平陆运河流域生态环境时空变化特征及生态安全评价
景涛1, 王帅成1, 李金燕2, 程娟1     
1. 广西艺术学院建筑艺术学院,广西南宁 530007;
2. 苏州大学艺术学院,江苏苏州 215031
摘要: 重大基础设施与生态环境的互馈机制是实现可持续发展的关键科学问题。本研究以平陆运河流域为对象,集成遥感数据、统计年鉴与数字高程模型(DEM),基于“压力-状态-响应”(PSR)框架构建生态安全评价体系,分析2005、2015、2025年研究区环境可持续指数(ESI)的时空分异特征,并基于障碍度模型识别出影响生态安全的主导因子。结果表明:①2005—2025年,耕地、水体面积持续减少,而林地与建设用地面积分别增加979.79、236.65 km2,湿地与未利用地面积变化不大;②ESI先升后降,2005、2015、2025年高值区面积占比分别为16.32%、18.53%和18.01%,且流域整体生态环境质量空间差异显著;③生态安全格局呈现显著的空间集聚性,港口与运河等重大基础设施建设对周边生态环境扰动明显;④人口密度、景观多样性、路网密度、植被覆盖率和人均可支配收入是生态安全的主要障碍因子。其中,压力层障碍度持续升高,响应层障碍度降低,状态层障碍度呈波动变化。鉴于重大基础设施空间溢出效应的滞后性特征,强化其建设期与运营期全过程的生态监测与修复措施,是实现区域社会经济与生态环境协同演进的必要保障。
关键词: 生态环境    PSR模型    环境可持续指数    空间自相关    障碍因子诊断模型    
Characteristics of Spatiotemporal Changes in Ecological Environment and Ecological Security Evaluation in the Pinglu Canal Basin
JING Tao1, WANG Shuaicheng1, LI Jinyan2, CHENG Juan1     
1. College of Architectural Arts, Guangxi Arts University, Nanning, Guangxi, 530007, China;
2. School of Art, Soochow University, Suzhou, Jiangsu, 215031, China
Abstract: The mutual feedback mechanism between major infrastructure and ecological environment is a key scientific issue for achieving sustainable development. Taking the Pinglu Canal Basin as the object, this study integrated remote sensing data, statistical yearbooks, and Digital Elevation Models (DEM) to construct an ecological security evaluation system based on the "Pressure-State-Response" (PSR) framework. The spatiotemporal variation characteristics of the Environmental Sustainability Index (ESI) in the study area in 2005, 2015, and 2025 were analyzed, and the dominant factors affecting ecological security were identified based on the obstacle degree model. The results are summarized as follows: ① From 2005 to 2025, the areas of cultivated land and water body kept decreasing, while those of forest and construction land increased by 979.79 km2 and 236.65 km2, respectively. Little changes were observed in areas of wetland and unutilized land. ② ESI first increased and then decreased, with the proportion of high-value areas being 16.32%, 18.53%, and 18.01% in 2005, 2015, and 2025, respectively. There was a significant spatial difference in the overall ecological environment quality of the basin. ③ The ecological security pattern presented significant spatial agglomeration, and the construction of major infrastructures such as ports and canals caused significant disturbance to the surrounding ecological environment. ④ Population density, landscape diversity, road network density, vegetation coverage, and per capita disposable income were the main obstacles to ecological security. The obstacle degree of the pressure layer kept increasing; the obstacle degree of the response layer decreased; and the obstacle degree of the state layer showed fluctuations. Given the lagging nature of spatial spillover effects of major infrastructures, strengthening ecological monitoring and restoration measures throughout the construction and operation periods is a necessary guarantee for achieving coordinated evolution of regional socio-economy and ecological environment.
Key words: ecological environment    PSR model    environmental sustainability index    spatial autocorrelation    obstacle factor diagnosis model    

重大基础设施建设须遵循区域生态本底,核心在于协调经济社会发展需求与生态承载力之间的动态平衡。忽视生态约束的短期建设行为,往往会引发生态系统退化、生物多样性丧失、极端气候事件频发等长期环境代价,进而反噬经济社会发展[1-2]。然而,二者并非零和博弈,可通过空间治理机制实现共生。基于规划前置评估、建设期生态减损与修复、运营期动态优化、政策技术协同保障的全周期管控,既能保障基础设施效能,又可维持生态可持续性[3]。在此框架下,精准量化基础设施建设中的土地利用转型特征,并深入解析生态环境响应机制,已成为制定生态保护策略的先决条件,对协调区域可持续发展具有关键决策支持价值。

随着新时代生态文明建设实践的深入推进,生态环境议题已经突破传统学科边界,引发地理学、生态学及相关交叉学科领域学者的广泛关注[4]。遥感技术凭借其大尺度、长期动态的生态质量监测能力[5],为生态环境研究提供了多元视角。归一化植被指数(NDVI)[6]、遥感生态指数(RSEI)[7]、土地覆盖(LULC)调查[8]等开始广泛应用于生态环境分析与监测,成为揭示生态环境时空变化的重要组成部分。在这一前提下,生态环境研究可以根据区域单元生态安全指数的变化来评价生态环境的长期发展状态。其中,运用合理的数学模型和指标体系对生态安全进行评价,成为生态环境分析最重要的环节[9]。国内外涉及生态安全的评价方法主要有“压力-状态-响应”(PSR)模型[10-11]、“驱动力-状态-响应”(DFSR)模型[12-13]、“驱动力-压力-状态-影响-响应”(DPSIR)模型[14-15]、最小累积阻力(MCR)模型[16-17]等。相对于其他模型,PSR模型以过程控制为核心视角,反映人类活动与生态环境系统之间的复杂关系[18],有效规避了DFSR、DPSIR等模型中目标层定义模糊的问题[19]。该模型能更好地说明指标之间的相互联系[20],有效揭示外部干扰与环境变化之间的因果关系,具有较高的可扩展性和系统性特征[21-22]。因此,PSR模型被认为是中等空间尺度生态环境质量评价的理想选择[23],结合平陆运河流域的区域特性,这一模型最适用于该流域的生态环境质量评价。

