2024, Vol. 44文章信息
- 温婉琴, 王强, 陈田田
- WEN Wanqin, WANG Qiang, CHEN Tiantian
- 整合生态系统服务与驱动因素阈值效应的生态安全分区研究——以西南地区为例
- Integrating the threshold effects of driving forces on ecosystem service into the ecological security zoning: a case study in the southwest China
- 生态学报. 2024, 44(8): 3142-3156
- Acta Ecologica Sinica. 2024, 44(8): 3142-3156
- http://dx.doi.org/10.20103/j.stxb.202309202037
-
文章历史
- 收稿日期: 2023-09-20
- 网络出版日期: 2024-01-30
2. 重庆市三峡库区地表生态过程野外科学观测研究站, 重庆 401331;
3. 重庆市规划和自然资源调查监测院, 重庆 401121
2. Chongqing Field Observation and Research Station of Surface Ecological Process in the Three Gorges Reservoir Area, Chongqing 401331, China;
3. Chongqing Institute of Surveying and Monitoring for Planning and Natural Resources, Chongqing 401121, China
由于经济的快速发展, 以及人口和能源及材料消费的指数式增长, 全球自然生态系统受到了严重的挑战, 生态系统服务的可持续供应已被打破, 人地矛盾不断加剧[1]。如何在经济发展过程中确保区域生态安全已被视为影响全球可持续发展的一个关键性问题[2], 而区域生态安全分区为解决上述问题提供了有效途径[3]。
目前, 关于区域生态安全分区的研究主要集中于两方面, 一是分区依据的确定；二是分区方法的选择。在分区依据上, 以生态系统服务为对象的区域生态安全分区成为了当前研究的重要内容[4]。然而, 这些研究更多强调的是生态系统服务本身的供给能力, 对生态系统服务间的相互关系研究较少[5]。实际上, 追求单一生态系统服务功能增强往往会造成某类或某几类生态系统服务的减弱, 强化各服务间的权衡关系[6]。因此, 有必要将生态系统服务权衡/协同关系纳入生态安全分区研究。在区域生态安全分区的方法选择上, 较为常用的是线性回归[7]、地理加权回归[8]等, 即假定驱动因素与生态系统服务间存在线性关系。然而, 越来越多的研究表明, 气候变化和人类活动对生态系统服务[9]和服务间的权衡/协同关系[10]具有非线性影响, 即存在自然和人为驱动因素对生态系统服务的阈值效应。例如, Liu等借助约束线法发现当珠江三角洲地区的植被覆盖度达到70%时, 生态系统服务价值总量能够达到最大值[11]；当坡度接近7.5°时, 需要加强对植被和土壤侵蚀的监测, 以降低生态风险。Peng等分析了城市化对四种生态系统服务的影响, 确定了人口城市化和经济城市化因子的分别阈值(229人/km2和10715万元/km2), 超过该阈值, 生态系统服务随着城镇化的加剧而迅速下降[12]。然而, 这些研究多关注驱动因素对生态系统服务的影响阈值是否存在以及它们存在于何处, 而对所识别的阈值在生态安全分区中的具体应用研究较少, 致使其结果难以满足决策需求。少有的关于驱动因素对生态系统服务阈值效应的生态安全分区研究也多集中于单因素的个体效应[13], 忽视了驱动因素的多样性和复杂性, 最终导致分区结果混乱、效果欠佳[14]。因此, 有必要对多因素进行降维处理后, 将其对生态系统服务的综合效应纳入考量, 再进行针对性的阈值效应分析和分区管理。
中国西南地区作为全球最大的连片岩溶分布区[15], 其生物资源丰富, 生态功能重要, 但同时也是最重要的生态脆弱区之一[16]。近年来, 社会经济的快速发展给本就脆弱的生态系统带来了巨大压力, 造成了植被衰退[17]、大气污染[18]、石漠化和水土流失加剧[19]等问题。因此, 对喀斯特地区进行生态安全分区研究, 进而制定针对性分区管理对策, 对确保区域生态安全、实现资源可持续利用至关重要。鉴于此, 本文以西南地区为例, 在剖析生态系统服务供给、权衡/协同关系及综合效益(包括土壤保持、产水、净初级生产力(NPP)及粮食供应)时空变化趋势的基础上, 确定生态系统服务与主要驱动因素间的阈值特征, 并将其运用于区域生态安全分区, 进而制定满足功能实现和关系合理的适应性管理方案, 以确保区域社会-生态系统协调发展。
1 研究区概况本文的研究区, 包括广西、重庆、四川、贵州、云南五省(市、自治区)(97°15′—112°04′E, 21°04′—34°19′N), 总面积约136.44万km2(图 1)。区域内部地形起伏很大, 平均海拔为1085 m, 呈“西高东低”的分布特征。其地貌类型复杂多样, 以山地、丘陵为主。同时, 该区也分布着大面积的碳酸盐岩, 具有严重的石漠化、水土流失问题, 生态系统敏感且脆弱[20]。该地区也曾是我国典型的集中连片特困区, 2020年, 其人均国内生产总值(GDP)仅为5.58万元/人, 严重低于全国平均水平(6.55万元/人), 区域社会经济发展愿望迫切。只是, 在区域经济发展过程中, 很大程度上依赖于资源的消耗, 给本就脆弱的生态环境带来了巨大威胁。明确区域生态安全分区, 进而确保社会-生态系统可持续发展成为了重要研究内容。
|
| 图 1 研究区概况 Fig. 1 Location map |
本文主要使用的基础自然数据包括：行政区划界线来自国家测绘地理信息局(https://zwfw.ch.mnr.gov.cn/index)；数字高程数据(30 m×30 m)从地理空间数据云平台(http://www.gscloud.cn/)下载, 并利用ArcGIS10.8提取坡度、地形起伏度；2000年和2020年土地利用数据(30 m×30 m)从中国科学院资源环境数据中心(http://www.resdc.cn/)获取；2000年和2020年气象数据(1 km×1 km), 主要包括气温和降水来源于国家地理系统科学数据中心(http://www.geodata.cn/)；2000年和2020年实际蒸散发数据(空间分辨率为0.1°)、地表太阳辐射数据(10 km×10 km)以及土壤数据(1 km×1 km)均来自国家青藏高原科学数据中心(http://data.tpdc.ac.cn/)；2000年和2020年NPP数据(50 m×50 m)来自美国航天航空网站(http://ladswed.nascom.nasa.gov)所提供的MOD17A3HGF/Terra产品。社会经济数据包括：粮食产量数据、人均地区生产总值(GDP)、人口密度以及第二、三产业比重均来源于国家统计局(http://www.stats.gov.cn/)的中国县域统计年鉴；距城镇距离、距耕地距离来自全国地理信息资源目录服务系统。在后续分析研究中, 本文对数据空间分辨率、坐标等进行了统一处理。
