廣東省珠江流域景觀格局對水質凈化服務的影響

王晨茜，張瓊銳，張若琪，孫學超，徐頌軍

華南師范大學地理科學學院，廣東 廣州 510631

水質凈化服務指流域生態系統通過植被、土壤等生態要素攔截、過濾和吸收地表徑流中氮磷營養鹽的過程和能力，是最基本的生態服務功能之一（劉洋等，2019）。景觀格局的變化通過影響流域生態過程改變進入水體的污染物類型與數量，進而對水質凈化服務產生深遠影響。快速城市化導致自然覆被退化或消失，使流域生態系統攔截污染物能力降低甚至喪失，水質退化問題突出，這已成為中國流域治理的重點和難點（Zhou et al.，2017）。因此，探討區域景觀格局與水質凈化服務之間的響應機理對于優化流域空間結構及提升生態系統服務功能具有重要意義。

目前已有眾多研究表明，景觀格局變化能夠對水質凈化服務產生重要影響。Mei et al.（2017）通過情景模擬發現嚴格的耕地保護政策下景觀格局的變化將導致武漢市生態土地退化，進而對水質凈化服務產生負面影響。劉怡娜等（2019）基于Spearman秩相關與多元回歸分析法研究發現，景觀格局與水質凈化服務的生態過程聯系緊密，景觀破碎度與異質性的增加都會削弱水質凈化服務。黃斌斌等（2020）研究發現，將其他景觀組成轉化為濕地能夠最大程度提升白洋淀流域的水質凈化服務效率。然而現有分析多基于相關分析或多元回歸分析等方法衡量景觀指標解釋度，對空間效應的忽視、最后結果對單一最佳模型過分依賴等特點都降低了分析結果的相對可信度（Whittingham et al.，2006）。此外，對于景觀配置的影響研究仍有諸多分歧，有學者發現景觀組成是影響水質凈化服務的主要因素，景觀配置不具有顯著影響（Xie et al.，2018）。但也有學者持完全相反的意見（Wu et al.，2019）。

廣東省珠江流域跨越區域范圍大，由于人為開發強度、經濟發展模式以及地形地貌等的不同，地表景觀格局呈現出明顯的地域性差異，流域水質凈化服務功能也呈現顯著差異。本文以廣東省珠江流域為研究對象，利用InVEST模型中的水質凈化模塊模擬研究區水質凈化服務，以景觀指數表征景觀格局特征，結合空間誤差模型（SEM）與基于AIC的模型選擇和多模型推斷來探討水質凈化服務的決定性因素，同時辨析景觀組成與景觀配置影響差異，以期為珠江流域的水質凈化服務提升與區域可持續發展提供科學依據。

1 材料與方法

1.1 研究區概況

廣東省珠江流域（22°03′—25°31′N，111°10′—115°38′E）指位于廣東省境內的珠江水系區域。流域總面積 111400 km2，占廣東省國土總面積的61.98%。主要流經粵西云浮、茂名兩市，粵北韶關、清遠、河源三市和珠江三角洲九市，自東向西經虎門、蕉門、洪奇門、橫門、磨刀門、雞啼門、虎跳門及崖門等八大口門注入南海（圖1）。該流域屬亞熱帶季風氣候，多年平均降雨量1300—2500 mm，由北向南逐步增多，多年平均溫度 19—24 ℃。流域地勢北高南低，北部多為山地和丘陵，南部為三角洲沖積平原。上游生態環境較好，植被覆蓋度較高，是下游珠三角城市的主要供水源地。下游珠江河口地區（包括珠江三角洲網河區和八大口門地區），主要包括廣州、佛山、深圳、東莞、中山、珠海、江門等城市，是廣東省的經濟、文化和政治中心，經濟發達，經濟總量約占廣東省的80%以上。河口地區河道縱橫交錯，水資源豐富，但由于城市廢污水排放造成污染，存在水質性缺水問題。

