《Ecological Indicators》:Research on the nonlinear mechanism and multi-scale adaptive strategies of ecosystem services in the Zhengzhou metropolitan area from the perspective of water-carbon-food-ecology nexus
编辑推荐:
揭示水-碳-粮-生态纽带(Water-Carbon-Food-Ecology Nexus, WCFE)框架内生态系统服务(Ecosystem Services, ESs)的多尺度效应与非线性响应机制,并制定差异化区域治理策略,对于协调快速城市化地区的保护与发展
揭示水-碳-粮-生态纽带(Water-Carbon-Food-Ecology Nexus, WCFE)框架内生态系统服务(Ecosystem Services, ESs)的多尺度效应与非线性响应机制,并制定差异化区域治理策略,对于协调快速城市化地区的保护与发展和落实联合国可持续发展目标(Sustainable Development Goals, SDGs)至关重要。针对现有研究——如都市圈尺度非线性阈值识别精度不足及缺乏多尺度适应性管理策略——的局限,研究人员以郑州都市圈(Zhengzhou Metropolitan Area, ZZMA)为研究对象,基于2000—2023年多源时空数据,建立了"时空演化—机理诊断—分区管控"研究框架。首先,揭示县域与1 km格网尺度下综合生态系统服务(Comprehensive Ecosystem Services, CES)的时空分异特征;其次,引入XGBoost-SHAP-PDP(eXtreme Gradient Boosting–SHapley Additive exPlanations–Partial Dependence Plot)可解释机器学习模型分析驱动因子的非线性响应特征与阈值效应;最后,耦合机理分析结果和自组织映射(Self-Organizing Map, SOM)构建双尺度适应性分区管理框架。结果表明:(1)研究期内CES呈"西部山区以生态固碳为主、中东部平原支撑供水与粮食安全"的空间格局,经历"波动下降—局部恢复"的阶段演化;(2)自然禀赋与人类活动共同驱动CES空间分异,建设用地占比为核心驱动因子且其贡献持续上升,因子交互作用贡献显著高于单因子;(3)CES与关键驱动因子存在显著非线性关系,交互模式、阈值效应及影响强度具动态演变特征;(4)基于双尺度服务簇(Ecosystem Service Bundles, ESBs)识别精确划定生态适应性管理单元,结合基于自然的解决方案(Nature-based Solutions, NbS)提出兼顾生态底线与发展的差异化策略。本研究旨在弥合快速城市化地区ESs深层机理理解与有效多尺度适应性管理间的鸿沟,为区域资源协调、绿色转型与高质量发展提供科学支撑。
论文解读:《水-碳-粮-生态纽带视角下郑州都市圈生态系统服务的非线性机制与多尺度适应性策略研究》
本文发表于《Ecological Indicators》。全球生态系统面临自然环境变化与人类活动的双重压力,水短缺、碳排放激增、粮食安全威胁与生态退化相互交织形成系统性危机。传统单因子或双因子治理模式易引发问题转移,难以化解系统间次生冲突,因而需将水(Water)、碳(Carbon)、粮(Food)、生态(Ecology)作为深度耦合的纽带(WCFE Nexus)进行多因子系统耦合分析。既有生态系统服务(Ecosystem Services, ESs)研究在多服务综合评估、多尺度分析等方面成果丰富,但存在两点不足:一是WCFE视角下ESs非线性响应机制特别是阈值精确识别与机理解析仍不充分;二是管理调控多基于行政单元(市/县),缺乏精细格网尺度考量及县-格网多尺度融合,快速城市化都市圈(人类干扰最强区)的细格网多时相阈值识别及融合SDGs与基于自然的解决方案(Nature-based Solutions, NbS)的多尺度适应性管理策略研究尤为匮乏,典型内陆快速发展区郑州都市圈(Zhengzhou Metropolitan Area, ZZMA)系统性研究尚属空白。为此,研究人员以ZZMA(2000—2023年)为案例,建立"综合定量评估—驱动机制分析—科学分区与管控"框架,采用XGBoost-SHAP-PDP可解释机器学习识别非线性阈值,结合自组织映射(Self-Organizing Map, SOM)进行双尺度生态适应性分区,提出差异化协同管理策略。研究发现CES呈"西部山区高—平原低、农村高—城市低"格局,重心向西南偏移,经历"波动下降—显著回升";建设用地占比是最显著负向驱动因子且抑制效应趋近饱和(阈值约0.44),降水具正向促进(阈值升至约747.4 mm),潜在蒸散具负向阈值效应(阈值升至约1282.4 mm),高程呈饱和型响应(阈值降至约248 m),耕地占比由敏感响应转为饱和抑制(阈值升至约0.68),因子交互贡献高于单因子;县域识别出6类ESBs、格网识别出8类ESBs,分别形成梯度与稳定格局,据此制定"县级战略协调—格网精准实施"多尺度适应性治理体系。该研究弥补了快速城市化区ESs机理认知与管理应用间的断层,为区域国土空间优化与SDGs落地提供科学支撑。
