了解生态系统服务（ESV）的价值及其影响因素对于维护青藏高原人口稠密地区的生态平衡和促进可持续发展至关重要。本研究使用改进的ESV计算方法来分析ESV的动态变化特征，并采用Geodetector和Geoda探究影响因素及每个因素的个体效应、协同效应、局部空间聚类模式和空间相关性。结果表明：（1）近35年来，研究区ESV总体呈上升趋势，累计增长203.6亿元。草地占比最大，约为60%，在维持生态平衡方面发挥着至关重要的作用。气候调节服务的份额最高，约为24%，其中水文调节和土壤保持服务占主导地位。（2）在青藏高原人类活动密集区，人类活动、海拔和温度对ESV的影响最显著，其次是植被覆盖率（FVC）和降水。2个因素的协同效应表明，海拔与FVC之间的交互作用对ESV的影响较小，而人类活动与温度之间的交互作用表现出越来越大的影响。（3）在中高海拔地区和城市群区，人类活动和温度对ESV的负面影响最为明显，凸显了更有效的土地管理和可持续发展计划的必要性。海拔和年降水量与ESV呈正相关，但超过一定的海拔阈值，海拔和降水对ESV有不利影响。同样，在极高海拔地区和黄河等水源区，ESV与温度呈正相关。
生态系统作为连接自然生态系统与人类社会的桥梁，发挥着至关重要的作用。量化生态系统服务对于确保社会经济和生态环境的可持续发展至关重要。生态系统服务价值作为衡量生态系统服务的关键指标，已逐渐成为国际学术关注点。越来越多的政策制定者正在将生态系统服务纳入他们的决策过程，旨在推进生态系统恢复和促进可持续管理实践。
青藏高原通常被称为世界“第三极”，提供各种重要的生态系统服务。然而，气候变化和人类活动的综合影响对青藏高原人口稠密地区的生态系统产生了显著影响，产生了重大影响。因此，研究这些驱动因素对城市群ESV的长期影响至关重要。从历史上看，对青藏高原生态系统服务的研究往往忽视了对长期时间特征的考虑。
在中国，Xie提出的等值因子法是基于Costanza和千年生态评估分类系统（MECACS）等分类方法，基于每个服务函数的值等值结合区域进行核算，是一种成熟且更客观的计算方法，并已得到广泛应用。然而，该方法在考虑植被覆盖度和空间异质性时存在局限性，仍需针对不同区域的特征进一步修正以提高精度。
1. 土地利用类型的时空变化
2.ESV计算结果
在评估的所有生态系统服务功能中，气候调节成为整体服务价值的主要贡献者，约占总数的24%。紧随其后的是水文调节和土壤保持，分别贡献了每年总服务价值的22%和12%左右。在35年期间，水文监管增长最快，达到116.3亿元人民币，其次是气候监管。自小冰河时代结束以来，在北半球太阳辐射增强的推动下，青藏高原温度迅速升高，导致温度显着升高。在这种更温暖、更潮湿的环境中，青藏高原冰川和永久冻土的加速融化显著增加了河流和湖泊的水量，对应于水文调节的大幅增长。
与其他9个服务功能相比，只有食品生产呈下降趋势，原材料生产先增加后减少。这一趋势与国家退耕还林还草政策的实施有关，尤其是在2010年之后。
在1985—2020年的网格尺度上描述了1km×1km的研究区内ESV的空间分布特征。如图5所示，ESV表现出相当大的空间异质性。高ESV垂直分布在东北部的高海拔山区（达班山脉），水平分布在中部和西南部的林区（拉吉山脉）。低ESV主要集中在西北和东南边缘有大量农田的地区。35年来，西北和东南自治区的ESV显著增加，表明农田还田向草原和森林的转变对ESV产生了显著的积极影响。然而，由于脆弱的生态背景条件，这些地区的ESV仍然相对较低。图5（e）中描述的ESV变化揭示了过去35年研究区域内ESV的总体上升轨迹。这意味着该地区实施的恢复计划的有效性，特别是在恢复草原和山地植被方面。
3.ESV驱动因素分析
鉴于初始选择的因子数量相对较多，考虑了潜在的多重共线性问题。因此，采用地理探测器对这些初始因素进行研究，并使用Geoda对具有较高解释力的因素进行空间相关性的单独分析。
3.1.因子检测
考虑到1985年至2020年各种因素对ESV空间异质性的影响（表5），可以观察到人类活动、温度和DEM对ESV空间异质性的解释力最高，q值在25%到55%之间波动，显著高于其他影响因素。紧随其后的是降水和FVC，q值在20%到35%之间，解释力在10%到30%之间。影响ESV空间异质性的因素按以下顺序递减：土壤类型、坡度、人口、GDP、坡向和与水的距离。35年来，随着草原和森林面积的减少和人类活动范围的扩大，自然因素（温度、DEM、降水和FVC）的影响逐渐减小。同时，人类活动、人口和GDP的影响呈增加趋势。
