环境科学学报  2021, Vol. 41 Issue (12): 5200-5208
干旱扬水灌区土地资源承载状态演变分析    [PDF全文]
刘子金1,2,3, 徐钰德1, 朱兴林1,2, 黄嵩1,2,3, 李智睿1,2,3, 李欣达1,2    
1. 华北水利水电大学, 水利学院, 郑州 450046;
2. 河南省水工结构安全工程技术研究中心, 郑州 450046;
3. 浙江省农村水利水电资源配置与调控关键技术重点实验室, 杭州 310018
摘要:为解决干旱扬水灌区土地资源承载状态受多因素耦合影响而难以定量化描述的难题.本文以景电一期灌区为例, 基于多级模糊评价理论构建评价指标体系, 引入解决复杂系统模糊性及不确定性具有特有优势的云模型, 结合黄金分割率法与云发生器原理集成了评语集标准云模型与状态层隶属度云模型, 以组合赋权算法求解了指标权重, 最终以云数字特征的形式对灌区1994年、2002年、2010年及2018年的土地资源承载状态进行了定量表述.结果表明: 灌区各时期土地资源承载状态综合评价云分别为C1(0.3175, 0.0728, 0.0131)、C2(0.5846, 0.0418, 0.0117)、C3(0.5315, 0.0379, 0.0098)、C4(0.7045, 0.0614, 0.0144).结合云相似度分布特征可知, 各时期土地资源承载状态分别为"轻微承载"、"临界承载"、"临界承载"及"承载安全".可知灌区土地资源承载状态自1994年—2018年主要经历了3个演变阶段, 即1994—2002年为"快速改善期"、2002—2010年为"环境损伤期"、2010—2018年为"健康恢复期".该方法可为指导研究区及相似研究区寻求生产需求与生态保护之间的平衡机制提供有益参考.
关键词景电灌区    土地资源    云模型    隶属度    承载状态    
Evolution analysis of land resources carrying state in arid pumping irrigation area
LIU Zijin1,2,3, XU Yude1, ZHU Xinglin1,2, HUANG Song1,2,3, LI Zhirui1,2,3, LI Xinda1,2    
1. School of Water Conservancy, North China University of Water Resources and Electric Power, Zhengzhou 450046;
2. Henan Provincial Hydraulic Structure Safety Engineering Research Center, Zhengzhou 450046;
3. Key Laboratory for Technology in Rural Water Management of Zhejiang Province, Hangzhou 310018
Received 29 December 2020; received in revised from 9 February 2021; accepted 9 February 2021
Abstract: Taking Jingtaichuan Phase I irrigation area as the study area, this study aims to find a solution to quantitative description of the land resource carrying capacity of pumping irrigation areas in arid regions, which is hard to achieve due to the influence of multiple factors. In this study, an evaluation index system was built based on the multi-level fuzzy evaluation theory, and a cloud model with special advantages in addressing the fuzziness and uncertainty of complex systems was introduced. Comment set standard and carrying capacity affiliation cloud models were developed based on the golden section method and the cloud generator principle. Through the combination weighting approach, the index weight was obtained. The land resource carrying capacity of the study area in 1994, 2002, 2010 and 2018 were represented in the quantitative form of cloud numerical features. The results showed that the comprehensive evaluation clouds of the land resource carrying capacity of the irrigation area in each period were C1(0.3175, 0.0728, 0.0131), C2(0.5846, 0.0418, 0.0117), C3(0.5315, 0.0379, 0.0098) and C4(0.7045, 0.0614, 0.0144), respectively. Based on the distribution characteristics of cloud similarity, it can be seen that the carrying capacity of land resources in each period was "slight", "critical", "critical" and "safe". It indicated that the carrying capacity of land resources in the irrigation area went through three main stages from 1994 to 2018, namely the "rapid improvement period" from 1994 to 2002, the "environmental damage period" from 2002 to 2010, and the "recovery period" from 2010 to 2018. This method can provide a useful reference for the study area and other areas with similar conditions in seeking a balance between production needs and ecological conservation.
Keywords: Jingdian irrigation district    land resources    cloud model    affiliation    carrying state    
1 引言(Introduction)

