小江流域景观生态风险时空演化及驱动力分析

参赛院校：云南师范大学

指导老师：段平

队员姓名：余鑫瑞 周清泉 聂琦

一、项目概述

云南小江流域位于横断山东部边缘的过渡地带，其复杂的地质构造和频繁的地震活动，使得该地区的自然环境异常脆弱。流域内山高坡陡、地形切割强烈，气候和水文条件垂直分异显著且变化复杂。这种多样的自然条件加上长期的生态环境破坏，导致了严重的生态退化，使小江流域成为我国水土流失最为严重的区域之一。由于地形复杂、生态环境恶化，小江流域的生态系统不仅容易受到自然灾害的威胁，还面临着土地利用类型变化、植被退化和人类过度开发造成的水土流失加剧所带来的生态风险。为此，本项目通过景观生态风险评价模型和地理探测器模型，定量分析自然与人为驱动因素对景观生态风险的影响，为生态保护、土地利用规划和可持续发展提供科学依据。

二、设计思路

以小江流域为研究区，以不同时期的土地利用/覆盖(LUCC)数据为基础， 计算景观格局指数，构建景观生态风险评价模型，利用空间分析方法探究景观生态风险分布的时空演化模式，并结合地理探测器模型，考虑自然、人为驱动因素等因子对景观生态风险时空演化的驱动，将有助于识别和定量分析不同驱动因子对景观生态风险空间异质性的影响程度。方法分为三个部分：（1）景观生态风险评价：通过构建景观生态风险评价单元，计算各单元内的景观生态风险指数，获得小江流域 2000-2020 年期间景观生态风险的等级分布特征；（2）景观生态风险时空演化分析：利用全局、局部空间自相关、转移矩阵分析景观生态风险的空间格局变化；（3）影响景观生态风险的驱动力分析：利用地理探测器探测驱动因子对景观空间异质性分布的影响程度。

技术路线图

三、基础数据

项目数据主要包括：土地利用/覆盖数据、高程数据、归一化植被指数数据、年均温数据、年降水数据、植被净初级生产力数据、人口密度数据、公里格网数据、土地利用程度指数数据、人为干扰数据和景观多样性指数数据。

数据来源

四、实现过程

在SuperMap软件中对研究区进行了1.5×1.5 km的格网划分，使用Fragstats 4.2软件计算了2000-2020年小江流域的土地利用景观格局指数，并在Excel中计算了各格网的景观生态风险指数及2000-2020年景观生态风险转移矩阵。使用SuperMap软件制作了2000-2020年小江流域的景观生态风险等级分布图和土地利用类型分布图，并通过SuperMap软件的空间自相关和聚类分析功能，对小江流域景观生态风险的时空演化进行了分析，制作了小江流域局部莫兰指数（LISA）聚集图。此外，在SuperMap软件中对各驱动因子的原始数据进行了投影转换、栅格镶嵌、重采样和重分类等处理，实现了驱动因子的可视化。最后，在Rstudio软件中构建了地理探测器模型，用于探测景观生态风险的驱动因子。

小江流域土地利用类型分布图

五、 分析过程

1、小江流域景观生态风险时空演化分析

为了分析研究区的景观生态风险的空间分布，并将不同位置的景观生态风险指数值在空间上进行可视化表达，项目选取网格作为评价单元，根据每个风险小区大小按照研究区景观斑块面积的2~5倍划分，按照面积划分为1.5km*1.5km 的网格单元，总计1534个评价单元。结合土地利用数据，通过综合考虑土地利用类型的面积、格局、多样性、敏感性等指标，引入景观干扰度、脆弱度和损失度等指数，通过指数关系叠加计算来构建小江流域的景观生态风险评价模型，用于评估景观的生态风险水平。按照下述景观生态风险评价模型计算对应评价单元的生态风险指数（ERI），根据ERI评价结果，将其分级为低、较低、中等、较高、高等级共5级ERI并显示。

