以下是引用这篇文章的既定格式:
Zarbá, L., M. Piquer-Rodríguez, S. Boillat, C.杠杆,I. Gasparri, T. Aide, n.l. Álvarez-Berríos, L. O. Anderson, E. Araoz, E. Arima, M. Batistella, M. Calderón-Loor, C. Echeverría, M. gonzez - roglich, e.g. Jobbágy, S. L. Álvarez-Berríos。Mathez-Stiefel, C. Ramirez-Reyes, A. Pacheco, M. Vallejos, K. R. Young和R. Grau. 2022。南美洲社会生态土地系统的测绘与特征。生态与社会27(2):27。摘要
人类对陆地施加了巨大的压力,改变了大约75%的地球表面。在这方面,仅仅根据其生物物理特征来界定生态区域和生物群落,是对领土的不完全描述。土地系统科学需要结合社会和生物物理两个维度的分类方案。在这项研究中,我们采用了一种混合方法,将数据驱动的空间分析与区域专家跨学科小组基于知识的评估相结合,生成了南美洲空间明确的社会生态土地系统(SELS)类型学。我们的方法对社会-生态土地系统进行了全面考虑,收集了涵盖7个维度的26个变量数据集:物理、生物、土地覆盖、经济、人口、政治和文化。我们发现13个sel嵌套在5个更大的社会生态区域(SER)中。每个sel都由特定的专家小组讨论和描述。虽然4个环境变量和1个社会经济变量解释了粗略的SER分类的大部分分布,但其他15个变量的多样性对定义几个sel至关重要,突出了区分它们的具体特征。提出的SELS空间分类是对南美洲社会生态土地系统的系统和有效的表征。我们认为,它的使用可以为广泛的应用提供参考框架,例如在更大的背景下分析观察结果,为可持续发展设计特定系统的解决方案,以及构建跨空间的假设测试和比较。 Similar efforts could be done elsewhere in the world.介绍
由于自然系统(即不受人类企业影响的自然系统)在世界范围内变得越来越罕见(Allan等人,2017年,Riggio等人,2020年),因此越来越需要通过人-自然耦合系统的透镜来分析和理解土地。人类不仅仅是生态系统的居民,而且强烈地影响着生态过程(Ellis和Ramankutty 2008, Maxwell et al. 2016)。生态区域和生物群落是表示生物物理特征的一致模式的有用地理单位。然而,要描述当前土地系统的配置,这必然涉及到人类活动(Verburg et al. 2009),我们需要一个整合了社会和生物物理维度的土地分类方案。
随着数据可用性的增加,大规模和综合研究的新机会出现了。然而,比较来自不同地点的发现并将其与全球或遥远的过程联系起来仍然是一个挑战(Rocha等人,2020年),部分原因是缺乏适当的大尺度空间框架来将其置于背景中(Kuemmerle等人,2013年)。土地系统科学作为一个研究领域正在迅速发展,解决这一差距的新方法正在多样化和巩固(GLP 2016)。一个例子是综合征和原型分析(Meyfroidt等人,2018年,Oberlack等人,2019年,Sietz等人,2019年),它通过识别土地利用特征和过程的重复模式来分析社会生态系统(SES),并被用于检测整个领土内目标社会生态系统的发生,以及生成土地系统分类。
一些研究应用了原型逻辑,生成了社会生态系统的大规模土地分类。Ellis和Ramankutty(2008)的早期全球计划将土地覆盖与灌溉和人口数据结合起来,生成了世界的人类生物群落。随后的工作包括生产活动的更详细数据。Letourneau等人(2012)绘制了全球土地利用系统地图;van Asselen和Verburg(2012)产生了全球规模的土地系统,Václavík等人(2013)开发了全球土地系统原型。在大陆尺度上,lever等人(2018)分析了欧洲陆地系统的典型模式和轨迹。
这些研究结合了自然不同方面的数据(如土地覆盖、土地利用强度、生物物理因素),使用计算机分类方法(如多阶段经验过程、层次聚类、自组织地图),生成了中等空间分辨率(约10公里至20公里)的地图。然而,他们倾向于把分类集中在土地使用上,特别是确定不同类型的农牧生产。在大多数情况下,关于社会社区特征的资料只能通过人口密度或可达性来表示,作为土地使用强度的指标。政治、环境和社会经济因素在某些情况下被用来描述阶级,而不是产生阶级。文化和治理对于反映影响景观的agent的复杂行为非常重要(Lambin et al. 2001, Verburg et al. 2009, Rounsevell et al. 2012),而且很难纳入全球模型(Václavík et al. 2013)。其中最全面的是全球土地系统原型(Václavík et al. 2013)。他们提出了一个详尽的分类,考虑了几个物理变量,光合活性(NDVI),国内生产总值(GDP)和政治稳定性。
在全球范围内的分类是展示世界范围内的一般模式的理想方法,但它们在理解区域或地方范围内的土地系统方面存在不足。例如,Václavík等人(2013)将南美洲大陆的大约一半(约12000平方公里)归为同一类:”热带的森林系统。”在更细的空间尺度上进行工作,可以使各类的描述更加详细,包括具有特定值范围的区域相关性变量,以及更有可能找到完整和连贯的特定变量集;比如文化和政治变量。
南美洲有其独特的特点,因此有理由有一个具体的大陆分类方案,以增进对当地社会生态系统内部和整个系统的了解。例如,人口总体密度低,80%以上的人口集中在城市地区;受高海拔地区社会群体强烈影响的土地使用史,随后是高度变革的欧洲殖民时期,包括牲畜大规模取代野生食草动物;拥有多种文化遗产的众多土著社区;以出口为导向的经济和农业生产与世界上森林砍伐率最高的一些国家有关。
Boillat等人(2017)首次尝试将社会生态知识整合到拉丁美洲土地系统的特征描述中”简化的社会生态土地系统(SELS)的生物级类型学。”他们根据生物物理、经济、住区、制度、技术、历史遗产和潜在的未来趋势描述了七个生态系统系统。然而,这种类型学完全基于专家知识,缺乏与特定空间表示相连接的地图,因此限制了它的使用和应用。
在这项研究中,我们通过对南美洲的精确和系统的空间分类,使SELS的概念可操作性。我们的首要目标是促进地理参考框架的发展,以促进社会生态研究成果的讨论和土地系统科学和领土规划的研究。更具体地说,我们(1)为南美洲创建了一个生态系统系统分类地图,(2)分析了区分分类的关键变量,(3)描述和讨论了最终的生态系统系统地图,包括我们的领土知识的表示,以及与Boillat等人(2017)的概念性生态系统系统描述的充分性。此外,我们强调了关键的数据空白,这将允许进一步深入研究这类特征。
方法
