基于SRP模型的四川省生态脆弱性评价

金丽娟, 许泉立,*

基于SRP模型的四川省生态脆弱性评价

金丽娟1,2,3,4, 许泉立1,2,3,4,*

1. 云南师范大学地理学部, 昆明 650500 2. 云南师范大学西部资源环境GIS技术教育部工程研究中心, 昆明 650500 3. 云南省地理空间信息技术工程技术研究中心, 昆明 650500 4. 云南省高校资源与环境遥感重点实验室, 昆明 650500

综合评价四川省生态环境脆弱性, 掌握四川省生态脆弱性的时空分布特征, 有助于为生态环境治理和修复工作的实施与改进提供理论支持。以土地利用数据、DEM数据、MODIS 13Q数据、气象数据、土壤数据等为基础地理数据, 选取人口密度、土壤有机质、景观多样性指数、土壤侵蚀强度、生物丰度、植被净初级生产力等17个评价指标, 基于地理信息技术和遥感技术, 结合SRP模型, 采用层次分析方法构建四川省生态脆弱性评价指标体系, 对四川省2005—2018年的生态环境脆弱性进行评价。结果表明: 四川省生态环境脆弱性以中度脆弱为主, 占全省总面积的55.11%。空间分布上, 微度、轻度脆弱区主要分布在研究区的东南部、西南部和西北部; 重度脆弱区主要分布在研究区的东北部、西南部和东部; 极度脆弱区主要分布在研究区的中部、东北部、西部和西南部。时间变化上, 2005—2010年四川省生态环境脆弱性呈逐年恶化的趋势, 微度、轻度脆弱面积占比较2005年分别下降了1.67%、29.87%, 中度、重度、极度脆弱面积占比较研究初期分别增加了1.07%、27.7%、2.77%; 2010-2018年四川省生态环境脆弱性呈不断改善的趋势, 微度、轻度、中度脆弱面积占比分别较2010年增加了3.36%、9.4%、12.84%, 重度、极度脆弱面积占比较2010年下降了22.39%、1.2%。

生态脆弱性; SRP模型; 层次分析法; 四川省

0 前言

随着社会经济的高速发展, 城市化进程的不断推进以及人类活动强度的增加, 气候和土地利用变化导致的全球生态环境问题日益突出, 诸如生态系统退化、生物多样性锐减、水土流失、土地荒漠化、环境污染、自然灾害频发等问题不断涌现[1], 直接影响着区域的自然条件和社会经济发展状况, 同时也呈现出生态环境的脆弱性。随着全球环境变化影响研究的不断深入, 有关生态脆弱性各方面内容的探索逐步成为环境变化与可持续发展的热点与核心问题, 其研究内容不断扩展, 研究领域日趋广泛并且呈现多学科融合的趋势[2]。党的十八大以来, 习总书记不断强调生态文明建设的重要性, “绿水青山就是金山银山”的理念不断深入人心。2019年四川省生态环境厅全省生态环境监测方案指出, 要加强生态状况遥感监测, 为生态保护提供坚强支撑, 开展省域和典型生态区域的生态状况监测与评价。

目前相关领域的很多学者和专家都对生态环境的可持续发展和生态脆弱性进行了大量的研究, 诸如徐庆勇等基于遥感和地理信息系统, 结合空间主成分分析方法构建评价指标体系, 采用层次分析方法确定指标权重, 对珠江三角洲生态环境脆弱性进行综合评价[3]。齐珊珊基于生态敏感性-生态恢复力-生态压力模型, 结合层次分析方法, 通过计算景观结构指数、土壤侵蚀强度、植被覆盖度和人口密度等生态环境脆弱性评价指标评价甘肃省白龙江流域的生态环境[4]。贾艳红等利用生态安全评价状态-压力-响应概念框架模型, 通过计算海拔高度、草地覆盖率、草原退化率和湿润度等评价指标权重, 结合熵权法和综合评价法对甘肃牧区的生态安全进行评价, 结果表明使用熵权法确定评价指标权重能减少评价过程中人为因素的干扰, 评价结果更客观合理[5]。徐洲洋基于2000到2016年间四川省社会、经济、农业和生态等统计数据, 构建压力-状态-响应模型, 分市级和县级两种尺度对四川省区域生态系统健康进行综合评价与分析[6]。农兰萍等通过遥感技术手段, 采用遥感生态指数模型, 通过计算绿度、湿度、干度和热度四个生态指标, 结合主成分分析方法对昆明市生态环境质量进行动态监测与评价研究[7]。可见, 对各区域生态环境脆弱性的评价已经成为该领域一个重要的研究方向。因为自然因素和社会人为因素的共同影响, 生态环境脆弱性问题在四川省表现得越来越明显, 目前对四川省的研究主要集中在水资源承载力动态评价、生态系统服务价值评估、遥感数据在生态环境状况评价中的不确定性研究、基于遥感生态指数的生态环境质量评价、生态安全及时空演变分析等方面[8-13], 对生态环境脆弱性的研究相对较少。因此本文结合遥感影像、地理信息系统和SRP概念模型, 选取17个涵盖地形、地表、气象、结构、功能和压力等多个方面的评价因子对四川省进行生态脆弱性评价, 分析四川省2005—2018年生态脆弱性的时空变化趋势, 为四川省生态环境恢复和生态文明建设提供参考依据。

