2019, Vol. 40
生态系统服务(ecosystem service)是指人类自生态系统生态过程中直接或间接获取的效益, 包含食物生产、原料生产及水源供给等供给服务, 气体调节及净化环境等调节服务, 维持养分循环、土壤保持及生物多样性等支持服务, 还包含娱乐文化等文化服务功能[1~3].对生态系统服务价值进行定量估算有助于推进区域可持续发展[4]、高效合理配置土地资源[5]及制定科学的生态补偿政策[6]提供技术支持和科学依据.正因生态系统服务与人类社会息息相关, 因此越来越多国内外学者致力于研究生态系统服务价值(ecosystem service value, ESV)的定量估算方法[7, 8].如Costanza等[9]通过对多种类型生态系统服务进行定量评估, 实现了ESV的货币表达, 该评价方法推动ESV相关研究进入新阶段, 且沿用至今.谢高地等[10, 11]基于Costanza所提出的评价方法并结合中国实际情况修订了中国多种陆地生态系统单位面积ESV当量表, 此表被广泛应用于中国各种生态系统的ESV定量评估.
土地利用/土地覆盖变化(land-use and land-cover change, LUCC)是生态系统服务变化的主要驱动因素之一, LUCC引起的生态系统面积、类型及分布格局的变化直接影响生态系统提供服务价值的多少[12].当前城市化进程带来一系列生态环境问题, 如生物栖息地被破坏导致物种多样性降低[13]、环境污染严重[14]和热岛效应持续增强[15]等.针对这些问题, 近年来国内外学者开展关于LUCC变化对地区ESV变化影响的研究.如Wang等[16]对1990~2010年间我国横断山区LUCC对ESV造成的影响进行了动态分析, 发现由于受退耕还林还草的影响, 当地ESV显著提高. Yan等[17]对我国三江平原近60年来的LUCC变化对ESV造成的影响进行分析发现, 由于受人类活动影响, 大量湿地转化为耕地, 致使当地ESV下降.已有研究表明, 虽然现有关于LUCC变化对ESV影响研究体系已较为完善, 但多集中于对县市级行政区、保护区及流域等小区域进行研究, 且多依赖于已有的土地利用类型产品, 亟需一套可实时快速进行大区域LUCC分类的研究技术, 进而应用于地区ESV变化研究.
谷歌地球引擎(google earth engine, GEE)是专门应用于卫星影像及其它空间数据解译运算的开源智能云平台[18]. GEE提供全球Landsat TM/OLI、Sentinel- 1/2、MODIS和DMSP/OLS灯光数据等多尺度、多源遥感数据, 包含超过200个数据集, 超过500万张遥感影像, 容量达到PB级别, 且每天都在增加. GEE云平台改变了传统遥感软件下载收集数据、预处理、信息提取、分析与应用进而获取专题信息的定式[19].通过GEE进行JavaScript及Python语言编程, 解决了大尺度地学分析应用研究中数据收集难、数据量大及解译效率低下等弊端, 可不受时间、空间限制, 快速、批量处理数据, 为遥感工作者提供极大便利.近两年GEE已被国外学者应用于农作物面积提取[20]、水体提取及动态变化分析[21]和城镇面积动态监测[22]等方面, 而国内GEE研究尚处于初始阶段.
根据上述背景, 本文首次尝试将GEE运用于大尺度ESV动态监测, 本文以京津冀地区为研究区, 基于GEE云平台采用分类决策树(classification and regression tree, CART)分类算法对研究区内1998、2003、2008、2013及2018年的Landsat TM/OLI影像进行监督分类得到5个时期土地利用数据, 并利用生态服务价值(ESV)当量估算方法定量估算1998~2018年京津冀地区ESV总量, 进一步探究了20年来京津冀地区土地利用及ESV的时空动态变化规律, 以期为京津冀地区推进区域可持续发展、高效合理配置土地资源及制定科学生态补偿政策提供技术支持和科学依据.
