伴随着城市化水平的提升和社会经济的发展, 生态系统退化问题在全球范围内越来越严峻^[1]。生态系统一旦发生剧烈退化, 则很难恢复到其原先动态平衡的状态^[2]。我国经历了城市化快速发展阶段, 而经济的发展过度依赖自然资源消耗, 造成了一系列生态系统退化问题^[3—4]。在城市化进程中, 生态状况受到城市的快速扩张的影响, 大量的生态用地被城镇用地占用, 导致生态空间减少、植被覆盖率下降、生物多样性锐减, 严重扰乱了自然生态系统的结构和功能, 造成生态压力不断增加, 生态退化是表征生态状况的重要体现^[5]。

生态退化是指由自然原因、人类活动或两者共同作用, 造成的生态结构无序、服务功能衰退、生产能力下降、生物多样性减少以及自然资源枯竭等一系列生态环境恶化现象^[6—7]。目前, 针对生态退化的时空演变特征开展了大量研究, 从结构或功能等单一视角到多维度的综合视角。其中, 单一视角主要从土地、水、生境等单个生态要素^[6—8]以及碳储量、水涵养、土壤保持等单个生态系统服务等指标^[9—10]；综合视角主要从区域自然-人类复合生态系统、生态景观等维度构建综合指标体系^[11—14]。同时, 不同学者对生态退化的影响因素进行研究, 发现生态退化受到气候、土地利用变化、人口和经济等影响因素的影响^[15], 其中, 土地利用类型的组成和健康状况可以直接反映生态系统退化的状况^[16]。温度和降雨量是重要的气候影响因素^[17], 人口和社会经济发展是重要的人为干扰因素^[18], 人口密度越大, 对生态系统退化的负面影响越大是合理的。因此, 亟需对洞庭湖地区生态系统退化的影响因素进行研究, 遴选出生态系统退化变化的关键影响因素。然而, 目前研究大多侧重于生态系统结构或功能某一方面的变化, 也未与经济社会等人为干扰要素相结合, 生态系统退化影响因素的研究集中于时间节点。对于生态系统退化长时间序列的变化, 及其影响因素不同时期的作用强度尚未重视。影响因素的时空变化和相互作用使得流域生态系统成为复杂的非线性网络结构。由于生态系统识别的模糊性和人类判断的主观性, 导致生态系统与人类活动之间的关系无法精确量化, 导致生态退化评价存在模糊不确定性^[19]。传统方法可能无法充分表征和深入分析流域生态系统的不确定性和复杂性^[12—13]。模糊推理是解决社会经济和自然系统中的主观性、模糊性和不准确性的有力工具^[20]。模糊推理是非线性方法, 它使用模糊规则来模拟人类知识的各个方面, 可以通过整合定性和定量因素提供一种适当的语言来处理不精确的信息, 被广泛应用于复杂的系统和决策过程^[21]。目前, 利用模糊推理方法对流域生态退化的研究较少。

近年来人类干扰加剧, 洞庭湖流域土地利用模式发生了剧烈变化, 导致生态退化问题愈发突出, 如水土流失、湿地退化、湖泊萎缩、水质恶化、生态服务功能下降等问题^[22—23]。然而, 人类-自然因素对洞庭湖流域生态状况的影响尚不清楚。因此, 本研究以洞庭湖流域作为研究对象, 运用模糊推理算法和空间分析等方法, 揭示2000—2018年研究区生态退化时空演化特征, 并剖析人类-自然因素对生态系统退化的影响, 拟解决(1)生态退化评价过程中不精确或模糊的信息；(2)在复杂条件下有效反映生态系统与社会经济系统之间的相互关系, 为洞庭湖流域的生态保护与修复规划提供参考。

