延河流域植被景觀格局與水文連通性關系

王利成, 溫仲明, 逯金鑫

(1.中科院 水利部 水土保持研究所, 陜西 楊凌712100; 2.中國科學院大學，北京 100049； 3.西北農林科技大學 草業與草原學院, 陜西 楊凌 712100)

土地利用/覆被變化既是自然因素作用的結果，也受到人類活動的強烈影響，是下墊面特征變化最直觀的表現形式。水作為影響土地利用的重要的自然因素，同時也受到土地利用變化的影響，兩者的交互響應，構成了一個復雜的環境系統。土地利用變化在地表或近地表區域對徑流產生影響，其中地形、植被覆蓋狀況、農業實踐和城市化等均可以對水文過程產生重要影響[1-2]。人為植被變化是解釋和監測土地利用/覆被的水文和侵蝕響應的關鍵因素[3]。探索植被景觀格局與水文生態的相關關系，可為維持生態系統穩定以及優化景觀結構和格局提供關鍵依據。

水文連通性是揭示流域內徑流泥沙產生和輸移難易程度的重要方法，能夠很好地指示徑流泥沙輸移路徑及其對地表景觀變化的響應[4-5]。了解流域內水文連通性在空間維度和時間維度上的動態變化，為監控和預測流域內水沙產生和輸移提供理論依據。水文連通性作為下墊面特征的屬性之一，極易受到土地利用/覆被變化的影響。延河流域是黃土丘壑區的典型流域，水土流失嚴重，水土保持工作已連續開展多年[6]。1999年退耕還林(草)工程實施后，延河流域的景觀基質由耕地轉變為林草[7]，植被對水沙產生一定的抑制效果但更具體的響應關系仍不清晰[8-9]。本研究采用空間自相關與自回歸模型探究延河流域內不同地帶植被空間格局與水文連通性的關系，探究植被格局對水文連通性的影響，為流域內水沙控制提供科學依據。

1 材料與方法

1.1 研究區概況

1.2 數據來源

本文選取2017年 6—9月份的 Landsat影像，以提取計算水文連通性指數中所需的植被覆蓋因子。2017年的土地利用和覆蓋數據來源于清華大學30 m土地覆蓋數據集FROM-GLC(Finer Resolution Observation and Monitoring — Global Land Cover)(http:∥data.ess.tsinghua.edu.cn)，經過裁剪和綜合分類獲得研究區2017年土地利用分類圖(圖1)。從“地理空間數據云平臺”(http:∥www.gscloud.cn/)下載了分辨率為30 m的數字高程模型DEM數據。所有數據都進行重采樣至300 m分辨率。

圖1 研究區概況

1.3 研究方法

1.3.1 水文連通性指數計算 本研究利用Borselli等[11]提出的水文連通性指數 (Index of Connectivity)為理論基礎，進行模擬計算。水文連通性指數 (IC)的基本思想是位置A輸移到位置B沉積物的量由A位置產生物質的能力和位置A到B傳質效率所決定，兩者以概率的形式表示。IC表征了物質運移的潛在可能性，其值越大說明連通性就越大，物質的運移就越容易。公式如下：

(1)

IC的計算和部分分析是在ArcGIS 10.6平臺上進行的，在IC計算過程中需要輸入的數據包括坡度S、匯流面積A、徑流路徑長度d和權重因子W。坡度S、匯流面積A和徑流路徑長度d可以根據研究區域數字高程模型DEM進行地形計算獲得；權重因子W用修正通用水土流失方程(RUSLE)中的植被覆蓋因子C表征[11]。

植被覆蓋因子C的計算采用遙感[12]的方法：

(2)

本文在計算匯流面積A和徑流路徑長度d時選用對徑流路徑模擬效果較好的多流向算法，具體計算在 TauDEM中實現。

1.3.2 景觀格局指數 景觀格局指數能夠識別并歸納景觀格局信息，并且將景觀的空間結構定量化，被廣泛用于衡量景觀格局特征[13]。使用6個景觀格局指數(表1)來表征延河流域的景觀格局特征，并通過 Fragstats 4.2軟件計算了2017年延河流域景觀格局指數。利用Fragstats 4.2軟件的移動窗口工具，設立1 km×1 km的正方形窗口，以固定窗口作為計算不同景觀格局指數的最小分析單元，提取計算結果并賦值給窗口柵格[14]。為消除量綱的影響，運用ArcGIS 10.6軟件，以各個窗口為基本單元對水文連通指數與景觀指數進行標準歸一化處理[15]。

思雨離開公司，費了很大周折，終于找到一家商店。他買了一個高倍放大鏡，又回到公司。一進辦公室，思雨便將那兩個紙包分別打開，把兩根發絲左右放好。拿出放大鏡，進行放大觀察比較。放大鏡下面的兩根栗紅色的長發絲，像兩條金蛇一樣。左看右看，還是沒有發現這兩根發絲有什么差別，可能就意味著思雨的再一次失敗。

