基于生态系统服务权衡的城市增长边界划定——以大连市为例

徐 梦 冉，张 靖，李 政 海，张 萌，莫 宇

(大连民族大学环境与资源学院，辽宁 大连 116600)

0 引言

在城市化进程中，迅速扩张的建设用地侵占了城市周边的生态空间，造成周边生态系统服务供给能力下降和生物多样性降低，最终导致区域生态系统功能失衡[1,2]，如何提升生态系统服务价值并引导城市健康发展成为推进生态文明建设的焦点问题[3]。科学、合理地划定城市增长边界(Urban Growth Boundary,UGB)是解决城市及周边生态环境问题、实现城市“精明增长”的有效管理工具之一，并在世界范围内得到广泛应用[2,4]。相关研究主要从两方面展开：一是基于“反规划”理念[5]，从土地生态适宜性[6]、资源环境承载力评价[7]及生态安全格局构建[8-10]等角度划定城市增长边界，但此类方法多关注区域生态要素，忽略了经济、政策及人口等社会经济因素对城市扩张的驱动作用；二是以城市增长为基础的正向规划法，如利用FLUS模型[3]、SLEUTH模型[11]、约束性CA模型[12,13]以及其他扩张模型[14-17]等划定城市增长边界，此类方法虽然考虑了城市扩张的内部驱动因素，却忽略了城市发展与周边生态环境的关系。如何调节城市扩张与生态保护之间的矛盾，划定合理的、符合城市可持续发展的城市增长边界，成为目前亟须解决的问题。

优先保护区(生态红线保护区)指“资源有效分布、生物多样性丰富、生态系统服务价值高的地区”[18]，该概念的提出不仅可解决城市发展中的规划问题，亦可有效改善、协调当地脆弱的生态环境[19]。目前已有大量关于优先保护区的研究[20,21]，但从生态系统服务及其权衡关系角度确定优先保护区，并将其纳入城市增长边界划定的研究鲜有报道。因此，本文以大连市为例，在考虑生态安全的前提下探索一种城市增长边界划定的新方法，即在定量评估该市的产水量、碳固持、土壤保持、生境质量、生态休闲5种生态系统服务的基础上，通过有序加权平均(Ordered Weighted Averaging，OWA)算子的多情景决策分析方法与GeoSOS-FLUS模型耦合模拟大连城市扩张，最终划定城市增长边界，以期为大连市和其他类似城市增长边界的划定提供方法借鉴。

1 研究区与数据

大连(120°58′～123°31′E，38°43′～40°10′N)位于辽东半岛南端、黄渤海交界处，是重要的港口、贸易、工业、旅游城市；地形以山地和丘陵为主，中部高，东西两侧呈阶梯状；全市辖7区、1县、代管2个县级市，总面积1.26万km2，建成区面积488.60 km2，户籍城镇人口428.54万人，城镇化率72%。近年来，大连市社会经济发展迅速，城市扩张加剧，城市发展与生态保护之间的矛盾日益凸显，故大连城市增长边界的划定需考虑生态系统服务及其权衡关系。本研究所需数据、来源及处理方法如表1所示。

表1 数据来源及处理方法Table 1 Data source and processing methods

2 研究方法

本研究方法流程分为生态系统服务计算、优先保护区确定、模型构建及城市增长边界划定(图1)。

图1 方法流程Fig.1 Workflow of the proposed method

2.1 生态系统服务计算

基于基础地理信息数据、遥感影像与DEM数据、气象数据、土壤质地数据、土地利用数据和社会经济数据，采用InVEST 3.8产水模块(Water Yield)，利用多年平均降水量减去实际年蒸散量等参数求得产水量；采用USLE方程计算土壤保持，即潜在土壤侵蚀量与实际土壤侵蚀量之差[22]；采用净初级生产力(NPP)方法估算碳固持，其中NPP基于CASA模型[23]计算；采用InVEST 3.8生境质量模块(Habitat Quality)提取威胁源后分析求得生境质量；采用生态休闲模型求得生态休闲[24]。最终计算2017-2019年5种生态系统服务的年均值。

2.2 优先保护区确定

(1)OWA算子。OWA算子(式(1))常用于解决多属性决策问题、平衡内部冲突并确定优先保护区[18,20,24]，在权衡生态系统服务方面具有重要作用[20]。在ArcGIS 10.3中将上述5种生态系统服务归一化，应用式(1)对5种图层进行OWA排序处理。

(1)

式中：λij为归一化处理后栅格j的i(i=1，2，…，n，n=5)属性值；Sij为归一化处理后5种生态系统服务栅格值从大到小排列的数据；wi为Sij的次序权重，其值范围为[0,1]。