1 研究区概况京津冀地区包括北京市、天津市及河北省的石家庄、唐山、承德、保定、廊坊、邯郸、秦皇岛、张家口、沧州、邢台和衡水等11个地级市, 地处华北平原, 东经113°04′~119° 53′, 北纬36° 01′~42° 37′之间.平均海拔1 200~1 500 m, 西北部以山地、高原为主, 东南部以平原为主, 总面积约2.18×107 hm2(图 1).该地区属温带大陆性季风气候, 四季分明, 年均降水量484.5 mm, 降水量呈东南多西北少的分布特征.京津冀地区是“首都经济圈”, 又是华北地区重要的粮棉产地.随着经济快速发展及城市化进程加快, 京津冀地区的生态环境逐渐恶化, 两者之间的矛盾日益尖锐化.
|
1.北京；2.天津；3.石家庄；4.唐山；5.秦皇岛；6.邯郸；7.邢台；8.保定；9.张家口；10.承德；11.沧州；12.廊坊；13.衡水 图 1 研究区概况及1998年土地利用类型 Fig. 1 Survey of the study area and land use types in 1998 |
(1) Landsat影像源于GEE平台提供的1998~2018年5个时段的Landsat TM(1998、2003及2008年)及Landsat OLI(2013年及2018年)卫星影像, 基于GEE API编程, 筛选成像时间为当年1~12月.为筛选云量小于8%的Landsat影像及保证研究区内云量降至最低, 1998年共调用828景Landsat TM影像, 2003年共调用446景Landsat TM影像, 2008年共调用399景Landsat TM影像, 2013年共调用369景Landsat OLI影像, 2018年共调用485景Landsat OLI影像.
(2) 其它数据SRTM DEM(Shuttle Radar Topography Mission)数据源于美国“奋进号”航天飞机搭载的SRTM系统采集得到, 空间分辨率30m, 可在GEE中直接调用；社会经济数据源于1998~2018年京津冀地区统计年鉴.训练样本数据以及精度验证数据源于Google Earth Pro软件中目视解译选取.
2.2 数据预处理首先基于GEE平台内部API编程对筛选出的Landsat影像进行辐射定标、大气校正、影像去云、影像拼接等处理, 并转换为大气表观反射率(top of atmosphere reflectance, TOA)图像, 调用GEE平台中的SRTM DEM数据辅助训练, 计算归一化植被指数(normalized difference vegetation index, NDVI)及归一化水体指数(normalized difference water index, NDWI)以提高对植被及建筑物的分类精度.
在Google Earth Pro中对1998、2003、2008、2013及2018年这5个时间段的高分辨率影像进行目视解译, 并将京津冀地区土地利用类型划分为建设用地、林地、水体、草地、未利用土地及耕地这6种, 按照每种土地利用类型在研究区内的多少选取适量样本点(表 1), 并将样本点以kml格式自Google Earth Pro中导出, 在ArcMap中转化为shapefile格式, 以便导入GEE API中进行调用, 将样本点中70%作为训练样本, 30%作为验证样本, 样本点(440个)分布如图 2所示.
|
表 1 土地利用类型及各类别样本数目 Table 1 Types of land use and number of different types of land use |
|
图 2 京津冀地区样本点分布示意 Fig. 2 Distribution of sample points in the Beijing-Tianjin-Hebei region |
CART方法是由Breiman[23]提出的一种基于经典决策树的二分递归分类算法, 具有实现简单、结构清晰、运行快速及分类准确等优点, 目前该方法已被国内外学者广泛应用于土地利用分类[24].其基本原理是将包含测试变量与目标变量的训练集(当前样本集)进行循环迭代划分为2个子样本集, 使每个非叶子节点有2个分支, 进而形成基于决策树的二叉树结构[25].为减少“过拟合”现象, CART算法通过交叉验证对决策树进行修剪, 对保持低错误率的树枝予以保留, 由此构建兼顾复杂度及错误率的最优二叉树[26]. CART分类的学习样本集如式(1)~(3)所示, 式中M1, M2, …, Mm为属性向量, N为标签向量：
|
(1) |
|
(2) |
|
(3) |
于GEE API中直接调用CART分类算法, 参数设置：交叉验证因子为10, 最大树深为10, 最小叶子节点为2, 修剪误差容限为0.5, 随机种子个数为100.对研究区Landsat影像进行土地利用类型划分.采用GINI系数作为选择预测变量最佳分割阈值的度量标准[27]. GINI系数定义如式(4)~(6)所示：
|
(4) |
|
(5) |
|
(6) |
式中, e为样本类别个数；ne(f)为测试变量值为f时训练样本中属于第e类的样本个数；n(f)为测试变量值为f时训练样本的个数；P(e|f)为训练样本集中一个随机样本对应测试变量值为f时该样本属于第e类的概率.
