基于 NSGA-Ⅱ算法的绿色基础设施多目标空间优化

 

摘要：【目的】绿色基础设施（green infrastructure, GI）是提供多种生态系统服务、保护区域生态系统安全和稳定的重要载体，而 GI 所能供给的各项生态系统服务之间的权衡关系导致 GI 的规划决策难以同时最大化多项服务供给。旨在以多项生态系统服务供给协同增益为目标构建一个辅助 GI 规划决策的多目标空间优化模型。

 

【方法】基于 NSGA-Ⅱ算法，以 In VEST 模型构建目标函数，在 Python 开发了协同生境质量服务、作物生产服务、雨洪削减服务 3 项主导生态系统服务的 GI 布局优化模型，并在安徽省芜湖市中心城区进行了应用。

 

【结果】优化模型共获取 50 个末代帕累托最优 GI 布局，据此遴选出不同服务偏好下的 GI 布局方案，各方案相应服务供给能力得到显著提升：生境质量目标偏好方案的全局平均生境质量指数从现状方案的 0.298 8 提升至 0.311 5；雨洪削减服务目标偏好方案的径流滞蓄量从 70 189.34 mm/a提升至 71 673.20 mm/a；作物生产目标偏好方案将作物生产总价值量从 464 169.51 万元提升至 464 582.90 万元；折衷方案的雨洪削减服务供给能力和生境质量服务供给能力优于现状方案，其径流滞蓄量和生境质量指数分别达到 71 658.67 mm/a 和 0.299 3，而在作物生产服务供给能力上并没有实现对现状方案的提升。根据优化结果分析了 GI 供给的各项服务间的权衡与协同关系，归纳了在各种服务偏好下和协同多项服务时的 GI 空间布局特征。

 

【结论】多目标优化算法为辅助协同多项生态系统服务的 GI 布局决策、探索生态系统服务间权衡与协同关系、明确不同服务目标导向下的 GI 空间规划策略提供了重要参考，为国土空间规划视角下采用模型算法辅助生态空间及 GI 规划的实践提供了有力工具。

 

作为自然生命的重要支撑系统，绿色基础设施（green infrastructure, GI）是提供多种生态系统服务、保护区域生态系统安全和稳定的重要载体，GI 的规划和管理是中国国土空间规划中生态空间规划部分的重要内容。然而，GI 供给的各项生态系统服务之间存在互相促进的协同关系或相互冲突的权衡关系[1-2]。权衡关系的存在导致 GI 的规划决策难以同时实现多项服务的最大化供给，对某项服务的片面追求，很可能导致对其他服务供给的负面影响[3-5]。因此，近年来，关于 GI 布局的研究从以提高连通性为目标的结构优化逐渐向实现多项生态系统服务协同增益的功能优化方向转变，即从形态导向转向更直接的服务目标导向。

 

多目标空间优化（multi-objective spatialoptimization）作为一种处理空间背景下具有多个冲突目标的优化问题的技术途径，为以多项生态系统服务提升为目标的 GI 规划提供了可行途径。空间优化已成为生态规划的有力辅助[3, 6]，将多目标空间优化应用于辅助 GI 规划布局的可行性也得到证实[6-8]：Piscopo 等[9]基于最小化成本、水体营养负荷量、径流量的目标，使用多目标进化优化算法，以流域为单位测算了 GI 的最优位置、规模和类型；Liu等[10]选取水文效果及成本指标，使用 L-THIA-LID 2.1 模型对于 GI 的位置和类型进行了优化。尽管多目标空间优化被广泛用于 GI 布局优化，尚未有研究从协同多项生态系统服务的视角探索该技术辅助 GI 规划决策的可能性。

 

目前已有多种算法被用于 GI 多目标优化研究中[11]，其中非支配排序遗传算法 NSGA-Ⅱ（ fast elitist non-dominated sorting geneticalgorithm）[12]作为进化算法的一种，其基于帕累托的优化模式及快速收敛的特性使之成为应用最为广泛的多目标优化算法[13]。基于帕累托的算法从初始方案开始，评估目标的实现程度，结合选择、交叉和变异等过程来创建下一代方案[14]，并主要根据解集目标间的支配关系进行排序，可以同时生成多个目标协同情况较好的最优解集，即帕累托最优解（Pareto optimal solutions）。

