基于地理探测器的绿色经济效率时空分异及驱动力研究
基于优化地理探测器的生态环境质量驱动力分析
第31卷第1期2024年2月水土保持研究R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o nV o l .31,N o .1F e b .,2024收稿日期:2023-01-04 修回日期:2023-01-21资助项目:自然资源部城市国土资源监测与仿真重点实验室开放基金资助(K F -2021-06-102);国家重点研发计划(2019Y F B 2102503) 第一作者:牟凤云(1979 ),女,山东高密人,博士,教授,主要从事交通经济㊁国土资源遥感㊁3S 技术集成与应用㊂E -m a i l :m f y s d @c q jt u .e d u .c n h t t p :ʊs t b c y j .p a p e r o n c e .o r gD O I :10.13869/j.c n k i .r s w c .2024.01.010.牟凤云,黄淇,陈林.基于优化地理探测器的生态环境质量驱动力分析[J ].水土保持研究,2024,31(1):440-449.M uF e n g y u n ,H u a n g Q i ,C h e nL i n .E c o -e n v i r o n m e n t a l Q u a l i t y D r i v i n g F o r c eD e t e c t i o nU s i n g O p t i m i z e dG e o g r a ph i cD e t e c t o r [J ].R e s e a r c h o f S o i l a n d W a t e rC o n s e r v a t i o n ,2024,31(1):440-449.基于优化地理探测器的生态环境质量驱动力分析牟凤云1,黄淇1,陈林2(1.重庆交通大学智慧城市学院,重庆400074;2.重庆市地理信息和遥感应用中心,重庆401120)摘 要:[目的]克服生态环境质量(E Q I )演化驱动因子在离散化过程中的随机性和主观性,优化传统地理探测器㊂[方法]利用相等间隔法㊁分位数法㊁自然断点法㊁几何间隔法和标准差法5种离散方法,对重庆市22项E Q I 演化驱动因子进行离散化,并结合地理探测器确定各因子的合理离散法与分类数,从而探究各驱动因子的驱动力大小和各驱动因子间交互模式㊂[结果](1)2005 2020年重庆市E Q I 处于I ㊁Ⅲ和Ⅳ级的区县数量占比减少0.211,处于Ⅱ和V 级的区县数量占比上升0.211,总体呈下降趋势,在空间上呈由西北向东南走向的梯度分布特征㊂(2)研究中各离散方法适用性排序为:自然断点法>几何间隔法>分位数法>相等间隔法>标准差法㊂不同因子适用的离散方法各异,应根据因子数据特征择优选取离散方法㊂(3)识别出影响重庆市E Q I 演化的关键驱动因子4个(0.37~0.49),主要驱动因子13个(0.14~0.33)㊁次要驱动因子4个(0.05~0.13)和其他因子1个(0.04),各驱动因子间交互作用均为双重增强或非线性增强㊂[结论]合理的离散化可以一定程度上克服连续数据离散化过程中的随机性和主观性,从而优化重庆市E Q I 演化驱动力探测结果㊂关键词:合理离散法;地理探测器;生态环境质量;驱动力;重庆市中图分类号:S 284 文献标识码:A 文章编号:1005-3409(2024)01-0440-10E c o -e n v i r o n m e n t a l Q u a l i t y D r i v i n g Fo r c eD e t e c t i o n U s i n g O p t i m i z e dG e o g r a ph i cD e t e c t o r M uF e n g y u n 1,H u a n g Qi 1,C h e nL i n 2(1.S c h o o l o f S m a r tC i t y ,C h o n g q i n g J i a o t o n g U n i v e r s i t y ,C h o n g q i n g 400074,C h i n a ;2.C h o n g q i n g G e o g r a p h i c I n f o r m a t i o na n dR e m o t eS e n s i n g A p p l i c a t i o nC e n t e r ,C h o n g q i n g 401120,C h i n a )A b s t r a c t :[O b j e c t i v e ]T h i s s t u d y a r m s t o o v e r c o m e t h e r a n d o m n e s s a n d s u b j e c t i v i t y o f e c o l o gi c a l e n v i r o n m e n t q u a l i t y (E Q I )e v o l u t i o n d r i v e r s i n t h e d i s c r e t i z a t i o n p r o c e s s ,a n d t o o p t i m i z e t h e t r a d i t i o n a l g e o g r a ph i c d e t e c -t o r .[M e t h o d s ]T h i s s t u d y d i s c r e t i z e d 22E Q I e v o l u t i o n a r y d r i v i n g f a c t o r s i nC h o n g q i n g b y u s i n gf i v e d i s c r e t -i z a t i o n m e t h o d s ,n a m e l y e q u a l i n t e r v a l m e t h o d ,q u a n t i l e m e t h o d ,n a t u r a lb r e a k po i n t m e t h o d ,g e o m e t r i c i n t e r v a lm e t h o d a n d s t a n d a r d d e v i a t i o nm e t h o d .G e o g r a p h i c d e t e c t o rw a s c o m b i n e d t o d e t e r m i n e t h e r e a s o n a -b l e d i s c r e t em e t h o d a n dc l a s s i f i c a t i o nn u m b e ro f e a c hf a c t o r ,s oa s t oe x p l o r e t h ed r i v i n g fo r c es i z eo f e a c h d r i v i n g f a c t o r a n d t h e i n t e r a c t i o nm o d e l o f e a c hd r i v i n g f a c t o r .[R e s u l t s ](1)F r o m2005t o 2020,t h e n u m b e r o f d i s t r i c t s a n d c o u n t i e s i n g r a d e I ,Ⅲa n d Ⅳd e c r e a s e db y 0.211,w h i l e t h e n u m b e r o f d i s t r i c t s a n d c o u n t i e s i nG r a d eⅡa n dVi n c r e a s e db y 0.211,s h o w i n g a no v e r a l l d o w n w a r d t r e n da n ds p a t i a l g r a d i e n t d i s t r i b u t i o n f r o mn o r t h w e s t t o s o u t h e a s t .(2)T h e o r d e r o f a p p l i c a b i l i t y o f e a c h d i s c r e t em e t h o d i n t h i s s t u d y w a s :n a t u r a l b r e a k p o i n tm e t h o d >g e o m e t r i c i n t e r v a lm e t h o d >q u a n t i l em e t h o d >e q u a l i n t e r v a lm e t h o d >s t a n d a r dd e v i a -t i o n m e t h o d .T h ed i s c r e t i z a t i o n m e t h o d sa p pl i c a b l e t od i f f e r e n t f a c t o r sw e r ed i f f e r e n t ,s o t h ed i s c r e t i z a t i o n m e t h o d s s h o u l db es e l e c t e da c c o r d i n g t ot h ec h a r a c t e r i s t i c so ff a c t o rd a t a .(3)F o u rk e y d r i v i n g fa c t o r s(0.37~0.49),13m a i nd r i v i n g f a c t o r s(0.14~0.33),f o u rm i n o rd r i v i n g f a c t o r s(0.05~0.13)a n do n eo t h e rf a c t o r(0.04)w e r e i d e n t i f i e d,a n d t h e i n t e r a c t i o n a m o ng a l l d r i v i n g f a c t o r sw a s d o u b l y e nh a n c e do r n o n li n e a r e n h a n c e d.[C o n c l u s i o n]R e a s o n a b l e d i s c r e t i z a t i o n c a n o v e r c o m e r a n d o m n e s s a n d s u bj e c t i v i t y i n t h e p r o c e s s o fc o n t i n u o u sd a t ad i s c re t i z a t i o nt oac e r t a i ne x t e n t,s oa s t oo p t i m i z et h ed e t e c t i o nr e s u l t so fE Q Ie v o l u t i o nd r i v i n g f o r ce s i nC h o n g q i n g.K e y w o r d s:g e o g r a p h i c d e t e c t o r;e c o l o g i c a le n v i r o n m e n t q u a l i t y;d r i v i n g f o r c ea n a l y s i s;o p t i m a ld i s c r e t e m e t h o d;C h o n g q i n g C i t y为推动生态环境质量持续改善和强化减污降碳协同增效作用,重庆市生态环境局组织编制了‘重庆市生态环境监测 十四五 规划(2021 2025年)“,并于2022年1月印发实施,将以解决生态环境领域突出问题为抓手,推进生态环境质量持续改善,筑牢长江上游重要生态屏障[1-2]㊂监测重庆市生态环境质量时空演化并分析其驱动力,对重庆市土地资源可持续利用和生态环境有效保护具有重要的实践意义和价值㊂目前基于土地利用测度生态环境质量的方法,主要包括单一指标测度法和综合指标测度法,前者利用植被覆盖度(F r a c t i o n a l V e g e t a t i o n C o v e r a g e, F V C)[3]㊁归一化植被指数(N o r m a l i z e d D i f f e r e n c e V e g e t a t i o n I n d e x,N D V I)[4]㊁植被净初级生产力(N e t P r i m a r y P r o d u c t i v i t y,N P P)[5]㊁增强型植被指数(E n h a n c e dV e g e t a t i o n I n d e x,E V I)等[6],单一指标直接表征区域生态环境质量,结果不免陷于片面;后者运用生态环境质量指数(E c o-e n v i r o n m e n t a lQ u a l i t y I n d e x,E Q I)[7-8]㊁遥感生态环境指数(R e m o t e S e n s i n g E c o l o g i c a l I n d e x,R S E I)等[9-10]综合指标表征区域生态环境质量,相较于前者更为全面,因此应用也更为广泛;近年来,土地在 三生 (生产㊁生态㊁生活)功能间的转型与重构对于生态环境质量的影响逐渐引起关注,基于土地利用主导功能分类体系,将 三生 空间与土地利用转型相衔接,也成为探究区域生态环境质量的重要切入点[11],因此本研究从 三生空间 与土地利用主导功能的视角出发,建立 三生 土地利用主导功能分类及其生态环境质量指数方案,据此计算重庆市各区县生态环境质量指数㊂地理探测器是探究生态环境质量演化驱动力的常用方法,运用该方法前须将连续数据离散化,即在连续数据取值范围内设置若干个离散点,将取值范围划分为若干离散区间,从而将数据由定量表达转换为定性表达的过程㊂连续数据离散化是数据预处理的重要环节之一,因此现有研究对连续数据的离散化方法作出了丰富探讨,将现有离散化方法分类为[12]:监督和非监督离散化㊁动态和静态离散化㊁全局和局部离散化㊁拆分和合并离散化㊁直接式和增量式离散化㊁单属性和多属性离散化等㊂亦有不少国外文献结合地理探测器探究空间数据的最优离散方法,如C a oF 等[13]结合5种非监督离散化方法,详细描述了使用单因子q值和因子交互q值来确定最优离散方法的过程;M e n g X等提出了一种基于尺度的离散化方法(S B D M)[14],即使用单因子q值的幂作为准则函数,通过缩放尺度以获取最优离散方法,又提出一种多尺度离散化方法(M S D)[15],即通过确定一组自变量X的适当阈值,从而最小化因变量Y的方差;S o n g Y等[16]提出了一种基于最优参数的地理检测器(O P G D),优化了空间数据离散化过程和空间分析的空间尺度,确定了地理探测器模型的最佳参数组合㊂多项研究表明[13-16],探究连续数据的合理离散方法,可以一定程度上克服连续数据离散化过程中的随机性和主观性,从而提升模型的分聚类能力㊁抗噪声能力以及表达能力,优化模型结果,但国内关于生态环境质量演化驱动力的研究却极少聚焦于连续驱动因子的离散化过程,因此本研究弥补这一不足,试图探讨重庆市生态环境质量演化驱动因子的合理离散方法㊂本研究从 三生空间 与土地利用主导功能的视角出发计算重庆市各区县生态环境质量指数,利用相等间隔法㊁分位数法㊁自然断点法㊁几何间隔法㊁标准差法等5种离散方法,将连续驱动因子离散化,并代入地理探测器以最大q值确定各因子合理离散法与分类数,最后利用地理探测器的因子探测确定各因子合理离散法与分类数,探究各驱动因子的驱动力大小,并利用交互探测探究各驱动因子间交互模式㊂研究结果一方面可将连续数据合理离散化的思想进一步推广,引起相关研究重视,另一方面可为相关政策的贯彻落实提供科学决策依据㊂1研究区概况重庆市地处我国长江上游地区腹心地带,近年来,作为 西部大开发 的重要战略支点㊁ 一带一路 和长江经济带的联结点以及内陆开放高地,重庆市的土地利用在生产㊁生态㊁生活功能间大幅转型重构,对生态环境质量产生显著影响㊂2021年,全市生态环144第1期牟凤云等:基于优化地理探测器的生态环境质量驱动力分析境保护投入956.5亿元,占G D P的3.4%,同比增长12.0%,全市环保产业实现营业收入1325.7亿元,同比增长27.7%㊂据生态环境部发布的‘2021中国生态环境状况公报“显示,2021年全国生态环境质量主要指标顺利完成,生态环境质量明显改善[1],全市生态环境状况指数为70.2,评价结果为 良 ㊂2研究方法2.1生态环境质量指数本文的生态环境质量指数是研究区域内 三生 用地生态环境质量及其面积比例综合作用的结果,公式如下:E V k=ðn i=1(S k i S kˑV i)(1)式中:E V k为第k个评价单元的生态环境质量指数;S k i 为第k个评价单元某类功能用地的面积;S k为第k个评价单元的土地总面积;V i为第i类功能用地的生态环境质量指数;n为基于 三生功能 的土地资源类型数量㊂2.2离散方法采用相等间隔法㊁分位数法㊁自然断点法㊁几何间隔法和标准差法共5种离散方法将连续的驱动因子离散化,各离散方法见表1所示㊂表1离散方法原理T a b l e1I n t r o d u c t i o n t od i s c r e t i z a t i o nm e t h o d s方法名称原理详述相等间隔法将数据的范围区间划分为若n个大小相等的子区间,需要在使用前确定子区间的数量分位数法每个类别都包含相等数量的要素,适用于呈线性分布的数据自然断点法根据数据相似性进行分类,可使各类间差异最大化,在数据差异性较大的位置确定组间断点㊂适用于分布不均匀且倾向于聚集的数据类型,将具有聚集特征的要素归为同一类几何间隔法根据具有几何系列的组距创建分类间隔,使每个类的元素数的平方和最小,确保每个类范围与每个类所拥有的值的数量大致相同,且间隔之间的变化非常一致标准差法标准差显示要素属性值与平均值之间的差异,利用标准差法可以显示位于平均值以上或以下的要素分类,一般以1/4,1/2,3/4倍标准差作为分类断点2.3地理探测器地理探测器是由王劲峰等[17]基于 两个关联变量的空间分布趋于一致 的理论开发而来,用于探测地理现象的空间分异性并解释其背后驱动力,包括风险探测㊁因子探测㊁生态探测和交互探测4个探测器,本研究主要运用到因子探测和交互探测,原理如下:(1)因子探测㊂用于检验生态环境质量Y的空间分异性,并探测驱动因子X n对生态环境质量Y的空间分异性的解释程度,用q值度量,公式如下:q=1-ðL i=1N iσ2iNσ2(2)式中:i=1, ,L为驱动因子X n的分类数;N i为第i 类样本数;N为总样本数;σ2i为第i类方差;σ2为生态环境质量Y的方差㊂qɪ[0,1],驱动因子X n对应的q值越大,表明其对生态环境质量Y的解释力越强㊂(2)交互探测㊂用于识别不同驱动因子X n之间的交互作用类型,判断两个驱动因子共同作用时对生态环境质量Y的解释力是相互增强㊁相互减弱还是相互独立,交互作用类型主要包括非线性增强㊁独立㊁双因子增强㊁单因子非线性减弱和非线性减弱㊂3数据获取及处理3.1数据获取本研究涉及的数据包括重庆市2000年㊁2005年㊁2010年㊁2015年㊁2020年的土地利用分布㊁重庆市2016年统计年鉴㊁重庆市D E M,E D V I,G D P㊁人口空间分布㊁重庆市逐年年降水量和年平均气温空间插值数据集㊁全国基础地理信息数据库㊂数据详情如表2所示㊂3.2数据处理(1)生态环境指数计算㊂从 三生空间 与土地利用主导功能的视角出发,参考已有文献[9-10,18]建立2005 2020年的 三生 土地利用主导功能分类方案(表3),从而计算重庆市各区县的E Q I,得到重庆市的E Q I的时空分布图和等级隶属度分布,然后利用全局莫兰指数和局部莫兰指数分析重庆市E Q I的冷热点分布特点㊂(2)驱动力因子体系构建㊂在借鉴已有成果的基础上[19-23],遵循指标选取的科学性㊁可比性㊁独立性㊁可操作性以及可获取性等原则,从自然要素㊁人为要素等两个方面选取22个能直接或间接影响生态环境质量的因素,构建驱动因子体系,包括气温X1㊁降水X2㊁G D P X3㊁人口X4㊁N D V I X5㊁到居民点距离X6㊁到公路距离X7㊁到铁路距离X8㊁到河流距离X9㊁到机场距离X10㊁D E M X11㊁坡度X12,工业生产总值X13㊁第一产业生产总值X14㊁第二产业生产总值X15㊁第三产业生产总值X16㊁农林牧渔服务业总产值X17㊁城镇居民人均可支配收入X18㊁公路里程X19㊁工业二氧化硫排放量X20㊁工业废水排放量244水土保持研究第31卷X 21㊁工业烟尘排放量X 22㊂(3)最优离散方法确定㊂根据合理离散法和分类数确定流程,分别利用5种离散方法将22项连续型驱动力指标离散化为2~20类,并代入地理探测器计算q 值,运用MA T L A B 绘制22个驱动力指标在不同离散方法㊁不同分类数下的驱动力q 值曲线分布图,最后根据q 值曲线分布特点㊁最大q 值确定各驱动力指标值曲线分布类型㊁合理离散法与分类数,从而对22项驱动力指标进行合理离散化㊂(4)因子探测及交互探测㊂以生态环境质量指数作为因变量Y ,以22项驱动力指标作为自变量X n(n =1,2, ,9),代入G e o D e t e c t o r 的因子探测模型中,探究各驱动力指标对生态环境质量的驱动力大小,得到各驱动力指标因子探测结果;又利用地理探测器的交互探测模型,探究各驱动因子X 间的交互模式,得到各驱动力指标交互探测结果㊂表2 数据详情T a b l e 2 T h e d a t a s o u r c e名称格式分辨率来源重庆市2000 2015年土地利用分布栅格30m 中国科学院地理科学与资源研究所重庆市2020年土地利用分布栅格30m 全国地理信息资源目录服务系统重庆市2016年统计年鉴表格 重庆市统计局重庆市D E M 空间分布栅格30m重庆市N D V I 空间分布栅格1k m 重庆市逐年年降水量㊁年平均气温空间插值数据集栅格1k m 中国科学院资源环境科学数据中心重庆市G D P 空间分布栅格1k m 重庆市人口空间分布栅格1k m全国基础地理信息数据库矢量1ʒ25万全国地理信息资源目录服务系统表3 三生 土地利用主导功能分类及其生态环境质量指数T a b l e 3 T h e c l a s s i f i c a t i o n s c h e m e o f p r o d u c t i o n -l i v i n g -e c o l o g i c a l l e a d i n g f u n c t i o no f l a n du s e f r o m2005t o 2020一级分类二级分类土地类型(2005 2015年)生态环境质量指数土地类型(2020年)生态环境质量指数生态空间重点生态用地有林地㊁灌木林地㊁高覆盖草地0.7835森林㊁灌木地㊁草地(重点生态用地2020年)0.6147一般生态用地疏林地㊁其他林地㊁中低覆盖草地0.4459水域生态用地河渠㊁水库坑塘㊁滩地㊁滩涂0.55水体湿地0.55生态容纳地裸土地㊁裸岩石砾地0.0312生产空间城镇生产用地其他建设用地0.1589农业生产用地水田㊁旱地0.2751耕地0.2751生活空间城乡生活用地城镇用地㊁农村居民点0.1901人造地表0.19014 结果与分析4.1 重庆市生态环境质量指数时空演化分析根据重庆市E Q I 时空分布(图1),2005 2020年E Q I 在空间上一直呈现出由西北向东南走向的梯度分布特征㊂根据重庆市E Q I 等级隶属度分布(图2),重庆市2005年㊁2010年㊁2015年㊁2020年E Q I 处于I 级的区县占比分别为0.132,0.132,0.132,0.079,呈先稳定后下降趋势,处于Ⅱ级的区县占比分别为0.289,0.211,0.184,0.368,呈先缓慢下降后迅速上升趋势,处于Ⅲ级的区县占比分别为0.158,0.105,0.132,0.132,呈先下降后稳定趋势,处于Ⅳ级的区县占比分别为0.158,0.263,0.237,0.026,呈先上升后下降趋势,处于V 级的区县占比分别为:0.263,0.289,0.315,0.395,呈加速上升趋势,由此可知,处于I ,Ⅲ和Ⅳ级的区县减少,处于Ⅱ和V 级的区县增多,结合图1和图2发现,许多区县E Q I 由I 级转为Ⅱ级,由Ⅳ级转为V 级,从这个角度看,重庆市生态环境质量呈下降趋势㊂4.2 重庆市生态环境质量驱动因子合理离散法与分类数确定结果观察各驱动因子q 值曲线分布图(图3),发现22个因子的q 值总体上均随分类数增加而逐渐上升,但有些为单调上升,有些为波动上升;按曲线分布特点将22个因子分为3种类型:紧凑型(8个)8,波动型(3个)㊁差异型(11个),随分类数增加,紧凑型q 值曲线逐渐趋于稳定,彼此间差异较小;波动型q 值曲线内部波动起伏剧烈,彼此间差异不大;差异型部分q 值曲线内部波动起伏强烈,彼此间差异显著;根据图3中的最大q 值确定各驱动因子的合理离散法与分344第1期 牟凤云等:基于优化地理探测器的生态环境质量驱动力分析类数(表4),分位数法6个,几何间隔法7个㊁相等间隔法2个㊁自然断点法7个,由此可知,研究中各离散方法适用性排序为:自然断点法>几何间隔法>分位数法>相等间隔法>标准差法㊂图1 重庆市生态环境质量指数时空分布F i g .1 T e m p o r a l a n d s p a t i a l d i s t r i b u t i o no fE Q I i nC h o n g q i n g图2 重庆市生态环境质量指数等级隶属度分布F i g .2 D i s t r i b u t i o no f r a n km e m b e r s h i p o fE Q I i nC h o n g q i n g4.3 重庆市生态环境质量演化驱动因子及其交互作用分析根据驱动因子探测结果(图4),按驱动力q 值大小将驱动因子依次划分为4个梯度:驱动因子(5个)㊁主要驱动因子(13个)㊁次要驱动因子(5个)和其他因子(4个)㊂关键驱动因子是决定重庆市生态环境质量演化的关键因素,均为自然因素,包括D E M X 11(0.49)㊁气温X 1(0.46)和坡度X 12(0.39);主要驱动因子是驱动重庆市生态环境质量演化的主要因素,多属于经济因素,包括人口X 4(0.37)㊁G D P X 3(0.33)㊁N D V I X 5(0.32)㊁第二产业生产总值X 15(0.30)㊁第一产业生产总值X 14(0.30)㊁工业生产总值X 13(0.29)㊁第三产业生产总值X 16(0.29)㊁农林牧渔服务业总产值X 17(0.28)㊁城镇居民人均可支配收入X 18(0.27)和公路里程X 19(0.26);次要驱动因子是驱动重庆市生态环境质量演化的次要因素,主要为工业三废,包括工业废水排放量X 21(0.26)㊁工业二氧化硫排放量X 20(0.23)㊁工业烟尘排放量X 22(0.20);其他因子对重庆市生态环境质量演化的影响较小,包括到铁路距离X 8(0.14)㊁到机场距离X 10(0.13)㊁到公路距离X 7(0.08)㊁到居民点距离X 6(0.06)㊁降水X 2(0.05)和到河流距离X 9(0.04)㊂根据驱动因子交互探测结果(表5),总体上看,驱动因子交互作用强度排序为:D E M X 11(0.49~0.59)>气温X 1(0.46~0.53)>坡度X 12(0.39~0.53)>人口X 4(0.37~0.57)>G D P X 3(0.33~0.57)>N D V I X 5(0.32~0.52>第二产业生产总值X 15(0.30~0.58)>第一产业生产总值X 15(0.30~0.57)>工业生产总值X 14(0.29~0.56)>第三产业生产总值X 13(0.29~0.57)>农林牧渔服务业总产值X 17(0.28~0.55)>城镇居民人均可支配收入X 18(0.27~0.59)>公路里程X 19(0.26~0.58)>工业废水排放量X 21(0.26~0.57)>工业二氧化硫排放量X 20(0.23~0.59)>工业烟尘排放量X 22(0.20~0.57)>到铁路距离X 8(0.14~0.52)>到机场距离X 10(0.13~0.53)>到公路距离X 7(0.08~0.51)>到居民点距离X 6(0.06~0.52)>降水X 2(0.05~0.54)>到河流距离X 