2.2 研究方法生态系统服务与驱动因素间存在明显的阈值效应[21], 当超过阈值后, 驱动因素的细微变化都会导致生态系统服务的较大变化[22]。因此, 确定生态阈值对识别区域生态安全分区具有重要意义。为此, 本文以西南地区为例, 量化了四种主要生态系统服务, 并对其服务间的权衡/协同关系进行估算；在此基础上, 构建生态系统服务供给指数、关系指数和综合指数, 并对其时空变化特征进行解析；然后, 选取12个典型的自然和人为驱动因素, 通过主成分分析实现驱动因素的降维, 并引入约束线法研究主成分对综合效应指数的约束效应, 识别其临界阈值。选取阈值前后的10%[23]作为安全区范围, 通过空间叠加识别区域生态安全区和修复区, 并针对各分区特性提出优化策略, 以期为区域可持续发展提供科学参考。所采用的方法如下：
2.2.1 生态系统服务供给指数本文使用InVEST模型中的沉积物输送率模型量化土壤保持服务。使用降水量与实际蒸散发量之间的差值量化了产水服务。采用空间分辨率为1 km的年NPP栅格数据来表征研究区域的植被固碳能力。具体计算步骤及参数详见参考文献[24—26]。本文基于归一化处理后的各生态系统服务指标, 计算了生态系统服务供给指数[27], 以表征研究区生态系统服务综合供给能力, 具体公式如下：
|
(1) |
式中, ESS为生态系统服务供给指数；Xij为生态系统服务标准化指标值；n为生态系统服务数量, 在本文中n=4。
2.2.2 生态系统服务关系指数本文应用Bradford和D′ Amato提出的定量方法来计算多个生态系统服务的整体权衡/协同指数。并基于计算得出的协同指数和权衡指数, 构建了生态系统服务关系指数[28], 用以表示生态系统服务之间的复杂互动关系, 具体计算公式如下：
|
(2) |
其中, ESR为生态系统服务关系指数；ESbenefit为生态系统服务协同指数；EStradeoff是生态系统服务权衡指数；SB和ST的大小为权重系数, 决定了ESbenefit和EStradeoff的相对重要性。本文假定它们同等重要, 因此将SB和ST都被设定为1；用nB和nT描述这两个分量之间的非线性程度以及它们对生态系统服务指数的贡献。考虑到这两个分量变化的不均匀性, 本文将nB和nT均设为2。参数nT也被设置为2以降低生态系统服务指标的维度。
2.2.3 生态系统服务综合指数本文认为对于一个可持续的生态系统而言, 不仅需具备较大的供给能力, 同时生态系统服务间的权衡/协同关系还应处于较为协调的状态。因此, 本文基于供给指数和关系指数, 构建了生态系统服务综合指数, 并且认为上述两种关系同等重要。其计算公式如下：
|
(3) |
式中, ESC为生态系统服务综合指数；ESS为生态系统服务供给指数；ESR为生态系统服务关系指数。
2.2.4 驱动因素选取本文在参考有关研究成果的基础上[29], 结合区域实际情况, 选取了包括数字高程模型(DEM)、坡度、土壤湿度、气温、降水、归一化植被指数(NDVI)、地表太阳辐射、GDP、人口密度、距耕地距离、距城镇距离以及第二、三产业比重在内的12个指标, 以此形成影响区域生态系统服务变化的驱动因素集。为规避因素间的多重线性问题, 本文利用SPSS软件对原始驱动因素进行了主成分分析, 在尽可能保留原始信息的同时减少信息冗余, 从提高后续分析的准确性[30]。
2.2.5 地理加权回归由于数据本身存在空间复杂性、自相关性和可变性, 因此在探索解释变量对因变量的影响时, 不同地区的解释变量表达可能不同。因此, 本文基于地理加权回归(GWR)模型探讨了各类驱动因素在空间上对生态系统服务综合指数的影响, 揭示了生态系统服务综合指数关系变化的驱动机制。其模型公式如下：
|
(4) |
式中, (ui, vi)分别为样本点i的空间坐标; βk(ui, vi)为连续函数βk(u, v)在点i处的值；xik为位置(ui, vi)的解释变量xk；εi为误差项。
2.2.6 生态安全区识别本文先采用分段分位数的约束线提取方法[31], 对生态系统服务综合指数与主要驱动因素的非线性关系进行解析。然后, 通过R中的rms包进行限制性立方样条(RCS)回归[32], 得到各类因素对生态系统服务综合指数影响的临界阈值, 并将各类因素阈值前后10%的区域认定为安全区, 其它认定为修复区, 并通过空间叠加识别区域生态安全分区(图 2)。具体为, 如果某区域各类因素的阈值均处于安全区, 本文就认定为生态安全区；如果各个因素的阈值均处于修复区, 认定为重点修复区；如果超过一半因素的阈值处于安全区, 就认定为相对安全区；如果超过一半因素的阈值处于修复区, 就认定为相对修复区。
|
| 图 2 生态安全分区方法流程 Fig. 2 Ecologically Safe Zoning Methodology Process |
2000—2020年, 研究区四类生态系统服务的供给量和供给指数均值均小幅提升(图 3)。土壤保持服务由153 t/hm2增加到229 t/hm2；产水服务由473 mm增至486 mm；NPP由671 gC/m2增至796 gC/m2；粮食供应服务由69 t/km2增至94 t/km2；供给指数均值由0.25增至0.28。四类生态系统服务在空间上存在较大差异。其中土壤保持服务总体呈“西高东低”的分布格局；而产水服务高供给区由东南向西北递减；NPP的空间分布呈现“南高北低”的分布特征；粮食供应服务呈现“东北高, 西北低”的特征。研究区生态系统服务供给指数低值区集中分布于四川省西部, 且呈现出扩张的趋势。
|
| 图 3 2000—2020年生态系统服务供给能力的空间格局 Fig. 3 Spatial patterns of ecosystem service provisioning capacity in 2000 and 2020 |
研究期间, 区域协同指数均值变化不明显, 而权衡指数均值小幅上涨, 由0.2增加到0.24, 表明区域生态系统服务权衡关系略有增强；生态系统服务关系指数均值则保持相对稳定(图 4)。从空间分布来看, 协同指数低值区和权衡指数高值区均位于四川省南部, 同时权衡指数高值区在云南省西南部也有分布。生态系统服务关系指数的较低值区明显向全域扩张。可见, 区域生态系统服务供给能力增强的同时造成了局部地区权衡关系的增加, 尤其是川西地区、重庆市和云南省西南部, 生态系统服务冲突明显。
|
| 图 4 2000—2020年生态系统服务权衡/协同关系的空间格局 Fig. 4 Spatial patterns of ecosystem service trade-offs/synergies in 2000 and 2020 |
2000—2020年, 研究区生态系统服务综合指数均值由0.479降为0.436, 且空间分布异质性显著(图 5)。其中, 高值区域主要分布于云南省西南部、广西省东北部以及四川省南部的边缘地区；低值区域主要集中分布于四川省西部, 并逐渐向东南扩张。研究区中部和广西省南部生态系统服务综合指数呈增长趋势, 而四川省西部和重庆市北部地区综合指数下降明显。
|
| 图 5 2000—2020年生态系统服务综合效益的空间格局 Fig. 5 Spatial patterns of the combined benefits of ecosystem services in 2000 and 2020 |
