何若晨 馮育青 李 黎*

（1 西交利物浦大學(xué)健康與環(huán)境科學(xué)系，江蘇 蘇州 215123 2 蘇州市濕地保護(hù)管理站，江蘇 蘇州 215000）

2022 年生物多樣性公約第15 次締約方大會通過的“昆明-蒙特利爾全球生物多樣性框架”目標(biāo)12 提出，需要“通過擴大和連接城市綠色和藍(lán)色空間，增加其生態(tài)連通性和完整性來實現(xiàn)包容生物多樣性的城市規(guī)劃”（CBD，2022）。濕地作為城市藍(lán)綠空間體系中的重要組成部分，具有凈化水質(zhì)、調(diào)控水量和增加碳匯等功效（Tournebize et al.,2013; Mitsch et al., 2013）。濕地周邊氣溫與距濕地質(zhì)心的距離呈極顯著的正相關(guān)關(guān)系（崔麗娟等, 2015）。相比于單一生態(tài)要素緩解城市熱島的能力，藍(lán)綠空間的協(xié)同降溫效應(yīng)更為顯著（Jiang,2021）。與此同時，城市濕地作為一種重要的棲息地類型，提升了城市空間中的景觀異質(zhì)性，增加了藍(lán)綠空間的連通性，也為城市中為數(shù)眾多的濕地鳥類提供了不可替代的營巢環(huán)境與食物資源，對維持城市鳥類物種的豐富度有重要貢獻(xiàn)（McKinney et al., 2013）。目前國內(nèi)外對于濕地修復(fù)的研究主要包括以時間與空間角度探究濕地變化特征與驅(qū)動因子（董斯齊等, 2023; Lazzarini et al., 2013;Nguyen et al., 2017）；基于保護(hù)生物多樣性的目的評價濕地修復(fù)的生態(tài)效益（Meli et al., 2014;Zhang et al., 2021; 龐博等, 2023）；以及從濕地退化機制、修復(fù)機制、關(guān)鍵技術(shù)體系和模式等問題剖析相應(yīng)領(lǐng)域發(fā)展的現(xiàn)狀、熱點、難點、未來所面臨的挑戰(zhàn)和發(fā)展趨勢等（Noble et al., 2011;Zhao et al., 016; 武海濤等, 2022）。值得注意的是，現(xiàn)有研究多依據(jù)濕地的單一生態(tài)系統(tǒng)服務(wù)功能開展量化評價或開展空間規(guī)劃。作為首個強調(diào)生態(tài)系統(tǒng)修復(fù)多重效益的全球標(biāo)準(zhǔn)，“基于自然的解決方案”（Nature-based Solutions, NbS）提倡在多方利益群體的參與下，以有效且具有生態(tài)適應(yīng)式的方式高效統(tǒng)籌利用經(jīng)濟(jì)、社會和自然資源，為實現(xiàn)多重社會、生態(tài)目標(biāo)提供有利的保障（Andrade et al., 2020）。NbS 被認(rèn)為是協(xié)同應(yīng)對生物多樣性喪失和氣候變化等全球環(huán)境挑戰(zhàn)的有效途徑之一，已被納入“昆明框架”之中以指導(dǎo)城市實現(xiàn)可持續(xù)發(fā)展目標(biāo)（王金洲等, 2023）。

蘇州位于澳大利亞—東北亞鳥類遷徙廊道的核心地帶，蘇州市是我國鳥類物種最豐富的城市之一（Li et al., 2023）?；贜bS 提出的多重生態(tài)效益協(xié)同性原則，本文以蘇州為例進(jìn)行了濕地修復(fù)的優(yōu)先區(qū)分析?；诂F(xiàn)有城市氣候、生物多樣性以及城市生態(tài)用地現(xiàn)狀等數(shù)據(jù)庫，綜合多種空間分析方法、識別出城市熱島及生物多樣性熱點的重疊區(qū)域，對潛在具有多重生態(tài)效益的城市濕地修復(fù)區(qū)域進(jìn)行評估及篩選，旨在為我國城市的可持續(xù)規(guī)劃與發(fā)展提供新的思路。

1 材料與方法

1.1 研究區(qū)概況

蘇州（30°47′—32°02′N，119°55′—121°20′E）地處江蘇省東南部，是長江三角洲重要的中心城市之一。截至2022 年，全市下轄姑蘇、虎丘、吳中、相城、吳江和工業(yè)園6 個區(qū)、代管常熟、張家港、昆山、太倉4 個縣級市，總面積為8 657.3 km2。其中全市自然濕地面積為2 688.0 km2，主要分為沼澤、湖泊和河流濕地3 種類型（蘇州市園林和綠化管理局, 2023）。

