原始研究的文章

前面。环绕。科学。,10January 2023
秒。土地利用动态
卷10 - 2022 | https://doi.org/10.3389/fenvs.2022.1058792

模拟、预测和生态风险的驱动因素分析Savan区,老挝

徐Xuexian ¹,

彭玉玲 ¹*和 www.雷竞技rebatfrontiersin.org

秦蕴结²

¹土木工程与建筑学院、武汉理工学院,武汉,中国
²广东番禺勘察设计有限公司,广州,中国

作品简介:近年来,老挝,以其独特的地理优势,大力发展海外贸易和文化旅游业,促进了当地经济的发展,介绍了众多生态环境问题。

方法:因此,本研究把Savan区为研究区域,建立了景观生态风险评估模型的时空演化特征Savan地区从2000年到2020年的生态风险。然后,Geodetector模型用来解释的变化背后的驱动力景观的生态风险。最后,Markov-PLUS耦合模型被用来模拟和预测土地利用的变化模式,并于2030年在Savan区生态风险。

结果:以下结果。1)Savan地区景观类型主要是耕地、林地、景观破碎度和度最低的损失,和未利用土地的景观损失程度最高。2)从2000年到2020年,平均整个研究区域的生态风险指数很低,每年呈下降趋势,与低风险区域的面积占90%以上。3)2030年,整个的平均生态风险指数Savan区和两个省将上升,与此同时,低风险地区中西部地区和高危地区西北部将会增加。

讨论:本研究可以指导未来的社会经济和生态环境协调发展Savan区,老挝,和有很好的参考意义的生态建设类似东南亚地区。

1介绍

生态环境是人类生存的基本空间和社会和经济发展的先决条件,它关系到整个社会的健康和可持续发展。自21世纪以来,随着城市化进程的深化发展,大力发展经济和人类利用地球的资源,这不可避免地导致一系列的生态和环境问题,如森林资源的破坏、水土流失、沙漠化、城市烟雾,土壤干旱、洪水、水污染、不平衡的酸度和碱度和自然资源的枯竭高et al ., 2011;Mondal et al ., 2021)。因此,判断和模拟科学、准确的生态风险水平是高度重视全球生态环境保护和研究的重要参考制定生态环境保护和预防政策。

生态风险是用来衡量生态系统的负面影响和损失在面对外部环境变化和人类活动(彭et al ., 2015)。加强景观生态风险评估,预防和化解重大风险的生态环境,提高预警能力的潜在生态风险是目前人类生态文明建设的紧迫任务。在1994年,委员会定义风险评估方法综合生态风险评估框架,包括四个部分:风险识别、风险评估,我们评估和风险描述;委员会还介绍了非常详细的指导意见的问题有待解决,研究需求和研究生态风险评估机制(Barnthouse 1994)。在2001年,Kapustka et al。(2016)发现土地利用变化可以有相当大的负面影响野生动物栖息地的生态风险评估,提出将景观生态学的生态风险评估的过程,这将提高生态风险评估和提供有价值的信息。2004年,Ferrarini发表了通过景观生态风险评估的科学方法,表明土地利用政策的影响研究生物完整性的风险应该按照“自然价值”和“脆弱性”通过构造景观生物完整性的风险评估,结合相关指标人为干扰(Ferrarini 2004)。

全球学术研究生态风险主要分为环境科学(分钟et al ., 2013;徐问:et al ., 2021)、生态(温家宝,2011),公共环境卫生Charabi et al ., 2018)、动物学(Flores-Serrano et al ., 2014)、毒理学(Fural et al ., 2021)和生物多样性保护(Nawrocki et al ., 2019)和其他方向。作为研究区而言,它主要是流域(朱et al ., 2022)、湿地(Malekmohammadi Blouchi, 2014;李et al ., 2020)、沙漠绿洲(汉et al ., 2022)和其他关键生态保护区和重金属工业领域如工矿荒地(彭et al ., 2016)。目前,学术界的生态风险评价方法一般可以分为基于风险的评估source-risk受体(《福布斯》和Calow, 2013基于景观格局()和评估崔et al ., 2018),后者已经成为一种常见的生态风险的研究范式。在实际规划决策中,决策者的偏好不同的目标往往会影响未来生态风险的发展趋势。因此,许多学者试图探索未来场景发展带来的生态环境影响结合multi-scenario模拟与生态风险评估模型,以提供科学依据城市生态环境保护和土地空间规划。现有的生态风险模拟和预测的研究主要使用CA-Markov (田et al ., 2021)、流感(徐w x et al ., 2021),CLUE-S (Zhang et al ., 2021)和其他模型。Patch-gene评价土地利用模拟(+)模型应用随机森林分类算法更好的矿山景观类型的潜在驱动因素,模拟景观的演变从补丁级别、类型和适用于其他领域和过程大规模流程与局部动态交互(高et al ., 2022)。此外,生态风险的驱动因素的讨论也是目前的一个研究热点。它的主要目的是揭示了内部原因影响生态风险的时空变化,并提供科学性和准确性的基础在未来的时空模拟生态风险。研究方法主要包括逻辑回归(田et al ., 2022),地理探测器(Karimian et al ., 2022)、主成分分析(Kumar et al ., 2020)和地理加权回归模型(Yu et al ., 2020)等。与其它方法相比,地理探测器可以更好的检测影响因素和解释他们的交互,因此广泛用于驱动因素的研究。

