中國沿海地區(qū)鐮刀菌屬口岸截獲時空分布格局分析

吳曉春, 肖桂榮, *

中國沿海地區(qū)鐮刀菌屬口岸截獲時空分布格局分析

吳曉春1, 2, 3, 肖桂榮1, 2, 3, *

1. 福州大學空間數(shù)據挖掘與信息共享教育部重點實驗室, 福州 350108 2. 衛(wèi)星空間信息技術綜合應用國家地方聯(lián)合工程研究中心, 福州 350108 3. 數(shù)字中國研究院(福建), 福州 350108

生物入侵形勢愈加嚴峻, 口岸檢疫作為維護生物安全的第一線, 分析口岸截獲時空格局對于物種入侵防控具有重要意義。從口岸點和市域單元兩個尺度結合時空局部異常值分析和空間自相關分析方法, 揭示2009—2018年我國沿海地區(qū)鐮刀菌屬入侵截獲時空分布格局, 并引入地理探測器模型探尋影響其分布格局的因素。結果表明:(1)鐮刀菌屬截獲口岸數(shù)與截獲頻次在時間和空間上大致呈現(xiàn)先增后減趨勢, 在時空異常值分析中以長三角、珠三角一帶口岸的強時空聚類與多模式狀態(tài)為主。(2)鐮刀菌屬市域入侵截獲具有顯著的空間自相關性(P<0.05), 空間集聚特征先增強后減弱, 局部空間關聯(lián)結構中空間分異性逐漸減小, 高-高值區(qū)域的集聚規(guī)律明顯, 且逐漸集中在江蘇省境內。(3)鐮刀菌屬市域入侵截獲空間格局的最主要影響因素是進口商品總額, 其次是市域內口岸數(shù)、入境人數(shù)和郵政業(yè)務總量, 且雙因子間的交互作用對其分布格局均具有顯著的增強效果。綜上, 我國沿海地區(qū)鐮刀菌屬入侵截獲受進口貿易影響具有明顯的時空分異格局特征。

鐮刀菌屬; 口岸截獲; 自相關分析; 地理探測器; 中國沿海地區(qū);

0 前言

生物入侵嚴重危害入侵地的生態(tài)系統(tǒng)與社會經濟, 已成為本世紀所面臨最為棘手的環(huán)境問題之一[1–2]。全球化進程使得人類活動不斷打破生物原有地理分布格局, 加速入侵物種的空間擴散, 為外來物種的引入提供條件, 使得生物入侵的防控愈加復雜[3-5]。沿海地區(qū)具有臨海的區(qū)位優(yōu)勢, 是人口承載力高、對外經貿發(fā)達地區(qū), 也是外來物種入侵的高危區(qū)[6]。口岸檢疫作為預防生物入侵的直接門檻, 以鐮刀菌屬()為代表的入侵生物截獲量逐年顯著遞增[7]。鐮刀菌屬起源于印度[8], 是最難防治的植物病原真菌之一, 可侵染香蕉、小麥、水稻等作物引起大面積枯萎減產, 造成嚴重經濟損失, 且真菌毒素被人畜食用后會造成食物中毒、器官衰竭甚至死亡[9, 10], 因此迫切需要對鐮刀菌屬入侵機制與分布格局展開研究。

綜上, 本文基于2009—2018年口岸截獲數(shù)據, 在口岸點與市域兩個尺度上綜合時空模式挖掘與GIS空間分析方法揭示鐮刀菌屬入侵截獲時空格局, 并通過地理探測器模型測定其產生格局的影響因素, 以期為今后鐮刀菌屬入侵擴散的防控預警及國門生態(tài)安全研究提供理論依據。

