基于InVEST和生態(tài)風(fēng)險(xiǎn)評(píng)估模型耦合的濕地生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)——以吉林省為例

李娟娟　李如仁　熊俊峰　吳紫靜　孫子涵

摘要：濕地是生態(tài)系統(tǒng)的重要組成部分，在保護(hù)生物多樣性和區(qū)域經(jīng)濟(jì)發(fā)展等方面發(fā)揮著不可替代的作用?；谏鷳B(tài)系統(tǒng)外部危險(xiǎn)性和內(nèi)部脆弱性，選取了21個(gè)關(guān)鍵評(píng)價(jià)指標(biāo)，耦合InVEST模型產(chǎn)水量模塊和生態(tài)風(fēng)險(xiǎn)評(píng)估模型，構(gòu)建生態(tài)系統(tǒng)評(píng)價(jià)體系，估算吉林省濕地生態(tài)風(fēng)險(xiǎn)指數(shù)，實(shí)現(xiàn)吉林省濕地生態(tài)風(fēng)險(xiǎn)空間分布特征模擬，為濕地生態(tài)保護(hù)與建設(shè)提供建議。結(jié)果表明：吉林省濕地生態(tài)風(fēng)險(xiǎn)指數(shù)從東至西呈現(xiàn)先升后降的趨勢(shì)，各市的風(fēng)險(xiǎn)指數(shù)排序?yàn)椋核钠绞?遼源市>長(zhǎng)春市>吉林市>松原市>通化市>延邊朝鮮自治州>白山市>白城市，高值區(qū)主要集中在西南地區(qū)；吉林省應(yīng)采取更具有針對(duì)性的政策和措施，加強(qiáng)對(duì)較高風(fēng)險(xiǎn)地區(qū)的保護(hù)，為維護(hù)生態(tài)平衡和促進(jìn)區(qū)域社會(huì)經(jīng)濟(jì)發(fā)展提供有力保障。

關(guān)鍵詞：濕地；InVEST模型；生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)；風(fēng)險(xiǎn)性；水源供給

中圖分類號(hào)：X131? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? 文章編號(hào)：1674-3075（2023）06-0036-09

濕地作為生態(tài)系統(tǒng)的重要組成部分，具有水源供給、水文調(diào)節(jié)、生境維持等重要功能（Fu et al，2018；Picó et al，2020）。近幾十年來(lái)，隨著社會(huì)經(jīng)濟(jì)迅速發(fā)展，人類活動(dòng)強(qiáng)度增加，濕地資源被大量開發(fā)和占用，所受納的污染物急劇增加，導(dǎo)致脆弱的濕地生態(tài)尤其是濕地的水源供給能力遭到破壞（Xu et al，2019）。因此，結(jié)合水源供給功能評(píng)估濕地生態(tài)風(fēng)險(xiǎn)對(duì)區(qū)域濕地的保護(hù)和治理具有科學(xué)指導(dǎo)意義。

當(dāng)前，對(duì)于水源供給服務(wù)主要通過(guò)Soil and Water Assessment Tool （SWAT）、Integrate Valuation of

Ecosystem Services and Tradeoffs tool（InVEST）和MIKE System Hydrological European（MIKE SHE）等模型進(jìn)行評(píng)估（王盛萍等，2012；潘韜等，2013；王堯等，2018），其中，InVEST模型動(dòng)態(tài)性強(qiáng)，可模擬水源供給量空間分布特征，有助于分析區(qū)域內(nèi)水源供給功能的空間差異（黃菁等，2021），同時(shí)其數(shù)據(jù)和參數(shù)獲取便捷，是目前應(yīng)用最為廣泛的模型，已在甘肅白龍江流域（謝余初等，2017）、亞利桑那州圣佩德羅河流域（Bagstad et al，2013）和美國(guó)俄勒岡州Willamette流域（Nelson et al，2009）等區(qū)域展開應(yīng)用，并取得了良好的模擬效果。

目前，評(píng)估濕地生態(tài)風(fēng)險(xiǎn)的方法主要分為3類，第1類是采用單一指標(biāo)來(lái)評(píng)估生態(tài)風(fēng)險(xiǎn)，如對(duì)重金屬（張曼胤等，2007）、有機(jī)污染物（張健威等，2021）、抗生素（彭聰?shù)龋?019）等指標(biāo)進(jìn)行調(diào)查后的生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)，該類方法相對(duì)簡(jiǎn)單，方便操作，但評(píng)價(jià)結(jié)果片面，忽略了氣候變化、人類活動(dòng)等因素對(duì)濕地生態(tài)系統(tǒng)的影響（Peng et al，2018）。第2類是利用模型評(píng)價(jià)濕地生態(tài)風(fēng)險(xiǎn)，如相對(duì)風(fēng)險(xiǎn)模型（張?zhí)烊A等，2018）、人工神經(jīng)網(wǎng)絡(luò)模型（Jiang et al，2013）等，如Sarkar等（2016）提出了Fuzzy-based Risk Assessment Model（FRAM），利用遙感和GIS工具識(shí)別East Kolkata Wetland Area（EKWA）濕地風(fēng)險(xiǎn)強(qiáng)度不同的區(qū)域，該方法復(fù)雜，處理過(guò)程繁瑣。第3類是基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合評(píng)價(jià)方法，如Jiang等（2017）以若爾蓋高原為研究區(qū)，選取9個(gè)關(guān)鍵指標(biāo)，建立了濕地退化風(fēng)險(xiǎn)評(píng)估模型；Li等（2020）基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型，分別從外部危險(xiǎn)性和內(nèi)部脆弱性選取22個(gè)評(píng)價(jià)指標(biāo)，綜合評(píng)價(jià)了1990-2015年京津冀地區(qū)的濕地生態(tài)風(fēng)險(xiǎn)；許學(xué)工等（2001）將黃河三角洲主要生態(tài)風(fēng)險(xiǎn)源洪澇、干旱、風(fēng)暴潮災(zāi)害、油田污染事故以及黃河斷流的概率進(jìn)行了分級(jí)評(píng)價(jià)，并提出度量生態(tài)損失與生態(tài)風(fēng)險(xiǎn)的公式與指標(biāo)，完成了黃河三角洲區(qū)域生態(tài)風(fēng)險(xiǎn)綜合評(píng)價(jià)。該方法通過(guò)不同角度選取多個(gè)關(guān)鍵指標(biāo)構(gòu)建濕地生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)體系，操作性強(qiáng)、便于實(shí)施、適用于大區(qū)域尺度。傳統(tǒng)多指標(biāo)綜合評(píng)價(jià)方法中均以行政邊界為單位展開（Jiang et al，2017；Li et al，2020），缺乏對(duì)城市內(nèi)部空間分布的表征，而以水源供給為主要參數(shù)的濕地生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)可分析區(qū)域內(nèi)的空間差異，因此通過(guò)二者之間的耦合可探索評(píng)價(jià)城市內(nèi)部生態(tài)風(fēng)險(xiǎn)的方法。

