西南地區生態系統服務價值時空演變及模擬預測

王金鳳,劉 方, 白曉永,代 穩,李 琴,吳路華

1 貴州大學資源與環境工程學院,貴陽 550001 2 中國科學院地球化學研究所環境地球化學國家重點實驗室,貴陽 550001 3 中國科學院普定喀斯特生態系統觀測研究站,安順 562100 4六盤水師范學院旅游與歷史文化學院,六盤水 553004

生態系統服務價值(ecosystem service values,ESV)是以貨幣形式評估生態系統提供維持人類賴以生存的環境和商品服務能力[1- 2],西南地區地處長江、珠江兩江上游是我國重要的生態屏障,同時該地區自然地理環境復雜多樣,喀斯特地貌廣泛分布,也是我國生態環境極度脆弱的區域,因此該地區ESV的時空格局演化,對構建我國生態安全格局和實現區域可持續發展具有至關重要的作用。ESV作為生態環境重要組成部分和實現生態資產轉化的重要途徑,早已引起了國內外眾多學者的關注[3- 8],他們從不同尺度區域生態景觀轉變引起的 ESV 變化進行探討。Costanza 等率先對全球16種生態景觀用地的服務功能進行貨幣價值評估。謝高地等[9]結合中國的實情,構建了符合中國實情的ESV計算體系,并對不同生態景觀的ESV大小進行了評估[10- 11]。陳永春等基于土地利用變化和ESV評估模型對安徽省市域尺度上土地利用變化對ESV的影響進行了評估分析[12]。張斯嶼等基于InVEST模型對縣域尺度ESV進行了評估[13]。與此同時,一些專家[14- 16]還采用灰色模型和系統動力學等模型進行區域ESV的預測,為區域可持續發展提供參考。近年來,Sutton等使用人類消費和實際的生產力損失兩個數據集來描述對ESV的影響,獲取了每年損失的ESV量化數據[17]。Teoh 等利用與人類有關的可操作性、國內生產總值和ESV稀缺性等因素解釋了全球文化ESV經濟價值趨勢[18],這些研究推動了ESV在重大決策中的應用,使得ESV在國家戰略中具有十分重要的意義。

盡管國內外學者在計算不同地區ESV變化和提供政策參考方面取得了大量成果,但以往研究大多為單一的數據闡述,難以在空間上明確過去-現在ESV盈虧的具體位置,這就使得在空間位置上落實生態補償機制面臨困境。此外,對不同區域ESV 未來盈虧走向空間格局演化研究較少,難以明確這些地區未來時空演化格局,摸清未來發展方向,致使這些地區在用地布局和明確經濟發展方向上存在嚴重制約。基于此,本文以生態環境極富代表性的西南地區為研究對象,運用ESV計算體系對該區過去-現在(10年)ESV空間盈虧格局演變分析,采用Logistic-CA-Markov耦合模型預測其ESV未來10年空間演變格局。通過揭示西南地區過去-現在-未來ESV時空演化規律,提供長時間序列的時空演化圖譜,將有助于西南地區制定詳細生態規劃和落實生態資產轉換政策,為西南地區社會經濟發展和生態環境保護提供決策支持。

1 研究區與數據來源

1.1 研究區概況

圖1 研究區空間位置分布示意圖Fig.1 The spatial distribution of the study area

西南地區由四川省、重慶市、貴州省、云南省、廣西壯族自治區及西藏、青海的部分地區組成,地處21°48′—37°36′ N,82°42′—113°41′ E,總面積約230萬km2(圖1)。平均海拔3600m,最高海拔高度為7195m。地跨中國一、二級階梯,地勢西高東低呈階梯狀下降,具有高原、平原、盆地、丘陵等多種地貌類型。氣候類型從低緯到高緯具有熱帶季風氣候、亞熱帶季風氣候、溫帶大陸性氣候,高原山地氣候等類型。降水量200—2700mm,降水差異大,主要集中于夏季,干濕分明。植被具有熱帶雨林、常綠闊葉林、草原等多樣類型。該區橫跨多種地貌類型,生態類型復雜,具有ESV研究典型性和代表性。

