运用集成机器学习与多维度诊断框架确定城市生态修复优先区域

《Journal of Environmental Management》:Identifying priority urban ecological restoration areas using an integrated machine-learning and multi-dimensional diagnostic framework

【字体: 大 中 小 】 时间:2026年06月28日 来源:Journal of Environmental Management 9.2

编辑推荐:

  胡玉霞|余照武|胡金宇|杨文军|张玉佳|王玉轩|苗雨辉中国上海,复旦大学环境科学与工程系,200438摘要快速的城市化进程加剧了人类活动对城市生态系统的压力,这就需要有效的方法来确定生态修复的优先区域。为了解决传统静态评估与空间上差异化的生态压力之间的矛盾,以及以往研究中结构优化

  
胡玉霞|余照武|胡金宇|杨文军|张玉佳|王玉轩|苗雨辉
中国上海,复旦大学环境科学与工程系,200438

摘要

快速的城市化进程加剧了人类活动对城市生态系统的压力,这就需要有效的方法来确定生态修复的优先区域。为了解决传统静态评估与空间上差异化的生态压力之间的矛盾,以及以往研究中结构优化与功能恢复分离的问题,我们构建了一个综合框架,该框架结合了基于机器学习的抗性建模、生态单元识别以及五维生态诊断方法,以辅助确定修复优先级并进行类型分类。将该框架应用于上海后,我们发现了具有明显核心-边缘结构的重点生态修复区域,这些区域分布在城市、郊区和远郊地带,但并不完全对应生态系统服务水平最低或抗性最高的区域。相反,它们集中出现在生态系统服务仍很重要但抗性相对较高的过渡带。通过五维诊断框架,所有生态单元被分为四种修复类型:质量提升、连通性增强、稳定性提升以及生态系统功能提升。高优先级和极高优先级的区域占生态空间的44%,26.1%被划分为中优先级,这为确定干预强度和安排修复行动顺序提供了依据。所提出的框架为在高密度城市地区实施差异化的生态修复策略提供了一种机制驱动、空间明确且可迁移的工具。

引言

快速的城市化和工业发展极大地加剧了人类活动对生态系统的压力,导致了更严重的气候变化、生物多样性加速丧失,以及生态系统基本功能的受损(Cardinale等,2012;Foucher等,2023;Weiskopf等,2024)。因此,生态修复已成为重建退化生态系统、提升生态效益和服务能力的重要策略(T?lgyesi等,2025)。然而,修复资源本身是有限的,而且生态退化在空间上存在高度异质性,因此不可能也不划算同时修复所有区域。在这个关键阶段,精准确定生态修复的优先区域对于解决区域生态问题、提升整体生态系统质量至关重要,这一点在全球范围内的大规模生态修复项目中也日益受到重视(Wu等,2025;Yue等,2024)。
目前,确定生态修复优先区域的方法主要侧重于识别生态退化最严重或人类干扰程度最高的区域。常见的策略往往依赖于基于抗性的空间分析方法,比如生态源-抗性面-生态走廊模型(Li等,2022),或者通过对生态系统服务和生态脆弱性进行分级评估,来找出功能下降或脆弱性增强的空间单元(Gao等,2025;Peng等,2023)。随着遥感技术和地理空间大数据的快速发展,数据驱动和机器学习方法也开始得到应用,例如用于绘制生态系统服务图、预测生态退化风险以及构建生境适宜性分析(Li等,2025a;Ma等,2026)。这些进展显著提升了生态修复规划的空间分辨率和诊断能力。尽管这些方法在确定生态修复优先区域方面取得了显著进展,但仍存在一些局限性。首先,许多研究仍然依赖经验性的抗性系数、静态叠加分析或单一的生态系统服务指标,未能充分考虑生态抗性对气候、环境及人类活动压力的非线性响应(Li等,2025b;Shi等,2025)。此外,现有研究往往只注重优化空间连通性或单独提升生态系统服务水平,有时会导致结构上的改善但功能却出现下降(Jiang等,2024;Valentine等,2023)。而且,以往确定的生态修复优先区域往往受行政边界或统一阈值的限制,没有充分考虑到内部的生态梯度或地形差异,从而降低了生态修复规划的精确度和针对性,尤其是在那些空间异质性高、生态相互作用复杂的大都市区(Fu等,2025;Liu等,2022)。因此,生态修复的重点往往集中在生态状况极端的区域,而那些生态系统服务仍很重要但退化速度加快的过渡带则往往被忽视,这限制了整体生态修复工作的进展。
为了解决这些问题,本研究构建了一个综合框架,将基于机器学习的抗性建模、生态单元识别、五维生态诊断以及修复类型分类相结合。该框架的核心贡献在于建立了一个以决策为导向的分析链条,将需要修复的区域、修复的必要性以及修复的实施方式联系起来。具体而言,我们采用可解释的机器学习方法来捕捉生态系统非线性和阈值响应,从而生成一个客观的抗性面(Huang等,2025;Yang等,2025a)。然后利用这个抗性面来识别结构上重要的生态单元,再通过五维诊断框架从完整性、功能、流动性、恢复力和可持续性等方面评估这些单元所面临的主要约束。这样一来,该框架就将结构重要性与功能限制联系起来,进而将生态约束转化为不同的修复类型和优先级别。
本研究针对复杂城市环境中的两个关键问题展开研究:(1)如何在城市干扰程度不同的情况下客观确定生态修复的优先区域;(2)如何运用多维诊断方法对修复优先级进行排序并分类,以支持差异化的生态修复工作。所提出的框架为连接生态系统的结构和功能提供了途径,有助于实现从静态评估向更具诊断性和决策导向的生态修复规划转变。

