基于XGBoost-GeoShapley与PLUS模型揭示吉林省景观生态风险的非线性驱动机制与情景模拟格局

《Ecological Indicators》:Revealing the nonlinear driving mechanisms and scenario simulation pattern of landscape ecological risk in Jilin Province using XGBoost-GeoShapley and PLUS model

【字体: 大 中 小 】 时间:2026年06月29日 来源:Ecological Indicators 8.7

编辑推荐:

  摘要:解析土地利用与景观生态风险(Landscape Ecological Risk, LER)的时空动态对推进区域可持续发展至关重要。以中国吉林省为研究区,本研究量化了1990–2020年土地利用转移及相应的LER格局。通过整合景观指数、空间统计及地理可解释

  
摘要:解析土地利用与景观生态风险(Landscape Ecological Risk, LER)的时空动态对推进区域可持续发展至关重要。以中国吉林省为研究区,本研究量化了1990–2020年土地利用转移及相应的LER格局。通过整合景观指数、空间统计及地理可解释人工智能(eXtreme Gradient Boosting, XGBoost与GeoShapley),系统表征LER的时空异质性并探究其非线性驱动机制。此外,融合多源自然环境与社会经济数据及斑块生成土地利用模拟(Patch-generating Land Use Simulation, PLUS)模型,预测多未来情景下土地利用及LER演变轨迹。研究结果表明:(1)1990–2020年吉林省土地利用以耕地和林地为主,合计占比超80%;LER主要为低风险和中风险,合计占比超75%,高风险区集中分布于省域西部。(2)2030年多情景LER模拟显示:自然发展(Natural Development, NA)情景下高风险与中高风险区占比达14.0%,延续LER历史上升趋势;生态保护(Ecological Protection, EGL)情景下高风险区仅占0.8%,为四情景最低;耕地保护(Farmland Protection, FAR)情景下高风险区占7.4%;经济发展(Economic Development, ECO)情景下中高风险与高风险合计超35%,为四情景最高。(3)驱动因子影响呈非线性且存在复杂交互作用,海拔500–1000 m范围为区域关键阈值区间;各因子具显著空间效应,单一因子驱动力在不同地理环境存在差异。研究结果为吉林省可持续发展与区域生态安全管控提供指导。
论文解读:基于XGBoost-GeoShapley与PLUS模型揭示吉林省景观生态风险的非线性驱动机制与情景模拟格局
研究背景与意义
现有景观生态风险(Landscape Ecological Risk, LER)评估多偏重静态历史分析,缺乏不同规划情景下由土地利用变化驱动的动态演化模拟,且对多因子间非线性胁迫机制的深入解析不足。传统生态风险评估多忽略景观格局时空变异特征,已有机器学习"黑箱"模型难以解释环境因子的空间异质性与交互作用。吉林省作为东北黑土区核心地带,面临人地矛盾加剧、黑土退化及LER上升等问题,亟需开展历史诊断—未来模拟—风险评估—机制分析的全链条研究。该文发表于《Ecological Indicators》,通过引入地理可解释机器学习与高精度斑块级土地利用模拟,弥补了LER研究中动态情景缺失与驱动机制"不可解释"的短板。
主要关键技术方法
研究人员以吉林省为研究区,收集1990、2000、2010、2020年30 m分辨率土地利用数据(重分为耕地、林地、草地、水体、建设用地、未利用地六类),以及数字高程模型(Digital Elevation Model, DEM)、坡度、坡向、年均降水量(Precipitation, PRE)、年均温(Temperature, TEM)、地面平均温度(Ground Surface Temperature, GST)、土壤类型、归一化植被指数(Normalized Difference Vegetation Index, NDVI)、水系、人口密度(Population Density, POP)、夜间灯光、人均GDP、路网等驱动因子,统一重采样至30 m并配准。主要技术方法包括:(1)采用10 km×10 km渔网剖分,基于Fragstats计算景观破碎度、分离度、优势度指数,构建景观干扰指数(Landscape Disturbance Index, Ei)、景观脆弱度指数(Landscape Vulnerability Index, Fi)及景观损失指数(Landscape Loss Index, Ri),加权求和得到网格LER值后以普通克里金(Ordinary Kriging)插值生成全区LER分布,按自然断点法分为五级;(2)以2000与2010年土地利用及驱动因子通过土地扩张分析策略(Land Expansion Analysis Strategy, LEAS)模块挖掘转换规则,结合随机种子元胞自动机(Cellular Automaton based on Random Seeds, CARS)模块的PATCH-generating Land Use Simulation(PLUS)模型模拟2020年验证(Kappa=0.795,Figure of Merit, FOM=0.201,总体精度0.88),进而设置自然发展(NA)、生态保护(EGL)、耕地保护(FAR)、经济发展(ECO)四情景模拟2030年土地利用及LER;(3)以LER为因变量、15个驱动因子为自变量构建XGBoost回归模型(经方差膨胀因子Variance Inflation Factor, VIF检验无多重共线),采用SHAP(Shapley Additive exPlanations)进行全局与特征水平解释,进一步引入GeoShapley将经纬度作为空间特征分解非空间贡献与空间交互贡献,分析因子非线性效应、交互作用及空间异质性。