9(0.04~0.50)㊂5 结论(1)由于重庆市集大城市㊁大农村㊁大山区㊁大库区于一体,各区域自然条件和资源禀赋差异较大㊁发展不平衡不充分,以往渝东北㊁渝东南曾分别被划分为生态涵养发展区和生态保护发展区,现在渝东北三峡库区城镇群探索生态优先新路子,渝东南武陵山区城镇群打造文旅融合发展新标杆,因而渝东北㊁渝东南地区生态环境质量相对于主城都市区而言一直保持显著优势,重庆市E Q I 在空间上亦呈由西北向东南走向的梯度分布特征㊂而近年来重庆市的土地利用在生产㊁生态㊁生活功能间大幅转型重构,对生态环境质量产生显著影响,444 水土保持研究 第31卷图3各驱动因子q值曲线分布F i g.3D i s t r i b u t i o no f q v a l u e s o f e a c hd r i v i n g f a c t o r 544第1期牟凤云等:基于优化地理探测器的生态环境质量驱动力分析644水土保持研究第31卷续图3图3各驱动因子q值曲线分布F i g.3D i s t r i b u t i o no f q v a l u e s o f e a c hd r i v i n g f a c t o r表4 各驱动因子的合理离散法和分类数T a b l e 4 O pt i m a l c o m b i n a t i o n s o f d i s c r e t i z a t i o nm e t h o d a n d c l a s s n u m b e r f o r d r i v i n g f a c t o r s 因子合理离散法合理分类数城镇居民人均可支配收入X 1820第三产业生产总值X 1619第一产业生产总值X 14分位数法17公路里程X 1920G D P X 320人口X 420D E M X 1120气温X 119到河流距离X 920到机场距离X 10几何间隔法18到铁路距离X 819工业烟尘排放量X 2218N D V I X 520降水X 2相等间距法18到居民点距离X 619第二产业生产总值X 1519工业二氧化硫排放量X 2020工业生产总值X 1320农林牧渔服务业总产值X 17自然断点法18坡度X 1220到公路距离X 716工业废水排放量X 2120图4 各驱动因子的因子探测结果F i g.4 F a c t o r d e t e c t i o n r e s u l t (2)根据驱动因子交互探测结果,分析驱动力q 值曲线分布,发现22个因子的q 值总体上均随分类数增加而逐渐上升,分为紧凑型8个㊁波动型3个和差异型11个,并确定了各因子的合理离散法和分类数,其中分位数法6个,几何间隔法7个㊁相等间隔法2个㊁自然断点法7个㊂由此可知,研究中各离散方法适用性排序为:自然断点法>几何间隔法>分位数法>相等间隔法>标准差法㊂不同因子适用的离散方法各异,研究时应根据因子数据特征择优选取离散方法㊂表5 各驱动因子的交互探测结果T a b l e 5 I n t e r a c t i o nd e t e c t i o n r e s u l t因子X 11X 1X 12X 4X 3X 5X 15X 14X 13X 16X 17X 18X 19X 21X 20X 22X 8X 10X 7X 6X 2X 9X 110.49X 10.510.46X 120.530.530.39X 40.570.520.510.37X 30.570.520.500.450.33X 50.520.490.480.480.460.32X 150.580.520.490.480.430.460.30X 140.570.520.480.480.450.450.350.30X 130.560.510.480.480.460.450.320.350.29X 160.570.520.490.470.430.450.340.330.340.29X 170.550.500.480.480.460.440.350.340.350.340.28X 180.590.530.510.480.470.460.350.350.350.350.350.27X 190.580.520.490.490.470.450.350.350.350.350.350.340.26X 210.570.520.480.480.440.440.360.350.360.340.350.350.360.26X 200.590.530.490.490.470.450.360.350.360.360.350.360.350.350.23X 220.570.520.480.460.460.420.350.350.350.350.350.350.350.340.320.20X 80.520.490.430.430.400.370.370.370.370.360.360.370.370.350.330.320.14X 100.530.490.460.460.430.390.390.400.390.370.380.400.380.360.370.330.220.13X 70.510.470.420.400.360.340.330.330.330.330.320.330.320.310.280.250.180.190.08X 60.520.480.440.420.400.350.380.380.360.360.340.330.330.340.300.270.210.190.130.06X 20.540.500.460.450.440.370.390.380.380.380.380.370.350.370.340.320.230.240.160.130.05X 90.500.470.440.390.360.340.330.330.330.320.310.310.300.300.260.230.190.170.120.090.090.04744第1期 牟凤云等:基于优化地理探测器的生态环境质量驱动力分析(3)研究识别出影响重庆市E Q I演化的关键驱动因子4个(0.37~0.49)㊁主要驱动因子13个(0.14~ 0.33)㊁次要驱动因子4个(0.05~0.13)和其他因子1个(0.04)㊂关键驱动因子均为自然因素,受特殊地形㊁地貌以及气候影响,重庆市中心城区一直呈现出 多中心㊁组团式 山水城市空间格局,各大组团间的隔离带可以防止组团蔓延发展,具备优化城市空间结构㊁维护城市生态安全的功能;主要驱动因子多属于经济因素,近年来,重庆市作为 一带一路 和 长江经济带 的联结点,各区县经济形势向好,三大产业㊁农林牧渔业的粗放发展,导致城市建设用地无序蔓延,各大组团隔离带内绿地被不断蚕食,其生态调节功能也被不同程度削弱,部分组团发生粘连发展, 多中心㊁组团式 空间格局日益弱化;次要驱动因子主要为工业三废,相较于工业二氧化硫排放量㊁工业烟尘排放量,重庆市的工业废水排放量最少,但对生态环境质量的影响却最大,可能是由于重庆市水系密布,工业废水排放后经由水系更易造成生态环境大面积污染㊂(4)驱动因子间的交互作用强度均大于两因子驱动力,且随两因子驱动力降低而降低,呈现出梯度降低趋势,同时任意两项驱动因子间的交互作用均为双重增强或非线性增强㊂由此可推知,生态环境质量不只受各驱动因子独立作用影响,更受众多因子间的密切交互作用影响,部分驱动因子对生态环境质量的直接驱动力虽小,但却可通过影响其他驱动因子而间接影响生态环境质量,足见交互探测不可忽视㊂连续数据离散化是数据预处理的重要环节之一,合理的离散化可以一定程度上克服连续数据离散化过程中的随机性和主观性,从而提升模型的分聚类能力㊁抗噪声能力以及表达能力,优化模型运算结果,但国内关于生态环境质量演化驱动力的研究却极少聚焦于连续驱动因子的离散化过程,因此本研究弥补这一不足,结合地理探测器和相等间隔法㊁分位数法㊁自然断点法㊁几何间隔法㊁标准差法等5种离散方法,在确定生态环境质量驱动因子的合理离散法上做出了有益尝试,但研究亦存在局限之处,即仅在5种离散方法中择优选取了最优离散方法,未将其他更多离散方法纳入比较,在后续的研究中将进一步探讨㊂参考文献:[1]刘毅,寇江泽.二ʻ二一年全国生态环境质量明显改善[N].人民日报,2022-05-31(014).L i u Y,K o uJZ.C h i n a'se c o l o g i c a l a n de n v i r o n m e n t a lq u a l i t y i m p r o v e ds i g n i f i c a n t l y i n2001[N].P e o p l e'SD a i l y,2022-05-31(014).[2]陈维灯.重庆生态环境质量持续改善[N].重庆日报,2022-06-03(2).C h e n W D.S u s t a i n a b l e i m p r o v e m e n t o f e c o l o g i c a l e n v i-r o n m e n t q u a l i t y i n C h o n g q i n g[N].C h o n g q i n g D a i l y, 2022-06-03(2).[3]高思琦,董国涛,蒋晓辉,等.基于地理探测器的三江源植被变化及自然驱动因子分析[J].水土保持研究,2022, 29(4):336-343.G a oSQ,D o n g GT,J i a n g X H,e t a l.A n a l y s i s o f v e g-e t a t i o nc h a n g ea n d n a t u r a ld r i v i n gf a c t o r si n S a n j i a n gs o u r c e b a s e d o n g e o g r a p h i c d e t e c t o r[J].R e s e a r c h o f S o i la n d W a t e rC o n s e r v a t i o n,2022,29(4):336-343.[4] L iY,C a oZ,L o n g H,e t a l.D y n a m i ca n a l y s i so f e c o-l o g i c a l e n v i r o n m e n t c o m b i n e dw i t h l a n d c o v e r a n dN D V Ic h a n g e s a nd i m p l i c a t i o n s f o r s u s t a i n a b le u r b a n-r u r a ld e v e l o p m e n t:T h ec a s eo f M u U sS a n d y L a n d,C h i n a[J].J o u r n a l o fC l e a n e rP r o d u c t i o n,2017,142:697-715.[5]王淼,刘珮玥,刘博文,等.区域植被净生产力模型的生态红线实施评估[J].测绘科学,2022,47(2):157-165.W a n g M,L i uP Y,L i uB W,e t a l.E v a l u a t i o no f e c o-l o g i c a l r e dl i n ef o rr e g i o n a ln e tv e g e t a t i o n p r o d u c t i v i t ym o d e l[J].S c i e n c eo fS u r v e y i n g a n d M a p p i n g,2022,47(2):157-165.[6]尚雪,何钊全,张铜会.增强型植被指数时空变化特征及其驱动机理[J].森林与环境学报,2020,40(5):478-485.S h a n g X u e,H eZQ,Z h a n g T H.S p a t i a l a n d t e m p o r a l v a r i a t i o no fe n h a n c e dv e g e t a t i o ni n d e xa n di t sd r i v i n gm e c h a n i s m[J].J o u r n a lo fF o r e s t sa n d E n v i r o n m e n t, 2020,40(5):478-485.[7] S o n g R,W a n g H,D iZ h a n g ZL,e ta l.C o n s e r v a t i o no u t c o m e sa s s e s s m e n to fS a n j i a n g y u a na l p i n e g r a s s l a n d w i t h MO D I S-E V Ia p p r o a c h[J].B i o d i v e r s i t y S c i e n c e, 2018,26(2):149-157.[8]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.Y a n g Q K,D u a nXJ,W a n g L,e t a l.L a n du s e t r a n s-f o r m a t i o na n d e c o l og i c a le n v i r o n m e n te f f e c tb a s e d o nt h r e e-g r o w t hs p a c e :Ac a s es t u d y o f t h ec o r ea r e ao f t h eY a n g t z eR i v e rD e l t a[J].S c i e n t i aG e o g r a p h i c aS i n i-c a,2018,38(1):97-106.[9]高星,刘泽伟,李晨曦,等.基于 三生空间 的雄安新区土地利用功能转型与生态环境效应研究[J].生态学报, 2020,40(20):7113-7122.G a oX,L i uZ W,L i CX,e t a l.S t u d y o n l a n du s e f u n c-t i o n t r a n s f o r m a t i o na n de c o l o g i c a l e n v i r o n m e n t e f f e c t i n844水土保持研究第31卷X i o n g a nN e w A r e ab a s e do n T h r e e-l i f e s p a c e [J].A c t aE c o l o g i c aS i n i c a,2019,40(20):7113-7122.[10]董建红,张志斌,笪晓军,等. 三生 空间视角下土地利用转型的生态环境效应及驱动力:以甘肃省为例[J].生态学报,2021,41(15):5919-5928.D o n g JH,Z h a n g ZB,D aXJ,e t a l.E c o l o g i c a l a n de n v i r o n m e n t a lef f e c t sa n d d r i v i ng f o r c e so fl a n d u s et r a n s i t i o n f r o mt h e p e r s p e c t i v eo f t h r e e-l i f e s p a c e:Ac a s e s t ud y o fG a n s uP r o v i n c e[J].A c t aE c o l o g i c aS i n i-c a,2013,41(15):5919-5928.[11]王建,赵牡丹,李健波,等.基于MO D I S时序数据的秦巴山区生态环境质量动态监测及驱动力分析[J].山地学报,2021,39(6):830-841.W a n g J,Z h a oM D,L i JB,e t a l.D y n a m i cm o n i t o r i n ga n dd r i v i n g f o r c ea n a l y s i so fe c o l o g i c a la n de n v i r o n-m e n t a l q u a l i t y i nQ i n b aM o u n t a i n r e g i o n b a s e d o nMO-D I S t i m e s e r i e s d a t a[J].J o u r n a l o fM o u n t a i nS c i e n c e,2021,39(6):830-841.[12]李家旭.地理探测器中数据空间离散化算法设计实现与应用[D].南宁:南宁师范大学,2020.L i JX.D e s i g n,i m p l e m e n t a t i o n a n d a p p l i c a t i o no f d a t a s p a c e d i s c r e t i z a t i o n a l g o r i t h m i n g e o d e t e c t o r[D].N a n n i n g:N a n n i n g N o r m a lU n i v e r s i t y,2020. [13] C a oF,G eY,W a n g J F.O p t i m a l d i s c r e t i z a t i o n f o r g e-o g r a p h i c a l d e t e c t o r s-b a s e d r i s k a s s e s s m e n t[J].G i s c i e n c e&R e m o t eS e n s i n g,2013,50(1):78-92.[14] M e n g X,G a oX,L iS,e t a l.S B D M v1.0:As c a l i n g-b a s e d d i sc r e t i z a t i o n m e t h od f o r t he G e o g r a p h i c a lD e t e c t o rM o d e l[J].G e o s c i e n t i f i c M o d e lD e v e l o p m e n tD i s c u s s i o n s,2018:1-25.[15] M e n g X,G a oX,L e i J,e t a l.D e v e l o p m e n t o f am u l t i-s c a l e d i s c r e t i z a t i o n m e t h o df o r t h e g e o g r a p h i c a l d e t e c-t o r m o d e l[J].I n t e r n a t i o n a lJ o u r n a lo f G e o g r a p h i c a lI n f o r m a t i o nS c i e n c e,2021,35(8):1650-1675.[16] S o n g Y,W a n g J,G eY,e t a l.A no p t i m a l p a r a m e t e r s-b a s e d g e o g r a p h ic a lde t e c t o r m o d e le n h a n c e s g e o g r a p h i cc h a r a c t e r i s t i c s o f e x p l a n a t o r y v a r i a b l e s f o r s p a t i a l h e t e r o g e-n e i t y a n a l y s i s:C a s e sw i t h d i f f e r e n t t y p e s o f s p a t i a l d a t a[J].G i s c i e n c e&R e m o t e S e n s i n g,2020,57(5):593-610.[17]王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(1):116-134.W a n g J F,X uCD.G e o d e t e c t o r:P r i n c i p l e a n d p r o s p e c t[J].A c t aG e o g r a p h i c a S i n i c a,2017,72(1):116-134.(i nC h i n e s e).[18]黄天能,张云兰.基于 三生空间 的土地利用功能演变及生态环境响应:以桂西资源富集区为例[J].生态学报,2021,41(1):348-359.H u a n g TN,Z h a n g YL.E v o l u t i o n o f l a n d u s e f u n c t i o na n de c o l o g i c a le n v i r o n m e n tr e s p o n s eb a s e do n t h r e e-l i f es p a c e :A c a s es t u d y o fr e s o u r c e-r i c h a r e a si nw e s t e r nG u a n g x i[J].A c t aE c o l o g i c aS i n i c a,2013,41(1):348-359.[19]章程焱,杨少康,董晓华,等.基于R S E I指数的长江上游流域生态环境质量时空演变及影响因子研究[J].水土保持研究,2023,30(1):356-363.Z h a n g C Y,Y a n g S K,D o n g X H,e ta l.T e m p o r a la n d s p a t i a l e v o l u t i o no f e c o l o g i c a l e n v i r o n m e n t q u a l i t ya n d i t s i n f l u e n c i n g f a c t o r s i nt h eU p p e r r e a c h e so f t h eY a n g t z eR i v e r B a s i nb a s e d o nR S E I i n d e x[J].R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o n,2019,30(1):356-363.[20]陈万旭,李江风,曾杰,等.中国土地利用变化生态环境效应的空间分异性与形成机理[J].地理研究,2019,38(9):2173-2187.C h e n W X,L i J F,Z e n g J,e t a l.S p a t i a l d i f f e r e n t i a t i o na n d f o r m a t i o n m e c h a n i s mo f e c o-e n v i r o n m e n t a l e f f e c t so f l a n d u s e c h a n g e i n C h i n a[J].G e o g r a p h i c a lR e s e a r c h,2019,38(9):2173-2187.[21]安敏,李文佳,吴海林,等.三峡库区生态环境质量的时空格局演变及影响因素[J].长江流域资源与环境,2022,31(12):2743-2755.A n M,L iW J,W u H L,e t a l.S p a t i a l a n dt e m p o r a lp a t t e r ne v o l u t i o na n di n f l u e n c i n g f a c t o r so fe c o-e n v i-r o n m e n t a l q u a l i t y i nt h eT h r e eG o r g e sR e s e r v o i ra r e a[J].R e s o u r c e s a n dE n v i r o n m e n t i n t h eY a n g t z eB a s i n,2022,31(12):2743-2755.[22] W uX,Z h a n g H.E v a l u a t i o no f e c o l o g i c a l e n v i r o n m e n-t a l q u a l i t y a n df a c t o re x p l a n a t o r y p o w e ra n a l y s i si nw e s t e r nC h o n g q i n g,C h i n a[J].E c o l o g i c a l I n d i c a t o r s,2021,132:108311.[23]J i J,W a n g S,Z h o uY,e t a l.S t u d y i n g t h e e c o-e n v i r o n-m e n t a l q u a l i t y v a r i a t i o n s o f J i n g-J i n-J i u r b a n a g g l o m e r-a t i o na n di t s d r i v i n g f a c t o r si n d i f f e r e n te c o s y s t e ms e r v i c e r e g i o n sf r o m2001t o2015[J].I e e e A c c e s s,2020,8:154940-154952.944第1期牟凤云等:基于优化地理探测器的生态环境质量驱动力分析。
海河流域生长季植被覆盖度时空变化及驱动力分析
