欢迎访问陕西师范大学学报(自然科学版)官方网站！

陕西师范大学学报(自然科学版) >

2026 , Vol. 54 >Issue 3: 52 - 66

DOI: https://doi.org/10.15983/j.cnki.jsnu.2026304

交通网络组织及其空间效应专题(主持人：李涛 邱孟龙 李继园)

省域高速公路路域景观格局与生态质量评价——以福建省为例

  • 王武林 , 1, * ,
  • 周伟健 2
展开
  • 1 湖南师范大学 旅游学院, 湖南 长沙 410081
  • 2 福州大学 数字中国研究院(福建), 福建 福州 350108
* 王武林,男,副教授,博士,主要研究方向为交通地理、城乡融合等。E-mail:

Office editor: 程琴娟

收稿日期: 2024-12-06

  网络出版日期: 2026-05-09

基金资助

国家自然科学基金(42371224)

湖南省自然科学基金(2023JJ30406)

收起

Evaluation of landscape pattern and ecological quality of expressways from a provincial perspective:a case study of Fujian province

  • WANG Wulin , 1, * ,
  • ZHOU Weijian 2
Expand
  • 1 College of Tourism, Hunan Normal University, Changsha 410081, Hunan, China
  • 2 Academy of Digital China (Fujian), Fuzhou University, Fuzhou 350108, Fujian, China

Received date: 2024-12-06

  Online published: 2026-05-09

Fold

摘要

福建省生态环境质量优良且稳定,研究其高速公路网络景观及其对生态质量的影响有助于揭示省域高速公路网络演化对景观生态的影响。选取福建省高速公路两侧3 km作为研究区域,运用GIS技术、Fragstats与景观格局指数、遥感生态指数(remote sensing ecological index, RSEI)以及InVEST模型等方法,探讨1994—2022年福建省高速公路路域景观格局与生态质量演化。结果表明:30~90 m范围是路域尺度效应分析的第一尺度域,40 m为路域景观格局分析的最佳粒度;耕地、林地、草地、水域和未利用地的破碎度指数均有不同程度的增长,建设用地破碎度指数不断下降;路域整体的破碎化程度加剧,各地类的离散程度增加,生态系统结构稳定性有所下降;路域、林地、草地的碳储量有所下降,耕地、水域、未利用地和建设用地的碳储量有不同程度的增长,碳储量变化较大的区域主要位于沿海发展较快的地市;路域RSEI均值高于0.6,生态环境质量较好,路域RSEI等级为差和较差的区域主要分布于福建的东南部沿海地市,路域生态环境质量变好与变差的区域面积大致相同,路域1 000 m范围内的破碎度指数、RSEI值等受到的影响最为明显。

关键词： 景观格局; RSEI; 生态质量; 高速公路; 福建省

本文引用格式

王武林 , 周伟健 . 省域高速公路路域景观格局与生态质量评价——以福建省为例[J]. 陕西师范大学学报(自然科学版), 2026 , 54(3) : 52 -66 . DOI: 10.15983/j.cnki.jsnu.2026304

Abstract

The ecological environment quality of Fujian province remains excellent and stable. It is helpful to reveal the effects of the provincial expressway network evolution on the landscape ecology by studying the expressway network landscape and its impact on ecological quality. This study selects 3 km on both sides of the expressways in Fujian province as the research area, utilizes GIS technology, Fragstats software with landscape pattern indices, the remote sensing ecological index (RSEI), and the InVEST model, to investigate the evolution of landscape patterns and ecological quality of expressway corridor in Fujian province from 1994 to 2022. The results show that: the 30-90 m range constitutes the primary scale domain for the expressway corridor scale effect analysis, with 40 m being identified as the optimal grain size for landscape pattern analysis of the expressway corridor. The fragmentation index of cultivated land, forestland, grassland, water area and unused land have increased in varying degrees, while the fragmentation index of construction land has continued to decline. The overall fragmentation of the expressway corridor has intensified, the dispersion of various types has increased, and the stability of the ecosystem structure has declined. Carbon storage of the expressway corridor, forest land, and grassland has declined, while cultivated land, water area, unused land, and construction land increased in varying degrees. Areas with greater changes in carbon storage are mainly located in coastal cities with faster development. The average RSEI value of the expressway corridor is higher than 0.6, and the ecological environment quality is good. The areas with poor and relatively poor RSEI levels in the expressway corridor are mainly distributed in the southeastern coastal cities of Fujian province.The ecological environment quality of the expressway corridor improved and deteriorated are roughly the same over the 28 years. The fragmentation index and RSEI value within 1 000 m of the expressway corridor are most significantly affected, and the impact beyond 1 000 m gradually weakens.

Key words： landscape pattern; RSEI; ecological quality; expressway; Fujian province

福建省是首个国家生态文明先行示范区、国家生态文明试验区,具有山多海阔的地域特征,坚持走生态优先、陆海统筹的绿色发展道路,生态环境质量稳定优良且持续居于全国前列,其生态文明建设成就在全国范围内具有示范引领作用。自1994年福建省开始建设第1条高速公路(泉厦高速公路)以来,截至2022年底,福建省高速公路里程已达6 156 km,居全国第2位,是全国第4个实现“县县通高速”的省份。高速公路作为线状人工设施,对于生态系统及其生境具有一系列不同尺度的生态效应,会直接或间接地影响周围土地利用结构、功能和格局[1],直观体现为路域斑块数目增加、斑块形状与面积改变[2],并影响(或导致)生物多样性、环境污染、景观破碎化、动物栖息地等[3]。以福建省高速公路为研究对象,不仅可以了解福建省高速公路网络路域生态,更为实现生态文明建设与“交通强国”的深度融合提供科学参考。
公路景观是景观格局的一部分,产生的影响往往是长远且不容忽视的[4]。国外学者关注高速公路对景观破碎化的影响[5-6],随着各类景观格局评价指数的出现,对景观格局的评价逐渐发展为构建指数或者模型进行综合评价[7]。国内学者多关注于单一公路或若干相邻公路的景观格局。不同景观指数的适应性有所不同[2],目前学术界尚未构建起可以全面概括景观格局所有特征的指标体系[8],不少学者通过构建景观生态质量评价体系揭示高速公路修建前、中、后3个时期内景观格局的变化规律[9]及与景观破碎化的影响关系[10]。不同学者对高速公路影响域的界定也不相同,大多倾向于以1~6 km作为缓冲区研究高速公路对周边景观格局影响的范围[11-13]。高速公路作为一种永久性的人造建筑,不仅改变景观结构,也影响区域景观生态[14],公路网络对生态的影响表现为公路破碎化和潜在的干扰效应[15]。结合包括遥感方法在内的手段计算高速公路周边的生态指数来评估其对生态环境的具体影响,如Landsat数据[16]、生态环境质量指数[17]以及GEE云计算平台[18]等均是常见的路域生态质量评价数据或方法。
路域生态环境研究已从分析路域生态、人类干扰的单一景观向空间化、多时序、综合性发展,分析手段以定性描述结合定量的统计为主,倾向于对高速公路特定路段建设前后的路域生态格局变化进行对比分析。然而高速公路影响范围和强度、评价指标与标准等问题尚待解决,高速公路网络发展对周围生态安全格局的扰动以及高速公路建成后持续运营对周围生态环境造成影响的研究较为少见。有鉴于此,本文以1994—2022年福建省高速公路网络及其路域为研究对象,采用遥感数据及景观指数、RSEI指数(整合了多个生态因子指标,通过降维提取主成分避免了单一指标可能带来的片面性,具有客观性强、适用范围广的优点)和InVEST模型等方法,梳理1994年、2004年、2014年和2022年4个年份的景观格局与生态环境质量演化格局,揭示省域高速公路网络对周围生态环境的影响规律以及路域内部的相互作用,为制定相应的生态保护策略和环境修复措施提供参考。

