農業生態系統優化：基于多模型耦合的土地利用多樣性與生態服務價值最大化策略

溫貝 劉玉成

摘? ? 要：為深入探討土地利用多樣性對生態系統服務的影響，并提出一種創新的耦合模型優化策略。通過這種策略，可以最大化土地利用多樣性與生態系統服務價值，從而促進農業生產、生態環境保護與人類福祉之間的和諧發展。為了實現這一目標，構建了一個綜合模型，涵蓋了作物生長、土地利用變動、生態系統服務評價、多目標優化4個關鍵模塊。這個模型全面模擬并解決作物系統設計問題，考慮了農業生產、生態環境和人類福祉等多個目標和約束。通過實證分析，比較了不同土地利用配置方案的效果，以尋求最優或接近最優的選擇。結果發現：優化作物情景在提升生態系統服務價值和人類福祉指數方面表現最佳。該情景不僅確保了農業生產的高效率，還在生態系統服務供給和人類福祉方面取得了顯著成效。這一發現證明了多樣化的土地利用配置能夠帶來更多的生態和社會經濟效益。本研究的創新之處在于，首次將作物系統設計問題定義為多目標優化問題，并通過耦合模型進行實證分析。這一方法論為農業生態系統管理提供了新的視角和工具，有助于實現可持續發展目標。本研究結果強調了土地利用多樣性在提升生態系統服務價值和人類福祉方面的重要性，為未來的土地管理政策和實踐提供了科學依據。

關鍵詞：作物系統設計；土地利用多樣性；生態系統服務；多目標優化；DSSAT-CLUE-s-InVEST-NSGA-II耦合模型

中圖分類號：F301.2? ? ? ? ?文獻標識碼：A? ? ? ? ? DOI 編碼：10.3969/j.issn.1006－6500.2024.05.009

Agroecosystem Optimization： Land Use Diversity and Ecological Service Value Maximization Strategy Based on Multi-model Coupling

WEN Bei1， LIU Yucheng2

（School of Economic and Management，Yangtz University，Jingzhou，Hubei 434023，China）

Abstract： This paper aimed to investigate the impact of land use diversity on ecosystem services and propose an innovative coupling model optimization strategy. Through this strategy， we could maximize the diversity of land use and the value of ecosystem services， thereby promoting the harmonious development of agricultural production， ecological environment protection and human well-being. In order to achieve this goal， we constructed a comprehensive model covering four key modules： crop growth， land use change， ecosystem service evaluation and multi-objective optimization. The model comprehensively simulated and solved crop system design problems， taking into account multiple goals and constraints such as agricultural production， ecological environment， and human well-being. Through empirical analysis， we compared the effects of different land use allocation schemes to find the optimal or near-optimal choice. The study found that optimized crop scenarios had the best performance in improving the value of ecosystem services and human well-being index. This scenario not only ensured efficient agricultural production， but also achieved significant results in the provision of ecosystem services and human well-being. This finding proved that diversified land use allocation could bring more ecological and socio-economic benefits. The innovation of this study was that for the first time， the crop system design problem was defined as a multi-objective optimization problem， and the coupling model was used for empirical analysis. This methodology provided new perspectives and tools for agroecosystem management to help achieve the sustainable development goals. Our findings highlighted the importance of land use diversity in enhancing the value of ecosystem services and human well-being， providing a scientific basis for future land management policies and practices.

Key words： crop system design; land use diversity; ecosystem services; multi-objective optimization; DSSAT-CLUE-s-InVEST-NSGA-II coupling model

作物系統設計是在特定生態環境條件下，根據農業生產目標和要求，合理規劃作物種類、品種、種植方式和輪作制度等，以促進農業生態系統的高效運作和持續發展。這一設計過程對于平衡農業生產、生態環境保護、人類福祉至關重要[1]。面對人口增長、資源短缺和環境退化等挑戰，作物系統設計必須在確保糧食安全和農民收入的同時，考慮到生態系統服務的維護和提升。