濕地對(duì)吉林省的經(jīng)濟(jì)發(fā)展和生態(tài)平衡有著重要的影響。但是近幾十年以來(lái)，在社會(huì)、經(jīng)濟(jì)迅速發(fā)展的過(guò)程中，因不合理開發(fā)利用區(qū)域水資源和濕地資源，導(dǎo)致區(qū)域天然濕地面積縮小，東部濕地資源減少，西部濕地鹽堿化程度加深（馬瓊芳等，2021），區(qū)域濕地生態(tài)風(fēng)險(xiǎn)性急驟增加。因此，本研究利用InVEST產(chǎn)水量模型計(jì)算吉林省水源供給量，將其作為濕地生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)的輸入?yún)?shù)，耦合基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合評(píng)價(jià)方法，分析吉林省水源供給量和濕地生態(tài)風(fēng)險(xiǎn)指數(shù)的空間分布特征，基于GeoDA軟件，利用雙變量空間分析模型耦合的空間效果，明確濕地生態(tài)保護(hù)與建設(shè)的重點(diǎn)區(qū)域，為吉林省的濕地生態(tài)系統(tǒng)保護(hù)和水資源配置提供決策依據(jù)。

1? ?研究區(qū)域與數(shù)據(jù)來(lái)源

1.1? ?區(qū)域概況

吉林省位于中國(guó)東北地區(qū)，濕地類型豐富多樣，是全國(guó)濕地類型較多的省份之一，濕地大多分布在松原和白城地區(qū)。吉林省濕地總面積達(dá)到172.8萬(wàn)km2，占區(qū)域國(guó)土總面積的9.2%，其中天然濕地占吉林省濕地總面積的59.3%（丁月龍等，2020）（圖1）。全省地勢(shì)東高西低，東部為長(zhǎng)白山地區(qū)，地表水充足，西部為松遼平原，其排水能力弱，故湖泊泡沼分布廣泛；氣候?qū)俅箨懶约撅L(fēng)氣候，季節(jié)性變化明顯，自西北向東南呈現(xiàn)半干旱氣候、半濕潤(rùn)氣候、濕潤(rùn)氣候，平均降水量為500～600 mm，呈現(xiàn)自西向東遞增趨勢(shì)（朱蕾，2014）。近年來(lái)，全省經(jīng)濟(jì)與人口發(fā)展相對(duì)平穩(wěn)，但發(fā)展不均衡，中部地區(qū)人口密度大（李靜波，2020）。

1.2? ?數(shù)據(jù)來(lái)源

根據(jù)本研究所使用的模型方法，數(shù)據(jù)主要包括：（1）InVEST模型產(chǎn)水量模塊所需數(shù)據(jù)，主要包括年降水量、潛在蒸散發(fā)量、土壤的最大根系深度數(shù)據(jù)、植物可利用水率等；（2）濕地生態(tài)風(fēng)險(xiǎn)性評(píng)估主要包括2015年的土地利用數(shù)據(jù)、氣象數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)等。相關(guān)基礎(chǔ)數(shù)據(jù)和參數(shù)來(lái)源如表1和表2所示，對(duì)獲取的數(shù)據(jù)按照行政邊界進(jìn)行裁剪處理，并統(tǒng)一進(jìn)行重采樣，設(shè)置為分辨率30 m。表內(nèi)除土壤有關(guān)數(shù)據(jù)外，其余基礎(chǔ)數(shù)據(jù)均為2015年數(shù)據(jù)，土壤有關(guān)數(shù)據(jù)受獲取條件限制，來(lái)自世界土壤數(shù)據(jù)庫(kù) （HWSD）和中國(guó)高分辨率國(guó)家土壤信息網(wǎng)格基本屬性數(shù)據(jù)集（2010-2018年）。

2? ?研究方法

2.1? ?技術(shù)路線

本文基于土壤、氣象以及土地利用等數(shù)據(jù)，選取了21個(gè)關(guān)鍵指標(biāo)，耦合InVEST模型產(chǎn)水量模塊和基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合評(píng)價(jià)方法，構(gòu)建了基于生態(tài)系統(tǒng)外部危險(xiǎn)性和內(nèi)部脆弱性的生態(tài)系統(tǒng)評(píng)價(jià)體系，估算吉林省濕地生態(tài)風(fēng)險(xiǎn)指數(shù)，模擬吉林省濕地生態(tài)風(fēng)險(xiǎn)空間分布特征，為濕地生態(tài)保護(hù)與建設(shè)提供建議。具體技術(shù)路線如圖2所示。

2.2? ?水源供給量計(jì)算

水源供給量采用InVEST模型中的產(chǎn)水量模塊進(jìn)行計(jì)算，該模塊根據(jù)水量平衡原理，綜合地形、氣候以及土地利用等因素，利用降水量減去蒸散發(fā)的值得到區(qū)域水源供給量，模塊的主要算法如下：