1 研究数据与方法 1.1 研究区域概况

洞庭湖流域位于我国长江以南, 南岭山脉以北, 是南方丘陵区典型区域, 总面积达26.3万km², 如图 1。流经湖南省大部分区域及周边湖北、江西、贵州、重庆、广西、广东等省份的部分区域, 承担着维护长江生态安全和连接湘、资、沅、澧“四水”的重要功能^[19]。洞庭湖流域地形复杂多样, 西部为山地, 海拔200—1000 m；中南部为丘陵和盆地, 海拔50—400 m；北部为平原, 海拔25—40 m, 整体上呈“三面北开”的马蹄形空间结构。流域属于典型的亚热带季风气候区, 四季分明, 雨水充沛, 年均降雨量1200—1700 mm, 年均气温16—17℃。洞庭湖拥有丰富的自然资源和粮食生产, 肩负着国家粮食安全的重要责任。根据主体功能区划, 研究区拥有重点开发区域30个、农产品主产区35个、重点生态功能区44个, 区域内人口较为密集、经济较为发达, 伴随着城市化的发展, 建设用地不断扩张, 人地矛盾日益突出, 生态结构和服务功能发生巨大变化, 导致生态系统结构不稳定、功能不完善、服务能力下降等问题。因此, 有必要结合生态系统结构和生态系统服务揭示生态状况变化, 特别是揭示人类-自然因素对生态状况的影响, 是实施洞庭湖流域人与自然和谐共生现代化的关键。

1.2 数据来源

研究区2000年、2018年两期Landsat TM/ETM土地利用遥感影像数据、GDP、人口密度、归一化植被指数、农田生产潜力、年降水量、年平均气温等气象数据来自于中国科学院资源环境科学数据中心(http://www.resdc.cn)。食物产量(粮食作物、油料作物、糖料作物、肉类、水果、牛奶)数据主要源于《中国统计年鉴(1996—2019)》和《中国农村统计年鉴(1996—2018)》；各类食物热量成分数据源于美国农业数据库和相关研究^[24]。生境质量数据中水田、旱地、建设用地、裸地是人类活动频繁或自然环境较为恶劣的地类, 因此在本研究中将该四类用地作为威胁源。各地类的生境适宜性、胁迫因子权重以及最大胁迫距离、生境类型对胁迫因子的敏感性等相关参数设置来自相关文献^[25]。碳储量碳库包括地上生物量、地下生物量、死亡有机物碳及土壤碳库四部分, 参数设置参考相关文献^[26—27]。详见表 1。

1.3 研究方法 1.3.1 景观格局指数

为了全面反映洞庭湖流域的景观格局特征, 并顾及到更全面地描述区域空间形态, 根据洞庭湖流域土地利用情况, 利用Fragstats 4.2软件计算洞庭湖流域景观格局指数, 在类型水平指数中选择斑块数量(NP)、斑块类型面积(CA)、景观类型百分比(PLAND)、聚集度(AI)、景观形状指数(LSI)等5个指标^[28—29]。其中, NP可以描述研究区景观的的分散破碎程度；CA即是研究区总面积, 可以描述区域扩张现象；PLAND可以反映景观中每种斑块类型的丰富程度；AI反映了景观类型斑块间的连通性；LSI可以描述研究区内部的不规则程度。在景观水平指数中选择分维数(FRAC)、分离度(LDI)、蔓延度(CONTAG)、Shannon多样性指数(SHDI) 和Shannon均匀度指数(SHEI)、散布与并列指数(IJI)等6个具有代表性的指标。其中, FRAC用来反映斑块形状的复杂程度及稳定性；LDI指某一景观类型中不同斑块数个体分布的分离度。CONTAG描述景观中斑块类型的团聚程度或延展趋势；SHDI反映景观中各斑块类型的复杂性和变异性；SHEI反映景观中各斑块在面积分布上的不均匀程度；IJI能有效描述受某种自然条件严重制约的生态系统的分布特征。

1.3.2 生态系统服务评估方法

研究选取了三种典型的生态系统服务, 即食物供给、生境质量以及碳储量。其中食物供给服务是保障一个地区粮食、经济与资源的基础, 生境质量服务维护这区域生物多样性与生态安全, 而碳储量是衡量生态系统的初级生产力规模和数量的重要指标^[30], 见表 2。

1.3.3 模糊推理算法

基于压力-状态-响应(PSR)模型构建了洞庭湖流域生态系统评价指标体系, 结合模糊推理法计算出洞庭湖流域各个网格生态系统指标要素值, 在此基础上探究研究期间洞庭湖流域生态系统退化特征。

(1) 指标选取

基于人类活动与自然过程因果关系概念的压力-状态-响应(PSR)模型已被广泛用于指标选择。其中, 生态压力是指危及生态系统稳定性的外界干扰及其所产生的生态效应；生态状态是指在受到内部或外部的扰动的情况下, 生态系统所维持的相对稳定的特征；生态响应是指受人为活动干扰而引起生态系统功能的变化。结合相关研究成果及研究区现状^[31], 本研究选取GDP、人口作为生态压力；生态系统组织作为生态状态；生态服务功能作为生态响应。其中生态系统组织公式如下：

