基于InVEST和生态风险评估模型耦合的湿地生态风险评价——以吉林省为例

李娟娟　李如仁　熊俊峰　吴紫静　孙子涵

摘要：湿地是生态系统的重要组成部分，在保护生物多样性和区域经济发展等方面发挥着不可替代的作用。基于生态系统外部危险性和内部脆弱性，选取了21个关键评价指标，耦合InVEST模型产水量模块和生态风险评估模型，构建生态系统评价体系，估算吉林省湿地生态风险指数，实现吉林省湿地生态风险空间分布特征模拟，为湿地生态保护与建设提供建议。结果表明：吉林省湿地生态风险指数从东至西呈现先升后降的趋势，各市的风险指数排序为：四平市>辽源市>长春市>吉林市>松原市>通化市>延边朝鲜自治州>白山市>白城市，高值区主要集中在西南地区；吉林省应采取更具有针对性的政策和措施，加强对较高风险地区的保护，为维护生态平衡和促进区域社会经济发展提供有力保障。

关键词：湿地；InVEST模型；生态风险评价；风险性；水源供给

中图分类号：X131       文献标志码：A        文章编号：1674-3075（2023）06-0036-09

湿地作为生态系统的重要组成部分，具有水源供给、水文调节、生境维持等重要功能（Fu et al，2018；Picó et al，2020）。近几十年来，随着社会经济迅速发展，人类活动强度增加，湿地资源被大量开发和占用，所受纳的污染物急剧增加，导致脆弱的湿地生态尤其是湿地的水源供给能力遭到破坏（Xu et al，2019）。因此，结合水源供给功能评估湿地生态风险对区域湿地的保护和治理具有科学指导意义。

当前，对于水源供给服务主要通过Soil and Water Assessment Tool （SWAT）、Integrate Valuation of

Ecosystem Services and Tradeoffs tool（InVEST）和MIKE System Hydrological European（MIKE SHE）等模型进行评估（王盛萍等，2012；潘韬等，2013；王尧等，2018），其中，InVEST模型动态性强，可模拟水源供给量空间分布特征，有助于分析区域内水源供给功能的空间差异（黄菁等，2021），同时其数据和参数获取便捷，是目前应用最为广泛的模型，已在甘肃白龙江流域（谢余初等，2017）、亚利桑那州圣佩德罗河流域（Bagstad et al，2013）和美国俄勒冈州Willamette流域（Nelson et al，2009）等区域展开应用，并取得了良好的模拟效果。

目前，评估湿地生态风险的方法主要分为3类，第1类是采用单一指标来评估生态风险，如对重金属（张曼胤等，2007）、有机污染物（张健威等，2021）、抗生素（彭聪等，2019）等指标进行调查后的生态风险评价，该类方法相对简单，方便操作，但评价结果片面，忽略了气候变化、人类活动等因素对湿地生态系统的影响（Peng et al，2018）。第2类是利用模型评价湿地生态风险，如相对风险模型（张天华等，2018）、人工神经网络模型（Jiang et al，2013）等，如Sarkar等（2016）提出了Fuzzy-based Risk Assessment Model（FRAM），利用遥感和GIS工具识别East Kolkata Wetland Area（EKWA）湿地风险强度不同的区域，该方法复杂，处理过程繁琐。第3类是基于生态风险评估概念模型的多指标综合评价方法，如Jiang等（2017）以若尔盖高原为研究区，选取9个关键指标，建立了湿地退化风险评估模型；Li等（2020）基于生态风险评估概念模型，分别从外部危险性和内部脆弱性选取22个评价指标，综合评价了1990-2015年京津冀地区的湿地生态风险；许学工等（2001）将黄河三角洲主要生态风险源洪涝、干旱、风暴潮灾害、油田污染事故以及黄河断流的概率进行了分级评价，并提出度量生态损失与生态风险的公式与指标，完成了黄河三角洲区域生态风险综合评价。该方法通过不同角度选取多个关键指标构建湿地生态风险评价体系，操作性强、便于实施、适用于大区域尺度。传统多指标综合评价方法中均以行政边界为单位展开（Jiang et al，2017；Li et al，2020），缺乏对城市内部空间分布的表征，而以水源供给为主要参数的湿地生态风险评价可分析区域内的空间差异，因此通过二者之间的耦合可探索评价城市内部生态风险的方法。

