广东省珠江流域景观格局对水质净化服务的影响

王晨茜，张琼锐，张若琪，孙学超，徐颂军

华南师范大学地理科学学院，广东 广州 510631

水质净化服务指流域生态系统通过植被、土壤等生态要素拦截、过滤和吸收地表径流中氮磷营养盐的过程和能力，是最基本的生态服务功能之一（刘洋等，2019）。景观格局的变化通过影响流域生态过程改变进入水体的污染物类型与数量，进而对水质净化服务产生深远影响。快速城市化导致自然覆被退化或消失，使流域生态系统拦截污染物能力降低甚至丧失，水质退化问题突出，这已成为中国流域治理的重点和难点（Zhou et al.，2017）。因此，探讨区域景观格局与水质净化服务之间的响应机理对于优化流域空间结构及提升生态系统服务功能具有重要意义。

目前已有众多研究表明，景观格局变化能够对水质净化服务产生重要影响。Mei et al.（2017）通过情景模拟发现严格的耕地保护政策下景观格局的变化将导致武汉市生态土地退化，进而对水质净化服务产生负面影响。刘怡娜等（2019）基于Spearman秩相关与多元回归分析法研究发现，景观格局与水质净化服务的生态过程联系紧密，景观破碎度与异质性的增加都会削弱水质净化服务。黄斌斌等（2020）研究发现，将其他景观组成转化为湿地能够最大程度提升白洋淀流域的水质净化服务效率。然而现有分析多基于相关分析或多元回归分析等方法衡量景观指标解释度，对空间效应的忽视、最后结果对单一最佳模型过分依赖等特点都降低了分析结果的相对可信度（Whittingham et al.，2006）。此外，对于景观配置的影响研究仍有诸多分歧，有学者发现景观组成是影响水质净化服务的主要因素，景观配置不具有显著影响（Xie et al.，2018）。但也有学者持完全相反的意见（Wu et al.，2019）。

广东省珠江流域跨越区域范围大，由于人为开发强度、经济发展模式以及地形地貌等的不同，地表景观格局呈现出明显的地域性差异，流域水质净化服务功能也呈现显著差异。本文以广东省珠江流域为研究对象，利用InVEST模型中的水质净化模块模拟研究区水质净化服务，以景观指数表征景观格局特征，结合空间误差模型（SEM）与基于AIC的模型选择和多模型推断来探讨水质净化服务的决定性因素，同时辨析景观组成与景观配置影响差异，以期为珠江流域的水质净化服务提升与区域可持续发展提供科学依据。

1 材料与方法

1.1 研究区概况

广东省珠江流域（22°03′—25°31′N，111°10′—115°38′E）指位于广东省境内的珠江水系区域。流域总面积 111400 km2，占广东省国土总面积的61.98%。主要流经粤西云浮、茂名两市，粤北韶关、清远、河源三市和珠江三角洲九市，自东向西经虎门、蕉门、洪奇门、横门、磨刀门、鸡啼门、虎跳门及崖门等八大口门注入南海（图1）。该流域属亚热带季风气候，多年平均降雨量1300—2500 mm，由北向南逐步增多，多年平均温度 19—24 ℃。流域地势北高南低，北部多为山地和丘陵，南部为三角洲冲积平原。上游生态环境较好，植被覆盖度较高，是下游珠三角城市的主要供水源地。下游珠江河口地区（包括珠江三角洲网河区和八大口门地区），主要包括广州、佛山、深圳、东莞、中山、珠海、江门等城市，是广东省的经济、文化和政治中心，经济发达，经济总量约占广东省的80%以上。河口地区河道纵横交错，水资源丰富，但由于城市废污水排放造成污染，存在水质性缺水问题。

1.2 数据来源及处理

本研究中使用的2020年30 m×30 m土地利用数据来源于中国科学院地理科学与资源研究所（http://www.resdc.cn），综合精度达90%以上（刘纪远等，2018）。结合研究区实际情况，将地类合并划分为耕地、林地、草地、水域、城镇用地、湿地、未利用地等7类。数字高程模型（DEM）来自地理空间数据云（https://www.gscloud.cn），空间分辨率为30 m。基于DEM数据在ArcSWAT中生成流域边界范围与流域内水系，并结合水系特征共划分为142个子流域（图1）。降雨数据来自广东地面气候资料年值数据集（http://www.data.cma.cn），在ArcGIS中通过Kriging插值得到降雨栅格数据（30 m）。水质监测站点数据来自广东省生态环境厅（http://gdee.gd.gov.cn/）。

