影响渭河流域产水与土壤保持及其权衡协同关系的因子分析

Analysis of driving factors of water yield， soil conservation， and their trade-offs and synergies in Weihe River Basin

摘要

目的 研究渭河流域产水与土壤保持等关键生态系统服务的时空变化及其驱动因子，为支撑渭河流域生态系统服务的科学管理与调控提供科学依据。 方法 融合土地利用、土壤类型和气候等数据，采用InVEST模型及Lindeman Merenda Gold（LMG）分析方法，研究了2001—2020年渭河流域产水量和土壤保持量的时空变化、约束关系及权衡协同关系，并对其变化的主要驱动因子进行了相对重要性分析和约束效应分析。 结果 产水量和土壤保持量均呈上升趋势，平均增速分别为0.81 mm/a和0.97 t/（hm² · a）；产水量的主要驱动因子为降水量（相对重要性59.4%）和植被覆盖度（19.5%），降水量对产水量基本不存在约束作用；土壤保持量的主要驱动因子为坡度（47.7%）和降水量（20.3%），土壤保持量在不同坡度条件下表现为较陡坡>缓坡>较缓坡>微坡；渭河流域产水量与土壤保持量以协同关系为主，面积约占83.6%，其权衡协同关系的主要驱动因子为高程（25.7%）、温度（23.8%）以及植被覆盖度（21.3%），不同土地利用条件下驱动因子存在差异。 结论 渭河流域产水量与土壤保持量在时间上呈上升趋势，降水量是产水量的主要驱动因子且无明显约束作用，植被覆盖度对产水量的影响较为复杂；土壤保持量主要受降水和坡度驱动；二者以协同关系为主，并受高程、温度和植被覆盖度等因素驱动。

Abstract

Objective This study investigates the spatiotemporal changes and driving factors of key ecosystem services， such as water yield and soil conservation， in the Weihe River Basin， thereby providing a scientific basis for the scientific management and regulation of ecosystem services in the river basin. Methods Using data on land use， soil types， and climate， this study employed the InVEST model and the LMG correlation analysis method to examine the spatiotemporal changes， constraint relationships， and trade-off and synergy relationships of water yield and soil conservation in the Weihe River Basin from 2001 to 2020. Furthermore， relative importance analysis and constraint effect analysis were conducted on the main driving factors of these changes. Results Both water yield and soil conservation showed increasing trends， with average growth rates of 0.81 mm/a and 0.97 t/（hm² · a）， respectively. The main driving factors of water yield were precipitation （relative importance 59.4%） and vegetation coverage （19.5%）， with precipitation exerting basically no constraint on water yield. The main driving factors of soil conservation were slope （47.7%） and precipitation （20.3%）. Under different slope conditions， the soil conservation values followed the order： steep slopes > gentle slopes > relatively gentle slopes > slight slopes. The relationship between water yield and soil conservation in the Weihe River Basin was dominated by synergy， accounting for 83.6% of the area. The main driving factors of their trade-off and synergy relationships were elevation （25.7%）， temperature （23.8%）， and vegetation coverage （21.3%）， with differences in driving factors observed under different land use conditions. Conclusion Water yield and soil conservation in the Weihe River Basin exhibit increasing trends over time. Precipitation is the primary driving factor of water yield with no significant constraint effect， while the influence of vegetation coverage on water yield is relatively complex. Soil conservation is mainly driven by precipitation and slope. The two services are mainly in a synergy relationship， and are driven by factors such as elevation， temperature， and vegetation coverage.

Graphical abstract

关键词

生态系统服务 / 水土关系 / 驱动因子分析 / 渭河流域

Key words

ecosystem services / soil-water relationship / driving factor analysis / Weihe River Basin

生态系统服务（Ecosystem Services， ESS）是人类直接或间接从生态系统中获得的各种惠益^［1］。产水服务和土壤保持服务分别作为重要的调节与供给服务，对于维持生态系统结构的稳定和区域生态环境的功能，以及提高人类生存与发展的生态环境水平具有重要作用^［2］。具体而言，区域产水量是水资源管理与规划的关键依据^［3］，而土壤保持服务则直接关系到水土流失防治、面源污染控制及水利工程安全等诸多生态与环境问题^［4］，所以厘清它们之间的相互作用机制对生态系统管理至关重要。

生态系统服务间并非独立存在，而是呈现出复杂的协同与权衡关系。这种动态关系意味着，旨在提升某一服务的生态系统管理举措，可能会对其他服务产生无法预料的负面影响^［5］。因此，厘清生态系统服务间的权衡/协同关系及其驱动机制已成为当前研究的热点。研究指出，自然（气候变化）和人为干扰（开垦、城市扩张）是影响生态系统服务之间非线性动态关系的两个主要因素^［6］。近些年，刘吉平、张金茜等学者^［7-10］运用地理探测器、情景分析法等方法定量讨论了生态系统服务驱动因子的重要性，驱动因子定量识别和约束方式解析对于针对性地开展区域生态环境保护及有效制定相关政策和管理措施至关重要^［11］。正确理解生态系统服务权衡的内涵和作用机制，优化生态系统服务间的权衡关系，协调生态系统管理的多元目标，是社会—自然生态系统可持续发展的重要挑战^［12］。