平陆运河作为新中国成立以来第一条连通江海的运河,其与生态环境的关系备受关注。相对于其他重大基础设施,该运河运量大、成本低,非常适合大宗货物的运输[24],成为现代交通运输体系的重要组成部分和区域经济增长的重要驱动力[25]。但这一重大基础设施的建设和年度运行会显著影响周边的生态环境,引起河流形态、水体面积和土地覆盖的变化,导致流域生态系统敏感性升高与景观破碎化加剧[26]。因此,平陆运河流域的生态环境问题兼具代表性和典型性,亟须通过系统研究揭示该运河建设期间流域的生态环境时空格局和演变趋势。然而,目前对平陆运河流域土地利用变化与生态环境质量的研究相对匮乏,深入探索流域内重大基础设施建设对生态环境的影响势在必行。本研究在利用遥感影像分析地理空间特征的基础上,构建PSR模型指标体系来评价平陆运河流域的生态安全水平,并诊断出其主要障碍,以便为该流域的生态保护和可持续发展提供科学依据。

1 材料与方法 1.1 研究区概况

平陆运河位于广西壮族自治区南部,北部湾北岸(图 1),地处北回归线以南,属于亚洲东南部季风区,太阳辐射强。由于南临北部湾,西北靠十万大山,主要受海洋气候影响,同时也受大陆气团影响,是中国湿热多雨的地区之一。年平均气温为22 ℃,年平均日照时数为1 703 h,年平均降水量在1 800 mm以上,年水面蒸发量为755.2 mm。

图 1 平陆运河地理位置 Fig. 1 Location of Pinglu Canal

平陆运河流域主要为丘陵地貌类型,境内丘陵起伏连绵,地形复杂,全境地势北高南低。北部属中丘陵区,除少数山地外,海拔为10—592 m;中部属低丘台地、盆地和河谷冲积平原区,以低丘和河谷平原为主,土地稍平坦;南部属低丘滨海岗地、平原区,有一处较大的冲积平原——钦江三角洲。流域内河流众多,大小河流总长为296 km,河网密度为0.85 km/km2。主要河流有西江干流郁江,以及桂南沿海入海水系钦江,水源充足,形成了完善的灌溉与航运网络。本研究根据平陆运河流经地区,划定范围涉及南宁、钦州、防城港3市的6个区县、30个乡镇,总面积达3 800 km2

1.2 数据来源

相关数据包括卫星影像图、社会经济数据、行政区划矢量地图、路网数据等,具体获取步骤如下:①利用ENVI 5.6软件对Landsat 7 TM影像1期(2005年)、Landsat 8 OLI影像2期(2015、2025年)进行监督分类(http://www.gseloud.cn/),结合研究区特点、实际分类及《土地利用现状分类》(GB/T 21010—2017)标准,将土地分为林地、水体、湿地、耕地、建设用地及未利用地6类。②通过数字高程模型(DEM)获得地形数据(https://earthengine.google.com/)。③从第七次人口普查公报、各县年鉴和政府网站获取人口、社会经济数据(https://www.stats.gov.cn/sj/pcsj/)。其中,2025年的社会经济数据是基于2021—2024年的历史数据通过线性模型预测获得。④行政区划、路网数据从中国科学院资源环境科学数据中心获取(https://www.resdc.cn)。同时,统一采用空间分辨率为300 m×300 m的栅格处理数据,并规定D_WGS_1984坐标系为所有数据的空间基准,用以保障数据计算的客观性与准确性。

1.3 方法

首先,基于卫星影像识别从类型转化角度分析平陆运河流域土地利用的动态变化;其次,依据PSR模型框架构建流域生态安全评价指标体系,运用环境可持续指数(ESI)评估生态环境状况,并借助空间自相关分析揭示流域生态环境的时空分异特征;最后,开展生态安全综合评价,并利用障碍度模型诊断影响流域生态安全的关键障碍因子(图 2)。

图 2 研究流程图 Fig. 2 Research flowchart

1.3.1 转移矩阵

转移矩阵是对若干不同土地利用类型和方向之间相互转换进行定量研究的方法[27],通过对转移矩阵的分析,可以了解平陆运河流域不同时期土地类型之间的转换,进而对土地利用类别变化和特征进行具体分析。其数学模型如下:

$S_{i j}=\left\{\begin{array}{llll}S_{11} & S_{12} & \cdots & S_{1 j} \\ S_{21} & S_{22} & \cdots & S_{2 j} \\ \cdots & \cdots & \cdots & \cdots \\ S_{i 1} & S_{i 2} & \cdots & S_{i j}\end{array}\right\}, $ (1)

式中,Sij表示研究区内第i种土地利用类型转化为第j种土地利用类型的数量。

1.3.2 土地利用动态度

① 单一土地利用动态度(K)是指研究区域内某一土地利用类型在一定时间范围内的数量变化,公式表示为

$K=\frac{U_b-U_a}{U_a} \times \frac{1}{T} \times 100 \%, $ (2)

