基于InVEST和生態風險評估模型耦合的濕地生態風險評價——以吉林省為例

李娟娟　李如仁　熊俊峰　吳紫靜　孫子涵

摘要：濕地是生態系統的重要組成部分，在保護生物多樣性和區域經濟發展等方面發揮著不可替代的作用。基于生態系統外部危險性和內部脆弱性，選取了21個關鍵評價指標，耦合InVEST模型產水量模塊和生態風險評估模型，構建生態系統評價體系，估算吉林省濕地生態風險指數，實現吉林省濕地生態風險空間分布特征模擬，為濕地生態保護與建設提供建議。結果表明：吉林省濕地生態風險指數從東至西呈現先升后降的趨勢，各市的風險指數排序為：四平市>遼源市>長春市>吉林市>松原市>通化市>延邊朝鮮自治州>白山市>白城市，高值區主要集中在西南地區；吉林省應采取更具有針對性的政策和措施，加強對較高風險地區的保護，為維護生態平衡和促進區域社會經濟發展提供有力保障。

關鍵詞：濕地；InVEST模型；生態風險評價；風險性；水源供給

中圖分類號：X131? ? ? ?文獻標志碼：A? ? ? ? 文章編號：1674-3075（2023）06-0036-09

濕地作為生態系統的重要組成部分，具有水源供給、水文調節、生境維持等重要功能（Fu et al，2018；Picó et al，2020）。近幾十年來，隨著社會經濟迅速發展，人類活動強度增加，濕地資源被大量開發和占用，所受納的污染物急劇增加，導致脆弱的濕地生態尤其是濕地的水源供給能力遭到破壞（Xu et al，2019）。因此，結合水源供給功能評估濕地生態風險對區域濕地的保護和治理具有科學指導意義。

當前，對于水源供給服務主要通過Soil and Water Assessment Tool （SWAT）、Integrate Valuation of

Ecosystem Services and Tradeoffs tool（InVEST）和MIKE System Hydrological European（MIKE SHE）等模型進行評估（王盛萍等，2012；潘韜等，2013；王堯等，2018），其中，InVEST模型動態性強，可模擬水源供給量空間分布特征，有助于分析區域內水源供給功能的空間差異（黃菁等，2021），同時其數據和參數獲取便捷，是目前應用最為廣泛的模型，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）和美國俄勒岡州Willamette流域（Nelson et al，2009）等區域展開應用，并取得了良好的模擬效果。

目前，評估濕地生態風險的方法主要分為3類，第1類是采用單一指標來評估生態風險，如對重金屬（張曼胤等，2007）、有機污染物（張健威等，2021）、抗生素（彭聰等，2019）等指標進行調查后的生態風險評價，該類方法相對簡單，方便操作，但評價結果片面，忽略了氣候變化、人類活動等因素對濕地生態系統的影響（Peng et al，2018）。第2類是利用模型評價濕地生態風險，如相對風險模型（張天華等，2018）、人工神經網絡模型（Jiang et al，2013）等，如Sarkar等（2016）提出了Fuzzy-based Risk Assessment Model（FRAM），利用遙感和GIS工具識別East Kolkata Wetland Area（EKWA）濕地風險強度不同的區域，該方法復雜，處理過程繁瑣。第3類是基于生態風險評估概念模型的多指標綜合評價方法，如Jiang等（2017）以若爾蓋高原為研究區，選取9個關鍵指標，建立了濕地退化風險評估模型；Li等（2020）基于生態風險評估概念模型，分別從外部危險性和內部脆弱性選取22個評價指標，綜合評價了1990-2015年京津冀地區的濕地生態風險；許學工等（2001）將黃河三角洲主要生態風險源洪澇、干旱、風暴潮災害、油田污染事故以及黃河斷流的概率進行了分級評價，并提出度量生態損失與生態風險的公式與指標，完成了黃河三角洲區域生態風險綜合評價。該方法通過不同角度選取多個關鍵指標構建濕地生態風險評價體系，操作性強、便于實施、適用于大區域尺度。傳統多指標綜合評價方法中均以行政邊界為單位展開（Jiang et al，2017；Li et al，2020），缺乏對城市內部空間分布的表征，而以水源供給為主要參數的濕地生態風險評價可分析區域內的空間差異，因此通過二者之間的耦合可探索評價城市內部生態風險的方法。