1 研究區(qū)域與實驗數(shù)據

1.1 研究區(qū)概況

《中國海洋統(tǒng)計年鑒》定義沿海地區(qū)是指有海岸線(包括大陸岸線和島嶼岸線)的地區(qū), 本研究中因海南省及港澳臺地區(qū)截獲鐮刀菌屬數(shù)據缺失, 又考慮到北京作為首都的位置特殊性與生物入侵防治必要性, 因此, 本文研究區(qū)具體包含遼寧省、河北省、北京市、天津市、山東省、江蘇省、上海市、浙江省、福建省、廣東省、廣西壯族自治區(qū)11個地域范圍(圖 1), 涵蓋132個截獲鐮刀菌屬的口岸點位(十年間統(tǒng)計去重)。截止2018年底, 研究區(qū)陸地面積約占全國13.19%, 但其常住人口約占全國41.68%, 全年貨物進出口總額約占全國81.21%, 由中國出入境檢驗檢疫局提供全國口岸(不含港澳臺瓊)年檢數(shù)據計算得到, 該區(qū)域內鐮刀菌屬年累計口岸截獲頻次約占全國口岸檢疫的85.47%, 較高的人員活動強度與經貿發(fā)展水平使得區(qū)域內生物入侵風險大大增加。

圖1 研究區(qū)概況

Figure 1 Overview of the study area

1.2 數(shù)據來源

制圖底圖數(shù)據來源于國家基礎地理信息中心(http://www.ngcc.cn/)下載的全國1:100萬市級行政區(qū)劃矢量地圖數(shù)據。口岸檢疫截獲鐮刀菌屬數(shù)據來源于生物安全關鍵技術研發(fā)——主要入侵生物的動態(tài)分布與資源庫建設項目, 經過數(shù)據篩選匯總得到2009年—2018年研究區(qū)653個入境口岸對進境人員及其行李物品、對外貿易的貨物、郵件包裹等檢疫得到共計3643條鐮刀菌屬截獲數(shù)據, 累計截獲69932頻次, 包括截獲口岸名, 截獲時間(以年計), 截獲頻次, 來源地。

入侵生物口岸截獲情況主要與其人為引入活動密切相關, 包括跨境電商包裹、進口貿易、入境交通等人類活動[7, 20-21], 基于數(shù)據的可獲得性, 選取影響因子數(shù)據如下表1。

1.3 數(shù)據預處理

首先, 對全國1:100萬行政區(qū)劃矢量地圖進行裁剪、投影變換處理, 得到沿海地區(qū)市級矢量圖層; 因在空間自相關分析中數(shù)據需滿足正態(tài)分布假設, 對口岸截獲原始數(shù)據做對數(shù)變換處理; 然后, 通過批量地理編碼得到鐮刀菌屬截獲口岸的經緯度坐標, 將其地理位置空間化, 整理匯總得到十年間各口岸截獲頻次數(shù)據; 將市域行政區(qū)劃矢量圖層與口岸截獲信息表屬性連接, 整理得到十年間各市域匯總口岸截獲頻次數(shù)據; 最后, 因地理探測器模型對因子自變量要求為類型量[18], 采用Jenks自然間斷點法對各影響因子分級, 進行離散化處理。

表1 影響因子指標說明

2 研究方法

2.1 時空局部異常值分析

時空立方體模型是時空模式挖掘的基礎, 其本質是將具有關聯(lián)時空屬性的事件點設定距離閾值與時間步長, 將相同間隔的事件點聚合到同一像元網格, 生成時空條柱并通過Mann-Kendall趨勢統(tǒng)計, 構建NetCDF數(shù)據立方體[22]。以時空立方體為輸入, 確定其格網間空間關系的概念化, 查找時空維度上與其鄰域存在統(tǒng)計差異的位置, 時空局部異常值分析是局部Anselin Locan Moran’s I統(tǒng)計[23]在時空立方體載體上的顯著聚類和異常值體現(xiàn), 輸出為二維地圖, 共有6種檢測結果類型見下表2。

建筑結構的電氣系統(tǒng)中，為了優(yōu)化供電系統(tǒng)，應盡量根據負荷的等級采取相應的措施。對于各級負荷的供電電源，要使其達到設計規(guī)范的規(guī)定，用電單位要綜合考慮用電容量、用電設備的特性、供電的距離等因素，采用補償無功功率的措施，盡量減少電壓偏差，降低系統(tǒng)的阻抗，使三相負荷平衡。

2.2 空間自相關

對時空序列的異常值分析可得到多模式類型, 表現(xiàn)在個別時間片中條柱屬性有所波動, 影響該位置點位時空聚類或異常值模式判別, 現(xiàn)通過時間切片利用Moran’s I空間自相關反映該時間截面下一個區(qū)域單元上事件屬性與鄰近單元的集聚程度。