 

帕累托最优 （Pareto optimality）[15] 指在该状态上，任何改变都不可能使至少一个目标的状况变好也不使任何其他目标的状况变坏，它不考虑主观权重，提供完整的最优解集，从而提供了更全面的分析和遴选对象，允许利益相关者在可能的范围内遴选最优决策。由于 NSGA-Ⅱ算法具有极佳的收敛性和鲁棒性，该算法已经在涵盖 GI 优化的多个研究领域中得到广泛应用[16]。GI 优化研究的综述[11] 表明，应用NSGA-Ⅱ算法的研究占据主导地位。

 

 

本研究试图在精准量化 GI 多项生态系统服务供给的基础上，构建利用 NSGA-Ⅱ多目标优化算法搜寻最大化多项关键生态系统服务供给的 GI 空间布局方案决策辅助系统，并应用于安徽省芜湖市中心城区，期望为国土空间规划视角下的生态空间规划和 GI 规划提供建设性建议和技术参考。

 

 1  研究区概况及数据来源 

 

 1.1  研究区概况

 

 本研究选取安徽省芜湖市中心城区作为研究区域。芜湖市地处安徽省东南部，市辖 5 个区、1 个县，是国家长江三角洲城市群发展规划的重要城市。芜湖市规划总面积 6 009.02 km2，其中中心城区面积为 1 491.20 km2。

 

首先，芜湖中心城区位于长江下游，属于长江流域自然优势生态区[17]，需要高度重视提供生境、维护生物多样性的支持服务，因此提升生境质量应作为 GI 布局优化目标之一。其次，考虑到农业为芜湖市的重要支撑产业，提升作物生产也应被作为重点目标纳入 GI 优化框架。再次，受到地形、气候、人为活动的综合影响，芜湖市承接上游山区外源雨水，遭受下游河道洪水顶托，洪涝灾害频繁[18]，城市内涝问题突出，因此提升对城市雨洪的削减能力也应被作为 GI 优化目标之一。

 

最后，生境质量、作物生产和雨洪削减 3 项服务分别隶属于生态系统服务中的支持服务、供给服务、调节服务三大项，是被学者广泛视作GI 能够供给的重要服务目标[19-21]，在各项生态系统服务中具有较高的代表性和典型性。综合考虑研究区域的需求和各项服务的代表性和典型性，本研究将生境质量、作物生产和雨洪削减 3 项服务作为 GI 布局模型优化目标。

 

1.2  数据来源

 

本研究根据 In VEST 模型生境质量模块、作物生产模块、产水量模块的数据要求，使用了芜湖市土地利用现状数据、芜湖市中心城区边界、年度平均降水量数据、平均参考蒸散发数据、土壤水文分组数据等作为模型输入数据，其中土地利用现状数据及芜湖市中心城区边界来自上海同济城市规划设计研究院有限公司，平均参考蒸散发数据、土壤水文分组数据来自 In VEST 模型操作手册推荐使用的数据源[22-23]（表 1）

 

2  研究方法

 

本研究拟采用多目标优化算法构建 GI 生态系统服务协同优化模型，以探索 3 项生态系统服务协同增益的最优 GI 布局。GI 生态系统服务协同优化模型分为 3 个模块：决策变量、目标函数和优化算法（图 1）。决策变量模块基于约束条件、决策变量和决策空间单元确定 GI 布局的空间位置和类型，从而生成 GI 布局方案；目标函数模块基于 In VEST模型获取 GI 布局方案关于雨洪削减、作物生产和生境质量 3 项服务的目标函数值，以目标函数值高低表征 GI 方案供给多项生态系统服务的能力大小；优化算法模块中，NSGA-Ⅱ算法经过多次迭代，调用决策变量模块生成GI 方案、从目标函数模块读取各项生态系统服务的目标函数值，以最大化多项服务为目标，求取最优 GI 布局方案解集。GI 布局最优解集将被用于提供各个目标下具体 GI 类型的空间布局方案，明确各类 GI 的空间布局倾向，为芜湖市中心城区 GI 规划提供建设性意见。

