《Sustainability》:Analysis of Changes and Driving Forces in Landscape Ecological Pattern of Land Use: A Case Study of Sanmenxia Section in the Yellow River Basin
编辑推荐:
土地资源的可持续管理和土地政策的制定与陆地生态系统的稳定性和健康密切相关,这进而支撑着区域经济、社会和环境的可持续发展。然而,土地利用变化对环境具有时间效应,需要长期观察才能发现其对景观格局的影响。黄河流域作为中国北方的重要生态屏障,其中下游过渡区的土地利用变
土地资源的可持续管理和土地政策的制定与陆地生态系统的稳定性和健康密切相关,这进而支撑着区域经济、社会和环境的可持续发展。然而,土地利用变化对环境具有时间效应,需要长期观察才能发现其对景观格局的影响。黄河流域作为中国北方的重要生态屏障,其中下游过渡区的土地利用变化尤为剧烈。本研究以Landsat影像为数据源,采用随机森林(Random Forest, RF)算法对研究区1990年至2025年共35年间的8期时序数据进行分类。运用景观格局指数(landscape pattern metrics)和转移矩阵(transfer matrix)对土地利用变化的时空动态进行定性和定量分析。此外,采用土地扩张分析策略和RF算法确定不同驱动因素的相对重要性。结果表明:(1)基于Google Earth Engine(GEE)云平台的分类精度始终较高,各期均超过90%。(2)斑块密度(Patch Density, PD)显著下降,最大斑块指数(Largest Patch Index, LPI)持续下降;香农多样性指数(Shannon Diversity Index, SHDI)呈波动上升趋势,聚集度指数(Aggregation Index, AI)略有增加。(3)农田、森林和草地之间的相互转换是该区域土地利用变化的主导过程。(4)数字高程模型(Digital Elevation Model, DEM)、建设用地面积分布和距主要道路距离是影响土地利用格局的关键因素,人类活动是该区域土地利用类型转变的主要驱动力。
论文解读文章
**研究背景与问题**
土地资源的可持续管理及土地政策的制定,直接关系到陆地生态系统(terrestrial ecosystem)的稳定性与健康,进而支撑区域经济、社会与环境的可持续发展。然而,生态环境变化是一个长期过程,土地利用变化对景观格局的影响需通过长期观测才能揭示。黄河流域(Yellow River Basin, YRB)作为中国北方重要的生态屏障、经济核心带和生态安全屏障,其中下游过渡区(三门峡段)因人口密集和快速城镇化,土地利用结构变化剧烈,对区域生态环境造成严重威胁,并引发景观格局的显著改变。当前,在低碳与碳中和双重政策背景下,黄河流域的生态环境与景观格局已发生新变化。已有研究表明,黄河流域景观格局变化受社会经济与自然环境的共同驱动,但缺乏对近35年连续变化的系统分析,尤其在政策调整期(如退耕还林、黄河流域生态保护战略)的成果较少。因此,研究人员提出利用Google Earth Engine(GEE)云平台,高效处理长时序遥感数据,开展黄河流域三门峡段土地利用景观生态格局变化及驱动力分析,为生态规划和管理提供科学依据。该论文发表在《Sustainability》。
**关键技术与方法**
研究人员主要采用以下关键技术方法:(1)基于GEE云平台,以Landsat系列卫星影像(Landsat 5 TM和Landsat 8 OLI,1990-2025年共8期,云量≤8%)为数据源,构建包含光谱指数、地形特征、纹理特征和遥感波段指数的分类特征集,其中地形特征(坡度、山体阴影)由数字高程模型(DEM,SRTM V4.1,30 m分辨率)计算获得;光谱指数包括归一化植被指数(NDVI)、改进归一化差异水体指数(MNDWI)和改进土壤调节植被指数(MSAVI);纹理特征通过灰度共生矩阵(GLCM)提取7种纹理指标,并经主成分分析(PCA)降维。(2)采用随机森林(RF)算法进行土地利用/覆盖分类,通过自助重采样构建集成分类树,利用袋外样本(OOB)进行内部误差估计,最终基于多数投票确定分类结果,并用实测样本(参考样本通过Google Earth高分辨率影像目视解译获得,每期样本量357-501个,70%训练,30%验证)评估精度。(3)利用转移矩阵(transfer matrix)分析土地利用类型间的相互转换;选取斑块密度(PD)、最大斑块指数(LPI)、香农多样性指数(SHDI)和聚集度指数(AI)四个景观格局指数,分析景观格局时空变化;采用土地扩张分析策略和RF算法评估12个驱动因素(包括DEM、距建成区距离、距主要道路距离、GDP、人口、温度、降水等)对土地利用分布的重要性。
