新冠疫情對全球生物多樣性熱點地區森林面積的影響

周帥

摘要：森林是維持生物多樣性的重要保障，森林面積的損失常常會導致區域生物多樣性的降低或喪失。為探討新冠疫情對全球生物多樣性的影響，該文利用Image J軟件篩選出全球生物多樣性熱點地區占國土面積超60%的國家作為研究對象，以全球生物多樣性熱點地區的森林損失面積、生物多樣性完整性數據、年度（2020年和2021年）新冠疫情感染數據、國內生產總值（GDP）為研究對象，進行關聯分析、線性混合效應模型構建和回歸預測。結果表明：雖然新冠病毒的每百萬人口感染數量與森林損失面積表現為顯著負相關，具體表現為新冠疫情顯著減少了因城市和農業大規模擴張而導致的森林損失面積，但在新冠疫情暴發的2年（2020年和2021年）期間，全球生物多樣性熱點地區的森林損失總量仍然持續上升，主要原因是新冠疫情間接加速了人工林和天然林的采伐。回歸模型預測顯示，新冠疫情期間，全球生物多樣性熱點地區的森林損失面積在2020年和2021年分別增加了5.83%和21.78%。綜上表明，雖然新冠疫情對生物多樣性熱點地區的森林損失具有一定的抑制作用，但森林損失面積仍然在增加。該研究結果為制定生物多樣性的保護措施提供了數據支撐。

關鍵詞： 新冠疫情， 生物多樣性， 森林， 遙感， 預測模型

中圖分類號：Q948? ? 文獻標識碼：A? ? 文章編號：1000-3142（2023）08-1478-10

A global perspective on the influence of COVID-19 pandemic on forest areas in biodiversity hotspots

ZHOU Shuai1，2*

（ 1. ?Shanxi Academy of Forestry and Grassland Sciences， Taiyuan 030012， China; 2. Shanxi Agricultural University， Taigu 030800， Shanxi， China ）

Abstract：Forests play a crucial role in maintaining biodiversity， and the loss of forest is often associated with regional biodiversity decline or loss. Therefore， this study aimed to investigate the influence of COVID-19 pandemic on global biodiversity using Image J software to identify countries with more than 60% of the worlds biodiversity hotsports， by analyzing data on forest loss area， biodiversity integrity data， annual （in 2020 and 2021） COVID-19 infection data， and Gross Domestic Product （GDP） in global biodiversity hotspots， using correlation analysis， linear mixed-effects model construction， and regression prediction. The results revealed although a significant negative correlation between the number of COVID-19 infections per million population and forest loss area， namely， the pandemic reduced forest loss due to large-scale urban and agricultural expansion， the total forest loss in global biodiversity hotspots continued to rise during the pandemic years （2020 and 2021）， largely due to the indirect acceleration of logging activities in natural and artificial forests. The regression model predicted that the forest loss area in global biodiversity hotspots increased by 5.83% and 21.78% in 2020 and 2021， respectively， during COVID-19 pandemic. Consequently， notwithstandingCOVID-19 pandemics restraining effect on forest loss in biodiversity hotspots， the forest loss area still exhibits an upward trend. The results provide the data supports for developing the protective measures of biodiversity.

Key words： COVID-19， biodiversity， forest， remote sensing， predictive model

生物多樣性與動植物的生存環境密切相關（Vais et al.， 2020）。近年來，由于棲息地減少，全球生物多樣性喪失日漸加劇，因此人類的生存環境受到威脅（Cardinale et al.， 2012; Pereira et al.， 2020）。有研究顯示，由于森林的生物多樣性高于農田、城市、草原等區域，因此常將生物多樣性熱點地區的森林覆蓋面積作為評價生物多樣性破壞程度的重要指標（Gong et al.， 2019; Marín et al.， 2021）。森林作為生物多樣性的重要載體，其面積正在持續減少。來自Global Forest Watch網站（www.globalforestwatch.org）的報告顯示，2019年全球原生林面積減少了2.8%（Chraibi et al.， 2021）。究其原因，一是人類活動，包括森林采伐、濫伐、農業用地侵占等；二是火災、病蟲害等自然災害的發生（Abd Latif et al.， 2015; Rosa et al.， 2021）。