式中：Yxj為第j類土地利用類型柵格單元x的水源供給量；AETxj為第j類土地利用類型上柵格單元x的年蒸散量；Pxj為第j類土地利用類型上柵格單元x的年降水量；Wx為植物可存取的蓄水率；Rxj為第j類土地利用/覆被類型上柵格單元x的無(wú)量綱Budyko干燥指數(shù)，是潛在蒸散發(fā)與降水量的比值；Z為Zhang系數(shù)，表示季節(jié)對(duì)降水的影響程度；AWCx 為柵格單元x的土壤有效含水量（mm）；ET0為潛在蒸散量（mm）；Kxj為第j類土地利用類型的柵格單元x上蒸散量E與潛在蒸散量ET0的比值，稱為植被蒸散系數(shù)；max（DS，x）和DR，x分別為最大土壤深度（mm）和根系深度（mm）；PAWCx為無(wú)量綱的植物可利用水率，InVEST模型要求其取值在0～1；Csand為土壤砂粒含量（%）；Csilt為土壤粉粒含量（%）；Cclay 為土壤粘粒含量（%）；Com為土壤有機(jī)質(zhì)含量（%）。

2.3? ?水源供給服務(wù)價(jià)值量計(jì)算

從表現(xiàn)形式上來(lái)看，水源供給、水土保持和調(diào)節(jié)徑流等為水源涵養(yǎng)功能的表示形式（王云飛等，2021），故此處水源供給服務(wù)價(jià)值計(jì)算參考水源涵養(yǎng)服務(wù)價(jià)值量計(jì)算方法，采用影子工程法評(píng)估區(qū)域的水源供給價(jià)值，計(jì)算公式如下：

式中：M為區(qū)域水源供給服務(wù)價(jià)值（元）；W為區(qū)域水源供給量，單位換算為m3；P為單位庫(kù)容造價(jià)（元/m3），使用《林業(yè)生態(tài)工程生態(tài)效益評(píng)價(jià)技術(shù)規(guī)程》（北京市園林綠化局，2014）中的水庫(kù)建設(shè)單位庫(kù)容投資6.110 7元/m3。

2.4? ?濕地生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)方法

參考Li等（2020）的濕地生態(tài)風(fēng)險(xiǎn)評(píng)估方法，從危險(xiǎn)性和脆弱性2大方面選取21個(gè)指標(biāo)進(jìn)行評(píng)估。其中，危險(xiǎn)性細(xì)分為自然災(zāi)害、人類危害，自然因素對(duì)濕地有著很大的影響，低降水和高氣溫使得濕地環(huán)境遭到破壞（Muro et al，2018），故將降水和溫度選為自然災(zāi)害的指標(biāo)，人類活動(dòng)對(duì)濕地有著一定的影響，如建筑用地?cái)U(kuò)張、人口密度以及GDP等，故將社會(huì)經(jīng)濟(jì)數(shù)據(jù)作為人類危害提供指標(biāo)。

脆弱性細(xì)分為面積、結(jié)構(gòu)、功能方面，面積指濕地面積占總面積的百分比%；結(jié)構(gòu)包括斑塊數(shù)量（NP）、斑塊密度（PD）、破碎度（SPLIT）、聚集度（AI）4個(gè)景觀指標(biāo)，由Fragstats軟件計(jì)算得出；功能從調(diào)節(jié)、供給、支持3個(gè)方面選取了10項(xiàng)功能指標(biāo)。根據(jù)謝高地等（2015）提出的生態(tài)系統(tǒng)服務(wù)價(jià)值的當(dāng)量權(quán)重因子，參考其計(jì)算的各類生態(tài)系統(tǒng)提供的生態(tài)服務(wù)價(jià)值，來(lái)計(jì)算濕地的生態(tài)系統(tǒng)服務(wù)價(jià)值，計(jì)算公式如下：

其中，ESV為區(qū)域生態(tài)系統(tǒng)服務(wù)價(jià)值（元），[Ai]為區(qū)域第[i]類濕地類型的面積（hm2），Vci為第i類濕地類型單位面積的生態(tài)功能總服務(wù)系數(shù)（元/hm2），因不同土地利用的分類，故將濕地的當(dāng)量權(quán)重因子分配給灘涂、灘地和沼澤，水體的當(dāng)量權(quán)重因子分配給河渠、湖泊和水庫(kù)坑塘。

在指標(biāo)的選擇和計(jì)算完成后，指標(biāo)需要標(biāo)準(zhǔn)化。通過(guò)結(jié)合每個(gè)指標(biāo)的歸一化值及其權(quán)重，通過(guò)一系列的計(jì)算，得到了危險(xiǎn)值、脆弱性值和濕地風(fēng)險(xiǎn)值。而研究選擇的指標(biāo)分成正指標(biāo)和反指標(biāo)，標(biāo)準(zhǔn)化公式如下：

其中Pij和nij分別為正指標(biāo)和反指標(biāo)的歸一化結(jié)果，[Vij]為吉林省各市的j指標(biāo)的原值，Vj為吉林省各市的j指標(biāo)數(shù)組，max（Vj）和min（Vj）分別為吉林省各市Vj指數(shù)的最大和最小值。

完成指標(biāo)歸一化后，用指標(biāo)來(lái)計(jì)算危險(xiǎn)性、脆弱性，危險(xiǎn)性為自然災(zāi)害和人類危害分別乘以其權(quán)重再相加；脆弱性等于濕地面積、結(jié)構(gòu)和功能分別乘以各自的權(quán)重再相加。危險(xiǎn)性和脆弱性計(jì)算公式如下所示：

2.5? ?雙變量空間自相關(guān)模型

空間自相關(guān)模型可反映某種因素在空間位置的相關(guān)程度，分為全局空間自相關(guān)與局部空間自相關(guān)（邢璐平等，2019）。為了探究水源供給功能與濕地生態(tài)風(fēng)險(xiǎn)性的空間耦合效果，采用雙變量空間分析模型，借助全局自相關(guān)系數(shù)反映整體的空間關(guān)聯(lián)和差異狀況，計(jì)算公式（陳艷紅等，2021）如下：

