基于生態系統服務簇的珠江源區生態功能分區

摘要：識別生態系統服務簇，進行珠江源生態功能分區，為珠江源區土地利用格局優化、生物多樣性保護、生態修復以及土地資源精準管控提供理論指導與技術支撐。研究基于InVEST模型和食物供給模型對珠江源區2010—2020年的生境質量、土壤保持、水源供給、碳儲量和食物供給5項重要生態系統服務進行評估，運用Python平臺實現輪廓系數算法并確定最佳聚類數，通過SPSS軟件進行K-means聚類分析識別生態系統服務簇，并基于XGBoost機器學習算法，結合SHAP模型解釋法探討了生態系統服務簇的影響因素。結果表明：（1）珠江源區自然生態系統服務功能總體上呈現退化趨勢。生境質量、碳儲量和水源供給高值區占據珠江源區大多數地區，土壤保持呈現南北兩側高于中部的空間格局，食物供給與土地利用分布較為一致。（2）生態保育區鄉鎮數占比不斷上升，主要分布在珠江源區北部和東南部的山地丘陵；城鎮發展區鄉鎮數占比保持不變，位于珠江源區中部麒麟區；供給服務區鄉鎮數占比變化不大，分布在珠江源區中部和西南部平原。（3）坡度、生產總值和人為影響指數對生態系統服務簇的形成有著較為重要的影響，自然環境因素仍是生態系統服務的決定性因素。

關鍵詞：生態系統服務簇；InVEST模型；K-means聚類分析；生態功能分區；珠江源區

中圖分類號：X826" " " " 文獻標志碼：A" " " " 文章編號：1674-3075（2025）01-0177-12

生態系統服務簇是指具有相同空間分布、模式特征以及組成結構的各種生態系統服務類型的組合（彭立等，2021）。生態系統服務簇的識別在生態功能區劃研究、景觀格局優化以及土地資源管理中應用廣泛（Chen et al，2021；Peng et al，2016；Zhang et al，2022），是一種通過聚類方法來識別主導生態系統服務類型進而為區域生態系統服務結構的優化提供理論與技術支撐的重要手段（祁寧等，2020）。近些年來，隨著人地關系矛盾的日益突出以及人們對區域生態安全的重視，生態系統服務簇成為生態功能分區管理的重要途徑（Dang et al，2021）。

目前，國內外學者從服務簇角度對區域生態功能分區進行了大量研究，在研究方法上，主要有自組織網絡分析、空間自相關分析、K-means聚類分析和主成分分析等服務簇識別方法，例如趙筱青等（2022）運用K-means聚類分析方法識別滇東南喀斯特山區生態系統服務簇，并將研究區劃分為生態保護區、生態過渡區、農業主產區和人類生產生活區；申嘉澍等（2020）通過自組織網絡分析方法對雄安新區生態系統服務簇進行識別，并將雄安新區劃分為食物供給簇、文化娛樂簇、生態保育簇和城鎮生活簇；李慧蕾等（2017）借助SOFM分析方法來識別內蒙古自治區生態系統服務簇，并將內蒙古自治區劃分為生態均衡區、牧業盈余區、水土保持區和生態脆弱區。在這些服務簇識別方法中，K-means聚類分析是一種基于距離來計算數據集聚程度的方法，由于具有原理簡單、可解釋度強、聚類效果好等優點而被廣泛運用。在研究尺度上，當前生態系統服務簇識別主要從國家（Dittrich et al，2017）、地方（Hamann et al，2015）和全流域（潘瑩等，2021）等宏觀尺度開展生態功能區劃研究。雖然宏觀尺度利于區域統籌管理，但對于土地精細化管理目標而言，在鄉鎮尺度上識別生態系統服務簇并進行生態功能分區更有利于區域生態系統服務管理與優化（祁寧等，2020）。盡管生態系統服務簇識別方法多樣、研究尺度精細，但學術界仍缺乏對其驅動機制的探討。調控生態系統服務簇的影響因素，可實現區域生態可持續發展。

