荔 童,梁小英,*,張 杰,耿 雨,耿甜偉,石金鑫
1 西北大學城市與環(huán)境學院,西安 710127 2 陜西省地表系統與環(huán)境承載力重點實驗室,西安 710127 3 太原師范學院地理科學學院,晉中 030619
自 2005 年千年生態(tài)系統評估發(fā)表以來,生態(tài)系統服務(Ecosystem Services,ES)研究已逐漸受到學術界的關注[1—2]。其中,探討和分析不同生態(tài)系統服務之間的權衡與協同作用已成為重要方向之一[3—5];且如何辨識生態(tài)系統服務之間多重非線性關系及其影響因素的研究已成為該方向的研究熱點之一,它對實現生態(tài)系統管理可持續(xù)發(fā)展和改善人類福祉,具有重要的理論和現實意義。
目前,有關生態(tài)系統服務之間的相關關系,即權衡與協同關系及其驅動因子分析已取得較大進展。研究大多采用相關分析[6—9]、空間制圖[10—13]、情景分析[14—16]、最小二乘回歸和地理加權回歸[17]等方法,雖可直觀地揭示生態(tài)系統服務間的相關性,但在反映生態(tài)系統服務間的非線性關系方面略有不足,在準確表達生態(tài)系統服務間權衡協同關系的內在機理及其驅動因素方面還有較大提升空間?;谪惾~斯網絡模型在表達多要素間非線性關系的優(yōu)勢,已有學者采用該模型探討單一生態(tài)系統服務與多因素間的相關性研究。比較有代表性的如李晶等[18]和Dang等[19],前者利用貝葉斯網絡模擬水源涵養(yǎng)服務過程,根據設置的不同土地利用情景預測2050年的水源涵養(yǎng)服務狀態(tài)概率,對關天經濟區(qū)水源涵養(yǎng)服務空間格局進行優(yōu)化;后者基于貝葉斯網絡模型探討環(huán)境和人為因素對水稻供給服務產生的影響,優(yōu)化水稻供給能力并為農業(yè)的可持續(xù)發(fā)展提供決策支持。上述研究主要是基于貝葉斯網絡探討多種因素對單一服務的影響,對于多種ES權衡協同及其驅動因素效應差異的研究較少。即在一定區(qū)域范圍內,如何構建基于多種生態(tài)系統服務的貝葉斯網絡模型、辨識生態(tài)系統服務間的多重非線性關系及其驅動因子,正是本文的研究重點和要解決的關鍵問題。
基于此,本文以陜北黃土高原為研究對象,在定量評估其2018年土壤保持、產水服務、糧食供給和固碳服務的基礎上,構建基于貝葉斯網絡的生態(tài)系統服務模型,利用聯合概率分布分析4種ES的權衡協同關系,最后探討影響ES權衡協同關系的驅動因子及其效應差異。研究對于提升對多種生態(tài)系統服務復雜關系的認識、提高研究區(qū)生態(tài)系統的整體效益均具有重要意義。
陜北黃土高原位于中國黃土高原地區(qū)的中心地帶,陜西省北部,地理坐標35°16′—39°34′ N,107°15′—111°15′ E。地勢西北高、東南低,基本地貌類型為黃土塬、梁、峁、溝、塬。地域南北長、東西窄,總面積為92521.4 km2,占全部黃土高原總面積的12.6%(圖1)。氣候類型為溫帶大陸性半干旱氣候,年均溫為8—12 ℃,年降水為350—600 mm。區(qū)域土地利用類型以耕地、林地和草地為主,呈西北耕地向東南林地和草地過渡的空間格局。該區(qū)行政區(qū)劃包括榆林市和延安市,下轄府谷、神木和榆陽等25個縣(市/區(qū)),2018年總人口達 767.72萬人,人口密度為83人/ km2。
圖1 研究區(qū)概況圖Fig.1 Location of the study area
