基于城市生态系统服务协同性的湿地修复优先区分析

何若晨 冯育青 李 黎*

（1 西交利物浦大学健康与环境科学系，江苏 苏州 215123 2 苏州市湿地保护管理站，江苏 苏州 215000）

2022 年生物多样性公约第15 次缔约方大会通过的“昆明-蒙特利尔全球生物多样性框架”目标12 提出，需要“通过扩大和连接城市绿色和蓝色空间，增加其生态连通性和完整性来实现包容生物多样性的城市规划”（CBD，2022）。湿地作为城市蓝绿空间体系中的重要组成部分，具有净化水质、调控水量和增加碳汇等功效（Tournebize et al.,2013; Mitsch et al., 2013）。湿地周边气温与距湿地质心的距离呈极显著的正相关关系（崔丽娟等, 2015）。相比于单一生态要素缓解城市热岛的能力，蓝绿空间的协同降温效应更为显著（Jiang,2021）。与此同时，城市湿地作为一种重要的栖息地类型，提升了城市空间中的景观异质性，增加了蓝绿空间的连通性，也为城市中为数众多的湿地鸟类提供了不可替代的营巢环境与食物资源，对维持城市鸟类物种的丰富度有重要贡献（McKinney et al., 2013）。目前国内外对于湿地修复的研究主要包括以时间与空间角度探究湿地变化特征与驱动因子（董斯齐等, 2023; Lazzarini et al., 2013;Nguyen et al., 2017）；基于保护生物多样性的目的评价湿地修复的生态效益（Meli et al., 2014;Zhang et al., 2021; 庞博等, 2023）；以及从湿地退化机制、修复机制、关键技术体系和模式等问题剖析相应领域发展的现状、热点、难点、未来所面临的挑战和发展趋势等（Noble et al., 2011;Zhao et al., 016; 武海涛等, 2022）。值得注意的是，现有研究多依据湿地的单一生态系统服务功能开展量化评价或开展空间规划。作为首个强调生态系统修复多重效益的全球标准，“基于自然的解决方案”（Nature-based Solutions, NbS）提倡在多方利益群体的参与下，以有效且具有生态适应式的方式高效统筹利用经济、社会和自然资源，为实现多重社会、生态目标提供有利的保障（Andrade et al., 2020）。NbS 被认为是协同应对生物多样性丧失和气候变化等全球环境挑战的有效途径之一，已被纳入“昆明框架”之中以指导城市实现可持续发展目标（王金洲等, 2023）。

苏州位于澳大利亚—东北亚鸟类迁徙廊道的核心地带，苏州市是我国鸟类物种最丰富的城市之一（Li et al., 2023）。基于NbS 提出的多重生态效益协同性原则，本文以苏州为例进行了湿地修复的优先区分析。基于现有城市气候、生物多样性以及城市生态用地现状等数据库，综合多种空间分析方法、识别出城市热岛及生物多样性热点的重叠区域，对潜在具有多重生态效益的城市湿地修复区域进行评估及筛选，旨在为我国城市的可持续规划与发展提供新的思路。

1 材料与方法

1.1 研究区概况

苏州（30°47′—32°02′N，119°55′—121°20′E）地处江苏省东南部，是长江三角洲重要的中心城市之一。截至2022 年，全市下辖姑苏、虎丘、吴中、相城、吴江和工业园6 个区、代管常熟、张家港、昆山、太仓4 个县级市，总面积为8 657.3 km2。其中全市自然湿地面积为2 688.0 km2，主要分为沼泽、湖泊和河流湿地3 种类型（苏州市园林和绿化管理局, 2023）。

1.2 数据来源与预处理

2020 年土地利用（10 m）和NDVI（30 m）数据来自中国科学院资源环境科学数据中心（http://www.resdc.cn）；DEM 数据（30 m）下载自地理空间数据云（https://www.gscloud.cn/search）；2020年5 月、8 月、11 月、12 月的landsat 8 oLI_TIRS遥感卫星影像（30 m；云量≤10%）是从地理空间数据云和USGS（https://earthexplorer.usgs.gov/）分别获取，既而反演城市地表温度指数；鸟类空间分布数据源于eBird（https://ebird.org/home）。所得数据均导入ArcGIS10.8 中进行提取与重分类，统一采用WGS_1984_UTM_Zone_51N 坐标格式。19 个bio 数据（30 s）下载于WorldClim 数据库(http://www.worldclim.org)，利用ArcGIS10.8 对其重采样后与高程、坡度、NDVI 等数据保存为“.asc”格式。