珠江源區是中國第三大河流珠江的發源地，深刻影響著中國南方地區社會經濟可持續發展、生態文明高質量建設以及生態安全格局穩定，由于區域獨特的地質構造、土壤、植被和氣候特點，以及人口增長、城鎮建設用地擴張等人為因素影響，地表出現水土流失、土壤肥力降低和石漠化等生態環境問題（趙筱青等，2022），影響了生態系統服務功能。本研究評估了珠江源區2010—2020年的5項生態系統服務，提出生態系統服務功能分區管理及決策建議。研究可為珠江源區土地利用格局優化、生物多樣性保護、生態修復以及土地資源精準管控提供理論指導與技術支撐。

1" "材料與方法

1.1" "研究區概況

珠江源區位于我國西南部，是珠江的發源地，地處云南、貴州和廣西的交界地帶（圖1）。該地區地貌類型復雜，以小起伏山地、中起伏山地和丘陵為主，少量分布著臺地、平原和大起伏山地。地表水資源豐富，分布著北盤江、南盤江、喜舊溪等珠江分支水系，以及牛欄江、普渡河、以禮河等長江分支水系。氣候為亞熱帶高原季風氣候，降水量從東南到西北逐漸遞減，年均氣溫南高北低。土壤類型以鐵鋁土、初育土、淋溶土和人為土為主，少量分布有半水成土、半淋溶土和水成土。植被類型以栽培植被、針葉林、草叢和灌叢為主，少量分布有草甸和闊葉林。

1.2" "數據來源

本研究所使用的2010、2015、2020年3期土地利用數據來源于地球大數據科學工程的數據共享服務系統（https：//data.casearth.cn/）（汪仕美等，2022）；高程數據來源于地理空間數據云（https：//www.gscloud.cn/search）；降水量、潛在蒸散量數據集來源于中國科學院成都山地災害與環境研究所（閆曉露等，2022）；土壤數據來源于國家青藏高原科學數據中心提供的世界土壤數據庫（HWSD）的中國土壤數據集（https：//data.tpdc.ac.cn/zh-hans/）（馮兆等，2020）；食物數據來源于云南省統計局（https：//stats.yn.gov.cn/）。

1.3" "研究方法

結合自然地理環境和社會經濟發展實際情況，基于 InVEST 模型和食物供給模型評估珠江源區2010—2020 年的生境質量、碳儲量、土壤保持、水源供給和食物供給5項生態系統服務。運用Python平臺實現輪廓系數算法并確定最佳聚類數，利用SPSS軟件進行 K-means 聚類分析識別生態系統服務簇，根據不同生態系統服務簇的空間分布、模式特征以及組成結構進行生態功能分區，基于 XGBoost 機器學習算法，結合 SHAP 模型解釋法探討生態系統服務簇的影響因素。

1.3.1" "生態系統服務功能評估" "（1）生境質量

生境質量是指在一定的時空尺度范圍內，生態系統能夠為生物提供生存、繁殖以及持續發展的能力（Cao et al，2020）。研究采用InVEST模型中的Habitat Quality模塊來評估珠江源區生物棲息地質量，該模塊基于土地利用數據，通過各生境類型的生境適宜性、威脅因子的最大影響距離與影響權重、各地類對威脅因子的敏感性來進行生物棲息地質量評估，計算公式如下：

式中：[Qxj]為地類[j]中柵格[x]的生物棲息地質量；[Hj]為地類[j]的生境適宜水平；[Dxj]為地類[j]中柵格[x]所受脅迫水平；[k]為半飽和參數，通常取[Dxj]最大值的一半；[z]為歸一化常量，采用模型默認值2.5。

（2）水源供給

InVEST模型中的水源供給模塊（module）綜合考慮地區的氣候、地形、土壤以及植被等因素，是一種以區域降雨量與實際蒸散量的差值來表征水源供給量的估算方法（Wei et al，2023）。該模塊的計算公式如下：

