在青藏高原上，随着野生地带与城市交界区域的迅速扩张，植被覆盖率正在下降

《Land Use Policy》：Declining greenness under the rapid expansion of the wildland–urban interface on the Qinghai-Tibetan Plateau

　　**摘要**
野生地-城市交界区（WUI）指的是建筑物与未开发的野生植被相交的区域，识别其生态效应对于理解人类与景观之间的冲突至关重要。当前的WUI评估主要集中在发达国家人口活动密集的地区，而在人类活动迅速增加的生态脆弱区域（例如青藏高原（QTP）中，关于植被退化的证据却很少。我们以100米的分辨率绘制了2000年至2020年QTP的WUI地图，并基于归一化差异植被指数（NDVI）、叶面积指数（LAI）和太阳诱导的叶绿素荧光（SIF）量化了WUI扩展区域内的植被绿化度下降情况。通过倾向得分匹配（PSM）来控制环境协变量的偏差，并采用差异-差异（DiD）方法消除背景时间趋势，从而量化WUI扩展对植被的净抑制效应。研究结果表明，在这20年间，WUI面积扩大了48％，主要集中在QTP的西部、南部、东南部和东部边缘。城市扩张对WUI扩展的总体贡献率为89.6％，大约是野生地的9倍。LAI退化率为11.57％，NDVI退化率为2.48％，SIF退化率为2.06％；这三个指标均显示出一致的退化趋势，证实WUI扩展对植被的影响主要由叶面积减少和树冠结构简化引起。直接的土地转换是LAI退化的主要驱动因素，这通过多种途径实现，包括直接清除、景观重组导致 fragmentation 增强以及放牧压力的集中。

**1. 引言**
野生地-城市交界区（WUI）是指建筑物与未开发的野生植被相交的区域（Radeloff等人，2005年）。自2000年以来，由于城市化、人口增长和景观模式的变化，WUI区域在全球范围内迅速扩张（Guo等人，2024年）。这些区域已成为人类与环境冲突和风险的汇聚点，可能导致诸如野火造成的住房和生活损失、栖息地丧失、景观破碎化、人畜共患病传播以及极端降水和洪水风险等问题（Hassell等人，2017年；Simkin等人，2025年；Bar-Massada等人，2014年；Sankey等人，2024年）。随着全球人口的增长和城市扩张，WUI中暴露的建筑物和人口数量可能会进一步增加，而气候变化可能会加剧这些风险（Liu等人，2015年）。因此，量化WUI变化的生态效应对于维护城郊地区的生物多样性和提供生态系统服务非常重要（Jenerette等人，2022年）。

最近的WUI研究主要集中在四个方面：空间分布、时间过程、风险评估和环境影响。在空间分布方面，研究主要集中在WUI的范围、类型识别和分布模式（Johnston和Flannigan，2018年；Herrero-Corral等人，2012年）；在时间过程方面，重点分析WUI面积的变化及其驱动因素（Kaim等人，2018年）；在风险评估方面，使用人口和建筑物的暴露程度以及自然灾害（如野火）的频率和强度等指标来进行风险识别、量化和管理措施（Theobald和Romme，2007年）；在环境影响方面，研究主要集中在WUI扩张对生态系统完整性和环境可持续性的综合影响，包括各种生物和非生物效应。这些效应包括栖息地破碎化加剧、物种迁移走廊受阻、生态系统连通性降低、生态系统服务退化以及生态系统恢复力下降（Chas-Amil等人，2013年；Adhikari和Hansen，2018年；Laband和Graeme Lockaby，2020年）。

