基于SRP模型的南雄丹霞梧桐自然保护区生态脆弱性评价

李芮芝，胡希军,2*，杜心宇，雷雨菁，张 伟

(1.中南林业科技大学 风景园林学院，湖南 长沙 410004；2.中南林业科技大学 城乡景观生态研究所，湖南 长沙 410004)

近几十年来，气候变化和人为不断的干扰和破坏导致生态系统退化、生态多样性丧失、森林退化等一系列生态环境问题的出现[1-2]。自然保护区为生物多样性和珍稀濒危植物品种提供了保护屏障，是维持生态系统平衡不可缺少的环节，同时也是极易受到干扰和威胁的生态脆弱区域[3-4]。生态脆弱性分析作为了解生态系统平衡的重要方法和主要研究方向之一[5]，在自然保护的相关领域应用较广。

生态脆弱性是指一个系统易受气候变化和人类活动的负面影响，并在一定的干扰程度上无法恢复到原来的状态[6]。目前生态脆弱性评价有：运用GIS景观格局进行分析[7]；运用主成分分析[8]等方法计算因子权重进行评价；通过构建逻辑框架模型进行评价。例如常用到的有“压力-状态-响应”(PSR)模型[9]，“暴露性-敏感性-适应能力”(VSD)模型[10]，“敏感度-恢复力-压力度”(SRP)模型[11]，“暴露度-敏感性-应对能力”(ESC)模型[12]等。本研究运用SRP逻辑框架模型，基于主成分分析计算模型中要素权重对南雄丹霞梧桐自然保护区进行脆弱性分析和等级评价，分析保护区脆弱性产生原因并提出相应保护建议，以期为自然保护区生态脆弱区的生态环境稳定保护提供借鉴。

1 研究区概况

图1 丹霞梧桐自然保护区范围Fig.1 Boundary of Danxia Indus Nature Reserve

2 材料与方法

2.1 数据来源及处理

2.1.1 数据来源

2.1.1.1 地形数据 高程、地貌类型的数据来源于中国资源环境数据云平台(http://resdc.cn/Default.aspx)，坡度、坡向、地形起伏度、通过数字高程计算得到，地类通过林班图纸描绘得到。

2.1.1.2 地表数据 土地覆被、土壤侵蚀强度、土壤类型、地貌类型的数据来源于中国环境资源数据云平台(http://resdc.cn/Default.aspx)和国家地球系统科学数据中心(http://www.geodata.cn/index.html)。

2.1.1.3 气象数据 年均温、年均降雨、年均风速、年日照时数的数据来源于国家地球系统科学数据中心(http://www.geodata.cn/index.html)和国家气象科学数据中心(http://data.cma.cn/site/index.html)。

2.1.1.4 水文数据 水源缓冲区、水体密度通过对遥感影像和地形图资料矢量化后，在ArcGIS中进行相应分析得到。

2.1.1.5 其他数据 珍稀物种分布点数据通过实地考察定位获得，植被覆盖度数据来自于国家地球系统科学数据中心(http://www.geodata.cn/index.html)，叶面积指数、净第一性生产力、人口密度、生物多样性和GDP密度数据通过中国环境资源数据云平台(http://resdc.cn/Default.aspx)，道路缓冲区是通过对遥感影像和地形图资料上的道路进行矢量化后在ArcGIS中对其进行缓冲区分析得到。

（1）坚持因地制宜、科学规范化发展。在此过程中应该重视结合自身资源，明确产业特点，积极深入干果经济林产业建设，重视发展与本地区经济同步的产业。

2.1.2 各因素数据处理 将地形图和林班纸质文档扫描件导入GIS，设置地理和投影坐标系，并进行地理校准，对红线内部小林班线进行polygon描绘，并编辑属性，录入地籍号，通过地籍号关联小林班数据库，形成林班属性数据，通过要素转栅格工具将polygon数据转换为栅格数据备用。

将所下载的栅格数据导入GIS并导出为与矢量数据统一的地理和投影坐标系，对于精度不够的栅格数据，将其矢量化后通过克里金插值法或IDW插值法进行重新分析，生成相应精度的栅格，通过重采样工具将栅格转化为统一象元大小的栅格数据，并使用研究区红线polygon数据进行裁剪备用。

将考察时录入的GPS数据导入GIS并导出为与其他数据统一的地理和投影坐标系，相应溪流line数据和水面polygon数据通过GPS定点结合卫星影像和地形图扫描件结合描绘而成，将溪流line数据通过线密度工具处理为相应象元大小的栅格数据，珍稀物种分布点的point数据、道路line数据与水源polygon数据进行多重缓冲处理，形成缓冲面数据，通过要素转栅格数据转换为栅格数据并运用研究区红线polygon数据进行裁剪备用。