本文以土地利用类型(表 1)为目标变量, 所选用的分类特征为测试变量.通过在GEE API平台中进行多次可视化实验对比, 选取Landsat OLI影像的B2、B3、B4、B5、B6及B7波段(Landsat TM影像选取与之对应的6个波段), 辅以SRTM DEM、NDVI及NDWI共9个波段作为CART算法的测试变量, 以本文构建的6种(建设用地、林地、水体、草地、未利用土地及耕地)土地利用类型作为分类体系, 基于训练样本点确定分类特征与土地利用类型间的决策树及最佳阈值, 最终应用于京津冀地区Landsat TM/OLI影像分类.
3.2 分类结果精度验证为初步验证在GEE API平台中基于CART算法的土地利用类型分类结果, 将CART分类验证(误差矩阵精度评价)结果导出, 精度评价标准为总体精度及Kappa系数, 5个时期的总体精度分别为82.29%、98.34%、94.93%、81.80%及95.44%, Kappa系数分别为0.68、0.97、0.82、0.73及0.93.通过与于文婧等[28]的研究结果进行对比, 本文2003、2008及2018年这3个时期分类总体精度较高(高2.67%~6.08%), 而1998年及2013年这2个时期受限于样本质量, 总体精度较低(低9.97%~10.46%).
为保证在GEE API平台中基于CART算法的土地利用类型分类结果准确性, 采用在Google Earth Pro软件中的高分辨率影像选取验证点(每个时期选择160个验证点), 目视解译判断验证点地物类别, 导入GEE API中开展分类精度验证及空间一致性分析.结果表明1998年140个验证点类别正确, 验证精度为87.5%；2003年130个验证点类别正确, 验证精度为81.3%；2008年138个验证点类别正确, 验证精度为86.3%；2013年134个验证点类别正确, 验证精度为83.8%；2018年145个验证点类别正确, 验证精度为90.5%.分类精度满足本文要求, 精度验证矩阵见表 2.
|
|
表 2 1998~2018年京津冀地区土地利用精度验证混淆矩阵 Table 2 Land use accuracy verification confusion matrix of Beijing-Tianjin-Hebei region from 1998 to 2018 |
3.3 生态系统服务价值计算
本文基于Costanza等[9]及谢高地等[11]学者建立的中国陆地生态系统服务价值系数表, 并结合京津冀地区土地利用实际情况, 以城市-建设用地、森林-林地、水体-水体、草地-草地、荒地-未利用土地及农田-耕地的形式将每种生物群落一一对应, 为避免直接使用该方法影响结果精度及完整性, 参考已被广泛应用的谢高地等[29]制定的中国各省份农田生态系统生物量因子表进行修正, 其中北京市修正系数为1.04, 天津市修正系数为0.85, 河北省修正系数为1.02.根据京津冀地区统计年鉴相关数据可知京津冀地区1998~2018年平均粮食产量为2 150.80 kg ·hm-2, 经过公式(7)计算得到京津冀地区修正系数为1.01.以1个生态服务价值当量的经济价值为当年京津冀地区平均粮食单产市场价值的1/7[10]为计算依据, 结合1998~2018年平均粮食价格(2.88元·kg-1), 得出农田自然粮食产的经济价值约为884.90元·hm-2.由此计算出京津冀地区不同生态系统单位面积生态服务价值(表 3).建设用地本身不具备生产及调节功能, 本文基于京津冀地区统计年鉴中城镇旅游产值数据并以约日古丽卡斯木等[30]的研究结果为参考求得京津冀地区建设用地价值系数.
|
(7) |
|
|
表 3 京津冀地区单位面积生态系统服务价值系数/元·(hm2 ·a)-1 Table 3 Ecosystem service in the Beijing-Tianjin-Hebei region equivalent value per unit area/Yuan ·(hm2 ·a)-1 |
式中, X为京津冀地区修正系数, a、b和c分别为北京市、天津市和河北省平均粮食产量, 单位为kg ·hm-2；ie为对应地区的修正系数. ESV计算公式如下：
|
(8) |
|
(9) |
式中, ESVj为京津冀地区生态系统各类服务价值, 单位为元；ESV为京津冀地区生态系统服务价值总量, 单位为元；Si为第i类土地利用类型面积, 单位为hm2；VCij为各类服务功能价值系数, 单位为元·(hm2 ·a)-1；VCi为第i类土地利用类型对应的价值系数, 单位为元·(hm2 ·a)-1.