濕地對吉林省的經濟發展和生態平衡有著重要的影響。但是近幾十年以來，在社會、經濟迅速發展的過程中，因不合理開發利用區域水資源和濕地資源，導致區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），區域濕地生態風險性急驟增加。因此，本研究利用InVEST產水量模型計算吉林省水源供給量，將其作為濕地生態風險評價的輸入參數，耦合基于生態風險評估概念模型的多指標綜合評價方法，分析吉林省水源供給量和濕地生態風險指數的空間分布特征，基于GeoDA軟件，利用雙變量空間分析模型耦合的空間效果，明確濕地生態保護與建設的重點區域，為吉林省的濕地生態系統保護和水資源配置提供決策依據。

1? ?研究區域與數據來源

1.1? ?區域概況

吉林省位于中國東北地區，濕地類型豐富多樣，是全國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。吉林省濕地總面積達到172.8萬km2，占區域國土總面積的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）。全省地勢東高西低，東部為長白山地區，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；氣候屬大陸性季風氣候，季節性變化明顯，自西北向東南呈現半干旱氣候、半濕潤氣候、濕潤氣候，平均降水量為500～600 mm，呈現自西向東遞增趨勢（朱蕾，2014）。近年來，全省經濟與人口發展相對平穩，但發展不均衡，中部地區人口密度大（李靜波，2020）。

1.2? ?數據來源

根據本研究所使用的模型方法，數據主要包括：（1）InVEST模型產水量模塊所需數據，主要包括年降水量、潛在蒸散發量、土壤的最大根系深度數據、植物可利用水率等；（2）濕地生態風險性評估主要包括2015年的土地利用數據、氣象數據、社會經濟數據等。相關基礎數據和參數來源如表1和表2所示，對獲取的數據按照行政邊界進行裁剪處理，并統一進行重采樣，設置為分辨率30 m。表內除土壤有關數據外，其余基礎數據均為2015年數據，土壤有關數據受獲取條件限制，來自世界土壤數據庫 （HWSD）和中國高分辨率國家土壤信息網格基本屬性數據集（2010-2018年）。

2? ?研究方法

2.1? ?技術路線

本文基于土壤、氣象以及土地利用等數據，選取了21個關鍵指標，耦合InVEST模型產水量模塊和基于生態風險評估概念模型的多指標綜合評價方法，構建了基于生態系統外部危險性和內部脆弱性的生態系統評價體系，估算吉林省濕地生態風險指數，模擬吉林省濕地生態風險空間分布特征，為濕地生態保護與建設提供建議。具體技術路線如圖2所示。

2.2? ?水源供給量計算

水源供給量采用InVEST模型中的產水量模塊進行計算，該模塊根據水量平衡原理，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的值得到區域水源供給量，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的無量綱Budyko干燥指數，是潛在蒸散發與降水量的比值；Z為Zhang系數，表示季節對降水的影響程度；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；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為土壤有機質含量（%）。

2.3? ?水源供給服務價值量計算

從表現形式上來看，水源供給、水土保持和調節徑流等為水源涵養功能的表示形式（王云飛等，2021），故此處水源供給服務價值計算參考水源涵養服務價值量計算方法，采用影子工程法評估區域的水源供給價值，計算公式如下：

式中：M為區域水源供給服務價值（元）；W為區域水源供給量，單位換算為m3；P為單位庫容造價（元/m3），使用《林業生態工程生態效益評價技術規程》（北京市園林綠化局，2014）中的水庫建設單位庫容投資6.110 7元/m3。

