欢迎访问一起赢论文辅导网
本站动态
联系我们
 
 
 
 
 
 
 
 
 
 
 
QQ:3949358033
微信:paperwinner
工作时间:9:00-24:00
经济管理论文
当前位置:首页 > 经济管理论文
半干旱生态系统中贫困与生物多样性相互作用的空间管理
来源:一起赢论文网     日期:2026-11-22     浏览数:2     【 字体: 大 中 小 】

 半干旱生态系统中贫困与生物多样性相互作用的空间管理

 
人类活动对全球生态系统退化有着多种原因和影响 1,2,3.这些活动不仅直接破坏和改变生态系统,还间接加剧气候变化,进而促成物种的大规模灭绝4.由于人类活动对自然生态系统产生了深远影响,当前的时代常被称为“人类世”5.随着生态系统被破坏、其面积缩小,我们目睹了动植物物种的灭绝,导致全球生物多样性丧失6.生物多样性至关重要,因为生态系统中物种多样性的增加意味着食物链更长、生态网络更复杂。这反过来又增强了环境的稳定性和自我调节能力7.生物多样性在生态系统功能和服务中发挥着基础作用8这使得研究成为有效生态系统管理的重要工具。尽管全球都在努力,生物多样性仍在下降,生态系统退化依然是一个持续的挑战9,10 .政府间生物多样性与生态系统服务科学政策平台(IPBES)强调,现有政策努力不足,需要更具雄心的变革11.生物多样性的丧失降低了生态系统对环境压力(如干旱)的韧性12.当物种消失时,自然的平衡被打破,因为每个物种在生态系统的食物链中都扮演着至关重要的角色13.由此导致的生物多样性丧失不仅是一个环境隐患,也威胁着全球社会经济体系14.那些生计高度依赖自然生态系统的人,比如农村贫困人口,是最容易受到生物多样性丧失风险的影响15.决策者应当承认生物多样性保护战略在减贫综合方法中所发挥的关键作用,并认识到生物多样性与人类福祉之间的直接联系16.
 
生物多样性的保护和保护区的建立,是人类面临的一些最大挑战17.许多讨论都集中在关于生物多样性知识的匮乏上18.然而,这种讨论往往局限于普遍知识的缺口或对自然科学知识的偏见19.显然有必要完善生物多样性保护和可持续利用的知识基础20.所有生物多样性保护都是局部性的,只有找到兼顾人类与自然需求的方法,才能取得成功21.这需要进一步探讨保护工作所涉及的条件及其相关性,使其成为综合社会科学和生态研究的核心主题。允许当地社区积极参与保护行动并保障其对资源的权利,会为他们保护生物多样性提供了强烈的动力 22,20.
 
必须认识到,人类活动对生物多样性的影响并不总是立竿见影。调查贫困等导致生物多样性压力的社会驱动因素至关重要8.贫困是一种复杂的社会、经济、文化和政治现实,常常导致环境恶化,因为生存策略可能促使对自然资源的有害行动23.贫困通常被定义为一种状态:生态系统服务的可获得性低于某个阈值,而该门槛通常由家庭收入决定24.贫困和收入分配不均为实施许多环境政策构成重大障碍 25,26.过去35年间,生物多样性下降了三分之一,贫困热带地区损失了60%27.贫困通过过度开发自然资源导致生态退化28.近几十年来,贫困人口,尤其是发展中国家的贫困人口在环境恶化中的作用,已成为经济学家、生物学家和环境专家关注的关键问题29.帮助人们摆脱贫困可能减少他们对自然资源的依赖30.
 
一些研究者认为,贫困与环境恶化之间的关系受复杂因素网络的影响31.虽然导致贫困和生物多样性丧失的因素尚未明确识别,但从经济、社会和文化角度来看,这些因素尚未被彻底探讨32.农村收入偏低和自然资源的不当利用——例如将牧场和森林土地改作农业,以及过度放牧——是生态系统退化的重要因素,包括水土流失和水资源枯竭33.这些条件形成了贫困、移民和城市贫民窟的循环,进而引发更广泛的社会问题20.一些研究将贫困人口视为环境恶化的主体和受害者34.关于贫困与环境恶化之间的关系,目前仍有持续的争论,许多研究者认为贫困是主要原因。他们认为,要解决环境问题,政策制定者首先必须解决贫困问题32.这种复杂性因各地区的社会经济背景和宏观经济政策而异35.
 