研究结果
3.1. Changes in land use and trends(土地利用变化及趋势)
通过对1990–2020年土地利用转移矩阵与弦图分析,研究人员发现耕地与林地始终占吉林省总面积80%以上;耕地比例由37.3%升至39.56%(主要由草地、林地转出),草地降幅最大(6.63%降至4.24%),建设用地持续扩张且2000年后耕地转建设用地明显增多,林地与未利用地面积较稳定。
3.2. Analysis of spatial-temporal variations and spatial correlations in landscape ecological risks in Jilin Province(吉林省LER时空变异与空间自相关分析)
1990–2020年LER以低风险和中风险为主(>75%),风险指数先降后升、总体上行,低及较低风险面积缩减,中高及高风险面积增加;空间上高风险与中高风险集中于西部(松嫩—科尔沁过渡带),低风险与较低风险集中于东部(长白山区)。全局Moran's I为0.813–0.852(正相关性),LISA聚类显示低—低(Low-Low)集聚于东部林区,高—高(High-High)集聚于西部平原。
3.3. Results of multi-scenario land use simulations and landscape ecological risks(多情景土地利用模拟与LER结果)
PLUS模型模拟2020年精度满足要求后,研究人员开展四情景2030年模拟:①NA情景延续2010–2020趋势,耕地(+15,853 hm2)、草地(+45,775 hm2)增,林地(-40,091 hm2)减,LER高风险+中高风险延续上升;②EGL情景严格限制生态用地流失,林地(+123,415 hm2)、草地增,耕地减,LER高风险区仅占总面积0.8%,中低风险占比最高(19.6%),整体LER最低;③FAR情景划定永久基本农田受限区,耕地大幅扩(+199,658 hm2)致东部林地转出,LER中高风险占比27.8%、高风险7.4%;④ECO情景建设用地下放约束(+184,126 hm2),耕地、林地缩减,中部平原与西部城市集聚区LER显著升高,中高+高风险合计>35%为四情景最高。
3.4. XGBoost-GeoShapley analysis of driving factor contributions(驱动因子贡献的XGBoost-GeoShapley分析)
XGBoost测试集R2>0.90,优于Random Forest(RF)与CatBoost。全局SHAP表明DEM为最重要自然驱动因子,社会经济因子重要性随时间上升(2020年夜灯亮度列第3、GDP列前5),各因子与LER呈非线性关系。因子交互矩阵显示自然—自然交互(如DEM×PRE、DEM×GST)强度略降趋饱和,人—人交互(如GDP×夜灯)持续增强;DEM×PRE在海拔500–1000 m具阈值效应——低于此阈值范围二者协同降低LER,高于则协同升高LER。GeoShapley空间分解显示同一因子效应具空间异质性:DEM在东部山区为负贡献(高海拔森林生态系统完整),西部平原为正贡献;夜灯与GDP高贡献区由1990年仅长春、吉林市区扩展至2020年西部农开区;降水(PRE)、地温(GST)在东部多为负贡献(水热适宜稳生态),西部盐渍化区贡献正负波动。证实驱动因子作用方向与大小依赖具体地理位置。
讨论与结论总结
讨论指出LER呈"西高东低"格局受自然本底(西部平原脆弱盐渍化、东部山地森林屏障)与人为强度(西部农垦城镇化致景观破碎化)共同控制;2000年后LER上升与商品粮基地建设及城市化加速相关,生态工程有一定遏制但未改宏观格局。多情景比较证实EGL情景可有效抑制LER恶化,ECO与FAR情景分别因建设扩张与东部林转耕抬高风险。XGBoost-GeoShapley揭示DEM为关键阈值因子(500–1000 m过渡带需重点管控),自然因子影响占比渐降而社会经济因子渐升,同因子效应具空间依赖性须结合地理背景解读。政策上建议西部实施退化和优质农田分类管理并建立生态补偿,中部严控城市增长边界与永久基本农田红线,东部优先生态保育与生态廊道构建,500–1000 m过渡带设生态缓冲带管控开发强度。
结论:(1)1990–2020年吉林省耕地增、草地减最显著,林地稳定;多情景下EGL情景林地草地增,FAR与ECO分别致林地减与建设用地剧增。(2)历史LER以低中风险为主、总体微升,高风险西聚;NA延续升势,EGL显著改善(高风险0.8%),FAR与ECO分别使高风险达7.4%与中高+高风险>35%。(3)LER受自然—社会非线性叠加驱动,DEM×PRE等交互存500–1000 m阈值,社会经济因子重要性上升;GeoShapley揭示驱动因子具空间异质性与地理背景依赖性。
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