CN112464161B - 基于人类足迹分布及自然因素的自然保护区评价方法 - Google Patents

基于人类足迹分布及自然因素的自然保护区评价方法 Download PDF

Info

Publication number
CN112464161B
CN112464161B CN202011335014.0A CN202011335014A CN112464161B CN 112464161 B CN112464161 B CN 112464161B CN 202011335014 A CN202011335014 A CN 202011335014A CN 112464161 B CN112464161 B CN 112464161B
Authority
CN
China
Prior art keywords
area
natural
human
data
human footprint
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011335014.0A
Other languages
English (en)
Other versions
CN112464161A (zh
Inventor
王勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202011335014.0A priority Critical patent/CN112464161B/zh
Publication of CN112464161A publication Critical patent/CN112464161A/zh
Application granted granted Critical
Publication of CN112464161B publication Critical patent/CN112464161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于人类足迹分布及自然因素的自然保护区评价方法，所述自然保护区评价方法包括：步骤1，获取自然保护区的数据；所述数据包括人类足迹指标数据和基础地理数据；所述人类足迹指标数据包括人口密度数据、土地利用类型数据、国内生产总值数据和道路交通可达性数据；所述基础地理数据包括自然环境数据；步骤2，根据所述人类足迹指标数据得到人类足迹指数；步骤3，根据所述人类足迹指数和所述自然环境数据构建广义可加模型；步骤4，根据所述人类足迹指数和所述广义可加模型的分析结果对所述自然保护区进行评价。本发明能够对自然保护区进行更加准确的评价，为后续工作作出准确的指导。