1.2 數據來源及處理

本研究中使用的2020年30 m×30 m土地利用數據來源于中國科學院地理科學與資源研究所（http://www.resdc.cn），綜合精度達90%以上（劉紀遠等，2018）。結合研究區實際情況，將地類合并劃分為耕地、林地、草地、水域、城鎮用地、濕地、未利用地等7類。數字高程模型（DEM）來自地理空間數據云（https://www.gscloud.cn），空間分辨率為30 m。基于DEM數據在ArcSWAT中生成流域邊界范圍與流域內水系，并結合水系特征共劃分為142個子流域（圖1）。降雨數據來自廣東地面氣候資料年值數據集（http://www.data.cma.cn），在ArcGIS中通過Kriging插值得到降雨柵格數據（30 m）。水質監測站點數據來自廣東省生態環境廳（http://gdee.gd.gov.cn/）。

圖1 研究區位置及子流域劃分Figure 1 Map of the study area location and subwatershed

1.3 研究方法

1.3.1 水質凈化功能評估

生態系統中植被、土壤等生態要素可以通過儲存和轉換等方式減少或移除徑流中的營養鹽污染物以達到水質凈化的目的（胡蕾等，2018）。InVEST模型中的水質凈化模塊基于此原理利用氮磷輸出量反向表征流域生態系統的水質凈化服務。由于模型中總氮（TN）和總磷（TP）計算原理相同，而且在子流域尺度TP對于景觀格局的響應更敏感（Ding et al.，2016），故本文以TP輸出量評價流域水質凈化服務。主要計算公式為：

式中：

Px——柵格x的TP輸出值；

Sx——水文敏感分值；

αx——柵格x的TP輸出系數；

λx——柵格x的徑流系數；

λω——研究區平均徑流系數；

表1 TP輸出系數和植被截留效率Table 1 TP output coefficients and vegetation retention efficiency

1.3.2 景觀指數的選取

景觀指數能夠高度濃縮景觀格局信息，以簡單的指標反映景觀結構的組成與空間配置的特征。本文在參考前人研究（李昆等，2020；王飛等，2021）的基礎上，基于Pearson相關分析與方差膨脹因子（VIF）預檢驗，排除了與TP沒有顯著相關性或共線性較大的因子，最終篩選出8個相對獨立的景觀指標。其中，景觀組成，即斑塊面積占比（PLAND）、選取耕地比例（CUL）、草地比例（GRA）和水域比例（WAT）。景觀配置指數選取選取最大斑塊指數（LPI）、邊緣密度（ED）、景觀形狀指數（LSI）、斑塊結合度（COHE）、香農多樣性指數（SHDI）。各指標具體含義及生態學意義見表 2。景觀指數在子流域水平上由軟件Fragstats 4.2計算獲得，相關性分析與多重共線性檢驗在R 4.1.1中進行。

表2 景觀指數Table 2 Landscape pattern index

1.3.3 統計分析

AIC（Akaika Information Criterion）即赤池信息量準則，是建立在熵的概念基礎上用以衡量統計模型復雜度和擬合優良性的一種標準，被廣泛應用于回歸模型的評估中。在小樣本的情況下（n/k＜40），AIC轉變成AICc（corrected AIC），當n增加時，AICc收斂成AIC，因此AICc可以應用于任何樣本大小的情況下（Burnham et al.，2002）。

式中：

k——參數的數量；

L——似然函數；

n——觀測值數量。

以TP為因變量，景觀格局指數為自變量，利用空間誤差模型（SEM）進行空間回歸。由于不同變量數量級差異較大，因此將所有變量進行行標準化處理后再進行計算。回歸模型中包含8個回歸參數，一共有28=256個候選模型。僅基于“最佳”模型的推斷可能會忽略其他合理模型，因而本文使用AICc進行模型選擇、加權和平均以避免最終結果只依賴于單一模型的不確定性。將所有模型按照AICc值升序排列，與“最佳”模型相比，ΔvAICc＜2或模型權重之和Σwi≥0.95的所有模型生成模型子集，用以進行模型平均。最終結果得到平均回歸模型并輸出每個回歸參數的平均系數值（Si et al.，2014）。