我国西北地区土地资源丰富、光热条件充足, 水资源严重短缺是区域总体发展的关键制约因素(王兵等, 2012).自19世纪70年代以来, 干旱区人工绿洲虽通过提水灌溉的方式从一定程度上解决了土地资源使用过程中水土环境不协调的难题.但究其本质, 仍存在生态环境本底极端脆弱、对水土资源开发响应剧烈等问题(Sun et al., 2018Xu et al., 2019).随着经济、社会的发展, 灌溉农业对于土地资源逐步显现出掠夺式开发, 区域内水循环、介质循环的格局与演变状态受到了极为强烈的干扰, 致使灌区内土地资源承载压力不断升级, 对整个区域的土地资源生产需求与生态保护之间的平衡机制带来了极大的挑战(Stampoulis et al., 2016Li et al., 2019Felix et al., 2019).因此, 开展干旱扬水灌区灌溉背景下受多因素耦合影响的土地资源承载状态等级评估与演变分析研究, 对于揭示干旱扬水灌区生产需求与生态保护之间的平衡机制具有重要的现实意义.

近些年来, 随着研究技术手段与研究方法的不断发展, 针对土地资源承载状态的评估研究已取得了一些进展.主要体现在两个方面, 其一就研究对象而言, 学者们主要针对大尺度区域及非干旱区的土地资源承载力进行了分析, 如赵敏丽等(2013)基于人粮关系对河西走廊绿洲的土地资源承载力空间格局进行了研究;王小敏等(2014)基于农业生态区划模型对黑河流域的土地资源承载力进行了探究, 并分析得出了土地资源承载力的主要自然限制因素;王曼曼等(2020)开展了长三角地区土地承载力测度与耦合分析, 明晰了长三角地区的土地承载力发展状态及区际演化差异;全江涛等(2020)运用粮食生产波动指数模型对河南省土地资源承载力从时空演变角度进行了分析与预测;魏媛等(2016)以贵州省为例, 对喀斯贫困山区土地资源承载力做了相应分析与预测.其二就研究方法与研究视角而言, 传统的土地资源承载力评估主要通过SEP模型(黄宇驰等, 2017)、层次分析法(温亮等, 2017)、TOPSIS法(杨亮洁等, 2017)、系统动力学法(张红等, 2016a)、生态足迹法(张红等, 2016b)、灰色预测模型(全江涛等, 2020)、熵权法和模糊综合评价(杨瑾等, 2019)等方法, 基于人粮关系、人地协调、遥感影像解译和社会经济统计运用土地资源承载力评估模型开展的土地资源承载状态评估.以上研究取得了丰富的有益成果, 但总体来看, 目前的研究主要集中于大尺度区域与非干旱区, 对于以中小尺度为代表性的干旱区扬水灌区尚未进行较为深入的研究.而土地资源与水土环境、人类干扰、自然因素的响应关系在干旱区则表现的更为剧烈.此外, 土地资源承载状态是多指标参与、多要素关联及多层次驱动的复杂模糊系统.传统研究方法虽在一定程度上对区域土地资源禀赋、生态环境条件、主体功能定位等做了全面且系统的研究, 但在一定程度上未能较好揭示各发生与关联过程的层次性与要素相互影响的不确定性.云模型作为一种解决多要素之间关联性及模糊性的理论方法, 可实现定性概念与定量数值之间的转换, 并以云特征数字的形式将土地承载状态进行定量化揭示.已有研究表明, 云模型在刻画不确定性问题时相比于其他方法具有明显优势(周启刚等, 2014徐存东等, 2017徐存东等, 2020).