2.4? ?濕地生態風險評價方法

參考Li等（2020）的濕地生態風險評估方法，從危險性和脆弱性2大方面選取21個指標進行評估。其中，危險性細分為自然災害、人類危害，自然因素對濕地有著很大的影響，低降水和高氣溫使得濕地環境遭到破壞（Muro et al，2018），故將降水和溫度選為自然災害的指標，人類活動對濕地有著一定的影響，如建筑用地擴張、人口密度以及GDP等，故將社會經濟數據作為人類危害提供指標。

脆弱性細分為面積、結構、功能方面，面積指濕地面積占總面積的百分比%；結構包括斑塊數量（NP）、斑塊密度（PD）、破碎度（SPLIT）、聚集度（AI）4個景觀指標，由Fragstats軟件計算得出；功能從調節、供給、支持3個方面選取了10項功能指標。根據謝高地等（2015）提出的生態系統服務價值的當量權重因子，參考其計算的各類生態系統提供的生態服務價值，來計算濕地的生態系統服務價值，計算公式如下：

其中，ESV為區域生態系統服務價值（元），[Ai]為區域第[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功能總服務系數（元/hm2），因不同土地利用的分類，故將濕地的當量權重因子分配給灘涂、灘地和沼澤，水體的當量權重因子分配給河渠、湖泊和水庫坑塘。

在指標的選擇和計算完成后，指標需要標準化。通過結合每個指標的歸一化值及其權重，通過一系列的計算，得到了危險值、脆弱性值和濕地風險值。而研究選擇的指標分成正指標和反指標，標準化公式如下：

其中Pij和nij分別為正指標和反指標的歸一化結果，[Vij]為吉林省各市的j指標的原值，Vj為吉林省各市的j指標數組，max（Vj）和min（Vj）分別為吉林省各市Vj指數的最大和最小值。

完成指標歸一化后，用指標來計算危險性、脆弱性，危險性為自然災害和人類危害分別乘以其權重再相加；脆弱性等于濕地面積、結構和功能分別乘以各自的權重再相加。危險性和脆弱性計算公式如下所示：

2.5? ?雙變量空間自相關模型

空間自相關模型可反映某種因素在空間位置的相關程度，分為全局空間自相關與局部空間自相關（邢璐平等，2019）。為了探究水源供給功能與濕地生態風險性的空間耦合效果，采用雙變量空間分析模型，借助全局自相關系數反映整體的空間關聯和差異狀況，計算公式（陳艷紅等，2021）如下：

式中：Isr為研究尺度內水源供給量s和濕地生態風險指數r的雙變量全局相關系數；Wij為要素i和j之間的空間矩陣；[y]is和[y]ir為第i個評價單元內的水源供給量和濕地生態風險指數，ys和yr為所有評價單元內水源供給量濕地生態風險指數的均值，[σs]和[σr]為方差，n為評價單元總個數。為了全面具體地反映水源供給量與濕地生態風險指數的空間關聯性，選用GeoDa軟件，采用莫蘭指數進行空間自相關性分析，將集聚類型按照空間分布關系，劃分為4種聚集類型：高產水―高風險聚集、高產水―低風險聚集、低產水―高風險聚集、低產水―低風險聚集。

3? ?結果與分析

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、蒸散發等數據，參照2015年《吉林省水資源公報》對模型的Z值進行調整，當Z值為17.0時，模擬水源供給量誤差與實際水源供給量271.99×108 m3接近，模擬水源供給量相對誤差為0.12%，模擬精度達到99.88%，模擬得到的結果如圖3、圖4所示。故可認為當Z等于17.0，InVEST的產水量模型在吉林省的模擬效果最佳。

水源供給量模擬結果顯示，2015年吉林省水源供給量為272.32×108 m3，市平均產水深度為142.57 mm。從空間分布格局上來看，水源供給量空間分布格局呈現由東南至西北遞減的趨勢，白山市單位面積內水源供給量最高，為214.14 mm；吉林市地區單位面積內水源供給量最小，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? ?濕地風險性評價

