中国政府于2018年10月在湿地公约第十三届缔约方大会上提交《小微湿地保护与管理》决议草案并顺利通过, 小微湿地(Small wetland)成为人们关注的焦点^[1]。小微湿地是指自然界在长期演变过程中形成的较稳定的一些小型、微型湿地, 具有雨洪滞蓄、净化水质、生物多样性保护及景观游憩等重要的生态功能^[1—3]。目前国际上对小微湿地的面积还未有明确的界定, 许多保护条例将面积小于8 hm²的湿地界定为小微湿地, 具体包括小型湖泊、水库、坑塘及宽度小于10 m、长度在5 km以内的小型河道、沟渠等自然和人工湿地^[4—6]。国外对小微湿地的研究多集中于生境质量评估^[7]、生物多样性^[8]、水文过程^[9—10]等方面。国内的多数研究还处于介绍小微湿地的形成与发展和保护与管理的阶段^{[2, 6, 11]}。因此, 对区域内小微湿地景观结构特征和动态变化的了解和分析显得紧迫而必要^[12—14]。

与河流、湖泊等大型湿地相比, 小微湿地作为能够在城市中广泛分布的湿地类型, 能够缓解土地资源紧张而带来的区域生态资源本底不足和生态空间空缺的情况, 满足城市居民对多样性亲水空间的需求, 同时为各类农业活动提供灌溉水源^{[11, 15—16]}。然而, 小微湿地面积小, 生态结构不稳定, 城市快速发展导致小微湿地大量减少^[17]。已有研究分析了城市化背景下小微湿地损失的程度, 并确定了一些潜在的驱动因素，如城市化所带来的建设用地和农业扩张、人口增加及交通用地变化等经济社会因素, 以及气候、水文、地形等自然因素^{[12, 18—21]}。也有学者认为，小微湿地景观动态变化的驱动力应该从自身景观属性的角度分析^[22—26], 如1926—1960年间, 台湾桃园地区小微湿地的损失主要是小微湿地形状和大小等自身景观结构的影响而非建成区面积、距河流距离等外部驱动力的作用^[26]。

Logistic回归、相关性分析和主成分分析等模型是小微湿地景观动态变化及驱动力分析的常用方法^{[18—19, 27]}。然而, 分析一些可以预见到的因素与小微湿地景观动态变化的相关性，包括对小微湿地损失影响的概率大小，缺乏实际研究意义。一方面, 由于预测变量与响应变量之间的非线性关系使得小微湿地损失决定因素的评估变得复杂^{[12, 21, 26, 28]}; 另一方面, 传统全局回归模型假定回归参数在空间上是稳定不变的^[29], 而小微湿地损失本质上是在空间上发生的, 其与预测变量的关系也不一定是固定的。有学者应用地理探测器对小微湿地景观动态变化进行分析, 解释预测变量的空间异质性问题^[30]，然而, 大多数学者忽略了将这两个方面结合起来。本文应用增强回归树(Boosted Regression Tree, BRT)模型量化预测变量相对重要性, 探索预测变量与小微湿地损失间的非线性关系^[31], 同时结合地理加权逻辑回归(Geographically Weighted Logistic Regression, GWLR)模型分析预测变量的空间非平稳性特征^[32]。

合肥作为长江三角洲城市群的副中心城市, 市内的包河区不仅经济质量发展居全市前列, 湿地资源也极为丰富, 特别是小微湿地数量多、分布广, 各类小微湿地不仅为区域内农业提供灌溉功能, 也形成了该地区特色的自然和人文景观^[30]。2006年以来, 随着以土地开发为导向的城市规划和副中心城区滨湖新区的建设, 包河区作为合肥市城镇建设和人类活动最活跃的地区之一, 土地利用方式发生较大变化, 小微湿地景观也发生较大改变。本文旨在了解城市发展背景下包河区小微湿地景观动态变化, 以及利用BRT和GWLR模型分析一系列预测变量对小微湿地损失的影响, 以期为城市化地区小微湿地的保护与管理提供决策支持。

