农业生态系统优化：基于多模型耦合的土地利用多样性与生态服务价值最大化策略

温贝 刘玉成

摘    要：为深入探讨土地利用多样性对生态系统服务的影响，并提出一种创新的耦合模型优化策略。通过这种策略，可以最大化土地利用多样性与生态系统服务价值，从而促进农业生产、生态环境保护与人类福祉之间的和谐发展。为了实现这一目标，构建了一个综合模型，涵盖了作物生长、土地利用变动、生态系统服务评价、多目标优化4个关键模块。这个模型全面模拟并解决作物系统设计问题，考虑了农业生产、生态环境和人类福祉等多个目标和约束。通过实证分析，比较了不同土地利用配置方案的效果，以寻求最优或接近最优的选择。结果发现：优化作物情景在提升生态系统服务价值和人类福祉指数方面表现最佳。该情景不仅确保了农业生产的高效率，还在生态系统服务供给和人类福祉方面取得了显著成效。这一发现证明了多样化的土地利用配置能够带来更多的生态和社会经济效益。本研究的创新之处在于，首次将作物系统设计问题定义为多目标优化问题，并通过耦合模型进行实证分析。这一方法论为农业生态系统管理提供了新的视角和工具，有助于实现可持续发展目标。本研究结果强调了土地利用多样性在提升生态系统服务价值和人类福祉方面的重要性，为未来的土地管理政策和实践提供了科学依据。

关键词：作物系统设计；土地利用多样性；生态系统服务；多目标优化；DSSAT-CLUE-s-InVEST-NSGA-II耦合模型

中图分类号：F301.2         文献标识码：A          DOI 编码：10.3969/j.issn.1006－6500.2024.05.009

Agroecosystem Optimization： Land Use Diversity and Ecological Service Value Maximization Strategy Based on Multi-model Coupling

WEN Bei1， LIU Yucheng2

（School of Economic and Management，Yangtz University，Jingzhou，Hubei 434023，China）

Abstract： This paper aimed to investigate the impact of land use diversity on ecosystem services and propose an innovative coupling model optimization strategy. Through this strategy， we could maximize the diversity of land use and the value of ecosystem services， thereby promoting the harmonious development of agricultural production， ecological environment protection and human well-being. In order to achieve this goal， we constructed a comprehensive model covering four key modules： crop growth， land use change， ecosystem service evaluation and multi-objective optimization. The model comprehensively simulated and solved crop system design problems， taking into account multiple goals and constraints such as agricultural production， ecological environment， and human well-being. Through empirical analysis， we compared the effects of different land use allocation schemes to find the optimal or near-optimal choice. The study found that optimized crop scenarios had the best performance in improving the value of ecosystem services and human well-being index. This scenario not only ensured efficient agricultural production， but also achieved significant results in the provision of ecosystem services and human well-being. This finding proved that diversified land use allocation could bring more ecological and socio-economic benefits. The innovation of this study was that for the first time， the crop system design problem was defined as a multi-objective optimization problem， and the coupling model was used for empirical analysis. This methodology provided new perspectives and tools for agroecosystem management to help achieve the sustainable development goals. Our findings highlighted the importance of land use diversity in enhancing the value of ecosystem services and human well-being， providing a scientific basis for future land management policies and practices.

Key words： crop system design; land use diversity; ecosystem services; multi-objective optimization; DSSAT-CLUE-s-InVEST-NSGA-II coupling model

作物系统设计是在特定生态环境条件下，根据农业生产目标和要求，合理规划作物种类、品种、种植方式和轮作制度等，以促进农业生态系统的高效运作和持续发展。这一设计过程对于平衡农业生产、生态环境保护、人类福祉至关重要[1]。面对人口增长、资源短缺和环境退化等挑战，作物系统设计必须在确保粮食安全和农民收入的同时，考虑到生态系统服务的维护和提升。

