蘇州濕地鳥類多樣性熱點時空分布變化及其影響因素研究

姜琳琳,張 怡,楊羽佳,朱元航,穆 清,楊朝輝① (.蘇州科技大學地理科學與測繪工程學院,江蘇 蘇州 5009;.英國倫敦國王學院自然科學與數學學院,英國 倫敦 WCR LS;.蘇州科技大學環境科學與工程學院,江蘇 蘇州 5009)

受經濟發展和人類干擾活動的影響,目前我國濕地環境狀況并不理想[1],濕地生物多樣性同樣受到威脅。鳥類作為濕地生態系統的敏感組分,是指示濕地生態風險的重要生物指標,其多樣性監測重要性在制定濕地保護措施方面已形成共識[2]。水鳥常棲息于濕地,具有高度濕地特征,用于研究濕地鳥類多樣性監測問題更具代表性。

目前已有多種物種分布模型可用于物種多樣性熱點及生境適宜性的判別,大體上可分為機理模型、回歸模型、機器學習模型和生態位模型。以棲息地適宜性指數(HSI)為代表的機理模型客觀性弱,不適用于過多環境變量;回歸模型和機器學習模型對數據的要求較高,前者需要物種不出現點數據,后者需要大量訓練數據;而生態位模型兼具生態學意義和數據彈性優勢,適用性更強[3]。在生態位模型中,與GARP、Bioclim和Domain等模型相比,最大熵模型(maximum entropy model, MaxEnt)具有小樣本、高精度的優勢[4],利用物種當前存在點即可得到精確的空間分布,預測物種的潛在分布,并得到環境因子的影響程度和響應曲線[5]。在影響因子探究方面,不少學者[6-8]采用典范對應分析法(CCA)和結構方程模型(SEM)探究濕地鳥類多樣性的影響因子,前者存在“弓形效應”,受稀有物種影響較大,后者允許變量偏差[9],但依賴現狀數據,也無法探究變量響應變化,因此,使用MaxEnt模型進行影響因子的效果分析相對更好。馬星等[10]、羅綺琪等[11]分別構建MaxEnt模型研究當前不同區域水鳥的多樣性熱點,但沒有考慮水鳥多樣性熱點分布的時間變化差異。

因此,該研究參考曹銘昌等[12]的方法,在考慮年際差異的基礎上引入濕地生態環境數據,基于MaxEnt模型模擬蘇州市2018、2019和2020年水鳥分布,研究其多樣性熱點和時空分布變化規律,以期為開展鳥類資源管理監測、濕地保護修復、濕地生態系統分析和生態恢復效果評估提供理論依據和數據支撐。

1 數據與方法

1.1 研究區

以蘇州全域作為研究區域。蘇州境內河流稠密,湖泊眾多,具有豐富的濕地資源。目前研究區內共布設漫山島濕地、太湖綠洲濕地公園和張家港沿江觀測點等15個鳥類觀測監測點(圖1)。

圖1 研究區域與蘇州鳥類監測點Fig.1 Study area and birds monitoring points in Suzhou

1.2 鳥類分布數據

鳥類分布數據來源于中國觀鳥記錄中心網站(http:∥www.birdreport.cn/)由志愿者上傳的監測數據。2020年蘇州開始新增鳥類監測點,但缺乏科學的點位布局依據,因此,選取2018—2020年作為研究時間范圍。使用Python的Selenium庫下載中國觀鳥記錄中心網站的鳥類分布數據,共獲得2018—2020年蘇州全域4 495條觀鳥記錄,從中篩選出54種水鳥。由于同種鳥類觀測數據存在重復、記錄過少和位置臨近情況,故利用ArcGIS 10.4的緩沖區工具和空間連接工具篩選出大于10條記錄的同種鳥類數據,且在每個500 m × 500 m網格內僅保留1條同種鳥類數據[13],共得到有效水鳥觀鳥記錄1 560條,包括41種鳥類〔附錄1,根據《中國鳥類分類與分布名錄》[14]進行分類〕,其中,有14種留鳥和27種遷徙鳥。每條記錄包含物種名稱、數量、調查坐標和觀測時間等信息。利用GeoHey坐標轉換插件將原始的百度坐標系轉換為WGS84坐標系。

