基于土地利用模拟的江西省生态韧性评价与驱动因素研究

Assessment of ecological resilience and driving factors in Jiangxi Province based on land use simulation

摘要

目的 国土空间规划背景下，如何优化土地利用布局提高生态韧性，对推动江西省高质量发展有重要意义。 方法 基于抵抗力—适应力—恢复力的框架，利用GMOP-PLUS模型分析、预测2000—2035年江西省生态韧性的时空变化，通过地理探测器探讨了生态韧性的驱动因素。 结果 （1） 2000—2020年江西省建设用地增幅最大，面积增加2 578.50 km²，林草地和耕地呈下降趋势。2035年土地利用变化基本延续2000—2020年的趋势，耕地面积减少，水域和建设用地面积增加。草地与林地的变化存在差异，经济发展情景下草地面积增幅最大增加了2 127.96 km²，生态保护情景下林地扩张最多面积增加了6 137.82 km²；（2） 2000—2020年江西省生态韧性整体下降，均值由0.432 4降至0.427 9，呈现“外围高、中心低”的空间格局和聚类特征。与其他情景相比，2035年生态保护情景生态韧性提升最为明显，较2020年增加6.59%。（3） 2000—2020年生态韧性的空间分异主要受高程（X₁）、人为影响指数（X₇）和坡度（X₂）的影响，q均值分别为0.396 0，0.283 6，0.117 8。交互结果显示X₁与X₇的q均值为0.708 0，交互作用最为显著。 结论 江西省内生态韧性差异较大，且近年来整体下降，未来土地管理可采用经济与生态协同发展的模式，以实现可持续发展的目标。

Abstract

Objective Under the background of territorial spatial planning， optimizing land use patterns to enhance ecological resilience holds significant importance for promoting high-quality development in Jiangxi Province. Methods Based on the resistance-adaptability-resilience framework， the GMOP-PLUS model was employed to analyze and project the spatiotemporal variations of ecological resilience in Jiangxi Province from 2000 to 2035， and the geodetector was used to explore the driving factors of ecological resilience. Results （1） From 2000 to 2020， construction land in Jiangxi Province increased the most， expanding by 2 578.50 km²， while forest， grassland， and cultivated land showed declining trends. By 2035， land use changes basically continued the trend from 2000 to 2020， with a decrease in cultivated land and an increase in water bodies and construction land. Variations in grassland and forest differed. Under the economic development scenario， grassland area increased most significantly （2 127.96 km²）， while under the ecological protection scenario， forest area expanded the most （6 137.82 km²）. （2） From 2000 to 2020， ecological resilience in Jiangxi Province generally declined， with the average value decreasing from 0.432 4 to 0.427 9， showing a spatial pattern of “high around the periphery and low in the center” and clustering characteristics. Compared to other scenarios， ecological resilience under the ecological protection scenario in 2035 improved most significantly， increasing by 6.59% compared to 2020. （3） From 2000 to 2020， the spatial differentiation of ecological resilience was mainly influenced by elevation （X₁）， human impact index （X₇）， and slope （X₂）， with average q values of 0.396 0， 0.283 6， and 0.117 8， respectively. Interaction results showed that the interaction between X₁ and X₇ had the most significant effect， with a q value of 0.708 0. Conclusion Ecological resilience varies greatly within Jiangxi Province and has generally declined in recent years. Future land management can adopt a coordinated economic and ecological development model to achieve sustainable development goals.

Graphical abstract

关键词

土地利用模拟 / 生态韧性 / GMOP-PLUS模型 / 地理探测器

Key words

land use simulation / ecological resilience / GMOP-PLUS model / geodetector

在全球范围内，随着城镇化进程的加速，许多国家都面临着城市无序扩张和生态破坏等严峻挑战^［1］。中国城镇化发展取得了重大成就，城镇化率由1978年的17.92%迅速上升至2023年的66.16%^［2］，极大推动了经济增长和社会繁荣，但与此同时，城市扩张的失控和生态破坏问题也逐渐显现，导致生态功能退化，生态安全面临严峻挑战^［3］。在国土空间规划的背景下，探究土地利用变化对生态韧性的影响以及如何优化土地利用布局，增强生态韧性，提升其应对人类活动的干扰能力，已成为各界关注的重点问题^［4］。江西省是长江流域重要的生态屏障之一，也是中国的重要生态屏障带的一部分，随着城镇化进程的推进，面临着经济发展与生态环境保护之间的双重挑战。因此基于土地利用模拟评价生态韧性并预测未来发展情况，进而探讨其影响因素，对于推动江西省生态保护和高质量可持续发展具有重要意义。