考虑到环境影响，野火是WUI中观察到的最严重的问题之一（Radeloff等人，2018年），造成严重的财产损失和人员伤亡（Bento-Goncalves和Vieira，2020年）。因此，目前对WUI效应的分析主要集中在野火风险评估和防火管理策略上（Bruno等人，2024年；Montoya Alvis等人，2025年；Kramer等人，2019年）。Chen等人（2024年）对全球WUI的时空模式及其相关野火风险进行了定量分析，得出结论认为当前和未来的WUI区域将面临更大的野火风险。Seydi等人（2025年）发现，尽管全球烧毁面积减少了26％，但由于野生火灾与人类聚居区的共址性增强，人类暴露风险增加了40％。Purnomo等人（2024年）开发了一个一维的、景观尺度上的半物理模型来模拟WUI中的火灾，旨在观察潜在现象和缓解措施。植被绿化指数（如NDVI、SIF和LAI）作为反映植被活力的关键参数，可以捕捉WUI扩展对生态系统功能的逐步影响（Kuttippurath和Kashyap，2023年；Singh等人，2024年）。然而，除了传统的土地利用和景观模式指标（Huang等人，2025年）之外，WUI评估中对植被生长状态的量化相对不足。

在研究区域分布方面，当前的WUI研究主要集中在北美洲西部、欧洲的地中海气候区、澳大利亚以及传统的火灾管理重点区域。近年来，研究也关注一些新兴热点地区，如东亚、东非和南美洲的部分地区（Schug等人，2023年）。Gong等人（2024年）识别并提取了2008年至2020年中国境内的WUI区域，并分析了火灾发生的特征；Vilà-Vilardell等人（2020年）对不丹两个山谷的WUI进行了野火风险调查，发现极端天气条件下不丹蓝松生态系统的野火风险可能会翻倍。也有证据表明，QTP周围的WUI正在快速扩张（Wang等人，2022年；Wang等人，2019年）。

青藏高原（QTP）被称为地球的“第三极”，是中国和亚洲的重要生态屏障，其西南部和喜马拉雅山脉沿线拥有关键的全球生物多样性热点（Myers等人，2000年；Hua等人，2022年）。然而，QTP的生态环境非常脆弱（Zhang等人，2022年；Li等人，2024年）。近年来，由于城市化进程加快，QTP的生态压力逐渐增加，导致了一系列环境问题，如森林丧失、草地退化和生物多样性减少（Zhou等人，2023年；Harris，2010年；Wang等人，2022年；Huang等人，2022年）。2000年至2020年间，QTP上的建成区面积扩大了五倍，在西藏中部和喜马拉雅山脉北麓等地区观察到了局部生态退化（Nie等人，2023年；Wang等人，2022年）。历史上，畜牧业一直是青藏高原的主要生计方式，形成了以少量相对集中的区域中心和大量分散的小型聚居地为特征的定居模式（Li等人，2019年）。通过实施游牧定居政策（NSP）、基础设施走廊建设和配套援助计划，QTP的城市扩张呈现出低密度、分散的模式，而不是中国东部典型的连续蔓延（Zhang等人，2023年）。关于QTP城市化的现有研究主要集中在土地利用变化、建成区面积和城市人口规模上（Bai等人，2025年），而评估城市化对生态系统的影响时，常用指标包括净初级生产力（NPP）、植被指数、生态系统服务、人类足迹强度和放牧强度（Jiang等人，2024年；Hua等人，2022年）。然而，很少有研究关注野生地与人类冲突交汇的敏感景观，如QTP上的WUI。这种分散的城市化模式表明，青藏高原上的WUI形成可能遵循与以往研究中发现的不同社会经济路径。尽管如此，WUI扩张对该地区植被退化的贡献程度尚未得到量化评估。

我们选择QTP作为研究区域，探讨人口活动较低但增长迅速的地区中WUI的变化及其对城郊植被的影响。我们提出以下两个科学问题：2000年至2020年间，QTP上的WUI在时空上如何演变？WUI扩张对QTP植被生长的影响程度如何？我们将2000年至2020年这一时期分为五个时间点（2000年、2005年、2010年、2015年和2020年）。根据土地利用数据和建筑密度数据，识别并分类了QTP上的WUI类型，包括四种WUI景观和四种非WUI景观，以揭示WUI的变化。WUI的增加和减少与城市区域和野生区域的变化有关。最后，我们分析了WUI扩展区域内三个植被绿化指标（NDVI、SIF和LAI）的退化程度，以量化WUI扩张对植被生长的影响。

