基于VORS的喀斯特流域生态健康诊断与时空演变

Patterns of Ecosystem Health Diagnosis and Evolution Based on the VORS Framework in a Karst Basin

摘要

研究喀斯特流域生态系统健康演变，可明晰其生态系统健康的影响因素，为可持续发展提供环境保护和修复建议。基于遥感、景观理论、活力-组织-弹性-服务（VORS）框架以及石漠化特点，构建喀斯特生态系统健康评价指标体系，耦合TOPSIS法评价1990―2020年典型喀斯特流域红枫湖的生态系统活力指数v、生态系统组织指数o、生态系统弹性指数r、生态系统服务指数s和生态系统健康指数（EHI），结合Theil-Sen Median方法与Mann-Kendall检验，明晰各指数的趋势分布特征。研究结果表明：①1990―2020年红枫湖流域生态系统维度层属于良好健康水平。生态系统活力变化不显著，生态系统组织、生态系统弹性呈轻微改善趋势，生态系统服务呈两极分化。②生态系统健康等级呈两级分化演变，改善区为北部林带、南部山地、中部溶蚀山丘，恶化区以快速扩张城镇和集中农业区为核心向外扩展。③生态系统各维度的影响因子存在差异，土地利用是生态系统健康主导因素，降雨因子与坡度对喀斯特地区的生态系统健康存在“1+1>2”的叠加效应。

Abstract

Research on the evolution of ecosystem health in karst basins can clarify important factors affecting ecological health and provide environmental management recommendations for sustainable development. Based on remote sensing, landscape theory, vigor-organization-resilience-services (VORS) framework and the characteristics of rocky desertification, we constructed a karst ecosystem health evaluation index system was constructed in this study, and we use it to couple with the TOPSIS to evaluate the health levels of vigor(v), organization(o), resilience(r), services(s) and ecosystem health index (EHI) from 1990 to 2020 in Hongfeng Lake, a typical karst watershed, and combined with the Theil-Sen Median method and the Mann-Kendall test to clarify the trend distribution characteristics of each index. The results show that: ① The ecosystem dimensions of Hongfeng Lake basin are at a good level during 1990-2020. There is no significant change in ecosystem vigor, while ecosystem organization and resilience show a slight improvement trend, and ecosystem services exhibit polarization. ② Ecological health grades show a bipolar evolution. The improvement areas include the northern forest belt, southern mountains, and central karst hills; the deterioration areas are centered on rapidly expanding urban areas and intensive agricultural zones, extending outward. ③ The influencing factors of different ecosystem dimensions vary. Land use is the dominant factor affecting ecosystem health. In karst areas, the combined effect of rainfall and slope on ecosystem health is synergistic, where “1+1>2”.

Graphical abstract

0　 引 言

人类的发展离不开健康的自然生态系统，健康的生态系统为人们提供了文化服务、供给服务、调节服务和支持服务。随着城镇化和工业化的迅猛发展，生态环境遭受了前所未有的破坏，面临着巨大的压力，人地矛盾日益突出，这种状况限制了社会、经济和文化的可持续发展^[1]。联合国发布的17个可持续发展目标（SDGs）旨在解决全球面临的各种重要的社会、经济和环境挑战，其中促进生态系统健康占据重要地位。多年来的生态研究逐渐确立了三种主要的生态系统健康评价体系。第一种侧重于生态系统自身特征。Costanza等^[2]基于生态系统的生产活力（V）、组织能力（O）、恢复弹性（R）提出了VOR生态健康评价框架。此后，学者们不断优化VOR框架，引入不同维度属性，如Rapport等^[3]提出增加生态敏感性维度，Khatun等^[4]和Xie等^[5]分别从湿地管理和城市扩张的角度，设置了特定属性维度指标。第二种通过量化生物多样、生物量及其他生理指标评估生态系统健康情况。例如，Choi等^[6]应用浮游动物指数测量河湖生态系统健康情况，Liu等^[7]结合化学评价指数（DO、TLI、Igeo）与生态完整性指数（B-IBI、SAV-IBI、M-IBI）评估白洋淀流域生态系统健康。第三种是从社会、经济、生态等方面建立综合评价体系。联合国环境规划署提出的压力（P）-状态（S）-响应（R）框架被广泛应用于生态环境评估^[8]，学者们从生态系统服务于社会、经济活动过程角度出发，衍生出了诸如DPSIR^[9]、DPSR^[10]等框架。

三种评价体系中，侧重生态系统自身特征的生态健康评价体系更能够详细反映生态系统的内在健康状况和自然状态。准确掌握生态系统自身健康水平，对区域可持续发展至关重要。喀斯特地区复杂的地形和水文特征、特殊的基础地质条件，使其生态系统具有独特性和生态脆弱性^[11]。现阶段针对喀斯特地区生态系统健康研究有了一定积累，陈圣子、邓欧等学者从生态-资源-社会、水源涵养-土壤侵蚀-石漠化等方面分别构建了喀斯特生态系统健康评价体系^[12-13]。然而，现有研究较少从生态系统自身维度和动态角度诊断其健康演变。构建反映喀斯特生态系统特殊性的健康评价体系，明晰其健康演变特征，是揭示影响喀斯特生态系统健康因素、制定生态管理策略的重要基础。

