呼包鄂榆城市群生態系統服務價值驅動因素及其交互效應

樂榮武,李 巍, *,周思楊,宋南奇

1 北京師范大學環境學院環境模擬與污染控制國家重點聯合實驗室,北京 100875

2 交通運輸部水運科學研究院,北京 100088

生態系統服務(ES)被廣泛定義為直接或間接促進可持續人類福祉的生態特征、功能或過程[1—2]。生態系統服務價值(ESV)是人類直接或間接地從生態系統功能中獲得的有形或無形的利益的客觀體現, 是區域生態文明與可持續發展的重要表征[3]。ESV 的空間格局和演變受到自然和社會經濟等多方面驅動因素的影響[4],而且各驅動因素通過直接或間接途徑產生復雜的相互作用關系。因此,識別ESV多個驅動因素的交互效應,對于區域人類活動協同管控和系統提升區域生態系統服務功能具有重要意義[5]。

當前,對ESV的研究逐漸從ESV的評價和分析其時空變化轉向到分析驅動機制。要摸清ESV的驅動機制,必須識別ESV的驅動因素并探究其交互作用關系[6—7]。探究ESV驅動因素常用的方法包括冗余分析[8—9]、相關性分析[10]、主成分分析[11—12]、逐步回歸[13]和Logistic回歸[14]等傳統統計分析方法,這些方法僅能識別驅動因素的作用大小和方向,無法識別多個驅動因素之間的交互作用。有較多的研究使用地理探測器模型探究ESV的主導驅動因素及各驅動因素的交互作用[15—18],雖然地理探測器可以對ESV驅動因素進行非線性歸因且能識別驅動因素之間的交互作用,但不能判斷驅動因素的作用方向,也無法刻畫ESV對各驅動因素的變化響應特征[19—20]。地理探測器對驅動因素的數據要求轉化為類型數據,該處理方法涉及可變面元問題增加了研究結果的不確定性[21—22]。在交互路徑識別方面,已有學者使用結構方程模型對驅動因素間的作用路徑進行定量測度[23—27],但這類研究仍然較少,有待進一步探究。總之,當前的研究方法尚未系統全面分析ESV驅動因素的重要性、作用方向、交互作用和刻畫ESV對驅動因素的變化響應特征。如何系統性揭示ESV變化的驅動機制,是當前亟需解決的問題。近年來,機器學習模型因其可以很好地表征驅動因素與ESV之間的非線性關系而被大量用于ESV的驅動分析[28—30]。然而,機器學習模型的大多數算法都被視為黑箱模型,并不能充分解釋驅動作用機制。沙普利加性解釋(SHAP)方法是近期開發的機器學習模型解釋工具,不僅可以衡量驅動因素的貢獻大小,還能識別驅動因素的影響方向及交互效應[31—32],但將其用于ESV驅動作用機制的研究尚未見到。因此,將SHAP方法用于探索ESV驅動因素的交互作用機制方面具有較大的應用潛力。

呼包鄂榆城市群作為我國典型的快速城市化地區,是黃河流域人口、生產力布局的主要載體。城市群地處農牧交錯帶,生態本底脆弱,資源開采、城市用地擴張等導致生態用地破碎化,生態系統極易受到破壞。本研究重點關注 ESV 變化與土地利用類型轉移模式之間的關系,探索ESV驅動因素交互作用的潛在機制。具體研究內容為:(1)分析研究期間土地利用和ESV的動態演變;(2) 耦合隨機森林模型與SHAP 方法分析ESV驅動因素的重要程度、變化響應特征及其交互效應;(3)采用偏最小二乘路徑模型識別驅動因素的交互路徑。本研究系統性探究了呼包鄂榆城市群ESV驅動因素的交互作用機制,以期為黃河流域生態保護和高質量發展提供科學參考。

1 研究區概況與數據來源

1.1 研究區概況

呼包鄂榆城市群是以內蒙古自治區呼和浩特市、包頭市、鄂爾多斯市和陜西省榆林市組成的國家級城市群[33]。該地區國土面積約17.5萬km2,位于我國中西部的干旱半干旱區,土地利用以草地為主,約占總面積的54%(圖1)。2020年總人口約1197萬人,平均海拔約1300 m,年均氣溫約8℃,年均降水約320 mm。該區域是我國重要的能源、煤化工基地、農牧產品加工業基地和稀土新材料產業基地,也是黃河流域經濟發展的重要增長極。

