EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 8: 1406 - 1420

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.590

生态与灾害

生态输水背景下黑河流域生态系统服务的时空演变特征及驱动力研究

  • 王嘉伟 , 1 ,
  • 董国涛 , 2 ,
  • 蒋晓辉 1 ,
  • 聂桐 1 ,
  • 李跃红 1
展开
  • 1.西北大学城市与环境学院，陕西 西安 710127
  • 2.黑河水资源与生态保护研究中心，甘肃 兰州 730030
董国涛（1982-），男，博士，正高级工程师，主要从事干旱区水文过程模拟、水资源调度与配置、生态环境遥感研究. E-mail:

王嘉伟（2000-），男，硕士，主要从事生态系统服务研究. E-mail:

收稿日期: 2024-11-18

  修回日期: 2025-01-26

  网络出版日期: 2026-03-11

基金资助

黑河下游额济纳绿洲适宜生态格局研究(AMKJ2023-07)

国家社会科学基金(23&ZD104)

收起

Spatiotemporal evolution characteristics and driving forces of ecosystem services in the Heihe River Basin under the context of ecological water conveyance

  • Jiawei WANG , 1 ,
  • Guotao DONG , 2 ,
  • Xiaohui JIANG 1 ,
  • Tong NIE 1 ,
  • Yuehong LI 1
Expand
  • 1. College of Urban and Environmental Studies, Northwest University, Xi’an 710127, Shaanxi, China
  • 2. Heihe Water Resources and Ecological Protection Research Center, Lanzhou 730030, Gansu, China

Received date: 2024-11-18

  Revised date: 2025-01-26

  Online published: 2026-03-11

Fold

摘要

黑河流域生态调水等政策实施有效缓解了该流域生态环境恶化趋势，生态环境质量显著改善。在该流域目前已有的研究成果中，针对生态系统服务时空演变特征的研究时段较短、区域局限，且大多未对其受环境治理政策及其他驱动因素影响进行定性定量分析。以黑河流域为研究区域，旨在揭示1990—2022年产水深度、生境质量、碳储存量和土壤保持量的时空演变特征，通过耦合InVEST-PLUS模型评估生态输水对下游生态系统服务的影响，并利用地理探测器解析驱动因素。结果表明：（1）2000年后，流域碳储存量和生境质量整体呈增加趋势，产水深度与土壤保持量则呈先增后减趋势。空间上呈现“南高北低”阶梯状分布，高值集中于祁连山区，低值分布于中下游荒漠带。（2）下游碳储量、生境质量与正义峡年均径流量显著正相关（P<0.05）。相较于自然发展情景，生态输水使两者在实际情景下呈现逐年增加趋势。（3）地理探测器各驱动因子中，数字高程、气温、降水量和潜在蒸散发占主导地位。地理探测器结果显示因子交互解释力对生态系统服务的影响高于单因子解释力。研究结果可为黑河流域生态治理与水资源配置提供科学依据。

关键词： 生态系统服务; InVEST-PLUS耦合模型; 驱动力研究; 黑河流域

本文引用格式

王嘉伟 , 董国涛 , 蒋晓辉 , 聂桐 , 李跃红 . 生态输水背景下黑河流域生态系统服务的时空演变特征及驱动力研究[J]. 干旱区地理, 2025 , 48(8) : 1406 -1420 . DOI: 10.12118/j.issn.1000-6060.2024.590

Abstract

The implementation of ecological water diversion policies in the Heihe River Basin, northwest China has significantly mitigated ecological degradation, leading to marked improvements in environmental quality. However, previous studies examining the spatiotemporal evolution of ecosystem services in this basin have been limited by short timeframes and narrow regional focus. Moreover, most have lacked integrated qualitative and quantitative assessments of the effects of environmental governance policies and other driving forces. This study investigates the spatiotemporal dynamics of water yield depth, habitat quality, carbon storage, and soil conservation from 1990 to 2022 across the Heihe River Basin. The impact of ecological water conveyance on downstream ecosystem services is evaluated by coupling the InVEST-PLUS model, and a geographic detector is employed to identify key driving factors. The findings reveal that: (1) Post-2000, carbon storage and habitat quality showed an overall increasing trend, while water yield depth and soil conservation initially increased and then declined. Spatially, ecosystem services exhibited a stepwise pattern of “higher in the south, lower in the north”, with high values concentrated in the Qilian Mountains and low values in the barren middle and lower reaches. (2) Downstream carbon storage and habitat quality were significantly positively correlated (P<0.05) with annual runoff at Zhengyi Gorge. Under actual scenarios, ecological water conveyance promoted consistent upward trends compared to natural development scenarios. (3) According to the geographic detector, digital elevation model, temperature, precipitation, and potential evapotranspiration were the dominant driving factors. The interactive explanatory power of combined factors surpassed that of individual factors. These results provide a scientific basis for ecological governance and water resource allocation in the Heihe River Basin.

Key words： ecosystem services; InVEST-PLUS coupled model; driving forces research; Heihe River Basin