其中，模型權重（wi）用以衡量每個回歸模型的相對合理性：

一般情況下，江河一般是城市的主要發展軸，沿江道路一般通達性較強，因此，也是市域之間或區域內部的交通干線，一般定位成城市的交通骨架網絡。同時，通常臨防洪大堤較近，道路因處于江河的防洪距離范圍內，其建設需要考慮防洪的各項要求，一般在汛期需承擔防洪物資和人員的運輸工作，因此，道路一般定位為防汛通道。另外，道路與防洪大堤之間存在一定的區域用于建設風光帶，因此，道路的建設需要與風光帶的建設綜合考慮，將道路景觀與沿江風光帶的景觀相互呼應，因此，道路被定位成景觀道路。綜上，沿江道路一般的定位主要有交通干道、防汛通道、景觀大道3重功能定位。

同時，在創建的模型子集（ΔvAICc＜2 或Σwi≥0.95）中，通過對回歸參數出現的每個模型的wi求和，用以評估每個回歸參數的相對重要性（Importance）。所有計算過程在R 4.1.1中進行。

2 結果與分析

2.1 水質凈化功能的空間格局

為驗證InVEST模型準確性，采用2020年《中國河流泥沙公報》所提供的廣東省珠江流域年徑流數據對產水量進行校驗，結合水質監測站點數據對TP輸出量進行驗證，結果顯示模型計算結果與實測數據具有較好的一致性（r2=67.07%）。廣東省珠江流域 2020年 TP輸出強度為 0.4×10-4—3.52 kg·hm-2，平均值為 0.37 kg·hm-2，標準差為 0.64 kg·hm-2。生態系統中的營養鹽主要是通過徑流排放到河流、湖泊等水域中，因而TP的分布與水系分布呈現出明顯的空間一致性（圖2）。上游多林地、丘陵，水系分布相對稀疏，下游為珠江三角洲，河網密布，TP輸出強度由上游到下游逐漸增大，珠江河口地區平均輸出強度為 0.60 kg·hm-2，非珠江河口地區輸出強度僅為 0.30 kg·hm-2，具有明顯的空間異質性（表3）。

圖2 廣東省珠江流域單位面積、子流域TP輸出強度Figure 2 TP outputs per unit area and subwatershed in the study area

142個子流域的水質凈化功能呈現出明顯的空間聚集現象（Moran’sI=0.69，P＜0.001）。水質凈化服務整體呈現出北高南低、上游高下游低的分布特征。TP輸出值較高的子流域集中在流域南部的珠江河口地區，其中城區最高，并以各城區為中心向外輻射，輸出強度逐漸降低。最高值出現在廣州、佛山市區，為1.05 kg·hm-2。高值區都具有較高的城市化水平，制造業發達、頻繁的人類活動加劇了污染物的排放，而且植被覆蓋度較低，對污染物的截留效應減弱，從而導致水質凈化服務較弱。

TP輸出值較低的子流域分布在肇慶、清遠、韶關和河源等市的交界處，低值區都具有生態環境較好、植被覆蓋度較高的特點。或是由于城市化水平較低、人類活動干擾小，或是集聚于生態保護區和自然保護地，生態工程有力地保護了該地區的自然環境。最低值出現在綏江流域懷集段和東源縣萬綠湖庫區，分別為 0.055 kg·hm-2和 0.069 kg·hm-2。其中，綏江屬山區性河流，山地約占流域總面積的70%，而懷集縣又是廣東省的主要林區，2020年全縣森林覆蓋率達73.34%，有較強的水質凈化能力。萬綠湖庫區為東源縣生態保護區，內設有新豐江國家森林公園與河源新港鎮省級自然保護區。其中新豐江（萬綠湖）是深圳、香港等一線城市的重要供水源地，水質凈化服務強，水質優良。

2.2 景觀格局特征分析

如圖3所示，研究區不同子流域的景觀格局分布特征空間異質性較強，景觀組成指數與景觀配置指數均差異顯著。在整個流域范圍內，除LSI外，所以景觀指標都呈現明顯的空間聚集性（表3）。

