基于貝葉斯網(wǎng)絡(luò)的生態(tài)系統(tǒng)服務(wù)權(quán)衡協(xié)同關(guān)系及其驅(qū)動因子分析
——以陜北黃土高原為例

荔 童,梁小英,*,張 杰,耿 雨,耿甜偉,石金鑫

1 西北大學(xué)城市與環(huán)境學(xué)院,西安 710127 2 陜西省地表系統(tǒng)與環(huán)境承載力重點實驗室,西安 710127 3 太原師范學(xué)院地理科學(xué)學(xué)院,晉中 030619

自 2005 年千年生態(tài)系統(tǒng)評估發(fā)表以來,生態(tài)系統(tǒng)服務(wù)(Ecosystem Services,ES)研究已逐漸受到學(xué)術(shù)界的關(guān)注[1—2]。其中,探討和分析不同生態(tài)系統(tǒng)服務(wù)之間的權(quán)衡與協(xié)同作用已成為重要方向之一[3—5];且如何辨識生態(tài)系統(tǒng)服務(wù)之間多重非線性關(guān)系及其影響因素的研究已成為該方向的研究熱點之一,它對實現(xiàn)生態(tài)系統(tǒng)管理可持續(xù)發(fā)展和改善人類福祉,具有重要的理論和現(xiàn)實意義。

目前,有關(guān)生態(tài)系統(tǒng)服務(wù)之間的相關(guān)關(guān)系,即權(quán)衡與協(xié)同關(guān)系及其驅(qū)動因子分析已取得較大進(jìn)展。研究大多采用相關(guān)分析[6—9]、空間制圖[10—13]、情景分析[14—16]、最小二乘回歸和地理加權(quán)回歸[17]等方法,雖可直觀地揭示生態(tài)系統(tǒng)服務(wù)間的相關(guān)性,但在反映生態(tài)系統(tǒng)服務(wù)間的非線性關(guān)系方面略有不足,在準(zhǔn)確表達(dá)生態(tài)系統(tǒng)服務(wù)間權(quán)衡協(xié)同關(guān)系的內(nèi)在機理及其驅(qū)動因素方面還有較大提升空間。基于貝葉斯網(wǎng)絡(luò)模型在表達(dá)多要素間非線性關(guān)系的優(yōu)勢,已有學(xué)者采用該模型探討單一生態(tài)系統(tǒng)服務(wù)與多因素間的相關(guān)性研究。比較有代表性的如李晶等[18]和Dang等[19],前者利用貝葉斯網(wǎng)絡(luò)模擬水源涵養(yǎng)服務(wù)過程,根據(jù)設(shè)置的不同土地利用情景預(yù)測2050年的水源涵養(yǎng)服務(wù)狀態(tài)概率,對關(guān)天經(jīng)濟區(qū)水源涵養(yǎng)服務(wù)空間格局進(jìn)行優(yōu)化;后者基于貝葉斯網(wǎng)絡(luò)模型探討環(huán)境和人為因素對水稻供給服務(wù)產(chǎn)生的影響,優(yōu)化水稻供給能力并為農(nóng)業(yè)的可持續(xù)發(fā)展提供決策支持。上述研究主要是基于貝葉斯網(wǎng)絡(luò)探討多種因素對單一服務(wù)的影響,對于多種ES權(quán)衡協(xié)同及其驅(qū)動因素效應(yīng)差異的研究較少。即在一定區(qū)域范圍內(nèi),如何構(gòu)建基于多種生態(tài)系統(tǒng)服務(wù)的貝葉斯網(wǎng)絡(luò)模型、辨識生態(tài)系統(tǒng)服務(wù)間的多重非線性關(guān)系及其驅(qū)動因子,正是本文的研究重點和要解決的關(guān)鍵問題。

基于此,本文以陜北黃土高原為研究對象,在定量評估其2018年土壤保持、產(chǎn)水服務(wù)、糧食供給和固碳服務(wù)的基礎(chǔ)上,構(gòu)建基于貝葉斯網(wǎng)絡(luò)的生態(tài)系統(tǒng)服務(wù)模型,利用聯(lián)合概率分布分析4種ES的權(quán)衡協(xié)同關(guān)系,最后探討影響ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子及其效應(yīng)差異。研究對于提升對多種生態(tài)系統(tǒng)服務(wù)復(fù)雜關(guān)系的認(rèn)識、提高研究區(qū)生態(tài)系統(tǒng)的整體效益均具有重要意義。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 研究區(qū)概況

