粤东快速城市化区域生态系统服务时空动态与生态分区调控策略

本综述系统评估了快速城市化区域生态系统服务（ES）的时空演变，采用InVEST模型量化碳储存（CS）、生境质量（HQ）、土壤保持（SR）和水保留（WR）等关键指标，结合多尺度地理加权回归（MGWR）解析自然与社会经济驱动因子的空间异质性，并通过自组织映射-模糊C均值（SOM-FCM）聚类实现生态分区，为高城镇化地区生态适应性管理提供可推广框架。

　　

1 引言

生态系统服务（ES）指生态系统通过其结构与过程持续为人类社会提供的产品与效益，包括食物供给、水资源调控、气候调节及文化价值等。快速经济增长与城镇化显著改变土地利用格局，影响生态系统结构与功能，土地资源过度开发与生境破碎化导致生态系统服务能力下降，加剧生态脆弱性。人类活动与气候变化的复合效应给生态系统带来更复杂的不确定性与风险。如何以ES为基础进行生态分区并实施分区管理策略，已成为可持续发展研究的关键议题。

ES评估的复杂性及驱动机制的多样性促使研究从单变量分析转向综合多因子、多尺度的空间方法，发展出多种量化模型与技术工具。其中InVEST模型因评估精度高、适用性广而备受关注，该模块化工具擅长多尺度与多情景分析，广泛应用于区域生态评估、城市生态系统管理及土地利用规划。同时，社会经济快速发展深刻改变生态系统结构与功能，驱动机制研究从线性视角转向空间视角以捕捉ES的时空异质性。早期线性方法强调自然因子的主导作用，如降水驱动干旱区ES关系，森林与耕地扩张对净初级生产力及土壤保持产生正向影响，但线性方法难以捕捉驱动因子的异质性。后续研究采用空间分析方法，揭示社会经济因子影响力增强及其区域分异。多尺度地理加权回归（MGWR）模型进一步证实地形与城镇化驱动的ES关系空间异质性。总体而言，自然因子持续影响ES动态，而人为因子在不同区域与尺度上呈现差异影响，为生态管理与空间规划提供关键科学见解。

快速城镇化区域ES的显著时空异质性凸显分区管理策略的必要性。虽然自然驱动因子（降水格局、植被动态与地形）持续塑造ES格局，但其影响在城镇背景下日益被社会经济力量掩盖。人口扩张、土地利用集约化与城市蔓延已成为主导且空间可变因子，引入复杂交互作用，挑战传统生态规划框架。

ES因社会生态因子长期分异与形成，导致功能性与供给能力的空间异质性格局。这种分异源于自然因子与人类活动的相互作用，驱动不同区域的独特生态特征。因此，生态分区已成为识别与管理ES供需动态及空间分布的关键空间规划工具。从技术角度，生态分区本质涉及空间单元聚类，是地理分区的重要途径。最简单的方法包括K均值聚类，通过最小化簇内方差划分功能区。更先进技术如自组织映射与模糊C均值（SOM-FCM）利用神经网络算法捕捉ES束内的非线性关系，如杭州供需格局划分所示。此外，自然断点法（Jenks）因其高聚合低多样性常用于优化分区结果，而四象限模型通过二维供需分类阐明空间异质性。基于回归的方法（如通过生态供需比与土地利用比例关系定义分区阈值）也较为常见。生态分区不仅促进生态保护与修复，还为达成供需平衡与可持续空间治理提供基础。技术上，分区方法正从基础聚类向融合多尺度多维数据的复杂框架演进，为精细化生态管理提供有力支持。

尽管生态分区已被广泛研究，但整合ES与其时空异质性仍存在关键空白。多数现有研究基于单时间点或静态快照进行分区，忽视生态过程演变及其与多样环境条件的交互作用，限制诊断动态区域生态问题的能力。此外，传统分区方法常依赖线性模型，难以捕捉异质自然与社会经济驱动因子的复杂非平稳效应。针对这些局限，本研究引入结合多尺度MGWR与SOM-FCM的框架，分析ES时空非平稳性，并基于时空动态与空间分异识别生态分区。该途径不仅提升生态分区的科学性，还为快速城镇化区域（如粤东）适应性生态管理提供坚实决策支持基础。

