珠峰北麓朋曲流域土地覆被變化及未來情景模擬

李存秀劉峰貴周源濤陳 瓊周 強何文鑫田萬霞

(1.青海師范大學 地理科學學院,青海 西寧810008;2.高原科學與可持續發展研究院,青海 西寧810008)

土地覆被/土地利用作為人類活動響應氣候變化的重要途徑之一[1],在全球變化中扮演著重要的角色,是全球變化的重要驅動力。工業革命以來,隨著經濟和科學技術的迅速發展,以及在全球變化的高速推動下,人地矛盾日益尖銳[2]。近年來中國特別強調,保障生態文明有效建設和可持續發展的關鍵是維持人地關系協調發展[3]。在生態環境脆弱、自然環境復雜的西藏地區,人地關系協調演進無疑是一項重大挑戰。隨著人地關系研究的不斷推進,西藏地區人地關系優質協調發展的勢頭良好[4]。珠峰北麓朋曲流域是中國珠穆朗瑪峰自然保護區的核心腹地,高山草甸作為環珠峰地區的主要植被類型,20世紀末至21世紀初,隨著牧業比重的增大,環珠峰地區過牧現象嚴重,草地退化加劇,森林資源也處于明顯的退化狀態,退化面積大于恢復面積,區域生態環境遭到破壞,人地關系沖突日益明顯[5],因此,加強環珠峰地區生態環境保護問題被提到重要地位。

從20世紀60年代第一次展開珠峰科學考察開始,珠峰自然保護區就成為高原人地關系的研究熱點,研究聚焦人與自然相互作用的評估[6]、氣候變化對環珠峰地區植被動態變化規律及影響等研究[7-8]。研究結果表明,自2002年以來,隨著西藏退耕還林、還草工程的實施以及環珠峰地區生態保護工程的實施,珠峰南坡植被類型恢復良好,珠峰北坡植被穩定發展[9],但耕地面積明顯減少。環珠峰地區土地覆被研究主要集中于植被現狀和恢復研究,但對未來情景下的土地覆被動態的研究不足。

當前用于土地覆被變化模擬預測的模型主要有:CLUE-S模型、Logistic回歸模型、Markov模型和FLUS模型等[10]。FLUS模型是對傳統預測模型的改進,能有效解決傳統預測模型中出現的參數設置和類型之間轉換困難等問題,有效處理人為和自然因素雙重影響下的土地覆被/土地利用變化不確定性;Markov模型對預測未來情景下的土地覆被/土地利用像元數量具有較高的實用性,但難以對變化進行空間表達[11]。為此,基于Markov-FLUS模型中和了Markov模型的缺點,以達到像元數量預測和空間表達的雙重優勢,適用于中小流域未來土地覆被情況變化的研究。

在青藏高原生態保護和可持續發展的大背景下,對耕地和生態安全保護將對未來情境下的流域水土響應與人地關系的和諧發展產生重要影響。因此,針對流域內土地覆被變化未來發展的研究非常之必要,既可以對保障糧食安全和保護生態安全提供建設性意見,又為下一步生態文明發展提供基礎理論支撐。朋曲流域作為環珠峰北麓地區的人口中心,是珠穆朗瑪峰國家級自然保護區的核心區與人地關系相對復雜的地帶,同時作為珠峰地區重要的水文基本單元,統籌流域的相關研究,是構建國家生態安全屏障的重要研究對象。對朋曲流域未來土地覆被情況的研究,可以反映高海拔高脆弱性的特殊自然環境下未來土地利用情況的動態變化規律,以及不同土地利用限制情景下,土地覆被在未來近期和中期可能發生的演變。本文基于Markov-FLUS模型,運用不同情景約束因子,對朋曲流域短期(2030年)和中遠期(2050年)的土地覆被類型進行模擬預測分析,對比兩種類型下的耕地發展和生態保護發展,為促進朋曲流域耕地保護工作和實現生態空間的科學布局提供思路,為實現高原地區和諧的人地關系服務。

1 研究區概況

朋曲發源于喜馬拉雅中段的希夏邦馬峰,源頭以冰川融水為主,大氣降水補給為輔,河流自西向東在定結縣境內折向南,切穿喜馬拉雅山脈入尼泊爾,最后注入印度恒河,上游中國境內流域范圍涉及西藏日喀則市南部的崗巴縣、定日縣、定結縣、聶拉木縣和薩迦縣,全長376 km,流域總面積2.50×104km2,平均海拔5 259 m,支流主要有扎嘎曲、葉如藏布江、西寧藏布和卡得藏布等[12]。喜馬拉雅中段的珠峰地區是青藏高原人類活動歷史悠久且較為頻繁的區域,該河流屬于跨境河流,是喜馬拉雅中段人類南北遷徙和貿易的主要通道,也是珠穆朗瑪峰國家自然保護區的核心區域,因此,該流域受到廣泛關注。

