森林是陆地生态系统的重要组成部分，长期及年际间的气候变化、地形地理因素变化以及人类生产生活等都是造成植被覆盖变化的重要原因，这些因素综合表现为地表覆盖的类型更替、强度变化、质量变异和空间格局演替等变化^[1]。区域性的植被覆盖时空变化特征及未来趋势常常因气候变化和人类活动的共同作用表现出不同的变化趋势^[2-3]，人类活动对植被有双重影响，一方面通过退耕还林还草等生态修复工程有效改善了区域生态环境，另一面推进城市扩张对植被覆盖造成了一定负面影响^[4]。遥感技术近年来已被广泛用于森林资源变化的监测，随之产生了基于遥感的多种不同精度的森林覆盖产品，如基于Landsat影像的全球森林观察(Global Forest Watch，GFW)数据集^[5]、日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency，JAXA)基于先进的陆地观测卫星(advanced land observing satellite，ALSO)影像生产的森林覆盖(JAXA forest/non-forest，JAXA FNF)数据集^[6]、中国林业和草原局第九次全国森林资源调查统计数据集^[7]等，温亚南等^[8]对GFW和JAXA FNF在中国区域的精度和质量进行了验证，总体上GFW数据的反演精度更高，而JAXA FNF数据存在严重的高估现象，研究人员未来可以通过融合多种产品来获得更精准的森林覆盖空间分布产品。

公路是人类生产生活过程中产生的一种人为线型结构物，其在促进人类物质文明进步的同时也对原生森林生态系统产生一定负面影响，如破坏森林景观的生态完整性、引发森林植被覆盖退化等^[9-10]。BARBER et al^[11]评估了亚马逊森林丧失和公路、通航河流、其他所有道路及非官方道路的关系，结果表明靠近道路和河流的森林丧失比其他地方高，有95%的森林丧失发生在道路的5.5 km和河流的1 km范围内，保护区里的公路和河流附近的森林丧失比非保护区公路和河流附近低。ZHOU et al^[12]通过研究森林植被和土壤变化，探讨了不同道路宽度对森林植被和土壤的影响。杨晶等^[13]基于遥感生态指数(remote sensing ecological index，RSEI)，对嘉鱼至赤壁西高速公路建设前、建设中和运营期路域的生态环境质量进行了监测与评价。戴青苗^[14]通过构建路域生态环境评价指标库，采用聚合法和层次聚类分析筛选出7个路域生境评价指标，对青海高寒生态脆弱区高速公路路域生态环境评价方法进行了研究。王恒等^[15]基于2000—2016年的MODIS 13C2数据，利用变化矢量分析(change vector analysis，CVA)、一元线性回归、Hurst指数等方法，对海上丝绸之路沿线植被覆盖变化特征及趋势进行探讨，并编制了植被覆盖变化特征图谱。

国道作为我国主要干线公路，连接了首都与各省、自治区、直辖市及各大经济区，也穿越了七大不同的分省市分区。目前关于森林植被时空变化和驱动力研究多集中在典型研究区域或某一时间尺度上，对森林植被动态及其与地形、气候、人为活动等的相关关系进行分析^[16-18]，而鲜见从全国尺度和长时间序列上综合分析我国国道网路域森林植被覆盖的时空变化，以及与地形、气候、人为活动的耦合关系。因此，本研究利用2000—2017年森林变化数据集，分析我国国道网路域森林覆盖的梯度变化规律和年际变化趋势，同时结合地形地理、气象水文、人口经济等数据，分析不同级别森林净丧失率与地形、气象、经济等因子在全国尺度上的相关性，旨在探讨国道影响域森林植被变化的驱动因子，以期为未来气候、经济变化情境下路域植被动态变化研究以及森林植被保护提供理论依据。

森林变化数据集是从GFW网站下载的更新于2018年12月的数据，包括：2000年森林覆盖(tree cover 2000)，2000—2017年森林覆盖增加(forest gain)，2000—2017年逐年森林覆盖减少(forest loss)，空间分辨率为30 m^[5]。该数据将森林覆盖定义为高于5 m，郁闭度≥0.2的林木覆盖，包括自然林和人工林，基本等同于《中华人民共和国森林法》中有林地的定义，其与30 m精度的地表覆盖(GlobeLand30)存在高度空间重合，后者森林类别的生产者精度和用户精度分别为87%和89%^[19]。森林覆盖增加的定义是在像素比例尺上此前无森林覆盖的区域内重新获得了森林覆盖，包括自然林生长或人工林的轮作周期，每个像素单元的值为0~1。森林覆盖减少定义为“林分替代干扰”，或在像素比例尺上此前有森林覆盖区域内的森林完全消失，该数据为2000—2017年的面板数据，每个像素单元的值为0~17，分别表示森林丧失的年份^[20]。

