量化生态恢复中的时间滞后和景观阈值：以喀斯特生境质量为视角

《Ecological Indicators》：Quantifying time lags and landscape thresholds in ecological restoration: a karst habitat quality perspective

　　水丽|杨萍萍|周忠法|班中山贵州师范学院喀斯特科学学院，贵阳550001，中国

摘要

尽管全球在生态工程（EE）上投入了大量资金，但其长期效果在喀斯特地区的量化仍不明确，尤其是在EE干预下景观模式如何影响生境质量（HQ）方面。因此，本研究旨在系统地评估EE实施后HQ的时空演变、耦合特性和驱动机制。我们整合了多源遥感数据、InVEST模型、二次回归、熵求和以及随机森林（RF）方法。研究结果表明，人类活动加剧了景观破碎化，导致区域HQ下降了1.37%。在三种EE类型中——自然保护（NC）、人为干预（HI）和地形优化（TO）——NC达到最快的效益峰值（5.89年）并在提升HQ方面表现最好（年增长0.126），同时抑制了退化（年退化程度下降0.002）。TO显示出长期的改善潜力（峰值在18.26年），而HI虽然提升了HQ，但未能同时控制退化。景观模式分析确定香农多样性指数（SHDI）是最敏感的环境因素（熵权重0.202），聚合指数（AI，不要与人工智能混淆）是塑造HQ空间模式的主导因素（RF重要性=0.187）。海拔（ρ=0.54）和降水量（ρ=0.43）显著促进HQ，而温度（ρ=?0.28）抑制生态恢复。基于这些结果，我们提出了一个分析框架，从三个维度评估生态恢复的有效性：净工程效益、效益的时间动态以及景观模式的阈值响应。该框架支持在喀斯特和类似脆弱生态系统中进行精确的生态恢复决策。

1. 引言

生境质量（HQ）是评估区域生态系统功能、生物多样性和生态系统服务（ES）承载能力的关键指标（Caro等人，2020；Gomes等人，2021；Yang，2021），反映了某一地区支持物种生存、繁殖和整体福祉的程度（Mortelliti等人，2010；Tian等人，2025）。在这种背景下，生态工程（EE）可以通过恢复区域水文过程、调节景观结构模式和实施有针对性的生境干预来有效提升HQ（Liu等人，2024）。这种方法从而促进了退化景观中生态系统服务的整体恢复。

全球范围内，生态系统服务受到严重退化，原因是人口快速增长、极端气候事件和土地利用变化（Chen等人，2022；DeFries和Pagiola，2005；Yu等人，2022）。喀斯特地区由于明显的人地冲突（Cheng等人，2020；Zhang等人，2024b）、地形破碎化和高度的生态敏感性（Wen等人，2024），面临特别严峻的挑战。其独特的“地表-地下”双重结构常常导致地下河流系统退化，并加剧地表干旱（Jiang等人，2014；Nasir Ahmad等人，2020；Yang等人，2025）。例如，在贵州省志津县，严重的岩石沙漠化严重限制了区域的可持续发展（Lu等人，2022；Zhang等人，2016）。此外，这些地区的浅层土壤和高比例的基岩暴露导致生态承载能力低下，植被极易受到损害（Bussotti和Pollastrini，2020），从而降低HQ。

为了应对联合国生态恢复十年计划和国家生态计划等举措（Urzedo等人，2022；Zhang等人，2021b），政府实施了各种EE项目来应对这些严峻的生态挑战（Yin和Yin，2010）。EE通过植树造林等措施可以显著改善区域HQ。虽然城市化和人为干扰会显著降低HQ（Ren等人，2022；Zhao等人，2022；Zhu等人，2020），但EE已被证明可以显著改善它（Sun等人，2019；Yan等人，2018）。全球实施了众多EE项目，如天然林保护项目和退耕还林计划（Fu和Yan，2023；Wei等人，2022；Xu等人，2022）。因此，迫切需要定量评估EE对HQ的效益，以提高恢复效率。由于其效率和可视化优势，像InVEST这样的模型被广泛用于HQ评估，尽管它们在捕捉细微变化方面存在局限性（Luo等人，2024；Sherrouse等人，2014；Zhang等人，2021a）。

目前关于HQ的研究主要集中在其时空演变和驱动因素上（Ma等人，2025；Mondal等人，2024），而生态恢复研究则主要集中在其对生态系统服务的影响上（Niu等人，2023；Yu等人，2023；Zhou等人，2020）。然而，一个关键问题仍未解决：景观配置与时间的相互作用如何影响不同EE类型的有效性？由于缺乏实证定量证据，非线性阈值和时间滞后效应的存在仍然很大程度上是假设性的。这一知识空白限制了我们预测EE长期轨迹的能力，并限制了其精确实施的机会。