新冠疫情在一定程度上影響了人類的行為習慣和社會規則，如辦公場所、交通方式、消費習慣、貿易方式等的轉變（Askitas et al.， 2020; Baldwin ＆ Tomiura， 2020），原因在于多國政府為了減緩病毒的傳播，采取多種限制人們活動的措施。其中，“居家隔離”政策最為典型，這相當于在全球范圍內進行了1次“禁閉試驗”（Bates et al.， 2020），通過對數據的對比和分析，可以發現人類行為對生態系統的影響，并且可以據此制定相應的生物多樣性保護措施。目前，已有研究利用民眾上傳到科學論壇的數據變化，來評估疫情對區域生物多樣性（Maria Sanchez-Clavijo et al.， 2021）和淡水魚類多樣性的干擾程度（Cooke et al.， 2021）。針對新冠疫情對生物多樣性的影響，雖然有部分學者持樂觀態度（Sills et al.， 2020; Zambrano-Monserrate et al.， 2020），但也有學者相對謹慎（Corlett et al.， 2020）。有研究發現，疫情會加劇生物多樣性的減少（Pinder et al.， 2020; Rahman et al.， 2021）。從新冠疫情對森林影響的角度來研究，Buongiorno （2021）利用GFPMX模型預測了疫情對林產品的影響；Sannigrahi等（2022）分析了森林火災與新冠疫情的關聯；Lugo-Robles等（2021）評估了森林面積與疫情的關系。但是，目前尚未發現對全球范圍內森林覆蓋面積的研究。

基于森林面積與生物多樣性的密切關系和日趨成熟的森林面積遙感觀測手段，本研究重點分析了新冠疫情期間（2020年和2021年，下同）的全球生物多樣性熱點地區的森林損失面積。擬探討：（1）新冠疫情暴發前后，全球生物多樣性熱點地區的森林損失面積是否存在差異；（2）如果存在差異，那么新冠疫情的嚴重程度與森林損失面積是否關聯；（3）如果存在關聯，那么新冠疫情對森林損失面積是否有影響。因此，本文以全球生物多樣性完整性數據為依據，篩選出新冠疫情期間全球生物多樣性熱點地區占國土面積超60%的國家作為研究對象，基于遙感觀測的2001—2021年間的森林損失面積、2020年和2021年的新冠疫情每百萬人口感染數據、國內生產總值（GDP）進行相關性分析和預測，以期了解在全球生物多樣性熱點地區新冠疫情嚴重程度與森林損失面積的關聯情況，分析森林覆蓋率與生物多樣性之間的內在聯系，為制定生物多樣性的保護措施提供數據支撐。

1研究數據與研究方法

1.1 研究數據獲取

依據Hill 等（2019）的研究結果，結合Global Forest Watch網站的“全球生物多樣性完整性”數據，利用Image J軟件篩選出全球生物多樣性熱點地區占國土面積超60%的國家（簡稱為全球生物多樣性熱點國家，下同）作為研究對象。利用Global Forest Watch網站的“森林覆蓋減少”圖層數據，以及森林減少原因數據，以國界為范圍，提取研究對象的年度森林損失面積（Hansen et al.， 2013）和5種原因（大規模農業擴張、中小規模農業占用、人工林和天然林采伐、森林火災損失、城市擴張）導致的年度森林損失面積。在Our World In Data網站（www.ourworldindata.org）提取研究對象的新冠疫情數據，以研究對象在2020年12月31日和2021年12月31日的每百萬病例累積量（Ritchie et al.， 2020），分別作為2020年和2021年單位感染人口數量的數據。在聯合國網站（www.un.org）獲取研究對象在新冠疫情暴發前兩年（2018年和2019年），以及新冠疫情期間的GDP。Global Forest Watch和Our World in Data網站的數據已被多項研究使用，具備高可信度（Curtis et al.， 2018; Cook-Patton et al.， 2020; Tegally et al.， 2022）。

