中国鸟类多样性与气候环境时空相关性分析

Analysis of the Spatiotemporal Correlation between Bird Diversity and Climate Environment in China

摘要: 鸟类多样性变化与气候环境密切相关，量化二者相关性不仅对鸟类保护有指导性意义也对环境治理有建设性意义。研究基于中国观鸟中心各省鸟类物种分布与2020到2023年4年观鸟数据，结合中国陆地生态系统分布图、中国年均气温气象分布数据以及中国省会城市空气质量数据，量化中国鸟类多样性和气候环境的时空相关性。通过建立时空数量分布图，构造鸟类多样性指数，采取spearman相关性分析方法，从宏观表现和微观层面来量化中国鸟类物种丰富度与时空地理位置环境因子的相关性。结果表明宏观表现上，中国鸟类物种丰富度随陆地生态系统分布变化一致，呈现西疏东密的分布格局，且鸟类多样性指数与极端气候密切相关，通常在气候类型丰富，气候变化较为稳定的区域鸟种类以及丰富度均很高。微观层面上，鸟类多样性与PM2.5呈现显著负相关性，随着PM2.5增多，鸟类多样性指数呈现下降趋势。

Abstract: The changes in bird diversity are closely related to climatic and environmental factors. Quantifying the correlation between these factors not only has significant implications for bird conservation but also offers constructive insights for environmental management. This study utilizes data from the China Birdwatching Center, including the distribution of bird species across various provinces and birdwatching data collected over four years (2020 to 2023). It integrates these data with the terrestrial ecosystem distribution map of China, the annual average temperature distribution data, and air quality data from provincial capitals in China to quantify the spatiotemporal correlation between bird diversity and climatic conditions in China. By constructing spatiotemporal distribution maps and developing a bird diversity index, the study employs Spearman correlation analysis to quantify the correlation between bird species richness and spatiotemporal environmental factors at both macro and micro levels. The results indicate that, at the macro level, the richness of bird species in China is consistent with the distribution of terrestrial ecosystems, exhibiting a pattern of lower density in the west and higher density in the east. The bird diversity index shows a strong correlation with extreme climatic conditions, with high species richness and diversity typically observed in regions with diverse climate types and relatively stable climatic conditions. At the micro level, bird diversity is significantly negatively correlated with PM2.5 concentrations, showing a declining trend in the bird diversity index as PM2.5 levels increase.

1. 引言

自中国十一届五中全会以来，国家对环境监测与保护愈加重视，不断加强相关制度建设和污染治理工作。传统的环境监测多侧重于对空气成分及其比重的化学分析，但环境并非一个孤立的化学系统，生活在其中的生物与环境之间的相互作用也会对两者产生深远影响。因此，通过监测物种多样性变化的时空分布规律，我们可以更科学地识别环境变化趋势，从而为环境治理提供切实可行的建议。

鸟类作为生物多样性的指示性群体，拥有丰富的种群组成，且由于其易于观察和广泛的活动范围，成为监测生态环境的理想对象。通过建立鸟类识别监测预警系统，我们可以获取鸟类种群数量及栖息地状况的信息，这不仅对不同地区鸟类种群的监测与保护至关重要，也能从生态共享的角度反映出一个地区的环境质量。

目前，中国已记录鸟类1371种(2304种及亚种)，隶属于24目、101科、439属，占全球已记录鸟类9993种的13.7% [1]。从生物地理的角度来看，中国兼具古北界和东洋界的特征，且地形多样，涵盖广阔平原、低洼盆地及壮丽高原，为开展鸟类多样性与气候环境的相关性分析提供了良好基础。

通过在不同地区建立观测站，中国已获取大量关于鸟类种群数量变化的数据。利用历史鸟类观测数据与气候数据的相关性分析，我们可以深入探讨鸟类多样性与气候环境之间的双向关系。最终，将鸟类多样性作为一个重要的环境因子，有助于更快速地了解中国地区的气候变化，并针对极端气候采取相应的应对措施。