渭河流域作为黄河上游重要的生态功能区，具有涵养水源、保持水土和生态安全屏障等重要生态功能，对黄河流域生态保护和高质量发展意义重大^［13］。对该区域的土壤保持量和产水量空间变化规律和驱动因子的研究就尤为重要^［14］。目前对渭河流域单一生态系统服务的研究已有一定基础^［15-16］，但对于二者之间权衡/协同关系的时空动态格局、其背后的关键驱动因子，以及这些因子作用的非线性约束，尚缺乏系统性的定量解析。这种认知不足限制了基于权衡优化的生态系统管理。本研究基于InVEST模型定量分析了2001—2020年渭河流域产水量与土壤保持量的时空变化以及二者的权衡协同关系，并选取了5个气候因子（气温、降水、日照强度、风速、湿度）与3个地表条件（高程、坡度、植被覆盖度）使用Lindeman Merenda Gold（LMG）方法定量分析了驱动因子的相对重要性，并引入约束线方法分析了约束的方式及阈值。推进生态系统服务权衡协同关系的研究，可以为社会-生态系统的决策提供科学依据^［17］，有助于因地制宜制定生态系统管理措施，助力渭河流域高质量发展。

1 研究地区与研究方法

1.1 研究区概况

渭河是黄河的重要支流，发源于甘肃省渭源县鸟鼠山，自西向东流经甘肃宁夏陕西等地，并于陕西省潼关县汇入黄河（图1）。干流全长约818 km，流域面积13.6万km²，泾河和北洛河是渭河支流中最大的两条，流域面积分别为4.54万 km²和2.69万km²，气候类型为大陆季风气候，年均降水量373~1 138 mm，年均温7.8~13.5 ℃。渭河流域地势西高东低，本研究根据坡度将渭河流域分为微坡［0°， 5°）、较缓坡［5°， 8°）、缓坡［8°， 15°）、较陡坡［15°， 25°）和陡坡［25°， 35°）。渭河流域大部分子流域地势较为平缓，主要以微坡、较缓坡和缓坡为主，分别占27.4%，14.0%和36.1%；较陡坡和陡坡分别占19.2%和2.8%，主要分布在山脉地区。研究区内土地利用类型以耕地、林地和草地为主，三者的总面积约占流域土地总面积的95.3%（图2）。

1.2 产水量模型

本研究中运用InVEST模型的产水模块计算渭河流域的产水量，其原理是基于水量平衡方程，计算公式如下：

Y=\left(\mathrm{1}-\frac{\mathrm{A}\mathrm{E}\mathrm{T}}{P}\right)\times P（1）

\frac{\mathrm{A}\mathrm{E}\mathrm{T}}{P}=\mathrm{1}+\frac{\mathrm{P}\mathrm{E}\mathrm{T}}{P}-{〔\mathrm{1}+{\left(\frac{\mathrm{P}\mathrm{E}\mathrm{T}}{P}\right)}^{\omega }〕}^{\omega }（2）

\omega =Z\frac{\mathrm{A}\mathrm{W}\mathrm{C}}{P}（3）

\begin{array}{l}\mathrm{A}\mathrm{W}\mathrm{C}=\mathrm{54.09}-\mathrm{0.132}\times \mathrm{S}\mathrm{A}\mathrm{N}-\mathrm{0.03}\times {\left(\mathrm{S}\mathrm{A}\mathrm{N}\right)}^{\mathrm{2}}-\\ \mathrm{0.55}\times \mathrm{S}\mathrm{I}\mathrm{L}-\mathrm{0.006}\times {\left(\mathrm{S}\mathrm{I}\mathrm{L}\right)}^{\mathrm{2}}-\mathrm{0.738}\times \\ \mathrm{C}\mathrm{L}\mathrm{A}+\mathrm{0.007}\times {\left(\mathrm{C}\mathrm{L}\mathrm{A}\right)}^{\mathrm{2}}-\mathrm{2.668}\times C+\\ \mathrm{0.501}+C^{\mathrm{2}}\end{array}（4）

式中：Y为子流域年总产水量（mm）；P为子流域年总降水量（mm）；\mathrm{A}\mathrm{E}\mathrm{T}为子流域年总实际蒸散发量（mm）；\mathrm{P}\mathrm{E}\mathrm{T}为子流域年潜在蒸散发量（mm）；\omega为表征自然气候土壤的非物理参数；Z为表征季节降雨分布和降雨深度的参数；AWC为植被可利用含水量；SAN为土壤沙粒；SIL为土壤粉粒；CLA为土壤黏粒；C为土壤有机碳的含量。

1.3 土壤保持量模型

本研究使用 InVEST模型，以潜在土壤流失量减去实际土壤流失量得到土壤保持量，从而定量分析植被对减少侵蚀的贡献。该模型在考虑植被减缓土壤侵蚀作用的同时，也将地块截留上游沉积物的能力纳入其中^［18］，具体计算公式如下：

\mathrm{S}\mathrm{R}=\mathrm{S}\mathrm{E}\mathrm{P}-\mathrm{S}\mathrm{E}\mathrm{A}=R\times K\times L\times S\times \left(\mathrm{1}-C\times P\right)（5）