鉴于此, 本文以甘肃省景电一期灌区为研究对象, 结合研究区实际情况与相应特点, 基于多级模糊评价方法构建评价指标体系, 引入云模型, 以黄金分割率法作为评语层划分依据建立评价标准云, 采用排队理论确定各层面评价因子权重, 依据逆向云发生器原理集成云隶属度模型, 通过隶属度与权重耦合得到研究区土地资源承载状态的综合评价云, 并将结果用云相似度进行揭示.同时为进一步验证评价结果的准确性, 采用模糊综合评判与云重心对其进行验证分析.最终对研究区1994年、2002年、2010年、2018年的土地资源承载状态进行了定量评价, 并分析了1994—2018年的土地资源承载状态的演变过程.以期为灌区今后寻求生产-生态保护之间的平衡机制提供理论依据.

2 研究区与数据源(Study area and data sources) 2.1 研究区概况

景电灌区地处甘肃省中部(37°26′~38°41′N, 103°20′~104°04′E), 其地理位置处于甘、宁、蒙三省的交界地带, 灌区总控制面积约586 km2, 灌区内土地类型以耕地、盐碱地、草地、旱地、固定沙地、流动沙地与戈壁为主.土壤类型以荒漠灰钙土为主, 土体结构松散且有机质含量低.植被结构为典型的荒漠草原景观, 且表现为明显的旱生草本混合群与超旱生小灌木特征.气候条件属于典型的温带大陆性气候.图 1为景电一期灌区地理位置图.该地区干旱少雨, 昼夜温差大, 春季多风, 夏季炎热;年日照时数长达2714 h, 无霜期约为190 d, 年平均气温约为8.77 ℃, 多年平均降雨量为185.6 mm, 降水多集中在6—9月, 多年平均蒸发量为2433.8 mm.自灌区提水灌溉以来, 由于长期有灌无排的灌水模式, 导致该地区部分区域地下水位逐步升高、地下水化学特征不断改变, 再加上灌区高蒸发、低降雨、独特的地形地貌因素以及高强度的人类生产活动, 引发该区域一系列土地资源问题逐步显现.同时, 受不合理灌水模式及地质单元引发的土壤次生盐渍化问题进一步加剧了灌区内土地资源的承载压力, 上述问题已经严重制约了当地社会经济以及生态文明的建设(徐存东等, 2017).因此本文以景电一期灌区作为研究区, 对其进行土地资源承载力评价, 具有较高的研究价值.

图 1 研究区域地理位置 Fig. 1 Geographical location of the study area
2.2 多级模糊评价指标体系建立

多级模糊评价方法主要通过将研究目标系统拆解为多层次的关联结构, 再通过逐层次递阶分析与反馈映射以此对最终目标进行评价(汪培庄等, 1996).干旱扬水灌区土地资源承载力是多指标参与、多要素关联及多层次驱动的复杂模糊系统.参与的主要过程包括水文地质驱动、水土环境驱动和自然-人类驱动.在构建土地资源承载状态多级模糊评价指标体系时, 可将土地资源承载状态用“严重承载V1”、“轻微承载V2”、“临界承载V3”、“承载安全V4”、“承载良好V5”来描述.结合已有针对土地资源承载力相关研究及研究区实际情况(Thapa et al., 2000胡石元等, 2006徐存东等, 2017), 其驱动过程可主要分为水文地质驱动U1、水土环境驱动U2、自然-人类驱动U3 3个过程, 影响上述3个过程的因子包括: 地形F、地质单元G、土壤H、地下水I、地表水J、气候K、环境质量L、自然干扰M及人类干扰N 9个因子.其中, 表征地形因子的状态可描述为海拔、坡度、坡向;表征地质单元的状态可描述为开敞型水文地质单元和封闭型水文地质单元;表征土壤状态可描述为土壤盐渍化程度、单位面积土地农药负荷、单位面积土地化肥负荷;地下水状态可表述为地下水矿化度与埋深;表征地表水状态可描述为地表灌水量;表征气候状态可描述为年降水量与年蒸发量;表征环境质量状态可描述为植被覆盖度、生物丰富度、水土流失程度、水土协调度;表征自然干扰状态可描述为干旱指数、历史气象灾害频次、土地自然受灾害面积比重;表征人类干扰状态可描述为人口密度、生态安全治理投资占比、土地垦殖率.多级模糊评价指标体系见图 2.