图1 研究区位置及子流域划分Figure 1 Map of the study area location and subwatershed

1.3 研究方法

1.3.1 水质净化功能评估

生态系统中植被、土壤等生态要素可以通过储存和转换等方式减少或移除径流中的营养盐污染物以达到水质净化的目的（胡蕾等，2018）。InVEST模型中的水质净化模块基于此原理利用氮磷输出量反向表征流域生态系统的水质净化服务。由于模型中总氮（TN）和总磷（TP）计算原理相同，而且在子流域尺度TP对于景观格局的响应更敏感（Ding et al.，2016），故本文以TP输出量评价流域水质净化服务。主要计算公式为：

式中：

Px——栅格x的TP输出值；

Sx——水文敏感分值；

αx——栅格x的TP输出系数；

λx——栅格x的径流系数；

λω——研究区平均径流系数；

表1 TP输出系数和植被截留效率Table 1 TP output coefficients and vegetation retention efficiency

1.3.2 景观指数的选取

景观指数能够高度浓缩景观格局信息，以简单的指标反映景观结构的组成与空间配置的特征。本文在参考前人研究（李昆等，2020；王飞等，2021）的基础上，基于Pearson相关分析与方差膨胀因子（VIF）预检验，排除了与TP没有显著相关性或共线性较大的因子，最终筛选出8个相对独立的景观指标。其中，景观组成，即斑块面积占比（PLAND）、选取耕地比例（CUL）、草地比例（GRA）和水域比例（WAT）。景观配置指数选取选取最大斑块指数（LPI）、边缘密度（ED）、景观形状指数（LSI）、斑块结合度（COHE）、香农多样性指数（SHDI）。各指标具体含义及生态学意义见表 2。景观指数在子流域水平上由软件Fragstats 4.2计算获得，相关性分析与多重共线性检验在R 4.1.1中进行。

表2 景观指数Table 2 Landscape pattern index

1.3.3 统计分析

AIC（Akaika Information Criterion）即赤池信息量准则，是建立在熵的概念基础上用以衡量统计模型复杂度和拟合优良性的一种标准，被广泛应用于回归模型的评估中。在小样本的情况下（n/k＜40），AIC转变成AICc（corrected AIC），当n增加时，AICc收敛成AIC，因此AICc可以应用于任何样本大小的情况下（Burnham et al.，2002）。

式中：

k——参数的数量；

L——似然函数；

n——观测值数量。

以TP为因变量，景观格局指数为自变量，利用空间误差模型（SEM）进行空间回归。由于不同变量数量级差异较大，因此将所有变量进行行标准化处理后再进行计算。回归模型中包含8个回归参数，一共有28=256个候选模型。仅基于“最佳”模型的推断可能会忽略其他合理模型，因而本文使用AICc进行模型选择、加权和平均以避免最终结果只依赖于单一模型的不确定性。将所有模型按照AICc值升序排列，与“最佳”模型相比，ΔvAICc＜2或模型权重之和Σwi≥0.95的所有模型生成模型子集，用以进行模型平均。最终结果得到平均回归模型并输出每个回归参数的平均系数值（Si et al.，2014）。

其中，模型权重（wi）用以衡量每个回归模型的相对合理性：

一般情况下，江河一般是城市的主要发展轴，沿江道路一般通达性较强，因此，也是市域之间或区域内部的交通干线，一般定位成城市的交通骨架网络。同时，通常临防洪大堤较近，道路因处于江河的防洪距离范围内，其建设需要考虑防洪的各项要求，一般在汛期需承担防洪物资和人员的运输工作，因此，道路一般定位为防汛通道。另外，道路与防洪大堤之间存在一定的区域用于建设风光带，因此，道路的建设需要与风光带的建设综合考虑，将道路景观与沿江风光带的景观相互呼应，因此，道路被定位成景观道路。综上，沿江道路一般的定位主要有交通干道、防汛通道、景观大道3重功能定位。

同时，在创建的模型子集（ΔvAICc＜2 或Σwi≥0.95）中，通过对回归参数出现的每个模型的wi求和，用以评估每个回归参数的相对重要性（Importance）。所有计算过程在R 4.1.1中进行。