表1 景觀格局指數及其生態學意義

1.3.3 空間自相關分析 空間自相關分析[16]能展現變量在空間上的分布情況以及這種分布狀況是否與鄰近空間和鄰近變量有關，結果以Moran′I的大小描述相關性強弱。同時，采用雙變量空間自相關分析方法來描述空間變量單元與鄰接區域其他變量單元間的空間相關程度。

運用GeoDa1 18軟件進行空間自相關分析，全局空間自相關分析用于探究特定空間變量的整體上的聚集特征，計算公式為

(3)

式中:n代表空間單元總數；xi和xj分別是是坐標位置i和j空間單元的屬性值；Wij是空間權重矩陣；S2是樣本方差。

局部空間自相關用于探究在局部區域中空間變量的空間相關性，通過 LISA圖來直觀表示局部空間變量高值和低值的聚集狀況與空間分異特征，展現聚集模式在空間中的分布狀況，其計算公式為：

(4)

LISA系數用于描述變量在空間上的集聚性,當LISA>0表征該局部空間單元與鄰近單元在空間上的正相關程度,LISA<0則表征負相關程度。

1.3.4 空間自回歸模型 本研究利用 GeoDa1 18軟件基于空間自回歸模型對 2017年水文連通性與不同植被景觀指數進行回歸分析，公式為

y=ρW1y+βx+μ+a

(5)

μ=λW2μ+ε

(6)

式中:y代表因變量;x代表自變量,即各類景觀指數;β是自變量回歸系數;a是截距;μ是隨機誤差項;ε指代隨機誤差[17];W1和W2分別是因變量與殘差的空間權重矩陣;ρ是空間滯后項 (W1y)的回歸系數;λ是空間殘差項回歸系數。

采用普通線性回歸模型(ordinary linear regression, OLS)、空間誤差模型(spatial error model, SEM)、空間滯后模型(spatial lag model, SLM)3類空間自相關回歸模型[18]，分別以水文連通性指數和景觀格局指數為因變量和自變量，以探究植被景觀格局對水文連通性的影響。通過對比極大對數似然值 (maximum likelihood logarithm, LIK)、施瓦茨準則(Schwartz criterion, SC)、赤池信息準則(Akaike information criterion, AIC)以及空間回歸模型殘差項的 Moran′sI等指標來評價不同模型的擬合效果[19]。模型極大對數似然值越大，AIC，SC以及模型殘差的 Moran′sI越小，表示模型得到較好的擬合結果[20]。

2 結果與分析

2.1 延河流域植被景觀空間格局分析

依據表2，延河流域主要土地利用類型為耕地、林地、草地，其中草地所占比重最大，約占區域總土地利用面積的36.84%，林地次之，約占32.61%，耕地面積約占26.03%。草原帶草地植被為優勢植被類型，約占草原帶總面積的60.45%。森林草原帶中林地和草地面積基本相當，分別占森林草原帶總面積的32.34%和35.45%。而森林帶森林植被優勢明顯，約占總面積的46.31%，是森林帶中占比最高的土地利用類型。

表2 2017年延河流域土地利用

由此可見，不同植被帶分布的植被類型存在明顯差異，而不同植被對水文連通性的影響也有較大差異，這種差異與植被景觀格局變化關系密切。

比較3個植被帶林地和草地的景觀格局指數(表3)，草原帶草地占比最大(60.45%)，且草地AREA＿MN，AI較高，DIVISION較低，說明草地的景觀優勢度高，相對集中；森林帶中林地面積所占的比例最大，林地斑塊的PLAND，AI較大，其景觀優勢和聚集程度更高；森林草原帶中林地和草地景觀除SPLIT外的各項景觀指數差異不大，表明林地和草地整體分布狀況類似，而林地的SPLIT明顯小于草地，則說明林地相較于草地景觀更加破碎，草地的集聚程度更高。在空間上，PLAND能夠直觀反映特定景觀的分布狀況，能夠衡量景觀豐度。結果表明，各植被帶的林地和草地景觀的 Moran′sI值大于0.6，呈現明顯的空間集聚性。

表3 植被景觀格局指數

2.3 水文連通性格局分析

依據公式(1)計算獲得延河流域2017年的水文連通指數(圖2)，IC的范圍在-11.43～2.63，其值越低表明徑流泥沙傳輸越困難，越不易發生水土流失。在空間上，延河流域東南部水文連通指數(IC)較高，而流域中部和南部IC值較低，并且在南部呈現出明顯的集聚性。李晶等[21]在基于監測數據提出，延河流域在東南向西北方向上水土流失量呈現遞減態勢，這與延河流域水文連通性指數(IC)的空間分布規律基本一致。流域東南部形狀窄長，沖溝發育[22]，坡面物質運移到河網溝谷的距離更短，該區域地勢低且平坦，物質更易運移，這可能是該區IC值較高的主要原因。同時延長縣對石油等礦產資源的開采活動也影響植被生長的破壞，也使得該區NDVI值較低，水土流失更易發生[22]。

