生態保護紅線區生境風險評估

摘要：為了探究人類活動對生態保護紅線內生境造成的影響，提高生態保護紅線監管能力，為完善生態保護紅線監管制度提供科學支撐，以吉林省鎮賚縣為例，基于InVEST 模型和GIS的空間分析能力，利用高分遙感影像及相關人類活動數據，從柵格尺度上評估生態保護紅線區存在的生境風險.結果表明：研究區總生境風險值的范圍介于０．００～１．３２之間，高、中、低生境風險區域分別占紅線總面積的２．３１％、３．２６％、２２．１２％，整個評估區內人類活動干擾對生境產生的影響以低生境風險為主;在各類生境中，林地的平均生境風險值最高，其中喬木林地、灌木林地、其他林地的平均生境風險值分別為０．５８、０．８８、０．７９，同時最高風險值（灌木林地）也出現在林地生境中;相較于其他人類活動，城鎮村及工礦用地的累計風險值和平均生境風險值均最高，分別為２９３３１６１．９０、１．２４，公路用地次之，分別為１０８６２６４．６８、１．１９，旱地、水田、漁業等人類活動對生境產生的影響有限.

關鍵詞：生態保護紅線監管;InVEST模型;生境風險;柵格尺度;吉林省鎮賚縣

doi：１０．１３２７８/j．cnki．jjuese．２０２１０１９０ 中圖分類號：X８２６ 文獻標志碼：A

０ 引言

伴隨著工業化社會活動的不斷加劇，人類活動成為許多地區自然環境退化和生物多樣性喪失的主要原因[１].為保障和維護國家生態安全，我國提出生態保護紅線（以下簡稱紅線）政策，旨在對區域生態安全可能產生影響的人類活動進行監督和管理，以滿足階段發展的生態保護需要[２３].生態保護紅線是指在生態空間范圍內具有特殊重要生態功能、必須強制性嚴格保護的區域[４].當前我國紅線監管工作進展緩慢，而有效的監管手段對于確保紅線劃定成果的穩定性、一致性和可持續性有著極其重要的意義[５].隨著紅線劃定工作的逐步完成，如何科學、有效地開展紅線的監管，尤其是對于人類活動的監管工作開始備受關注[６８].

目前對于紅線的研究主要集中在紅線的劃定方法[９１０]、紅線的評估調整[１１１２]，以及針對紅線監管問題從評價體系方面提出建議[１３]等方面.但由于人類活動空間分布和強度的差異性，其對生態環境產生的影響難以量化，因此關于這方面的研究較少.最近，研究人員[１４] 利用InVEST （integratedvaluationofecosystemservicesandtradeoffs）模型中的生境質量模塊（habitatqualitymodel，HQ）定量評價耕地、居民點、交通干線等人類活動對紅線內各生境受體造成的影響，雖然形成了紅線區內生境質量空間分布格局、識別出了紅線監管應重點關注的區域，但其忽略了從壓力源類型的角度對各類人類活動造成生境風險的具體情況進行分析.斯坦福大學自然資源項目組在InVEST 模型中開發的生境風險評估（habitatriskassessment，HRA）模塊，可以評估多種人類活動對生物生境造成的累計風險[１５]，并能描述各個壓力源產生影響的位置和強度，以確定生境風險較高的地區及其主要因素[１６]，為篩選監測因子的重要性和優先級提供了科學依據.有學者[１７１８]證明，該模型可以使用土地利用數據進行生境風險評估.生態保護紅線的劃定是按照定量與定性相結合的原則，通過科學評估，識別生態保護的重點類型和重要區域，從而確保劃定結果的科學合理[４].莫莫格國家級自然保護區位于吉林省白城市鎮賚縣，是吉林省西部面積最大、最為典型的濕地保護區[１９]，１９９４年列入國家重點保護濕地名錄（第一批），是鶴、鸛類等珍稀水禽的重要棲息地[２０]，目前已被劃入鎮賚縣紅線.然而，鎮賚縣生態環境脆弱，對人類活動和氣候變化極為敏感，水土流失、土地沙化、鹽堿化等生態問題頻繁發生，嚴重制約著當地社會經濟和生態環境的可持續發展[２１].鑒于國家環境保護標準均以縣級行政區為基本統計單元，同時考慮到鎮賚縣生態環境重要性以及脆弱性，本研究選擇鎮賚縣為研究區域，對鎮賚縣生態保護紅線區進行生境風險評估，探究人類活動對紅線內生境帶來風險的詳細情況，以期為提高紅線監管能力以及今后更長時期完善監管制度提供科學支撐.

