2020, Vol. 40文章信息
- 李婷, 吕一河, 任艳姣, 李朋飞
- LI Ting, LÜ Yihe, REN Yanjiao, LI Pengfei
- 黄土高原植被恢复成效及影响因素
- Gauging the effectiveness of vegetation restoration and the influence factors in the Loess Plateau
- 生态学报. 2020, 40(23): 8593-8605
- Acta Ecologica Sinica. 2020, 40(23): 8593-8605
- http://dx.doi.org/10.5846/stxb202001080065
-
文章历史
- 收稿日期: 2020-01-08
- 网络出版日期: 2020-10-29
2. 中国科学院生态环境研究中心, 北京 100085;
3. 中国科学院大学, 北京 100049
2. State Key Laboratory of Urban and Regional Ecology, Research Center for Eco-Environment Science, Chinese Academy of Science, Beijing 100085, China;
3. University of Chinese Academy of Science, Beijing 100049, China
土地和水资源的退化对生物多样性和生态系统服务产生了巨大影响。世界资源研究所报告指出全世界有超过20亿hm2的面积可以开展生态恢复, 并主要集中于温带和热带地区[1]。作为陆地与大气之间的联系, 植被及其动态变化在地球表面的能量交换、碳循环、土壤生态系统和区域人类活动中起到重要作用。因此, 对于退化地区的生态系统管理通常离不开植被的再恢复过程。当前, 对恢复和保护行动的成效进行评估是推进植被恢复政策优化和实施的关键环节, 并逐渐成为研究共识[1-2]。
卫星图像是监测大规模植被动态变化的重要数据来源之一, 也是生态保护和全球气候变化研究中广泛使用的工具。作为陆地生态系统的引擎和关键功能组成部分, 绿色植被的物理和功能特性, 如植被结构、覆盖率和生产力等植被参数常作为评估植被恢复成效的重要指标[3]。例如, Costedoat等和Kimball等通过恢复前后保护区森林覆盖率的变化作为植被恢复成效的评估指标[4-5]；Zucca等量化了1996—2007年人工林的干生物量生产动态以反映干旱地区植被恢复的实践效果[6]；Tong等建立归一化植被指数(Normalized Difference Vegetation Index, NDVI)与气候的关系模型以评估中国西南喀斯特地区生态恢复项目的有效性[7]。但基础数据和研究视角方面的限制为大规模植被恢复成效研究带来多重困难。已有研究常依赖于单一指标反映植被恢复的效果, 陆地生态系统的生态恢复研究尚缺乏能够表征恢复成效随时间发生动态变化的综合评估指标。
植被恢复项目是社会—生态系统的组成部分, 其成效受到自然因素(如气候、地貌、土壤等)和社会经济因素的共同影响。尽管大量研究证实了气候要素对植被变化的重要作用, 如降水和湿度对中国北方及青藏高原地区植被生长的促进作用, 增温对植被覆盖的抑制作用[8]；但社会经济因素对植被恢复过程逐渐表现出越来越大的影响[9-10]。王建邦等指出, 2001—2015年人为因素对中国植被覆盖的影响由南向北空间分异愈加明显, 且正影响和负影响均呈增大趋势[11]。然而, 时间尺度上关于社会经济因素对植被恢复成效的影响机制及变化仍然不明确, 空间分异上仍缺乏气候和社会经济因素对植被恢复成效的空间非平稳影响信息, 限制了植被恢复研究在土地利用规划和决策中的应用。
为避免由土壤成分光谱特征干扰对NDVI产品带来的不确定性, 有研究提出线性光谱混合的方法刻画地表植被特征[12]。其中, 植被覆盖度(Fractional Vegetation Cover, FVC)是表征陆地生态系统基本覆盖动态的关键参数, 植被净初级生产力(Net Primary Productivity, NPP)是反映陆地生态系统功能特征的关键指标, FVC和NPP的结合为克服植被恢复评估中指标单一的问题提供了思路。基于上述背景, 本文以黄土高原为研究区, 提出一种新的评估方法：综合FVC和NPP两类植被指数刻画区域植被变化的基本特征以及功能特征, 建立适用于陆地生态系统植被恢复成效的评估方法；采用结构方程模型(Structural Equation Modeling, SEM)探索不同时间尺度社会经济因素对植被恢复成效的影响及变化；通过地理加权回归(Geographically Weighted Regression, GWR)探究气候和社会经济因素对植被恢复成效的空间异质性影响, 并辨识各地区植被恢复成效所受到的主导因素, 以期为监测和了解区域植被恢复评估提供新的方法支撑。
1 研究区概况黄土高原位于黄河流域中游地区(33°43′—41°16′N、100°54′—114°33′E), 面积约64万km2, 横跨7个省和自治区、334个县区级行政单位(图 1)。黄土高原属内陆干旱和半干旱气候条件, 降水具有明显的季节性特征：多年平均降水量在100—800 mm, 集中于6—9月(图 1)；多年平均气温7℃, 自东南至西北内陆呈递减趋势(图 1)；西北至东南, 土壤类型以风沙土、砂质黄土、典型黄土和粘土为主。1999年起, 黄土高原地区实施了“退耕还林(草)计划”项目, 主要措施为植树造林、25°及以上坡耕地的退耕还林还草以及恢复生物土壤结皮等[13-14]。在综合治理的背景下, 近年陕西、山西、宁夏和甘肃等省份植被恢复显著[15]。研究时段内(2000—2015年)黄土高原年均植被覆盖度呈显著增加的地区超过区域总面积的一半(51.67%), 显著减少区域仅占区域总面积2.19%, 发生了以林地草地增加、耕地减少以及建设用地增加为主要特征的土地利用变化。与此同时, 该地区还伴随着城市化、自然资源开发等诸多社会经济变化。因此, 本文以自然及社会经济因素影响下的黄土高原为例, 研究过去16年间(2000—2015年)植被恢复成效的变化及其影响因素。
|
| 图 1 黄土高原位置图及研究时段内植被变化趋势、多年平均降水、多年平均气温分布 Fig. 1 Location of the Loess Plateau, the change trends of vegetation, mean annual precipitation, and mean annual temperature in the Loess Plateau from 2000 to 2015 |
