苏州湿地鸟类多样性热点时空分布变化及其影响因素研究

姜琳琳,张 怡,杨羽佳,朱元航,穆 清,杨朝辉① (.苏州科技大学地理科学与测绘工程学院,江苏 苏州 5009;.英国伦敦国王学院自然科学与数学学院,英国 伦敦 WCR LS;.苏州科技大学环境科学与工程学院,江苏 苏州 5009)

受经济发展和人类干扰活动的影响,目前我国湿地环境状况并不理想[1],湿地生物多样性同样受到威胁。鸟类作为湿地生态系统的敏感组分,是指示湿地生态风险的重要生物指标,其多样性监测重要性在制定湿地保护措施方面已形成共识[2]。水鸟常栖息于湿地,具有高度湿地特征,用于研究湿地鸟类多样性监测问题更具代表性。

目前已有多种物种分布模型可用于物种多样性热点及生境适宜性的判别,大体上可分为机理模型、回归模型、机器学习模型和生态位模型。以栖息地适宜性指数(HSI)为代表的机理模型客观性弱,不适用于过多环境变量;回归模型和机器学习模型对数据的要求较高,前者需要物种不出现点数据,后者需要大量训练数据;而生态位模型兼具生态学意义和数据弹性优势,适用性更强[3]。在生态位模型中,与GARP、Bioclim和Domain等模型相比,最大熵模型(maximum entropy model, MaxEnt)具有小样本、高精度的优势[4],利用物种当前存在点即可得到精确的空间分布,预测物种的潜在分布,并得到环境因子的影响程度和响应曲线[5]。在影响因子探究方面,不少学者[6-8]采用典范对应分析法(CCA)和结构方程模型(SEM)探究湿地鸟类多样性的影响因子,前者存在“弓形效应”,受稀有物种影响较大,后者允许变量偏差[9],但依赖现状数据,也无法探究变量响应变化,因此,使用MaxEnt模型进行影响因子的效果分析相对更好。马星等[10]、罗绮琪等[11]分别构建MaxEnt模型研究当前不同区域水鸟的多样性热点,但没有考虑水鸟多样性热点分布的时间变化差异。

因此,该研究参考曹铭昌等[12]的方法,在考虑年际差异的基础上引入湿地生态环境数据,基于MaxEnt模型模拟苏州市2018、2019和2020年水鸟分布,研究其多样性热点和时空分布变化规律,以期为开展鸟类资源管理监测、湿地保护修复、湿地生态系统分析和生态恢复效果评估提供理论依据和数据支撑。

1 数据与方法

1.1 研究区

以苏州全域作为研究区域。苏州境内河流稠密,湖泊众多,具有丰富的湿地资源。目前研究区内共布设漫山岛湿地、太湖绿洲湿地公园和张家港沿江观测点等15个鸟类观测监测点(图1)。

图1 研究区域与苏州鸟类监测点Fig.1 Study area and birds monitoring points in Suzhou

1.2 鸟类分布数据

鸟类分布数据来源于中国观鸟记录中心网站(http:∥www.birdreport.cn/)由志愿者上传的监测数据。2020年苏州开始新增鸟类监测点,但缺乏科学的点位布局依据,因此,选取2018—2020年作为研究时间范围。使用Python的Selenium库下载中国观鸟记录中心网站的鸟类分布数据,共获得2018—2020年苏州全域4 495条观鸟记录,从中筛选出54种水鸟。由于同种鸟类观测数据存在重复、记录过少和位置临近情况,故利用ArcGIS 10.4的缓冲区工具和空间连接工具筛选出大于10条记录的同种鸟类数据,且在每个500 m × 500 m网格内仅保留1条同种鸟类数据[13],共得到有效水鸟观鸟记录1 560条,包括41种鸟类〔附录1,根据《中国鸟类分类与分布名录》[14]进行分类〕,其中,有14种留鸟和27种迁徙鸟。每条记录包含物种名称、数量、调查坐标和观测时间等信息。利用GeoHey坐标转换插件将原始的百度坐标系转换为WGS84坐标系。

1.3 遥感影像及其处理

研究所使用的遥感影像集为Sentinel2-L2A产品,该产品已由欧洲空间局(European Space Agency,ESA)进行辐射定标、大气校正等预处理操作。利用谷歌地球引擎(GEE)平台(http:∥earthengine.google.com/)选取2018、2019和2020年Sentinel 2全部遥感影像进行均值合成,使用QA波段去云,并用苏州矢量边界进行裁剪。选取苏州植被生长季(4—9月)时期影像,采用最大值合成方法计算得到2018—2020年归一化植被指数(NDVI)均值。影像数据和NDVI数据通过GEE平台的在线API进行下载。

