傅 春，黄悦容，裴伍涵

（1.南昌大学管理学院，南昌330031；2.中国电建集团中南勘测设计研究院有限公司，长沙410014）

0 引言

2021年6月28日，水利部召开“三对标、一规划”专项行动总结大会；大会指出要坚持习近平总书记“节水优先、空间均衡、系统治理、两手发力”的治水思想，推动新阶段水利高质量发展［1］。水资源是维持自然生态系统正常运行的基础，合理开发水资源有助于维持生态安全，促进区域可持续发展［2］。改革开放以来，我国的城镇化率从1978年的17.92%上升到2019年的60.6%，城镇化的快速发展离不开水资源的支持。近年来洪涝灾害频发，赣江流域也不可避免地会面临降雨过多而导致地面径流过多的问题，这将对赣江流域的生产活动与经济发展造成一定的冲击［3］。土地利用是流域生态系统产水功能的驱动力之一［4］，生态系统服务中的产水服务已被纳入区域土地利用规划［5］。土地利用变化作为可控因素，对产水量有一定的影响，主要影响包括导致流量变化、入渗率变化、降雨强度变化等，目前赣江流域的土地类型主要有林地、耕地、草地、水域、建设用地等，本文深入分析土地利用变化对产水的影响，分析二者演进的内在规律，为土地资源管理和水资源管理提供建设性建议［6～8］。在控制变量的前提下，运用情景模拟法，为赣江流域环境保护与水资源平衡提供数据支撑与空间变化分析，更加直观地分析了土地利用变化对产水的影响［9，10］。

国外学者较早地运用了InVEST 模型进行了系列研究。Kari L.Vigerstol［11］（2011）等认为InVEST 模型有对土地利用变化进行生态水文评估的潜力，以及整合地理空间数据集量化流域和子流域的年产水量。JW Redhead［12］（2016）等认为InVEST产水模型是生态系统服务功能工具的一部分，用于估算景观或流域的产水量，可以测量土地利用变化对产水量的影响。Manish Shrestha［13］（2020）等运用InVEST 模型分析3 种情形（Economy，Conservation and Agriculture）下土地利用变化影响产水的变化情况，为预测未来土地利用变化对水资源可用性的研究提供依据。国内学者郭洪伟［4］（2016）等运用InVEST 模型结合空间预测来分析土地利用对产水的影响，却显示不能很好结合预测未来产水量的空间情况。吴瑞［14］（2017）等结合InVEST模型对北京官厅水库流域产水和水质分析，其产水模型在数据处理上选用多面平均气温以及用Arc-SWAT裁剪流域边界，驱动因子方面选取情景模拟来分析气候和土地变化对产水的影响，提供了新的思路。赵亚茹［15］（2019）等对石羊河上游产水量驱动因子研究，结论表面气候因素影响产水比较大，土地利用有一定程度影响产水。戴尔阜、王亚慧［5，16］（2020）等通过使用InVEST 模型利用地质探测器分析气候、土地利用、地形因素等因子对横断山区产水进行异质归因分析，得出气候因子是主要制约产水的因素。目前国内外对于InVEST 模型的利用较为广泛，土地利用仍是如今研究的热点话题，但是关于区域土地利用变化对产水影响的研究还不够完善，缺乏进一步探讨，且关于赣江流域土地利用变化对产水影响的研究较为缺乏。本研究通过数据分析，创新性地将InVEST 模型与控制变量前提下的情景模拟法相结合，同时运用GIS 进行数据整合，利用1990—2019年赣流流域各类土地利用类型模拟测算流域产水量，探究不同的土地类型对赣江流域产水量的影响，分析赣江流域产水量随土地利用变化的演变趋势，为赣江流域优化土地利用结构，水资源合理配置提供依据。