老挝不仅是友好邻邦与山水在中国东南部,但也积极参与的策略构建“带和道路倡议”(段和刘,2020年)。促进老挝的经济和生态发展也是一个重要的先决条件加强中国和老挝之间双边贸易水平(Renkeyao居尔,2018年;梁et al ., 2019)。近年来,随着经济水平的持续改进的老挝、问题,例如增加城市人口压力,土地利用退化和自然资源的枯竭,随后出现了。土地和森林资源的肆意开采造成严重的水污染和土壤破坏,严重限制了农业的发展(江et al ., 2021)。城市也面临着大量的生活垃圾和其他环境问题是因为人口增长。因此,在追求经济发展的过程中,老挝必须充分协调经济增长与生态保护意识到城市的可持续发展。

总体而言,研究东南亚世界上很少和生态风险在老挝被大大限制。因此,老挝的Savan区为研究对象,本文进行了定量研究,研究区域的景观生态风险指数在2000年,2010年和2020年指的是景观生态学的相关方法。驱动因素影响生态风险的时空变异使用Geodetector模型被确定。构建Markov-PLUS耦合模型来模拟和预测生态风险的变化趋势Savan地区2030年旨在提供科学依据生态保护策略和Savan地区土地管理政策。

2材料和方法

2.1研究区

Savan区位于中南半岛北部,老挝,中南部为104°16′N - 106°47′E和15°52′-18°15′N,与越南在东方和西方的湄公河。总面积占全国土地面积的16%,人口占全国的20%。这个地区是老挝的地理和经济中心。此外,根据项目和我们的团队在这一领域的研究成果,这一领域的主要经济产业是农业,农业在老挝的核心区域,和其工业基础相对较弱(黄et al ., 2018)。Savan区包括Khammouan高原和沙湾拿吉平原,东部和西部的高和低的地形,分别。土地利用类型主要是林地,占大约80%的面积(彭et al ., 2021)。这个地区有一个热带季风气候,年平均温度约25°C。Savan区包括两个省25个县:10个县Khammouan省和沙湾拿吉省15个县。Khammouan省占地面积16315公里²和它的首都是他曲的城市。在2020年,这个省的人口大约是433600。与此同时,沙湾拿吉省占地面积21774公里²人口约1070,000年的2020人。因此,它是世界上最大和最多的在老挝。

Savan区有一个非常有利的地理位置,占领东盟经济圈的经济发展双重优势,大湄公河次区域合作经济圈。这个地区也是一个关键的节点城市“带和道路倡议”的发展战略。以其独特的地理位置,Savan区已成为一个重要的地理交通枢纽在印度支那半岛和老挝。图1是Savan的位置和2020年土地利用区。

图1

图1。研究领域:(一)位置;(B)民主党;(C)2020年土地利用。

2.2数据来源

一流的分类土地利用类型数据,从土地利用的网格数据获得Savan区,老挝,2000年,2010年和2020年,从全球土地30米全球土地覆盖数据下载网站(http://www.globeland30.org)。根据景观生态学的分类方法,研究区域的景观类型分为七种类型(彭et al ., 2017;罗et al ., 2019):耕地、林地、草地、湿地、水域、建设用地和未利用土地。

根据研究区域的生态环境现状和可用性的数据,10个类型的驱动因素数据选择从四个dimensions-terrain条件、土壤条件、位置条件和土地利用条件探索时空分布的影响因素Savan地区生态风险。在表1指标都显示,特定的因素。美国国家航空和宇宙航行局(NASA) EARTHDATA平台(https://www.earthdata.nasa.gov)提供的高程数据,从高程数据斜率数据翻译。土壤因子数据来自统一世界土壤数据库(http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-database/HTML/HWSD_Data.html?sb=4);人口密度数据被发现从2020年的100分辨率的人口数据,从Worldpop下载平台(https://hub.worldpop.org/project/categories?id=3);距离水源得到的数据在ArcGIS执行欧几里得距离分析;道路矢量数据从公开街道地图下载网站(https://www.openstreetmap.org/),然后在ArcGIS道路网密度数据生成;归一化差植被指数(NDVI)数据来自美国宇航局MODIS平台(https://modis.gsfc.nasa.gov/data/dataprod/mod13.php)。