2 材料与方法

2.1 研究区概况

粤东（22°30′N–25°05′N, 114°50′E?117°20′E）位于广东省东部，涵盖潮州、汕头、揭阳与梅州四个地级市。该区域因山地地形、高森林覆盖率与多样生态功能成为全省关键生态屏障。区域属亚热带季风气候，年降水1500–2000毫米，高程从沿海平原向内陆山地升高（达1500米）。生态意义显著，拥有广阔森林覆盖、丰富生物多样性及关键ES。本研究聚焦CS、HQ、SR与WR四项关键ES，因其代表区域最生态敏感且政策相关的功能，直接受土地利用变化影响，是区域保护与补偿策略核心。过去二十年快速城镇化改变土地利用格局，导致建成区扩张、森林退化与生物多样性丧失。粤东社会经济发展空间对比强烈，汕头与揭阳经历快速工业化与城市扩张，梅州相对欠发达并以农业经济为主。人口密度与人均GDP区域差异显著，导致生态压力与土地利用需求不均。系统评估ES及其驱动因子对管理生态风险、指导补偿机制与支持可持续规划至关重要。

2.2 数据来源

本研究集成多源数据集支持2000–2020年粤东ES时空建模。土地利用/覆被（LUCC）图源自Landsat影像并以1公里栅格文件提供。DEM数据来自NASA SRTM，通过地形分析工具衍生坡度与汇流累积量等地形属性。气候变量（降水PRE、温度TEMP与潜在蒸散发PET）插值至1公里分辨率。土壤质地与有机质含量提取自国家土壤数据库并处理为连续栅格表面。MODIS NDVI数据经平滑校正以捕捉植被动态。社会经济变量（人口POP与GDP）以1公里分辨率网格数据提供，由RESDC-CAS基于统计记录预处理。所有数据集投影至WGS84并使用ArcGIS Pro重采样至一致空间分辨率以实现空间对齐。

2.3 研究方法

2.3.1 研究设计

本研究调查2000–2020年粤东ES时空动态及其影响因子，旨在指导生态分区与空间管理。研究框架包含三个连续阶段：首先使用InVEST与RUSLE模型量化CS、HQ、SR与WR四项关键ES，归一化并整合构建综合ES指数；其次采用MGWR模型探究影响因子对综合ES的空间异质性，纳入气象变量（PRE与TEMP）、地形特征（SLOPE与DEM）、植被覆盖（NDVI）及社会经济指标（POP与GDP）；第三应用SOM-FCM聚类方法基于驱动因子特征分类区域ES响应模式，实现生态分区划定；随后使用分区统计工具汇总比较各生态分区内MGWR衍生的影响因子系数，从而识别主导驱动因子与区域管理优先项。

2.3.2 生态系统服务量化

碳储存（CS）采用InVEST模型碳模块估算，基于土地利用/覆被（LULC）栅格数据与碳密度参数。总碳储存包含四部分：地上生物量、地下生物量、土壤及死有机质。计算公式为：C_T = C_a + C_b + C_s + C_d。碳密度参数根据粤东植被类型与土壤特性参考实地测量与文献值校准，结果以栅格格式输出反映CS空间分布。

生境质量（HQ）使用InVEST模型生境质量模块评估土地利用变化对生物多样性的影响。基于生境适宜性与生态威胁压力计算：Q_xj = H_j[1 - D_xj^z/(D_xj^z + k^z)]，其中Q_xj代表栅格x对土地类型j的生境质量（无量纲，范围0–1）；H_j为土地类型适宜性（森林为1，城市为0）；D_xj为生态威胁压力；z为标准化常数（设2.5）；k为半饱和常数（设威胁压力中位数）。威胁因子包括城镇化与农业活动，参数设置根据粤东本地特征调整，结果以栅格格式表示区域生态健康。