式中,UaUb分别表示某一土地利用类型前期和后期的面积(km2);T表示从a时刻到b时刻的研究周期,结果为正表示增加,结果为负表示减少。

② 综合土地利用动态度(C)是反映研究区域内各种土地类型之间相互转化的综合变化速度[9]。其数学表达式为

$C=\frac{\sum\limits_{i=1}^n \sum\limits_{j=1}^n \Delta U_{i-j}}{2 \sum\limits_{i=1}^n U_i} \times \frac{1}{t} \times 100 \%, $ (3)

式中,ΔUi-j为某一研究时期i类土地利用类型向非i类土地利用类型转变面积的绝对值;Ui为某一研究时期i类土地利用类型的面积(km2),t为时间间隔。

1.3.3 PSR模型

PSR模型作为一种常用的生态安全评价模型,可用于研究环境问题的框架体系[28]。模型通过耦合压力、状态、响应这3个因果子系统,形成动态的模型结构,反映自然、社会和生态系统之间的关系[29]。根据实际情况和数据可得性,本研究构建涵盖社会、经济、资源环境3个方面的PSR模型指标体系(表 1)。各指标权重结合主观加权法和客观加权法,遵循拉格朗日条件极值原理,使用层次分析法和熵值法计算得出[32]

表 1 PSR模型指标体系 Table 1 PSR model index system
准则层
Criterion layer
指标层
Index layer
属性
Attribute
计算方法
Calculation method
方法说明
Method statement
数据源
Data source
权重
Weight
Pressure Road network density Negative Grid method Create a 300 m×300 m grid in ArcGIS software and assign values Basic geographic data and statistical yearbooks 0.065
Population density Negative 0.121
Per capita cultivated area Negative 0.099
State Elevation Negative Raster surface Elevation, slope and topographic relief height are generated in ArcGIS software DEM 0.061
Slope Negative 0.123
Vegetation coverage Positive FVC= (NDVI-NDVImin)/(NDVImax-NDVImin) NDVI= (IR-R)/(IR+R) FVC is the regional vegetation coverage; NDVImin represents the normalized vegetation index value with the smallest vegetation; and NDVImax represents the normalized vegetation index value with the largest vegetation.NDVI is the normalized vegetation index, while IR and R are the near-infrared and red bands of each land satellite sensor[30] Remote sensing image 0.149
Water coverage Positive NDWI= (Green-NIR)/(Green+NIR) NDWI stands for normalized water index; Green refers to the green light band; and NIR refers to the near-infrared band[5] 0.098
Landscape diversity Positive $\mathrm{SHDI}= -\sum\limits_{i=1}^m\left(P_i \ln P_i\right)$ SHDI is the landscape diversity index; Pi is the proportion of landscape patch type i occupied; m is the number of patch types in the landscape[31] Land use data 0.061
Response GDP per capita Positive Economic output per unit of land Statistical yearbook 0.106
Per capita disposable income Positive Per capita disposable income is the ratio of the total disposable income of all residents to the number of permanent residents 0.117

1.3.4 ESI

ESI是一种用于衡量一个国家或地区实现环境可持续发展能力的综合评估工具[33],本研究基于PSR模型指标体系,计算获取空间的ESI,用以分析平陆运河流域生态环境时空特征,并开展生态安全评价,计算公式如下:

$\mathrm{ESI}=\sum\limits_{i=1}^n A_{i j} \times W_{i j}, $ (4)

式中,n为评价指标总数, Aij为无量纲值,Wij为权重值。本研究采用极差法对各指标因子进行标准化处理,并在[0, 1]之间计算上述所选各指标的极差。

PSR模型指标体系中,部分为正向指标,其值越高表征生态安全水平越高;部分为负向指标,其值越高表征生态安全水平越低。

正向指标和负向指标的计算公式分别如式(5)、式(6)所示:

$A_{i j}=\frac{X_{i j}-X_{\min }}{X_{\max }-X_{\min }}, $ (5)
$A_{i j}=\frac{X_{\max }-X_{i j}}{X_{\max }-X_{\min }}, $ (6)

式中,Aij表示第i个单元经过标准化处理后的第j个指标;Xij表示第i个单元的第j个指标的原值;Xmax表示第i个单元的第j个指标索引的最大值,Xmin表示第i个单元的第j个指标索引的最小值。

1.3.5 空间自相关分析

空间自相关是指地理空间上相邻或相近单元的属性值具有相互依赖性[34]。本研究采用全局自相关和局部自相关研究平陆运河流域生态安全指数整体和局部特征。

① 全局自相关

采用全局莫兰指数(Moran′s I)来检验生态安全指数的全局自相关性,计算公式如下:

$\text {Moran's } I=\frac{n \sum\limits_{i=1}^n \sum\limits_{j=1}^n w_{i j}\left(\left(x_i-\bar{x}\right)\left(x_j-\bar{x}\right)\right)}{\left(\sum\limits_{i=1}^n \sum\limits_{j=1}^n w_{i j}\right) \sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2}, $ (7)

式中,n为网格数,xixj分别为ij点空间地理对象的属性值,xx的平均值。wij为空间权重矩阵,表示空间地理对象在i点和j点的连接关系,本研究根据空间邻接关系,通过计算地理单元之间的距离来确定它们之间的连接程度。

② 局部自相关

在用全局自相关检验生态安全指数的空间相关性后,再用局部自相关分析其关系属性。局部自相关的计算公式为

$\text {Moran's } I=\frac{x_i-\bar{x}}{S^2} \sum\limits_{i=1}^n \sum\limits_{j=1}^n w_{i j}\left(x_i-\bar{x}\right), $ (8)