表1

表1。Savan地区生态风险分类的司机。

2.3方法

2.3.1景观生态风险指数

景观格局指数中常用生态反映景观格局信息和量化生态景观的结构特点和演化过程(傅et al ., 2020)。根据研究目的和生态意义的景观指数,7种景观类型的补丁数据计算本文使用FRAGSTATS软件。景观干扰度(太阳et al ., 2014),然后计算了景观破碎度(王et al ., 2008)、景观分离(高et al ., 2011)和景观优势度(李和李,2008年);结合景观脆弱度(王et al ., 2005),一个生态风险评估模型可以构造(赵et al ., 2022)。指的研究陈et al。(2021),田et al。(2018)和其他学者,评价单位应两到五倍的平均斑块面积在研究区景观。因此,本文选择5公里×5公里的网格评价单元划分研究区域。每个土地利用类型的景观指数损失由Excel软件计算,然后计算每个网格的生态风险值在ArcGIS。

生态风险指数的计算公式是:

E R 我_{x 我} = \sum_{我 = 1}^{n} \frac{{年代}_{x 我}}{{年代}_{x}} R_{我} (1)

在情商。1,蓖麻_习代表的生态风险指数x评价单元;n的景观类型,数量和价值本文是6;年代_习代表类的面积我景观的x评价单元;年代_x景观总面积的吗x评价单元;R_我是景观损失指数,其计算方法所示表2。

表2

表2。解释和景观格局指数的计算。

2.3.2 Markov-PLUS模型

马尔可夫模型广泛应用于土地利用的相关研究,是一种稳定的随机模型没有后效(罗et al ., 2020)。未来土地利用的数量变化可以通过转换概率矩阵预测土地利用类型之间在一定时期内,和它的表达式如下:

{年代}_{t + 1} = P_{我 j} \times {年代}_{t} (2)

在情商。2,年代_t土地利用类型的当前状态;年代_{t + 1}表明在未来土地利用类型的状态;P_ij代表了土地利用类型的状态转换概率矩阵。

Patch-generating土地利用模拟(+)模型是一种土地利用变化模拟模型HPSCIL@CUS实验室开发的中国地质大学(胡锦涛等人。,2022年)。土地扩张战略分析(草地)和CA模型的多种随机补丁种子(汽车)预测和模拟土地利用,具有优越的解释(模拟精度高)。加上模型主要包括两个部分:

(1)土地扩张分析策略(草原)

通过草地模块,模型提取所有类型的土地利用扩张部分两个时期的土地利用变化过程中,样本的增加部分。开发每一种土地利用的可能性和驱动因素的贡献每一种土地利用增长这个时代使用随机森林算法计算,矿山土地使用每种类型的扩张和单独的驱动因素。

(2)CA模型的多种随机补丁种子(汽车)

+模型可以动态模拟补丁的自动化合成在时间和空间的约束下发展概率相结合机制的随机种子生成和阈值降低。虽然计算复杂,软件可以直接访问结果。最终实现时空动态模拟的补丁,需要的是建立土地需求数据和土地利用转移概率,等待程序,然后检查结果。

Markov-PLUS耦合模型不仅可以预测土地利用类型的数量也在太空模拟土地利用的变化。这个模型可以准确模拟土地利用类型的进化Savan地区2030年然后预测2030年的景观生态风险指数。

2.3.3 Geodetector模型

Geodetector的独特优势在于他们的能力来分析单个因素的影响和检测两个变量之间的因果关系(王、徐,2017;太阳et al ., 2021)。本研究主要应用因素和交互检测测试的自然环境和社会经济因素影响生态风险的空间分异研究领域和检测到的驱动因素研究区域景观生态风险。公式如下:

问 = 1 - \frac{1}{N σ^{2}} \sum_{h = 1}^{l} N_{h} σ_{h}^{2} (3)

在情商。3,问检测指标的驱动因素的影响生态风险和0≤问≤1;h= 1,,l分区的总数;N_h和N在每个分区的数量单位,整个研究区,分别; $σ_{h}^{2}$ 和 $σ^{2}$ 为每个次区域生态风险的方差和整个地区,分别。

