高 偉,李欣悅,張 遠,陳 巖

1 廣東工業(yè)大學環(huán)境生態(tài)工程研究院,大灣區(qū)城市環(huán)境安全與綠色發(fā)展教育部重點實驗室,廣州 510006

2 云南大學生態(tài)與環(huán)境學院,云南省高原山地生態(tài)與退化環(huán)境修復重點實驗室,昆明 650091

3 生態(tài)環(huán)境部環(huán)境規(guī)劃院,國家環(huán)境保護環(huán)境規(guī)劃與政策模擬重點實驗室,北京 100012

長江流域是我國重要的經(jīng)濟增長和生態(tài)保護區(qū),其生態(tài)系統(tǒng)服務的變化和發(fā)展趨勢對我國生態(tài)經(jīng)濟可持續(xù)發(fā)展具有重要意義。隨著長江流域城市化進程的不斷推進,流域建設用地不斷擴張,土地利用結(jié)構(gòu)發(fā)生了顯著變化[1],影響了流域生態(tài)系統(tǒng)結(jié)構(gòu)和功能[2—3]。生態(tài)系統(tǒng)服務是指通過生態(tài)系統(tǒng)的結(jié)構(gòu)、功能和過程所間接地提供生命支持和服務[4],也可認為是生態(tài)系統(tǒng)與生態(tài)過程所賴以生存的自然環(huán)境與效用[5],前者涵蓋的對象更加廣泛,包含自然環(huán)境和社會環(huán)境,而后者主要側(cè)重于服務自然環(huán)境本身。Costanza等認為生態(tài)系統(tǒng)服務價值(ecosystem service values,ESV)是以貨幣形式評估生態(tài)系統(tǒng)提供維持人類賴以生存的環(huán)境和商品服務能力,并且最先在全球范圍內(nèi)對ESV進行定量估算[4],成為全球生態(tài)系統(tǒng)服務價值評估研究的重要里程碑。生態(tài)系統(tǒng)服務的貨幣化是衡量生態(tài)系統(tǒng)對經(jīng)濟社會發(fā)展支撐能力的有效方法,定量評估ESV歷史變化并預測未來趨勢已經(jīng)成為生態(tài)系統(tǒng)服務研究的基礎。目前,ESV的估算方法主要有基于單位服務功能價格的方法和基于單位面積價值當量因子的方法兩種。功能價格法即基于生態(tài)系統(tǒng)服務功能量和功能量的單位價格得到總價格[6]。當量因子法是在不同生態(tài)系統(tǒng)服務功能類型的基礎上,構(gòu)建各類生態(tài)系統(tǒng)各種服務的價值當量,結(jié)合各生態(tài)系統(tǒng)的分布面積進行計算[4]。相對于功能價格法,當量因子法的數(shù)據(jù)要求與計算過程更為簡便,是目前ESV計算的主流方法。同時,謝高地等根據(jù)中國實際情況修正了計算系數(shù),建立了“中國陸地生態(tài)系統(tǒng)服務價值當量因子表”,廣泛應用于多個研究中[7]。此外,考慮當量因子的區(qū)域差異,相關研究對當量因子進行了修正,如凈初級生產(chǎn)力修正[8]、CPI指數(shù)修正[9]和糧食產(chǎn)量凈利潤修正[10]等。