式中：Isr為研究尺度內(nèi)水源供給量s和濕地生態(tài)風(fēng)險(xiǎn)指數(shù)r的雙變量全局相關(guān)系數(shù)；Wij為要素i和j之間的空間矩陣；[y]is和[y]ir為第i個(gè)評(píng)價(jià)單元內(nèi)的水源供給量和濕地生態(tài)風(fēng)險(xiǎn)指數(shù)，ys和yr為所有評(píng)價(jià)單元內(nèi)水源供給量濕地生態(tài)風(fēng)險(xiǎn)指數(shù)的均值，[σs]和[σr]為方差，n為評(píng)價(jià)單元總個(gè)數(shù)。為了全面具體地反映水源供給量與濕地生態(tài)風(fēng)險(xiǎn)指數(shù)的空間關(guān)聯(lián)性，選用GeoDa軟件，采用莫蘭指數(shù)進(jìn)行空間自相關(guān)性分析，將集聚類型按照空間分布關(guān)系，劃分為4種聚集類型：高產(chǎn)水―高風(fēng)險(xiǎn)聚集、高產(chǎn)水―低風(fēng)險(xiǎn)聚集、低產(chǎn)水―高風(fēng)險(xiǎn)聚集、低產(chǎn)水―低風(fēng)險(xiǎn)聚集。

3? ?結(jié)果與分析

3.1? ?水源供給量空間分布特征

基于2015年吉林省降雨量、土地利用、蒸散發(fā)等數(shù)據(jù)，參照2015年《吉林省水資源公報(bào)》對(duì)模型的Z值進(jìn)行調(diào)整，當(dāng)Z值為17.0時(shí)，模擬水源供給量誤差與實(shí)際水源供給量271.99×108 m3接近，模擬水源供給量相對(duì)誤差為0.12%，模擬精度達(dá)到99.88%，模擬得到的結(jié)果如圖3、圖4所示。故可認(rèn)為當(dāng)Z等于17.0，InVEST的產(chǎn)水量模型在吉林省的模擬效果最佳。

水源供給量模擬結(jié)果顯示，2015年吉林省水源供給量為272.32×108 m3，市平均產(chǎn)水深度為142.57 mm。從空間分布格局上來(lái)看，水源供給量空間分布格局呈現(xiàn)由東南至西北遞減的趨勢(shì)，白山市單位面積內(nèi)水源供給量最高，為214.14 mm；吉林市地區(qū)單位面積內(nèi)水源供給量最小，為116.62 mm，在總量分布上，延邊朝鮮族自治州的水源供給量最高，為61.38×108 m3；遼源市的水源供給量最少，為6.98×108 m3。

3.2? ?濕地風(fēng)險(xiǎn)性評(píng)價(jià)

3.2.1? ?生態(tài)危險(xiǎn)性? ?吉林省濕地生態(tài)危險(xiǎn)性從自然災(zāi)害和人類危害2個(gè)角度評(píng)價(jià)，結(jié)果如圖5所示。

在空間上，危險(xiǎn)指數(shù)呈現(xiàn)中部地區(qū)高，西北部地區(qū)略高，東南部地區(qū)低的特征，人類危害程度空間分布特征同危險(xiǎn)性一致，而自然危害程度呈現(xiàn)從東南向西北遞增的趨勢(shì)。具體來(lái)看，中部和西北部地區(qū)危險(xiǎn)指數(shù)高，尤其是長(zhǎng)春市，該市的危險(xiǎn)指數(shù)呈現(xiàn)由北向南遞增的趨勢(shì)，西南部地區(qū)危險(xiǎn)指數(shù)達(dá)到最高，而松原市的南部，即與長(zhǎng)春市、四平市二者相鄰的地區(qū)危險(xiǎn)指數(shù)較高，松原市同樣，可能是因?yàn)樵摰貐^(qū)經(jīng)濟(jì)發(fā)達(dá)，濕地面積較小，使得中部濕地承擔(dān)的人類危害壓力大；而東南部地區(qū)的城市，如延邊朝鮮族自治州北部地區(qū)比南部地區(qū)的危險(xiǎn)指數(shù)高，呈現(xiàn)從東南部地區(qū)向西北部地區(qū)遞增的趨勢(shì)，尤其是其西北部地區(qū)，危險(xiǎn)指數(shù)相對(duì)較高，白山市和通化市也呈現(xiàn)同樣的趨勢(shì)，與危險(xiǎn)性空間分布特征一致，越往南危險(xiǎn)性越低。東南部地區(qū)可能受自然因素的影響，降雨多，氣溫低，以及經(jīng)濟(jì)欠發(fā)達(dá)，GDP、人口密度、建設(shè)用地及耕地占比較低，故其自然災(zāi)害和人類危害程度低，對(duì)濕地危險(xiǎn)性較低。

3.2.2? ?生態(tài)脆弱性? ?吉林省濕地生態(tài)脆弱性從面積、結(jié)構(gòu)以及功能3個(gè)方面評(píng)估，結(jié)果如圖6所示。

