Spatial-temporal Pattern Evolution and the Influencing Factors of Habitat Quality in Guangdong Province
-
摘要:
为深入探究大区域尺度生境质量的时空演变特征及其影响因素，结合土地利用/覆盖数据、气象数据和社会经济等多源数据，利用InVEST模型和空间自相关分析方法，对2000—2020年广东省生境质量进行了量化评估和时空演变特征分析，并引入地理探测器探究自然因素和人为因素对广东省生境质量的影响。研究结果表明：(1)广东省生境质量表现为由中心向外部逐渐增高、由沿海向内陆纵向升高的空间分布格局，具有显著的空间正自相关性，冷热点空间分布差异明显。(2)2000—2020年，广东省生境质量呈现“先减后增再减”的波动变化，生境质量在珠三角地区呈现中位下降态势，在北部生态发展区呈现高位下降态势，在沿海经济带东翼和沿海经济带西翼呈现低位上升态势。(3)不同影响因子对广东省生境质量的解释力q值由高到低排序为：人口密度、NDVI、GDP、道路密度、高程、坡度、年降水量、年平均气温，且影响因子间存在着交互增强的效应。
Abstract:To explore the spatiotemporal characteristics of habitat quality and its influencing factors on a large regional scale, the multi-source datasets, including land use/cover, meteorological, and socio-economic datasets were integrated. The InVEST model and spatial autocorrelation are employed to quantify and analyze the spatial pa-ttern of habitat quality in Guangdong Province from 2000 to 2020. Furthermore, the Geodetector is used to examine the influences of both natural and anthropogenic factors on the province's habitat quality. The results show that: (1) The habitat quality in Guangdong Province exhibits a spatial pattern of a gradual increase from the center to the periphery and from the coast to the inland, with significantly positive spatial autocorrelation and distinct differences in the spatial pattern of hot and cold spots. (2) The habitat quality in Guangdong Province from 2000 to 2020 undergoes a fluctuating change of "decreasing, then increasing, then decreasing". The habitat quality continuously declines in the Pearl River Delta region, while the Northern Ecological Development Zone and the Eastern Wing of the Coastal Economic Belt display a similar fluctuating trend, and the Western Wing of the Coastal Economic Belt shows an initial improvement followed by a decline. (3) The explanatory power of various influencing factors on habitat quality in Guangdong Province, denoted by q values, is ranked from highest to lowest as follows: population density, NDVI, GDP, road density, elevation, slope, annual precipitation, and annual mean temperature, and there is an interaction-enhancing effect among these influencing factors.
-
Keywords:
- habitat quality /
- Guangdong /
- InVEST model /
- spatiotemporal variation /
- influencing factors
-
生境质量是指物种生存空间为个体或种群所提供的适合生存条件的能力[1]，即在一定时空范围内生态系统提供给个体和种群持续发展的物质条件和基础，能够反映区域生物多样性和生态系统服务的供给水平[2]。监测与评估生境质量是生态环境保护和生态安全格局构建的基础，对生物多样性保护和生态系统服务的维持具有至关重要的作用[3]。
早期的生境质量研究主要是通过野外实地调查获取研究区的相关特征参量(如生物量)进行单一指标评价或构建多参量的生境质量评价体系进行量化评估[4]。尽管该类方法的评估结果较为准确，但实施难度较高，需要耗费大量的人力与物力资源，效率较低。同时，其应用范围主要集中于中小尺度，如河流[5]和自然保护区[6]，不利于拓展至大尺度的生境质量评估。得益于遥感和地理信息技术的发展，利用基于多源空间数据驱动的生态过程模型开展生境质量评估已逐渐成为了地理学、生态学和环境科学等领域的研究热点[7-8]。
生境质量评估能够为生态安全格局构建、重要生境斑块识别和优化生态系统服务提供理论基础[9]。目前，用于生境质量评估的模型主要包括Integrated Valuation of Ecosystem Services and Trade-offs(InVEST)模型[10]、Global Biodiversity Model(GLOBIO)模型[11]、Maximum Entropy Model(MaxEnt)模型[6]等。其中，InVEST模型因其所需数据较少、操作便利和能够进行空间量化等优势，已被广泛应用于生境质量评估研究，包括生境质量的空间量化与预测、时空变化特征、影响因素分析等。在生境质量时空变化特征研究方面，通常结合InVEST模型与像元二分法[12]、灰色关联度模型[13]、地理探测器[14]、地理加权回归[15]等方法对生境质量空间分布格局进一步细化分析，探究不同土地利用/覆盖类型对生境质量时空演变的影响。在生境质量空间量化与预测研究方面，通常利用Markov-FLUS耦合模型[16]和FLUS模型[17]进行土地利用/覆盖类型情景模拟，并结合InVEST模型预测生境质量时空特征与演变趋势。在生境质量影响因素分析研究方面，主要以InVEST模型结果为基础，结合相关性分析、多元回归分析和地理探测器等方法进行生境质量影响因素分析[18-20]。