“韧性”概念最初应用于物理学中，是指系统或个体受到外部冲击或扰动后能够恢复至原状态的能力^［5］。1973年生态学家Holling首次提出“生态韧性”的概念^［6］，将其定义为生态系统在面对外界压力、干扰或变化时，能够自我修复、适应和持续发展的能力；随后，“生态韧性”逐渐应用于城市规划^［7］、地质灾害等^［8-10］领域。近年来，国外学者多采用替代指标法、试验法等^［11-12］方法对韧性水平进行评价，而国内学者侧重于建立生态韧性的多层次指标框架，例如驱动—压力—状态—影响—响应（Driving Forces-Pressures-State-Impacts-Responses， DPSIR）、规模—密度—形态和稳定性—适应性—学习力等^［13-14］研究框架。驱动因素的探讨主要基于自然和社会双视角，研究方法有STIRPAT模型、地理加权回归、空间杜宾模型等^［15-17］等。总之，关于生态韧性的研究已经取得了较为丰富的成果，但是仍存在一定的不足。以往的研究集中分析过去生态韧性水平的变化，较少有学者对未来进行预测；其次，以往研究依赖历史土地转移概率对未来土地利用变化进行预测^［18］，一定程度上忽视了土地利用变化的动态复杂性，影响了对未来生态韧性的评估。最后，大多数生态韧性评价单元为市域或县域^［19-20］，然而同一评价单元内存在多样化的环境条件，难以准确反映生态韧性内部的空间异质性。

基于此，本文采用“抵抗力—适应力—恢复力”构建格网尺度下的生态韧性评价模型，利用GIS分析法和空间自相关模型分析了江西省生态韧性的时空变化格局和聚类特征。在《江西省国土空间规划（2021—2035）》政策的基础上设置土地利用模拟约束条件，采用GMOP （Grey Multi-Objective Optimi-zation）模型建立目标函数，求得该目标下土地利用需求最优解，较为准确地获取未来2035年用地的目标参数，进而利用PLUS （Patch-generating Land Use Simulation）模型^［21］模拟出2035年自然发展、经济发展和生态保护3种情景下的生态韧性水平。最后，利用地理探测器模型揭示生态韧性发展过程中的不同驱动因子的影响，为提高城市生态可持续性提供科学依据。

1 研究区概况与数据来源

1.1 研究区概况

江西省位于长江经济带中游区域，地理坐标位于113°—118°E和24°—30°N，下辖南昌、赣州、抚州、吉安、上饶等11个地级市和100个县市区，总面积约16.69万km²，其中林地和耕地是主要的土地利用类型，约占江西省总面积的88.74%。研究区地貌复杂，东、西、南三面环山向北开口倾斜，构成了鄱阳湖盆地；研究区涵盖山地、丘陵、平原、岗地和盆地等6种地貌类型。地处亚热带湿润季风气候区，受地理位置及特殊的地貌影响，南北温度具有一定的差异。森林植物类型多样且丰富，多年森林覆盖率达到60%以上，生态指数位居全国前列。截至2020年末，全省城市化水平达到60.44%，GDP总量达25 691.5亿元。近年来，随着长江中游城市群战略的实施，城镇化导致土地利用类型发生剧烈转变，区域生态问题极为突出。

1.2 数据来源与预处理

本研究包括统计数据和遥感数据两大类，其中统计数据包括2000—2020年《全国农产品成本收益资料汇编》和《江西省统计年鉴》，遥感数据包括土地利用、道路交通、城市行政中心点位等9类。在数据预处理阶段，首先利用ArcGIS 10.8将所有遥感数据统一到WGS_1984_Albers坐标系，然后通过栅格重采样工具将其统一至500 m的栅格分辨率。最后，根据数据的需求采用不同方法进行处理，具体详见表1。

2 研究方法

2.1 评价单元划分

对于格网的尺度选择，本文利用景观格局软件Fragstats计算江西省土地的平均斑块面积（2.201 2 km²），以平均斑块面积的2~5倍为依据^［22］，创建3 km×3 km格网，共计生成19 158个单元。

2.2 生态韧性评价框架

本文基于抵抗力—适应力—恢复力^［23］构建江西省生态韧性的研究框架。选取生态系统服务价值（Ecosystem Service Value， ESV）对生态系统抵抗力进行评估，基于谢高地等^［24］的全国标准当量因子表，结合江西省2000—2020年主要农作物（水稻、豆类和薯类）的播种面积、产量和平均粮食单价，采用粮食产量法（即1当量因子的价值量为单位粮食作物产值的1/7）计算得出研究区单位当量因子的价值量为1 649.76元/hm²，通过标准当量因子和研究区单位面积粮食作物的产值，将其修正至江西省水平；生态系统适应力反映了生态系统维持其内部结构稳定的能力，选取景观干扰度（负向指标）和生境质量（正向指标）来描述；生态弹性模型用来衡量生态系统恢复力，体现生态系统遭受危害而恢复原样的能力与潜力。首先将所有指标根据其正、负属性进行归一化处理，其中景观干扰度和生境质量以等权重的方式叠加，最后将3个目标层纳入生态韧性综合评价模型，具体公式及描述详见表2。