圖3 廣東省珠江流域景觀格局Figure 3 Landscape pattern of the study area

表3 流域內主要轄區TP及景觀指標Table 3 TP outputs and landscape indices of the main districts in the study area

耕地主要集中分布在河口地區與北部山區，以灌溉水田為主、旱地為輔。其中，韶關市和清遠市是廣東的重要農業區。上游多為山地、丘陵，植被覆蓋度較高，是草地的集中分布區。水域恰好相反，上游水系較為稀疏，至下游東、西、北三江全部注入珠江三角洲，經八大口門匯入南海。因此，水域比例高值集中出現于河網密集的珠江三角洲平原。河源市萬綠湖作為華南地區第一大湖，水域比例值也較高。

LPI表征景觀優勢度，可以反映人類活動干擾的強度與方向。COHE表示相鄰斑塊之間的連接程度。研究區上游人類干擾活動較少，對自然環境開發程度有限。因此景觀整體性較高，優勢種明顯，景觀聯通度較高，LPI與COHE的高值都分布在上游地區（表3，圖3）。ED是表示景觀被邊界分割的程度的指標，ED值越大，斑塊越破碎，景觀越復雜。SHDI反映景觀異質性，SHDI高值表明景觀類型多元，景觀多樣性更加豐富。改革開放以來，珠江河口地區成為中國重要的經濟增長極。劇烈的人類活動不可避免地在城市化進程、土地利用方式等方面對區域景觀結構變化產生了重大影響，河口地區與非河口地區景觀格局呈現出顯著差異（表3）。從上游到下游，人類活躍程度不斷增強，干擾強度和頻率不斷增大，原本完整的自然景觀被割裂成若干小斑塊，景觀破碎化程度日益加重，異質性顯著增強，因此ED和SHDI高值都集中分布在下游河口地區（表3，圖3）。

LSI表征斑塊形狀的復雜程度，LSI值越大，斑塊形狀越復雜。一般認為，耕地和城鎮用地邊界較為規則，而林地、草地等自然景觀具有不規則的邊界（王杰等，2018）。因此，LSI的空間分布能夠反映人類活動對景觀格局的影響。如圖3所示，經濟發達的城鎮地區LSI值都較低，以城鎮為中心向外輻射增強，LSI逐漸提高，在各個城市的交界處達到最大。

2.3 景觀格局對水質凈化功能的影響

景觀組成和景觀配置都會對水質凈化服務產生影響。如表4所示，以ΔvAICc＜2或Σwi≥0.95篩選出來的模型子集中共有 9個模型可以解釋 TP，其中景觀組成與景觀配置指數都包含在內。此模型子集之外的其他所有模型為真實模型的可能性都基本為零。

表4 模型子集Table 4 Model selection statistics

根據模型平均結果（表5）可知，CUL、WAT、ED、SHDI都與TP輸出值呈顯著正相關（P＜0.01），重要性為1，是TP最重要的影響因子。農田和水域的比例越低，水質凈化服務越強（TP輸出值越低）。景觀的空間結構對流域水環境也具有顯著影響，景觀越破碎，異質性越高，水質凈化服務越弱，水質越差。其中，CUL對TP輸出值的影響最大（β=0.47，P＜0.001），SHDI次之（β=0.31，P＜0.001），WAT 和ED對TP的解釋度相對較小（β=0.15，P＜0.01）。

表5 模型平均結果Table 5 Model averaging

回歸系數都為正，表明這些因素對生態系統的水質凈化服務具有負面影響，其中區域農業活動的影響最顯著。相比之下，LSI、LPI、GRA、COHE對TP的影響較小，這4個指標均未出現在最佳模型中。LSI只出現于第2、3、6和9模型中，重要性為0.44。LPI只出現于第3、5、7和9模型中，重要性為0.39。GRA只出現于第4、6、7、9模型中，重要性為0.35。COHE只出現在第八模型中，重要性僅為0.07。