行政边界数据集(1∶100万)来源于中国国家基础地理信息中心，包括中国大陆行政边界、全国各省行政边界。中国七大全国分省市分区(1∶100万)、中国气象数据(包括中国1980年以来逐年年降水量、年平均气温空间插值数据集，空间分辨率为1 km)来源于中国科学院资源环境科学数据中心^[21]。中国人口、GDP空间分布公里网格数据集(空间分辨率为1 km)由徐新良^[22-23]制作，下载于中国科学院地理科学与资源研究中心。

全国国道网数据集是从Geofabrik网站上下载的2007年OpenStreetMap开源道路数据集，在ArcGIS中按属性选择fclass字段中的trunk分类，得到国道网矢量要素图层，并通过融合、合并、提取道路中线等步骤形成2007年中国国道网道路中线数据集。该数据总里程为12.5万km，与中国地图出版社在2000年出版的《中国高速公路及城乡公路网地图集》中的国道路网的空间分布基本吻合，也与国家统计局公布的2000年国道总里程(12.05万km)相比差距不大^[24]，通过与ArcGIS online中加载的天地图叠加对比，发现OpenStreetMap开源道路数据集的空间分布误差较小，其精度符合本研究需要。限于高精度的全国历史路网数据的获取不易，本研究以2007年中国国道网数据为基础，仅探究这部分国道网路域森林在2000—2017年的变化及驱动力，未探究2007年以后新建的国道网及其路域的森林变化特征。

使用ArcGIS软件将数据的坐标系统一为WGS 1984 Mercator投影坐标系。

在ArcGIS中，将全国国道网作为输入要素，使用多环缓冲区工具在输入要素两侧以300 m为步长^[25-26]，划分40个连续非重叠多环缓冲带。为尽量消除公路横截面宽度对研究造成的干扰，在划分缓冲带前，先以国道路网中线为基准向两侧各偏移15 m作为首个缓冲带的起始位置。

以国道网的多环缓冲带为区域，对全国森林覆盖减少、森林覆盖增加、数字高程模型(digital elevation model，DEM)、年平均降水量、年平均气温、GDP、人口、公路网等进行区域分析。具体而言，使用ArcGIS的Tabulate Area工具对2000年森林覆盖、森林覆盖增加和森林覆盖减少等数据集进行分区计算，分别得到国道不同距离缓冲带2000年森林覆盖面积、森林覆盖增加面积和森林覆盖减少面积，并通过公式(1)、(2)^[27]分别计算相对于2000年森林覆盖面积的森林覆盖丧失率(L_a)、森林覆盖恢复率(R_a)、森林覆盖净丧失率(N_a)和森林覆盖总变化率(T_a)，以及相对于多环缓冲带面积的森林覆盖丧失率(L_b)、森林覆盖恢复率(R_b)、森林覆盖净丧失率(N_b)和森林覆盖总变化率(T_b)；使用Zonal Statistics As Table工具对DEM、年平均降水量、年平均气温、GDP、人口等数据集进行分区计算，分别得到国道不同距离缓冲带平均海拔(m)、平均坡度(°)、年平均降水量(mm)、年平均气温(℃)、平均GDP(元)、人口密度(人·km^-2)。

式中：V_a和V_b分别表示相对于2000年森林覆盖面积(km²)和相对于多环缓冲区面积的森林变化率(%)，A为2000—2017年历年森林覆盖减少面积(km²)、2000—2017年森林覆盖增加面积(km²)、2000—2017年森林覆盖净减少面积(覆盖减少与增加面积之差，km²)、2000—2017年森林覆盖总变化面积(覆盖减少与增加面积之和，km²)，C_a为2000年的森林覆盖面积(km²)，C_b为国道多环缓冲带面积(km²)，计算结果保留两位小数。

多元逻辑回归模型具有传统多元线性回归分析所没有的优势，如多元逻辑回归分析基于数据的采样，能为每个自变量产生回归系数^[28]。逻辑回归模型对变量的分布没有假设条件，也不需要假设变量之间存在多元正态分布，最终以事件概率的形式给出结果。通过拟合得到的逻辑回归模型的参数估计没有使用通常的最小二乘法，而采用最大似然估计方法^[29]，其回归模型如下：

