“荒野智慧”下滇南边境热带森林生态保护空间布局优化研究

徐 博，张 云

(西南林业大学园林园艺学院，云南 昆明 650224)

当今全球快速城市化和旅游开发改变了土地利用，从而对生态环境产生巨大影响[1]。如何协调经济发展与自然保护之间的关系成为目前生态文明建设的迫切要求。根据2018年6月29日云南省人民政府发布的《云南省生态保护红线》，云南省南部边境热带森林生态屏障是维护生物多样性的重要生态保护红线划定区域，涉及红河、文山、普洱、西双版纳和临沧5个州(市)，该地区分布着亚洲象、印支虎、白颊长臂猿、桫椤、望天树和华盖木等珍稀野生动植物。该区域同样是云南省旅游热点区域，随着旅游业不断发展，如何对该地区进行合理开发利用已成为重要课题。

近年来荒野景观研究逐渐走入我国风景园林学科[2]。一方面，从定义上，荒野指自然过程占主导而人类干扰度最低，具有多种生态价值的野性自然区域，属于客观存在[3]；另一方面，荒野的概念来自于人类文明，人类对荒野的观念与文明发展息息相关，荒野观决定了人类对自然的态度[4]。深层生态学下的荒野观[5-6]与中国传统生态观高度一致。首先，深层生态学认为人与自然是一个整体，人类与自然联系紧密，荒野不仅是待开发的资源，更是具有多重价值的自然文化遗产。这种观念与中国的“天人合一”思想十分契合[7]，都倡导人类应该善待自然、敬畏自然[8-9]。其次，人类文明并非是征服自然，而是文化与荒野互动互惠的过程。人类从荒野而来，在与无数生物相处的过程中，人类逐渐形成了自己的身体形态和思维模式，形成了人类文明。这说明人类应该敬畏自然，从而学会欣赏和尊重荒野的多重价值。最后，人类是自然的一部分，荒野是生命共同体之根。保护荒野就是保护人类文明之根，人类应与其他生命共享地球资源，应有限度地开发利用地球这棵生命之树的枝叶，并保护好树根，人类从而才能与自然和谐相处，人类文明才能得以延续[4,10]。

由此可见，深层生态学下的荒野观无论是与中国古代解决人与自然关系这一问题的“天人合一”思想，还是与保护生态环境的种种举措都具有明显耦合关系[11]，已有学者在生态文明建设背景下进行了相关研究[4,11-12]。荒野作为人类干扰最小的大型完整景观，具有最为原始和独特的自然景观，为各种生物提供栖息地。荒野通过维持相对完整的生态系统结构、功能和过程，提供了更高的生态系统服务价值[13]。因此，该研究将传统生态智慧哲学思想、深层生态学下的荒野观与保护荒野景观的生态实践进行有机融合，对生态智慧进行扩展，发掘“荒野智慧”概念。

土地利用变化预测是土地利用研究的重要内容，在此基础上的土地布局优化是协调生态与发展的重要方法，大量学者对其开展相关研究。如，冒许鹏等[14]采用STSM状态转换模拟模型对林草交错带景观格局进行研究，周浩等[15]采用CA-Markov模型对挠力河流域土地利用进行动态模拟研究，李龙等[16]采用CA-Markov模型对惠州市生态经济协调度进行研究，MATLHODI等[17]通过模拟哈博罗内大坝流域未来土地覆盖以分析土地格局对水资源的影响，刘静怡等[18]采用CLUES模型结合灰色线性规划方法对土地利用优化配置进行研究。也有学者将蚁群算法[19]和人工神经网络(ANN)[20]等方法引入CA模型以解决更为复杂的约束条件，如，幸瑞燊等[21]采用人工神经网络与CA-Markov模型相结合对重庆市万州区生态空间进行预测模拟，吴欣昕等[22]采用FLUS-USB模型对珠江三角洲城市增长边界进行多情景模拟分析，王雪然等[23]采用GeoSOS-FLUS模型对河北省土地利用景观格局进行预测分析。综合来看，GeoSOS-FLUS模型加入了自上而下的自适应惯性竞争机制，可有效对土地利用进行多情景模拟分析，且具有较高精度[20]；大多数土地利用变化预测研究关注城市建设适宜性、生态敏感性和经济发展等约束条件对未来土地利用的影响，鲜有学者从生态智慧的角度对未来土地利用进行模拟。生态智慧既是生态学知识与生态实践有机融合产生的生态哲学观念，又是在人与自然和谐共生基础上进行生态实践的能力[24]。在生态文明建设背景下，如何应用生态智慧解决当前生态问题，实现可持续发展，有着重要生态价值和社会意义[25-26]。因此，该研究基于“荒野智慧”概念，采用GeoSOS-FLUS模型对云南省南部边境热带森林生态保护空间的土地利用进行模拟研究，探讨“荒野智慧”下的土地优化布局方式(图1)。