**2. 材料与方法**
**2.1. 研究区域**
我们采用Zhang Yili等人2021年版本的QTP边界作为研究区域，该边界是通过基于ASTER GDEM和Google Earth遥感影像的全面分析确定的（Zhang，2019年）。边界的北缘起始于西昆仑-祁连山脉的北麓，南缘延伸至喜马拉雅山脉和其他山脉的南麓。地理坐标范围为25°59′N—40°01′N和67°40′E—104°41′E，总面积为3.08×10^6平方公里，平均海拔约为4320米。该区域涵盖九个国家，包括中国、印度、巴基斯坦和塔吉克斯坦（图1）。该地区地形复杂，自然环境多样，植被类型和生态多样性丰富（Li，1991年；Yao等人，2012年；Marchese，2015年）。

**2.2. 数据来源与预处理**
本研究使用的数据集分为四类（表1）：WUI识别、植被绿化度量化、倾向得分匹配（PSM）协变量和机制驱动指标。
WUI识别依赖于四个数据集：30米分辨率的GLC_FCS30D土地覆盖产品、约100米分辨率的GHS-BUILT-S R2022A建筑面积数据、30米分辨率的SRTM DEM以及JRC Monthly Water History v1.4地表水数据。

选择了三个指标来量化绿化度及其退化程度：MOD13A2.006的NDVI（1公里×16天合成数据）、MOD15A2H.006的LAI（500米×8天合成数据）和CSIF v2产品的SIF（0.05°，年平均值）。

**表1. 详细数据信息和来源**
| 类别 | 数据集 | 分辨率 | 时期 | 来源 |
|------------|------------|-------------|-------------------|
| WUI识别 | GLC_FCS30D | 30米 | 1985–2022 | Zhang等人，2021 |
| 建筑面积 | GHS-BUILT-S R2022A | 3弧秒 | 1975–2030 | Pesaresi等人，2024 |
| 海拔 | SRTM | 30米 | 2000 | Farr等人，2007 |
| 地表水 | JRC Monthly Water | 30米 | 1984–2021 | Pekel等人，2016 |
| 植被绿化度 | NDVI | MOD13A2.006 | 2000–2020 | NASA LP DAAC |
| LAI | MOD15A2H.006 | 500米 | 2020 | NASA LP DAAC |
| SIF | CSIF v2 | 0.05° | 年平均值 | Zhang等人，2018年；Zhang，2021 |

**2.3. WUI识别与变化分析**
**2.3.1. WUI识别与绘图**
我们采用了美国联邦公报（Forest Service，2001年）中的WUI概念定义，并根据以往经验确定了绘图参数（Schug等人，2023年），应用了0.5％的建筑密度阈值和50％的野生植被比例阈值。首先，我们利用高程数据和地表水数据排除了坡度大于25°且一年中水域占比超过20%的地区，以排除陡峭的裸露岩石和临时河床。根据先前案例的分类方法（Schug等人，2023年），重新对土地利用数据进行了分类：将林地、灌木丛、草地、草本湿地、红树林、苔藓和地衣归类为野生植被，而非野生植被包括耕地、不透水表面、盐碱地、裸地、冰雪和水域。之后，我们使用移动窗口算法计算每个像素周围的平均建筑密度以及圆形内核内的野生植被占比。根据以往的研究，圆形窗口的半径被设定为500米。我们应用开运算来识别5平方公里的较大区域，并基于美国联邦公报中对野火安全区的定义（Platt，2010年）进行了2.4公里的缓冲区扩展。最后，我们根据以下流程图制定了识别和分类的计算规则，并根据分类结果生成了WUI地图。整个识别过程是通过Google Earth Engine完成的（图2）。

为了评估所采用的WUI定义的稳健性，我们通过改变关键识别参数（包括建筑密度阈值、野生植被阈值、缓冲区距离、最小区域大小和移动窗口半径）进行了敏感性分析。该分析在保持其他参数不变的情况下，考察了参数变化对WUI扩展估计的影响。详细的实验设计和评估程序见补充信息S1.2.3.2。

