EN中文

GEOGRAPHICAL RESEARCH >

2023 , Vol. 42 >Issue 12: 3099 - 3114

DOI: https://doi.org/10.11821/dlyj020230215

Articles

Theoretical exploration, model construction and application of ecological policy effect evaluation from the “Potential-Realization” perspective of vegetation restoration

  • ZHANG Daojun , 1, 2
Expand
  • 1. School of Public Administration, China University of Geosciences, Wuhan 430074, China
  • 2. Key Laboratory for Rule of Law Research (Ministry of Natural Resources), Wuhan 430074, China

Received date: 2023-04-03

  Accepted date: 2023-08-04

  Online published: 2023-12-12

Fold

Abstract

Vegetation restoration is a global issue and research hotspot. Ecological policy plays an important role in achieving vegetation restoration. It is of great significance to assess the contribution of ecological policies to vegetation restoration, as it helps in optimizing policy design and improving policy efficiency. However, vegetation restoration is the result of the joint interaction of resource endowment, human activities, and global changes, and thus restorative effect of vegetation cannot be simply equated with the effectiveness of ecological policies. In this study, a research framework called “Potential-Realization of Vegetation Restoration” is proposed to improve the evaluation work. Firstly, it is theoretically demonstrated that the maximum potential of vegetation restoration depends on resource endowment conditions, while the changes in potential realization reflect the effects of external factors such as ecological policies on vegetation restoration. Following the theoretical derivation, as well as spatial statistical theory and methods, a novel approach called the “Local Window Similar Habitat Modeling” was developed by integrating two important characteristics, i.e., the “proximity of spatial location” and the “similarity of environmental characteristics”, and the concept of “proximity” here also takes into account the time window. The new model is expected to improve the measurement accuracy for vegetation restoration potential and realization. Then, by taking the Loess Plateau as an example, combined with the interpretation of the parameters of the model, the application demonstration of the analysis framework and the new model is carried out. The main findings are as follows: (1) Through theoretical deduction, it is demonstrated that the vegetation restoration potential realization index can effectively shield the influence of resource endowment conditions and better reflect the vegetation restoration effect of ecological policy; (2) the case study further verifies the theoretical derivation; and (3) the joint analysis of traditional vegetation coverage index and potential realization index can provide more useful information for the sustainable restoration of vegetation. In conclusion, this study is expected to provide new theoretical and methodological support for ecological policy evaluation and vegetation restoration planning.

Key words： vegetation restoration; potential-realization; ecological policy evaluation; spatial statistics; Loess Plateau

Cite this article

ZHANG Daojun . Theoretical exploration, model construction and application of ecological policy effect evaluation from the “Potential-Realization” perspective of vegetation restoration[J]. GEOGRAPHICAL RESEARCH, 2023 , 42(12) : 3099 -3114 . DOI: 10.11821/dlyj020230215

1 引言

经过20年退耕还林与相关生态政策的实施，中国在植被恢复方面取得了举世瞩目的成就，受到国际社会的广泛关注[1,2]。学者们从生态效应[3,4]、社会效应[5,6]以及经济效应[7,8]等不同方面对已实施生态政策的效果展开了评价。得益于遥感技术的发展，植被覆盖度的提升量或提升速度常被用于表示植被恢复的效果[9,10]。然而，植被覆盖的变化是资源禀赋、人类活动以及全球变化等共同作用的结果，植被恢复结果不等同于生态政策效果[11,12]。例如，吴起县是全国退耕还林第一县，但是其植被指数的提升程度在陕北乃至整个陕西省却排名垫底，植被指数增长率的排名也靠后[13]，这与其享有的生态政策和各方面投入不相符。
在植被恢复效果测度基础上，有效分离自然因素的影响，是准确评估生态政策之植被恢复效果的重要前提。此外，植被覆盖的空间分布依赖于地方性分异因素，具有空间分异性[14,15]，不满足变量空间平稳性假设；以植被覆盖度提升为因变量，进行植被恢复时空效果分析与生态政策驱动评价，存在模型假设失效风险。
受地理学空间分异规律[14,16,17]和矿产资源评价“相似类比”理论[18⇓-20]启发，提出从植被恢复“潜力-实现”这一全新视角展开生态政策评价：首先，在理论上论证植被覆盖最大潜力取决于资源禀赋条件，现实植被覆盖度则由资源禀赋和人类扰动共同决定，潜力实现度指标可以从植被恢复效果中有效剥离资源禀赋的影响，更好反映生态政策的作用；其次，基于地理学第三定律思想[21,22]，融合“空间位置邻近”和“环境特征相似”[23]，并纳入时间窗口，对传统相似生境单元构建方式进行改进，建立全新的植被恢复“潜力-实现”模型；最后，以黄土高原为例，从实证角度验证“潜力实现度”指标在生态政策评价中的优势，并为植被恢复“潜力-实现”理论分析框架与模型的应用与推广提供示范。

2 植被恢复“潜力-实现”分析框架理论推导与分析

2.1 植被恢复理论最大潜力

在自然状态下，抛开自然灾害及动物活动的干扰，植被可以自由生长，植被覆盖状况只受水热、光照、地形以及土壤等自然资源禀赋条件的影响。可以认为，此时植被覆盖可以达到其理想状态，亦即达到植被恢复的理论最大潜力。
设某地区植被恢复理论最大潜力为C理论，则其与资源禀赋条件的有利度成正比：
C 理 论 ∝ P 资 源 禀 赋
公式（1）表明：资源禀赋条件有利度越好，植被恢复的理论最大潜力越大，反之亦然。

