基于生态系统服务和PSO-SOFM神经网络的中亚水土热资源匹配分区*

闫 雪,黄法融,4,李 倩,4,周宏飞, 李兰海,4**

基于生态系统服务和PSO-SOFM神经网络的中亚水土热资源匹配分区*

闫 雪1,2,3,黄法融1,2,3,4,李 倩1,2,3,4,周宏飞1,3,5, 李兰海1,2,3,4**

(1. 中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室 乌鲁木齐 830011; 2. 中国科学院伊犁河流域生态系统研究站 新源 835800; 3. 中国科学院大学 北京 100049; 4. 中国科学院中亚生态与环境研究中心/新疆干旱区水循环与水利用实验室 乌鲁木齐 830011; 5. 中国科学院阜康荒漠生态系统国家站 阜康 831505)

水土热资源匹配度分区研究对于区域农业规划具有重要意义。中亚地区长期以来缺乏合理的水土热资源管理, 已引发了一系列资源环境问题, 严重威胁该地区农业生产。目前的研究也较少关注中亚水土热资源匹配分区模式。本研究利用遥感数据, 通过量化4种主要生态系统服务(植被固碳、土壤保持、水源供给与涵养及生物多样性保护)的时空分布特征, 结合PSO-SOFM (particle swarm optimization, PSO; self-organizing feature map, SOFM)神经网络模型实现中亚水土热资源匹配度分区, 并利用Spearman秩相关分析探索不同匹配度分区与生态环境因子的关系, 应用偏相关分析确定气温和降水量对中亚地区生态系统服务的影响。结果表明, 中亚生态系统服务总体呈东南高、西北低的空间格局, 沿山地—绿洲—荒漠方向递减。在2000—2015年间, 各类生态系统服务均有不同程度变化, 其中植被固碳和土壤保持呈显著下降的面积占整个中亚的84.81%和84.82%; 水源供给与涵养以及生物多样性保护服务呈显著下降的面积较少, 占比分别为69.48%和19.8%, 且这两种生态系统服务在个别地区有增加趋势。PSO-SOFM神经网络模型在中亚水土热资源匹配度分区中表现良好, 根据生态系统服务值空间模式, 中亚水土热资源匹配度可被划为5大类21个子类分区。在空间尺度, 各类匹配度分区之间生态系统服务值有显著差异, 降水是影响生态系统服务和匹配度高低的重要限制因子, 而气温和土壤因素影响较弱; 在时间尺度, 降水和各生态系统服务值间呈显著正相关关系的范围更广, 而气温对生态系统服务值有显著影响的区域主要集中在哈萨克斯坦北部草地—半荒漠生态敏感区、中亚荒漠生态脆弱区、中亚中部半荒漠生态敏感区以及巴特赫兹—卡拉比尔半荒漠生态敏感区等地。而在其他区域, 气温和降水量并非决定生态系统服务值高低的主要因素, 生态系统服务值的变化可能与土地开发利用模式有关。结合不同匹配度分区的生态地理条件, 本研究可为中亚地区水土资源开发利用、农牧业发展以及生态环境保护提供有用信息。

水土热资源; 生态系统服务; PSO-SOFM神经网络; 匹配度分区; 中亚

水土热资源是人类赖以生存的基础自然资源, 对于农业生产、粮食安全及生态环境可持续具有重要意义[1]。水土热资源匹配程度影响一个地区水土热资源综合利用效率[2], 研究水土热资源匹配度分区格局可以为区域资源高效利用、管理决策及农业生产提供依据[3-4]。目前, 水土热资源匹配度相关研究集中于探讨水资源、耕地资源以及粮食产量的数量匹配关系[4-6], 较少对生态用地和生态环境用水进行综合考虑[7], 涉及水土热资源匹配度分区的研究依然较少。因此, 寻求简单有效的评估水土热资源匹配度分区方法十分重要。

生态功能区划的核心是对生态系统服务的空间表达[8], 而植被固碳、土壤保持、水源供给与涵养及生物多样性保护等生态系统服务可以用于综合衡量区域水土热资源的匹配程度[9]。因此, 基于生态系统服务的生态功能区划可以表征水土热资源匹配度的空间分布规律, 从而为区域水土资源管理及持续利用发挥指导作用。早期的生态分区研究主要涉及数理方法, 包括回归分析、聚类分析、主成分分析等, 随着人工智能算法的发展, 非参数化方法尤其是人工神经网络模型在定量区划工作中发挥了巨大作用[10], 其中又以自组织特征映射网络(self-organizing feature map, SOFM)模型最为普遍。SOFM神经网络模型是一种无监督学习神经网络, 主要由输入层和竞争层组成, 它可以基于数据本身特征, 在保持数据集拓扑结构不变的前提下得到数据聚类结果, 具有客观性、高容错能力以及稳健性等优点[11]。对于自然界中广泛存在的非线性问题, SOFM神经网络模型具有比聚类分析等线性分类器更强的适应性, 识别空间模式的能力更优[12]。目前, 已被广泛用于土地利用分区[13-14]、生态功能分区[15-16]、景观功能分区[12-17]、经济环境综合分区[18]、综合自然区划[19]等研究工作中。

中亚地区生态系统具有脆弱、对环境变化响应敏感的特征。近年来, 该地区资源的供求矛盾日益加深, 给该地区生态环境稳定和农业生产带来严峻挑战, 如何合理开发利用资源、管理区域农业生产、维持生态环境稳定已成为该地区发展所要面临的关键问题[20], 了解中亚地区水土热资源匹配度空间分布模式对该问题的解决有关键作用。目前, 国际上关于中亚地区水土热资源管理的相关研究仍多侧重水资源的研究, 并集中在水资源状况[21]、人类活动和气候变化对中亚地区水土资源的影响[22-24]、跨界河流管理[25]等, 关于水土热资源匹配度的研究相对较少。学者们通过将基尼系数法和单位面积耕地所拥有的水资源量法相结合[26]、采用基于生态系统服务的匹配度指数计算法[9], 或是构建基于重心公式的多元匹配评估模型和分级标准[27], 对中亚地区水土资源空间匹配关系开展了定量分析, 并获取一定研究成果。然而, 现有研究多以国家尺度或现有生态分区类型为基础开展匹配度及其影响因素的分析, 较少有研究通过空间聚类方式进行水土热资源匹配度分区, 而水土热资源匹配度的分区结果可为精细化的水土资源空间管制提供科学依据。

本研究的目的是探究中亚地区水土热资源匹配度的空间分区格局及农业资源开发利用对策。通过计算植被固碳、土壤保持、水源供给与涵养及生物多样性保护等生态系统服务, 结合PSO算法优化SOFM神经网络聚类方法, 并完成中亚地区水土热资源匹配度分区, 在此基础上探索自然环境因子对生态系统服务及匹配度的影响, 为合理开发利用水土资源、区域农牧业协调发展和生态环境保护提供参考。

1 数据与方法

1.1 研究区概况

中亚地区位于欧亚大陆腹地, 由哈萨克斯坦、乌兹别克斯坦、土库曼斯坦、吉尔吉斯斯坦和塔吉克斯坦5国组成(35°07′43″~55°26′28″N、46°29′47″~ 87°18′55″E), 面积占据全球干旱区的1/3(图1)。中亚属典型的温带荒漠、草原的大陆性气候, 年均气温为8.4 ℃, 年均降水量<300 mm。该地区地势东南高、西北低, 山系对水汽的拦截导致水资源时空分布不均。同时, 该地区长期缺乏有效的水土资源协调管理, 尤其是绿洲农业的快速发展, 进一步加剧了该地区水土资源供需矛盾和生态环境退化, 特别是土地荒漠化、土壤盐渍化、咸海萎缩等问题突出。