1.3 遙感影像及其處理

研究所使用的遙感影像集為Sentinel2-L2A產品,該產品已由歐洲空間局(European Space Agency,ESA)進行輻射定標、大氣校正等預處理操作。利用谷歌地球引擎(GEE)平臺(http:∥earthengine.google.com/)選取2018、2019和2020年Sentinel 2全部遙感影像進行均值合成,使用QA波段去云,并用蘇州矢量邊界進行裁剪。選取蘇州植被生長季(4—9月)時期影像,采用最大值合成方法計算得到2018—2020年歸一化植被指數(NDVI)均值。影像數據和NDVI數據通過GEE平臺的在線API進行下載。

為避免NDVI與植被覆蓋度計算產生相關性,影響模型精度,選取多端元線性光譜混合模型計算植被覆蓋度。構建了三端元模型[15-16],基于幾何頂點提取端元(圖2),并使用完全約束最小二乘混合像元分解法(FCLS)進行像元分解。選取3個1 500 m×1 500 m樣區,分別計算區域分解結果中像元平均值及目視解譯植被類型面積占樣區面積比值,計算均方根誤差(RMSE)進行精度驗證。結果顯示,樣區1、2和3的RMSE分別為0.107 4、0.037 8和0.203 6。RMSE越接近0,說明分解精度就越高[17]。

圖2 最小噪聲分離變換(MNF)前3個成分空間特征Fig.2 Feature space representation of the first three minimum noise fraction(MNF) components

1.4 環境數據

結合前人研究[18-22]及水鳥習性偏好,從氣候、生境、人類干擾和影像特征4個方面選擇22個相關環境因子。其中,影像紋理特征基于灰度共生矩陣(gray level co-occurrence matrix,GLCM)得到,包括均值(mean)、方差(variance)、協同性(homogeneity)、對比度(contrast)、相異性(dissimilarity)、信息熵(entropy)、角二階矩(second moment)和灰度相關性(correlation)。為避免因環境數據冗余和屬性信息重疊[23]而影響模型模擬精度,對環境數據去除多重共線性和高相關性(附錄2～7)。剔除方差膨脹因子(VIF)大于10、Pearson相關系數絕對值均大于0.8的因子后,3年影響因子略有差異,其中,主要影響因子基本相同。篩選后的14個影響因子信息見表1。

表1 用于鳥類分布模擬的環境因子Table 1 Environmental factors used for bird distribution simulations

2018—2020年溫度等氣象數據來源于國家科技基礎條件平臺——國家地球系統科學數據中心(http:∥www.geodata.cn)。2020年土地利用數據來源于GlobeLand30網站(http:∥www.globallandcover.com)。距離水源距離通過對土地利用數據中水體成分計算歐式距離得到。人口密度柵格數據基于蘇州市第七次人口普查公報數據進行修正。道路矢量數據來源于OpenStreetMap網絡地圖(https:∥extract.bbbike.org),經篩選后保留主要道路。

景觀開發強度指數[24-25]基于GlobeLand30土地利用數據,對耕地、林地、草地、灌木地、濕地、水體、人造地表和裸地分別賦值2.77、1.58、2.77、1.83、1.00、1.00、8.66和1.00后通過柵格計算得到,計算公式為

ILD,index=∑ULi×ILDi。

(1)

式(1)中,ILD,index為區域內LDI綜合指數;ULi為第i種土地利用類型面積占目標區域面積的百分比;ILDi為該土地利用類型對應的LDI系數。LDI系數表征不同土地利用類型單位面積單位能耗的開發強度,數值依據參見文獻[25]。

