2025, Vol. 46
2. 合肥工业大学数字人居环境研究实验室，合肥 230601;
3. 中国科学院地理科学与资源研究所，北京 100101
2. Laboratory of Digital Human Habitat Studies, Hefei University of Technology, Hefei 230601, China;
3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
生境质量（habitat quality）是指生态系统为种群发展提供适宜生存条件的能力，是生物开展正常生命活动的资源载体，在保障区域生态安全和谋划可持续发展中起着关键作用[1~3]. 土地利用是评价生境质量的基础性因素，随着城镇化快速发展，建设用地不断扩张导致土地利用发生剧烈变化，直接影响了生境质量的正向发展，进而导致自然生境破碎，生态系统服务功能退化. 因此，基于土地利用变化评价生境质量变化特点和格局，对构建城市与区域生态安全格局、推动可持续发展具有重要意义. 生境质量评价主要分为指标体系评价和模型评价，指标体系法通过选取生态影响因子进行评价，但在评价中会忽略威胁源等因素[4]. 随着3S技术的不断发展，模型评价法得到广泛应用，如SoIVES模型[5，6]、InVSET模型[7]和HSI模型[8，9]等，其中又以InVEST模型应用最为广泛，其通过分析斑块在所处基质中受到威胁的综合影响来评估区域生境质量[10~12]. 近年来，耦合土地利用变化和生境质量评价的集成研究得到发展，其中，常用的土地利用变化模型主要有FLUS模型[13]、CA-Markov模型[14]和CLUE-S模型[15]等，目前最新的则是PLUS模型，其在模拟精度及多地类综合模拟中更具优势. 而PLUS-InVEST耦合模型在生境质量评估[16，17]、城市碳储量时空演变与预测[18~21]和土地利用多情景模拟等方面得到广泛应用[22，23].
作为安徽省省会和安徽省首位城市，合肥市拥有优良的地理区位和现代化、立体化交通网络，近年来城市经济社会得到迅速发展[24]. 合肥市生态环境良好，早在1992年就被授予全国“园林城市”称号，也是首批3个国家园林城市之一. 同时，中国第五大淡水湖巢湖是合肥市内湖，合肥也由此成为典型的“城湖共生”系统，这在全国乃至全球城市中都具有鲜明特色和代表性. 随着工业化和城镇化快速推进，合肥市生态环境压力日益剧增，由此导致生态系统退化，抗干扰能力降低，生态服务功能弱化[25，26]. 面对经济社会发展和生态环境保护的双重压力，研究合肥市生境质量发展演变格局有利于制定全市国土空间开发保护政策和规划，这对合肥市土地利用和生态环境的可持续发展具有重要意义. 目前，关于合肥市生态环境的研究主要有城市绿色空间[27]、大气污染物[28，29]和生态环境脆弱性等[30]，合肥市生境质量评价及其模拟预测的研究仍较少. 因此，本研究基于2012~2022年的3期土地利用数据，应用InVEST-PLUS耦合模型分析合肥市土地利用和生境质量变化趋势，预测2032年合肥市的土地利用情况和生境质量，以期为合肥市制定生态环境政策和合理利用土地资源提供科学的决策依据，同时也为类似城市相关研究和实践提供理论方法参考.
1 材料与方法 1.1 研究区概况合肥市位于我国华东地区，地处安徽省中部（图 1），是长三角世界级城市群的副中心城市，是长江经济带和“中部崛起”两大国家战略的核心节点城市，在国家和区域发展格局中具有重要地位. 合肥市总面积1.14万km2，拥有丘陵岗地、低山残丘和低洼平原这3种地貌，中国第五大淡水湖巢湖是合肥市的内湖，这是合肥市最大的生态资源，也是合肥最好的名片[31]. 总体上，合肥是中国快速城镇化地区的一个代表，城市生态环境正受到经济社会快速发展的胁迫和压力. 当前，中国有很多省会城市和区域性中心城市与合肥一样面临类似的生态环境问题，因此，以合肥市为研究区具有典型性和代表性. 本研究结果不仅对于合肥市生态环境保护具有重要意义，也能为类似城市的生态环境研究提供参考和借鉴.
|
图 1 研究区位置和范围示意 Fig. 1 Location of the study area |
土地利用数据来源于国家冰川冻土沙漠科学数据中心（http://www.ncdc.ac.cn），其构建了中国第一个源自Landsat的年度土地覆被产品（CLCD）[32]，本研究选取合肥市2012年、2017年和2022年3期数据，分辨率均为30 m×30 m. 社会经济数据及气候环境数据来源见表 1，共选取了12个驱动因子进行研究. 所有数据在ArcGIS中进行预处理，确保数据具有相同的行列数和坐标系.
|
表 1 数据信息 Table 1 Data information |
2 研究方法 2.1 InVEST模型
InVEST模型中的生境质量模块通过土地覆盖类型及威胁信息计算得出区域生境质量，计算时充分考虑了胁迫因子的影响距离及空间权重等因素[33]. 具体计算公式为：
|
(1) |
式中，Qxj为j种生境类型的生境质量，Dxj为j种生境类型的生境退化度，Hj为生境类型j的适宜度，k为半饱和系数，z为归一化常量；Dxj的计算公式为：
|
(2) |
式中，r为威胁因子，R为外部威胁因子数量，y为威胁因子r的一组栅格单元，Yr为威胁源r的栅格总数，Wr为威胁源的权重，ry为栅格y的胁迫值，irxy为威胁源为r的栅格y对栅格x的影响，βx为威胁因子对栅格x的可达性，Sjr为土地覆被利用类型j对威胁因子r的敏感程度.
