模拟栖息地质量的时空模式和驱动机制在安徽省,中国

1介绍

科学的政府间生物多样性和生态系统服务平台(IPBES)报告说,自然资源正在以前所未有的速度破坏,和数以百万计的物种在灭绝的边缘(<一个href="#B7">戴et al ., 2020)。大规模的生物多样性在世界各地发生的净损失(<一个href="#B24">纽伯尔德et al ., 2015)。栖息地质量指的是自然环境的能力,提供合适的个人或群体生存条件,根据栖息地的可访问性对人类土地利用和土地利用强度(<一个href="#B14">大厅et al ., 1997)。栖息地的质量已成为一个关键因素衡量一个地区的生态健康和可持续性。近年来,城市化和工业化的快速发展加剧了城市土地的活动空间扩张,和大片的耕地和生态的土地已经入侵并转化为建设用地,栖息地的减少直接导致分裂和补丁。因此,栖息地质量退化已成为一个重要的全球问题<一个href="#B32">Vitousek et al ., 1997;<一个href="#B36">威尔考乌et al ., 1998)。在未来的几十年中,气候变化将加剧上述情况(<一个href="#B25">奥康纳et al ., 2020),尤其是在人类活动和资源之间的矛盾。土地利用动态变化的态度是最直观的和现实的响应(<一个href="#B19">et al ., 2018),是一个关键因素推动生物多样性下降(<一个href="#B35">沃森et al ., 2019)。土地利用类型变化直接影响栖息地生态过程的空间变化,如能量流循环,进而削弱了区域生态供给能力和服务功能。迫在眉睫的是揭示栖息地质量的时空演化模式变化引起的土地利用变化,预测未来的栖息地变化趋势,阐明影响栖息地质量的驱动机制作为生态文明建设的基础。目标区域生态安全提供决策依据和土地使用规划。

栖息地质量的评估提供了一个有效的接口为探索机制连接土地利用变化和物种的繁殖栖息地。目前,栖息地质量的研究方法从早期单一的静态评价指标(<一个href="#B31">希尔,1985;<一个href="#B9">恩格尔et al ., 1999)综合测量栖息地质量与多个评价指标(<一个href="#B28">西蒙尼et al ., 2021;<一个href="#B41">Zhang et al ., 2021)和分布式模型测量区域的开发过程的时空异质性生境质量(<一个href="#B10">风扇et al ., 2021;<一个href="#B22">刘et al ., 2022)。空间建模使用栖息地的生物多样性信息需要综合考虑区域生态系统的复杂性,和传统地面物种调查地区有限的适用性研究物种的稀缺和大中型规模基于样本数据的局限性。尽管栖息地指标建模是非常准确和有目的的,它是不适合大规模的栖息地质量评价由于样本数据的局限性。综合遥感和GIS技术可以揭示栖息地质量演化特征在一个更大的规模。使用的主要模式是解决模型,HSI模型,Maxent模型,模型中,投资等栖息地质量(总部)模型在投资模型连接生物的适应性和不同的土地覆盖和威胁来源,评估栖息地质量的分布和退化在不同的景观模式的敏感性栖息地的威胁来源(<一个href="#B30">Terrado et al ., 2016),重量的影响造成的威胁人类活动对整体生态质量的空间距离<一个href="#B26">彭et al ., 2018),比如在不同区域尺度的空间异质性生境质量(例如,自然保护区(<一个href="#B39">杨et al ., 2021),城市(<一个href="#B29">歌et al ., 2020)和流域(<一个href="#B13">龚et al ., 2019))。直到现在,研究人员已经由栖息地质量研究与土地利用、人类活动、时空变化,影响因子检测。<一个href="#B37">吴et al。(2021)估计总部的时空变异的商路Kong-Macao大湾地区基于投资模型,减少总部被发现可能与植被损失,土地利用变化、人类活动强度。<一个href="#B34">小王和程。(2022)探讨不同土地利用类型的反应区域总部基于投资模型,总部的不同景观类型被发现显示的空间聚合矿物的贡献。在这些研究主题、生态效应引起的土地利用变化已经成为生态学研究的中心。目前,土地利用模拟和土地利用预测方法包括系统动态态度模型(<一个href="#B12">耿et al ., 2017)、马尔可夫模型(<一个href="#B18">黄et al ., 2020),STLU-MOO模型(<一个href="#B3">曹et al ., 2019),Clue-S模型(<一个href="#B23">马et al ., 2019;<一个href="#B5">Chang et al ., 2021),侦探模型(<一个href="#B33">瓦格纳和德弗里斯,2019年)常用于研究。相比之下,Patch-generating土地利用模拟(+)模型(<一个href="#B20">梁et al ., 2021)代表一种新的土地利用仿真模型,提高仿真精度和更好地支持区域的空间预测栖息地质量(<一个href="#B38">徐et al ., 2022)。目前,地形因素、气候因素和人为活动发挥重要作用在改变栖息地质量。在这些因素中,人为活动的干扰尤其是转变整个区域生态模式和降解和破坏栖息地质量(<一个href="#B11">高et al ., 2022)。因此,本研究投资盖茨不同因素对栖息地质量的机制及其两个因素之间的交互通过引入地理探测器模型(<一个href="#B43">朱Kasimu, 2020;<一个href="#B40">Zhang et al ., 2022)。与社会经济和人口的快速增长导致栖息地质量的时空变异性增加在快速城市化的背景。在省清晰的空间地域特色、影响栖息地质量的因素及其在不同地区机制更为复杂,使得有必要探索它们的栖息地质量驱动机制。特别重要的澄清安徽省栖息地质量的时空差异,探讨影响时空变化的机制。因此,本研究结合土地利用类型数据从多个时期和耦合投资+模型探索栖息地质量的响应预测土地利用变化的模拟。Geodetector模型介绍了检测驱动因素影响栖息地质量的空间分异和时间演化通过选择指标的自然、气候和社会经济因素(<一个href="#B43">朱Kasimu, 2020;<一个href="#B40">Zhang et al ., 2022)。

