这是用户在 2025-1-4 16:41 为 https://app.immersivetranslate.com/pdf-pro/f7dc67c3-8423-42b8-9716-29591b564b3f 保存的双语快照页面，由 沉浸式翻译 提供双语支持。了解如何保存？

  地球的未来

  研究文章10.1029/2022EF003452

  关键点：

  • 人类活动强度和生态环境质量在地球第三极的 1 − km 1 − km 1-km1-\mathrm{km} 分辨率网格尺度上进行了测量

  • 我们提出了一种四象限图方法，以识别人类与自然之间的动态关系

  • 2000 年至 2020 年，青藏高原的社会经济发展与生态环境趋于协调

  支持信息：


支持信息可以在本文的在线版本中找到。
  通讯地址：
H. Liu,
liuhm@igsnrr.ac.cn

  引用：


刘华，程阳，刘志，李强，张华，魏伟。（2023）。冲突还是协调？青藏高原上人类与自然的时空关系。《地球的未来》，11，e2022EF003452。https://doi.org/10.1029/2022EF003452
  收到日期：2023 年 1 月 4 日

接受日期：2023 年 8 月 30 日
  作者贡献：

概念化：刘海萌 数据整理：刘海萌 正式分析：刘海萌，程毅，张海燕

资金获取：Haimeng Liu 方法论：Haimeng Liu 项目管理：Haimeng Liu 资源：Zhifeng Liu, Haiyan Zhang, Wei Wei

软件：刘海萌，程毅，李启瑞

监督：刘海萌，李启瑞 验证：刘志峰 可视化：刘海萌，程怡

© 2023 作者。Earth’s Future 由 Wiley Periodicals LLC 代表美国地球物理联盟出版。这是一篇开放获取文章，遵循知识共享署名许可协议，允许在任何媒介中使用、分发和复制，只要正确引用原作。


冲突还是协调？青藏高原上人类与自然的时空关系


刘海萌 1 , 2 ( D 1 , 2 ( D ^(1,2)^((D){ }^{1,2}{ }^{(\mathbb{D}} , 程毅 1 , 2 , 3 1 , 2 , 3 ^(1,2,3){ }^{1,2,3} , 刘志锋 4 , 5 ( 1 ) 4 , 5 ( 1 ) ^(4,5)^((1)){ }^{4,5}{ }^{(1)} , 李启瑞 6 6 ^(6)^{6} , 张海燕 1 , 2 1 , 2 ^(1,2){ }^{1,2} , 和 魏巍 7 7 ^(7){ }^{7}
1 1 ^(1){ }^{1} 中国科学院地理科学与资源研究所，北京，中国， 2 2 ^(2){ }^{2} 中国科学院大学资源与环境学院，北京，中国， 3 3 ^(3){ }^{3} 北京社会科学研究院，北京，中国， 4 4 ^(4){ }^{4} 地表过程与资源生态国家重点实验室，人类-环境系统可持续性研究中心，北京师范大学，北京，中国， 5 5 ^(5){ }^{5} 北京师范大学自然资源学院地理科学系，北京，中国， 6 6 ^(6){ }^{6} 斯图加特霍恩海姆大学农业社会科学研究所，德国， 7 7 ^(7){ }^{7} 西北师范大学地理与环境科学学院，兰州，中国

  摘要


作为地球的第三极和亚洲的水塔，青藏高原（QTP）在全球气候调节和生物多样性维护中发挥着关键作用。与自然和谐共生对地方和全球的可持续发展至关重要。目前关于青藏高原上人类与自然之间冲突或协调关系的细致空间尺度研究仍然有限。为填补这一空白，我们在 1 − km 1 − km 1-km1-\mathrm{km} 分辨率下开发了人类活动强度指数（HAI）和生态环境质量指数（EQI），并提出了一种四象限图方法来探讨它们之间的动态关系。结果表明，青藏高原上 HAI 和 EQI 均在 2000 年至 2020 年间增加，协调区域与冲突区域的比例为 5:1。高 HAI 区域主要集中在西宁、拉萨、海东、日喀则等大城市及交通线路沿线。显著的冲突区域主要位于拉萨大都市以外、横断山脉以南以及一些新道路沿线，并在 2000-2010 年和 2010-2020 年间减少了 8 % 8 % 8%8 \% 。 高 HAI 但低 EQI 的区域占比最小，主要分布在青海湖南部、巴朗藏布河南部、戈壁绿洲和西部交通线路，但这意味着生态系统退化的风险最高。本研究扩展了应对复杂人类与自然关系的基本方法论，并为脆弱生态系统的可持续发展提供了启示。


简明语言摘要 青藏高原（QTP）平均海拔超过 4 , 000 m 4 , 000 m 4,000m4,000 \mathrm{~m} ，拥有 1300 万居民，是亚洲九大河流的源头，为超过 15 亿人提供淡水、食物和其他生态系统服务，被称为地球的第三极和亚洲水塔。然而，关于该地区人类与自然关系的研究有限，尤其是在细致的空间尺度上。为填补这一空白，我们开发了人类活动强度指数（HAI）和生态环境质量指数（EQI），分辨率为 1 公里，并提出了四象限图方法来探索它们之间的动态关系，解决潜在风险和可持续发展路径。我们发现，从 2000 年到 2020 年，青藏高原上人类与自然的关系趋于和谐。显著的冲突区域主要位于拉萨大都市以外、横断山脉以南以及新修道路沿线，并在 2000-2010 年和 2010-2020 年间减少了 8 % 8 % 8%8 \% 。然而，高原脆弱的生态系统仍面临着人口增长、城市化、基础设施建设和全球气候变化威胁等重大挑战。 这项工作扩展了基础方法论，并可能支持地方政府的精细生态修复和环境管理。

