在土地利用和气候变化的压力下，对阿比贾塔-沙拉湖国家公园的生态系统动态与服务进行建模

《Environmental Challenges》：Modeling Ecosystem Dynamics and Services in Abijata-Shalla Lakes National Park under Pressures from Land Use and Climate Change

　　Berhanu Berga Dadi | Tshepiso Mangani | Lesego Khomo
南非大学农业与环境科学学院环境科学系，佛罗里达1710，南非

**摘要**
土地利用和土地覆盖变化（LULCC）以及气候变化是半干旱保护区生态系统退化的关键驱动因素，然而它们对生物多样性和生态系统服务的综合影响很少在综合框架内进行评估。本研究开发了一个物种调整栖息地质量（SAHQ）指数，该指数结合了物种分布模型（MaxEnt）、栖息地质量模型（InVEST）和水量模型，以评估埃塞俄比亚Abijata-Shalla湖泊国家公园的生态系统动态和保护优先级。利用CA-Markov模型分析了1994年至2024年的历史LULCC变化，并对未来（2054年）进行了预测；同时，在当前和预测的气候情景下对重点水鸟物种的分布进行了建模。结果表明栖息地质量显著下降，物种丰富度减少，其中土地利用变化占主要影响（68%），其次是气候变化（22%），以及两者之间的相互作用（10%）。水量表现出明显的空间变异性，反映了水文过程对植被和气候相互作用的敏感性。SAHQ框架显示高优先级保护区域显著缩小，在未来条件下几乎完全丧失。

模型性能和优先级结果通过多指标验证框架进行评估，包括曲线下面积（AUC）、真实技能统计量（TSS）、遗漏率、空间交叉验证、基于现场的栖息地评估以及专家评价。结果表明模型具有较高的可靠性，并且在各种验证方法中空间一致性良好。所提出的框架为结合生物多样性和生态系统服务评估提供了一个透明且可重复的工具，有助于在数据有限的半干旱地区进行基于证据的生态保护规划。SAHQ指数对权重方案的变化具有很强的鲁棒性（Kendall’s W = 0.89），证实了其在生态保护优先级评估中的可靠性。

**1. 引言**
全球的保护区正面临着气候变化和土地利用/土地覆盖变化（LULCC）带来的日益增加的压力。这种情况在功能性冗余较低、水文系统敏感且资源竞争激烈的半干旱生态系统中尤为明显（Geldmann等人，2019年；Hansen等人，2014年）。尽管这些趋势在全球范围内普遍存在，但东非大裂谷的半干旱地区还面临着气候变异性、LULCC和水资源竞争的额外挑战（Ali等人，2021年；Defries等人，2007年）。在不同类型的保护区内，有一个共同的生态驱动因素，即土地转化过程，该过程通过三个相关机制发生：
- **临界点效应**：随着土地利用的逐渐变化，最终会达到一个临界点，当土地连接低于临界值时，生物多样性将突然丧失（Haddad等人，2015年）；
- **累积效应**：气候变化加剧了局部土地转化压力（Mantyka-Pringle等人，2013年）；
- **反馈效应**：退化的生态系统对进一步干扰的抵抗力降低（Folke等人，2005年）。

半干旱地区的国家公园由于三个叠加因素而独特地应对气候和土地利用压力：
- **孤岛效应**：严格的法定边界阻碍了物种的迁移（Geldmann等人，2019年；Hansen等人，2014年）；
- **破碎化障碍**：限制了保护区与周围景观之间的基因流动（Haddad等人，2015年）；
- **海拔限制**：高海拔公园受到的变暖影响加剧，敏感物种缺乏向上迁移的途径（Mantyka-Pringle等人，2013年）。因此，像多年干旱这样的气候冲击与入侵压力相结合，形成了在人为管理的景观中不存在的脆弱性循环（例如，灌溉、作物转换等技术缓冲可以缓解影响，Folke等人，2005年）。

土地利用和覆盖变化（LUCC）及气候变化通过物候变化、栖息地适宜性改变和功能多样性修改影响动物（Fialas等人，2025年）。我们确定了三种不同的响应类型：
- **种群动态**（种群变化或人口统计学），这需要纵向计数数据；
- **栖息地适宜性**（环境的适宜性），通过SDM如MaxEnt进行估计；
- **分布变化**（范围改变），在不同气候情景下使用SDM进行预测（Phillips等人，2017年）。本研究使用MaxEnt算法来模拟栖息地适宜性。虽然无法从这些结果中评估种群动态或人口统计率，但我们在讨论中提到了这一点。