3.2.1? ?生態危險性? ?吉林省濕地生態危險性從自然災害和人類危害2個角度評價，結果如圖5所示。

在空間上，危險指數呈現中部地區高，西北部地區略高，東南部地區低的特征，人類危害程度空間分布特征同危險性一致，而自然危害程度呈現從東南向西北遞增的趨勢。具體來看，中部和西北部地區危險指數高，尤其是長春市，該市的危險指數呈現由北向南遞增的趨勢，西南部地區危險指數達到最高，而松原市的南部，即與長春市、四平市二者相鄰的地區危險指數較高，松原市同樣，可能是因為該地區經濟發達，濕地面積較小，使得中部濕地承擔的人類危害壓力大；而東南部地區的城市，如延邊朝鮮族自治州北部地區比南部地區的危險指數高，呈現從東南部地區向西北部地區遞增的趨勢，尤其是其西北部地區，危險指數相對較高，白山市和通化市也呈現同樣的趨勢，與危險性空間分布特征一致，越往南危險性越低。東南部地區可能受自然因素的影響，降雨多，氣溫低，以及經濟欠發達，GDP、人口密度、建設用地及耕地占比較低，故其自然災害和人類危害程度低，對濕地危險性較低。

3.2.2? ?生態脆弱性? ?吉林省濕地生態脆弱性從面積、結構以及功能3個方面評估，結果如圖6所示。

在空間上，濕地生態脆弱指數呈現從東南部向西北部地區遞減的特征，大部分市的濕地脆弱指數較高，只有少部分市的脆弱指數略低，高脆弱指數主要集中在東南部地區，如白山市和延邊朝鮮族自治州等，低脆弱指數分布在西北部，如白城市；濕地的面積空間分布呈現與脆弱性相反的分布特征，從東南部向西北部地區逐漸遞增的，東南部地區面積較少，南部部分地區中等，中部地區較高，西北部地區高；濕地結構的空間分布從東南部向西北部地區遞減，有著東部地區較高，中部地區中等，南部部分地區和西北部地區略低的特征，其中松原市的濕地結構破碎度最高；濕地功能的空間分布呈現從南部向北部地區遞減，南部地區高，東部中，中部和西北部低的特征。具體來看，東南部地區濕地面積和斑塊數量小，斑塊密度和破碎度高，聚集度低，該地區的濕地較為分散，而且其生態服務功能中調節、供給的服務價值均很低，對濕地的脆弱性有一定的影響。3.2.3? ?生態風險性? ?吉林省濕地風險性從危險性和脆弱性2方面進行綜合評估，結果如圖7所示。從空間上看，濕地風險指數呈現從東至西先上升后下降的趨勢，高值區主要集中在西南地區，如四平市、遼源市等，尤其四平市為高風險區，遼源市的風險指數從南到北遞增，越靠近四平市，風險指數越高，該地區濕地面積小，濕地資源短缺，GDP高、人口密度相比較大，建設用地和耕地占比較大，承受的外部壓力大，而且生態系統服務價值較低，濕地分散，脆弱性高；中部地區為中或中低風險，如長春市、吉林市等，長春市風險指數呈現從東北向西南遞增的特征，與松原市、四平市2者相鄰的地區風險指數較高，吉林市風險指數呈現中部地區低，四周高的特點，但吉林市靠近長春市的區域風險指數較高，接近延邊朝鮮自治州、通化市、白山市的區域風險指數較低，雖然該地區的危險指數較高，但濕地面積占比高，濕地資源豐富，脆弱性低；西北部地區低風險，如白城市，空間分布特征從東南向西北遞增，同吉林市風險指數空間分布特征一致，該地區自然危害程度低，且由于GDP低、人口密度較小等導致人類危害程度較低，另該地區濕地面積大，濕地資源豐富，故脆弱性低。

3.3? ?雙變量空間自相關

為了使風險差異更加清晰，進一步使用雙變量空間自相關分析，首先得到全局指數（P=0.01）為-0.423，表明模型耦合結果中水源供給量和濕地生態風險指數之間存在一定的負向空間關聯性；其次通過局部莫蘭指數顯示高產水―低風險集聚區與低產水―高風險集聚區的數量和占顯著區的73%以上（圖8），主要集中在長白山區和中部平原地區。

