基于城市生態系統服務協同性的濕地修復優先區分析

何若晨 馮育青 李 黎*

（1 西交利物浦大學健康與環境科學系，江蘇 蘇州 215123 2 蘇州市濕地保護管理站，江蘇 蘇州 215000）

2022 年生物多樣性公約第15 次締約方大會通過的“昆明-蒙特利爾全球生物多樣性框架”目標12 提出，需要“通過擴大和連接城市綠色和藍色空間，增加其生態連通性和完整性來實現包容生物多樣性的城市規劃”（CBD，2022）。濕地作為城市藍綠空間體系中的重要組成部分，具有凈化水質、調控水量和增加碳匯等功效（Tournebize et al.,2013; Mitsch et al., 2013）。濕地周邊氣溫與距濕地質心的距離呈極顯著的正相關關系（崔麗娟等, 2015）。相比于單一生態要素緩解城市熱島的能力，藍綠空間的協同降溫效應更為顯著（Jiang,2021）。與此同時，城市濕地作為一種重要的棲息地類型，提升了城市空間中的景觀異質性，增加了藍綠空間的連通性，也為城市中為數眾多的濕地鳥類提供了不可替代的營巢環境與食物資源，對維持城市鳥類物種的豐富度有重要貢獻（McKinney et al., 2013）。目前國內外對于濕地修復的研究主要包括以時間與空間角度探究濕地變化特征與驅動因子（董斯齊等, 2023; Lazzarini et al., 2013;Nguyen et al., 2017）；基于保護生物多樣性的目的評價濕地修復的生態效益（Meli et al., 2014;Zhang et al., 2021; 龐博等, 2023）；以及從濕地退化機制、修復機制、關鍵技術體系和模式等問題剖析相應領域發展的現狀、熱點、難點、未來所面臨的挑戰和發展趨勢等（Noble et al., 2011;Zhao et al., 016; 武海濤等, 2022）。值得注意的是，現有研究多依據濕地的單一生態系統服務功能開展量化評價或開展空間規劃。作為首個強調生態系統修復多重效益的全球標準，“基于自然的解決方案”（Nature-based Solutions, NbS）提倡在多方利益群體的參與下，以有效且具有生態適應式的方式高效統籌利用經濟、社會和自然資源，為實現多重社會、生態目標提供有利的保障（Andrade et al., 2020）。NbS 被認為是協同應對生物多樣性喪失和氣候變化等全球環境挑戰的有效途徑之一，已被納入“昆明框架”之中以指導城市實現可持續發展目標（王金洲等, 2023）。

蘇州位于澳大利亞—東北亞鳥類遷徙廊道的核心地帶，蘇州市是我國鳥類物種最豐富的城市之一（Li et al., 2023）?；贜bS 提出的多重生態效益協同性原則，本文以蘇州為例進行了濕地修復的優先區分析?；诂F有城市氣候、生物多樣性以及城市生態用地現狀等數據庫，綜合多種空間分析方法、識別出城市熱島及生物多樣性熱點的重疊區域，對潛在具有多重生態效益的城市濕地修復區域進行評估及篩選，旨在為我國城市的可持續規劃與發展提供新的思路。

1 材料與方法

1.1 研究區概況

蘇州（30°47′—32°02′N，119°55′—121°20′E）地處江蘇省東南部，是長江三角洲重要的中心城市之一。截至2022 年，全市下轄姑蘇、虎丘、吳中、相城、吳江和工業園6 個區、代管常熟、張家港、昆山、太倉4 個縣級市，總面積為8 657.3 km2。其中全市自然濕地面積為2 688.0 km2，主要分為沼澤、湖泊和河流濕地3 種類型（蘇州市園林和綠化管理局, 2023）。

1.2 數據來源與預處理

2020 年土地利用（10 m）和NDVI（30 m）數據來自中國科學院資源環境科學數據中心（http://www.resdc.cn）；DEM 數據（30 m）下載自地理空間數據云（https://www.gscloud.cn/search）；2020年5 月、8 月、11 月、12 月的landsat 8 oLI_TIRS遙感衛星影像（30 m；云量≤10%）是從地理空間數據云和USGS（https://earthexplorer.usgs.gov/）分別獲取，既而反演城市地表溫度指數；鳥類空間分布數據源于eBird（https://ebird.org/home）。所得數據均導入ArcGIS10.8 中進行提取與重分類，統一采用WGS_1984_UTM_Zone_51N 坐標格式。19 個bio 數據（30 s）下載于WorldClim 數據庫(http://www.worldclim.org)，利用ArcGIS10.8 對其重采樣后與高程、坡度、NDVI 等數據保存為“.asc”格式。