ASLNP位于埃塞俄比亚裂谷景观中，具有特殊地位。与高海拔的国家公园（如以非洲高山系统为主的Bale Mountains国家公园）或低洼的国家公园（如以周期性泛滥平原为特征的Nech Sar国家公园）不同，ASLNP包含两个高盐度碱性湖泊（Abijata湖和Shalla湖）、金合欢林地以及季节性湿地，这些湿地栖息着特有物种和迁徙水鸟（Kebede等人，1994年）。湖泊与陆地生态系统之间的相互作用形成了一个特殊的生态水文循环，湖水水位影响地下水补给，从而调节进入湖泊的沉积物量（Ayalew等人，2024年）。因此，ASLNP既是高价值的生物多样性热点，也是一个对上游土地利用和气候变化引起的外部水文扰动高度敏感的脆弱生态水文系统。ASLNP的年降雨量变化很大（变异系数=35%，呈现双峰分布（短雨季：3月至5月；长雨季：6月至9月），导致湖水水位季节性变化达1-3米（Belete等人，2016年；Segele和Lamb，2005年；Ayalew等人，2024年）。Abijata湖（碱性，pH 9.6-10.2）富含浮游植物和无脊椎动物，为火烈鸟提供了重要的食物来源；而盐度较高的Shalla湖则栖息着独特的鹈鹕和鹳类（Kebede等人，1994年）。

多项研究将ASLNP描述为“名义上的保护区”（Teferra和Beyene，2014年），这意味着该区域没有得到法律认可，而是法律认可与实际生态状况之间存在差距。更具体地说，这表现为：
- 无法有效执行关于非法放牧和水资源开采的法规（Yadeta等人，2022年）；
- 规管水资源、野生动物和土地利用管理的机构存在碎片化（Jibat等人，2024年）；
- 尽管受到法律保护，实际生态环境仍在退化（Negese，2021年）。

多项研究表明，包括耕作活动和人类定居在内的人为活动通过清除植被、土壤压实和火灾制度的变化导致植被退化，这些影响在气候压力下加剧（Dehghan Rahimabadi和Azarnivand，2023年；Buonincontri等人，2023年）。在ASLNP，这些干扰导致鸟类多样性下降，特别是食虫鸟和食谷物鸟类受到严重影响，而在退化区域则导致食蜜鸟消失（Debie等人，2022年）。此外，土地利用类型从灌木丛、草原、森林到湿地的变化导致该地区地表温度升高（Abdela，2021年）。

我们关注水量和栖息地质量，原因有三点：
- **与利益相关者的相关性**：通过利益相关者访谈和公园管理文件，我们发现野生动物、牲畜和下游用水的水量是最具争议性和政策相关性的生态系统服务（Jibat等人，2024年）；
- **对土地覆盖的敏感性**：半干旱地区对土地覆盖变化非常敏感，这意味着水量可以作为生态系统状态的早期指标（Admasu等人，2023年）；
- **数据的可用性**：尽管没有可靠的空间数据可用于碳储存或放牧压力的评估，但水文学和土地覆盖数据足以用于模型输入。

在本研究中，填补了当前综合框架中的三个空白：
- **动态耦合**：虽然SDM-InVEST叠加框架在文献中较为常见（Sharp等人，2020年；Wu等人，2021年），但我们开发了SAHQ框架，该框架动态地考虑了半干旱湖泊中生物多样性、栖息地质量和水文功能之间的耦合机制；
- **对未来的预测**：当前的综合框架主要关注随时间的变化，但缺乏对未来的预测；我们使用CA-Markov土地变化模型和SSP5-8.5气候情景对保护优先区域进行了预测；
- **严格的验证**：当前的保护优先级方法很少使用严格的验证和多个指标（Fielding和Bell，1997年）；在本研究中，我们使用了多种验证指标（AUC、TSS、空间交叉验证）和敏感性分析来制定指数。

