2023年Journal of Environmental Management：中国渭河盆地土地覆盖变化驱动机制与生态效应分析模拟
本文总共有6592个单词，大约需要16分钟才能阅读。纸张信息
标题：中国韦伊河盆地的土地覆盖
日记：
时间：2023年10月15日，第344卷
作者：，。
doi：
摘要：基于土地扩展分析策略（LEAS）的规则挖掘框架，在斑块生成土地使用模拟（加上）模型中分析了LCC的驱动因素，以研究LCC的多种生态效应。使用基于遥感的生态指数（RSEI）以及模型和逐步回归模型探索和预测LCC的全面生态效应。
文章摘要
摘要：本文试图构建一个框架，以揭示土地覆盖变化（LCC）下不同生态因素的驾驶机制和生态影响，并探索未来LCC的生态特征。
根据土地扩展分析策略（LEAS）的规则挖掘框架，在斑块生成土地使用模拟（加上）模型中分析了LCC的驱动因素。通过邻居分析和生态效应指数方法研究了LCC的多种生态效应。使用基于遥感的生态指数（RSEI）以及模型和逐步回归模型探索和预测LCC的全面生态效应。
以魏河盆地为例，研究发现，影响盆地LCC的主要驱动因素是降水，温度，高度，人口，地下水水平，距政府和高速公路和GDP，而表面土壤有机碳是影响盆地LCC的主要驱动因素。绿色和生物质形成的影响相似，但是夏季和冬季的温度变化朝相反的方向。
此外，土地覆盖类型转换为耕地的全面生态效应是最重要的，其次是森林，草地灌木和其他类型。预计RSEI将在2030年上升到0.77，生态质量水平将改善和下降的区域分别集中在的东部和西侧。
文章简介
土地覆盖（LC）是一种地球物理表面，对人类活动和自然事件的综合作用做出了反应。土地覆盖变化（LCC）是全球环境的重要组成部分，是生态变化的主要因素和后果。 LCC导致生态系统功能和结构的变化以及表面结构的变化。在过去的十年中，有60％的生态系统服务已降级，包括土地退化和碳排放量增加。在全球范围内，2020年的碳排放量为0.9±0.7 GT C，受土地覆盖变化（LCC）的影响。自工业革命以来，LCC已导致人类活动引起的碳排放量的三分之一，从而加速了全球变暖。此外，随着城市人口和人口的迅速增长，持续的LCC将导致农田，森林土地和草原的不可渗透表面侵占。这将导致消费者需求与能源和材料资源的可用性之间的不平衡。因此，了解LCC的驾驶机制和生态影响可能有助于生态系统的可持续性。
通过模型分析和仿真，可以分解，解剖和整合在土地系统中复杂的社会经济和自然生态系统及其在土地系统中的相互作用，以进一步预测LCC并密切相关的RSEI。土地变化模型是一个数学模型，可以根据其关注点将其分为以过程为导向或以模式为导向。以过程为导向的模型可以与社会经济数据紧密整合，并试图表征实际过程并探索其机制。这些模型包括经济模型，基于代理的模型等。这些模型的共同局限性是缺乏空间描述。另一方面，以模型为导向的模型在很大程度上依赖于遥感和先前的土地数据，使用统计方法或黑匣子工具进行短期预测（。这样的模型包括机器学习算法和蜂窝自动机（CAS）等。机器学习算法的缺点，机器学习算法和CAS的CAS包括使用型号和范围的范围，以揭示了陆地的使用，并相应地塑造了陆地（未来）（未来）（未来）。模型（加上）作为混合模型进一步提出。
这项研究旨在分析LCC的驱动机制，并为LCC生态效应的模拟提供了一个框架。从单个因素到综合指标，讨论了生态因素与环境因素与LCC之间的响应关系。由步骤回归构建的综合指数预测模型与加号模型相结合，从时间序列和空间分布的角度来预测未来的生态环境质量。具体来说：
1。分析LCC的驾驶机制； 2。研究LCC对绿色，温度和生物质形成的多种生态影响3.探索和预测LCC对RSEI的全面生态影响。此外，这项研究将有助于优化LC模型，从而保护生态环境。
研究材料和方法
图2流程图
3.1研究区域和数据源
魏河是黄河最大的支流（图1）。主流位于10400'-11020'e和3350'-3718'N之间，面积约为1.35倍（Ji and Duan，2019年）。年平均温度范围为7.8–13.5c，温度最高和最低温度为42.8c和228.1c。盆地的海拔高度较高，东部的海拔高度较低。它的景观类型包括Loess Hilly地区，，和 和 Plain。
图1研究区域
LC数据集取自MODIS产品（IGBP分类），分辨率为500m。选定的时期是2001-2002年的年度比例数据。
国家青海平台科学数据中心（TPDC）LC得分数据集也以1公里（2001-2008）的空间分辨率使用。推动LCC的因素包括环境和社会经济因素（表1）。