1 研究区域与数据方法

1.1 研究区域及其高速公路路域影响范围选择

福建省地处中国东南沿海,是我国首个生态文明示范区和国家生态文明试验区,下辖福州、厦门、泉州等9个地级市,另设有平潭综合实验区,陆地面积共12.4万km2。福建省属于亚热带季风气候,有80%以上的土地面积为山地丘陵,素有“八山一水一分田”之称,地势中部、西北部高,东南部低。福建省高速公路发达,是全国第4个实现“县县通高速”的省份(图1)。
图1 2022年福建省高速公路分布图

注:基于福建省标准地图服务网站标准地图(审图号:闽S〔2023〕254号)制作,底图无修改。网络版为彩图。

Fig.1 Distribution of expressways in Fujian province in 2022

道路影响域是指道路两侧一定范围内的区域,在这个范围内道路的建设运营会对生态环境、景观格局、土地利用等产生较为明显的影响,因此在进行高速公路路域生态影响评价之前需要先确定高速公路影响范围。国际上通常以道路等级来划分影响范围,其中高速公路影响范围被界定为以道路中线为起点至两侧各1 km。但由于不同研究区域内地形地貌特征、路网密度等不相同,不同研究对高速公路影响域的界定不同,一般认为高速公路路域1~6 km范围对周围环境的直接和间接影响范围较大[13,19]。参考现有研究并结合福建省的区位特征等条件,本文以福建省高速公路中线两侧各3 km、共6 km宽的区域作为研究对象(本文统称为“路域”),探究福建省高速公路网络对周围生态环境的影响。

1.2 研究方法

1.2.1 景观格局指数

景观格局指数是指高度浓缩景观格局信息,用于描述、量化和解释土地利用空间结构及其动态变化的指数,能反映土地利用景观结构组成和空间配置等方面的特征[20],包括斑块水平、斑块类型水平和景观水平等。本文主要采用表1的景观格局指数探究福建省高速公路路域景观格局的演化。
表1 景观格局指数计算公式及其含义

Tab.1 Calculation formula of landscape pattern index and its significance

指数 计算公式 参数含义
斑块数量N N在类型水平上等于某一景观类别的斑块总数,在景观水平上等于所有斑块总数。
斑块密度DP DP=N/A N为斑块总数;A为景观总面积。
边缘密度DE DE= $\frac{1}{{A}_{i}}{\sum }_{j}^{}$Lij Ai为第i类斑块的总面积;Lij为i类斑块与相邻j类斑块间的边界长度。
斑块形状指数ILS ILS= $\frac{0.25{E}_{ij}}{\sqrt[　]{A}}$ Eij为相邻斑块类型i和j之间的边缘总长度;A为景观总面积。
平均斑块面积AMPS AMPS= ${\sum }_{i}^{}$Ai/Ni Ai为第i类斑块面积;Ni为i类斑块总数。
周长面积分维数IPAFRAC IPAFRAC= $\frac{2/\left\{\left[{N}_{i}{\sum }_{j}^{}\left(ln{P}_{ij}-ln{A}_{ij}\right)\right]-\left[\left({\sum }_{j}^{}{P}_{ij}\right)\left({\sum }_{j}^{}{A}_{ij}\right)\right]\right\}}{\left({N}_{i}{\sum }_{j}^{}ln{P}_{ij}^{2}\right)-{\left({\sum }_{j}^{}ln{P}_{ij}\right)}^{2}}$ Aij为第i类景观中第j个斑块的面积;Pij为第i类景观中第j个斑块的周长;Ni为斑块的数量;IPAFRAC反映不同空间尺度的复杂性。
蔓延度指数ICONTAG ICONTAG= $\left[1+\frac{{\sum }_{i}^{}{\sum }_{k}^{}\left[{R}_{i}\left(\frac{{g}_{ik}}{{\sum }_{k}^{}{g}_{ik}}\right)\right]\left[ln{R}_{i}\left(\frac{{g}_{ik}}{{\sum }_{k}^{}{g}_{ik}}\right)\right]}{2ln m}\right]$×100 Ri为i类型斑块的面积比;gik为i、k类型斑块毗邻数量;m为斑块类型总数量。
相似邻接比例度IPLADJ IPLADJ= $\left(\frac{{g}_{ik}}{{\sum }_{k}^{}{g}_{ik}}\right)$×100 gik为相邻斑块数量。该指数反映斑块的离散程度,值越小离散程度越大。
有效网格面积AMESH AMESH= $\frac{1}{{A}_{i}}{\sum }_{j}^{}{A}_{ij}^{2}$ Aij为第i类景观中第j个斑块的面积。
破碎度指数ISPLIT ISPLIT=Ni/Ai Ni为景观i的斑块数量;Ai为i类斑块总面积。
聚合指数IA IA=1- $\frac{C}{{C}_{max}}$ C为复杂性指数[21],该指数值越小,景观类型越离散。
凝聚度指数ICOHESION ICOHESION= $\left[1-\frac{{\sum }_{j}^{}{P}_{ij}}{{\sum }_{j}^{}{P}_{ij}\sqrt{{A}_{ij}}}\right]{\left[1-\frac{1}{\sqrt{A}}\right]}^{-1}$×100 Aij为第i类景观中第j个斑块的面积;Pij为第i类景观中第j个斑块的周长;A为该景观的总面积。
香农均匀度指数ISHE ISHE= $\frac{-{\sum }_{i}^{}({R}_{i}\times ln{R}_{i})}{ln m}$ m为景观中斑块类型的总数;Ri是指斑块类型i占整个景观的面积比。
景观分离度指数IDIVISION IDIVISION=1- ${\sum }_{j}^{}{\left(\frac{{A}_{j}}{A}\right)}^{2}$ A表示景观的总面积;Aj表示某类景观的第j个斑块面积。

