西南地区生态系统服务价值时空演变及模拟预测

王金凤,刘 方, 白晓永,代 稳,李 琴,吴路华

1 贵州大学资源与环境工程学院,贵阳 550001 2 中国科学院地球化学研究所环境地球化学国家重点实验室,贵阳 550001 3 中国科学院普定喀斯特生态系统观测研究站,安顺 562100 4六盘水师范学院旅游与历史文化学院,六盘水 553004

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[1- 2],西南地区地处长江、珠江两江上游是我国重要的生态屏障,同时该地区自然地理环境复杂多样,喀斯特地貌广泛分布,也是我国生态环境极度脆弱的区域,因此该地区ESV的时空格局演化,对构建我国生态安全格局和实现区域可持续发展具有至关重要的作用。ESV作为生态环境重要组成部分和实现生态资产转化的重要途径,早已引起了国内外众多学者的关注[3- 8],他们从不同尺度区域生态景观转变引起的 ESV 变化进行探讨。Costanza 等率先对全球16种生态景观用地的服务功能进行货币价值评估。谢高地等[9]结合中国的实情,构建了符合中国实情的ESV计算体系,并对不同生态景观的ESV大小进行了评估[10- 11]。陈永春等基于土地利用变化和ESV评估模型对安徽省市域尺度上土地利用变化对ESV的影响进行了评估分析[12]。张斯屿等基于InVEST模型对县域尺度ESV进行了评估[13]。与此同时,一些专家[14- 16]还采用灰色模型和系统动力学等模型进行区域ESV的预测,为区域可持续发展提供参考。近年来,Sutton等使用人类消费和实际的生产力损失两个数据集来描述对ESV的影响,获取了每年损失的ESV量化数据[17]。Teoh 等利用与人类有关的可操作性、国内生产总值和ESV稀缺性等因素解释了全球文化ESV经济价值趋势[18],这些研究推动了ESV在重大决策中的应用,使得ESV在国家战略中具有十分重要的意义。

尽管国内外学者在计算不同地区ESV变化和提供政策参考方面取得了大量成果,但以往研究大多为单一的数据阐述,难以在空间上明确过去-现在ESV盈亏的具体位置,这就使得在空间位置上落实生态补偿机制面临困境。此外,对不同区域ESV 未来盈亏走向空间格局演化研究较少,难以明确这些地区未来时空演化格局,摸清未来发展方向,致使这些地区在用地布局和明确经济发展方向上存在严重制约。基于此,本文以生态环境极富代表性的西南地区为研究对象,运用ESV计算体系对该区过去-现在(10年)ESV空间盈亏格局演变分析,采用Logistic-CA-Markov耦合模型预测其ESV未来10年空间演变格局。通过揭示西南地区过去-现在-未来ESV时空演化规律,提供长时间序列的时空演化图谱,将有助于西南地区制定详细生态规划和落实生态资产转换政策,为西南地区社会经济发展和生态环境保护提供决策支持。

1 研究区与数据来源

1.1 研究区概况

图1 研究区空间位置分布示意图Fig.1 The spatial distribution of the study area

西南地区由四川省、重庆市、贵州省、云南省、广西壮族自治区及西藏、青海的部分地区组成,地处21°48′—37°36′ N,82°42′—113°41′ E,总面积约230万km2(图1)。平均海拔3600m,最高海拔高度为7195m。地跨中国一、二级阶梯,地势西高东低呈阶梯状下降,具有高原、平原、盆地、丘陵等多种地貌类型。气候类型从低纬到高纬具有热带季风气候、亚热带季风气候、温带大陆性气候,高原山地气候等类型。降水量200—2700mm,降水差异大,主要集中于夏季,干湿分明。植被具有热带雨林、常绿阔叶林、草原等多样类型。该区横跨多种地貌类型,生态类型复杂,具有ESV研究典型性和代表性。

1.2 数据来源

本文所需数据主要包括西南地区土地利用图、海拔、人口密度、国内生产总值 、统计年鉴等数据,数据来源具体如下(表1)。

2 研究方法

2.1 生态服务价值测算

据Constanza等人[1]估算ESV方法,其计算公式为：

ESV=∑AiVCi

(1)

ESVS=∑AiVCsi

(2)