首先, 本文在剔除与生态系统服务综合指数不显著相关的变量后, 利用主成分分析方法处理了剩余自变量之间的多重线性问题, 得到了驱动因素的主成分分析结果。从结果可知(表 1), 2000年前三个特征值的累积贡献率达到75.623%；2020年前三个特征值的累积贡献率达到76.662%, 均可以较好地表征原数据。此外, 分析结果表明, 在2000年和2020年, 主成分1主要包括DEM、气温、坡度、降水及距城镇距离、距耕地距离, 本文将其命名为自然-社会条件；主成分2主要包括NDVI、土壤湿度和地表太阳辐射, 其中NDVI是表征植被生长状况的重要指标, 而土壤湿度和地表太阳辐射是影响植被生长的重要因素, 因此本文将其命名为植被环境条件；主成分3主要包括人口密度、GDP、第二、三产业比重, 本文将其命名为社会-经济条件(表 2)。
| 主成分 | 特征值Eigenvalue | 贡献率Contribution rate/% | 累计贡献率Cumulative contribution rate/% | |||||
| Principal component | 2000年 | 2020年 | 2000年 | 2020年 | 2000年 | 2020年 | ||
| 1 | 5.580 | 6.077 | 46.499 | 50.636 | 46.499 | 50.636 | ||
| 2 | 2.072 | 2.078 | 17.264 | 17.319 | 63.763 | 67.955 | ||
| 3 | 1.423 | 1.045 | 11.860 | 8.707 | 75.623 | 76.662 | ||
| 各因子贡献率 Contribution rate of each factor |
2000年 | 2020年 | |||||
| 3个主成分Three principal components | 3个主成分Three principal components | ||||||
| 1 | 2 | 3 | 1 | 2 | 3 | ||
| 数字高程模型Digital elevation model | 0.955 | -0.050 | -0.018 | 0.919 | -0.083 | -0.083 | |
| 坡度Slope | 0.797 | 0.487 | 0.125 | 0.752 | 0.558 | 0.138 | |
| 降水Precipitation | -0.604 | 0.494 | -0.109 | -0.766 | 0.063 | -0.056 | |
| 气温Temperature | -0.889 | 0.099 | 0.010 | -0.867 | 0.012 | 0.012 | |
| 土壤湿度Soil moisture | -0.079 | 0.623 | -0.241 | -0.195 | 0.752 | -0.357 | |
| 人口密度Population density | -0.178 | -0.102 | 0.541 | -0.102 | -0.025 | 0.781 | |
| 人均国内生产总值Per capita GDP | -0.069 | -0.068 | 0.618 | -0.182 | -0.082 | 0.798 | |
| 净初级生产力Net primary productivity | -0.134 | 0.697 | -0.348 | -0.142 | 0.803 | -0.448 | |
| 地表太阳辐射Surface solar radiation | 0.607 | 0.647 | 0.201 | 0.200 | 0.895 | -0.186 | |
| 距城镇距离Distance from town | 0.745 | -0.209 | -0.288 | 0.699 | -0.099 | -0.413 | |
| 距耕地距离Distance from cultivated land | 0.743 | 0.157 | -0.346 | 0.808 | 0.185 | -0.062 | |
| 第二、三产业比重The proportion of the second and third industries | -0.005 | -0.194 | 0.753 | -0.061 | -0.185 | 0.688 | |
| 提取方法：主成分分析法；旋转法：凯撒正态化最大方差法 | |||||||
2000—2020年, 研究区内自然-社会条件在空间上呈现出相对集聚性, 大致规律是沿四川省-云南省的海拔梯度向东呈现递减特征。植被环境条件的空间分布相对稳定, 具有“东高西低”的特征。社会-经济条件空间格局变化较为明显, 且以低值区为主, 高值区明显扩张(图 6)。整体来看, 三大主成分的空间分布差异较大, 社会-经济条件的空间分布复杂, 而自然-社会条件与植被环境条件的空间分布格局除四川盆地外, 呈现出了明显的空间错位现象。
|
| 图 6 2000—2020年生态系统服务三类主要驱动因素的空间模式 Fig. 6 Spatial patterns of the three main types of drivers of ecosystem services in 2000 and 2020 |
2000—2020年间, 三类主要驱动因素与生态系统服务综合指数的约束线均为开口向下抛物线性(图 7)。也就是说, 在阈值点左侧, 三类主要驱动因素与生态系统服务综合指数呈正相关；而在阈值点右侧, 三类主要驱动因素数值的增加将导致生态系统服务综合指数的降低。且随着时间的变化, 社会-经济条件对生态系统服务综合指数的临界阈值由0.17变为0.27；植被环境条件、自然-社会条件与生态系统服务综合指数的阈值略有下降, 分别由0.54和0.32下降至0.52和0.3, 表明约束关系的收紧。
|
| 图 7 2000—2020年生态系统服务主要驱动因素的非线性特征 Fig. 7 Non-linear characteristics of the main drivers of ecosystem services in 2000 and 2020 |
依据阈值前后10%所划定的生态系统服务安全区和修复区的时空变化(图 8), 不难发现, 自然-社会条件和植被环境条件影响下的研究区均以修复区为主, 且分布面积不断增加。自然-社会条件影响下的修复区面积由936152 km2增至1032965 km2, 主要分布于研究区西部和广西省；植被环境条件影响下的修复区向研究区中部扩张, 分布面积由958116 km2增至1024912 km2。上述两类驱动因素影响下的安全区分别由428258 km2、406294 km2减少至331445 km2、339498 km2, 集中分布于研究区东部。社会-经济条件影响下的修复区分布范围明显扩张, 由623917 km2增至784173 km2, 以云南省和重庆市修复区面积的增加最为明显；安全区由740493 km2缩小至580237 km2, 主要分布于四川省和广西省。整体看来, 三类驱动因素影响下的修复区面积均呈现出了增加趋势, 且自然-社会条件和植被环境条件影响下的修复区和安全区空间集聚性更强, 而社会-经济条件影响下的修复区和安全区存在明显空间异质性。
|
| 图 8 2000—2020年主要驱动因素下的阈值分区 Fig. 8 Threshold partitioning under key drivers in 2000 and 2020 |
就研究区生态安全分区的时空变化(图 9)而言, 相对修复区的面积略有减少, 由642698 km2减少至640916 km2, 但仍在研究区生态安全分区格局中占主导地位。相对安全区面积由348473 km2缩至265253 km2, 其中以中部地区的收缩最明显。重点修复区面积由294772 km2增至431655 km2, 主要集中于四川省和云南省西南部。生态安全区在贵州省、广西省和云南省均有分布, 但分布面积明显收缩, 由78467 km2减少至26585 km2。结合三类驱动因素对综合指数影响的空间分布(图 10)可以发现, 重点修复区主要受制于脆弱的生态系统及强负相关的社会-经济条件, 相对修复区受三类因素共同影响；相对安全区和生态安全区主要受自然-社会条件影响。未来, 可对每类分区的限制因素进行调整并制定差异化发展战略, 以寻求生态维护和经济改善的可持续发展道路。
|
| 图 9 2000—2020年研究区生态安全分区的时空分布 Fig. 9 Spatial and temporal distribution of ecological security zones in the study area in 2000 and 2020 |
|
| 图 10 2000—2020主要驱动因素对生态系统服务综合指数变化影响的空间非平稳性 Fig. 10 Spatial non-stationarity in the impact of key drivers on changes in the composite index of ecosystem services in 2000 and 2020 |
西南地区作为喀斯特地貌典型分布区, 生态脆弱与贫困高度重叠。对西南地区进行生态安全分区研究是解决区域生态环境问题、确保社会-生态系统稳定的关键, 而了解生态系统服务时空变化特征及其权衡/协同关系是实现区域生态安全分区的前提。基于此, 本文从西南地区的实际着手, 选取了四类生态系统服务(土壤保持、产水、NPP、粮食供应), 对它们的供给能力及其关系进行剖析。结果显示, 西南地区四类主要生态系统服务供给能力均提升, 这主要与该地区生态保护政策的实施[33]、降水量的增加[34]以及区域农业技术水平的提升[35]密切相关。同时, 在全域尺度上, 研究区内关系指数均值保持相对稳定, 这主要由两方面的原因构成：首先, 平均效应使得全域尺度上的生态系统服务同质化增强[36], 弱化了生态系统服务间的异质性；其次, 部分区县生态系统服务协同指数提高的同时, 它们的权衡指数也显著增加, 两者之间存在明显的抵消作用。但不难发现, 在追求生态系统服务供给最大化的同时部分区县出现了生态系统服务冲突加剧的状况, 尤其是中心城镇。因此, 有必要将生态系统服务供给能力和权衡/协同关系同时纳入到生态管理与修复中, 以实现区域生态服务供给最佳和关系最优。
4.2 生态系统服务综合指数与驱动因素间的关键阈值西南地区复杂的地质条件、二元水文结构及高强度的人类活动, 决定了自然和人为因素对生态系统服务的影响存在非线性[37]和阈值特征[38]。但不难发现, 以往的相关研究的基本原理是将连续变量进行分类, 但在类别数目和节点位置的选择上往往带有主观性, 并且分类时往往会损失信息[39]。因此, 一个更好的解决方法, 即RCS被提出, 且已广泛应用于相关研究[40]。基于此, 本文结合生态系统服务供给和权衡/协同关系, 构建了生态系统服务综合指数, 同时利用约束线法和RCS剖析了生态系统服务综合指数对主要驱动因素的非线性响应及其临界阈值, 以此实现区域生态安全分区。结果显示, 影响区域生态系统服务综合指数变化的因素包括自然-社会条件、植被环境条件和社会-经济条件三类。三类因素与生态系统服务综合指数间均表现为明显的倒“U”型约束关系, 即存在临界阈值。结合三类因素与综合指数的阈值作用方向及空间相关性可知, 在到达阈值前, 区域经济不发达, 但生态环境承载力较强[41], 所以各类因素与生态系统服务综合指数间表现为正相关, 这与Guo等的研究相吻合[13]；超过阈值后, 各类因素与生态系统服务综合指数间表现为负相关。结合相关研究推断, 负相关性的产生来源于两方面：一是气候变化, 例如气温升高和降水模式改变等导致的区域长期干旱, 影响了区域水文循环、植被生长、产水量和土壤保持服务[42]；二是以城市扩张、产业发展为代表的人类活动造成了区域土地利用结构的变化, 对区域生态系统服务和功能产生了一定的负向胁迫[43]。同时, 本文的研究结果也表明, 植被环境条件、自然-社会条件与生态系统服务综合指数间的约束作用呈收紧趋势, 这两类条件在区域生态安全中起限制性作用, 这也验证了上述原因剖析的可靠性。
4.3 基于关键阈值下的区域生态安全分区及优化对策阈值是生态安全的临界值, 反映生态质量转变的节点。超过阈值状态下, 影响因素的小幅变化可能引发生态系统服务出现明显改变, 造成生态退化和稳态转换。因此, 将阈值应用于生态安全分区研究中对实现区域生态管理和可持续发展具有重要意义。实际上, 驱动因素对生态系统服务的阈值效应存在一定弹性区间[44], 也叫做生态阈值带, 而弹性区间的确定会直接影响区域生态安全分区结果。因此, 本文参考相关研究[23], 将三类因素阈值前后10%的范围作为弹性空间, 并通过空间叠加识别区域生态安全分区。结合各类分区的分布及三类驱动因素对区域生态系统服务综合指数影响的空间非平稳性结果可知, 重点修复区主要位于四川省和云南省西南部, 受自然-社会条件制约, 未来在进一步加强生态修复与治理的同时可以依托生态旅游、康养产业、特色林下产业等, 实现社会-生态系统可持续[45]。相对修复区主要受三类驱动因素共同制约, 未来在积极推动城市能源结构低碳转型, 加强无废城市、海绵城市、森林城市建设的同时, 也要重点提高城市生态系统的配置水平, 确保城市景观功能的高效输出[46]。相对安全区主要分布于研究区东部, 未来在继续强化退耕还林还草、石漠化治理等措施的实施的同时, 还应考虑生态治理过程中的经济产出, 如发展畜牧业、种植豆科植物和经济林等[47]。生态安全区主要分布于广西省, 未来要加快清洁生产和技术创新, 促进绿色产业和产品的发展, 同时适当优化生态修复方式和强度, 例如, 在植被类型上可以考虑具有高耐旱性、高钙容忍性的阔叶常绿林, 如金合欢和香椿等[48]。
4.4 研究不足与展望本文参考已有研究并结合区域实际, 选取了四类主要生态系统服务功能用于生态安全分区识别。实际上, 生态系统服务包含多种功能, 这些功能对于区域可持续发展也至关重要, 例如生物多样性、文化与娱乐等。但由于数据获取及模型限制, 本文并未将其纳入研究。未来, 可以考虑加入更多生态系统服务功能, 以获取更准确的结果。同时, 在进行驱动因素选择时, 本文参考相关研究选取的多是一些易于量化的因素。实际上, 极端气候事件的发生[49]、政策因素[43]等对区域生态安全格局的识别也具有重要影响。为此, 在未来的研究中有必要模拟气候变化、土地利用变化、人为政策变化等带来的区域生态系统服务及其关系的变化, 进而探究其对区域生态安全分区的影响。其次, 本研究仅比较了2000年和2020年西南地区生态系统服务的变化, 忽略了生态系统服务在时间尺度上的波动性。未来的研究可以对生态系统服务的长期动态变化特征进行补充。最后, 本文以县域单元为评价单元, 有利于生态管理政策的有效实施, 但在一定程度上降低了分区精度。未来的研究可以结合网格和子流域尺度, 以明确特定地区的生态系统服务状况。
5 结论本文在对西南地区主要生态系统服务及其权衡/协同关系量化的基础上, 构建了生态系统服务综合指数, 运用主成分分析和约束线法识别了影响综合指数变化的主要因素及其临界阈值, 并通过空间叠加识别了区域的生态安全分区格局。本文的主要结论如下：
(1) 研究期区域生态系统服务功能均得到了一定程度的提升, 但在某些地区, 特别是川西高原及研究区西南角生态系统服务冲突明显。将生态系统服务供给能力和权衡/协同关系同时纳入生态安全分区研究具有重要意义。
(2) 自然-社会条件、植被环境条件及社会-经济条件与区域生态系统服务综合指数间存在明显的阈值效应, 且随时间推移, 自然-社会条件和植被环境条件对生态系统服务综合效益的约束关系收紧。未来, 在面临更严峻的自然环境条件下, 区域生态安全存在巨大威胁, 需进行针对性分区管理与优化。
(3) 研究区以相对修复区为主, 其次是重点修复区和相对安全区, 生态安全区的面积最小。不同分区上生态安全的限制因素不同, 未来可以对不同分区上的限制要素进行调整以实现区域生态系统服务供给最大和关系最优。
| [1] |
Yang Y P, Chen J J, Huang R J, Feng Z H, Zhou G Q, You H T, Han X W. Construction of Ecological Security Pattern Based on the Importance of Ecological Protection—A Case Study of Guangxi, a Karst Region in China. International Journal of Environmental Research and Public Health, 2022, 19(9): 5699. DOI:10.3390/ijerph19095699 |
| [2] |
Peng J, Zhao S Q, Dong J Q, Liu Y X, Meersmans J, Li H L, Wu J S. Applying ant colony algorithm to identify ecological security patterns in megacities. Environmental Modelling & Software, 2019, 117: 214-222. |
| [3] |
Ding M M, Liu W, Xiao L, Zhong F X, Lu N, Zhang J, Zhang Z H, Xu X L, Wang K L. Construction and optimization strategy of ecological security pattern in a rapidly urbanizing region: A case study in central-south China. Ecological Indicators, 2022, 136: 108604. DOI:10.1016/j.ecolind.2022.108604 |
| [4] |
Li J L, Xu J G, Chu J L. The Construction of a Regional Ecological Security Pattern Based on Circuit Theory. Sustainability, 2019, 11(22): 6343. DOI:10.3390/su11226343 |
| [5] |
Ramel C, Rey P L, Fernandes R, Vincent C, Cardoso A R, Broennimann O, Pellissier L, Pradervand J N, Ursenbacher S, Schmidt B R, Guisan A. Integrating ecosystem services within spatial biodiversity conservation prioritization in the Alps. Ecosystem Services, 2020, 45: 101186. DOI:10.1016/j.ecoser.2020.101186 |
| [6] |
Wang Y X, Wang H M, Zhang J X, Liu G, Fang Z, Wang D D. Exploring interactions in water-related ecosystem services nexus in Loess Plateau. Journal of Environmental Management, 2023, 336: 117550. DOI:10.1016/j.jenvman.2023.117550 |
| [7] |
Rao N S, Ghermandi A, Portela R, Wang X W. Global values of coastal ecosystem services: A spatial economic analysis of shoreline protection values. Ecosystem Services, 2015, 11: 95-105. DOI:10.1016/j.ecoser.2014.11.011 |
| [8] |
Sannigrahi S, Zhang Q, Pilla F, Joshi P K, Basu B, Keesstra S, Roy P S, Wang Y, Sutton P C, Chakraborti S, Paul S K, Sen S. Responses of ecosystem services to natural and anthropogenic forcings: A spatial regression based assessment in the world's largest mangrove ecosystem. Science of The Total Environment, 2020, 715: 137004. DOI:10.1016/j.scitotenv.2020.137004 |
| [9] |
Shen J S, Li S C, Liang Z, Liu L B, Li D L, Wu S Y. Exploring the heterogeneity and nonlinearity of trade-offs and synergies among ecosystem services bundles in the Beijing-Tianjin-Hebei urban agglomeration. Ecosystem Services, 2020, 43: 101103. DOI:10.1016/j.ecoser.2020.101103 |
| [10] |
Zhang Z Y, Tong Z M, Zhang L T, Liu Y L. What are the dominant factors and optimal driving threshold for the synergy and tradeoff between ecosystem services, from a nonlinear coupling perspective?. Journal of Cleaner Production, 2023, 422: 138609. DOI:10.1016/j.jclepro.2023.138609 |
| [11] |
Liu Y M, Zhang C, Zeng H. Constraint effects among several key ecosystem service types and their influencing factors: A case study of the Pearl River Delta, China. Ecological Indicators, 2023, 146: 109883. DOI:10.1016/j.ecolind.2023.109883 |
| [12] |
Peng J, Tian L, Liu Y X, Zhao M Y, Hu Y N, Wu J S. Ecosystem services response to urbanization in metropolitan areas: Thresholds identification. Science of The Total Environment, 2017, 607(607/608): 706-714. |
| [13] |
Guo S S, Wu C Y, Wang Y H, Qiu G Q, Zhu D, Niu Q, Qin L. Threshold effect of ecosystem services in response to climate change, human activity and landscape pattern in the upper and middle Yellow River of China. Ecological Indicators, 2022, 136: 108603. DOI:10.1016/j.ecolind.2022.108603 |
| [14] |
Liu R X, Kuang J, Gong Q, Hou X L. Principal component regression analysis with spss. Computer Methods and Programs in Biomedicine, 2003, 71(2): 141-147. DOI:10.1016/S0169-2607(02)00058-5 |
| [15] |
肖荣波, 欧阳志云, 王效科, 赵同谦. 中国西南地区石漠化敏感性评价及其空间分析. 生态学杂志, 2005, 24(5): 551-554. |
| [16] |
Hu Z Y, Wang S J, Bai X Y, Luo G J, Li Q, Wu L H, Yang Y J, Tian S Q, Li C J, Deng Y H. Changes in ecosystem service values in karst areas of China. Agriculture, Ecosystems & Environment, 2020, 301: 107026. |
| [17] |
Wang S J, Liu Q M, Zhang D F. Karst rocky desertification in southwestern China: geomorphology, landuse, impact and rehabilitation. Land Degradation & Development, 2004, 15(2): 115-121. |
| [18] |
Guan H Y, Bai Y P, Zhang C Y. Research on Ecosystem Security and Restoration Pattern of Urban Agglomeration in the Yellow River Basin. Sustainability, 2022, 14(18): 11599. DOI:10.3390/su141811599 |
| [19] |
Oliver D M, Zheng Y, Naylor L A, Murtagh M, Waldron S, Peng T. How does smallholder farming practice and environmental awareness vary across village communities in the karst terrain of southwest China?. Agriculture, Ecosystems & Environment, 2020, 288: 106715. |
| [20] |
Ding Z, Liu Y, Wang L C, Chen Y N, Yu P J, Ma M G, Tang X G. Effects and implications of ecological restoration projects on ecosystem water use efficiency in the karst region of Southwest China. Ecological Engineering, 2021, 170(2): 106356. |
| [21] |
Hao R F, Yu D Y, Wu J G. Relationship between paired ecosystem services in the grassland and agro-pastoral transitional zone of China using the constraint line method. Agriculture, Ecosystems & Environment, 2017, 240: 171-181. |
| [22] |
Berdugo M, Delgado-Baquerizo M, Soliveres S, Hernández-Clemente R, Zhao Y C, Gaitán J J, Gross N, Saiz H, Maire V, Lehmann A, Rillig M C, Solé R V, Maestre F T. Global ecosystem thresholds driven by aridity. Science, 2020, 367(6479): 787-790. DOI:10.1126/science.aay5958 |