图 2 土地资源承载力多级模糊评价指标体系 Fig. 2 Multi level fuzzy evaluation index system of land resources carrying capacity
2.3 数据来源

本研究的代表性年份分别选定为: 1994年景电灌区全面建成, 灌区总灌溉面积达到3.47万hm2, 年提水量为2.66亿m3;2002年一期灌区续建配套全面完成, 总灌溉面积为3.85万hm2, 年提水量为3.22亿m3;2010年二期灌区续建配套建设2年, 总灌溉面积为4.92万hm2, 年提水量为3.86亿m3;2018年代表灌区运行现况, 总灌溉面积6.05万hm2, 年提水量为4.60亿m3.各项评价指标获取来源见表 1.

表 1 评价因子数据来源 Table 1 Data sources of evaluation indicators
3 云模型(Cloud model) 3.1 云模型概念及发生器原理

云模型是通过引入Ex(期望)、En(熵)、He(超熵)3个云数字特征来实现定量数值与定性概念之间互相转换的一种数学模型(胡石元等, 2006).其中Ex为主要特征, 代表均值与云滴重心;En主要用于反映定性概念的不确定性与云滴离散度;He主要反映熵的不确定性与云滴厚度.模型概念性特征见图 3.

图 3 正态云模型数字特征 Fig. 3 Normal cloud model digital features

CG作为定量数值与定性概念之间的关联工具(张杨等, 2013), 可分为两类, 即正向发生与逆向发生, 前者主要通过数字特征实现定性-定量转换.后者通过将大量数据转化为云数字特征以此实现定量-定性转换, 发生过程可用图 4表示.

图 4 云发生器原理 (a. 正向CG, b. 逆向CG) Fig. 4 Principle of cloud generator (a. Forward cloud generator, b. Reverse cloud generator)
3.2 评价标准云建立

土地资源承载状态等级划分往往具有较强的模糊性, 现有研究常采用传统的定量评价方法, 虽然在一定程度上可以消除指标的模糊性, 但同时其客观性与灵活性也受到影响.黄金分割率云生成法在弥补这一缺陷时具有较好的理论价值(傅鹤林等, 2017).由前文中建立的多级模糊评价系统可确定评语集V={V1, V2, V3, V4, V5}={严重承载, 轻微承载, 临界承载, 承载安全, 承载良好}, 以此为基础可构建评价标准云.定义Ex∈[0, 1], 当Ex越接近中心位置即Ex趋近于0.5时, En、He、V即处于中间等级.同时引入黄金分割率, 定义相邻等级之间Enmin=0.618Enmax、Hemin=0.618Hemax, 同时设定“临界承载”状态云模型参数为Ex3=0.5, He3=0.005, 由此确立各评价等级在数字特征分布范围.在此, 以“承载安全V4”与“承载良好V5”为例, 计算如下:

“承载安全(V4)”云数字参数:

(1)
(2)
(3)

“承载安全(V5)”云数字参数:

(4)

计算可得各评价等级云数字特征分别为V1(0, 0.103, 0.1031)、V2(0.309, 0.064, 0.0081)、V3(0.50, 0.031, 0.005)、V4(0.691, 0.064, 0.0081)、V5(1, 0.103, 0.0131), 通过MATLAB仿真得图 5.

