环境科学  2026, Vol. 47 Issue (9): 6353-6364   PDF    
引用本文
张维栋, 董斌, 朱培桢, 彭聪阁, 王昊, 屈建伸, 韩月侠. 长三角地区土地利用与生态系统服务时空变化多情景模拟[J]. 环境科学, 2026, 47(9): 6353-6364.
ZHANG Wei-dong, DONG Bin, ZHU Pei-zhen, PENG Cong-ge, WANG Hao, QU Jian-shen, HAN Yue-xia. Prediction of Ecosystem Service Evolution and Trade-off/Synergy Analysis in the Yangtze River Delta Region[J]. Environmental Science, 2026, 47(9): 6353-6364.
长三角地区土地利用与生态系统服务时空变化多情景模拟
张维栋1,2, 董斌1, 朱培桢1,3, 彭聪阁1,2, 王昊1,2, 屈建伸1,2, 韩月侠1,3     
1. 安徽农业大学资源与环境学院，合肥 230036;
2. 安徽农业大学林学与园林学院，合肥 230036;
3. 安徽农业大学经济管理学院，合肥 230036
收稿日期: 2025-05-31; 修订日期: 2025-09-24
基金项目: 国家自然科学基金项目（32071600，41571101）
作者简介: 张维栋（2002~），男，硕士研究生，主要研究方向为地理信息技术及其生态环境应用，E-mail: 2768147016@qq.com
通信作者: 董斌, E-mail：dongbin@ahau.edu.cn
摘要: 生态系统服务功能在新时代高质量生态发展背景下具有重要的研究意义. 以长三角地区为研究区域，基于PLUS-InVEST模型评估1990~2020年研究区内5项生态系统服务功能，利用地理探测器模型识别其主导其空间分异的驱动因子. 在土地利用预测的基础上模拟了在不同情景下研究区2030年生态系统服务功能的空间分布. 结果表明：①1990~2020年间，长三角地区的碳储量、生境质量和土壤保持表现为南高北低，粮食生产功能呈现南部和西南部较高，北部较低的分布. 产水量则主要集中分布在南部山区. ②高程与坡度是碳储量、生境质量、土壤保持和粮食生产变化的主导驱动因素. 产水量功能方面，气候因素起主导作用，年降水量的空间分布能够解释产水量的空间分异. ③与2020年相比，自然发展情景下，研究区的产水量、粮食生产和生境质量增加，碳储量和土壤保持量下降；在生态保护情景下，5项生态系统服务功能均有所提升；而在耕地保护情景下，碳储量、粮食生产和土壤保持量有所增加，产水量和生境质量下降. 研究结果可为长三角地区生态保护及管理提供科学参考.
关键词: InVEST模型      生态系统服务功能（ES）      PLUS模型      长三角地区      未来情景预测     
Prediction of Ecosystem Service Evolution and Trade-off/Synergy Analysis in the Yangtze River Delta Region
ZHANG Wei-dong1,2 , DONG Bin1 , ZHU Pei-zhen1,3 , PENG Cong-ge1,2 , WANG Hao1,2 , QU Jian-shen1,2 , HAN Yue-xia1,3     
1. School of Resources and Environment, Anhui Agricultural University, Hefei 230036, China;
2. School of Forestry and Landscape Architecture, Anhui Agricultural University, Hefei 230036, China;
3. School of Economics and Management, Anhui Agricultural University, Hefei 230036, China
Abstract: Ecosystem services(ES) play a critical role in the context of high-quality ecological development in the new era. This study focuses on the Yangtze River Delta Region as the study area, employing the InVEST model to assess four key ecosystem services from 1990 to 2020, analyzing their spatiotemporal evolution patterns. Using the geographical detector model, we identify the dominant driving factors behind the spatial heterogeneity of these services. Additionally, GeoDa software is applied to conduct an in-depth analysis of the trade-offs and synergies among different ecosystem services. Finally, the PLUS model is utilized to simulate and predict the spatial distribution patterns of ecosystem services in 2030 under various development scenarios. The results showed: ① From 1990 to 2020, in the Yangtze River Delta Region, carbon storage and habitat quality were generally higher in the south and lower in the north and central areas. Food production, conversely, was higher in the north and lower in the south. Both habitat quality and soil conservation exhibited a distribution pattern with higher values in the south and southwest and lower values in the north. Water yield was primarily concentrated in the mountainous areas of Zhejiang and southern Anhui. ② Topography and elevation were the key factors influencing changes in carbon storage and soil conservation function, and population density was the key factor influencing changes in habitat quality, while annual precipitation was the primary driver influencing changes in water yield. Apart from topographic factors, precipitation and population density were the key factors influencing grain production. ③ Compared to the baseline year of 2020, the study area exhibited the following changes in ecosystem services under different scenarios: Under the natural development scenario, water yield and habitat quality increased, while carbon storage and soil retention decreased. Under the ecological protection scenario, carbon storage, water yield, and habitat quality all showed improvement. Finally, under the cropland protection scenario, carbon storage and soil retention increased, whereas water yield and habitat quality declined. This study provides valuable insights into the complex dynamics of ecosystem services in rapidly urbanizing regions, offering a scientific basis for regional ecological planning and sustainable development strategies.
Key words: InVEST model      ecosystem services(ES)      PLUS model      Yangtze River Delta      future scenario prediction     

生态系统服务（ecosystem services，ES）指生态系统为人类生存与发展提供的条件和效益[1]，是连接自然生态与人类福祉的关键纽带，其稳定协调对全球发展至关重要[2，3]. 2003年千年生态系统评估将其明确划分为支持、调节、供给和文化这四大类[4]. 如何准确评估生态系统服务功能、实现人地和谐，是生态文明建设的重要议题，近20 a相关研究进展显著[5~7]. 全球变暖与快速城市化导致城市扩张，引发极端天气和生物多样性丧失等问题，影响可持续发展，并重塑城市空间环境（如用地类型、设施布局和建筑形态），进而作用于城市气候与经济，削弱了生态系统的服务功能，导致生态系统过度利用[8~10].