式中,S2为方差。

1.3.6 障碍因子诊断模型

生态安全评价是以区域生态环境系统为评价对象,分析其发展状态、发展水平和发展趋势。其目的不仅要得到各指标因子的影响程度,而且要找出各指标因子之间的差距,确定未来改善的方向。因此,需要对单个指标的障碍程度进行对比分析,进而发现障碍因子。本研究引入指标贡献度、指标偏离度和指标障碍度,建立生态环境障碍因子诊断模型[35],根据测算结果提出相应的生态改善应对措施。

$N_i=\frac{D_i \times C_i}{\sum\limits_{i=1}^n D_i \times C_i}, $ (9)
$D_i=1-y_i, $ (10)

式中,Ni为指标障碍度;Ci为指标贡献度,其值为指标i的权重;Di为指标偏离度;yi为指标i的归一化值。

2 结果与分析 2.1 土地利用变化 2.1.1 用地面积统计

图 3表 2分别为3个时期(2005、2015、2025年)的土地利用类型空间分布和统计数据,其中建设用地、林地与耕地的面积变化最为显著。2005—2015年,建设用地面积由86.65 km2增加至268.61 km2,增幅210%,集中于钦州市城区、沙埠镇、大番坡镇、犀牛角镇、企沙镇及港口区。林地面积由1 473.35 km2增加至2 505.97 km2,增幅70%。耕地面积则由1 799.35 km2减少至621.90 km2,降幅65%。林地与耕地的变化较为分散,主要分布在中部和北部丘陵地区。

图 3 土地利用类型空间分布图 Fig. 3 Spatial distribution map of land use types

表 2 土地利用类型统计数据 Table 2 Statistical data on land use types
年份
Year
林地
Forest
水体
Water body
湿地
Wetland
耕地
Cultivated land
建设用地
Construction land
未利用地
Unutilized land
面积/km2
Area/km2
占比/%
Percentage/%
面积/km2
Area/km2
占比/%
Percentage/%
面积/km2
Area/km2
占比/%
Percentage/%
面积/km2
Area/km2
占比/%
Percentage/%
面积/km2
Area/km2
占比/%
Percentage/%
面积/km2
Area/km2
占比/%
Percentage/%
2005 1 473.35 38.21 358.00 9.28 35.07 0.94 1 799.35 46.67 86.65 2.25 103.37 2.68
2015 2 505.97 64.99 320.89 8.32 21.35 0.55 621.90 16, 13 268.61 6.97 117.02 3.03
2025 2 453.14 63.63 291.95 7.78 34.62 0.91 645.42 16, 74 323.30 8.39 106.99 2.92

2015—2025年,建设用地面积持续增加至323.30 km2,增幅20%。除各城镇建设用地均有增加外,滨海的钦州港经济技术开发区增量明显。林地面积略有下降,耕地面积则出现小幅回升,主要集中在北部的平马镇和莲塘镇。水体、湿地和未利用地的面积在整个研究期内虽然存在波动,但是变化幅度较小。

结合实地调研结果发现:(1)经济林的种植占用了大量耕地资源;(2)高速城镇化促使建设用地不断扩张;(3)南部滨海区域因港口与各类产业开发区的集中建设,导致沿岸土地开发强度显著增大。

2.1.2 转移矩阵分析

土地利用类型转移矩阵数据如表 3所示。2005—2015年,耕地是主要的转出地类,净减少1 177.45 km2,其中向建设用地转移132.22 km2,向林地转移1 037.18 km2。林地和水体也是建设用地的来源地类,分别贡献了32.79 km2和31.44 km2。此外,其他用地类型(如未利用地、湿地等)之间也存在相互转移。2015—2025年,研究区土地转换呈现规模减小与方向多元化的特征。土地转移总量较前一时期显著降低,且转移路径趋于分散化,表现为多种土地利用类型间的相互转移。其中,建设用地面积保持增长态势,净增54.69 km2,其扩张主要源自林地和未利用地的转入。此外,耕地和湿地面积出现回升,分别净增23.52 km2和13.27 km2

表 3 土地利用转移矩阵 Table 3 Transition matrix of land use 
Unit: km2
年份
Year
土地利用类型
Land use type
耕地
Cultivated land
建设用地
Construction land
林地
Forest
水体
Water body
湿地
Wetland
未利用地
Unutilized land
2005—2015 Cultivated land 549.10 132.22 1 037.18 26.47 1.84 48.20
Construction land 9.86 57.87 16.99 0.97 0.08 0.89
Forest 33.58 32.79 1 346.87 1.23 0.35 57.57
Water body 9.20 31.44 21.42 284.35 8.97 1.88
Wetland 7.03 2.10 9.02 7.03 10.13 0.50
Unutilized land 8.79 12.44 73.49 0.42 0.01 8.10
2015—2025 Cultivated land 382.75 28.65 195.88 8.87 1.64 4.46
Construction land 29.71 194.98 38.48 2.84 2.10 0.65
Forest 209.94 74.74 2 116.26 15.43 7.99 80.93
Water body 3.68 9.15 25.99 270.96 9.82 1.05
Wetland 0.89 0.33 3.41 1.16 15.82 0.01
Unutilized land 18.39 15.24 73.18 0.33 0.03 9.83