(1)

式中, EO指生态系统组织, LC指景观连通性、LH指景观异质性、IC指景观形态。根据现有研究成果及洞庭湖流域实际情况, 对其权重进行赋值。LH和LC分别描述了生态系统结构的不同方面, 不能相互替代。因此, LH和LC具有同等优势地位, 故权重均设为0.4。对于IC, 本研究采用的是相对较低的周长-面积分形维数(PAFRAC)指数, 其权重设置为0.2。其中, LH细分为SHDI和SHEI两部分, 各占LH权重的一半(即0.2), 而LC分为DIVISION、IJI和CONTAG三部分, 由于IJI和CONTAG通常被视为确定景观破碎/聚集的核心指标, 因此其权重高于DIVISION。

(2) 模糊推理方法

模糊推理方法是基于模糊逻辑的非线性映射过程, 可以在模糊或不精确的条件下模拟复杂的系统。该方法利用语言变量将某个索引值与评估标签近似关联, 更符合人类的推理过程, 尤其是在没有公认的阈值来证明划分的类的合理性时^[32]。由于诸多评价指标与生态系统退化之间表现为复杂的非线性映射, 同时, 生态环境本身所固有的复杂不确定性, 迄今为止, 生态系统退化仍没有形成一种统一的评价方法。模糊理论中的隶属函数概念可对生态环境状态所处不同等级程度进行相对隶属度的计算, 较好的解释了被评价对象自身的模糊性, 对描述地表环境状况各属性的相对状态进行了直观表述。因此, 本研究利用模糊推理方法计算出洞庭湖流域的生态指数, 从而识别出生态退化区域。推理方法主要由模糊化、模糊规则和解模糊化三部分组成。

模糊化：用于将输入或输出变量转换成语言变量, 语言变量表示为模糊集。模糊变量的形状由模糊隶属函数给出, 该函数用于定义输入中的每个点映射到0—1的隶属值。输入空间有时被称为话语的世界。假设话语的世界(X)的元素为X₁, 则模糊集A⊂X如下所示：

(2)

式中, μ_A(x)是0—1之间的隶属度。在语言学术语中, x₁是A的隶属, 与μ_A(x)相关联。存在多种隶属函数, 如三角函数、高斯函数和S形函数等。

推理规则：模糊规则库包括一组模糊IF-THEN规则。模糊推理系统的核心是这些IF-THEN规则和所有其他组件(如隶属函数)已被以有效、现实以及合理的方式实现这些规则。IF-THEN规则由IF部分和THEN部分组成, 前者称为前提, 后者称为结果。在推理规则中, 具有一个或多个结果的输出变量是从一个或多个前提中获得的。

解模糊化：通常利用重心法技术的去模糊化。

1.3.4 生态系统退化的影响因子选取

生态系统退化受到自然因素和人为因素的影响^[16—19], 其中, 自然因素中包括了气候因素和地理因素, 气温和降水是重要的气候影响因素, 坡度是重要的地理因素；人为因素中包括距与县政府的距离、人口和社会经济发展等人为干扰因素。本研究运用地理探测器方法对生态系统退化与坡度、气温、降雨量、人口密度、GDP以及与县政府的距离距之间的关系进行了定量分析。

2 结果分析 2.1 生态系统结构变化 2.1.1 类型水平指数

总体上看(表 3), 2000—2018年洞庭湖流域整体景观更加破碎化, 景观形状趋于复杂, 聚集程度不断下降, 景观类型更加离散。研究区域优势景观为林地, 其斑块面积和景观类型百分比最大。其次则是耕地和草地, 斑块面积和景观类型百分比较高, 然而随着时间的发展在一定程度上有所下降。水域、建设用地和未利用地的斑块面积和景观类型百分比较低但呈现上升趋势, 尤其是建设用地扩张明显。从斑块数量和景观形状指数上看, 耕地的斑块数量和景观形状指数最大并且呈增加趋势, 其次则是草地。水域和林地的斑块数量较少, 但林地的景观形状指数相对较大, 聚合度较低, 形状比较复杂。建设用地受城市化的影响, 斑块的破碎化和复杂性明显增加。未利用用地的破碎化程度上升, 且景观复杂度逐渐增加, 但总体变化不大。在景观的聚散性方面, 林地的聚集度最高, 其它景观类型相对较低。