我国大力推进生态文明建设，是较早将生物多样性与生态系统服务纳入规划的国家[11，12]. 《关于全面推进美丽中国建设的意见》提出实施“山水林田湖草沙”系统治理，以保护生物多样性和确保生态系统稳定[13~16]. 将生态系统服务功能融入规划决策，需厘清其本底状况、时空变化、空间格局、驱动因子及权衡协同关系[17~19]. 生态系统的服务功能也深刻影响其可持续管理. 有研究表明，服务功能明显变化会引发生态问题. 因此，亟需准确评估过去、现状和未来生态系统服务功能，明晰其相互关系，从新视角为生态可持续发展和区域生态安全格局维护提供依据. PLUS-InVEST模型的耦合，已成为土地利用变化与生态系统服务多情景模拟预测的核心技术框架，如丁岳等[12]通过多情景模拟预测环杭州湾碳储量变化. 张廷等[20]预测哈尔滨市土地利用和生境质量的时空变化. 于芝琳等[19]评估淮北市碳储量的时空演变及预测，旨在改善淮北市土地利用模式规划. 综合现有研究可见，PLUS-InVEST协同框架已发展为生态系统碳储量评估与预测的关键技术支撑[23]. 目前国内外学者对生态系统服务功能的研究在时序分析主要集中于历史与现状解析[24~27]，对生态系统服务从供给到达需求的流动过程研究较少，缺乏对多情景生态系统服务功能的实践探索. 进行生态系统服务功能的未来多情景推演，有助于改善生态系统服务能力，促进人类经济活动、气候调节和生态保护的协同发展.

长三角地区作为我国城镇化进程最快和经济集聚度最高的典型代表. 推动该区域生态保护与高质量发展的协调统一，是立足问题与目标导向的科学决策. 然而，高强度开发也使长三角面临生物栖息地碎片化、城市热岛效应加剧和生态系统调节功能减弱等生态环境挑战. 该区域地形地貌丰富多样，兼具山地、丘陵、平原和盆地等多种类型，是典型的多功能复合区域，对其生态系统服务功能预测的研究具有显著代表性. 为此，本研究选取碳储量、产水量、生境质量、土壤保持和粮食生产这5项核心生态系统服务指标耦合PLUS-InVEST模型和设置多种发展情景，对区域生态系统服务功能进行模拟预测. 本研究通过深化对长三角生态系统服务功能的理解，旨在为科学规划建设用地与耕地保护提供新视角.

1 材料与方法 1.1 研究区概况

长三角地区（114.56°~124.25°E，26.57°~35.67°N）位于我国东部沿海，覆盖江苏、浙江、安徽共40个地级市以及上海（图 1），区域总面积达35.8万km2. 该地区地貌类型主要为平原和丘陵，地势呈现出西南高、东北低的分布格局. 气候上，长三角地区属于典型的亚热带季风气候，年均降水量介于1 000~1 400 mm之间，年均气温保持在14~18℃之间，区域内水系发达、河湖纵横交错，生态系统类型丰富多样，具有显著的湿润气候特征.

图 1 研究区概况 Fig. 1 Overview of the study area

2005~2020年间，长三角地区的城市化进程加快，区域的经济发展势头强劲，GDP从46 189.7亿元跃升至244 713.53亿元，区域内的城市人口增长率达到了70.53%，城市建设用地的面积显著扩张，由6 215.03 km2迅速增加至12 002.8 km2. 然而，这种高速的城市化发展也带来了显著的生态代价. 人口集聚、土地扩张和经济活动的加剧导致自然资源过度消耗，区域生态系统受损严重. 具体表现为生物多样性显著下降、城市热岛效应日益加剧、粮食和水资源供应压力增大、水土流失问题突出以及人居环境质量持续恶化等问题. 以上生态问题的频发不仅威胁区域可持续发展，也对居民生活质量产生了深远影响.

1.2 数据来源

本文所需数据包括长三角区域土地利用数据（1990年、2000年、2010年和2020年）来源于武汉大学CLCD数据集（https:/zenodo.org/record/5210928），空间分辨率为30 m；DEM高程数据；坡度、地形数据；各因子距道路、河流和景点的距离；生物量碳储数据；年平均气温、降水数据及其他基础数据. 道路和水系数据来源于1∶100万全国基础地理信息数据库，DEM高程数据来源于地理空间数据云，其余数据来源于资源环境科学与数据中心. 驱动因子栅格分辨率均为250 m.

为确保研究数据的科学性和一致性，本文对多源空间数据进行系统整合与标准化处理. 参照《土地利用现状分类》（GB/T 21010⁃2017）国家标准，将原始土地利用类型重分类为6类：耕地、林地、草地、水体、未利用地和建设用地（图 2）. 地形因子数据来源于中国科学院地理空间数据云平台发布的30 m分辨率数字高程模型（DEM），通过空间分析提取地形坡度和坡向衍生参数. 所有预处理后的土地利用数据、驱动力因子及限制因子均进行了统一的空间投影转换. 考虑到PLUS模型的运算需求，研究将数据分辨率统一重采样至30 m.

图 2 1990~2000年土地利用变化 Fig. 2 Land use change from 1990 to 2000

1.3 研究方法 1.3.1 生态系统服务功能评估

本文采用生态系统服务功能综合评估方法，整合InVEST模型和ArcGIS 10.8平台，对长三角地区5项关键生态系统服务功能（碳储量、产水量、生境质量、土壤保持和粮食生产）进行量化评估. 模型参数主要依据InVEST技术文档和同类区域研究文献进行系统校准，确保模拟结果的可靠性和区域适用性.

（1）碳储量  生态系统碳储存主要包括4个组成部分：地上生物量（Cabove）、地下生物量（Cbelow）、土壤碳（Csoil）以及死亡有机物（Cdead）[28]. 相关公式如下：

Ctotal=Cabove+Cbelow+Csoil+Cdead (1)

式中，Ctotal为研究区碳总储量；Cabove为地上生物量碳储存；Cbelow为地下生物量碳储存；Csoil为土壤碳储存；Cdead为死亡有机碳储存[29]. 不同土地利用类型以及不同土壤类型的碳密度主要来自于研究区相关研究[30~32]（表 1）.