ESV的變化主要受土地利用變化的影響[11],要對ESV進行有效預測,則需要對土地利用變化進行準確的模擬預測[10]。土地利用變化模擬預測主要的模型包括灰色預測模型(GM)[12]、系統(tǒng)動力學模型[13]、CLUE-S模型[14]、CA-Markov模型[15]和FLUS模型[13]等?；疑A測模型的優(yōu)點是需要的數(shù)據(jù)較少,計算便捷且精度較高[16],但灰色預測模型需要時間序列數(shù)據(jù),且無法得到土地利用的空間分布信息。系統(tǒng)動力學一般利用流圖、因果關系圖和結(jié)構(gòu)框架圖來建立模型,模擬政策驅(qū)動力對土地利用變化的影響[17]。但是,以上兩種模型無法體現(xiàn)空間分布特征,而CLUE-S和元胞自動機(CA)模型則能夠模擬土地利用分布格局,具有良好空間拓展性,但由于CA模型轉(zhuǎn)換規(guī)則構(gòu)建難度大且變化數(shù)量無法精確模擬,所以常常與Markov鏈耦合[18]。FLUS模型出現(xiàn)較晚,在對傳統(tǒng)的CA模型進行改進的基礎上,引入了自適應慣性系數(shù)和輪盤競爭機制,其模擬精度高于CA等模型[19]。該模型不但能同時模擬多種土地利用類型的變化,而且能反映真實土地利用變化中的不確定性以及能模擬跳躍式土地利用變化情形[20],被廣泛應用于土地利用模擬預測研究中[13,19—20]。近年來,生態(tài)系統(tǒng)服務價值驅(qū)動因素方面的研究逐漸深入,除了自然因素外,人文因素的影響逐漸被重視,徐煖銀等分析人均GDP、人口密度和城市化率等10個人文因素對贛南地區(qū)ESV的驅(qū)動影響,得出社會經(jīng)濟因素與ESV變化率在空間分布上具有極顯著的相關性[21]。此外,ESV研究也擴展到區(qū)域生態(tài)安全領域,李俊翰和高明秀分析了ESV和生態(tài)風險指數(shù)的變化特征和時空關聯(lián)性[22]。然而,當前ESV研究多是針對單一或離散幾期的土地利用,在識別ESV變化趨勢上存在較大的不確定性,難以獲得ESV時間變化的精細特征。

基于1992—2018年共27年的逐年土地利用數(shù)據(jù),構(gòu)建修正系數(shù)的當量因子法,分析長江流域生態(tài)系統(tǒng)服務價值在年度尺度上的時空變化特征,識別流域ESV的精細演變軌跡;結(jié)合土地利用變化驅(qū)動特征,選擇FLUS模型和Markov模型進行對流域2030年土地利用變化進行模擬預測分析,得到長江流域生態(tài)系統(tǒng)服務價值的變化趨勢,研究結(jié)果以期對長江流域的生態(tài)經(jīng)濟可持續(xù)發(fā)展提供決策支撐。

1 材料與方法

1.1 研究區(qū)概況

長江是我國最長的河流,干流全長6393 km,流域面積178萬km2。流域范圍涉及17個省級行政單元,共134個地級單元(圖1)。80%的流域面積集中在四川省、湖南省、湖北省等7個地區(qū)。2018年常住人口4.61億,占全國32%。地區(qū)生產(chǎn)總值為32.37萬億元(當年價),占全國總量的35%,三次產(chǎn)業(yè)結(jié)構(gòu)為7∶44∶49。人均GDP達到7.0萬元/人,高于同期全國平均水平,是我國經(jīng)濟增長的核心區(qū)域之一。長江作為我國水量最豐沛的河流,具有豐富的水產(chǎn)、林木、礦產(chǎn)資源和生物多樣性資源,發(fā)揮著極其重要的生態(tài)系統(tǒng)服務功能。隨著經(jīng)濟社會的持續(xù)發(fā)展,流域城市化水平不斷提高,土地利用發(fā)生了顯著變化[1],對多種生態(tài)系統(tǒng)服務造成了影響[2]。

圖1 長江流域主要地理區(qū)域Fig.1 Areas of interest in the Yangtze River basin

1.2 基于修正因子的生態(tài)系統(tǒng)服務價值計算模型

在目前主要的兩種生態(tài)系統(tǒng)服務價值估算方法中,基于單位面積價值當量因子的方法因計算便捷而被廣泛使用,考慮通用性,本研究采用該方法計算長江流域生態(tài)系統(tǒng)服務價值,其計算公式如下:

(1)

(2)

(3)

