基于多情景模拟的洞庭湖流域LUCC与生境质量耦合演变分析

杨 伶,王金龙*,周文强

基于多情景模拟的洞庭湖流域LUCC与生境质量耦合演变分析

杨 伶1,王金龙1*,周文强2

(1.中南林业科技大学商学院,湖南 长沙 410004；2.中南林业科技大学林学院,湖南 长沙 410004)

以洞庭湖流域为研究区域,本文设定自然发展(情景1)、快速发展(情景2)、耕地保护(情景3)、生态保护(情景4)和可持续发展(情景5)5种情景模式,利用PLUS模型和InVEST模型模拟2030年5种不同情景下的土地利用和生境质量格局,并采用耦合协调度模型探究不同情景下LUCC与生境质量耦合协调特征.研究结果表明:1)土地利用变化模拟结果基本符合情景设置的要求,能较好地反映洞庭湖流域土地利用的演变规律和规划方向.2)2030年洞庭湖流域生境质量水平为:情景4>情景5>情景3>情景1>情景2.3)2030年情景1、情景2和情景3耦合协调发展水平呈下降趋势,且情景3下降程度略高于情景1和情景2;而情景4和情景5呈上升趋势,且情景4上升程度略高于情景5.4)结合情景设置原则,可以发现情景5为洞庭湖流域LUCC与生境质量耦合协调发展空间格局优化提供了规划发展可行性.

土地利用变化；生境质量；耦合演变；多情景模拟；洞庭湖流域

耦合最初是一个物理学概念,指两个或两个以上的体系或两种运动形式之间通过各种相互作用而彼此影响以至联合起来的现象[1].自从这一概念产生以来,耦合被广泛运用于地理学研究领域,用来阐释人类与自然之间、不同自然系统或社会系统之间复杂的相互关系并趋于协调统一的现象或过程[2-3].参照刘海猛等[4]学者有关城镇化与生态环境耦合内涵的表述,LUCC与生境质量耦合的内涵也包含两方面:LUCC通过人口增长、经济增长、建设用地扩张、围湖造田、毁林开荒、退田还湖和退耕还林等对生境质量产生胁迫或促进效应,生境质量又通过资源承载、环境容量和政策干预等对土地利用规划产生约束或承载效应,两者是相互包含、对立统一的竞合关系.

近年来,许多学者对LUCC与生境质量情景模拟进行了大量的研究探讨,主要集中在土地利用时空演变和预测模拟研究等方面,其模拟预测主要有数量预测模型、空间模拟模型和耦合模型[5].其中,LUCC数量预测模型主要有基于固定数学公式的Logistic回归模型[6]、灰色预测模型[7]、马尔科夫模型[8]等,还有运用较广的系统动力学模型[9]和神经网络模型[10]等,而空间模拟模型和耦合模型主要以CA模型为基础.CA模型根据转化规则挖掘策略可以分为两类:一类是基于转化分析策略(TAS)的CA模型,主要包括logistic-CA[11]和ANN-CA[12]等;另一类是基于格局分析策略(PAS)的CA模型,主要包括CA-Markov模型[13]、CLUE-S模型[14]、Fore-SCE模型[15]和FLUS模型[16]等.由于已有CA模型在转化规则挖掘策略和景观动态变化模拟策略等方面存在一定局限性[17],并在精细尺度下模拟多种自然土地利用类型的斑块生长存在一定困难[18-19],这也导致CA模型在实际规划、决策或政策制定中受到较大的限制[20].为了有效探索土地利用变化的驱动作用和模拟多种土地覆被类型的斑块级变化,Liang等[20]学者提出一种基于栅格的斑块生成土地利用模拟(PLUS)模型,可以更好地挖掘土地利用变化的驱动机理和模拟多种土地利用类型的斑块演化[21].

洞庭湖流域地处我国长江中游以南,南岭山脉以北,是我国重要的农产品生产基地,分布着洞庭湖区、南岭区、武陵山区和桂西黔南石灰岩区等多个生物多样性保护优先区[22].但是,长期的生态系统开发利用和巨大的人口压力,使洞庭湖流域土地利用格局呈现建设用地不断扩张和耕地持续萎缩等显著特征[23],也出现了水土流失、湿地退化和湖泊萎缩等一系列生态环境问题[24].因此,通过运用抽象与现实的模型来模拟土地利用变化和生境质量演变过程,从而预测LUCC与生境质量耦合协调关系,对研究区土地利用合理配置、生态环境保护及可持续发展均具有重要意义.基于此,本文设置5种情景模式,利用PLUS模型和InVEST模型对2030年洞庭湖流域土地利用和生境质量进行模拟,并采用耦合协调度模型揭示不同情景下LUCC与生境质量耦合协调特征,以期为国土空间规划和生态环境保护提供参考依据.

1 研究区概况与数据来源

1.1 研究区概况

洞庭湖流域(107°16′Ｅ-114°15′E, 24°38′N- 30°24′N),由洞庭湖区、湘江流域、资水流域、沅水流域和澧水流域组成,总面积达26.3×104km2(图1).该流域东南西三面环山,东为幕阜-罗霄山脉,南为南岭山脉,西为武陵-雪峰山脉,中部为丘陵型盆地,北部为洞庭湖平原,地势由南逐渐向中部及东北部倾斜,呈向北敞口的马蹄形[25].流域处于典型的大陆亚热带季风湿润气候,雨热同季且充沛,自然植被以常绿阔叶林为主,森林资源较为丰富.境内水系发达,河网密布,形成以洞庭湖为积水区的辐射状水系.洞庭湖是我国第二大淡水湖,其承纳湘、资、沅、澧“四水”而吞吐长江[26],是保障长江中下游水生态安全不可缺少的屏障[27].

