013—2016年，生态脆弱性各等级占比波动加大，其中潜在脆弱面积先上升后下降，微度脆弱面积则与之相反。轻度脆弱、微度脆弱地区分别从2000年的18%和20%减少到2020年的12%和15%；而潜在脆弱、微度脆弱与重度脆弱区从2000年的20%、40%和2%增加到25%、42%和5%。
图4 生态脆弱性分级占比时间变化

Fig. 4 Temporal changes in the proportion of ecological vulnerability classification

为深入分析流域生态脆弱性的时间突变特征，本研究对2000—2020年的生态脆弱性分级指数进行了Mann-Kendell突变检验（图5）。2000—2006年生态脆弱性保持相对稳定，生态系统具有一定的稳定性，这有可能与气温和降水的变化幅度有关[51]。M-K检验得出2009年是突变年，揭示了2008年湖区有5个多月的黄藻大面积爆发。自2007年UFk首次超过0起，其在2009年后维持了持续的正值状态，这指示了乌梁素海流域整体生态脆弱性自2009年起呈现出逐渐恶化的趋势。其中，2009年为UFk与UBk曲线的有效突变点。2010年后，随着经济快速发展，城镇化建设加快，人类活动对流域景观也造成了一定影响，人造不透水层面积迅速扩张[52]，导致湿地、林草等地类面积的减少，流域生态脆弱性波动逐渐增大。2012年，乌梁素海流域大面积的生态灾害事件爆发，使得生态环境治理逐渐被社会重视。此外，UFk在2013年和2017年分别超过了显著性水平，这可能表明这2个年份的生态环境变化较为剧烈。
图5 Mann-Kendall突变曲线

Fig. 5 Mann-Kendall mutation curve

4.2 生态脆弱性空间变化

如图6所示，本研究以2000、2009、2013、2017、2020年作为变化节点，基于M-K突变检验结果，分析乌梁素海流域生态脆弱性变化情况。从空间分布来看，西部的乌兰布和沙漠与东部的乌拉尔山生态脆弱性指数较小，中部的河套平原生态脆弱性指数较大。
图6 乌梁素海流域变化节点年份生态脆弱性指数空间分布

Fig. 6 Spatial distribution of ecological vulnerability index in abrupt years of Ulansuhai Basin

通过Sen+Mann-Kendall趋势分析反映了乌梁素海流域生态脆弱性变化趋势的空间分布特征（图7、表5）。乌梁素海流域2000—2020年的生态脆弱性整体以轻微恶化为主，生态脆弱性指数下降区域占总面积的83.52%，上升区域占6.82%，未发生显著变化区域占9.55%。
图7 乌梁素海流域2000—2020年生态脆弱性趋势分析

Fig. 7 Trend analysis of ecological vulnerability in Ulansuhai Basin from 2000 to 2020

表5 乌梁素海流域2000—2020年生态脆弱性指数变化统计

Tab. 5 Ecological vulnerability index change statistics in Ulansuhai Basin from 2000 to 2020

Sen斜率 Z 变化状况 研究区占比/%
>0.000 5 ≥ 1.96 显著上升 4.15
>0.000 5 < 1.96 不显著上升 2.77
-0.000 5~0.000 5 < 1.96 稳定不变 9.55
<-0.000 5 < 1.96 不显著下降 48.59
<-0.000 5 ≥ 1.96 显著下降 34.93
本研究对乌梁素海流域生态脆弱性变化节点进行变换轨迹法后得到2000—2020年的变化轨迹代码。结果表明，乌梁素海流域总体的生态脆弱性等级处于轻微恶化状态，对比起始年份2000年和截止年份2020年，未发生变化的区域占总面积的59.82%，空间上分布较为零散。所有变化节点年份里始终未发生脆弱性等级变化区域占总面积的28.45%。生态脆弱性改善的区域占总面积的11.91%，恶化的区域占总面积的28.28%。
由于乌梁素海流域2000—2020年的变化轨迹较多，为便于分析和探索突变时点，根据变化轨迹类型面积占总面积的比例，本研究保留前20种变化轨迹明显且重要的代码（图8）。这20种代码面积占总面积的28.97%。从图8可见，生态脆弱性恶化主要集中在2013年之前，西部乌兰布和沙漠灌区开发和东部防风固沙植被措施的效果不佳，草地植物种数急剧减少，植被盖度有所下降[53]，导致乌梁素海其它生态要素如土地荒漠化、水土流失等的退化，从而影响该地区的生态脆弱性指数变化。西部乌兰布和沙漠与东北乌拉尔林草区生态脆弱性指数变化剧烈，中部河套平原耕地生态脆弱性指数变化较小。生态脆弱性改善则主要集中在2013年之后。2018年，全国生态保护大会明确提出生态文明建设的原则后，乌梁素海流域生态保护修复工程被纳入中国第三批山水林田湖草生态保护修复工程项目[54]。2020年，乌拉山以北的荒漠地区已基本完成了人工造林和飞播育种等工程措施，植被的生态修复具有滞后性，随着时间的推移，生态脆弱性的现状将会缓慢好转。
图8 生态脆弱区分级轨迹变换