贫困依然是一个严重挑战,尤其是在发展中国家。尽管生活在极端贫困中的农村人口比例有所下降,但数以百万计农村地区的人仍在受苦24.尽管理解减贫与生物多样性保护之间的联系至关重要,这一关系在理论和实证上仍然缺乏充分探讨36.很少有实现“双赢”解决方案的努力完全满足预期,更少有研究全面评估此类方法的社会经济和环境影响。支持或质疑这些方法背后假说的实证证据有限,且缺乏建模生物多样性保护与减贫之间相互关系的基础20.
 
生物多样性保护与减贫一道,对于社会体系和生态系统的可持续发展至关重要。为解决这一问题,分析贫困与生物多样性丧失之间的关系,并制定旨在减少或消除这两项挑战的政策至关重要。减贫与生物多样性保护密切相关,但其关系仍然理解不足。关于因果关系的走向,目前仍在争论——贫困是否是生物多样性下降的前兆,抑或反过来说,贫困是否是这种损失的结果37.有时,生物多样性的丧失伴随着人们福祉和贫困减少的改善,而在其他时候,生物多样性保护努力反而加剧了贫困。要确定有效的解决方案,必须确定在何种情况下、在何种情况下,减贫能够在空间尺度上积极影响生物多样性保护。此外,识别既促进生物多样性保护又减少贫困的地方因素至关重要。由于生态与社会驱动因素相互作用,生物多样性与贫困的管理需要采取独特的方法36.关于自然、社会、经济和政府驱动因素相互作用的机制,以及其管理如何有助于减贫,存在显著的知识空白。因此,本研究的目标是:(1)量化半干旱生态系统中的相对贫困与生物多样性保护,(2)研究贫困与生物多样性保护之间的空间关系,(3)识别在贫困与生物多样性保护相匹配或冲突情境中影响结果的关键因素,以及(4)探索贫困与生物多样性保护之间的空间关系,并识别最重要的驱动因素。
 
材料与方法
学习区域
这项研究在伊朗东南部的巴尔兹西尔流域进行,地处东经56°4′12“至57°0′7”,北纬29°23′26“至30°9′11”之间。该地区面积为3,941平方公里。年平均降雨量为210毫米,主要集中在冬季。流域位于下游北部,最低海拔为1,862米,以及上游南部,最高海拔为4,264米(见图)。1)该地区的自然环境主要归类于伊朗-图兰生态区。伊朗-土兰生物多样性热点涵盖土耳其中部和东部、亚美尼亚、伊拉克东北部和伊朗的高海拔地区,是唯一完全位于西南亚境内的全球生物多样性热点。该地区以干燥气候和地中海型降水为特征38.据估计,该地区超过40%的植物物种为特有种39.伊朗覆盖了伊朗-土兰热点区的54%,拥有多种植物、动物和景观物种 40,41.伊朗植物群包括超过8,000种维管植物分类单元,其中约30%为特有种42.灌木丛是巴尔兹尔地区主要的自然陆地覆盖,分布在不同海拔高度(见图)。2;表1)。
 
伊朗的牧场及其生态系统服务贡献了全国国民生产总值的6%,是许多农村低收入家庭的主要收入来源43.这些牧场为大约18万个牧民家庭提供了食物和收入,其中约140万个家庭间接依赖牧场服务44.然而,如前所述,这些牧场的历史过度开发导致饲料产量和生物多样性下降45.根据2006年人口普查,巴尔兹西尔市人口为31,801人,分布在7,391个家庭中。该市经济主要依赖农业和畜牧业,尽管克尔曼省近年来城市化加快并实现了快速增长46.
 