为了解决这个问题，我们以中国西南部典型的岩石沙漠化控制区志津县作为案例研究。通过整合多源遥感数据、景观模式指数、InVEST模型和二次回归分析，我们系统地评估了2000年至2020年EE下HQ的时空演变和耦合机制。本研究旨在（1）探讨景观模式和HQ之间是否存在非线性或阈值效应；（2）量化不同EE类型达到HQ效益峰值的时间。因此，从喀斯特HQ的角度出发，本研究在设计分析框架、解释模型结果和推导恢复阈值时，明确考虑了该地区的独特生态条件，如浅层土壤和高比例的基岩暴露。这一视角至关重要，因为这些特征从根本上改变了土地利用变化、景观模式和HQ之间的关系。

2. 材料与方法

2.1. 研究区域

见图1，志津县（2865.28平方公里）位于贵州中部，毕节市东南部，处于黔西高原和黔中丘陵盆地的过渡带。海拔范围从859米到2265米。西部地形高度破碎，而东部地形相对开阔。北部地区遭受严重的岩石沙漠化。气候属于北亚热带高原湿润气候，年降水量为1098.36毫米，平均温度为12.44摄氏度，潜在蒸发量为974.61毫米。 黄土土壤占主导。志津县的岩石沙漠化面积为515.05平方公里（占毕节县总面积的10.37%）。极度严重、严重、中等和轻微的岩石沙漠化比例分别为0.49%、1.99%、11.5%和5.51%。

2.2. 生态工程概述

来自志津县的林业调查数据显示，迄今为止已实施了六个项目：天然自然资源保护项目、重点公益森林管理项目、三北和长江流域防护林体系建设项目、岩石沙漠化控制项目、退耕还林项目以及其他林业项目。本文根据管理措施将这些项目分为三类主要的EE类型。第一类是自然保护工程（NC），主要遵循“保护优先”的原则。它明确界定公共森林分类并实施严格的管理，通过围护保护等措施减少人为干扰，促进自然生态系统的恢复。这一类别包括天然自然资源保护项目和重点公益森林管理项目。第二类是人为干预项目（HI），主要针对严重岩石沙漠化和生态退化的地区。这些项目采用基于林业的措施引入积极的人为干扰，改善生态系统条件。例如三北防护林项目、长江流域防护林项目和岩石沙漠化控制项目。第三类是土地利用优化项目（TO），主要通过将其他土地类型转换为林地来调整土地利用模式。例如退耕还林项目和其他林业举措。表2提供了详细信息。此外，本研究还包括未实施任何项目的区域作为对照组（其他），以评估生态恢复措施的影响。

2.3. 数据来源

研究中使用的EE数据来自县林业局的森林调查数据，涵盖工程类别、土壤层厚度、树干直径、植被覆盖度、树高、林分密度和木材体积等关键参数；喀斯特沙漠化数据来自国家喀斯特沙漠化防治工程技术研究中心（https://sck.gznu.edu.cn）。森林调查数据和喀斯特沙漠化数据都经过了脱类处理，不包含地形等机密数据，仅用于研究目的。根据研究要求，这两种数据均使用ArcGIS 10.8进行处理，达到30米的空间分辨率。具体数据来源见表3。

2.4. 研究指标和计算方法

2.4.1. 景观模式指数

景观模式指数使用Fragstats 4.2估算，该软件为不同的土地利用类型提供了多种景观指标（Chen等人，2023）。从软件中选择了六个景观模式指数以满足研究需求（Inkoom等人，2018b；Jia等人，2019），分为三个功能组：（1）空间配置（PD，ED）表征景观破碎化；（2）组成结构（SHDI，LPI）反映土地利用多样性和优势性；（3）功能属性（AI，DIVISION）评估生态连通性和隔离性，详见表4。采用移动窗口方法为志津县选择了100米见方的网格窗口，以便可视化景观模式指数，从而进行这些指数和HQ的时空分析。这一尺度有效捕捉了喀斯特地区驱动HQ响应的局部景观过程，同时确保了计算的稳健性和生态解释性。

2.4.2. 生境质量

HQ和退化程度使用InVEST模型计算（Sallustio等人，2017）。建设用地代表人类活动对生态系统最直接的威胁，而耕地和未利用土地作为半自然和半人工环境，也对生态系统构成一定程度的威胁。因此，本研究将开发用地、耕地、交通用地和未利用土地确定为威胁因素。相关参数，如威胁因素权重和最大影响距离（表5），以及敏感性值（表6），参考了INVEST模型和现有关于喀斯特地区的研究推荐的值（Li等人，2024b；Wei等人，2023；Wu等人，2023）。鉴于志进县在地理位置、气候类型、地貌（喀斯特地形）和关键生态问题（例如，岩石荒漠化）上与这些现有喀斯特研究覆盖的区域（贵州省）相似，本研究采用的参数集合理地反映了当地栖息地所面临的一般威胁状况。HQ和退化程度（DD）的计算公式分别见公式（1）和（2）：
(1) Qxj = Hj / (DxjZ + kZ)
(2) Dxj = Σ_r=1_N Σ_y=1_Y rω_r yiry irxy βxSjr
其中Qxj和Dxj分别代表HQ和DD；Hj表示栖息地适宜度；k是半饱和常数（0.5）；z是模型默认参数（2.5）；N代表威胁因素的数量；Yr是网格单元y中威胁因素的总数；ωr是威胁因素的影响权重；ry是网格单元x中威胁因素的数量；irxy是威胁因素的影响范围；βx是网格单元x的可达性水平；Sjr表示土地利用类型j对威胁因素r的敏感性。