黑河是我国第二大内陆河，由于其固有的地质环境系统，流域内降水相对较少，气温较高，气候干旱，生态条件极其脆弱，加之不合理的人类活动导致地下水干涸、水环境严重恶化、荒漠化、盐碱化等问题的出现，极端脆弱的生态系统由结构性破坏向着功能性紊乱发展转变，严重阻碍当地经济增长以及可持续发展[1-3]。自20世纪80年代以来，随着黑河中游经济社会的快速发展，水资源需求急剧上升。正义峡下泄水量大幅减少，导致下游地区特别是额济纳区域天然绿洲严重退化、湖泊面积呈现减少趋势[4-5]。为改善黑河流域生态环境，自2000年起，黑河流域管理局实施水量调度，通过“全线闭口、集中下泄”的方式，将2000—2003年、2004—2007年、2008年至今分为应急调度时期、常规调度时期、生态调度时期，直到2022年，使正义峡下泄水量由7.96×108 m3增至12.36×108 m3，东居延海连续17 a未干涸，绿洲退化趋势缓解，当地自然环境得到明显改善[4]。这一系列人为干预显著改变了流域水文过程，因此揭示政策实施以及自然条件对生态系统服务变化的影响，是研究该流域水文过程和流域生态系统演变的关键，同时也能够评估水量调度等一系列政策所带来的环境效益。
生态系统服务指生态系统形成和维持的人类赖以生存发展的环境条件与效用[6]，其可量化出人类直接或者间接从生态系统获得的所有收益[7]，生态系统服务变化情况可以直观地反映出生态系统健康状况及人类社会需求[8]。因此评估生态系统服务能够直观地将生态系统健康状况展现出来，而InVEST模型是对生态系统服务进行评估研究的高效工具[9]。近年来，已有部分研究通过利用该模型对黑河流域生态系统服务进行评价估算：张福平等[10]通过InVEST模型对黑河流域上游水源涵养量进行评估及研究；李芳等[11]使用InVEST模型对黑河流域上游1990—2018年产水量进行了模拟研究；张福平、李芳等[10-11]相关研究揭示了黑河流域上游水源涵养量时空变化特征及气候条件的影响，但多关注上游单一子区域的单一生态系统服务功能，且缺乏全流域系统分析；王蓓等[12]利用InVEST模型对黑河流域生态系统服务在空间分布上的特征进行了分析研究，对黑河流域2011年的产水量、土壤保持、碳储存等6项服务进行了估算，揭示了多个生态系统服务功能空间分布特征，但目前对黑河流域生态系统服务在较长时间序列上时空变化特征的研究仍存在空白，且所研究的生态系统服务功能种类单一，缺乏归因分析，忽略了其变化背后驱动力因素的影响。以生态系统服务时空特征的研究为前提，通过识别其背后的驱动因素，能够为后续生态系统改善及可持续性发展等策略实施提供有效的科学依据[13]。国内其他区域在该领域的研究思路较为完善，如朱春霞等[13]通过InVEST模型结合地理探测器，揭示黄河流域5种生态系统服务1990—2019年的时空分布特征以及其驱动因素；韩武宏[14]通过InVEST模型结合地理探测器，对1990—2018年祁连山国家公园的4种生态系统服务时空分布特征及其驱动因素进行探究，但未考虑政策干预对流域水文及生态带来的影响，缺乏情景对比分析，难以评估政策实施的净生态效益。
为对黑河流域生态系统服务进行系统性的研究，揭示驱动因素对黑河流域生态系统服务的影响及水量调度等政策实施后所带来的生态环境治理效益。本文以前人研究为基础，并弥补以往研究的不足，将产水深度、土壤保持量、碳储存量以及生境质量作为研究对象，使用InVEST模型及空间统计分析方法揭示流域生态系统服务1990—2022年的时空变化特征。针对下游生态输水，利用InVEST-PLUS耦合模型对自然发展情景下土地利用情况进行模拟，并在此基础上对生态系统服务进行评估，通过对比分析实际情景与自然发展情景来研究生态输水带来的环境效益，最后通过地理探测器进行流域生态系统服务变化的驱动力分析。

1 数据与方法

1.1 研究区概况

黑河流域处于河西走廊中部，地理位置介于98°~101°E，38°~42°N之间，是河西走廊的“母亲河”，流域总面积约为14.29×104 km2，全长928 km，地跨青、甘、内蒙古，自南向北分别分布着半干旱、干旱与极度干旱气候区，是国内西北地区第二大的内陆流域。
黑河流域下游大部分为荒漠区域，本文在下游区域将河湖沿岸及绿洲作为研究重点，分析其生态系统服务时空分布情况。通过将下游河流沿岸作为缓冲区，去除大部分荒漠区域后得到研究区示意图（图1）。自南向北分别为黑河流域上游、中游及下游。研究区地势南高北低，祁连山脉坐落于上游南部，中游多分布高原及平原，下游多为荒漠。其中，中游区域张掖绿洲以及下游额济纳旗绿洲是遏制巴丹吉林沙漠扩张，减少沙尘暴灾害的重要生态屏障[7]。
图1 研究区示意图

Fig. 1 Schematic diagram of the study area

1.2 数据来源

表1为论文所采用的主要数据、分辨率及数据来源，其中月均降水量、月均潜在蒸散发、月均气温来自国家青藏高原中心，分辨率为1 km×1 km；土地利用类型数据使用GLC_FCS30D数据集，并将地类进行重分类为耕地、林地、草地等9种地类，分辨率为30 m×30 m；土壤数据来自联合国农粮组织，分辨率为1 km×1 km；数字高程数据来自地理空间数据云，分辨率为90 m×90 m；根系深度数据来自Scientific Data-Nature，分辨率为1 km×1 km；植被归一化指数数据来自科学数据银行，分辨率为30 m×30 m；人口密度数据及国内生产总值数据来自北京树谷信息科技有限公司，分辨率为1 km×1 km。
表1 数据分辨率及来源

Tab. 1 Data resolution and source

数据类型 分辨率 数据来源
月均降水量 1 km×1 km 国家青藏高原中心（https://data.tpdc.ac.cn）
月均潜在蒸散发 1 km×1 km 国家青藏高原中心（https://data.tpdc.ac.cn）
月均气温 1 km×1 km 国家青藏高原中心（https://data.tpdc.ac.cn）
土地利用类型 30 m×30 m 地球大数据科学工程数据共享平台（https://data.casearth.cn/）
土壤数据 1 km×1 km 联合国粮农组织（https://www.fao.org/home/en/）
数字高程 90 m×90 m 地理空间数据云（https://www.gscloud.cn/）
根系深度 1 km×1 km Scientific Data-Nature（https://www.nature.com/sdata/）
植被归一化指数 30 m×30 m 科学数据银行（https://www.scidb.cn/en）
人口密度 1 km×1 km 北京树谷信息科技有限公司（https://www.bjsgxxkj.com/）
国内生产总值 1 km×1 km 北京树谷信息科技有限公司（https://www.bjsgxxkj.com/）

1.3 研究方法

1.3.1 InVEST模型

InVEST模型（生态系统服务评估与权衡模型）应用于各类生态系统服务的评估，是由美国自然资本项目组开发的综合性评估模型。本文使用InVEST模型对黑河流域生态系统服务进行评估，包括产水深度、碳储存量、生境质量和土壤保持量4项生态系统服务。
（1）产水深度模块
InVEST模型中产水深度主要利用年平均降水量和年实际蒸散量进行计算模拟，其主要公式如下：
Y x = 1 - A E T x P x × P x
式中： Y x为某栅格单元的年产水深度值（mm）； A E T x为某栅格单元的年实际蒸散发量（mm）； P x为某栅格单元的年均降水量（mm）[15-17]。
（2）土壤保持量模块
InVEST模型中的土壤保持量模块基于土壤水土流失方程实现，主要公式如下：
u s l e x = R x × K x × L S x × C x × P x
r l k l s x = R x × K x × L S x
s c x = r l k l s x - u s l e x
式中： u s l e x为实际土壤侵蚀量（t）； r l k l s x为潜在土壤侵蚀量（t）； s c x为土壤保持量（t·km-2）； P x 、 L S x 、 R x 、 C x 、 K x分别为植被覆盖和作物管理因子、坡度坡长因子、降水侵蚀因子、水土保持措施因子和土壤可侵蚀因子[17-22]。
（3）生境质量模块
InVEST模型中的生境质量模块主要基于土地利用数据来对生境质量进行估算的，其主要公式如下：
Q x j = H j 1 - D x j z D x j z + k z
式中： Q x j为第j类土地利用类型中的第x个像素单元生境质量（无量纲，范围由0~1）； H j 、 k 、 D x j 、 z分别为生境适应性因子、半饱和常数、生境退化度及归一化常数，本文 z值取2.5[20-24]。
（4）碳储存量模块
InVEST模型中的碳储存量模块通过综合土地利用数据、碳库数据进行计算，其主要公式如下：
C t = C a + C b + C s + C d
式中： C t、 C a、 C b 、 C s、 C d依次为总碳储存量、地上碳储存量、地下碳储存量、土壤碳储存量和死亡有机物中的碳储存量（Mg·hm-2）[20-22]。