2.3 土地利用数量的预测

GMOP模型由GM（1，1）和MOP构成。其中，通过GM（1，1）预测2035年土地利用价值系数，包括生态价值系数和经济价值系数^［27］，并将其用于目标函数的构建；MOP模型通过决策变量、目标函数和约束条件的构建来计算2035年不同情景的土地利用数量。

2.3.1 目标函数构建

本文设置2035年自然发展、经济发展和生态保护3种情景并构建相对应的目标函数。其中，自然发展情景不受政策的干预，各类土地数量直接利用Markov模型预测，而经济发展和生态保护情景的目标函数，参考前人研究^［27］，分别利用2035年的生态价值系数和经济价值系数构建（表3），其计算方式为根据江西省2000—2020年生态系统服务价值单因子表和单位面积农业、林业、牧业、渔业及第二、三产业产值，分别作为各地类的生态价值系数和经济价值系数，利用GM（1，1）模型计算2035年各地类的生态价值系数和经济价值系数。

经济发展情景以经济效益为目标，使经济价值最大化，其目标函数如下所示：

F_{\mathrm{1}}\left(x\right)=\mathrm{m}\mathrm{a}\mathrm{x}{\displaystyle \sum _{k=\mathrm{1}}^{\mathrm{6}}}{a}_k{x}_k（1）

生态保护情景以生态优先为目标，使生态价值最大化，其目标函数如下所示：

F_{\mathrm{2}}\left(x\right)=\mathrm{m}\mathrm{a}\mathrm{x}{\displaystyle \sum _{k=\mathrm{1}}^{\mathrm{6}}}{b}_k{x}_k（2）

式中：a_k 为各地类的经济价值系数；b_k 为各地类的生态价值系数；x_k 为不同地类的面积；k为不同用地分类且k=1，2，…，6。

2.3.2 约束条件设置

自然发展情景不受政策条件约束，经济发展和生态保护情景根据江西省国土空间规划（2021—2035）政策中对2035年各类用地的要求设置约束条件（表4），结合前文的目标函数，利用LINGO 17.0软件计算2035年经济发展和生态保护情景的各土地利用类型数量。

2.4 土地利用的多情景模拟

PLUS模型基于2015年和2020年江西省土地利用数据，通过斑块模拟方法生成土地利用变化数据，主要分为2个模块构成：用地扩张分析策略（Land Expansion Analysis Strategy， LEAS）和基于多类随机斑块种子的CA模型（Cellular Automata model based on multi-type Random Seeds， CARS）。其中LEAS模块采用随机森林回归，将高程、坡度、距道路距离（国道、省道、县道、铁路、高速公路和城市道路）、POI密度、人口密度、夜间灯光共计11个因素纳入PLUS模型训练，其参数设置参考相似区域研究^［28］：均匀采样，回归树数量为50，特征数为16，采样率为0.01。CARS模块的参数包括：领域效应默认值为3，衰减阈值为0.5，扩散系数为0.1，生成新种子数量的最大阈值为0.000 1。为进一步验证模型精准度，将模拟2020年土地利用格局与实际2020年土地利用格局进行比对。结果表明（图1），总体精度（Overall Accuracy， OA）为0.863 6，模拟精度较好。因此，本文以GMOP模型计算的2035年不同情景的土地利用数量为依据，利用PLUS模型进一步预测2035年不同情景下的土地利用空间变化。

2.5 人为影响指数

人为影响指数是衡量特定区域内景观遭受人类活动干扰程度的量化指标，其数值范围介于0至1之间，数值愈大，表明人类活动对景观组成部分的干扰愈强烈。其计算公式如下所示：

H={\displaystyle \sum _{i=\mathrm{1}}^n}\frac{A_i{P}_i}{\mathrm{T}\mathrm{A}}（3）

式中：H指的是人为影响指数；A_i 为第i种类型的土地总面积；P_i 为第i种地类的人为影响强度参数，参考前人研究设置^［29］；TA为研究区总面积。

2.6 空间自相关

空间自相关分析是一种量化描述事物空间分布模式的方法，通过莫兰指数来衡量生态韧性在空间上的自相关性聚集性或离散性，揭示其空间关联特征。其公式如下：

I=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}(z_i-\overline{z})(z_j-\overline{z})}{{\displaystyle \sum _{i=\mathrm{1}}^n}(z_i{-\overline{z})}^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}}（4）

I_i=\frac{x_i-\overline{x}}{s}{\displaystyle \sum _{j=\mathrm{1}}^n}{W}_{ij}(x_j-\overline{x})（5）

式中：I为莫兰指数；x_i 和x_j 为第i和j个要素的属性值；s为x的标准差；n为栅格总数；Z_i 或Z_j 表示格网i或格网j的生态韧性平均值；Z为各格网生态韧性平均值；W_ij 为空间权重。