结合合肥市实际发展情况，选取受人为干扰程度较大的耕地、建设用地和未利用地作为威胁因子，根据已有研究设置各种参数[34，35]，并对不同土地类型的生境适宜度和对威胁因子的敏感度进行赋值，详见表 2和表 3.
|
|
表 2 合肥市威胁源及最大影响距离 Table 2 Threat source and maximum impact distance in Hefei |
|
|
表 3 不同土地类型生境适宜度及对威胁因子敏感度 Table 3 Habitat suitability and sensitivity to threat factors of different land types |
2.2 PLUS模型
已有土地利用模型研究主要集中在技术建模程序的改进上，较少关注对土地利用底层非线性关系的理解，也缺乏对土地利用斑块尺度进行预测的能力. 而近年来新提出的PLUS模型则基于栅格数据预测斑块尺度上的土地利用变化，提出了一个基于土地扩张分析策略（LEAS）的规则挖掘框架和基于多类型随机种子（CARS）的元胞自动机模型，可以挖掘土地扩张和景观变化的驱动因素，由此获得更高的仿真精度和更相似的景观演变[36，37].
（1）LEAS 土地扩张分析策略基于两期土地利用数据，通过随机森林算法计算每类土地发展概率，对选取的用地扩张驱动因子进行贡献率计算[38]，公式如下：
|
(3) |
式中，x为驱动因子的向量，Pi, kd(x)为在d=0或d=1的情况下，斑块i内的第k类土地利用类型扩张的概率，1表示其他地类向k类土地转变，0表示不含k类土地的利用转换，M为决策树数量，I（）为决策树指示函数，hn(x)为当决策树为n时得到的各土地利用类型[39].
（2）CARS 在各类用地发展概率的限制约束下，模型基于多类随机种子和阈值递减机制生成土地利用斑块[40]，计算公式为：
|
(4) |
式中，OPi, kd=1, t为第i个斑块在t时刻转变为k地类的综合概率，Pi, kd为第i个斑块转向k地类的适宜性概率，Ωi, kt为k地类在下一个邻域内的覆盖比例，Dkt为未来需求对k地类的影响.
以合肥市2012年和2017年土地利用数据为基础，选取高程、人口和GDP等12个影响因子，应用PLUS模型预测2022年土地利用情况. 将预测结果与实际的2022年土地利用数据进行对比分析，得到Kappa系数为0.96，总体精度为0.97，表明模拟结果具有高精度性. 因此，可应用模型预测2032年的合肥市土地利用情况.
3 结果与分析 3.1 土地利用分析 3.1.1 土地利用变化合肥市2012~2022年土地利用现状及变化如图 2和表 4所示，在土地利用空间分布上，图 2表明合肥市主要用地类型为耕地、林地、草地、水体、建设用地和未利用地，耕地为主要建设类型，建设用地面积持续增加，中心城区不断向外扩张；水域集中在合肥东南部，以巢湖为代表，10 a间呈现缓慢下降趋势；林地以乔木林地为主，主要分布在庐江县、巢湖市、肥东县及肥西县，集中在紫蓬山、大蜀山、浮槎山、鼓山、银屏山、牛王寨、冶父山和雾顶山等山脉地区，面积总体上趋于稳定，变化较小；草地分散分布于中南部，以小斑块为主，分布在各土地类型之间，未利用地10 a间基本保持不变，在中心城区以北有零星未利用地增加.
|
图 2 2012~2022年合肥市土地利用类型分布 Fig. 2 Distribution of land use types in Hefei from 2012 to 2022 |
|
|
表 4 2012~2022年合肥市各土地利用类型面积及占比 Table 4 Area and proportion of each land cover type in Hefei from 2012 to 2022 |
根据表 4可知，2012~2022年，以耕地为主的合肥市土地利用格局总体保持稳定，但局部存在变化，主要表现为建设用地面积快速增加，草地、耕地、林地及水体面积均有所下降. 其中，耕地占比由2012年的75.47%下降至2022年的73.49%，减少了227.499 3 km2，在所有土地利用类型中面积减少最多；水体面积减少60.801 3 km2，占比由9.83%下降至9.30%；草地和林地面积分别减少1.107 0km2和24.263 1 km2，至2022年占比为0.01%和4.79%；建设用地面积由2012年的1 110.512 7 km2增加至2022年的1 424.179 8 km2，增加了313.667 1 km2，面积占比上涨至12.41%；未利用地面积基本保持不变.
基于2012~2022年土地利用数据构建合肥市土地利用转移矩阵（表 5）. 数据表明，2012~2022年，耕地主要转出为建设用地、林地和水体，转出面积分别为304.080 3、71.658 0和83.485 8 km2，所有地类共计转出耕地面积459.927 0 km2，耕地转入类型主要为林地和水体，转入面积分别为93.553 2 km2和137.925 9 km2，耕地面积共计转入232.427 7 km2. 建设用地面积转入主要来源于耕地，共转入304.080 3 km2，各地类总转入面积共计315.585 9 km2，建设用地转出面积较少，10 a间总计转出1.919 1 km2. 此外，林地和水体除向耕地转出外无较大面积转移. 总体上，耕地转移面积居于首位，建设用地转入面积最多.
