閆 雪,黃法融,4,李 倩,4,周宏飛, 李蘭海,4**

基于生態(tài)系統(tǒng)服務(wù)和PSO-SOFM神經(jīng)網(wǎng)絡(luò)的中亞水土熱資源匹配分區(qū)*

閆 雪1,2,3,黃法融1,2,3,4,李 倩1,2,3,4,周宏飛1,3,5, 李蘭海1,2,3,4**

(1. 中國科學(xué)院新疆生態(tài)與地理研究所荒漠與綠洲生態(tài)國家重點實驗室 烏魯木齊 830011; 2. 中國科學(xué)院伊犁河流域生態(tài)系統(tǒng)研究站 新源 835800; 3. 中國科學(xué)院大學(xué) 北京 100049; 4. 中國科學(xué)院中亞生態(tài)與環(huán)境研究中心/新疆干旱區(qū)水循環(huán)與水利用實驗室 烏魯木齊 830011; 5. 中國科學(xué)院阜康荒漠生態(tài)系統(tǒng)國家站 阜康 831505)

水土熱資源匹配度分區(qū)研究對于區(qū)域農(nóng)業(yè)規(guī)劃具有重要意義。中亞地區(qū)長期以來缺乏合理的水土熱資源管理, 已引發(fā)了一系列資源環(huán)境問題, 嚴(yán)重威脅該地區(qū)農(nóng)業(yè)生產(chǎn)。目前的研究也較少關(guān)注中亞水土熱資源匹配分區(qū)模式。本研究利用遙感數(shù)據(jù), 通過量化4種主要生態(tài)系統(tǒng)服務(wù)(植被固碳、土壤保持、水源供給與涵養(yǎng)及生物多樣性保護)的時空分布特征, 結(jié)合PSO-SOFM (particle swarm optimization, PSO; self-organizing feature map, SOFM)神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)中亞水土熱資源匹配度分區(qū), 并利用Spearman秩相關(guān)分析探索不同匹配度分區(qū)與生態(tài)環(huán)境因子的關(guān)系, 應(yīng)用偏相關(guān)分析確定氣溫和降水量對中亞地區(qū)生態(tài)系統(tǒng)服務(wù)的影響。結(jié)果表明, 中亞生態(tài)系統(tǒng)服務(wù)總體呈東南高、西北低的空間格局, 沿山地—綠洲—荒漠方向遞減。在2000—2015年間, 各類生態(tài)系統(tǒng)服務(wù)均有不同程度變化, 其中植被固碳和土壤保持呈顯著下降的面積占整個中亞的84.81%和84.82%; 水源供給與涵養(yǎng)以及生物多樣性保護服務(wù)呈顯著下降的面積較少, 占比分別為69.48%和19.8%, 且這兩種生態(tài)系統(tǒng)服務(wù)在個別地區(qū)有增加趨勢。PSO-SOFM神經(jīng)網(wǎng)絡(luò)模型在中亞水土熱資源匹配度分區(qū)中表現(xiàn)良好, 根據(jù)生態(tài)系統(tǒng)服務(wù)值空間模式, 中亞水土熱資源匹配度可被劃為5大類21個子類分區(qū)。在空間尺度, 各類匹配度分區(qū)之間生態(tài)系統(tǒng)服務(wù)值有顯著差異, 降水是影響生態(tài)系統(tǒng)服務(wù)和匹配度高低的重要限制因子, 而氣溫和土壤因素影響較弱; 在時間尺度, 降水和各生態(tài)系統(tǒng)服務(wù)值間呈顯著正相關(guān)關(guān)系的范圍更廣, 而氣溫對生態(tài)系統(tǒng)服務(wù)值有顯著影響的區(qū)域主要集中在哈薩克斯坦北部草地—半荒漠生態(tài)敏感區(qū)、中亞荒漠生態(tài)脆弱區(qū)、中亞中部半荒漠生態(tài)敏感區(qū)以及巴特赫茲—卡拉比爾半荒漠生態(tài)敏感區(qū)等地。而在其他區(qū)域, 氣溫和降水量并非決定生態(tài)系統(tǒng)服務(wù)值高低的主要因素, 生態(tài)系統(tǒng)服務(wù)值的變化可能與土地開發(fā)利用模式有關(guān)。結(jié)合不同匹配度分區(qū)的生態(tài)地理條件, 本研究可為中亞地區(qū)水土資源開發(fā)利用、農(nóng)牧業(yè)發(fā)展以及生態(tài)環(huán)境保護提供有用信息。

水土熱資源; 生態(tài)系統(tǒng)服務(wù); PSO-SOFM神經(jīng)網(wǎng)絡(luò); 匹配度分區(qū); 中亞

水土熱資源是人類賴以生存的基礎(chǔ)自然資源, 對于農(nóng)業(yè)生產(chǎn)、糧食安全及生態(tài)環(huán)境可持續(xù)具有重要意義[1]。水土熱資源匹配程度影響一個地區(qū)水土熱資源綜合利用效率[2], 研究水土熱資源匹配度分區(qū)格局可以為區(qū)域資源高效利用、管理決策及農(nóng)業(yè)生產(chǎn)提供依據(jù)[3-4]。目前, 水土熱資源匹配度相關(guān)研究集中于探討水資源、耕地資源以及糧食產(chǎn)量的數(shù)量匹配關(guān)系[4-6], 較少對生態(tài)用地和生態(tài)環(huán)境用水進(jìn)行綜合考慮[7], 涉及水土熱資源匹配度分區(qū)的研究依然較少。因此, 尋求簡單有效的評估水土熱資源匹配度分區(qū)方法十分重要。

生態(tài)功能區(qū)劃的核心是對生態(tài)系統(tǒng)服務(wù)的空間表達(dá)[8], 而植被固碳、土壤保持、水源供給與涵養(yǎng)及生物多樣性保護等生態(tài)系統(tǒng)服務(wù)可以用于綜合衡量區(qū)域水土熱資源的匹配程度[9]。因此, 基于生態(tài)系統(tǒng)服務(wù)的生態(tài)功能區(qū)劃可以表征水土熱資源匹配度的空間分布規(guī)律, 從而為區(qū)域水土資源管理及持續(xù)利用發(fā)揮指導(dǎo)作用。早期的生態(tài)分區(qū)研究主要涉及數(shù)理方法, 包括回歸分析、聚類分析、主成分分析等, 隨著人工智能算法的發(fā)展, 非參數(shù)化方法尤其是人工神經(jīng)網(wǎng)絡(luò)模型在定量區(qū)劃工作中發(fā)揮了巨大作用[10], 其中又以自組織特征映射網(wǎng)絡(luò)(self-organizing feature map, SOFM)模型最為普遍。SOFM神經(jīng)網(wǎng)絡(luò)模型是一種無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò), 主要由輸入層和競爭層組成, 它可以基于數(shù)據(jù)本身特征, 在保持?jǐn)?shù)據(jù)集拓?fù)浣Y(jié)構(gòu)不變的前提下得到數(shù)據(jù)聚類結(jié)果, 具有客觀性、高容錯能力以及穩(wěn)健性等優(yōu)點[11]。對于自然界中廣泛存在的非線性問題, SOFM神經(jīng)網(wǎng)絡(luò)模型具有比聚類分析等線性分類器更強的適應(yīng)性, 識別空間模式的能力更優(yōu)[12]。目前, 已被廣泛用于土地利用分區(qū)[13-14]、生態(tài)功能分區(qū)[15-16]、景觀功能分區(qū)[12-17]、經(jīng)濟環(huán)境綜合分區(qū)[18]、綜合自然區(qū)劃[19]等研究工作中。

中亞地區(qū)生態(tài)系統(tǒng)具有脆弱、對環(huán)境變化響應(yīng)敏感的特征。近年來, 該地區(qū)資源的供求矛盾日益加深, 給該地區(qū)生態(tài)環(huán)境穩(wěn)定和農(nóng)業(yè)生產(chǎn)帶來嚴(yán)峻挑戰(zhàn), 如何合理開發(fā)利用資源、管理區(qū)域農(nóng)業(yè)生產(chǎn)、維持生態(tài)環(huán)境穩(wěn)定已成為該地區(qū)發(fā)展所要面臨的關(guān)鍵問題[20], 了解中亞地區(qū)水土熱資源匹配度空間分布模式對該問題的解決有關(guān)鍵作用。目前, 國際上關(guān)于中亞地區(qū)水土熱資源管理的相關(guān)研究仍多側(cè)重水資源的研究, 并集中在水資源狀況[21]、人類活動和氣候變化對中亞地區(qū)水土資源的影響[22-24]、跨界河流管理[25]等, 關(guān)于水土熱資源匹配度的研究相對較少。學(xué)者們通過將基尼系數(shù)法和單位面積耕地所擁有的水資源量法相結(jié)合[26]、采用基于生態(tài)系統(tǒng)服務(wù)的匹配度指數(shù)計算法[9], 或是構(gòu)建基于重心公式的多元匹配評估模型和分級標(biāo)準(zhǔn)[27], 對中亞地區(qū)水土資源空間匹配關(guān)系開展了定量分析, 并獲取一定研究成果。然而, 現(xiàn)有研究多以國家尺度或現(xiàn)有生態(tài)分區(qū)類型為基礎(chǔ)開展匹配度及其影響因素的分析, 較少有研究通過空間聚類方式進(jìn)行水土熱資源匹配度分區(qū), 而水土熱資源匹配度的分區(qū)結(jié)果可為精細(xì)化的水土資源空間管制提供科學(xué)依據(jù)。