近年来,其城市化进程经历了快速增长和庞大的空间扩张,城市土地面积增长和基础设施扩展无疑给栖息地质量(巨大的压力<一个href="#B17">胡锦涛等人。,2022年)。本文评估了安徽省栖息地质量的时空变化模式基于投资模型阐明栖息地质量的空间格局的差异。预测未来土地利用生境质量的基础上加上模型。Geodetector模型介绍了结合自然环境和社会经济因素定量揭示栖息地质量的空间格局变化的特点和影响机制。研究结果为生态系统的可持续发展提供科学参考和安徽省土地利用规划。

2材料和方法

2.1概述研究的区域

安徽省位于中国东部的长江三角洲地区(114°54′-119°37′E, 29°41′-34°38′N) (<一个href="#F1">图1)。其总面积占地140100公里<年代up>2。中国的重要Qinling-Huaihe地理划分十字架,和生态元素,如气候、生物和土壤表现出明显的纵向和过渡特征。省的西南部地势高,在东北低。它的地形南北之间的不同,分为五个自然区域,包括淮北平原、江淮丘陵,西方安徽大别山,河边的平原,山脉在安徽省南部。安徽省属于过渡性气候、亚热带与暖温带地区。年平均温度测量13°C到22°C和其平均降水量773毫米和1670毫米之间。安徽省的常住人口是6102.7万在2020年底,和常住人口的城市化率为58.33%。总经济价值是38680。6数十亿元,和三个产业的结构为8.2:40.5:51.3。该省人口稠密,肥沃的土地,丰富的资源,交通便利。这是一个重要的粮食生产基地,能源和矿产基地,生产基地在中国。 Because of its diverse landscape types, superior water and heat conditions, high ecosystem productivity and rich species, Anhui plays a top-down role in the ecological security of the Yangtze River Economic Belt. In addition, the province’s ecological location is extremely important. Furthermore, Anhui Province is located at the strategic point of national economic development and is the docking zone of several major eco-nomic blocks in China.

2.2数据来源和预处理

2000年的土地利用数据,2010年和2020年被用来描述土地利用转换约束(<一个href="#T1">表1为了确定meta-cell转换规则。在研究区土地利用类型的分类是基于土地资源及其利用属性。二级分类包括16个类别,包括水田、旱地、林地、灌丛带,打开树木繁茂的土地,其他森林土地、高覆盖草地,介质覆盖草地,低覆盖草地,河流,湖泊,水库池塘,洼地,城市土地,农村结算,其他建设用地。所有的驱动因素和土地利用数据摘要不一致的空间分辨率。在ArcGIS使用重采样模块,所有数据被重新取样100米的空间分辨率。所有图片在这个研究中被统一在UTM投影和WGS84坐标系统。

2.3研究方法

2.3.1研究框架

本文分析了安徽省土地利用的时空演变在2000和2020之间。它还模拟了2030年的土地利用预测基于+模型通过结合四维驱动程序,包括地形因素、气候因素、人类活动、和可访问性。土地利用生境质量的反应是基于生境质量的投资模型,而地理调查被用来量化分析栖息地质量的驱动因素<一个href="#F2">图2)。

2.3.2土地利用动态的态度

土地利用动态度代表土地利用类型的数量变化在一定时期内。它们反映了土地利用程度的变化和区域差异变化利率。一般来说,土地利用动态度可能是二到单一土地利用动态的态度和综合土地利用动态度。情商。<一个href="#e1">1单一土地利用动态度如下:

在那里,K代表了土地利用类型的动态的态度在研究期间。接下来,U_一个表示土地利用类型的面积在研究的开始时期,U_b代表该地区的土地利用类型的研究。最后,T表示研究周期的长度。

方程<一个href="#e2">2综合土地利用动态度的如下:

在那里,<我nl我ne-formula id="inf1"> $l_c$ 代表了综合研究区域的土地利用的动态的态度。<我nl我ne-formula id="inf2"> $l{U}_{我}$ 表示土地利用类型的面积我在研究的起点,而<我nl我ne-formula id="inf3"> $\Delta l{U}_{我-j}$ 代表土地面积的绝对值转换的类型我输入j在研究期间。最后,T表示的研究时间。

2.3.3栖息地质量模型

投资栖息地质量模型基于一系列措施区域生境质量的栖息地或植被类型面积和程度的退化。好的模型假定区域生物多样性栖息地质量也高(<一个href="#B21">刘和王出版社,2018年)。具体计算如下:

在哪里D_xj代表了光栅的栖息地的退化程度x在栖息地类型j。接下来,R表示数量的威胁因素,W_r威胁源的重量吗r。Y_r代表了光栅威胁源的数量,r_y指示光栅的应力值y,<我nl我ne-formula id="inf4"> $我rxy$ 代表了威胁源光栅的可访问性x。最后,<我nl我ne-formula id="inf5"> $\beta x$ 表示栖息地类型的敏感性j威胁源r,而d_xy代表了光栅的应力水平y对光栅x分为两个效应(线性和指数)。

在那里,<我nl我ne-formula id="inf6"> $d_{xy}$ 代表光栅之间的直线距离x和光栅y,<我nl我ne-formula id="inf7"> $dr\mathrm{马克斯}$ 代表了最大应力威胁源的距离r。然后计算情商栖息地质量。<一个href="#e6">6如下:

在那里,问_xj代表了栖息地的质量指标x光栅在栖息地类型j,而H_j表示栖息地生境类型的适用性j值范围的[0,1]。此外,k代表half-saturation常数,这是测量最大的栖息地的退化和一半的调整到0.2的参考研究(<一个href="#B16">胡锦涛等人。,2020年)。另一方面,z是归一化常数设置为2.5。耕地、工矿用地、农村居民点,和城市土地被提取为威胁来源。不同的栖息地和最大应力的敏感性距离,重量,<一个href="#T2">表2,衰减类型的每个源如下面所示<一个href="#T3">表3。

2.3.4 +模型

+模型是基于栅格数据,提出了一种patch-generated土地利用变化模拟模型加上一个新的土地扩张战略分析(草地)和一块基于多种类型的CA模型随机种子(汽车),以更好地理解影响因素在类别和更高精度的仿真结果。模型使用一个随机森林算法来计算每个类的发展概率通过提取出扩张在2010年和2020年每个类的一部分。然后基于CA模型预测未来土地利用与多层次随机种子。

随机森林算法在草原的公式。

在哪里d1 0或1的值,表明有其他土地类类的转换k,0表示不包括的任何其他土地利用转换土地类k。我决策树的指标函数;<我nl我ne-formula id="inf8"> $h_{\mathrm{n}}\left(X\right)$ 的预测类型吗n决策树,和<我nl我ne-formula id="inf9"> $P_{我,k}^{\mathrm{d}}\left(x\right)$ 增长的概率是k土地利用类型在空间单元我。CA模型基于多层次随机补丁种子在汽车模拟生成补丁开发的概率约束下的各种类型的网站,结合随机种子生成和阈值降低的机制。汽车计算如下。

在哪里<我nl我ne-formula id="inf10"> $P_{我,k}^{d=1}$ 表面生长概率是土地利用类型,r是一个随机的值在0和1之间,<我nl我ne-formula id="inf11"> ${\mu }_k$ 是产生新的土地利用斑块的阈值由user-determined土地利用类型r。

2.3.5土地利用模拟驱动因素

参照之前的研究,本文选择了一个共有12司机+模型模拟土地利用类型变化与四维司机topo-graphic因素、气候因素、人为因素和可访问性因素(<一个href="#F3">图3)。

2.3.6 Geodetector模型

Geodetector是一种新的统计方法检测空间分化和揭示其驱动机制。它由4个模块:检测、风险因素检测、生态检测和交互检测。本文运用生态检测,以确定是否有重大影响的驱动因素栖息地质量差异的形成。然后定量分析这些因素对栖息地质量的影响和相互交互通过因素和交互检测。目的是澄清栖息地质量背后的驱动机制下区域土地利用变化。