1.2 數(shù)據(jù)來源與預(yù)處理

2020 年土地利用（10 m）和NDVI（30 m）數(shù)據(jù)來自中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心（http://www.resdc.cn）；DEM 數(shù)據(jù)（30 m）下載自地理空間數(shù)據(jù)云（https://www.gscloud.cn/search）；2020年5 月、8 月、11 月、12 月的landsat 8 oLI_TIRS遙感衛(wèi)星影像（30 m；云量≤10%）是從地理空間數(shù)據(jù)云和USGS（https://earthexplorer.usgs.gov/）分別獲取，既而反演城市地表溫度指數(shù)；鳥類空間分布數(shù)據(jù)源于eBird（https://ebird.org/home）。所得數(shù)據(jù)均導(dǎo)入ArcGIS10.8 中進(jìn)行提取與重分類，統(tǒng)一采用WGS_1984_UTM_Zone_51N 坐標(biāo)格式。19 個bio 數(shù)據(jù)（30 s）下載于WorldClim 數(shù)據(jù)庫(http://www.worldclim.org)，利用ArcGIS10.8 對其重采樣后與高程、坡度、NDVI 等數(shù)據(jù)保存為“.asc”格式。

1.3 研究方法

1.3.1 maxEnt 模型構(gòu)建 eBird 是全球最大的基于公民科學(xué)的數(shù)據(jù)庫，近年來被廣泛應(yīng)用于生態(tài)學(xué)與保護(hù)生物學(xué)的研究中（Sullivan et al., 2009; Li et al., 2020）。從eBird 中獲取2018—2022 年的鳥類點位記錄共計19 429 條，通過對分布點位進(jìn)行篩選，選取觀測記錄次數(shù)在100 條及以上的14 種水鳥作為研究對象。同時為減少預(yù)測結(jié)果的過度擬合，在每個500 m×500 m 網(wǎng)格中一個物種僅保留一個有效點位（表1）。

表1 鳥類點位記錄Table 1 Recording of bird data points

MaxEnt 模型是依據(jù)最大熵原理預(yù)測物種潛在分布的一種生態(tài)位模型（Warren et al., 2011），在生態(tài)學(xué)、生物學(xué)、氣候?qū)W等領(lǐng)域中被廣泛應(yīng)用（熊巧利等, 2019）。本次研究初步選取24 個環(huán)境變量輸入MaxEnt 模型（Wang et al., 2023）（表2），但各變量之間也存在一定的相關(guān)性，需要運用波段集統(tǒng)計測算數(shù)據(jù)的相關(guān)性系數(shù)。對于相關(guān)性指數(shù)|r|≥0.8 的兩個變量保留貢獻(xiàn)率較高的環(huán)境因子（羅綺琪等, 2021），同時去除環(huán)境因子中貢獻(xiàn)率為0 的變量以提升測算結(jié)果的客觀性與準(zhǔn)確性。最終14 種鳥類各保留不低于12 種環(huán)境變量因子。

表2 模型環(huán)境變量Table 2 Model Environment Variables

在MaxEnt 模型中，80%的有效點位被作為訓(xùn)練集，20%的點位用于模型驗證，最大迭代次數(shù)1 萬次，重復(fù)運行10 次，其余參數(shù)為默認(rèn)數(shù)值（Li et al.,2020)。運算得到的AUC（area under the curve）值[0，1]用于評估模型預(yù)測結(jié)果的精確性。當(dāng)0.5＜AUC≤0.6時，預(yù)測結(jié)果不可信；當(dāng)0.6＜AUC≤0.7時，預(yù)測結(jié)果可信度較差；當(dāng)0.7 ＜AUC ≤0.8 時，預(yù)測結(jié)果可信度一般；當(dāng)0.8 ＜AUC ≤0.9 時，預(yù)測結(jié)果可信度良好；當(dāng)0.9 ＜AUC ≤0.1 時，預(yù)測結(jié)果具有較高可信度。

1.3.2 地表溫度反演 通過ENVI 5.3 對不同日期的衛(wèi)星影像圖進(jìn)行輻射定標(biāo)和大氣校正，利用輻射方程法（鄧睿等, 2017; 趙秋月等, 2020）反演出城市地表溫度（公式1，2，3），再利用ArcGIS 計算城市地表溫度的平均值以識別城市高溫區(qū)域。