Description

基于人类足迹分布及自然因素的自然保护区评价方法
技术领域
本发明属于技术领域，具体涉及一种基于人类足迹分布及自然因素的自然保护区评价方法。
背景技术
自然保护区是保护栖息地完整性和生物多样性的重要途径，它在一定程度上减弱了人类活动对生境的侵害，为受人类活动影响而丧失生境的物种提供庇护，被广泛认为是生物多样性保护战略的核心。为在全球范围内实现对生物多样性和生态系统功能的保护，联合国教科文组织提出了“人与生物圈计划”：通过建立“世界生物圈保护区网络”，在满足人类活动需求的前提下，进一步改善人与环境之间的关系，达到人类与自然协同发展的目的。在各会员国的不懈努力下，自然保护区建设得到长足发展。截止到2018年，仅中国境内就已建成2750个自然保护区，国家级自然保护区474处，总面积约97.8万平方千米，占国土面积的10.18％。
然而，保护区的建设不应只考虑其数量和面积，更应侧重于能否实现其保护效果的最大化。实际上，保护区内的生态环境仍面临着遭受人类活动压力和自然环境变化的双重威胁。现有的研究结果可以佐证这一观点，研究者在对保护区内人类活动进行全球分析时发现，大多数国家中已有超过半数的保护区正遭受着巨大的人类压力，也有研究表明，保护区内的物种生存状况会受到气候等因素的影响。在中国，国家级自然保护区受监管级别最高，但仍普遍遭受着持续增长的人类活动压力和自然因素干扰。因此，了解人类压力在地理空间上的分布，揭示人类活动与自然因素间的关系，对评估自然保护区保护效果至关重要。
为准确描述这一威胁的严重程度，出现了“人类足迹”概念，它将已知可能会对生态系统造成压力的参数进行组合，不仅能直观地反映人类活动对自然保护区的影响，而且能反映区域和类别上的差异性。因此，评价保护效果时，应考虑到与未保护区域相比建立保护区是否有效缓解了人类活动。“人类足迹”及其相关研究方法被广泛地应用于自然保护区成效评价的各个方面。例如，青藏高原地区生态服务功能人类足迹影响，人类活动对森林植被景观的干扰模式，生态功能区的保护与人类活动的相互作用。目前，这些研究只关注了单一区域或是单一类型保护区中的“人类足迹”，不能有效地比较不同区域、不同类型保护区间人类活动的差异。另一些研究关注了国家、世界尺度人类活动对自然保护区的影响，但这些研究要么使用单一的人类足迹指数作为评价指标，忽略了保护区内外人类足迹的差异性；要么忽略了自然因素对人类活动的影响，没能考虑到保护区保护效果的优劣是否源于其本身的自然环境。
因此，需要提供一种针对上述现有技术中不足的改进技术方案。
发明内容
本发明的目的是提供一种基于人类足迹分布及自然因素的自然保护区评价方法，用以克服上述现有技术中存在的问题。
为了实现上述目的，本发明提供如下技术方案：
一种基于人类足迹分布及自然因素的自然保护区评价方法，所述自然保护区评价方法包括如下步骤：
步骤1，获取自然保护区的数据；所述数据包括人类足迹指标数据和基础地理数据；所述人类足迹指标数据包括人口密度数据、土地利用类型数据、国内生产总值数据和道路交通可达性数据；所述基础地理数据包括自然环境数据；
步骤2，根据所述人类足迹指标数据得到人类足迹指数；
步骤3，根据所述人类足迹指数和所述自然环境数据构建广义可加模型；
步骤4，对所述人类足迹指数和所述广义可加模型进行分析，并根据所述人类足迹指数和所述广义可加模型的分析结果对所述自然保护区进行评价。
进一步的，根据所述人类足迹指标数据得到人类足迹指数的过程包括：
对所述人类足迹指标数据进行预处理；
对预处理后的所述人类足迹指标数据进行处理，得到所述人类足迹指标数据对应的编码值；
对所述人类足迹指标数据对应的编码值进行处理，得到人类足迹指数。
进一步的，所述人类足迹指标数据对应的编码值根据所述人类足迹指标的贡献程度确定。
进一步的，对预处理后的所述人类足迹指标数据进行重新编码赋值，得到所述人类足迹指标数据对应的编码值。
进一步的，对所述人口密度数据进行重编码赋值，得到人口密度编码值；
popscore＝1.80940×log(popdensity+1)
式中，popscore表示人口密度编码值，popdensity表示人口密度值。
进一步的，对所述土地利用类型数据进行重新编码赋值，得到土地利用类型编码值；所述土地利用类型编码值包括建筑用地编码值为10分；耕地、园地、池塘和水库用地编码值为7分。
进一步的，对国内生产总值数据采用分位数的方法进行重新编码赋值，得到国内生产总值编码值。
进一步的，步骤4中，通过人类足迹指数的分析结果对所述自然保护区进行评价，包括对自然保护区的区内评价和对自然保护区的区内外对比评价。
进一步的，步骤4中，通过广义可加模型的分析结果对所述自然保护区进行评价，包括对全国国家级自然保护区内人类足迹的自然驱动分析。
进一步的，所述自然保护区评价方法还包括：根据所述人类足迹指数对所述自然保护区进行评价的分析结果和所述自然环境数据建立保护效果评价体系，并根据所述保护效果评价体系对所述自然保护区进行评价。
与现有技术相比，本申请的技术方案能够实现的有益技术效果：
本发明基于人类足迹分布及自然因素的自然保护区评价方法，通过人类足迹指标数据得到人类足迹指数，再通过人类足迹指数和自然环境数据构建广义可加模型，最后通过所述人类足迹指数和所述广义可加模型的分析结果对所述自然保护区进行评价。由于人类足迹是定量化评价人类活动强弱的重要指标，因此，可以通过人类足迹指数反映自然保护区承受人类压力的程度，通过人类足迹指数和广义可加模型的分析结果能够准确的对自然保护区进行评价。通过探究自然保护区人类足迹分布的空间差异性，有助于人们更好地理解人类活动对自然保护区的影响，进而制定生态保护策略。
本申请通过人口密度、土地利用、国内生产总值、交通可达性四个指标得到人类足迹指数，对比自然保护区整体及内外人类足迹指数变化并综合考虑自然因素影响，建立保护效果评价体系，探析不同生态系统类型和区域间(大空间尺度)的评价结果。
通过本申请基于人类足迹分布及自然因素的自然保护区评价方法的评价结果能为生态保护部门制定相关政策提供决策参考，同时有助于普通大众了解个体活动对自然保护保护成效的影响。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：
图1为本发明基于人类足迹分布及自然因素的自然保护区评价方法流程图；
图2为本发明实施例中国家级自然保护区空间分布图；
图3为本发明实施例中人类足迹指数的计算流程图；
图4为本发明实施例中2018年中国国家级自然保护区内人类足迹空间分布图；
图5为本发明实施例中2018年全国各区域国家级自然保护区内人类足迹指数图；
图6为本发明实施例中2018年全国不同类型国家级自然保护区内人类足迹指数图；
图7为本发明实施例中不同类型保护区内不同区域人类足迹指数图；
图8为本发明实施例中国家级自然保护区内外人类足迹指数图；
图9为本发明实施例中各自然因素对人类足迹指数的影响效应图；
图10为本发明实施例中各国家级自然保护区保护效果评价结果图；
图11为本发明实施例中温度因子对华北和华中地区自然保护区HF指数的影响效应图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本申请针对现有对自然保区的研究，在国家、世界尺度进行的跨区域、大范围研究时会忽视自然保护区在生态环境中的重要地位，不仅没能选取适合描述自然保护区人类足迹情况的指标，也未能探析“人类足迹”和自然因素间的相互关系。因此，亟需在多种生态类型、更大空间尺度下建立合理的自然保护区评价体系。
本发明以中国国家级自然保护区为研究对象，选择人口密度、土地利用、国内生产总值、交通可达性四类指标绘制国家级自然保护区人类足迹图，从不同地理区域、不同类型双重角度描述其空间特征。在此基础上综合考虑保护区内外人类足迹差异和自然因素对保护区的影响，建立合理的保护效果评价体系，得到国家级自然保护区保护效果评价结果，为中国自然保护区规划和治理提供参考。