2.7 地理探测器

地理探测器（Geodetector）模型是探测空间分异并揭示其背后驱动力的一种统计学方法，无需任何线性假设即可检测驱动因素与地理现象之间的关系。其中，单因子探测通过q值来衡量单个指标对生态韧性的驱动力，交互因子探测可以进一步识别不同因素对生态韧性空间分异的交互影响。其计算公式如下：

q=\mathrm{1}-{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}/N{\sigma }^{\mathrm{2}}（6）

式中：q为衡量生态韧性影响因素的解释力程度，取值范围为［0，1］，值越大说明解释力度越强；h为各影响因素的分层；N_h 和N分别为层h和全部格网单元的样本数；σ_h 和σ²分别代表层h和全区Y值的方差。

3 结果与分析

3.1 土地利用时空变化分析

由表5知，2000—2020年江西省土地利用类型以林地（62.26%）和耕地（26.48%）为主，林地主要分布于南部及周边山地丘陵，耕地集中于鄱阳湖平原及五大河流域盆地（图2）。期间，土地利用格局发生显著变化，建设用地增幅最快，面积增加2 578.50 km²，主要通过侵占环鄱阳湖城市群的耕地以及萍乡、上饶等城市周边的林草地来实现（图2）；林地和耕地呈持续下降趋势，面积分别减少1 325.43 km²，1 051.20 km²；草地表现为先减少后增加的波动趋势，但总量仍减少161.28 km²。最后，由于“退耕还湖”等政策的实施，鄱阳湖水域面积呈持续上升趋势，面积增加344.34 km²。

与2020年相比，2035年土地利用格局均表现为沿现有区域扩张。自然发展情景下，林地、耕地和未利用地面积均有所减少，而建设用地、草地和水域呈扩张趋势。经济发展情景下，建设用地和草地因其较高的经济价值，扩张幅度最为显著。其中建设用地面积增加2 627.82 km²，并对耕地和林地产生了明显的侵占效应；草地面积增加2 127.96 km²，相比2020年增幅为29.87%，增加的草地更多来源于经济价值较低的林地，主要集中在江西省南部如赣州市、吉安市等。生态保护情景下，耕地更多向林地和水域高生态价值地类转化，面积减少8 955.45 km²，主要集中在城市建成区外围和鄱阳湖水域周边。林地相比于2020年增加6 137.82 km²，呈现出连片增加的趋势，水域面积增加1 561.68 km²。建设用地的生态价值较低，其扩张规模受到限制，相较于经济发展情景，增长幅度明显下降，仅增加1 347.39 km²。

3.2 生态韧性时空变化分析

3.2.1 生态韧性时序变化特征

2000—2035年江西省生态韧性及不同维度的变化趋势如图3所示。2000—2020年生态韧性均值由2000年的0.432 4降至2020年的0.427 9，总体呈连续下降趋势，在2010年后降幅趋于平缓。分维度上看，2000—2020年恢复力下降幅度最大，整体下降2.00%，其次为适应力和抵抗力，整体下降0.61%和0.11%。与2020年相比，2035年经济发展情景和生态保护情景的生态韧性均值呈上升趋势，分别增加了1.47%和6.59%，而自然发展情景下降了0.98%。值得注意的是，虽然经济发展情景的建设用地增幅最高（48.52%），但草地和水域面积也分别增加了29.87%和21.79%，一定程度上抵消了建设用地增长对生态环境带来的负面影响。通过分区统计得出，南昌市在经济发展情景和生态保护情景下的生态韧性均值增幅最大，分别增加16.80%和19.87%，其余城市增幅均在3%波动。自然发展情景降幅较大的城市为新余市和萍乡市，分别下降3.21%和3.17%，其余地市级均在1%波动。从不同维度来看，自然发展情景下的抵抗力和适应力相比于2020年下降2.49%和0.64%，而经济发展和生态保护情景均呈现上升趋势。

3.2.2 生态韧性空间演变特征

本文采用自然断点法将生态韧性水平从低到高划分为低韧性（0，0.29］、较低韧性（0.29，0.39］、中等韧性（0.39，0.48］、较高韧性（0.48，0.65］和高韧性（0.65，1.00］。从空间上看，2000—2035年生态韧性总体表现为“外围高、中心低”的空间格局（图4）。较高生态韧性区域主要分布在研究区外围的武夷山脉、大庾岭和九岭山等地带以及鄱阳湖水域，该区域受人类干扰活动较少，生态用地的连通性强，是江西省重要的生态屏障；低和较低生态韧性区主要集中在江西省北部，以南昌市为核心集聚分布。中等韧性区位于耕地与生态用地的过渡地带，虽然人类活动对耕地产生了干扰，但其仍具有恢复和维持原始生态韧性的潜力。2035年各情景下生态韧性空间变化存在差异，自然发展情景下，由于不受政策的约束，鄱阳湖平原的生态韧性低值区显著扩张，生态破碎化问题加剧。经济发展情景受江西省国土空间规划（2021—2035）生态保护政策的约束，促使鄱阳湖的高韧性和较高韧性区略微向外扩张，低韧性区域逐步向城市核心区收缩。最后，生态保护情景下，较高韧性区域大幅扩张，林地得到有效保护，江西外围生态用地的连通度明显提升，形成广泛的“大斑块”。较低和低韧性区显著缩小，尤其在人类活动敏感区域例如鄱阳湖平原，保护力度显著增强。