表 1 各土地利用类型碳密度/t·hm-2 Table 1 Carbon density of each land type/t·hm-2

（2）产水量  InVEST模型的水文调节服务评估模块，基于Budyko水热耦合平衡理论，整合区域降水、潜在蒸散发、土壤持水能力和植被截留等参数，实现栅格尺度产水量的空间模拟. 模型计算公式如下：

Y(a)=P(a)-P(a)2AET(a) (2)

式中，Y（a）为栅格单元a的年产水量（mm），AET（a）为栅格单元a的年实际蒸散量（mm），P（a）为栅格单元a的降水量（mm）[33，34].

（3）生境质量  InVEST模型的生物多样性评估模块，基于土地覆被分类数据识别4类主要生态威胁因子（农业用地、人工地表、裸露地表和水体），并构建了生境质量评估指标体系. 通过该模块实现了区域生境质量的定量评估和空间可视化表达，计算原理如下：

Qxj=Hj1-DxjZKZ+DxjZ (3)

式中，Qxj为土地利用类型j中栅格x的生境质量，Hj为土地利用j的生境属性，Z为归一化指数，K为半饱和常数[35，36].

（4）土壤保持  InVEST模型中的水土保持评估模块，基于修正版通用土壤流失方程RUSLE对研究区土壤保育功能进行量化评估. 通过该模块，能够系统评估植被覆盖、地形特征和土壤属性等因素对水土流失过程的综合影响，计算原理如下：

X=R×K×LS×(1-C×P) (4)

式中，X为单位面积土壤保持量（t·hm-2）；R为降雨侵蚀性因子[MJ·mm·（hm2·h·a）-1]；K为土壤可蚀性因子[t·h·（MJ·mm）-1]；LS为坡长坡度因子（无量纲）[37，38]；C和P分别为植被与作物管理因子和水土保持因子（无量纲）[39].

（5）粮食生产  InVEST模型中的粮食生产回归模型，基于粮食作物分布和施肥率（表 2），提供给定肥料投入的产量估计值. 该回归模型可以用公式表示为：

YmodGC=min{Ymax[1-bNexp(-cNNGC)],Ymax[1-bPexp(-cPPGC)],Ymax[1-bKexp(-cKKGC)]} (5)

其中，模型输出YmodGC​是3个潜在产量项的最小值. 每个项的形式为Ymax[1-bexp（-c×施肥率）]，表示施肥效应（氮、磷和钾分别对应NGC、PGC和KGC. 参数bP、bN​、bK、cN、cP和cK为模型拟合参数，Ymax​为理论最大产量.

表 2 各作物施肥率/kg·hm-2 Table 2 Fertilization rate of each crop/kg·hm-2

1.3.2 生态系统服务功能驱动因素分析

地理探测器用于识别空间分层异质性并揭示潜在驱动因素[40，41]. 本文构建了多维度驱动因子体系，包含3类共10个解释变量：自然驱动因子（高程、坡度、年降水总量、年均温）、社会经济驱动因子（地区生产总值、人口密度、夜间灯光指数）和空间可达性因子（景区邻近度、道路可达性、水体邻近度）. 通过方差膨胀因子（VIF）检验，所有解释变量的VIF值均小于5，表明各变量间不存在多重共线性问题（P < 0.01），满足多元回归分析的基本假设，可用于后续的驱动力分析与交互效应研究.

1.3.3 生态系统服务功能预测分析方法

PLUS模型（土地利用斑块动态模拟系统）是由中国地质大学地理空间智能实验室（HMSCIL@CUG）研发的创新型空间模拟平台[42]. 该模型采用基于斑块的模拟算法，能够有效捕捉土地利用转型特征，特别适用于土地利用格局演变过程的精细化模拟与预测分析[43，44]. 研究根据长三角地区实际情况，基于PLUS模型解析土地利用演变的驱动机制，制定地类扩张策略. 运用元胞自动机模型（CARS）迭代计算，实现区域的多情景土地利用模拟.

土地利用格局的演变受多因素综合驱动[44]. 本文基于自然条件和社会经济发展水平，筛选出10个关键驱动因子，包括GDP、人口规模和年平均气温等指标，计算研究时段内的均值作为输入数据. 尽管政策因素对我国土地利用变化具有显著影响，但由于其数据可获性和量化难度较高，本文采用转换成本的形式对其进行间接表征（表 3）.

表 3 领域权重参数 Table 3 Neighborhood weight parameters

本文以长三角地区1990~2010年的三期土地利用数据为基础，模拟2020年的土地利用情况，对比2020年真实土地利用数据计算Kappa系数进行精度验证. 计算得出Kappa系数为0.86，总体精度为0.91，表明PLUS模型对长三角地区土地利用变化模拟的精度满足研究需求，可以用于该地区2030年的土地利用变化模拟预测.

1.3.4 土地利用多情景模拟

为分析研究区不同发展导向下的土地利用演变趋势，本文设计了3种模拟情景：自然发展、生态保护和耕地保护情景，以预测2030年长三角地区的土地利用分布特征. 耕地保护情景严格管控耕地转为其他用途；生态保护情景则重点限制林地和水域的地类转化. 各情景转换成本如表 4所示.

表 4 2020~2030年各情景土地利用转换成本矩阵1） Table 4 Land use conversion cost matrix for each scenario from 2020 to 2030

1.3.5 生态系统服务功能预测

基于情景模拟方法，本文采用恒定参数假设，即保持2020年社会经济和自然环境要素不变的前提下，通过调整土地利用/覆被变化参数，构建了2030年3种发展情景下的生态系统服务功能预测模型.

结合InVEST软件对模拟后的2030年自然发展情景、生态保护情景和耕地保护情景下的5项生态系统服务功能进行评估. 借助ArcGIS软件功能统计2020~2030年间各生态系统服务功能的变化.