1.2 数据获取及处理

本研究使用的数据集包含降水、气温、土壤质地、土壤有机碳含量、净初级生产力(NPP)、高程(DEM)和土地覆被。其中, 降水采用MSWEP V2.2逐日降水数据(http://www.gloh2o.org./), 空间分辨率0.1°; 气温采用ERA5月平均气温数据, 获取自欧洲中期天气预报中心(ECMWF, https://www. ecmwf.int/), 分辨率为0.125°; 土壤质地数据从GSDE全球土壤数据集[28]中提取, 获取自寒区旱区科学数据中心(http://westdc.westgis.ac.cn/), 分辨率为0.083°; NPP数据采用NTSG MOD17 v55, 获取自蒙大拿大学Numerical Terradynamic Simulation Group (NTSG) (https://www.ntsg.umt.edu/project/ modis/mod17.php), 空间分辨率为1 km; 高程采用ASTER GDEM V2数字高程数据, 分辨率为30 m, 获取自地理空间数据云(http://www.gscloud.cn); 土地覆被数据获取自欧空局(ESA, http://maps. elie.ucl.ac. be/CCI/viewer/ download.php), 分辨率为300 m。数据计算及分析在Matlab、ArcGIS以及R中完成, 空间分辨率统一为1 km, 时间范围为2000—2015年。

1.3 生态系统服务计算及趋势分析

1.3.1 生态系统服务计算

利用NPP指标法对生态系统服务进行计算, 该方法的提出基于Groot的一项研究[29], 该研究指出“生态系统服务与地表生物量数量及其变化有着直接的关系, 而NPP是表征生物量的重要指数”。作为一种简单有效的计算生态系统服务的方法, NPP指标法已被广泛应用于生态系统评估和管理中[30-33]。计算公式及说明如下:

1)植被固碳。植被固碳服务与生态系统第一性生产密切相关[34], 而NPP是表征植被生产力的重要因子[35]。其计算公式如下:

式中:car为植被固碳服务[g(C)∙m−2]; NPP为净初级生产力[g(C)∙m−2]; VCNPP为NPP年际变异系数因子, 其值在0~1。

2)土壤保持。土壤保持服务与生态系统及其地理特征有密切关系, 包括防风固沙(抵御侵蚀)、土壤功能保护及改善等[36], 该服务随坡度的增加呈指数下降[37]。其计算公式如下:

式中:soil为土壤保持服务[g(C)∙m−2];slo为坡度因子, 其值在0~1, 由DEM高程数据提取坡度并归一化得到;为土壤可蚀性因子, 其值在0~1, 计算公式如下[38]:

式中: SAN、SIL、CLA分别为土壤砂粒、粉粒和黏粒含量(%),为土壤有机碳含量(%)。

3)水源供给与涵养。水源供给与涵养服务主要包括保水、径流调节、水质净化等[33]。降水是干旱区主要的水分来源, 丰富的植被有利于水分截留, 而坡度的增加以及土壤孔隙减少均不利于水分拦截[31,39]。其计算公式如下:

式中:water为水源供给与涵养服务[g(C)∙m−2];si为土壤渗流能力因子, 根据土壤质地类型, 对黏土到砂土分别在0~1之间均等赋值得到, 其值在0~1;pre为降水量因子, 由降水量插值并归一化得到, 其值在0~1。

4)生物多样性保护。生物多样性保护服务体现于生态系统能够创造适宜生物生存的环境、保存丰富遗传信息[34], 良好的降水、气温条件以及较低的海拔是维持生物多样性的关键因素[31]。其计算公式如下:

式中:bio为生物多样性保护服务[g(C)∙m−2];tem为气温因子, 由气温插值并归一化得到, 其值在0~1;alt为海拔高度因子, 其值在0~1。

在计算过程中, 对于需要归一化处理的因子, 根据各因子的区域最大值, 将每个栅格相应因子值归一化到0~1区间(1对应区域相应因子最大值), 计算如下:

norm=F/max´100 (6)

式中:norm为归一化后的因子值(0≤norm≤1);F为第种因子的值;max为研究区相应因子最高值。

1.3.2 趋势分析

一元线性回归分析可以模拟每个栅格的变化趋势, 并消除异常因素对结果的影响, 真实地反映长时间序列栅格值的演化趋势[40]。计算公式如下:

式中:是回归方程的斜率; ES是第年研究对象的值,为研究时段的长度。采用检验法对结果的显著性进行检验。

1.4 水土热资源匹配分析

利用PSO-SOFM神经网络模型, 以4种生态系统服务作为训练指标, 根据指标特征相似性对分区单元进行聚类, 依据分类效果指数判定最优聚类方案, 并通过空间插值、合并细小斑块等最终确定中亚水土热资源匹配度分区结果。之后采用Spearman秩相关性检验探索不同匹配度分区的多种生态环境因素之间的关系, 采用偏相关分析讨论生态系统服务与气温和降水的关系, 进而确定中亚水土热资源的空间格局及其对生态系统服务的影响。

1.4.1 PSO-SOFM神经网络模型

SOFM神经网络模型由芬兰学者Kohonen根据人脑神经元后天学习过程提出, 其输入节点与输出节点之间为双向权连接, 通过输入的样本数据的无监督学习从而不断调整网络结构和连接权值, 使最终得到的网络结构能够合理反映训练样本的分布规律[41-42]。

粒子群优化算法(particle swarm optimization, PSO)最早由Kennedy和Eberhart提出[43], 可以通过超空间粒子间的竞争和协作逼近“更优”解, 简单易操作, 且具有良好的稳定性, 是一种有效的工程优化算法[43]。

PSO-SOFM算法的主要思想是通过PSO粒子群优化算法对SOFM神经网络输出层连接权值进行优化更新, 使得连接权值对SOFM神经网络算法的结果影响减弱[44], 进而避免死神经元的出现, 提高运算效率。

PSO-SOFM计算步骤如下:

2)设置适应度函数, 即计算输入的每个样本向量与权重向量值之间的欧氏距离的叠加, 迭代若干次求取每个粒子的最优权重值(最小);

3)将优化后的权重矩阵作为SOFM神经网络模型的连接权值, 利用SOFM神经网络模型进行训练, 设置学习率和学习半径, 迭代若干次获得最终的模型结果。

本文通过空间均匀随机取点, 最终在中亚地区选取50 000个有效样本点, 结合4种生态系统服务构建4×50 000的PSO-SOFM训练矩阵。模型参数在PSO-SOFM神经网络模型初始参数值基础上经过多次调试之后确定, 其中模型加速度常数设置为1.35, 权重值范围为0~1, 最大、最小学习率分别为0.08和0.02, 最大、最小学习半径分别为2和0.7, 迭代次数为1000次。

1.4.2 匹配度分区类别数确定

SOFM作为一种非监督聚类神经网络模型, 其输出神经元个数(类别数)受人为设定影响。为确定最优分区类别, 本文引入分类效果指数(clustering quality index, CQI)对分区类别进行筛选[16]。该方法综合考虑了像元的地理特征(气温、降水、海拔高度), 能够保证在同类别像元自然地理特征差异最小化的前提下获取最适宜匹配度分区类别数。CQI计算公式如下:

式中:max为待选方案聚类类别数的最大值;为变异系数的平均值。

1.4.3 分区边界确定

根据PSO-SOFM神经网络模型得到的分类结果, 可以最大程度确保同类相似性和异类差异最大化。但通常进行生态分区时, 还需要考虑相邻景观斑块间存在的自然环境相互影响、生态过程相关联的现象[45]。因此, 本文通过对PSO-SOFM模型结果进行反距离加权插值, 之后通过栅格转矢量面、合并细小斑块, 从而达到尽量保证分区内部生态过程完整性的目的。

1.4.4 量化不同匹配度分区生态环境因子之间的关系

识别不同匹配度分区的多种生态环境因子之间的关系, 有助于理解水土热资源的空间格局及其对生态系统服务的影响。采用Spearman秩相关性检验, 以探索不同匹配度分区各生态环境因子之间的关系[46]。Spearman秩相关系数为负, 表明在生态环境因子对之间存在权衡关系, 而正系数表示随着一个生态环境因子值的增加(或减少), 另一个也增加(或减少)。Spearman秩相关系数为零或结果不显著, 表明至少一个生态环境因子在不同匹配度分区之间没有明显的空间分布规律。

1.4.5 生态系统服务与气温和降水之间的关系

利用基于像元的空间分析法, 分别计算生态系统服务与气温和降水量之间的偏相关系数, 并采用检验法对相关性结果的显著性进行检验。计算公式[47]如下:

2 结果与分析

2.1 中亚生态系统服务时空分布

从图2可以看出, 中亚地区植被固碳、土壤保持、水源供给与涵养、生物多样性保护这4种生态系统服务的空间分布一致, 总体由东向西呈梯度变化, 东南高、西北低, 沿着山地—绿洲—荒漠方向递减。

GL: 草地; BL: 裸地; WB: 水体; UL: 城市。GL: grassland; BL: bare land; WB: water body; UL: urban land.

生态系统服务的高值区主要聚集在中亚东部阿尔泰山区以及东南部天山山区, 该地区水热条件相对较好, 且以壤土为主, 分布着大量的林地, 农业用地较少, 因此利于地区植被固碳以及土壤保持作用的发挥。另一方面, 充沛的降水以及高山冰雪融水使得该区域长期以来充当着中亚“水塔”的作用, 水源供给与涵养能力强。良好的自然环境也对该区域生物多样性保护打下了坚实的基础。

中亚地区中、西部各项生态系统服务值均较低, 该区域主要以荒漠、半荒漠为主, 年均降水量少而蒸发量大, 极大程度地限制了植被的生长。除了阿姆河和锡尔河流域中下游依河发展起来的灌溉农区外, 其余大部分地区均为裸地或稀疏草地, 生态环境极为脆弱, 提供生态系统服务的能力较弱。

通过逐栅格计算2000—2015年中亚地区4种生态系统服务的一元线性趋势, 并将其与趋势显著性检验结果相叠加, 得到每种生态系统服务空间变化(图3)。结果表明中亚地区在2000—2015年期间, 生态系统服务以降低为主, 植被固碳、土壤保持、水源供给与涵养、生物多样性保护4种生态系统服务值分别有84.81%、84.82%、69.48%和19.8%的区域呈显著性降低, 主要集中在中亚中西部地区。特别是在东欧大草原、哈萨克斯坦大草原西部以及哈萨克斯坦半荒漠西部地区, 这4种生态系统服务值均呈显著下降趋势。而在中亚南部荒漠区、哈萨克斯坦半荒漠区、哈萨克斯坦大草原等地, 水源供给与涵养服务值有不同程度增加, 约占整个中亚面积的24.59%; 在巴尔喀什湖西北部等局部地区, 生物多样性保护服务值出现显著增加。

UC: 基本不变; SLD: 轻度降低; SLI: 轻度提高; SD: 显著降低; SI: 显著提高。GL: 草地; BL: 裸地; WB: 水体; UL: 城市。UC: unchanged; SLD: slight decrease; SLI: slight increase; SD: significant decrease; SI: significant increase. GL: grassland; BL: bare land; WB: water body; UL: urban land.

2.2 中亚水土热资源匹配度分区

2.2.1 水土热资源匹配度空间聚类方案

本文利用PSO-SOFM神经网络对生态系统服务进行空间聚类, 分区(聚类)类别数从3逐次增加到8, 再根据CQI指数, 最终确定最佳分区类别数。由图4可看出, CQI指数随着聚类类别数的增加总体呈现先减少后增多的趋势。在CQI指数减少的阶段, 表明随类别的增多, 各类别内部自然地理特征趋于一致, 区域内部特征逐渐突出; 在CQI指数增加的阶段, 类别数的惩罚作用逐渐突出, 聚类类别数从5类到8类时, CQI指数呈现逐渐增加趋势。为了最大程度确保同一类别内部自然环境特征的一致性以及不同类别的差异性最大化, 本文最终选取CQI指数最低的5类作为最佳聚类方案。

最终的聚类结果如图5所示, 参考中亚地区生态系统服务值的空间分布, 以及主要生态系统类型判定匹配度高低, 并对各类别分区进行命名。从图中可以看出, PSO-SOFM模型对于中亚水土热资源匹配度分区有着良好的表现, 但是聚类结果在空间上具有一定破碎性, 且由于荒漠区原始数据的部分缺失, 并没有直接得到归类。因此PSO-SOFM模型的结果并不能直接作为最终的分区结果, 需进一步明确分区界线。

Ⅰ: 森林—草原高匹配区; Ⅱ: 草原中高匹配区; Ⅲ: 草原—半荒漠中等匹配区; Ⅳ: 半荒漠中低匹配区; Ⅴ: 荒漠低匹配区。Ⅰ: zone of forest steppe with high matching degree; Ⅱ: zone of steppe with middle to high matching degree; Ⅲ: zone of steppe semi-desert with middle matching degree; Ⅳ: zone of semi-desert with middle to low matching degree; Ⅴ: zone of desert with low matching degree.

2.2.2 中亚水土热资源匹配度分区确定

通过对PSO-SOFM模型结果进行反距离加权插值, 栅格数据的矢量转化以及合并细小斑块(面积<10 000 km2), 达到不同分区间差异最大化, 并尽量保证各分区内部生态过程完整性, 最终将中亚地区水土热资源匹配度划分为5个大类21个子类(图6)。根据分区聚类类型特征, 采用地理区位与生态功能特点(主导生态系统服务或生态敏感性、脆弱性特征)相结合的方式命名分区名称, 以反映各匹配度分区的生态功能特点[16]。其中, 中亚西部及东南部数据缺失部分主要为生态环境脆弱的荒漠区, 因此判定为低匹配度区。各子类匹配度分区内生态系统服务及气候因子值如表1所示, 可以看出随各子区匹配度的降低, 生态系统服务值也有不同程度降低。总体来看, 在不出现极端低温的情况下, 降水量越多的子区, 水土热资源匹配度越高, 而气温在各类匹配度子区间变化无明显规律。

