乔木林丧失的时空变化及驱动力分析

赵 青，黄 菲，陈晓辉，林玉英，邱荣祖，巫志龙，胡喜生*

(1.福建农林大学交通与土木工程学院，福建 福州 350108；2.福建师范大学旅游学院，福建 福州 350117)

森林资源是地球上最主要的自然资源之一，面积约4.06×109hm2，占全球陆地面积的31%。作为陆地生物圈的重要组成部分，森林提供了诸如碳封存、水和养分循环等许多关键的生态系统功能[1]。森林生态系统的退化通常与森林丧失有关[2]。森林丧失是指为了农业、畜牧业或城市发展而砍伐森林的现象，是森林在数量上变化的一种形式[3]。森林丧失会对环境和生态造成各种长期的影响，如生物多样性减少、水土流失及沙尘暴侵袭等[4-7]。

森林覆盖变化是发生在热带和温带地区的一种重要的土地覆被变化类型[8-9]。森林覆盖变化的消长有其自身的轨迹和规律，是社会、经济和生态过程综合作用的结果，包括森林丧失与重建两个过程[10-11]。森林环境库兹涅茨曲线理论认为，人民生活水平的提高与森林变化间的关系呈倒“U”形[12]。同时，人口增长带来的压力直接增加对薪材和木材的需求，也加大对土地的需求，从而导致森林减少和退化[13-14]。近年来由快速城市化导致的森林丧失问题引起了极大的科学关注，研究表明城镇化对森林丧失的影响存在不同的尺度效应和区域差异，城镇化水平是国家森林丧失的关键因素[15]。因此，森林丧失在很大程度上受到社会经济及人类需求变化的影响，而与地球物理属性的关系不大[16-17]。尽管国内外已有众多学者对森林丧失的驱动力进行了研究，但利用全国范围的面板数据进行森林丧失驱动力分析的研究相对较少，主要是因为大尺度长时间序列的森林丧失数据有限[15]。Hansen团队于2013年发布了30 m全球森林覆盖数据集(GFCD),并提供了以年为单位的森林丧失趋势的空间数据集，为大尺度长时间序列的森林丧失相关研究提供了数据支撑[18-19]。

通过一系列保护性恢复措施的实施[18]，我国森林资源持续向好，实现了数量与蓄积量的双增长。尽管如此，我国森林资源保护仍然面临着巨大的压力，大量次生林或年龄大的成熟林被人工幼龄林取代，森林总面积虽呈稳步增长态势，森林质量却面临着下降威胁。乔木作为森林植被构成的主体，是森林生态系统的骨架[20]。借助全球森林覆盖数据集获取乔木林历年损失状况，并分析其损失原因，对森林保护与管理具有重要意义。因此，笔者在探索乔木林丧失时间与空间尺度动态变化的基础上，利用地理加权回归模型(GWR)分析我国乔木林丧失主要驱动力及其空间差异，以期为缓解乔木林丧失及分区保护政策的制定提供科学依据。

1 材料与方法

1.1 数据来源

2000年乔木林覆盖及2005—2018年森林丧失数据取自Hansen团队于2013年所发布的全球森林覆盖数据集[19]，空间分辨率为30 m，经面积制表后得到我国30个省市自治区历年森林丧失数据。该数据集中森林覆盖指树木生物物理上的存在，包括天然林和人工林中所有高于5 m的植物(相当于我国对乔木林的定义)，其与GlobeLand 30存在高度空间重合，后者生产者精度和用户精度分别为87.00%和89.00%，2000年我国乔木林覆盖数据集生产者精度和用户精度分别为89.26%和82.13%[21-22]。乔木林覆盖减少定义为“林分替代干扰”，或在像素比例尺上此前有乔木林覆盖的区域内乔木林完全消失(arbor forest loss,AFL)。

行政边界数据集(1∶100万)来源于国家基础地理信息中心(http://www.ngcc.cn/ngcc/htm)。社会经济数据来源于国家统计局统计年鉴及各省市统计年鉴，其中道路密度由各省道路总里程与各省土地面积之比计算获得。