一般来说,生态检测用于揭示独立变量的重要性的差异,以f统计量和计算如下:

在那里,N_x1和N_x2表示两个因素的样本大小,而l₁和l₂表示层次的独立变量的个数X₁和X₂。

检测因素背后的想法是,如果有一个独立的变量x影响因变量y的空间分布,然后独立变量和因变量应该收敛。情商。<一个href="#e10">10如下:

在那里,问代表的力量值检测因素对因变量,<我nl我ne-formula id="inf12"> $问\in \left\{\mathrm{0\; 1}\right\}$ 一个更大的问独立变量的值表示较强的解释力x在因变量y,反之亦然;接下来,N,<我nl我ne-formula id="inf13"> ${\sigma }^2$ 表示的总样本量和方差研究领域,分别。最后,l代表检测分区的数量,而<我nl我ne-formula id="inf14"> $N我$ 和<我nl我ne-formula id="inf15"> ${\sigma }_{我}^2$ 表示不同的样本大小和方差分区,分别。

3的结果

本研究探讨了土地利用变化的响应总部通过分析土地时间序列变化从2000年到2020年,结合投资模型。+模型被用于项目2030年土地利用变化和分析2030年总部的进化趋势。的程度不同的司机导致总部探索结合Geodetector模型。

3.1土地利用变化在2000 - 2020年期间

从2000年到2020年,安徽省的主要土地利用类型是稻田,旱地和林地(<一个href="#F4">图4)。在一起,三种类型的总和超过总数的70%的研究领域。水田和旱地主导研究领域。旱地通常被发现在北方,稻田在中间,和树木繁茂的土地在安徽省的南部和西南部。湖泊位于中部和西南部的,而其他水库池塘中发现了补丁。高覆盖草地分布在西南地区,而其他草原地区小,分布在补丁。城市土地是集中在中部和北部地区,而在南方一些地区主要集中在跨省补丁。

见<一个href="#F5">图5,已经有大量土地类型之间的转换的研究区域2000年和2010年之间(<一个href="#F5">图5一个),转让的稻田、旱地、林地占21.57%,11.23%,和11.26%,分别在城市土地的转让区和农村解决占11.85%和22.73%,分别。转移地区水田和旱地占更大的份额,36.21%和19.35%,分别在树木繁茂的土地面积和农村转移结算都占10%以上,和小波动以及其他土地类型之间有小波动类型。从2010年到2020年(<一个href="#F5">图5 b)在此期间,转移水田、旱地、林地占22.85%,13.93%,和11.86%,分别。此外,转移农村居民占21.09%。转移水田和旱地占更大比例,29.76%和18.98%,分别结算和转移出的农村地区占19.89%。在2000年和2020年之间(<一个href="#F5">图5 c17959 .51公里),转移区域<年代up>2,占总数的9.43%的研究领域。转移地区水田、旱地和林地占19.46%,分别为11.77%和10.21%。城市土地的转让地区和农村定居点占14.38%和22.12%,分别。稻田的转让土地和旱地占相对较大的面积分别为34.80%和21.45%,而转移农村解决占16.35%。在2000 - 2020年,1898.86公里<年代up>2稻田被转移到农村,1941.01公里<年代up>2的陆地被转移到农村,959.03公里<年代up>2树木繁茂的土地被转移到稻田里,1186 .64点公里<年代up>2和1433 .37点公里<年代up>2农村解决被转移到水田和旱地。1)转移反映农业和生态空间的挤压人类发展和建设,更重要的是,城市化进程主要发生在城市的外围。2)稻田和水路的相互转换是一个共同的游戏返回土地到湖边,创造在湖边。3)稻田的转换和高覆盖草地,树木繁茂的土地和高覆盖率的转换草地树木繁茂的土地也较大,反映出树木繁茂的土地增长的有效性和生态保护和恢复项目。4)部分建设用地转换成稻田是密集的结果规划村庄的土地开垦稻田。

它可以看到从土地利用在不同时间序列的动态的态度(<一个href="#F6">图6;<一个href="#T4">表4)。在2000年至2010年之间,综合土地利用动态度的研究领域是0.14%。在此期间,水田和旱地显著降低了一个动态的态度和−−0.26%和0.17%,分别在城市土地和其他城市的土地发生了翻天覆地的变化为8.59%和38.40%,分别。其他土地类型的动态的态度是不到0.1%,趋于稳定。在2010年至2020年之间,综合土地利用动态度的是0.12%,而动态的态度中覆盖草地,低覆盖草地,城市土地,和其他城市土地分别为6.76%,3.43%,4.94%,和11.70%,分别。此外,从2000年到2020年,综合土地利用动态度的是0.51%。区域覆盖着稻田、旱地和开放林地积极改变,与动态的态度−0.93%,−0.68%,分别和−0.41%。最后,介质的面积覆盖草地、低覆盖草地,城市土地,和其他城市土地与动态的态度突然增加13.38%,6.76%,35.52%,和190.05%,分别。