通过沿着多维连续体分析特征的空间模式,并描述具有相似剖面的地区,我们将南美洲划分为社会生态土地系统的一般类型学(Meyfroidt等人,2018年,Sietz等人,2019年)。我们的研究目标可能没有单一的正确解,因此我们通过注意研究人员在该地区的集体经验来优先考虑进一步的适用性价值。
我们设计了一种结合机器学习技术的混合方法,用于分析一系列社会和环境空间数据,并由跨学科的区域专家(作者)小组进行基于知识的评估。计算空间分析允许可复制性和空间显性性,而专家知识方法有助于增强对分析设计和对输出的解释作出决策的集体标准。我们决定不完全依赖自动化数据分析,承认数据约束(例如,由于数据空白而使用代理),这在变量的领域中也是不平衡的,对社会方面的影响大于对生物物理方面的影响。在这种情况下,数学最优解决方案可能并不总是主题上最有意义的解决方案。因此,专家知识被应用于支持一致的区域集群,在结果提供的证据之上做出主观决策。通过使区域专家小组的概况多样化,尽量减少了这些主观决定的潜在偏见。
区域专家参与了这项22个月的研究。我们对输入变量和部分结果进行了三个阶段的个人调查,在2019年4月的GLP开放科学会议上进行了一次面对面的研讨会,通过分组的工作实例对单个SELS进行深入讨论,并对最终手稿进行了全面审查。专家小组由21名研究人员组成,他们具有不同的背景、隶属关系、学科、技能概况、性别和国籍,具有丰富的当地和区域经验,涵盖了南美洲的地理和领土多样性(许多人是Boillat等人2017年出版的出版物的共同作者)。我们小组的学科概况包括生态学、民族生物学、地理学、农学、生态经济学、人类学和林业。
我们遵循了以下迭代过程:(1)定义相关变量和分析比例尺,(2)生成地图和识别关键解释变量,以及(3)讨论输出和描述结果的SELS(附录1,图A1.1)。关于每个方法步骤的细节(例如,方法背后的原理,统计分析的解释,参数,评价指标)在附录1的四个部分中有完整的记录。
概念框架和变量选择
根据Boillat等人(2017)的定义,我们将生态系统系统理解为嵌套的复杂动态系统,人类是变化的主要推动者,但依赖于基础生态特征和机会。每个生态系统系统由其特定的社会和环境条件配置、聚落模式、土地利用动态和背景因素来定义。为了指导变量选择过程,我们使用了Boillat等人(2017;以后概念性的sel)作为参考。在将这些理论定义操作化的过程中,我们:(1)偏离对土地利用变化模式的主要关注,转而关注可能反映这些变化的静态条件,(2)通过在社会生态系统研究的研究组成部分分类中组织描述(Winkler等人,2018年),以及(3)基于适当数据集的可用性和社会生态系统不同方面的平衡抛弃和添加变量(附录1,表A1.1)。
为了被纳入我们的分析,所有的空间数据集都需要用一致的方法覆盖整个大陆(剔除岛屿),空间分辨率不超过我们的网格大小(国家数据除外)”治理指标,”而且”植物多样性”像素大小为110公里),优先选择代表2010年的数据集(或最接近的数据集)。我们分析的最后一组输入数据(表1)由7个维度的26个变量组成(每个维度的变量:3个物理变量、2个生物变量、6个景观变量、7个经济变量、2个人口变量、4个政治变量和2个文化变量),其中11个变量对应于环境领域,15个对应于社会经济领域。我们的输入数据包括定量和定性数据,因为我们的两个变量是用分类数据表示的,即城市化类型和人类化世纪。
空间聚类分析
我们的分析设计很大程度上取决于输入数据的两个特征:我们混合了定量和分类数据,我们的大多数变量不呈现正态分布(附录1,图A1.3)。我们使用了层次聚类方法来绘制SELS,该方法被广泛用于社会生态类型的空间识别(FAO 2011, Letourneau等人,2012,van Asselen和Verburg 2012, Václavík等人,2013,Sietz等人,2019,Rocha等人,2020)。为此,我们(1)将南美洲划分为一个边长40公里的六边形连续网格(面积约1400km²,n = 13287),(2)将变量聚合到六边形水平,然后将其作为输入(3)计算沿多维空间每2对六边形之间的距离,最后(4)计算分裂的层次聚类(DIANA;Kaufman和Rousseeuw 1990)将六边形分成具有相似特征的簇。
由于Gower距离法(Gower 1971)是混合数据聚类的首选算法(Gower 1971, Kaufman and Rousseeuw 1990, Kassambara 2017, Boehmke and Greenwell 2019),而且它对异常值和非正态分布的敏感性低于其他流行的方法(Kassambara 2017, Boehmke and Greenwell 2019)。尽管如此,我们对那些呈现高指数分布的变量应用对数转换(参见表1),并对所有变量应用基于范围的标准化(迫使它们的范围在0到1之间),以减轻数据工件的潜在影响。
分裂层次聚类(DIANA)是一种无监督的方法,它从根(所有观测值都在一个聚类中)开始构建一个聚类层次结构,然后迭代地将它们划分,直到所有观测值组成自己的聚类(Maechler等人,2019年)。在每一次迭代中,最异构的群集(包含任何两个观察结果之间最大的差异)被划分为两个新的群集,其中”分裂出来的小派别”是由其最不同的观察结果(最大的平均不相似度)发起的。
大多数方法都是从终端节点(叶)开始构建集群,随机选择初始点,并考虑本地模式或邻近邻居进行决策。相反,DIANA从树的根部开始,考虑到初始分割数据点的总体分布,获得准确性,并有利于捕获数据的主要结构,优先考虑较大群体的一致性,而不是较小群体的纯洁性(Kaufman和Rousseeuw 1990年,Kassambara 2017年,Boehmke和Greenwell 2019年)。
我们在两个嵌套的空间细节层次上考虑结果(1圣水平对应社会生态区域或SER, 2nd对社会-生态土地系统(SELS)的影响),因为不同层次的研究结果可以相互补充,提高分析的鲁棒性(Sietz等人,2017,2019,Vallejos等人,2020)。作者分析了在连续的树状图切割上的聚类输出(空间布局、聚类统计数据和方法的性能指标),并根据它们的区域知识对聚类的最佳数量达成一致。详情见附录1。
为了分析哪些是分类中信息量最大的变量,我们运行了增强回归树(BRT;Elith et al. 2008)的聚类分类输出。增强回归树是一种来自机器学习的回归分类技术,通过迭代二叉分裂训练模型将响应与预测因子联系起来,其中变量的相对贡献可以用它被选择用于分裂树的平均次数来衡量。为了检验变量相关性的个案依赖性波动,该分析对不同的分类目标进行了多次重复:在SER和SELS分类中同时对所有集群进行两个多名义分析,并对每个SELS目标进行n个特定的二元分析,以将特定的集群作为整体从其他集群中区分开来(n = SELS中的集群数量)。关于模型参数的进一步规范见附录1框A1.1。
