第一次被人问生态系统服务到底怎么量化的时候我正对着一张土地利用图发呆。那是一片典型的南方丘陵区有林地、有茶园、有水库还有几片新开的果园。对方是地方上的规划人员问题很直接这片区域如果按现在的开发节奏走水源涵养和土壤保持这两项功能会损失多少换个方案能挽回多少这个问题用文字回答很容易用数字回答就很难。而这恰恰就是生态系统服务评估要干的事——把森林能涵养水源湿地能净化水质这类定性描述翻译成决策者能拿去比较、能放进方案里的可量化结果。InVEST模型就是目前被用得最多的一套工具它把生态学和经济学之间那道鸿沟用一系列空间化模型搭了座桥。这篇东西不打算讲太多理论重点放在实操怎么装、怎么准备数据、几个核心模型怎么跑、跑完怎么判断结果靠不靠谱。1. 把生态系统服务从概念落到可计算的指标上1.1 生态系统服务的分类逻辑和常见误解生态系统服务这个概念听起来很虚但分类其实很清晰国际上通行的是按功能分成四类供给服务粮食、木材、淡水、调节服务气候调节、洪水调蓄、水质净化、支持服务土壤形成、养分循环、生境维持、文化服务休闲旅游、景观价值。InVEST覆盖的主要是调节服务和支持服务里的可空间化部分供给服务里也有木材、作物授粉、水电等模块。一个特别常见的误解是把生态系统服务等同于生态价值。这两者不是一回事。服务是流量讲的是每年这块地提供多少吨水、多少吨碳固定价值是把这个流量用某种方法折算成钱。InVEST的前半段生物物理模型算的是流量后半段估值模块才是折算。很多人拿着InVEST输出直接说这片林子值三个亿中间省略了估值方法的选择、贴现率、替代成本法还是支付意愿法这些关键讨论结果被人一问就塌房。还有一个误区是把模型输出当成真值。InVEST的所有模块本质上是简化后的因果链它告诉你的是相对变化和空间格局而不是绝对精确的物理量。比如产水量模型用的是Budyko曲线简化式它没法替代一个跑了十年的水文站。理解这一点你才不会在答辩或者汇报时被专家一句话问倒。1.2 为什么必须量化决策场景倒逼出来的需求纯定性的生态描述在决策桌上几乎没有分量。我参与过几次国土空间规划的讨论当你只说这片湿地很重要的时候它在一堆建设用地指标、GDP增长目标面前基本没有议价能力。但当你拿出如果填掉这片湿地下游洪峰流量将增加百分之多少受影响的人口约多少人的时候讨论的性质就变了。量化带来的另一个好处是可比性。三个不同的开发方案各自对生境质量、碳储量、产水量的影响可以用同一套指标横向对比这在方案比选里非常关键。InVEST的设计初衷就是服务这种情景对比——它要求你输入当前情景和未来情景然后输出差异。这也是为什么大部分模块都强制要求至少一个当前LULC栅格和一个未来LULC栅格。量化还有一个隐性价值暴露信息缺口。当你开始收集碳库数据、土壤可蚀性数据的时候会立刻发现研究区某些关键参数根本没有本地实测值只能借用邻近区域或文献默认值。这个发现本身就是有价值的它告诉你哪些地方的数据需要补。2. InVEST模型家族它能干什么不能干什么2.1 模块构成与各自的适用尺度InVEST 3.x系列的模块大致可以分成几组。碳储量与封存模块是最简单的只需要土地利用栅格加一张碳库表但它的简单是建立在假设之上的假设土地用途转换后碳库会瞬间达到新平衡不考虑碳积累的时间过程。所以它更适合做长期情景对比不适合分析短期的碳通量动态。生境质量模块用威胁因子和敏感性来推算生境退化程度输出0到1之间的生境质量指数。它本质是个相对质量指标1代表最好的状态而不是绝对意义上的生物多样性。做保护区规划、生态红线划定的时候用得多。水文组包括产水量、土壤保持SDR、营养物传输比NDR、季节性产水。产水量基于降水和蒸散算水资源供给SDR基于USLE算土壤流失和持留NDR算氮磷从坡面到水体的输移和截留。这三个经常一起用因为水土流失和养分流失本来就是同一个过程的不同侧面。海岸带和城市组包括海岸带脆弱性、蓝碳、城市降温、城市洪水风险、城市暴雨管理等。城市降温模块这两年用得越来越多做热岛效应和绿地规划的时候很实用。还有授粉、休闲旅游、木材产量、波浪能、近海风能这些相对小众的模块。