1.2 數據分析方法

在對研究對象的年度森林損失面積進行比較時，為排除各國原有森林面積可能引起的差異，本研究分別對各研究對象在2001—2021年，以及2019—2021年的年度森林損失面積進行歸一化處理。森林損失面積與單位感染人口數量的相關性分析采用Spearman檢測方法。在構建線性混合效應模型時，為使分析數據平衡，本研究選取了疫情前期（2018年和2019年）和疫情期（2020年和2021年）的數據作為數據集。為衡量疫情防控期間研究對象經濟實力對森林損失面積的潛在影響，本研究引入了各國在研究期內的年度GDP。線性混合效應模型以GDP和每百萬病例累積量作為固定效應，國別和年度取樣作為隨機效應，分別對5種原因導致的森林損失面積建模。首先，基于模型擬合結果、新冠疫情嚴重程度與GDP的關聯（Pardhan & Drydakis， 2021）、GDP與森林損失面積的關聯（Wang et al.， 2016）等因素，初步構建線性混合效應結構方程；然后，依據卡方檢驗的顯著性，對結構方程進行優化；最后，確定新冠疫情嚴重程度對年度森林損失面積的影響模型。年度森林損失面積擬合采用公式（1），數據統計分析采用2023年R Core Team的R 4.2.2軟件。其中，線性混合模型主要采用“nlme”包，結構方程主要采用“piecewiseSEM”包，繪圖采用Origin 2019軟件和QGIS 3.28.3軟件。

式中： y表示森林損失面積； x表示年份； y0、A、mu、xc、w為公式系數。

2結果與分析

2.1 2001—2021年森林損失情況

所篩選出的符合條件的國家有53個。新冠疫情暴發后的兩年（2020年和2021年），生物多樣性熱點地區整體的森林損失面積較2019年持續增加，2020年和2021年分別增加了3.66%和12.49%（圖1）。排除了國家間原有森林面積對結果造成的影響后，各國2020年和2021年的平均森林損失面積呈下降趨勢，表明國家間差異較大（圖2）。

2.2 2019—2021年森林損失情況

圖3為各國2019年新冠疫情尚未大規模暴發時，以及新冠疫情暴發后第1年（2020年）和第2年（2021年）的森林損失面積。53個國家的森林損失變動情況可以分為4類：第1類是下降型，即與2019年相比，2020年和2021年的森林損失面積持續下降的國家（圖3：a），共計28個；第2類是先升后降型，即與2019年相比，森林損失面積在2020年上升，而在2021年則下降的國家（圖3：b），共計12個；第3類是無變化型，即森林損失面積在疫情前后無明顯變化趨勢的國家（圖3：c），共計3個；第4類是上升型，即與2019年相比，2020年和2021年的森林損失面積逐年增加的國家（圖3：d），共計10個。

對4類情況涉及的國家數量進行統計，統計結果顯示在新冠疫情暴發的兩年期間，森林損失面積減少的國家占比達到75.47%（下降型和先升后降型的國家數量之和），上升型的國家占比為18.87%（圖4）。由此可見，在新冠疫情暴發的兩年內，全球生物多樣性熱點地區超過四分之三國家的森林損失面積下降，而接近五分之一國家的森林損失面積上升。

對4類情況各國的森林損失面積進行統計，統計結果顯示在新冠疫情暴發的兩年期間，上升型國家的森林損失面積占比達到53.82%，下降型和先升后降型國家分別為26.82%和6.14%，合計達到32.96%（圖5）。這些變化表明新冠疫情期間，上升型國家的森林損失面積所占比例最高。因此，圖4與圖5結果顯示出了相矛盾的變化趨勢。