2 结果与分析 2.1 生态系统服务功能时空分布格局分析

1990~2000年，长三角地区生态系统服务功能时空分布特征显著. 碳储量南部较高、北部较低. 产水量由南向北逐级递减，与年均降水量的分布大体一致. 生境质量呈现南部高、北部低的格局，高值集中于安徽南部的丘陵及浙江. 粮食生产量呈北高南低的分布，高值集中在江苏北部、安徽北部. 土壤保持量呈现东北部和西北部低、南部高的格局，浙江的土壤保持量最高，其次为安徽东北部、江苏和上海（图 3）.

图 3 生态系统服务功能时空分布格局 Fig. 3 Spatial and temporal distribution pattern of ecosystem services

2.2 生态系统服务功能格局演变特征

利用ArcGIS软件计算1990~2020年长三角地区5项生态系统服务功能的空间均值（图 4）. 结果显示，研究区碳储量功能呈现明显的空间异质性，高值集聚分布于安徽南部-浙江西部山地；次高值区则零星分布于江淮丘陵过渡带，主要集中在安徽中部地区. 这种空间分布格局与区域地形特征和植被覆盖状况呈现高度一致性. 由于季风气候区降水的空间分布，产水量高值只存在于更接近水汽源的长三角地区南部. 生境质量方面，长三角地区的中、高值主要集中在安徽、浙江的山区. 粮食生产的高值主要集中在安徽北部和江苏北部的平原地区.

图 4 1990~2020年长三角地区生态系统服务功能均值空间分布 Fig. 4 Mean spatial distribution map of ecosystem service functions in the Yangtze River Delta region from 1990 to 2020

土壤保持与产水量服务则呈现出显著的纬度地带性特征，这与气候梯度和地形演变紧密相关. 南部亚热带季风区降水丰富且地势起伏大，而北部温带季风区则以平原地貌和高强度人类活动为主，共同导致生态系统服务呈现南高北低的分布格局.

基于ArcGIS软件探究1990~2020年长三角地区5项生态系统服务功能在空间上的变化趋势（图 5）. 结果显示，研究区生境质量呈现明显的空间分异：江淮平原受人类活动干扰呈现轻度退化趋势，浙江地区则因经济发展强度较高，叠加自然地理因素，形成局部显著退化斑块；而安徽南部山区及其周边平原则表现出明显的质量提升，这一现象可归因于其作为南北植物区系过渡带的特殊区位，孕育了我国东部最具代表性的生物多样性热点区域.

图 5 1990~2020年长三角地区生态系统服务功能时空变化趋势 Fig. 5 Temporal and spatial trends of ecosystem service functions in the Yangtze River Delta Region from 1990 to 2020

碳储量和粮食生产的空间分布主要受土地利用类型的影响，粮食生产同耕地面积一样出现南北分化. 至于土壤保持与产水功能，它们的空间分布格局与下垫面特征及气候因素密切相关. 具体而言，以江淮分水岭为界，东部平原区呈现出典型的亚热带季风气候特征，地形平坦，具备良好的水热条件；而西部山区则以黄山山脉为主，属于温带湿润季风气候，坡度较大. 此外，受山脉地形的屏障效应影响，研究区域内形成了显著的“岭南-岭北”气候分异. 这种水热条件的空间异质性对地表风化过程和植被群落分布产生了直接影响，为安徽南部地区土壤保持与产水功能的显著提升提供了合理解释.

2.3 生态系统服务功能变化的驱动因素 2.3.1 单因子探测

因子探测器的结果显示（图 6），高程（X1）对碳储量、土壤保持和粮食生产功能的影响程度最高，q值分别为0.91、0.93和0.74；坡度（X2）对生境质量功能的影响程度最高，q值为0.85；年降水量（X5）对产水量功能影响最高，q值为0.87；高程（X1）和坡度（X2）是影响长三角地区生态系统服务功能的关键因素.

图 6 单因子对生态系统服务功能的影响 Fig. 6 Impact of single factor on ecosystem service functions

2.3.2 交互探测

根据交互作用的结果分析（图 7），高程（X1）和坡度（X2）是影响碳储量的关键驱动因子，二者与其他因子的交互作用对碳储存均表现出显著影响. 对于产水量，年均降水量（X5）是核心影响因子，其与任何其他因子的交互作用对产水量的解释力均高于0.87. 就生境质量而言，高程（X1）和坡度（X2）是主要调控因子，其与其他因子的交互作用对生境质量的解释力均超过0.84. 除高程（X1）和坡度（X2）外，降水量（X5）和人口密度（X4）对粮食生产的影响较高. 在土壤保持方面，坡度（X2）发挥着决定性作用，其与其他因子的交互作用对土壤保持功能的解释力均高于0.88. 从整体来看，某一生态系统服务功能的主导因子与其他因子的交互作用带来的影响同样尤为显著.

图 7 交互因子对生态系统服务功能的影响 Fig. 7 Impact of interaction factors on ecosystem service functions

2.4 生态系统服务功能预测 2.4.1 多情景土地利用预测

基于PLUS模型调整土地利用转换概率矩阵和空间约束条件，实现了2030年区域土地覆被格局的预测分析. 3种情景下2030年的土地利用状况为（图 8）：①自然发展情景下，相较于2020年，耕地、林地、草地及未利用土地的面积均有所缩减. 耕地作为长三角地区主导地类，占研究区域总面积的50.78%，紧随其后的是林地，占比为28.80%，而建设用地占14.66%. ②生态保护情景下，一系列针对林地与水域的保护措施成效显著：与2020年数据相比，林地面积增长2 031.60 km2，水域面积扩大了37.14 km2；而耕地面积则相应减少了5 989.04 km2，建设用地有所增加，但增幅控制在4 080 km2内. 生态保护优先策略有效减轻了生态用地的侵占与破坏，成功限制了建设用地的无序蔓延趋势. ③耕地保护情景下，林地面积、草地面积以及未利用土地面积均呈减少的趋势，建设用地扩张的问题未能得到有效控制，其扩张的主要途径是侵占耕地和林地资源. 这种土地利用方式的转变，预计会导致区域生态系统服务功能的衰退和生物多样性的降低，并对该地区生态环境的长期稳定发展构成威胁.