**2. 材料与方法**
2.1. 研究区域
Abijata-Shalla湖泊国家公园成立于1972年，占地887平方公里，包括水域（482平方公里）和陆地生态系统，位于埃塞俄比亚裂谷中部（7°30′N, 38°30′E），海拔1,540至2,075米（Bezu，2020年）。ASLNP由半干旱的金合欢林地、灌木丛和开阔平原组成，是453种鸟类的栖息地，其中包括6种特有物种（Kebede等人，1994年）。年降雨量变化很大（变异系数=35%，呈双峰分布），导致湖泊水位季节性变化1-3米（Ayalew等人，2024年）。Abijata湖（碱性，pH 9.6-10.2）富含浮游植物和无脊椎动物，为火烈鸟提供了理想的觅食条件；而盐度较高的Shalla湖则吸引鹈鹕和鹳类（Gasse，2006年）。周边湿地的周期性洪水形成了依赖于水文连通性的繁殖地，维持了物种多样性（Gashaw等人，2018年）。这些梯度决定了需要纳入SDM和水量模型的水文参数。

**2.2. 数据来源与预处理**
编译了1994年至2024年及预测至2054年的综合性空间数据集。利用USGS Earth Explorer网站提供的图像，我们从Landsat TM、Landsat ETM+和Landsat OLI/TIRS图像中生成了1994年、2004年、2014年和2024年的LULC地图。所有卫星图像均选取自1月至2月云层较少的时段，并在分类前进行了大气校正。
土地覆盖分类使用Google Earth Engine提供的Classification and Regression Trees（CART）算法（Breiman等人，2017年）进行。CART是一种非参数决策树分类器，通过迭代分割特征空间生成同质子集，分割依据是杂质标准（如基尼指数或熵）。CART适用于异质性强的半干旱环境，特别是当湿地和裸土等土地覆盖类别的光谱特征无法线性分离时（Breiman等人，2017年；Wenjing等人，2016年）。

选择CART算法进行分类的四个重要理由是：
- 它不假设数据的任何参数分布，这使得算法在高度异质性的环境中仍能高效运行，因为半干旱环境中的光谱反射值很少呈正态分布；
- 它能够通过层次化二分法解决湿地和裸土等类别之间的光谱混淆问题；
- 它提供了可由专家确认的明确决策规则；
- 它允许使用替代分割方法来衡量每个变量的重要性。

数据按默认的CART参数设置分为80%用于训练，20%用于验证。所有四个时间段的训练地点和光谱波段（B1、B2、B3、B4、B5和B7）保持一致。所有四张LULC地图的整体分类准确率都很高，具体数值如下：1994年（OA=98.7%，Kappa=0.983）；2004年（OA=95.9%，Kappa=0.948）；2014年（OA=92.8%，Kappa=0.910）；2024年（OA=95.4%，Kappa=0.941）。所有数值均超过85%的阈值，适用于生态相关建模应用中的土地覆盖分类（Yimer等人，2024年）。所有LULC类别的生产者准确率和用户准确率见表3。

未来LULC预测使用QGIS MOLUSCE插件中的元胞自动机-Markov链方法生成，并根据1994年至2014年的转换进行了校准，并用2024年的LULC数据进行了验证。CA-Markov模型与2024年LULC地图的验证结果显示整体准确率为95.4%（Kappa=0.941，见表4）。验证参考数据是通过分析Google Earth上的高分辨率卫星图像提取的，在无法进行现场观察的情况下使用遥感准确性评估的标准程序（Foody，2002年；Congalton和Green，2008年）。

CA-Markov模型要求土地利用转换的概率是稳定的，但在气候变化快速的情况下这可能并不总是成立（Malanson，2005年）。这一限制通过使用一致性最高的时段（即1994年至2014年）来校准模型得以克服。此外，还考虑了其他因素，如气候（最高温度、最低温度、降雨量和水汽）、地形（数字高程模型和坡度）以及人为因素（道路密度和与居民区的距离），以便通过MOLUSCE框架推动土地利用变化。目标水鸟（非洲涉禽、大火烈鸟、小红鹳、大白鹈鹕和非洲秃鹳）的物种存在数据是通过全球生物多样性信息网络（GBIF）获得的。GBIF的存在数据显示，在空间分布上存在采样偏差，偏向于容易到达的区域。采用了两种方法来减轻这种偏差：（i）空间过滤：移除1公里范围内的重复点以减少空间自相关性（Boria等人，2014年）；（ii）目标组背景：从研究区域内所有水鸟的存在数据中创建背景点（Phillips等人，2009年）。这些偏差校正程序的有效性通过模型性能指标和空间块交叉验证进行评估，所有最终模型的预测准确性都很高（AUC > 0.85，TSS > 0.60；遗漏率< 15%；见补充表S4）。当前条件（1970-2000年）和未来预测条件（SSP5-8.5，2041-2060年）的气候数据来源于WorldClim v2.1，分辨率为30弧秒。所有数据集均已标准化为30米的分辨率，并重新投影到WGS 84 UTM Zone 37N投影中。30米的分辨率不仅使我们能够与卫星图像的LULC地图保持兼容，还能捕捉到与物种景观属性相关的关键元素，如湿地边缘结构、河岸缓冲区和农业入侵的距离（Heumann等人，2011年；Radosavljevic和Anderson，2014年）。