1 研究区概况

四川省位于中国西南部, 处长江上游, 享有“天府之国”的美誉, 全省面积约48.6万km2, 2019年末全省户籍人口9099.5万人, 常住人口8375万人, 辖18个地级市、3个自治州, 183个县级行政区, 与重庆、贵州、云南、西藏、青海、甘肃和陕西等7省(自治区、直辖市)接壤。生物资源丰富, 全省有高等植物近万种, 约占全国总数的1/3, 是中国乃至世界的珍贵物种基因库之一; 境内河川径流丰富, 被誉为“千河之省”, 人均水资源量高于全国, 但时空分布不均匀; 季风气候明显, 雨热同季, 不同地区之间气候差异显著, 垂直变化大, 有利于农、林、牧业综合发展; 气象灾害频发, 波及范围大, 主要涉及干旱、暴雨、洪涝和地震等。复杂的地理环境, 加上人类对自然资源的过度开发以及汶川地震、雅安地震的影响, 四川省大部分地区生态环境日益退化, 因此科学研究四川省生态脆弱性重要而紧迫。

2 材料和方法

2.1 数据来源

四川省地形条件复杂, 自然灾害频发, 基于统计数据和影像数据, 选择多个评价指标, 通过这些指标之间的内在关系, 全方位选择数据来源, 对研究区的生态环境脆弱性进行评价研究。本文主要选取17个变量作为评价指标, 使用Yaahp软件通过层次分析方法确定各评价指标权重, 并根据人地耦合系统脆弱性概念框架[16]赋予相应权重, 具体评价指标选取情况及权重如表1所示。

2.2 评价方法

SRP模型(sensitivity-resilience-pressure)即“敏感-恢复-压力”模型, 是一种评价区域生态脆弱性的综合模型, 在一定的区域和时间内, 由于生态系统内部结构不稳定, 会对外界表现出敏感性, 同时因为系统缺乏自我调节能力会往不利于自身发展的方向演变, 因此呈现出恢复力[14]。SRP模型包括生态脆弱性的各个评价指标, 通过赋予每个指标不同的权重值和指数, 并对全部的权重值和指数相乘的结果进行累加, 最终求出生态脆弱性指数[15], 其计算方法如下所示:

式(1)中,为生态脆弱性指数, 其值越大, 生态脆弱性程度越低,的取值范围为(0, 1),F为第个指标指数,W为第个指标所对应的权重。

2.3 评价指标标准化

以上17个指标性质不同, 量纲不一致, 需要对所选取的评价指标采用极差标准化方法进行标准化处理, 标准化处理公式如下[17]:

表1 四川省生态环境脆弱性评价指标AHP权重及数据来源说明

式(2)、(3)中,X代表第个评价指标的标准化值;X为第个评价指标的原始数据;X代表第个指标的最大值;X代表第个指标的最小值。

2.3 评价指标计算

(1)生态压力度

生态压力指生态环境受到外界环境影响, 危及生态系统稳定性而产生的环境效应, 一般包括人口活动压力和经济活动压力[18], 本文用人口密度、单位建设用地和耕地占比表示, 其中人口密度反映生态环境的人口承载量[19], 单位建设用地和耕地占比利用土地利用数据中的建设用地、耕地两种土地利用类型, 按照1 km ⅹ 1 km为格网计算每个格网里面的地类面积, 从而计算各个占比[20]。