授粉模块需要蜂类活动范围和农田分布国内用得少主要卡在蜂类数据。2.2 什么情况下不该用InVEST这一点很少有人讲但实际工作中很重要。如果你需要的是高精度的水文过程模拟比如日尺度的径流过程线、洪水演进那应该用SWAT、HEC-HMS这类分布式水文模型InVEST的年尺度输出满足不了。如果你要做的是碳排放核算尤其是涉及时间动态和分解过程应该用CENTURY、RothC这类生物地球化学模型InVEST碳模块的时间静态假设会让结果偏离很大。如果研究区的空间异质性极高、微地形复杂InVEST那种基于栅格和相对均一参数单元的假设就会失效。我见过有人在喀斯特地区直接套用默认土壤深度参数结果产水量算得一塌糊涂因为喀斯特的产流机制根本不遵循那个假设。还有一个现实约束是数据。InVEST每个模块都要求一整套空间数据缺一个就跑不动。如果研究区连像样的DEM和土地利用图都没有硬上InVEST只会得到一堆看起来专业、实际上没有意义的结果图。这种情况下先把基础数据补齐比先跑模型重要得多。3. 环境搭建与数据准备八成报错都出在这里3.1 软件安装和运行环境的坑InVEST官方提供的是Workbench安装包Windows和macOS都有,装完就是一个图形界面,双击模块、填参数、点运行。对不写代码的人来说这是最省事的路子。但这个安装包偶尔会出现模块加载失败、界面卡死的问题尤其是Windows上路径里有中文的时候。另一条路是用Python环境跑通过conda装pygeoprocessing和invest然后在脚本里调用。这条路适合要批量跑多个情景、或者要把模型嵌进自动化流程的人。缺点是依赖关系比较麻烦GDAL、pygeoprocessing、numpy这些版本之间经常打架我建议直接用一个干净的conda环境别在已有的环境里硬装。不管是哪种方式有三个坑几乎是必踩的。第一是路径里有中文或空格InVEST底层调用GDAL对非ASCII路径经常处理不了输入输出全部用英文短路径最稳。第二是文件被占用尤其是结果文件正开在GIS软件里的时候模型会写不进去。第三是内存大栅格比如整个省域的高分辨率数据跑生境质量这种要算邻域衰减的模块内存吃得很凶建议先切小研究区测试。提示装完InVEST之后先跑官方自带的样例数据sample data确认环境没问题再换自己的数据。官方样例在安装目录下有跑通了说明环境和软件本身是好的后面出问题就只可能是数据的问题。3.2 输入数据的坐标、像元与命名规范InVEST对输入栅格有一条硬性要求所有栅格的坐标系必须完全一致而且强烈建议用投影坐标系等面积投影最好比如Albers或UTM不要用地理坐标系WGS84那种经纬度。原因是模块里涉及面积计算、距离衰减、像元邻域运算经纬度下每个像元的实际面积不一样算出来的碳储量、土壤流失量会系统性偏差。像元大小也要统一。我一般把土地利用、DEM、降水、蒸散这些全部重采样到同一个像元尺寸比如30米或90米看研究区大小和数据精度定。重采样的时候分类栅格用最近邻法nearest连续栅格用双线性或三次卷积千万别搞反——分类栅格用双线性会把土地利用类型插出小数来。命名规范看起来是小事实际上是减少返工的关键。我习惯把所有输入文件按模块_变量_分辨率_年份.tif的格式命名比如carbon_lulc_30m_2020.tif、wy_precip_30m_2020.tif。参数表统一用CSV编码用UTF-8别用GBK。还有一条经验LULC栅格的编码从1开始连续编号不要跳号、不要用00一般留给nodata不然后面填参数表很容易对不上。3.3 数据准备清单与自检流程下面这张表是我整理的各模块通用输入按需求程度排的可以先对照自己的数据情况看看缺口在哪。