陜北黃土高原位于中國黃土高原地區(qū)的中心地帶,陜西省北部,地理坐標(biāo)35°16′—39°34′ N,107°15′—111°15′ E。地勢西北高、東南低,基本地貌類型為黃土塬、梁、峁、溝、塬。地域南北長、東西窄,總面積為92521.4 km2,占全部黃土高原總面積的12.6%(圖1)。氣候類型為溫帶大陸性半干旱氣候,年均溫為8—12 ℃,年降水為350—600 mm。區(qū)域土地利用類型以耕地、林地和草地為主,呈西北耕地向東南林地和草地過渡的空間格局。該區(qū)行政區(qū)劃包括榆林市和延安市,下轄府谷、神木和榆陽等25個縣(市/區(qū)),2018年總?cè)丝谶_(dá) 767.72萬人,人口密度為83人/ km2。

圖1 研究區(qū)概況圖Fig.1 Location of the study area

作為高度敏感的生態(tài)脆弱區(qū)之一,陜北黃土高原一直是政府和學(xué)者關(guān)注的焦點區(qū)域[20—21],連續(xù)15年的退耕,使得該區(qū)各類ES變化明顯。加之陜西鄉(xiāng)村振興戰(zhàn)略的逐步落實,勢必對該區(qū)ES的供給、需求和調(diào)節(jié)產(chǎn)生多樣性影響。本文以陜北黃土高原為案例地,為分析區(qū)域生態(tài)系統(tǒng)服務(wù)權(quán)衡協(xié)同關(guān)系及其驅(qū)動因子提供了良好的研究平臺。

1.2 數(shù)據(jù)來源與處理

研究數(shù)據(jù)主要包括:(1)氣象數(shù)據(jù):氣溫、降水空間插值數(shù)據(jù),分辨率1 km,來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn);(2)2018年土地利用數(shù)據(jù):分辨率30 m,來源于中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http://www.resdc.cn);(3)NDVI、NPP數(shù)據(jù):分辨率為1 km、500 m,來源于美國國家航天航空局(NASA)提供的數(shù)據(jù)(https://search.earthdata.nasa.gov/search);(4)DEM數(shù)據(jù):分辨率90 m,來源于地理空間數(shù)據(jù)云平臺(http://www.gscloud.cn);(5)人口密度數(shù)據(jù):分辨率1 km,來源于世界人口數(shù)據(jù)集(http://www.worldpop.org);(6)土壤數(shù)據(jù):采用基于世界土壤數(shù)據(jù)庫(HWSD)的中國土壤數(shù)據(jù)集,比例尺為1∶100萬,來源于寒區(qū)旱區(qū)科學(xué)數(shù)據(jù)中心(http://westdc.westgis.ac.cn)。以上數(shù)據(jù)均在ArcGIS 10.6平臺上進(jìn)行數(shù)據(jù)預(yù)處理,將所有柵格數(shù)據(jù)重新采樣,空間分辨率為1 km。此外,數(shù)據(jù)均采用Albers投影。

2 研究方法

2.1 生態(tài)系統(tǒng)服務(wù)量化

結(jié)合研究區(qū)水資源短缺、水土流失嚴(yán)重、生態(tài)環(huán)境脆弱等地理特征和資源環(huán)境狀況,本文選擇土壤保持、產(chǎn)水服務(wù)、糧食供給和固碳服務(wù)等評估其生態(tài)系統(tǒng)功能,并采用InVEST模型、ArcGIS等方法對上述服務(wù)進(jìn)行量化。

2.1.1土壤保持

利用InVEST模型的泥沙輸移比模塊對土壤保持服務(wù)進(jìn)行評估,該模塊以通用的水土流失方程為基礎(chǔ),考慮上游水源截留沉積的泥沙量。計算公式:

SR=R×K×LS×(1-C×P)

(1)

式中,SR為土壤侵蝕總量(t);R為降雨侵蝕性因子(MJ mmhm-2h-1a-1),采用Wischmeier和 Mannering[22]提出的公式計算;K為土壤可蝕性因子(thm2h MJhm-2mm-1),LS為坡度坡長因子,無量綱;C為植被覆蓋和作物管理因子,無量綱,參照蔡崇法等[23]的研究成果;P為水土保持措施因子,無量綱。

2.1.2產(chǎn)水服務(wù)

利用InVEST模型中的產(chǎn)水模塊計算產(chǎn)水量,計算公式:

(2)

式中,Y(x)、AET(x)、P(x)分別為柵格單元x的年產(chǎn)水量(mm)、年實際蒸發(fā)量(mm)、年降水量(mm),具體計算步驟詳見包玉斌等[24]的研究。