图1 研究区概况

该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2020)4632的标准地图制作,底图无修改

1.2 数据来源与处理

土地利用数据来源于中国科学院资源环境科学数据中心(http://www.resdc.cn),该数据一级类型综合精度达到94.3%,二级类型分类综合精度达91.2%以上[28],空间分辨率为30m.DEM数据来源于GEE平台NASA DEM 30m数据集(NASA/ NASADEM_HGT/001),该数据集通过误差校对等技术实现了STRM数据质量的提升.年均气温和年均降水量等气象数据来源于国家气象科学数据中心(http://data.cma.cn/wa)实测站点数据,并通过反距离权重插值得到,空间分辨率为30m.人口密度和人均GDP等统计数据来源于资源环境科学数据注册与出版系统(http://www.resdc.cn/DOI)的中国人口和GDP空间分布公里网格数据集[29],该数据以县域的人口和GDP统计数据为基础,空间分辨率为1km.各级路网数据来源于全国地理信息资源目录服务系统(https://www.webmap.cn/).

2 研究方法

2.1 情景模拟

2.1.1 情景设置 为了更好地推进洞庭湖流域城镇化发展、耕地保护和生态保护之间的协调发展,本文设置5种土地利用变化模拟的情景.

(1)自然发展情景.该情景模式基于土地利用历史变化规律,按照研究区现行国土空间规划,不设定各地类之间相互转移的限制条件,也未涉及政府耕地保护和生态保护相关政策的影响.

(2)快速发展情景.在快速发展目标下,城镇化会侵占农业用地、林草用地和水源地,且建设用地因具有短期内不可逆转的特性不允许转变为其他地类.

(3)耕地保护情景.耕地保护情景对洞庭湖流域耕地进行有效保护,严格控制基本农田转为其他地类,优先保护优质连片耕地,切实落实耕地占补平衡,严守耕地保护红线,从而控制基本农田的总量.

(4)生态保护情景.该情景模式在自然发展情景中加入生态保护理念,严格控制林业用地和水源地转为其他地类,限制城镇扩张,模拟植被封禁和恢复、退耕还林和退田还湖等生态政策实施效果.

(5)可持续发展情景.可持续发展情景综合考虑城镇化发展、耕地保护和生态保护,在限制进行大规模高强度开发的农业区域和生态区域城镇化扩张不直接侵占农业用地、林业用地和水源地,严守生态保护红线、永久基本农田和城镇开发边界等空间管控边界.

参照伍丹等[21]学者的研究,不同情景下土地利用需求设定为:自然发展情景未来各地类面积以模型预测结果为准;快速发展情景建设用地面积增幅提高20%进行测算;耕地保护情景耕地面积减幅降低 20%进行测算;依据《全国国土规划纲要(2016～2030年)》和《湖南省“十四五”新型城镇化规划》,生态保护情景林地和水域面积下限控制为2018年的实际面积,林地增幅按预期指标的保有增量366.3km2/a计算,水域增幅则提高20%,建设用地5年新增面积控制在753.49km2以内;根据《全国国土规划纲要(2016～2030年)》和流域所涉及七省份的《国土规划纲要》,可持续发展情景耕地、林地和水域面积增幅或减幅降低 15%进行测算,新增建设用地面积控制在458.97～905.69km2以内.

2.1.2 PLUS模型 PLUS模型主要包含基于土地扩张分析策略的转化规则挖掘框架(LEAS)和基于多类型随机斑块种子机制的CA模型(CARS)两个模块,模拟结果精度较高[20].其模拟过程主要包括:首先,根据洞庭湖流域的实际情况,从自然环境和经济社会等方面选取了高程、坡度、年均气温、年降水量、人均GDP、人口密度、到各级道路的距离、到铁路的距离、到水域的距离等驱动因素,并确保栅格化后数据与基期土地利用数据在投影坐标系和空间分辨率等方面保持一致性.其次,挖掘各地类扩张与驱动因素之间的关系,使用随机森林算法,获得不同土地利用类型扩张规律的转化规则,并利用土地扩张分析策略(LEAS)模块运算得到洞庭湖流域各地类的发展概率.最后,结合不同情景下未来各地类的需求状况、转移矩阵及邻域权重等相关参数,采用多类型随机斑块种子和阈值递减规则的CA模型对洞庭湖流域土地利用变化进行模拟.

在考虑流域土地利用变化规律的基础上,本文采用PLUS模型集成的Markov Chain模块进行土地利用需求量的预测,并结合土地利用类型转移情况和情景设置条件,反复调试各参数,确定地类模拟转移矩阵.为真实反映不同发展情景下土地利用变化模拟,并将相关政策融入模拟过程,自然发展情景转换规则的约束条件主要结合土地利用变化规律来设定;快速发展情景建设用地不向其他地类转移;耕地保护情景将基本农田设置为限制转移区域;生态保护情景将林地、及水库和河流等水源地设置为限制转换区域;可持续发展情景将农产品主产区的农业用地,及重点生态功能区的林业用地和水源地设置为限制转移区域.借鉴王保盛等[30]和欧阳晓等[31]学者的相关研究,本文采用各地类历史变化规律来反映其扩张强度,将耕地、林地、草地、水域、建设用地和未利用地邻域权重设定为0、0.3394、0.3347、0.4491、1和0.3880.为验证模型的可靠性和稳定性,本文利用Kappa系数对模拟结果进行精度分析,其取值在0～1之间,该系数大于0.7表明模拟结果精度较高[32].