作為高度敏感的生態(tài)脆弱區(qū)之一,陜北黃土高原一直是政府和學者關注的焦點區(qū)域[20—21],連續(xù)15年的退耕,使得該區(qū)各類ES變化明顯。加之陜西鄉(xiāng)村振興戰(zhàn)略的逐步落實,勢必對該區(qū)ES的供給、需求和調節(jié)產生多樣性影響。本文以陜北黃土高原為案例地,為分析區(qū)域生態(tài)系統服務權衡協同關系及其驅動因子提供了良好的研究平臺。
研究數據主要包括:(1)氣象數據:氣溫、降水空間插值數據,分辨率1 km,來源于國家地球系統科學數據中心(http://www.geodata.cn);(2)2018年土地利用數據:分辨率30 m,來源于中國科學院資源環(huán)境科學數據中心(http://www.resdc.cn);(3)NDVI、NPP數據:分辨率為1 km、500 m,來源于美國國家航天航空局(NASA)提供的數據(https://search.earthdata.nasa.gov/search);(4)DEM數據:分辨率90 m,來源于地理空間數據云平臺(http://www.gscloud.cn);(5)人口密度數據:分辨率1 km,來源于世界人口數據集(http://www.worldpop.org);(6)土壤數據:采用基于世界土壤數據庫(HWSD)的中國土壤數據集,比例尺為1∶100萬,來源于寒區(qū)旱區(qū)科學數據中心(http://westdc.westgis.ac.cn)。以上數據均在ArcGIS 10.6平臺上進行數據預處理,將所有柵格數據重新采樣,空間分辨率為1 km。此外,數據均采用Albers投影。
結合研究區(qū)水資源短缺、水土流失嚴重、生態(tài)環(huán)境脆弱等地理特征和資源環(huán)境狀況,本文選擇土壤保持、產水服務、糧食供給和固碳服務等評估其生態(tài)系統功能,并采用InVEST模型、ArcGIS等方法對上述服務進行量化。
2.1.1土壤保持
利用InVEST模型的泥沙輸移比模塊對土壤保持服務進行評估,該模塊以通用的水土流失方程為基礎,考慮上游水源截留沉積的泥沙量。計算公式:
SR=R×K×LS×(1-C×P)
(1)
式中,SR為土壤侵蝕總量(t);R為降雨侵蝕性因子(MJ mmhm-2h-1a-1),采用Wischmeier和 Mannering[22]提出的公式計算;K為土壤可蝕性因子(thm2h MJhm-2mm-1),LS為坡度坡長因子,無量綱;C為植被覆蓋和作物管理因子,無量綱,參照蔡崇法等[23]的研究成果;P為水土保持措施因子,無量綱。
2.1.2產水服務
利用InVEST模型中的產水模塊計算產水量,計算公式:
(2)
式中,Y(x)、AET(x)、P(x)分別為柵格單元x的年產水量(mm)、年實際蒸發(fā)量(mm)、年降水量(mm),具體計算步驟詳見包玉斌等[24]的研究。
2.1.3固碳服務
利用InVEST模型的碳儲量模塊對固碳服務總量進行計算,模塊包括地上物質、地下物質、土壤和死亡有機物碳儲量,求其和獲得總碳儲量。計算公式:
Ctot=Cabove+Cbelow+Csoil+Cdead
(3)
式中,Ctot為總碳儲量(t),Cabove、Cbelow分別為地上、地下生物量中的碳量(t/hm2),Csoil為土壤中的碳量(t/hm2),Cdead為死亡有機物中的碳量(t/hm2),各部分碳儲量參數根據文獻資料獲得[25]。
2.1.4糧食供給
糧食供給服務作為生態(tài)系統服務中最為基礎的供給服務之一,對于人類生存與發(fā)展有著不可或缺的作用。研究表明糧食供給與NPP之間具有很強的相關性[26],本文將糧食的總產量按照柵格NPP值與耕地總NPP值的比值來分配,確定各柵格的糧食供給能力,計算公式:
(4)
式中,Graini和Grainj分別是網格i和縣j的糧食產量(kg);NPPi是網格i耕地的凈初級生產力,NPPj是縣j耕地的凈初級生產力之和(kgC/m2)。
2.2.1模型構建
貝葉斯網絡(Bayesian belief network,BBN)由Pearl[27]于1988年提出,是一種基于概率推理的圖形網絡。BBN的構建包括兩個步驟:一是網絡結構學習,確定貝葉斯概念網絡的節(jié)點和連接節(jié)點的箭頭。其中,節(jié)點表示變量的概率分布,箭頭表示變量之間的相互依賴關系;二是網絡參數學習,確定各節(jié)點的條件概率表,反映節(jié)點之間因果關系的強弱[28—30]。
本文使用Netica軟件構建基于貝葉斯網絡的生態(tài)系統服務模型(簡寫為BBN-ES模型)。首先,根據生態(tài)系統服務的過程機理,選擇各生態(tài)過程中的相關變量作為節(jié)點,對貝葉斯網絡進行結構學習。構建的貝葉斯概念網絡共包含14個節(jié)點和17個箭頭。其中,土壤保持、產水服務、糧食供給和固碳服務等4種生態(tài)系統服務為目標節(jié)點,人口密度、坡度、降水、土地利用、氣溫、NDVI、土壤可蝕性、降雨侵蝕、蒸散發(fā)、NPP等10個變量為影響因子節(jié)點。其次,利用ArcGIS軟件對數據圖層進行離散化處理,具體變量離散化分級標準(表1),土地利用節(jié)點為離散變量,根據中科院土地利用覆蓋分類體系劃分為6類;其它節(jié)點為連續(xù)變量,利用自然斷點法劃分為低、較低、中、較高、高5種狀態(tài)。并創(chuàng)建1 km×1 km漁網提取各圖層柵格值,對貝葉斯網絡進行參數學習。最后,將提取的78366個樣本數據帶入網絡進行樣本訓練,獲得貝葉斯網絡所有節(jié)點的條件概率表,即BBN-ES模型構建完成(圖2)。
表1 各節(jié)點狀態(tài)
圖2 構建BBN-ES模型Fig.2 The construction of BBN-ES modelF1、F2分別表示各柵格圖層
2.2.2模型驗證
本文利用誤差矩陣評估模型精度。誤差矩陣是通過比較分類結果的預測值與實際值,即將正確分類的樣本數除以樣本總數得到分類結果的精度[31]。誤差矩陣的每一列代表預測類別,列總和表示預測類別數目;每一行代表實際類別,行總和表示實際類別數目。通過在研究區(qū)創(chuàng)建3 km×3 km漁網生成采樣點作為驗證數據,共8962個。利用Netica軟件對4個目標節(jié)點進行準確性測試,計算其誤差矩陣評估模型精度。
2.3.1ES的權衡協同關系
利用貝葉斯網絡的聯合概率分布分析ES間的相關關系。其中,聯合概率由貝葉斯網絡所有節(jié)點的條件概率分布確定,計算公式如下:
(5)
式中,P(X1,X2,…,Xn)表示一個聯合概率分布,P(Xi|parents(Xi)表示條件概率分布。在聯合概率分布圖中,ES間的相互作用可視化為成對的聯合概率分布,每個像素代表服務1和服務2發(fā)生的聯合概率P(ES1=x, ES2=y),由ES1和ES2在各自狀態(tài)下的條件概率x和y計算得到。像素顏色的深淺程度代表兩服務間的聯合概率大小,顏色越深,表明概率越高,一個聯合概率分布內的像素值總和為1。若兩種服務的聯合概率分布呈“I”型分布,則表示這兩種服務為協同關系;若兩種服務的聯合概率分布呈“L”型分布,則為權衡關系[32]。
2.3.2影響因子對生態(tài)系統服務的重要性分析