1 研究区概况

包河区位于合肥市主城区东南部, 总面积约290 km²(其中巢湖水域面积约70 km²)。地势较平坦, 北高南低；属北亚热带季风气候, 气候温和, 年均气温约15.7 ℃；年际降水量变化较大, 降水量以夏季较为集中, 年降雨量近1000 mm。该区是合肥市四大主城区中湿地资源最丰富的城区, 区内水系发达, 南部紧邻巢湖, 有包河、南淝河、十五里河、塘西河、派河等多条河流和高王水库、周岗水库等水库分布其中, 形成了各类水库相通, 蓄排水和农田灌溉及其它用水系统相互连接的网络。

根据《合肥市城市总体规划(1995—2010年)》、《合肥市土地利用规划(2006—2020年)》、《合肥市城市总体规划(2011—2020年)》、《包河区湿地保护总体规划(2018—2030年)》, 结合城市发展情况以及小微湿地分布情况, 将包河区除巢湖以外部分划分为4个片区, 分别为老城区、经济开发区(以下简称经开区)、滨湖新区核心区、圩区(图 1)。

2 研究方法 2.1 数据来源及处理

遥感影像数据来源于美国地质调查局USGS平台(https://earthexplorer.usgs.gov/), 研究选取季相较为一致, 质量较好, 轨道号均为121/038的4期Landsat ETM+/OLI影像(2006年6月20日、2010年6月15日、2014年6月10日、2018年7月31日)为基础数据, 空间分辨率均为30 m。经辐射定标、大气校正、融合等操作, 得到的影像分辨率均为15 m。根据研究区实际情况, 参考土地利用现状分类标准(GB/T 21010—2017), 利用ENVI 5.3对4期遥感影像进行人机交互解译, 结合野外抽样验证及Google Earth历史影像对分类结果进行校验、修改, 得到4期土地利用类型数据, 包括水体、旱地、水田、林地、草地、建设用地、其他用地共7类。对分类结果进行精度验证, 4期分类总体精度均大于90.0%, Kappa系数均大于0.88, 符合精度所需要求(表 1)。然后利用ArcMap 10.7绘制提取面积小于8 hm²的水体和水田作为本文研究的小微湿地, 所提取小微湿地的最小面积均为0.02 hm², 2006年、2010年、2014年、2018年最大面积依次为7.90 hm²、7.94 hm²、7.83 hm²、7.81 hm²。最后得到包含小微湿地在内的共计8类土地利用类型数据(表 2)。

2.2 景观格局指数

景观格局指数能够定量反映小微湿地景观结构组成和空间配置等方面的特征^[30]。分别从斑块水平统计小微湿地斑块数量和斑块面积；从景观水平计算小微湿地平均周长面积比、斑块密度、平均欧式最邻近距离和聚合度指数。景观格局指数计算在Fragstats 4.2.1软件中进行。

2.3 驱动机制 2.3.1 变量选择与处理

分别以2006—2010年、2010—2014年、2014—2018年、2006—2018年4个时期的小微湿地变化值作为响应变量。“1”表示小微湿地损失区域, “0”表示小微湿地不变的区域。利用ArcMap 10.7创建随机点工具在小微湿地变化空间分布图上生成采样点, “0”和“1”的采样点数量大致相同。

基于以往研究^{[18, 33]}, 结合研究区实际情况及数据的可获得性, 选取13个预测变量(表 3)。预测变量处理中, 为了量化小微湿地周边用地类型的变化, 且考虑到小微湿地斑块面积可能具有尺度效应, 利用ArcMap10.7的创建渔网工具分别设定150 m、300 m、450 m、600 m、750 m、900 m的6种正方形网格, 分别计算4个年份不同网格尺度下小微湿地斑块面积的变异函数模型, 比较分析后发现较小的网格会破坏小微湿地的空间联系, 较大的网格则可能掩盖小微湿地的细节特征。300 m的网格尺度在刻画小微湿地的空间特征与模型运行效率方面取得较好的平衡。因此, 选择300 m的网格(共计3454个)对小微湿地斑块面积和各类土地利用变化量进行计算。为统一像元大小, 所有预测变量均基于300 m的网格计算。