1.2 數據來源

本文所需數據主要包括西南地區土地利用圖、海拔、人口密度、國內生產總值 、統計年鑒等數據,數據來源具體如下(表1)。

2 研究方法

2.1 生態服務價值測算

據Constanza等人[1]估算ESV方法,其計算公式為：

ESV=∑AiVCi

(1)

ESVS=∑AiVCsi

(2)

式中,ESV為某類生態景觀的總體生態系統服務價值,Ai為第i類生態景觀類型的面積,VCi為第i類生態景觀生態價值系數;ESVs為某類生態景觀的單項服務價值,VCsi為單項ESV系數。每類生態景觀的單項服務價值主要包括食物生產、原材料生產、水源涵養、氣體調節、氣候調節、廢物處理、娛樂文化價值、生物多樣性保護。研究區的生態景觀類型為耕地、林地、草地、水域、未利用地和建設用地6個類型,分別對應于農田、森林、草地、水體&濕地、荒漠生態系統類型,建設用地參考董家華[19]、石垚等[20]的研究,確定其在水源涵養和廢物處理方面生態效益為負值,其他方面生態價值為0。其余各類生態景觀的單項服務價值系數參照謝高地中國生態系統單位面積生態服務價值當量表。1個生態服務價值當量因子的經濟價值以糧食產量的凈利潤為計算準則,同時結合王航等[21]提出的CPI指數修正ESV系數法進行西南地區ESV系數的計算,2005年的西南地區平均CPI為101.8%,2015年為101.4%,為了后期預測模擬時的ESV對比研究,以2015年為基準計算整個西南地區不同生態景觀類型ESV系數(表2)。

表1 主要數據來源

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

表2 西南地區各生態景觀單位面積ESV系數/(元/hm2)

ESV系數(Ecological service values coefficient, ESVC)

2.2 Logistic-CA-Markov預測模型

運用 Logistic回歸獲取分布適宜性圖集,Markov模塊得到轉移概率,在CA驅動模塊實現模擬運算,完成模擬預測。

2.2.1Logistic回歸

利用Logistic回歸方程構建研究區因變量與影響生態景觀類型產生變化的自變量之間的模型[22],具體公式如下：

(3)

(4)

式中,pi表示出現某種生態景觀類型的概率,b0b0為回歸模型常數項,b1-bmb1-bm為回歸系數,x1-xmx1-xn表示驅動力因子。Logistic回歸結果ROC曲線,取值范圍從0.5到1,當ROC>0.75時表明擬合結果能夠滿足預測要求。

2.2.2CA-Markov 模型

Markov轉移矩陣[23]的表達式如下：

(5)

(6)

式中,S表示面積；P表示概率；i、j(i=1,,2…,n,j=1,,2…,n)分別表示轉移前與轉移后的生態景觀類型。生態景觀類型si轉為sjsj的轉移概率p(si→sj)=p(si|sj)=pij。

CA具備模擬復雜空間動態變化的能力[24],Markov模型具有長期預測的優點,CA-Markov 耦合提高了預測精度,能在空間上較好地體現生態景觀格局的演化特征。

3 結果分析

3.1 西南地區生態系統服務價值演變

西南地區自然地理環境空間差異大,異質性較強,精確地計算各個省份的 ESV難度較大,采用統一的ESV系數(表2)來計算西南地區各省份各類生態景觀單位面積的 ESV,雖然難以給各省生態環境制定一個絕對的價格標簽,但能相對準確地揭示西南各省區時空二維動態演變格局和推演未來演變趨勢,為科學制定西南各省區生態規劃提供參考。