|
|
表 5 2012~2022年合肥市土地利用转移矩阵/km2 Table 5 Land use transfer matrix in Hefei from 2012 to 2022/km2 |
3.1.2 土地利用扩张分析
将合肥市2012年和2022年土地利用数据在ArcGIS中进行重分类后导入PLUS模型，通过LEAS模块及随机森林算法得到不同驱动因子对土地利用类型的贡献值，叠加各土地利用类型增加区域和最高影响因子栅格数据，绘制结果如图 3所示. 高程是影响耕地、林地和水域扩张的主要因子，耕地增加区域主要分布在地形平坦且人口密度相对较小的地区，林地和水域扩张大多基于原先生态本底，并受海拔、降水量、温度等因素影响，草地受到坡度影响较高，建设用地扩张主要受到一级、二级道路距离与人口等因子影响，增加区域主要分布在人口稠密、经济活动频繁和交通便利的区域，以中心城区扩张最为显著，由此可知社会经济因素对建设用地增加具有重要作用. 土壤类型在各地类扩张驱动因子中的贡献值均较小，说明土地扩张受土壤类型影响较小.
|
图 3 2012~2022年合肥市土地利用驱动因子贡献度 Fig. 3 Contribution degree of land use driving factors in Hefei from 2012 to 2022 |
基于合肥市3期土地利用数据，应用InVEST模型计算2012~2022年合肥市生境质量. 参考已有研究[41~43]，将合肥市生境质量划为5个等级：低（0~0.2）、较低（0.2~0.4）、中等（0.4~0.6）、较高（0.6~0.8）和高（0.8~1.0），同时计算各等级面积占比及转移情况，结果如表 6、图 4和表 7所示.
|
|
表 6 2012~2022年合肥市各等级生境质量面积及占比 Table 6 Area and proportion of habitat quality classes in Hefei from 2012 to 2022 |
|
图 4 2012~2022年合肥市生境质量分布 Fig. 4 Habitat quality distribution in Hefei from 2012 to 2022 |
|
|
表 7 2012~2022年合肥市生境质量等级转移矩阵/km2 Table 7 Habitat quality grade transfer matrix in Hefei from 2012 to 2022/km2 |
表 6可知，2012~2022年，只有低生境质量面积增加，其他各等级的面积均减少. 2022年低生境质量面积达到1 424.240 1 km2，占比为12.41%，10 a内增加了313.670 7 km2，面积占比相较于2012年上涨了2.73%；高、较高、中等和较低生境质量区域面积都有不同程度下降，其中，较低生境质量是主导类型，面积最大，但也减少最多，2022年面积为8 435.040 3 km2，比2012年减少232.251 3 km2.
图 4表明，合肥市生境质量空间分布差异明显，较低生境质量区域空间分布最广，低、较高和高生境质量区域形成明显的面状集聚区，中等生境质量区域则呈零散分布. 具体的，高质量生境质量区域主要分布在合肥南部，典型代表为巢湖水域及各山脉所在地，土地类型以水体和林地为主，自身物种多样性丰富且生态环境良好，同时由于政策限制，较少开展建设活动，受人类干扰程度最小. 较高生境质量区域主要分布在水域边缘及银屏山、牛王寨和雾顶山等山林地带. 中等生境质量区域主要是零散分布的林地，较低生境区域以耕地为主，在市域内均有分布，北部分布密度大于南部. 低生境质量区域高度集中于中心城区及各县城地区，地类以建设用地为主，中心城区作为合肥市发展重点，建设用地持续向四周扩展延伸，同时巢湖市城区、庐江县城区和长丰县城区等城市集中建设区域均表现为低生境质量. 总体上，合肥市生境质量空间分布呈现“北低南高，较低为主”的格局，此外还有一个明显特点即以巢湖与中心城区为代表的高和低生境质量区域作为两大集聚核心，形成独特的城湖“双核”空间结构. 这与合肥市作为特色鲜明的环湖城市具有内在一致性，巢湖是合肥市最大最重要的生态源地，但以保护为主的生态环境政策也会限制合肥市中心城区的空间扩张，由此凸显了合肥市基于“城湖共生”的生态环境系统面临的机遇和挑战.
表 7显示，2012~2017年，合肥市生境质量退化类型以较低→低和高→较低为主，合计转移面积220.068 9 km2，占市域总面积的1.92%；改善类型以较低→高和中等→高为主，合计改善面积139.039 2 km2，占合肥市总面积的1.21%；2017~2022年，退化类型仍以较低→低和高→较低为主，合计转移面积311.505 3 km2，占总面积的2.71%，改善类型以较低→高和中等→高为主，合计改善面积57.426 3 km2，占比0.50%. 2012~2022年，合肥市生境质量等级转移中，高→较低、高→低、高→中等、较高→较低、较高→中等、中等→较低和较低→低等区域转移面积扩大，尤其是低等级生境质量区域大幅增加313.670 7 km2，较低生境质量区域减少232.251 3 km2，中等和较高生境质量区域面积分别减少50.250 6 km2和23.847 3 km2，高生境质量区域减少7.321 5 km2. 总体上，合肥市近10 a生境质量呈现明显的下降态势.