朋曲流域焚風效應明顯,印度洋季風暖濕氣流在喜馬拉雅山脈南坡形成大量降水,越過山脊到達北坡后下沉,導致該地區常年氣溫較低,降水偏少,年均降雨量僅僅維持在600 mm左右,屬于典型的高原大陸性氣候,寒冷而干旱,由此北坡植被多為草甸和灌叢。位于珠峰南坡的少部分區域,受印度洋季風影響,降雨充沛[13],氣候溫暖濕潤,形成大片原始森林。朋曲水系包括熱曲藏布、扎嘎曲、羅別藏布、彭作浦曲、西糾曲、魯魯曲等小河流和主河道朋曲河[14]。據統計,2020年朋曲流域總人口為16.5萬人,人口密度約為4.7人/km2,半農半牧,耕地主要分布在河谷地帶,農作為以種植青稞、小麥、油菜為主[15]。

2 數據來源與方法

2.1 數據來源與處理

本文數據包括朋曲流域縣界數據,空間驅動因子數據集和土地覆被數據集,研究區縣界數據來源于2019年西藏自治區縣級行政邊界提取的數據;空間驅動因子數據集包含自然因子、社會經濟因子和距離因子等數據;2010,2015和2020年3期土地覆被數據來源“地球大數據工程數據共享服務系統”[16](表1)。本文以2020年最新研發的高精度、全球性土地分類數據(GLC_FCS30-2020)為基準數據,該數據集共包含29個地表覆蓋類型,更新周期為5 a。本文通過篩選所需要的土地覆被類型,將29個地表類型進行重分類操作,最后提取需要的5個土地覆被類型。數據來源詳見表1。

表1 研究所用各類數據來源

2.2 FLUS模型

FLUS模型是主要用于當前和未來情景下的土地覆被模擬。該模型的原理源自元胞自動(selfadaptive inertia and competition mechanism CA),并且在其基礎上做了進一步修改,增加了人工神經網絡模型算法(ANN-based probability-of-occurrence estimation)和馬爾科夫鏈計算(Markov chain)兩大模塊[18],模型的改善和發展進一步耦合了人類活動和自然要素之間相互競爭和轉化的模擬優勢[19]。

2.2.1 適宜性概率統計 人工神經網絡模型可用以表征未來情景土地覆被類型和多項空間驅動因子之間的對應關系,將初始年份的土地覆被數據和各項驅動因子作為輸入數據源,采用神經網絡算法[20](ANN)整合并計算朋曲流域內5種土地覆被類型出現在每個像元上的概率[21],計算公式為:

式中:Nj(p,q)為隱藏層神經元j接收的輸入層信號;wij為訓練中輸入層和隱藏層之間設定的權重[22]。

2.2.2 馬爾科夫鏈預測未來像元數 利用馬爾科夫鏈模塊預測未來情景下的土地覆被類型像元數量[23],在2010,2015和2020年的數據基礎上,預測2020年和2025年的土地覆被類型像元數量(表2),計算公式為:

表2 研究區2010—2050年多期土地覆被類型像元總數

式中:Tn+1為n+1時刻土地覆被狀態;Tn為n時刻土地覆被狀態;pij為各地類的轉變適宜性概率。

2.2.3 領域因子權重計算 領域因子用以表征不同土地覆被類型的擴張能力[18],擴張能力范圍為[0,1],范圍數值大小與擴張強度成正比,當擴張數值越大接近于1時,表示該土地覆被類型在其領域范圍內的擴張能力越強。當前用于確定權重參數的方法主要有:因子分析法、Moore鄰域模型法[24]、無量綱化。無量綱化方法將原始數據進行無量綱化處理,根據每個指標值的差異,客觀確定指標權重[25]。本文考慮土地類型擴張規律的客觀性,使用朋曲流域各土地類型歷史總面積變化數量進行無量綱化處理,來確定各地類的領域因子權重值[26](表3)。