式中：[Yxj]為地類[j]中柵格[x]的年水源供給量（mm）；[Axj]為地類[j]中柵格[x]的年實際蒸散量（mm）；[Px]為柵格[x]的年降雨量（mm）。

（3）碳儲量

InVEST模型中的碳儲量模塊（module）常用于評估陸地生態系統碳儲量服務功能（稅偉等，2019）。地下生物碳庫、地上生物碳庫、死亡有機質碳庫以及土壤碳庫構成了陸地生態系統的四大基本碳庫。具體計算公式如下：

[C=Cabove+Cbelow+Csoil+Cdead] ③

式中：[C]為總碳儲量；[Cabove]為植物在地上部分的碳儲量；[Cbelow]為植物在地下部分的碳儲量；[Csoil]為土壤有機質中的碳儲量；[Cdead]為植物凋落物中的碳儲量。

（4）土壤保持

運用InVEST模型中的沉積物輸送比模塊（sediment delivery ratio，SDR）來對珠江源區土壤保持量進行估算，該模塊原理基于修正后通用土壤流失方程（revised universal soil loss equation，RUSLE），以潛在土壤流失量（RKLS）與實際土壤流失量（USLE）的差值來表征土壤保持量（Wu amp; Fan，2022）。具體計算公式如下：

[[USx=Rx×Kx×Lx×Sx×Cx×Px]] ④

[Rkx=Rx×Kx×Lx×Sx] ⑤

[SEDx=RKx?USx+SEx] ⑥

式中：x為不同柵格單元；[Rx]為降雨侵蝕力因子；[Kx]為土壤可蝕性因子；[Lx]為坡長因子；[Sx]為坡度因子；[Cx]為植被覆蓋與管理因子；[Px]為土壤保持措施因子，[Rkx]為潛在土壤流失量；[USx]為實際土壤流失量；[SEDx]為土壤保持量；[SEx]為攔截上游的泥沙量。

（5）食物供給

食物供給模型以珠江源區不同土地利用類型作為統計單元。糧食、油料、糖類、蔬菜和水果對應耕地；肉類、蛋類和奶類對應草地；水產品對應水體。再參考食物熱量表，將食物產量換算成食物熱量來對珠江源區食物供給服務進行估算（杜勇等，2019），具體計算公式如下：

式中：[Px]為地區[x]的食物總熱量；[Ajix]為地區[x]中食物[j]在地類[i]中的面積；[Pjix]為地區[x]中食物[j]的單位面積產量；[Ej]為食物[j]的熱量。

1.3.2" "輪廓系數法" "輪廓系數法（silhouette coefficient method）是一種基于分離度（tearing mode crack）和凝聚度（cohesion）來確定最佳聚類數K，從而使聚類效果達到最佳的研究方法（劉迪等，2022）。研究基于Python平臺實現輪廓系數算法，得到聚類數和輪廓系數值之間的關系（圖2），從圖中可以看出，當聚類數K等于3時，輪廓系數值達到最高，說明聚類效果最好，因此確定最佳聚類數為3。輪廓系數的具體計算公式如下：

式中：[S（i）]為樣本[i]的輪廓系數值，取值為-1～1，[S（i）]的值越高，表明聚類效果越好，[S（i）]的值越低，表明聚類效果越差，[S（i）]的值越接近0，則表明樣本[i]處于兩簇之間；[a（i）]為樣本[i]到同簇內其他樣本的平均不相似度；[b（i）]為樣本[i]到最近簇的平均不相似度。

1.3.3" "K-means聚類算法" "是一種基于距離來計算數據聚集的聚類分析方法（analytic methods）（張春悅等，2022；Toledo-Gallegos et al，2021）。該算法主要是根據給定的聚類數K以及初始聚類中心來對距離相近數據點進行迭代劃分以獲取最優聚類結果（Yang et al，2015），由于原理簡單、可解釋度強、聚類效果好等優點而被廣泛運用（潘瑩等，2021；Zhou et al，2020）。