式中：SR为土壤保持量；SEP为潜在土壤侵蚀量；SEA为实际土壤侵蚀量；R表示降雨侵蚀性因子；K表示土壤可侵蚀性因子；L和S表示坡度坡长因子；C表示植被覆盖和作物管理因子；P表示水土保持措施因子。

1.4 权衡协同关系分析方法

本文选用 Pearson相关性分析法量化两个变量之间的相关程度，具体公式如下：

r\left(x,y\right)=\frac{{\displaystyle \sum _{i=\mathrm{1}}^m}\left(x_{i-\overline{x}}\right)\left(y_{i-\overline{y}}\right)}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^m}{\left(x_{i-\overline{x}}\right)}^{\mathrm{2}}}\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^m}{\left(y_{i-\overline{y}}\right)}^{\mathrm{2}}}}（6）

式中：r（x， y）为Pearson相关系数；x， y为两个被分析的变量；m为变量个数；\overline{x}、\overline{y}为变量x， y的平均值。

Pearson相关系数r（x， y）的取值范围为［-1， 1］。该值为正表示两变量间呈协同关系，为负表示呈权衡关系；其绝对值越大，表示两变量之间的相关性越强。

1.5 驱动因子的相对重要性

本文选用 Lindeman Merenda Gold （LMG）方法评估驱动因子的相对重要性。该方法可以消除变量进入顺序对贡献率的影响^［19］。其中，单个驱动因子的相对重要性是通过对所有可能变量顺序下的边际贡献进行平均，并据此分解因变量方差得到。

1.6 约束线法

约束线表示具有约束因子影响的响应变量的分布范围或潜在最大值。约束线法通过量化响应变量在约束因子影响下的分布上限，能够有效识别生态系统服务形成过程中的关键限制因素。在本研究中，对约束变量的取值范围进行等距划分，将其均匀地分割为100个区间。针对每个区间，求因变量的99%分位数，将其作为该区间的上限边界点。最后，基于这些边界点，通过非线性拟合的方式得到约束线。

1.7 数据来源与处理

本文基于HydroSHEDS-7数据集将渭河流域分为274个子流域，并在子流域的尺度上对生态系统服务进行量化和分析。本文选用的土地利用数据来自武汉大学公布的数据集^［20］，根据已有文献^［21］将研究区土地利用类型划分为耕地、林地、草地、水域、建设用地以及其他地类等6个一级地类。z参数为InVEST模型计算产水量时所需要的季节因子，根据已有研究^［22］，z参数为3.6时InVEST模型在黄河流域范围内的运行结果比较接近实际情况，故在本研究中z参数取值为3.6。植被可利用含水量通过世界土壤数据库（HWSD）提供的沙粒、粉粒、黏粒和有机碳含量等数据计算得到；植被蒸散系数来源于全球潜在蒸散和全球干旱指数数据集；最大根系深度依据前人研究^［23-24］并参考联合国粮农组织^［25］给出的作物参考值得到；植被覆盖度数据由生态环境部卫星环境应用中心获取；气象数据来自国家气象科学数据中心，研究区内共选用18个站点的逐日气象数据。本文的DEM数据来自地理空间数据云（http://www.gscloud.cn/），空间分辨率为30 m。

2 结果与分析

2.1 产水量的时空变化及驱动因子

2001—2020年渭河流域产水量的时空分布及变化趋势如图3所示。渭河流域产水量在空间上存在明显的差异，高值区集中分布在秦岭北麓和渭河南岸地区。2001—2020年产水量呈现上升趋势，平均增速约为0.81 mm/a，多年平均产水量为64.9 mm。在空间上，产水量呈现上升趋势的子流域面积占总流域的85%以上，增速最快的区域分布在渭河干流上游以及中下游地区，而产水量表现为下降的流域分布在渭河流域北部。

渭河流域产水量主要受到降水量和植被覆盖度的驱动，其相对重要性分别为59.4%和19.5%。驱动因子相对重要性排序为降水量>植被覆盖度>坡度>温度>高程>风速>日照强度>相对湿度。就影响因子对产水量的约束而言，高程对产水量的约束效应先逐渐增强；当达到阈值后（2 205.1 m），其约束效应减弱。坡度对产水量的约束表现为先减小后增加，阈值为11.5°。植被覆盖度对产水量的约束线表现为鞍形，其对产水量的约束表现为“无约束—增加—减少—增加”，阈值分别为22.6%，40.9%，61.8%。值得注意的是，降水量对产水量几乎无约束，其约束线基本表现为正线性（图4）。

2.2 土壤保持量时空变化及驱动因子

2001—2020年渭河流域土壤保持量的时空分布及变化趋势如图5所示。渭河流域土壤保持量在空间上表现出明显的差异，高值集中在渭河干流南岸部分地区，低值主要集中在渭河干流北岸、泾河流域北部以及北洛河流域中部。2001—2020年土壤保持量呈现上升趋势，平均增速约为0.97 t/（hm² · a），多年平均土壤保持量787.8 t/hm²。2001—2020年渭河流域土壤保持量在大部分地区呈现增加趋势，增速高值集中在泾河流域和渭河流域南部林地区域，关中城市群区域土壤保持量呈现下降趋势。