第30卷第4期2023年8月水土保持研究R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o nV o l .30,N o .4A u g.,2023收稿日期:2022-06-07 修回日期:2022-07-06资助项目:流域水循环模拟与调控国家重点实验室自由探索课题(S K L 2022T S 01);国家重点研发计划(2021Y F C 3200200);国家自然科学基金(52025093,51979284) 第一作者:钤会冉(1997 ),女,河南清丰县人,硕士,研究方向为水文水资源研究㊂E -m a i l :qi a n h u i r a n 123@163.c o m 通信作者:翟家齐(1984 ),男,河南信阳人,博士,正高级工程师,主要从事平原区水循环模拟㊁农业节水潜力评估㊁区域干旱评估研究㊂E -m a i l :j i a qi z h a i @163.c o m h t t p :ʊs t b c y j .p a p e r o n c e .o r gD O I :10.13869/j.c n k i .r s w c .2023.04.037.钤会冉,翟家齐,马梦阳,等.海河流域生长季植被覆盖度时空变化及驱动力分析[J ].水土保持研究,2023,30(4):309-317.Q I A N H u i r a n ,Z H A I J i a q i ,MA M e n g y a n g ,e t a l .T e m p o r a l a n d S p a t i a l V a r i a t i o n o fV e g e t a t i o nC o v e r a g e a n d I t sD r i v i n g F o r c e sD u r i n gt h eG r o w -i n g Se a s o n i nH a i h eR i v e rB a s i n [J ].R e s e a r c hof S o i l a n d W a t e rC o n s e r v a t i o n ,2023,30(4):309-317.海河流域生长季植被覆盖度时空变化及驱动力分析钤会冉1,2,翟家齐2,马梦阳2,赵勇2,凌敏华1,王庆明2(1.郑州大学水利科学与工程学院,郑州450001;2.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室,北京100038)摘 要:[目的]了解海河流域生长季植被覆盖度(F V C )的时空变化及其驱动力,以期为海河流域的生态保护㊁建设与可持续发展提供参考㊂[方法]基于MO D I SN D V I 遥感数据和同时期的18种影响因子,采用趋势分析法和M -K 显著性检验分析了2001 2019年海河流域生长季植被覆盖度的时空变化特征;并利用地理探测器探讨了其空间分异特征与驱动力㊂[结果]2001 2019年海河流域生长季植被覆盖度总体呈显著上升趋势,线性倾向率为0.063/10a ,2011年之后增速减缓㊂空间分布差异明显,植被覆盖度总体较高,仅环渤海湾地带和一些城市区域植被覆盖率较低㊂改善区域的面积远大于退化面积,其中改善部分以极显著改善为主,占流域总面积的60.42%㊂海河流域生长季植被覆盖度的空间分布差异主要由林地比例和林草混合地比例所决定,解释力均在30%以上㊂对海河流域生长季植被覆盖度交互作用解释力最强的是林草混合地比例和农田比例㊂[结论]海河流域植被覆盖度总体显著上升,空间分布差异主要驱动力为林地比例和林草混合地比例㊂关键词:植被覆盖度(F V C );生长季;地理探测器;海河流域中图分类号:Q 948 文献标识码:A 文章编号:1005-3409(2023)04-0309-09T e m p o r a l a n dS p a t i a lV a r i a t i o no fV e g e t a t i o nC o v e r a g e a n d I t sD r i v i n gF o r c e sD u r i n g t h eG r o w i n g Se a s o n i nH a i h eR i v e rB a s i n Q I A N H u i r a n 1,2,Z H A I J i a q i 2,MA M e n g y a n g 2,Z H A O Y o n g 2,L I N G M i n h u a 1,WA N G Q i n g m i n g2(1.S c h o o l o f W a t e rC o n s e r v a n c y E n g i n e e r i n g ,Z h e n g z h o uU n i v e r s i t y ,Z h e n g z h o u 450001,C h i n a ;2.S t a t eK e y L a b o r a t o r y o f S i m u l a t i o na n dR e g u l a t i o no f Wa t e r C y c l e i nR i v e rB a s i n ,C h i n aI n s t i t u t e o f W a t e rR e s o u r c e s a n d H y d r o p o w e rR e s e a r c h ,B e i j i n g 100038,C h i n a )A b s t r a c t :[O b j e c t i v e ]I no r d e rt o p r o v i d er e f e r e n c ef o re c o l o gi c a l p r o t e c t i o n ,c o n s t r u c t i o na n ds u s t a i n a b l e d e v e l o p m e n t o fH a i h eR i v e rB a s i n ,t h e t e m p o r a l a n d s p a t i a l c h a n g e s o f v e g e t a t i o n c o v e r a ge (F V C )i n g r o w -i n g s e a s o na n d i t s d r i v i n gf o r c e sw e r e i n v e s t ig a t e d .[M e th o d s ]B a s e do n MO D I SN D V I r e m o t e s e n si n g da t a a n d 18i n f l u e n c i n g f a c t o r s o f t h e s a m e p e r i o d ,t r e n d a n a l y s i s a n d M -Ks i g n i f i c a n c e t e s tw e r eu s e d t oa n a l yz e t h e s p a t i o t e m p o r a l v a r i a t i o n c h a r a c t e r i s t i c s o f v e g e t a t i o n c o v e r a g e d u r i n g t h e g r o w i n g s e a s o no fH a i h eR i v e r B a s i n f r o m2001t o 2019.T h e s p a t i a l d i f f e r e n t i a t i o n c h a r a c t e r i s t i c s a n dd r i v i n g f o r c e s a r e d i s c u s s e db y me a n s ofg e o g r a phi c d e t e c t o r .[R e s u l t s ]D u r i n g t h e g r o w i n g s e a s o no fH a i h eR i v e rB a s i nf r o m2001t o2019,t h e v e g e t a t i o n c o v e r a g e s h o w e d a s i g n i f i c a n t u p w a r d t r e n d ,w i t ha l i n e a r t e n d e n c y ra t e o f 0.063/d e c a d e ,a n d t h e g r o w t h r a t e s l o w e dd o w na f t e r 2011.T h ev e g e t a t i o nc o v e r a g ew a s r e l a t i v e l y h i g h i n t h eB o h a i B a y ar e aa n d s o m eu r b a na r e a s .T h ea r e ao f i m p r o v e m e n ta r e aw a s m u c hl a r g e r t h a nt h a to fd e gr a d a t i o na r e a ,a n dt h e Copyright ©博看网. All Rights Reserved.i m p r o v e m e n t p a r tw a s d o m i n a t e db y e x t r e m e l y s i g n i f i c a n t i m p r o v e m e n t,a c c o u n t i n g f o r60.42%o f t h e t o t a l b a s i na r e a.T h e s p a t i a l v a r i a t i o no f v e g e t a t i o n c o v e r a g e i n H a i h eR i v e rB a s i nd u r i n g t h e g r o w i n g s e a s o nw a s m a i n l y d e t e r m i n e db y t h e p r o p o r t i o no f f o r e s t l a n da n dt h e p r o p o r t i o no fm i x e df o r e s t-g r a s s l a n d,a n dt h e e x p l a n a t o r yp o w e rw a sm o r e t h a n30%.T h e s t r o n g e s t e x p l a n a t i o n f o r t h e i n t e r a c t i o no f v e g e t a t i o nc o v e r a g e i nH a i h eR i v e rB a s i nd u r i n g t h e g r o w i n g s e a s o nw a s t h e r a t i oo fm i x e d f o r e s t a n d g r a s s l a n d a n d t h e r a t i oo f f a r m l a n d.[C o n c l u s i o n]O v e r a l lv e g e t a t i o nc o v e r a g e i n c r e a s e ds i g n i f i c a n t l y i n H a i h eR i v e rB a s i n,a n dt h e m a i nd r i v i n g f o r c ew a s t h e p r o p o r t i o no f f o r e s t l a n d a n d t h e p r o p o r t i o no fm i x e d f o r e s t a n d g r a s s l a n d. K e y w o r d s:f r a c t i o n a l v e g e t a t i o n c o v e r a g e(F V C);g r o w i n g s e a s o n;g e o g r a p h i c a l d e t e c t o r;H a i h eR i v e rB a s i n植被作为陆地生态系统中一个重要的组成部分,在陆地生态系统物质循环㊁能量流动㊁信息传递等方面起到了重要的枢纽作用[1],既能促进地球生态系统平衡㊁水循环㊁气候变化[2-3],还可以用来监测生态环境变化[4]㊂植被覆盖度(f r a c t i o n a l v e g e t a t i o n c o v e r a g e,F V C)指植被(包括叶㊁茎㊁枝)在地面的垂直投影面积占观测区总面积的百分比[5],其变化能够直接或间接改变陆地地表下垫面属性,进而对气候调节㊁水土保持以及生态系统的稳定性等产生影响[6]㊂因此,开展流域尺度植被覆盖变化研究以及揭示其驱动力机制,有利于深刻认识陆地生态系统内部的相互作用,对进一步掌握生态系统恢复成效具有极大意义[7]㊂目前,国内外学者深入研究了不同区域尺度的植被覆盖时空变化规律,主要集中于海河流域㊁黄土高原地区等植被变化显著的区域[8],多年来一直是生态环境等领域研究的热点㊂对于植被覆盖度时空变化驱动力的研究主要运用多元线性回归分析㊁相关性分析等传统数学统计方法㊂为弥补仅把气温㊁降水等气候因子作为驱动因素来进行归因分析的片面性,国内外学者先后提出了残差趋势法[9]㊁回归模型法[10]㊁基于生物物理过程的模型方法[11]和地理探测器法[12]等,来定量分解气温㊁降水等自然因素和人类活动强度等人为因素对植被变化的相对贡献㊂其中,地理探测器法以统计学原理的空间方差分析为基础,对变量无限性假设,不仅能够检验气候㊁地形㊁人类活动㊁土壤等多种因子是否是形成植被覆盖时空格局的原因,还可以量化不同因子之间的交互作用对植被覆盖空间分布及其变化的影响程度,并且对数据要求低㊁运算速度较快且精确度高,能够极大程度提高归因分析的全面性,被广泛应用于植被N D V I驱动因子的探测中[13-19]㊂海河流域不仅是重要的工农业生产基地,还是我国的政治文化中心,其战略地位十分重要㊂近年来由于气候变化以及人类活动加强等原因,导致其自然灾害频发,生态系统十分脆弱[20]㊂自20世纪80年代以来,持续大规模封山育林育草㊁退耕还林还草㊁坡改梯㊁於地坝等水土保护措施,使得海河流域的植被覆盖度大幅度提升㊂目前,已有学者对该流域植被变化进行了相关研究[21-25],并且,王永财[26]和陈福军[27]等分别利用1998 2011年的S P O T/N D V I数据和2000 2016年MO D I S/N D V I数据对海河流域植被变化及其与气候因子的相关性进行了研究,对海河流域植被变化特征及其与气候的关系有了一定的认识,但对于人类活动㊁地形和土壤性质对植被覆盖的空间分布差异的影响等综合问题缺乏进一步解析㊂因此,本文利用2001 2019年MO D I S/N D V I数据和同时期18种因子,分析海河流域生长季(4 10月)植被覆盖度的时空变化特征,并利用地理探测器探讨其空间分异特征与驱动力,以期为海河流域的生态保护㊁建设与可持续发展提供参考㊂1资料和方法1.1研究区概况海河流域位于112ʎ 120ʎE,35ʎ 43ʎN,西以山西高原与黄河区接界,北以蒙古高原与内陆河接界,南界黄河,东临渤海㊂流域总面积3.182ˑ105k m2,占全国总面积的3.3%,属于半湿润半干旱的温带东亚季风气候区㊂地势总体上为西北高东南低,流域年平均气温1.5~ 14ħ,年平均相对湿度50%~70%;年平均降水量539 m m,属半湿润半干旱地带;流域由海河㊁滦河㊁徒骇马颊河三大水系㊁七大河系和十条骨干河流组成㊂其中,海河水系是主要水系,由北部的蓟运河㊁潮白河㊁北运河㊁永定河和南部的大清河㊁子牙河㊁漳卫河组成;滦河水系包括滦河及冀东沿海诸河;徒骇马颊河水系位于流域最南部,为单独入海的平原河道㊂土壤类型以褐土和棕壤为主㊂土地利用类型见图1㊂1.2数据来源及预处理植被N D V I数据为美国国家航空航天局(N A S A)提供的MO D I S MO D13A3产品,时间分辨率为月,空间分辨率为1k mˑ1k m㊂选取的数据年份范围为2001 2019年,利用A r c G I S10.8对其进行镶嵌㊁格013水土保持研究第30卷Copyright©博看网. All Rights Reserved.式和定义投影等操作,本研究为最大程度消除云㊁雾㊁大气以及非生长季的影响,选取植被生长最为旺盛的生长季(4 10月)作为研究时段㊂利用最大值合成法合成年N D V I 数据;计算植被覆盖度所需要的L A I 数据来自于中分辨率成像光谱仪M O D I S 的500m 分辨率8d合成产品(MO D 15A 2H )㊂研究共选定的18种生长季植被覆盖度空间分布变化潜在影响因子,涵盖气候㊁地形㊁人类活动㊁土壤性质4个方面,数据类型㊁来源及简要说明见表1㊂为使各因子与N D V I 数据具有相同的投影坐标并保持像元大小一致,对其进行裁剪和重采样等预处理㊂按照5k mˑ5k m 格网,利用A r c G I S10.8中的渔网工具生成12818个采样点,并获取采样点对应地理位置的气候㊁人类活动㊁土壤和地形数据㊂为有效地避免人为因素的干扰,利用A r c G I S 中的自然间断法将各因子分为10类㊂图1 海河流域2018年土地利用类型表1 影响因子数据来源及处理因子类型因子符号单位数据来源及处理气候年均降水P R E mm中国气象数据网(h t t p :ʊd a t a .c m a .c n /d a t a /)年均温Tħ年潜在蒸散发P E mm /a G D PG D P 万元/k m 2中国科学院资源环境科学与数据中心(h t t p :ʊw w w.r e s d c .c n /)人口密度P O P人/k m 2林地比例F O %美国国家航空航天局(N A S A )提供的2001 2019年国际地圈-生物圈计划(I G B P )分类㊁空间分辨率为500m 的MO D I S 土地覆盖类型产品(M C D 12Q 1),计算百分比人类活动灌丛比例B U %农田比例F A %草地比例G A %林草混合地比例S A %城镇比例U B%地形D E M D E M m 中国科学院资源环境科学与数据中(h t t p :ʊw w w.r e s d c .c n /)坡度S l o p e (ʎ)基于D E M 数据,采用A r c G I S 10.8S p a t i a lA n a l y s t 工具计算生成坡度栅格数据黏土比例C l a y%联合国粮农组织(F A O )和维也纳国际应用系统研究所(ⅡA S A )所构建的世界和谐土壤数据库(H a r m o n i z e d W o r l dS o i lD a t a b a s e )(HW S D )沙土比例S a n d %土壤性质壤土比例S i l t %有机碳含量O C %碎石含量G r a v e l %1.3 研究方法1.3.1 像元二分模型 采用改进像元二分模型[28]估算海河流域生长季的植被覆盖度㊂假设N D V I 只有植被和土壤两部分组成,N D V I =M ㊃N D V I V -N D V I S(1)M =N D V I -N D V I S N D V I V -N D V I SL A I >3M =N D V I -N D V I SN D V I V -N D V I S2L A I ɤ3ìîíïïïï(2)式中:N D V I V 为纯植被覆盖部分的N D V I 值;N D V I S为纯土壤覆盖部分的N D V I 值;M 为植被覆盖度;L A I 为叶面积指数㊂根据‘土壤侵蚀分级分类标准“(S L 190 2007)对计算得到的生长季植被覆盖度进行分级[29],见表2㊂1.3.2 线性趋势分析 采用一元线性回归分析法,逐像元分析海河流域生长季F V C 的变化趋势,计算公式如下:S l o pe =ðni =1(i -l )(N D V I i -ND V I )ðni =1(i =l )2(3)式中:S l o p e 为生长季F V C 的斜率㊂若值为正,表示海河流域生长季F V C 呈增加趋势;若值为负,则相反;若值为0,则表示没有变化㊂n 为所研究年份的时间跨度,本文n =19;i 为年份;`i 为平均年份;N D V I i 为第i 年的N D V I 值;N D V I 为年均N D V I 值㊂113第4期 钤会冉等:海河流域生长季植被覆盖度时空变化及驱动力分析Copyright ©博看网. All Rights Reserved.表2植被覆盖度等级分类等级裸地(Ⅰ)低覆盖度(Ⅱ)中低覆盖度(Ⅲ)中等覆盖度(Ⅳ)中高覆盖度(Ⅴ)高覆盖度(Ⅵ)植被覆盖度ɤ0.10.1~0.30.3~0.450.45~0.60.6~0.75ȡ0.75采用M a n n a-K e n d a l l检验(M-K检验)判断趋势的显著性,其优点为能够排除少数异常值对数据的干扰[30]㊂因此,本文将M a n n a-K e n d a l l检验与线性趋势分析相结合,根据趋势显著性检验结果将S l o p e趋势分为以下5个等级:极显著退化(S l o p e<0,p<0.01);显著退化(S l o p e<0,0.01ɤpɤ0.05),无显著变化(p>0.05);显著改善(0<S l o p e,0.01ɤpɤ0.05);极显著改善(0<S l o p e,p<0.01)㊂1.3.3地理探测器地理探测器[31]是通过探测事件空间分层异质性来揭示其背后驱动因子的一种统计学方法,空间分层异质性是指区域总方差大于层内方差之和的现象㊂该方法的核心思想为:如果某个自变量X对因变量Y有重要影响,那么自变量X与因变量Y的空间分布就具有一致性㊂地理探测器共有4个模块,分别为:因子探测器㊁交互作用探测器㊁风险探测器和生态探测器㊂本文主要应用地理探测器的因子探测器和交互作用探测器模块㊂利用因子探测器量化气候㊁人类活动㊁地形和土壤等各因子对海河流域生长季F V C的空间分异性的解释程度,其解释力大小用q值衡量,在生成q值的同时会对其进行显著性检验,表达式为:q=1-ðL h=1N hσ2hNσ2=1-S S WS S T(4)其中:S S W=ðl h=1N hσ2h,S S T=Nσ2(5)式中:h为自变量X的分层;N h和N分别为层h内和区域内的单元数;σ2h和σ2分别为第h层的方差和因变量Y的方差;S S W为层内方差之和;S S T为区域总方差㊂q的取值范围为0~1㊂q值越大表明因变量Y的空间分层异质性越强,自变量X对因变量Y的解释力也越强㊂根据q值大小可分析出各因子对海河流域生长季F V C影响的大小,能够直观地判断影响生长季F V C的主导因子㊂利用交互探测器识别不同因子之间的交互作用,即评估两个因子共同对生长季F V C的空间分布作用时,其解释力是增强还是减弱,或这些因子对生长季F V C空间分布的影响是相互独立的㊂评估方法是首先分别计算两种影响因素X1和X2对Y的q值,然后再计算它们交互作用时的q值,对三者之间的q值大小进行比较,主要结果为5种[32]㊂2结果与分析2.1生长季F V C的时空动态变化2.1.1生长季F V C年际变化特征选取每年的生长季F V C平均值代表当年植被覆盖状况,制作生长季F V C年际变化图,见图2㊂2001 2019年海河流域生长季F V C值在0.30~0.48波动,多年生长季F V C值平均值为0.41,最大值出现在2018年为0.46,2001年最小,其值为0.318,总体呈显著上升趋势,线性倾向率为0.063/10a㊂2001 2010年,生长季F V C整体上呈现明显的上升趋势,达到了多年均值水平,线性倾向率为0.087/10a,但在2006年和2010年出现低谷,原因主要是由于该年降水量偏低㊂2011年之后,生长季F V C增速减缓,均超过多年均值水平㊂图2表明,海河流域生长季植被覆盖度ɤ0.1的裸地面积占比由2001年9.85%降低到2019年的3.22%;低覆盖度的面积占比由2001年的30.37%降低到2019年的20.50%;中低植被覆盖度和中等植被覆盖度多年平均面积占比分别为32.87%,27.39%,是研究区生长季植被覆盖度的两种主要类型;中高覆盖度和高覆盖度呈现显著的增加趋势,分别由2001年的1.38%增加到2019年的17.64%和由2001年的0.00%增加到2019年的7.26%㊂总体来说,自海河流域实施持续大规模封山育林育草㊁退耕还林还草㊁坡改梯㊁於地坝等水土保护措施以来,生长季F V C一直呈增长趋势,后期出现增速减缓,主要是因为植被自然演替过程中,自然因素起主导作用㊂2.1.2生长季F V C空间分布及变化特征海河流域生长季植被覆盖度空间分布差异明显(图3A),高覆盖度区域零星分布,主要分布于流域的东北部和彰卫河山区的南部,占流域总面积的1.27%;中高覆盖度区域主要为高产草地㊁密林地用地,面积3.13ˑ104k m2,占流域总面积的9.79%,集中分布于流域东北部㊁太行山一带;中等覆盖度区域主要为中高产草地㊁林地㊁农田用地,主要分布于大清河淀西平原㊁子牙河平原㊁彰卫河平原以及徒骇马颊河区域,面积为9.83ˑ104k m2,占流域总面积的30.66%;中低覆盖度区域由中产草地㊁农田和低郁闭度林地组成,在大清河淀东平原㊁滦河平原和彰卫河山区广泛分布㊁黑龙港及运东平原,子牙河山区㊁大清河山区等均有分布,面积为1.07ˑ105k m2,占流域总面积的33.47%;低覆盖度区域主要分布于永定河山区㊁滦河山区的西北部,面积7.23ˑ104k m2,占流域总面积213水土保持研究第30卷Copyright©博看网. All Rights Reserved.的22.57%;海河流域生长季植被覆盖度小于0.1的裸地区域主要为城市工矿㊁居民用地,面积为7.17ˑ103k m2,占流域总面积的2.24%,主要分布于环渤海湾地区以及一些城市中心区域㊂总体来说生长季F V C大于0.3的区域面积占流域面积的75.19%,植被覆盖度总体较高㊂从图3B C可以看出,2001 2019年各植被覆盖度等级之间相互转化明显,主要为裸地㊁中等㊁中低植被覆盖度等级转为中等至高覆盖度等级㊂其中永定河山区的植被覆盖度得到明显改善,植被覆盖度由2001年的0.14,提升到2019年的0.35,说明山丘区人工生态修复及水土保持工程对提升植被覆盖度作用十分显著㊂综上可知,研究区19年间生长季植被覆盖度总体较高,仅环渤海湾地带和一些城市中心区域生长季植被覆盖度较低㊂图22001-2019年海河流域生长季F V C 年际变化图3海河流域生长季F V C空间分布采用s l o p e趋势分析,对研究区生长季植被覆盖度变化趋势进行分析(图4),s l o p e的值域为-0.447~ 0.347,表明植被变化趋势存在着明显的空间差异,变化速率以0~0.2为主,占流域总面积的81.51%㊂对变化趋势进行M-K显著性检验(图5),海河流域生长季F V C改善区域的面积为2.15ˑ105k m2,占流域的67.28%,远大于退化面积,其中改善部分以极显著改善为主,占流域总面积的60.42%;退化区域占流域的总面积的8.28%,主要位于城市的周围㊂变化不显著的区域主要分布于改善区域和退化区域之间,面积占流域总面积的23.90%㊂综上可知,研究区大部分地区的植被得到了明显改善,但受城市扩张等因素的影响,城市外围区域的植被退化现象较为严重㊂2.2生长季F V C空间分异的驱动力分析2.2.1因子影响力探测分析利用因子探测器计算各因子的q值以量化其对海河流域生长季F V C空间分布的解释程度㊂由结果可见(图6),不同因子对海河流域生长季F V C空间分布的解释能力如下:林地比例(0.3427)>林草混合地比例(0.3346)>年均降水(0.202)>灌丛比例(0.197)>草地比例(0.184)>坡度(0.134)>年潜在蒸散发(0.114)>年均温(0.107)>城镇比例(0.094)>高程(0.089)>G D P(0.074)>壤土比例(0.066)>人口密度313第4期钤会冉等:海河流域生长季植被覆盖度时空变化及驱动力分析Copyright©博看网. All Rights Reserved.(0.064)>沙土比例(0.062)>黏土比例(0.053)>碎石含量(0.051)>有机碳比例(0.040)>农田比例(0.027)㊂各因子对应显著性p值均小于0.01,通过显著性检验㊂综上分析可见:(1)林地比例和林草混合地比例的q值最大,分别达0.3427,0.3346,解释力均在30%以上,因此林地比例和稀疏草地比例是影响海河流域生长季植被覆盖度空间分布的主要影响因子;(2)海河流域的山区和平原区的生长季F V C空间分布的主要影响因子不同㊂林草混合地和林地比例对海河山区生长季植被覆盖度影响最大,解释力均在50%以上,G D P影响最小;农田比例和年潜在蒸散发对海河平原区植被覆盖度的分布影响最大,影响最小的因子是坡度;(3)整体来看,人类活动对海河流域生长季植被覆盖度空间分布的影响是最大的,其次是气候㊁地形,影响最小的是土壤性质㊂图42001-2019年海河流域生长季F V C线性趋势2.2.2因子交互作用探测分析本文进一步对海河流域以及其山区㊁平原区空间分布影响因子进行交互作用探测(表3 5),结果表明,在研究区域,任意两因子的叠加均会增强单因子对海河流域生长季F V C空间分布的解释能力,呈非线性增强或双因子增强作用,不存在独立关系,说明植被生长与生存往往并非受制于单一因素,而是多种因素协同作用的结果㊂由表3可见,交互作用解释力最强的是林草混合地比例和农田比例,它们双因子交互q值达到了0.58,其次是林草混合地比例和人口密度,q值达到了0.50㊂同时,林地比例㊁林草混合地比例和降水量与大多数因子相结合均呈现非线性增强,表明三者对海河流域生长季F V C空间分布影响程度占据主导地位㊂年均降水㊁年均温和年潜在蒸散发与其他因子的交互作用解释力均有显著增加,由其是与林地比例等人类活动因子的交互作用㊂因此,气候因子与人类活动因子共同作用将使生长季F V C空间分布受到更大的影响力度㊂图52001-2019年生长季F V C 线性趋势显著性图6因子探测器结果413水土保持研究第30卷Copyright©博看网. All Rights Reserved.