为避免NDVI与植被覆盖度计算产生相关性,影响模型精度,选取多端元线性光谱混合模型计算植被覆盖度。构建了三端元模型[15-16],基于几何顶点提取端元(图2),并使用完全约束最小二乘混合像元分解法(FCLS)进行像元分解。选取3个1 500 m×1 500 m样区,分别计算区域分解结果中像元平均值及目视解译植被类型面积占样区面积比值,计算均方根误差(RMSE)进行精度验证。结果显示,样区1、2和3的RMSE分别为0.107 4、0.037 8和0.203 6。RMSE越接近0,说明分解精度就越高[17]。

图2 最小噪声分离变换(MNF)前3个成分空间特征Fig.2 Feature space representation of the first three minimum noise fraction(MNF) components

1.4 环境数据

结合前人研究[18-22]及水鸟习性偏好,从气候、生境、人类干扰和影像特征4个方面选择22个相关环境因子。其中,影像纹理特征基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)得到,包括均值(mean)、方差(variance)、协同性(homogeneity)、对比度(contrast)、相异性(dissimilarity)、信息熵(entropy)、角二阶矩(second moment)和灰度相关性(correlation)。为避免因环境数据冗余和属性信息重叠[23]而影响模型模拟精度,对环境数据去除多重共线性和高相关性(附录2～7)。剔除方差膨胀因子(VIF)大于10、Pearson相关系数绝对值均大于0.8的因子后,3年影响因子略有差异,其中,主要影响因子基本相同。筛选后的14个影响因子信息见表1。

表1 用于鸟类分布模拟的环境因子Table 1 Environmental factors used for bird distribution simulations

2018—2020年温度等气象数据来源于国家科技基础条件平台——国家地球系统科学数据中心(http:∥www.geodata.cn)。2020年土地利用数据来源于GlobeLand30网站(http:∥www.globallandcover.com)。距离水源距离通过对土地利用数据中水体成分计算欧式距离得到。人口密度栅格数据基于苏州市第七次人口普查公报数据进行修正。道路矢量数据来源于OpenStreetMap网络地图(https:∥extract.bbbike.org),经筛选后保留主要道路。

景观开发强度指数[24-25]基于GlobeLand30土地利用数据,对耕地、林地、草地、灌木地、湿地、水体、人造地表和裸地分别赋值2.77、1.58、2.77、1.83、1.00、1.00、8.66和1.00后通过栅格计算得到,计算公式为

ILD,index=∑ULi×ILDi。

(1)

式(1)中,ILD,index为区域内LDI综合指数;ULi为第i种土地利用类型面积占目标区域面积的百分比;ILDi为该土地利用类型对应的LDI系数。LDI系数表征不同土地利用类型单位面积单位能耗的开发强度,数值依据参见文献[25]。

基于高德地图SDK方式获取兴趣点(point of interest,POI)原始数据。POI数据是基于位置服务的地理对象信息点大数据,能够反映人地关系[26],多应用于城市空间结构识别和优化。对原始数据进行清洗后得到173 602条数据,共计20个类别,将相近的类别合并为7大类(表2)。其中,影响因子权重系数的确定参考LDI系数值。

表2 兴趣点(POI)数据重分类与对应的影响权重系数Table 2 POI classification types and corresponding weights

利用ArcGIS 10.4将所有上述环境变量都统一到相同坐标系WGS84_51N,并重采样至相同范围,分辨率为30 m×30 m。

1.5 MaxEnt模型的构建

将筛选后的2018—2020年41种鸟类地理分布数据和14个环境因子按年份分别输入MaxEnt 3.4.4进行初步模拟,随机选取75%的分布点记录作为训练集,剩下25%的分布点记录用于模型验证,模型重复运行10次,结果输出类型选择Logistic模式,其余参数则均使用默认值[11]。采用刀切法(Jackknife)得到模型预测结果中各因子的贡献度,据此调整环境因子。最后共得到3年41种水鸟1 230 组训练数据,以此为基础构建全部鸟类多样性热点格局。