渭河流域土壤保持量主要受到坡度和降水量驱动（图6A），其相对重要性分别为47.7%和20.3%。驱动因子相对重要性排序为坡度>降水量>植被覆盖度>温度>风速>相对湿度>高程>日照强度。就影响因子对土壤保持量的约束而言，高程和坡度对土壤保持量的约束先表现为凸波。具体而言，当高程与坡度增加时，对土壤保持量的关系表现为“减小—增加—减小—增加”的效应；高程对土壤保持量阈值为1 337.7 m， 2 026.5 m， 2 664.2 m；坡度增加对土壤保持量约束效应阈值为4.8°，6.9°，10.4°。这可能是在不同阈值区间内主导驱动因子发生更替所导致的复杂约束效应。植被覆盖度对土壤保持量的约束效应表现为，当植被覆盖度超过38.0%时，其对土壤保持量的约束迅速减小；但当植被覆盖度达到73.6%时，约束效应开始增强。降水量对土壤保持量的约束效应表现为：当降水超过430.4 mm时，其对土壤保持量的约束效应迅速减小；当降水超过744.2 mm后，约束效应转为加强。值得注意的是，温度与土壤保持量之间未能建立有效的约束拟合关系。

2.3 产水量与土壤保持量的权衡协同关系及其驱动因子

2001—2020年渭河流域产水量与土壤保持量以协同关系为主，二者表现为协同关系的面积约占流域总面积的83.6%。权衡关系高值区主要在渭河干流上游及泾河流域北部，协同关系集中出现在渭河干流中游地区。基于LMG方法得到产水量与土壤保持量权衡协同关系的主要驱动因子为高程，相对重要性为25.7%，温度的相对重要性为23.8%，植被覆盖度的相对重要性为21.3%（图7）。

从产水量与土壤保持量之间的约束关系来看，基本表现为开口向下的抛物线（图8），具体而言，随着产水量增加，其对土壤保持量的约束关系减小，此时土壤保持可能表现为随着产水量增加而增加的协同关系，当产水量达到阈值后（139.7 mm），其对土壤保持量的约束效应增加，随着产水量的继续增加，到达409.1 mm后，其对土壤保持量的约束效应又逐渐减小。分析土壤保持量对产水量的约束关系得到，当土壤保持量小于32.5 t/hm²时，其对产水量的约束效应逐渐减小，而当土壤保持量超过该阈值继续增加时，其对产水量的约束逐渐增加，随着土壤保持量的增加，达到133.5 t/hm²时，其对产水量的约束效应又开始减小。

在不同土地利用类型条件下，产水量与土壤保持量之间的约束效应有所不同（图9）。产水量对土壤保持量的约束效应基本表现为开口向下的抛物线，即约束效应先减小后增加。在耕地、林地和草地条件下，其阈值分别为（84.3 mm， 22.1 t/hm²）、（92.5 mm， 118.3 t/hm²）和（122.5 mm， 79.6 t/hm²）。在耕地条件下，产水量超过阈值后对土壤保持量约束持续增加，而林地与草地条件下，随着产水量增加，其对土壤保持量约束增加强度逐渐减小。在耕地条件下，随着土壤保持量的增加，其对产水量的约束效应逐渐增加，达到阈值后（24.5 t/hm²）约束效应逐渐减小。土壤保持量对产水量的约束效应在林地和草地条件下均表现为凸波形。具体而言，在林地条件下，其约束表现为“减小—增加—减小”，阈值分别为50.2 t/hm²和135.9 t/hm²；在草地条件下，其约束表现为“减小—增加—减小—增加”，阈值分别为22.3 t/hm²，70.1 t/hm²和123.9 t/hm²。

在不同土地利用类型下，土壤保持量、产水量以及二者权衡协同关系的主要驱动因子不同。耕地条件下如图10A所示，土壤保持量的主要驱动因子为坡度、高程和风速，相对重要性分别为37.7%，14.4%和12.2%；产水量的主要驱动因子为降水量、植被覆盖度和坡度，相对重要性分别为50.8%，18.5%和15.2%，其权衡协同关系的主要驱动因子为高程、风速、植被覆盖度和温度，相对重要性分别为25%，16.1%，15.2%和15.1%。

林地条件下如图10B所示，土壤保持量的主要驱动因子为坡度、降水量和植被覆盖度，相对重要性分别为47.5%，26%和11.9%；产水量的主要驱动因子为降水量、坡度和植被覆盖度，相对重要性分别为41.8%，28.2%和12.3%，其权衡协同关系的主要驱动因子为植被覆盖度、降水量和坡度，相对重要性分别为47%，16.1%和14.7%。

草地条件下如图10C所示，土壤保持量的主要驱动因子为坡度、降水量和高程，相对重要性分别为25.1%，18.7%和13.4%；产水量的主要驱动因子为降水量和植被覆盖度，相对重要性分别为49.1%和16.3%；其权衡/协同关系的主要驱动因子为高程和温度，相对重要性分别为33.5%和31.1%。