NDVI，LST，NPP和湿是由MODIS产品获得或计算的。数据类型，空间分辨率和时间间隔如表2所示。
3.2双空间尺度上的生态系统服务评估
https://img2.baidu.com/it/u=3531076131,2474590383&fm=253&fmt=JPEG&app=138&f=JPEG?w=500&h=659
使用分区的统计工具计算了2000年，2010年和2020年的生态系统服务（表2），并以次级巴蛋白的量表进行生态系统服务的平均值进行量化，并使用分区的统计工具计算了三年生态系统服务。
3.3全面的动态态度和LC转移矩阵
综合动力学（CDD）反映了研究区域中LCC的动力学（方程1）。 2001-2020年的期间分为以下五个均等间隔的子周期：2001-2005，2006-2010，2011-2015和2016-2020，每个子页面的CDD使用以下公式进行计算：
3.4plus模型
加号由两个模块组成。
模块1：基于土地扩展分析策略（LEAS）的规则挖掘框架；
模块2：基于多类随机斑块种子（CAR）的CA（Liang等，2018，2021）。使用两个LC数据集（2001年和2020年），通过在模块1中计算出的19个驱动程序来分析驾驶机制（表1）。
3.5邻里分析
比较了LST（夏季，冬季），NDVI和NPP，分别代表LCC的温度，绿色和生物质形成效应。 NDVI和NPP主要反映植被条件。
因此，在多层次的生态效应分析中，注意力集中在三种主要植被类型上：森林（F），农田（C）和草地杂草（GS）。
3.5RSEI计算和逐步回归方法
RSEI用于表征LC的全面生态影响，包括NDVI，湿，NDBSI和LST。 NDVI和LST是直接从MODIS数据获得的。 NDBSI和湿的计算如下：
其中包括红色，近红外（NIR1），蓝色，绿色，NIR2，短波红外1（SWIR1）和MOD 09 A1的SWIR2。
通过将主成分分析输出与以下公式相结合来计算RSEI。
RSEI在0-1的范围内，分为以下级别：较差（0-0.2]，一般（0.2-0.4），中度（0.4-0.6]，良好（0.6-0.8）和出色（0.8-1.0）。
在全面的生态效应分析中，土地利用类型分为森林（F），农田（C），灌木草原（GS）和其他类型（）。 RSEI的变化反映了四种LC类型的转化的全面生态效应，分别通过其他类型进行了转化。中位数用于对应于2001年至2020年间LC类型转换的RSEI的变化（RSEI 2020-RSEI 2001）。
研究结果
4.1 LCC时空分布特性
从2001年到2005年的CDD为0.92％，这是四个阶段中最小的，也是最低的LCC水平。 2011年至2015年最大的CDD（1.48％）代表最高的LCC。从2006年到2010年至2016年至2020年的中级水平分别为1.08％和1.34％。
图3A显示了2001年至2020年之间LC转变的空间分布。CL的转化主要分布在Wei河和Jing 的上游，面积约为1.04倍。过渡C/N覆盖了山两侧和河下游的2634.25平方公里。过渡DBF和MF主要分布在，，和，面积约为5406.75 km2。相反，MF主要集中在高纬度地区的黄龙和地区。在灌木森林和草原中，CS，WS，S，GL，S主要分布在中部和东部盆地中。 GL主要分布在盆地的西部边缘，山以北和以西。 CS和WS散布在S和GL之间，并且过渡UBL发生在下Wei河中。 B，PW和WB的次要转换主要位于河边。
图3B显示了2001年GL的产生（约1.27×104 km2），并指向Cl，DBF，S和WS。 Cl的输出约为8840 km2，指向GL，C/N，DBF，S，WS和UBL。从S到Cl，C/N，MF和CL的输出区域，从WS到DBF，DBF和CS，从DBF到MF和WS的输出区域分别为2670.25平方公里，1690平方公里和1272.5平方公里。
图3 LCC的空间分布特征。 （a）从2001年到2020年，不同LC的面积增加。 （b）在2001年至2020年之间显示了LCC模型。
4.2促进LCC的机制
驱动CS的大多数因素是社会经济因素，包括人口，GDP，距政府距离以及距离各种道路的距离。驱动S的主要因素是自然因素，包括地下水位深度，降水，高度，温度，距离开放水和坡度的距离。驱动WS的主要因素是社会经济因素，包括靠近政府，GDP，人口，靠近主要道路，三级道路和高速公路。 DBF和MF受海拔，人口，地下水位深度，温度，GDP以及与各种道路的接近程度的影响。但是，接近道路对MF的影响最大。驱动GL，CL和C/N的主要因素包括地下水位深度，温度和高度。驱动UBL的主要因素是地下水位深度，温度，距政府，人口，海拔，距离主要道路，主要道路和次要道路以及铁路的距离。对于最小PW，WB和B增长，前三个因素贡献了70-90％。