 

 2.1  决策变量模块：基于约束条件的 GI布局方案编码和生成

 

 决策变量模块基于约束条件选取可用于布局的 GI 类型并置入各个空间用地单元，形成 GI 规划方案。此模块定义了算法可用于布局的 GI 类型（即决策变量），及可用于布局GI 的空间单元（即决策变量的空间单元），并按照一定转化规则进行 GI 布局的生成。

 

 2.1.1  决策变量——可用于布局的 GI 类型及用地转化规则

 

 在涉及生态系统服务功能性评估的研究中，基于土地利用的 GI 分类方法被广泛应用[24]。本研究采用基于土地利用类型的 GI 分类方法，根据芜湖市土地利用现状数据及土地利用分类标准，首先将土地利用划分为 GI类型和非 GI 类型。GI 类型包括水田、旱地、园地、其他耕地、林地、草地、风景名胜和公园绿地、坑塘水面、滩涂、其他水域等，其中由于坑塘水面、滩涂 2 项宜保持稳定从而避免破坏水网格局，因此不作为决策变量；其余土地利用类型作为非 GI 类型。根据当地规划方案和经验判断，本研究将公共管理和服务用地作为政府可控制的 GI 储备用地，预设它们可以转化为 GI 类型用地（表 2）。

 

2.1.2  空间单元——布局 GI 的空间单位

 

由于模型需选择可用的 GI 类型，置入可利用的空间单元中，实现 GI 的规划布局，本研究采用研究区域的矢量斑块数据作为原始决策空间单元。研究区域原始决策空间单元共计 123 382 个 ， 原 始 土 地 利 用 分 类 共 计44 项，为了提取 GI 类别并便于后续优化，将原始数据除 GI 类别外的矢量土地利用类别数据按照《土地利用现状分类》（GBT 21010—2017）的二级分类标准融并，空间单元按照二级地类编码重新赋值，归并后的空间单元数量为 62 223 个。

 

 

本研究通过设置限制变动（GI 类型转化）单元作为约束条件，控制用于布设 GI 的决策空间范围（图 2）。利用 Arc GIS 对空间单元进行筛选，将位于基本农田和生态红线区块内的空间单元作为限制变动单元；此外，将面积小于 2 hm2 的破碎斑块也作为限制变动单元，在保证优化效果的同时简化计算。限制变动单元在矢量空间数据中被标记为非决策单元，数据经处理后，可布局 GI 的空间单元数量为 4 850 个。

 

 2.2  目标函数模块：基于 In VEST 模型的GI 生态系统服务量化函数

 

 本研究基于 In VEST 模型[25] 的生境质量服务模型、作物生产服务模型、缓解城市洪水风险模型量化 GI 布局方案的 3 项关键生态系统服务指标，以优选协同多项生态系统服务最优的 GI 方案。

 

 2.2.1  生境质量服务函数

 

 In VEST 模型中的生境质量模型（habitatquality model）被广泛用于评估 GI 的生物多样性支持服务[19, 26]。生境质量反映了生态系统为个体和种群持续存在提供适宜条件的能力。In VEST 模型将生境质量和稀有度作为生物多样性的替代指标，通过在空间层面评估 GI 提供生物栖息地的潜力，实现生境质量的量化。

 