因此，本研究以典型的喀斯特流域——红枫湖流域为研究区域，采用活力-组织-弹性-服务（VORS）生态系统健康评价框架，根据岩石裸露程度（石漠化程度）对生态环境影响，优化弹性维度指标，耦合TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）方法评价研究区的生态系统健康，从数量统计和空间分布分析喀斯特流域生态系统健康演变特征，采用Theil-Sen Median斜率估计和Mann-Kendall检验，明晰1990―2020年的生态系统健康空间变化的趋势，结合历史气象灾害、已实施的生态措施、城镇化过程和产业调整，分析趋势变化的因素，揭示影响生态健康各维度的主导因子。

1　 研究区域与数据来源

1.1　研究区域

红枫湖流域位于黔中腹地、乌江一级支流猫跳河上游（105.97°~106.48° E，26.62°~26.15° N，图1），面积为1 591.71 km²，流域内碳酸盐岩广泛分布，喀斯特面积占比达到80%以上，海拔1 182~1 646 m，西部和东南部以山地为主，中部以溶蚀残丘坝地为主。属于亚热带季风湿润气候，年均气温14.4℃，多年年均降雨量为1 174~1 386 mm，5―9月的降雨量占全年降雨的75%左右^[14]。流域内河流纵横，有羊昌河、麻线河、麦翁河和后六河4个主要支流，是贵州少有的坝区集中地，地势平坦，土地较为优渥，适宜发展农业。同时也是黔中城市群的核心区，流域人类活动强烈，人地矛盾突出。红枫湖作为贵州省最大的高原人工湖泊，蓄水量达到6.01亿m^3[15]，城市用水占比达到70%^[16]。其流域健康问题直接影响乌江生态健康，并关系到贵州省经济增长极（贵阳-贵安）的饮水安全和经济可持续发展。

1.2　数据来源及处理

本研究以1990―2020年之间间隔5年为一个节点，选取7个时间节点的遥感指数类、景观类、地形类数据。其中：1） 遥感指数类数据，从地理空间云下载对应年份的Landsat 5 TM或者Landsat 8 OLI的遥感影像（分辨率30 m），经过影像预处理后，参照遥感指数波段计算公式，利用ENVI进行波段计算，最终算出植被归一化指数（NDVI）、归一化多波段干旱指数（NMDI）、地表温度（LST）、岩石裸露率（Fr）等遥感指数；2） 景观类数据，采用支持向量机（SVM）将遥感影像划分为建设用地、耕地、林地、水域、草地、未利用地等6个土地利用类型，并通过目视解译、野外调查校正错误分类，最终得到土地利用数据，kappa系数85.3%，在此土地利用数据基础上，利用Fragstats计算多样性指数（SHDI）、连通指数（CONTAG）、景观分割度（DIVISION）等景观指数；3） 地形类数据，通过空间分析方法从由美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量的STRM DEM（30 m）提取坡度（slope）。

2　 研究方法

2.1　评价指标体系构建

采用VORS生态系统健康评价框架，设立目标层、维度层和指标层，该框架是在VOR框架基础上增加了生态系统服务（S）维度^[17]。基于遥感与景观理论制定反映生态系统的活力、组织、弹性和服务四个维度的11个指标，耦合TOPSIS法计算维度层指数，经过（1）式最终确定生态系统健康指数（EHI）。各维度层指数和EHI的值域为[0,1]。

\mathrm{E}\mathrm{H}\mathrm{I}=\sqrt[\mathrm{4}]{v\times o\times r\times s}（1）

其中：v代表生态系统活力指数，o代表生态系统组织指数，r代表生态系统弹性指数，s代表生态系统服务指数。

2.1.1　TOPSIS法

TOPSIS法是一种多目标决策方法，它通过计算方案与理想化和负理想化目标之间的欧氏距离，评估方案的优劣^[18]。该方法是先将各年指标栅格转化为矩阵，并进行归一化，消除量纲。将每个指标的最大值作为正理想值、最小值作为负理想值，以一个维度层为单位，通过（2）式计算第i维度层各指标的栅格实际值与正、负理想值的欧氏距离D_i^{+}和D_i^{-}。

D_i^{+}=\sqrt[]{{\displaystyle \sum _{j=\mathrm{1}}^n}{\left(z_{ij}-z_j^{+}\right)}^{\mathrm{2}}}

D_i^{-}=\sqrt[]{{\displaystyle \sum _{j=\mathrm{1}}^n}{\left(z_{ij}-z_j^{-}\right)}^{\mathrm{2}}}（2）

其中：i为一个维度层，如生态系统活力（V）；z_j^{+}、z_j^{-}分别为第i维度的第j个指标的正理想值和负理想值，z_{ij}为栅格样点的第i维度的第j指标的实际值。

基于D_i^{+}和D_i^{-}，计算栅格单元实际值与第i维度最有指标组合的综合贴合度C_i，作为该维度指数，如（3）式：

C_i=\frac{D_i^{-}}{D_i^{+}+D_i^{-}}（3）

2.1.2　生态系统活力（V）评价

生态系统活力指生态系统的生产力和动态性能。生态系统的生产力来源于光合作用，因此，本文选用植被归一化指数（NDVI）作为生产力的反映指标。生态系统的动态性能离不开土壤水和地表温度对光合作用过程的影响，土壤水是植物生长所需水分的重要贮存和供应来源，地表温度则作用于植物中酶的活性，从而影响植物的生长和生理过程，因此，增选归一化多波段干旱指数（NMDI）^[19]、地表温度（LST）^[20]作为动态性能的反映指标。采用TOPSIS法，基于NDVI、NMDI和LST计算生态系统活力指数（v）。其中，NDVI和NMDI是使用Landsat 5 TM或Landsat 8 OLI作为数据源，通过波段计算得到的；LST是采用单窗算法计算得到的。