图4显示了前三个因素及其相应LC类型之间的空间相关性。植被覆盖的生长分布在降水> 370mm的区域。在温度和高度方面，植被覆盖物主要在高温和低温区域增加。 B仅限于高海拔地区，而UBL仅限于低海拔和高温区域。植被覆盖的主要区域的种群密度和GDP较低。地下水位深度为5-38 m的区域与UBL，WB，天然植被和大多数CL分布。 WS离政府很远，C/N和UBL距离高速公路相对较近，CS靠近高速公路，WB位于一个面积有机碳（TOC）含量为2％的地区。
图4。所有土地覆盖（LC）类型的前三个因素与相应LC类型的扩展重叠。
4.3 LCC的多种生态影响
https://img2.baidu.com/it/u=74715266,2843881457&fm=253&fmt=JPEG&app=138&f=JPEG?w=681&h=500
图5显示了F，GS和C转换的温度，绿色和生物量形成效应。随着夏季的冷却，C转换为GS的温度效应为负。 GS转换为C的温度效应表明，从第一阶段到第二阶段，温度升高趋势趋势疲软。冬季和夏季的温度效应趋势在第一阶段是一致的。从F到GS的转换与冷却有关，而从GS到F的转换与变暖有关。从C到GS的转化率的中间绿色效应为0.017，为正。但是，从GS到C的绿色效应为负。绿色效应在第二阶段减弱。绿色效应表明植被覆盖率随LC类型的变化而增加。在第二阶段，从F到C的转化的生物量形成效应为负，而从C到F的转化的生物量形成效应则增加。 F和GS的转化与F和C的转化一致，相反，从C到GS转化的中间生物量形成效应为0.014，在第一阶段为正。但是，生物量形成效应对从F到GS的转化为阴性。
作为补充，探索了LC分数变化的影响（图6）。夏季，耕地区域的降低会降低温度。从GS到C的转换是相反的。从C到F的转化与加热效果有关，这随着分数的大小的增加而增加。随着从F到C的转化程度，温度降低会增加。夏季F和C转化的温度效应与冬季相反。温度随成分F的增加而降低，但随成分C的增加而增加，此外，从C到F的转化降低了NDVI。后者随着从C到F的转换增加而降低，但随着F到F的转化而增加。F和GS转换的绿色效应趋势并不显着。图6中所示的线性回归斜率显示了由LC成分变化引起的多种生态效应变化的幅度。在夏季，转换为F和LST的分数之间的回归斜率的绝对值小于转换为C和BST的分数之间的线性回归斜率。这些关联表明负温度影响（F至C）可以抵消阳性温度效应（C至F）。在冬季，阳性温度效应（f至c/gs至f）可以抵消负温度效应（c至f/g至gs）。转换为F和NDVI的分数之间的回归斜率的绝对值小于转换为C和NDAI的分数之间的回归斜率的绝对值。因此，绿色效应（F至C）可以抵消负绿色效应（C至F）。
图5。生态效应的小提琴图。 （每个图的X轴代表土地覆盖变化（LCC），左侧对应于2001年至2010年的时间段，右侧代表了2011年至2020年的一年。
图6 LC分数变化和各种生态效应的散点图。 （X轴表示LC分数变化）。
4.4 LCC的全面生态效应
图7显示了从2001年到2020年RSEI的分布模式和变化的特征。从2001年到2020年，魏河盆地的生态环境有所改善。在2001年，优秀的总面积为2.8×104平方公里，占盆地面积的20.96％，培养基的总面积为2.9×104平方米，占盆地的21.14％，较差的总面积为7.9×104平方米的毫米，占总数57.90％的底面积57.90％。到2010年，盆地地区的高质量和中级等级的比例分别增加了7.80％和14.87％，而中等阶段等级的比例下降了22.66％。到2020年，RSEI将大大改善。优秀和中级分别占盆地区域的53.55％和35.57％。与2001年相比，中部及以上地区的比例增加了47％。
LCC的全面生态效应可以通过分析与LC变化相对应的RSEI和RSEI类别的变化来揭示（图8）。 F的中间RSEI为0.842（极好），这是四个类别中最大的，表明生态质量最高。 C的中间RSEI为0.617（好）。其他和GS是中等水平。转换为C的所有其他LC类型的RSEI增加是最大的。所有其他类型的RSEI转换为F的RSEI增加了更大的边缘，而RSEI的所有其他模型转换为GS。将所有LC类型转换为最小RSEI增加。总体而言，所有其他LC类型向C的转化具有最大的生态效应，然后将所有其他LC类型的转化为F或GS。进行了逐步回归分析，以获得盆地范围RSEI预测的回归模型（等式（9））。预测模型表明，DBF，MF，WS和GL在逐渐回归过程中保持不变（P分别为P