１ 研究區概況與數據源

１．１ 研究區概況

鎮賚縣地處吉林省西北部，位于吉林、黑龍江、內蒙古三省（自治區）接合處. 該縣幅員面積４７１９km２，地勢由西北向東南由高向低，區內水資源短缺，但過境水資源豐富.鎮賚縣劃定的紅線面積為１４３１．１８km２，占行政區總面積的３０．３２％，如圖１所示.其中，莫莫格國家級自然保護區占鎮賚縣紅線面積的９０．８３％.

１．２ 數據來源與數據處理

本研究選取２０１９年高分二號遙感影像為數據源，根據土地利用現狀分類規范[２２]并結合研究區的實際情況建立了二級分類體系[２３２４]（表１），遙感影像的預處理工作包括輻射校正、幾何校正等.依據分類體系建立訓練樣本，采用支持向量機分類法[２５]對研究區遙感影像進行監督分類得到初步分類結果;對于分類精度相對較低的城鎮村及工礦用地、公路用地、鹽堿地等，本研究利用目視解譯的方法對其進行地物識別判定并替換掉監督分類中的錯誤地類信息.精度評價結果顯示，數據總體分類精度為９０．４％，Kappa系數為０．８９，分類精度較高.根據實際需要將分類結果進行重采樣，最終得到分辨率為３０m 的鎮賚縣土地利用數據（圖２），其中林地、草地、耕地、水域圖層作為生境數據;由于耕地屬于半人工地類，因此將耕地、交通運輸用地和工礦及住宅用地圖層作為人類活動數據.漁業活動與生態保護紅線數據來源于自然資源部門，經坐標系統轉換與生境數據坐標系統一致，為２０００國家大地坐標系（CGCS２０００）.

２ 研究方法

２．１ 模型原理及公式

在InVEST模型中，生境風險被定義為人類活動降低棲息地生境質量從而導致各類生境提供生態系統服務能力下降的可能性[２６].本研究通過選取適當的生境壓力源對的暴露后果指標來計算每個像元的累計風險值.其中，暴露E （expose）表示棲息地因在特定人類活動下曝光的程度，后果C（consequence）表示在該種暴露下棲息地對相關應激源產生的響應[１５]，在模型風險框架中二者能被分開描述[２６].E 和C 分別等于指標k（代表人類活動類型）下的暴露值ek 和后果值ck 的加權平均值，公式為：

基于上述內容進行生境風險評估并得到每種壓力源j 對生境i 造成的風險值Rij，其計算方法有兩種：

其中：式（３）為歐幾里得風險計算公式，風險值是通過計算暴露和后果值點到原點的歐幾里得距離得出的，詳見圖３;式（４）為乘積公式.一般而言，式（３）與式（４）計算生境風險的結果基本相符;然而在生境暴露程度很小但暴露后果值很高的情況下，式（３）相較于式（４）的計算結果更為準確，因此結合研究區的實際情況，本研究選取式（３）進行模型運算.

２．２ 模型輸入指標與參數確定

在選取評估指標時，模型綜合考慮了研究區的實地調查情況、InVEST 模型使用手冊[２６]和國內外學者的相關研究成果[１７１８，２７]，具體情況見表２.同時邀請了相關領域專家對各個指標進行打分，ek 和ck 取值范圍為１（低）～３（高），０值表示對應的指標應排除在風險方程之外.在模型中，壓力源對生境像元的影響距離被定義為緩沖區，所產生的生境風險隨像元與壓力源距離的增加而減小，距離壓力源最近的生境像元將受到較高的影響.此外，也可以根據人類活動類型確定線性或指數距離衰減函數，以控制相應人類活動影響在空間上的衰減過程.本研究參考文獻[２８２９]對壓力源的最大影響距離及其衰減類型參數進行賦值，其中漁業活動為采取限制措施的人類活動，因此不設置緩沖距離，具體參數見表３.

