我国区域多源土地覆被数据生态系统服务价值比较研究

宋宏利， 张晓楠

(1.河北工程大学地球科学与工程学院，河北邯郸 056038；2. 河北省煤炭资源综合开发与利用协同创新中心，河北邯郸 056038； 3. 河北工程大学矿业与测绘工程学院，河北邯郸 056038)

土地覆被是地球表层各种物质类型及其自然属性与特征的综合体[1]，是大气循环、生态环境保护、生物多样性监测、地理国情调查、粮食安全等领域的重要基础信息[2-6]。近年来，随着航空航天遥感技术的发展，一系列全球或区域尺度的土地覆被数据集相继问世[7-9]，特别是在我国国家科技计划的支持下，我国国家基础地理信息中心和清华大学率先研制出代表2010年时间基点的2套30 m分辨率全球尺度土地覆被数据集[10-11]。尽管这些数据集的出现为众多科研领域相关理论模型提供了丰富的数据来源，但由于传感器、分类算法、空间分辨率及分类体系不同，现有的全球或区域尺度土地覆被遥感数据存在一定的差异。近年来，国内外学者针对以上问题，已在全球或区域尺度进行了大量工作，并取得了重要的成果。经分析发现，现有的研究工作主要集中于土地覆被遥感产品本身的专题精度的比较和验证，而关于不同土地覆被数据用于特定应用模型计算结果的比较则鲜有报道。

生态系统是人类生存发展的基础，是无法替代的自然资源和自然资产，而基于生态系统类型而产生的服务则具有极高的价值，对人类生存具有重要的意义[12]。因此，本研究以生态系统服务价值为研究对象，拟在我国区域对3种常用的全球土地覆被数据集MODIS COLLECTION5(moderate resolution imaging spectroradiometer collection5，简称MODIS COLLECTION5)、GLOBCOVER、ESACCI(European space agency climate change initiative，简称ESACCI)进行比较研究，进而分析3种数据集在生态系统类型价值和生态系统服务类型价值2个方面的差异，为我国区域用户合理选择数据进行生态服务建模提供一定的参考，也为未来大尺度生态系统类型制图提供一定的研究方向。

1 数据来源及预处理

1.1 数据来源

本研究所采用的3种全球土地覆被数据集的具体信息如表1所示。其中，GLOBCOVER是由欧洲航天局以MERIS(medium resolution imaging spectrometer，简称MERIS)遥感数据为基础，采用监督时空聚类及专家分类相结合的分类方法获取的全球尺度300 m分辨率土地覆被数据集，该数据集采用联合国联农组织推荐的LCCS(land cover classification system，简称LCCS)土地分类体系，共包含22个类别[9]；MODIS COLLECTION5数据是由美国波士顿大学以MODIS数据为基础，结合EVI(enhanced vegetation index，简称EVI)及LST(land surface temperature，简称LST)数据，采用监督决策树分类方法获取的500 m分辨率全球尺度土地覆被数据集，该数据采用国际地圈生物圈计划的IGBP(international geosphere biosphere program，简称IGBP)分类体系，将全球陆表划分为17种土地覆被类别[7]；ESACCI是由欧洲航天局在研制GLOBCOVER数据的经验基础上，为特别满足气候建模需求而研制的300 m分辨率全球尺度土地覆被数据集，该数据集基于MERIS和SPOT VGT(SPOT vegetation，简称SPOT VGT)时间序列数据，采用非监督时空聚类算法将陆表划分为22个土地覆被类别[13]。

表1 土地覆被数据信息

1.2 数据预处理

首先采用我国区域边界数据对上述3种土地覆被数据集进行掩膜裁剪，以获取代表我国区域范围的土地覆被数据。如上所述，MODIS COLLECTION5采用IGBP分类体系，而GLOBCOVER、ESACCI则采用LCCS分类体系，为了便于比较分析，须对3种数据进行分类体系的转换。文献[12]将我国区域生态系统类型划分为农田、森林、草地、湿地、荒漠、水域等6种一级生态系统类型，水田、旱地等14种二级生态系统类型。经分析发现，MODIS COLLECTION5 数据并未对农田进行水田和旱地的二级划分，而二者在生态服务价值上的数值差别较大，为了减小计算误差，同时考虑到3种土地覆被数据自身的特点，本研究并未将农田生态系统纳入计算范围，最终将3种土地覆被数据聚合为阔叶林、针叶林、混合林、草原、灌木丛、湿地、水系、冰川积雪、荒漠等9种生态系统类型。生态系统类型划分的具体情况如表2所示。