  1. 引言


人类的足迹遍布整个星球，地球进入了人类世（Kareiva et al., 2007; Steffen et al., 2007）。然而，地球的承载能力是有限的。随着对气候变化和环境危机理解的加深，人类与自然之间的矛盾被认为是阻碍可持续发展的根本原因（Anderson et al., 2019; Dorninger et al., 2017）。人类活动在生物圈完整性以及氮和磷的循环方面已超出了行星边界，生活在一个安全和公正空间的挑战依然巨大（O’Neill et al., 2018）。因此，理解社会经济发展与生态环境演变之间的关系对于全球可持续发展至关重要。此外，平衡人类活动与生态环境是许多联合国倡议的核心。

写作 - 原始草稿：Haimeng Liu, Yi Cheng

写作 - 审阅与编辑：刘海萌，刘志峰，李启瑞，张海燕

可持续发展目标（SDGs），包括目标 6、7、11、12、13、14 和 15（Cheng et al., 2021；Liu, Hull, et al., 2018），以及许多全球组织或项目也探讨了人类-自然系统的耦合机制和协同发展方法（Kates et al., 2001；Liu, Fang, & Fang, 2020）。分析人类活动与生态环境之间的矛盾与协调对人类的命运和福祉具有重要的现实意义。

青藏高原（QTP）平均海拔超过 4000 米，广泛分布着冰川和永久冻土，是亚洲九大河流的源头，为超过 15 亿人提供淡水、食物和其他生态系统服务，被称为地球的第三极和亚洲水塔（Yao et al., 2012）（图 1）。它在全球气候调节和生物多样性维持中发挥着重要作用（Li et al., 2020）。然而，由于其高海拔、寒冷的气温和干燥的环境，QTP 的生态系统对人类活动极为敏感和脆弱（Han et al., 2022；Liu, Milne, et al., 2018）。从 1980 年到 2020 年，人口增加了 1.56 倍，城市建设面积增加了近三倍，高速公路长度增加了四倍以上（Zhang et al., 2019）。过度放牧等强烈的人类活动对当地草原生态系统施加了巨大的压力，这种压力可能远远超过气候变化的影响（Wei et al., 2022）。人类活动的加剧对 QTP 生态系统的稳定性和可持续发展目标（SDGs）的实现构成了重大威胁（Yang et al., 2022）。 因此，阐明 QTP 上的人类与自然的关系对地方和全球可持续发展具有重要意义。

人类与自然之间的互动自人类首次出现以来就存在（Costanza et al., 2007）。在环境问题日益严重的背景下，许多来自不同学科背景的学者专注于这一与可持续发展密切相关的领域，并产生了宝贵的见解（Harden, 2012）。研究主题包括人类活动对自然的正面和负面影响（Kareiva et al., 2007）、自然资源和生态系统对社会发展的约束和承载能力（Fan et al., 2017），以及它们之间的互动、反馈、权衡和适应（Comberti et al., 2015；Holling & Gunderson, 2002；Kareiva et al., 2007）。一些研究表明，减少人类活动的规模对于缓解社会危机是必要的（Dirzo et al., 2022）；另一些研究则表明，如果我们在生产方式、能源使用、生态保护等方面进行适当的改变，可以实现双赢的愿景（Cao et al., 2009；Tallis et al., 2018）。

在这个研究领域，城市化地区（Fang et al., 2016）、流域（Yin et al., 2021）、森林（Davidson et al., 2012）和沿海地区（Yi et al., 2018）受到了更多关注。对于自然系统，研究人员关注生物多样性（Cardinale et al., 2012）、植被（Zhang, Yang, et al., 2022）、空气污染（Liu, Cui, & Zhang, 2022）、河流环境（Leprieur et al., 2008）、土壤侵蚀（Wei et al., 2006）等。土地利用和覆盖变化（Cheng et al., 2022）、人口密度（Cropper & Griffiths, 1994）和夜间光照（Cai et al., 2021）通常被用作人类活动的代理变量；一些学者还构建了一个名为人类足迹的综合指数（Li, Wu, Gong, et al., 2018；Venter et al., 2016）。用于分析人类与自然之间复杂关系的方法包括网络方法（Kluger et al., 2020）、系统动力学（Reed et al., 2022；Yoon et al., 2021）、耦合协调分析（Jiang et al., 2022；Shi, Feng, et al., 2022）、复杂系统理论（Bennett & McGinnis, 2008；Wang & Grant, 2021）、环境库兹涅茨曲线模型（Zhou et al.，2015），元耦合框架（Liu，2017），供需平衡分析（Liu，Xing 等，2022），问卷调查（Allison 等，2021；Liu，Zhang 等，2020），以及定性分析（Ives 等，2017）。这些方法从不同角度推动了复杂人类-自然系统的研究，但在细网格尺度上面临重大限制。某些使用栅格数据的研究：Vačkár 等（2012）使用 10 公里网格分析了捷克共和国人口密度、土地利用强度和生物多样性之间的空间关系。Shi，Feng 等（2022）利用耦合协调度阐明了中国 10 km × 10 km 10 km × 10 km 10kmxx10km10 \mathrm{~km} \times 10 \mathrm{~km} 地区景观生态风险与城市化之间的协调关系。Zhou 等（2023）测量了中国城市中城市化与植被覆盖之间的冲突与协调动态，使用了 250 米的植被指数。Simkin 等（2022）预测了城市土地扩张对三种共享社会经济路径（SSP）情景下生物多样性的未来影响。然而，这些研究集中于某些人类活动或自然元素，缺乏对人类和自然系统的整体考虑。