３ 結果與分析

３．１ 生境風險空間分布特征

根據模型運行結果，研究區總生境風險值范圍為０．００～１．３２，通過ArcGIS軟件中的等間隔分類法，按照像元風險值（即單個像元生境風險值的具體數值）在最大風險值中的占比，將生境風險劃分為３個等級：占比０～３３％，為低生境風險區域;占比３３％ ～６６％，為中生境風險區域;占比６６％ ～１００％，為高生境風險區域.最終得到生態保護紅線內的總生境風險空間格局（圖４）.結果表明，風險區占紅線總面積的２７．６９％，其中，低、中、高風險區所占比例分別為２２．１２％、３．２６％、２．３１％，說明風險區分布以低風險為主.從空間分布來看，風險區主要集中在莫莫格蒙古鄉和沿江鎮，而在黑魚泡鎮、大屯鎮、五棵樹鎮、嘎什根鎮和建平鄉等部分地區分布較為零散.

由于模型的結果數據并未將風險區域按照生境類型和行政區劃進行劃分，因此利用點提取柵格像元值對數據結果進行重新分類.以單個像元為基本單元，統計每種生境類型生境風險的極值，并計算出平均生境風險值（簡稱均值），詳見表４.其中林地生境的平均生境風險值最高，同時最大風險值（灌木林地）也在林地生境中出現，而其他各類棲息地的平均生境風險值大小較為接近，整體數值也較林地的低.將單個像元內產生的生境分線按照行政區劃分別相加，得到各個鄉鎮的累計生境風險值從大到小為莫莫格蒙古鄉、沿江鎮、大屯鎮、五棵樹鎮、黑魚泡鎮、嘎什根鎮、建平鄉、東屏鎮、鎮賚鎮，這與總生境風險空間分布格局基本一致.

３．２ 人類活動引發的生境風險差異

研究區內各人類活動用地占紅線總面積的２７．９１％，其中旱地１６．６６％、水田１０．２０％、漁業活動０．６０％、城鎮村及工礦用地０．２８％、公路用地０．１７％.通過對柵格數據像元值提取和分析，將單個像元內產生的生境風險值按照人類活動類型分別相加，得到各人類活動造成的累計生境風險值，其從大到小為城鎮村及工礦用地、公路用地、旱地、水田、漁業活動;平均生境風險值從大到小為城鎮村及工礦用地、公路用地、漁業活動、水田、旱地（表５）.

對各類生境中存在的生境風險按照引發風險的人類活動類型重新進行提取分類，統計了每種生境中存在生境風險區域的數值（統計結果本文略），結果表明：在林地生境中，城鎮村及工礦用地為貢獻風險值最多的人類活動，旱地次之;在水域、耕地、草地生境類型中，城鎮村及工礦用地仍為貢獻風險值最多的人類活動，公路用地次之.從單一壓力源引發生境風險的強度等級及空間分布情況（圖５）來看：各人類活動造成的生境風險區域主要集中在莫莫格蒙古鄉和沿江鎮，在黑魚泡鎮、大屯鎮、五棵樹鎮、嘎什根鎮和建平鄉等部分地區呈零散狀分布，這與總生境風險空間分布基本一致;同時，總生境風險分布格局中高生境風險區呈點、線狀區域分布，結合單一壓力源分布情況和風險值統計結果，點狀主要為城鎮村及工礦用地區域，而線狀為公路用地.綜上，在對鎮賚縣進行紅線監管工作時，應將莫莫格蒙古鄉和沿江鎮地區作為主要監測區域，將城鎮村及工礦用地和公路用地作為主要監測因子.

３．３ 棲息地受到的暴露和后果

模型在運行時，首先計算每個生境壓力源組合的暴露和后果值，即E 和C 的值，通過將其與生境風險值聯系起來，確認這種風險是否由高累計暴露或高累計后果造成的，以便采取相應監管措施.如圖６所示：當林地生境中出現了較高的E 和C 的值時，說明林地生境也面臨著較高的生境風險，在這種情況下，往往需要更加嚴格的監測來防止人類活動范圍進一步擴大從而導致該棲息地發生退化;而水域、草地、耕地生境雖然E 的值較高，但是對應的C 的值較低，受到的風險值也相對較低，該類棲息地采取限制性管理人類活動即可使生境風險有效降低.