式中,ESV为某类生态景观的总体生态系统服务价值,Ai为第i类生态景观类型的面积,VCi为第i类生态景观生态价值系数;ESVs为某类生态景观的单项服务价值,VCsi为单项ESV系数。每类生态景观的单项服务价值主要包括食物生产、原材料生产、水源涵养、气体调节、气候调节、废物处理、娱乐文化价值、生物多样性保护。研究区的生态景观类型为耕地、林地、草地、水域、未利用地和建设用地6个类型,分别对应于农田、森林、草地、水体&湿地、荒漠生态系统类型,建设用地参考董家华[19]、石垚等[20]的研究,确定其在水源涵养和废物处理方面生态效益为负值,其他方面生态价值为0。其余各类生态景观的单项服务价值系数参照谢高地中国生态系统单位面积生态服务价值当量表。1个生态服务价值当量因子的经济价值以粮食产量的净利润为计算准则,同时结合王航等[21]提出的CPI指数修正ESV系数法进行西南地区ESV系数的计算,2005年的西南地区平均CPI为101.8%,2015年为101.4%,为了后期预测模拟时的ESV对比研究,以2015年为基准计算整个西南地区不同生态景观类型ESV系数(表2)。

表1 主要数据来源

POP: Population density map;DEM: Digital elevation model map

表2 西南地区各生态景观单位面积ESV系数/(元/hm2)

ESV系数(Ecological service values coefficient, ESVC)

2.2 Logistic-CA-Markov预测模型

运用 Logistic回归获取分布适宜性图集,Markov模块得到转移概率,在CA驱动模块实现模拟运算,完成模拟预测。

2.2.1Logistic回归

利用Logistic回归方程构建研究区因变量与影响生态景观类型产生变化的自变量之间的模型[22],具体公式如下：

(3)

(4)

式中,pi表示出现某种生态景观类型的概率,b0b0为回归模型常数项,b1-bmb1-bm为回归系数,x1-xmx1-xn表示驱动力因子。Logistic回归结果ROC曲线,取值范围从0.5到1,当ROC>0.75时表明拟合结果能够满足预测要求。

2.2.2CA-Markov 模型

Markov转移矩阵[23]的表达式如下：

(5)

(6)

式中,S表示面积；P表示概率；i、j(i=1,,2…,n,j=1,,2…,n)分别表示转移前与转移后的生态景观类型。生态景观类型si转为sjsj的转移概率p(si→sj)=p(si|sj)=pij。

CA具备模拟复杂空间动态变化的能力[24],Markov模型具有长期预测的优点,CA-Markov 耦合提高了预测精度,能在空间上较好地体现生态景观格局的演化特征。

3 结果分析

3.1 西南地区生态系统服务价值演变

西南地区自然地理环境空间差异大,异质性较强,精确地计算各个省份的 ESV难度较大,采用统一的ESV系数(表2)来计算西南地区各省份各类生态景观单位面积的 ESV,虽然难以给各省生态环境制定一个绝对的价格标签,但能相对准确地揭示西南各省区时空二维动态演变格局和推演未来演变趋势,为科学制定西南各省区生态规划提供参考。

3.1.12005—2015年ESV时间变化

总体ESV演变。 2005—2015年西南地区总体ESV净增20.85亿元,每年增加2.09亿元,增长率0.07%(表3)。从生态景观ESV来看,水域的ESV明显增加,增幅3.37%。其他生态景观的价值均减少,建设用地减少最为明显,减少了28.68亿元。从ESV变化率可以发现,建设用地和水域的变化率最大,建设用地和水域ESV变动,一定程度上控制了西南地区ESV的变化。

生态景观是ESV的载体,ESV的变化与生态景观面积的(图4)变动具有一致性。10年间水域和建设用地面积不断增加,耕地、林地、草地、未利用地面积不断减小。西南地区河网密布,湖沼、湿地众多,具有三江源等重要的水源保护地。为加强水源保护,近年来新建了大量的人工河湖、水库和湿地。同时在气候变暖的背景下,雪线不断后退,西藏、青海等地的冰川雪山大量融化,水域面积不断增长,ESV增加。由于西部大开发的速度加快,建设用地增长迅速,建设过程中不可避免地占用了耕地、林地、草地,使得ESV减少。西南地区的ESV在生态景观用地两增四减的过程中呈现稳步增长的趋势。

表3 2005—2015年ESV贡献和变化

单项ESV演变。西南地区2005—2015年的生态系统单项服务价值变化不显著(图2)。废物处理、水源涵养、气体调节、气候调节、娱乐文化价值在增加,废物处理功能增加最明显,增长0.35%,与水域大面积的增长相关；土壤形成与保护、食物生产、原材料生产、生物多样性保护的价值在减少,土壤形成与保护单项服务价值降低明显,减少0.19%,是建设用地增加占用耕地、林地、草地所致。

2005—2015年西南地区生态系统服务价值的构成中,土壤形成与保护单项服务价值在整个生态服务中占据着主导地位,其所形成的价值占总价值的18%以上。林地、草地生态景观为西南地区主要用地类型,其面积占总面积的70%以上,且分布广泛,故具有较高的土壤形成与保护能力。最小的生态系统单项服务价值是食物生产,占总价值的3%以下,食物生产的单项服务价值在ESV构成中最小,同时西南地区地表起伏大,耕地面积小且分布零星,因此食物生产价值难以体现。