2.1.3固碳服務(wù)

利用InVEST模型的碳儲量模塊對固碳服務(wù)總量進(jìn)行計算,模塊包括地上物質(zhì)、地下物質(zhì)、土壤和死亡有機物碳儲量,求其和獲得總碳儲量。計算公式:

Ctot=Cabove+Cbelow+Csoil+Cdead

(3)

式中,Ctot為總碳儲量(t),Cabove、Cbelow分別為地上、地下生物量中的碳量(t/hm2),Csoil為土壤中的碳量(t/hm2),Cdead為死亡有機物中的碳量(t/hm2),各部分碳儲量參數(shù)根據(jù)文獻(xiàn)資料獲得[25]。

2.1.4糧食供給

糧食供給服務(wù)作為生態(tài)系統(tǒng)服務(wù)中最為基礎(chǔ)的供給服務(wù)之一,對于人類生存與發(fā)展有著不可或缺的作用。研究表明糧食供給與NPP之間具有很強的相關(guān)性[26],本文將糧食的總產(chǎn)量按照柵格NPP值與耕地總NPP值的比值來分配,確定各柵格的糧食供給能力,計算公式:

(4)

式中,Graini和Grainj分別是網(wǎng)格i和縣j的糧食產(chǎn)量(kg);NPPi是網(wǎng)格i耕地的凈初級生產(chǎn)力,NPPj是縣j耕地的凈初級生產(chǎn)力之和(kgC/m2)。

2.2 基于貝葉斯網(wǎng)絡(luò)的生態(tài)系統(tǒng)服務(wù)模型

2.2.1模型構(gòu)建

貝葉斯網(wǎng)絡(luò)(Bayesian belief network,BBN)由Pearl[27]于1988年提出,是一種基于概率推理的圖形網(wǎng)絡(luò)。BBN的構(gòu)建包括兩個步驟:一是網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí),確定貝葉斯概念網(wǎng)絡(luò)的節(jié)點和連接節(jié)點的箭頭。其中,節(jié)點表示變量的概率分布,箭頭表示變量之間的相互依賴關(guān)系;二是網(wǎng)絡(luò)參數(shù)學(xué)習(xí),確定各節(jié)點的條件概率表,反映節(jié)點之間因果關(guān)系的強弱[28—30]。

本文使用Netica軟件構(gòu)建基于貝葉斯網(wǎng)絡(luò)的生態(tài)系統(tǒng)服務(wù)模型(簡寫為BBN-ES模型)。首先,根據(jù)生態(tài)系統(tǒng)服務(wù)的過程機理,選擇各生態(tài)過程中的相關(guān)變量作為節(jié)點,對貝葉斯網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)學(xué)習(xí)。構(gòu)建的貝葉斯概念網(wǎng)絡(luò)共包含14個節(jié)點和17個箭頭。其中,土壤保持、產(chǎn)水服務(wù)、糧食供給和固碳服務(wù)等4種生態(tài)系統(tǒng)服務(wù)為目標(biāo)節(jié)點,人口密度、坡度、降水、土地利用、氣溫、NDVI、土壤可蝕性、降雨侵蝕、蒸散發(fā)、NPP等10個變量為影響因子節(jié)點。其次,利用ArcGIS軟件對數(shù)據(jù)圖層進(jìn)行離散化處理,具體變量離散化分級標(biāo)準(zhǔn)(表1),土地利用節(jié)點為離散變量,根據(jù)中科院土地利用覆蓋分類體系劃分為6類;其它節(jié)點為連續(xù)變量,利用自然斷點法劃分為低、較低、中、較高、高5種狀態(tài)。并創(chuàng)建1 km×1 km漁網(wǎng)提取各圖層?xùn)鸥裰?對貝葉斯網(wǎng)絡(luò)進(jìn)行參數(shù)學(xué)習(xí)。最后,將提取的78366個樣本數(shù)據(jù)帶入網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練,獲得貝葉斯網(wǎng)絡(luò)所有節(jié)點的條件概率表,即BBN-ES模型構(gòu)建完成(圖2)。

表1 各節(jié)點狀態(tài)