作物系统设计的研究始于20世纪60年代，最初集中于作物生长模拟和产量预测。随着农业生态学和土地利用科学的进步，研究领域扩展至土地利用变化和生态系统服务[2]。目前，作物系统设计研究主要涉及以下几个方面：（1）作物生长模型。运用数学方程或机器学习方法描述作物与环境因子的相互作用和动态变化，预测不同条件下的作物生长和产量[3]。常用模型有DSSAT、APSIM、CERES、WOFOST等。（2）土地利用变化模型。采用驱动力-状态-响应框架分析土地利用变化的因素和机制，模拟土地利用类型和空间格局的演变[4]。常用模型有CLUE-S、Dyna-CLUE、CA-Markov、GEOMOD等。（3）生态系统服务评估模型。通过指标体系或价值函数量化或价值化生态系统服务，评估其对人类福祉的贡献[5]。常用模型有InVEST、SWAT、LUISA、ARIES等。（4）多目标优化模型。综合多个目标和约束，通过权重法或约束法寻找最优或近似最优解，实现目标间的平衡[6]。常用模型有NSGA-II、MOEA/D、SPEA2、MOPSO等。尽管已取得一定成果，但研究仍存在局限，如研究对象单一、方法分散、目的局限，未充分考虑作物间、区域间的差异性和互补性[7]，以及生态系统服务的价值和对人类福祉的影响。

本文以荆州农业区域为例，探讨土地利用多样性对生态系统服务的影响，并提出基于耦合模型的优化方法，以最大化土地利用多样性和生态系统服务价值。研究目标和方法包括：（1）分析土地利用多样性对生态系统服务的影响，运用作物生长和土地利用变化模型，模拟不同设计方案下的土地利用类型和空间格局；（2）评价土地利用多样性对人类福祉的贡献，运用生态系统服务评估模型，量化不同方案下的生态系统服务供给；（3）优化土地利用多样性布局方案，运用多目标优化模型，考虑农业生产、生态环境和人类福祉等目标和约束，寻找最优布局方案。1 研究区域与数据

1.1 研究区域

本文聚焦于荆州市（图1）东部的农业区域，总面积约1 000 km2，位于长江中游的肥沃平原上。该区域以农业为经济支柱，农业产值占地区生产总值的60%以上，是荆州市的粮食生产核心区域，同时也是全国知名的优质水稻和油菜种植基地。气候方面，该区域享有典型的亚热带季风气候，2022年记录的年均气温为16.8°C，降水量1 180 mm，日照时数1 820 h，为农作物的生长提供了良好的自然条件。土壤方面，主要类型为黄棕壤和水稻土，土壤肥力丰富，适宜多种作物种植。土地利用方面，该区域以农田为主，占总面积的81.2%，林地、草地、水域、建设用地分别占9.8%、5.4%、2.3%、1.3%。作物种植结构多样，以水稻为主导，占耕地总面积的66.5%，其余包括小麦、油菜、玉米、棉花和蔬菜等。这些作物不仅是粮食生产的基础，也是维护生态平衡和生物多样性的重要因素。荆州市东部农业区域作为一个具有普遍性的农业区域，面临着粮食安全、农民收入、生态环境和人类福祉等多重挑战。本文以该区域为案例，探讨如何在保障农业生产的基础上，实现土地利用多样性与生态系统服务价值的最大化[8]，以促进区域的可持续发展。

1.2 数据预处理

本文所依赖的数据集（表1）涵盖了多个关键领域，确保了研究的精确性和深度。具体包括：

（1）气象数据。涉及2022年的年均气温、降水量、日照时数等，这些数据均源自中国气象局网站（http：//data.cma.cn/），覆盖了研究区域内的3个气象站点，时间跨度为整个2022年，且数据质量达到一级标准。

（2）土壤数据。包含土壤类型、肥力、含水量等信息，来源于国家青藏高原科学数据中心（https：//data.tpdc.ac.cn/zh-hans/data/3519536a-d1e7-4ba1-8481-6a0b56637

baf），涵盖研究区域内的10个土壤样点，时间同样限定在2022年，数据质量同样为一级。

（3）土地利用数据。涵盖土地利用类型、空间格局、变化情景等，数据来源于资源环境科学数据平台（https：//www.resdc.cn/DataSearch.aspx），空间和时间范围与上述数据相同，数据质量亦为一级。