2.2 InVEST模型生境质量模块

本文采用InVEST模型的生境质量模块对生境质量进行评估,其核心思想是通过计算胁迫因子对生境产生的负面影响来度量生境的退化程度,并结合生境的适宜情况来计算生境质量.栅格单元处的土地覆被或生境类型的生境质量(Q)为:

(2)

式中:H、D、和分别为地类的生境适宜度、地类中栅格单元的生境退化度、半饱和常数(通常取D最大值的1/2)及模型默认参数(一般为2.5);、、Y和W分别为胁迫因子总数、威胁因子栅格图层中的栅格单元、威胁因子所占栅格单元数量和胁迫因子的权重;r、i、β和S分别为地类栅格单元中的胁迫因子、栅格单元中的胁迫因子对生境栅格单元的影响程度、威胁源到栅格的可达性和地类对胁迫因子的相对敏感程度;d和dmax分别为栅格单元(生境)和栅格单元(胁迫因子)之间的直线距离,及胁迫因子的最大影响范围.

根据洞庭湖流域土地利用的实际情况,本文将农村居民点、城镇用地、厂矿用地、主要公路、主要铁路、水田、旱地、裸土地和裸岩石质地设定为胁迫因子.参考相关文献[33-35]和InVEST模型使用手册对胁迫因子参数和生境敏感性参数信息进行设定.

2.3 耦合协调度模型

参照孙斌等[36]学者的相关研究,本文引入耦合协调度模型来反映洞庭湖流域LUCC与生境质量的耦合协调关系.D为第个样本点的耦合协调度,其表达式[36-37]为:

(5)

(6)

式中:C和H分别为第个样本点LUCC与生境质量的耦合度和协调发展指数;HQ和LCI分别为第个样本点的生境质量指数和土地利用状况指数;1和2为待定系数,一般取1=2=0.5.参照邵全琴等[38]学者的研究,本文将土地利用状况指数(LCI)定义为研究区林地、草地、水域与未利用地(主要为沼泽地)四种具有较好生态服务的土地利用类型面积之和的百分比,主要用来衡量和反映研究区土地利用状况和生态系统综合功能,其具体公式为:

式中:Area为样本点第类土地覆被类型的面积,=1,…,4分别代表林地、草地、水域与未利用地4种土地覆被类型;AREA为样本点的总面积.

根据冯雨雪等[39]和杨亮洁等[37]学者有关城镇化与生态环境耦合协调度的研究,本文将洞庭湖流域LUCC与生境质量的耦合协调度划分为5个等级,如表1所示.

表1 LUCC与生境质量耦合协调度的类型

3 结果与分析

3.1 土地利用情景模拟

本文利用历史土地利用数据模拟2018年洞庭湖流域土地利用空间格局,相较于2018年实际土地利用数据,平均预测精度为99.32%,Kappa系数为0.9074,表明PLUS模型在所选驱动因素下对洞庭湖流域土地利用变化模拟效果较好,且模拟精度能达到预测要求.

2018年洞庭湖流域土地利用类型以林地和耕地为主,占流域总面积的88%以上,其中林地占比在60%以上(表2).从洞庭湖流域土地覆被空间分布来看,林草用地主要分布在东南西三面环山的山地地带,平原区林地分布较少;耕地主要分布在环洞庭湖平原、湘中南丘陵地区、及流域西部山地农业带,并随着高程增加呈逐渐减少趋势;水域和未利用地主要分布在流域各大河流集中分布的区域,以河网密集的洞庭湖区分布最广;建设用地主要分布在平原区和丘陵地区,以环长株潭城市群为核心(图2a).

表2 不同情景下洞庭湖流域土地覆被类型面积及比率

图2 不同情景下2030年洞庭湖流域土地利用格局模拟结果

在自然发展情景下,耕地萎缩、林草用地略有下降、水源地呈扩张趋势、建设用地扩张迅速和未利用地略有增加(图2b和表2).在近40年洞庭湖流域土地利用变化规律的主导下,耕地和林地分别减少0.1104×104km2和0.0009×104km2,建设用地增加0.1087×104km2,与2010-2018年相比,农林用地收缩幅度基本持平,而城镇扩张幅度略有增加.

在快速发展情景下,土地利用格局演变趋势与自然发展情景基本一致,且林地收缩幅度和建设用地扩张幅度在自然发展情景的基础上进一步扩大(图2c和表2).其中,林地减少0.0018×104km2,建设用地增加0.1097×104km2,林地收缩和建设用地扩张面积均比自然发展情景增加0.001×104km2左右.

在耕地保护情景下,耕地稳定不变、林草用地下降明显、水源地略有上升和建设用地扩张明显(图2d和表2).与自然发展情景和快速发展情景相比,耕地保护情景林地收缩幅度上升明显,水域和建设用地扩张幅度明显下降.

在生态保护情景下,土地利用格局呈现耕地收缩、林地增长、水域略有上升、建设用地扩张、草地和未利用地分别略有下降的演变趋势(图2e和表2).耕地收缩幅度与自然发展情景和快速发展情景基本一致,林业用地和水源地均呈增长趋势,其中林地增长较为明显,建设用地扩张幅度依次小于快速发展情景、自然发展情景和耕地保护情景.

在可持续发展情景下,2030年洞庭湖流域土地利用格局呈现以下特征:一是耕地面积低于耕地保护情景,但其收缩幅度明显小于其他情景;二是林地和水域面积略低于生态保护情景,但均高于其他发展情景;三是建设用地面积高于生态保护情景,但均低于其他发展情景(图2f和表2).

3.2 生境质量情景模拟

基于不同情景下的土地利用空间格局,根据InVEST模型生境质量模块得到不同情景下各像元(空间分辨率为30m)的生境质量指数.张丹红等[40]学者对不同分级方法的分级质量进行对比,发现自然断点法具有较高的分级精度,也能兼顾各级服务强度极差的均衡性,综合制图效果较好.在考虑分级质量和可比性的基础上,本文利用自然断点法将研究区的生境质量划分为低等级(Q<0.047)、较低等级(0.047£Q<0.4)、中等级(0.4£Q<0.6)、较高等级(0.6£Q<0.7)和高等级(0.7£Q<1)生境质量区.