目前，学者们对于生境质量的研究主要涉及区域生境质量的评估和预测[21-23]、时空分异特征分析[24-26]、时空演变特征分析[27]、对环境变化的响应关系[28]以及评价体系的构建[29]上，研究对象多集中于流域[30]、自然保护区[31-32]等中小尺度上，对城市、城市群、省域等大尺度的生境质量的研究较少。另外，研究内容多集中于单一要素[33-36]，鲜见综合考虑自然条件、景观格局、社会发展和经济发展等因素的研究，且缺乏对生境质量影响因素空间尺度及其时空差异的深入探讨。因此，需进一步探究大区域尺度生境质量的时空演变特征及其影响因素。
广东省地质地貌类型复杂，在城市化、工业化和人口集聚的驱动下，建设用地、工矿用地和基建用地不断增加，不仅破坏了土地的完整性[37-40]，还进一步加剧了栖息地退化和丧失，给自然生态系统的可持续发展带来潜在风险，也严重影响区域生态系统服务的供给，引发一系列生境质量下降、生物多样性退化、资源过度消耗等问题[41]。因此，需要对广东省生境质量的本底情况及其影响因素进行量化和深入探讨。
本研究结合InVEST模型和长时间序列多源遥感数据，对近20年广东省生境质量时空分布格局及其演变情况进行评估，并利用地理探测器模型进一步量化自然因素和人为因素对生境质量的影响程度。
1. 研究地区与研究方法
1.1 研究区概况
广东省(20°09′ N~25°31′N，109°45′E~117°20′E)位于我国华南地区(图 1)，土地总面积为17.98万km2[42]。广东省的经济发展水平较高，占全国总量的12.5%[43]；地形复杂多样，海拔跨度为-55~1 871 m，总体呈现由沿海地区向粤北地区递增的趋势；气候条件复杂，属热带和亚热带季风气候区，夏长冬暖，年平均气温约为25 ℃[44]，雨量充沛，年平均降水量为1 790 mm[45]，地表水资源丰富，溪流大，汛期长[46]。广东省形成以珠江三角洲(包括广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆市)为主要核心引擎，以由汕头、汕尾、揭阳、潮州、湛江、茂名、阳江市组成的沿海经济带为发展主战场，以北部生态发展区(包括韶关、梅州、清远、河源、云浮市)为重要生态安全屏障的“一核一带一区”区域发展格局[47]。全省自然资源和生态系统类型较为丰富，能够为绝大多数物种提供较为适宜的栖息地。
1.2 数据来源和预处理
本文应用的数据包括土地利用/覆盖数据、道路数据、自然环境数据和社会经济数据(表 1)。其中，土地利用/覆盖数据为中国科学院资源环境科学数据中心(http://www.resdc.cn)制备的中国土地利用遥感监测数据，空间分辨率为30 m，选取2000、2005、2010、2015、2020年共5期数据，经裁剪和投影转换后获得长时间序列广东省土地利用/覆盖数据。参考国家标准《土地利用现状分类》(GB/T 21010-2017)[48]和研究需要，将土地利用类型重分类为耕地、林地、草地、水域、湿地、建设用地和未利用地。道路数据来源于OpenStreetMap(https://download.geofabrik.de/)。自然环境数据包括气象数据(年降水量和年平均气温)、归一化植被指数NDVI数据、DEM数据和坡度数据。其中，DEM数据选用SRTM 90 M DEM产品，来源于地理空间数据云(http://www.gscloud.cn/)，坡度数据由DEM数据计算得到，其余自然环境数据均来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)，空间分辨率为1 km。社会经济数据包括GDP和人口空间分布数据，来源于中国科学院资源环境科学数据中心(http://www.resdc.cn)。土地利用/覆盖数据、道路数据用于生境质量的计算；自然环境数据、社会经济数据作为生境质量的影响因素数据，用于后续的地理探测器分析。
表 1 数据集及数据来源Table 1. The data source and description数据集名称 数据描述 数据来源 土地利用/覆盖数据集 空间分辨率为30 m的土地利用/覆盖数据 中国科学院资源环境科学数据中心(http://www.resdc.cn) 道路数据集 道路数据 OpenStreetMap(https://download.geofabrik.de/) 自然环境数据集 空间分辨率为1 km的年降水量数据 中国科学院资源环境科学数据中心(http://www.resdc.cn) 空间分辨率为1 km的年平均气温数据 空间分辨率为1 km的DEM数据 地理空间云(http://www.gscloud.cn/) 空间分辨率为1 km的坡度数据 由广东省DEM数据计算得到 空间分辨率为1 km的归一化植被指数(NDVI) 中国科学院资源环境科学数据中心(http://www.resdc.cn) 社会经济数据集 空间分辨率为1 km的人口分布数据 中国科学院资源环境科学数据中心(http://www.resdc.cn) 空间分辨率为1 km的GDP数据 本文使用ArcMap10.2软件对数据进行预处理，运用“以表格显示分区统计”工具，将影响因素栅格数据按照区县级行政区划提取均值到表格，得到各区县的影响因素均值数据；运用“计算几何”“相交”“字段计算器”等工具，计算各区县的面积和每个行政区内的路网总长度；利用公式：
路网密度=路网长度/(区域面积∗1000)得到各区县的路网密度。 1.3 研究方法
1.3.1 生境质量空间量化
InVEST模型是在景观尺度上，结合土地利用/覆盖类型的敏感度和外界胁迫因子的强度对生境质量进行测算。该模型所需参数包含研究年份的土地利用/覆盖数据、胁迫因子空间分布数据、胁迫因子属性数据、生境适宜度、生境类型对胁迫因子的敏感度和半饱和常数，模型最终获得生境质量空间量化结果[49]。生境质量结果的数值范围为0~1，越接近1则表明生境质量越高，反之则越低。计算公式如下：
Qxj=Hj(1−DzxjDzxj+kz), (1) 其中：Qxj为第j类土地利用/覆盖类型中栅格x的生境质量；Hj∈[0, 1]为第j类土地利用/覆盖类型的生境适宜度；z为反映空间异质性的尺度因子；k为半饱和常数，通常为Dxj最大值的一半；Dxj为第j类土地利用/覆盖类型中栅格x的总胁迫水平，计算公式如下：
Dxj=R∑r=1Yr∑y=1(wr∑Rr=1wr)ryirxyβxSjr, (2) 其中，R为胁迫因子，Yr为胁迫因子r的栅格数量，wr为胁迫因子r的权重，ry为胁迫因子r的y像元的衰退水平，irxy为胁迫因子r的x像元与y像元的距离衰退函数(分为线性函数和指数函数)，βx为x像元的可接近水平，Sjr为土地利用/覆盖类型j对胁迫因子r的敏感度。
本文主要考虑人为干扰对生境质量的胁迫，参考InVEST模型用户手册[50]，选取耕地、建设用地、未利用地、路网分布(包括铁路、高速公路、主干道、一级道路和二级道路)作为生境胁迫因子，其中生境胁迫因子参数(权重、最大影响距离和衰减类型)、各土地利用/覆盖类型的生境适宜度及其对胁迫因子的敏感度由相关文献[51-52]的经验值、InVEST模型用户手册和专家知识体系确定。具体参数设置见表 2和表 3。
表 2 生境胁迫因子参数Table 2. The parameters of threat factors生境胁迫因子 权重 最大影响距离/km 衰减类型 未利用地 0.20 3 线性 建设用地 1 10 指数 耕地 0.68 8 线性 铁路 0.90 9 指数 高速公路 0.90 9 指数 主干道 1 10 指数 一级道路 1 8 线性 二级道路 0.75 5 线性 表 3 各土地利用/覆盖类型的生境适宜度及其对胁迫因子的敏感度Table 3. The sensitivity of habitat types to threat factors and habitat suitability scores土地利用/覆盖类型 生境适宜度 敏感度 耕地 建设用地 未利用地 铁路 高速公路 主干道 一级道路 二级道路 耕地 0.35 0.00 0.40 0.10 0.35 0.35 0.35 0.30 0.20 林地 1.00 0.30 0.80 0.20 0.75 0.75 0.75 0.70 0.60 草地 0.40 0.35 0.60 0.10 0.70 0.70 0.70 0.50 0.35 湿地 1.00 0.30 0.85 0.30 0.80 0.80 0.80 0.75 0.65 水域 0.90 0.30 0.90 0.50 0.50 0.50 0.50 0.45 0.30 建设用地 0.00 0.40 0.00 0.30 0.60 0.60 0.60 0.50 0.50 未利用地 0.00 0.40 0.50 0.00 0.10 0.10 0.10 0.10 0.10 1.3.2 空间自相关分析