(2)OWA情景的权重与权衡。依次取1、2、3、4、5作为5种生态系统服务类型的重要性评价等级，将风险系数a分别设置为0.0001、0.1、0.5、1、2、10、10 000，采用模糊量化模型计算7种风险情景下各类型的权重[21](式(2)、式(3))，进而利用式(4)计算各风险情景下的权衡值tradeoff(0≤tradeoff≤1)[20]。当a=1时，各生态系统服务位序权重值相等，此情景下的权衡值为1；当a<1时，生态系统服务的平均值越高(位序权重越大)，表明决策者对生态系统服务的属性持乐观态度(生态风险指标能限制建设用地扩张)；当a>1时，生态系统服务的平均值越低(位序权重越大)，表明决策者对生态系统服务的属性持悲观态度(生态风险指标不能限制建设用地扩张)。

(2)

QRLM(r)=ra,a∈(0,∞)

(3)

(4)

式中：QRLM为单调递增的规则函数[25]；r为各生态系统服务类型按重要性从大到小的次序。

(3)优先保护区的保护效率。通过比较不同情景下不同生态系统服务的保护效率，得出各生态系统服务保护效率均较高情景下的优先保护区(本文选取大连市保护效率前20%的区域作为优先保护区[26])，将其作为生态红线保护区，其生态系统服务保护效率的计算公式如下：

(5)

2.3 基于GeoSOS-FLUS模型的城市增长边界划定

GeoSOS-FLUS模型用于模拟未来土地利用变化情景[27]。其中，土地利用类型转换概率不仅受各地类自身发展概率的影响，还受地类间转换成本、邻域条件、地类竞争和惯性系数等因素的影响[28]。土地利用变化模拟步骤如下：1)利用2010年大连市土地利用图，参考文献[3]，从自然、交通、社会三方面选取高程、坡度、坡向、人口密度以及距河流、高速公路、国道、省道、县道、快速路、主干道的距离作为影响城市扩张的驱动因子(图2)，对大连市2015年城市用地扩张进行模拟，以验证模型精度；2)利用人工神经网络(ANNs)算法获取各土地利用数据中各类用地的适宜性概率；3)采用基于轮盘赌的自适应惯性竞争机制将优先保护区作为限制城市扩张的约束条件，利用2020年土地利用数据对2030年土地利用进行模拟，从而划定大连城市增长边界。

图2 城市扩张驱动因子Fig.2 Driving factors of urban expansion

3 结果分析

3.1 基于优先保护区的生态红线保护区划定

3.1.1 生态系统服务评价 大连市5种生态系统服务空间分布如图3所示。其中，产水量整体偏低，中低值区(0～30 mm/m2)面积占98.26%，高值区(最高为82.79 mm/m2)分布在中部和东北部，面积仅占1.74%；土壤保持区域差异显著，东北部和西南部土壤保持偏高(最高为209.77 t/hm2)，主要土地利用类型是林地和草地；碳固持与土壤保持空间分布相似，呈明显的北高南低格局，最高值为1 309.06 t/hm2，平均值为123.31 t/hm2，整体碳固持能力较强；大连市东北和西南部林地和草地的生境质量较高，平均值为0.50；大连市生态休闲指数整体偏低，仅东北和西南的部分地区指数较高。

图3 产水量、土壤保持、碳固持、生境质量、生态休闲空间分布Fig.3 Spatial distribution of water yield,soil conservation,carbon sequestration,habitat quality and ecological recreation

3.1.2 优先保护区确定 由表2可知，从情景1到情景7权衡值呈先增后减的“倒U形”，权衡值越高，表示各生态系统服务所得权重值越平均。因各生态系统服务权重不同，不同情景下优先保护区的范围有一定差异，从情景1到情景7呈增加趋势(图4)。情景1和情景7分别以产水量和生态休闲两种生态系统服务为主，在决策上属于极端理想情景和极端悲观情景，故在选择优先保护区时排除这两种情景；情景2到情景6的优先保护区多分布在大连市东北部和西南部，情景5和情景6的优先保护区有从东北向东南扩散趋势。由表3可知，各情景下林地面积最大，其次是耕地，故各情景下优先保护区的范围主要集中于林地。

表2 各情景下的权重与权衡值Table 2 Weight and trade-off values for each scenario

图4 各情景下的优先保护区Fig.4 Priority protection areas under different scenarios

表3 各情景下的土地利用类型面积Table 3 Area of different land use types under each scenario 单位：km2

3.1.3 生态红线保护区划定 由各情景下的保护效率(表4)可知，排除情景1和情景7两种极端情景后，情景2中5种生态系统服务的保护效率均较高，平均保护效率为7.21，且情景2林地面积占比最大，林地的固碳能力较强，其土壤保持能力也优于其他土地利用类型，拦截水流的能力强导致其产水量下降。生境质量、土壤保持、碳固持3种生态系统服务的空间分布相近，可见碳固持量越高、土壤保持能力越强的区域，生物多样性保护越好。综上，选取情景2的优先保护区作为生态红线保护区，禁止一切开发建设活动。统计显示，大连市生态红线保护区总面积为2 205.19 km2，占研究区总面积的17.49%，主要集中在东北部且连续分布，西南部则较为分散。