圖1 研究區土地利用類型分布

1.2 數據來源

研究使用的主要數據和來源包括:①土地利用類型數據、行政邊界矢量數據、氣溫、降水、潛在蒸散發、國內生產總值(GDP)格網和人口密度格網數據來源于中國科學院資源與環境科學數據中心(https://www.resdc.cn/),空間分辨率均為1 km,將土地利用類型重分類分為6個一級類, 分別為耕地、林地、草地、水域、建設用地、未利用地;②高程數據從地理空間數據云(https://www.gscloud/)獲取,空間分辨率為90 m,在ArcGIS中使用分析工具計算坡度;③植被凈初級生產力(NPP)數據從美國國家航空航天局(https://www.nasa.gov/)獲取, 空間分辨率為500 m;④土壤屬性數據從國家地球系統科學數據共享服務平臺(http://www.geodata.cn/)獲取, 空間分辨率為1 km,土壤保持量數據通過通用土壤流失方程(ULSE)進行計算;⑤其他社會經濟數據來自《全國農產品成本收益資料匯編》《呼和浩特市統計年鑒》《包頭市統計年鑒》《鄂爾多斯市統計年鑒》《榆林市統計年鑒》等。將所有空間數據統一到同一坐標系,并重采樣至1 km。本研究的ESV時空分析部分均在1 km的柵格尺度上進行,綜合權衡數據分析精度和模型計算效率,以5 km×5 km 的格網為基本單元,將研究區劃分為6817個格網,在每個格網內統計所有變量的均值,用于本研究的驅動因素分析部分。

2 研究方法

2.1 生態系統服務價值核算

基于謝高地等的研究[34],1個標準單位ESV當量因子是指1 hm2當年平均產量的農田自然糧食產量經濟價值的1/7。糧食產量價值主要依據稻谷、小麥和玉米進行計算,本文以研究區2015年的物價水平為基準,計算出研究區主要農作物平均單產價值,最終得到研究區1個標準當量經修正后的價值量為1463.69元/hm2(表1)。

表1 不同土地利用類型單位面積價值系數/(元/hm2)

由于研究區不同年份、不同區域的生態系統的基本情況是變化的,ESV也相應發生動態變化。本文參考謝高地等的研究[34],認為生態系統食物生產、原材料生產、氣體調節、氣候調節、凈化環境、維持養分循環、生物多樣性和美學景觀功能與生物量在總體上呈正相關,水資源供給和水文調節與降水變化相關,而土壤保持與降水、地形坡度、土壤性質和植被蓋度密切相關。故選取NPP、降水量和土壤保持量三項因子對當量進行動態調節,以此構建生態服務時空動態價值當量表,計算公式為:

(1)

式中,Fnij指某種生態系統在第i年第j地區第n類生態服務功能的單位面積價值當量因子;Fn指該類生態系統的第n種生態服務價值當量因子;n1表示與NPP相關的服務功能;n2表示與降水相關的服務功能;n3指土壤保持服務功能,Pij指NPP時空調節系數,Rij指降水時空調節系數,Sij指土壤保持時空調節系數。

研究區ESV計算公式為:

(2)

(3)

式中,c為第c種生態系統服務功能;Ec為第c種生態系統服務功能價值;Fnij表示某種生態系統在第i年第j地區第n類生態服務功能的單位面積價值當量因子;D為多年的1個標準當量因子的生態系統服務平均價值量(元/hm2),此處為1463.69元/hm2;Aij為第i年第j地區的面積。

2.2 生態系統服務價值變化趨勢分析

運用一元線性回歸方程擬合1990—2020 年ESV的時空演變特征,IESV表征每個柵格ESV線性變化斜率值,若IESV>0,則表明ESV有改善趨勢; 反之則表示存在退化趨勢。采用F檢驗ESV變化趨勢的顯著性。結合IESV及F檢驗結果,ESV變化趨勢可分為5類:大幅改善(IESV>0,P<0.01),一般改善(IESV>0,P<0.05),變化不顯著(P≥0.05),一般退化(IESV<0,P<0.05)和大幅退化(IESV<0,P<0.01)[35]。

