基于图神经网络(Graph Neural Network, GNN)混合索引的半干旱城市环境质量评估与灾害风险预测——一种混合遥感社会生态指数(Hybrid Remote Sensing Socio-Ecological Index, HRSEI)方法

《Journal of Hazardous Materials Letters》:A Graph Neural Network Hybrid Index for Environmental Quality Assessment and Hazard Risk Prediction

【字体: 大 中 小 】 时间:2026年06月29日 来源:Journal of Hazardous Materials Letters 9.0

编辑推荐:

  在干旱与半干旱地区,城市化与土地利用/覆被变化加剧了生态退化与环境灾害。本研究基于植被归一化指数(Normalized Difference Vegetation Index, NDVI)、湿度(WET)、地表温度(Land Surface Temperatu

  
在干旱与半干旱地区,城市化与土地利用/覆被变化加剧了生态退化与环境灾害。本研究基于植被归一化指数(Normalized Difference Vegetation Index, NDVI)、湿度(WET)、地表温度(Land Surface Temperature, LST)、建筑指数(Normalized Difference Built-up Index, NDBI)、夜间灯光强度(Nighttime Light intensity, NTL)及人口密度(Population Density, POP)等环境与人为指标,在图神经网络(Graph Neural Network, GNN)框架下构建了混合遥感社会生态指数(Hybrid Remote Sensing Socio-Ecological Index, HRSEI),以捕捉复杂的空间相互作用与社会—环境动态。研究人员以伊拉克Al-Suwairah市为研究区,利用2000—2024年Landsat影像与多源数据集在Google Earth Engine(GEE)平台上开展分析,并采用Sen斜率估计(Sen's slope estimator)、Mann-Kendall检验、Global Moran's I指数及局部空间自相关指标(Local Indicators of Spatial Association, LISA)评估时空动态。结果表明,HRSEI具有高度空间自相关(Moran's I=0.86~0.93),显著高于传统遥感生态指数(Remote Sensing Ecological Index, RSEI)的Moran's I值(0.13~0.18),说明HRSEI具有更强的空间连贯性与稳定性。HRSEI识别出与城市扩张、热胁迫及植被减少相关的生态退化热点,并揭示出传统RSEI未能充分体现的长期社会—环境演变趋势。基于极端梯度提升树(eXtreme Gradient Boosting, XGBoost)与长短期记忆网络(Long Short-Term Memory, LSTM)模型的未来情景预测显示,至2030年环境风险可能上升。所提出的框架为干旱与半干旱城市的环境质量评估、灾害识别及可持续城市规划提供了一种可行策略。
论文解读:《A Graph Neural Network Hybrid Index for Environmental Quality Assessment and Hazard Risk Prediction》
发表于《Journal of Hazardous Materials Letters》

一、研究背景与意义
传统遥感生态指数(Remote Sensing Ecological Index, RSEI)基于主成分分析(Principal Component Analysis, PCA)融合绿度(NDVI)、湿度(WET)、干度(NDBI)和热度(LST)四个生物物理指标来评估生态质量,但其存在两方面局限:一是仅考虑自然因素,忽略人口密布、夜间灯光等人为驱动力;二是PCA假设变量间呈线性关系,无法刻画生态系统中高度非线性及空间依赖性。地理加权回归(Geographically Weighted Regression, GWR)等传统空间统计方法亦受限于线性假设与预设空间核。干旱与半干旱城市快速城镇化背景下,亟需一种能同时纳入社会—生态因子、显式建模空间邻接关系并支持时序预测的评价框架。为此,Ahmed Kareem Jebur、Barat Mojaradi与Maryam Hasani Zonoozi以伊拉克Wasit省Al-Suwairah市(半干旱、快速城镇化)为案例,提出基于图神经网络(Graph Neural Network, GNN)的混合遥感社会生态指数(Hybrid Remote Sensing Socio-Ecological Index, HRSEI),并耦合Sen–Mann-Kendall趋势分析与LSTM/XGBoost预测模型开展24年时序(2000–2024)评估与2030年风险预测。

二、主要关键技术方法
研究人员选取伊拉克Al-Suwairah市为研究区,获取2000、2005、2010、2015、2020、2024年多时相Landsat系列影像提取NDVI、WET、NDBI,MODIS LST(MOD11A2/MYD11A2)经NDVI–NDBI回归降尺度至30 m,DMSP-OLS与VIIRS-DNB交叉校正获得连续NTL序列,结合人口普查获取POP。传统RSEI经min–max归一化后PCA提取第一主成分(PC1)构建;HRSEI则将六个归一化指标作为图节点特征,按四邻域建立空间邻接图,采用两层图卷积网络(GCN/GNN),隐层16通道ReLU激活、输出层Sigmoid激活,Adam优化器训练得出0–1值域的HRSEI。时空趋势用Sen's Slope与Mann-Kendall检验,空间自相关用Global Moran's I与LISA聚类,驱动因子分析用Pearson相关与Random Forest特征重要性,未来预测分别构建XGBoost与LSTM(32神经元+Dropout 0.2)模型并以2024年做时间验证,择优选用LSTM外推至2030年。

