基于可解释机器学习的长江三角洲遥感生态指数生态质量动态诊断

《Land》:Interpretable Machine Learning for Diagnosing Remote Sensing Ecological Index-Derived Ecological Quality Dynamics in the Yangtze River Delta

【字体: 大 中 小 】 时间:2026年07月01日 来源:Land 3.5

编辑推荐:

  本研究构建了基于1 km2六边形网格的诊断框架,整合遥感生态指数(Remote Sensing Ecological Index, RSEI)、Sen–Mann–Kendall趋势分析、Local Moran’s I聚类、基于递 recurrence 的生态压

  
本研究构建了基于1 km2六边形网格的诊断框架,整合遥感生态指数(Remote Sensing Ecological Index, RSEI)、Sen–Mann–Kendall趋势分析、Local Moran’s I聚类、基于递 recurrence 的生态压力类型学以及XGBoost–SHAP(SHapley Additive exPlanations)解释方法,对2000—2025年长江三角洲(Yangtze River Delta, YRD)的生态质量动态进行分析。研究采用逐年标准化RSEI以捕获生态质量的相对轨迹,而非固定载荷系统下的绝对变化。区域平均RSEI波动显著,仅从2000年的0.639小幅下降至2025年的0.632,表明长期生态变化呈非线性特征。在六边形尺度上,64.77%的有效单元呈现RSEI正趋势,其中显著改善占15.08%,显著退化占5.47%。Local Moran’s I识别出明显的高–高(High–High)和低–低(Low–Low)聚类;持续性低质量聚类和稳定高质区分别占有效六边形的10.0%和7.8%。XGBoost–SHAP结果显示RSEI趋势与土壤湿度、高程、不透水面变化和夜间灯光变化存在统计关联,而非直接因果效应。该框架为快速城市化巨型区域优先监测区、生态压力区和差异化土地管理单元的识别提供了空间化基础。
## 一、研究背景与问题提出

快速城市化深刻改变了全球地表过程与生态格局,对区域可持续性和联合国可持续发展目标(Sustainable Development Goals, SDGs)构成重大挑战。长江三角洲作为中国人口最密集、经济最发达的巨型区域之一,近几十年来经历了剧烈的城市扩张、产业转型和大规模土地利用变化,加剧了植被退化、栖息地破碎化、热胁迫和地表湿度改变等生态压力。对于土地系统管理而言,核心挑战不仅在于判断生态质量是否发生变化,更在于定位变化集中区域并识别与不同轨迹相关的环境与社会经济条件。

遥感技术为大规模长期生态监测提供了有效基础。遥感生态指数(RSEI)将植被绿度、地表湿度、热力条件和建设用地/裸土干燥度整合为紧凑的地表生态状况遥感度量指标,广泛应用于城市和区域生态评估。然而,现有研究多以行政单元或常规方形网格为基本分析单元,这种空间单元可能引入聚合偏差,且易受到可修改面元问题(Modifiable Areal Unit Problem, MAUP)的影响,尤其在空间异质性显著的长江三角洲地区。六边形网格相较方形单元具有更各向同性的邻域关系和更低的边界效应,更适合表征多向空间异质性,但其在长期区域RSEI评估和土地管理诊断中的应用仍较有限。

另一关键挑战在于识别与生态变化相关的条件,同时避免对统计关联的过度解读。现有研究常用普通最小二乘法(Ordinary Least Squares, OLS)和地理加权回归(Geographically Weighted Regression, GWR)等线性统计方法将生态质量指标与环境控制因子关联,但生态响应往往具有非线性、尺度依赖性和阈值效应。机器学习方法尤其是极端梯度提升(Extreme Gradient Boosting, XGBoost)适合捕捉此类复杂关系,但其黑箱特性限制了直接解释。SHAP框架通过量化全局特征重要性和局部预测因子效应,使拟合关联更具可解释性。基于此,研究人员开发了1 km2六边形诊断框架,集成Sen–Mann–Kendall趋势分析、递recurrent Local Moran’s I聚类、生态压力类型学和XGBoost–SHAP解释,以解析2000—2025年长江三角洲逐年标准化生态质量轨迹与递recurrent压力模式及潜在解释因子之间的关系。