集群绝不是同质的单元,而是包含一些内部的异构性。为了揭示集群的代表性在其区域范围内的变化,我们评估了集群的内部异质性(作为平均不相似度的手段),并生成了一个描述集群代表性的核心和边缘区域的地图。我们提出这个指标作为分类不确定性的空间变化指标。每个六边形的不确定程度是通过对该六边形与同一SELS集群内所有其他六边形之间的不相似值的平均值来计算的。不相似度越大,该六边形对其所属SELS簇的平均特征的偏差越大。所有分析均在R版本3.6.1 (R Core Team 2019)中进行。对于集群,我们使用”黛西”(距离计算)和DIANA(聚类分析)的功能”集群”包(Maechler et al. 2019)。对于增强回归树分析,我们使用”“绿带运动””(多项模型)函数从”“绿带运动””包(Greenwell等人,2019年)和”gbm.step”(二进制模型)函数从”dismo”包(Hijmans et al. 2017)。
社会-生态土地系统(SELS)解释
为了对所产生的系统评估系统作出合理的解释,本出版物的作者被安排到每个系统评估系统具体由4到7名区域专家组成的小组。专家组深入讨论了sel与领土知识之间的一致性,描述了该sel的特征,为其命名,并评估了其与Boillat等人(2017)提出的sel概念的一致性。
结果
我们的分类将大陆划分为5个更大的社会生态区域(SER)类型,反映了主要的生物群落和主要的土地利用(图1A)。其中嵌套着13个规模较小的社会-生态土地系统(SELS)类型,每个类型都具有独特的特征,代表其领土的更具体的特征(图1B)。系统分类的不确定度在大陆平坦的内部部分低于沿海地区和附近地区(包括安第斯山脉;一些不确定性较大的地区包括:安第斯山脉北部的东部科迪勒拉山脉,委内瑞拉东海岸,瓜亚那中部,以及巴西海岸的最北端和最南端。
变量对社会生态土地系统(SELS)分类的影响
描述类的最相关变量因分析规模的不同而不同。与5个sel分类相关的变量是与13个sel分类相关的变量的子集(图2),这表明变量的多样性促进了sel分类的特异性。当查看将每个单独的sel与其他的区分开来的最相关变量时,这一点就更加明显了(附录3,表A3.1)。几个变量对一般sel分类的影响很小,结果成为定义某些单个sel的信息最丰富的变量之一。
在定义分类中最相关的5个变量在SER和SELS级别中都是相同的:森林覆盖、平坦土地百分比、植物多样性、到达城市的时间和温度,在集群分布的被解释方差中加起来分别为70.60% (SER)和65.58% (SELS)(图2)。森林覆盖占主导地位,约占被解释方差的三分之一,比在两个分类级别中排名第二的变量多一倍多。相对信息的贡献在第6位和第10位之间出现了差异:SER模型更多地依赖于人口和牛密度,而SELS模型依赖于耕地和人类化的世纪(图2)。除了政治维度,其他所有6个维度在两种情况下都在10个最相关的变量中表示(即SER和SELS模型)。然而,有一个领域的主导地位的转移,更多的环境变量占据了最高的位置,更多的社会经济变量向中等范围。
在相对重要性排名的另一个极端,5个变量排在第6位th或更低(附录3,表A3.1)的所有15个模型:种植园覆盖、土地覆盖多样性、世界银行指标法治、城市化类型和语言密度。
南美洲社会生态土地系统的类型学
我们将在SER级别描述这五种类型。由于篇幅问题,13个sel的描述和相关诊断图分别载于附录4和附录5。
答:人烟稀少的南部寒冷地区
包括森林生态系统和非森林生态系统,尽管存在这一关键的生态差异(主要由水分差异驱动),但它们具有重要的社会生态特征:(1)寒冷的气候和相关的缓慢的生物地球化学循环(例如,反映在泥炭地的存在(麦林和波非达尔谷),(2)相对较低的生物多样性水平,但与历史生物地理相关的地方病水平较高,(3)在局部灌溉山谷以外的种植潜力很小,(4)低人口和非常广泛的无人区,(5)广泛的小型牲畜(即绵羊和山羊)和牛,通常在下降,(6)广泛的(尽管往往不发达)采矿活动,通常与能源工业有关(如天然气、石油、煤炭、锂),(7)旅游业的重要性日益增加,(8)广泛的保护区,以及本地动物自发的野生化过程(如巴塔哥尼亚的guanacos,普纳的vicuñas及其相关捕食者)。温带森林区域的特征是非常独特的生物区系,来自高地方性的冈瓦尼血统,部分受到外来入侵物种(例如海狸、鹿、松树和许多观赏植物物种)的扩张的威胁。这套系统包括四个系统安全预警系统,详情见附录4。
B.干旱和半干旱的高地和毗邻的海岸,有着悠久的农业和采矿历史
对应于秘鲁、玻利维亚、智利和阿根廷的中部安第斯山脉,厄瓜多尔干燥的安第斯间山谷,秘鲁和智利的干燥太平洋海岸,以及地中海安第斯山脉。它的特点是地貌粗糙,海拔变化范围广,气候多样性高(总体凉爽干燥),有古老的聚落历史,人口密度相对较高(包括一些主要城市)。作为沿海地区,它在很大程度上受到海外贸易经济的影响。由于气候条件的原因,农业被限制在山谷和海岸的灌溉区或高原的季节性雨食自给栽培。由于生物和文化多样性高,该SER在作物多样性和采矿密度方面排名最高。该SER包括一个sel,详见附录4。
巩固了大规模的农牧平原
对应于平原和低起伏的地形,大部分肥沃的土壤,主要是在阿根廷,乌拉圭,巴西,巴拉圭和委内瑞拉和哥伦比亚的一个单独的区块,但它也包括亚马逊的小块。该地区包括非洲大陆最大和最高产的粮食和肉类生产和出口地区,以及一些最大的城市和最发达的商品运输和出口基础设施。生物多样性波动不定,但在该区域的大多数地区属于中等水平,而且保护区很少。该地区包括开放植被的自然生态区,如潘帕斯草原和坎波斯草原,但也包括热带和亚热带森林,如亚马逊、查科和埃斯皮纳尔。这些森林覆盖部门的代表是通常围绕中型城市中心或主要道路发展的综合农业集群,这些道路有助于它们与主要城市和出口网点的联系。该大陆出口的大部分农产品源自该SER所覆盖的地区。该SER包括两个sel,详见附录4。
SER D.机械化农业潜力低的历史上人口密集的热带地区
包括巴西东南部地区,哥伦比亚和厄瓜多尔的山区,以及热带安第斯山脉东部斜坡的狭长地带(既有潮湿的也有干燥的)。总的来说,这些地区是前西班牙和早期殖民定居点的基础。人口密度仍然很高,但由于坡度陡峭、可达性有限、土壤相对贫瘠或退化、有时气候条件不佳、土地权属高度破碎化和农场规模小,现代机械化农业的扩展能力较低,这些地区已成为相对边缘的农业用地。该地区具有高度的生物多样性和特有性。主要与陡峭的地形有关,许多地区的森林正在恢复。该区域内的SELS包括通往港口的可达性梯度,其中SELS D2(巴西东南部)是连接最紧密的,因此也是最发达的最大城市。该SER包括三个sel,详见附录4。
SER E.低人类化的热带森林
包括整个亚马逊生物群落,延伸到南部的玻利维亚,西部的巴拉圭和北部的阿根廷。它对应于以自然森林为主的平原和丘陵地形,具有高度的生物多样性和巨大的生物量存量。它延伸到温暖和潮湿的气候,主要是贫瘠和酸性的土壤,包括人类转变的梯度,包括相对未改造的森林(SELS E3)、活跃的森林砍伐前沿过渡区(SELS E1)和保护区比例高的地区(SELS E2)。该大陆平原和低起伏地形上农业扩张的动态历史表明,未来该SER和SER C之间的接触将发生位移,具有SER C特征的区域可能会扩展到目前被划分为SER e的区域。