3.2.3 生态韧性空间聚类特征

对2000—2035年江西省生态韧性进行空间自相关性分析，结果如表6所示，江西省生态韧性具有空间正相关性。具体来说，2000—2035年自然发展情景与经济发展情景，Moran′s I值持续上升，表明空间正相关性增强，即以高值或低值集聚的空间分布格局进一步强化。而生态保护情景Moran′s I值呈下降趋势，空间正相关性逐渐减弱。

进一步对空间聚类变化进行分析（图5），研究时段内各年份的生态韧性空间格局主要以“高—高”和“低—低”聚集区为主。经济发达的地区日益成为了生态韧性低值区的“核心”；位于城市外围，受人类干扰较少的生态用地逐渐成为了生态韧性的高值区。高值区和低值区总体呈现出“核心—边缘”的分布格局。“高—高”区主要分布在武夷山脉、怀玉山脉、鄱阳湖区—庐山和赣西的罗霄山脉等地区，该区域各类生态用地的连通性较高，空间分布较为稳定。“高—高”区在数量上，2000—2020年与自然发展情景变化不大，经济发展情景和生态保护情景对比2020年呈下降趋势，降幅为17.23%和11.57%。究其原因，虽然经济发展情景和生态保护情景均采取了草地、林地和水域的优化措施，但是各格网的生态韧性提升程度并非均匀，尤其是原本生态韧性较低的格网提升较大，而部分格网的提升幅度较小，甚至没有显著变化。这种差异导致其不再表现为“高—高”的显著区，反而可能与其他网格的韧性相接近或无显著差异，从而转化为不显著区。“低—低”区主要位于城市的中心城区，这些区域大多为经济的增长中心及人口聚集地，承载了居民日常的能源消耗。2000—2020年建设用地扩张导致“低—低”区范围缓慢扩张，增幅为2.73%。2035年自然发展情景的“低—低”区与2020年相比变化不大；经济发展情景和生态保护情景呈缩减趋势，分别减少了4.15%和11.10%。生态保护情景约束了建设用地的无序扩张，提高了研究区森林的覆盖面积，因而范围缩减更多。

3.3 江西省生态韧性变化的驱动因素分析

由表7可以看出，各因子对江西省生态韧性的空间分布均有显著的驱动作用（p值均小于0.01），针对不同的年份，其主要的驱动因素也有所变化。总的来看，2000—2020年驱动力度始终位于前三的影响因素分别是高程、人为影响指数和坡度，q均值大小分别为0.396 0，0.283 6，0.117 8。从不同年份驱动因素对比来看，高程的驱动力度始终位于首位，q值大小分别为0.392 1，0.397 9，0.398 1；坡度的驱动力度增强且逐渐稳定在第三位，q值大小分别为0.111 4，0.119 8，0.122 2，表明自然因素显著影响着生态韧性的空间分布，究其原因，江西省地形复杂，高程和坡度的不同引起气温、降水等气候因子的空间分布差异，决定了植被分布的丰富程度，例如低海拔地区适合耕作及建设活动，而高海拔地区多为森林或灌丛，植被覆盖程度直接影响了景观格局和生境质量。人为影响指数的驱动力度快速上升，q值大小分别为0.087 7，0.375 0，0.388 3。这是因为2000年城市化处初期阶段，人类活动影响有限，生态系统仍具有较强的自我调节能力；2000—2010年城镇化和工业化快速推进导致大面积土地开发，建设用地面积增幅39.91%，人类活动对生态韧性的影响迅速上升；2010—2020年建设用地面积增速放缓（36.46%），虽然q值仍在上升，但是逐渐趋于稳定。此外，其余驱动因素的q值均在0.1以下，对生态韧性的空间分异的解释力度不强。