Ⅰ: 森林—草原高匹配区; Ⅱ: 草原中高匹配区; Ⅲ: 草原—半荒漠中等匹配区; Ⅳ: 半荒漠中低匹配区; Ⅴ: 荒漠低匹配区。I1: 哈萨克斯坦北部森林—草原固碳保土区; I2: 阿尔泰山森林—草原固碳保土产水区; I3: 天山高山—山麓草原固碳保土产水区; I4: 天山森林—草原固碳保土产水区; I5: 阿赖林地—高山草甸固碳保土产水区; I6: 吉萨尔—阿赖北部草地固碳保土区; I7: 吉萨尔—阿赖南部草地固碳保土产水区; Ⅱ1: 东欧大草原土壤保持区; Ⅱ2: 哈萨克斯坦大草原北部土壤保持区; Ⅱ3: 阿尔泰—天山山麓草原固碳区; Ⅱ4: 天山草原固碳区; Ⅱ5: 吉萨尔—阿赖固碳区; Ⅲ1: 哈萨克斯坦北部草地—半荒漠生态敏感区; Ⅲ2: 准噶尔—阿尔泰半荒漠生态敏感区; Ⅲ3: 中亚东南部草原—荒漠生态敏感区; Ⅳ1: 中亚中部半荒漠生态敏感区; Ⅳ2: 天山高山草原草甸生态敏感区; Ⅳ3: 巴特赫兹—卡拉比尔半荒漠生态敏感区; Ⅴ1: 中亚荒漠生态脆弱区; Ⅴ2: 巴尔喀什湖荒漠生态脆弱区; Ⅴ3: 帕米尔高原荒漠生态脆弱区。Ⅰ: zone of forest steppe with high matching degree; Ⅱ: zone of steppe with middle to high matching degree; Ⅲ: zone of steppe semi-desert with middle matching degree; Ⅳ: zone of semi-desert with middle to low matching degree; Ⅴ: zone of desert with low matching degree. I1: zone of carbon sequestration and soil conservation of forest and grassland in northern Kazakhstan; I2: zone of carbon sequestration, soil conservation and water supply of forest grassland in Altai Montane; I3: zone of carbon sequestration, soil conservation and water supply in Tianshan Montane and its foothill steppe; I4: zone of carbon sequestration, soil conservation and water supply of forest and grassland in Tianshan Montane; I5: zone of carbon sequestration, soil conservation and water supply of woodlands and steppe in Alai; I6: zone of carbon sequestration and soil conservation of steppe in northern Gissaro-Alai; I7: zone of carbon sequestration, soil conservation and water supply of grassland in southern Gissaro-Alai; Ⅱ1: zone of soil conservation in Pontic steppe; Ⅱ2: zone of soil conservation in northern Kazakh steppe; Ⅱ3: zone of carbon sequestration of foothill steppe in Altai and Tianshan Montane; Ⅱ4: zone of carbon sequestration of steppe in Tianshan Montane; Ⅱ5: zone of carbon sequestration in Gissaro-Alai; Ⅲ1: ecological sensitive zone of northern Kazakh steppe and semi-desert; Ⅲ2: ecological sensitive zone of Junggar-Altai semi-desert; Ⅲ3: ecological sensitive zone of steppe and semi-desert in Southeast Central Asia; Ⅳ1: ecological sensitive zone of central semi-desert in Central Asia; Ⅳ2: ecological sensitive zone of steppe and meadows in Tianshan Montane; Ⅳ3: ecological sensitive zone of semi-desert in Badghyz and Karabil; Ⅴ1: ecological fragile zone of desert in Central Asia; Ⅴ2: ecological fragile zone of desert in Balkhash Lake; Ⅴ3: ecological fragile zone of desert in Pamir.

表1 中亚各水土热资源匹配度子区生态系统服务及气候因子值

对4种生态系统服务进行归一化处理后绘制5类水土热资源匹配度分区特征雷达图(图7), 可以看出各类生态系统服务在Ⅰ到Ⅴ类之间有着明显梯度下降变化, 即森林—草原高匹配区(Ⅰ)>草原中高匹配区(Ⅱ)>草原—半荒漠中等匹配区(Ⅲ)>半荒漠中低匹配区(Ⅳ)>荒漠低匹配区(Ⅴ)。且各类匹配度分区的植被固碳和土壤保持能力相对较为突出, 而水源供给与涵养能力、生物多样性保护能力总体较弱, 这也反映了中亚地区总体水资源稀缺、生态系统脆弱的问题。

A: 植被固碳; B: 土壤保持; C: 水源供给与涵养; D: 生物多样性保护。Ⅰ: 森林—草原高匹配区; Ⅱ: 草原中高匹配区; Ⅲ: 草原—半荒漠中等匹配区; Ⅳ: 半荒漠中低匹配区; Ⅴ: 荒漠低匹配区。A: vegetation carbon sequestration; B: soil conservation; C: water supply and conservation; D: biodiversity conservation. Ⅰ: zone of forest steppe with high matching degree; Ⅱ: zone of steppe with middle to high matching degree; Ⅲ: zone of steppe semi-desert with middle matching degree; Ⅳ: zone of semi-desert with middle to low matching degree; Ⅴ: zone of desert with low matching degree.

3 讨论

3.1 环境因子对生态系统服务值及匹配度的影响

3.1.1 不同匹配度分区生态环境因子之间的关系

Spearman检验结果表明(图8), 中亚5类匹配度分区之间, 坡度、海拔和降水间有着显著的正相关关系(<0.05), 而3种环境因子与气温、土壤渗流能力因子间呈显著负相关(<0.05)。这表明中亚降水、气温和土壤质地在空间上具有错位性。降水充足的区域气温条件整体较差, 而气温条件好的区域降水较少; 气温高的地区土壤渗流能力因子值相比气温低的地区更高。例如荒漠低匹配区, 年均气温约12.4 ℃, 但年均降水量较少(153 mm)、土壤条件较差(砂土约占该区域的31%)。土壤渗流能力与土壤质地有着密切关系, 土壤渗流能力因子值越高意味着土壤砂质含量越高, 不利于植被生长[48-49]。因此, 荒漠低匹配区生态系统服务较低。

NPP与降水有极显著正相关关系(<0.01), 与气温、土壤渗流能力因子呈显著负相关关系(<0.05)。5类匹配度分区的年均气温分别为5.3 ℃、5.1 ℃、5.9 ℃、8.3 ℃和12.4 ℃, 无极端低温区出现; 中亚地区壤土(包括黏壤土和砂壤土)约占全区域的61%, 且不同匹配度分区之间土壤总体差异较小, 土壤渗流能力因子分别为0.51、0.43、0.51、0.53和0.59。这表明降水量的减少对中亚地区植被生长影响较强[50], 而气温和土壤条件的影响相对较弱。因此, 在气温相对较低、而降水量较高的山区, 植被更加丰富, 生态系统服务值较高, 水土热资源匹配度高; 而气温高、降水量少的半荒漠、荒漠区, 植被长势较差, 可提供的生态系统服务较少, 匹配度较低。在干旱、半干旱区域, 气温的主要作用表现在控制降水利用效率[51], 气温升高可一定程度延长植被生长季, 但同时也会增加蒸散, 降低降水利用效率[52], 进而影响植被存活、生长及分布状况[53]。而降水对水分利用效率的影响比气温更高[54], 且干旱、半干旱地区的降水脉动可以促进生态系统群落水平植被生产力[55]。因此, 在不出现极低气温的情况下, 降水量增多有利于区域内水土热资源匹配度的提高[9]。