图 8 多情景土地利用模拟 Fig. 8 Multi-scenario land use simulation

2.4.2 生态系统服务功能预测模拟

预测结果显示（表 5），自然发展情景下，产水量、生境质量和粮食生产功能有所改善，而土壤保持和碳储量功能呈现下降趋势. 相比之下，在耕地保护情景下，碳储量、生境质量、粮食生产和土壤保持功能得到提升，但产水量功能则出现不同程度的下降. 生态保护情景下，5项生态系统服务功能均有所改善（图 9）.

表 5 2020~2030年长三角地区各项生态系统服务功能总量 Table 5 Total ecosystem services in the Yangtze River Delta region from 2020 to 2030

图 9 多情景下的生态系统服务功能 Fig. 9 Ecosystem service functions in multiple scenarios

碳储量预测结果显示，与2020年相比，①自然发展情景下，建设用地面积逐步扩张，导致林地、草地面积均有所下降，2030年碳储量减少了7.05×107 t. ②生态保护情景下，碳储量增加5.79×107 t. ③耕地保护情景下，碳储量增加4.99×107 t（表 5）. 空间上，3种情景下的碳储量都呈现出不均匀的分布特征（图 9）.

产水量方面，①自然发展情景下，研究区单位面积产水量达13.29×104 m³，其中耕地（42.27%）和林地（38.60%）对总产水量的贡献最为显著. ②生态保护情景下，单位面积产水量12.14×104 m³. ③耕地保护情景下，土地利用类型中，林地、耕地和建设用地的产水量增加，其中，林地产水量的占比最高.

2020~2030年间，区域内生境质量平均值出现显著提高. ①自然发展情景下，高质量的生境主要集中于西南部的丘陵和山区，而低质量生境则出现在安徽北部和江苏北部的平原区域. ②生态保护情景下，生境质量分布与自然情景大致相同，但低质量生境区的面积明显减少，这得益于对林地及水域的有效保护. ③在耕地保护情景下，长江平原地区依然为低质量生境的主要分布区，其成因在于该区域人口密集、城镇化进程快，导致建设用地大幅扩张，进而影响了生境质量.

土壤保持预测结果显示，生态保护与耕地保护情景下的土壤保持量减少程度较小. ①自然发展情景下，土壤保持量最少，比2020年减少了28.93×109 t. ②生态保护情景下，耕地、草地和建设用地的土壤保持量明显增加. 土壤保持高值区集中分布在东部地区，低值区分布在南部和中部平原地区. ③在耕地保护情景下，土壤保持总量增加了78.75×109 t. 空间上来看，土壤保持总体分布不均匀.

粮食生产方面，3种情景下粮食总产量均出现提高，其中耕地保护情景下粮食生产的增长最为显著，增长了1.88×106 t，总量为8.63×107 t. 耕地保护限制下，抑制了其他地类（尤其是建设用地）向耕地的扩张，南部地区的粮食生产也出现了增长. 自然发展情景与生态保护情景下的粮食生产呈北部增高，中部及南部保持稳定不变的趋势，其中生态保护情景限制了林草地向耕地的转化，粮食生产的增长较自然发展情景微弱.

3 讨论

从时间上来看，长三角地区生态系统服务功能呈波动下降趋势. 其中，碳储量和生境质量连续明显退化. 这与王伟武等[6]和许友芹等[44]的研究结果保持一致. 长三角地区近年经济保持强劲势头，在经济集聚作用下，大量人口持续涌入，推高了该区域的人口密度. 伴随而来的是建设用地的不断扩张，大量生态空间被挤占. 同时，该地区雄厚的工业基础在生产过程中消耗了大量资源并加剧了环境污染，使生态环境承受的压力日益增大. 尽管长三角近年来推行了多项生态保护措施并取得一定进展[45]，但整体生态系统服务功能呈下降态势.

空间分布上，长三角地区生态系统服务功能呈现明显的南北分异特征，地理探测器结果表明，该空间差异源于地形因素及降水的影响. 从局部来看，人类活动的影响进一步加剧了生态系统服务功能的分异. 具体而言，频繁人类活动带来了生态压力，土地利用程度提高. 长三角地区北部作为粮食的主要产区，大规模农业生产使得植被覆盖率下降[46]，生态系统服务功能削弱. 长三角地区南部人类活动强度低，又受益于优越的水热条件，森林覆盖广[47]，植被茂密. 区域自然资源与生物多样性丰富，支撑了相对完整、稳定的生态系统结构和功能，生态系统服务功能整体高于北部. 在未来的情景模拟中，生态保护情景下的5项生态系统服务功能均有明显恢复，表明生态保护措施对减缓生态系统服务功能降低具有积极作用. 该情景限制了水域、林地和草地的转化，改变了植被生长受限的现状. 土地利用变化与生态系统服务功能相互影响，通过合理的土地利用规划和生态保护政策，可以有效控制土地类型转变对各项服务功能的负面影响，促进生态环境的持续改善. 生态保护情景下，低质量服务功能面积的蔓延趋势得以控制，这对长三角地区生态系统服务功能的持续优化至关重要.

因此，未来土地利用规划需重点关注生态保护与经济发展的协调，严格管控建设用地增长，降低对林地、草地等高生态功能土地的占用. 本研究存在一定局限性：首先，碳密度数据主要源自文献与模型估算，可能不够精确；其次，未来情景模拟基于当前用地变化趋势，未充分纳入气候变化、政策调整等外部因素的影响. 未来研究可整合更多实地观测数据，并精细调整优化模型参数，以提升预测精度.

