广东海岸带土地利用驱动下红树林潜在生境变化预测

摘要：在海岸带地区，围海养殖和城镇扩张等人类活动引起的土地利用变化对滨海湿地生态系统的红树林构成了严重威胁。为探索土地利用变化对红树林潜在生境分布的影响，本研究融合MaxEnt模型和Dyna-CLUE模型，建立了土地利用驱动下红树林生境变化的定量预测方法。以中国红树林分布面积最大的广东省作为研究区，首先利用MaxEnt模型模拟红树林在自然条件下的理论适生区，然后采用Dyna-CLUE模型预测2030年的三种土地利用变化情景，最后将模拟的土地利用格局作为限制条件估算未来可供红树林生境分布的空间。结果表明，2020年广东省红树林潜在生境面积约34531ha，2030年趋势情景下湿地将减少58.61%，红树林潜在生境面积将退化至24375ha;可持续发展情景下通过改进土地利用策略并开展一定规模的退塘还湿，红树林潜在生境面积将增加至38125ha;生态保护情景下，如能开展全面的生态保护和恢复，红树林潜在生境面积可达到47525ha。本研究的研究方法可有效预测华南海岸带土地利用驱动下红树林潜在生境的空间变化。研究结果发现，不同土地利用政策会对红树林潜在生境分布造成明显影响;通过改进政策，可显著提升红树林潜在生境的面积和完整性。本结论可为区域红树林保护与生境修复的空间规划及政策制定等提供科学支持。

关键词：红树林保护与修复;MaxEnt;Dyna-CLUE;滨海湿地;土地利用变化

红树林对维持生物多样性和生态系统服务具有重要的作用[1]。然而，全球红树林却呈减少趋势。据统计，红树林曾覆盖了超过2000万ha的热带和亚热带海岸[2]，但目前却正以每年1%~2%的速率消失[3]。在二十世纪的最后二十年内，全球已损失约35%的红树林[4]。在120个有红树林分布的国家中，有26个国家的红树林正濒临灭绝[5]。

红树林主要分布在潮间带区域，保护滨海滩涂湿地是进行红树林保护与恢复的关键[6]。全球滨海区域面积不到陆地面积的20%，却承受着世界60%的人口压力[7]。作为陆地与海洋的过渡地带，滨海湿地同时受到自然和人类活动的双重影响。但相较自然因素，其受人类活动的影响更甚[8]。在人类社会经济发展需求的驱动下，中国和东南亚的海岸带湿地被大量转变为建设用地和养殖用地[9-12]。据统计，中国超过80%的红树林已受到沿海围垦的影响[13]。可以认为，土地利用变化能够反映包括红树林在内的滨海湿地空间格局的主要改变过程。

中国在近年来开展了大量的红树林保护与修复行动，并相继出台多个恢复现有红树林并进行红树林人工种植的有关行动计划。2016年国家海洋局启动了―南红北柳‖国家行动计划[14]，2017年国家林业局发布了《全国沿海防护林体系建设工程规划(2016—2025年)》，其中―红树林恢复工程‖被列为重点项目[15]。广东省是中国红树林分布面积最大的省份，根据第二次全国湿地资源调查显示，广东省现存红树林约12039.8ha，约占全国红树林分布面积的57.3%[16-17]。国家林草局2020年发布的《红树林保护修复专项行动计划(2020—2025年)》计划到2025年在全国营造和修复红树林18800ha，其中计划在广东省营造红树林5500ha，修复现有红树林2500ha[18]。然而在未来海岸带土地利用变化的影响下，如何在满足社会经济发展需求和红树林自然适生条件的双重前提下准确识别需要保护与修复的空间仍待探索。因此，开展土地利用驱动下红树林潜在生境变化的研究，对红树林生态系统的保护与恢复具有重要意义。

最大熵模型((MaxiumEntropy，简称MaxEnt)作为物种分布模型的一种，可用于定量判断物种的适宜生境。由于对数据的要求灵活且在不同样本数量的案例中均表现出较高预测准确率[19-20]，近几年被应用于近岸和潮间带海洋生态系统的研究并取得了较好效果[21-25]。CLUE模型(TheConversionofLandUseanditsEffectsmodellingframework)，是土地利用动态模型的一种，通过将土地利用类型及其驱动因素间的量化关系与土地利用类型间的竞争动态模型相结合，模拟未来的土地利用方式[26-27]。Dyna-CLUE是CLUE模型的最新版本，结合了“自上至下”的分配和“自下至上”的土地利用转化算法，被用于模拟在高分辨率下复杂而大范围的研究区域内的土地利用变化[28]。将两类模型结合使用可以解决生态保护与经济发展协同作用下物种和生境分布变迁的问题，也是当前的研究热点[27,29-34]。