本发明提供的基于人类足迹分布及自然因素的自然保护区评价方法，其流程图如图1所示，评价方法包括如下步骤：
步骤1，获取自然保护区的数据；
在本申请实施例中，所述数据包括人类足迹指标数据和基础地理数据；
目前共建立474个国家级自然保护区的空间分布如图2所示，总面积约为97.8万km2，占国土总面积的10％，共分为3大类别，9个类型。本申请从我国已建成的474个国家级自然保护区中，选择除海洋海岸类以外8个类型的国家级自然保护区为研究区。其中，森林生态系统类218个、草原与草甸生态系统类4个、荒漠生态系统类13个、内陆湿地和水域生态系统类55个、野生动物类106个、野生植物类18个、地质遗迹类13个、古生物遗迹类6个。
在本申请实施例中，所述人类足迹指标包括人口密度、土地利用类型、国内生产总值和道路交通可达性；相对应的，人类足迹指标数据(HF)包括人口密度数据(PD)、土地利用类型数据(LU)、国内生产总值数据(GDP)和道路交通可达性数据(TA)。
在本申请实施例中，人口密度数据来源于Worldpop公布的2018年中国地区人口密度栅格数据集(空间分辨率1km，https://www.worldpop.org/)；土地利用数据和国内生产总值数据来源于中国科学院资源环境科学数据中心(空间分辨率1km，http://www.resdc.cn/)；道路交通数据来源于OpenStreetMap系统(https://www.openstreetmap.org/)。
所述基础地理数据包括国家级自然保护区边界数据和自然保护区环境数据。
在本申请实施例中，国家级自然保护区数边界数据根据中华人民共和国生态环境部(http://www.mee.gov.cn/)公示的全国自然保护区名录，结合高分辨率遥感影像数据及无人机航拍数据矢量化获得。
在本申请实施例中，自然保护区环境数据包括地形数据与气候数据。地形数据来源于Worldpop公布的中国地区基于SRTM数据制作的100m分辨率高程和坡度栅格数据集(https://www.worldpop.org/)，气候数据来源于WorldClim世界气候数据库公布的2018年逐月总降水和平均最大、最小温度空间栅格数据集(空间分辨率4.5km，https://www.worldclim.org/)。
步骤2，根据所述人类足迹指标数据得到人类足迹指数；
人类足迹指数(Human Footprint,HF)最早由Sanderson等人提出，即将人口密度、土地利用类型、夜间灯光分布和人类可达性作为指标，表征人为活动带来的影响。
在本申请实施例中，在Sanderson等人思想基础上，结合自然保护区自身特点，选择人口密度、土地利用类型、国内生产总值和道路交通可达性作为人类足迹指数的评价指标，即人类足迹指标；那么，人类足迹指标数据包括人口密度数据、土地利用类型数据、国内生产总值数据和道路交通可达性数据。
在本申请实施例中，根据所述人类足迹指标数据得到人类足迹指数的过程如图3所示，包括：
步骤21，对所述人类足迹指标数据进行预处理；
本申请实施例中，具体是对所述人类足迹指标数据中的人口密度数据、土地利用类型数据、国内生产总值数据和道路交通可达性数据进行重投影、重采样和剪裁等数据预处理过程，实现将所述人类足迹指标数据中的人口密度数据、土地利用类型数据、国内生产总值数据和道路交通可达性数据统一到同一空间尺度。
步骤22，对预处理后的所述人类足迹指标数据进行处理，得到人类足迹指标编码值；
在本申请实施例中，对预处理后的所述人类足迹指标数据进行重新编码赋值，得到人类足迹指标数据对应的编码值，即人类足迹指标编码值；
在本申请实施例中，具体是对所述人类足迹指标数据中的人口密度、土地利用类型、国内生产总值和道路交通可达性分别进行重新编码，得到同一空间对应的四个编码值，即人口密度编码值、土地利用类型编码值、国内生产总值编码值和道路交通可达性编码值。
所述编码值根据所述人类足迹指标的贡献程度确定，贡献程度为0～10分，其中，0分表示低影响、低贡献，10分表示高影响、高贡献。
以下给出本申请实施例中不同人类足迹指标的编码值，本申请实施例中，人类足迹指标赋值标准体系如表1所示。
表1人类足迹指标赋值标准体系
Figure BDA0002796884190000071
(1)对人口密度数据进行重新编码赋值，得到人口密度编码值；
人口密度是反应生态系统与人类活动间相互作用强度的重要指标，即便是较低的人口密度也可能对生物多样性产生重大影响，且对生态系统影响呈对数变化规律，故将人口密度数据按对数方程进行计算赋值，值域范围为0～10分，由于人口密度最大值为336264人/平方公里，具体计算方程如下：
popscore＝1.80940×log(popdensity+1)
式中，popscore表示人口密度编码值(即影像某栅格重新赋值的分数)，popdensity表示人口密度值(即影像某栅格的人口密度值)。
(2)对土地利用类型数据进行重新编码赋值，得到土地利用类型编码值；
土地利用类型变化是反映人类活动程度的重要因子，对生态系统及生物多样性产生巨大威胁，且不同的土地利用方式在改变生态系统的程度上有所不同，本申请考虑不同土地利用类型对生态系统的影响，根据Sanderson等人的研究结果将所有城市、农村居民点和工业交通等建筑用地赋值为10分，即所有城市、农村居民点和工业交通等建筑用地编码值为10分；耕地、园地、池塘和水库的区域赋值为7分，即耕地、园地、池塘和水库的区域编码值为7分；所有其他土地利用类型的赋值(编码值)为0分。
(3)对国内生产总值数据进行重新编码赋值，得到国内生产总值编码值；
许多人类活动是由社会经济推动的，为满足社会经济发展的需求，人类开始进行各项生产活动，并对周围生态环境产生一定影响。不同地区社会经济情况的不同，侧面反应不同地区生态环境受人为活动的影响。参考Shen等对夜间灯光数据的赋值方式，在本申请实施例中，采用分位数的方法，将国内生产总值大于0的栅格分成10份，从小到大依次赋值1～10分，并将国内生产总值为0的栅格值赋值为0分，也就说是说国内生产总值编码值为0～10分。
(4)对道路交通可达性数据进行重新编码赋值，得到道路交通可达性编码值；
除了减少栖息地范围之外，道路还可作为诱导人类活动的人口汇集点，缩小了人类与自然间的距离，对该位置环境的影响越大，不同道路类型、到道路的不同距离对环境的影响有所差异。因此，在考虑道路类型和距离的情况下计算了交通可达性，设定道路影响的最大距离为15公里，即当所有道路距离一个像素超过15公里时，该像素的分数(即重新编码赋值后的编码值)为0。每种道路类型最短距离求反距离后的加权和，公式如下：
Figure BDA0002796884190000081
式中，RTD代表一个像素受到道路的总影响，值越大，道路的影响越大。Mi为不同道路类型的影响随距离变化的调整系数(根据Shen等的研究确定的；高速公路：1，铁路：0.87，主要道路：0.8，二级道路：0.53，三级道路：0.37，其他公路：0.2),Di是使用计算的像素到每种道路类型的最短路径的反距离。
步骤23，对所述人类足迹指标数据对应的编码值进行处理，得到人类足迹指数；
在本申请实施例中，在对所述人类足迹指标数据对应的编码值进行处理时，是将编码值进行叠加处理分析，得到量化的人类足迹指数，以表征人类活动强度的自然保护区人类足迹(HF)。
具体的，将编码值进行叠加处理分析是将人口密度编码值、土地利用类型编码值、国内生产总值编码值和道路交通可达性编码值进行数据图层叠加分析，得到人类足迹指标指数。根据所述人类足迹指数绘制得到人类足迹地图，为表征人类活动强度的自然保护区内人类足迹(HF)地图。
