气候变化和人类活动对耕地格局变化的贡献归因综述

来源：SCI期刊网 分类：农业论文 时间：2022-01-13 09:45 热度：

摘 要：摘要：定量辨识气候变化和人类活动对耕地格局变化的贡献归因，是当今气候变化和土地利用变化领域的热点问题。目前研究大都结合耕地的时空变化格局和相关驱动因素进行双变量或多变量

　　摘要：定量辨识气候变化和人类活动对耕地格局变化的贡献归因，是当今气候变化和土地利用变化领域的热点问题。目前研究大都结合耕地的时空变化格局和相关驱动因素进行双变量或多变量的定性分析，未进一步定量给出气候变化和人类活动的贡献程度。本文对国内外相关研究进行总结，介绍了定量评价气候变化和人类活动对耕地格局变化的贡献程度的5种主要研究方法，即模型分析法、数理统计法、框架分析法、指标评价法和差值比较法。综述了气候变化、人类活动以及两者共同作用对耕地格局变化的贡献归因的主要结论。总结了目前研究存在的方法综合性较差、数据全面性与准确性欠缺、尺度单一和解释片面等问题，针对以上问题，提出了从综合作用到具体因素的贡献程度归因评价的思路，并就数据、尺度与驱动力的解释问题提出了研究展望。

　　关键词：气候变化;人类活动;贡献程度;定量;耕地格局

　　1 引言

　　耕地是粮食生产的基本资料，也是土地利用类型中最大的人为景观[1] 。耕地时空格局变化对农业生态系统服务具有重要影响，如影响农业产量、改变生物多样性等[2] 。耕地时空格局的变化不仅对气候变化和其他自然条件十分敏感，同时也与人类活动密切相关。由于日益增长的人口和有限的耕地面积，耕地格局变化的驱动归因问题已成为当今土地利用/土地覆被变化、农业和粮食安全等领域的热点问题。耕地格局变化同时包含了气候变化和人类活动的影响，如何定量辨识两者对耕地格局变化的贡献程度，不仅是气候变化影响研究领域中的科学问题，也是目前陆地表层系统科学领域中面临的难题。

　　近年来，国内外学者围绕气候变化和人类活动对耕地格局变化的影响，开展了大量研究并取得了丰富的成果[1, 3-5] 。研究发现，气候变化不是耕地格局变化的唯一驱动因素，人为因素如社会经济、政策等对耕地格局变化也起到了重要作用[1, 5] 。Lambin等发现，越南耕地开垦主要由生态响应解释，而退耕造林则由经济因素驱动[3] 。刘纪远等认为政策、经济发展以及气候变暖驱动着21世纪初中国耕地的动态变化[4] 。过去300年里，中国北方的极端气候灾害加深了有限的土地资源和迅速增加的人口之间的矛盾，导致东北地区耕地的大规模开垦，气候—政策—开垦形成了一个有机链[5] 。以上研究综合考虑了影响耕地格局的气候变化和人类活动等因素，但大都结合耕地的时空变化格局和相关驱动因素进行双变量或多变量的定性分析，未进一步定量给出不同影响因素的贡献程度。定量辨识气候变化和人类活动对耕地格局变化的贡献归因，能够帮助人们采取适当措施进行干预和适应，以达到使其向有利于人类合理利用土地资源并权衡生态系统服务的目的。因此，关于气候变化和人类活动对耕地格局的贡献程度的定量研究亟需加强。本研究在总结国内外相关研究的基础上，分析气候变化和人类活动对耕地格局变化的贡献归因的定量研究方法、主要结论和存在问题，并进一步提出研究展望，以期为保护优质耕地、保障粮食安全和适应气候变化工作的开展提供借鉴。