图1 研究框架Fig.1 Research framework

1 研究区概况与数据

1.1 研究区概况

研究区域位于云南省南部，面积约为5.1万km2，地形地貌以中、低山地为主，山谷众多。区域气候属于热带雨林气候区，终年高温多雨；植被以热带雨林、热带季雨林、季风常绿阔叶林和暖热性针叶林为主。区域内自然保护区有云南西双版纳国家级自然保护区、云南纳板河流域国家级自然保护区、云南金平分水岭国家级自然保护区和云南黄连山国家级自然保护区等(图2)。由于区域旅游资源丰富，旅游产业产值占经济总值比例较大，近年来前往该区域的旅游人数逐年增多，产业增长速度较快。根据2020年云南省统计年鉴，研究区所在州(市)总人口为1 483.3万人，城镇人口为679.3万人，城镇化水平为45.8%，相较于2010年城镇化水平(31.4%)提升较大，但仍低于云南省平均水平，因此，区域城镇化发展空间较大。目前研究区域城镇用地面积为364.7 km2，占比为0.7%；耕地面积为15 459.6 km2，占比为30.0%；林地、灌木、草地和水域面积为35 600.4 km2，占比为69.3%，整体而言，其生态环境质量较好。

以云S(2017)045号标准地图为底图进行制作。图2 研究地区位与国家级自然保护区分布Fig.2 Location of the study area and the distribution of national nature reserves

1.2 数据来源

所用数据来源如下：(1)2010和2020年研究区土地利用数据来源于Globalland 30(http:∥www.globallandcover.com/)，空间分辨率为30 m×30 m，分为农田、森林、草地、灌木地、湿地、水域、建成区、裸地、永久冰川及积雪9种类型，2010和2020年数据总体精度分别为83.50%和85.72%，Kappa系数分别为0.78和0.82。(2)2018年研究区道路和居民点分布矢量数据来源于全国地理信息资源目录服务系统(https:∥www.webmap.cn)。(3)数字高程模型(DEM)空间分辨率为30 m×30 m，来源于地理空间数据云(http:∥www.gscloud.cn/)。(4)研究区域乡镇(街道)人口矢量数据参照毛其智等[27]的相关研究制作数据集，人口资料来源于第六次全国人口普查数据。

1.3 数据处理

研究区域土地利用现状没有裸地、永久冰川及积雪2种类型；同时，为了避免研究区河流季节性变化对水域这一土地类型的影响，将水域与湿地2种类型进行合并。由于研究区面积较大，为提升模拟效率，将所有栅格数据空间分辨率重采样为60 m×60 m。对矢量数据采用欧氏距离进行计算，综合DEM数据得到影响土地利用变化的驱动因子(表1)。

表1 土地利用变化驱动因子说明Table 1 Description of driving factors contributing to land use change

2 研究方法

2.1 基于荒野边界限定的土地利用模拟分析

基于“荒野智慧”设定不同的荒野保护措施，具体方法为通过荒野制图计算研究区域荒野质量指数(WQI)，分别在不同荒野保护情景下对研究区域土地利用进行模拟分析。根据荒野质量指数设置开发的刚性限制，划定人工开发边界，分别在完全不保护、不严格保护、较严格保护和严格保护4种情景下对土地利用进行模拟分析。

2.2 荒野制图

根据已有关于荒野的研究和界定[3,28-30]，采用经典方法进行荒野制图。选取距离道路遥远度、居民点遥远度、人口密度和土地覆盖自然度4项指标识别荒野质量，计算方法如下：(1)对居民点和道路采用欧氏距离分析工具计算遥远度，数值越高表明距离居民点或道路越远。(2)利用核密度分析工具和各乡镇人口数据计算人口分布核密度指标，数值越高表明人口密度越大。(3)参考中国大陆荒野地识别对土地利用类型的自然度分级[3,29]进行评价，将自然度分为1～5等级，其中，林地为5，灌木地为4，草地为4，耕地为2，水域为4，建设用地为1，数值越高表明自然度越高。这4项指标可反映荒野远离人类活动、自然度较高、受人类干扰较小的特点。

随后对各项指标评价结果进行归一化处理，将数值统一为0～100；并对各项进行等权叠加，计算得到研究区荒野质量指数〔式(1)〕；再根据荒野质量指数将荒野分为1级荒野(0～25)、2级荒野(>25～50)、3级荒野(>50～75)和4级荒野(>75～100)4个等级。