(2)生态敏感性

生态敏感性指标的选择应全面综合地考虑研究区的尺度和复杂性, 遵循客观性、相关性、数据资料易于获取的原则[21], 本文主要选取地形因子、地表因子和气象因子, 其中地形因子包括高程、坡度、坡向和地形起伏度; 地表因子主要是植被覆盖度和土壤侵蚀强度; 气象因子主要包括年均降水、年均气温。

①高程数据来源于USGS (https://earthexplorer. usgs.gov/)网站下载的ASTGTM数据, 进行镶嵌得到四川省的DEM, 从而借助ArcGIS软件提取高程、坡度、坡向和地形起伏度等地形因子。其中地形起伏度表示最高点与最低点的高差, 根据地形起伏度分类标准对四川省进行分类[22], 得出四川省主要以丘陵、小起伏山地和中起伏山地为主, 丘陵主要分布在四川省的东部地区, 山地主要分布在西部地区。

②植被覆盖度是衡量区域植被生长状况的一个重要指标, 受降水和气温等气候因素的影响较大, 对生态环境的自我调节与恢复起着重要作用。本文采用MODIS 13Q数据, 运用最大值合成计算全年最大NDVI合成值。

式(4)中:表示植被覆盖度;表示归一化植被指数;、分别表示的最大值和最小值。

③土壤侵蚀强度是地壳表层土壤在自然营力和人类活动作用下, 单位面积和单位时间内被剥蚀并发生移动的土壤侵蚀量, 本文采用改进的土壤侵蚀模型RUSLE计算[23], 具体为:

式(5)中,代表土壤侵蚀模数, 单位: t/(hm2·a) (每年每公顷土地流失的吨数);代表降雨侵蚀力因子, 单位: MJ ·mm/(hm2·h·a);代表土壤可蚀因子, 单位: t·hm2·h/ hm2·MJ·mm;代表坡度坡长因子;代表植被覆盖度因子;代表水土保持措施因子。

降雨侵蚀力因子R采用降雨量进行计算[14]:

式(6)中,P代表多年平均降雨量, 单位: mm;为每年的多年平均降雨量, 单位: mm;为降雨侵蚀力因子, 单位: MJ ·mm/(hm2·h ·a)。

土壤可蚀性因子是土壤面对侵蚀的敏感程度, 土壤资料数据来源于第二次全国土地调查南京土壤所1:100万的土壤数据, 主要使用其中的砂粒、粉粒、粘粒以及有机碳的含量4种数据, 具体计算模型如下:

式(7)、(8)中,为土壤可蚀性因子, 单位为 t·hm2·h/ hm2·MJ·mm;S为沙粒含量(%),S为粉砂含量(%),C为粘粒含量(%),为有机碳含量(%),S=1-S/100。

坡度坡长因子(LS因子)表征地表状态对土壤侵蚀的敏感性程度[24], 其计算公式如下:

式(9)中,为坡度坡长因子,为坡长,为坡度,为随坡度变化的量。

植被覆盖度因子反映植被的覆盖度对水土流失的抑制程度, 其取值范围[0, 1], 计算公式如式(10)所示, 植被覆盖度因子值越大, 土壤侵蚀量越严重[25]。

水土保持措施因子是采取水土保持措施之后的土壤侵蚀量与顺坡无水土保持种植时的土壤侵蚀量的比值, 取值范围为0—1, 当因子值时 0 时, 代表该部分区域已施行相关水土保持措施, 且措施有效, 不再发生土壤侵蚀; 当因子值是 1 时, 代表该部分区域目前为止并未采取任何相关的水土保持措施来阻碍土壤侵蚀的发生和发展; 除此之外的任何情况,因子取值介于 0—1 之间, 水土保持措施因子根据研究经验进行赋值。

④年均降水, 降水是水循环过程的关键环节, 准确掌握空间化降水信息对水资源管理、生态环境治理与修复具有重要意义[26-27]。本文主要对2005、2010、2015、2018年的年均降水量进行空间插值, 进而得到四川省年平均降水的空间分布规律。

⑤年均气温, 对2005、2010、2015、2018年的年平均气温数据集进行空间插值, 进而得到四川省年均气温的空间分布规律。

(3)生态恢复力

①景观多样性指数反映景观类型丰富度和复杂度[15]。运用Fragstats软件对土地利用数据运用移动窗口法, 窗口大小为1km, 计算公式如下:

式(11)中,为景观类型数,P为类景观所占面积比。

②植被净初级生产力(Net Primary Productivity, NPP)是陆地生态系统碳循环的重要组成部分, 既可以反映植被的物质生产能力, 也可以揭示气候环境变化[28]。本文采用2005、2010、2015和2018年的遥感数据, 结合Potter和Field在Monteith基础上改进的CASA模型[29-30], 计算公式如下所示。

式(12) 、(13)中,表示时间,表示空间,表示月份像元的植被净初级生产力,为月份像元吸收的光合有效辐射;为月份像元的实际光合利用率。植被NPP随参数时间和地点的变化而变化, 是评价植被生态变化的重要指标, 受气候和人类活动共同影响。

③生物丰度是评价生态环境质量的一项重要指标, 可以间接说明区域生态环境优劣程度[14], 本研究生物丰度指数计算模型主要参照国家环境保护总局发布的《生态环境状况评价技术规范(试行)HJ/ T192—2006》的标准, 结合土地利用数据, 按式(14)进行计算[31-32]。

式(14)中,代表耕地面积,代表林地面积,代表草地面积,代表水域面积,代表建设用地面积,代表未利用地面积, 区域面积用表示。

3 结果与分析

3.1 四川省综合判断标准及结果

根据四川省复杂的生态环境特点, 结合四川省4个时期的基础数据选取17个评价指标并赋予相应的权重, 将四川省不同时期的评价结果通过ArcGIS的自然间断法对生态脆弱性程度等级进行划分[33-35], 将其划分为微度脆弱、轻度脆弱、中度脆弱、重度脆弱和极度脆弱5个不同等级, 具体的脆弱性程度划分结果如表2所示。将四川省4个不同时期的生态脆弱性结果进行归一化处理得到四川省生态脆弱性等级空间分布图, 如图2所示, 4个不同时期脆弱性程度的面积占总面积的百分比如表3所示。

表2 四川省生态脆弱性程度

表3 各时期脆弱区面积与比重表

3.2 四川省生态脆弱性时间变化特征

从全省视角分析, 四川省前5a的生态脆弱性呈逐渐恶化的趋势, 2010年微度、轻度脆弱面积较2005年减少了153335.12km2, 中度、重度、极度脆弱面积较2005年增加了153335.23km2, 其中生态重度脆弱增加的最为明显, 在2005年的基础上脆弱面积占比增加了27.7%; 2010-2015年四川省生态环境总体呈略微改善的趋势, 其中轻度脆弱面积较2010年少了12986.82 km2, 中度、重度脆弱面积较2010年增加13398.8 km2, 但是极度脆弱面积较少了418.31 km2; 2015-2018年生态环境呈不断改善的趋势, 其中微度、轻度、中度脆弱面积均有所增加, 增加比率分别为3.35%、12.08%、9.93%; 重度、极度脆弱面积较2015年均大幅度地较少, 减少比率分别为24.23%、1.12%。

从21个地级市角度分析, 2005-2010年由于受到汶川大地震的影响, 全省各个地级市生态脆弱性都呈不同程度增加, 如图1所示, 其中阿坝藏族羌族自治州、甘孜藏族自治州、成都市、资阳市、遂宁市、广安市、南充市等7个地级市生态环境恶化表现最为明显, 重度、极度脆弱面积分别为28323.31 km2、63126.8 km2、 9507.4 km2、5491.47 km2、4371.56 km2、5021.17 km2、11485.01 km2; 2010-2018年, 由于汶川地震灾后恢复重建对口支援方案的实施[36], 四川省各地级市的生态环境都得到了不同程度的改善, 其中改善最为明显的是阿坝藏族羌族自治州、甘孜藏族自治州、成都市、德阳市、乐山市, 重度、极度脆弱面积较2010年减少的比率分别为21.75%、1.01%, 20.81%、1.33%, 33.88%、2.76%, 63.94%、1.67%, 22.62%、2.63%。