式中,ESV為生態(tài)系統(tǒng)服務價值(元);Ak為第k類土地利用類型面積(hm2);VCk為第k類土地利用類型的生態(tài)服務價值系數(shù)(元/hm2);n為土地利用類型的總量;VCfk為第k類土地利用類型的第f項服務功能價值系數(shù)(元/hm2);m為某土地利用的生態(tài)系統(tǒng)服務功能類型的總量;YNPP和GNPP分別為長江流域和全球平均NPP(g C/hm2);ER為2007年人民幣對美元匯率,為7.604,來源于中國統(tǒng)計年鑒2019;PRC為2007—2018年的可比價格折算系數(shù),根據(jù)中國居民消費價格指數(shù)計算,數(shù)據(jù)來源于中國統(tǒng)計年鑒2019;ZVCfk為第k類土地利用類型的第f項服務功能價值系數(shù)(元/hm2),本文引用的是Costanza等2014年更新的全球生態(tài)系統(tǒng)服務價值系數(shù)表[23],并結(jié)合中國貨幣匯率和居民消費價格指數(shù)將該表的系數(shù)折算為2018年中國的可比價格。由于該表是在全球的平均狀態(tài)下得到的,而生態(tài)系統(tǒng)的服務功能與其所處的地理位置、生物多樣性和自然環(huán)境相關[8],具有明顯的空間異質(zhì)性。為了使生態(tài)系統(tǒng)服務價值系數(shù)能有效地衡量研究區(qū)域的生態(tài)系統(tǒng)服務價值,本文采用凈初級生產(chǎn)力對單位面積ESV進行修正,長江流域和全球的凈初級生產(chǎn)力數(shù)據(jù)來源于文獻[24—25],最終得到適用于長江流域的生態(tài)系統(tǒng)服務價值系數(shù)表(表1)。

表1 長江流域土地利用類型的生態(tài)系統(tǒng)服務價值系數(shù)/(元/hm2)Table 1 Ecosystem service value coefficient of land use types in the Yangtze River Basin

1.3 基于FLUS-Markov的土地利用預測模型

FLUS模型是在傳統(tǒng)元胞自動機模型(CA)的基礎上進行改進,整合了人工神經(jīng)網(wǎng)絡算法和輪盤賭選擇的自適應慣性競爭機制,是一種用于模擬人類活動與自然影響下的土地利用變化以及未來土地利用情景的模型。FLUS模型采用神經(jīng)網(wǎng)絡算法結(jié)合基準期土地利用數(shù)據(jù)與多種驅(qū)動因子計算得到各種土地利用類型在研究范圍內(nèi)的適宜性概率。在此過程中,FLUS模型的采樣方式減少了誤差傳遞,具有較高的準確性。其次,基于自適應慣性機制包括了鄰域影響因子、慣性系數(shù)和轉(zhuǎn)換成本[26],與適宜性概率結(jié)合得到元胞轉(zhuǎn)換的總體概率。最后,利用輪盤賭確定元胞是否發(fā)生用地類型的轉(zhuǎn)換,從而實現(xiàn)土地利用變化的模擬[20]。FLUS模型能反映實際土地利用變化中的不確定性和復雜性,具有較高的模擬精度。

基于神經(jīng)網(wǎng)絡的適宜性概率模塊根據(jù)用戶輸入的自然、經(jīng)濟和交通區(qū)位方面的驅(qū)動因子數(shù)據(jù),整合計算得到研究區(qū)域內(nèi)每種土地利用類型在每個像元上的出現(xiàn)概率。具體的適宜性概率計算公式見文獻[27]。自適應慣性競爭機制的核心為自適應慣性系數(shù),它是由當前各種土地利用類型的實際數(shù)量與土地利用需求之間的差異決定的,再在迭代中不斷調(diào)整[19],自適應慣性系數(shù)計算見文獻[20]。

元胞自動機模塊需要用戶預設各土地利用類型變化數(shù)量的目標,該目標會在一定程度上影響模擬結(jié)果[27]。本文采用馬爾科夫鏈(Markov Chain)預測土地利用變化數(shù)量,計算公式如下:

Si+1=Pij×St

(4)

式中,St和Si+1分別表示t時刻和t+1時刻土地的狀態(tài);Pij表示在t時刻用地類型發(fā)生轉(zhuǎn)變的概率。本研究以2006年和2018年為兩個預測基準期,預測2030年長江流域7類土地利用的數(shù)量。