2.3.2 增强回归树模型

BRT模型构建于传统的分类回归树算法基础之上, 通过不断地随机选择和自学习方法产生多重回归树, 进而提高模型的稳定性和预测精度^[34]。其优势在于能够处理不同类型的预测变量, 对数据的共线性问题不敏感, 无需事先进行数据变换或者剔除异常值, 可以拟合复杂的非线性关系和交互作用, 输出的预测变量相对贡献率和拟合函数曲线较为直观^[35]。

模型拟合调用R 4.1.0软件中“caret”、“gbm”和“dismo”等包实现。模型拟合中, 有学习速率、树复杂度、袋分数和分布函数4个参数需要设置。由于本文的响应变量为二分类变量, 通常设置分布函数为“bernoulli”, 其余参数设置比较几种参数组合, 学习速率：0.005、0.01、0.05、0.1, 树复杂度：4、5、6, 袋分数：0.5和0.75。对数据集进行10折交叉验证, 将交叉验证后与测试集最高平均精度相对应的参数组合作为最优参数设置, 同时将该参数组合下交叉验证精度最高的一组作为测试集, 其余作为训练集重新构建模型。利用受试者工作特征曲线下面积(Area Under the ROC Curve, AUC)进行模型评估, 一般AUC值大于0.70的模型较为合适^[36]。BRT模型结果将相对影响进行缩放, 使其相加和为100%, 相对影响值越大表示对小微湿地损失的影响越大。与传统的回归模型相比, BRT模型没有P值来表示变量的显著性意义^[34]。本文预测变量的重要性通过与相对影响中位数值的大小比较得出, 相对影响超过中位数值的预测变量被认为是高重要性变量, 反之为低重要性^[37]。

2.3.3 地理加权逻辑回归模型

GWLR模型是经典逻辑回归模型的扩展, 允许局部而非全局的参数估计, 以探索驱动因素的空间差异性, 其实质是利用基于距离加权的局部样本估计出每个样本点各自独立的参数值^[29]。模型通过计算每个测量点的系数来反映空间异质性, 同时能够得到每个测量点系数的P值^[38]。模型表达式为：

式中, (u_i, v_i)为采样点i的坐标；β_k(u_i, v_i)为采样点i上的第k个回归参数, 是关于地理位置的函数；p_i是响应变量为1(小微湿地损失)的发生概率。

BRT模型得到的高重要性变量, 利用GWLR模型依次对单个变量进行拟合, 然后借助ArcMap 10.7的反距离权重插值对GWLR所得的每个数据点的估计系数和系数的P值可视化呈现, 确定预测变量的空间异质性。GWLR模型拟合涉及核函数类型选择、最优带宽选择方法和带宽选择标准。本文选择自适应双重平方函数为核函数类型计算空间权重矩阵, 采用黄金分割搜索法产生系列带宽, 赤池信息准则确定最优带宽。模型拟合过程借助MGWR 2.2.0软件实现。

3 结果 3.1 研究区土地利用变化

从图 2可以看出, 2006—2018年, 旱地和建设用地分别是研究区减少和增加最为明显的土地利用类型。2006年, 旱地是研究区主要用地类型, 占土地利用总面积的30.9%, 随后逐年降低, 2018年仅占总面积的15.0%, 滨湖新区核心区附近旱地消失最明显。建设用地面积由2006年的6625.84 hm²增加至2018年的10432.43 hm², 成为研究区主要的用地类型, 建设用地发展的方向由老城区和滨湖新区核心区西部逐渐向巢湖方向扩散。草地面积整体呈上升趋势, 在2014—2018年期间增加最为明显, 增加了1439.92 hm²。林地面积呈现出逐年缓慢增长的趋势。水田面积则从2006年的1539.68 hm²减少到2018年的104.04 hm², 减少了93.2%, 是研究区减少幅度最大的用地类型。其他用地在2006—2014年从216.01 hm²增加到1009.37 hm², 到2018年又降至471.89 hm²。水体面积的变化较为稳定, 其中包括7000 hm²左右固定巢湖水面面积。2006—2018年, 小微湿地面积从1684.66 hm²减少到659.70 hm², 减少了60.8%, 2010—2014年是小微湿地面积减少最多的时期, 减少了433.47 hm²。