湿地对吉林省的经济发展和生态平衡有着重要的影响。但是近几十年以来，在社会、经济迅速发展的过程中，因不合理开发利用区域水资源和湿地资源，导致区域天然湿地面积缩小，东部湿地资源减少，西部湿地盐碱化程度加深（马琼芳等，2021），区域湿地生态风险性急骤增加。因此，本研究利用InVEST产水量模型计算吉林省水源供给量，将其作为湿地生态风险评价的输入参数，耦合基于生态风险评估概念模型的多指标综合评价方法，分析吉林省水源供给量和湿地生态风险指数的空间分布特征，基于GeoDA软件，利用双变量空间分析模型耦合的空间效果，明确湿地生态保护与建设的重点区域，为吉林省的湿地生态系统保护和水资源配置提供决策依据。

1   研究区域与数据来源

1.1   区域概况

吉林省位于中国东北地区，湿地类型丰富多样，是全国湿地类型较多的省份之一，湿地大多分布在松原和白城地区。吉林省湿地总面积达到172.8万km2，占区域国土总面积的9.2%，其中天然湿地占吉林省湿地总面积的59.3%（丁月龙等，2020）（图1）。全省地势东高西低，东部为长白山地区，地表水充足，西部为松辽平原，其排水能力弱，故湖泊泡沼分布广泛；气候属大陆性季风气候，季节性变化明显，自西北向东南呈现半干旱气候、半湿润气候、湿润气候，平均降水量为500～600 mm，呈现自西向东递增趋势（朱蕾，2014）。近年来，全省经济与人口发展相对平稳，但发展不均衡，中部地区人口密度大（李静波，2020）。

1.2   数据来源

根据本研究所使用的模型方法，数据主要包括：（1）InVEST模型产水量模块所需数据，主要包括年降水量、潜在蒸散发量、土壤的最大根系深度数据、植物可利用水率等；（2）湿地生态风险性评估主要包括2015年的土地利用数据、气象数据、社会经济数据等。相关基础数据和参数来源如表1和表2所示，对获取的数据按照行政边界进行裁剪处理，并统一进行重采样，设置为分辨率30 m。表内除土壤有关数据外，其余基础数据均为2015年数据，土壤有关数据受获取条件限制，来自世界土壤数据库 （HWSD）和中国高分辨率国家土壤信息网格基本属性数据集（2010-2018年）。

2   研究方法

2.1   技术路线

本文基于土壤、气象以及土地利用等数据，选取了21个关键指标，耦合InVEST模型产水量模块和基于生态风险评估概念模型的多指标综合评价方法，构建了基于生态系统外部危险性和内部脆弱性的生态系统评价体系，估算吉林省湿地生态风险指数，模拟吉林省湿地生态风险空间分布特征，为湿地生态保护与建设提供建议。具体技术路线如图2所示。

2.2   水源供给量计算

水源供给量采用InVEST模型中的产水量模块进行计算，该模块根据水量平衡原理，综合地形、气候以及土地利用等因素，利用降水量减去蒸散发的值得到区域水源供给量，模块的主要算法如下：

式中：Yxj为第j类土地利用类型栅格单元x的水源供给量；AETxj为第j类土地利用类型上栅格单元x的年蒸散量；Pxj为第j类土地利用类型上栅格单元x的年降水量；Wx为植物可存取的蓄水率；Rxj为第j类土地利用/覆被类型上栅格单元x的无量纲Budyko干燥指数，是潜在蒸散发与降水量的比值；Z为Zhang系数，表示季节对降水的影响程度；AWCx 为栅格单元x的土壤有效含水量（mm）；ET0为潜在蒸散量（mm）；Kxj为第j类土地利用类型的栅格单元x上蒸散量E与潜在蒸散量ET0的比值，称为植被蒸散系数；max（DS，x）和DR，x分别为最大土壤深度（mm）和根系深度（mm）；PAWCx为无量纲的植物可利用水率，InVEST模型要求其取值在0～1；Csand为土壤砂粒含量（%）；Csilt为土壤粉粒含量（%）；Cclay 为土壤粘粒含量（%）；Com为土壤有机质含量（%）。