2.2 现实植被覆盖度

由于人类扰动，现实植被覆盖度无法达到理论最大潜力值，但仍然与资源禀赋条件成正比；除此之外，其还与人类扰动强度成反比。设该地区的现实植被覆盖度为C现实，则有：
C 现 实 ∝ P 资 源 禀 赋 P 人 类 扰 动
此处的人类扰动是指对植被覆盖具有破坏力的人类活动。一般来说， P 人 类 扰 动取值范围为1到正无穷， P 人 类 扰 动取1表示没有人类扰动。生态保护和植被恢复政策也属于人类活动，但不属于人类扰动；相反，政策因素是对人类扰动的抑制①(①本研究所指生态政策，是指以生态保护和恢复为目标，由各级行政机构出台的相关法律、法规和行政规定等。案例研究主要涉及退耕还林政策，该政策包括对农户进行资金和粮食补贴以驱使其放弃坡耕地耕作，以及实施禁牧和禁伐等措施以限制农户野外放牧和私砍滥伐等破坏植被的活动。)，使得 P 人 类 扰 动的取值趋近于1。一种特殊情况是，一些生态工程可通过改变地形和土壤条件而实现植被重建或快速恢复，此时 P 人 类 扰 动可取小于1而大于0的值。然而，这类工程成本极高，实际上已经改变了原始资源禀赋条件，不属于本研究讨论的政策范畴。
现实的植被覆盖度受到资源禀赋和人类扰动的共同影响：前者决定植被覆盖所能达到的“天花板”，后者则使得现实植被覆盖水平与“天花板”之间产生差距；两者共同作用，形成现实植被覆盖度。特定资源禀赋条件下（等式右侧分子不变），可通过制定和实施生态政策，减少人类扰动（等式右侧分母变小），从而提高现实植被覆盖度（ C 现 实）。

2.3 植被恢复潜力实现度

在生态遭破坏的地区，由于退耕还林和荒山造林等工程及相关配套政策的实施，各类生境条件下的植被覆盖，由低水平向各自“天花板”水平恢复。在生态政策措施极大削弱了人类扰动负向影响的情况下，“天花板”越高的区域，其植被恢复效果也应越好。而“天花板”取决于生境或自然资源禀赋条件。因此，若以植被覆盖度作为因变量，分析植被恢复的驱动力，必然导致资源禀赋条件对植被恢复的绝对影响。这也解释了为何前人研究多将自然因素归结为影响植被覆盖水平的重要甚至主导因素[9,24]。然而，由于自然条件难以控制，此类研究难以提出提升植被恢复效率的有效建议。
在植被恢复过程中，最为切实可控的因素是政策措施，它直接作用于人类扰动。因此，有必要对植被恢复过程进行解析，提取能够反映人类扰动的指标。将公式（2）与公式（1）左右两边分别相除，得到植被恢复潜力实现度指标：
C 潜 力 实 现 度 ∝ 1 P 人 类 扰 动
公式（3）表明：植被恢复潜力实现度与人类扰动成反比，而与资源禀赋无关。由于生态政策直接作用于人类扰动，公式（3）可以有效屏蔽资源禀赋影响，真正反映政策所带来的植被恢复效果。由公式（3）也可以得出，当没有人类扰动时，即 P 人 类 扰 动为1，此时植被实现最大潜力，即 C 潜 力 实 现 度等于1。需要说明的是，即使在纯自然条件下，也未必能实现最大潜力，但是在大样本条件下，可认为逼近其最大潜力。

3 植被恢复“潜力-实现”分析框架下的生态政策评价建模

3.1 植被恢复“潜力-实现”分析框架设计

植被恢复（理论）最大潜力是一定自然区位或生境条件下植被生长能力的体现；所处生境不同，植被恢复潜力亦不同[25]。目前，学者大多基于地质、地形，气候，水文和土壤等生境条件，通过层次分析和模糊数学等方法，构建综合评价指标体系，从而测算某一区域的植被恢复最大潜力[26,27]。基于多因素综合的评价方法过度依赖先验知识，存在较大的主观性。高海东等在构建相似生境单元基础上，采用统计学方法和地理空间分析技术，对SPOTVEG-NDVI数据进行分析，从而得到不同生境下植被恢复的最大潜力[28]。然而，这种基于全局的潜力评价方法忽略了环境变量对植被生长作用的空间变化性，没有考虑植被的地带性分布规律，也难以克服重要影响因素缺失所带来的评价风险。根据地理学第一定律[29]，距离越接近的区域，其景观也会越相似，这本质上由地理学地域分异规律决定[14]12。Zhang等结合传统植被恢复潜力模型所考虑的环境特征相似，以及地理学第一定律所强调的位置邻近相似，开发了基于空间滑动窗口的植被恢复潜力模型，拓宽了传统植被恢复潜力模型的适用范围[30]。这种结合空间位置邻近与环境特征相似的做法，兼顾了空间依赖性与空间分异性，属于地理学第三定律范畴[21,22]。地理学第三定律可作为上述模型的理论支撑，而该模型也可作为地理学第三定律应用的拓展。Xu等还进一步提出植被恢复潜力实现度概念，并通过实证研究，初步检验了植被恢复潜力实现度指标在生态政策评价方面的优势[31]。
在前人研究基础上，本研究发展了植被恢复“潜力-实现”分析框架：① 引入空间滑动窗口算法，考虑气象等宏观条件变量，确定局部窗口的形状及大小；② 在局部窗口内，进一步分析影响植被生长的微观条件变量，构建相似生境单元；③ 在相似生境单元内，基于植被覆盖度空间数据，确立植被恢复理论最大潜力值；④ 分别计算特定年度现实植被覆盖度与其对应生境下理论最大潜力的差距与比值，即分别为该年度植被恢复的剩余潜力和潜力实现度。模型构建流程如图1所示，相关变量的名称、相互关系及解释见表1。
图1 植被恢复“潜力-实现”模型的构建流程

注：[1] t表示年份；[2]~[5] 详见3.2.1-3.2.4。

Fig. 1 Modeling process of vegetation restoration “potential-realization”

表1 植被恢复“潜力-实现”分析框架下相关变量的名称、相互关系及解释

Tab. 1 Name, relationship and interpretation of relevant variables under the analysis framework of vegetation restoration “potential-realization”