3.3 土地利用变化模拟预测应用PLUS模型预测得到2032年合肥市土地利用情况（图 5），并计算得到各用地类型面积及土地利用转移矩阵（表 8）. 2032年各地类面积（km2）预测分别为：8 206.947 9（耕地）、526.858 2（林地）、0.663 3（草地）、1 068.453 0（水体）、0.042 3（未利用地）和1 671.011 1（建设用地）. 2022~2032年，耕地面积持续下降，共减少225.252 0 km2，林地、草地和未利用地分别下降22.375 8、0.196 2和0.018 0 km2，水域面积无明显变化，与2022年基本持平. 建设用地面积达到1 671.011 1 km2，增加246.831 3 km2，占比14.56%，提高了2.15%，除中心城区进一步扩大外，巢湖市、庐江县及长丰县等的建设用地也有所增加，主要集中在市县政府所在地. 总体上，2012~2032年，合肥市耕地面积持续减少了452.751 3 km2，建设用地面积持续增加了560.498 4 km2，是所有地类中变化最大的两种，耕地减少与建设用地增加构成了合肥市土地利用变化的主轴线.
|
图 5 2032年合肥市土地利用类型预测 Fig. 5 Prediction of land use types in Hefei in 2023 |
|
|
表 8 2022~2032年合肥市土地利用转移矩阵/km2 Table 8 Land use transfer matrix in Hefei from 2022 to 2032/km2 |
表 8显示，2022~2032年，合肥市耕地面积转入主要来源于建设用地、林地和水体，转入面积分别为97.774 5、19.295 6和27.556 5 km2，共计转入耕地面积144.734 1 km2，耕地转出主要为建设用地、林地和水体，转出面积分别为324.036 5、18.141 3和28.080 4 km2，共计转出耕地面积370.348 6 km2. 同时，建设用地面积转入主要来源于耕地、林地和水体，转入面积分别为324.036 5、20.441 1和2.963 3 km2，共计转入建设用地347.589 9 km2. 建设用地转出主要为耕地和水体，转出面积分别为97.774 5 km2和2.462 9 km2，共计转出建设用地100.517 5 km2. 总体上，合肥市耕地和建设用地的相互转化最明显，耕地、林地和水体向建设用地转化的程度最剧烈. 这也表明，随着未来合肥城镇化的进一步发展，耕地、林地、水体等将被迫继续向建设用地转变，建设用地持续增加将是合肥市土地利用变化的一个长期趋势.
3.4 生境质量模拟以模拟预测的2032年合肥市土地利用数据为基础，利用InVEST模型模拟未来合肥市生境质量（图 6），并计算各等级生境质量面积变化（表 9）. 结果表明：低生境质量区域进一步扩大，相较2022年增加了246.813 3 km2，占比达14.56%；高和较高等级生境质量区域基本保持稳定，10 a内变化量分别为21.121 7 km2和8.246 4 km2，面积略有减少；较低和中等生境质量区域面积分别变化至8 209.149 3 km2和781.986 4 km2，分别减少225.891 0 km2和增加8.789 2 km2，但较低生境质量仍是占比面积最大的等级区域，占比达到71.5438%. 合肥市生境质量差异较为明显，但生境质量格局未产生较大改变，以中心城区为分界点，呈现北低南高的态势，整体上仍以较低生境质量区域为主. 总体上，合肥市2022年和2032年的生境质量面积差异较明显，但生境质量的未来空间格局未产生较大变化，仍以中心城区为分界点，呈现“北低南高，较低为主”的基本态势. 同时，以巢湖与中心城区为代表的高和低生境质量区域形成的独特城湖“双核”空间结构仍是一个突出特点.
|
图 6 2032年合肥市生境质量预测 Fig. 6 Habitat quality prediction in Hefei in 2032 |
|
|
表 9 2022~2032年合肥市生境质量等级转移矩阵/km2 Table 9 Habitat quality grade transfer matrix in Hefei from 2022 to 2032/km2 |
根据表 9可知，2022~2032年，合肥市生境质量主要退化类型为较低→低，转移面积为324.315 2 km2，其他退化类型包括中等→低、中等→较低、较高→中等和高→较高等，生境退化面积共计445.145 2 km2，低生境区域持续增加. 改善类型以低→较低和较低→中等为主，面积分别为99.638 4 km2和45.727 2 km2，此外还有少量低→中等、低→较高、低→高、较低→较高、中等→较高和较高→高，生境改善面积共计149.518 2 km2. 对比可知，由于合肥市正处于快速发展期，各种开发建设活动不可避免，导致未来10 a内生境总退化面积显著大于总改善面积，生境质量仍将延续下降态势.
3.5 土地利用变化对生境质量的响应生境贡献率的正负分别代表土地利用变化对生境的积极或消极影响，其绝对值大小代表土地利用转移对生境影响的强度[44]，由于部分地类间的转化面积过小，生境贡献率数值大小无限趋近于0（图 7）. 结合图 7及表 5综合来看，以生境质量增减进行分析，生境质量正向改善主要为耕地转向水体，2012~2022年，耕地向水体共转出83.485 8 km2，其次，耕地→林地、建设用地→水体、草地→林地、未利用地→耕地和未利用地→草地均促进生境质量改善，生境质量演变呈现正相关. 生境下降主要是生态用地转化为生活生产用地，例如草地→建设用地、林地→建设用地、水体→建设用地、草地→耕地、林地→耕地和水体→耕地等引起生境质量下降. 耕地→建设用地影响最为显著，其转化面积共计304.080 3 km2，在所有转化类型中面积最大，此外林地及水体向耕地转化面积分别为93.553 2 km2和137.923 2 km2. 总体上，2012~2022年合肥市生境质量趋于下降.