圖2 構(gòu)建BBN-ES模型Fig.2 The construction of BBN-ES modelF1、F2分別表示各柵格圖層

2.2.2模型驗證

本文利用誤差矩陣評估模型精度。誤差矩陣是通過比較分類結(jié)果的預(yù)測值與實際值,即將正確分類的樣本數(shù)除以樣本總數(shù)得到分類結(jié)果的精度[31]。誤差矩陣的每一列代表預(yù)測類別,列總和表示預(yù)測類別數(shù)目;每一行代表實際類別,行總和表示實際類別數(shù)目。通過在研究區(qū)創(chuàng)建3 km×3 km漁網(wǎng)生成采樣點作為驗證數(shù)據(jù),共8962個。利用Netica軟件對4個目標(biāo)節(jié)點進(jìn)行準(zhǔn)確性測試,計算其誤差矩陣評估模型精度。

2.3 ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子分析

2.3.1ES的權(quán)衡協(xié)同關(guān)系

利用貝葉斯網(wǎng)絡(luò)的聯(lián)合概率分布分析ES間的相關(guān)關(guān)系。其中,聯(lián)合概率由貝葉斯網(wǎng)絡(luò)所有節(jié)點的條件概率分布確定,計算公式如下:

(5)

式中,P(X1,X2,…,Xn)表示一個聯(lián)合概率分布,P(Xi|parents(Xi)表示條件概率分布。在聯(lián)合概率分布圖中,ES間的相互作用可視化為成對的聯(lián)合概率分布,每個像素代表服務(wù)1和服務(wù)2發(fā)生的聯(lián)合概率P(ES1=x, ES2=y),由ES1和ES2在各自狀態(tài)下的條件概率x和y計算得到。像素顏色的深淺程度代表兩服務(wù)間的聯(lián)合概率大小,顏色越深,表明概率越高,一個聯(lián)合概率分布內(nèi)的像素值總和為1。若兩種服務(wù)的聯(lián)合概率分布呈“I”型分布,則表示這兩種服務(wù)為協(xié)同關(guān)系;若兩種服務(wù)的聯(lián)合概率分布呈“L”型分布,則為權(quán)衡關(guān)系[32]。

2.3.2影響因子對生態(tài)系統(tǒng)服務(wù)的重要性分析

基于Netica軟件敏感性分析,通過計算方差縮減探討B(tài)BN-ES模型中影響因子節(jié)點對生態(tài)系統(tǒng)服務(wù)節(jié)點的相對重要性大小[33]。計算公式:

VR=V(Q)-V(Q|F)=∑qp(q)×[Xq-E(Q)]2-∑qp(q|f)×[Xq-E(Q|F)]2

(6)

式中,VR為方差縮減,表示相對重要性大小;V(Q)、E(Q)分別為生態(tài)系統(tǒng)服務(wù)Q的方差和期望;V(Q|F)、E(Q|F)為變量F條件下生態(tài)系統(tǒng)服務(wù)Q的方差和期望;Xq是與狀態(tài)q對應(yīng)的真實數(shù)值。VR值越大表明該節(jié)點對目標(biāo)節(jié)點的相對重要性大,即其對ES節(jié)點的影響越大;反之表明對ES節(jié)點的影響越小。本文選取VR>0.5%的影響因子作為影響生態(tài)系統(tǒng)服務(wù)的關(guān)鍵節(jié)點。

2.3.3驅(qū)動因子分析

本文借鑒Feng等[34]的研究,根據(jù)生態(tài)系統(tǒng)服務(wù)的權(quán)衡協(xié)同關(guān)系和節(jié)點的重要性分析,通過設(shè)置BBN-ES模型中ES節(jié)點的不同狀態(tài)概率值作為情景,利用貝葉斯網(wǎng)絡(luò)的概率推理,計算4種情景下影響生態(tài)系統(tǒng)服務(wù)關(guān)鍵節(jié)點狀態(tài)的后驗概率相對先驗概率的變化,并依據(jù)研究區(qū)的實際情況,將概率變化最大值大于35%的關(guān)鍵節(jié)點確定為影響ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子。

依據(jù)ES的相關(guān)關(guān)系,設(shè)置如下4種情景:

情景I:將具有協(xié)同關(guān)系的A服務(wù)和B服務(wù)最大化,即設(shè)置其“高=100%”;

情景Ⅱ:將具有協(xié)同關(guān)系的A服務(wù)和B服務(wù)最小化,即設(shè)置其“低=100%”;

情景III:將具有權(quán)衡關(guān)系的A服務(wù)最大化、B服務(wù)最小化,即設(shè)置A服務(wù)“高=100%”、B服務(wù)“低=100%”;

情景IV:將具有權(quán)衡關(guān)系的A服務(wù)最小化、B服務(wù)最大化,即設(shè)置A服務(wù)“低=100%”、B服務(wù)“高=100%”。

