基于四象限模型的生态系统服务与人类活动强度关联性分析——以皖南国际旅游文化示范区为例<br/>

基于四象限模型的生态系统服务与人类活动强度关联性分析——以皖南国际旅游文化示范区为例

2022-07-30刘永婷徐光来杨强强刘世杰何开玲

生态学报 2022年13期

刘永婷,杨钊,徐光来,杨强强,刘世杰,何开玲

1 安徽师范大学地理与旅游学院, 芜湖 241003

2 安徽省江淮流域地表过程与区域响应重点实验室, 芜湖 241003

生态系统是人类社会的重要组成部分,为人类生存和发展提供了一系列至关重要的服务和功能[1]。生态系统服务(Ecosystem Services, ES)是生态系统对人类福祉的贡献,为人类的生存和社会发展提供了自然物质基础[1—3]。生态系统服务价值(Ecosystem Service Value, ESV)作为表征生态安全程度的重要指标,是评估生态保护成效的手段,为区域生态保护和生态文明建设提供科学参考[4—7]。在快速城镇化进程中,土地利用/覆被利用强度逐渐增大,进而引起区域生态系统结构、功能及其服务的变化,同时对人类的可持续发展造成极大威胁[8—11]。定量分析区域生态系统服务空间分异特征,探讨其与人类活动强度在不同尺度上的空间关联特征,对协调人地关系,区域生态系统管理和可持续发展具有重要作用[12—14]。目前,许多学者虽对人类活动强度与ES的空间分布及其相互关系进行了研究,但人类活动与ES之间的线性或非线性关系仍不清楚[15]。人类活动与ES的耦合关系较为复杂,具有较大的空间异质性和尺度依赖性,它们之间的关系因研究区域的自然特征和社会经济因素的变化而发生改变[16—17]。相对县域行政单元,较小尺度上的评价数据可以为上一级行政单元提供更精确的数据支持[18]。开展县域和乡镇空间尺度下对比分析研究,考虑不同因素,对人类活动强度的空间特征进行量化,剖析微观区域ESV空间差异,进而对生态质量进行评价,利于生态系统的精细管理,为制定针对性的生态政策,实现区域生态环境的修复保护提供参考依据[19—20]。

人类活动通过改变土地利用/覆盖直接影响ES的空间分布,社会经济因素改变了一个或多个直接驱动因素间接影响ES之间的关系[21—23]。ES空间异质性的内在机理有待进一步明晰,如何定量识别影响ES空间分异的关键驱动指标以及主导影响因子交互作用机制,现已成为生态系统服务研究的重要前沿议题[23—25]。由于自然因素和生态过程的区域分异,ES具有显著的空间异质性,在不同空间尺度上,利益相关者对各类型ES实际需求和重视程度不同,ES与其驱动因素的关系强度也可能因空间尺度不同而存在差异[26—27]。目前,ES对社会生态驱动因素的线性或非线性响应随空间尺度变化的研究相对较少,基于不同尺度对区域内ES与自然、社会驱动因素的研究,可以协助决策者在不同空间尺度制定相应的管理策略,从而为生态安全建设提供相应的理论支撑[26—28]。鉴于此,本文以皖南国际旅游文化示范区(简称示范区)为案例地,应用探索性空间数据分析方法厘清县域和乡镇尺度的ESV空间上的分布特征,基于四象限模型衡量人类活动强度与ESV之间耦合关系,并运用相关性分析和地理探测器基于县域和乡镇尺度来厘清ESV与自然、社会经济驱动因素之间的关系,将宏观和微观尺度分析的优势相结合,深入地评估驱动因素如何影响ESV的空间格局,为决策者在不同空间尺度制定区域经济发展与生态平衡的“双赢”政策,更加有效地实施生态系统服务管理,为示范区的山水林田湖草生态保护和生态文明建设提供基础性参考。

1 研究区概况

图1 皖南国际旅游文化示范区的地理位置及高程 Fig.1 Geographical location and elevation in the International Tourism and Culture Demonstration Zone of the South Anhui Province