1.3 研究方法

1.3.1 maxEnt 模型構建 eBird 是全球最大的基于公民科學的數據庫，近年來被廣泛應用于生態學與保護生物學的研究中（Sullivan et al., 2009; Li et al., 2020）。從eBird 中獲取2018—2022 年的鳥類點位記錄共計19 429 條，通過對分布點位進行篩選，選取觀測記錄次數在100 條及以上的14 種水鳥作為研究對象。同時為減少預測結果的過度擬合，在每個500 m×500 m 網格中一個物種僅保留一個有效點位（表1）。

表1 鳥類點位記錄Table 1 Recording of bird data points

MaxEnt 模型是依據最大熵原理預測物種潛在分布的一種生態位模型（Warren et al., 2011），在生態學、生物學、氣候學等領域中被廣泛應用（熊巧利等, 2019）。本次研究初步選取24 個環境變量輸入MaxEnt 模型（Wang et al., 2023）（表2），但各變量之間也存在一定的相關性，需要運用波段集統計測算數據的相關性系數。對于相關性指數|r|≥0.8 的兩個變量保留貢獻率較高的環境因子（羅綺琪等, 2021），同時去除環境因子中貢獻率為0 的變量以提升測算結果的客觀性與準確性。最終14 種鳥類各保留不低于12 種環境變量因子。

表2 模型環境變量Table 2 Model Environment Variables

在MaxEnt 模型中，80%的有效點位被作為訓練集，20%的點位用于模型驗證，最大迭代次數1 萬次，重復運行10 次，其余參數為默認數值（Li et al.,2020)。運算得到的AUC（area under the curve）值[0，1]用于評估模型預測結果的精確性。當0.5＜AUC≤0.6時，預測結果不可信；當0.6＜AUC≤0.7時，預測結果可信度較差；當0.7 ＜AUC ≤0.8 時，預測結果可信度一般；當0.8 ＜AUC ≤0.9 時，預測結果可信度良好；當0.9 ＜AUC ≤0.1 時，預測結果具有較高可信度。

1.3.2 地表溫度反演 通過ENVI 5.3 對不同日期的衛星影像圖進行輻射定標和大氣校正，利用輻射方程法（鄧睿等, 2017; 趙秋月等, 2020）反演出城市地表溫度（公式1，2，3），再利用ArcGIS 計算城市地表溫度的平均值以識別城市高溫區域。

式中：Lλ為熱紅外輻射亮度值（W/(m2·sr·μm)；B(TS)為黑體輻射亮度（W/(m2·sr·μm)；Ts是地表溫度（K）；l↑、L↓和τ 分別為大氣向上輻射亮度、大氣向下輻射亮度（W/(m2·sr·μm)和大氣于熱紅外波段透過率，三者可在NASA 官 網（https://atmcorr.gsfc.nasa.gov/)查詢具體數值 ；ε表示地表比輻射率 ；K1=774.9（W/(m2·sr·μm)；K2=1321.1K。

1.3.3 Getis-Ord 分析 熱點分析可直觀反映出城市區域在某一數值上的空間聚集特征，統計結果表示為Getis-ord 指數。正值為熱點，其值越大則高數值點聚集越緊密；負值為冷點，其值越低則低數值點聚集程度越高，公式（Tran et al.,2017）為：

式中：為Getis-ord 指數；Xj是空間單元j的屬性值；為屬性值均值；Wi,j是空間單元i 和j 之間的空間權重；t是空間單元總數。

1.3.4 核密度分析 核密度分析能夠對空間中的點、線要素的密度分布進行連續化模擬，既而反映事件點與其周圍鄰域的聚集態勢和分布特征。核密度值越高，則研究對象相應數值的聚集程度越高。本次研究中將對蘇州市全部鳥類386 個有效且不重復點位和14 種水鳥279 個有效且不重復點位分別進行核密度分析。核密度公式（Shi, 2010）為：