在绘制了QTP的WUI地图后，我们统计分析了每年不同WUI类别的面积。同时，我们也从经度和纬度方向量化了WUI面积，以研究其空间分布。为了探讨WUI分布模式与城市规模之间的关系，我们使用Esri标准地理数据库中的世界城市数据集，根据人口规模将城市分为三类：小城市（人口<50000）、中等城市（人口50000–500000）和大城市（人口>500000）。从每类中选取了两座典型城市，分析城市几何中心距离与每平方公里WUI面积之间的关系。

进一步研究了WUI变化趋势及其贡献来源。首先，我们将研究区域划分为0.25°的网格，并计算2000年至2020年间每个网格内的变化面积，以可视化WUI变化的空间分布模式。对于WUI变化的归因分析，我们根据土地利用变化确定了每个像素的变化类型和贡献来源（见表2）。贡献计算遵循以下原则：对于分辨率为100米的像素，如果WUI变化是由城市或野生因素单独引起的，则该因素贡献100%；如果变化是由城市和野生因素共同引起的，则假设各贡献50%。随后将野生和城市区域的总贡献相加（Guo等人，2024年）。仅由城市或野生因素驱动的像素比例定义为该因素的净贡献，而由两者共同驱动的像素比例定义为共同贡献。然后计算每个因素的总贡献：

表2. WUI变化的贡献类型定义。
初始状态 | 最终状态 | WUI变化及贡献类型
| -------- | -------- | --------------------------- |
| 非WUI城市 | WUI增加（由城市扩张引起） | WUI增加（W (+)） |
| 非WUI野生植被 | WUI增加（由城市扩张引起） | WUI增加（U (+) |
| 非WUI其他 | WUI增加（由城市和野生扩张共同引起） | WUI增加（U&W (+) |
| WUI减少（由城市退缩引起） | WUI减少（W (-) | WUI减少（W (-) |
| 非WUI野生植被 | WUI减少（由城市退缩引起） | WUI减少（U (-) | WUI减少（U&W (-) |

这种划分方式确保了任何给定时期城市和野生因素的总贡献之和为100%。

为了评估WUI扩张对植被的影响，我们的分析从两个维度进行：森林损失和植被绿度变化。首先，根据2000年和2020年的WUI状态，将区域分为扩张区和背景区。首先选择植被覆盖率超过60%的区域，以确保分析关注以植被为主的景观（Huang等人，2025年）。将“扩张区”定义为2000年时为非WUI但在2020年转变为WUI的区域，代表新扩张的WUI区域。“背景区”定义为保持为非WUI且位于扩张区周围5公里缓冲区内的区域。通过比较2000年和2020年扩张区和背景区的土地覆盖变化来量化森林损失。使用NDVI、LAI和SIF指标评估植被绿度退化。为了减少由于扩张区和背景区环境差异可能导致的选择偏差，在进行绿度分析之前应用了倾向得分匹配（PSM）框架。详细原理见补充信息S2.2.4.1。

基于生成的扩张区和背景区掩膜，提取了这两个区域2000年和2020年的森林损失数据。计算了森林损失面积占总掩膜面积的比例及其从2000年到2020年的增长率。我们还关注了森林损失面积及其在不同土地利用变化类型中的比例。土地利用变化类型包括背景区2000年和2020年的所有非WUI类型组合，以及扩张区2000年的所有非WUI类型组合和2020年的所有WUI类型组合。

为了将WUI扩张的影响与环境异质性区分开，我们在0.05°网格分辨率下应用了倾向得分匹配（PSM）。处理样本被定义为WUI扩张网格，而对照样本则从5公里缓冲区内的非WUI背景网格中选取。匹配使用表示地形、气候、土壤特性和人类活动的环境变量进行。采用不放回的1:1最近邻匹配算法，匹配卡尺宽度为倾向得分的0.2个标准差。匹配质量使用标准化平均差异（SMD）进行评估。植被绿度的特征使用NDVI、LAI和SIF指标进行表征。对于每个指标（Y），使用差分差分框架量化WUI扩张对植被的净影响：

?Y = (Y2000 - Y2020)
其中Y????和Y????分别表示匹配处理组和对照组的平均绿度值。Y???? ? Y????的正值表明WUI发展对植被绿度有负面影响，表明植被退化的趋势；相反，负值表示植被状况相对改善。

