2024, Vol. 45
2. 东华理工大学测绘与空间信息工程学院, 南昌 330013;
3. 江西省测绘地理信息工程技术研究中心, 南昌 330025;
4. 武汉大学资源与环境科学学院, 武汉 430079
2. School of Surveying and Geoinformation Engineering, East China University of Technology, Nanchang 330013, China;
3. Jiangxi Province Engineering Research Center of Surveying, Mapping and Geographic Information, Nanchang 330025, China;
4. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China
生态系统服务（ecosystem services, ESs）是指由生态系统所形成及维持的人类赖以生存的自然环境条件与效用, 为人类直接或间接从生态系统中所获得的各种惠益[1], 是维持和改善生态系统服务, 实现区域可持续发展的基本条件[2]. 生态系统服务在空间上具有异质性的特点, 在某一区域的既定景观中, 多种生态系统服务会受到自然和社会经济等多种变量的影响, 时空共现形成相互增益的协同关系与此消彼长的权衡关系[3]. 如何判定生态系统服务之间的权衡协同关系及其影响因素, 实现区域权衡协同关系的优化已成为该方向的研究热点之一, 它对提升生态系统服务能力, 提高区域自然社会生态系统的弹性具有重要意义, 同时也是落实生态文明战略和增强人类福祉的有效途径[4].
现阶段, 生态系统服务之间的权衡协同关系及其影响因素的研究仍然是地理学、生态学以及生态经济学关注的重点之一[5, 6]. 国内外学者通过统计学方法[7~9]、空间分析法[10, 11]和生态模拟及情景分析[12, 13]等方法进行了大量的研究. 这些方法大多将研究区作为整体来测度单一的时间节点, 无法定量化由复杂的地理过程引起的多种变量对生态系统服务权衡协同的影响以及各影响因素之间的作用关系[14~16]. 贝叶斯网络是一种强大的数据分析和推理模型, 在表达驱动变量非线性之间的关系时具有独特的优势, 它可以将各变量之间的相互作用通过构建一个概率模型并以网络的形式表达出来[17~20], 已有学者基于贝叶斯网络进行过生态系统服务与多因素的相关性研究. 如曾莉等[21]基于贝叶斯网络以2010年数据为基础建立了水源涵养的贝叶斯服务模型, 并构建3种情景对其进行空间格局优化；Peng等[22]在分析植被净初级生产力（NPP）、土壤保持（SC）和产水量（WY）三者之间关系的基础上, 建立了贝叶斯模型, 之后进行场景仿真得到ES优化的多场景方案；荔童等[23]通过贝叶斯网络构建生态系统服务模型, 利用情景模拟分析了生态系统服务权衡协同关系和驱动因子. 以上研究虽然都是基于贝叶斯网络对生态系统服务进行的空间格局优化和权衡协同关系方面的研究, 但是直接研究多种生态系统服务在空间上的权衡协同关系的强度[生态系统服务权衡与协同指数[24]（trade-off synergy index, TSI）]及其驱动变量, 有助于从空间显式的角度, 动态地提出更具有针对性的生态系统服务优化保护措施. 已有研究没有直接建立多种生态系统服务权衡协同关系的强度与不同驱动变量的贝叶斯模型, 进而识别不同驱动变量对多种生态系统服务权衡协同关系强度的作用关系, 更没有对权衡协同关系的强度进行空间格局的优化.
基于此, 本文以2000年和2020年汾河流域的相关数据进行分析, 从影响生态系统服务的诸多变量中确定出对研究区ESs影响最大的变量作为关键因变量, 同时利用TSI计算出研究区ESs间的权衡协同关系强度, 构建贝叶斯网络模型, 选取关键因子计算出变量的关键状态, 获取汾河流域ESs权衡与协同的强度优化区域, 以期为汾河流域未来的健康可持续发展奠定基础.
1 材料与方法 1.1 研究区概况汾河流域地理位置介于110°30′~113°32′E, 35°20′~39°00′N之间, 纵贯山西省境中部. 汾河是黄河的第二大支流, 同时也是黄土高原重要的组成部分[25, 26], 全长约716 km, 流域面积39 741 km2, 自北向南流经忻州市、太原市和吕梁市等6个市, 于万荣县汇入黄河（图 1）. 降水年际变化大, 主要集中在夏季且年内分配十分不均匀. 流域内耕地面积约占山西省总耕地面积的30%, 是山西省重要的商品粮基地. 矿藏资源丰富, 特别是沿河两岸分布着丰富的煤铁等矿产资源, 是重要煤矿与发电厂址所在地. 汾河流域是山西省人口密集区、经济发达区以及重要的生态功能区, 在山西省经济社会发展中占有十分重要的地位[27]. 但近年来, 随着人口增长和过度的开发利用以及汾河流域处于黄土高原独特的地理区位, 导致流域内水土流失加剧, 生态环境十分脆弱.
|
图 1 汾河流域行政区划示意 Fig. 1 Administrative division of the Fenhe River Basin |
本文研究数据主要包括土地利用数据、地理基础数据和土壤类型数据等, 具体信息见表 1.