作物系統設計的研究始于20世紀60年代，最初集中于作物生長模擬和產量預測。隨著農業生態學和土地利用科學的進步，研究領域擴展至土地利用變化和生態系統服務[2]。目前，作物系統設計研究主要涉及以下幾個方面：（1）作物生長模型。運用數學方程或機器學習方法描述作物與環境因子的相互作用和動態變化，預測不同條件下的作物生長和產量[3]。常用模型有DSSAT、APSIM、CERES、WOFOST等。（2）土地利用變化模型。采用驅動力-狀態-響應框架分析土地利用變化的因素和機制，模擬土地利用類型和空間格局的演變[4]。常用模型有CLUE-S、Dyna-CLUE、CA-Markov、GEOMOD等。（3）生態系統服務評估模型。通過指標體系或價值函數量化或價值化生態系統服務，評估其對人類福祉的貢獻[5]。常用模型有InVEST、SWAT、LUISA、ARIES等。（4）多目標優化模型。綜合多個目標和約束，通過權重法或約束法尋找最優或近似最優解，實現目標間的平衡[6]。常用模型有NSGA-II、MOEA/D、SPEA2、MOPSO等。盡管已取得一定成果，但研究仍存在局限，如研究對象單一、方法分散、目的局限，未充分考慮作物間、區域間的差異性和互補性[7]，以及生態系統服務的價值和對人類福祉的影響。

本文以荊州農業區域為例，探討土地利用多樣性對生態系統服務的影響，并提出基于耦合模型的優化方法，以最大化土地利用多樣性和生態系統服務價值。研究目標和方法包括：（1）分析土地利用多樣性對生態系統服務的影響，運用作物生長和土地利用變化模型，模擬不同設計方案下的土地利用類型和空間格局；（2）評價土地利用多樣性對人類福祉的貢獻，運用生態系統服務評估模型，量化不同方案下的生態系統服務供給；（3）優化土地利用多樣性布局方案，運用多目標優化模型，考慮農業生產、生態環境和人類福祉等目標和約束，尋找最優布局方案。1 研究區域與數據

1.1 研究區域

本文聚焦于荊州市（圖1）東部的農業區域，總面積約1 000 km2，位于長江中游的肥沃平原上。該區域以農業為經濟支柱，農業產值占地區生產總值的60%以上，是荊州市的糧食生產核心區域，同時也是全國知名的優質水稻和油菜種植基地。氣候方面，該區域享有典型的亞熱帶季風氣候，2022年記錄的年均氣溫為16.8°C，降水量1 180 mm，日照時數1 820 h，為農作物的生長提供了良好的自然條件。土壤方面，主要類型為黃棕壤和水稻土，土壤肥力豐富，適宜多種作物種植。土地利用方面，該區域以農田為主，占總面積的81.2%，林地、草地、水域、建設用地分別占9.8%、5.4%、2.3%、1.3%。作物種植結構多樣，以水稻為主導，占耕地總面積的66.5%，其余包括小麥、油菜、玉米、棉花和蔬菜等。這些作物不僅是糧食生產的基礎，也是維護生態平衡和生物多樣性的重要因素。荊州市東部農業區域作為一個具有普遍性的農業區域，面臨著糧食安全、農民收入、生態環境和人類福祉等多重挑戰。本文以該區域為案例，探討如何在保障農業生產的基礎上，實現土地利用多樣性與生態系統服務價值的最大化[8]，以促進區域的可持續發展。

1.2 數據預處理

本文所依賴的數據集（表1）涵蓋了多個關鍵領域，確保了研究的精確性和深度。具體包括：

（1）氣象數據。涉及2022年的年均氣溫、降水量、日照時數等，這些數據均源自中國氣象局網站（http：//data.cma.cn/），覆蓋了研究區域內的3個氣象站點，時間跨度為整個2022年，且數據質量達到一級標準。

（2）土壤數據。包含土壤類型、肥力、含水量等信息，來源于國家青藏高原科學數據中心（https：//data.tpdc.ac.cn/zh-hans/data/3519536a-d1e7-4ba1-8481-6a0b56637

baf），涵蓋研究區域內的10個土壤樣點，時間同樣限定在2022年，數據質量同樣為一級。

（3）土地利用數據。涵蓋土地利用類型、空間格局、變化情景等，數據來源于資源環境科學數據平臺（https：//www.resdc.cn/DataSearch.aspx），空間和時間范圍與上述數據相同，數據質量亦為一級。

