基于SRP 模型榆林市生态脆弱性评价及时空演变研究

王成军，罗昕玥

（西安建筑科技大学 管理学院，陕西 西安 710055）

一、引言

近年来，随着自然和人为因素对于生态环境的压力日益增大，人类生活环境和社会经济发展受到了巨大的反噬影响[1-2]。面对大量涌现的生态与环境问题，生态脆弱性研究已成为全球变化和可持续发展研究中的焦点[3-4]。生态脆弱性有三层含义：其一，一定时空条件下生态系统内部自有的不稳定性；其二，在外来扰动的胁迫下，该系统仅靠自我恢复能力难以修复；其三，该系统因受外界扰动对偏离原始平衡状态的敏感性[5]。脆弱性概念由最初着重于自然生态系统到20 世纪90 年代之后从社会系统角度开展研究，涉及农、林、牧、渔等生产部门[6]。21世纪以来，脆弱性研究内容倾向于与其他领域交叉研究的人地耦合综合性系统[7]，考虑耦合中的相互作用，影响系统对其脆弱性的反应[8]。国内对生态脆弱性的研究由中科院在“八五”期间开展的生态环境综合整治和恢复技术研究拉开了序幕，从多元化方向发展生态脆弱性研究[9]，由单一扰动向多重扰动，由静态脆弱性分析向动态脆弱性分析方向转变[10]。在生态脆弱性评价概念模型上，使用频率较高的有VSD（暴露度-敏感性-适应能力）模型[11]、SRP（敏感度-恢复力-压力度）模型[12]、PSR（压力-状态-响应）模型[13]等。其中，基于“社会-自然”耦合系统，充分体现生态脆弱性内涵的SRP 模型更适用于区域综合性的生态脆弱性评价[14]。在研究区域多集中在喀斯特山区[15]、高原区[16]、内陆流域[17]等地势条件较差或人为干扰剧烈的区域，但对于受气候条件影响的半干旱区域研究甚少。

陕西省榆林市位于西北半干旱区，地处毛乌素沙地向黄土高原过渡地带。区里存在严重的土壤风蚀、水土流失和频繁干旱等问题，是我国典型的生态环境脆弱地区。随着区域经济与城镇化进程发展，快速增长的人口和经济对原本就比较脆弱的生态系统造成了巨大的扰动和压力。同时，1995 年以来当地政府针对该区的生态问题，开展了退耕还林还草、防风固沙林带等大规模生态修复工程，生态系统特征已发生显著变化，因此对其展开生态脆弱性评价具有重要科学价值和实际意义。

综上，基于本文SRP 概念模型，构建榆林市生态脆弱性评价体系，对研究区的生态脆弱性综合评价进行定量分析，把握脆弱性总体时空变化趋势与规律，研究脆弱性空间相关性与导致变化的主要驱动因素，并提出针对性的生态发展对策，以期为榆林市生态保护与修复工作的持续推进提供数据支持和建议参考。

二、研究区概况

榆林市位于陕西省最北部（见图1），地处北纬36觷57'～39觷34'和东经107觷28'～111觷15'之间，辖1 市2区9 县，户籍人口385.59 万人，总土地面积为42 920.2 km2，属于温带大陆性半干旱气候，年降雨时空分布不均，平均温度约10℃。整体地貌特征呈风沙草滩向黄土沟壑过渡，以古长城为界，古长城以北地区是以风蚀沙化为主的毛乌素沙漠南缘风沙区，古长城以南地区是以水蚀作用为主的南部丘陵沟壑区，水土流失现象严重，属于陕西省水土流失重点治理区。随着矿产资源加大开发和城镇化加速发展，榆林市作为国家重要的能源化工基地，进一步加重了环境冲突对原本脆弱的生态所造成的不利影响，使得区内生态环境更加复杂化[18]。