土壤保持（SR）基于通用土壤流失方程（USLE）简化方法估算，计算为潜在土壤侵蚀（RKLS）与实际土壤侵蚀（USLE）差值：SR = RKLS - USLE。RKLS = R × K × L × S；USLE = R × K × L × S × P × C。其中R为降雨侵蚀力因子，计算为R = ∑_i=1¹²[1.735 × 10^{(1.5 log(P_i) - 0.818)}]；K为土壤可蚀性因子，计算涉及有机质、土壤质地与坡度；L为坡长因子；S为坡度因子；P为保护措施因子；C为植被覆盖因子。方法参考相关研究，结果表征土壤保持能力。

水保留（WR）采用结合年水量与地形校正因子的水文模型估算：Retention = min(1, 249/Velocity) · min(1, 0.9 · TI/3) · min(1, K_s/300) · Y(x)，其中Retention为水保留量（毫米）；TI为地形指数；K_s为土壤饱和导水率；Velocity为流速因子；Y(x)为年水量：Y(x) = [1 - AET(x)/P(x)] · P(x)，AET(x)为实际蒸散发，P(x)为年降水。蒸散发比基于水能耦合平衡：AET(x)/P(x) = 1 + PET(x)/P(x) - [1 + (PET(x)/P(x))^ω]^1/ω，其中PET(x)为潜在蒸散发，ω为土壤属性参数。方法参考相关研究，结果表征水分调节能力。

2.3.3 驱动因子分析

考虑ES影响因子的空间异质性，单一空间尺度难以捕捉复杂交互作用，故本研究采用MGWR模型分析不同因子对关键ES的空间可变影响。先前研究表明MGWR在捕捉ES影响因子空间异质性上优于普通最小二乘法与传统地理加权回归，为潜在生态过程提供更深入见解。通过允许每个变量拥有自身最优带宽，MGWR更好反映ES动态背后的空间可变机制与生态过程。这种多尺度异质性对理解局部与区域影响至关重要，从而增强结果的生态可解释性。MGWR模型优势在于让解释变量在不同空间尺度施加影响，从而提供因子与ES空间关系的更细致理解。模型表达为：y_i = β₀(U_i, V_i) + ∑_j β_j(U_i, V_i)x_ij + ε_i，其中y_i为响应变量；β₀(U_i, V_i)为截距项，反映各位置基准水平；x_ij为预测变量；β_j(U_i, V_i)代表空间可变回归系数，捕捉各因子的尺度依赖影响；ε_i为误差项。

2.3.4 生态分区途径

本研究生态分区采用融合自组织映射（SOM）神经网络与模糊C均值（FCM）算法的混合聚类框架（SOM-FCM），以实现生态单元的稳健精细划分。最优生态分区数量通过评估聚类质量确定，使用模糊分割系数（FPC）与轮廓系数（SC）广泛用于评估簇分离性与紧凑度。方法展开为三个关键阶段：首先从栅格输入编制分区指标数据集，随后使用z分数标准化预处理，该归一化步骤通过减轻不同尺度影响确保所有变量公平加权，从而防止聚类期间偏向任何单一指标；其次标准化数据集经SOM神经网络处理，基于指标剖面相似性分组生态单元。SOM结构为二维神经元网格，测试各种拓扑配置并独立训练，通过最小化拓扑与量化误差确定最优拓扑，本分析中识别神经元网格为最有效结构；第三所得SOM权重向量作为FCM算法输入，通过容纳重叠边界与分配模糊隶属度增强簇划分。该步骤优化聚类输出，产生栅格结果，随后在ArcGIS中使用多数滤波后处理以移除微小斑点并提升地图可解释性。SOM计算与可视化使用SOMPY Python库执行，为该混合SOM-FCM途径提供灵活高效平台。此方法确保生态分区的科学合理与空间明确表征，适用于高级环境分析。