**研究结果**
**3.1 土地分类特征的时空变化分析**
通过随机森林算法对研究区1990-2025年8期影像进行分类,得到土地利用分类图(图3)。结果显示:农田主要分布在河流两侧及中部平原,森林集中在周边山地,草地分布于北部山区并与森林交错,水体包括黄河、伊河、渭河等水系及三门峡水库等,建设用地主要分布在平原(如洛阳、伊川等城市群)及散落村落。Kappa系数均超过0.9,分类精度极高。转移矩阵分析(表4)表明,1990-2025年间,农田主要转化为建设用地(1728.69 km2)、森林(1352.26 km2)和草地(745.87 km2);森林主要转化为农田(797.43 km2)和草地(123.94 km2);草地主要转化为森林(1630.58 km2);水体主要转化为农田(66.03 km2)和建设用地(51.09 km2)。综合来看,退耕还林还草政策成效显著,经济发展迅速,城镇化明显,但部分地区仍存在毁林开垦现象。
**3.2 景观生态格局指数**
基于Fragstats 4.5软件分析景观格局指数(图5、图6)得出:(1)PD持续显著下降,表明研究区景观破碎化程度逐渐降低;(2)LPI持续下降,表明最大斑块在整个景观中的优势度减弱;(3)SHDI呈波动上升趋势,表明景观多样性增加,斑块类型分布更均衡;(4)AI小幅上升,表明同类景观斑块分布更集中、连接性提高。不同土地利用类型的AI总体上升,SHDI先升后降(2020年达峰值),LPI在2010年达峰值后下降,PD持续下降且后期降速减缓。总体而言,景观格局呈现破碎化降低、聚集度增加、异质性波动、优势斑块周期性变化的特征,反映人类干扰与自然生态恢复的双重驱动力。
**驱动因素分析**
通过土地扩张分析策略和RF算法评估12个影响因素的重要性(表5),发现DEM、建成区面积分布(Built)和距主要道路距离(I)是影响土地利用分布的三个主要因素。具体而言,农田分布的主要影响因素为DEM、Built和GDP;森林为Built、DEM和温度(TMP);草地为DEM、GDP和降水(Mo);建设用地为Built、I和Mo;水体为DEM、Built和距河流距离(River)。结果说明人类活动(城市扩张、基础设施)是土地利用类型转变的主导驱动力。
**讨论与结论**
**讨论部分总结**:本研究结果与Li等对黄河流域整体分析一致,强调人类活动(尤其是建设用地扩张占用农田)的主导作用。但与上游流域以草地退化为主不同,中下游过渡区呈现农田、森林、草地之间的复杂相互转换,反映该区域独特的生态脆弱性和农业重要性。景观格局变化(PD和LPI下降,SHDI和AI上升)表明破碎化与均质化并存,看似矛盾,实则由生态恢复政策(如退耕还林还草)和快速城市化的综合效应所致:土地类型恢复增加了森林连通性,但盲目扩张则破碎了自然景观。研究存在不确定性:35年间隔影像可能掩盖短期变化;RF算法依赖训练数据质量;驱动因素分析基于静态变量,未能完全捕捉动态互动。土地利用分类混淆也会影响结果,需更多实地验证。未来应提高时间分辨率并纳入动态驱动因素。
**研究结论翻译**:(1)利用GEE云平台实现了高效精确的土地覆盖分类,整体Kappa系数超过0.9,为大规模长时序土地利用动态监测提供了技术基础。(2)景观格局指数时间动态显示,所有土地利用类型内部聚集度增加、破碎化降低、斑块空间分布更均衡,表明区域景观结构逐步优化,生态连通性和功能稳定性增强。(3)农田、森林、草地之间的相互转换是研究区土地利用变化的核心过程,农田大量转为森林、草地和建设用地,反映生态质量改善、社会经济快速发展和城镇化加速,体现生态保护与社会经济的协同演进。(4)驱动因素重要性评估表明,地形变量、距建成区距离和距主要道路距离是土地利用空间分布的关键决定因素,人类活动(尤其是城市扩张和基础设施发展)对区域土地利用类型转变起主导作用,凸显人地相互作用在塑造景观格局中的关键角色。