渭河流域的土壤保持量与产水量在大部分地区呈现协同关系，主要驱动因子为高程、温度和植被覆盖度，相对重要性分别为25.7%，23.8%和21.3%。在渭河流域高程为300~500 m的地区，土地利用类型以耕地为主，此时两种生态系统服务的关系在大部分子流域表现为协同，随着海拔升高协同效应关系逐渐减弱。在500~1 500 m高程的地区，土地利用类型较为丰富，林地与草地面积增加，两种生态系统服务的关系在耕地和草地区域逐渐表现为权衡，但是在林地区域仍保持协同关系。高程超过1 500 m时，草地与耕地区域的两种生态系统服务表现为协同关系，但在林地部分区域二者表现为权衡，随着高程的继续升高，二者又表现为协同关系。渭河流域产水量与土壤保持量的权衡协同关系也受到温度的影响。在温度较低的区域表现为强协同关系，此时土地利用类型以草地为主；随着温度的升高（3~9 ℃），土地利用类型逐渐丰富，包含耕地、林地、草地，协同关系强度逐渐减弱并在部分子流域开始出现权衡关系；但是随着温度的继续升高（9~15 ℃），产水量与土壤保持量又逐渐表现为协同关系，此时土地利用类型以农田为主，并且协同关系强度随着温度的升高逐渐增加。在低等植被覆盖度区域和较低植被覆盖度区域，二者主要表现为协同关系，且协同关系强弱对植被覆盖度的变化并不敏感；在中等和较高植被覆盖度区域，随着植被覆盖度的增加，部分900 m高程的耕地区域的产水量和土壤保持量开始表现为协同关系，二者在此高程下的林地区域仍表现为协同关系，但是在林地区域植被覆盖度继续增加时，二者开始在部分区域表现为权衡。

3 讨论

3.1 产水量的驱动因子分析

降水量作为渭河流域产水量的主要驱动因子（相对重要性为59.4%），并且在不同土地利用类型条件下，产水量都主要受到降水量的驱动。降水量与产水量具有较好的相关性（PCCs=0.98），且由约束线分析可得，降水对产水量几乎无约束。2001—2020年渭河流域降水量的时空分布及变化趋势如图11所示。渭河流域降水量在空间上存在明显的差异，呈南高北低的空间分布格局。2001—2020年降水量呈现上升趋势，平均增速约为2.05 mm/a，渭河流域年均降雨量约为373~1 138 mm。在空间上，降水量呈现上升趋势，增速最快的区域集中分布在渭河干流上游地区。

产水量同时还受到植被覆盖度的影响（相对重要性为19.5%）。在不同植被覆盖度条件下，产水量整体表现为低等植被覆盖度>中等植被覆盖度>较低植被覆盖度>较高植被覆盖度。不同植被覆盖度会通过影响生态系统蒸散作用、下渗过程和持水能力，从而影响生态系统产水量^［26］。2001—2020年渭河流域植被覆盖度的时空分布及变化趋势如图12所示。本研究根据约束线阈值（0.22，0.41，0.62）及前人研究划分标准^［27-29］将植被覆盖度划分为5个等级：低等植被覆盖度（0~0.2）、较低植被覆盖度（0.2~0.4）、中等植被覆盖度（0.4~0.6）、较高植被覆盖度（0.6~0.8）、高等植被覆盖度（>0.8）。渭河流域植被覆盖度存在明显的空间异质性，空间分布上呈现由西北低向东南高的格局。渭河流域植被覆盖度的低值集中分布在北部黄土高原区和关中城市集聚区，高值集中分布在北洛河流域及渭河干流中下游流域，如图12A所示。2001—2020年植被覆盖度呈现上升趋势，增速约为每年0.55%。在空间上，渭河流域大部分地区植被覆盖度呈现增加趋势，只有关中城市群地区植被覆盖度呈现减小趋势，这可能与城市扩张等人类活动加剧有关。泾河流域和北洛河流域北部的植被覆盖度增速较快，部分子流域平均年增速大于0.9%。这可能与该地区的退耕还林还草及封山育林等生态恢复政策相关。

渭河流域低等植被覆盖度流域主要为城镇聚集区，有研究指出^［30］城镇生态系统蒸散量与下渗水量较小，导致城镇区域产水量较高，这是由于城镇生态系统的地面经人工硬化后形成不透水面，减少了水分下渗。频繁的人类活动也使得降水直接进入排水系统，难以自然利用，因此，城镇区域产水量与降水量的皮尔逊相关系数（PCCs=0.95）最小。在该区域如何有效利用降水，提高水资源的有效供给是问题的关键所在。除了城镇聚集地的建设用地外，渭河流域各子流域植被覆盖度均值皆大于0.2，植被覆盖度在0.2~0.4时，与降水的皮尔逊相关系数（PCCs=0.98）极高，此时主要受到降水量的影响。当植被覆盖度位于0.4~0.6时，产水量随植被覆盖度增加而减小。这是因为较低植被覆盖度区域主要分布在渭河流域西北部，土壤侵蚀退化较为严重；随着植被覆盖度增加，植物对降水的拦截作用增强，并通过提高土壤入渗时间和入渗能力、降低地表密封程度和径流速度，导致产水量降低。这些地区可通过封山育林、荒山造林等措施提高水源涵养能力，恢复区域生态并增强其抗干扰能力。中等植被覆盖度区域主要集中在渭河上游流域、泾河流域南部以及渭河下游流域北部以耕地、草地为主，这些地区降水较为丰沛，降水的变化对于产水量的影响大于蒸散能力变化的影响，进而导致产水量增加。这些区域根系层深度较浅，因此下渗量较小，但该地区下渗量仍大于较低植被覆盖度区域，植被覆盖度较高的区域降水较为丰沛，此时产水量也会增加。较高植被覆盖度（0.6~0.8）区域产水量与降水量的皮尔逊相关系数为PCCs=0.98，较高植被覆盖度区域主要集中在渭河干流中下游流域以及北洛河流域南部，此时植被覆盖度的增加会导致：水分蒸散量增加、林冠层对降水的截留作用增强、枯落物层对降水的拦蓄作用提升、土壤层蓄水能力提高，会对部分降水进行再分配，从而减少地表径流的产生，致使产水量与降水量的皮尔逊相关系数减小（图13）。