2000—2015年FVC根据NDVI数据通过像元二分模型计算得到[16], NDVI数据来源于美国国家航天局MODIS产品数据集(https://ladsweb.modaps.eosdis.nasa.gov), 空间分辨率为250 m×250 m, 时间分辨率为16 d。2000—2015年NPP数据来源于美国陆地过程分布式数据档案中心MODIS C6数据集(https://lpdaac.usgs.gov), 空间分辨率为500 m×500 m, 时间分辨率为年。气象数据来源于中国国家气象信息中心(http://data.cma.cn/), 研究中获取2000—2015年黄土高原80个气象站逐月降水和逐月均气温数据。社会经济数据来源于青海省、甘肃省、宁夏回族自治区、内蒙古自治区、陕西省、陕西省及河南省2005、2010和2015年统计年鉴, 并结合县区年度统计公报数据进行补充和完善；剔除数据缺失的县区后2005年、2010年和2015年可用样本量分别为301个、296个和327个县区。
2.2 植被恢复成效定量化方法构建本研究通过设定“基线”的方法框架[17], 采用比较“基线”年份前后变化的设计思路[18]反映不同时间尺度植被恢复成效的变化：(1)计算三项植被指标——年平均植被覆盖度(Annual mean fractional vegetation cover, FVCmean)、年植被覆盖度最大值(Annual maximum fractional vegetation cover, FVCmax)、年累积净初级生产力(Aannual accumulated net primary production, NPPannual)的显著增加区与显著减少区面积比之差, 作为植被指标的“净变化量”；(2)设置三项植被指标的权重加权后得到区域综合有效性；(3)将2000—2005年区域综合有效性的平均值作为评价的参比值(即评价“基线”), 得到恢复成效随不同时间尺度(即2000—2005年、2000—2010年、2000—2015年)的空间变化。具体方法如下：
首先, 采用一元线性回归方法[16]分析不同时间尺度FVCmean、FVCmax和NPPannual逐像元的线性变化趋势：
|
(1) |
其中, yi为植被指标FVCmean、FVCmax或NPPannual；a为截距, b为斜率, t为不同时间尺度(即2000—2005年、2000—2010年、2000—2015年), ε为残差。当b为负时, 指标yi为减少趋势；反之, 当b为正时, 指标yi为增加趋势；采用t检验对趋势性变化进行显著性检验。根据趋势变化的结果, 以黄土高原各县区为评估单元, 计算各县区三项植被指标显著增加面积比与显著减少面积比之差, 得到植被恢复有效性评估中的“净变化量”。
其次, 根据各县区三项植被指标的净变化量加权得到不同时间尺度(2000—2005年、2000—2010年、2000—2015年)的区域综合植被恢复成效(ej), 反映区域植被变化的综合特征：
|
(2) |
其中, i为指标FVCmean、FVCmax或NPPannual；j为不同时间尺度, 即j=1为2000—2005年、j=2为2000—2010年、j=3为2000—2015年；INij为指标i在时间尺度j内发生显著增加区域占评价单元的面积比；DEij为指标i在时间尺度j内发生显著减少区域占评价单元的面积比；ωi代表FVCmean、FVCmax和NPPannual在方程式中的权重, 参考相关文献分别为设置为0.2、0.3、0.5[19-21]。其中, FVC是陆地生态系统的重要结构指标, 反映陆地表面植被覆盖的状态和动态[19-20]；绿色植被NPP是陆地生态系统最突出的功能指标, 代表生态系统的多功能性, 如生态系统的碳固存能力、生物地球化学循环、生物多样性和生态系统健康维护的影响等[21]。因此, 考虑到植被结构性指标和功能性指标同等重要, 将相等的权重(即0.5)分配给FVC及NPP。已有研究进一步指出, FVCmax较FVCmean而言反映了生长季中的植被最佳状态, 其稳定性更高而变异程度更低[20]。因此本研究中赋于FVCmax的权重较FVCmean更高, 即分别为0.3和0.2。
最终, 将恢复初期(即2000—2005年)综合成效平均值(e)设置为“基线”作为评价的参比值, 得到不同时间尺度的植被恢复成效(Ej)：
|
(3) |
|
(4) |
根据公式(1)—(4)可得黄土高原各县区植被恢复成效指数(Ej)随时间发生空间变化：当Ej≤0时, 表明该县区在该时段内未能实现植被恢复效果；当0 < Ej≤1时, 表明该县区在该时段内尽管成效指数为正, 但未能超越“基线”水平；当Ej>1时, 表明该县区在该时段实现了良好的植被恢复效果, 且超过“基线”水平的程度越大则恢复成效越显著。
2.3 植被恢复成效的影响因素分析 2.3.1 社会经济因素对植被恢复成效的影响人口、城市化、经济效益和农民收入水平是影响许多发展中国家生态恢复的主要社会经济因素[22-23]。根据文献检索影响植被恢复的潜在社会经济因素及其测量指标, 可概括为三类范畴：人口压力、非农经济和农村经济发展(表 1)。本文采用结构方程模型(SEM)探索社会经济因素和植被恢复成效之间的潜在关系。SEM是一种用于量化复杂网络中多变量因果关系的方法[24]。目前, 该方法被越来越多地应用于探索社会—生态系统相互作用的研究当中[25]。
| 社会经济因素 Socioeconomic factors |
指标 Indicators |
解释 Description |
参考文献 Literatures |
| 人口压力 | 总人口 | 年底常住人口 | [9, 22, 27] |
| Population pressure | 乡村人口 | 乡村人口户籍数 | |
| 农村劳动力 | 乡村从业人员数 | ||
| 受教育人口 | 12年及以上受教育人口 | ||
| 非农经济 | 第二产业 | 年第二产业增加值 | [28-30] |
| Off-farm economy | 第三产业 | 年第三产业增加值 | |
| 投资 | 全社会固定资产投资 | ||
| 财政收入 | 地方财政收入 | ||
| 财政支出 | 地方财政支出 | ||
| 农村经济 | 第一产业 | 年第一产业增加值 | [22, 31-32] |
| Rural economy | 农民纯收入 | 农民人均纯收入 | |
| 粮总产量 | 当年粮食总产量 |
假设人口压力、非农经济和农村经济发展是影响黄土高原植被恢复成效的社会经济因素, 将其设定为三项潜在变量；植被恢复成效由Ej进行测量；研究样本为2000—2005年、2000—2010年和2000—2015年黄土高原各县区Ej值, 社会经济指标年份为各时间尺度的节点, 即2005年、2010年和2015年, 分析不同时间尺度的社会经济因素对植被恢复成效影响。采用AMOS 22软件进行建模, 确定潜在变量中的典型测量指标以及三项潜在变量对Ej的影响及变化。为检验假设是否成立, AMOS使用一系列回归方程和残差评估寻求最佳拟合模型[26]。根据模型合优度评估, 总人口和农村劳动力可收敛于人口压力, 第二产业产值、第三产业产值可作为非农经济的观测变量, 农民纯收入和粮食总产量可作为农村经济的观测变量。