式中：p₁=P(y_i=1|x_1i, x_2i, …, x_ki)为给定自变量组x_1i, x_2i, …, x_ki值时的概率，α为截距，β为斜率。

由于因变量森林丧失率有两种以上的分类取值，故采用SPSS软件的多元逻辑回归模块计算回归系数β、标准误差、回归系数估计的Wald χ²统计量、显著性水平和发生比率，探索国道影响域森林丧失距离梯度变化的驱动因子。为避免数据的空间自相关，先对变量进行多元共线性诊断，最终选取了1个解释变量和8个协变量(表 1)计算反映因变量取值的概率。

相对于2000年的森林覆盖面积，全国国道17 a的0~12 000 m路域缓冲带的森林覆盖距离梯度变化总体呈下降趋势(图 1)。具体来看，丧失率[图 1(a)]在0~2 700 m小幅上升，从8.07%上升到8.34%，在2 700~12 000 m大幅下降，从8.34%下降到7.64%；恢复率[图 1(b)]在0~2 700 m大幅上升，从1.22%上升到1.64%，在2 700~12 000 m小幅下降，从1.64%下降到1.55%；净丧失率[图 1(c)]在0~2 700 m大幅下降，从7.02%下降到6.70%，在2 700~12 000 m大幅下降，从6.70%下降到6.09%；总变化率[图 1(d)]在0~2 700 m小幅上升，从9.46%上升到9.99%，在2 700~12 000 m大幅下降，从9.99%下降到9.19%。

	图 1 全国国道网路域森林覆盖距离梯度变化 Fig. 1 Gradient change of forest coverage with distance from the national highway network domain
图选项

相对于多环缓冲带面积，全国国道0~12 000 m路域缓冲带的森林覆盖距离梯度变化总体呈上升趋势(图 1)。具体来看，丧失率[图 1(a)]在0~2 700 m大幅上升，从1.02%上升到1.72%，在2 700~12 000 m小幅上升，从1.72上升到1.80%；恢复率[图 1(b)]在0~2 700 m大幅上升，从0.15%上升到0.34%，在2 700~12 000 m小幅上升，从0.34%上升到0.36%；净丧失率[图 1(c)]在0~2 700 m大幅上升，从1.08%上升到1.38%，在2 700~12 000 m小幅上升，从1.38%上升到1.43%；总变化率[图 1(d)]在0~2 700 m大幅上升，从1.17%上升到2.06%，在2 700~12 000 m小幅上升，从2.06%上升到2.16%。

在全国尺度上，距国道距离大于2 700 m缓冲带森林覆盖变化的这种随距离增大而显示出的一致性波动下降趋势可以说明：国道对路域森林覆盖变化的影响范围为道路两侧0~2 700 m的带状区域，即国道影响域为0~2 700 m。由于气候、地理等条件的差异，中国各地区的本底森林覆盖度不尽相同，比如青海的森林覆盖率仅为5.63%，天津的森林覆盖率为9.87%，因此以(2)式计算的国道路域森林丧失率、恢复率等不能完全反映国道对路域森林覆盖变化的影响大小，故以下研究均采用(1)式计算的森林覆盖变化指标。

2001—2017年，全国国道影响域(0~2 700 m)森林丧失率总体呈显著上升趋势，由2001年的0.15%增加到2017年的1.00%，平均年增速0.06%，平均年森林丧失速率为709.97 km²·a^-1。具体可分为3个阶段：2001—2008年加速上升，增加0.43%，平均年增速0.05%，平均丧失速率为402.68 km²·a^-1；2009—2014年缓慢上升，增加0.2%，平均年增速0.03%，平均丧失速率为780.00 km²·a^-1；2015—2017年加速上升，增加0.38%，平均年增速0.13%，平均丧失速率为1 255.11 km²·a^-1(图 2)。

	图 2 2000—2017年全国国道影响域森林丧失率年际变化 Fig. 2 Inter-annual changes of forest loss rate in the effective zones by national highways from 2000 to 2017
图选项

由此看来，近年我国森林覆盖率虽稳步增长，但国道影响域的森林丧失率却在逐年增加，这可能是因为我国公路交通量快速增长，造成国道影响域土地利用变化加快，且不同距离影响域森林覆盖对这种土地利用变化显示出不同的响应。