3.3 四川省生态脆弱性空间分布

四川省微度、轻度脆弱区主要集中分布在研究区西部的甘孜藏族自治州、雅安市, 西北部的阿坝藏族羌族自治州、绵阳市, 西南部的凉山彝族自治州、眉山市和南部的宜宾市、攀枝花市等地区, 分别占全省面积的3.42%、24.05%, 主导因素为植被覆盖度、生物丰度以及汶川地震灾后恢复重建计划的实施, 其中阿坝羌族藏族自治州、凉山彝族自治州、甘孜藏族自治州为最主要分布区域, 面积为144730.10 km2。良好的光热条件使得此区域植被覆盖度高、物种类别丰富, 而且森林与草地面积大, 人口密度低, 人类活动相对较少, 对生态环境的破环较轻, 加之汶川地震灾后修复政策的大力实施, 这些正向因子相互作用使这些地区的生态环境脆弱性程度降低而且呈良性循环的状态。

四川省生态脆弱性主要以中度脆弱为主, 占全省面积的55.11%, 其中中度脆弱占比最大的地区主要分布在东北部的广安市、德阳市、南充市、巴中市, 中部的遂宁市、资阳市, 东南部内江市, 南部自贡市、宜宾市等地区, 中度脆弱面积为267877 km2, 西北部海拔高、坡度大, 森林覆盖度高, 植被类型丰富等有利条件, 而东南部、南部和中部地区, 降水量、平均相对湿度明显增加, 地貌类型丰富, 这些有利因素使这些地区的生态环境脆弱性处于相对平衡的状态。

四川省重度脆弱区几乎遍布全省各个地级市, 占全省总面积的15.17%, 其中生态脆弱性重度脆弱最严重的地区主要分布在成都市、广元市、巴中市、凉山彝族自治州、甘孜藏族自治州、达州市、攀枝花市和眉山市, 各市重度脆弱面积分别为3632.10 km2、3756.54 km2、2122.96 km2、11487.25 km2、3559.95 km2、1248.40 km2、899.29 km2, 主导因素是土壤侵蚀强度、土壤有机质、人口密度、单位建筑用地, 这些区域在近几年受到地震等自然灾害的影响较大, 生态脆弱性偏高。

图1 四川省各地级市2005—2018年生态脆弱性面积占比

Figure 1 Proportion of ecologically vulnerable areas in all prefecture-level cities of Sichuan Province from 2005 to 2018

图2 四川省生态脆弱性等级空间分布

Figure 2 Spatial distribution of ecological vulnerability levels in Sichuan Province

四川省极度脆弱区在每个地级市均有分布, 占全省面积的2.26%, 其中极度脆弱最恶劣的地区主要是成都市、德阳市、广安市、甘孜藏族自治州、雅安市、攀枝花市、遂宁市和眉山市, 它们的极度脆弱面积分别为623.50 km2、125.19 km2、63.41 km2、421.66 km2、166.45 km2、165.02 km2、82.57 km2、95.68 km2, 极度脆弱区虽然大部分均分布在成都平原的周边区域, 但是植被覆盖度低, 景观破碎化程度高且景观类型单一, 干燥度高, 耕地占比少, 建设用地多, 导致区域生态环境脆弱性程度突出。

4 讨论

本文采用SRP模型探究了四川省生态环境脆弱性的时空变化趋势, 研究各个影响因子之间的关系, 对于生态环境治理与修复具有重要的参考作用。但是由于SRP模型是经验统计模型, 难以保证很高的计算精度, 因此在利用模型估算土壤侵蚀量评价因子时计算的本地化特别关键, 由于条件限制, 本文在这一方面稍有欠缺, 在后期的研究中会加大对这一方面的改进。此外, 从时空尺度上分析, 四川省生态环境脆弱性波动变化且呈现出各地级市空间差异明显的特征, 空间差异的变化与四川省的自然条件状况和人文环境的影响有很大的关系; 从SRP模型构建结果来看, 评价指标中人口密度、植被覆盖度、土壤侵蚀强度、年均降水量和景观多样性指数对生态环境脆弱性影响较大, 揭示了社会经济发展中自然因素和人文因素变化共同作用对生态环境脆弱性的影响, 这与彭文甫等[37]、贾虎军[38]和龚勤林[39]的研究几乎吻合, 因此在未来的研究中应加大对影响生态环境脆弱性因子的研究。

由于生态环境本身就具有复杂性特征, 而且研究区尺度太大, 涉及到的评价指标数据类型多样且数据量大, 除此之外, 研究分析的时间也相对较长, 很容易忽略年份之间的细微变化。因此在后期的研究中, 应该对评价指标的选取再做更细一步的考量与筛选, 优化生态环境脆弱性评价模型, 对生态环境的演变、时空发展趋势进行更深层次的探索与研究。