本研究的目的是探究中亞地區(qū)水土熱資源匹配度的空間分區(qū)格局及農(nóng)業(yè)資源開發(fā)利用對策。通過計算植被固碳、土壤保持、水源供給與涵養(yǎng)及生物多樣性保護等生態(tài)系統(tǒng)服務(wù), 結(jié)合PSO算法優(yōu)化SOFM神經(jīng)網(wǎng)絡(luò)聚類方法, 并完成中亞地區(qū)水土熱資源匹配度分區(qū), 在此基礎(chǔ)上探索自然環(huán)境因子對生態(tài)系統(tǒng)服務(wù)及匹配度的影響, 為合理開發(fā)利用水土資源、區(qū)域農(nóng)牧業(yè)協(xié)調(diào)發(fā)展和生態(tài)環(huán)境保護提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

中亞地區(qū)位于歐亞大陸腹地, 由哈薩克斯坦、烏茲別克斯坦、土庫曼斯坦、吉爾吉斯斯坦和塔吉克斯坦5國組成(35°07′43″~55°26′28″N、46°29′47″~ 87°18′55″E), 面積占據(jù)全球干旱區(qū)的1/3(圖1)。中亞屬典型的溫帶荒漠、草原的大陸性氣候, 年均氣溫為8.4 ℃, 年均降水量<300 mm。該地區(qū)地勢東南高、西北低, 山系對水汽的攔截導(dǎo)致水資源時空分布不均。同時, 該地區(qū)長期缺乏有效的水土資源協(xié)調(diào)管理, 尤其是綠洲農(nóng)業(yè)的快速發(fā)展, 進(jìn)一步加劇了該地區(qū)水土資源供需矛盾和生態(tài)環(huán)境退化, 特別是土地荒漠化、土壤鹽漬化、咸海萎縮等問題突出。

1.2 數(shù)據(jù)獲取及處理

本研究使用的數(shù)據(jù)集包含降水、氣溫、土壤質(zhì)地、土壤有機碳含量、凈初級生產(chǎn)力(NPP)、高程(DEM)和土地覆被。其中, 降水采用MSWEP V2.2逐日降水?dāng)?shù)據(jù)(http://www.gloh2o.org./), 空間分辨率0.1°; 氣溫采用ERA5月平均氣溫數(shù)據(jù), 獲取自歐洲中期天氣預(yù)報中心(ECMWF, https://www. ecmwf.int/), 分辨率為0.125°; 土壤質(zhì)地數(shù)據(jù)從GSDE全球土壤數(shù)據(jù)集[28]中提取, 獲取自寒區(qū)旱區(qū)科學(xué)數(shù)據(jù)中心(http://westdc.westgis.ac.cn/), 分辨率為0.083°; NPP數(shù)據(jù)采用NTSG MOD17 v55, 獲取自蒙大拿大學(xué)Numerical Terradynamic Simulation Group (NTSG) (https://www.ntsg.umt.edu/project/ modis/mod17.php), 空間分辨率為1 km; 高程采用ASTER GDEM V2數(shù)字高程數(shù)據(jù), 分辨率為30 m, 獲取自地理空間數(shù)據(jù)云(http://www.gscloud.cn); 土地覆被數(shù)據(jù)獲取自歐空局(ESA, http://maps. elie.ucl.ac. be/CCI/viewer/ download.php), 分辨率為300 m。數(shù)據(jù)計算及分析在Matlab、ArcGIS以及R中完成, 空間分辨率統(tǒng)一為1 km, 時間范圍為2000—2015年。

1.3 生態(tài)系統(tǒng)服務(wù)計算及趨勢分析

1.3.1 生態(tài)系統(tǒng)服務(wù)計算

利用NPP指標(biāo)法對生態(tài)系統(tǒng)服務(wù)進(jìn)行計算, 該方法的提出基于Groot的一項研究[29], 該研究指出“生態(tài)系統(tǒng)服務(wù)與地表生物量數(shù)量及其變化有著直接的關(guān)系, 而NPP是表征生物量的重要指數(shù)”。作為一種簡單有效的計算生態(tài)系統(tǒng)服務(wù)的方法, NPP指標(biāo)法已被廣泛應(yīng)用于生態(tài)系統(tǒng)評估和管理中[30-33]。計算公式及說明如下:

1)植被固碳。植被固碳服務(wù)與生態(tài)系統(tǒng)第一性生產(chǎn)密切相關(guān)[34], 而NPP是表征植被生產(chǎn)力的重要因子[35]。其計算公式如下:

式中:car為植被固碳服務(wù)[g(C)?m?2]; NPP為凈初級生產(chǎn)力[g(C)?m?2]; VCNPP為NPP年際變異系數(shù)因子, 其值在0~1。

2)土壤保持。土壤保持服務(wù)與生態(tài)系統(tǒng)及其地理特征有密切關(guān)系, 包括防風(fēng)固沙(抵御侵蝕)、土壤功能保護及改善等[36], 該服務(wù)隨坡度的增加呈指數(shù)下降[37]。其計算公式如下:

式中:soil為土壤保持服務(wù)[g(C)?m?2];slo為坡度因子, 其值在0~1, 由DEM高程數(shù)據(jù)提取坡度并歸一化得到;為土壤可蝕性因子, 其值在0~1, 計算公式如下[38]:

式中: SAN、SIL、CLA分別為土壤砂粒、粉粒和黏粒含量(%),為土壤有機碳含量(%)。

3)水源供給與涵養(yǎng)。水源供給與涵養(yǎng)服務(wù)主要包括保水、徑流調(diào)節(jié)、水質(zhì)凈化等[33]。降水是干旱區(qū)主要的水分來源, 豐富的植被有利于水分截留, 而坡度的增加以及土壤孔隙減少均不利于水分?jǐn)r截[31,39]。其計算公式如下:

式中:water為水源供給與涵養(yǎng)服務(wù)[g(C)?m?2];si為土壤滲流能力因子, 根據(jù)土壤質(zhì)地類型, 對黏土到砂土分別在0~1之間均等賦值得到, 其值在0~1;pre為降水量因子, 由降水量插值并歸一化得到, 其值在0~1。

4)生物多樣性保護。生物多樣性保護服務(wù)體現(xiàn)于生態(tài)系統(tǒng)能夠創(chuàng)造適宜生物生存的環(huán)境、保存豐富遺傳信息[34], 良好的降水、氣溫條件以及較低的海拔是維持生物多樣性的關(guān)鍵因素[31]。其計算公式如下:

式中:bio為生物多樣性保護服務(wù)[g(C)?m?2];tem為氣溫因子, 由氣溫插值并歸一化得到, 其值在0~1;alt為海拔高度因子, 其值在0~1。

在計算過程中, 對于需要歸一化處理的因子, 根據(jù)各因子的區(qū)域最大值, 將每個柵格相應(yīng)因子值歸一化到0~1區(qū)間(1對應(yīng)區(qū)域相應(yīng)因子最大值), 計算如下:

norm=F/max′100 (6)

式中:norm為歸一化后的因子值(0≤norm≤1);F為第種因子的值;max為研究區(qū)相應(yīng)因子最高值。

1.3.2 趨勢分析

一元線性回歸分析可以模擬每個柵格的變化趨勢, 并消除異常因素對結(jié)果的影響, 真實地反映長時間序列柵格值的演化趨勢[40]。計算公式如下:

式中:是回歸方程的斜率; ES是第年研究對象的值,為研究時段的長度。采用檢驗法對結(jié)果的顯著性進(jìn)行檢驗。

1.4 水土熱資源匹配分析

利用PSO-SOFM神經(jīng)網(wǎng)絡(luò)模型, 以4種生態(tài)系統(tǒng)服務(wù)作為訓(xùn)練指標(biāo), 根據(jù)指標(biāo)特征相似性對分區(qū)單元進(jìn)行聚類, 依據(jù)分類效果指數(shù)判定最優(yōu)聚類方案, 并通過空間插值、合并細(xì)小斑塊等最終確定中亞水土熱資源匹配度分區(qū)結(jié)果。之后采用Spearman秩相關(guān)性檢驗探索不同匹配度分區(qū)的多種生態(tài)環(huán)境因素之間的關(guān)系, 采用偏相關(guān)分析討論生態(tài)系統(tǒng)服務(wù)與氣溫和降水的關(guān)系, 進(jìn)而確定中亞水土熱資源的空間格局及其對生態(tài)系統(tǒng)服務(wù)的影響。

1.4.1 PSO-SOFM神經(jīng)網(wǎng)絡(luò)模型

SOFM神經(jīng)網(wǎng)絡(luò)模型由芬蘭學(xué)者Kohonen根據(jù)人腦神經(jīng)元后天學(xué)習(xí)過程提出, 其輸入節(jié)點與輸出節(jié)點之間為雙向權(quán)連接, 通過輸入的樣本數(shù)據(jù)的無監(jiān)督學(xué)習(xí)從而不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值, 使最終得到的網(wǎng)絡(luò)結(jié)構(gòu)能夠合理反映訓(xùn)練樣本的分布規(guī)律[41-42]。