在空間上，濕地生態(tài)脆弱指數(shù)呈現(xiàn)從東南部向西北部地區(qū)遞減的特征，大部分市的濕地脆弱指數(shù)較高，只有少部分市的脆弱指數(shù)略低，高脆弱指數(shù)主要集中在東南部地區(qū)，如白山市和延邊朝鮮族自治州等，低脆弱指數(shù)分布在西北部，如白城市；濕地的面積空間分布呈現(xiàn)與脆弱性相反的分布特征，從東南部向西北部地區(qū)逐漸遞增的，東南部地區(qū)面積較少，南部部分地區(qū)中等，中部地區(qū)較高，西北部地區(qū)高；濕地結(jié)構(gòu)的空間分布從東南部向西北部地區(qū)遞減，有著東部地區(qū)較高，中部地區(qū)中等，南部部分地區(qū)和西北部地區(qū)略低的特征，其中松原市的濕地結(jié)構(gòu)破碎度最高；濕地功能的空間分布呈現(xiàn)從南部向北部地區(qū)遞減，南部地區(qū)高，東部中，中部和西北部低的特征。具體來(lái)看，東南部地區(qū)濕地面積和斑塊數(shù)量小，斑塊密度和破碎度高，聚集度低，該地區(qū)的濕地較為分散，而且其生態(tài)服務(wù)功能中調(diào)節(jié)、供給的服務(wù)價(jià)值均很低，對(duì)濕地的脆弱性有一定的影響。3.2.3? ?生態(tài)風(fēng)險(xiǎn)性? ?吉林省濕地風(fēng)險(xiǎn)性從危險(xiǎn)性和脆弱性2方面進(jìn)行綜合評(píng)估，結(jié)果如圖7所示。從空間上看，濕地風(fēng)險(xiǎn)指數(shù)呈現(xiàn)從東至西先上升后下降的趨勢(shì)，高值區(qū)主要集中在西南地區(qū)，如四平市、遼源市等，尤其四平市為高風(fēng)險(xiǎn)區(qū)，遼源市的風(fēng)險(xiǎn)指數(shù)從南到北遞增，越靠近四平市，風(fēng)險(xiǎn)指數(shù)越高，該地區(qū)濕地面積小，濕地資源短缺，GDP高、人口密度相比較大，建設(shè)用地和耕地占比較大，承受的外部壓力大，而且生態(tài)系統(tǒng)服務(wù)價(jià)值較低，濕地分散，脆弱性高；中部地區(qū)為中或中低風(fēng)險(xiǎn)，如長(zhǎng)春市、吉林市等，長(zhǎng)春市風(fēng)險(xiǎn)指數(shù)呈現(xiàn)從東北向西南遞增的特征，與松原市、四平市2者相鄰的地區(qū)風(fēng)險(xiǎn)指數(shù)較高，吉林市風(fēng)險(xiǎn)指數(shù)呈現(xiàn)中部地區(qū)低，四周高的特點(diǎn)，但吉林市靠近長(zhǎng)春市的區(qū)域風(fēng)險(xiǎn)指數(shù)較高，接近延邊朝鮮自治州、通化市、白山市的區(qū)域風(fēng)險(xiǎn)指數(shù)較低，雖然該地區(qū)的危險(xiǎn)指數(shù)較高，但濕地面積占比高，濕地資源豐富，脆弱性低；西北部地區(qū)低風(fēng)險(xiǎn)，如白城市，空間分布特征從東南向西北遞增，同吉林市風(fēng)險(xiǎn)指數(shù)空間分布特征一致，該地區(qū)自然危害程度低，且由于GDP低、人口密度較小等導(dǎo)致人類危害程度較低，另該地區(qū)濕地面積大，濕地資源豐富，故脆弱性低。

3.3? ?雙變量空間自相關(guān)

為了使風(fēng)險(xiǎn)差異更加清晰，進(jìn)一步使用雙變量空間自相關(guān)分析，首先得到全局指數(shù)（P=0.01）為-0.423，表明模型耦合結(jié)果中水源供給量和濕地生態(tài)風(fēng)險(xiǎn)指數(shù)之間存在一定的負(fù)向空間關(guān)聯(lián)性；其次通過(guò)局部莫蘭指數(shù)顯示高產(chǎn)水―低風(fēng)險(xiǎn)集聚區(qū)與低產(chǎn)水―高風(fēng)險(xiǎn)集聚區(qū)的數(shù)量和占顯著區(qū)的73%以上（圖8），主要集中在長(zhǎng)白山區(qū)和中部平原地區(qū)。

4? ?討論

4.1? ?耦合模型評(píng)價(jià)效果較好

本研究通過(guò)耦合InVEST模型產(chǎn)水量模塊和基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合方法來(lái)評(píng)價(jià)吉林省濕地生態(tài)風(fēng)險(xiǎn)，這2種模型在若爾蓋高原（Jiang et al，2017）、京津冀（Li et al，2020）、北三河（李文靜等，2021）等全國(guó)各地開展了應(yīng)用并取得良好效果?；谏鷳B(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合評(píng)價(jià)方法雖在國(guó)內(nèi)有著較為廣泛的應(yīng)用，但其往往局限于城市之間的風(fēng)險(xiǎn)性，難以反映行政區(qū)內(nèi)部的生態(tài)風(fēng)險(xiǎn)空間差異，而將其與InVEST模型產(chǎn)水量模塊進(jìn)行耦合，借助于產(chǎn)水量模塊空間可視化優(yōu)勢(shì)，初步實(shí)現(xiàn)濕地生態(tài)風(fēng)險(xiǎn)性的空間分異特征。除此之外，本研究基于水源供給量進(jìn)行評(píng)估，相比傳統(tǒng)方法中僅通過(guò)生態(tài)服務(wù)價(jià)值法（Jiang et al，2017；Li et al，2020）來(lái)反映生態(tài)服務(wù)過(guò)程，更客觀，結(jié)果也更準(zhǔn)確。最終，耦合模型初步實(shí)現(xiàn)了危險(xiǎn)性、脆弱性、風(fēng)險(xiǎn)性空間評(píng)價(jià)，為探索行政區(qū)域內(nèi)部的濕地生態(tài)風(fēng)險(xiǎn)性提供了思路。