3.2 土壤保持量的驱动因子分析

渭河流域土壤保持量的主要驱动因子为降水量和坡度，其相对重要性分别为47.7%和20.3%。土壤保持量与降水量的相关性较强（PCCs=0.90）。在不同坡度条件下，土壤保持量大小规律为较陡坡>缓坡>较缓坡>微坡。本研究区坡度主要位于0°~25°区间，在一定范围内植被会通过增加根系数量和强度的方式来固定土壤，以此来保持土壤的稳定性，而且土壤颗粒之间的摩擦力也与坡度呈正相关，所以在一定范围内，土壤保持量随坡度的增加而增加。坡度条件为微坡的区域多集中在渭河干流中下游。土地利用类型以耕地和草地为主，人类活动扰动较大，这也导致了较低的土壤保持量。在不同土地利用类型条件下，土壤保持量：林地>草地>耕地。林地条件下植被密度高，土壤抗侵蚀能力较强，且人类扰动较少；同时，由于树冠截流等过程会使地表径流减少，从而减轻土壤侵蚀。耕地与林地土壤保持量的主要驱动因子都为降水量和坡度，但是在草地条件下，影响土壤保持量的主要因子为降水量与高程，这可能与草地在不同高程条件下不同的优势种群有关。与林地和草地相比，农田在经历降雨时的土壤侵蚀率可能最高（图14）。

3.3 产水量与土壤保持量权衡协同关系强度的驱动因子分析

渭河流域产水量与土壤保持量在大部分地区表现为协同作用，在少部分子流域表现为权衡关系，如图7A所示。土壤保持量与产水量之间之所以存在权衡关系，主要是因为土壤侵蚀过程与地表径流关系密切，径流的增加可以将更多的泥沙输送到河道中。但也有研究认为降水变化和不同植被类型所导致的区域水文响应差异会使土壤保持量和产水量之间的关系变得复杂。本研究结果显示土壤保持量和产水量在渭河流域大部分地区表现为协同关系，在陕北地区则存在权衡，这与相关研究结果基本吻合。土壤保持量与产水量的协同作用可能与植被的水土保持模式有关。一方面，植被冠层拦截降水，减少降水对土壤的直接侵蚀；另一方面，植被根系固结土壤，增强土壤抗侵蚀能力，增加土壤水分。

耕地条件下，产水量与土壤保持量权衡/协同关系的主要驱动因子为坡度（37.7%）、高程（14.4%）和风速（12.2%）。这可能与600~1 500 m地区耕地较为集中有关：大量作物种植对水分需求较高，同时农田灌溉会增加蒸发消耗，从而影响产水量；另一方面，径流减少可能使土壤保持量增加，因此该区域产水量与土壤保持量呈现权衡关系。林地条件下产水量与土壤保持量的权衡协同关系主要受到植被覆盖度的影响，在植被覆盖度较低的地方二者易表现为协同关系，随着植被覆盖度的增加，二者权衡关系强度减小，甚至表现为协同关系，这有可能是因为渭河流域实行的退耕还林政策而产生的新种植速生树需要大量水分，导致产水量降低，这些速生树同时会消耗大量的土壤水分，导致土壤更易发生侵蚀从而使土壤保持量降低。随着植被覆盖度增加，成熟森林植被根系更密、更深，植被密度更高，土壤抗侵蚀能力增强且人类扰动较少；同时，树冠截流等过程会减少地表径流，从而提高土壤保持量。但是，较高植被覆盖度也会导致蒸散量增加，并增强林冠层截留和枯落物层拦蓄降水作用，提高土壤蓄渗能力，从而使产水量下降。因此，在植被覆盖度较高的林地产水量，与土壤保持量会出现协同作用。草地区域的产水量与土壤保持量主要受到温度以及高程的影响，在温度较低且高程较小的地方，表现为权衡关系，随着温度以及高程的升高，二者开始表现为协同关系并且协同强度变大，这可能与不同高程与温度条件下的优势物种不同相关。

4 结论

（1） 本研究指出渭河流域产水量在时间上呈现上升趋势。降水量为渭河流域产水量的主要驱动因子，且对产水量基本不存在约束作用。同时产水量还受到植被覆盖度的影响，但是二者驱动与约束关系较为复杂。

（2） 土壤保持量在时间上呈上升趋势，其主要驱动因子为降水和坡度，且土壤保持量与降水量相关性较强。在不同坡度条件下的土壤保持量：较陡坡>缓坡>较缓坡>微坡。

（3） 渭河流域产水量与土壤保持量以协同关系为主，且表现出明显的约束效应；其权衡/协同关系的主要驱动因子为高程、温度和植被覆盖度。不同土地利用条件下，权衡协同关系的主要驱动因子存在差异。

参考文献

[1] Balvanera P， Avalos H. Acercamientos al estudio de los servicios ecosistémicos［J］. Gaceta Ecológica，2007，84-85：8-15.