全局Global Moran’s I測度整個研究區(qū)內所有事件對象的總體關聯(lián)程度及其顯著性分布模式, 計算公式為:

全局空間自相關在空間同質的假設基礎上, 不能反映局部集聚特征, 因此使用局部空間關聯(lián)指標(Local Indicators of Spatial Association, LISA)反映每個市域單元與其相鄰單元的空間關聯(lián)程度, 并在Z檢驗基礎上(P<0.05)繪制LISA圖進一步揭示事物的局部分異特征, 計算公式如下:

表2 時空異常值檢測結果類型

2.3 地理探測器

通過因子探測中的q值度量因子對沿海地區(qū)市域鐮刀菌屬入侵截獲頻次的空間分異影響程度[24], 計算如下:

與傳統(tǒng)因子分析方法相比, 地理探測器的另一大優(yōu)勢是可通過交互探測解釋多因子的交互作用對因變量的作用強度, 即評估不同因子對因變量的影響是否獨立或多因子交互作用于因變量的增強或減弱影響[25-26], 結果類型見下。

地理探測器模型中的生態(tài)探測用來比較雙因子對市域鐮刀菌屬截獲頻次分布的影響是否有顯著差異, 以F統(tǒng)計量衡量:

表3 雙因子對因變量交互作用的類型

3 結果與分析

3.1 入侵截獲情況趨勢分析

鐮刀菌屬累計口岸截獲頻次和口岸數(shù)量隨時間變化大致呈現(xiàn)出先增后減趨勢(圖 2)。2009年鐮刀菌屬入侵截獲頻次較低, 至2010年截獲頻次增長近一倍, 截獲口岸數(shù)卻反而有所下降, 表明期間鐮刀菌屬口岸入侵范圍有所縮減, 但在主要口岸的引入程度開始加深; 2010年至2014年鐮刀菌屬截獲頻次和口岸數(shù)均逐漸增長, 其中, 2013年至2014年截獲頻次與截獲口岸數(shù)呈現(xiàn)明顯擴張趨勢; 2014年至2016年截獲頻次顯著增長, 截獲口岸數(shù)量居高不變, 至2016年鐮刀菌屬在沿海地區(qū)口岸呈現(xiàn)截獲范圍最廣、截獲頻次最高狀態(tài); 2016年至2018年二者均顯著減少, 其入侵截獲態(tài)勢逐漸放緩。

與研究區(qū)總計鐮刀菌屬截獲口岸數(shù)與頻次的逐年變化趨勢相對應, 市域截獲頻次空間分布變化見圖 3, 鐮刀菌屬引入范圍逐漸擴張后縮減, 高截獲強度地區(qū)前期主要集中在深圳、南京、珠海、廣州、大連、福州, 中后期逐漸新增寧波、泰州、南通、東莞等地; 地區(qū)截獲頻次顯著遞增后有所降低, 2009年截獲頻次峰值地區(qū)為深圳, 達到799頻次, 而到2016年深圳地區(qū)已達到6112頻次, 至2018年峰值地區(qū)寧波降為2432頻次。

圖2 2009—2018年口岸截獲情況

Figure 2 Port interception in 2009-2018

圖 3 鐮刀菌屬入侵截獲時空分布變化

Figure 3 Spatiotemporal distribution change ofinvasion interception

3.2 入侵截獲頻次時空分布格局

3.2.1 口岸截獲時空局部異常值分析

以2009—2018年沿海地區(qū)口岸截獲鐮刀菌屬時空點數(shù)據為樣本構建時空立方體, 時間步長間隔1年, 包括10個時間步長, 根據時空點數(shù)據的增量自相關確定距離閾值, 聚合事件點并將其時間序列通過Mann-Kendall統(tǒng)計, 顯示總體口岸計數(shù)與截獲頻次趨勢遞增。以該時空立方體為輸入, 計算十年間非零格網位置上各條柱的Anselin Locan Moran’I統(tǒng)計, 發(fā)現(xiàn)口岸截獲的時空聚類與異常值模式以強時空聚類模式(高高聚類與低低聚類)和多模式狀態(tài)為主。