古老的人类自 16 万年前起就占据了青藏高原（Chen et al., 2019）。在过去的半个世纪里，人类活动对青藏高原生态系统造成了有限但迅速增加的干扰，特别是在草地、宝贵的水源保护区和生物多样性保护区的最大比例上（Jie et al., 2015；Li, Zhang, Wang, et al., 2018）。关于青藏高原上人类与自然关系的研究

图 1. 青藏高原的自然地理。

主要关注城市化、土地利用、基础设施建设、农业和畜牧业对生态环境的影响（Miao et al., 2021; Wang et al., 2015; Zhang, Zhang, et al., 2022）。这里的城市化水平相对较低，但近年来城市人口迅速增长，建设用地快速扩张（Wang et al., 2020）。尽管城市化会导致更多的污染物排放，但通过将人口从农业和牧区转移，可以减少人类活动对生态系统造成的整体干扰（Tian et al., 2021）。2000 年至 2015 年间，城市化与生态环境之间的协调性呈上升趋势（Feng & Li, 2021）。草地退化主要是由于短期内人类活动造成的，这进一步导致生物多样性丧失、土壤侵蚀加剧、碳汇减少以及当地人类福祉下降（Chen et al., 2020; Dong et al., 2020）。青藏铁路和川藏铁路的建设和运营将给当地生态环境带来潜在风险（Cui et al., 2022; Luo et al., 2020; Qin & Zheng, 2010）。 从系统的角度，利用承载能力模型（Niu et al., 2020）分析了产业、人口与资源环境的共同发展，通过将人类活动与生态系统服务联系起来评估生态质量（Sun et al., 2020；Wang, Huang, et al., 2022），并通过整合生态能力、生态足迹和资源效率来衡量区域可持续性（Fan & Fang, 2022）。与此同时，中国在青藏高原的生态保护与恢复项目，包括植树造林、草原恢复和设立自然保护区，正在改善许多地区的生态环境（Fu et al., 2021；Jin et al., 2019）。近年来，矿业和城市的污水排放和废气排放、因游客增加而产生的垃圾以及光污染已成为新的严重环境问题（Chen, Zhang, et al., 2021；Feng et al., 2020；Wang, Lv, et al., 2022）。

文献综述显示，大多数先前的研究分析了特定类型的人类活动与某种生态环境要素之间的关系，鲜有研究将人类活动和生态环境视为两个独立系统来探讨它们之间的宏观关系。目前量化人类与环境之间相互作用的方法存在显著局限，尤其是在细微空间维度上。栅格尺度数据很少用于研究青藏高原上人类与自然之间的时空演变及其关系，导致对生态环境与社会经济发展在细微空间和时间尺度上协调发展的理解不足。为填补这些研究空白，我们构建了两个综合指标，分别命名为人类活动强度指数（HAI）和生态环境质量指数（EQI），并提出了一种四象限图方法来识别人类活动与生态环境之间的动态相互作用。使用一组 1 公里栅格数据揭示了 2000 年至 2020 年间青藏高原上人自然系统的时空演变。 这项工作可以为其他研究提供一种方法论，并支持地球第三极的可持续发展。

图 2. 人类与自然系统耦合的概念化与抽象化。(a) 现实世界；(b) 一个地区的人类与自然系统耦合；(c) 人类活动与生态环境的栅格化；(d) 网格尺度的人类与自然系统耦合。


2. 方法论与数据


2.1. 基本概念与研究方法


人类活动，包括耕作、放牧、捕鱼、采矿、运输、发电和建筑，必然会影响生态环境系统（图 2a）（Govorushko, 2016）。水、土壤、大气、动物、植被和微生物等生态环境要素支持并承载着社会经济发展和人类福祉（Goudie, 2018）。这些嵌入耦合的人类和自然系统中的生态环境和社会经济要素通过能量和物质的交换相互连接和互动（图 2b）。因此，人类与自然在时间和空间上相互作用、相互影响和相互转化（Liu, Fang, & Fang, 2020；Wu, 2013）。在这个过程中，新的结构、功能和机制不断涌现，形成一个动态而复杂的世界（Wang et al., 2018）。中国传统哲学将人视为自然的一个不可分割的部分（Bourdeau, 2004），这两者的综合系统被称为耦合的人类和自然系统（CHANS）（Kramer et al., 2017）。 近年来，更多的多样化网格数据的获取使我们能够在高度细化的尺度上表征人类活动和生态环境信息，并考察每个网格中人与自然之间的相互联系（图 2c 和 2d）。这极大地拓宽了传统 CHANS 研究的视野。