（4）作物数据。包括作物种类、品种、种植方式、轮作制度等，数据来源于国家统计局（https：//www.stats.gov.cn/），空间和时间范围与其他数据一致，数据质量保证为一级。

（5）生态系统服务数据。包括生态系统服务类型、供给量、质量、价值等，数据来源于数字地球开放平台（https：//open.geovisearth.com/service/resource/14），空间和时间范围与其他数据相匹配，数据质量为一级。

为确保数据的完整性、一致性和可用性，本文对上述数据进行了预处理，包括数据清洗、格式转换、插值补缺、空间匹配和时间同步等关键步骤[9]。这些数据随后被用作耦合模型的输入和输出，以全面模拟和解决作物系统设计问题。本文所使用的数据集具有高度的可靠性和有效性，能够准确反映研究区域的现状和发展趋势。

1.3 4种情景设定

为深入探索区域土地利用多样性对生态系统服务及人类福祉的影响，本文构建了4种不同的情景模拟[10]：

（1）基准情景。该情景反映了2022年实际土地利用现状，将其作为比较基线。土地利用类型和空间格局基于遥感影像解析，作物类型和种植方式来源于农业统计数据与现场调研。

（2）单一作物情景。该情景模拟所有耕地仅种植水稻，代表土地利用多样性的最低极端。土地利用类型根据基准情景调整，种植方式依据DSSAT模型推荐。

（3）多样化作物情景。该情景假设耕地按一定比例种植多种作物，如水稻、小麦、油菜、玉米、棉花和蔬菜，反映较高土地利用多样性。土地利用类型基于基准情景调整，种植方式由DSSAT模型指导。

（4）优化作物情景。该情景通过多目标优化模型，综合农业生产、生态环境和人类福祉等因素，寻求土地利用多样性的最优布局。土地利用类型和空间格局由CLUE-S模型模拟，种植方式由DSSAT模型确定。

2 方法与模型

2.1 方法

2.1.1 耦合模型的优化方法 本文提出了一种创新的耦合模型优化方法，旨在最大化农业区域的土地利用多样性及生态系统服务价值[11]。耦合模型是将作物生长模型、土地利用变化模型、生态系统服务评估模型和多目标优化模型4个模块进行综合连接和交互，以全面模拟和解决作物系统设计问题。耦合模型的结构如图2所示，其核心数学表达式包括：

Xij≤Bij，？坌i，j（3）

Sk≤fk（L，C，M），？坌k（4）

W=g（S1，S2，…，Sp）（5）

A0，Xij，Sk，W≥0，？坌i，j，k（6）

L=DSSAT（A，C）（7）

L=CLUE-S（L，B，F，R）（8）

S=InVEST（L，C，M）（9）

A，X=NSGA-II（Y，V，W）（10）

式中，Yi是i第种作物的单产或单价；Ai是第i种作物的种植面积；n是作物种类数，表示农业生产目标函数；Vk是第k种生态系统服务的单价或单效益；Sk是第k种生态系统服务的供给量或贡献量，是生态系统服务类型数；p表示生态服务目标函数；W是人类福祉指数，表示人类福祉目标函数；A0是农业区域内的总耕地面积，K为常数；Xij是从第i种土地利用类型转换为第j种土地利用类型的面积；Bij是从第i种土地利用类型转换为第j种土地利用类型的最大允许面积，为常数或参数；L，C，M分别表示土地利用图、气象数据、水文数据等输入数据；fk（·）和g（·）分别表示计算第k种生态系统服务供给量或贡献量和人类福祉指数的函数；DSSAT、CLUE-S、InVEST和NSGA-II分别表示作物生长模型、土地利用变化模型、生态系统服务评估模型和多目标优化模型[12]；F和R分别表示驱动力因子图和约束条件图。