章节节选

研究区域与数据预处理

上海位于中国东部,长江和黄浦江注入东海的交汇处(图1)(Yu等,2023)。该市平均海拔约为4米,属于湿润的温带季风气候(Yu等,2024)。2024年,上海的常住人口达到了2480万,GDP增至5.39万亿元人民币,城市化率超过89%,远高于全国平均水平。数十年来,由于快速的填海造地、工业建设以及

重点生态修复区域识别结果

对上海五大关键生态系统服务重要性的评估显示,城市中心、郊区和远郊地带之间存在明显的空间差异,这反映了城市化强度的梯度分布(图S2)。生态系统服务价值较高的区域主要分布在上海的西部和南部,而城市中心和工业区则表现出相对较低的生态系统服务水平。共有33个生态源斑块

结合机器学习与多维诊断方法进行修复优先级确定的优势

在城市中确定生态修复的优先区域,需要一个能够将生态结构、功能约束以及在强烈人类活动干扰下的修复决策联系起来的分析框架(Peng等,2025)。以往的研究主要依靠专家确定的抗性权重和静态叠加分析方法来划定修复区域,而这些方法大多还只是描述性的、以模式为中心的(Strassburg等,2020;Sun等,2025

结论

本研究构建了一个机制驱动且空间明确的框架,用于在高城市化程度的城市中识别和确定生态修复区域的优先顺序。将该框架应用于上海后,研究结果表明,重点生态修复区域并不仅仅位于生态系统服务水平最低或生态抗性最高的地点;相反,它们集中出现在生态风险正在迅速积累的过渡地带。这一发现

资金支持

本研究得到了国家自然科学基金的支持(项目编号:42571103)。

CRediT作者贡献声明

胡玉霞:概念构思、数据整理、正式分析、研究调查、方法设计、软件应用、可视化处理、初稿撰写、审稿与编辑。余照武:方法设计、项目管理、资源协调、软件应用、审稿与编辑。胡金宇:概念构思、数据整理、审稿与编辑。杨文军:研究调查、方法设计、资源协调。张玉佳:数据整理、正式分析、监督指导。王玉轩:软件应用、监督指导。苗雨辉:数据

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号