如下圖4, 廣州局、東莞局、深圳機場局、鹽田局、南海局等口岸與江蘇南京局、鎮(zhèn)江局、揚州局、泰州局、南通局、上海吳淞局、浦東局、杭州機場局、寧波大榭局一帶始終處于高—高聚類狀態(tài), 表明這些口岸在時空范圍內高截獲頻次上的相似性, 而這些口岸正位于我國沿海地區(qū)對外貿易交流的熱點地區(qū); 長三角與珠三角高—高聚類區(qū)域的周邊口岸存在低—高異常值模式, 與高值區(qū)域相比該模式口岸在研究時段內經常處于較低值水平; 僅有防城港口岸處于高—低異常值模式, 反映了防城港口岸在西南口岸低值水平下的異常檢測, 這可能與防城港口岸在西南沿海口岸中顯著的口岸流量與對外貿易水平相關; 山東、遼寧大部分口岸與天津郵件辦、河北京唐港口岸基本處于低—低聚類狀態(tài), 表明區(qū)域內口岸截獲頻次一直維持在相對較低的水平; 而京津冀中部核心功能區(qū)、大連、營口、秦皇島、蘇錫常滬都市圈與潮汕、中山、珠海等地區(qū)口岸呈現(xiàn)出多模式狀態(tài), 即不同時期可能存在高值/低值模式主導狀態(tài), 不能簡單歸類為某種時空聚類模式。

3.2.2 市域截獲空間自相關分析

基于Queen鄰接規(guī)則構建空間權重矩陣, 對2009年—2018年沿海地區(qū)113個市域單元鐮刀菌屬截獲頻次數(shù)據做全局空間自相關分析(圖5), 2009年Global Moran’s I 值接近為0, 表現(xiàn)為當年市域鐮刀菌數(shù)入侵截獲趨近于隨機分布, 2010年—2018年Moran’s I 值均大于0, 且從2011年開始在p<0.05顯著性水平下逐漸增長后略微回落, 2015年Moran’s I值最高, 表明市域鐮刀菌屬入侵截獲在0.05顯著性水平下呈現(xiàn)出正向聚集狀態(tài)且隨時間變化愈加顯著, 至2015年達到最強集聚狀態(tài), 隨后市域鐮刀菌屬入侵截獲頻次的空間依賴性有所降低。

圖4 口岸截獲局部異常值分析

Figure 4 Analysis of local abnormal value of port interception

圖5 2009-2018年市域鐮刀菌屬入境截獲Global Moran’s I

Figure 5 Global Moran’s I of urban port interception in 2009-2018

對2009年、2012年、2015年、2018年沿海地區(qū)市域截獲頻次繪制空間LISA聚類圖(圖6), 反映各時段下鐮刀菌屬入侵截獲的局部空間關聯(lián)類型, 表現(xiàn)為空間聚集(高高聚集與低低聚集)和空間異質(低高異質與高低異質)。

2009年鐮刀菌屬入侵截獲整體空間分布不存在明顯趨勢, 但各市域單元存在局部空間關聯(lián)模式, 其LISA圖中(圖6a)高-高聚集區(qū)域位于福建莆田, 表現(xiàn)為莆田與其鄰域范圍都呈現(xiàn)出較高值的聚類狀態(tài); 高-低值區(qū)域主要分布在大連、秦皇島、天津、連云港、南京、寧波、杭州、汕頭、珠海、深圳, 表現(xiàn)為沿海主要港口城市、省會城市較周圍鄰居的明顯高值分布特征; 低-高值區(qū)域表現(xiàn)為與上述高值區(qū)域對應的低值包圍狀態(tài)。2012年、2015年、2018年鐮刀菌屬入境截獲頻次的空間正相關性隨時間發(fā)生顯著變化(圖6b~6d), 在2015年空間局部集聚性最強, 表現(xiàn)為高高聚集區(qū)域與低低聚集區(qū)域數(shù)量最多; 高高聚集區(qū)域主要分布在江蘇省東部地區(qū)(鹽城、南通、泰州、蘇州、鎮(zhèn)江)及福建南部沿海(泉州、廈門、莆田)、廣東東莞等地, 且逐漸集中在江蘇境內; 低低聚集區(qū)域在2012年位于廣西梧州, 2015年擴展到來賓、山東濟南、德州、淄博、泰安、遼寧沈陽、錦州, 2018年又縮減為廣西梧州; 空間分異性逐漸減小, 表現(xiàn)為高-低值、低-高值區(qū)域數(shù)量逐漸減小。