表5. 威胁因素的权重分配和最大影响距离
威胁因素 最大影响距离（km） 权重 衰减类型
耕地 10.7 线性衰减
建设用地 5 指数衰减
交通用地 5 线性衰减
未利用土地 20.4 线性衰减

表6. 土地类型对威胁因素的敏感性
土地类别 栖息地适宜度
耕地 0.3 0.3 0.9 0.5 0.3
林地 10.8 10.8 0.4 0.7 0.8 0.6
草地 0.6 0.8 10.8 0.4 0.6
水域 0.9 0.6 0.8 0.6 0.3
人工表面 0 0 0 0 0

为了更直观地考察研究区域内HQ的时间变化，计算了每个研究年份的总HQ分数。根据Wu等人（2023）的方法，HQ等级被分为五个级别：差 [0–0.4)、一般 [0.4–0.6)、中等 [0.6–0.7)、良好 [0.7–0.9] 和优秀 [0.9–1]。每个等级的中位数乘以相应年份的面积比例，得出HQ总分数。

2.4.3. 二次回归模型
为了捕捉景观格局与HQ之间的潜在非线性关系和阈值效应，我们系统地比较了五种功能形式——线性、对数、指数、幂函数和二次回归（拟合结果见第3.3.1节）。详细计算见公式（3）、（4）、（5）、（6）、（7）。二次回归模型表现出最佳性能（R2 > 0.90，p < 0.001）。为了比较不同启动点下的EE影响，本研究采用“项目实施期限”作为统一的时间变量进行建模。为了控制区域气候和宏观政策等共同背景趋势的干扰，我们计算了每种EE类型的HQ和退化程度（DD）与未实施项目区域（其他）的年度差异序列（ΔHQ和ΔDD）。为了在可比较的时间框架内统一评估不同启动年份的EE项目的有效性，本研究将2000年定为所有分析的统一时间基准（x = 0），以2020年为终点（x = 20）。参照表2，对于较早启动的人类干预（HI）项目（1989年启动），建模区间内的负起始值（-11）仅表示该项目在基准年（2000年）之前已经实施了11年，估计的峰值效益时间表示从该基准时间达到峰值所需的额外时间。这种方法确保所有项目类型在相同的气候和政策背景下进行评估，从而实现公平比较。模型形式如下：
(3) y = ax + b
(4) y = a?lnx + b
(5) y = a?expbx
(6) y = axb
(7) y = ax^2 + bx

2.4.4. 熵加权方法
熵加权方法是一种通过综合考虑各种因素提供的信息内容来计算综合指标的数学方法。它也是一种客观的加权方法，因为它仅依赖于数据本身的内在离散特性。根据熵的特性，可以计算熵值来评估事件的随机性和无序程度，从而确定指标的离散程度：指标的离散程度越大，其对综合评估的影响就越大（权重）。详细计算见Jia等人（2006）。由于需要比较不同指标（PD、ED、LPI、SHDI、DIVISION、AI）的信息熵和权重，我们将它们标准化到[0,1]的范围内。

2.4.5. 随机森林建模
随机森林（RF）是一种集成学习方法，它结合了多棵决策树的预测来解决回归问题（Breiman，2001；Zhang等人，2024a）。在本研究中，使用RF来评估景观格局指数在预测HQ方面的作用。参数设置通过十折交叉验证进行了优化。最终模型使用了500棵树（ntree）和每次分割3个预测因子（mtry）构建。模型在MATLAB（版本号：R2024a）中使用TreeBagger函数实现，并设置了固定的随机种子以确保可重复性。

2.4.6. 决定性分析
由于存在分类数据，Spearman的相关系数被用来研究2020年喀斯特高原地区HQ与影响因素之间的关系（Jia等人，2019）。当参数假设不满足或存在非线性单调关系时，使用Spearman的相关系数。其值范围从-1到1，其中1表示完全正相关，-1表示完全负相关，0表示无相关。较大的绝对值表示更强的关联。通过计算相关系数，研究人员可以定量分析变量之间的关系，为后续研究提供关键参考。相关公式见公式（8）：
(8) ρ = 1 ? 6∑_i=1^n Di^2 / (n^2 ? 1)
其中Di表示任意两个变量之间的等级差，n表示样本量。