3.2 小微湿地景观动态变化 3.2.1 小微湿地景观格局指数变化

从表 4可以看出, 2006—2018年, 小微湿地总的斑块数量减少了60.5%。其中, 水体型小微湿地数量呈持续减少的趋势, 水田型小微湿地斑块数量则是呈先上升后下降趋势, 最大值出现在2010年。水田型和水体型小微湿地斑块面积分别减少了585.37 hm²和439.59 hm²。其中, 2006—2010年是水体型小微湿地斑块面积减少最多的时期, 减少了207.54 hm²。2010—2014年是水田型小微湿地斑块面积减少最多的时期, 减少了304.15 hm²。从斑块面积的分布情况来看, 水田型小微湿地的平均斑块面积总体上大于水体型小微湿地。水体型小微湿地的平均斑块面积整体变化幅度较小, 略有上升, 水田型小微湿地平均斑块面积则是呈先下降后上升趋势, 最小值出现在2010年。此外, 4个研究时期, 75%的水体型小微湿地面积都不超过0.80 hm², 说明研究区水体型小微湿地以较小斑块为主。2006—2018年, 水体型小微湿地斑块面积的第一四分位数由0.09 hm²上升到0.18 hm², 说明有相当一部分小面积的水体型小微湿地斑块消失。

斑块周长面积比是衡量景观中斑块形状特征的指标, 可以用来表征小微湿地斑块的边界效应。表 5显示, 小微湿地的平均周长面积比呈波动下降趋势, 最大值出现在2014年, 可以看出小微湿地斑块边缘的复杂程度整体上是下降的。小微湿地斑块密度呈先上升后下降趋势, 最大值同样出现在2014年, 2018年斑块密度达到最低, 说明小微湿地在斑块破碎化程度达到最大后有一个大量消失的过程。小微湿地斑块间的平均欧式最邻近距离逐渐增加, 在2018年达到最大, 同时, 聚合度指数持续降低, 在2018年达到最小值。

3.2.2 小微湿地空间分布

图 3可以看出, 2006—2018年, 小微湿地在整个研究区大范围减少, 滨湖新区核心区是损失较为严重的区域, 小微湿地损失的同时也有少量小微湿地斑块的增加, 主要分布在十五里河沿岸和西南部的圩区。不同时间段的小微湿地空间变化呈现出明显的异质性特征。2006—2010年, 滨湖新区核心区西部是小微湿地损失较为严重的区域, 老城区和经开区也有不同程度的小微湿地损失。2010—2014年, 小微湿地损失严重的区域由滨湖新区核心区西部向东部移动。2014—2018年, 小微湿地的变化范围明显缩小, 损失主要发生在十五里河沿岸和西南部的养殖渔场附近。

3.3 小微湿地变化驱动机制 3.3.1 BRT模型评价

从表 6可以看出, 4个时间段训练集、测试集、数据集的AUC值分别在0.81—0.91、0.74—0.87、0.80—0.91之间, 均大于0.70, 说明模型拟合效果较好。

3.3.2 预测变量相对影响

从图 4可以看出, 小微湿地斑块面积、建设用地变化、旱地变化、林地变化、草地变化、坡度在4个时间段均属于高重要性变量, 这些变量共分别解释了65.9%(2006—2010年)、63.0%(2010—2014年)、61.5%(2014—2018年)、64.6%(2006—2018年)的小微湿地损失。人口变化、数字高程模型、其他用地变化、水田变化、水体变化、距道路距离、距河流距离在4个时间段均不属于高重要性变量。2006—2010年对小微湿地损失影响最大的前4位均是小微湿地周边土地利用变化, 其相对影响的总和为48.3%。2010—2018年, 建设用地变化和斑块面积是最重要的两个预测变量。

2006—2018年, 建设用地变化是对小微湿地损失影响最大的因素(14.4%), 其次是小微湿地斑块面积(13.5%), 其余高重要性变量的相对影响依次为：旱地变化(11.1%)、坡度(10.1%)、林地变化(8.5%)、草地变化(7.0%)。