1.4 數(shù)據(jù)來源

本研究所采用的數(shù)據(jù)包括土地利用歷史數(shù)據(jù)和土地利用預測數(shù)據(jù)等兩類。其中土地利用歷史數(shù)據(jù)為1992—2018年逐年土地利用矢量數(shù)據(jù),空間分辨率為300m,數(shù)據(jù)來源于歐洲航天局(https://www.esa-landcover-cci.org/?q=node/164),該數(shù)據(jù)源將土地利用分為22類,總體精度達到75.4%,在耕地、林地和建設用地等亞類中的用戶精度超過80%。為便于分析比較,本研究參照中國科學院資源環(huán)境數(shù)據(jù)中心土地利用分類系統(tǒng),將其重分為耕地、林地、草地、水域、建設用地、未利用地和冰川等7種類型。土地利用預測數(shù)據(jù)主要包括土地利用變化驅(qū)動力數(shù)據(jù)和限制區(qū)域數(shù)據(jù)。考慮數(shù)據(jù)可得性和土地利用變化的一般驅(qū)動因子[21, 28—29],本文選取了自然、經(jīng)濟、交通區(qū)位方面的9項驅(qū)動因子(圖2)。其中DEM高程數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/),坡度和各類距離數(shù)據(jù)是采用ArcGIS空間計算獲得。人口、經(jīng)濟和行政單元矢量數(shù)據(jù)來自于資源環(huán)境科學與數(shù)據(jù)中心(http://www.resdc.cn/Default.aspx)。此外,一些特定用途的土地類型如國家公園一般不發(fā)生土地利用轉(zhuǎn)化,本研究選取自然保護區(qū)、湖泊與水庫等為限制轉(zhuǎn)化區(qū)域(圖1),數(shù)據(jù)來源于國家青藏高原科學數(shù)據(jù)中心(https://data.tpdc.ac.cn/zh-hans/)和IUCN(https://www.iucn.org/)等。

圖2 土地利用變化的驅(qū)動因子Fig.2 Driving factors of land use change

2 結(jié)果與討論

2.1 1992—2018年ESV時空演變特征

長江流域1992—2018年逐年ESV呈現(xiàn)上升趨勢(圖3),從1992的10.95萬億元,增長到2018年的11.68萬億元,年均增長297億元,占多年平均ESV的2.6‰。2018年ESV占流域國內(nèi)生產(chǎn)總值的36.1%。值得注意的是,建設用地的服務價值對長江流域ESV核算有顯著影響。如果不考慮建設用地,1992—2018年的ESV總量和變化趨勢均發(fā)生改變。總量上,ESV將下降2.1%—8.6%。在變化趨勢上,流域的ESV將表現(xiàn)為以2004年為轉(zhuǎn)折點的先上升后下降的階段變化特征(圖3),前階段年均增長91.94億元,后階段則轉(zhuǎn)變?yōu)槟昃陆?2.03億元。隨著城市生態(tài)系統(tǒng)服務研究的深入,城市綠地提供的娛樂服務功能得到重視并被量化為當量因子[14,23],因此,有必要在長江流域ESV評估中考慮建設用地的生態(tài)系統(tǒng)服務價值。

圖3 長江流域1992—2018年ESV變化Fig.3 Alterations of ESV in the Yangtze River Basin from 1992 to 2018

從生態(tài)系統(tǒng)服務類型看,長江流域的生態(tài)系統(tǒng)服務價值以供給服務為主,供給服務價值占總量的48.3%—51.8%,平均50.8%;其次是調(diào)節(jié)服務,占比22.0%—22.5%,平均22.3%。支撐服務和文化服務分別占比13.0%—14.1%和11.6%—16.6%(圖4)。從時間變化看,各服務分項價值在總量上有所波動,相對于1992年,2018年支撐服務、供給服務、調(diào)節(jié)服務和文化服務價值分別變化-1.3%、-0.4%、4.3%和52.5%,文化服務價值提升是拉動長江流域ESV升高的主要驅(qū)動力。

從ESV的空間分布看,長江流域的ESV主要集中于上游,上游的ESV為5.12—5.27萬億元,占比45.1%—46.8%,中游的ESV為4.71—5.02萬億元,占比43.0%—43.1%,下游ESV為1.12—1.39萬億元,占比10.2%—11.9%(圖5)。從1992年到2018年,長江上、中、下游地區(qū)的ESV總量均處于上升趨勢,但上升的幅度和成分變化存在差異,下游上升幅度最大,為23.9%,其次是中游為6.6%,下游上升3.0%。文化服務和調(diào)節(jié)服務在上、中、下游地區(qū)均有不同程度的上升,但支撐服務全面下降,供給服務僅在中游地區(qū)上升?？傮w來看,充分發(fā)揮城市生態(tài)系統(tǒng)的服務價值在提升長江流域ESV中發(fā)揮越來越重要的作用。