| [23] |
Fang L L, Wang L C, Chen W X, Sun J, Cao Q, Wang S Q, Wang L Z. Identifying the impacts of natural and human factors on ecosystem service in the Yangtze and Yellow River Basins. Journal of Cleaner Production, 2021, 314: 127995. DOI:10.1016/j.jclepro.2021.127995 |
| [24] |
王启名, 杨昆, 李立晓, 朱彦辉, 樊贤. 滇池流域水文生态系统服务权衡与协同时空异质性及其归因分析. 生态学报, 2023, 43(12): 4876-4891. |
| [25] |
何佳瑛, 蒋晓辉, 雷宇昕. 黄土高原生态工程对关键生态系统服务时空变化的影响—以延河流域为例. 生态学报, 2023, 43(12): 4823-4834. |
| [26] |
Bai Y, Zhuang C W, Ouyang Z Y, Zheng H, Jiang B. Spatial characteristics between biodiversity and ecosystem services in a human-dominated watershed. Ecological Complexity, 2011, 8(2): 177-183. DOI:10.1016/j.ecocom.2011.01.007 |
| [27] |
Kan A K, Li G Q, Yang X, Zeng Y L, Tesren L, He J. Ecological vulnerability analysis of Tibetan towns with tourism-based economy: a case study of the Bayi District. Journal of Mountain Science, 2018, 15(5): 1101-1114. DOI:10.1007/s11629-017-4789-x |
| [28] |
Wang C, Tang C J, Fu B J, Lü Y H, Xiao S S, Zhang J. Determining critical thresholds of ecological restoration based on ecosystem service index: A case study in the Pingjiang catchment in southern China. Journal of Environmental Management, 2022, 303: 114220. DOI:10.1016/j.jenvman.2021.114220 |
| [29] |
Huang Q, Peng L, Huang K X, Deng W, Liu Y. Generalized Additive Model Reveals Nonlinear Trade-Offs/Synergies between Relationships of Ecosystem Services for Mountainous Areas of Southwest China. Remote Sensing, 2022, 14(12): 2733. DOI:10.3390/rs14122733 |
| [30] |
陈康富, 吴隽宇. 粤港澳大湾区城市群生态保护优先区识别研究. 生态学报, 2023, 43(10): 3855-3868. |
| [31] |
陈田田, 王钰茜, 曾兴兰, 王强. 西南地区生态系统服务关系特征及其与植被覆盖的约束效应. 生态学报, 2023, 43(6): 2253-2270. |
| [32] |
Li D L, Cao W F, Dou Y H, Wu S Y, Liu J G, Li S C. Non-linear effects of natural and anthropogenic drivers on ecosystem services: Integrating thresholds into conservation planning. Journal of Environmental Management, 2022, 321: 116047. DOI:10.1016/j.jenvman.2022.116047 |
| [33] |
Ouyang Z Y, Zheng H, Xiao Y, Polasky S, Liu J G, Xu W H, Wang Q, Zhang L, Xiao Y, Rao E M, Jiang L, Lu F, Wang X K, Yang G B, Gong S H, Wu B F, Zeng Y, Yang W, Daily G C. Improvements in ecosystem services from investments in natural capital. Science, 2016, 352(6292): 1455-1459. DOI:10.1126/science.aaf2295 |
| [34] |
He C J, Shao H Y, Xian W. Spatiotemporal Variation and Driving Forces Analysis of Eco-System Service Values: A Case Study of Sichuan Province, China. International Journal of Environmental Research and Public Health, 2022, 19(14): 8595. DOI:10.3390/ijerph19148595 |
| [35] |
Liu Y, Yang C, Tan S H, Zhou H T, Zeng W. An approach to assess spatio-temporal heterogeneity of rural ecosystem health: A case study in Chongqing mountainous area, China. Ecological Indicators, 2022, 136: 108644. DOI:10.1016/j.ecolind.2022.108644 |
| [36] |
陈俊辰, 贺淑钰, 薛晶, 张环宇, 李兆华, 王玲, 李昆. 多尺度生态系统服务的权衡关系及其对景观配置的响应—以湖北省为例. 生态学报, 2023, 43(12): 4835-4846. |
| [37] |
Kubiszewski I, Costanza R, Anderson S, Sutton P. The future value of ecosystem services: Global scenarios and national implications. Ecosystem Services, 2017, 26: 289-301. DOI:10.1016/j.ecoser.2017.05.004 |