示范区位于安徽省的南部地区,包括7市、47个县(市、区),面积5.7万km2(图1)。示范区属于典型的亚热带季风气候区,森林、湿地和水域是示范区主要的生态系统类型,这些生态系统的稳定空间格局对研究区乃至全省的经济发展起着重要的作用。示范区由于其优越的地理条件和生态环境,旅游资源禀赋极高,自然和人文景观相得益彰,具有较好的生态支撑能力。2009年皖南国际文化旅游示范区设立,示范区城镇化步伐加快和旅游经济快速发展,至2019年底,区内平均城镇化率达到58.06%,旅游总收入4436.48亿元,占全省比重的52.0%。近年来,部分区域土地资源的不合理开发和利用,水土流失现象严重,生态脆弱区增多[29]。这些条件严重影响了研究区的生态特性、生物多样性和生态系统服务,造成了水土资源的破坏和生态系统的破碎化。因此,厘清人类活动与生态系统服务的耦合关系,利于实现区域生态环境协调发展和全面提升居民生活福祉。

2 数据来源与研究方法

2.1 数据获取与处理

本文土地利用/覆被数据以2019年Landsat8 OLI遥感影像为主要数据源(地理空间数据云,http:www.gscloud.cn),基于ENVI5.2软件,通过人工目视解译,依据国家标准(GB/T 21010—2017)及研究区生态系统特征,采用面向对象分类法分为：耕地、林地、草地、水域、建设用地、未利用地,并依据同期Google Earth、天地图高清影像对人工选取的各地类感兴趣区(Region of Interest,ROI)进行目视校准,获得示范区2019年分辨率为30m×30m土地利用分类数据,随机选取400个点进行验证,总分类精度达90.61%,kappa系数为0.89,满足应用精度要求。计算2019年各生态系统单位面积服务价值所用的粮食作物产量、粮食种植面积及粮食价格等资料来源于《安徽省统计年鉴》、《中国统计年鉴》和《全国农产品成本收益资料汇编》。

本文驱动因子指标主要选择影响ESV的自然和社会经济因素,并利用K-Means分类对各驱动因素进行空间离散化形成类型。高程(DEM)数据来源于地理空间数据云；坡度基于DEM提取；气温和降水观测资料均来源于中国气象数据网(http://data.cma.cn),以研究区37个气象站2019年的数据为参数,运用ArcGIS 10.3的普通克里金插值法获取年均气温和降水量的栅格数据；土地垦殖率和人为影响综合指数(Human Active Index, HAI)结合实际并参考相关文献计算[18,30—31]；道路密度和水网密度基于ArcGIS 10.3软件利用2019年道路、水体的矢量数据计算(http://www.webmap.cn/)；2019年夜间灯光遥感数据(DMSP/OLS)来自美国国家海洋和大气管理局(NOAA)；2019年归一化植被指数(Normalized Difference Vegetation Index, NDVI)和人口密度数据均来自中科院资源环境科学数据中心(http://www.resdc.cn)。为便于空间数据的分析处理,以上所有数据均基于ArcGIS10.3平台转换为统一的空间坐标系(WGS_1984_UTM_zone_50N)。

2.2 研究方法

2.2.1生态系统服务价值评估

本文依据谢高地等[7,32]的ESV当量因子法,根据研究区单位面积平均实际粮食产量和同期全国单位面积粮食产量,以此得出研究区生态系统服务当量价值的修正系数,确定了1个标准当量因子的经济价值。依据示范区土地利用类型的特征,将土地利用分类价值当量与最接近谢高地的生态系统类型相联系,耕地对应农田；林地对应森林,即针阔混交、阔叶与灌木的平均值；草地取灌草丛和草甸的平均值；水域对应水系；未利用地对应裸地,建筑用地系数参考已有研究[32—33]。相关计算公式详见参考文献[32]。