式中：Lλ為熱紅外輻射亮度值（W/(m2·sr·μm)；B(TS)為黑體輻射亮度（W/(m2·sr·μm)；Ts是地表溫度（K）；l↑、L↓和τ 分別為大氣向上輻射亮度、大氣向下輻射亮度（W/(m2·sr·μm)和大氣于熱紅外波段透過率，三者可在NASA 官 網(wǎng)（https://atmcorr.gsfc.nasa.gov/)查詢具體數(shù)值 ；ε表示地表比輻射率 ；K1=774.9（W/(m2·sr·μm)；K2=1321.1K。

1.3.3 Getis-Ord 分析 熱點分析可直觀反映出城市區(qū)域在某一數(shù)值上的空間聚集特征，統(tǒng)計結(jié)果表示為Getis-ord 指數(shù)。正值為熱點，其值越大則高數(shù)值點聚集越緊密；負(fù)值為冷點，其值越低則低數(shù)值點聚集程度越高，公式（Tran et al.,2017）為：

式中：為Getis-ord 指數(shù)；Xj是空間單元j的屬性值；為屬性值均值；Wi,j是空間單元i 和j 之間的空間權(quán)重；t是空間單元總數(shù)。

1.3.4 核密度分析 核密度分析能夠?qū)臻g中的點、線要素的密度分布進(jìn)行連續(xù)化模擬，既而反映事件點與其周圍鄰域的聚集態(tài)勢和分布特征。核密度值越高，則研究對象相應(yīng)數(shù)值的聚集程度越高。本次研究中將對蘇州市全部鳥類386 個有效且不重復(fù)點位和14 種水鳥279 個有效且不重復(fù)點位分別進(jìn)行核密度分析。核密度公式（Shi, 2010）為：

式中：f(t)為事件的核密度值；n為樣本數(shù)量；h為測算帶寬(m)；dix為事件i至x的距離（m）；k為核函數(shù)。

2 結(jié)果與分析

2.1 城市熱島效應(yīng)分析與評價

蘇州市2020 年平均氣溫介于8.8 ～48.8℃（圖1），建筑用地、水體、耕地、草地以及林地的平均溫度分別為26.8℃、19.9℃、24.1℃、25.2℃和24.3℃。通過構(gòu)建1 000 m×1 000 m 的網(wǎng)格提取地表溫度并進(jìn)行熱點分析后發(fā)現(xiàn)，城市熱點與冷點區(qū)域均呈現(xiàn)多核心集聚特點（圖2）。相應(yīng)的溫度高值區(qū)（熱點區(qū)域）面積占總面積的20.6%，主要集中在蘇州建筑用地的密集分布區(qū)域 ；溫度低值區(qū)（冷點區(qū)域）面積占總面積的22.8%，主要在太湖和長江流域呈現(xiàn)一定程度的聚集態(tài)勢。

圖1 蘇州年平均氣溫Fig.1 Annual mean temperature in Suzhou

圖2 溫度熱點分析Fig.2 Hotspot analysis of surface temperature

為進(jìn)一步量化反映研究區(qū)域熱島效應(yīng)水平，采用均值標(biāo)準(zhǔn)差法界定城市熱島等級（趙禾苗等,2021），將研究區(qū)地表溫度劃分為冷島、弱冷島、常溫、弱熱島、熱島5 個類別（圖3）。其中，熱島與弱熱島的面積占城市總面積的31.8%，冷島與弱冷島的面積占比達(dá)34.9%。而主城區(qū)中的吳中區(qū)、虎丘區(qū)、相城區(qū)、工業(yè)園區(qū)、姑蘇區(qū)的熱島與弱熱島地區(qū)的面積分別占其相應(yīng)行政區(qū)域面積的15.8%、39.7%、48.5%、59.5%和86.4%，表明相城區(qū)、工業(yè)園區(qū)和姑蘇區(qū)3 個區(qū)域的高溫現(xiàn)象較為凸顯，需要采取一系列自然與人工措施來減緩其熱島效應(yīng)。

