EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 3: 456 - 466

DOI: https://doi.org/10.12082/dqxxkx.2021.200278

Spatio-temporal Differentiation and Driving Mechanism of Ecological Environment Vulnerability in Southwest Guangxi Karst-Beibu Gulf Coastal Zone

  • ZHANG Ze , 1, 2, 4 ,
  • HU Baoqing , 1, 2, 3, * ,
  • QIU Haihong 1, 2, 4 ,
  • DENG Yanfei 1, 2, 4
Expand
  • 1. Key Laboratory of Environment Change and Resources Use in Beibu Gulf, Ministry of Education, Nanning 530001, China
  • 2. Guangxi Key Laboratory of Earth Surface Processes and Intelligent Simulation, Nanning 530001, China
  • 3 Institute of geography and oceanography, Nanning normal university, Nanning 530001, China
  • 4. School of Geography and Planning, Nanning normal university, Nanning 530001, China
*HU Baoqing, E-mail:

Received date: 2020-06-03

  Request revised date: 2020-08-30

  Online published: 2021-05-25

Supported by

National Natural Science Foundation of China(42071135)

National Natural Science Foundation of China(41930537)

Guangxi Natural Science Foundation project(2016GXNSFGA380007)

Guangxi Science and Technology Project(AD19110142)

Copyright

Copyright reserved © 2021
Fold

Abstract

Characterizing the spatiotemporal changes in ecological vulnerability and reveal its driving factors is important, especially for unique geographical environment that connects mountains, rivers, and sea together, In this study, we chose the Southwest Guangxi karst-Beibu gulf coastal zone as the typical study area. We combined the spatial principal component analysis and geo-detector model to quantify the ecological vulnerability index and further characterizes the spatiotemporal changes in ecological vulnerability and evaluates its driving mechanism. Our results show that: (1) the vulnerability index of the study area was 0.54, 0.61 and 0.69, respectively for 2008, 2013, and 2018, with a multi-year average of 0.61. The general ecological vulnerability level was moderately fragile with a slightly worse trend over time; and (2) the top six explanatory driving factors of ecological vulnerability were rainfall in flood season (0.457), vegetation coverage (0.384), temperature in hot seasons (0.311), waste water input (0.248), NPP (0.184), and population density (0.036). For the interaction between driving factors, only rainfall in flood season and NPP, NPP and temperature in hot seasons, waste water input and NPP showed positive nonlinear relationships, while the rest had linear relationships. Flood season rainfall and vegetation coverage had the strongest effect on ecological vulnerability and a strongest interaction (0.679) with each other. Our study illustrates that flood season rainfall and vegetation coverage are the main driving factors of ecological vulnerability in the study area.

Key words： view of mountains, rivers and seas; ecological vulnerability; spatial-temporal differentiation; spatial principal component analysis; ecological environment vulnerability index; geographical detector; driving mechanism; Southwest Guangxi karst - Beibu gulf coastal zone

Cite this article

ZHANG Ze , HU Baoqing , QIU Haihong , DENG Yanfei . 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

1 引言

本世纪以来,全球气候变暖,人类活动频繁,国土资源开发混乱,资源环境等问题的出现,导致生态系统自我调节能力下降,生态问题严重[1]。目前,生态环境脆弱性的研究成为了全球生态变化和资源可持续利用的热点问题。从20世纪初期Clements将Ecotone概念引入到生态学开始,一系列的计划和报告接踵而至,使生态环境脆弱性成为了研究的热点,至此生态环境脆弱性的科学研究,理论不断深化,概念逐渐完善,内容持续丰富[2,3,4,5,6]。生态环境脆弱性一方面是内部结构不稳定造成的积累性脆弱,另一方面是人类活动等外界干扰表现出的敏感性,是时空尺度,是自然属性和人文属性共同作用下产生的结果[7,8],是对自身功能结构的评估和自我调节能力的重要指标。从研究内容看,主要从特征、评价方法、指标以及体系等[9,10,11]方面对某一区域进行生态环境脆弱性分析和评价。从研究方法看,主要运用了主成分分析法[13,14]、模糊综合评价法[15]、层次分析法（AHP）[16,17]、加权求和法[18]等方法。从研究区域看,主要选择自然灾害易发区[19,20,21,22]、高原及山区[23,24,25,26]、城乡交错结合带[27]、陆海交互带[28,29]等区域。在生态环境脆弱性的研究中,指标体系的构建尤为重要,部分学者采用脆弱度模型[30,31]、敏感性-压力度-恢复力(SRP)模型[32,33]、AHP-模糊综合评价模型[34]进行评价指标体系的建立。
虽然生态环境脆弱性的分析方法不断精进,研究内容不断丰富,但在研究区选择方面仍然出现一些局限性,对山江海视角下过渡性地理空间生态环境脆弱性的研究更是少之又少,并且多偏向单一尺度的研究。山江海过渡性地理空间非单一的自然地理空间,也非单一的人文地理空间,是人与自然相互作用的渐变过渡带,是生态环境脆弱性典型区,表现出人地关系的复杂性和不确定性。桂西南喀斯特-北部湾海岸带既是喀斯特岩溶治理区也是大西南沿海发达的黄金地区,是推进新时代推进西部大开发形成新格局的重要区域。多年来,经济的高速发展,人口的急剧增多,给自然资源的利用带来很大的压力,出现生态环境的破坏,生物丰富度的减少,水土流失,环境恶化等问题。目前各方学者对桂西南喀斯特-北部湾海岸带的综合研究成果较少,多为单一研究。在前人的基础上,将两大区域综合研究,具有一定的创新性,为该区域生态环境脆弱性提供新视角,新思路,为该区域的生态环境治理和恢复提供科学依据。
本研究以桂西南喀斯特-北部湾海岸带为例,地理学、数学、统计学等多种学科综合研究,运用空间主成分分析法,地理探测器模型,结合生态环境脆弱性综合指数,系统分析桂西南喀斯特-北部湾海岸带生态环境脆弱性的时空分异特征及驱动机制。此外,该区域政治环境极其特殊,地处祖国西南边境,既是西部陆海新通道,又是中国-东盟经济自贸区的重要走廊,同时也是“一带一路”的重要区域,对支持“一带一路”国家实现可持续发展战略,国家合理开发利用和生态环境保护有一定的现实意义。