1.2 Sen+Mann-Kendall趋势分析

Sen趋势度分析和Mann-Kendall趋势度检验结合，已成为判断时序数据趋势的重要方法，逐步被应用在植被长时序变化分析中[23-25]。与传统一元线性回归方法相比，该方法不需要数据服从一定的分布，能够减少异常值的干扰，对数据误差有良好的规避能力，结果更加科学可靠[26-27]。其中，Sen趋势度分析是一种稳健的非参数统计趋势计算方法，见式(1)。

(1)

式中：β值表征乔木林丧失的上升(β>0)或下降(β<0)趋势；Median指取中值；i和j分别为第i年和第j年，xi和xj分别为第i年和第j年乔木林丧失值。

Mann-Kendall趋势度检验是一种非参数统计检验方法，结构简单，计算方便，用于判断趋势显著性[28]。检验统计量S的计算如下：

(2)

(3)

当序列样本数n<10时，统计量S的显著性直接采用双边趋势检验；当n≥10时，统计量S近似服从标准正态分布，使用Z对统计量S进行检验[29-30]，Z值计算方法如下：

(4)

VAR(S)=n(n-1)(2n+5)/18。

(5)

式中，VAR为方差函数。

在给定显著性水平α=0.05下，临界值Z1-α/2=1.96。当|Z|≤1.96时，趋势不显著；当|Z|>1.96时，趋势显著。综合Sen趋势度分析及Mann-Kendall趋势度检验，当β>0、|Z|>1.96时，表现为显著上升趋势；当β>0、|Z|≤1.96时，表现为不显著上升趋势；当β<0、|Z|>1.96时，表现为显著下降趋势；当β<0、|Z|≤1.96时，表现为不显著下降趋势。

1.3 乔木林丧失的标准差椭圆绘制

标准差椭圆法(SDE)一直作为一种通用工具来描述分布的二元特征，基于一组离散点的平均中心进行运算[31-33]。SDE能够得到一个包含大部分元素的椭圆，是一种通过空间分布范围、中心、长轴、短轴、方位角等基本参数定量描述要素空间分布的中心性、方向性、展布性等特征，揭示地理要素空间分布及时空演化过程的空间统计方法[34]。因此，绘制乔木林丧失的标准差椭圆，分析椭圆随时间推移的变化，能够形象地反映乔木林丧失的年际变化和揭示乔木林丧失空间动态过程的总体特征。

1.4 乔木林丧失的地理加权回归

地理加权回归(GWR)是近年来提出的一种空间分析方法[35]，在考虑空间异质性的前提下，将空间距离权重引入普通最小二乘法(OLS)模型，可以较好地描述定量关系随空间变化的特征，评价结果具有空间尺度的可靠性[36-39]。GWR模型的一般形式如下：

(6)

式中：yk为样点k的加权回归值；(μk,vk)为回归样点k的空间坐标；βi(μk,vk)表示点k处模型第i个解释变量xki的回归参数；β0(μk,vk)、εk分别为点k处的常数项与随机误差项。

森林资源变化是多种因素共同作用的结果，参阅文献[2,40-41]，选取人口因素、经济因素与交通因素作为解释变量。为消除量纲的影响，对基础数据进行标准化处理。

2 结果与分析

2.1 乔木林丧失的时间演变动态

将Sen趋势度分析与Mann-Kendall趋势度检验结合，能够有效地反映2005—2018年我国30个省市自治区乔木林丧失(AFL)变化趋势的空间分布特征。将β>0的省市自治区划分为丧失增加区域，β<0的划分为丧失减弱区域。将Mann-Kendall检验在置信水平0.05下的检验结果划分为显著变化(|Z|>1.96)和不显著变化(|Z|≤1.96)。Sen趋势度分析的分级结果叠加显著性检验分级结果，将乔木林丧失趋势划分为丧失显著增加、显著减弱、稳定不变、轻微增加及轻微减弱5类(表1和图1)。

表1 研究区乔木林丧失的趋势类型及占比Table 1 Trend types and proportions of arboreal forest loss (AFL)

底图审图号：GS(2019)1697号。下同。图1 研究区乔木林丧失的时间趋势Fig.1 Time trend of arbor forest loss in the study area

