郑州大学发文!探究生态系统服务供需匹配模式与驱动机制——以都市圈为例

• SCI期刊： Ecological Indicators

• 英文题目： Exploring the matching patterns and driving mechanisms of ecosystem service supply-demand: a case study of the Zhengzhou metropolitan Area, China

• 中文题目： 探究生态系统服务供需匹配模式与驱动机制——以郑州都市圈为例

• 发表时间： 2025年11月16日

• 文章链接：https://doi.org/10.1016/j.ecolind.2025.114405

🌍 研究背景

在快速城镇化与区域一体化进程中，都市圈成为人口和产业高度集聚的空间单元，生态系统服务（ES）的供给与需求之间的矛盾日益突出。郑州都市圈作为中原城市群的核心增长极，在快速工业化和城镇化过程中，面临着水资源短缺、碳汇能力不足、土壤侵蚀、生境质量下降等多重生态压力。如何在保障粮食安全和经济发展的同时，科学评估并协调生态系统服务的供需匹配，成为国土空间规划和生态治理的关键难题。

🎯 研究意义

本研究以郑州都市圈为案例，系统评估了2000—2020年五种关键生态系统服务（粮食生产、碳固持、产水量、土壤保持、生境质量）的供给、需求及供需比（ESDR）的时空演化。通过集成CatBoost机器学习与偏最小二乘结构方程模型（PLS-SEM），揭示了各驱动因子（气候、地形、社会经济、植被覆盖、景观格局）对供需匹配的贡献及其直接/间接作用路径。研究还利用自组织映射（SOM）识别了四类生态功能区，并提出了差异化的治理策略。该研究为都市圈尺度生态系统服务供需平衡的精准调控提供了科学依据，对落实区域生态保护与高质量发展战略具有重要参考价值。

🧠 研究目的

1. 量化郑州都市圈2000—2020年五种关键ES（粮食生产CP、碳固持CS、产水量WY、土壤保持SC、生境质量HQ）的供给、需求及供需比（ESDR）的时空格局。

2. 利用CatBoost等机器学习模型识别影响各ESDR和综合供需比（CESDR）的主导驱动因子及其相对重要性。

3. 通过PLS-SEM解析自然、社会、景观等多维驱动因子对ESDR的直接与间接作用路径，揭示中介机制。

4. 基于SOM聚类划分生态功能区，提出面向不同供需匹配类型的空间治理策略。

🗂️ 研究内容

• ES供给与需求评估：采用InVEST模型计算CS、WY、SC、HQ的供给；CP供给基于NDVI与县级粮食产量降尺度；需求方面，CP用人口与人均消费量估算，CS用人均碳排放反演，WY用各行业用水量，SC用土壤侵蚀容许量，HQ用人口密度与土地利用类型表征。

• 供需比计算：ESDR = (Supply - Demand) / [(Supply_max + Demand_max)/2]，正值表示盈余，负值表示赤字。综合CESDR为五种ESDR的平均值。

• 驱动因子：选取14个因子，归为生物物理（DEM、坡度、土壤有机质）、气候（温度、降水、潜在蒸散发）、社会经济（人口密度、GDP、城市化水平、夜间灯光、路网密度）、植被（FVC、NDVI）和景观配置（香农均匀度指数SHEI）五类。

• 机器学习建模：对比RF、LightGBM、XGBoost、CatBoost，以CatBoost最优。用SHAP值评估因子重要性。

• PLS-SEM：构建理论模型，检验各维度对CESDR的直接、间接及总效应。

• SOM聚类：基于5种ESDR进行无监督聚类，确定最优分类数（4类），绘制生态功能区图。

🌏 研究区概况

郑州都市圈（ZZMA）位于河南省中部，总面积约5.98万km²，跨黄河、淮河、海河三大流域。以郑州市为核心，包括79个县市区，人口占全省近20%，GDP占全省约30%。地形西北和西南为山地丘陵（太行山、伏牛山），中部和东部为平原。属北温带季风气候，年均温11–16℃，年均降水约853 mm。2023年城镇化率74.6%，远高于全省平均。该区域是国家重要的粮食生产核心区，也是城镇化快速扩张的典型代表。