2.3. 建模框架
图2. 综合建模框架的流程图，展示了气候、土地利用、物种分布、栖息地质量和水产量之间的因果路径。

2.3.1. 概念框架
这种“物种调整后栖息地质量”（SAHQ）指标涉及三个相互关联的过程流：（1）气候→物种分布：生物气候因素通过生理和资源供应影响栖息地质量（Phillips等人，2017年）；（2）土地利用→栖息地质量：人类活动造成的威胁影响栖息地质量，从而影响物种分布（Terrado等人，2016年）；（3）土地利用/气候→水产量：植被覆盖和降雨量影响水产量，进而影响湿地栖息地的可用性（Admasu等人，2023年）。这些变量之间的关系通过一种综合方法纳入SAHQ指标中，该方法对生物多样性（SDM输出）赋予更高权重，因为生物多样性对气候和人为因素都很敏感（Geldmann等人，2019年）。

2.3.2. 物种分布建模
物种分布模型是基于最大熵建模（MaxEnt v3.4.4）（Phillips等人，2006年）得出的。使用MaxEnt生成了目标水鸟物种的出现地图，这是一种处理仅有存在数据时的成熟方法，即使在样本量小和环境关系非线性的情况下也能有效工作（Phillips等人，2017年；Tatian等人，2025年；Bosso等人，2026年）。根据相关性分析（|r| < 0.8）及其生态重要性，选择了六个生态相关的生物气候层。对于水鸟来说，考虑了以下具有水文重要性的层：BIO13和BIO14（降水季节性）影响湿地出现；BIO5和BIO6（温度极端）影响体温调节；BIO12（总降水量）与初级生产有关（Fialas等人，2025年；Flesch，2023年）。每种物种使用特定层的生态合理性在补充表S1中进行了说明。所有模型都基于10,000个随机背景点，25%的存在记录被保留用于模型验证。模型评估结合了四个指标：（i）ROC曲线下面积（AUC）；（ii）真技能统计量（TSS），该指标考虑了普遍性值且不依赖于阈值选择（Allouche等人，2006年）；（iii）第10百分位阈值下的遗漏率；以及（iv）涉及五折分析的空间块交叉验证，以评估环境空间的转移能力（Roberts等人，2017年）。所有模型的AUC得分均超过0.85，TSS得分超过0.60，遗漏率低于15%。这表明所有测试模型的性能都很强（见补充表S4）。二进制预测使用第10百分位训练存在阈值进行（Heumann等人，2011年；Bosso等人，2018年）。使用杰克刀测试和排列重要性评估变量贡献，完整结果见补充表S2。

2.3.3. 生态系统服务建模
使用InVEST套件（v3.9.0）来评估栖息地质量和水产量生态系统服务（Terrado等人，2016年）。
栖息地质量模型：通过评估与人类干扰的接近程度和严重性相关的人为压力来预测栖息地退化（Wu等人，2021年）。栖息地质量模型以LULC地图为基础，其中人类居住区、农田和道路被视为干扰源。权重因子和最大影响距离是根据当地专家的意见和文献回顾估计的（Tallis和Polasky，2009年）。InVEST栖息地质量模型的完整参数化，包括输入数据层、威胁参数和栖息地敏感性得分，见补充表S3。根据专家表达的不确定性，进行了±25%的威胁权重变化和±50%的最大影响距离变化的逐个敏感性分析（Hamel和Bryant，2017年）。栖息地质量模型的输出显示，对居住区的权重变化较为敏感（Spearman's ρ = 0.42），而对道路距离的敏感性较低（ρ = 0.18）。最终权重设定为专家征询的中位数。完整的敏感性结果见补充表S5。
水产量模型：基于Budyko曲线和年平均降水量。每个像素的年水产量Y(x)计算公式为（Greene等人，2011年）：(1)Y(x) = (1?AET(x)P(x))·P(x)，其中Y(x) = 年水产量（毫米），AET(x) = 实际蒸散量（毫米），P(x) = 年降水量（毫米）（Ningrum等人，2022年）。InVEST水产量模型假设稳态条件来计算年平均值，从而平滑季节性极端值（Terrado等人，2016年）。这是半干旱系统的一个公认局限性，因为该地区的生态过程受偶发性洪水和干旱的影响（Li等人，2018年）。我们通过以下方式缓解了这一问题：（i）使用长期气候平均值（1970-2000年）表示基线条件；（ii）将水产量变化解释为平均水文制度的变化，而不是事件动态；（iii）在第4.2节中明确讨论了季节性限制。