1.3 研究方法

1.3.1 maxEnt 模型构建 eBird 是全球最大的基于公民科学的数据库，近年来被广泛应用于生态学与保护生物学的研究中（Sullivan et al., 2009; Li et al., 2020）。从eBird 中获取2018—2022 年的鸟类点位记录共计19 429 条，通过对分布点位进行筛选，选取观测记录次数在100 条及以上的14 种水鸟作为研究对象。同时为减少预测结果的过度拟合，在每个500 m×500 m 网格中一个物种仅保留一个有效点位（表1）。

表1 鸟类点位记录Table 1 Recording of bird data points

MaxEnt 模型是依据最大熵原理预测物种潜在分布的一种生态位模型（Warren et al., 2011），在生态学、生物学、气候学等领域中被广泛应用（熊巧利等, 2019）。本次研究初步选取24 个环境变量输入MaxEnt 模型（Wang et al., 2023）（表2），但各变量之间也存在一定的相关性，需要运用波段集统计测算数据的相关性系数。对于相关性指数|r|≥0.8 的两个变量保留贡献率较高的环境因子（罗绮琪等, 2021），同时去除环境因子中贡献率为0 的变量以提升测算结果的客观性与准确性。最终14 种鸟类各保留不低于12 种环境变量因子。

表2 模型环境变量Table 2 Model Environment Variables

在MaxEnt 模型中，80%的有效点位被作为训练集，20%的点位用于模型验证，最大迭代次数1 万次，重复运行10 次，其余参数为默认数值（Li et al.,2020)。运算得到的AUC（area under the curve）值[0，1]用于评估模型预测结果的精确性。当0.5＜AUC≤0.6时，预测结果不可信；当0.6＜AUC≤0.7时，预测结果可信度较差；当0.7 ＜AUC ≤0.8 时，预测结果可信度一般；当0.8 ＜AUC ≤0.9 时，预测结果可信度良好；当0.9 ＜AUC ≤0.1 时，预测结果具有较高可信度。

1.3.2 地表温度反演 通过ENVI 5.3 对不同日期的卫星影像图进行辐射定标和大气校正，利用辐射方程法（邓睿等, 2017; 赵秋月等, 2020）反演出城市地表温度（公式1，2，3），再利用ArcGIS 计算城市地表温度的平均值以识别城市高温区域。

式中：Lλ为热红外辐射亮度值（W/(m2·sr·μm)；B(TS)为黑体辐射亮度（W/(m2·sr·μm)；Ts是地表温度（K）；l↑、L↓和τ 分别为大气向上辐射亮度、大气向下辐射亮度（W/(m2·sr·μm)和大气于热红外波段透过率，三者可在NASA 官 网（https://atmcorr.gsfc.nasa.gov/)查询具体数值 ；ε表示地表比辐射率 ；K1=774.9（W/(m2·sr·μm)；K2=1321.1K。

1.3.3 Getis-Ord 分析 热点分析可直观反映出城市区域在某一数值上的空间聚集特征，统计结果表示为Getis-ord 指数。正值为热点，其值越大则高数值点聚集越紧密；负值为冷点，其值越低则低数值点聚集程度越高，公式（Tran et al.,2017）为：

式中：为Getis-ord 指数；Xj是空间单元j的属性值；为属性值均值；Wi,j是空间单元i 和j 之间的空间权重；t是空间单元总数。

1.3.4 核密度分析 核密度分析能够对空间中的点、线要素的密度分布进行连续化模拟，既而反映事件点与其周围邻域的聚集态势和分布特征。核密度值越高，则研究对象相应数值的聚集程度越高。本次研究中将对苏州市全部鸟类386 个有效且不重复点位和14 种水鸟279 个有效且不重复点位分别进行核密度分析。核密度公式（Shi, 2010）为：