变量名称 变量简写 变量表达式 变量含义
现实植被覆盖度 V I t V I t = E V I ¯ t - M I N M A X - M I N 某空间位置在年份t的实际植被覆盖度，等于该位置t年份EVI生长季均值的最小-最大值标准化，其中MIN和MAX为研究区在研究期内的最小、最大EVI值
最大潜力 M V I 见公式（6） 通过植被恢复，某位置可达到的理论最大植被覆盖度
剩余潜力 P I t 见公式（7） 于t年份在某空间位置进行植被恢复的理论剩余潜力，等于最大潜力 ( M V I )减去该位置在t年份的现实植被覆盖度 ( V I t )
潜力实现度 R P I t 见公式（8） 某空间位置在年份t的植被恢复潜力实现度，等于该位置t年份的现实覆盖度 ( V I t )除以该位置最大潜力 ( M V I )
植被覆盖度提升 ∆ V I t 1 → t 2 ∆ V I t 1 → t 2 = V I t 2 - V I t 1 由年份t1到年份t2的植被覆盖度提升，等于年份t2的现实覆盖度 ( V I t 2 )减去年份t1的现实覆盖度 ( V I t 1 )
潜力实现度提升 ∆ R P I t 1 → t 2 ∆ R P I t 1 → t 2 = R P I t 2 - R P I t 1 由年份t1到年份t2的植被覆盖潜力实现度提升，等于年份t2的潜力实现度 ( R P I t 2 )，减去年份t1的潜力实现度 ( R P I t 1 )

3.2 植被恢复“潜力-实现”模型构建

3.2.1 局部窗口环境建立

本研究通过空间滑动窗口技术建立局部窗口环境。首先，确定一定形状和大小的局部窗口；接着，以一定步长，在研究区范围内，由坐标值最小的像元（一般是左上角的像元）出发，依次沿着像元的列和行两个维度进行滑动。每次滑动均建立一个局部窗口环境，为后续构建局部窗口相似生境单元做准备。空间滑动窗口技术已被用于多种局部窗口空间统计与分析模型，如空间距离反比插值[32]，孔隙度指数分析[33]，多重分形建模[34]，以及地理加权回归[35]等。此外，ArcGIS邻域分析工具包也涉及空间滑动窗口技术的应用。相比全局模型，局部模型可克服重要变量缺失的影响以及变量间关系的空间异质性[36,37]。
局部窗口环境建立的关键是确定局部窗口参数，包括窗口的大小及形状。有许多方法可用于窗口参数的确定，如赤池信息量[38]、拟合优度[36]以及经验值[39]。由于空间异质性往往呈各向异性，可以借助地统计学的变差函数模型确立最佳各向异性窗口，并使用椭圆参数描述各向异性窗口[36,40]。

3.2.2 基于唯一值组合的局部窗口相似生境单元构建

在局部窗口内，使用分类图层构建相似生境。分类图层来源于对植被生长具有潜在影响的环境变量。对于宏观环境变量，如气象条件，其变程较长，在局部窗口内变化较小，对植被生长影响可以忽略不计。因此，在局部窗口内，可以只考虑在窗口尺度显著影响植被生长的环境变量，如坡度、坡向和土壤条件等。
设有N个需进行分类的环境变量，每个变量可分为C_M类，其中C取值为1~N。则理论上，在整个研究区最多存在 1 _ M × 2 _ M × … × N _ M个相似生境。为了保证统计稳健性，需在局部窗口内找到一定数量与当前像元属同一生境类型的像元。因此，环境变量的个数和分类类别均不宜过多。若将 N和 C _ M均限定在9以内，可用N位十进制整数对相似生境单元进行编码：
C o d e V 1 , V 2 , ⋯ V N = ∑ C = 1 N V c × 10 N - C
式中： V c取值1~ C _ M（C_M≤9）。
举例来说，当有4个环境变量（ N = 4），其中 V 1 = a， V 2 = b， V 3 = c， V 4 = d，则带入公式（4），可得该类的相似生境编码如下：
C o d e V 1 = a , V 2 = b , V 3 = c , V 4 = d = a × 10 3 + b × 10 2 + c × 10 1 + d × 10 0 = a b c d
通过上述编码方法，可将相似生境分类由多维降至一维，从而提高相似生境像元的读取效率。对于某当前位置 i = I， j = J，在窗口R内，若其相似生境编码为 a b c d，则只需掩膜掉相似生境编码不等于abcd的像元，即可得到与当前位置属于同一相似生境的像元集合。

3.2.3 最大潜力值计算

在栅格GIS环境下，每个位置的植被生长状况可以用该位置像元的植被覆盖度值表示，而其理论最大潜力值取决于该像元所处生境下的最大植被覆盖度。考虑到环境变量对植被生长作用的空间变化性，以及可能存在的重要未知变量，基于局部窗口能够更好构建相似生境，从而得到更为准确的植被恢复理论最大潜力值：
M V I i j V 1 , V 2 , ⋯ V N = M a x ( u i j t , R ) 1 ≤ k ≤ m 1 ≤ l ≤ n y b ≤ t ≤ y e V I k l V 1 , V 2 , ⋯ V N
式中： M V I i j V 1 , V 2 , ⋯ V N表示当前第i行、第j列像元植被恢复的理论最大潜力值， V 1 , V 2 , ⋯ V N表示该像元所处的自然条件变量取值，N表示窗口尺度下影响植被生长的环境变量数量； M a x ( u i j t , R ) 1 ≤ k ≤ m 1 ≤ l ≤ n y 1 ≤ t ≤ y 2 V I k l V 1 , V 2 , ⋯ V N表示在以当前位置为中心且窗口范围R内，寻找与当前位置像元所属生境单元一致的像元，进而取它们中最大的植被覆盖度值；设窗口R由m行和n列像元构成，则 k 和 l分别表示对行与列的遍历；t的取值范围为研究期的起始年份（yb）至结束年份（ye），表示在研究期内取最大植被覆盖度值，在本文案例研究中取2000—2018年。
为避免数据的偶然误差，可采用分位数值代替最大值，进行相似生境下植被恢复最大潜力值的计算，如99%最大分位数值。