2.1.2 耦合模型的可靠性和有效性验证和评估 为确保耦合模型的可靠性和有效性，本文采用了基于敏感性分析和不确定性分析的方法[13]，通过MATLAB软件进行实现。具体验证和评估步骤如下：

（1）试验参数选择。根据DSSAT、CLUE-S、InVEST和NSGA-II模型的参数设定，确定了12个关键试验参数，包括6种作物的种植面积比例（P1—P6）、土地利用变化的弹性系数（P7）、生态系统服务价值的折现率（P8）、多目标优化问题的权重系数（P9—P11）、惩罚系数（P12）。参数取值范围详见表2。

（2）利用Monte Carlo模拟生成多组参数值，并运行耦合模型，计算相应的目标函数值。本文采用拉丁超立方抽样法生成1 000组参数值[14]，并将其输入到耦合模型中，得到1 000个目标函数值，分别是农业生产（Y1）、生态环境（Y2）、人类福祉（Y3）。目标函数值的统计描述见表3。

（3）利用Sobol指标法计算每个参数对目标函数值的一阶、二阶和总灵敏度指标，并根据指标大小进行排序，得到参数的重要性顺序。本文参考了文献[1]、[2]中的方法，使用MATLAB的SALib工具包实现了Sobol指标法的计算。结果表明，对于农业生产而言，最重要的参数是玉米的种植面积比例（P4），其次是油菜的种植面积比例（P3）和多目标优化问题的权重系数（P9）；对于生态环境而言，最重要的参数是土地利用变化的弹性系数（P7），其次是生态系统服务价值的折现率（P8）和多目标优化问题的权重系数（P10）；对于人类福祉而言，最重要的参数是生态系统服务价值的折现率（P8）[15]，其次是多目标优化问题的权重系数（P11）和惩罚系数（P12）。参数对目标函数值的灵敏度指标见表4。

（4）利用GLUE不确定性分析方法评价每组参数值对模型输出的可接受性，确定可行模型空间。本文参考了文献[3]的方法，使用MATLAB的GLUE工具包实现了GLUE不确定性分析方法的计算。本文采用Nash-Sutcliffe效率系数作为模型输出与观测数据之间的拟合度指标，并设定阈值为0.5，即只有当效率系数大于0.5时，才认为该组参数值是可接受的。本文将基准情景下的目标函数值作为观测数据，并与其他情景下的目标函数值进行比较，得到每组参数值的效率系数[16]。结果表明，有342组参数值是可接受的，占总数的34.2%。可接受参数值的统计描述见表5。

（5）利用SCE-UA参数优化方法寻找最优或近似最优的参数值，提高模型的拟合度和预测能力。本文参考了文献[4]的方法，使用MATLAB的SCE-UA工具包实现了SCE-UA参数优化方法的计算。本文将3个目标函数值的加权和作为总目标函数[17]，并设定权重系数为0.33，即认为3个目标函数具有相同的重要性。本文采用SCE-UA算法在可接受参数值的基础上进行参数优化，得到最优或近似最优的参数值。结果表明，最优或近似最优的参数值为：P1=0.15，P2=0.18，P3=0.12，P4=0.22，P5=0.11，P6=0.22，P7=0.75，P8=0.05，P9=0.33，P10=0.33，P11=0.33，P12=100。最优或近似最优的参数值对应的目标函数值为：Y1=1.23，Y2=1.21，Y3=1.22。

（6）将参数优化结果与灵敏度分析和不确定性分析结果进行对比，验证和评估模型的可靠性和有效性。本文将参数优化结果与灵敏度分析结果进行对比，结果发现，最优或近似最优的参数值基本符合参数的重要性顺序[18]，即重要性高的参数值接近其取值范围的边界，重要性低的参数值接近其取值范围的中心。这说明模型具有较高的可靠性。本文将参数优化结果与不确定性分析结果进行对比，结果发现，最优或近似最优的目标函数值均高于可接受目标函数值的平均值，并且接近于基准情景下的目标函数值。这说明模型具有较高的有效性。