1.2.2 遥感生态指数

遥感生态指数(remote sensing ecological index, RSEI)由绿度、湿度、干度、热度4个指标组成,并通过主成分分析对数据进行降维。在已有的研究中,4个指标通常采用归一化植被指数(normalized difference vegetation index,NDVI,式中记为INDVI)、湿度(WET,式中记为W)、干度(NDBSI,式中记为INDBSI)、陆地地表温度(land surface temperature,LST,式中记为TLS) 4个指数来进行计算[22]。NDVI与植物生物量、叶面积指数及植被覆盖度密切相关,是体现植被密度和健康状况的一个指标;湿度反映水体、土壤及植被的湿度,对于植被生长、灾害防治、区域生态环境保护有明显的正向效果;干度表达了地表的“干化”;LST是陆-气能量平衡的重要指标,是影响植被动态的主要因素之一,对区域生态环境起到负向作用[23]。遥感生态指数(式中记为IRES)可以表示为
IRSE=f(INDVI,W,INDBSI,TLS)。
1)绿度指标
本文采用NDVI(式中记为INDVI)表征绿度指标,NDVI在RSEI体系中作为正向指标参与计算,计算公式为
INDVI= $\frac{{\rho }_{nir}-{\rho }_{red}}{{\rho }_{nir}+{\rho }_{red}}$。
式中,ρ代表对应波段,下标nir表示近红外波段、red表示红光波段。NDVI值越大,代表植被覆盖程度越高。
2)湿度指标
湿度指标(式中记为W)用于衡量研究区域中水分总体含量,在RSEI体系中作为正向指标参与计算,湿度指标对生态环境起到正向积极作用,计算公式为
WTM=0.031 5ρblue+0.202 1ρgreen+0.301 2ρred+0.159 4ρnir-0.680 6ρswir1-0.610 9ρswir2,
WETM=0.150 9ρblue+0.197 3ρgreen+0.327 9ρred+0.340 6ρnir-0.711 2ρswir1-0.457 2ρswir2,
WOLI=0.151 1ρblue+0.197 3ρgreen+0.328 3ρred+0.340 7ρnir-0.711 7ρswir1-0.455 9ρswir2。
式中:下标TM、ETM、OLI分别为对应的Landsat传感器;ρ代表对应的波段,下标blue为蓝光波段、green为绿光波段、red为红光波段、nir为近红外波段、swir1为中红外波段1、swir2为中红外波段2。W值越大,代表湿润程度越高。
3)干度指标
采用建筑指数IBI(式中记为IIBI)和土壤指数SI(式中记为ISI)合成NDBSI(式中记为INDBSI)作为衡量研究区域干度的指标,在RSEI体系中作为负向指标参与计算,公式为
INDBSI= $\frac{{I}_{IBI}+{I}_{SI}}{2}$,
IIBI= $\frac{\frac{2{\rho }_{swir1}}{{\rho }_{swir1}+{\rho }_{nir}}-\left[\frac{{\rho }_{nir}}{{\rho }_{nir}+{\rho }_{red}}+\frac{{\rho }_{green}}{{\rho }_{green}+{\rho }_{swir1}}\right]}{\frac{2{\rho }_{swir1}}{{\rho }_{swir1}+{\rho }_{nir}}+\left[\frac{{\rho }_{nir}}{{\rho }_{nir}+{\rho }_{red}}+\frac{{\rho }_{green}}{{\rho }_{green}+{\rho }_{swir1}}\right]}$,
ISI= $\frac{\left({\rho }_{swir1}+{\rho }_{red}\right)-\left({\rho }_{nir}+{\rho }_{blue}\right)}{\left({\rho }_{swir1}+{\rho }_{red}\right)+\left({\rho }_{nir}+{\rho }_{blue}\right)}$。
式中,ρ代表对应的波段,下标blue表示蓝光波段、green表示绿光波段、red表示红光波段、nir表示近红外波段、swir1表示中红外波段1。计算值越大,表示研究区域环境越干燥。
4)热度指标
采用陆地地表温度LST(式中记为TLS)来代表热度指标,在RSEI体系中作为负向指标参与计算,常用的反演方法主要有大气校正法、单窗算法和劈窗算法,本文采用大气校正法。由于2000年以前的大气透过率参数缺失,本文参考杨永健等的方法[24]对计算公式进行简化,公式为
TLS= $\frac{T}{\left[1+\left(\frac{\lambda T}{\xi }\right)\times ln \epsilon \right]}$-273.15,
T= $\frac{{K}_{2}}{ln\left(\frac{{K}_{1}}{L}+1\right)}$,
L=G×D+B。
式中:λ为热红外波段中心波长,TM、ETM、TIRS+OLI传感器的相关参数分别为11.435、11.45、10.9 μm;ξ =1.438×10-2 m·K;T为传感器处温度值;K1、K2为定标参数,不同卫星参数分别为K1=607.76 W/(m-2·μm-1·sr-1)、K2=1 260.56 K(Landsat5),K1=666.09 W/(m-2·μm-1·sr-1)、K2=1 282.71 K(Landsat7),K1=774.89 W/(m-2·μm-1·sr-1)、K2=1 321.08 K(Landsat8);L为热红外波段的像元在传感器处的辐射值,其中landsat5、landsat7为B6波段,landsat8为B10波段;D为像元灰度值;G和B分别为热红外波段的增益值与偏置值,可以从影像的头文件获得[25]。
εsurface=0.962 5+0.061 4Pv-0.046 1 ${P}_{v}^{2}$,
εbuilding=0.958 9+0.086Pv-0.067 1 ${P}_{v}^{2}$。
式中,εsurface与εbuilding分别代表自然表面像元与城镇像元的比辐射率,水体像元比辐射率为0.995。
Pv= $\left\{\begin{array}{l}0,{I}_{NDVI}0\\ \frac{{I}_{NDVI}-{I}_{soil}}{{I}_{veg}-{I}_{soil}},0\le {I}_{NDVI}\le 0.7。\\ 1,{I}_{NDVI}0.7\end{array}\right.$
植被覆盖度采用简化的计算模型,Pv代表植被覆盖度,Isoil为完全裸土或无植被覆盖区域的NDVI值,Iveg代表植被所覆盖区域NDVI值,参考相关研究经验,Iveg取值为0.7,Isoil取值为0。
5)RSEI建立
为保证量纲一致以便后续进行主成分分析,需要对4个指数进行归一化处理,计算公式为
X= $\frac{X-{X}_{min}}{{X}_{max}-{X}_{min}}$。
式中:Xmin为像元最小值;Xmax为像元最大值。
将经过归一化处理的指数合成为一幅影像,并通过主成分分析提取包含影像大部分信息的主成分数据,为了便于不同年份数据间的直观分析,将各年份的值做归一化处理得到最终的RSEI值。