交互探测结果显示（图6），任意两个自然、社会和生态维度中的影响因子交互作用都大于单因子作用，说明江西省生态韧性时空分异是各驱动因素综合作用的结果。2000—2020年X₇与其他因素的交互作用最为突出，例如X₆∩X₇提升最为显著，q值由0.183 1升至0.417 4，增幅高达127.78%；X₁∩X₇的q值由0.686 1升至0.729 9，在所有因素交互作用中驱动力度最强，表明X₁与X₇交互作用是生态韧性变化的最主要驱动因素，并且在2000—2010年q值明显增大，提升4.59%；2010—2020年增速放缓逐渐趋于稳定，提升1.71%。究其原因，2000—2010年的城市发展以“摊大饼”形式扩张，人口快速向中心城市迁移，主要集聚在环鄱阳湖周边，地势较为平缓，适宜扩张建设的区域，因此X₆∩X₇，X₁∩X₇和X₂∩X₇的驱动力快速上升，2010年以后，江西省围绕鄱阳湖生态经济区建设，开展有利于促进生态保护的改革试点，城镇扩张有效遏制，使得人为活动强度在近年来趋于稳定。此外，与X₁交互的q值在0.4~0.5，其余驱动因素的交互虽然有所提升，但q值均位于0.3以下，解释力度普遍较低。

4 讨 论

随着全球气候变化和自然灾害频发，深入探讨未来生态韧性的变化规律有助于推动环境的可持续发展。本文以3 km的格网作为评价单元，以准确刻画研究区内部的韧性水平，为区域差异化治理提供科学依据。此外，以江西省国土空间规划（2021—2035）的实际政策为约束条件进行土地利用模拟，进一步预测江西省生态韧性的未来演化趋势，并据此提出以下优化策略。

（1） 加强建设用地的管理。建设用地的扩张通常意味着对生态资源的占用，特别是对林草地等生态用地的侵占^［30］，2000—2020年江西省建设用地累计扩张2 578.50 km²，增幅高达90.92%。由于地处欠发达地区，其城市化水平落后于全国平均水平，在推进城市化的进程中，建设用地“摊大饼”式的扩张导致景观斑块破碎和生境质量退化，因而生态韧性的均值呈逐年下降趋势。2035年土地利用模拟结果已经表明，即使在生态保护情景下，江西省仍需要新增1 347.39 km²建设用地来支撑发展。为了有效控制建设用地扩张对生态环境的负面影响，应在各市、县、乡镇的一般发展区设置土地利用年度计划指标，确保土地开发总量受控；在生态敏感区（如鄱阳湖、武夷山国家公园等）实施建设用地“负增长”或“零增长”试点。此外，应强化生态保护红线管控，建立生态红线责任追究机制，确保各级政府切实履行生态保护职责，避免“纸上划红线”的情况发生。

（2） 生态与经济协同发展。政策调控的强弱直接决定了江西省2035年生态韧性的演变路径。自然发展情景下，由于政策约束缺失，生态网络破碎化、低韧性区扩张等问题显著；经济发展情景下，经济增长与生态保护存在一定平衡，但仍需更强的生态补偿和产业引导机制；生态保护情景下，生态功能显著恢复，但过度管制可能影响经济活力。因此，未来政策需要在生态韧性优化与经济可持续增长之间找到合理平衡，例如鼓励生态保护区与生态文旅结合，提供高附加值服务或利用江西省丰富的林地资源，发展碳汇交易，提高碳市场的流动性。

（3） 跨区域生态联动。江西省内不同地区生态韧性差异较大，地理探测器结果显示高程与人为影响指数的交互对生态韧性时空分异的影响最关键，2000—2020年的q均值大于0.7。根据此研究结果，应构建跨行政区的生态补偿机制，在人为影响指数高、经济相对发达的低海拔丘陵和平原区（如南昌、九江）征收生态保护专项税，并将资金合理分配至中高海拔山区、赣江、抚河、信江流域等关键区域，重点支持山区生态屏障建设和流域生态修复，以带动区域生态韧性的整体水平的提升。

5 结 论

（1） 2000—2020年江西省主要的用地类型是林地和耕地，分别约占总面积的62.26%和26.48%。建设用地增幅最快，面积增加了2 578.50 km²，林地、草地、耕地面积呈下降态势，水域面积相对较为稳定。2035年自然保护情景与历史变化趋势基本一致，而经济发展情景加剧了建设用地对林地、耕地的侵占，生态保护情景则制约了建设用地的扩张趋势。

（2） 2000—2020年江西省生态韧性水平呈现下降趋势，均值由0.432 4降低到0.427 9。空间分布来看，生态韧性整体呈现“外围高中心低”的空间分布格局。与2020年相比，自然发展情景下降了0.98%，经济发展和生态保护情景分别增加了1.47%和 6.59%。空间聚类特征上呈正相关关系，2000—2035年自然发展情景和经济发展情景，空间正相关性增强，而生态保护情景空间正相关性减弱。

（3） 江西省生态韧性空间分异主要受X₁，X₂和X₇的影响。随着城镇化和工业化快速推进，X₇的作用逐渐增大。在交互探测中，任意两个因子的交互作用都大于单因子作用，X₁与X₇交互作用是生态韧性变化的最主要驱动因素，X₆与X₇的交互作用提升最为显著。

参考文献

[1] Elmqvist T， Andersson E， McPhearson T， et al. Urbanization in and for the anthropocene［J］. NPJ Urban Sustainability， 2021，1：6.