数据类型用途模块常见来源注意事项土地利用/覆被栅格全部全国30米年度LULC产品、本地遥感解译编码需连续年份要与情景对应DEMSDR、产水、城市模块公开DEM产品需填洼处理投影坐标降水栅格产水、NDR气象站点插值、格点降水产品年尺度单位毫米潜在蒸散栅格产水由气象数据计算与降水同分辨率同投影土壤深度与质地产水、SDR土壤数据库、区域土壤图深度单位毫米流域/子流域矢量产水、SDR、NDR由DEM水文分析生成边界要与栅格范围匹配碳库参数表碳储量文献、IPCC默认值、实测分地上、地下、土壤、枯落物威胁因子与敏感性表生境质量文献、专家打分半衰距需说明依据自检流程我总结成四步先看坐标系和像元对不对齐再用GIS把几个栅格叠在一起目视检查范围是否重合然后检查nodata区域会不会把有效区挖出洞最后用一个极小的子区比如几平方公里先跑一遍。这一步能省下大量时间因为全量跑一次动辄半小时到几小时小区域测试几分钟就能暴露参数错误。4. 碳储量模型最简单也最容易做错的模块4.1 碳库表的构建逻辑与数据来源碳储量模块的输入就两样LULC栅格和碳库表。碳库表是CSV字段包括lucode、LULC_name以及四个碳库C_above地上生物量碳、C_below地下生物量碳、C_soil土壤碳、C_dead枯落物和枯死木碳单位统一是吨碳每公顷tC/ha。这里最容易出问题的是碳库值和土地利用分类不匹配。你的LULC分类如果是有林地、灌木林、疏林地、草地、耕地、建设用地、水域七类碳库表就必须是这七类lucode要一一对应。我见过有人直接用IPCC的六大类碳库值结果自己的分类里有果园这种类别只能硬塞一个接近的值进去最后总碳储量偏差不小。数据来源方面最理想的是研究区实测或区域文献值。国内很多区域都有生态系统碳储量的研究可以按植被类型查。如果实在找不到用IPCC的默认值也能跑但一定要在报告里说明这是默认值并做敏感性分析——把碳库值上下浮动20%看结果变化多大。如果浮动20%结论就翻盘了说明你的结论本身不稳健。土壤碳那部分特别容易被忽略。很多人只填地上和地下生物量土壤碳留空或者填0这会导致总碳储量严重低估因为成熟森林的土壤碳往往和植被碳是一个量级甚至更大。枯落物碳在小尺度和短周期评估里可以近似忽略但在长期情景对比里不能省。4.2 参数配置逐项拆解碳储量模块的配置界面其实很简洁需要填的包括当前LULC栅格、未来LULC栅格可选但建议填、碳库表、输出文件夹还有一个是否计算碳封存的选项——勾上之后它会同时输出未来情景相对当前情景的碳储量变化。有一个细节值得说如果未来LULC栅格和当前栅格的范围、分辨率、nodata位置不完全一致模型会报错或者输出错位。稳妥的做法是先用GIS把两个栅格的属性对齐用当前栅格做模板未来栅格重采样和裁剪到完全一致再喂给模型。还有一个小坑是碳库表里的LULC_name字段虽然模型不强制要求但填上能避免自己后面看输出时忘了编码对应关系。我一般还会在表里加一列数据来源记录每类的碳库值是从哪篇文献或哪个数据库来的方便复核。4.3 结果校验怎么判断跑出来的数是对的碳储量模块会输出一个碳储量栅格每像元的总碳单位tC/ha和一个总量汇总研究区总碳储量单位吨。校验的时候我通常做三件事。第一件把碳储量栅格和LULC栅格叠在一起看。每一种地类的碳储量应该是均一的因为同一类用的是同一组参数如果你发现同一类地类里数值忽高忽低那多半是栅格对齐或者nodata处理出了问题。第二件用面积乘以碳库值手算一遍总量和模型输出的总量对一下。比如林地面积1000公顷四类碳库加起来150 tC/ha那林地贡献就是1.5万吨碳。差得太多说明参数表或者分类有问题。第三件和已有研究对比。如果研究区或者邻近区域有已发表的碳储量估算把数量级对一下。不同研究之间差个百分之二三十很正常分类体系、碳库值来源、边界都不一样但如果差了一个数量级那肯定是哪一步错了。这套校验思路其实对后面所有模块都适用核心就是空间分布合理、总量可手算、数量级可对比。5. 生境质量模型威胁因子和参数怎么定才算合理5.1 威胁因子表与敏感性表的字段含义生境质量模块的逻辑是每一种威胁因子比如建设用地、耕地、道路会对其周围生境产生衰减影响影响强度随距离衰减不同生境类型对不同威胁因子的敏感程度不同。最后输出的是一个综合的退化程度进而转成生境质量指数。它需要两张参数表。威胁因子表threats的字段是THREAT威胁名称、MAX_DIST最大影响距离单位公里、WEIGHT权重0到1、DECAY衰减类型linear或exponential。