2.3 隨機森林模型與SHAP方法

本研究使用機器學習中的隨機森林模型分析ESV的驅動因素[36],耦合SHAP方法對隨機森林模型進行解釋。隨機森林相對于傳統統計模型在進行預測時往往有更好的精度,但是同時也失去了統計模型的可解釋性,所以隨機森林通常被認為是黑箱模型。針對基于樹的機器學習模型,2017年Lundberg和Lee提出了SHAP方法用來解釋各種黑箱模型[37]。與以往研究中多采用線性擬合相關的方法或地理探測器模型量化ESV的驅動因素且無法排除驅動因素間的相互干擾相比,耦合隨機森林模型與SHAP 方法不僅可以識別ESV和驅動因素的非線性關系,還能夠分離出每個驅動因素對ESV的獨立影響以及各個因素間的交互影響。

將GDP密度、人口密度、降水、氣溫、潛在蒸散發、高程、坡度、土壤容重、黏土含量9種空間變量(圖2)以及6種土地類型面積比例共15個驅動因素作為隨機森林模型的輸入變量,將ESV作為模型的輸出變量,模型樣本量為6817個。

圖2 驅動因素的空間分布

2.4 偏最小二乘路徑模型

偏最小二乘路徑模型(PLSPM)是一種分析多變量間復雜因果關系的綜合分析模型,屬于結構方程模型的一種方法。該模型不僅能解決變量間存在的共線性問題,對變量的分布狀態無要求,還可以計算不同變量對響應變量的直接效應和間接效應[38]。模型中路徑系數反映了變量之間關系的方向和強度, 而預測變量和響變量之間相乘的路徑系數則顯示出間接影響的強度。擬合度指數(GOF)用于評估模型的預測性能, 數值越大, 模型預測效果越好。本研究使用偏最小二乘路徑模型識別氣象、地形、土壤、土地利用和社會經濟因素對ESV的交互影響作用路徑。

3 結果與分析

3.1 土地利用類型演變

在1990—2020年間,耕地面積整體呈現下降趨勢,在1995年面積達到峰值后逐漸下降,損失的耕地主要轉化為草地(33.95%)和林地(5.12%)。林地面積在1995年達到最低值后逐漸上升,林地增加的主要原因是來自草地(35.03%)和耕地(19.21%)的轉化。草地面積變化劇烈,草地與耕地和未利用地存在較大比例地互相轉化;水域呈現先減后增的趨勢;建設用地持續增加,主要來自于草地(40.11%)和耕地(28.89%)的轉化(圖3)。

圖3 1990—2020年研究區土地利用轉移變化

3.2 ESV的時空演變

3.2.1ESV的時間變化

1990—2020年研究區ESV呈先下降后上升趨勢,其中在1990—1995年ESV下降的最多,在此期間林地面積和水域面積減少幅度均為最大,分別減少了7.64%、14.14%,損失的林地主要轉變成耕地和草地,損失的水域主要轉變成草地。在2000—2005年ESV上升的最多,在此期間林地面積增幅最大,達到了11.89%,增長的林地主要來源于耕地和草地。ESV在研究期內總體上增加了62.28億元,主要在于由草地和耕地轉化而來的林地面積增加了21.18%。(表2和圖4)。

表2 1990—2020年研究區各地類ESV/億元

3.2.2ESV的空間變化

在空間格局上,研究區ESV空間分異明顯(圖5)。研究區ESV總體呈現東高西低的分布格局,ESV高值分布以河流水系為中心,ESV較高值集中分布在呼和浩特市大青山保護區的林地,低值以未利用地類型為主要分布區。該分布趨勢與土地利用分布基本吻合,研究區西北部干旱少雨,人類活動較少,土地利用以未利用地為主,植被覆蓋率低,ESV較低。而東南部地勢相對平坦,海拔較低降水較多,植被覆蓋率高,ESV較高;河流成為高值中心主要與水域的單位面積ESV高有關。

圖5 1990—2020年研究區ESV密度分布

總體來看,在1990—2020年間73.52%研究區的ESV變化不顯著,ESV的退化區面積占比(9.76%)高于改善區(6.38%)(圖6)。大幅退化和一般退化面積占比分別為1.62%、8.14%,大幅改善和一般改善面積占比分別為1.47%、4.91%。退化區主要集中分布在包頭市北部和零星分布在鄂爾多斯市大部分地區,改善區主要分布在呼和浩特市和榆林市的東南部地區。雖然ESV的退化面積大于改善面積,但由于改善區主要位于土地類型由未利用地、草地向林地、水域轉化的區域,單位面積林地和水域的ESV更高,因此整體上研究區的ESV呈增加趨勢。