2.1.2 景观水平指数

由表 4可知, 2000—2018年洞庭湖流域景观格局各项指标总体变化不大, 景观格局变化整体较为稳定。2000—2018年景观分维数和分离度基本保持不变, 表明研究期间景观形状的复杂程度和离散程度变化不大。蔓延度呈现下降趋势, 说明洞庭湖流域景观中优势斑块有所减少, 景观内不同斑块间的连通性降低, 优势景观被其它景观分离。Shannon多样性指数和Shannon均匀性指数呈现相似的变化趋势, 研究区域内景观的异质性增加, 景观类型越来越复杂并朝多样化方向发展, 各类斑块类型在景观中均匀分布。研究期间散布与并列指数明显上升, 说明各景观类型之间相邻的概率较大, 容易受其他因素影响。

2.2 生态系统功能变化

由图 2可知, 2000—2018年研究区食物供给、生境质量和碳储量三项生态服务均呈现明显的时空差异。从食物供给服务来看, 2000—2018年洞庭湖流域食物供给呈现稳定增长的趋势, 食物供给最高值由2000年的828.55万kJ提升到2018年的1204.03万kJ, 食物供给在空间上变化不大但差异显著。粮食供给高值区不断扩张, 主要集中在洞庭湖环湖区沿岸、湘江沿岸、娄底市中、东部以及邵阳市东北部等地形平坦的耕地地区, 这些区域土壤肥沃、水源充足, 有利于农作物种植。中值区分布较为分散, 主要分布在高值区附近, 如洞庭湖流域边缘、岳阳市西部、益阳市东部、黔东南自治州西部以及永州市东部等区域。低值区分布较为广泛, 主要分布在研究区域东部、常德市西部、益阳市西部、娄底市西部、邵阳市西部、永州市南部、桂林市东南以及张家界市、湘西自治州和怀化市的大部分区域, 这些区域以林地为主, 地势较高、地形陡峭, 耕地面积小且较为分散, 因此粮食生产较少。

从生境质量服务来看总体呈下降趋势, 在空间上表现出大范围重点式减少、小范围局部式增长的特征。生境质量高值区主要分布在研究区东部、西北、西南以及南部的丘陵地区, 这些区域以林地和草地为主, 而且受人类活动干扰较少, 因此生境质量比其他区域高。生境质量中值区主要分布在洞庭湖环湖区以及荆州市西北部、常德市东部、岳阳市西部、南部区域, 这些区域分布较为广泛的河流和湖泊, 在调蓄洪水、涵养水源、净化水质等方面具有重要作用。生态质量低值区主要分布在各地级市市中心地区及其周边区域, 这些区域经济发展速度较快, 人口较为密集, 土地利用类型以建设用地为主, 生态空间较小并且结构破碎化严重, 生态环境受人类活动影响导致生境质量较低。

从碳储量服务来看整体较低且有减少的趋势。研究期间, 碳储量高值区变化较为稳定, 而中值区和低值区有所增加, 尤其是低值区扩张明显, 在空间分布上呈现出明显的差异, 这与植被覆盖度和人类活动密切相关。碳储量高值区主要位于研究区东部和南部的山地和丘陵地区, 因为这些区域水热条件好, 植被覆盖率高, 因此碳储量较高。碳储量中值区主要分布在研究区西北部和西南部地区, 其中在益阳市西部、怀化市北部、张家界市等山地区域中值区面积有所增加。碳储量低值区集中分布在洞庭湖环湖区以及经济社会发展较快的城镇地区, 尤其是市中心地区碳储量最低。其中, 洞庭湖环湖区土地类型以水域为主, 其碳密度要比林地、草地等土地类型低；而城镇地区以建设用地为主并呈现出不断扩张的趋势, 侵占了部分生态用地, 导致碳储量发生不同程度的减少。