2018年生境质量总体良好,呈现高、中和较低等级并存格局,以高等级生境质量区为主,占流域总面积的50%左右(表3).从生境质量空间格局来看, 2018年洞庭湖流域生境质量整体上呈现由西部地区向东部和北部地区递减的趋势.具体来看,以各大中城市和小城镇的建成区为低生境质量区,依次向“环洞庭湖平原和湘中南丘陵地区”,“武陵-雪峰山脉山地生态农业带和桂黔滇喀斯特石漠化防治生态功能区”,“武陵-雪峰山脉、南岭山脉和罗霄-幕阜山脉”逐渐提升的空间分布特征(图3a).

在自然发展情景下,2030年洞庭湖流域低和较低等级生境质量区逐步扩张,分别增加0.1083× 104km2和0.0237×104km2;而中、较高和高等级生境质量区逐步收缩,分别减少0.0968×104km2、0.0058× 104km2和0.0294×104km2(图3b和表3).由此来看,自然发展情景下2018～2030年洞庭湖流域生境质量呈变差趋势,生态环境问题较为严重.

在快速发展情景下,生境质量空间格局演变规律与自然发展情景基本一致,且低等级生境质量区扩张幅度和较高等级生境质量区收缩幅度在自然发展情景的基础上进一步呈扩大趋势(图3c和表3).其中,低和较低等级生境质量区分别增加0.1093× 104km2和0.0156×104km2,中、较高和高等级生境质量区分别减少0.0940×104km2、0.0059×104km2和0.0251×104km2.由此来看,快速发展情景下2018～ 2030年洞庭湖流域生境质量在自然发展情景变差趋势的基础上进一步恶化.

表3 不同情景下洞庭湖流域生境质量的面积及占比

在耕地保护情景下,生境质量格局呈现出与自然发展情景和快速发展情景相似的演变趋势(图3d和表3).其中,低和较低等级生境质量区分别增加0.0547×104km2和0.0987×104km2,中、较高和高等级生境质量区分别减少0.1152×104km2、0.0055× 104km2和0.0326×104km2.与自然发展情景和快速发展情景相比,耕地保护情景较低等级生境质量区扩张幅度,及中等级和高等级生境质量区收缩幅度呈扩大趋势,而低等级生境质量区扩张幅度和较高等级生境质量区收缩幅度呈减少趋势.由此来看,耕地保护情景下2018-2030年洞庭湖流域生境质量呈变差趋势,但相较于自然发展情景和快速发展情景有所缓和.

图3 不同情景下2030年洞庭湖流域生境质量模拟结果

在生态保护情景下,低和高等级生境质量区呈扩张趋势(以高等级生境质量区为主),分别增加0.0031×104km2和0.0879×104km2;而较低、中和较高等级生境质量区呈收缩趋势(以较低和中等级生境质量区为主),分别减少0.0756×104km2、0.0105× 104km2和0.0048×104km2(图3e和表3).相较于自然发展情景、快速发展情景和耕地保护情景,生态保护情景较低等级生境质量区明显收缩、高等级生境质量区明显扩张和低等级生境质量区扩张趋势明显放缓.由此来看,生态保护情景下2018～2030年洞庭湖流域生态环境问题得到遏制,生境质量呈明显改善趋势.

在可持续发展情景下,生境质量演变规律与生态保护情景基本一致.其中,低和高等级生境质量区分别增加0.0256×104km2和0.0698×104km2,较低、中和较高等级生境质量区分别减少0.0705×104km2、0.0202×104km2和0.0046×104km2(图3f和表3).相较于生态保护情景,可持续发展情景低等级生境质量区扩张幅度和中等级生境质量区收缩幅度呈增加趋势,高等级生境质量区扩张趋势则有所放缓.由此可见,可持续发展情景下2018～2030年洞庭湖流域生境质量呈改善趋势,但相较于生态保护情景改善幅度略有放缓.

3.3 LUCC与生境质量耦合演变情景模拟

本文采用等间距采样法将研究区划分为1800m×1800m的网格单元,共计82475个样本点.根据耦合协调度模型,得出各网格单元的LUCC与生境质量耦合协调度,参照耦合协调度的分类标准(表1)对研究区的LUCC与生境质量耦合协调类型进行划分.

中度协调发展和高度协调发展是2018年研究区LUCC与生境质量耦合协调发展的主要类型(两者占比达75%),其中,高度协调发展区占比在46%以上(表4).2018年洞庭湖流域LUCC与生境质量耦合协调空间异质性明显,总体呈现东高西低的空间格局(图4a).其中,失调衰退区、濒临失调衰退区和勉强协调发展区分布相对集中,由洞庭湖区和湘江流域逐渐向西部地区扩散;中度协调发展区主要分布在失调衰退区、濒临失调衰退区和勉强协调发展区的外围区域,并成片分布在沅水流域的西部地区;高度协调发展区主要分布在流域三面环山地带.

表4 不同情景下洞庭湖流域LUCC与生境质量耦合协调类型的面积

注:计量单位为104km2.

在自然发展情景下,研究区耦合协调水平由2018年的0.7365下降至2030年的0.7353.其中,失调衰退区呈扩张趋势,高度协调发展区略有上升,两者分别增加0.0697×104km2和0.0075×104km2;而濒临失调衰退区、勉强协调发展区和中度协调发展区呈收缩趋势,分别减少0.0149×104km2、0.0110× 104km2和0.0512×104km2(图4b和表4).由此来看,自然发展情景下2018～2030年洞庭湖流域LUCC与生境质量耦合协调发展水平呈小幅下降态势.