图9a显示，2030年的生态质量将比2020年更好，而良好级的RSEI值为0.77。将县用作空间分析的基本单位，通过将Plus模型（图S2）预测的LCS的空间结果与逐步回归模型相结合并预测RSEI的空间分布状态，从而获得了每个县的基于LC的RSEI预测模型（图9B和C）。据估计，到2030年，16个县将拥有最高的生态质量水平，占盆地的18％，集中在和地区。同时，据估计，只有六个县低于中等水平，仅占盆地的6.8％，并且在整个盆地中分布。
总体而言，盆地的西北边缘具有最差的生态品质，而东方是最好的。据预测，与2020年相比，的生态质量将得到显着改善，而其西侧和 Plain的生态质量则相反。
图8社会生态驱动力的解释能力。左：网格秤；右：从2001年到2020年，子碱量表图7时空分布和RSEI水平的变化。
图8过渡C，F，GS和。 （a）C，F和其他（2020）的RSEI中位数。 （b）用于不同过渡类型的RSEI中位数（2001-2020）。 C，F，GS和其他表示从其他三种类型转换。蓝色三角形代表中位数的位置。
图9基于遥感生态指数（RSEI）预测。 （a）2030盆地范围的RSEI预测。 （b）2030年RSEI水平的空间分布。（c）RSEI水平的变化在2020年至2030年之间。
文章讨论
LCC引起的表面温度效应具有区域可变性。 LC主要通过影响表面反照率，粗糙度和蒸发来实现这种变异。
一些研究表明，将GS转换为F可能具有冷却效果。同样，我们发现冬季的森林比GS凉爽。但是，北部的森林比其他植被类型要温暖，因为它们的反照率在冬季的蒸发量较小。
夏季，北部森林比CL温暖，冬季凉爽。这不排除人类管理实践的影响，例如在生长季节的冷却灌溉和冬季的温暖覆盖。在绿色和生物量形成的作用中观察到了相同的变异性。 LCC可能会改变植被的类型，结构和功能，并进一步改变生产率。
对于全面的生态效应，RSEI的增加与较高的NDVI和更高的湿度有关，但干燥和温度较低。因此，具有丰富植被（例如山）的地区具有相对较高的RSEI，并且显示出卓越的生态品质。研究表明，不同的LC类型对应于基于生态系统服务的不同生态类别。排名是水和湿地，林地，灌木，高覆盖的草原，中等覆盖的草原，低覆盖的草原，农田，农村定居点，城市定居点，其他建筑土地，以及沙质，戈比和裸露的土地。
然而，本文发现C高于其他类型，因为其NDVI相对较高。其他类型向C的转化具有最重要的生态效应，因为RSEI相对较低和其他类型的GS转化为C。因此，LCC和区域土地类型转换的综合生态效应是相关的。此外，RSEI与DBF，MF和WS呈正相关，并与GL负相关。如果从2001年到2020年的LCC模型继续进行，那么DBF等天然植被将在2030年增加，并将对未来的RSEI产生积极影响。
文章结论
使用加上模型和邻里分析分析了LCC的形成机制以及多因素生态效应和非综合生态效应，例如温度，绿色，生物质形成和RSEI。在此基础上，基于LC数据和逐步回归模型，建立了区域RSEI预测模型并与加号模型结合，以在空间上揭示Wei河流域的未来生态环境状态。结果表明：
1。中国的城市化学位从2001年到2005年，中国的城市化学位为2011年至2015年。PW，MF，C/N，UBL，CS，DBF和S地区显着增加，而WB，WS和GL地区则显着下降。 LCC主要分布在黄龙，，，和Loess Hilly地区的西北部。 2001年GL最重要的输出是初始转换为CL，DBF，S和WS。
2。在十大影响因素中，降水和温度的影响最大。它们影响了七种LC类型，其次是地下水位深度，人口，海拔，靠近政府，GDP和靠近公路。
3。从C到F的转化在夏季显示出正温度的效应，冬季的温度负面影响以及负绿色和生物量形成效应。 C到GS的转化显示夏季的温度效应负面，冬季的温度效应正阳性，绿色和生物量形成效应。 F到GS的转化显示冬季温度效应和负生物质形成效应。
4。魏河盆地中的RSEI显示出东南部高的趋势，西北地区的趋势很低。其他三种转化为C的转化率具有最大的生态效应，其次是其他LC类型转换为F，GS等。RSEI预计在2030年将上升到0.77。
提高生态质量水平的地区主要集中在的东部和西侧，而下降的地区主要集中在的东部和西侧。这项研究可以支持分水岭资源和环境的可持续发展。
文章下载
页:
[1]