3 結(jié)果與分析

3.1 生態(tài)系統(tǒng)服務(wù)的空間分布

圖3為2018年研究區(qū)的土壤保持、產(chǎn)水服務(wù)、糧食供給和固碳服務(wù)的空間分布圖。由圖3可知,4種生態(tài)系統(tǒng)服務(wù)均呈現(xiàn)出較強的空間異質(zhì)性。其中,土壤保持、產(chǎn)水服務(wù)和固碳服務(wù)的空間分布較為一致,呈現(xiàn)出“南高北低”的特征;而糧食供給則呈現(xiàn)出“中部高、南北低”的空間分布。

圖3 2018年研究區(qū)的4種生態(tài)系統(tǒng)服務(wù)空間分布圖Fig.3 Spatial distribution map of four ES in the study area in 2018

結(jié)合表1和圖3可知:土壤保持服務(wù)的高值主要分布在研究區(qū)的東南部、中部和東北部區(qū)域,呈帶狀分布且與河流的走向保持一致,所占面積2183.5 km2;低值則在北部和西北部聚集成片,面積為66245.3 km2。土壤保持服務(wù)區(qū)域差異的原因在于高值區(qū)所在的延長、宜川和黃龍等縣植被覆蓋度高,而低值區(qū)所在的神木、榆陽和橫山等市(區(qū)、縣)建設(shè)用地占比較大,易發(fā)生水土流失。

產(chǎn)水服務(wù)的高值集中在研究區(qū)的南部區(qū)域,且北部呈現(xiàn)高值、較高值交錯分布,高值區(qū)所占面積2359.3 km2;低值分布在研究區(qū)的西部和中東部,中南部有零星分布,面積為48851.3 km2。高值區(qū)所在的黃陵、宜川和黃龍等縣區(qū)域林草地分布廣泛,有利于產(chǎn)水服務(wù);而低值區(qū)所在的定邊、靖邊和橫山等縣植被覆蓋度較低。

糧食供給的高值集中在研究區(qū)中西和中東部區(qū)域;低值分布范圍較為廣泛,分布在研究區(qū)東北部和南部,面積為62451.9 km2。這是由于高值區(qū)所在的定邊、橫山和子洲等縣域的耕地面積大,糧食供給能力較強;而低值區(qū)所在的富縣和宜川縣等區(qū)域林草地分布較廣,耕地面積相對較小,糧食供給能力相對較弱。

固碳服務(wù)的高值區(qū)和低值區(qū)的分布與產(chǎn)水服務(wù)基本一致,低值集中在西北部外,在研究區(qū)中部有零星分布,且固碳服務(wù)的中值集中在研究區(qū)東北部、中西部和中南部,所占面積49961.6 km2;高值和低值分布的原因與產(chǎn)水服務(wù)類似。

3.2 BBN-ES模型及驗證

構(gòu)建的2018年研究區(qū)4種生態(tài)系統(tǒng)服務(wù)的貝葉斯網(wǎng)絡(luò)如圖4所示。經(jīng)過參數(shù)學(xué)習(xí)后的貝葉斯網(wǎng)絡(luò)反映了研究區(qū)2018年真實情況的先驗概率。其中,土壤保持服務(wù)由低到高的5種狀態(tài)概率分別為71.6%、18.4%、5.01%、2.67%和2.36%;產(chǎn)水服務(wù)5種狀態(tài)概率分別為52.8%、15.6%、9.04%、20%和2.55%;糧食供給服務(wù)各狀態(tài)概率為67.5%、2.33%、25.2%、3.21%和1.81%;固碳服務(wù)各狀態(tài)概率分別是22.5%、6%、54%、10.9%和6.59%。土壤保持、產(chǎn)水服務(wù)和糧食供給低狀態(tài)概率均超過50%,表明研究區(qū)控制侵蝕和攔截泥沙的能力較弱、總體產(chǎn)水服務(wù)水平較低、糧食供給服務(wù)明顯不足;而固碳服務(wù)22.5%(<50%)的地區(qū)處于低水平,其在中等及以上的地區(qū)占71.49%,表明研究區(qū)總體固碳服務(wù)水平較高,主要是退耕還林(草)工程實施后,研究區(qū)的林草地面積增加,植被覆蓋率的增強有利于固碳服務(wù)。

模型驗證以土壤保持服務(wù)為例,預(yù)測土壤保持狀態(tài)與實際土壤保持狀態(tài)誤差矩陣見表2,土壤保持精度為74.4%;表中第一行第一列表示有5970個實際為低狀態(tài)的樣本被正確預(yù)測,第二列的100表示有100個低狀態(tài)樣本被錯誤預(yù)測為較低狀態(tài)。同理,計算產(chǎn)水服務(wù)、糧食供給、固碳服務(wù)精度分別為70.0%、75.9%、73.5%,BBN-ES模型總體精度為73.5%,表明模型具有較高的精度,模擬效果好,對上述4種ES節(jié)點概率預(yù)測具有較強的可靠性。

