基于生态系统服务簇的珠江源区生态功能分区

摘要：识别生态系统服务簇，进行珠江源生态功能分区，为珠江源区土地利用格局优化、生物多样性保护、生态修复以及土地资源精准管控提供理论指导与技术支撑。研究基于InVEST模型和食物供给模型对珠江源区2010—2020年的生境质量、土壤保持、水源供给、碳储量和食物供给5项重要生态系统服务进行评估，运用Python平台实现轮廓系数算法并确定最佳聚类数，通过SPSS软件进行K-means聚类分析识别生态系统服务簇，并基于XGBoost机器学习算法，结合SHAP模型解释法探讨了生态系统服务簇的影响因素。结果表明：（1）珠江源区自然生态系统服务功能总体上呈现退化趋势。生境质量、碳储量和水源供给高值区占据珠江源区大多数地区，土壤保持呈现南北两侧高于中部的空间格局，食物供给与土地利用分布较为一致。（2）生态保育区乡镇数占比不断上升，主要分布在珠江源区北部和东南部的山地丘陵；城镇发展区乡镇数占比保持不变，位于珠江源区中部麒麟区；供给服务区乡镇数占比变化不大，分布在珠江源区中部和西南部平原。（3）坡度、生产总值和人为影响指数对生态系统服务簇的形成有着较为重要的影响，自然环境因素仍是生态系统服务的决定性因素。

关键词：生态系统服务簇；InVEST模型；K-means聚类分析；生态功能分区；珠江源区

中图分类号：X826" " " " 文献标志码：A" " " " 文章编号：1674-3075（2025）01-0177-12

生态系统服务簇是指具有相同空间分布、模式特征以及组成结构的各种生态系统服务类型的组合（彭立等，2021）。生态系统服务簇的识别在生态功能区划研究、景观格局优化以及土地资源管理中应用广泛（Chen et al，2021；Peng et al，2016；Zhang et al，2022），是一种通过聚类方法来识别主导生态系统服务类型进而为区域生态系统服务结构的优化提供理论与技术支撑的重要手段（祁宁等，2020）。近些年来，随着人地关系矛盾的日益突出以及人们对区域生态安全的重视，生态系统服务簇成为生态功能分区管理的重要途径（Dang et al，2021）。

目前，国内外学者从服务簇角度对区域生态功能分区进行了大量研究，在研究方法上，主要有自组织网络分析、空间自相关分析、K-means聚类分析和主成分分析等服务簇识别方法，例如赵筱青等（2022）运用K-means聚类分析方法识别滇东南喀斯特山区生态系统服务簇，并将研究区划分为生态保护区、生态过渡区、农业主产区和人类生产生活区；申嘉澍等（2020）通过自组织网络分析方法对雄安新区生态系统服务簇进行识别，并将雄安新区划分为食物供给簇、文化娱乐簇、生态保育簇和城镇生活簇；李慧蕾等（2017）借助SOFM分析方法来识别内蒙古自治区生态系统服务簇，并将内蒙古自治区划分为生态均衡区、牧业盈余区、水土保持区和生态脆弱区。在这些服务簇识别方法中，K-means聚类分析是一种基于距离来计算数据集聚程度的方法，由于具有原理简单、可解释度强、聚类效果好等优点而被广泛运用。在研究尺度上，当前生态系统服务簇识别主要从国家（Dittrich et al，2017）、地方（Hamann et al，2015）和全流域（潘莹等，2021）等宏观尺度开展生态功能区划研究。虽然宏观尺度利于区域统筹管理，但对于土地精细化管理目标而言，在乡镇尺度上识别生态系统服务簇并进行生态功能分区更有利于区域生态系统服务管理与优化（祁宁等，2020）。尽管生态系统服务簇识别方法多样、研究尺度精细，但学术界仍缺乏对其驱动机制的探讨。调控生态系统服务簇的影响因素，可实现区域生态可持续发展。

珠江源区是中国第三大河流珠江的发源地，深刻影响着中国南方地区社会经济可持续发展、生态文明高质量建设以及生态安全格局稳定，由于区域独特的地质构造、土壤、植被和气候特点，以及人口增长、城镇建设用地扩张等人为因素影响，地表出现水土流失、土壤肥力降低和石漠化等生态环境问题（赵筱青等，2022），影响了生态系统服务功能。本研究评估了珠江源区2010—2020年的5项生态系统服务，提出生态系统服务功能分区管理及决策建议。研究可为珠江源区土地利用格局优化、生物多样性保护、生态修复以及土地资源精准管控提供理论指导与技术支撑。

1" "材料与方法

1.1" "研究区概况

珠江源区位于我国西南部，是珠江的发源地，地处云南、贵州和广西的交界地带（图1）。该地区地貌类型复杂，以小起伏山地、中起伏山地和丘陵为主，少量分布着台地、平原和大起伏山地。地表水资源丰富，分布着北盘江、南盘江、喜旧溪等珠江分支水系，以及牛栏江、普渡河、以礼河等长江分支水系。气候为亚热带高原季风气候，降水量从东南到西北逐渐递减，年均气温南高北低。土壤类型以铁铝土、初育土、淋溶土和人为土为主，少量分布有半水成土、半淋溶土和水成土。植被类型以栽培植被、针叶林、草丛和灌丛为主，少量分布有草甸和阔叶林。