|
1.草地，2.耕地，3.建设用地，4.林地，5.水体，6.未利用地；“—”表示地类无转化 图 7 合肥市主要土地利用类型生境贡献率 Fig. 7 Habitat contribution rate of main land use types in Hefei |
2022~2032年，除去耕地向建设用地转化外，其他土地类型的相互转化大致趋于稳定，耕地向建设用地的转化是导致生境质量下降的主要原因，林地→建设用地、林地→耕地和草地→建设用地等虽然引起生境质量下降，但其转化面积较小，生境贡献率占比也相对较小；林地转为水体在一定程度上促进了生境质量改善，但与2012~2022年相比，所有地类生境贡献率均有下降. 总体上，合肥市生境质量变化与土地利用类型转移联系紧密，林地和水体等生态用地对生境质量做出直接贡献，建设用地和耕地等生产用地对生态系统恢复功能产生负面影响，2012~2022年以及预测的2022~2032年，对生态环境产生正面影响的土地利用转化面积小于产生负面影响的土地利用转化面积，因此2012~2022年及2022~2032年合肥生境质量呈现不断下降趋势.
4 讨论根据前文分析可知，合肥市生境质量下降主要原因是经济社会快速发展导致建设用地扩张. 作为长江经济带、长三角一体化等国家发展战略的重要节点城市和安徽省会，合肥市的城镇化、工业化进程全面加速，这对生态环境带来巨大压力和影响，林地、草地和水体等高生境适宜性地类被迫向建设用地等低生境适宜性地类转化，从而造成生境质量下降. 其次，城镇化导致大量人口向城镇迁移，合肥市中心城区及下辖各县城区的建设用地需求持续扩大，这不仅要占用大量耕地，而且对周边生态环境产生剧烈干扰和威胁，生境质量也由此下降. 此外，高生境质量区域主要分布在水体及山脉附近，这与Bai等在其他地区的研究结果相似[45]. 巢湖及山脉作为合肥市高生境质量的主要贡献源，在近年的开发建设过程中均受到影响而导致生境质量下降. 例如，修建环巢湖大道使得湖滨带原生植物遭到破坏，导致生态服务功能退化，进而削弱了巢湖对污染源的降解作用，但总体上其受到人类活动影响仍相对较小，生境质量仍维持着较高水平[46]. 尽管目前合肥市采取了一系列生态保护措施，但随着城市发展建设速度不断加快，开发与保护的问题愈发不容忽视，人地矛盾将更加突出，土地利用类型也将加速转移，生境质量仍可能继续退化. 作为国家级园林城市，如何缓解生态保护和城市发展间的对立与矛盾、促进二者关系迈向良性循环是合肥市实现可持续发展的关键.
城市发展建设需要赋予自然呼吸的空间，城市生态系统良性循环是自然与人文和谐共生的重要体现[47]. 提高合肥市生境质量可从两方面入手：一要按照国土空间规划确定的城镇开发边界来约束开发建设活动，提高土地利用效率，严控建设用地盲目扩张；二要制定生态环境保护策略，严格落实生态保护红线保护政策，逐步提高森林、草地、水体等面积占比，以此改善现有生境质量，筑牢生态安全底线，进而推动合肥实现可持续发展.
本研究利用InVEST-PLUS耦合模型分析了合肥市土地利用和生境质量的时空演变特征，并对未来发展进行了模拟预测，研究结果可为合肥市生态保护和发展建设提供理论参考和科学依据. 由于土地利用变化存在较大不确定性且受到多方面因素影响，未来将加入更多因素进行模拟，以期获得更精确的预测结果. 此外，InVEST模型中的部分参数设置依赖专业经验，并具有一定主观性，如何进一步优化模型参数使研究结果更加科学可靠，也是未来研究的一个重要方向.
5 结论（1）合肥市土地利用类型以耕地为主，建设用地、水体和林地次之，2012~2022年，建设用地增加与耕地减少是合肥市土地利用变化的显著特点，其他地类面积也均有不同程度的变化；耕地、建设用地、林地和水体的相互转化是合肥市土地利用转移的主导类型，其中，耕地转为建设用地最明显.
（2）通过PLUS模型预测2022~2032年合肥市土地利用类型变化，建设用地面积将持续增加，耕地面积则显著下降，林地、草地和水体面积变化不显著，土地利用类型转移主要为耕地转为建设用地.
（3）InVEST模型分析表明，合肥市生境质量在2012~2022年持续下降；InVEST-PLUS耦合模型预测2022~2032年合肥市生境质量仍呈下降态势，其中，低生境质量区域面积明显增加，较低、中等、较高和高生境质量区域面积均有不同程度地减少.