４ 結論與建議

１）研究區內生境風險格局以低風險為主，這主要是由于紅線評估調整時對生態保護極重要區域和各類保護地進行了應劃盡劃，保證了生態系統的完整性和連通性，同時對于大部分人類活動已經進行了調出處理，有效減降低了生境風險.

２）相較于其他地區，莫莫格蒙古鄉和沿江鎮受人類活動影響較大，考慮到兩個地區同時處于紅線和莫莫格國家級自然保護區范圍內，因此在開展紅線監管工作時，應將二者作為重點監管區域.在各類人類活動類型中，城鎮村及工礦用地為生境風險值貢獻的主要壓力源，較易引起周邊生態環境發生退化，建議在采取限制性保護措施時應將其列為重要的監測因子.較高的E 和C 的值使林地受到了較高的生境風險，可以將林地作為生態保護紅線內重要的生境監測地類.

３）由于本研究主要是從土地利用視角對生境風險進行分析，而土地利用離不開人類活動的影響，因此本文在進行生境風險評估時主要是將各類人類活動作為壓力源.然而，引發棲息地發生生境風險的壓力源不僅包括人類活動，還包含不穩定的自然災害因素等，未將這些評估指標考慮在內這些是本文的不足之處.

參考文獻（References）：

[１] WangY，GaoJ，ZouC，etal．EcologicalConservation RedlinewillPromoteHarmonyBetweenHumansand NatureintheFuture[J]．Ambio：A Journalofthe HumanEnvironment，２０２１，５０（３）：７２６ ７２７．

[２] GaoJ，Wang Y，ZouC，etal．China’sEcological ConservationRedline：A SolutionforFuture Nature Conservation[J]．Ambio：A Journalofthe Human Environment，２０２０，４９（９）：１５１９ １５２９．

[３] 饒勝，張強，牟雪潔．劃定生態紅線創新生態系統管理[J]．環境經濟，２０１２，９（６）：５７ ６０．

[４] 中華人民共和國環境保護部．生態保護紅線劃定指南[EB/OL]．[２０１７ ０５ ２７]．http：//www．mee．gov．cn/gkml/hbb/bgt/２０１７０７/W０２０１７０７２８３９７７５３２２０００５．pdf．

[５] MinW A，BoJB，JmacD，etal．ImprovedEcological MonitoringforUrbanEcosystem ProtectioninChina[J]．EcologicalIndicators，２０２１，１２０：１０６９５０．

[６] GaoJ，ZouC，ZhangK，etal．TheEstablishmentof ChineseEcologicalConservationRedlineandInsights into Improving International Protected Areas[J]．Journalof Environmental Management，２０２０，２６４（１５）：１１０５０５．

[７] BoJ，YangB，WongCP，etal．China’sEcological CivilizationProgramＧImplementingEcologicalRedline Policy[J]．LandUsePolicy，２０１９，８１：１１１ １１４．

[８] 姚嵐，丁慶龍，俞振寧，等．生態保護紅線研究評述及框架體系構建[J]．中國土地科學，２０１９，３３（７）：１１１８．

[９] ChenDS，PanYQ，JinXL，etal．TheDelineationof Ecological Redline Areafor Catchment Sustainable Management from the Perspective of Ecosystem Services and Social Needs： A Case Study ofthe Xiangjiang Watershed， China [J]． Ecological Indicators，２０２１，１２１：１０７１３０．

[１０] 顧羊羊，徐夢佳，楊悅，等．喀斯特石漠化區生態保護紅線劃定研究：以貴州省威寧縣為例[J]．生態學報，２０２１，４１（９）：３４６２ ３４７４．

[１１] ZhangJQ，MammidesC，CorlettR T．Reasonsfor the Survival of Tropical Forest Fragments inXishuangbanna，SouthwestChina[J]．Forests，２０２０，１１（２）：１５９．