图2 2005和2015年单项ESV/亿元雷达图Fig.2 The radar map of single ESV/billion RMB in 2005 and 2015

3.1.22005—2015年ESV空间演变

ESV空间盈亏流动。基于ESV流动[25],从表4可以看出,各类生态景观的ESV在空间上进行了不同程度的相互转换,耕地受城市建设占用,退耕变成林地草地,少量转化为水域和未利用地,ESV盈亏流动中净减少13.58亿元。林地被河湖淹没转化为水域ESV增加,林地被建设损失价值最大,达23.70亿元。草地转化为水域盈利价值高达41.44亿元,流向耕地、建设用地和未利用地其价值明显亏损。未利用地是一种后备资源,景观转换中ESV变动不显著。总体而言,耕地、林地、草地、水域以及未利用地向建设用地亏损流动,减少的价值不足以抵消其他生态景观向水域的流动带来的盈利,西南地区的ESV净增长。

ESV空间分布变化。根据ESV的数值大小,采用自然断点法,将研究区的ESV分为6个级别,从图3可以看出,西南地区各省ESV等级空间上呈现出西北部和东南部高、中部和北部低的空间分布特点。极高ESV区主要分布在青海、西藏高原区和广西壮族自治区山区丘陵地带,青海、西藏地区,人口稀少,植被茂盛,水源保护地较多,生态优良。广西壮族自治区山区丘陵地带雨热同期,植被覆盖度高,生态环境良好。极低ESV区主要分布在四川省、贵州省和云南省三省交界的周边区域。三省交界的周边区域山峦众多,沟壑纵横,喀斯特地貌广泛发育,植被覆盖度低。

表4 2005—2015年ESV盈亏流动表/亿元

10年期间西南地区的各个等级的ESV相互流转,西藏低级ESV向中级ESV转化,中级ESV向较高ESV转化。云南省较高ESV向高值ESV,高值ESV向极高ESV演变。尽管存在高等级向低等级ESV转化,但低等级ESV向高等级ESV转化较为明显,ESV净增长,表明生态环境治理过程中,生态环境不断改善,生态环境逐步变好。

图3 2005年和2015年不同等级ESV空间分布图Fig.3 Spatial distribution of ESV at different levels in 2005 and 2015

3.2 西南地区生态系统服务价值预测

ESV的变化主要受生态景观变化的影响,要对ESV进行有效预测,则需要对生态景观进行准确的模拟,在此基础上对进一步对ESV进行预测。

3.2.1预测驱动因子分析

采用Logistic回归模型分析生态景观与驱动其变化的因子之间的数量关系,以高程(DEM)、坡度(SLOPE)、距离水域的距离(DOR)3个自然因子和人口密度(POP)、国内生产总值(GDP)、距离建设用地的距离(DOB)3个人文因子[26]与6种生态景观类型进行Logistic回归。从逻辑回归分析方程的回归系数可以看出(表5),耕地分布与人口密度、坡度密切相关,主要分布于多分布于人口极为集中,坡度较为平缓的区域。水域分布与高程和人口密度相关,多分布于海拔较低的区域。建设用地分布受国民生产总值和人口密度的影响,多分布于人口密度大,国民生产总值高的区域。林地、草地、未利用地的分布主要受自然因子驱动。

尽管驱动生态景观分布发生变化的因子各不相同,但生态景观类型的分布受自然的驱动较人文更明显,是自然背景约束下人类活动的结果。从ROC的回归结果可以看出,各生态景观类型的ROC值均在0.87以上,所选驱动因子能够较好的解释生态景观的分布状况,生态景观表面概率分布和真实分布之间具有较好的一致性。

表5 逻辑回归方程和ROC检验

DOB: 距离建设用地的距离;DEM: 高程;GDP: 国内生产总值; POP: 自然因子和人口密度; DOR: 距离水域的距离; SLOPE: 坡度

3.2.2预测精度评价

模拟结果的准确性是预测的关键,尽管2015模拟图与真实图空间布局极为相似,但生态景观受自然背景和人类活动的制约,要精确的预测是比较困难的。Kappa系数是一种计算分类精度的方法,运用IDRISI中的精度检验模块对2015年西南地区生态景观类型图模拟结果进行验证,Kappa结果为0.86,Kappa结果越接近1说明模拟精度越高,可以在整体上能较准确的反映其空间演变轨迹,较好地对ESV进行模拟预测。

