高 伟,李欣悦,张 远,陈 岩

1 广东工业大学环境生态工程研究院,大湾区城市环境安全与绿色发展教育部重点实验室,广州 510006

2 云南大学生态与环境学院,云南省高原山地生态与退化环境修复重点实验室,昆明 650091

3 生态环境部环境规划院,国家环境保护环境规划与政策模拟重点实验室,北京 100012

长江流域是我国重要的经济增长和生态保护区,其生态系统服务的变化和发展趋势对我国生态经济可持续发展具有重要意义。随着长江流域城市化进程的不断推进,流域建设用地不断扩张,土地利用结构发生了显著变化[1],影响了流域生态系统结构和功能[2—3]。生态系统服务是指通过生态系统的结构、功能和过程所间接地提供生命支持和服务[4],也可认为是生态系统与生态过程所赖以生存的自然环境与效用[5],前者涵盖的对象更加广泛,包含自然环境和社会环境,而后者主要侧重于服务自然环境本身。Costanza等认为生态系统服务价值(ecosystem service values,ESV)是以货币形式评估生态系统提供维持人类赖以生存的环境和商品服务能力,并且最先在全球范围内对ESV进行定量估算[4],成为全球生态系统服务价值评估研究的重要里程碑。生态系统服务的货币化是衡量生态系统对经济社会发展支撑能力的有效方法,定量评估ESV历史变化并预测未来趋势已经成为生态系统服务研究的基础。目前,ESV的估算方法主要有基于单位服务功能价格的方法和基于单位面积价值当量因子的方法两种。功能价格法即基于生态系统服务功能量和功能量的单位价格得到总价格[6]。当量因子法是在不同生态系统服务功能类型的基础上,构建各类生态系统各种服务的价值当量,结合各生态系统的分布面积进行计算[4]。相对于功能价格法,当量因子法的数据要求与计算过程更为简便,是目前ESV计算的主流方法。同时,谢高地等根据中国实际情况修正了计算系数,建立了“中国陆地生态系统服务价值当量因子表”,广泛应用于多个研究中[7]。此外,考虑当量因子的区域差异,相关研究对当量因子进行了修正,如净初级生产力修正[8]、CPI指数修正[9]和粮食产量净利润修正[10]等。

ESV的变化主要受土地利用变化的影响[11],要对ESV进行有效预测,则需要对土地利用变化进行准确的模拟预测[10]。土地利用变化模拟预测主要的模型包括灰色预测模型(GM)[12]、系统动力学模型[13]、CLUE-S模型[14]、CA-Markov模型[15]和FLUS模型[13]等。灰色预测模型的优点是需要的数据较少,计算便捷且精度较高[16],但灰色预测模型需要时间序列数据,且无法得到土地利用的空间分布信息。系统动力学一般利用流图、因果关系图和结构框架图来建立模型,模拟政策驱动力对土地利用变化的影响[17]。但是,以上两种模型无法体现空间分布特征,而CLUE-S和元胞自动机(CA)模型则能够模拟土地利用分布格局,具有良好空间拓展性,但由于CA模型转换规则构建难度大且变化数量无法精确模拟,所以常常与Markov链耦合[18]。FLUS模型出现较晚,在对传统的CA模型进行改进的基础上,引入了自适应惯性系数和轮盘竞争机制,其模拟精度高于CA等模型[19]。该模型不但能同时模拟多种土地利用类型的变化,而且能反映真实土地利用变化中的不确定性以及能模拟跳跃式土地利用变化情形[20],被广泛应用于土地利用模拟预测研究中[13,19—20]。近年来,生态系统服务价值驱动因素方面的研究逐渐深入,除了自然因素外,人文因素的影响逐渐被重视,徐煖银等分析人均GDP、人口密度和城市化率等10个人文因素对赣南地区ESV的驱动影响,得出社会经济因素与ESV变化率在空间分布上具有极显著的相关性[21]。此外,ESV研究也扩展到区域生态安全领域,李俊翰和高明秀分析了ESV和生态风险指数的变化特征和时空关联性[22]。然而,当前ESV研究多是针对单一或离散几期的土地利用,在识别ESV变化趋势上存在较大的不确定性,难以获得ESV时间变化的精细特征。