2.3   水源供给服务价值量计算

从表现形式上来看，水源供给、水土保持和调节径流等为水源涵养功能的表示形式（王云飞等，2021），故此处水源供给服务价值计算参考水源涵养服务价值量计算方法，采用影子工程法评估区域的水源供给价值，计算公式如下：

式中：M为区域水源供给服务价值（元）；W为区域水源供给量，单位换算为m3；P为单位库容造价（元/m3），使用《林业生态工程生态效益评价技术规程》（北京市园林绿化局，2014）中的水库建设单位库容投资6.110 7元/m3。

2.4   湿地生态风险评价方法

参考Li等（2020）的湿地生态风险评估方法，从危险性和脆弱性2大方面选取21个指标进行评估。其中，危险性细分为自然灾害、人类危害，自然因素对湿地有着很大的影响，低降水和高气温使得湿地环境遭到破坏（Muro et al，2018），故将降水和温度选为自然灾害的指标，人类活动对湿地有着一定的影响，如建筑用地扩张、人口密度以及GDP等，故将社会经济数据作为人类危害提供指标。

脆弱性细分为面积、结构、功能方面，面积指湿地面积占总面积的百分比%；结构包括斑块数量（NP）、斑块密度（PD）、破碎度（SPLIT）、聚集度（AI）4个景观指标，由Fragstats软件计算得出；功能从调节、供给、支持3个方面选取了10项功能指标。根据谢高地等（2015）提出的生态系统服务价值的当量权重因子，参考其计算的各类生态系统提供的生态服务价值，来计算湿地的生态系统服务价值，计算公式如下：

其中，ESV为区域生态系统服务价值（元），[Ai]为区域第[i]类湿地类型的面积（hm2），Vci为第i类湿地类型单位面积的生态功能总服务系数（元/hm2），因不同土地利用的分类，故将湿地的当量权重因子分配给滩涂、滩地和沼泽，水体的当量权重因子分配给河渠、湖泊和水库坑塘。

在指标的选择和计算完成后，指标需要标准化。通过结合每个指标的归一化值及其权重，通过一系列的计算，得到了危险值、脆弱性值和湿地风险值。而研究选择的指标分成正指标和反指标，标准化公式如下：

其中Pij和nij分别为正指标和反指标的归一化结果，[Vij]为吉林省各市的j指标的原值，Vj为吉林省各市的j指标数组，max（Vj）和min（Vj）分别为吉林省各市Vj指数的最大和最小值。

完成指标归一化后，用指标来计算危险性、脆弱性，危险性为自然灾害和人类危害分别乘以其权重再相加；脆弱性等于湿地面积、结构和功能分别乘以各自的权重再相加。危险性和脆弱性计算公式如下所示：

2.5   双变量空间自相关模型

空间自相关模型可反映某种因素在空间位置的相关程度，分为全局空间自相关与局部空间自相关（邢璐平等，2019）。为了探究水源供给功能与湿地生态风险性的空间耦合效果，采用双变量空间分析模型，借助全局自相关系数反映整体的空间关联和差异状况，计算公式（陈艳红等，2021）如下：

式中：Isr为研究尺度内水源供给量s和湿地生态风险指数r的双变量全局相关系数；Wij为要素i和j之间的空间矩阵；[y]is和[y]ir为第i个评价单元内的水源供给量和湿地生态风险指数，ys和yr为所有评价单元内水源供给量湿地生态风险指数的均值，[σs]和[σr]为方差，n为评价单元总个数。为了全面具体地反映水源供给量与湿地生态风险指数的空间关联性，选用GeoDa软件，采用莫兰指数进行空间自相关性分析，将集聚类型按照空间分布关系，划分为4种聚集类型：高产水―高风险聚集、高产水―低风险聚集、低产水―高风险聚集、低产水―低风险聚集。