由表1可得，研究区乔木林丧失无稳定不变区，丧失显著增加所占比例最高，显著减弱与轻微增加占比相同，而轻微减弱省份所占比例最小。

由图1可以看出：2005—2018年研究区乔木林丧失增加的区域大于减弱的区域，且空间差异明显。乔木林丧失显著增加的区域集中在华中三省(豫鄂湘)、华南两省(粤桂)、西南东部(云贵渝)以及华东中西部(沪苏赣皖)；轻微增加区域包括西藏、四川、陕西、浙江、福建、山东以及辽宁；轻微减弱地区零散分布在西北(甘宁)、华北(冀)及东北(吉)地区；显著减弱地区包括新疆、青海、内蒙古、山西、北京、天津及黑龙江。总体上看，南部乔木林丧失增加，主要与当地林业生产有关；而北部受三北防护林等森林保护工程的影响，乔木林丧失逐渐减弱。估算可知，2005—2018年乔木林丧失量年均增加412.451 km2。

2.2 乔木林丧失的空间演变动态

根据2005—2018年我国30省市自治区乔木林丧失面积，应用ArcGIS 10.2软件空间统计工具模块的方向分布，计算得到标准差椭圆的重心坐标、椭圆长短半轴、移动距离、旋转角等参数(图2、表2)。

图2 研究区乔木林丧失的标准差椭圆Fig.2 The standard deviation ellipse of arbor forest loss in the study area

表2 乔木林丧失2005—2018标准差椭圆参数变化Table 2 Variations of standard deviation ellipse parameters in arbor forest loss from 2005 to 2018

由图2和表2可得：2005—2018年，30省市自治区乔木林丧失面积的标准差椭圆重心移动路径呈不规则变化。相对于2005年，标准差椭圆重心由湖北省荆州市转至湖南省邵阳市，向西北方向偏移5次、西南方向偏移3次、东北方向偏移1次、东南方向偏移4次，表明我国南部乔木林丧失严重。研究期内，椭圆长、短半轴长和旋转角均发生了变化。椭圆短半轴长度由1 586.497 km缩短到1 264.494 km，缩短了322.003 km；长半轴长度由2 943.023 km缩短到1 688.204 km，缩短了1 254.819 km，长半轴缩短的幅度大于短半轴缩短的幅度；旋转角由27.353°增加到48.479°，增加了21.126°。参数的变化表明研究期内乔木林丧失在东西和南北方向上收缩，向广东、广西、贵州、重庆、湖南、湖北、江西、浙江、福州等南部地区集聚明显，与该时期乔木林丧失时间变化趋势吻合。

2.3 乔木林丧失影响因素的时空分异

以30个省市自治区乔木林丧失率(RAFL历年乔木林丧失面积/2000年乔木林覆盖面积)为因变量，选取人口密度(PD)、人均国内生产总值(GDP)、城镇居民人均可支配收入(UPCI)、农村居民人均可支配收入(RPCI)、第二产业(SI)、城镇化率(UR)及道路密度(RD)为候选解释变量。为消除变量间多重共线性对回归结果的影响，采用探索性回归分析对候选变量进行筛选。设置最大搜索变量个数为4，最小校正R2为0.5，参考赤池信息量准则(AICc)及方差膨胀系数(VIF)值最终筛选人均国内生产总值(GDP)、城镇居民人均可支配收入(UPCI)、城镇化率(UR)及道路密度(RD)4个变量作为最终回归变量。

为消除各变量对乔木林丧失率影响的时间波动性，将整个研究期划分为两个时间段(2005—2011年、2012—2018年)，取两个阶段的平均值作为变量，构建普通最小二乘回归(OLS)模型，并与GWR模型进行比较，结果如表3所示。

表3 OLS与GWR结果Table 3 The results of OLS and GWR

由表3可得：GWR模型的R2、校正R2以及AICc值均大于OLS模型，且GWR模型在不同研究时期内的R2均大于0.79，表明GWR拟合优度及结果可信度优于OLS模型。分别在ArcGIS 10.2软件中将各驱动因子回归系数进行可视化显示，得到乔木林丧失率驱动因素的回归系数空间分布图(图3)，并进一步探索各驱动因子的空间分异特征。

1)人均GDP对AFL时空格局的影响。2005—2011年回归系数范围为-2.90～0.69，而2012—2018年最大回归系数减少到0.08(图3A、3B)。从空间上看，人均GDP与乔木林丧失率的负相关区域逐渐扩大，尤其在山东、内蒙古以及东三省(辽宁、吉林、黑龙江)，逐步由正相关转为负相关，人均GDP的增加对乔木林的破坏作用逐渐减弱。