采用受试者特征曲线(receiver operating characteristic curve,ROC)对模型的模拟预测效果进行精度评价。ROC曲线下面积(area under curve,AUC)值范围为[0,1],模型预测结果的精度与数值大小呈正比。模型精度标准:AUC值范围为0.5～0.6,模型精度等级为“失败”;>0.6～0.7对应“较差”;>0.7～0.8对应“一般”;>0.8～0.9对应“良好”;>0.9～1.0对应“优秀”。

2 结果与分析

2.1 MaxEnt模型精度及其影响因子结果

模型显示2018—2020年总体物种平均AUC值分别为0.812、0.828和0.809,模型预测精度良好。对各环境因子的平均贡献度进行排序(图3)可知,影响鸟类分布的主要环境因子为POI核密度、土地利用类型、年平均降水量、距离水源距离和植被相关指数,同时表明所引入的POI数据在一定程度上对苏州市水鸟多样性热点分布格局的构建起关键作用。由41种水鸟的环境因子响应曲线可知,POI核密度在整体上对水鸟分布产生负效应;土地利用类型中湿地、水体、耕地和草地水鸟出现概率更高;降水曲线呈倒“V”型,在理想阈值内起正向作用,超过该范围则表现为负相关;距离水源距离因素与水鸟分布适宜性呈负相关,即距离越小,适宜性越高;植被相关指数的正向效果不明显,曲线较为平缓,整体概率水平为0.5。

各环境因子名称的中英文对照见表1。图3 各环境因子对苏州市水鸟潜在分布的贡献度Fig.3 The contribution of various environmental factors to the potential distribution of waterbirds in Suzhou

2.2 影响因子分析

研究表明,苏州市41种水鸟多样性热点分布格局的共同主要影响因子为POI核密度、土地利用类型、年平均降水量、距离水源距离和植被相关指数。但由于不同鸟类习性存在差异,环境因子对各水鸟的影响差异显著,以2019年的模型结果为例,降水对琵嘴鸭、草鹭和灰头麦鸡等的影响较大,对白胸苦恶鸟、黑翅长脚鹬和金眶鸻的影响较小。琵嘴鸭在苏州属于冬候鸟,偏好生境为滩涂、沟渠、开阔水域,少量活跃于农田生境[27],以植物为主食,也滤食浮游生物等,多样性分布受土地利用类型、距离水源距离和植被指数要素影响,符合实际情况。白胸苦恶鸟栖息于灌丛、稻田、河道、芦苇等生境类型[14],也生活在人类住地附近,善奔走,在苏州属于留鸟,因此受降水影响小,更易受POI核密度和土地利用类型的影响。

2018—2020年主要环境因子贡献度高值次序有一定变动。其中,POI核密度和土地利用类型相对稳定,这是由于人为干扰和生境偏好相对更加直接且持续性地影响鸟类多样性[27],同时对留鸟的影响更加稳定。此外,降水直接影响退水间隔时间和水位波动变化,间接影响植被最大覆盖度[28-29],也是影响越冬雁鸭类水鸟栖息和觅食活动的关键因素。而不适宜的水位条件会更改水鸟生境选择决策,使得种群数量减少[30]。苏州2018—2020年降水量分别为1 369.2、1 120.9和1 569.6 mm,通过对比多种鸟类的降水响应曲线得知2019年水位相对适合,最佳降水量约为1 150 mm,2018和2020年最佳降水量均小于1 000 mm,超过最佳降水量阈值后,降水量与水鸟出现概率呈负相关。最高水位过高反而不利于水鸟栖息,附近适宜的河道、滩涂等生境类型转而成为更佳选择,因此,降水量的影响力也随之下降。

引入结合土地利用和人类开发活动的景观开发强度指数(LDI)对水鸟分布进行模拟,结果显示其贡献度在3年中均小于5%,大部分水鸟出现概率约为0.5,个别水鸟如白胸苦恶鸟、白腰草鹬等达到0.65水平,说明在一定程度内的开发对鸟类分布的影响程度不大。此外,部分人类活动促进了多重景观的构建,能够增加部分边缘生境鸟类的多样性[18]。同时,笔者研究引进表征植被的指数进一步探究植被与水鸟分布的关系,包括NDVI、利用混合像元分解得到的FVC和遥感影像的纹理特征。其中,纹理特征体现了植被和生境的异质性[31]。通过多重共线性检验,2020年的影响因子中仅有FVC,说明该年FVC与NDVI有共同趋势,且NDVI存在饱和效应,使用植被覆盖度的效果更好。因子贡献度结果表明纹理特征的贡献度并不稳定,2018年最高贡献度为4.6%,2019和2020年最高贡献度均低于2%,NDVI和FVC的贡献度均较小,可能是由于植被处于生长季,茂密植被不是大部分水鸟的理想栖息地[7]。此外,植被指数对水鸟分布的影响差异也较大,其响应曲线变化既有上升和下降的,也有呈现平缓趋势的。