2.3.4. 地理空间整合和保护优先级制图
所有模型输出（SDM、HQ、WY）在ArcGIS 10.8中集成，生成单一的保护优先级地图。SDM（出现概率）和WY（毫米）输出使用最小-最大归一化方法标准化为0-1的范围：(2)Xnorm = (X ? Xmin) / (Xmax ? Xmin)。HQ输出本质上是0-1范围内的，不需要额外归一化。SAHQ综合指数计算公式为：(3)SAHQ = (0.6×SDMnorm) + (0.3×HQ) + (0.1×WYnorm)。权重因子（0.6、0.3、0.1）是在敏感性测试和与当地保护专家咨询后选定的（Hamel和Bryant，2017年；Greene等人，2011年）。通过运行蒙特卡洛模拟（1,000次重复）并改变生物多样性（0.4-0.8）、栖息地质量（0.1-0.5）和水产量（0.05-0.2）的权重来进行敏感性测试，以确保它们的总和始终等于1.0。基于排名的优先级区域的稳定性非常高（Kendall's W = 0.89；表S7）。SAHQ针对当前和未来情景进行了计算。Jenks自然断点优化技术（Jenks，1967年）被用来将SAHQ得分分类为四个保护重要性等级（低、中、高和非常高）。选择Jenks是因为它：（i）最大化类别间差异（Smith等人，2018年）；（ii）在大型栅格数据集上计算效率较高；（iii）为利益相关者之间的讨论提供了一个客观且可复制的起点。我们注意到其他优化方法（如Marxan）可以考虑成本和连通性因素（Ball等人，2009年）。也测试了基于阈值的分类方法，但与Jenks方法相比，它们的优先级输出在稳定性和空间一致性方面较差（Slocum等人，2022年；e等人，2020年；Brewer等人，2003年）。我们建议在未来的规划阶段使用SAHQ的结果作为这些优化技术的输入。

2.3.5. 变化检测和验证
通过交叉对照2024年和2054年的优先级地图来进行变化检测。每个优先级类别和变化类别的面积计算公式为：(4)Areakm2 = PixelCount × 900 / 1,000,000，其中900平方米表示一个30×30米的像素的面积。为了减少由于SDM输入而可能产生的循环性，使用了以下三种方法进行模型验证：（i）独立存在记录：25%未纳入建模过程的GBIF存在记录被用来比较它们与高优先级的空间重叠情况（Fielding和Bell，1997年）；（ii）现场验证：计算SAHQ方法的优先级排序与45个随机采样地块的栖息地条件得分之间的相关性（r = 0.71，p < 0.001）；（iii）专家验证：对十二位保护专家进行了关于优先级地图生态可行性的调查（平均共识=84%）。这些综合验证方法减少了SDM输入和SAHQ输出之间的循环性，确保了结果的更大独立性和鲁棒性（Roberts等人，2017年；Wenger和Olden，2012年）。

3. 结果
3.1. 栖息地质量、物种丰富度和水产量的时空动态
生态学标准化的测量结果表明，当前年份和2054年情景下的ASLNP存在较高水平的变异性。最高栖息地得分接近1.00，但最低得分略有下降，从0.53降至0.52（图3）。尽管下降幅度看似微小，但从生态学角度来看具有重要意义：（i）背景重要性：这些变化仅限于河岸缓冲区和湿地边缘，这些区域对水鸟至关重要（Gashaw等人，2018年）；（ii）接近阈值：接近0.5的得分标志着InVEST框架中栖息地质量急剧恶化的过渡阶段（Terrado等人，2016年）；（iii）累积效应：关键栖息地的任何小规模损失都可能在景观尺度上导致破碎化（Haddad等人，2015年）。