2.1.3　生态系统组织（O）评价

生态系统组织指生态系统组织结构的稳定性，主要表现为景观的异质性和连通性。景观异质性越强，生态系统越稳定，因此，本文选取多样性指数（SHDI）表征景观的异质性。景观斑块之间的连通性越强，能量、物质信息的交流就越有利；相反，如果景观越破碎，能量交换性就越差，因此，本文选择连通指数（CONTAG）和景观分割度（DIVISION）表征连通性^[21]。采用TOPSIS法，基于SHDI、CONTAG和DIVISION计算生态系统组织指数（o），其中，所有景观指数以300 m的移动单元进行计算。

2.1.4　生态系统弹性（R）评价

生态系统弹性指生态系统对外界扰动或变化的响应和恢复能力。通常受人为干扰越强，生态自身自然恢复能力越差，根据沙宏杰等^[22]的研究，设置土地利用类型生态弹性系数（见表1），并根据当前的土地利用状况参照（4）式计算基于土地使用现状的生态弹性（R_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}）。

R_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}={\displaystyle \sum _{i=\mathrm{1}}^n}(P_i\times R_i)（4）

其中，P_i为景观类型i所占据的比例，R_i为景观类型i的生态弹性系数。

在喀斯特地区，由于岩溶作用，形成特殊的地形地貌，易发生地质灾害。同时其不均匀渗透性导致地表和地下的水文条件差异，决定了地表植物生长及分布，植被覆盖较好区域生态系统弹性较大。由于不合理开发，水土流失导致岩石裸露即石漠化，使得植被和地表水资源减少、动物栖息地缩减、土壤水肥降低、生态多样性丧失、土地的农业生产能力降低、社会活动受到限制，石漠化一旦发生，生态系统难以恢复^[23]。因此增选植被覆盖（FVC）、坡度（slope）和岩石裸露率（Fr）作为生态系统弹性的表征指标。

采用TOPSIS法，基于R_{\mathrm{L}\mathrm{U}\mathrm{C}\mathrm{C}}、FVC、slope和Fr计算生态系统弹性指数（r）。其中，Fr依据（5）式和（6）式计算^[24]。

\mathrm{N}\mathrm{D}\mathrm{R}\mathrm{I}=\left(p_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}}-p_{\mathrm{N}\mathrm{I}\mathrm{R}}\right)/\left(p_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}}+p_{\mathrm{N}\mathrm{I}\mathrm{R}}\right)（5）

\mathrm{F}\mathrm{r}=(\mathrm{N}\mathrm{D}\mathrm{R}\mathrm{I}-\mathrm{N}\mathrm{D}\mathrm{R}{\mathrm{I}}_r)/(\mathrm{N}\mathrm{D}\mathrm{R}{\mathrm{I}}_r-\mathrm{N}\mathrm{D}\mathrm{R}{\mathrm{I}}_{\mathrm{0}})（6）

其中，\mathrm{N}\mathrm{D}\mathrm{R}\mathrm{I}为归一化岩石指数，\mathrm{N}\mathrm{D}\mathrm{R}{\mathrm{I}}_r为全裸露岩石时的NDRI，\mathrm{N}\mathrm{D}\mathrm{R}{\mathrm{I}}_{\mathrm{0}}为无裸露岩石时NDRI，p_{\mathrm{S}\mathrm{W}\mathrm{I}\mathrm{R}}、p_{\mathrm{N}\mathrm{I}\mathrm{R}}分别为遥感数据中的微波和近红外波段。

2.1.5　生态系统服务（S）评价

生态系统服务是自然生态系统为人类社会提供的各种直接或间接的利益和价值。不同的土地利用类型通过其特有的生态功能和结构，为人类和自然环境提供多种重要的生态系统服务。因此，本文参考谢高地等^[25]和刘一鸣等^[26]对土地利用类型提供生态系统服务设置的系数，建立了表2，并按照（7）式计算基于土地利用的生态系统服务指标ES，最后采用TOPSIS法，基于ES计算生态系统服务指数（s）。

\mathrm{E}\mathrm{S}={\displaystyle \sum _{i=\mathrm{1}}^n}(P_i\times S_i)（7）

其中，P_i为景观类型i所占据的比例，S_i为景观类型i的生态系统服务系数。

2.2　趋势分析方法

结合Theil-Sen Median斜率估计与Mann-Kendall检验，明晰评价体系中各维度层及目标层的空间变化趋势特征。Theil-Sen Median又称Sen斜率，是一种非参数统计方法，用于估计数据集中趋势的位置测量。与传统的均值和中位数相比，Theil-Sen Median能够降低异常值对结果的影响，并在保持较好性能的同时提供更准确的评估^[27]。Mann-Kendall检验则主要用于检验时间序列数据中存在的趋势，明晰趋势变化的方向、强度及突变点^[28]。综合两者的结果，可以得到九种趋势特征：极显著增加、显著增加、微显著增加、不显著增加、无变化、不显著减少、微显著减少、显著减少、极显著减少。在本文中，趋势表现为增加则说明生态健康得到了改善；反之，则为恶化。