Fig. 8 Ecological vulnerability classification trajectory transformation

4.3 生态脆弱性影响因子分析

因子探测器结果表明，研究区生态脆弱性因的解释力较强的5个因子为地表干度、年均降雨量、高程、大气温度、地表湿度和景观干扰度（表6）。
表6 单因子对生态脆弱性影响

Tab. 6 Impact of single factor on ecological vulnerability

生态脆弱性因子 q统计值 p值
地形起伏度 0.135 6 2.93E-10
高程 0.515 2 6.12E-10
地表湿度 0.417 5 3.37E-10
大气温度 0.472 6 1.20E-10
年均降雨量 0.560 0 6.66E-10
人口密度 0.000 0 1
地表干度 0.561 3 5.19E-10
地表温度 0.214 9 9.49E-10
经济密度 0.200 9 3.98E-10
景观干扰度 0.237 9 5.29E-10
植被覆盖度 0.063 7 5.94E-10
综合所有因子，乌梁素海流域的土地覆盖状况尤其是裸土和不透水层对研究区生态脆弱性影响较大，依次为水分（地表湿度、年均降雨量）、地形（高程、地形起伏度），人类经济和人口活动影响力最小。在单因子对环境产生影响的前提下，多因子的相互作用能更直观的探测乌梁素海流域生态脆弱性的驱动因素。
利用交互探测器分析两两因子相互作用下对流域生态脆弱性的驱动机制（图9）。交互探测结果显示各因子具有交互协同的作用，在单因子解释力较强的五个因子中，地表湿度和景观干扰度为非线性增强，其它两因子之间皆为双线性增强。此外，高程、地表干度、年均降雨量作为单因子解释力较高的3个因子，其交互作用后对研究区的生态脆弱性影响解释力也处于前列，进一步说明土地覆盖状况和水分为研究区的主要驱动因子。近60年来乌梁素海流域年降水量与大气温度总体处于上升趋势[51]，由于其变化较为缓慢，综合生态脆弱时空变化来看，相关指标与高程类似，仅决定生态脆弱性的空间分布，对其在时间上的变化上影响不大。地表干度可以同时检测不透水层和裸地的分布，而其解释力又大于植被覆盖度，说明在生态修复中改变地表“干化”更为重要。景观干扰度则侧重于土地覆盖的空间关系，在土地覆盖变化剧烈的乌兰布和沙漠边缘、巴彦淖尔市区、乌拉山山麓等地，景观干扰度大，且生态脆弱性也相对较高。这也一定程度解释了在生态修复的过程中土地覆盖频繁变化时生态脆弱性增大的现象。
图9 双因子交互作用对生态脆弱性影响

Fig. 9 Effect of two-factor interaction on ecological vulnerability

此外，人口密度与经济密度的贡献度低于土地覆盖相关的因素（如地表干度、景观干扰度），表明相较于人口密度本身，人类活动通过改变土地覆盖变化类型的模式对生态脆弱性的影响更为显著。人为因素引起的土地覆盖变化也会引起生态脆弱性的波动。乌梁素海流域的土地覆盖状况尤其是裸土和不透水层对研究区生态脆弱性影响较大。人类活动包括退耕还林工程、阿拉善沙漠治理工程、生态修复工程等都会对该地区的生态环境产生影响。事实上，生态工程建设是一个长期的过程，还需要长期的实践。政府在规划战略时，应该还需要考虑自然和经济社会可持续发展的前景。交互探测器对生态脆弱性因子的分析结果，进一步验证了与土地覆盖相关的指标在解释生态脆弱性方面具有更强的说服力。