與此同時(shí)，吉林省濕地生態(tài)風(fēng)險(xiǎn)評(píng)估結(jié)果顯示，中部地區(qū)風(fēng)險(xiǎn)指數(shù)較高，尤其中部偏西南地區(qū)，而東部地區(qū)風(fēng)險(xiǎn)指數(shù)較低，以往相關(guān)研究也印證了這一點(diǎn)。張繼權(quán)等（2007）以吉林省為研究區(qū)，選取30個(gè)指標(biāo)，構(gòu)建生態(tài)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)模型，評(píng)估了吉林省的生態(tài)環(huán)境風(fēng)險(xiǎn)水平，得到風(fēng)險(xiǎn)水平空間格局為中部較高、東部較低，但其并未考慮濕地生態(tài)，本研究結(jié)合了濕地相關(guān)指標(biāo)估算風(fēng)險(xiǎn)指數(shù)，通過(guò)耦合發(fā)現(xiàn)了西部風(fēng)險(xiǎn)指數(shù)相對(duì)較低，此因西部松遼平原濕地資源豐富（丁月龍等，2020），導(dǎo)致脆弱性較低，其次，西部地區(qū)濕地脆弱性呈現(xiàn)東高西低，符合張美琪（2021）的研究結(jié)果。雙變量空間自相關(guān)和莫蘭指數(shù)顯示高產(chǎn)水―低風(fēng)險(xiǎn)集聚區(qū)與低產(chǎn)水―高風(fēng)險(xiǎn)集聚區(qū)（圖8），主要集中在長(zhǎng)白山區(qū)和中部平原地區(qū)，這一分布特點(diǎn)也在梁警丹（2007）和吳健等（2017）的研究中得以印證。此外，低產(chǎn)水―高風(fēng)險(xiǎn)集聚區(qū)面積較大，以往相關(guān)研究（謝余初，2015；李輝等，2021）也證實(shí)水源供給服務(wù)變化會(huì)對(duì)生態(tài)風(fēng)險(xiǎn)性產(chǎn)生直接影響，故針對(duì)該集聚區(qū)需采取合理的濕地保護(hù)建議，增強(qiáng)區(qū)域的水源供給服務(wù)能力，加強(qiáng)濕地生態(tài)系統(tǒng)的保護(hù)與修復(fù)，實(shí)現(xiàn)區(qū)域的可持續(xù)發(fā)展。

綜上所述，耦合InVEST模型產(chǎn)水量模塊和基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合評(píng)價(jià)方法對(duì)吉林省濕地生態(tài)風(fēng)險(xiǎn)的評(píng)價(jià)效果較好，可快速、準(zhǔn)確地開展區(qū)域濕地生態(tài)風(fēng)險(xiǎn)評(píng)估，有助于濕地生態(tài)管理更精細(xì)化。

4.2? ?耦合模型的局限及改進(jìn)

本研究通過(guò)耦合InVEST模型產(chǎn)水量模塊和基于生態(tài)風(fēng)險(xiǎn)評(píng)估概念模型的多指標(biāo)綜合評(píng)價(jià)方法，對(duì)吉林省濕地生態(tài)風(fēng)險(xiǎn)進(jìn)行評(píng)估，更具直觀、準(zhǔn)確意義，但耦合過(guò)程也存在一定的局限，如有部分指標(biāo)無(wú)法空間化，而采用賦值法得到，后續(xù)還需深入研究以進(jìn)一步改進(jìn)該模型。同時(shí)，本研究將吉林省視作封閉空間，未考慮其他省市對(duì)吉林省的生態(tài)影響，參考經(jīng)濟(jì)溢出、城市化與生態(tài)環(huán)境關(guān)系方面的文獻(xiàn)（盧斌和王瑩，2010），可知隨著區(qū)域城市化步伐逐漸加速，城市發(fā)展的溢出效應(yīng)也在持續(xù)增加，對(duì)城市及其周圍地區(qū)的生態(tài)環(huán)境也有著一定的影響。未來(lái)將進(jìn)一步考慮周圍城市的生態(tài)風(fēng)險(xiǎn)溢出效應(yīng)等相關(guān)指標(biāo)，更為全面地估算濕地生態(tài)風(fēng)險(xiǎn)性。

參考文獻(xiàn)

包玉斌，李婷，柳輝，等，2016. 基于InVEST模型的陜北黃土高原水源涵養(yǎng)功能時(shí)空變化[J]. 地理研究，35（4）：664-676.

北京市園林綠化局，2014. 林業(yè)生態(tài)工程生態(tài)效益評(píng)價(jià)技術(shù)規(guī)程： DB11/T 1099-2014[S].

陳艷紅，于婧，聶艷，等，2021. 土地利用水平與景觀生態(tài)風(fēng)險(xiǎn)的空間耦合： 以十堰市為例[J]. 水土保持研究，28（1）：285-291.

丁月龍，趙春子，張洺也，2020. 吉林省濕地現(xiàn)狀與保護(hù)建議[J]. 貴州農(nóng)業(yè)科學(xué)，48（7）：119-122.

竇苗，孫建國(guó)，陳海鵬，2017. 基于InVEST模型的橫斷山區(qū)產(chǎn)水量模擬[J]. 安徽農(nóng)業(yè)科學(xué)，45（21）：54-58.

傅斌，徐佩，王玉寬，等，2013. 都江堰市水源涵養(yǎng)功能空間格局[J]. 生態(tài)學(xué)報(bào)，33（3）：789-797.

顧錚鳴，金曉斌，沈春竹，等，2018. 近15a江蘇省水源涵養(yǎng)功能時(shí)空變化與影響因素探析[J]. 長(zhǎng)江流域資源與環(huán)境，27（11）：2453-2462.

黃菁，范繼輝，何曉蓉，2021. 基于InVEST模型的張家口地區(qū)水源涵養(yǎng)功能研究[J]. 山地學(xué)報(bào)，39（3）：327-337.

吉林省統(tǒng)計(jì)局，2016. 2016吉林統(tǒng)計(jì)年鑒[M]. 北京：中國(guó)統(tǒng)計(jì)出版社.