对于迁徙水鸟的保护,需要更加关注气候因子的变化,目前已有保护点采取营造四季水田的方式提供补偿栖息地。此外,各鸟类保护点需加强生境修复,重视多重景观的构建,确保栖息地的完整性,营造沿线水岸过渡带,注重水环境管理,减少人类活动干扰,提高栖息地生物多样性,并进一步解决冬季等食源供给问题。

2.3 鸟类多样性热点地区格局及其变化

按照全部鸟类、留鸟和迁徙鸟这3种分类方式,对41种水鸟MaxEnt模型潜在分布预测二值化结果进行叠加分析,构建苏州市水鸟多样性热点空间分布格局[10]。对多样性热点分布格局采用自然间断点分级法划分,得到在数值上递减的5个等级热点分布。

根据MaxEnt模型的预测结果(表3),水鸟的潜在分布高度依赖水体和耕地,自然生境仍然占据主导,多样性相对高的区域生境类型主要有湖泊湿地、河流和次生山林,分别呈面状和条带状分布。在两类人工生境中,耕地波动起伏大,增速快,尤其是对于留鸟类型的热点区域,该生境2018—2020年间增加370.526 km2,人造地表分布面积稳定排在末位。水鸟分布热点地区显著扩张,各生境类型都有不同程度的增加,水鸟适宜性逐年提升。对比2020年3大类鸟的分布面积,留鸟的活动范围最广,为1 213.195 km2,其次是迁徙水鸟,为670.346 km2。

表3 不同土地利用类型水鸟多样性热点区域面积Table 3 Area of different types of waterbirds diversity hotspots under different land use types

2018—2020年苏州市水鸟多样性热点地区空间分布格局见图4。

a1、a2和a3指2018—2020年栖息或经常栖息于湿地的全部水鸟(包括留鸟和迁徙鸟);b1、b2和b3指2018—2020年全年留居繁殖地的留鸟;c1、c2和c3指2018—2020年随季节不同周期性进行迁徙的迁徙鸟。图4 2018—2020年苏州市水鸟多样性热点地区空间分布格局Fig.4 Spatial distribution pattern of waterbirds diversity hotspots in Suzhou for 2018-2020

热点地区空间分布结果〔图4(a1)～(a3)〕表明,全部水鸟多样性热点地区分布面积广阔且变化显著,主要集中在苏州北部沿长江地带的沿江滩涂湿地和东南部环太湖的大型湖泊湿地,包括张家港沿江、太湖绿洲湿地公园和震泽湿地公园监测点,小部分集中在以阳澄湖湿地公园、同里湿地公园和淀山湖为主的中南部(2018年),以漕湖、南湖和尚湖为主的西部(2019年),以贡山岛、漫山岛为主的太湖岛屿和最东南端的江滩湿地公园(2020年)。长江及太湖范围内热点地区进一步扩大,其中2019年的连片性最好。高热点地区具有滩涂湿地、芦苇湿地、开阔水域、开阔农田、水上浮岛等丰富多元的生境类型优势,为水鸟营造了良好的栖息和觅食环境。次热点地区临近热点地区,集中在吴中区太湖区域、同里湿地公园、以阳澄湖为主的湖泊湿地(包括震泽荡和傀儡湖)和以穹窿山为主的次生山林,包括热点地区外围的小部分地区,分布面积较小,总体分布位置较稳定。次生林的管理培育往往降低人为干扰影响,作为鹭鸟等的营巢和繁殖地更理想,且穹窿山靠近太湖,觅食来源有保障。次热点地区的变化尤以东部部分区域显著,2020年水鸟开始活跃于太丰西庐生态湿地公园和金仓湖湿地公园的辐射区域。中等地区在2018—2020年间分布面积明显增加,分布范围较为广泛,集中在次热点地区外围,在沿江和太湖外围呈条带状分布,少部分分散呈点状分布。

