【文献分享】东北农业大学崔嵩等JEM:碳相关生态系统服务的时空动力学:揭示社会生态驱动因素并利用捆绑包进行可持续空间分区

在气候变化、人为碳排放量上升等全球环境挑战不断升级的背景下，生态系统在调节碳循环和提供多种相互关联的生态系统服务方面的作用越来越受到关注。然而，对碳与碳相关生态系统服务（CCES）之间复杂相互作用的全面认识仍然有限，阻碍了持续环境变化下的有效生态系统管理和生态安全规划。本研究提出了一个结合空间映射、定量评估和驱动因素分析的综合框架来研究6个CCES的动态。我们系统地量化了它们的时空模式，确定了权衡和协同作用，描绘了服务包，并分析了主导的社会生态驱动因素。我们的研究结果揭示了三个关键见解：（1）CCES分布的显著空间异质性，在研究期间，粮食生产（FP）的增幅最大（152.1%）;（2）CCESs对之间的10个协同关系和5个权衡关系，特别是FP和碳储量（CS）之间的强权衡;（3）某些 CCES 对内协同作用的时间下降，强调需要有针对性的管理干预措施。此外，我们确定生态系统服务包（ESB）是空间分区和规划的坚实基础。CCES相互作用的空间异质性和潜在驱动因素凸显了特定区域管理策略的重要性。这些发现有助于从理论上理解CCES相互作用，为制定空间目标保护政策提供实用指导，从而支持更有效的生态系统管理以应对全球环境挑战。

一、研究背景与重要性

生态系统服务（ESs）是人类生存与发展不可或缺的生命支持基础，提供从食物生产（FP）、土壤保持（SC）到气候调节等一系列至关重要的惠益。其中，碳及碳相关生态系统服务（CCESs）在维护地球边界和支撑人类福祉方面发挥着关键作用，尤其是在全球变化加速的背景下。政府间气候变化专门委员会（IPCC）第六次评估报告指出，过去五十年全球变暖速度空前，导致全球超过40%的生态系统出现退化。尽管当前的生态系统管理努力旨在减轻这些影响，但在应对日益加剧的人为干扰方面仍显不足。这些干扰进一步破坏了自然碳动态，改变了碳源-汇平衡，并损害了CCES的持续供给。应对这些相互关联的挑战，需要新的框架，将CCES优化与生态安全相结合，从而在人类世促进人类活动与自然系统的协同关系。

二、核心研究路径与方法

理解ES之间复杂的相互依存关系，是设计平衡生态完整性与人类需求的可持续管理策略的基础。

一、碳及相关生态系统服务评估

研究首先对六种关键的碳及碳相关生态系统服务（CCESs）进行了空间显式的量化评估。所有评估均基于1km×1km的栅格单元，确保了数据的一致性和可比性。

1.粮食生产。采用能量当量法，将区域主要农产品、林产品、畜牧产品和水产品的产量统一转化为能量值（MJ）。随后，利用植被状态指数（VCI）作为权重，将总能量值空间化分配至相应的土地利用类型（如耕地、林地、水域等）的栅格上，从而得到FP的空间分布。

其中 VCI 表示植被状况指数，FP 表示该地区的总能量供应;GiJ 表示第 i 格网和地型 J 所提供的单位能量;VCIiJ 表示土地利用类型 J 的第 i 格的单位 VCI，VCI sum（j） 表示土地利用类型 j 的累计 VCI，G sum（j） 表示土地使用类型 J 的总能量供应。

2.产水量。文章采用 InVEST 模型的年度水产量模块，定量评估 HLJP 中水的时间变化和空间分布模式。该模块基于水分平衡原理，利用降水量、蒸散作用和作物根系限制层深度等输入，在网格单元层计算 WY。WY 的计算公式如下：

其中 Yik 表示网格 i 中土地利用类型 k 的年平均 WY;AETik 表示网格 i 中土地利用类型 k 的年度实际蒸散量;P 表示网格单元 i 中的年降水量。