需要指出的是, 本文仅探讨各类匹配度分区之间的整体规律, 以探索各类匹配度分区之间水土热资源的差异及其对植被生长、生态系统服务的影响。由于各类匹配度分区内部也具有一定的环境差异性,例如荒漠低匹配区还细分为高温低海拔低降水(Ⅴ1、Ⅴ2)和低温高海拔高降水区(Ⅴ3), 因此各类匹配度分区之间的环境差异被一定程度削弱, 但对于了解该区域总体水土热资源分布及匹配情况仍具有一定参考价值。

3.1.2 气温和降水量对各匹配度分区生态系统服务值的影响

偏相关分析结果表明, 在中亚地区, 降水对各生态系统服务值的影响范围较气温更广(图9), 与前文所述结论一致。其中, 水源供给与涵养以及生物多样性保护与降水量呈显著正相关的区域面积达96%以上, 植被固碳和土壤保持服务也有34%以上的区域与降水量呈显著正相关。各生态系统服务值与气温呈显著正相关的区域面积较小(低于33%), 主要集中在中亚东北部地区。从匹配度分区的结果来看, 在草原—半荒漠中等匹配区, 各类生态系统服务值受气温和降水量的影响范围最大, 特别是哈萨克斯坦北部草地—半荒漠区, 该区域的暖干化对生态系统服务值降低有直接影响[56]。除此之外, 在荒漠低匹配区中的中亚荒漠生态脆弱区、半荒漠中低匹配区中的中亚中部半荒漠生态敏感区以及巴特赫兹—卡拉比尔半荒漠生态敏感区, 水源供给与涵养以及生物多样性保护服务的显著增加与局地气温升高和降水量增加有关。而在其他区域, 气温和降水量并非决定生态系统服务值高低的主要因素, 生态系统服务值的变化可能与土地开发利用模式有关[30], 例如在阿姆河流域下游分布大量灌区, 该区域水资源供给主要依赖河流取水[57], 降水并非决定生态系统服务值高低最重要的因素。

A: 植被固碳; B: 土壤保持; C: 水源供给与涵养; D: 生物多样性保护。NS: 相关不显著; SLN: 弱负相关; SLP: 弱正相关; SN: 强负相关; SP: 强正相关。GL: 草地; BL: 裸地; WB: 水体; UL: 城市。A: vegetation carbon sequestration; B: soil conservation; C: water supply and conservation; D: biodiversity conservation. NS: not significant correlation; SLN: slight negative correlation; SLP: slight positive correlation; SN: significant negative correlation; SP: significant positive correlation. GL: grassland; BL: bare land; WB: water body; UL: urban land.

3.2 不同匹配度分区资源开发利用对策

气候干燥、蒸发量大、水资源短缺是中亚长期面临的资源挑战[57], 而降水量与该区域生态系统服务值高低密切相关。中亚地区虽分布有大量黏壤土, 且除东部和南部山区以外, 大部分地区为广阔的平原, 但由于降水条件的限制, 土壤资源的生态功能未能良好地发挥, 区域平均NDVI指数仅为0.35, 在荒漠低匹配区甚至低至0.04。降水、热量以及土地资源的空间错位性导致了中亚地区生态环境的脆弱性, 因此在极大程度上也不利于生物多样性的保护。

森林—草原高匹配区是中亚的天然“水塔”, 应在保护天然植被的基础上, 适当发展农牧业, 避免人为活动造成土地退化、植物多样性减少[9]。草原中高匹配区及草原—半荒漠中等匹配区拥有中亚84%的雨养耕地以及大面积的草地, 应根据当地的土壤和气候条件, 选择适当作物发展种植业, 并避免过度放牧引发的生态环境退化问题。半荒漠中低匹配区降水较少, 草地是其主要的生态系统, 半荒漠区草地用地方式的不合理改变会导致土壤有机碳和质量下降, 进而生态系统服务功能下降, 因此应当重点加强草地生态系统的保护, 充分发挥其抑制荒漠化和土壤侵蚀的能力[58]。对于荒漠低匹配区, 应在咸海等生态退化区采取一定的植被恢复措施, 种植耐盐碱、耐干旱植被。此外, 对于阿姆河流域和锡尔河流域灌区农业, 应合理开发利用流域水资源, 改善灌溉技术和灌溉设施, 提升水资源利用效率[59], 减缓水土资源矛盾, 进而实现区域可持续发展。

3.3 PSO-SOFM进行水土热资源匹配度分区的优势及挑战

SOFM神经网络模型作为一种有效的分类器, 可以方便快捷地对空间大数据进行聚类分析, 目前已被广泛应用于空间地理、生态环境分区研究中, 并为政府科学决策提供支撑[12]。但传统的SOFM神经网络在训练过程中常常因输出层神经元的连接权值与输入模式相差较大, 出现死神经元, 影响分类结果的有效性[16]。利用PSO粒子群优化算法调整过的初始化SOFM神经网络输入权重矩阵, 良好地使神经元连接权的初始值对SOFM神经网络算法的影响降到最弱, 并避免了死神经元或个别神经元过度获胜情况的出现, 有效提高了SOFM神经网络模型的运算效率。

然而, 样本数量合适程度及原始数据空间特征往往对模型效果有直接影响。训练样本少不足以表征整个空间信息, 而过高的训练样本数量又会导致模型难以运算; 原始数据分辨率高则会导致训练结果在空间的高度破碎化, 部分地区将存在多类别混杂的情形, 不利于分区界限的确定。以往的研究多采用与行政边界相结合的方式进行分区界限的确定,这种方法所需样本数量少, 虽在一定程度上有利于地区自然资源管理政策执行[17-18], 但忽视了各分区间的差异性, 且生态地理环境具有紧密的空间相关性, 以行政边界进行划分可能导致相同自然地理背景地区之间资源开发利用决策的差异, 最终不能达到自然资源合理开发与保护的目的[16]。因此选择合适的样本量进行模型训练以及选择更为合理的分区边界确定方法十分必要。利用GIS工具, 对PSO- SOFM神经网络模型结果进行空间插值、合并细小斑块, 最终生成分区结果则可以避免以行政边界分区的缺点。本研究的分区结果与Chen等[60]针对中亚生态系统服务空间分布的研究结果基本一致。需要指出的是, 合并斑块是将面积较小的图斑与具有最长公用边界的邻近图斑合并, 因此确定最大被合并斑块面积对于最终分区数量有着直接影响, 被合并斑块不宜过大, 但过小的被合并斑块面积又会导致分区过度破碎。故在最终分区结果的划分过程中仍需要根据区域实际的自然生态条件进行一定矫正, 经验知识辅助生态地理区划依然具有重要意义[15,19,61], 但这也会导致最终分区结果存在一定人为主观影响, 未来寻求更为有效的分区边界确定方法也十分重要。

本文从生态系统服务的角度出发, 利用PSO- SOFM神经网络模型对中亚地区4种生态系统进行空间聚类, 从而得到中亚水土热资源匹配度分区结果。与直接探讨水资源、耕地资源以及粮食产量的数量匹配关系的方法不同, 采用生态系统服务表征水土热资源匹配度, 能够同时考虑生态用地和生态环境用水, 从生态系统健康发展的角度综合评估中亚地区水土热资源匹配度, 进而为地区水土资源合理开发利用、农牧业发展及生态环境保护提供参考。