3的结果

3.1景观格局变化的分析

使用FRAGSTATS景观指数计算软件和Excel的统计功能,景观格局指数的变化表七种土地利用类型Savan地区从2000年到2020年获得(表3)。

表3

表3。Savan地区景观格局指数的变化从2000年到2020年。

(1)考虑数量,在七个景观类型,湿地斑块的数量是最少的,景观破碎度和主导地位是最低的。补丁林地和耕地面积是最大的,但是补丁的数量是很小的。因此,景观破碎度、分离和损失小,景观稳定性最高,抗干扰能力强。草地斑块的数量最大,表明他们的空间分布分散;因此,计算景观破碎度、分离和扰动是最高的。在2000年和2010年,建设用地的补丁数量和面积小,景观优势度指数最低,分离和扰动度指数高,这反映了建设用地的空间分布分散。分离度、扰动土地闲置的脆弱性和损失最高的生态系统是主要的进化模式,展示生物多样性最高的和最糟糕的稳定。

(2)从时间的角度变化,耕地和林地的景观指数略微改变了从2000年到2020年,表明最小扰动由外面的世界和一个相对稳定的生态系统。景观破碎度、分离干扰和损失程度的草原是逐年上升的。这一发现表明,草地景观类型逐渐分散的地理分布和景观的生态损失是非常严重的外部干扰后,应强调在未来生态环境保护策略。景观破碎度指数、分离、干扰和损失的水和湿地面积先增加然后减少,表明湿地和水域景观破碎度增加由于自然条件的变化和人类的盲目和无序建设行为从2000年到2010年。然而,2010年之后,景观斑块逐渐往往是连续的和生态系统逐渐回到了正常水平。

3.2生态风险演化分析

3.2.1分析生态风险转移的特征

根据公式,计算每个网格单元的生态风险值,和生态风险值被分配到每个网格的中心观点的操作元素的转折点。最后,依靠地质统计学的空间分析方法,生态风险的空间分布地图的三个阶段的研究区域是通过克里格插值方法。在研究期间生态风险水平的转换是由生态风险分析动态的态度和传递矩阵所示分别表4和图2直观地反映了变化在不同的生态风险水平。

表4

表4。区域生态风险等级和动态的态度从2000年到2020年(公里²)。

图2

图2。各级生态风险转移:(一)2000 - 2010;(B)2010 - 2020;(C)2000 - 2020。

2000年、2010年和2020年,平均生态风险指数Savan地区制品.01404 .01370 .01335,分别,呈现出逐渐下降的趋势。这一趋势表明,生态安全水平稳步提高,和城市经济发展和生态环境之间的矛盾是缓解和改变。

从面积比和动态的角度的态度变化,景观生态风险Savan区在过去20年里从2000年到2020年主要是低风险地区,占90%以上,因此确认整个Savan地区景观生态风险较低。动态态度变化的表显示最小变异在不同等级的生态风险区域,除了中等风险的动态的态度变化超过1%,其他四个等级的生态风险区域的不到.5%,这表明非凡的Savan地区的生态环境的稳定。从的角度变化趋势,生态风险区域稍微改变了20年期间从2000年到2020年,低风险区域继续增加,较低和中等风险领域每年下降和高风险区域增加首先然后减少2010左右。这个高危地区最稳定,但2010年后开始减少。

生态风险转移的图表显示,转向低生态风险水平在2000 - 2020年的关键特性是生态风险水平变化。2020年,低风险区域的增加主要来自于1934.32到231.58公里²低和中等风险的领域,分别和284.42公里²地域面积减少到低风险区域。此外,提升区域生态风险主要包括以下:955.35公里²转换的低风险最低,145.52公里²从低到中等风险地区的转换和76.63公里²转换的中长期风险较高的地区。

3.2.2时空演化特征的分析

根据ArcGIS软件的自然断点法和生态风险数据的特征在三个阶段,Savan地区的景观生态风险分为五个等级:低风险区域(< .01283),低风险地区(.01283 -.03367),地域面积(.03367 -.07430)和高风险区域(.07430 -.15035)和高危区域(> .15035),和所示的结果图3。

(1)从空间分布的角度来看,生态风险Savan地区提出了高和低的分布格局在东部和西部,分别,这与土地利用模式是相一致的。东部低风险区域主要是林地景观主要是因为林地生态系统的高稳定性和低脆弱性的风景。低收入和中等风险地区主要分布在分散的补丁在西部,中部和南部地区,耕地主要景观类型。高危地区集中在西北角Khammouan的城市。大量的未利用土地类型被发现在香港,和他们的景观和脆弱性是最大的损失,这是该地区有大量Savan区生态安全问题。