在理论上，本研究一方面对土地资源规划与生态环境建设具有指导意义，另一方面为以后研究土地利用变化与产水量动态关系的学者提供理论依据与思路。在现实中，本研究通过探究赣江流域土地类型与产水量的动态关系和影响机制，一方面探讨二者的演进趋势，尽早遏制不利因素，有助于赣江流域优化土地利用结构，兼顾区域经济增长与水资源平衡发展，另一方面本研究从长远角度出发，为赣江流域土地利用调控和区域水资源管理提供借鉴参考，促进赣江流域可持续发展。

1 研究区域概况

赣江流域中赣江是江西省行政区跨面积最大的河流，属于长江的八大支流之一并且径流量排在八大支流第二的地位，同样也是鄱阳湖流域5 河之首［2］。赣江的发源地是在赣州市，赣江流域行政区划上包括江西省赣州市、吉安市、抚州市、宜春市、新余市和南昌市，总面积约9.75 万km2，位于东经113°35′～116°38′，北纬24°29′～29°11′，如图1所示。赣江流域南西面两面环山，东北区域以平原为主，南面是山区和丘陵，只有赣州市主城区有部分平原。赣江流域是处于亚热带季风气候，2019年降水量达到1 679.91 亿m3，水资源总量有1 222.72 亿m3，2019年径流量达到1 215.59 亿m3，气温比较温和，年平均气温约19.2 ℃，一年的日照时数大约有1 580 h，相对湿度有75.7，气候特征大致是冬季寒冷干燥，夏季高温多雨，夏季白天的时长较长，冬季夜晚的时间较长。

图1 赣江流域位置及研究区范围Fig.1 Location of Ganjiang basin and study area

2 数据来源

本研究所使用的数据主要包括：赣江流域土地利用数据、气象数据、土壤数据、流域数据等。1990-2019年土地利用的7期数据和流域数据均来源于中科院数据中心（http：//www.resdc.cn），土地分类参照刘纪远［17］的分类标准，流域土地利用类型被分为6 个大类，数据的分辨率为1 km×1 km。气象数据主要包括赣江流域的降水、气温、日照时数、风速、相对湿度等，使用了赣江流域18个气象站点数据，气象的数据主要来自于中国气象数据网（http：//data.cma.cn//），利用研究区域内及附近共18个站点的气象数据，通过ArcGIS软件的空间插值功能处理得到分辨率为1 km×1 km 的栅格数据。土壤数据是从FAO 和IIASA 共同创建的HWSD 数据中提取的，提取出的数据有黏粒含量、砂粒含量、粉粒含量、有机质质量和土壤深度，根据提取的数据，利用ArcGIS 对土壤数据进行矢量转换和栅格化处理得到分辨率为1 km×1 km的栅格数据。

3 研究方法

3.1 产水模型

本文使用了InVEST 模型的“Water Yield”模块，该模块计算的产水量是基于水量平衡原理，以栅格为单位来计算的。假设每个栅格单元所有产水都是通过径流的方式汇集到流域的出水口，不区分地表、地下和基流，根据每个栅格的降水量减去实际蒸散量即为该栅格单元的产水量［18］。产水量模型量化了从集水区到流域出口的总水量。利用Budyk曲线和年降水量来计算年产水量［19］，赣江流域的产水量Yxc产水的计算公式如下：

式中：Yxc、AETxc和Kcxc分别为某土地类型（c）在像素单元点（x）处的年产水量、实际蒸散量和蒸散系数；Px和AWCx分别表示每个像素单元点（x）的年平均产水量和土壤有效含水量；AETxc为蒸散量，是根据Budyko 曲线计算的；PETxc为潜在蒸散，ETOx为当地的气候条件；ωx表示土壤性质的一个无量纲参数；Z为经验常数，通常考虑降水的季节性分布（取值1～30）。

3.2 潜在蒸散发量计算

潜在蒸散发的计算方法主要有FAO 推荐的彭曼（PM）公式，以及桑斯维特（Tho）公式、布兰尼-克里（B-C）法、哈格里夫斯（Har）公式和哈蒙（Ham）公式，但彭曼公式的适用性更强［20］。这里赣江流域选用彭曼公式计算赣江流域的潜在蒸散发［21］，计算公式如下：