基于Netica軟件敏感性分析,通過計算方差縮減探討B(tài)BN-ES模型中影響因子節(jié)點對生態(tài)系統服務節(jié)點的相對重要性大小[33]。計算公式:
VR=V(Q)-V(Q|F)=∑qp(q)×[Xq-E(Q)]2-∑qp(q|f)×[Xq-E(Q|F)]2
(6)
式中,VR為方差縮減,表示相對重要性大小;V(Q)、E(Q)分別為生態(tài)系統服務Q的方差和期望;V(Q|F)、E(Q|F)為變量F條件下生態(tài)系統服務Q的方差和期望;Xq是與狀態(tài)q對應的真實數值。VR值越大表明該節(jié)點對目標節(jié)點的相對重要性大,即其對ES節(jié)點的影響越大;反之表明對ES節(jié)點的影響越小。本文選取VR>0.5%的影響因子作為影響生態(tài)系統服務的關鍵節(jié)點。
2.3.3驅動因子分析
本文借鑒Feng等[34]的研究,根據生態(tài)系統服務的權衡協同關系和節(jié)點的重要性分析,通過設置BBN-ES模型中ES節(jié)點的不同狀態(tài)概率值作為情景,利用貝葉斯網絡的概率推理,計算4種情景下影響生態(tài)系統服務關鍵節(jié)點狀態(tài)的后驗概率相對先驗概率的變化,并依據研究區(qū)的實際情況,將概率變化最大值大于35%的關鍵節(jié)點確定為影響ES權衡協同關系的驅動因子。
依據ES的相關關系,設置如下4種情景:
情景I:將具有協同關系的A服務和B服務最大化,即設置其“高=100%”;
情景Ⅱ:將具有協同關系的A服務和B服務最小化,即設置其“低=100%”;
情景III:將具有權衡關系的A服務最大化、B服務最小化,即設置A服務“高=100%”、B服務“低=100%”;
情景IV:將具有權衡關系的A服務最小化、B服務最大化,即設置A服務“低=100%”、B服務“高=100%”。
圖3為2018年研究區(qū)的土壤保持、產水服務、糧食供給和固碳服務的空間分布圖。由圖3可知,4種生態(tài)系統服務均呈現出較強的空間異質性。其中,土壤保持、產水服務和固碳服務的空間分布較為一致,呈現出“南高北低”的特征;而糧食供給則呈現出“中部高、南北低”的空間分布。
圖3 2018年研究區(qū)的4種生態(tài)系統服務空間分布圖Fig.3 Spatial distribution map of four ES in the study area in 2018
結合表1和圖3可知:土壤保持服務的高值主要分布在研究區(qū)的東南部、中部和東北部區(qū)域,呈帶狀分布且與河流的走向保持一致,所占面積2183.5 km2;低值則在北部和西北部聚集成片,面積為66245.3 km2。土壤保持服務區(qū)域差異的原因在于高值區(qū)所在的延長、宜川和黃龍等縣植被覆蓋度高,而低值區(qū)所在的神木、榆陽和橫山等市(區(qū)、縣)建設用地占比較大,易發(fā)生水土流失。
產水服務的高值集中在研究區(qū)的南部區(qū)域,且北部呈現高值、較高值交錯分布,高值區(qū)所占面積2359.3 km2;低值分布在研究區(qū)的西部和中東部,中南部有零星分布,面積為48851.3 km2。高值區(qū)所在的黃陵、宜川和黃龍等縣區(qū)域林草地分布廣泛,有利于產水服務;而低值區(qū)所在的定邊、靖邊和橫山等縣植被覆蓋度較低。
糧食供給的高值集中在研究區(qū)中西和中東部區(qū)域;低值分布范圍較為廣泛,分布在研究區(qū)東北部和南部,面積為62451.9 km2。這是由于高值區(qū)所在的定邊、橫山和子洲等縣域的耕地面積大,糧食供給能力較強;而低值區(qū)所在的富縣和宜川縣等區(qū)域林草地分布較廣,耕地面積相對較小,糧食供給能力相對較弱。