1.2.3 InVEST模型

InVEST模型由美国斯坦福大学、大自然保护协会与世界自然基金会共同研发,可以模拟不同土地利用情景下生态服务系统物质量和价值量的变化,是一种生态系统服务和权衡的综合评估模型[26]。通过该模型的碳储量估算(carbon storage and sequestration)模块,基于土地利用数据及其对应的碳密度数据可以估算研究区域内的碳储量。碳密度数据分为4类,分别为地上、地下、土壤、死亡有机质[27],研究区域内总的碳储量数据由这4类碳库相加得到。
生态系统中各用地类型对应的碳密度数据不会在短期内发生改变[28],本文所使用的碳库数据参考福建省相关研究[29]。

1.3 数据来源

本文的研究数据来源如下:1)高速公路网络矢量数据来自Open Street Map网站(https://www.openstreet-map.org/)和全国地理信息资源目录服务系统(https://www.webmap.cn/main.do?method=inde-x);2)土地利用数据采用武汉大学公布的CLCD(China land cover dataset)数据集[30],分辨率为30 m,总体准确率达80%,基本满足研究需要,其中由于界定的高速公路影响域内灌木的占比较少,因此将灌木并入森林中,CLCD数据重分类为耕地、林地、草地、水体、未利用地、建设用地;3)遥感生态指数RSEI基于GEE平台数据库利用Landsat5、Landsat7、Landsat8数据计算,所用的遥感数据均采用年度中位值合成,以此来减小云层等干扰因素带来的极端异常值的影响。

2 结果分析

2.1 路域景观格局演化

2.1.1 路域景观格局尺度选择

选择合适的尺度可以更准确地反映景观特征,最大限度地减少信息失真[31]。运用拐点识别法和景观面积损失评价法相结合的方法,根据景观指数的最大值、平均值和标准差在不同范围内的变化趋势,寻找最适合福建省高速公路景观格局分析的尺度。
确定景观指数随粒度变化的第一尺度域,参考相关研究[2,27],选择斑块数量(N)、斑块密度(DP)、边缘密度(DE)、斑块形状指数(ILS)、平均斑块面积(AMPS)、周长面积分维数(IPAFRAC)、蔓延度指数(ICONTAG)、相似邻接比例度(IPLADJ)、有效网格面积(AMESH)、破碎度指数(ISPLIT)、聚合指数(IA)等11个指数计算景观水平下各指数的变化趋势,景观水平上景观格局指数在30~400 m范围内的粒度效应呈现单调下降、波动下降、单调上升、波动上升4种趋势(图2)。
图2 景观指数粒度响应曲线

Fig.2 Response curve of landscape index granularity

采用拐点识别法以景观格局指数的变化探究最适合的空间粒度。30~400 m范围内,斑块数量、斑块密度、边缘密度、斑块形状指数、蔓延度指数、相似邻接比例度、聚合指数等指数呈下降趋势且无明显波动变化,转折点不明显。破碎度指数呈现波动下降的趋势,转折点较明显,其第一次转折点出现在80 m处,第一尺度域为30~90 m。平均斑块面积总体上呈单调上升趋势;周长面积分维数先随着粒度增加而快速增长,后趋于平缓;有效网格面积则对粒度变化较为敏感,呈波动上升趋势,其第一次转折点同样出现在80 m处,第一尺度域为30~90 m。
综合分析所采用的11种景观格局指数对空间粒度变化的响应,其中只有破碎度指数、有效网格面积指数对空间粒度变化有较为显著的响应,随空间粒度增加呈现波动变化状态,其余指数均对空间粒度变化不敏感,没有出现明显的波动和转折点。因此,30~90 m可作为福建省高速公路路域尺度效应分析的第一尺度域。
参考相关研究[32],在不同的空间粒度下,景观所能表达的信息量不同,通过构建面积信息损失指数可以得到景观在粒度转换前后的面积信息损失度。以30 m分辨率土地利用景观格局数据为底图,通过重采样方法生成30~400 m范围内的景观格局图来表征空间粒度的变化,以探究景观指数对空间粒度变化的响应。以2022年土地利用分类数据为基础计算得到在30~90 m范围内,信息损失指数始终呈现上升趋势。综合评价面积信息损失指数和景观指数粒度效应,在30~90 m的第一尺度域范围内,可选择面积信息损失最小的粒度,即40 m作为路域景观格局分析的最佳粒度(图3)。因此,后续研究将40 m作为土地利用数据重采样依据,研究路域斑块类型及其景观水平与生态质量。
图3 面积损失指数图

Fig.3 Area loss index graph

2.1.2 不同地类景观格局演化

选择斑块密度(DP)、凝聚度指数(ICOHESION)、破碎度指数(ISPLIT)、斑块形状指数(ILS)、平均斑块面积(AMPS)等5个指数,分析1994—2022年福建省高速公路网络沿线6 km范围内耕地、林地、草地、水域、未利用地和建设用地等地类的变化(表2)。耕地、林地、草地、水域、未利用地的破碎度指数均有不同程度的增长,各地类内部的离散程度均有不同程度的增加。对比不同地类的平均斑块面积指数,路域范围内的林地面积最大,但在高速公路建设过程中林地的平均斑块面积在不断减小,林地的整体性被打破。建设用地的破碎度指数不断下降,随时间变化在空间上呈现更加聚集和连贯的趋势,整体连续性增加。
表2 不同地类景观指数变化