表3 海河流域因子交互作用探测器结果因子P R ET P E G D P P O P F O B U F A G A S A U B D EM S l o p e C l a y S a n d S i l t O C G r a v e lP R E0.22T0.330.10P E 0.400.320.11G D P0.360.230.190.07P O P 0.370.270.210.110.06F O0.500.440.420.430.450.34B U 0.360.260.290.270.280.370.20F A 0.320.280.230.120.130.490.300.03G A 0.300.280.330.320.330.450.330.390.18S A 0.470.460.410.460.500.410.350.580.470.33U B 0.370.250.200.120.140.420.270.150.360.430.09D EM0.350.220.260.200.240.420.250.310.300.440.230.09S l o p e 0.370.270.260.240.280.370.240.380.390.380.230.270.13C l a y0.320.240.200.160.170.360.230.160.260.380.170.200.200.06S a n d 0.300.260.200.170.180.360.230.170.270.360.180.240.210.140.07S i l t 0.300.260.230.170.180.370.250.170.260.380.180.240.220.160.120.07O C 0.280.200.200.130.140.370.230.110.240.380.150.180.200.200.230.210.04G r a v e l 0.280.220.180.150.140.370.240.110.240.380.160.190.200.170.190.150.150.05表4 海河山区因子交互作用探测器结果因子P R E T P EG D PP O PF OB UF AG AS AU BD EMS l o pe C l a yS a n dS i l tO CG r a v e lP R E0.40T0.480.19P E 0.470.390.08G D P0.520.290.140.02P O P 0.530.380.180.050.03F O0.710.630.580.550.550.54B U 0.520.390.370.310.320.600.30F A 0.580.340.190.060.070.580.330.02G A 0.480.380.380.400.470.640.480.590.32S A 0.680.660.610.600.610.700.620.660.650.59U B 0.500.280.140.080.080.560.330.100.450.610.07D EM0.500.340.260.190.240.610.360.230.390.630.230.13S l o p e 0.530.400.330.270.270.610.420.340.530.630.280.390.25C l a y0.490.340.210.150.160.560.380.160.420.620.180.270.320.12S a n d 0.480.340.240.190.210.580.390.220.420.620.210.300.330.240.15S i l t 0.490.360.270.210.230.580.410.230.430.630.220.310.350.270.220.16O C 0.440.280.220.140.180.580.350.170.370.610.170.230.320.300.290.310.11G r a v e l0.480.360.220.150.170.570.370.160.410.620.170.280.330.260.280.280.290.12在海河山区中,降雨㊁林地比例和林草混合地比例与各因子交互均有很强的非线性增强㊂因子间交互作用对海河山区生长季植被覆盖空间分异性解释力大小前六项依次为:降雨ɘ林地比例(0.71)>林草混合地比例ɘ林地比例(0.70)>林草混合地比例ɘ降雨(0.68)>林草混合地比例ɘ农田比例(0.66)>林草混合地比例ɘ年均温(0.655)>林草混合地比例ɘ草地比例(0.65);表明:人类活动对海河流域山区生长季植被覆盖度空间分布具有重要影响,一方面通过退耕还林还草㊁生态保护修复等措施可促进植被覆盖,另一方面通过城镇化建设㊁资源过度开发等行为可破坏植被覆盖[33]㊂在海河平原中,因子间交互作用对生长季植被覆盖空间分异性解释力大小前六项依次为:农田比例ɘ高程(0.653)>农田比例ɘ年潜在蒸散发(0.649)>农田比例ɘ草地比例(0.573)>农田比例ɘ降雨(0.568)>农田比例ɘ坡度(0.560)>农田比例ɘ林地比例(0.558)㊂513第4期 钤会冉等:海河流域生长季植被覆盖度时空变化及驱动力分析Copyright ©博看网. All Rights Reserved.表5 海河平原区因子交互作用探测器结果因子P R ET P E G D P P O P F O B U F A G A S A U B D EM S l o p e C l a y S a n d S i l t O C G r a v e lP R E0.04T0.340.13P E 0.390.420.32G D P0.270.330.440.21P O P 0.390.430.480.400.29F O0.060.150.340.220.330.02B U 0.060.150.340.220.320.020.01F A 0.570.600.650.510.540.560.550.50G A 0.200.290.400.350.380.190.180.570.14S A 0.070.170.350.220.340.030.020.550.190.01U B 0.300.390.510.300.400.260.250.530.380.260.24D EM0.260.310.390.410.460.210.200.650.290.220.460.20S l o p e 0.070.160.350.220.330.030.020.560.200.030.260.210.01C l a y0.160.260.400.270.380.080.080.530.230.090.340.290.090.06S a n d 0.130.260.380.270.370.090.090.530.250.100.340.270.100.140.08S i l t 0.190.280.410.280.370.100.100.530.240.110.350.290.110.200.200.08O C 0.200.260.410.290.400.110.110.540.260.120.350.310.110.240.230.230.09G r a v e l0.160.240.370.270.360.100.100.540.240.100.320.270.100.140.150.180.160.083 讨论和结论3.1 讨论本研究基于地理探测器,对海河流域生长季植被覆盖度空间分布的影响因素进行量化归因分析,结果表明人类活动对海河流域生长季植被覆盖度空间分布的影响是最大的,其次是气候㊁地形,影响最小的是土壤性质㊂海河流域自1980年以来,实施 三北 防护林工程㊁京津风沙源治理工程㊁退耕还林还草工程等一系列生态恢复工程㊁农业化开发和城镇化,使得当地土地利用/覆盖发生剧烈变化,主要表现为海河山区森林面积占比上升,草地和农田面积占比下降,海河平原区农田比例上升,人口密度上升㊂这些人类活动显著影响了植被覆盖度的空间分异规律,并显著增加了植被覆盖度㊂林草混合地比例㊁林地比例和草地比例主要影响了海河山区生长季植被覆盖度空间分布;农田比例㊁人口密度和城镇比例这些人类活动因子主要影响了海河平原区生长季植被覆盖度空间分布㊂年均降水㊁年均温和年潜在蒸散发这些气候因子的动态变化主要决定了生长季植被覆盖度的年际变化;坡度㊁坡向通过影响坡面接受的太阳辐射量和日照时数从而对植被的生长有一定的影响,土壤性质也主要决定了植被覆盖度的空间分异规律㊂各因子交互作用呈双因子增强和非线性增强两种类型,不存在相互独立作用,关于因子间交互作用是如何增强对生长季F V C 空间分异的解释能力还需进行更加深入的讨论㊂3.2 结论(1)年际变化分析显示,2001 2019年海河流域生长季F V C 总体呈显著上升趋势,线性倾向率为0.063/10a ,各等级植被覆盖度转化明显,中高覆盖度和高覆盖度的面积占比呈现显著的增加趋势;(2)空间变化分析显示,生长季F V C 总体较高,仅环渤海湾地带和一些城市区域植被覆盖率较低,海河流域生长季F V C 改善区域的面积为2.15ˑ105k m2,占流域的67.28%,远大于退化面积,其中改善部分以极显著改善为主;(3)因子探测发现,林地比例和稀疏草地比例是影响海河流域生长季F V C 空间分布的主要影响因子;海河流域的山区和平原区的生长季F V C 空间分布的主要影响因子不同;人类活动对海河流域生长季植被覆盖度空间分布的影响是最大的;(4)交互探测发现,2001 2019年,各因子对海河流域生长季植被覆盖变化存在呈双因子增强和非线性增强两种类型的交互作用,不存在相互独立作用或对植被覆盖变化解释力减弱的交互因子㊂参考文献:[1] P e n g W F ,K u a n g T T ,T a oS .Q u a n t i f y i n g in f l u e n c e s o f n a t u r a l f a c t o r s o nv e g e t a t i o nN D V I c h a n g e sb a s e do n g e o g r a ph i c a ld e t e c t o ri n S i c h u a n ,w e s t e r n C h i n a [J ].J o u r n a l o fC l e a n e rP r o d u c t i o n ,2019,233:353-367.[2] G o n g Z ,Z h a oS ,G uJ .C o r r e l a t i o na n a l ys i sb e t w e e n 613 水土保持研究 第30卷Copyright ©博看网. All Rights Reserved.v e g e t a t i o nc o v e r a g ea n dc l i m a t ed r o u g h tc o n d i t i o n si nN o r t hC h i n ad u r i n g2001 2013[J].J o u r n a lo f G e o-g r a p h i c a l S c i e n c e s,2017,27(2):143-160.[3]赵杰,杜自强,武志涛,等.中国温带昼夜增温的季节性变化及其对植被动态的影响[J].地理学报,2018,73(3): 395-404.[4] P a r m e s a nC,Y o h eG.A g l o b a l l y c o h e r e n t f i n g e r p r i n t o fc l i m a t e c h a n g ei m p a c t s a c r o s s n a t u r a l s y s t e m s[J].N a t u r e,2003,421(6918):37-42.[5] G i t e l s o n A A,K a u f m a nYJ,S t a r kR,e t a l.N o v e l a l g o-r i t h m sf o rr e m o t e e s t i m a t i o n o f v e g e t a t i o n f r a c t i o n[J].R e m o t e S e n s i n g o o f E n v i r o n m e n t,2002,80(1):76-87. [6]刘洋,李诚志,刘志辉,等.1982 2013年基于G I MM S-N D V I的新疆植被覆盖时空变化[J].生态学报,2016,36(19):6198-6208.[7]H eB,C h e n Af,J i a n g W G,e ta l.T h er e s p o n s eo fv e g e t a t i o n g r o w t ht os h i f t si nt r e n do ft e m p e r a t u r ei nC h i n a[J].J o u r n a lo f G e o g r a p h i c a lS c i e n c e s,2017,27(7):801-816.[8]陶帅,邝婷婷,彭文甫,等.2000 2015年长江上游N D V I时空变化及驱动力:以宜宾市为例[J].生态学报,2020, 40(14):5029-5043.[9] C h e nT,B a oA,J i a p a e rG,e t a l.D i s e n t a n g l i n g t h e r e l a t i v ei m p a c t so fc l i m a t ec h a n g ea n dh u m a na c t i v i t i e so na r i da n ds e m i a r i d g r a s s l a n d s i nC e n t r a lA s i ad u r i n g19822015[J].S c i e n c eo f t h eT o t a lE n v i r o n m e n t,2019,653(25):1311-1325.[10] L i uY,L i Y,L i S,e t a l.S p a t i a l a n d t e m p o r a l p a t t e r n so f g l o b a lN D V I t r e n d s:c o r r e l a t i o n sw i t hc l i m a t ea n dh u m a nf a c t o r s[J].R e m o t e S e n s i n g,2015,7(10):13233-13250.[11] X uH,W a n g X,Z h a n g X.A l p i n e g r a s s l a n d s r e s p o n s et oc l i m a t i cf a c t o r sa n da n t h r o p o g e n i ca c t i v i t i e so nt h eT i b e t a n P l a t e a u f r o m2000t o2012[J].E c o l o g i c a lE n g i n e e r i n g,2016,92:251-259.[12]陈宽,杨晨晨,白力嘎,等.基于地理探测器的内蒙古自然和人为因素对植被N D V I变化的影响[J].生态学报,2021,41(12):4963-4975.[13]姜萍,胡列群,肖静,等.新疆植被N D V I时空变化及定量归因[J].水土保持研究,2022,29(2):212-220,242.[14]祁鹏卫,张贤.2000 2019年重庆市植被覆盖时空变化特征及其驱动因素分析[J].生态学报,2022,42(13):5427-5436.[15]李晓丽,曹敏,茆杨.基于地理探测器的西南岩溶槽谷区近20年N D V I变化特征及影响因素[J].水土保持学报,2021,35(6):38-44,54.[16]张华,李明,宋金岳,等.基于地理探测器的祁连山国家公园植被N D V I变化驱动因素分析[J].生态学杂志,2021,40(8):2530-2540.[17]彭文甫,张冬梅,罗艳玫,等.自然因子对四川植被N D V I变化的地理探测[J].地理学报,2019,74(9):1758-1776.[18]刘逸滨,刘宝元,成城,等.退耕还林草20年来榆林市植被覆盖度时空变化及影响因素分析[J].水土保持学报,2022,36(2):197-208,218.[19]付含培,王让虎,王晓军.1999 2018年黄河流域N D V I时空变化及驱动力分析[J].水土保持研究,2022,29(2):145-153,162.[20]严登华,袁喆,杨志勇,等.1961年以来海河流域干旱时空变化特征分析[J].水科学进展,2013,24(1):34-41.[21]杨艳丽,孙艳玲,王中良.2000 2013年海河流域植被覆盖的时空变化[J].干旱区资源与环境,2016,30(7):65-70.[22]吴云,曾源,赵炎,等.基于MO D I S数据的海河流域植被覆盖度估算及动态变化分析[J].资源科学,2010,32(7):1417-1424.[23]申丽娜,景悦,孙艳玲,等.基于S P O T数据的海河流域植被覆盖度变化图谱特征[J].天津师范大学学报:自然科学版,2018,38(4):60-67.[24]申丽娜,景悦,孙艳玲,等.海河流域植被覆盖度变化的图谱特征及其地形梯度差异分析[J].天津师范大学学报:自然科学版,2017,37(6):43-49,54. [25]何龙,曾晓明,钱达,等.海河流域近17年植被时空变化及其气候影响因素[J].天津师范大学学报:自然科学版,2020,40(3):54-61,68.[26]王永财,孙艳玲,王中良.1998 2011年海河流域植被覆盖变化及气候因子驱动分析[J].资源科学,2014,36(3):594-602.[27]陈福军,沈彦俊,胡乔利,等.海河流域N D V I对气候变化的响应研究[J].遥感学报,2011,15(2):401-414.[28] S uT,Z h a n g B,H eX,e t a l.R a t i o n a l p l a n n i n g o f l a n du s e c a n m a i n t a i nw a t e r y i e l dw i t h o u t d a m a g i n g e c o l o g i c a ls t a b i l i t y i nu p s t r e a mo f i n l a n d r i v e r:C a s e s t u d y i n t h eH e iR i v e rB a s i no fC h i n a[J].J o u r n a lo fG e o p h y s i c a lR e s e a r c h,2020,125(18):e2020J D032727. [29]中华人民共和国水利部.土壤侵蚀分类分级标准G B/S L190 2007[S].北京:中国水利水电出版社,2008.[30]温晓金,刘焱序,杨新军.恢复力视角下生态型城市植被恢复空间分异及其影响因素:以陕南商洛市为例[J].生态学报,2015,35(13):4377-4389. [31]王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(1):116-134.[32]祁鹏卫,张贤.2000 2019年重庆市植被覆盖时空变化特征及其驱动因素[J].生态学报,2022,42(13):5427-5436.[33]杨灿,魏天兴,李亦然,等.黄土高原典型县域植被覆盖度时空变化及地形分异特征[J].生态学杂志,2021,40(6):1830-1838.713第4期钤会冉等:海河流域生长季植被覆盖度时空变化及驱动力分析Copyright©博看网. All Rights Reserved.。
绿色全要素生产率增长的时空分异与动态收敛
绿色全要素生产率增长的时空分异与动态收敛一、概述本文旨在探讨绿色全要素生产率（Green Total Factor Productivity，GTFP）增长在中国不同地区的时空分异与动态收敛情况。
随着可持续发展理念的深入人心，绿色发展已成为全球共识，而绿色全要素生产率作为衡量经济发展质量和可持续性的重要指标，正受到越来越多的关注。
本文将采用最新的数据和方法，对中国各地区的绿色全要素生产率进行测算，并分析其在时间和空间上的变化趋势，以及不同地区之间的收敛情况。
通过研究绿色全要素生产率的增长模式，可以为制定区域经济发展政策和实现可持续发展目标提供科学依据。
1. 背景介绍：阐述绿色全要素生产率增长的重要性，以及其在时空分异和动态收敛方面的研究意义。
在全球环境问题日益严重和可持续发展的呼声愈发高涨的背景下，绿色全要素生产率增长的重要性逐渐凸显。
绿色全要素生产率不仅考量了传统意义上的经济增长，还融入了资源消耗、环境污染等环境因素，为经济发展与环境保护之间的平衡提供了量化指标。
随着全球化和信息化的发展，各国和地区之间的经济联系日益紧密，绿色全要素生产率增长的时空分异现象日益明显，这不仅反映了不同区域间经济发展的不均衡性，也揭示了环境压力在不同地区的差异性分布。
研究绿色全要素生产率增长的时空分异，不仅有助于深入理解各地区经济增长与环境保护之间的动态关系，也为政策制定者提供了科学的决策依据。
通过对比不同地区绿色全要素生产率的变化趋势，可以发现哪些地区在经济增长的同时较好地控制了环境污染，哪些地区则面临较大的环境压力。
这种对比分析有助于发现经济增长与环境保护之间的最佳平衡点，推动可持续发展目标的实现。
动态收敛研究在绿色全要素生产率增长领域也具有重要意义。
收敛性分析可以揭示不同地区绿色全要素生产率增长的趋同或发散趋势，揭示各地区之间在环境效率方面的追赶或分化现象。
对于具有收敛性的地区，可以分析其收敛的速度和趋势，为其他地区提供经验和借鉴对于发散的地区，则需要深入剖析其背后的原因，提出针对性的政策和措施。
基于地理探测器的岷江中下游地区植被NPP时空格局演变及其驱动力研究
第３９卷第２０期２０１９年１０月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．３９，Ｎｏ．２０Ｏｃｔ．，２０１９基金项目：国家自然科学基金项目（４１３７１１２５）；教育部规划基金项目（１８ＸＪＡ６３０００５）；四川省社科项目（ＳＣ１８Ｂ０９５）收稿日期：２０１８⁃０９⁃１３；㊀㊀网络出版日期：２０１９⁃０８⁃１９∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｐａｎｈｏｎｇｙｉ８０＠１６３．ｃｏｍＤＯＩ：１０．５８４６／ｓｔｘｂ２０１８０９１３１９７１潘洪义，黄佩，徐婕．基于地理探测器的岷江中下游地区植被ＮＰＰ时空格局演变及其驱动力研究．生态学报，２０１９，３９（２０）：７６２１⁃７６３１．ＰａｎＨＹ，ＨｕａｎｇＰ，ＸｕＪ．ＴｈｅｓｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｅｖｏｌｕｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆｏｒｃｅｓｉｎｍｉｄｄｌｅ⁃ｌｏｗｅｒａｒｅａｓｏｆｔｈｅＭｉｎｒｉｖｅｒｂａｓｅｄｏｎｇｅｏｇｒａｐｈｉｃａｌｄｅｔｅｃｔｏｒａｎａｌｙｓｅｓ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０１９，３９（２０）：７６２１⁃７６３１．基于地理探测器的岷江中下游地区植被ＮＰＰ时空格局演变及其驱动力研究潘洪义１，２，∗，黄㊀佩１，２，徐㊀婕１，２１四川师范大学西南土地资源评价与监测教育部重点实验室，成都㊀６１００６８２四川师范大学地理与资源科学学院，成都㊀６１００６８摘要：植被净初级生产力作为反映植被生态系统对气候变化响应的重要指标，是长期以来备受世界各国关注的焦点问题㊂论文以岷江中下游地区为研究区域，基于２０００ ２０１５年ＭＯＤＩＳＮＰＰ数据，结合同年期海拔㊁气温㊁降水㊁土地利用类型等，运用地理探测器等模型方法，诊断植被ＮＰＰ分布的主要驱动力，并揭示了不同时段的驱动力决定力的变化㊂结果表明：（１）２０００ ２０１５年岷江中下游植被ＮＰＰ平均值为５１３．９３ｇＣ／ｍ２；植被年均ＮＰＰ最大值出现在２０００年石棉县北部硗碛藏族乡的林地分布区，为１８７６ｇＣ／ｍ２，最小值出现在２００５年五通桥区中部竹根镇的平原旱地分布区，最小值为２６．９８ｇＣ／ｍ２；植被ＮＰＰ具有较强的时空分异性，ＮＰＰ总量变化除了受ＮＰＰ强度影响外，植被覆盖总面积是其另外主要的影响因素㊂（２）影响植被ＮＰＰ分布的主导因素包括气温㊁海拔㊁土地利用等，各因素对ＮＰＰ分布的决定力存在明显差异㊂（３）不同时间植被ＮＰＰ空间分布的驱动力存在明显差异，主要表现在其变化受人类扰动的影响越来越强烈㊂刻画岷江中下游植被ＮＰＰ时空演变，并揭示其主要驱动力，可为研究区生态安全预警和生态补偿提供数据支撑和辅助决策㊂关键词：植被ＮＰＰ时空格局演变；驱动力；主导因素；地理探测器；岷江中下游地区ＴｈｅｓｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｅｖｏｌｕｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆｏｒｃｅｓｉｎｍｉｄｄｌｅ⁃ｌｏｗｅｒａｒｅａｓｏｆｔｈｅＭｉｎｒｉｖｅｒｂａｓｅｄｏｎｇｅｏｇｒａｐｈｉｃａｌｄｅｔｅｃｔｏｒａｎａｌｙｓｅｓ㊀ＰＡＮＨｏｎｇｙｉ１，２，∗，ＨＵＡＮＧＰｅｉ１，２，ＸＵＪｉｅ１，２１ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＬａｎｄＲｅｓｏｕｒｃｅｓＥｖａｌｕａｔｉｏｎａｎｄＭｏｎｉｔｏｒｉｎｇｉｎＳｏｕｔｈｗｅｓｔ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＳｉｃｈｕａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００６８，Ｃｈｉｎａ２ＧｅｏｇｒａｐｈｙａｎｄＲｅｓｏｕｒｃｅｓＳｃｉｅｎｃｅＣｏｌｌｅｇｅ，Ｃｈｅｎｇｄｕ６１００６８，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｖｅｇｅｔａｔｉｏｎｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）ｉｓｃｏｎｓｉｄｅｒｅｄａｋｅｙｆａｃｔｏｒｏｆｅｃｏｌｏｇｉｃａｌｒｅｓｐｏｎｓｅｓｔｏｃｌｉｍａｔｅｃｈａｎｇｅ，ｓｏｉｔｈａｓｌｏｎｇａｒｏｕｓｅｄａｔｔｅｎｔｉｏｎｆｒｏｍｃｏｕｎｔｒｉｅｓａｒｏｕｎｄｔｈｅｗｏｒｌｄ．Ｕｓｉｎｇｔｈｅｍｉｄｄｌｅ⁃ｌｏｗｅｒＡｒｅａｏｆｔｈｅＭｉｎｒｉｖｅｒａｓｔｈｅｓｔｕｄｙａｒｅａ，ｔｈｅＧｅｏｄｅｔｅｃｔｏｒｍｏｄｅｌｗａｓａｐｐｌｉｅｄｂａｓｅｄｏｎＭＯＤＩＳＮＰＰｐｒｏｄｕｃｔｓｆｒｏｍ２０００ｔｏ２０１５，ａｓｗｅｌｌａｓａｎｎｕａｌａｌｔｉｔｕｄｅ，ｔｅｍｐｅｒａｔｕｒｅ，ｐｒｅｃｉｐｉｔａｔｉｏｎ，ａｎｄｌａｎｄｕｓｅｄａｔｅｉｎｔｈｅｓａｍｅｐｅｒｉｏｄｔｏｄｉａｇｎｏｓｅｔｈｅｄｏｍｉｎａｎｔｆａｃｔｏｒｓｏｆｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎＮＰＰｃｈａｎｇｅａｎｄｒｅｖｅａｌｔｈｅｄｉｆｆｅｒｅｎｔｔｉｍｅｃｈａｎｇｅｓｏｆｄｒｉｖｉｎｇｆｏｒｃｅｓｄｅｔｅｒｍｉｎｉｎｇｖｅｇｅｔａｔｉｏｎＮＰＰｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ１）ＴｈｅａｖｅｒａｇｅａｎｎｕａｌＮＰＰｆｏｒｔｈｅｍｉｄｄｌｅ⁃ｌｏｗｅｒＡｒｅａｏｆｔｈｅＭｉｎｒｉｖｅｒｗａｓ５１３．９３ｇＣ／ｍ２ｆｒｏｍ２０００ｔｏ２０１５．Ｔｈｅｍａｘｉｍｕｍａｎｄｍｉｎｉｍｕｍｖａｌｕｅｓ（１８７６ｇＣ／ｍ２ａｎｄ２６．９８ｇＣ／ｍ）ｏｂｓｅｒｖｅｄｉｎ２０００ｉｎｔｈｅＱｉａｏｑｉＴｉｂｅｔａｎｔｏｗｎｓｈｉｐｎｏｒｔｈｏｆＳｈｉｍｉａｎｃｏｕｎｔｙａｎｄ２００５ｉｎｔｈｅｐｌａｉｎｄｒｙｌａｎｄｄｉｓｔｒｉｂｕｔｉｏｎａｒｅａｏｆＺｈｕｇｅｎＴｏｗｎｉｎｔｈｅｍｉｄｄｌｅｏｆＷｕｔｏｎｇｑｉａｏｓｈｏｗｅｄａｓｔｒｏｎｇｓｐａｔｉｏｔｅｍｐｏｒａｌｖａｒｉａｂｉｌｉｔｙｉｎｔｈｅｍｉｄｄｌｅ⁃ｌｏｗｅｒＡｒｅａｏｆｔｈｅＭｉｎｒｉｖｅｒ．ＩｎａｄｄｉｔｉｏｎｔｏｔｈｅＮＰＰ２２６７㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀ｉｎｔｅｎｓｉｔｙ，ｔｈｅｔｏｔａｌａｒｅａｃｏｖｅｒｅｄｂｙｖｅｇｅｔａｔｉｏｎｗａｓｔｈｅｏｔｈｅｒｍａｊｏｒｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒ．２）ＴｈｅｄｏｍｉｎａｎｔｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｖｅｇｅｔａｔｉｏｎＮＰＰｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｃｌｕｄｅｄｔｅｍｐｅｒａｔｕｒｅ，ａｌｔｉｔｕｄｅ，ａｎｄｌａｎｄｕｓｅ，ａｎｄｔｈｅｉｒｐｏｗｅｒｄｅｔｅｒｍｉｎａｎｔｖａｌｕｅｔｏＮＰＰｉｎｃｉｄｅｎｃｅｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ．３）ＴｈｅｓｅｆａｃｔｏｒｓａｆｆｅｃｔｔｈｅｃｈａｎｇｅｓｉｎｖｅｇｅｔａｔｉｏｎＮＰＰｆｒｏｍｄｉｆｆｅｒｅｎｔｐｅｒｓｐｅｃｔｉｖｅｓａｎｄｔｈｅｉｒｄｒｉｖｉｎｇｆｏｒｃｅｓｄｉｆｆｅｒｏｖｅｒｔｈｅｙｅａｒｓ．ＴｈｅｃｈａｎｇｅｓｉｎｖｅｇｅｔａｔｉｏｎＮＰＰｍａｉｎｌｙｐｒｅｓｅｎｔｅｄｍｏｒｅａｎｄｍｏｒｅｃｏｎｃｅｒｎｅｄｂｙｈｕｍａｎｄｉｓｔｕｒｂａｎｃｅｓ．Ｏｎｔｈｅｃｏｎｔｒａｒｙ，ｉｔｉｓｗｅａｋｅｎｅｄｂｙｎａｔｕｒａｌｆａｃｔｏｒｓ．ＳｐａｔｉｏｔｅｍｐｏｒａｌｃｈａｎｇｅｓｏｆＮＰＰａｎｄｉｔｓｄｒｉｖｉｎｇｆｏｒｃｅｓｗｅｒｅｒｅｖｅａｌｅｄ．Ｔｈｅｆｉｎｄｉｎｇｓｐｒｏｖｉｄｅｄｔｈｅｄａｔａａｎｄａｓｓｉｓｔａｎｔｄｅｃｉｓｉｏｎ⁃ｍａｋｉｎｇｆｏｒｔｈｅｇｏｖｅｒｎｍｅｎｔｔｏｆｏｒｍｕｌａｔｅｐｏｌｉｃｉｅｓｒｅｇａｒｄｉｎｇｅｃｏｌｏｇｉｃａｌｓｅｃｕｒｉｔｙａｌａｒｍａｎｄｅｃｏｌｏｇｉｃａｌｃｏｍｐｅｎｓａｔｉｏｎ．ＫｅｙＷｏｒｄｓ：ｔｈｅｓｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｐａｔｔｅｒｎｏｆｖｅｇｅｔａｔｉｏｎＮＰＰ；ｄｒｉｖｉｎｇｆｏｒｃｅｓ；ｄｏｍｉｎａｎｔｆａｃｔｏｒ；ｇｅｏｄｅｔｅｃｔｏｒ；ｍｉｄｄｌｅ⁃ｌｏｗｅｒＡｒｅａｏｆＭｉｎｒｉｖｅｒ植被净初级生产力（ＮｅｔＰｒｉｍａｒｙＰｒｏｄｕｃｔｉｖｉｔｙ，ＮＰＰ）是评价生态系统结构与功能协调性及其与环境相互作用的重要指标［１］㊂它直接与全球变化的关键科学问题⁃碳循环㊁水循环与食物安全密切相关［２⁃３］，可以反映气候变化和人类活动对陆地植被综合作用结果［４］㊂国外大规模的ＮＰＰ研究始于２０世纪６０年代，经历了 传统的站点实测法⁃大量的统计回归法⁃多源数据的机理模型法 三个阶段［５］㊂国内研究相较国外起步较晚，随着遥感技术的发展，基于遥感观测的植被ＮＰＰ估算方法已较好的用于ＮＰＰ年际波动或长期变化趋势的监测［５，６］㊂近年来，国内众多学者针对ＮＰＰ分布的时空特征㊁其变化驱动力㊁ＮＰＰ与经济协调性及利用遥感生产力模型（ＣＡＳＡ模型）反演ＮＰＰ数据等开展了大量研究㊂就时空特征研究而言，刘刚等以全球陆表特征数据集（ＧＬＡＳＳ）为基础，对２００１ ２０１４年中国植被ＮＰＰ进行了估算，分析了我国植被ＮＰＰ时空分布特征［７］㊂崔林丽等基于２００１ ２０１０年ＭＯＤ１７Ａ３年均ＮＰＰ数据研究中国东南部植被ＮＰＰ的时空格局［８］㊂池源等以黄河三角洲为研究区，通过遥感手段和现场调查，对黄河三角洲ＮＰＰ时空变化特征［９］㊂从变化驱动力研究方面来看，王芳等基于ＭＯＤ１７Ａ３ＮＰＰ数据㊁气象数据和土地利用类型数据，对安徽省２０００ ２０１５年植被ＮＰＰ的时空格局㊁变化趋势及驱动因子进行研究［１０］㊂经济协调性研究方面，主要有乔旭宁等基于ＭＯＤＩＳ１７Ａ３数据分析河南省淮河流域ＮＰＰ时空演变特征，及区域主体功能类型特征构建生态经济协调度模型，对研究区生态经济协调关系进行评估［１１］㊂在利用ＣＡＳＡ模型进行ＮＰＰ数据反演方面，苏日古嘎等以呼伦贝尔市为研究区，利用遥感生产力模型（ＣＡＳＡ模型）获取研究区四期ＮＰＰ数据，分别从ＮＰＰ空间分布特征㊁特征值变化㊁ＮＰＰ变化的空间格局和不同植被类型ＮＰＰ变化等方面分析时空变化特点㊂随着在ＮＰＰ时空演变特征方面研究成果不断涌现［１２⁃２０］，主要呈现出以下特点：（１）采用卫星遥感数据结合陆地生态过程模型开展植被ＮＰＰ的演变分析已经成为ＮＰＰ研究的主流［６］㊂（２）由于数据源主要来源于ＭＯＤＩＳ数据，研究区域以宏观尺度的国家㊁自然经济区划分区和省域为主㊂（３）以ＮＰＰ时空分布的特征并结合地形地貌与气候因素进行回归分析，从而研究其变化的驱动力㊂基于以上研究特点，在当前的研究中对ＮＰＰ空间分布的特征成因的社会经济与人类扰动因素研究较少，以地学的视角采用地理探测器对其变化驱动力的研究更为鲜见㊂然而ＮＰＰ时空变化是自然⁃人文综合作用的结果，因此，本文在自然因素的基础上考虑了社会经济与人类扰动的因素，采用地理探测器模型，在刻画ＮＰＰ时空分布规律的基础上，揭示影响分布规律的主要驱动力㊂岷江中下游地区人口较为密集，土地利用率较高，交通便利，经济开发程度较高㊂因此，同时兼备农田植被，其中水田主要种植水稻㊁油菜，旱地主要种植小麦和玉米及其他经济作物㊂园地作为另一类人工植被分布面积较广，受人类扰动强度高㊂研究区作为长江上游重要的生态屏障保护区重要组成部分，其ＮＰＰ变化会直接反映生态系统的健康程度的变化，刻画其时空分布特征，并揭示不同时间主要驱动力有助于为研究区生态安全预警和生态补偿提供数据上的支持，为国土开发及自然资源可持续利用政策指导提供科学依据㊂１㊀研究区域与数据来源１．１㊀研究区概况㊀㊀岷江中下游地区地处四川盆地西南部，地理范围介于２８ʎ１８ᶄ５ᵡ ３１ʎ２２ᶄ７ᵡ和１０１ʎ５６ᶄ１１ᵡ １０４ʎ５４ᶄ４７ᵡ之间㊂海拔范围为１４７ ７８４５ｍ之间，气候上属于中亚热带季风气候区，分布着中亚热带⁃暖温带⁃温带⁃寒温带的垂直气候带谱，四季分明，平均气温在１６．５ １８．０ħ，多年均降水量１０００ １６００ｍｍ之间［２１］㊂研究区自然植被受地形海拔影响，形成了常绿阔叶林㊁阔叶针叶混交林同时在林地间隙分布着灌丛㊁草甸；该段河流属于丘陵平原型河流，这类河流出自峡谷，大部分流经丘陵和平原，水能资源相对减少㊂其河流主要由岷江及其重要支流大渡河组成，本文以岷江中下游所流经的县域组成研究区，共涉及成都市㊁眉山市㊁乐山市和雅安市的２７个县（市㊁区）㊂１．２㊀数据来源及处理本文所采用的ＭＯＤＩＳＮＰＰ，源于美国国家航空航天局（ＮＡＳＡ），分别选择２０００，２００５，２０１０和２０１５年的ＭＯＤ１７Ａ３数据产品，其空间分辨率为５００ｍ，时间分辨为１年㊂在ＥＮＶＩ软件支持下，运用ＭＣＴＫ工具进行数据的预处理，以便于与其他数据进行配准㊂ＤＥＭ数据源于地理空间数据云官网（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ），空间分辨率为３０ｍ，主要用于提取研究区的高程㊁地形坡度㊁坡向等数据㊂气象数据主要包括研究区各站点在研究时限内的气温和降水数据，源于国家地球系统科学数据共享服务平台（ｈｔｔｐ：／／ｗｗｗ．ｇｅｏｄａｔａ．ｃｎ／）气温与降水公里网格数据，同时结合中国气象科学数据共享服务网（ｈｔｔｐ：／／ｄａｔａ．ｃｍａ．ｃｎ），研究区内站点年平均气温和降水主要进行验证与回归分析，通过插值计算获得研究区内年平均气温和年降雨量㊂研究区土地利用／覆盖数据来源于资源环境数据云平台（ｈｔｔｐ：／／ｗｗｗ．ｒｅｓｄｃ．ｃｎ／Ｄｅｆａｕｌｔ．ａｓｐｘ），结合研究区现状和研究内容，将土地利用类型划分为林地㊁草地㊁耕地㊁建设用地㊁湿地㊁其他六大类㊂需要指出的是，地理探测器所处理的数据量有运行上限，软件最大可容纳数据量是３２７６７［２２］㊂而本研究区数据的超过了这一上限，因此需要对研究区数据进行相应处理㊂因此，本文运用ＡｒｃＧＩＳ的子集要素工具将研究区数据随机训练样本，使之与地理探测器软件的最大可容纳数据量最为接近㊂２㊀研究方法２．１㊀分区统计分区统计用于根据来自其他数据集的值（赋值栅格）为每一个由区域数据集定义的区域计算统计数据㊂以研究区范围为基础创建研究区渔网，结合研究区植被ＮＰＰ㊁降水㊁气温等数据将渔网大小设置为９２６．６３ｍˑ９２６．６３ｍ㊂采用分区统计到表的方法，将研究区气温㊁降水和土地利用类型等数据进行对平均值或众数值的统计，以建立研究区的基础数据库㊂２．２㊀标准差分级法标准差分级法是以均值为中心，以标准差的倍数为级差，分别向大于和小于均值的两个方向进行分级的方法［２３］㊂此分级方法完全根据原始数据固有的数值特征和分布规律来进行分级，分级数不受人为控制，避免了人为因素的干扰，使得分级结果更具客观性㊂各种分类算法的效果可通过地理探测器的ｑ统计量来评价，ｑ值越大分类效果越好［２２］㊂本文分别采用１倍㊁１／２倍㊁１／３倍和１／４倍的标准差进行分级，并分别计算ｑ统计量的值，发现采用１倍标准差分级所得的ｑ值最大，分类效果最好㊂２．３㊀地理探测器地理探测器是探测空间分异性，以及揭示其背后驱动力的一组统计学方法［２２］㊂它能探测各因子对模型的贡献率，能从庞大的空间数据库中提取有用的空间关联规则［２４］㊂因此，在分析地理要素格局演变和地域空间分异等方面具有非常广泛的应用，但对植被ＮＰＰ空间演变分析的应用较少㊂运用地理探测器分析模型，将各年的植被ＮＰＰ数据作为因变量，引入研究区植被ＮＰＰ值分异决定力指标ｑ㊂设Ｙ是由研究区域内的所有栅格单元组成的格网系统，代表研究区域内的植被ＮＰＰ值，Ｘ为影响植被ＮＰＰ分异的各种因素，其Ａ＝｛Ａｈ｝为影响植被ＮＰＰ分异的其中一种因素㊂其中，ｈ＝１，２， ，Ｌ，Ｌ为采用标准差分级法所得到的该因素分类数，ｈ代表因素Ａ不同的类型㊂将研究区的各年的Ｙ图层分别与因素Ａ图层叠置，进一步探求因素Ａ与Ｙ间的相关关系㊂σ２ｈ为在因素Ａ的第ｈ类型中Ｙ的离散方差，因素Ａ对Ｙ的决定３２６７㊀２０期㊀㊀㊀潘洪义㊀等：基于地理探测器的岷江中下游地区植被ＮＰＰ时空格局演变及其驱动力研究㊀４２６７㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀力公式为：ｑ＝１－１ｎσ２ðＬｈ＝１ｎｈσ２ｈ式中：ｎｈ为在因素Ａ的类型ｈ内的样本数；ｎ为在整个研究区域内的所有样本数，ｎ＝ðＬｈ＝１ｎｈ；Ｌ为因素Ａ的分类数；σ２为整个区域的离散方差㊂ｑ值的内涵为自变量Ｘ能够解释１００ˑｑ％的因变量Ｙ，其取值范围为［０，１］，ｑ值越大，表明因素Ａ对植被ＮＰＰ空间分异的解释力越强㊂当因素Ａ的决定力ｑ＝１时，表明植被ＮＰＰ空间分异完全被因素Ａ控制；当因素Ａ的决定力ｑ＝０时，表明植被ＮＰＰ值呈现随机分布，因素Ａ对植被ＮＰＰ值的空间分异没有任何影响㊂将降水（Ｘ１）；气温（Ｘ２）；地面海拔（Ｘ３）；坡度（Ｘ４）；坡向（Ｘ５）；土地利用（Ｘ６）；到主要干道距离（Ｘ７）；到城镇中心距离（Ｘ８）八大因素分别与研究区ＮＰＰ值进行空间探测分析，计算得到各因素对ＮＰＰ值的决定力ｑ，对影响研究区ＮＰＰ时空分异的主导因素进行诊断㊂再根据ｑ值大小，采用聚类分析，找出影响ＮＰＰ分布的主要驱动力㊂３㊀结果分析３．１㊀岷江中下游土地覆被及其ＮＰＰ时空变化分析利用岷江中下游２０００ ２０１５年土地利用现状图，对各地类空间分布与变化进行空间化表达㊂研究区内土地利用类型以林地和耕地为主，从空间格局上来看，林地和草地主要集中在研究区西南部的雅安和乐山两市所辖的县（市㊁区），耕地主要分布在成都市㊁宜宾市和乐山所辖的各县（市㊁区）㊂表１㊀２０００—２０１５年各类用地面积／ｋｍ２Ｔａｂｌｅ１㊀Ｌａｎｄａｒｅａｏｆｖａｒｉｏｕｓｔｙｐｅｓｆｒｏｍ２０００ｔｏ２０１５年份Ｂｕｉｌｄｉｎｇｌａｎｄ湿地Ｗｅｔｌａｎｄ其他ＯｔｈｅｒｓＣｒｏｐｌａｎｄ建设用地Ｇｒａｓｓｌａｎｄ耕地Ｗｏｏｄｌａｎｄ草地Ｙｅａｒｓ林地２０００１４１７３．５５５２０２．８６１４４５６．２２７０５．４６１１４．１３１３２．８６２００５１４２０７．９９５２１６．４５１４２６０．４０８５０．４９１１３．９４１３２．８６２０１０１４４９９．６０４７９８．４９１４１５３．１０１０３０．７０８５．３４１４４．８０２０１５１４４８８．６７４７９１．１０１３８８９．９４１２３５．３６７２．２６１４２．２２从地类变化上而言，主要表现在东部建设用地迅速增加，其增加来源主要为耕地，而湿地面积在研究区西部和东部都表现为减少的趋势㊂各地类在不同年份，其ＮＰＰ数量受综合因素的影响表现出了不同变化趋势㊂由图２可知，在整个研究期内，岷江中下游ＮＰＰ呈现出２０００ ２０１０年下降，２０１０ ２０１５年缓慢增加的趋势，整体波动幅度比较明显㊂研究区年均ＮＰＰ值在３８０ ７８５ｇＣ／ｍ２之间波动，１６年间ＮＰＰ平均值为５１５．０９ｇＣ／ｍ２㊂其中，２０００年年均植被ＮＰＰ值最高，为７８０．５１ｇＣ／ｍ２，比平均ＮＰＰ值高５１．５３％，２０１０年年均ＮＰＰ值最低，为３８６．０７ｇＣ／ｍ２，比平均ＮＰＰ值低２５．０５％㊂自２０００年至２００５年，研究区年均ＮＰＰ值由７８０．５１ｇＣ／ｍ２下降至４１８．８２ｇＣ／ｍ２，下降幅度达４６．３４％；随后，２００５至２０１０年缓慢下降至最低值３８６．０７ｇＣ／ｍ２，下降幅度达７．７６％；相反，２０１０至２０１５年，年均ＮＰＰ值则呈现出缓慢上升趋势，上升至４７４．９７ｇＣ／ｍ２，上升幅度达２２．９５％㊂不同土地利用类型的ＮＰＰ年际波动与研究区的ＮＰＰ年际波动趋势基本一致，ＮＰＰ大小关系整体上表现为林地＞草地＞耕地＞湿地㊂就空间变化而言，研究期内岷江中下游ＮＰＰ均表现出了明显的空间分异性，研究时限内的年均植被ＮＰＰ值整体上呈现出西高东低的空间分布特征㊂年均ＮＰＰ高值区分布于研究区西部的石棉县㊁汉源县㊁宝兴县㊁芦山县㊁峨边彝族自治县等地，低值区主要位于东部的翠屏区㊁宜宾县㊁五通桥区㊁东坡区㊁双流县㊁温江区等地（图３）㊂就行政区而言，２０００与２００５年，研究区县域植被ＮＰＰ最大值均出现在研究区西南部的石棉县，最大图１㊀２０００ ２０１５年研究区土地利用现状图Ｆｉｇ．１㊀Ｌａｎｄｕｔｉｌｉｚａｔｉｏｎｍａｐｓｉｎｓｔｕｄｙａｒｅａｄｕｒｉｎｇ２０００ ２０１５值分别为１１４８．７７ｇＣ／ｍ２㊁５７８．３２ｇＣ／ｍ２，汉源县㊁芦山县㊁峨边彝族自治县ＮＰＰ值依次降低，最小值均位于东南部的翠屏区，最小值分别为５０３．５５ｇＣ／ｍ２㊁３０２．６７ｇＣ／ｍ２㊂２０１０年，年均植被ＮＰＰ最大值仍位于西南部的石棉县，最大值有所下降，为５２８．５５ｇＣ／ｍ２，其次为汉源县㊁芦山县㊁雨城区㊁峨边彝族自治县㊁金河口区㊁宝兴县等，而年均植被ＮＰＰ最小值区域则位于研究区北部的温江区，最小值为２７４．４９ｇＣ／ｍ２㊂反观２０１５年，研究区的年均植被ＮＰＰ最大值向东北扩展，位于石棉县东北部的雨城区，最大值为５６６．６５ｇＣ／ｍ２，峨边彝族自治县㊁汉源县㊁石棉县㊁金河口区㊁沐川县㊁芦山县等紧随其后，而最小值仍然位于研究区北部的温江区，最小值为３４２．３３ｇＣ／ｍ２㊂就土地利用类型而言，不同地类的ＮＰＰ值仍存在显著的空间分异性㊂林地和草地主要集中分布在研究区西部的石棉县㊁汉源县㊁芦山县㊁宝兴县㊁金河口区㊁峨边彝族自治县等地，因而研究区内的年均ＮＰＰ高值区５２６７㊀２０期㊀㊀㊀潘洪义㊀等：基于地理探测器的岷江中下游地区植被ＮＰＰ时空格局演变及其驱动力研究㊀图２㊀２０００ ２０１５研究区各类用地年均植被ＮＰＰ值㊀Ｆｉｇ．２㊀ＡｎｎｕａｌｖａｌｕｅｏｆＮＰＰｏｖｅｒｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｌａｎｄｕｓｅｉｎｓｔｕｄｙａｒｅａｄｕｒｉｎｇ２０００ ２０１５基本出现在以上地区㊂而耕地和湿地主要位于岷江干流流经的各个县域，所以研究区东部地区植被ＮＰＰ均值低于西部地区㊂在研究区两期植被ＮＰＰ值的基础上计算得出２０００ ２０１５年岷江中下游地区ＮＰＰ值的动态变化过程并对其进行可视化分析（图４）㊂由图４可知，２０００２０１５年研究区ＮＰＰ减少量呈现出由西向东逐渐减小趋势，其中位于中部㊁东南部的峨眉山市㊁沙湾区㊁五通桥区㊁犍为县㊁宜宾县㊁翠屏区由于受退耕还林工程的影响，部分地块ＮＰＰ值有所增加，最大值达４０９．３２ｇＣ／ｍ２，石棉县㊁汉源县㊁宝兴县㊁芦山县ＮＰＰ剧减，减少最多能达９７０．２３ｇＣ／ｍ２㊂这与各县（市㊁区）的土地利用变化有着极大的相关性，主要体现了林地和草地对ＮＰＰ值的极大影响㊂３．２㊀植被ＮＰＰ变化驱动力分析３．２．１㊀植被ＮＰＰ时空分异的主导驱动力诊断及演变２０００ ２０１５年岷江中下游地区植被ＮＰＰ的时空变化是受多种驱动力的综合影响结果，本文选取了能反映区域自然环境㊁资源禀赋和人类扰动等方面的８项指标，根据地理探测器模型，探测驱动力变化结果（图５）㊂根据２０００ ２０１５年的各驱动力的决定力ｑ值大小，将８个驱动力分为两个类型㊂一类以气温㊁海拔和土地利用因素为代表，其决定力ｑ值均在０．２以上，称之为主导驱动力；另一类以坡向㊁降水㊁城镇距离㊁公路距离和坡度因素为代表，其决定力ｑ值均在０．１以下，称之为重要驱动力㊂就驱动力演变而言，自２０００ ２００５年，各个驱动力的决定力均呈现下降趋势，其中气温和降水因素对植被ＮＰＰ值的决定力下降幅度最大，分别为３５．６５％和８３．２９％，而海拔因素的ｑ值超过降水，表明海拔因素相对于其他因素对研究区植被ＮＰＰ时空分异的解释力更大，影响更为显著㊂２００５ ２０１０年，气温㊁降水㊁海拔㊁坡向㊁城镇距离因素的ｑ值继续下降；相反，土地利用㊁距公路距离因素的ｑ值则呈现出上升趋势㊂２０１０ ２０１５年，气温㊁海拔因素ｑ值继续呈现下降趋势，而其他因素均呈现上升趋势㊂土地利用因素对植被ＮＰＰ值的决定力逐渐逼近海拔因素的决定力，逐渐接近所有驱动力ｑ值中的最大值，表明土地利用对研究区ＮＰＰ值时空分异的作用越来越突出㊂而距城镇距离㊁距公路距离㊁降水㊁坡度因素的决定力均逐步上升，其中，降水因素的决定力ｑ值的上升趋势更为明显㊂整体上而言，气温㊁海拔㊁坡向等因素对植被ＮＰＰ时空分异的决定力呈现出下降趋势，而土地利用㊁距公路距离㊁距城镇距离㊁降水等因素总体上则呈现出上升趋势，坡度因素对ＮＰＰ时空分异的决定力在２０１０年以后也呈现出一定的上升趋势，但上升趋势不明显㊂综合来看，自然因素对岷江中下游地区植被ＮＰＰ的影响力正逐渐削弱，而人类扰动因素对植被ＮＰＰ的影响越来越强㊂３．２．２㊀植被ＮＰＰ时空变化驱动力作用分析进一步分析各主导驱动力对研究区ＮＰＰ值时空分异的具体作用，可为研究区生态安全预警和生态补偿提供数据支撑和辅助决策㊂（１）气温，是反映区域气候特征的重要指标，也是植被生长不可或缺的重要条件，对植被ＮＰＰ的时空分布的影响较为显著㊂气温的升高有利于植被生长，植被在单位时间和单位面积上所固定的能量或产生的有机物质就越多，即植被ＮＰＰ值就越大；反之，ＮＰＰ值就越小㊂由图６可知，２０００ ２００５年研究区年均气温呈现出下降趋势，由１１．８３ħ下降至最低点８．９０ħ，随后呈现持续上升趋势，２０１５年上升至１３．０６ħ㊂综合来看，研究区的年均温波动上升趋势比较明显㊂其中，２０００６２６７㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀图３㊀２０００ ２０１５年研究区ＮＰＰ值空间分布Ｆｉｇ．３㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆＮＰＰｉｎｓｔｕｄｙａｒｅａｄｕｒｉｎｇ２０００ ２０１５２０１０年整体年均温呈下降趋势，年均温的下降会使得植被在单位时间和单位面积内所积累有机物的能力减弱，由此导致该研究时限内研究区的年均植被ＮＰＰ值呈下降态势㊂２０００ ２００５年研究区的年均温下降趋势尤为剧烈，幅度达２４．８２％，在此期间年均植被ＮＰＰ值随之大幅度下降㊂而２０１０ ２０１５年，研究区的年均温继续呈现上升趋势，由此带来植被积累养分的能力增加，进一步使得研究区的年均植被ＮＰＰ值上升㊂这与２０００ ２０１５年研究区植被年均ＮＰＰ值动态变化过程体现出较好的一致性，进而验证气温因素是影响植被ＮＰＰ值时空分异的主导因素之一㊂除此，不同水热组合状况对研究区的ＮＰＰ时空分异也有着重要影响㊂在此期间，研究区的年均降水量趋势线与其决定力ｑ值趋势线呈现一定程度上的负相关性㊂由图７可知，２０００年与２０１５年研究区年均降水量最低，其决定力ｑ值则达到最大值；年均降水量最大的年份降水的决定力ｑ值却很小㊂表明１２００ １３００ｍｍ７２６７㊀２０期㊀㊀㊀潘洪义㊀等：基于地理探测器的岷江中下游地区植被ＮＰＰ时空格局演变及其驱动力研究㊀图４㊀２０００ ２０１５年研究区ＮＰＰ值动态变化格局Ｆｉｇ．４㊀ＡｎｎｕａｌｖａｒｉａｔｉｏｎｓｏｆＮＰＰｉｎｓｔｕｄｙａｒｅａｄｕｒｉｎｇ２０００ ２０１５的年均降水量是植被生长的合理区间，对植被年均ＮＰＰ影响不大㊂（２）地形因素是环境以及植被异质性格局的重要影响因素之一，它一般通过不同的过程控制其水热条件和土壤条件，影响其他环境变量进而对区域植被格局产生重要影响［２５］㊂研究区整体上呈现出西高东低地形特征，西部地区以山地为主，海拔最高处为７８４５ｍ，而东部地区以丘陵为主，海拔最低处为１４７ｍ㊂位于研究区西部的石棉县㊁宝兴县㊁汉源县㊁芦山县㊁峨边彝族自治县等地其地貌主要特征表现为复杂多样的山地地貌，最高峰海拔均在５０００ｍ以上㊂西部各县由于地处高海拔地区，气候垂直带普特征比较明显，植被种类繁多，并且分布范围广，植被覆盖度高㊂另外，西部地区由于海拔远高于东部，其年均日照时数长，植被光合作用就越强烈，所固定的能量和积累的有机物质就越丰富㊂而东部地区地貌以丘陵为主，海拔较低，气候垂直特征不明显，年均日照时数短，自然景观类型较少㊂且东部地区人口密图５㊀２０００ ２０１５年各驱动力决定力（ｑ）值㊀Ｆｉｇ．５㊀Ｔｈｅｖａｌｕｅｏｆｄｅｔｅｒｍｉｎａｎｔ（ｑ）ａｂｏｕｔｆａｃｔｏｒｓｄｕｒｉｎｇ２０００ ２０１５度远高于西部地区，植被的生长与分布受人类活动的影响比较大，植被积累有机质的能力较低㊂从图５中也可以看出，海拔因素对研究区ＮＰＰ时空分异的决定力仍呈现出下降趋势，且与气温因素和土地利用因素的ｑ值逐渐逼近，表明虽然海拔因素对研究区植被ＮＰＰ的时空分异作用逐渐减弱，但仍是主导ＮＰＰ分异的因素之一㊂（３）土地利用是指人类根据土地的自然属性，采取各种活动和方法来利用土地资源㊂就土地利用类型而言，研究区年均植被ＮＰＰ值表现为：林地＞草地＞耕地＞湿地，且四者年际变化趋势比较一致（表２）㊂随着城市化进程的加快，建设用地需求量不断攀升，草地㊁耕地㊁湿地面积呈现出持续减少趋势，由此带来２０００ ２０１０年研究区的草地㊁耕地㊁湿地ＮＰＰ值不断降低㊂而２０１０至２０１５年草地㊁耕地㊁湿地面积虽然持续减少，但在此阶段植被ＮＰＰ受降水量和温度的水热组合状况的影响也较大，适宜的气温和降水给植被提供了良好的生长条件，植被生长更为茂密，其通过光合作用积累有机质的能力随之提高，此时段内植被ＮＰＰ表２㊀各类型用地植被ＮＰＰ总量／（ｇＣ／ｍ２）Ｔａｂｌｅ２㊀ＴｏｔａｌＮＰＰｏｆｖｅｇｅｔａｔｉｏｎｂｙｔｙｐｅｏｆｌａｎｄ年份Ｙｅａｒｓ林地Ｗｏｏｄｌａｎｄ草地Ｇｒａｓｓｌａｎｄ耕地Ｃｒｏｐｌａｎｄ湿地Ｗｅｔｌａｎｄ２０００５４４０４０６４．１１２０３７３８８３．００４３４０６５２４．５９２１８４８０．８０２００５２８７１７７１７．６９１０４１４６３７．００２４１６８７３６．０９１３４１７０．４０２０１０２６７８５１８５．４０８９０３３６８．４０２２５５７９２９．４０８０４６９．３０２０１５３２３５１４３７．４０１０２７４７９１．２０２８６９１６１６．１０８５５１２．９０８２６７㊀生㊀态㊀学㊀报㊀㊀㊀３９卷㊀图６㊀２０００ ２０１５年研究区年均气温㊀Ｆｉｇ．６㊀Ｔｈｅａｎｎｕａｌａｖｅｒａｇｅｔｅｍｐｅｒａｔｕｒｅｉｎｓｔｕｄｙａｒｅａｄｕｒｉｎｇ２０００ ２０１５值呈现出一定的增长趋势㊂就林地而言，２０００ ２０１５年林地面积总体上呈现出上升趋势，林地ＮＰＰ值上升态势也较为明显㊂２０００ ２０１０年，随着退耕还林政策㊁天然林保护工程的持续推进，林地面积持续增加了３２６．０５ｋｍ２，理论上林地ＮＰＰ值应呈现出相应的上升趋势㊂但２０００ ２０１０年，气温因素对研究区ＮＰＰ分异的决定力要远大于土地利用因素的决定力，气温对植被ＮＰＰ的影响更为显著㊂在研究时限内，２００５年研究区的年均温最低，即使降水量在２０１０年达到最大值，仍对植被的长势产生了重大影响，这是由于降水的决定力远小于气温，因此在此阶段研究区的林地ＮＰＰ呈现出下图７㊀２０００ ２０１５年研究区年均降水量㊀Ｆｉｇ．７㊀Ｔｈｅａｎｎｕａｌａｖｅｒａｇｅｐｒｅｃｉｐｉｔａｔｉｏｎｉｎｓｔｕｄｙａｒｅａｄｕｒｉｎｇ２０００ｔｏ２０１５降趋势㊂２０１０ ２０１５年林地面积继续增加，且由此带来了林地ＮＰＰ值的增加㊂总体而言，岷江中下游地区在研究时限内除２０００ ２００５年内林地减少外，林地面积平稳增加，草地㊁耕地㊁湿地等土地利用类型面积下降趋势明显㊂林地，草地㊁耕地㊁湿地面积的减少势必会带来植被ＮＰＰ总值的下降，研究区ＮＰＰ总量变化，除了受各地类ＮＰＰ强度外，植被总量变化也是影响变化的一个重要原因，从２０００ ２０１５年研究区，总共减少植被覆盖６６２．９２ｋｍ２，再加上水热组合状况的变化，因此带来了研究区植被ＮＰＰ总值呈现出先下降后缓慢上升的趋势㊂由图５也进一步可知，２０００ ２０１５年土地利用因素对ＮＰＰ时空分异的决定力呈现出明显的上升趋势，并逐渐逼近所有因素中的最大ｑ值，并且距离城镇距离㊁距离公路距离因素对植被ＮＰＰ时空分异的影响力也在逐渐增强，表明在农业生产㊁生态建设㊁城镇建设等人类活动的影响下，人类活动对研究区植被ＮＰＰ时空分异的作用越来越强烈㊂４㊀结论与讨论本文以２０００ ２０１５年岷江中下游地区的ＮＰＰ数据为基础，探讨了研究区ＮＰＰ时空演变格局，并选取能反映研究区自然环境㊁资源禀赋和人类扰动等方面的８大因素，运用地理探测器模型诊断出了影响研究区ＮＰＰ时空分异的主导驱动力并对驱动力变化趋势进行了分析㊂结果表明：（１）２０００ ２０１５年，岷江中下游地区的ＮＰＰ存在较强的时空分异规律㊂整体而言，２０００ ２０１５年研究区植被年均ＮＰＰ值呈现出先下降，随后缓慢增加的趋势，波动幅度达５０．５４％，植被平均ＮＰＰ值为５１３．９３ｇＣ／ｍ２㊂其中２０００年植被ＮＰＰ均值最高，为７８０．５１ｇＣ／ｍ２，２０１０年ＮＰＰ均值最低，为３８６．０７ｇＣ／ｍ２㊂就空间分布而言，研究区植被年均ＮＰＰ整体上呈现出自西高东低的空间分布特征，并且高值区有逐渐向东部扩展的趋势㊂植被年均ＮＰＰ最大值出现在２０００年石棉县北部硗碛藏族乡的林地分布区，为１８７６ｇＣ／ｍ２，最小值出现在２００５年五通桥区中部竹根镇的平原旱地分布区，最小值为２６．９８ｇＣ／ｍ２㊂不同土地利用类型的ＮＰＰ年际波动与研究区的ＮＰＰ年际波动趋势基本一致，ＮＰＰ大小关系表现为林地＞草地＞耕地＞湿地㊂（２）八大影响因素对研究区植被ＮＰＰ时空分异的决定力差异明显，气温㊁海拔㊁土地利用因素是影响植被ＮＰＰ分异的主导因素㊂２０００ ２０１５年，气温㊁海拔㊁土地利用因素对研究区植被ＮＰＰ时空分异的决定力ｑ值均在０．２以上，对ＮＰＰ分异的作用最为强烈，而降水坡度㊁坡向㊁距城镇距离㊁距公路距离因素的ｑ值相对比较低，均在０．１以下，对植被ＮＰＰ分异的作用相对较弱㊂气温因素主要是通过气温的升降并结合不同的水热组９２６７㊀２０期㊀㊀㊀潘洪义㊀等：基于地理探测器的岷江中下游地区植被ＮＰＰ时空格局演变及其驱动力研究㊀。
基于GIS与地理探测器的旅游地空间分布格局及驱动力分析以贵州为例
基于GIS与地理探测器的旅游地空间分布格局及驱动力分析以贵州为例一、本文概述本文旨在利用地理信息系统（GIS）和地理探测器工具，对旅游地的空间分布格局及其驱动力进行深入分析，并以贵州省为例进行实证研究。
贵州省作为中国西南地区的一个多民族、多山区的省份，具有丰富的自然和文化旅游资源，其旅游业的快速发展对于地方经济的提升和社会发展具有重要意义。
通过本文的研究，我们期望能够揭示贵州省旅游地空间分布的规律，明确影响旅游地空间分布的关键因素，为贵州省乃至其他地区的旅游规划和发展提供科学依据。
具体而言，本文将首先利用GIS技术，通过空间数据分析方法，对贵州省内的旅游地进行空间分布特征的描述和识别。
接着，借助地理探测器工具，通过对旅游地空间分布与自然环境、社会经济等多维度因素的关联分析，揭示旅游地空间分布的驱动力机制。
结合贵州省的实际情况，提出优化旅游地空间布局的建议和措施，以促进贵州省旅游业的可持续发展。
本文的研究不仅有助于深化对旅游地空间分布规律的认识，也为旅游规划和管理提供了实用的方法和技术支持。
通过对贵州省的实证研究，还能够为其他类似地区的旅游发展提供借鉴和参考。
二、文献综述旅游地空间分布格局及其驱动力分析一直是地理学、旅游学等领域的研究热点。
随着地理信息系统（GIS）技术的发展和应用，越来越多的学者开始运用GIS工具对旅游地空间分布进行定量分析和可视化表达。
地理探测器作为一种新型的空间统计方法，也被广泛应用于旅游地理学的各个领域，为揭示旅游地空间分布格局及其影响因素提供了新的视角和方法。
在旅游地空间分布格局的研究方面，国内外学者已经取得了一系列成果。
例如，通过GIS技术，可以实现对旅游地空间分布的精确测量和可视化表达，从而揭示旅游地的空间集聚特征、分布规律和演变趋势。
同时，通过构建旅游地空间分布模型，还可以对旅游地的空间结构进行优化和调整，为旅游业的可持续发展提供科学依据。
在旅游地空间分布格局的驱动力分析方面，国内外学者主要从自然环境、社会经济、文化历史等多个方面进行了深入探讨。
中国绿色创新能力的时空分异与收敛性研究