3　 结果与分析

3.1　生态系统维度层分析

3.1.1　各维度时空分布特征

按照一级[0,0.2]、二级（0.2,0.4]、三级（0.4,0.6]、四级（0.6,0.8]、五级（0.8,1.0]对维度层指数分布图进行重分类，得到生态系统维度层健康等级评价图，如图2所示。等级越高，健康程度越好。从图2可知，生态系统活力（V）健康等级变化集中在三与四级之间相互转换，变化区域分布较为分散。结合图1可知，在1990年至2020年期间，生态系统组织（O）中健康程度较低的一、二级主要分布在贵安大道沿线以及夏云、凯佐城镇等地区，这些区域人为活动影响较大。生态系统弹性（R）的四、五级主要集中在高山林区，这得益于政府对于地形陡峭的生态脆弱区采取的生态措施以及坡耕地的农业结构优化，使得高山的植被覆盖度增加。但较其他维度健康等级空间的逐级变化，生态系统弹性的健康等级在石漠化区中部溶蚀丘陵及田地坝区，跨级转换分布广，这是因为城镇化用地增加、农业产业集中利用以及农业种植结构调整，导致生态系统弹性变化较大。生态系统服务（S）的一、二级增量围绕重点城镇及重点交通干线扩展分布，健康程度较好的四、五级则分布在连片高山林地以及红枫湖周围，生态系统服务的空间健康等级异质性增强。这是由于城镇扩展和贵阳-安顺一体化发展，人为干扰生态用地分布。同时，随着不断增长的生态需求以及对生态保护措施研究的深入开展，山地生态风险区和水源周边的生态环境得到了改善。

3.1.2　各维度演变特征

依据图2统计各个维度层健康等级的面积占比情况，得到图3。通过图3可知，生态系统活力（V）的健康等级以三级为主，常年面积占比在91%以上；四级在1990、2005、2020年面积占比高于其他年份，与三级面积变化呈相反趋势。生态系统组织（O）的三、四级占比之和达到99%以上，一、二、五级占比面积极低，四级面积除2015年外其余年份逐年增长，整体生态系统组织结构得到了提升。生态系统弹性（R）健康等级以三级为主，一级面积占比极低。自2005年起健康等级较高的四、五级的分布面积之和大于健康等级较低的一、二级的面积之和。2000年二级的面积占比达到最大，此后，二级与四、五级占比变化呈相反趋势。生态系统服务（S）健康水平自1995年后较为平稳，健康程度较高的四、五级的面积占比之和维持在50%以上，健康程度较低的一、二级面积占比以较小增量增加，两极化加重。总体上看，红枫湖流域的各维度层以健康程度良好的三、四级为主，生态系统组织持续优化，生态系统活力与生态系统弹性扰动性较强，生态系统服务呈两极分化。

用Theil-Sen Median斜率估计与Mann-Kendall检验分析各维度层指数分布图确定各维度变化趋势，如图4所示。结合图1和图4可以看出，生态系统活力（V）变化不显著，中部溶蚀山地和西南山地存在着一些较为分散的改善点，而红枫湖、快速扩张城镇以及道路周边田地等区域表现为不显著或微显著减少。生态系统组织（O）得到轻微地改善，增加趋势面积占比达到了74.01%，显著增加趋势分布在生态脆弱的高山地区，而下降趋势主要集中在流域支流以及较为平坦的坝区。生态系统弹性（R）也呈现出改善趋势，生态系统弹性上升趋势面积大于下降趋势面积，下降趋势集中在贵州九龙山国家森林公园、凯佐乡-广顺连线的工业园区、夏云城区、广顺农场周边农业区，这与地方大力发展工业和科技高效集中的农业生产模式密不可分。生态系统服务（S）的趋势较其他维度指数空间集中度较高且呈两级分化，生态系统服务改善与恶化面积占比持平，分别为47.43%、46.94%，恶化区分布在道路周边与重点城镇，这主要是城乡一体化推进、重点城镇快速扩展和新农村建设发展导致，改善区集中在北部林带，西南以及东部的连片山地，得益于生态措施的实施。

3.2　生态系统健康分析

3.2.1　生态系统健康时空分布特征

按照五个健康等级对生态系统健康指数(EHI)分布图进行重分类，得到生态系统健康等级图，如图5所示。结合图1和图5可以看出，空间上生态系统健康等级较低的一级和二级主要集中在经济发展程度较高的城镇，如红枫湖以及夏云、高峰、天龙、七眼桥、旧州、广顺等乡镇，并且这些区域的健康等级逐渐向外扩大。北部林带，西南、东南林区的生态系统健康等级有所提升，健康等级相对稳定，而中部溶蚀山地和河湖周边的生态系统健康等级变化频繁，主要转换集中在三级、四级和五级之间。