2 研究区概况与数据来源

桂西南喀斯特-北部湾海岸带位于广西的西南部（104°28′-109°56′E,20°26′-25°07′N）,由桂西南喀斯特区,即百色市,崇左市;北部湾经济区,即南宁市,北海市,钦州市,防城港市组成,总面积 96 386 km2。从西北向东南整体地势逐渐降低,沿云贵高原山麓到北部湾海岸带呈自上而下的斜坡带,气候有亚热带季风气候,夏季高温多雨,冬季温和少雨[35],热量充沛,还有热带海洋性季风性气候,全年高温,有明显的旱雨两季。气温在2.8~40.4 ℃,平均气温22.5 ℃,有时会有极端天气发生。降水量在1745.6~3111.9 mm之间,雨量充沛,水资源丰富。截止到2018年底,桂西南科喀斯特地区人口总数672.66万人,北部湾经济区人口总数1105.28万人。
桂西南喀斯特-北部湾海岸带由右江和左江分别贯穿喀斯特地区和北部湾经济区（图1）,在空间上呈梯度变化,形成了山江海过渡性地理空间,更是典型的生态环境脆弱区。尤其近年来人类活动频繁,表现出更为显著的生态环境脆弱性,在此地带上,会出现自然灾害,极端天气,水土流失,水资源利用不均等问题,这些已经成为影响生态安全的因素,同时反映了过渡性地理空间的脆弱性。
图1 桂西南喀斯特-北部湾海岸带地理位置示意

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1600号的标准地图制作,底图无修改。

Fig. 1 Geographical location of Southwest Guangxi karst - Beibu gulf coastal zone

2.1 数据来源

数据分别包括了2010、2013、2018年的多源遥感数据、气象数据、社会统计数据和其他数据。
多源遥感数据：数字高程模型数据（DEM）来源于国家基础地理信息中心（http://www.ngcc.cn/ngcc/）;植被覆盖度来源于美国地质调查局（United States Geological Survey,USGS）（http:// glovis.usgs.gov/）MODIS陆地产品,即全球250 m分辨率16 d合成的植被指数产品[36]。气象数据来源于广西统计年鉴（http://tjj.gxzf.gov.cn/tjsj/tjnj/）和中国气象科学数据共享服务平台（http://cdc.cma.gov.cn/）的降雨和气温数据。社会统计数据来源于广西统计年鉴（http://tjj.gxzf.gov.cn/tjsj/tjnj/）、中国统计年鉴（http://www.stats.gov.cn/tjsj/ndsj/）和广西海洋统计年鉴（http://hyj.gxzf.gov.cn/）。其他数据来源于美国地质调查局（United States Geological Survey,USGS）（http:// glovis.usgs.gov/）的MOD17A3H数据集,空间分辨率为500 m×500 m的NPP数据。

2.2 数据预处理

多源遥感数据：对所获得的DEM数据利用ArcGIS 10.2软件进行裁剪,数据转换等处理;利用高程数据模型得到地形起伏度;对所获得的MODIS陆地产品采用最大合成法（MVC）合成为年NDVI数据[37],并去除异常。气象数据：提取2008、2013及2018年的汛期降雨（4-9月）数据及高温季节气温（6-10月）数据进行计算,汛期降雨量采用反比距离权重法（IDW）进行插值,高温季节温度采用克里金法（Kriging）进行插值得到结果。社会统计数据：人口密度为区域人口数量与区域土地总面积之商[38],人口密度越大,人类活动强度越大,生态系统承受的负荷也随之增大。经济密度为区域国民生产总值与区域土地总面积之商[39],经济密度越大,区域经济发展越好,能对生态恢复和保护的力度就越大。其他数据利用ENVI 5.3和ArcGIS 10.2软件根据研究需要对MOD17A3H数据集进行提取、图像镶嵌、裁剪、数据转换、投影转换等预处理[40]。

3 研究方法

3.1 评价指标构建

生态环境脆弱性指标体系的建立,到目前为止还没有一套国际公认的且普遍适用的指标体系和评价方法[11],因此,在参考相关研究的基础上[6,41],结合该区域的特殊性和高度敏感性的特征[42],遵循科学性、可操作性、全面性、代表性等原则[43,44],构建评价体系（表1）。在选取指标中,建立了共性指标：高程、地形起伏度、植被覆盖度、汛期降水量、高温季节温度、净初级生产力（NPP）,差异性指标：水土流失面积、废水排放量、废水入海量、人口密度、人均海岸带面积、人均耕地面积、经济密度、海岸带经济密度,其中部分指标对陆海两系统进行直接对比,如废水入海量和废水排放量、人均海岸带面积和人均耕地面积、经济密度和海岸带经济密度。对各个指标采用极差标准化方法对数据进行处理,消除量纲的影响。
表1 桂西南喀斯特-北部湾海岸带生态环境脆弱性评价指标体系

Tab.1 Evaluation index system of ecological environment vulnerability in Southwest Guangxi karst - Beibu gulf coastal zone