3.3 鐮刀菌屬市域入侵截獲空間格局影響因素分析

3.3.1 影響因素探測

以沿海地區(qū)113個市域單元鐮刀菌屬入侵截獲頻次為因變量, 口岸流量數(shù)據與各市域外貿往來數(shù)據共6個重分類后的變量為因子, 使用因子探測模型對市域鐮刀菌屬入侵截獲空間分布格局的影響因素進行分析, 結果見下表4, 其中進口商品總額(X)q值最高(0.82), 其次為市域內口岸數(shù)(X, q值0.60)、入境人數(shù)(X, q值0.47)、郵政業(yè)務總量(X, q值0.39), 表明地區(qū)進口貿易、檢疫口岸分布、人員遷移與郵政業(yè)務對鐮刀菌屬入境截獲空間分布格局有著重要影響, 其余因子(貨運量X和入境運輸工具數(shù)X)q值大致在0.10左右, 對空間分布格局的解釋程度相對較小。

使用生態(tài)探測器比較兩因子對鐮刀菌屬入侵截獲空間分布格局的影響是否有顯著差異(表5), 發(fā)現(xiàn)進口商品總額與其余任一因子之間存在顯著差異, 結合因子探測結果證明進口商品總額較其他因子是影響鐮刀菌屬入侵截獲空間格局的最主要驅動因素。

3.3.2 不同影響因子的交互作用分析

使用交互作用探測模型評估不同因子之間的交互作用(表7), 貨運量與入境人數(shù)、貨運量與入境運輸工具、貨運量與郵政業(yè)務總量、貨運量與口岸數(shù)、入境人數(shù)與入境運輸工具、入境運輸工具與郵政業(yè)務總量、入境運輸工具與口岸數(shù)為非線性增強, 表現(xiàn)為雙因子間交互作用對鐮刀菌屬入侵截獲空間分布格局的解釋力明顯大于兩者解釋力之和, 其余因子間為雙因子增強, 表現(xiàn)為雙因子間交互作用對鐮刀菌屬入侵截獲空間分布格局的解釋力大于兩者解釋力的最大值。總體而言, 不同因子的交互作用對沿海地區(qū)鐮刀菌屬入侵截獲頻次空間分布均具有顯著的增強效果, 表明經貿往來與人類活動可正向強化各因子的解釋力[12]。

圖6 市域截獲頻次局部LISA圖

Figure 6 Local LISA of urban interception frequency

表4 因子探測結果

注: 計算結果保留兩位有效數(shù)字。

表5 生態(tài)探測結果

注: 顯著性水平為0.05的F檢驗, Y: 兩種因子在對鐮刀菌屬入侵截獲空間分布影響上存在顯著性差異; N: 無顯著性差異。

表6 交互探測結果

注: 計算結果保留兩位有效數(shù)字。

4 討論

基于口岸截獲數(shù)據展開對鐮刀菌屬的入侵截獲分布格局研究, 不可避免會帶來一定程度的指向性引導, 我國沿海地區(qū)口岸以長三角和珠三角一帶聚集狀態(tài)分布為主, 而鐮刀菌屬的空間截獲格局也是符合這一特征。鐮刀菌屬入侵截獲分布以深圳、廣州、寧波為主要熱點地區(qū), 表現(xiàn)為個別口岸在多時段的的極高截獲頻次, 但此區(qū)域間的局部關聯(lián)較弱, 而江蘇省境內區(qū)域雖在鐮刀菌屬的截獲數(shù)量上不占優(yōu)勢, 卻由其多地區(qū)多口岸截獲頻次的高相似性表現(xiàn)出其局部高空間集聚性。在四個時間節(jié)點的空間自相關分析中, 鐮刀菌屬入侵截獲的空間局部集聚性隨時間發(fā)生變化, 可對應互補解釋連續(xù)時空序列中時空聚類與異常值分析的多模式類型, 環(huán)渤海城市區(qū)域大致由高-低值主導向低-低值主導過渡, 這是由于天津、大連、秦皇島等地口岸相對于周邊的顯著截獲高值逐漸縮減, 長三角城市區(qū)域個別城市由低-高值分布慢慢融入高-高值聚集區(qū), 逐漸表現(xiàn)為江蘇省境內市域口岸截獲的高度集聚。