2.3 新冠疫情嚴重程度與森林損失面積的關聯分析

分別以新冠疫情暴發兩年間、第1年、第2年的生物多樣性熱點國家的森林損失面積與單位感染人口數量（每百萬人口感染數量）進行Spearman相關性分析（圖6）。由圖6可知，疫情暴發兩年間（2020—2021年），單位感染人口數量與森林損失面積呈極顯著負相關。類似的，在疫情暴發第1年（2020年），新冠疫情嚴重程度就顯示出與森林損失面積呈顯著負相關；進入新冠疫情暴發的第2年（2021年），這一趨勢愈加明顯，相關系數從2020年的-0.36（P＜0.01）降低到-0.43（P＜0.01）。

混合效應模型（表1，表2）顯示，新冠疫情期間，單位感染人口數量與城市擴張導致的森林損失面積呈顯著負相關，表明新冠疫情越嚴重，城市擴張占用林地的面積越小。表1和表2還顯示，在新冠疫情前后，城市擴張和商業采伐造成的森林面積減少均會受到GDP的顯著影響。結構方程模型揭示了新冠疫情對森林損失的4條影響路徑（圖7）：（1）每百萬人口感染數量→城市擴張→森林損失;（2）每百萬人口感染數量→GDP→城市擴張→森林損失;（3）每百萬人口感染數量→GDP→大規模農業擴張→森林損失；（4）每百萬人口感染數量→GDP→人工林和天然林采伐→森林損失。

在4條路徑中，新冠疫情的每百萬人口感染數量對森林損失的標準化系數分別為-1.4×10-4（=-0.07×0.002）、0.5×10-4（=0.06×0.41×0.002）、-18.4×10-4［=0.06×（-0.18）×0.17］、39.1×10-4（=0.06×0.21×0.31），對森林損失的總體影響標準化系數為19.8×10-4。

2.4 新冠疫情對森林損失面積影響的估計值

為定量研究新冠疫情對生物多樣性熱點地區森林損失的影響， 采用PsdVoigt 1公式擬合2001—2019年間的森林損失總面積，根據獲得的模型預測新冠疫情若沒有暴發，2020年和2021年的生物多樣性熱點地區森林損失總面積。擬合結果（圖8）顯示，模型的決定系數R2為0.78（P＜0.001）。該模型揭示，在新冠疫情暴發后第1年，森林損失面積較預測值增加了1 069 039.2 hm2，增加幅度為5.83%；在疫情暴發后第2年，損失面積較預測值增加了3 767 853.9 hm2，增加幅度為21.78%。

3討論

新冠疫情暴發前，已有研究觀察到人類經濟活動與森林損失具有密切聯系（Wang et al.， 2016），如商業開發導致全球27%的林地被毀（Curtis et al.， 2018）。本研究也發現了類似現象：新冠疫情暴發前，經濟活動與城市擴張毀林和大規模農業開發毀林之間存在顯著關聯；新冠疫情暴發后，GDP與城市擴張、大規模農業擴張，以及人工林和天然林采伐的關聯仍然顯著。因此，新冠疫情前后，人類經濟活動始終對森林損失面積具有重要影響。

關于新冠疫情與森林面積的關聯，現有研究存在多種觀點。在森林覆蓋面積方面，Lugo-Robles等（2021）發現，森林面積與WHO公布的公共衛生事件暴發頻繁呈顯著正相關，并發現新冠病毒感染率與森林面積存在相似的聯系；而Li等（2022）發現，低收入國家森林覆蓋率與新冠疫情致死率呈負相關。在森林損失面積方面，一些研究發現新冠疫情與毀林面積存在正相關關系（Brancalion et al.， 2020; Rahman et al.， 2021），但也有研究觀察到負相關關系（Yang et al.， 2020）。研究所涉及的時空尺度不一致，可能是前述研究結論各異的原因，如Lugo-Robles等（2021）和Li等（2022）都只考察了一段時期內的平均森林覆蓋面積，而Brancalion等（2020）、Yang等（2020）和Rahman等（2021）的研究區域僅涉及部分國家或地區。