　　2 研究方法

　　目前，气候变化和人类活动对耕地格局变化的贡献程度的定量研究方法主要有模型分析法、数理统计法、框架分析法、指标评价法和差值比较法，其具体差异见表1。

　　2.1 模型分析法

　　模型分析是土地利用/土地覆被变化的经典研究方法之一，可以帮助更好地理解耕地格局变化的过程和机制，如土地利用变化与影响模型 (Conversion of Land Use and its Effects, CLUE)、基于网格的土地利用变化模型 (GEOMOD)、城市扩张模型 (Slope, Landuse, Exclusion, Urban extent, Transportation-Hillshade, SLEUTH) 以及元胞自动机-马尔科夫链模型 (Cellular Automata and Spatial-temporal Markov chain, CA_Markov) 等[28] 。该方法在对耕地格局直接模拟的基础上，进行气候变化和人类活动贡献程度的判定。如高 志 强 等 使 用 CLUE- S 模 型 和 面 向 地 理 过 程 动 态 环 境 模 型 (Environment for Geoprocessing Objects, Dinamica EGO)，探讨了中国2000-2005年耕地转化的原因及各驱动因素的贡献程度[6] 。为了强调耕地利用中人类的选择与决策行为的重要性，也有学者将土地利用变化模型与农户决策模型相结合使用。如 Audsley 等应用作物产量模型(ROIMPEL) 和农户决策模型 (Silsoe Whole Farm Model, SFARMMOD) 相结合，以评估气候变化对耕地格局的影响程度[7] 。

　　未来气候变化与人类活动对耕地格局的贡献程度，大都采用土地利用变化模型结合经济模型来分别模拟是否考虑气候变化影响的耕地格局的变化，将两者的差别作为气候变化贡献程度的考量[8-9] (表1)。具体做法是，首先选择土地利用变化模型结合未来社会经济情景对未来耕地格局进行模拟，定量分析未来社会经济活动对耕地格局变化的影响;随后将土地利用变化模型，同时结合未来社会经济情景和气候变化情景对未来耕地格局进行模拟，对比单纯社会经济情景下耕地格局分布情况，由两者差异定量气候变化对耕地格局的贡献程度。Tubiello 等使用农业生态地带模型 (Agro-Ecological Zones, AEZ) 和全球粮食贸易基本链接系统模型 (Basic Linked System, BLS)，对2080年是否考虑气候变化影响的全球耕地分别进行了模拟，定量评价了未来气候变化和人类活动对耕地格局的贡献程度[8] 。Rutten 等将 CLUE 模型和一般均衡模型 (Modular AppliedGeNeral Equilibrium Tool, MAGNET)相结合，模拟只考虑经济增长和同时考虑经济增长与气候变化两种情景下2030年越南土地利用的变化，定量区分未来气候变化和经济增长对土地利用的相对作用[9] 。模型分析是研究和掌握耕地利用变化系统运动规律的有力工具，可以实现未来耕地格局变化的模拟[29] 。但是，模型的应用也受到参数获取困难、客观条件复杂、验证标准和规范参考数据的缺乏以及假设条件的限制。

　　2.2 数理统计法

　　数理统计法多用于分析气候变化和人类活动的具体因素对耕地格局变化的贡献程度。应用较广泛的有Logistic回归分析[10] 、主成分分析[13] 、面板回归分析[14] 以及其他基于机理的统计模型[18-19] 等(表1)。

　　Logistic回归模型适用于二分类因变量的回归分析，常用来研究耕地格局变化的驱动机制。自变量对因变量的贡献程度由回归中的发生比率(odds ratio) 或边际效应来定量解释，也有研究采用层次划分法 (即通过方程是否包含某自变量的差别) 来确定自变量的相对贡献[30] 。目前大多数研究以区域为整体，考察因变量与自变量之间的时间序列关系。如Newman等使用Logistic回归分析牙买加岛的气候变化和经济要素对耕地的影响程度[10] 。Schweizer等使用逐步Logistic回归考察1938-2010年美国密西西比河滨海平原土地利用变化的驱动力贡献[11] 。另一些Logistic回归则基于截面数据，大多数的农户调查属于这种情况。如郝海广等使用农户调查数据结合Logistic回归，分析了中国内蒙古太仆寺旗农户差异对耕地流转的贡献程度[12] 。以上只能研究因变量对自变量的依赖关系，对因果关系的解释则需要借助相关理论。因此，有学者结合协整分析和格兰杰(Granger)因果关系检验以解决这类问题[31] 。如刘庆等运用协整分析与Granger因果关系检验法来验证驱动因子与长、株、潭城市群耕地数量变化的内在关系[31] 。