3.2栖息地质量的变化从2000年到2020年

摘要栖息地质量结果分为五类根据等距间隔方法,即生境质量差(0 0.2∼),更糟糕的是栖息地质量(0.2∼0.4),中间的栖息地质量(0.4∼0.6),良好的生境质量(0.6∼0.8),优秀的栖息地质量(0.8∼1.0)。空间分布显示(<一个href="#F7">图7),穷人和糟糕的栖息地质量占主导地位。穷人栖息地质量分布在北部省的一部分,而更糟糕的是栖息地质量是核心部分中。良好的栖息地和优秀的品质都是分布在西南部和南部地区的省份,而中间的栖息地质量集中在西南地区的补丁。统计从2000年开始,2010年和2020年表明,安徽省栖息地质量的平均值为0.43,0.42,和0.42,分别。因此,栖息地质量逐渐降低,而标准差栖息地的质量从2000年的0.32增加到2020年的0.33。除了穷人和糟糕的栖息地质量类,分区统计表明,类的比例几乎没有变化。即栖息地质量差的比例增加了1.47%,更糟糕的是栖息地质量的百分比下降了−1.41%。所有其他类显示一个微不足道的变化趋势从2000年到2020年。栖息地质量传输中提供<一个href="#F8">图8表明栖息地质量水平转移变化不是重要的从2000年到2010年。相反,质量变化是活跃在2010年至2020年之间,主要是为贫困和良好的栖息地质量的传输特性具有重要意义。栖息地质量保持稳定在北部研究领域的一部分,没有转移。

2030年3.3模拟土地利用

3.3.1验证2020年土地使用的模拟

澄清2030年安徽省的时空演化趋势,本文仿真基于预测2000年和2010年土地利用变化。卡帕和FOM值2020年土地利用预测计算为0.87和0.06,分别为(<一个href="#F9">图9)。这些值在2020年与实际土地利用层高度一致,仿真精度高,满足需求的预测仿真。预测土地利用类型的分布特征和真正的2020年土地利用类型是一致的。然而,预测城市土地面积略少比真正的人,而其他土地类型的分布仍然是高度一致的。

3.3.2分析土地利用扩张的潜在的司机

研究开发的概率不同的土地利用类型(<一个href="#F10">图10)和驱动因素的权重各土地利用类型的发展潜力,通过草地模块+ (<一个href="#F11">图11)。其中,发展中覆盖草地和概率低覆盖草地是最小的,基本上处于稳定状态。这样做的原因是,中等和低覆盖草地的面积太小了。稻田和水道产生最大影响的是归一化植被指数为14.77%和19.87%,分别。旱地和低覆盖草地最受降水的影响,也就是说,17.02%和23.94%。此外,林地,灌丛带、湖泊和水库的池塘被民主党影响最大,影响力的18.30%,21.23%,51.87%,和23.81%,分别。开放林地主要分布在该地区土壤水分蒸发蒸腾损失总量的18.81%;其他林地分布在该地区28.56%的温度。高覆盖草地分布在该地区17.88%的斜坡。最后,媒体覆盖草地、洼地、城市土地,农村定居,和其他城市土地最受GDP的影响,影响的程度为52.11%,24.33%,25.08%,13.30%,和16.08%,分别。

3.3.3 2030年土地利用模拟

基于验证的准确性,它是假定安徽省土地利用变化只有遵循历史发展的趋势,即。,then一个tural and socio-economic factors basically develop along the present rate, which is defined as the natural development scenario in this paper. Using the PLUS model to simulate the land use in Anhui Province in 2030 was shown (<一个href="#F12">图12)。2030年土地利用的空间分布基本保持了高度的相似性,在2020年。其中,陆地主要分布在研究区北部,长江流域的两边,而稻田主要分布在研究区的中部地区和主要土地利用类型。城市土地主要是集群和集中在中央研究区域人口密集的地方;林地和草地类型主要分布在西南、南部和东部区域研究的区域的一部分。然而,水田和旱地有增加的趋势,分别增长了0.71%和0.11%。另一方面,树木繁茂的土地,水库池塘、城市土地,和其他城市土地经历小幅下降,减少−0.16%,−0.11%,−0.56%,分别和−0.37%。其他土地利用类型的变化趋势保持不变,改变率小于0.1%。