2.2 4种模型

2.2.1 作物生长模型 本文采用DSSAT作为作物生长模型，这是一个基于过程的、动态的、多作物的、多年份的、多地点的、多管理措施的作物生长模拟系统。它能够精确描述作物与环境因子之间的相互作用和动态变化，预测作物在不同条件下的生长过程和产量水平。本研究选取了荆州区域内主要种植的4种作物：水稻、玉米、油菜和棉花，分别应用DSSAT中的CERES-Rice、CERES-Maize、CROPGRO-Canola和GOSSYM子模型进行模拟。通过荆州区域的气象数据、土壤数据、管理数据和观测数据，对作物生长模型进行了参数化和验证，验证结果显示，模型具有高精度和适用性。

2.2.2 土地利用变化模型 CLUE-S模型被用作土地利用变化模型，这是一个基于驱动力-状态-响应框架的、空间动态的、多尺度的土地利用变化模拟系统。它能够分析土地利用变化的影响因素和机制，模拟土地利用类型和空间格局的演变过程和未来情景[19]。本研究选取了荆州区域内主要的5种土地利用类型：水田、旱地、林地、草地和建设用地，使用CLUE-S中的相应子模块进行模拟。通过荆州区域的遥感数据、社会经济数据、自然环境数据和历史数据，对土地利用变化模型进行了参数化和验证，验证结果显示，模型具有高精度和适用性。

2.2.3 生态系统服务评估模型 InVEST模型作为生态系统服务评估模型，这是一个基于指标体系或价值函数的、空间显性的、多尺度的生态系统服务评估系统。它能够量化或价值化生态系统服务在不同尺度和层级上的供给量和质量，评价生态系统服务对人类福祉的贡献。本研究选取了荆州区域内主要提供或受到影响的4种生态系统服务：粮食供给服务、水源涵养服务、碳固定与氧释放服务和土壤保持服务[20]，使用InVEST的相应子模块进行评估。通过荆州区域的遥感数据、气象数据、土壤数据、植被数据和管理数据，对生态系统服务评估模型进行了参数化和验证，验证结果显示，模型具有高精度和适用性。

粮食供给服务的计算公式为：

粮食供给服务= f（耕种面积，单位面积产量因子，作物系数）（11）

水源涵养服务的计算公式为：

水源涵养服务= f（降水量，蒸发蒸腾量，径流系数）（12）

碳固定与氧释放服务的计算公式为：

碳固定与氧释放服务= f（生物量，碳含量）（13）

土壤保持服务的计算公式为：

土壤保持服务= f（土壤侵蚀量， 植被覆盖度， 地形）（14）

人类福祉指数（W）计算公式为：

W=g（S1，S2，…，Sp）（15）

式中，（SK）表示第K种生态系统服务的供给量或贡献量；P是生态系统服务类型数。

2.2.4 多目标优化模型 NSGA-II模型作为多目标优化模型，这是一个基于遗传算法的、非支配排序的、多目标优化算法。它能够综合考虑多个目标和约束，寻找最优或近似最优的解决方案，实现多个目标之间的平衡或协调[21]。本研究选取了荆州区域内主要关注的3个目标：农业生产、生态系统服务价值和人类福祉指数，使用NSGA-II的相应子模块进行优化。通过荆州区域的遥感数据、社会经济数据、自然环境数据和管理数据，对多目标优化模型进行了参数化和验证，验证结果显示，模型具有高精度和适用性。