李輝，周啟剛，李斌，等，2021. 近30年三峽庫(kù)區(qū)生態(tài)系統(tǒng)服務(wù)價(jià)值與生態(tài)風(fēng)險(xiǎn)時(shí)空變化及相關(guān)性研究[J]. 長(zhǎng)江流域資源與環(huán)境，30（3）：654-666.

李慧穎，2019. 基于遙感和InVEST模型的遼寧省退耕還林工程生態(tài)效應(yīng)評(píng)估[D]. 長(zhǎng)春：吉林大學(xué).

李靜波，2020. 吉林省人口就業(yè)結(jié)構(gòu)演變研究[D]. 長(zhǎng)春：吉林大學(xué).

李文靜，王盛，李慶，等，2021. 氣候和土地利用變化對(duì)北三河流域生態(tài)系統(tǒng)水源供給服務(wù)功能的影響[J]. 華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），（4）：99-108.

梁警丹，2007. 吉林省生態(tài)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)與管理對(duì)策研究[D]. 長(zhǎng)春：東北師范大學(xué).

盧斌，王瑩， 2010. 基于格網(wǎng)GIS的艾比湖流域城市化與生態(tài)環(huán)境效應(yīng)評(píng)價(jià)研究[D]. 西安：西北大學(xué).

馬瓊芳，燕紅，李偉等，2021. 吉林省濕地生態(tài)系統(tǒng)固碳和釋氧服務(wù)功能分析[J]. 生態(tài)環(huán)境學(xué)報(bào)， 30（12）：2351-2359.

潘韜，吳紹洪，戴爾阜，等，2013. 基于InVEST模型的三江源區(qū)生態(tài)系統(tǒng)水源供給服務(wù)時(shí)空變化[J]. 應(yīng)用生態(tài)學(xué)報(bào)，24（1）：183-189.

彭聰，巴俊杰，胡芬，等，2019. 廣西會(huì)仙巖溶濕地典型抗生素污染特征及生態(tài)風(fēng)險(xiǎn)評(píng)估[J]. 環(huán)境科學(xué)學(xué)報(bào)，39（7）：2207-2217.

王盛萍，張志強(qiáng)，Ge S，等，2012. 基于MIKESHE模型的潮河流域土地利用與降水變化對(duì)水文的影響評(píng)價(jià)[J]. 生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)，28（3）：320-325.

王堯，徐佩，傅斌，等，2018. 森林生態(tài)系統(tǒng)水源涵養(yǎng)功能評(píng)估模型研究進(jìn)展[J]. 生態(tài)經(jīng)濟(jì)，34（2）：158-164.

王云飛，葉愛(ài)中，喬飛，等，2021. 水源涵養(yǎng)內(nèi)涵及估算方法綜述[J]. 南水北調(diào)與水利科技（中英文），19（6）：1041-1071.

吳健，李英花，黃利亞，等，2017. 東北地區(qū)產(chǎn)水量時(shí)空分布格局及其驅(qū)動(dòng)因素[J]. 生態(tài)學(xué)雜志，36（11）：3216-3223.

謝高地，張彩霞，張昌順，等，2015. 中國(guó)生態(tài)系統(tǒng)服務(wù)的價(jià)值[J]. 資源科學(xué)，37（9）：1740-1746.

謝余初，2015. 基于InVEST模型的甘肅白龍江流域生態(tài)系統(tǒng)服務(wù)時(shí)空變化研究[D]. 蘭州：蘭州大學(xué).

謝余初，鞏杰，齊姍姍，等，2017. 基于InVEST模型的白龍江流域水源供給服務(wù)時(shí)空分異[J]. 自然資源學(xué)報(bào)，32（8）：1337-1347.

邢璐平，方斌，向夢(mèng)杰，2019. 基于GWR模型的江蘇省耕地集約利用水平時(shí)空變化特征及影響因素[J]. 長(zhǎng)江流域資源與環(huán)境，28（2）：376-386.

許學(xué)工，林輝平，付在毅，等，2001. 黃河三角洲濕地區(qū)域生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)[J]. 北京大學(xué)學(xué)報(bào)（自然科學(xué)版），37（1）：111-120.

張繼權(quán)，梁警丹，周道瑋，2007. 基于GIS技術(shù)的吉林省生態(tài)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)[J]. 應(yīng)用生態(tài)學(xué)報(bào)， 18（8）：1765-1770.

張健威，曾莎莎，梁延鵬，等，2021. 會(huì)仙濕地水體有機(jī)磷農(nóng)藥污染特征及生態(tài)風(fēng)險(xiǎn)[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，40（9）：1990-1997.

張曼胤，崔麗娟，盛連喜，等，2007. 衡水湖濕地底泥重金屬污染及潛在生態(tài)風(fēng)險(xiǎn)評(píng)價(jià)[J]. 濕地科學(xué)，5（4）：362-369.

張美琪，2021. 吉林省西部濕地生態(tài)系統(tǒng)服務(wù)功能價(jià)值評(píng)估[D]. 長(zhǎng)春：吉林農(nóng)業(yè)大學(xué).

張?zhí)烊A，王彤，黃瓊中，等，2018. 西藏高原拉薩河流域生態(tài)風(fēng)險(xiǎn)評(píng)估[J]. 生態(tài)學(xué)報(bào)，38（24）：9012-9020.

朱蕾，2014. 城市擴(kuò)張對(duì)濕地景觀的影響[D]. 延吉：延邊大學(xué).

Bagstad K J， Semmens D J， Winthrop R， 2013. Comparing approaches to spatially explicit ecosystem service modeling： A case study from the San Pedro River， Arizona[J]. Ecosystem Services， 5：40-50.

Canadell J， Jackson R B， Ehleringer J B， et al， 1996. Maximum rooting depth of vegetation types at the global scale[J]. Oecologia， 108（4）：583-595.

Fu Y， Zhao J， Peng W， et al， 2018. Spatial modelling of the regulating function of the Huangqihai Lake wetland ecosystem[J]. Journal of Hydrology， 564：283-293.