图1
图1
全尺寸图片
位于伊朗东南部的巴尔兹西尔流域地图,显示该地区数字高程模型。
 
表1 伊朗巴尔兹西尔流域不同陆地覆盖的空间特征。
全尺寸桌
图2
图2
全尺寸图片
伊朗巴尔兹尔盆地概览,突出研究区内土地覆盖的分布情况。
 
数据收集
生物多样性保护定量
研究区域的生物多样性保护潜力是通过InVEST栖息地稀有度模型估算的。在许多保护计划中,由于稀有栖息地的保护机会有限,优先考虑这些栖息地;它们的消失导致相关物种和生态系统过程的灭绝47.稀有度以当前景观中土地利用/土地覆盖(LULC)相对于基线LULC模式的比例来量化。
 
在稀有度计算的第一步,我们计算每种土地覆盖类型当前与基线LULC地图的变化比值。将此比率减去1,得到一个指标,代表每个LULC类别在景观中的稀有度。
 
$$\:{R}_{j}=1-\frac{{N}_{j}}{{N}_{jbaseline}-{N}_{j}}$$
其中 Nj是LULC j在当前N上的网格单元面积Jbasline给出LULC j在基线景观上的网格单元面积。Rj评分范围在0到1之间,0.5表示基线与当前LULC之间没有变化。0到0.5之间的数值表明LULC数量丰富,而该值越接近0,其保护对生物多样性的重要性就越低。0.5到1之间的数值表明LULC较为稀有,而该值越接近1,保护该LULC以促进生物多样性的重要性就越大。
 
一旦我们有了 Rj对于每种LULC类型,我们可以用以下方式量化网格单元X中栖息地类型的总体稀有度:
 
$$\:{R}_{x}=\sum\:_{x=1}^{X}{Q}_{xj}{R}_{j}$$
其中 Qxj 是基于 InVEST 模型的栖息地质量47.
 
InVEST 模型以 0 到 1 的尺度计算栖息地质量,考虑各种对生物多样性威胁的影响。
 
$$\:{Q}_{xj}={H}_{j}\left(1-\left(\frac{{{D}_{xj}}^{z}}{{D}_{xj}}^{z}+{k}^{z}}\right)\right)$$
Z = 2.5。
 
K 是一个常数因子,取决于 D 的取值xj.Hj是生物多样性方面的栖息地适宜性J。Dxj是栖息地J像素X中威胁的总影响,估计方式如下。
 
$$\:{D}_{xj}=\sum\:_{r=1}^{R}\sum\:_{y=1}^{y}\left(\frac{{w}_{r}}{\sum\:_{r=1}^{R}{w}_{r}\right){r}_{y}{i}_{\text{r}\text{y}}{\text{S}}_{\text{j}\text{r}}$$$
SJR是威胁R对栖息地J的影响。Wr 是威胁 r 的相对权重,irxy 是威胁 r 的像素 y 对环境中像素 x 的影响。
 
基于Kyriazopoulos等人的工作。48我们识别出六种对栖息地质量的潜在威胁:牲畜放牧、农业、采矿、工业活动、铺装道路和未铺装道路。这些威胁通过谷歌地球和伊朗森林、牧场与流域管理组织提供的2008年集水区土地利用地图进行了空间划定。研究盆地内识别的每个威胁都被分配了一个二进制代码:0表示缺席,1表示存在。描绘放牧威胁的地图上,共有804个水源点和围栏分布在整个流域。其中45%位于下游地区,55%位于上游地区。随后,我们收集了包括土地管理者和生态学家在内的多方利益相关者的意见,利用Terrado等人提出的方法,评估六个已识别威胁中的每一种潜在规模或分量。49.通过与这些尊敬的同事和联系人进行面对面访谈,征求意见。共有15位区域和地方专家贡献了他们的见解,每位专家的视角被用来通过分析层级过程(AHP)方法为每种威胁赋予权重50.最初,我们创建了一个矩阵,将威胁列在各轴线上,以便两比较,使专家能够评估威胁成对作为替代方案。随后,专家们被要求表达两种截然不同威胁或替代方案的相对意义。比较结果采用1到9的数值量表进行量化,随后对结果进行了记录。从15种不同意见中得出的指标被用来为每个已识别威胁赋予权重。成对比较过程的结果定量地表明了某一方案相较于另一方案在多大程度上被视为更重要或更具主导性。已有文献证明,如果相应的一致性比(CR)低于10%,则判定矩阵中的这些成对比较被视为一致的,则该比较在判断矩阵中保持一致50.利用现场监测数据和沿威胁梯度的多样性指数,按照Wesuls等人建立的框架,评估了每种空间明确威胁的影响。51以及 Berenji Tehrani 等人。52.最初,我们沿着每条识别出的威胁梯度(长3公里)设置了50个地块,每个地块面积为2平方米,每隔100米。在每个样本中,我们都仔细记录了所有植物种类的分类单元和数量。随后,这些数据被用来估算图层级的辛普森指数(D)53.
 