我国国土范围东西方向和南北方向跨越了多个区域(表 2)^[30]，而同一条国道在不同区域内，对影响域森林覆盖变化的影响范围和程度因地形地理等自然因素和社会经济因素不同而不同。采用箱线图表征全国、七大区域和省市自治区国道影响域的各缓冲带森林丧失差异(图 3)。

注：由于缺失台湾省、香港和澳门特别行政区数据，未加入全国、七大区域和省市自治区国道影响域森林丧失差异计算。   Note: due to a lack of data for the Taiwan Province, Hong Kong and Macao Special Administrative Regions, the calculation of the difference in forest loss across the country, the seven major regions, and the national highway effective zones of the provinces, municipalities, and autonomous regions have not been included. 图 3 全国七大区域和省市自治区国道影响域森林丧失差异 Fig. 3 Differences in forest loss across different geographical regions and provinces, cities, and national highways

图选项

从全国尺度看：华东和华南地区的国道影响域森林丧失高于全国平均，华北、华中、西南、西北、东北地区低于全国平均。其中华南地区影响域森林丧失率为18.92%，约为全国平均(8.25%)的2.3倍，西北地区为0.66%，约为全国平均的1/24。华北、华南、东北地区的国道影响域森林丧失的距离梯度变化明显，其中华北国道影响域森林丧失率最大值与最小值的差值高达2.3%，这说明华北地区国道对影响域森林丧失的距离效应大于其他地区(图 3)。

从地区尺度看：华南地区的广西国道影响域的森林丧失率是全国最高，为20.68%，比华南地区平均(18.92%)高1.8%；西北地区的新疆国道影响域森林丧失率是全国最低，为0.33%，比西北平均低0.33%；华东地区的山东和上海的国道影响域森林丧失率的最大值与最小值的差值分别为10.3%和11.7%，这说明国道对其影响域森林丧失影响的距离梯度变化明显。

2001—2017年，华东和华南地区国道影响域森林丧失与全国国道影响域森林丧失的时间动态变化趋势相近，总体上也呈逐渐上升的趋势(图 4)。而华北、华中、东北地区国道影响域的森林丧失率则在2008年后有了明显下降，而且总体上森林丧失率水平也较低，这可能得益于我国在东北、华北等地区实施的三北防护林工程及退耕还林还草工程^[31-32]。

	图 4 七大区域森林丧失时间动态变化 Fig. 4 Dynamic changes in the rate of forest loss acrossseven regions
图选项

对所有变量进行共线性诊断，选择方差膨胀系数 < 10的变量(表 1)进入模型分析，对模型的具体分析采用SPSS 26.0软件，选择统计水平为5%。对模型所有自变量进行似然比检验，显著性水平P=0.00 < 0.05，模型通过拟合优度检验，模型有效。

在进行多元逻辑回归分析时，采用“中”森林覆盖净丧失率分级作为参考类别，模型的相关估计结果见表 3。

当森林净丧失率分级为低、较低时，年平均气温、年平均降雨量、本底森林覆盖率、平均GDP和人口密度的显著性水平均小于0.05，具有显著性差异，这表明此5种影响因子对低、较低净丧失率的国道缓冲带的森林丧失有较好的解释度。而除这5种影响因子外，平均坡度也对森林净丧失率分级为较低的国道缓冲带的森林丧失有较好的解释度。其中，平均坡度、年平均降雨量、人口密度与森林净丧失率为负相关，且在其他几个森林净丧失率分级中，年降雨量也均为负的回归系数，表明年平均降雨量越少，净丧失率越高。根据Wald χ²统计量，年平均降雨量也是最重要的解释变量。森林丧失分级为低、较低的国道缓冲带所在省级行政区为北京、重庆、甘肃、内蒙古、青海、陕西、四川、新疆、西藏。这种结果可能是因为在森林覆盖率较低的省级行政区，国道缓冲带的净丧失率相对也较低。