在快速发展情景下,耦合协调演变趋势与自然发展情景基本一致,失调衰退区和高度协调发展区分别增加0.0658×104km2和0.0130×104km2,濒临失调衰退区、勉强协调发展区和中度协调发展区分别减少0.0071×104km2、0.0496×104km2和0.0512× 104km2(图4c和表4).相较于自然发展情景,快速发展情景失调衰退区的扩张幅度和勉强协调发展区的收缩幅度均呈现明显的缩小趋势.由此可见,快速发展情景下2018～2030年洞庭湖流域LUCC与生境质量耦合协调水平呈小幅下降态势,但相较于自然发展情景下降态势有所缓和.

图4 不同情景下洞庭湖流域LUCC与生境质量耦合类型空间分布

在耕地保护情景下,研究区耦合协调水平由2018年的0.7365下降至2030年的0.7346.其中,失调衰退区和勉强协调发展区逐渐扩张,分别增加0.0768×104km2和0.0133×104km2;而中度和高度协调发展区逐渐收缩,分别减少0.0356×104km2和0.0541×104km2(图4d和表4).与自然发展情景和快速发展情景相比,耕地保护情景失调衰退区和勉强协调发展区的扩张幅度,及高度协调发展区的收缩幅度呈扩大趋势.由此可见,耕地保护情景下2018～ 2030年洞庭湖流域LUCC与生境质量耦合协调发展水平呈下降趋势,这一趋势在自然保护情景和快速发展情景的基础上进一步呈加剧态势.

在生态保护情景下,流域耦合协调水平由2018年的0.7365上升至2030年的0.7390.其中,高度协调发展区逐渐扩张,增加0.2070×104km2;失调衰退区、濒临失调衰退区、勉强协调发展区和中度协调发展区逐渐收缩,分别减少0.0065×104km2、0.0269× 104km2、0.0311×104km2和0.1426×104km2(图4e和表4).相较于自然保护情景、快速发展情景和耕地保护情景,生态保护情景濒临失调衰退区和勉强协调发展区明显收缩,高度协调发展区明显扩张.由此可见,生态保护情景下2018～2030年洞庭湖流域LUCC与生境质量耦合协调发展呈上升态势.

在可持续发展情景下,研究区耦合协调水平由2018年的0.7365上升至2030年的0.7381,除失调衰退区略有增加外,其演变趋势与生态保护情景基本一致(图4f和表4).其中,失调衰退区和高度协调发展区分别增加0.0081×104km2和0.2070×104km2,濒临失调衰退区、勉强协调发展区和中度协调发展区分别减少0.0246×104km2、0.0272×104km2和0.0771× 104km2.相较于生态保护情景,可持续发展情景高度协调发展区的扩张幅度和中度协调发展区的收缩幅度呈减少趋势,失调衰退区由收缩趋势转为扩张趋势.由此可见,可持续发展情景下2018～2030年洞庭湖流域LUCC与生境质量耦合协调发展水平呈上升态势,但相较于生态保护情景上升态势略有放缓.

4 讨论

从情景模拟结果来看,生态保护情景具有最好的生境质量改善效果和LUCC与生境质量耦合协调提升效果,这与其他学者在长江上游[41]、汉江上游[42]和汾河源头[43]等区域的研究结论基本一致.为进一步促进LUCC与生境质量耦合发展,在遵循经济社会发展规律和自然规律的基础上,洞庭湖流域必须确立生态保护理念,并将其纳入土地利用空间规划中.进一步对比分析情景设置原则和模拟结果,可以发现可持续发展情景兼顾经济发展、耕地保护和生态保护,更具现实可行性,且可持续发展情景也具有良好的生境质量改善效果和耦合协调提升效果,这与李云[42]学者的研究结果基本一致.由此可见,可持续发展情景可为洞庭湖流域LUCC与生境质量耦合协调发展空间格局优化提供了规划发展可行性.

人地系统是一个开放系统,LUCC与生境质量的耦合不仅要充分考虑系统内近程要素的深刻影响,还要关注系统外远程要素带来的影响[44].本文以近程耦合理念为指导,采用耦合协调度模型来度量LUCC与生境质量协调发展水平,尚未考虑LUCC与生境质量远程和近远程耦合关系.同时,本文虽以权衡经济发展、粮食安全和生态安全的关系为拟解决的关键问题来设置情景,但未明确识别三者权衡的驱动因素.后续应将驱动力与生境质量联系起来并形成机制,明确驱动因素对洞庭湖流域经济发展、粮食安全与生态安全权衡关系的作用机制.

5 结论

5.1 土地利用变化模拟效果较好,平均预测精度为99.32%,Kappa系数为0.9074,基本符合情景设置的要求.

5.2 2030年自然发展情景、快速发展情景和耕地保护情景生境质量整体呈变差趋势,而生态保护情景和可持续发展情景通过实施生态退耕政策和严守空间管控边界使生境质量整体呈改善趋势.

5.3 2030年自然发展情景、快速发展情景和耕地保护情景LUCC与生境质量耦合协调发展整体呈下降趋势(以耕地保护情景最为明显),而生态保护情景和可持续发展情景耦合协调发展整体呈上升趋势(以生态保护情景最为突出).

[1] 周 宏.现代汉语辞海[M]. 北京:光明日报出版社, 2003.

Zhou H. The modern Chinese dictionary [M]. Beijing: Guangming Daily Publishing House, 2003.

[2] Qi J G, Chen J Q, Wan S Q, et al. Understanding the coupled natural and human systems in Dryland East Asia [J]. Environmental Research Letters, 2012,7(1):15202-15207.