生物入侵是外來物種分布動態(tài)變化的漫長過程, 包括傳入、定殖、擴散、爆發(fā)、危害等環(huán)節(jié)。現(xiàn)實環(huán)境中影響入侵生物分布格局的因素紛雜多樣, 地理緯度、地形、土地類型、氣溫、降水等自然環(huán)境因子與交通條件、經貿水平、人口密度等人類活動因子被廣泛認為影響外來物種的入侵分布[15–16]。外來物種的定殖、擴散等環(huán)節(jié)多受環(huán)境適生性影響和人為活動共同作用, 而在傳入環(huán)節(jié)中截獲分布格局多考慮與區(qū)域入境檢疫口岸的數(shù)量分布及流量統(tǒng)計有關, 也與市域外貿、交通條件等其他人為活動因子密切相關[27]。我國沿海地區(qū)鐮刀菌屬入侵截獲分布的最主要影響因素是進口商品總額, 與此前Castello關于進口貿易與截獲入侵生物數(shù)據呈正相關的研究結果一致[28], 同時入境人員數(shù)、郵政貨物流動比貨運量、入境交通對于鐮刀菌屬的入侵截獲分布影響具有更高的相關性。而顧及生物入侵影響機制的復雜性, 利用地理探測器模型探測到不同因子交互影響下對鐮刀菌屬入侵的推動作用, 在經濟全球化的大發(fā)展背景下, 區(qū)域間貿易交流的頻繁增加會引起更嚴重的生物入侵現(xiàn)象, 應敦促相關部門針對貿易往來熱點地區(qū), 如長三角、珠三角一帶的外來入侵生物開展更為合理嚴密的檢疫、銷毀工作。

5 結論

本文基于2009—2018年沿海地區(qū)鐮刀菌屬口岸截獲數(shù)據, 綜合運用時空異常值分析、空間自相關與地理探測器模型等方法深入研究鐮刀菌屬入侵截獲時空格局及其影響因素, 得到以下結論:

從鐮刀菌屬入侵截獲的絕對分布趨勢來看, 其總體截獲頻次和截獲口岸數(shù)量在時間和空間上總體均呈現(xiàn)出先增后減趨勢, 在2016年達到峰值, 之后其入侵截獲態(tài)勢逐漸放緩, 且空間引入范圍逐漸擴張后縮減, 截獲頻次峰值地區(qū)絕大多數(shù)位于深圳。

從鐮刀菌屬入侵截獲的空間相關性分析來看, 通過口岸點尺度和市域尺度分析, 均可證明長三角與珠三角一帶口岸始終處于高高聚類模式, 十年間其全局空間正相關性先增強后減弱, 在2015年達到最強集聚狀態(tài)。局域自相關分析中其空間分異性逐漸減小, 表現(xiàn)為高-低值、低-高值區(qū)域數(shù)量逐漸減小, 而空間集聚性在江蘇省內逐漸顯著。

綜合運用因子探測與生態(tài)探測模型測定影響因素, 本研究中較其他貿易指標, 進口商品總額是鐮刀菌屬市域截獲空間格局的最主要影響因素, 其次是市域內口岸數(shù)、入境人數(shù)和郵政業(yè)務總量, 符合跨境電商發(fā)展與人員流動對外來生物的引入規(guī)律[20]; 且不同因子間的交互作用對鐮刀菌屬市域截獲分布格局均具有顯著的增強效果。

[1] 張順合, 張志華, 陳冬東. 外來有害植物入侵對我國生態(tài)安全的影響[J]. 植物檢疫, 2015, 29(04): 4–7.