5 结论

(1)从4个不同年份5个生态脆弱性等级的面积变化来分析, 2005、2010、2015年四川省生态环境脆弱性表现出逐年严重的趋势, 但2018年生态环境脆弱性得到了很大程度的改善; 从空间分布角度来看, 4个不同年份中四川省生态环境脆弱性偏严重的地方主要分布在研究区的中部、西北部和东南部。错综复杂的地势条件、复杂的生态环境、2008年汶川地震和2013年雅安地震的影响、广泛的工农业分布、众多的人口以及对生态系统过度开发和利用都使生态环境脆弱性变得越来越严重。尽管如此, 四川省人民政府、四川省生态环境厅和有关部门开始颁布一系列有关治理当地生态环境的法律法规[40], 使生态环境脆弱性恶化的趋势得到有效地缓解且呈现不断好转的趋势。

(2)时间维度上表现为: 2005-2010年四川省生态环境脆弱性微度、轻度脆弱面积占比分别较2005年下降了1.67%、29.87%, 中度、重度、极度脆弱面积占比较研究初期分别增加了1.07%、27.7%、2.77%, 因此四川省在2005-2010年生态环境脆弱性总体呈恶化的趋势; 2010-2018年四川省生态环境脆弱性微度、轻度、中度脆弱面积占比分别较2010年增加了3.36%、9.4%、12.84%, 重度、极度脆弱面积占比较2010年减少了22.39%、1.2%, 因此四川省2010-2018年四川省生态环境脆弱性呈不断改善的趋势。

(3)空间维度上, 从生态脆弱性中各个脆弱性等级面积的占比分布来看, 微度、轻度脆弱区主要分布在研究区的东南部、西南部和西北部, 比率分别为3.42%、24.05%; 中度脆弱区主要分布在研究区的中部、东北部、东南部, 脆弱性面积占比为55.11%; 重度、极度脆弱区主要分布在研究区的中部、东北部、西部和西南部, 脆弱性面积占比分别为15.17%、2.26%。

结合地理信息技术、遥感技术和SRP生态脆弱性评价模型, 分析四川省生态脆弱性的空间分布和时空变化, 有助于识别四川省生态环境脆弱性敏感区域, 可以为四川省的生态治理与恢复提供理论支持。

[1] 张学玲, 余文波, 蔡海生, 等. 区域生态环境脆弱性评价方法研究综述[J]. 生态学报, 2018, 38(16): 5970–5981.

[2] 田亚平, 常昊. 中国生态脆弱性研究进展的文献计量分析[J]. 地理学报, 2012, 67(11): 1515–1525.

[3] 徐庆勇, 黄玫, 刘洪升, 等. 基于RS和GIS的珠江三角洲生态环境脆弱性综合评价[J]. 应用生态学报, 2011, 22(11): 2987–2995.

[4] 齐姗姗. 流域生态脆弱性与生态系统服务相关关系研究[D]. 兰州: 兰州大学, 2017.

[5] 贾艳红, 赵军, 南忠仁, 等. 熵权法在草原生态安全评价研究中的应用—以甘肃牧区为例[J]. 干旱区资源与环境, 2007(1): 17–21.

[6] 徐洲洋. 基于PSR模型的四川生态系统健康时空动态研究[J]. 国土资源遥感, 2020, 32(2): 251–258.

[7] 农兰萍, 王金亮. 基于RSEI模型的昆明市生态环境质量动态监测[J]. 生态学杂志, 2020, 39(6): 2042–2050.

[8] 刘童, 杨晓华, 赵克勤, 等. 基于集对分析的水资源承载力动态评价—以四川省为例[J]. 人民长江, 2019, 50(9): 94–100.

[9] 周小平, 冯宇晴, 罗维, 等. 两种生态系统服务价值评估方法比较研究—以四川省金堂县三星镇土地整治工程为例[J]. 生态学报, 2020, 40(5): 1799–1809.

[10] 潘倩, 徐亮, 周春兰. 多尺度遥感数据在生态环境状况评价中的不确定性研究—以四川省松潘县为例[J]. 四川环境, 2019, 38(5): 114–118.