为了进一步验证各类景观的模拟精度,将各类生态景观分别提取出来,逐个做Kappa检验(见表6),可以看出整体的精度验证只能说明整体模拟与实际的拟合程度,不能代表每一类生态景观的拟合程度。建设用地和水域Kappa系数相对较低,建设用地相对于其他生态景观而言,面积小,元胞个数少,空间分布较零散,受人类活动影响显著,因此相对于生态景观类型面积大,分布相对集中,主要受自然背景的控制的景观而言,其模拟精度相对较低。水域是研究区增长面积最多,增长幅度最快的景观,准确模拟其空间位置难度较大。每种类型的Kappa系数均在0.59以上,表明预测的各类生态景观及ESV空间布局具有可信性。

3.2.32025年ESV预测

基于2005—2015年的生态景观转移矩阵和Logistic回归分析生成的适宜性图集,运行CA-Markov得到2015年和2025年生态景观预测结果(图4)。利用预测出的2025年生态景观图,进行2025年ESV分析。未来10年,西南地区废物处理、水源涵养、气候调节、娱乐文化单项价值服务价值将持续增加。林地、草地、和水域依然是ESV的主要贡献景观。总体的ESV在2015年的基础上增长6.02%,2025年将达到31398亿元。

图4 西南地区生态景观分布图Fig.4 The map of landscape in Southwest China

尽管自然环境持续向良性发展,但ESV未来演化的过程中,明确那些区域的ESV在增加,那些区域在减少,对实施卓有成效的生态规划具有十分重要的意义。基于ESV空间转移,在空间上提取了ESV增加和减少的图斑(图5)。

表6 生态景观类型模拟精度评价表

ESV空间上盈亏流转,ESV增加3081.15亿元,其增加的区域主要分布在青海西北部和西藏东南部和云南省,主要是水域面积增加,引起了生态效益的增长。ESV减少1158.50亿元,主要受建设用地继续增加,各项景观向建设用地亏损流动所致。ESV减少的区域主要集中在四川省成都平原周边、广西壮族自治区中部,以及重庆市的大部分区域。ESV盈利区域大于亏损区域,西南地区ESV持续增加,生态环境继续好转。

图5 2025年预测EVS区域分布变化趋势图Fig.5 Prediction of the distribution trend of EVS in 2025

4 讨论

生态服务补偿制度的推行,使得生态服务价值的研究越来越受到重视,国内外对ESV定量评估日益增多。本研究对西南地区2005—2015ESV动态演变进行定量分析,采用耦合模型预测2025年ESV格局,尽管揭示了西南地区过去-现在-未来ESV时空演化规律,对该地区实施卓有成效的生态规划及可持续发展提供了重要参考。但在评估方法上仍存在不确定性,由于生态服务与生态功能不可能完全匹配,致使ESV的精确计算存在难以克服的障碍,在未来的研究中需要对各种生态系统服务功能进行更为详细的分类并设计更为准确的价值核算体系,利于更加准确阐明生态服务价值的演变特征。其次，本文运用Logistic-Markov-CA耦合模型精确模拟各类生态景观,预测ESV空间演变。与仅依靠转移概率来预判未来演化趋势的研究相比,本研究在空间布局模拟上取得了一定进展,ESV未来空间布局具有可信性。生态景观受到自然背景和人类活动的影响,其变化是一个复杂的过程,演化驱动机制庞大,因此每类生态景观Kappa结果与整体的Kappa系数难以一致。第三,ESV的进一步研究,还需要考虑经济发展与生态环境之间的协同与制约关系,经济收益与生态损失相关联,通过动态变化模型研究不同发展路径下,经济发展与环境变化之间耦合变化趋势,建立生态服务权衡阈值动态数据库,为当权者提供不同ESV变化与人类福祉之间的演变谱系,为政府提供决策支持。

5 结论

基于ESV计算体系,评估西南地区近10年ESV演变特征,为该地区生态规划和土地利用管理提供了决策参考。2005—2015年该地区总体ESV稳步增长,增长了0.07%,其增长主要来源于水域贡献,单项ESV动态变化不显著；空间上各类生态景观和不同等级的ESV进行了不同程度相互流转,低等级向高等级ESV转化较为明显,其他生态景观向建设用地亏损流动减少的价值不足以抵消向水域流动增加的价值,生态环境不断改善,生态效益持续增长。

运用Logistic-Markov-CA耦合模型对西南地区2025年ESV进行预测,Logistic回归分析结果表明,各类生态景观的ROC值均大于0.87,拟合结果能够满足预测要求。整体Kappa系数为0.86,可以在整体上较准确的反映其空间演变格局。2025年总体的ESV在2015年的基础上增加1783.44亿元,ESV盈利区域大于亏损区域。尽管ESV持续增长,但建设用地增加的生态负效应不可忽视,在未来生态规划过程中,还需慎重考虑。