整体来看,2005—2025年平陆运河流域土地利用转移最大面积发生在耕地和林地,耕地流向林地的面积为1 024.36 km2,呈现耕地减、林地和建设用地增、水体和湿地缩、未利用地微升的趋势(图 4),反映出流域土地向林地生态化与建设用地扩张的双向演变格局。

图 4 土地利用转移桑基图 Fig. 4 Sankey diagram of land use transfer

2.1.3 动态态势分析

土地利用单一动态态势和综合动态态势的分析结果如图 5所示。2005—2015年区域综合土地类型的变化率是2015—2025年的2倍。2005—2015年,研究区内林地与建设用地面积不仅呈现增长趋势,而且年变化率较高,耕地面积则急剧减少。相比之下,水体、湿地及未利用地的变化率相对较低。2015—2025年,各类用地变化率显著下降。基于土地利用动态度的对比分析,林地、耕地、建设用地与未利用地4类土地覆被在研究期内表现出显著的土地转换活跃性,相互转化频繁。

图 5 土地利用动态态势 Fig. 5 Dynamic situation of land use

2.2 生态环境时空特征

2005、2015、2025年3个时期的生态环境质量呈现出显著的空间分异格局。ESI高值区面积占比先升后降,2005、2015、2025年分别为16.32%、18.53%和18.01%。生态环境质量较高且相对稳定的区域分布于平陆运河流域北部,涵盖莲塘镇、平马镇、南乡镇及新福镇。主导土地利用类型为林地和水体,且城镇化进程相对平缓。ESI低值区域占比持续下降,2005、2015、2025年分别为23.21%、21.09%、20.97%。生态环境质量变化剧烈的区域主要集中于钦州市城区及其南部沿海地带(图 6)。

图 6 ESI空间分布 Fig. 6 Spatial distribution of ESI

2005年,作为流域核心的钦州市城区城镇化进程显著,建设用地呈现向周边蔓延扩张的态势,伴随城区规模的持续扩大,其生态环境质量呈现出明显的下降趋势。2015年,中部与北部区域生态环境质量得到一定改善,这与林地植被覆盖面积的增加存在直接关联。与此同时,生态环境质量低值区呈现沿钦州市城区向南扩散的特征,其主要驱动因素在于港口、经济技术开发区及大学城等导向型经济活动对生态空间的占用与干扰,其中沿海岸线区域的生态环境质量下降表现尤为突出。2025年,南部沿海区域生态环境有了一定恢复,但中部区域生态环境趋于脆弱,主要归因于平陆运河建设期间的土方工程所引发的植被破坏、水系变动及生境破碎等一系列生态问题。

从整体发展态势来看,平陆运河流域生态环境质量在2005—2025年呈现先上升后下降的单峰变化趋势。持续的建设用地扩张及大规模基础设施建设所产生的人为压力,是制约区域生态环境质量持续改善并导致后期下降的关键驱动因素。值得注意的是,研究区内大部分区域生态环境质量仍处于中等水平,存在显著的提升空间。

2.3 生态环境空间相关性

ESI的全局空间自相关分析结果显示,2005、2015、2025年的全局Moran′s I值分别为0.390 1、0.460 2、0.532 1,均在99.9%置信水平上显著,存在显著的正自相关性(表 4)。Moran′s I值的递增进一步表明研究区生态环境的空间正相关性在2005—2025年持续增强。

表 4 ESI的全局空间自相关显著性检验 Table 4 Significance test of global spatial autocorrelation of ESI
年份
Year
Moran′s I
Moran′s I value
标准差
Standard deviation
Z P
2005 0.390 1 0.001 2 15.409 9 0.001
2015 0.460 2 0.001 2 13.521 7 0.001
2025 0.532 1 0.001 2 14.304 4 0.001

为解析ESI的局部空间自相关特征,本研究采用GeoDa软件进行局部空间自相关分析并生成空间集聚图(图 7),结果显示,平陆运河流域存在显著的高-高(H-H)和低-低(L-L)集聚区。2005年,H-H集聚区主要分布于北部丘陵林地区域及滨海湿地地带,这些区域及其邻近单元的ESI均显著高于研究区的平均值,其主要成因在于这些区域受人类活动干扰较小,生态环境保存相对完好。L-L集聚区主要集中于钦州市城区,并沿钦江向南北延展,这些区域及其邻近单元的ESI均显著低于研究区的平均值。2015年,空间集聚格局发生显著变化。H-H集聚区范围收缩,主要集中于北部丘陵林地区,其面积占比相较2005年下降0.98%。L-L集聚区则向环钦州湾区域大幅扩展,面积占比较2005年增加1.03%。这种演变主要受钦州市中心城区持续扩张及向海发展战略驱动。变化最显著的区域为钦州湾沿岸,原属于H-H集聚区,因钦州港的大规模开发建设,至2015年全部转变为L-L集聚区。2025年,H-H集聚区在钦州湾西岸局部重现,但整体格局变化较小,L-L集聚区逐渐沿平陆运河工程向北部延伸。

图 7 ESI空间集聚图 Fig. 7 Spatial clustering of ESI

其他集聚类型,高-低(H-L)与低-高(L-H)集聚区在研究期内分布较为零散,表明这些局部区域及其邻近单元存在显著的空间异质性。这两类非典型集聚区的面积占比较小,且呈递减趋势,2005、2015、2025年分别为1.79%、1.45%、1.23%,反映出流域整体空间异质性程度逐渐增强。空间自相关不显著的区域始终占据较高比例,具体表现为2005、2015、2025年分别为54.28%、54.96%、51.32%。这一结果表明,这些区域在局部尺度上未呈现显著的空间依赖性,其空间分布总体位于H-H和L-L集聚区之间的过渡地带。