4 结论

水土热资源匹配度与生态系统服务关系密切, 本研究结合生态系统服务和PSO-SOFM神经网络模型, 对中亚水土热资源匹配度进行了区划研究。结果表明, 中亚地区生态系统服务总体呈东南高、西北低的空间格局, 并且在2000—2015年期间, 各生态系统服务均有不同程度下降。PSO-SOFM模型在中亚水土热资源匹配度分区工作中具有良好的表现, 能够避免死神经元的出现, 提高了分类的有效性。中亚水土热资源匹配度从高到低可分为森林—草原高匹配区、草原中高匹配区、草原—半荒漠中等匹配区、半荒漠中低匹配区以及荒漠低匹配区等5大类、21个子类, 匹配度高的区域内生态系统服务也越高。不同匹配度分区之间自然环境存在着显著的差异性, 匹配度越高的区域降水越多, 而气温和土壤渗流能力越低。中亚地区水土热资源匹配度的空间不均衡主要由于水资源的缺乏及分布不均, 而气温和土壤条件的影响相对较弱。本文的结果可为中亚地区水土资源合理开发利用、农牧业发展及生态环境保护提供有用信息。

[1] RINGLER C, BHADURI A, LAWFORD R. The nexus across water, energy, land and food (WELF): Potential for improved resource use efficiency?[J]. Current Opinion in Environmental Sustainability, 2013, 5(6): 617−624

[2] 耿庆玲. 西北旱区农业水土资源利用分区及其匹配特征研究[D]. 杨凌: 中国科学院教育部水土保持与生态环境研究中心, 2014 GENG Q L. Research on zoning of agricultural water and land resources utilization and their matching characteristics in arid areas of northwest of China[D]. Yangling: Research Center for Eco-environments and Soil and Water Conservation, Chinese Academy of Sciences & Ministry of Education, 2014

[3] 刘彦随, 甘红, 张富刚. 中国东北地区农业水土资源匹配格局[J]. 地理学报, 2006, 61(8): 847−854 LIU Y S, GAN H, ZHANG F G, et al. Analysis of the matching patterns of land and water resources in Northeast China[J]. Acta Geographica Sinica, 2006, 61(8): 847−854

[4] LIU D, LIU C L, FU Q, et al. Construction and application of a refined index for measuring the regional matching characteristics between water and land resources[J]. Ecological Indicators, 2018, 91: 203−211

[5] LI T T, LONG H L, ZHANG Y N, et al. Analysis of the spatial mismatch of grain production and farmland resources in China based on the potential crop rotation system[J]. Land Use Policy, 2017, 60: 26−36

[6] 张莹, 雷国平, 张弘强, 等. 微观尺度分析挠力河流域耕地利用水土资源匹配时空动态[J]. 农业工程学报, 2019, 35(8): 185−194 ZHANG Y, LEI G P, ZHANG H Q, et al. Spatiotemporal dynamics of land and water resources matching of cultivated land use based on micro scale in Naoli River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 185−194

[7] 郭艳. 面向生态系统服务的水土资源优化配置研究——以郑州市为例[D]. 郑州: 郑州大学, 2016 GUO Y. The research of ecosystem service-oriented optimal allocation of land and water resources —A case study of Zhengzhou City[D]. Zhengzhou: Zhengzhou University, 2016

[8] 刘焱序, 傅伯杰, 王帅, 等. 从生物地理区划到生态功能区划——全球生态区划研究进展[J]. 生态学报, 2017, 37(23): 7761−7768 LIU Y X, FU B J, WANG S, et al. From biogeography to ecological function: Progress and prospect of global ecological regionalization research[J]. Acta Ecologica Sinica, 2017, 37(23): 7761−7768

[9] 闫雪, 孟德坤, 陈迪桃, 等. 基于生态系统服务的中亚水土热资源匹配度时空变化特征[J]. 应用生态学报, 2020, 31(3): 794−806 YAN X, MENG D K, CHEN D T, et al. Spatio-temporal characteristics of the matching degree of water, soil, and heat resources based on ecosystem services in Central Asia[J]. Chinese Journal of Applied Ecology, 2020, 31(3): 794−806

[10] 高江波, 黄姣, 李双成, 等. 中国自然地理区划研究的新进展与发展趋势[J]. 地理科学进展, 2010, 29(11): 1400−1407 GAO J B, HUANG J, LI S C, et al. The new progresses and development trends in the research of physio-geographical regionalization in China[J]. Progress in Geography, 2010, 29(11): 1400−1407

[11] PARK Y S, CÉRÉGHINO R, COMPIN A, et al. Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters[J]. Ecological Modelling, 2003, 160(3): 265−280

[12] GAO Y, FENG Z, WANG Y, et al. Clustering urban multifunctional landscapes using the self-organizing feature map neural network model[J]. Journal of Urban Planning and Development, 2014, 140(2): 05014001

[13] PENG J, MA J, YUAN Y, et al. Integrated urban land-use zoning and associated spatial development: Case study in Shenzhen, China[J]. Journal of Urban Planning and Development, 2015, 141(4): 05014025

[14] FEI D Q, CHENG Q, MAO X F, et al. Land use zoning using a coupled gridding-self-organizing feature maps method: A case study in China[J]. Journal of Cleaner Production, 2017, 161: 1162−1170

[15] 李慧蕾, 彭建, 胡熠娜, 等. 基于生态系统服务簇的内蒙古自治区生态功能分区[J]. 应用生态学报, 2017, 28(8): 2657−2666 LI H L, PENG J, HU Y N, et al. Ecological function zoning in Inner Mongolia Autonomous Region based on ecosystem service bundles[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2657−2666

[16] 毛祺, 彭建, 刘焱序, 等. 耦合SOFM与SVM的生态功能分区方法——以鄂尔多斯市为例[J]. 地理学报, 2019, 74(3): 460−474 MAO Q, PENG J, LIU Y X, et al. An ecological function zoning approach coupling SOFM and SVM: A case study in Ordos[J]. Acta Geographica Sinica, 2019, 74(3): 460−474

[17] PENG J, HU X X, QIU S J, et al. Multifunctional landscapes identification and associated development zoning in mountainous area[J]. Science of the Total Environment, 2019, 660: 765−775

[18] 冯喆, 蒋洪强, 卢亚灵. 基于大数据方法和SOFM聚类的中国经济—环境综合分区研究[J]. 地理科学, 2019, 39(2): 242−251 FENG Z, JIANG H Q, LU Y L. China’s economic-environment comprehensive zoning based on big data method and SOFM clustering[J]. Scientia Geographica Sinica, 2019, 39(2): 242−251

[19] 黄姣, 高阳, 赵志强, 等. 基于GIS与SOFM网络的中国综合自然区划[J]. 地理研究, 2011, 30(9): 1648−1659 HUANG J, GAO Y, ZHAO Z Q, et al. Comprehensive physiographic regionalization of China using GIS and SOFM neural network[J]. Geographical Research, 2011, 30(9): 1648−1659

[20] PETROV G N, NORMATOV I S. Conflict of interests between water users in the Central Asian region and possible ways to its elimination[J]. Water Resources, 2010, 37(1): 113–120

[21] YANG P, CHEN Y N. An analysis of terrestrial water storage variations from GRACE and GLDAS: The Tianshan Mountains and its adjacent areas, Central Asia[J]. Quaternary International, 2015, 358: 106−112