基于輪廓系數法確定最佳聚類數K。研究使用SPSS軟件對珠江源區生境質量、土壤保持、水源供給、碳儲量和食物供給5項生態系統服務進行K-means聚類分析識別生態系統服務簇。基于Python平臺繪制各類生態系統服務簇玫瑰圖，剖析不同生態系統服務功能區的模式特征、結構以及主導服務類型，并進行生態功能分區。具體公式如下：

式中：[Xi]為樣本[X]中的第[i]個對象；[Cj]為第[j]個聚類中心；[Xit]為第[i]個對象的第[t]個屬性，[Cjt]為第[j]個聚類中心的第[t]個屬性；[m]為樣本[X]中的每個對象具有的[m]個維度的屬性。

1.3.4" "XGBoost機器學習算法" "是一種提升迭代型算法，是對GBDT（gradient boosting decision tree）算法的優化，主要包括前向分布算法和加法模型?；驹硎窃陬A測過程中不斷將新的回歸樹添加到模型中來擬合每次迭代產生的殘差，從而逐步縮小預測值和真實值的殘差，最終達到提升預測模型精度的目的。這種算法將損失函數進行二階泰勒公式展開并加入正則項，可以有效保留目標函數信息和避免過度擬合，定義表達式如下：

1.3.5" "SHAP模型解釋法" "SHAP（shapley additive explanation）是一種加性解釋模型，可用來提升XGBoost算法的可解釋性?；驹硎菍⒚總€特征都作為貢獻者并計算其歸因值（shap values），以此判斷每個特征在預測過程中對模型的貢獻能力，把所有輸入特征的歸因值進行相加得到預測模型的最終輸出結果：

為更好解釋XGBoost模型，SHAP對預測模型的輸出結果和歸因值的關系進行轉換：

2" "結果與分析

2.1" "生態系統服務時空變化特征

珠江源區2010—2020年生態系統服務空間格局及變化趨勢如圖3，可以看出，珠江源區生態系統服務功能總體上呈現退化趨勢。具體而言，珠江源區生境質量處于較高水平，但大多數地區呈現不斷降低的趨勢，這些區域主要位于海拔較低的山地、丘陵、盆地和平原地帶，是人類活動較為集中的區域，對應的土地利用類型為水田、旱地和建設用地；生境質量較高的區域占據珠江源區的大部分地區，主要位于北部和東南部海拔較高的山地、丘陵以及河谷沿岸地帶，其中珠江源自然保護區、海峰濕地自然保護區和十八連山自然保護區的生境質量指數顯著高于其他區域。

碳儲量與生境質量變化趨勢一致，整體呈下降趨勢。碳儲量減少區域主要為城鎮建設用地和農業用地，這些區域工農業發展導致生物量減少，碳儲量降低。高碳儲量區域分布在北部和東南部森林覆蓋率高的山地丘陵地帶，這些區域原生植被豐富。水源供給服務功能較好，但呈下降趨勢，珠江源區地表水資源總量減少，水源供給受到威脅。水源供給減少區域主要為中部城鎮建設用地和周邊耕地，城鎮開發破壞了地表景觀格局，導致蒸散量上升，水源供給量下降。水源供給呈東高西低分布，與降水量分布一致，高供給區域位于東南部林地，海拔高、氣溫低、降雨量充沛、蒸散量少。

珠江源區水土流失嚴重，土壤保持減少，主要分布在北部和東部山區。人類活動導致植被破壞，土壤侵蝕嚴重。土壤保持呈南北高、中間低的格局，較高區域位于北部和東南部河谷盆地，這些區域植被覆蓋高、坡度緩。食物供給服務功能顯著提升，增加區域主要為中部和西南部糧食主產區，由于農業生產力提高，食物供給量增加。食物供給與土地利用類型空間分布一致，較高區域位于中部和西南部的耕地、草地和水體。