式中：ETO(PM)表示潜在蒸散发量，mm/d；Δ表示斜率（空气气温为T时候的水气压的k），kPa/℃；Rn表示净辐射（接收的短波辐射和传出的净长波辐射的差值），MJ/（m·d）；G表示土壤的热通量，MJ/（m2·d）；γ表示干湿表常数，kPa/℃；T1和T都表示日均气温℃；U2表示2 m 高度的风速，m/s；es和ea分别表示饱和水气压和实际水气压，kPa。

3.3 植被可利用含水量计算

植被的PAWC也是先由HWSD数据库中提取出来的黏粒含量、砂粒含量、粉粒含量、有机质质量［22，23］含量计算而来，是表示不同区域植被储存或释放出来的总含水量。计算方法是：

式中：PAWC表示赣江流域植被可利用含水量；Psand表示这片土壤中砂粒的含量，%；Psilt表示这片土壤中粉粒的含量，%；Pclay表示这片土壤中黏粒的含量，%；Pom表示这片土壤中有机质的含量，%。

3.4 情景模拟法

本文利用情景模拟法模拟出1990-2019年30年间赣江流域土地利用变化对产水量的影响量，具体为：假设在理论情景下，赣江流域的降水量在1990-2019年内未发生改变，理论情景下的产水量与实际产水量的差异即为赣江流域土地利用对产水量的影响量。

4 参数的率定

Z系数就是指Zhang 系数，称之为可调节因子，一般情况下赣江流域的降水情况决定了Z系数的取值，而Z系数一般取值在1～30 的范围，本文参考了相近研究区域模型的Z系数［3］取值，具体参考了江西九江都昌县、湖南东江湖、贵州乌江流域、湖北汉江流域和江苏太湖流域等［24-28］产水模型Z系数的取值，再进行手动调节来对比实际数据以达到模型率定。通过参考2020年《江西水资源公报》，对赣江流域6 个市的径流量数据进行收集整理，得出赣江流域年均径流量为1 215.59 亿m3，通过固定赣江流域土地利用、降水、蒸散数据，反复调节到Z系数来模拟产水量，发现当模型Z系数值为20 时，相对误差为1.08%，此时该模型对赣江流域产水的评估效果最优。

5 模拟结果分析

5.1 产水时间变化分析

通过模型运算，得出赣江流域1990-2019年9 期的产水量，如图2所示。

由图2 可知，1990-2019年赣江流域的平均降水量、平均潜在蒸散发、平均实际蒸散发、平均产水量、总产水量及各年份数值的变化趋势。1990-2019年赣江流域的蒸散发量几乎没有很明显的波动，而在2000年及以后，降雨数据出现波动，产水总量和平均产水量也出现了相应的波动。通过整体的波动趋势，可以明显看出降水量的变化很大程度会影响赣江流域产水量的变化，且产水量随时间呈现M 型变化，降水量与产水量呈现正相关性。

图2 1990-2019年赣江流域平均降水量、蒸散发、产水量Fig.2 1990-2019 average precipitation、evapotranspiration and water production in the Ganjiang basin

表2 1990-2019年赣江流域产水量整体情况变化表Tab.2 1990-2019 overall water production in the Ganjiang basion

1990-1995年赣江流域总产水量减少了16.98 亿m3，平均产水量减少了17.37 mm（降低了1.42%）；1995-2000年赣江流域总产水量增加了249.90 亿m3，平均产水量增加了255.55 mm（升高了21.26%）；2000-2005年赣江流域总产水量减少了238.29 亿m3，平均产水量减少了243.67 mm（降低了16.72%）；2005-2010年赣江流域总产水量增加了223.74 亿m3，平均产水量增加了228.79 mm（升高了18.85%）；2010-2015年赣江流域总产水量增加了47.17 亿m3，平均产水量增加了48.24 mm（升高了3.34%）；2015-2019年赣江流域总产水量减少了255.19 亿m3，平均产水量减少了260.96 mm（降低了17.51%）。综合来看，1990-2019年赣江流域产水总量处于波动状态，约在1 200～1 400 亿m3的范围左右波动，2000、2010、2015年赣江流域的产水能力较强，其余时间段的产水能力相对较弱，除了气候变化的影响，最主要的因素是这些年份降水量多。