圖3 城市熱島等級劃分Fig.3 Classification of urban heat island

2.2 鳥類多樣性空間分布評價

蘇州市所有鳥類記錄點位在經(jīng)過核密度分析后表現(xiàn)為多核心的梯度分布特征，并且鳥類空間聚集效應(yīng)在全局水平上凸顯為由城市中部區(qū)域向四周環(huán)狀遞減態(tài)勢（圖4）。而14 種水鳥的觀測點位在市域空間中也體現(xiàn)出一定程度的空間集聚現(xiàn)象（圖5），其中，水鳥聚集高值區(qū)域主要分布在獨墅湖、陽澄湖、金雞湖等大面積水域和城區(qū)內(nèi)部河道附近，表明濕地對于水鳥的空間布局特征具有深遠(yuǎn)影響。

圖4 蘇州市全部鳥類潛在分布熱點空間特征(用核密度值表示)Fig.4 Potential distribution hotspots of all birds in Suzhou(characterized by kernel density values)

圖5 蘇州市水鳥潛在分布熱點空間特征(用核密度值表示)Fig.5 Potential distribution hotspots of waterbirds in Suzhou(characterized by kernel density values)

MaxEnt 模型的預(yù)測結(jié)果顯示，AUC 平均值為0.9，且14 種水鳥模型的AUC 值均高于0.8（表3），說明整體水鳥的空間分布預(yù)測結(jié)果具有較高可信度。根據(jù)影響14 種水鳥預(yù)測模型的環(huán)境變量的對比分析結(jié)果，發(fā)現(xiàn)對模型貢獻(xiàn)度較高的環(huán)境因子主要包括距離水體距離、歸一化植被指數(shù)（NDVI）、等溫性（Bio 3)和年降水量（Bio 12），其相應(yīng)的平均貢獻(xiàn)度分別為15.0%、16.8%、12.3%和16.0%。通過采取自然間斷點分級法，將蘇州市14 種水鳥模型疊加分析后的預(yù)測結(jié)果劃分為5 個等級（圖6），即水鳥多樣性分布的低潛力區(qū)、較低潛力區(qū)、中潛力區(qū)、較高潛力區(qū)和高潛力區(qū)5 種類型。水鳥多樣性高潛力區(qū)和較高潛力區(qū)的面積合計占區(qū)域總面積的17.8%，主要分布在蘇州中部區(qū)域，并沿著城市水網(wǎng)向外延伸。水鳥多樣性低潛力區(qū)的面積最大，占研究區(qū)總面積的39.5%。

圖6 水鳥多樣性潛力等級劃分Fig.6 Classification of waterbird diversity potential

表3 14 種水鳥模型模擬結(jié)果Table 3 Simulation results of 14 waterbird models

2.3 濕地修復(fù)優(yōu)先區(qū)識別

為緩解城市熱環(huán)境和保護(hù)城市鳥類多樣性，在城市生態(tài)修復(fù)規(guī)劃中的優(yōu)先性比例可以通過對相應(yīng)圖層賦予不同權(quán)重進(jìn)行設(shè)定。在GIS 中將城市熱島效應(yīng)等級和水鳥多樣性潛力等級分別按70%和30%、30%和70%、50%和50%的權(quán)重加權(quán)疊加，可以獲得不同的濕地修復(fù)關(guān)鍵區(qū)域分布結(jié)果（圖7）。當(dāng)將緩解城市熱環(huán)境作為生態(tài)修復(fù)優(yōu)先目標(biāo)時，5 級適宜修復(fù)區(qū)域的面積為105.2 km2，需要改造與提升的藍(lán)綠空間以大面積片狀形式集中分布在滄浪街道、雙塔街道等老城區(qū)區(qū)域；當(dāng)城市將保護(hù)生物多樣性作為規(guī)劃與建設(shè)重點時，5 級適宜修復(fù)區(qū)域的面積為74.5 km2，以帶狀形式分布在城區(qū)主要河道、湖泊的鄰近區(qū)域；而當(dāng)城市采取提升人居環(huán)境體驗和保護(hù)生物多樣性并重的發(fā)展方針時，核心修復(fù)區(qū)域（5 級）的面積為30.9 km2，并以點狀形式離散分布于中心城區(qū)以及部分現(xiàn)有濕地公園與風(fēng)景區(qū)的重點保育區(qū)域。