2.2.2ESV空间异质性

2.2.3生态质量评价

生态质量受到自然和社会经济等多种因素的制约,其优劣程度与NDVI和不透水建筑面积有密切关系[36]。目前,许多学者主要基于景观格局、构建综合指标体系和遥感综合生态指数等方法量化生态质量优劣[37—39]。本研究通过衡量ESV和人类活动强度的耦合关系来刻画区域生态质量。由于NDVI一般代表区域绿度,是衡量生态环境优劣的重要指标[40]。人类活动是导致生态环境退化的主要驱动因素,因此,区域人类活动强度通过NDVI和人为干扰两个方面综合测算[41]。人类活动频率、人口聚集和经济发展通常被认为是人为干扰的主要因素,这些活动可以加强ESV的空间异质性。本文选取了NDVI、夜间灯光、人口密度、土地垦殖率和道路密度来衡量区域人类活动强度。其中,NDVI是负指标,说明NDVI值越大,人类活动强度越低,其他四个因子为正指标,值越大,人类活动强度越高[17,42]。由于不同指标数量级及量纲存在差异,为消除其对计算结果造成的影响,对各指标进行标准化处理,以降低随机因素干扰。基于层次分析法和熵值法相结合的主客观赋权法计算各指标相应的权重[43—46]。基于20位本领域高校科研人员的主观赋权意见,邀请5位专家(人文地理学专家3名,生态学专家2名)依据各指标对ESV影响作用的强弱，分别对五个指标进行排序,由此构造指标间两两判断矩阵,再由各专家判断矩阵几何平均得到群决策矩阵,并进行一致性检验,确定指标主观权重。使用熵权法对指标权重客观赋值,再利用最小信息熵原理对主客观权重进行综合,确定各指标权重(表1)。

(1)

式中：wi：综合权重,w1i：层次分析法计算的主观权重,w2i：熵值法计算客观权重[46]。

表1 评价指标权重

图2 生态质量四象限模型[17]Fig.2 Four-quadrant evaluation of ecological quality

四象限模型是基于定性与定量研究相结合来分析房地产市场变化的一种工具[47—48]。随着学科的融合和发展,该模型逐渐应用于研究水资源价值、文旅融合、景观生态质量和生态系统服务质量等方面[17,47—49]。本文采用四象限模型基于县域和乡镇尺度衡量人类活动强度与ESV之间耦合关系,探究区域生态环境质量现状及空间分异特征。该模型以人类活动强度为横轴,ESV为纵轴,构建出四象限模型,基于jenks分级方法将ESV和人类活动强度划分区间,并依据ESV与人类活动强度耦合关系,划分为优质、良好、一般和劣质四个分区[17,48](图2和表2)。

2.2.4自然-社会因子驱动力分析

ESV空间分异受到自然和人文社会经济多种因素综合作用。根据相关文献和研究区实际社会-生态环境背景,选择了年均气温(X1)、降水量(X2)、DEM(X3)、坡度(X4)、水网密度(X5)、NDVI(X6)、HAI(X7)、土地垦殖率(X8)、夜间灯光(X9)、人口密度(X10)和道路密度(X11)11个代表性自然、社会经济因子。基本包括气候、地形、水系、植被覆盖、农业活动、人口聚集和城镇建设等方面,且具有较好的独立性。县域和乡镇尺度是进行景观空间规划和管理决策的基本尺度[28],本研究基于县域和乡镇行政单元研究尺度,运用地理探测器模型探测影响ESV空间分异的因子贡献率和两因子交互作用对ESV的解释力[50—52]。

表2 县域生态质量四象限分区

3 结果分析

3.1 示范区ESV空间分异特征

图3 县域和乡镇尺度下ESV的热点分析Fig.3 Getis-Ord scores of ESV at different scale

3.2 基于四象限模型的生态质量评价

在四象限模型的基础上,对生态质量进行了评价,示范区的生态质量空间分布因研究尺度不同存在一定的差异(图4)。县域尺度上,生态质量良好的县(区)的面积较大,占总面积的60%以上,生态质量低的县域较少。QI、QII和QIII的县数分别为15、17和15个,分别占总面积的59.39%、31.15%和9.46%。QI和QII主要分布在示范区的南部山地丘陵区,QIII主要集中分布在沿江平原地区。乡镇尺度上,大部分乡镇属于生态质量一般区,部分乡镇属于生态质量劣质区,而生态良好和优质的乡镇数量较少。QI和QII主要分布在示范区的南部,约占研究区域的50%,而QIII和QIV主要集中在沿江平原地区。QI、QII、QIII和QIV的乡镇数分别为38、284、206和15个,分别占总面积的16.77%、48.89%、29.76%和4.58%。生态质量劣质区主要分布在沿江平原地区,生态质量一般区分布在研究区域南部和西部地区,其他地区分布比较零星。从地貌特征上可以看到,这些生态质量良好区主要分布在皖南低山丘陵和皖西生态资源比较丰富的地区,生态质量较差区主要分布在沿江平原城乡建设用地比例高及耕地资源丰富的地区。