5.2 产水空间变化分析

本研究通过ArcGIS 对模型数据结果进行空间分析，得到1990-2019年赣江流域的产水量空间分布图，如图3所示。

由图3 可知，1990年赣江流域产水量偏低，其中东部产水量比西部多；1995年赣江流域产水量也偏低，不同地理位置差异也较大，总体来看北部降水量比南部多；2000年赣江流域产水量较多，尤其北部地区降水最多，南部相对来说较少；2005年赣江流域产水量和1995年的空间分布格局类似，总体来看北部降水量比南部多；2010年赣江流域产水量和2000年相似，其产水量多的区域集中在赣江流域北部，降水量分布情况也基本相似；2015年赣江流域产水量较多，主要集中在赣江流域东北部；2019年赣江流域产水量相对较少，其中中部产水量较多。

图3 赣江流域1990-2019年产水量空间分布Fig.3 Spatial distribution of water production in the Ganjiang basin from 1990 to 2019

为了更好的研究赣江流域产水量的变化情况，通过利用ArcGIS 对1990-2019年产水量图进行空间分析，得到赣江流域1990-2019年产水量年份差异变化图如图4所示。

由图4 可知，1990-1995年期间，赣江流域北部约1/3 区域的产水量差额为正，且越往北部产水量差额增加得越多，南部区域产水量差额大体为负，越往南减少得越多，减少的产水量在0～400 mm 区间；1995-2000年期间，赣江流域整体产水量差额为正，且增加量由中部向南北递减，赣江流域中部增加600～800 mm，北部和南部增加量增加0～200 mm；2000-2005期间，赣江流域整体产水量差额为负，且从北到南部的产水量差额的绝对值变小；2005-2010年赣江流域整体产水量差额为正，差额由中部靠北区域向北部和南部逐渐减少，产水量增加最多的在600～800 mm 区间，最小的在-200～0 mm 区间；2010-2015年赣江流域北部产水量的差额为负，南部产水量差额为正，产水量从中部靠南部的区域逐渐向南北两端减少；2015-2019年赣江流域产水量的差额基本为负，越往东北区域产水量差额的绝对值越大，减少得越多，西南区域相对减少得较少。

图4 单位土地利用面积变化对平均产水量的影响Fig.4 The effect of land use area change on average water yield

5.3 土地利用与产水的相关性

利用ArcGIS 对赣江流域1990-2019年不同地类产生的产水量进行分类提取，得到如图5和图6所示。

图5 赣江流域1990-2019年不同地类的产水量Fig.5 Water production of different land types in the Ganjiang basin from 1990 to 2019

图6 赣江流域1990-2019年不同地类的平均产水量Fig.6 Average yield of different land types in the Ganjiang basin from 1990-2019

由图5 和图6 可知，赣江流域各土地利用类型的产水量排序：林地＞耕地＞草地＞建设＞水域＞未利用地，土地利用类型的占地面积越大其产水量越多。通过对比可得，赣江流域建设用地的产水能力最强，耕地、草地和林地的产水能力较强，水域和未利用地的产水能力较弱。

对赣江流域不同用地的面积以及产水量的变化进行对比，得到如图7所示的变化图，再利用SPSS 进行相关性分析如表3所示。

表3 1990-2019年土地利用类型与产水量相关系数Tab.3 Correlation between land use type and water yield from 1990 to 2019

图7 赣江流域不同用地面积与产水量变化关系Fig.7 Relationship between different land use areas and water production in the Ganjiang basin

这里选取赣江流域各类型用地面积和产水量做的对比，通过近30年的相关性分析表示，建设用地面积和赣江流域产水量有明显的正相关性（r=0.909，P＜0.05），说明建设用地扩张会促进产水量的增长，主要原因在于建设用地下垫面是不透水的，比较容易形成地表径流；未利用地和草地的增长在一定程度上也会促进产水量的增加，而其他用地类型没有表现出明显的相关性，可能是受到降雨等因素的影响，其他用地类型面积与产水量之间的相关性较弱。