本文進一步通過熱點分析揭示ESV的空間集聚特征及其演變規律。研究區ESV 冷熱點總體上呈“西冷東熱”的空間分布格局(圖7),研究區約84%地區的ESV空間集聚特征不顯著,ESV高值集聚和低值集聚所占區域面積比例分別約為10%、6%。ESV 熱點區集中分布在研究區東北部呼和浩特市北部的武川縣境內,該區域林地分布廣泛,ESV 次熱點區圍繞熱點區四周分布。 ESV 冷點區主要分布在研究區西北部的鄂爾多斯市杭錦旗境內,ESV 次冷點區聚集分布在包頭市的最北部境內,該區域分布較廣的是未利用地。從各時期階段來看,熱點區和冷點區面積呈波動下降趨勢,次熱點區和次冷點區面積呈波動上升趨勢,表明研究區ESV 高值和低值聚類均逐漸弱化。

圖7 1990—2020年研究區ESV冷熱點的空間分布

3.3 ESV驅動因素分析

3.3.1驅動因素的重要性識別

耦合隨機森林模型和 SHAP方法分析研究區ESV的驅動因素作用方向及各驅動因素的相對重要性(圖8)。ESV的驅動因素重要性從大到小依次為水域比例、未利用地比例、林地比例、降水、坡度、草地比例、土壤容重、人口密度、潛在蒸散發、GDP密度、氣溫、黏土含量、高程、建設用地比例和耕地比例,表明土地類型中水域比例是影響ESV最重要的驅動因素,其次是未利用地比例,耕地比例在研究區的重要性最低。從驅動因素的作用方向來看,水域比例、林地比例、降水、坡度、草地、土壤容重、黏土含量和高程對研究區ESV有促進作用,未利用地比例、人口密度、潛在蒸散發、GDP密度、氣溫、建設用地比例和耕地比例對研究區ESV有抑制作用。從驅動因素的維度來看,土地利用類型的貢獻度為61.24%,成為最重要的驅動力;其次是地形和氣象的貢獻度分別為17.59%和17.05%,土壤和社會經濟的貢獻度分別為2.39%和1.73%。

圖8 驅動因素重要性排序圖和模型SHAP摘要圖

3.3.2ESV對驅動因素的響應特征

通常,ESV驅動因素間存在不同強度的相關性,這會干擾單一驅動因素對ESV的影響分析,SHAP 方法可以較好地排除其他因素的干擾,剝離出ESV隨單一驅動因素的變化趨勢(圖9)。

圖9 ESV對驅動因素的變化響應特征

總體來看,ESV對驅動因素的響應呈現出非線性變化特征。在社會經濟因素中,當GDP密度和人口密度較低時,GDP和人口的SHAP值大于0,顯示正貢獻,表現出對ESV的促進作用;隨著經濟的發展和人口的增長開始對ESV產生抑制作用。在氣象因素中,降水和氣溫對ESV的影響均存在明顯的閾值效應,降水在低于和高于250 mm時分別對ESV起抑制和促進作用,氣溫在低于和高于7.5℃時分別對ESV起促進和抑制作用;在潛在蒸散發低于1000 mm時,潛在蒸散發對ESV的促進作用隨潛在蒸散發的增加持續減弱,當潛在蒸散發高于1000 mm時,響應曲線在SHAP為0值的附近維持較為平穩,表明對ESV的影響較小。高程在低于和高于1300 m時分別對ESV起抑制和促進作用,隨著高程的增加促進作用不再增強,坡度對ESV始終起促進作用。土壤容重和黏土含量在低值時對ESV無顯著作用,在高值時具有促進作用。耕地比例較低時對ESV無顯著影響,較高時開始呈現抑制作用。未利用地比例在低于和高于25%時對ESV分別起促進和抑制作用,建設用地比例對ESV始終起抑制作用。林地和水域比例始終對ESV起促進作用,草地比例在低于和高于50%時分別起抑制和促進作用。