3.1.12005—2015年ESV時間變化

總體ESV演變。 2005—2015年西南地區總體ESV凈增20.85億元,每年增加2.09億元,增長率0.07%(表3)。從生態景觀ESV來看,水域的ESV明顯增加,增幅3.37%。其他生態景觀的價值均減少,建設用地減少最為明顯,減少了28.68億元。從ESV變化率可以發現,建設用地和水域的變化率最大,建設用地和水域ESV變動,一定程度上控制了西南地區ESV的變化。

生態景觀是ESV的載體,ESV的變化與生態景觀面積的(圖4)變動具有一致性。10年間水域和建設用地面積不斷增加,耕地、林地、草地、未利用地面積不斷減小。西南地區河網密布,湖沼、濕地眾多,具有三江源等重要的水源保護地。為加強水源保護,近年來新建了大量的人工河湖、水庫和濕地。同時在氣候變暖的背景下,雪線不斷后退,西藏、青海等地的冰川雪山大量融化,水域面積不斷增長,ESV增加。由于西部大開發的速度加快,建設用地增長迅速,建設過程中不可避免地占用了耕地、林地、草地,使得ESV減少。西南地區的ESV在生態景觀用地兩增四減的過程中呈現穩步增長的趨勢。

表3 2005—2015年ESV貢獻和變化

單項ESV演變。西南地區2005—2015年的生態系統單項服務價值變化不顯著(圖2)。廢物處理、水源涵養、氣體調節、氣候調節、娛樂文化價值在增加,廢物處理功能增加最明顯,增長0.35%,與水域大面積的增長相關；土壤形成與保護、食物生產、原材料生產、生物多樣性保護的價值在減少,土壤形成與保護單項服務價值降低明顯,減少0.19%,是建設用地增加占用耕地、林地、草地所致。

2005—2015年西南地區生態系統服務價值的構成中,土壤形成與保護單項服務價值在整個生態服務中占據著主導地位,其所形成的價值占總價值的18%以上。林地、草地生態景觀為西南地區主要用地類型,其面積占總面積的70%以上,且分布廣泛,故具有較高的土壤形成與保護能力。最小的生態系統單項服務價值是食物生產,占總價值的3%以下,食物生產的單項服務價值在ESV構成中最小,同時西南地區地表起伏大,耕地面積小且分布零星,因此食物生產價值難以體現。

圖2 2005和2015年單項ESV/億元雷達圖Fig.2 The radar map of single ESV/billion RMB in 2005 and 2015

3.1.22005—2015年ESV空間演變

ESV空間盈虧流動。基于ESV流動[25],從表4可以看出,各類生態景觀的ESV在空間上進行了不同程度的相互轉換,耕地受城市建設占用,退耕變成林地草地,少量轉化為水域和未利用地,ESV盈虧流動中凈減少13.58億元。林地被河湖淹沒轉化為水域ESV增加,林地被建設損失價值最大,達23.70億元。草地轉化為水域盈利價值高達41.44億元,流向耕地、建設用地和未利用地其價值明顯虧損。未利用地是一種后備資源,景觀轉換中ESV變動不顯著。總體而言,耕地、林地、草地、水域以及未利用地向建設用地虧損流動,減少的價值不足以抵消其他生態景觀向水域的流動帶來的盈利,西南地區的ESV凈增長。

ESV空間分布變化。根據ESV的數值大小,采用自然斷點法,將研究區的ESV分為6個級別,從圖3可以看出,西南地區各省ESV等級空間上呈現出西北部和東南部高、中部和北部低的空間分布特點。極高ESV區主要分布在青海、西藏高原區和廣西壯族自治區山區丘陵地帶,青海、西藏地區,人口稀少,植被茂盛,水源保護地較多,生態優良。廣西壯族自治區山區丘陵地帶雨熱同期,植被覆蓋度高,生態環境良好。極低ESV區主要分布在四川省、貴州省和云南省三省交界的周邊區域。三省交界的周邊區域山巒眾多,溝壑縱橫,喀斯特地貌廣泛發育,植被覆蓋度低。