2. 研究现状

当前，中国在鸟类多样性与气候环境相关性方面的研究多停留在将鸟类丰富度与气候环境变化分开研究的阶段。从2000年至2024年，关于鸟类的研究报告已有4万余篇，其中近80%的研究集中于对中国特定地区的鸟类多样性进行调查分析[2]-[10]。尽管这些研究为各地区鸟类丰富度和栖息环境的了解积累了丰富的数据和经验，但仍存在以下几个问题：1) 研究空间尺度局限性：现有研究多集中于自然保护区或特定城市的某一小区域[7]-[9]，难以在宏观尺度上把握中国鸟类多样性的整体变化格局。2) 研究对象的局限性[3] [4]：由于研究受到环境空间的限制，大多集中在常见鸟种类的观测与分析，而对珍稀和濒危鸟类的研究尚显不足。3) 研究时间与数据局限[5] [10]：大多数研究依赖于项目期间的人为观测，数据往往分散且缺乏统一性，难以充分反映一个地区长期的鸟类种群变化趋势。

少部分研究[1] [10]从宏观层面对中国气候、鸟类物种丰富度及其地理分布三者之间的关系进行了探索，但主要集中在降水、气温和气压等气候因子上，对于空气成分等微观层面的因素与鸟类的相关性研究较少[1]。

基于上述现状，本研究致力于在大尺度空间范围内，结合时空发展趋势[1]，基于官方历史数据构建鸟类多样性指数，对中国鸟类种群分布与气候环境及空气质量进行相关性分析，探讨鸟类多样性变化与环境变化之间的双向关系。研究内容分为以下三个板块：1. 中国鸟类种群数量分布与中国陆地生态系统空间分析。2. 中国鸟类多样性与空气质量相关性分析。3. 中国鸟类多样性与气候的空间变化分析。

3. 中国鸟类种群数量分布与中国陆地生态系统空间分析

3.1. 数据说明

¹资源环境科学数据平台https://www.resdc.cn/。

本研究依据中国观鸟年报得到33个省(除台湾省)的鸟名录总数，从资源环境科学与数据平台¹下载中国2020年生态系统类型空间分布数据，该数据是以美国陆地卫星landsat遥感影像作为主要信息源，经过分类处理形成的。数据包括农田、森林、草地、水体和湿地、聚落黄脓以及其他生态系统共七大生态系统。

3.2. 数据处理与分析

通过ArcGIS对两类数据进行综合性描述，我们得到中国陆地生态系统鸟类数量空间图。

注：地图边界数据源自国家基础地理信息网站，生态系统类型空间分布数据源自资源环境科学与数据平台。

Figure 1. Patial distribution map of bird populations in terrestrial ecosystems of China

图1. 中国陆地生态系统鸟类数量空间图

通过图1综合地理，气候类型中国大陆生态系统，我们划定一条生态系统分界线，即为图1中的红线。红线以西多是草地荒漠生态系统，红线以东多是森林农田生态系统，鸟种类分布呈现出西疏东密的情况。一方面是由于各省份集中在红线以西所以鸟种类更加密集地分布在红线东侧。另一方面是由于森林生态环境结构错落，满足不同鸟类栖息环境的生态学需求，即一片森林多层次的垂直结构利于各种鸟类栖息，而农田生态系统为鸟类提供食物，能够帮助其更好生存与繁衍。还有一方面是从整个生态系统复杂性而言，森林生态系统与农田生态系统复杂性强，物种丰富，形成的食物链复杂更有利于鸟类生存。

为深入分析各地区鸟类种类的分布情况，我们将去除占地面积的影响，通过各省级行政区的鸟种类数量与其占地面积计算单位面积鸟种数，从而更精确地反映各地区鸟类的多样性情况。

如表1所示，从单位面积鸟种数分析澳门的单位面积鸟种数最高，达到23123.12，尽管其总鸟种数为77，这表明其鸟类多样性在极小的土地面积上非常丰富。从区域鸟种分布情况来看香港和上海市的鸟种数分别为393和455，但它们的单位面积鸟种数相对较高，显示出城市化地区也能保持较高的鸟类多样性。其可能原因是香港、上海位于沿海地区，应考虑垂直空间的鸟类观测与数量，以及迁徙类鸟群的路径分析。从高鸟种数与低单位面积鸟种数的关系分析，尽管四川省鸟种数693，但其单位面积鸟种数仅为14.26，表明在较大的面积上，鸟类的分布较为分散。