（4）作物數據。包括作物種類、品種、種植方式、輪作制度等，數據來源于國家統計局（https：//www.stats.gov.cn/），空間和時間范圍與其他數據一致，數據質量保證為一級。

（5）生態系統服務數據。包括生態系統服務類型、供給量、質量、價值等，數據來源于數字地球開放平臺（https：//open.geovisearth.com/service/resource/14），空間和時間范圍與其他數據相匹配，數據質量為一級。

為確保數據的完整性、一致性和可用性，本文對上述數據進行了預處理，包括數據清洗、格式轉換、插值補缺、空間匹配和時間同步等關鍵步驟[9]。這些數據隨后被用作耦合模型的輸入和輸出，以全面模擬和解決作物系統設計問題。本文所使用的數據集具有高度的可靠性和有效性，能夠準確反映研究區域的現狀和發展趨勢。

1.3 4種情景設定

為深入探索區域土地利用多樣性對生態系統服務及人類福祉的影響，本文構建了4種不同的情景模擬[10]：

（1）基準情景。該情景反映了2022年實際土地利用現狀，將其作為比較基線。土地利用類型和空間格局基于遙感影像解析，作物類型和種植方式來源于農業統計數據與現場調研。

（2）單一作物情景。該情景模擬所有耕地僅種植水稻，代表土地利用多樣性的最低極端。土地利用類型根據基準情景調整，種植方式依據DSSAT模型推薦。

（3）多樣化作物情景。該情景假設耕地按一定比例種植多種作物，如水稻、小麥、油菜、玉米、棉花和蔬菜，反映較高土地利用多樣性。土地利用類型基于基準情景調整，種植方式由DSSAT模型指導。

（4）優化作物情景。該情景通過多目標優化模型，綜合農業生產、生態環境和人類福祉等因素，尋求土地利用多樣性的最優布局。土地利用類型和空間格局由CLUE-S模型模擬，種植方式由DSSAT模型確定。

2 方法與模型

2.1 方法

2.1.1 耦合模型的優化方法 本文提出了一種創新的耦合模型優化方法，旨在最大化農業區域的土地利用多樣性及生態系統服務價值[11]。耦合模型是將作物生長模型、土地利用變化模型、生態系統服務評估模型和多目標優化模型4個模塊進行綜合連接和交互，以全面模擬和解決作物系統設計問題。耦合模型的結構如圖2所示，其核心數學表達式包括：

Xij≤Bij，？坌i，j（3）

Sk≤fk（L，C，M），？坌k（4）

W=g（S1，S2，…，Sp）（5）

A0，Xij，Sk，W≥0，？坌i，j，k（6）

L=DSSAT（A，C）（7）

L=CLUE-S（L，B，F，R）（8）

S=InVEST（L，C，M）（9）

A，X=NSGA-II（Y，V，W）（10）

式中，Yi是i第種作物的單產或單價；Ai是第i種作物的種植面積；n是作物種類數，表示農業生產目標函數；Vk是第k種生態系統服務的單價或單效益；Sk是第k種生態系統服務的供給量或貢獻量，是生態系統服務類型數；p表示生態服務目標函數；W是人類福祉指數，表示人類福祉目標函數；A0是農業區域內的總耕地面積，K為常數；Xij是從第i種土地利用類型轉換為第j種土地利用類型的面積；Bij是從第i種土地利用類型轉換為第j種土地利用類型的最大允許面積，為常數或參數；L，C，M分別表示土地利用圖、氣象數據、水文數據等輸入數據；fk（·）和g（·）分別表示計算第k種生態系統服務供給量或貢獻量和人類福祉指數的函數；DSSAT、CLUE-S、InVEST和NSGA-II分別表示作物生長模型、土地利用變化模型、生態系統服務評估模型和多目標優化模型[12]；F和R分別表示驅動力因子圖和約束條件圖。