粒子群優(yōu)化算法(particle swarm optimization, PSO)最早由Kennedy和Eberhart提出[43], 可以通過超空間粒子間的競爭和協(xié)作逼近“更優(yōu)”解, 簡單易操作, 且具有良好的穩(wěn)定性, 是一種有效的工程優(yōu)化算法[43]。

PSO-SOFM算法的主要思想是通過PSO粒子群優(yōu)化算法對SOFM神經(jīng)網(wǎng)絡(luò)輸出層連接權(quán)值進(jìn)行優(yōu)化更新, 使得連接權(quán)值對SOFM神經(jīng)網(wǎng)絡(luò)算法的結(jié)果影響減弱[44], 進(jìn)而避免死神經(jīng)元的出現(xiàn), 提高運算效率。

PSO-SOFM計算步驟如下:

2)設(shè)置適應(yīng)度函數(shù), 即計算輸入的每個樣本向量與權(quán)重向量值之間的歐氏距離的疊加, 迭代若干次求取每個粒子的最優(yōu)權(quán)重值(最小);

3)將優(yōu)化后的權(quán)重矩陣作為SOFM神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值, 利用SOFM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練, 設(shè)置學(xué)習(xí)率和學(xué)習(xí)半徑, 迭代若干次獲得最終的模型結(jié)果。

本文通過空間均勻隨機取點, 最終在中亞地區(qū)選取50 000個有效樣本點, 結(jié)合4種生態(tài)系統(tǒng)服務(wù)構(gòu)建4×50 000的PSO-SOFM訓(xùn)練矩陣。模型參數(shù)在PSO-SOFM神經(jīng)網(wǎng)絡(luò)模型初始參數(shù)值基礎(chǔ)上經(jīng)過多次調(diào)試之后確定, 其中模型加速度常數(shù)設(shè)置為1.35, 權(quán)重值范圍為0~1, 最大、最小學(xué)習(xí)率分別為0.08和0.02, 最大、最小學(xué)習(xí)半徑分別為2和0.7, 迭代次數(shù)為1000次。

1.4.2 匹配度分區(qū)類別數(shù)確定

SOFM作為一種非監(jiān)督聚類神經(jīng)網(wǎng)絡(luò)模型, 其輸出神經(jīng)元個數(shù)(類別數(shù))受人為設(shè)定影響。為確定最優(yōu)分區(qū)類別, 本文引入分類效果指數(shù)(clustering quality index, CQI)對分區(qū)類別進(jìn)行篩選[16]。該方法綜合考慮了像元的地理特征(氣溫、降水、海拔高度), 能夠保證在同類別像元自然地理特征差異最小化的前提下獲取最適宜匹配度分區(qū)類別數(shù)。CQI計算公式如下:

式中:max為待選方案聚類類別數(shù)的最大值;為變異系數(shù)的平均值。

1.4.3 分區(qū)邊界確定

根據(jù)PSO-SOFM神經(jīng)網(wǎng)絡(luò)模型得到的分類結(jié)果, 可以最大程度確保同類相似性和異類差異最大化。但通常進(jìn)行生態(tài)分區(qū)時, 還需要考慮相鄰景觀斑塊間存在的自然環(huán)境相互影響、生態(tài)過程相關(guān)聯(lián)的現(xiàn)象[45]。因此, 本文通過對PSO-SOFM模型結(jié)果進(jìn)行反距離加權(quán)插值, 之后通過柵格轉(zhuǎn)矢量面、合并細(xì)小斑塊, 從而達(dá)到盡量保證分區(qū)內(nèi)部生態(tài)過程完整性的目的。

1.4.4 量化不同匹配度分區(qū)生態(tài)環(huán)境因子之間的關(guān)系

識別不同匹配度分區(qū)的多種生態(tài)環(huán)境因子之間的關(guān)系, 有助于理解水土熱資源的空間格局及其對生態(tài)系統(tǒng)服務(wù)的影響。采用Spearman秩相關(guān)性檢驗, 以探索不同匹配度分區(qū)各生態(tài)環(huán)境因子之間的關(guān)系[46]。Spearman秩相關(guān)系數(shù)為負(fù), 表明在生態(tài)環(huán)境因子對之間存在權(quán)衡關(guān)系, 而正系數(shù)表示隨著一個生態(tài)環(huán)境因子值的增加(或減少), 另一個也增加(或減少)。Spearman秩相關(guān)系數(shù)為零或結(jié)果不顯著, 表明至少一個生態(tài)環(huán)境因子在不同匹配度分區(qū)之間沒有明顯的空間分布規(guī)律。

1.4.5 生態(tài)系統(tǒng)服務(wù)與氣溫和降水之間的關(guān)系

利用基于像元的空間分析法, 分別計算生態(tài)系統(tǒng)服務(wù)與氣溫和降水量之間的偏相關(guān)系數(shù), 并采用檢驗法對相關(guān)性結(jié)果的顯著性進(jìn)行檢驗。計算公式[47]如下:

2 結(jié)果與分析

2.1 中亞生態(tài)系統(tǒng)服務(wù)時空分布

從圖2可以看出, 中亞地區(qū)植被固碳、土壤保持、水源供給與涵養(yǎng)、生物多樣性保護這4種生態(tài)系統(tǒng)服務(wù)的空間分布一致, 總體由東向西呈梯度變化, 東南高、西北低, 沿著山地—綠洲—荒漠方向遞減。

GL: 草地; BL: 裸地; WB: 水體; UL: 城市。GL: grassland; BL: bare land; WB: water body; UL: urban land.

生態(tài)系統(tǒng)服務(wù)的高值區(qū)主要聚集在中亞東部阿爾泰山區(qū)以及東南部天山山區(qū), 該地區(qū)水熱條件相對較好, 且以壤土為主, 分布著大量的林地, 農(nóng)業(yè)用地較少, 因此利于地區(qū)植被固碳以及土壤保持作用的發(fā)揮。另一方面, 充沛的降水以及高山冰雪融水使得該區(qū)域長期以來充當(dāng)著中亞“水塔”的作用, 水源供給與涵養(yǎng)能力強。良好的自然環(huán)境也對該區(qū)域生物多樣性保護打下了堅實的基礎(chǔ)。

中亞地區(qū)中、西部各項生態(tài)系統(tǒng)服務(wù)值均較低, 該區(qū)域主要以荒漠、半荒漠為主, 年均降水量少而蒸發(fā)量大, 極大程度地限制了植被的生長。除了阿姆河和錫爾河流域中下游依河發(fā)展起來的灌溉農(nóng)區(qū)外, 其余大部分地區(qū)均為裸地或稀疏草地, 生態(tài)環(huán)境極為脆弱, 提供生態(tài)系統(tǒng)服務(wù)的能力較弱。

通過逐柵格計算2000—2015年中亞地區(qū)4種生態(tài)系統(tǒng)服務(wù)的一元線性趨勢, 并將其與趨勢顯著性檢驗結(jié)果相疊加, 得到每種生態(tài)系統(tǒng)服務(wù)空間變化(圖3)。結(jié)果表明中亞地區(qū)在2000—2015年期間, 生態(tài)系統(tǒng)服務(wù)以降低為主, 植被固碳、土壤保持、水源供給與涵養(yǎng)、生物多樣性保護4種生態(tài)系統(tǒng)服務(wù)值分別有84.81%、84.82%、69.48%和19.8%的區(qū)域呈顯著性降低, 主要集中在中亞中西部地區(qū)。特別是在東歐大草原、哈薩克斯坦大草原西部以及哈薩克斯坦半荒漠西部地區(qū), 這4種生態(tài)系統(tǒng)服務(wù)值均呈顯著下降趨勢。而在中亞南部荒漠區(qū)、哈薩克斯坦半荒漠區(qū)、哈薩克斯坦大草原等地, 水源供給與涵養(yǎng)服務(wù)值有不同程度增加, 約占整個中亞面積的24.59%; 在巴爾喀什湖西北部等局部地區(qū), 生物多樣性保護服務(wù)值出現(xiàn)顯著增加。

UC: 基本不變; SLD: 輕度降低; SLI: 輕度提高; SD: 顯著降低; SI: 顯著提高。GL: 草地; BL: 裸地; WB: 水體; UL: 城市。UC: unchanged; SLD: slight decrease; SLI: slight increase; SD: significant decrease; SI: significant increase. GL: grassland; BL: bare land; WB: water body; UL: urban land.