表3 朋曲流域無量綱化得到的領域因子權重值

2.2.4 轉換成本計算 轉換成本反映各土地類型之間的變化規則,通常用矩陣表示,0表示兩種地類之間轉換成本高,不容易轉換,1表示兩地類之間轉換成本最低,最容易轉換。當前關于計算轉換成本矩陣的方法主要有專家意見咨詢、經驗轉換和政策導向轉換規則,本文利用朋曲流域2010—2020年土地類型轉移矩陣為基礎,以專家咨詢意見為輔,確定各地類的轉換成本系數。

2.3 模型精度驗證

本文將驗證模型模擬精度高低的評價指標分為兩類:分類別精度評價指標〔生產者精度PA(producer’s accuracy)〕和用戶精度UA(user’s accuracy)檢驗[27])和綜合精度評價指標〔總體精度OA(overall accuracy)和kappa系數(kappa coefficient)檢驗〕。其中,總體精度OA和Kappa系數主要檢驗模擬整體結果與實際結果之間的一致性,用以評價模擬圖像的精度問題,兩個結果的檢測值越接近于1,表明兩個圖像之間具有較高的相似性[28],本文主要采用該方法進行模擬精度的驗證。以朋曲流域2015年為初始年份數據,對影響因子歸一化處理,采用FLUS模型的馬爾科夫鏈模塊預測2020年的土地類型數量,計算得到朋曲地區2015—2020年的土地覆被轉移適宜性概率數據,然后再對2020年的朋曲流域土地覆被進行模擬,將模擬結果與2020年實測的土地覆被類型進行精度驗證,利用FLUS模型模擬出的2020年數據結果總體精度(OA)為90%,kappa系數為0.82。其中草地的分類精度最優,PA和UA均在90%以上;其他用地類型的分類精度次之,PA和UA均超過88%;林地的UA高達93%,但是PA僅有66%;水域的分類精度相較于前3種類型較低,PA和UA僅有65%和77%;耕地的分類精度是最低的,PA和UA均不超過60%,分類精度一般(圖1)?？傮w而言,FLUS模型對朋曲流域土地覆被類型的模擬結果精度較高,達到預期目標,模型可以用于本文關于未來情景土地覆被模擬預測研究。

圖1 朋曲流域2020年土地覆被現狀與模擬結果比較

3 結果與分析

3.1 歷史時期朋曲流域土地覆被變化

根據2010—2020年朋曲流域土地覆被面積變化表和空間分布圖(圖2)可知,從2010—2020年期間,林地的面積變化最高,其次是草地,再次是耕地,其他用地和水域的面積變化是最小的。林地主要分布在聶拉木縣、定結縣和定日縣南部地區,其面積變化最為明顯,10 a間增加了778.16 km2,主要增加的區域為聶拉木西北部和定日縣中部地區;其次是草地,草地是研究區內面積最大的地物類型,廣泛分布于研究區內,面積呈顯著較大的減少變化趨勢,10 a以來共減少726.89 km2,草地面積減少區域主要為林地的擴張;再次為耕地面積變化,河谷地區零星呈帶狀分布的耕地,面積呈減少趨勢,但是減少面積較小,為67.78 km2;其他用地面積稍有增加,為8.46 km2;朋曲流域的河流受到冰川融雪和大氣降水的多重補給,常年徑流量穩定,水域面積基本無變化;造成上述這種變化的主要原因是朋曲流域是以牧業為主農業為輔的地區,畜牧業是當地農牧民最重要的經濟來源,草地面積在該流域占很重要的份額(表4)。隨著氣候的變化和社會經濟的發展,越來越多的農牧民開始脫離草場,從事非農牧活動[14],人類活動區域逐漸向城鎮集中,耕地面積逐漸減少,同時隨國家“退耕還林”與珠峰國家級自然保護區的建立,撂荒地逐漸被林地取代。

圖2 朋曲流域2010—2020年土地覆被空間分布

表4 朋曲流域2010—2020年土地覆被面積變化

3.2 未來情景土地覆被變化分析

利用FLUS模型模擬預測未來短期(2030年)和未來中遠期(2050年)朋曲流域土地覆被狀況,但由于馬爾科夫模塊預測的土地覆被類型像元數量結果,可分為3種限制情景的模擬預測,未來情景的土地覆被類型預測需要同時考慮不同限制因子對土地擴張的約束。因此,設置多個約束用地變化的限制因子(表1),對未來短期與未來中遠期不同限制情景下的流域土地覆被變化進行模擬預測,其結果如下:

3.2.1 自由發展情景 自由發展情景旨在不考慮相關約束用地發展的政策因子,僅考慮在自然和人為影響下土地覆被的變化情況,圖3和圖4反映了在此情境下未來短期(2030年)和未來中遠期(2050年)朋曲流域土地覆被空間分布狀況與面積變化,較2020年:①未來短期土地覆被變化中,林地和其他用地面積呈增加趨勢,而耕地、草地和水域較歷史時期呈減少趨勢,其中,其他用地的面積變化是所有土地覆被類型中變化最為明顯的類型;②未來中遠期土地覆被變化相較于2020年有些地類有明顯的向外擴張趨勢,林地面積的變化最為明顯,較2020年增加3 498.35 km2,從空間分布圖上看出2050年林地面積擴張明顯,擴張范圍主要集中在崗巴縣和定結縣范圍內,同時陳穎峰等[29]人的研究結果也表示,在2000—2009年間,珠峰東南區域(崗巴縣和定結縣)林地等植

圖3 朋曲流域自由發展情景下土地覆被類型面積變化比較

圖4 朋曲流域自由發展情景下土地覆被類型面積變化

被類型增加明顯,研究結果與以上結論吻合。在不受政策等限制因子去約束土地類型擴張的條件下,其他用地類型將快速擴張,擴張的面積主要占據了草地、耕地和水域等用地類型,若不加以相關政策因子限制,將直接威脅研究區內的生態環境和糧食安全。

3.2.2 耕地保護情景 基于耕地保護情景的模擬預測,以基本農田保護區為限制性因素,在該情景下的耕地發展穩定性較強,耕地類型向其他類型轉化的條件受到限制。未來短期和未來中遠期的土地覆被變化在此限制情景下發生了較大的變化(圖5—6)。①在此情景下,未來近期耕地面積126.8 km2,較2020年耕地面積無明顯變化,耕地減少的速率變緩,耕地保護的措施得到有效發揮。面積變化最明顯的是其他用地類型,較2020年面積增加393.19 km2,這部分增加的面積主要來自于對草地面積的轉換,致使草地面積減少幅度較大。朋曲流域的土地覆被類型復雜,其他用地類型里面包含的二級類型又充滿了復雜性,其他用地類型的擴張,一方面有朋曲流域少部分的建設用地和冰川積雪地向外擴張的原因,而最重要的一方面主要為草地轉化為裸土地,成為其他用地外擴的主要原因;②未來中遠期林地的面積變化最大,較2020年面積增加3 485.55 km2,平均每年增加116.2 km2,這部分增加的面積主要來源于對草地和其他用地類型的轉化。耕地變化是其余地類中面積變化最小的一類,耕地保護情景約束了未來中遠期耕地向其他地類轉出的趨勢。從面積變化趨勢分析,加入農田保護區作為限制因子的朋曲流域土地覆被變化,減緩了耕地轉化的速率,可以有效保護耕地。

圖5 朋曲流域耕地保護情景下土地覆被類型面積變化比較

圖6 朋曲流域耕地保護情景下土地覆被類型面積變化

3.2.3 生態保護情景 朋曲流域大部分區域處于珠穆朗瑪峰自然保護區范圍內,生態保護是該區域可持續發展的基本方向。在生態保護情景下,從各用地類型數量變化見圖7—8。①此情景下未來短期土地覆被類型變化較大的仍集中在草地和其他用地類型,相較于2020年的草地發展,未來近期草地面積減少362.67 km2,其他用地面積增加389.29 km2。此情景下的土地覆被類型面積變化與耕地保護情景下的面積變化類似,但是在空間分布上卻出現了較大的不同。受自然保護區的影響,林地范圍在研究區東南方向擴張迅速,并且呈大塊連片分布;②未來中遠期覆被類型面積變化也是主要草地、林地和其他用地,林地仍然是變化最大最為明顯的地類,而草地和其他用地仍然呈減少趨勢,面積受到進一步壓縮,草地和其他用地的轉出的主要方向為林地。但值得一提的是,此時期水域面積較2020年增加了117.538 km2,由于對氣候變化的響應,珠峰自然保護區變暖趨勢要比中國其他區域要更加顯著[30],致使珠峰地區湖泊冰雪融水補給量增加,面積擴大,這與王毅等[31]人的研究結果相吻合。