中国绿色创新能力的时空分异与收敛性研究刘章生;宋德勇;弓媛媛【摘要】This study calculates the green innovation capacity from 2003 to 2013 using the global SBM directional distance function and global Malmquist-Luenberger (GML) productivity index and analyzes its spatial-temporal evolution rule and convergence.The results indicate that China's green innovation GML index shows a rise in general,and technological progress is the key factor affecting the green innovation capacity.From the view of spatial-temporal evolution,China's green innovation capacity shows a regular wave of convergence,differentiation,and convergence.China's green innovation has σ convergence andβ convergence,which has positive market effect,regulation effect and support effect,negative structure effect and open effect as well.In order to promote China's and regional green innovation capacity,strategies such as actively cultivating technology trading market,guiding the industrial upgrading,improving environmental regulations and committing the scientific research funds should be taken.In addition,it is encouraged to scientifically distribute the foreign business and investment,and to restrict access of those high polluted and high energy consumed industries.%基于全局SBM方向距离函数和全局Malmquist-Luenberger指数(GML指数)对2003～2013年中国省际绿色创新能力进行测算,并对其时空演变规律和收敛性进行了分析.研究表明:中国绿色创新GML指数整体上呈现增长的趋势,技术进步是其变动的关键因素.从时空演变角度来看,中国绿色创新能力呈现“趋同—分异—趋同”的规律性波动.中国绿色创新能力存在σ收敛和β收敛,具有正向的市场效应、规制效应和扶持效应,也具有负向的结构效应和开放效应.为提升中国及各区域的绿色创新能力,应当积极培育技术交易市场、引导产业升级、完善环境规制和落实科研经费,此外,在鼓励外商投资的同时要科学布局招商引资,限制高污染、高能耗的产业进入.【期刊名称】《管理学报》【年(卷),期】2017(014)010【总页数】9页(P1475-1483)【关键词】绿色创新能力;全局Malmquist-Luenberger指数;收敛;时空分异【作者】刘章生;宋德勇;弓媛媛【作者单位】江西师范大学城市建设学院;华中科技大学经济学院;华中科技大学经济学院;河南财经政法大学经济学院【正文语种】中文【中图分类】C93近30多年来，我国社会经济发展取得了巨大成就，但高投资、高能耗和高排放的粗放型增长方式也带来了严重的资源和环境负担。
地理探测器应用研究综述
地理探测器应用研究综述一、地理探测器原理与功能1.1 用途与目的地理学第二定律的核心思想是地理现象的空间（分层）异质性，其普遍存在于各种地理现象中。
空间分层异质性（spatial stratified heterogeneity），层内方差小于层间方差的地理现象。
即同一地理现象在同一子区域内表现出相似性，但在不同子区域间的分布呈现差异性，例如土地类型、气候分区等。
此处，层（strat）是统计学上的概念，对应地理学可理解为子区域。
地理探测器是探测空间分异性以及揭示其背后驱动力的空间分析方法，被广泛用于进行驱动力分析和因子分析。
其核心思想是基于这样的假设：如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性。
地理分异可以利用地理探测器进行统计分析，其有两大优势：一是地理探测器既可以探测数值型数据，也可以探测定性数据；二是可以探测两因子交互作用于因变量。
地理探测器通过分别计算和比较各单因子q值及两因子叠加后的q值，可以判断两因子是否存在交互作用，以及交互用用的强弱、方向、线性还是非线性等。
两因子叠加既包括相乘关系，也包括其他关系，只要有关系，就能检验出来。
ref : 王劲峰,徐成东.地理探测器:原理与展望[J].地理学报,2017,72(01):116-134.1.2 功能原理地理探测器用于分析空间分层异质性，主要包括4个探测器（因子探测器、交互作用探测器、风险区探测器、生态探测器），分析结果可分别回答以下问题：（1）是否存在空间异质性？什么因素造成了这种分层异质性？（2）变量Y是否存在显著的区际差别？（3）因素X之间的相对重要性如何？（4）因素X对于因素Y是独立起作用还是具有广义的交互作用？分异及因子探测因子探测旨在探测Y的空间分异性以及探测某因子X多大程度上解释了属性Y的空间分异，用q值度量(Wang et al.,2010b)，表达式为：式中：h = 1，…, L为变量Y或因子X的分层，即分类或分区；Nh和N分别为层h和全区的单元数；σ2h和σ2分别是层h和全区的Y值的方差。
基于地理探测器的青藏高原多年冻土分布影响因子分析
第43卷第1期冰川冻土V ol.43，No. 1 2021 年2 月JOURNAL OF GLACIOLOGY AND GEOCRYOLOGY Feb. , 2021 D O I： 10. 7522/j. issn. 1000-0240. 2019. 0063X I A O Y a o,Z H A O Lin, Z O U D e f u.et al. A n a l y s e s o f the influence factors o f p e r m a f r o s t distribution o n the Q i n g h a i-T i b e t Plateau b a s e d o ng e o g r aphical detector[J]. Journal o f G l a c i o l o g y a n d G e o c r y o l o g y，2021,43( 1) :311-321.[肖瑶，赵林，部德富，等.基于地理探测器的青藏高原多年冻土分布影响因子分析[J].冰川冻土，2021，43( 1):311-321.]基于地理探测器的青藏高原多年冻土分布影响因子分析肖瑶\赵林、邹德富'，刘世博'马露I.2,应雪\刘艺阗h2(1.中国科学院两北生态环境资源研究院冰冻圈科学M家重点实验室藏北高原冰冻_特殊环境与灾害国家野外科学观测研究站，甘肃六州730000;2.中国科学院大学，北京100049)摘要：多年冻土的分布会受到局地地质、地形地貌和地表覆被等因素的影响为探究各因子对多年冻土分布的影响强弱，选择青藏高原五个典铟多年冻土IX:为研究K,基于M O D I S和S R T M D E M数据提取研究K内2003—2012年平均地表温度、N D V丨、地表反照率、积雪日数和坡度、坡向等因子，并采用地理探测器模型研究了各因子对研究区多年冻土分布的影响程度及差异：结果表明：在所有研究区内，地表温度是影响多年冻土分布最强的因子，其次为积雪日数。
绿色生态效率时空分异特征及其影响因素研究
绿色生态效率时空分异特征及其影响因素研究目录1. 绿色生态效率时空分异特征 (2)1.1 内容概括 (3)1.2 研究背景与意义 (3)1.3 文献综述 (5)1.4 研究方法与数据来源 (6)1.5 时空分异特征的描述与分析框架 (7)1.6 研究区域概况与边界划分标准 (9)1.7 研究指标体系与标准构建 (9)2. 绿色生态效率的计算与评估方法 (10)2.1 绿色生态效率的定义与理论基础 (11)2.2 计算模型设计与参数选取 (12)2.3 数据处理与预处理方法 (13)2.4 结果展示与分析工具 (15)3. 全国绿色生态效率的时空特征 (16)3.1 摘要与背景介绍 (17)3.2 时空演变趋势分析 (18)3.3 不同省(自治区、直辖市)间的比较 (19)3.4 主要影响因素的识别 (22)3.5 讨论与建议 (24)4. 绿色生态效率提升的驱动因素研究 (25)4.1 环境质量优化对绿色生态效率的影响 (27)4.2 资源利用效率提高的贡献分析 (28)4.3 科技进步在绿色节能减排方面的作用 (29)4.4 社会经济条件对绿色生态效率的可能影响 (31)5. 案例研究 (32)5.1 研究区选择与研究目的 (33)5.2 案例一 (34)5.3 案例二 (35)5.4 案例三 (36)5.5 政策建议与落实措施对比 (37)6. 展望与未解决问题 (38)6.1 研究不足与未来研究方向 (39)6.2 进一步讨论的未来研究趋势 (41)1. 绿色生态效率时空分异特征绿色生态效率(GEE)是指一个地区在生产和消费过程中，能够有效地利用自然资源，减少环境退化和污染，实现可持续发展的能力。
“时空分异特征”指的是同一个绿色生态效率指标在不同时间和空间上的变化和发展模式。
这可能包括分析不同时间段（如季度、年度）的绿色生态效率变化趋势，以及不同地理区域（如城市、乡村、不同省份）的绿色生态效率差异。
中国区域绿色经济效率评价及对策研究
Vol.43/No.02/Westleather 中国区域绿色经济效率评价及对策研究蒋国阳(福建师范大学经济学院，福建福州350108)摘要：本文通过非径向非导向SBM模型测算了2003-2017年中国30个省级行政区的绿色经济效率,并将30个省级行政区划分为东部、中部、西部和东北四个区域，对各区域绿色经济效率均值变化特征进行分析，得出以下结论：(1)各区域之间的绿色经济效率存在巨大差距，东部地区远高于全国平均水平，其他地区则低于全国平均水平&(2)从时序上看，各区域的绿色经济效率变化趋势分化严重，东部地区表现为稳定增长的特征，其他地区表现为停滞甚至下降的特征&根据以上结论，又提出以下四点建议：(1)推动科技创新&(2)完善环境保护监督体系&(3)促进区域协调发展&(4)积极参与经济全球化&关键词：绿色经济效率；SBM模型；区域差距中图分类号：F061文献标志码：A文章编号：1671-1602(2021)02-0077-021引言及研究现状改革开放以来，我国经济发展取得了举世瞩目的成就，一跃成为世界第二大经济体&然而，长期粗放的经济发展方式也暴露出许多问题，资源消耗过多、污染排放严重、贫富差距拉大等问题带来许多负面的影响&面对这一形势，党的十八大提出要大力推进我国生态文明的建设，要以尊重自然、顺应自然、保护自然的生态文明理念为指导，实现经济的绿色可持续发展&在此背景下构建科学的评估我国经济发展质量的指标体系显得尤为重要&绿色经济效率是一种兼顾生态效益和经济效益的经济效率，能够较好的衡量一个地区的经济发展质量，因此本文将构建一个科学的绿色经济效率评价指标体系&对于绿色经济效率的测算，国内外学者大多采用数据包络分析方法(DEA)，但在具体模型的选择上有所区别&最初的CCR模型和BBC模型没有将环境因素考虑在内，因此不能处理以污染物为代表的非期望产出，具有很大的局限性&面对这一问题，Tone (2001)首次提出了基于非期望产出的非径向非导向的SBM模型，该模型将污染物作为非期望产出，使测算出的经济效率具有更为丰富的意义&我国多数学者就是通过这一方法对我国绿色经济效率进行了测算，如钱争鸣(2013)、吴齐(2017)等就采用SBM模型测算我国各省区的绿色经济效率&另一方面，构建科学的绿色经济效率评价指标体系也一直是学术界研究的热点&王亚平等(2017)是以劳动力、资本、能源作为投入指标，以GDP作为期望产出指标,以二氧化硫排放量、工业废水排放总量、工业固体废弃物排放量作为非期望产出构建了绿色经济效率评价指标体系；斑斓等(2016)则是以物质资本、人力资本和能源为投入要素，以GDP为合意产出，以C02、工业废气排放总量、S02排放总量、烟尘排放总量等10个指标为非合意产出构建绿色经济效率评价指标体系&上述学者在构建绿色经济效率评价指标体系的过程中做出了巨大的贡献，但在具体指标的选取中仍存在不足&庇古提出的福利经济学认为，只有资源得到合理配置，国民收入得以增加，收入分配实现公平，社会福利总量才能最大化&因此，以往学者在构建评价指标体系时未将民生指标纳入，本文认为经济的可持续发展不再仅仅表现为经济效率的提升，生态环境和居民生活质量也应当受到各方的重视&由此本文结合以往学者经验和自身的理解,以劳动、资本及能源消耗为投入指标，以工业“三废”为非期望产出指标，以GDP和城乡居民收入出，采用出的SBM型算我国30个省级行政区的绿色经济效率，进而分析我国及各省的经济发展质量，最后针对存在的问题，提出有效的政策建议&2经济经济效率的测算及分析2.1经济经济效率测算方法本文将采用Tone提出的基于非径向非导向的SBM模型，该模型能很好解决无效率DMU测算中没有包含松弛变量的问题，也能较好处理存在非期望产出的问题&该模型数学公式如下：1-丄P二m4-----------.------------------------厂丁1+—^―(#工+#—).入+%=&-S+二+B A+%=—",%",s+,%"$0上述模型中，P表示为被评价DMU的绿色经济效率，其是关于%、％和％"的严格递减函数&当p二1时,表示该DMU有效，此时％、%+和％均为0；当p小于1，则说明DMU是无效的，在投入和产出两个角度存在改进的必要&2.2指标选取及数据说明结合以往学者的经验，并在其基础上进行适当改进，本文将各省的资本存量、劳动力、能源消费量作为投入变量，以各省的国内生产总值、城乡居民人均可支配收入作为期望产出变量，以各省的工业废水排放总量、工业SO?排放总量、工业烟粉(尘)排放总量作为非期望产出变量&其中由于各省统计年鉴没有提供资本存量的数据，本文将参考单豪杰(2008)的方法，采用永续盘存法，以10.96%为折旧率，计算得到各省的资本存量；劳动力以各省年末就业人数表示；能源消费量以各省能源消耗总量表示&本文数据选自2003-2017年全国30个省份的面板数据(由于部分数据的不可得性，不包括西藏及港澳台地区)，取自历年的《环境统计年鉴》、《中国人口与就业统计年鉴》、《中国能源统计年鉴》，对于个别年份缺失的数据，本文采用插值法补齐&作者简介：蒋国阳(1995—),男，汉族，浙江金华，在读硕士研究生，西方经济学，福建师范大学经济学院&77THEORNS AND RESEARCH 理论与研究2. 3绿色经济效率测算结果与分析利用M f DEA软件测算2003-2017年中国30个省级行政区的绿色经济效率，并将30个省级行政区划分为东部、中部、西部以及东北部四个地区，其变化特征如图1所示&第一，2003-2017年我国绿色经济效率均值呈现出东部、东北、西部和中部依次递减的特征，东部位于全国均值以上，中、西部处于全国均值以下，而东北地区从高于全国均值变为低于全国均值，并被中、西部连超越&东部地区是我国改革开放的前沿，得天独厚的地理优势和政策优势，使其经济发展水平处于全国领先的地位，此外技术、资本等要素的聚集推动了东部地区率先进行经济的转型升级，因此其绿色经济效率远高于其他区域；中部地区和西部地区受益于西部大开发和中部崛起的战略，在接受东部的产业转移后，经济生产效率得到巨大提升，另一方面其所承接的产业大多是污染产业，因此其绿色经济效率与东部地区相比仍有较大差距；东北地区作为共和国的长子％其经济发展水平曾一度处于全国前列&然而，近些年其所存在的深层次经济结构问题不断暴露%缺乏对新经济产业的培育，造成经济发展持续低迷％因而其绿色经济效率快速的下降，接连被中、西部地区超越，这种不利的态势需要当地政府得以重视&第二，我国各区域绿色经济效率变化趋势分化严重&东部地区的绿色经济效率表现为稳定增长特征，中部及西部地区表现为波动起伏的特征，而东北地区则呈现出持续下降的趋势，尤其自2011年以来，这种下降的趋势尤为明显&可能的原因是，虽然近些年我国各地方政府开始推动产业结构升级和加大生，但是所采取的政策的引导作用和支持力度还不足，导致效果不够，甚至出现倒退&东北三省的产业结构升级步伐并不顺利，经济呈现出持续下滑的状态％此外部分地方政府没有很好落实企业污染物的减排工作％这些因素共同作用导致了上述地区绿色经济效率的停滞&述的分析显示，我国绿色经济效率并没有得到显著的提高%甚至还存在着进一步下降的危险&我国经济发展过程中仍存在：水平不足、传统制造业转型升级缓慢和生态环境质量偏低等急需解决的问题&由此可见，实现经济的绿色可持续发展必须坚持发展质量第一，加速创新推动经济增长的步伐，提升生产效率，同时要减的负面影响，不断的提高绿色经济效率，从而会经济效益和社会生态效益的统一&-♦—全国一■一东部T—中部—西部一―东北图12003-2017中国及各区域绿色经济效率变化折线图3结论与建议3.1结通过测算2003-2017年我国30个省级行政单位的绿色经济效率，并将其划分为东、中、西和东北四个区域进行分析，得出以下结论：第一，各区域之间的绿色经济效率存在巨大差距，东部地区远高于全国平均水平，其他地区则低于全国平均水平；第二，从时序上看，各区域的绿色经济效率变化趋势分化严重，东部表现为稳定增长的特征，中西部地区表现为波动起伏的特征，东北地区表现为持续下降的特征，我国总体的绿色经济效有得到提%有下降的&3.2根据以上结论，本文提出以下建议：第一，推动&一方面，要加大对高科技企业的扶持力度，对符合件的业采收、资金奖励等手段，以提高我国高科技企业创新的积极性；另一方面，积极引导社会资本流向科技创新领域，鼓励民间资本和金融机构加大对高科技企业的融资支持；最后要培育社会群众的创新观，形成尊重创新、的会共&第二，完善环境保护监督体系&针对出现的环境污染事件，制定有效的与法律，遏制生态环境的进一步恶化；构建完善的环保监督体制，成立专门的环保监督部门，推动环保监督部门与其他部门的合作％提高执法水平；提监督部门员工责任意识，加强对环保监督部门工作的考核&，促进区域协调发展&中央政府要统筹规划各区域的经济发展目标，推动各区域政府部门之间进行经验交流，鼓励互相借鉴，互相学习；要继续加大对经济发展落后地区的扶持力度，鼓励发达地区对欠发达地区给予资金、技术等方面的帮扶&第四，积极参与经济全球化&各地方政府要鼓励本地区企业深度参与国际竞争％通过引进国外先进技术、管理制度等提高自身的竞争力；化的国际市场，顺应国家新的发展战略，加强与“一带一路”国家的经贸往来，培育广阔的海外市场&参考文献：)1*Tone K.A slacks-based measure of efficiency in data envelopment analysis)J*.European joueiaS of operationaS research,2001%130(3):498-509.[2*钱争鸣，刘晓晨.中国绿色经济效率的区域差异与影响因素分析[J].中国人口•资源与环境%2013%23(07)：104-109. [3*吴齐％杨桂元•我国区域绿色经济效率的评价与分析[J].统计与决策%2017(17):67-71.[4*王亚平，程7%任建兰•城镇化对绿色经济效率的影响[J*•城市问题,2017(08)：59-66.[5*班斓％袁晓玲.中国八大区域绿色经济效率的差异与空间影响机制)J*•西安交通大学学报(社会科学版)％2016%36(03)：22-30.[6*单豪杰.中国资本存量K的再估算：1952~2006年[J*.数量经济技术经济研究，2008%25(10):17-31.78。
基于地理探测器的中国国家级开发区时空演化过程及其驱动力研究
力研究
目录
01 一、引言
03 三、驱动力分析
02 二、中国国家级开发 区的时空演化过程
04 四、结论
05 五、建议
07 参考内容
目录
06 六、总结
一、引言
中国自上世纪80年代以来，为加快经济发展，提升国际竞争力，设立了一系列 国家级开发区（以下简称“国家级区”）。这些开发区在空间分布和功能定位 上具有明显的差异，同时也受到不同的区域经济、政策导向和社会环境等多重 因素的影响。因此，研究这些开发区的时空演化过程及其驱动力，对于理解中 国经济发展的地域差异，制定更为合理和有效的区域政策具有重要意义。
通过地理探测器对内蒙古地区NDVI数据的分析，我们发现自20世纪90年代以 来，内蒙古地区的NDVI总体上呈现出明显的增加趋势，尤其在东部和中部地区。 然而，在人类活动密集的地区，如城市和部分农牧交错带，NDVI的变化趋势并 不明显。
驱动力分析
NDVI的时空变化受到多种因素的影响，包括气候因素和人类活动等。气候因素 如气温、降水等对植被的生长和分布有着决定性的作用。在内蒙古地区，气温 的升高和降水的增加导致部分地区的植被生长条件得到改善，进而影响了NDVI 的变化。
谢谢观看
四、结论
中国国家级开发区的时空演化过程受到多重力量的影响，包括国家的政策导向、 区域经济的发展以及社会环境的改变等。这些驱动力量在不同的时间和空间维 度上发挥了不同的作用，推动了中国经济的快速发展。然而，随着全球经济环 境的变化和国家战略的调整，国家级开发区也需要适应新的发展趋势，寻求新 的发展动力。
未来研究方向应如何通过政策创新、科技创新和模式创新来推动国家级区的持 续发展，实现更高质量、更可持续的经济发展。同时，还需要进一步研究如何 通过优化空间布局和产业结构，促进国家级区与城市群、产业集群的协同发展， 提升整体经济效率和发展潜力。
重点区域林地时空变化特征及驱动力分析
中国农业大学学报2021，26(3): 164-175 http：//zgnydxxb. ijournals. cn Journal of C h i n a Agricultural University D O I：10. 11841/j. issn. 1007-4333. 2021. 03. 17重点区域林地时空变化特征及驱动力分析崔绿园U2李晶〃邓晓娟1王媛1楚晶晶1(1.中国矿业大学（北京）地球科学与测绘丁程学院，北京100083;2.中国国土勘测规划院自然资源部土地利用重点实验室，北京100035)摘要针对林地的保护与建设问题，选取我国3大林区中林地面积占辖区比最高的黑龙江省、广西壮族自治区和云南省.结合土地利用遥感监测数据和社会经济数据，采用土地利用变化动态度、聚类分析、核密度估计、主成分分析等方法，进行像元尺度的长时序林地时空变化及驱动力研究。
结果表明：1)1980—2015年，黑龙江、广西和云南的林地面积均为净减少，黑龙江省的净减少面积最大；2)该3省（自治区）的林地转化集中在林地和耕地、草地之间，在林地二级类型转化中.有林地的变化最为明显；3)该3省（自治区）林地空间分布的集聚程度35年来均未发生较大波动.林地退化区域集中且范围较小；4)城镇化率和交通发展水平、经济发展水平是影响林地面积变化的主要驱动力。
本研究为林地资源的监测、管理和可持续发展提供参考。
关键词林地；时空变化；核密度估计；驱动力中图分类号S771.8文章编号1007-4333(2021)03-0164-12 文献标志码AAnalysis of spatial and temporal change characteristics offorest land and its driving forces in key areasCUI Lvyuan1,2，LI Jing1*，DENG Xiaojuan1，WANG Yuan1，CHU Jingjing1(1. College of Geoscience and Surveying Engineering, China University of Mining and Technology (B eijing)，巳eijing 100083，China;2. Key Laboratory of Land Use of Ministry of Natural Resources, China Land Surveying and Planning Institute, Beijing 100035, China)Abstract Forest land plays an important role in the construction of national ecological civilization. In view of the protection and construction of forest land, Heilongjiang Province, Guangxi Zhuang Autonomous Region and Yunnan Province with the highest proportion of forest land area in the three major forest regions of China were selected. Based on the remote sensing monitoring data of land use and socio-economic data, the spatial-temporal changes analysis and driving force analysis of forest land with long time series at pixel scale were studied by using land use change dynamics, cluster analysis, nuclear density estimation and principal component analysis. The results showed that：1) From 1980 to 2015，the forest land area of Heilongjiang, Guangxi and Yunnan all decreased，and the area ofHeilongjiang Province decreased the most. 2) The transformation of forest land in three provinces was concentrated between forest land, cultivated land and grass land. Among the conversion of second classification, the change of forest land was the most obvious. 3) There was no significant fluctuation in the degree of spatial distribution of forest land in three provinces over the past 35 years, and the forest land degradation area was concentrated and small in scope. 4) The urbanization rate, transportation development level and economic development level were the main driving forces affecting the change of forest. This study provided reference for the monitoring, management and sustainable development of forest resources.Keywords forest land；spatial and temporal change；nuclear density estimation；driving force收稿日期：2020-07-28基金项目：“十三五”国家重点研发计划（2016Y F C0501101-4);自然资源部土地利用重点实验室开放研究项目（20191511232);国家自然科学基金项目（41501564)第一作者：崔绿园，硕士研究生，E-m a i l:8426**********o m通讯作者：李晶，教授，主要从事土地利用与土地复垦、生态遥感及3S集成应用等研究，E-m a il:******************.cn第3期崔绿园等：重点区域林地时空变化特征及驱动力分析165林地在区域和全球的生态系统过程中扮演重要的角色[1]，合理开发和利用林地资源，关系到国家生态文明建设和社会经济的可持续发展[2]。
中国省域绿色创新效率与绿色发展效率耦合协调研究
随着全球环境问题的严重，中国政府也已将绿色发展摆上了重要的议程。