图 3 是本研究的流程图。为了探讨人类与自然在青藏高原上的相互作用，我们收集并整理了 2000 年至 2020 年间的各种人类活动和生态环境数据，并将这些数据转化为 1 − km × 1 − km 1 − km × 1 − km 1-kmxx1-km1-\mathrm{km} \times 1-\mathrm{km} 网格尺度。考虑到复杂的相互作用，我们基于一组指标（表 1 和表 2）构建了人类活动指数（HAI）和生态环境指数（EQI）来衡量人类活动和生态环境。在此基础上，我们分别分析了两者的时空模式以及它们之间的空间匹配。此外，我们通过四象限图从动态角度将青藏高原上的人自然互动分为四组（图 4），并识别出过去 20 年的潜在风险区域。特别是，对人口稠密的大都市区和国家自然保护区进行了重点分析。

图 3. 研究方法流程图。

2.2. HAI


存在许多度量标准来量化人类活动的强度（人类足迹，人类改造），这些标准常用于描述人类对生态系统的压力（Venter et al., 2016; Williams et al., 2020）。本研究构建的 HAI 在很大程度上遵循了先前研究建立的评估指标体系，包括人口密度、GDP、夜间灯光、土地覆盖和道路网络（Huang et al., 2022; Mu et al., 2022; Xu et al., 2016）。然而，考虑到草原占据了 60 % 60 % 60%60 \% 的 QTP（Li
  表 1

人类活动指标的数据描述、来源和处理方法
  数据集   年份和格式   数据源   数据处理
  人口密度 2000, 2005, 2010, 2015, 2020; Raster, 1 km  2000, 2005, 2010, 2015, 2020;   Raster,  1 km {:[" 2000, 2005, 2010, 2015, 2020; "],[" Raster, "1km]:}\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2020; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned} WorldPop
对于所有人口超过 1,000 人的地点 km 2 km 2 km^(2)\mathrm{km}^{2} ，我们赋予其 100 分。对于人口稀少的地区，我们使用 33.333 × log 33.333 × log 33.333 xx log33.333 \times \log （人口密度 +1）对分数进行对数缩放（Williams et al., 2020）。
  GDP 密度 2000, 2005, 2010, 2015, 2019; Raster, 1 km  2000, 2005, 2010, 2015, 2019;   Raster,  1 km {:[" 2000, 2005, 2010, 2015, 2019; "],[" Raster, "1km]:}\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2019; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned}
陈等人（2022）
使用最小-最大归一化将数据缩放到 0 − 100 0 − 100 0-1000-100 范围内，最大值为 5 年内前 50 个值的平均值
  夜间光照 2000, 2005, 2010, 2015, 2020; Raster, 1 km  2000, 2005, 2010, 2015, 2020;   Raster,  1 km {:[" 2000, 2005, 2010, 2015, 2020; "],[" Raster, "1km]:}\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2020; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned} Zhang, Ren, et al. (2021)