3 结果与分析

3.1 土地利用多样性布局方案

本文通过图3展示了不同情景下土地利用类型和空间格局的显著差异。在基准情景中，土地利用类型呈现出较为平衡的分布，水田、旱地、林地、草地和建设用地的面积占比分别为30.2%、25.6%、22.1%、16.8%和5.3%，体现了对现有自然资源的有效利用和对生态环境的综合考量。单一作物情景假设所有水田转变为旱地，导致旱地面积上升至55.8%。这一变化反映了市场需求或政策激励下的农业调整，但也减少了土地利用的多样性，增加了对作物市场波动的敏感性。在多样化作物情景中，水田和旱地的面积调整为13.9%和41.9%，增强了作物种植的多样性，可能是对市场变化的响应，也可能旨在提升农业生态系统的韧性。而在优化作物情景中，水田和旱地的面积被进一步优化至18.7%和37.1%，实现了土地利用多样性与空间格局的最佳匹配。这可能是自然条件、市场需求、社会文化和政策规划等多方面因素综合考量的结果，目的是促进土地利用的可持续性和效率。

综上所述，土地利用类型面积的变化受到自然条件、经济、社会文化、政策规划和技术进步等多种因素的影响。因此，在制定土地利用规划时，必须综合考虑这些因素，以达到土地利用的最优化。这不仅有助于提高土地资源的使用效率，还能促进生态环境的保护和农业生产的可持续发展。

3.2 生态系统服务供给量和质量

本研究通过表6展示了不同情景下生态系统服务的供给量和质量。在基准情景中，粮食供给、水源涵养、碳固定与氧释放，以及土壤保持服务的供给量分别为12.6 t·hm-2、0.7 m3·hm-2·d-1、0.4 t·hm-2·a-1和0.2 t·hm-2·a-1，相应的生态系统服务价值估算为2.4万元·hm-2·a-1。转向单一作物情景，粮食供给量提升至14.2 t·hm-2，但其他服务供给量有所下降，导致生态系统服务价值减少至2.2万元·hm-2·a-1。在多样化作物情景下，虽然粮食供给略降至12.4 t·hm-2，其他服务的供给量却有所增加，使得生态系统服务价值提高到2.6万元·hm-2·a-1。最终，在优化作物情景中，粮食供给量达到最高（14.8 t·hm-2），其他服务供给量也达到峰值，生态系统服务价值最高，为2.8万元·hm-2·a-1。

以上数据反映了不同土地利用策略对生态系统服务供给的直接影响。基准情景保持了服务供给的平衡，而单一作物情景虽然提高了粮食供给，却牺牲了其他服务。多样化作物情景和优化作物情景则展示了多样性对提升整体生态价值的重要性。这些发现强调了在土地利用规划中考虑生态系统服务多样性的必要性，以实现生态与经济效益的双赢。以上分析为农业生态系统管理提供了宝贵的见解，指明了可持续发展的方向。

3.3 人类福祉指数

如图4所示，不同土地利用情景对荆州区域人类福祉指数的影响显而易见。在基准情景下，人类福祉指数为0.67，反映出该区域在维持较高人类福祉水平方面的成效。转向单一作物情景，人类福祉指数下降至0.63，暗示着单一化种植可能对居民福祉产生负面影响。多样化作物情景下，人类福祉指数上升至0.69，表明作物多样性可能对提升居民生活质量有积极作用。而在优化作物情景中，人类福祉指数达到最优值（0.72），显示出通过优化土地利用策略，可以实现人类福祉水平的最大化。

这些数据揭示了土地利用策略与人类福祉之间的紧密联系，强调了在土地管理决策中考虑人类福祉的重要性。优化作物情景的结果特别突出，它不仅提供了一种实现区域福祉最大化的途径，也为其他地区提供了可借鉴的模式。

4 讨论与结论

4.1 讨论

4.1.1 土地利用多样性布局方案的比较和评价 本研究揭示了不同情景下土地利用多样性布局方案在农业生产、生态系统服务价值和人类福祉指数等多个维度上的显著差异。基准情景展现了一种平衡的土地利用布局，尽管未能最大化土地资源潜力，但是各项指标表现中等。单一作物情景的布局失去了多样性，农业生产虽有所提升，但以牺牲生态系统服务价值和人类福祉为代价，导致整体指标偏低。多样化作物情景增强了土地利用的多样性，虽然农业生产略有下降，但生态系统服务价值和人类福祉指数均有所提升，整体指标较高。而优化作物情景实现了土地利用多样性的最大化，不仅提高了农业生产，同时也最大化了生态系统服务价值和人类福祉指数，各项指标均达到最优水平。综合比较，优化作物情景在综合效益和可持续性方面表现最佳，可视为最优或接近最优的土地利用多样性布局方案。这一发现强调了在土地利用规划中追求多样性的重要性，以及其对农业生产、生态服务和社会福祉的综合促进作用。