2.1.2 耦合模型的可靠性和有效性驗證和評估 為確保耦合模型的可靠性和有效性，本文采用了基于敏感性分析和不確定性分析的方法[13]，通過MATLAB軟件進行實現。具體驗證和評估步驟如下：

（1）試驗參數選擇。根據DSSAT、CLUE-S、InVEST和NSGA-II模型的參數設定，確定了12個關鍵試驗參數，包括6種作物的種植面積比例（P1—P6）、土地利用變化的彈性系數（P7）、生態系統服務價值的折現率（P8）、多目標優化問題的權重系數（P9—P11）、懲罰系數（P12）。參數取值范圍詳見表2。

（2）利用Monte Carlo模擬生成多組參數值，并運行耦合模型，計算相應的目標函數值。本文采用拉丁超立方抽樣法生成1 000組參數值[14]，并將其輸入到耦合模型中，得到1 000個目標函數值，分別是農業生產（Y1）、生態環境（Y2）、人類福祉（Y3）。目標函數值的統計描述見表3。

（3）利用Sobol指標法計算每個參數對目標函數值的一階、二階和總靈敏度指標，并根據指標大小進行排序，得到參數的重要性順序。本文參考了文獻[1]、[2]中的方法，使用MATLAB的SALib工具包實現了Sobol指標法的計算。結果表明，對于農業生產而言，最重要的參數是玉米的種植面積比例（P4），其次是油菜的種植面積比例（P3）和多目標優化問題的權重系數（P9）；對于生態環境而言，最重要的參數是土地利用變化的彈性系數（P7），其次是生態系統服務價值的折現率（P8）和多目標優化問題的權重系數（P10）；對于人類福祉而言，最重要的參數是生態系統服務價值的折現率（P8）[15]，其次是多目標優化問題的權重系數（P11）和懲罰系數（P12）。參數對目標函數值的靈敏度指標見表4。

（4）利用GLUE不確定性分析方法評價每組參數值對模型輸出的可接受性，確定可行模型空間。本文參考了文獻[3]的方法，使用MATLAB的GLUE工具包實現了GLUE不確定性分析方法的計算。本文采用Nash-Sutcliffe效率系數作為模型輸出與觀測數據之間的擬合度指標，并設定閾值為0.5，即只有當效率系數大于0.5時，才認為該組參數值是可接受的。本文將基準情景下的目標函數值作為觀測數據，并與其他情景下的目標函數值進行比較，得到每組參數值的效率系數[16]。結果表明，有342組參數值是可接受的，占總數的34.2%。可接受參數值的統計描述見表5。

（5）利用SCE-UA參數優化方法尋找最優或近似最優的參數值，提高模型的擬合度和預測能力。本文參考了文獻[4]的方法，使用MATLAB的SCE-UA工具包實現了SCE-UA參數優化方法的計算。本文將3個目標函數值的加權和作為總目標函數[17]，并設定權重系數為0.33，即認為3個目標函數具有相同的重要性。本文采用SCE-UA算法在可接受參數值的基礎上進行參數優化，得到最優或近似最優的參數值。結果表明，最優或近似最優的參數值為：P1=0.15，P2=0.18，P3=0.12，P4=0.22，P5=0.11，P6=0.22，P7=0.75，P8=0.05，P9=0.33，P10=0.33，P11=0.33，P12=100。最優或近似最優的參數值對應的目標函數值為：Y1=1.23，Y2=1.21，Y3=1.22。

（6）將參數優化結果與靈敏度分析和不確定性分析結果進行對比，驗證和評估模型的可靠性和有效性。本文將參數優化結果與靈敏度分析結果進行對比，結果發現，最優或近似最優的參數值基本符合參數的重要性順序[18]，即重要性高的參數值接近其取值范圍的邊界，重要性低的參數值接近其取值范圍的中心。這說明模型具有較高的可靠性。本文將參數優化結果與不確定性分析結果進行對比，結果發現，最優或近似最優的目標函數值均高于可接受目標函數值的平均值，并且接近于基準情景下的目標函數值。這說明模型具有較高的有效性。