　　对回归分析而言，一个突出的问题就是变量之间存在的共线性[32] ，学者们通过随机抽样、相关系数检验、岭回归、主成分分析与回归分析相结合等方法来协助解决这类问题[13, 33] 。比如，Du等将主成分分析和回归相结合对江苏省土地利用变化的驱动力的贡献程度进行研究[13] 。但是，主成分分析只注重尽可能多的概括自变量系统中的信息，对因变量的解释考虑欠妥。

　　面板回归分析能够明确考虑变量之间的异质性，削弱变量之间的共线性，比起单纯的时间序列或截面数据，能更好地处理动态现象。如Gollnow等使用面板回归中的固定效应模型，研究了2001-2012年巴西亚马逊地区大豆种植和牧场扩张对弃耕的贡献程度[14] 。需要指出的是，传统的面板回归模型对数据的空间相关性和空间依赖性的体现还有欠缺。与包含自回归和分布滞后模型的动态计量经济模型相结合的空间面板模型，考虑了个体、时间因素的同时，也重视了数据的空间性，克服了以往研究中的模型误设与估计偏差等问题，是研究耕地格局变化归因的一种新方法。Upton等使用随机效应模型和空间自回归随机效应模型分析了爱尔兰地区的自然、经济和政策因素对耕地转换的贡献程度[16] 。吴莉等建立线性回归模型、空间滞后模型、空间误差模型、地理加权回归模型等分析环渤海区域各驱动因子对耕地格局的相对作用[17] 。

　　另外一些学者从影响耕地格局的理论出发，致力于揭示区域耕地转移与气候变化和人类活动具体因素间的“原因—表象”的复杂关系，建立基于机理的统计模型。如战金艳等构建包含不同耕地格局变化过程的江西省土地用途转移驱动机理模型，定量分析了各因素的贡献程度[18] 。张乐勤等基于人口、富裕度和技术随机影响模型 (Stochastic Impacts by Regression on Population, Affluence and Technology, STIRPAT)，揭示了 1996- 2011年人口、经济发展和技术因素对中国耕地变化的边际贡献[19] 。

　　由于操作简单，数据可获得性强，数理统计分析在耕地格局变化探因中应用较广。但是，该方法简单假设耕地变化与驱动因子之间的各种关系，关于耕地格局对气候变化和人类活动响应机理的理解不够透彻，因此在自变量选择时会面临共线性、空间自相关性、非标准化和全面合理性之间的矛盾。数理统计分析在一定程度上能够给出气候变化和人类活动的具体因素 (如气温、降水、经济、人口等) 对耕地格局变化的贡献程度参考，但不能得出具体因素贡献程度的空间分布差异，对于区分气候变化和人类活动这两大整体的综合贡献程度也有一定的局限性。