图4 县域和乡镇尺度下生态质量四象限分布Fig.4 The four-quadrant distribution of ecological quality at different scale

3.3 ESV驱动机制分析

为保证驱动因子选择的合理性和科学性,利用相关分析对ESV与自然-人文驱动因素进行检验,并判别驱动因子对ESV的作用力方向(图5)。在县域尺度上,除了X1外,ESV与各因子的相关性均通过显著性水平检验,X2、X3、X4、X5、X6和ESV之间存在正相关关系,其他则存在负相关关系。在乡镇尺度上,X5、X6、X7、X8、X9、X10、X11与ESV的相关性相对较高,均达到显著性水平,其他因子的相关性较低。

图5 ESV驱动因子相关性分析Fig.5 Correlation analysis of driving forces for ESV at different scale*：通过0.05的显著性水平检验；**：通过0.01的显著性水平检验

基于地理探测器计算各探测因子对示范区县域和乡镇尺度ESV的探测力q统计值及显著性检验,并定量识别其空间异质性特征(图6)。同一因子因空间尺度不同对ESV的作用强度(q值)存在显著差异。各驱动因子之间存在交互作用,双因子或非线性地加强了对ESV空间分布的解释力。县域尺度上,除X1外,其他探测因子q值均通过0.05水平的显著性检验,对ESV的空间分异特征具有较强的解释力。影响县域ESV空间分异的第一主导因素是X5(q=0.88),第二主导因子是X10(q=0.50),其次是X9(q=0.39)、X11(q=0.36)、X7(q=0.34)和X6(q=0.27),均通过了0.01的显著性检验,表明上述因子的解释贡献度较高。主导交互因子为q(X5∩X8),q值为0.98,即这组因子的交互作用能在98%的程度上解释县域ESV空间分异特征。X5、X10与其他驱动因子交互作用均在0.50以上,进一步验证了X5和X10对ESV空间分异特征的解释力高于其它驱动因素。乡镇尺度上,除X1和X3外,其他影响因子q值均通过0.05水平的显著性检验,具有相当的解释作用。X5(q=0.28)和X7(q=0.05)对ESV空间分异特征的解释力较强,且通过了0.01的显著性检验,其次是X4(q=0.04)和X6(q=0.04),是ESV的空间分异的重要影响因素,而X2(q=0.02)、X9(q=0.02)和X10(q=0.02)解释贡献度相对较小,是ESV的空间分异基础性影响因子。交互主导因子为q(X5∩X6),q值为0.52,进一步验证了X5和X6是ESV空间差异的重要驱动因子。

图6 示范区ESV驱动力交互探测结果Fig.6 Interactive detection results of driving forces for ESV at different scale

由上述分析可知,年均气温在示范区内空间差异相对较小,对ESV空间分布的影响不显著。水网密度、HAI、人口密度、NDVI和路网密度等因子之间交互作用显著影响示范区ESV空间分异特征,除水网密度(X5)外,其他各驱动因子在县域和乡镇尺度上对ESV影响程度存在一定差异。在交互作用探测中,各因子对ESV空间分布影响的差异性表现显著,在县级和乡镇尺度上均呈现出较强的双因子增强交互作用。任意两两驱动因素交互作用后,对ESV空间分布的影响力均存在协同增强的作用,说明研究区ESV空间异质性是受多种因素协同交互的影响。