2.4 生态安全评价

为量化平陆运河流域2005—2025年生态安全状况的动态变化,本研究基于3个时期的ESI数据,利用ArcGIS栅格计算器计算相邻时段(2005—2015、2015—2025年)的ESI变化量。采用自然断点分级法将计算得到的变化量划分为5个等级(差、较差、中等、较好、好),用以表征生态安全的变化程度(图 8)。并以该变化等级结果作为核心指标,评估平陆运河流域生态安全的时空演变特征。

图 8 生态安全评价 Fig. 8 Ecological security assessment

2005—2015年,平陆运河流域生态安全等级为“差”和“较差”的区域(面积分别为63.34 km2和119.58 km2)主要分布于南部,特别是钦州市城区与沿海开发区。这一空间格局主要与沿海港口、滨海经济开发区的大规模建设,以及钦州市城区的快速扩张等高强度人类活动密切相关,是造成区域生态安全水平较低的关键驱动因素。相比之下,生态安全等级为“好”和“较好”的区域(面积分别为616.16 km2和727.34 km2)主要集中分布于林地恢复的中部和北部区域。

相较于2005—2015年,2015—2025年平陆运河流域生态安全格局发生显著变化。大部分区域维持“中等”等级;“差”和“较差”等级区域面积显著减少,到2025年分别降至26.85 km2和27.98 km2;“好”和“较好”等级区域面积亦有减少,分别缩减至121.35 km2和778.73 km2,后者分布于受人类活动干扰相对较小的北部丘陵地区。滨海港口与经济开发区的持续建设活动是维持低等级区域空间分布格局的关键影响因素。同时,平陆运河的施工建设对沿线区域生态环境构成了不同程度干扰。

2.5 生态安全障碍因子分析

障碍因子诊断结果(图 9)显示,3个研究时期各指标的障碍度比例呈现一致性。影响区域生态安全的主要障碍因子按其障碍度降序排序为人口密度>景观多样性>路网密度>植被覆盖率>人均可支配收入。

图 9 生态安全评价指标障碍度 Fig. 9 Obstacle degrees of ecological security evaluation indicators

各指标障碍度在3个研究时期呈现不同变化趋势。人口密度障碍度持续上升,表明区域资源向核心城区的集聚驱动了城镇人口增长,由此引发的交通拥堵、自然资源消耗加剧及建设用地扩张等问题,显著增加了区域生态安全压力。景观多样性障碍度同样呈上升趋势,反映了人类活动过度干扰导致的空间景观趋同现象,降低了空间异质性并威胁生态环境。路网密度障碍度逐步增加,说明交通网络的强化在提升便捷性的同时,也加剧了生境破碎化与环境干扰。植被覆盖率障碍度呈下降趋势,其初期下降主要源于经济林增加对生态安全的积极贡献,然而种植技术能力与生态意识的不足,可能制约生态系统功能的进一步恢复。人均可支配收入障碍度亦持续下降,依据环境库兹涅茨曲线理论,研究区当前经济发展水平尚未跨越环境污染随收入增长而加剧的临界点。因此,尽管障碍度降低,收入增长对生态环境的负面影响仍处于上升阶段。

相比之下,高程、坡度等自然地形因子对平陆运河流域生态安全的贡献程度较低。人均耕地因子的影响不显著,且其影响强度随时间增加呈持续减弱趋势。然而,水体覆盖度因子障碍度虽然影响较小,但后期的升高表明其对区域生态安全的负面影响增强,凸显了水生生态环境在海岸带开发及平陆运河工程建设等人类活动中的敏感性。

3 讨论 3.1 PSR框架下生态环境的演化机制

本研究基于PSR模型揭示了平陆运河流域生态环境演变趋势,其时空特征显示,压力指标高值区集中于城镇、港口等点状开发区,而生态环境的提升依赖于大范围面状生态改善的累积。状态指标变化轨迹进一步表明,尽管以经济林地增加为代表的生态补偿产生了阶段性积极效应,但区域发展模式仍未摆脱资源环境消耗型特征[36-37]。值得关注的是,ESI先升后降的趋势与响应指标的持续上升,表明区域生态环境并未得到根本改善,快速经济社会发展引发的生态风险依然存在。

上述差异化表现反映平陆运河流域生态环境对大规模人类活动的非线性响应机制,“点—面异质性”与“反馈机制缺失”这两个关键特征,凸显出当前生态环境治理从被动适应向主动应对转型的迫切需求。区域发展必须推动开发建设从单纯的生态资源消耗模式转向生态资本投入模式,并通过构建有效的反馈调节机制,保障区域生态环境的可持续发展[38]

3.2 平陆运河流域生态安全障碍与应对措施

平陆运河流域生态安全障碍因子诊断结果显示,压力层障碍度持续升高,响应层障碍度不断下降,而状态层障碍度呈现波动变化特征。这一现象反映出当前平陆运河流域在以经济效益为首要导向的发展模式下,生态环境治理面临主体构成复杂、市场机制滞后等现实挑战。已有研究指出,生态环境治理的多目标性与高度复杂性,要求其治理体系必须遵循一个核心框架,即实现“主体—领域”“制度—对象”的双重适配,推动多元行动的协同,并统筹城乡发展,该框架是治理体系有效运行的关键[39-40]。这一框架的建立依赖于治理主体与治理领域的协同演进、治理制度与作用对象的精准匹配,以及跨部门行动的联动机制与城乡资源的均衡配置。基于此,平陆运河流域亟须强化协调机制,统筹政府、企业及社会资本等多元化治理主体,创新生态环境治理体系,引导各类市场主体参与生态环境治理过程,并结合区域实际制定差异化的生态环境保护标准与法规。通过科学规划、技术创新与制度约束的协同作用,构建基础设施支撑发展、发展反哺生态安全的良性循环机制。