[2] 何淼，宋伟轩，汪毅.文化赋能城市更新的理论逻辑与现实路径：以南京老城南为例［J］.自然资源学报，2025，40（1）：147-163.

[3] He M， Song W X， Wang Y. Theoretical logic and practical path of cultural-empowered urban renewal： taking the old southern city of Nanjing as an example［J］. Journal of Natural Resources， 2025，40（1）：147-163.

[4] Li Y H， Ye C S， Sun K K. Research on the impact of county urbanization in Jiangxi Province on carbon budget balance［J］. Environmental Monitoring and Assessment， 2025，197（2）：182.

[5] 王士莹，谢保鹏，杨洁，等.基于生态韧性的国土空间生态保护修复分区研究：以洮河流域为例［J］.生态学杂志，2024，43（6）：1870-1880.

[6] Wang S Y， Xie B P， Yang J， et al. Ecological protection and restoration zoning of national territorial space based on ecological resilience： a case study of the Taohe River Basin［J］. Chinese Journal of Ecology， 2024，43（6）：1870-1880.

[7] Rose A. Economic resilience to natural and man-made disasters： Multidisciplinary origins and contextual dimensions［J］. Environmental Hazards， 2007，7（4）：383-398.

[8] Holling C S. Resilience and stability of ecological systems［J］. Annual Review of Ecology and Systematics， 1973，4：1-23.

[9] 彭文斌，邝嫦娥，李文意，等.长江中游城市群城市更新与生态韧性空间关联网络及影响研究［J］.地理科学，2024，44（11）：1936-1945.

[10] Peng W B， Kuang C E， Li W Y， et al. Spatial correlation network and impacts of urban renewal and ecological resilience in urban agglomerations in the middle reaches of the Yangtze River［J］. Scientia Geographica Sinica， 2024，44（11）：1936-1945.

[11] Song Y F， Wu W C， Zhang Y F， et al. Optimizing sustainability of land resource utilization： a comprehensive analysis of practices in the Tarim Basin， China［J］. International Journal of Agricultural Sustainability， 2024，22（1）： 2335140.

[12] He Y C， Wu W C， Xie X Y， et al. Land use/cover change prediction based on a new hybrid logistic-multicriteria evaluation-cellular automata-Markov model taking Hefei， China as an example［J］. Land， 2023，12（10）：1899.

[13] Liu Y X， Ke X X， Wu W C， et al. Geospatial characterization of rural settlements and potential targets for revitalization by geoinformation technology［J］. Scientific Reports， 2022，12（1）：8399.

[14] Sherrieb K， Norris F H， Galea S. Measuring capacities for community resilience［J］. Social Indicators Research， 2010，99（2）：227-247.

[15] Slocum M G， Mendelssohn I A. Use of experimental disturbances to assess resilience along a known stress gradient［J］. Ecological Indicators， 2008，8（3）：181-190.

[16] 易平涛，李雪，周莹，等.生态城市评价指标的筛选模型及应用［J］.东北大学学报：自然科学版，2017，38（8）：1211-1216.

[17] Yi P T， Li X， Zhou Y， et al. Selection model of eco-city evaluation indexes and its application［J］. Journal of Northeastern University： Natural Science， 2017，38（8）：1211-1216.

[18] 肖圣，多玲花，邹自力.基于“风险-连通性-潜力”的南昌市生态韧性评估［J］.应用生态学报，2023，34（3）：733-741.

[19] Xiao S， Duo L H， Zou Z L. Assessment of ecological resilience in Nanchang based on “risk-connectivity-potential”［J］. Chinese Journal of Applied Ecology， 2023，34（3）：733-741.

[20] 吕添贵，胡晗，付舒斐，等.长三角地区城市生态韧性时空分异特征及影响因素［J］.地域研究与开发，2023，42（1）：54-60.

[21] Lyu T G， Hu H， Fu S F， et al. Spatio-temporal differentiation and influencing factors of urban ecological resilience in the Yangtze River Delta［J］. Areal Research and Development， 2023，42（1）：54-60.

[22] 薛飞，张念慈，夏楚瑜，等.城市生态韧性水平空间评估及其驱动力：以北京市通州区为例［J］.生态学报，2023，43（16）：6810-6823.

[23] Xue F， Zhang N C， Xia C Y， et al. Spatial evaluation of urban ecological resilience and analysis of driving forces： a case study of Tongzhou District， Beijing［J］. Acta Ecologica Sinica， 2023，43（16）：6810-6823.

[24] 张明斗，任衍婷，周亮.黄河流域城市生态韧性时空演变特征及影响因素分析［J］.干旱区地理，2024，47（3）：445-454.

[25] Zhang M D， Ren Y T， Zhou L. Spatiotemporal evolution characteristics and influencing factors of urban ecological resilience in the Yellow River Basin［J］. Arid Land Geography， 2024，47（3）：445-454.