2.3 生态系统退化时空特征

结合生态系统结构和功能的结果, 利用模糊推理方法计算出洞庭湖流域的生态指数, 从而识别出生态退化区域, 如图 3所示, 洞庭湖流域生态指数受主导土地利用类型和人类活动影响呈现出较大的时空差异。从时序上看, 2000—2018年, 洞庭湖流域生态质量整体有所提升, 生态系统退化状况转好, 生态指数上升区域(74%)明显大于下降区域(26%)。其中生态呈下降趋势的区域主要位于东部的生态高值区和各城市中心, 这与人类社会经济活动相关。在人口密集、城市化水平较高的城镇地区如长株潭城市群受人类干扰程度较大, 生态状况退化最为明显。生态上升区域趋势区域多分布在以林地和草地为主的山地丘陵区, 主要因为高质量发展、生态城市等生态理念以及封山育林等生态措施的实施。从空间上看, 生态指数高值区主要位于洞庭湖环湖区沿岸、永州市西北部、桂林市南部等研究区东部, 这些区域土地类型以水域、林地和草地等生态用地为主, 地貌类型多为湖泊、山地、丘陵, 对城镇的扩张和产业的集聚起到约束作用, 受人类干扰程度较少, 因此生态质量较高。生态低值区主要位于研究区西南部域、东南部以及各城市中心, 这些区域多为耕地和建设用地, 是人类活动的重点区域。

2.4 生态系统退化的影响因素

表 5给出了本研究使用的相应参数, 其中选取3113.034作为固定带宽进行回归。结果显示, 2000年和2018年GWR模型的校正R²分别为0.58和0.72, 拟合效果较好。

2000—2018年各因素对生态系统退化的影响存在差异如图 4, 对于人为因素方面, 人口密度在2000年、2010年和2018年的回归系数均值分别为-0.14、-1.62和-2.13, GDP在2000年、2010年和2018年的回归系数均值分别为-5.16、-8.35和-9.19, 路网密度分别为-1.24、-0.65和-0.45, 夜间灯光指数分别为-5.41、-9.45和-15.70。说明人口密度、GDP、路网密度和夜间灯光指数对洞庭湖地区的生态系统退化主要表现为负相关关系。具体而言, 人口密度、GDP和夜间灯光指数对生态系统退化产生的负向影响逐渐增强。出现这一现象的原因主要在于工业化和城市化的快速发展, 使得人口集聚的地区受到的扰动和污染程度加剧, 导致洞庭湖地区的生态系统退化下降。而路网密度对生态系统退化的负向影响逐渐减轻, 原因在于近二十年内洞庭湖地区的道路建设并无出现频繁的开山挖道工程, 其总体空间格局保持相对稳定。

对于自然因素方面, 高程在2000年、2010年和2018年的回归系数均值分别为7.27、10.10和4.36, 坡度的回归系数均值分别为-0.95、-0.15和1.91, 年均气温的回归系数均值分别为-1.51、-2.16和-5.39, 年均降水量的回归系数均值分别为-6.8、0.50和4.73, 日照时数的回归系数均值分别为-2.39、1.10和5.09, NDVI的回归系数均值分别为13.10、14.97和14.44。这表明2000—2018年自然因素对生态系统退化的影响主要表现为正相关性。表现为正向影响的自然因素由2000年的高程和NDVI两个因素增长到2018年的五个因素, 分别是高程、坡度、降水量、日照时数和NVDI。其中, 坡度、降水量和日照时数对生态系统退化产生的正向影响呈逐渐增强的趋势。NDVI对生态系统退化的影响始终保持高度正向相关。在全球气候变暖的背景下, 洞庭湖地区的年均气温对生态系统退化表现为逐渐增强的负向影响。

3 讨论

国内生态修复可以追溯到20世纪70年代以修复工程为主, 在矿山、江河湖泊、重金属污染场地等领域取得了一定的成果, 如1979年实施了三北防护林工程、1997年实施了黄河中上游水土流失重点治理工程、2002年实施了京津冀沙尘暴治理工程等^[13]。以工程为导向的生态修复研究是针对单一生境或要素的修复, 根据现场观察和经验数据进行工程设计和实施。虽然生态修复可能在局部产生最优效益, 但由于缺乏对系统整体、区域生态要素以及生态系统与人类活动之间联系的考虑, 整体效益较低, 生态系统服务可能下降^[33]。因此, 进行生态管理分区划定的时候, 要充分考虑自然和社会的因素。本研究以“整体保护、系统修复、综合治理”为原则, 本研究在结构-功能框架下将生态压力-状态-响应模型运用到模糊推理算法中, 可以处理生态系统中不精确或模糊的信息, 能够有效的反映自然和社会经济系统相互作用下的生态系统退化情况。