　　2.3 框架分析法

　　框架分析，又叫概念模型，从描述景观的变化状态、景观内部的过程以及景观随时间响应的一般系统理论发展而来。驱动力—压力—状态—影响—响应模型 (DriversPressures-State-Impact-Responses, DPSIR) 是使用最广泛的系统框架分析[34] 。具体做法是，基于理论分析建立的框架，选择一系列合适的驱动力指标，基于文献分析 (如编年史、地方志、政府报告、政府档案记录等)，辅以专家访谈，确定驱动力与不同类型土地利用变化的因果关系，将所有驱动力对所有土地利用变化过程是否产生影响进行1~0赋值，加和得到不同驱动力的重要值，进而定量每种驱动力的相对作用。Benini 等基于 DPSIR框架对意大利北部拉莫内河流域1976-2003年农业土地利用变化的原因进行研究，识别了主要驱动因素的贡献程度[35] 。除此之外，Bürgi等提出了系统定义—系统分析—系统综合框架[36] 。系统定义主要包括对研究区、研究成果、时空分辨率以及感兴趣的景观要素的详细定义与说明。系统分析包括自然景观要素的变化与恒定、参与者与制度、驱动力三部分。系统综合将系统分析中的三部分通过因果关系联系起来，从而确定各因素对景观格局的影响程度。Hersperger等使用此框架构建了重要值指标，分析瑞士不同时期和不同尺度上政治、经济、文化、技术和自然因素对土地利用城市化、农业集中化和绿化的贡献[20] 。随后，Slätmo等提出了压力—冲突—诱因—触发框架 (Pressures-FrictionsAttractors-Triggers) [37] 。压力是对土地利用长期施加的因素 (政治、经济文化和技术等);冲突是抗拒改变的因素，阻止、减缓或者改变土地利用变化的方向;诱因通常指区域本身的具体自然特征;触发是那些直接即时刺激土地利用发生变化的因素 (如新公路的开放)。Beilin等应用此框架定量分析了葡萄牙和瑞典耕地弃耕的国际、国家和局地尺度的驱动力的贡献程度[21] 。相比较其他方法而言，框架分析有着较为深厚的理论基础，并且对因果关系的解释更为全面合理。但是这种方法一般基于指标计算，在涉及到权重选择时难免会有一定的主观性的存在。

　　2.4 指标评价法

　　指标评价法是指研究者选择表征土地利用变化的直接指标 (土地变化转换率或土地变化面积比率等)，确定包含土地利用变化的驱动因子(如政治、经济、文化、技术和自然等) 与参与者尺度 (如国际、国家、州、自治市、规划局、组织、集体、个体和农户尺度等)，将长时间序列的土地利用变化指标以图表的形式展现给访谈对象(包含农民、政府人员、规划人员以及史学工作者等)，开展包含自由讨论和综合考量各类驱动因子与参与者尺度的多轮访谈，辅以相关历史时期的书面资料，定量各驱动因子对土地利用变化的贡献程度。如Kelarestaghi等将土地利用变化面积比率作为公共指标来衡量自然因素和人为因素对伊朗北部土地利用变化的影响[22] 。Schneeberger等使用土地变化转换率，结合专家访谈法，定量分析了瑞士阿尔卑斯山北部边缘地区的政治、经济、文化、技术和自然因素分别在不同参与者尺度上对土地利用影响的贡献程度[23] 。这种方法简便易行，实现了气候变化与人类活动对耕地格局变化的贡献程度的定量评价，但是存在空间差异无法体现的问题。

　　2.5 差值比较法

　　差值比较法常用于区分气候变化与人类活动整体的综合贡献程度。一般过程是，选择表征耕地格局的某些间接指标(如植被指数或净初级生产力)，气候变化对耕地格局的影响通过模拟此指标在不考虑人类活动，只考虑气候变化影响下的潜在值来衡量，人类活动对耕地格局的影响通过此指标的潜在值与真实值的差值来衡量，不同时段内气候变化和人类活动对耕地格局的贡献程度通过潜在值与差值的变化趋势来衡量。如高志强等基于20世纪80年代生态分区不变，分离出1980-2000年东西与南北方向上气候变化与人类活动因素对土地利用程度影响的各自比例[24] 。该方法为耕地格局变化贡献归因的研究提供了新思路，但未能将各自贡献程度在空间上进行表达，忽略了驱动力作用的空间差异。