现阶段国内外已有学者将红树林的分布与土地利用相关联，探索红树林的生境变化及其驱动因子，常用的方法包括遥感监测和统计模型等[35-37]。主要采用遥感数据识别历史至现状阶段土地利用和红树林分布的变化，以此对比探究某一时期内土地利用格局变迁与红树林生境之间的关系，并通过空间统计分析识别影响或占据红树林的主要用地类型[38-39]。但在红树林的保护修复规划中，不但需考虑红树林现状分布区域，亦需将红树林的潜在宜林生境纳入未来规划。因此近年来有学者利用MaxEnt模型模拟区域内红树林的潜在分布[24-25,40]，并在红树林的保护修复空间研究中将土地利用现状与红树林潜在生境相关联[22,41]。然而目前尚很少有研究能够将土地利用变化模型与物种分布模型融合使用，并实现土地利用驱动下红树林生境未来变化的预测。

因此，本研究以广东省作为研究区，尝试融合MaxEnt模型与Dyna-CLUE模型，建立红树林生境变化的预测方法。采用MaxEnt模型模拟红树林的理论适生区，利用Dyna-CLUE模型模拟未来海岸带土地利用需求并将结果作为红树林分布的限制条件，以此探究不同发展情景下的海岸带土地利用格局对红树林潜在生境变化的驱动关系，研究结果可为红树林保护与修复空间的选划提供重要科学依据。

数据来源与研究方法

研究区域

广东省地处20°13′N~25°31′N、109°39′E~117°19′E，跨热带和亚热带两个气候带，其北界位于北回归线附近[42]。该省海岸线总长3368km，岛屿岸线长1805km，是中国经济总量最大、增长最快的省份[37-38]。广东省海岸带地区经济发达，同时也是土地利用格局变化最剧烈的区域，其中耕地、林地、裸地和湿地逐年减少，居民点和建设用地面积逐年增加[43]。

广东省是我国红树林分布面积最大的省份，红树林沿饶平县(23°32′21′′N，116°57′22′′E)至廉江市(21°33′36′′N109°45′0′′E)间的岸线分布，集中分布在粤西和雷州半岛区域[44]。广东省红树林生境曾经经历大面积的丧失，由20世纪50年代的21289ha降至1986年的4000ha，主要原因为砍伐红树林用做农业和养殖用地[41]。1980—2000年期间，在政府采取多项保护措施的情况下，省内红树林面积逐渐恢复，在2018年已经增至12039.8ha[17]。考虑到红树林生态系统主要分布在潮间带，因此本研究将具体研究范围设置为广东省海岸线两侧10km缓冲区的海岸带区域内[45-46](图1)。

MaxEnt模型数据来源与处理

红树林分布数据利用2019年的ESRIWorldImagery遥感影像(分辨率为2.5m)(https://www.arcgis.com/home/item.html?id=337098e9d54941e1a9d9ae7feb41f110)，通过目视解译提取广东省红树林主要分布区内的小斑196处，并辅以实地调查和文献资料进行核对。采用ArcGISPro软件中的Fishnet工具对解译出的红树林小斑进行重采样(采样精度100m)，最终获得7777个广东省红树林分布点数据(图1)。所有空间分析和处理过程均在ArcGISPro2.6.2系统中进行。

1.2.2环境变量温度、盐度、沉积物、距岸线距离等因素是影响红树林生长分布的重要指

标[21-22,24-25,47]。本研究从温度、降水、盐度、地形等方面选取了40个环境变量，数据主要来源于全球公共数据产品和电子海图。其中，地形凹凸指数基于高程栅格数据通过NOAA的地形凹凸指数计算工具计算;复合地形指数

(Thecompoundtopographicindex，CTI)可表征区域综合地形和流域湿润度[48]，计算公式如下：

(1)其中α为流域面积((汇流累积量+1)×(像素面积m2))，θ是用弧度表示的斜角[22]。

为避免影响因子间存在的相互作用对模型结果产生影响，对环境变量数据集进行了主成分分析，去除相关性“|r|>0.8”的影响因子[19,49,50]。最终筛选得到20个环境变量用于MaxEnt模型建立，包括9个陆地生物气候变量，4个地形变量，1个底质类型变量，4个海表温度变量和2个海表盐度变量(表1)。将上述所有环境变量数据均裁剪至研究范围，并将分辨率标准化至1km。

土地利用数据采用2015年和2020年两期广东省土地利用数据进行土地利用情景预测。数据主要来源自中国科学院资源环境科学与数据中心(http://www.resdc.cn/)，并在潮间带部分采用中国沼泽湿地空间分布数据集和中国滨海养殖池空间分布数据集(来源：国家地球系统科学数据中心http://gre.geodata.cn)进行镶嵌完善。

原始数据包含7个土地利用大类和26个小类，针对红树林分布特点，本研究将土地利用数据简化重分类为耕地、草地、林地、水体、湿地、裸地、建设用地和养殖用地8类，其中红树林小斑主要分布在湿地、林地、水体这三种自然地类内。考虑到Dyna-CLUE模型的预测精度和计算上限，将土地利用数据重新采样至250m以便进行后续研究[31]。

土地利用驱动因子本研究选取了10个与土地利用变化相关的驱动因子变量，包括5个地形数据和5个社会经济数据，将所有数据的范围提取至研究区域，并将分辨率重采样