2.2 中亞水土熱資源匹配度分區(qū)

2.2.1 水土熱資源匹配度空間聚類方案

本文利用PSO-SOFM神經(jīng)網(wǎng)絡(luò)對生態(tài)系統(tǒng)服務(wù)進(jìn)行空間聚類, 分區(qū)(聚類)類別數(shù)從3逐次增加到8, 再根據(jù)CQI指數(shù), 最終確定最佳分區(qū)類別數(shù)。由圖4可看出, CQI指數(shù)隨著聚類類別數(shù)的增加總體呈現(xiàn)先減少后增多的趨勢。在CQI指數(shù)減少的階段, 表明隨類別的增多, 各類別內(nèi)部自然地理特征趨于一致, 區(qū)域內(nèi)部特征逐漸突出; 在CQI指數(shù)增加的階段, 類別數(shù)的懲罰作用逐漸突出, 聚類類別數(shù)從5類到8類時, CQI指數(shù)呈現(xiàn)逐漸增加趨勢。為了最大程度確保同一類別內(nèi)部自然環(huán)境特征的一致性以及不同類別的差異性最大化, 本文最終選取CQI指數(shù)最低的5類作為最佳聚類方案。

最終的聚類結(jié)果如圖5所示, 參考中亞地區(qū)生態(tài)系統(tǒng)服務(wù)值的空間分布, 以及主要生態(tài)系統(tǒng)類型判定匹配度高低, 并對各類別分區(qū)進(jìn)行命名。從圖中可以看出, PSO-SOFM模型對于中亞水土熱資源匹配度分區(qū)有著良好的表現(xiàn), 但是聚類結(jié)果在空間上具有一定破碎性, 且由于荒漠區(qū)原始數(shù)據(jù)的部分缺失, 并沒有直接得到歸類。因此PSO-SOFM模型的結(jié)果并不能直接作為最終的分區(qū)結(jié)果, 需進(jìn)一步明確分區(qū)界線。

Ⅰ: 森林—草原高匹配區(qū); Ⅱ: 草原中高匹配區(qū); Ⅲ: 草原—半荒漠中等匹配區(qū); Ⅳ: 半荒漠中低匹配區(qū); Ⅴ: 荒漠低匹配區(qū)。Ⅰ: zone of forest steppe with high matching degree; Ⅱ: zone of steppe with middle to high matching degree; Ⅲ: zone of steppe semi-desert with middle matching degree; Ⅳ: zone of semi-desert with middle to low matching degree; Ⅴ: zone of desert with low matching degree.

2.2.2 中亞水土熱資源匹配度分區(qū)確定

通過對PSO-SOFM模型結(jié)果進(jìn)行反距離加權(quán)插值, 柵格數(shù)據(jù)的矢量轉(zhuǎn)化以及合并細(xì)小斑塊(面積<10 000 km2), 達(dá)到不同分區(qū)間差異最大化, 并盡量保證各分區(qū)內(nèi)部生態(tài)過程完整性, 最終將中亞地區(qū)水土熱資源匹配度劃分為5個大類21個子類(圖6)。根據(jù)分區(qū)聚類類型特征, 采用地理區(qū)位與生態(tài)功能特點(主導(dǎo)生態(tài)系統(tǒng)服務(wù)或生態(tài)敏感性、脆弱性特征)相結(jié)合的方式命名分區(qū)名稱, 以反映各匹配度分區(qū)的生態(tài)功能特點[16]。其中, 中亞西部及東南部數(shù)據(jù)缺失部分主要為生態(tài)環(huán)境脆弱的荒漠區(qū), 因此判定為低匹配度區(qū)。各子類匹配度分區(qū)內(nèi)生態(tài)系統(tǒng)服務(wù)及氣候因子值如表1所示, 可以看出隨各子區(qū)匹配度的降低, 生態(tài)系統(tǒng)服務(wù)值也有不同程度降低?？傮w來看, 在不出現(xiàn)極端低溫的情況下, 降水量越多的子區(qū), 水土熱資源匹配度越高, 而氣溫在各類匹配度子區(qū)間變化無明顯規(guī)律。

Ⅰ: 森林—草原高匹配區(qū); Ⅱ: 草原中高匹配區(qū); Ⅲ: 草原—半荒漠中等匹配區(qū); Ⅳ: 半荒漠中低匹配區(qū); Ⅴ: 荒漠低匹配區(qū)。I1: 哈薩克斯坦北部森林—草原固碳保土區(qū); I2: 阿爾泰山森林—草原固碳保土產(chǎn)水區(qū); I3: 天山高山—山麓草原固碳保土產(chǎn)水區(qū); I4: 天山森林—草原固碳保土產(chǎn)水區(qū); I5: 阿賴林地—高山草甸固碳保土產(chǎn)水區(qū); I6: 吉薩爾—阿賴北部草地固碳保土區(qū); I7: 吉薩爾—阿賴南部草地固碳保土產(chǎn)水區(qū); Ⅱ1: 東歐大草原土壤保持區(qū); Ⅱ2: 哈薩克斯坦大草原北部土壤保持區(qū); Ⅱ3: 阿爾泰—天山山麓草原固碳區(qū); Ⅱ4: 天山草原固碳區(qū); Ⅱ5: 吉薩爾—阿賴固碳區(qū); Ⅲ1: 哈薩克斯坦北部草地—半荒漠生態(tài)敏感區(qū); Ⅲ2: 準(zhǔn)噶爾—阿爾泰半荒漠生態(tài)敏感區(qū); Ⅲ3: 中亞東南部草原—荒漠生態(tài)敏感區(qū); Ⅳ1: 中亞中部半荒漠生態(tài)敏感區(qū); Ⅳ2: 天山高山草原草甸生態(tài)敏感區(qū); Ⅳ3: 巴特赫茲—卡拉比爾半荒漠生態(tài)敏感區(qū); Ⅴ1: 中亞荒漠生態(tài)脆弱區(qū); Ⅴ2: 巴爾喀什湖荒漠生態(tài)脆弱區(qū); Ⅴ3: 帕米爾高原荒漠生態(tài)脆弱區(qū)。Ⅰ: zone of forest steppe with high matching degree; Ⅱ: zone of steppe with middle to high matching degree; Ⅲ: zone of steppe semi-desert with middle matching degree; Ⅳ: zone of semi-desert with middle to low matching degree; Ⅴ: zone of desert with low matching degree. I1: zone of carbon sequestration and soil conservation of forest and grassland in northern Kazakhstan; I2: zone of carbon sequestration, soil conservation and water supply of forest grassland in Altai Montane; I3: zone of carbon sequestration, soil conservation and water supply in Tianshan Montane and its foothill steppe; I4: zone of carbon sequestration, soil conservation and water supply of forest and grassland in Tianshan Montane; I5: zone of carbon sequestration, soil conservation and water supply of woodlands and steppe in Alai; I6: zone of carbon sequestration and soil conservation of steppe in northern Gissaro-Alai; I7: zone of carbon sequestration, soil conservation and water supply of grassland in southern Gissaro-Alai; Ⅱ1: zone of soil conservation in Pontic steppe; Ⅱ2: zone of soil conservation in northern Kazakh steppe; Ⅱ3: zone of carbon sequestration of foothill steppe in Altai and Tianshan Montane; Ⅱ4: zone of carbon sequestration of steppe in Tianshan Montane; Ⅱ5: zone of carbon sequestration in Gissaro-Alai; Ⅲ1: ecological sensitive zone of northern Kazakh steppe and semi-desert; Ⅲ2: ecological sensitive zone of Junggar-Altai semi-desert; Ⅲ3: ecological sensitive zone of steppe and semi-desert in Southeast Central Asia; Ⅳ1: ecological sensitive zone of central semi-desert in Central Asia; Ⅳ2: ecological sensitive zone of steppe and meadows in Tianshan Montane; Ⅳ3: ecological sensitive zone of semi-desert in Badghyz and Karabil; Ⅴ1: ecological fragile zone of desert in Central Asia; Ⅴ2: ecological fragile zone of desert in Balkhash Lake; Ⅴ3: ecological fragile zone of desert in Pamir.

表1 中亞各水土熱資源匹配度子區(qū)生態(tài)系統(tǒng)服務(wù)及氣候因子值

對4種生態(tài)系統(tǒng)服務(wù)進(jìn)行歸一化處理后繪制5類水土熱資源匹配度分區(qū)特征雷達(dá)圖(圖7), 可以看出各類生態(tài)系統(tǒng)服務(wù)在Ⅰ到Ⅴ類之間有著明顯梯度下降變化, 即森林—草原高匹配區(qū)(Ⅰ)>草原中高匹配區(qū)(Ⅱ)>草原—半荒漠中等匹配區(qū)(Ⅲ)>半荒漠中低匹配區(qū)(Ⅳ)>荒漠低匹配區(qū)(Ⅴ)。且各類匹配度分區(qū)的植被固碳和土壤保持能力相對較為突出, 而水源供給與涵養(yǎng)能力、生物多樣性保護能力總體較弱, 這也反映了中亞地區(qū)總體水資源稀缺、生態(tài)系統(tǒng)脆弱的問題。

A: 植被固碳; B: 土壤保持; C: 水源供給與涵養(yǎng); D: 生物多樣性保護。Ⅰ: 森林—草原高匹配區(qū); Ⅱ: 草原中高匹配區(qū); Ⅲ: 草原—半荒漠中等匹配區(qū); Ⅳ: 半荒漠中低匹配區(qū); Ⅴ: 荒漠低匹配區(qū)。A: vegetation carbon sequestration; B: soil conservation; C: water supply and conservation; D: biodiversity conservation. Ⅰ: zone of forest steppe with high matching degree; Ⅱ: zone of steppe with middle to high matching degree; Ⅲ: zone of steppe semi-desert with middle matching degree; Ⅳ: zone of semi-desert with middle to low matching degree; Ⅴ: zone of desert with low matching degree.