式中：f(t)為事件的核密度值；n為樣本數量；h為測算帶寬(m)；dix為事件i至x的距離（m）；k為核函數。

2 結果與分析

2.1 城市熱島效應分析與評價

蘇州市2020 年平均氣溫介于8.8 ～48.8℃（圖1），建筑用地、水體、耕地、草地以及林地的平均溫度分別為26.8℃、19.9℃、24.1℃、25.2℃和24.3℃。通過構建1 000 m×1 000 m 的網格提取地表溫度并進行熱點分析后發現，城市熱點與冷點區域均呈現多核心集聚特點（圖2）。相應的溫度高值區（熱點區域）面積占總面積的20.6%，主要集中在蘇州建筑用地的密集分布區域 ；溫度低值區（冷點區域）面積占總面積的22.8%，主要在太湖和長江流域呈現一定程度的聚集態勢。

圖1 蘇州年平均氣溫Fig.1 Annual mean temperature in Suzhou

圖2 溫度熱點分析Fig.2 Hotspot analysis of surface temperature

為進一步量化反映研究區域熱島效應水平，采用均值標準差法界定城市熱島等級（趙禾苗等,2021），將研究區地表溫度劃分為冷島、弱冷島、常溫、弱熱島、熱島5 個類別（圖3）。其中，熱島與弱熱島的面積占城市總面積的31.8%，冷島與弱冷島的面積占比達34.9%。而主城區中的吳中區、虎丘區、相城區、工業園區、姑蘇區的熱島與弱熱島地區的面積分別占其相應行政區域面積的15.8%、39.7%、48.5%、59.5%和86.4%，表明相城區、工業園區和姑蘇區3 個區域的高溫現象較為凸顯，需要采取一系列自然與人工措施來減緩其熱島效應。

圖3 城市熱島等級劃分Fig.3 Classification of urban heat island

2.2 鳥類多樣性空間分布評價

蘇州市所有鳥類記錄點位在經過核密度分析后表現為多核心的梯度分布特征，并且鳥類空間聚集效應在全局水平上凸顯為由城市中部區域向四周環狀遞減態勢（圖4）。而14 種水鳥的觀測點位在市域空間中也體現出一定程度的空間集聚現象（圖5），其中，水鳥聚集高值區域主要分布在獨墅湖、陽澄湖、金雞湖等大面積水域和城區內部河道附近，表明濕地對于水鳥的空間布局特征具有深遠影響。

圖4 蘇州市全部鳥類潛在分布熱點空間特征(用核密度值表示)Fig.4 Potential distribution hotspots of all birds in Suzhou(characterized by kernel density values)

圖5 蘇州市水鳥潛在分布熱點空間特征(用核密度值表示)Fig.5 Potential distribution hotspots of waterbirds in Suzhou(characterized by kernel density values)

MaxEnt 模型的預測結果顯示，AUC 平均值為0.9，且14 種水鳥模型的AUC 值均高于0.8（表3），說明整體水鳥的空間分布預測結果具有較高可信度。根據影響14 種水鳥預測模型的環境變量的對比分析結果，發現對模型貢獻度較高的環境因子主要包括距離水體距離、歸一化植被指數（NDVI）、等溫性（Bio 3)和年降水量（Bio 12），其相應的平均貢獻度分別為15.0%、16.8%、12.3%和16.0%。通過采取自然間斷點分級法，將蘇州市14 種水鳥模型疊加分析后的預測結果劃分為5 個等級（圖6），即水鳥多樣性分布的低潛力區、較低潛力區、中潛力區、較高潛力區和高潛力區5 種類型。水鳥多樣性高潛力區和較高潛力區的面積合計占區域總面積的17.8%，主要分布在蘇州中部區域，并沿著城市水網向外延伸。水鳥多樣性低潛力區的面積最大，占研究區總面積的39.5%。