|
表 1 研究区主要数据来源 Table 1 Main data sources of the research area |
1.3 研究方法 1.3.1 生态系统服务评估
针对研究区自然地理特征, 选取关键生态系统服务. NPP是评估陆地生态系统质量与固碳能力的关键指标[28], 因此被纳入评估, 通过参考传统的遥感估算模型（CASA）计算植被NPP[29, 30]. 生境质量是生态系统服务水平的重要表征, 是区域生态安全保障和人类福祉提升的关键环节[31], 因此利用InVEST模型原理计算生境质量[32]. 汾河流域地处黄土高原, 水土流失严重, 因此选取土壤保持衡量流域水土保持情况. 基于修正通用土壤流失方程, 同时综合考虑地块对上游沉积物的拦截能力进行计算土壤保持[33]. 此外, 该区域水资源匮乏, 而产水服务对整个流域生态平衡具有重要作用, 因此利用InVEST模型对流域内复杂的物理过程进行模拟计算产水量[34]. 由于碳储量服务能够影响流域小气候并指示人类活动, 是揭示生态系统变化的关键指标, 因此也被纳入评估[35]. 粮食生产与民生息息相关, 在考虑自然生态系统时, 应纳入评估范围. 有研究发现农作物与NDVI之间具有显著的线性关系[36, 37], 因此本文通过NDVI计算粮食供给水平. 各项服务评估方法见表 2.
|
|
表 2 生态系统服务评估方法 Table 2 Assessment methods for ecosystem services |
1.3.2 生态系统服务权衡协同强度量化
生态系统服务之间的权衡协同关系较为复杂, 少有研究对生态系统服务间的权衡协同的强度进行定量测量. 基于此, 本文引入TSI衡量生态系统服务之间权衡与协同作用的强度并以此为基础进行后续的研究, 计算公式如式（1）所示.
|
(1) |
式中, ΔESi和ΔESj为2000年和2020年类型i和类型j的ES值的差异. TSI为权衡协同指数, 取值范围为0~1. 该数值越大, 表示ES之间权衡和协同的作用强度越高. 在计算前已经将所有的ES值进行了归一化, 以消除它们在不同维度之间的影响, 增加结果的可靠性.
1.4 基于贝叶斯网络的生态系统服务权衡协同强度的空间格局优化 1.4.1 贝叶斯网络模型贝叶斯网络是1988年由Pearl提出又被叫做信念网络（belief network）. 经过模型的不断改进, 已成为近年来研究的热点. 贝叶斯网络是一种有效的不确定性知识表达和推理工具[38], 一个贝叶斯网络主要是由一个有向无环图、条件概率表、代表变量的节点及连接这些节点的有向边构成. 每个节点都包含变量的离散状态、离散状态对应概率分布和条件概率表[39], 节点之间的相互关系由箭头表示. 贝叶斯网络蕴涵了条件独立性假设, 因此, 贝叶斯网络所表示的所有节点的联合概率就可以表示为各节点条件概率的乘积, 如式（2）所示.
|
(2) |
式中, P（X1, X2, …, Xn）为一个联合离散概率分布, （X1, X2, …, Xn）为随机变量, i = 1, 2, …, n, n为随机变量的最大值.
通过量化上述6种生态系统服务和计算生态系统服务之间的TSI, 筛选出影响生态系统服务权衡协同强度的各个驱动变量作为贝叶斯网络节点, 按照内在因果关系, 构建出生态系统服务的贝叶斯网络, 如图 2所示. 借助ArcGIS软件对节点对应的栅格图层进行离散化, 并根据研究区各个变量分布的实际情况, 运用Netica软件将每个驱动变量进行分级：可以分为最高（highest）、高（high）、中（medium）和低（low）这4个等级. 具体分级标准如表 3所示. 剩余各节点的条件概率表由条件概率公式计算获得, 如式（3）所示.
|
(3) |
|
图 2 贝叶斯网络构建原理 Fig. 2 Principles of Bayesian network construction |
|
|
表 3 驱动变量状态分级1） Table 3 Drive variable state grading |
式中, P（AB）为事件A与B的联合概率, 即2个事件共同发生的概率；P（A）为A的先验概率, 即事件A发生的概率；同理, P（B）为事件B发生的概率.
1.4.2 生态系统服务权衡协同强度关系格局优化完成汾河流域贝叶斯网络模型构建后, 下一步是利用条件概率表和敏感性因子确定关键变量关键状态子集. 借助Netica软件和ArcGIS处理各驱动变量对应的栅格数据, 获得条件概率表和概率分布. 用ArcGIS可视化子集空间, 绘制各变量不同等级所对应的关键变量关键状态子集同时发生的区域. 关键变量关键状态子集的选择参考文献[41], 具体有以下两个步骤.
（1）确定各变量的关键状态
根据节点各状态的概率及各指标状态组合的联合概率, 根据贝叶斯网络计算每个驱动变量与各服务间的条件概率, 选取不同等级对应各个指标的条件概率最大时作为变量的关键状态. 当各驱动变量处在最高、高、中和低这4种不同级别时, 也会对应highest、high、medium和low这4种变量状态集合. 变量状态集合处于highest时, 表明此时该生态系统服务权衡协同强的可能性最大.
（2）确定最优状态子集
Netica软件提供了敏感性分析[42]. 敏感性分析主要用于评价驱动变量节点对其他生态系统服务节点的相对重要性, 从而确定生态系统服务关键状态子集. 利用方差缩减量（variance reduction, VR）计算各个影响因子的敏感程度, 计算公式如下：
|
(4) |
式中, VR为方差缩减量, V（ES）为某一生态系统服务的方差, E[ES]为某一生态系统服务的期望；V（ES|I）和E（ES|I）分别为在已知变量I的条件下某一生态系统服务的方差和期望. s为输出变量状态的真实数值. VR值越大, 表明该节点对输入节点越敏感.