为了研究WUI扩张对植被影响的机制，我们使用皮尔逊相关性分析了十个候选变量，排除了相关性强的变量，并保留了涵盖五个机制途径的八个变量：直接土地转换、土壤 sealing、人为干扰、边缘效应和景观破碎化。将136个匹配网格按每个变量进行排名，并分为三个等频组。使用Kruskal–Wallis检验评估组间植被退化的总体差异，随后进行带有Benjamini–Hochberg校正的成对Wilcoxon秩和检验。结果以带有显著性注释的分组箱线图形式呈现。详细变量定义和统计程序见补充信息S3。

3.1. QTP上WUI区域的时空分布
QTP上的WUI主要集中在该地区的南部和东部边界，中心和北部地区的分布非常少（图3）。在经度方向上，70°E至80°E之间的总WUI面积急剧上升和下降，而在80°E至105°E之间则保持较低（图3A）。在纬度方向上，WUI面积百分比的整体波动更为明显（图3C）。高原上有四个明显的WUI集中子区域，分别位于其南部和东部边界，并分布在QTP的西部、南部、东南部和东部。其中，以F/S/W（森林/灌木丛/湿地）为主的WUI混合区最大（图3D和E）；以草地为主的WUI混合区和界面区分别排在第二和第三位（图3F和G）；以F/S/W为主的WUI界面区最小。从2000年到2020年，所有四种WUI类型的面积都有所增加（图3B），其中以F/S/W为主的WUI混合区增长最快，到2020年达到10.18×103平方公里（图3B）。

敏感性分析表明，在所有参数扰动情景下，ΔWUI的符号保持不变，这表明WUI扩张的方向结论不受参数选择的影响。此外，所有参数的平均敏感性系数相对较低，进一步支持了时空模式分析结果的稳健性（见补充信息S1）。

不同规模的城市在距离与WUI密度之间的关系方面表现出不同的特征（图4A）。以选定的典型城市为例，尼泊尔的Ilam和锡金地区的Gangtok缺乏连续的市中心建成区，城市分布总体上是碎片化的，并与野生植被交织在一起。因此，在人口密集的QTP区域市中心，人类与土地的冲突最为尖锐，这些地方表现出最高的分布密度，远超过中等和大型城市，显示出从市中心向外快速减少的趋势（图4B，C）。在阿富汗的两个中等规模城市Gardez和Ghazni，WUI面积和密度最初急剧增加，然后从市中心向外缓慢减少，因为建成区的边界直接与野生植被接壤，形成了WUI密度高的典型分布区（图4D，E）。在巴基斯坦的两个大城市Rawalpindi和Peshawar，WUI面积和密度从市中心向外逐渐增加。市中心非WUI区域的半径较大，郊区只有稀疏的WUI分布（图4F，G）。总之，WUI分布呈现出这样的空间模式：较小的城市人口规模对应较高的WUI密度。小型城市缺乏连续的建成区核心，而是由散布在野生植被中的建筑群组成，从而放大了单位面积的建筑-野生接触界面（Yin等人，2024）。相比之下，大型城市拥有广阔的非WUI城市核心，WUI局限于其外围郊区。小型城市观察到的高WUI密度反映了高原以牧业为基础的分散居住组织方式以及最近从游牧向定居的转变所导致的景观级后果。