3.3.3 高重要性变量驱动机制

进一步对4个时期相对影响大于中位数变量的高重要性变量绘制部分依赖图, 部分依赖图表示在控制其他所有变量均值不变的情况下, 某一变量对小微湿地损失的影响。从图 5可以看出, 不同时间段, 小微湿地损失对同一个变量的响应趋势相似。小微湿地斑块面积越小, 小微湿地损失的可能性越高；小微湿地的损失可能性随小微湿地周边土地利用类型面积的增加而上升, 增加到某一阈值时, 对小微湿地损失的影响可能不再增大；坡度对小微湿地损失的影响趋势总体较为平稳。

2006—2018年, 当斑块面积在0.02—3.2 hm²范围内时与小微湿地损失呈正相关。小微湿地周边建设用地扩张对小微湿地损失的影响阈值在2.5—6.5 hm², 面积增加超过6.5 hm²对小微湿地损失的影响不再增大。同样地, 旱地面积增加到2.7 hm²左右会威胁到小微湿地的生存。此外, 林地和草地面积增加对小微湿地的损失的影响也不容忽视, 林地面积增加超过2.4 hm²时与小微湿地损失呈正比, 随着林地面积的增加, 对小微湿地损失的影响有不断增加的趋势。草地面积增加超过2.3 hm²时与小微湿地损失呈正比；坡度大于2.6°的区域与小微湿地损失呈正相关。

图 6显示2006—2018年高重要性变量对小微湿地损失的影响随空间位置的变化。对变量采样点处的系数值和系数的P值进行空间插值并叠加, 设显著性水平α = 0.05, P值小于0.05的采样点所形成的插值面表示变量对小微湿地损失有显著性影响的区域, 暖色调和冷色调分别表示显著正向和负向影响, 白色区域表示变量对小微湿地损失无显著性影响的区域(P ≥ 0.05)和巢湖水面。此外, 由于小微湿地斑块面积属于小微湿地自身景观结构特征, 系数的空间可视化无解释意义, 故不在模型结果中体现。

图 6可以看出, 变量系数存在明显的空间差异。除去与小微湿地损失无相关性的区域, 建设用地变化整体与小微湿地损失呈显著正相关关系(P＜0.05), 系数最大值分别出现在老城区和滨湖新区核心区西部, 系数的大小往巢湖方向逐渐降低；林地变化整体与小微湿地损失呈显著负相关关系(P＜0.05), 系数最小值为-0.64；旱地变化仅在西南部的圩区附近与小微湿地损失呈显著正相关(P＜0.05), 其余区域对小微湿地损失无显著正向影响；草地变化在滨湖新区核心区东部与小微湿地损失显著正相关(P＜0.05), 其余区域与小微湿地损失呈显著负相关(P＜0.05)或无相关关系；坡度在研究区大部分区域与小微湿地损失呈显著负相关(P＜0.05)或无相关关系, 在研究区东北角和东南部有小片区域与小微湿地损失呈显著正相关关系(P＜0.05)。