图1 研究区地貌区分布

三、研究方法

（一）数据来源及处理

榆林市数字高程模型（DEM）数据来源于地理空间数据云；气象数据来自国家地球系统科学数据中心共享服务平台；土地覆盖类型数据来源于中国科学院资源环境科学与数据中心；植被数据由MOD13和MOD17 产品的处理得到；土壤风蚀数据来源于《中国科学数据》；土壤数据来源于世界土壤数据库（HWSD）；社会经济数据来自《榆林市统计年鉴》。本文所使用的数据覆盖2000 年和2020 年2 个时期，不同分辨率的多指标栅格数据通过ArcGIS 10.8 进行重采样处理，空间分辨率设定为1km×1km，统一投影至wgs 1984-zone-49n 地理坐标系，其中土壤水蚀数据通过USLE 方程[19]计算得到，干燥度采用丁一汇和王守荣（2001）[20]提出的作为划分我国西北地区干湿气候区公式。

（二）生态敏感性评价指标体系的构建

本文通过考虑研究区经济、人口、环境及生态状况，结合《生态环境状况评价技术规范（试行）》以及相关研究，同时根据科学性和可获取性等指标体系构建原则，综合从生态系统敏感性（S）、恢复力（R）和压力度（P）3 个维度，选取13 个指标构建研究区脆弱性评价指标体系（见表1）。生态敏感性表征生态系统受外界影响时引发环境问题的可能性[21]，受区域本身生态系统类型和特征影响，高敏感性的地区，生态环境遭受破坏的可能性越大，生态环境往往越脆弱，因此选用气象、地形、地表、土壤因子。生态恢复力是生态系统受到外界干扰破坏时所表现的自我调节能力和修复能力[22]，因此选择植被覆盖率和净初级生产力（NPP）等指标作为影响恢复力的植被因子。生态压力度由人类生产活动等产生的外部扰动对生态系统的压力，受外部扰动越多，脆弱性就越高，在此用人口密度、人均GDP 和土地垦殖率等社会经济因子表征区域发展的生态压力。

表1 生态脆弱性评价指标体系

（三）评价指标数据标准化

由于评价指标的量纲及其物理意义存在差异，无法原封不动地用于脆弱性评价，需要进行标准化处理，以消除参数不可比的问题[23]。采用极差法和分等级赋值法分别处理定量指标和定性指标（见表1），范围在0～10 之间。

1.极差标准化。正向指标和负向指标采用不同的标准化公式：

式中，Zi为第i 个指标的标准化值，xi为第i 个指标初始化值，xmax、xmin分别为指标i 标准化前最大值和最小值。

2.分等级赋值法。对于土地覆盖类型、土壤水蚀模数和土壤风蚀模数等定性指标，根据相关研究成果[24-25]，结合研究区实际特征对指标按照分等级赋值法进行2、4、6、8、10 五个级别的量化赋值（见表2）。

表2 分等级赋值标准

（四）构建脆弱性评价模型及等级划分

本文通过空间主成分分析法，采用生态脆弱性指数（EVI）来定量化研究区生态脆弱性程度[26]。空间主成分分析（SPCA）法是在GIS 系统支持下，通过旋转原始空间坐标轴，将相关的多变量空间数据转化为少数几个不相关的综合指标，以实现用较少的综合指标最大限度地保留原来较多变量所反映的空间信息[27]，结果如表3 所示。提取累积贡献率大于85%以上且特征值大于1 的前6 个指标作为主成分因子，依据公式（3）和公式（4）分别计算得到2 期研究区生态脆弱性指数。

表3 各期空间主成分分析结果

式中，EVI 表示生态脆弱性指数，其值越大，生态脆弱性程度越高；PC1～PC6分别表示每个时段从13 个初始变量中提取出来的贡献率在85%以上且特征值大于1 的6 个综合性主成分。

对EVI 展开进一步标准化处理以便进行比较和分析，计算公式如下:

式（5）中，EEVIi表示第i 年的生态环境脆弱性标准化数值，范围在0～10 之间；EVIi表示第i 年的脆弱性指数；EVImax和EVImin分别表示脆弱性指数最大值和最小值。

参考相关生态脆弱性分级研究，将标准化后的生态环境脆弱性指数划分为五个等级，即微度脆弱（0-2）、轻度脆弱（2-4）、中度脆弱（4-6）、高度脆弱（6-8）和极度脆弱（8-10）五个脆弱等级[28]。