不同规模的城市在距离与WUI密度之间的关系方面表现出不同的特征（图4A）。以选定的典型城市为例，尼泊尔的Ilam和锡金地区的Gangtok缺乏连续的市中心建成区，城市分布总体上是碎片化的，并与野生植被交织在一起。因此，在人口密集的QTP区域市中心，人类与土地的冲突最为尖锐，表现出最高的分布密度，远超中型和大型城市，显示出从市中心向外快速下降的趋势（图4B，C）。在阿富汗的两个中等规模城市Gardez和Ghazni，WUI面积和密度首先急剧增加，然后从市中心向外缓慢减少，因为建成区的边界直接与野生植被接壤，形成了WUI密度高的典型分布区（图4D，E）。在巴基斯坦的两个大城市Rawalpindi和Peshawar，WUI面积和密度从市中心向外逐渐增加。市中心非WUI区域的半径较大，郊区只有稀疏的WUI分布（图4F，G）。总之，WUI分布遵循这样的空间模式：较小的城市人口规模对应较高的WUI密度。小型城市缺乏连续的建成区核心，而是由散布在野生植被中的建筑群组成，从而放大了单位面积内的建筑-野生接触界面（Yin等人，2024）。2000年至2020年间，青藏高原（QTP）西部子区域的野生植被覆盖率（WUI）发生了变化，内部区域有所减少而外部区域有所增加，显示出整体向外扩展的趋势（图5B）。2000年至2010年间，WUI面积主要在扩张，这主要归因于野生区和城市因素的综合效应以及城市扩张的独立效应。2010年至2015年和2015年至2020年期间，WUI面积出现缩减，主要由野生区和城市因素的综合效应引起。南部子区域在所有四个时期的变化主要是增加，这主要是由于城市缩减的独立贡献，且面积呈逐年扩大趋势（图5C）。整个QTP的WUI面积以年均2%至3%的速度稳步增长，20年间累计增长了48.7%（图5D）。放牧主要通过落叶和践踏减少叶面积，但不会干扰存活叶子的光合作用机制，由于NDVI饱和度的影响，其对植被覆盖的影响相对有限（Liu等人，2019年）。本研究观察到的三个指标的退化模式与放牧特征一致，提供了放牧压力增加的间接证据，尽管需要基于实地的数据来验证放牧密度和草地利用情况。此外，尽管SIF没有达到显著性水平，但四个破碎化指标显示出一致的U形趋势，这可能归因于在轻度到中度干扰下的光合作用补偿（Banbury Morgan和Jucker，2025年）。NDVI的倒U形模式与其饱和效应和混合像素噪声有关（Gao等人，2023年）。总之，QTP地区由于WUI（建城区）扩张导致的植被退化是由直接清除、景观重组、破碎化加剧以及放牧压力集中等多种因素共同作用的结果（图9）。其影响主要表现为叶面积减少和冠层结构简化，植被数量的下降先于功能退化——这与高山草甸生态系统的韧性特征相符，因为发达的地下生物量和根系可以维持光合作用的恢复潜力（Hu等人，2021年）。

作为人口稀少、自然环境独特、生态系统脆弱、民族关系复杂且宗教文化多样的地区，QTP形成了独特的城市体系和城市化模式（Shao和Yao，2022年）。虽然QTP的植被主要是高山草甸和草原，但WUI区域集中在高原边缘的低海拔河谷地带，这些地方的水热条件更为适宜。以F/S/W（森林、湿地、水域）为主的WUI在面积上超过了以草地为主的类型，并且集中在生物多样性最高、生态功能最密集的过渡带，对区域生态安全构成威胁。高原上的城市化主要表现为沿交通走廊和河谷的线性扩展，以及畜牧定居点的原位整合。游牧定居政策将传统的游牧方式转变为固定定居模式，使人类和牲畜的活动从时空分散的状态转变为空间集中的状态，加剧了周边草地的承载压力。从宗教和文化的角度来看，大多数民族社区的农村聚落的空间形态明显依赖于宗教场所的位置（Li等人，2018年），而传统的藏族文化价值观，包括不杀生和对神圣山峰及湖泊的精神敬畏，历史上起到了实际的生态保护作用（Shen等人，2012年）。然而，随着现代化进程的加快和传统生计方式的转变，这种保护作用正在逐渐减弱。如何将宗教场所及其相关的文化景观纳入生态管理框架，是QTP地区保护工作面临的一个独特挑战。