Table 1. Number of bird species in each provincial-level administrative region

表1. 各省级行政区鸟类种数以及单位面积鸟类种数

省级行政区	鸟种数	占地面积10 K (km^2)	单位面积 鸟种数	省级行政区	鸟种数	占地面积10 K (km^2)	单位面积 鸟种数
澳门	77	0.00333	23123.12	辽宁省	402	14.87	27.03
香港	393	0.111457	3526.02	广西	626	23.76	26.35
上海市	455	0.63405	717.61	贵州省	459	17.6167	26.05
天津市	363	1.196645	303.35	山西省	392	15.67	25.02
北京市	453	1.641054	276.04	陕西省	485	20.5624	23.59
海南省	429	3.54	121.19	云南省	902	39.41	22.89
重庆市	476	8.2402	57.77	湖南省	483	21.18	22.80
浙江省	535	10.55	50.71	河北省	421	18.88	22.30
宁夏	336	6.64	50.60	吉林省	325	18.74	17.34
江苏省	467	10.72	43.56	四川省	693	48.6	14.26
福建省	515	12.4	41.53	甘肃省	477	42.58	11.20
广东省	547	17.98	30.42	黑龙江省	281	47.3	5.94
安徽省	411	14.01	29.34	青海省	425	72.23	5.88
山东省	455	15.81	28.78	西藏	582	120.28	4.84
湖北省	532	18.59	28.62	内蒙古	414	118.3	3.50
河南省	471	16.7	28.20	新疆	433	166.49	2.60
江西省	453	16.69	27.14

总体趋势来看东部沿海地区(如广东、福建、浙江)普遍具有较高的鸟种数和适中的单位面积鸟种数，显示出该地区的生态环境较为适合鸟类生存。西部地区(如新疆、西藏)尽管占地面积大，但鸟类多样性较低，可能与生态环境、气候等因素密切相关。

4. 鸟类多样性与气候环境相关性分析

4.1. 数据准备

我们拟获取地区监测鸟类种群与数量变化数据，由于目前智慧观鸟网络尚未形成，各地区保护区观测数据并不公开，因此我们依据观鸟年报2020到2023年4年数据得到34个省的鸟类多样性指标。空气环境数据根据环境数据通过各省会城市环境监测的官方网址得到34个省会城市在2020年到2023年的空气质量数据。

1) 鸟类多样性指数：

$IAD{I}_A=\frac{R_{YY}^A\times R_{TYY}^A}{BW{A}_A}$ (1)

其中$R_{YY}^A$ 指A行政区yy年度鸟种指数，$R_{TYY}^A$ 指A行政区yy年度珍稀濒危鸟种指数。

这两个数据均通过观鸟记录中心记录计算得到。

$BW{E}_A$ 为鸟类观察活动得活跃程度，计算方法如下：

$BW{E}_A=\sqrt{\left(\frac{{\text{Rep}}_{\text{A\_mean}}}{{\text{Rep}}_{\text{mean\_max}}}\right)\times count{y}_A}$ (2)

其中${\text{Rep}}_{\text{A\_mean}}$ 指A省鸟类观察者5年人均发表记录数，${\text{Rep}}_{\text{mean\_max}}$ 指各省区鸟类观察者5年人均发表记录数最高值。$count{y}_A$ 指鸟类观察记录在A省得县区覆盖率。

观鸟中心得数据是依据观鸟爱好者上传得到得数据因此具有一定的主观性，有的地区观鸟活动少，观鸟爱好者少因此在设计鸟类多样性指标时综合了观鸟活跃度指数BWE，但当BWE过低时得到的IADI反而会偏大，因此我们对IADI进行如下变换：

$IAD{I}_A=\frac{R_{YY}^A\times R_{TYY}^A}{\sqrt{BW{A}_A}}$ (3)