3.2.4 植被恢复的剩余潜力与潜力实现度计算

每个像元植被覆盖度的实际值与理论最大潜力值之间的差距被定义为植被恢复的剩余潜力，而实际值与理论最大潜力值的比值被定义为植被恢复潜力实现度，可通过ArcGIS的地图代数工具计算得到。
采取最大分位数值代替最大值时，可能出现植被恢复剩余潜力为负及潜力实现度大于1的异常情况，需进行条件判断。
植被恢复剩余潜力的计算方法：
P I t _ i j = M V I i j - V I t i j , i f V I t _ i j ≤ M V I i j 0 , i f V I t _ i j > M V I i j
植被恢复潜力实现度的计算方法：
R P I t _ i j = V I t _ i j M V I i j , i f V I t _ i j > 0 V I t _ i j ≤ M V I i j 1 , i f V I t _ i j > M V I i j
式中： P I t _ i j、 R P I t _ i j和 V I t i j分别表示第i行、第j列像元在t年份的植被恢复剩余潜力、潜力实现度和植被覆盖度； M V I i j表示植被恢复理论最大潜力值。
由于潜力实现度指标考虑了各地潜力差异，理论上有望消除资源禀赋等环境因素的作用，真正反映生态政策措施的作用效果，从而“公平”评价各地生态政策实施效果。

4 应用示范

本文以植被恢复研究热点地区黄土高原[3,9,28]为例，进行“潜力-实现”分析框架应用示范。为消除农田、水域和建设用地对评价结果的影响，已通过地形、水系以及夜间灯光等数据，对非坡地、水域以及高灯光亮度值范围（DN>17119）进行掩膜。

4.1 黄土高原植被覆盖度及其变化

本研究基于MOD13Q1产品提供的250 m分辨率增强型植被指数产品MODIS-EVI[41]，对退耕还林政策实施以来研究区植被覆盖度及其变化进行测度。

4.1.1 不同年份植被覆盖度分布

以生长期（第97~第289天）内13期MODIS-EVI数据计算平均值，作为年度EVI图层。考虑到研究区退耕还林工程实施的阶段性和数据可获取性，以2000年度EVI计算退耕还林工程实施时的植被覆盖水平；并以2009年为界，将2000—2018年分为两个时间段。根据表1中“现实植被覆盖度”变量表达式，计算研究区2000年、2009年和2018年的植被覆盖度分布图（图2）。可以发现，在退耕之初，除秦岭、六盘山、吕梁山、太行山、子午岭和黄龙山等山脉因人类活动受限而植被保存较好外，研究区植被破坏严重，植被覆盖度普遍较低；随着生态工程的实施，研究区植被得到很好恢复，绿色版图不断向西北方向扩张。
图2 研究区不同年份植被覆盖度分布图

注：①~⑥分别是六盘山、子午岭、黄龙山、吕梁山、太行山脉和秦岭山脉。

Fig. 2 Vegetation coverage distribution of the Loess Plateau in different years

4.1.2 不同阶段植被覆盖度提升

根据表1“植被覆盖度提升”表达式，进一步计算2000—2009年和2009—2018年植被覆盖度增量，即 ∆ V I 2000 → 2009和 ∆ V I 2009 → 2018（图3）。在前一阶段（2000—2009年，下同），植被覆盖度提升高值主要分布在汾渭平原邻近区域、黄河沿线以及位于河南境内的黄土高原地区；这些地区资源禀赋条件较好，植被恢复速度也较快。然而，在后一阶段（2009—2018年，下同），植被退化区域（图中红色部分）大幅增加，主要分布在退耕还林伊始就拥有较高植被覆盖度的区域，即图2中沿山脉分布的林区。可见，长期禁伐等过度保护措施和缺乏经营，可能导致林分结构失调和植物病虫害增加，从而带来植被覆盖水平的退化[42]。
图3 研究区不同阶段植被覆盖度提升分布图

Fig. 3 Distribution of vegetation coverage improvement in the Loess Plateau at different stages

4.2 黄土高原植被恢复潜力及其实现度时空变化

植被恢复理论最大潜力建模是建立植被恢复“潜力-实现”分析框架的关键。接下来，将首先求取植被恢复的最大潜力，进而计算剩余潜力、潜力实现度以及潜力实现度的提升。

4.2.1 植被恢复理论最大潜力

根据公式（6），计算得到研究区植被恢复最大潜力（图4）。可以发现，植被恢复的最大潜力总体由东南向西北递减，这是水热条件决定的，从实证角度验证了2.1小节关于“植被恢复理论最大潜力与资源禀赋条件成正比”的推论。
图4 研究区植被恢复最大潜力分布图

Fig. 4 Maximum vegetation restoration potential distribution of the Loess Plateau

4.2.2 不同年份植被恢复潜力实现度

根据公式（8），计算得到研究区2000年、2009年和2018年的植被恢复潜力实现度（图5）。图5a显示，生态工程实施前，潜力实现度较高的区域均分布在各大山脉附近（图2），因为人类活动受限程度较高；而在陕北和陇东等典型黄土沟壑区，潜力实现度极低，与彼时该区域过度毁林开荒等人类破坏活动相吻合[43]。图5b和5c则显示，随着生态工程的推进，黄土高原区植被恢复潜力实现度不断上升。相较于图2的植被覆盖度指标，图5的潜力实现度指标对比度更强、对人类活动的指示作用更明显。
图5 研究区不同年份植被恢复潜力实现度分布图

Fig. 5 Distribution of vegetation restoration potential realization in the Loess Plateau in different years

4.2.3 不同阶段植被恢复潜力实现度提升

根据表1提供的“潜力实现度提升”变量公式，分别计算2000—2009年和2009—2018年潜力实现度增量，即 ∆ R P I 2000 → 2009和 ∆ R P I 2009 → 2018（图6）。由于该增量的本质是两期潜力实现度差值，而全球变化对一定区域植被覆盖变化的影响具有相对一致性，因此，通过图6反映生态政策作用，可在一定程度削弱全球变化的影响。
图6 研究区不同阶段植被恢复潜力实现度提升分布图

Fig. 6 Distribution of vegetation restoration potential realization improvement in the Loess Plateau at different stages

图6和图3分别为潜力实现度和植被覆盖度在两个阶段的变化状况，它们之间有相似之处，规律较为类似。为了便于对比，两图采用相同的渐变色方案。可以发现，图6a并没有表现出图3a那样取值由东南向西北下降的趋势；在资源禀赋较差的黄土高原腹地，特别是陕北农牧交错带，图6a存在高值分布区。陕北的吴起、志丹和安塞等县，虽然水热条件较差，但退耕还林等生态政策实施力度大，因此潜力实现度提升较多。可见，政策作用能够在潜力实现度提升指标中得到很好反映；反观植被覆盖度指标，由于受资源禀赋条件影响程度大，政策作用被“淹没”在资源禀赋影响中，难以得到体现。