| [1] |
刘晖, 吴小辉, 李仓拴. 生境营造的实验性研究(二): 场地生境类型划分与分区[J]. 中国园林, 2017, 33(7): 46-53. Liu H, Wu X H, Li C S. An experimental research approach on habitat-site design (Ⅱ): study on habitat-site types and zoning in urban green space[J]. Chinese Landscape Architecture, 2017, 33(7): 46-53. |
| [2] |
周维世, 翟俊. 基于InVEST模型的淀山湖片区生境质量评估及景观优化研究[J]. 园林, 2024, 41(2): 62-71. Zhou W S, Zhai J. Assessment of habitat quality and landscape optimization in Dianshan Lake area based on the InVEST model[J]. Landscape Architecture Academic Journal, 2024, 41(2): 62-71. |
| [3] |
郑贱成, 谢炳庚, 游细斌. 基于土地利用变化的广东省生境质量时空演变特征[J]. 生态学报, 2022, 42(17): 6997-7010. Zheng J C, Xie B G, You X B. Spatio-temporal characteristics of habitat quality based on land-use changes in Guangdong Province[J]. Acta Ecologica Sinica, 2022, 42(17): 6997-7010. |
| [4] |
彭建, 吴见, 徐飞雄, 等. 基于价值评估的黄山市生境质量时空演变特征分析[J]. 生态学报, 2021, 41(2): 665-679. Peng J, Wu J, Xu F X, et al. Spatio-temporal evolution characteristics of habitat quality in typical tourism cities based on value evaluation: a case study of Huangshan[J]. Acta Ecologica Sinica, 2021, 41(2): 665-679. |
| [5] | Sherrouse B C, Semmens D J, Clement J M. An application of social values for ecosystem services (SolVES) to three national forests in Colorado and Wyoming[J]. Ecological Indicators, 2014, 36: 68-79. DOI:10.1016/j.ecolind.2013.07.008 |
| [6] |
张红娟, 高艳, 华亚伟, 等. SolVES模型价值转移方法对不同空间尺度的响应评估[J]. 生态学报, 2019, 39(24): 9233-9245. Zhang H J, Gao Y, Hua Y W, et al. Response of a SolVES model value transfer method to different spatial scales[J]. Acta Ecologica Sinica, 2019, 39(24): 9233-9245. |
| [7] |
温煜华. 2011-2021年甘肃省生态环境质量综合评价及时空演变特征分析[J]. 干旱区资源与环境, 2024, 38(6): 110-119. Wen Y H. Assessment and spatial-temporal evolution of ecological environment in Gansu Province from 2011 to 2021[J]. Journal of Arid Land Resources and Environment, 2024, 38(6): 110-119. |
| [8] | Collier J J, Chiotti J A, Boase J, et al. Assessing habitat for lake sturgeon (Acipenser fulvescens) reintroduction to the Maumee River, Ohio using habitat suitability index models[J]. Journal of Great Lakes Research, 2022, 48(1): 219-228. DOI:10.1016/j.jglr.2021.11.006 |
| [9] |
刘玮, 辛美丽, 周健, 等. 基于生境适宜性指数模型的俚岛海黍子生境层级分布[J]. 应用生态学报, 2021, 32(3): 1061-1068. Liu W, Xin M L, Zhou J, et al. Habitat hierarchies distribution of sargassum muticum in Lidao bay, Shandong, China based on habitat suitability index model[J]. Chinese Journal of Applied Ecology, 2021, 32(3): 1061-1068. |
| [10] |
魏文飞, 包玉, 王志泰, 等. 喀斯特多山城市生境质量对土地利用变化的时空响应——以贵阳市为例[J]. 生态学报, 2023, 43(10): 3920-3935. Wei W F, Bao Y, Wang Z T, et al. Spatio-temporal responses of urban environment quality to land use change in mountainous cities of Karst areas[J]. Acta Ecologica Sinica, 2023, 43(10): 3920-3935. |
| [11] | Yang Y Y. Evolution of habitat quality and association with land-use changes in mountainous areas: a case study of the Taihang Mountains in Hebei Province, China[J]. Ecological Indicators, 2021, 129. DOI:10.1016/j.ecolind.2021.107967 |
| [12] | Wang Y Y, Chao B X, Dong P, et al. Simulating spatial change of mangrove habitat under the impact of coastal land use: coupling MaxEnt and Dyna-CLUE models[J]. Science of the Total Environment, 2021, 788. DOI:10.1016/j.scitotenv.2021.147914 |
| [13] |
任胤铭, 刘小平, 许晓聪, 等. 基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响[J]. 生态学报, 2023, 43(11): 4473-4487. Ren Y M, Liu X P, Xu X C, et al. Multi-scenario simulation of land use change and its impact on ecosystem services in Beijing-Tianjin-Hebei region based on the FLUS-InVEST Model[J]. Acta Ecologica Sinica, 2023, 43(11): 4473-4487. |
| [14] |
李亚楠, 多玲花, 张明. 基于CA-Markov和InVEST模型的土地利用格局与生境质量时空演变及预测——以江西省南昌市为例[J]. 水土保持研究, 2022, 29(2): 345-354. Li Y N, Duo L H, Zhang M. Evolution and prediction of land use pattern and habitat quality based on CA-Markov and InVEST Model-a case study of Nanchang City in Jiangxi Province[J]. Research of Soil and Water Conservation, 2022, 29(2): 345-354. |
| [15] |
唐娇娇, 余成, 张委伟, 等. 基于CLUE-S和InVEST模型的苏州市生境质量评估及预测[J]. 环境工程技术学报, 2023, 13(1): 377-385. Tang J J, Yu C, Zhang W W, et al. Habitat quality assessment and prediction in Suzhou based on CLUE-S and InVEST models[J]. Journal of Environmental Engineering Technology, 2023, 13(1): 377-385. |