我们采用SPSS对数据变换以后得到的IADI如图2所示：

Figure 2. Comparison of IADI data before and after changes

图2. IADI数据变化前后对比

绿色代表原始数据，红色代表变换以后的数据，相比较原始数据，变换以后的数据相对位置关系并未改变，但是数据更加集中异常值较少，这表明当一个地区的鸟类观测活跃度指数$BW{E}_A$ 相对比较小时不会引起鸟类活跃度的异常增大，这将有利于后续相关性分析。

2) 空气质量数据处理：

我们获取到每个行政区的省会城市2020年到2023年4年每一天中的空气质量数据，其中包括PM10，PM2.5，SO₂，O₃，NO₂，CO的含量数据。首先观察数据分布，由于数据大部分均在一个带状区域内波动，因此将不同指标全年数据的平均值作为该年代表数据，对数据进行降维。

4.2. 方法与结果分析

4.2.1. 矩阵散点图的线性分析

我们将处理好的2020到2023年4年的数据绘制出二维矩阵散点图，如图3所示，各方块表示两种相关物质的变化散点图，而方块内的直线则代表这两种物质的线性回归拟合曲线。图像结果表明IADI各环境因子并没有明显的趋势性，并且检验系数R²均小于0.1，表明各环境因子并没有明显的线性相关性。但环境因子PM10、PM2.5、NO₂有着强烈的相关性，检验系数R²均大于0.6。结合实际环境分析机动车尾气是PM10、PM2.5、NO₂的重要来源之一。汽车发动机燃烧会产生大量的颗粒物(PM10, PM2.5)和氮氧化物(如NO₂)，因此这些污染物往往在交通繁忙的地区同时出现，形成高相关性。

Figure 3. Correlation matrix scatter plot

图3. 相关性矩阵散点图

4.2.2. Spearman相关性分析

由于图示表明鸟类多样性指数IADI环境因子无明显线性关系，为量化鸟类多样性指数与环境因子之间是否存在趋势性，我们采取Sperman相关性分析。Spearman相关性分析用于测量两个变量之间的单调关系，且对数据分布无要求。在此背景下能较好地量化IADI与环境因子的趋势性。

Spearman相关性分析是秩相关的一种非参数度量，其计算方法如下

$\rho =\frac{\frac{1}{n}{\displaystyle \sum _{i=1}^n\left(R\left(x_i\right)-\overline{R\left(x\right)}\right)\cdot \left(R\left(y_i\right)-\overline{R\left(y\right)}\right)}}{\sqrt{\frac{1}{n}{\displaystyle \sum _{i=1}^n{\left(R\left(x_i\right)-\overline{R\left(x\right)}\right)}^2}\cdot \frac{1}{n}{\displaystyle \sum _{i=1}^n{\left(R\left(y_i\right)-\overline{R\left(y\right)}\right)}^2}}}$

其中，$R\left(x\right)$ 与$R\left(y\right)$ 表示两个变量的位次，$\overline{R\left(x\right)}$ 与$\overline{R\left(y\right)}$ 表示两个变量的平均位次。由计算方法可知Spearman相关性分析并不定量给出两个变量的相关性，而是对其位次排序进行相关性分析，研究单调性变化趋势。

通过SPSS软件对2020年到2023年4年数据进行Spearman相关性分析，得到表2结果。

Table 2. Spearman’s rank correlation coefficient

表2. Spearman相关性系数

指标	IADI	PM2.5	PM10	O3	SO2	NO2	CO
IADI	1	−0.080*	0.103**	0.056	0.145**	−0.109**	−0.109**
PM2.5		1	0.774**	0.253**	0.354**	0.734**	0.617**
PM10			1	0.321**	0.477**	0.726**	0.598**
O3				1	−0.081*	0.094*	0.01
SO2					1	0.342**	0.598**
NO2						1	0.722**
CO							1

注：在0.05级别(双尾)相关性显著，标记为“*”；在0.01级别(双尾)相关性显著，标记为“**”。

如表2所示，统计结果表明PM2.5和IADI之间存在显著的负相关关系，相关系数为−0.08 (在0.05显著性水平上显著，p = 0.036)。这说明在PM2.5浓度较高的区域，鸟类丰富度指数可能相对较低，可能因为PM2.5对鸟类的生存产生了不利影响。