3.3 ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子分析

3.3.1ES權(quán)衡協(xié)同關(guān)系分析

基于BBN-ES模型,利用聯(lián)合概率分布和相關(guān)系數(shù)得到土壤保持、產(chǎn)水服務(wù)、糧食供給和固碳服務(wù)等4種服務(wù)兩兩間的相關(guān)關(guān)系(圖5)。據(jù)圖可知,2018年研究區(qū)的土壤保持、產(chǎn)水服務(wù)與固碳服務(wù)兩兩間呈“I”型概率分布,互為協(xié)同關(guān)系;其中,產(chǎn)水服務(wù)與固碳服務(wù)的協(xié)同關(guān)系最強(r=0.52)。究其原因,研究區(qū)自1999年實施退耕還林(草)工程后,截止2018年其林草地面積迅速增加,林地增加12.2%,草地增加3.5%,林地將吸收的土壤水分凝結(jié)成靠近林草地的降雨,有利于產(chǎn)水服務(wù)[35];同時,1999—2018年研究區(qū)年均降水量為183.2—432.6 mm,而2018年降水量為325.7—475.1 mm,有明顯的增加趨勢,這也會提高其產(chǎn)水服務(wù)。且植被覆蓋度的增加也會提高固碳能力,同時也會減少雨水對土壤的侵蝕增加土壤保持能力。而糧食供給分別與土壤保持、產(chǎn)水服務(wù)、固碳服務(wù)呈“L”型概率分布,即存在權(quán)衡關(guān)系;其中,產(chǎn)水服務(wù)與糧食供給的權(quán)衡關(guān)系最強(r=-0.62)。結(jié)合圖1和圖3可知,2018年研究區(qū)土地利用類型以耕地、林地、草地為主,糧食供給能力較高的耕地區(qū)域,其土壤保持、產(chǎn)水服務(wù)和固碳服務(wù)相對較弱;而土壤保持、產(chǎn)水服務(wù)和固碳服務(wù)較高的林草地區(qū)域,糧食供給能力較弱。

圖5 2018年研究區(qū)4種生態(tài)系統(tǒng)服務(wù)聯(lián)合概率分布圖Fig.5 Joint probability distribution map of four ESs in the study area in 2018***表示P<0.01的顯著性水平;P(ES1, ES2)表示服務(wù)1和服務(wù)2發(fā)生的聯(lián)合概率

3.3.2影響因子對生態(tài)系統(tǒng)服務(wù)的重要性分析

影響因子節(jié)點對生態(tài)系統(tǒng)服務(wù)節(jié)點的重要性分析結(jié)果見表3。依據(jù)2.3.2中設(shè)置判斷關(guān)鍵節(jié)點的規(guī)則(VR>0.5%),結(jié)合表3可知,土壤保持服務(wù)的關(guān)鍵節(jié)點包括坡度、土地利用、土壤可蝕性、降雨侵蝕、降水和NPP,其中坡度的VR值最大(7.91%),表明其對土壤保持的變化影響最大,原因在于研究區(qū)實施退耕還林(草)工程后,大量耕地轉(zhuǎn)化為林地和草地,植被覆蓋度的提升增強了植被的固土持沙能力,有利于土壤保持[36]。影響產(chǎn)水服務(wù)的關(guān)鍵節(jié)點包括降水、降雨侵蝕、NPP和蒸散發(fā),且4個節(jié)點的VR值均在2%以上,表明其對產(chǎn)水服務(wù)增加影響較大。對于糧食供給服務(wù)而言,主要受到NPP、降水和降雨侵蝕等3個因子的影響,其VR值均>10%。影響固碳服務(wù)的依次為NPP、降水、NDVI和降雨侵蝕,其中NPP的VR值最大(4.83%),表明其對固碳服務(wù)的變化影響最為顯著,原因在于NPP與區(qū)域的植被覆蓋度密切相關(guān),植被覆蓋度的增加有利于固碳服務(wù)。

表3 影響因子節(jié)點對生態(tài)系統(tǒng)服務(wù)節(jié)點的重要性分析

因此,確定坡度、土地利用、土壤可蝕性、降雨侵蝕、降水、NPP、蒸散發(fā)和NDVI為4種服務(wù)的8個關(guān)鍵節(jié)點,為下文分析ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子奠定基礎(chǔ)。

