2025, Vol. 46
2. 南昌大学江西生态文明研究院，流域碳中和教育部工程研究中心，鄱阳湖环境与资源利用教育部重点实验室，南昌 330031;
3. 南昌大学工程建设学院，南昌 330031
, LIU Jing1,2 , ZHENG Bo-fu1,2,3 , HE Liu-jie1,2 , WU Shu-yang1,2 , ZHANG Ji-hong2,3 , LIANG Han1,2 , WU Zhi-jian2,3 , ZHU Jin-qi1,2 , WAN Wei1,2
2. Engineering Research Center of Watershed Carbon Neutralization, Key Laboratory of Poyang Lake Environment and Resources Utilization, Ministry of Education, Jiangxi Institute of Ecological Civilization, Nanchang University, Nanchang 330031, China;
3. School of Infrastructure Engineering, Nanchang University, Nanchang 330031, China
生态系统服务（ecosystem services，ESs）是人类直接或间接地从生态系统中获得的各种惠益[1]. 作为连接生态系统与社会经济系统的桥梁，生态系统服务与人类福祉和可持续发展密切相关[2]，对人类社会与生态环境和谐共生及区域生态安全至关重要. 然而，全球气候变化、城市扩张和不合理的土地利用方式等人类活动导致生态系统失衡，极大改变了生态系统的结构和功能，造成自然资源迅速枯竭[1]. 在此背景下，人类对生态系统的需求激增，加剧了生态系统服务功能的退化，破坏了生态系统原有的平衡格局和稳定的供需关系，阻碍区域的可持续发展[3]. 生态系统服务供给是生态系统为人类提供的产品和生存环境，与人类是否使用无关[4]；生态系统服务需求则是人类社会在特定时空范围内使用的特定生态系统服务的总和，强调的是人类的消费[5]. 生态系统服务流可在供给与需求之间建立时空关联，将自然生态系统与人类社会系统联系起来，是生态系统服务在自然或人为因素的驱动下传递至需求区的过程[6]. 随着社会经济的发展，生态系统服务供需和流动过程发生了变化，故对其时空尺度的测定是准确评估生态系统服务的关键.
水供给服务是众多生态系统服务中最具价值的服务之一，不仅能满足人类社会对生产生活的需求，同时还通过影响植被生长、碳循环等生态过程增强或抑制其他服务的表达[7]，在促进人类生存和发展、保障生态安全和维持生态系统稳定等方面发挥着重要作用. 随着地理信息系统和定量遥感的发展，基于生态过程与机制的生态模型能精准化、动态化评估水供给服务量，代表性的模型有SWAT[8]、VIC[9]、HEC-HMS[10]和InVEST等模型. 其中，InVEST模型以其输入数据的易获取、输出结果的多尺度和可视化等优点得到广泛应用[11]. 目前，水供给服务的需求量主要基于各部门用水统计数据、社会经济数据和土地利用数据进行量化[12]. 然而，在进行水供给服务供给和需求的空间分析过程中，发现两者存在明显的空间异质性和空间错位特征[13]. 因此，有学者引入生态供需比（ecological supply-demand ratio，ESDR），从数量上反映水供给服务的赤字和盈余状况[14]；采用双变量局部自相关模型[15]和Z-score标准化[16]等方法从空间尺度上量化水供给服务供需匹配情况. 尽管相关研究在评估水供给服务供需方面取得了一定的进展，但水资源供需随时间和跨区域的动态变化仍不明晰.
水供给服务流因其显著的空间属性和流动性而成为生态系统服务领域研究的焦点[17]，这一动态过程可以科学地解释水供给服务从产生、传递到使用的全过程. 水供给服务属于定向服务流的一种，水资源盈余量从供给区沿某一固定方向流向服务需求区[18]. 因此，上游水资源管理不当将直接影响下游的用水安全，而下游良好的用水环境也需要彼此共同承担. 目前，水供给服务流概念定义、路径模拟和流量量化已初具雏形，大多数基于ARIES模型和D8流向法来确定水流方向和评估流量. ARIES模型偏向于价值量的评估，难以揭示服务流生态过程与人类福祉之间的耦合关系[19]. D8流向法能明确服务流在传递过程中的路径、流向和流量等属性，应用于大尺度流域可宏观且真实地反映水资源动态变化[20].
长江经济带依托长江的天然优势，人口和地区生产总值均占中国总数的近半数，是中国重要的经济发展区和生态屏障[21]. 2023年长江经济带高质量发展第四次座谈会上，习近平总书记强调要继续统筹水资源、水环境和水生态，推动长江经济带高质量发展. 然而，长江经济带经济迅猛增长的同时，背后伴随着对水资源的巨大消耗. 尽管长江经济带的水资源占据全国的45.94%[22]，但水资源空间分布不均且异质性明显，城市水资源利用率整体较低；中上游水资源丰富但经济产出少，下游则相反，总体面临着水资源总量与经济发展不协调的问题[23]. 因此，本研究着力揭示长江经济带水供给服务供需时空格局、供需匹配关系以及服务流的动态变化，探究供需关系的驱动机制，以期为大尺度水资源优化配置提供科学参考.
1 材料与方法 1.1 研究区概况长江经济带（研究区：21°08′45″~34°56′47″N，97°31′50″~121°53′23″E）横跨中国东中西三大区域，含盖上海、江苏、浙江、安徽，江西、湖北、湖南、重庆、四川、云南和贵州共11个省市，面积达205万km2（图 1）. 根据自然地理位置、行政区划和社会经济发展水平，长江经济带被划分为上、中、下游地区，其地势贯穿中国三大阶梯，总体呈西高东低的趋势，气候为典型的季风特征，年均降水量约1 067 mm. 长江经济带占中国国土面积的21%，截至2020年，长江经济带总人口数为60 607万人，支撑着中国43%的人口，地区生产总值为47.16万亿元，贡献了46%的GDP，是中国重要的人口密集区和产业承载区[24]. 此外，长江经济带是重要的生态资源库，森林覆盖率达全国的43%[25]，2020年水资源总量为1.55万亿m3，近全国的50%. 长江经济带丰富的生态资源提供了强大的生态系统服务功能，其中，区域内的水源涵养生态功能区超中国的47%[26]，流域丰富的水资源为长江经济带加速城市化进程、实现经济高质量发展提供了重要资源保障[27].
|
图 1 研究区概况 Fig. 1 Review of the study region |
本研究使用的数据主要包括：长江经济带范围内的地形数据、气象数据、土地利用数据、土壤数据、社会经济数据等多源数据（表 1）. 在ArcGIS软件中将所有栅格数据采用最邻近法统一重采样至1 km × 1 km空间分辨率，再进行各项指标的评估.