4.2.4 不同年份下植被恢复的剩余潜力

根据公式（7），计算得到研究区2000年、2009年和2018年的植被恢复剩余潜力（图7）。以生态工程实施伊始的2000年为例，在非农耕为主的区域，资源禀赋条件好且保护也较好的地区，其植被覆盖水平本身较高，植被恢复剩余潜力较小，如上文提及的区内诸山脉所在地；对于资源禀赋条件较差的区域（主要是牧区），即使植被破坏较为严重，剩余潜力也不会太高，如青海、宁夏和内蒙境内的黄土高原地区。而在以农耕为主的区域，生态退耕前一般实行粗放的农业经营方式，无生态保护措施，人类破坏程度均较为严重。在此情形下，剩余潜力主要取决于资源禀赋条件。例如，延安的剩余潜力明显高于其北面的榆林，平凉与天水的剩余潜力远高于甘肃的其他地区，山西南部的剩余潜力也相对高于北部。
图7 研究区不同年份植被恢复剩余潜力分布图

Fig. 7 Distribution of residual vegetation restoration potential in the Loess Plateau in different years

随着生态工程的推进，剩余潜力逐渐下降。在上文提及的前两种类型区，即保护相对较好和资源禀赋条件较差区域，在第一轮生态工程结束后，植被恢复率先达到饱和状态，剩余潜力趋于0（图7b）。此外，政策实施强度较大的陕北地区，其剩余潜力也相对较小。例如，陕北的延安比甘肃的庆阳具有更小的剩余潜力。然而，随着生态工程的继续实施，上述差异逐渐消失；到了2018年，黄土高原大部分地区表现出高水平的植被恢复潜力实现度（图5c）和低水平的剩余潜力（图7c）。

4.3 植被覆盖度与潜力实现度指标的比较及联合应用

为了便于进一步定量统计分析，以县级行政区为基本统计单元，在县域内分别计算年均气温、年均降水量、退耕还林强度和植被覆盖度、潜力实现度等指标的均值，数据来源和具体计算方法参见Zhang等[44]和Xu等[31]。为了提高统计稳健性，把有效栅格数量不足统计单元总栅格数量2%的县域去除，最终有效样本为314个。

4.3.1 植被覆盖度与潜力实现度指标的比较

通过理论推导，本研究第3部分已论证潜力实现度可以有效克服资源禀赋差异的影响，以及在更大程度上反映政策及其执行效率对植被恢复的影响；通过对空间变量的可视化表达和定性分析，4.2小节从时空规律上验证了该推论。这里，将通过定量的统计分析，进一步验证该推导。
以县级行政区为样本单元，分别计算植被覆盖度和潜力实现度提升与资源禀赋和政策变量间的相关系数（表2）。考虑到退耕还林强度相对短期内作用更明显，这里只对比第一阶段植被覆盖度和潜力实现度的提升量。
表2 植被覆盖度提升和潜力实现度提升与资源禀赋变量和政策变量之间的相关性

Tab. 2 Correlation coefficients between resource endowment, policy variables and vegetation coverage improvement, potential realization improvement

变量 植被覆盖度提升 潜力实现度提升
年均气温 0.384* 0.204*
平均降水量 0.457* 0.119
退耕还林强度** 0.036 0.187*

注：*表示在1%水平下显著；**退耕还林强度表示退耕还林面积除以原耕地总面积。

资源禀赋变量方面，年均气温和平均降水量与植被覆盖度提升间的相关系数分别为0.384和0.457，均在1%的水平下显著；而它们与潜力实现度提升的相关系数为0.204和0.119，前者在1%水平下显著，后者不显著。可见，相比于植被覆盖度指标，潜力实现度更独立于资源禀赋条件。
政策变量方面，退耕还林强度与植被覆盖度提升间的相关系数分别为0.036，且在1%水平下不显著；而其与潜力实现度提升的相关系数达0.187，在1%水平上显著。可见，相较于植被覆盖度，潜力实现度对政策强度的响应显著增强。
综上，植被覆盖度提升主要由资源禀赋条件决定，其对政策强度反映微弱；而潜力实现度提升指标削弱了资源禀赋条件影响，提升了对政策变量的反映能力，与理论推导一致。

4.3.2 植被覆盖度与潜力实现度指标的联合应用

图8给出了前一阶段潜力实现度与植被覆盖度提升排位差值与后一阶段植被覆盖度提升高于第一阶段位次之间的关系统计。由图8可知，若前一阶段潜力实现度提升排位略优于或等于植被覆盖度提升排位（对应 R K ∆ R V I - R K ∆ V I值域为-9~0），则后一阶段 R K ∆ V I比前一阶段存在更为明显的上升；若前一阶段 R K ∆ R P I优于 R K ∆ V I太多，则后一阶段 R K ∆ V I会比前一阶段下降，且严重程度取决于前一阶段 R K ∆ R P I优于 R K ∆ V I的程度。若前一阶段 R K ∆ R P I略差于 R K ∆ V I（对应 R K ∆ R P I - R K ∆ V I值域为 1 ~ 10 )，则后一阶段 R K ∆ V I也比前一阶段显著上升；然而，随着前一阶段 R K ∆ R P I - R K ∆ V I变大，后一阶段 R K ∆ V I的上升幅度变小。
图8 不同政策实施强度下植被恢复可持续性分析

注：横坐标表示以第一阶段 R K ∆ R V I - R K ∆ V I取值为依据，对样本县进行分类，该值越小，表示潜力实现度提升排名高于植被覆盖度提升排名越多；纵坐标表示各类样本第二阶段 R K ∆ V I 2009 → 2018相比一阶段 R K ∆ V I 2000 → 2009的平均进步位次。

Fig. 8 Sustainability analysis of vegetation restoration under different policy implementation intensities