（五）生态脆弱性空间自相关分析

本文通过测算研究区生态环境脆弱性的全局莫兰指数和局部莫兰指数，研究其在空间上是否聚集以及如何聚集。莫兰指数可以分析某一变量在不同尺度上的集聚程度，研究区生态脆弱性在空间上是否有聚集特征可用全局莫兰指数量度，局部莫兰指数可用于衡量研究区生态环境脆弱性的空间聚集方式[29]。

（六）生态脆弱性演变驱动力分析方法

由王劲峰和徐成东（2017）[30]提出的用于研究空间分异性与驱动机制等方面的地理探测器（Geo Detector）应用十分广泛。本文借助其中的因子探测器探测分析影响研究区生态脆弱性与其各驱动因子之间的定量相关性。该模型用因子解释力Q 进行度量，Q 值越大则评价指标对生态环境脆弱性指数的贡献越大，反之越小[31]，公式如下：

式（6）中，Q 为评价指标对生态脆弱性的解释力，范围在0～1 之间，n 为样本数，L 为指标分类数，nh为h 层样本量，表示h 层生态脆弱性指数的方差。

四、结果与分析

（一）研究区生态脆弱性等级时空分布特征

从空间分布状况看（见图2），研究区生态脆弱性指数整体分布空间差异十分明显，呈现出西北高、东南低的趋势。研究区极、高度生态脆弱区主要出现在研究区的北部、西北部以及西南等地区，整体呈收缩趋势，主要分布在人口聚集，人类活动剧烈、资源开发程度高、大力发展社会经济建设的神木市和榆阳区与位处高海拔，生态环境恶劣的定边县等生态系统所承受的压力大，生态系统自身恢复能力相对较弱的地区。其中，府谷县、靖边县和横山区内极、重度生态脆弱性等级出现大范围降级，演变成中度脆弱甚至出现零星轻度脆弱。生态脆弱程度较低等级的区域主要分布在气候相对适宜，有植被大面积覆盖，整体生态质量保护较好的东南地区，并有向外蔓延发展的空间特征趋势，其中微度脆弱等级集中在吴堡县和清涧县，黄河沿线地区生态环境有所好转，生态脆弱性等级由中度转向轻度和微度。

图2 2000 年（a）和2020 年（b）生态脆弱性等级分布图

从时间变化上看，由表4、表5 可知整体上2000年和2020 年2 期生态脆弱性等级主要分布在轻、中及高度脆弱区之间，尤其是中度脆弱区。微、轻度脆弱区面积大幅度增加，变化量面积分别占总面积的6.33%和15.44%，中度及以上区面积呈下降趋势，中度和高度脆弱区减少面积变化量占比分别为10.56%和10.68%。相较于2000 年，2020 年中度以上脆弱区占比虽然有所下降，生态环境形势转好，但是其占比仍超过一半。二十年间研究区各等级生态脆弱性相互转化的面积总和为23 619.93km2，总体上看，中度以上脆弱区转入更低度脆弱区的面积明显高于微、轻度脆弱区转入更高度脆弱区方向转移的趋势。这主要是由于榆林市一贯严格执行环境保护措施，实施退耕还林还草、水利水保等多项生态修复工程，使生态环境得到稳定有序的发展。研究区生态脆弱性正向转移面积大于负向转移面积，整体生态状况呈好转趋势，反映出研究区生态状况的改善趋势。

表4 不同等级脆弱性面积对比

表5 生态脆弱性等级面积转移矩阵（km2）

（二）研究区生态脆弱性空间自相关性

2000 年和2020 年全局Moran's I 值分别为0.798、0.829，数值呈上升趋势，都通过了P＜0.01 的显著性水平检验，且Z 值均大于2.58，表明在99.9%置信度下的研究区生态脆弱性存在显著的正相关关系，即生态脆弱性指数在空间分布上存在显著集群现象，生态脆弱性指数与地理位置之间有着较强的正相关关系。通过计算局部莫兰指数，由图3 可以看出，2000 年和2020 年研究区生态脆弱性的集聚结构差异较小，“高-高”聚集型地区在收缩，“低-低”聚集型区域不断外扩。“高-高”聚集型地区主要集中在定边县中部和北部、靖边县和横山区的北部以及榆阳区和神木市的大部分地区，这些地区生态环境状况差，生态调节功能不足。“低-低”聚集型区域大致分布在南部佳县、米脂县、子洲县、吴堡县、绥德县和清涧县，这些地区生态条件较好。总体空间聚集分布情况与同一时期的研究区生态脆弱性分布图大致相同。“高-低”和“低-高”地区主要分布在“高-高”和“低-低”聚集型地区周边，表明研究区的生态脆弱性相对稳定，不太可能发生突然急剧改变。