表4 2005—2015年ESV盈虧流動表/億元

10年期間西南地區的各個等級的ESV相互流轉,西藏低級ESV向中級ESV轉化,中級ESV向較高ESV轉化。云南省較高ESV向高值ESV,高值ESV向極高ESV演變。盡管存在高等級向低等級ESV轉化,但低等級ESV向高等級ESV轉化較為明顯,ESV凈增長,表明生態環境治理過程中,生態環境不斷改善,生態環境逐步變好。

圖3 2005年和2015年不同等級ESV空間分布圖Fig.3 Spatial distribution of ESV at different levels in 2005 and 2015

3.2 西南地區生態系統服務價值預測

ESV的變化主要受生態景觀變化的影響,要對ESV進行有效預測,則需要對生態景觀進行準確的模擬,在此基礎上對進一步對ESV進行預測。

3.2.1預測驅動因子分析

采用Logistic回歸模型分析生態景觀與驅動其變化的因子之間的數量關系,以高程(DEM)、坡度(SLOPE)、距離水域的距離(DOR)3個自然因子和人口密度(POP)、國內生產總值(GDP)、距離建設用地的距離(DOB)3個人文因子[26]與6種生態景觀類型進行Logistic回歸。從邏輯回歸分析方程的回歸系數可以看出(表5),耕地分布與人口密度、坡度密切相關,主要分布于多分布于人口極為集中,坡度較為平緩的區域。水域分布與高程和人口密度相關,多分布于海拔較低的區域。建設用地分布受國民生產總值和人口密度的影響,多分布于人口密度大,國民生產總值高的區域。林地、草地、未利用地的分布主要受自然因子驅動。

盡管驅動生態景觀分布發生變化的因子各不相同,但生態景觀類型的分布受自然的驅動較人文更明顯,是自然背景約束下人類活動的結果。從ROC的回歸結果可以看出,各生態景觀類型的ROC值均在0.87以上,所選驅動因子能夠較好的解釋生態景觀的分布狀況,生態景觀表面概率分布和真實分布之間具有較好的一致性。

表5 邏輯回歸方程和ROC檢驗

DOB: 距離建設用地的距離;DEM: 高程;GDP: 國內生產總值; POP: 自然因子和人口密度; DOR: 距離水域的距離; SLOPE: 坡度

3.2.2預測精度評價

模擬結果的準確性是預測的關鍵,盡管2015模擬圖與真實圖空間布局極為相似,但生態景觀受自然背景和人類活動的制約,要精確的預測是比較困難的。Kappa系數是一種計算分類精度的方法,運用IDRISI中的精度檢驗模塊對2015年西南地區生態景觀類型圖模擬結果進行驗證,Kappa結果為0.86,Kappa結果越接近1說明模擬精度越高,可以在整體上能較準確的反映其空間演變軌跡,較好地對ESV進行模擬預測。

為了進一步驗證各類景觀的模擬精度,將各類生態景觀分別提取出來,逐個做Kappa檢驗(見表6),可以看出整體的精度驗證只能說明整體模擬與實際的擬合程度,不能代表每一類生態景觀的擬合程度。建設用地和水域Kappa系數相對較低,建設用地相對于其他生態景觀而言,面積小,元胞個數少,空間分布較零散,受人類活動影響顯著,因此相對于生態景觀類型面積大,分布相對集中,主要受自然背景的控制的景觀而言,其模擬精度相對較低。水域是研究區增長面積最多,增長幅度最快的景觀,準確模擬其空間位置難度較大。每種類型的Kappa系數均在0.59以上,表明預測的各類生態景觀及ESV空間布局具有可信性。

3.2.32025年ESV預測

基于2005—2015年的生態景觀轉移矩陣和Logistic回歸分析生成的適宜性圖集,運行CA-Markov得到2015年和2025年生態景觀預測結果(圖4)。利用預測出的2025年生態景觀圖,進行2025年ESV分析。未來10年,西南地區廢物處理、水源涵養、氣候調節、娛樂文化單項價值服務價值將持續增加。林地、草地、和水域依然是ESV的主要貢獻景觀。總體的ESV在2015年的基礎上增長6.02%,2025年將達到31398億元。