圖5 長江流域不同區(qū)域1992—2018年ESV變化Fig.5 ESV of sub-basins in the Yangtze River Basin in 1992and 2018

2.2 2030年ESV預測

本研究利用GeoSOS-FLUS軟件進行運算模擬得到2030年長江流域各土地利用類型的預測結(jié)果(圖6)。通過對比2018年與2030年的各土地利用類型面積變化,發(fā)現(xiàn)流域未來的土地利用變化主要體現(xiàn)在耕地下降(減少10493km2)和建設用地升高(上升12919km2),這將延續(xù)當前的土地利用變化趨勢。為了驗證FLUS模型模擬結(jié)果的精確性,本研究選取2006年土地利用作為基準期預測2018年的土地利用情景,將模擬結(jié)果與2018年實際的土地利用情景對比,結(jié)果表明顯示總體精度為0.85,Kappa系數(shù)為0.78,達到較好的模擬精度和一致性[27]。

圖6 長江流域2030年土地利用預測結(jié)果Fig.6 Predicted land use of the Yangtze River Basin in 2030

利用相同的生態(tài)系統(tǒng)服務價值計算方法,結(jié)合FLUS模型模擬的土地利用情景結(jié)果,得到長江流域2030年ESV,并將其與2018年ESV進行對比(表2)。相對于2018年,2030年長江流域的ESV上升3563.2億元,上升率為3.1%。從各土地利用類型來看,耕地、林地和草地ESV呈下降趨勢,耕地最為明顯,下降率為1.7%,ESV將減少970.9億元;其次是草地,下降87.3億元,下降率為0.9%,林地ESV下降的總量和變化率分別為26.3億元和0.1%。實現(xiàn)ESV增長的土地類型是建設用地和水域,增長量分別達到4531.7和116.1億元,增長率分別為和44.9%和1.9%。長江流域2030年各土地利用類型ESV的變化與土地利用結(jié)構(gòu)變化高度重合,可以認為城市化進程推動土地利用向具有更高生態(tài)系統(tǒng)服務價值的建設用地轉(zhuǎn)化,最終導致總體ESV的升高。

表2 長江流域2018年和2030年不同土地利用類型ESVTable 2 ESV of different land use types in the Yangtze River Basin in 2018 and 2030

2.3 時間尺度對ESV演變趨勢判別的影響

由于土地利用解譯的成本較高,難以獲得逐年的土地利用數(shù)據(jù),因此當前的ESV時間演變研究多采用一定時間間隔的2—5期土地利用數(shù)據(jù)[10,16,22]。本研究表明ESV計算結(jié)果呈現(xiàn)出年際波動性特點(圖3),因此土地利用數(shù)據(jù)的采樣時間間隔和樣本量可能影響ESV演變趨勢的判斷。為評估采樣間隔和樣本量對ESV趨勢判別的影響,本研究檢驗了基于不同時間尺度的ESV線性變化趨勢(圖7)。隨著采樣間隔的擴大,樣本量急劇下降,線性趨勢的斜率和不確定性范圍有擴大趨勢,區(qū)間極差由1a的32.4上升到6a的135.2。與此同時,線性擬合函數(shù)的R2有下降趨勢,從1a的0.99下降到6a的0.98,標準誤差則呈現(xiàn)上升趨勢,從318上升到403,表明樣本量下降時擬合優(yōu)度下降,誤差上升。因此,小樣本可能導致趨勢變化量的低估和不確定性范圍擴大?？傮w來看,基于逐年尺度的ESV估計能夠獲得更加精細、可靠的趨勢判別結(jié)果。

圖7 不同采樣間隔的ESV時間演變線性趨勢斜率及其不確定范圍Fig.7 Linear slope and its uncertain scope of ESV across different sampling intervals