📊 数据概况

• 土地利用：30m分辨率（2000—2020年），来自资源环境科学数据中心。

• DEM：30m，NASA Earthdata。

• 气象数据：降水、温度、潜在蒸散发（100m–1km），国家青藏高原科学数据中心。

• NDVI/FVC：250m–1km，figshare及资源环境数据中心。

• 土壤数据：250m有机质含量，GEE与资源环境数据中心。

• 社会经济：GDP（1km）、人口（100m）、夜间灯光（500m）、路网（OpenStreetMap），统计年鉴。

• CO₂排放：河南省水资源公报及统计年鉴推算。

• 所有栅格重采样至1km，投影一致。

⚙️ 研究方法

• InVEST模型：产水量（水量平衡）、碳固持（四大碳库）、土壤保持（RUSLE）、生境质量（威胁因子法）。

• NDVI降尺度：粮食产量 = (NDVI_grid / NDVI_sum) × 县总产量。

• CatBoost：梯度提升算法，处理类别特征能力强，10折交叉验证，网格搜索调优。

• SHAP值：量化每个因子对ESDR的边际贡献，区分正负效应。

• PLS-SEM：构建潜变量（生物物理、气候、社会经济、植被、景观配置）与观测变量关系，评估路径系数、直接/间接效应，模型拟合指数（GoF）。

• SOM：无监督聚类，使用Calinski-Harabasz指数确定最优聚类数（4类），在R中用kohonen包实现。

📈 研究结果

1. 供需时空格局：

• 供给：CP和CS总量上升（分别+47.8%和+5.3%），WY下降48.8%，SC先增后减，HQ持续下降。空间上，CP、CS、HQ呈东高西低，SC西南高东北低，WY东南高西北低。

• 需求：CP需求+18.4%，CS需求暴增236.2%（人均碳排放上升），SC和HQ需求均显著增加。高需求集中在郑州、洛阳等中心城区。

• 供需比：CESDR从0.179降至0.107。CS从盈余转为赤字（降62.2%），WY从盈余转为赤字（降至-0.011），CP和SC维持盈余但波动，HQ盈余下降。赤字区主要分布在郑州、洛阳及周边城镇群。

2. 主导驱动因子（CatBoost-SHAP）：

• CESDR：城市化水平、坡度、香农均匀度指数、FVC贡献最大。

• CPESDR：高程、温度、人口密度主导（>15%贡献）。

• CSESDR：FVC和人口密度共占>50%，2015年后人口密度超过FVC。

• WYESDR：潜在蒸散发始终最强，温度、高程影响减弱，人口密度影响上升。

• SCESDR：FVC、坡度、土壤有机质主导，贡献稳定。

• HQESDR：坡度、城市化水平、人口密度贡献>25%，2015年后人口密度超过NDVI。

3. PLS-SEM路径分析：

• 植被覆盖（FVC、NDVI）和景观配置（SHEI）是关键的中介变量。气候和生物物理因子通过影响植被和景观间接作用于ESDR。

• 城市化水平和人口密度对CESDR既有直接负效应（增加需求），也有通过破坏植被和景观连通性产生的间接负效应。

• 模型拟合良好（GoF>0.7）。

4. 生态功能区划分（SOM）：

• Bundle 1（城市核心及周边）：CS盈余，CP、WY、HQ赤字。需优化蓝绿基础设施，控制城市蔓延。

• Bundle 2（城市外围）：CP、CS、SC、HQ盈余，WY轻度赤字。应严格保护耕地，提升水文连通性。

• Bundle 3（山地过渡区）：SC赤字突出（土壤保持能力不足），其他服务基本平衡。需通过多龄混交林、垂直分层等提升森林结构稳定性。

• Bundle 4（生态屏障区，伏牛山、太行山）：所有服务盈余。应作为生态源地，严控人类干扰，维护自然景观完整性。

💬 主要讨论

• 供需匹配的梯度特征：沿“城市核心–城市外围–生态屏障”呈现“赤字–平衡/轻度赤字–盈余”的规律。CS和HQ的赤字在郑州、洛阳等核心区尤为突出，与高碳排放和高人口密度直接相关。