步骤3，根据所述人类足迹指数和所述自然环境数据构建广义可加模型；
在本申请实施例中，自然环境数据包括地形数据与气候数据，具体的，地形数据包括高程和坡度，气候数据包括降水和最小温度。本申请实施例中，高程、坡度、降水和最小温度作为自然环境数据的自然因素与人类足迹指数相结合建立广义可加模型。
广义可加模型(Generalized Addition Model,GAM)作为广义线性模型的非参数化扩展，相对于严格参数化的线性或非线性模型具有灵活性，可以识别多个因素的影响，已广泛应用于检测驱动因子和预测地理要素/现象的空间分布。
本申请实施例中，通过广义可加模型(GAM)分析自然因素与国家级自然保护区内人类足迹间的关系，其一般表达形式为：
Figure BDA0002796884190000091
式中，g(E(Y|X))为连接函数，其形式由人类足迹指数的平均值Y(响应变量)分布的形式决定，X、xi为自然因素(解释变量)，β0为常数，fi(xi)为自然因素关系的非参数函数，ε为随机误差，E(ε)＝0，k是自然因素的数目，k为自然数。在本申请实施例中，k＝4。
在本申请实施例中，广义可加模型(GAM)采用样条平滑函数，对人类足迹指数和自然环境数据(自然因素)进行平滑处理。
进一步的，对于GAM模型的构建，主要由广义交叉验证(GCV)和调整R2(R-square(adj))来评估模型拟合效果，采用偏差解释(DE)检验驱动变量总和的解释能力，DE值越高表示解释能力越好。
步骤4，对所述人类足迹指数和所述广义可加模型进行分析，并根据所述人类足迹指数和所述广义可加模型的分析结果对自然保护区进行评价；
步骤41，通过人类足迹指数的分析结果对所述自然保护区进行评价；
通过人类足迹指数对所述自然保护区进行评价包括对自然保护区的区内评价和对自然保护区的区内外对比评价。
第一，对自然保护区的区内评价包括：基于自然保护区内人类足迹整体空间分布特征的区内评价、基于自然保护区内不同地理分区下保护区内人类足迹差异的区内评价和基于自然保护区内不同类型保护区内人类足迹差异的区内评价。
(1)基于自然保护区内人类足迹整体空间分布特征的区内评价；
2018年中国国家级自然保护区内人类足迹空间分布如图4所示，通过观察可以清晰的看出：整体以内蒙古西部、甘肃省西北部和四川省西部为界，西部、西北部地区人类足迹指数较小，东部、东南部地区较大。经济较为发达、人口密度较高的京津冀、长江中下游平原、东北平原、黄土高原及部分沿海地区的自然保护区人类足迹指数较高、人类活动干扰较为明显；人类足迹指数较低的主要分布在青藏高原地区的色林错、可可西里、罗布泊野骆驼、阿尔金山等自然保护区及大小兴安岭的呼中、南瓮河、大沾河湿地、翠北湿地等自然保护区。进一步统计分析发现，研究选用的434个国家级自然保护区中，人类足迹指数在0～10的保护区占45.9％，11～20的占49.8％，21～30的占4.8％，31～40的占0.2％。95.7％的国家级自然保护区人类足迹指数集中在20以下，说明目前我国大部分国家级自然保护区的人类足迹指数影响还处于较低状态，人类活动的整体管控效果较好，但部分保护区(5％)人类足迹指数相对较高，需后期加强关注。
(2)基于自然保护区内不同地理分区下保护区内人类足迹差异的区内评价；
为突出不同地区人类活动对自然保护区保护区的扰动差异，按照中国七大地理分区方法将全国划分为华北区、东北区、华东区、华中区、华南区、西北区和西南区，分区域分析全国国家级自然保护区内人类足迹分布现状。七大地理分区内国家级自然保护区的人类足迹值从大到小排序为：华中区>华东区>华南区>东北区>华北区>西南区>西北区，华北区、东北区、西北区和西南区的人类足迹指数小于全国均值(图5)。其中，华东区、华中区和华南区的人类足迹指数最高，均超过了11，其次是华北区、东北区和西南区，均超过了9，而西北地区人类足迹指数最小，人类干扰影响较小。人口密度较大的华东区、华中区和华南区的经济发展较好，交通较为发达，人类活动水平较高，人为干扰较大。华北区、东北区和西南区人口密集程度相似，经济发展水平较为发达、人类交通可达性较高，但土地开发建设程度较小，综合人类活动影响水平适中。而西北区人口密度较小，整体经济发展和交通可达性较弱，综合对比之下，人类足迹指数最小、人类活动干扰最小。
(3)基于自然保护区内不同类型保护区内人类足迹差异的区内评价；
通过不同类型对中国国家级自然保护区内人类足迹分析发现(图6)，不同类型保护区内人类足迹存在显著差异。不同类型保护区内平均人类足迹指数(National Average)均小于20，从高到低排序为：
地质遗迹类(GH)>古生物遗迹类(PR)>野生植物类(WP)>野生动物类(WA)>森林生态系统类(FE)>内陆湿地和水域生态系统类(IW)>草原与草甸生态系统类(PM)>荒漠生态系统类(DE)。其中，人类足迹指数最高保护区类型为地质遗迹类和古生物遗迹类，两类保护区内人类足迹指数均超过18，较排名第三的森林生态系统类多83.8％、67.9％。森林生态系统类、野生动物类、野生植物类、内陆湿地和水域生态系统类、草原与草甸生态系统次之，人类足迹指数值(HF)均高于9，荒漠生态系统类保护区内人类足迹指数最小，人类活动干扰最小。目前我国已有的地质遗迹类自然保护区和古生物遗迹类自然保护区共19个，其中84.2％被开发为风景名胜区向广大游客开放，国内生产总值和道路交通可达性均较大，较大的客流量造成相对较大的人类活动干扰。而荒漠生态系统保护区相对地处偏远地区，人口密度较小、经济水平不高，交通发达程度也较弱，人类活动干扰较小。其余类型的保护区所处地区虽然社会经济水平较为发达，但交通可达性和土地开发建设程度较小，综合人类活动干扰程度适中。
第二，对自然保护区的区内外对比评价包括：基于自然保护区区内核心区、缓冲区和试验区的人类足迹分布的区内外对比评价和基于自然保护区区外多环缓冲区的人类足迹分布的区内外对比评价。
(1)基于自然保护区区内核心区、缓冲区和试验区的人类足迹分布的区内外对比评价；
为保障保护区内自然生态系统和珍惜动植物等得到有效保护、保护区日常管护和监督执法工作可以有效开展，中国按照主导功能性差异将自然保护区内部划分为核心区、缓冲区与实验区三个部分。核心区是天然状态保存完好的生态系统及珍稀、濒危动植物集中分布的区域，禁止人类开发活动；缓冲区是在核心区外围划定的一定面积的、准许进行科学研究观测活动的地区；实验区最为外围可进行教学实习、驯化、繁殖珍稀、濒危野生动植物及旅游等活动的地区。由于实际功能划分中，缓冲区范围往往较小，不易与实验区得以有效区分，且对缓冲区内人类活动的管控措施和管控力度与核心区一致。因此，本申请实施例中将缓冲区与核心区进行合并(Core and buffer area)，从整体和分类型双重角度分析保护区不同功能分区内人类足迹分布情况，更好地分析保护区内人类活动影响分布。
从整体来看，434个国家级自然保护区核心区与缓冲区内人类足迹指数(Core andbuffer area)较实验区(Experimental area)少13％，核心区与缓冲区内人类足迹指数波动变化较小，中国国家级自然保护区内核心区与缓冲区处于较为稳定的状态，人类活动管控见成效(表2)。其中，84％的国家级自然保护区内核心区与缓冲区的人类足迹小于实验区，另有16％的保护区内部核心区与缓冲区的人类足迹指数高于实验区。例如，围场红松洼保护区及长兴地质遗迹国家级自然保护区，二者核心区与缓冲区人类足迹(Core andbuffer area)均高于实验区(Experimental area)，通过分析发现二者主要是受区域内土地利用情况影响，区域内建设用地、耕地和相关基础建设设施占比较多，今后还需对具体保护区进一步加强管控。