4 讨论 4.1 小微湿地景观动态变化及驱动因素

城市快速发展背景下, 包河区内小微湿地在2006—2018年间大范围消失, 总面积和总斑块数量减少均超过60%, 这种减少趋势同样出现在其他一些城市快速发展的地区^{[19—20, 30]}。小微湿地损失的主要驱动因素包括周边土地利用变化、自身景观属性和地形条件3个方面, 各驱动因素对小微湿地损失的影响具有明显的阶段性特征。2005年, 合肥市提出“141”城市空间发展战略, 其中一个重要的举措是规划沿巢湖建立滨湖新区, 以实现合肥市通过巢湖、走入长江、融入长三角城市群的发展目标。2006年, 包河区内启动滨湖新区建设, 开启了现代化滨湖城市建设的新篇章。城市快速发展初期(2006—2010年), 城市建设以先修路, 后沿道路向外延伸开发为主^[39], 当小微湿地所能够带来的经济效益低于周边土地利用方式改变带来的效益时就容易发生转变^{[18, 26]}。在此开发背景下, 相比于自身景观属性和地形条件等因素, 周边土地利用(建设用地、旱地、林地和草地)变化对小微湿地损失的影响显得更为重要。在该阶段所能观察到研究区两种类型的小微湿地有着不同的变化, 水体型小微湿地表现为数量急速下降, 而水田型小微湿地数量却有所增加, 可能是由于水体型小微湿地平均斑块面积较小, 往往会先消失, 而平均斑块面积相对较大的水田型小微湿地更容易被分割^{[11, 21, 28]}。中后期(2010—2018年), 合肥市进一步提出“1331”市域空间发展规划, 加快了包河区城镇化、工业化、农业集约化发展速度, 城市建设由“扩张式”变为“填充式”发展^[39]。随着城市建设大范围扩张的趋势有所缓解, 各类型周边土地利用变化的相对影响相较于前期也有不同程度的下降, 斑块面积和坡度对小微湿地损失的驱动作用逐渐凸显。该阶段, 与水体型小微湿地数量持续下降不同的是, 水田型小微湿地经历斑块破碎化后数量急速下降的过程。有研究表明, 较大面积的小微湿地逐渐被分裂成较小的斑块, 在一定程度上代替了先消失的那一部分小的斑块, 进而快速消失^[21]。从小微湿地景观空间分布格局来看, 斑块数量的减少使得剩余小微湿地间的空间距离增加, 聚集程度降低, 这种变化会导致小微湿地生态系统服务功能不成比例的损失^[40—41], 小微湿地间距离的增加会阻碍物种迁移, 从而对生物多样性造成负面影响^{[27, 42]}。

建设用地变化是2006年到2018年小微湿地损失的最主要驱动因素, 建设用地变化对小微湿地损失的影响大小由老城区和滨湖新区核心区西部向巢湖方向逐渐降低。尽管滨湖新区核心区是建设用地增加最明显的区域, 但是对小微湿地损失的影响却不是最大的, 老城区建设用地变化的影响反而更高。可能是由于老城区作为最早的城市中心, 居住区和商业用地密集, 内部填充空间有限, 在建设用地扩张过程中更容易导致小微湿地损失, 而滨湖新区属于近期规划的城市新区, 在建设过程中更注重保留湿地, 加强生态景观与城市风貌的协调建设^{[20, 24, 39, 43]}。BRT模型还得到小微湿地损失对于土地利用变化的响应阈值(图 5), 如小微湿地周边旱地面积增加2.7 hm²左右会威胁到小微湿地的生存。实际上, 由于建设用地侵占、退耕还林工程等因素的影响, 研究区内旱地面积大量减少, 仅在圩区保留少量基本农田, 但是, 圩区作为农用地重点整理区域, 大范围调整农业结构, 水田和水体型小微湿地被疏浚或排干, 改造为旱地, 以满足生态农业对作物多样性的需求^[44], 这就解释了除西南部圩区以外, 旱地变化对小微湿地损失无显著正向影响的原因。值得一提的是, 随着退耕还林工程和环巢湖生态示范区建设等项目的持续推进, 研究区林、草地面积有所增加, BRT显示周边林、草地面积增加超过2.4 hm²左右时会导致小微湿地损失, 但是GWLR模型结果显示周边林、草地面积变化对小微湿地的持续存在有一定的正向促进作用。究其原因, 尽管研究区林、草地面积有所增加, 但更多的是“见缝插绿”而非成片增加。相关研究表明, 林、草地对周边水质的净化有一定的正效应^[45—46], 且周围有林、草地的小微湿地, 其综合生态系统服务的质量较高^[18]。