当森林净丧失率分级为较高、高时，平均海拔、年平均降雨量、本底森林覆盖率的显著性水平均小于0.05，具有显著性差异，这表明此3种影响因子对较高、高净丧失率的国道缓冲带的森林丧失有较好的解释度。而除这3种影响因子外，平均坡度、年平均气温、路网密度对净丧失率分级为较高的国道缓冲带的森林丧失有较好的解释度，本底森林覆盖率、人口密度对净丧失率分级为高的国道缓冲带的森林丧失有较好的解释度。其中，值得注意的是在净丧失率分级为较高时，平均海拔与净丧失率为正相关，而在净丧失率分级为高时，平均海拔与森林净丧失率为负相关。根据Wald χ²统计量，年平均气温对净丧失率分级为较高的国道缓冲带的森林丧失而言，是最重要的解释变量，本底森林覆盖率则是森林净丧失率分级为高的国道缓冲带森林丧失的最重要的解释变量。森林丧失分级为较高的国道缓冲带主要分布在安徽、贵州、湖南、山东、云南等省份，丧失分级为高的国道缓冲带主要分布在福建、江西、广东、广西等省份。这种结果可能是因为森林丧失分级为高的省份存在较多的人工林作业活动，表现为本底森林覆盖率高，森林净丧失率也高。而丧失分级为较高的省份的驱动因子相对较复杂，可以肯定的是路网密度对其有重要影响，表现为路网密度每增加1 km·km^-2，森林净丧失率增大的概率将增大22.5倍。

总之，对于4种森林丧失分级而言，年平均降雨量和本底森林覆盖率均为国道影响域森林变化的重要驱动因子，具体表现为：年平均降雨量越多，丧失越少；本底森林覆盖率越高，丧失越多。对于不同森林丧失分级而言，森林净丧失率变化的驱动因子的影响程度各异。

通过受试者工作特征曲线(receiver operating characteristic curve，ROC)评价本研究所建立的多元逻辑回归模型，模型对低森林丧失分级和高丧失分级预测最好，曲线下面积(area under the curve, AUC)值大小排序为高>低>较高>较低>中(表 4)，标准误差值均较小。

由于本研究使用的森林覆盖减少数据为逐年连续监测，而森林覆盖增加数据则只有首尾年段的变化，因此在计算国道影响域森林丧失率的逐年变化时未考虑森林恢复，故得到的森林丧失率年际变化比实际森林净丧失略大。本文构建国道路域多环缓冲带所使用的路网为2007年国道路网数据，这是所能获取到的最早的全国历史路网数据，因此忽略了2000—2007年国道路网长度的变化对路域森林变化的影响，在后续研究将对其进行更精确地探讨。当道路经过不同地貌，如公路隧道、桥梁、河流时，本文得出的道路影响域范围会有较大的差异，这些差异的大小及时空变化需要通过划分典型路域，进行更深入和细致地对比研究。

建议在国道经过或靠近具有重要生态价值的保护区或国家公园时，应对0~2 700 m范围内的森林植被覆盖做重点监测和保护，防止森林植被覆盖度的减小对生物多样性造成严重的负面影响。森林覆盖率较高的华南、华东全国分省市分区的个别省份也应注重路域森林植被覆盖率的变化，加大对道路路域生态这个特殊的生态群落的研究和保护工作。

本研究主要得出以下结论：①总体上，我国国道路域森林覆盖有显著的距离梯度变化特征，国道的影响域为道路两侧0~2 700 m范围。具体表现为：在国道影响域内，森林覆盖丧失率、森林覆盖恢复率和距离呈现显著的正相关关系，即随着距国道距离变远，丧失率、恢复率均出现上升的趋势；在国道影响域外，丧失率、恢复率和距离呈现显著负相关关系，即随着距国道距离更远，丧失率、恢复率均出现下降的趋势。但是，结合国道影响域内森林覆盖净丧失率和总变化率的结果来看，国道影响域内的森林覆盖净丧失率和总丧失率依旧比影响域外高得多，这表明国道对其影响域森林覆盖变化的影响有一定的距离效应。②近17 a，我国国道影响域森林覆盖丧失呈波动上升趋势，尤其在2015年后国道影响域森林覆盖丧失率出现较大增长。华北、华中、东北地区国道影响域森林覆盖丧失率在2008年后出现逐年下降趋势。③我国国道影响域森林丧失率有明显的全国分省市分区差异，且均存在显著的距离梯度变化特征。具体表现为：华南、华东国道影响域森林丧失率显著高于全国平均水平，华北、华中、西南、西北、东北国道影响域森林丧失低于全国平均。④气象水文条件和本底森林覆盖率是造成国道影响域森林丧失差异的主要原因，地形地理、气象水文、人类活动等因素对国道影响域森林丧失影响的协同作用与距离因素无明显相关性。