2.3.2 气候及社会经济因素对植被恢复的空间非平稳影响十几年尺度上地貌和土壤的变化微弱, 但气候变化是影响植被恢复效果重要的自然因素, 而气温和降水是影响植被恢复成效的关键气候因素。采用相关系数检验法[33], 以气温和降水序列与时间序列(2000—2015年)的相关系数评估黄土高原80个气象站过去16年间年均气温和年均降水显著性变化, 判定研究时段内气候变化信息。
对于大规模植被恢复项目, 气候及社会经济等因素对植被恢复的影响还具有空间异质性。地理加权回归(GWR)是对全局回归的一种改进, 在局部窗口模式下探明不同区域回归系数β随空间地理位置产生的变化, 能够揭示变量之间的空间非平稳性关系[34]。基本思想为：距评估位置越近处其评估的参数应具有越大的权重, 由此探明不同区域回归模型系数随空间地理位置而产生的变化。
选取整个研究时段植被恢复成效指数为因变量, 黄土高原多年平均气温、多年平均降水、基于SEM结果的社会经济因素(即2015年总人口、农村劳动力、第二产业、第三产业、农民纯收入和粮食总产量)共8项指标为自变量。为避免多变量之间的共线性及信息冗余, 筛选出对因变量有显著影响的气候或社会经济因子, 采用逐步回归分析对气候因素和社会经济因素进行指标预筛选；为实现不同类型变量之间的可比性, 将因变量和筛选后的自变量进行标准化, 通过ArcGIS 10.3中Geographically Weighted Regression工具探明气候及社会经济因素对植被恢复成效的空间非平稳影响。原理如下：
|
(5) |
(ui, vi)表示空间中的点i的坐标, β0(ui, vi)表示截距, βk(ui, vi)是点i处的参数值的集合, εi是残差, yi是位置(ui, vi)处因变量的值, xik是自变量。与全局模型中的空间“固定”系数估计不同, GWR估算βk(ui, vi)在空间上变化, 由此获取局部系数的差异：
|
(6) |
W(ui, vi)为研究区位置对应的权重矩阵, 表示观测地点i的地理权重；XTW(ui, vi)为地理加权的方差-协方差矩阵。权重通过高斯函数或双重平方函数计算[35-36]：
|
(7) |
h为带宽, 控制距离对权重值的影响；dij是第i个观测点与位置u之间的距离。
3 结果分析 3.1 黄土高原植被恢复成效时空变化特征本研究中所建立的植被恢复成效指数(Ej)采用“基线”设定的方法, 提供了基于FVC和NPP变化特征的植被恢复成效量化结果(图 2)。研究表明, 过去16年黄土高原各县区在不同时间尺度下植被恢复程度有显著差异：(1)退耕还林还草项目的早期阶段(2000—2005年), 334个县区中134个县区、43.32%的区域实现了植被的有效恢复(Ej> 1)(表 2), 其余县区未呈现明显的恢复趋势(0 < Ej≤1)。这一时期, 黄土高原实现植被恢复有效性的县区零星分布于研究区中部陕北地区和山西交界处(图 2)。(2)随着时间尺度的延长(2000—2010年), 无明显变化的县区大范围减少, 75.30%的地区实现了植被有效恢复(表 2)；在地理分布上, Ej高值地区集中在黄土高原中部榆林、延安和吕梁等市。(3)在更长的时间尺度上(2000—2015年), 植被恢复成效进一步得到加强, 无明显变化县区继续得到改善；空间分布上, 集中于黄土高原西部甘肃宁夏等地区, 但变化的速率明显降低。截止2015年黄土高原有258个县区、占区域总面积88.20%的地区实现了植被恢复成效。
|
| 图 2 不同时间尺度黄土高原植被恢复成效空间变化 Fig. 2 The effectiveness of vegetation restoration at a county scale at different time periods in the Loess Plateau |
| 植被恢复成效指数 Effectiveness of vegetation restoration |
时间尺度Temporal scales | |||
| 2000—2005 | 2000—2010 | 2000—2015 | ||
| Ej≤0 | 县区个数 | 38 | 41 | 41 |
| 面积占比 | 9.31 | 6.42 | 5.94 | |
| 0 < Ej≤1 | 县区个数 | 162 | 61 | 35 |
| 面积占比 | 47.38 | 18.28 | 5.86 | |
| Ej>1 | 县区个数 | 134 | 232 | 258 |
| 面积占比 | 43.32 | 75.30 | 88.20 | |
| 县区个数单位为(个), 面积占比单位为百分比(%) | ||||
不同时间尺度下, 黄土高原的社会经济因素对其植被恢复成效影响整体解释方差分别为53%、75%、80%, 表明人口压力、非农经济和农村经济发展将显著影响该地区植被恢复成效；通过模型卡方值和适配度指数验证了模拟结果的合理性(表 3)。区域尺度和国家尺度研究指出人口因素和经济发展往往对地区植被恢复产生消极作用[37]；当前研究结果印证了人口压力对植被恢复成效的消极作用, 但经济活动的影响则更为复杂——农村经济的改善能够积极地促进区域植被恢复成效(图 3)。
| 适配度指数 Model fit indices |
适配标准 Recommended levels |
评估值 Estimate values | ||
| 2000—2005 | 2000—2010 | 2000—2015 | ||
| χ2/df | < 5.000 | 1.067 | 1.354 | 1.457 |
| RMSEA | < 0.080 | 0.062 | 0.053 | 0.049 |
| GFI | >0.900 | 0.965 | 0.920 | 0.954 |
| CFI | >0.900 | 0.895 | 0.896 | 0.927 |
| NFI | >0.900 | 0.963 | 0.893 | 0.920 |
| χ2/df：卡方值(χ2)与自由度(Degree of freedom)之比；RMSEA：渐进残差均方和平方根, Root mean square error of approximation；GFI：良性适配指数, Goodness-of-fit index；CFI：比较适配指数, Comparative fit index；NFI：规准适配指数, normed fit index | ||||
|