4? ?討論

4.1? ?耦合模型評價效果較好

本研究通過耦合InVEST模型產水量模塊和基于生態風險評估概念模型的多指標綜合方法來評價吉林省濕地生態風險，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）等全國各地開展了應用并取得良好效果。基于生態風險評估概念模型的多指標綜合評價方法雖在國內有著較為廣泛的應用，但其往往局限于城市之間的風險性，難以反映行政區內部的生態風險空間差異，而將其與InVEST模型產水量模塊進行耦合，借助于產水量模塊空間可視化優勢，初步實現濕地生態風險性的空間分異特征。除此之外，本研究基于水源供給量進行評估，相比傳統方法中僅通過生態服務價值法（Jiang et al，2017；Li et al，2020）來反映生態服務過程，更客觀，結果也更準確。最終，耦合模型初步實現了危險性、脆弱性、風險性空間評價，為探索行政區域內部的濕地生態風險性提供了思路。

與此同時，吉林省濕地生態風險評估結果顯示，中部地區風險指數較高，尤其中部偏西南地區，而東部地區風險指數較低，以往相關研究也印證了這一點。張繼權等（2007）以吉林省為研究區，選取30個指標，構建生態災害風險評價模型，評估了吉林省的生態環境風險水平，得到風險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，本研究結合了濕地相關指標估算風險指數，通過耦合發現了西部風險指數相對較低，此因西部松遼平原濕地資源豐富（丁月龍等，2020），導致脆弱性較低，其次，西部地區濕地脆弱性呈現東高西低，符合張美琪（2021）的研究結果。雙變量空間自相關和莫蘭指數顯示高產水―低風險集聚區與低產水―高風險集聚區（圖8），主要集中在長白山區和中部平原地區，這一分布特點也在梁警丹（2007）和吳健等（2017）的研究中得以印證。此外，低產水―高風險集聚區面積較大，以往相關研究（謝余初，2015；李輝等，2021）也證實水源供給服務變化會對生態風險性產生直接影響，故針對該集聚區需采取合理的濕地保護建議，增強區域的水源供給服務能力，加強濕地生態系統的保護與修復，實現區域的可持續發展。

綜上所述，耦合InVEST模型產水量模塊和基于生態風險評估概念模型的多指標綜合評價方法對吉林省濕地生態風險的評價效果較好，可快速、準確地開展區域濕地生態風險評估，有助于濕地生態管理更精細化。

4.2? ?耦合模型的局限及改進

本研究通過耦合InVEST模型產水量模塊和基于生態風險評估概念模型的多指標綜合評價方法，對吉林省濕地生態風險進行評估，更具直觀、準確意義，但耦合過程也存在一定的局限，如有部分指標無法空間化，而采用賦值法得到，后續還需深入研究以進一步改進該模型。同時，本研究將吉林省視作封閉空間，未考慮其他省市對吉林省的生態影響，參考經濟溢出、城市化與生態環境關系方面的文獻（盧斌和王瑩，2010），可知隨著區域城市化步伐逐漸加速，城市發展的溢出效應也在持續增加，對城市及其周圍地區的生態環境也有著一定的影響。未來將進一步考慮周圍城市的生態風險溢出效應等相關指標，更為全面地估算濕地生態風險性。

參考文獻

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功能時空變化[J]. 地理研究，35（4）：664-676.

北京市園林綠化局，2014. 林業生態工程生態效益評價技術規程： 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風險的空間耦合： 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. 吉林省濕地現狀與保護建議[J]. 貴州農業科學，48（7）：119-122.

竇苗，孫建國，陳海鵬，2017. 基于InVEST模型的橫斷山區產水量模擬[J]. 安徽農業科學，45（21）：54-58.

傅斌，徐佩，王玉寬，等，2013. 都江堰市水源涵養功能空間格局[J]. 生態學報，33（3）：789-797.