 对于属于生境类型 j 的栅格 x 的生境质量按照式（1）进行计算，Dx, jHj∈ [0，1]式中： 为栖息地类型 j 的栅格 x 的总威胁水平；z 为固定常量 2.5；k 为缩放比例参数 （常量）； ，代表生境类型 j 的生境适宜度。本研究将芜湖市的 GI 类型作为模型测算使用的栖息地类型，并将部分土地利用类型设置为威胁源，参考 In VEST 模型手册和与芜湖市场地条件类似的部分研究[27-30]，将该模块使用的用地类型数据进行了合并简化：其他公共管理和服务用地、商服用地、其他特殊用地、其他建设用地被合并为“城市用地”；交通运输用地和工矿仓储用地被合并为“交通和工业用地”；并进一步明确了威胁源的最大影响距离和权重及距离衰减参数。缩放比例参数需要通过初步校准过程根据模型计算的生境衰退指数获取，其值为生境衰退指数最大值的 1/2，在本研究中具体设置为0.04（表 3、4）。

 

 fHQ（x）由于生境质量指数为 0~1 的无量纲值，采用全局生境质量指数的平均值 为效益指标，fHQ（x）=∑Nj=1gHQ, j（x）N， （2）x =（x1，x2，···，xn）TgHQ, j（x）x式中：向量  为 n 个矢量空间单元中 GI 类型组成的空间方案，经过栅格化后总栅格数量为 N； 为 In VEST模型计算出的 GI 布设方案  中第 j 个栅格的生境质量指数。将全局生境质量指数相加除以栅格总数获取全局生境质量平均值。

 

 

2.2.2  作物生产服务函数

 

本研究采用 In VEST 模型中的作物生产回归模型（crop production regression model）测算 GI 的作物生产服务供给。作物生产回归模型在考虑施肥情况的基础上对 10 种主要农作物进行产量估计，即依据 Monfreda 数据集中的全球气候类型数据[31] 和每种作物的氮，磷、钾施肥率测算作物产量，最后以表格形式输出作物产量。参考式（3）[32] 计算栅格 i的某作物产量 ，rN, irP, irK, iYmaxbNPbKcNcPcKYmax式中： 、 、 分别为栅格 i 的氮、磷、钾施肥率； 是气候类型内可能的最大产量；和  表示每种营养-产量响应曲线的 y 轴截距； 、 和 是反应系数，描述了氮、磷、钾在特定营养水平下达到 的百分比。

 

根据安徽省相关公告[33] 确定芜湖市主要农作物种类及相关 GI 类型（表 5），以此进行作物生产服务测算。由于模型输入作物种类限制，该参数表单对实际情况进行了简化。模型统计采用村级行政单元作为作物空间单元，作物单价来自安徽省粮食和物资储备局提供的 2023 年 1 月 30 日收购、出库价格全省均价，参考网络交易平台价格予以调整。

 

为了将不同作物产量聚合为一个指标，将 3 类主要作物产量乘以单价进行价值量转化，将作物生产总价值量作为该项服务优化指标，具体计算式为tRI（x） tWH（x） tBE（x）x式中： 、 、 分别为 In VEST模型计算出的 GI 布设方案  中的水稻、小麦、大豆产量，t；分别乘以各自单价并加和，获取总作物生产价值量作为目标函数指标值。

 

2.2.3  雨洪削减服务函数

 

本研究使用 In VEST 模型的缓解城市洪水风险（urban flood risk mitigation, UFRM）模块测算研究区域 GI 的雨洪风险削减效益，即径流削减效益。

 

UFRM 模块基于径流曲线数法（SCS curvenumber method）进行径流量估计。对于考虑土壤性质和土地利用类型的栅格 i，在给定降雨事件 p 下的径流量 采用式（5）进行计算，Smax, iλ · Smax, iλ式中：P 为给定降雨事件 p 对应的设计降雨深度，mm； 是潜在滞蓄量，mm；是用于计算原始径流量的降雨深度； 值被设置为 0.2 以简化计算。由于芜湖市主城区内涝防治设计的重现期为 30 年，本研究参考 Yue等[18]的研究，将降雨事件设置为重现期 30 年一遇的长历时 24 h 降雨，总设计降雨量为276 mm。

 