Tab.2 Changes in landscape index of different land types

地类 年份 DP ICOHESION ISPLIT ILS AMPS
耕地 1994 2.78 99.30 633.54 311.43 8.21
2004 2.40 99.14 1 554.99 337.72 8.58
2014 2.63 98.87 2 869.33 391.98 7.89
2022 2.70 98.85 2 727.28 395.11 8.46
林地 1994 0.89 99.90 14.46 152.89 81.52
2004 0.79 99.90 14.75 147.99 92.30
2014 0.92 99.89 19.00 164.71 76.56
2022 0.94 99.88 22.17 169.54 72.54
草地 1994 0.31 71.82 224 729 000 112.81 0.59
2004 0.19 66.14 714 983 000 87.25 0.55
2014 0.21 56.38 1 098 500 000 88.95 0.41
2022 0.12 52.67 3 636 250 000 65.00 0.38
水域 1994 0.32 97.37 75 231.80 108.26 7.31
2004 0.33 97.25 82 017.20 115.03 7.70
2014 0.37 96.83 121 486.54 122.98 6.65
2022 0.35 95.67 316 185.98 112.18 4.59
未利用地 1994 0.01 88.97 304 383 000 17.53 1.89
2004 0.01 86.62 420 367 000 18.36 1.45
2014 0.04 65.75 2 532 940 000 39.49 0.56
2022 0.04 60.33 3 567 850 000 39.63 0.48
建设用地 1994 0.98 90.39 1 036 127.00 199.77 2.22
2004 1.02 95.49 134 742.65 216.31 3.76
2014 1.22 97.42 32 403.04 245.68 4.92
2022 1.30 97.66 29 252.85 250.20 5.56

2.1.3 路域景观水平指数演化

景观水平指数可以反映研究区域内整体的景观格局变化情况,采用凝聚度指数、破碎度指数、香农均匀度指数、景观分离度指数等指标分析1994—2022年路域景观格局变化程度(图4)。其中,凝聚度指数呈波动下降的趋势,说明路域范围内的各斑块变得更加分散;景观分离度指数和破碎度指数呈波动上升的趋势,尤其在2004年之后增长幅度明显加大,说明路域景观之间的物理隔离不断加剧;香农均匀度指数亦呈上升趋势,但其值始终位于0.5以下,表明路域各斑块的分布处于较离散的状态。换言之,1994—2022年路域景观格局有较大幅度的变化,整体的破碎化程度加剧,各地类的离散程度增加,生态系统结构稳定性有所下降。
图4 景观格局指数变化图

Fig.4 Changes of landscape pattern index

2.2 路域碳储量及生态质量演化

2.2.1 路域碳储量演化

以InVEST模型中的碳存储模块计算1994年、2004年、2014年、2022年路域碳储量的变化(表3)。1994—2022年的碳储量变化较小。其中,耕地的碳储量呈先降后升的趋势,但整体变化较小;林地碳储量最高且呈现下降的趋势;草地的碳储量下降趋势明显;水域的碳储量处于先增后降的趋势,整体变化较小;未利用地的碳储量呈波动上升趋势,变化幅度较大;建设用地的碳储量处于持续上升趋势,且增长速度相对较快。
表3 不同地类碳储量统计

Tab.3 Statistics of carbon storage in different land types

年份 耕地 林地 草地 水域 未利用地 建设用地 总碳储量
1994 2 212.512 12 180.447 14.689 24.319 0.871 174.951 14 644.477
2004 1 998.475 12 259.785 8.339 28.292 0.723 314.281 14 651.454
2014 2 023.307 11 854.692 6.883 29.834 1.241 497.212 14 454.660
2022 2 255.047 11 388.876 3.759 27.366 1.208 597.963 14 329.063
1994—2022年的变化 增长 下降 下降 增长 增长 增长 下降
从空间分布(图5)来看,碳储量变化较大的区域主要位于沿海发展较快的区域(如福州、莆田、厦门、漳州、泉州等地),这些地市的高速公路沿线碳储量减少相对较多。由于高速公路建设过程中会改变现有的土地利用状况,侵占碳储量密度较高的林地、草地等地类,因此高速公路发展与城市化较快区域周围用地的碳储量减少得较快。
图5 路域碳储量分布图

注:网络版为彩图。

Fig.5 Carbon storage in the expressway corridor

2.2.2 路域RSEI指数演化

采用遥感生态指数RSEI测度1994—2022年福建省高速公路生态环境质量,采用NDVI、WET、LST、NDBSI 4个指数的主成分分析结果衡量。其中,1994—2022年NDVI均值呈先降后升的变化趋势,LST表现为先升后降的变化趋势,WET、NDBSI的均值则表现为不同程度的下降趋势(表4)。
表4 NDVI、WET、LST、NDBSI 4个指数与RSEI均值统计表

Tab.4 Mean statistics of NDVI、WET、LST、NDBSI and RSEI

年份 NDVI WET NDBSI LST RSEI
1994 0.774 2 0.794 4 0.427 5 0.311 2 0.667 8
2004 0.737 2 0.777 6 0.340 1 0.517 3 0.678 4
2014 0.764 0 0.765 8 0.437 9 0.377 9 0.644 6
2022 0.841 7 0.780 3 0.390 6 0.426 5 0.661 5
对上述4个指数进行标准化处理后,再进行波段合并及水体剔除等处理,继而采用主成分分析方法测度RSEI指数的变化(表5)。按照主成分累计贡献率超过80%的原则,2004年和2022年的第一主成分贡献率都在80%以上,1994年和2014年第一主成分和第二主成分累计贡献率超过80%。参考相关研究[23],使用第一主成分或者第一与第二主成分相结合作为RSEI计算结果可行。
表5 RSEI主成分分析结果表