3.2.2　生态系统健康演变特征

统计1990―2020年生态系统健康等级占比情况，如表3所示。从表中可知，在1990―2020年，红枫湖流域生态系统健康以三、四级为主，两者面积占比之和常年超过99%，一、五级面积维持在降低水平。1995年后，除2015年外，二、四级面积增加，四级面积增量高于二级面积增量，三级面积占比呈下降趋势。整体来看，红枫湖流域的生态系统健康属于优良水平，且整体质量仍在不断提升。

图6为生态系统健康指数分布图。经过统计，九种趋势占比分别为极显著减少0.11%、显著减少0.87%、微显著减少0.82%，不显著减少13.89%，无变化为0%，不显著增加50.62%，微显著增加12.66%，显著增加16.64%，极显著增加4.39%。由图6可知，改善区面积更广，流域生态系统总体趋势向好，主要为北部林带、南部山地和中部溶蚀山丘，这是因为红枫湖流域长时间实施水土保持工程（植树造林、退耕还林、石漠化治理等措施）。结合图1可知，恶化区呈集中分布，包括快速扩张城镇夏云、城关、七眼桥、南部农业扩展区、西南九龙森林公园、凯佐工业开发区以及红枫湖周边。这表明红枫湖流域产业及城镇发展正在围绕着已有的较强经济基础核心呈放射式发展，农业集中度提高，山地森林资源优势得以挖掘，生态环境脆弱的高山地区得到有效保护，流域逐步促进产业结构转型，朝着可持续利用的方向发展。

3.3　生态健康影响因子分析

3.3.1　生态系统维度层影响因子差异化分析

采用线性方法统计红枫湖流域的各维度层指数的年度均值，得到图7。从图7可知，除生态系统活力指数外，其他维度层指数的均值趋势向好，但各维度曲线的拐点年份和走势却存在差异，这说明主要的影响因子也存在差异。

通过对比生态系统各维度层指数均值曲线（图7）和土地利用类型面积占比变化曲线（图8），发现生态系统服务与林地曲线拐点和走势一致。由于林地在生态用地中占较大比重，生态用地变化的曲线拐点和走势也与林地一致，亦与生态系统服务的均值曲线相符。这表明，说明生态系统服务的提高得益于生态用地的增加，而生态用地的增加与产业转型以及生态措施的实施密不可分。

生态系统组织的均值曲线与各土地利用类型趋势变化不一致，其曲线呈现W型，谷值年份为1995年和2015年，这两年正处于区域城镇化基础设施建设期（1992―1996年，2014―2017年）^[29，30]，在基础设施建设期间，工程实施破坏了原有的土地利用地块的异质性和连通性，导致生态系统组织结构下降，工程实施完成后，部分工程用地和临时道路恢复原本土地利用类型，土地斑块的异质性和连通性得到恢复，从而在2000年和2020年，组织结构得以反弹。因此，基础设施建设是影响生态系统组织扰动的主要因素。

生态系统弹性的均值呈M型上升，峰值年份为1995年和2015年，与林地面积峰值年份一致，说明生态用地增加，生态系统弹性也随之增加。但值得注意的是生态系统弹性的谷值年份为2000年，与张信宝对贵州石漠化治理成效研究的石漠化逆转时间点一致^[31]，在专项石漠化综合治理试点工程实施前，生态措施关注在用耕地的治理，忽视产业结构和城镇化退耕土地的治理，导致石漠化程度加剧，2000年在林地面积没有增加的情况下，生态系统弹性达到最低。因此，生态系统弹性除了受到生态用地的面积增加影响外，石漠化工程中的自然修护措施对其生态系统弹性的恢复也至关重要。

生态系统活力均值曲线呈W型，峰值年份1990、2005、2020的数值相近，谷值年份为1995、2015。然而，曲线走势与固定光能的载体——生态（林地、草地）、生产（耕地）用地面积曲线（如图8）变化均不一致。因此，需要考虑动态性能的水源供给和温度，根据肖媚^[32]对1990―2020年红枫湖流域中安顺的极端低温和极端降雨情况研究以及地方年鉴记录，可以发现1995、2000、2010，2015年都发生了较为严重的灾害，这些年份的生态系统活力指数均低于峰值年份，生态系统活力表现出对气象灾害高敏感性。其次，1995年和2015年发生较为严重的冻灾，2010年为百年一遇大旱，2000年发生洪涝，对比年份均值与峰值，可看出受冻灾影响程度大于旱灾、洪灾，这一结论与前期学者研究结果相近^[33]。这是因为植被表征对气候变化的滞后响应，短期的极端气象变化不能对生态系统活力造成影响，只有在长期连续性气象极端情况下，林木表征和面积才会改变，同时红枫湖流域作为贵州重要的粮仓，长期以农业为主，有较好的排水网、众多水库、河网发达，具有很好的调水、蓄水能力，能抵御旱、洪灾害。但冻灾制约光合作用、阻碍表层水运输、冻死植物组织，造成固定能量的植物无法充分进行光合作用，致使区域活力迅速下降。