3.3.3驅動因素的交互效應

ESV的變化受驅動因素的綜合影響,不同驅動因素之間還存在相互影響,SHAP 方法可捕捉交互性最強的成對的驅動因素對ESV的相互作用效果(圖10)。

圖10 驅動因素的交互效應

GDP密度和人口密度與其他驅動因素無明顯交互作用,這可能是由于研究區的社會經濟因素對ESV影響的貢獻率較低。在以水域比例為交互項中,在水域比例較高的地區,降水與水域比例的交互作用對ESV呈現出由抑制作用減弱到促進作用增強的變化趨勢,而氣溫、潛在蒸散發與水域比例的交互作用對ESV均呈現出由促進作用減弱到抑制作用增強的變化趨勢。在水域比例較低的地區,降水與水域比例的交互作用對ESV呈現出由抑制作用減弱到促進作用增強的變化趨勢,但交互作用程度相對較低;氣溫、潛在蒸散發與水域比例的交互作用均不明顯,未利用地比例對ESV具有更強的抑制作用。在降水量較多的地區,高程與降水無明顯交互作用;但在降水量較少的地區,高程與降水的交互作用對ESV呈現出由抑制作用減弱到促進作用增強后又趨于穩定的變化趨勢。在以林地比例為交互項中,在林地比例較高的地區,坡度、土壤容重和黏土含量的增加均對ESV呈現抑制減弱到促進增強的變化趨勢,耕地比例的增加對ESV具有抑制作用;在林地比例較低的地區,坡度、土壤容重、黏土含量和耕地比例與林地比例無明顯交互作用。林地比例在坡度大的地區較在坡度小的地區對ESV有更強的促進作用。在以耕地比例為交互項中,在耕地比例較大(較小)的地區,草地比例的增加對ESV的抑制(促進)作用減弱(增強),建設用地比例在耕地比例較大的地區對ESV具有更強的抑制作用。水域比例在降水較多的地區對ESV具有更強的促進作用。

隨機森林模型耦合SHAP方法只能衡量兩個驅動因素間的交互作用大小、方向及變化趨勢,多種驅動因素間的交互作用路徑如何需要進一步探討。將驅動因素分為社會經濟(GDP、人口)、氣象(降水、氣溫、潛在蒸散發)、地形(高程、坡度)、土壤(黏土含量、土壤容重)和土地利用類型共5個潛變量,采用偏最小二乘路徑模型探究各驅動因素潛變量間的交互路徑(圖11),模型擬合度指數(GOF)為0.64,表明模擬結果符合精度要求。

圖11 驅動因素的交互作用路徑和影響程度

土地利用類型對ESV的影響系數為0.696(圖11),再次表明土地利用對ESV的影響起著決定作用。社會經濟受到地形因素的制約影響,社會經濟對土地利用和ESV的影響系數分別為0.222和-0.186,表明社會經濟對ESV的直接影響是負效應,社會經濟主要通過直接影響土地利用進而間接影響ESV。氣象對ESV的直接作用較弱,主要是通過氣象-土壤-土地利用或氣象-土地利用作用路徑影響 ESV。地形對ESV的影響路徑有多條,地形對社會經濟、氣象、土壤和土地利用均有直接影響,其中對土壤的直接影響力最強。土壤受到地形、社會經濟和氣象的影響,土壤對ESV的影響主要是通過影響土地利用產生的間接影響。除土地利用以外,其他因素對ESV的間接影響均大于直接影響。

4 討論

在ESV的變化響應特征方面,以前的研究尚未有ESV對驅動因素變化響應特征的探討;在交互作用分析方面,當前大量的研究采用地理探測器方法,但該方法未能識別交互作用的方向性;耦合隨機森林模型和SHAP的方法能識別驅動因素在不同值域內的交互作用大小、方向和非線性響應特征;在交互路徑分析方面,當前研究主要采用結構方程模型識別交互路徑,本文選擇結構方程模型中的偏最小二乘路徑模型,該方法對樣本量和樣本分布要求低[23,38],模擬結果精度較好,表現出了較好的適用性。綜上,本研究耦合隨機森林模型和SHAP方法并結合偏最小二乘路徑模型,可以較為系統全面地分析ESV的驅動因素及其交互效應。