Tab.5 Principal component analysis of RSEI

年份 主成分 NDVI WET NDBSI LST 特征值 贡献率/%
1994 1 -0.680 2 -0.216 5 0.687 0 0.135 7 0.021 5 75.85
2 -0.631 8 -0.449 2 0.385 2 0.500 6 0.003 8 13.26
3 0.292 4 -0.194 9 0.395 7 -0.848 5 0.002 8 9.99
4 -0.229 2 -0.844 6 -0.472 3 -0.105 2 0.000 3 0.91
2004 1 0.953 2 0.156 3 -0.131 7 -0.222 9 0.018 2 87.51
2 0.273 3 -0.309 5 0.074 6 0.907 7 0.001 9 9.05
3 0.107 3 -0.857 0 0.358 8 -0.354 0 0.000 7 3.29
4 0.072 4 0.381 3 0.921 1 0.032 5 0.000 0 0.15
2014 1 0.661 5 0.135 0 -0.672 9 -0.302 4 0.034 8 78.31
2 0.194 5 0.038 3 -0.229 3 -0.952 9 0.007 3 16.47
3 -0.717 9 0.261 7 -0.644 7 -0.019 1 0.002 2 5.00
4 -0.095 5 -0.954 9 -0.281 0 -0.009 8 0.000 1 0.21
2022 1 -0.632 2 -0.191 3 0.687 6 0.301 5 0.029 5 82.83
2 0.116 2 0.081 3 -0.286 1 0.947 7 0.004 5 12.71
3 0.747 1 -0.378 9 0.536 3 0.102 8 0.001 5 4.16
4 -0.169 3 -0.901 8 -0.397 0 -0.021 7 0.000 1 0.30
将经过主成分分析后的RSEI进行标准化和归一化处理,使RSEI结果范围为[0,1]。按照目前常用的分类标准将RSEI计算结果均分为以下5类:差(0~0.2)、较差(0.2~0.4)、中等(0.4~0.6)、较好(0.6~0.8)、好(0.8~1)。
1994年、2004年、2014年、2022年RSEI均值分别为0.667 8、0.678 4、0.644 6、0.661 5(表4)。总体来看,路域RSEI值变化幅度不大;从数值来看,各年份均值均高于0.6,整体生态环境质量较好。
结合RSEI分级统计数据及其分布(图6)来看,RSEI等级为差和较差的区域主要分布于福州、莆田、泉州、厦门和漳州等东南部沿海地市,宁德、南平、三明和龙岩等北部和西部地市的RSEI等级以好、较好和中等为主。其中,1994年在高速公路开工建设之际,RSEI等级为差和较差的区域主要分布在福州、莆田、泉州、厦门和漳州等东部沿海地市,西部和北部的RSEI等级以中等、较好和好为主;2004年基本维持1994年的RSEI等级分布格局,RSEI等级为差和好的面积均有所上升;2014年和2024年仍基本维持既有的RSEI等级分布格局。
图6 RSEI结果分布图

注:网络版为彩图。

Fig.6 Distribution of RSEI

计算RSEI数据差值,得到1994—2004年、2004—2014年、2014—2022年3个时间段生态环境质量变化趋势,并将变化结果划分为3种类型:差值为正表示变好、差值为0表示不变、差值为负表示变差(图7)。
图7 RSEI变化类型图

注:网络版为彩图。

Fig.7 Change type of RSEI

28年间路域生态环境质量变好跟变差的区域面积大致相同。1994—2004年,大部分区域的RSEI保持不变,面积为17 646.98 km2,占比57.35%;变差的面积为5 743.39 km2,占比18.66%;变好的面积为7 382.46 km2,占比为23.99%。2004—2014年,大部分区域的RSEI保持不变,面积为18 258.39 km2,占比59.41%;变差的面积有所增长,达8 784.60 km2,占比28.58%;变好的面积下降至3 691.73 km2,占比为12.01%。2014—2022年,RSEI保持不变的面积增长至20 774.05 km2,占比67.68%;变差的面积下降至3 539.46 km2,占比11.53%;变好的面积增长至6 382.04 km2,占比为20.79%。

2.2.3 影响距离识别

以每500 m为间隔建立缓冲区,计算每个缓冲区内景观水平指数与遥感生态指数的变化情况,以土地利用综合程度指数衡量各缓冲区内的土地利用程度[33],分析距高速公路距离增加时周围土地利用格局所受影响的变化程度(图8)。
图8 不同缓冲区内景观水平指数变化

Fig.8 Changes of landscape level index in different buffer zones

从各年份各指数的变化趋势可知,在距离高速公路500~1 000 m范围处,破碎度指数、凝聚度指数和景观分离度指数均表现出较大幅度的变化,1 000 m之后变化趋势又逐渐变缓;相比而言,香农均匀度指数的变化幅度较为不明显,但从同年份不同缓冲区的变化趋势来看,0~1 000 m范围内香农均匀度指数的变化幅度大于其他缓冲区范围内的变化幅度。此外,RSEI值在0~1 000 m范围内增加幅度最大,在1 000 m之后增长趋势逐渐放缓,路域1 000 m范围内的生态环境质量受到的影响最为明显,1 000 m之后的区域受到的影响逐渐减弱。

3 结论与讨论

3.1 结论

本文基于1994—2022年福建省高速公路网络数据及其周边土地利用数据和遥感生态指数相关数据,运用3S等技术手段,探讨了福建省高速公路路域景观格局及其生态质量的演变规律,主要结论如下:
30~90 m是福建省高速公路路域尺度效应分析的第一尺度域,40 m是其路域景观格局分析的最佳粒度。
路域的耕地、林地、草地、水域、未利用地的破碎度指数均有不同程度的上升,各地类内部的离散程度均有不同程度的增加;路域的林地面积最大,但其平均斑块面积在不断减小,整体性被打破;建设用地的破碎度指数不断下降,空间上呈现更加聚集和连贯的趋势,整体连续性增加。路域的凝聚度指数呈波动下降趋势,各斑块变得更加分散;景观分离度指数和破碎度指数呈波动上升趋势,景观之间的物理隔离不断加剧;香农均匀度指数呈上升趋势,各斑块的分布处于较离散的状态;路域整体的破碎化程度加剧,各地类的离散程度增加,整体生态系统结构稳定性有所下降。
路域、林地、草地的碳储量有所下降,耕地、水域、未利用地和建设用地的碳储量有不同程度的增长,碳储量变化较大的区域主要位于福州、莆田、厦门、漳州、泉州等沿海地市。
路域RSEI均值均在0.6以上,生态环境质量较好,RSEI等级为差和较差的区域主要分布于福州、泉州、厦门等东南部沿海地市,路域生态环境质量变好跟变差的区域面积大致相同,路域1 000 m范围内的破碎度指数、RSEI值等受到的影响最为明显。