3   结果与分析

3.1   水源供给量空间分布特征

基于2015年吉林省降雨量、土地利用、蒸散发等数据，参照2015年《吉林省水资源公报》对模型的Z值进行调整，当Z值为17.0时，模拟水源供给量误差与实际水源供给量271.99×108 m3接近，模拟水源供给量相对误差为0.12%，模拟精度达到99.88%，模拟得到的结果如图3、图4所示。故可认为当Z等于17.0，InVEST的产水量模型在吉林省的模拟效果最佳。

水源供给量模拟结果显示，2015年吉林省水源供给量为272.32×108 m3，市平均产水深度为142.57 mm。从空间分布格局上来看，水源供给量空间分布格局呈现由东南至西北递减的趋势，白山市单位面积内水源供给量最高，为214.14 mm；吉林市地区单位面积内水源供给量最小，为116.62 mm，在总量分布上，延边朝鲜族自治州的水源供给量最高，为61.38×108 m3；辽源市的水源供给量最少，为6.98×108 m3。

3.2   湿地风险性评价

3.2.1   生态危险性   吉林省湿地生态危险性从自然灾害和人类危害2个角度评价，结果如图5所示。

在空间上，危险指数呈现中部地区高，西北部地区略高，东南部地区低的特征，人类危害程度空间分布特征同危险性一致，而自然危害程度呈现从东南向西北递增的趋势。具体来看，中部和西北部地区危险指数高，尤其是长春市，该市的危险指数呈现由北向南递增的趋势，西南部地区危险指数达到最高，而松原市的南部，即与长春市、四平市二者相邻的地区危险指数较高，松原市同样，可能是因为该地区经济发达，湿地面积较小，使得中部湿地承担的人类危害压力大；而东南部地区的城市，如延边朝鲜族自治州北部地区比南部地区的危险指数高，呈现从东南部地区向西北部地区递增的趋势，尤其是其西北部地区，危险指数相对较高，白山市和通化市也呈现同样的趋势，与危险性空间分布特征一致，越往南危险性越低。东南部地区可能受自然因素的影响，降雨多，气温低，以及经济欠发达，GDP、人口密度、建设用地及耕地占比较低，故其自然灾害和人类危害程度低，对湿地危险性较低。

3.2.2   生态脆弱性   吉林省湿地生态脆弱性从面积、结构以及功能3个方面评估，结果如图6所示。

在空间上，湿地生态脆弱指数呈现从东南部向西北部地区递减的特征，大部分市的湿地脆弱指数较高，只有少部分市的脆弱指数略低，高脆弱指数主要集中在东南部地区，如白山市和延边朝鲜族自治州等，低脆弱指数分布在西北部，如白城市；湿地的面积空间分布呈现与脆弱性相反的分布特征，从东南部向西北部地区逐渐递增的，东南部地区面积较少，南部部分地区中等，中部地区较高，西北部地区高；湿地结构的空间分布从东南部向西北部地区递减，有着东部地区较高，中部地区中等，南部部分地区和西北部地区略低的特征，其中松原市的湿地结构破碎度最高；湿地功能的空间分布呈现从南部向北部地区递减，南部地区高，东部中，中部和西北部低的特征。具体来看，东南部地区湿地面积和斑块数量小，斑块密度和破碎度高，聚集度低，该地区的湿地较为分散，而且其生态服务功能中调节、供给的服务价值均很低，对湿地的脆弱性有一定的影响。3.2.3   生态风险性   吉林省湿地风险性从危险性和脆弱性2方面进行综合评估，结果如图7所示。从空间上看，湿地风险指数呈现从东至西先上升后下降的趋势，高值区主要集中在西南地区，如四平市、辽源市等，尤其四平市为高风险区，辽源市的风险指数从南到北递增，越靠近四平市，风险指数越高，该地区湿地面积小，湿地资源短缺，GDP高、人口密度相比较大，建设用地和耕地占比较大，承受的外部压力大，而且生态系统服务价值较低，湿地分散，脆弱性高；中部地区为中或中低风险，如长春市、吉林市等，长春市风险指数呈现从东北向西南递增的特征，与松原市、四平市2者相邻的地区风险指数较高，吉林市风险指数呈现中部地区低，四周高的特点，但吉林市靠近长春市的区域风险指数较高，接近延边朝鲜自治州、通化市、白山市的区域风险指数较低，虽然该地区的危险指数较高，但湿地面积占比高，湿地资源丰富，脆弱性低；西北部地区低风险，如白城市，空间分布特征从东南向西北递增，同吉林市风险指数空间分布特征一致，该地区自然危害程度低，且由于GDP低、人口密度较小等导致人类危害程度较低，另该地区湿地面积大，湿地资源丰富，故脆弱性低。