2.2 生态脆弱性评价指标模型构建

参考SRP模型相关文献[11-14]，敏感性根据研究区自然条件从地形、地表、气象、水文和珍稀程度的角度出发；恢复力根据保护区的生物资源条件从植被和生物多样性的角度出发；压力度根据研究区受干扰的相关因素，从经济和人类活动的角度出发，本研究的脆弱性评价指标共选择了24个要素进行数值提取计算(表1)。

表1 生态脆弱性评价指标体系Table 1 Index system of the ecological vulnerability assessment

生态敏感性和生态压力度中要素均为正向要素，在脆弱性评价要素分级赋值时值越大等级越高，赋值越大，恢复力中要素为负向要素，在脆弱性评价要素分级时值越大等级越低，赋值越小。

2.3 指标筛选及权重计算

运用GIS平台的Extract by Mask工具对研究区栅格数据进行裁剪，运用Extract Multi Values to Points工具将栅格数据值提取至点，形成评价要素层m个评价要素i(每个要素包含n个数据点j所提取的数据值)的提取数据集，对其进行归一化形成标准化数矩阵A，导入SPSS 26.0进行主成分分析，得到KMO取样适切性量数为0.726>0.6，Bartlett球形检验的显著性P值为0.000<0.05，说明数据适合做因子分析。提取特征根>1，方差贡献率>5%，累积方差百分比>70%的前6个主成分y进行分析：

综合得分模型系数vi的计算：

(1)

式中，biy为成分矩阵中要素i在成分y中的值，ay为特征根，py为方差贡献率。

权重计算(归一化)：

(2)

脆弱性评价栅格数据Z计算：

(3)

式中,Z为最终的综合脆弱性指数值，Si为要素赋值，wi为要素权重，要素权重值由综合得分模型系数vi归一化得来。

2.4 各指标层分级

对于有数值值域的要素栅格数据，通过GIS的reclassify工具对栅格数据进行赋值，通过自然断点法，正向要素值域由大到小依次赋值为1、2、3、4、5，负向要素值域由大到小依次赋值5、4、3、2、1。

对于属性要素数据，依据相应属性的脆弱性(如根据干扰强度和抗干扰能力其他用地>耕地>林地>建设用地>水域[15]，依据脆弱性分级为耕地>建设用地>其他用地>水域>草地>林地[16]，依据土地覆被类型分级为高寒草甸湿地>高寒草甸>水域>其他>林地[17]或建设用地、水域>旱地、水田>林、草地>沼泽地[18]，生态系统层次越丰富对干扰的抵抗能力越高，地类的人类活动强度越高越脆弱)进行赋值(表2，图2)。

表2 要素生态脆弱性赋值Table 2 Assignment values of theecological vulnerability for relative factors

图2 要素脆弱性空间分布Fig.2 Spatial distribution of factor vulnerability

3 结果与分析

3.1 基于生态敏感性(sensitivity)准则的生态脆弱性分析

在生态敏感性准则下的生态脆弱性评价要素均为正向要素，其值越高，生态脆弱性越高，从生态脆弱性空间分布图以及生态脆弱性等级分析结果可知(图3、表3)，研究区中度脆弱等级以上面积占比>50%，生态脆弱性在生态敏感性准则上整体偏高，主要集中于研究区北部和中部。

表3 基于生态敏感性准则的生态脆弱性等级Table 3 Ecological vulnerability grade based on ecological sensitivity criteria

图3 基于生态敏感性准则的生态脆弱性空间分布Fig.3 Spatial distribution of ecological vulnerability based on ecological sensitivity criteria

从生态敏感性准则的要素重要性分析可以得知(图4)，在生态敏感性准则中对生态脆弱性分布结果影响最大的要素为土壤侵蚀强度，其次为水源缓冲区。

图4 基于生态敏感性准则的要素重要性分析Fig.4 Factor importance analysis based on ecological sensitivity criteria

3.2 基于生态恢复力(resilience)准则的生态脆弱性分析

在生态恢复力准则下的生态脆弱性评价要素均为负相要素，其值越高，生态脆弱性越高，从图5、表4可知，研究区中度脆弱等级以下的面积占比>50%，集中于西部和西南部，生态脆弱性在生态恢复力准则上整体偏低，且在研究区东部有极度脆弱的集中分布。

表4 基于生态恢复力准则的生态脆弱性等级Table 4 Ecological vulnerability grade based on ecological resilience criteria

图5 基于生态恢复力准则的生态脆弱性空间分布Fig.5 Spatial distribution of ecological vulnerability based on ecological resilience criteria

从生态恢复力准则的要素重要性分析可知(图6)，在生态恢复力准则中对生态脆弱性分布结果影响最大的要素为生物多样性，其次为植被覆盖度。

图6 基于生态恢复力准则的要素重要性分析Fig.6 Factor importance analysis based on ecological resilience criteria