本研究發現，新冠疫情對森林損失面積的影響有兩種表現：一種是新冠疫情導致毀林增加。有研究發現在熱帶地區實施封城措施僅1個月，毀林面積就達到了新冠疫情發生前的2倍（Brancalion et al.， 2020），孟加拉國的研究同樣發現類似現象（Rahman et al.， 2021）。另一種是新冠疫情抑制城市擴張。Yang等（2020）也發現這一現象。對于導致第一種現象的原因，可能與新冠疫情對人類健康及醫療系統的沖擊，以及各國為降低感染率而實行的各類隔離政策有關（Askitas et al.， 2020; Baldwin & Tomiura， 2020）。例如，人類因實施疫情防護與隔離政策增加了林產品的需求，導致大量的人工林和天然林被采伐。對于第二種現象產生的原因，可能源于各國實施的居家隔離政策抑制了經濟發展，進而限制了城市擴張和農業大規模開發，加之野生動物交易的減少，森林及其附屬的生物多樣性得到了保護（Gibbons et al.， 2022）。

在新冠疫情期間，雖然只有10個國家的森林損失面積持續增加，但他們的森林損失面積卻占到總森林損失面積的53.82%，本研究結果表現出了相矛盾的變化趨勢。這種現象可能與各國原有的森林覆蓋面積差異較大有關，也可能與各國的防疫政策不同，以及隨機事件的發生有關。例如，新冠疫情期間印尼的森林砍伐放緩，是由油棕擴張放緩和油價下跌引起的（Gaveau et al.， 2022）。

目前，利用遙感技術獲取大尺度森林損失面積的方法已經較為成熟（Hill et al.， 2019），如Global Forest Watch據此計算了全球森林損失面積（Bovolo & Donoghue， 2017）。但是，也有研究發現遙感產品的分辨率不同以及不同類型的地面干擾情況均會影響森林覆蓋面積的計算，可能導致森林損失面積的空間范圍和變化時間出現估計偏差（Milodowski et al.， 2017）。因此，今后的研究還需要引入不同來源的觀測數據以提高研究精度。此外，還可以將各國的防疫政策、人類行為變化、突發森林災害等因素納入研究疫情影響的模型，以提高模型的估算準確度。本研究采用模型預測的方法評估新冠疫情對森林損失面積的影響，這種方法得到的結果可能摻雜了其他因素的影響作用，增大疫情的效應值。但是，鑒于本研究采用的分析數據和統計方法具有較高的可信度和準確性，研究結果仍然支持下述推論，即采取與“禁閉實驗”類似的措施可以抑制人類活動，以減少森林面積流失，但由于復雜網絡關系的存在，這一措施可能誘發森林面積發生更大規模的損失，反而降低區域的生物多樣性。

4結論

本研究所涉及的國家共計53個，與新冠疫情暴發前相比，新冠疫情暴發后的兩年（2020年和2021年），各國的森林平均損失面積持續降低，但總損失面積持續增加，主要原因在于五分之一森林損失面積持續增加的國家損失面積占總損失量的53.82%。新冠病毒單位感染人口數量與森林損失面積呈極顯著負相關，其中新冠疫情對因城市擴張而導致的森林損失有顯著負效應。新冠疫情對森林損失的影響存在4條路徑，總影響程度與疫情防控期間因城市擴張而導致的森林面積減少的程度相當。基于2001—2019年的森林損失面積建立的回歸模型顯示，新冠疫情期間，2020年和2021年的森林損失總量分別比預測值增加了5.83%和21.78%。綜上表明，新冠疫情對全球生物多樣性熱點地區的森林損失面積存在影響，雖然抑制了一部分人類活動對森林的破壞，但仍然通過復雜網絡關系增加了森林的損失面積。

參考文獻：

ABD LATIF Z， ZAQWAN HM， SAUFI M， et al.， 2015. Deforestation and carbon loss estimation at tropical forest using multispectral remote sensing： case study of Besul Tambahan Permanent Forest Reserve［C］. 4th International Conference on Space Science and Communication （IconSpace）. Langkawi， Malaysia， IEEE： 348-351.