3.3.2　生态系统健康影响因子分析

通过地理探测器方法确定不同因子对生态系统健康的影响程度，q代表单因子或者双因子作用对生态系统健康的影响力大小，结果如图9。1990―2020年对生态健康的单因子q值由大到小依次为土地利用、坡度、降雨。土地利用作为自然、生物活动的载体，直接影响土地覆盖、植被状况、水文循环和生物多样性等多个方面，对于喀斯特生态健康有着显著影响，是影响生态健康的主导因子。其次，通过双因子的交叉分析结果可知，降雨因子与坡度叠加作用大于两者单因子对生态系统健康影响之和（即“1+1>2”），属于非线性增强。坡度决定水分在地表径流和渗透的速率，从而影响土壤侵蚀、植被覆盖和土地利用。降雨量直接影响着土壤湿度和水资源的可利用性。这两者的相互作用影响土壤的侵蚀程度、植被类型的分布和生物多样性。在喀斯特地区，它们的叠加效应往往会导致生态系统健康问题更为复杂和突出。

4　 结论与讨论

4.1　结 论

从维度层变化上看，1990―2020年红枫湖流域生态系统各维度属于良好健康水平。生态系统活力变化不显著；生态系统组织持续得到优化，改善区集中在高山地区，恶化区主要集中在流域支流以及较为平坦的坝区；生态系统弹性整体呈改善趋势，下降趋势与地方工业发展和农业生产利用模式紧密相连；生态系统服务呈两极分化且趋势集中度高，恶化区分布在道路周边与重点城镇，改善区集中在北部林带，西南以及东部山地。

从生态健康等级的演变和趋势上看，1990―2020年红枫湖流域生态系统健康以优良为主且质量在逐步提升，空间上重点城镇生态系统健康水平较低，北部林带，西南、东南林区生态系统较为健康。北部、南部连片山地、中部溶蚀山丘的生态环境得到改善，恶化区以已有的产业基础和资源丰富的较强城镇为核心放射式扩张。

从影响因素分析，生态系统服务的提高得益于在产业结构调整和生态保护背景下的生态用地增加；基础设施建设是扰动生态系统组织的主要因素；生态系统弹性的改善是受到生态用地面积变化以及石漠化治理工程实施的双重影响；生态系统活力对气象灾害敏感性高于其他维度，且受冻灾影响程度大于旱灾、洪灾。土地利用、降雨、坡度对生态系统健康影响递减，降雨、坡度叠加作用下的喀斯特地区生态环境问题更加应该重视。

4.2　讨 论

研究基于VORS生态系统健康评价框架，增加反映喀斯特石漠化的特征指标，评价1990―2020年的红枫湖流域生态系统健康状况，明晰其空间上和数量上的生态系统健康变化趋势，再对比内外因素，揭示影响喀斯特生态系统健康不同维度的主要因素差异。研究结果与张信宝指出的贵州石漠化成效反弹时间节点^[31]、邵辉分析极端气候对生产力影响作用^[33]等研究结果一致，明确石漠化工程中的自然修护措施对喀斯特生态健康的重要性，喀斯特生态系统在不同极端气候条件下如何响应以及坡度和降水复合作用下喀斯特山区生态健康问题的复杂性。下一步将结合流域生态功能区定位，根据前期生态健康诊断结果，结合山水林田湖草之间的协同和权衡分布，制定改善和提升生态功能服务能力的措施。

参考文献

[1] 傅伯杰， 刘世梁， 马克明. 生态系统综合评价的内容与方法［J］. 生态学报， 2001， 21（11）： 1885-1892. DOI： 10.3321/j.issn： 1000-0933.2001.11.020 .

[2] FU B J， LIU S L， MA K M. The contents and methods of integrated ecosystem assessment（IEA）［J］. Acta Ecologica Sinica， 2001， 21（11）： 1885-1892. DOI： 10.3321/j.issn： 1000-0933.2001.11.020（Ch ）.

[3] COSTANZA R， D’ARGE R， DE GROOT R， et al. The value of the world’s ecosystem services and natural capital［J］. Nature， 1997， 387： 253-260. DOI： 10.1038/387253a0 .

[4] RAPPORT D. Assessing ecosystem health［J］. Trends in Ecology and Evolution， 1998， 13（10）： 397-402. DOI： 10.1016/s0169-5347（98）01449-9 .

[5] KHATUN R， DAS S. Exploring ecosystem health of wetlands in Rarh tract of West Bengal through V-O-R model［J］. Ecological Informatics， 2022， 72： 101840. DOI： 10.1016/j.ecoinf.2022.101840 .

[6] XIE X， FANG B， LI X， et al. Urban ecosystem health assessment and obstacle factor diagnosis using a comprehensive assessment model for Nanjing， China［J］. Growth and Change， 2021， 52（3）： 1938-1954. DOI： 10.1111/grow.12492 .

[7] CHOI Y， OH H J， LEE D H， et al. Current utilization and further application of zooplankton indices for ecosystem health assessment of lake ecosystems［J］. Sustainability， 2023， 15（14）： 10950. DOI： 10.3390/su151410950 .

[8] LIU X J， WANG Y， MENG X Y， et al. Improved method for benthic ecosystem health assessment by integrating chemical indexes into multiple biological indicator species―A case study of the Baiyangdian Lake， China［J］. Journal of Environmental Management， 2023， 335： 117530. DOI： 10.1016/j.jenvman.2023.117530 .

[9] BOORI M S， CHOUDHARY K， PARINGER R， et al. Spatiotemporal ecosystem health assessment comparison under the pressure-state-response framework［J］. Computer Optics， 2022， 46（4）： 634-642. DOI： 10.18287/2412-6179-CO-1067 .