(2)从时间和空间演化的角度来看,风险的五种类型的空间分布区域稍微改变了在研究期间,只有向中西部地区明显改变,逐渐从低和中等风险的地区减少到低风险地区。这个地区景观类型从林地耕地,它与周围的补丁,合并和景观破碎度和分离减少,从而降低生态风险。

(3)根据省级行政区域的划分,Khammouan省的平均生态风险Savan地区在2000年、2010年和2020年被.01531 .01530 .01524,分别。这一发现表明,Khammouan省的景观生态环境相对稳定和生态风险从2010年到2020年下降。沙湾拿吉省的平均生态风险在2000年,2010年和2020年被.01305 .01244 .01187,分别显示每年递减趋势,反映生态质量的提高沙湾拿吉省每年。Khammouan省的平均生态风险普遍高于沙湾拿吉省。

(4)除以城市地区,图4表明Khammouan生态风险指数最高(高于06)和Atsaphangthong最低,平均生态风险低于. 01。24其他城市地区的生态风险分布在. 01、03和大多数城市地区的生态风险指数在2000年,2010年和2020年逐渐发生了变化。其中,Outhoumphon的变化很明显,平均生态风险在2000年,2010年和2020年被.0226 .0145 .009,分别显示一个线性递减趋势。

图3

图3。从2000年到2020年生态风险水平的分布:(一)2000年,(B)2010;(C)2020年。

图4

图4。25个城市的景观生态风险指数Savan地区从2000年到2020年。

Savan地区的生态风险是普遍低,变化很小。这一发现表明,在该地区的自然环境和森林资源没有目前造成了严重的伤害,和人居质量非常优越。

3.3分析生态风险的驱动因素

基于获得的数据,10个因素,包括海拔(X₁)、斜率(X₂),土壤有机质含量(X₃),土壤质地(X₄),土壤PH值(X₅),人口密度(X₆),距离水源(X₇)、道路网密度(X₈)、归一化植被指数(X₉)和土地利用类型(X₁₀),选择在这个研究来确定影响因素的空间和时间分布Savaan地区生态风险。借助ArcGIS平台、生态风险和影响因素数据被2公里×2公里网格采样和数据的值9999−在Excel中就被淘汰了。通过插件起源,变量之间的线性相关程度被斯皮尔曼相关系数研究,和所示的结果图5一个。以生态风险指数为自变量和10种影响因素作为因变量,生态风险的驱动因素Savan区被定量研究的基础上,地理探测模型。表5显示的生态风险因子检测结果Savan区。

图5

图5。在Savan区生态风险的驱动因素:(一)相关因素;(B)互动的检测结果。

表5

表5。检测结果Savan地区生态风险因素。

图5一个生态风险和海拔之间呈显著正相关,土壤有机质含量和距离水源,重要分布的99%,分别为95%和95%。因变量之间的相关性是如下。高程与坡度因素是负相关,植被覆盖和土地利用类型、重要程度的99.9%。与此同时,海拔因子呈正相关,距离水源,边坡和植被覆盖率、边坡和土地使用类型和植被覆盖和土地利用类型显著程度的99.9%。

的p值的因素表5不到幅,这表明所有10个类型对生态风险驱动因素的影响。解释力的因素的空间分布的生态风险,高度(X₁)、斜率(X₂)和距离水源(X₇)影响,最高达到了84.7%。这一发现表明,三个因素中占主导地位的生态风险的空间分布。其次,人口密度的解释力X₆因素是76.7%。然而,问土壤质地的统计(X₄)因素是.014,这表明它没有对生态风险的空间分化的影响。

交互式检测结果所示图5 b,揭示了生态风险的时空演化Savan区是由于多种因素。从交互的角度影响,其他因素之间的交互和高程(X₁)和斜率(X₁)是一种单因素非线性削弱,而海拔(X₁)和斜率(X₂不受其他因素影响。立面图(X₁)和斜率(X₂)是非线性的削弱,他们的结合影响减弱,而不是提高。其中,增强度高的因素是q (X₃∩X₁₀)、问(X₅∩X₁₀)、问(X₉∩X₁₀)、问(X₃∩X₄)、问(X₄∩X₅)和q (X₄∩X₁₀)。这一发现表明,因素,如土壤有机质含量、土壤质地和土地利用类型,有显著增加的影响与其他因素的结合,可以大大有助于其他因素对生态风险的影响。