[１２] 張譯，楊伯鋼，劉宇，等．生態保護紅線邊界校核研究：以北京市為例[J]．測繪通報，２０２１（２）：１８ ２４．

[１３] 劉偉，孟祥亮，劉金花，等．基于“天空地”一體化的生態保護紅線區監管評價體系構建及應用[J]．中國環境監測，２０２０，３６（３）：１６３ １７２．

[１４] 吳楠，陳紅楓，匡丕東，等．生態保護紅線區干擾退化風險評價：以安徽省為例[J]．生態學報，２０２０，４０（１６）：５５７１ ５５７８．

[１５] Arkema KK，Verutes G，BernhardtJ R，etal．Assessing HabitatRiskfrom Human Activitiesto Inform Coastal and Marine Spatial Planning： A DemonstrationinBelize[J]．EnvironmentalResearch Letters，２０１４，９（１１）：１１４０１６．

[１６] ZhaiT，WangJ，Fang Y，etal．Identificationand PredictionofWetlandEcologicalRiskinKeyCitiesof the Yangtze River Economic Belt： From the PerspectiveofLandDevelopment[J]．Sustainability， ２０２１，１３（１）：４１１．

[１７] ZhaiT，WangJ，FangY，etal．AssessingEcological Risks Caused by Human Activities in Rapid UrbanizationCoastalAreas：TowardsanIntegrated ApproachtoDetermining Key AreasofTerrestrialＧ OceanicEcosystemsPreservationandRestoration[J]．TheScienceoftheTotalEnvironment，２０２０，７０８：１３５１５３．

[１８] 陳曄倩，李楊帆，祁新華，等．基于棲息地風險評價模型的海岸帶灘涂濕地風險評價：以閩三角為例[J]．生態學報，２０１８，３８（１２）：４２１４ ４２２５．

[１９] 陳月慶，武黎黎，章光新，等．莫莫格國家級自然保護區地表水文連通性定量評估[J]．應用生態學報，２０２０，３１（１１）：３８３３ ３８４１．

[２０] 中華人民共和國環境保護部．關于發布國家重點保護濕地名錄（第一批）的通知[EB/OL]．[１９９４ １１０４]．https：//www．mee．gov．cn/gkml/zj/wj/２００９１０/t２００９１０２２_１７１８６８．htm．

[２１] ZhangY，YanZ，YangJ，etal．A Novel Model Integrating Deep Learning for Land Use/Cover Change Reconstruction：A Case Study of Zhenlai County，NortheastChina[J]．RemoteSensing，２０２０，１２（２０）：３３１４．

[２２] 土地利用現狀分類：GB/T２１０１０—２０１７[S]．北京：中國標準出版社，２０１７．

[２３] 張森，姜琦剛，習靖，等．基于H/α 分解原理的古河道信息提取：以松嫩平原西部地區為例[J]．吉林大學學報（地球科學版），２０２０，５０（６）：１９０５ １９１６．

[２４] 湯潔，陳靜書，李昭陽，等．吉林西部鹽堿農田有機碳礦化和激發效應對氮磷添加的響應[J]．吉林大學學報（地球科學版），２０２１，５１（４）：１２０４ １２１６．

[２５] 王博帥，蒲東川，李婷婷，等．基于多源遙感影像的長春市城市建成區提取[J]．吉林大學學報（地球科學版），２０２１，５１（４）：１２８４ １２９４．

[２６] SharpR，DouglassJ，WolnyS，etal．InVEST３．９．０ User’s Guide [M/OL]．２０２０．http：//releases．naturalcapitalproject．org/investＧuserguide/ latest/index．html．

[２７] WyattK H，GriffinR，GuerryA D，etal．Habitat RiskAssessmentforRegionalOceanPlanninginthe USNortheastandMidＧAtlantic[J]．PlosOne，２０１７，１２（１２）：e０１８８７７６．

[２８] 楊志鵬，許嘉巍，馮興華，等．基于InVEST 模型的東北地區土地利用變化對生境的影響研究[J]．生態科學，２０１８，３７（６）：１３９ １４７．

[２９] 鐘莉娜，王軍．基于InVEST模型評估土地整治對生境質量的影響[J]．農業工程學報，２０１７，３３（１）：２５０ ２５５．