式中：f(t)为事件的核密度值；n为样本数量；h为测算带宽(m)；dix为事件i至x的距离（m）；k为核函数。

2 结果与分析

2.1 城市热岛效应分析与评价

苏州市2020 年平均气温介于8.8 ～48.8℃（图1），建筑用地、水体、耕地、草地以及林地的平均温度分别为26.8℃、19.9℃、24.1℃、25.2℃和24.3℃。通过构建1 000 m×1 000 m 的网格提取地表温度并进行热点分析后发现，城市热点与冷点区域均呈现多核心集聚特点（图2）。相应的温度高值区（热点区域）面积占总面积的20.6%，主要集中在苏州建筑用地的密集分布区域 ；温度低值区（冷点区域）面积占总面积的22.8%，主要在太湖和长江流域呈现一定程度的聚集态势。

图1 苏州年平均气温Fig.1 Annual mean temperature in Suzhou

图2 温度热点分析Fig.2 Hotspot analysis of surface temperature

为进一步量化反映研究区域热岛效应水平，采用均值标准差法界定城市热岛等级（赵禾苗等,2021），将研究区地表温度划分为冷岛、弱冷岛、常温、弱热岛、热岛5 个类别（图3）。其中，热岛与弱热岛的面积占城市总面积的31.8%，冷岛与弱冷岛的面积占比达34.9%。而主城区中的吴中区、虎丘区、相城区、工业园区、姑苏区的热岛与弱热岛地区的面积分别占其相应行政区域面积的15.8%、39.7%、48.5%、59.5%和86.4%，表明相城区、工业园区和姑苏区3 个区域的高温现象较为凸显，需要采取一系列自然与人工措施来减缓其热岛效应。

图3 城市热岛等级划分Fig.3 Classification of urban heat island

2.2 鸟类多样性空间分布评价

苏州市所有鸟类记录点位在经过核密度分析后表现为多核心的梯度分布特征，并且鸟类空间聚集效应在全局水平上凸显为由城市中部区域向四周环状递减态势（图4）。而14 种水鸟的观测点位在市域空间中也体现出一定程度的空间集聚现象（图5），其中，水鸟聚集高值区域主要分布在独墅湖、阳澄湖、金鸡湖等大面积水域和城区内部河道附近，表明湿地对于水鸟的空间布局特征具有深远影响。

图4 苏州市全部鸟类潜在分布热点空间特征(用核密度值表示)Fig.4 Potential distribution hotspots of all birds in Suzhou(characterized by kernel density values)

图5 苏州市水鸟潜在分布热点空间特征(用核密度值表示)Fig.5 Potential distribution hotspots of waterbirds in Suzhou(characterized by kernel density values)

MaxEnt 模型的预测结果显示，AUC 平均值为0.9，且14 种水鸟模型的AUC 值均高于0.8（表3），说明整体水鸟的空间分布预测结果具有较高可信度。根据影响14 种水鸟预测模型的环境变量的对比分析结果，发现对模型贡献度较高的环境因子主要包括距离水体距离、归一化植被指数（NDVI）、等温性（Bio 3)和年降水量（Bio 12），其相应的平均贡献度分别为15.0%、16.8%、12.3%和16.0%。通过采取自然间断点分级法，将苏州市14 种水鸟模型叠加分析后的预测结果划分为5 个等级（图6），即水鸟多样性分布的低潜力区、较低潜力区、中潜力区、较高潜力区和高潜力区5 种类型。水鸟多样性高潜力区和较高潜力区的面积合计占区域总面积的17.8%，主要分布在苏州中部区域，并沿着城市水网向外延伸。水鸟多样性低潜力区的面积最大，占研究区总面积的39.5%。