[2] 刘月，赵文武，贾立志.土壤保持服务：概念、评估与展望［J］.生态学报，2019，39（2）：432-440.

[3] Liu Y， Zhao W W， Jia L Z. Soil conservation service： concept， assessment， and outlook［J］. Acta Ecologica Sinica， 2019，39（2）：432-440.

[4] Li Y Y， Ding Z M， Yao S B， et al. How to price ecosystem water yield service and determine the amount of compensation： the Wei River Basin in China as an example［J］. Land， 2022，11（7）：1118.

[5] 陈姗姗.南水北调水源区水源涵养与土壤保持生态系统服务功能研究［D］.西安：西北大学，2016.

[6] Chen S S. Evaluation of ecological service function of water retention and soil conservation in water source area for the south-to-north water transfer［D］. Xi′an： Northwest University， 2016.

[7] Foley J A， DeFries R， Asner G P， et al. Global consequences of land use［J］. Science， 2005，309（5734）：570-574.

[8] 黄木易，方斌，岳文泽，等.近20 a来巢湖流域生态服务价值空间分异机制的地理探测［J］.地理研究，2019，38（11）：2790-2803.

[9] Huang M Y， Fang B， Yue W Z， et al. Spatial differentiation of ecosystem service values and its geographical detection in Chaohu Basin during 1995-2017［J］. Geographical Research， 2019，38（11）：2790-2803.

[10] 李双成，张才玉，刘金龙，等.生态系统服务权衡与协同研究进展及地理学研究议题［J］.地理研究，2013，32（8）：1379-1390.

[11] Li S C， Zhang C Y， Liu J L， et al. The tradeoffs and synergies of ecosystem services： research progress， development trend， and themes of geography［J］. Geographical Research， 2013，32（8）：1379-1390.

[12] 刘吉平，马长迪，刘雁，等.基于地理探测器的沼泽湿地变化驱动因子定量分析：以小三江平原为例［J］.东北师大学报：自然科学版，2017，49（2）：127-135.

[13] Liu J P， Ma C D， Liu Y， et al. Quantitative study on the driving factors of marsh change based in Geographical Detector： case study on Small Sanjiang Plain［J］. Journal of Northeast Normal University： Natural Science Edition， 2017，49（2）：127-135.

[14] 张金茜，巩杰，柳冬青.地理探测器方法下甘肃白龙江流域景观破碎化与驱动因子分析［J］.地理科学，2018，38（8）：1370-1378.

[15] Zhang J Q， Gong J， Liu D Q. Dynamics and driving factors of landscape fragmentation based on GeoDetector in the Bailongjiang watershed of Gansu Province［J］. Scientia Geographica Sinica， 2018，38（8）：1370-1378.

[16] 李颖，冯玉，彭飞，等.基于地理探测器的天津市生态用地格局演变［J］.经济地理，2017，37（12）：180-189.

[17] Li Y， Feng Y， Peng F， et al. Pattern evolvement of ecological land in Tianjin based on geodetector［J］. Economic Geography， 2017，37（12）：180-189.

[18] 杨锁华.武汉城市圈生态系统服务价值时空分异影响机制研究［D］.武汉：中国地质大学，2018.

[19] Yang S H. Spatial-temporal distribution difference and influence mechanism of ecosystem service value in Wuhan urban agglomeration［D］. Wuhan： China University of Geosciences， 2018.

[20] 刘洋.黄河流域生态系统服务及其权衡协同关系特征［D］.杨凌：西北农林科技大学，2023.

[21] Liu Y. Characterization of ecosystem services and their trade-off synergies in the Yellow River Basin［D］. Yangling： Northwest A&F University， 2023.

[22] 张平江.渭河流域生态系统服务权衡协同研究［D］.兰州：西北师范大学，2024.

[23] Zhang P J. Research on trade-off and synergy of ecosystem services in Weihe River Basin［D］. Lanzhou： Northwest Normal University， 2024.

[24] 范馨.横断山区土壤保持量和产水量时空变化特征及影响因素分析［D］.成都：成都理工大学，2022.

[25] Fan X. Characteristics of spatial-temporal variations of soil conservation and water yield and analysis of influencing factors in the Transverse Mountain Area［D］. Chengdu： Chengdu University of Technology， 2022.

[26] 王晓晨.基于InVEST模型的陕西秦岭（渭河流域）生态系统服务评估［D］.西安：西北大学，2022.