| [16] |
梁甜, 黄茜, 杨霏, 等. 基于InVEST-PLUS模型的三峡库区(重庆段)生境质量演变及预测[J]. 长江流域资源与环境, 2023, 32(10): 2184-2195. Liang T, Huang X, Yang F, et al. Evolution and prediction of habitat quality in the three gorges reservoir (Chongqing section) based on the InVEST-PLUS model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(10): 2184-2195. |
| [17] |
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136. Hu F, Zhang Y, Guo Y, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136. |
| [18] | Niu L, Zhang Z F, Liang Y Z, et al. Assessing the impact of urbanization and eco-Environmental quality on regional carbon storage: a multiscale spatio-temporal analysis framework[J]. Remote Sensing, 2022, 14(16). DOI:10.3390/rs14164007 |
| [19] |
胡佶熹, 勒先文, 王卫林, 等. 基于PLUS-InVEST模型的江西省生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(6): 3284-3296. Hu J X, Le X W, Wang W L, et al. Temporal and spatial evolution and prediction of ecosystem carbon storage in Jiangxi Province based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(6): 3284-3296. |
| [20] |
孙一帆, 徐梦菲, 汪霞. 基于InVEST-PLUS模型的郑州市碳储量时空演变及空间自相关分析[J]. 水土保持通报, 2023, 43(5): 374-384. Sun Y F, Xu M F, Wang X. Spatial-temporal evolution of carbon storage and spatial autocorrelation analysis in Zhengzhou City based on InVEST-PLUS model[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 374-384. |
| [21] | Li Y H, Yao S, Jiang H Z, et al. Spatial-temporal evolution and prediction of carbon storage: an integrated framework based on the MOP-PLUS-InVEST model and an applied case study in Hangzhou, east China[J]. Land, 2022, 11(12). DOI:10.3390/land11122213 |
| [22] | Li S F, Hong Z L, Xue X P, et al. Evolution characteristics and multi-scenario prediction of habitat quality in Yulin City based on PLUS and InVEST models[J]. Scientific Reports, 2024, 14(1). DOI:10.1038/s41598-024-62637-4 |
| [23] | Hu N, Xu D, Zou N, et al. Multi-scenario simulations of land use and habitat quality based on a PLUS-InVEST model: a case study of Baoding, China[J]. Sustainability, 2022, 15(1). DOI:10.3390/su15010557 |
| [24] |
程爱国, 程鹏, 吴楠. 基于InVEST模型的区域生境质量对土地覆被变化的响应——以合肥市为例[J]. 安徽农学通报, 2020, 26(18): 60-66. Cheng A G, Cheng P, Wu N. Response of regional habitat quality to land cover change based on InVEST model——a case study of Hefei City[J]. Anhui Agricultural Science Bulletin, 2020, 26(18): 60-66. DOI:10.3969/j.issn.1007-7731.2020.18.025 |
| [25] |
陈永生, 李莹莹, 张前进. 基于GIS的合肥市中心城区公园绿地功能综合评价[J]. 中国农业大学学报, 2019, 24(3): 137-145. Chen Y S, Li Y Y, Zhang Q J. Comprehensive evaluation of park green space function in the urban area of Hefei City centre: based on GIS[J]. Journal of China Agricultural University, 2019, 24(3): 137-145. |
| [26] | Yang X W, Wei G Y, Liang C Z, et al. Construction of ecological security pattern based on ecosystem service evaluation and minimal cumulative resistance model: a case study of Hefei City, China[J]. Environment, Development and Sustainability, 2023, 26(4): 10681-10700. DOI:10.1007/s10668-023-03170-8 |
| [27] |
姚侠妹, 陈媛媛, 偶春, 等. 城市绿色空间时空演变及其生态效益研究——以合肥市区为例[J]. 长江流域资源与环境, 2023, 32(1): 51-61. Yao X M, Chen Y Y, Ou C, et al. Spatio-temporal evolution and ecological benefits of urban green space: takes Hefei municipal area as an example[J]. Resources and Environment in the Yangtze Basin, 2023, 32(1): 51-61. |
| [28] |
赵旭辉, 张付海, 王含月, 等. 合肥市典型臭氧污染特征及成因分析[J]. 中国环境监测, 2022, 38(4): 90-103. Zhao X H, Zhang F H, Wang H Y, et al. Typical characteristics and causes of the ozone pollution process in Hefei[J]. Environmental Monitoring in China, 2022, 38(4): 90-103. |
| [29] | Zhang Z D, Xie P H, Li A, et al. Spatial-temporal distribution and emission of urban scale air pollutants in Hefei based on Mobile-DOAS[J]. Journal of Environmental Sciences, 2025, 151: 238-251. DOI:10.1016/j.jes.2024.02.037 |
| [30] |
张晓瑞, 贺岩丹, 方创琳, 等. 城市生态环境脆弱性的测度分区与调控[J]. 中国环境科学, 2015, 35(7): 2200-2208. Zhang X R, He Y D, Fang C L, et al. Measurement zoning and control of urban eco-environmental vulnerability[J]. China Environmental Science, 2015, 35(7): 2200-2208. DOI:10.3969/j.issn.1000-6923.2015.07.048 |
| [31] |
程帆, 顾康康, 杨倩倩, 等. 基于要素识别的多层级绿色基础设施网络构建——以合肥市为例[J]. 安徽建筑大学学报, 2018, 26(5): 52-58. Cheng F, Gu K K, Yang Q Q, et al. Multilevel green infrastructure network construction based on factor identification—A case study of Hefei[J]. Journal of Anhui Jianzhu University, 2018, 26(5): 52-58. |