如图所示,2020 - 2030年土地利用转移和弦图(<一个href="#F12">图12 b),整个土地利用变化面积是17789公里<年代up>2,占研究区总面积的9.4%。转移地区水田、旱地和农村解决相对较大,5484年16公里<年代up>23243年10公里<年代up>2,3684 .68点公里<年代up>2与转移率分别为30.83%,18.23%和20.71%,分别和水田和旱地主要是转移到农村。中覆盖草地、低覆盖草地都被转移到最小面积,1.08公里<年代up>2和1.15公里<年代up>2分别。最大的区域从稻田和农村定居,与3936年10公里<年代up>23558 .61公里<年代up>2和转移率分别为22.13%和20.00%,分别。其他土地类型是由小的转移。

3.3.4栖息地质量的变化在2030年

耦合的基础上加上和投资,本文得到的分布生境质量2030年安徽省类(<一个href="#F13">图13)。栖息地质量的平均值为0.41,2030年0.01低于2020。尽管栖息地质量持续下降,这种下降小,以及2030年和2020年之间的标准差不变,表明2030年相对稳定的栖息地的质量。在2020年和2030年之间(<一个href="#F13">图13 b),有一个大的转变栖息地质量差的面积。即,它增加了1.06%,主要集中在西南和东部的边缘。而且,更糟糕的是栖息地质量被发现主要在中央研究领域的一部分,增加了0.15%。领域的中产栖息地的质量,良好的栖息地的质量,和优秀的栖息地质量表现出降低的趋势,减少−0.10%,−0.55%,分别和−0.55%。领域的良好栖息地质量和优秀的栖息地质量保持一致,他们主要分布在西南和南部的研究领域,与小面积的转变。

3.4定量分析栖息地质量的驱动程序

3.4.1探测器结构和方差分析和因素

基于之前的研究,本文选择12个驱动因素来计算每个影响因素的变化。被离散成5层的数据自然断点的方法,及其对生境质量的影响进行了研究,使用地理探测器探测器的方差和因素(<一个href="#T3">表3)。主要影响因素是民主党方面,降水、蒸发,解释率为45.4%,41.7%,44.6%,和35.0%,分别在2010年和45.9%,42.1%,47.0%,和44.3%,分别是在2020年。这些结果表明,生境质量与地形和气候因素高度相关。此外,栖息地质量的影响因素的解释率在2020年比2010年的整体解释率。尽管栖息地质量的水平是最受到民主党和降水的影响,地方2020年增加的解释力。增加可能与城市化的快速扩张,即。,when urbanization expansion accelerates, habitat quality perturbation becomes active.<一个href="#T5">表5。

3.4.2交互探测器结构和分析

基于交互探测器,2乘2的类型和大小因素相互作用对栖息地质量是封闭的投资。结果从2010年证明民主党和温度,民主党和GDP,民主党和铁路,民主党和公路,民主党和水道,民主党和归一化植被指数,民主党和地方降水和水道,降水和归一化植被指数、降水和地方,温度和铁路、温度和水道,温度和归一化植被指数、温度和地方,蒸发和地方,GDP和水路,铁路和水路,铁路和地方,道路和水道,水道和归一化植被指数,水道和地方,归一化植被指数和地方,民主党和人口密度,民主党和夜间照明、斜率和人口密度、斜率和夜间照明,降水和人口密度、降水和夜间照明,地方和人口密度、温度和夜间照明交互类型非线性增强。其余因素交互bifactor增强。其次,结果表明2020年民主党和温度,民主党和GDP,民主党和铁路,民主党和公路,民主党和水道,民主党和归一化植被指数、降水和水道,降水和归一化植被指数、温度和铁路、温度和水道,温度和归一化植被指数、蒸发和归一化植被指数,铁路和水路,铁路和归一化植被指数、水道和归一化植被指数、水道和地方,民主党和人口密度,民主党和夜间照明,温度和夜间照明,前面提到的影响因素之间的相互作用的类型是一个非线性的增强。其余因素之间的交互是二元增强。结果表明,大多数因素更影响栖息地质量时dual-dual交互。此外,结果表明,核反应能量交互的其他因素大于两个因素的q值的总和。换句话说,没有一个是独立的因素在影响栖息地质量和有一个增强dual-dual交互。

交互检测的结果影响因素栖息地质量策划根据交互的核反应能量(<一个href="#F14">图14)。交互检测的结果进一步补充散度和因子检测的结果。结果从2010年发现,民主党方面,和降水强烈与每个其他因素的相互作用,表明民主党方面变化的栖息地质量有明显影响,而降水加剧了栖息地质量的反应。此外,结果从2020年发现,民主党方面,降水,蒸发强烈相互作用的其他因素。这一点尤其适用于蒸发,大幅升值程度的影响。其余因素单因素解释力较弱的相互作用与其他因素产生桶效应更重要。