3. 结果
3.1. 景观格局的时空演变特征
3.1.1. 整体景观格局的时空变化
从2000年到2020年，志进县的景观格局呈现出日益 Fragmentation 和复杂性，表现为PD、ED、SHDI 和 DIVISION 的增加，以及 LPI 和 AI 的减少（图2）。这些变化表明，人类活动，特别是不透水面積增加了241.46%，将景观分割成更小、更众多的斑块。因此，斑块边缘变得更加密集和复杂，组成多样性增加，相似斑块之间的隔离加剧。这导致核心栖息地的萎缩，相似栖息地的分散，以及整体栖息地破碎化的加剧，表明生态系统结构更加不稳定。

下载：下载高分辨率图像（282KB）
下载：下载全尺寸图像
图2. 景观指数变化的趋势。
2020年的空间聚类模式进一步阐明了这些关系（图3）。PD、ED、DIVISION 和 SHDI 的空间模式主要表现为低-低（L-L）和高-低（H-L）聚类。中部、东部和南部地区的广泛L-L聚类表明低HQ与不利的景观格局相吻合。相比之下，LPI 和 AI 的空间模式主要是高-高（HH）和 H-L。HH 聚类主要分布在中部、东部和南部地区，强调了核心栖息地聚集对维持高生态功能的必要性。北部和东部地区受到更多的人类干扰，显示出密集和复杂的边缘、高分裂度和分散的斑块，导致栖息地更加破碎。
下载：下载高分辨率图像（662KB）
下载：下载全尺寸图像
图3. 2020年景观格局指数的聚类模式。
根据时间趋势（图2）和空间聚类模式（图3）的综合，可以推断在过去20年中，代表低LPI/AI（L-L）的聚类可能已经消退；与此同时，以高碎片化（PD/ED）为特征的地区在空间上扩展，导致原始L-L聚类的范围减少及其碎片化的相对加剧。相反，代表高LPI/AI的HH聚类也整体下降，表现出空间收缩。

注：误差条代表每年每个景观格局指数标准差（±1 SD）。某些数据点没有误差条是因为该景观指数在相应年份的空间变化很小。

3.1.2. EEA比较分析下的景观格局差异分析
EE，特别是NC和HI，有效缓解了整个地区观察到的景观碎片化趋势（图4）。2000年至2020年间，总面积经历了生态系统退化，PD、ED、SHDI 和 DIVISION 分别增加了28.09%、13.46%、13.79%和7.08%，而LPI 和 AI 分别减少了3.21%和2.35%。NC成为抑制栖息地损失最有效的策略，其LPI仅减少了0.2%，表现优于其他地区。SHDI值的顺序为 Other > Total > TO > HI > NC。TO地区内SHDI的减少（-3.04%）可归因于像“ Grain-for-Green”这样的措施，这些措施减少了土地利用多样性并增强了林地的主导地位。对于DIVISION和AI，所有三种EE类型（NC、HI、TO）的碎片化增加和聚集减少幅度都明显低于Total和Other地区。
下载：下载高分辨率图像（95KB）
下载：下载全尺寸图像
图4. 景观指数变化率（2000–2020）。

总之，尽管整个地区的生态系统结构有所退化，但生态保护项目在缓解景观碎片化、保护核心栖息地、维持生态连通性和增强区域生态系统稳定性方面表现出显著效果。

3.2. HQ的时空演变特征
3.2.1. HQ的时空变化和差异分析
从2000年到2020年，整体HQ表现出轻微的退化趋势（从0.8571下降到0.8454，-1.37%），同时退化程度（DD）也有所下降（从0.0742下降到0.0729，-1.75%）（图5）。这表明尽管当前的生态压力有所减轻，但未能扭转HQ的下降趋势。从空间上看，HQ表现出明显的异质性（图6）。HQ较高的地区（指数≥0.7）形成了连续的“中西部-南部”三部分格局，而质量较差的地区（HQ指数≤0.4）则分布在北部、东部和东北部的碎片化带状区域。动态变化分析显示，94.12%的领土上HQ保持不变（图7）。HQ改善的有限区域（ΔHQ > 0）分散分布在东部和东北部，而退化区域（ΔHQ < 0）在中心区域呈现出辐射状分布。

下载：下载高分辨率图像（172KB）
下载：下载全尺寸图像
图5. HQ和退化程度的时空变化。
下载：下载高分辨率图像（329KB）
下载：下载全尺寸图像
图6. HQ的时空分布。
下载：下载高分辨率图像（283KB）
下载：下载全尺寸图像
图7. 2000年至今HQ的空间变化。

EE在维持HQ方面的有效性得到了明显体现（图5）。NC保持了异常高且稳定的HQ（0.9676至0.9664）和最低且最稳定的DD，反映了其在抑制退化和保护生态完整性方面的优越能力。HI表现出HQ的轻微下降，但面临最高的DD，突显了恢复极度脆弱的岩石荒漠化地区的挑战，在这些地区，经济价值高但结构简单的森林对干扰的抵抗力较弱。TO显示出HQ的上升趋势（0.9419至0.9441），标志着其长期有效性的开始。Total和特别是Other地区HQ的显著下降（0.8463至0.8331）强调了EE在缓解区域HQ下降方面的重要作用。TO区域内DD的轻微增加表明需要采取保护措施来加速退耕地的土地覆盖。