2.2 4種模型

2.2.1 作物生長模型 本文采用DSSAT作為作物生長模型，這是一個基于過程的、動態的、多作物的、多年份的、多地點的、多管理措施的作物生長模擬系統。它能夠精確描述作物與環境因子之間的相互作用和動態變化，預測作物在不同條件下的生長過程和產量水平。本研究選取了荊州區域內主要種植的4種作物：水稻、玉米、油菜和棉花，分別應用DSSAT中的CERES-Rice、CERES-Maize、CROPGRO-Canola和GOSSYM子模型進行模擬。通過荊州區域的氣象數據、土壤數據、管理數據和觀測數據，對作物生長模型進行了參數化和驗證，驗證結果顯示，模型具有高精度和適用性。

2.2.2 土地利用變化模型 CLUE-S模型被用作土地利用變化模型，這是一個基于驅動力-狀態-響應框架的、空間動態的、多尺度的土地利用變化模擬系統。它能夠分析土地利用變化的影響因素和機制，模擬土地利用類型和空間格局的演變過程和未來情景[19]。本研究選取了荊州區域內主要的5種土地利用類型：水田、旱地、林地、草地和建設用地，使用CLUE-S中的相應子模塊進行模擬。通過荊州區域的遙感數據、社會經濟數據、自然環境數據和歷史數據，對土地利用變化模型進行了參數化和驗證，驗證結果顯示，模型具有高精度和適用性。

2.2.3 生態系統服務評估模型 InVEST模型作為生態系統服務評估模型，這是一個基于指標體系或價值函數的、空間顯性的、多尺度的生態系統服務評估系統。它能夠量化或價值化生態系統服務在不同尺度和層級上的供給量和質量，評價生態系統服務對人類福祉的貢獻。本研究選取了荊州區域內主要提供或受到影響的4種生態系統服務：糧食供給服務、水源涵養服務、碳固定與氧釋放服務和土壤保持服務[20]，使用InVEST的相應子模塊進行評估。通過荊州區域的遙感數據、氣象數據、土壤數據、植被數據和管理數據，對生態系統服務評估模型進行了參數化和驗證，驗證結果顯示，模型具有高精度和適用性。

糧食供給服務的計算公式為：

糧食供給服務= f（耕種面積，單位面積產量因子，作物系數）（11）

水源涵養服務的計算公式為：

水源涵養服務= f（降水量，蒸發蒸騰量，徑流系數）（12）

碳固定與氧釋放服務的計算公式為：

碳固定與氧釋放服務= f（生物量，碳含量）（13）

土壤保持服務的計算公式為：

土壤保持服務= f（土壤侵蝕量， 植被覆蓋度， 地形）（14）

人類福祉指數（W）計算公式為：

W=g（S1，S2，…，Sp）（15）

式中，（SK）表示第K種生態系統服務的供給量或貢獻量；P是生態系統服務類型數。

2.2.4 多目標優化模型 NSGA-II模型作為多目標優化模型，這是一個基于遺傳算法的、非支配排序的、多目標優化算法。它能夠綜合考慮多個目標和約束，尋找最優或近似最優的解決方案，實現多個目標之間的平衡或協調[21]。本研究選取了荊州區域內主要關注的3個目標：農業生產、生態系統服務價值和人類福祉指數，使用NSGA-II的相應子模塊進行優化。通過荊州區域的遙感數據、社會經濟數據、自然環境數據和管理數據，對多目標優化模型進行了參數化和驗證，驗證結果顯示，模型具有高精度和適用性。