讨论
利用数据的新方法和综合方法,提高我们对土地系统的理解,是推进土地系统科学关键主题研究领域所需的特色创新(GLP 2016);特别是通过结合社会科学和自然科学,以及定量和定性数据(Rounsevell et al. 2012)。我们的SELS方法提高了对南美洲区域尺度上人类与自然相互作用的特征、程度和位置的理解,这是几个世纪以来人类对环境的干预所形成的。因此,我们的方法提供了对人类世的新见解,以及一个可转移的地理框架,促进了土地科学研究的背景化和清晰化。
界定社会-生态土地系统(SELS)变量的相关性研究
两个分类层次(SER和SELS)根据其对SELS模式的解释能力依赖于相同的五个关键变量。少数几个变量集中了我们分类的大部分相关信息,特别是粗SER类型学。然而,在更小/详细的尺度上,我们看到了合并更大、更多样化的变量集的真正贡献,这些变量集突出了区分SELS类型学的个体特征。例如,”世纪的anthropization”将使用历史较长的区域(SELS D1和D3)与最近定居的区域(SELS D2)进行分类,是区分SER D内部生态系统的关键;”矿山场地密度”是与SER B第二相关的变量;”灌木覆盖”是与SELS D3和A4最相关的变量(附录3,表A3.1;附录5)。
与分类最相关的几个变量(例如森林覆盖、地形、植物多样性、温度)与环境领域相对应。因此,我们的研究结果表明,生物和物理特征,类似于生物群落/生态区域分类方案,继续占主导地位,不管人类在该尺度上的影响。这表明他们有能力决定或限制某些社会经济活动的发展可能性。
在定义SELS分布时,最相关的一个变量是”森林覆盖,”这占了解释方差的三分之一。这种相关性是合理的,因为森林占据了非洲大陆的大片区域,分布不均(粮农组织和联合国环境规划署2020年),而且”森林覆盖”是一个复杂的综合变量。它总结了诸如海拔、降水和温度等物理变量的组合,但它也间接地了解了人类、历史和现在的土地利用。例如,在物理条件适合森林的情况下,某些地区缺乏森林,将一个物理均匀的地区分为森林砍伐和未改造的森林。
第二个最相关的变量是地形起伏,在这里表示为”平坦地形的百分比,”除一般多项式模型SER和SELS外,13个SELS中有9个均在前5名内(附录3,表A3.1)。地形是南美洲土地利用现状和潜力的主要概念区别,因为它在很大程度上决定了机械化农业的适用性。在我们的分析中,山脉与起伏平原之间的区别是至关重要的,可能是多种生物物理和社会经济特性的基础。第三个解释变量是”植物多样性,”与森林覆盖一样,它总结了气候条件和资源可用性的主要方面(Kreft和Jetz 2007),这通常被认为是该大陆生物物理多样性的主要组织变量。第四个是”去城市旅行的时间,”这是相关性排名前五的唯一一个社会经济变量。大城市的存在包含两个相互关联的地理属性。一方面,它们代表着获得基础设施、公用事业和经济机会的途径,对人类活动产生某种引力(Lambin et al. 2001, Grimm et al. 2008)。另一方面,大多数城市在几个世纪前就已在战略上定居,以便最好地服务于南美洲殖民地(即针对土著人民的战争和向欧洲运输货物),它们的地理位置的持续存在可能影响了目前人类土地用途的分布。第五个是”温度,”考虑到非洲大陆的气温变化范围很广(平均气温从6°C到24°C;Collins et al. 2009),主要随纬度和海拔变化。
”降水、”这通常被认为是该大陆生物物理多样性的主要组织变量,在14th放置而不是站在主要的物理决定因素,如浮雕和温度。然而,在与干燥气候特别相关的sel (A1, A2, A3和B)中,它是前五名。
”牛的密度”是一个重要的与人类相关的变量,甚至比作物覆盖面积还要多。牛是世界上主要的草食动物,在南美洲的重要性异乎寻常地高(Bar-On et al. 2018)。世界上牛与人比例较高的五个国家中有三个都在该地区(阿根廷、巴西和乌拉圭;粮农组织2022)。牛的密度不仅是集约生产的特征(例如,与潘帕斯或塞拉多的农田竞争的集约生产系统),而且也是区分非农业区域的特征,因为粗放的牛生产是中尺度生态系统的特征,这些生态系统既不太干燥(绵羊和山羊在那里主要食草),也不像亚马逊雨林那样太潮湿(在亚马逊雨林中,牛不会出现在被砍伐的地区之外)。
一般来说,政治层面对描述系统监测系统的影响中等或较低,可能是由于数据的空间分辨率(即国家一级)较宽。但是,一些政治方面被证明与特定地点有关(例如,管理质量是2nd变量来排序SELS A1)。低影响”语言密度”然而,对SELS分类的影响显著,与专家预期和文献发现相反(Maffi 2005, Gorenflo et al. 2012)。我们的测量单位(即100公里缓冲区内使用的语言数量)可能不够充分,但由于缺乏其他出版物的指标性参考资料,很难进行对比。我们鼓励今后进一步研究这一关切,并寻找反映文化多样性的替代变量。
在过去十年中,土地系统的分类有了明显的演变,将人与自然相互作用的复杂性纳入其中。与以往的分类相比,我们对社会-生态土地系统进行了全面的考虑。我们进一步多样化了输入变量,实现了社会生态系统的七个互补维度的表示:物理、生物、土地覆盖、人口、经济、政治和文化。此外,我们还优先考虑了与非洲大陆更相关的属性,如采矿和到港口的距离。我们明确地将人类社会更深层次的社会方面纳入其中的努力,代表着从绘制土地使用系统到绘制社会生态系统的领域朝着质的飞跃迈出了明确的一步。然而,要完全实现这一目标,还需要解决一系列限制,特别是在数据差距和质量方面。
与概念社会-生态土地系统(SELS)的一致性
本研究产生的sel定义允许对Boillat等人(2017)中描述的基于专家知识的概念sel进行细化。一些社会生态区域与概念生态系统高度对应(图3)。这些区域包括:(1)与概念生态系统相对应的固结的大规模农牧平原(SER C)”南美洲高原低地/农牧历史区,”(2)低人类化热带森林(SER E),与概念SELS相一致”南美洲低地/新的农业牧区。”在最后一类中,我们的研究增加了更多偏远的热带地区,Boillat等人(2017)没有涉及这些地区,因为他们主要关注土地利用变化。这种高度对应表明了历史占领在形成南美洲低地社会生态特征方面的重要性。
我们发现安第斯和巴塔哥尼亚地区的空间sel和概念sel之间只有中等的对应关系。干旱和半干旱的高地和毗邻的海岸,具有悠久的农业和采矿历史(SER B),覆盖了干旱的中安第斯山脉,大致属于概念上的SELS”南美洲高原和高原。”但是,它与把地中海的智利列入而把北安第斯山脉排除在外不同。相反,北安第斯山脉被列入了”历史上人口密集的热带地区机械化农业的潜力很低”(SER D),与概念SELS相对应”具有悠久殖民历史的沿海农业区”覆盖了巴西大西洋森林以及加勒比海和太平洋海岸线。最后,安第斯山脉中部最高和最冷的地区属于”人烟稀少的南方寒冷土地”(SER A),由于人口稀少和气候寒冷,与巴塔哥尼亚安第斯山脉更接近。除了这个包含,SER A高度对应”南温带森林和旱地”概念SELS。