2 结果与分析 2.1 生态系统服务时空动态分析计算了2000年和2020年产水量、净初级生产力、土壤保持量、粮食供给、碳储量和生境质量这6种生态系统服务并制图（图 3）, 各项生态系统服务呈现显著的时空分异规律. 产水量服务在时间上呈显著的增长趋势, 2000年平均产水量为238.82 mm, 2020年增长到了432.01 mm. 空间上呈现西南部高, 东北部低的特征, 高值区主要集中在翼城县、绛县和万荣县等区域；低值区主要集中在北部的阳曲县和静乐县. 2020年产水量高值区域较为分散, 主要原因是受季风气候影响, 降水量较往年同期偏多, 降水重心发生变化, 导致区域降水量年际差异明显, 所以在一定程度上影响了降水量的空间分布. NPP在年际中呈现增长趋势, 在空间上呈四周高, 中间低的格局, 高值区域呈环绕状分布在研究区域四周, 用地类型以森林为主. 低值区域呈条带状集中在流域中部, 出现低值区的原因主要是流域范围内建设用地聚集, 植被覆盖率低. 从区域总体来看, 汾河流域生境质量平均值为0.63, 从空间分布上看, 表现为西北部高, 中部和东南部低, 这是因为西北部生物多样性丰富, 而中部、东北部和东南部以农田和建设用地为主, 耕地和建设用地与人类活动区域接近, 生物多样性更容易受到威胁, 所以生境质量普遍低于以林地和草地为主的西北部用地类型.
|
图 3 汾河流域生态系统服务量空间变化与分布 Fig. 3 Spatial variation and distribution of ecosystem services in the Fenhe River Basin |
土壤保持服务从2000年的498.87 t·hm-2增加到2020年的1 028.24 t·hm-2, 较2000年大约增加了1倍. 土壤保持服务的高值区主要为林地和草地, 而建设用地和耕地的服务价值最低. 由此可知, 林地和草地可以通过降低风速, 滞留土壤起到土壤保持的作用. 碳储量的空间分布格局明显, 西部服务价值最高, 中部最低, 碳储量的空间分布与土地利用格局呈现出高度的一致性. 具体来说, 草地和林地的碳储量服务供给能力最高, 固碳释氧能力最强, 中部条带状分布以建设用地为主, 固碳释氧能力较差. 粮食供给的高值区主要分布在流域盆地地区, 这些地区地势相对平坦, 适合发展农业, 这与耕地的空间分布相一致.
2.2 权衡协同关系强度的空间分布通过TSI计算出了6种生态系统服务间权衡协同强度并对其进行可视化, 共得到15对关系, 结果如图 4所示. 其中有“无变化”存在的部分表示2000年和2020年之间生态系统服务间的权衡协同关系强度未发生变化, 没有“无变化”则表示生态系统服务间的权衡协同关系强度在20年间发生了变化. 每个服务之间的权衡协同作用强度不尽相同, 但取值范围均在0~1之间（如图 4中色柱）. 总体上看, 产水量与生境质量（WY_HQ）、产水量与碳储量（WY_CS）、产水量与土壤保持（WY_SC）和净初级生产力（WY_NPP）的TSI最大的地区均分布在流域西部和南部；碳储量与土壤保持（CS_SC）、碳储量与生境质量（CS_HQ）和净初级生产力（CS_NPP）；土壤保持与生境质量（SC_HQ）、净初级生产力（SC_NPP）以及生境质量与净初级生产力（HQ_NPP）之间的TSI在空间格局上的分布具有极大的相似性, 大致呈四周高中部低的格局分布；产水量与粮食供给（WY_CP）、碳储量与粮食供给（CS_CP）、土壤保持与粮食供给（SC_CP）、生境质量与粮食供给（HQ_CP）以及净初级生产力与粮食供给（NPP_CP）这5种服务的权衡协同强度高值区大致在汾河流域上游和下游地区分布, 流域的中游大部分属于中值区.
|
图 4 不同生态系统服务间TSI空间分布 Fig. 4 Spatial distribution of TSI among different ecosystem services |
根据上文得到的生态系统服务权衡协同指数进行贝叶斯网络的构建. 经过参数学习后总共可以得到15个贝叶斯网络. 考虑到贝叶斯网络存在精度问题, 所以还需要在已经构建完成的贝叶斯网络的基础上利用误差评估矩阵进行模型精度检验. 选取精度最高的SC_HQ、CS_SC、WY_SC和WY_HQ这4种服务进行贝叶斯网络呈现（图 5）, 其中SC_HQ的服务highest、high、medium和low这4种状态的概率分别是73.10%、5.70%、17.40%和3.80%；CS_SC的4种状态的概率为61.30%、18.00%、8.56%和12.20%；WY_SC的4种服务状态的概率分别是32.60%、25.90%、23.10%和18.40%；；WY_HQ的4种状态的概率分别是41.80%、28.50%、20.20%和9.51%.