敏感性表sensitivity的字段是LULC编码、名称、HABITAT是否生境1或0以及每个威胁因子对应一列敏感度值最后是SENSITIVITY。还有两个可选输入会影响结果威胁因子栅格如果威胁的分布不能直接从LULC推出来比如道路需要单独输入、可达性矢量模拟人类进入的难易程度会调低可达区域的生境质量。MAX_DIST和WEIGHT这两个参数没有标准答案必须结合研究区和文献。我的经验是建设用地的影响距离一般设1到5公里道路设0.5到2公里耕地设0.5到3公里具体看区域尺度和物种关注对象。如果是关注两栖类影响距离可以设小一点关注大型哺乳动物影响距离要放大。权重一般建设用地给1耕地和道路按实际影响程度给0.5到0.8。5.2 半衰距与衰减曲线的选择依据DECAY参数控制的是影响随距离的衰减方式。linear是线性衰减距离超过MAX_DIST就归零exponential是指数衰减理论上永远不为零但很快趋近于零。InVEST还允许你自定义衰减曲线通过一个半衰距参数来定义。选哪种衰减方式要看生态学过程。线性衰减适合假设影响均匀递减的场景比如噪音、光污染这类指数衰减更符合很多实际的生态过程因为威胁的影响通常在近处急剧下降远处趋于平缓。我个人的默认选择是指数衰减因为对大多数干扰因子来说它在近源处的衰减更符合实际观测。参数选择的合理性最终要靠敏感性分析检验。做法很简单把关键参数MAX_DIST、WEIGHT、衰减类型各自变动几个档次跑几组结果看生境质量的相对排序和空间格局是否稳定。如果换了参数之后你原本想保护的高生境质量区位置大变说明结论对参数太敏感需要补充实地调查来约束参数。5.3 结果解读与几个反直觉现象生境质量模块的输出有两个主要栅格生境质量0到1越高越好和生境退化度越高退化越严重。解读的时候有几个反直觉的地方值得注意。第一个生境质量高不代表生物多样性高。它只是基于威胁-敏感性框架的一个相对指标反映的是受人类干扰少的程度。一片远离人烟的单一草地也可能得到高生境质量分数但它的物种丰富度可能远低于一片受到中等干扰的复杂森林。所以汇报的时候一定要说明这个指标的语义别直接说成生物多样性。第二个大面积的保护区内部可能显示中等生境质量而边缘反而高。这通常是因为大保护区中心靠近内部的某个村镇或道路威胁源导致中心退化。这种情况一定要回到威胁因子的空间分布上去核查别被表面数字迷惑。第三个未来情景的改善往往集中在局部。如果未来规划里把某些建设用地转成林地生境质量的提升会集中在这些转换点周围而不是全区域均匀提升。所以做情景对比的时候除了看总量的变化更要看变化的空间格局尤其是关键生态廊道是否被打通或阻断。6. 水文类模型参数更多、更容易翻车的地方6.1 产水量模型的蒸散逻辑与Z参数产水量模型的核心是Budyko曲线的简化形式输出的是年尺度上的产水量降水减去实际蒸散后的余量。它的输入包括LULC、年降水栅格、年潜在蒸散栅格、土壤深度、植物可利用水含量PAWC、流域矢量以及一张生物物理表包含每个LULC类型的Kc系数、根系深度、是否为植被。模型里有个关键参数Z叫Zhang系数它反映的是降水的季节性分布和流域的持水特性。Z的取值范围一般在1到30之间降水越集中在雨季、流域调蓄能力越弱Z越大。这个参数没有普适的取值官方建议用实测径流数据来率定——也就是调Z让模拟产水量和实测径流量吻合。这一步是很多人跳过的地方直接用默认值Z1就跑了。结果在干旱区或者季风气候区偏差会非常大。我的做法是找研究区或者邻近水文站的多年平均径流数据手动调Z跑几次选拟合最好的那个。做不了率定的话至少参考同气候带已发表研究里用过的Z值。6.2 土壤保持模型里USLE各因子的获取途径土壤保持模块基于通用土壤流失方程USLEA R × K × LS × C × P。它需要降雨侵蚀力R、土壤可蚀性K、坡长坡度LS、植被覆盖管理C、水土保持措施P这五个因子加上DEM、流域和阈值流量累积。R因子可以从降水数据算国内有不少研究给出了基于年降水的经验公式。K因子从土壤质地和有机质含量算土壤数据库里一般能查到基础属性。