5 讨论

5.1 生态脆弱性评价模型适用性

生态系统脆弱性由其固有的属性、结构、功能和区域环境条件共同决定。在以往的研究中，大多数学者构建生态脆弱性评价指标时偏向于使用单一要素，如净初级生产力，以揭示生态系统的脆弱性。徐涵秋[41]提出RSEI指数被广泛应用于多个生态区域。然而，Beroya-Eitner等[55]认为使用通用单一指标难以实现生态脆弱性的评价。此外，这些研究大多依赖实测数据，在大规模和长时间尺度上的应用受到了限制，这不符合当前山水林田湖草沙生态综合治理的发展理念。同时生态系统的脆弱性通过单一要素的表征也无法全面描述区域的环境变化[56]。另一方面，指标选取与生态脆弱性评价体系的普适性紧密相关[57]。例如，气象类型数据的空间分辨率大多较低[58]；地方政府的主导作用和社会资本的参与无法通过公开数据集进行量化，这在一定程度上制约了生态脆弱评价体系的普适性[1]。
本研究使用的SRP模型综合考虑了全流域多种生态要素的特征，与其它评估体系相比，指标的选择包含了生态结构和生态系统功能，能够对流域进行更加全面的概括。SRP模型能作为不同类型的地理区域、特定生态系统（如森林和草原）脆弱性评价的通用模型，因地制宜选取具有代表性的指标，丰富了生态脆弱性评价方法的内容。

5.2 生态脆弱性时空变化

在以往的研究中，大多数学者使用简单作差的方法分析生态脆弱性的时空变化，如张泽[58]通过2000—2018年3期的数据研究了桂西南喀斯特-北部湾海岸的生态脆弱性变化。大部分研究侧重特定时间段内的静态分析，这虽然可以提供特定时期生态变化的详细信息，但未能揭示乌梁素海流域生态长时间段内的变化趋势。本研究采用时间序列分析的方法研究全流域的时空变化特征，空间分布上，流域西部的乌兰布和沙漠生态、东部阴山山脉和乌拉山生态脆弱性属于重度脆弱区，与田野[24]的研究结果保持一致。但相比之下，田野的研究只涉及2019年的数据。此外关于生态保护与治理的评价，通常只针对单一的生态要素（湖泊、城市）进行分析，忽略了不同生态要素之间（山水林田湖草沙）的相互作用，从而限制了研究的深度和广度。另一方面，乌梁素海流域生态脆弱性分级指数由2.44上升到2.59，生态脆弱性呈现轻微恶化趋势，这与朱鹏航等[23]对乌梁素海进行生态评价时得出的结果一致，但该研究仅针对乌梁素海水域环境进行独立评估，缺乏对全流域多种生态要素范围的分析[59-60]。本研究将水文学和土地覆盖变化时空分析方法引入生态脆弱性评价研究中，利用长时序数据评估乌梁素海流域的多种生态要素的生态脆弱性变化，揭示了其变化的驱动因子，取得了较为理想的结果，并为确定流域的长期变化模式提供依据[61-62]。

5.3 生态脆弱性未来展望

生态脆弱性评估在指标的选择上面临指标单一、数据获取难的挑战[63]，根据山水林田湖草沙生态综合治理的理念，本研究认为构建全面、均衡的评价指标体系是未来生态脆弱性评价的关键方向。另外，生态脆弱性的评价指标体系通过使用高空间分辨率遥感数据，反演气象因子数据，从而提高数据精度，收集连续时间序列的夜间灯光指数、城市热力图等，进一步优化生态脆弱性时空动态监测。长时序逐年数据能够分析生态脆弱性的时空变化，同时多种时间序列算法也被广泛运用在云计算平台上，这为稠密时间序列数据的分析和研究提供了可能。由于全流域生态系统的复杂性，准确反映各个生态要素的脆弱性变化趋势还需要更进一步的研究。汪东川等[64]采用划分等面积样地的方法对典型地区的生态脆弱性进行分析，结果也难以表达整个生态要素的脆弱性变化状况。因此，在未来的研究中，提取各个生态要素的脆弱性变化，并结合全流域的生态环境进行分析，为山水林田湖草沙等生态修复工程提供理论参考。