|
（a）SC_HQ贝叶斯网络；（b）CS_SC贝叶斯网络；（c）WY_SC贝叶斯网络；（d）WY_HQ贝叶斯网络 图 5 权衡协同关系强度的Netica训练结果 Fig. 5 Netica training results weighing the strength of the synergy relationship |
模型预测精度主要通过Netica软件的误差矩阵实现. 从图 6可知, 土壤保持与生境质量（SC_HQ）的精度最高, 可以达到83.37%, 其次是碳储量与土壤保持（CS_SC）, 生境质量与粮食供给（HQ_CP）精度最低, 只有43.34%. 以SC_HQ服务为例对构建的贝叶斯网络模型精度进行验证. 在研究区内通过生成采样点进行数据提取, 共38 706个. 预测SC_HQ状态与实际SC_HQ状态之间的关系见表 4. SC_HQ总体精度为83.37%, 表 4中第4行第5列表示实际状态为highest的38 649个样本被正确地预测为highest状态, 第2列的19指的是有19个为highest状态的样本被错误地预测为medium状态. 同理, 重复上述操作计算出CS_SC、WY_SC和WY_HQ的精度分别是77.09%（表 5）、76.57%（表 6）和73.26%（表 7）. 结果表明以上4对生态系统服务权衡协同强度的模型精度较高, 预测结果具有较高的可靠性.
|
图 6 权衡协同关系强度精度比较 Fig. 6 Trade-off synergistic relationship accuracy comparison |
|
|
表 4 SC_HQ预测误差矩阵 Table 4 SC_HQ prediction error matrix |
|
|
表 5 CS_SC预测误差矩阵 Table 5 CS_SC prediction error matrix |
|
|
表 6 WY_SC预测误差矩阵 Table 6 WY_SC prediction error matrix |
|
|
表 7 WY_HQ预测误差矩阵 Table 7 WY_HQ prediction error matrix |
2.4 生态系统服务权衡协同强度空间格局优化 2.4.1 驱动变量敏感度分析
敏感度分析是量化空间贝叶斯模型中驱动变量依赖程度的方法. 通过贝叶斯模型的正向推理, 对驱动变量进行敏感度分析, 可以得到各变量对WY_SC、WY_HQ、CS_SC和SC_HQ的影响力大小. 本文通过Netica软件的内置函数对贝叶斯变量进行敏感度分析（表 8）. 从表 8中可以看出, WY_SC共受到8个驱动变量的影响, 其中降雨侵蚀、根系限制性深度和降水量是影响WY_SC权衡协同关系强度的关键变量；WY_HQ共受到6个驱动变量的影响, 其中降雨侵蚀、蒸散发量和根系限制性深度是影响WY_HQ权衡协同关系强度的关键变量；CS_SC共受到6个驱动变量的影响, 其中土地利用水平、NPP和DEM是影响CS_SC权衡协同关系强度的关键变量；SC_HQ共受到5个驱动变量的影响, 其中土地利用水平、NPP和DEM是影响SC_HQ权衡协同关系强度的关键变量. 每个关键变量的4种状态的组合情况都会对应生态系统服务间权衡协同关系强度的4种状态并在Netica中形成条件概率（表 9）. 将条件概率导出后进行关键状态子集的选取. 以WY_HQ为例, WY_HQ处于highest状态时对应的关键变量状态的组合是{降雨侵蚀=highest, 蒸散发=medium, 根系限制性深度=medium}；处于high状态时对应的关键变量状态的组合是{降雨侵蚀=low, 蒸散发=low, 根系限制性深度=high}；处于medium状态时对应的关键变量状态的组合是{降雨侵蚀=high, 蒸散发=highest, 根系限制性深度=low}；处于low状态时对应的关键变量状态的组合是{降雨侵蚀=highest, 蒸散发=high, 根系限制性深度=low}.
|
|
表 8 敏感度分析结果1） Table 8 Sensitivity analysis results |
|
|
表 9 条件概率 Table 9 Conditional probabilities |
2.4.2 权衡协同关系强度的空间格局优化
对WY_HQ关键状态子集的要素图层取交集, 并在ArcGIS中进行空间化展示. 如图 7（b）所示, highest表示WY_HQ权衡协同关系强度处于最高时的概率最高的变量组合, 该区域的降雨侵蚀最大, 年蒸散发量较小, 根系限制性深度较小, 主要分布在汾河流域南部的襄汾县、翼城县、稷山县和绛县等. High表示WY_HQ权衡协同关系强度处于较高时概率较高的变量组合, 该区域的降雨侵蚀最低, 年蒸散发量最低, 根系限制性深度较高, 主要分布在清徐县、祁县、榆次区和晋源区. Medium表示WY_HQ权衡协同关系强度处于较低时概率为中等的变量组合, 该区域降雨侵蚀较高, 年蒸散发量最高, 根系限制性深度最低, 主要分布在静乐县和宁武县的交界处, 其他地区零散分布, 较为稀疏. Low表示WY_HQ权衡协同关系强度处于最低时概率最低的变量组合, 此时该区域降雨侵蚀最大, 年蒸散发量较高, 根系限制性深度最低, 主要分布在方山县和沁源县大部, 娄烦县和文水县西部, 灵石县、霍州市和古县东部, 孝义市和乡宁县少许. 同理, 根据条件概率分别对关键状态子集的要素图层取交集得到WY_SC的关键状态子集组合[图 7（a）]、CS_SC的关键状态子集组合[图 7（c）]和SC_HQ的关键状态子集组合[图 7（d）].