图 5 土地承载状态状态评估标准云 Fig. 5 Standard cloud of land bearing state assessment
3.3 指标赋权

指标权重作为整个复合系统状态评判的重要指标, 常采用客观赋权与主观赋权两种方法.其中客观赋权能较好的摒弃主观影响, 但往往存在与实际状态不符的情况.主观赋权法依据专家对于评价对象的认知度进行确定, 虽然能够较好把握指标的实际重要程度, 但往往受到个人经验性的影响.故此, 为避免上述问题, 本文引入组合赋权法确定各指标因子权重.组合赋权法是一种基于多目标加权的赋权算法, 在评判过程中对于各指标的偏好性较弱, 能够有效将客观性与主观性进行有机耦合, 既能最大程度的贴近实际状态, 也能较为客观的反映各指标实际重要程度, 在解决多目标决策问题中相比于传统赋权方法更具优势(魏巍贤等, 1998).

计算过程如式(5)所示.

(5)

式中, n为指标个数;i为指标重要性排序等级.

3.4 隶属度云模型

以云发生器的反馈原理为基础, 界定评价值介于[0~1], 聘请专家学者、灌区综合管理人员以及灌区内运行工作人员依据评语层对状态层评价指标打分, 依据图 6计算过程, 生成各指标对应的云数字特征.考虑到打分过程中会存在离散性, 这种离散性在云图中会以云雾状态显现.故此为确保超熵He < 1/3En同时满足3δ原则(Wang et al., 2014), 需对评价分值进行分析筛选与后期优选调整, 直至所获结果符合精度要求.

图 6 隶属度云模型计算过程 Fig. 6 Computing process of membership cloud model
3.5 综合评价云

基于各指标权重及与隶属度云模型依据式(6)计算综合评价云.

(6)

式中, m为指标个数;ωi为各指标权重.

为进一步确定C(Ex, En, He)与标准云相似度, 基于最大相似原则确定最大相似度.云向量为Vi=(Exi、Eni、Hei), 综合评价云为Cj =(Exj、Enj、Hej), 二者余弦值定义为云相似度, 依据式(3)计算.当某一等级的云相似度最大时, 即表明土地资源承载状态介于该等级.

(7)
4 基于云模型的土地资源承载状态综合评估(Comprehensive assessment of land resource bearing status based on cloud model) 4.1 权重的求解

根据所建立的多级模糊评价指标体系, 咨询本领域相关专家, 对各指标的重要程度进行排队, 确定各指标所属单元的排队等级.依据式(1)分别求出“状态层”、“因子层”及“过程层”权重, 见表 2~表 4.

表 2 “状态层”指标权重 Table 2 "State level" index weight

表 3 “因子层”指标权重 Table 3 "Factor layer" index weight

表 4 “过程层”指标权重 Table 4 "Process layer" index weight
4.2 隶属度云模型计算与土地承载状态综合评估

收集、整合灌区1994年、2002年、2010年及2018年的空间影像资料、长序列监测资料、社会经济资料及水土环境生态资料.聘请本领域专家学者3人, 灌区综合管理人员3人, 运行工作人员4人, 共10人成立评判小组.分别就研究区状态层要素, 依据评语层界定评分区间为[0, 1], 开展针对灌区4个时期土地资源承载状态的评判.并将所得指标分值用逆向云发生器进行数字化表征, 依据雾化性质与3δ原则对其进行优选与反馈调整, 直至确保所获指标分值均具有有效性.同时基于隶属度云模型分别计算得出各研究年“状态层”与“因子层”隶属度云模型特征参数.

基于状态层与因子层隶属度云模型特征参数, 依据式(6)计算得出各研究年过程层与综合评语云数字特征见表 5.1994年、2002年、2010年及2018年综合评价云数字特征分别为C1(0.3175, 0.0728, 0.0131)、C2(0.5846, 0.0418, 0.0117)、C3(0.5315, 0.0379, 0.0098)、C4(0.7045, 0.0614, 0.0144).4个时期综合评价云数字特征中, 熵(En)分别为0.0728、0.0418、0.0379、0.0614, 超熵(He)分别为0.0131、0.0117、0.0098及0.0144.数值均较小, 云滴离散度与云滴厚度较小, 表明不确定性较弱.He/En均小于1/3, 反映综合评价结果雾化度相对较低, 云滴分布集中, 评价结果与实际状态偏离度相对较低, 验证了评价结果的可信性.