3 結果與分析

3.1 土地利用多樣性布局方案

本文通過圖3展示了不同情景下土地利用類型和空間格局的顯著差異。在基準情景中，土地利用類型呈現出較為平衡的分布，水田、旱地、林地、草地和建設用地的面積占比分別為30.2%、25.6%、22.1%、16.8%和5.3%，體現了對現有自然資源的有效利用和對生態環境的綜合考量。單一作物情景假設所有水田轉變為旱地，導致旱地面積上升至55.8%。這一變化反映了市場需求或政策激勵下的農業調整，但也減少了土地利用的多樣性，增加了對作物市場波動的敏感性。在多樣化作物情景中，水田和旱地的面積調整為13.9%和41.9%，增強了作物種植的多樣性，可能是對市場變化的響應，也可能旨在提升農業生態系統的韌性。而在優化作物情景中，水田和旱地的面積被進一步優化至18.7%和37.1%，實現了土地利用多樣性與空間格局的最佳匹配。這可能是自然條件、市場需求、社會文化和政策規劃等多方面因素綜合考量的結果，目的是促進土地利用的可持續性和效率。

綜上所述，土地利用類型面積的變化受到自然條件、經濟、社會文化、政策規劃和技術進步等多種因素的影響。因此，在制定土地利用規劃時，必須綜合考慮這些因素，以達到土地利用的最優化。這不僅有助于提高土地資源的使用效率，還能促進生態環境的保護和農業生產的可持續發展。

3.2 生態系統服務供給量和質量

本研究通過表6展示了不同情景下生態系統服務的供給量和質量。在基準情景中，糧食供給、水源涵養、碳固定與氧釋放，以及土壤保持服務的供給量分別為12.6 t·hm-2、0.7 m3·hm-2·d-1、0.4 t·hm-2·a-1和0.2 t·hm-2·a-1，相應的生態系統服務價值估算為2.4萬元·hm-2·a-1。轉向單一作物情景，糧食供給量提升至14.2 t·hm-2，但其他服務供給量有所下降，導致生態系統服務價值減少至2.2萬元·hm-2·a-1。在多樣化作物情景下，雖然糧食供給略降至12.4 t·hm-2，其他服務的供給量卻有所增加，使得生態系統服務價值提高到2.6萬元·hm-2·a-1。最終，在優化作物情景中，糧食供給量達到最高（14.8 t·hm-2），其他服務供給量也達到峰值，生態系統服務價值最高，為2.8萬元·hm-2·a-1。

以上數據反映了不同土地利用策略對生態系統服務供給的直接影響?；鶞是榫氨３至朔展┙o的平衡，而單一作物情景雖然提高了糧食供給，卻犧牲了其他服務。多樣化作物情景和優化作物情景則展示了多樣性對提升整體生態價值的重要性。這些發現強調了在土地利用規劃中考慮生態系統服務多樣性的必要性，以實現生態與經濟效益的雙贏。以上分析為農業生態系統管理提供了寶貴的見解，指明了可持續發展的方向。

3.3 人類福祉指數

如圖4所示，不同土地利用情景對荊州區域人類福祉指數的影響顯而易見。在基準情景下，人類福祉指數為0.67，反映出該區域在維持較高人類福祉水平方面的成效。轉向單一作物情景，人類福祉指數下降至0.63，暗示著單一化種植可能對居民福祉產生負面影響。多樣化作物情景下，人類福祉指數上升至0.69，表明作物多樣性可能對提升居民生活質量有積極作用。而在優化作物情景中，人類福祉指數達到最優值（0.72），顯示出通過優化土地利用策略，可以實現人類福祉水平的最大化。

這些數據揭示了土地利用策略與人類福祉之間的緊密聯系，強調了在土地管理決策中考慮人類福祉的重要性。優化作物情景的結果特別突出，它不僅提供了一種實現區域福祉最大化的途徑，也為其他地區提供了可借鑒的模式。

4 討論與結論

4.1 討論

4.1.1 土地利用多樣性布局方案的比較和評價 本研究揭示了不同情景下土地利用多樣性布局方案在農業生產、生態系統服務價值和人類福祉指數等多個維度上的顯著差異?；鶞是榫罢宫F了一種平衡的土地利用布局，盡管未能最大化土地資源潛力，但是各項指標表現中等。單一作物情景的布局失去了多樣性，農業生產雖有所提升，但以犧牲生態系統服務價值和人類福祉為代價，導致整體指標偏低。多樣化作物情景增強了土地利用的多樣性，雖然農業生產略有下降，但生態系統服務價值和人類福祉指數均有所提升，整體指標較高。而優化作物情景實現了土地利用多樣性的最大化，不僅提高了農業生產，同時也最大化了生態系統服務價值和人類福祉指數，各項指標均達到最優水平。綜合比較，優化作物情景在綜合效益和可持續性方面表現最佳，可視為最優或接近最優的土地利用多樣性布局方案。這一發現強調了在土地利用規劃中追求多樣性的重要性，以及其對農業生產、生態服務和社會福祉的綜合促進作用。