(1)

式(1)中，I为荒野质量指数；N为指标数量，该研究中为4；ei为单指标分数。

2.3 GeoSOS-FLUS模型

GeoSOS-FLUS模型是由LIU等[20]提出的结合人为和自然影响对多种土地利用情景进行仿真的集成模型，可用于模拟土地利用变化和情景分析[22,31-33]。主要包括以下计算模块：

(1)基于人工神经网络的适应性概率计算(ANN-based probability-of-occurrence estimation)。该模块可用于建立各驱动因子与初始土地利用类型在空间上的相互作用关系，具体计算公式为

(2)

式(2)中，P(p,k,t)为土地类型k在时间t和栅格p上出现的概率；wjk为隐藏层与输出层之间的自适应权重；net∑j(p,t)为栅格p在时间t上，隐藏层神经元j接收的信号；sigmoid为机器学习中神经网络的激活函数。各用地类型出现概率总和为1。

(2)自适应惯性竞争机制的元胞自动机(self-adaptive inertia and competition mechanism CA)。当前土地利用是否能发展成其他土地利用类型，不仅取决于发生概率，还取决于其他可变因素。因此，该模型将发生概率、转化成本和驱动因素以及不同土地利用之间的竞争相结合，其计算公式为

(3)

(4)

(5)

2.4 精度验证与发展情景设定

以2010年为起始年份，以2020年为未来年份，采用GeoSOS-FLUS模型对研究区域各土地利用总量进行模拟。将模拟结果与2020年土地利用实际情况(图3)进行对比，Kappa值为0.77，FoM值为0.22。模型精度较高[34-35]，可以进行后续模拟。

以荒野质量指数为基础，分别设置以下4个情景条件：(1)在不保护荒野情景下，不设置任何限制因素。(2)在不严格保护荒野情景下，将荒野质量指数大于75的区域设置为不得转化。(3)在较严格保护荒野情景下，将荒野质量指数大于50的区域设置为不得转化。(4)在严格保护荒野情景下，将荒野质量指数大于25的区域设置为不得转化。同时，以2020年土地利用为基础提取样本进行训练，模拟时间设置为2030年，各土地利用总量采用Markov Chain方法结合专家咨询进行设定，并将模拟迭代次数设置为2 000，摩尔窗口设置为3×3。

3 结果与分析

3.1 荒野分布

如图4所示，勐海县、景洪市、金平县、马关县、西畴县和麻栗坡县荒野质量较低，沧源县、江城县、勐海县和澜沧县荒野质量最高，而荒野程度最高的区域分布在景洪市东北部与勐腊县交界区域。研究区内绝大多数国家级自然保护区荒野质量均较高，只有云南文山国家级自然保护区荒野程度较低，为2级荒野。研究区1、2、3和4级荒野面积分别占总面积的5.89%、52.59%、40.92%和0.60%。1级荒野面积占研究区总面积的5.89%，说明研究区城镇用地较少；荒野质量较高的3和4级荒野面积分别占总面积的40.92%和0.60%，说明虽然研究区荒野质量较高且面积较大，但大部分地区都存在一定程度的开发。

图4 研究区荒野分布Fig.4 Distribution of wilderness in the study area

3.2 多情景下土地布局优化结果

(1)不保护荒野情景下，发展无任何限制。如图5(a)和表2所示，耕地和城镇用地面积模拟值分别为15 653.3和581.2 km2，与2020年相比分别增加193.7和216.5 km2。在不保护荒野情境下，耕地和城镇用地的发展呈现明显扩张趋势，其周边林地、草地均存在被侵蚀现象。

(2)不严格保护荒野情景下，仅对荒野质量指数大于75的区域进行保护，而该区域面积仅占研究区域面积的0.6%，因此该情景下土地利用发展趋势与不保护荒野情景类似〔图5(b)〕。虽然该情景下耕地和城镇用地类型转化量有所减少，但意义不大。

(3)较严格保护荒野情景下，区域内有41.25%的国土空间得到保护，耕地和城镇用地面积模拟值分别为15 639.3和459.9 km2(表2)，相较于不保护荒野情景分别减少14和121.3 km2。如图5(c)所示，该情景下，耕地和城镇用地发展呈现一定集约式增长趋势，新增耕地和城镇用地呈现聚合趋势。

(4)严格保护荒野情景下，研究区94.11%的区域得到保护，然而土地类型之间的转化几乎停滞(表2)，耕地和城镇用地面积分别为15 463.0和365.2 km2，与2020年相比几乎无变化〔图5(d)〕。