[2] SHACKLETON C M, SHACKLETON R T. Knowledge, perceptions and willingness to control designated invasive tree species in urban household gardens in South Africa[J]. Biological Invasions, 2016, 18(6): 1599–1609.

[3] 潘緒斌, 王聰, 嚴進, 等. 經濟全球化與氣候變化對生物入侵的影響淺析[J]. 中國植保導刊, 2018, 38(04): 65–69.

[4] 郭世學, 李娟娟, 谷青. 國際貿易及人員流動對生物入侵的影響及防范[J]. 口岸衛(wèi)生控制, 2015, 20(03): 35–37.

[5] XU Han, CHEN Ke, OUYANG Zhiyun, et al. Threats of Invasive Species for China Caused by Expanding International Trade[J]. Environmental Science & Technology, 2012, 46(13): 7063–7064.

[6] HUANG Dingcheng, ZHANG Runzhi, Kim K C, et al. Spatial pattern and determinants of the first detection locations of invasive alien species in mainland China.[J]. PL o S One, 2012, 7(2).

[7] 袁立, 齊潤姿, 施露璐, 等. 2015—2017年全國郵路口岸科研微生物菌種檢出情況及影響因素分析[J]. 中國國境衛(wèi)生檢疫雜志, 2018, 41(03): 162–165.

[8] O'DONNELL K, CIGELNIK E, NIRENBERG H I. Molecular Systematics and Phylogeography of the Gibberella fujikuroi Species Complex[J]. Mycologia, 1998, 90(3): 465–493.

[9] 馬玉彤, 劉太國, 文才藝, 等. 我國不同麥區(qū)小麥鐮刀菌毒素檢測及毒素污染分析[J]. 植物保護學報, 2019, 46(02): 266–273.

[10] 李敏慧, 苑曼琳, 姜子德, 等. 香蕉枯萎病菌致病機理研究進展[J]. 果樹學報, 2019, 36(06): 803–811.

[11] 龔世平, 楊江波, 葛研, 等. 外來物種紅耳龜在中國野外分布現(xiàn)狀及擴散路徑研究[J]. 野生動物學報, 2018, 39(02): 373–378.

[12] 李志鵬, 趙健, 陳業(yè)濱, 等. 福建省主要入侵植物空間分異及其影響因素[J]. 應用生態(tài)學報, 2019, 30(08): 2682– 2690.

[13] 董合干, 周明冬, 劉忠權, 等. 豚草和三裂葉豚草在新疆伊犁河谷的入侵及擴散特征[J]. 干旱區(qū)資源與環(huán)境, 2017, 31(11): 175–180.

[14] BAI Fan, CHISHOLM Ryan, SANG Weiguo, et al. Spatial risk assessment of alien invasive plants in China[J]. Environmental Science & Technology, 2013, 47(14): 7624–7632.

[15] 王國歡, 白帆, 桑衛(wèi)國. 中國外來入侵生物的空間分布格局及其影響因素[J]. 植物科學學報, 2017, 35(04): 513–524.

[16] 朱楓, 王四海, 陳劍, 等. 外來入侵植物腫柄菊在云南的分布特征及其影響因素[J]. 生態(tài)學雜志, 2018, 37(09): 2573–2580.

[17] 邊振興, 果曉玉, 于淼. 下遼河平原不同生境土壤節(jié)肢動物分布及空間自相關格局[J]. 生態(tài)學雜志, 2018, 37(08): 2384–2393.

[18] 王勁峰, 徐成東. 地理探測器:原理與展望[J]. 地理學報, 2017, 72(01): 116–134.

[19] JU Hongrun, ZHANG Zengxiang, ZUO Lijun, et al. Driving forces and their interactions of built-up land expansion based on the geographical detector – a case study of Beijing, China[J]. International Journal of Geographical Information Science, 2016, 30(11): 2188–2207.

[20] 李新實, 張順合, 劉晗. 新常態(tài)下國門生物安全面臨的挑戰(zhàn)和對策[J]. 中國國境衛(wèi)生檢疫雜志, 2017, 40(04): 229–233

[21] LEVINE J M, D'ANTONIO C M. Forecasting Biological Invasions with Increasing International Trade[J]. Conserva-tion Biology, 2010, 17(2): 322–326.