基于1992—2018年共27年的逐年土地利用数据,构建修正系数的当量因子法,分析长江流域生态系统服务价值在年度尺度上的时空变化特征,识别流域ESV的精细演变轨迹;结合土地利用变化驱动特征,选择FLUS模型和Markov模型进行对流域2030年土地利用变化进行模拟预测分析,得到长江流域生态系统服务价值的变化趋势,研究结果以期对长江流域的生态经济可持续发展提供决策支撑。

1 材料与方法

1.1 研究区概况

长江是我国最长的河流,干流全长6393 km,流域面积178万km2。流域范围涉及17个省级行政单元,共134个地级单元(图1)。80%的流域面积集中在四川省、湖南省、湖北省等7个地区。2018年常住人口4.61亿,占全国32%。地区生产总值为32.37万亿元(当年价),占全国总量的35%,三次产业结构为7∶44∶49。人均GDP达到7.0万元/人,高于同期全国平均水平,是我国经济增长的核心区域之一。长江作为我国水量最丰沛的河流,具有丰富的水产、林木、矿产资源和生物多样性资源,发挥着极其重要的生态系统服务功能。随着经济社会的持续发展,流域城市化水平不断提高,土地利用发生了显著变化[1],对多种生态系统服务造成了影响[2]。

图1 长江流域主要地理区域Fig.1 Areas of interest in the Yangtze River basin

1.2 基于修正因子的生态系统服务价值计算模型

在目前主要的两种生态系统服务价值估算方法中,基于单位面积价值当量因子的方法因计算便捷而被广泛使用,考虑通用性,本研究采用该方法计算长江流域生态系统服务价值,其计算公式如下:

(1)

(2)

(3)

式中,ESV为生态系统服务价值(元);Ak为第k类土地利用类型面积(hm2);VCk为第k类土地利用类型的生态服务价值系数(元/hm2);n为土地利用类型的总量;VCfk为第k类土地利用类型的第f项服务功能价值系数(元/hm2);m为某土地利用的生态系统服务功能类型的总量;YNPP和GNPP分别为长江流域和全球平均NPP(g C/hm2);ER为2007年人民币对美元汇率,为7.604,来源于中国统计年鉴2019;PRC为2007—2018年的可比价格折算系数,根据中国居民消费价格指数计算,数据来源于中国统计年鉴2019;ZVCfk为第k类土地利用类型的第f项服务功能价值系数(元/hm2),本文引用的是Costanza等2014年更新的全球生态系统服务价值系数表[23],并结合中国货币汇率和居民消费价格指数将该表的系数折算为2018年中国的可比价格。由于该表是在全球的平均状态下得到的,而生态系统的服务功能与其所处的地理位置、生物多样性和自然环境相关[8],具有明显的空间异质性。为了使生态系统服务价值系数能有效地衡量研究区域的生态系统服务价值,本文采用净初级生产力对单位面积ESV进行修正,长江流域和全球的净初级生产力数据来源于文献[24—25],最终得到适用于长江流域的生态系统服务价值系数表(表1)。

表1 长江流域土地利用类型的生态系统服务价值系数/(元/hm2)Table 1 Ecosystem service value coefficient of land use types in the Yangtze River Basin

1.3 基于FLUS-Markov的土地利用预测模型

FLUS模型是在传统元胞自动机模型(CA)的基础上进行改进,整合了人工神经网络算法和轮盘赌选择的自适应惯性竞争机制,是一种用于模拟人类活动与自然影响下的土地利用变化以及未来土地利用情景的模型。FLUS模型采用神经网络算法结合基准期土地利用数据与多种驱动因子计算得到各种土地利用类型在研究范围内的适宜性概率。在此过程中,FLUS模型的采样方式减少了误差传递,具有较高的准确性。其次,基于自适应惯性机制包括了邻域影响因子、惯性系数和转换成本[26],与适宜性概率结合得到元胞转换的总体概率。最后,利用轮盘赌确定元胞是否发生用地类型的转换,从而实现土地利用变化的模拟[20]。FLUS模型能反映实际土地利用变化中的不确定性和复杂性,具有较高的模拟精度。