表2自然保护区内分区HF指数的统计特征值
Figure BDA0002796884190000121
从不同类型来看(图7)，所有类型的保护区其核心区与缓冲区内(Core andbuffer area)平均人类足迹指数均小于实验区(Experimental area)，人类活动管控较好。其中，内陆湿地和水域系统类型(IW)和野生动物类型(FE)国家级保护区三区由内向外人类足迹指数上升幅度最大，其余类型自然保护区内缓冲区与核心区及实验区间人类足迹有所不同但差异较小。进一步分析发现，内陆湿地和水域系统类型自然保护区，由核心区向外，水域、林地和未利用土地面积占比皆减少，耕地、水库坑塘、城镇居民点和工矿建设用地的面积占比皆增加，其中实验区内的耕地和建筑用地分别是核心区面积的2.42倍和3.13倍，说明以建设开发为主的人类活动对保护区内部产生了较大的影响；野生动物类型(FE)自然保护区中核心区与缓冲区耕地、城镇居民点和工矿建设用地和未利用土地面积占比增加，林地、草地和水域面积占比减少，其中实验区的耕地和建筑用地分别是核心区面积的6.05倍和5.98倍，以耕地开垦为主的人类活动对此类保护区产生较大影响。由此说明，土地利用变化是导致不同类型自然保护区不同功能分区间人类足迹指数不同的主要原因。
(2)基于自然保护区区外多环缓冲区的人类足迹分布的区内外对比评价；
在自然保护区外建立0～5km、5～10km和10～15km的多环缓冲区，统计不同缓冲区范围内的人类足迹指数，得到相应的统计特征表(表3)。总体来说，自然保护区三个环状缓冲区由内向外的人类足迹指数主要呈现上升趋势，即距离自然保护区越远，人类足迹指数越大，人类干扰越明显。方差计算结果显示，离自然保护区越近的缓冲区域人类足迹指数波动变化越小，说明越靠近自然保护区的区域状态越稳定。
表3自然保护区外各环内HF指数的统计特征值
Figure BDA0002796884190000131
进一步对保护区内平均人类足迹指数(Average inside)与保护区外平均人类足迹指数(Average Outside)进行对比，整体自然保护区内部(Inside the reserave)人类足迹指数均小于保护区外部(Outside the reserave)，人类活动管控取得有效成果；从不同类型看，内陆湿地和水域生态系统类、森林生态系统类、野生植物类和野生动物类自然保护区内外人类足迹指数差异较大，保护成效有尤为显著(图8)。但目前仍有11％的保护区存在保护区内部人类足迹指数高于保护区外部的现象，例如，甘家湖梭梭林自然保护区和沙坡头自然保护区，从保护区内部向外各个缓冲区内人类足迹指数逐渐下降。统计相应区域的人类足迹指数计算指标发现，这些保护区由内向外，耕地、林地、水域、城镇居民点和工矿建设用地的面积占比逐渐减少，草地和未利用土地面积占比增加，其中5km缓冲区内人工修建的水库坑塘面积比例达到了10～15km缓冲区内水库坑塘面积的1.82倍，以各水利工程的建设开发为主的人类活动对保护区产生主要影响。今后应加强对这些保护区内外人类活动情况的监管力度，以实现更好的保护效果。
步骤42，通过广义可加模型的分析结果对所述自然保护区进行评价；
在本申请实施例中，通过广义可加模型对所述自然保护区进行评价，包括对全国国家级自然保护区内人类足迹的自然驱动分析。
人类足迹的分布既受人为驱动也受自然驱动，考虑对于自然保护区内部存在限制人类活动的管控措施，当地自然条件和地理环境会对人类足迹有一定的决定作用，即使这种驱动作用不是唯一的也不是最终的。
本申请针对自然保护区的特性，主要考虑自然保护区内人类足迹与自然因素的关系。利用GAM模型，首先对所选取的高程、坡度、降水和最小温度4项自然因素进行单因子分析，每次选取一个自然因素作为解释变量，相应区域的人类足迹HF指数作为响应变量，得出各自然因素对HF指数的单独影响(表4)。
表4各自然保护区HF指数与单个自然因素的GAM模型拟合结果
Figure BDA0002796884190000141
注：***表示在0.001水平变量下是显著的。
通过F统计值可以判断对HF指数影响最重要的自然因素，F值越大，其相对重要性越大。p值是用来判断假设检验结果的另一参数，p值越小，表明结果越显著。R2为回归平方和与总离差平方和的比值，R2越大越好,模型越精确,回归效果越显著。0≤R2≤1，且R2越接近1，回归拟合效果越好。只有坡度调整R2＝0.14较小，其余变量的p均小于2e-16,调整R2较大(0.23～0.553)，方差解释率较高(24.1％～55.9％)，GAM模型拟合度较好。
进一步选取所有的自然因素为解释变量，HF指数为响应变量，利用GAM模型继续进行多因素的相关性分析，得到表5。
表5各自然保护区HF指数与多个自然因素的GAM模型拟合结果
Figure BDA0002796884190000151
高程、坡度、降水和温度4项自然因素的p值均小于0.001，具有统计学意义，且调整R2＝0.759，方差解释率为77.3％，说明此GAM模型拟合较好，高程、坡度、降水和温度这4项自然因素与HF指数之间的相关性较强，相对重要性温度>降水>高程>坡度。进一步得到各自然因素对HF指数的影响效应图(图9)，以此分析高程、坡度、降水和温度对人类足迹指数的具体影响。
通过图9分析得出，所选取的4个自然因素皆与HF指数呈非线性关系。多数自然保护区集中在高程为2000m以内的区域，高程1000m以内HF指数与高程的关系表现为负相关，高程在1000～4000m间HF指数变化不大，达到4000m后，HF指数急剧下降；多数自然保护区集中在坡度小于25°的区域，在此范围内HF指数呈现先上升后下降的微小波动；降水与HF指数总体上呈波动变化的趋势，年均降水量低于28mm时，HF指数急剧下降，28～150mm间HF指数波动变化且呈现缓缓下降的趋势；自然保护区内的最低温度主要集中在-5～20℃之间，-10～0℃之间保护区的HF指数与最低温度呈现正相关，0℃之后HF指数增加变缓，达到10℃之后这种正相关关系逐渐消失，随着最小温度继续增大，HF指数出现了下降的趋势。
总体来说，自然保护区内较低的高程和坡度常伴随着更高的人类活动水平；保护区内较低降水量和温度同样与较高的人类活动相关，且呈现出低值正相关高值负相关的趋势。
在本申请实施例中，步骤41与步骤42之间并不存在先后顺序关系，可以按照实施例执行步骤41，再执行步骤42；也可以先执行步骤42，再执行步骤41；也可以同时执行步骤41和步骤42，本申请实施例对步骤41与步骤42的执行顺序并不进行限制。
在一些优选实施例中，对所述自然保护区进行评价还包括：
根据人类足迹指数对所述自然保护区进行评价的分析结果和所述自然环境数据建立保护效果评价体系，并根据所述保护效果评价体系对所述自然保护区进行评价。
在该实施例中，具体是根据对自然保护区的区内外对比评价的分析结果和自然因素(自然环境因素)建立保护效果评价体系，并根据所述保护效果评价体系对所述自然保护区进行评价。
在本申请实施例中，通过广义可加模型所述自然保护区进行评价为基于自然保护区内外人类足迹差异和不同自然保护区之间的自然特性差异对国家级自然保护区保护效果评价。
本申请中自然保护区保护效果评估同时考虑每个自然保护区内外人类足迹差异和不同自然保护区之间的自然特性差异。因为保护区的保护效果不仅要求保护区内的人类压力稳定或降低，而且人类压力不会通过溢出效应转移到邻近区域。
在本申请实施例中，根据所述保护效果评价体系对所述自然保护区进行评价包括：
首先，根据对自然保护区的区内外对比评价的分析结果对不同区域评价指标进行重新赋值；