3 结果

3.1 生态系统服务时空分析

分析显示2000–2020年粤东ES分布呈现显著空间异质性，空间分布格局整体相对稳定。具体而言，CS展示显著空间异质性，总量从2000年1.11×10⁶吨降至2020年1.10×10⁶吨，下降约0.9%，均值从35.98波动至35.80吨/公里²。空间上CS值在北部山区较高，归因于约50%森林覆盖率与多样植被类型，而南部沿海平原则较低，主要因城镇化与耕地扩张的不利影响。HQ值保持相对稳定但略有下降，均值从0.79降至0.78，减少约1.3%，中位数持续保持0.89。地理上HQ在北部山区较高，受益于保存完好的森林与草地，南部沿海地区较低，由城镇化导致的生境退化驱动。SR呈现显著下降趋势，总量从4.67×10⁶吨减至3.58×10⁶吨，下降约23.4%，均值从150.86降至116.16吨/公里²。该模式与地形及土地覆盖变化一致：SR在北部山区因陡峭地形与强健植被覆盖较高，南部平原则较低，受降雨侵蚀与土地开发影响。类似地，WR持续下降，总量从2.79×10⁶毫米减至2.27×10⁶毫米，减少约18.6%；均值WR从90.51降至73.71毫米/公里²。WR在北部山区较高，由丰富年降水与地形调节驱动，南部沿海地区较低，受蒸散发与城镇化压力影响。最后综合ES变化极小，均值2000–2020年间从0.42至0.40，中位数与最大值保持稳定。然而持续空间梯度存在，北部山区值较高，南部沿海地区值较低，表明北部生态功能强于南部。

3.2 驱动因子的空间异质性

3.2.1 模型性能与验证

为调查2000–2020年粤东ES变化驱动因子，本研究采用MGWR模型，以5公里网格分辨率分析自然与社会经济因子的空间异质性。MGWR通过局部回归捕捉空间非平稳性，适于评估ES驱动因子的空间可变性。模型性能使用Akaike信息准则（AIC）与R²评估，表明MGWR显著优于OLS模型并有效揭示空间异质性。2000–2020年间MGWR AIC从2847.729降至2786.046，而R²从0.557增至0.576，表明解释ES驱动因子空间变化能力增强。2010年AIC为2831.03，R²为0.562；至2020年AIC进一步改善至2786.046，R²达0.576，提示捕捉空间异质性的稳定性与精确度提升。较低AIC与较高R²证实MGWR模型对粤东ES分析的适用性，揭示自然因子与人类活动对ES的空间异质影响，从而为后续分区管理提供科学基础。

此外MGWR带宽参数量化各驱动因子的空间非平稳性，反映其局部影响范围与可变性。2000年NDVI（533）与PRE（458）展示较大带宽，表明更广空间影响，而POP（362）与TEMP（222）显示较窄带宽，提示更强局部可变性。至2010年SLOPE带宽显著增至1273，表明空间非平稳性升高，而PRE（268）与POP（50）带宽减小，反映更窄影响范围。2020年TEMP带宽显著升至1359，而NDVI与SLOPE稳定于146与50，POP与GDP带宽进一步缩至22，揭示社会经济因子空间可变性的集中。这些转变验证MGWR模型捕捉ES驱动因子空间非平稳性的有效性，为精细化生态管理提供科学基础。

3.2.2 驱动因子的时空可变性

2000–2020年间自然因子呈现日益复杂的影响，社会经济因子展示增强的正向驱动，空间非平稳性显著，NDVI持续作为稳定正向驱动。PRE与TEMP的影响方向与强度随时间波动。PRE平均效应从2000年0演变为2010年-0.09，再至2020年0.18，反映其对ES的空间非平稳与时间可变影响。TEMP平均从2000年0.07移至2010年0.17，再至2020年-0.04，从正向转为负向，指示气候变化的复杂影响。地形因子中SLOPE保持正向效应但变异性不同，呈现空间非平稳性与时间非线性；DEM从2000年正向平均0.08转为2020年负向平均-0.05，其标准差从0.34降至0.28，提示变异性减少。POP显示影响逐步增加，其均值从0.14升至2.55，标准差从0.20增至2.83，表明人口增长对ES压力升级及空间可变性升高。GDP效应2010年达峰值-0.72，随后2020年转中性（均值0），变异性减小（标准差0.29），提示经济结构调整可能减轻其对ES的负面影响。NDVI正向影响二十年持续增强，其均值从0.36增至0.44，标准差从0.06升至0.14，证明植被覆盖对ES的稳定且最小非平稳的支持作用。