ASKITAS N， TATSIRAMOS K， VERHEYDEN B， 2020. Lockdown strategies， mobility patterns and COVID-19 ［J］. Covid Econ， 23： 263-302.

BALDWIN R， TOMIURA E， 2020. Thinking ahead about the trade impact of COVID-19［J］. Econ Time COVID-19， 59： 59-71.

BATES AE， PRIMACK RB， MORAGA P， et al.， 2020. COVID-19 pandemic and associated lockdown as a “Global Human Confinement Experiment” to investigate biodiversity conservation［J］. Biol Conserv， 248： 108665.

BOVOLO CI， DONOGHUE D NM， 2017. Has regional forest loss been under estimated？［J］. Environ Res Lett， 12（11）： 111003.

BRANCALION PHS， BROADBENT EN， DE-MIGUEL S， et al.， 2020. Emerging threats linking tropical deforestation and the COVID-19 pandemic［J］. Perspect Ecol Conserv， 18（4）： 243-246.

BUONGIORNO J， 2021. GFPMX： A cobweb model of the global forest sector， with an application to the impact of the COVID-19 pandemic［J］. Sustain， 13（10）： 5507.

CARDINALE BJ， DUFFY JE， GONZALEZ A， et al.， 2012. Biodiversity loss and its impact on humanity［J］. Nature， 486（7401）： 59-67.

CHRAIBI E， ARNOLD H， LUQUE S， et al.， 2021. A remote sensing approach to understanding patterns of secondary succession in tropical forest［J］. Rem Sen， 13（11）： 2148.

COOK-PATTON SC， LEAVITT SM， GIBBS D， et al.， 2020. Mapping carbon accumulation potential from global natural forest regrowth［J］. Nature， 585（7826）： 545-550.

COOKE SJ， TWARDEK WM， LYNCH AJ， et al.， 2021. A global perspective on the influence of the COVID-19 pandemic on freshwater fish biodiversity［J］. Biol Conserv， 253（4）： 108932.

CORLETT RT， PRIMACK RB， DEVICTOR V， et al.， 2020. Impacts of the coronavirus pandemic on biodiversity conservation［J］. Biol Conserv， 246（2020）： 108571.

CURTIS PG， SLAY CM， HARRIS NL， et al.， 2018. Classifying drivers of global forest loss［J］. Science， 361（6407）： 1108-1111.

GAVEAU D LA， LOCATELLI B， SALIM MA， et al.， 2022. Slowing deforestation in Indonesia follows declining oil palm expansion and lower oil prices［J］. PLoS ONE， 17（3）： e0266178.

GIBBONS DW， SANDBROOK C， SUTHERLAND WJ， et al.， 2022. The relative importance of COVID-19 pandemic impacts on biodiversity conservation globally［J］. Biol Conserv， 36（1）： e13781.

GONG J， XIE Y， CAO E， et al.， 2019. Integration of InVEST-habitat quality model with landscape pattern indexes to assess mountain plant biodiversity change： a case study of Bailongjiang watershed in Gansu Province［J］. J Geogr Sci， 29（7）： 1193-1210.

HANSEN MC， POTAPOV PV， MOORE R， et al.， 2013. High-resolution global maps of 21st-century forest cover change［J］. Science， 342（6160）： 850-853.

HILL SL， ARNELL A， MANEY C， et al.， 2019. Measuring forest biodiversity status and changes globally［J］. Front For Glob Chang， 2： 70.

LI H， ZHANG G， CAO Y， 2022. Forest area， CO2 emission， and COVID-19 case-fatality rate： a worldwide ecological study using spatial regression analysis［J］. Forests， 13（5）： 736.

LUGO-ROBLES R， GARGES EC， OLSEN CH， et al.， 2021. Identifying nontraditional epidemic disease risk factors associated with major health events from world health organization and world bank open data［J］. Am J Trop Med Hyg， 105（4）： 896-902.