6 结论

本研究通过GEE平台使用SRP模型构建生态脆弱性评价指标体系，并运用空间主成分分析、突变检验、趋势分析以及变换轨迹法，创新性地对乌梁素海全流域2000—2020年的生态脆弱性时空变化特征进行了长时序的动态监测，并利用地理探测器分析其影响因素。这一方法为长时序的综合生态研究提供了新的视角，为山水林田湖草沙的生态综合治理提供依据。
研究结果表明：① 乌梁素海流域的生态脆弱性具有“中间低、两边高”的特点，2000—2020年生态脆弱性分级指数从2.44上升到2.59，显示出生态脆弱性呈轻微恶化的趋势；② 变化节点分别2000、2009、2013、2017和2020年，其中约59.82%的区域的生态脆弱性等级保持稳定，28.28%呈现等级下降的趋势；③ 地表干度是乌梁素海流域生态脆弱性的主要驱动因子。当多种因素交互作用时，对生态脆弱性的解释力超过单一因素，土地覆盖类型的解释力最强，其次为气象类型，最后为经济类型的指标。本文的研究结果填补了乌梁素海流域长时序生态脆弱性动态变化监测的空白，并为该流域的生态环境现状和科学治理提供了数据支持，同时为类似流域的生态综合治理工程提供了理论依据和技术支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张学玲, 余文波, 蔡海生, 等. 区域生态环境脆弱性评价方法研究综述[J]. 生态学报, 2018, 38(16):5970-5981.

[Zhang X L, Yu W B, Cai H S, et al. Review of the evaluation methods of regional eco-environmental vulnerability[J]. Acta Ecologica Sinica, 2018, 38(16):5970-5981.] DOI:10.5846/stxb201708211502

[2]
王让会, 樊自立. 塔里木河流域生态脆弱性评价研究[J]. 干旱环境监测, 1998, 12(4):218-221,223.

[Wang R H, Fan Z L. Study on ecological vulnerability assessment in Tarim River Basin[J]. Arid Environmental Monitoring, 1998, 12(4):218-221,223.] DOI:10.1007/s11769-001-0025-1

[3]
廖炜, 李璐, 吴宜进, 等. 丹江口库区土地利用变化与生态环境脆弱性评价[J]. 自然资源学报, 2011, 26(11):1879-1889.

[Liao W, Li L, Wu Y J, et al. Land use change and eco-environmental vulnerability evaluation in the Danjiangkou Reservoir area[J]. Journal of Natural Resources, 2011, 26(11):1879-1889.] DOI:10.11849/zrzyxb.2011.11.007

[4]
吴琼. 基于景观格局的辽宁海岸带生态脆弱性评价[D]. 大连: 辽宁师范大学, 2014.

[Wu Q. Assessment of ecological vulnerability of Liaoning coastal zone on landscape pattern[D]. Dalian: Liaoning Normal University, 2014.] DOI:10.7666/d.Y2613064

[5]
姚建, 艾南山, 丁晶. 中国生态环境脆弱性及其评价研究进展[J]. 兰州大学学报, 2003, 39(3):77-80.

[Yao J, Ai N S, Ding J. Progress in the studies of eco-environmental fragility and assessment in China[J]. Journal of Lanzhou University, 2003, 39(3):77-80.] DOI:10.13885/j.issn.0455-2059.2003.03.021

[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.] DOI:10.3321/j.issn:1000-0933.2009.05.047

[7]
田海宁. 汉中市生态脆弱性评价及空间分布规律研究[J]. 中国农业资源与区划, 2017, 38(3):148-152.

[Tian H N. The ecological vulnerability assessment and spatial distribution of Hanzhong city[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(3):148-152.] DOI:10.7621/cjarrp.1005-9121.20170323

[8]
Furlan A, Bonotto D M, Gumiere S J. Development of environmental and natural vulnerability maps for Brazilian coastal at São Sebastião in São Paulo State[J]. Environmental Earth Sciences, 2011, 64(3):659-669. DOI:10.1007/s12665-010-0886-7

[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, (Lü/lv/lu/lyu) C H. Assessment of ecological vulnerability on the Tibetan Plateau[J]. Geographical Research, 2011, 30(12):2289-2295.] DOI:10.11821/yj2011120016

[10]
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.] DOI:10.5846/stxb201706071037

[11]
Zou T H, Chang Y X, Chen P, et al. Spatial-temporal variations of ecological vulnerability in Jilin Province (China), 2000 to 2018[J]. Ecological Indicators, 2021, 133:108429. DOI:10.1016/j.ecolind.2021.108429

[12]
Acosta-Michlik L, Espaldon V. Assessing vulnerability of selected farming communities in the Philippines based on a behavioural model of agent’s adaptation to global environmental change[J]. Global Environmental Change, 2008, 18(4):554-563. DOI:10.1016/j.gloenvcha.2008.08.006

[13]
温晓金, 杨新军, 王子侨. 多适应目标下的山地城市社会—生态系统脆弱性评价[J]. 地理研究, 2016, 35(2):299-312.