为在空间尺度度量广东省生境质量自相关程度，本文对广东省生境质量进行空间自相关分析，包括全局自相关和局部自相关。其中，全局自相关采用全局Moran's I指数[35-37]进行计算，用于衡量生境质量是否存在显著的空间分布模式[53-55]。Moran's I指数的取值范围为-1~1，该值越接近于1说明生境质量的正自相关性越大、空间分布越聚集；越接近于-1说明生境质量的负自相关性越大、空间分布越离散。Moran's I指数的计算公式如下：
I=n∑i=1n∑j=1Wij(xi−ˉx)(xj−ˉx)C2n∑i=1n∑j=1Wij, (3) 其中，xi、xj为像元位置为i、j的生境质量数值，x=1nn∑i=1xi为x的均值；C2为x的方差; n为x的总个数；Wij为像元位置i与像元位置j之间的空间权重，如果像元位置i与像元位置j相邻，则Wij=1，否则Wij=0。
在正态分布的假设前提下，Moran's I指数的期望与方差可表示为
E(I)=−1n−1, (4) VAR(I)=n2W1−nW2+3(n∑i=1n∑j=1Wij)2(n∑i=1n∑j=1Wij)2(n2−1)−E2(I), (5) 其中，
W1=12n∑i=1n∑j=1(Wij+Wji)2, (6) W2=n∑i=1(n∑i=1Wij+n∑j=1Wij)2。 (7) 利用标准化统计量Z-Score对Moran's I指数进行显著性检验，有：
Z=I−E(I)√VAR(I), (8) 其中，E(I)为Moran's I指数的期望，VAR(I)为Moran's I指数的方差。根据Z值检验显著性水平：当|Z|>1.96时，表明生境质量存在显著的空间自相关性。
广东省生境质量的局部自相关分析利用热点分析(Getis-Ord Gi*)方法[56]来计算。Gi*是一种基于距离全矩阵的局部空间自相关指标，当Gi*>0时，表示该区域为生境质量的高值聚集区，其值越大表示热点程度越高；当Gi* < 0时，表示该区域为生境质量的低值聚集区，其值越小表示冷点程度越高；当Gi*=0时，表示结果不具有统计学意义。计算公式如下：
G∗i=n∑j=1Wijxj−ˉxn∑j=1WijC2√[nn∑j=1W2ij−(n∑j=1Wij)2]/(n−1), (9) 其中，xj为位置j的属性值，Wij为像元位置i与像元位置j之间的空间权重，x为x的属性值的平均值，C2为x的方差，n为x的总个数。
1.3.3 地理探测器分析
地理探测器[57-58]是探测地理对象的空间分异性、揭示因变量受驱动力影响程度的统计工具，包含分异及因子探测、交互作用探测、风险探测和生态探测4个模块。本文主要应用分异及因子探测模块和交互作用探测模块来分析影响因素对生境质量的影响程度：
(1) 分异及因子探测模块用于分析生境质量的空间分异性以及各个影响因子对生境质量空间分异的解释度q，计算公式为：
q=1−1Nσ2L∑h=1Nhσ2h, (10) 其中，h (h=1, …, L)表示生境质量Y或者影响因子X的分层；Nh、N分别表示第h层、全区的单元数，σh2、σ2分别表示第h层、全区的Y值的方差。q的取值范围为0~1，值越大表示影响因子X对生境质量Y的解释力越强，反之则表示解释力越弱。
(2) 交互作用探测模块能够分析不同影响因素之间的交互作用，量化不同影响因子对生境质量的共同影响，并识别不同影响因子的独立性。
本文从人为因素和自然因素2个方面，利用地理探测器定量分析GDP、人口密度、道路密度、NDVI、高程、坡度、年降水量和年平均气温8个影响因子对生境质量空间特征的影响程度。
2. 结果与分析
2.1 广东省生境质量时空变化特征
本文利用InVEST模型进行广东省生境质量评估，由结果(图 2和表 4)可知：广东省生境质量总体表现为由中心向外部逐渐增高、由沿海向内陆纵向升高的趋势，在时间尺度上总体呈“先减后增再减”的波动状态。具体表现为：(1)广东省生境质量较低的区域主要分布于广东省中部城市化水平较高、建设用地较为密集且经济较为发达的地区，如珠三角地区(广州、佛山、深圳市等)以及沿海经济带；生境质量较高的区域分布于海拔较高、植被分布较好的粤北地区，如韶关、清远、梅州市等。(2)2000—2020年，广东省生境质量总体小幅度下降，平均值由0.734 2下降至0.723 3，变化率为-1.50%。除了2005—2010年的生境质量呈现上升趋势(生境质量变化率为0.14%)外，其他年份的生境质量出现不同程度的下降趋势。其中：2015—2020年的生境质量下降幅度最小，生境质量变化率为-0.32%;2000—2005年的生境质量下降幅度较大，生境质量变化率为-0.71%。
![]()
图 2 2000—2020年广东省生境质量空间分布Figure 2. The spatial distribution of habitat quality in Guangdong Province from 2000 to 2020表 4 2000—2020年广东省的生境质量变化率Table 4. The rate of change of habitat quality in Guangdong Province年份 生境质量变化率/% 2000—2005 -0.71 2005—2010 0.14 2010—2015 -0.61 2015—2020 -0.32 2000—2020 -1.50 为了解广东省不同分区的生境质量演变状况，本文统计了珠三角地区、沿海经济带东西翼以及北部生态发展区的生境质量变化率。由结果(表 5)可知：2000—2020年，珠三角地区的生境质量呈持续下降趋势，北部生态发展区和沿海经济带东翼的生境质量变化率先减后增再减，沿海经济带西翼的生境质量变化率总体先增后减。具体表现为：(1)生境质量变化最大的地区集中于珠三角地区，生境质量从0.693 1降至0.661 1，变化率为-4.61%。(2)沿海经济带东翼和沿海经济带西翼的生境质量整体为正增长趋势。其中，沿海经济带东翼的生境质量由0.623 5上升至0.626 9，变化率为0.5%；沿海经济带西翼的生境质量由0.659 1上升至0.663 2，变化率为0.6%。(3)北部生态发展区的生境质量平均值最高，近20年间的生境质量均高于0.8，有小幅度下降趋势，由2000年的0.815 8降至2020年的0.810 6，变化率为-0.6%。
表 5 广东省生态分区生境质量变化情况Table 5. The variation of habitat quality in Guangdong Province生态分区 2000年 2005年 2010年 2015年 2020年 变化率/% 2000—2005年 2005—2010年 2010—2015年 2015—2020年 北部生态发展区 0.815 8 0.814 4 0.815 8 0.811 9 0.810 6 -0.17 0.17 -0.48 -0.16 沿海经济带东翼 0.623 5 0.621 3 0.632 3 0.628 3 0.626 9 -0.35 1.78 -0.65 -0.22 沿海经济带西翼 0.659 1 0.661 4 0.667 0 0.664 4 0.663 2 0.35 0.84 -0.38 -0.18 珠三角地区 0.693 1 0.677 3 0.672 3 0.665 8 0.661 1 -2.29 -0.73 -0.97 -0.71 广东省 0.734 2 0.729 0 0.730 0 0.725 6 0.723 3 -0.71 0.14 -0.61 -0.32 2.2 生境质量的自相关分析