基于上述机制发现和区域特征，本研究提出以下管理建议：应优先控制大规模连续性清除；新的开发项目应针对现有的建成区进行，以尽量减少连续植被的破坏，并限制建城区对周围野地的扩张（Mockrin等人，2022年）。应建立基于景观指标（如斑块面积和边缘暴露率）的早期预警系统，以便在退化达到不可逆转阈值之前及时干预。在以草地为主的WUI区域，应将传统的季节性轮牧制度纳入土地利用规划，并将定居点周围的牲畜密度控制在生态承载能力范围内（Li等人，2020年）。此外，需要特别关注高海拔环境中植被生长缓慢且恢复困难的特点，采取更加谨慎的开发策略，在生长季节较短的时间内避免大规模干扰（Wang等人，2023年；Feng等人，2025年；Liu等人，2025年）。此外，需要跨地区协调机制来平衡不同扩张强度区域之间的保护和开发关系（Fu等人，2018年；Liu等人，2022年）。

本研究存在一些与数据可用性和方法论相关的局限性。由于目前可用的植被产品的空间分辨率有限，WUI映射与植被分析之间存在不匹配。植被退化往往集中在靠近建成区边缘的狭窄区域内，当在0.05°网格内平均植被指标时，微尺度的边缘效应可能无法完全捕捉到；这些局部信号会被周围未受影响的植被所减弱，从而导致对WUI附近植被退化的低估（Zhang等人，2022年）。此外，NDVI、LAI和SIF采用不同的时间合成策略和处理程序，可能会引入分析不确定性。尽管如此，三个独立数据集中观察到的退化模式一致，支持了总体研究结果的可靠性。未来WUI研究应常规进行敏感性分析，以评估识别参数在不同地区和生态系统中的适用性。

关于人类活动的空间影响，目前尚未进行定量细观数据分析。基于遥感指标的植被绿色度评估存在局限性；本研究中选定的指标无法完全代表生物多样性维持、土壤保护和水资源保护等生态服务，也无法轻松反映植被群落的稳定性、抗干扰能力或与其他生态系统成分的相互作用（Xiao等人，2025年）。未来的研究方向包括加强对WUI区域热环境和水分效应的分析，引入大数据来更精确评估人类活动强度，利用更高分辨率的植被绿色度数据集来更好地描述WUI的细微影响，以及加深对环境效应和生态系统服务变化的理解。

作为城市扩张的前沿，WUI是人类开发活动与自然生态系统直接且频繁互动的地区，使其成为观察和理解城市化进程中自然资源开发和利用模式的理想场所。我们识别并分析了QTP地区WUI的动态变化，并量化了WUI扩张对植被退化的影响，填补了关于WUI对QTP植被生长影响的知识空白。我们发现WUI扩张显著抑制了植被的自然生长潜力，尤其是在城市化强度较高的西部、南部、东北部和东南部子区域。本研究创新地将重点放在QTP敏感区域的WUI扩张上，这些区域是荒野与人类冲突的交汇点，使用植被绿色度指标作为核心评估指标。通过PSM和DID方法，有效控制了环境协变量偏差和背景时间趋势，量化了WUI扩张的净生态效应。三种指标类型的差异性结果表明，冠层结构和叶面积损失是主要的影响因素。直接的土地转换是LAI退化的主要驱动因素，这一过程包括直接清除、景观重组导致的破碎化加剧以及定居点周围的放牧压力集中。未来的工作需要针对不同植被类型的WUI区域制定差异化的管理策略，并在景观规划中全面协调植被保护和城市化。

**作者贡献声明：**
- 赵艳：撰写、审阅与编辑
- 刘彦旭：撰写、审阅与编辑、初稿撰写、资金筹集、概念化
- 徐思诺：验证、方法论
- 严凯：监督、概念化
- 张宇涵：可视化、方法论
- 吴天静：撰写、审阅与编辑
- 肖睿：撰写、初稿撰写、方法论

**资助：**
本研究得到了中国国家自然科学基金（项目编号42522105）、国家重点研发计划（项目编号2024YFF1309200）、遥感科学与数字地球国家重点实验室开放基金、北京全球陆地遥感产品工程研究中心（资助编号OF202420）以及中央高校基本科研业务费的支持。

**作者名单：**
- 肖睿
- 张宇涵
- 吴天静
- 徐思诺
- 严凯
- 赵艳
- 刘彦旭

**单位：**
地球表面过程与灾害风险减阻国家重点实验室，北京师范大学地理科学学院，北京100875