但PM10和IADI之间存在显著正相关关系，相关系数为0.103 (在0.01显著性水平上显著，p = 0.007)。尽管这与一般观点中空气污染对生物多样性产生负面影响的认知有所不同，但可能反映了特定区域的某些环境特征。需要进行更加深入的研究与详细数据支撑。SO₂与IADI存在正相关关系，相关系数0.145 (在0.01显著性水平上显著)。可能暗示在特定区域，SO浓度较高并未对鸟类产生负面影响，或存在其他共存环境因素。NO₂与CO均和IADI存在显著的负相关关系，相关系数为−0.109 (在0.01显著性水平上显著，p = 0.004)。这表明在NO₂与CO浓度较高的区域，鸟类丰富度可能较低。O₃与IADI无显著相关性，相关系数为0.056 (p = 0.144)。

综合上述分析，鸟类多样性与PM2.5存在显著负相关，与PM10和SO₂存在正相关性。

5. 鸟类分布与气候变迁

5.1. 数据说明

鸟类活跃度指数根据第二小节鸟类多样性与气候环境相关性分析中变换得到。并通过哥白尼气候数据库(C3S, Copernicus Climate Change Service)获取ERA5数据集中2020年到2023年的中国地区气候温度数据。ERA5是ECMWF (欧洲中期天气预报中心)对1950年1月至今全球气候的第五代大气再分析数据集²。是由ECMWF的哥白尼气候变化服务(C3S)生产。ERA5提供了大量大气、陆地和海洋气候变量的每小时估计值。这些数据覆盖了30公里网格上的地球。

5.2. 方法与结果分析

我们采用ArcGIS将鸟类活跃度指数在时空上的变化趋势通过空间地理图像可视化，并绘制出对应年份的气温变化图。如图4(a)所示，从鸟种指数的时空变化图像来看，单个地区在四年间的鸟类活跃度指数在2020年普遍偏低，尤其是在东北方及安徽、海南地区出现极低的情况。

²C3S, Copernicus Climate Change Service, https://cds.climate.copernicus.eu/datasets.

查阅2020年相关新闻和文献发现，2020年安徽全省平均气温为16.6摄氏度，为1961年以来的第三高，年降水量为1961年以来第二多，超长的梅雨季节引发了多地灾害。黑龙江省气候公报显示，该年度共发生9次极端气候事件，包括6月降水极多，为历史同期第二多，8月、9月和11月等季节降水均高于历史同期。同样，海南省在2020年经历了极端高温，气温一度达到41.5摄氏度。这些极端气候现象与鸟类活动指数密切相关。

注：地图边界及中国省级行政区划分数据源自国家基础地理信息网站，气象数据源自哥白尼气候数据库。

Figure 4. (a) 2020~2023 Map of Bird Activity Index by Province; (b) Annual average temperature map of China in 2020; (c) Annual average temperature map of China in 2021; (d) Annual average temperature map of China in 2022; (e) Annual average temperature map of China in 2023

图4. (a) 2020~2023各省鸟类活跃度指数图；(b) 2020年中国年均温气象图；(c) 2021年中国年均温气象图；(d) 2022年中国年均温气象图；(e) 2022年中国年均温气象图

从2021年至2023年，各地区鸟类活动指数的变化幅度不大，但部分地区呈现出逐年上涨的趋势。分析表明，自“十一五”以来，国家高度重视环境保护战略，为净化绿水青山、构建人与自然和谐共生的现代化，采取了一系列有效措施。截至2023年，已经取得了一定进展：全国地级及以上城市PM2.5平均浓度较2019年下降了16.7%。在第二部分的环境分析中，我们得出鸟类多样性指数与PM2.5呈显著负相关的结论，这一现实改善进一步验证了我们研究结论的有效性。

进一步结合中国2020年至2023年的年均气温气象图(如图4中的图b、图c、图d和图e)，可以看到四幅图中，内陆及新疆、西藏等地的气温变化幅度并不明显。这是因为年均气温平均了极端气候对各地区的影响，而内陆地区的极端气候多由降水引起，因此年均气温较为平稳。然而，沿海地区和东北方的气温变化显著，尤其是在2020和2021年，沿海地区高温带有所扩散。