|
表 1 数据来源信息1） Table 1 Information of data sources |
1.3 水供给服务量评估
本研究采用InVEST模型中的产水量模块对长江经济带的水供给服务量进行定量评估. 该模块是基于Budyko的水量平衡原理[28]，利用降水量和蒸散发等多项参数，计算各个像元的水供给量，再经2000~2020年长江经济带水资源公报中的地表径流值进行验证. 计算式为：
|
(1) |
式中，WYxi为栅格x的水供给量（mm），AETxi为栅格x的年实际蒸散量（mm）；Px为栅格x的年均降水量（mm），PETx为栅格x的潜在蒸散量（mm）；ωx为栅格x上自然气候-土壤性质的非物理属性参数[29]，ET0x为栅格x的参考作物蒸散发量（mm），Kc（lx）为栅格x上不同土地利用类型的植物蒸散系数.
|
(2) |
式中，Z为季节常数，反映不同地域的水文特征[28]；AWCx为栅格x的土壤有效含水量（mm）；soildepthx为栅格x的土壤深度（mm）；Rootdepthx表示栅格x的植物根系深度（mm）. PAWCx为栅格x的植物可利用水分率[30]；sand、silt、clay和OM分别为土壤组分中的砂粒含量（%）、粉粒含量（%）、黏粒含量（%）和有机质含量（%）.
1.4 水供给服务需求量评估根据研究区的社会经济结构情况，将水供给服务需求源分为4类，分别为农业需水、工业需水、生活需水和生态环境需水. 本研究需求量参考Burkhard等[5]对生态系统服务需求的定义（需求量即人类消耗量），因此需水量是基于用水量数据进行评估的，该数据从水资源公报和统计年鉴等资料中获取. 为了实现水供给服务的供给量与需求量的空间匹配，利用ArcGIS将生活用水与工业用水、农业用水和生态环境用水分别按照建设用地、耕地和生态用地（林地、草地、水域、裸地）进行空间分配，通过空间离散化的方法对需水量进行空间分配[12，17]，实现需求源的栅格化. 具体计算式为：
|
(3) |
式中，WD为栅格的水供给服务需求量（m3），WDagr_per、WDind_per、WDdom_per和WDeco_per分别为地均农业需水、地均工业需水、地均生活需水和地均生态环境需水（m3·m-2），Agrx、Conx和Ecox分别为栅格x的耕地面积、建设用地面积和生态用地面积（m2）.
1.5 水供给服务供需匹配 1.5.1 数量匹配本研究基于ESDR指数来衡量水供给服务的供需数量匹配，该指数将生态系统服务供给与人类需求联系，反映了生态系统服务的赤字或盈余状态[14，31]，其计算式如下：
|
(4) |
式中，S和D分别为县域水供给服务的供给量和需求量（m3），Smax和Dmax为水供给服务供给和需求的最大值（m3）. ESDR正值代表盈余，即供大于需，满足本区域需求后还能有所盈余流向其他区域；负值代表赤字，即供给难以满足人类活动需求，需要依靠周围区域的补给. 参考相关研究[32]，将ESDR分为6个等级，具体分级标准见表 2.
|
|
表 2 ESDR分级标准 Table 2 Criteria for grading ESDR |
1.5.2 空间匹配
在水供给服务供给和需求评估的基础上，本研究采用Z-score标准化方法进行供给量和需求量的标准化，并建立直角坐标系，X轴表示标准化后的供给值、Y轴表示标准化后的需求值，二者构成4个象限：第一象限为“高高型空间匹配”（HH，即高供给-高需求），第二象限为“低高型空间错配”（LH，即低供给-高需求），第三象限为“低低型空间匹配”（LL，即低供给-低需求），第四象限为“高低型空间错配”（HL，即高供给-低需求）[12]，计算式如下：
|
(5) |
式中，x为标准化后的水供给服务的供给指数或需求指数；xi为第i个县域的水供给服务供给量或需求量；x为水供给服务供给量或需求量的平均值；s为研究区域的标准差；n为县域总数.
1.6 水供给服务流模型构建生态系统服务流是连接生态系统服务供给和需求的桥梁[33]. 水供给服务流主要由水资源盈余量、流动方向等因素共同决定. 当栅格的供给满足自身消耗后，还存在盈余，则盈余在自然或人为因素作用下补给下游；当栅格盈余为0或为负时，无法补给，流动停止. 因此，经过流动，该栅格的总流量除了自身的盈余量还包括上游补给的水量. 服务流模型构建原理如图 2所示.
|
图 2 水供给服务流模型示意 Fig. 2 Schematic of the water supply service flow model |
本研究服务流方向基于研究区的DEM数据和D8算法获得[34]. 规定流动只在相邻的栅格内发生，并将此栅格周边相邻的8个栅格自正东方向顺时针依次按1、2、4、8、16、32、64和128进行编码，结合ArcGIS的流向分析，从而生成流向栅格文件. 其原理是依据最陡坡度来确定水流的方向，即在3×3的DEM栅格上，计算中心栅格与周边相邻栅格的距离权落差，取距离权落差最大的栅格为中心栅格的流出栅格.
1.6.2 流量由于研究区栅格数量较多，本研究使用Python语言开发（版本为3.8.7），利用GDAL3.3.3对栅格数据进行读写. 核心算法使用了基于递归的深度优先算法（depth-first search，DFS），该算法能深度搜索回溯所有指向当前栅格的有效流动路径并求出其服务流流量. 由于数据集切割粒度不同会使整体实验数据量产生较大差异，数据量过大可能出现深递归函数，增加栈溢出风险. 因此，本程序增加了递归限制，将最大递归深度设置为10 000，以方便更深地追溯每条路径，并使用lru_cache缓存装饰器优化递归函数的性能，以避免重复计算. 为了避免代码读取错误，输入的盈余量和流向等栅格文件的数量、位置、大小应在ArcGIS中调整至一致.
1.7 水供给服务供需匹配关系驱动机制分析 1.7.1 分区设计本研究借助Getis-Ord General G工具对2000~2020年长江经济带水供给服务ESDR进行冷热点聚类分析，识别出研究区内的热点区和冷点区. 计算式如下[35]：
|
(6) |
式中，Xi为区县i已知的ESDR值；Wij为要素i和j之间的空间权重，若区县i和j相邻，则Wij=1，反之Wij = 0；n为区县总数. 本研究结合服务流和ESDR冷热点结果对研究区进行分区，以便更深入探究长江经济带水供给服务供需匹配关系的驱动机制.
1.7.2 驱动因子选取和预处理生态系统服务的供需关系与自然因素和人类活动密切相关，它们通过对生态系统服务供给和人类需求产生不同程度的影响从而改变其空间位置. 在综合考虑研究区实际状况和已有成果[36]的基础上，选取了15个具有代表性的驱动因素，将其分为自然地理类因子和社会经济类因子. 地理探测器要求输入的自变量为类型量，因此数值型的自变量需进行离散化处理[37].
（1）自然地理类因子 地形和植被覆盖会对水资源的分布格局产生直接影响，改变水资源的空间分布以及流动方向；同时，气候条件则会影响水资源的供给情况，从而改变水供给服务供需关系. 因此，选取高程（X1）、气温（X2）、降水量（X3）、蒸散发（X4）、地形起伏度（X5）和NDVI（X6）这6个影响因子.
（2）社会经济类因子 社会经济的发展往往伴随着水资源的大量消耗，改变人类对水资源的利用方式；同时，土地利用的空间配置和结构组成会导致水资源配置发生变化，影响生态水文过程，进而影响水供给服务. 因此，选取常住人口数（X7）、地区生产总值（X8）、第一产业增加值（X9）、第二产业增加值（X10）、第三产业增加值（X11）、夜间灯光数据（X12）、耕地面积占比（X13）、建设用地占比（X14）和生态用地占比（X15）这9个影响因子.
1.7.3 地理探测器本研究采用地理探测器[37]进行水供给服务供需匹配关系分区影响因素分析，以长江经济带为统计单元，基于2000~2020年ESDR平均值的冷热点分区结果，运用地理探测器中的因子探测器与交互探测器来识别影响因素对水供给服务供需关系的主要影响因子及其影响程度，并解释影响因素的交互作用. 因子探测器计算公式如下：
|
(7) |
式中，h = 1，2，…，L为ESDR（因变量Y）或影响因子（自变量X）的分层，即分区；Nh和N分别为层h和分区的单元数；σh2和σ2分别为层h和ESDR分区的方差. q的值域为[0，1]，表示影响因子对ESDR的解释程度，值越大解释能力越强，显著性可以使用地理探测软件来进行检验.
交互作用探测器用来评估因子Xm与Xn共同作用时是否会增加或减弱对因变量Y的解释力，或这些因子对Y的影响是相互独立的，交互作用类型可分为表 3中的5类.
|
|
表 3 双因子交互作用类型 Table 3 Types of two-factor interaction |
2 结果与分析 2.1 长江经济带水供给服务供需量化及时空特征 2.1.1 水供给服务供给量结果验证
通过InVEST模型量化了2000~2020年长江经济带水供给服务的供给量，并结合各省市水资源公报中的地表径流值进行模型的率定. 最终确定Z = 10.2，得到R2 = 0.78（P < 0.01；图 3），说明模型参数设置较为合理，结果可信，能较好地反映长江经济带水供给服务供给量的真实情况.
|
图 3 水供给服务量结果验证 Fig. 3 Validation of water supply service volume results |
2000~2020年，长江经济带水供给服务在波动中有增加趋势[图 4（c）]，总供给量从2000年的9 100亿m3增加至2020年的10 300亿m3，增幅为13.2%. 2011年达到了供给量的最低点，为5 600亿m3；2016年则出现了显著的峰值，供给量为11 800亿m3，波动幅度超50%. 从省域行政单元来看[图 4（a）]，江西总供给量最大，上海总供给量最小；从上中下游来看，长江经济带中游总供给量最高，其次是上游，下游总供给量最低. 在空间上，供给量总体呈“东南高，西北低”的分布格局（图 5），这是由于长江经济带东南部临近海洋，水体蒸发作用为其提供了更多的水汽，而西北部受山脉等阻挡，降水较东南部少. 供给高值区趋于扩张，且从南向北移动，低值区逐渐收缩. 2020年为丰水年，供给量在空间上大幅增长，且分布较为均匀.
|
图 4 水供给服务供给量与需求量变化趋势 Fig. 4 Trends in supply and demand for water supply services |
|
图 5 水供给服务供给与需求空间分布 Fig. 5 Spatial distribution of supply and demand for water supply services |
2000~2020年长江经济带水供给服务需求量呈先上升后下降趋势[图 4（c）]，其中，2000~2010年总需求量呈上升状态，从2000年的2 200亿m3升至2010年的2 600亿m3，增幅达18.2%；2011~2020年总需求趋于下降，降幅为10.1%. 各省市总需求量大体呈先升后降的趋势，总需求量最高的是江苏省，重庆市总需求量最小[图 4（b）]. 此外，从各部门需求来看，2000~2020年长江经济带农业总需求量占比最大，需求较为稳定；工业总需求量次之，呈现先升后降的趋势，居民生活总需求逐年增加，生态环境总需求量仅占总需求的极小一部分. 从空间分布来看，需求高值区主要分布在人口密集、工业聚集的城市以及耕地密集地区，低值区主要分布在林区、草地等人类活动较少的地区（图 5）. 且需求呈从上游向下游递增的趋势，近20 a来处于扩张状态，空间分布格局基本一致，均以省会城市为中心呈辐射状分布，以主城区为高需求量核心向四周逐渐减少. 20 a来，长江经济带各省市需求结构趋于平衡. 上海和重庆两个直辖市的工业需求占比最大，其余各省市均农业需求最大. 随着国家节能减排政策的实施，产业结构得到适度地调整，各部门需求差距逐渐减小.
2.2 水供给服务供需匹配关系2000~2020年长江经济带水供给服务ESDR呈波动上升趋势[图 6（a）]，从0.17升至0.24，增幅为41.2%. 2000~2020年，全区ESDR均值一直处于大于0的状态，说明长江经济带水供给服务的总供给大于总需求. 再结合核密度分析，发现长江经济带水供给服务ESDR呈现出“先聚集，再聚集，再分散”的不规则波动特征，且核密度峰值下降，带宽变宽，位置向右下方偏移[图 6（b）]. ESDR空间分布结果表明[图7（a）~7（e）]，20 a来，严重赤字占比为0，中度赤字从0.1%降至0，中度和高度盈余地区占比呈增加趋势，大面积轻度盈余地区转移至中高度盈余地区，因此中高度盈余面积一直在增大. 这说明长江经济带水资源与水环境状况逐渐改善，可能是因为国家采取了一系列生态保护和长江流域水资源管理等政策[25]. 但通过对比不同地区的供需比发现差异较大，长江经济带整体表现出三大城市群（成渝城市群、长江中游城市群、长三角城市群）及云南省局部地区水资源出现明显的供不应求的局面，2000~2010年长三角城市群赤字情况严重，2015年后赤字情况大幅度好转，仅占6.7%.
|
图 6 水供给服务ESDR与其核密度 Fig. 6 Water supply service ESDR and its kernel density |
|
饼图内的数字均为百分数（%） 图 7 水供给服务供需匹配关系 Fig. 7 Matching of supply and demand for water supply services |
生态系统服务供给和需求的空间匹配关系在一定程度上反映了自然资源禀赋和人类福祉之间的匹配程度[38]，从面积占比来看[图7（f）~7（j）]，2000~2020年长江经济带水供给服务以HL型空间错配集群为主，其范围持续收缩，由45.0%降至37.2%；其次是LL型空间匹配集群，先增长后减少，由23.0%增长至32.9%，再降至28.7%，较2000年面积占比有所增加. HH型空间匹配集群变化不显著，面积占比呈缓慢增长趋势；LH型空间错配集群在4种类型中占比最少，2000~2010年由10.4%增长至11.5%，后又降至7.7%，较2000年面积占比减少. HL型和LH型空间错配集群减少的部分转移至HH型和LL型空间匹配集群，这表明长江经济带水供给服务供需关系有所缓解. 其中，HH型空间匹配集群大面积分布在长江经济带中游地区和下游城市的郊区，LL型空间匹配集群主要聚集在上游的云南、贵州和四川主城区的外围；HL型空间错配集群分布较分散，主要位于各省市高海拔地区，LH型空间错配集群分散于长江经济带各城市群的主城区. 整体来看，4种空间匹配类型呈现类似于圈层分布的特点. 但上游是以LH型空间错配集群为中心，外包LL型空间匹配集群，其次是HL型空间错配集群. 中游和下游中心集群与上游相同，而外包HH型空间匹配集群，其次是HL型空间错配集群.
2.3 长江经济带水供给服务流时空特征通过Python平台和ArcGIS软件得到长江经济带水供给服务流时空分布（图 8）. 结果表明，2000~2020年服务流流动路径大致相同，均以水系河网为流动路径. 长江经济带水供给服务流发源于山脉等海拔高的地区，水资源在自然和人为作用下，流向地势相对平坦且人类活动频繁的区域，以河流作为纽带，联系各个城市，保证了各个城市拥有丰富的水资源. 2015年开始，由于中游和下游盈余量的大幅增加，导致供水区域扩张. 其次，人类活动（如城市化、工业发展等）会改变生态系统的结构和功能，可能导致生态系统内部水资源的流动路径受阻或改变，因此服务流路径变得愈发复杂，尤其是长江经济带中游和下游的南部变化显著. 2000、2005和2010年，长江经济带水供给服务流量负值占全区比例分别为1.2%、1.7%和3.7%. 此外，负值比例增长，说明服务流提供的补给区呈收缩趋势，而此期间需求一直在增加，流域水资源供需矛盾加剧. 2015年和2020年流量负值比例分别为2.2%和1.3%，表明补给区有逐年扩大的趋势，水资源供需矛盾得到缓解. 服务流累计流量高值区主要分布在上游的农业种植区域和下游水资源存在缺口的地区，表明服务流具备缓解这些区域水资源紧张的能力.
|
图 8 水供给服务流时空分布 Fig. 8 Spatial and temporal distribution of water supply service flows |
从省域行政单元来看图[图 9（a）]，2000~2020年长江经济带水供给服务流均值总体趋势基本相同，但各省市差异较大. 江苏省和安徽省服务流一直稳居高值区，上海由于供给量不足，水资源需求大，成为所有省市中服务流出现负值的地区，服务流在此停止流动. 但在2015年上海服务流变为正值，这表明在服务流的模式下，上海等其他缺水地区可以接受来自上级流动单元的补给，在一定程度上缓解了长江经济带部分区域需水问题. 从流域角度来看[图 9（b）]，服务流平均值从大到小依次为：下游 > 中游 > 上游. 下游一直是高值中心，表明这一地区是受到水供给服务流获益最大的区域. 上游和中游的大部分区域是供大于求的状况，故而能有更多的盈余量持续给下游提供补给. 水供给服务流对水资源的调节作用使得长江经济带水资源的空间分布格局趋于更加合理的分配，从而为区域经济和生态环境的协调发展提供了重要支撑.
|
图 9 各省市和上中下游水供给服务流平均值 Fig. 9 Average value of water supply service flows in provinces and municipalities and in the upper, middle and lower reaches of the river |
基于2000~2020年长江经济带水供给服务供需匹配关系的冷热点聚群将长江经济带分为供给区、连接区和需求区（图 10）. 供给区汇集当地盈余的水资源，连接区则是运输和分配水资源的关键枢纽，而需求区通常位于水资源消耗较大的地区，依赖于上级补给的水资源，以解决自身可能存在的水资源短缺问题. 其中，供给区区县总数为207个，占比为19.4%；连接区区县总数为384个，占比为35.9%；需求区区县总数为479个，占比为44.7%.
|
图 10 水供给服务供需匹配分区 Fig. 10 Sub-districts of supply and demand matching for water supply services |
基于选取的15个影响因子和分区结果，对长江经济带水供给服务供需匹配关系进行主要影响因子及因子间交互作用的影响分析. 根据因子探测结果可知（图 11），供给区、连接区和需求区影响因子的q值范围分别为0.02~0.44、0.02~0.25和0.03~0.23，均为极显著相关（P < 0.01）. 对供给区贡献度最高的驱动因子是自然地理类因子中的降水量（q = 0.44），社会经济类因子影响最大的是建设用地占比（q = 0.25）. 供给区主要分布在山区和偏远的郊区，需求源主要是居民生活. 对连接区影响最高的驱动因子同样是自然地理类因子中的降水量（q = 0.25），社会经济类因子影响最大的是常住人口、耕地面积占比和建设用地占比（q均为0.04）. 该区域主要分布在地势较平坦的主城区周边，人口密度较小，各土地利用类型比例差异不大. 对需求区影响最高的驱动因子是社会经济类因子中的建设用地占比（q = 0.29），地区生产总值、第二产业增加值和第三产业增加值（q均为0.23）的影响程度仅次于建设用地占比，自然地理类因子中影响最大的是降水量（q = 0.08）. 该区域大部分位于各省市的中心城市，且工业生产需要大量水资源，同时随着城市旅游业的发展，服务业对水的需求也在增加，从而对水供给服务供需产生了较大影响.
|
**表示在0.01水平上达到极显著相关 图 11 长江经济带水供给服务供需匹配关系的影响因子贡献度 Fig. 11 Contribution of influencing factors to the matching relationship between supply and demand of water supply services in the Yangtze River Economic Belt |
交互探测器结果均为双因子增强与非线性增强，即任意两个影响因子的交互作用均大于单个影响因子的贡献度. 其中，供给区自然地理类因子的降水量与多数社会经济类因子交互作用表现为增强，降水和NDVI以及降水和蒸散发的交互解释力最强，均为0.53. 连接区明显表现出降水与其他因子交互作用增强，降水和夜间灯光的交互解释力最强，为0.36；需求区交互作用增强的部分主要集中在社会经济类因子之间，降水和建设用地占比以及地区生产总值和建设用地占比的交互作用最强，均为0.5. 总体来看，不同分区受到的交互作用不同（图 12）.
|
蓝色到红色交互作用逐渐增强 图 12 长江经济带水供给服务供需匹配关系的影响因子交互作用 Fig. 12 Interaction of influencing factors to the match between supply and demand of water supply services in the Yangtze River Economic Belt |
2000~2020年长江经济带的水供给服务经历了明显的波动[图 4（c）]. 其中，2011年和2016年出现了供给量的极端值. 相关研究表明，水供给服务实质上是生态系统对降雨进行拦截并储存水资源的能力，而这一能力的强弱在很大程度上受到区域内降雨波动情况的直接影响[21]. 此外，2011年长江流域遭遇极端干旱事件[39]，而2016年是长江经济带全区近20 a来年均降雨量最为充沛的年份. 空间上，供给量“东南高，西北低”的分布格局与何刘洁等[21]、吴丹等[40]对长江经济带生态系统服务的研究相对一致. 东南部地区由于降水丰沛，不透水面多，降水无法下渗，故供给量相对充足；而西北部地区的地形以山地为主，植被覆盖率较高，蒸散发作用强，导致该区域的供给量相对有限.
就需求而言[图 4（c）]，2003年和2020年疫情暴发，期间国家实施了相关控制病毒传播的措施，致使生产活动减少、商业活动停滞以及人们生活方式调整，从而需求量突然减少. 另外，2010年前后需求量呈先增后减的趋势，可能与农业灌溉效率的提升、经济增长方式由粗放型转向集约型、产业结构的调整与优化、日益严格的环境立法和执法以及水资源本身的限制等多重因素密切相关. 空间上，需求量呈现以城市为中心向周围逐渐减小的分布格局，该结果与Liu等[41]对长江经济带的研究一致. 高值区主要集中在建设用地以及耕地聚集的区域，长江经济带是中国粮食主产区之一，耕地面积约占全国的30%，且产业结构错综复杂，农业和工业水资源消耗大.
3.2 水供给服务供需匹配关系及服务流时空特征水供给服务供给和需求具有显著的空间异质性，因此在数量和空间上存在不匹配的问题[13]. 本研究ESDR的时空分布格局与Li等[24]对长江经济带水供给服务研究结果相对一致. 其中，2020年ESDR核密度带宽突然变宽，这主要是由于水供给服务ESDR逐渐向高值且更为均匀的分布格局发展. 盈余区主要由于建设用地占比少，产业结构简单，植被覆盖率高，拥有较好的自然生态环境，能有效拦蓄降雨. 长江经济带上游和下游水资源赤字情况更为严峻，上游是中国干旱灾害频发地带之一[42]，耕地资源相对丰富；下游经济活跃度高，人口密集. 三大城市群工业与人口聚集，生态脆弱，且耗水量较高，经济发展与水生态环境保护之间的矛盾较为突出. 而在2010~2020年各项环保政策的实施下，农业灌溉系数增大[43]，工业用水效率提高，居民节水意识增强，水供给服务供需不平衡的问题大幅好转.
HH型空间匹配集群受降水梯度的影响，且具备较好的自然资源本底条件和经济发展基础，水供给服务供给量较多，需求量也较高. LL型空间匹配集群区域降水稀少，供给量较低，需求也主要以居民生活消耗为主. HL型空间错配集群社会经济发展落后，仅少量生态环境需水. LH型空间错配集群城市化进程快，人口和工业密集，但需求较高，从而形成低供给高需求的空间错配情况. 水供给服务流是由自然和社会经济属性决定的，以水系河网为流动路径，水流作为载体，将水资源输送到各处，这与Guan等[17]对长江流域水供给服务流的研究结果基本一致. 水作为自然要素，受重力影响，形成自然的水流动过程. 同时，水又作为农业、生产和生活的要素，受到人类社会资源需求的影响，服从调控和分配规律，从而形成实际的服务流过程. 服务流可能只是暂时缓解供给压力，而为了实现区域可持续发展，仍需通过生态工程和政策制定等措施维持供需双方的平衡[44].
3.3 水供给服务供需匹配关系驱动机制自然地理和社会经济因素在生态系统过程（如物质循环和运输、能量流动）和生态系统服务（如水源供给、土壤保持、固碳等）中起着重要作用，是生态系统服务供需匹配关系的主要驱动因素[45]. 降水是水资源的主要来源之一，也是影响水资源周期性变化的主要因素之一. 生态资源优渥的供给区应继续加强生态环境的保护，以保证水源的持续供应. 水供给服务具有强烈的空间异质性，这一特征通常与社会-生态因子空间分布的异质性有关[36]. 连接区拥有着较好的生态本底条件，承担着储存并输送水资源的责任，应适当发展绿色产业，完善水资源的保护. 建设用地占比和地区生产总值是水供给服务供需关系变化的主要驱动因素[46]，城市扩张通过土地利用的变化改变了生态系统的能量交换、生物化学循环、水循环和其他生态过程，从而在很大程度上影响了水供给服务的供应[47]. 土地利用的空间配置和结构组成，直接影响相关的生态和水文过程，最终导致水供给服务的变化[48]. 需求区对水资源需求较大，在科学控制城市发展规模的同时要尽量减少对生态资源的侵占；减少用水量也是解决水资源短缺问题关键措施之一.
3.4 方法的不确定与适用性由于长江经济带范围较广，难以获取地表径流的实测数据，因此本研究参考丁家宝等[49]采用水资源公报中的地表径流值进行验证. 为确保2000~2020年间供给量的可比性，以多年平均地表径流值进行模型参数的调整. 据水资源公报，长江经济带多年平均地表径流值为9 959亿m3. 此外，供给量是降水量减去实际蒸散发，属于产流阶段；而地表径流包括产流和汇流两个部分. 因此，地表径流值在一定程度上略大于供给量. 但经过率定后，R2达到0.78，表明结果具有可信度. 本研究需求数据是以地级市为统计单元进行相关计算，可能会对研究结果产生一定的影响. 但已有研究表明，在某一区划单元内部，其自然资源禀赋、社会经济状况以及水资源的分配和需求差异较小. 当前很多学者研究水供给服务需求侧以人定需，忽略了现实中需求源的多样性. 本研究需求源是从农业、工业、生活、生态4个方面展开时空格局的分析，供需匹配关系的影响因子探究也是基于长时间序列的数据来展开分析的. 因此，从宏观视角下本研究结果是较为精确的. 生态系统服务具有明显的尺度效应，不同尺度上有着不同效应. 分区管理通常基于行政单元尺度，而县域是国家颁布政策和制定具体措施的最小行政单元，处于宏观战略布局与具体方案落实相衔接的关键节点，是国家实施可持续规划管理的最佳尺度[21]. 以长江经济带区县为基本研究单位，探究县域水供给服务供需差异，有利于将后续生态补偿以及水资源管理责任落实到明确主体.
水供给服务流对区域生态系统稳定和保护有着举足轻重的作用，但当前对水供给服务流的研究存在着一定的局限性. 本研究将水供给服流规定在一个理想状态下，但是实际上水资源在流动过程中可能会涉及“汇”等封闭单元（如水库）[50]，对流动过程形成阻碍，导致到达需求区的流量减少，本研究模型尚未解决这类问题. 但当前对生态系统服务流的研究较少，主要集中在小流域尺度，且大部分基于行政单元[20，34]，本研究基于栅格单元并结合相关算法构建了服务流模型，并在大尺度流域内展开研究，能更精细的刻画服务流的特征.
4 结论（1）长江经济带水供给服务总供给量从2000年的9 100亿m3增至2020年的10 300亿m3，增幅为13.2%；空间上，供给量总体呈现“东南高，西北低”的分布格局. 就需求而言，20 a来，需求量呈先上升后下降的趋势；空间上，需求一直在扩张，空间分布格局均以省会城市中心辐射状分布，以主城区核心为高需求量向四周逐渐减少.
（2）从供需数量匹配情况来看，2000~2020年长江经济带水供给服务ESDR呈波动上升趋势，增幅为41.2%；空间上，中度和高度盈余地区占比呈增加趋势，大面积轻度盈余地区转移至中高度盈余地区. 从供需空间匹配情况来看，长江经济带水供给服务以HL型空间错配集群为主，4种空间匹配类型呈现类似于圈层分布的特点.
（3）长江经济带水供给服务流高值区主要沿水系河网分布. 2015年开始，水资源的流动路径愈发复杂，尤其是长江经济带中游和下游的南部变化显著. 长江经济带水供给服务流量负值比例先增加后减小，补给区有逐年扩大的趋势. 服务流累计流量高值区主要分布在水资源存在缺口的地区，表明服务流具有缓解水资源紧张的能力.
（4）供给区和连接区影响最大的驱动因子是自然地理类因子中的降水量，其贡献度分别为0.44和0.25. 需求区影响最高的驱动因子是社会经济类因子中的建设用地占比（q = 0.29）. 交互探测结果显示供给区和连接区明显表现出降水与其他因子交互作用增强，而需求区则是在社会经济类因子之间交互作用显著增强，其中降水和建设用地占比以及地区生产总值和建设用地占比的交互作用最强，均为0.5.
| [1] | Costanza R, d'Arge R, de Groot R, et al. The value of the world's ecosystem services and natural capital[J]. Nature, 1997, 387(6630): 253-260. DOI:10.1038/387253a0 |
| [2] |
徐文彬, 饶良懿. 土地利用和气候变化对农牧交错带生态系统服务的影响[J]. 环境科学, 2023, 44(9): 5114-5124. Xu W B, Rao L Y. Impacts of land use and climate change on ecosystem services in agro-pastoral ecotone[J]. Environmental Science, 2023, 44(9): 5114-5124. |
| [3] | Baró F, Palomo I, Zulian G, et al. Mapping ecosystem service capacity, flow and demand for landscape and urban planning: a case study in the Barcelona metropolitan region[J]. Land Use Policy, 2016, 57: 405-417. DOI:10.1016/j.landusepol.2016.06.006 |
| [4] | Wang L J, Zheng H, Chen Y Z, et al. Systematic review of ecosystem services flow measurement: main concepts, methods, applications and future directions[J]. Ecosystem Services, 2022, 58. DOI:10.1016/j.ecoser.2022.101479 |
| [5] | Burkhard B, Kroll F, Nedkov S, et al. Mapping ecosystem service supply, demand and budgets[J]. Ecological Indicators, 2012, 21: 17-29. DOI:10.1016/j.ecolind.2011.06.019 |
| [6] | Serna-Chavez H M, Schulp C J E, van Bodegom P M, et al. A quantitative framework for assessing spatial flows of ecosystem services[J]. Ecological Indicators, 2014, 39: 24-33. DOI:10.1016/j.ecolind.2013.11.024 |
| [7] | Ajaz Ahmed M A, Abd-Elrahman A, Escobedo F J, et al. Spatially-explicit modeling of multi-scale drivers of aboveground forest biomass and water yield in watersheds of the Southeastern United States[J]. Journal of Environmental Management, 2017, 199: 158-171. |
| [8] |
高爽, 遆超普, 汤水荣, 等. 长江流域径流模拟及其对极端降雨的响应[J]. 环境科学, 2023, 44(9): 4853-4862. Gao S, Ti C P, Tang S R, et al. Runoff simulation and its response to extreme precipitation in the Yangtze River Basin[J]. Environmental Science, 2023, 44(9): 4853-4862. |
| [9] |
周逸凡, 段浩, 赵红莉, 等. 水文模型知识图谱构建与应用[J]. 水利学报, 2024, 55(1): 80-91. Zhou Y F, Duan H, Zhao H L, et al. Hydrological modeling knowledge graph construction and application[J]. Journal of Hydraulic Engineering, 2024, 55(1): 80-91. |
| [10] | Huang Y P, Tsai H P, Chiang L C. Integration of UAV digital surface model and HEC-HMS hydrological model system in iRIC hydrological simulation-A case study of Wu River[J]. Drones, 2024, 8(5). DOI:10.3390/drones8050178 |
| [11] | Benra F, De Frutos A, Gaglio M, et al. Mapping water ecosystem services: evaluating InVEST model predictions in data scarce regions[J]. Environmental Modelling & Software, 2021, 138. DOI:10.1016/j.envsoft.2021.104982 |
| [12] | Chen X C, Li F, Li X Q, et al. Evaluating and mapping water supply and demand for sustainable urban ecosystem management in Shenzhen, China[J]. Journal of Cleaner Production, 2020, 251. DOI:10.1016/j.jclepro.2019.119754 |
| [13] | Li D L, Wu S Y, Liu L B, et al. Evaluating regional water security through a freshwater ecosystem service flow model: a case study in Beijing-Tianjian-Hebei region, China[J]. Ecological Indicators, 2017, 81: 159-170. DOI:10.1016/j.ecolind.2017.05.034 |
| [14] | Li J H, Jiang H W, Bai Y, et al. Indicators for spatial-temporal comparisons of ecosystem service status between regions: a case study of the Taihu River Basin, China[J]. Ecological Indicators, 2016, 60: 1008-1016. DOI:10.1016/j.ecolind.2015.09.002 |
| [15] |
梁膑月, 曹春, 李锦超, 等. 近20年兰西城市群生态系统服务价值对土地利用转型的时空响应[J]. 环境科学, 2024, 45(6): 3329-3340. Liang B Y, Cao C, Li J C, et al. Spatiotemporal response of ecosystem service value to land use change in the Lanzhou-Xining urban agglomeration over the past 20 years[J]. Environmental Science, 2024, 45(6): 3329-3340. |
| [16] |
刘立程, 刘春芳, 王川, 等. 黄土丘陵区生态系统服务供需匹配研究——以兰州市为例[J]. 地理学报, 2019, 74(9): 1921-1937. Liu L C, Liu C F, Wang C, et al. Supply and demand matching of ecosystem services in loess hilly region: a case study of Lanzhou[J]. Acta Geographica Sinica, 2019, 74(9): 1921-1937. |
| [17] | Guan D J, Deng Z, Zhou L L, et al. How can multiscenario flow paths of water supply services be simulated? A supply-flow-demand model of ecosystem services across a typical basin in China[J]. Science of the Total Environment, 2023, 893. DOI:10.1016/j.scitotenv.2023.164770 |
| [18] |
王嘉丽, 周伟奇. 生态系统服务流研究进展[J]. 生态学报, 2019, 39(12): 4213-4222. Wang J L, Zhou W Q. Ecosystem service flows: recent progress and future perspectives[J]. Acta Ecologica Sinica, 2019, 39(12): 4213-4222. |
| [19] |
戴尔阜, 王晓莉, 朱建佳, 等. 生态系统服务权衡: 方法、模型与研究框架[J]. 地理研究, 2016, 35(6): 1005-1016. Dai E F, Wang X L, Zhu J J, et al. Methods, tools and research framework of ecosystem service trade-offs[J]. Geographical Research, 2016, 35(6): 1005-1016. |
| [20] | Zhang C, Li J, Zhou Z X, et al. Application of ecosystem service flows model in water security assessment: a case study in Weihe River Basin, China[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106974 |
| [21] |
何刘洁, 郑博福, 万炜, 等. 长江经济带生态系统服务权衡与协同及其驱动因素[J]. 环境科学, 2024, 45(6): 3318-3328. He L J, Zheng B F, Wan W, et al. Trade-off and synergy of ecosystem services in the Yangtze River Economic Belt and its driving factors[J]. Environmental Science, 2024, 45(6): 3318-3328. |
| [22] |
邓淇中, 张玲. 长江经济带水资源绿色效率时空演变特征及其影响因素[J]. 资源科学, 2022, 44(2): 247-260. Deng Q Z, Zhang L. Spatiotemporal pattern and influencing factors of green efficiency of water resources in the Yangtze River Economic Belt[J]. Resources Science, 2022, 44(2): 247-260. |
| [23] |
田贵良, 李娇娇, 李乐乐. 基于多区域投入产出模型的长江经济带虚拟水流动格局研究[J]. 中国人口·资源与环境, 2019, 29(3): 81-88. Tian G L, Li J J, Li L L. Pattern of virtual water flow in the Yangtze River Economic Belt based on multi-regional input-output model[J]. China Population, Resources and Environment, 2019, 29(3): 81-88. |
| [24] | Li T N, Li D Z, Liu Y B, et al. The spatiotemporal effects on ecosystem services supply-demand from industrial transformation and upgrading: promotion or inhibition?[J]. Ecological Indicators, 2024, 161. DOI:10.1016/j.ecolind.2024.111990 |
| [25] | Luo Q L, Luo L Y, Zhou Q F, et al. Does China's Yangtze River Economic Belt policy impact on local ecosystem services?[J]. Science of the Total Environment, 2019, 676: 231-241. DOI:10.1016/j.scitotenv.2019.04.135 |
| [26] |
杨桂山, 徐昔保. 长江经济带"共抓大保护、不搞大开发"的基础与策略[J]. 中国科学院院刊, 2020, 35(8): 940-950. Yang G S, Xu X B. Foundation and strategy of well-coordinated environmental conservation and avoiding excessive development in the Yangtze River Economic Belt[J]. Bulletin of Chinese Academy of Sciences, 2020, 35(8): 940-950. |
| [27] |
张明斗, 翁爱华. 长江经济带城市水资源利用效率的空间关联网络及形成机制[J]. 地理学报, 2022, 77(9): 2353-2373. Zhang M D, Weng A H. Spatial correlation network and its formation mechanism of urban water utilization efficiency in the Yangtze River Economic Belt[J]. Acta Geographica Sinica, 2022, 77(9): 2353-2373. |
| [28] |
蔡进, 危小建, 江平, 等. 基于贝叶斯网络的生态系统服务权衡协同关系强度及其空间格局优化: 以汾河流域为例[J]. 环境科学, 2024, 45(5): 2780-2792. Cai J, Wei X J, Jiang P, et al. Ecosystem service trade-off synergy strength and spatial pattern optimization based on Bayesian network: a case study of the Fenhe River Basin[J]. Environmental Science, 2024, 45(5): 2780-2792. |
| [29] | Donohue R J, Roderick M L, McVicar T R. Roots, storms and soil pores: incorporating key ecohydrological processes into Budyko's hydrological model[J]. Journal of Hydrology, 2012, 436-437: 35-50. DOI:10.1016/j.jhydrol.2012.02.033 |
| [30] | Zhou W Z, Liu G H, Pan J J, et al. Distribution of available soil water capacity in China[J]. Journal of Geographical Sciences, 2005, 15(1): 3-12. DOI:10.1007/BF02873101 |
| [31] | Chen Z L, Lin J Y, Huang J L. Linking ecosystem service flow to water-related ecological security pattern: a methodological approach applied to a coastal province of China[J]. Journal of Environmental Management, 2023, 345. DOI:10.1016/j.jenvman.2023.118725 |
| [32] |