基于高德地圖SDK方式獲取興趣點(point of interest,POI)原始數據。POI數據是基于位置服務的地理對象信息點大數據,能夠反映人地關系[26],多應用于城市空間結構識別和優化。對原始數據進行清洗后得到173 602條數據,共計20個類別,將相近的類別合并為7大類(表2)。其中,影響因子權重系數的確定參考LDI系數值。

表2 興趣點(POI)數據重分類與對應的影響權重系數Table 2 POI classification types and corresponding weights

利用ArcGIS 10.4將所有上述環境變量都統一到相同坐標系WGS84_51N,并重采樣至相同范圍,分辨率為30 m×30 m。

1.5 MaxEnt模型的構建

將篩選后的2018—2020年41種鳥類地理分布數據和14個環境因子按年份分別輸入MaxEnt 3.4.4進行初步模擬,隨機選取75%的分布點記錄作為訓練集,剩下25%的分布點記錄用于模型驗證,模型重復運行10次,結果輸出類型選擇Logistic模式,其余參數則均使用默認值[11]。采用刀切法(Jackknife)得到模型預測結果中各因子的貢獻度,據此調整環境因子。最后共得到3年41種水鳥1 230 組訓練數據,以此為基礎構建全部鳥類多樣性熱點格局。

采用受試者特征曲線(receiver operating characteristic curve,ROC)對模型的模擬預測效果進行精度評價。ROC曲線下面積(area under curve,AUC)值范圍為[0,1],模型預測結果的精度與數值大小呈正比。模型精度標準:AUC值范圍為0.5～0.6,模型精度等級為“失敗”;>0.6～0.7對應“較差”;>0.7～0.8對應“一般”;>0.8～0.9對應“良好”;>0.9～1.0對應“優秀”。

2 結果與分析

2.1 MaxEnt模型精度及其影響因子結果

模型顯示2018—2020年總體物種平均AUC值分別為0.812、0.828和0.809,模型預測精度良好。對各環境因子的平均貢獻度進行排序(圖3)可知,影響鳥類分布的主要環境因子為POI核密度、土地利用類型、年平均降水量、距離水源距離和植被相關指數,同時表明所引入的POI數據在一定程度上對蘇州市水鳥多樣性熱點分布格局的構建起關鍵作用。由41種水鳥的環境因子響應曲線可知,POI核密度在整體上對水鳥分布產生負效應;土地利用類型中濕地、水體、耕地和草地水鳥出現概率更高;降水曲線呈倒“V”型,在理想閾值內起正向作用,超過該范圍則表現為負相關;距離水源距離因素與水鳥分布適宜性呈負相關,即距離越小,適宜性越高;植被相關指數的正向效果不明顯,曲線較為平緩,整體概率水平為0.5。

各環境因子名稱的中英文對照見表1。圖3 各環境因子對蘇州市水鳥潛在分布的貢獻度Fig.3 The contribution of various environmental factors to the potential distribution of waterbirds in Suzhou

2.2 影響因子分析

研究表明,蘇州市41種水鳥多樣性熱點分布格局的共同主要影響因子為POI核密度、土地利用類型、年平均降水量、距離水源距離和植被相關指數。但由于不同鳥類習性存在差異,環境因子對各水鳥的影響差異顯著,以2019年的模型結果為例,降水對琵嘴鴨、草鷺和灰頭麥雞等的影響較大,對白胸苦惡鳥、黑翅長腳鷸和金眶鸻的影響較小。琵嘴鴨在蘇州屬于冬候鳥,偏好生境為灘涂、溝渠、開闊水域,少量活躍于農田生境[27],以植物為主食,也濾食浮游生物等,多樣性分布受土地利用類型、距離水源距離和植被指數要素影響,符合實際情況。白胸苦惡鳥棲息于灌叢、稻田、河道、蘆葦等生境類型[14],也生活在人類住地附近,善奔走,在蘇州屬于留鳥,因此受降水影響小,更易受POI核密度和土地利用類型的影響。