3.土壤保护。为了评估 HLJP 中的沉积物输送能力，我们使用了 InVEST 模型中的沉积物输送比率（SDR）模块。该模块利用 DEM 和土壤数据估算潜在和实际土壤侵蚀程度。这些估计值之间的差异反映了土壤保护能力。SDR 模块基于通用土壤流失方程（USLE），计算方法如下：

其中 RKLS 表示栅格单元 i 的潜在土壤侵蚀量;ULSE 表示栅格单元 i 的实际土壤侵蚀量;R、K、LS、C 和 P 分别代表栅格单元 i 的降雨侵蚀因子、土壤侵蚀因子、地形因子、植被覆盖因子和保护实践因子。

4.净初级生产力。NPP 是评估陆地生态系统生产力和碳封存能力的关键指标，在缓解气候变化中发挥着关键作用。NPP 独特地展现了生态系统主动吸收大气二氧化碳的能力。NPP 水平升高表明碳汇容量更强，是维持多种生态系统服务的基础。

5.栖息地质量。为评估 HQ，基于 HLJP 中普遍存在的具体土地利用类型构建了威胁和敏感性矩阵。此次评估采用了 InVet 模型，HQ 计算公式如下：

其中 Qij 表示土地利用类型 j 的网格 i 总部;DiJ 代表土地利用类型 J 的网格 I 的栖息地应力水平;H 是土地利用类型 J 的栖息地适宜性;R 是半饱和常数，定义为 Dij 最大值的一半 。HQ 值范围为 0 到 1，数值越高表示栖息地条件越好。

6.碳储存。碳封存在量化碳储存的长期稳定性并突出生态系统作为碳储层的功能方面具有独特性。InVEST 模型中的碳储存模块通过将生态系统中的有机碳划分为四个不同的碳库来评估：地上生物质、地下生物量、土壤碳和死物质。本研究基于 HLJP 的具体生态条件确定了碳密度值。这些数值随后乘以相应的土地利用面积，估算出总碳储存量，具体公式如下：

其中 Ctotal 表示研究区域的总碳储存量;C 上方表示地上生物质碳储存;C 下图为地下生物质碳储存;C 土壤代表土壤碳储存;C 死亡表示死物质碳储存。

二、碳与碳相关生态系统服务对之间的权衡/协同

相关分析是评估变量之间关系强度的关键方法。为了识别 CCES 对之间的潜在权衡和协同效应，我们采用了 Spearman 的非参数相关分析。ES 对之间的正相关表示协同效应，负相关则表示权衡。统计分析基于 412,957 人的样本量。Spearman 的相关分析分别在 2000、2010 和 2020 年，使用 R 4.3.3 版本中的“corrplot”软件包进行。

三、基于GeoDetector的CCES关键驱动因素分析

GeoDetector 是一款在 Microsoft Excel 中实现的软件工具，由四个功能模块组成：风险检测器、因子检测器、生态检测器和相互作用检测器。因子探测器通过以下公式量化不同因素解释 WY 空间变化的程度：

一. 碳和碳相关生态系统服务的时空变化

2000 年至 2020 年间，HLJP 中的 CCES 表现出显著的时空变化（见图 3）。高价值 FP 区域主要集中在东北部和西南部地区，这些地区以较高比例的农田为特征。这些地区在整个研究期间服务提供也显著增加。WY 明显呈向西北递增的坡度，高价值区域主要位于哈尔滨和牡丹江市。SC 服务在空间上有明显差异，而高价值区域主要分布在哈尔滨、牡丹江和大兴安山地区。中等流量（范围为 3000 至 7000 吨 /平方公里）的区域在研究区域中占比相对较小。NPP 的空间分布与 SC 非常相似。值得注意的是，大兴安山脉在 2000 年至 2020 年间 NPP 值最初上升，随后下降，而中部和东南部地区则持续呈上升趋势。总部和中央委员会展示了长期稳定的空间分布，高价值区域主要位于小兴安山脉和大兴安山脉。总部和 CS 的低价值区域在整体研究区域中占比相对较小。