[22] LUO G P, AMUTI T, ZHU L, et al. Dynamics of landscape patterns in an inland river delta of Central Asia based on a cellular automata-markov model[J]. Regional Environmental Change, 2014, 15(2): 277−289

[23] SORG A, MOSELLO B, SHALPYKOVA G, et al. Coping with changing water resources: The case of the Syr Darya river basin in Central Asia[J]. Environmental Science & Policy, 2014, 43: 68−77

[24] 邓海军, 陈亚宁. 中亚天山山区冰雪变化及其对区域水资源的影响[J]. 地理学报, 2018, 73(7): 1309−1323 DENG H J, CHEN Y N. The glacier and snow variations and their impact on water resources in mountain regions: A case study in Tianshan Mountains of Central Asia[J]. Acta Geographica Sinica, 2018, 73(7): 1309−1323

[25] 邓铭江, 龙爱华. 中亚各国在咸海流域水资源问题上的冲突与合作[J]. 冰川冻土, 2011, 33(6): 1376−1390 DENG M J, LONG A H. Water resources issue among the Central Asian countries around the Aral Sea: Conflict and cooperation[J]. Journal of Glaciology and Geocryology, 2011, 33(6): 1376−1390

[26] 姚海娇, 周宏飞, 苏风春. 从水土资源匹配关系看中亚地区水问题[J]. 干旱区研究, 2013, 30(3): 391−395 YAO H J, ZHOU H F, SU F C. Water problems based on spatial matching patterns of water and land resources in Central Asia[J]. Arid Zone Research, 2013, 30(3): 391−395

[27] 何理, 王喻宣, 尹方平, 等. 全球气候变化影响下中亚水土资源与农业发展多元匹配特征研究[J]. 中国科学: 地球科学, 2020, 50(9): 1268−1279 HE L, WANG Y X, YIN F P, et al. The multivariate matching properties among water and soil resources and agricultural development in Central Asia under global climate change[J]. Scientia Sinica Terrae, 2020, 50(9): 1268−1279

[28] WEI S G, DAI Y J, DUAN Q Y, et al. A global soil data set for earth system modeling[J]. Journal of Advances in Modeling Earth Systems, 2014, 6(1): 249−263

[29] 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

[30] PAULA B M, OSCAR M N. Land-use planning based on ecosystem service assessment: A case study in the Southeast Pampas of Argentina[J]. Agriculture, Ecosystems & Environment, 2012, 154: 34−43

[31] CARREÑO L, FRANK F C, VIGLIZZO E F. Tradeoffs between economic and ecosystem services in Argentina during 50 years of land-use change[J]. Agriculture, Ecosystems & Environment, 2012, 154: 68−77

[32] 张立伟, 傅伯杰, 吕一河, 等. 基于综合指标法的中国生态系统服务保护有效性评价研究[J]. 地理学报, 2016, 71(5): 768−780 ZHANG L W, FU B J, LÜ Y H, et al. The using of composite indicators to assess the conservational effectiveness of ecosystem services in China[J]. Acta Geographica Sinica, 2016, 71(5): 768−780

[33] 陈峰, 李红波, 张安录. 基于生态系统服务的中国陆地生态风险评价[J]. 地理学报, 2019, 74(3): 432−445 CHEN F, LI H B, ZHANG A L. Ecological risk assessment based on terrestrial ecosystem services in China[J]. Acta Geographica Sinica, 2019, 74(3): 432−445

[34] 欧阳志云, 王如松, 赵景柱. 生态系统服务功能及其生态经济价值评价[J]. 应用生态学报, 1999, 10(5): 635−639 OUYANG Z Y, WANG R S, ZHAO J Z. Ecosystem services and their economic valuation[J]. Chinese Journal of Applied Ecology, 1999, 10(5): 635−639

[35] IRISARRI J G N, OESTERHELD M, PARUELO J M, et al. Patterns and controls of above-ground net primary production in meadows of Patagonia. A remote sensing approach[J]. Journal of Vegetation Science, 2012, 23(1): 114−126

[36] 余新晓, 吴岚, 饶良懿, 等. 水土保持生态服务功能评价方法[J]. 中国水土保持科学, 2007, 5(2): 110−113 YU X X, WU L, RAO L Y, et al. Assessment methods of ecological functions of soil and water conservation measures[J]. Science of Soil and Water Conservation, 2007, 5(2): 110−113

[37] SIDLE R C, ZIEGLER A D, NEGISHI J N, et al. Erosion processes in steep terrain —Truths, myths, and uncertainties related to forest management in Southeast Asia[J]. Forest Ecology and Management, 2006, 224(1/2): 199−225

[38] SANNIGRAHI S, ZHANG Q, JOSHI P K, et al. Examining effects of climate change and land use dynamic on biophysical and economic values of ecosystem services of a natural reserve region[J]. Journal of Cleaner Production, 2020, 257: 120424

[39] POSTEL S L, THOMPSON JR B H. Watershed protection: Capturing the benefits of nature’s water supply services[J]. Natural Resources Forum, 2005, 29(2): 98−108

[40] 严恩萍, 林辉, 党永峰, 等. 2000—2012年京津风沙源治理区植被覆盖时空演变特征[J]. 生态学报, 2014, 34(17): 5007−5020 YAN E P, LIN H, DANG Y F, et al. The spatiotemporal changes of vegetation cover in Beijing-Tianjin sandstorm source control region during 2000–2012[J]. Acta Ecologica Sinica, 2014, 34(17): 5007−5020

[41] KOHONEN T. Self-organizing neural projections[J]. Neural Networks, 2006, 19(6/7): 723−733

[42] KOHONEN T. Essentials of the self-organizing map[J]. Neural Networks, 2013, 37: 52−65

[43] KENNEDY J, EBERHART R C. Particle swarm optimization[J]. IEEE International Conference on Neural Networks, 1995, 4: 1942−1948

[44] 吕强, 俞金寿. 基于粒子群优化的自组织特征映射神经网络及应用[J]. 控制与决策, 2005, 20(10): 1115−1119 LYU Q, YU J S. Self-organizing feature map neural network based on particle swarm optimizer and its application[J]. Control and Decision, 2005, 20(10): 1115−1119

[45] BAILEY R G. Identifying ecoregion boundaries[J]. Environmental Management, 2005, 34(S1): S14−S26

[46] GAUTHEIR T D. Detecting trends using spearman’s rank correlation coefficient[J]. Environmental Forensics, 2001, 2(4): 359−362

[47] LIU C Y, DONG X F, LIU Y Y. Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu, China[J]. CATENA, 2015, 125: 190−199

[48] JIAO L, AN W M, LI Z S, et al. Regional variation in soil water and vegetation characteristics in the Chinese Loess Plateau[J]. Ecological Indicators, 2020, 115: 106399

[49] FAO (Food and Agriculture Organization of the United Nations). Soil permeability[EB/OL]. Rome: FAO. [2020-05-04]. http://www.fao.org/tempref/FI/CDrom/FAO_Training/FAO_Training/General/x6706e/x6706e09.htm

[50] CHOAT B, JANSEN S, BRODRIBB T J, et al. Global convergence in the vulnerability of forests to drought[J]. Nature, 2012, 491(7426): 752−756