2018—2020年主要環境因子貢獻度高值次序有一定變動。其中,POI核密度和土地利用類型相對穩定,這是由于人為干擾和生境偏好相對更加直接且持續性地影響鳥類多樣性[27],同時對留鳥的影響更加穩定。此外,降水直接影響退水間隔時間和水位波動變化,間接影響植被最大覆蓋度[28-29],也是影響越冬雁鴨類水鳥棲息和覓食活動的關鍵因素。而不適宜的水位條件會更改水鳥生境選擇決策,使得種群數量減少[30]。蘇州2018—2020年降水量分別為1 369.2、1 120.9和1 569.6 mm,通過對比多種鳥類的降水響應曲線得知2019年水位相對適合,最佳降水量約為1 150 mm,2018和2020年最佳降水量均小于1 000 mm,超過最佳降水量閾值后,降水量與水鳥出現概率呈負相關。最高水位過高反而不利于水鳥棲息,附近適宜的河道、灘涂等生境類型轉而成為更佳選擇,因此,降水量的影響力也隨之下降。

引入結合土地利用和人類開發活動的景觀開發強度指數(LDI)對水鳥分布進行模擬,結果顯示其貢獻度在3年中均小于5%,大部分水鳥出現概率約為0.5,個別水鳥如白胸苦惡鳥、白腰草鷸等達到0.65水平,說明在一定程度內的開發對鳥類分布的影響程度不大。此外,部分人類活動促進了多重景觀的構建,能夠增加部分邊緣生境鳥類的多樣性[18]。同時,筆者研究引進表征植被的指數進一步探究植被與水鳥分布的關系,包括NDVI、利用混合像元分解得到的FVC和遙感影像的紋理特征。其中,紋理特征體現了植被和生境的異質性[31]。通過多重共線性檢驗,2020年的影響因子中僅有FVC,說明該年FVC與NDVI有共同趨勢,且NDVI存在飽和效應,使用植被覆蓋度的效果更好。因子貢獻度結果表明紋理特征的貢獻度并不穩定,2018年最高貢獻度為4.6%,2019和2020年最高貢獻度均低于2%,NDVI和FVC的貢獻度均較小,可能是由于植被處于生長季,茂密植被不是大部分水鳥的理想棲息地[7]。此外,植被指數對水鳥分布的影響差異也較大,其響應曲線變化既有上升和下降的,也有呈現平緩趨勢的。

對于遷徙水鳥的保護,需要更加關注氣候因子的變化,目前已有保護點采取營造四季水田的方式提供補償棲息地。此外,各鳥類保護點需加強生境修復,重視多重景觀的構建,確保棲息地的完整性,營造沿線水岸過渡帶,注重水環境管理,減少人類活動干擾,提高棲息地生物多樣性,并進一步解決冬季等食源供給問題。

2.3 鳥類多樣性熱點地區格局及其變化

按照全部鳥類、留鳥和遷徙鳥這3種分類方式,對41種水鳥MaxEnt模型潛在分布預測二值化結果進行疊加分析,構建蘇州市水鳥多樣性熱點空間分布格局[10]。對多樣性熱點分布格局采用自然間斷點分級法劃分,得到在數值上遞減的5個等級熱點分布。

根據MaxEnt模型的預測結果(表3),水鳥的潛在分布高度依賴水體和耕地,自然生境仍然占據主導,多樣性相對高的區域生境類型主要有湖泊濕地、河流和次生山林,分別呈面狀和條帶狀分布。在兩類人工生境中,耕地波動起伏大,增速快,尤其是對于留鳥類型的熱點區域,該生境2018—2020年間增加370.526 km2,人造地表分布面積穩定排在末位。水鳥分布熱點地區顯著擴張,各生境類型都有不同程度的增加,水鳥適宜性逐年提升。對比2020年3大類鳥的分布面積,留鳥的活動范圍最廣,為1 213.195 km2,其次是遷徙水鳥,為670.346 km2。