5.4 情景模拟土地利用变化对产水的影响

研究赣江流域土地利用变化对产水的影响，如果单从时间线上分析两者之间的关联性，会存在其他因素对结果产生误差，所以本文通过情景模拟法，通过不改变降雨等数据，仅改变土地利用数据，来单独分析土地利用的变化对产水造成的影响，7种类型的情景模拟如表4所示。

表4 赣江流域情景模拟方案Tab.4 Scenarios for the Ganjiang basin

将模拟情景1～6 得出的产水结果与2019年产水的结果进行对比分析，得出如表5所示蒸散发和产水的变化情况。

通过使用InVEST 模型模拟产水量，得到如表5所示结论，其中潜在蒸散发和实际蒸散发的大小情况是：2019年＜情景1＜情景2＜情景3＜情景4＜情景5＜情景6，而平均产水量和总产水量的情况是：2019年＞情景1＞情景2＞情景3＞情景4＞情景5＞情景6。在情景模拟中，当产水量不断减少时，蒸散发不断增加，蒸散发和产水量之间呈现负相关关系，说明是某类型土地利用面积的持续增长和减少导致蒸散发的变化，从而影响产水的变化。

表5 赣江流域情景模拟结果Tab.5 Simulation results for the Ganjiang basin

对情景1～6赣江流域土地利用类型面积与产水量变化趋势进行相关性分析，得到如表6 和图8 的结果。结果表明，林地面积与赣江流域产水量有较强的负相关性（r=-0.94，P＜0.05），耕地面积与赣江流域产水量也有较强的负相关性（r=-0.98，P＜0.05），表明林地和耕地面积对产水量有抑制作用，其面积增长会使得产水量的减少，可能是由于林地和耕地表面的植被能够截留一部分的产水量，从而增加林地和耕地的产水量下渗，达到减少产水量的效果。而建设用地面积与赣江流域产水量有较强的正相关性（r=0.995，P＜0.05），表明建设用地面积增长能够促进产水量的增多，这是因为建设用地的下垫面是不透水层，导致下渗的产水比较少，从而易导致产水量增多。草地和未利用地面积与产水量之间呈现较弱的正相关性或者没有相关性，而水域用地面积与产水量之间存在极其微弱的负相关性。

图8 情景模拟下产水量与土地面积变化图Fig.8 Plot of water yield and land area change under scenario simulation

表6 情景模拟1～6土地利用类型与产水量的相关系数Tab.6 Correlation between land use types and water yield in scenario simulation 1～6

图9（a）是模拟情景1 的产水变化，再与2019年产水情况做空间矢量变化图所得；图9（b）是在图9（a）的基础上加入赣江流域图所得。

图中黄色区域表示产水的空间变化很小或者几乎没有变化，而橙色或者蓝色表示产水量变化较大的区域。由图9（a）可以发现流域大部分区域产水量的变化很小甚至没有变化，而变化最大的区域只占小部分并且呈现带状分布；通过加入流域分布得到图9（b），可以很清晰发现，产水量变化呈现的带状分布区间正好是赣江流域干流附近；由此可以推测水域用地的转入或者转出能够极大程度的影响产水量的变化。

图9 情景1对比2015年的变化量Fig.9 Scenario 1 compares changes in 2015

单一情况有可能会受偶然因素影响，故继续模拟情景7，并与2015年产水量做空间矢量变化得到图10（c）。模拟情景2～6，并与2019年产水量做空间矢量变化得到图10（d）～（h）。