圖6 水鳥多樣性潛力等級劃分Fig.6 Classification of waterbird diversity potential

表3 14 種水鳥模型模擬結果Table 3 Simulation results of 14 waterbird models

2.3 濕地修復優先區識別

為緩解城市熱環境和保護城市鳥類多樣性，在城市生態修復規劃中的優先性比例可以通過對相應圖層賦予不同權重進行設定。在GIS 中將城市熱島效應等級和水鳥多樣性潛力等級分別按70%和30%、30%和70%、50%和50%的權重加權疊加，可以獲得不同的濕地修復關鍵區域分布結果（圖7）。當將緩解城市熱環境作為生態修復優先目標時，5 級適宜修復區域的面積為105.2 km2，需要改造與提升的藍綠空間以大面積片狀形式集中分布在滄浪街道、雙塔街道等老城區區域；當城市將保護生物多樣性作為規劃與建設重點時，5 級適宜修復區域的面積為74.5 km2，以帶狀形式分布在城區主要河道、湖泊的鄰近區域；而當城市采取提升人居環境體驗和保護生物多樣性并重的發展方針時，核心修復區域（5 級）的面積為30.9 km2，并以點狀形式離散分布于中心城區以及部分現有濕地公園與風景區的重點保育區域。

圖7 濕地修復區域等級劃分Fig.7 Classification of wetland restoration regions

3 討論

蘇州城市熱島高值區域集中在姑蘇、相城等主城區，由于商業、居住用地中灰色基礎設施的高密度結構與布局阻礙城市通風廊道的形成，快速城市化所引起的人口集聚效應增加城市能源消耗強度與用地強度，既而在一定程度上促使人口密度與地表溫度間存在顯著的正相關關系（王剛等, 2019）。蘇州市主城區也同時是潛在的濕地鳥類分布熱點，反映了蘇州市在澳大利亞—東北亞鳥類遷徙廊道中的“生態墊腳石”作用（Saura et al., 2014），也同時體現出蘇州市主城區水系交織密布，綠化率高等因素的特點，使得城市得以為鳥類提供相對適宜的潛在棲息地。蘇州市城市熱島高值區與水鳥多樣性高潛力區存在著較高程度的空間重疊，通過城市濕地的生態修復，如提高重疊區內藍綠空間的連通性等，不僅可維持城市鳥類生物多樣性（Huang et al., 2015），也可同時起到減緩城市熱島效益的作用（姜允芳等, 2022）。在城市規劃中納入空間協同性的考量，有助于最大化城市生態系統服務，貢獻于城市可持續發展中與氣候變化適應、生物多樣性維持、居民健康提升等有關的多重目標。

在城市生物多樣性數據相對缺乏的情況下，本文使用了全球最大的公民科學數據庫eBird（Callaghan et al., 2020），觀鳥志愿者記錄的鳥類分布點位被用于模擬水鳥潛在空間分布特征。我們的研究示范了如何通過現有的公開數據為可持續城市規劃提供較為可靠的生物多樣性分布信息。相比于系統收集物種數據、利用專家打分法篩選鳥種偏好生境、采用層次分析法定量評價鳥類棲息地質量等方式，本方法能夠降低數據獲取的難度，所得出的結果也更具有應用性和客觀性。

公民科學數據仍存在一定的抽樣局限性（Kosmala et al., 2016）。本文中鳥類觀測的坐標點位基本集中在城市公園或綠地，而對于太湖和長江等大面積水域缺乏相應的觀測信息。這一抽樣偏差可能導致上述區域多被劃分為水鳥多樣性低潛力地區，影響了城市濕地修復優先區識別的準確度。此外，在MaxEnt 模型的環境變量選取上，也缺乏城市環境壓力指標的相關變量。今后的研究中可以結合實地條件增加人口密度、道路干擾程度等進一步提升測算結果的精確性。濕地修復等級評定可考慮將城市濕地的可達性、游人休憩體驗、濕地的景觀連通程度等社會、生態因素納入考量，以更好地體現城市濕地的多重效益，這有助于決策者根據城市建設現狀和發展目標及時調整發展策略，劃分濕地核心保育地區以保障區域整體生態系統的穩定性。

4 結論

本研究綜合運用多種空間分析方法對蘇州的熱島效應和鳥類空間布局特點進行研究，得出以下結論：1）城市熱島與冷島效應均較為顯著，高溫地區主要存在于主城區的建筑用地。2）水鳥在城區范圍內表現出明顯的空間集聚現象，并且其分布主要受到NDVI、水源和區域降水量等環境因子的影響。3）蘇州城市熱島與水鳥分布潛在熱點地區存在顯著的空間重疊，可以作為生態修復優先區域的選址依據。4）濕地修復與提升的關鍵區域隨著城市發展趨勢與策略的轉變呈現不同的空間布局形式。本研究所示范的空間分析方法為我國城市可持續規劃與發展提供了一定的參考。