潜力实现度提升排名优于植被覆盖度提升排名，表示政策强度相对偏高，且 R K ∆ R P I - R K ∆ V I越小，相对政策强度越偏大；反之，潜力实现度提升排名劣于植被覆盖度提升排名，则表示该地政策强度相对偏低，且 R K ∆ R P I - R K ∆ V I越大，相对政策强度越偏小。可见，政策作用存在滞后性，适度的人类干预能够有效促进植被的持续恢复；当政策强度过大，甚至超过了当地资源环境承载力，则可能带来植被恢复效果的不可持续，表现为后一阶段植被覆盖度提升排名不及前一阶段。因此，在生态工程的实施中，需要综合考虑生态系统的环境承载力，制定与当地植被恢复潜力相适应的生态恢复规划，以及权衡短期与长期目标，以实现生态的高效和持续恢复。

5 讨论

5.1 研究贡献与创新

5.1.1 理论贡献

植被生长状态是资源禀赋和人类活动共同作用的结果，生态政策本质上是对人类活动的调节与控制，通常并不涉及对资源禀赋状况的改变。要想准确评估生态政策的植被恢复效果，必须考虑各地资源禀赋的差异。只有充分消除资源禀赋差异所造成的植被恢复差异，才有可能得到因生态政策实施而带来的植被恢复效果。为此，本研究提出了植被恢复“潜力-实现”分析框架。通过理论分析与推导，证明了植被恢复理论最大潜力由资源禀赋条件决定，而潜力实现度指标可以有效消除资源禀赋影响，真正反映因生态政策带来的植被恢复效果。本研究的重要贡献是构建了植被恢复“潜力-实现”分析框架，并从理论上论证了植被恢复潜力实现度是生态政策评价的理想指标。

5.1.2 方法创新

理论最大潜力的确定是植被恢复“潜力-实现”分析框架的关键，是计算潜力实现度和剩余潜力的基础。本研究基于“相似类比”思想确定植被恢复理论最大潜力，并从3个方面对“相似性”进行限定：一是空间位置邻近，通过引入局部窗口，不仅可以保证生境单元内降水和气温等宏观气象条件趋于一致，甚至影响生境状况的未知变量也很大概率相似；二是环境特征相似，根据土壤和地形特征等进行分类，以进一步保证生境单元内土壤和地形等微观特征的一致性；三是加入时间窗口限制，经过近20年的植被恢复，有理由认为，各生境下有部分位置的植被生长达到其稳定态，或植被覆盖度接近其理论最大水平。空间位置邻近和环境特征相似是地理学第三定律“地理相似”的两个方面，本研究不仅在新的领域引入并实现第三定律建模，还将时间窗口一并考虑在内，并提供了详细的建模步骤和相关参数解释，有望为生态政策评价与植被恢复规划提供先进的方法和工具支持。

5.1.3 应用效果

以黄土高原近20年生态政策实践为例，本研究详细展示了基于植被恢复“潜力-实现”分析框架进行生态政策评价的过程，并取得系列应用效果。首先，图4显示，植被恢复的最大潜力值总体呈现由东南向西北递减的趋势，这与研究区气温和降水的空间分布相吻合，验证了植被恢复理论最大潜力高度依赖于资源禀赋条件。其次，对比图6和图3可以发现，资源禀赋条件越好的地区，植被覆盖度提升越多，而潜力实现度的提升相对独立于资源禀赋条件；由表2进一步发现，植被覆盖度提升与气温、降水等资源禀赋条件具有极高相关性，而潜力实现度提升与退耕还林强度的相关性更好，从定量分析角度进一步验证了潜力实现度指标可有效抑制资源禀赋影响，更好反映生态政策的植被恢复效果。最后，本研究创新性提出植被恢复理论最大潜力、潜力实现度、潜力实现度提升以及剩余潜力等指标，案例研究进一步展示了新指标与传统指标之间的区别、联系及二者联合应用的价值。

5.2 不足与展望

本研究有望为植被恢复规划和生态政策评价提供新的理论与方法支撑，但以下问题值得进一步探讨与研究。
（1）植被恢复力或恢复潜力建模主要可分为两大类，即知识驱动型和数据驱动型。前者需要对研究区的生境状况十分熟悉，凭借经验量化各类生境条件对植被生长的影响；后者则从现实植被覆盖状况出发，透过现象总结出背后的规律，为计算植被恢复潜力提供客观依据。两者各有优缺点，今后可以考虑将数据驱动和知识驱动结合起来，以取长补短，在保证模型的简洁性和客观性的同时，增强其解释能力和可推广性。
（2）本研究通过变量离散化的方法对生境条件进行重分类，得到最终的生境条件唯一值组合——相似生境单元，可能造成一定的信息丢失；在相似生境单元内部，仍可能存在植被生长潜力理论最大值的渐变差异。未来可考虑在相似生境单元内，基于回归模型或专家知识，对模型进行修正，以提高对植被恢复理论最大潜力、潜力实现度以及剩余潜力的估算精度。此外，由于生境质量还可能存在时空非线性变化特征，如何确定最佳的时空窗口，也有待进一步探讨和研究。

6 结论

为克服资源禀赋和全球变化等因素的影响，客观评价生态政策在植被恢复中的贡献，本文提出植被恢复“潜力-实现”分析框架。首先，从理论层面论证了植被恢复潜力实现度是评价生态政策植被恢复效果的优良指标；接着，系统梳理了新框架下的相关参数及内涵，并通过空间统计建模进行参数测度，丰富了植被恢复和生态政策评价工具集；最后，以黄土高原为研究区，示范了新框架和新模型工具的应用流程，并从实证角度验证了理论推导结论。通过新指标和传统指标的联合应用和对比还发现，需考虑人类干预的适度性和反弹效应。适度的人类政策干预不仅可以在短期内加快植被恢复，且持续性较好；而过度干预虽然可以在短期内实现植被的快速恢复，但可能导致植被恢复不可持续，加重退化风险。

感谢徐鑫、宁嘉晨、杨婉静和张玉等同学在研究过程中的付出。感谢匿名评审专家在论文评审中所付出的时间和精力，使本文在模型表达上更加规范，避免歧义产生。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Bryan B A, Gao L, Ye Y Q, et al. China's response to a national land-system sustainability emergency. Nature, 2018, 559(7713): 193. DOI: 10.1038/s41586-018-0280-2.

[2]
Chen C, Park T, Wang X H, et al. China and India lead in greening of the world through land-use management. Nature Sustainability, 2019, 2(2): 122-129. DOI: 10.1038/s41893-019-0220-7.