根据 10 个相等分位数确定的区间，将其分配从 0 到 100（Mu et al., 2022）
Assigned from 0 to 100 according to intervals determined by 10 equal quantiles (Mu et al., 2022)| Assigned from 0 to 100 according to intervals determined by 10 equal quantiles | | :--- | | (Mu et al., 2022) |
  放牧强度 2000, 2005, 2010, 2015, 2019; Raster, 250 m  2000, 2005, 2010, 2015, 2019;   Raster,  250 m {:[" 2000, 2005, 2010, 2015, 2019; "],[" Raster, "250m]:}\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2019; } \\ & \text { Raster, } 250 \mathrm{~m} \end{aligned}   刘 (2021)
2005 年的数据使用了 2000 年和 2010 年的平均值，2015 年的数据使用了 2010 年和 2019 年的平均值。重采样到 1 − km 1 − km 1-km1-\mathrm{km} 分辨率。使用最小-最大归一化将数据缩放到 0 − 100 0 − 100 0-1000-100 范围，最大值是 5 年中前 50 个值的平均值。
  土地利用/覆盖 2000, 2005, 2010, 2015, 2020; Raster, 1 km  2000, 2005, 2010, 2015, 2020;   Raster,  1 km {:[" 2000, 2005, 2010, 2015, 2020; "],[" Raster, "1km]:}\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2020; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned}
www.resdc.cn/data.aspx?DATAID=335
为城市土地分配分数：100，1 公里缓冲区内为 50；为建设用地分配分数：80，1 公里缓冲区内为 40；为耕地分配分数：60，1 公里缓冲区内为 20；其他土地分数为 0
  道路网络 2000, 2005, 2010, 2015, 2018; Shapefile  2000, 2005, 2010, 2015, 2018;   Shapefile  {:[" 2000, 2005, 2010, 2015, 2018; "],[" Shapefile "]:}\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2018; } \\ & \text { Shapefile } \end{aligned}   作者的数字化
对高速公路、国道和省道两侧 0.5 公里的区域赋予 60 分。对铁路两侧 0.5 公里和 1.5 公里的区域分别赋予 80 分和 40 分（Venter et al., 2016）。转换为栅格数据。
Data set Year and format Data source Data processing Population density " 2000, 2005, 2010, 2015, 2020; Raster, 1km" WorldPop For all locations with more than 1,000 people km^(2), we assigned a score of 100 . For more sparsely populated areas, we logarithmically scaled the score using 33.333 xx log (population density +1 ) (Williams et al., 2020) GDP density " 2000, 2005, 2010, 2015, 2019; Raster, 1km" Chen et al. (2022) Scale data into the 0-100 range using Min-Max Normalization, and the maximum value is the average of the top 50 values in the 5 years Nighttime light " 2000, 2005, 2010, 2015, 2020; Raster, 1km" Zhang, Ren, et al. (2021) "Assigned from 0 to 100 according to intervals determined by 10 equal quantiles (Mu et al., 2022)" Grazing intensity " 2000, 2005, 2010, 2015, 2019; Raster, 250m" Liu (2021) The data in 2005 used the average of 2000 and 2010, and the data in 2015 used the average of 2010 and 2019. Resampling to 1-km resolution. Scale data into the 0-100 range using Min-Max Normalization, and the maximum value is the average of the top 50 values in the 5 years Land use/cover " 2000, 2005, 2010, 2015, 2020; Raster, 1km" www.resdc.cn/data. aspx?DATAID=335 Assign score: 100 for urban land, 50 in 1 km buffer; 80 for construction land, 40 in 1 km buffer; 60 for cropland, 20 in 1 km buffer; 0 for other lands Road network " 2000, 2005, 2010, 2015, 2018; Shapefile " Digitization by authors Assign a score of 60 for 0.5 km out for either side of a highway, national road, and provincial road. Assign 80 and 40 for 0.5 and 1.5 km out for either side of a railway (Venter et al., 2016). Convert to raster data| Data set | Year and format | Data source | Data processing | | :---: | :---: | :---: | :---: | | Population density | $\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2020; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned}$ | WorldPop | For all locations with more than 1,000 people $\mathrm{km}^{2}$, we assigned a score of 100 . For more sparsely populated areas, we logarithmically scaled the score using $33.333 \times \log$ (population density +1 ) (Williams et al., 2020) | | GDP density | $\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2019; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned}$ | Chen et al. (2022) | Scale data into the $0-100$ range using Min-Max Normalization, and the maximum value is the average of the top 50 values in the 5 years | | Nighttime light | $\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2020; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned}$ | Zhang, Ren, et al. (2021) | Assigned from 0 to 100 according to intervals determined by 10 equal quantiles <br> (Mu et al., 2022) | | Grazing intensity | $\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2019; } \\ & \text { Raster, } 250 \mathrm{~m} \end{aligned}$ | Liu (2021) | The data in 2005 used the average of 2000 and 2010, and the data in 2015 used the average of 2010 and 2019. Resampling to $1-\mathrm{km}$ resolution. Scale data into the $0-100$ range using Min-Max Normalization, and the maximum value is the average of the top 50 values in the 5 years | | Land use/cover | $\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2020; } \\ & \text { Raster, } 1 \mathrm{~km} \end{aligned}$ | www.resdc.cn/data. aspx?DATAID=335 | Assign score: 100 for urban land, 50 in 1 km buffer; 80 for construction land, 40 in 1 km buffer; 60 for cropland, 20 in 1 km buffer; 0 for other lands | | Road network | $\begin{aligned} & \text { 2000, 2005, 2010, 2015, 2018; } \\ & \text { Shapefile } \end{aligned}$ | Digitization by authors | Assign a score of 60 for 0.5 km out for either side of a highway, national road, and provincial road. Assign 80 and 40 for 0.5 and 1.5 km out for either side of a railway (Venter et al., 2016). Convert to raster data |
  表 2

生态环境指标的数据描述、来源和处理方法
  数据集   年份和格式   数据源   数据处理   重量

植被覆盖度 (FVC)		 2000, 2005, 2010, 2015, 2020; Raster,  2000, 2005, 2010,   2015, 2020; Raster,  {:[" 2000, 2005, 2010, "],[" 2015, 2020; Raster, "]:}\begin{aligned} & \text { 2000, 2005, 2010, } \\ & \text { 2015, 2020; Raster, } \end{aligned} 1 km 1 km 1km1 \mathrm{~km}
NDVI 数据：Juntao (2022)
FVC = ( = ( =(=( NDVI - NDVIsoil ) / ( ) / ( )//() /( NDVIveg - NDVIsoil）。选择 NDVI 值的 5 % 5 % 5%5 \% 和 95 % 95 % 95%95 \% 的累积分布频率作为 NDVIsoil 和 NDVIveg。		 0.16

生物丰富度指数 (BRI)

2000, 2005, 2010, 2015, 2020; 栅格, 1 公里
2000, 2005, 2010, 2015, 2020; Raster, 1 km| 2000, 2005, 2010, | | :--- | | 2015, 2020; Raster, | | 1 km |
土地利用和覆盖数据：www.resdc.cn
BRI = Abio × ( 0.35 × BRI = Abio × ( 0.35 × BRI=Abioxx(0.35 xx\mathrm{BRI}=\mathrm{Abio} \times(0.35 \times 森林 + 0.21 × + 0.21 × +0.21 xx+0.21 \times 草地 + 0.28 × + 0.28 × +0.28 xx+0.28 \times 水域 + 0.11 × + 0.11 × +0.11 xx+0.11 \times 耕地 + 0.04 × + 0.04 × +0.04 xx+0.04 \times 建设用地 + 0.01 × + 0.01 × +0.01 xx+0.01 \times 未利用土地）/面积。Abio 是一个标准化系数，参考值为 511.264。使用最小-最大归一化将数据缩放到 0-100 范围内。		 0.19

净初级生产力 (NPP)
2000 年，2005 年，2010 年，2015 年，2020 年；光栅，500 米		 https://lpdaac.usgs. gov/products/ mod17a3hgfv061/
重采样至 1 公里分辨率。使用最小-最大归一化将数据缩放到 0-100 范围内。		 0.15