3.3.3驅(qū)動因子分析

依據(jù)3.3.1權(quán)衡協(xié)同關(guān)系結(jié)果設(shè)置4種情景(表4)。利用貝葉斯網(wǎng)絡(luò)的概率推理,計算4種情景下影響生態(tài)系統(tǒng)服務(wù)8個關(guān)鍵節(jié)點狀態(tài)的后驗概率相對先驗概率的變化(表5),確定土地利用、降水和NPP是影響ES權(quán)衡協(xié)同關(guān)系的主要驅(qū)動因子。

表4 權(quán)衡協(xié)同情景設(shè)置及其說明

表5 4種情景下關(guān)鍵節(jié)點狀態(tài)的概率變化表/%

由表5可知:在協(xié)同-情景I和情景Ⅱ中,土地利用、降水、NPP等3個節(jié)點的概率變化最大值均大于35%;在權(quán)衡-情景III和情景IV中,土地利用、降水和NPP結(jié)點的概率變化最大值均大于35%,由此確定土地利用、降水、NPP是影響ES權(quán)衡協(xié)同的驅(qū)動因子。其中,土地利用主要影響生態(tài)系統(tǒng)服務(wù)的協(xié)同關(guān)系,而降水和NPP在影響協(xié)同關(guān)系的同時對權(quán)衡關(guān)系也有一定地制約作用。

(1)在協(xié)同情景中,不同驅(qū)動因子在不同狀態(tài)下產(chǎn)生相同的協(xié)同方式。如情景I,降水較高值、NPP高值狀態(tài)下,均可促使3種ES的高值協(xié)同;同時,相同驅(qū)動因子在不同狀態(tài)則會造成協(xié)同方式的差異。譬如,降水在低值狀態(tài)下促使3種ES的低值協(xié)同(情景II),而較高值狀態(tài)下表現(xiàn)為高值協(xié)同。

(2)在權(quán)衡情景中,不同驅(qū)動因子在不同狀態(tài)下產(chǎn)生相同的權(quán)衡方式。如情景III,NPP高值、降水較高值狀態(tài)下,均可促使3種高值ES(土壤保持、產(chǎn)水服務(wù)和固碳服務(wù))與低值糧食供給權(quán)衡;同時,相同驅(qū)動因子在不同狀態(tài)下亦會產(chǎn)生權(quán)衡方式的差異。譬如,NPP在較低值狀態(tài)下促使3種低值ES與高值糧食供給的權(quán)衡(情景IV),而高值狀態(tài)下則呈現(xiàn)3種高值ES與低值糧食供給的權(quán)衡關(guān)系。

4 討論

4.1 BBN-ES模型

本文基于構(gòu)建的貝葉斯網(wǎng)絡(luò),探討多種ES權(quán)衡協(xié)同及其驅(qū)動因素效應(yīng)差異,對于認(rèn)識多種ES間復(fù)雜關(guān)系,為后續(xù)提出改善生態(tài)系統(tǒng)管理和提高人類福祉的對策與措施,具有重要的理論和實踐價值。本文構(gòu)建的BBN-ES模型總體精度為73.5%,4種生態(tài)系統(tǒng)服務(wù)中糧食供給精度最高(75.9%)、產(chǎn)水服務(wù)精度最低(70.0%),表明貝葉斯網(wǎng)絡(luò)在模擬生態(tài)系統(tǒng)服務(wù)供給過程準(zhǔn)確,對生態(tài)系統(tǒng)服務(wù)節(jié)點概率預(yù)測具有較強的可靠性。模型雖具有較高的精度,但簡單通過自然斷點法對連續(xù)變量分級有可能導(dǎo)致模型參數(shù)的設(shè)定具有潛在的不確定性[37]。因此,依據(jù)研究區(qū)的實際情況對變量進(jìn)行分級,可進(jìn)一步提升模型的精度。

4.2 ES權(quán)衡協(xié)同關(guān)系

本文基于BBN-ES模型,利用聯(lián)合概率分布和相關(guān)系數(shù)分析ES間的權(quán)衡協(xié)同關(guān)系。2018年研究區(qū)的土壤保持、產(chǎn)水服務(wù)與固碳服務(wù)之間互為協(xié)同關(guān)系,糧食供給分別與土壤保持、產(chǎn)水服務(wù)和固碳服務(wù)為權(quán)衡關(guān)系,該結(jié)論與孫藝杰等[38]、韓磊等[39]的研究成果一致,可見貝葉斯網(wǎng)絡(luò)方法在揭示ES間復(fù)雜的非線性關(guān)系方面具有一定的優(yōu)勢。需要注意的是,本研究只是對研究區(qū)2018年的ES間的權(quán)衡協(xié)同關(guān)系進(jìn)行探討,并未涉及隨時間變化對ES間關(guān)系的影響,因此,未來有必要采取切實有效的模型與方法,基于長時間序列分析ES權(quán)衡協(xié)同關(guān)系的時空動態(tài)變化趨勢。