3.2.2. HQ等级变化的分析
对HQ等级的分析提供了进一步的见解（表7）。“良好”等级表现出最显著的扩张，二十年间增长了145.95%。相反，“优秀”等级尽管占最大面积比例，却经历了持续下降（-2.81%），表明高质量生态系统逐渐丧失。总HQ分数（根据中位等级值和面积比例计算）从80.95降至80.12，证实了生态系统的轻微退化。2000年至2005年期间变化最为剧烈，“一般”和“良好”等级达到了它们的峰值增长率。

表7. HQ等级增长率的变化
等级 栖息地得分 面积比例 增长率（%）
2000 0–0.4 16.0 15.9
2005 0–0.6 16.0 16.3
2010 0–0.7 16.6 16.3
2015 0–0.9 16.3 16.6
2020 0–0.9 16.3 16.3
2000–2005 0–0.4 16.0 11.8
2005–2010 0–0.7 15.9 16.3
2010–2015 0–0.9 16.6 14.5
2015–2020 0–0.9 14.5 14.5

为了阐明HQ等级之间的转换机制，构建了2000–2020年的HQ等级转移矩阵（表8）。在此期间，“优秀”等级净减少了62.24平方公里，其中12.97平方公里转变为“良好”等级。同时，“良好”等级净增加了20.03平方公里，其中有12.97平方公里来自“优秀”等级的退化。此外，“优秀”等级主要转变为“中等”等级（41.63平方公里）和“较差”等级（35.07平方公里）。这一定量证据进一步证实了之前的推断，即“良好”等级的145.95%增长率主要归因于高质量栖息地的退化，而非低质量栖息地的改善，显示出区域HQ从较高等级向较低等级的净退化趋势。