表2 多情景下土地类型面积模拟值与转移值Table 2 Simulated values and transfer values of land types under multiple scenarios

图5 2030年多情景土地利用模拟结果Fig.5 Results of multi-scenario land use simulation for 2030

3.3 不同情景结果综合分析

综合对比不保护荒野、不严格保护、较严格保护和严格保护4种情景土地利用格局可以发现，在不保护荒野情景下城市呈无约束状态发展，呈现出“摊大饼”“飞地式”扩展趋势，林地和草地被侵蚀。随着荒野保护力度加强，耕地和城镇用地转化量在不断降低，且扩张呈现明显集约化发展趋势，在一定程度上避免了发展破碎化；但同时，耕地和城镇用地转化量也在不断降低，说明保护荒野对经济发展在一定程度上起到限制作用。

对于以上现象究其原因，荒野保护为城市划定了发展区域，限制了城市自然扩张，促使城市集约化发展。但如果对城市扩张限制过于严格，又会阻碍城市正常发展。对比多情景模拟结果，在较严格保护荒野情景下，耕地和城镇用地扩张与荒野保护之间较为平衡。因此，建议在较严格保护荒野情景下，对城市扩张边界进行规划，优化区域内土地利用结构和布局方式，促使耕地和城乡用地与生态保护之间协调发展，以实现经济效益和生态效益最大化。

4 讨论

我国目前自然保护地和国土空间规划体系中没有引入荒野概念，但荒野客观存在于自然中，且具有重要生态价值[36]。(1)在一些生态保护实践中，如建立生物多样性保护中的栖息地和迁徙廊道时，由于数据及相关研究的不足，难以直接进行界定，荒野可以成为一项重要参考[37]。(2)相较于国土空间规划，荒野与生态红线虽然有重叠部分，但两者的范围仍有所不同，如研究区内生态保护红线面积为1.68万km2，而较严格保护荒野情景下荒野面积为2.15万km2。尽管在整体趋势上，荒野与生态保护红线约束相比具有一定相似性，但局部空间的扩张特征差异较大[32]。因此，可以将荒野区域的划定和保护作为国土空间规划的补充。(3)传统土地利用模拟大多以生态保护、耕地保护[22,32]或不同效益目标为模拟情景[33]，鲜有学者设置不同生态约束程度对土地利用进行模拟。根据荒野质量设置不同模拟情景可评估不同荒野保护水平下城镇用地扩张情景，有利于探索生态保护与城市发展之间的关系，为相关规划和政策制定提供理论依据。综上所述，将荒野作为自然保护地和国土空间规划体系的补充，在进行规划设计时引入“荒野智慧”，有利于缓解保护与发展之间的矛盾，更好地保护生态空间。

从荒野智慧角度出发，基于GeoSOS-FLUS模型对生态保护空间土地利用进行发展模拟和土地布局优化，综合考虑了相关基础设施、经济和生态条件制约，能够较真实表达多情景下土地利用未来形态。该模型有效地将生态智慧思想应用于实践，可协调城市发展与生态保护之间的矛盾，为土地布局规划与管控提供技术参考。但土地利用变化是多种因素共同驱动的结果，其发展变化不仅仅受到当前经济或自然驱动，更可能受到相关政策影响。另外，由于基础数据限制和模型本身局限性，该研究设置的约束条件和空间管控规则难以完全模拟真实土地利用变化场景。因此，该研究结果的准确性和时效性可能存在偏差，只能在一定程度上体现出变化趋势。在未来研究中，将探索更为准确的驱动模型，提升模型模拟准确度。同时，将研究如何更好地将荒野保护举措纳入模型中，为实际的规划提供支撑。

5 结论

在生态文明建设背景下，通过分析中国传统生态智慧思想与保护荒野的耦合关系，提出“荒野智慧”，将保护荒野纳入生态智慧。在经济驱动惯性发展基础上，提出保护荒野的规划目标，并采用GeoSOS-FLUS模型在不同荒野保护情景下对土地利用布局进行模拟分析。主要结论如下：

(1)GeoSOS-FLUS模型对研究区土地利用模拟结果的Kappa值为0.77，FoM值为0.22，模型适用性良好。模拟结果表明，加强荒野保护可有效促进耕地和城镇用地集约发展。

(2)在模拟土地类型布局变化时，将荒野作为限制因素可较好平衡人与自然的关系，这体现了传统生态智慧中“天人合一”的内在思想，而保护荒野又是敬畏自然、顺应自然、善待自然的外在举措。