3.3   双变量空间自相关

为了使风险差异更加清晰，进一步使用双变量空间自相关分析，首先得到全局指数（P=0.01）为-0.423，表明模型耦合结果中水源供给量和湿地生态风险指数之间存在一定的负向空间关联性；其次通过局部莫兰指数显示高产水―低风险集聚区与低产水―高风险集聚区的数量和占显著区的73%以上（图8），主要集中在长白山区和中部平原地区。

4   讨论

4.1   耦合模型评价效果较好

本研究通过耦合InVEST模型产水量模块和基于生态风险评估概念模型的多指标综合方法来评价吉林省湿地生态风险，这2种模型在若尔盖高原（Jiang et al，2017）、京津冀（Li et al，2020）、北三河（李文静等，2021）等全国各地开展了应用并取得良好效果。基于生态风险评估概念模型的多指标综合评价方法虽在国内有着较为广泛的应用，但其往往局限于城市之间的风险性，难以反映行政区内部的生态风险空间差异，而将其与InVEST模型产水量模块进行耦合，借助于产水量模块空间可视化优势，初步实现湿地生态风险性的空间分异特征。除此之外，本研究基于水源供给量进行评估，相比传统方法中仅通过生态服务价值法（Jiang et al，2017；Li et al，2020）来反映生态服务过程，更客观，结果也更准确。最终，耦合模型初步实现了危险性、脆弱性、风险性空间评价，为探索行政区域内部的湿地生态风险性提供了思路。

与此同时，吉林省湿地生态风险评估结果显示，中部地区风险指数较高，尤其中部偏西南地区，而东部地区风险指数较低，以往相关研究也印证了这一点。张继权等（2007）以吉林省为研究区，选取30个指标，构建生态灾害风险评价模型，评估了吉林省的生态环境风险水平，得到风险水平空间格局为中部较高、东部较低，但其并未考虑湿地生态，本研究结合了湿地相关指标估算风险指数，通过耦合发现了西部风险指数相对较低，此因西部松辽平原湿地资源丰富（丁月龙等，2020），导致脆弱性较低，其次，西部地区湿地脆弱性呈现东高西低，符合张美琪（2021）的研究结果。双变量空间自相关和莫兰指数显示高产水―低风险集聚区与低产水―高风险集聚区（图8），主要集中在长白山区和中部平原地区，这一分布特点也在梁警丹（2007）和吴健等（2017）的研究中得以印证。此外，低产水―高风险集聚区面积较大，以往相关研究（谢余初，2015；李辉等，2021）也证实水源供给服务变化会对生态风险性产生直接影响，故针对该集聚区需采取合理的湿地保护建议，增强区域的水源供给服务能力，加强湿地生态系统的保护与修复，实现区域的可持续发展。

综上所述，耦合InVEST模型产水量模块和基于生态风险评估概念模型的多指标综合评价方法对吉林省湿地生态风险的评价效果较好，可快速、准确地开展区域湿地生态风险评估，有助于湿地生态管理更精细化。