本文利用Moran's I和Getis-Ord Gi*方法获得广东省生境质量全局自相关和局部自相关结果。由结果(表 6和图 3)可知：广东省的生境质量呈现显著的空间正自相关性，具有空间聚集特征。具体表现为：(1)在2000—2020年，Moran's I结果均大于0且P值均小于0.01，表明在空间上具有显著的正相关性。(2)就Moran's I数值大小和演变趋势而言，广东省生境质量的空间正自相关性逐渐增强，空间分布进一步聚集，离散分布逐渐减少。(3)Z得分的变化也表明20年间广东省生境质量的空间集聚性显著增强。
表 6 广东省生态分区生境质量自相关分析结果Table 6. The results of global Moran's I年份 Moran's I指数 方差 Z得分 P值 2000 0.683 5 0.003 294 12.055 5 < 0.01 2005 0.711 7 0.003 298 12.537 5 < 0.01 2010 0.734 2 0.003 299 12.928 2 < 0.01 2015 0.733 3 0.003 300 12.911 4 < 0.01 2020 0.738 2 0.003 302 12.991 1 < 0.01 ![]()
图 3 2000—2020年广东省生境质量冷热点空间分布格局Figure 3. The cold-hot spot regions of habitat quality in the Guangdong Province from 2000 to 2020由广东省生境质量的冷热点分析结果(图 3)可知：(1)2000—2020年间，广东省县域生境质量热点主要分布于北部生态发展区，少数集中于珠三角地区的肇庆市怀集县、德庆县等地。冷点区域主要位于珠三角的广州、深圳、东莞、中山等地区。(2)20年来，冷热点的空间分布格局变化微弱，热点区域的惠州市龙门县呈现先降低后升高的趋势，云浮市云城区由显著转变为不显著，汕尾市陆河县由不显著变为显著。而冷点区域的东莞市、中山市、广州市南沙区、佛山市禅城区、深圳市龙岗区的显著性略有提高，湛江市麻章区、赤坎区和霞山区的显著性逐渐降低，湛江市遂溪县由显著变为不显著。
2.3 生境质量的影响因子分析
为了探究自然因素和人为因素对广东省生境质量的影响程度，本研究采用地理探测器的因子探测器和交互作用探测器对GDP、人口密度、道路密度、NDVI、高程、坡度、年降水量、年平均气温进行量化分析。根据地理探测器对类型变量的优势[59]，本文利用自然断点法对不同影响因子进行了分段离散处理，得到各影响因子的空间分布(图 4)。由图 4可知：GDP、人口密度和道路密度的空间分布格局总体为中部高、外圈低；NDVI的空间分布总体为中部低、外圈高；高程和坡度的空间分布格局具有较高的一致性，均为中部和沿海地区低、北部地区高；年降水量的空间分布格局为沿海区域低、北部地区较高；年平均气温的空间分布格局为由西部沿海地区向北部地区递减。
![]()
图 4 生境质量影响因子的空间分布Figure 4. The spatial distribution of the influencing factors of habitat quality分异及因子探测结果(图 5)显示，不同影响因子对生境质量的解释度q存在较大差异，各影响因子的q值由高到低排序为：人口密度(0.803 8)、NDVI(0.776 8)、GDP(0.745 3)、道路密度(0.745 0)、高程(0.708 6)、坡度(0.659 3)、年降水量(0.226 9)、年平均气温(0.008 7)。除年平均气温外，其他影响因子的P值均小于0.01。由此可见，人口密度和NDVI是影响生境质量的主导因素，其次是GDP、道路密度、高程和坡度，而年降水量和年平均气温对生境质量的影响不大。
![]()
图 5 不同影响因子与生境质量的因子探测结果Figure 5. Geodetection results of different influencing factors and habitat quality交互作用探测的结果(图 6)显示：(1)除年平均气温与其他影响因子的交互作用表现为非线性增强外，其他影响因子间的交互作用均表现为双因子增强。(2)人口密度与坡度、道路密度与高程之间的交互作用相对最强，q值分别达到0.910 2、0.902 2。由此可知各影响因子之间均存在交互增强的效应，说明影响因子的综合作用对生境质量的解释力更强。
3. 讨论与结论
3.1 讨论
本文通过联合InVEST模型、地理探测器模型和热点分析等方法进行广东省生境质量测度和影响因素探究，获得了近20年广东省生境质量的空间分布格局。通过前文分析可以看出，广东省生境质量存在空间异质性特征，生境质量冷热点区域的空间分布具有显著差异。其中，热点区域主要集中于粤北地区，该区域是广东省北部生态发展区，坐落有南岭国家级自然保护区、南岭国家森林公园、广东省丹霞山国家级自然保护区等，自然保护区和森林公园分布密集、植被覆盖面积大，因而生境质量较高；冷点区域分布于城市化水平较高、人工不透水面较为密集的区域，如广州、深圳、东莞市等，集中于珠三角地区和沿海经济带，土地利用/覆盖类型主要为建设用地和耕地，密集的人类活动加剧了生境质量退化，不断扩张的建设用地侵占周边生态用地，使得生态廊道连通性降低、生境破碎度加剧，因而生境质量较差。
2000—2020年间的生境质量变化率测度结果显示广东省2000—2020年的生境质量呈“先减后增再减”趋势，且变化率逐渐趋于平缓：2000—2005年间的生境质量总体呈现降低趋势，在2005—2010年缓慢升高，在2010—2020年小幅度降低。在生态分区尺度上，珠三角地区的生境质量在2000—2020年间持续下降，北部生态发展区和沿海经济带东翼的生境质量呈先减后增再减的趋势，沿海经济带西翼的生境质量呈先增后减趋势。结合广东省生境质量热点分析结果发现珠三角中心城市(如广州、佛山、深圳市等)和沿海经济带西翼的海滨城市(如湛江市)在2000—2020年间的生境质量均保持冷点区域分布。对于该类生境质量冷点区域，需加强其自然生态系统的保护和生物多样性的维持。在保证经济高质量发展的基础上，应科学规划生态区域、降低由人类活动影响对自然生境的破坏，如制定具有区域针对性的农业面源污染治理、红树林湿地恢复、城市绿地基础设施完善等措施。北部生态发展区在2000—2020年间的生境质量均保持热点区域分布，由于生态保护和经济高质量发展之间存在交互胁迫关系[60]，应当发挥粤北地区的生态优势，强化广东省的重要生态屏障，同时加快建设与大湾区联通的交通设施体系、调整发展模式和经济结构、大力发展绿色产业、促进企业升级与产业转型，从而助力绿美广东生态建设和实现“一核一带一区”区域发展新格局。
本文为探究生境质量时空演变影响因素，从人为因素和自然因素2个方面选取GDP、人口密度、道路密度、NDVI、高程、坡度、年降水量和年平均气温作为影响因子，利用地理探测器获得不同影响因子对生境质量的解释程度。研究结果显示人口密度和NDVI对生境质量的影响十分显著，年降水量和年平均气温对生境质量的影响较小，表明生境质量受到自然因素和人类活动的共同作用。这与已有的分别在祁连山国家自然保护区、赤水河流域、粤港澳大湾区的研究结果[61-62, 34]基本一致。然而，由于与生境质量相关联的影响因子众多，不同因子之间可能存在交互作用，后续研究可在数据可量化、可获取、可分离的基础上选取尽可能多的影响因素，更新和完善生境质量的影响因子，进一步探寻自然因素和人为因素对生境质量时空演变的影响机制。