4 结论

本研究聚焦平陆运河流域,重点构建生态环境质量评价体系并评估其生态安全状况,旨在为该流域的生态环境保护与可持续发展目标的实现提供科学依据。主要研究结果如下:①2005—2025年平陆运河流域土地利用变化显著,耕地面积减少1 153.93 km2,而林地与建设用地面积分别增加979.79、236.65 km2,呈现耕地减、林地和建设用地增、水体和湿地缩、未利用地微升的趋势,反映流域土地向林地生态化与建设用地扩张的双向演变;②3个研究时期ESI呈先上升后下降的趋势,2005、2015、2025年高值区面积占比分别为16.32%、18.53%和18.01%,且空间分异格局明显;③生态安全格局空间分布表现出显著的H-H集聚和L-L集聚,表明建设用地扩张及港口等大型基础设施的建设对局部生态环境产生了较强的负面作用;④人口密度、景观多样性、路网密度、植被覆盖率及人均可支配收入是制约研究区生态安全水平的主要障碍因子。依据准则层障碍度变化趋势,压力层障碍度最高且持续上升,响应层障碍度则不断下降,而状态层障碍度呈波动变化。

未来,平陆运河的建成将成为区域土地利用变化的关键驱动因素,会深刻改变土地利用的结构、功能与演变路径,使变化态势更趋复杂化与动态化,进而导致该区域生态环境评价体系不仅需调整指标,还要重构内部因果链。本研究未能完全解析PSR各指标与平陆运河的交互作用及耦合机制,后续研究需在完善指标的基础上,引入系统动力学模型,定量揭示其非线性反馈回路与生态安全格局变化特征,精确识别生态优先保护与修复区域。

