基于乡村景观特征的文化生态系统服务（CESs）空间分布评价

《Land》：Evaluating Spatial Distribution of Cultural Ecosystem Services (CESs) Based on Rural Landscape Characteristics

　　

文化生态系统服务（CES）评估对于全面理解和评价生态系统服务至关重要。优化CESs的空间分区可为生态系统管理提供更具针对性的信息。通过识别不同CESs的典型景观特征，可以更有效地认识乡村景观价值。本研究构建了一套乡村景观特征指标，基于公众偏好识别了不同CESs的典型特征，利用Maxent模型绘制了其空间分布，并应用K-means聚类分析优化了湖州乡村地区的空间分区。结果表明，四类CESs与不同的乡村景观特征相关联。CESs的空间分布显示出显著重叠，主要集中在安吉县南部、莫干山风景区周边以及太湖沿岸。基于CESs的空间分布，识别出了五种乡村景观类型。本研究为识别乡村地区CESs的景观价值提供了参考，并支持将CES评估纳入乡村景观管理决策。

**论文解读：基于乡村景观特征的文化生态系统服务（CESs）空间分布评价**

**研究背景与问题**
生态系统服务是可持续发展的基础，其系统评估可为生物多样性保护、经济发展和人类福祉提升提供依据。文化生态系统服务（CESs）作为生态系统服务的重要组成部分，指人类从生态系统获得的非物质利益，包括审美体验、休闲娱乐、文化认同、精神体验和教育启发。与供给服务和调节服务相比，CESs更依赖于人类感知、体验和文化背景，因而识别和量化CESs有助于增强公众参与、支持景观规划并提升人类福祉。然而，CESs因其无形性及精神价值评估的主观性，空间制图面临挑战。现有研究通常对不同CES类别采用相同或通用的环境变量（如土地利用、距道路和水体距离、地形因子、景观多样性），可能忽略不同文化服务背后景观特征的差异。乡村景观评估常侧重于美学质量，较少探讨景观特征与CESs的关系。因此，识别不同CESs的典型乡村景观特征，对于为乡村规划、设计和发展提供理论和技术支持具有重要意义。本研究旨在解决三个问题：（1）如何基于公众偏好识别不同CESs的典型乡村景观特征？（2）如何利用差异化的景观特征指标量化乡村地区不同CESs的空间分布？（3）如何在区域尺度上从多个CESs的空间分布中识别优先CES类型以支持乡村发展？

**研究内容与结论**
研究人员整合了在线旅游评论、公众偏好评分和地理空间数据，构建了一个基于公众偏好的乡村文化生态系统服务（CESs）识别、制图和空间分区框架。以浙江省湖州市乡村地区为研究区域，通过词频分析将148个乡村景点分为四类CESs（体验型、身体型、智力型、灵感型），构建乡村景观特征指标数据库，利用随机森林回归识别与公众偏好相关的重要指标，采用Maxent模型模拟四类CESs的空间分布，并应用K-means聚类分析优化空间分区。结果表明：四类CESs与不同的乡村景观特征指标相关联；空间分布显著重叠，高值区主要集中在安吉县南部、莫干山风景区周边和太湖沿岸；通过空间分区识别出五种优先CES类型。该研究为识别乡村CESs的景观价值提供了参考，支持将CES评估纳入乡村景观管理决策，论文发表在《Land》。

**主要技术方法**
研究人员采用以下关键技术方法：（1）从在线旅游平台（携程、去哪儿）获取湖州乡村地区148个景点的37854条有效评论，利用Jieba分词和词频分析构建文本-特征矩阵，经Z-score标准化后通过K-means聚类将景点分为四类CESs（体验型、身体型、智力型、灵感型），并使用Cohen's kappa系数验证聚类可靠性。（2）构建包含自然元素、文化元素和基础设施元素三个维度的乡村景观特征指标数据库，将游客评分与政府旅游景点质量等级转化为五分制并等权平均得到公众偏好分数，利用随机森林回归识别整体乡村景观及四类CESs的重要景观特征指标（各取前十位）。（3）将各类CESs的典型景观样本点作为存在数据，对应的重要指标作为环境变量，输入Maxent模型模拟各CESs的空间分布（分辨率10 m×10 m）。（4）将四类CESs的空间分布值标准化后，采用自然断点法分为高、中、低三级，转换为100 m×100 m矢量网格，通过肘部法确定最优聚类数k=9，进而合并为五种优先CES类型。样本队列来源：浙江省湖州市乡村地区，数据来源于在线旅游平台和政府旅游景点质量等级。