固碳服務的高值區(qū)和低值區(qū)的分布與產水服務基本一致,低值集中在西北部外,在研究區(qū)中部有零星分布,且固碳服務的中值集中在研究區(qū)東北部、中西部和中南部,所占面積49961.6 km2;高值和低值分布的原因與產水服務類似。
構建的2018年研究區(qū)4種生態(tài)系統服務的貝葉斯網絡如圖4所示。經過參數學習后的貝葉斯網絡反映了研究區(qū)2018年真實情況的先驗概率。其中,土壤保持服務由低到高的5種狀態(tài)概率分別為71.6%、18.4%、5.01%、2.67%和2.36%;產水服務5種狀態(tài)概率分別為52.8%、15.6%、9.04%、20%和2.55%;糧食供給服務各狀態(tài)概率為67.5%、2.33%、25.2%、3.21%和1.81%;固碳服務各狀態(tài)概率分別是22.5%、6%、54%、10.9%和6.59%。土壤保持、產水服務和糧食供給低狀態(tài)概率均超過50%,表明研究區(qū)控制侵蝕和攔截泥沙的能力較弱、總體產水服務水平較低、糧食供給服務明顯不足;而固碳服務22.5%(<50%)的地區(qū)處于低水平,其在中等及以上的地區(qū)占71.49%,表明研究區(qū)總體固碳服務水平較高,主要是退耕還林(草)工程實施后,研究區(qū)的林草地面積增加,植被覆蓋率的增強有利于固碳服務。
模型驗證以土壤保持服務為例,預測土壤保持狀態(tài)與實際土壤保持狀態(tài)誤差矩陣見表2,土壤保持精度為74.4%;表中第一行第一列表示有5970個實際為低狀態(tài)的樣本被正確預測,第二列的100表示有100個低狀態(tài)樣本被錯誤預測為較低狀態(tài)。同理,計算產水服務、糧食供給、固碳服務精度分別為70.0%、75.9%、73.5%,BBN-ES模型總體精度為73.5%,表明模型具有較高的精度,模擬效果好,對上述4種ES節(jié)點概率預測具有較強的可靠性。
3.3.1ES權衡協同關系分析
基于BBN-ES模型,利用聯合概率分布和相關系數得到土壤保持、產水服務、糧食供給和固碳服務等4種服務兩兩間的相關關系(圖5)。據圖可知,2018年研究區(qū)的土壤保持、產水服務與固碳服務兩兩間呈“I”型概率分布,互為協同關系;其中,產水服務與固碳服務的協同關系最強(r=0.52)。究其原因,研究區(qū)自1999年實施退耕還林(草)工程后,截止2018年其林草地面積迅速增加,林地增加12.2%,草地增加3.5%,林地將吸收的土壤水分凝結成靠近林草地的降雨,有利于產水服務[35];同時,1999—2018年研究區(qū)年均降水量為183.2—432.6 mm,而2018年降水量為325.7—475.1 mm,有明顯的增加趨勢,這也會提高其產水服務。且植被覆蓋度的增加也會提高固碳能力,同時也會減少雨水對土壤的侵蝕增加土壤保持能力。而糧食供給分別與土壤保持、產水服務、固碳服務呈“L”型概率分布,即存在權衡關系;其中,產水服務與糧食供給的權衡關系最強(r=-0.62)。結合圖1和圖3可知,2018年研究區(qū)土地利用類型以耕地、林地、草地為主,糧食供給能力較高的耕地區(qū)域,其土壤保持、產水服務和固碳服務相對較弱;而土壤保持、產水服務和固碳服務較高的林草地區(qū)域,糧食供給能力較弱。