三、研究结果
3.1. RSEI Construction
PCA各年份PC1解释方差76.95%–86.93%,NDVI正载荷、LST与NDBI负载荷,符合生态含义,取PC1构建RSEI。
3.2. Correlation Analysis of Hybrid and Traditional Environmental Indicators
HRSEI与NDVI(≈0.999)、WET呈强正相关,与LST、NDBI、POP、NTL呈弱负相关,体现自然—人为双重平衡;RSEI与LST(r≈–0.167)、NDBI(r≈–0.158)负相关性更强,对热胁迫与建成区更敏感但忽略人为因素。
3.3. Comparative Analysis of RSEI and HRSEI
RSEI反映生物物理变化但低估人为累积效应;HRSEI通过图结构学习空间依赖与非线性交互,既能识别退化/改善细部模式,又兼顾社会—生态反馈,两指数整体时空趋势一致。
3.4. RSEI and HRSEI Trends and Spatial Variation (2000–2024)
按显著变差/变差/不变/变好/显著变好五级分类,HRSEI检测到更大比例的显著退化与局部改善区,反映其对城镇扩张致损与农区恢复更敏感;空间上退化集中于中心城区,改善见于北部农田与绿地。
3.5. Validation and Evaluation of the Model
3.5.1 统计对比显示HRSEI均值高于RSEI且标准差更小(多数年份),表明数值更稳定、噪声更低。
3.5.2 相关矩阵证实HRSEI紧密关联NDVI/WET及人为因子POP/NTL。
3.5.3 等级分布上HRSEI"不变"与"变好"占比更合理,更符合半干旱城市实际景观异质性。
3.6. Spatio-temporal changes
逐时段转移分析显示2000–2005与2005–2010以退化为主(约62%–66%),2010–2015起恢复(>53%改善),2015–2020达峰值恢复(~73%),2020–2024再现部分退化(49%退化);全时段净改善与净退化分别约占47.0%与46.9%。
3.7. Statistical Trend Analysis of RSEI and HRSEI (2000–2024)
RSEI Sen斜率0.002857 yr?1(p=0.00953),波动大;HRSEI Sen斜率0.00126 yr?1(p=0.00758),曲线平滑且2010年后持续回升,更能表征长时序社会—环境动态。
3.8. Spatial Autocorrelation Analysis of Ecological Quality (2000–2024)
RSEI Global Moran's I=0.134–0.185(弱—中等自相关),HRSEI Moran's I=0.8618–0.9288(p<0.01,强正自相关)。LISA显示北部农区High–High簇(生态稳定核),中南部Low–Low簇(退化热点),2005年Moran's I略降预示空间破碎化先于时段HRSEI下降。
3.9. Multivariate Factor Impact
线性回归与Random Forest特征重要性表明:NDVI最重要(回归系数0.61–0.94,重要性最高0.50),其次WET(正)与LST(负),NDBI、POP、NTL呈负贡献且重要性随时间微增,反映人为压力渐强。
3.10. Forecast for 2030
LSTM(R2=0.88,RMSE=0.1091)优于XGBoost(R2=0.82),被选做预测。2030年空间预测显示49.1%区域预计退化、35.0%稳定、15.9%改善,退化高风险集中于中南部建成区。
3.11. Comparison with Previous Studies
相比MRSEI、IRSEI等仅增生物物理指标且仍用线性融合的方法,HRSEI–GNN引入人为因子并在图结构中建模高阶空间依赖,Moran's I显著提升,兼具描述性与预测性,适用于半干旱城市。

四、讨论与结论总结(翻译浓缩结论部分)
研究人员开发了融合遥感与 socio-economic 指标的混合遥感社会生态指数(HRSEI),通过图神经网络框架刻画环境变量间的非线性关系与空间依赖性,克服传统PCA基RSEI局限。HRSEI表现出远高于RSEI的空间自相关(Moran's I=0.86–0.93 vs. 0.13–0.18),LISA识别北部农区为高生态质量聚集区、中南部城区为退化热点。2000–2024年约47%区域有所改善、46.9%退化,Sen趋势分析显示轻微但显著的正向长期变化(0.00126 yr?1)。XGBoost与LSTM预测表明至2030年中南部持续承压、北部趋于稳定或改善。HRSEI–GNN可从生态质量角度反向解读为环境灾害脆弱性分级,兼具早期预警功能。该框架基于多源数据与空间学习架构,可迁移至具可比数据集的其他干旱与半干旱城市,为可持续城市规划与环境风险管理提供量化决策支持。局限性含社会经济驱动因子较有限、降尺度引入不确定及训练时点较少,需在异区进一步验证与参数调适。
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