王耕, 俞乔山. 大连金普新区碳固持生态服务供需格局时空差异[J]. 生态学报, 2023, 43(12): 4847-4857. Wang G, Yu Q S. Spatio-temporal pattern of supply and demand of carbon sequestration services in Jinpu New Area, Dalian City[J]. Acta Ecologica Sinica, 2023, 43(12): 4847-4857. |
| [33] |
夏沛, 彭建, 徐子涵, 等. 生态系统服务流概念内涵与量化方法[J]. 地理学报, 2024, 79(3): 584-599. Xia P, Peng J, Xu Z H, et al. Conceptual connotation and quantification methods of ecosystem service flows[J]. Acta Geographica Sinica, 2024, 79(3): 584-599. |
| [34] |
王健, 曹巍, 黄麟. 基于水供需服务流及外溢价值核算的太湖流域横向生态补偿机制[J]. 生态学报, 2024, 44(3): 955-965. Wang J, Cao W, Huang L. Horizontal payment for ecosystem services mechanism in Taihu Lake basin based on water supply and demand service flow and spillover value accounting[J]. Acta Ecologica Sinica, 2024, 44(3): 955-965. |
| [35] |
郑亚平, 张俊华, 田惠文, 等. 大别山区生境质量时空特征及自然-人为因素驱动机制[J]. 环境科学, 2024, 45(4): 2268-2279. Zheng Y P, Zhang J H, Tian H W, et al. Spatio-temporal characteristics of habitat quality and natural-human driven mechanism in Dabie Mountain area[J]. Environmental Science, 2024, 45(4): 2268-2279. |
| [36] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [37] | Xia H, Yuan S F, Prishchepov A V. Spatial-temporal heterogeneity of ecosystem service interactions and their social-ecological drivers: implications for spatial planning and management[J]. Resources, Conservation and Recycling, 2023, 189. DOI:10.1016/j.resconrec.2022.106767 |
| [38] |
陈曦, 梁松斌. 生态系统服务利益相关者界定: 基于实践理论视角的分析框架[J]. 自然资源学报, 2024, 39(4): 842-857. Chen X, Liang S B. Stakeholder definition of ecosystem services: an analytical framework based on a practical theoretical perspective[J]. Journal of Natural Resources, 2024, 39(4): 842-857. |
| [39] |
郝增超, 张璇, 郝芳华, 等. 2022年夏季长江流域复合高温干旱事件的影响及应对[J]. 水资源保护, 2023, 39(6): 46-52. Hao Z C, Zhang X, Hao F H, et al. Impacts and coping strategies of compound hot extremes and droughts during summer of 2022 in the Yangtze River Basin[J]. Water Resources Protection, 2023, 39(6): 46-52. |
| [40] |
吴丹, 邹长新, 林乃峰, 等. 长江经济带生态系统服务权衡与协同关系研究[J]. 环境生态学, 2021, 3(9): 1-7. Wu D, Zou C X, Lin N F, et al. Tradeoffs and synergies among ecosystem services in the Yangtze River Economic Belt, China[J]. Environmental Ecology, 2021, 3(9): 1-7. |
| [41] | Liu H Y, Xiao W F, Zhu J H, et al. Urbanization intensifies the mismatch between the supply and demand of regional ecosystem services: a large-scale case of the Yangtze River Economic Belt in China[J]. Remote Sensing, 2022, 14(20). DOI:10.3390/rs14205147 |
| [42] |
韩兰英, 张强, 姚玉璧, 等. 近60年中国西南地区干旱灾害规律与成因[J]. 地理学报, 2014, 69(5): 632-639. Han L Y, Zhang Q, Yao Y B, et al. Characteristics and origins of drought disasters in Southwest China in nearly 60 years[J]. Acta Geographica Sinica, 2014, 69(5): 632-639. |
| [43] | Song M L, Wang R, Zeng X Q. Water resources utilization efficiency and influence factors under environmental restrictions[J]. Journal of Cleaner Production, 2018, 184: 611-621. DOI:10.1016/j.jclepro.2018.02.259 |
| [44] | Zhang X R, Wang Y S, Yuan X F, et al. Identifying ecosystem service supply-demand imbalance for sustainable land management in China's Loess Plateau[J]. Land Use Policy, 2022, 123. DOI:10.1016/j.landusepol.2022.106423 |
| [45] | Jiang C, Yang Z Y, Wen M L, et al. Identifying the spatial disparities and determinants of ecosystem service balance and their implications on land use optimization[J]. Science of the Total Environment, 2021, 793. DOI:10.1016/j.scitotenv.2021.148472 |
| [46] | Sun Y X, Liu S L, Shi F N, et al. Spatio-temporal variations and coupling of human activity intensity and ecosystem services based on the four-quadrant model on the Qinghai-Tibet Plateau[J]. Science of the Total Environment, 2020, 743. DOI:10.1016/j.scitotenv.2020.140721 |
| [47] | Zhang Z M, Peng J, Xu Z H, et al. Ecosystem services supply and demand response to urbanization: a case study of the Pearl River Delta, China[J]. Ecosystem Services, 2021, 49. DOI:10.1016/j.ecoser.2021.101274 |
| [48] | Mitchell M G E, Suarez-Castro A F, Martinez-Harms M, et al. Reframing landscape fragmentation's effects on ecosystem services[J]. Trends in Ecology & Evolution, 2015, 30(4): 190-198. |
| [49] |
丁家宝, 张福平, 张元, 等. 气候与土地利用变化背景下青海湖流域产水量时空变化[J]. 兰州大学学报(自然科学版), 2022, 58(1): 47-56. Ding J B, Zhang F P, Zhang Y, et al. Temporal and spatial variations in water yield of the Qinghai Lake water system under climate and land use changes[J]. Journal of Lanzhou University (Natural Sciences), 2022, 58(1): 47-56. |
| [50] | Bagstad K J, Villa F, Batker D, et al. From theoretical to actual ecosystem services: mapping beneficiaries and spatial flows in ecosystem service assessments[J]. Ecology and Society, 2014, 19(2). DOI:10.5751/ES-06523-190264 |