圖5 2018年研究區(qū)4種生態(tài)系統服務聯合概率分布圖Fig.5 Joint probability distribution map of four ESs in the study area in 2018***表示P<0.01的顯著性水平;P(ES1, ES2)表示服務1和服務2發(fā)生的聯合概率
3.3.2影響因子對生態(tài)系統服務的重要性分析
影響因子節(jié)點對生態(tài)系統服務節(jié)點的重要性分析結果見表3。依據2.3.2中設置判斷關鍵節(jié)點的規(guī)則(VR>0.5%),結合表3可知,土壤保持服務的關鍵節(jié)點包括坡度、土地利用、土壤可蝕性、降雨侵蝕、降水和NPP,其中坡度的VR值最大(7.91%),表明其對土壤保持的變化影響最大,原因在于研究區(qū)實施退耕還林(草)工程后,大量耕地轉化為林地和草地,植被覆蓋度的提升增強了植被的固土持沙能力,有利于土壤保持[36]。影響產水服務的關鍵節(jié)點包括降水、降雨侵蝕、NPP和蒸散發(fā),且4個節(jié)點的VR值均在2%以上,表明其對產水服務增加影響較大。對于糧食供給服務而言,主要受到NPP、降水和降雨侵蝕等3個因子的影響,其VR值均>10%。影響固碳服務的依次為NPP、降水、NDVI和降雨侵蝕,其中NPP的VR值最大(4.83%),表明其對固碳服務的變化影響最為顯著,原因在于NPP與區(qū)域的植被覆蓋度密切相關,植被覆蓋度的增加有利于固碳服務。
表3 影響因子節(jié)點對生態(tài)系統服務節(jié)點的重要性分析
因此,確定坡度、土地利用、土壤可蝕性、降雨侵蝕、降水、NPP、蒸散發(fā)和NDVI為4種服務的8個關鍵節(jié)點,為下文分析ES權衡協同關系的驅動因子奠定基礎。
3.3.3驅動因子分析
依據3.3.1權衡協同關系結果設置4種情景(表4)。利用貝葉斯網絡的概率推理,計算4種情景下影響生態(tài)系統服務8個關鍵節(jié)點狀態(tài)的后驗概率相對先驗概率的變化(表5),確定土地利用、降水和NPP是影響ES權衡協同關系的主要驅動因子。
表4 權衡協同情景設置及其說明
表5 4種情景下關鍵節(jié)點狀態(tài)的概率變化表/%
由表5可知:在協同-情景I和情景Ⅱ中,土地利用、降水、NPP等3個節(jié)點的概率變化最大值均大于35%;在權衡-情景III和情景IV中,土地利用、降水和NPP結點的概率變化最大值均大于35%,由此確定土地利用、降水、NPP是影響ES權衡協同的驅動因子。其中,土地利用主要影響生態(tài)系統服務的協同關系,而降水和NPP在影響協同關系的同時對權衡關系也有一定地制約作用。
(1)在協同情景中,不同驅動因子在不同狀態(tài)下產生相同的協同方式。如情景I,降水較高值、NPP高值狀態(tài)下,均可促使3種ES的高值協同;同時,相同驅動因子在不同狀態(tài)則會造成協同方式的差異。譬如,降水在低值狀態(tài)下促使3種ES的低值協同(情景II),而較高值狀態(tài)下表現為高值協同。
(2)在權衡情景中,不同驅動因子在不同狀態(tài)下產生相同的權衡方式。如情景III,NPP高值、降水較高值狀態(tài)下,均可促使3種高值ES(土壤保持、產水服務和固碳服務)與低值糧食供給權衡;同時,相同驅動因子在不同狀態(tài)下亦會產生權衡方式的差異。譬如,NPP在較低值狀態(tài)下促使3種低值ES與高值糧食供給的權衡(情景IV),而高值狀態(tài)下則呈現3種高值ES與低值糧食供給的權衡關系。