表2 生态系统类型划分

2 生态服务价值计算方法

自1997年Costanza提出生态服务价值概念以来[14]，国内外学者针对生态系统服务价值的量化方法进行了深入研究，并形成了基于单位服务功能价格和基于单位面积价值当量因子的2类计算方法，其中基于单位服务功能价格的计算方法涉及的参数较多，计算过程较复杂，主要适用于较小尺度的生态服务价值估算；基于单位面积价值当量因子的计算方法需求的参数较少，且计算过程较为简单，适用于全球或区域尺度生态服务价值估算。本研究以我国区域为研究对象，研究范围尺度较大，因此，选择基于单位面积价值当量因子的计算方法作为生态服务价值的估算依据。

谢高地等在Costanza等的研究基础上，结合我国区域生态系统类型特点，提出了适合该区域的生态服务类型划分及单位面积生态系统服务价值当量标准，并依据《中国统计年鉴2011》[15]、《全国农产品成本收益资料汇编2011》[16]，结合稻谷、小麦及玉米的种植面积及单价，计算得出代表我国区域2010年的1个标准当量因子的生态系统服务价值量为 3 406.5元/hm2[17]，以此数值为基准，依据单位面积生态系统服务价值当量标准，本研究计算出生态系统类型各服务类型的价值如表3所示。

3 结果与分析

3.1 生态系统类型空间分布

由图1可知，在我国西北地区，3种数据集的生态系统均以荒漠为主，三者表现出较好的类别分布一致性，但MODIS数据集在新疆北部地区表现出明显的草原分布；在青藏高寒区，三者生态系统均以草地为主，但MODIS和ESACCI数据集中草地的面积明显高于GLOBCOVER数据集。在西南、东南及东北地区，MODIS数据集与GLOBCOVER、ESACCI数据集表现出较为明显的差异，其中MODIS数据集在西南和东南地区生态系统以混合林及灌木丛为主，而GLOBCOVER和ESACCI数据集则以阔叶林及灌木丛为主；在东北区域，MODIS数据集在黑龙江及吉林、辽宁东部区域以混合林为主，GLOBCOVER数据集在黑龙江地区以针叶林为主，但在吉林、 辽宁东部区域地区则呈现出混合林、针叶林、灌木丛交错分布的特征，相对于MODIS和GLBCOVER数据集，EASCII数据集在整个东北地区均以针叶林为主，其他生态系统分布较少。

表3 生态系统服务类型价值

3.2 基于生态系统类型的价值比较

由图2可知，由于3种土地覆被数据关于冰雪、荒漠2种生态系统的面积较为接近，因此两者的生态服务价值差异较小。但阔叶林、针叶林、混合林、草原、灌木及水系的生态服务价值差异较为明显，其中，ESACCI数据集阔叶林的生态服务价值最高，达14 015亿元，MODIS数据集阔叶林的生态服务价值最低，仅为3 062.75亿元，二者相差10 952.25亿元；GLOBCOVER数据集的针叶林的生态服务价值最高，为 7 253.98 亿元，MODIS数据集的针叶林的生态服务价值最低，仅为550.92亿元，ESACCI数据集的生态服务价值介于二者之间，为6 174.49亿元；与阔叶林及针叶林相反，MODIS数据集中混合林的生态服务价值最高，为15 946.20亿元，ESACCI数据集的生态服务价值最低，仅为452.78亿元，二者相差15 493.42亿元；草地和灌木呈现出相似的生态服务价值特征，MODIS和ESACCI数据集二者的服务价值相似，GLOBCOVER数据集的数值均小于前两者。

3.3 基于生态服务类型的价值比较

由图3可知，3种数据的11种服务类型服务价值差距相对较小，特别是食物生产、原料生产、水源供给、养分循环等4种服务类型具有几乎相同的生态服务价值；对于气体调节、净化环境、生物多样性、美学景观等4种服务类型，MODIS、ESACCI 2种数据集几乎具有相同的生态服务价值，且二者的生态服务价值均高于GLOBCOVER数据集的生态服务价值；3种数据集在气候调节和水文调节2种服务类型具有较大的生态服务价值差距，其中MODIS数据集具有最大的气候调节生态服务价值，为9 578.10亿元，ESACCI数据集的生态服务价值最小，仅为3 350.66亿元，二者相差6 227.44亿元，GLOBCOVER数据集的生态服务价值介于二者之间，为 6 897.01亿元；与气候调节相反，ECACCI数据集在水文调节方面具有最大的生态服务价值，为11 894.17亿元，GLOBCOVER数据集的生态服务价值最小，为9 366.70亿元，MODIS数据集的生态服务价值介于二者之间，为9 841.62亿元。