3.4 基于格网尺度的ESV时空变换基于格网单元对京津冀地区ESV空间分布进行分析可以在空间上进一步细化研究尺度, 使得到的研究结果更为切合实际, 可操作性更强[31].由于研究区面积较大, 本文基于ArcGIS 10.2软件创建格网单元, 经实验得到最优格网单元为15 km×15 km, 最终划分得到的格网单元数量为1 395个(边缘地带格网面积有差异).基于15 km×15 km格网单元对5个时期的土地利用数据进行分析提取, 分析格网单元内各土地利用类型面积及其变化程度.格网边长确定公式如下[32]：
|
(10) |
式中, H为最优格网边长；Ai为土地利用类型图最小图斑的面积.
3.5 价值系数敏感性模型本文使用ESV价值系数敏感性分析模型[33, 34], 通过调整修订后的各土地利用类型ESV价值系数的大小(上下调整50%)来计算ESV对价值系数变化的响应程度, 最终得到ESV随时间变化情况与价值系数的相关性.敏感性系数(sensitivity index, SI)计算公式如下：
|
(11) |
式中, SI为敏感性系数, ESV为估算得到的生态系统服务价值, VC为价值系数, i和j分别为初始值及调整值.当SI≤1时, 表明ESV缺乏弹性；当SI≥1时, 表明ESV富有弹性；且SI越大, ESV价值系数准确性越高.
4 结果与讨论 4.1 土地利用变化由图 3及表 4可知, 1998~2018年间, 京津冀地区土地利用类型变化较为明显, 建设用地、林地和草地覆盖面积最大(均在10%以上), 是主要土地利用类型.京津冀地区6种土地利用类型中林地及草地主要分布于西北部(承德市, 张家口市东南部, 保定市、北京市、石家庄市、邢台市及邯郸市西部地区), 该地区多山地、丘陵, 不适宜城镇建设及耕种, 且属于三北防护林建设地区, 故多为林地及草地；建设用地、耕地主要分布于东南部(秦皇岛市、天津市、廊坊市、沧州市、衡水市、保定市、北京市、石家庄市、邢台市及邯郸市的东部地区), 该地区多平原, 适宜城镇建设及农作物耕种, 故多为建设用地及耕地；水体多分布于渤海湾沿海地区, 该地区靠近海洋, 雨水丰沛, 河流、池塘、水库汇集；建设用地则多分布于各大城市中, 多为建设中的裸地.
|
图 3 1998~2018年京津冀地区土地利用变化 Fig. 3 Land use change map in the Beijing-Tianjin-Hebei region from 1998 to 2018 |
|
|
表 4 京津冀地区土地利用变化格局 Table 4 Land use change pattern in the Beijing-Tianjin-Hebei region |
总体上, 京津冀地区6种土地利用类型中建设用地(增加16.67%)及草地(减少13.73%)面积占比变化幅度最大, 水体(减少0.2%)面积占比变化幅度最小.其中建设用地、未利用土地及林地快速增加, 是由于城市化进程不断加快以及三北防护林建设的阶段性成果；耕地及草地不断减少, 是由于人们环保意识的提升, 退耕还林还草, 草地逐渐转化为林地.
4.2 土地利用转移本文用土地利用转移矩阵反映京津冀地区土地利用类型整体的变化方向及变化强度.由表 5可知, 在1998~2018年间, 京津冀地区6种土地利用类型之间均有不同程度的转化, 其中耕地变化幅度最大, 178.40×104 hm2的耕地转化为建设用地, 17.25×104 hm2的耕地转化为未利用土地, 说明随着社会经济的发展, 城市化进程的推进侵占了大量耕地；26.55×104 hm2的耕地转化为林地, 57.46×104 hm2的耕地转化为草地, 8.92×104 hm2的耕地转化为水体, 说明受人们环保意识提升的影响, 治理围湖造田及退耕还林还草取得阶段性成果.草地变化幅度仅次于耕地, 231.82×104 hm2的草地转化为林地, 体现了三北防护林的建设行之有效；33.69×104 hm2的草地转化为建设用地, 也是受城市化进程的影响.林地、建设用地及未利用土地的土地转化程度较小, 相对较为明显的转化为44.61×104 hm2的林地转化为草地, 8.51×104 hm2的建设用地转化为未利用土地, 其余转化面积较少, 故不加赘述.