2005—2011年时段内(图3A)，人均GDP与乔木林丧失率回归系数分布具有明显的空间差异，东三省、京津冀、山东、内蒙古以及山西经济增长与乔木林丧失率呈明显的正相关性。这主要由于在我国改革开放初期，上述城市多以能源开采以及重工业发展带动经济的增长，大量侵占土地(包括林业用地)、生态环境破坏严重，导致该时期内经济的增长造成了乔木林丧失的增加。反观南方城市，随着大批外商投资促进贸易工业迅速发展，这种经济发展方式对生态环境的破坏相对较小。此外，该时期内南方城市传统的林产业逐渐向贸易业转变，因此在该时期内南方经济增长没有给乔木林丧失带来威胁，甚至小幅度地缓解了乔木林的丧失。

2012—2018年时间段内(图3B)，除河北与北京外，其他省市自治区人均GDP与乔木林丧失率均呈现负相关。该现象主要与我国经济增长开始由高速增长阶段转向高质量增长阶段，发展目标由重视GDP转向更加重视人与自然和谐发展有关。而西北地区在整个研究时期内均为负相关，主要由于西藏、青海等地属于我国生态脆弱区，工业化与城镇化水平均处于较低水平，长期以来该地区生态保护都是重中之重，且该地产业结构以农业和旅游业为主，对生态环境的影响较小。

图3 2005—2018年研究区乔木林丧失率与各驱动因子的GWR回归系数Fig.3 The GWR regression coefficient between the loss rate of arbor forest and driving factors in the study area during 2005 to 2018

2)城镇居民人均可支配收入(UPCI)对AFL时空格局的影响。2005—2011年城镇居民人均可支配收入回归系数在-0.67～2.69之间波动，2012—2018年回归系数范围缩小为-0.09～1.12，最大正相关系数相较于2005—2011年出现大幅下降，表明城镇居民人均可支配收入对乔木林丧失率影响力度正在逐渐下降(图3C、3D)。具体地看，2005—2011年回归系数负值主要集中在京津冀、东三省、内蒙古、山西、山东以及浙江，其中京津冀地区负相关程度最高；2012—2018年回归系数负值区域仅剩京津冀地区，且负相关程度大大降低。

尽管城镇居民人均可支配收入与乔木林丧失率正相关区域呈现出明显的扩大趋势，值得注意的是回归系数最大值也在逐渐降低。即随着城镇人均可支配收入的提高，乔木林丧失率也会随之提高，但其对乔木林丧失率影响的力度在逐渐下降。

3)城镇化率(UR)对AFL时空格局的影响。2005—2011年城镇化率回归系数为-0.10～2.68，2012—2018年城镇化率回归系数为-0.08～1.79(图3E、3F)。2005—2011年除内蒙古、辽宁以及京津冀地区外，其他地区城镇化率与乔木林丧失率均呈正相关关系，表明在此时期内，城镇化进程的加快会引起乔木林丧失的增加。随着城镇化进程的不断推进，2012—2018年内蒙古回归系数由负转正，表明该时期内蒙古地区城镇化率的提升给域内乔木林资源带来了威胁。综合考虑整个研究期，除少数地区出现极小程度的负相关外，其他地区乔木林丧失率会随着城镇化率的增大而增大。但观察2005—2011年以及2012—2018年两个时间段城镇化率回归系数，发现后一时间段回归系数最大值小于前一时期，也就是说虽然从范围上看城镇化率对乔木林丧失率呈负面影响的区域有所扩大，但影响程度有所下降。这主要是由于一方面城镇化进程的快速推进，会导致建设用地扩张而不断侵蚀森林，而另一方面城市的宜居性逐渐成为群众关心的问题之一，因此越来越多城市在推进城镇化的同时也加强了城市的生态建设。