作为中国经济的主要推动力量，省域经济的绿色创新效率与绿色发展效率的耦合协调是促进中国绿色经济发展的重要方面。
本文将从理论模型和实证数据两个方面探索中国省域绿色创新效率与绿色发展效率的耦合协调问题，并提出相关政策建议。
一、理论模型基于Stochastic Frontier Analysis ( SFA)模型，本文以中国31 个省级单位为研究样本，分析其绿色创新效率和绿色发展效率的耦合协调情况。
绿色创新效率(GIE)指单位能源消耗下生产出的GDP，是衡量单位能源利用效率的指标。
绿色发展效率(GDE)指绿色投资和绿色资源利用等与环境保护相关的生产要素投入与各项环境支出的关系，是衡量单位经济增长与环境保护的综合指标。
SFA 模型可以建立GIE 和GDE 的生产函数模型，通过最大似然法估计模型参数，得出各省绿色创新效率和绿色发展效率的计算值。
根据实际数据的分析结果，可以得出GIE 和GDE 的绝对效率值。
绝对效率值较高的省份往往具有更强的绿色创新能力和更为成熟的环境保护政策，但由于省级间地理、历史和文化等因素的影响，绝对效率值并不能充分反映出省级单位的有效资源利用情况。
因此，还需将对数变换应用于得出相对效率值，以消除各省份间的差异以及数据的不均匀性。
相对效率值用于建立CCR 模型和BCC 模型，计算各省份的综合效率和规模效率。
二、实证分析通过对31 个省级单位的数据进行分析，可以得出以下结论：首先，中国省级单位的绿色创新效率和绿色发展效率存在显著的差异。
绿色创新效率相对较高，而绿色发展效率相对较低。
这表明，在保护环境的同时，中国省级单位也需要加强环境保护意识及政策的有效落实。
其次，绿色创新效率与绿色发展效率之间存在一定的正相关性。
高绿色创新效率往往意味着国家在技术研发方面投入更多，也意味着省级单位有能力使用更少的资源实现更高的GDP 增长率。
基于地理探测器的绿色经济效率时空分异及驱动力研究
Research on the spatial-temporal differentiation and driving force of green economic efficiency based on the geographic detector model 作者： 辛龙[1,2];孙慧[1,2];王慧[1,2];肖涵月[1,2]作者机构： [1]新疆大学新疆创新管理研究中心,新疆乌鲁木齐830046;[2]新疆大学经济与管理学院,新疆乌鲁木齐830046出版物刊名： 中国人口·资源与环境页码： 128-138页年卷期： 2020年 第9期主题词： 绿色经济效率;时空格局;驱动力;异质性;地理探测器模型摘要：绿色经济效率(GEE)提升是经济绿色、高质量发展的“助推剂”。
该研究基于Undesirable SBM模型测度2007-2017年我国大陆30个省份的GEE,利用空间自相关及冷热点分析法,探究GEE的时空演变特征,运用地理探测器模型进一步揭示其驱动力的空间异质性。
结果表明:①GEE呈“U形尾波”的阶段性特征,整体上由“小差距高效率”向“大差距低效率”动态演进,区域间形成“东-中-西”阶梯式递减的分异格局,“分化”与“极化”现象日益加剧。
②GEE存在显著的“倒U型”空间关联性,总体呈“东热西冷”的空间分异特征,“极化-涓滴”效应有所凸显。
其中,GEE热点区范围逐渐扩大,呈现零星面状分布向沿海带状蔓延的演进格局,次冷点区范围有所缩小,而次热点区和冷点区变化微弱,空间格局基本稳定。
③GEE提升的驱动力全局差异不突出,但局域尺度差异显著。
东、中、西部GEE提升的核心驱动力分别是:东部为政府干预、对外开放水平和技术创新水平;中部为能源强度、教育投入和市场化水平;西部为人力资本、能源强度、城市规模、教育投入、技术创新水平、环境规制和互联网普及率。
基于此,东、中、西部要因势而谋、因地制宜。
基于地理探测器的太行山NDVI时空变化及其驱动力分析
江西农业学报㊀２０２１，３３（０６）：９８ １０４ＡｃｔａＡｇｒｉｃｕｌｔｕｒａｅＪｉａｎｇｘｉ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ＤＯＩ：１０．１９３８６／ｊ．ｃｎｋｉ．ｊｘｎｙｘｂ．２０２１．０６．０１７基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析王炜，刘海新，高叶鹏，文韶鑫㊀㊀收稿日期：２０２０－１０－１２基金项目：河北省社会科学发展研究课题（２０１９０３１２０３００３）；河北省邯郸市科技项目（１７２１２０３０４８－２）㊂作者简介：王炜（１９９５─），女，河南郑州人，硕士研究生，研究方向：生态环境遥感㊂（河北工程大学矿业与测绘工程学院，河北邯郸０５６０３８）摘㊀要：基于１９８２ ２０１５年ＧＩＭＭＳＮＤＶＩ数据，探究了太行山３４ａ来的植被覆盖状况，分析了ＮＤＶＩ的空间分布特征及其趋势变化；同时，基于地理探测器模型，结合自然因素和人为因素，探讨了各因子对太行山ＮＤＶＩ空间分布影响力的大小㊂结果表明：（１）太行山区的ＮＤＶＩ呈现波动上升的趋势，植被覆盖状况总体以改善为主；（２）各因子对ＮＤＶＩ分布影响程度的排序为：气温＞坡向＞土壤类型＞降水量＞地貌＞植被类型＞ＤＥＭ＞坡度＞人口＞ＧＤＰ，其中气温㊁坡向㊁土壤类型㊁降水的影响力均大于１０％，而ＧＤＰ和人口均小于１％；（３）任意２个影响因素的交互作用都为增强，其中气温和坡向结合对研究区ＮＤＶＩ空间分布的影响力最大（ｑ＝０．３２８１）㊂人为因素在与自然因素相互作用之后，影响力有了很大幅度的提升㊂关键词：ＧＩＭＭＳ－ＮＤＶＩ；太行山；空间分布；地理探测器；驱动力中图分类号：Ｘ８７㊀文献标志码：Ａ㊀文章编号：１００１－８５８１（２０２１）０６－００９８－０７ＡｎａｌｙｓｉｓｏｆＳｐａｔｉｏｔｅｍｐｏｒａｌＣｈａｎｇｅｓａｎｄＤｒｉｖｉｎｇＦｏｒｃｅｓｏｆＮＤＶＩｉｎＴａｉｈａｎｇＭｏｕｎｔａｉｎＢａｓｅｄｏｎＧｅｏｇｒａｐｈｉｃＤｅｔｅｃｔｏｒＷＡＮＧＷｅｉ，ＬＩＵＨａｉ－ｘｉｎ，ＧＡＯＹｅ－ｐｅｎｇ，ＷＥＮＳｈａｏ－ｘｉｎ（ＣｏｌｌｅｇｅｏｆＭｉｎｉｎｇａｎｄＧｅｏｍａｔｉｃｓ，ＨｅｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｈａｎｄａｎ０５６０３８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＢａｓｅｄｏｎＧＩＭＭＳＮＤＶＩｄａｔａｆｒｏｍ１９８２ｔｏ２０１５，ｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｓｔａｔｕｓｏｆＴａｉｈａｎｇＭｏｕｎｔａｉｎｉｎｔｈｅｐａｓｔ３４ｙｅａｒｓｗａｓｅｘｐｌｏｒｅｄ，ａｎｄｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｃｈａｎｇｅｔｒｅｎｄｗｅｒｅａｎａｌｙｚｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ａｇｅｏｇｒａｐｈｉｃｄｅｔｅｃｔｏｒｍｏｄｅｌｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｐｒｉｎｃｉｐｌｅｗａｓｕｓｅｄｔｏｅｘｐｌｏｒｅｔｈｅｉｎｆｌｕｅｎｃｅｏｆｖａｒｉｏｕｓｆａｃｔｏｒｓｏｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＮＤＶＩｉｎＴａｉｈａｎｇＭｏｕｎｔａｉｎ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅＮＤＶＩｏｆＴａｉｈａｎｇＭｏｕｎｔａｉｎａｒｅａｓｈｏｗｅｄａｎｕｐｗａｒｄｔｒｅｎｄｏｆｆｌｕｃｔｕａｔｉｏｎ，ａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｗａｓｍａｉｎｌｙｉｍｐｒｏｖｅｄ．ＦｏｒＮＤＶＩｓｐａｔｉａｌｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ，ｔｈｅｏｒｄｅｒｏｆｉｎｆｌｕｅｎｃｅｄｅｇｒｅｅｏｆｅａｃｈｆａｃｔｏｒｗａｓａｓｆｏｌ⁃ｌｏｗｓ：ｔｅｍｐｅｒａｔｕｒｅ＞ａｓｐｅｃｔ＞ｓｏｉｌｔｙｐｅ＞ｐｒｅｃｉｐｉｔａｔｉｏｎ＞ｌａｎｄｆｏｒｍ＞ｖｅｇｅｔａｔｉｏｎｔｙｐｅ＞ＤＥＭ＞ｓｌｏｐｅ＞ｐｏｐｕｌａｔｉｏｎ＞ＧＤＰ．Ｔｈｅｉｎ⁃ｆｌｕｅｎｃｅｏｆｔｅｍｐｅｒａｔｕｒｅ，ａｓｐｅｃｔ，ｓｏｉｌｔｙｐｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｗａｓｍｏｒｅｔｈａｎ１０％，ｗｈｉｌｅＧＤＰａｎｄｐｏｐｕｌａｔｉｏｎｗｅｒｅｌｅｓｓｔｈａｎ１％．Ｔｈｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎａｎｙｔｗｏｆａｃｔｏｒｓｗａｓｅｎｈａｎｃｅｄ，ａｎｄｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｅｍｐｅｒａｔｕｒｅａｎｄａｓｐｅｃｔｈａｄｔｈｅｇｒｅａｔｅｓｔｉｎｆｌｕｅｎｃｅｏｎｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＮＤＶＩｉｎｔｈｅｓｔｕｄｙａｒｅａ（ｑ＝０．３２８１）．Ａｆｔｅｒｔｈｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎｈｕｍａｎｆａｃｔｏｒｓａｎｄｎａｔｕｒａｌｆａｃ⁃ｔｏｒｓ，ｔｈｅｉｎｆｌｕｅｎｃｅｈａｓｂｅｅｎｇｒｅａｔｌｙｉｍｐｒｏｖｅｄ．Ｋｅｙｗｏｒｄｓ：ＧＩＭＭＳ－ＮＤＶＩ；ＴａｉｈａｎｇＭｏｕｎｔａｉｎ；Ｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ；Ｇｅｏｇｒａｐｈｉｃａｌｄｅｔｅｃｔｏｒ；Ｄｒｉｖｉｎｇｆｏｒｃｅ㊀㊀植被是环境生态系统的重要组成部分，在保持土壤㊁调节气候和维持生态环境稳定方面发挥着十分重要的作用［１］㊂归一化植被指数（ＮＤＶＩ）能够对植被生长状态进行检测，是表征区域地表植被覆盖的最佳指示因子［２］㊂随着环境的变化和人类社会的发展，人们对于生态环境的保护越来越重视，ＮＤＶＩ的分布状况和影响因素也越来越受到人们的关注［３－８］㊂太行山区主要分布在半湿润和半干旱区域，气候类型主要为暖温带半湿润大陆性季风气候㊂其位于我国华北平原和黄土高原的过渡地区，保护着京津冀和华北平原地区，但同时也是生态敏感区，自然生态环境容易受到自然和人为因素的干扰，又是我国水土流失情况较为严重的地区之一［９－１１］㊂目前，已有大量文献基于ＮＤＶＩ数据对植被的动态变化进行相关研究，以ＮＤＶＩ代表研究区植被状况得到了广泛的应用［１２－１５］㊂例如，代子俊等［１６］利用ＧＩＭＭＳＮＤＶＩ３ｇ．Ｖ１数据分析了青海省３４ａ生长季节植被的ＮＤＶＩ时空变化特征，结果表明，近３４ａ青海省的ＮＤＶＩ呈增长趋势，且大部分区域的植被呈改善趋势㊂张亮等［１７］利用ＧＩＭＭＳＮＤＶＩ数据探讨了长江流域地区的植被覆盖变化特征，以及植被对气候和人类活动干扰的响应机制，发现长江流域６９．７７％区域植被覆盖度呈上升趋势㊂关于太行山区以往的植被覆盖状况研究中，研究时期大多是从２０００年开始，且对影响因素的探究多为气象因素，即气温和降水为主，辅以高程㊁坡度等地形影响因素［１０，１１，１８，１９］㊂因此本文基于１９８２ ２０１５年的ＧＩＭＭＳＮＤＶＩ数据，探讨了太行山区３４ａ的植被变化特征，并使用地理探测器工具，定量分析了多种影响因素对研究区ＮＤＶＩ影响力的大小㊂１㊀研究区概况太行山区位于３４．５７ʎ ４０．７８ʎＮ，１１０．２３ʎ １１６．５８ʎＥ之间，位于山西省与华北平原之间，总体呈东北－西南走势，山脉绵延４００余ｋｍ㊂它处于中国地形第二阶梯的东部，地形整体呈现北面高南面低特征，海拔大部分在１２００ｍ以上㊂研究区内由于高程和地理位置的变化，导致植被生长和分布情况也呈现出一定的差异，其中农田或建设用地多分布在较为平坦的地区，而地形陡峭地段多为林地或草地［１１］，东西部的植被类型也有较大的差异，东部主要是以落叶阔叶林为主，而西侧则主要是森林草原［２０］㊂２㊀研究数据与方法２．１㊀数据来源及预处理研究数据包括ＮＤＶＩ㊁气温㊁降水㊁高程㊁地貌㊁土壤类型㊁植被类型㊁ＧＤＰ和人口㊂ＮＤＶＩ数据来源于来自于ＮＡＳＡ官网（ｈｔｔｐｓ：／／ｅｃｏｃａｓｔ．ａｒｃ．ｎａｓａ．ｇｏｖ／ｄａｔａ／ｐｕｂ／ｇｉｍｍｓ／３ｇ．ｖ１／），温度和降水数据下载于国家气象数据中心（ｈｔｔｐ：／／ｄａｔａ．ｃｍａ．ｃｎ／），其余数据均来源于资源环境云平台（ｈｔｔｐ：／／ｗｗｗ．ｒｅｓｄｃ．ｃｎ）㊂ＮＤＶＩ数据的时间跨度为１９８２年的１月至２０１５年的１２月，空间分辨率为８ｋｍˑ８ｋｍ，时间分辨率为１５ｄ［２１］㊂温度和降水量数据是由中国地面气候资料月值数据集通过插值得到的，其余数据为处理好的栅格数据集㊂从高程数据中提取坡度和坡向数据后，对影响因素数据进行裁剪和重采样等预处理，使其与ＮＤＶＩ数据具有相同的投影坐标并保持像元大小一致㊂根据曹峰等［２２］的研究，对数值量数据气温㊁降水㊁ＤＥＭ㊁坡度㊁ＧＤＰ㊁人口和ＮＤＶＩ进行分类处理，而类型量数据坡度㊁土壤类型㊁植被类型和地貌数据采用直接整理的方式㊂之后在ＡｒｃＧＩＳ软件中，按照８ｋｍˑ８ｋｍ的格网，生成２０６６个各网点㊂２．２㊀研究方法２．２．１㊀最大值合成法㊀最大值合成法可以进一步消除大气㊁云㊁太阳高度角等对遥感影像的影响，在国内外被广泛应用［１０，２３］㊂因此本文采用该方法，以１５ｄ的ＮＤＶＩ数据为基础，获取研究区的月ＮＤＶＩ数据㊂其计算公式如下㊂ＮＤＶＩｍ＝Ｍａｘ［ＮＤＶＩａ，ＮＤＶＩｂ］（１）式（１）中，ｍ表示月份，取值范围１ １２；ＮＤＶＩｍ表示ｍ月的ＮＤＶＩ值，ＮＤＶＩａ㊁ＮＤＶＩｂ分别表示了ｍ月上半旬和下半旬的ＮＤＶＩ值㊂２．２．２㊀趋势分析㊀基于１９８２ ２０１５年的ＮＤＶＩ数据，通过一元线性回归分析，获得ＮＤＶＩ的变化趋势，计算公式如下㊂θｓｌｏｐｅ＝ｎˑðｎｉ＝１（ｉˑＮＤＶＩｉ）－ðｎｉ＝１ｉðｎｉ＝１ＮＤＶＩｉｎˑðｎｉ＝１ｉ２－（ðｎｉ＝１ｉ）２（２）式（２）中：θｓｌｏｐｅ表示变化斜率，当θｓｌｏｐｅ＞０时，表示ＮＤＶＩ呈上升趋势；当θｓｌｏｐｅ＜０，表示ＮＤＶＩ呈下降趋势㊂ｉ为年序号，ＮＤＶＩｉ表示第ｉ年的ＮＤＶＩ值㊂２．２．３㊀地理探测器㊀地理探测器是一种对数据要求低㊁运算速度较快且精确度高的空间分析模型，被广泛应用于探测环境污染㊁植被覆盖变化㊁土地利用等方面［２４］㊂地理探测器主要由因子探测㊁风险区探测㊁交互作用探测和生态探测４个部分组成㊂因子探测器是可以探测影响因子对因变量空间分布的解释力大小［２５］㊂用ｑ值度量，表达式为：ｑ＝１－ðＬｈ＝１Ｎｈσｈ２Ｎσ２（３）式（３）中，ｈ＝１，２， ，Ｌ为变量Ｙ或因子Ｘ的分层，即分类或分区；Ｎｈ和Ｎ分别为层ｈ和全区的单元数；σｈ和σ分别是层ｈ和全区的Ｙ值的方差㊂ｑ的取值范围为０ １，如果因变量Ｙ是由自变量Ｘ影响的，则ｑ值越大表示自变量Ｘ对因变量Ｙ的解释力越强，反之则越弱㊂利用交互探测器来探测影响因子Ｘｉ，即气温㊁降水量㊁高程㊁坡度㊁坡向㊁地貌㊁土壤类型㊁植被类９９㊀６期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王炜等：基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析型㊁ＧＤＰ和人口在影响ＮＤＶＩ空间分布上是否有交互作用，并且可以探测出不同影响因素之间的交互作用，即评估影响因子Ｘ１和Ｘ２共同影响ＮＤＶＩ时是增加或者是减弱对ＮＤＶＩ的影响程度，将作用类型分为５类［２５］，具体见表１㊂表１㊀影响因子交互作用的判断依据判断依据交互作用ｑ（Ｘ１ɘＸ２）＜Ｍｉｎ（ｑ（Ｘ１），ｑ（Ｘ２））非线性减弱Ｍｉｎ（ｑ（Ｘ１），ｑ（Ｘ２））＜ｑ（Ｘ１ɘＸ２）＜Ｍａｘ（ｑ（Ｘ１），ｑ（Ｘ２））单因子非线性减弱ｑ（Ｘ１ɘＸ２）＞Ｍａｘ（ｑ（Ｘ１），ｑ（Ｘ２））双因子增强ｑ（Ｘ１ɘＸ２）＝ｑ（Ｘ１）＋ｑ（Ｘ２）独立ｑ（Ｘ１ɘＸ２）＞ｑ（Ｘ１）＋ｑ（Ｘ２）非线性增强㊀㊀生态探测，用于探测２个影响因子对ＮＤＶＩ空间分布的影响是否存在显著性差异㊂而风险探测器，探测因子对ＮＤＶＩ变化是否具有风险性，指示因子在不同等级范围内对ＮＤＶＩ时空变化的影响［２６］㊂３㊀结果与分析３．１㊀太行山植被覆盖空间分布状况基于１９８２ ２０１５年月值ＮＤＶＩ数据提取每年最大ＮＤＶＩ值，得到年ＮＤＶＩ数据，由此获得年ＮＤＶＩ变化拟合曲线和年均ＮＤＶＩ空间分布图㊂由图１可知，近３４ａ来，研究区ＮＤＶＩ呈波动上升趋势，变化率为０．００１４３／ａ㊂其中１９８２ １９９０年间的年际变化趋势最为明显，其增长幅度达到了０．００４８／ａ，远大于整体的变化趋势；之后到１９９３年，ＮＤＶＩ出现明显的下降趋势；１９９１ ２００７年间ＮＤＶＩ值的变化具有明显的波动性，整体呈上升趋势，其增长幅度为０．００１１／ａ；２００８ ２０１５年期间，研究区的ＮＤＶＩ值呈波动下降的趋势，变化幅度为－０．００１３／ａ㊂３４ａ间的年均ＮＤＶＩ最低是１９８４年的０．３７２６，最高为２００８年的０．４４４８㊂㊀㊀从空间分布上来看（图２ａ），整个研究区南部的植被覆盖状况比北部好，结合土地利用数据和高程数据可知，ＮＤＶＩ较低的区域大多是耕地㊁城乡㊁工矿和居民用地㊁高海拔地区，其中耕地主要集中在研究区边缘以及山西省的长治市和晋中市境内，且两市由于特殊的盆地地貌，都较为适合农作物的生长；而高海拔地区主要分布在西北的五台山和小五台山地区，该地区由于地脉较多，且受到高海拔地区气候较为恶劣的影响，植被覆盖状况相对较差㊂ＮＤＶＩ值较高的区域，其土地类型多为草地和林地，具有较高的植被覆盖度㊂㊀㊀由图２ｂ可知，研究区ＮＤＶＩ改善区域远大于退化区域，其中增加趋势所占的比例达到９３．０１％，且极显著增加的比例高达７２．４３％，而显著和极显著减少区域所占的比例为１．８３％，零星地分布在河南省的安阳市㊁河北省的邯郸市和鹿泉市以及山西省的平遥县㊂图１㊀研究区３４ａ年均ＮＤＶＩ的变化趋势３．２㊀植被覆盖空间分布的主导影响因子以研究区多年的平均ＮＤＶＩ作为因变量Ｙ，气温㊁降水㊁ＤＥＭ㊁坡度㊁坡向㊁地貌㊁土壤类型㊁植被类型㊁ＧＤＰ和人口１０个重分类后的数据为影响因子Ｘ，使用地理探测器模型对这些影响因素进行分析，统计了各个影响因子的ｑ值（图３）㊂同时，也对影响因子做生态探测来探讨不同影响因子之间对ＮＤＶＩ空间分布影响是否存在显著性差异，结果见表２㊂由图３可以得出，各影响因子对应的ｑ值按照大小排序为：气温＞坡向＞土壤类型＞降水量＞地貌＞植被类型＞ＤＥＭ＞坡度＞人口＞ＧＤＰ㊂依据ｑ值大小来看，气温㊁坡向㊁土壤类型㊁降水量是影响研究区ＮＤＶＩ的主要因素，解释力均在１０％以上；地貌㊁植被类型㊁ＤＥＭ㊁坡度为次要影响因素，其解释力在１％ １０％之间；ＧＤＰ和人口对研究区ＮＤＶＩ的解释力大小均低于１％，说明太行山区ＮＤＶＩ受ＧＤＰ和人口的直接影响较小㊂总体来看，太行山区ＮＤＶＩ的空间分布是由人为因素和自然因素共同作用的，其中，气温㊁坡向㊁００１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷降水量和地貌对ＮＤＶＩ的影响较大，而人为影响因素ＧＤＰ和人口的影响程度较小㊂图２㊀研究区３４ａ年均ＮＤＶＩ空间分布（ａ）和３４ａ年均ＮＤＶＩ变化趋势空间分布（ｂ）㊀㊀表２为生态探测的结果，从表２可以看出，降水㊁ＤＥＭ㊁土壤类型㊁坡度㊁坡向㊁人口与其他因子之间无显著差异；地貌与气温之间存在显著性差异，与其他因子之间没有显著性差异；植被类型与气温之间也存在显著性差异，与其他因子之间没有显著性差异㊂表２㊀１９８２ ２０１５年ＮＤＶＩ分布影响解释力的生态探测指标气温降水ＤＥＭ地貌土壤类型植被类型ＧＤＰ人口坡度坡向气温降水ＮＤＥＭＮＮ地貌ＹＮＮ土壤类型ＮＮＮＮ植被类型ＹＮＮＮＮＧＤＰＮＮＮＮＮＮ人口ＮＮＮＮＮＮＮ坡度ＮＮＮＮＮＮＮＮ坡向ＮＮＮＮＮＮＮＮＮ㊀注：采用显著性水平为０．０５的Ｆ检验，Ｙ：Ｙｅｓ，表示２种因子在对ＮＤＶＩ影响上存在显著性差异；Ｎ：Ｎｏ，表示无显著性差异㊂图３㊀１９８２ ２０１５年ＮＤＶＩ分布影响解释力指标３．３㊀影响因子的交互作用交互探测和生态探测的结果可知（表３），任意２个影响因子的交互的作用都大于单个影响因子，即影响ＮＤＶＩ的分布状况不是由单一因子所造成的，而是由不同影响因子之间相互作用共同作用的㊂其中气温与坡向的交互作用的ｑ值最高，为０．３２８１㊂此外，气温与降水（０．３２５１）㊁气温与地貌（０．３１１９）交互作用也都达到了３０％以上，表明气温㊁坡度㊁降水除了单个影响力较高之外，交互作用之后对研究区ＮＤＶＩ的影响程度更高，而地貌在与气温交互作用之后，影响力有所上升，表明合适的气温与地貌更有利于促进植被的生长㊂整体上，ＧＤＰ和人口与各个因子的交互作用的ｑ值都比单个的ｑ值要高，解释了人为影响因子在与其他因子相结合之后对研究区ＮＤＶＩ的影响力有所增大㊂交互作用的探测结果表明：各个影响因子之间都存在着增强的作用，其中坡向和土壤类型，土壤类型和植被类型㊁地貌㊁降水㊁气温，植被类型和地貌，地貌和坡度都呈双因子增强，其他２个影响因子之间都呈现非线性增强的作用㊂结果表明，研究区ＮＤＶＩ的分布不是由单一的影响因素所造成的，并且任意２个影响因子的交互作用也并不是１０１㊀６期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王炜等：基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析这２个因子之间影响力的简单相加㊂表３㊀影响ＮＤＶＩ分布的驱动因子之间的交互作用ＸɘＹｑ（Ｘ）ｑ（Ｙ）ｑ（ＸɘＹ）交互关系坡向ɘ土壤类型０．１４９９０．１２３９０．２６３０双因子增强坡向ɘ植被类型０．１４９９０．０７１８０．２３１８非线性增强坡向ɘ地貌０．１４９９０．０８４６０．２４５３非线性增强坡向ɘ降水０．１４９９０．１２０１０．２８２２非线性增强坡向ɘ气温０．１４９９０．１６８１０．３２８１非线性增强坡向ɘＤＥＭ０．１４９９０．０３５１０．１９２８非线性增强坡向ɘ坡度０．１４９９０．０１９８０．２３８８非线性增强坡向ɘＧＤＰ０．１４９９０．００８８０．１７１２非线性增强坡向ɘ人口０．１４９９０．００６９０．１８１１非线性增强土壤类型ɘ植被类型０．１２３９０．０７１８０．１８２２双因子增强土壤类型ɘ地貌０．１２３９０．０８４６０．１８８６双因子增强土壤类型ɘ降水０．１２３９０．１２０１０．２１８３双因子增强土壤类型ɘ气温０．１２３９０．１６８１０．２６３５双因子增强土壤类型ɘＤＥＭ０．１２３９０．０３５１０．１８４１非线性增强土壤类型ɘ坡度０．１２３９０．０１９８０．１５４０非线性增强土壤类型ɘＧＤＰ０．１２３９０．００８８０．１５０６非线性增强土壤类型ɘ人口０．１２３９０．００６９０．１５３８非线性增强植被类型ɘ地貌０．０７１８０．０８４６０．１３５５双因子增强植被类型ɘ降水０．０７１８０．１２０１０．２３６８非线性增强植被类型ɘ气温０．０７１８０．１６８１０．２６８１非线性增强植被类型ɘＤＥＭ０．０７１８０．０３５１０．１７６１非线性增强植被类型ɘ坡度０．０７１８０．０１９８０．１０１８非线性增强植被类型ɘＧＤＰ０．０７１８０．００８８０．０８７３非线性增强植被类型ɘ人口０．０７１８０．００６９０．０９２０非线性增强地貌ɘ降水０．０８４６０．１２０１０．２５０７非线性增强地貌ɘ气温０．０８４６０．１６８１０．３１１９非线性增强地貌ɘＤＥＭ０．０８４６０．０３５１０．２１１６非线性增强地貌ɘ坡度０．０８４６０．０１９８０．１０４８双因子增强地貌ɘＧＤＰ０．０８４６０．００８８０．１１２４非线性增强地貌ɘ人口０．０８４６０．００６９０．１１２６非线性增强降水ɘ气温０．１２０１０．１６８１０．３２５１非线性增强降水ɘＤＥＭ０．１２０１０．０３５１０．１７６４非线性增强降水ɘ坡度０．１２０１０．０１９８０．１８１８非线性增强降水ɘＧＤＰ０．１２０１０．００８８０．１４３８非线性增强降水ɘ人口０．１２０１０．００６９０．１６５６非线性增强气温ɘＤＥＭ０．１６８１０．０３５１０．２３９３非线性增强气温ɘ坡度０．１６８１０．０１９８０．２４５３非线性增强气温ɘＧＤＰ０．１６８１０．００８８０．１９７３非线性增强气温ɘ人口０．１６８１０．００６９０．２４３４非线性增强ＤＥＭɘ坡度０．０３５１０．０１９８０．１２９９非线性增强ＤＥＭɘＧＤＰ０．０３５１０．００８８０．０７２７非线性增强ＤＥＭɘ人口０．０３５１０．００６９０．０６８５非线性增强坡度ɘＧＤＰ０．０１９８０．００８８０．０４９１非线性增强坡度ɘ人口０．０１９８０．００６９０．０４２７非线性增强ＧＤＰɘ人口０．００８８０．００６９０．０３６９非线性增强４㊀讨论本研究利用ＮＤＶＩ数据，探讨了太行山地区植被覆盖的空间分布状况，并且利用地理探测器工具定量分析了ＮＤＶＩ分布的主要影响因素和不同影响因素之间的交互作用㊂结果表明，太行山区多年来ＮＤＶＩ整体呈波动上升的趋势，研究区植被覆盖状况趋于改善，在空间分布上，南部的植被覆盖状况比北部好；低海拔㊁耕地和城市工矿用地区域的植被覆盖较低，而草地㊁林地区域的植被覆盖状况较好㊂在研究区中，气温㊁坡向㊁土壤类型和降水是影响ＮＤＶＩ分布的主要驱动因素，其次是地貌㊁植２０１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷被类型㊁ＤＥＭ和坡度，人口和ＧＤＰ的影响最小㊂温度和降水量能够对植被的生长产生直接影响，温度适宜和降水量充足会对植被的生长有一定的促进作用㊂坡向对于植被的影响也主要通过温度来表现，阳坡光照较为充足，气温较高，湿度较低；对比之下，阴坡的光照较弱，温度较低，含水量高㊂植物的生长也在一定程度上受土壤类型的影响，风险区探测的结果表明，研究区内淋溶土和半淋溶土是较为适宜植物生长的土壤类型，而针阔混交林㊁落叶阔叶林㊁常绿阔叶－落叶阔叶混交林等的草本植物则是主要分布在淋溶土分布区中，因此植被类型也在一定程度上是由土壤类型所决定的，这些植被对研究区的植被状况有一定的改善作用㊂ＤＥＭ也与气温有一定的关系，随着海拔的升高，气温会逐渐降低㊂由此可以得出，研究区ＮＤＶＩ分布的影响并不是由单一因素所决定的，各个因素之间互相联系，共同影响了研究区ＮＤＶＩ的空间分布㊂研究中人口和ＧＤＰ对ＮＤＶＩ空间分布的影响相对较低，在与其他影响因子相结合之后，影响力会增强，人类活动会受地形㊁气候等因素的影响，例如海拔较低，降水量充沛，土地利用类型多为人类活动居住用地，该区域人口较为密集，人类活动比较集中；而在海拔较高的中部和西北部，土地利用类型多为林地和草地，人口数量也较少，经济发展也较为落后㊂而从２００２年开始实施的退耕还林政策和生态环境保护工作的持续推进，也会在一定程度上改善研究区的植被覆盖状况㊂人类活动对植被的影响有正有负［２７］，城镇的发展和人类的活动会对植被造成负面影响，而退耕还林等生态环境保护工作的推进又在一定程度上改善了植被状况㊂本文所选取的ＧＤＰ和人口２个人为因素，仅探讨出其对ＮＤＶＩ影响力的大小，而对其具体造成的影响类型没有具体体现㊂本文对研究区ＮＤＶＩ空间分布的影响因素进行了探究，选取了多种影响因子来分析其对ＮＤＶＩ空间分布的影响作用㊂研究区ＮＤＶＩ整体呈现改善的趋势，但是还有局部地区呈现退化的趋势，对影响因子的选择较少，在接下来的研究中可以选取更多的影响因子，来进一步探讨研究区ＮＤＶＩ变化的驱动因素，并且可以探讨影响因子的一个动态变化过程，对研究区ＮＤＶＩ的变化驱动力的分析进行探究㊂５ 结论（１）３４ａ来，太行山区的年均ＮＤＶＩ呈现波动上升，植被覆盖状况整体呈现改善的趋势，在空间分布上，南部植被覆盖状况较北部好，整个研究区植被覆盖呈现出南高北低㊁中部交叉分布的特征㊂（２）气温是太行山区ＮＤＶＩ分布的最主要影响因素，其次为坡向㊁土壤类型和植被㊂ＧＤＰ和人口２个人为因素对ＮＤＶＩ的影响程度较低㊂（３）不同影响因子交互作用对ＮＤＶＩ的影响都呈现增强的作用，表明ＮＤＶＩ的分布不是由单一因子所决定的，而是由多种影响因子共同作用㊂其中气温和坡向，气温与降水，气温与地貌的交互作用对ＮＤＶＩ的影响程度较大，表明气候因素还是影响研究区ＮＤＶＩ空间分布最主要的因素㊂参考文献：［１］裴志林，杨勤科，王春梅，等．黄河上游植被覆盖度空间分布特征及其影响因素［Ｊ］．干旱区研究，２０１９，３６（３）：５４６－５５５．［２］顾娟，李新，黄春林．基于时序ＭＯＤＩＳＮＤＶＩ的黑河流域土地覆盖分类研究［Ｊ］．地球科学进展，２０１０，２５（３）：３１７－３２６．［３］朱丽君，蒙吉军，李江风．河北省植被覆盖变化及对生态建设工程的响应［Ｊ］．北京大学学报：自然科学版，２０２０，５６（４）：７５５－７６４．［４］唐见，曹慧群，陈进．生态保护工程和气候变化对长江源区植被变化的影响量化［Ｊ］．地理学报，２０１９，７４（１）：７６－８６．［５］俱战省，杨青森，邢培茹．１９８７ ２０１５年嘉陵江源区植被覆盖度时空变化特征［Ｊ］．