1.3.2 空间特征分析

研究采用全局莫兰指数进行空间自相关性的检验，而局部莫兰指数则能够衡量单元区域的属性与邻近区域相同属性值之间的关联程度[25-26]。通过借助ArcGIS Pro中创建2 km×2 km渔网对各类生态系统服务量进行分区统计提取均值后，以LISA聚类图形式可视化。
原理及计算公式如下：
I g l o b a l = n ∑ i = 1 n ∑ j = 1 n w i , j z i z j ∑ i = 1 n ∑ j = 1 n w i , j ∑ i = 1 n z i 2
I l o c a l = n z i ∑ j = 1 n w i , j z j ∑ i = 1 n z i 2
式中： I g l o b a l为全局莫兰指数； I l o c a l为局部莫兰指数； n为所有要素数量总和；i为像素单元的某类生态系统服务； z i为要素i的属性与相应平均值的偏差； z j为要素j的属性与相应平均值的偏差； w i , j为要素i和j两者的空间权重。其中 I的大小范围为[-1, 1]， I为正值表示该要素呈现全局正相关，反之则表示该要素呈现全局负相关性，I=0表示数据呈随机分布， I的绝对值越大，空间异质性越大[25-26]。

1.3.3 PLUS模型

PLUS模型是一个通过栅格数据对斑块尺度土地利用变化进行模拟计算的元胞自动机模型，主要由2个模块组成，分别是土地扩张分析策略（LEAS）和元胞自动机模型（CARS）[27]。
InVEST模型主要以土地利用为基础数据运行，土地利用情况对模型评估结果影响较大，结合前人研究[28-31]证实了通过耦合InVEST与PLUS模型评估不同情景下生态系统服务的方法具有可行性。模型中所需要的不同土地利用类型的惯性概率由LEAS模块获得，领域权重设置为土地扩张图所计算得到的各土地利用类型变化面积占总变化面积的比值，土地利用转换矩阵则结合前人研究成果设置[28-31]。
本研究以未进行生态输水前1990、1995年为基准年，使用PLUS模型对2000年以后每隔5 a为1期进行土地利用预测。将自然情景发展下土地利用数据与实际情况的降水量、潜在蒸散发等参数因子一同输入InVEST模型中，最终估算得到自然发展情景下的生态系统服务。

1.3.4 地理探测器

地理探测器是由王劲峰团队提出并研发的一种新兴的空间分析工具，用于分析空间分异性及其影响因素，其既可以较好规避回归分析中的内生性问题，避免多重共线性影响，也可以对驱动因素进行定性分析并识别他们两两之间的交互作用[25-26,32-36]。本研究使用R语言中的GD包，能够实现最优参数的选取。
（1）分异及因子探测
能够分析Y因素的空间分异性，并衡量因子X对Y空间分异的解释力（q），表达式如下[25]：
q = 1 - ∑ h = 1 n N h σ h 2 N σ 2
式中：h为因子X、变量Y的分层； N h为第h层的单元数； N为所有单元总数； σ h 2为层h的Y值方差； σ 2为研究区的Y值方差。q值介于0和1之间，越接近1表示因子X对因素Y的空间分异性解释力越强[25]。
（2）交互作用探测
通过分别计算和比较各单因子及两因子交互后的解释力，判断两因子是否存在交互作用，以及交互作用的相关特征[25]。
由于研究区生态系统稳定性较低，对于气候、植被等自然因素以及人类活动等影响较为敏感，同时参考黄河流域研究中驱动力分析成果[12-13]，本研究选取降水量（PRE）、潜在蒸散发（PET）、气温（TEP）、归一化植被指数（NDVI）、数字高程（DEM）、人口分布（POP）、地区生产总值（GDP）作为驱动因子。

2 结果与分析

2.1 生态系统服务时空分布特征

2.1.1 时间变化特征

对研究区生态系统服务在时间尺度上的变化（图2）进行分析，1990—2022年流域产水深度呈先增后减趋势（图2a），最高平均值出现在2010年，约58.3 mm，2020年降至最低值约19.8 mm。碳储存量总体呈持续增长趋势（图2b），1995年出现最低值约133.7 t·hm-2，2022年达到峰值约135.4 t·hm-2。生境质量在2000年达到最高水平约0.3543（图2c），1995年处于最低值约0.3403，2000年后各研究时段生境质量水平远高于2000年以前，并围绕均值0.3526波动。土壤保持量同步呈现相似波动规律（图2d），峰值出现在2010年，约4574.2 t·hm-2，于2022年达到最低值约2473.1 t·hm-2。
图2 1990—2022年生态系统服务年变化

Fig. 2 Annual changes of ecosystem services from 1990 to 2022

为进一步了解流域局部区域的生态系统服务大小关系及变化情况，将研究区进行分区统计，得到上、中、下游各年份生态系统服务在时间尺度上的变化（表2）。各生态系统服务在空间分异特征上，同年份各生态系统服务呈梯度递减规律（上游>中游>下游），下游因荒漠面积占比较高，其服务供给能力显著受限。上游、中游各服务量时序演变趋势与全流域整体一致，具有同步性。下游碳储量与生境质量呈持续增长趋势，而产水深度与土壤保持量呈先增后减趋势，峰值出现在2010年。
表2 1990—2022年黑河流域生态系统服务