土壤盐碱化指数 (SSI)
2000, 2005, 2010, 2015, 2020; 栅格, 500 米
MOD09A1 图像: https://lpdaac.usgs.gov/products/mod09a1v006/
SI = ρ 1 × ρ 2 SSI = ( NDVI − 1 ) 2 + SI 2 SI = ρ 1 × ρ 2 SSI = ( NDVI − 1 ) 2 + SI 2 {:[SI=sqrt(rho_(1)xxrho_(2))],[SSI=sqrt((NDVI-1)^(2)+SI^(2))]:}\begin{aligned} & \mathrm{SI}=\sqrt{\rho_{1} \times \rho_{2}} \\ & \mathrm{SSI}=\sqrt{(\mathrm{NDVI}-1)^{2}+\mathrm{SI}^{2}} \end{aligned}

ρ 1 ρ 1 rho1\rho 1 和 ρ 2 ρ 2 rho2\rho 2 是 MOD09A1 图像的蓝光和红光波段的图像反射率 (Yang et al., 2020)。重采样至 1 − km 1 − km 1-km1-\mathrm{km} 分辨率。使用最小-最大归一化将数据缩放到 0 − 100 0 − 100 0-1000-100 范围内。
SI=sqrt(rho_(1)xxrho_(2)), SSI=sqrt((NDVI-1)^(2)+SI^(2)) The rho1 and rho2 are the image reflectances of the blue and red light band of the MOD09A1 image (Yang et al., 2020). Resampling to 1-km resolution. Scale data into the 0-100 range using Min-Max Normalization| $\begin{aligned} & \mathrm{SI}=\sqrt{\rho_{1} \times \rho_{2}} \\ & \mathrm{SSI}=\sqrt{(\mathrm{NDVI}-1)^{2}+\mathrm{SI}^{2}} \end{aligned}$ | | :--- | | The $\rho 1$ and $\rho 2$ are the image reflectances of the blue and red light band of the MOD09A1 image (Yang et al., 2020). Resampling to $1-\mathrm{km}$ resolution. Scale data into the $0-100$ range using Min-Max Normalization |
 -0.14
  土壤侵蚀
2000 年，2005 年，2010 年，2015 年，2018 年；光栅，1 公里		 https://www.resde.cn/
使用最小-最大归一化将数据缩放到 0-100 范围内		 -0.13
  水资源保护
2000, 2005, 2010, 2015, 2020; 栅格, 1 公里		 Wang (2022)
使用最小-最大归一化将数据缩放到 0-100 范围内		 0.12
   PM 2.5 PM 2.5 PM_(2.5)\mathrm{PM}_{2.5} 浓度
2000, 2005, 2010, 2015, 2020; 栅格, 1 公里		 https://sites.wustl.edu/ acag/datasets/surface-pm2-5/#V5.GL. 02
使用最小-最大归一化将数据缩放到 0-100 范围内，最大值为 3 年中前 50 个值的平均值		 -0.11
Data set Year and format Data source Data processing Weight Fractional vegetation coverage (FVC) " 2000, 2005, 2010, 2015, 2020; Raster, " 1km NDVI data: Juntao (2022) FVC =( NDVI - NDVIsoil )//( NDVIveg - NDVIsoil). Select the cumulative frequency of 5% and 95% of NDVI value as NDVIsoil and NDVIveg 0.16 Biological richness index (BRI) "2000, 2005, 2010, 2015, 2020; Raster, 1 km" Land use and cover data: www.resdc.cn BRI=Abioxx(0.35 xx forest +0.21 xx grassland +0.28 xx water area +0.11 xx cropland +0.04 xx construction land +0.01 xx unused land)/area. Abio is a normalized coefficient with a reference value of 511.264. Scale data into the 0-100 range using Min-Max Normalization 0.19 Net primary productivity (NPP) 2000, 2005, 2010, 2015, 2020; Raster, 500 m https://lpdaac.usgs. gov/products/ mod17a3hgfv061/ Resampling to 1-km resolution. Scale data into the 0-100 range using Min-Max Normalization 0.15 Soil salinization index (SSI) 2000, 2005, 2010, 2015, 2020; Raster, 500 m MOD09A1 image: https://lpdaac. usgs.gov/products/ mod09a1v006/ "SI=sqrt(rho_(1)xxrho_(2)), SSI=sqrt((NDVI-1)^(2)+SI^(2)) The rho1 and rho2 are the image reflectances of the blue and red light band of the MOD09A1 image (Yang et al., 2020). Resampling to 1-km resolution. Scale data into the 0-100 range using Min-Max Normalization" -0.14 Soil erosion 2000, 2005, 2010, 2015, 2018; Raster, 1 km https://www.resde.cn/ Scale data into the 0-100 range using Min-Max Normalization -0.13 Water conservation 2000, 2005, 2010, 2015, 2020; Raster, 1 km Wang (2022) Scale data into the 0-100 range using Min-Max Normalization 0.12 PM_(2.5) concentration 2000, 2005, 2010, 2015, 2020; Raster, 1 km https://sites.wustl.edu/ acag/datasets/surface-pm2-5/#V5.GL. 02 Scale data into the 0-100 range using Min-Max Normalization, and the maximum value is the average of the top 50 values in the 3 years -0.11| Data set | Year and format | Data source | Data processing | Weight | | :---: | :---: | :---: | :---: | :---: | | Fractional vegetation coverage (FVC) | $\begin{aligned} & \text { 2000, 2005, 2010, } \\ & \text { 2015, 2020; Raster, } \end{aligned}$ $1 \mathrm{~km}$ | NDVI data: Juntao (2022) | FVC $=($ NDVI - NDVIsoil $) /($ NDVIveg - NDVIsoil). Select the cumulative frequency of $5 \%$ and $95 \%$ of NDVI value as NDVIsoil and NDVIveg | 0.16 | | Biological richness index (BRI) | 2000, 2005, 2010, <br> 2015, 2020; Raster, <br> 1 km | Land use and cover data: www.resdc.cn | $\mathrm{BRI}=\mathrm{Abio} \times(0.35 \times$ forest $+0.21 \times$ grassland $+0.28 \times$ water area $+0.11 \times$ cropland $+0.04 \times$ construction land $+0.01 \times$ unused land)/area. Abio is a normalized coefficient with a reference value of 511.264. Scale data into the 0-100 range using Min-Max Normalization | 0.19 | | Net primary productivity (NPP) | 2000, 2005, 2010, 2015, 2020; Raster, 500 m | https://lpdaac.usgs. gov/products/ mod17a3hgfv061/ | Resampling to 1-km resolution. Scale data into the 0-100 range using Min-Max Normalization | 0.15 | | Soil salinization index (SSI) | 2000, 2005, 2010, 2015, 2020; Raster, 500 m | MOD09A1 image: https://lpdaac. usgs.gov/products/ mod09a1v006/ | $\begin{aligned} & \mathrm{SI}=\sqrt{\rho_{1} \times \rho_{2}} \\ & \mathrm{SSI}=\sqrt{(\mathrm{NDVI}-1)^{2}+\mathrm{SI}^{2}} \end{aligned}$ <br> The $\rho 1$ and $\rho 2$ are the image reflectances of the blue and red light band of the MOD09A1 image (Yang et al., 2020). Resampling to $1-\mathrm{km}$ resolution. Scale data into the $0-100$ range using Min-Max Normalization | -0.14 | | Soil erosion | 2000, 2005, 2010, 2015, 2018; Raster, 1 km | https://www.resde.cn/ | Scale data into the 0-100 range using Min-Max Normalization | -0.13 | | Water conservation | 2000, 2005, 2010, 2015, 2020; Raster, 1 km | Wang (2022) | Scale data into the 0-100 range using Min-Max Normalization | 0.12 | | $\mathrm{PM}_{2.5}$ concentration | 2000, 2005, 2010, 2015, 2020; Raster, 1 km | https://sites.wustl.edu/ acag/datasets/surface-pm2-5/#V5.GL. 02 | Scale data into the 0-100 range using Min-Max Normalization, and the maximum value is the average of the top 50 values in the 3 years | -0.11 |
  和空间科学