图6 水鸟多样性潜力等级划分Fig.6 Classification of waterbird diversity potential

表3 14 种水鸟模型模拟结果Table 3 Simulation results of 14 waterbird models

2.3 湿地修复优先区识别

为缓解城市热环境和保护城市鸟类多样性，在城市生态修复规划中的优先性比例可以通过对相应图层赋予不同权重进行设定。在GIS 中将城市热岛效应等级和水鸟多样性潜力等级分别按70%和30%、30%和70%、50%和50%的权重加权叠加，可以获得不同的湿地修复关键区域分布结果（图7）。当将缓解城市热环境作为生态修复优先目标时，5 级适宜修复区域的面积为105.2 km2，需要改造与提升的蓝绿空间以大面积片状形式集中分布在沧浪街道、双塔街道等老城区区域；当城市将保护生物多样性作为规划与建设重点时，5 级适宜修复区域的面积为74.5 km2，以带状形式分布在城区主要河道、湖泊的邻近区域；而当城市采取提升人居环境体验和保护生物多样性并重的发展方针时，核心修复区域（5 级）的面积为30.9 km2，并以点状形式离散分布于中心城区以及部分现有湿地公园与风景区的重点保育区域。

图7 湿地修复区域等级划分Fig.7 Classification of wetland restoration regions

3 讨论

苏州城市热岛高值区域集中在姑苏、相城等主城区，由于商业、居住用地中灰色基础设施的高密度结构与布局阻碍城市通风廊道的形成，快速城市化所引起的人口集聚效应增加城市能源消耗强度与用地强度，既而在一定程度上促使人口密度与地表温度间存在显著的正相关关系（王刚等, 2019）。苏州市主城区也同时是潜在的湿地鸟类分布热点，反映了苏州市在澳大利亚—东北亚鸟类迁徙廊道中的“生态垫脚石”作用（Saura et al., 2014），也同时体现出苏州市主城区水系交织密布，绿化率高等因素的特点，使得城市得以为鸟类提供相对适宜的潜在栖息地。苏州市城市热岛高值区与水鸟多样性高潜力区存在着较高程度的空间重叠，通过城市湿地的生态修复，如提高重叠区内蓝绿空间的连通性等，不仅可维持城市鸟类生物多样性（Huang et al., 2015），也可同时起到减缓城市热岛效益的作用（姜允芳等, 2022）。在城市规划中纳入空间协同性的考量，有助于最大化城市生态系统服务，贡献于城市可持续发展中与气候变化适应、生物多样性维持、居民健康提升等有关的多重目标。

在城市生物多样性数据相对缺乏的情况下，本文使用了全球最大的公民科学数据库eBird（Callaghan et al., 2020），观鸟志愿者记录的鸟类分布点位被用于模拟水鸟潜在空间分布特征。我们的研究示范了如何通过现有的公开数据为可持续城市规划提供较为可靠的生物多样性分布信息。相比于系统收集物种数据、利用专家打分法筛选鸟种偏好生境、采用层次分析法定量评价鸟类栖息地质量等方式，本方法能够降低数据获取的难度，所得出的结果也更具有应用性和客观性。

公民科学数据仍存在一定的抽样局限性（Kosmala et al., 2016）。本文中鸟类观测的坐标点位基本集中在城市公园或绿地，而对于太湖和长江等大面积水域缺乏相应的观测信息。这一抽样偏差可能导致上述区域多被划分为水鸟多样性低潜力地区，影响了城市湿地修复优先区识别的准确度。此外，在MaxEnt 模型的环境变量选取上，也缺乏城市环境压力指标的相关变量。今后的研究中可以结合实地条件增加人口密度、道路干扰程度等进一步提升测算结果的精确性。湿地修复等级评定可考虑将城市湿地的可达性、游人休憩体验、湿地的景观连通程度等社会、生态因素纳入考量，以更好地体现城市湿地的多重效益，这有助于决策者根据城市建设现状和发展目标及时调整发展策略，划分湿地核心保育地区以保障区域整体生态系统的稳定性。

4 结论

本研究综合运用多种空间分析方法对苏州的热岛效应和鸟类空间布局特点进行研究，得出以下结论：1）城市热岛与冷岛效应均较为显著，高温地区主要存在于主城区的建筑用地。2）水鸟在城区范围内表现出明显的空间集聚现象，并且其分布主要受到NDVI、水源和区域降水量等环境因子的影响。3）苏州城市热岛与水鸟分布潜在热点地区存在显著的空间重叠，可以作为生态修复优先区域的选址依据。4）湿地修复与提升的关键区域随着城市发展趋势与策略的转变呈现不同的空间布局形式。本研究所示范的空间分析方法为我国城市可持续规划与发展提供了一定的参考。