4.3 ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子

本文在情景分析和相對概率變化的基礎(chǔ)上,確定影響ES權(quán)衡協(xié)同關(guān)系的驅(qū)動因子,并進(jìn)一步探討了不同情景下主要驅(qū)動因子的效應(yīng),即驅(qū)動因子及其在不同狀態(tài)下對權(quán)衡與協(xié)同的影響。通過分析發(fā)現(xiàn):不同驅(qū)動因子在不同狀態(tài)下產(chǎn)生相同的協(xié)同(或權(quán)衡)方式;相同驅(qū)動因子在不同狀態(tài)則會造成協(xié)同(或權(quán)衡)方式的差異。

研究區(qū)自實施退耕還林(草)工程后,林草地面積的迅速增加提升了植被覆蓋度,NPP與降水、植被覆蓋度等密切相關(guān),降水量和植被覆蓋度的增加有利于NPP[40—42]。因此,為了優(yōu)化研究區(qū)生態(tài)系統(tǒng)的整體效益,應(yīng)盡可能加強生態(tài)系統(tǒng)服務(wù)之間的協(xié)同關(guān)系,減弱權(quán)衡關(guān)系。政府部門在進(jìn)行相關(guān)決策工作時,應(yīng)重點關(guān)注土地利用、降水和NPP等驅(qū)動因子,特別是土地利用的的結(jié)構(gòu)和格局,如耕地、森林和草地的空間分布。需要說明的是,不同驅(qū)動因子判定標(biāo)準(zhǔn)的設(shè)定,可導(dǎo)致確定主要驅(qū)動因子及其效應(yīng)的差異。本文將概率變化最大值高于35%的關(guān)鍵節(jié)點確定為驅(qū)動因子,具有一定的主觀性,未來仍需進(jìn)一步討論。因此,確定適宜于研究區(qū)的驅(qū)動因子判斷標(biāo)準(zhǔn),是后續(xù)提出針對性對策與措施的前提和基礎(chǔ)。

5 結(jié)論

本文以陜北黃土高原為研究區(qū),定量評估其2018年的土壤保持、產(chǎn)水服務(wù)、糧食供給和固碳服務(wù),將生態(tài)系統(tǒng)服務(wù)與貝葉斯網(wǎng)絡(luò)結(jié)合構(gòu)建BBN-ES模型;在ES的權(quán)衡協(xié)同關(guān)系與情景分析基礎(chǔ)上,探討影響多種生態(tài)系統(tǒng)服務(wù)權(quán)衡協(xié)同關(guān)系的驅(qū)動因子。主要結(jié)論如下:

(1)從空間分布特征來看,陜北黃土高原的土壤保持、產(chǎn)水服務(wù)和固碳服務(wù)呈“南高北低”的分布特征;糧食供給服務(wù)呈現(xiàn)出“中部高、南北低”的分布特征。

(2)從權(quán)衡協(xié)同關(guān)系來看,陜北黃土高原土壤保持、產(chǎn)水服務(wù)和固碳服務(wù)之間互為協(xié)同關(guān)系,糧食供給分別與土壤保持、產(chǎn)水服務(wù)、固碳服務(wù)為權(quán)衡關(guān)系。其中,產(chǎn)水服務(wù)與固碳服務(wù)的協(xié)同關(guān)系、產(chǎn)水服務(wù)與糧食供給的權(quán)衡關(guān)系較強。

(3)從情景分析結(jié)果來看,土地利用、降水和NPP是影響ES權(quán)衡協(xié)同關(guān)系的主要驅(qū)動因子,其中土地利用主要影響生態(tài)系統(tǒng)服務(wù)的協(xié)同關(guān)系,而降水和NPP在影響協(xié)同關(guān)系的同時對權(quán)衡關(guān)系也有一定地制約作用。研究發(fā)現(xiàn):不同驅(qū)動因子在不同狀態(tài)下產(chǎn)生相同的協(xié)同(或權(quán)衡)方式,相同驅(qū)動因子在不同狀態(tài)則會造成協(xié)同(或權(quán)衡)方式的差異。