2.2" "K-means聚類結果精度檢驗

K-means聚類分析方差檢驗結果（表1）顯示，各項生態系統服務的顯著性均小于0.05，表明在同種生態系統服務簇中各生態系統服務值具有顯著差異，聚類結果較為科學。

2.3" "生態系統服務簇識別及生態功能分區

通過K-means聚類得到3種生態系統服務簇，如圖4、圖5。第1類生態系統服務簇主要分布在以生境質量、碳儲量和土壤保持服務為主的林區，故將第1類生態系統服務簇命名為生態保育區；第2類生態系統服務簇主要分布在各項生態系統服務值都較低的城鎮區域，故將第2類生態系統服務簇命名為城鎮發展區；而第3類生態系統服務簇主要分布在以食物供給和水源供給服務為主的耕地、林地和草地，故將第3類生態系統服務簇命名為供給服務區。

2.3.1" "生態保育區" "在2010、2015和2020年的鄉鎮數占比分別為47.4%、47.4%和49.1%，總體呈現上升趨勢（表2），表明珠江源區退耕還林、植樹造林和石漠化治理等生態治理工程卓有成效，人工林面積的不斷擴大使得區域景觀破碎化和自然災害風險程度逐漸降低，生境質量、土壤保持和碳儲量等生態系統服務功能不斷增強，珠江源區生態環境質量持續向好。生態保育區主要分布在珠江源區北部和東南部會澤縣、宣威市、羅平縣和師宗縣的部分鄉鎮，這些區域海拔較高并且是以常綠闊葉林、落葉闊葉林和常綠針葉林等自然植被類型為主的山地丘陵地帶。小江生態廊道、珠江生態廊道東北段和南盤江—黃泥江生態廊道成為生態保育區與其他生態功能區的明顯分界線。該區域充沛的降雨量、茂密的森林覆蓋以及遠離工農業活動中心等地理特征使其成為了珠江源區動植物資源豐富的生物避難所，其中分布著黑頸鶴自然保護區、金沙江干熱河谷地帶、十八連山自然保護區和丁累大箐自然保護區等生物多樣性較高的自然保護地，故該區域的生境質量、土壤保持和碳儲量等生態系統服務值都要明顯高于其他生態功能區。

2.3.2" "城鎮發展區" "近10年來，城鎮發展區鄉鎮數占比處于穩定水平，表明在云南省副中心城市和“麒沾馬”一體化建設的背景下，麒麟區作為珠江源區重要經濟中心，城鎮開發建設活動較為集中，城市化進程較快，并與生態保育區、供給服務區有著較為顯著的差異。城鎮發展區主要分布在珠江源區中部地勢較為平坦并以城鎮建設用地為主的山間平原和河谷盆地，地面植被類型以覆蓋度較低的人工林和次生林為主。城鎮化水平較高，但生境質量、土壤保持和碳儲量服務值都明顯低于其他生態功能區，食物供給和水源供給服務雖然相對較高，但也顯著低于生態保育區和供給服務區。城鎮發展區的生態系統服務存在嚴重的供需失衡問題，需要從其他功能區進行大量補給以維持城鎮發展區工農業活動的正常進行，生態系統的自我調節能力較差。