表3 不同土地利用類型水鳥多樣性熱點區域面積Table 3 Area of different types of waterbirds diversity hotspots under different land use types

2018—2020年蘇州市水鳥多樣性熱點地區空間分布格局見圖4。

a1、a2和a3指2018—2020年棲息或經常棲息于濕地的全部水鳥(包括留鳥和遷徙鳥);b1、b2和b3指2018—2020年全年留居繁殖地的留鳥;c1、c2和c3指2018—2020年隨季節不同周期性進行遷徙的遷徙鳥。圖4 2018—2020年蘇州市水鳥多樣性熱點地區空間分布格局Fig.4 Spatial distribution pattern of waterbirds diversity hotspots in Suzhou for 2018-2020

熱點地區空間分布結果〔圖4(a1)～(a3)〕表明,全部水鳥多樣性熱點地區分布面積廣闊且變化顯著,主要集中在蘇州北部沿長江地帶的沿江灘涂濕地和東南部環太湖的大型湖泊濕地,包括張家港沿江、太湖綠洲濕地公園和震澤濕地公園監測點,小部分集中在以陽澄湖濕地公園、同里濕地公園和淀山湖為主的中南部(2018年),以漕湖、南湖和尚湖為主的西部(2019年),以貢山島、漫山島為主的太湖島嶼和最東南端的江灘濕地公園(2020年)。長江及太湖范圍內熱點地區進一步擴大,其中2019年的連片性最好。高熱點地區具有灘涂濕地、蘆葦濕地、開闊水域、開闊農田、水上浮島等豐富多元的生境類型優勢,為水鳥營造了良好的棲息和覓食環境。次熱點地區臨近熱點地區,集中在吳中區太湖區域、同里濕地公園、以陽澄湖為主的湖泊濕地(包括震澤蕩和傀儡湖)和以穹窿山為主的次生山林,包括熱點地區外圍的小部分地區,分布面積較小,總體分布位置較穩定。次生林的管理培育往往降低人為干擾影響,作為鷺鳥等的營巢和繁殖地更理想,且穹窿山靠近太湖,覓食來源有保障。次熱點地區的變化尤以東部部分區域顯著,2020年水鳥開始活躍于太豐西廬生態濕地公園和金倉湖濕地公園的輻射區域。中等地區在2018—2020年間分布面積明顯增加,分布范圍較為廣泛,集中在次熱點地區外圍,在沿江和太湖外圍呈條帶狀分布,少部分分散呈點狀分布。

留鳥多樣性熱點區域的整體分布〔圖4(b1)～(b3)〕與同年全部水鳥的熱點區域分布吻合度較高,較全部水鳥連片性偏低,在蘇州灣區域較為顯著;2018—2020年年際間對比可知,3年內熱點地區分布差異性較大,北部沿江區域鳥類分布變動較大,南部吳江太湖區域不再是熱點中心,更多水鳥朝北向虎丘區太湖集中,破碎化程度逐漸上升。次熱點區域分布最廣,在2019—2020年間激增,主要體現在吳江區和昆山市,覆蓋了吳江區同里濕地公園監測點和湖泊密集區域,包括北麻漾、北南鶯蕩、大渠蕩、三白蕩和元蕩等,該區域連通性較好,整體性較高,昆山的次熱點區域新增天福濕地公園及其周邊公園湖泊綠地,例如天鏡湖公園、印溪生態濕地公園等。中等地區留鳥分布較全部水鳥分布向南偏移、向東擴散,且沿水系分布,例如2020年姑蘇區護城河區域水鳥呈條帶狀分布格局。