地球与环境，２０２０，４８（４）：４５２－４６０．［６］宫诏健，田景仁，陈杰，等．基于ＭＯＤＩＳＮＤＶＩ数据的辽宁省玉米种植面积提取研究［Ｊ］．江西农业学报，２０２０，３２（９）：１１９－１２６．［７］向凯旋，张喜，刘济明，等．石漠区柏木林植物多样性指数与土壤理化指标的相关性［Ｊ］．南方农业学报，２０１９，５０（８）：１７７１－１７７８．［８］毛转梅，陈劲松，彭尔瑞，等．甘肃省植被覆盖时空变化趋势研究［Ｊ］．江西农业学报，２０２０，３２（３）：１２５－１３０．［９］刘晗，吕斌．太行山区牛叫河小流域土地可持续利用模式探讨［Ｊ］．地理研究，２０１２，３１（６）：１０５０－１０５６．［１０］李薇，谈明洪．太行山区不同坡度ＮＤＶＩ变化趋势差异分析［Ｊ］．中国生态农业学报，２０１７，２５（４）：５０９－５１９．［１１］李晓荣，高会，韩立朴，等．太行山区植被ＮＰＰ时空变化特征及其驱动力分析［Ｊ］．中国生态农业学报，３０１㊀６期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王炜等：基于地理探测器的太行山ＮＤＶＩ时空变化及其驱动力分析２０１７，２５（４）：４９８－５０８．［１２］邓元杰，姚顺波，侯孟阳，等．长江流域中上游植被ＮＤＶＩ时空变化及其地形分异效应［Ｊ］．长江流域资源与环境，２０２０，２９（１）：６６－７８．［１３］王君，杨晓梅，隋立春，等．西安市１９９５ ２０１６年植被覆盖度动态变化监测及景观格局分析［Ｊ］．生态科学，２０１９，３８（６）：１－１１．［１４］刘正才，屈瑶瑶．基于ＳＰＯＴ－ＶＧＴ数据的湖南省植被变化及其对气候变化的响应［Ｊ］．北京林业大学学报，２０１９，４１（２）：８０－８７．［１５］刘家琰，谢宗强，申国珍，等．基于ＳＰＯＴ－ＶＥＧＥＴＡＴＩＯＮ数据的神农架林区１９９８ ２０１３年植被覆盖度格局变化［Ｊ］．生态学报，２０１８，３８（１１）：３９６１－３９６９．［１６］代子俊，赵霞，李冠稳，等．基于ＧＩＭＭＳＮＤＶＩ３ｇ．ｖ１的近３４年青海省植被生长季ＮＤＶＩ时空变化特征［Ｊ］．草业科学，２０１８，３５（４）：７１３－７２５．［１７］张亮，丁明军，张华敏，等．１９８２ ２０１５年长江流域植被覆盖度时空变化分析［Ｊ］．自然资源学报，２０１８，３３（１２）：２０８４－２０９７．［１８］李新元，王莉，景海涛，等．２０００ ２０１５年太行山地区ＮＤＶＩ变化及驱动因素分析［Ｊ］．湖北农业科学，２０２０，５９（９）：７０－７６．［１９］ＨｕＳ，ＷａｎｇＦ，ＺｈａｎＣ，ｅｔａｌ．ＤｅｔｅｃｔｉｎｇａｎｄａｔｔｒｉｂｕｔｉｎｇｖｅｇｅｔａｔｉｏｎｃｈａｎｇｅｓｉｎＴａｉｈａｎｇＭｏｕｎｔａｉｎ，Ｃｈｉｎａ［Ｊ］．ＪｏｕｒｎａｌｏｆＭｏｕｎｔａｉｎＳｃｉｅｎｃｅ，２０１９，１６（２）：３３７－３５０．［２０］化春光．消夏太行山，畅爽天地间［Ｊ］．旅游时代，２０１５（６）：４６－４７．［２１］范松克，郝成元．２００１ ２０１６年河南省ＮＤＶＩ时空变化特征分析［Ｊ］．江苏农业学报，２０１９，３５（４）：８６０－８６７．［２２］ＣａｏＦ，ＧｅＹ，ＷａｎｇＪＦ．Ｏｐｔｉｍａｌｄｉｓｃｒｅｔｉｚａｔｉｏｎｆｏｒｇｅｏ⁃ｇｒａｐｈｉｃａｌｄｅｔｅｃｔｏｒｓ－ｂａｓｅｄｒｉｓｋａｓｓｅｓｓｍｅｎｔ［Ｊ］．ＧＩＳｃｉｅｎｃｅ＆ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１３，５０（１）：７８－９２．［２３］马守存，保广裕，郭广，等．１９８２ ２０１３年黄河源区植被变化趋势及其对气候变化的响应［Ｊ］．干旱气象，２０１８，３６（２）：２２６－２３３．［２４］熊小菊，廖春贵，陈月连，等．地理因子对北部湾经济区植被覆盖的影响［Ｊ］．江苏农业科学，２０１９，４７（７）：２６８－２７３．［２５］王劲峰，徐成东．地理探测器：原理与展望［Ｊ］．地理学报，２０１７，７２（１）：１１６－１３４．［２６］王伟，阿里木㊃赛买提，吉力力㊃阿不都外力．基于地理探测器模型的中亚ＮＤＶＩ时空变化特征及其驱动因子分析［Ｊ］．国土资源遥感，２０１９，３１（４）：３２－４０．［２７］盛叶子，曾蒙秀，林德根，等．２０００ ２０１４年人类活动对贵州省植被净初级生产力的影响［Ｊ］．中国岩溶，２０２０，３９（１）：６２－７０．（责任编辑：曾小军）４０１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷。
基于地理探测器的中国中部城市土地绿色利用效率时空演变及影响因素研究
第22卷第12期 2020年12月D S瑰信眉斛莩Journal o f Geo-inform ation Science ^'Vol.22,N〇.12Dec., 2020引用格式:赵丹丹，金声甜，鲍丙飞，等.基于地理探测器的中国中部城市土地绿色利用效率时空演变及影响因素研究m.地球信息科学学报，2020,22(12):2358-2370. [ Zhao D D, Jin S T, Bao B F, et al. Analysis o f spatial-tem poral evolution and influencing factors o f green land use efficiency in Central China based on geographic detector[J]. Journal o f Geo-inform ation Science, 2020,22(12)::2358-2370.] DOI: 10.12082/dqxxkx.2020.200286基于地理探测器的中国中部城市土地绿色利用效率 时空演变及影响因素研究赵丹丹i金声甜'鲍丙飞4,张利国11.江西财经大学经济学院，南昌330013;2.湖南财政经济学院工程管理学院，长沙410205;3.江西财经大学生态文明研究院，南昌330013;4.安徽财经大学统计与应用数学学院，蚌埠233000Analysis of Spatial-temporal Evolution and Influencing Factors of Green Land Use Efficiency in Central China based on Geographic DetectorZHAO Dandan1,2,JIN Shengtian3*,BAO Bingfei4,ZHANG Liguo11. School of Economics, Jiangxi University of Finance and Economics, Nanchang 330013, China;2. School of Engineering Management Hunan University of Finance and Economics, Changsha 410205, China;3. Institute of Ecological Civilization, Jiangxi University of Finance and Economics, Nanchang 330013, China;4. Institute of Statistics and Applied Mathematics, Anhui University of Finance & Economics, Bengbu 233000, ChinaAbstract:After the Chinese government put forward the Rise of Central China Plan,it rapidly facilitates the economy development of Henan province,Hubei province,Hunan province,Jiangxi province,Anhui province and Shanxi province which has gradually become the fourth growth pole driving national economic growth,has caused the built-up area to expand and arable land to decrease,which not only threaten food security,but also impose resource and environmental constraints.In the context,based on the panel data of80 prefecture-level cities in six provinces of central China from2007 to2018, this paper analyzes the green-efficiency of land use and its evolution,the trajectory of gravity center change,influencing factors of green-efficiency of land use and its influence degree applying Malmquist-Luerberger index,gravity center model,spatial econometric regression model and geographical detector model.The results show that ®the green-efficiency of land use and technological progress in the six provinces of central China from 2007 to 2018 fluctuated frequently and their change pace was basically the same,while the technological efficiency was relatively stable,indicating the green-efficiency of land use was asingle-trackv driven by technological progress.(2)The green-efficiency of urban land use showed obvious spatial differentiation characteristics,and the center of gravity generally moved to the northeast part of Central China. (3)It showed spatial dependence and spatial spillover effects on the green-efficiency of land use at the provincial level and prefecture level,the green-efficiency of land use among the收稿日期：2020-06-15;修回日期：2020-10-12.基金项目：中国博士后科学基金第65批面上资助项目（2019M652271);2019年度湖南省社会科学成果评审委员会一般课题(XSP19YBZ141);江西财经大学 2019 年度研究生创新项目。
绿色创新效率测度及时空分异特征:以长江经济带制造业为例
绿色创新效率测度及时空分异特征：以长江经济带制造业为例光峰涛;邓雅婷;易明
【期刊名称】《科技管理研究》
【年(卷),期】2022(42)6
【摘要】采用超效率EBM模型测算纳入能源要素的区域绿色创新效率,并从空间
相关角度,采用探索性空间数据分析(ESDA)方法分析区域绿色创新效率的时空差异。
以长江经济带制造业为例,运用2008—2019年有关面板数据构建绿色创新效率测算指标体系,实证结果发现:(1)各年份内长江经济带制造业绿色创新效率值均小于1,未实现有效生产,其中下游地区的创新效率最高,中上游地区的创新效率较低;(2)各省市制造业绿色创新效率空间差异明显,且与其经济发展水平的空间分布格局表现出
协调一致性;(3)各省市制造业绿色创新效率在空间上表现出正的自相关性,存在空间集聚特征。
根据研究结论,分别从提升绿色创新水平、强化空间集聚效应和推动区
域趋同化发展3个角度提出促进长江经济带制造业绿色创新的对策建议。
【总页数】10页(P59-68)
【关键词】长江经济带制造业;绿色创新效率;超效率EBM;探索性空间数据分析;时
空分异特征
【作者】光峰涛;邓雅婷;易明
【作者单位】中国地质大学(武汉)经济管理学院
【正文语种】中文
【中图分类】F061.5;F062.2
【相关文献】
1.长江经济带城市绿色创新效率时空分异及其影响因素
2.基于三阶段DEA的长江经济带创新效率测算及其时空分异特征
3.长江经济带工业绿色技术创新效率的时空分异研究
4.长江经济带农业绿色生产效率及其时空分异特征研究
5.长江经济带绿色发展水平测度及时空分异研究
因版权原因，仅展示原文概要，查看原文内容请购买。
地理探测器方法下长江经济带(江苏段)土地城镇化时空演变及驱动因子分析
地理探测器方法下长江经济带(江苏段)土地城镇化时空演变及驱动因子分析李胤;詹雅婷;赵立鸿;赵立科;崔艳梅【期刊名称】《测绘通报》【年(卷),期】2024()4【摘要】定量分析土地城镇化时空演变驱动力可为城市可持续发展提供科学依据。
本文将对地观测数据与人口、经济数据相结合,以长江经济带(江苏段)沿江8市为例,基于2000—2020年5期Landsat影像、夜间灯光影像、年末人口总数和GDP,采用GeDetector对其近20年间空间、人口及经济维度的演化及多尺度分化的进程进行探讨,分析土地城镇化时空演变规律及驱动因子。
研究结果表明:(1)城镇化过程直接驱动地表类型的变化,且人口数量和GDP总量能够作为城镇化过程强度的定量指标;(2)夜间灯光(NTL)数据耦合人口或经济统计数据能够较好解释区域城镇化过程中的时空差异;(3)长江经济带(江苏段)沿江8市城镇化过程经历了由数量向质量的转变。
研究结果为引导城镇建设用地合理配置提供科学依据,为城市可持续发展提供决策参考。
【总页数】5页(P135-139)【作者】李胤;詹雅婷;赵立鸿;赵立科;崔艳梅【作者单位】江苏省地质调查研究院;自然资源江苏省卫星应用技术中心【正文语种】中文【中图分类】P23【相关文献】1.长江经济带人口城镇化与土地城镇化协调发展时空差异研究2.基于地理探测器的山东省土地城镇化时空演变及驱动因素3.地理探测器方法下甘肃白龙江流域景观破碎化与驱动因子分析4.基于地理探测器的郑州市土地利用时空演变及驱动机制探究5.长江经济带城镇化效率与水资源效率协调发展时空演变及驱动因素因版权原因，仅展示原文概要，查看原文内容请购买。
近20年河南省耕地非粮化时空分异及驱动力分析
近20年河南省耕地非粮化时空分异及驱动力分析杨博文;刘凤莲;陈洪敏;吉冠秋【期刊名称】《上海国土资源》【年(卷),期】2024(45)1【摘要】耕地是育种成粮的基础条件,研究耕地非粮化的时空演变格局及驱动因素,对于严格保护耕地、保障国家粮食安全具有重要意义。
基于河南省2000—2020年土地利用数据,利用标准差椭圆模型、热点分析、地理探测器等方法对河南省耕地非粮化水平进行了时空演变分析和驱动因子探测。
研究结果表明:(1)2000—2020年间河南省耕地非粮化面积达到3007.10 km2,占现状研究区耕地总面积的2.90%,尤以2015—2020年最多;其中信阳市的耕地非粮化面积最多,达到754.14 km2,占耕地非粮化总面积的25.08%。
(2)2000—2020年间耕地非粮化热点区域集中在研究区的西部和南部,耕地非粮化重心主要分布在平顶山市,重心整体向南迁移。
(3)河南省耕地非粮化受农业、经济和社会因素的共同影响,农业因素对研究区的耕地非粮化影响力较大,任一影响因子与其他因子交互作用表现出双因子增强和非线性增强效果。
河南省耕地非粮化呈现出明显的时空分异特征。
【总页数】8页(P72-78)【作者】杨博文;刘凤莲;陈洪敏;吉冠秋【作者单位】云南财经大学国土资源与持续发展研究所【正文语种】中文【中图分类】F301.2【相关文献】1.山东省耕地"非粮化"空间分异特征及其影响因素分析2.近20年海南省耕地林果化的时空分异及驱动因素分析3.河南省耕地“非粮化”空间格局分异、成因及对策研究4.耕地“非粮化”空间格局分异及影响因素研究——基于中国省际面板数据分析因版权原因，仅展示原文概要，查看原文内容请购买。
沿黄城市蓝绿空间时空演变及驱动力分析——以泰安市为例
沿黄城市蓝绿空间时空演变及驱动力分析——以泰安市为例张芳源;贾艳艳;郑海燕【期刊名称】《西北林学院学报》【年(卷),期】2024(39)2【摘要】基于2000-2020年土地利用类型数据,采用景观指数、景观动态度、地理探测器等方法,分析沿黄城市泰安市蓝绿空间时空演变特征及其驱动因素。
结果表明,1)近20 a泰安市蓝绿空间规模整体呈减少趋势,动态度为-0.41%,面积减少131.24 km 2,但呈现明显的阶段性特征,前10 a变化剧烈,动态度为-0.82%,后10 a 动态度仅为0.005%。
2)2000-2020年,蓝绿空间景观格局指数发生了显著变化,且各指数在前10 a的变化程度更大;类型水平上,绿色空间和蓝色空间的景观形状整体趋于规则、均有连片发展趋势,但绿色空间的景观形状更复杂、分布离散度更大;景观水平上,蓝绿空间破碎度呈减弱趋势,但景观连通性下降、景观异质性增强。
3)地理探测分析表明,社会经济因素是蓝绿空间分异的主导因子,生产总值、人口密度、第一与第二产业产值等社会经济因素对蓝绿空间变化的解释力显著大于高程等自然因素。
研究认为城镇化进程中需要加强对国土空间的科学管控,应加强泰安市蓝绿空间的完整性、连通性保护。
该研究为泰安市蓝绿空间优化与管理、区域可持续发展提供一定参考。
【总页数】8页(P148-155)【作者】张芳源;贾艳艳;郑海燕【作者单位】山东农业大学林学院;淄博市周村区园林绿化服务中心【正文语种】中文【中图分类】X37【相关文献】1.基于时空演变分析的武汉市城市蓝绿系统空间格局及其与城市发展的协同关系研究2.基于三生空间质量的哈长城市群城市脆弱性时空演变格局及驱动力研究3.区域蓝绿空间时空演变及驱动力4.基于土地利用转型的山地城市生境质量时空演变及驱动力因素分析——以三明市为例因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于地理探测器的绿色经济效率时空分异及驱动力研究作者：辛龙孙慧王慧肖涵月来源：《中国人口·资源与环境》2020年第09期摘要;绿色经济效率（GEE）提升是经济绿色、高质量发展的“助推剂”。
该研究基于Undesirable-SBM模型测度2007—2017年我国大陆30个省份的GEE，利用空间自相关及冷热点分析法，探究GEE的时空演变特征，运用地理探测器模型进一步揭示其驱动力的空间异质性。
结果表明：①GEE呈“U形尾波”的阶段性特征，整体上由“小差距高效率”向“大差距低效率”动态演进，区域间形成“东-中-西”阶梯式递减的分异格局，“分化”与“极化”现象日益加剧。
②GEE存在显著的“倒U型”空间关联性，总体呈“东热西冷”的空间分异特征，“极化-涓滴”效应有所凸显。
其中，GEE热点区范围逐渐扩大，呈现零星面状分布向沿海带状蔓延的演进格局，次冷点区范围有所缩小，而次热点区和冷点区变化微弱，空间格局基本稳定。
③GEE提升的驱动力全局差异不突出，但局域尺度差异显著。
东、中、西部GEE提升的核心驱动力分别是：东部为政府干预、对外开放水平和技术创新水平;中部为能源强度、教育投入和市场化水平;西部为人力资本、能源强度、城市规模、教育投入、技术创新水平、环境规制和互联网普及率。
基于此，东、中、西部要因势而谋、因地制宜。
东部需激活技术密集型地区的“长板优势”，发挥科技创新的“滚雪球效应”;中西部需挖掘资源禀赋，推进新能源发展，加大科技研发投入，优化配置教育资源;同时，要推进整体信息化建设，强化网络引领。
关键词;绿色经济效率;时空格局;驱动力;异质性;地理探测器模型中图分类号;F062.1文献标识码;A;文章编号;1002-2104（2020）09-0128-11;;DOI：10.12062/cpre.20200305改革开放以来，高速的经济发展导致资源匮乏及环境污染，资源环境的制约日益增强[1]。
党的十九大报告中15次提及“绿色”，4次提及“绿色发展”，强调“绿水青山就是金山银山”“大力推进生态文明建设”“坚定不移贯彻绿色发展”等理念，体现了国家对环境问题的高度重视。
面对经济发展的新常态，“绿色”导向的经济转变方式，是经济由高速增长向高质量发展的“助推器”。
然而，我国地区经济发展差异显著，资源利用程度迥异，环境污染不同程度地加剧，各地区在发展经济的同时均难以兼顾资源配置与环境保护，经济-资源环境的矛盾与日俱增，这既对把握区域绿色经济效率时空变化特征、剖析非均质条件下区域差异状况有新的挑战，也对优化资源配置、提升经济绿色效率，促进经济绿色发展提出了更高要求。
绿色经济效率（GEE）是考虑资源和环境代价后的综合经济效率，自2011年联合国发布报告进一步深化绿色经济内涵后[2]，绿色经济效率开始受到学界的关注。
“绿色经济”最早由David[3]在1989年著作《绿色经济蓝图》中首次提出，绿色经济效率是绿色经济发展水平的反映，值越大表明绿色经济发展程度越好[4]，因而绿色经济效率是绿色经济发展的“关键脉搏”。
基于此，为提升绿色经济效率的发展空间，厘清绿色经济效率的驱动力，探究新时代经济高质量发展路径，采用2007—2017年我国大陆30个省份的面板数据，基于空间异质性视角，运用Undesirable-SBM模型、空間自相关及冷热点分析法综合测算我国大陆各省域及三大区域的绿色经济效率，探究其时空演变特征，并运用地理探测器模型揭示其驱动力的空间异质性，为促进“经济-环境”协同发展，制定有针对性、差异化的区域经济绿色发展对策提供科学的理论依据与实践指导。
1;文献综述现有相关研究主要集中在三个方面：①绿色经济效率测度上，LUUK等[5]采用可持续窗口模型测度老挝的绿色经济增长水平;TAO等[6]以碳排放作为非期望产出，运用不可分离投入产出SBM模型测算了1995—2012年中国省级绿色经济效率;钱龙[7]采用VRS-DEA模型对我国285个地级市的绿色效率和经济效率分别进行测度，再将其耦合成绿色经济效率后进行实证分析;叶仁道等[8]尝试提出偏正态面板数据模型测度我国绿色经济效率;郝国彩等[9]利用超效率SBM模型测算长江经济带城市绿色经济绩效;张文博等[10]运用Undesirable-SBM模型对“一带一路”沿线城市绿色经济效率进行测度并分析其影响因素;林晓等[11]通过对辽宁省14个城市绿色经济效率的测度发现其空间格局呈“山脊状”特征。
②绿色经济效率的影响因素研究，主要探究财政分权[12]、资源利用[13]、经济集聚[1]、环境规制[14]、新型城镇化[15]、高技术产业集聚[16]、产业集聚[17]、制造业价值链攀升[18]等因素对绿色经济效率的差异化影响。
③绿色经济效率的收敛性方面，钱争鸣等[19]认为各省区绿色经济效率呈动态的“倒U型”演变态势，并具有条件β收敛性。
地理探测器模型（Geographical Detector Model）由王劲峰等[20]于2017年首次提出，这种新型的空间分析模型最初应用在探索地方性疾病风险及其影响因素的研究中，近几年被广泛运用于自然和社会现象的多因子影响交互作用研究中，如土地开发与利用方面[21-22]、自然资源与生态景观评价方面[23-25]、环境污染方面[26-27]、旅游行为及空间特征方面[28-29]、公共医疗方面[30-31]以及城镇扩张[32]和资源集聚[33]等。
与传统方法相比，该模型具有三个优势：①从异质性视角下探究影响因子的空间分异特征;②对多重共线性免疫，并能较好地避免自变量和因变量互为因果的内生性问题[20];③不仅能探测定量因子，也能对多种类型的定性驱动因子进行识别分析。
综上所述，已有研究多采用传统计量方法测度绿色经济效率并探讨其影响因素的线性关系，鲜有对绿色经济效率与驱动力间可能的非线性关系进行探究，国内学者利用地理探测器模型探究绿色经济效率驱动力的研究也相对匮乏。
随着空间交互日益频繁，新型地理统计学开始将经济等因素的空间效应纳入分析模型，更能客观真实地反映绿色经济效率驱动力的区域差异性。
2;研究方法与数据来源2.1;Undesirable-SBM模型数据包络分析（DEA）是基于决策单元测度“投入-产出”效率的非参数估计方法[34]。
传统的DEA模型（BCC和CCR模型）未考虑松弛性问题，结果无法准确计算包含非期望产出的效率值。
为此，学者提出了基于松弛的非径向SBM模型[35]，但绿色经济效率不仅仅要考虑资源的投入和效益的产生，更要将环境代价纳入研究过程中，才能科学有效地测算“绿色”经济效率值。
因此，本研究采用Tone[36]提出的Undesirable-SBM模型，将环境污染等非期望产出纳入研究模型，客观科学地测算2007—2017年全国及各地区的绿色经济效率。
模型构建如下：2.2;空间自相关采用全局自相关分析绿色经济效率在全域尺度上的空间关联性，常用全局Moran’s I指数反映，其公式如下：式（2）中：n為样本数量，Xi为观测数据，Wij为邻接权重矩阵。
当Moran’s I>0为正空间自相关，说明绿色经济效率高或低的区域在空间上呈集聚分布;当Moran’s I<0为负空间自相关，表示相邻区域之间绿色经济效率存在明显空间差异;当Moran’s I=0表示无相关性，呈随机分布。
2.3;冷热点分析法冷热点分析法用于辨识不同空间位置上的高值区和低值区，即探究绿色经济效率的热点区和冷点区的空间分布特征。
其公式如下：为便于阐述，对其进行标准化处理：式中：Wij是空间权重矩阵，Xi、Xj分别为区域i、j的观测值，E（G*i）和Var（G*i）分别为G*i的数学期望和变异系数。
若Z（G*i）显著为正值，说明该地区周围的值较高，属于热点区;若Z（G*i）显著为负值，说明该地区周围的值较低，属于冷点区。
2.4;地理探测器模型在绿色经济效率时空演变的驱动机制中，其驱动因子涉及多个方面，采用地理探测器模型能较为科学合理地探测其影响机理。
绿色经济效率的驱动因子探测模型如下：式（5）中：i=1，…，m是驱动因子的分层，nD，i为层i上的个数，σ2G和σ2D，i分别是观测区域和层i的绿色经济效率的方差。
PD，G的取值范围为[0，1]，PD，G值越大，表明D因子对绿色经济效率的驱动作用越大，反之，则越小。
2.5;指标选取与数据来源在指标选取上，基于绿色经济效率的内涵与模型设定，构建绿色经济效率的指标体系。
①投入要素。
根据新经济增长模型，劳动力和资本投入是最基本的生产要素，考虑到当前日益凸显的能源供给问题，同时能源消耗也是非期望产生的主要来源之一，因此，将劳动力、资本和能源作为投入要素。
劳动力投入用年末就业总人数表示;资本投入用资本存量衡量，资本存量采用永续盘存法计算，借鉴张军等[37]研究，折旧率取9.6%;能源投入选取地区能源消费总量来衡量。
②期望产出要素。
绿色经济增长理论旨在追求经济效益的同时，尽可能地降低资源环境代价，因此，将经济产出作为期望产出要素，用地区国内生产总值表示，并以2007年为基期的价格指数进行平减处理。
③非期望产出要素。
非期望产出主要考虑社会经济发展中造成的环境污染，较为常用的非期望产出有工业“三废”的排放量、二氧化碳和二氧化硫排放量等，为避免要素过于单一而导致测算偏差，本文选取工业废气排放量、工业废水排放量和工业固体废物排放量作为非期望产出。
该研究以2007—2017年我国大陆地区各省市、自治区（因数据缺失，未计算西藏及港澳台地区）的平衡面板数据为实证样本。
各指标数据具体源于《中国统计年鉴》《中国环境统计年鉴》《中国区域经济统计年鉴》以及各省市、自治区统计年鉴。
地理信息基础数据来源于国家地理信息中心1∶400万数据库。
3;绿色经济效率时空演变格局3.1;时序演变分析基于Undesirable-SBM模型测算出2007—2017年中国省域绿色经济效率（见图1）。
结果表明，我国绿色经济效率总体呈先降低、再缓慢增长、后波动性发展趋势，区域差距逐步加大，表现出阶段性和区域性特征，整体上由“小差距高效率”向“大差距低效率”动态演进。
分阶段来看，逐步下降阶段（2007—2009年），我国绿色经济效率值由2007年的0.533下降为2009年的0.459，下降16.12%;缓慢增长阶段（2009—2012年），绿色经济效率缓慢提升，由0.459增长为0.492，提升幅度为7.19%;波动性发展阶段（2012—2017年），绿色经济效率呈“M”型变化趋势，分别在2014年和2016年出现波峰，总体由2013年的0.451增加为2017年的0.479，提升6.21%。
因此，我国省域绿色经济效率在时序上呈现出明显的阶段性特征。