同時對TP輸出強度和各景觀指標進行了相關性分析，可知，景觀組成指數與景觀配置指數都與TP輸出量顯著相關（表5）。其中，CUL、WAT、ED、SHDI與 TP呈極顯著正相關（P＜0.001）。CUL、SHDI相關性最強，相關系數分別為0.689和0.735。WAT、ED與TP也有較強的相關性，相關系數分別為0.464和0.456。LPI與TP呈極顯著負相關（R=-0.641，P＜0.001）。LSI、GRA、COHE 與 TP相關性較弱。模型平均結果與Pearson相關性分析的結果具有一致性（表5）。其中，LPI與TP顯著負相關，但模型平均之后的結果顯示LPI對TP影響十分微弱，可能是CUL、WAT、ED、SHDI等重要影響因子都與TP呈顯著正相關，解釋度較大，從而導致LPI的影響不太顯著。

AIC本身作為一個值是沒有意義的，它通過與其他模型的AIC值進行比較得出含義。因此本文基于擬合優度（r2）與莫蘭指數對回歸模型進行評估，結果表明平均后的空間誤差模型對TP有較高的解釋度（r2=90.12%），殘差通過了空間自相關檢驗（Moran’sI= -0.02，P=0.791）。景觀組成變量與景觀配置變量都影響了TP輸出，但是景觀組成的影響更大，解釋了大部分的變化（r2=88.12%）。景觀配置指標只解釋了另外的2%。

3 討論

3.1 景觀格局對水質凈化功能的影響

景觀格局可以通過改變景觀組成及其空間排列方式影響磷營養物的存儲和截留效率，進而對水質凈化服務產生深刻影響。景觀組成方面，本研究發現耕地比例（CUL）是流域磷污染的主要貢獻源（β=0.47，P＜0.001），這與 Shi et al.（2017）、Zhang et al.（2019）的研究是一致的。農業活動中大量未被吸收的磷肥、有機磷農藥可隨徑流進入水體。相比于旱地，密集施肥且長期淹水的水稻田也更易發生可溶性養分的流失（Hao et al.，2012）。水域比例（WAT）也與流域磷含量呈顯著正相關（β=0.15，P＜0.01），是 TP最重要的解釋因子之一（Importance=1）。研究區水域廣布，尤其是下游的河口地區，河流縱橫交錯、互聯互通，水體一旦被污染，就會向周邊河網擴散，導致水質與水體關系密切。劉旭攏等（2016）、呂樂婷等（2021）的研究結果也證實了這一點。草地對污染物有較強的截留、吸附、過濾功能，可有效減少地表徑流攜帶進入河流的污染物（Xu et al.，2019）。但草地與耕地都集中分布于研究區北部的清遠市和韶關市，多重用地類型綜合作用之下導致草地（GRA）對TP的解釋度相對較低（Importance=0.35）。

景觀空間配置對諸如營養循環、水文過程和能量流動等生態過程有非常重要的影響。景觀格局的大小、聚集過程以及多樣性都是影響河流水質的重要因素（王杰等，2018）。本研究表明，ED、SHDI都對流域TP輸出強度產生正向效應，可以作為解釋 TP 變化的關鍵因子。這與 Clément et al.（2017）、石金昊等（2021）學者的研究結果一致。研究區上游人類活動較少，原有生態自然景觀保持較完整，景觀復雜程度與異質性較低，有助于對磷污染物的截持和過濾，因此水質凈化服務較高。而下游城市迅速擴張，生態用地向城鎮和農田轉換以及道路等基礎設施的建設都導致景觀更加破碎，對污染物的凈化能力變弱。ED、SHDI都與耕地、城鎮用地呈顯著正相關關系（P＜0.01），這也在一定程度上證明景觀的復雜性和異質性是由人類農業活動和城市擴張導致的。