4.2   耦合模型的局限及改进

本研究通过耦合InVEST模型产水量模块和基于生态风险评估概念模型的多指标综合评价方法，对吉林省湿地生态风险进行评估，更具直观、准确意义，但耦合过程也存在一定的局限，如有部分指标无法空间化，而采用赋值法得到，后续还需深入研究以进一步改进该模型。同时，本研究将吉林省视作封闭空间，未考虑其他省市对吉林省的生态影响，参考经济溢出、城市化与生态环境关系方面的文献（卢斌和王莹，2010），可知随着区域城市化步伐逐渐加速，城市发展的溢出效应也在持续增加，对城市及其周围地区的生态环境也有着一定的影响。未来将进一步考虑周围城市的生态风险溢出效应等相关指标，更为全面地估算湿地生态风险性。

参考文献

包玉斌，李婷，柳辉，等，2016. 基于InVEST模型的陕北黄土高原水源涵养功能时空变化[J]. 地理研究，35（4）：664-676.

北京市园林绿化局，2014. 林业生态工程生态效益评价技术规程： DB11/T 1099-2014[S].

陈艳红，于婧，聂艳，等，2021. 土地利用水平与景观生态风险的空间耦合： 以十堰市为例[J]. 水土保持研究，28（1）：285-291.

丁月龙，赵春子，张洺也，2020. 吉林省湿地现状与保护建议[J]. 贵州农业科学，48（7）：119-122.

窦苗，孙建国，陈海鹏，2017. 基于InVEST模型的横断山区产水量模拟[J]. 安徽农业科学，45（21）：54-58.

傅斌，徐佩，王玉宽，等，2013. 都江堰市水源涵养功能空间格局[J]. 生态学报，33（3）：789-797.

顾铮鸣，金晓斌，沈春竹，等，2018. 近15a江苏省水源涵养功能时空变化与影响因素探析[J]. 长江流域资源与环境，27（11）：2453-2462.

黄菁，范继辉，何晓蓉，2021. 基于InVEST模型的张家口地区水源涵养功能研究[J]. 山地学报，39（3）：327-337.

吉林省统计局，2016. 2016吉林统计年鉴[M]. 北京：中国统计出版社.

李辉，周启刚，李斌，等，2021. 近30年三峡库区生态系统服务价值与生态风险时空变化及相关性研究[J]. 长江流域资源与环境，30（3）：654-666.

李慧颖，2019. 基于遥感和InVEST模型的辽宁省退耕还林工程生态效应评估[D]. 长春：吉林大学.

李静波，2020. 吉林省人口就业结构演变研究[D]. 长春：吉林大学.

李文静，王盛，李庆，等，2021. 气候和土地利用变化对北三河流域生态系统水源供给服务功能的影响[J]. 华东师范大学学报（自然科学版），（4）：99-108.

梁警丹，2007. 吉林省生态灾害风险评价与管理对策研究[D]. 长春：东北师范大学.

卢斌，王莹， 2010. 基于格网GIS的艾比湖流域城市化与生态环境效应评价研究[D]. 西安：西北大学.

马琼芳，燕红，李伟等，2021. 吉林省湿地生态系统固碳和释氧服务功能分析[J]. 生态环境学报， 30（12）：2351-2359.

潘韬，吴绍洪，戴尔阜，等，2013. 基于InVEST模型的三江源区生态系统水源供给服务时空变化[J]. 应用生态学报，24（1）：183-189.

彭聪，巴俊杰，胡芬，等，2019. 广西会仙岩溶湿地典型抗生素污染特征及生态风险评估[J]. 环境科学学报，39（7）：2207-2217.

王盛萍，张志强，Ge S，等，2012. 基于MIKESHE模型的潮河流域土地利用与降水变化对水文的影响评价[J]. 生态与农村环境学报，28（3）：320-325.

王尧，徐佩，傅斌，等，2018. 森林生态系统水源涵养功能评估模型研究进展[J]. 生态经济，34（2）：158-164.

王云飞，叶爱中，乔飞，等，2021. 水源涵养内涵及估算方法综述[J]. 南水北调与水利科技（中英文），19（6）：1041-1071.