LS因子由DEM自动计算这个模块内部会算你只要给DEM就行。C和P因子来自生物物理表按LULC类型赋值C值反映植被对侵蚀的抑制P值反映工程措施的作用。C和P的取值是最容易出问题的。国内的C值研究比较分散同一个地类在不同文献里可能差一倍。建议优先用研究区或邻近区域的实测/文献值实在没有再用通用值。P值在缺乏明确水保措施信息的情况下一般农地给0.5左右林地草地给1表示无额外措施具体看实际情况。模块输出包括土壤流失量潜在、实际土壤流失量、沉积物持留量、沉积物传输比SDR等。这里有个容易混淆的点模型算的是栅格尺度的流失和考虑下游截留后的输移两个概念不一样。汇报的时候一定要说清楚你用的是哪个量。6.3 参数敏感性测试的实操方法水文类模型参数多一上手很容易调花。我的习惯是先做单参数扫描固定其他参数只动一个看输出变化幅度。具体操作是把模型跑几组每组只改一个参数比如只改Z记录输出总量的变化。据此可以画一张敏感性表标出哪些参数是高敏感动一点结果就大变、哪些是低敏感。高敏感参数必须优先率定低敏感参数可以用默认值。这样能把有限的实测数据用在刀刃上。还有一点经验先做最简单的情景——只跑当前场景不做未来对比确认当前情景的结果和实测/文献能对上再加未来情景。很多人一上来就跑两套情景做对比结果两套都有系统偏差差值也就没什么意义了。7. 出图、结果管理与常见报错排查7.1 结果栅格的后续处理和制图InVEST输出的栅格是标准的GeoTIFF可以直接在QGIS或ArcGIS里打开。做图的时候有几点需要注意。生境质量、碳储量这类指标本身是绝对或相对数值配色建议用连续渐变色带并且把图例范围固定方便多个情景放在一起对比。情景差异图未来减当前一定要用发散色带并且把0点设成白色或中性色让人一眼看出哪里增哪里减。汇总统计方面模型自带的汇总表是全域的如果你需要按行政区、按子流域统计得自己用分区统计工具zonal statistics再做一层。这一步很常见因为决策者往往需要某某乡镇的产水量变化这种颗粒度的信息。还有一个实用技巧把栅格转成点或者按格网聚合再叠加到规划底图上比单给一张栅格图直观得多。尤其是做汇报的时候决策者更容易理解这几个片区是重点提升区这种表达。7.2 高频报错对照表与排查路径下面这张表是我这些年踩坑攒下来的高频报错基本覆盖了大部分情况。报错或现象最可能的原因处理方向程序闪退或模块加载失败路径含中文/空格或环境依赖冲突换纯英文短路径重建干净conda环境提示坐标系不一致输入栅格投影不同统一到同一投影坐标系后重采样结果栅格有大片空洞nodata设置或范围不重合检查nodata值统一裁剪范围参数表报错找不到某编码LULC编码与表格列不匹配核对编码确保表格覆盖所有类别模型跑很久最后失败内存不足切小研究区或降低分辨率总量结果明显偏大偏小单位错误如毫米和米混用逐项核对单位尤其是降水、深度未来情景输出全是nodata未来栅格范围与当前不一致用当前栅格做模板对齐未来栅格排查的思路是从外到内先确认环境和路径再确认坐标系和范围再确认参数表最后才是参数取值。前面三层是机械错误最容易也最该先排除参数取值是科学判断放最后调。注意不要在同一个失败的结果上反复调参数先确认输入数据完全没问题。我见过太多人花一整天调模型参数最后发现只是某个栅格的投影没统一。排查的时候有个笨办法但特别有效把输入数据全部用同一套GIS工程打开逐个叠加肉眼看是不是严丝合缝地对齐。很多模型有问题的情况实际上就是数据没对齐或者在GIS里看着对齐、实际坐标系不同。这个内容后续还可以往几个方向延伸。一是把生境质量和碳储量、产水量耦合起来做多目标情景优化找出兼顾各项服务的最优土地利用配置这个用InVEST输出加简单的优化算法就能做。二是把评估结果和已有的生态补偿政策、生态红线数据叠起来看看现有政策是否覆盖了高价值的服务供给区这类分析在实际工作中很受欢迎。三是如果要做动态模拟可以把InVEST的静态输出和系统动力学或者斑块尺度模型结合弥补它对时间过程刻画不足的短板。我个人在实际操作中的体会是模型本身不难难的是数据准备和结果解释这两头把这两头做扎实中间跑模型反而是最省心的一步。