基于神经网络的适宜性概率模块根据用户输入的自然、经济和交通区位方面的驱动因子数据,整合计算得到研究区域内每种土地利用类型在每个像元上的出现概率。具体的适宜性概率计算公式见文献[27]。自适应惯性竞争机制的核心为自适应惯性系数,它是由当前各种土地利用类型的实际数量与土地利用需求之间的差异决定的,再在迭代中不断调整[19],自适应惯性系数计算见文献[20]。

元胞自动机模块需要用户预设各土地利用类型变化数量的目标,该目标会在一定程度上影响模拟结果[27]。本文采用马尔科夫链(Markov Chain)预测土地利用变化数量,计算公式如下:

Si+1=Pij×St

(4)

式中,St和Si+1分别表示t时刻和t+1时刻土地的状态;Pij表示在t时刻用地类型发生转变的概率。本研究以2006年和2018年为两个预测基准期,预测2030年长江流域7类土地利用的数量。

1.4 数据来源

本研究所采用的数据包括土地利用历史数据和土地利用预测数据等两类。其中土地利用历史数据为1992—2018年逐年土地利用矢量数据,空间分辨率为300m,数据来源于欧洲航天局(https://www.esa-landcover-cci.org/?q=node/164),该数据源将土地利用分为22类,总体精度达到75.4%,在耕地、林地和建设用地等亚类中的用户精度超过80%。为便于分析比较,本研究参照中国科学院资源环境数据中心土地利用分类系统,将其重分为耕地、林地、草地、水域、建设用地、未利用地和冰川等7种类型。土地利用预测数据主要包括土地利用变化驱动力数据和限制区域数据。考虑数据可得性和土地利用变化的一般驱动因子[21, 28—29],本文选取了自然、经济、交通区位方面的9项驱动因子(图2)。其中DEM高程数据来源于地理空间数据云(http://www.gscloud.cn/),坡度和各类距离数据是采用ArcGIS空间计算获得。人口、经济和行政单元矢量数据来自于资源环境科学与数据中心(http://www.resdc.cn/Default.aspx)。此外,一些特定用途的土地类型如国家公园一般不发生土地利用转化,本研究选取自然保护区、湖泊与水库等为限制转化区域(图1),数据来源于国家青藏高原科学数据中心(https://data.tpdc.ac.cn/zh-hans/)和IUCN(https://www.iucn.org/)等。

图2 土地利用变化的驱动因子Fig.2 Driving factors of land use change

2 结果与讨论

2.1 1992—2018年ESV时空演变特征

长江流域1992—2018年逐年ESV呈现上升趋势(图3),从1992的10.95万亿元,增长到2018年的11.68万亿元,年均增长297亿元,占多年平均ESV的2.6‰。2018年ESV占流域国内生产总值的36.1%。值得注意的是,建设用地的服务价值对长江流域ESV核算有显著影响。如果不考虑建设用地,1992—2018年的ESV总量和变化趋势均发生改变。总量上,ESV将下降2.1%—8.6%。在变化趋势上,流域的ESV将表现为以2004年为转折点的先上升后下降的阶段变化特征(图3),前阶段年均增长91.94亿元,后阶段则转变为年均下降92.03亿元。随着城市生态系统服务研究的深入,城市绿地提供的娱乐服务功能得到重视并被量化为当量因子[14,23],因此,有必要在长江流域ESV评估中考虑建设用地的生态系统服务价值。

图3 长江流域1992—2018年ESV变化Fig.3 Alterations of ESV in the Yangtze River Basin from 1992 to 2018