表4 各情景下的保护效率Table 4 Protection efficiency under each scenario

3.2 城市扩张模拟与增长边界划定

基于GeoSOS-FLUS模型对大连市2015年的土地利用扩张进行模拟，将模拟结果与2015年实际土地利用数据进行对比，经过10%随机采样得到模拟结果的Kappa系数为0.97，最佳优值系数(FOM)较小，为0.011，表明模型精度较高。根据人工神经网络模型和轮盘赌机制，以生态红线保护区(区内耕地、林地和水域不得转换为其他土地利用类型)作为限制条件，利用2020年的土地利用数据模拟得到大连市2030年的土地利用空间分布(图5)。2030年城市扩张侵占周边林地，部分林地转变为建设用地，较2020年减少244.25 km2(表5)。对大连市2030年模拟城镇建设用地进行平滑处理后可得到大连城市增长边界(图6)。2030年大连市建设用地面积为1 969.25 km2(占15.71%)，较2020年增加156.81 km2(表5)，城镇建设用地扩张范围多集中于建成区附近，以主城区、金普新区和旅顺城区为中心，呈现出“一个中心、多个节点”的组团城市网络。模拟结果符合《大连市城市总体规划2001～2020》中“重点发展金普新区，适度发展旅顺城区”的发展方向，即大连市未来城镇建设用地发展模式为自然山体、丘陵分割而成的“组团型”，且组团间由生态廊道和山体相连，形成生态保护网络。

图5 大连城市扩张模拟结果Fig.5 Simulation results of urban expansion in Dalian

表5 大连市各地类面积Table 5 Area of different land use types in Dalian 单位：km2

图6 大连城市增长边界Fig.6 Urban growth boundary of Dalian

4 结论与讨论

本文将生态系统服务纳入城市增长边界划定，以产水量、土壤保持、碳固持、生境质量及生态休闲5种生态系统服务为基础，基于OWA算子设置7种风险情景，筛选出优先保护区(即生态红线保护区)作为城市扩张限制边界，利用GeoSOS-FLUS模型模拟城市建设用地的扩张范围并划定城市增长边界，丰富了城市增长边界划定的理论和方法。

本文综合考虑了生态要素和社会经济因子，用于协调未来城市发展与生态保护间的矛盾。采用模糊量化模型得到7种情景下的位序权重和权衡值，能够平衡多个生态系统服务间的冲突，筛选出最优的生态保护方案，制定相关的管理政策。如情景2中5种生态系统服务的保护效率最高(平均保护效率为7.21)、配置较为均衡，足以保障优先保护区的全面性，是优先保护区的最佳选择。为实现情景2中的保护效果，政府需出台重点保护大连市东北部和西南部林地和草地的相关政策；此外，将情景2作为生态红线保护区，限制对该区域内林地、草地的开发，确保保护区内各项生态系统服务充分提供人类福祉的能力，为大连市生态红线保护区的划定提供一定的政策参考。

将优先保护区纳入城市增长边界划定中，能够有效权衡城市扩张和生态红线保护区的冲突，从而保护生态用地，合理引导城市的建设和发展，保证城市生态系统的可持续发展。大连市生态红线保护区面积占总面积的17.49%，集中分布于北部的庄河市，发挥重要的涵养水源、保持水土等生态作用。此外，预测结果表明大连城市增长边界主要集中在金普新区和旅顺城区周边(面积占15.71%)，致使其未来城市扩张受限。为调节城市建设用地与生态用地的矛盾，该市应坚持集群式多中心的“组团型”发展模式，需加强主城区与金普新区的协调发展，遵循“老城区做减法、新市区做加法”的原则，主城区疏散人口、优化产业用地、调整功能布局，实现高端服务职能的有序聚集，加强北部生态区的生态环境保护，发挥重要的生态系统服务作用。

本研究尚存在一定的局限性。城市扩张是多种因素综合作用的动态复杂过程，本文虽然借助人工神经网络解决了传统CA模型中参数模糊问题，利用轮盘赌模型实现了各土地利用类型间的转换[29]，但受数据获取限制，只选取了影响城市扩张的11种因子参与计算，未来可借助地理大数据并结合城市虚拟边界的思路进行城市增长边界划定[30]。此外，在未来城市土地利用变化情景模拟方面，本文属于有生态约束的自然演变情景，未来研究可进一步融合各种发展情景(如严格的生态保护、经济增长优先、碳中和等)进行城市增长边界划定，使城市增长边界的划分更合理。