Tab. 2 Ecosystem services in the Heihe River Basin from 1990 to 2022

年份 产水深度/mm 土壤保持量/t·hm-2 碳储存量/t·hm-2 生境质量
上游 中游 下游 上游 中游 下游 上游 中游 下游 上游 中游 下游
1990 65.57 20.02 15.53×10-5 7429.93 2687.58 1.42 242.29 161.29 33.52 0.6851 0.4088 0.0445
1995 84.67 26.23 32.24×10-5 8329.02 3025.15 1.56 242.09 160.31 33.26 0.6892 0.4105 0.0392
2000 112.96 33.22 6.70×10-5 9934.19 3516.55 1.27 242.46 160.25 33.55 0.6983 0.4307 0.0468
2005 149.34 41.58 6.40×10-5 11519.35 3875.54 1.25 242.39 160.23 34.15 0.6970 0.4271 0.0484
2010 172.02 53.29 21.31×10-5 12759.41 4484.87 1.44 242.61 161.00 34.94 0.6959 0.4282 0.0515
2015 109.78 31.43 5.10×10-5 9655.20 3361.11 1.26 242.01 160.78 34.82 0.6881 0.4262 0.0512
2020 61.88 16.85 0.88×10-5 7294.06 2421.13 1.06 242.04 162.30 35.33 0.6853 0.4254 0.0531
2022 71.82 22.41 0.73×10-5 6833.22 2451.68 1.01 242.78 162.16 35.16 0.6854 0.4235 0.0532

2.1.2 空间分布特征

基于1990—2022年生态系统服务空间分布及其变化（图3），研究区呈现以下规律：产水深度方面，高值区（≥84 mm）持续集中于上游祁连山区，1990年最高值达403 mm，2022年增至409 mm；中下游区域值域稳定低于上游（<84 mm），空间格局未发生显著改变，仅局部区域增幅达349 mm，荒漠区无明显波动；土壤保持量高值区（24.2×104 t·hm-2）集中分布于中上游，最大变化绝对值为13.36×104 t·hm-2；中游碳储量分布呈现散点状，最大变化值为31.3 t·hm-2，上中游普遍高于22.3 t·hm-2，下游荒漠区值域低于6.9 t·hm-2，城镇区域多呈零值；2022年生境质量高值区较1990年显著扩张，南高北低梯度分布的格局进一步强化，整体增幅呈现为上游>中游>下游。
图3 1990—2022年生态系统服务空间分布及其变化

Fig. 3 Spatial distributions and changes of ecosystem services from 1990 to 2022

根据1990年和2022年生态系统服务全局Moran’s I（表3）结果，各生态系统服务P值均小于0.001，通过显著性检验，且在空间上均呈现极强的正自相关性，这说明各类生态系统服务在空间上具有明显的聚集特征。从指数变化情况来看，2022年与1990年相比产水深度全局Moran’s I有较大幅度增加。
表3 1990—2022年生态系统服务全局Moran’s I指数

Tab. 3 Global Moran’s I index of ecosystem services from 1990 to 2022

年份 产水深度 土壤保持量 碳储存量 生境质量
Iglobal P值 Iglobal P值 Iglobal P值 Iglobal P值
1990 0.9387 0.0000 0.9020 0.0000 0.9648 0.0000 0.9570 0.0000
2022 0.9530 0.0000 0.9058 0.0000 0.9645 0.0000 0.9589 0.0000

注：Iglobal为全局莫兰指数；P值为显著性水平，P值小于0.05为显著，P值小于0.01为非常显著。

对研究区进行局部Moran’s I聚类分析得到LISA聚类图（图4），产水深度、土壤保持量、碳储存量和生境质量4项生态系统服务的高-高聚类区主要分布于南部祁连山腹地，低-低聚类区主要分布于北部荒漠带，中部过渡区多为不显著聚类区。土壤保持量、碳储存量和生境质量在南部河湖周边的聚类分布不具显著性。1990—2022年产水深度、土壤保持量北部低-低聚类区域和南部高-高聚类分布区域面积有所增加，生境质量南部的高-高聚类区域向西南转移。
图4 1990—2022年生态系统服务局部（LISA）聚类图

Fig. 4 LISA maps of ecosystem services from 1990 to 2022

由生态系统服务空间分异特征占比统计（表4）可知，从高-高聚类区域来看，产水深度占比由12.69%（1990年）增长至12.94%（2022年），土壤保持量、碳储存量保持稳定，生境质量由25.34%缩减至23.62%；生境质量的不显著区域占比变化幅度相对较大，由41.04%增加至44.48%；低-低聚类区域占比变化中，土壤保持量由38.84%增加至39.76%，碳储存量和生境质量分别减少了0.77%和1.70%，产水深度变化幅度不大。
表4 1990—2022年生态系统服务空间聚类占比

Tab. 4 Spatial cluster proportion of ecosystem services from 1990 to 2022 /%

聚类类型 产水深度 土壤保持量 碳储存量 生境质量
1990年 2022年 1990年 2022年 1990年 2022年 1990年 2022年
高-高聚类 12.69 12.94 16.27 16.09 32.66 32.63 25.34 23.62
高-低聚类 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01
不显著区域 44.74 44.41 44.86 44.13 33.72 34.53 41.04 44.48
低-低聚类 42.57 42.65 38.84 39.76 33.59 32.82 33.58 31.88
低-高聚类 0.00 0.00 0.03 0.02 0.02 0.02 0.04 0.01

2.2 归因分析

2.2.1 生态输水对黑河流域下游生态系统服务的影响

考虑到下游受到水量调度政策的影响，对正义峡下泄至下游水量与下游区域生态系统服务之间的关系进行分析。基于水量调度政策演进，将1990—2022年正义峡年径流量变化划分为4个阶段（图5）：随着不同调水模式的转变，正义峡下泄水量呈现阶段性增加趋势。2000年前未进行生态输水的本底时期内最大年径流量出现在1998年，为1.128×109 m3，该阶段正义峡年径流量呈现强波动趋势；2000—2004年为应急调度时期内峰值出现在2003年，为1.200×109 m3；2004—2008年为常规调度时期，最大值出现于2007年，为1.216×109 m3，这一时期正义峡年径流量变化波动较平缓；2008年之后为生态调度时期，2016年为峰值达到1.592×109 m3，整体趋势呈现先增加后减少趋势。同时结合1990—2022年降水量和潜在蒸散发的变化趋势可以发现：研究区潜在蒸散发常年保持较高水平，波动幅度不大。2000年以前本底时期内，正义峡年径流量变化趋势与自然降水量基本一致；应急调度时期，正义峡年径流量变化与降水量变化相对比下具有一定滞后性；常规调度时期及生态调度时期，与降水量大幅波动不同，正义峡年径流量波动幅度较小，且部分年份出现相反变化趋势，如降水量在2019—2020年呈大幅度降低，而正义峡年径流量却呈小幅度增加。
图5 1990—2022年不同水量调度时期下正义峡年径流量、降水量和潜在蒸散发变化

Fig. 5 Changes in annual runoff, precipitation, and evapotranspiration at Zhengyi Gorge under different water regulation periods from 1990 to 2022