2 结果与分析

2.1 水质净化功能的空间格局

为验证InVEST模型准确性，采用2020年《中国河流泥沙公报》所提供的广东省珠江流域年径流数据对产水量进行校验，结合水质监测站点数据对TP输出量进行验证，结果显示模型计算结果与实测数据具有较好的一致性（r2=67.07%）。广东省珠江流域 2020年 TP输出强度为 0.4×10-4—3.52 kg·hm-2，平均值为 0.37 kg·hm-2，标准差为 0.64 kg·hm-2。生态系统中的营养盐主要是通过径流排放到河流、湖泊等水域中，因而TP的分布与水系分布呈现出明显的空间一致性（图2）。上游多林地、丘陵，水系分布相对稀疏，下游为珠江三角洲，河网密布，TP输出强度由上游到下游逐渐增大，珠江河口地区平均输出强度为 0.60 kg·hm-2，非珠江河口地区输出强度仅为 0.30 kg·hm-2，具有明显的空间异质性（表3）。

图2 广东省珠江流域单位面积、子流域TP输出强度Figure 2 TP outputs per unit area and subwatershed in the study area

142个子流域的水质净化功能呈现出明显的空间聚集现象（Moran’sI=0.69，P＜0.001）。水质净化服务整体呈现出北高南低、上游高下游低的分布特征。TP输出值较高的子流域集中在流域南部的珠江河口地区，其中城区最高，并以各城区为中心向外辐射，输出强度逐渐降低。最高值出现在广州、佛山市区，为1.05 kg·hm-2。高值区都具有较高的城市化水平，制造业发达、频繁的人类活动加剧了污染物的排放，而且植被覆盖度较低，对污染物的截留效应减弱，从而导致水质净化服务较弱。

TP输出值较低的子流域分布在肇庆、清远、韶关和河源等市的交界处，低值区都具有生态环境较好、植被覆盖度较高的特点。或是由于城市化水平较低、人类活动干扰小，或是集聚于生态保护区和自然保护地，生态工程有力地保护了该地区的自然环境。最低值出现在绥江流域怀集段和东源县万绿湖库区，分别为 0.055 kg·hm-2和 0.069 kg·hm-2。其中，绥江属山区性河流，山地约占流域总面积的70%，而怀集县又是广东省的主要林区，2020年全县森林覆盖率达73.34%，有较强的水质净化能力。万绿湖库区为东源县生态保护区，内设有新丰江国家森林公园与河源新港镇省级自然保护区。其中新丰江（万绿湖）是深圳、香港等一线城市的重要供水源地，水质净化服务强，水质优良。

2.2 景观格局特征分析

如图3所示，研究区不同子流域的景观格局分布特征空间异质性较强，景观组成指数与景观配置指数均差异显著。在整个流域范围内，除LSI外，所以景观指标都呈现明显的空间聚集性（表3）。

图3 广东省珠江流域景观格局Figure 3 Landscape pattern of the study area

表3 流域内主要辖区TP及景观指标Table 3 TP outputs and landscape indices of the main districts in the study area

耕地主要集中分布在河口地区与北部山区，以灌溉水田为主、旱地为辅。其中，韶关市和清远市是广东的重要农业区。上游多为山地、丘陵，植被覆盖度较高，是草地的集中分布区。水域恰好相反，上游水系较为稀疏，至下游东、西、北三江全部注入珠江三角洲，经八大口门汇入南海。因此，水域比例高值集中出现于河网密集的珠江三角洲平原。河源市万绿湖作为华南地区第一大湖，水域比例值也较高。

LPI表征景观优势度，可以反映人类活动干扰的强度与方向。COHE表示相邻斑块之间的连接程度。研究区上游人类干扰活动较少，对自然环境开发程度有限。因此景观整体性较高，优势种明显，景观联通度较高，LPI与COHE的高值都分布在上游地区（表3，图3）。ED是表示景观被边界分割的程度的指标，ED值越大，斑块越破碎，景观越复杂。SHDI反映景观异质性，SHDI高值表明景观类型多元，景观多样性更加丰富。改革开放以来，珠江河口地区成为中国重要的经济增长极。剧烈的人类活动不可避免地在城市化进程、土地利用方式等方面对区域景观结构变化产生了重大影响，河口地区与非河口地区景观格局呈现出显著差异（表3）。从上游到下游，人类活跃程度不断增强，干扰强度和频率不断增大，原本完整的自然景观被割裂成若干小斑块，景观破碎化程度日益加重，异质性显著增强，因此ED和SHDI高值都集中分布在下游河口地区（表3，图3）。