表8.2000–2020年HQ等级转换矩阵（平方公里）。2000至2020年
差
良
中等
好
优秀
总计2000年
差：435.5
0.2
17.7
0.5
9.9
10.4
459.8
良：0.19
12.6
0.4
10.1
5.2
14.9
中等：6.6
0.5
6
14
0.6
9
1.5
17.3
7
166.7
好：0.18
0.0
0.1
3
13.1
5
0.2
13.7
3
优秀：35.0
7
2.1
24
1.6
3
12.9
7
21
25.4
9
22
17.2
总计2020年：477.5
8
15.5
3
190.5
6
33.7
21
55.0
5
287
2.4
7
3.3. 模型耦合分析
3.3.1. 模型耦合分析与最优函数形式的选择
为了确定景观格局、生态效率（EE）和HQ之间的关系，我们对每个数据序列拟合了五种常见的参数函数（线性、对数、指数、幂函数和二次函数）。这些函数代表了多种简单的形式。我们的目标是识别出能够充分描述数据且不发生过拟合的最简单模型，并测试该模型在统计学上是否有效。表9列出了每种函数的R2值。对于所有景观指标和大多数时间序列，二次回归 consistent 地产生了最高的R2值（大多数超过0.92），表明存在明确的峰值或低谷。因此，我们选择了二次模型进行进一步的阈值分析。这表明景观格局对HQ的影响涉及复杂的非线性机制和显著的阈值效应。
表9. 五种回归函数在时间和景观格局数据上的R2值
| 类型 | 函数类型 | R2 | p值 |
| --- | --- | --- | --- |
| 线性 | | 0.371 | 2 |
| 对数 | | 0.370 | 6 |
| 指数 | | 0.371 | 2 |
| 幂函数 | | 0.370 | 6 |
| 多项式 | | 0.506 | 4 |
| <0.01 |
| NC | | 0.519 | 4 |
| | 0.518 | 5 |
| | 0.519 | 3 |
| | 0.518 | 4 |
| 0.743 | 2 |
| <0.001 |
| TO | | 0.869 | 8 |
| | 0.870 | 4 |
| | 0.869 | 7 |
| | 0.870 | 3 |
| | 0.929 | 3 |
| <0.001 |
| 其他 | | 0.910 | 8 |
| | 0.910 | 2 |
| | 0.909 | 6 |
| | 0.909 | 0.974 | 8 |
| <0.001 |
| 总计 | | 0.907 | 1 |
| | 0.906 | 4 |
| | 0.906 | 0.905 | 3 |
| | 0.974 | 7 |
| <0.001 |
| 景观格局指数拟合 | | 0.958 | 5 |
| | 0.946 | 8 |
| | 0.957 | 8 |
| | 0.946 | 0.986 | 9 |
| <0.001 |
| LPI | | 0.889 | 7 |
| | 0.892 | 4 |
| | 0.888 | 8 |
| | 0.891 | 5 |
| | 0.924 | 6 |
| <0.001 |
| ED | | 0.969 | 4 |
| | 0.965 | 2 |
| | 0.968 | 9 |
| | 0.964 | 6 |
| | 0.984 | 7 |
| <0.001 |
| DIVISION | | 0.887 | 6 |
| | 0.880 | 8 |
| | 0.886 | 6 |
| | 0.879 | 7 |
| | 0.926 | 6 |
| <0.001 |
| SHDI | | 0.940 | 4 |
| | 0.932 | 3 |
| | 0.939 | 5 |
| | 0.931 | 3 |
| | 0.986 | 7 |
| <0.001 |
| AI | | 0.969 | 6 |
| | 0.970 | 3 |
| | 0.969 | 1 |
| | 0.984 | 7 |
| <0.001 |
3.3.2. EE与HQ效应分析
3.3.2.1. EE与HQ之间阈值效应的分析
为了探索EE恢复效应的时间模式，我们为HQ和DD构建了二次回归模型。使用公式3计算了每种工程类型的HQ和DD的峰值时间，反映了从基线年（2000年）项目达到最大生态效益或退化风险所需的时间。如图8所示。
下载：下载高分辨率图像（416KB）
下载：下载全尺寸图像
图8. 随时间变化的HQ和退化程度的二次回归模型。
NC达到了最高的HQ水平，并且作用最快，HQ大约在5.89年达到峰值。这反映了自然保护在促进生态系统恢复方面的快速有效性。然而，注意到存在土壤退化的潜在短期风险，因为DD在大约6.21年达到峰值，可能是由于初始冠层闭合消耗了土壤有机物。HI可以迅速减少DD，但HQ的改善缓慢。HQ的峰值改善需要大约16.53年，表明HI对退化基质的转化是一个长期且具有挑战性的过程。TO显示出最慢的HQ改善（大约在18.26年达到峰值），其特点是先恶化后改善。土地利用的变化最初暂时加剧了退化，DD在大约12.92年达到峰值，然后逐渐出现了积极的生态效益。相比之下，其他区域的HQ持续下降，突显了EE的必要性。
3.3.2.2. EE与HQ的净效应分析
净效应分析（图9）表明，三种EE类型的ΔHQ在整个研究期间都保持正值并呈现上升趋势。计算出的极值时间均为负值（HI：?1.34年；NC：?1.45年；TO：?3.82年），确认项目区域在研究开始时已经具有净HQ优势。净效益模式明显不同：NC在提高HQ（平均ΔHQ=0.126）和抑制退化（平均ΔDD=?0.002）方面表现最佳；TO在适度HQ改善（平均ΔHQ=0.102）和有效退化缓解（平均ΔDD=?0.001）之间取得了平衡；而HI虽然提高了HQ（平均ΔHQ=0.117），但未能同时控制退化（平均ΔDD=0.003），反映了其生态效益的局限性。
结合之前的阈值分析，EE的净栖息地效应显示出持续的增长，没有观察到原始序列中的峰值。这反映了在区域共同环境背景下EE效益的全面时间动态。一旦减去背景趋势，EE的净效应（ΔHQ）显示出持续的增长特征，表明原始序列中的峰值可能受到区域背景因素的影响，而不是EE效益达到饱和点。
3.3.3. 景观格局与HQ之间阈值效应的分析
二次回归模型进一步阐明了景观格局指数与HQ之间的非线性关系和最佳阈值（图10）。PD的最佳阈值为25.57。过度的斑块聚集（PD过低）和过度破碎化（PD过高）都被发现会损害生态功能。ED在103.67处显示出明显阈值。低于此值，HQ增加，可能受益于积极的边缘效应（例如，生态过渡带提供资源）。超过此阈值，负面效应（例如，土壤蒸发增加，核心栖息地缩小）占主导，导致HQ下降。LPI在74.86%时达到峰值，表明足够大的核心栖息地面积，在保留约25%的辅助栖息地的同时，支持最高的HQ。偏离这一平衡，无论是向哪个方向，都会降低HQ。
3.4. 驱动机制分析
3.4.1. 景观格局指数中主导因素的识别