3.2 结论
本文利用InVEST模型和多源遥感数据对2000—2020年间广东省生境质量指数进行了测算，引入地理探测器、空间自相关和冷热点分析等方法，探讨了近20年广东省生境质量的时空演变特征及其影响因素。主要结论如下：
(1) 在空间分布格局上，广东省生境质量呈现中心向外逐渐增高、沿海向内陆纵向升高的趋势，具有显著的空间正自相关性，冷热点空间分布呈现空间聚集性；
(2) 在时间尺度上，近20年广东省生境质量呈现“先减后增再减”的波动状态，其中珠三角地区呈现中位下降态势，北部生态发展区呈现高位下降态势，沿海经济带东翼和沿海经济带西翼呈现低位上升态势；
(3) 在影响因素上，各影响因子对广东省生境质量的解释力q值由高到低排序为：人口密度、NDVI、GDP、道路密度、高程、坡度、年降水量、年平均气温，并且不同影响因子之间存在着交互作用。
-
![]()
图 2 2000—2020年广东省生境质量空间分布
Figure 2. The spatial distribution of habitat quality in Guangdong Province from 2000 to 2020
![]()
图 3 2000—2020年广东省生境质量冷热点空间分布格局
Figure 3. The cold-hot spot regions of habitat quality in the Guangdong Province from 2000 to 2020
![]()
图 4 生境质量影响因子的空间分布
Figure 4. The spatial distribution of the influencing factors of habitat quality
![]()
图 5 不同影响因子与生境质量的因子探测结果
Figure 5. Geodetection results of different influencing factors and habitat quality
表 1 数据集及数据来源
Table 1 The data source and description
数据集名称 数据描述 数据来源 土地利用/覆盖数据集 空间分辨率为30 m的土地利用/覆盖数据 中国科学院资源环境科学数据中心(http://www.resdc.cn) 道路数据集 道路数据 OpenStreetMap(https://download.geofabrik.de/) 自然环境数据集 空间分辨率为1 km的年降水量数据 中国科学院资源环境科学数据中心(http://www.resdc.cn) 空间分辨率为1 km的年平均气温数据 空间分辨率为1 km的DEM数据 地理空间云(http://www.gscloud.cn/) 空间分辨率为1 km的坡度数据 由广东省DEM数据计算得到 空间分辨率为1 km的归一化植被指数(NDVI) 中国科学院资源环境科学数据中心(http://www.resdc.cn) 社会经济数据集 空间分辨率为1 km的人口分布数据 中国科学院资源环境科学数据中心(http://www.resdc.cn) 空间分辨率为1 km的GDP数据 
下载: 导出CSV
表 2 生境胁迫因子参数
Table 2 The parameters of threat factors
生境胁迫因子 权重 最大影响距离/km 衰减类型 未利用地 0.20 3 线性 建设用地 1 10 指数 耕地 0.68 8 线性 铁路 0.90 9 指数 高速公路 0.90 9 指数 主干道 1 10 指数 一级道路 1 8 线性 二级道路 0.75 5 线性
下载: 导出CSV
表 3 各土地利用/覆盖类型的生境适宜度及其对胁迫因子的敏感度
Table 3 The sensitivity of habitat types to threat factors and habitat suitability scores
土地利用/覆盖类型 生境适宜度 敏感度 耕地 建设用地 未利用地 铁路 高速公路 主干道 一级道路 二级道路 耕地 0.35 0.00 0.40 0.10 0.35 0.35 0.35 0.30 0.20 林地 1.00 0.30 0.80 0.20 0.75 0.75 0.75 0.70 0.60 草地 0.40 0.35 0.60 0.10 0.70 0.70 0.70 0.50 0.35 湿地 1.00 0.30 0.85 0.30 0.80 0.80 0.80 0.75 0.65 水域 0.90 0.30 0.90 0.50 0.50 0.50 0.50 0.45 0.30 建设用地 0.00 0.40 0.00 0.30 0.60 0.60 0.60 0.50 0.50 未利用地 0.00 0.40 0.50 0.00 0.10 0.10 0.10 0.10 0.10
下载: 导出CSV
表 4 2000—2020年广东省的生境质量变化率
Table 4 The rate of change of habitat quality in Guangdong Province
年份 生境质量变化率/% 2000—2005 -0.71 2005—2010 0.14 2010—2015 -0.61 2015—2020 -0.32 2000—2020 -1.50
下载: 导出CSV
表 5 广东省生态分区生境质量变化情况
Table 5 The variation of habitat quality in Guangdong Province
生态分区 2000年 2005年 2010年 2015年 2020年 变化率/% 2000—2005年 2005—2010年 2010—2015年 2015—2020年 北部生态发展区 0.815 8 0.814 4 0.815 8 0.811 9 0.810 6 -0.17 0.17 -0.48 -0.16 沿海经济带东翼 0.623 5 0.621 3 0.632 3 0.628 3 0.626 9 -0.35 1.78 -0.65 -0.22 沿海经济带西翼 0.659 1 0.661 4 0.667 0 0.664 4 0.663 2 0.35 0.84 -0.38 -0.18 珠三角地区 0.693 1 0.677 3 0.672 3 0.665 8 0.661 1 -2.29 -0.73 -0.97 -0.71 广东省 0.734 2 0.729 0 0.730 0 0.725 6 0.723 3 -0.71 0.14 -0.61 -0.32
下载: 导出CSV
表 6 广东省生态分区生境质量自相关分析结果
Table 6 The results of global Moran's I
年份 Moran's I指数 方差 Z得分 P值 2000 0.683 5 0.003 294 12.055 5 < 0.01 2005 0.711 7 0.003 298 12.537 5 < 0.01 2010 0.734 2 0.003 299 12.928 2 < 0.01 2015 0.733 3 0.003 300 12.911 4 < 0.01 2020 0.738 2 0.003 302 12.991 1 < 0.01
下载: 导出CSV
-
[1] ZHU F, ZOU Y, ZHANG P Y, et al. Dyke demolition led to a sharp decline in waterbird diversity due to habitat quality reduction: a case study of Dongting Lake, China[J]. Ecology and Evolution, 2022, 12(4): e8782/1-15.