从空间视角，粤东ES驱动因子2000–2020年间呈现显著空间异质性。PRE显示2000与2010年北部负向南部正向影响模式，反映其对北部生态功能的抑制与南部水相关服务的增强；至2020年PRE转为全局正向影响，但其效应在北部区域变为不显著，指示降水影响ES的空间范围与强度的动态调整。TEMP展示相当变异，2000年北部正相关南部负相关，突出ES驱动因子的区域气候差异；至2010年北部正向影响减弱并转为负向，2020年变为全局不显著，反映TEMP对ES空间影响的非线性时间变化。DEM展示东西差异，2000–2020年间西部与东北部负相关，南部正相关，但此影响逐渐减弱，提示地形对ES影响的空间非平稳性减小。SLOPE2000年主要显示正向影响，强度从东南向西北递减；2010年其影响全局显著，与2000年模式一致；至2020年影响集中于东部区域，指示坡度对ES效应的动态空间可变性。POP2000–2010年展示北部正向效应，向中部区域递减并在南部保持不显著；至2020年南部发展出显著负效应，而北部达峰值正值，反映人口增长加剧的区域压力。GDP2010年展示最大显著负效应；至2020年显示东西差异，东部正向效应西部负效应，指示经济对ES影响的空间可变性。NDVI2000–2020年保持全局显著正向影响，强度从中央区域向外递减，证明植被覆盖对ES的稳定支持作用。

3.3 生态分区结果

3.3.1 空间划分与时空动态

本研究使用SOM-FCM聚类方法分析2000–2020年粤东ES，识别四个生态分区。最优簇数量基于广泛使用的聚类验证指标确定：模糊分割系数（FPC=0.81）与轮廓系数（SC=0.65），指示清晰稳定的聚类结构。堆叠条形图量化各分区均值ES值，揭示其功能特征。簇1分区2000–2020年保持最高ES水平，SR、WR、HQ与CS均值显著超越其他分区，主要分布于北部山区与中央丘陵区域。其优越生态功能使其适于优先保护，故命名为“生态保护分区”。簇2分区展示中等ES均值，SR强健但整体ES能力低于簇1，分布于北部与中央区域间过渡地带。反映次优生态功能并受部分土地开发影响， designated as “生态保育分区” requiring maintenance of its ecological roles。簇3展示较低均值ES值，主要位于中南平原，生态功能受集约城镇化与农业活动约束。但保持ES组分间相对高的内部协调性，故 designated as “生态改善分区”。簇4展示最低均值ES值，指示最弱生态服务能力。主要位于南部沿海城镇化区域，广泛土地利用变化与快速城市扩张导致显著生态退化。相应地， designated as “生态控制分区”，聚焦生态修复。

生态分区的时空演变揭示2000–2020年粤东显著结构转变。 notably, 生态控制分区持续扩张，从2000年5.27%增至2020年10.32%，其空间格局从分散变为更网状连接分布。此扩张 primarily at the expense of 生态改善分区，指示先前中等功能区域人为干扰与城市侵蚀加剧。生态改善分区空间位置相对稳定但面积减少—从32.23%至28.70%— largely due to transformation into control zones in the southern and central regions。在北部，部分生态保育分区降级为改善分区，形成更凝聚但生态弱化斑块。 consequently, 生态保育分区总面积从35.30%降至30.95%，伴随土地开发与生态退化导致的破碎化增加。相反，生态保护分区显示显著扩张从2000年27.20%至2010年33.87%，随后2020年稳定于30.03%。此趋势反映中央与山区区域生态功能增强，改进的土地管理与生态修复努力可能促成生态完整性巩固与空间连续性增加。

3.3.2 影响因子的分区差异

2000年生态保护分区展示最高正向NDVI系数（0.376）、负向PRE（-0.013）及强负向GDP效应（-0.601）。生态保育分区NDVI为0.357，DEM为0.087，GDP为-0.473。生态改善分区具最高DEM效应（0.114），NDVI为0.326，及正向GDP系数（0.233）。生态控制分区显示强NDVI（0.375）、DEM（0.104）及最负GDP（-0.644）。2010年NDVI所有分区增加（0.302–0.474）。POP成为正向因子，范围0.182–0.519。GDP系数进一步下降，范围-0.258至-0.815。2020年PRE所有分区转正（0.176–0.192）。NDVI保持正向（0.349–0.487）。POP值显著增加（1.741–3.386），GDP值移向中性或弱正（-0.063–0.074）。NDVI整个研究期持续为稳定正向因子（0.326–0.487）。PRE从负转正。TEMP主要负向或不显著。POP影响逐年增加。GDP从负向转为近中性或略正。驱动因子分区间差异显著，展示明显空间非平稳性。