• 水资源服务的逆转：WY从盈余转为赤字，主因是降水减少和农业/生活用水增加。在许昌、平顶山等平原农区，灌溉缺水问题严峻，需通过节水农业和跨区域调水缓解。

• 植被与景观的中介角色：PLS-SEM证实，植被覆盖和景观配置不仅是直接服务提供者，更是气候、地形、人类活动影响的“传导器”。例如，城市化通过降低FVC和破碎化景观间接加剧CS和HQ赤字。这提示生态修复应同时提升植被质量和景观连通性。

• 政策含义：针对不同生态功能区实施差异化策略：核心区推广垂直绿化和屋顶绿化，外围农区建设农田防护林和生态廊道，山地过渡区加强水土保持林建设，生态屏障区划定生态红线并实施生态补偿。这些策略与《郑州都市圈国土空间规划（2022—2035年）》的“一主一副、一带两屏”格局高度契合。

✨ 创新点

1. 综合“供给–需求–匹配–机制”全链条分析框架，区别于多数研究仅关注供给侧或静态匹配。

2. CatBoost机器学习 + SHAP精准识别各ESDR的主导因子及其非线性贡献，并比较了多种模型的性能。

3. PLS-SEM首次应用于生态系统服务供需匹配的路径分析，揭示了植被和景观配置作为核心中介变量的间接效应，超越了传统的直接相关性分析。

4. SOM聚类与国土空间规划衔接，提出了四类生态功能区的差异化治理策略，可直接服务于政策制定。

5. 长时序（2000—2020年）多时段（5年间隔）动态评估，捕捉了CS和WY从盈余转向赤字的关键转折。

⚠️ 不足与展望

• 参数不确定性：InVEST模型参数部分来自文献和经验值，可能影响模拟精度。未来需结合本地实测数据进行校准。

• 尺度单一：仅使用1km网格，未考虑更细尺度（如30m）或跨尺度交互。后续可开展多尺度对比分析。

• 时间滞后问题：社会经济统计数据存在发布滞后，未能完全实现近实时分析。未来可融合手机信令、POI等动态数据。

• 供需流路径缺失：未量化ES从供给区到需求区的实际流动（如虚拟水、碳交易）。引入“供应–流–需求”框架将是重要方向。

• 未考虑未来情景：研究基于历史数据，未预测2035年或2050年在不同政策情景下的供需变化。可耦合土地利用模拟模型（PLUS）和SSP-RCP情景。

📌 总结

本研究以郑州都市圈为例，构建了“供给–需求–匹配–机制–调控”的综合分析框架。主要结论：（1）2000—2020年，CP和CS供给增加，WY和HQ供给下降；所有服务需求均上升，其中CS需求暴增236%。（2）CESDR从0.179降至0.107，CS和WY由盈余转为赤字，赤字区集中在郑州、洛阳等中心城区。（3）城市化水平、坡度、SHEI、FVC是CESDR的主导驱动因子。（4）PLS-SEM表明，植被和景观配置是重要的中介变量，气候和人类活动通过它们间接影响供需平衡。（5）SOM划分出四类生态功能区：城市核心区（多服务赤字）、外围农区（WY赤字）、山地过渡区（SC赤字）、生态屏障区（全盈余）。研究提出了分区管控策略：核心区加强蓝绿基础设施，农区优化水文网络和农田防护林，过渡区提升森林结构多样性，屏障区严格生态保护。该研究为快速城镇化地区的生态系统服务供需协同管理提供了科学方法和实践指导。