4 结论与讨论

本研究基于谢高地等提出的我国区域生态系统服务价值计算方法，从生态系统类型及生态服务类型2个方面定量比较了MODIS COLLECTION5、GLBOCOVER、ESACCI等3种数据集计算的生态服务价值。结果表明，除冰雪、荒漠及湿地3种生态系统类型，3种数据的阔叶林、针叶林、混合林、草地等生态系统服务价值存在较为明显的差异，其中ESACCI数据集的阔叶林、灌木丛2种生态系统具有最高的生态服务价值；MODIS数据集的混合林及草原具有最高的生态服务价值；GLOBCOVR数据集的针叶林及水系则具有最高的生态服务价值。相对于系统类型服务价值的明显差距，3种数据的生态服务类型服务价值的差距则相对较小，尤其在食物生产、原料生产、水源供给、养分循环、美学景观等服务类型方面，3种数据集计算的服务价值几乎相同，三者仅在气候调节、水文调节等2个服务类型方面存在一定的差距。尽管从相对角度的定量比较可以揭示3种数据在生态系统类型及生态服务类型2个方面的生态服务价值特征，为未来我国区域生态系统建模数据的选择提供一定的科学依据，但并不能客观评价3种数据集的服务价值与真实情况的差距。随着30 m分辨率土地覆被遥感产品Globeland30、From GLC(fine resolution observation and monitoring of global land cover，简称From GLC)等数据集的公开使用，笔者下一步将进行基于高分辨率数据绝对服务价值的比较研究，从而更加精确地评价现有全球尺度土地覆被数据在生态服务价值领域的计算精度。

致谢：感谢河北省煤炭资源综合开发与利用协同创新中心及河北省一流学科“地质资源与地质工程”为本研究提供的资金支持。

[1]廖安平，陈利军，陈 军，等. 全球陆表水体高分辨率遥感制图[J]. 中国科学：地球科学，2014，44(8)：1634-1645.

[2]周书贵，邵全琴，曹 巍. 近20年黄土高原土地利用/覆被变化特征分析[J]. 地球信息科学学报，2016，18(2)：190-199.

[3]Verburg P H，Neumann K，Nol L. Challenges in using land use and land cover data for global change studies[J]. Global Change Biology，2011，17(2)：974-989.

[4]唐华俊，吴文斌，余强毅，等. 农业土地系统研究及其关键科学问题[J]. 中国农业科学，2015，48(5)：900-910.

[5]陈 军，陈 晋，宫 鹏，等. 全球地表覆盖高分辨率遥感制图[J]. 地理信息世界，2011，9(2)：12-14.

[6]Lafontaine J H，Hay L E，Viger R J，et al. Effects of climate and land cover on hydrology in the southeastern US：potential impacts on watershed planning[J]. Journal of the American Water Resources Association，2015，51(5)：1235-1261.

[7]Friedl M A，Mciver D K，Hodges J，et al. Global land cover mapping from MODIS：algorithms and early results[J]. Remote Sensing of Environment，2002，83(1/2)：287-302.

[8]Bartholomé E，Belward A S. GLC2000：a new approach to global land cover mapping from earth observation data[J]. International Journal of Remote Sensing，2006，26(9)：1959-1977.

[9]Arino O，Bicheron P，Achard F，et al. GLOBCOVER：the most detailed portrait of earth[J]. Bulletin-European Space Agency，2008，136(4)：24-31.

[10]Gong P，Wang J，Yu L，et al. Finer resolution observation and monitoring of global land cover：first mapping results with Landsat TM and ETM+ data[J]. International Journal of Remote Sensing，2013，34(7)：2607-2654.

[11]Chen J，Chen J，Liao A，et al. Global land cover mapping at 30 m resolution：a POK-based operational approach[J]. Isprs Journal of Photogrammetry & Remote Sensing，2015，103：7-27.

[12]谢高地，张彩霞，张昌顺，等. 中国生态系统服务的价值[J]. 资源科学，2015，37(9)：1740-1746.

[13]Tsendbazar N E，de Bruin S，Mora B，et al. Comparative assessment of thematic accuracy of GLC maps for specific applications using existing reference data[J]. International Journal of Applied Earth Observation and Geoinformation，2016，44：124-135.

[14]Costanza R，D’Arge R,de Groot R，et al.The value of the world’s ecosystem services and natural capital[J]. Nature，1997，387：253-260.

[15]中华人民共和国国家统计局. 中国统计年鉴(2011)[M]. 北京：中国统计出版社，2011.

[16]国家发展和改革委员会价格司. 全国农产品成本收益资料汇编(2011)[M]. 北京：中国统计出版社，2011.

[17]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(8)：1243-1254.