[11] 胡翔, 白文科, 董鑫. 四川省九寨沟县地震前后区域生态环境质量评价[J]. 生态学杂志, 2020, 39(3): 969–978

[12] 秦青, 刘晶茹, 于强, 等. 四川省大熊猫保护地生态安全及其时空演变[J]. 生态学报, 202030, (20): 1–12

[13] 朱捷缘, 卢慧婷, 王慧芳, 等. 汶川地震重灾区恢复期生态系统健康评价[J]. 生态学报, 2018, 38(24): 9001–9011.

[14] 乌宁巴特, 刘新平, 马相平. 叶尔羌河流域土地生态脆弱性差异评价[J]. 干旱区地理, 2020, 43(3): 849–858.

[15] 李永化, 范强, 王雪, 等. 基于SRP模型的自然灾害多发区生态脆弱性时空分异研究—以辽宁省朝阳县为例[J]. 地理科学, 2015, 35(11): 1452–1459.

[16] 田亚平. 区域人地耦合系统脆弱性: 概念内涵与评价指标[C]//中国地理学会自然地理专业委员会甘肃省地理学会, 兰州大学资源环境学院, 2012.

[17] 钟晓娟, 孙保平, 赵岩, 等. 基于主成分分析的云南省生态脆弱性评价[J]. 生态环境学报, 2011, 20(1): 109–113.

[18] 乔青, 高吉喜, 王维, 等. 生态脆弱性综合评价方法与应用[J]. 环境科学研究, 2008(5): 117–123.

[19] 舒英格, 彭文君, 周鹏鹏. 基于灰色三角白化权集对分析模型的喀斯特山区农业生态环境脆弱性评价[J]. 应用生态学报, 2020, 31(8): 2680–2686.

[20] 刘慧, 师学义. 静乐县生态脆弱性时空演变与分区研究[J]. 生态与农村环境学报, 2020, 36(1): 34–43.

[21] 李怡, 赵小敏, 郭熙, 等. 江西省南昌市生态敏感性空间分异研究[J]. 中国农业大学学报, 2020, 25(10): 65–76.

[22] 陈学兄, 常庆瑞, 郭碧云, 等. 基于SRTM DEM数据的中国地形起伏度分析研究[J]. 应用基础与工程科学学报, 2014, 4: 671–677.

[23] 王志杰, 柳书俊, 苏嫄. 喀斯特高原山地贵阳市2008-2018年土壤侵蚀时空特征与侵蚀热点变化分析[J]. 水土保持学报, 2020, 34(5): 94–102.

[24] LIU B Y, NEARING M A, RISSE L M. Slope gradient effects on soils loss for steep slopes[J]. Transactions of the ASAE, 1994, 37(6): 1835–1840.

[25] 胡先培, 曾成, 钱庆欢, 等. 基于RUSLE模型的铜仁地区1987—2015年土壤侵蚀时空特征[J]. 生态与农村环境学报, 2019, 35(2): 158–166.

[26] 刘晓林, 刘超群, 杨胜天, 等. TRMM卫星降水数据在珠江流域的适用性评价[J]. 中山大学学报(自然科学版), 2020, 59(6): 70–79.

[27] 嵇涛, 杨华, 刘睿, 等. TRMM卫星降水数据在川渝地区的适用性分析[J]. 地理科学进展, 2014, 33(10): 1375–1386.

[28] 李传华, 曹红娟, 范也平, 等. 基于校正的CASA模型NPP遥感估算及分析—以河西走廊为例[J]. 生态学报, 2019, 39(5): 1616–1626.

[29] 高彦净. 基于CASA模型的植被NPP时空动态研究[D]. 兰州: 兰州大学, 2015.

[30] POTTER C S, RANDERSON J T, et al. Terrestrial ecosystem production: a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811–841.

[31] 郭春霞, 诸云强, 孙伟, 等. 中国1 km生物丰度指数数据集[J]. 全球变化数据学报(中英文), 2017, 1(1): 60–65.

[32] 国家环境保护总局. 生态环境状况评价技术规范(试行): HJ/T192—2006[S]. 2006.

[33] 徐超璇, 鲁春霞, 黄绍琳. 张家口地区生态脆弱性及其影响因素[J]. 自然资源学报, 2020, 35(6): 1288–1300.

[34] 张慧琳, 吴攀升, 侯艳军. 五台山地区生态脆弱性评价及其时空变化[J]. 生态与农村环境学报, 2020, 36(8): 1026–1035.

[35] 肖欢. 基于ANN模型的四川省生态环境脆弱性评价研究[D]. 成都: 成都理工大学, 2016.