3 討論

3.1 環(huán)境因子對生態(tài)系統(tǒng)服務(wù)值及匹配度的影響

3.1.1 不同匹配度分區(qū)生態(tài)環(huán)境因子之間的關(guān)系

Spearman檢驗結(jié)果表明(圖8), 中亞5類匹配度分區(qū)之間, 坡度、海拔和降水間有著顯著的正相關(guān)關(guān)系(<0.05), 而3種環(huán)境因子與氣溫、土壤滲流能力因子間呈顯著負(fù)相關(guān)(<0.05)。這表明中亞降水、氣溫和土壤質(zhì)地在空間上具有錯位性。降水充足的區(qū)域氣溫條件整體較差, 而氣溫條件好的區(qū)域降水較少; 氣溫高的地區(qū)土壤滲流能力因子值相比氣溫低的地區(qū)更高。例如荒漠低匹配區(qū), 年均氣溫約12.4 ℃, 但年均降水量較少(153 mm)、土壤條件較差(砂土約占該區(qū)域的31%)。土壤滲流能力與土壤質(zhì)地有著密切關(guān)系, 土壤滲流能力因子值越高意味著土壤砂質(zhì)含量越高, 不利于植被生長[48-49]。因此, 荒漠低匹配區(qū)生態(tài)系統(tǒng)服務(wù)較低。

NPP與降水有極顯著正相關(guān)關(guān)系(<0.01), 與氣溫、土壤滲流能力因子呈顯著負(fù)相關(guān)關(guān)系(<0.05)。5類匹配度分區(qū)的年均氣溫分別為5.3 ℃、5.1 ℃、5.9 ℃、8.3 ℃和12.4 ℃, 無極端低溫區(qū)出現(xiàn); 中亞地區(qū)壤土(包括黏壤土和砂壤土)約占全區(qū)域的61%, 且不同匹配度分區(qū)之間土壤總體差異較小, 土壤滲流能力因子分別為0.51、0.43、0.51、0.53和0.59。這表明降水量的減少對中亞地區(qū)植被生長影響較強[50], 而氣溫和土壤條件的影響相對較弱。因此, 在氣溫相對較低、而降水量較高的山區(qū), 植被更加豐富, 生態(tài)系統(tǒng)服務(wù)值較高, 水土熱資源匹配度高; 而氣溫高、降水量少的半荒漠、荒漠區(qū), 植被長勢較差, 可提供的生態(tài)系統(tǒng)服務(wù)較少, 匹配度較低。在干旱、半干旱區(qū)域, 氣溫的主要作用表現(xiàn)在控制降水利用效率[51], 氣溫升高可一定程度延長植被生長季, 但同時也會增加蒸散, 降低降水利用效率[52], 進(jìn)而影響植被存活、生長及分布狀況[53]。而降水對水分利用效率的影響比氣溫更高[54], 且干旱、半干旱地區(qū)的降水脈動可以促進(jìn)生態(tài)系統(tǒng)群落水平植被生產(chǎn)力[55]。因此, 在不出現(xiàn)極低氣溫的情況下, 降水量增多有利于區(qū)域內(nèi)水土熱資源匹配度的提高[9]。

需要指出的是, 本文僅探討各類匹配度分區(qū)之間的整體規(guī)律, 以探索各類匹配度分區(qū)之間水土熱資源的差異及其對植被生長、生態(tài)系統(tǒng)服務(wù)的影響。由于各類匹配度分區(qū)內(nèi)部也具有一定的環(huán)境差異性,例如荒漠低匹配區(qū)還細(xì)分為高溫低海拔低降水(Ⅴ1、Ⅴ2)和低溫高海拔高降水區(qū)(Ⅴ3), 因此各類匹配度分區(qū)之間的環(huán)境差異被一定程度削弱, 但對于了解該區(qū)域總體水土熱資源分布及匹配情況仍具有一定參考價值。

3.1.2 氣溫和降水量對各匹配度分區(qū)生態(tài)系統(tǒng)服務(wù)值的影響

偏相關(guān)分析結(jié)果表明, 在中亞地區(qū), 降水對各生態(tài)系統(tǒng)服務(wù)值的影響范圍較氣溫更廣(圖9), 與前文所述結(jié)論一致。其中, 水源供給與涵養(yǎng)以及生物多樣性保護與降水量呈顯著正相關(guān)的區(qū)域面積達(dá)96%以上, 植被固碳和土壤保持服務(wù)也有34%以上的區(qū)域與降水量呈顯著正相關(guān)。各生態(tài)系統(tǒng)服務(wù)值與氣溫呈顯著正相關(guān)的區(qū)域面積較小(低于33%), 主要集中在中亞東北部地區(qū)。從匹配度分區(qū)的結(jié)果來看, 在草原—半荒漠中等匹配區(qū), 各類生態(tài)系統(tǒng)服務(wù)值受氣溫和降水量的影響范圍最大, 特別是哈薩克斯坦北部草地—半荒漠區(qū), 該區(qū)域的暖干化對生態(tài)系統(tǒng)服務(wù)值降低有直接影響[56]。除此之外, 在荒漠低匹配區(qū)中的中亞荒漠生態(tài)脆弱區(qū)、半荒漠中低匹配區(qū)中的中亞中部半荒漠生態(tài)敏感區(qū)以及巴特赫茲—卡拉比爾半荒漠生態(tài)敏感區(qū), 水源供給與涵養(yǎng)以及生物多樣性保護服務(wù)的顯著增加與局地氣溫升高和降水量增加有關(guān)。而在其他區(qū)域, 氣溫和降水量并非決定生態(tài)系統(tǒng)服務(wù)值高低的主要因素, 生態(tài)系統(tǒng)服務(wù)值的變化可能與土地開發(fā)利用模式有關(guān)[30], 例如在阿姆河流域下游分布大量灌區(qū), 該區(qū)域水資源供給主要依賴河流取水[57], 降水并非決定生態(tài)系統(tǒng)服務(wù)值高低最重要的因素。

A: 植被固碳; B: 土壤保持; C: 水源供給與涵養(yǎng); D: 生物多樣性保護。NS: 相關(guān)不顯著; SLN: 弱負(fù)相關(guān); SLP: 弱正相關(guān); SN: 強負(fù)相關(guān); SP: 強正相關(guān)。GL: 草地; BL: 裸地; WB: 水體; UL: 城市。A: vegetation carbon sequestration; B: soil conservation; C: water supply and conservation; D: biodiversity conservation. NS: not significant correlation; SLN: slight negative correlation; SLP: slight positive correlation; SN: significant negative correlation; SP: significant positive correlation. GL: grassland; BL: bare land; WB: water body; UL: urban land.

3.2 不同匹配度分區(qū)資源開發(fā)利用對策

氣候干燥、蒸發(fā)量大、水資源短缺是中亞長期面臨的資源挑戰(zhàn)[57], 而降水量與該區(qū)域生態(tài)系統(tǒng)服務(wù)值高低密切相關(guān)。中亞地區(qū)雖分布有大量黏壤土, 且除東部和南部山區(qū)以外, 大部分地區(qū)為廣闊的平原, 但由于降水條件的限制, 土壤資源的生態(tài)功能未能良好地發(fā)揮, 區(qū)域平均NDVI指數(shù)僅為0.35, 在荒漠低匹配區(qū)甚至低至0.04。降水、熱量以及土地資源的空間錯位性導(dǎo)致了中亞地區(qū)生態(tài)環(huán)境的脆弱性, 因此在極大程度上也不利于生物多樣性的保護。

森林—草原高匹配區(qū)是中亞的天然“水塔”, 應(yīng)在保護天然植被的基礎(chǔ)上, 適當(dāng)發(fā)展農(nóng)牧業(yè), 避免人為活動造成土地退化、植物多樣性減少[9]。草原中高匹配區(qū)及草原—半荒漠中等匹配區(qū)擁有中亞84%的雨養(yǎng)耕地以及大面積的草地, 應(yīng)根據(jù)當(dāng)?shù)氐耐寥篮蜌夂驐l件, 選擇適當(dāng)作物發(fā)展種植業(yè), 并避免過度放牧引發(fā)的生態(tài)環(huán)境退化問題。半荒漠中低匹配區(qū)降水較少, 草地是其主要的生態(tài)系統(tǒng), 半荒漠區(qū)草地用地方式的不合理改變會導(dǎo)致土壤有機碳和質(zhì)量下降, 進(jìn)而生態(tài)系統(tǒng)服務(wù)功能下降, 因此應(yīng)當(dāng)重點加強草地生態(tài)系統(tǒng)的保護, 充分發(fā)揮其抑制荒漠化和土壤侵蝕的能力[58]。對于荒漠低匹配區(qū), 應(yīng)在咸海等生態(tài)退化區(qū)采取一定的植被恢復(fù)措施, 種植耐鹽堿、耐干旱植被。此外, 對于阿姆河流域和錫爾河流域灌區(qū)農(nóng)業(yè), 應(yīng)合理開發(fā)利用流域水資源, 改善灌溉技術(shù)和灌溉設(shè)施, 提升水資源利用效率[59], 減緩水土資源矛盾, 進(jìn)而實現(xiàn)區(qū)域可持續(xù)發(fā)展。

3.3 PSO-SOFM進(jìn)行水土熱資源匹配度分區(qū)的優(yōu)勢及挑戰(zhàn)

SOFM神經(jīng)網(wǎng)絡(luò)模型作為一種有效的分類器, 可以方便快捷地對空間大數(shù)據(jù)進(jìn)行聚類分析, 目前已被廣泛應(yīng)用于空間地理、生態(tài)環(huán)境分區(qū)研究中, 并為政府科學(xué)決策提供支撐[12]。但傳統(tǒng)的SOFM神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中常常因輸出層神經(jīng)元的連接權(quán)值與輸入模式相差較大, 出現(xiàn)死神經(jīng)元, 影響分類結(jié)果的有效性[16]。利用PSO粒子群優(yōu)化算法調(diào)整過的初始化SOFM神經(jīng)網(wǎng)絡(luò)輸入權(quán)重矩陣, 良好地使神經(jīng)元連接權(quán)的初始值對SOFM神經(jīng)網(wǎng)絡(luò)算法的影響降到最弱, 并避免了死神經(jīng)元或個別神經(jīng)元過度獲勝情況的出現(xiàn), 有效提高了SOFM神經(jīng)網(wǎng)絡(luò)模型的運算效率。