|
图 7 权衡协同关系强度关键状态子集组合及优化区域分布 Fig. 7 Trade-offs of synergistic relationship key state subset combinations and optimization of regional distribution |
根据关键状态子集和条件概率共同筛选出优化区. 根据表 9所示, 当WY_SC权衡协同关系强度出现low（0.600）、medium（0.993）、high（0.864）和highest（0.968）概率时所对应的关键状态子集分别处于不同程度的水平. 对比得到降水量处于高值区间328.37~364.33 mm, 降雨侵蚀处于低值区间569.64~839.39 MJ·mm·（hm2·h·a）-1, 根系限制性深度处于高值区间62.96~108.76 mm时, WY_SC权衡协同关系强度处于中级水平并达到最大可能概率（0.993）, 对其进行空间可视化展示[图 7（e）]. 优化区域较为集中, 主要分布在文水县、清徐县和祁县三县交界处及晋源区、榆次区和小店区的大部, 阳曲县和平遥县少量分布, 与土地利用类型中的建设用地和耕地相吻合. 当蒸散发量处于中值区间517~589 mm, 降雨侵蚀处于最高值区间1 255.46~1 735.54 MJ·mm·（hm2·h·a）-1, 根系限制性深度处于中值区间32.43~62.96 mm时, WY_HQ权衡协同关系强度达到最大概率（0.974）, 对其进行空间可视化展示[图 7（f）]. 优化区域主要集中在汾河流域南部的稷山县、新绛县、襄汾县和翼城县交界处. 当DEM处于最高区间, 土地利用水平处于中级水平, NPP处于低值区间时, CS_SC权衡协同关系水平出现最高的概率达到0.971, 优化区域主要集中在灵石县和霍州市东部及其与安泽县的交界处[图 7（g）]. 当土地利用水平处于中值区间, DEM处于高值区间, 土壤侵蚀处于中值区间时, SC_HQ权衡协同关系强度达到最大可能概率（0.983）, 优化部分主要分布在流域上游阳曲县的大部, 古交市、交城县和霍州市等地零星分布[图 7（h）].
3 讨论了解生态系统服务之间的相互关系并构建合理的模型可以对流域内的生态环境进行有效的管理. 本文借助InVEST模型和CASA模型定量评估得到6种生态系统服务的空间格局, 同时引入TSI从时间和空间上对汾河流域生态系统服务权衡协同关系的强度进行定量评估. 根据本文的研究结果, 产水量与土壤保持和生境质量均受到降水、根系限制性深度和降雨侵蚀等的显著影响, 同时有研究表明, 降水、地形和土地利用水平等因素是土壤保持和粮食供给服务的主导因素[43, 44], 这与本研究的结果相一致. 汾河流域中部的文水县、清徐县和祁县等是产水量和土壤保持共同的优化区, 对于这一区域应该继续积极实行生态保护策略, 推进林地提质增效. 强化山区的水土保持能力, 防止水土流失, 开展封山育林, 抚育森林等措施提升水源涵养能力, 改善局地小气候. 流域的东部和南部是产水服务、生境质量和碳储量的优化区, 对于这一区域应提高水资源利用效率, 高效利用生态资源的同时合理配置农业空间和生态空间用地比例. 本研究建议政府部门对生态系统服务权衡与协同优化区实施生态保护措施, 在制定有关政策时重点关注降水量、土地利用水平和蒸散发量等关键变量, 对区域的生态与生产空间进行合理统筹, 这样不仅可以提升当地居民的经济水平和生活质量, 而且还可以提升区域总体的生态系统服务质量, 促进区域生态经济的健康发展.
贝叶斯网络模型允许因果关系和等级依赖关系的存在, 包括变量之间的相互作用及关系中的非线性, 在量化关系和不确定性问题推理等方面具有高度的灵活性. 本文通过各驱动变量的因果关系构建了贝叶斯网络, 探讨多种生态系统服务间的权衡协同关系强度并进行空间优化, 构建的贝叶斯模型精度最高的为SC_HQ（83.37%）, 表明贝叶斯网络可以准确模拟生态系统服务权衡协同关系强度以及可靠预测生态系统服务各关键节点的概率. CS_CP和HQ_CP等模型的精度较低, 可能的原因是部分驱动变量没有纳入考虑范围或者是简单通过Netica软件对连续变量分级可能会导致模型参数的设定具有潜在的不确定[45].
本研究定量分析了不同生态系统服务间复杂关系, 但由于受到数据和方法的限制, 选取了过多的自然环境指标作为模型的关键驱动变量, 对于人类活动因素的考虑较少, 同时选取敏感性占比前3的变量确定关键变量关键状态子集, 具有一定的主观性, 未来还需要进一步地讨论；仅在流域格网尺度下对生态系统服务间权衡关系进行研究, 而权衡协同关系可能在不同的空间尺度上呈现不同的形式. 因此, 选取更为全面的影响因素, 确定适宜于研究区的关键变量判断标准同时将不同尺度纳入生态系统服务评估, 深入分析复杂地理环境因素作用影响下的生态系统服务间的关系是未来研究工作的重点.
4 结论（1）2000年和2020年汾河流域ESs时空差异性较为显著, 在时间尺度上, 区域内的产水量、NPP、粮食供给、土壤保持和碳储量均呈现波动上升；在空间尺度上, 生境质量、土壤保持、NPP和碳储量服务变化较小, 较为稳定.
（2）生态系统服务间的权衡协同关系强度会受到不同变量的影响. 碳储量与生境质量、土壤保持和NPP的TSI在空间上呈现出四周高中部低的格局；与产水量有关的5对服务中TSI最大的地区均分布在流域西部和南部；粮食供给与其他服务之间的TSI呈现高-中-高的分布特征. 总体上看降水量、蒸散发量、降雨侵蚀和土地利用水平会对权衡协同关系强度共同产生影响, 只是影响的程度大小各异.