|
|
表 5 1998~2018年京津冀地区土地利用转移矩阵/104 hm2 Table 5 Land use transfer matrix in the Beijing-Tianjin-Hebei region from 1998 to 2018/104 hm2 |
4.3 ESV变化 4.3.1 各服务功能ESV变化
由表 6可知, 1998~2018年间, 京津冀地区除了制造原材料功能的服务价值在各时期均有所增加, 其余功能的服务价值总体上均呈现下降趋势.由于1998~2003年间建设用地面积增长较少(面积占比增加0.26%), 且林地(面积占比增加1.29%)及水体(面积占比增加1.42%)增长较多, 故除了食物生产、养分循环、土壤保持等功能外均有一定程度的增长. 1998年京津冀地区ESV总价值为1 731.62亿元, 2003年总价值为1 823.59亿元, 2008年总价值为1 816.82亿元, 2013年总价值为1 719.58亿元, 2018年为1 584.52亿元.京津冀地区ESV总价值在1998~2003年间出现短暂增长, 2003~2018年间持续降低主要与城市化进程的推进导致建设用地与未利用土地面积占比越来越大有关, 建设用地面积在除1998~2003年的其余3个时间段增幅明显, 耕地及水体所占面积也持续减少, 多种原因综合导致1998~2018年京津冀地区ESV总价值呈减少趋势, 共减少147.10亿元.
|
|
表 6 1998~2018年京津冀地区各服务功能ESV变化/亿元·a-1 Table 6 ESV changes in various service functions in the Beijing-Tianjin-Hebei region from 1998 to 2018/108 Yuan ·a-1 |
4.3.2 各土地利用类型ESV变化
由表 7可知, 1998~2018年京津冀地区6种土地利用类型中, 林地提供的ESV最高, 约占总价值的60%, 且呈持续增加的态势；草地提供的ESV其次, 约占总价值的25%, 但呈持续减少的态势；水体提供的ESV也较高, 约占总价值的10%左右, 且在1998~2008年间呈增长态势, 2008~2018年间呈减少态势；耕地提供的ESV约占总价值5%左右, 呈持续减少态势；建设用地及未利用土地所提供的ESV虽呈现增加态势, 但相对ESV总价值来说极少(不足1%).
|
|
表 7 1998~2018年京津冀地区各土地利用类型ESV变化/亿元·a-1 Table 7 ESV changes in land use types in Beijing-Tianjin-Hebei region from 1998 to 2018/108 Yuan ·a-1 |
对于京津冀地区来说, 1998~2018年间林地及草地的ESV贡献最大, 建设用地及未利用土地的ESV贡献最小, 故在城市化进程中合理规划建设用地及未利用土地面积, 进一步加强三北防护林建设及草地资源保护, 建设生态友好型城市是改善京津冀地区生态环境, 提高ESV的关键.
4.3.3 基于格网尺度的ESV空间变化通过对京津冀区域15 km×15 km尺度格网ESV空间分布进行分析(图 4和表 8)可知, 1998~2018年京津冀地区ESV变化明显, 从空间分布来看, ESV较低区主要分布于城市及村镇；ESV中等区主要分布于耕地及覆盖度较低的草地地区；ESV较高区主要分布于水体、高覆盖度草地及林地地区.从不同年份各级别ESV分布的空间变化来看, ESV较低区面积占比逐年增加, 由1998年面积占比7.57%(面积165.03×104 hm2)增加到2018年面积占比23.51%(面积512.52×104 hm2), 主要原因是建设用地及未利用土地面积的增加；ESV中等区面积占比逐年减少, 由1998年面积占比70.18%(面积1529.92×104 hm2)减少到2018年面积占比40.97%(面积893.15×104 hm2), 主要原因为耕地及草地的覆盖面积逐年减少；ESV较高区面积占比逐年增加, 由1998年面积占比22.25%(面积485.05×104 hm2)增加到2018年面积占比35.52%(面积774.33×104 hm2), 主要原因为林地的覆盖面积不断增加.
|
图 4 1998~2018年京津冀地区15 km×15 km格网ESV空间变化 Fig. 4 Spatial variation map of 15 km×15 km grid ESV in the Beijing-Tianjin-Hebei region from 1998 to 2018 |
|
|
表 8 1998~2018年不同等级ESV面积变化 Table 8 Changes in ESV area of different grades from 1998 to 2018 |
4.4 价值系数敏感性分析
由图 5和表 9可知, 1998~2018年间, 京津冀地区6种土地利用类型对价值系数的SI范围为0~0.40, 均低于1, 表明本文ESV对修订后的生态系统服务价值系数缺乏弹性, 也间接表明本文定量估算ESV的结果是可靠的.林地的SI最高, 5个时期均在0.3左右；其次为草地(0.1左右)、水体(0.05左右)及耕地(0.02左右)；建设用地(0.01左右)及未利用土地(0左右)的SI则较低.在京津冀地区, 林地、水体、草地及耕地等土地利用类型在生态系统服务中所占权重较高.对于计算得到的1998~2018年ESV来说, 价值系数具有良好的显著性, 表明修订后的研究区ESV价值系数具有可靠性.