本研究表明，景觀組成對水質凈化作用的影響大于景觀配置（r2=88.12%）。Gergel（2005）基于網格的啟發式模型的理論研究表明當景觀組成處于中等豐度水平時，景觀配置的影響最明顯；當景觀組成被某種地類主導時（＞60%），景觀連通性總是較好；當某種地類比較稀缺時，連通性總是較差。Xie et al.（2018）在河岸帶緩沖區尺度上評估了深圳河與深圳灣跨界流域景觀組成、生境破碎化與地表水質的動態關系，結果表明不同土地覆蓋類型的比例在影響較大流域（＞250 km2）的水質方面起著主導作用，是影響景觀格局最重要的結構特征。可見，本研究結果與其他研究結果具有可比性。景觀組成及其不同的空間排列方式構成了景觀格局，景觀組成是景觀配置的基礎，景觀配置受到景觀組成的制約。在農田、城鎮為主導的景觀格局中，SHDI增加表明景觀異質性增加，即主要污染輸出類型的優勢度降低，對水質凈化服務有正效應。而在林地、草地主導的景觀格局中，景觀異質性的增加則會導致水質凈化服務的降低（劉怡娜等，2019）。因此，景觀組成是景觀格局中最重要的特征，在不同景觀類型主導下的的景觀配置指數對水質凈化服務產生的效應可能會相互抵消，從而導致景觀配置指數的整體解釋度較小。

3.2 空間回歸與模型選擇

景觀格局與水質凈化服務的關系研究中通常涉及多個景觀指數，所涉及的空間回歸模型本質上是多變量的（即具有多個可能的解釋因子），因此需要考慮多個回歸模型。傳統的方法大多是通過向前或向后的逐步回歸來確定“最佳模型”，但多元逐步回歸分析法存在多種缺陷，如參數顯著性受到模型中其他參數的影響，最終結果只依賴單一的最優模型等（Whittingham et al.，2006）。

此外，傳統回歸模型是基于空間事物無關聯且均質的假定進行的，但本文研究表明，廣東省珠江流域作為一個生態系統整體，各子流域水質凈化服務的空間分布并非呈現出完全隨機狀態，而是表現為相似值之間的空間集群，具有明顯的空間自相關性（Moran’sI=0.69，P＜0.001）。因此在探究景觀格局與水質凈化服務關系時，必須要考慮使用納入空間依賴性的空間回歸模型進行評估。本文基于拉格朗日乘數檢驗（Robust LM-Error=21.767，P＜0.001）選擇了空間誤差模型（SEM）進行空間回歸。空間誤差模型主要對觀測樣本的空間擾動相關及空間總體相關進行刻畫。經檢驗，在本研究區域，相比于普通最小二乘回歸（vAICc= -163.097）、空間滯后模型（vAICc=-276.770）、空間杜賓模型（vAICc= -298.200）等，空間誤差模型的AICc值（vAICc= -299.881）更低，信息損失更小。同時，基于AIC的模型選擇與多模型推斷將代表不同假設的回歸模型整體進行比較，而且在許多模型都具有較高的可信度時，不依賴任何一個模型進行推斷，避免了因“最佳模型”選擇不當帶來的偏差（Burnham et al.，2002）。

趙鵬等（2012）利用典型相關分析和線性逐步回歸模型分析了廣東省淡水河流域景觀格局與 TP的關系，結果只有河岸帶城鎮用地比例進入回歸模型，模型的擬合優度為0.451，而且沒有通過顯著性檢驗（P=0.024）。劉慶（2016）基于偏冗余相關分析探究流溪河流域景觀格局特征對水質的影響，結果發現景觀指標對水質空間變異的解釋率達65.7%。Ding et al.（2016）基于冗余分析和多元線性回歸模型在多個尺度上分析了土地利用方式對東江流域一二級支流水質的影響，結果表明無論在山區和平原，都是在集水區尺度對TP的解釋能力最強、擬合效果最好（r2=0.770，0.842）。本文同時基于多元逐步回歸分析進行空間回歸，結果顯示景觀格局對流域水質凈化服務的解釋度為64.5%，擬合模型殘差沒有通過空間自相關檢驗（Moran’sI=0.54，P＜0.01）。由此可見，相比于傳統的分析方法，本文應用空間誤差模型進行空間回歸，基于AIC進行模型選擇與多模型推斷的方法消除了TP的空間自相關性和空間誤差（Moran’sI= -0.02，P=0.791）有力地提高了擬合優度（r2=90.12%），具有更好的擬合效果。