以上结果表明，黑河流域下游在生态输水工程实施后，正义峡下泄水量在人为调控下一定程度上降低了自然条件变化对其的影响，成为影响下游生态环境的综合性因素。因此，为将其与气候等自然条件和人为活动区分，将其作为单独的驱动因素进行分析。
分别统计各期正义峡年均径流量与各生态系统服务量（表5），能够得到以下结论：2000年以前，正义峡年均径流量呈现下降趋势，自2000年以后，年均径流量逐渐增加，而生境质量与碳储存量与其趋势基本同步，分别到2020年增加至最大值，其中碳储量为35.33 t·hm-2，生境质量为0.0532，由此推测生态输水对碳储存量和生境质量有一定影响。
表5 1990—2022年正义峡年均径流量与下游生态系统服务

Tab. 5 Average annual runoff of Zhengyi Gorge and ecosystem services in the downstream from 1990 to 2022

年份 年均径流量/108 m3 产水深度/10-5 mm 土壤保持量/t·hm-2 碳储存量/t·hm-2 生境质量
1990 8.62 15.53 1.42 33.52 0.0445
1995 7.26 32.24 1.56 33.26 0.0392
2000 7.96 6.70 1.27 33.55 0.0468
2005 9.22 6.40 1.25 34.15 0.0484
2010 11.26 21.31 1.44 34.94 0.0515
2015 12.70 5.10 1.26 34.82 0.0512
2020 14.35 0.88 1.06 35.33 0.0532
2022 12.36 0.73 1.01 35.16 0.0532
据1990—2022年正义峡年均径流量与下游各生态系统服务相关系数（表6）显示：正义峡年均径流量与下游碳储存量与生境质量之间的Pearson系数、Spearman系数均高于0.8，且通过显著性检验，这说明正义峡年均径流量与生境质量和碳储存量呈现显著正相关。
表6 正义峡年均径流量与下游生态系统服务间的相关系数

Tab. 6 Correlation coefficient between average annual runoff and downstream ecosystem services

相关系数 产水深度 土壤保持量 碳储存量 生境质量
Pearson -0.6058 -0.6571 0.8891（P<0.01） 0.8299（P<0.05）
Spearman -0.7143（P<0.05） -0.6190 0.8571（P<0.01） 0.8383（P<0.01）
以上述相关性分析结果为基础，为进一步验证正义峡年均径流量变化与生境质量和碳储存量的变化关系，量化在生态输水实施情景下黑河下游生境质量、碳储存量变化情况。通过InVEST-PLUS模型耦合设置自然发展情景进行模拟，并将模拟结果与实际调控情景进行对比，评估生态输水效应。其中PLUS模型将2000年土地利用预测结果用于模型率定，结果显示，Kappa系数为0.821，总体精度为0.889，满足空间模拟结果可靠性要求。将1990—2022年下游碳储存量及生境质量自然情景模拟结果与实际情景进行对比（表7），在生态输水情景和实际结果下可以看出黑河下游碳储存量和生境质量呈持续增加的趋势，而自然发展情景下两者整体呈现逐年减少的趋势，且相应年份模拟结果明显低于实际结果，尤其是2022年，实际情景下的碳储存量为35.16 t·hm-2，自然发展情景下则为30.39 t·hm-2，生境质量实际情景下为0.0532，自然发展情景下为0.0301，两者具有明显差异。这表明生态输水实施后，黑河流域下游碳储存量及生境质量逐期呈现改善趋势，且与自然发展情景对比后，能够一定程度上反映出下游在生态输水条件下环境恶化情况得到了有效遏制。
表7 1990—2022年下游碳储存量及生境质量模拟结果与实际对比

Tab. 7 Comparison of downstream carbon storage and habitat quality simulation results from 1990 to 2022

年份 碳储存量/t·hm-2 生境质量
实际 模拟 实际 模拟
1990 33.52 - 0.0445 -
1995 33.26 - 0.0392 -
2000 33.55 32.21 0.0468 0.0370
2005 34.15 31.72 0.0484 0.0348
2010 34.94 31.42 0.0515 0.0337
2015 34.82 31.06 0.0513 0.0323
2020 35.33 30.83 0.0532 0.0311
2022 35.16 30.39 0.0532 0.0301

2.2.2 地理探测器的驱动力分析结果

基于地理探测器模型的因子解释力及排名（表8）进行分析：在产水深度中，DEM、PRE、PET和TEP的q值位居前四，其中DEM最高（约0.9146）；土壤保持量中，PRE的q值位居第一，约0.6160，其次PET；碳储存量中DEM的q值最大，约0.8379，TEP次之；生境质量中DEM的q值最大，约0.7756，PET次之。总体来看DEM、PRE、PET和TEP这4个驱动因素对各生态系统服务的影响程度较大。除此之外，NDVI在碳储存量和生境质量中的q值要高于产水深度和土壤保持量中的q值，说明NDVI在4种生态系统服务中，对生境质量和碳储存量的影响较大。
表8 地理探测器中驱动因子q值及排名

Tab. 8 The q values and ranking of driving factors by Geodetector

驱动因子 解释力（q值）（排名）
产水深度 土壤保持量 碳储存量 生境质量
降水量（PRE） 0.9141（2） 0.6160（1） 0.7981（4） 0.7509（4）
潜在蒸散发（PET） 0.9140（3） 0.5960（2） 0.8181（3） 0.7667（2）
气温（TEP） 0.9024（4） 0.5880（3） 0.8247（2） 0.7658（3）
人口分布（POP） 0.0368（7） 0.0864（7） 0.1440（7） 0.1590（7）
地区生产总值（GDP） 0.3240（6） 0.3424（5） 0.4357（6） 0.4225（6）
归一化植被指数（NDVI） 0.3283（5） 0.2661（6） 0.6824（5） 0.6561（5）
数字高程（DEM） 0.9146（1） 0.5875（4） 0.8379（1） 0.7756（1）
通过横向对比可知各类单一驱动因素对因变量解释力不如双因子交互作用下高（图6），通过纵向对比可知DEM与其他因子交互作用的解释力较强。产水深度中DEM和PRE交互作用的解释力最强，土壤保持量中PRE和PET交互作用后的解释力最强，碳储存量和生境质量中DEM和NDVI交互作用后的解释力最强。
图6 驱动因子交互探测结果