2.3.3" "供給服務區" "2010—2020年，供給服務區鄉鎮數占珠江源區比重基本保持不變，總體上呈現穩定態勢，表明珠江源區供給服務功能較為穩定。城鎮建設用地周邊的農業用地、林地和草地是城鎮建設用地不斷擴張的重要基礎，但農業生產力水平的提升在一定程度上弱化了耕地面積減少帶來的負面影響，使得供給服務功能處于穩定水平。此外，由于退耕、還林、還草、還湖等生態工程的實施也讓供給服務區的水源供給、碳儲量、生境質量等生態系統服務功能維持穩定。供給服務區主要分布在珠江源區中部和西南部沾益區、富源縣、馬龍區、陸良縣和師宗縣的部分鄉鎮。這些區域主要分布在海拔較低、地勢較為平坦并以耕地和林地為主要土地利用類型的山間盆地和河谷平原，東北-西南走向的烏蒙山和牛欄江貫穿于供給服務區。作為珠江重要源頭水系的牛欄江在珠江源區中部沖刷形成陸良壩子、曲沾壩子等30余個山間平原，為農作物的耕種提供了得天獨厚的自然地理條件，加上豐沛的降雨量、充足的熱量和較為肥沃的土壤條件使得供給服務區的核心區成為云南省重要糧倉。其中還分布有珠江源自然保護區、海峰濕地自然保護區和東南喀斯特地帶等森林資源豐富的重要自然保護地，這些區域大面積分布的原始森林成為水源供給服務的重要保障。

2.4" "生態系統服務簇影響因素

生態系統服務簇的形成與自然地理、社會經濟等因素密切相關，研究基于XGBoost機器學習算法，結合SHAP模型解釋法對珠江源區生態系統服務簇的影響因素進行了探究。生態系統服務簇影響因素重要性排序如圖6所示。可以看出，坡度、生產總值和人為影響指數的影響力位居前列，特別是坡度對生態系統服務簇的形成有著較為顯著的影響，表明自然地理環境仍是生態系統服務簇形成的決定性因素，珠江源區北部和東南部的地勢較為崎嶇，北部為高大的烏蒙山系，東南部為典型喀斯特山區，這些區域的地形坡度較大，并不利于農業生產和城鎮建設活動，因此受人類活動影響較小。同時，較好的水熱條件使得該區域成為原始森林寶庫，地表覆蓋度較高，動植物資源較為豐富，生境質量、碳儲量和水源供給服務功能較好，因此形成生態保育區。

生產總值和人為影響指數對生態系統服務簇的形成也有著一定的影響，表明社會經濟因素仍能夠通過影響生態系統服務進程從而塑造生態系統服務簇的空間格局。麒麟區是曲靖市人口最集中、經濟最發達的地區。城鎮建設用地的擴張不斷侵占周邊林地，地表原生植被面積不斷減少，生物多樣性面臨嚴重威脅，生態系統結構受到破壞，自然生態系統功能穩定性降低。生境質量、碳儲量、土壤保持、水源供給等生態系統服務功能逐漸枯竭，并與其他生態功能區形成明顯界限，形成服務枯竭簇（城鎮發展區）。由于人類選擇的偏好，食物供給服務功能得到重視，珠江源區中部和西南部的曲沾壩子、陸良壩子成為云南省糧食、糖料、油料、蔬菜等農產品的重要生產基地。與生態保育區相比，珠江源區中部和西南部地區地表植被覆蓋度較低，植被蒸散量較少，水源供給處于較高水平，因此該區域的供給服務功能較為突出。

3" "討論

3.1" "珠江源區生態系統服務對人類活動的響應

土地利用格局對生態系統服務的空間分布有著深刻影響（Zong et al，2021），而土地利用格局的變化主要受到人為因素的影響（Wang et al，2021）。珠江源區是中國西南喀斯特地區生態屏障的重要組成部分，在我國南方生態安全格局中具有舉足輕重的地位。珠江源區所在地曲靖市是云南省副中心城市，隨著“麒沾馬”一體化建設的快速推進，相鄰城鎮間的耕地、林地和草地被不斷擴張的建設用地所侵占。土地利用格局的變化使得珠江源區碳儲量、生境質量、水源涵養和土壤保持等生態系統服務功能受到影響。麒麟、沾益和馬龍等城鎮周邊的生態系統服務功能退化趨勢較為明顯。這些區域是珠江源區人口和城鎮分布最集中、經濟最發達的地區，較高強度的城市開發建設活動破壞了區域的生態系統服務結構，地表植被破壞、水土流失、石漠化等生態環境問題日益突出。而珠江源區北部和東南部的高山峽谷地帶由于地勢崎嶇、海拔較高和交通運輸不便等問題，受人類活動影響較小，在自然生態系統的調節能力下，各項生態系統服務功能處于穩定水平。