[51] 何楷迪, 孙建, 陈秋计. 气候要素和土壤质地对青藏高原草地净初级生产力和降水利用率的影响[J]. 草业科学, 2019, 36(4): 1053−1065 HE K D, SUN J, CHEN Q J. Response of climate and soil texture to net primary productivity and precipitation-use efficiency in the Tibetan Plateau[J]. Pratacultural Science, 2019, 36(4): 1053−1065

[52] SUN J, DU W P. Effects of precipitation and temperature on net primary productivity and precipitation use efficiency across China’s grasslands[J]. GIScience & Remote Sensing, 2017, 54(6): 881−897

[53] 胡中民, 于贵瑞, 王秋凤, 等. 生态系统水分利用效率研究进展[J]. 生态学报, 2009, 29(3): 1498−1507 HU Z M, YU G R, WANG Q F, et al. Ecosystem level water use efficiency: A review[J]. Acta Ecologica Sinica, 2009, 29(3): 1498−1507

[54] ZHANG Y W, DENG L, YAN W M, et al. Interaction of soil water storage dynamics and long-term natural vegetation succession on the Loess Plateau, China[J]. CATENA, 2016, 137: 52−60

[55] HUXMAN T E, SNYDER K A, TISSUE D, et al. Precipitation pulses and carbon fluxes in semiarid and arid ecosystems[J]. Oecologia, 2004, 141(2): 254−268

[56] FU Q, LI B, HOU Y, et al. Effects of land use and climate change on ecosystem services in Central Asia’s arid regions: A case study in Altay Prefecture, China[J]. Science of the Total Environment, 2017, 607/608: 633−646

[57] 杨胜天, 于心怡, 丁建丽, 等. 中亚地区水问题研究综述[J]. 地理学报, 2017, 72(1): 79−93 YANG S T, YU X Y, DING J L, et al. A review of water issues research in Central Asia[J]. Acta Geographica Sinica, 2017, 72(1): 79−93

[58] QIU L, WEI X R, ZHANG X C, et al. Soil organic carbon losses due to land use change in a semiarid grassland[J]. Plant and Soil, 2012, 355(1/2): 299−309

[59] PEREIRA L S, PAREDES P, CHOLPANKULOV E D, et al. Irrigation scheduling strategies for cotton to cope with water scarcity in the Fergana Valley, Central Asia[J]. Agricultural Water Management, 2009, 96(5): 723−735

[60] CHEN X, BAI J, LI X Y, et al. Changes in land use/land cover and ecosystem services in Central Asia during 1990− 2009[J]. Current Opinion in Environmental Sustainability, 2013, 5(1): 116−127

[61] LOVELAND T R, MERCHANT J M. Ecoregions and ecoregionalization: Geographical and ecological perspectives[J]. Environmental Management, 2004, 34(Suppl 1): S1−S13

Regionalization of the matching degree of water, soil, and heat resources in Central Asia based on ecosystem services using PSO-SOFM neural network*

YAN Xue1,2,3, HUANG Farong1,2,3,4, LI Qian1,2,3,4, ZHOU Hongfei1,3,5, LI Lanhai1,2,3,4**

(1. State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China; 2. Ili Station for Watershed Ecosystem Research, Chinese Academy of Sciences, Xinyuan 835800, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China; 4. Research Centre for Ecology and Environment of Central Asia, Chinese Academy of Sciences / Xinjiang Key Laboratory of Water Cycle and Utilization in Arid Zone, Urumqi 830011, China; 5. Fukang Station of Desert of Ecology, Chinese Academy of Sciences, Fukang 831505, China)

Regionalization of the matching degree of water, soil, and heat resources is of great significance for regional agricultural planning. The long-term unreasonable management of water, soil, and heat resources has caused regional resource shortages and environmental problems in Central Asia, which seriously threatens agricultural production in this region. However, few studies have investigated the regionalization patterns of the matching degree of water, soil, and heat resources in Central Asia. In this study, the spatio-temporal patterns of four ecosystem services, including vegetation carbon sequestration, soil conservation, water supply and conservation, and biodiversity conservation, were quantified by usingremote sensing data. Combined with the Particle Swarm Optimization (PSO) and Self-Organizing Feature Map (SOFM) neural network, the regionalization of the matching degree of water, soil, and heat resources was examined. The relationships among various eco-environmental factors of different matching degree zones were assessed using Spearman’s rank correlation analysis. The effects of temperature and precipitation on ecosystem services in Central Asia were analyzed by using partial correlation analysis. The results showed that the ecosystem services were generally high in the southeast while low in the northwest, decreasing from the mountains to the oases and the deserts. The four ecosystem services showed different degrees of change from 2000 to 2015 in Central Asia. Areas with significantly reduced vegetation carbon sequestration and soil conservation accounted for 84.81% and 84.82% of Central Asia, respectively, and areas with significantly reduced water supply and conservation and biodiversity conservation accounted for 69.48% and 19.8% of Central Asia, respectively. However, the ecosystem services from water supply and conservation and biodiversity conservation increased in some areas.The PSO-SOFM neural network model performed well in the regionalization of the matching degree of water, soil, and heat resources in Central Asia. The matching degree of water, soil, and heat resources in Central Asia can be divided into five categories with 21 sub-categories according to the patterns of ecosystem services. At the spatial scale, there were significant differences in the ecosystem services among different matching degree zones. Precipitation was the most important limiting factor affecting the ecosystem service values and matching degree, whereas the effects of temperature and soil properties were less important. At the temporal scale, the areas with a significant positive correlation between precipitation and ecosystem services were larger. The significant effect of temperature on ecosystem service values was mainly concentrated in ecological sensitive zone of northern Kazakh steppe and semi-desert, ecological fragile zone of desert in Central Asia, ecological sensitive zone of central semi-desert in Central Asia and ecological sensitive zone of semi-desert in Badghyz and Karabil. In other regions, temperature and precipitation were not the main factors affecting ecosystem services. Changes in the ecosystem service values may be related to land use types. Combined with the ecological and geographical conditions of different matching degree zones, this study provides useful information for the development and utilization of water and land resources, agriculture and animal husbandry development, and environmental protection in Central Asia.

Water, soil and heat resources; Ecosystem services; PSO-SOFMneural network; Matching degree regionalization; Central Asia

10.13930/j.cnki.cjea.200412

闫雪, 黄法融, 李倩, 周宏飞, 李兰海. 基于生态系统服务和PSO-SOFM神经网络的中亚水土热资源匹配分区[J]. 中国生态农业学报(中英文), 2021, 29(2): 241-255

YAN X, HUANG F R, LI Q, ZHOU H F, LI L H. Regionalization of the matching degree of water, soil, and heat resources in Central Asia based on ecosystem services using PSO-SOFM neural network[J]. Chinese Journal of Eco-Agriculture, 2021, 29(2): 241-255

X37

* 中国科学院战略性先导科技专项(XDA2004030202)和中国科学院“西部青年学者”B类项目(2016-QNXZ-B-13)资助

李兰海, 主要从事流域水文与生态系统研究。E-mail: lilh@ms.xjb.ac.cn

闫雪, 主要从事资源生态学研究。E-mail: yanxue171@mails.ucas.ac.cn

2020-06-02

2020-09-15

* The study was supported by the Strategic Priority Research Program of Chinese Academy of Sciences (XDA2004030202), and the West Light Foundation of Chinese Academy of Sciences (2016-QNXZ-B-13).

, E-mail: lilh@ms.xjb.ac.cn

Jun. 2, 2020;

Sep. 15, 2020