注：DEM为数字高程；GDP为地区生产总值；NDVI为归一化植被指数；PET为潜在蒸散发；POP为人口分布；PRE为降水量；TEP为气温。

Fig. 6 Interaction detection results of driving factors

3 讨论

该流域内以往研究大多直接对生态系统服务评估且种类单一，研究的时间序列不长，研究范围多仅局限于流域某一子流域，且对引起其变化的驱动因素进行分析的相关研究不多[10-12,20,37-42]。
本研究在相对较长时间序列上对黑河流域生态系统服务由整体到局部进行系统性的评估，产水深度、土壤保持量呈现先增加后减少的趋势。生境质量2000年以前总体水平较低，2000年以后生境质量提高，呈现波动趋势。碳储存量整体呈现增加趋势。各生态系统服务空间分布上与王蓓等[12]、胡秀芳等[20]对黑河流域生态系统服务空间格局的研究结论基本一致，由南向北呈现由高向低阶梯状分布，下游则主要沿河流、湖泊和绿洲分布，各生态系统服务在空间分布上相似；Moran’s I空间分析结果显示，各类生态系统服务空间分异特征显著，高值聚集分布于南侧上游祁连山脉地区，低值聚集分布于北侧中下游荒漠地区。黑河流域生态系统服务在时间上的变化与该流域自然条件、政策实施有重要联系，一方面由于流域南侧祁连山脉的存在阻挡了水汽向北方的输送加上流域本身处于内陆，受到大陆性干旱气候的影响，形成从东南向西北延伸依次为冷湿的链状高山、干燥的平原绿洲、极端干燥的沙漠戈壁的地形地貌[20]，因此气候条件、地形地貌、植被分布情况在时空分布上的差异是黑河流域生态系统服务时空分布产生差异性的重要原因。另一方面为改善黑河流域中下游生态环境，提高社会经济质量，政府出台了众多政策[4]，其中水量调度政策对黑河下游生态环境的改善具有重要意义。
驱动力因素分析中，一方面针对下游受生态输水的影响进行分析，下游水量调度政策使得正义峡年均径流增加，下游生态系统服务中生境质量与碳储存量随之增加，与之呈现显著正相关，且通过InVEST-PLUS模型耦合对自然情景下生境质量和碳储存量进行模拟，与实际情景进行对比，可见实施生态输水工程后，下游碳储存量及生境质量得到提高，黑河下游生态环境明显改善，与张一驰等[40]对2000—2009年黑河流域下游额济纳地区实施生态输水后生态环境及植被变化结果基本一致。另一方面，利用地理探测器对研究区整体的生态系统服务变化进行归因分析，DEM、TEP、PRE和PET是各类生态系统服务分布和变化的主要影响因素，其中TEP对PET具有直接影响作用，可见水分因素及地形地貌对黑河流域生态系统服务的影响程度较大，通过PRE和PET的波动情况（图5）结合驱动力因素分析结果来看，PRE、PET变化情况一定程度上影响各生态系统服务的变化，例如，2010—2015年PRE减少而PET增加情况下，各类生态系统服务均呈现减少趋势。在地理探测器的双因子交互探测中，因子交互作用后解释力要高于单因子解释力，说明研究区生态环境变化本质上是在多种驱动因素综合作用下的结果：产水深度中DEM和PRE交互作用后的解释力最强，这一定程度上揭示了流域内地形梯度对水汽再分配具有明显的放大效应；土壤保持量中PRE和PET交互作用的解释力最强，例如当高降雨与高蒸散发同时发生时，两者的协同作用会显著放大土壤流失风险。同时，这一结果凸显出研究区土壤保持量受降雨侵蚀影响较大；碳储存量和生境质量中DEM和NDVI交互作用后的解释力最强，这是由于地形对植被分布具有一定的约束效应即不同海拔显著影响植被的分布情况，进一步影响碳储存量和生境质量，例如高海拔区由于水分等条件较好，从而具有较高的NDVI值，所以碳储存量和生境质量也相对较高。

4 结论

（1）黑河流域碳储存量和生境质量自2000年以后整体呈现增加趋势，产水深度、土壤保持量呈现先增加后减少趋势，各类生态系统服务具有显著的空间自相关性且分异特征，高值多分布于南侧上游祁连山脉地区，低值聚集分布于北侧中下游荒漠地区，整体呈现南高北低，阶梯状分布特征。
（2）下游碳储量、生境质量与正义峡下泄至下游水量具有显著正相关性，模拟自然情景发展下的碳储量、生境质量呈现逐年降低趋势，实际情景下进行生态输水后两者呈现逐年增加趋势。
（3）地理探测器中DEM、TEP、PRE和PET占主导地位。地理探测器结果显示因子交互驱动作用对生态系统服务的影响高于单因子驱动作用。

5 不足与展望

2000年以来黑河流域整体生态环境向好的方向发展，除了自然条件的影响，与水量调度政策和社会经济发展等政策有着密切的关系，因此研究水量调度对黑河流域生态系统服务的影响具有重要意义，尤其是其影响生态系统服务背后的机制需要重点关注。
同时，由于数据获取的限制，研究对生态系统服务变化情况未进行逐年分析，对于时间序列上的变化分析不够精细，同时土地利用类型划分的精确程度不够高，这可能对结果有一定影响，对于影响因素作用于生态系统服务功能的背后影响作用机制未进行深层次探讨。在未来研究中应考虑获取更全面的数据，使用精确程度更高的土地利用类型数据来对黑河流域生态系统服务进行更为准确的评估，同时还应考虑生态系统服务间的权衡与协同作用对于生态系统服务自身的影响，并针对影响因素的作用机制进行进一步研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
康婷婷, 李增, 高彦春. 西北干旱区山地-绿洲-荒漠系统生态恢复综合效益评估[J]. 生态学报, 2019, 39(20): 7418-7431.

[Kang Tingting, Li Zeng, Gao Yanchun. Effectiveness of ecological restoration in the mountain-oasis-desert system of northwestern arid area of China[J]. Acta Ecologica Sinica, 2019, 39(20): 7418-7431. ]

[2]
赵军, 马小平, 魏伟. 近50年黑河流域潜在植被的演替及生态环境变化研究[J]. 草业学报, 2014, 23(5): 61-68.

DOI

[Zhao Jun, Ma Xiaoping, Wei Wei. Vegetation succession and ecological changes in the Heihe River watershed over the past 50 years[J]. Acta Prataculturae Sinica, 2014, 23(5): 61-68. ]

DOI

[3]
Ma Z, Kang S, Zhang L, et al. Analysis of impacts of climate variability and human activity on streamflow for a river basin in arid region of northwest China[J]. Journal of Hydrology, 2008, 352(3/4): 239-249.

[4]
蒋晓辉, 夏军, 黄强, 等. 黑河“97”分水方案适应性分析[J]. 地理学报, 2019, 74(1): 103-116.

DOI

[Jiang Xiaohui, Xia Jun, Huang Qiang, et al. Adaptability analysis of the Heihe River “97” water diversion scheme[J]. Acta Geographica Sinica, 2019, 74(1): 103-116. ]

DOI

[5]
Zhang L, Dawes W R, Walker G R. Response of mean annual evapotranspiration to vegetation changes at catchment scale[J]. Water Resources Research, 2001, 37(3): 701-708.

[6]
Daily G C. Nature’s services: Societal dependence on natural ecosystems[M]. Washington: Island Press, 2013: 454-464.