[10] NTONA M M， BUSICO G， MASTROCICCO M， et al. Coupling SWAT and DPSIR models for groundwater management in Mediterranean Catchments［J］. Journal of Environmental Management， 2023， 344： 118543. DOI： 10.1016/j.jenvman.2023.118543 .

[11] WU S G， TIAN C H， LI B L， et al. Ecological environment health assessment of lake water ecosystem system based on simulated annealing-projection pursuit： A case study of plateau lake［J］. Sustainable Cities and Society， 2022， 86： 104131. DOI： 10.1016/j.scs.2022.104131 .

[12] 白晓永， 冉晨， 陈敬安， 等. 中国喀斯特生态系统健康诊断的方法、进展与展望［J］. 科学通报， 2023， 68（19）： 2550-2568.

[13] BAI X Y， RAN C， CHEN J A， et al. Methods， progress and prospect for diagnosis of karst ecosystem health in China—An overview［J］. Chinese Science Bulletin， 2023， 68（19）： 2550-2568 （Ch）.

[14] 陈圣子， 周忠发， 闫利会. 人为干预对石漠化治理过程中生态系统健康的影响［J］. 水土保持研究， 2016， 23（2）： 213-219. DOI： 10.13869/j.cnki.rswc.2016.02.040 .

[15] CHEN S Z， ZHOU Z F， YAN L H. Influence of human intervention on ecosystem health in the karst rock desertification controlling process［J］. Research of Soil and Water Conservation， 2016， 23（2）： 213-219. DOI： 10.13869/j.cnki.rswc.2016.02.040（Ch ）.

[16] 邓欧， 李亦秋， 杨广斌， 等. 贵州喀斯特石漠化防治的国家重点生态功能区生态系统健康度评价［J］. 中国岩溶， 2020， 39（5）： 689-696. DOI： 10.11932/karst20200506 .

[17] DENG O， LI Y Q， YANG G B， et al. Evaluation on the ecosystem health of national key ecological function areas for karst rocky desertification prevention and control in Guizhou Province［J］. Carsologica Sinica， 2020， 39（5）： 689-696. DOI： 10.11932/karst20200506（Ch ）.

[18] 曾凌云， 汪美华， 李春梅. 基于RUSLE的贵州省红枫湖流域土壤侵蚀时空变化特征［J］. 水文地质工程地质， 2011， 38（2）： 113-118. DOI： 10.16030/j.cnki.issn.1000-3665.2011.02.003 .

[19] ZENG L Y， WANG M H， LI C M. Study on soil erosion and its spatio-temporal change at Hongfeng Lake watershed based on RUSLE Model［J］. Hydrogeology & Engineering Geology， 2011， 38（2）： 113-118. DOI： 10.16030/j.cnki.issn.1000-3665.2011.02.003（Ch ）.

[20] 曾华献， 王敬富， 李玉麟， 等. 贵州红枫湖近10年来（2009—2018年）水质变化及影响因素［J］. 湖泊科学， 2020， 32（3）： 676-687. DOI: 10.18307/2020.0308 .

[21] ZENG H X， WANG J F， LI Y L， et al. Water quality change and influencing factors in Lake Hongfeng（Guizhou Province）， 2009-2018［J］. Journal of Lake Sciences， 2020， 32（3）： 676-687 （Ch）. DOI: 10.18307/2020.0308 .

[22] 张耀. 红枫湖水体氮、磷时空分布及影响因素分析［D］. 贵阳： 贵州师范大学， 2019. DOI： 10.27048/d.cnki.ggzsu.2019.000424 .

[23] ZHANG Y. Temporal and spatial distribution of nitrogen and phosphorus in Hongfeng Lake and analysis of influencing factors［D］.Guiyang： Guizhou Normal University， 2019. DOI： 10.27048/d.cnki.ggzsu.2019.000424（Ch ）.

[24] PENG J， YANG Y， LIU Y X， et al. Linking ecosystem services and circuit theory to identify ecological security patterns［J］. The Science of the Total Environment， 2018， 644： 781-790. DOI： 10.1016/j.scitotenv.2018.06.292 .

[25] CHEN M H， CHEN F， TANG C J， et al. Integration of DPSIR framework and TOPSIS model reveals insight into the coastal zone ecosystem health［J］. Ocean & Coastal Management， 2022， 226： 106285. DOI： 10.1016/j.ocecoaman.2022.106285 .

[26] ZHANG H W， CHEN H L， SHEN S H. The application of normalized multi-band drought index （NMDI） method in cropland drought monitoring［C］//SPIE Proceedings， Remote Sensing for Agriculture， Ecosystems， and Hydrology XI. Berlin： SPIE digital library， 2009： 74721Q. DOI： 10.1117/12.830557 .

[27] DU C， REN H Z， QIN Q M， et al. A practical split-window algorithm for estimating land surface temperature from Landsat 8 data［J］. Remote Sensing， 2015， 7（1）： 647-665. DOI： 10.3390/rs70100647 .

[28] XIAO R， SU S L， WANG J Q， et al. Local spatial modeling of paddy soil landscape patterns in response to urbanization across the urban agglomeration around Hangzhou Bay， China［J］. Applied Geography， 2013， 39： 158-171. DOI： 10.1016/j.apgeog.2013.01.002 .