圖4 西南地區生態景觀分布圖Fig.4 The map of landscape in Southwest China

盡管自然環境持續向良性發展,但ESV未來演化的過程中,明確那些區域的ESV在增加,那些區域在減少,對實施卓有成效的生態規劃具有十分重要的意義。基于ESV空間轉移,在空間上提取了ESV增加和減少的圖斑(圖5)。

表6 生態景觀類型模擬精度評價表

ESV空間上盈虧流轉,ESV增加3081.15億元,其增加的區域主要分布在青海西北部和西藏東南部和云南省,主要是水域面積增加,引起了生態效益的增長。ESV減少1158.50億元,主要受建設用地繼續增加,各項景觀向建設用地虧損流動所致。ESV減少的區域主要集中在四川省成都平原周邊、廣西壯族自治區中部,以及重慶市的大部分區域。ESV盈利區域大于虧損區域,西南地區ESV持續增加,生態環境繼續好轉。

圖5 2025年預測EVS區域分布變化趨勢圖Fig.5 Prediction of the distribution trend of EVS in 2025

4 討論

生態服務補償制度的推行,使得生態服務價值的研究越來越受到重視,國內外對ESV定量評估日益增多。本研究對西南地區2005—2015ESV動態演變進行定量分析,采用耦合模型預測2025年ESV格局,盡管揭示了西南地區過去-現在-未來ESV時空演化規律,對該地區實施卓有成效的生態規劃及可持續發展提供了重要參考。但在評估方法上仍存在不確定性,由于生態服務與生態功能不可能完全匹配,致使ESV的精確計算存在難以克服的障礙,在未來的研究中需要對各種生態系統服務功能進行更為詳細的分類并設計更為準確的價值核算體系,利于更加準確闡明生態服務價值的演變特征。其次，本文運用Logistic-Markov-CA耦合模型精確模擬各類生態景觀,預測ESV空間演變。與僅依靠轉移概率來預判未來演化趨勢的研究相比,本研究在空間布局模擬上取得了一定進展,ESV未來空間布局具有可信性。生態景觀受到自然背景和人類活動的影響,其變化是一個復雜的過程,演化驅動機制龐大,因此每類生態景觀Kappa結果與整體的Kappa系數難以一致。第三,ESV的進一步研究,還需要考慮經濟發展與生態環境之間的協同與制約關系,經濟收益與生態損失相關聯,通過動態變化模型研究不同發展路徑下,經濟發展與環境變化之間耦合變化趨勢,建立生態服務權衡閾值動態數據庫,為當權者提供不同ESV變化與人類福祉之間的演變譜系,為政府提供決策支持。

5 結論

基于ESV計算體系,評估西南地區近10年ESV演變特征,為該地區生態規劃和土地利用管理提供了決策參考。2005—2015年該地區總體ESV穩步增長,增長了0.07%,其增長主要來源于水域貢獻,單項ESV動態變化不顯著；空間上各類生態景觀和不同等級的ESV進行了不同程度相互流轉,低等級向高等級ESV轉化較為明顯,其他生態景觀向建設用地虧損流動減少的價值不足以抵消向水域流動增加的價值,生態環境不斷改善,生態效益持續增長。

運用Logistic-Markov-CA耦合模型對西南地區2025年ESV進行預測,Logistic回歸分析結果表明,各類生態景觀的ROC值均大于0.87,擬合結果能夠滿足預測要求。整體Kappa系數為0.86,可以在整體上較準確的反映其空間演變格局。2025年總體的ESV在2015年的基礎上增加1783.44億元,ESV盈利區域大于虧損區域。盡管ESV持續增長,但建設用地增加的生態負效應不可忽視,在未來生態規劃過程中,還需慎重考慮。