（3）根据关键变量不同状态的条件概率, 发现WY_SC与WY_HQ均受到降水、根系限制性深度和降雨侵蚀等的显著影响, 且汾河流域中部的文水县、清徐县、祁县和平遥县是权衡协同高值区, 可作为生态修复重点区域, 未来应调整关键变量关键状态的组合, 实现ESs的全面优化.
| [1] |
申嘉澍, 李双成, 梁泽, 等. 生态系统服务供需关系研究进展与趋势展望[J]. 自然资源学报, 2021, 36(8): 1909-1922. Shen J S, Li S C, Liang Z, et al. Research progress and prospect for the relationships between ecosystem services supplies and demands[J]. Journal of Natural Resources, 2021, 36(8): 1909-1922. |
| [2] |
周李磊, 苏湘媛, 向洪莉, 等. 重庆市生态系统服务与人类福祉耦合关系模拟[J]. 中国环境科学, 2023, 43(5): 2560-2573. Zhou L L, Su X Y, Xiang H L, et al. Simulation of the coupling relationships between ecosystem services and human well-being in Chongqing[J]. China Environmental Science, 2023, 43(5): 2560-2573. DOI:10.3969/j.issn.1000-6923.2023.05.048 |
| [3] |
左丽媛, 姜远, 高江波, 等. 生态保护红线区生态系统服务多维驱动力的定量分离[J]. 地理学报, 2022, 77(9): 2174-2188. Zuo L Y, Jiang Y, Gao J B, et al. Quantitative separation of multi-dimensional driving forces of ecosystem services in the ecological conservation red line area[J]. Acta Geographica Sinica, 2022, 77(9): 2174-2188. |
| [4] | 韩逸, 赵文武, 郑博福. 推进生态文明建设, 促进区域可持续发展——中国生态文明与可持续发展2020年学术论坛述评[J]. 生态学报, 2021, 41(3): 1259-1265. |
| [5] |
李双成, 谢爱丽, 吕春艳, 等. 土地生态系统服务研究进展及趋势展望[J]. 中国土地科学, 2018, 32(12): 82-89. Li S C, Xie A L, Lyu C Y, et al. Research progress and prospect for land ecosystem services[J]. China Land Science, 2018, 32(12): 82-89. |
| [6] |
侯建坤, 陈建军, 张凯琪, 等. 基于InVEST和GeoSoS-FLUS模型的黄河源区碳储量时空变化特征及其对未来不同情景模式的响应[J]. 环境科学, 2022, 43(11): 5253-5262. Hou J K, Chen J J, Zhang K Q, et al. Temporal and spatial variation characteristics of carbon storage in the source region of the Yellow River based on in VEST and GeoSoS-FLUS models and its response to different future scenarios[J]. Environmental Science, 2022, 43(11): 5253-5262. |
| [7] |
王晓琪, 赵雪雁. 人类活动对国家公园生态系统服务的影响——以祁连山国家公园为例[J]. 自然资源学报, 2023, 38(4): 966-982. Wang X Q, Zhao X Y. Impacts of human activities on ecosystem services in national parks: a case study of Qilian Mountain National Park[J]. Journal of Natural Resources, 2023, 38(4): 966-982. |
| [8] | Castillo R M, Feng K S, Sun L X, et al. The land-water nexus of biofuel production in Brazil: analysis of synergies and trade-offs using a multiregional input-output model[J]. Journal of Cleaner Production, 2019, 214: 52-61. DOI:10.1016/j.jclepro.2018.12.264 |
| [9] | Qiao X N, Gu Y Y, Zou C X, et al. Temporal variation and spatial scale dependency of the trade-offs and synergies among multiple ecosystem services in the Taihu Lake Basin of China[J]. Science of the Total Environment, 2019, 651. DOI:10.1016/j.scitotenv.2018.09.135 |
| [10] | Karimi J D, Harris J A, Corstanje R. Using Bayesian belief networks to assess the influence of landscape connectivity on ecosystem service trade-offs and synergies in urban landscapes in the UK[J]. Landscape Ecology, 2021, 36(11): 3345-3363. DOI:10.1007/s10980-021-01307-6 |
| [11] | Vallet A, Locatelli B, Levrel H, et al. Relationships between ecosystem services: comparing methods for assessing tradeoffs and synergies[J]. Ecological Economics, 2018, 150. DOI:10.1016/j.ecolecon.2018.04.002 |
| [12] | Wang Z X, Ling X, Yan H M, et al. Optimization of the ecological network structure based on scenario simulation and trade-offs/synergies among ecosystem services in Nanping[J]. Remote Sensing, 2022, 14(20). DOI:10.3390/rs14205245 |
| [13] | García N G, Martínez-Fernández J, Fitz C. Environmental scenario analysis on natural and social-ecological systems: a review of methods, approaches and applications[J]. Sustainability, 2020, 12(18). DOI:10.3390/su12187542 |
| [14] | Chawanji S, Masocha M, Dube T. Spatial assessment of ecosystem service trade-offs and synergies in Zimbabwe[J]. Transactions of the Royal Society of South Africa, 2018, 73(2): 172-179. DOI:10.1080/0035919X.2018.1428235 |
| [15] | Dade M C, Mitchell M G E, McAlpine C A, et al. Assessing ecosystem service trade-offs and synergies: the need for a more mechanistic approach[J]. Ambio, 2019, 48(10): 1116-1128. DOI:10.1007/s13280-018-1127-7 |
| [16] |
温玉玲, 张小林, 魏佳豪, 等. 鄱阳湖环湖区生态系统服务价值时空变化及权衡协同关系[J]. 地理科学, 2022, 42(7): 1229-1238. Wen Y L, Zhang X L, Wei J H, et al. Temporal and spatial variation of ecosystem service value and its trade-offs and synergies in the peripheral region of the Poyang Lake[J]. Scientia Geographica Sinica, 2022, 42(7): 1229-1238. |
| [17] | Grafius D R, Corstanje R, Warren P H, et al. Using GIS-linked Bayesian belief networks as a tool for modelling urban biodiversity[J]. Landscape and Urban Planning, 2019, 189. DOI:10.1016/j.landurbplan.2019.05.012 |
| [18] | Landuyt D, Broekx S, Goethals P L M. Bayesian belief networks to analyse trade-offs among ecosystem services at the regional scale[J]. Ecological Indicators, 2016, 71. DOI:10.1016/j.ecolind.2016.07.015 |
| [19] | Forio M A E, Villa-Cox G, Van Echelpoel W, et al. Bayesian Belief Network models as trade-off tools of ecosystem services in the Guayas River Basin in Ecuador[J]. Ecosystem Services, 2020, 44. DOI:10.1016/j.ecoser.2020.101124 |
| [20] | Crossman N D, Pollino C A. An ecosystem services and Bayesian modelling approach to assess the utility of water resource development in rangelands of north Australia[J]. Journal of Arid Environments, 2018, 159. DOI:10.1016/j.jaridenv.2018.02.007 |
| [21] |
曾莉, 李晶, 李婷, 等. 基于贝叶斯网络的水源涵养服务空间格局优化[J]. 地理学报, 2018, 73(9): 1809-1822. Zeng L, Li J, Li T, et al. Optimizing spatial patterns of water conservation ecosystem service based on Bayesian belief networks[J]. Acta Geographica Sinica, 2018, 73(9): 1809-1822. |
| [22] | Peng L, Chen T T, Deng W, et al. Exploring ecosystem services trade-offs using the Bayesian belief network model for ecological restoration decision-making: a case study in Guizhou Province, China[J]. Ecological Indicators, 2022, 135. DOI:10.1016/j.ecolind.2022.108569 |
| [23] |
荔童, 梁小英, 张杰, 等. 基于贝叶斯网络的生态系统服务权衡协同关系及其驱动因子分析——以陕北黄土高原为例[J]. 生态学报, 2023, 43(16): 6758-6771. Li T, Liang X Y, Zhang J, et al. Ecosystem service trade-off and synergy relationship and its driving factor analysis based on Bayesian belief network: a case study of the Loess Plateau in northern Shaanxi Province[J]. Acta Ecologica Sinica, 2023, 43(16): 6758-6771. |
| [24] | Xue C L, Chen X H, Xue L R, et al. Modeling the spatially heterogeneous relationships between tradeoffs and synergies among ecosystem services and potential drivers considering geographic scale in Bairin Left Banner, China[J]. Science of the Total Environment, 2023, 855. DOI:10.1016/j.scitotenv.2022.158834 |
| [25] |
申豪勇, 李佳, 王志恒, 等. 黄河支流汾河流域水资源开发利用现状及生态环境问题[J]. 中国地质, 2022, 49(4): 1127-1138. Shen H Y, Li J, Wang Z H, et al. Water resources utilization and eco-environment problem of Fenhe River, branch of Yellow river[J]. Geology in China, 2022, 49(4): 1127-1138. |
| [26] |
赵春红, 申豪勇, 王志恒, 等. 汾河流域地表水水化学同位素特征及其影响因素[J]. 环境科学, 2022, 43(10): 4440-4448. Zhao C H, Shen H Y, Wang Z H, et al. Hydrochemical and isotopic characteristics in the surface water of the Fenhe River Basin and influence factors[J]. Environmental Science, 2022, 43(10): 4440-4448. |
| [27] |
傅伯杰, 于丹丹, 吕楠. 中国生物多样性与生态系统服务评估指标体系[J]. 生态学报, 2017, 37(2): 341-348. Fu B J, Yu D D, Lü N. An indicator system for biodiversity and ecosystem services evaluation in China[J]. Acta Ecologica Sinica, 2017, 37(2): 341-348. |
| [28] |
徐勇, 黄雯婷, 郑志威, 等. 基于空间尺度效应的西南地区植被NPP影响因子探测[J]. 环境科学, 2023, 44(2): 900-911. Xu Y, Huang W T, Zheng Z W, et al. Detecting influencing factor of vegetation NPP in southwest China based on spatial scale effect[J]. Environmental Science, 2023, 44(2): 900-911. |
| [29] | Wu Y Y, Wu Z F. NPP variability associated with natural and anthropogenic factors in the tropic of cancer transect, China[J]. Remote Sensing, 2023, 15(4). DOI:10.3390/rs15041091 |
| [30] |
施亚林, 曹艳萍, 苗书玲. 黄河流域草地净初级生产力时空动态及其驱动机制[J]. 生态学报, 2023, 43(2): 731-743. Shi Y L, Cao Y P, Miao S L. Spatiotemporal dynamics of grassland net primary productivity and its driving mechanisms in the Yellow River Basin[J]. Acta Ecologica Sinica, 2023, 43(2): 731-743. |