[36] 国务院. 汶川地震灾后恢复重建总体规划[R]. 2008.

[37] 彭文甫, 张冬梅, 罗艳玫, 等. 自然因子对四川植被NDVI变化的地理探测[J]. 地理学报, 2019, 74(9): 1758–1776.

[38] 贾虎军, 杨武年, 周丹, 等. 基于MODIS地表温度和归一化植被指数的生态环境变化分析[J]. 遥感信息, 2014, 29(3): 44–49.

[39] 龚勤林, 曹萍. 省区生态文明建设评价指标体系的构建与验证——以四川省为例[J]. 四川大学学报(哲学社会科学版), 2014(3): 109–115.

[40] 四川省生态环境厅. 2019年四川省生态环境监测方案[R]. 2019.

Ecological vulnerability assessment of Sichuan Province based on SRP model

JIN Lijuan1,2, XU Quanli1,2,3,4,*

1. Faculty of Geography Yunnan Normal University, Kunming 650500, China 2. GIS TechnologyEngineering Research Centre for West-China Resources and Environment of Educational Ministry, Yunnan Normal University, Kunming 650500, China 3. Geospatial Information Technology Engineering Research Center of Yunnan Province, Kunming 650500, China 4. Key Laboratory of Remote Sensing of Resources and Environment of Yunnan Province, Kunming 650500, China

The comprehensive evaluation of ecological environment vulnerability in Sichuan Province and knowing their temporal and spatial distribution characteristics are helpful to provide decision support for the implementation and improvement of ecological environment governance and restoration of Sichuan Province. According to the technology of Geography Information Science(GIS) and Remote Sensing(RS), and on the supply of fundamental geographic data of land use, DEM, MODIS 13Q, meteorological data and soil, we selected 17 assessment indicators such as population density, soil organic matter, landscape diversity index, soil erosion intensity, biological abundance and vegetation net primary productivity and so on to construct the evaluation index system of ecological vulnerability in Sichuan Province by combined with SRP model and Analytic Hierarchy Process(AHP) method to evaluate the ecological vulnerability of Sichuan province from 2005 to 2018. The results showed that the ecological vulnerability of Sichuan Province was mainly moderate, accounting for 55.11% of the total area of the province. In terms of spatial distribution, the slightly and mildly vulnerable areas were mainly distributed in the southeast, southwest and northwest of the study area; the severely vulnerable areas were mainly distributed in the northeast, southwest and east of the study area; and the extremely vulnerable areas were mainly distributed in the central, northeast, west and southwest of the study area. In terms of temporal changes, the ecological environment vulnerability of Sichuan province showed a trend of deterioration from 2005 to 2010, with the percentage of slightly and mildly vulnerable areas decreasing by 1.67% and 29.87%, respectively, compared with 2005, and the percentage of moderately, severely and extremely vulnerable areas increasing by 1.07%, 27.7% and 2.77%, respectively, compared with the beginning of the study. From 2010 to 2018, the ecological environment vulnerability of Sichuan Province vulnerability showed a trend of continuous improvement; the percentage of slightly, mildly and moderately vulnerable areas were increased by 3.36%, 9.4% and 12.84%, respectively, compared with 2010, and the percentage of severely and extremely vulnerable areas were decreased by 22.39% and 1.2% compared with 2010.

ecological vulnerability; SRP model; Analytic Hierarchy Process; Sichuan Province

10.14108/j.cnki.1008-8873.2022.02.019

X821

A

1008-8873(2022)02-156-10

2020-12-18;

2020-12-31

国家自然科学基金项目(42161065, 41461038); 云南省科技基础专项重点项目(202001AS070032); 云南省中青年学术技术带头人后备人才项目(202105AC160059)

金丽娟(1996—), 女, 云南曲靖人, 硕士研究生, 主要从事遥感生态环境研究, E-mail: 994119900@qq.com

通信作者:许泉立, 男, 博士, 副教授, 主要从事地理信息系统与智能体建模, E-mail: go2happiness@163.com

金丽娟, 许泉立. 基于SRP模型的四川省生态脆弱性评价[J]. 生态科学, 2022, 41(2): 156–165.

JIN Lijuan, XU Quanli. Ecological vulnerability assessment of Sichuan Province based on SRP model[J]. Ecological Science, 2022, 41(2): 156–165.