|
图 5 1998~2018年6种土地利用类型敏感性系数 Fig. 5 Sensitivity indexes of six land use types from 1998 to 2018 |
|
|
表 9 1998~2018年京津冀地区各土地类型敏感性系数 Table 9 Sensitivity indexes of land types in the Beijing-Tianjin-Hebei region from 1998 to 2018 |
5 结论
(1) 伴随城市化进程和社会经济的快速发展, 1998~2018年间, 京津冀地区土地利用变化显著, 6种土地利用类型中建设用地(增加16.67%)、未利用土地(由0.02%增至1.98%)及草地(减少13.73%)面积占比变化幅度最大, 水体(减少0.2%)面积占比变化幅度最小.林地(增加3.22%)面积占比变化幅度较小.
(2) 京津冀地区ESV总量在1998~2003年间呈增长趋势(增加91.97亿元), 在2003~2018年持续减少趋势(减少239.07亿元).林地提供的ESV最高, 未利用土地提供的ESV最低.其中建设用地、林地及未利用土地的ESV呈增长趋势, 草地及耕地的ESV呈减少趋势, 水体的ESV呈先增后减趋势.京津冀9种生态系统服务中, 水资源供给、气体调节、土壤保持及生物多样性是影响总ESV的4大生态系统服务功能, 所贡献的ESV占比总ESV的70%；而养分循环及食物生产所贡献的ESV较少, 仅占比约4.5%.
(3) 1998~2018年基于15 km×15 km尺度格网的京津冀地区各等级ESV分布特征均为：中等区≥较高区≥较低区, 20年间中等区面积不断减少, 从1998年面积占比70.18%至2018年面积占比40.97%, 减少了29.21%；较高区及较低区不断增加, 且较低区(20年间增长15.94%)增长速率高于较高区(20年间增长13.27%).
(4) 1998~2018年间, 京津冀地区6种土地利用类型对价值系数的SI范围为0~0.40, 均低于1, 表明ESV对修订后的生态系统服务价值系数缺乏弹性, 间接表明本研究定量估算ESV的结果是可靠的.
| [1] | de Groot R S, Wilson M A, Boumans R M J. A typology for the classification, description and valuation of ecosystem functions, goods and services[J]. Ecological Economics, 2002, 41(3): 393-408. DOI:10.1016/S0921-8009(02)00089-7 |
| [2] |
许鑫王豪, 邹欣庆, 刘晶茹. 苏北潮滩温室气体排放的时空变化及影响因素[J]. 环境科学, 2016, 37(6): 2383-2392. Xu X W H, Zou X Q, Liu J R. Temporal and spatial dynamics of greenhouse gas emissions and its controlling factors in a coastal saline wetland in North Jiangsu[J]. Environmental Science, 2016, 37(6): 2383-2392. |
| [3] | Tamayo N C A, Anticamara J A, Acosta-Michlik L. National estimates of values of Philippine Reefs' ecosystem services[J]. Ecological Economics, 2018, 146: 633-644. DOI:10.1016/j.ecolecon.2017.12.005 |
| [4] |
唐秀美, 郝星耀, 刘玉, 等. 生态系统服务价值驱动因素与空间异质性分析[J]. 农业机械学报, 2016, 47(5): 336-342. Tang X M, Hao X Y, Liu Y, et al. Driving Factors and Spatial Heterogeneity Analysis of Ecosystem Services Value[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 336-342. |
| [5] |
季香, 刘红玉, 李玉凤, 等. 不同雨强条件下河流水质对流域土地利用类型与格局空间响应[J]. 环境科学, 2016, 37(6): 2101-2112. Ji X, Liu H Y, Li Y F, et al. Spatial response of river water quality to land use types and patterns under different rainfall intensities[J]. Environmental Science, 2016, 37(6): 2101-2112. |
| [6] |
姚小薇, 曾杰, 李旺君. 武汉城市圈城镇化与土地生态系统服务价值空间相关特征[J]. 农业工程学报, 2015, 31(9): 249-256. Yao X W, Zeng J, Li W J. Spatial correlation characteristics of urbanization and land ecosystem service value in Wuhan Urban Agglomeration[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(9): 249-256. |
| [7] | Wei F W, Costanza R, Dai Q, et al. The value of ecosystem services from Giant Panda reserves[J]. Current Biology, 2018, 28(13): 2174-2180. DOI:10.1016/j.cub.2018.05.046 |
| [8] | Cao S X, Zhang J Z, Su W. Net value of wetland ecosystem services in China[J]. Earth's Future, 2018, 6(10): 1433-1441. DOI:10.1029/2018EF000976 |
| [9] | 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 |
| [10] |