图10 情景2～7模拟后变化量Fig.10 Scenario 2～7 changes after simulation

增加模拟的次数后，产水量变化较大的区域仍在流域附近的水域用地，呈现带状分布。可以印证，水域面积的变化会很大程度影响产水的变化，可能因为水域面积的转入会加大地表水的面积，使得地表水蒸腾更大，而蒸散发量的增加会导致产水量的减少，所以推测水域面积的转入会使得产水量减少，水域面积的转出会使得产水量增加；由于赣江流域水域用地面积较小且变化不大，故对整体产水量的变化影响较小，但值得关注的是水域面积的过多变化也会产生不可忽视的影响，需合理规划赣江流域的水域用地。

6 结论与建议

本研究以赣江流域为研究对象，通过搜集的1990-2019年赣江流域土地利用数据、气象数据、土壤数据、流域数据等，运用InVEST 模型对赣江流域1990-2019年产水量的时空变化进行分析，通过分类提取赣江流域的6种土地类型的产水情况，分析单一类型土地利用与产水的相关性，采用情景模拟法，通过情景模拟后产生的结果与变化前的原始产水结果做空间差异性分析来探究赣江流域不同土地类型变化对产水的具体影响。

（1）赣江流域产水量较多的年份平均产水量最高达到1 490.65 mm，对应的总产水量达到1 457.7 亿m3；而产水量最低的年份中平均产水量至少达到1 201.74 mm，相应的总产水量为1 175.18 亿m3。综合来看，赣江流域产水量随时间在趋势上大体呈现M 型变化，且产水量与降水量呈现较强的正相关性。本研究得出的M 型变化对于水资源管理部门有一定的借鉴意义，同时建议该区域及时关注赣江流域的气候变化，一方面可以加强协调整合机制，充分合理地利用该区域的水资源，实现生态经济可持续发展，提升生态服务功能，另一方面可以完善监督管理机制，加强防范，协调赣江流域的水土保持功能。

（2）1990-2019年赣江流域各生态用地类型的产水量排序依次为：林地＞耕地＞草地＞建设用地＞水域用地＞未利用地。1990-2019年，赣江流域产水量的空间分布大体上呈现如下特点：东部产水量多西部产水量少，北部产水量多南部产水量少；其中在产水量较多的2000、2010 和2015年中，东北部区域产水量较多（主要在1 600～2 000 mm 区间），西南部区域产水量较少（主要集中在1 200～1 600 mm 区间）；其中在产水量较少的1990、1995、2005、2019年中，东北区域产水量多（主要在1 200～1 600 mm 区间），西南区域产水量较少（主要集中在800～1 200 mm）。综合来看，降水量较多的年份相应的产水量也比其他年份更多，导致这些年份比其他年份产水量多的原因主要是降水量，研究各个年份产水量变化为研究土地利用变化对产水量变化的影响提供了数据支撑与理论支持。

（3）在控制变量的前提下，通过情景模拟法，得出结论：林地面积与产水量有较强的负相关性（r=-0.94，P＜0.05），耕地面积与产水量有较强的负相关性（r=-0.98，P＜0.05），建设用地与产水量有较强的正相关性（r=0.995，P＜0.05），表明耕地和林地的转出会促进产水量的增加，建设用地的转入会促进产水量的增加；通过空间差值分析，得出水域用地面积的转入会造成产水量的减少，主要因为水域面积的扩张会加大蒸散发量。综合来看，赣江流域土地类型中建设用地的快速扩张是导致产水量增加的主要原因，近些年赣江流域产业经济发展迅速，沿江地区工业发展较快，相关部门要合理规划建设用地面积，使得在促进赣江流域产业增加值上升的同时预防积水灾害、水源污染等问题的发生。根据数据显示，近年来赣江流域的林地面积与耕地面积有减少趋势，长此以往容易造成土壤涵水能力下降、土壤流失、生物多样性减少、洪涝灾害等问题，为了避免灾难发生，一方面，相关部门需坚持生态文明建设思想，重视对林地的保护，适宜规划建设用地，防止过度挤占林地、耕地等；另一方面需注重优化赣江流域的产业结构与土地利用结构，根据不同区域的用水情况，实施差异化土地利用，从长远角度出发，合理布局，统筹城乡规划，使第一产业、第二产业、第三产业均衡发展，使流域发展逐渐走向绿色低碳化。□