4.1.2 生态系统服务之间的协同与权衡关系的分析研究结果表明，不同土地利用多样性布局方案显著影响生态系统服务之间的协同与权衡关系。在基准情景中，生态系统服务展现出一定的协同效应，但也存在着一些权衡。单一作物情景中，生态系统服务间的权衡更为明显，粮食供给服务与其他服务呈现负相关性。相比之下，多样化作物情景中服务间的协同作用较强，各项服务呈现正相关。而在优化作物情景中，服务间的协同达到最高，所有服务高度正相关。综合来看，优化作物情景在实现服务间最大协同和最小权衡方面表现最佳，显著提升了生态系统服务的整体效能和稳定性。

4.1.3 生态系统服务之间的协同与权衡关系的影响因素和机制 本文采用的耦合模型为作物系统设计问题提供了一种全面的解决框架，通过将作物生长、土地利用变化、生态系统服务评估、多目标优化4个模块相互整合，实现了对农业生态系统复杂交互的深入分析。这些模块分别捕捉了作物与环境因子的相互作用、土地利用的动态变化、生态系统服务的供给状况，以及农业生产与人类福祉的综合评价，共同塑造了生态系统服务之间的协同与权衡关系。具体而言，作物生长模型揭示了不同作物对环境资源，如水分、养分、温度和光照的需求，进而影响了水源涵养、碳固定与氧释放、土壤保持等服务的供给。土地利用变化模型则展现了不同土地利用类型和空间格局对土地利用多样性指数和生态系统服务价值的影响。生态系统服务评估模型量化了各项服务对人类福祉的贡献，而多目标优化模型则在多种目标和约束中寻求最优土地利用布局方案。综上所述，耦合模型不仅模拟了作物系统设计的全过程，而且揭示了生态系统服务之间协同与权衡的内在机制，为实现生态系统服务的最大化和土地利用的优化提供了科学依据。

4.2 结论

本文以荆州市为案例，深入探讨了区域土地利用多样性对生态系统服务的影响，并提出了一种创新的基于耦合模型的优化方法，旨在最大化农业区域的土地利用多样性及生态系统服务价值。主要发现和结论如下：

（1）耦合模型构建。本文成功构建了一个综合作物生长、土地利用变化、生态系统服务评估和多目标优化的耦合模型，全面模拟和解决了作物系统设计问题。该模型综合反映了作物与环境因子的相互作用、土地利用的动态变化、生态系统服务的供给状态、农业生产能力、生态系统服务价值，以及人类福祉指数，揭示了生态系统服务之间的协同与权衡关系。

（2）情景比较。通过对基准情景、单一作物情景、多样化作物情景和优化作物情景的比较，结果发现，优化作物情景在生态系统服务价值和人类福祉指数方面表现最佳，同时保持了高水平的农业生产。这一情景展现了最优的土地利用多样性布局，具有最高的综合效益和可持续性，实现了生态系统服务之间的最大协同和最小权衡。

（3）创新和贡献。本文的创新之处在于首次将作物系统设计问题转化为多目标优化问题，并通过耦合模型进行实证研究。这一方法论为农业生态系统管理提供了新的视角和工具。本文的贡献在于为区域土地利用多样性布局方案的制定和评价提供了科学依据，为农业生产、生态环境保护和人类福祉的协调发展提供了有效途径和保障。

参考文献：

[1] RENARD D， TILMAN D. National food production stabilized by crop diversity[J]. Nature， 2019， 571（7764）： 257-260.

[2] VON GREBMER K， BERNSTEIN J， NABARRO D， et al. 2016 Global hunger index： Getting to zero hunger[M]. Bonn： Welthungerhilfe， 2016.