物种丰富度显著下降。归一化物种丰富度的最大值下降了57.3%（从0.89降至0.38），这是由于高多样性区域的收缩所致，而持续的低最小值（0.007）表明始终存在一些生物多样性的冷点（图4a）。使用因子建模方法区分了气候和土地利用的影响：（i）仅气候：使用未来气候条件和现有LULC的SDM预测；（ii）仅土地利用：使用未来LULC和现有气候条件的SDM预测；（iii）组合：完整的SDM预测。结果表明，土地利用的变化占丰富度下降的68%，气候的变化占22%，它们的相互作用占10%（见补充表S6）。

根据SAHQ指数，生态系统完整性的峰值下降了32.6%（见图4b）。水产量的变化在空间上非常不均匀，范围从-0.999978到+0.986（见图5）。为了检验这是否代表了实际的水文重组，进行了三项分析：（i）质量平衡检查，结果显示流域尺度的水产量变化与降水量-蒸发量差异相符（R2=0.93）；（ii）空间一致性分析，变化发生在生态上有意义的区域（退化的高地表现出更高的径流，而完整的湿地表现出更低的水产量）；（iii）参数敏感性分析，根深和土壤参数的变化导致了变化的大小变化，但没有改变变化的空间分布。

3.2. 保护优先级分类和变化
将SAHQ重新分类为四个等级揭示了公园保护景观的根本重组（表1，图6）。景观结构从高优先级和非常高优先级区域的组合转变为以中等优先级区域为主的景观，这是生态同质化的迹象。这表现为非常高优先级区域的完全丧失（从0.53%降至0%）以及高优先级区域面积减少了90.7%。

表1. 保护优先级分布（当前 vs. 2054年）
优先级类别 当前面积（公顷） 未来面积（公顷） 占公园百分比
低 61.8 30.1 23.1 64.9
中 23,435 19.6 64.9 18.1
高 8,816 16.7 24.4
非常高 192 15.0 0.5

图6.xxxxxxxxxx. 预测中，被划分为“非常高”等级的区域显著减少（从192公顷减少到0公顷），这一结果反映了蒙特卡洛模拟100次迭代后的中位数。该模拟考虑了以下因素的不确定性：（i）土地利用类型（LULC）变化的转换概率（±15%）；（ii）空间分布式模型（SDM）参数值（通过自举法获得95%置信区间）；（iii）InVEST威胁权重（基于专家评估）。2054年时“非常高”等级区域的95%置信区间为0–23公顷。图中展示了公园内优先级丧失、增加和稳定区域的空间分布（见图8）。变化检测（表2；图7）显示，主要的转换类型是从“高”等级变为“中等”等级（代码32），占公园面积的22.5%。占公园面积64.35%的稳定区域（代码22：中等→中等）构成了公园的生物核心，维持了连通性和缓冲能力。

表2. 主要的保护优先级转换（当前→2054年）
转换代码 描述 面积（公顷） 占公园面积的百分比
22 中等→中等 23,240 0.16
32 高→中等 8,131 1.77 22.5
23 高→高 68 2.38 1.89 43
33 非常高→高 134 0.37

表3. Abijata–Shalla湖泊国家公园1994年、2004年、2014年和2024年LULC地图的分类准确性（生产者准确性和用户准确性）

表3a. 1994年的分类准确性
土地覆盖类型 生产者准确性（%） 用户准确性（%）
空白 空白 空白 空白
水域 100.0 100.0
耕作/放牧地 94.3 100.0
林地/灌木丛 100.0 97.9
裸露土地 100.0 97.1
湿地 100.0 100.0
总体准确性 = 98.7%；Kappa系数 = 0.983

混淆矩阵（参考值 vs 分类结果）
水域 耕作 林地 裸露土地 湿地
水域 180 0 0
耕作 0 3 11
林地 0 0 4 6
裸露土地 0 0 3 4
湿地 0 0 0 18

表3b. 2004年的分类准确性
土地覆盖类型 生产者准确性（%） 用户准确性（%）
水域 98.7 98.7
耕作/放牧地 97.7 97.7
林地/灌木丛 96.7 96.7
裸露土地 93.7 89.4
湿地 93.1 96.4
总体准确性 = 95.9%；Kappa系数 = 0.948

混淆矩阵（参考值 vs 分类结果）
水域 耕作 林地 裸露土地 湿地
水域 76 0 10
耕作 0 4 3 10
林地 0 0 8 9
裸露土地 0 10 5
湿地 10 2 8 1