再观察鸟类活跃度指数图(如图4(a))，发现东北地区的鸟类多样性高于沿海地区，而沿海地区又高于内陆地区。需要特别关注的是云南省与四川省，图中黑线两侧气温出现了断崖式的变化。根据相关地理知识，这一区域正是横断山脉所在位置。横断山脉位于中国西南地区，阻挡了来自印度洋的西南暖湿气流，使其难以深入青藏高原内部，从而导致横断山脉东侧(如四川盆地)湿润多雨，而西侧则相对干燥。

另一方面，横断山脉的复杂地形对当地气温起到调节作用，高海拔地区的气温较低，形成了多样化的气候类型，有利于生物多样性的维持。因此可以解释在第二节中各省级行政区鸟种数量中，云南省数量最多，其次为四川省的原因。两省气候冷热兼具，雨水丰沛，地形复杂，形成了复杂而丰富的生态系统，故鸟种类数量多。

6. 总结

6.1. 实验结论总结

(一) 研究结论

本研究通过三阶段分析，系统探讨了中国鸟类种群分布与生态系统、环境因子的相关性。

从分布格局与生态系统方面来看，中国鸟类种群分布呈现“西稀东密”的格局，与生态系统类型密切相关。草地和荒漠生态系统为主的西部鸟类稀少，森林和农田生态系统为主的东部鸟类资源丰富。沿海地区鸟类多样性可能与垂直空间结构有关。

环境因子相关性方面，鸟类多样性指数与PM2.5和NO₂显著负相关。大气污染因子之间(如PM10，PM2.5，NO₂)线性相关性强，表明其污染源相似(如机动车尾气)。

鸟类多样性指数在极端气候频发年份(如2020年)显著降低，说明其可作为气候变化的敏感指标，为生态监测和环境管理提供科学依据。

(二) 研究创新与局限

创新点：本研究从多尺度(宏观与微观)和跨领域(生态与气候)角度系统分析了中国鸟类分布及其与环境因子的关系；首次结合鸟类活跃度指数与极端气候事件分析鸟类多样性，揭示其与生态环境的动态关系。

局限性：观测数据覆盖不均，对未记录区域的分布尚需进一步研究。

展望：未来应结合遥感技术和大数据分析，完善监测区域，深化鸟类多样性与气候因子的动态关系研究。

6.2. 环境保护建议

加强森林和湿地保护，鉴于鸟类多样性在东部森林和农田生态系统较高，应加强对这些地区的森林和湿地的保护与修复，防止栖息地的破坏和减少人类活动对鸟类栖息地的干扰。

减少大气污染，鸟类多样性与大气中的PM2.5呈显著负相关，因此需要进一步减少工业、交通等来源的大气污染，尤其是对鸟类生存影响较大的污染物，改善空气质量，保障鸟类的生存环境。

实施生态廊道建设，西部地区由于生态系统较为单一，鸟类多样性相对较低，建议在西部和东部生态系统之间建设生态廊道，促进生物多样性的交流与扩散，为鸟类提供更多迁徙和繁殖的机会。

监测与应对极端气候事件，鉴于鸟类多样性与极端气候事件密切相关，应建立完善的气象监测与预警系统，定期监测鸟类种群的变化，及时采取保护措施，以应对由极端天气带来的生存威胁。

加强公众环保意识教育，广泛开展环境保护宣传教育，增强公众对鸟类及其栖息环境的认识，鼓励公众参与鸟类多样性保护，倡导绿色生活方式，减少对生态系统的破坏。

持科研与保护项目，目前中国对于鸟类多样性的监测多是人为监测，尚未形成鸟类智慧监测系统网络，可加大对鸟类多样性研究与保护项目的支持，鼓励科学研究与数据收集，加强对鸟类分布、栖息地需求以及环境因子影响的研究，为制定科学有效的保护策略提供数据支撑。

基金项目

成都信息工程大学2023年国家级大学生创新创业项目(编号：20231062035)。

NOTES

^*通讯作者。