[3] Morzillo A T, de Beurs K M, Martin-Mikle C J. A conceptual framework to evaluate human-wildlife interactions within coupled human and natural systems [J]. Ecology and Society, 2014,19(3):44.

[4] 刘海猛,方创琳,李咏红.城镇化与生态环境“耦合魔方”的基本概念及框架[J]. 地理学报, 2019,74(8):1489-1507.

Liu H M, Fang C L, Li Y H. The coupled human and natural cube: A conceptual framework for analyzing urbanization and eco- environment interactions [J]. Acta Geographica Sinica, 2019,74(8): 1489-1507.

[5] 刘甲红,徐露洁,潘骁骏,等.土地利用/土地覆盖变化情景模拟研究进展[J]. 杭州师范大学学报(自然科学版), 2017,16(5):551-560.

Liu J H, Xu L J, Pan X J, et al. Research progress on land-use and land-cover change scenario simulation. [J]. Journal of Hangzhou Normal University(Natural Science Edition), 2017,16(5):551-560.

[6] 李晓蕾,魏建新,徐丽萍,等.基于CLUE-S模型的博斯腾湖流域土地利用变化情景模拟[J]. 石河子大学学报(自然科学版), 2019,37(3): 345-352.

Li X L, Wei J X, Xu L P, et al. Scenario simulation of land use change in Boston Lake Basin based on CLUE-S model [J]. Journal of Shihezi University (Natural Science), 2019,37(3):345-352.

[7] 王 甜,闫金凤,乔海燕.马来西亚吉隆坡市土地利用变化特征分析与预测[J]. 水土保持通报, 2020,40(5):268-275,341.

Wang T, Yan J F, Qiao H Y. Analysis and prediction of land-use change characteristics in Kuala Lumpur, Malaysia [J]. Bulletin of Soil and Water Conservation, 2020,40(5):268-275,341.

[8] 单渌铱,王海军,张 彬,等.顾及土地生态安全的环鄱阳湖城市群土地利用情景模拟[J]. 地球信息科学学报, 2020,22(3):543-556.

Shan L Y, Wang H J, Zhang B, et al. Land use simulation of the city clusters around Poyang Lake based on land ecological security assessment [J]. Journal of Geo-information Science, 2020,22(3):543-556.

[9] 田 贺,梁 迅,黎 夏,等.基于SD模型的中国2010～2050年土地利用变化情景模拟[J]. 热带地理, 2017,37(4):547-561.

Tian H, Liang X, Li X, et al. Simulating multiple land use scenarios in China during 2010～2050 based on system dynamic model [J]. Tropical Geography, 2017,37(4):547-561.

[10] 王崇倡,张 畅.基于遗传BP神经网络模型的土地利用变化预测模型研究[J]. 测绘与空间地理信息, 2017,40(2):52-55.

Wang C C, Zhang C. Prediction model of land use change based on genetic BP neural network model [J]. Geomatics & Spatial Information Technology, 2017,40(2):52-55.

[11] Wu F, Webster C J. Simulation of land development through the Integration of cellular automata and multicriteria evaluation [J]. Environment and Planning B: Planning and Design, 1998,25(1): 103-126.

[12] Omrani H, Parmentier B, Helbich M, et al. The land transformation model-cluster framework: applying k-means and the spark computing environment for large scale land change analytics [J]. Environmental Modelling & Software, 2019,111:182-191.

[13] 孙定钊,梁友嘉.基于改进Markov-CA模型的黄土高原土地利用多情景模拟[J]. 地球信息科学学报, 2021,23(5):825-836.

Sun D Z, Liang Y J. Multi-scenario simulation of land use dynamic in the Loess Plateau using an improved Markov-CA model [J]. Journal of Geo-information Science, 2021,23(5):825-836.

[14] 田义超,黄远林,张 强,等.北部湾南流江流域土地覆盖及生物多样性模拟[J]. 中国环境科学, 2020,40(3):1320-1334.

Tian Y C, Huang Y L, Zhang Q, et al. Simulation of land cover and biodiversity in Nanliu river basin in Beibu Gulf [J]. China Environmental Science, 2020,40(3):1320-1334.

[15] Sohl T, Sayler K. Using the FORE-SCE model to project land-cover change in the southeastern United States [J]. Ecological Modelling, 2008,219(s1-2):49-65.

[16] 张凯琪,陈建军,侯建坤,等.耦合InVEST与GeoSOS-FLUS模型的桂林市碳储量可持续发展研究[J]. 中国环境科学, 2022,42(6):2799- 2809.

Zhang K Q, Chen J J, Hou J K, et al. Study on sustainable development of carbon storage in Guilin coupled with InVEST and GeoSOS-FLUS model [J]. China Environmental Science, 2022,42(6): 2799-2809.

[17] Sohl T L, Claggett P R. Clarity versus complexity: Land-use modeling as a practical tool for decision-makers [J]. Journal of Environmental Management, 2013,129:235-243.

[18] Meentemeyer R K, Tang W, Dorning M A, et al. Futures: Multilevel simulations of emerging urban rural landscape structure using a stochastic patch-growing algorithm [J]. Annals of the Association of American Geographers, 2013,103(4):785-807.

[19] Yang J, Gong J, Tang W, et al. Patch-based cellular automata model of urban growth simulation: Integrating feedback between quantitative composition and spatial configuration [J]. Computers, Environment and Urban Systems, 2020,79:101402.

[20] Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China [J]. Computers, Environment and Urban Systems, 2021,85:101569.

[21] 伍 丹,朱康文,张 晟,等.基于PLUS模型和InVEST模型的成渝经济区碳储量演化分析[J]. 三峡生态环境监测, 2022,7(2):85-96.