根据自然保护区内核心区、缓冲区、实验区和保护区外多环缓冲区HF指数的分布情况，提出了体现保护区内部、外部和内外人类足迹差异的三个指标，其中保护区内部指标根据内部HF指数最小值所在区域确定，如果最小值在核心和缓冲区则赋值为0，否则赋值为5；保护区外部指标根据内外HF指数最大值所在区域确定，从核心和缓冲区、实验区、0～5km缓冲区、5～10km缓冲区到10～15km缓冲区分别赋值为5、4、3、2、1；保护区内外指标根据每个自然保护内外5个区域HF指数标准差确定，并且数值标准化至0～5区间内。
其次，结合自然因素对评价指标进行再次重新赋值，得到评价指标体系模型；
在本申请实施例中，结合的自然因素为最小温度。因为仅仅通过简单的自然保护地内外的对比分析，难以准确判别相关指标的变化是保护工作所取得的成效，还是由于自然环境因素的差异而导致的，所以我们根据基于自然保护区的区内外对比评价的分析结果选取相对更为重要的最小温度指标作为自然驱动力赋值的依据，根据最小温度在大于10℃、0～10℃和小于0℃三个区间内对HF指数的影响效果不同，对不同区间的温度值进行了重新赋值分别对应0～0.5、0.5～1.5和1.5～5。构建的评价指标体系如表6。
表6自然保护区保护效果的评价指标体系
Figure BDA0002796884190000171
最后，根据所述评价指标体系模型对自然保护区进行评价；
最终得到各国家级自然保护区保护效果评价结果图如图10所示，评价指数在0-35分之间，值越小说明保护区保护效果越佳，根据相等间隔法将结果划分为五类——“优质”、“良好”、“中等”、“尚可”和“较差”，数目分别是81、219、100、28和6，结果表明98.61％的国家级自然保护区达到了合格水平。
分区和分类型统计结果发现，华南地区自然保护区分数最低说明该地区自然保护区保护效果总体水平最佳，其次是西南、西北和华中地区；森林生态类型的自然保护区得分最高，其次是草原草甸、野生植物和野生动物类型。
表7国家级自然保护区分区和分类型评价结果
Figure BDA0002796884190000181
总的来说，华南、西南和西北地区如内蒙古高原、青藏高原、青海等草原分布区的国家级自然保护区得到了最好的保护；华中地区如黄河中下游等农业活动集中的区域的国家级自然保护区保护效果次之；华东、华北和东北地区，如人工建设用地较集中的长江中下游、京津冀地区和三江平原，这些区域的自然保护区受人类活动干扰较因此保护效果一般。
本发明通过基于人类足迹分布及自然因素保护区评价方法对自然保护区进行评价，基于评价的分析结果，可进行其他讨论分析以为后续研究提供有效的方向。
(1)分区讨论保护区内人类足迹与自然因素
表8各地区自然保护区HF指数与多个自然因素的GAM模型拟合结果
Figure BDA0002796884190000182
对不同地理分区的自然保护区分析，发现在人口密度较小的华北、西南和西北区域自然因素对相应保护区HF指数的解释率比较高，分别是88％、84.3％和82.4％(表8)，对于人口密度较大的华南、东北、华东和华中区域自然因素对相应保护区HF指数的解释率相对较低，这些区域的国家自然保护区内人类足迹的分布可能存在更复杂的驱动因子，后续研究可以考虑添加相关的人为驱动因子(避免与人类足迹指数中的指标冲突)展开深入探讨。
比较分区计算结果发现，华北和华中地区的自然保护区内温度与HF指数各自呈现出显著线性相关，而且温度驱动因子对自然保护区内人类足迹的影响在华北和华中区域之间是不同的，前者呈现明显的正相关关系，后者有着负相关趋势(图11)。主要是由于华北地区的国家级自然保护区的在最小温度普遍比华中地区的低，这揭示温度因子与人类活动之间低促进高抑制的复杂互动关系，具体的温度因子与人类活动之间低促进高抑制的复杂互动关系有待今后开展更深入的研究。
(2)讨论保护区保护效果评价指标的有效性
本申请实施例建立的评价指标综合考虑了自然保护区内外HF指数的变化和影响自然保护区人类足迹分布的自然因素，对自然保护区的保护效果开展评估。结果中，湖北神龙架国家级自然保护区和陕西平河梁国家级自然保护区在评价结果中分别排13和24名，重庆缙云山国家级自然保护区和安徽扬子鳄国家级自然保护区在评价结果中分别排411和427名，这些评价结果也与生态环境部在2017-2018年期间开展的国家级自然保护区管理评估结果相一致。
但该体系仍然没有完全有效避免由于部分研究区自身特性导致人类活动较少对于评价结果的影响。如长沙贡玛国家级自然保护区在评价结果中显示保护较好(排名第10)，但其处于生态环境部给出的评估结果后十名，主要是由于其属于高山草甸和高寒湿地，人类活动自身就很少，这种自身特性会导致评价结果产生偏差。而且根据分区讨论保护区内人类足迹与自然因素中的讨论结果，不同地理分区下最小温度与HF指数的关系存在异质性，但是指标体系建立依据的是未分区模型得到的自然驱动结果，这种异质性可能也是结果产生偏差的原因。因此，在后续工作中需进一步合理考虑自然保护区的自身自然条件和地理环境特性，建立更加完善的评价指标体系，实现各自然保护区之间的连通，达到对国家尺度下自然保护区保护效果的准确评价。
通过本发明基于人类足迹分布及自然因素保护区评价方法能够给解决由于人类的长期干扰，生态环境及物种多样性遭受巨大影响。清楚地了解人类活动在地理空间上的分布，明确人类活动背后的主要驱动因素，协调人类发展活动与生态保护之间的矛盾，对于提升保护区的保护成效有着重要影响。本发明实施例分析434个中国国家级自然保护区人类足迹空间分布特征及与自然因素间关系，并建立保护区保护效果评价体系，以期为中国自然保护区规划治理和科学管控提供参考。通过本申请实施例可知：
(1)中国国家级自然保护区人类足迹分布存在空间异质性，全国平均人类干扰处于低水平状态。2018年我国国家级自然保护区平均人类足迹指数为11.2，其中95.7％的自然保护区人类足迹指数小于20处于较低状态，表明中国国家级自然保护区人类活动的整体管控效果较好，人类活动对自然保护区的影响处于较低状态；从分地域、分类型来看，我国东部地区人类足迹指数高于西部地区，自然遗迹类保护区高于野生生物类保护区高于自然生态系统类。
(2)中国国家级自然保护区内核心区与缓冲区人类足迹小于实验区13％，整体保护区内部平均人类足迹小于外部21％，自然保护区内外人类足迹呈现梯度递增规律，一定程度上体现中国自然保护区空间分区、分类管控的梯度差异，进一步证实了国家级自然保护区功能区划的重要性和必要性。部分保护区内缓冲区人类活动影响大于外部，管控力度有待进一步加强。
(3)各自然保护区内人类足迹指数与高程、坡度、降水和温度均呈现了显著相关的关系。整体来看，处于较低的高程和坡度且降水量和温度较为适宜的自然保护区，人类活动水平较高。而分区结果显示，华北地区温度与自然保护区内人类足迹之间呈明显的正相关关系，华中地区则表现出负相关趋势。在人口密度较小的华北、西南和西北区域，自然因素对相应保护区人类足迹指数的解释率较高，而对于华南、东北、华东和华中区域，为了解释自然保护区内人类足迹的分布可能需要考虑选择更多的相关解释因此，后续研究需要深入揭示自然因素与保护区人类活动间可能存在复杂的互动关系。
(4)本申请综合考虑每个自然保护区内外人类足迹差异和不同自然保护区之间的自然差异建立自然保护区保护效果评估评价体系，结果表明98.61％的国家级自然保护区达到了合格水平，不同地理分区间，华南地区自然保护区保护效果总体水平最佳，其次是西南、西北和华中地区；不同保护区类型中，森林生态类型的自然保护区保护效果总体水平最佳，其次是草原草甸、野生植物和野生动物类型。但是该指标体系没有办法完全避免由研究区自身特性导致人类活动较少带来的影响，而且代表自然驱动力的最小温度与HF指数的关系空间上存在异质性，会对部分自然保护区评价效果有影响。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均在本发明待批权利要求保护范围之内。