遷徙水鳥的熱點地區〔圖4(c1)～(c3)〕與全部水鳥、留鳥多樣性分布差異性小,部分位于蘇州西部,北部沿江地區豐富度更高,南部環太湖區域的適宜性也更高,受蘇州市內水系的影響程度降低,中等地區面積變動不明顯,次冷點地區占比相對更小,冷點地區占比更大。

2.4 水鳥監測點分析

通過設置2019年鳥類監測點的3.5 km緩沖區(圖5),可以看出2019年布設的15個鳥類監測點輻射范圍有限,在蘇州北部和中部存在明顯的鳥類監測保護空缺,難以監測到鳥類完整的棲息地活動,且各監測點連通性較差,無法滿足覆蓋蘇州全境的濕地鳥類多樣性監測需求。

圖5 蘇州市水鳥多樣性熱點地區和監測點Fig.5 Hot spots and monitoring points of waterbirds diversity in Suzhou

3 討論

該研究綜合選取年均降水量、年均濕度、年均溫度、年均最高溫、年均最低溫、DEM、距離水源距離、土地利用數據、道路密度、POI核密度、人口密度、LDI指數、NDVI指數和FVC指數14個環境特征指標,以及灰度相關的8個影像紋理特征指標,共22個環境因子進行模擬研究。經因子篩選后去除溫度與部分紋理特征指標,參考了大部分學者的做法,使用了較多的氣候數據,這可能是因為影像反映的輻射反射率能體現太陽輻射與溫度特點。

隨著3S技術的發展,結合空間遙測技術進行水鳥生境適宜性評價成為研究熱點[32],已有不少學者的研究表明影像紋理用于預測鳥類分布效果較好,尤其是對于棲息地異質性高的鳥類存在較好的正相關性[33]。筆者研究表明紋理特征與水鳥的分布有一定相關性,但并不穩定,也不顯著,響應曲線主要表現為平緩和上升,而袁玉潔等[34]研究表明植被類型數對水鳥分布具有顯著影響,可能是由于單一時相的30 m分辨率影像辨識植被類別能力相對較差,且蘇州處于平原,境內湖泊、河流及耕地廣布,林地面積相對較少,表征植被類型的部分紋理差異也相對較小。此外,研究表明NDVI的貢獻度不高,這與馬星等[10]和羅綺琪等[11]的研究結果一致,植被生長季FVC指數的影響力同樣也不強。

圖6 3種典型鳥類出現概率對2020年興趣點(POI)核密度因子的響應曲線Fig.6 POI kernel density factor response curves of three typical birds

圖7 蘇州市興趣點(POI)核密度Fig.7 POI kernel density of Suzhou City

根據《2015蘇州濕地保護情況年報》(http:∥ylj.suzhou.gov.cn/szsylj/sdnb/202001/55ad2b89d00f42418d1997f398996b4f.shtml),2019年15個鳥類監測點最早設置于2015年,蘇州鳥類監測處于起步階段,各監測點的設置也更聚焦于濕地環境,從市域范圍來看,存在一定的局限性。近年來,蘇州緊緊圍繞長江大保護、長三角生態綠色一體化等戰略,深入推進濕地保護與修復,各鳥類監測點的影響力和重要性也在不斷提升。

根據2018—2020年熱點地區分布格局及濕地水鳥習性偏好,建議增設15處鳥類監測點(圖8),從北至南依次是雙山島區域,通沙碼頭區域,望虞河沿線,張家港常陰沙濕地和常熟鐵黃沙濕地區域,南湖、尚湖和昆承湖區域,太豐西廬生態濕地公園、金倉湖濕地公園和印溪生態濕地公園片水系,江灘濕地公園區域,漕湖-長洲苑濕地公園區域,陽澄湖-傀儡湖區域,金雞湖-獨墅湖區域,西山風景區,穹窿山-蘇州灣區域,淀山湖區域和北麻漾至元蕩湖泊密集區域,逐步完善蘇州濕地鳥類監測網絡。此外,在近期規劃中,應當著重關注北部沿長江和南部環太湖的鳥類棲息地,進一步加密監測點,并協同無錫、上海和浙江,加強區域生態保護、防治和監管。