从生态系统服务类型看,长江流域的生态系统服务价值以供给服务为主,供给服务价值占总量的48.3%—51.8%,平均50.8%;其次是调节服务,占比22.0%—22.5%,平均22.3%。支撑服务和文化服务分别占比13.0%—14.1%和11.6%—16.6%(图4)。从时间变化看,各服务分项价值在总量上有所波动,相对于1992年,2018年支撑服务、供给服务、调节服务和文化服务价值分别变化-1.3%、-0.4%、4.3%和52.5%,文化服务价值提升是拉动长江流域ESV升高的主要驱动力。

从ESV的空间分布看,长江流域的ESV主要集中于上游,上游的ESV为5.12—5.27万亿元,占比45.1%—46.8%,中游的ESV为4.71—5.02万亿元,占比43.0%—43.1%,下游ESV为1.12—1.39万亿元,占比10.2%—11.9%(图5)。从1992年到2018年,长江上、中、下游地区的ESV总量均处于上升趋势,但上升的幅度和成分变化存在差异,下游上升幅度最大,为23.9%,其次是中游为6.6%,下游上升3.0%。文化服务和调节服务在上、中、下游地区均有不同程度的上升,但支撑服务全面下降,供给服务仅在中游地区上升。总体来看,充分发挥城市生态系统的服务价值在提升长江流域ESV中发挥越来越重要的作用。

图5 长江流域不同区域1992—2018年ESV变化Fig.5 ESV of sub-basins in the Yangtze River Basin in 1992and 2018

2.2 2030年ESV预测

本研究利用GeoSOS-FLUS软件进行运算模拟得到2030年长江流域各土地利用类型的预测结果(图6)。通过对比2018年与2030年的各土地利用类型面积变化,发现流域未来的土地利用变化主要体现在耕地下降(减少10493km2)和建设用地升高(上升12919km2),这将延续当前的土地利用变化趋势。为了验证FLUS模型模拟结果的精确性,本研究选取2006年土地利用作为基准期预测2018年的土地利用情景,将模拟结果与2018年实际的土地利用情景对比,结果表明显示总体精度为0.85,Kappa系数为0.78,达到较好的模拟精度和一致性[27]。

图6 长江流域2030年土地利用预测结果Fig.6 Predicted land use of the Yangtze River Basin in 2030

利用相同的生态系统服务价值计算方法,结合FLUS模型模拟的土地利用情景结果,得到长江流域2030年ESV,并将其与2018年ESV进行对比(表2)。相对于2018年,2030年长江流域的ESV上升3563.2亿元,上升率为3.1%。从各土地利用类型来看,耕地、林地和草地ESV呈下降趋势,耕地最为明显,下降率为1.7%,ESV将减少970.9亿元;其次是草地,下降87.3亿元,下降率为0.9%,林地ESV下降的总量和变化率分别为26.3亿元和0.1%。实现ESV增长的土地类型是建设用地和水域,增长量分别达到4531.7和116.1亿元,增长率分别为和44.9%和1.9%。长江流域2030年各土地利用类型ESV的变化与土地利用结构变化高度重合,可以认为城市化进程推动土地利用向具有更高生态系统服务价值的建设用地转化,最终导致总体ESV的升高。

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

2.3 时间尺度对ESV演变趋势判别的影响

由于土地利用解译的成本较高,难以获得逐年的土地利用数据,因此当前的ESV时间演变研究多采用一定时间间隔的2—5期土地利用数据[10,16,22]。本研究表明ESV计算结果呈现出年际波动性特点(图3),因此土地利用数据的采样时间间隔和样本量可能影响ESV演变趋势的判断。为评估采样间隔和样本量对ESV趋势判别的影响,本研究检验了基于不同时间尺度的ESV线性变化趋势(图7)。随着采样间隔的扩大,样本量急剧下降,线性趋势的斜率和不确定性范围有扩大趋势,区间极差由1a的32.4上升到6a的135.2。与此同时,线性拟合函数的R2有下降趋势,从1a的0.99下降到6a的0.98,标准误差则呈现上升趋势,从318上升到403,表明样本量下降时拟合优度下降,误差上升。因此,小样本可能导致趋势变化量的低估和不确定性范围扩大。总体来看,基于逐年尺度的ESV估计能够获得更加精细、可靠的趋势判别结果。