3.2 讨论

已有研究多以特定时间特定高速公路段及其周边作为研究对象,普遍认为交通廊道建设导致土地利用变化和加剧景观破碎化[34]。本文可能的边际贡献在于研究对象为1994—2022年福建省高速公路网络,从景观格局和生态质量两个视角动态评价高速公路建设与周围生态环境的关系,并采取降维提取主成分的方式测算RSEI指数,较为准确地从省域全局角度评估了高速公路网络路域景观与生态质量的演化规律,为可持续交通基础设施规划实践与生态文明建设提供科学参考。
本文存在一定的局限性,例如虽然在计算过程中对Landsat影像数据进行了标准化处理,但使用不同传感器的数据进行对比仍然会在一定程度上影响分析结果,今后尽量选择空间分辨率更高且同一传感器获取的数据,以提高实验结果精度;路域景观格局演变与碳储量变化之间的相互关系及原因需要进一步厘清,如林地、草地等地类景观格局破碎化与碳储量下降之间的关系;此外,影响路域土地利用景观与RSEI指数的因素错综复杂且具有不确定性,后续可以高速公路相关的政策文件为约束条件进行更多情景模拟,以更加全面准确地反映高速公路路域范围内土地利用与生态质量的演化格局。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李双成, 许月卿, 周巧富, 等. 中国道路网与生态系统破碎化关系统计分析[J]. 地理科学进展, 2004, 23(5):78-85,110.

LI S C, XU Y Q, ZHOU Q F, et al. Statistical analysis on the relationship between road network and ecosystem fragmentation in China[J]. Progress in Geography, 2004, 23(5):78-85,110.

DOI

[2]
李倩雯, 靳甜甜, 蒋爱萍, 等. 道路建设对西南地区景观格局的影响[J]. 生态学报, 2023, 43(6):2310-2322.

LI Q W, JIN T T, JIANG A P, et al. Effects of road construction on landscape pattern in southwest China[J]. Acta Ecologica Sinica, 2023, 43(6):2310-2322.

[3]
毕恺艺, 牛铮, 黄妮, 等. 道路网络对景观生态风险的影响:以“中国-中南半岛经济走廊” 为例[J]. 中国科学院大学学报, 2019, 36(3):347-353.

DOI

BI K Y, NIU Z, HUANG N, et al. Effects of road network on landscape ecological risk: a case study of “China and Indochina Peninsula economic corridor”[J]. Journal of University of Chinese Academy of Sciences, 2019, 36(3):347-353.

[4]
FORMAN R T. Road ecology:a solution for the giant embracing us[J]. Landscape Ecology, 1998, 13(4):Ⅲ-Ⅴ.

[5]
BACIOR S, PRUS B. Infrastructure development and its influence on agricultural land and regional sustainable development[J]. Ecological Informatics, 2018, 44:82-93.

DOI

[6]
FIEDE Ł. Changes in land use in the communes crossed by the A4 motorway in Poland[J]. Land Use Policy, 2019, 85:397-406.

DOI

[7]
NEMATOLLAHI S, FAKHERAN S, SOFFIANIAN A. Ecological impact assessment of road networks at landscape scale using spatial road disturbance index (SPROADI)[J]. Journal of Environmental Engineering and Landscape Management, 2017, 25(3):297-304.

DOI

[8]
李秀珍, 布仁仓, 常禹, 等. 景观格局指标对不同景观格局的反应[J]. 生态学报, 2004, 24(1):123-134.

LI X Z, BU R C, CHANG Y, et al. The response of landscape metrics against pattern scenarios[J]. Acta Ecologica Sinica, 2004, 24(1):123-134.

[9]
李欣欣. 高速公路土地复垦的景观生态质量评价:以汶马高速为例[J]. 西华师范大学学报(自然科学版), 2018, 39(4):451-456.

LI X X. Landscape ecology quality evaluation of highway land reclamation: a case study of Wenma highway[J]. Journal of China West Normal University (Natural Sciences), 2018, 39(4):451-456.

[10]
黄梦娜, 马廷. 中国道路网引起的景观破碎格局及其对保护区的影响[J]. 地球信息科学学报, 2019, 21(8):1183-1195.

DOI

HUANG M N, MA T. Assessing the impacts of China’s road network on landscape fragmentation and protected areas[J]. Journal of Geo-Information Science, 2019, 21(8):1183-1195.

[11]
张映雪, 莫文波, 王勇, 等. 北京市高速公路周边土地利用变化对景观格局的影响[J]. 地球信息科学学报, 2017, 19(1):28-38.

DOI

ZHANG Y X, MO W B, WANG Y, et al. Impacts of land use changes on landscape patterns around expressways in Beijing[J]. Journal of Geo-Information Science, 2017, 19(1):28-38.

[12]
MO W B, WANG Y, ZHANG Y X, et al. Impacts of road network expansion on landscape ecological risk in a megacity,China:a case study of Beijing[J]. Science of the Total Environment, 2017, 574:1000-1011.

DOI

[13]
陈耀, 胡永歌, 徐恩凯, 等. 基于RSEI-熵权法复合模型的路域生态环境综合评价[J]. 公路, 2022, 67(3): 319-326.

CHEN Y, HU Y G, XU E K, et al. Comprehensive evaluation of road area ecological environment based on compound model of RSEI-entropy weight method[J]. Highway, 2022, 67(3): 319-326.

[14]
MANN D, ANEES M M, RANKAVAT S, et al. Spatio-temporal variations in landscape ecological risk related to road network in the central Himalaya[J]. Human and Ecological Risk Assessment, 2021, 27(2):289-306.

DOI

[15]
KARLSON M, MÖRTBERG U. A spatial ecological assessment of fragmentation and disturbance effects of the Swedish road network[J]. Landscape and Urban Planning, 2015, 134:53-65.

DOI

[16]
杨晶, 王丽园, 罗丰. 基于遥感技术的公路路域生态环境监测与评价[J]. 公路, 2019, 64(12):260-265.

YANG J, WANG L Y, LUO F. Ecological environment monitor and assessment based on remote sensing[J]. Highway, 2019, 64(12):260-265.

[17]
张良, 陈年来. 基于综合指数评价法的金武高速公路对生态环境的影响分析[J]. 环境与可持续发展, 2019, 44(3):137-139.