4)道路密度(RD)对AFL时空格局的影响。2005—2011年道路密度回归系数的范围为-1.62～0.14，2012—2018年道路密度回归系数的范围为-1.25～0.19(图3G、3H)，从整体上看道路密度与乔木林丧失率的关系没有发生较大变化。但从空间上看，东北地区道路密度与乔木林丧失率的关系发生了较大变化。2005—2011年，仅有京津冀、山东、山西以及辽宁6个地区道路密度与乔木林丧失率呈正相关关系，即道路密度的增加会导致乔木林丧失率的提高。而到2012—2018年，宁夏、内蒙古、黑龙江以及吉林4个地区，由负相关转变为正相关，然而不论是原有的6个地区还是新增加的4个地区，其道路密度与乔木林丧失率的正相关性均不高，可以认为虽然上述地区道路密度给乔木林带来了破坏但其破坏程度并不强。总体上，大部分地区道路密度对乔木林丧失率不存在负面影响，仅有少数地区存在负面影响，但影响程度并不显著，这主要是由于生态保护已逐渐深入到各行各业，在道路建设过程中愈加关注道路生态维护，从而促使道路建设对生态维护的破坏程度降低。

3 讨 论

利用长时间序列高分辨率(30 m)乔木林丧失数据，对我国30个省市自治区2005—2018年的乔木林丧失动态变化进行监测，结果表明，研究期间我国乔木林丧失趋势存在较大的区域差异，其中湖南、福建、广东等位于东南林区的省份乔木林丧失增加趋势较为显著，而东北林区及三北防护林工程实施区域乔木林丧失呈现显著的减弱趋势，这与文献[15,42-43]的研究结果相符。

随着我国自然保护地建设、退耕还林工程等的不断推进，我国森林资源总量稳步增长，然而森林资源质量不高、分布不均的状况仍然存在，适宜乔木林生长地区已基本实现绿化，但大多质量偏低。当前对乔木林的研究多关注其数量与蓄积量的变化，生态功能方面重点关注碳储量变化，而鲜见从全国大空间和长时间尺度对其时空变化进行研究[44-45]。丧失的乔木林恢复到伐前状态需要经历一定的时间，森林覆盖率的增加实质上在一定程度上可能掩盖了乔木林丧失的事实，因此，造林、森林更新等能否抵消由于乔木林丧失而导致的空间分布连续性问题值得进一步探讨。

乔木林覆盖变化包括丧失与重建两种不同的生态过程，现有研究表明，丧失与重建两个过程间存在空间差异，即重建与丧失之间发生了空间位移[20,46]，忽视空间位移可能造成生境破碎化，应将重建与丧失两个生态过程综合考虑。另外考虑到丧失与重建之间存在一定的相互抵消问题，在今后的相关研究中，将引入总变化、净变化、绝对变化和相对变化等指标，以便更深入、全面地揭示变化趋势及活跃程度。

森林环境库兹涅茨曲线研究阶段理论认为森林资源变化与人均收入之间呈现倒“U”形曲线关系，本研究基于GWR模型的驱动力分析结果证实了不同经济发展阶段对森林资源的需求不同，而经济发展阶段与森林资源需求间的转变关系存在一定的区域差异，两者间的消长关系有待进一步深入探讨。

2005—2018年，乔木林丧失显著增加省市自治区占比最多(40%)，而丧失轻微减弱省份占比最少(13.33%)，表明我国乔木林丧失程度仍处于较高水平，统计期年均增加412.451 km2。此外，我国乔木林丧失趋势南北差异显著，南部省份乔木林丧失呈增加趋势，而北部乔木林丧失则呈减弱趋势。

从空间演变规律上看，我国乔木林丧失重心由湖北省荆州市移动至湖南省邵阳市，其移动路径呈不规则变化，乔木林丧失在东西、南北两个方向上收缩并逐渐向湖南及其周边省份集聚。

探索性回归分析最终筛选确定GDP、RPCI、UR、RD 4个变量作为乔木林丧失驱动因子。其中人均国内生产总值与乔木林丧失率主要呈负相关关系，2012—2018年仅有两个省份呈正相关关系且相关系数较少，表明自2005年起，我国经济增长与乔木林丧失率的关系处于倒“U”形库兹涅茨后半段；城镇居民人均可支配收入与乔木林丧失率的关系在时间上的变化明显，2012—2018年相较于2005—2011年，呈正相关区域明显扩大但其产生的负面影响在程度上有所下降；城镇化率与乔木林丧失率主要呈正相关关系，与城镇居民人均可支配收入相似的是，城镇化率在2012—2018年正相关区域扩大但整体影响程度下降；道路密度与乔木林丧失率主要为负相关关系，仅有的正相关区域并无较强影响。