　　归一化植被指数(Normalized Difference Vegetation Index, NDVI)残差趋势法可以剥离干旱地区气候变化和人类活动对耕地格局的影响程度，并实现空间表达。具体做法是，基于干旱地区NDVI与降水存在的显著相关关系，建立降水和NDVI之间的预测方程，将基于降水推算的不受人类干扰时的NDVI预测值与真实值之间的残差，归因为人类活动的影响。如Herrmann等应用NDVI残差趋势法对非洲萨赫勒地区耕地变化的人为因素的贡献范围进行了分析[25] 。除此之外，降水利用率 (即降水与累积NDVI或NPP的比值) 也可以作为衡量耕地退化程度的指标。Wessels等对比了降水利用率及NDVI残差趋势法对衡量南非地区人类活动导致耕地退化的能力，发现NDVI残差趋势法的效果更好一些[26] 。以上方法主要适用于区域植被的生长与多年平均降水和年际降水变率关系非常密切的干旱—半干旱地区。应用这种方法的关键在于对降水和NDVI的关系进行检验分析。但是即使这些地区，不同区域植被类型并不都与降水存在显著相关性。而且降水不是影响土地覆被的唯一自然要素，其他因素诸如温度和土壤质量等因素也应考虑进来[26] 。

　　许端阳等在进行中国鄂尔多斯沙漠化过程研究中，将潜在NPP作为气候变化对NPP 的影响，人类活动对NPP的影响通过潜在NPP与实际NPP的差值来衡量，从空间上定量评价了气候变化和人类活动对沙漠化过程的贡献程度[27] 。这类方法基于遥感数据，对土地利用变化过程的归因能够实现长时间多尺度的空间辨识，对耕地弃耕与开垦过程中气候变化和人类活动贡献程度的分析有一定的启发。但是，对于气候变化和人类活动的具体因素 (例如过度放牧或人为耕作) 对耕地格局变化的影响，还需辅以更具体区域上更高分辨率的遥感数据和野外调查。

　　3 耕地格局变化的贡献归因

　　3.1 气候变化对耕地格局变化的贡献程度

　　3.1.1 过去气候变化对耕地格局的影响 气候变化会在某种程度上改变区域水循环和环境，影响作物耕作系统、耕地生产力以及土地利用类型和方式，进而引起耕地时空格局的变化[10, 38-40] 。气候增暖对以温度为限制因子的中国北方耕地面积的增加起到了促进作用，与1970年相比，2006年东北地区水稻耕作的重心从128°52′E、45°37′N移至129°53′E、 46°29′N，向北移动80 km[38] 。气候变暖已然驱动黑龙江省水稻种植界限从48°N向北移至 52°N，其面积从20世纪80年代的22×104 hm2 扩展到了2007年的225×104 hm2 [39] 。另外，随着20世纪80年代以来≥ 10 ℃积温的增加，中国共有3.16×107 hm2 的耕地从春小麦适宜区变为冬小麦适宜区[40] 。在山区，由于地形变化导致的温度改变，影响着作物的适宜区[41] 。20世纪80年代末至2008年，中国耕地重心海拔逐渐升高且持续向北移动。若分别保持海拔和纬度不变，与耕地减少区相比，耕地增加区会分别北移 0.5~1 个纬度和升高 100~200 m[42] 。同时，降水也影响着耕地格局的变化。如牙买加岛2001-2010年最干月降水每增加100 mm，毁林开荒的可能性增加8%[10] 。对2000-2005年中国耕地而言，耕地向林地转换的主要驱动因素是大于50 mm的降雨月数(其权重极差为2.065)[28] 。

　　3.1.2 未来气候变化对耕地格局的影响 有些学者结合未来气候情景数据对耕地格局的变化进行了预测。对热带生态系统而言，湿度和极端高温限制着生长季的长度，有中等信度表明，生长季的长度和作物的整体适宜性会下降[43] 。Lane 等使用作物机理模型 ECOCROP结合气候情景数据，预测了未来全球43种作物的分布。到2055年，适宜耕地面积会增加，但是典型寒冷作物的分布面积会有明显的减少，比如小麦面积会减少 18%。欧洲耕地适宜面积会增加3.7%，南极洲和北美洲也会有3.2%和2.2%的增加，而撒哈拉以南的非洲和加勒比海地区适宜耕地面积会减少2.6%和2.2%[44] 。到2050年，非洲大部分国家会有超过 50%的耕地不再适宜种植[45] 。由日本国家气象局气象研究所(Meteorological Research Institute, MRI) 基于全球大气环流模式 (General Circulation Model-version 2, CGCM2) 所预测的未来气候情景下，2081-2100年，日本水稻的种植范围会向北移动约100~200 km[46] 。2005-2035年，在IPCC SRES A1B和A2情景下，中国鄱阳湖地区耕地预计增加3%和2.3%，B1情景下耕地减少1%[47] 。在IPCC SRES A2和B1气候情景下，与1961-1990年相比，2011-2050年80%和50%保证率的春玉米早熟、中熟品种种植北界平均向北移动1.8~2.3个纬度和1.2~2.6个纬度，黑龙江省和辽宁省的春玉米晚熟品种北界平均向北移动2.0~3.9个纬度和0.4~1.7个纬度[48] 。