表 5 过程层与综合评价云数字特征参数 Table 5 Cloud digital characteristic parameters of process layer and comprehensive evaluation

基于MatLab将综合评价云数字特征与标准评价云数字特征进行可视化表达, 如图 7所示.依据式(7)计算综合评价云与标准评价云相似度, 结果见表 6.依据最大相似度原则, 结合图 7表 6可知.灌区土地资源承载状态在1994年、2002年、2010年及2018年分别处于“轻微承载”、“临界承载”、“临界承载”以及“承载安全”状态.1994—2002年灌区土地资源承载状态处于“快速改善”阶段, 主要由于灌溉水资源的区域性调入, 极大地缓解了该区域水土资源空间不协调问题, 水土资源空间适应性不断优化, 土地资源承载状态快速改善;2002—2010年灌区土地资源承载状态出现了同等级退化现象.究其原因, 主要因为灌区内随着以大水漫灌为主的传统型、粗放式田间灌溉模式发生及人类活动表现出的掠夺性开发驱动了地表生态过程的潜在性演变, 以土壤盐渍化为主的水土资源退化现象使得灌区内土地资源平衡变化模式受到了影响.同时, 随着水土资源适配度升高, 灌区内土地垦殖率升高, 人类活动加剧背景下单位面积土地化肥、农药污染负荷加剧, 催动土地资源承载状态恶化;2010—2018年, 灌区土地资源承载状态表现出健康恢复状态.主要因为随着环境治理意识及治理投资占比的提高, 以灌水洗盐、布设排碱沟为主的一系列土地生态修复工程逐步实施, 土地承载状态趋于健康化发展.

图 7 综合评价结果云图 Fig. 7 Comprehensive evaluation result cloud map

表 6 综合评价云C与标准云Vi云相似度 Table 6 Comprehensive evaluation of the similarity between cloud C and standard cloud Vi cloud
5 讨论(Discussion)

本文将解决定量数值与定性概念转化难题的云模型应用到土地资源承载状态评价中.在确定标准云数字特征时, 引入了黄金分割率生成法.已有研究证明该方法在解决数据源匮乏, 数据样本单一时具有一定的优势, 可有效摒弃定性评判与定量数值转化过程中的模糊性(傅鹤林等, 2017吴悠等, 2019杨毅等, 2020).虽然在通过专家经验评判各层面指标序列等级进而确定各指标因子权重时, 由于个人经验性的影响会存在一定的主观性, 但相比于传统评判方法, 该主观性仅存在序列等级的确定上, 且在一定程度上更加贴近实际情况.在通过对研究区状态层要素依据评语层界定隶属度云模型时, 虽然评判过程中仍存在一定主观性, 但依据雾化性质与3δ原则对其进行优选与多次反馈调整, 对于主观性产生的数据离散性进行了一定程度的克服, 进一步使得评判结果贴近实际情况.为进一步验证评价结果可靠性, 引入模糊综合评判(许江等, 2006)与云重心评判法(杨峰, 2014)对评价结果进行验证.计算结果见表 7.

表 7 评价结果误差分析 Table 7 Error analysis of evaluation results

结合误差结果来看, 两种方法与云模型计算得到的各研究年承载状态期望值误差控制在5%以内, 证明评价精度较高.由各时期土地资源承载综合评价云数字特征可知, 灌区土地资源承载状态从1994年—2018年经历了“快速改善”、“环境损伤”及“健康恢复”3个演变阶段.结合《景泰川灌区历年土地调查报告》(1971—2018)以及相关学者的研究成果可知(汤莹, 2008梁晶晶, 2019朱兴林, 2020), 评价结果符合景电灌区水土资源实际演化规律.证明采用云模型反应土地资源承载状态是客观且可行的, 而且相比于传统研究方法, 以期望(Ex)、熵(En)、超熵(He)3个数字特征进行表示, 评价内容也更为丰富.更好的将不同层次之间的反馈机制进行了映射.