4讨论

本研究探索的反应16总部从2000年到2020年土地利用类型,并探讨了土地利用变化程度使用土地利用动态。基于+模型模拟土地利用预测2030年,结合投资模型探索总部于2030年在安徽省的进化。量化贡献不同的司机总部澄清使用Geodetector模型。研究结果将为可持续发展提供科学的参考安徽省的生态系统和土地利用规划。

4.1反应栖息地质量的土地利用变化

安徽省是中国一个重要的粮食和能源基地。随着城市化和人类活动,生态环境和经济发展之间的冲突不断增加。基于土地利用数据从三个时期从2000年到2020年,本文模拟了2030年土地利用预测。提供一个基础为未来的生态规划、空间保护和恢复,本文进一步评估土地利用变化之间的反应和栖息地质量通过耦合PLUS-INVEST模型。基于土地利用的空间分布,研究发现大片的草地和林地分布在安徽的南部和西南地区。旱地的广大地区被发现在北方,大片的稻田和中部城市土地研究领域的一部分。开采矿产和煤炭资源的研究区域土地利用结构引起的干扰,导致大量耕地的减少和城市土地的大量增加,植被被破坏,这结果是一致的结果(<一个href="#B27">钱et al ., 2021)。从2000年到2020年,该地区的旱地和水田减少5407 .02点公里<年代up>2,而分裂的农田增加。后者主要是受到城市化和退耕还林的政策向湖森林和田野。城市土地、农村定居点,和其他城市土地增加了4594 .37点公里<年代up>2安徽省,成为最主要的景观。此外,人为活动的发展导致城市土地补丁的连续聚合,集中在省会合肥,沿着河边的城市群在零散分布(<一个href="#B16">胡锦涛等人。,2020年)。在2010年,当时的示范区建设安徽Wanjiang城市带被纳入国家发展战略,省产业结构开始发展,吸引了很多人。这导致了城市化的不断扩大,进而侵占了生产性土地如水田和旱地。城市土地高度集中,对其他地区的生境质量构成威胁。与生态文明建设的项目,质量的栖息地周围林地等自然保护区,湿地草原,已得到改进。然而,整体改善仍不显著。14日五年计划的进展,政府加强了生态文明建设。当前的建议尤其如此,倡导回归森林种植、字段和湖泊,针对可持续人类发展和长期有效的利用资源。本文发现,旱地和水田的面积增加了1561 .35点公里<年代up>2从2020年到2030年,而城市土地的面积和其他城市土地减少了1765.27公里<年代up>2,这是符合生态系统的保护。严格坚持生态保护红线的时候,一个回族省促进生态保护和修复项目的实施减少造成的生态损害源站点城市土地和农田复垦的扩张。此外,这些生态政策旨在提高补丁的栖息地和补丁之间的连接,从而提高整体的栖息地的安徽省质量。

4.2司机栖息地质量的影响

安徽省栖息地质量的空间差异的结果,自然环境和社会经济发展的结合。即自然资源环境的空间异质性城市之间形成最初的栖息地质量的空间格局。随着人口的增加和社会经济的快速发展,建设用地的相对聚合和不断扩大,土地资源日益增长的需求,和其他因素的干扰导致增加栖息地质量的空间变异性。

从2000年到2020年,安徽省土地利用类型经历了连续动态变化,而区域生境质量表现出下降趋势。此外,从2010年到2020年,栖息地质量转移特征明显,尤其是在研究区南部,由良好的和优秀的栖息地质量的转移。从2020年到2030年,由栖息地质量传输,特别是在中部和西部边缘的研究领域。在2020年至2030年之间,栖息地质量差将占主导地位,特别是在安徽省的中部和西部边缘。栖息地质量的空间分异研究的区域是多种因素的结果。这些驱动因素之间的协同增强的空间分化加剧栖息地质量(<一个href="#B8">董et al ., 2022)。每个因素的影响在栖息地质量的空间分布是不同的,和大多数因素一直是重要的区别。两个因素的叠加影响的空间分布生境质量大于单因素的影响(<一个href="#B15">胡锦涛等人。,2022年)。Geodetector结果表明,DEM、边坡、降水、和铁路高解释力栖息地的质量,研究结果是一致的结果不同电网栖息地质量驱动机制在大城市(<一个href="#B17">胡锦涛等人。,2022年)。换句话说,这些因素在很大程度上影响生物栖息地质量的状态。此外,温度、土壤水分蒸发蒸腾损失总量、GDP、道路和归一化植被指数指数也影响栖息地质量,表明他们也是重要的因素影响生物栖息地质量的条件。栖息地质量的解释力斜率和河并没有改变,这表明栖息地质量的空间分布并没有受到这两个因素的影响,研究结果一致(<一个href="#B6">陈et al ., 2021)。最后,随着城市化的发展,定居点的解释力迅速增加,这又符合栖息地质量减少由于在长春市城市土地的扩张(<一个href="#B2">白et al ., 2019)。这项研究的结果表明,地形和气候因素影响栖息地质量的空间格局的主要因素,而人类活动强度开车栖息地质量的时空演化。未来安徽省区域发展的重点应该放在最突出的地区总部退化和快速城市化发展,努力解决人与自然之间的关系提供一个参考安徽省促进高质量的发展。