PMID

[3]
Wang J J, Liu Z P, Gao J L, et al. The Grain for Green project eliminated the effect of soil erosion on organic carbon on China's Loess Plateau between 1980 and 2008. Agriculture, Ecosystems & Environment, 2021, 322: 107636. DOI: 10.1016/j.agee.2021.107636.

[4]
Xu C, Jiang Y N, Su Z H, et al. Assessing the impacts of Grain-for-Green Programme on ecosystem services in Jinghe River basin, China. Ecological Indicators, 2022, 137: 108757. DOI: 10.1016/J.ECOLIND.2022.108757.

[5]
Wang P, Wolf S A, Lassoie J P, et al. Promise and reality of market-based environmental policy in China: Empirical analyses of the ecological restoration program on the Qinghai-Tibetan Plateau. Global Environmental Change, 2016, 39: 35-44. DOI: 10.1016/j.gloenvcha.2016.04.004.

[6]
Almassi B. Value disputes in urban ecological restoration: Lessons from the Chicago Wilderness. Studies in History and Philosophy of Science Part A, 2021, 87: 93-100. DOI: 10.1016/j.shpsa.2021.03.007.

[7]
Xian J L, Xia C Q, Cao S X. Cost-benefit analysis for China's Grain for Green Program. Ecological Engineering, 2020, 151: 105850. DOI: 10.1016/j.ecoleng.2020.105850.

[8]
Wu Z L, Dai X H, Li B, et al. Livelihood consequences of the Grain for Green Programme across regional and household scales: A case study in the Loess Plateau. Land Use Policy, 2021, 111: 105746. DOI: 10.1016/J.LANDUSEPOL.2021.105746.

[9]
李婷, 吕一河, 任艳姣, 等. 黄土高原植被恢复成效及影响因素. 生态学报, 2020, 40(23): 8593-8605.

[Li Ting, Lu Yihe, Ren Yanjiao, et al. Gauging the effectiveness of vegetation restoration and the influence factors in the Loess Plateau. Acta Ecologica Sinica, 2020, 40(23): 8593-8605.] DOI: 10.5846/stxb202001080065.

[10]
Zhang D J, Jia Q Q, Xu X, et al. Contribution of ecological policies to vegetation restoration: A case study from Wuqi county in Shaanxi province, China. Land Use Policy, 2018, 73: 400-411. DOI: 10.1016/j.landusepol.2018.02.020.

[11]
Cai H Y, Yang X H, Wang K J, et al. Is forest restoration in the southwest China Karst promoted mainly by climate change or human-induced factors?. Remote Sensing, 2014, 6(10): 9895-9910. DOI: 10.3390/rs6109895.

[12]
Xiu L N, Yan C Z, Li X S, et al. Monitoring the response of vegetation dynamics to ecological engineering in the Mu Us Sandy Land of China from 1982 to 2014. Environmental Monitoring and Assessment, 2018, 190(9): 543. DOI: 10.1007/s10661-018-6931-9.

PMID

[13]
Xu X, Zhang D J. Comparing the long-term effects of artificial and natural vegetation restoration strategies: A case study of Wuqi and its adjacent counties in northern China. Land Degradation & Development, 2021, 32(14): 3930-3945. DOI: 10.1002/ldr.4018.

[14]
郑度, 杨勤业, 赵名茶, 等. 自然地域系统研究. 北京: 中国环境科学出版社, 1997.

[Zheng Du, Yang Qinye, Zhao Mingcha, et al. Advances in Terrestrial System Research. Beijing: China Environmental Press, 1997.]

[15]
Marinšek A, Šilc U, Čarni A. Geographical and ecological differentiation of Fagus forest vegetation in SE Europe. Applied Vegetation Science, 2013, 16(1): 131-147. DOI: 10.1111/j.1654-109x.2012.01203.x.

[16]
彭建, 赵会娟, 刘焱序, 等. 区域生态安全格局构建研究进展与展望. 地理研究, 2017, 36(3): 407-419.

DOI

[Peng Jian, Zhao Huijuan, Liu Yanxu, et al. Research progress and prospect on regional ecological security pattern construction. Geographical Research, 2017, 36(3): 407-419.] DOI: 10.11821/dlyj201703001.

[17]
傅伯杰. 新时代自然地理学发展的思考. 地理科学进展, 2018, 37(1): 1-7.

DOI

[Fu Bojie. Thoughts on the recent development of physical geography. Progress in Geography, 2018, 37(1): 1-7.] DOI: 10.18306/dlkxjz.2018.01.001.

[18]
赵鹏大. “三联式”资源定量预测与评价: 数字找矿理论与实践探讨. 地球科学, 2002, 27(5): 482-489.

[Zhao Pengda. “Three-Component” quantitative resource prediction and assessments: Theory and Practice of Digital Mineral Prospecting. Earth Science, 2002, 27(5): 482-489.]

[19]
成秋明. 非线性成矿预测理论: 多重分形奇异性-广义自相似性-分形谱系模型与方法. 地球科学, 2006, 31(3): 337-348.

[Cheng Qiuming. Singularity-generalized self-similarity-fractal spectrum(3S)Models. Earth Science, 2006, 31(3): 337-348.]

[20]
Cheng Q M. Mathematical geosciences: Local singularity analysis of nonlinear earth processes and extreme geo-events. Handbook of Mathematical Geosciences. Springer, Cham, 2018: 179-208. DOI: 10.1007/978-3-319-78999-6_10.

[21]
Zhu A X, Lu G N, Liu J, et al. Spatial prediction based on third law of geography. Annals of GIS, 2018, 24(4): 225-240. DOI:10.1080/19475683.2018.1534890.

[22]
朱阿兴, 闾国年, 周成虎, 等. 地理相似性: 地理学的第三定律?. 地球信息科学学报, 2020, 22(4): 673-679.

DOI

[Zhu Axing, Lv Guonian, Zhou Chenghu, et al. Geographic similarity: Third law of geography?. Journal of Geo-information Science, 2020, 22(4): 673-679.] DOI: 10.12082/dqxxkx.2020.200069.