留鸟多样性热点区域的整体分布〔图4(b1)～(b3)〕与同年全部水鸟的热点区域分布吻合度较高,较全部水鸟连片性偏低,在苏州湾区域较为显著;2018—2020年年际间对比可知,3年内热点地区分布差异性较大,北部沿江区域鸟类分布变动较大,南部吴江太湖区域不再是热点中心,更多水鸟朝北向虎丘区太湖集中,破碎化程度逐渐上升。次热点区域分布最广,在2019—2020年间激增,主要体现在吴江区和昆山市,覆盖了吴江区同里湿地公园监测点和湖泊密集区域,包括北麻漾、北南莺荡、大渠荡、三白荡和元荡等,该区域连通性较好,整体性较高,昆山的次热点区域新增天福湿地公园及其周边公园湖泊绿地,例如天镜湖公园、印溪生态湿地公园等。中等地区留鸟分布较全部水鸟分布向南偏移、向东扩散,且沿水系分布,例如2020年姑苏区护城河区域水鸟呈条带状分布格局。

迁徙水鸟的热点地区〔图4(c1)～(c3)〕与全部水鸟、留鸟多样性分布差异性小,部分位于苏州西部,北部沿江地区丰富度更高,南部环太湖区域的适宜性也更高,受苏州市内水系的影响程度降低,中等地区面积变动不明显,次冷点地区占比相对更小,冷点地区占比更大。

2.4 水鸟监测点分析

通过设置2019年鸟类监测点的3.5 km缓冲区(图5),可以看出2019年布设的15个鸟类监测点辐射范围有限,在苏州北部和中部存在明显的鸟类监测保护空缺,难以监测到鸟类完整的栖息地活动,且各监测点连通性较差,无法满足覆盖苏州全境的湿地鸟类多样性监测需求。

图5 苏州市水鸟多样性热点地区和监测点Fig.5 Hot spots and monitoring points of waterbirds diversity in Suzhou

3 讨论

该研究综合选取年均降水量、年均湿度、年均温度、年均最高温、年均最低温、DEM、距离水源距离、土地利用数据、道路密度、POI核密度、人口密度、LDI指数、NDVI指数和FVC指数14个环境特征指标,以及灰度相关的8个影像纹理特征指标,共22个环境因子进行模拟研究。经因子筛选后去除温度与部分纹理特征指标,参考了大部分学者的做法,使用了较多的气候数据,这可能是因为影像反映的辐射反射率能体现太阳辐射与温度特点。

随着3S技术的发展,结合空间遥测技术进行水鸟生境适宜性评价成为研究热点[32],已有不少学者的研究表明影像纹理用于预测鸟类分布效果较好,尤其是对于栖息地异质性高的鸟类存在较好的正相关性[33]。笔者研究表明纹理特征与水鸟的分布有一定相关性,但并不稳定,也不显著,响应曲线主要表现为平缓和上升,而袁玉洁等[34]研究表明植被类型数对水鸟分布具有显著影响,可能是由于单一时相的30 m分辨率影像辨识植被类别能力相对较差,且苏州处于平原,境内湖泊、河流及耕地广布,林地面积相对较少,表征植被类型的部分纹理差异也相对较小。此外,研究表明NDVI的贡献度不高,这与马星等[10]和罗绮琪等[11]的研究结果一致,植被生长季FVC指数的影响力同样也不强。

图6 3种典型鸟类出现概率对2020年兴趣点(POI)核密度因子的响应曲线Fig.6 POI kernel density factor response curves of three typical birds

图7 苏州市兴趣点(POI)核密度Fig.7 POI kernel density of Suzhou City

根据《2015苏州湿地保护情况年报》(http:∥ylj.suzhou.gov.cn/szsylj/sdnb/202001/55ad2b89d00f42418d1997f398996b4f.shtml),2019年15个鸟类监测点最早设置于2015年,苏州鸟类监测处于起步阶段,各监测点的设置也更聚焦于湿地环境,从市域范围来看,存在一定的局限性。近年来,苏州紧紧围绕长江大保护、长三角生态绿色一体化等战略,深入推进湿地保护与修复,各鸟类监测点的影响力和重要性也在不断提升。