圖7 朋曲流域生態保護情景下土地覆被類型面積變化比較

圖8 朋曲流域生態保護情景下土地覆被類型面積變化

生態保護情景下,土地覆被變化特征主要為草地的減少以及其他用地類型的增加,耕地面積變化在整體變化中所占比例不高,但依舊呈減少趨勢。此情景下土地覆被類型變化較大主要集中在草地和其他用地類型,但是相較于自由發展情景和耕地保護情景下的土地擴張,生態保護下的土地覆被總體而言變化最小,土地轉化速率趨于放緩,這對保護生物多樣性,保障生態安全區域生態安全具有重要價值,同時我們也關注到,其他利用地與草地在此情景下變化仍最明顯,究其原因可能與模型中使用的馬爾可夫鏈有關。執行農田保護區和自然保護區的同時限制的相關政策,將對本區域的生態恢復、發展和經濟建設提供重要的參考,有助于實現區域的可持續發展。

4 討論與結論

4.1 結論

(1)利用Markov-FLUS模型,模擬2020年朋曲流域的土地覆被狀況,和2020年實際的土地覆被現狀進行對比。經過驗證,模型分類的總體精度(OA)為90%,kappa系數為0.82,精度較高,達到預期模擬精度目標,所以可以采用此模型進行未來情景的土地覆被模擬預測。

(2)通過統計分析2010,2015和2020年土地覆被狀況,林地和草地的面積變化最為明顯,草地面積在10 a間減少726.89 km2,林地面積增加778.16 km2,主要是由草地轉換為林地,主要是因為西藏地區近些年的植樹造林政策的有效實施。

(3)在3種情境下,未來近期(2030年)和未來中期(2050年)的土地覆被均發生明顯變化。未來近期和未來中期的土地覆被變化分別在連續3種情境下的表現一致,未來短期土地覆被變化最明顯均集中于草地和其他用地兩個類型,未來中遠期覆被面積變化最明顯地集中在草地、林地和其他用地。也就是說,在隨著氣候變化、經濟發展和政策的逐步推行之下,朋曲流域的林地面積將迅速擴大,而這部分的轉入是草地和其他用地的轉出獲得。

4.2 討論

不同發展情景下的土地覆被變化研究對區域的經濟和可持續發展具有特別重要的影響,也對當前朋曲流域的土地覆被空間格局變化具有良好的指導意義。朋曲流域作為珠峰自然保護區的主體部分,既要保障流域內糧食生產安全,又要保證流域內生物多樣性的有序發展。盡管流域內的人口比重不大,當前的糧食生產能滿足當前的人口規模,但是未來人口的不斷增長會在一定程度上加重對糧食需求的壓力,所以耕地保護情景下的土地覆被變化研究具有非常之必要性。朋曲流域生態保護作為珠峰自然保護區的核心問題,生態意義重大,生態保護情景下的朋曲流域土地覆被研究可以進一步彌補生態建設基于現狀分析上的短板問題。雖然關于朋曲流域未來短期(2030年)和未來中遠期(2050年)的模擬研究成果較好地擬合了未來土地發展狀況,但是仍存在一些不足:①在使用模型中,未利用地與草地始終是變化最明顯的兩種覆被類型,這可能與模型中的馬爾可夫鏈的特性有關,馬爾可夫鏈的引用雖解決了隨時間變化的土地覆被類型的預估問題,但作為一種基于概率論和數理統計的模型,在受全球變化與人類社會發展等一系列復雜機制影響的土地利用變化研究中,模型的預測效力還需進一步討論;②模型驗證中,實測結果與模擬結果kappa值為82%,雖滿足了模型要求的75%以上的精度,但對于小流域的預測來說,仍可能與實際產生較大的差距。這種偏差的產生可能與青藏高原特殊的自然環境條件和區域政策有關,模型針對青藏高原進行區域性的改進和更多驅動因子選擇與其權重的研究將是下一步的工作方向;③FLUS模型在進行未來情景模擬預測時,所選取的驅動因子指標具有一定的主觀性,驅動因子指標的選取多參照前人研究成果中所選取的指標,因為所選取的研究區不同,受地勢、海拔、氣溫、降水、人口、經濟、宗教等因素的影響,不同研究區內對于土地利用的方式不同,不同地類發展的趨向也就各不相同,這就會在之后的模擬研究中增加模擬誤差,模擬結果與實際發展方向背道而馳。另外在選擇驅動因子時,無法準確分析驅動因子選取的多少是否對模擬結果產生重要影響,一系列問題還需進一步模擬驗證。