图7 不同采样间隔的ESV时间演变线性趋势斜率及其不确定范围Fig.7 Linear slope and its uncertain scope of ESV across different sampling intervals

2.4 不确定性分析

基于当量因子法计算生态系统服务价值主要包括土地利用面积和当量因子两个参数,因此这两个参数的不确定性决定了ESV计算结果的可靠性。土地利用数据一般来自于两个途径:用户使用卫星遥感影像自行解译和土地利用解译产品。其中,土地利用解译产品由专业部门解译并进行质量控制,具有较好的通用性,但不同解译产品之间仍可能存在差异。为评估解译产品之间的差异性,本研究与资源环境科学与数据中心的土地利用产品进行了对比(图8)。结果表明,两个数据源的土地利用在结构上具有一定的相似性,均以林地为主,其次是耕地、草地、水域和建设用地。但是耕地、草地与建设用地的面积存在较大差异,特别是耕地和草地。本研究的耕地解译结果显著高于对比结果22%,而草地则低于对比结果18%。进一步分析发现,造成这种差异的主要原因可能是两个数据的土地分类存在差异,本研究采用的数据源的分类中存在一部分类别交叉情况,例如代码30类别中是以耕地为主(占比>50%),同时含有一定覆盖度的草地。本研究的耕地面积可能存在高估,而草地的面积可能存在低估。由于耕地单位面积生态系统服务价值高于草地,因此可能导致总体ESV偏高。单位面积的生态系统服务价值系数(简称当量因子)是ESV计算的另一重要不确定性来源。当前当量因子主要采用Costanza[4,23]和谢高地等[7]的计算结果及其各种修正形式[8—10, 30]。由于计算依据存在差异,不同研究之间的当量因子取值缺乏可比性和参考性,造成了ESV计算结果存在较大的不确定性。此外,本研究未考虑未利用地的ESV,一般默认为可忽略或取较低的数值[14],由于研究期间的未利用地面积占比0.18%—0.25%,对结果影响有限。

图8 不同来源长江流域土地利用面积比较Fig.8 Land use area of the Yangtze River Basin in selected years from different sources

3 结论

本研究根据逐年尺度的土地利用数据,构建了修正生态系统服务价值计算模型和FLUS模型,分析了长江流域ESV的历史演变特征与未来趋势,得到主要结论如下:

(1)1992—2018年长江流域ESV总体呈上升趋势,年均提高297亿元。供给服务价值是流域ESV的最大贡献源,占总量的48.3%—51.8%,其次是调节服务、支撑服务和文化服务。其中,文化服务价值增长了52.5%,是实现长江流域ESV升高的主要驱动力。建设用地的正向服务价值是影响长江流域ESV计算结果和趋势的关键因素,提高城市生态系统的服务价值对提升长江流域ESV具有越来越重要的作用。

(2)上游地区是长江流域的ESV最集中的区域,上游ESV占全流域的45.1%—46.8%,中游和下游地区依次递减。从1992年到2018年,长江上、中、下游地区的ESV总量均处于上升趋势,从上游到下游ESV上升幅度依次上升,长江流域ESV重心有向下游流动的趋势。

(3)2030年长江流域的建设用地将进一步扩展,同时耕地、草地面积有下降的风险。建设用地的增长将提升娱乐和气候调节服务价值的提升,导致长江流域2030年ESV呈上升趋势,2030年长江流域的ESV新增量为3563.2亿元。

(4)开展逐年尺度的生态系统服务价值演变分析可有效降低变化趋势判断的不确定性。随着采样间隔的扩大和样本量的下降,土地利用变化的线性斜率和不确定性范围均有扩大趋势,造成拟合优度下降和误差上升。基于逐年尺度的ESV核算有利于获得精细、可靠的趋势判别结果。