熵权方法和随机森林之间的权重差异为差异化生态管理提供了科学依据（表10）。熵权方法表明SHDI具有最高的权重（0.202），显示出其最强的环境敏感性和快速响应环境干扰的能力。相比之下，随机森林将AI确定为最重要因素（0.187），表明其在塑造HQ格局中的主导调节作用。这种差异揭示了景观格局指数的功能差异：SHDI作为主要的生态监测指标，AI作为关键的生态调节指标，而ED和PD具有监测和调节的双重属性。这种功能差异强调了建立包含监测指标、调节指标和综合指标的生态管理分类系统的必要性。
表10. 景观格局指数权重比较
| 指标 | 熵权方法 | 随机森林 |
| --- | --- | --- |
| AI | 0.148 | 0.187 |
| SHDI | 0.202 | 0.151 |
| DIVISION | 0.150 | 0.150 |
| ED | 0.190 | 0.163 |
| LPI | 0.148 | 0.186 |
| PD | 0.162 | 0.163 |
3.4.2. HQ的驱动机制
2020年的Spearman相关性分析（图11）确定了海拔（DEM，ρ=0.54）和降水量（ρ=0.43）作为促进HQ的主要因素，两者都显示出显著的正相关。海拔较高的地区受到的人为干扰较少，使得天然植被覆盖相对完好。充足的降水量缓解了喀斯特地区典型的季节性干旱压力，为植被恢复和生长提供了必要的水分条件。然而，仅分析2020年（EE的最终年份）的Spearman相关性会限制对时间动态的描述。然而，通过二次回归模型对HQ时间序列效应的先前分析补充了这种方法，因素分析专注于识别空间维度驱动因素。
相反，温度与HQ显示出显著的负相关性（ρ=?0.28）。温度升高加剧了地表蒸发作用，导致已经有限的喀斯特土壤中的水分进一步减少，严重限制了植物生长。此外，较高的温度加速了土壤有机物的分解，降低了土壤肥力，从而抑制了HQ。这种效应在土壤层浅且生态敏感性高的喀斯特地区尤为明显。
4. 讨论
4.1. 喀斯特地貌对HQ的特殊限制
从喀斯特HQ的角度来看，以下地貌和气候特征对于理解我们的结果至关重要。喀斯特岩漠化通过表土流失、基岩暴露和由土壤侵蚀驱动的生态退化表现出来（Li等人，2024a）。城市化进一步加剧了HQ的下降，高度城市化的地区（如贵阳）的HQ显著低于城市化程度较低的地区（如织金县，Wang等人，2023）。在织金，2012年基岩暴露率为22.07%，到2016年增加到24.64%，在岩漠化地区增加到36.96%。这直接导致了土壤层浅和水分保持能力差，而“地表-地下”双重侵蚀结构（Peng等人，2025）同时导致地表土壤流失和地下渗漏，从而频繁发生干旱，使得植被恢复极为困难。植被组成表现出强烈的高度依赖性（Lomolino，2001；Pianka，1966），生物群落的空间连续性沿海拔梯度显著变化（Chiu等人，2020）。由于水资源有限（Loewen等人，2020），降水量调节了生态系统功能（Hu等人，2022；Xu等人，2018），而气候变暖改变了群落结构（Ma等人，2017；Wang等人，2012）。织金的气候表现出明显的时空差异：高海拔的西南地区温度低且降水量高，而北部和东北部的低地温度高且降水量低。这种模式结合温度驱动的蒸发作用，加剧了季节性干旱并抑制了植被演替。依赖生长速度快、抗逆性差且多样性低的速生经济物种的造林实践进一步阻碍了稳定生态系统的形成。
4.2. 人为干扰的二元性
人为干扰在喀斯特生态系统中表现出二元性。虽然人类活动日益威胁生态系统稳定性并可能导致结构崩塌（Li等人，2022；Li和Luo，2023），但EE通过土地利用转换和植被恢复显示出明显的提升HQ的潜力（Boscutti等人，2022；Shi等人，2020）。 Grain-for-Green Program（GFGP）这种人工恢复模型使区域HQ提高了0.59%，而自然森林保护计划（NFPP）这种自然恢复方法在2020年实现了更高的HQ（0.9853），比GFGP地区高出0.0659。这证明了自然恢复模型在这种脆弱景观中的优越效果。
相反，快速城市化加剧了景观破碎化。将自然栖息地转化为以人类为主导的生态系统降低了HQ（Mengist等人，2021；Yohannes等人，2021），这体现在SHDI增加了13.79%，SHEI增加了13.8%，表明景观异质性增强，但主导地位和核心栖息地面积减少（Liu等人，2021；Zheng等人，2023）。特别是，“优秀”HQ等级区域减少了2.81%，非EE区域的HQ下降幅度（1.55%）大于区域平均水平（1.35%）。这表明目前人类干扰的负面影响超过了EE的恢复能力，突显了喀斯特地区发展与生态保护之间的严重冲突。
为了调和这种二元性，政策层面的干预应在人工和自然恢复模型之间取得平衡，同时协调土地利用与生态修复。精确调节土地使用权对于在人为改造的喀斯特景观中实现可持续HQ管理至关重要。
在人为干扰表现出明显二元性的喀斯特地区，SHDI通过及时反映斑块类型组成的变化来捕捉人类扩张的强度和范围（Cao等人，2024）。SHDI超过最佳阈值（0.72）通常表明自然栖息地的破碎化和HQ的潜在下降。作为生态恢复的“稳定器”，AI在适当范围内（<86.21%）有效增强了栖息地连通性，抵抗了破碎化，并为HQ改善提供了关键的空间支持；然而，过度聚集（>86.21%）可能导致功能下降，因为景观同质化。因此，生态管理应利用SHDI来监测和警告人为干扰的扩张，并使用AI来指导生态恢复的空间布局。这种方法使得从被动应对干扰转变为在人为-土地冲突严重的喀斯特地区主动优化景观配置成为可能。
4.3. 局限性和展望
尽管InVEST模型在计算上方便快捷，在效率和可视化方面具有优势，但在喀斯特地区的适用性仍有限。例如，它忽略了地表-地下水文连通性和径流/沉积物效应（Zheng等人，2023），可能会降低模型准确性（Herman等人，2012）。土地利用动态是影响生态系统退化的重大因素（Hana?ek和Rodríguez-Labajos，2018），不同土地利用类型提供的ES差异很大（Inkoom等人，2018a）。模型中威胁因素的敏感性参数来源于已发表的文献；然而，这些参数可能无法完全捕捉喀斯特地区的特定威胁机制。未来的研究应结合长期观测数据进行局部校准和InVEST参数的敏感性分析。基于上述原因，未来的研究可以关注将水文模型（如SWAT、RUSLE）与高分辨率遥感数据相结合（Yang等人，2025年），以准确量化“地表-地下”水文连通性对 HQ（水质健康指数）的影响；将气候变化纳入模型中，预测未来环境如何改变当前的恢复轨迹和阈值效应；并建立一个生态脆弱性指数（EVI）系统和长期控制的实验样地，以评估和验证本研究中提出的景观阈值的改变程度及其普遍性（He等人，2021年；Liu等人，2020年）。同时，根据喀斯特土壤侵蚀的实验数据，应调整威胁因素的敏感性和衰减类型。此外，本研究中用于原始HQ和DD序列的二次回归模型可能未能充分隔离区域共同环境背景的干扰，这导致识别的峰值时间可能混合了工程效应和背景趋势的影响。为了解决这个问题，本研究采用了差分序列（ΔHQ）进行净效应分析，显示净效益呈现持续上升趋势。因此，未来的研究应优先基于净效应序列进行阈值识别，以更清楚地阐明生态工程（EE）的内在效应。景观格局指数与HQ之间的二次回归没有明确考虑空间自相关性，未来的研究可以采用空间回归模型（如MGWR）来解决这一问题。本研究中使用的景观阈值（例如SHDI = 0.72）是根据贵州省的一个特定喀斯特县得出的；这些阈值是否可以推广到其他地区仍然是一个未解决的问题。