4 结论

（1）1990~2020年长三角地区碳储量、产水量和生境质量空间分布呈现南部较高，中部和北部较低的趋势. 粮食生产表现为北部高、南部低. 土壤保持量在南部较高，中部和北部较低，其中高值区主要分布在皖浙地区的丘陵和山地.

（2）地形因素对碳储量的空间分异具有决定性影响，其中高程的解释力最高. 产水量方面，气候因素起主导作用，年降水量的空间分布能够解释产水量的空间分异. 高程与坡度是生境质量、土壤保持和粮食生产变化的主导驱动因素.

（3）自然发展模式下，产水量、生境质量和粮食生产功能呈改善趋势，而土壤保持和碳储量功能则出现下降. 相较之下，耕地保护模式提升了碳储量、生境质量、粮食生产和土壤保持功能，但产水量功能下滑. 生态保护情景下，5项生态系统服务功能均有所改善.

参考文献
[1] 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.
[2] Liu J F, Kong X L, Zhu Y, et al. A study on land use change simulation based on PLUS model and the U-net structure: a case study of Jilin Province[J]. Ecological Indicators, 2025, 176. DOI:10.1016/J.ECOLIND.2025.113619
[3] 汪勇政, 余浩然, 陆林. 基于空间约束K-means模型的长三角地区生态系统服务时空格局及功能分区研究[J]. 生态学报, 2024, 44(16): 7087-7104.
Wang Y Z, Yu H R, Lu L. Spatio-temporal pattern and functional zoning of ecosystem services in the Yangtze River Delta region based on spatially constrained K-means[J]. Acta Ecologica Sinica, 2024, 44(16): 7087-7104.
[4] 冉璇, 李渊, 郭宇龙, 等. 基于InVEST模型的钱江源国家公园生态系统服务评估及权衡协同关系研究[J]. 长江流域资源与环境, 2023, 32(9): 1932-1948.
Ran X, Li Y, Guo Y L, et al. Ecosystem services assessment and trade-off synergy relationships in Qianjiangyuan National Park based on InVEST model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(9): 1932-1948.
[5] 张哲, 时振钦, 朱文博, 等. 基于InVEST模型的伏牛山地区生态系统碳储量时空变化模拟[J]. 环境科学, 2024, 45(4): 2332-2341.
Zhang Z, Shi Z Q, Zhu W B, et al. Simulation of temporal and spatial changes in ecosystem carbon storage in Funiu Mountains based on InVEST model[J]. Environmental Science, 2024, 45(4): 2332-2341.
[6] 王伟武, 伏添乐, 陈欢. 基于PLUS-InVEST模型的长三角城市群碳储量时空演变与预测[J]. 环境科学, 2025, 46(4): 1937-1950.
Wang W W, Fu T L, Chen H. Spatio-temporal evolution and prediction of carbon storage in the Yangtze River Delta urban agglomeration based on PLUS-InVEST model[J]. Environmental Science, 2025, 46(4): 1937-1950.
[7] 赵恒谦, 刘哿, 杨姿涵, 等. 2000~2020年辽宁省生态系统服务评估与多情景预测[J]. 环境科学, 2024, 45(7): 4137-4151.
Zhao H Q, Liu G, Yang Z H, et al. Ecosystem services assessment and multi-scenario prediction in Liaoning Province from 2000 to 2020[J]. Environmental Science, 2024, 45(7): 4137-4151.
[8] Wang L Y, Jia D. Spatiotemporal analysis of habitat quality and driving factors in the middle reaches of the Yellow River Basin[J]. Environmental Monitoring and Assessment, 2025, 197(4). DOI:10.1007/s10661-025-13828-7
[9] 贾天朝, 胡西武. 基于PLUS-InVEST-Geodector模型的三江源国家公园碳储量时空变化及驱动力[J]. 环境科学, 2024, 45(10): 5931-5942.
Jia T C, Hu X W. Spatial-temporal change and driving force of carbon storage in Three-River-Source National Park based on PLUS-InVEST-geodector model[J]. Environmental Science, 2024, 45(10): 5931-5942.
[10] Zheng G Q, Wang B, Qiao Y H, et al. The spatiotemporal evolution of carbon storage driven by land use changes in Jinan City over the period 2000-2019[J]. Remote Sensing Letters, 2025, 16(3): 221-231. DOI:10.1080/2150704X.2024.2446594
[11] Jiang H X, Cui Z, Fan T S, et al. Impacts of land use change on carbon storage in the Guangxi Beibu Gulf Economic Zone based on the PLUS-InVEST model[J]. Scientific Reports, 2025, 15(1). DOI:10.1038/s41598-025-89407-0
[12] 丁岳, 王柳柱, 桂峰, 等. 基于InVEST模型和PLUS模型的环杭州湾生态系统碳储量[J]. 环境科学, 2023, 44(6): 3343-3352.
Ding Y, Wang L Z, Gui F, et al. Ecosystem carbon storage in Hangzhou Bay area based on InVEST and PLUS models[J]. Environmental Science, 2023, 44(6): 3343-3352.
[13] 傅楷翔, 贾国栋, 余新晓, 等. 耦合PLUS-InVEST-Geodector模型的新疆地区碳储量时空变化及驱动机制分析[J]. 环境科学, 2024, 45(9): 5416-5430.
Fu K X, Jia G D, Yu X X, et al. Analysis of temporal and spatial carbon stock changes and driving mechanism in Xinjiang region by coupled PLUS-InVEST-geodector model[J]. Environmental Science, 2024, 45(9): 5416-5430.
[14] Zhang X Q, Liu J W, Zhu J, et al. Analysis of the spatiotemporal patterns of water conservation in the Yangtze River Ecological Barrier Zone based on the InVEST model and SWAT-BiLSTM model using fractal theory: a case study of the Minjiang River Basin[J]. Fractal and Fractional, 2025, 9(2). DOI:10.3390/fractalfract9020116
[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] 李胡跃, 戴全厚, 胡泽银, 等. 基于PLUS和InVEST模型的贵阳市碳储量时空演变及多情景模拟预测[J]. 水土保持通报, 2024, 44(3): 441-451.
Li H Y, Dai Q H, Hu Z Y, et al. Temporal and spatial evolution of carbon storage in Guiyang city based on PLUS-InVEST model and multi-scenario simulation and prediction[J]. Bulletin of Soil and Water Conservation, 2024, 44(3): 441-451.