圖8 蘇州市水鳥監測點建議增設區域Fig.8 Suggested additional areas for waterbirds monitoring points in Suzhou

4 結論

最大熵模型作為主流的生態位模型之一,具有預測精度更高、樣本數據量彈性大等優勢。在物種分布的時空變化研究方面,少有學者利用MaxEnt模型進行相關分析。該文考慮年際差異,基于MaxEnt模型和14個環境因子,探究了蘇州2018、2019和2020年濕地水鳥多樣性熱點時空變化及其影響因素,得到以下結論:

(2)蘇州水鳥分布受到自然因素和人為活動的綜合影響,其中POI核密度、土地利用類型、年平均降水量、距離水源距離和植被相關指數對其影響較大,從整體上來看,水鳥出現概率與POI核密度指數、年平均降水量和距離水源距離之間呈負相關,且是考慮單因子還是考慮其他因子的不同POI類型的影響作用不同。受氣候條件影響,主要影響因子貢獻度次序會產生一定變動。對于遷徙水鳥的保護,需要更加關注氣候因子的變化。景觀開發強度指數(LDI)和紋理特征因子的貢獻度3年中均小于5%,表明在一定程度內的開發對鳥類分布的影響程度不大,且茂密植被并非水鳥的理想棲息地。

(3)隨著蘇州濕地保護修復成效的日益顯著,蘇州吸引了更多水鳥,各監測點的重要性也在不斷提升,因此建議增設15處鳥類監測區域,完善濕地鳥類監測網絡。

該研究引入生態研究領域應用較少的POI數據和LDI指數,進一步探究了水鳥與人類開發活動的關系,其中POI數據作為模型的主導環境因子對鳥類多樣性熱點分布格局的構建意義重大。該文使用了單一POI核密度指數進行簡單分析,而不同性質的POI數據對水鳥分布具有明顯不同的正負效應,因此在今后的研究中需要考慮不同POI小類的影響作用。此外,由于該文的水鳥數據來源于中國觀鳥中心網站,存在數據總量較小、類別不齊全和分布不均勻等局限性,無法進一步探究季節尺度的變化,模型結果存在一定程度的偏差,需要在未來的研究中積累更多的鳥類調查數據。

附錄

附錄1 調查鳥類名錄

Appendix 1 Survey bird list

http:∥www.ere.ac.cn/attached/file/20240117/20240117105355_647.pdf

附錄2 2018年12個環境因子的容差和方差膨脹系數

Appendix 2 Tolerance and variance inflation factors of 12 environmental factors in 2018

http:∥www.ere.ac.cn/attached/file/20240117/20240117105421_371.pdf

附錄3 2019年13個環境因子的容差和方差膨脹系數

Appendix 3 Tolerance and variance inflation factors of 13 environmental factors in 2019

http:∥www.ere.ac.cn/attached/file/20240117/20240117105449_311.pdf

附錄4 2020年12個環境因子的容差和方差膨脹系數

Appendix 4 Tolerance and variance inflation factors of 12 environmental factors in 2020

http:∥www.ere.ac.cn/attached/file/20240117/20240117105514_891.pdf

附錄5 2018年12個環境因子間相關系數

Appendix 5 Correlation coefficients between 12 environmental factors in 2018

http:∥www.ere.ac.cn/attached/file/20240117/20240117105546_172.pdf

附錄6 2019年13個環境因子間相關系數

Appendix 6 Correlation coefficients between 13 environmental factors in 2019

http:∥www.ere.ac.cn/attached/file/20240117/20240117105618_96.pdf

附錄7 2020年12個環境因子間相關系數

Appendix 7 Correlation coefficients between 12 environmental factors in 2020

http:∥www.ere.ac.cn/attached/file/20240117/20240117105637_447.pdf