图4 2000 年、2010 年和 2020 年碳与碳相关生态系统服务对之间的相关性及时间变化

三.碳和碳相关生态系统服务的社会生态驱动因素

GeoDetector 分析系统性评估了 CCES 上社会生态驱动力的解释力（q 值），阐明了持续的主导驱动及其时间演变（见图5）。q 值范围为 0 至 1，值越高表示该因子对 HLJP 中 CCES 空间分布的影响越大。地形参数（DEM 和坡度）在 FP 中始终占主导地位，而坡度的解释力随时间递增，类似于 GDP 和温度，而 NDVI 和降水的影响则逐渐减弱。降水是 WY 的主要驱动因素，尽管时间略有下降，但整个研究期间 q 值保持在 0.80 以上。斜率被认为是 SC 的主要决定因素，其主导性逐年增强，次要驱动因素（降水量、DEM 和 NDVI）在 q = 0.20 附近表现出相对稳定的年际变化。对 NPP 的分析显示所有驱动因素逐渐减弱，尤其在种群和温度效应中表现得尤为明显。对于 CS 而言，DEM 仍是最具影响力的变量，温度、坡度、NDVI、GDP 和人口之间存在明显的时间趋势;降水影响极小且持续减少。总部动态与 CS 的动态相呼应，强化了与海拔相关的机制的一致作用。

图5 碳及碳相关生态系统服务社会生态驱动因素的解释力

对驱动因素交互的分析发现了各 CCES 之间的明显模式（ 图 6）。对于 FP，交互式解释力范围为 0.3 到 0.7。怀俄明州表现出降水主导的协同效应，尽管时间有轻微减少，相互作用值始终超过 0.85。基于斜坡的相互作用显示出 SC 的最高解释能力，而温度-GDP-人口组合效应极小（<0.15）。CS 展现了时间演变的主导相互作用：DEM-NDVI（2000 年）、坡度-人口（2010 年）和坡度-GDP（2020 年）。2000 年至 2010 年间，总部的互动动态与 CS 类似，但到 2020 年转向以 DEM 群体为主导。这些时间差异凸显了生物物理与人为驱动因素在各服务类别间的差异性耦合机制。

图7 生态系统服务包内生态系统服务的组成及相对规模

图8 生态系统服务捆绑包的时空模式

一、 核心发现与机制阐释

研究证实，CCESs的空间分布具有显著的异质性，这主要受自然地理格局和人类活动的共同驱动。例如，食物生产的高值区集中于西南部和东北部的黑土平原，而碳储存、栖息地质量等高值区则分布在大小兴安岭等林区。这种空间分异直接导致了服务间复杂的权衡与协同关系。

研究发现，食物生产与其他CCESs（尤其是碳储存）之间存在显著的权衡关系。这主要是由于大范围的农业活动侵占了自然生态系统，导致了碳库的消耗和生境的碎片化。另一方面，碳储存与栖息地质量之间表现出最强的协同效应，这表明植被覆盖度高、生态系统结构完整的区域能够同时提供多种服务。然而，一些重要的协同关系（如产水量与碳储存）随时间呈现减弱趋势，这很可能与气候变化背景下降水格局的改变有关。

驱动因子分析进一步揭示，自然因素（如地形、降水）是塑造CCESs空间格局的基础性力量。然而，社会经济因子（如GDP、人口）的解释力在食物生产、碳储存等服务中不容忽视，凸显了人类活动作为关键驱动力的角色。特别值得注意的是，因子间的交互作用多呈现非线性增强效应，意味着多种驱动力的共同作用会产生“1+1>2”的放大影响，这增加了生态系统管理的复杂性。

综上所述，本研究不仅深化了对黑土区CCESs相互作用机制的理解，更重要的是，它将理论发现转化为可操作的空间规划方案。研究强调，未来的生态管理必须从“一刀切”转向 “分区施策” ，通过调节人类活动的强度和方式，来缓解服务间的权衡，增强其协同效应，最终实现区域生态安全与可持续发展的长远目标。这一研究框架也为全球其他面临类似发展压力的地区提供了有益的借鉴。