[23]
张玉, 张道军. 地形位指数模型改进及其在植被覆盖评价中的应用. 地理学报, 2022, 77(11): 2752-2772.

[Zhang Yu, Zhang Daojun. Improvement of terrain niche index model and its application in vegetation cover evaluation. Acta Geographica Sinica, 2002, 77(11): 2752-2772.] DOI: 10.11821/dlxb202211005.

[24]
Sun M, Dong Q G, Jiao M Y, et al. Estimation of actual evapotranspiration in a semiarid region based on GRACE gravity satellite data: A case study in Loess Plateau. Remote Sensing, 2018, 10(12): 2032. DOI: 10.3390/rs10122032.

[25]
刘焱序, 王仰麟, 彭建, 等. 耦合恢复力的林区土地生态适宜性评价: 以吉林省汪清县为例. 地理学报, 2015, 70(3): 476-487.

DOI

[Liu Yanxu, Wang Yanglin, Peng Jian, et al. Land ecological suitability assessment for forest coupled with the resilience perspective: A case study in Wangqing county, Jilin province, China. Acta Geographica Sinica, 2015, 70(3): 476-487.] DOI: 10.11821/dlxb201503010.

[26]
Bisson M, Fornaciai A, Coli A, et al. The vegetation resilience after fire (VRAF) index: development, implementation and an illustration from central Italy. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3): 312-329. DOI: 10.1016/j.jag.2007.12.003.

[27]
Arianoutsou M, Koukoulas S, Kazanis D. Evaluating post-fire forest resilience using GIS and multi-criteria analysis: An example from Cape Sounion National Park, Greece. Environmental Management, 2011, 47(3): 384-397. DOI: 10.1007/s00267-011-9614-7.

PMID

[28]
高海东, 庞国伟, 李占斌, 等. 黄土高原植被恢复潜力研究. 地理学报, 2017, 72(5): 863-874.

DOI

[Gao Haidong. Pang Guowei, Li Zhanbin, et al. Evaluating the potential of vegetation restoration in the Loess Plateau. Acta Geographica Sinica, 2017, 72(5): 863-874.] DOI: 10.11821/dlxb201705008.

[29]
Tobler W R. A computer movie simulating urban growth in the Detroit region. Economic Geography, 1970, 46(2): 234-24. DOI: 10.2307/143141.

[30]
Zhang D J, Xu X, Yao S B, et al. A novel similar habitat potential model based on sliding-window technique for vegetation restoration potential mapping. Land Degradation & Development, 2020, 31(6): 760-772. DOI: 10.1002/ldr.3494.

[31]
Xu X, Zhang D J, Zhang Y, et al. Evaluating the vegetation restoration potential achievement of ecological projects: A case study of Yan'an, China. Land Use Policy, 2020, 90: 104293. DOI: 10.1016/j.landusepol.2019.104293.

[32]
Shepard D. A two-dimensional interpolation function for irregularly-spaced data. Proceedings of the 1968 23rd ACM National Conference. 1968: 517-524. DOI: 10.1145/800186.810616.

[33]
Allain C, Cloitre M. Characterizing the lacunarity of random and deterministic fractal sets. Physical Review A, 1991, 44(6): 3352. DOI: https://doi.org/10.1103/PhysRevA.44.3552.

[34]
Cheng Q M, Agterberg F P. Multifractal modeling and spatial statistics. Mathematical Geology, 1996, 28(1): 1-16. DOI: 10.1103/PhysRevA.44.3552.

[35]
Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 1996, 28(4): 281-298. DOI: 10.1111/j.1538-4632.1996.tb00936.x.

[36]
Zhang D J, Ren N, Hou X H. An improved logistic regression model based on a spatially weighted technique (ILRBSWT v1.0) and its application to mineral prospectivity mapping. Geoscientific Model Development, 2018, 11(6): 2525. DOI:10.5194/gmd-11-2525-2018.

[37]
Zhang M, Shan C, Wang W W, et al. Do driving restrictions improve air quality: Take Beijing-Tianjin for example?. Science of the Total Environment, 2020: 136408. DOI: 10.1016/j.scitotenv.2019.136408.

[38]
Hurvich C M, Simonoff J S, Tsai C L. Smoothing parameter selection in nonparametric regression using an improved Akaike information criterion. Journal of the Royal Statistical Society, 1998, 60(2): 271-293. DOI: 10.1111/1467-9868.00125.

[39]
Su S L, Xiao R, Zhang Y. Multi-scale analysis of spatially varying relationships between agricultural landscape patterns and urbanization using geographically weighted regression. Applied Geography, 2012, 32(2): 360-375. DOI: 10.1016/j.apgeog.2011.06.005.

[40]
Zhang D J, Cheng Q M, Agterberg F, et al. An improved solution of local window parameters setting for local singularity analysis based on Excel VBA batch processing technology. Computers & Geosciences, 2016, 88: 54-66. DOI: 10.1016/j.cageo.2015.12.012.

[41]
Didan K. MOD13Q1 MODIS/Terra Vegetation Indices 16-day L3 Global 250m SIN Grid V006. NASA EOSDIS Land Processes DAAC, 2015, 10: 415. DOI: 10.5067/MODIS/MOD13Q1.006.

[42]
刘若莎, 王冬梅, 杨海龙, 等. 青海黄土高寒区植被生态功能评价及优化措施. 中国水土保持科学, 2021, 19(1): 97-105.

[Liu Ruosha, Wang Dongmei, Yang Hailong, et al. Vegetation ecological function evaluation and optimization measures in the Loess Alpine Region of Qinghai. Science of Soil and Water Conservation, 2021, 19(1): 97-105.] DOI:10.16843/j.sswc.2021.01.012.

[43]
桑广书. 黄土高原历史时期植被变化. 干旱区资源与环境, 2005, (4): 54-58.

[Sang Guangshu. Vegetation variation of loess plateau during human history. Journal of Arid Land Resources and Environment, 2005, (4): 54-58.]

[44]
Zhang D J, Jia Q Q, Wang P, et al. Analysis of spatial variability in factors contributing to vegetation restoration in Yan'an, China. Ecological Indicators, 2020, 113: 106278. DOI: 10.1016/j.ecolind.2020.106278.

Options
Outlines

/

〈 〉