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

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

吉林省統計局，2016. 2016吉林統計年鑒[M]. 北京：中國統計出版社.

李輝，周啟剛，李斌，等，2021. 近30年三峽庫區生態系統服務價值與生態風險時空變化及相關性研究[J]. 長江流域資源與環境，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效應評估[D]. 長春：吉林大學.

李靜波，2020. 吉林省人口就業結構演變研究[D]. 長春：吉林大學.

李文靜，王盛，李慶，等，2021. 氣候和土地利用變化對北三河流域生態系統水源供給服務功能的影響[J]. 華東師范大學學報（自然科學版），（4）：99-108.

梁警丹，2007. 吉林省生態災害風險評價與管理對策研究[D]. 長春：東北師范大學.

盧斌，王瑩， 2010. 基于格網GIS的艾比湖流域城市化與生態環境效應評價研究[D]. 西安：西北大學.

馬瓊芳，燕紅，李偉等，2021. 吉林省濕地生態系統固碳和釋氧服務功能分析[J]. 生態環境學報， 30（12）：2351-2359.

潘韜，吳紹洪，戴爾阜，等，2013. 基于InVEST模型的三江源區生態系統水源供給服務時空變化[J]. 應用生態學報，24（1）：183-189.

彭聰，巴俊杰，胡芬，等，2019. 廣西會仙巖溶濕地典型抗生素污染特征及生態風險評估[J]. 環境科學學報，39（7）：2207-2217.

王盛萍，張志強，Ge S，等，2012. 基于MIKESHE模型的潮河流域土地利用與降水變化對水文的影響評價[J]. 生態與農村環境學報，28（3）：320-325.

王堯，徐佩，傅斌，等，2018. 森林生態系統水源涵養功能評估模型研究進展[J]. 生態經濟，34（2）：158-164.

王云飛，葉愛中，喬飛，等，2021. 水源涵養內涵及估算方法綜述[J]. 南水北調與水利科技（中英文），19（6）：1041-1071.

吳健，李英花，黃利亞，等，2017. 東北地區產水量時空分布格局及其驅動因素[J]. 生態學雜志，36（11）：3216-3223.

謝高地，張彩霞，張昌順，等，2015. 中國生態系統服務的價值[J]. 資源科學，37（9）：1740-1746.

謝余初，2015. 基于InVEST模型的甘肅白龍江流域生態系統服務時空變化研究[D]. 蘭州：蘭州大學.

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時空分異[J]. 自然資源學報，32（8）：1337-1347.

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

許學工，林輝平，付在毅，等，2001. 黃河三角洲濕地區域生態風險評價[J]. 北京大學學報（自然科學版），37（1）：111-120.

張繼權，梁警丹，周道瑋，2007. 基于GIS技術的吉林省生態災害風險評價[J]. 應用生態學報， 18（8）：1765-1770.

張健威，曾莎莎，梁延鵬，等，2021. 會仙濕地水體有機磷農藥污染特征及生態風險[J]. 農業環境科學學報，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風險評價[J]. 濕地科學，5（4）：362-369.

張美琪，2021. 吉林省西部濕地生態系統服務功能價值評估[D]. 長春：吉林農業大學.

張天華，王彤，黃瓊中，等，2018. 西藏高原拉薩河流域生態風險評估[J]. 生態學報，38（24）：9012-9020.

朱蕾，2014. 城市擴張對濕地景觀的影響[D]. 延吉：延邊大學.

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

基金項目：黑土地保護與利用科技創新工程專項資助項目（XDA28110503）；美麗中國生態文明建設科技工程專項資助項目（XDA23020202）；自然資源部海岸帶開發與保護重點實驗室開放基金資助項目（2021CZEPK03）。

作者簡介：李娟娟，1998年生，女，碩士研究生，主要從事生態環境遙感監測方面研究。E-mail： ljj72_luck@163.com

通信作者：熊俊峰。E-mail： jfxiong@niglas.ac.cn