4 讨论与结论

4.1 讨论

随着城镇化进程加快,人类活动对生态环境的干扰明显增强,生态质量是人类活动干扰与生态系统自身稳定性的综合反映[30]。生态质量模型反映了人类活动强度与ESV在相互影响和制约下的耦合关系[54]。示范区人类活动强度与ESV耦合程度因空间尺度不同而存在很大差异。县域生态状况总体较好,生态质量优质区约占总面积的60%,生态质量较差的县区较少,只占总面积的9.46%,主要集中在沿江经济较为发达的地区,这与以往的研究相一致[36]。乡镇生态状况主要分布在QI、QII和QIII,而只有4.58%的乡镇分布在高度耦合的QIV。人类活动强度与ESV的耦合关系在研究区基本协调一致,生态质量则表现出明显的地域性差异。皖南山地丘陵区具有很大的生态优势和丰富的森林资源,由于山区多,交通不便,人类活动强度与ESV耦合程度较高。沿江平原地区,人口密度大,城镇建设用地扩大,生态资源被占用和破坏现象较为严重,人类活动强度与ESV的耦合程度较低。改善人类活动强度与ESV之间的耦合关系将是一个长期而渐进的过程[17]。对于示范区人口密度高、ESV低的乡镇,应进一步采取针对性的可持续生态恢复措施,协调人与环境的耦合关系[55]。

自然、社会经济因素因空间尺度不同而存在异质性,在不同的尺度上对ES产生影响方向和程度也可能存在差异[56—57]。了解ES和驱动因素之间关系的多尺度特性,利于ES的分级治理和促进区域可持续发展[58]。自然和社会经济因素共同主导示范区ESV的空间分布特征,这些因素对示范区ESV空间分异的作用强弱因空间尺度不同而存在一定程度的变化。社会经济因素在县域尺度上对ESV空间异质性的影响力高于自然因素,乡镇尺度上,ESV空间分异特征是自然、社会经济因素综合作用的结果。水网密度、HAI、人口密度、NDVI和路网密度是县域和乡镇尺度下ESV空间分异的主要驱动因子,降水量虽然对ESV空间分异的解释力较小,但仍然是ESV空间分异不可或缺的因素。沿江平原地区社会经济发展迅速,人口密度逐渐增大,经济快速发展带动土地城镇化速度加快,在此过程中植被减少,加大了对生态系统服务威胁。南部地区主要是山地和丘陵,土地利用和人类活动强度以及经济发展规模相较于沿江平原地带较小,植被覆盖度较高,破碎化程度低,受人类活动干扰小,ESV保持在较高水平。因此,区域内ESV的空间分异主要受制于人类活动强度,其原因是人口密度的增加造成耕地及建设用地侵占其他生态类型用地,加重了周边城镇地区的生态压力。针对生态质量较差的乡镇,未来加大保护自然环境的力度,不适宜耕作的区域恢复成林地或滩涂,实施生态修复和恢复生物多样性,对林地和水域进行科学合理的旅游景区开发,提升其文化服务价值,在一定程度上可以保障该区域生态安全。

本文运用了价值当量因子法,并考虑示范区实际情况对其进行了修正,但评估结果与实际价值可能会存在一定差异,如何实现对ESV更为精确的估算是今后一个重要的研究方向。本文基于多尺度视角仅探讨了人类活动强度与ESV耦合程度空间分布特征,未来将补充相关数据资料,进一步探究ESV与人类活动强度耦合关系的时空变化特征及相互作用机制。由于社会经济数据多以县域为单元,乡镇及以下尺度的数据获取存在困难,本文未将产业结构、生态工程措施和人为政策等因素纳入到ESV格局分异机制的分析框架中。如何更精准地定量研究各驱动因子在不同尺度上对ESV的影响,尤其是人类活动中生态工程措施的作用将是后续研究关注的重点。与传统研究方法相比,应用地理探测器在分析地理现象空间分异并揭示其潜在影响因子方面具有独特优势,但其基本原理决定了在揭示驱动要素背后影响机制时具有一定局限性[41,58]。ESV的空间异质性是自然和社会经济因子复杂耦合作用的空间现象,在空间分布上具有耦合性的要素不一定具有直接的因果关系,仅从因子解释贡献度难以全面厘清ESV的影响机制[25,50,52]。未来将结合社会调查数据,重视不同影响因素尺度效应,运用质性研究方法探讨ESV空间异质性的影响机制。