面對珠江源區日益突出的生態環境問題，優化區域土地利用格局，維護區域生態安全穩定，減輕工農業活動對生態系統服務功能的影響愈發迫切。作為黑頸鶴、珠江源和海峰濕地等自然保護區所在地，珠江源區應通過建立科學合理、管理完善和功能齊全的自然保護區體系來推進自然資源的綜合保護與利用（Liu et al，2021），逐步推動石漠化區域、珠江水系和礦山的生態修復工作（潘換換等，2021）；根據珠江源區石漠化程度來劃定專項修復區，并分類采取生態修復措施來逐步減少石漠化面積；推動珠江源區重點水源地及河道的水環境治理工作來保障水源供給服務功能；基于可持續開發原則對不同類型礦山進行分類、專項修復以優化區域礦產資源開發利用格局（Dai et al，2012）。

3.2" "生態系統服務功能分區管理及決策建議

作為全球典型喀斯特生態脆弱區和中國第三大江河發源地，珠江源區地表土壤層較薄且貧瘠，內部黏結力弱，植被生長速度緩慢且生態壽命較短，土壤保持和涵養水源能力有限。粗放的土地利用模式更令森林草場退化嚴重，常綠闊葉林青岡林、石櫟林、元江栲林等地帶性原生植被萎縮破碎。在地勢起伏大的巖溶中山、峰叢洼地，由于缺乏植被覆蓋層的生態防護功能，坡面徑流能量加大，土壤侵蝕隨之加重，極易造成基巖的裸露。短期經濟利益驅動下的引流造田行為也令喀斯特生態系統功能衰退。在鄉鎮尺度上開展生態功能區劃研究可為珠江源區土地利用格局優化、生物多樣性保護、生態專項修復以及土地資源精準管控提供技術支撐和理論指導，鑒于此，研究提出以下建議：

（1）相較于城鎮發展區和供給服務區，生態保育區的生境質量、碳儲量和土壤保持等生態系統服務功能較好，以常綠闊葉林、落葉闊葉林和常綠針葉林為主要地表植被類型的復雜生態系統服務結構使得生態保育區具有豐富的動植物資源、較高的生物量和較強的抗干擾能力。眾多自然保護地的分布凸顯了生態保育區的生物多樣性保護價值。因此在對生態保育區的管理中，要特別注重生物多樣性的保護，通過構建科學合理的自然保護地體系來嚴格保護黑頸鶴、十八連山和丁累大箐等自然保護地；建立完善生態產品價值實現機制來推進生態保育區自然資源的保護與綜合利用；適當調整生態紅線范圍進一步優化重點保護與禁止開發相結合的生態安全格局（Wang amp; Fan，2020；韓增林等，2021）。

（2）城鎮發展區的各項生態系統服務值均低于生態保育區和供給服務區。以人工林、次生林和經濟林為主要地表植被類型的生態系統結構使得城鎮發展區存在嚴重的生態系統服務供需失衡問題，需要從其他功能區進行大量補給以維持城鎮發展區工農業活動的正常進行，生態系統的抗干擾能力較差。因此在對城鎮發展區的管理與規劃中，要重點提升城鎮生態功能，通過最大化保留城鎮周邊的林地、草地和水體來實現藍綠空間在城市內外連通；通過提升城市結構性綠地面積、修建生態湖和自然公園等措施來提高城鎮發展區的碳儲量、生境質量和土壤保持等生態系統服務值（王宏亮等，2020）。