表3c. 2014年的分类准确性
土地覆盖类型 生产者准确性（%） 用户准确性（%）
水域 100.0 100.0
耕作/放牧地 94.7 94.7
林地/灌木丛 87.5 84.0
裸露土地 100.0 89.3
湿地 80.8 95.5
总体准确性 = 92.8%；Kappa系数 = 0.910

混淆矩阵（参考值 vs 分类结果）
水域 100.0 100.0
耕作 90.0 87.1
林地/灌木丛 96.9 96.9
裸露土地 92.9 95.1
湿地 100.0 100.0
总体准确性 = 95.4%；Kappa系数 = 0.941

表3d. 2024年的分类准确性
土地覆盖类型 生产者准确性（%） 用户准确性（%）
水域 100.0 100.0
耕作/放牧地 90.0 87.1
林地/灌木丛 96.9 96.9
裸露土地 92.9 95.1
湿地 100.0 100.0
总体准确性 = 95.4%；Kappa系数 = 0.941

表4. CA-Markov模型验证结果
年份 总体准确性（%） Kappa系数
1994 98.7 0.983
2004 95.9 0.948
2014 92.8 0.910
2024 95.4 0.941

注：CA-Markov模型使用1994年至2014年的LULC转换数据进行校准，并通过2024年的独立LULC地图进行验证。各年的详细类别特定验证指标见补充表3。

表5. 五种水鸟物种的完整性能指标
物种 AUC 可漏测率（%）
非洲朱鹭 0.95 30.7 18.7 1.5
大 flamingo 0.91 60.7 6.3 1.6
小 flamingo 0.90 90.8 4.2 1.7
马勒布鹳 0.93 80.7 7.8 1.5
大白 pelican 0.91 84.5 5.1 1.7

注：AUC值是MaxEnt的单次运行输出，与补充的ROC曲线一致。TSS = 真实技能统计量。所有部分ROC比率在p < 0.01时均具有显著性。

下载：下载高分辨率图像（586KB）
下载：下载全尺寸图像

图7. xxxxxxxxxxxxx
下载：下载高分辨率图像（896KB）
下载：下载全尺寸图像

图8. xxxxxxxxxxxxx

3.3. 中等优先级区域的连通性分析
连通性分析使用Circuitscape模型v4.0进行，中等优先级区域作为节点。分析表明，这些区域在退化之前保持了高价值栖息地之间78%的连通性，成为野生动物迁移的桥梁（Sun等人，2025年）。图表中的指标（介数中心性和节点度）突显了它们在网络中的重要地位。

4. 讨论
4.1. 综合生态衰退
我们的整体方法揭示了ASLNP中的一个脆弱性循环（见图9）。尽管我们的基于相关性的方法无法确定因果关系，但栖息地破坏、水文变化和高等级区域减少的地理对应关系与耦合自然-人类系统中自我加剧的退化理论一致（Folke等人，2004年）。特别是高等级破坏区域与农业活动和抽水之间的关联表明了一个可能的反馈机制：土地利用变化 → 减少水分渗透 → 干季流量减少 → 湿地退化 → 物种丧失 → 生态系统服务下降。

下载：下载高分辨率图像（528KB）
下载：下载全尺寸图像

图9. xxxxxxxxxxxxxxxx

SAHQ指数在三个方面优于其他多标准方法：（i）动态加权：与静态MCDA模型（Greene等人，2011年）不同，SAHQ基于半干旱生态系统脆弱性的敏感性分析使用动态权重；（ii）集成过程：虽然一些研究结合了SDM和InVEST的结果（Sharp等人，2020年；Wu等人，2021年），但SAHQ直接考虑了它们之间的依赖关系（见图2）；（iii）透明的决策过程：Jenks分类使管理者能够轻松区分优先级类别，而优化方法如Marxan则需要专业知识（Watts等人，2009年）。然而，SAHQ也具有所有相关性技术的共同缺点，即无法预测新气候和突然的变化。我们建议将SAHQ作为透明的筛选工具，用于识别需要进一步调查的优先级区域。表6提供了SAHQ与其他常见保护优先级框架的比较概览（Watts等人，2009年）。

表6. 保护优先级框架的比较分析
框架 动态加权 不确定性量化 决策透明度 计算需求 利益相关者可访问性 可扩展性
SAHQ（本研究） ? ? ? ? 低–中等 高
Marxan ? ? ? 中 高
Zonation ? ? ? 中 高
Basic MCDA ? ? ? 低 高