LSI表征斑块形状的复杂程度，LSI值越大，斑块形状越复杂。一般认为，耕地和城镇用地边界较为规则，而林地、草地等自然景观具有不规则的边界（王杰等，2018）。因此，LSI的空间分布能够反映人类活动对景观格局的影响。如图3所示，经济发达的城镇地区LSI值都较低，以城镇为中心向外辐射增强，LSI逐渐提高，在各个城市的交界处达到最大。

2.3 景观格局对水质净化功能的影响

景观组成和景观配置都会对水质净化服务产生影响。如表4所示，以ΔvAICc＜2或Σwi≥0.95筛选出来的模型子集中共有 9个模型可以解释 TP，其中景观组成与景观配置指数都包含在内。此模型子集之外的其他所有模型为真实模型的可能性都基本为零。

表4 模型子集Table 4 Model selection statistics

根据模型平均结果（表5）可知，CUL、WAT、ED、SHDI都与TP输出值呈显著正相关（P＜0.01），重要性为1，是TP最重要的影响因子。农田和水域的比例越低，水质净化服务越强（TP输出值越低）。景观的空间结构对流域水环境也具有显著影响，景观越破碎，异质性越高，水质净化服务越弱，水质越差。其中，CUL对TP输出值的影响最大（β=0.47，P＜0.001），SHDI次之（β=0.31，P＜0.001），WAT 和ED对TP的解释度相对较小（β=0.15，P＜0.01）。

表5 模型平均结果Table 5 Model averaging

回归系数都为正，表明这些因素对生态系统的水质净化服务具有负面影响，其中区域农业活动的影响最显著。相比之下，LSI、LPI、GRA、COHE对TP的影响较小，这4个指标均未出现在最佳模型中。LSI只出现于第2、3、6和9模型中，重要性为0.44。LPI只出现于第3、5、7和9模型中，重要性为0.39。GRA只出现于第4、6、7、9模型中，重要性为0.35。COHE只出现在第八模型中，重要性仅为0.07。

同时对TP输出强度和各景观指标进行了相关性分析，可知，景观组成指数与景观配置指数都与TP输出量显著相关（表5）。其中，CUL、WAT、ED、SHDI与 TP呈极显著正相关（P＜0.001）。CUL、SHDI相关性最强，相关系数分别为0.689和0.735。WAT、ED与TP也有较强的相关性，相关系数分别为0.464和0.456。LPI与TP呈极显著负相关（R=-0.641，P＜0.001）。LSI、GRA、COHE 与 TP相关性较弱。模型平均结果与Pearson相关性分析的结果具有一致性（表5）。其中，LPI与TP显著负相关，但模型平均之后的结果显示LPI对TP影响十分微弱，可能是CUL、WAT、ED、SHDI等重要影响因子都与TP呈显著正相关，解释度较大，从而导致LPI的影响不太显著。

AIC本身作为一个值是没有意义的，它通过与其他模型的AIC值进行比较得出含义。因此本文基于拟合优度（r2）与莫兰指数对回归模型进行评估，结果表明平均后的空间误差模型对TP有较高的解释度（r2=90.12%），残差通过了空间自相关检验（Moran’sI= -0.02，P=0.791）。景观组成变量与景观配置变量都影响了TP输出，但是景观组成的影响更大，解释了大部分的变化（r2=88.12%）。景观配置指标只解释了另外的2%。

3 讨论

3.1 景观格局对水质净化功能的影响

景观格局可以通过改变景观组成及其空间排列方式影响磷营养物的存储和截留效率，进而对水质净化服务产生深刻影响。景观组成方面，本研究发现耕地比例（CUL）是流域磷污染的主要贡献源（β=0.47，P＜0.001），这与 Shi et al.（2017）、Zhang et al.（2019）的研究是一致的。农业活动中大量未被吸收的磷肥、有机磷农药可随径流进入水体。相比于旱地，密集施肥且长期淹水的水稻田也更易发生可溶性养分的流失（Hao et al.，2012）。水域比例（WAT）也与流域磷含量呈显著正相关（β=0.15，P＜0.01），是 TP最重要的解释因子之一（Importance=1）。研究区水域广布，尤其是下游的河口地区，河流纵横交错、互联互通，水体一旦被污染，就会向周边河网扩散，导致水质与水体关系密切。刘旭拢等（2016）、吕乐婷等（2021）的研究结果也证实了这一点。草地对污染物有较强的截留、吸附、过滤功能，可有效减少地表径流携带进入河流的污染物（Xu et al.，2019）。但草地与耕地都集中分布于研究区北部的清远市和韶关市，多重用地类型综合作用之下导致草地（GRA）对TP的解释度相对较低（Importance=0.35）。