Wu D, Zhu K W, Zhang S, et al. Evolution analysis of carbon stock in Chengdu-Chongqing economic zone based on PLUS model and InVEST model [J]. Ecology and Environmental Monitoring of Three Gorges, 2022,7(2):85-96.

[22] 万华伟,王永财,侯 鹏,等.2001～2016年中国生物多样性保护优先区域植被和水域动态监测与分析[J]. 生态与农村环境学报, 2019, 35(3):273-282.

Wan H W, Wang Y C, Hou P, et al. Monitoring and analysis on vegetation and waters dynamics in Chinese priority areas for biodiversity conservation during 2001～2016 [J]. Journal of Ecology and Rural Environment, 2019,35(3):273-282.

[23] 杨 伶,邓 敏,王金龙,等.近40年来洞庭湖流域土地利用及生态风险时空演变分析 [J]. 生态学报, 2021,41(10):3929-3939.

Yang L, Deng M, Wang J L, et al. Spatial-temporal evolution of land use and ecological risk in Dongting Lake Basin during 1980～2018 [J]. Acta Ecologica Sinica, 2021,41(10):3929-3939.

[24] 邓正苗,谢永宏,陈心胜,等.洞庭湖流域湿地生态修复技术与模式[J]. 农业现代化研究, 2018,39(6):994-1008.

Deng Z M, Xie Y H, Chen X S, et al. Wetland ecological restoration techniques and models in Dongting Lake basin [J]. Research of Agricultural Modernization, 2018,39(6):994-1008.

[25] 刘博学.湖南土壤的地理分布规律[J]. 湖南师范大学自然科学学报, 1986,(3):101-109.

Liu B X. Geographic distribution of soils in Hunan Province [J]. Journal of Natural Science of Hunan Normal University, 1986,(3): 101-109.

[26] Tian Z B, Zheng B H, Wang L J, et al. Effects of river-lake interactions in water and sediment on phosphorus in Dongting Lake, China [J]. Environmental Science & Pollution Research International, 2017,24(7):1-11.

[27] 张光贵,王丑明,田 琪.三峡工程运行前后洞庭湖水质变化分析 [J]. 湖泊科学, 2016,28(4):734-742.

Zhang G G, Wang C M, Tian Q. Changes of water quality in Lake Dongting before and after Three Gorges Project operation [J]. Journal of Lake Sciences, 2016,28(4):734-742.

[28] 徐新良,刘纪远,张增祥,等.中国5年间隔陆地生态系统空间分布数据集(1990～2010)内容与研发[J]. 全球变化数据学报(中英文), 2017,1(1):52-59,175-182.

Xu X L, Liu J Y, Zhang Z X, et al. A time series land ecosystem classification dataset of China in five-year increments (1990～2010) [J]. Journal of Global Change Data & Discovery, 2017,1(1):52-59,175-182.

[29] 徐新良.中国人口空间分布公里网格数据集[DB/OL]. 资源环境科学数据注册与出版系统(http://www.resdc.cn/DOI), 2017.

Xu X L. China population spatial distribution kilometer grid dataset [DB/OL]. Resource and Environmental Science Data Registration and Publishing System, (http://www.resdc.cn/DOI), 2017.

[30] 王保盛,廖江福,祝 薇,等.基于历史情景的FLUS模型邻域权重设置——以闽三角城市群2030年土地利用模拟为例[J]. 生态学报, 2019,39(12):4284-4298.

Wang B S, Liao J F, Zhu W, et al. The weight of neighborhood setting of the FLUS model based on a historical scenario: A case study of land use simulation of urban agglomeration of the Golden Triangle of Southern Fujian in 2030 [J]. Acta Ecologica Sinica, 2019,39(12): 4284-4298.

[31] 欧阳晓,贺清云,朱 翔.多情景下模拟城市群土地利用变化对生态系统服务价值的影响——以长株潭城市群为例[J]. 经济地理, 2020,40(1):93-102.

OUYang X, He Q Y, Zhu X. Simulation of impacts of urban agglomeration land use change on ecosystem services value under multi-scenarios: case study in Changsha-Zhuzhou-Xiangtan urban agglomeration [J]. Economic Geography, 2020,40(1):93-102.

[32] Wu C Y, Chen B W, Huang X J, et al. Effect of land-use change and optimization on the Ecosystem service values of Jiangsu province, China [J]. Ecological Indicators, 2020,117(15):106507.

[33] 刘 园,周 勇,杜越天.基于InVEST模型的长江中游经济带生境质量的时空分异特征及其地形梯度效应[J]. 长江流域资源与环境, 2019,28(10):2429-2440.

Liu Y, Zhou Y, Du Y T. Study on the spatio-temporal patterns of habitat quality and its terrain gradient effects of the middle of the Yangtze River economic belt based on InVEST model [J]. Resources and Environment in the Yangtze Basin, 2019,28(10):2429-2440.

[34] Xu L T, Chen S S, Xu Y, et al. Impacts of land-use change on habitat quality during 1985～2015 in the Taihu Lake Basin [J]. Sustainability, 2019,11(13):1-21.

[35] Li Q, Zhou Y, Mary Ann C, et al. Spatio-temporal changes in wildlife habitat quality in the middle and lower reaches of the Yangtze River from 1980 to 2100 based on the InVEST model [J]. Journal of Resources and Ecology, 2021,12(1):43-55.

[36] 孙 斌,徐 渭,薛建春,等.黄河流域城市群城镇化与生态环境耦合协调预测[J]. 地球科学与环境学报, 2021,43(5):887-896.