[2] ZHU C M, ZHANG X L, ZHOU M M, et al. Impacts of urbanization and landscape pattern on habitat quality using OLS and GWR models in Hangzhou, China[J]. Ecological Indicators, 2020, 117: 106654/1-11.
[3] GONG J, XIE Y C, CAO E J, et al. Integration of InVEST-habitat quality model with landscape pattern indexes to assess mountain plant biodiversity change: a case study of Bailongjiang watershed in Gansu Province[J]. Journal of Geographical Sciences, 2019, 29(7): 1193-1210. doi: 10.1007/s11442-019-1653-7
[4] MOCQ J, ST-HILAIRE A, CUNJAK R A. Assessment of Atlantic salmon (Salmo salar) habitat quality and its uncertainty using a multiple-expert fuzzy model applied to the Romaine River(Canada)[J]. Ecological Modelling, 2013, 265: 14-25. doi: 10.1016/j.ecolmodel.2013.05.020
[5] 叶忠臣. 基于HQA评分法的志丹县周河流域生境质量评价[J]. 陕西水利, 2020(8): 124-127. YE Z C. Habitat quality assessment of Zhouhe River Basin in Zhidan County based on HQA scoring method[J]. Shaanxi Water Resources, 2020(8): 124-127.
[6] 钟雪, 杨楠, 张龙, 等. 卧龙国家级自然保护区绿尾虹雉种群分布和生境质量评价[J]. 四川动物, 2021, 40(5): 509-516. ZHONG X, YANG N, ZHANG L, et al. Population survey and habitat quality assessment of Lophophorus lhuysii in the Wolong National Nature Reserve[J]. Sichuan Journal of Zoology, 2021, 40(5): 509-516.
[7] 李双成, 刘金龙, 张才玉, 等. 生态系统服务研究动态及地理学研究范式[J]. 地理学报, 2011, 66(12): 1618-1630. doi: 10.11821/xb201112004 LI S C, LIU J L, ZHANG C Y, et al. The research trends of ecosystem services and the paradigm in geography[J]. Acta Geographica Sinica, 2011, 66(12): 1618-1630. doi: 10.11821/xb201112004
[8] 范玉龙, 胡楠, 丁圣彦, 等. 陆地生态系统服务与生物多样性研究进展[J]. 生态学报, 2016, 36(15): 4583-4593. FAN Y L, HU N, DING S Y, et al. Progress in terrestrial ecosystem services and biodiversity[J]. Acta Ecologica Sinica, 2016, 36(15): 4583-4593.
[9] 吴健生, 曹祺文, 石淑芹, 等. 基于土地利用变化的京津冀生境质量时空演变[J]. 应用生态学报, 2015, 26(11): 3457-3466. WU J S, CAO Q W, SHI S F, et al. Spatio-temporal variability of habitat quality in Beijing-Tianjin-Hebei Area based on land use change[J]. Chinese Journal of Applied Ecology, 2015, 26(11): 3457-3466.
[10] ADELISARDOU F, ZHAO W, CHOW R, et al. Spatiotemporal change detection of carbon storage and sequestration in an arid ecosystem by integrating Google Earth Engine and InVEST (the Jiroft plain, Iran)[J]. International Journal of Environmental Science and Technology, 2022, 19: 5929-5944. doi: 10.1007/s13762-021-03676-6
[11] ALKEMADE R, OORSCHOT M V, MILES L, et al. GLOBIO 3: a framework to investigate options for reducing global terrestrial[J]. Ecosystems, 2009, 12(3): 374-390. doi: 10.1007/s10021-009-9229-5
[12] 尚俊, 蔡海生, 龙月, 等. 基于InVEST模型的鄱阳湖区生境质量时空演化及其变迁特征分析[J]. 长江流域资源与环境, 2021, 30(8): 1901-1915. SHANG J, CAI H S, LONG Y, et al. Spatiotemporal evolution and change characteristics analysis of habitat quality in Poyang Lake area based on the InVEST model[J]. Resources and Environment in the Yangtze Basin, 2021, 30(8): 1901-1915.
[13] 贾艳艳, 于东明, 王明杰, 等. 泰安市景观格局和生境质量时空演变及其关联分析[J]. 西北林学院学报, 2022, 37(2): 229-237. JIA Y Y, YU D M, WANG M J, et al. Spatio-temporal evolution and correlation analysis of landscape pattern and habitat quality in Tai'an City[J]. Journal of Northwest Forestry University, 2022, 37(2): 229-237.
[14] 李胜鹏, 柳建玲, 林津, 等. 基于1980—2018年土地利用变化的福建省生境质量时空演变[J]. 应用生态学报, 2020, 31(12): 4080-4090. LI S P, LIU J L, LIN J, et al. Spatial and temporal evolution of habitat quality in Fujian Province, China based on the land use change from 1980 to 2018[J]. Chinese Journal of Applied Ecology, 2020, 31(12): 4080-4090.
[15] FOTHERINGHAM A S, YUE H, LI Z Q. Examining the influences of air quality in China's cities using multi-scale geographically weighted regression[J]. Transactions in GIS, 2019, 23: 1444-1464. doi: 10.1111/tgis.12580
[16] CHEN Z Z, HUANG M, ZHU D Y, et al. Integrating remote sensing and a Markov-FLUS model to simulate future land use changes in Hokkaido, Japan[J]. Remote Sensing, 2021, 13: 2621/1-23.