图 4. 理论分析与四象限图法。(a) 时间维度的宏观演变。(b) 空间维度中 CHANS 的类型。

根据 Zeng 等（2019；Zeng et al., 2022）的研究，我们采用了放牧强度（即每平方公里的放牧牲畜数量）来替代之前使用的牧场面积，以提高对草原生态系统中人类活动量化的准确性。此外，与以往研究通常对所有指标赋予相等权重不同，我们采用了一种基于专家判断的不同方法。具体而言，我们对人口密度、GDP 和夜间灯光在高度人口密集的城市和矿区赋予了 1 / 12 1 / 12 1//121 / 12 的权重。这个决定是为了考虑这三个指标可能存在的重叠。另一方面，我们对其余指标赋予了 1 / 4 1 / 4 1//41 / 4 的权重（Shi, Wu, et al., 2022）。

这六个指标经过异常值检查、投影转换、栅格重新分配和原始数据标准化后，转化为 1 − km 1 − km 1-km1-\mathrm{km} 分辨率的栅格数据，范围为 0 − 100 0 − 100 0-1000-100 。HAI 指数是通过以下公式构成的：
HAI = ∑ i = 1 6 w i α i = Population density / 12 + GDP / 12 + Night light / 12 + Grazing intensity / 4 + Land use / 4 + Road network / 4 HAI = ∑ i = 1 6   w i α i =  Population density  / 12 + GDP / 12 +  Night light  / 12 +  Grazing intensity  / 4 +  Land use  / 4 +  Road network  / 4 {:[HAI=sum_(i=1)^(6)w_(i)alpha_(i)=" Population density "//12+GDP//12+" Night light "//12],[+" Grazing intensity "//4+" Land use "//4+" Road network "//4]:}\begin{aligned} \mathrm{HAI}= & \sum_{i=1}^{6} w_{i} \alpha_{i}=\text { Population density } / 12+\mathrm{GDP} / 12+\text { Night light } / 12 \\ & + \text { Grazing intensity } / 4+\text { Land use } / 4+\text { Road network } / 4 \end{aligned}

其中 α α alpha\alpha 是六个指标之一， w w ww 是相应的权重。土地利用数据通过建设用地和农田来衡量人类压力，因为草地和放牧强度具有重叠的含义。道路两侧通常在一定范围内受到人类活动的影响。参考之前的研究，我们在 0.5 到 1.5 公里的缓冲区内分配值。由于 2020 年某些指标的数据不可用，因此用前一年的数据作为替代。此外，2005 年的放牧强度采用 2000 年和 2010 年的平均值，2015 年的放牧强度则使用 2010 年和 2019 年的平均值。