[22] 朱艷麗, 靖常峰, 伏家云, 等. 時空立方體的搶劫案件時空特征挖掘與分析[J]. 測繪科學, 2019(09): 132–138.

[23] ANSELIN L. A Local Indicator of Multivariate Spatial Association: Extending Geary's c[J]. Geographical Analysis, 2019, 51(2).

[24] WANG Jinfeng, ZHANG Tonglin, FU Bojie. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250–256.

[25] REN Yin, DENG Luying, ZUO Shudi, et al. Geographical modeling of spatial interaction between human activity and forest connectivity in an urban landscape of southeast China[J]. Landscape Ecology, 2014, 29(10): 1741–1758.

[26] ZHANG Na, JING Yongcai, LIU Chengyu, et al. A cellular automaton model for grasshopper population dynamics in Inner Mongolia steppe habitats[J]. Ecological Modelling, 2016, 329.

[27] XU Han, PAN Xubin, SONG Yun, et al. Intentionally introduced species: more easily invited than removed[J]. Biodiversity & Conservation, 2014, 23(10): 2637–2643.

[28] CAROL McAusland, COSTELLO C. Avoiding invasives: trade-related policies for controlling unintentional exotic species introductions[J]. Journal of Environmental Econo-mics and Management, 2004, 48(2): 954–977.

Spatio-temporal distribution patterns ofinterception in coastal areas of China

WU Xiaochun1, 2, 3,XIAO Guirong1, 2, 3, *

1. Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350108, China 2. National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou 350108, China 3. The Academy of Digital China (Fujian), Fuzhou 350108, China

The situation of biological invasion is becoming more and more serious. Port quarantine, as the first line of maintaining biological security, is of great significance to the prevention and control of species invasion by analyzing the temporal and spatial pattern of port interception. The temporal and spatial distribution pattern ofinvasion and interception in China coastal areas in 2009-2018 was revealed from the two scales of port point and city area unit combined with the analysis of local spatiotemporal outliers and spatial autocorrelation, and the geographic detector model was introduced to explore the influencing factors of the pattern. The results showed that: (1)The number and frequency ofinterceptions increased first and then decreased in time and space. In the analysis of temporal and spatial outliers, the strong temporal and spatial clustering and multi-mode state of ports in Yangtze River Delta and Pearl River Delta were the main ones. (2)There was a significant spatial autocorrelation in the invasion and interception of(<0.05). The spatial clustering characteristics first increased and then weakened. The spatial differentiation in the local spatial correlation structure gradually decreased, the clustering rule of high-high value areas was obvious, and gradually concentrated in Jiangsu Province. (3)The main influencing factors of the spatial pattern ofinvasion interception were the total imported commodities, followed by the number of ports, the number of inbound persons and the total postal business, and the interaction between the two factors had significant enhancement effect on its distribution pattern.In a word, the invasion ofin the coastal areas of China is affected by the import trade with obvious spatial-temporal differentiation pattern.

; port interception; autocorrelation analysis; geographical detector; coastal areas of China

10.14108/j.cnki.1008-8873.2020.04.022

吳曉春, 肖桂榮. 中國沿海地區(qū)鐮刀菌屬口岸截獲時空分布格局分析[J]. 生態(tài)科學, 2020, 39(4): 175–183.

WU Xiaochun, XIAO Guirong. Spatio-temporal distribution patterns ofinterception in coastal areas of China[J]. Ecological Science, 2020, 39(4): 175–183.

Q938

A

1008-8873(2020)04-175-09

2019-11-06;

2020-01-01

福建省科技重大專項專題(2017NZ0003-1-5); 中國科學院戰(zhàn)略性先導科技專項課題(XDA23100500)

吳曉春(1995—), 女, 河南信陽人，碩士研究生, 主要從事地理信息工程研究, E-mail:wuxiaochun_wxc@163.com

肖桂榮, 男, 博士, 研究員, 主要從事地理信息系統(tǒng)、空間信息網絡服務方面的研究, E-mail:xiaogr@fzu.edu.cn