4.3的局限性和不确定性

本研究调查了栖息地质量的响应和司机土地利用变化通过研究长时间系列。纵向研究削弱短期数据的突然变化,从而减少不确定性。栖息地质量的未来趋势也从未来的土地利用数据确定。然而,本文挑选每阶段土地利用间隔10年,这是不够具体土地利用经济发展的反应。因此,我们将进行土地利用研究的时间间隔在未来5年的阶段。此外,通过检查通过Geodetector栖息地质量的驱动机制模型,阐明各种因素的定量影响。然而,司机有数据的局限性分析。此外,multi-scenario预测在未来发展中不考虑加上预测模型,这是一个限制,未来将进一步投资的工作。城市土地利用模拟的结果明显不同与实际模型,因为大部分时间保持一致的模拟结果的模拟土地利用类型。造成这种情况的解决驾驶和限制因素,导致城市土地类的模拟不同于真正的仿真结果。 The underestimation of urban land area by LULC products can be described by a logarithmic law, and the potential threshold of this law is about 30 m resolution. When using LULC products with coarse resolution, the urban features are severely distorted. Therefore, in subsequent studies, more high-precision data are needed for predictive simulations.

根据总部的土地use-driven变化评估,确定了不同土地利用类型的生态影响。这些向决策者提供支持,优化土地利用结构,实现可持续发展的目标。南部地区的快速城市化研究区加速森林的转移到其他土地类型,导致森林总部持续下降。因为南部地区是一个生态保护区,有必要合理划定城市发展边界(<一个href="#B4">曹et al ., 2021),限制城市开放空间的无序扩张,积极构建生态走廊、稳定的生态系统结构(<一个href="#B1">Andersson et al ., 2019),并严格遵守生态保护红线。虽然总部大型开放水域和倒塌的水域形成了煤炭开采沉陷是最高的地区,仍然需要进一步扩张防治水措施因为自然土地利用转移是不可逆转的。此外,农田生态系统的代表在城市化地区最大的侵犯;因此,18亿亩耕地红线的保护需要严格遵守<一个href="#B42">周et al ., 2021)。发展应该适应增加总部在城市化进程和社会经济发展目标。通过设置四个土地利用情景模拟和分析,优化土地利用结构,提高土地的利用率,为未来的生态建设提供了重要参考和土地利用扩张盆地。

5的结论

结合ArcGIS 10.6软件的栖息地质量模块+模型和投资模型,本文研究了土地利用变化的时空演化特征预测和栖息地质量安徽省2000年和2030年之间。然后Geodetector模型进一步探讨生境质量变化的驱动机制。主要结论如下。

(1)从2000年到2020年,安徽省主要是水田、旱地、林地,一起覆盖超过总面积的70%。水田、旱地、林地、城市土地和农村定居点互换,每个补丁的空间分布表现出明显的异质性。2030年,水田和旱地领域有经验的增加,而树木繁茂的土地,水库池塘、城市土地和其他城市土地证明少量减少。其他剩余的土地用途保持不变。

(2)在20年的研究期间,整个安徽省栖息地质量表现出一个小单边下跌,与贫穷和糟糕的栖息地质量的控制。由于城市土地的快速扩张,区域中心周围的栖息地质量明显降低。栖息地质量的2020年相比,2030年栖息地质量表现出一个小减少,而穷人栖息地质量增加,主要是在边缘地区。

(3)自然环境和社会经济发展非常重要的发展空间变异性栖息地质量的安徽省。在这些因素中,民主党方面,降水和蒸散对栖息地的质量有很高的解释力。此外,2020年影响因素的解释力是高于2010年,与地方的解释力,显著增加,表明社会经济因素对栖息地质量的变化产生决定性的影响。

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

概念化,广州和老;方法,广州;软件、江西;验证、广州、SR、江西;PY形式分析;PY资源;原创作品草稿准备,广州所有作者已阅读及同意发布版本的手稿。

资金

这项研究是由安徽省教育部重点研究项目,授予2021 KJ a0891数量。

的利益冲突

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