圖2 2017年延河流域水文連通指數(IC)分布

空間自相關分析表明(圖3)，草原帶、森林草原帶和森林帶的全局空間自相關指數分別為0.128，0.468，0.362，且顯著性p值均小于0.001，不同植被帶的水文連通性具有較強的空間正相關性。草原帶的IC的低—低聚集區要多于高—高聚集區，且分布較為分散。森林草原帶的東南部出現IC的高—高聚集區，而IC的低—低聚集區分散在其他區域。森林帶的中部和南部分布著IC的低—低聚集區，而高—高聚集區則分布在東南部。

2.4 植被景觀空間格局與水文連通性耦合分析

2.4.1 相關性與雙變量空間自相關分析 植被景觀格局對水文連通性的影響，受景觀優勢度、破碎及聚集效應等格局特征的共同作用。不同植被帶水文連通性與林草地景觀格局指數的Pearson相關性及雙變量空間自相關分析表明(表4)，3個地帶中林地的AREA_MN，AI和PLAND都與IC呈現顯著的正相關性，以及空間正相關性；DIVISION和SPLIT與IC呈顯著的負相關性，以及空間負相關性。林地景觀的優勢度和聚集程度的增加并不能帶來水文連通性的降低，而其斑塊破碎化的增加會帶來水文連通性的降低。對于3個地帶的草地景觀，其表現則與林地完全相反，AREA_MN，AI和PLAND都與IC呈現顯著的負相關性；DIVISION和SPLIT與IC呈顯著的正相關性。增加草地景觀的面積，提高草地植被的優勢度，使草地斑塊連續集中可以促使水文連通性降低。廖凱濤等[23]通過對贛江上游濂江河流域的研究，得出有林地、疏林地、灌木林和經果林等林地類型的斑塊越多，破碎度越高，越有利于阻滯徑流泥沙，而草地則相反，該結論與本文結論基本一致。

圖3 水文連通性LISA分布

草原帶中林地和草地的LSI與IC都呈現顯著正相關性，林草地植被斑塊的形狀越不規則，水文連通性越高；森林草原帶中林地的LSI與IC呈顯著正相關性，斑塊的不規則形狀會導致水文連通性在一定程度上升高，而草地的LSI與IC呈顯著負相關性，草地斑塊向不規則發展能夠帶來水文連通性的降低；森林帶中林地和草地的LSI與IC都呈現顯著負相關性，水文連通性隨林草斑塊形狀的不規則發展而降低。

2.4.2 空間自回歸分析 植被景觀指數與水文連通性具有空間相關性，結果表明(表5—6)，普通線性回歸模型(OLS)的R2，LIK較小，AIC，SC數值較大，同時OLS殘差的Moran′sI均大于空間誤差模型(SEM)和空間滯后模型(SLM)，因此，OLS不能有效解釋變量間的空間關系。SLM與 SEM擬合效果遠好于 OLS，SLM模型和SEM模型的效果差異不大，綜合來看SLM模型要略優于SEM模型，SLM模型對植被景觀格局與水文連通性的空間關系的解釋能力更強。在SEM中，λ為正且顯著，說明模型誤差的空間依賴較強；在SLM中，回歸系數ρ始終為正值且通過1%的顯著性檢驗，說明局部區域的IC受到鄰近單元IC的正影響。

表4 植被景觀格局指數與水文連通性相關性及雙變量空間自相關分析

表5 3種空間回歸模型參數對比

表6 3種空間回歸模型誤差對比

3 結 論

(1) 延河流域的水文連通性整體呈現由東南向西北的遞減趨勢。延河流域草原帶、森林草原帶和森林帶中林草地景觀與水文連通性都具有明顯的空間自相關性。

(2) 相關性分析和空間自相關分析表明：3個地帶中林地的平均斑塊面積、聚合度指數和斑塊面積百分比等表示景觀比較均勻分布的指數與IC呈現顯著的正相關性及空間正相關性；代表景觀比較破碎、不連續的指數與IC呈顯著的負相關性，以及空間負相關性。林地景觀的優勢度和聚集程度的增加并不能帶來水文連通性的降低，而其斑塊破碎化的增加會帶來水文連通性的降低。草地景觀的表現則與林地完全相反，增加草地景觀的面積，提高草地植被的優勢度，使草地斑塊連續集中可以促使水文連通性降低。

(3) 水文連通指數受景觀優勢度、破碎度以及聚集程度等因素共同影響。在不同地帶的回歸模型中，普通回歸模型不能有效解釋變量間的空間關系?？臻g滯后模型和空間誤差模型擬合效果要更好，綜合來看，空間滯后模型對植被景觀格局與水文連通性的空間關系的解釋能力更強。