[17] 刘颂, 张浩鹏, 裴新生, 等. 长时间序列生态系统服务权衡与协同驱动因素——以芜湖市生态系统服务功能极重要区为例[J]. 生态学报, 2024, 44(5): 1780-1790.
Liu S, Zhang H P, Pei X S, et al. Drivers of ecosystem service trade-off and synergy in long-term sequence: a case study of the extremely important ecosystem service function area in Wuhu City[J]. Acta Ecologica Sinica, 2024, 44(5): 1780-1790.
[18] González L, Zhiña D X, Avilés A, et al. Exploring habitat quality dynamics in an equatorial Andean basin under scenarios of land use change[J]. Earth, 2025, 6(1). DOI:10.3390/earth6010010
[19] 于芝琳, 赵明松, 高迎凤, 等. 基于InVEST⁃PLUS模型的淮北市碳储量时空演变及预测[J]. 环境科学, 2024, 45(6): 3270-3283.
Yu Z L, Zhao M S, Gao Y F, et al. Spatio-temporal evolution and prediction of carbon storage in Huaibei City based on InVEST-PLUS model[J]. Environmental Science, 2024, 45(6): 3270-3283.
[20] 张廷, 胡玉柱, 胡海辉, 等. 基于PLUS-InVEST模型的哈尔滨市土地利用及生境质量预测[J]. 环境科学, 2024, 45(8): 4709-4721.
Zhang T, Hu Y Z, Hu H H, et al. Prediction of land use and habitat quality in Harbin City based on the PLUS-InVEST model[J]. Environmental Science, 2024, 45(8): 4709-4721.
[21] Bai Y, Tang X L, Xue F, et al. Spatiotemporal variation and dynamic simulation of carbon stock based on PLUS and InVEST models in the Li River Basin, China[J]. Scientific Reports, 2025, 15(1). DOI:10.1038/s41598-025-86226-1
[22] Zhu Y S, Quan B. A Muti-scenario prediction and spatiotemporal analysis of the LUCC and carbon storage response: a case study of the central Shanxi urban agglomeration[J]. Sustainability, 2025, 17(4). DOI:10.3390/su17041532
[23] 毛永发, 周启刚, 王陶, 等. 耦合PLUS-InVEST-Geodector模型的三峡库区碳储量时空变化及其定量归因[J]. 长江流域资源与环境, 2023, 32(5): 1042-1057.
Mao Y F, Zhou Q G, Wang T, et al. Spatial-temporal variation of carbon storage and its quantitative attribution in the Three Gorges Reservoir area coupled with PLUS-InVEST Geodector model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1042-1057.
[24] 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.
[25] 王韧, 王嘉睿, 颜建军, 等. 基于遗传算法-PLUS模型的黄河流域景观生态脆弱性多情景模拟[J]. 生态学报, 2025, 45(2): 567-585.
Wang R, Wang J R, Yan J J, et al. Multi-scenario simulation of landscape ecological vulnerability in the Yellow River Basin based on GA-PLUS model[J]. Acta Ecologica Sinica, 2025, 45(2): 567-585.
[26] 王硕, 盛艳, 范淑花, 等. 基于InVEST模型的窟野河流域碳储量变化对土地利用格局的响应[J]. 水土保持研究, 2025, 32(3): 149-158.
Wang S, Sheng Y, Fan S H, et al. Response of carbon storage changes to land use pattern in Kuye River Basin based on InVEST model[J]. Research of Soil and Water Conservation, 2025, 32(3): 149-158.
[27] 屈志光, 杨伯元, 李飞, 等. 基于PLUS和InVEST模型的重庆市碳储量时空演化及情景预测[J]. 三峡生态环境监测, 2024, 9(3): 62-74.
Qu Z G, Yang B Y, Li F, et al. Spatiotemporal variation and scenario prediction of carbon storage in Chongqing based on the PLUS and InVEST model[J]. Ecology and Environmental Monitoring of Three Gorges, 2024, 9(3): 62-74.
[28] 匡文菲, 刘永超, 李加林, 等. 长江流域土地利用与碳储量时空变化及多情景预测[J]. 环境科学, 2026, 47(3): 1914-1927.
Kuang W F, Liu Y C, Li J L, et al. Spatiotemporal dynamics of land use and carbon stocks under multiple scenarios in the Yangtze River Basin[J]. Environmental Science, 2026, 47(3): 1914-1927.
[29] 张乐勤, 王雷. 长三角一体化区域开发强度与生境质量协调状况及演化规律探析[J]. 环境工程技术学报, 2023, 13(2): 578-584.
Zhang L Q, Wang L. Analysis of the coordination status and evolution law of development intensity and habitat quality in the Integrated Region of the Yangtze River Delta[J]. Journal of Environmental Engineering Technology, 2023, 13(2): 578-584.
[30] 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.
[31] 张启扬, 刘仁志, 栾朝旭. 基于PLUS模型的典型农牧交错带土地利用驱动力分析与多情景模拟[J]. 水土保持研究, 2025, 32(1): 368-378.
Zhang Q Y, Liu R Z, Luan C X. Analysis of driving force and multi-scenario simulation of land use in a typical agro-pastoral ecotone based on the PLUS model[J]. Research of Soil and Water Conservation, 2025, 32(1): 368-378.
[32] 刘佳楠, 姬广兴, 高红凯, 等. 基于PLUS模型的河南省"三生空间"多情景模拟及生态环境效应分析[J]. 环境科学, 2025, 46(2): 990-1001.
Liu J N, Ji G X, Gao H K, et al. Multi-scenario simulation and eco-environmental effect analysis of production-living ecological space in Henan Province based on PLUS model[J]. Environmental Science, 2025, 46(2): 990-1001.