对于曲线数值，本研究参考 Quagliolo 等[34]和 Dong 等[35]的研究，并结合 In VEST 模型手册[25]进行设置和调整。非 GI 的其他用地类型被视为不具备径流削减能力，各个土壤分组的曲线数值被定义为 98。为了实现雨洪削减服务最大化，选取模型估计的径流滞蓄量总和 作为优化指标，fWR（x） gWR, j（x）xx =（x1，x2，···，xn）T式中： 为径流滞蓄量总和； 为In VEST 模型计算出的 GI 布设方案  中第 j 个栅格的径流滞蓄量，mm/a。向量  为 n 个矢量空间单元中 GI 类型组成的空间方案，方案经过栅格化后总栅格数量为 N。

 

 2.3  优化算法模块：基于 NSGA-Ⅱ的 GI生态系统服务协同优化

 

 本研究采用进化优化算法中的 NSGA-Ⅱ算法，以最大化雨洪削减、作物生产和生境质量 3 项生态系统服务供给为目标进行 GI 优化模型构建。首先，算法随机生成一套 GI 空间布局方案解集作为初代种群；其次，计算该种群的每个 GI 布局方案的各项服务量作为目标函数值；再次，根据每个方案的目标函数值进行非支配排序，选择较优方案进行交叉、变异，生成下代 GI 方案；最后，经多次迭代，实现 GI 布局优化。

 

  2.4  优化后分析：服务间权衡与协同关系及典型最优解分析

  

  GI 生态系统服务协同优化模型的优化结果为一组 3 项关键服务协同的帕累托最优解集，每一个最优解表征一个 GI 布局空间方案。通过比对优化过程中产出的大量 GI 方案的服务供给状况、典型最优解的 GI 布局情况，可以帮助决策者有效识别研究区域多项服务间的关系，以及在不同生态系统服务偏好下的最优空间决策。本研究参考 Lafond 等[36] 和Hu 等[37]采用的针对优化后生态系统服务权衡与协同关系的基本分析思路，基于散点分布趋势和曲线拟合，分析 GI 布局方案供给的多项服务中每两项服务间的权衡与协同关系。

  

  此外，本研究将场地的土地利用现状作为现状方案，基于生态系统服务量化函数和参数对雨洪削减、作物生产和生境质量 3 项服务进行量化，并将量化结果作为对照方案。通过比对帕累托最优解集中各项服务偏好下的最优 GI 布局方案、各项服务折衷的最优GI 布局方案和现状方案下算法对于各个 GI类型的空间布局差异，明确针对研究区域协同多项生态系统服务的 GI 布局策略。各项服务偏好下的最优 GI 布局方案为帕累托解集中单项服务供给达到最大值时的 GI 布局方案，折衷方案通过乌托邦点法[38] 在帕累托解集中筛选。乌托邦点为 3 项服务最大值组成的点，

折衷方案为帕累托解集中距离乌托邦点欧氏距离最近的点，即 3 项生态系统服务协同的最佳 GI 布局。

 

 3  研究结果 

 

 3.1  协同多项生态系统服务的GI 优化结果

 

 研究区域 GI 的多目标空间优化模型设置种群规模为 50，迭代次数 200 次，共获取50 个末代帕累托最优 GI 布局。将优化后的目标空间绘制为三维散点图（图 3-1），并根据每两项服务目标绘制二维投影（图 3-2~3-4），图中每一个点表征一个 GI 空间方案的生态系统服务供给情况，蓝点为研究区域现状 GI 供给 3 项生态系统服务的情况，红点表征末代非支配解，通常被视为帕累托最优解。对于每个最优解代表的 GI 布局方案，在不降低某项服务目标的情况下，任何改变都不可能使其他服务的供给变高，即为协同多项生态系统服务的最佳 GI 布局方案。

 

从优化结果可见，相比现状方案，优化后的多数 GI 布局方案在雨洪削减服务和生物多样性维持服务上的表现大幅提升，仅有少部分最优解的作物生产服务优于现状方案，且提升幅度不大，差异并不显著。该结果表明芜湖市中心城区的现状土地利用及 GI 布局方案在作物供给服务上的提升空间不大，而在雨洪削减服务和生境质量服务上表现不佳，具有较大提升空间。

 