圖7 濕地修復(fù)區(qū)域等級劃分Fig.7 Classification of wetland restoration regions

3 討論

蘇州城市熱島高值區(qū)域集中在姑蘇、相城等主城區(qū)，由于商業(yè)、居住用地中灰色基礎(chǔ)設(shè)施的高密度結(jié)構(gòu)與布局阻礙城市通風(fēng)廊道的形成，快速城市化所引起的人口集聚效應(yīng)增加城市能源消耗強度與用地強度，既而在一定程度上促使人口密度與地表溫度間存在顯著的正相關(guān)關(guān)系（王剛等, 2019）。蘇州市主城區(qū)也同時是潛在的濕地鳥類分布熱點，反映了蘇州市在澳大利亞—東北亞鳥類遷徙廊道中的“生態(tài)墊腳石”作用（Saura et al., 2014），也同時體現(xiàn)出蘇州市主城區(qū)水系交織密布，綠化率高等因素的特點，使得城市得以為鳥類提供相對適宜的潛在棲息地。蘇州市城市熱島高值區(qū)與水鳥多樣性高潛力區(qū)存在著較高程度的空間重疊，通過城市濕地的生態(tài)修復(fù)，如提高重疊區(qū)內(nèi)藍(lán)綠空間的連通性等，不僅可維持城市鳥類生物多樣性（Huang et al., 2015），也可同時起到減緩城市熱島效益的作用（姜允芳等, 2022）。在城市規(guī)劃中納入空間協(xié)同性的考量，有助于最大化城市生態(tài)系統(tǒng)服務(wù)，貢獻(xiàn)于城市可持續(xù)發(fā)展中與氣候變化適應(yīng)、生物多樣性維持、居民健康提升等有關(guān)的多重目標(biāo)。

在城市生物多樣性數(shù)據(jù)相對缺乏的情況下，本文使用了全球最大的公民科學(xué)數(shù)據(jù)庫eBird（Callaghan et al., 2020），觀鳥志愿者記錄的鳥類分布點位被用于模擬水鳥潛在空間分布特征。我們的研究示范了如何通過現(xiàn)有的公開數(shù)據(jù)為可持續(xù)城市規(guī)劃提供較為可靠的生物多樣性分布信息。相比于系統(tǒng)收集物種數(shù)據(jù)、利用專家打分法篩選鳥種偏好生境、采用層次分析法定量評價鳥類棲息地質(zhì)量等方式，本方法能夠降低數(shù)據(jù)獲取的難度，所得出的結(jié)果也更具有應(yīng)用性和客觀性。

公民科學(xué)數(shù)據(jù)仍存在一定的抽樣局限性（Kosmala et al., 2016）。本文中鳥類觀測的坐標(biāo)點位基本集中在城市公園或綠地，而對于太湖和長江等大面積水域缺乏相應(yīng)的觀測信息。這一抽樣偏差可能導(dǎo)致上述區(qū)域多被劃分為水鳥多樣性低潛力地區(qū)，影響了城市濕地修復(fù)優(yōu)先區(qū)識別的準(zhǔn)確度。此外，在MaxEnt 模型的環(huán)境變量選取上，也缺乏城市環(huán)境壓力指標(biāo)的相關(guān)變量。今后的研究中可以結(jié)合實地條件增加人口密度、道路干擾程度等進(jìn)一步提升測算結(jié)果的精確性。濕地修復(fù)等級評定可考慮將城市濕地的可達(dá)性、游人休憩體驗、濕地的景觀連通程度等社會、生態(tài)因素納入考量，以更好地體現(xiàn)城市濕地的多重效益，這有助于決策者根據(jù)城市建設(shè)現(xiàn)狀和發(fā)展目標(biāo)及時調(diào)整發(fā)展策略，劃分濕地核心保育地區(qū)以保障區(qū)域整體生態(tài)系統(tǒng)的穩(wěn)定性。

4 結(jié)論

本研究綜合運用多種空間分析方法對蘇州的熱島效應(yīng)和鳥類空間布局特點進(jìn)行研究，得出以下結(jié)論：1）城市熱島與冷島效應(yīng)均較為顯著，高溫地區(qū)主要存在于主城區(qū)的建筑用地。2）水鳥在城區(qū)范圍內(nèi)表現(xiàn)出明顯的空間集聚現(xiàn)象，并且其分布主要受到NDVI、水源和區(qū)域降水量等環(huán)境因子的影響。3）蘇州城市熱島與水鳥分布潛在熱點地區(qū)存在顯著的空間重疊，可以作為生態(tài)修復(fù)優(yōu)先區(qū)域的選址依據(jù)。4）濕地修復(fù)與提升的關(guān)鍵區(qū)域隨著城市發(fā)展趨勢與策略的轉(zhuǎn)變呈現(xiàn)不同的空間布局形式。本研究所示范的空間分析方法為我國城市可持續(xù)規(guī)劃與發(fā)展提供了一定的參考。