[7]
Costanza R, D’Arge R, De Groot R, et al. The value of the world’s ecosystem services and natural capital[J]. Nature, 1997, 387(6630): 253-260.

[8]
曹祺文, 卫晓梅, 吴健生. 生态系统服务权衡与协同研究进展[J]. 生态学杂志, 2016, 35(11): 3102-3111.

[Cao Qiwen, Wei Xiaomei, Wu Jiansheng. A review on the tradeoffs and synergies among ecosystem services[J]. Chinese Journal of Ecology, 2016, 35(11): 3102-3111. ]

[9]
张静静, 朱文博, 朱连奇, 等. 伏牛山地区森林生态系统服务权衡/协同效应多尺度分析[J]. 地理学报, 2020, 75(5): 975-988.

DOI

[Zhang Jingjing, Zhu Wenbo, Zhu Lianqi, et al. Multi-scale analysis of trade-off/synergy effects of forest ecosystem services in the Funiu Mountain region[J]. Acta Geographica Sinica, 2020, 75(5): 975-988. ]

DOI

[10]
张福平, 李肖娟, 冯起, 等. 基于InVEST模型的黑河流域上游水源涵养量[J]. 中国沙漠, 2018, 38(6): 1321-1329.

DOI

[Zhang Fuping, Li Xiaojuan, Feng Qi, et al. Spatial and temporal variation of water conservation in the upper reaches of Heihe River Basin based on InVEST model[J]. Journal of Desert Research, 2018, 38(6): 1321-1329. ]

DOI

[11]
李芳, 张金龙, 杨环. 基于InVEST模型的黑河流域上游1990—2018年产水量模拟[J]. 高原气象, 2022, 41(3): 698-707.

DOI

[Li Fang, Zhang Jinlong, Yang Huan. Simulation of annual water yield in the upper Heihe River Basin from 1990 to 2018 based on InVEST[J]. Plateau Meteorology, 2022, 41(3): 698-707. ]

DOI

[12]
王蓓, 赵军, 胡秀芳. 基于InVEST模型的黑河流域生态系统服务空间格局分析[J]. 生态学杂志, 2016, 35(10): 2783-2792.

[Wang Bei, Zhao Jun, Hu Xiufang. Spatial pattern analysis of ecosystem services based on InVEST in Heihe River Basin[J]. Chinese Journal of Ecology, 2016, 35(10): 2783-2792. ]

[13]
朱春霞, 钟绍卓, 龙宇, 等. 黄河流域生态系统服务的时空演变及其驱动力[J]. 生态学杂志, 2023, 42(10): 2502-2513.

[Zhu Chunxia, Zhong Shaozhuo, Long Yu, et al. Spatiotemporal variation of ecosystem services and their drivers in the Yellow River Basin, China[J]. Chinese Journal of Ecology, 2023, 42(10): 2502-2513. ]

DOI

[14]
韩武宏. 基于InVEST模型的祁连山国家公园生态系统服务功能评估及其驱动力研究[D]. 兰州: 西北师范大学, 2022.

[Han Wuhong. Evaluation of ecosystem services in Qilian Mountain National Park based on InVEST model and its driving forces[D]. Lanzhou: Northwest Normal University, 2022. ]

[15]
包玉斌, 李婷, 柳辉, 等. 基于InVEST模型的陕北黄土高原水源涵养功能时空变化[J]. 地理研究, 2016, 35(4): 664-676.

DOI

[Bao Yubin, Li Ting, Liu Hui, et al. Spatial and temporal changes of water conservation of Loess Plateau in northern Shaanxi Province by InVEST model[J]. Geographical Research, 2016, 35(4): 664-676. ]

[16]
李成, 赵洁, 庄智程, 等. 长三角城市群生态系统服务权衡强度时空演变及影响因素[J]. 生态学报, 2022, 42(14): 5708-5720.

[Li Cheng, Zhao Jie, Zhuang Zhicheng, et al. Spatiotemporal dynamics and influencing factors of ecosystem service trade-offs in the Yangtze River Delta urban agglomeration[J]. Acta Ecologica Sinica, 2022, 42(14): 5708-5720. ]

[17]
何佳瑛, 蒋晓辉, 雷宇昕. 黄土高原生态工程对关键生态系统服务时空变化的影响——以延河流域为例[J]. 生态学报, 2023, 43(12): 4823-4834.

[He Jiaying, Jiang Xiaohui, Lei Yuxin. Effects of ecological engineering on spatio-temporal changes of key ecosystem services on the Loess Plateau: A case study in the Yanhe River Basin, China[J]. Acta Ecologica Sinica, 2023, 43(12): 4823-4834. ]

[18]
Fu B J, Zhao W W, Chen L D, et al. Assessment of soil erosion at large watershed scale using RUSLE and GIS: A case study in the Loess Plateau of China[J]. Land Degradation & Development, 2005, 16(1): 73-85.

[19]
陈童尧, 贾燕锋, 王佳楠, 等. 基于InVEST模型的祁连山国家级自然保护区土壤保持现状与功能[J]. 干旱区研究, 2020, 37(1): 150-159.

[Chen Tongyao, Jia Yanfeng, Wang Jianan, et al. Current situation and function of soil conservation in National Nature Reserves in the Qilian Mountains based on InVEST model[J]. Arid Zone Research, 2020, 37(1): 150-159. ]

[20]
胡秀芳, 赵军, 王蓓, 等. 黑河流域生态系统服务空间协同与权衡变化[J]. 生态学杂志, 2022, 41(3): 580-588.

[Hu Xiufang, Zhao Jun, Wang Bei, et al. Changes of spatial synergies or trade-offs of ecosystem services in Heihe River Basin[J]. Chinese Journal of Ecology, 2022, 41(3): 580-588. ]

DOI

[21]
王耕, 冯妍. 辽宁太子河流域生态系统服务权衡/协同关系时空变化与情景预测[J]. 生态学报, 2024, 44(1): 96-106.

[Wang Geng, Feng Yan. Spatio-temporal variation and scenario prediction of ecosystem service tradeoffs/synergies in the Taizi River Basin Liaoning Province[J]. Acta Ecologica Sinica, 2024, 44(1): 96-106. ]

[22]
刘颂, 张浩鹏, 裴新生, 等. 长时间序列生态系统服务权衡与协同驱动因素——以芜湖市生态系统服务功能极重要区为例[J]. 生态学报, 2024, 44(5): 1780-1790.

[Liu Song, Zhang Haopeng, Pei Xinsheng, et al. Drivers of ecosystem service trade-off and synergy in long-term sequence: A case study of the extremely important ecosystem service function area in Wuhu City[J]. Acta Ecologica Sinica, 2024, 44(5): 1780-1790. ]

[23]
许宝荣, 刘一川, 董莹, 等. 基于InVEST模型的兰州地区生境质量评价[J]. 中国沙漠, 2021, 41(5): 120-129.