| 图 3 不同时间尺度社会经济因素对植被恢复成效的影响 Fig. 3 The SEM for the relationships between socio-economic factors and the effectiveness of vegetation restoration at different time periods 实线为正影响, 虚线表示负影响；双星号(**)表示该路径显著性水平为0.01, 单星号(*)表示该路径显著性水平为0.05 |
社会经济因素与植被恢复成效之间的关系亦随时间发生变化。人口压力对黄土高原的植被恢复成效的消极影响系数最高, 但人口压力随时间尺度的增加而减缓(系数由-0.95变为-0.86)；其中农村劳动力贡献率呈增加趋势, 分别为0.73、0.78和0.80。研究表明, 2000年以来城市化率加快使得黄土高原农林牧副渔从业人员数下降了14.40%[38]。本研究对黄土高原各县区社会经济因子统计发现, 各县区农村劳动力平均值由2000年19.75万人下降到2015年14.84万人, 减少了19.80%, 表明农村劳动力的减少是缓解人口压力对植被恢复消极影响的重要原因。
2000—2005年, 以第二、第三产业为主导的非农经济对植被恢复造成的影响较弱, 路径系数仅为-0.18；但第三产业的贡献率随时间推移明显增加, 这可能是引起非农经济对植被恢复成效负影响增强的主要原因(系数由-0.18变为-0.40)。
农村经济发展对植被恢复成效的积极影响由0.20增长为0.68, 但农民纯收入与粮食总产量对农村经济的贡献率在不同时间尺度上发生着变化：退耕还林还草初期(2000—2005年), 退耕对粮食生产的负影响最高(-0.39), 政府经济补贴下的农民纯收入对农村经济的贡献率更高(0.68)(图 3)。但技术进步和农业实践的改善使得退耕对粮食生产消极作用逐渐缓解, 粮食总产量显著提高, 相较于农民纯收入粮食总产量对农村经济的贡献更高, 表明农业生产力的提高对促进植被恢复成效有积极作用。
3.3 植被恢复成效空间异质性影响因素 3.3.1 2000—2015年黄土高原气候因素变化根据2000—2015年黄土高原80个气象站年均降水和年均气温的趋势检测结果(图 4), 年均降水发生显著性变化的站点中, 3个站点呈显著增加趋势, 2个站点呈现显著减少趋势；对于年均气温, 分布于黄土高原西部及南部共5个站点呈现显著增加趋势, 中部2个站点呈现显著减少趋势。整体而言, 多数站点在研究时段内未发生统计学上的显著变化, 这与黄土高原已有的研究结果类似[39-40]。因此, 2000—2015年研究区所受到的气候波动较低, 为探究植被恢复成效影响因素提供了相对稳定的气候背景。
|
| 图 4 2000—2015年黄土高原气象站点年均降水及年均气温显著性检验 Fig. 4 Significance testing on the change of precipitation and temperature in the Loess Plateau from 2000 to 2015 |
根据逐步回归分析结果(调整后R2为0.643), 多年平均降水及气温、农村劳动力及粮食总产量4项影响因子对研究区植被恢复成效影响最为显著。因此, 进一步采用GWR探索上述4项影响因子对黄土高原植被恢复成效的空间上非平稳影响(图 5)。通过比较各县区4项影响因子标准化系数绝对值, 确定对该县区影响程度最高的指标得到黄土高原植被恢复成效所受主导影响因素空间分布(图 6)。
|
| 图 5 黄土高原植被恢复成效影响因素GWR空间回归系数空间分布 Fig. 5 The spatial regression coefficients from GWR model between the effectiveness index and the key impact factors on the Loess Plateau GWR：地理加权回归Geographically Weighted Regression。灰色区域为2015年社会经济数据缺失县区, 未参与GWR计算 |
|
| 图 6 黄土高原植被恢复成效主导影响因子及所占面积比 Fig. 6 The spatial distribution and the area proportion of each dominant factor on the Loess Plateau |
结果表明, 自东南至西北, 多年平均降水对黄土高原植被恢复成效的影响由促进转为抑制作用(图 5)；影响最大的区域集中于黄土高原东部县区, 占全区面积比例29.30%(图 6), 影响系数分布于0.42—0.90之间。这一区域内400 mm等降水量线附近(即陕北和山西省交界处)各县区是植被恢复成效指数(Ej)的高值分布区, 表明在降水充沛的地区, 降水量及其变化是影响植被活动最显著因素。多年平均气温则自东向西与植被恢复成效存在“正—负—正”的变化关系(图 5)；气温因素是研究区北部内蒙古自治区、研究区西部甘肃省、青海省所涉及县区植被恢复成效的主导因子(占全区面积20.93%, 图 6)。
农村劳动力和粮食总产量是影响黄土高原植被恢复成效最显著的社会经济因素。其中, 农村劳动力是区域面积31.02%的地区主导促进因子, 分布于陕西省北部及青海省(图 5, 图 6)。如前所述, 尽管人口压力对区域植被恢复成效产生负影响(图 3), 但农村劳动力的降低缓解了人口压力对植被恢复消极影响。粮食总产量的增加则对黄土高原中部林草核心区植被恢复产生消极作用(影响系数为-0.77—-0.31), 但对西部甘肃、宁夏等省份植被恢复成效产生促进作用(影响系数为0.50—0.59)(图 5), 并且是这些地区的主导影响因子(图 6)。
4 讨论与结论 4.1 讨论关注植被恢复的时间尺度可以提供对恢复过程的详细了解[41]。目前普遍认为不应忽视恢复过程的时间尺度, 但包含时间序列特征、反映植被结构及功能变化的综合指标较少[42]。本文所建立的植被恢复成效评估方法数据源获取便捷且计算过程简单易行, 能够快速判定区域植被恢复成效随时间产生的变化。对比前人研究, 如李双双等在黄土高原陕甘宁地区2000—2009年植被恢复的研究中预测, 这一地区植被覆盖将持续改善但幅度较小, 且逐步趋于平稳[43]。植被恢复成效指数(Ej)的空间变化印证了这一结果：2010年以后植被恢复成效显著的地区集中于陕西、甘肃及宁夏三省(图 2), 但改善的速率有所降低(表 2)。又如, 对植被恢复潜力的研究指出黄土高原植被覆盖最有提升空间的地区集中于北方风沙区及西部的丘陵沟壑区, 而南部植被恢复潜力较低[44]。本研究显示, 植被恢复成效最为显著的地区位于陕北地区及山西交界一带, 但对于植被基底较好的东南部, 如陕西省延安市黄陵县、黄龙县, 植被恢复成效并不显著；在北部内蒙古自治区、西部甘肃和青海省植被恢复成效仍有进一步加强的趋势(图 2)。因此, 植被恢复成效指数(Ej)能够指示区域植被恢复措施是否有所作为, 并为研究者和管理者提供不同阶段植被恢复管理指示。