4 讨论

4.1 解读时空格局与驱动机制

ES呈现显著时空异质性，本研究使用InVEST模型揭示2000–2020年粤东动态变化与区域差异。CS、HQ、SR与WR分别下降约0.9%、1.3%、23.0%与18.6%，而综合ES保持稳定于0.41–0.42，指示整体下降趋势。此发现与城镇化区域ES下降全球趋势一致。此外研究证明ES分布展示显著空间异质性，北部山区生态功能强于南部沿海平原。北部SR与WR远超越南部，突出 substantial north-south disparities。然而应注意本研究使用的1公里空间分辨率可能模糊精细尺度生态动态，如小区域破碎化或边缘效应。未来研究可获益于合并更高分辨率数据集以捕捉更局部化过程并改进空间精确度。

自然因子不仅作为ES变化的关键基线条件，还显著促进区域空间异质性。气候变量（PRE、TEMP）被纳入MGWR模型以捕捉水热条件。这些因子展示清晰南北梯度影响。PRE在北部山区显示负效应，可能因陡坡与浅层土壤加剧地表径流与侵蚀，减少土壤保持与养分可用性。相反PRE在南部平原贡献正向，较平地形促进渗透与农业利用。TEMP影响较弱且更可变，在较冷北部区域展示适度正向影响，南部因蒸散发压力呈中性至负效应。NDVI作为植被覆盖与生态生产力的代理集成，持续展示全域显著正向效应。此结果确认植被在支持ES特别是调节与支持服务中的稳定作用。地形因子如DEM与SLOPE在塑造ES空间格局中起 vital role。DEM在Elevated regions显示正向效应，通过减少城市侵蚀与维持景观完整性。SLOPE尤其 influential，较陡区域关联更强ES due to limited accessibility and preserved natural land cover。这些变量反映地形对人类活动的约束力及复杂景观的保护效应。

社会经济因子（POP、GDP）随时间影响增加，特别人口增长对城市区域施加最大压力，加速ES下降。在MGWR模型中，POP作为人为干扰强度代理被纳入，捕捉土地转化、聚落扩张与生态破碎化效应。POP在高密度城市带展示强负系数，说明城市扩张如何侵蚀自然土地覆盖并削弱生态功能。GDP代表经济强度与发展压力，被纳入反映经济活动的双重角色—既是潜在压力源又是优化发展路径下生态修复的可能驱动。经济发展展示 localized positive effects，GDP在北部与中央部分区域转正，提示优化经济结构可能支持生态增强。虽然GDP初始施加负生态影响，但其后期在部分区域的正向关联可能反映向更绿发展模型转型，如生态修复投资或可持续土地利用规划。影响因子的显著空间非平稳性驱动ES分布异质性， underscore the necessity of ecological zoning to optimize management。尽管本研究提供宝贵见解，但社会经济变量的有限范围可能忽视复杂人环动态，呼吁更广指标集成。此外耦合MGWR与非线性模型可帮助更有效揭示阈值效应与滞后生态响应。

4.2 从分区转变与异质性获得的见解

本研究使用SOM-FCM聚类方法划分2000–2020年粤东核心、重要、生态协调与生态控制分区，揭示独特时空格局的生态异质性。核心分区主要位于北部山区（凤凰－莲花山区域），展示持续凝聚扩张，反映其因有利自然条件与最小人为干扰的生态韧性。相反重要与生态改善分区（如韩江口附近过渡地带）经历显著收缩与破碎化，由生态控制分区侵蚀驱动。生态控制分区从2000年起持续扩张，特别在南部沿海平原形成网状斑块，侵蚀重要与生态改善分区的生态土地，导致SR与WR substantial declines。

从政策视角，粤东作为广东省组成部分，面临与省级趋势一致的土地利用