Claims (7)

1.一种基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，所述自然保护区评价方法包括如下步骤：
步骤1，获取自然保护区的数据；所述数据包括人类足迹指标数据和基础地理数据；所述人类足迹指标数据包括人口密度数据、土地利用类型数据、国内生产总值数据和道路交通可达性数据；所述基础地理数据包括自然环境数据和自然保护区边界数据；
步骤2，根据所述人类足迹指标数据得到人类足迹指数；
根据所述人类足迹指标数据得到人类足迹指数的过程包括：
对所述人类足迹指标数据进行预处理；
对预处理后的所述人类足迹指标数据进行处理，得到所述人类足迹指标数据对应的编码值；
对所述人类足迹指标数据对应的编码值进行处理，得到人类足迹指数；
步骤3，根据所述人类足迹指数和所述自然环境数据构建广义可加模型；
步骤4，对所述人类足迹指数和所述广义可加模型进行分析，并根据所述人类足迹指数和所述广义可加模型的分析结果对所述自然保护区进行评价；具体为：
步骤41、通过人类足迹指数的分析结果对所述自然保护区进行评价，包括对自然保护区的区内评价和对自然保护区的区内外对比评价；
所述对自然保护区的区内评价包括：基于自然保护区内人类足迹整体空间分布特征的区内评价、基于自然保护区内不同地理分区下保护区内人类足迹差异的区内评价和基于自然保护区内不同类型保护区内人类足迹差异的区内评价；
所述对自然保护区的区内外对比评价包括：基于自然保护区区内核心区、缓冲区和实验区的人类足迹分布的区内外对比评价和基于自然保护区区外多环缓冲区的人类足迹分布的区内外对比评价；其中，所述自然保护区的区内划分为核心区、缓冲区与实验区三个部分；所述自然保护区区外多环缓冲区，具体为：在自然保护区外建立0～5km缓冲区、5～10km缓冲区和10～15km缓冲区的多环缓冲区；
步骤42、通过广义可加模型的分析结果对所述自然保护区进行评价；
所述自然保护区评价方法还包括：根据所述人类足迹指数对所述自然保护区进行评价的分析结果和所述自然环境数据建立保护效果评价体系，并根据所述保护效果评价体系对所述自然保护区进行评价；
根据所述保护效果评价体系对所述自然保护区进行评价包括：
根据对自然保护区的区内外对比评价的分析结果对不同区域评价指标进行重新赋值；具体为：
根据自然保护区内核心区、缓冲区、实验区和保护区外多环缓冲区的人类足迹指数的分布情况，提出了体现保护区内部、保护区外部和保护区内外的人类足迹差异的三个指标，其中保护区内部指标根据保护区内部人类足迹指数最小值所在区域确定，如果最小值在核心区和缓冲区则赋值为0，否则赋值为5；保护区外部指标根据保护区内外人类足迹指数最大值所在区域确定，从核心区和缓冲区、实验区、0～5km缓冲区、5～10km缓冲区、10～15km缓冲区分别赋值为5、4、3、2、1；保护区内外指标根据每个自然保护内外5个区域人类足迹指数标准差确定，并且数值标准化至0～5区间内；结合自然因素对评价指标进行再次重新赋值，得到评价指标体系模型；具体为：
根据基于自然保护区的区内外对比评价的分析结果，选取最小温度指标作为自然驱动力赋值的依据，根据最小温度在大于10℃、0～10℃和小于0℃三个区间内的人类足迹指数不同，对不同区间的温度值进行了重新赋值，分别对应0～0.5、0.5～1.5和1.5～5；
根据所述评价指标体系模型对自然保护区进行评价。
2.根据权利要求1所述的基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，所述人类足迹指标数据对应的编码值根据所述人类足迹指标的贡献程度确定。
3.根据权利要求1所述的基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，对预处理后的所述人类足迹指标数据进行重新编码赋值，得到所述人类足迹指标数据对应的编码值。
4.根据权利要求3所述的基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，对所述人口密度数据进行重编码赋值，得到人口密度编码值；
popscore＝1.80940×log(popdensity+1)
式中，popscore表示人口密度编码值，popdensity表示人口密度值。
5.根据权利要求3所述的基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，对所述土地利用类型数据进行重新编码赋值，得到土地利用类型编码值；所述土地利用类型编码值包括建筑用地编码值为10分；耕地、园地、池塘和水库用地编码值为7分。
6.根据权利要求3所述的基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，对国内生产总值数据采用分位数的方法进行重新编码赋值，得到国内生产总值编码值。
7.根据权利要求1所述的基于人类足迹分布及自然因素的自然保护区评价方法，其特征在于，步骤4中，通过广义可加模型的分析结果对所述自然保护区进行评价，包括对全国国家级自然保护区内人类足迹的自然驱动分析。
CN202011335014.0A 2020-11-24 2020-11-24 基于人类足迹分布及自然因素的自然保护区评价方法 Active CN112464161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011335014.0A CN112464161B (zh) 2020-11-24 2020-11-24 基于人类足迹分布及自然因素的自然保护区评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011335014.0A CN112464161B (zh) 2020-11-24 2020-11-24 基于人类足迹分布及自然因素的自然保护区评价方法