2.4 不確定性分析

基于當量因子法計算生態(tài)系統(tǒng)服務價值主要包括土地利用面積和當量因子兩個參數(shù),因此這兩個參數(shù)的不確定性決定了ESV計算結(jié)果的可靠性。土地利用數(shù)據(jù)一般來自于兩個途徑:用戶使用衛(wèi)星遙感影像自行解譯和土地利用解譯產(chǎn)品。其中,土地利用解譯產(chǎn)品由專業(yè)部門解譯并進行質(zhì)量控制,具有較好的通用性,但不同解譯產(chǎn)品之間仍可能存在差異。為評估解譯產(chǎn)品之間的差異性,本研究與資源環(huán)境科學與數(shù)據(jù)中心的土地利用產(chǎn)品進行了對比(圖8)。結(jié)果表明,兩個數(shù)據(jù)源的土地利用在結(jié)構(gòu)上具有一定的相似性,均以林地為主,其次是耕地、草地、水域和建設用地。但是耕地、草地與建設用地的面積存在較大差異,特別是耕地和草地。本研究的耕地解譯結(jié)果顯著高于對比結(jié)果22%,而草地則低于對比結(jié)果18%。進一步分析發(fā)現(xiàn),造成這種差異的主要原因可能是兩個數(shù)據(jù)的土地分類存在差異,本研究采用的數(shù)據(jù)源的分類中存在一部分類別交叉情況,例如代碼30類別中是以耕地為主(占比>50%),同時含有一定覆蓋度的草地。本研究的耕地面積可能存在高估,而草地的面積可能存在低估。由于耕地單位面積生態(tài)系統(tǒng)服務價值高于草地,因此可能導致總體ESV偏高。單位面積的生態(tài)系統(tǒng)服務價值系數(shù)(簡稱當量因子)是ESV計算的另一重要不確定性來源。當前當量因子主要采用Costanza[4,23]和謝高地等[7]的計算結(jié)果及其各種修正形式[8—10, 30]。由于計算依據(jù)存在差異,不同研究之間的當量因子取值缺乏可比性和參考性,造成了ESV計算結(jié)果存在較大的不確定性。此外,本研究未考慮未利用地的ESV,一般默認為可忽略或取較低的數(shù)值[14],由于研究期間的未利用地面積占比0.18%—0.25%,對結(jié)果影響有限。

圖8 不同來源長江流域土地利用面積比較Fig.8 Land use area of the Yangtze River Basin in selected years from different sources

3 結(jié)論

本研究根據(jù)逐年尺度的土地利用數(shù)據(jù),構(gòu)建了修正生態(tài)系統(tǒng)服務價值計算模型和FLUS模型,分析了長江流域ESV的歷史演變特征與未來趨勢,得到主要結(jié)論如下:

(1)1992—2018年長江流域ESV總體呈上升趨勢,年均提高297億元。供給服務價值是流域ESV的最大貢獻源,占總量的48.3%—51.8%,其次是調(diào)節(jié)服務、支撐服務和文化服務。其中,文化服務價值增長了52.5%,是實現(xiàn)長江流域ESV升高的主要驅(qū)動力。建設用地的正向服務價值是影響長江流域ESV計算結(jié)果和趨勢的關鍵因素,提高城市生態(tài)系統(tǒng)的服務價值對提升長江流域ESV具有越來越重要的作用。

(2)上游地區(qū)是長江流域的ESV最集中的區(qū)域,上游ESV占全流域的45.1%—46.8%,中游和下游地區(qū)依次遞減。從1992年到2018年,長江上、中、下游地區(qū)的ESV總量均處于上升趨勢,從上游到下游ESV上升幅度依次上升,長江流域ESV重心有向下游流動的趨勢。

(3)2030年長江流域的建設用地將進一步擴展,同時耕地、草地面積有下降的風險。建設用地的增長將提升娛樂和氣候調(diào)節(jié)服務價值的提升,導致長江流域2030年ESV呈上升趨勢,2030年長江流域的ESV新增量為3563.2億元。

(4)開展逐年尺度的生態(tài)系統(tǒng)服務價值演變分析可有效降低變化趨勢判斷的不確定性。隨著采樣間隔的擴大和樣本量的下降,土地利用變化的線性斜率和不確定性范圍均有擴大趨勢,造成擬合優(yōu)度下降和誤差上升?；谥鹉瓿叨鹊腅SV核算有利于獲得精細、可靠的趨勢判別結(jié)果。