Sun B, Xu W, Xue J C, et al. Prediction of coupling and coordination between urbanization and eco-environment of urban agglomerations in Yellow River Basin, China [J]. Journal of Earth Sciences and Environment, 2021,43(5):887-896.

[37] 杨亮洁,张小鸿,潘竟虎,等.成渝城市群城镇化与生态环境耦合协调及交互影响[J]. 应用生态学报, 2021,32(3):993-1004.

Yang L J, Zhang X H, Pan J H, et al. Coupling coordination and interaction between urbanization and eco-environment in Cheng-Yu urban agglomeration, China [J]. Chinese Journal of Applied Ecology, 2021,32(3):993-1004.

[38] 邵全琴,赵志平,刘纪远,等.近30年来三江源地区土地覆被与宏观生态变化特征[J]. 地理研究, 2010,29(8):1439-1451.

Shao Q Q, Zhao Z P, Liu J Y, et al. The characteristics of land cover and macroscopical ecology changes in the source region of three rivers on Qinghai Tibet Plateau during last 30years [J]. Geographical Research, 2010,29(8):1439-1451.

[39] 冯雨雪,李广东.青藏高原城镇化与生态环境交互影响关系分析[J]. 地理学报, 2020,75(7):1386-1405.

Feng R X, Li G D. Interaction between urbanization and eco- environment in Tibetan Plateau [J]. Acta Geographica Sinica, 2020, 75(7):1386-1405.

[40] 张丹红,王效科,张 路,等.大比例尺土壤保持服务制图分级方法研究 [J]. 生态学报, 2021,(4):1-11.

Zhang D H, Wang X K, Zhang L, et al. Research on the classification methods of ecosystem service of soil retention for large-scale choropleth mapping [J]. Acta Ecologica Sinica, 2021,(4):1-11.

[41] 周李磊.长江上游湿地生态系统服务评估及多情景模拟[D]. 重庆:重庆大学, 2020.

Zhou L L. Evaluation and multi-scenario simulation of wetland ecosystem services in the upper Yangtze River [D]. Chongqing: Chongqing University, 2020.

[42] 李 云.基于多情景模拟的汉江上游流域生态系统服务权衡协同关系研究[D]. 陕西:陕西师范大学, 2020.

Li Y. Study on the trade-off and synergy relationship of ecosystem services in the upper reaches of Hanjiang River Basin based on multi-scenario simulation [D]. Shanxi: Shaanxi Normal University, 2020.

[43] 和 娟,师学义,付扬军,等.汾河源头区域土地利用及生境质量时空演变的多情景模拟[J]. 水土保持研究, 2020,27(5):250-258.

He J, Shi X Y, Fu Y J, et al. Multi-scenario simulation of spatiotemporal evolution of land use and habitat quality in the source area of Fenhe River Basin [J]. Research of Soil and Water Conservation, 2020,27(5):250-258.

[44] 葛全胜,方创琳,江 东.美丽中国建设的地理学使命与人地系统耦合路径[J]. 地理学报, 2020,75(6):1109-1119.

Ge Q S, Fang C L, Jiang D. Geographical missions and coupling ways between human and nature for the Beautiful China Initiative [J]. Acta Geographica Sinica, 2020,75(6):1109-1119.

Coupling evolution analysis of LUCC and habitat quality in Dongting Lake Basin Based on multi-scenario simulation.

YANG Ling1, WANG Jin-long1*, ZHOU Wen-qiang2

(1.College of Business, Central South University of Forestry and Technology, Changsha 410004, China；2.College of Forestry, Central South University of Forestry and Technology, Changsha 410004, China)., 2023,43(2)：863～873

The Dongting Lake Basin is located in the south of the middle reaches of the Yangtze River and the north of Nanling Mountains, China. It is an important agricultural production base in China, with many priority areas for biodiversity conservation. The prime idea of multi-scenario simulation is to explore the characteristics of the coupling coordination between land use and land cover change (LUCC) and habitat quality under different scenarios. Five scenarios were proposed, which are natural development (Scenario 1), rapid development (Scenario 2), cultivated land protection (Scenario 3), ecological protection (Scenario 4) and sustainable development (Scenario 5). The PLUS model and InVEST model are used to respectively simulate the land use change and habitat quality under five different scenarios in 2030. The results show that: 1) Simulation results of land use change basically meet the requirements of scenario setting, which can better reflect the evolution rule and land-use planning goals; 2) The habitat quality in 2030 varies in the following order: Scenario 4 > Scenario 5 > Scenario 3 > Scenario 1 > Scenario 2; 3) The coupling coordination in Scenario 1, Scenario 2 and Scenario 3shows a downward trend, among which, the decline of Scenario 3is the highest; while that of Scenario 4 and Scenario 5 demonstrates an upward trend, among which, the increase of Scenario 4is higher than that of Scenario 5). 4) Combined with the principle of scenario setting, Scenario 5 provides an insight to the feasibility of planning and development for the optimization of spatial patterns of coupling coordinated development of LUCC and habitat quality in the Dongting Lake Basin.

land use change；habitat quality；coupling evolution；multi-scenario simulation；the Dongting Lake Basin

X171.1

A

1000-6923(2023)02-0863-11

杨 伶(1983-),女,湖南株洲人,副教授,博士,主要从事生态系统服务地理学研究.发表论文近30篇.

2022-07-15

国家社科基金一般项目(22BJY094,22BGL169);教育部人文社会科学研究一般项目(19YJC630166);湖南省自然科学基金面上项目(2022JJ30080);湖南省社会科学基金项目(18YBA462);中国博士后科学基金(2021M693573);湖南省社会科学成果评审委员会课题(XSP22YBC221);湖南省教育厅科学研究重点项目(22A0174)

* 责任作者, 副教授, wjl-123@126.com