3.3 流域管理的啟示

了解景觀格局與水質凈化服務的關系對于發展中國家及其發達城市地區的流域水環境管理及可持續發展具有重要意義（Liu et al.，2018），本文研究結果可為廣東省珠江流域的治理提供一些基于實證的對策和建議。

InVEST模型可以快速簡便地通過較少的數據完成大范圍的評估，而且輸出結果有較強的空間表達能力，能夠直接體現水質凈化服務的空間異質性與區域差異，從而為流域管理及景觀格局的優化提供依據。同時，還可以使利益相關者參與情景設定，通過不斷地調整參數以尋求最佳的水質凈化服務提升方案（劉宥延等，2020）。研究結果表明，景觀格局對于水質凈化服務具有顯著影響，因此通過適當的土地利用類型及結構的優化配置，可以有效降低流域水體富營養化的污染輸入風險。在廣東省珠江流域，相比于景觀配置，景觀組成具有更深刻的影響。這表明提升研究區水質凈化服務不僅僅要改變土地覆蓋的空間布局，調整各地類的相對數量更為重要。此外，各種地類的影響程度也各有不同，因此針對特定地類的管理十分必要。研究結果表明，耕地是水體污染的主要來源，但林地、草地可以提供的較高的水質凈化服務功能。到目前為止，糧食安全仍舊是非常重要的問題，盲目地退耕還林、還草有可能會加劇糧食安全與水環境安全之間的沖突（Zhang et al.，2018）。因此可以在嚴守耕地紅線的基礎上，通過城市規劃和政策調整適當增加林地、草地等景觀的面積比例。同時堅持節約用地制度，在管控范圍之內，大力挖掘現有農業用地的潛力，遏制耕地“非農化”，嚴格管控“非糧化”，構建科學發展的景觀格局（李洪慶等，2018）。對于原本的生態工程重點建設地區，如鼎湖山國家級自然保護區、粵北特別生態保護區、萬綠湖風景區等，應該進一步加強管理與維護，促進服務的持續供給。在高度城市化的地區（如珠江河口地區），大比例地調整景觀組成占比是不可行的。但景觀空間結構對于水質凈化服務也具有調節作用，SHDI、ED都是水質凈化服務的重要解釋因子。人類活動干擾強度越大，景觀類型越豐富，景觀也越破碎，水體污染的風險也隨之增大。因此可以考慮適當增加生態植被用地，如城市公園等，降低耕地和城鎮用地的優勢度及完整性，以改善水質凈化服務（Qiu et al.，2015）。

本文從景觀組成與景觀配置兩方面探討了景觀格局與水質凈化服務的關系，但景觀配置指數僅考慮了景觀水平，對于類型水平有待進一步研究。而且只選取了 2020年一期數據，對于景觀格局與水質凈化服務的時空格局及其空間關系的動態變化研究不足。未來可以進一步建立更加全面完善的景觀格局指標體系并進行長時序的相關性分析以進一步研究流域水質與其景觀格局的關系，為實現流域水質凈化服務提升和區域可持續發展提供科學依據。

4 結論

本研究以廣東省珠江流域142個子流域為研究對象，應用InVEST模型評估水質凈化服務，基于Fragstats平臺分析景觀格局特征，在此基礎上利用空間誤差模型和基于 AIC的模型選擇和多模型推斷定量分析了景觀格局對水質凈化服務的影響。結果發現：

（1）研究區水質凈化服務與景觀格局特征都具有明顯的空間異質性，珠江口地區、非珠江口地區TP輸出值與景觀指數均差異顯著。

（2）景觀組成與景觀配置共同影響了流域水環境。景觀組成指數 CUL、WAT和景觀配置指數SHDI、ED對水質凈化服務具有顯著的削弱作用，是水質凈化服務最重要的影響因子。

（3）景觀組成是景觀配置的基礎，景觀配置受到景觀組成的制約。景觀組成對水質凈化服務產生的影響程度更深（r2=88.12%），景觀配置指標只解釋了另外的2%。