在我们的分析中,旱地是最具挑战性的地区。概念SELS”干燥和地中海陆地”似乎被分成三个不同的SER,即(1)地中海安第斯山脉,它与B SER中的中部安第斯山脉更接近,(2)巴西Caatinga,它与D SER相对应,代表历史上使用的热带地区,(3)西阿根廷,它被分配给A SER,也包括巴塔哥尼亚。这表明旱地类别的模糊性,这些旱地的社会生态结构因地理位置和聚落历史而异。这表明,人类与旱地的相互作用可能非常不同,这取决于生物物理和社会经济因素的作用。
尽管如此,鉴于方法上的差异,两种分类的相似性是显著的。考虑到输入变量的差异,这一点得到了强调。尽管我们在定量严密性、再现性、可操作性和空间显性方面取得了进步,但值得注意的是,Boillat等人(2017)通过近似渲染和代理将所提到的属性包括在我们的分析中,这主要是因为数据可用性的限制。Boillat等人(2017)对概念性sel的描述不受这些数据约束的阻碍,因此更符合作者对系统的理解。此外,土地利用变化趋势的作用是概念SELS的核心,而在本研究中,我们只考虑了当前的状态,将土地变化和过渡的绘制留给了未来的工作。
方法论的注意事项
模型本质上是对现实的简化,因此我们的地图不能精确地完全再现领土的所有特征。映射复杂系统的折衷方案有很多,我们将在下面的段落中讨论其中的一些。我们强调混合方法是本研究的一个优势。跨学科研究人员的意见在评估自动化过程的性能、筛选合理的数据源和根据可靠的领域知识讨论结果方面贡献巨大。
数据约束
数据驱动方法的最大缺点是它们受到足够数据集可用性的限制。数据的可用性和质量常常限制了系统重要方面的描述。在本节中,我们强调并讨论了我们在本研究中面临的主要数据空白的简要总结,这些空白可能会丰富本研究,希望它们能够在未来得到解决。
- (1)社会环境冲突:我们发现的唯一数据集来自Scheidel等人(2020),他们正在开发一个全面的空间数据库,尽管目前基于自我报告的案例,而不是系统的登记处。一个值得探索的潜在来源是通过谷歌搜索进行数据挖掘。
- (2)自然生态系统退化:它改变了环境过程和生态系统服务,对可持续性产生不同的影响(Sasaki和Putz 2009, Garrett et al. 2019)。生态系统退化是一个复杂的概念,在一定程度上是由价值驱动的,而且情况极其多变,从原始到完全转变是一个连续的过程。对其定义缺乏共识(Schoene等人,2007年)使其评估困难。
- (3)治理:它以多层次、部分分级的方式影响土地系统。国家层面的变量通常是可以获取的,但它们低估了地方正式和非正式治理规则的重要性,这些规则有时可能对土地使用产生很大影响(Tucker 2020, Rajão等,2020)。
- (4)出口:南美洲大部分土地用于粮食净出口(联合国2003年)。在地方一级获得出口数据将是一大进步。TRASE (SEI和全球树冠2022)等项目可以帮助填补这一空白,但它们还不能为整个南美洲提供全方位的数据集。
- (5)文化变量:这可能是系统信息系统输入中代表性最少的维度。玻利维亚、巴西和哥伦比亚等一些国家对土著和/或传统社区有良好的空间记录,但没有在大陆层面找到统一的数据集。其他方面的文化多样性,反映社区凝聚力或首选的土地使用做法也很有价值。将社会与土地有关的决策过程更好地纳入与地方治理有关的土地系统科学将是一个优先事项。
- (6)土地保有权(或农场规模):它告知最可能的农场管理类型,以及小农获得土地的程度。我们所能找到的代表这个变量的数据集要么是部分的(没有覆盖整个大陆;Graesser和Ramankutty 2017),或有国家一级的决议,或在其方法(国家统计纲要)上存在差异。
模糊边界、空间细节和孤立像素
我们强调考虑分类不确定性图(附录2)对协助解释和应用SELS图的重要性。
在我们的SELS地图中,观测到的是1385平方公里的六边形,其中包含了相当数量的异质性,总结为一个单一值。由于景观的分类工件或属性可能模糊总体外观,但同时可能显示重要信息,所以地图可能显得模糊。一些空间上简洁的事件,如城市或潮湿山谷的存在,可能会将一个六边形的分类与其周围环境区分开来,产生分散的模式。山区或异质景观也可能表现出模糊分类。我们决定在显示分类输出时不过滤孤立像素,因为它们通常包含相关信息。在另一个极端,一些地区在地图上似乎是同质的(例如,智利,西亚马逊),不一定有统一的景观。明显的同质性应该被解释为具有独特的特征,使得这些六边形彼此之间比大陆上其他六边形更相似。
时间动态与社会生态土地系统(SELS)
在本研究中,我们只考虑静态变量,优先考虑模型结构的一致性,但变化趋势和方向是社会-生态土地系统非常重要的特征,也可以用来区分它们。我们鼓励未来的研究产生一个纳入土地变化机制的SELS分类。此外,这些变化可能会潜在地修改区域的特征,足以使本研究中指定的类型化未来得到修订,如SER A中的sel和SER E中的SELS所述(附录4)。
结论
本研究有三个主要贡献:(1)它对南美洲社会生态土地系统(SELS)进行了全面合理的描述;(2)它以一种易于操作和免费获取的格式提供了一种空间表示;(3)它的方法跨越了社会生态土地分类的障碍,如定性和定量数据的结合、数据驱动和基于专家知识的视角的融合。
混合方法是本研究的主要优势。包括一组跨学科专家是至关重要的,以指导数据搜索和对比自动分类与领域知识。此外,它提高了结果地图的效用,因为对研究人员的社区和领土规划者增加了一致性和相关性。
SELS分类是对南美洲社会-生态土地系统的可复制的、健全的和可操作的描述,有助于将区域背景纳入人类世的地方现实分析。我们设想,SELS地图将为在更大的背景下分析观察到的模式和为可持续性设计系统特定解决方案提供一个定向的地理框架。
致谢
本研究是Lucía Zarbá博士论文的一部分,得到了阿根廷国家调查委员会Científicas y Técnicas (CONICET)的奖学金支持。部分支持由Fondo para la Investigación Científica y Tecnológica (FONCyT) 2015-0521 PICT赠款提供。ESRI旅行补助金和GLP旅行补助金支持MPR和LZ参加2019年GLP OSM。我们感谢GLP为项目举行现场会议,也感谢参与会议的外部参与者丰富了讨论。
数据可用性
支持这项研究结果的数据/代码可以在GitHub上https://github.com/luciazarba/SELS-SA公开获取
文献引用
艾伦,J. R. O.文特尔,J. E. M.沃森,2017。陆地荒野和最后的荒野的时间间可比较地图。科学数据4(1):170187。https://doi.org/10.1038/sdata.2017.187