吴健，李英花，黄利亚，等，2017. 东北地区产水量时空分布格局及其驱动因素[J]. 生态学杂志，36（11）：3216-3223.

谢高地，张彩霞，张昌顺，等，2015. 中国生态系统服务的价值[J]. 资源科学，37（9）：1740-1746.

谢余初，2015. 基于InVEST模型的甘肃白龙江流域生态系统服务时空变化研究[D]. 兰州：兰州大学.

谢余初，巩杰，齐姗姗，等，2017. 基于InVEST模型的白龙江流域水源供给服务时空分异[J]. 自然资源学报，32（8）：1337-1347.

邢璐平，方斌，向梦杰，2019. 基于GWR模型的江苏省耕地集约利用水平时空变化特征及影响因素[J]. 长江流域资源与环境，28（2）：376-386.

许学工，林辉平，付在毅，等，2001. 黄河三角洲湿地区域生态风险评价[J]. 北京大学学报（自然科学版），37（1）：111-120.

张继权，梁警丹，周道玮，2007. 基于GIS技术的吉林省生态灾害风险评价[J]. 应用生态学报， 18（8）：1765-1770.

张健威，曾莎莎，梁延鹏，等，2021. 会仙湿地水体有机磷农药污染特征及生态风险[J]. 农业环境科学学报，40（9）：1990-1997.

张曼胤，崔丽娟，盛连喜，等，2007. 衡水湖湿地底泥重金属污染及潜在生态风险评价[J]. 湿地科学，5（4）：362-369.

张美琪，2021. 吉林省西部湿地生态系统服务功能价值评估[D]. 长春：吉林农业大学.

张天华，王彤，黄琼中，等，2018. 西藏高原拉萨河流域生态风险评估[J]. 生态学报，38（24）：9012-9020.

朱蕾，2014. 城市扩张对湿地景观的影响[D]. 延吉：延边大学.

Bagstad K J， Semmens D J， Winthrop R， 2013. Comparing approaches to spatially explicit ecosystem service modeling： A case study from the San Pedro River， Arizona[J]. Ecosystem Services， 5：40-50.

Canadell J， Jackson R B， Ehleringer J B， et al， 1996. Maximum rooting depth of vegetation types at the global scale[J]. Oecologia， 108（4）：583-595.

Fu Y， Zhao J， Peng W， et al， 2018. Spatial modelling of the regulating function of the Huangqihai Lake wetland ecosystem[J]. Journal of Hydrology， 564：283-293.

Jiang W， Lv J， Wang C， et al， 2017. Marsh wetland degradation risk assessment and change analysis： A case study in the Zoige Plateau， China[J]. Ecological Indicators， 82：316-326.

Jiang Y， Nan Z， Yang S， 2013. Risk assessment of water quality using Monte Carlo simulation and artificial neural network method[J]. Journal of environmental management， 122：130-136.

Li Z， Jiang W， Wang W， et al， 2020. Ecological risk assessment of the wetlands in Beijing-Tianjin-Hebei urban agglomeration[J]. Ecological Indicators， 117：106677.

Muro J， Strauch A， Heinemann S， et al， 2018. Land surface temperature trends as indicator of land use changes in wetlands[J]. International journal of applied earth observation and geoinformation， 70：62-71.

Nelson E， Mendoza G， Regetz J， et al， 2009. Modeling multiple ecosystem services， biodiversity conservation， commodity production， and tradeoffs at landscape scales[J]. Frontiers in Ecology and the Environment， 7（1）：4-11.

Peng J， Pan Y， Liu Y， et al， 2018. Linking ecological degradation risk to identify ecological security patterns in a rapidly urbanizing landscape[J]. Habitat International， 71：110-124.

Picó Y， Alvarez-Ruiz R， Alfarhan A H， et al， 2020. Pharmaceuticals， pesticides， personal care products and microplastics contamination assessment of Al-Hassa irrigation network （Saudi Arabia） and its shallow lakes[J]. Science of The Total Environment， 701：135021.