ZHANG L, CHEN N L. Research on effects of Jinwu expressway on the ecological environment based on the comprehensive evaluation index method[J]. Environment and Sustainable Development, 2019, 44(3):137-139.

[18]
汪涛, 袁飞云, 宋阳, 等. 基于RSEI的近30年来泸石高速公路路域生态环境质量评价[J]. 公路, 2023, 68(8):355-363.

WANG T, YUAN F Y, SONG Y, et al. Evaluation of eco-environmental quality of Lu-Shi expressway area in recent 30 years based on RSEI[J]. Highway, 2023, 68(8):355-363.

[19]
LI C, ZHANG J X, PHILBIN S P, et al. Evaluating the impact of highway construction projects on landscape ecological risks in high altitude plateaus[J]. Scientific Reports, 2022, 12:5170.

DOI PMID

[20]
马小雪, 吴昊, 秦伯强, 等. 长江经济带景观格局动态演变及其景观生态环境效应[J]. 地理科学, 2022, 42(10):1706-1716.

DOI

MA X X, WU H, QIN B Q, et al. Spatiotemporal change of landscape pattern and its eco-environmental response in the Yangtze River Economic Belt[J]. Scientia Geographica Sinica, 2022, 42(10):1706-1716.

DOI

[21]
李帆, 包妮沙, 何军浩. 草原露天煤矿区32年土地利用/覆盖及碳储量遥感变化监测[J]. 测绘与空间地理信息, 2019, 42(1):83-87.

LI F, BAO N S, HE J H. Monitoring change of land use/cover and carbon storage by remote sensing in grassland open-pit coal mine among 32 years[J]. Geomatics & Spatial Information Technology, 2019, 42(1):83-87.

[22]
李婷, 董玉祥. 基于RSEI和景观功能的珠三角地区1986—2019年生态安全格局演变过程及其影响因子[J]. 陕西师范大学学报(自然科学版), 2022, 50(4):69-80.

LI T, DONG Y X. Evolution of ecological security pattern and its influencing factors in the Pearl River Delta from 1986 to 2019 based on RSEI and landscape function[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2022, 50(4):69-80.

[23]
汪孝贤, 张秀霞, 李旺平, 等. 基于遥感生态指数(RSEI)改进模型的祁连山国家级自然保护区生态环境质量评价[J]. 生态与农村环境学报, 2023, 39(7):853-863.

WANG X X, ZHANG X X, LI W P, et al. Assessment of ecological environment quality in Qilian Mountain National Nature Reserve based on improved RSEI model[J]. Journal of Ecology and Rural Environment, 2023, 39(7):853-863.

[24]
杨永健, 李洪忠, 陈劲松, 等. 基于遥感生态指数的区域生态质量评价:以遂宁市船山区为例[J]. 人民长江, 2019, 50(7):71-76,82.

YANG Y J, LI H Z, CHEN J S, et al. Regional ecological quality assessment based on remote sensing ecological index: a case study of Chuanshan district, Suining city, Sichuan[J]. Yangtze River, 2019, 50(7):71-76,82.

[25]
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24):7853-7862.

XU H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24):7853-7862.

[26]
梁冠敏, 肖瑶, 刘渺渺, 等. 交通规划背景下福州市土地利用与碳储量变化模拟及其启示[J]. 自然资源学报, 2023, 38(12): 3074-3092.

DOI

LIANG G M, XIAO Y, LIU M M, et al. Simulation and elicitation of land use and carbon storage changes in Fuzhou under the background of traffic planning[J]. Journal of Natural Resources, 2023, 38(12): 3074-3092.

DOI

[27]
钱彩云, 巩杰, 张金茜, 等. 甘肃白龙江流域生态系统服务变化及权衡与协同关系[J]. 地理学报, 2018, 73(5):868-879.

DOI

QIAN C Y, GONG J, ZHANG J Q, et al. Change and tradeoffs-synergies analysis on watershed ecosystem services: a case study of Bailongjiang watershed, Gansu[J]. Acta Geographica Sinica, 2018, 73(5):868-879.

DOI

[28]
CHANG X L, HUANG X Y, JIANG X C, et al. Impacts of transportation networks on the landscape patterns:a case study of Shanghai[J]. Remote Sensing, 2022, 14(16):4060.

DOI

[29]
司晓茜, 王小军, 林莹冰, 等. 福建省碳储量时空特征及其对土地利用变化的响应[J]. 水土保持通报, 2023, 43(5):355-364,394.

SI X Q, WANG X J, LIN Y B, et al. Spatiotemporal characteristics of carbon storage and its response to land use changes in Fujian province[J]. Bulletin of Soil and Water Conservation, 2023, 43(5):355-364,394.

[30]
YANG J, HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8):3907-3925.

DOI

[31]
LI Q W, JIN T T, PENG Q D, et al. Identifying the extent of the spatial expression of landscape fragmentation based on scale effect analysis in southwest China[J]. Ecological Indicators, 2022, 141:109120.

DOI

[32]
赵文武, 傅伯杰, 陈利顶. 景观指数的粒度变化效应[J]. 第四纪研究, 2003, 23(3):326-333.

ZHAO W W, FU B J, CHEN L D. The effects of grain change on landscape indices[J]. Quaternary Sciences, 2003, 23(3):326-333.

[33]
庄大方, 刘纪远. 中国土地利用程度的区域分异模型研究[J]. 自然资源学报, 1997, 12(2):10-16.

ZHUANG D F, LIU J Y. Study on the model of regional differentiation of land use degree in China[J]. Journal of Natural Resources, 1997, 12(2):10-16.

[34]
李涛, 高毅华, 王姣娥. 西成高铁陕西段沿线土地利用和景观格局变化的梯度效应[J]. 生态学报, 2025, 45(4): 1629-1645.

LI T, GAO Y H, WANG J E. Gradient effect of changes in land use and landscape patterns along the of Shaanxi segment Xi’an-Chengdu high-speed railway line[J]. Acta Ecologica Sinica, 2025, 45(4): 1629-1645.

Options
文章导航

/

〈 〉

版权所有 © 《陕西师范大学学报(自然科学版)》编辑部
地址：中国西安陕西师范大学长安校区文汇楼C段3层　
邮编：710119
电话：029-81530883，81530879，81530885　
E-mail：lkxuebao@snnu.edu.cn
技术支持：北京玛格泰克科技发展有限公司