3.2.交互式检测
如图6所示，标签X1到X11分别代表温度、降水、土壤类型、DEM、坡度、坡向、与水的距离、FVC、人口、GDP和人类活动。每年影响因素之间的相互作用表明双因素增强和非线性增强，肯定了选择这些因素背后的基本原理。值得注意的是，在1985年，观察到DEM∩FVC和DEM∩Precipitation之间的交互作用最为突出，q值为0.63。到2000年，观察到人类活动∩温度之间最显着的交互作用，q值为0.67。随后，在2010年，最重要的交互作用包括DEM∩人类活动和温度∩人类活动，两者的q值为0.63。最后，到2020年，最关键的驱动因素是人类活动∩温度，q值为0.61。研究结果表明，在这些变量中，人类活动、DEM、温度、降水和FVC在相互互动时表现出最显着的影响，对研究区域内的生态系统服务价值（ESV）产生最重大的影响。35年来，DEM∩FVC的影响呈下降趋势，而人类活动∩温度对ESV的影响呈增加趋势。这进一步强调了自上次冰河期以来温度的持续上升，伴随着人类活动强度的增加，这两者都对生态系统产生了越来越大的影响。
3.3Geoda空间相关性分析
为了进一步分析ESV对每个驱动因素的响应，使用Geoda进行了双变量空间相关性分析，Moran's指数结果如图7所示。可以观察到，人类活动和温度与ESV呈显著负相关，而人口、GDP和与水体的距离也与ESV呈一些负相关。另一方面，DEM和年降水量与ESV呈显著正相关，NDVI、土壤类型、坡度和坡向也与ESV呈正相关。Geoda的相关性分析结果显然与Geodetector的q值一致，进一步验证了分析结果的可靠性。
图8显示了2020年研究区ESV的4个主要驱动因素的空间聚类图和显著性图。所有4个驱动因素都与ESV表现出显著的空间相关性。人类活动与ESV呈负相关，其特征是聚类图中同时存在低-高和高-低聚类区域。高低聚集区在高海拔山地林区更为普遍，而低-高聚集区在农田和城市群区更为普遍。然而，其他三个因素对ESV的影响显示出更明显的正相关和负相关混合，如图9所示，与它们在海拔相关的地理位置有关。同样，在ESV随温度的聚类图中，可以看到低-高和高-低聚类区域，高-低聚类主要在高海拔山地森林地区，低-高聚类在草原和城市群地区。此外，在4200m以上的高海拔寒冷地区和黄河源区，ESV与温度呈正相关。在具有DEM的ESV聚类图中，高-高-低-低聚类区域较多，其中高-高-聚类主要分布在3000—4000m左右的中高海拔森林地区，低-低-低聚类分布在高聚类的河流系统附近草原。在带降水的ESV聚类图中，高高和低-低聚类区域最常见，前者位于高海拔森林地区，后者通常聚集在水体附近的草原。
结果表明，人类活动较高和温度较高的地区往往具有较低的ESV，一些地区显示温度与ESV呈正相关，尤其是在高海拔地区。海拔较高或降水水平较高的地区往往具有较高的ESV，但当海拔超过某个阈值时，海拔和降水会对ESV产生反作用。
高原生态系统对不同驱动因素的独特而复杂的响应凸显了关注多种因素综合影响导致的空间变化的重要性。有必要进行更多调查，以深入研究高原生态系统如何应对气候变化的动态和人类活动的多重影响。扩大研究工作对于全面了解这些因素之间错综复杂的相互作用及其对高原生态平衡和可持续性的影响至关重要。
初审：梁笑嫣
审核：徐彩瑶
排版编辑：许文静
文献推荐人：许文静
参考文献：Xianqi Zhang, Qiuwen Yin, Zhiwen Zheng, Shifeng Sun, Jiafeng Huang,Dynamic changes and key drivers of ecosystem service values in populous zones on the Tibetan Plateau: A 35-Yearanalysis,Ecological Indicators,Volume 167,2024,112620,ISSN 1470-160X.
以上内容仅代表个人对文章的理解，详情请点击阅读原文。
推荐阅读
探索基于自然的生态文明解决方案，助力实现“双碳”战略目标，协同推进人与自然和谐共生与全体人民共同富裕的中国式现代化建设，让我们一起加油！