Bar-On, Y. M., R.菲利普斯和R.米洛。2018。地球上的生物量分布。中国科学院学报115(25):6506-6511。https://doi.org/10.1073/pnas.1711842115
波姆克,B.和B. M.格林维尔,2019。与R. CRC,纽约,纽约,美国进行实际的机器学习。https://doi.org/10.1201/9780367816377
波伊拉特,S, F. M.斯卡帕,J. P.罗布森,I.加斯帕里,T. M.艾德,A. P. D.阿吉亚尔,L. O.安德森,M.巴蒂斯特拉,M. G.丰塞卡,C.普天玛,H. R.格劳,S - l。Mathez-Stiefel, J. P. Metzger, J. P. H. B. ometo, M. A. Pedlowski, S. G. Perz, V. Robiglio, L. Soler, I. Vieira和E. S. Brondizio. 2017。拉丁美洲的土地系统科学:挑战与展望。环境可持续性的最新观点26:27:37-46。https://doi.org/10.1016/j.cosust.2017.01.015
柯林斯,J. M., R. R. Chaves, V. da . S. Marques. 2009。南美洲的温度变化。气候学报22(22):5854-5869。https://doi.org/10.1175/2009JCLI2551.1
伊利思,J. R.莱思威克,T.哈斯蒂。2008。增强回归树的工作指南。动物生态学报77(4):802-813。https://doi.org/10.1111/j.1365-2656.2008.01390.x
Ellis, E. C.和N. Ramankutty. 2008。把人放在地图上:世界的人类生物群落。生态环境科学进展6(8):439-447。https://doi.org/10.1890/070062
联合国粮食及农业组织。2011.旱地土地退化评估:在全球和区域尺度绘制土地利用系统,以便进行土地退化评估分析。V1.1。联合国粮食及农业组织,意大利罗马。(在线)网址:https://www.fao.org/publications/card/en/c/5bf2e010-56ce-5c0d-b108-557504dfee50/
联合国粮食及农业组织。2022.FAOSTATS。联合国粮食及农业组织,意大利罗马。(在线)网址:https://www.fao.org/faostat/en/#data
粮农组织(粮农组织)和联合国环境规划署(环境规划署)。2020.2020年世界森林状况。森林、生物多样性和人类。联合国粮食及农业组织,意大利罗马和联合国环境规划署,肯尼亚内罗毕。(在线)网址:https://doi.org/10.4060/ca8642en
加勒特、R. D、S. Levy、K. M. Carlson、T. A. Gardner、J. Godar、J. Clapp、P. Dauvergne、R. Heilmayr、Y. le Polain de Waroux、B. Ayre、R. Barr、B. Døvre、H. K. Gibbs、S. Hall、S. Lake、J. C. Milder、L. L. Rausch、R. Rivero、X. Rueda、R. Sarsfield、B. Soares-Filho和N. Villoria。2019。零砍伐承诺的有效标准。全球环境变化54:135-147。https://doi.org/10.1016/j.gloenvcha.2018.11.003
全球土地计划。2016.2016-2021年科学计划和实施战略。全球土地方案,伯尔尼,瑞士。(在线)网址:https://glp.earth/sites/default/files/glpscienceplan_june_2020.pdf
Gorenflo, L. J. S. Romaine, R. A. Mittermeier和K. Walker-Painemilla。2012.生物多样性热点区和高生物多样性荒野区语言和生物多样性共存。中国科学院学报109(21):8032-8037。https://doi.org/10.1073/pnas.1117511109
高尔,1971。一般相似系数及其一些性质。生物识别技术27(4):857 - 871。https://doi.org/10.2307/2528823
Graesser和N. Ramankutty, 2017。从Landsat图像中检测农田地块。环境遥感201:165-180。https://doi.org/10.1016/j.rse.2017.08.027
格林维尔,B., B. Boehmke, J. Cunningham和GBM开发者,2019。Gbm:广义增强回归模型。R包版本2.1.5。R统计计算基金会,维也纳,奥地利。(在线)网址:https://CRAN.R-project.org/package=gbm
格林,n.b, S. H. Faeth, N. E. Golubiewski, C. L. Redman,吴j .,白X., J. M. Briggs. 2008。全球变化和城市生态。科学》319(5864):756 - 760。https://doi.org/10.1126/science.1150195
海吉曼斯,R. J., S.菲利普斯,J.莱思威克和J.伊利斯。2017。Dismo:物种分布建模。R包版本1.1-4。R统计计算基金会,维也纳,奥地利。(在线)网址:https://CRAN.R-project.org/package=dismo
Kassambara, a . 2017。R中聚类分析的实用指南:无监督机器学习。STHDA,马赛,法国。
L.考夫曼和P. J.卢梭,1990。围绕中间体进行分区(程序PAM)。L.考夫曼和P. J.卢梭的68-125页,作者。在数据中查找组:聚类分析导论。Wiley and Sons,纽约,纽约,美国。https://doi.org/10.1002/9780470316801.ch2
克雷夫特,H.和W.杰茨,2007。维管植物多样性的全球格局及其决定因素。中国科学院学报104(14):5925-5930。https://doi.org/10.1073/pnas.0608361104
Kuemmerle, T, K. Erb, P. Meyfroidt, D. Müller, P. H. Verburg, S. Estel, H. Haberl, P. Hostert, M. R. Jepsen, T. Kastner, C. leveres, M. Lindner, C. Plutzar, P. J. Verkerk, E. H. van der Zanden,和A. Reenberg. 2013。测绘全球土地利用强度的挑战与机遇。《环境可持续性研究》5(5):484-493。https://doi.org/10.1016/j.cosust.2013.06.002