MARIA SANCHEZ-CLAVIJO L， JINETH MARTINEZ-CALLEJAS S， ACEVEDO-CHARRY O， et al.， 2021. Differential reporting of biodiversity in two citizen science platforms during COVID-19 lockdown in Colombia［J］. Biol Conserv， 256： 109077.

MARN AI， ABDUL MD， BASTRUP-BIRK A， et al.， 2021. Mapping forest condition in Europe： methodological developments in support to forest biodiversity assessments［J］. Ecol Indic， 128： 107839.

MILODOWSKI D， MITCHARD E， WILLIAMS M， 2017. Forest loss maps from regional satellite monitoring systematically underestimate deforestation in two rapidly changing parts of the Amazon［J］. Environ Res Lett， 12（9）： 094003.

PARDHAN S， DRYDAKIS N， 2021. Associating the change in new COVID-19 cases to GDP per capita in 38 european countries in the first wave of the pandemic［J］. Front Public Health， 8 （2021）： 582140.

PEREIRA HM， SCHIPPEPER A， ARNETH A， et al.， 2020. Global trends in biodiversity and ecosystem services from 1900 to 2050［J］. BioRxiv， DOI： 10.1101/2020.04.14.031716.

PINDER AC， RAGHAVAN R， BRITTON JR， et al.， 2020. COVID-19 and biodiversity： the paradox of cleaner rivers and elevated extinction risk to iconic fish species［J］. Aquat Conserv， 30（6）： 1061-1062.

R CORE TEAM， 2023. A language and environment for statistical computing ［DB］. R Foundation for Statistical Computing， Vienna， Austria.

RAHMAN MS， ALAM MA， SALEKIN S， et al.， 2021. The COVID-19 pandemic： a threat to forest and wildlife conservation in Bangladesh？［J］. Trees For People， 5： 100119.

RITCHIE H， MATHIEU E， RODS-GUIRAO L， et al.， 2020. Coronavirus pandemic （COVID-19）［DB/OL］. www.our world indata.org/coronavirus.

ROSA MR， BRANCALION PH， CROUZEILLES R， et al.， 2021. Hidden destruction of older forests threatens Brazil’s Atlantic Forest and challenges restoration programs［J］. Sci Adv， 7（4）： eabc4547.

SANNIGRAHI S， PILLA F， MAITI A， et al.， 2022. Examining the status of forest fire emission in 2020 and its connection to COVID-19 incidents in West Coast regions of the United States［J］. Environ Res， 210： 112818.

SILLS J， PEARSON RM， SIEVERS M， et al.， 2020. COVID-19 recovery can benefit biodiversity［J］. Science， 368（6493）： 838-839.

TEAM RC， 2023. R： a language and environment for statistical computing ［CP］.R Foundation for Statistical Computing， Vienna， Austria.

TEGALLY H， SAN JE， COTTEN M， et al.， 2022. The evolving SARS-CoV-2 epidemic in Africa： Insights from rapidly expanding genomic surveillance［J］. Science， 378（6615）： eabq5358.

VAIS AA， VARAKSIN GS， NEZAMOV VI， et al.， 2020. Assessment of key habitats of suburban forests in Krasnoyarsk ［C］. 3rd. International Conference on Agribusiness， Environmental Engineering and Biotechnologies （AGRITECH）. Krasnoyarsk， RUSSIA， 202010.1088/1755-1315/548/7/072008.

WANG JY， XIN LJ， TAN MH， et al.， 2016. Spatial heterogeneity in Chinese forest area change in the early 21st century［J］. Forests， 7（10）： 232.

YANG W， WANG X， ZHANG K， et al.， 2020. COVID-19， urbanization pattern and economic recovery： an analysis of Hubei， China［J］. Int J Environ Res Public Health， 17（24）： 9577.

ZAMBRANO-MONSERRATE MA， RUANO MA， SANCHEZ-ALCALDE L， 2020. Indirect effects of COVID-19 on the environment［J］. Sci Total Environ， 728： 138813.