DOI

[Xu Baorong, Liu Yichuan, Dong Ying, et al. Evaluation of habitat quality in Lanzhou region based on InVEST model[J]. Journal of Desert Research, 2021, 41(5): 120-129. ]

DOI

[24]
张华, 韩武宏, 宋金岳, 等. 祁连山国家公园生境质量时空演变[J]. 生态学杂志, 2021, 40(5): 1419-1430.

[Zhang Hua, Han Wuhong, Song Jinyue, et al. Spatial-temporal variations of habitat quality in Qilian Mountain National Park[J]. Chinese Journal of Ecology, 2021, 40(5): 1419-1430. ]

[25]
Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67: 250-256.

[26]
孟斌, 王劲峰, 张文忠, 等. 基于空间分析方法的中国区域差异研究[J]. 地理科学, 2005, 25(4): 393-400.

[Meng Bin, Wang Jinfeng, Zhang Wenzhong, et al. Evaluation of regional disparity in China based on spatial analysis[J]. Scientia Geographica Sinica, 2005, 25(4): 393-400. ]

DOI

[27]
Liang X, Guan Q F, Clarke K C, et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China[J]. Computers Environment and Urban Systems, 2021, 85: 101569, doi: 10.1016/j.compenvurbsys.2020.101569.

[28]
蒋小芳, 段翰晨, 廖杰, 等. 基于PLUS-SD耦合模型的黑河流域中游甘临高地区土地利用研究[J]. 干旱区研究, 2022, 39(4): 1246-1258.

DOI

[Jiang Xiaofang, Duan Hanchen, Liao Jie, et al. Land use in the Gan-Lin-Gao region of middle reaches of Heihe River Basin based on a PLUS-SD coupling model[J]. Arid Zone Research, 2022, 39(4): 1246-1258. ]

DOI

[29]
秦正, 高宇潇, 萨木哈·单山白. 基于PLUS-InVEST的济南多情景土地利用变化模拟与碳储量评估[J]. 人民黄河, 2024, 46(5): 117-122.

[Qin Zheng, Gao Yuxiao, Sarsenbay Samha. Multi scenario land use change simulation and carbon storage assessment in Jinan City based on PLUS-InVEST model[J]. Yellow River, 2024, 46(5): 117-122. ]

[30]
任胤铭, 刘小平, 许晓聪, 等. 基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响[J]. 生态学报, 2023, 43(11): 4473-4487.

[Ren Yinming, Liu Xiaoping, Xu Xiaocong, et al. Multi-scenario simulation of and use change and its impact on ecosystem services in Beijing-Tianjin-Hebei region based on the FLUS-InVEST model[J]. Acta Ecologica Sinica, 2023, 43(11): 4473-4487. ]

[31]
胡丰, 张艳, 郭宇, 等. 基于PLUS和InVEST模型的渭河流域土地利用与生境质量时空变化及预测[J]. 干旱区地理, 2022, 45(4): 1125-1136.

DOI

[Hu Feng, Zhang Yan, Guo Yu, et al. Spatial and temporal changes in land use and habitat quality in the Weihe River Basin based on the PLUS and InVEST models and predictions[J]. Arid Land Geography, 2022, 45(4): 1125-1136. ]

DOI

[32]
方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011, 26(3): 7.

[Fang Kuangnan, Wu Jianbin, Zhu Jianping, et al. A review of technologies on random forests[J]. Journal of Statistics and Information, 2011, 26(3): 7. ]

[33]
Breiman L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[34]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

DOI

[Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. ]

DOI

[35]
李传哲, 于福亮, 刘佳, 等. 近20年来黑河干流中游地区土地利用/覆被变化及驱动力定量研究[J]. 自然资源学报, 2011, 26(3): 353-363.

[Li Chuanzhe, Yu Fuliang, Liu Jia, et al. Research on land use/cover change and its driving force in midstream of the Heihe Mainstream Basin during the past 20 years[J]. Journal of Natural Resources, 2011, 26(3): 353-363. ]

DOI

[36]
薛晓玉, 王晓云, 段含明, 等. 基于土地利用变化的祁连山地区生境质量时空演变分析[J]. 水土保持通报, 2020, 40(2): 278-284, 325.

[Xue Xiaoyu, Wang Xiaoyun, Duan Hanming, et al. Analysis on spatio-temporal evolution of habitat quality in Qilian Mountains based on land use change[J]. Bulletin of Soil and Water Conservation, 2020, 40(2): 278-284, 325. ]

[37]
王雅, 蒙吉军. 黑河中游土地利用变化对生态系统服务的影响[J]. 干旱区研究, 2017, 34(1): 200-207.

[Wang Ya, Meng Jijun. Effects of land use change on ecosystem services in the middle reaches of the Heihe River Basin[J]. Arid Zone Research, 2017, 34(1): 200-207. ]

[38]
Thevs N, Peng H, Rozi A, et al. Water allocation and water consumption of irrigated agriculture and natural vegetation in the Aksu-Tarim River Basin, Xinjiang, China[J]. Journal of Arid Environments, 2015, 112: 87-97.

[39]
Yan F, Shangguan W, Zhang J, et al. Depth-to-bedrock map of China at a spatial resolution of 100 meters[J]. Scientific Data, 2020, 7(1): 2, doi: 10.5194/essd-2018-103.

[40]
张一驰, 于静洁, 乔茂云, 等. 黑河流域生态输水对下游植被变化影响研究[J]. 水利学报, 2011, 42(7): 757-765.

[Zhang Yichi, Yu Jingjie, Qiao Maoyun, et al. Effects of eco-water transfer on changes of vegetation in the lower Heihe River Basin[J]. Journal of Hydraulic Engineering, 2011, 42(7): 757-765. ]

[41]
石莹, 别强, 苏晓杰, 等. 基于InVEST模型的水源涵养功能评价的时空变化——以兰州市为例[J]. 干旱区地理, 2024, 47(9): 1518-1529.

DOI

[Shi Ying, Bie Qiang, Su Xiaojie, et al. Spatiotemporal variation of water conservation function evaluation based on InVEST model: A case of Lanzhou City[J]. Arid Land Geography, 2024, 47(9): 1518-1529. ]

DOI

[42]
黄学煜, 修丽娜, 陆志翔. 陇东黄土高原生态系统服务权衡效应及其驱动因素[J]. 干旱区地理, 2025, 48(3): 480-493.

DOI

[Huang Xueyu, Xiu Lina, Lu Zhixiang. Effects and driving factors of ecosystem service trade-offs in the Longdong Loess Plateau, China[J]. Arid Land Geography, 2025, 48(3): 480-493. ]

DOI

Options
文章导航

/

〈 〉