兰宾,E. F, B. L.特纳,H. J.盖斯特,S. B.阿格波拉,A.安吉尔森,J. W.布鲁斯,O. T.库姆斯,R.迪佐,G.菲舍尔,C.福尔克,P. S.乔治,K.霍姆伍德,J.伊姆伯农,R.利曼斯,X.李,E. F.莫兰,M.莫蒂莫,P. S.拉玛克里希南,J. F.理查兹,H. Skånes, W.斯蒂芬,G. D.斯通,U.斯维丁,T. A.维尔德坎普,C.沃格尔,和J.许。2001。土地使用和土地覆盖变化的原因:超越神话。全球环境变化11(4):261-269。https://doi.org/10.1016/s0959 - 3780 (01) 00007 - 3
Letourneau, A. P. H. Verburg和E. Stehfest. 2012。代表大陆和全球范围内土地利用动态的土地利用系统方法。环境建模与软件33:61-79。https://doi.org/10.1016/j.envsoft.2012.01.007
杠杆,C, D. Müller, K. Erb, H. Haberl, M. R. Jepsen, M. J. Metzger, P. Meyfroidt, T. Plieninger, C. Plutzar, J. Stürck, P. H. Verburg, P. J. Verkerk, T. Kuemmerle. 2018。欧洲陆地系统的典型模式和轨迹。区域环境变化18(3):715-732。https://doi.org/10.1007/s10113-015-0907-x
Maechler, M., P. Rousseeuw, A. Struyf, M. Hubert和K. Hornik. 2019。集群:集群分析基础知识和扩展。R包版本2.1.0。R统计计算基金会,维也纳,奥地利。
Maffi l . 2005。语言、文化和生物多样性。人类学评论34(1):599-617。https://doi.org/10.1146/annurev.anthro.34.081804.120437
马克斯韦尔,S. L.富勒,T. M.布鲁克斯,J. E. M.沃森。2016。生物多样性:枪、网和推土机的蹂躏。自然536:143 - 145。https://doi.org/10.1038/536143a
Meyfroidt, P, R. Roy Chowdhury, A. de Bremond, E. C. Ellis, k - h。Erb, T. Filatova, R. D. Garrett, J. M. Grove, A. Heinimann, T. Kuemmerle, C. A. Kull, E. F. Lambin, Y. Landon, Y. le Polain de Waroux, P. Messerli, D. Müller, J. Ø尼尔森,G. D.彼得森,V.罗德里格斯García, M. Schlüter, B. L.特纳,II和P. H.维伯格。2018。土地制度变迁的中观理论。全球环境变化53:52-67。https://doi.org/10.1016/j.gloenvcha.2018.08.006
奥伯拉克,C., D. Sietz, E. B. Bonanomi, A. de Bremond, J. Dell 'Angelo, K. Eisenack, E. C. Ellis, G. Epstein, M. Giger, A. Heinimann, C. Kimmich, M. T. Kok, D. Manuel-Navarrete, P. Messerli, P. Meyfroidt, T. Václavík, S. villamayer - tomas。2019.可持续发展研究中的原型分析:意义、动机和基于证据的政策制定。生态与社会24(2):26。https://doi.org/10.5751/ES-10747-240226
R核心团队,2019。R:用于统计计算的语言和环境。R统计计算基金会,维也纳,奥地利。(在线)网址:http://www.R-project.org/
Rajão, R, B. Soares-Filho, F. Nunes, J. Börner, L. Machado, D. Assis, A. Oliveira, L. Pinto, V. Ribeiro, L. Rausch, H. Gibbs,和D. Figueira. 2020。巴西农业企业的烂苹果。科学》369(6501):246 - 248。https://doi.org/10.1126/science.aba6646
Riggio, J. E. M. Baillie, S. Brumby, E. Ellis, C. M. Kennedy, J. R. Oakleaf, A. Tait, T. Tepe, D. M. Theobald, O. Venter, J. E. M. Watson, A. P. Jacobson. 2020。全球人类影响地图揭示了保护地球上仅存的完整陆地生态系统的明显机遇。全球变化生物学26(8):4344-4356。https://doi.org/10.1111/gcb.15109
罗查,J., K.马尔姆伯格,L.戈登,K.布劳曼,F.德洛克。2020.绘制社会生态系统原型。环境研究通讯15(3):034017。https://doi.org/10.1088/1748-9326/ab666e
朗瑟维尔,医学博士,B.佩德罗里,k - h。Erb, M. Gramberger, A. G. Busck, H. Haberl, S. Kristensen, T. Kuemmerle, S. Lavorel, M. Lindner, H. Lotze-Campen, M. J. Metzger, D. murry - rust, A. Popp, M. Pérez-Soba, A. Reenberg, A. Vadineanu, P. H. Verburg,和B. Wolfslehner. 2012。土地系统科学面临的挑战。土地使用政策29(4):899-910。https://doi.org/10.1016/j.landusepol.2012.01.007
佐佐木,N.和F. E.普茨,2009。急需新的定义”森林”而且”森林退化”在全球气候变化协议中beplay竞技。保护信2(5):226 - 232。https://doi.org/10.1111/j.1755-263X.2009.00067.x
A.谢德尔,D.德尔贝尼,J.刘,G.纳瓦斯,S. Mingorría, F.德玛丽亚,S.阿维拉,B.罗伊,I. Ertör, L.坦培尔,J. Martínez-Alier。2020.环境冲突与捍卫者:全球概览。全球环境变化63:102104。https://doi.org/10.1016/j.gloenvcha.2020.102104