参考文献
[1]
赵其国, 黄国勤, 马艳芹. 中国生态环境状况与生态文明建设[J]. 生态学报, 2016, 36(19): 6328-6335.
[2]
陈瑜琦, 吕春艳, 张朋. 生态保护红线管控的基本逻辑与实现路径[J]. 自然资源学报, 2025, 40(8): 2104-2117.
[3]
孙阳, 张落成, 姚士谋. 基于社会生态系统视角的长三角地级城市韧性度评价[J]. 中国人口·资源与环境, 2017, 27(8): 151-158.
[4]
姜磊, 柏玲, 吴玉鸣. 中国省域经济、资源与环境协调分析: 兼论三系统耦合公式及其扩展形式[J]. 自然资源学报, 2017, 32(5): 788-799.
[5]
徐涵秋. 区域生态环境变化的遥感评价指数[J]. 中国环境科学, 2013, 33(5): 889-897.
[6]
徐涵秋, 唐菲. 新一代Landsat系列卫星: Landsat 8遥感影像新增特征及其生态环境意义[J]. 生态学报, 2013, 33(11): 3249-3257.
[7]
JING Y Q, ZHANG F, HE Y F, et al. Assessment of spatial and temporal variation of ecological environment quality in Ebinur Lake Wetland National Nature Reserve, Xinjiang, China[J]. Ecological Indicators, 2020, 110: 105874. DOI:10.1016/j.ecolind.2019.105874
[8]
LI J X, SONG C H, CAO L, et al. Impacts of landscape structure on surface urban heat islands: a case study of Shanghai, China[J]. Remote Sensing of Environment, 2011, 115(12): 3249-3263. DOI:10.1016/j.rse.2011.07.008
[9]
PETTORELLI N, VIK J O, MYSTERUD A, et al. Using the satellite-derived NDVI to assess ecological responses to environmental change[J]. Trends in Ecology & Evolution, 2005, 20(9): 503-510.
[10]
朱玉林, 李明杰, 顾荣华. 基于压力-状态-响应模型的长株潭城市群生态承载力安全预警研究[J]. 长江流域资源与环境, 2017, 26(12): 2057-2064.
[11]
DAS S, PRADHAN B, SHIT P K, et al. Assessment of wetland ecosystem health using the pressure-state-response (PSR) model: a case study of Mursidabad District of west Bengal (India)[J]. Sustainability, 2020, 12(15): 5932. DOI:10.3390/su12155932
[12]
张秀娟, 周立华. 基于DFSR模型的北方农牧交错区生态系统健康评价: 以宁夏盐池县为例[J]. 中国环境科学, 2012, 32(6): 1134-1140.
[13]
TIAN S, ZHANG Y J, XU Y, et al. Urban ecological security assessment and path regulation for ecological protection: a case study of Shenzhen, China[J]. Ecological Indicators, 2022, 145: 109717. DOI:10.1016/j.ecolind.2022.109717
[14]
何晔宇, 匡耀求. 基于驱动力-压力-状态-影响-响应模型的粤港澳大湾区惠州海岸带生态安全评价分析[J]. 环境污染与防治, 2020, 42(3): 362-368.
[15]
PENG C C, LI B, NAN B. An analysis framework for the ecological security of urban agglomeration: a case study of the Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Cleaner Production, 2021, 315: 128111. DOI:10.1016/j.jclepro.2021.128111
[16]
梅骏翔, 汤烨, 何莹洁, 等. 基于多源数据和最小累积阻力模型的漓江风景道选线研究[J]. 广西科学, 2024, 31(6): 1178-1187.
[17]
DAI L, LIU Y B, LUO X Y. Integrating the MCR and DOI models to construct an ecological security network for the urban agglomeration around Poyang Lake, China[J]. Science of the Total Environment, 2021, 754: 141868. DOI:10.1016/j.scitotenv.2020.141868
[18]
ZHANG Y, SHE J Y, LONG X R, et al. Spatio-temporal evolution and driving factors of eco-environmental quality based on RSEI in Chang-Zhu-Tan metropolitan circle, Central China[J]. Ecological Indicators, 2022, 144: 109436. DOI:10.1016/j.ecolind.2022.109436
[19]
李妍, 张国钦, 余鸽. 乡村振兴背景下农村环境质量评价指标体系研究进展[J]. 生态与农村环境学报, 2023, 39(2): 146-155.
[20]
赵嘉丽, 李兴, 孙冰. 基于AWRSEI的岱海流域生态环境质量时空演变及驱动因子分析[J]. 环境科学, 2024, 45(3): 1598-1614.
[21]
LIU C, YANG M H, HOU Y T, et al. Spatiotemporal evolution of island ecological quality under different urban densities: a comparative analysis of Xiamen and Kinmen Islands, southeast China[J]. Ecological Indicators, 2021, 124: 107438. DOI:10.1016/j.ecolind.2021.107438
[22]
杨清可, 段学军, 王磊, 等. 基于"三生空间"的土地利用转型与生态环境效应: 以长江三角洲核心区为例[J]. 地理科学, 2018, 38(1): 97-106.
[23]
LI A N, WANG A S, LIANG S L, et al. Eco-environmental vulnerability evaluation in mountainous region using remote sensing and GIS: a case study in the upper reaches of Minjiang River, China[J]. Ecological Modelling, 2006, 192(1/2): 175-187.
[24]
成国兴, 杨倩, 张宜权. 浅谈城市的绿色基础设施建设与生态环境保护[J]. 长春理工大学学报, 2013, 8(1): 66-67.
[25]
赵金金, 余敏辉, 刘博, 等. 一体化对长三角地区运河城市文旅融合发展的影响研究: 内在机理与空间效应[J]. 地域研究与开发, 2025, 44(4): 112-122.
[26]
俞孔坚, 李迪华, 李伟. 论大运河区域生态基础设施战略和实施途径[J]. 地理科学进展, 2004, 23(1): 1-12.
[27]
刘瑞, 朱道林. 基于转移矩阵的土地利用变化信息挖掘方法探讨[J]. 资源科学, 2010, 32(8): 1544-1550.
[28]
NIE X R, HU Z Q, ZHU Q, et al. Research on temporal and spatial resolution and the driving forces of ecological environment quality in coal mining areas considering topographic correction[J]. Remote Sensing, 2021, 13(14): 2815. DOI:10.3390/rs13142815
[29]
杨一鹏, 蒋卫国, 何福红. 基于PSR模型的松嫩平原西部湿地生态环境评价[J]. 生态环境, 2004, 13(4): 597-600.
[30]
臧明润, 廖远鸿, 陈舟, 等. 土地覆盖分类体系分析和总结[J/OL]. 自然资源遥感, 2024: 1-19(2024-02-07)[2025-09-04]. https://link.cnki.net/urlid/10.1759.P.20240205.0831.002.
[31]
岳文泽, 徐建华, 徐丽华. 基于遥感影像的城市土地利用生态环境效应研究: 以城市热环境和植被指数为例[J]. 生态学报, 2006, 26(5): 1450-1460.
[32]
商勇, 丁咏梅. 最优组合预测方法评析[J]. 统计与决策, 2005(9): 122-123.
[33]
杜斌, 张坤民, 彭立颖. 国家环境可持续能力的评价研究: 环境可持续性指数2005[J]. 中国人口·资源与环境, 2006, 16(1): 19-24.
[34]
陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进[J]. 地理研究, 2009, 28(6): 1449-1463.
[35]
WANG D, SHEN Y, ZHAO Y Y, et al. Integrated assessment and obstacle factor diagnosis of China's scientific coal production capacity based on the PSR sustainability framework[J]. Resources Policy, 2020, 68: 101794. DOI:10.1016/j.resourpol.2020.101794
[36]
许峻模, 温远光, 孙冬婧, 等. 生态营林桉树人工林林木生长动态分析[J]. 广西科学, 2023, 30(3): 494-503.
[37]
王姣娥, 张佩, 焦敬娟. 跨区域重大基础设施空间效应评估的理论框架[J]. 地理科学, 2023, 43(4): 575-585.
[38]
韩兆兴, 张宁, 肖杨, 等. 重大运河工程环境影响识别与评价指标体系研究[J]. 环境工程技术学报, 2022, 12(6): 1860-1866.
[39]
吴衍霖, 周晓果, 温远光, 等. 尾巨桉-红锥混交复合生态营林模式下尾巨桉采伐强度对林下植物多样性的影响[J/OL]. 广西科学, 2025: 1-15(2025-03-11)[2025-09-03]. https://doi.org/10.13656/j.cnki.gxkx.20250310.002.
[40]
于法稳, 孙韩小雪, 吴青林. 健全生态环境治理体系的理论分析与实践路径: 基于系统观念的视角[J/OL]. 中国农村经济, 2025: 3-21(2025-08-11)[2025-09-04]. https://doi.org/10.20077/j.cnki.11-1262.