[33] 岳帅均, 姬广兴, 黄珺嫦, 等. 基于PLUS和InVEST模型的京津冀地区氮素面源污染时空特征分析[J]. 环境科学, 2025, 46(5): 2767-2782.
Yue S J, Ji G X, Huang J C, et al. Spatial and temporal characteristics of nitrogen non-point source pollution in Beijing-Tianjin-Hebei Region based on PLUS and InVEST models[J]. Environmental Science, 2025, 46(5): 2767-2782. DOI:10.13227/j.hjkx.202404297
[34] 吴冉, 刘艳, 孔涵, 等. 长江经济带耕地利用效率与生态系统服务耦合关系研究[J]. 长江流域资源与环境, 2024, 33(2): 300-309.
Wu R, Liu Y, Kong H, et al. Coupling study of farmland utilization efficiency and ecosystem services in the Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2024, 33(2): 300-309.
[35] 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.
[36] 张宏泽, 崔文刚, 刘绥华, 等. 基于地理探测器和多源数据的耕地土壤重金属来源驱动因子及其交互作用识别[J]. 环境科学, 2023, 44(4): 2177-2191.
Zhang H Z, Cui W G, Liu S H, et al. Identifying driving factors and their interacting effects on sources of heavy metal in farmland soils with geodetector and multi-source data[J]. Environmental Science, 2023, 44(4): 2177-2191.
[37] 施歌, 王雨桐, 刘嘉航. 基于土地利用/覆被变化的江苏省陆地生态系统碳储量时空演变特征[J]. 环境科学, 2025, 46(5): 2953-2962.
Shi G, Wang Y T, Liu J H. Spatio-temporal evolution patterns of terrestrial ecosystem carbon storage in Jiangsu Province based on land use and cover change[J]. Environmental Science, 2025, 46(5): 2953-2962.
[38] 李月, 罗红芬. 黔中喀斯特地区典型县域碳储量时空演变及多情景模拟预测: 以普定县为例[J]. 环境科学, 2024, 45(2): 961-973.
Li Y, Luo H F. Spatio-temporal evolution and multi-scenario simulation of carbon storage in Karst Regions of central Guizhou Province: taking Puding county as an example[J]. Environmental Science, 2024, 45(2): 961-973.
[39] 解铭威, 周慧荻, 贾文贞, 等. 太原市生态系统服务时空变化及其驱动因素[J]. 环境科学, 2025, 46(3): 1597-1607.
Xie M W, Zhou H D, Jia W Z, et al. Spatiotemporal changes and driving factors of ecosystem services in Taiyuan City[J]. Environmental Science, 2025, 46(3): 1597-1607.
[40] 王启名, 杨昆, 李立晓, 等. 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[J]. 生态学报, 2023, 43(12): 4876-4891.
Wang Q M, Yang K, Li L X, et al. Spatio-temporal heterogeneity and attribution analysis of hydrological ecosystem services tradeoffs and synergies in Dianchi Lake Basin[J]. Acta Ecologica Sinica, 2023, 43(12): 4876-4891.
[41] 王奕淇, 孙学莹. 黄河流域生态系统服务权衡协同关系及其时空异质性[J]. 环境科学, 2025, 46(2): 972-989.
Wang Y Q, Sun X Y. Trade-off and synergy of ecosystem services in the Yellow River Basin and their spatiotemporal heterogeneity[J]. Environmental Science, 2025, 46(2): 972-989. DOI:10.13227/j.hjkx.202402126
[42] 崔写, 董燕, 张露尹, 等. 基于SSP-RCP情景的黄土高原土地变化模拟及草原碳储量[J]. 环境科学, 2024, 45(5): 2817-2827.
Cui X, Dong Y, Zhang L Y, et al. Land change simulation and grassland carbon storage in the loess plateau based on SSP-RCP scenarios[J]. Environmental Science, 2024, 45(5): 2817-2827.
[43] 贾纪昂, 郭伟玲, 徐刘洋, 等. 耦合PLUS-InVEST-GeoDetector模型的安徽省碳储量时空演变及驱动力分析[J]. 环境科学, 2025, 46(3): 1703-1715.
Jia J A, Guo W L, Xu L Y, et al. Spatio-temporal evolution and driving force analysis of carbon storage in Anhui Province coupled with PLUS-InVEST-GeoDetector model[J]. Environmental Science, 2025, 46(3): 1703-1715.
[44] 许友芹, 朱广祥, 李小鹏, 等. 2001—2018年长三角城市群城市化与生态环境耦合协调度变化监测[J]. 测绘通报, 2023(2): 21-27.
Xu Y Q, Zhu G X, Li X P, et al. Temporal and spatial variation characteristics of coupling coordination degree between urbanization and ecological environment of urban agglomeration in the Yangtze River Delta during 2001—2018[J]. Bulletin of Surveying and Mapping, 2023(2): 21-27.
[45] Yang Y Y, Lu H W, Liang D Z, et al. Ecological sustainability and its driving factor of urban agglomerations in the Yangtze River Economic Belt based on three-dimensional ecological footprint analysis[J]. Journal of Cleaner Production, 2022, 330. DOI:10.1016/j.jclepro.2021.129802
[46] 张泽乾, 董莉, 刘鹏, 等. 2011~2020年长三角地区农业生产消费系统氮流特征及其驱动因素[J]. 环境科学, 2024, 45(9): 5451-5463.
Zhang Z Q, Dong L, Liu P, et al. Nitrogen flow characteristics of agricultural production and consumption system in the Yangtze River Delta region and its driving factors[J]. Environmental Science, 2024, 45(9): 5451-5463.
[47] 李瑞发, 崔旺来. 长三角城市群生态安全的时空演变及影响因素[J]. 水土保持研究, 2025, 32(2): 377-386.
Li R F, Cui W L. Temporal-spatial evolution and influencing factors of ecological security in the city cluster of Yangtze River Delta[J]. Research of Soil and Water Conservation, 2025, 32(2): 377-386.