[26] 夏楚瑜，董照樱子，陈彬.城市生态韧性时空变化及情景模拟研究：以杭州市为例［J］.生态学报，2022，42（1）：116-126.

[27] Xia C Y， Dong Z， Chen B. Spatio-temporal analysis and simulation of urban ecological resilience： a case study of Hangzhou［J］. Acta Ecologica Sinica， 2022，42（1）：116-126.

[28] 李加林，张旖芯，张海涛，等.基于“潜力-弹性-稳定性” 模型的温州市生态韧性时空变化及影响因素研究［J］.生态学报，2024，44（8）：3253-3267.

[29] Li J L， Zhang Y X， Zhang H T， et al. The research of spatio-temporal characteristics and influence factors of Wenzhou ecological resilience based on the potential-elastic-stability model［J］. Acta Ecologica Sinica， 2024，44（8）：3253-3267.

[30] 应超，李加林，刘永超，等.东海海岸带县域城市韧性演化及影响因素［J］.地理学报，2024，79（2）：462-483.

[31] Ying C， Li J L， Liu Y C， et al. The spatiotemporal evolution and influencing factors of resilience of county-level cities in the East China Sea coastal zone based on “background-operation-efficiency”［J］. Acta Geograp-hica Sinica， 2024，79（2）：462-483.

[32] Liang X， Guan Q F， Clarke K C， et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation （PLUS） model： a case study in Wuhan， China［J］. Computers， Environment and Urban Systems， 2021，85：101569.

[33] 许静，廖星凯，甘崎旭，等.耦合GMOP与FLUS模型的黄河流域甘肃段生态风险评估与预测［J］.生态学杂志，2024，43（5）：1498-1508.

[34] Xu J， Liao X K， Gan Q X， et al. Assessment and prediction of ecological risk in Gansu section of the Yellow River Basin coupled with GMOP and FLUS models［J］. Chinese Journal of Ecology， 2024，43（5）：1498-1508.

[35] Meng Z R， He M X， Li X M， et al. Spatio-temporal analysis and driving forces of urban ecosystem resilience based on land use： a case study in the Great Bay Area［J］. Ecological Indicators， 2024，159：111769.

[36] 谢高地，张彩霞，张昌顺，等.中国生态系统服务的价值［J］.资源科学，2015，37（9）：1740-1746.

[37] Xie G D， Zhang C X， Zhang C S， et al. The value of ecosystem services in China［J］. Resources Science， 2015，37（9）：1740-1746.

[38] 尚俊，蔡海生，龙月，等.基于InVEST模型的鄱阳湖区生境质量时空演化及其变迁特征分析［J］.长江流域资源与环境，2021，30（8）：1901-1915.

[39] Shang J， Cai H S， Long Y， et al. Temporal-spatial distribution and transition of habitat quality in Poyang Lake Region based on InVEST model［J］. Resources and Environment in the Yangtze Basin， 2021，30（8）：1901-1915.

[40] Peng J， Liu Y X， Wu J S， et al. Linking ecosystem services and landscape patterns to assess urban ecosystem health： a case study in Shenzhen City， China［J］. Landscape and Urban Planning， 2015，143：56-68.

[41] 许静，刘慧.甘肃省生态系统服务权衡协同关系评估与预测［J］.中国环境科学，2024，44（4）：1863-1874.

[42] Xu J， Liu H. Assessment and prediction of ecosystem services trade-offs and synergies relationships in Gansu Province［J］. China Environmental Science， 2024，44（4）：1863-1874.

[43] 杨子韬，田莉.基于PLUS模拟未来土地利用变化的可持续发展评估：以江西省为例［J］.地理科学，2024，44（10）：1826-1836.

[44] Yang Z T， Tian L. Sustainability assessment based on PLUS simulation of future land use change： a case study of Jiangxi Province［J］. Scientia Geographica Sinica， 2024，44（10）：1826-1836.

[45] 危小建，辛思怡，张颖艺，等.不同格网尺度下生态系统服务价值空间分异及其影响因素差异：以大南昌都市圈为例［J］.生态学报，2023，43（18）：7585-7597.

[46] Wei X J， Xin S Y， Zhang Y Y， et al. Spatial difference of ecological services and its influencing factors under different scales： taking the Nanchang Urban Agglomeration as an example［J］. Acta Ecologica Sinica， 2023，43（18）：7585-7597.

[47] 李宇航，叶长盛.基于FLUS模型的松潘城镇建设适宜性评价优化研究［J］.地理空间信息，2025，23（3）：46-50.

[48] Li Y H， Ye C S. Optimization research on construction suitability evaluation of Songpan County based on FLUS model［J］. Geospatial Information， 2025，23（3）：46-50.

基金资助

江西省“双千计划”项目(900/2120800004)