[27] Wang X C. Evolution of ecosystem services of Weihe River Basin in Shaanxi Qinling Mountain based on InVEST model［D］. Xi′an： Northwest University， 2022.

[28] 张耀文，张勃，姚荣鹏，等.2000—2020年渭河流域植被覆盖度及产水量时空变化［J］.中国沙漠，2022，42（2）：223-233.

[29] Zhang Y W， Zhang B， Yao R P， et al. Temporal and spatial changes of vegetation coverage and water production in the Weihe River Basin from 2000 to 2020［J］. Journal of Desert Research， 2022，42（2）：223-233.

[30] 彭建，胡晓旭，赵明月，等.生态系统服务权衡研究进展：从认知到决策［J］.地理学报，2017，72（6）：960-973.

[31] Peng J， Hu X X， Zhao M Y， et al. Research progress on ecosystem service trade-offs： from cognition to decision-making［J］. Acta Geographica Sinica， 2017，72（6）：960-973.

[32] 李婷，刘康，胡胜，等.基于InVEST模型的秦岭山地土壤流失及土壤保持生态效益评价［J］.长江流域资源与环境，2014，23（9）：1242-1250.

[33] Li T， Liu K， Hu S， et al. Soil erosion and ecological benefits evaluation of Qinling Mountains based on the InVEST model［J］. Resources and Environment in the Yangtze Basin， 2014，23（9）：1242-1250.

[34] Groemping U. Relative importance for linear regression in R： the package relaimpo［J］. Journal of Statistical Software， 2006，17（1）：1-27.

[35] Yang J， Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019［J］. Earth System Science Data， 2021，13（8）：3907-3925.

[36] 刘纪远，徐新良，庄大方，等.20世纪90年代LUCC过程对中国农田光温生产潜力的影响：基于气候观测与遥感土地利用动态观测数据［J］.中国科学： D辑 地球科学，2005，35（6）：483-492.

[37] Liu J Y， Xu X L， Zhuang D F， et al. Influence of LUCC process on light and temperature production potential of farmland in China in 1990s： based on dynamic observation data of climate observation and remote sensing land use［J］. Science in China Series D： Earth Sciences， 2005，35（6）：483-492.

[38] 杨洁，谢保鹏，张德罡.基于InVEST模型的黄河流域产水量时空变化及其对降水和土地利用变化的响应［J］.应用生态学报，2020，31（8）：2731-2739.

[39] Yang J， Xie B P， Zhang D G. Spatio-temporal variation of water yield and its response to precipitation and land use change in the Yellow River Basin based on InVEST model［J］. Chinese Journal of Applied Ecology， 2020，31（8）：2731-2739.

[40] 王亚慧，戴尔阜，马良，等.横断山区产水量时空分布格局及影响因素研究［J］.自然资源学报，2020，35（2）：371-386.

[41] Wang Y H， Dai E F， Ma L， et al. Spatiotemporal and influencing factors analysis of water yield in the Hengduan Mountain region［J］. Journal of Natural Resources， 2020，35（2）：371-386.

[42] 赵亚茹，周俊菊，雷莉，等.基于InVEST模型的石羊河上游产水量驱动因素识别［J］.生态学杂志，2019，38（12）：3789-3799.

[43] Zhao Y R， Zhou J J， Lei L， et al. Identification of drivers for water yield in the upstream of Shiyang River based on InVEST model［J］. Chinese Journal of Ecology， 2019，38（12）：3789-3799.

[44] Droogers P， Allen R G. Estimating reference evapotranspiration under inaccurate data conditions［J］. Irrigation and Drainage Systems， 2002，16（1）：33-45.

[45] Shomar B， Dare A. Ten key research issues for integrated and sustainable wastewater reuse in the Middle East［J］. Environmental Science and Pollution Research， 2015，22（8）：5699-5710.

[46] 奎国娴，史常青，杨建英，等.内蒙古草原区植被覆盖度时空演变及其驱动力［J］.应用生态学报，2023，34（10）：2713-2722.

[47] Kui G X， Shi C Q， Yang J Y， et al. Spatial-temporal variations of vegetation coverage and its driving force in Inner Mongolia grassland， China［J］. Chinese Journal of Applied Ecology， 2023，34（10）：2713-2722.

[48] Li M L， Yan Q W， Li G E， et al. Spatio-temporal changes of vegetation cover and its influencing factors in Northeast China from 2000 to 2021［J］. Remote Sensing， 2022，14（22）：5720.

[49] 田智慧，任祖光，魏海涛.2000—2020年黄河流域植被时空演化驱动机制［J］.环境科学，2022，43（2）：743-751.

[50] Tian Z H， Ren Z G， Wei H T. Driving mechanism of the spatiotemporal evolution of vegetation in the Yellow River Basin from 2000 to 2020［J］. Environmental Science， 2022，43（2）：743-751.

[51] 刘朝顺，高炜，高志强.应用MODIS数据推估区域地表蒸散［J］.水科学进展，2009，20（6）：782-788.

[52] Liu C S， Gao W， Gao Z Q. Estimation of regional surface evapotranspiration using MODIS products［J］. Advances in Water Science， 2009，20（6）：782-788.

基金资助

陕西省煤田地质集团科技研发项目“SMDZ-ZD-13”