当前研究进一步从时间变化和空间差异的角度探索了植被恢复成效的影响因素。在时间尺度上, 人口增长率达到稳定水平时, 总人口增长缓慢, 城镇化进程加速农村劳动力的迁出, 缓解了人口压力对植被恢复产生的消极影响(图 3)。在植被恢复初期、大量释放农村劳动力的阶段, 劳动密集型的第三产业在吸收农村劳动力方面发挥着不可替代的作用[23], 但随着时间尺度的延长, 这一关系系数由0.42变为0.20。然而, 第三产业的发展也可能导致植被景观的破碎化和不完整性[28]。非农经济的负面影响增加体现了第三产业快速发展对植被恢复的制约性(图 3)。另一方面, 农村经济改善对区域植被恢复成效的促进作用不可忽视。已有研究证实直接的经济效益, 如政府补贴、农民收入不再是农民维持生态恢复成效的决定性因素[32], 而技术进步及农业实践的改善不但提高了粮食生产力, 并且能够缓解农业生产对自然环境资源的负担[45-46]。本研究揭示了在黄土高原地区提高农业生产力(如粮食生产)和改善农村生计对促进植被恢复成效的积极作用。
以空间明确的方法整合自然及社会经济的关键驱动因素能够为促进区域植被恢复成效提供宏观决策信息。前人研究指出, 黄土高原的植被活动与气候因子之间存在很强的空间依赖性[47], 但本文发现气候因素并非各个地区植被恢复成效的主导性因素。年均降水的强作用区与前人研究一致, 即黄土高原东部山西省及陕西省涉及县区[8]。这些地区植被活动的增强受到降水变率的影响更为显著, 并且植被恢复成效与年均降水量的正相关关系抵消了人口压力和平均气温对植被恢复成效的消极影响。探明研究时段内气候背景是否发生了明显变化尤为必要：若绝大多数气象站点变化明显, 则气候变化可能成为影响植被活动的最主要因素, 社会经济的变化能否构成局部地区植被恢复的主导因素有待商榷。因此, 在论证了研究时段内黄土高原处于气候相对稳定阶段的基础上, 研究结果还凸显了人口压力的缓解(主要是农村劳动力下降)以及农业生产力的提高对促进黄土高原中西部地区植被成效的主导作用。退耕还林实施期间, 农业机械年增加率呈明显增加趋势, 且农业机械拥有量与粮食单产及总产之间有显著正相关的关系[48], 表明植被恢复与粮食生产同时提高并不矛盾, 也进一步印证了时间尺度上改善农村生计对植被恢复的积极作用。
4.2 结论(1) 截止2015年, 黄土高原88.20%的面积植被恢复成效明显, 高值区集中于陕北地区及山西交界一带。研究中建立的植被恢复成效指数(Ej)能够刻画黄土高原植被恢复持续改善的动态过程, 揭示区域的植被恢复效果。
(2) 社会经济因素对黄土高原植被恢复成效的影响随时间发生变化：农村就业人数下降使得黄土高原植被恢复所受到的人口压力减缓；关注农村生计可以促进植被恢复成效提升, 这方面应重点聚焦农业实践的改善。
(3) 黄土高原植被恢复成效受到多年平均降水及气温、人口压力(农村劳动力)及农业生产力(粮食总产量)的空间非平稳影响。其中, 多年平均降水对黄土高原东部县区的促进作用最大, 而北部和西部风沙草地的植被恢复成效更多地受限于平均温度的影响。在气候波动相对稳定的背景下, 陕西省北部、甘肃省及宁夏回族自治区植被恢复成效所受人口压力和农业生产力的影响更加明显。
| [1] |
Acosta A L, d'Albertas F, De Souza Leite M, Saraiva A M, Metzger J P W. Gaps and limitations in the use of restoration scenarios:a review. Restoration Ecology, 2018, 26(6): 1108-1119. DOI:10.1111/rec.12882 |
| [2] |
Miller B P, Sinclair E A, Menz M H M, Elliott C P, Bunn E, Commander L E, Dalziell E, David E, Davis B, Erickson T E, Golos P J, Krauss S L, Lewandrowski W, Mayence C E, Merino-Martín L, Merritt D J, Nevill P G, Phillips R D, Ritchie A L, Ruoss S, Stevens J C. A framework for the practical science necessary to restore sustainable, resilient, and biodiverse ecosystems. Restoration Ecology, 2017, 25(4): 605-617. DOI:10.1111/rec.12475 |
| [3] |
Chaves R B, Durigan G, Brancalion P H S, Aronson J. On the need of legal frameworks for assessing restoration projects success:new perspectives from SAo Paulo state (Brazil). Restoration Ecology, 2015, 23(6): 754-759. DOI:10.1111/rec.12267 |
| [4] |
Costedoat S, Corbera E, Ezzine-De-Blas D, Honey-Rosés J, Baylis K, Castillo-Santiago M A. How effective are biodiversity conservation payments in mexico?. PLoS One, 2015, 10(3): e0119881. DOI:10.1371/journal.pone.0119881 |
| [5] |
Kimball S, Lulow M, Sorenson Q, Balazs K, Fang Y C, Davis S J, O'Connell M, Huxman T E. Cost-effective ecological restoration. Restoration Ecology, 2015, 23(6): 800-810. DOI:10.1111/rec.12261 |
| [6] |
Zucca C, Wu W C, Dessena L, Mulas M. Assessing the effectiveness of land restoration interventions in dry lands by multitemporal remote sensing-a case study in ouled DLIM (Marrakech, Morocco). Land Degradation & Development, 2015, 26(1): 80-91. |