主要关键技术方法
研究人员选取ZZMA为研究区,收集土地利用(CLCD)、DEM、气象、土壤、NDVI、GDP、人口(WorldPop)、夜间灯光、路网及统计年鉴等多源数据,统一重采样至1 km格网(WGS_1984_UTM_Zone_50N)。先计算产水(Water Yield, WY)、固碳(Carbon Sequestration, CS)、粮食生产(Grain Production, GP)与栖息地质量(Habitat Quality, HQ)四项ESs并经极差标准化等权聚合得到综合生态系统服务(Comprehensive Ecosystem Services, CES)指数。采用标准差椭圆(Standard Deviational Ellipse, SDE)、全局与局部(Getis-Ord Gi*)空间自相关分析CES多尺度时空特征。选取16个自然、社会经济及景观格局驱动因子(经VIF<5诊断),以1 km格网CES为因变量,构建XGBoost模型(7∶3划分训练测试集、5折交叉验证),用SHAP值量化因子贡献与非线性方向,用偏依赖图(Partial Dependence Plot, PDP)识别阈值效应。最后以CES及相关ESs为输入,用自组织映射(Self-Organizing Map, SOM)神经网络无监督分类识别县域与格网尺度生态系统服务簇(Ecosystem Service Bundles, ESBs),结合NbS与SDGs理念划定多尺度生态适应性管理单元并提出差异化策略。
研究结果
3.1. Analysis of spatiotemporal variation characteristics of ESs(生态系统服务时空变异特征分析)
通过2000、2010、2020、2023年四期计算,HQ微降3.72%,CS微降0.623%,GP增长33.95%(耕地红线与农技进步),WY显著下降17.68%。空间上CS与HQ高值重叠于西北太行及西南伏牛-嵩山丘陵(森林覆盖高、人为干扰低),GP高值分布于黄淮海冲积平原(东部郑州、开封大部等),WY高值分布于西、北山地丘陵及黄河干支流沿线、城市建成区为低值洼地。CES在格网尺度呈"山地高于平原、乡村高于城市",高值集中于西、北山地,低值连片分布于城市建成区及周边;时序上平均CES先微降(2000→2010)再探底(2020最低)后回升(2023恢复至2000水平),低值区先扩张后收缩。县域尺度高值县为西南登封、巩义等生态屏障县,低值为核心城区;演化轨迹为"核心塌陷—外围扩散—整体优化"。SDE显示县、格网两尺度CES重心总体向西南迁移(分别移4.60 km、5.69 km),椭圆面积先扩后缩、长轴略顺时针旋转。全局Moran's I均显著为正(p<0.0001),格网尺度聚集度高于县域(格网Moran's I 0.7275~0.8285,县域0.3049~0.3528),冷热点的Getis-Ord Gi*分析显示热点稳居西南山地、冷点随城市扩张由中心向外蔓延后略收缩,印证尺度效应对CES空间格局的重要影响。
3.2. Analysis of the nonlinear response mechanism of ESs(生态系统服务非线性响应机制分析)
基于SHAP绝对均值排序,建设用地占比(BLP, X12)始终为最显著负向驱动因子,SHAP值由0.0426升至0.0771;DEM(X1)、降水(PRE, X3)为正向驱动,潜在蒸散(PET, X5)、耕地占比(CP, X11)为负向驱动,景观格局因子贡献较低。SHAP交互值表明因子交互贡献显著高于单因子,DEM-耕地占比(X1-X11)始终为最强交互对(最高0.1022),反映地形-耕地空间耦合对CES格局的根本塑造作用,耕地占比-建设用地占比(X11-X12)在城市扩张年份交互增强反映城乡用地竞争挤出效应。