$$\:\text{D}=\sum\:_{\text{i}}^{\text{c}}{{\text{p}}_{\text{i}}}^{2}$$
其中pi表示物种i的个体数除以个体总数。随后,利用Sasaki等人提出的方法计算了最大有效威胁距离。54其中,沿每个威胁梯度对辛普森指数拟合了线性和指数模型。通过应用赤池信息准则(AIC)确定了最优模型55.
 
$$\:\text{A}\text{I}\text{C}=\text{n}\text{l}\text{n}\left(\frac{\text{S}\text{S}\text{E}}{\text{n}}\right)+2\text{K}+\left(\frac{2\text{K}\left(\text{K}+1\right)}{\text{n}-\text{k}-1}\right)$$
同样,来自网格单元y或r的特定威胁r的影响y,在网格单元X中的栖息地上,由i给出rxy以及表示是线性模型还是指数模型:
 
$$\:{i}_{rxy}=1-\left(\frac{{d}_{xy}}{{d}_{r\:max}}\right)\:\text{I}\text{f}\:\text{l}\text{i}\text{n}\text{e}\text{a}\text{r}$$
$$\:{i}_{rxy}=exp\left(-\left(\frac{2.99}{{d}_{r\:max}}\right){d}_{xy}\right)\:\text{I}\text{f}\:\text{e}\text{x}\text{p}\text{o}\text{n}\text{e}\text{t}\text{i}\text{a}\text{l}$$
其中 dxy是网格单元 x 和 Y 之间的线性距离,Drmax 是威胁在空间中的最大有效距离。采用上述方法配合 InVEST 模型,可以更快地评估威胁代理的状态及其变化,并测量更详细的生物多样性状况。特别是,具有优越栖息地质量特征的地区更有可能更有效地维持这三个生物多样性水平。相比之下,在时间尺度上,栖息地的范围和质量的减少必然会导致生物多样性特征的恶化,例如“持久性、韧性、广度和深度”47.最终,进行了皮尔逊相关分析,以评估栖息地质量排名相对于不同牧场分类多样性指数的准确性。
 
表2 威胁类型、其重量及最大撞击距离。
全尺寸桌
贫困量化
本研究采用了绝对贫困来衡量贫困情况。绝对贫困是最严重的贫困类型,其特征是对基本人类需求(包括食物、安全饮用水、卫生设施、健康、住所、教育和信息)的严重剥夺56.绝对贫困线是一种“基本需求成本”方法,这是一种在全球范围内基于消费数据计算贫困线的方法。为了确定绝对贫困线,我们首先采用最低基本需求方法计算食物绝对贫困线,然后加上最低非食物需求(设定为食物需求的三分之一)。伊朗营养研究所提出的模型被用于确定食物贫困线,该线通过均衡的食物组合确保人均每日摄入2,294千卡。这一热量应由多种食物的组合提供,如谷物、豆类、肉类、糖、植物油、乳制品、蔬菜和水果,其中的比例由营养专家确定。通过将所需食物数量和相应营养清单中每种食物的价格乘以估算。食品绝对贫困线是通过将所有食品的价值相加而得出的。采用了以下方法添加最低非食品需求:
 
$$\:Total\:\:absolute\:p overty\:line=Food\:absolute\:p overty\:line+\frac{1}{3}Food\:绝对\:p overty\:line$$
贫困差距指数
贫困差距指数用于衡量贫困人口相对于贫困线的支出差异。它通过考虑贫困人口平均距离绝对贫困线的高度来估算贫困深度。贫困差距指数的计算方式如下:
 
$$\:P=\frac{1}{n}\sum\:_{i=1}^{q}\frac{(z-{y}_{i})}{z}\times\:100$$
其中 n 是总人口,q 是生活在贫困线或以下的贫困人口总数,z 是绝对贫困线,yi 是个人的收入。采用普通克里金插值法绘制流域贫困的空间分布图 57,58.所有地图均由作者使用 GS + V. 5.1.1(https://www.geoengineer.org)和ArcGIS Desktop V. 10.8(http://www.arcgis.com)绘制。
 
