【洞庭湖流域生态系统服务时空动态分析案例4800字】

洞庭湖流域生态系统服务时空动态分析案例目录TOC\o"1-3"\h\u19470洞庭湖流域生态系统服务时空动态分析案例 1279291.1生态系统服务评估模型 1121801.1.1InVEST模型作物生产模块 1130551.1.2InVEST模型养分输送率模块 2217791.2生态系统服务时空分异 47791.2.1粮食生产服务时空分异 4125391.2.2水质净化服务时空分异 6251691.3生态系统服务协同与权衡 8135191.1.1Pearson相关系数 95171.1.2均方根误差 991581.1.3粮食生产与水质净化服务权衡 101.1生态系统服务评估模型目前，已有多种模型和方法能够对生态系统服务进行评估与模拟，其中，InVEST模型能够基于输入数据和参数构建情景，计算当前土地利用状况下的特定区域、参数条件下的生态系统服务，以基于过程的生态模型为基础，能够生成各生态过程的中间结果并将生态系统服务模拟评估结果可视化输出[47]。因此本研究选取InVEST模型，通过设置不同参数，实现粮食生产与水质净化服务水平的定量评估。1.1.1InVEST模型作物生产模块粮食生产服务通常指耕地生态系统为人类提供粮食产品的能力。InVEST模型中的作物生产（CropProduction）模块能够基于土地覆盖类型数据、DEM数据、农作物施肥率等数据，模拟研究区不同作物的产量和收益。该模块分为百分位数模型与回归模型两部分，百分位数模型是根据现有数据、百分位数与观测产量估算出175种作物在不同百分位数下的产量。而回归模型则能够通过给定的肥料投入对12种作物产量进行统计。本研究以氮肥施用量表示土地利用强度，可将其代入回归模型，估算不同土地利用强度下的粮食产量，因此选取回归模型计算研究区的粮食生产服务水平。计算时需输入土地覆盖类型数据、DEM数据、化肥施用量数据、流域数据以及土地覆盖类型对应作物表数据。本研究将氮肥施用量输入模型，具体输入参数如表3-1所示。表3-1粮食生产服务输入模型参数Table3-1InputparametersofcropproductionService土地覆盖类型代码作物名称1990年施氮率(kgN/ha·a)2015年施氮率(kgN/ha·a)水田1水稻94.89136.79旱地2玉米339.94238.53小麦216.1180.36大豆47.7851.66马铃薯136.21200.78该算法首先根据提供的土地覆盖数据匹配全球数据库，并根据目标分辨率对气候地图进行重分类并得到回归参数值；然后根据提供的肥料数据对作物产量进行回归，并根据土地覆盖数据的分辨率进行插值，最后进行统计与计算。该算法计算公式如下：该模块输出的主要结果包括土地覆盖类型数据对应的粮食产量栅格数据、各二级流域的作物产量回归模拟值域观测值等数据。本研究在该模块输入的土地覆盖类型、DEM数据等栅格数据均为60m分辨率，输出的栅格数据与之相同。并定义单位面积粮食年产量为当地的粮食生产服务水平，单位为吨/（公顷·年），即t/(ha·a)。1.1.2InVEST模型养分输送率模块陆地生态系统在污染物进入河流之前可以通过植物吸收、土壤截流等生态过程有效降低面源污染，以减少污染物对水质的影响，为人类社会提供重要的水质净化服务。InVEST模型中的养分输送率（NutrientDeliveryRatio，NDR）模块仅考虑区域内的非点源污染，能够基于质量平衡方法与长期稳定的营养物质流经验关系计算流域内每个栅格的养分负荷量，以及超过栅格持留能力的营养物质向河流的传输过程。该模型的计算需要输入土地覆盖类型数据、DEM数据、流域数据、降水量数据、生物物理属性表数据。本研究将耕地氮肥施用量作为耕地氮负荷量，其他输入参数如表3-2所示。表3-2水质净化服务输入模型参数Table3-2InputparametersofwaterpurificationService在该算法中，每个像元输出的养分量计算公式为：xexp每个分水岭出口处的总养分输出量为该流域内所有元素的贡献之和，其计算公式为：xexp该模块输出的主要结果包括DEM数据对应的氮元素输出量栅格数据，以及各二级流域出口的氮元素输出总量。本研究在该模块的输入数据同样均为60m分辨率，因此输出数据分辨率也与之相同。定义模拟结果氮输出量的倒数为水质净化服务水平，单位为（公顷·年）/千克氮，即(ha·a/kgN)。1.2生态系统服务时空分异1.2.1粮食生产服务时空分异利用InVEST模型作物生产模块进行计算，分别代入1990年和2015年的土地覆盖和土地利用强度，得到模拟结果并校正，如图3-1所示。1990年，研究区水田作物（水稻）的总产量为2.22×107吨，旱地作物（玉米、小麦、大豆和马铃薯）的总产量为1.172×107吨。2015年，研究区水田作物总产量为2.17×107吨，旱地作物总产量为1.16×107吨。从1990至2015年，水田面积和粮食产量均约为旱地的2倍，因此洞庭湖流域主要生产水田作物。而据湖南省统计年鉴的数据，2015年粮食作物总产量约为3*107吨[48]，因此本研究利用InVEST模型进行模拟的结果较为合理。图3-11990和2015年粮食生产种植面积与总产量Figure3-1Plantingareaandtotalyieldofcropproductionin1990and2015从单位面积粮食年产量及其空间分布来看，如图3-2，与1990年相比，2015年水田作物的单位面积年产量由4.64t/(ha·a)提高到了4.67t/(ha·a)，而旱地作物也由5.21t/(ha·a)提高到了5.59t/(ha·a)。随着生产力的发展和土地利用变化，单位面积粮食产量有所提高。1990年与2015年耕地集中和单位面积年产量较高的地区主要位于于洞庭湖环湖区、湘江流域中西部和资水流域东南部等海拔低于200m的平原地区，而研究区西部的沅江流域和澧水流域的耕地则分布较为稀疏，且单位面积粮食年产量也较低，这主要是由于西部地区地形起伏较大，海拔较高，以山地为主，不适宜大面积、高强度种植农作物，农作物产量也因此受到影响。水田和旱地的空间分布也具有一定差异性，洞庭湖环湖区的耕地以水田为主，而旱地则主要分布于研究区南部地区。图3-2洞庭湖流域1990和2015年的粮食生产计算值Figure3-2CalculationofcropproductioninDongtingLakeBasinin1990and2015选取洞庭湖流域范围内1007个完整的二级流域进行统计分析，计算各二级流域全域水平的单位面积粮食年产量作为流域粮食生产服务水平，如图3-3所示。总体而言，1990年的粮食生产服务水平介于0.048t/(ha·a)~4.926t/(ha·a)之间，2015年则介于0.045t/(ha·a)~4.790t/(ha·a)之间，这一数值是各二级流域粮食总产量与流域总面积之比，因此从1990至2015年，随着研究区耕地面积缩减，占流域总面积的百分比减小，这一数值也在减小。1990与2015年的粮食生产服务水平具有较为一致的空间分布特征。洞庭湖环湖区的大部分地区、湘江中西部、资水东南部的粮食生产服务水平较高，这主要是由于当地海拔较低，地势低平，水资源丰富，具有大片优良耕地，适宜农作物的种植和生长。而沅江东部、湘江东部和洞庭湖环湖区东部地势起伏较大的地区则具有较低的服务水平。从1990到2015年，研究区粮食生产服务提高的地区多位于沅江和澧水流域，洞庭湖环湖区中部及资水流域和湘江流域南部的部分地区也有所提高。而湘江流域中部和北部、资水流域中部以及洞庭湖环湖区西部的部分地区粮食产量则有所降低。图3-3洞庭湖流域1990和2015年的粮食生产服务Figure3-3CropproductionservicesinDongtingLakeBasinin1990and20151.2.2水质净化服务时空分异利用InVEST模型养分输送比模块计算，分别代入1990和2015年土地利用强度、土地覆盖类型及各项参数，模拟土地氮元素输出量，可得到图3-4的结果。图3-4洞庭湖流域1990和2015年的氮输出计算值Figure3-4NitrogenoutputofDongtingLakeBasinin1990and20151990年，洞庭湖流域的总氮输出量为2.70×108kg，其中耕地氮输出量为2.50×108kg，占总氮输出量的92.8%。而2015年研究区的总氮输出量为1.18×108kg，其中耕地氮输出量为2.98×108kg，占总氮输出量的91.7%。因此，农业生产已经成为了研究区氮负荷的主要来源，并且呈现增加趋势，对当地水质造成较大威胁。将结果与Hou等人对2012年中国耕地氮径流流失量的评估模拟数据进行对比，Hou等的研究中，2012年湖南省范围内的氮输出量为1.50×108kg[16]，与本研究的结果基本相符。计算二级流域的单位面积氮输出量倒数作为水质净化服务水平，如图3-5所示。1990年，研究区各二级流域的水质净化服务水平介于0.016ha·a/kgN~0.706ha·a/kgN之间，全流域平均为0.088ha·a/kgN；而2015年水质净化服务水平在0.028ha·a/kgN~0.699ha·a/kgN之间，全流域平均为0.075ha·a/kgN。因此随着土地利用强度的提高和土地覆盖类型的变化，洞庭湖流域的水质净化服务水平整体呈下降趋势。图3-5洞庭湖流域1990和2015年的水质净化服务Figure3-5WaterpurificationservicesofDongtingLakeBasinin1990and2015从空间分布上看，水质净化服务与粮食生产服务存在着大致相反的分布规律。1990与2015年，水质净化服务的高值区均主要分布在沅江流域大部分地区、澧水流域西北部、湘江流域东部和南部地区，特别是沅江流域南部，水质净化服务水平最高。这可能是由于当地主要为山地丘陵地形，植被类型以森林为主，人为氮元素输入量较低且水土保持能力较强，因此具有较高的水质净化服务水平。而水质净化服务的低值区恰恰是粮食生产服务分布的高值区，主要位于环湖区、资水流域东南部以及湘江流域中部和北部。从1990至2015年，洞庭湖流域大部分地区水质净化服务均下降，仅澧水西北部、湘江东南部等部分二级流域的水质净化服务水平有所提高。通过这一结果可初步判断粮食生产与水质净化服务可能存在权衡关系，具体数量关系则在后文深入讨论。1.3生态系统服务协同与权衡大量研究表明，粮食生产与水质净化两种生态系统服务存在权衡关系[14-21]。因此，基于InVEST模型对两种生态系统服务的模拟结果，利用Pearson相关系数与均方根误差（RMSE）量化研究区不同情景的生态系统服务权衡关系及其变化趋势。1.1.1Pearson相关系数Pearson相关系数是用来衡量两组数据集之间线性相关关系的统计变量。利用Pearson相关系数能够对研究区内两种生态系统服务之间的关联关系做出基本判断[49]。若两种服务间的Pearson相关系数未通过显著性检验，则表示两者相关关系不显著；若两种服务间的Pearson相关系数<0且通过显著性检验，表示两者存在负相关关系，即存在权衡关系；反之则表示两者存在协同关系。Pearson相关系数的计算公式如下：r=i=1其中，X、Y表示数据集，n表示样本数量，i表示特定样本。X和Y表示样本均值。1.1.2均方根误差均方根误差（RootMeanSquareError，RMSE）能够表示预测值与观测值之间差异性，是一种量化两个或多个生态系统服务之间权衡关系的简单有效方法。RMSE表示单个生态系统服务的标准值与给定区域平均生态系统服务的标准值之间的平均差异，描述了平均值的散射幅度[50]。如图3-6，二维图像中，RMSE表示某一对生态系统服务坐标点（A）到1:1线的距离，B点为两种生态系统服务协同的期望值点，即A点在1:1线上的投影点。A、B点距离越大，RMSE计算值越大，表示生态系统服务权衡程度越大；A、B点距离越小，RMSE计算值越小，表示生态系统服务权衡程度越小[8]。RMSE的计算公式如下：RMSE=1其中，n表示生态系统服务的数量，i表示特定生态系统服务，ESi表示特定生态系统服务的标准值，ES图3-6基于RMSE的生态系统服务权衡关系分析Figure3-6TradeoffanalysisofecosystemservicesbasedonRMSE1.1.3粮食生产与水质净化服务权衡针对洞庭湖流域的粮食生产与水质净化服务模拟结果，首先对两种生态系统服务进行归一化处理，然后利用Pearson检验判断研究区两种服务之间的权衡与协同关系。结果表明，洞庭湖流域1990年与2015年粮食生产与水质净化服务均存在显著负相关关系，因此判断研究区的两种生