2000-2020年小江流域景观生态风险指数空间分布变化图

景观生态风险等级转移矩阵

2000-2020年小江流域景观生态风险等级比例饼状图

2、小江流域景观生态风险空间自相关分析

全局空间自相关从宏观上反映景观生态风险的空间关联程度，全局Moran’s I统计量是常用的全局空间自相关度量指标，该指标用于分析判断某位置上的数据在分布区域内与其他位置之间的相关依赖关系。全局空间自相关只能探索景观生态风险在整个研究区的相关性，为了更好的说明景观生态风险的集聚区域和集聚分布模式，还采用局部Moran’s I指数，以更好的反映空间的集聚模式，表征每个评价单元与周边评价单元之间的局部空间关联和差异性，是对全局自相关很好的补充。

小江流域景观生态风险指数Moran’s I散点图

小江流域景观生态风险指数LISA聚集图

3、小江流域景观生态分析驱动因子分析

使用地理探测器分析空间数据时，变量间的共线性可能会影响探测结果的准确性。如果两个或多个自变量高度相关，它们的共同作用可能被高估或低估，需要对可能的驱动因子进行共线性诊断分析,利用方差膨胀因子（VIF），检验驱动因子之间是否存在共线性。其中VIF越大，表示驱动因子间共线性越严重，通常认为当 VIF ≥ 10 、R2 > 0.9时，共线性问题已经严重到足以影响模型的可信度。经检验计算后选取十个VIF小于10、R2 < 0.9的驱动因子，为方便表达，用X1，X2，X3，X4，X5，X6，X7，X8，X9，X10分别代表高程、植被指数（NDVI）、年均温、年降水、景观多样性指数、土地利用程度指数、植被净初级生产力、人口密度、公里格网GDP、人为干扰度指数，在选取驱动因子时综合考虑环境时域的角度和研究区的特点，按类型分为人为因素和自然因素。

驱动因子可视化

地理探测器是一种用于探测空间分异性，并揭示其驱动因子的统计模型。其理论核心是通过空间异质性来探测因变量与自变量之间空间分布格局的一致性，据此度量自变量对因变量的解释度。本文利用地理探测器的3个功能，分别是因子探测、交互探测、生态探测来揭示各驱动因子对小江流域景观生态风险时空分异性的影响解释力、交互作用和显著性效应。

（1）因子探测

单个驱动因子解释力图

（2）交互探测

驱动因子间交互作用热力图

（3）生态探测

驱动因子间的显著性（注：Y表示具有显著性、N表示不具有显著性）

六、作品亮点及提升方向

作品亮点：

作品基于2000-2020年五个时期的LULC数据，结合景观格局指数，构建景观生态风险评价模型，从时空维度系统分析小江流域LER的演化特征。采用地理探测器模型识别LER的主要驱动因素，量化自然与人为因素的影响程度，并分析其交互作用，揭示景观生态风险背后的驱动机制。结合转移矩阵、全局莫兰指数和局部莫兰指数等空间分析方法，精准刻画LER的空间分布模式及演化趋势，提高研究的科学性和空间识别精度。作品结果可为小江流域的生态修复、土地利用规划和水土保持提供科学依据，有助于制定更精准的生态风险防控措施，支撑区域可持续发展。

提升方向：

作品基于历史数据评估了小江流域景观生态风险，但由于数据时效性和方法限制，未能结合多情景模拟与预测模型对未来风险趋势进行预测，影响了治理策略的前瞻性。后续将引入预测模型，通过多情景推演模拟2025-2035年不同发展路径下的生态风险时空演化，例如自然发展、生态保护和经济发展等情景，从而为动态优化生态修复空间布局和治理政策提供科学支撑。

七、指导老师点评

云南师范大学2022级GIS本科生围绕"小江流域景观生态风险时空演化及驱动力分析"课题展开研究。比赛提供给学生展示与提升的机会，使学生熟练掌握了运用超图软件进行空间分析、数据处理等关键技能。在完成比赛项目的过程中，学生展现了出色的自主学习和团队协作能力，高效完成复杂空间分析任务，充分体现学术潜力。此次比赛不仅提升了学生解决科研问题的能力，更激发了其深入探索GIS领域的科研热情。

八、团队合影

左起：周清泉、余鑫瑞、聂琦