本文基于構建的貝葉斯網絡,探討多種ES權衡協同及其驅動因素效應差異,對于認識多種ES間復雜關系,為后續(xù)提出改善生態(tài)系統管理和提高人類福祉的對策與措施,具有重要的理論和實踐價值。本文構建的BBN-ES模型總體精度為73.5%,4種生態(tài)系統服務中糧食供給精度最高(75.9%)、產水服務精度最低(70.0%),表明貝葉斯網絡在模擬生態(tài)系統服務供給過程準確,對生態(tài)系統服務節(jié)點概率預測具有較強的可靠性。模型雖具有較高的精度,但簡單通過自然斷點法對連續(xù)變量分級有可能導致模型參數的設定具有潛在的不確定性[37]。因此,依據研究區(qū)的實際情況對變量進行分級,可進一步提升模型的精度。
本文基于BBN-ES模型,利用聯合概率分布和相關系數分析ES間的權衡協同關系。2018年研究區(qū)的土壤保持、產水服務與固碳服務之間互為協同關系,糧食供給分別與土壤保持、產水服務和固碳服務為權衡關系,該結論與孫藝杰等[38]、韓磊等[39]的研究成果一致,可見貝葉斯網絡方法在揭示ES間復雜的非線性關系方面具有一定的優(yōu)勢。需要注意的是,本研究只是對研究區(qū)2018年的ES間的權衡協同關系進行探討,并未涉及隨時間變化對ES間關系的影響,因此,未來有必要采取切實有效的模型與方法,基于長時間序列分析ES權衡協同關系的時空動態(tài)變化趨勢。
本文在情景分析和相對概率變化的基礎上,確定影響ES權衡協同關系的驅動因子,并進一步探討了不同情景下主要驅動因子的效應,即驅動因子及其在不同狀態(tài)下對權衡與協同的影響。通過分析發(fā)現:不同驅動因子在不同狀態(tài)下產生相同的協同(或權衡)方式;相同驅動因子在不同狀態(tài)則會造成協同(或權衡)方式的差異。
研究區(qū)自實施退耕還林(草)工程后,林草地面積的迅速增加提升了植被覆蓋度,NPP與降水、植被覆蓋度等密切相關,降水量和植被覆蓋度的增加有利于NPP[40—42]。因此,為了優(yōu)化研究區(qū)生態(tài)系統的整體效益,應盡可能加強生態(tài)系統服務之間的協同關系,減弱權衡關系。政府部門在進行相關決策工作時,應重點關注土地利用、降水和NPP等驅動因子,特別是土地利用的的結構和格局,如耕地、森林和草地的空間分布。需要說明的是,不同驅動因子判定標準的設定,可導致確定主要驅動因子及其效應的差異。本文將概率變化最大值高于35%的關鍵節(jié)點確定為驅動因子,具有一定的主觀性,未來仍需進一步討論。因此,確定適宜于研究區(qū)的驅動因子判斷標準,是后續(xù)提出針對性對策與措施的前提和基礎。
本文以陜北黃土高原為研究區(qū),定量評估其2018年的土壤保持、產水服務、糧食供給和固碳服務,將生態(tài)系統服務與貝葉斯網絡結合構建BBN-ES模型;在ES的權衡協同關系與情景分析基礎上,探討影響多種生態(tài)系統服務權衡協同關系的驅動因子。主要結論如下:
(1)從空間分布特征來看,陜北黃土高原的土壤保持、產水服務和固碳服務呈“南高北低”的分布特征;糧食供給服務呈現出“中部高、南北低”的分布特征。
(2)從權衡協同關系來看,陜北黃土高原土壤保持、產水服務和固碳服務之間互為協同關系,糧食供給分別與土壤保持、產水服務、固碳服務為權衡關系。其中,產水服務與固碳服務的協同關系、產水服務與糧食供給的權衡關系較強。
(3)從情景分析結果來看,土地利用、降水和NPP是影響ES權衡協同關系的主要驅動因子,其中土地利用主要影響生態(tài)系統服務的協同關系,而降水和NPP在影響協同關系的同時對權衡關系也有一定地制約作用。研究發(fā)現:不同驅動因子在不同狀態(tài)下產生相同的協同(或權衡)方式,相同驅動因子在不同狀態(tài)則會造成協同(或權衡)方式的差異。