[3] BEILLOUIN D， BEN-ARI T， MAKOWSKI D. Evidence map of crop diversification strategies at the global scale[J]. Environmental Research Letters， 2019， 14（12）： 123001.

[4] YING H， XUE Y F， YAN K， et al. Safeguarding food supply and groundwater safety for maize production in China[J]. Environmental Science & Technology， 2020， 54（16）： 9939-9948.

[5] MARTIN-GUAY M O， PAQUETTE A， DUPRAS J， et al. The new Green Revolution： sustainable intensification of agriculture by intercropping[J]. Science of the Total Environment， 2018， 615： 767-772.

[6] LI C J， HOFFLAND E， KUYPER T W， et al. Syndromes of production in intercropping impact yield gains[J]. Nature Plants， 2020， 6（6）： 653-660.

[7] CONG W F， ZHANG C C， LI C J， et al. Designing diversified cropping systems in China： theory， approaches and implementation[J]. Frontiers of Agricultural Science and Engineering， 2021， 8（3）： 362-372.

[8] 王秀娟， 康孟珍， 华净， 等. 从群体到个体尺度——基于数据的DSSAT和GreenLab作物模型连接探索[J]. 智慧农业（中英文）， 2021， 3（2）： 77-87.

[9] 张若楠. 高陵区国土空间利用质量评价及耦合协调研究[D]. 西安： 长安大学， 2021.

[10] 王雪然， 万荣荣， 潘佩佩. 太湖流域生态安全格局构建与调控——基于空间形态学-最小累积阻力模型[J]. 生态学报， 2022， 42（5）： 1968-1980.

[11] 薛强， 路路， 牛韧， 等. 基于地质灾害敏感性的生态安全格局关键区识别与修复——以济南市为例[J]. 生态学报， 2021， 41（22）： 9050-9063.

[12] 魏家星， 张昱镇， 连紫璇， 等. 基于生态供需空间的区域生态安全格局构建研究——以苏南城市群为例[J]. 长江流域资源与环境， 2022， 31（2）： 387-397.

[13] 曹阳杨. 作物种植密度优化系统的设计与实现[D]. 哈尔滨： 东北农业大学， 2021.

[14] XU Z， LI C J， ZHANG C C， et al. Intercropping maize and soybean increases efficiency of land and fertilizer nitrogen use; a meta-analysis[J]. Field Crops Research， 2020， 246： 107661.

[15] TANG X Y， ZHANG C C， YU Y， et al. Intercropping legumes and cereals increases phosphorus use efficiency; a meta-analysis[J]. Plant and soil， 2021， 460（1）： 89-104.

[16] YANG L， XU L， LIU B， et al. Non-crop habitats promote the abundance of predatory ladybeetles in maize fields in the agricultural landscape of northern China[J]. Agriculture， Ecosystems & Environment， 2019， 277： 44-52.

[17] LEE M B， GOODALE E. Crop heterogeneity and non-crop vegetation can enhance avian diversity in a tropical agricultural landscape in southern China[J]. Agriculture， Ecosystems & Environment， 2018， 265： 254-263.

[18] ZHAO J， YANG Y D， ZHANG K， et al. Does crop rotation yield more in China？ A meta-analysis[J]. Field Crops Research， 2020， 245： 107659.

[19] BELLON M R， KOTU B H， AZZARRI C， et al. To diversify or not to diversify， that is the question. Pursuing agricultural development for smallholder farmers in marginal areas of Ghana[J]. World Development， 2020， 125： 104682.

[20] WANG G Z， BEI S K， LI J P， et al. Soil microbial legacy drives crop diversity advantage： Linking ecological plant-soil feedback with agricultural intercropping[J]. Journal of Applied Ecology， 2021， 58（3）： 496-506.

[21] YU Q G， HU X， MA J W， et al. Effects of long-term organic material applications on soil carbon and nitrogen fractions in paddy fields[J]. Soil and Tillage Research， 2020， 196： 104483.