Page 138 - 《广西植物》2023年第8期

１ ４ ８ ０ 广 西 植 物 ４３ 卷
地区占国土面积超 ６０％的国家( 简称为全球生物 用“ｐｉｅｃｅｗｉｓｅＳＥＭ” 包ꎬ绘图采用 Ｏｒｉｇｉｎ ２０１９ 软件
多样 性 热 点 国 家ꎬ 下 同) 作 为 研 究 对 象ꎮ 利 用 和 ＱＧＩＳ ３.２８.３ 软件ꎮ
Ｇｌｏｂａｌ Ｆｏｒｅｓｔ Ｗａｔｃｈ 网站的“ 森林覆盖减少” 图层 ２ ｗ ４ｌｎ２
ｙ ＝ ｙ ＋Ａ[ ｍ ＋( １ －ｍ )
数据ꎬ以及森林减少原因数据ꎬ以国界为范围ꎬ提 ０ ｕ ２ ２ ｕ
π ４ ｘ－ｘ ) ＋ｗ
(
ｃ π ｗ
取研究对象的年度森林损失面积( Ｈａｎｓｅｎ ｅｔ ａｌ.ꎬ ４ｌｎ２
ｅ － ｗ ２ ( ｘ－ｘ ｃ ) ２ ] (１)
２０１３)和 ５ 种原因( 大规模农业扩张、中小规模农
式中: ｙ 表示森林损失面积ꎻ ｘ 表示年份ꎻ ｙ 、
业占用、人工林和天然林采伐、森林火灾损失、城 ０
Ａ、ｍ 、ｘ 、ｗ 为公式系数ꎮ
ｕ
ｃ
市扩张)导致的年度森林损失面积ꎮ 在 Ｏｕｒ Ｗｏｒｌｄ
Ｉｎ Ｄａｔａ 网站( ｗｗｗ. ｏｕｒｗｏｒｌｄｉｎｄａｔａ. ｏｒｇ) 提取研究对 ２ 结果与分析
象的新冠疫情数据ꎬ以研究对象在 ２０２０ 年 １２ 月
３１ 日和 ２０２１ 年 １２ 月 ３１ 日的每百万病例累积量
２.１ ２００１—２０２１ 年森林损失情况
(Ｒｉｔｃｈｉｅ ｅｔ ａｌ.ꎬ ２０２０)ꎬ分别作为 ２０２０ 年和 ２０２１
所筛选出的符合条件的国家有 ５３ 个ꎮ 新冠疫
年单位 感 染 人 口 数 量 的 数 据ꎮ 在 联 合 国 网 站
情暴发后的两年(２０２０ 年和 ２０２１ 年)ꎬ生物多样
(ｗｗｗ.ｕｎ.ｏｒｇ)获取研究对象在新冠疫情暴发前两
性热点地区整体的森林损失面积较 ２０１９ 年持续
年( ２０１８ 年 和 ２０１９ 年)ꎬ 以 及 新 冠 疫 情 期 间 的
增加ꎬ ２０２０ 年 和 ２０２１ 年 分 别 增 加 了 ３. ６６％ 和
ＧＤＰꎮ Ｇｌｏｂａｌ Ｆｏｒｅｓｔ Ｗａｔｃｈ 和 Ｏｕｒ Ｗｏｒｌｄ ｉｎ Ｄａｔａ 网
１２.４９％(图 １)ꎮ 排除了国家间原有森林面积对结
站的 数 据 已 被 多 项 研 究 使 用ꎬ 具 备 高 可 信 度
果造成的影响后ꎬ各国 ２０２０ 年和 ２０２１ 年的平均
( Ｃｕｒｔｉｓ ｅｔ ａｌ.ꎬ ２０１８ꎻ Ｃｏｏｋ￣Ｐａｔｔｏｎ ｅｔ ａｌ.ꎬ ２０２０ꎻ
森林损失面积呈下降趋势ꎬ表明国家间差异较大
Ｔｅｇａｌｌｙ ｅｔ ａｌ.ꎬ ２０２２)ꎮ
(图 ２)ꎮ
１.２ 数据分析方法
在对研究对象的年度森林损失面积进行比较
时ꎬ为排除各国原有森林面积可能引起的差异ꎬ本
研 究 分 别 对 各 研 究 对 象 在 ２００１—２０２１ 年ꎬ以 及
２０１９—２０２１ 年的年度森林损失面积进行归一化处
理ꎮ 森林损失面积与单位感染人口数量的相关性
分析采用 Ｓｐｅａｒｍａｎ 检测方法ꎮ 在构建线性混合效
应模型时ꎬ为使分析数据平衡ꎬ本研究选取了疫情
前期( ２０１８ 年 和 ２０１９ 年) 和 疫 情 期 ( ２０２０ 年 和
２０２１ 年)的数据作为数据集ꎮ 为衡量疫情防控期
间研究对象经济实力对森林损失面积的潜在影
响ꎬ本研究引入了各国在研究期内的年度 ＧＤＰꎮ
线性混合效应模型以 ＧＤＰ 和每百万病例累积量作
为固定效应ꎬ国别和年度取样作为随机效应ꎬ分别 图 １ 全球生物多样性热点国家在 ２００１—２０２１ 年
对 ５ 种原因导致的森林损失面积建模ꎮ 首先ꎬ基 的森林损失总面积
于模型拟合结果、新冠疫情严重程度与 ＧＤＰ 的关 Ｆｉｇ. １ Ｔｏｔａｌ ａｒｅａ ｏｆ ｆｏｒｅｓｔ ｌｏｓｓ ｉｎ ｇｌｏｂａｌ ｂｉｏｄｉｖｅｒｓｉｔｙ
联( Ｐａｒｄｈａｎ ＆ Ｄｒｙｄａｋｉｓꎬ ２０２１)、ＧＤＰ 与森林损失 ｈｏｔｓｐｏｔ ｃｏｕｎｔｒｉｅｓ ｆｒｏｍ ２００１ ｔｏ ２０２１
面积的关联(Ｗａｎｇ ｅｔ ａｌ.ꎬ ２０１６) 等因素ꎬ初步构建
线性混合效应结构方程ꎻ然后ꎬ依据卡方检验的显 ２.２ ２０１９—２０２１ 年森林损失情况
著性ꎬ对结构方程进行优化ꎻ最后ꎬ确定新冠疫情 图 ３ 为各国 ２０１９ 年新冠疫情尚未大规模暴发
严重程度对年度森林损失面积的影响模型ꎮ 年度 时ꎬ以及新冠疫情暴发后第 １ 年(２０２０ 年) 和第 ２
森林损失面积拟合采用公式(１)ꎬ数据统计分析采 年(２０２１ 年) 的森林损失面积ꎮ ５３ 个国家的森林
用 ２０２３ 年 Ｒ Ｃｏｒｅ Ｔｅａｍ 的 Ｒ ４.２.２ 软件ꎮ 其中ꎬ线 损失变动情况可以分为 ４ 类:第 １ 类是下降型ꎬ即
性混合模型主要采用“ ｎｌｍｅ” 包ꎬ结构方程主要采 与 ２０１９ 年相比ꎬ２０２０ 年和 ２０２１ 年的森林损失面