1.2" "数据来源

本研究所使用的2010、2015、2020年3期土地利用数据来源于地球大数据科学工程的数据共享服务系统（https：//data.casearth.cn/）（汪仕美等，2022）；高程数据来源于地理空间数据云（https：//www.gscloud.cn/search）；降水量、潜在蒸散量数据集来源于中国科学院成都山地灾害与环境研究所（闫晓露等，2022）；土壤数据来源于国家青藏高原科学数据中心提供的世界土壤数据库（HWSD）的中国土壤数据集（https：//data.tpdc.ac.cn/zh-hans/）（冯兆等，2020）；食物数据来源于云南省统计局（https：//stats.yn.gov.cn/）。

1.3" "研究方法

结合自然地理环境和社会经济发展实际情况，基于 InVEST 模型和食物供给模型评估珠江源区2010—2020 年的生境质量、碳储量、土壤保持、水源供给和食物供给5项生态系统服务。运用Python平台实现轮廓系数算法并确定最佳聚类数，利用SPSS软件进行 K-means 聚类分析识别生态系统服务簇，根据不同生态系统服务簇的空间分布、模式特征以及组成结构进行生态功能分区，基于 XGBoost 机器学习算法，结合 SHAP 模型解释法探讨生态系统服务簇的影响因素。

1.3.1" "生态系统服务功能评估" "（1）生境质量

生境质量是指在一定的时空尺度范围内，生态系统能够为生物提供生存、繁殖以及持续发展的能力（Cao et al，2020）。研究采用InVEST模型中的Habitat Quality模块来评估珠江源区生物栖息地质量，该模块基于土地利用数据，通过各生境类型的生境适宜性、威胁因子的最大影响距离与影响权重、各地类对威胁因子的敏感性来进行生物栖息地质量评估，计算公式如下：

式中：[Qxj]为地类[j]中栅格[x]的生物栖息地质量；[Hj]为地类[j]的生境适宜水平；[Dxj]为地类[j]中栅格[x]所受胁迫水平；[k]为半饱和参数，通常取[Dxj]最大值的一半；[z]为归一化常量，采用模型默认值2.5。

（2）水源供给

InVEST模型中的水源供给模块（module）综合考虑地区的气候、地形、土壤以及植被等因素，是一种以区域降雨量与实际蒸散量的差值来表征水源供给量的估算方法（Wei et al，2023）。该模块的计算公式如下：

式中：[Yxj]为地类[j]中栅格[x]的年水源供给量（mm）；[Axj]为地类[j]中栅格[x]的年实际蒸散量（mm）；[Px]为栅格[x]的年降雨量（mm）。

（3）碳储量

InVEST模型中的碳储量模块（module）常用于评估陆地生态系统碳储量服务功能（税伟等，2019）。地下生物碳库、地上生物碳库、死亡有机质碳库以及土壤碳库构成了陆地生态系统的四大基本碳库。具体计算公式如下：

[C=Cabove+Cbelow+Csoil+Cdead] ③

式中：[C]为总碳储量；[Cabove]为植物在地上部分的碳储量；[Cbelow]为植物在地下部分的碳储量；[Csoil]为土壤有机质中的碳储量；[Cdead]为植物凋落物中的碳储量。

（4）土壤保持

运用InVEST模型中的沉积物输送比模块（sediment delivery ratio，SDR）来对珠江源区土壤保持量进行估算，该模块原理基于修正后通用土壤流失方程（revised universal soil loss equation，RUSLE），以潜在土壤流失量（RKLS）与实际土壤流失量（USLE）的差值来表征土壤保持量（Wu amp; Fan，2022）。具体计算公式如下：

[[USx=Rx×Kx×Lx×Sx×Cx×Px]] ④

[Rkx=Rx×Kx×Lx×Sx] ⑤

[SEDx=RKx−USx+SEx] ⑥

式中：x为不同栅格单元；[Rx]为降雨侵蚀力因子；[Kx]为土壤可蚀性因子；[Lx]为坡长因子；[Sx]为坡度因子；[Cx]为植被覆盖与管理因子；[Px]为土壤保持措施因子，[Rkx]为潜在土壤流失量；[USx]为实际土壤流失量；[SEDx]为土壤保持量；[SEx]为拦截上游的泥沙量。

（5）食物供给

食物供给模型以珠江源区不同土地利用类型作为统计单元。粮食、油料、糖类、蔬菜和水果对应耕地；肉类、蛋类和奶类对应草地；水产品对应水体。再参考食物热量表，将食物产量换算成食物热量来对珠江源区食物供给服务进行估算（杜勇等，2019），具体计算公式如下：

式中：[Px]为地区[x]的食物总热量；[Ajix]为地区[x]中食物[j]在地类[i]中的面积；[Pjix]为地区[x]中食物[j]的单位面积产量；[Ej]为食物[j]的热量。

1.3.2" "轮廓系数法" "轮廓系数法（silhouette coefficient method）是一种基于分离度（tearing mode crack）和凝聚度（cohesion）来确定最佳聚类数K，从而使聚类效果达到最佳的研究方法（刘迪等，2022）。研究基于Python平台实现轮廓系数算法，得到聚类数和轮廓系数值之间的关系（图2），从图中可以看出，当聚类数K等于3时，轮廓系数值达到最高，说明聚类效果最好，因此确定最佳聚类数为3。轮廓系数的具体计算公式如下：

式中：[S（i）]为样本[i]的轮廓系数值，取值为-1～1，[S（i）]的值越高，表明聚类效果越好，[S（i）]的值越低，表明聚类效果越差，[S（i）]的值越接近0，则表明样本[i]处于两簇之间；[a（i）]为样本[i]到同簇内其他样本的平均不相似度；[b（i）]为样本[i]到最近簇的平均不相似度。

1.3.3" "K-means聚类算法" "是一种基于距离来计算数据聚集的聚类分析方法（analytic methods）（张春悦等，2022；Toledo-Gallegos et al，2021）。该算法主要是根据给定的聚类数K以及初始聚类中心来对距离相近数据点进行迭代划分以获取最优聚类结果（Yang et al，2015），由于原理简单、可解释度强、聚类效果好等优点而被广泛运用（潘莹等，2021；Zhou et al，2020）。

基于轮廓系数法确定最佳聚类数K。研究使用SPSS软件对珠江源区生境质量、土壤保持、水源供给、碳储量和食物供给5项生态系统服务进行K-means聚类分析识别生态系统服务簇。基于Python平台绘制各类生态系统服务簇玫瑰图，剖析不同生态系统服务功能区的模式特征、结构以及主导服务类型，并进行生态功能分区。具体公式如下：

式中：[Xi]为样本[X]中的第[i]个对象；[Cj]为第[j]个聚类中心；[Xit]为第[i]个对象的第[t]个属性，[Cjt]为第[j]个聚类中心的第[t]个属性；[m]为样本[X]中的每个对象具有的[m]个维度的属性。

1.3.4" "XGBoost机器学习算法" "是一种提升迭代型算法，是对GBDT（gradient boosting decision tree）算法的优化，主要包括前向分布算法和加法模型。基本原理是在预测过程中不断将新的回归树添加到模型中来拟合每次迭代产生的残差，从而逐步缩小预测值和真实值的残差，最终达到提升预测模型精度的目的。这种算法将损失函数进行二阶泰勒公式展开并加入正则项，可以有效保留目标函数信息和避免过度拟合，定义表达式如下：

1.3.5" "SHAP模型解释法" "SHAP（shapley additive explanation）是一种加性解释模型，可用来提升XGBoost算法的可解释性。基本原理是将每个特征都作为贡献者并计算其归因值（shap values），以此判断每个特征在预测过程中对模型的贡献能力，把所有输入特征的归因值进行相加得到预测模型的最终输出结果：

为更好解释XGBoost模型，SHAP对预测模型的输出结果和归因值的关系进行转换：

2" "结果与分析

2.1" "生态系统服务时空变化特征

珠江源区2010—2020年生态系统服务空间格局及变化趋势如图3，可以看出，珠江源区生态系统服务功能总体上呈现退化趋势。具体而言，珠江源区生境质量处于较高水平，但大多数地区呈现不断降低的趋势，这些区域主要位于海拔较低的山地、丘陵、盆地和平原地带，是人类活动较为集中的区域，对应的土地利用类型为水田、旱地和建设用地；生境质量较高的区域占据珠江源区的大部分地区，主要位于北部和东南部海拔较高的山地、丘陵以及河谷沿岸地带，其中珠江源自然保护区、海峰湿地自然保护区和十八连山自然保护区的生境质量指数显著高于其他区域。

碳储量与生境质量变化趋势一致，整体呈下降趋势。碳储量减少区域主要为城镇建设用地和农业用地，这些区域工农业发展导致生物量减少，碳储量降低。高碳储量区域分布在北部和东南部森林覆盖率高的山地丘陵地带，这些区域原生植被丰富。水源供给服务功能较好，但呈下降趋势，珠江源区地表水资源总量减少，水源供给受到威胁。水源供给减少区域主要为中部城镇建设用地和周边耕地，城镇开发破坏了地表景观格局，导致蒸散量上升，水源供给量下降。水源供给呈东高西低分布，与降水量分布一致，高供给区域位于东南部林地，海拔高、气温低、降雨量充沛、蒸散量少。

珠江源区水土流失严重，土壤保持减少，主要分布在北部和东部山区。人类活动导致植被破坏，土壤侵蚀严重。土壤保持呈南北高、中间低的格局，较高区域位于北部和东南部河谷盆地，这些区域植被覆盖高、坡度缓。食物供给服务功能显著提升，增加区域主要为中部和西南部粮食主产区，由于农业生产力提高，食物供给量增加。食物供给与土地利用类型空间分布一致，较高区域位于中部和西南部的耕地、草地和水体。

2.2" "K-means聚类结果精度检验

K-means聚类分析方差检验结果（表1）显示，各项生态系统服务的显著性均小于0.05，表明在同种生态系统服务簇中各生态系统服务值具有显著差异，聚类结果较为科学。

2.3" "生态系统服务簇识别及生态功能分区

通过K-means聚类得到3种生态系统服务簇，如图4、图5。第1类生态系统服务簇主要分布在以生境质量、碳储量和土壤保持服务为主的林区，故将第1类生态系统服务簇命名为生态保育区；第2类生态系统服务簇主要分布在各项生态系统服务值都较低的城镇区域，故将第2类生态系统服务簇命名为城镇发展区；而第3类生态系统服务簇主要分布在以食物供给和水源供给服务为主的耕地、林地和草地，故将第3类生态系统服务簇命名为供给服务区。

2.3.1" "生态保育区" "在2010、2015和2020年的乡镇数占比分别为47.4%、47.4%和49.1%，总体呈现上升趋势（表2），表明珠江源区退耕还林、植树造林和石漠化治理等生态治理工程卓有成效，人工林面积的不断扩大使得区域景观破碎化和自然灾害风险程度逐渐降低，生境质量、土壤保持和碳储量等生态系统服务功能不断增强，珠江源区生态环境质量持续向好。生态保育区主要分布在珠江源区北部和东南部会泽县、宣威市、罗平县和师宗县的部分乡镇，这些区域海拔较高并且是以常绿阔叶林、落叶阔叶林和常绿针叶林等自然植被类型为主的山地丘陵地带。小江生态廊道、珠江生态廊道东北段和南盘江—黄泥江生态廊道成为生态保育区与其他生态功能区的明显分界线。该区域充沛的降雨量、茂密的森林覆盖以及远离工农业活动中心等地理特征使其成为了珠江源区动植物资源丰富的生物避难所，其中分布着黑颈鹤自然保护区、金沙江干热河谷地带、十八连山自然保护区和丁累大箐自然保护区等生物多样性较高的自然保护地，故该区域的生境质量、土壤保持和碳储量等生态系统服务值都要明显高于其他生态功能区。

2.3.2" "城镇发展区" "近10年来，城镇发展区乡镇数占比处于稳定水平，表明在云南省副中心城市和“麒沾马”一体化建设的背景下，麒麟区作为珠江源区重要经济中心，城镇开发建设活动较为集中，城市化进程较快，并与生态保育区、供给服务区有着较为显著的差异。城镇发展区主要分布在珠江源区中部地势较为平坦并以城镇建设用地为主的山间平原和河谷盆地，地面植被类型以覆盖度较低的人工林和次生林为主。城镇化水平较高，但生境质量、土壤保持和碳储量服务值都明显低于其他生态功能区，食物供给和水源供给服务虽然相对较高，但也显著低于生态保育区和供给服务区。城镇发展区的生态系统服务存在严重的供需失衡问题，需要从其他功能区进行大量补给以维持城镇发展区工农业活动的正常进行，生态系统的自我调节能力较差。

2.3.3" "供给服务区" "2010—2020年，供给服务区乡镇数占珠江源区比重基本保持不变，总体上呈现稳定态势，表明珠江源区供给服务功能较为稳定。城镇建设用地周边的农业用地、林地和草地是城镇建设用地不断扩张的重要基础，但农业生产力水平的提升在一定程度上弱化了耕地面积减少带来的负面影响，使得供给服务功能处于稳定水平。此外，由于退耕、还林、还草、还湖等生态工程的实施也让供给服务区的水源供给、碳储量、生境质量等生态系统服务功能维持稳定。供给服务区主要分布在珠江源区中部和西南部沾益区、富源县、马龙区、陆良县和师宗县的部分乡镇。这些区域主要分布在海拔较低、地势较为平坦并以耕地和林地为主要土地利用类型的山间盆地和河谷平原，东北-西南走向的乌蒙山和牛栏江贯穿于供给服务区。作为珠江重要源头水系的牛栏江在珠江源区中部冲刷形成陆良坝子、曲沾坝子等30余个山间平原，为农作物的耕种提供了得天独厚的自然地理条件，加上丰沛的降雨量、充足的热量和较为肥沃的土壤条件使得供给服务区的核心区成为云南省重要粮仓。其中还分布有珠江源自然保护区、海峰湿地自然保护区和东南喀斯特地带等森林资源丰富的重要自然保护地，这些区域大面积分布的原始森林成为水源供给服务的重要保障。

2.4" "生态系统服务簇影响因素

生态系统服务簇的形成与自然地理、社会经济等因素密切相关，研究基于XGBoost机器学习算法，结合SHAP模型解释法对珠江源区生态系统服务簇的影响因素进行了探究。生态系统服务簇影响因素重要性排序如图6所示。可以看出，坡度、生产总值和人为影响指数的影响力位居前列，特别是坡度对生态系统服务簇的形成有着较为显著的影响，表明自然地理环境仍是生态系统服务簇形成的决定性因素，珠江源区北部和东南部的地势较为崎岖，北部为高大的乌蒙山系，东南部为典型喀斯特山区，这些区域的地形坡度较大，并不利于农业生产和城镇建设活动，因此受人类活动影响较小。同时，较好的水热条件使得该区域成为原始森林宝库，地表覆盖度较高，动植物资源较为丰富，生境质量、碳储量和水源供给服务功能较好，因此形成生态保育区。

生产总值和人为影响指数对生态系统服务簇的形成也有着一定的影响，表明社会经济因素仍能够通过影响生态系统服务进程从而塑造生态系统服务簇的空间格局。麒麟区是曲靖市人口最集中、经济最发达的地区。城镇建设用地的扩张不断侵占周边林地，地表原生植被面积不断减少，生物多样性面临严重威胁，生态系统结构受到破坏，自然生态系统功能稳定性降低。生境质量、碳储量、土壤保持、水源供给等生态系统服务功能逐渐枯竭，并与其他生态功能区形成明显界限，形成服务枯竭簇（城镇发展区）。由于人类选择的偏好，食物供给服务功能得到重视，珠江源区中部和西南部的曲沾坝子、陆良坝子成为云南省粮食、糖料、油料、蔬菜等农产品的重要生产基地。与生态保育区相比，珠江源区中部和西南部地区地表植被覆盖度较低，植被蒸散量较少，水源供给处于较高水平，因此该区域的供给服务功能较为突出。

3" "讨论

3.1" "珠江源区生态系统服务对人类活动的响应

土地利用格局对生态系统服务的空间分布有着深刻影响（Zong et al，2021），而土地利用格局的变化主要受到人为因素的影响（Wang et al，2021）。珠江源区是中国西南喀斯特地区生态屏障的重要组成部分，在我国南方生态安全格局中具有举足轻重的地位。珠江源区所在地曲靖市是云南省副中心城市，随着“麒沾马”一体化建设的快速推进，相邻城镇间的耕地、林地和草地被不断扩张的建设用地所侵占。土地利用格局的变化使得珠江源区碳储量、生境质量、水源涵养和土壤保持等生态系统服务功能受到影响。麒麟、沾益和马龙等城镇周边的生态系统服务功能退化趋势较为明显。这些区域是珠江源区人口和城镇分布最集中、经济最发达的地区，较高强度的城市开发建设活动破坏了区域的生态系统服务结构，地表植被破坏、水土流失、石漠化等生态环境问题日益突出。而珠江源区北部和东南部的高山峡谷地带由于地势崎岖、海拔较高和交通运输不便等问题，受人类活动影响较小，在自然生态系统的调节能力下，各项生态系统服务功能处于稳定水平。

面对珠江源区日益突出的生态环境问题，优化区域土地利用格局，维护区域生态安全稳定，减轻工农业活动对生态系统服务功能的影响愈发迫切。作为黑颈鹤、珠江源和海峰湿地等自然保护区所在地，珠江源区应通过建立科学合理、管理完善和功能齐全的自然保护区体系来推进自然资源的综合保护与利用（Liu et al，2021），逐步推动石漠化区域、珠江水系和矿山的生态修复工作（潘换换等，2021）；根据珠江源区石漠化程度来划定专项修复区，并分类采取生态修复措施来逐步减少石漠化面积；推动珠江源区重点水源地及河道的水环境治理工作来保障水源供给服务功能；基于可持续开发原则对不同类型矿山进行分类、专项修复以优化区域矿产资源开发利用格局（Dai et al，2012）。

3.2" "生态系统服务功能分区管理及决策建议

作为全球典型喀斯特生态脆弱区和中国第三大江河发源地，珠江源区地表土壤层较薄且贫瘠，内部黏结力弱，植被生长速度缓慢且生态寿命较短，土壤保持和涵养水源能力有限。粗放的土地利用模式更令森林草场退化严重，常绿阔叶林青冈林、石栎林、元江栲林等地带性原生植被萎缩破碎。在地势起伏大的岩溶中山、峰丛洼地，由于缺乏植被覆盖层的生态防护功能，坡面径流能量加大，土壤侵蚀随之加重，极易造成基岩的裸露。短期经济利益驱动下的引流造田行为也令喀斯特生态系统功能衰退。在乡镇尺度上开展生态功能区划研究可为珠江源区土地利用格局优化、生物多样性保护、生态专项修复以及土地资源精准管控提供技术支撑和理论指导，鉴于此，研究提出以下建议：

（1）相较于城镇发展区和供给服务区，生态保育区的生境质量、碳储量和土壤保持等生态系统服务功能较好，以常绿阔叶林、落叶阔叶林和常绿针叶林为主要地表植被类型的复杂生态系统服务结构使得生态保育区具有丰富的动植物资源、较高的生物量和较强的抗干扰能力。众多自然保护地的分布凸显了生态保育区的生物多样性保护价值。因此在对生态保育区的管理中，要特别注重生物多样性的保护，通过构建科学合理的自然保护地体系来严格保护黑颈鹤、十八连山和丁累大箐等自然保护地；建立完善生态产品价值实现机制来推进生态保育区自然资源的保护与综合利用；适当调整生态红线范围进一步优化重点保护与禁止开发相结合的生态安全格局（Wang amp; Fan，2020；韩增林等，2021）。

（2）城镇发展区的各项生态系统服务值均低于生态保育区和供给服务区。以人工林、次生林和经济林为主要地表植被类型的生态系统结构使得城镇发展区存在严重的生态系统服务供需失衡问题，需要从其他功能区进行大量补给以维持城镇发展区工农业活动的正常进行，生态系统的抗干扰能力较差。因此在对城镇发展区的管理与规划中，要重点提升城镇生态功能，通过最大化保留城镇周边的林地、草地和水体来实现蓝绿空间在城市内外连通；通过提升城市结构性绿地面积、修建生态湖和自然公园等措施来提高城镇发展区的碳储量、生境质量和土壤保持等生态系统服务值（王宏亮等，2020）。

（3）供给服务区的水源供给、食物供给服务值都要明显高于其他生态功能区，碳储量和生境质量服务功能也较好，以耕地和林地为主要地类的供给服务区在优越水热条件下成为云南省粮食、油料、糖类、蔬菜等农产品的重要生产基地。因此在对供给服务区的管理与规划中，要重点加强永久基本农田的保护，通过推广生态农业来保障耕地及周边林地生态功能的发挥；通过严格执行土地资源管理政策整治侵占耕地现象，通过农田整治、防护林建设等工程进一步提升食物供给、水源供给、碳储量和生境质量等生态功能（Xu et al，2021）。

3.3" "研究创新与局限性

以往生态系统服务驱动机制研究常采用趋势分析、相关分析、方差分析等传统方法，但生态系统服务对外界环境因子的响应并不呈严格线性关系，因此这些方法具有一定的局限性。本研究采用XGBoost机器学习算法，结合SHAP模型解释法来探讨生态系统服务簇的驱动机制，能够更加科学合理地揭示珠江源区生态系统服务簇形成的重要影响因素。此外，由于InVEST模型采用简化算法对生态系统服务进行评估量化，使得模型具有一定的局限性，例如水源供给模块，未能考虑喀斯特地区的地下暗河以及林冠截留的影响。由于数据获取的限制，部分参数采用模型数据库或参考前人研究成果，使得模型评估结果与研究区真实情况有偏差，未来应通过开展野外调查工作来获取实测数据，不断提升模型参数与研究区的适配度，使生态系统服务评估结果更加精准。

参考文献

杜勇， 税伟， 孙晓瑞， 等， 2019. 海湾型城市生态系统服务权衡的情景模拟： 以福建省泉州市为例[J].应用生态学报， 30（12）： 4293-4302.

DU Y， SHUI W， SUN X R， et al， 2019. Scenario simulation of ecosystem service trade-offs in bay cities： a case study in Quanzhou， Fujian Province， China[J].Chinese Journal of Applied Ecology，30（12）： 4293-4302.

冯兆， 彭建， 吴健生， 2020. 基于生态系统服务簇的深圳市生态系统服务时空演变轨迹研究[J].生态学报， 40（8）： 2545-2554.

FENG Z， PENG J， WU J S， et al， 2020. Ecosystem service bundles based approach to exploring the trajectories of ecosystem service spatiotemporal change： a case study of Shenzhen City[J]. Acta ecologica Sinica， 40（8）： 2545-2554.

韩增林， 刘澄浩， 闫晓露， 等， 2021. 基于生态系统服务供需匹配与耦合协调的生态管理分区： 以大连市为例[J].生态学报， 41（22）： 9064-9075.

HAN Z L， LIU C H， YAN X L， et al， 2021. Coupling coordination and matches in ecosystem services supply-demand for ecological zoning management： a case study of Dalian[J]. Acta Ecologica Sinica， 41（22）： 9064-9075.

李慧蕾， 彭建， 胡熠娜， 等， 2017. 基于生态系统服务簇的内蒙古自治区生态功能分区[J].应用生态学报， 28（8）： 2657-2666.

LI H L， PENG J， HU Y N， et al， 2017. Ecological function zoning in Inner Mongolia Autonomous Region based on ecosystem service bundles[J].Chinese Journal of Applied Ecology， 28（8）： 2657-2666.

刘迪， 陈海， 荔童， 等， 2022. 黄土丘陵沟壑区村域生态系统服务簇的时空分异及其地形梯度分析[J].地理科学进展， 41（4）： 670-681.

LIU D， CHEN H， LI T，et al， 2022. Spatiotemporal differentiation of village ecosystem service bundles in the loess hilly and gully region and terrain gradient analysis[J].Progress in Geography， 41（4）： 670-681.

潘换换， 吴树荣， 姬倩倩， 等， 2021. 山西煤田生态系统服务时空格局及驱动力[J].应用生态学报， 32（11）： 3923-3932.

PAN H H， WU S R， JI Q Q， et al， 2021. Spatio-temporal pattern and driving forces of ecosystem services in coalfields of Shanxi Province， China[J].Chinese Journal of Applied Ecology， 32（11）： 3923-3932.

潘莹， 郑华， 易齐涛， 等， 2021. 流域生态系统服务簇变化及影响因素： 以大清河流域为例[J]. 生态学报， 41（13）： 5204-5213.

PAN Y， ZHENG H， YI Q T， et al， 2021. The change and driving factors of ecosystem service bundles： a case study of Daqing River basin[J]. Acta Ecologica Sinica， 41（13）： 5204-5213.

彭立， 邓伟， 黄佩， 等， 2021. 四川盆地多重生态系统服务景观指数评价与服务簇识别[J].生态学报， 41（23）： 9328-9340.

PENG L， DENG W， HUANG P， et al， 2021. Evaluation of multiple ecosystem services landscape index and identification of ecosystem services bundles in Sichuan Basin[J].Acta Ecologica Sinica， 41（23）： 9328-9340.

祁宁， 赵君， 杨延征， 等， 2020. 基于服务簇的东北地区生态系统服务权衡与协同[J].生态学报， 40（9）： 2827-2837.

QI N， ZHAO J， YANG Y Z， et al， 2020. Quantifying ecosystem service trade-offs and synergies in Northeast China based on ecosystem service bundles[J]. Acta Ecologica Sinica， 40（9）： 2827-2837.

申嘉澍， 梁泽， 刘来保， 等， 2020. 雄安新区生态系统服务簇权衡与协同[J].地理研究， 39（1）： 79-91.

SHEN J S， LIANG Z， LIU L B， et al， 2020. Trade-offs and synergies of ecosystem service bundles in Xiong'an New Area[J]. Geographical Research， 39（1）： 79-91.

税伟， 杜勇， 王亚楠， 等， 2019. 闽三角城市群生态系统服务权衡的时空动态与情景模拟[J].生态学报， 39（14）： 5188-5197.

SHUI W， DU Y， WANG Y N， et al， 2019. Spatio-temporal dynamics and scenarios simulation of trade-offs between ecosystem services in Min Delta Urban Agglomeration[J].Acta Ecologica Sinica， 39（14）： 5188-5197.

王宏亮， 高艺宁， 王振宇， 等， 2020. 基于生态系统服务的城市生态管理分区： 以 深圳市为例[J].生态学报， 40（23）： 8504-8515.

WANG H L， GAO Y N， WANG Z Y， et al， 2020. Urban ecological management division based on ecosystem services：a case study of Shenzhen City[J].Acta Ecologica Sinica， 40（23）： 8504-8515.

汪仕美， 靳甜甜， 燕玲玲， 等， 2022. 子午岭区生态系统服务权衡与协同变化及其影响因素[J].应用生态学报， 33（11）： 3087-3096.

WANG S M， JIN T T， YAN L L， et al， 2022. Trade-off and synergy among ecosystem services and the influencing factors in the Ziwuling Region， Northwest China[J].Chinese Journal of Applied Ecology， 33（11）： 3087-3096.

闫晓露， 李欣媛， 刘澄浩， 等， 2022. 生态系统服务簇空间演变轨迹及其社会-生态驱动的地理探测： 以大连市为例[J].生态学报， 42（14）： 5734-5747.

YAN X L， LI X Y， LIU C H， et al， 2022. Spatial evolution trajectory of ecosystem service bundles and its social-ecological driven by geographical exploration：a case study of Dalian[J]. Acta Ecologica Sinica， 42（14）： 5734-5747.

张春悦， 白永平， 杨雪荻， 等， 2022. 多情景模拟下宁夏平原生态系统服务簇识别研究[J].地理研究， 41（12）： 3364-3382.

ZHANG C Y， BAI Y P， YANG X D， et al， 2022. Identification of ecosystem service bundles in Ningxia Plain under multi-scenario simulation[J].Geographical Research，41（12）： 3364-3382.

赵筱青， 石小倩， 李驭豪， 等， 2022. 滇东南喀斯特山区生态系统服务时空格局及功能分区[J].地理学报， 77（3）： 736-756.

ZHAO X Q， SHI X Q， LI Y H， et al， 2022. Spatio-temporal pattern and functional zoning of ecosystem services in the karst mountainous areas of Southeastern Yunnan[J].Acta Geographica Sinica， 77（3）： 736-756.

CAO Y， LI G Y， TIAN Y H， et al， 2020. Linking ecosystem services trade-offs， bundles and hotspot identification with cropland management in the coastal Hangzhou Bay area of China[J]. Land Use Policy， 97： 104689.

CHEN H J， YANG Q Y， SU K C， et al， 2021. Identification and optimization of production-living-ecological space in an ecological foundation area in the upper reaches of the Yangtze River： a case study of Jiangjin District of Chongqing， China[J]. Land， 10（8）： 863.

DAI X Y， LI Z， LIN S Y， et al， 2012. Assessment and zoning of eco-environmental sensitivity for a typical developing province in China[J]. Stochastic Environmental Research and Risk Assessment， 26（8）： 1095-1107.

DANG H， LI J， ZHANG Y M， et al， 2021. Evaluation of the equity and regional management of some urban green space ecosystem services： a case study of main urban area of Xi'an City[J]. Forests， 12（7）：813.

DITTRICH A， SEPPELT R， VACLAVIK T， et al， 2017. Integrating ecosystem service bundles and socio-environmental conditions： a national scale analysis from Germany[J]. Ecosystem Services， 28： 273-282.

HAMANN M， BIGGS R， REYERS B， 2015. Mapping social-ecological systems： identifying 'green-loop' and 'red-loop' dynamics based on characteristic bundles of ecosystem service use[J]. Global Environmental Change-Human and Policy Dimensions， 34： 218-226.

LIU L， SONG W， ZHANG Y J， et al， 2021. Zoning of ecological restoration in the Qilian Mountain Area， China[J]. International journal of environmental research and public health， 18（23）： 12417.

PENG J， MA J， DU Y Y， et al， 2016. Ecological suitability evaluation for mountainous area development based on conceptual model of landscape structure， function， and dynamics[J]. Ecological indicators， 61： 500-511.

TOLEDO-GALLEGOS V M， LONG J， CAMPBELL D， et al， 2021. Spatial clustering of willingness to pay for ecosystem services[J]. Journal of Agricultural Economics， 72（3）： 673-697.

WANG H， LIU X M， ZHAO C Y， et al， 2021. Spatial-temporal pattern analysis of landscape ecological risk assessment based on land use/land cover change in Baishuijiang National nature reserve in Gansu Province， China[J]. Ecological Indicators， 124： 107454.

WANG Y F， FAN J， 2020. Multi-scale analysis of the spatial structure of China's major function zoning[J]. Journal of Geographical Sciences， 30（2）： 197-211.

WEI W， NAN S X， XIE B B， et al， 2023. The spatial-temporal changes of supply-demand of ecosystem services and ecological compensation： a case study of Hexi Corridor， Northwest China[J]. Ecological Engineering， 187： 106861.

WU L L， FAN F L， 2022. Assessment of ecosystem services in new perspective： a comprehensive ecosystem service index （CESI） as a proxy to integrate multiple ecosystem services[J]. Ecological Indicators， 138： 108800.

XU C， YANG G S， WAN R R， et al， 2021. Toward ecological function zoning and comparison to the Ecological Redline Policy： a case study in the Poyang Lake Region， China[J]. Environmental Science and Pollution Research， 28（30）： 40178-40191.

YANG G F， GE Y， XUE H， et al， 2015. Using ecosystem service bundles to detect trade-offs and synergies across urban-rural complexes[J]. Landscape and urban planning， 136： 110-121.

ZHANG J， LI S N， LIN N F， et al， 2022. Spatial identification and trade-off analysis of land use functions improve spatial zoning management in rapid urbanized areas， China[J]. Land Use Policy， 116： 106058.

ZHOU S Y， LI W， LU Z， et al， 2020. An ecosystem-based analysis of urban sustainability by integrating ecosystem service bundles and socio-economic-environmental conditions in China[J]. Ecological Indicators， 117： 106691.

ZONG S S， HU Y C， ZHANG Y L， et al， 2021. Identification of land use conflicts in China's coastal zones： from the perspective of ecological security[J]. Ocean amp; Coastal Management， 213： 105841.

Ecological Function Zoning of the Pearl River Source Area Based

on Ecosystem Service Clusters

Abstract：Ecosystem service clustering is an important means for managing regional ecological function zoning， and ecological function zoning can provide theoretical support and technical guidance for regional land use pattern optimization， biodiversity conservation， ecological restoration， and precise management and control of land resources. The source area of the Pearl River， with karst geology is ecologically fragile and an important source of Asian rivers. It is also an important part of the ecological barrier in southern China and a key area for sustainable development and ecological civilization construction. In this study， based on the InVEST model and a food supply model， we evaluated five important ecosystem services provided by the Pearl River source area： habitat quality， soil retention， water supply， carbon storage， and food provision during the decade 2010-2020. The evaluation procedure involved elucidating spatio-temporal distribution patterns， identifying ecosystem service clusters， ecological function zoning， and identifying factors that influence ecosystem service clusters. First， a contour coefficient algorithm was developed on a Python platform and the optimal number of clusters was determined. Then K-means cluster analysis was carried out using SPSS software to identify ecosystem service clusters. Finally， based on a XGBoost machine learning algorithm， the factors influencing ecosystem service clusters were identified and interpreted using the SHAP model interpretation method to measure the contribution each predictor in the machine learning model. Results show that： （1） Ecosystem services provided by the Pearl River source area tended toward degradation and their overall value decreased during the 10-year study period. High-value areas of habitat quality， carbon storage and water supply occupied most of the Pearl River source area. Soil conservation in the northern and southern areas were higher than that in the central area， and the distribution of food supply was generally consistent with the land use. （2） The proportion of townships in ecological conservation areas continuously increased and is primarily distributed in the mountainous and hilly regions in the north and southeast of the source area. The proportion of developed urban area， located in Qilin District in the central part of the source area has not changed. The proportion of townships in the supply service area changed little and is distributed in the central and southwestern plains of the source area. （3） Slope， gross domestic product （GDP） and anthropogenic impact index had large impacts on the formation of ecosystem service clusters， and natural environmental conditions remained as the decisive factors for ecosystem services. Ecological function zoning is important for achieving sustainable socio-economic development and constructing an ecological civilization in the source area of the Pearl River.

Key words：ecosystem service clusters; InVEST model; K-means cluster analysis; ecological function zoning; Pearl River source area