4.1.2 生態系統服務之間的協同與權衡關系的分析研究結果表明，不同土地利用多樣性布局方案顯著影響生態系統服務之間的協同與權衡關系。在基準情景中，生態系統服務展現出一定的協同效應，但也存在著一些權衡。單一作物情景中，生態系統服務間的權衡更為明顯，糧食供給服務與其他服務呈現負相關性。相比之下，多樣化作物情景中服務間的協同作用較強，各項服務呈現正相關。而在優化作物情景中，服務間的協同達到最高，所有服務高度正相關。綜合來看，優化作物情景在實現服務間最大協同和最小權衡方面表現最佳，顯著提升了生態系統服務的整體效能和穩定性。

4.1.3 生態系統服務之間的協同與權衡關系的影響因素和機制 本文采用的耦合模型為作物系統設計問題提供了一種全面的解決框架，通過將作物生長、土地利用變化、生態系統服務評估、多目標優化4個模塊相互整合，實現了對農業生態系統復雜交互的深入分析。這些模塊分別捕捉了作物與環境因子的相互作用、土地利用的動態變化、生態系統服務的供給狀況，以及農業生產與人類福祉的綜合評價，共同塑造了生態系統服務之間的協同與權衡關系。具體而言，作物生長模型揭示了不同作物對環境資源，如水分、養分、溫度和光照的需求，進而影響了水源涵養、碳固定與氧釋放、土壤保持等服務的供給。土地利用變化模型則展現了不同土地利用類型和空間格局對土地利用多樣性指數和生態系統服務價值的影響。生態系統服務評估模型量化了各項服務對人類福祉的貢獻，而多目標優化模型則在多種目標和約束中尋求最優土地利用布局方案。綜上所述，耦合模型不僅模擬了作物系統設計的全過程，而且揭示了生態系統服務之間協同與權衡的內在機制，為實現生態系統服務的最大化和土地利用的優化提供了科學依據。

4.2 結論

本文以荊州市為案例，深入探討了區域土地利用多樣性對生態系統服務的影響，并提出了一種創新的基于耦合模型的優化方法，旨在最大化農業區域的土地利用多樣性及生態系統服務價值。主要發現和結論如下：

（1）耦合模型構建。本文成功構建了一個綜合作物生長、土地利用變化、生態系統服務評估和多目標優化的耦合模型，全面模擬和解決了作物系統設計問題。該模型綜合反映了作物與環境因子的相互作用、土地利用的動態變化、生態系統服務的供給狀態、農業生產能力、生態系統服務價值，以及人類福祉指數，揭示了生態系統服務之間的協同與權衡關系。

（2）情景比較。通過對基準情景、單一作物情景、多樣化作物情景和優化作物情景的比較，結果發現，優化作物情景在生態系統服務價值和人類福祉指數方面表現最佳，同時保持了高水平的農業生產。這一情景展現了最優的土地利用多樣性布局，具有最高的綜合效益和可持續性，實現了生態系統服務之間的最大協同和最小權衡。

（3）創新和貢獻。本文的創新之處在于首次將作物系統設計問題轉化為多目標優化問題，并通過耦合模型進行實證研究。這一方法論為農業生態系統管理提供了新的視角和工具。本文的貢獻在于為區域土地利用多樣性布局方案的制定和評價提供了科學依據，為農業生產、生態環境保護和人類福祉的協調發展提供了有效途徑和保障。

參考文獻：

[1] RENARD D， TILMAN D. National food production stabilized by crop diversity[J]. Nature， 2019， 571（7764）： 257-260.

[2] VON GREBMER K， BERNSTEIN J， NABARRO D， et al. 2016 Global hunger index： Getting to zero hunger[M]. Bonn： Welthungerhilfe， 2016.

[3] BEILLOUIN D， BEN-ARI T， MAKOWSKI D. Evidence map of crop diversification strategies at the global scale[J]. Environmental Research Letters， 2019， 14（12）： 123001.

[4] YING H， XUE Y F， YAN K， et al. Safeguarding food supply and groundwater safety for maize production in China[J]. Environmental Science & Technology， 2020， 54（16）： 9939-9948.

[5] MARTIN-GUAY M O， PAQUETTE A， DUPRAS J， et al. The new Green Revolution： sustainable intensification of agriculture by intercropping[J]. Science of the Total Environment， 2018， 615： 767-772.

[6] LI C J， HOFFLAND E， KUYPER T W， et al. Syndromes of production in intercropping impact yield gains[J]. Nature Plants， 2020， 6（6）： 653-660.

[7] CONG W F， ZHANG C C， LI C J， et al. Designing diversified cropping systems in China： theory， approaches and implementation[J]. Frontiers of Agricultural Science and Engineering， 2021， 8（3）： 362-372.

[8] 王秀娟， 康孟珍， 華凈， 等. 從群體到個體尺度——基于數據的DSSAT和GreenLab作物模型連接探索[J]. 智慧農業（中英文）， 2021， 3（2）： 77-87.

[9] 張若楠. 高陵區國土空間利用質量評價及耦合協調研究[D]. 西安： 長安大學， 2021.

[10] 王雪然， 萬榮榮， 潘佩佩. 太湖流域生態安全格局構建與調控——基于空間形態學-最小累積阻力模型[J]. 生態學報， 2022， 42（5）： 1968-1980.

[11] 薛強， 路路， 牛韌， 等. 基于地質災害敏感性的生態安全格局關鍵區識別與修復——以濟南市為例[J]. 生態學報， 2021， 41（22）： 9050-9063.

[12] 魏家星， 張昱鎮， 連紫璇， 等. 基于生態供需空間的區域生態安全格局構建研究——以蘇南城市群為例[J]. 長江流域資源與環境， 2022， 31（2）： 387-397.

[13] 曹陽楊. 作物種植密度優化系統的設計與實現[D]. 哈爾濱： 東北農業大學， 2021.

[14] XU Z， LI C J， ZHANG C C， et al. Intercropping maize and soybean increases efficiency of land and fertilizer nitrogen use; a meta-analysis[J]. Field Crops Research， 2020， 246： 107661.

[15] TANG X Y， ZHANG C C， YU Y， et al. Intercropping legumes and cereals increases phosphorus use efficiency; a meta-analysis[J]. Plant and soil， 2021， 460（1）： 89-104.

[16] YANG L， XU L， LIU B， et al. Non-crop habitats promote the abundance of predatory ladybeetles in maize fields in the agricultural landscape of northern China[J]. Agriculture， Ecosystems & Environment， 2019， 277： 44-52.

[17] LEE M B， GOODALE E. Crop heterogeneity and non-crop vegetation can enhance avian diversity in a tropical agricultural landscape in southern China[J]. Agriculture， Ecosystems & Environment， 2018， 265： 254-263.

[18] ZHAO J， YANG Y D， ZHANG K， et al. Does crop rotation yield more in China？ A meta-analysis[J]. Field Crops Research， 2020， 245： 107659.

[19] BELLON M R， KOTU B H， AZZARRI C， et al. To diversify or not to diversify， that is the question. Pursuing agricultural development for smallholder farmers in marginal areas of Ghana[J]. World Development， 2020， 125： 104682.

[20] WANG G Z， BEI S K， LI J P， et al. Soil microbial legacy drives crop diversity advantage： Linking ecological plant-soil feedback with agricultural intercropping[J]. Journal of Applied Ecology， 2021， 58（3）： 496-506.

[21] YU Q G， HU X， MA J W， et al. Effects of long-term organic material applications on soil carbon and nitrogen fractions in paddy fields[J]. Soil and Tillage Research， 2020， 196： 104483.