Publications (2)

Publication Number Publication Date
CN112464161A CN112464161A (zh) 2021-03-09
CN112464161B true CN112464161B (zh) 2021-09-24

Family

ID=74798898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011335014.0A Active CN112464161B (zh) 2020-11-24 2020-11-24 基于人类足迹分布及自然因素的自然保护区评价方法

Country Status (1)

Country Link
CN (1) CN112464161B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086989A (zh) * 2018-07-25 2018-12-25 环境保护部卫星环境应用中心 一种自然保护区可持续发展评价方法及系统
CN110245833A (zh) * 2019-05-15 2019-09-17 生态环境部卫星环境应用中心 一种自然保护区开发建设项目生态影响评价方法及其系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815480A (zh) * 2017-01-17 2017-06-09 武汉科技大学 一种基于生态足迹模型的生态可持续性综合评价方法
CN109271694B (zh) * 2018-09-06 2022-02-01 西安理工大学 基于鱼类个体动态模拟技术的栖息地识别方法
CN111222748B (zh) * 2019-11-27 2024-01-23 上海海洋大学 一种金枪鱼栖息地量化评估方法
CN111260262A (zh) * 2020-03-17 2020-06-09 国家林业和草原局华东调查规划设计院 一种自然保护地保护成效评估方法和系统及其应用
CN111652522A (zh) * 2020-06-09 2020-09-11 中国环境科学研究院 一种关于自然保护地的生态风险评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086989A (zh) * 2018-07-25 2018-12-25 环境保护部卫星环境应用中心 一种自然保护区可持续发展评价方法及系统
CN110245833A (zh) * 2019-05-15 2019-09-17 生态环境部卫星环境应用中心 一种自然保护区开发建设项目生态影响评价方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
1990-2015年青藏高原人类足迹数据集;段群滔 等;《中国科学数据》;20200809;第5卷(第3期);第1-10页 *
Understanding the spatial–temporal variation of human footprint in Jiangsu Province, China, its anthropogenic and natural drivers and potential implications;Feixue Shen等;《Scientific Reports》;20200807;第1-12页 *

Also Published As

Publication number Publication date
CN112464161A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Fang et al. Employing extreme value theory to establish nutrient criteria in bay waters: a case study of Xiangshan Bay
CN106202163A (zh) 通江湖泊生态监测信息管理及预警系统
Lin et al. Landscape ecological risk assessment and its driving factors of multi-mountainous city
NL2027637B1 (en) Cwt-based quantitative analysis method for external source of atmospheric primary pollutant
Zhu et al. Spatiotemporal variations of carbon dioxide (CO2) at Urban neighborhood scale: Characterization of distribution patterns and contributions of emission sources
CN111144775A (zh) 基于景观格局的乡级土地利用总体规划生态风险评价方法
KR20140021179A (ko) 일사량 예측 방법 및 장치
CN117009887A (zh) 流域水环境质量精细化估算及分析的方法及系统
CN115062682A (zh) 目标功能区标识方法、装置、存储介质及设备
CN113158762B (zh) 大型湖库滨岸带蓝藻水华堆积风险评估方法
CN112464161B (zh) 基于人类足迹分布及自然因素的自然保护区评价方法
Yang et al. Spatiotemporal characteristics of human activity on coastal landscape of Laizhou Bay
CN111652522A (zh) 一种关于自然保护地的生态风险评估方法
CN115759883B (zh) 基于网络群组特征的生态管理分区方法
He et al. Early warning of regional land‐use ecological security issues: A case‐study of Xingguo County, China
Li et al. Synergistic ecological network approach for sustainable development of highly urbanized area in the Bay Bottom region: A study in Chengyang District, Qingdao
Elderbrock et al. Modeling black carbon removal by city trees: implications for urban forest planning
Su et al. Assessing lake health in China: Challenges due to multiple coexisting standards
Snelder et al. Land-use suitability is not an intrinsic property of a land parcel
Zhang et al. Land use change in coastal zones of China from 1985 to 2020
Thornhill Water quality, biodiversity and ecosystem functioning in ponds across an urban land-use gradient in Birmingham, UK
Cai et al. Climate change and tourism in Tuscany, Italy: What if heat becomes unbearable?
Chen et al. Development of a comprehensive assessment model for coral reef island carrying capacity (CORE-CC)
Zuo Assessing the Disparity between Supply and Demand of Green Spaces by Elderlies based on GIS–Taking Wuhan, China as an Example
Wang et al. Trade-offs and Synergies of Ecosystem Service Bundles in the Luan River Basin, China

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant