粤港澳大湾区地表水体经济社会驱动要素

杨振华,赵铜铁钢,田 雨,杨 芳,郑炎辉,陈晓宏

粤港澳大湾区地表水体经济社会驱动要素

杨振华1,赵铜铁钢2*,田 雨3,杨 芳4,郑炎辉5,陈晓宏2

(1.生态环境部珠江流域南海海域生态环境监督管理局生态环境监测与科学研究中心,广东 广州 510610；2.中山大学水资源与环境研究中心,广东 广州 510275；3.中国水利水电科学研究院水资源研究所,北京 100038；4.珠江水利科学研究院,广东 广州 510611；5.南方科技大学环境学院,广东 深圳 518055)

采用水体解译—环境库兹涅茨曲线识别—驱动关系分析的研究思路,基于Landsat影像提取粤港澳大湾区长序列地表水体动态,将环境库兹涅茨曲线应用于土地利用/覆被变化分析,辨析地表水体长期均衡与短期波动的经济社会驱动要素.结果表明:近30a大湾区城市地表水体总体上呈先升后降的非线性特征,且取决于水体与耕地、不透水面之间的转化特征,1990～2000年地表水体面积增长了1323.14km2,2000年以后呈波动下降;粤港澳大湾区地表水面率与单位面积GDP的EKC总体呈快速上升—快速下降—平缓回升的N型特征,体现出人为覆被对水体挤占与生态修复/水库扩容工程对水体的扩张;DARDL-UECM模型明确了模拟结果的准确性(2>0.7,<0.000)和各因子的贡献率,无论短期波动阶段还是长期均衡阶段,不透水面、林地和耕地面积比重均为城市地表水体的主要驱动要素,三者累计贡献率均值为0.96和0.93.

粤港澳大湾区；地表水体；环境库兹涅茨曲线；土地利用/覆被变化；经济社会驱动要素

地表水体是区域生态环境和生产、生活、生态用水主要载体,也是土地资源开发重要蓝色空间[1-2].在我国快速城市化进程中,水资源开发利用(生产、生活、生态用水供给)和城市景观扩张(工商业用地、基础设施和农田开垦)成为影响地表水体分布的主要要素[3].在多种要素的共同作用下,地表水体面积呈现出非线性变化特征,直接影响城市生态环境安全和生态系统服务维持[4-5].2019 年国务院颁布[粤港澳大湾区规划纲要]提出打造生态防护屏障和加强环境保护和治理的要求.探究大湾区地表水体变化特征及其驱动要素,对城市水生态环境研究具有重要意义.

近年来,资源环境模型被广泛用于地表水体变化的驱动分析与模拟[6-7].在驱动要素方面,已有研究主要从景观扩张[8]、产业与环境政策[9]、气候变化[10]等方面选取影响要素,并从多元线性回归的角度发现,人口增加、城市用地扩展是导致河流、湖泊和坑塘萎缩的主要要素.在驱动模型方面,已有研究应用环境库兹涅茨曲线(EKC)[11]、面板模型[12]、多元回归模型[10]等模型,分析经济发展与资源环境要素(如水域、水环境和水足迹)的耦合关系,识别EKC特征及主要驱动要素.地表水体作为土地资源之一,兼具资源与环境要素双重属性,目前鲜有研究其非线性变化EKC特征与经济社会发展之间的驱动关系[13-14].

为揭示粤港澳大湾区经济社会发展对地表水体非线性变化的驱动关系,辨析其主要驱动要素,本文首先梳理Landsat、Google Earth遥感影像和土地利用/覆被变化数据、经济社会资料;其次基于水体指数和EKC模型识别大湾区近30a来地表水体时空动态及其EKC特征,生成1990～2020年大湾区逐年地表水体数据集; 最后构建动态自回归分布滞后与非约束误差修正模型(DARDL-UECM)[15]分析城市经济社会的主要驱动要素及其对地表水体的长期均衡与短期波动的影响,以期为地表水体范围的科学管控提供决策参考.

1 研究方法与数据来源

1.1 研究区域

粤港澳大湾区(简称:大湾区)由广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆 9 个地级市(研究区域)和香港、澳门特别行政区组成,是中国开放程度最高、经济活力最强的华南城市群之一.2019年大湾区人口数达7267万,地区生产总值为11.59万亿元,占地面积5.59万km²[16].改革开放以来,在快速城市化进程中,人类活动通过改变地表覆被等方式,导致大湾区水体面积减少、水环境质量退化[4],影响了城市水资源与水环境的保护.

1.2 数据来源

表1 驱动要素选取依据及其数据来源

注:解译影像来源于Landsat 30m地表反射率数据产品;验证数据来源于逐年CLCD数据集和高清Google Earth影像.经济社会要素来源于1990～2020年《中国城市统计年鉴》、《广东省统计年鉴》以及各个城市的统计年鉴等.

本文涉及数据包括长序列遥感影像、土地利用/覆被验证数据和经济社会统计指标(表1).考虑到长序列Landsat 影像在地物监测的优势[17],本文采用1990～2020年Landsat TM/ETM/OLI系列的地表反射率产品(https://code.earthengine.google.com/)提取水体动态特征.土地利用/覆被验证数据来源于1985～2020年中国土地覆被数据集(CLCD)[18]和高清Google Earth平台影像(https://earth.google.com/ web/).经济社会统计指标来源于各城市相关统计年鉴.参考已有研究关于地表水体变化分析的驱动要素和EKC模型分析变量[2,19],从经济水平、产业结构、人口特征、土地覆被4个方面选取12个经济社会要素,分析地表水体非线性变化的主要驱动要素[17],并对其进行共线性分析.数据以1990年为基期,并通过通货膨胀率修正得到历年可比价格.

1.3 研究方法

1.3.1 研究思路 为探究地表水体时空动态及其驱动要素,本文构建水体解译—环境库兹涅茨曲线识别—驱动关系分析的研究思路,制定驱动要素分析技术流程(图1),主要包括以下环节:水体指数解译与验证(水体频率和水体指数验证)、环境库兹涅茨曲线识别和DARDL-UECM模型构建.

图1 地表水体驱动要素分析的技术路线

1.3.2 水体指数解译与验证 (1) 水体频率计算 针对不同水体指数模型与算法的优势[22-23],本文采用典型水体指数计算出区域水体频率特征.为提取研究区地表水体动态特征,本文通过Quality Assessment(QA)波段去除云雾阴影[24]、山体阴影、条带噪声(图2),然后,选取典型水体指数(NDWI、MNDWI、WI2020)[25]比较各指数在长时序水体提取中的精度差异.3种指数计算公式如下:

式中:

式中:NDWI、MNDWI、WI2020、NDVI和EVI分别代表水体指数NDWI、MNDWI、WI2020、NDVI和EVI;、、1依次表示Landsat地表反射率影像的蓝波段、绿波段、红波段、近红外波段和短波红外波段1.鉴于水体频率阈值可有效过滤低置信度的水体和随机噪声(如薄云雾、建筑阴影、椒盐噪声等),使逐年水体指数解译结果更加合理、准确[25],本文在分割出单幅影像水体像元(经验性阈值)的基础上,累计年内水体观测次数obs和有效观测像元次数obs,计算出年度水体频率freq(公式(6)).

(2)水体指数验证 水体指数精度验证由基于混淆矩阵的分类精度指标计算得到[18,25].为建立逐年水体频率与提取精度的阈值关系,本文依据1990～2020年逐年土地利用/覆被变化数据集CLCD和Google Earth高清影像,对不同水体频率的分层随机验证点进行目视校正,通过水体与非水体像元的混淆矩阵,计算出总体精度、用户精度、生产者精度和Kappa系数(公式(7)～(10)),评价出不同水体指数的提取精度.

式中:O、U、P和K分别代表总体精度、用户精度和生产者精度和Kappa系数等精度要素;T代表样本点总数;TP,TN,FP,FN分别代表解译实际均为真,解译实际均为假,解译为真实际为假和解译为假实际为真的样本点数量.本文选取3种水体指数的年内水体频率,通过频率阈值敏感性分析(图2),验证不同水体指数最佳阈值的解译精度,发现MNDWI水体频率(0.54)精度均优于NDWI(0.17)和WI2020 (0.12),可作为逐年水体提取的依据.

1.3.3 环境库兹涅茨曲线识别 环境库兹涅茨曲线EKC模型[26]认为人均收入与环境污染程度之间存在倒U型或N型非线性关系特征.近年来,学者们将EKC模型扩展到资源消耗和生态足迹等领域[13,27],分析不同资源环境要素与经济社会发展的耦合关系,发现随着经济发展水平的提升,不同资源环境要素呈倒U型、N型、U型等多种特征[28-29].为剔除城市规模对水体面积和GDP总量的影响,本文采用单位面积地表水体(地表水面率(%))和单位面积GDP衡量两者的EKC特征,其表达式[26]如下:

图2 水体频率阈值敏感性分析与精度验证

1.3.4 DARDL-UECM模型构建 为识别水体动态变化的主要经济社会驱动要素,本文参考已有研究[2-3,10],初步选取经济、产业、人口集聚特征和景观等方面12个经济社会变量(表1).考虑变量可能存在非平稳序列和信息冗余的问题,本文对各变量进行单位根和方差膨胀要素(VIF)检验.结果表明,经一阶或二级差分后,单位面积GDP、第一产业比重、总人口、林地面积比重、耕地面积比重、不透水面面积比和固定资产投资7个要素拒绝了“存在单位根”的原假设,且均通过了共线性检验,故将其作为模型输入变量.

地表水体动态是当期经济社会要素和自身滞后效应共同驱动的结果,其与驱动要素的长期均衡关系是短期波动关系不断调整后形成的[14].为检验经济社会要素与地表水体的动态驱动关系,本文应用动态自回归分布滞后与无约束误差修正模型(DARDL-UECM)[15]模拟地表水面率与经济社会要素之间的驱动关系.具体步骤包括:(1)优选各对数变量的差分项和滞后项;(2)采用Pesaran bounds检验方法判断变量之间是否存在协整关系;(3)在变量协整的前提下,应用DARDL-UECM模型分别估计长期均衡和短期波动情景的模型参数,两者表达式[15]如下:

2 结果与讨论

2.1 地表水体动态

近30a来,整个大湾区地表水体范围呈现出先上升后下降的趋势(图3).1990～2000年三角洲地区新增水体面积840.55km²,以养殖坑塘水面和灌溉水面扩张为主,分布于珠江三角洲边缘城市,集中在佛山、惠州、中山等区域(图4a～b);2000～2005年则出现了郊区坑塘、水田扩张与市区坑塘萎缩并存的特征,广州、佛山、东莞中心城区小型水体开始消失(图4c);2005～2015年郊区坑塘保持小幅度上升,但市区和滨岸带小型湖泊、河涌等水体萎缩剧烈,仅2010～2015年间的水体萎缩就达到393.28km2,水体总面积快速下降(图4d～e);2015～2020年受《中华人民共和国防洪法》、《中华人民共和国水法》及《广东省河口滩涂管理条例》的颁布,城市水体与海岸线占补制度逐步建立,养殖坑塘、岸线水体占用速度下降,随着“河湖长制”以及“南粤河更美”专项行动的落实,水生态功能区水体得到保护,水体空间格局趋于稳定,城市水体主干网络基本成型(图4f).

图3 1990～2020年大湾区城市地表水体时序变化

图4 1990～2020年大湾区水体空间动态(5a间隔)

从大湾区城市地表水体转化特征(表2和图5)可以看出,地表水体时空动态变化取决于耕地、不透水面对水体的挤占.1990～2020年期间,水体转化成不透水面累计面积1720.60km2,水体转化耕地总面积2272.18km2,两者占历年水体挤占水体总面积的82.11%,而非水体转化成水体的总面积仅648.77km2.除深圳外,其余城市地表水体转化路径基本一致(图5).深圳地表水体面积整体呈持续下降趋势,但2015～2020年间出现小幅度上升特征,各类水体累计转化成建设用地55.34km2和35.77km2,其转化规模在2000～2005年期间达到最大值.各城市水体转化成耕地的时段集中于1990～2010年,转化成不透水面的时段集中于1995～2010年,其余时段三者转化关系较弱, 2010～2020年间仅珠海地表水体向不透水面的转化速度达到最大值,其转化速度达到7.9km2/a,高于1995～2010年的转化速度.整体而言,1990～2010年地表水体扩张的原因在于耕地转化为养殖坑塘、不透水面,2010～2020年地表水体萎缩主要在于坑塘细小水体转化成耕地,且水体与非水体转化趋势与地表水体变化特征基本一致(图3和图5),说明城市地表水体的萎缩与扩张是水体与人工覆被(耕地、不透水面)的结果.

表2 1990～2020年大湾区水体与非水体转移矩阵

注:逐5a统计.

图5 1990～2020年大湾区城市地表水体的转化过程

2.2 地表水体EKC特征

尽管AIC、BIC、-stats、值等多个评价指标可用于模型选择,但当次数升高,而各指标提升较小或不显著时,则可采用低次项模型反映关系趋势[6-7,30].通过二次与三次EKC模型的2和AIC值对比可知(图7),三次模型能有效识别城市地表水面率与单位面积GDP的EKC形状和转折点.大湾区除深圳、东莞、佛山(图6a, d, e)的EKC形状为持续下降趋势外(二次曲线),其余城市EKC形状均为N型,即两者关系呈现出“快速上升—快速下降—平缓回升”的特征.东莞、佛山的地表水面率分别在单位面积GDP为0.40´108和0.30´108元/km2处达到最大值,出现了小幅度上升到快速下降的转折点,随后在2.62´108和3.58´108元/km2时趋于平缓,但深圳却出现小幅度回升(2016～2020年),其可能原因是生态修复和水库扩容工程导致水体面积增加[4,9],具体原因有待进一步分析.

由N型城市的EKC拐点(图7)可知,EKC可划分为快速上升(I)、快速下降(II)和平缓回升(III)3个阶段.结合图7可知,阶段I EKC曲线上升的原因在于20世纪90年代劳动密集型产业吸收大量劳动力,居民生活水平提升促使渔类产品需求增加,大量养殖坑塘水体面积提升[9];阶段II出现第一个拐点原因为城市养殖坑塘等小型水体逐渐被高经济密度的不透水面代替[13],主要包括工商业用地和基础设施的扩张;阶段III的第二个拐点表明城市EKC在经济水平提升后普遍出现平缓上升趋势,因为发达经济社会背景下,地表湿地水体生态服务功能得到重视,生态红线、公园绿地、自然保护区有效保护城市水体.但是,由于阶段III历时短,不确定性大,未来变化趋势是否会变还需深入分析.综上所述,因经济水平差异,不同城市的EKC拐点无明显经济阈值,但出现的时间在2000年和2016左右,表明政策措施导向可能是影响EKC趋势的重要因素.由此说明,不同城市的经济社会发展水平空间差异,导致城市EKC拐点无阈值的一致性,但有时间相似性,水体“占补平衡、增减挂钩”等制度成为水体范围保持的关键[16].

图6 1990～2020年大湾区城市水体EKC特征

实线、虚线分别为二次、三次模型,其阴影部分为95%置信区间

2.3 地表水体驱动要素分析

为辨析经济社会要素对地表水体的驱动关系,本文利用DARDL-UECM模型分析长期协调与短期波动情景下的因素差异.从长期均衡(同期变量)与短期波动(同期变量和滞后项)情景的模拟结果可知,DARDL-UECM模型有效的模拟出不同城市的因变量变化(取对数后),说明7个经济社会要素有效表征出地表水面率变化过程.以短期模型模拟结果(图7)为例,各城市地表水面率在优选滞后项和差分项条件下模拟精度较高.大湾区模型拟合2均大于0.724,-value小于0.000,其中广州、肇庆的2甚至达到0.9以上,表明综合考虑长期与短期的动态参数模拟有助于保证模拟的整体精度[30],但对于变化剧烈的年份,其模拟精度还有待于进一步提升.

图7 大湾区地表水面率短期波动模拟

实线为实际值,虚线为模拟值

为区分各经济社会驱动要素的重要性,本文利用弹性系数法[2]得到短期波动与长期均衡情景下的相对贡献率(无量纲),其值越趋向于0,代表自变量对因变量的贡献率越低,反之,则越高.从图8可知,短期波动和长期均衡情景下,不透水面、林地和耕地面积比重均为城市地表水体的主要驱动要素,三者累计贡献率均值为0.96和0.93,共同决定了地表水体的扩张或萎缩[8],尤其是建设用地大幅扩展的深圳、惠州和中山,其不透水面比重的贡献率分别为0.46、0.44和0.42,说明两个城市不透水面建设对地表水体的干预程度最强,其余城市的贡献率均不足0.4.另外,林地和耕地在广州、佛山、珠海等区域占用重要作用,两者累计贡献率达到0.6以上.其余要素贡献率低可能原因为人口、GDP、产业对地表水体起间接作用,经济发展通过建设用地、耕地的转化实现对地表水体范围的影响[3,8],其中介效益需在未来研究中进一步分析.

各要素在长期均衡与短期波动情景下的贡献率相似,但长、短期贡献率结构存在一定差异.由图8可知,长期均衡情景下,深圳、肇庆的不透水面面积比重为主导因素,江门以耕地和林地面积比重为主,中山以林地面积比重和第三产业比重为主,广州、佛山、东莞、惠州、珠海的不透水面、耕地和林地面积比重贡献率基本一致,其余要素贡献率较低(<0.2).上述说明,人工土地覆被(建设用地、耕地)对水体的占用方式主要有两种:一是建成区的林地(人工林)和坑塘与耕地对小型水体的挤占;二是建设用地对坑塘水体的直接占用(图5).因此,未来控制人工土地覆被对水体的挤占作用,依然是避免地表水体消失最重要的方式.其次,应当从占补平衡的角度管控地表水体面积.最后,控制人口规模和优化产业结构可辅助于地表水体保护.

图8 经济社会要素对地表水面率的贡献率

3 结论

3,1 近30a大湾区城市地表水体总体上呈“先升后降”的非线性特征,1990～2000年地表水体总面积增长了1323.14km2,2000年以后水体呈波动下降,尤其是2012～2020年水体急速下降,年均水体面积萎缩143.52km2.相比于其他非水体覆被类型,以水体与耕地、不透水面之间相互转化路径决定了地表水体动态.

3.2 粤港澳大湾区地表水面率与单位面积GDP的EKC总体呈“快速上升—快速下降—平缓回升”的N型特征,尤其是东莞、佛山,两者由升到降的转折点分别为0.40´108元/km2和0.30´108元/km2,但由降到升的转折点分别为2.62´108元/km2和3.58´108元 /km2,体现出人为覆被对水体挤占与生态修复和水库扩容工程对水体的扩张两种阶段,其具体原因有待进一步分析.

3.2 DARDL-UECM模型模拟结果表明,该模型明确了模拟结果的准确性(2>0.7,<0.000)和各因子的贡献率,无论短期波动阶段还是长期均衡阶段,不透水面、林地和耕地面积比重均为城市地表水体的主要驱动要素,三者累计贡献率均值为0.96和0.93,但不同城市的要素贡献率结构存在差异.为缓和未来城市发展与水体保护的矛盾,各城市应当重点控制人为土地覆被对水体的挤占作用,从占补平衡的角度管控地表水面率与经济社会的EKC关系.

[1] 刘年磊,蒋洪强,吴文俊.基于不确定性的水资源优化配置模型及其实证研究 [J]. 中国环境科学, 2014,34(6):1607-1613.

Liu N L, Jiang H Q, Wu W J. Empirical research of optimal allocation model of water resources under uncertainties [J]. China Environmental Science, 2014,34(6):1607-1613.

[2] 李崇巍,王志慧,汤秋鸿,等.1986～2019年黄河流域地表水体动态变化及其影响因素[J]. 地理学报, 2022,77(5):1153-1168.

Li C W, Wang Z H, Tang Q H, et al. Dynamics of surface water area in the Yellow River Basin and its influencing mechanism during 1986～ 2019 based on Google Earth Engine [J]. Acta Geographica Sinica, 2022,77(5):1153-1168.

[3] 付 颖,徐新良,通拉嘎,等.近百年来北京市地表水体时空变化特征及驱动力分析[J]. 资源科学, 2014,36(1):75-83.

Fu Y, Xu X L, Tong L G, et al. Analysis on spatiotemporal variation characteristics and driving forces of surface water bodies in Beijing in recent 100years [J]. Resource Science, 2014,36(1):75-83.

[4] 王海云,匡耀求,文薪荐,等.粤港澳大湾区生态网络构建及廊道优化 [J]. 中国环境科学, 2022,42(5):2289-2298.

Wang H Y, Kuang Y Q, Wen X J, et al. Ecological network construction and corridor optimization in the Greater Bay Area of Guangdong, Hong Kong and Macao [J]. China Environmental Science, 2022,42(5):2289-2298.

[5] 任南琪,张建云,王秀蘅.全域推进海绵城市建设,消除城市内涝,打造宜居环境[J]. 环境科学学报, 2020,40(10):3481-3483.

Ren N Q, Zhang J Y, Wang X H. Promoting the sponge city construction widely to eliminate urban waterlogging and create livable environment [J] Journal of Environmental Science, 2020,40(10):3481-3483.

[6] 冯 琳,张婉婷,张钧珂,等.三峡库区面源污染的时空特征及EKC分析[J]. 中国环境科学, 2022,42(7):3325-3333.

Feng L, Zhang W T, Zhang J K, et al. Spatial and temporal characteristics and EKC analysis of non-point source pollution in the Three Gorges Reservoir Area [J]. China Environmental Science, 2022, 42(7):3325-3333.

[7] Pata U K, Aydin M. Testing the EKC hypothesis for the top six hydropower energy-consuming countries: Evidence from Fourier Bootstrap ARDL procedure [J]. Journal of Cleaner Production, 2020, 264:121699.

[8] 何媛婷,王石英,袁再健,等.珠江三角洲土地利用变化及其对城市化发展的响应[J]. 生态环境学报, 2020,29(2):303-310.

He Y T, Wang S Y, Yuan Z J, et al. Land use change and its response to urbanization in the Pearl River Delta [J]. Journal of Ecological Environment, 2020,29(2):303-310.

[9] 程子浩,刘先锋,林港特,等.近40年粤港澳大湾区桑基鱼塘演变监测和分析[J]. 湿地科学与管理, 2021,17(3):29-35.

Cheng Z H, Liu X F, Lin G T, et al. Changes in fish ponds in the Guangdong-Hong Kong-Macao Greater Bay Area over the past 40 years [J]. Wetland science and management, 2021,17(3):29-35.

[10] Huang W J, Duan W L, Nover D, et al. An integrated assessment of surface water dynamics in the Irtysh River Basin during 1990～2019 and exploratory factor analyses [J]. Journal of Hydrology, 2021,593.

[11] Grossman G M, Krueger A B. Economic growth and the environment [J]. The quarterly journal of economics, 1995,110(2):353-377.

[12] 孙博文,程志强.市场一体化的工业污染排放机制:长江经济带例证[J]. 中国环境科学, 2019,39(2):868-878.

Sun B W, Cheng Z Q. Research on industrial pollution discharge mechanism of market integration: Taking the Yangtze River Economic Belt as an example [J]. China Environmental Science, 2019,39(2):868-878.

[13] 袁凯华,甘臣林,杨慧琳,等.建设用地扩张与碳排放增长的EKC验证及特征分解研究——以武汉市为例[J]. 中国土地科学, 2019,33(1):56-64.

Yuan K H, Gan C L, Yang H L, et al. Validation of the EKC and characteristics decomposition between construction land expansion and carbon emission: A case study of Wuhan City [J]. China Land Science, 2019,33(1):56-64.

[14] 陈操操,张 妍,刘春兰,等.北京市能源消费与经济增长关系的协整检验分析[J]. 环境科学, 2012,33(6):2139-2144.

Chen C C, Zhang Y, Liu C L, et al. Energy consumption and GDP growth in Beijing: Cointegration and causality analysis [J] Environmental Science, 2012,33(6):2139-2144.

[15] Sarkodie S A. How to apply the novel dynamic ARDL simulations (dynardl) and Kernel-based regularized least squares (krls) [J]. method X, 2020:11.

[16] 粤港澳大湾区城市群年鉴编纂委员会.粤港澳大湾区城市年鉴[M]. 北京:方志出版社, 2020.

Compilation Committee of the Yearbook of Guangdong-Hong Kong- Macao Greater Bay urban agglomeration. Yearbook of Guangdong- Hong Kong-Macao Greater Bay [M]. Beijing: Local chronicles press, 2019.

[17] 冯凯东,毛德华,王宗明,等.基于GEE和遥感大数据的1986—2015年全球城镇用地扩张占用水体时空特征[J]. 地理科学, 2022,42(1): 143-151.

Feng K D, Mao D H, Wang Z M, et al. Spatial and temporal characteristics of water bodies occupied by global urban land expansion from 1986 to 2015 based on Gee and remote sensing big data [J]. Science GeographicaSinica, 2022,42(1):143-151.

[18] Yang J, Huang X. 30m annual land cover and its dynamics in China from 1990 to 2019 [J]. Earth Syst. Sci. Data Discuss., 2021[2022-02-08].

[19] 鲁晓东,许罗丹,熊 莹.水资源环境与经济增长:EKC假说在中国八大流域的表现[J]. 经济管理, 2016,38(1):20-29.

Lu X D, Xu L D, Xiong Y. Water resources environment and economic growth: Performance of EKC hypothesis in China's eight major basins [J] Economic Management, 2016,38(1):20-29.

[20] 郭嘉铭,金 良,董锁成.呼和浩特市环境库兹涅茨曲线与环境影响因素分析[J]. 干旱区资源与环境, 2015,29(4):143-148.

Guo J M, Jin L, Dong S C. The environmental Kuznets curve and the environmental influencing factors in Hohhot [J]. Resources and Environment in Arid Areas, 2015,29(4):143-148.

[21] Zhou C, Wang S, Wang J. Examining the influences of urbanization on carbon dioxide emissions in the Yangtze River Delta, China: Kuznets curve relationship [J]. Science of The Total Environment, 2019,675: 472-482.

[22] Mcfeeters. S. K. The use of the normalized difference water index (NDWI) in the delineation of open water features [J]. International Journal of Remote Sensing, 1996,17(7):1425-1432.

[23] 徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005,9(5):79-85.

Xu H Q. Research on extracting water information using improved normalized difference water index (MNDWI) [J]. Journal of remote sensing, 2005,9(5):79-85.

[24] Steve F, Pat L. S, Song G, et al. Cloud detection algorithm comparison and validation for operational Landsat data products [J]. Remote sensing of environment, 2017,194:379-390.

[25] Wang X, Xiao X, Zou Z, et al. Gainers and losers of surface and terrestrial water resources in China during 1989-2016 [J]. Nat Commun, 2020,11(1):3471.

[26] Kaika D, Zervas E. The Environmental Kuznets Curve (EKC) theory—Part A: Concept, causes and the CO2emissions case [J]. Energy Policy, 2013, 62: 1392-1402.

[27] 樊胜岳,麻亮亮.中国大陆足迹家族的环境库兹涅茨曲线分析[J]. 自然资源学报, 2016,31(9):1452-1462.

Fan S Y, Ma L H. Environmental Kuznets curve analysis of footprint family in Chinese Mainland [J]. Journal of Natural Resources, 2016, 31(9):1452-1462.

[28] 王 芳,曹一鸣,陈 硕.反思环境库兹涅茨曲线假说[J]. 经济学(季刊), 2020,19(1):81-100.

Wang F, Cao Y M, Chen S. Reflection on the environmental kuznets curve hypothesis [J] Economics (Quarterly), 2020,19(1):81-100.

[29] 徐建伟,傅泽强,谢园园,等.基于EKC假说的经济增长与资源和环境协调性分析——以铁岭市为例[J]. 环境工程技术学报, 2016,6(3): 290-294.

XU J W, FU Z Q, XIE Y Y, et al. Coordination analysis on economic growth and resources and environment based on EKC: a case study on Tieling City [J]. Journal of Environmental Engineering Technology, 2016,6(3):290-294.

[30] 张茹倩,李鹏辉,徐丽萍.城镇化对新疆土地利用碳排放的影响及其耦合关系[J]. 生态学报, 2022,42(13):5226-5242.

Zhang R Q, Li P H, Xu L P. Effects of urbanization on carbon emission from land use in Xinjiang and their coupling relationship. Acta Ecologica Sinica, 2022,42(13):5226-5242.

Socio-economic drivers of surface water bodies in the Guangdong-Hong Kong-Macao Greater Bay Area.

YANG Zhen-hua1, ZHAO Tong-tie-gang2*, TIAN Yu3, YANG Fang4, ZHENG Yan-hui5, CHEN Xiao-hong2

(1.Eco-Environmental Monitoring and Scientific Research Center, Bureau of Eco-Environmental Supervision of the South China Sea Waters of the Pearl River Basin, Ministry of Ecology and Environment, Guangzhou 510610, China；2.Water Resources and Environment Research Center, Sun Yat-sen University, Guangzhou 510275, China；3.Water Resources Research Institute, Chinese Academy of Water Resources and Hydropower, Beijing 100038, China；4.Pearl River Hydraulic Research Institute, Guangzhou 520611, China；5.School of Environment, South University of Science and Technology, Shenzhen 518055, China)., 2023,43(12)：6778～6787

Focusing on the Great Bay Area of Guangdong-Hong Kong-Macao (GBA), the Environmental Kuznets Curve (EKC) of surface water and its socio-economic drivers were identified in the paper.Specifically, the Landsat images were utilized to extract the long-term sequence of surface water dynamics, the EKC was obtained through land use/cover change analysis and the driving factors of long-term equilibrium and short-term fluctuation were illustrated. The results shown that the urban surface water bodies in the GBA generally showed a nonlinear characteristic of first rise and then fall, and depended on the transformation characteristics between water bodies and cropland and impervious surfaces in the past 30a, with the surface water body area increasing by 1323.14km2from 1990 to 2000, and then fluctuating and decreasing from 2000 onwards; the EKC of the surface water rate and GDP per unit area generally showed a N-type characteristics of rapid decline and gentle rebound reflect the loss/gain of water bodies by anthropogenic cover and ecological restoration/reservoir expansion projects; the DARDL-UECM model clarifies the accuracy of the simulation results (2>0.7,<0.000) and the contribution of factors. Regardless of the short-term fluctuation stage or long-term equilibrium stage, ratios of impervious surface, forested land and cropland area share are the main driving factors for urban surface water bodies, and the mean values of the cumulative contributions of the three factors are 0.96 and 0.93.

Guangdong-Hong Kong-Macao Greater Bay Area；surface water body；Environmental Kuznets Curve；land use/cover change；socio-economic drivers

X196

A

1000-6923(2023)12-6778-10

杨振华,赵铜铁钢,田 雨,等.粤港澳大湾区地表水体经济社会驱动要素研究 [J]. 中国环境科学, 2023,43(12):6778-6787.

Yang Z H, Zhao T T G, Tian Y, et al. Study on Socio-economic Drivers of Surface Water Bodies in the Guangdong-Hong Kong-Macao Greater Bay Area [J]. China Enviornmental Science, 2023,43(12):6778-6787.

杨振华(1991-),男,江西赣州人,博士.主要从事遥感水文和水环境调查评价研究.发表论文10余篇.yangzhh63@mail2.sysu.edu.cn.