6 结论(Conclusions)

1) 研究区各时期土地资源承载状态综合评价云分别为C1994(0.3175, 0.0728, 0.0131)、C2002(0.5846, 0.0418, 0.0117)、C2010(0.5315, 0.0379, 0.0098)、C2018(0.7045, 0.0614, 0.0144).熵(En)和超熵(He)仅分别为0.0728、0.0418、0.0379、0.0614和0.0131、0.0117、0.0098、0.0144, 评价结果波动性弱.

2) 研究区1994年、2002年、2010年及2018年土地资源承载状态分别为“轻微承载”、“临界承载”、“临界承载”、“承载安全”.主要经历了3个演变阶段, 分别为“快速改善期”、“环境损伤期”与“健康恢复期”.

3) 本文基于多级模糊理论、云发生器原理、黄金分割率、组合赋权算法以及排队理论构建了一套适用于干旱扬水灌区土地资源承载状态的评价模型.评价结果以3个数字化特征生成的综合评价云进行表述, 使得评价结果更加丰富可信, 可作为一种评价土地资源承载状态的新思路.

参考文献
傅鹤林, 黄震, 黄宏伟, 等. 2017. 基于云理论的隧道结构健康诊断方法[J]. 工程科学学报, 39(5): 794-801.
Felix O D H, Diekkrüger B, Steup G, et al. 2019. Modeling the effect of land use and climate change on water resources and soil erosion in a tropical West African Catch-Ment (Dano, Burkina Faso) using SHETRAN[J]. Science of the Total Environment, 653: 431-445. DOI:10.1016/j.scitotenv.2018.10.351
胡石元, 李德仁, 刘耀林, 等. 2006. 基于云模型和关联度分析法的土地评价因素权重挖掘[J]. 武汉大学学报(信息科学版), (5): 423-427.
黄宇驰, 苏敬华, 吕峰. 2017. 基于SEP模型的土地资源承载力评价方法研究——以上海市闵行区为例[J]. 中国人口·资源与环境, 27(S1): 124-127.
Li K, Jin X, Ma D, et al. 2019. Evaluation of resource and environmental carrying capacity of China's rapid-urbanization areas—A Case Study of Xinbei District, Changzhou[J]. Land, 8(4): 69-83. DOI:10.3390/land8040069
梁晶晶. 2019. 景电灌区土壤盐渍化时空动态特征研究[D]. 兰州: 西北师范大学
全江涛, 杨永芳, 周嘉昕. 2020. 河南省土地资源承载力时空演变分析与预测[J]. 水土保持研究, 27(2): 315-322.
Stampoulis D, Andreadis K M, Granger S L, et al. 2016. Assessing hydro-ecological vulnerability using microwave radiometric measurements from windSat[J]. Remote Sensing of Environment, 184: 58-72. DOI:10.1016/j.rse.2016.06.007
Sun T, Feng Z, Yang Y, et al. 2018. Research on land resource carrying capacity: Progress and prospects[J]. Journal of Resources & Ecology, 9(4): 331-340.
Thapa G B, Paudel G S. 2000. Evaluation of the livestock carrying capacity of land resources in the hills of nepal based on total digestive nutrient analysis[J]. Agriculture Ecosystems & Environment, 78(3): 223-235.
汤莹, 高世铭. 2008. 景电灌区绿洲生态农业可持续发展对策研究[J]. 中国农业资源与区划, (5): 38-42.
汪培庄, 李洪兴. 1996. 模糊系统理论与模糊计算机[M]. 北京: 科学出版社.