 3.2  GI 供给的生态系统服务间的权衡和协同关系

 

 在以 3 项生态系统服务最大化为目标的优化进程中生成了大量 GI 布局方案，通过散点图分析过程方案的 3 项服务供给量，可以有效识别研究区域 3 项服务间的权衡和协同关系。

 

 本研究根据曲线拟合分析每两项服务间关系（图 4），生境质量-作物生产服务对 （图 4-1）和生境质量-雨洪削减服务对（图 4-2）采用三阶多项式曲线拟合，拟合曲线的拟合优度 R2 分别达到 0.65、0.69，说明拟合曲线对数据具有中等效应的解释度；作物生产-雨洪削减服务对（图 4-3）采用线性拟合，拟合优度 R2 达到 0.76，说明具有强效应的解释度。拟合曲线趋势表明：作物生产-雨洪削减服务间存在较为显著且稳定的线性权衡关系，2 项服务的权衡关系难以调和；而生境质量-作物生产服务对、生境质量-雨洪削减服务对存在非线性关系，在不同阶段权衡和协同的状态发生了变化。对于生境质量-作物生产服务对，当生境质量服务较低时，两项服务的权衡并不明显，具有协同两项服务的可能性；而当生境质量服务供给继续增加时，两项服务从微弱的协同关系转变为剧烈的权衡关系。而对于生境质量-雨洪削减服务对而言，当生境质量服务较低时，两项服务存在权衡关系；生境质量服务继续提升后则转变为协同关系。

 

 

3.3  典型最优GI 布局方案特征

 

分析各项服务偏好方案和折衷方案有利于明确针对各个服务目标的 GI 空间布局建议。优化结果表明（图 5、6）：生境质量目标偏好方案的全局平均生境质量指数从现状方案的 0.298 8 提升至 0.311 5，雨洪削减服务目标偏好方案的径流滞蓄量从 70 189.34 mm/a 提升至 71 673.20 mm/a，作物生产目标偏好方案将作物生产总价值量从 464 169.51 万元提升至464 582.90 万元。折衷方案为最接近 3 项服务理论最大值的最优 GI 布局方案，3 项服务供给达到均衡状态，证明折衷方案的雨洪削减服务供给能力和生境质量服务供给能力优于现状方案，其径流滞蓄量和生境质量指数分别达到 71 658.67 mm/a 和 0.299 3，而在作物生产服务供给能力上并没有实现对现状方案的提升，作物生产总价值量仅为456 497.64 万元，一定程度再次证明了作物生产服务和其他两项服务的权衡关系。

 

总体来说，各个服务偏好下的最优 GI 布局方案与现状用地方案在 GI 面积上的差异并不显著（图 6）。具体各个偏好方案的 GI 布局特征如下。

 

1）生境质量服务偏好——增补城区林草空间，分散置入生境斑块。生境质量服务偏好方案在用地规模上提升了林地、草地和公园绿地类 GI 的比例，小幅度增加了园地 GI面积，同时降低了水田、旱地、其他耕地等农业用地类型 GI 比例。

 

从总体空间分布看，算法倾向在城市建设用地密集的区域大幅度提升林地和公园类型 GI 比例（图 5），长江南岸由于建设用地比例大、城市化程度高，布设 GI 的比例远远大于长江北岸，如中部的主城区和弋江城区、东部的同和社区与胜和社区及西南部的三华社区内被布置了较高密度的林地类型 GI，而在连片的农田区域仅被置入了分散的林地斑块（图 5）。

 

推测这种GI 布设模式一定程度上在生境威胁程度较高的连片建设用地周边构建了过渡隔离带，以生态垫脚石的形式打破了大面积农田带来的生境影响，增加了生境适宜度。在芜湖市进行新城建设和城市开发需考虑生境质量服务供给时，应该合理参考该类布局模式。

 

2）作物生产服务偏好——维持现状农业格局，提升临江农田比例。作物生产服务偏好方案则在一定程度上增加了现状方案的水田和其他耕地类型 GI 的面积，同时增加了林地、园地类型 GI 面积，减少了现状方案的草地类型 GI 面积，其他 GI 类型变动幅度不大。对于林地、园地类型 GI 面积的增加，可能是算法兼顾 3 项服务进行优化求解的结果。