注：动态加权是指基于经验敏感性分析得出的权重，而非静态专家分配。Marxan支持连通性和成本约束，但需要专门的培训和迭代优化。Zonation非常适合大型景观，但需要全面的物种分布数据和高计算资源。SAHQ作为一种快速筛选工具，其输出可以用于Marxan/Zonation进行详细保护区设计。

4.2. 局限性和不确定性
这些局限性包括：（i）模型结构的不确定性：如果由于气候变化条件变化过快，相关SDM的平衡假设可能不合适；（ii）模型参数的敏感性：我们模型中的威胁权重值是通过专家评估估算的，尽管敏感性分析的结果是适度的；（iii）对情景的依赖性：我们的预测依赖于SSP5-8.5情景，即高排放路径，其他情景可能会产生不同的结果；（iv）尺度不匹配：30米的尺度可能无法捕捉水鸟的重要栖息地特征。未来的研究应考虑整合基于过程的模型，如SWAT（Arnold等人，2012年），并使用人口统计数据。

4.3. 保护意义和建议
基于上述发现，我们对ASLNP及其他半干旱公园的管理提出以下建议：
1. 重点干预“高”等级→“中等”等级的转换区域（代码32）：这些区域（占22.5%）已有退化迹象，但仍可恢复。管理活动应包括：（i）通过种植金合欢物种恢复河岸缓冲带，以改善栖息地质量；（ii）在周边农民中推广节水灌溉做法，确保干旱季节的水流；（iii）让志愿者参与监测水鸟的使用情况，以评估SDM的输出。
2. 管理中等优先级区域：通过以下措施确保连通性：（i）禁止在已建立的走廊内放牧；（ii）根据SAHQ地图更新公园分区；（iii）在控制缓冲区的社区中实施生态系统服务支付计划。
3. 改进治理协调：通过成立跨部门管理委员会来解决“纸面上保护区”的问题，这些委员会涵盖水资源、野生动物和土地利用部门。
4. 水量模型验证：由于ASLNP内部和下游都没有永久性的测量站，因此无法使用实际溪流流量和/或地下水位来验证InVEST的水量结果。高质量平衡相关性（R2 = 0.93，表示流域尺度产量与降水量-蒸发量差）是模型内部一致性的检验，但不能作为基于实地数据的经验验证。因此，这些结果最好理解为对气候变化和土地利用变化的相对水文响应，而不是实际的水量。我们强烈建议在ASLNP建立溪流测量站和压力计，以用于未来的模型校准和验证工作。在此之前，任何基于水量预测变化的管理措施都必须辅以适应性监测方法，以纠正模型误差。

5. 结论
本研究采用综合监测方法评估ASLNP生态系统服务和保护需求的时空变化。研究发现预测到2054年生态状况将严重恶化，生物多样性和栖息地质量将大幅下降，极高优先级的保护区域几乎完全丧失。SAHQ指数为保护优先级评估提供了有效的工具，具有87%的预测准确性，并且对不同的权重方案具有很强的抵抗力（Kendall's W = 0.89）。研究强调了半干旱保护区（如ASLNP）受到气候变化和人为因素综合影响的严重性。迫切需要通过积极干预在可恢复的地点制定战略性的保护计划，并保护剩余的区域。这一综合监测框架可以在面临类似条件但缺乏实证数据的地区复制。

作者贡献
Berhanu Berga Dadi：概念化、方法论、形式分析、数据管理、可视化、初稿撰写、项目管理。
Dr. R. Tshepiso Mangani：验证、监督、审阅与编辑。
Dr. Lesego Khomo：验证、监督、审阅与编辑。

作者的伦理责任
所有作者都阅读并遵守了作者指南中描述的伦理义务。

资金
本研究未获得公共、商业或非营利性资助机构的财务支持。

利益冲突
作者声明没有可能影响本文工作的财务或个人利益冲突。

数据可用性
物种出现数据可通过GBIF获取。本研究中使用的环境数据集可从WorldClim、USGS SRTM和OpenStreetMap获取。

代码可用性：研究期间开发的自定义脚本和分析代码可在https://doi.org/10.5281/zenodo.19546344获取。

临床试验编号：不适用。

CRediT作者贡献声明
Berhanu Berga Dadi：撰写、审阅与编辑、初稿撰写、可视化、验证、软件开发、资源管理、方法论研究、资金获取、形式分析、数据管理、概念化。
Tshepiso Mangani：监督、概念化。
Lesego Khomo：监督。