| [7] |
Tong X W, Wang K L, Yue Y M, Brandt M, Liu B, Zhang C H, Liao C J, Fensholt R. Quantifying the effectiveness of ecological restoration projects on long-term vegetation dynamics in the karst regions of Southwest China. International Journal of Applied Earth Observation and Geoinformation, 2017, 54: 105-113. DOI:10.1016/j.jag.2016.09.013 |
| [8] |
高江波, 焦珂伟, 吴绍洪. 1982-2013年中国植被NDVI空间异质性的气候影响分析. 地理学报, 2019, 74(3): 534-543. |
| [9] |
Lü Y H, Zhang L W, Feng X M, Zeng Y, Fu B J, Yao X L, Li J R, Wu B F. Recent ecological transitions in China:greening, browning and influential factors. Scientific Reports, 2015, 5: 8732-8732. DOI:10.1038/srep08732 |
| [10] |
Petursdottir T, Arnalds O, Baker S, Montanarella L, Aradóttir Á L. A social-ecological system approach to analyze stakeholders' interactions within a large-scale rangeland restoration program. Ecology and Society, 2013, 18(2): 29. |
| [11] |
王建邦, 赵军, 李传华, 朱钰, 康重阳, 高超. 2001-2015年中国植被覆盖人为影响的时空格局. 地理学报, 2019, 74(3): 504-519. |
| [12] |
Van Leeuwen W J D, Orr B J, Marsh S E, Herrmann S M. Multi-sensor NDVI data continuity:Uncertainties and implications for vegetation monitoring applications. Remote Sensing of Environment, 2006, 100(1): 67-81. DOI:10.1016/j.rse.2005.10.002 |
| [13] |
Jiang C, Zhang H Y, Wang X C, Feng Y Q, Labzovskii L. Challenging the land degradation in the Loess Plateau:Benefits, limitations, sustainability, and adaptive strategies of soil and water conservation. Ecological Engineering, 2019, 127: 135-150. DOI:10.1016/j.ecoleng.2018.11.018 |
| [14] |
Sun W Y, Shao Q Q, Liu J Y, Zhai J. Assessing the effects of land use and topography on soil erosion on the Loess Plateau. Catena, 2014, 121: 151-163. DOI:10.1016/j.catena.2014.05.009 |
| [15] |
Fu B J, Wang S, Liu Y, Liu J B, Liang W, Miao C Y. Hydrogeomorphic ecosystem responses to natural and anthropogenic changes in the Loess Plateau. Annual Review of Earth and Planetary Sciences, 2017, 45: 223-243. DOI:10.1146/annurev-earth-063016-020552 |
| [16] |
何宝忠, 丁建丽, 张喆, 阿布都瓦斯提·吾拉木. 新疆植被覆盖度趋势演变实验性分析. 地理学报, 2016, 71(11): 1948-1966. DOI:10.11821/dlxb201611007 |
| [17] |
Wunder S. Revisiting the concept of payments for environmental services. Ecological Economics, 2015, 117: 234-243. DOI:10.1016/j.ecolecon.2014.08.016 |
| [18] |
Martin A, Gross-Camp N, Kebede B, McGuire S. Measuring effectiveness, efficiency and equity in an experimental Payments for Ecosystem Services trial. Global Environmental Change, 2014, 28: 216-226. DOI:10.1016/j.gloenvcha.2014.07.003 |
| [19] |
Wu D H, Wu H, Zhao X, Zhou T, Tang B J, Zhao W Q, Jia K. Evaluation of spatiotemporal variations of global fractional vegetation cover based on GIMMS NDVI data from 1982 to 2011. Remote Sensing, 2014, 6(5): 4217-4239. DOI:10.3390/rs6054217 |
| [20] |
Asner G P, Elmore A J, Hughes R F, Warner A S, Vitousek P M. Ecosystem structure along bioclimatic gradients in Hawai'i from imaging spectroscopy. Remote Sensing of Environment, 2005, 96(3/4): 497-508. |