3.4生态风险模拟和预测分析

借助ArcGIS平台,三相土地利用数据和10种驱动因素数据进行重新分类,统一坐标系统和范围,然后导入到+模型模拟和预测。测试模型的准确性是必要的在模拟和预测2030年的生态风险。首先,在2000年和2010年的土地利用数据被加载到模型中,然后设置和模型参数获取2020年土地利用仿真结果。一致性测试是由Kappa系数在2020年根据实际的土地利用数据来确定仿真预测结果的可靠性。然后执行下一个操作。.892 Kappa系数计算,这表明Markov-PLUS模型具有较高的精度,可用于预测研究区域的土地利用数据和2030年计算的生态风险。

耕地的扩张的主要驱动因素是土地利用类型、土壤有机质含量、和人口密度,而林地的扩张的主要影响因素是海拔民主党,土壤PH值,和人口密度分布图的驱动因素的贡献率(图6)。土地利用类型、海拔和道路网的密度是关键力量建设用地的增加。

图6

图6。贡献的驱动因素培育、森林和建设用地扩张Savan地区:(一)耕种土地;(B)森林土地,(C)建设用地。

压缩空气蓄能模块,林地保护的原则、生态保护和城市发展的趋势表明,水体,将限制在2020年在转换为保护区。此外,水体、林地和建设用地将不会转换为其他土地利用类型的土地利用转移矩阵,和未使用的土地都将可转换。Savan地区景观类型的分布地图显示了2030年图7通过模拟和预测,然后计算景观格局指数在ArcGIS FRAGSTATS软件。所示的结果表6。

图7

图7。土地利用和生态风险2030年Savan区:(一)土地利用;(B)生态风险,(C)25个城市生态风险的变化。

表6

表6。景观格局指数的比较沙旺地区在2020年和2030年。

景观生态风险Savan地区在2030年重新分类按照3.2级分类方法,以及景观生态风险等级分布地图在2030年获得了(图7 b)。总的来说,景观生态风险的空间分布模式类似于2020年的,这仍然显示了低和高的趋势在东部和西部,分别与最低,低风险地区是主要的。高危地区还分布在西北角,和最高,高风险区域减少。尤其是高危地区的西北角Boualapha城市减少中低风险的地区。从整个区域的平均生态风险的平均生态风险Savan .01415地区早在2030年,超过了最大生态风险从2000年到2020年,这表明Savan区将于2030年迎来峰值生态风险。根据省级行政区域的划分,Khammouan的平均生态风险和沙湾拿吉省Savan地区在2030年将.01557 .01305,分别;在,Khammouan的生态风险超过了自2000年以来的最高价值。

每个城市的平均生态风险计算按照区域统计ArcGIS平台,然后2030年生态风险相比,在2020年通过栅格计算器。−的区域。0005 <变化值< .0005归类为稳定生态风险区域,该区域变化值> .005被定义为一个日益恶化的生态风险区域和面积变化值<−.005被定义为改善生态风险区域,从而获得25个城市的景观生态风险变化的图Savan区从2020年到2030年(图7 c)。

生态风险变化的示意图显示,在25个城市Savan区,12是区域生态风险恶化,5是改善地区和8是稳定的地区。生态稳定地区包括两个东南部城市和六个中部和西部城市。最稳定的三个城市是Atsaphon,他曲和Phalanxai。这三个城市的景观类型主要分为林地和耕地,和两个景观斑块集中;因此,生态风险是最稳定的。在改善生态风险区域,平均Khoukham城市的生态风险下降最多,其次是Xepon的城市,Outhoumphon, Xebang fai和Nongbok。生态风险恶化地区广泛分布,在西南和东部城市生态风险增加。在Champhon的城邑,Kaysone Phomvihane和Xaiphouthong最严重的恶化程度。空间分布图显示,Champhon城市很大一部分中等风险聚集的地区。因此,专注于这些城市与生态恶化的风险是必要的在未来战略的城市经济、生态建设和土地开发。