[17] 雷雪, 王倩娜, 邓靖琳, 等. 基于FLUS模型的眉山市土地利用变化分析及预测模拟[J]. 四川师范大学学报(自然科学版), 2022, 45(6): 806-816. LEI X, WANG Q N, DENG J L, et al. Land use change and spatio-temporal simulation analysis of Meishan City based on FLUS Model[J]. Journal of Sichuan Normal University(Natural Science), 2022, 45(6): 806-816.
[18] 唐建军. 黄河流域人口密集区城镇扩张的生境质量影响及空间优化[D]. 兰州: 兰州交通大学, 2022. TANG J J. Urban expansion's effects on habitat quality and spatial optimization in densely populated areas of the Yellow River Basin[D]. Lanzhou: Lanzhou Jiaotong University, 2022.
[19] 杨永, 李瑞红, 刘航, 等. 东北农林交错区生境质量时空演变及归因分析[J]. 生态学杂志, 2024, 43(5): 1-12. YANG Y, LI R H, LIU H, et al. Spatiotemporal evolution and driving forces of habitat quality in agroforestry ecotone of Northeast China[J]. 生态学杂志, 2024, 43(5): 1-12.
[20] 王玉霞, 汪博, 吴雪飞. 用地紧凑变化对武汉市绿色空间生境质量的影响[J]. 生态学报, 2023, 43(14): 5726-5739. WANG Y X, WANG B, WU X F. Impact of land use compactness change on the habitat quality of greenspace in Wuhan City[J]. Acta Ecologica Sinica, 2023, 43(14): 5726-5739.
[21] CHAO L J, ZHANG K, LI Z J, et al. Geographically weighted regression based methods for merging satellite and gauge precipitation[J]. Journal of Hydrology, 2018, 558: 275-289. doi: 10.1016/j.jhydrol.2018.01.042
[22] QIAN Y, DONG Z, YAN Y, et al. Ecological risk assessment models for simulating impacts of land use and landscape pattern on ecosystem services[J]. Science of The Total Environment, 2022, 833: 155218/1-12.
[23] LIANG Z, WANG Y, JIANG F L. Quantifying the spatial impact of landscape fragmentation on habitat quality: a multi-temporal dimensional comparison between the Yangtze River Economic Belt and Yellow River Basin of China[J]. Land Use Policy, 2023, 125: 106463/1-16.
[24] 黄木易, 岳文泽, 冯少茹, 等. 基于InVEST模型的皖西大别山区生境质量时空演化及景观格局分析[J]. 生态学报, 2020, 40(9): 2895-2906. HUANG M Y, YUE W Z, FENG S R, et al. Spatial-temporal evolution of habitat quality and analysis of landscape patterns in Dabie Mountain area of west Anhui Province based on InVEST model[J]. Acta Ecologica Sinica, 2020, 40(9): 2895-2906.
[25] 刘智方, 唐立娜, 邱全毅, 等. 基于土地利用变化的福建省生境质量时空变化研究[J]. 生态学报, 2017, 37(13): 4538-4548. LIU Z F, TANG L N, QIU Q Y, et al. Temporal and spatial changes in habitat quality based on land-use change in Fujian Province[J]. Acta Ecologica Sinica, 2017, 37(13): 4538-4548.
[26] 张学儒, 周杰, 李梦梅. 基于土地利用格局重建的区域生境质量时空变化分析[J]. 地理学报, 2020, 75(1): 160-178. ZHANG X R, ZHOU J, LI M M. Analysis on spatial and temporal changes of regional habitat quality based on the spatial pattern reconstruction of land use[J]. Acta Geographica Sinica, 2020, 75(1): 160-178. .
[27] YOHANNES H, SOROMESSA T, ARGAW M, et al. Spatio-temporal changes in habitat quality and linkage with landscape characteristics in the Beressa watershed, Blue Nile basin of Ethiopian highlands[J]. Journal of Environmental Management, 2021, 281: 111885/1-15.
[28] 王琼, 范志平, 李法云, 等. 蒲河流域河流生境质量综合评价及其与水质响应关系[J]. 生态学杂志, 2015, 34(2): 516-523. WANG Q, FAN Z P, LI F Y, et al. River habitat quality assessment, water quality analysis and their response relation of Puhe River Basin[J]. Chinese Journal of Ecology, 2015, 34(2): 516-523.
[29] YANG Y Y. Evolution of habitat quality and association with land-use changes in mountainous areas: a case study of the Taihang Mountains in Hebei Province, China[J]. Ecological Indicators, 2021, 129: 107967/1-12.
[30] 雷呈, 黄琪, 倪才英, 等. 袁河流域河流生境质量评价及其影响因素分析[J]. 江西师范大学学报(自然科学版), 2019, 43(4): 425-432. LEI C, HUANG Q, NI C Y, et al. Assessment of river habitat quality and analysis of its influencing factors in the Yuan River Basin[J]. Journal of Jiangxi Normal University (Natural Science), 2019, 43(4): 425-432.
[31] 王耕, 常畅, 韩冬雪, 等. 老铁山自然保护区景观格局与生境质量时空变化[J]. 生态学报, 2020, 40(6): 1910-1922. WANG G, CHANG C, HAN D X, et al. Temporal-spatial changes of landscape pattern and habitat quality in Laotieshan nature reserve[J]. Acta Ecologica Sinica, 2020, 40(6): 1910-1922.
[32] AHMADI M, HEMAMI M R, KABOLI M, et al. MaxEnt brings comparable results when the input data are being completed; Model parameterization of four species distribution models[J]. Ecology and Evolution, 2023, 13(2): e9827/1-13.
[33] DUFFIN J, YAGER E M, BUFFINGTON J M, et al. Impact of flow regulation on stream morphology and habitat quality distribution[J]. Science of The Total Environment, 2023, 878: 163016/1-14.
[34] WU L L, SUN C G, FAN F L. Estimating the characteristic spatiotemporal variation in habitat quality using the InVEST model—a case study from Guangdong-Hong Kong-Macao Greater Bay Area[J]. Remote Sensing, 2021, 13: 1008/1-24.
[35] XIANG Q, KAN A K, YU X X, et al. Assessment of topographic effect on habitat quality in mountainous area using InVEST model[J]. Land, 2023, 12(1): 186/1-17.
[36] WANG H N, TANG L N, QIU Q Y, et al. Assessing the impacts of urban expansion on habitat quality by combining the concepts of land use landscape and habitat in two urban agglomerations in China[J]. Sustainability, 2020, 12(11): 4346/1-17.
[37] XU F, WANG Z Q, CHI G Q, et al. The impacts of population and agglomeration development on land use intensity: new evidence behind urbanization in China[J]. Land Use Policy, 2020, 95: 104639/1-10.