| [21] |
Crabtree R, Potter C, Mullen R, Sheldon J, Huang S L, Harmsen J, Rodman A, Jean C. A modeling and spatio-temporal analysis framework for monitoring environmental change using NPP as an ecosystem indicator. Remote Sensing of Environment, 2009, 113(7): 1486-1496. DOI:10.1016/j.rse.2008.12.014 |
| [22] |
Cao S X, Ma H, Yuan W P, Wang X. Interaction of ecological and social factors affects vegetation recovery in China. Biological Conservation, 2014, 180: 270-277. DOI:10.1016/j.biocon.2014.10.009 |
| [23] |
Madu I A. The impacts of anthropogenic factors on the environment in Nigeria. Journal of Environmental Management, 2009, 90(3): 1422-1426. DOI:10.1016/j.jenvman.2008.08.009 |
| [24] |
Grace J B, Anderson T M, Olff H, Scheiner S M. On the specification of structural equation models for ecological systems. Ecological Monographs, 2010, 80(1): 67-87. DOI:10.1890/09-0464.1 |
| [25] |
Standish R J, Daws M I, Gove A D, Didham R K, Grigg A H, Koch J M, Hobbs R J. Long-term data suggest jarrah-forest establishment at restored mine sites is resistant to climate variability. Journal of Ecology, 2015, 103(1): 78-89. DOI:10.1111/1365-2745.12301 |
| [26] |
Byrne B M. Structural Equation Modeling with AMOS:Basic Concepts, Applications, and Programming. New York:Routledge, Taylor & Francis Group, 2016. |
| [27] |
Luck G W, Smallbone L T, O'Brien R. Socio-economics and vegetation change in urban ecosystems:patterns in space and time. Ecosystems, 2009, 12(4): 604-620. DOI:10.1007/s10021-009-9244-6 |
| [28] |
Michishita R, Jiang Z B, Xu B. Monitoring two decades of urbanization in the Poyang Lake area, China through spectral unmixing. Remote Sensing of Environment, 2012, 117: 3-18. DOI:10.1016/j.rse.2011.06.021 |
| [29] |
Su S L, Wang Y P, Luo F H, Mai G C, Pu J. Peri-urban vegetated landscape pattern changes in relation to socioeconomic development. Ecological Indicators, 2014, 46: 477-486. DOI:10.1016/j.ecolind.2014.06.044 |
| [30] |
Li Y B, Fan M M, Li W J. Application of payment for ecosystem services in China's rangeland conservation initiatives:a social-ecological system perspective. The Rangeland Journal, 2015, 37(3): 285-296. DOI:10.1071/RJ14014 |
| [31] |
Cobon D H, Stone G S, Carter J O, Scanlan J C, Toombs N R, Zhang X K, Willcocks J, McKeon G M. The climate change risk management matrix for the grazing industry of northern Australia. The Rangeland Journal, 2009, 31(1): 31-49. DOI:10.1071/RJ08069 |
| [32] |
Deng J, Sun P S, Zhao F Z, Han X H, Yang G H, Feng Y Z. Analysis of the ecological conservation behavior of farmers in payment for ecosystem service programs in eco-environmentally fragile areas using social psychology models. Science of the Total Environment, 2016, 550: 382-390. DOI:10.1016/j.scitotenv.2016.01.152 |
| [33] |
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. 遥感学报, 2009, 13(6): 1170-1186. |