衡量生物多样性与贫困驱动因素
统计对象包括自愿参与研究的农村居民。共选定了25个村庄作为试点地点。采用配额抽样程序以确保调查代表人口。基于科克伦的方法59样本量为315人。数据通过与成年人面对面访谈收集,这些个体在参与前提供了口头同意。收集了人口统计信息,包括性别、教育程度、家庭规模、收入、对自然资源和农业的收入依赖、职业以及获得政府服务的机会。
 
地形因素(海拔和坡度)通过数字高程模型推导出,而气候因素(降水量和温度)则来自研究区域内的雨量计站。各村的人口和迁徙统计数据均基于2016年人口普查数据估算。畜牧管理和政府干预数据来自巴尔兹尔县自然资源与流域部门。
 
衡量胜负关系
采用詹克斯自然断层法将生物多样性保护和贫困水平分为三类:高、中和低,分别以代码3、2和1表示。Jenks优化方法旨在最小化组内方差并最大化组间方差,通常用于生态学研究的绘图 60,61.自然断点非常适合映射数据,因为它们有助于准确反映数据的底层分布,从而生成能够揭示数据真实趋势的地图,而不是被任意设置的类别断点所扭曲62.通过结合两组水平,使用以下方程确定了生物多样性保护与贫困之间的互动代码(胜负)61:
 
$$\:IC=\:BC\:\times\:10+\:P$$
其中 IC 是一个两位数代码,用于指定生物多样性保护与贫困之间的互动类型,P 代表贫困等级,BC 表示生物多样性保护等级。在这些代码中,数字3表示“胜利”,1表示“失败”,数字2表示因素之间的中立关系。
 
应用了交互作用码(胜负)来测量主要驱动因素与贫困和生物多样性保护之间的相互作用,使用以下方程。
 
$$\:IC=\:D\times\:100+\:BC\:\times\:10+P$$
其中 IC 是一个树形数字代码,用于指定生物多样性保护和贫困等主要驱动因素之间的互动类型,D 表示主要驱动类别的级别。在这些代码中,数字3表示胜利,1代表失败,数字2代表主要驱动因素——生物多样性保护与贫困之间的中立关系。
 
数据分析
结构方程模型(SEM)被用于评估生物多样性保护的直接和间接驱动因素。因为生态驱动因素和社会驱动因素相互作用。SEM是一种结合回归和确认因素分析的统计技术,被选用于探索生态系统与社会驱动因素之间复杂的关系63.SEM模型还能够评估自然、社会、经济和政府驱动因素的直接影响,以及它们对生物多样性的间接影响。采用综合信度(CR)和平均方差提取(AVE)评估SEM的信度和效度,采用SmartPLS v264.AVE衡量构造捕获的方差与测量误差导致方差的比例,阈值为0.5为可接受。CR是比阿亨巴赫α更可靠的构念可靠性估计值,当其值达到0.7或以上时被视为可接受63.均方根近似误差(RMSEA)65以及比较拟合指数(CFI)66以及塔克–刘易斯指数(TLI)67用于测试SEM模型的拟合性。RMSEA ≤ 0.06,TLI 和 CFI ≥ 0.95,总体上表明模型与数据的契合度相对较好68.扫描电子显微模型的RMSEA、TLI和CFI表明该模型与观测结果高度吻合。此外,还应用了方差分析(ANOVA)和最小显著差异(LSD)检验,比较土地覆盖对生物多样性保护和贫困的影响。
[返回]

下一篇:通过深度学习混合模型预测价格波动,提升玉米产业可持续性