| [31] |
周晓艳, 何依依, 黄欣, 等. 三峡库区生境质量的地形梯度效应及对土地利用变化的响应[J]. 农业工程学报, 2021, 37(11): 259-267. Zhou X Y, He Y Y, Huang X, et al. Topographic gradient effects of habitat quality and its response to land use change in Hubei Section of the Three Gorges Reservoir[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(11): 259-267. DOI:10.11975/j.issn.1002-6819.2021.11.029 |
| [32] |
赵晓冏, 王建, 苏军德, 等. 基于InVEST模型和莫兰指数的甘肃省生境质量与退化度评估[J]. 农业工程学报, 2020, 36(18): 301-308. Zhao X J, Wang J, Su J D, et al. Assessment of habitat quality and degradation degree based on InVEST model and Moran index in Gansu Province, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(18): 301-308. DOI:10.11975/j.issn.1002-6819.2020.18.035 |
| [33] | Zhang L W, Fu B J, Lü Y H, et al. Balancing multiple ecosystem services in conservation priority setting[J]. Landscape Ecology, 2015, 30(3): 535-546. DOI:10.1007/s10980-014-0106-z |
| [34] |
韩念龙, 张亦清, 张伟璇. 海南岛土地利用及产水量时空变化模拟[J]. 水资源保护, 2022, 38(2): 119-127. Han N L, Zhang Y Q, Zhang W X. Simulation of temporal and spatial changes of land use and water yield in Hainan Island[J]. Water Resources Protection, 2022, 38(2): 119-127. |
| [35] |
马月伟, 潘健峰, 蔡思青, 等. 生态系统服务社会价值与生态价值的权衡与协同关系——以普达措国家公园为例[J]. 地理科学, 2022, 42(7): 1283-1294. Ma Y W, Pan J F, Cai S Q, et al. Trade-offs and synergies between social value and ecological value of ecosystem services: a case study of the Potatso National Park[J]. Scientia Geographica Sinica, 2022, 42(7): 1283-1294. |
| [36] |
赵龙才, 李粉玲, 常庆瑞. 农作物遥感识别与单产估算研究综述[J]. 农业机械学报, 2023, 54(2): 1-19. Zhao L C, Li F L, Chang Q R. Review on crop type identification and yield forecasting using remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(2): 1-19. |
| [37] | Rossi R, Pollice A, Bitella G, et al. Modelling the non-linear relationship between soil resistivity and alfalfa NDVI: a basis for management zone delineation[J]. Journal of Applied Geophysics, 2018, 159: 146-156. DOI:10.1016/j.jappgeo.2018.08.008 |
| [38] |
黄影平. 贝叶斯网络发展及其应用综述[J]. 北京理工大学学报, 2013, 33(12): 1211-1219. Huang Y P. Survey on Bayesian network development and application[J]. Transactions of Beijing institute of Technology, 2013, 33(12): 1211-1219. DOI:10.3969/j.issn.1001-0645.2013.12.001 |
| [39] | Liu G W, Fu X Y, Han Q Y, et al. Research on the collaborative governance of urban regeneration based on a Bayesian network: the case of Chongqing[J]. Land Use Policy, 2021, 109. DOI:10.1016/j.landusepol.2021.105640 |
| [40] |
于明雪, 孙建国, 杨维涛, 等. 基于贝叶斯层次时空模型的甘肃省土地利用程度演变分析[J]. 地理科学, 2022, 42(5): 918-925. Yu M X, Sun J G, Yang W T, et al. Evolution of land use degree in Gansu Province based on Bayesian hierarchical spatio-temporal model[J]. Scientia Geographica Sinica, 2022, 42(5): 918-925. |
| [41] |
余玉洋, 李晶, 周自翔, 等. 基于贝叶斯网络的生态系统服务空间格局优化——以泾河流域为例[J]. 干旱区地理, 2022, 45(4): 1268-1280. Yu Y Y, Li J, Zhou Z X, et al. Spatial pattern optimization of ecosystem services based on Bayesian networks: a case of the Jing River Basin[J]. Arid Land Geography, 2022, 45(4): 1268-1280. |
| [42] |
郑涛, 陈爽, 张童, 等. 基于贝叶斯网络的生态用地流失机制研究[J]. 自然资源学报, 2020, 35(12): 2980-2994. Zheng T, Chen S, Zhang T, et al. Research on driving mechanism of ecological land loss based on Bayesian network[J]. Journal of Natural Resources, 2020, 35(12): 2980-2994. |
| [43] | Zuo L Y, Gao J B, Du F J. The pairwise interaction of environmental factors for ecosystem services relationships in karst ecological priority protection and key restoration areas[J]. Ecological Indicators, 2021, 131. DOI:10.1016/j.ecolind.2021.108125 |
| [44] |
戴尔阜, 王亚慧. 横断山区产水服务空间异质性及归因分析[J]. 地理学报, 2020, 75(3): 607-619. Dai E F, Wang Y H. Spatial heterogeneity and driving mechanisms of water yield service in the Hengduan Mountain region[J]. Acta Geographica Sinica, 2020, 75(3): 607-619. |
| [45] | Stritih A, Bebi P, Grêt-Regamey A. Quantifying uncertainties in earth observation-based ecosystem service assessments[J]. Environmental Modelling & Software, 2019, 111. DOI:10.1016/j.envsoft.2018.09.005 |