根据2018—2020年热点地区分布格局及湿地水鸟习性偏好,建议增设15处鸟类监测点(图8),从北至南依次是双山岛区域,通沙码头区域,望虞河沿线,张家港常阴沙湿地和常熟铁黄沙湿地区域,南湖、尚湖和昆承湖区域,太丰西庐生态湿地公园、金仓湖湿地公园和印溪生态湿地公园片水系,江滩湿地公园区域,漕湖-长洲苑湿地公园区域,阳澄湖-傀儡湖区域,金鸡湖-独墅湖区域,西山风景区,穹窿山-苏州湾区域,淀山湖区域和北麻漾至元荡湖泊密集区域,逐步完善苏州湿地鸟类监测网络。此外,在近期规划中,应当着重关注北部沿长江和南部环太湖的鸟类栖息地,进一步加密监测点,并协同无锡、上海和浙江,加强区域生态保护、防治和监管。

图8 苏州市水鸟监测点建议增设区域Fig.8 Suggested additional areas for waterbirds monitoring points in Suzhou

4 结论

最大熵模型作为主流的生态位模型之一,具有预测精度更高、样本数据量弹性大等优势。在物种分布的时空变化研究方面,少有学者利用MaxEnt模型进行相关分析。该文考虑年际差异,基于MaxEnt模型和14个环境因子,探究了苏州2018、2019和2020年湿地水鸟多样性热点时空变化及其影响因素,得到以下结论:

(2)苏州水鸟分布受到自然因素和人为活动的综合影响,其中POI核密度、土地利用类型、年平均降水量、距离水源距离和植被相关指数对其影响较大,从整体上来看,水鸟出现概率与POI核密度指数、年平均降水量和距离水源距离之间呈负相关,且是考虑单因子还是考虑其他因子的不同POI类型的影响作用不同。受气候条件影响,主要影响因子贡献度次序会产生一定变动。对于迁徙水鸟的保护,需要更加关注气候因子的变化。景观开发强度指数(LDI)和纹理特征因子的贡献度3年中均小于5%,表明在一定程度内的开发对鸟类分布的影响程度不大,且茂密植被并非水鸟的理想栖息地。

(3)随着苏州湿地保护修复成效的日益显著,苏州吸引了更多水鸟,各监测点的重要性也在不断提升,因此建议增设15处鸟类监测区域,完善湿地鸟类监测网络。

该研究引入生态研究领域应用较少的POI数据和LDI指数,进一步探究了水鸟与人类开发活动的关系,其中POI数据作为模型的主导环境因子对鸟类多样性热点分布格局的构建意义重大。该文使用了单一POI核密度指数进行简单分析,而不同性质的POI数据对水鸟分布具有明显不同的正负效应,因此在今后的研究中需要考虑不同POI小类的影响作用。此外,由于该文的水鸟数据来源于中国观鸟中心网站,存在数据总量较小、类别不齐全和分布不均匀等局限性,无法进一步探究季节尺度的变化,模型结果存在一定程度的偏差,需要在未来的研究中积累更多的鸟类调查数据。

附录

附录1 调查鸟类名录

Appendix 1 Survey bird list

http:∥www.ere.ac.cn/attached/file/20240117/20240117105355_647.pdf

附录2 2018年12个环境因子的容差和方差膨胀系数

Appendix 2 Tolerance and variance inflation factors of 12 environmental factors in 2018

http:∥www.ere.ac.cn/attached/file/20240117/20240117105421_371.pdf

附录3 2019年13个环境因子的容差和方差膨胀系数

Appendix 3 Tolerance and variance inflation factors of 13 environmental factors in 2019

http:∥www.ere.ac.cn/attached/file/20240117/20240117105449_311.pdf

附录4 2020年12个环境因子的容差和方差膨胀系数

Appendix 4 Tolerance and variance inflation factors of 12 environmental factors in 2020

http:∥www.ere.ac.cn/attached/file/20240117/20240117105514_891.pdf

附录5 2018年12个环境因子间相关系数

Appendix 5 Correlation coefficients between 12 environmental factors in 2018

http:∥www.ere.ac.cn/attached/file/20240117/20240117105546_172.pdf

附录6 2019年13个环境因子间相关系数

Appendix 6 Correlation coefficients between 13 environmental factors in 2019

http:∥www.ere.ac.cn/attached/file/20240117/20240117105618_96.pdf

附录7 2020年12个环境因子间相关系数

Appendix 7 Correlation coefficients between 12 environmental factors in 2020

http:∥www.ere.ac.cn/attached/file/20240117/20240117105637_447.pdf