研究发现洞庭湖地区的生态系统退化是一个涉及多个层面、多方面因素相互作用的复杂过程。在这个过程中, 城市化和经济发展水平被确认为最主要的驱动因素之一, 对洞庭湖的生态平衡产生深远影响。随着城市扩张的推进, 工业化和人类活动加剧了污染物排放和土地资源开发, 对生态系统造成了压力。高路网密度地区进一步导致土地碎片化和生态系统的破坏, 对生态环境产生负面影响。高程、坡度、降水量、日照时数和NDVI等自然因素对生态系统退化产生正向影响。NDVI的正向影响表明植被覆盖对生态环境的改善具有积极作用, 高NDVI值表示更健康的植被。高程较高的地区通常拥有较好的生态条件, 而降水量和日照时数足够的地区有利于植被生长和维持生态平衡。年均气温的逐渐增加对生态环境产生负面影响。全球气候变暖可能导致水资源紧缺、生态系统扰动和物种灭绝, 从而影响生态环境的质量。通过梳理总结生态系统退化的影响机制, 以期实现自然生态系统和人工生态系统的有序运转, 提高区域生态系统退化, 才能发挥好洞庭湖地区生态环境在城市活动中的空间载体作用, 以支持人类的生存和促进经济社会发展。

为了实现自然生态系统和人工生态系统的有序运转, 关键在于加强生态系统管理与人类活动的协调发展。只有通过深度研究不同因素的相互作用, 才能提出更为有效的管理和保护策略。具体而言, 在生态质量相对较好的经济较落后的边远山区、村落等区域, 在稳定生态质量的同时积极利用绿色生态资源, 鼓励发展高效生态农业, 积极承接中心城区人口及产业转移, 促进社会经济发展^[10]。而在经济发展较为快速但生态环境退化严重的区域如长株潭都市区应严格落实生态保护政策, 推进生态修护工程和生态补偿机制, 合理规划城市空间, 尽可能地提高城市用地效率, 限制城市用地无序扩张^[24]。同时鼓励发展新兴产业, 减少对自然资源的消耗, 实现由“资源驱动发展”到“创新驱动发展”的转变推进高质量发展^[34]。

4 结论

本研究以洞庭湖流域作为研究区域, 利用景观格局指数、InVEST模型、模糊推理算法等方法, 分析了2000年和2018年景观分布特征和生态系统服务, 并进一步探究2000—2018年洞庭湖流域生态系统退化时空演变特征及生态管理分区, 主要得到以下结论：

(1) 景观类型整体上更加破碎化且形状更为复杂、聚集程度下降, 而景观水平整体变化不大, 但景观异质性呈上升趋势, 连通性降低。食物供给服务呈现稳定上升的趋势, 但空间差异变化变小；生境质量服务总体呈下降趋势, 在空间上表现出大范围重点式减少、小范围局部式增长的特征；碳储量服务整体较低且有减少的趋势。

(2) 洞庭湖流域生态系统退化呈现出明显的时空差异。洞庭湖流域生态质量整体呈上升趋势, 生态系统退化明显改善。其中, 生态系统退化区域主要分布在人口较为密集、城市化水平较高的城镇地区如长株潭城市群以及各城市中心, 而生态恢复区域多分布在远离各城市中心的山地丘陵区域。

(3) 人口密度、GDP、路网密度和夜间灯光指数与生态系统恶化呈现明显的负相关。考虑到生态系统受人口密度的影响, 城市化率、工业化水平以及资源消耗等因素在这一关系中扮演着关键的角色。研究发现, 人口密度的增加导致了土地开发、森林砍伐和污染的明显增长, 从而对生态平衡产生了不利影响。同时, GDP的增长与生态系统的不良变化密切相关。经济的发展与自然资源的过度消耗存在紧密联系, 高GDP通常意味着对生态系统的过度利用和压力。路网密度和夜间灯光指数直接和间接地对生态系统的不利影响, 导致了土地碎片化、动植物栖息地破坏等问题。高程、坡度和降水量等自然因素对生态环境产生了积极影响。其中, NDVI作为植被指数, 持续呈现正相关。