| [32] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [33] |
巩杰, 马学成, 张玲玲, 等. 基于InVEST模型的甘肃白龙江流域生境质量时空分异[J]. 水土保持研究, 2018, 25(3): 191-196. Gong J, Ma X C, Zhang L L, et al. Spatiotemporal variation of habitat quality in Bailongjiang watershed in Gansu based on InVEST model[J]. Research of Soil and Water Conservation, 2018, 25(3): 191-196. |
| [34] |
刘汉仪, 林媚珍, 周汝波, 等. 基于InVEST模型的粤港澳大湾区生境质量时空演变分析[J]. 生态科学, 2021, 40(3): 82-91. Liu H Y, Lin M Z, Zhou R B, et al. Spatial and temporal evolution of habitat quality in Guangdong-Hong Kong-Macao Greater Bay Area based on InVEST model[J]. Ecological Science, 2021, 40(3): 82-91. |
| [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] |
周俊鑫, 蔡梅芳, 黄志强, 等. 江西省生境质量时空演化特征及预测[J]. 生态学报, 2023, 43(18): 7623-7636. Zhou J X, Cai M F, Huang Z Q, et al. Spatio-temporal evolution characteristics and prediction of habitat quality in Jiangxi Province[J]. Acta Ecologica Sinica, 2023, 43(18): 7623-7636. |
| [37] |
石晶, 石培基, 王梓洋, 等. 基于PLUS-InVEST模型的酒泉市生态系统碳储量时空演变与预测[J]. 环境科学, 2024, 45(1): 300-313. Shi J, Shi P J, Wang Z Y, et al. Spatial-temporal evolution and prediction of carbon storage in Jiuquan city ecosystem based on PLUS-InVEST model[J]. Environmental Science, 2024, 45(1): 300-313. |
| [38] |
杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例[J]. 干旱区资源与环境, 2022, 36(10): 86-95. Yang S, Su H, Zhao G P. Multi－scenario simulation of urban ecosystem service value based on PLUS model: a case study of Hanzhong city[J]. Journal of Arid Land Resources and Environment, 2022, 36(10): 86-95. |
| [39] |
冀泳帆, 贾鲁净, 杨联安, 等. 耦合InVEST-PLUS模型的榆林市生境质量时空演变及预测分析[J]. 水土保持学报, 2023, 37(1): 123-132. Ji Y F, Jia L J, Yang L A, et al. Spatio-temporal evolution and prediction analysis of habitat quality in Yulin City coupled with InVEST-PLUS model[J]. Journal of Soil and Water Conservation, 2023, 37(1): 123-132. |
| [40] |
孙欣欣, 薛建辉, 董丽娜. 基于PLUS模型和InVEST模型的南京市生态系统碳储量时空变化与预测[J]. 生态与农村环境学报, 2023, 39(1): 41-51. Sun X X, Xue J H, Dong L N. Spatiotemporal change and prediction of carbon storage in Nanjing ecosystem based on PLUS model and InVEST model[J]. Journal of Ecology and Rural Environment, 2023, 39(1): 41-51. |
| [41] |
岳文泽, 夏皓轩, 吴桐, 等. 浙江省生境质量时空演变与生态红线评估[J]. 生态学报, 2022, 42(15): 6406-6417. Yue W Z, Xia H X, Wu T, et al. Spatio-temporal evolution of habitat quality and ecological red line assessment in Zhejiang Province[J]. Acta Ecologica Sinica, 2022, 42(15): 6406-6417. |
| [42] |
李胜鹏, 柳建玲, 林津, 等. 基于1980—2018年土地利用变化的福建省生境质量时空演变[J]. 应用生态学报, 2020, 31(12): 4080-4090. Li S P, Liu J L, Lin J, et al. Spatial and temporal evolution of habitat quality in Fujian Province, China based on the land use change from 1980 to 2018[J]. Chinese Journal of Applied Ecology, 2020, 31(12): 4080-4090. |
| [43] |
张学儒, 周杰, 李梦梅. 基于土地利用格局重建的区域生境质量时空变化分析[J]. 地理学报, 2020, 75(1): 160-178. Zhang X R, Zhou J, Li M M. Analysis on spatial and temporal changes of regional habitat quality based on the spatial pattern reconstruction of land use[J]. Acta Geographica Sinica, 2020, 75(1): 160-178. |
| [44] |
刘晓菡, 乔秀娟. 大熊猫国家公园秦岭片区生境质量时空变化特征研究[J]. 西北林学院学报, 2024, 39(3): 179-188. Liu X H, Qiao X J. Spatio-temporal variation of habitat quality of the giant panda national park in the Qinling area, China[J]. Journal of Northwest Forestry University, 2024, 39(3): 179-188. |
| [45] | Bai L M, Xiu C L, Feng X H, et al. Influence of urbanization on regional habitat quality: a case study of Changchun City[J]. Habitat International, 2019, 93. DOI:10.1016/j.habitatint.2019.102042 |
| [46] |
王滢, 李代伟, 张帆, 等. 基于Google Earth Engine的巢湖流域生态环境质量时空动态变化及影响因素分析[J]. 测绘通报, 2023(7): 7-13. Wang Y, Li D W, Zhang F, et al. Spatial and temporal dynamic change and influencing factors of ecological environment quality in Chaohu Lake basin based on GEE[J]. Bulletin of Surveying and Mapping, 2023(7): 7-13. |
| [47] |
王建, 苏涛, 朱菲, 等. 城乡生态质量对经济快速增长区建设用地扩张的响应——以合肥为例[J]. 测绘通报, 2022(8): 54-60. Wang J, Su T, Zhu F, et al. The response of urban and rural ecological quality to the expansion of construction land in rapid economic growth zone: taking Hefei as an enample[J]. Bulletin of Surveying and Mapping, 2022(8): 54-60. |