**研究结果**

**3.1 不同CESs的典型景观特征**
通过随机森林变量重要性排序，研究人员识别出整体乡村景观及四类CESs各自前十位的重要景观特征指标。整体乡村景观的重要指标以自然元素（4个）和基础设施元素（5个）为主，其中最重要的三个指标为D-road（距道路距离）、Air quality（空气质量）和D-accommodation（距住宿设施距离）。体验型CESs的重要指标以自然元素（5个）和基础设施元素（4个）为主，最重要的三个为P-wetland（湿地斑块比例）、Air quality和PD（斑块密度）。身体型CESs的重要指标以自然元素（4个）和基础设施元素（5个）为主，最重要的三个为D-restaurant（距餐厅距离）、D-town center（距城镇中心距离）和D-accommodation。智力型CESs的重要指标以自然元素（6个）和基础设施元素（4个）为主，最重要的三个为D-road、P-water（水域斑块比例）和D-town center。灵感型CESs的重要指标以自然元素（5个）和基础设施元素（4个）为主，最重要的三个为Air quality、D-water（距水体距离）和CONTAG（蔓延度指数）。

**3.2 不同CESs的空间分布**
整体乡村景观高值区主要集中在湖州南部，如安吉县南部、德清县莫干山风景区周边、长兴县水口乡和八都岕景区附近、吴兴区太湖旅游度假区以及南浔区南浔古镇附近。体验型CESs主要分布在湖州南部，空间格局相对分散。身体型CESs集中在安吉县南部和莫干山风景区周边，呈现明显的局部聚集。智力型CESs分布范围相对有限，呈分散斑块状，表明其依赖于与其他CESs的协同作用。灵感型CESs空间聚集性更强，典型聚集在相对宁静的森林山地地区，与古建筑和宗教场所相关联。

**3.3 CESs的空间分区优化**
K-means聚类分析识别出9个最优聚类，进一步合并为五种优先CES类型：体验型CES优先类型（占研究区21.09%，主要分布在安吉、德清、吴兴交界处，尤其是莫干山镇周边）、身体型CES优先类型（占6.31%，呈带状分布于吴兴、南浔、德清）、体验与智力型CES类型（占10.23%，相对分散，集中于安吉县中南部）、身体与智力型CES类型（占4.84%，呈斑块状分布于吴兴与南浔交界处太湖沿岸）、多CES协同类型（占7.85%，主要集中于莫干山风景区和太湖沿岸热点旅游景点）。进一步在村庄尺度上，以各村庄内面积占比最大的聚类类型作为优先CES类型，得到空间分区优化图。

**讨论与结论**
讨论部分指出，本研究提出的基于公众偏好识别CES典型景观特征并空间量化的框架，能更精确地识别乡村景观价值。与直接对所有CES类别应用相同通用环境变量的方法不同，本研究构建了自然、文化、基础设施元素的数据库，利用公众偏好分数识别各CES类别的关键景观特征指标，并引入Maxent模型作为解释变量，更好地反映了CES形成机制。不同CESs对应不同的乡村景观特征，有助于识别乡村景观的独特优势，支持“一村一品、一镇一特色”的差异化发展。在乡村景观管理中，应针对不同优先CES类型采取差异化策略：多CES高值区应作为多功能乡村景观发展区，协调审美、休闲、科教和文化体验；体验型优先区应从数量增长转向质量提升和空间管控；身体型优先区应加强休闲网络、改善交通和旅游服务设施。研究存在局限性：在线旅游平台数据偏向已开发景点，无法全面代表所有利益相关者的感知，导致灵感型CES样本点较少；词频分析难以捕捉语境、情感强度和隐含意义；Maxent模型假设环境变量与目标变量呈线性关系，可能无法准确捕捉更复杂的非线性交互作用。

研究结论：本研究整合在线旅游评论、公众偏好评分和地理空间数据，开发了一个基于公众偏好的乡村文化生态系统服务（CESs）识别、制图和空间分区框架，旨在为识别乡村景观中的主导CES类型和优化乡村景观管理提供理论支持。结果表明，身体型、体验型、智力型和灵感型CESs具有不同的景观特征指标。体验型和灵感型CESs受自然景观条件影响更强，身体型CESs更依赖于可达性和旅游服务设施，智力型CESs受自然和基础设施元素共同影响。四类CESs的空间分布表现出显著重叠，高值区主要集中在安吉县南部、莫干山风景区周边以及太湖沿岸。空间分区进一步识别出五种类型。这些结果通过将优先CES功能与当地景观资源和发展条件相连接，为差异化乡村景观规划提供了基础。未来研究应将社交媒体数据与参与式制图、居民调查和利益相关者访谈相结合，并纳入更多动态数据，以改进对当地感知、时间变化和CESs间相互作用的表征。