[29] 沙宏杰， 张东， 施顺杰， 等. 基于耦合模型和遥感技术的江苏中部海岸带生态系统健康评价［J］. 生态学报， 2018， 38（19）： 7102-7112. DOI： 10.5846/stxb201710111814 .

[30] SHA H J， ZHANG D， SHI S J， et al. Ecosystem health assessment of coastal zone in central Jiangsu Province based on coupling model and remote sensing technology［J］. Acta Ecologica Sinica， 2018， 38（19）： 7102-7112. DOI： 10.5846/stxb201710111814（Ch ）.

[31] NASSERY H R， ZEYDALINEJAD N， ALIJANI F. Speculation on the resilience of karst aquifers using geophysical and GIS-based approaches （a case study of Iran）［J］. Acta Geophysica， 2021， 69（6）： 2393-2415. DOI： 10.1007/s11600-021-00675-6 .

[32] 张晓伦， 甘淑. 基于NDRI像元二分模型的石漠化信息提取研究［J］. 新技术新工艺， 2014（1）： 72-75. DOI： 10.3969/j.issn.1003-5311.2014.01.024 .

[33] ZHANG X L， GAN S. Research on extracting rocky desertification information based on NDRI dimidiate pixel model［J］. New Technology & New Process， 2014（1）： 72-75. DOI： 10.3969/j.issn.1003-5311.2014.01.024（Ch ）.

[34] 谢高地， 张彩霞， 张雷明， 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进［J］. 自然资源学报， 2015， 30（8）： 1243-1254. DOI： 10.11849/zrzyxb.2015.08.001 .

[35] XIE G D， ZHANG C X， ZHANG L M， et al. Improvement of the evaluation method for ecosystem service value based on per unit area［J］. Journal of Natural Resources， 2015， 30（8）： 1243-1254. DOI： 10.11849/zrzyxb.2015.08.001（Ch ）.

[36] 刘一鸣， 徐煖银， 曾辉. 中国东海海岸带地区生态系统健康评估及其尺度依赖性［J］. 生态学报， 2022， 42（24）： 9913-9926. DOI： 10.5846/stxb202105201315 .

[37] LIU Y M， XU X Y， ZENG H. Ecosystem health assessment and its scale dependence in the coastal region of the East China Sea［J］. Acta Ecologica Sinica， 2022， 42（24）： 9913-9926. DOI： 10.5846/stxb202105201315. （Ch ）.

[38] ÖZTAŞ C， ERİLLİ N A. Contributions to Theil-Sen Regression analysis parameter estimation with weighted median［J］. Alphanumeric Journal， 2021， 9（2）： 259-268. DOI： 10.17093/alphanumeric.998384 .

[39] 汪攀， 刘毅敏. Sen’s斜率估计与Mann-Kendall法在设备运行趋势分析中的应用［J］. 武汉科技大学学报（自然科学版）， 2014， 37（6）： 454-457. DOI： 10.3969/j.issn.1674-3644.2014.06.012 .

[40] WANG P， LIU Y M. Application of Sen’s slope estimation and Mann-Kendall method in the trend analysis of equipment operation［J］. Journal of Wuhan University of Science and Technology， 2014， 37（6）： 454-457. DOI： 10.3969/j.issn.1674-3644.2014.06.012（Ch ）.

[41] 袁芳. 安顺经济改革试验区发展现状、问题与对策研究［D］. 天津： 天津大学， 2012.

[42] YUAN F. Anshun economic reform pilot area development status， problems and countermeasures research［D］.Tianjin： Tianjin University， 2012 （Ch）.

[43] 王先玉. 城乡融合发展背景下农地流转、劳动力转移及新型城镇化耦合关系研究——以贵州省为例［D］. 贵阳： 贵州财经大学， 2022.

[44] WANG X Y. Study on the coupling relationship among farmland transfer， labor transfer and new urbanization under the background of urban-rural integration development— Taking Guizhou Province as an example［D］. Guiyang： Guizhou University of Finance and Economics， 2022 （Ch）.

[45] 张信宝. 贵州石漠化治理的历程、成效、存在问题与对策建议［J］. 中国岩溶， 2016， 35（5）： 497-502. DOI： 10.11932/karst20160505 .

[46] ZHANG X B. History， achievements， problems and suggested countermeasures of karst desertification control in Guizhou［J］. Carsologica Sinica， 2016， 35（5）： 497-502. DOI： 10.11932/karst20160505（Ch ）.

[47] 肖媚， 李启芬， 杨芗， 等. 安顺市近57年四季气温和降水变化特征［J］. 气象科技进展， 2020， 10（5）： 30-32. DOI： 10.3969/j.issn.2095-1973.2020.05.006 .

[48] XIAO M， LI Q F， YANG X， et al. Characteristics of temperature and precipitation change in the last 57 years in Anshun city［J］. Advances in Meteorological Science and Technology， 2020， 10（5）： 30-32. DOI： 10.3969/j.issn.2095-1973.2020.05.006（Ch ）.

[49] 邵辉. 西南地区极端气候变化及其与植被生长和生产力的关系［D］. 北京： 中国林业科学研究院， 2021.

[50] SHAO H. Climate extreme change and its relationship with vegetation growth and productivity in Southwest China［D］.Beijing： Chinese Academy of Forestry， 2021 （Ch）.