| [38] |
Hao R F, Yu D Y, Huang T, Li S H, Qiao J M. NPP plays a constraining role on water-related ecosystem services in an alpine ecosystem of Qinghai, China. Ecological Indicators, 2022, 138: 108846. DOI:10.1016/j.ecolind.2022.108846 |
| [39] |
Bhaskaran K, Dos-Santos-Silva I, Leon D A, Douglas I J, Smeeth L. Association of BMI with overall and cause-specific mortality: a population-based cohort study of 3·6 million adults in the UK. The Lancet Diabetes & Endocrinology, 2018, 6(12): 944-953. |
| [40] |
Lee D H, Keum N, Hu F B, Orav E J, Rimm E B, Willett W C, Giovannucci E L. Predicted lean body mass, fat mass, and all cause and cause specific mortality in men: prospective US cohort study. BMJ, 2018, k2575. DOI:10.1136/bmj.k2575 |
| [41] |
Yin L, Dai E F, Zheng D, Wang Y H, Ma L, Tong M. What drives the vegetation dynamics in the Hengduan Mountain region, southwest China: Climate change or human activity?. Ecological Indicators, 2020, 112: 106013. DOI:10.1016/j.ecolind.2019.106013 |
| [42] |
El Masri B, Schwalm C, Huntzinger D N, Mao J F, Shi X Y, Peng C H, Fisher J B, Jain A K, Tian H Q, Poulter B, Michalak A M. Carbon and Water Use Efficiencies: A Comparative Analysis of Ten Terrestrial Ecosystem Models under Changing Climate. Scientific Reports, 2019, 9: 14680. DOI:10.1038/s41598-019-50808-7 |
| [43] |
Jiao L, Yang R, Zhang Y L, Yin J, Huang J Y. The Evolution and Determinants of Ecosystem Services in Guizhou—A Typical Karst Mountainous Area in Southwest China. Land, 2022, 11(8): 1164. DOI:10.3390/land11081164 |
| [44] |
Zhang J Z, Luo M T, Yue H, Chen X Y, Feng C. Critical thresholds in ecological restoration to achieve optimal ecosystem services: An analysis based on forest ecosystem restoration projects in China. Land Use Policy, 2018, 76: 675-678. DOI:10.1016/j.landusepol.2018.02.050 |
| [45] |
Zhang Y Y, Yang R J, Li X H, Sun M Y, Zhang L, Lu Y R, Meng L Y, Liu Y Z, Wang C. Designing a Sustainable Development Path Based on Landscape Ecological Risk and Ecosystem Service Value in Southwest China. Sustainability, 2023, 15(4): 3648. DOI:10.3390/su15043648 |
| [46] |
Peng W F, Wang G J, Zhou J M, Zhao J F, Yang C J. Studies on the temporal and spatial variations of urban expansion in Chengdu, western China, from 1978 to 2010. Sustainable Cities and Society, 2015, 17: 141-150. DOI:10.1016/j.scs.2015.03.004 |
| [47] |
Zheng X Y, Zhang J Z, Cao S X. Net value of grassland ecosystem services in mainland China. Land Use Policy, 2018, 79: 94-101. DOI:10.1016/j.landusepol.2018.07.043 |
| [48] |
Zhang X M, Brandt M, Yue Y M, Tong X W, Wang K L, Fensholt R. The Carbon Sink Potential of Southern China After Two Decades of Afforestation. Earth's Future, 2022, 10(12): e2022EF002674. DOI:10.1029/2022EF002674 |
| [49] |
Runting R K, Bryan B A, Dee L E, Maseyk F J F, Mandle L, Hamel P, Wilson K A, Yetka K, Possingham H P, Rhodes J R. Incorporating climate change into ecosystem service assessments and decisions: a review. Global Change Biology, 2017, 23(1): 28-41. DOI:10.1111/gcb.13457 |