以往的一些研究表明, 城市中大多数小微湿地是人为创建的, 小微湿地的存在或消失更多是基于管理者的意愿^{[24, 47]}, 所以小微湿地自身景观属性的影响很容易被忽略。本文研究结果显示, 斑块面积对小微湿地损失的相对影响排在第2位, 小微湿地损失对于网格单元内斑块面积变化的响应阈值在0.02—3.2 hm²之间。一方面, 说明小微湿地面积越小损失的可能性越大。面积较小的小微湿地除了更容易被人为侵占外^[12], 相比于较大面积的小微湿地, 小面积的小微湿地通常有更小的径流输入量和更大的单位面积浅层地下水流出量, 因而更容易损失^{[10, 20]}；另一方面, 说明小微湿地在小范围内的聚集程度越高, 越不容易损失, 有研究表明, 多个小而集中的小微湿地在养分截留和对污染物的净化方面比等面积的大湿地效率更高^[48—49]。本文利用Google Earth高清历史影像结合实地调查, 观察了研究区几个不同区域的小微湿地情况, 发现面积较小的小微湿地一般都是村塘、季节性水塘, 其蓄水能力差、自身结构不完善, 主要依附降水与邻近水体间的水源联系, 这些小微湿地容易被污染、废弃或受到自然演替的影响^[33]；小范围集中分布的小微湿地多为河流沿岸聚集的养殖塘、灌溉塘和水田等, 这些小微湿地的水系连通性较强, 不易损失^{[13, 27]}。最后, 本文还得出坡度对于小微湿地损失的相对影响较高, 这可能是由于下垫面地形条件对小微湿地的变化有着重要的影响^[30]。当坡度小于2.6°时, 与小微湿地损失呈负相关, 从水文学角度来看, 坡度陡缓是影响地表水汇流情况的主要因素^[50], 坡度平缓地区的小微湿地更容易接受来自高地的径流输入^[10]。

本文利用BRT模型量化预测变量的相对影响, 拟合高重要性变量与小微湿地损失之间的非线性关系, 结合GWLR模型分析高重要性变量的空间异质性, 改进了以往仅采用单一全局回归模型或者单一空间回归模型对小微湿地损失的驱动力研究。同时, 文章也存在一些不足之处, 在预测变量选取时, 由于数据获取限制, 未能选择气候、水文因素分析对小微湿地损失的影响。另外, 受限于遥感影像精度, 本文所能提取最小面积的小微湿地仅为0.02 hm², 研究区还应当存在大量的、面积更小的小微湿地^[17]。在后续的研究中, 将通过野外调查或利用更高精度的遥感影像作为手段, 更全面地研究影响小微湿地损失的因素并对面积更小的小微湿地予以关注。

4.2 小微湿地保护与管理

城市化是一个不可逆的过程, 应当对小面积的小微湿地或者是在小范围内集中分布的小微湿地予以特别关注, 加强小微湿地间、小微湿地与其他湿地间的水系连通性, 防止其进一步损失。在后续的城市开发过程中, 要充分意识小微湿地生态价值, 加强小微湿地的编目和价值评估, 加强小微湿地生态服务功能和生态服务价值的宣传与示范, 将城市小微湿地与林地一样纳入城市绿地保护的刚性要求。同时, 建议在城市不同发展区域新建一批小微湿地修复示范工程, 注重绿地资源的合理配置, 在小微湿地保护与恢复的前提下, 积极探索小微湿地保护与开发的平衡点, 合理利用其生态服务功能。最后, 已有部分地区将小微湿地纳入湿地保护体系^[4—5], 未来还应尽快制定与小微湿地有关的国家、行业及地方标准, 建立小微湿地生态保护与恢复的激励机制, 指导小微湿地保护与开发的科学开展。

5 结论

城市化背景下, 包河区小微湿地的景观格局发生较大改变, 表现为数量和面积急剧下降, 伴随着斑块边缘复杂程度的降低, 空间分布更加“孤立”。2006至2018年间, 导致研究区小微湿地损失的高重要性变量可以概括为周边土地利用变化、自身景观属性和地形条件三个方面。周边土地利用变化方面, 建设用地变化是导致小微湿地损失的最主要因素, 其在整个研究区均与小微湿地损失呈正相关。从自身景观属性看, 小微湿地斑块面积对其自身的影响表现为小面积的斑块更容易消失。小微湿地的损失与地形条件也密切相关, 坡度越陡, 小微湿地损失越明显。小微湿地在城市中广泛分布, 具有重要的生态价值, 在当前小微湿地备受关注和亟需保护的背景下, 本研究结果可以为快速城市化地区的小微湿地保护提供一定的理论依据。