本研究表明土地利用的變化強烈影響 ESV,這與之前的研究一致[23,39]。ESV在2000年前后分別呈下降和上升的趨勢,ESV的增加主要來自于耕地和草地向林地轉換的結果。林地面積在2000年之后逐漸增加,這得益于當地“退耕還林還草”政策和“三北”防護林工程的實施。尤其是在ESV大幅改善的區域,例如,位于榆林北部的毛烏素沙地,由于近二十年的持續造林治沙活動,ESV得到了大幅提升。人類社會經濟活動對生態系統服務的需求是其影響ESV變化的根本原因[24],本研究中GDP和人口的增長對ESV的影響由促進作用轉變為抑制作用,表明較低程度的人類活動對生態環境具有改善作用,但在高收入地區大量人口的高需求和有限的供應水平將導致生態系統服務稀缺,從而對ESV產生抑制作用。偏最小二乘路徑模型進一步揭示了社會經濟因素對ESV的直接和間接影響是相反的,社會經濟通過氣象、土壤和土地利用對 ESV 產生間接的積極影響(圖11),表明經濟發展可能會在自然變化過程中改變生態系統服務演化的方向[40]。以往的研究表明,城市擴張和經濟發展會直接加劇生態系統服務供需失衡[41]。此外,更多生態環境政策的實施也會間接促進了生態系統服務功能的恢復和提升[42]。因此,結合經濟發展和自然條件的空間差異,優化土地利用配置,對提高ESV具有重要意義。考慮到水域是最重要的驅動因素,草地對研究區的ESV貢獻最大。未來的生態恢復實踐應優先考慮濕地和湖泊生態系統提供的生態價值和效益,通過跨省聯動、多方補水、關閉周圍煤礦等保護措施,加強紅堿淖濕地國家自然保護區的生態保護;在沿黃河濕地建設沿黃生態廊道,嚴格保護基本林地和草原。

本研究發現降水和氣溫對ESV的影響具有閾值效應,在年降水量低于250 mm或年均氣溫高于7.5℃的地區,降水或氣溫成為該地區ESV提升的限制因子,即該地區降水和氣溫對ESV具有負貢獻,隨著降水的增加或氣溫的降低這種負貢獻逐漸減小直至變為正貢獻。在整個研究區內,降水的增加或氣溫的降低始終對ESV具有提升作用,原因在于研究區位于干旱半干旱區,熱量充足而降水量小,有限的降水還未被植被充分吸收利用就已經蒸散發了。在交互分析中,水域比例是參與最多的交互項,主要在于ESV當量表中水域的值最大,水域比例成為最重要的驅動因素,這也導致降水和氣溫在水域比例較高的地區對ESV具有更大的影響程度。

本研究仍存在一定的局限性。首先,基于當量因子法的ESV的評價嚴重依賴于土地利用數據,在一定程度上可能夸大了土地利用類型對ESV 的影響,后期應嘗試采用其他ESV 評價方法進一步驗證不同驅動因素的重要性。其次,本研究ESV的驅動因素分析是基于分辨率為5 km的格網尺度,但是不同空間尺度上的驅動影響和交互關系尚不清楚,尺度效應增加了研究結論的不確定性,后續應該在不同空間尺度探究ESV的驅動因素。此外,本研究尚未考慮政策因素對ESV的影響,因此未來的工作應該將政策因素充分考慮進來。

5 結論

本研究核算了1990—2020年呼包鄂榆城市群的ESV并分析其時空變化特征,耦合隨機森林模型和SHAP方法探究了ESV驅動因素的貢獻程度、作用方向、變化響應特征及其交互效應,進一步采用偏最小二乘路徑模型識別了交互路徑。結論如下:(1)草地對研究區的ESV貢獻最大,其次是水域;研究區的ESV在1990—2020年呈波動上升趨勢,總體增加了62.28億元,ESV的增長主要源自于單位面積ESV較低的草地和耕地向單位面積ESV較高的林地的轉化。(2)ESV對驅動因素呈非線性變化響應特征;土地利用類型是最重要的驅動因素,其貢獻度達到61.24%,地形和氣象的貢獻度分別為17.59%和17.05%,土壤和社會經濟的貢獻度較低,分別為2.39%和1.73%。(3)水域比例是最重要的交互項,其次是林地比例;不同因素間交互作用在因素處于不同范圍內表現出不同的交互效應。(4)土地利用類型直接作用于ESV,其他因素主要通過直接影響土地利用類型進而間接影響ESV,且對ESV的間接影響均大于直接影響。