[38] 刘纪远, 宁佳, 匡文慧, 等. 2010-2015年中国土地利用变化的时空格局与新特征[J]. 地理学报, 2018, 73(5): 789-802. LIU J Y, NING J, KUANG W H, et al. Spatiotemporal pa-tterns and characteristics of land-use change in China during 2010-2015[J]. Acta Geographica Sinica, 2018, 73(5): 789-802.
[39] MAO Y Y, HOU L L, ZHANG Z D. Spatial-temporal evolution and relationship between urbanization level and ecosystem service from a uual-scale perspective: a case study of the Pearl River Delta urban agglomeration[J]. Sustainability, 2021, 13(15): 8537/1-20.
[40] LIU W, ZHAN J Y, ZHAO F, et al. Scale effects and time variation of trade-offs and synergies among ecosystem services in the Pearl River Delta, China[J]. Remote Sensing, 2022, 14(20): 5173/1-19.
[41] 吴文坤, 曾惠娴, 游文川, 等. 广东省生态系统服务时空变化及其权衡与协同特征研究[J]. 农业与技术, 2023, 43(4): 98-105. [42] 广东年鉴编纂委员会. 广东统计年鉴(2023)[EB/OL]. 广州: 广东年鉴出版社, 2023: 7-21. [2024-04-23]. http://tjnj.gdstats.gov.cn:8080/tjnj/2023/index.html. [43] ZHANG X R, SONG W, LANG Y Q, et al. Land use changes in the coastal zone of China's Hebei Province and the corresponding impacts on habitat quality[J]. Land Use Policy, 2020, 99: 104957/1-14.
[44] 沈平, 张光宇, 张永华, 等. 气候变化对广东省气候适宜度的影响[J]. 广东气象, 2020, 42(4): 65-68. SHEN P, ZHANG G Y, ZHANG Y H, et al. The impact of climate change on the climate suitability in Guangdong Province[J]. Guangdong Meteorology, 2020, 42(4): 65-68.
[45] 江源天, 王文婷, 谢云, 等. 基于IMERG反演降水数据估算广东省降雨侵蚀力[J]. 农业工程学报, 2023, 39(24): 153-164. JIANG Y T, WANG W T, XIE Y, et al. Estimating rainfall erosivity in Guangdong Province using IMERG remote sensing precipitation products[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(24): 153-164.
[46] ZHAO C F, WU Y L, CHEN Y F, et al. Multiscale effects of hedonic attributes on airbnb listing prices based on MGWR: a case study of Beijing, China[J]. Sustainability, 2023, 15: 1703/1-21.
[47] 张震, 徐明威, 徐佳慧, 等. 新发展格局下"一核一带一区"经济高质量发展差异分析[J]. 商业经济研究, 2023(12): 185-188. [48] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委. 土地利用现状分类: GB/T 21010-2017[S]. 北京: 中国标准出版社, 2017. [49] YUAN Z F, ZHOU L, SUN D Q, et al. Impacts of urban expansion on the loss and fragmentation of cropland in the major grain production areas of China[J]. Land, 2022, 11(1): 130/1-15.
[50] SHARP R, CHAPLIN-KRAMER R, WOOD S, et al. InVEST 3.8.7 User's Guide[EB/OL]. California, Minnesota, Beijing, Commonwealth of Virginia, Vaud, Stockholm: Stanford University, University of Minnesota, Chinese Academy of Sciences, The Nature Conservancy, World Wildlife Fund, Stockholm Resilience Centre, 2022[2024-04-23]. https://storage.googleapis.com/releases.naturalcapitalproject.org/invest-userguide/latest/zh/index.html.
[51] HACK J, MOLEWIJK D, BEIßLER M R. A conceptual approach to modeling the geospatial impact of typical urban threats on the habitat quality of river corridors[J]. Remote Sensing, 2020, 12: 1345/1-22.
[52] SUN X Y, JIANG Z, LIU F, et al. Monitoring spatio-temporal dynamics of habitat quality in Nansihu Lake basin, eastern China, from 1980 to 2015[J]. Ecological Indicators, 2019, 102: 716-723.
[53] MORAN P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1/2): 17-23.
[54] 熊昌盛, 韦仕川, 栾乔林, 等. 基于Moran's Ⅰ分析方法的耕地质量空间差异研究——以广东省广宁县为例[J]. 资源科学, 2014, 36(10): 2066-2074. XIONG C S, WEI S C, LUAN Q L, et al. Spatial pattern disparity and cultivated land quality based on Moran's I analysis[J]. Resources Science, 2014, 36(10): 2066-2074.
[55] 张千湖, 高兵, 黄葳, 等. 我国人为源气态活性氮排放时空变动特征分析[J]. 环境科学学报, 2017, 37(8): 3065-3076. ZHANG Q H, GAO B, HUANG W, et al. Temporal and spatial variation analysis of anthropogenic gaseous reactive nitrogen emissions in China[J]. Acta Scientiae Circumstantiae, 2017, 37(8): 3065-3076.
[56] GETIS A, ORD J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24(3): 189-206.
[57] WANG Y, WANG S, LI G, et al. Identifying the determinants of housing prices in China using spatial regression and the geographical detector technique[J]. Applied Geo-graphy, 2017, 79: 26-36.
[58] 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.
[59] CAO F, GE Y, WANG J F. Optimal discretization for geographical detectors-based risk assessment[J]. Giscience & Remote Sensing, 2013, 50(1): 78-92.
[60] 徐明威, 林先扬, 林森. 区域生态保护与经济高质量发展耦合交互关系研究——以广东北部生态发展区为例[J]. 特区实践与理论, 2023(5): 98-106. [61] 苏军德, 赵晓冏, 李国霞, 等. 祁连山国家自然保护区生境质量时空特征及驱动因素分析[J]. 中国环境科学, 2024, 44(5): 2595-2605. SU J D, ZHAO X J, LI G X, et al. Spatial and temporal characteristics and driving factors of habitat quality in Qilan Mountain National Nature Reserve[J]. China Environment Science, 2024, 44(5): 2595-2605.
[62] 王雨露, 兰安军, 范泽孟, 等. 基于InVEST模型的赤水河流域生境质量时空分异特征及驱动因素分析[J]. 中国农村水利水电, 2023(1): 17-23. WANG Y L, LAN A J, FAN Z M, et al. Spatial-temporal differentiation and driving factors of habitat quality in the Chishui River basin based on InVEST model[J]. China Rural Water and Hydropower, 2023(1): 17-23.
计量
- 文章访问数: 6
- HTML全文浏览量: 0
- PDF下载量: 4