4讨论

生态环境一直是一个关键问题,影响社会经济发展和人类的可持续发展世界各地。近年来,已经有越来越多的研究在学术界的景观生态学。从国家和地区的角度来看,学者们来自美国、中国、加拿大、澳大利亚、英国、德国、法国和其他欧洲国家的多数,而研究景观生态学在东南亚国家和地区,特别是发展中国家和地区在东南亚,稀缺。东南亚、海三面包围,是亚洲和大洋洲之间的交通要塞,太平洋和印度洋(白y . et al ., 2021)。虽然东南亚在该地区的地理位置是至关重要的,它还需要考虑其生态的可持续性(Sharma et al ., 2020)。随着社会的快速发展,环境问题日益突出,严重影响了人与自然之间的和谐关系,也导致许多社会问题,已成为主要的经济和社会问题,限制东亚的长远发展。老挝是一个内陆国家在印度支那半岛Zaehringer et al ., 2018),在北方群山环绕,在周边国家。海外贸易的唯一可行的方法是土地交易,完全限制了其发展空间。在城市扩张的过程中,经济增长加速产业化,促进农业和林业等自然资源的开发,这可能导致生态失真(丹麦et al ., 2019)。生态环境和经济发展之间的矛盾已经成为老挝的发展一个重要的问题(Vilaysouk et al ., 2019;Castella Lestrelin, 2021)。景观生态学与土地的结合使用,是一个突破生态风险评估理论和方法,为城市规划与设计(可以提供参考Izakovicova et al ., 2019)。在过去,景观生态风险评估主要集中在研究期间造成的生态风险评估(李et al ., 2019;太阳et al ., 2022;Yu et al ., 2022少),模拟和预测未来的生态风险。因此,本研究将Savan区、老挝为研究对象,探讨了砂生态风险的时空演化与景观生态学相结合,并使模拟和预测,以便采取相应的政策,防止城市扩张不当造成的生态风险。

研究方法和模型的时空分异的生态风险研究与许多研究相一致。发现老挝Savan区生态风险水平较低,这是符合生态安全水平越高在老挝的研究结论纳撒尼尔(纳撒尼尔,2021),赵et al。(2021)。我们的分析证实了本研究的可行性两个省市在老挝,这对其他类似城市在老挝的参考价值,甚至东南亚。Savan面积由林地和耕地,并拥有丰富的自然资源。森林覆盖面积最大的,因为农业是主要的经济产业,耕地和林地的占领城市的扩张受到了限制。除了建设用地和未利用土地,生态土地如草地、湿地和水体Savan区很小,通常忽略了管理者在城市发展的过程中,因此大大受损及其生态风险指数很高。然而,耕地和林地最低最稳定的景观格局和生态风险指数在研究期间。作为一种重要的可再生自然资源,林业生态环境和可持续发展具有重要意义。如果采用可持续发展的实践在生产和生活活动,生态空间将是稳定的和自然资源再生。

发现Savan地区的城市发展具有明显的不平衡和空间障碍。城市地区主要集中在西部。而中部和东部地区受限于地形因素,建设用地有限,发展承载力不足。因此,这些领域的发展相对缓慢,开发程度低,发展动力较弱。此外,由于低水平的经济发展和交通条件差,很难发挥强有力的作用在促进周边城市的发展。然而,有很多可能性相对欠发达地区的发展。东方的经济实力可以加强在这些领域创建一个新隆起带。在未来,Savan地区的城市发展应该从单一的关注转变的中心城市协调发展的核心和郊区。此外,土地利用的时空变化和生态风险研究区2030年检查。这些研究结果将通知政策保护环境和自然资源在Savan区在接下来的10年。 The Savan District’s overall landscape pattern is relatively stable in the natural development mode, and in the following 10 years, the land area of each landscape type will only slightly vary. However, the ecological risk index of certain counties has risen, calling for greater consideration in the region’s future regional governance. The ecological risk of the landscape can be greatly reduced by managing the expansion of urban construction land and safeguarding ecologically sensitive areas, at the same time of developing cities and towns in a sensible manner.

4.1研究的现实意义

根据研究结果和Savan地区生态环境问题,本文提出以下建议。1)为了减少景观分离和分散程度的建设用地,土地资源应该公平地分摊在未来城市扩张过程中Savan区。未使用的土地分配应该解决的问题,应该鼓励,它被转换成其他的风景。2)应该建立城市生态安全的模式,和城市生态保护的红线应该科学、逻辑上划分保证水体等生态资源的保护和湿地。3)城市发展的边界应尽快建立。同时,为了减少土地资源的无序的空间分布,长期的发展应考虑耕地和林地。4)在城市规划、建设用地的网站选择应该正确和充分考虑人口密度等方面,距离公路,海拔高度和斜率。通过改善城市化、产业在贫困地区的程度将会增加。5)随着规模农业的发展与实际的农业发展在每个城市,支持和促进自动化和高效的生产规模,实现规模效益,和自由农民从繁重的体力劳动。6)有关部门需要开发有效的林地资源,协调森林资源发展和地方经济增长之间的关系,改善该行业的组织结构、鼓励林业旅游,扩大产品市场。