DOI

[Wen X J, Yang X J, Wang Z Q. Assessment on the vulnerability of social-ecological systems in a mountainous city depending on multi-targets adaption[J]. Geographical Research, 2016, 35(2):299-312.] DOI:10.11821/dlyj201602008

[14]
Polsky C, Neff R, Yarnal B. Building comparable global change vulnerability assessments: The vulnerability scoping diagram[J]. Global Environmental Change, 2007, 17(3/4):472-485. DOI:10.1016/j.gloenvcha.2007.01.005

[15]
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.

DOI

[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.] DOI:10.13249/j.cnki.sgs.2015.11.014

[16]
张泽, 胡宝清, 丘海红, 等. 基于山江海视角与SRP模型的桂西南-北部湾生态环境脆弱性评价[J]. 地球与环境, 2021, 49(3):297-306.

[Zhang Z, Hu B Q, Qiu H H, et al. Ecological environment vulnerability assessment of southwest guangxi-beibu gulf based on the perspective of mountains, rivers and sea and SRP model[J]. Earth and Environment, 2021, 49(3):297-306.] DOI:10.14050/j.cnki.1672-9250.2021.49.064

[17]
王铁军, 赵礼剑, 张溪. 青藏高原生态屏障区生态环境综合评价方法探讨[J]. 测绘通报, 2018(9):112-116.

DOI

[Wang T J, Zhao L J, Zhang X. Discussion on the method of ecotope comprehensive evaluation for Tibet Plateau ecological shelter zone[J]. Bulletin of Surveying and Mapping, 2018(9):112-116.] DOI:10.13474/j.cnki.11-2246.2018.0291

[18]
Cao C X, Yang B, Xu M, et al. Evaluation and analysis of post-seismic restoration of ecological security in Wenchuan using remote sensing and GIS[J]. Geomatics, Natural Hazards and Risk, 2016, 7(6):1919-1936. DOI:10.1080/19475705.2015.1084952

[19]
刘晶晶. 集中连片特困区生态环境脆弱性评价研究——以大别山片区为例[D]. 武汉: 华中师范大学, 2019.

[Liu J J. Study on evaluation of eco-environmental vulnerability in contiguous special poverty-stricken areas in the case of Ta-pieh Mountains area[D]. Wuhan: Central China Normal University, 2019.] DOI:10.27159/d.cnki.ghzsu.2019.000103

[20]
徐静, 王泽宇. 中国陆海统筹绩效时空分异及影响因素——基于脆弱性视角的分析[J]. 地域研究与开发, 2019, 38(2):25-30.

[Xu J, Wang Z Y. Spatial and temporal differentiation of China’s land-sea coordination performance and influencing factors: Based on vulnerability perspective[J]. Areal Research and Development, 2019, 38(2):25-30.] DOI:10.3969/j.issn.1003-2363.2019.02.005

[21]
沈文娟, 李明诗. 基于长时间序列Landsat影像的南方人工林干扰与恢复制图分析[J]. 生态学报, 2017, 37(5):1438-1449.

[Shen W J, Li M S. Mapping disturbance and recovery of plantation forests in Southern China using yearly Landsat time series observations[J]. Acta Ecologica Sinica, 2017, 37(5):1438-1449.] DOI:10.5846/stxb201510142074

[22]
Duo A, Zhao W J, Qu X Y, et al. Spatio-temporal variation of vegetation coverage and its response to climate change in North China plain in the last 33 years[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 53:103-117. DOI:10.1016/j.jag.2016.08.008

[23]
朱鹏航, 于瑞宏, 葛铮, 等. 乌梁素海长时序水质变化及其驱动因子[J]. 生态学杂志, 2022, 41(3):546-553.

[Zhu P H, Yu R H, Ge Z, et al. Long-term changes of water quality and the driving factors of Wuliangsuhai Lake[J]. Chinese Journal of Ecology, 2022, 41(3):546-553.] DOI: 10.13292/j.1000-4890.202202.022

[24]
田野, 冯启源, 唐明方, 等. 基于生态系统评价的山水林田湖草生态保护与修复体系构建研究——以乌梁素海流域为例[J]. 生态学报, 2019, 39(23):8826-8836.

[Tian Y, Feng Q Y, Tang M F, et al. Ecological protection and restoration of forest, wetland, grassland and cropland based on the perspective of ecosystem assessment: A case study in Wuliangsuhai Watershed[J]. Acta Ecologica Sinica, 2019, 39(23):8826-8836.] DOI:10.5846/stxb201911222531

[25]
Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127. DOI:10.1080/13658810802443457

[26]
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.] DOI:10.11821/dlxb201701010

[27]
Wang L, Diao C Y, Xian G, et al. A summary of the special issue on remote sensing of land change science with Google earth engine[J]. Remote Sensing of Environment, 2020, 248:112002. DOI:10.1016/j.rse.2020.112002

[28]
Gorelick N, Hancher M, Dixon M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27. DOI: 10.1016/j.rse.2017.06.031

[29]
鲁飞飞, 张勇, 李雪, 等. 乌梁素海流域湿地保护与恢复建设的探讨[J]. 林业资源管理, 2019(5):23-27,67.

[Lu F F, Zhang Y, Li X, et al. Discussion on wetland protection and restoration along Wuliangsuhai Basin[J]. Forest Resources Management, 2019(5):23-27,67.] DOI:10.13466/j.cnki.lyzygl.2019.05.005

[30]
柳新伟, 周厚诚, 李萍, 等. 生态系统稳定性定义剖析[J]. 生态学报, 2004, 24(11):2635-2640.

[Liu X W, Zhou H C, Li P, et al. A conceptual analysis of ecosystem stability[J]. Acta Ecologica Sinica, 2004, 24(11):2635-2640.] DOI: 10.3321/j.issn:1000-0933.2004.11.042

[31]
乔青, 高吉喜, 王维, 等. 生态脆弱性综合评价方法与应用[J]. 环境科学研究, 2008, 21(5):117-123.

[Qiao Q, Gao J X, Wang W, et al. Method and application of ecological frangibility assessment[J]. Research of Environmental Sciences, 2008, 21(5):117-123.] DOI:10.13198/j.res.2008.05.119.qiaoq.021

[32]
Jarvis A, Reuter H I, Nelson A, et al. Hole-filled SRTM for the globe Version 4[J]. available from the CGIAR-CSI SRTM 90m Database (http://srtm.csi.cgiar.org 2008, 15(25-54):5

[33]
Yang J E, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8):3907-3925. DOI:10.5 194/essd-13-3907-2021

[34]
He Q A, Wang M, Liu K, et al. GPRChinaTemp1km: A high-resolution monthly air temperature data set for China (1951-2020) based on machine learning[J]. Earth System Science Data, 2022, 14(7):3273-3292. DOI:10.5194/essd-14-3273-2022

[35]
Doxsey-Whitfield E, Macmanus K, Adamo S B, et al. Taking advantage of the improved availability of census data: a first look at the gridded population of the world, version 4[J]. Papers in Applied Geography, 2015, 1(3): 226-234. DOI:10.1080/23754931.2015.1014272

[36]
Xu X. China GDP spatial distribution kilometer grid data set[J]. Data Registration and publishing System of Resources and Environmental Sciences Data Center, Chinese Academy of Sciences, 2017, 10:2017121102. DOI: 10.12078/2017121102

[37]
张伟, 李爱农. 基于DEM的中国地形起伏度适宜计算尺度研究[J]. 地理与地理信息科学, 2012, 28(4):8-12.

[Zhang W, Li A N. Study on the optimal scale for calculating the relief amplitude in China based on DEM[J]. Geography and Geo-Information Science, 2012, 28(4):8-12.] DOI:CNKI:SUN:DLGT.0.2012-04-003

[38]
崔杨林, 高祥, 董斌, 等. 县域景观生态风险评价[J]. 浙江农林大学学报, 2021, 38(3):541-551.

[Cui Y L, Gao X, Dong B, et al. Landscape ecological risk assessment of county[J]. Journal of Zhejiang A&F University, 2021, 38(3):541-551.] DOI:10.11833/j.issn.2095-0756.20200461

[39]
谢花林. 基于景观结构的土地利用生态风险空间特征分析——以江西兴国县为例[J]. 中国环境科学, 2011, 31(4):688-695.

[Xie H L. Spatial characteristic analysis of land use eco-risk based on landscape structure: A case study in the Xingguo County, Jiangxi Province[J]. China Environmental Science, 2011, 31(4):688-695.] DOI:CNKI:SUN:ZGHJ.0.2011-04-033

[40]
荆玉平, 张树文, 李颖. 基于景观结构的城乡交错带生态风险分析[J]. 生态学杂志, 2008, 27(2):229-234.

[Jing Y P, Zhang S W, Li Y. Ecological risk analysis of rural-urban ecotone based on landscape structure[J]. Chinese Journal of Ecology, 2008, 27(2):229-234.] DOI:CNKI:SUN:STXZ.0.2008-02-017

[41]
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24):7853-7862.

[Xu H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24):7853-7862.] DOI:10.5846/stxb201208301223

[42]
Ali Baig M H, Zhang L F, Shuai T, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5):423-431. DOI:10.1080/2150704x.2014.915434

[43]
Xu H. A new index for delineating built-up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008, 29(14):4269-4276. DOI:10.1080/01431160802039957

[44]
巴彦淖尔市地方志编纂委员会. 巴彦淖尔年鉴-2020[M]. 北京: 九州出版社, 2020.

[Bayannaoer Local Chronicles Compilation Committee. Bayannaoer Yearbook[M]. Beijing: Kyushu Press, 2020.] DOI:10.38624/y.cnki.ybyze.2021.000001

[45]
王钰, 胡宝清. 西江流域生态脆弱性时空分异及其驱动机制研究[J]. 地球信息科学学报, 2018, 20(7):947-956.

DOI

[Wang Y, Hu B Q. Spatial and temporal differentiation of ecological vulnerability of Xijiang River in Guangxi and its driving mechanism[J]. Journal of Geo-information Science, 2018, 20(7):947-956.] DOI:10.12082/dqxxkx.2018.170633

[46]
Liu Z Z, Wang H, Li N, et al. Spatial and temporal characteristics and driving forces of vegetation changes in the Huaihe River Basin from 2003 to 2018[J]. Sustainability, 2020, 12(6):2198. DOI:10.3390/su12062198

[47]
徐涵秋, 邓文慧. MRSEI指数的合理性分析及其与RSEI指数的区别[J]. 遥感技术与应用, 2022, 37(1):1-7.

[Xu H Q, Deng W H. Rationality analysis of MRSEI and its difference with RSEI[J]. Remote Sensing Technology and Application, 2022, 37(1):1-7.] DOI:10.11873/j.issn.1004-0323.2022.1.0001

[48]
Mann H B. Nonparametric tests against trend[J]. Econometrica, 1945, 13(3):245. DOI:10.2307/1907187

[49]
蔡博峰, 于嵘. 基于遥感的植被长时序趋势特征研究进展及评价[J]. 遥感学报, 2009, 13(6):1170-1186.

[Cai B F, Yu R. Advance and evaluation in the long time series vegetation trends research based on remote sensing[J]. Journal of Remote Sensing, 2009, 13(6):1170-1186.] DOI:10.3321/j.issn:1007-4619.2009.06.014

[50]
Wang D C, Gong J H, Chen L D, et al. Spatio-temporal pattern analysis of land use/cover change trajectories in Xihe watershed[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14(1):12-21. DOI:10.1016/j.jag.2011.08.007

[51]
张保龙, 于亮亮, 赵宇新, 等. 乌梁素海流域近60年气候变化特征研究[J]. 宁夏工程技术, 2021, 20(4):289-294,303.

[Zhang B L, Yu L L, Zhao Y X, et al. Analysis of climate change characteristics in wuliangsu lake basin in recent 60 years[J]. Ningxia Engineering Technology, 2021, 20(4):289-294,303.] DOI:10.3969/j.issn.1671-7244.2021.04.002

[52]
迟文峰, 匡文慧, 党晓宏, 等. 基于遥感的内蒙古地级市土地覆盖结构时空变化特征分析[J]. 遥感技术与应用, 2019, 34(1):33-45.

[Chi W F, Kuang W H, Dang X H, et al. Spatio-temporal characteristics of urban land cover structures in prefecture-level cities of inner Mongolia autonomous region based on remote sensing imagery[J]. Remote Sensing Technology and Application, 2019, 34(1):33-45.] DOI:10.11873/j.issn.1004-0323.2019.1.0033

[53]
王新民, 温挨树, 王海军, 等. 自然与人工创造的奇迹乌梁素海流域生态治理启示录[J]. 人与生物圈, 2021(1):49-53.

[Wang X M, Wen A S, Wang H J, et al. Miracle created by nature and man-made: Revelation of ecological management in Wuliangsuhai Basin[J]. Man and the Biosphere, 2021(1):49-53.] DOI:10.3969/j.issn.1009-1661.2021.01.015

[54]
霍亮. 黄河流域乌梁素海生态修复与保护的实践[C]. 2021第九届中国水生态大会论文集.西安, 2021:221-224.

[Huo T X, Huo L. Practice of ecological restoration and protection in Wuliangsuhai of Yellow River Basin[C]. Xi'an, Shaanxi, China, 2021:221-224.] DOI:10.26914/c.cnkihy.2021.024688

[55]
Beroya-Eitner M A. Ecological vulnerability indicators[J]. Ecological Indicators, 2016, 60:329-334. DOI:10.1016/j.ecolind.2015.07.001

[56]
Turner B L 2nd, Kasperson R E, Matson P A, et al. A framework for vulnerability analysis in sustainability science[J]. Proceedings of the National Academy of Sciences of the United States of America, 2003, 100(14):8074-8079. DOI:10.1073/pnas.1231335100

PMID

[57]
林妍敏, 南雄雄, 胡志瑞, 等. 西北典型生态脆弱区植被覆盖度时空变化及其生态安全评价:以宁夏贺兰山为例[J]. 生态与农村环境学报, 2022, 38(5):599-608.

[Lin Y M, Nan X X, Hu Z R, et al. Fractional vegetation cover change and its evaluation of ecological security in the typical vulnerable ecological region of northwest China: Helan Mountains in Ningxia[J]. Journal of Ecology and Rural Environment, 2022, 38(5):599-608.] DOI:10.19741/j.issn.1673-4831.2021.0461

[58]
张泽, 胡宝清, 丘海红, 等. 桂西南喀斯特-北部湾海岸带生态环境脆弱性时空分异与驱动机制研究[J]. 地球信息科学学报, 2021, 23(3):456-466.

DOI

[Zhang Z, Hu B Q, Qiu H H, et al. Spatio-temporal differentiation and driving mechanism of ecological environment vulnerability in southwest Guangxi Karst-beibu Gulf coastal zone[J]. Journal of Geo-information Science, 2021, 23(3):456-466.] DOI: 10.12082/dqxxkx.2021.200278

[59]
Li B, Tao S, Dawson R W. Relations between AVHRR NDVI and ecoclimatic parameters in China[J]. International Journal of Remote Sensing, 2002, 23(5):989-999. DOI:10.1080/014311602753474192

[60]
Wu T S, Feng F, Lin Q A, et al. A spatio-temporal prediction of NDVI based on precipitation: An application for grazing management in the arid and semi-arid grasslands[J]. International Journal of Remote Sensing, 2020, 41(6):2359-2373. DOI:10.1080/01431161.2019.1688418.

[61]
Chen L D, Wei W, Fu B J, et al. Soil and water conservation on the Loess Plateau in China: Review and perspective[J]. Progress in Physical Geography: Earth and Environment, 2007, 31(4):389-403. DOI:10.1177/0309133307081290

[62]
Zhang Y H, Ye A Z. Spatial and temporal variations in vegetation coverage observed using AVHRR GIMMS and Terra MODIS data in the mainland of China[J]. International Journal of Remote Sensing, 2020, 41(11):4238-4268. DOI:10.1080/01431161.2020.1714781

[63]
El-Zein A, Tonmoy F N. Assessment of vulnerability to climate change using a multi-criteria outranking approach with application to heat stress in Sydney[J]. Ecological Indicators, 2015, 48:207-217. DOI:10.1016/j.ecolind.2014.08.012

[64]
汪东川, 陈星, 孙志超, 等. 格尔木长时间序列遥感生态指数变化监测[J]. 生态学报, 2022, 42(14):5922-5933.

[Wang D C, Chen X, Sun Z C, et al. Monitoring of changes in the ecological index of long-time sequence Remote Sensing in Golmud, Qinghai Province[J]. Acta Ecologica Sinica, 2022, 42(14):5922-5933.] DOI:10.5846/stxb202104261102

Options
文章导航

/

〈 〉