2.3. EQI


生态环境质量是一个宏观概念，反映了与人类活动密切相关的生态系统和自然环境的状态（Goudie, 2018）。许多研究利用污染物排放和环境质量监测数据来表征特定区域的生态环境质量（Chen, Lu, et al., 2021; Fang et al., 2019）。然而，这些数据难以缩放到网格级别。在网格尺度上，一些学者尝试使用 NDVI、NDBSI、LST 和 WET 分别反映绿色度、干燥度、热度和湿度，并进一步构建 EQI（Boori et al., 2021; Xu et al., 2021; Yue et al., 2019）。尽管如此，这些遥感指标主要反映生态系统的状态，缺乏对环境污染的考虑。

2015 年，中国生态环境部发布了《生态环境状况评价技术标准》（HJ 192-2015），该标准从生物丰富度、植被覆盖率、水系网络密度、土地压力、污染负荷和污染事件六个维度全面评估生态环境质量（中国，2015）。我们的研究参考了这一标准，但对那些在网格尺度上无法获得的指标进行了相应的替代：水源涵养指数替代了网络

水体系统的密度和污染负荷仅通过 PM 2.5 PM 2.5 PM_(2.5)\mathrm{PM}_{2.5} 浓度表示，这是中国目前最关注的。污染事件目前未被考虑。因此，选择了七个受人类活动影响的年度尺度指标用于环境质量指数（EQI），包括植被覆盖率、生物多样性、净初级生产力（NPP）、土壤盐碱化、土壤侵蚀、水土保持和 PM 2.5 PM 2.5 PM_(2.5)\mathrm{PM}_{2.5} 浓度。每个指标的数据来源、处理和权重如表 2 所示。

为了减少气候因素对 FVC、NPP 和 PM 2.5 PM 2.5 PM_(2.5)\mathrm{PM}_{2.5} 的年际变化的干扰，我们对每个指标进行 3 年时间间隔的平均。在处理和标准化原始数据后，所有七个指标被转换为 1 − km 1 − km 1-km1-\mathrm{km} 分辨率的栅格数据，范围为 0 − 100 0 − 100 0-1000-100 。然后，我们邀请了 15 位专家（即六位生态学家、六位地理学家和三位环境学家）根据 AHP 方法确定每个指标的权重。土壤盐碱化、土壤侵蚀和 PM 2.5 PM 2.5 PM_(2.5)\mathrm{PM}_{2.5} 是负指标，其余为正指标。EQI 的公式是
EQI = ∑ i = 1 7 w i β i EQI = ∑ i = 1 7   w i β i EQI=sum_(i=1)^(7)w_(i)beta_(i)\mathrm{EQI}=\sum_{i=1}^{7} w_{i} \beta_{i}

其中 β β beta\beta 是七个指标之一， w w ww 是相应的权重。


2.4. 人类活动与生态环境之间动态关系的识别


人类活动对自然既有负面影响，也有正面影响（Chi et al., 2020; Huimin, 2013）。随着人口和各类产业的空间聚集，人类对生态环境施加了压力，包括不透水土地和耕地的扩张、森林砍伐、基础设施建设以及空气和水污染物的排放。自 1980 年代以来，可持续发展理念逐渐在全球传播，人们开始采取行动保护生态环境。更多环保材料和低碳节能技术被创造出来，更多环境政策被实施。人类对自然的压力将逐渐减小。在某个时刻，当达到转折点时，人类活动对生态环境的影响可能会从负面转变为正面，CHANS 将从冲突转向协调（图 4a）。一些学者得出结论，这一演变趋势符合“U 型”曲线（Fang et al., 2021）。因此，人类与自然之间的关系并非零和。在某些条件下，可以实现互惠关系（Comberti et al., 2015）。

人类与特定区域自然之间的关系在这个 U 型曲线的哪个位置？冲突还是协调哪个占主导地位？为了解决这个问题，从 CHANS 演化的动态视角出发，我们绘制了一个由 HAI 和 EQI 变化组成的四象限图，并将两者的演化关系细分为四类（图 4b）
( HAI t 1 − HAI t 0 , EQI t 1 − EQI t 0 ) = { ( + , + ) , first quadrant, coordination ( − , + ) , second quadrant, good for nature ( − , − ) , third quadrant, degradation ( + , − ) , fourth quadrant, conflict HAI t 1 − HAI t 0 , EQI t 1 − EQI t 0 = ( + , + ) ,  first quadrant, coordination  ( − , + ) ,  second quadrant, good for nature  ( − , − ) ,  third quadrant, degradation  ( + , − ) ,  fourth quadrant, conflict  (HAI_(t1)-HAI_(t0),EQI_(t1)-EQI_(t0))={[(+","+)","" first quadrant, coordination "],[(-","+)","" second quadrant, good for nature "],[(-","-)","" third quadrant, degradation "],[(+","-)","" fourth quadrant, conflict "]:}\left(\mathrm{HAI}_{t 1}-\mathrm{HAI}_{t 0}, \mathrm{EQI}_{t 1}-\mathrm{EQI}_{t 0}\right)=\left\{\begin{array}{l} (+,+), \text { first quadrant, coordination } \\ (-,+), \text { second quadrant, good for nature } \\ (-,-), \text { third quadrant, degradation } \\ (+,-), \text { fourth quadrant, conflict } \end{array}\right.