图3 2000 年（a）和2020 年（b）生态脆弱性LISA 集聚图

（三）研究区生态脆弱性时空格局变化驱动力分析

利用地理探测器中因子探测模型对2000—2020 年导致研究区生态脆弱性时空分布发生变化的各驱动因子进行统计分析，其各个驱动因子对研究区生态脆弱性指数解释力的大小如表6 所示，p值都为0，说明13 个生态脆弱性评价指标通过显著性检验。2000 年从指标层方面，对研究区生态脆弱性影响最大的3 个因子为年降水量、植被覆盖度、干燥度，其次是人口密度、土地覆盖类型、高程、年均气温，其他因子对于研究生态脆弱性的影响相对较小。可知，整体范围内年降水量和植被覆盖的程度对研究区生态脆弱性定量解释力最大，即年降水量与研究区生态脆弱性结果之间呈现最大的空间分布相似性，植被、干燥度、人口密度、土地覆盖类型等因素次之。气象因子和植被因子等自然驱动力对研究区生态脆弱性变化起到主导作用；人为驱动力方面，人口密度等社会经济因子和开发利用程度较大的土地覆盖类型因子对研究区生态脆弱性影响程度次之，说明了人为因素同样不容忽视。2020年，因子解释力由高到低主要为年降水量、年均气温、植被覆盖度、人均GDP、干燥度、净初级生产力、高程等，剩余因子影响相对较小。两年结果对比表明，这些驱动因子对于生态脆弱性的解释力略有不同，但主要因子基本相同，气象因子和植被因子等自然驱动力依旧起主导作用，且对研究区生态脆弱性的解释力加强。

表6 生态脆弱性地理探测器解释因子Q 值结果统计表

五、讨论与结论

本文基于SRP 评价概念模型，从自然和社会两个角度出发，建立由3 个准则层指标，6 个要素层指标，13 个指标层指标构成的榆林市生态脆弱性评价指标体系，通过空间主成分分析法进行指标权重赋值，提升了评价结果的客观程度，增加体系结合GIS技术在地理信息系统软件的支持下，构建榆林市生态脆弱性评价指数模型和指数分级标准，使得成果能充分反映该地区生态环境基础特点。通过运用空间相关性方法和地理探测器模型为榆林市生态脆弱性评价工作提供技术途径，对其时空分布特征及演变进行分析，得到以下结论：

一是从空间上，榆林市生态脆弱性指数整体呈现出西北高、东南低的趋势。极、高度生态脆弱区主要分布在古长城以北的风沙草滩区，生态脆弱程度较低等级的区域主要分布在南部六县，并有向外蔓延发展的空间特征趋势。时间上，2000—2020 年榆林市生态脆弱性等级主要处于轻度、中度及高度脆弱区之间，其中，中度以上脆弱区面积不断减少，生态脆弱性正向转移面积大于负向转移面积，整体生态状况呈好转趋势。

二是榆林市生态脆弱性空间聚集性整体上逐渐增强，生态脆弱性指数与地理位置之间有着较强的正相关关系。“高-高”聚集型地区在收缩，“低-低”聚集型区域不断外扩，这与同一时期的研究区生态脆弱性分布图基本一致。

三是从榆林市生态脆弱性演变驱动力分析来看，各指标对生态脆弱性的影响均为显著，区内自然驱动因子对生态环境脆弱水平的作用相对地区人为因素而言占据主导地位，特别是年降水量、植被覆盖程度、年均气温、干燥度、土地覆盖类型等的驱动作用；驱动因素中人均GDP、人口密度、净初级生产力、高程也对地区生态环境产生了一定程度上的作用。植被覆盖度，土地覆盖类型变化，土壤水蚀和风蚀程度、土地垦殖率甚至降水气温都间接或直接受到人类各种不合理甚至过度活动的影响，人类应提高生态保护意识、加强生态环境保护和建设工程的实施，这样地区生态环境质量才会越来越好。