谢高地, 鲁春霞, 冷允法, 等. 青藏高原生态资产的价值评估[J]. 自然资源学报, 2003, 18(2): 189-196. Xie G D, Lu C X, Leng Y F, et al. Ecological assets valuation of the Tibetan Plateau[J]. Journal of Natural Resources, 2003, 18(2): 189-196. DOI:10.3321/j.issn:1000-3037.2003.02.010 |
| [11] |
谢高地, 张彩霞, 张雷明, 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进[J]. 自然资源学报, 2015, 30(8): 1243-1254. Xie G D, Zhang C X, Zhang L M, et al. Improvement of the evaluation method for ecosystem service value based on per unit area[J]. Journal of Natural Resources, 2015, 30(8): 1243-1254. |
| [12] | Bryan B A, Ye Y Q, Zhang J E, et al. Land-use change impacts on ecosystem services value:Incorporating the scarcity effects of supply and demand dynamics[J]. Ecosystem Services, 2018, 32: 144-157. DOI:10.1016/j.ecoser.2018.07.002 |
| [13] |
范泽孟, 黄言, 岳天祥. 青藏高原维管植物物种丰富度分布的情景模拟[J]. 地理学报, 2018, 73(1): 164-176. Fan Z M, Huang Y, Yue T X. Scenario simulation of species richness distribution of vascular plants in Qinghai-Tibet plateau[J]. Acta Geographica Sinica, 2018, 73(1): 164-176. |
| [14] |
孙爽, 李令军, 赵文吉, 等. 京津冀大气污染变化规律及其与植被指数相关性分析[J]. 环境科学, 2019, 40(4): 1585-1593. Sun S, Li L J, Zhao W J, et al. Variation in pollutant concentrations and correlation analysis with the vegetation index in Beijing-Tianjin-Hebei[J]. Environmental science, 2019, 40(4): 1585-1593. |
| [15] |
曹畅, 李旭辉, 张弥, 等. 中国城市热岛时空特征及其影响因子的分析[J]. 环境科学, 2017, 38(10): 3987-3997. Cao C, Li X H, Zhang M, et al. Correlation analysis of the urban heat island effect and its impact factors in China[J]. Environmental science, 2017, 38(10): 3987-3997. |
| [16] | Wang Y H, Dai E F, Yin L, et al. Land use/land cover change and the effects on ecosystem services in the Hengduan Mountain region, China[J]. Ecosystem Services, 2018, 34: 55-67. DOI:10.1016/j.ecoser.2018.09.008 |
| [17] | Yan F Q, Zhang S W. Ecosystem service decline in response to wetland loss in the Sanjiang Plain, Northeast China[J]. Ecological Engineering, 2019, 130(7): 117-121. |
| [18] |
修晓敏, 周淑芳, 陈黔, 等. 基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算[J]. 测绘通报, 2019, 0(3): 46-52+75. Xiu X M, Zhou S F, Chen Q, et al. Above-ground biomass estimation of provincial scattered grassland based on Google Earth Engine and machine learning[J]. Bulletin of Surveying and Mapping, 2019, 0(3): 46-52, 75. |
| [19] | Tian H F, Meng M, Wu M Q, et al. Mapping spring canola and spring wheat using Radarsat-2 and Landsat-8 images with Google Earth Engine[J]. Current Science, 2019, 116(2): 291-298. DOI:10.18520/cs/v116/i2/291-298 |
| [20] | Dong J W, Xiao X M, Menarguez M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154. DOI:10.1016/j.rse.2016.02.016 |
| [21] | Nguyen U N T, Pham L T H, Dang T D. An automatic water detection approach using Landsat 8 OLI and Google Earth Engine cloud computing to map lakes and reservoirs in New Zealand[J]. Environmental Monitoring and Assessment, 2019, 191(4): 235. DOI:10.1007/s10661-019-7355-x |
| [22] | Azzari G, Lobell D B. Landsat-based classification in the cloud:An opportunity for a paradigm shift in land cover monitoring[J]. Remote Sensing of Environment, 2017, 202: 64-74. DOI:10.1016/j.rse.2017.05.025 |