关于模型选择，我们比较了二次回归与GAM：HI、NC、TO、Other和Total的R2值分别为0.432、0.820、0.925、0.992、0.991（GAM）和0.506、0.743、0.929、0.975、0.975（二次回归）。鉴于两种方法的拟合度相当，以及GAM在简洁性和分析性阈值估计方面的优势，我们选择了二次回归。建议未来使用更长的时间序列进行重新评估。

5. 结论
从喀斯特生境质量的角度出发，本研究提供了针对喀斯特景观生态敏感性的决策支持。生态工程（EE）显著减缓了由人类活动驱动的HQ退化趋势。不同工程类型达到最大效益所需的时间各不相同：自然保护（NC）大约需要5.89年，人类干预（HI）需要16.53年，地形优化（TO）需要18.26年。从净效应来看，三种工程类型都保持了HQ的增长。其中，自然保护（NC）的表现最为稳定（ΔHQ = 0.126），并有效抑制了退化（ΔDD = ?0.002）。地形优化（TO）显示出长期逐步改善的潜力，年ΔHQ为0.102，退化程度略有缓解（ΔDD = ?0.001）。相比之下，人类干预（HI）虽然提高了HQ（年ΔHQ = 0.117），但未能同时控制退化（ΔDD = 0.003），反映出其在生态恢复方面的局限性。

SHDI是最具有环境敏感性的景观格局因素，而人类活动在塑造HQ的空间格局中起着主导作用。海拔（ρ = 0.54）和降水量（ρ = 0.43）是促进HQ的主要自然因素，而温度上升（ρ = ?0.28）通过加剧土壤水分胁迫抑制了生态恢复。尽管本研究展示了不同生态工程类型的有效性并确定了景观阈值，但仍需进一步研究来指导实地管理。未来的工作应重点关注：（1）在高破碎化地区优先考虑地形优化（TO）项目，适应性地管理土地利用配置，以达到最佳SHDI；（2）建立长期实验样地，并结合高分辨率遥感数据，验证和完善不同喀斯特地貌单元的景观阈值；（3）在生态恢复和当地生计之间建立协同作用，利用政策激励将人类活动从破坏性行为转变为积极维护行为，从而在破碎的喀斯特景观中实现生态系统健康和人类福祉的双赢结果。

**CRediT作者贡献声明**
Shui Li：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、方法论、调查、概念化。
Pingping Yang：撰写——审阅与编辑、监督、资金申请、正式分析、数据管理。
Zhongfa Zhou：撰写——审阅与编辑、验证、监督。
Zhongnian Ban：撰写——审阅与编辑、验证、软件。

**资助**
本研究得到了中国国家自然科学基金（32560394）、贵州省基础研究基金（Qiankehe Jichu MS[2026]421）、贵州省科技计划（Qian Ke He Ping Tai YWZ [2025] 001）以及贵州省2025年中央政府引导的地方科技发展基金项目（Qian Ke He Zhong Yin Di [2025] 031）的财政支持。