3.3 基于生态压力度(pressure)准则的生态脆弱性分析

在生态压力度准则下的生态脆弱性评价要素均为正向要素，其值越高，生态脆弱性越高，从生态脆弱性空间分布图以及生态脆弱性等级分析结果可知(图7，表5)，研究区中度脆弱等级以下面积占比>60%，分布主要集中于西部及东部，生态脆弱性在生态压力度准则上整体偏低，在研究区中部有极度脆弱的集中分布。

表5 基于生态压力度准则的生态脆弱性等级Table 5 Ecological vulnerability grade based on ecological pressure criteria

图7 基于生态压力度准则的生态脆弱性空间分布Fig.7 Spatial distribution of ecological vulnerability based on ecological pressure criteria

从生态压力度准则的要素重要性分析可以得知(图8)，在生态压力度准则中对生态脆弱性分布结果影响最大的要素为GDP密度和人口密度。

图8 基于生态压力度准则的要素重要性分析Fig.8 Factor importance analysis based on ecological pressure criteria

3.4 保护区生态脆弱性(vulnerability)综合分析

从综合生态脆弱性空间分布图和综合生态脆弱性等级分析结果可知(图9，表6)，研究区中度脆弱等级面积占比最高，在研究区北部有极度脆弱的集中分布。

表6 综合生态脆弱性等级Table 6 Comprehensive ecological vulnerability grade

图9 综合生态脆弱性空间分布Fig.9 Spatial distribution of comprehensive ecological vulnerability

从生态脆弱性评价准则重要性分析可以得知(图10)，生态敏感性对综合生态脆弱性分布结果影响最大，接近70%，在生态敏感性准则上整体偏高的生态脆弱性分布影响下，研究区的生态脆弱性综合评价结果较高，说明研究区整体生态脆弱性较强，应做好生态保护工作。

图10 生态脆弱性评价的准则重要性分析Fig.10 Criteria importance analysis of ecological vulnerability

研究区综合生态脆弱性的空间分布结果是由3个准则的评价结果共同决定的，在研究区的西部，虽然在敏感性准则中生态脆弱性高，但在压力度和恢复力的准则中都很低，因而在综合评价结果中呈现中度偏低的状态，研究区的中部和北部由于压力度和敏感性的综合影响形成了较高的脆弱性分布，而在研究区东部的极高脆弱性则是由敏感性和恢复力的共同影响形成的。

4 结论与讨论

从准则层看，综合SRP模型3项准则的分析结果，敏感性依据研究区自然条件，恢复力依据研究区生物资源条件，压力度依据研究区受干扰因素进行评价，生态脆弱性在恢复力和压力度原则下的整体偏低表明研究区受到了较好的保护，整体生物资源条件较好且干扰较少，敏感性原则下的整体偏高表明研究区的自然条件不稳定，容易遭到破坏。

从指标层看，影响综合生态脆弱性空间分布的主导要素为敏感性准则下的土壤侵蚀强度和水源缓冲区、恢复力准则下的生物多样性和植被覆盖度以及压力度准则下的GDP密度和人口密度。研究区东部土壤侵蚀强度高、距离水源远、生物多样性和植被覆盖均较低，导致了较高的生态脆弱性；研究区中部无水源分布，较高的GDP密度、人口密度和土壤侵蚀强度，导致了中部较高的生态脆弱性。

研究区整体土壤侵蚀强度大，水源分布少，对于敏感性准则下高脆弱性等级的区域应注意保护，防止生态问题发生；研究区整体生物多样性和植被覆盖度情况较好，对研究区东部可采取一定的森林涵养措施以保持和提高整体恢复力水平；GDP密度和人口密度的数据均反映了人的活动干扰的影响，对于研究区中部自然条件不稳定区域应减少人为活动，可采取转移内部人员和相应生产经营活动等措施缓解研究区中部干扰压力。

与城市等相关人类活动比较活跃的研究区的生态脆弱性研究相比较，本研究依据自然保护区的功能特性和自然条件对其脆弱性的评价体系进行了一定调整，使得自然保护区的优越自然条件和主要的不利因素得以体现，同时在空间尺度上，本研究的宏观数据相对区域性研究有更高的精细性的要求，通过与林调数据、科考报告、实地考察数据相结合，一定程度上弥补了数据的精度要求，分析的结果可以反映保护区的现状，结果显示SRP模型可以运用于自然保护区的相关研究中。在本研究中SPR模型的权重计算方式为主成分分析法，单一的计算方式有一定的局限性，在同类型的研究中，可以与其他的计算方式如AHP、logistics、熵权法等方法相结合进行计算；本研究的评价结果受数据来源的影响较大，数据来源精度不够，还有待进一步加强，如在压力度准则的评价中可以通过更深入的住房、人口、产业等方面的实地调查，形成精度更佳的数据。