（3）供給服務區的水源供給、食物供給服務值都要明顯高于其他生態功能區，碳儲量和生境質量服務功能也較好，以耕地和林地為主要地類的供給服務區在優越水熱條件下成為云南省糧食、油料、糖類、蔬菜等農產品的重要生產基地。因此在對供給服務區的管理與規劃中，要重點加強永久基本農田的保護，通過推廣生態農業來保障耕地及周邊林地生態功能的發揮；通過嚴格執行土地資源管理政策整治侵占耕地現象，通過農田整治、防護林建設等工程進一步提升食物供給、水源供給、碳儲量和生境質量等生態功能（Xu et al，2021）。

3.3" "研究創新與局限性

以往生態系統服務驅動機制研究常采用趨勢分析、相關分析、方差分析等傳統方法，但生態系統服務對外界環境因子的響應并不呈嚴格線性關系，因此這些方法具有一定的局限性。本研究采用XGBoost機器學習算法，結合SHAP模型解釋法來探討生態系統服務簇的驅動機制，能夠更加科學合理地揭示珠江源區生態系統服務簇形成的重要影響因素。此外，由于InVEST模型采用簡化算法對生態系統服務進行評估量化，使得模型具有一定的局限性，例如水源供給模塊，未能考慮喀斯特地區的地下暗河以及林冠截留的影響。由于數據獲取的限制，部分參數采用模型數據庫或參考前人研究成果，使得模型評估結果與研究區真實情況有偏差，未來應通過開展野外調查工作來獲取實測數據，不斷提升模型參數與研究區的適配度，使生態系統服務評估結果更加精準。

參考文獻

杜勇， 稅偉， 孫曉瑞， 等， 2019. 海灣型城市生態系統服務權衡的情景模擬： 以福建省泉州市為例[J].應用生態學報， 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.

馮兆， 彭建， 吳健生， 2020. 基于生態系統服務簇的深圳市生態系統服務時空演變軌跡研究[J].生態學報， 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.

韓增林， 劉澄浩， 閆曉露， 等， 2021. 基于生態系統服務供需匹配與耦合協調的生態管理分區： 以大連市為例[J].生態學報， 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. 基于生態系統服務簇的內蒙古自治區生態功能分區[J].應用生態學報， 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.

劉迪， 陳海， 荔童， 等， 2022. 黃土丘陵溝壑區村域生態系統服務簇的時空分異及其地形梯度分析[J].地理科學進展， 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.

潘換換， 吳樹榮， 姬倩倩， 等， 2021. 山西煤田生態系統服務時空格局及驅動力[J].應用生態學報， 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.

潘瑩， 鄭華， 易齊濤， 等， 2021. 流域生態系統服務簇變化及影響因素： 以大清河流域為例[J]. 生態學報， 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， 鄧偉， 黃佩， 等， 2021. 四川盆地多重生態系統服務景觀指數評價與服務簇識別[J].生態學報， 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.

祁寧， 趙君， 楊延征， 等， 2020. 基于服務簇的東北地區生態系統服務權衡與協同[J].生態學報， 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， 梁澤， 劉來保， 等， 2020. 雄安新區生態系統服務簇權衡與協同[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.

稅偉， 杜勇， 王亞楠， 等， 2019. 閩三角城市群生態系統服務權衡的時空動態與情景模擬[J].生態學報， 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， 高藝寧， 王振宇， 等， 2020. 基于生態系統服務的城市生態管理分區： 以 深圳市為例[J].生態學報， 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. 子午嶺區生態系統服務權衡與協同變化及其影響因素[J].應用生態學報， 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.

閆曉露， 李欣媛， 劉澄浩， 等， 2022. 生態系統服務簇空間演變軌跡及其社會-生態驅動的地理探測： 以大連市為例[J].生態學報， 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.

張春悅， 白永平， 楊雪荻， 等， 2022. 多情景模擬下寧夏平原生態系統服務簇識別研究[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.

趙筱青， 石小倩， 李馭豪， 等， 2022. 滇東南喀斯特山區生態系統服務時空格局及功能分區[J].地理學報， 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