魏巍贤, 冯佳. 1998. 多目标权系数的组合赋值方法研究[J]. 系统工程与电子技术, (2): 14-16. DOI:10.3321/j.issn:1001-506X.1998.02.004
王兵, 张光辉, 刘国彬, 等. 2012. 黄土高原丘陵区水土流失综合治理生态环境效应评价[J]. 农业工程学报, 28(20): 150-161.
Wang J Q, Peng L, Zhang H Y, et al. 2014. Method of multi-criteria rroup decision-making based on cloud aggregation operators with linguistic information[J]. Information Sciences, 274(274): 177-191.
王小敏, 赵军, 王建华, 等. 2014. 基于农业生态区域模型的黑河流域土地资源承载力[J]. 干旱区研究, 31(6): 991-997.
魏媛, 吴长勇, 曾昉, 等. 2016. 喀斯贫困山区土地资源承载力动态分析与预测[J]. 水土保持研究, 23(6): 322-326.
温亮, 游珍, 林裕梅, 等. 2017. 基于层次分析法的土地资源承载力评价——以宁国市为例[J]. 中国农业资源与区划, 38(3): 1-6.
吴悠, 刘国平. 2019. 使用黄金分割法的管道压力系统自适应控制(英文)[J]. 控制理论与应用, 36(6): 858-866.
王曼曼, 张宏艳, 张有广, 等. 2020. 长三角沿海地区土地承载力测度与耦合分析[J]. 农业工程学报, 36(5): 281-292.
许江, 李克钢. 2006. 模糊理论在公路边坡稳定性分析中的应用[J]. 中国地质灾害与防治学报, 17(2): 61-64. DOI:10.3969/j.issn.1003-8035.2006.02.014
徐存东, 程慧, 王燕, 等. 2017. 灌区土壤盐渍化程度云理论改进多级模糊评价模型[J]. 农业工程学报, 33(24): 88-95. DOI:10.11975/j.issn.1002-6819.2017.24.012
Xu C, Tian J, Wang G, et al. 2019. Dynamic simulation of soil salt transport in arid irrigation areas under the HYDRUS-2D-based rotation irrigation mode[J]. Water Resources Management, 33(10): 3499-3512. DOI:10.1007/s11269-019-02312-w
徐存东, 朱兴林, 张锐, 等. 2020. 基于云模型的梯级泵站系统服役状态综合评估[J]. 排灌机械工程学报, 38(6): 577-582.
杨峰, 王碧垚, 赵慧波, 等. 2014. 基于云模型的战略预警信息系统效能评估[J]. 系统工程与电子技术, 36(7): 1334-1338.
杨亮洁, 杨永春. 2017. 甘肃省资源环境承载力时空分异[J]. 生态学报, 37(20): 7000-7017.
杨瑾, 左坤, 崔斌, 等. 2019. 西安市土地资源承载力时空变化研究[J]. 西北师范大学学报(自然科学版), 55(1): 121-128.
杨毅, 刁洪涛, 向敏, 等. 2020. 基于动态规划和黄金分割法的环状天然气管网运行优化[J]. 天然气工业, 40(2): 129-134.
赵敏丽, 刘普幸, 朱小娟, 等. 2013. 基于人粮关系的土地资源承载力空间格局研究——以河西走廊绿洲为例[J]. 干旱地区农业研究, 31(2): 203-208. DOI:10.3969/j.issn.1000-7601.2013.02.037
张杨, 严金明, 江平, 等. 2013. 基于正态云模型的湖北省土地资源生态安全评价[J]. 农业工程学报, 29(22): 252-258. DOI:10.3969/j.issn.1002-6819.2013.22.030
周启刚, 张晓媛, 王兆林. 2014. 基于正态云模型的三峡库区土地利用生态风险评价[J]. 农业工程学报, 30(23): 289-297. DOI:10.3969/j.issn.1002-6819.2014.23.037
张红, 李林峻, 张洋, 等. 2016a. 基于修正系统动力学模型的海岛城市土地综合承载力及其趋势评价——以舟山市为例[J]. 生态经济, 32(7): 178-182.
张红, 陈嘉伟, 周鹏. 2016b. 基于改进生态足迹模型的海岛城市土地承载力评价——以舟山市为例[J]. 经济地理, 36(6): 155-160, 167.
朱兴林. 2020. 景电灌区水土环境脆弱性时空演变研究[D]. 郑州: 华北水利水电大学