老挝是人烟稀少,是一个农业大国,相当大的面积比的林地和耕地。每个省和城市有相似的地理布局和土地结构。Savan区的结果,研究结果可用于通知未来土地空间规划在老挝各省在未来。政府可以考虑建设用地扩张过程的完整性,减少建设用地的景观指数损失,降低生态风险通过回收等措施对耕地林地。,由于高水平的破碎和分离这些景观功能,有一个重要的景观失去草地、水域、未利用土地,使它重要的合并这三种景观类型在未来。

4.2研究的前景

本研究仍有一些缺点,未来的研究可以从以下方面改进。首先,考虑到数据收集的局限性,而不是一个连续的时间序列,目前的研究仅仅是基于三个时期的土地利用数据;因此,获得额外的全面的数据在未来的研究是必要的。多种驱动数据,并更新是困难的,这不能保证数据的及时性和完整性。因此,必须在今后的研究中进一步提高数据质量。其次,在驱动因素的分析,样本的数量将对地理探测器的结果有一定的影响。因此,样本容量和抽样范围应该扩大在未来研究或进行的前瞻性研究方法应该获得可靠的研究成果。最后,尽管Markov-PLUS模型广泛应用于当前的土地利用研究领域及其仿真精度高,每个预测模型都有其特点和应用局限性。因此,某些差异中发现的预测数据。一些数据信息的损失如果单个模型用于预测是不可避免的。 Sampling several prediction models for combination forecasting, such as introducing the improving grey model (刘et al ., 2021;杨et al ., 2022)和BP神经网络模型(白y l . et al ., 2021;胡2022;刘和周,2022年),它可以提高预测模型的准确性,还可以考虑。

5的结论

Savan区,老挝,为研究对象,基于土地利用的基本数据2000年,2010年和2020年和10种驱动因素,生态风险评估模型构建利用景观格局指数和生态风险的空间分化的影响因素被地理探测器发现。景观生态风险模式Savan区在2030年的模拟和预测,和下面的结果。

(1)从2000年到2020年,在Savan区景观类型主要是耕地和林地,面积占95%。景观格局指数分析表明,在研究期间,耕地和林地的景观指数损失是最小的,而未利用土地是最大的。草原、湿地和水在面积小,但景观破碎度、分离和损失指数都大。保护这些景观类型和控制外部环境改变时,他们的损失是必要的在未来土地资源的开发和管理。

(2)总体而言,生态风险的平均值Savan很低,在研究期间表现出下降的趋势。生态风险指数在2000年最高,平均.01404的价值。空间分布显示低在东部和高的特点在西方,勒夫——和低风险地区占超过90%时最高,高风险地区分布在西北角。生态风险水平之间的转换关系不是观测到的,和整体趋势是转换到低风险地区,主要是勒夫-和低风险地区。最高,高风险地区相对稳定,没有转换。

(3)根据Markov-PLUS模型的预测结果,平均Savan区域的生态风险指数和两个省将会增加,2030年达到2000年以来的最大值。景观格局指数显示,林地和湿地的景观损失增加,其他五个景观类型减少。城市地区的划分显示5改善生态风险区域,12恶化区域和8稳定区域;在这些地区,Champhon生态风险恶化程度最高。

因此,在未来的土地规划和管理Savan区,老挝、加强生态保护土地,如森林、湿地和水体,调整土地利用的空间布局,促进城市经济的协调发展和可持续发展的生态环境是必要的。之间不存在显著的正相关关系的城市化程度Savan地区和区域经济发展的水平。因此,加强区域协调发展作为一个整体发展不平衡和地理优势的地区中部和东部地区促进经济发展是至关重要的。此外,对于一个特定的地区,土地利用效率高的吸引力增加一个地区和交通的便利,从而变得越来越有利于城市发展。在城市化的过程中,应遵循生态城市的概念,生态保护的红线应该科学的划分,应扩大城市生态空间和绿色生态走廊应合理。实现绿色发展,区域协调发展战略应该积极实施,应该建立一个协调发展的机制和土地应该积极的空间布局优化,提高土地资源的利用率,实现环境效益和社会效益。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

作者的贡献

XX:概念化和写作方法和软件、数据采集和数据的分析和解释。PY:回顾手稿。QW:提供研究数据的一部分。

资金

这项研究是由科技计划项目的住房和城乡建设部中华人民共和国(2019 - r - 020)。

的利益冲突

QW是受雇于广东番禺勘察设计有限公司有限公司

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

巴姨,Y, L。,Rong, Y, L., Sun, J, H., Chen, L, M., Zhang, D, Y., and Yin, Z, T. (2021). Seamount age prediction machine learning model based on multiple geophysical observables: Methods and applications in the Pacific ocean.3月“。Res。42 (3),31-11。doi: 10.1007 / s11001 - 021 - 09451 - z