Jiang W， Lv J， Wang C， et al， 2017. Marsh wetland degradation risk assessment and change analysis： A case study in the Zoige Plateau， China[J]. Ecological Indicators， 82：316-326.

Jiang Y， Nan Z， Yang S， 2013. Risk assessment of water quality using Monte Carlo simulation and artificial neural network method[J]. Journal of environmental management， 122：130-136.

Li Z， Jiang W， Wang W， et al， 2020. Ecological risk assessment of the wetlands in Beijing-Tianjin-Hebei urban agglomeration[J]. Ecological Indicators， 117：106677.

Muro J， Strauch A， Heinemann S， et al， 2018. Land surface temperature trends as indicator of land use changes in wetlands[J]. International journal of applied earth observation and geoinformation， 70：62-71.

Nelson E， Mendoza G， Regetz J， et al， 2009. Modeling multiple ecosystem services， biodiversity conservation， commodity production， and tradeoffs at landscape scales[J]. Frontiers in Ecology and the Environment， 7（1）：4-11.

Peng J， Pan Y， Liu Y， et al， 2018. Linking ecological degradation risk to identify ecological security patterns in a rapidly urbanizing landscape[J]. Habitat International， 71：110-124.

Picó Y， Alvarez-Ruiz R， Alfarhan A H， et al， 2020. Pharmaceuticals， pesticides， personal care products and microplastics contamination assessment of Al-Hassa irrigation network （Saudi Arabia） and its shallow lakes[J]. Science of The Total Environment， 701：135021.

Sarkar S， Parihar S M， Dutta A， 2016. Fuzzy risk assessment modelling of East Kolkata Wetland Area： A remote sensing and GIS based approach[J]. Environmental modelling & software， 75：105-118.

Xu T， Weng B， Yan D， et al， 2019. Wetlands of international importance： Status， threats， and future protection[J]. International Journal of Environmental Research and Public Health， 16（10）：1818.

Zhou W， Liu G， Pan J， et al， 2005. Distribution of available soil water capacity in China[J]. Journal of Geographical Sciences， 15（1）：3-12.

（責(zé)任編輯? ?張俊友? ?熊美華）

Ecological Risk Assessment of Wetlands based on Coupled InVEST and

Ecological Risk Assessment Models - A Case Study of Jilin Province

LI Juan‐juan1，2，3， LI Ru‐ren1， XIONG Jun‐feng2，3，4， WU Zi‐jing3，5， SUN Zi‐han3，6

（1. School of Transportation Engineering， Shenyang Jianzhu University， Shenyang? ?110168， P.R. China;

2. Key Laboratory of Coastal Zone Exploitation and Protection， Ministry of Natural Resource，

Nanjing? ?210023， P.R. China;

3. Nanjing Institute of Geography and Limnology， Chinese Academy of Sciences， Nanjing? ?210008， P.R. China;

4. Collaborative Innovation Center for Grassland Ecological Security （Jointly Supported by the Ministry of

Education of China and Inner Mongolia Autonomous Region）， Hohhot? ?010021， P.R. China;

5. School of Geomatics Science and Technology， Nanjing Tech University， Nanjing? ?211816， P.R. China;

6. Institute of Population Research， Anhui University， Hefei? ?230039， P.R. China）

Abstract：Wetlands are an important part of the ecosystem and play an irreplaceable role in biodiversity protection and regional economic development. In this study， Jilin Province was selected as a case study. We estimated the water supply quantity and ecological risk index of Jilin wetlands， and simulated the spatial distribution of the ecological risks of wetlands， aiming to provide guidance for wetland protection and construction. Using data on soils， meteorology and land use type in the study area， and coupling the InVEST （Integrated Valuation of Ecosystem Services and Tradeoffs） water yield model and ecological risk assessment model， 21 key evaluation indicators were used to construct an ecosystem evaluation system for assessing external dangers and internal vulnerabilities of the ecosystem. Results show that： （1） The simulation accuracy of water yield was 99.88%， and the total water yield in 2015 was 272.32×108 m3. The spatial distribution presented a pattern of gradually decreasing water yield from southeast to northwest， with the highest yield in Yanbian Korean Autonomous Prefecture and Baishan City. The spatial distribution of water yield was not consistent with the spatial distribution pattern of economic development and physical geography but was directly proportional to precipitation and inversely proportional to temperature， GDP， population density and potential evapotranspiration. （2） The ecological risk index of wetlands in Jilin Province from east to west， initially increased and then decreased. The ecological risk index of Jilin cities in order of decreasing risk was Siping City > Liaoyuan City > Changchun City > Jilin City > Songyuan City > Tonghua City > Yanbian Korean Autonomous Prefecture > Baishan City > Baicheng City. In particular， wetlands in the southwest were at higher risk due to higher temperature， higher frequency of natural disasters， higher population density， and higher restrictions of human activities on wetlands. Therefore， Jilin Province should adopt more targeted policies and measures to strengthen protection of high-risk areas to provide a strong guarantee for promoting regional socio-economic development and maintaining ecological balance.

Key words：wetland; InVEST model; ecological risk evaluation; riskiness; water supply

收稿日期：2021-12-29? ? ? 修回日期：2023-06-19

基金項(xiàng)目：黑土地保護(hù)與利用科技創(chuàng)新工程專項(xiàng)資助項(xiàng)目（XDA28110503）；美麗中國(guó)生態(tài)文明建設(shè)科技工程專項(xiàng)資助項(xiàng)目（XDA23020202）；自然資源部海岸帶開發(fā)與保護(hù)重點(diǎn)實(shí)驗(yàn)室開放基金資助項(xiàng)目（2021CZEPK03）。

作者簡(jiǎn)介：李娟娟，1998年生，女，碩士研究生，主要從事生態(tài)環(huán)境遙感監(jiān)測(cè)方面研究。E-mail： ljj72_luck@163.com

通信作者：熊俊峰。E-mail： jfxiong@niglas.ac.cn