然而, 樣本數(shù)量合適程度及原始數(shù)據(jù)空間特征往往對模型效果有直接影響。訓(xùn)練樣本少不足以表征整個空間信息, 而過高的訓(xùn)練樣本數(shù)量又會導(dǎo)致模型難以運算; 原始數(shù)據(jù)分辨率高則會導(dǎo)致訓(xùn)練結(jié)果在空間的高度破碎化, 部分地區(qū)將存在多類別混雜的情形, 不利于分區(qū)界限的確定。以往的研究多采用與行政邊界相結(jié)合的方式進(jìn)行分區(qū)界限的確定,這種方法所需樣本數(shù)量少, 雖在一定程度上有利于地區(qū)自然資源管理政策執(zhí)行[17-18], 但忽視了各分區(qū)間的差異性, 且生態(tài)地理環(huán)境具有緊密的空間相關(guān)性, 以行政邊界進(jìn)行劃分可能導(dǎo)致相同自然地理背景地區(qū)之間資源開發(fā)利用決策的差異, 最終不能達(dá)到自然資源合理開發(fā)與保護的目的[16]。因此選擇合適的樣本量進(jìn)行模型訓(xùn)練以及選擇更為合理的分區(qū)邊界確定方法十分必要。利用GIS工具, 對PSO- SOFM神經(jīng)網(wǎng)絡(luò)模型結(jié)果進(jìn)行空間插值、合并細(xì)小斑塊, 最終生成分區(qū)結(jié)果則可以避免以行政邊界分區(qū)的缺點。本研究的分區(qū)結(jié)果與Chen等[60]針對中亞生態(tài)系統(tǒng)服務(wù)空間分布的研究結(jié)果基本一致。需要指出的是, 合并斑塊是將面積較小的圖斑與具有最長公用邊界的鄰近圖斑合并, 因此確定最大被合并斑塊面積對于最終分區(qū)數(shù)量有著直接影響, 被合并斑塊不宜過大, 但過小的被合并斑塊面積又會導(dǎo)致分區(qū)過度破碎。故在最終分區(qū)結(jié)果的劃分過程中仍需要根據(jù)區(qū)域?qū)嶋H的自然生態(tài)條件進(jìn)行一定矯正, 經(jīng)驗知識輔助生態(tài)地理區(qū)劃依然具有重要意義[15,19,61], 但這也會導(dǎo)致最終分區(qū)結(jié)果存在一定人為主觀影響, 未來尋求更為有效的分區(qū)邊界確定方法也十分重要。

本文從生態(tài)系統(tǒng)服務(wù)的角度出發(fā), 利用PSO- SOFM神經(jīng)網(wǎng)絡(luò)模型對中亞地區(qū)4種生態(tài)系統(tǒng)進(jìn)行空間聚類, 從而得到中亞水土熱資源匹配度分區(qū)結(jié)果。與直接探討水資源、耕地資源以及糧食產(chǎn)量的數(shù)量匹配關(guān)系的方法不同, 采用生態(tài)系統(tǒng)服務(wù)表征水土熱資源匹配度, 能夠同時考慮生態(tài)用地和生態(tài)環(huán)境用水, 從生態(tài)系統(tǒng)健康發(fā)展的角度綜合評估中亞地區(qū)水土熱資源匹配度, 進(jìn)而為地區(qū)水土資源合理開發(fā)利用、農(nóng)牧業(yè)發(fā)展及生態(tài)環(huán)境保護提供參考。

4 結(jié)論

水土熱資源匹配度與生態(tài)系統(tǒng)服務(wù)關(guān)系密切, 本研究結(jié)合生態(tài)系統(tǒng)服務(wù)和PSO-SOFM神經(jīng)網(wǎng)絡(luò)模型, 對中亞水土熱資源匹配度進(jìn)行了區(qū)劃研究。結(jié)果表明, 中亞地區(qū)生態(tài)系統(tǒng)服務(wù)總體呈東南高、西北低的空間格局, 并且在2000—2015年期間, 各生態(tài)系統(tǒng)服務(wù)均有不同程度下降。PSO-SOFM模型在中亞水土熱資源匹配度分區(qū)工作中具有良好的表現(xiàn), 能夠避免死神經(jīng)元的出現(xiàn), 提高了分類的有效性。中亞水土熱資源匹配度從高到低可分為森林—草原高匹配區(qū)、草原中高匹配區(qū)、草原—半荒漠中等匹配區(qū)、半荒漠中低匹配區(qū)以及荒漠低匹配區(qū)等5大類、21個子類, 匹配度高的區(qū)域內(nèi)生態(tài)系統(tǒng)服務(wù)也越高。不同匹配度分區(qū)之間自然環(huán)境存在著顯著的差異性, 匹配度越高的區(qū)域降水越多, 而氣溫和土壤滲流能力越低。中亞地區(qū)水土熱資源匹配度的空間不均衡主要由于水資源的缺乏及分布不均, 而氣溫和土壤條件的影響相對較弱。本文的結(jié)果可為中亞地區(qū)水土資源合理開發(fā)利用、農(nóng)牧業(yè)發(fā)展及生態(tài)環(huán)境保護提供有用信息。

[1] RINGLER C, BHADURI A, LAWFORD R. The nexus across water, energy, land and food (WELF): Potential for improved resource use efficiency?[J]. Current Opinion in Environmental Sustainability, 2013, 5(6): 617?624

[2] 耿慶玲. 西北旱區(qū)農(nóng)業(yè)水土資源利用分區(qū)及其匹配特征研究[D]. 楊凌: 中國科學(xué)院教育部水土保持與生態(tài)環(huán)境研究中心, 2014 GENG Q L. Research on zoning of agricultural water and land resources utilization and their matching characteristics in arid areas of northwest of China[D]. Yangling: Research Center for Eco-environments and Soil and Water Conservation, Chinese Academy of Sciences & Ministry of Education, 2014

[3] 劉彥隨, 甘紅, 張富剛. 中國東北地區(qū)農(nóng)業(yè)水土資源匹配格局[J]. 地理學(xué)報, 2006, 61(8): 847?854 LIU Y S, GAN H, ZHANG F G, et al. Analysis of the matching patterns of land and water resources in Northeast China[J]. Acta Geographica Sinica, 2006, 61(8): 847?854

[4] LIU D, LIU C L, FU Q, et al. Construction and application of a refined index for measuring the regional matching characteristics between water and land resources[J]. Ecological Indicators, 2018, 91: 203?211

[5] LI T T, LONG H L, ZHANG Y N, et al. Analysis of the spatial mismatch of grain production and farmland resources in China based on the potential crop rotation system[J]. Land Use Policy, 2017, 60: 26?36

[6] 張瑩, 雷國平, 張弘強, 等. 微觀尺度分析撓力河流域耕地利用水土資源匹配時空動態(tài)[J]. 農(nóng)業(yè)工程學(xué)報, 2019, 35(8): 185?194 ZHANG Y, LEI G P, ZHANG H Q, et al. Spatiotemporal dynamics of land and water resources matching of cultivated land use based on micro scale in Naoli River Basin[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 185?194

[7] 郭艷. 面向生態(tài)系統(tǒng)服務(wù)的水土資源優(yōu)化配置研究——以鄭州市為例[D]. 鄭州: 鄭州大學(xué), 2016 GUO Y. The research of ecosystem service-oriented optimal allocation of land and water resources —A case study of Zhengzhou City[D]. Zhengzhou: Zhengzhou University, 2016

[8] 劉焱序, 傅伯杰, 王帥, 等. 從生物地理區(qū)劃到生態(tài)功能區(qū)劃——全球生態(tài)區(qū)劃研究進(jìn)展[J]. 生態(tài)學(xué)報, 2017, 37(23): 7761?7768 LIU Y X, FU B J, WANG S, et al. From biogeography to ecological function: Progress and prospect of global ecological regionalization research[J]. Acta Ecologica Sinica, 2017, 37(23): 7761?7768

[9] 閆雪, 孟德坤, 陳迪桃, 等. 基于生態(tài)系統(tǒng)服務(wù)的中亞水土熱資源匹配度時空變化特征[J]. 應(yīng)用生態(tài)學(xué)報, 2020, 31(3): 794?806 YAN X, MENG D K, CHEN D T, et al. Spatio-temporal characteristics of the matching degree of water, soil, and heat resources based on ecosystem services in Central Asia[J]. Chinese Journal of Applied Ecology, 2020, 31(3): 794?806

[10] 高江波, 黃姣, 李雙成, 等. 中國自然地理區(qū)劃研究的新進(jìn)展與發(fā)展趨勢[J]. 地理科學(xué)進(jìn)展, 2010, 29(11): 1400?1407 GAO J B, HUANG J, LI S C, et al. The new progresses and development trends in the research of physio-geographical regionalization in China[J]. Progress in Geography, 2010, 29(11): 1400?1407

[11] PARK Y S, CéRéGHINO R, COMPIN A, et al. Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters[J]. Ecological Modelling, 2003, 160(3): 265?280

[12] GAO Y, FENG Z, WANG Y, et al. Clustering urban multifunctional landscapes using the self-organizing feature map neural network model[J]. Journal of Urban Planning and Development, 2014, 140(2): 05014001

[13] PENG J, MA J, YUAN Y, et al. Integrated urban land-use zoning and associated spatial development: Case study in Shenzhen, China[J]. Journal of Urban Planning and Development, 2015, 141(4): 05014025

[14] FEI D Q, CHENG Q, MAO X F, et al. Land use zoning using a coupled gridding-self-organizing feature maps method: A case study in China[J]. Journal of Cleaner Production, 2017, 161: 1162?1170

[15] 李慧蕾, 彭建, 胡熠娜, 等. 基于生態(tài)系統(tǒng)服務(wù)簇的內(nèi)蒙古自治區(qū)生態(tài)功能分區(qū)[J]. 應(yīng)用生態(tài)學(xué)報, 2017, 28(8): 2657?2666 LI H L, PENG J, HU Y N, et al. Ecological function zoning in Inner Mongolia Autonomous Region based on ecosystem service bundles[J]. Chinese Journal of Applied Ecology, 2017, 28(8): 2657?2666

[16] 毛祺, 彭建, 劉焱序, 等. 耦合SOFM與SVM的生態(tài)功能分區(qū)方法——以鄂爾多斯市為例[J]. 地理學(xué)報, 2019, 74(3): 460?474 MAO Q, PENG J, LIU Y X, et al. An ecological function zoning approach coupling SOFM and SVM: A case study in Ordos[J]. Acta Geographica Sinica, 2019, 74(3): 460?474

[17] PENG J, HU X X, QIU S J, et al. Multifunctional landscapes identification and associated development zoning in mountainous area[J]. Science of the Total Environment, 2019, 660: 765?775

[18] 馮喆, 蔣洪強, 盧亞靈. 基于大數(shù)據(jù)方法和SOFM聚類的中國經(jīng)濟—環(huán)境綜合分區(qū)研究[J]. 地理科學(xué), 2019, 39(2): 242?251 FENG Z, JIANG H Q, LU Y L. China’s economic-environment comprehensive zoning based on big data method and SOFM clustering[J]. Scientia Geographica Sinica, 2019, 39(2): 242?251

[19] 黃姣, 高陽, 趙志強, 等. 基于GIS與SOFM網(wǎng)絡(luò)的中國綜合自然區(qū)劃[J]. 地理研究, 2011, 30(9): 1648?1659 HUANG J, GAO Y, ZHAO Z Q, et al. Comprehensive physiographic regionalization of China using GIS and SOFM neural network[J]. Geographical Research, 2011, 30(9): 1648?1659

[20] PETROV G N, NORMATOV I S. Conflict of interests between water users in the Central Asian region and possible ways to its elimination[J]. Water Resources, 2010, 37(1): 113–120

[21] YANG P, CHEN Y N. An analysis of terrestrial water storage variations from GRACE and GLDAS: The Tianshan Mountains and its adjacent areas, Central Asia[J]. Quaternary International, 2015, 358: 106?112

[22] LUO G P, AMUTI T, ZHU L, et al. Dynamics of landscape patterns in an inland river delta of Central Asia based on a cellular automata-markov model[J]. Regional Environmental Change, 2014, 15(2): 277?289

[23] SORG A, MOSELLO B, SHALPYKOVA G, et al. Coping with changing water resources: The case of the Syr Darya river basin in Central Asia[J]. Environmental Science & Policy, 2014, 43: 68?77

[24] 鄧海軍, 陳亞寧. 中亞天山山區(qū)冰雪變化及其對區(qū)域水資源的影響[J]. 地理學(xué)報, 2018, 73(7): 1309?1323 DENG H J, CHEN Y N. The glacier and snow variations and their impact on water resources in mountain regions: A case study in Tianshan Mountains of Central Asia[J]. Acta Geographica Sinica, 2018, 73(7): 1309?1323

[25] 鄧銘江, 龍愛華. 中亞各國在咸海流域水資源問題上的沖突與合作[J]. 冰川凍土, 2011, 33(6): 1376?1390 DENG M J, LONG A H. Water resources issue among the Central Asian countries around the Aral Sea: Conflict and cooperation[J]. Journal of Glaciology and Geocryology, 2011, 33(6): 1376?1390

[26] 姚海嬌, 周宏飛, 蘇風(fēng)春. 從水土資源匹配關(guān)系看中亞地區(qū)水問題[J]. 干旱區(qū)研究, 2013, 30(3): 391?395 YAO H J, ZHOU H F, SU F C. Water problems based on spatial matching patterns of water and land resources in Central Asia[J]. Arid Zone Research, 2013, 30(3): 391?395

[27] 何理, 王喻宣, 尹方平, 等. 全球氣候變化影響下中亞水土資源與農(nóng)業(yè)發(fā)展多元匹配特征研究[J]. 中國科學(xué): 地球科學(xué), 2020, 50(9): 1268?1279 HE L, WANG Y X, YIN F P, et al. The multivariate matching properties among water and soil resources and agricultural development in Central Asia under global climate change[J]. Scientia Sinica Terrae, 2020, 50(9): 1268?1279

[28] WEI S G, DAI Y J, DUAN Q Y, et al. A global soil data set for earth system modeling[J]. Journal of Advances in Modeling Earth Systems, 2014, 6(1): 249?263

[29] DE GROOT R S, WILSON M A, BOUMANS R M J. A typology for the classification, description and valuation of ecosystem functions, goods and services[J]. Ecological Economics, 2002, 41(3): 393?408

[30] PAULA B M, OSCAR M N. Land-use planning based on ecosystem service assessment: A case study in the Southeast Pampas of Argentina[J]. Agriculture, Ecosystems & Environment, 2012, 154: 34?43

[31] CARRE?O L, FRANK F C, VIGLIZZO E F. Tradeoffs between economic and ecosystem services in Argentina during 50 years of land-use change[J]. Agriculture, Ecosystems & Environment, 2012, 154: 68?77

[32] 張立偉, 傅伯杰, 呂一河, 等. 基于綜合指標(biāo)法的中國生態(tài)系統(tǒng)服務(wù)保護有效性評價研究[J]. 地理學(xué)報, 2016, 71(5): 768?780 ZHANG L W, FU B J, Lü Y H, et al. The using of composite indicators to assess the conservational effectiveness of ecosystem services in China[J]. Acta Geographica Sinica, 2016, 71(5): 768?780

[33] 陳峰, 李紅波, 張安錄. 基于生態(tài)系統(tǒng)服務(wù)的中國陸地生態(tài)風(fēng)險評價[J]. 地理學(xué)報, 2019, 74(3): 432?445 CHEN F, LI H B, ZHANG A L. Ecological risk assessment based on terrestrial ecosystem services in China[J]. Acta Geographica Sinica, 2019, 74(3): 432?445

[34] 歐陽志云, 王如松, 趙景柱. 生態(tài)系統(tǒng)服務(wù)功能及其生態(tài)經(jīng)濟價值評價[J]. 應(yīng)用生態(tài)學(xué)報, 1999, 10(5): 635?639 OUYANG Z Y, WANG R S, ZHAO J Z. Ecosystem services and their economic valuation[J]. Chinese Journal of Applied Ecology, 1999, 10(5): 635?639

[35] IRISARRI J G N, OESTERHELD M, PARUELO J M, et al. Patterns and controls of above-ground net primary production in meadows of Patagonia. A remote sensing approach[J]. Journal of Vegetation Science, 2012, 23(1): 114?126

[36] 余新曉, 吳嵐, 饒良懿, 等. 水土保持生態(tài)服務(wù)功能評價方法[J]. 中國水土保持科學(xué), 2007, 5(2): 110?113 YU X X, WU L, RAO L Y, et al. Assessment methods of ecological functions of soil and water conservation measures[J]. Science of Soil and Water Conservation, 2007, 5(2): 110?113

[37] SIDLE R C, ZIEGLER A D, NEGISHI J N, et al. Erosion processes in steep terrain —Truths, myths, and uncertainties related to forest management in Southeast Asia[J]. Forest Ecology and Management, 2006, 224(1/2): 199?225

[38] SANNIGRAHI S, ZHANG Q, JOSHI P K, et al. Examining effects of climate change and land use dynamic on biophysical and economic values of ecosystem services of a natural reserve region[J]. Journal of Cleaner Production, 2020, 257: 120424

[39] POSTEL S L, THOMPSON JR B H. Watershed protection: Capturing the benefits of nature’s water supply services[J]. Natural Resources Forum, 2005, 29(2): 98?108

[40] 嚴(yán)恩萍, 林輝, 黨永峰, 等. 2000—2012年京津風(fēng)沙源治理區(qū)植被覆蓋時空演變特征[J]. 生態(tài)學(xué)報, 2014, 34(17): 5007?5020 YAN E P, LIN H, DANG Y F, et al. The spatiotemporal changes of vegetation cover in Beijing-Tianjin sandstorm source control region during 2000–2012[J]. Acta Ecologica Sinica, 2014, 34(17): 5007?5020

[41] KOHONEN T. Self-organizing neural projections[J]. Neural Networks, 2006, 19(6/7): 723?733

[42] KOHONEN T. Essentials of the self-organizing map[J]. Neural Networks, 2013, 37: 52?65

[43] KENNEDY J, EBERHART R C. Particle swarm optimization[J]. IEEE International Conference on Neural Networks, 1995, 4: 1942?1948

[44] 呂強, 俞金壽. 基于粒子群優(yōu)化的自組織特征映射神經(jīng)網(wǎng)絡(luò)及應(yīng)用[J]. 控制與決策, 2005, 20(10): 1115?1119 LYU Q, YU J S. Self-organizing feature map neural network based on particle swarm optimizer and its application[J]. Control and Decision, 2005, 20(10): 1115?1119

[45] BAILEY R G. Identifying ecoregion boundaries[J]. Environmental Management, 2005, 34(S1): S14?S26

[46] GAUTHEIR T D. Detecting trends using spearman’s rank correlation coefficient[J]. Environmental Forensics, 2001, 2(4): 359?362

[47] LIU C Y, DONG X F, LIU Y Y. Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu, China[J]. CATENA, 2015, 125: 190?199

[48] JIAO L, AN W M, LI Z S, et al. Regional variation in soil water and vegetation characteristics in the Chinese Loess Plateau[J]. Ecological Indicators, 2020, 115: 106399

[49] FAO (Food and Agriculture Organization of the United Nations). Soil permeability[EB/OL]. Rome: FAO. [2020-05-04]. http://www.fao.org/tempref/FI/CDrom/FAO_Training/FAO_Training/General/x6706e/x6706e09.htm

[50] CHOAT B, JANSEN S, BRODRIBB T J, et al. Global convergence in the vulnerability of forests to drought[J]. Nature, 2012, 491(7426): 752?756

[51] 何楷迪, 孫建, 陳秋計. 氣候要素和土壤質(zhì)地對青藏高原草地凈初級生產(chǎn)力和降水利用率的影響[J]. 草業(yè)科學(xué), 2019, 36(4): 1053?1065 HE K D, SUN J, CHEN Q J. Response of climate and soil texture to net primary productivity and precipitation-use efficiency in the Tibetan Plateau[J]. Pratacultural Science, 2019, 36(4): 1053?1065

[52] SUN J, DU W P. Effects of precipitation and temperature on net primary productivity and precipitation use efficiency across China’s grasslands[J]. GIScience & Remote Sensing, 2017, 54(6): 881?897

[53] 胡中民, 于貴瑞, 王秋鳳, 等. 生態(tài)系統(tǒng)水分利用效率研究進(jìn)展[J]. 生態(tài)學(xué)報, 2009, 29(3): 1498?1507 HU Z M, YU G R, WANG Q F, et al. Ecosystem level water use efficiency: A review[J]. Acta Ecologica Sinica, 2009, 29(3): 1498?1507

[54] ZHANG Y W, DENG L, YAN W M, et al. Interaction of soil water storage dynamics and long-term natural vegetation succession on the Loess Plateau, China[J]. CATENA, 2016, 137: 52?60

[55] HUXMAN T E, SNYDER K A, TISSUE D, et al. Precipitation pulses and carbon fluxes in semiarid and arid ecosystems[J]. Oecologia, 2004, 141(2): 254?268

[56] FU Q, LI B, HOU Y, et al. Effects of land use and climate change on ecosystem services in Central Asia’s arid regions: A case study in Altay Prefecture, China[J]. Science of the Total Environment, 2017, 607/608: 633?646

[57] 楊勝天, 于心怡, 丁建麗, 等. 中亞地區(qū)水問題研究綜述[J]. 地理學(xué)報, 2017, 72(1): 79?93 YANG S T, YU X Y, DING J L, et al. A review of water issues research in Central Asia[J]. Acta Geographica Sinica, 2017, 72(1): 79?93

[58] QIU L, WEI X R, ZHANG X C, et al. Soil organic carbon losses due to land use change in a semiarid grassland[J]. Plant and Soil, 2012, 355(1/2): 299?309

[59] PEREIRA L S, PAREDES P, CHOLPANKULOV E D, et al. Irrigation scheduling strategies for cotton to cope with water scarcity in the Fergana Valley, Central Asia[J]. Agricultural Water Management, 2009, 96(5): 723?735

[60] CHEN X, BAI J, LI X Y, et al. Changes in land use/land cover and ecosystem services in Central Asia during 1990? 2009[J]. Current Opinion in Environmental Sustainability, 2013, 5(1): 116?127

[61] LOVELAND T R, MERCHANT J M. Ecoregions and ecoregionalization: Geographical and ecological perspectives[J]. Environmental Management, 2004, 34(Suppl 1): S1?S13

Regionalization of the matching degree of water, soil, and heat resources in Central Asia based on ecosystem services using PSO-SOFM neural network*

YAN Xue1,2,3, HUANG Farong1,2,3,4, LI Qian1,2,3,4, ZHOU Hongfei1,3,5, LI Lanhai1,2,3,4**

(1. State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China; 2. Ili Station for Watershed Ecosystem Research, Chinese Academy of Sciences, Xinyuan 835800, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China; 4. Research Centre for Ecology and Environment of Central Asia, Chinese Academy of Sciences / Xinjiang Key Laboratory of Water Cycle and Utilization in Arid Zone, Urumqi 830011, China; 5. Fukang Station of Desert of Ecology, Chinese Academy of Sciences, Fukang 831505, China)

Regionalization of the matching degree of water, soil, and heat resources is of great significance for regional agricultural planning. The long-term unreasonable management of water, soil, and heat resources has caused regional resource shortages and environmental problems in Central Asia, which seriously threatens agricultural production in this region. However, few studies have investigated the regionalization patterns of the matching degree of water, soil, and heat resources in Central Asia. In this study, the spatio-temporal patterns of four ecosystem services, including vegetation carbon sequestration, soil conservation, water supply and conservation, and biodiversity conservation, were quantified by usingremote sensing data. Combined with the Particle Swarm Optimization (PSO) and Self-Organizing Feature Map (SOFM) neural network, the regionalization of the matching degree of water, soil, and heat resources was examined. The relationships among various eco-environmental factors of different matching degree zones were assessed using Spearman’s rank correlation analysis. The effects of temperature and precipitation on ecosystem services in Central Asia were analyzed by using partial correlation analysis. The results showed that the ecosystem services were generally high in the southeast while low in the northwest, decreasing from the mountains to the oases and the deserts. The four ecosystem services showed different degrees of change from 2000 to 2015 in Central Asia. Areas with significantly reduced vegetation carbon sequestration and soil conservation accounted for 84.81% and 84.82% of Central Asia, respectively, and areas with significantly reduced water supply and conservation and biodiversity conservation accounted for 69.48% and 19.8% of Central Asia, respectively. However, the ecosystem services from water supply and conservation and biodiversity conservation increased in some areas.The PSO-SOFM neural network model performed well in the regionalization of the matching degree of water, soil, and heat resources in Central Asia. The matching degree of water, soil, and heat resources in Central Asia can be divided into five categories with 21 sub-categories according to the patterns of ecosystem services. At the spatial scale, there were significant differences in the ecosystem services among different matching degree zones. Precipitation was the most important limiting factor affecting the ecosystem service values and matching degree, whereas the effects of temperature and soil properties were less important. At the temporal scale, the areas with a significant positive correlation between precipitation and ecosystem services were larger. The significant effect of temperature on ecosystem service values was mainly concentrated in ecological sensitive zone of northern Kazakh steppe and semi-desert, ecological fragile zone of desert in Central Asia, ecological sensitive zone of central semi-desert in Central Asia and ecological sensitive zone of semi-desert in Badghyz and Karabil. In other regions, temperature and precipitation were not the main factors affecting ecosystem services. Changes in the ecosystem service values may be related to land use types. Combined with the ecological and geographical conditions of different matching degree zones, this study provides useful information for the development and utilization of water and land resources, agriculture and animal husbandry development, and environmental protection in Central Asia.

Water, soil and heat resources; Ecosystem services; PSO-SOFMneural network; Matching degree regionalization; Central Asia

10.13930/j.cnki.cjea.200412

閆雪, 黃法融, 李倩, 周宏飛, 李蘭海. 基于生態(tài)系統(tǒng)服務(wù)和PSO-SOFM神經(jīng)網(wǎng)絡(luò)的中亞水土熱資源匹配分區(qū)[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(中英文), 2021, 29(2): 241-255

YAN X, HUANG F R, LI Q, ZHOU H F, LI L H. Regionalization of the matching degree of water, soil, and heat resources in Central Asia based on ecosystem services using PSO-SOFM neural network[J]. Chinese Journal of Eco-Agriculture, 2021, 29(2): 241-255

X37

* 中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(XDA2004030202)和中國科學(xué)院“西部青年學(xué)者”B類項目(2016-QNXZ-B-13)資助

李蘭海, 主要從事流域水文與生態(tài)系統(tǒng)研究。E-mail: lilh@ms.xjb.ac.cn

閆雪, 主要從事資源生態(tài)學(xué)研究。E-mail: yanxue171@mails.ucas.ac.cn

2020-06-02

2020-09-15

* The study was supported by the Strategic Priority Research Program of Chinese Academy of Sciences (XDA2004030202), and the West Light Foundation of Chinese Academy of Sciences (2016-QNXZ-B-13).

, E-mail: lilh@ms.xjb.ac.cn

Jun. 2, 2020;

Sep. 15, 2020