| [34] |
Crespo R, Grêt-Regamey A. Local hedonic house-price modelling for urban planners:advantages of using local regression techniques. Environment and Planning B:Planning and Design, 2013, 40(4): 664-682. DOI:10.1068/b38093 |
| [35] |
Mills P. Efficient statistical classification of satellite measurements. International Journal of Remote Sensing, 2011, 32(21): 6109-6132. DOI:10.1080/01431161.2010.507795 |
| [36] |
Ahmed M A A, Abd-Elrahman A, Escobedo F J, Cropper Jr W P, Martin T A, Timilsina N. Spatially-explicit modeling of multi-scale drivers of aboveground forest biomass and water yield in watersheds of the Southeastern United States. Journal of Environmental Management, 2017, 199: 158-171. |
| [37] |
Mganga K Z, Musimba N K R, Nyariki D M. Combining sustainable land management technologies to combat land degradation and improve rural livelihoods in semi-arid lands in kenya. Environmental Management, 2015, 56(6): 1538-1548. DOI:10.1007/s00267-015-0579-9 |
| [38] |
Wu X T, Wang S, Fu B J, Feng X M, Chen Y Z. Socio-ecological changes on the Loess Plateau after Grain to Green Program. Science of the Total Environment, 2019, 678: 565-573. DOI:10.1016/j.scitotenv.2019.05.022 |
| [39] |
张琨.黄土高原植被覆盖变化的影响因素与生态系统服务效应[D].北京: 中国科学院大学, 2018.
|
| [40] |
Feng X M, Fu B J, Lu N, Zeng Y, Wu B F. How ecological restoration alters ecosystem services:an analysis of carbon sequestration in the Loess Plateau. Scientific Reports, 2013, 3: 2846. DOI:10.1038/srep02846 |
| [41] |
Levrel H, Pioch S, Spieler R. Compensatory mitigation in marine ecosystems:which indicators for assessing the "no net loss" goal of ecosystem services and ecological functions?. Marine Policy, 2012, 36(6): 1202-1210. DOI:10.1016/j.marpol.2012.03.004 |
| [42] |
Berkowitz J F. Development of restoration trajectory metrics in reforested bottomland hardwood forests applying a rapid assessment approach. Ecological Indicators, 2013, 34: 600-606. DOI:10.1016/j.ecolind.2013.06.025 |
| [43] |
李双双, 延军平, 万佳. 近10年陕甘宁黄土高原区植被覆盖时空变化特征. 地理学报, 2012, 67(7): 960-970. |
| [44] |
高海东, 庞国伟, 李占斌, 程圣东. 黄土高原植被恢复潜力研究. 地理学报, 2017, 72(5): 863-874. |
| [45] |
Sjögersten S, Atkin C, Clarke M L, Mooney S J, Wu B, West H M. Responses to climate change and farming policies by rural communities in northern China:a report on field observation and farmers' perception in dryland north Shaanxi and Ningxia. Land Use Policy, 2013, 32: 125-133. DOI:10.1016/j.landusepol.2012.09.014 |
| [46] |
Bryan B A, Gao L, Ye Y Q, Sun X F, Connor J D, Crossman N D, Stafford-Smith M, Wu J G, He C Y, Yu D Y, Liu Z F, Li A, Huang Q X, Ren H, Deng X Z, Zheng H, Niu J M, Han G D, Hou X Y. China's response to a national land-system sustainability emergency. Nature, 2018, 559(7713): 193-204. DOI:10.1038/s41586-018-0280-2 |
| [47] |
王宇航, 赵鸣飞, 康慕谊, 左婉怡. 黄土高原地区NDVI与气候因子空间尺度依存性及非平稳性研究. 地理研究, 2016, 35(3): 493-503. |
| [48] |
冯朝红.黄土高原粮食安全与生态建设的响应关系研究[D].西安: 西安理工大学, 2018.
|