　　3.2 人类活动对耕地格局变化的贡献程度

　　全球化、城市化和工业化等人类活动深刻影响着农民的生活和土地利用方式，进而影响耕地分布。例如，经济发展及城市化会导致耕地面积的减少[49] 。1978-2007年中国城市化水平和地方财政收入每增加1%，耕地面积分别减少0.05%和0.03%[50] 。江苏省1997- 2008年城市化水平每提高1%，耕地面积减少0.18×104 hm2 [51] 。成都市1978-2007年城市化水平每提高1%，耕地面积减少5671.40 hm2 [52] 。

　　人口增加会导致对矿产、土地和水资源需求的增加，驱动耕地非农化[10, 18] 。江西省 1988-2005年人口每增加1%，将导致耕地向建设用地转移0.802%;农业人口比重每增加 1%，将导致耕地向林/草地转移1.131%[18] 。张海东等认为目前非农人口比例对耕地面积变化的作用已经超过了总人口;相同条件下，当浙江省总人口和非农人口比例各增加1% 时，耕地面积分别减少0.90‰和1.33‰[33] 。

　　区位和交通条件也是影响耕地格局变化的主要因素。有研究表明，距离农村居民点越远，耕地弃耕的可能性就越大[11] 。对1990-2000年俄罗斯斯摩棱斯克、卡卢加、图拉、梁赞和弗拉基米尔五省份(以下简称俄罗斯五省份)而言，到居民点的距离每增加1 km，弃耕的可能性增加8%[30] ;1985-2000年间中国内蒙古翁牛特旗，到居民点的距离每减小 1 km，耕地开垦的概率将增大1.6倍[53] 。与此同时，耕地弃耕的可能性会随着到公路与城镇距离的增加而减少。对1999-2006年的中国浙江富阳市而言，到公路与城镇的距离每增加100 m，农用地被转化的风险分别降低0.9802倍和0.9704倍[15] 。森林面积越大，到森林的距离越近，耕地弃耕的可能性越高。如智利南部地区1985年每增加1 hm2 的天然林，弃耕的可能性增加0.23%;到智鲁岛国家森林公园的距离每减少1 km，弃耕的可能性增加0.45%[54] 。后社会主义的俄罗斯五省份也有同样的规律，离森林界限每增加100 m，耕地弃耕的可能性降低4%;而处于森林中的耕地距森林界限每增加100 m，弃耕的可能性增加48%[30] 。另外，耕地变化与周边相邻土地利用方式高度相关。1999-2006年，中国浙江富阳市农用地距离最近的建筑用地每增加 100 m，被转换的几率下降 0.6703 倍[15] 。对 1998-2008年江苏省而言，当邻近地区耕地面积减少1%时，本区耕地面积也减少0.154%[55] 。

　　不同政体或时期的土地利用政策和移民政策的差别，会影响人们对耕地开垦与弃耕的态度[15, 54] 。一般而言，耕地保护政策会降低弃耕的可能性。智利南部地区农业补贴的出现使得弃耕的可能性降低了19%[54] ;中国浙江富阳市的研究发现，每增加1单位的土地保护政策，农用地转换风险降低1.0231倍[15] 。——论文作者：石晓丽1, 3 ，史文娇2

文章名称：气候变化和人类活动对耕地格局变化的贡献归因综述

文章地址：http://www.sciqk.com/lwfw/nylw/12652.html