目标层 指标层 指标计算说明
生态环境脆弱性评价指标 高程 裁剪、数据转换、分区统计
地形起伏度 高程数据模型得到地形起伏度、分区统计
水土流失面积 统计数据
植被覆盖度 最大合成法（MVC）合成为年数据、分区统计
废水入海量 统计数据
废水排放量 统计数据
汛期降水量 反比距离权重法（IDW）进行插值
高温季节温度 克里金法（Kriging）进行插值
人口密度 区域人口数量/区域土地总面积
人均海岸带面积 海岸带人口数量/海岸带土地总面积
人均耕地面积 区域人口数量/区域耕地面积
净初级生产力（NPP） 提取、图像镶嵌、裁剪、数据转换、投影转换
经济密度 区域国民生产总值/区域土地总面积
海岸带经济密度 海岸带国民经济生产总值/海岸带土地总面积

3.2 无量纲化模型

由于各个指标的性质不同,单位和量纲也不一致,无法直接使用,所以必须进行指标标准化处理。公式如下：
X i ' = X i - X min X max - X min ( 正向指标 )
X i ' = X max - X i X max - X min ( 负向指标 )
式中： X i ' 为指标i的标准化值; X i 为指标i的初始值; X min 为指标i的最小值; X max 指标i的最大值。

3.3 空间主成分分析法

空间主成分分析法是一种客观的评价方法,受主观影响较小。是在ArcGIS软件的支持下,通过旋转原始空间坐标轴,把原始变量因子转化为少数几个综合主成分指标,在最大程度保留信息的同时减少数据量[6]。公式如下：
P C i = α 1 i Χ 1 + α 2 i Χ 2 + α 3 i Χ 3 + , ⋯ , α pi Χ p
式中： P C i 为第i个主成分; α pi 为第i个主成分各指标因子对应的特征向量 X 1 , X 2 ,…, X p 为各指标因子[6]。

3.4 生态环境脆弱性指数

根据空间主成分分析结果,计算生态环境脆弱性指数（EEVI）。
EEVI = r 1 P C 1 + r 2 P C 2 + r 3 P C 3 + ⋯ r n P C n
式中： EEVI 为生态环境脆弱性指数;rn为第n个主成分; P C n 为第n个主成分对应的贡献率。
为了进一步分析生态环境脆弱性,对生态环境脆弱性指数（EEVI）进行标准化处理[25,26],计算公式如下：
S i = EEV I i - EEV I min EEV I max - EEV I min
式中：Si为第i年生态环境脆弱性标准化值,取值区间为0~1,EEVIi、 EEV I max 、 EEV I min 分别表示生态环境脆弱性的实际值、最大值和最小值。

3.5 地理探测器模型

地理探测器是揭示背后驱动力的探测空间分异性的一组统计学方法,是由中国科学院地理科学与资源研究所王劲峰空间分析小组开发的一种方法[45]。本研究采用因子探测器和交互探测器对桂西南喀斯特-北部湾海岸带生态环境脆弱性驱动因子进行分析（表2）。计算方法如下：
P D , H = 1 - 1 n σ 2 ∑ h = 1 L n h σ h 2
表2 交互探测类型

Tab.2 Interaction probe types

判断依据 交互作用
P(X1∩X2)<min(P(X1),P(X2)) 非线性减弱
min(P(X1),P(X2))<P(X1∩X2)<max(P(X1),P(X2)) 单线性减弱
P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
P(X1∩X2)= P(X1)+P(X2) 相互独立
P(X1∩X2)>P(X1)+P(X2) 非线性增强
式中：PD, H为影响因子D对生态环境脆弱性H的因子解释力,n为区域的个数,L是指标因子分类数, n h 和 σ h 分别为h层样本量和生态环境脆弱性的方差。PD, H=[0,1],值越大说明影响因子D对该区域生态环境脆弱性的因子解释力越强[6]。
影响因子X1,X2相互作用后是否会强化或弱化生态环境脆弱性的影响,主要有以下5种类型：

4 结果分析

4.1 生态环境脆弱性时空分析

本研究用于ArcGIS 10.2的Principal Components函数,分别对2008、2013、2018年生态环境脆弱性的14个指标进行空间主成分分析,得到各主成分的特征值、贡献率、及累计贡献率。依据3期生态环境脆弱性空间主成分分析结果,2008、2013、2018年均选取累计贡献率85%以上的6个主成分,分别为汛期降雨量、植被覆盖度、高温季节温度、废水入海量和NPP人口密度,2008、2013、2018年前几个主成分的累计贡献率分别为88.9150%、85.7910%、91.7573%,如表3所示,能够较好地反映生态环境脆弱性现状,因此用前几个主成分替代原本的14个指标,计算生态环境脆弱性指数。
表3 桂西南喀斯特-北部湾海岸带2008、2013、2018年主成分信息表

Tab.3 Table of principal component information for 2008, 2013 and 2018 of Southwest Guangxi karst-Beibu gulf coastal zone

年份 主成分系数 主成分
PC1 PC2 PC3 PC4 PC5
2008 特征值λ 0.04263 0.02768 0.01454 0.00565 0.00129
贡献率/% 41.95250 26.57840 12.21970 4.15090 4.01350
累计贡献率/% 41.95250 68.53090 80.75030 84.90150 88.91500
2013 特征值λ 0.04629 0.02459 0.01359 0.00676 0.00193
贡献率/% 44.43210 23.16610 11.34610 5.25850 1.53820
累计贡献率/% 44.43210 67.59820 78.99430 84.25280 85.79100
2018 特征值λ 0.03954 0.02267 0.01428 0.00971 0.00565
贡献率/% 38.36110 21.67230 13.88610 8.78620 6.99840
累计贡献率/% 38.36110 60.03340 73.91950 82.70570 91.75730
经计算生态环境脆弱性指数,2008、2013、2018年生态环境脆弱性指数最大值为2018年的生态环境脆弱性指数0.92,生态环境脆弱性指数最小值为2008年的生态环境脆弱性指数0.13。为直观地表现研究区的多年生态环境脆弱变化状况,对3期生态环境脆弱性结果进行标准化处理,并参照已有的生态环境脆弱性评价研究的分级标准[6,,38]进行分级,分级标准见表4。
表4 桂西南喀斯特-北部湾海岸带生态环境脆弱性分级标准

Tab.4 Classification standard of ecological environment vulnerability in Southwest Guangxi karst-Beibu gulf coastal zone

脆弱性等级 生态环境脆弱性指数标准化值 脆弱程度 生态特征
Ⅰ <0.2 潜在脆弱 生态系统结构完整,无生态异常出现,服务功能很好,承受生态压力小,对各类干扰敏感性弱
Ⅱ 0.2~0.4 微度脆弱 生态系统结构较为完善,存在潜在的生态异常,服务功能良好,承受生态压力较小,对各类干扰敏感性较弱
Ⅲ 0.4~0.6 轻度脆弱 生态系统结构尚可维持,出现少量生态异常,服务功能退化,承受生态压力接近阈值,对各类干扰敏感性中等
Ⅳ 0.6~0.8 中度脆弱 生态系统结构出现缺陷,生态异常较多,服务功能不全,承受生态压力较大,对各类干扰敏感性较强
Ⅴ >0.8 重度脆弱 生态系统功能退化严重,生态异常集中连片出现,服务功能完全丧失,承受生态压力大,对各类干扰敏感性强
桂西南喀斯特-北部湾海岸带2008-2018年生态环境脆弱性指数范围在0.13~0.92之间。2008、2013、2018年生态环境脆弱性指数平均值分别为0.54、0.61、0.69,多年平均值为0.61,整体处于中度脆弱等级。根据图2可知,2008年与2013年相比,潜在脆弱区有明显较少,减少了3252 km2,中度脆弱区面积明显增加,增加了8338 km2,微度脆弱区和重度脆弱区的面积有小幅增加,分别增加了998 km2和 174 km2。由于2013年中度和重度脆弱区的面积增加导致生态环境脆弱性等级升高。 2018年与2013年相比,潜在脆弱区、中度脆弱区和重度脆弱区的面积增加,分别增加了7497、8111、1337 km2,微度脆弱区面积明显减少,减少了17 544 km2,轻度脆弱区比较稳定,中度脆弱区和重度脆弱区面积的再次增加,使得生态环境脆弱性指数再次升高。
图2 桂西南喀斯特-北部湾海岸带2008、2013、2018年生态环境脆弱性面积统计

Fig. 2 Statistics on ecological Environment vulnerability area of Southwest Guangxi karst-Beibu gulf coastal zonein 2008, 2013 and 2018

在自然因素和社会经济因素的共同影响下, 3年的生态环境脆弱度分布不均匀。根据图3可知,2008年与2013年相比,生态环境脆弱性等级明显提高,除了潜在脆弱等级面积减少,其他脆弱性等级的面积均有增加,使得2013年整体的生态环境脆弱性等级升高,尤其是南宁市东北部马山县和上林县,钦州市东北部浦北县和灵山县,崇左市中部,北海市大部地区,城市急剧扩张,山区治理不彻底,沿海整治措施不完善,开发不合理等情况,对生态环境、生态结构和功能破坏严重,使得生态异常增多,生态承载力下降;崇左市西南部,防城港市西北部有向潜在脆弱和微度脆弱转换的趋势。而百色市生态环境保护和修复较好,生态环境脆弱性等级降低,由微度脆弱向潜在脆弱转换,使得生态结构功能完整,生态承载力强,说明该地区的石漠化治理有一定的成效,但整体仍处于中度脆弱等级,重度脆弱区还应持续关注。整个区域呈现出两极分化的格局。2013年与2018年相比,生态环境脆弱等级仍处于中度脆弱,相较于2008年和2013年再一次恶化,百色市、南宁市、钦州市、崇左市和北海市均有不同程度的等级降低,五地多处于中度和重度脆弱等级,生态综合治理下降,没有维持较好水平,是下阶段重点治理维护区域;南宁市大部分地区生态结构功能好转,生态承载力增强,但少许地区仍有重度脆弱等级出现,随着人口的不断增多,经济压力的不断增加,生态环境脆弱等级仍维持较好,可见近些年的生态环境治理较好,人民综合素质提高,破坏减轻。2008、2013、2018年生态环境脆弱等级都有由城市中心向四周逐渐降低的趋势,南宁市最为明显,并且该区域的海岸带生态环境脆弱较强,3年均处在重度脆弱等级,再次印证山江海过渡性地理空间的生态不稳定性,特别是北仑河、茅岭江、南流江、钦江和防城河入海口脆弱性等级最高,生态环境脆弱性指数均在0.85以上,海岸带其他地方生态环境脆弱性等级也均在重度等级,所以防城港市、钦州市和北海市对海岸带的生态服务功能的划分,调控生态机制,保持生态平衡和生态系统健康是生态治理的重点。综上所述,生态环境脆弱性较低的地区温度和降水适中,植被净初级生产力较高,植被覆盖状况较好,人口压力较小,因此生态环境状况较好,生态环境脆弱性较低。生态环境脆弱性较高的地区受自然条件及人类社会活动的影响,植被净初级生产力及植被覆盖度较低,人口压力较大,导致生态环境破坏较为严重,脆弱易损。
图3 桂西南喀斯特-北部湾海岸带2008、2013、2018年生态环境脆弱性分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1600号的标准地图制作,底图无修改。

Fig. 3 The distribution of ecological environment vulnerability in Southwest Guangxi karst - Beibu gulf coastal zone in 2008, 2013 and 2018

4.2 生态环境脆弱性地理探测驱动机制

本研究利用空间主成分分析结果可知,由于各年的主成分对原始指标因子的解释能力不完全相同,但驱动力基本一致。在累计贡献率85%以上的主成分中存在以下规律：第一,二主成分的主要贡献因子为汛期降雨量和植被覆盖度;第三,四,五主成分中,高温季节温度、废水入海量、NPP、人口密度等因子的贡献较大。因此,本研究选取汛期降雨量、植被覆盖度、高温季节温度、废水入海量、NPP和人口密度6个主成分影响因子进行分析。将 5 km×5 km格网做掩膜提取,以6个因子的多年平均值为自变量,生态环境脆弱性指数多年平均值为因变量,提取样本点导入GeoDetector软件进行探测分析。整体来看,气候条件,水土保持及植被覆盖情况为此区域生态环境脆弱性的主要驱动因子。
时空分异是自然和人文因子复杂耦合作用下的时空表现,人类可以通过时空数据来认识自然,利用地理探测器模型可进行自然和人文驱动因子对其空间分异的贡献程度,可明确各因子之间的相互关联性,分析该区域的驱动因子,来解释分异现象,从而对比各类型因子的空间分异的相对重要性。根据因子探测结果分析,6个驱动因子对生态环境脆弱性的解释力强度为汛期降雨量（0.457）>植被覆盖度（0.384）>高温季节温度（0.311）>废水入海量（0.248）>NPP（0.184）>人口密度（0.036）。汛期降雨量度状况对生态环境脆弱性影响较大,可见对喀斯特区降雨侵蚀较大,容易发生水土流失、滑坡等情况;植被覆盖度次之,对喀斯特山区、流域以及海岸带侵蚀均有一定的保护作用;人口密度影响最小,人类活动对生态环境也会有一定的影响,应合理分区和管控;高温季节温度、废水入海量和NPP影响一般,但也不可忽视,要做好预防高温的措施,控制陆源污染。结果表明,自然因子占主导地位,但人文因子对该区域的影响同样要高度重视,尤其废水入海量和废水排放量对该区域的影响极大,对该区域海洋环境有直接的负面影响。对比2008、2013、2018年3期的各驱动因子发现,2008年汛期降水量较高,并在研究区的中部和东南部较为明显,西北部喀斯特地区水土流失较为严重。
单因子只会对局部环境产生影响,多因子的交互作用才会更好的反映区域生态环境脆弱性驱动因子。根据地理探测器中的交互探测分析两两因子相互作用下对区域生态环境脆弱性的驱动机制。由表5可知,只有汛期降水量和NPP,NPP和高温季节温度、废水入海量和NPP呈非线性增强,其余的交互作用均为双线性增强,而且汛期降水量和植被覆盖度的单因子影响较强,交互作用后影响也是最强（0.679）,说明了汛期降水量和植被覆盖度为该区域的主要驱动因子。因此,在未来的喀斯特山区治理和北部湾海岸带的经济产业发展中,都要考虑到地方特点,因地制宜,做好预防洪涝灾害的措施,植被的修复工作,多元化差异性调控策略,避免不合理的利用,有针对性的治理,有规划的发展,稳步建设该区域的生态环境,自然人文协调可持续发展。
表5 各因子交互探测结果

Tab.5 Interactive detection results of each factor

X1∩X2 P(X1∩X2) 判断 交互作用
汛期降水量∩植被覆盖度 0.679 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
汛期降水量∩高温季节温度 0.607 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
汛期降水量∩废水入海量 0.541 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
汛期降水量∩NPP 0.648 P(X1∩X2)>P(X1)+P(X2) 非线性增强
汛期降水量∩人口密度 0.433 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
植被覆盖度∩高温季节温度 0.442 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
植被覆盖度∩废水入海量 0.429 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
植被覆盖度∩NPP 0.406 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
植被覆盖度∩人口密度 0.327 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
高温季节温度∩废水入海量 0.453 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
高温季节温度∩NPP 0.537 P(X1∩X2)>P(X1)+P(X2) 非线性增强
高温季节温度∩人口密度 0.233 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
废水入海量∩NPP 0.479 P(X1∩X2)>P(X1)+P(X2) 非线性增强
废水入海量∩人口密度 0.247 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强
NPP∩人口密度 0.108 P(X1∩X2)>max(P(X1),P(X2)) 双线性增强

5 讨论和结论

本研究对2008、2013、2018年3期数据的14个指标对桂西南喀斯特-北部湾海岸带进行时空分析,利用地理探测器模型进行探测,揭示生态环境脆弱性的驱动因子。
（1）研究区2008、2013、2018年脆弱性指数分别为0.54、0.61、0.69,多年平均值为0.61,整体处于中度脆弱等级,空间上,生态环境脆弱等级由城市中心向四周逐渐降低的趋势,在时间上,生态环境脆弱等级呈微恶化趋势。北仑河、茅岭江、南流江、钦江和防城河入海口脆弱性等级最高,生态环境脆弱性指数均在0.85以上,海岸带其他地方生态环境脆弱性等级也均在重度等级。
（2）通过地理探测器模型,在单因子作用中6个驱动因子对生态环境脆弱性的解释力强度为汛期降雨量（0.457）>植被覆盖度（0.384）>高温季节温度（0.311）>废水入海量（0.248）>NPP（0.184）>人口密度（0.036）。在多因子交互中,只有汛期降水量和NPP,NPP和高温季节温度、废水入海量和NPP呈非线性增强,其余的交互作用均为双线性增强,而且汛期降水量和植被覆盖度的单因子影响较强,交互作用后影响也是最强（0.679）,说明了汛期降水量和植被覆盖度为该区域的主要驱动因子。
本研究利用多源数据,分析了桂西南喀斯特-北部湾海岸带生态环境脆弱性的时空分异和驱动机制,为该区域的生态环境治理和恢复提供了科学依据,对该地区的生态环境保护和可持续发展具有一定的现实意义。但仅利用了3年的数据,数据量不够足,时间序列不够长,指标选取的不够全面和系统,如何更为科学的系统的选取指标有待深入研究,还要加强驱动因子的精度和地理探测结果相互分析,提高可靠性,后续工作将研究得到的驱动因子对比研究,以验证不同方法对驱动因子的一致性。
总之,要合理的开发利用山江海资源,缩小山江海发展差距,要对部分喀斯特区根据当地具体情况进行自然保护和封山育林,控制人类活动,防止风力侵蚀,水力侵蚀,减少水土流失,尤其百色市石山区,要合理开发利用自然资源,保护山区水脉。对于水域要完善污染治理措施,严控陆源废水对海的摄入量,加强政策的有效宣传和引导,鼓励跨区域的山江海整治技术的交流。对于海岸带区域要建立海洋科技创新体系,提高山江海科技发展水平,完善海岸带污染治理措施,合理开发海岸资源,经济环境协调可持续发展。该区域要建立长期的可持续发展的目标,加强生态文明建设,完善生态资源保护和治理措施,各市、县（区）联防联控,基于当地特色优化山江海产业结构,要因地制宜,结合不同因子的特点和作用采取差异性多元管控。对部分重度地区可建立治理快速反应机制,使得生态环境保护和治理常态化,加强山-林-草-水-海-人长机制,全方位的提高该区域生态能力,保障边境地区的生态安全。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Nandy S, Singh C, DAS K K, et al. Environmental vulnerability assessment of eco-development zone of Great HimalayanNational Park, Himachal Pradesh, India[J]. Ecological Indicators, 2015,57:182-195.

[2]
李永化, 范强, 王雪, 等. 基于SRP模型的自然灾害多发区生态环境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, F Q, W X, et al. Spatial and temporal differentiation of ecological vulnerability in natural disaster prone areas based on SRP model: A case study of chaoyang county, liaoning province[J]. Geosciences, 2015,35(11):1452-1459. ]

[3]
杨强. 基于遥感的榆林地区生态环境脆弱性研究[D]. 南京:南京大学, 2012.

[ Yang Q. Research on ecological vulnerability in yulin area based on remote sensing[D]. Nanjing: Doctoral Dissertation of Nanjing University, 2012. ]

[4]
李平星, 樊杰. 基于VSD模型的区域生态系统脆弱性评价——以广西西江经济带为例[J]. 自然资源学报, 2014,29(5):779-788.

[ Li Q X, Fan J. Regional ecosystem vulnerability assessment based on VSD model: A case study of guangxi xijiang economic belt[J]. Journal of Natural Resources, 2014,29(5):779-788. ]

[5]
牛文元. 生态环境脆弱带ECOTONE的基础判定. 生态学报, 1989,9(2):97-105.

[ Niu W Y. Basic determination of ECOTONE in fragile ecological environment[J]. Acta Biota Sinica, 1989,9(2):97-105. ]

[6]
王钰, 胡宝清. 西江流域生态环境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.

[ Wang Y, Hu B Q. Spatiotemporal differentiation of ecological vulnerability in xijiang river basin and its driving mechanism[J]. Journal of Geosciences, 2018,20(7):947-956. ]

[7]
吴琼. 基于景观格局的辽宁海岸带生态环境脆弱性评价[D]. 大连:辽宁师范大学, 2014.

[ Wu Q. Ecological vulnerability assessment of liaoning coastal zone based on landscape pattern[D]. Dalian: Liaoning Normal University, 2014. ]

[8]
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, l L, W Y J, et al. Land use change and ecological environment vulnerability assessment in danjiangkou reservoir area[J]. Chinese Journal of Natural Resources, 2011,26(11):1879-1889. ]

[9]
靳毅, 蒙吉军. 生态环境脆弱性评价与预测研究进展[J]. 生态学杂志, 2011,30(11):2646-2652.

[ Jin Y, Meng J J. Research progress of ecological vulnerability assessment and prediction[J]. Journal of Ecology, 2011,30(11):2646-2652. ]

[10]
张圆圆, 毛爽, 张淑伟. 2000—2017年龙门山断裂带生态环境脆弱性演变研究[J]. 天津农业科学, 2020,26(2):22-28.

[ Zhang Y Y Mao S Zhang S W, Study on ecological vulnerability evolution of longmen mountain fault zone from 2000 to 2017[J]. Tianjin Agricultural Sciences, 2020,26(2):22-28. ]

[11]
陈桃, 包安明, 郭浩, 等. 中亚跨境流域生态环境脆弱性评价及其时空特征分析——以阿姆河流域为例[J]. 自然资源学报, 2019,34(12):2643-2657.

[ Chen T, Bao A M, Guo H, et al. Ecological vulnerability assessment and spatial-temporal analysis of transboundary river basins in central Asia: A case study of the amu darya basin[J]. Journal of Natural Resources, 2019,34(12):2643-2657. ]

[12]
马骏, 李昌晓, 魏虹, 等. 三峡库区生态环境脆弱性评价[J]. 生态学报, 2015,35(21):7117-7129.

[ Ma J, li C X, Wei H, et al. Ecological vulnerability assessment of the three gorges reservoir area[J]. Acta Ecologica Sinica, 2015,35(21):7117-7129. ]

[13]
Hou K, Li X X, Zhang J. GIS analysis of changes in ecological vulnerability using a SPCA model in the loess plateau of northern Shaanxi, China[J]. International Journal of Environmental Research and Public Health, 2015,12(4):4292-4305.

PMID

[14]
陆海燕, 孙桂丽, 李路, 等. 基于VSD模型的新疆生态环境脆弱性评价[J]. 新疆农业科学, 2020,57(2):292-302.

[ Lu H Y, Sun G L, Li L, et al. Evaluation of ecological vulnerability in xinjiang based on VSD model[J]. Xinjiang AgriCultural Sciences, 2020,57(2):292-302. ]

[15]
康永辉, 解建仓, 黄伟军, 等. 广西大石山区农业干旱成因分析及脆弱性评价[J]. 自然灾害学报, 2014,23(3):24-32.

[ Kang Y H, Jie J C, Huang W J, et al. Genetic analysis and vulnerability assessment of agricultural drought in dashi mountain area of guangxi[J]. Journal of Natural Disasters, 2014,23(3):24-32. ]

[16]
袁烽迪, 张溪, 魏永强. 青藏高原生态屏障区生态环境脆弱性评价研究[J]. 地理空间信息, 2018,16(4):67-69.

[ Yuan F D, Zhang X, Wei W Q. Assessment of ecological environment vulnerability in the ecological barrier area of the qinghai-tibet plateau[J]. Geospatial Information, 2018,16(4):67-69. ]

[17]
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环境脆弱性评价[J]. 生态学报, 2018,38(13):584-4595.

[ Wu C S, Huang C, Liu G H, et al. Qingsheng evaluation of ecological vulnerability in The Yellow River Delta based on fuzzy analytic hierarchy Process[J]. Acta Ecologica Sinica, 2008,38(13):4584-4595. ]

[18]
于伯华, 吕昌河. 青藏高原高寒区生态环境脆弱性评价[J]. 地理研究, 2011,30(12):2289-2295.

[ Yu B H, Lu C H. Ecological vulnerability assessment in the cold region of the qinghai-tibet plateau[J]. Geography Research, 2011,30(12):2289-2295. ]

[19]
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.

[20]
Martins V N, Silva D S, Cabral P. Social vulnerability assessment to seismic risk using multicriteria analysis: The case study of Vila Franca doCampo ( So Miguel Island, Azore, Portugal)[J]. Natural Hazards, 2012,62(2):385-404.

[21]
Eckert S, Jelinek R, Zeug G, et al. Remote sensing-based assessment of tsunami vulnerability and risk in Alexandria, Egypt[J]. Applied Geography, 2012,32(2):714-723.

[22]
吴健生, 罗宇航, 王小玉, 等. 城市滑坡灾害生态风险不确定性分析与风险管理——以深圳市为例[J/OL].生态学报, 2020(11):1-10.

[ Wu J S, Luo Y H, Wang X Y, et al. Uncertainty analysis and Risk management of urban landslide ecological risk: A case study of Shenzhen[J/OL]. Acta Ecologica Sinica, 2020(11):1-10. ]

[23]
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.

[ Wang T J, Zhao L J, Zhang X. A comprehensive evaluation method of the ecological environment in the ecological barrier area of the qinghai-tibet plateau[J]. Bulletin of Surveying and Mapping, 2018(9):112-116. ]

[24]
张行, 陈海, 史琴琴, 刘迪, 等. 陕西省景观生态环境脆弱性时空演变及其影响因素[J]. 干旱区研究, 2020,37(2):496-505.

[ Zhang X, Chen H, Shi Q Q, et al. Temporal and spatial evolution of landscape ecological vulnerability in shaanxi province and its influencing factors[J]. Arid Region Research, 2020,37(2):496-505. ]

[25]
刘晶晶. 集中连片特困区生态环境脆弱性评价研究[D]. 华中师范大学, 2019.

[ Liu J J. Study on ecological Environment Vulnerability Assessment in contiguous poverty-stricken areas[D]. Central China Normal University, 2019. ]

[26]
Song G D, Chen Y, Tian M R, et al. The ecological vulnerability evaluation in southwestern mountain region of Chinabased on GIS and AHP method[J]. Procedia Environmental Sciences, 2010,2:465-475.

[27]
杨俊, 关莹莹, 李雪铭, 等. 城市边缘区生态环境脆弱性时空演变———以大连市甘井子区为例[J]. 生态学报, 2018,38(3):778-787.

[ Yang J, Guan Y Y, Li X M, et al. Spatial and temporal evolution of ecological vulnerability in urban fringe areas: A case study of ganjingzi district, dalian city[J]. Acta Ecologica Sinica, 2018,38(3):778-787. ]

[28]
范斐, 孙才志. 辽宁省海洋经济与陆域经济协同发展研究[J]. 地域研究与开发, 2011,30(2):59-63.

[ Fan F, Sun C Z. Research on the coordinated development of Marine economy and land economy in liaoning province[J]. Regional Research and Development, 2011,30(2):59-63. ]

[29]
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. Temporal and spatial differentiation and influencing factors of China's land-sea overall planning performance: Analysis from the perspective of vulnerability[J]. Regional Research and Development, 2019,38(2):25-30. ]

[30]
刘伯超, 唐凤德, 张连辉. 辽宁省农业生态环境脆弱性相关分析[J]. 沈阳农业大学学报(社会科学版), 2009,11(1):34-38.

[ Liu B C, Tang F D, Zhang L H. Correlation analysis of agricultural ecological environment vulnerability in liaoning province[J]. Journal of Shenyang Agricultural University (Social Science Edition), 2009,11(1):34-38. ]

[31]
周振民. 黄河下游引黄灌区农业生态环境脆弱性评价及对策[J]. 云南农业大学学报:自然科学版, 2007,22(1):127-131.

[ Zhou Z M. Evaluation and countermeasures of agricultural eco-environment frangibility in theirrigation districts of the downstream of Yellow River[J]. Journal of Yunnan Agricultural University: Natural Science, 2007,22(1):127-131. ]

[32]
姚昆, 余琳, 刘光辉, 等. 基于SRP模型的四川省生态环境脆弱性评价[J]. 物探化探计算技术, 2017,39(2):291-295.

[ Yao K, Yu L, Liu G H, et al. Evaluation of ecological environment vulnerability in sichuan province based on SRP model[J]. Geophysical and Geochemical Computing Technology, 2017,39(2):291-295. ]

[33]
王雪梅, 席瑞. 基于GIS的渭干河流域生态环境脆弱性评价[J]. 生态科学, 2016,35(4):166-172.

[ Wang X M, Xi R. Vulnerability assessment of ecological environment in weigan river basin based on GIS[J]. Ecological Science, 2016,35(4):166-172. ]

[34]
徐明德, 李艳春, 何娟, 等. 区域生态环境脆弱性的GIS“分解-合成”评价分析——以浑源县为例[J]. 地球信息科学学报, 2011,13(2):198-204.

[ Xu M D, Li Y C, He J, et al. Decomposition and synjournal evaluation of regional ecological environment vulnerability in GIS: A case study of hunyuan county[J]. Journal of Earth Information Science, 2011,13(2):198-204. ]

[35]
梁丽清. 不同尺度区域特征表述的分析评价和整合重构[D]. 福州:福建师范大学, 2013.

[ Liang L Q. Analysis, evaluation and integration reconstruction of regional feature expressions at different scales[D]. Fuzhou: Fujian Normal University, 2013. ]

[36]
陈燕丽, 莫伟华, 罗永明, 等. 基于气候信息的喀斯特地区植被EVI模拟[J]. 农业工程学报, 2015,31(9):187-194.

[ Chen Y L, Mo W H, Luo Y M, et al. EVI simulation of vegetation in karst areas based on climate information[J]. Chinese journal of agricultural engineering, 2015,31(9):187-194. ]

[37]
穆少杰, 游永亮, 朱超, 等. 中国西北部草地植被降水利用效率的时空格局[J]. 生态学报, 2017,37(5):1458-1471.

[ Mu S J, You T L, Zhu C, et al. Spatial and temporal pattern of precipitation utilization efficiency of grassland vegetation in northwest China[J]. Acta Ecologica Sinica, 2017,37(5):1458-1471. ]

[38]
熊繁. 农业发展转型区土地利用景观格局优化及评价[D]. 重庆:重庆师范大学, 2016.

[ Xiong F. Land use landscape pattern optimization and evaluation in agricultural development transition zone[D]. Chongqing: Chongqing Normal University, 2016. ]

[39]
宋福春. 土地利用总体规划决策机制研究[D]. 长春:吉林大学, 2006.

[ Song F C. A study on the decision-making mechanism of overall land use planning[D]. Changchun: Jilin University, 2006. ]

[40]
陈燕丽, 罗永明, 莫伟华, 等. MODIS NDVI与MODIS EVI对气候因子响应差异[J]. 自然资源学报, 2014,29(10):1802-1812.

[ Chen Y L, Luo Y M, Mo W H, et al. Differences in response of MODIS NDVI and MODIS EVI to climate factors[J]. Chinese Journal of Natural Resources, 2014,29(10):1802-1812. ]

[41]
王钰, 胡宝清. 基于GIS的广西西江流域脆弱性评价及综合整治研究[J]. 长江科学院院报, 2016,35(9):48-53.

[ Wang Y, Hu B Q. Gis-based vulnerability assessment and comprehensive improvement of Xijiang River basin in Guangxi[J]. Journal of Yangtze River Academy of Sciences, 2016,35(9):48-53. ]

[42]
周永娟, 仇江啸, 王姣, 等. 三峡库区消落带生态环境脆弱性评价[J]. 生态学报, 2010,30(24):6726-6733.

[ Zhou Y J, Qiu J X, Wang J, et al. Evaluation of ecological environment vulnerability in the three gorges reservoir zone[J]. Acta ecologica sinica, 2010,30(24):6726-6733. ]

[43]
宁文怡. 基于GIS的喀斯特山区地貌与土地利用分形关系研究[D]. 南宁:广西师范学院, 2016.

[ Ning W Y. Research on the Fractal Relationship between landform and Land use in karst mountainous areas based on GIS[D]. Nanning: Guangxi Normal University, 2016. ]

[44]
贾晶晶, 赵军, 王建邦, 等. 基于SRP模型的石羊河流域生态环境脆弱性评价[J]. 干旱区资源与环境, 2020,34(1):34-41.

[ Jia J J, Zhao J, Wang J B, et al. Ecological vulnerability assessment of shiyang river basin based on SRP model[J]. Resources and Environment in Arid Regions, 2020,34(1):34-41. ]

[45]
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 H. Geographical detector: Principle and prospect[J]. Acta Geographica Sinica, 2017,72(1):116-134. ]

Options
Outlines

/

〈 〉