| [23] | Breiman L. Classification and regression tree[M]. Belmont, Calif.: Wadsworth International Group, 1984. |
| [24] | Tayyebi A, Pijanowski B C. Modeling multiple land use changes using ANN, CART and MARS:comparing tradeoffs in goodness of fit and explanatory power of data mining tools[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 28: 102-116. DOI:10.1016/j.jag.2013.11.008 |
| [25] | Hu Y F, Dong Y, Batunacun. An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 146: 347-359. DOI:10.1016/j.isprsjprs.2018.10.008 |
| [26] |
肖国峰, 朱秀芳, 侯陈瑶, 等. 撂荒耕地的提取与分析——以山东省庆云县和无棣县为例[J]. 地理学报, 2018, 73(9): 1658-1673. Xiao G F, Zhu X F, Hou C Y, et al. Extraction and analysis of abandoned farmland-a case study of Qingyun and Wudi counties in Shandong Province[J]. Acta Geographica Sinica, 2018, 73(9): 1658-1673. |
| [27] |
李恒凯, 吴娇, 王秀丽. 基于GF-1影像的东江流域面向对象土地利用分类[J]. 农业工程学报, 2018, 34(10): 245-252. Li H K, Wu J, Wang X L. Object oriented land use classification of Dongjiang River Basin based on GF-1 image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10): 245-252. DOI:10.11975/j.issn.1002-6819.2018.10.031 |
| [28] |
于文婧, 刘晓娜, 孙丹峰, 等. 基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类[J]. 农业工程学报, 2016, 32(2): 212-219. Yu W J, Liu X N, Sun D F, et al. Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(2): 212-219. |
| [29] |
谢高地, 肖玉, 甄霖, 等. 我国粮食生产的生态服务价值研究[J]. 中国生态农业学报, 2005, 13(3): 10-13. Xie G D, Xiao Y, Zhen L, et al. Study on ecosystem services value of food production in China[J]. Chinese Journal of Eco-Agriculture, 2005, 13(3): 10-13. |
| [30] |
约日古丽卡斯木, 杨胜天, 孜比布拉·司马义. 新疆艾比湖流域土地利用变化对生态系统服务价值的影响[J]. 农业工程学报, 2019, 35(2): 260-269. Kasimu Y, Yang S T, Simayi Z. Impact of land use change on ecosystem service value in Ebinur Lake Basin, Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(2): 260-269. |
| [31] |
唐秀美, 刘玉, 刘新卫, 等. 基于格网尺度的区域生态系统服务价值估算与分析[J]. 农业机械学报, 2017, 48(4): 149-153, 205. Tang X M, Liu Y, Liu X W, et al. Estimation and analysis of ecosystem service value based on grid scale[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4): 149-153, 205. |
| [32] |
侯孟阳, 姚顺波, 邓元杰, 等. 格网尺度下延安市生态服务价值时空演变格局与分异特征——基于退耕还林工程的实施背景[J]. 自然资源学报, 2019, 34(3): 539-552. Hou M Y, Yao S B, Deng Y J, et al. Spatial-temporal evolution pattern and differentiation of ecological service value in Yan'an city at the grid scale based on Sloping Land Conversion Program[J]. Journal of Natural Resources, 2019, 34(3): 539-552. |
| [33] |
张雪琪, 满苏尔·沙比提, 马国飞. 基于生态系统服务的叶尔羌河平原绿洲生态经济协调发展分析[J]. 环境科学研究, 2018, 31(6): 1114-1122. Zhang X Q, MANSUR S, Ma G F. Analysis of eco-economic harmonious development in Yarkant River plain oasis based on ecosystem service value[J]. Research of Environmental Sciences, 2018, 31(6): 1114-1122. |
| [34] | Aschonitis V G, Gaglio M, Castaldelli G, et al. Criticism on elasticity-sensitivity coefficient for assessing the robustness and sensitivity of ecosystem services values[J]. Ecosystem Services, 2016, 20: 66-68. DOI:10.1016/j.ecoser.2016.07.004 |