PDP结合Bootstrap重抽样与交叉验证显示六大关键因子非线性阈值具阶段演化:BLP(X12)持续负向,阈值在0.34~0.44波动(近期达0.44,暗示高开发强度区抑制趋饱和);PRE(X3)正向促进阈值由687.5 mm升至747.4 mm;NDVI(X6)正向阈值由0.77降至0.63(中覆盖度植被生态功能提升使恢复门槛降低);DEM(X1)呈"先升后稳定"饱和型响应,阈值由961 m降至248 m(低海拔区生态潜力激活、高海拔边际增益递减);PET(X5)呈"初稳后降"负向间断,阈值由1210 mm升至1282.4 mm(超阈值后SHAP转负,生态系统服务显著削弱);耕地占比(CP, X11)响应最复杂——2000—2010年U型(阈值0.42→0.28),2020年波动下降型(阈值0.56),2023年单谷型(阈值0.68),反映农业景观重构与政策干预(高标准农田建设等)使耕地由单一生产向多功能复合转变。
3.3. Multi-scale spatial clustering and zoning(多尺度空间聚类与分区)
县域(79个县)SOM最优聚类数k=6,识别出BI(产水-粮食权衡型)、BII(粮食-生态平衡型)、BIII(生态过渡型)、BIV(重点保护型)、BV(粮食-生态脆弱型)、BVI(栖息地质量-固碳协同型),经"均衡分化—快速重组—深化巩固—稳定固化"四阶段后形成"西南生态保护核心—南部粮食生态平衡—东部粮食生态脆弱—北部生态协同"梯度格局。格网(60069个有效格网)k=8,识别出BI(生态赤字型)、BII(粮食生产型)、BIII(产水型)、BIV(重点保护型)、BV(粮食-产水权衡型)、BVI(生态过渡型)、BVII(固碳-栖息地质量协同型)、BVIII(核心保护型),同样经历四阶段演化后形成"中部粮食-水权衡主导、南部粮食生产集中、外围生态屏障稳固、城市赤字零星嵌布"的稳定格局。两尺度系统2020年后均进入稳态,为差异化分区管控提供空间依据。
讨论与结论总结
讨论指出CES时空演化与尺度效应吻合前人结论,格网尺度利于识别局部冷/热斑、县域适于区域综合治理效果评价;XGBoost-SHAP-PDP揭示的建设用地持续负向累积效应及饱和特征、耕地复杂非线性响应折射农业政策干预成效、自然本底气候地形要素阈值动态可调等,强调未来土地优化应超越静态单因子控制而聚焦关键交互界面防越不可逆生态 tipping point;基于WCFE Nexus与SOM的双尺度自适应治理体系将县级宏观战略(严格生态红线与SDG 15约束西南山地BII、SDG 2导向农田量质生态三位一体保护BIII、SDG 2+6协同高标准农田与面源防控BIV、SDG 13引导空间协同BVI)与格网微观干预(BI建成区依NbS建蓝绿基础设施打破不透水面隔离、BII/BIII保农田边界与水保功能、BIV/BVII依DEM与水热阈值严控人为干扰并封山育林、BV依CP≤0.68红线与PET拐点1282.4 mm预警实施节水灌溉与耐旱缓冲带、BVI/BVII防生态用地无序侵占并探索碳汇-生物多样性协同)相结合,实现从单尺度单点管控向多尺度联动多因子协同治理转型。
结论(翻译):基于SDGs与黄河流域高质量发展战略,研究人员以快速城市化典型区ZZMA为例,创新性采用WCFE Nexus视角建立"综合定量评估—驱动机制分析—科学分区与管控"框架,主要结论如下:(1)CES时空演化具显著非平稳性与尺度依赖性——研究期HQ、CS、WY下降趋势,GP稳步增长;空间呈"西部山区固碳生态主导、中东部平原供水与粮食安全支撑"分异格局;CES重心向西南偏移,热点稳居西南山地、冷点随城市扩张蔓延;格网尺度空间聚集强度显著高于县域。(2)XGBoost-SHAP-PDP模型揭示CES非线性驱动机制与阈值效应——建设用地占比为最显著负向因子(SHAP值0.0426→0.0771),其抑制效应在城市核心区趋近饱和(阈值0.44);降水为正向驱动(阈值升至747.4 mm),潜在蒸散具负向阈值漂移(升至1282.4 mm),DEM呈饱和响应(阈值降至248 m),耕地占比由敏感响应转为饱和抑制(阈值升至0.68);因子交互贡献显著高于单因子。(3)多尺度服务簇识别支撑差异化分区管控——县域识别出6类生态管理簇形成"西南生态保护—南部粮食生态平衡—东部粮食生态脆弱—北部生态协同"梯度格局;格网识别出8类形成"中部水-粮权衡、南部粮食生产集中、外围生态屏障稳固"稳定格局;两尺度均经历"均衡分化—快速重组—深化巩固—稳定固化"四阶段,2020年后进入稳态。所构建多尺度适应性治理体系有效衔接宏观战略协调与微观精准修复,深度融合NbS理念,为ZZMA生态治理由"单尺度单点控制"向"多尺度联动多因子协同"转型提供支撑,也为其他快速城市化区ESs管理与SDGs落地提供方法论参照。