Sarkar S， Parihar S M， Dutta A， 2016. Fuzzy risk assessment modelling of East Kolkata Wetland Area： A remote sensing and GIS based approach[J]. Environmental modelling & software， 75：105-118.

Xu T， Weng B， Yan D， et al， 2019. Wetlands of international importance： Status， threats， and future protection[J]. International Journal of Environmental Research and Public Health， 16（10）：1818.

Zhou W， Liu G， Pan J， et al， 2005. Distribution of available soil water capacity in China[J]. Journal of Geographical Sciences， 15（1）：3-12.

（责任编辑   张俊友   熊美华）

Ecological Risk Assessment of Wetlands based on Coupled InVEST and

Ecological Risk Assessment Models - A Case Study of Jilin Province

LI Juan‐juan1，2，3， LI Ru‐ren1， XIONG Jun‐feng2，3，4， WU Zi‐jing3，5， SUN Zi‐han3，6

（1. School of Transportation Engineering， Shenyang Jianzhu University， Shenyang   110168， P.R. China;

2. Key Laboratory of Coastal Zone Exploitation and Protection， Ministry of Natural Resource，

Nanjing   210023， P.R. China;

3. Nanjing Institute of Geography and Limnology， Chinese Academy of Sciences， Nanjing   210008， P.R. China;

4. Collaborative Innovation Center for Grassland Ecological Security （Jointly Supported by the Ministry of

Education of China and Inner Mongolia Autonomous Region）， Hohhot   010021， P.R. China;

5. School of Geomatics Science and Technology， Nanjing Tech University， Nanjing   211816， P.R. China;

6. Institute of Population Research， Anhui University， Hefei   230039， P.R. China）

Abstract：Wetlands are an important part of the ecosystem and play an irreplaceable role in biodiversity protection and regional economic development. In this study， Jilin Province was selected as a case study. We estimated the water supply quantity and ecological risk index of Jilin wetlands， and simulated the spatial distribution of the ecological risks of wetlands， aiming to provide guidance for wetland protection and construction. Using data on soils， meteorology and land use type in the study area， and coupling the InVEST （Integrated Valuation of Ecosystem Services and Tradeoffs） water yield model and ecological risk assessment model， 21 key evaluation indicators were used to construct an ecosystem evaluation system for assessing external dangers and internal vulnerabilities of the ecosystem. Results show that： （1） The simulation accuracy of water yield was 99.88%， and the total water yield in 2015 was 272.32×108 m3. The spatial distribution presented a pattern of gradually decreasing water yield from southeast to northwest， with the highest yield in Yanbian Korean Autonomous Prefecture and Baishan City. The spatial distribution of water yield was not consistent with the spatial distribution pattern of economic development and physical geography but was directly proportional to precipitation and inversely proportional to temperature， GDP， population density and potential evapotranspiration. （2） The ecological risk index of wetlands in Jilin Province from east to west， initially increased and then decreased. The ecological risk index of Jilin cities in order of decreasing risk was Siping City > Liaoyuan City > Changchun City > Jilin City > Songyuan City > Tonghua City > Yanbian Korean Autonomous Prefecture > Baishan City > Baicheng City. In particular， wetlands in the southwest were at higher risk due to higher temperature， higher frequency of natural disasters， higher population density， and higher restrictions of human activities on wetlands. Therefore， Jilin Province should adopt more targeted policies and measures to strengthen protection of high-risk areas to provide a strong guarantee for promoting regional socio-economic development and maintaining ecological balance.

Key words：wetland; InVEST model; ecological risk evaluation; riskiness; water supply

收稿日期：2021-12-29      修回日期：2023-06-19

基金项目：黑土地保护与利用科技创新工程专项资助项目（XDA28110503）；美丽中国生态文明建设科技工程专项资助项目（XDA23020202）；自然资源部海岸带开发与保护重点实验室开放基金资助项目（2021CZEPK03）。

作者简介：李娟娟，1998年生，女，硕士研究生，主要从事生态环境遥感监测方面研究。E-mail： ljj72_luck@163.com

通信作者：熊俊峰。E-mail： jfxiong@niglas.ac.cn