舍内,D., W.基尔曼,H.冯Lüpke,和M. L.威尔基。2007。与减少发展中国家森林砍伐造成的排放有关的定义问题。森林与气候变化工作文件5beplay竞技。联合国粮食及农业组织,意大利罗马。(在线)网址:https://www.uncclearn.org/wp-content/uploads/library/fao44.pdf
徐s.n, B. A.麦卡尔,R.门德尔松。2010。全球变暖下从肉牛到绵羊?南美洲家畜物种选择的适应性分析。生态经济学69(12):2486 - 2494。https://doi.org/10.1016/j.ecolecon.2010.07.025
Sietz, U. Frey, M. Roggero, Y. Gong, N. Magliocca, R. Tan, P. Janssen, T. Václavík。2019.可持续发展研究中的原型分析:方法组合和分析前沿。生态与社会24(3):34。https://doi.org/10.5751/ES-11103-240334
D. Sietz, J. C. Ordoñez, M. T. J. Kok, P. Janssen, H. B. M. Hilderink, P. Tittonell和H. van Dijk. 2017。非洲旱地脆弱性的嵌套原型:可持续农业集约化的潜力在哪里?环境研究通讯12(9):095006。https://doi.org/10.1088/1748-9326/aa768b
斯德哥尔摩环境研究所(SEI)与全球树冠,2022。TRASE。斯德哥尔摩环境研究所和全球树冠,瑞典斯德哥尔摩和英国牛津。(在线)网址:https://supplychains.trase.earth/。
塔克,j . 2020。非法资本:巴拉圭和巴西边境的非法积累。对映体52(5):1455 - 1474。https://doi.org/10.1111/anti.12656
联合国(UN)。2003.联合国国际贸易统计数据库。联合国,纽约,美国纽约。(在线)网址:https://comtrade.un.org/。
Václavík, T., S. Lautenbach, T. Kuemmerle,和R. Seppelt. 2013。测绘全球土地系统原型。全球环境变化23(6):1637-1647。https://doi.org/10.1016/j.gloenvcha.2013.09.004
Vallejos, S. Aguiar, G. Baldi, M. E. Mastrángelo, F. Gallego, M. Pacheco-Romero, D. Alcaraz-Segura和J. M. Paruelo. 2020。社会-生态功能类型:连接阿根廷查科的人和生态系统。生态系统23(3):471 - 484。https://doi.org/10.1007/s10021-019-00415-4
范·阿塞伦,S.和P. H.维伯格,2012。用于全球评估和土地使用建模的土地系统表示。全球变化生物学18(10):3125-3148。https://doi.org/10.1111/j.1365-2486.2012.02759.x
Verburg, P. H., J. van de Steeg, A. Veldkamp和L. Willemen. 2009。从土地覆盖变化到土地功能动态:改善土地特征的主要挑战。环境科学学报90(3):1327-1335。https://doi.org/10.1016/j.jenvman.2008.08.005
温克勒、K. J.、M. W.斯考恩和K. A.尼古拉斯。一个分类,使社会生态土地系统研究与欧洲的政策相一致。土地使用政策79:137-145。https://doi.org/10.1016/j.landusepol.2018.06.034
表1
表1.输入数据的编译。注:WBI =世界银行指标。
变量 | 六角测量 | 决议 | 一年 | ||
物理: | |||||
平的救济__ | 百分比non-mountain封面 | 250米 | - | ||
温度__ | 年平均气温中位数‡ | 1公里 | 1981 - 2010 | ||
降水__ | 年平均雨量中位数‡ | 1公里 | 1981 - 2010 | ||
生物: | |||||
植物多样性 | 维管植物物种丰富度‡ | 110公里 | - | ||
保护区(PA) | 考评的百分比 | 多边形 | 2019 | ||
土地覆盖: | |||||
森林覆盖 | 覆盖百分比 | 250米 | 2001 - 2014 | ||
灌丛带盖 | 覆盖百分比 | 250米 | 2001 - 2014 | ||
草地覆盖 | 覆盖百分比 | 250米 | 2001 - 2014 | ||
作物覆盖 | 覆盖百分比 | 250米 | 2001 - 2014 | ||
种植园的封面 | 覆盖百分比 | 250米 | 2001 - 2014 | ||
封面的多样性 | 9种土地覆被类型多样性指数‡ | 250米 | 2001 - 2014 | ||
经济: | |||||
中心 | 国家中心印度‡§ | 1公里 | 2012 | ||
牛的密度 | 牛的生产密度‡ | 1公里 | 2010 | ||
我的站点密度 | 采矿地点数目‡§ | 点数据 | 2011 | ||
作物多样性 | 175个作物区多样性指数‡ | 10公里 | 2000 | ||
灌溉__ | 灌溉面积的百分比‡ | 多边形 | 2005 | ||
城市旅行时间__ | 到最近城市的平均旅行时间‡ | 250米 | 2000 | ||
港口的旅行时间__ | 到最近港口的平均旅行时间‡ | 250米 | 2018 | ||
人口: | |||||
人口密度 | 意味着人口环境‡§ | 2.5弧分 | 2012 | ||
城市化类型 | 100公里缓冲区内最大城市类别 | 点数据 | 2000 | ||
政治: | |||||
WBI州长有效性__ | 政府效率‡| | 国家 | 2015 | ||
WBI政治稳定__ | 政治稳定,没有暴力‡| | 国家 | 2015 | ||
WBI法治__ | 法治‡| | 国家 | 2015 | ||
WBI监管质量__ | 监管质量‡| | 国家 | 2015 | ||
文化: | |||||
语言密度 | 语言数量100公里缓冲区‡ | 多边形 | 2007 | ||
anthropization世纪 | 世纪达到30%的人为土地覆盖 | 1公里 | 1700 - 2000 | ||
变量与一个__被纳入本研究,并与Boillat等人(2017)进行比较。 数据转换:‡= min-max标准化,§= log变换,和|= downweighted(0.25)。 |