 

在这种协同优化的过程中，当继续增加特定农业类型 GI 面积也无法高效提升作物生产服务时，算法可能转向利用林地、园地类型 GI 以增益其他服务。在空间分布上，作物生产服务偏好的 GI 方案和现状方案相比变动不大，基本遵循了现状农业用地系统格局，算法新增的农业用地往往位于长江沿江区段的位置及原有农田的周边（图 5），该结果表明：长江沿江区段可能具备较好的土壤及水文条件，有利于实现较高的农业产值，应当充分利用沿江区域的自然优势条件，发展高效农业以实现作物生产服务供给的提升。

 

3）雨洪削减服务偏好——提升城区滞蓄能力，构建雨洪调节网络。雨洪削减服务偏好方案增加了林地、风景名胜和公园绿地及其他耕地类型的 GI 面积，说明此类 GI 可能具有较高的径流滞纳能力，同时该方案在一定程度上减少了旱地和水田类型的 GI 用地面积。在空间布局上，雨洪削减服务偏好方案重点在主城区布局了大面积的林地斑块（图 5），其他区域基本沿用现状布局。可能由于主城区建设用地比例较高，径流产出量大且消解困难，是削减雨洪风险的核心区域，因此算法在主城区布局了大面积的林地斑块。在芜湖市以提升雨洪削减服务供给为导向进行 GI规划时，应当重点关注雨洪风险较高的城区，合理利用林地、风景名胜和公园绿地以及其他耕地类型的 GI 构建雨水滞蓄网络，化解雨洪风险。

 

4）折衷方案——提升多功能 GI 比例，注重服务复合效益提升。折衷方案的 GI 布局方案同样在原有方案的基础上增加了其他耕地和林地类型 GI 面积，降低了旱地、水田、公园绿地及草地类型的 GI 用地比例，推测在该研究区域，其他耕地和林地类型 GI 用地协同供给多项生态系统服务的能力较强，能有效实现多项服务的提升。在空间布局上，增加的 GI 结构主要位于芜湖市主城区等建设程度较高的区域附近（图 5），和其他 3 个服务偏好方案具有一致的倾向，该模式强调了主城区是影响多项生态系统服务供给的核心区域，也是维持生态系统稳定性和可持续性需要重点关注的空间；在布局模式上，该方案倾向于采取其他耕地、林地、其他水域等多种 GI 类型复合布局的模式，这表明采用复合的 GI 用地布局模式可能有利于形成稳定的生态系统，提升城市的生态韧性。

 

4  结论

 

本研究基于多目标优化算法之一的 NSGA-Ⅱ算法，结合 In VEST 生态系统服务量化函数构建了以多项生态系统服务协同增益为目标的 GI 布局协同优化模型，并在安徽省芜湖市中心城区进行了应用。求解了最大化生境质量、作物生产、雨洪削减 3 项生态系统服务GI 布局方案解集，并基于优化结果分析了芜湖市中心城区生态系统服务间的权衡与协同关系、典型的最优 GI 布局方案特征。

 

研究结果表明，多目标优化算法在以最大化多项生态系统服务供给为目标的 GI 规划中实现了有力的决策辅助，并为探索生态系统服务间权衡与协同关系、不同服务目标导向下的 GI 空间规划策略提供了重要参考。

 

然而，本研究仍然具有一定的局限性。首先，GI 各类用地在实际转化过程中存在多种复杂因素，受到 In VEST 模型的概括性和可利用数据精度限制，本研究提出的模型尚难以完整表征实际的生态过程，部分生态学机制难以被模型精准识别；其次，某些建模环节对模型进行了简化，可能导致结论存在偏颇。今后应进一步提升数据和模拟精度，完善模型的 GI 布局规则和约束模块，明确最优布局方案高效供给多项生态系统服务的过程机理，以提升模型获取方案的可行性。