景观空间配置对诸如营养循环、水文过程和能量流动等生态过程有非常重要的影响。景观格局的大小、聚集过程以及多样性都是影响河流水质的重要因素（王杰等，2018）。本研究表明，ED、SHDI都对流域TP输出强度产生正向效应，可以作为解释 TP 变化的关键因子。这与 Clément et al.（2017）、石金昊等（2021）学者的研究结果一致。研究区上游人类活动较少，原有生态自然景观保持较完整，景观复杂程度与异质性较低，有助于对磷污染物的截持和过滤，因此水质净化服务较高。而下游城市迅速扩张，生态用地向城镇和农田转换以及道路等基础设施的建设都导致景观更加破碎，对污染物的净化能力变弱。ED、SHDI都与耕地、城镇用地呈显著正相关关系（P＜0.01），这也在一定程度上证明景观的复杂性和异质性是由人类农业活动和城市扩张导致的。

本研究表明，景观组成对水质净化作用的影响大于景观配置（r2=88.12%）。Gergel（2005）基于网格的启发式模型的理论研究表明当景观组成处于中等丰度水平时，景观配置的影响最明显；当景观组成被某种地类主导时（＞60%），景观连通性总是较好；当某种地类比较稀缺时，连通性总是较差。Xie et al.（2018）在河岸带缓冲区尺度上评估了深圳河与深圳湾跨界流域景观组成、生境破碎化与地表水质的动态关系，结果表明不同土地覆盖类型的比例在影响较大流域（＞250 km2）的水质方面起着主导作用，是影响景观格局最重要的结构特征。可见，本研究结果与其他研究结果具有可比性。景观组成及其不同的空间排列方式构成了景观格局，景观组成是景观配置的基础，景观配置受到景观组成的制约。在农田、城镇为主导的景观格局中，SHDI增加表明景观异质性增加，即主要污染输出类型的优势度降低，对水质净化服务有正效应。而在林地、草地主导的景观格局中，景观异质性的增加则会导致水质净化服务的降低（刘怡娜等，2019）。因此，景观组成是景观格局中最重要的特征，在不同景观类型主导下的的景观配置指数对水质净化服务产生的效应可能会相互抵消，从而导致景观配置指数的整体解释度较小。

3.2 空间回归与模型选择

景观格局与水质净化服务的关系研究中通常涉及多个景观指数，所涉及的空间回归模型本质上是多变量的（即具有多个可能的解释因子），因此需要考虑多个回归模型。传统的方法大多是通过向前或向后的逐步回归来确定“最佳模型”，但多元逐步回归分析法存在多种缺陷，如参数显著性受到模型中其他参数的影响，最终结果只依赖单一的最优模型等（Whittingham et al.，2006）。

此外，传统回归模型是基于空间事物无关联且均质的假定进行的，但本文研究表明，广东省珠江流域作为一个生态系统整体，各子流域水质净化服务的空间分布并非呈现出完全随机状态，而是表现为相似值之间的空间集群，具有明显的空间自相关性（Moran’sI=0.69，P＜0.001）。因此在探究景观格局与水质净化服务关系时，必须要考虑使用纳入空间依赖性的空间回归模型进行评估。本文基于拉格朗日乘数检验（Robust LM-Error=21.767，P＜0.001）选择了空间误差模型（SEM）进行空间回归。空间误差模型主要对观测样本的空间扰动相关及空间总体相关进行刻画。经检验，在本研究区域，相比于普通最小二乘回归（vAICc= -163.097）、空间滞后模型（vAICc=-276.770）、空间杜宾模型（vAICc= -298.200）等，空间误差模型的AICc值（vAICc= -299.881）更低，信息损失更小。同时，基于AIC的模型选择与多模型推断将代表不同假设的回归模型整体进行比较，而且在许多模型都具有较高的可信度时，不依赖任何一个模型进行推断，避免了因“最佳模型”选择不当带来的偏差（Burnham et al.，2002）。

赵鹏等（2012）利用典型相关分析和线性逐步回归模型分析了广东省淡水河流域景观格局与 TP的关系，结果只有河岸带城镇用地比例进入回归模型，模型的拟合优度为0.451，而且没有通过显著性检验（P=0.024）。刘庆（2016）基于偏冗余相关分析探究流溪河流域景观格局特征对水质的影响，结果发现景观指标对水质空间变异的解释率达65.7%。Ding et al.（2016）基于冗余分析和多元线性回归模型在多个尺度上分析了土地利用方式对东江流域一二级支流水质的影响，结果表明无论在山区和平原，都是在集水区尺度对TP的解释能力最强、拟合效果最好（r2=0.770，0.842）。本文同时基于多元逐步回归分析进行空间回归，结果显示景观格局对流域水质净化服务的解释度为64.5%，拟合模型残差没有通过空间自相关检验（Moran’sI=0.54，P＜0.01）。由此可见，相比于传统的分析方法，本文应用空间误差模型进行空间回归，基于AIC进行模型选择与多模型推断的方法消除了TP的空间自相关性和空间误差（Moran’sI= -0.02，P=0.791）有力地提高了拟合优度（r2=90.12%），具有更好的拟合效果。

3.3 流域管理的启示

了解景观格局与水质净化服务的关系对于发展中国家及其发达城市地区的流域水环境管理及可持续发展具有重要意义（Liu et al.，2018），本文研究结果可为广东省珠江流域的治理提供一些基于实证的对策和建议。

InVEST模型可以快速简便地通过较少的数据完成大范围的评估，而且输出结果有较强的空间表达能力，能够直接体现水质净化服务的空间异质性与区域差异，从而为流域管理及景观格局的优化提供依据。同时，还可以使利益相关者参与情景设定，通过不断地调整参数以寻求最佳的水质净化服务提升方案（刘宥延等，2020）。研究结果表明，景观格局对于水质净化服务具有显著影响，因此通过适当的土地利用类型及结构的优化配置，可以有效降低流域水体富营养化的污染输入风险。在广东省珠江流域，相比于景观配置，景观组成具有更深刻的影响。这表明提升研究区水质净化服务不仅仅要改变土地覆盖的空间布局，调整各地类的相对数量更为重要。此外，各种地类的影响程度也各有不同，因此针对特定地类的管理十分必要。研究结果表明，耕地是水体污染的主要来源，但林地、草地可以提供的较高的水质净化服务功能。到目前为止，粮食安全仍旧是非常重要的问题，盲目地退耕还林、还草有可能会加剧粮食安全与水环境安全之间的冲突（Zhang et al.，2018）。因此可以在严守耕地红线的基础上，通过城市规划和政策调整适当增加林地、草地等景观的面积比例。同时坚持节约用地制度，在管控范围之内，大力挖掘现有农业用地的潜力，遏制耕地“非农化”，严格管控“非粮化”，构建科学发展的景观格局（李洪庆等，2018）。对于原本的生态工程重点建设地区，如鼎湖山国家级自然保护区、粤北特别生态保护区、万绿湖风景区等，应该进一步加强管理与维护，促进服务的持续供给。在高度城市化的地区（如珠江河口地区），大比例地调整景观组成占比是不可行的。但景观空间结构对于水质净化服务也具有调节作用，SHDI、ED都是水质净化服务的重要解释因子。人类活动干扰强度越大，景观类型越丰富，景观也越破碎，水体污染的风险也随之增大。因此可以考虑适当增加生态植被用地，如城市公园等，降低耕地和城镇用地的优势度及完整性，以改善水质净化服务（Qiu et al.，2015）。

本文从景观组成与景观配置两方面探讨了景观格局与水质净化服务的关系，但景观配置指数仅考虑了景观水平，对于类型水平有待进一步研究。而且只选取了 2020年一期数据，对于景观格局与水质净化服务的时空格局及其空间关系的动态变化研究不足。未来可以进一步建立更加全面完善的景观格局指标体系并进行长时序的相关性分析以进一步研究流域水质与其景观格局的关系，为实现流域水质净化服务提升和区域可持续发展提供科学依据。

4 结论

本研究以广东省珠江流域142个子流域为研究对象，应用InVEST模型评估水质净化服务，基于Fragstats平台分析景观格局特征，在此基础上利用空间误差模型和基于 AIC的模型选择和多模型推断定量分析了景观格局对水质净化服务的影响。结果发现：

（1）研究区水质净化服务与景观格局特征都具有明显的空间异质性，珠江口地区、非珠江口地区TP输出值与景观指数均差异显著。

（2）景观组成与景观配置共同影响了流域水环境。景观组成指数 CUL、WAT和景观配置指数SHDI、ED对水质净化服务具有显著的削弱作用，是水质净化服务最重要的影响因子。

（3）景观组成是景观配置的基础，景观配置受到景观组成的制约。景观组成对水质净化服务产生的影响程度更深（r2=88.12%），景观配置指标只解释了另外的2%。