## 二、主要技术方法

本研究的技术方法可概括为三个关联阶段。第一阶段,基于中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer, MODIS)影像在Google Earth Engine(GEE)平台构建RSEI,包括绿度(归一化植被指数,NDVI)、湿度(缨帽变换湿度分量,WET)、干度(归一化建筑裸土指数,NDBSI)和热度(地表温度,LST)四个维度,经主成分分析(Principal Component Analysis, PCA)提取第一主成分并经标准化处理,逐年独立运算以获取相对生态质量轨迹,随后聚合至1 km2六边形网格。第二阶段,在六边形尺度进行Sen–MK趋势分析、经错误发现率(False Discovery Rate, FDR)校正的Local Moran’s I聚类,识别高–高和低–低聚类的时间递recurrence,并整合当前RSEI状态与趋势信息构建生态压力类型学。第三阶段,采用空间分组交叉验证策略(10×10空间分块,五折GroupKFold)构建XGBoost回归模型,以RSEI的Sen's斜率为因变量,以气候(降水、温度、蒸散发、土壤湿度)、地形(高程、坡度)、土壤(有机碳、pH)、社会经济(夜间灯光、人口密度)及空间邻近性指标为自变量,利用SHAP进行基于保留验证块的可解释分析,评估非线性统计关联。

## 三、研究结果

**RSEI时空演变与趋势特征。** 2000年生态质量以良好(44.7%)和中等(36.0%)等级为主,优秀等级占14.9%;至2025年良好等级大幅扩展至69.5%,中等和优秀等级分别降至24.6%和0.4%。空间上,高RSEI值集中于南部和西部山地及沿海地带,低值多见于北部平原、农田景观和城市化影响区。长期趋势估计显示,36.8%区域显著增加,21.6%增加,16.3%减少,15.7%显著减少,9.6%相对稳定;64.77%六边形呈正Sen's斜率,显著改善和显著退化分别占15.08%和5.47%。区域平均RSEI从2000年的0.639小幅降至2025年的0.632,期间剧烈波动,2008年达最低值(0.443),2014年达最高值(0.697),2020年短暂下降后2021年恢复至0.653,表明区域轨迹以年际波动和等级间再分配为主,而非简单线性趋势。

**空间聚类、递recurrence与生态压力类型学。** FDR校正后的Local Moran's I分析显示,2000年高–高和低–低聚类分别占19.3%和16.9%,2025年分别降至9.5%和14.3%。低–低递recurrence分析表明,45.8%六边形无递recurrent低质量聚类,30.4%偶发,12.5%间歇,7.5%频繁,3.8%持续;频繁或持续低–低递recurrence区域被界定为递recurrent生态压力区。整合递recurrence、当前RSEI状态和Sen–MK趋势,构建生态压力类型学:持续性低质量聚类占10.0%,新兴退化风险区占3.3%,低基线恢复区占1.7%,稳定生态优势区占7.8%,其余为混合或过渡类型。2025年中国年度土地覆盖数据集(CLCD)显示,持续性低质量聚类以农田(46.4%)和不透水面(49.3%)为主,新兴退化风险区含61.1%农田和33.6%不透水面,而稳定生态优势区90.0%为森林。

**XGBoost–SHAP揭示的非线性关联。** 基于10×10空间分块五折交叉验证的XGBoost模型取得R2为0.502、RMSE为0.00286、MAE为0.00207。按平均绝对SHAP值排序,前四位预测因子为平均土壤湿度(SM_mean,0.000677)、高程(0.000588)、不透水面变化(D_Imperv,0.000577)和夜间灯光变化(D_NTL,0.000415),其后依次为土壤有机碳(0.000313)、农田变化(0.000288)、平均蒸散发(0.000255)、蒸散发趋势(0.000246)、土壤pH(0.000234)和土壤湿度趋势(0.000229)。SHAP依赖图显示,不透水面变化和夜间灯光变化的高值集中于SHAP轴负侧,表明城市化扩张和社会经济活动加剧与生态改善受抑制相关;森林变化和部分农田变化与正SHAP贡献相关。高程和地形坡度的SHAP范围呈双向分布,表明地形作为非线性背景约束而非简单单调驱动。空间SHAP图显示,高程和平均土壤湿度形成与长江三角洲地形和湿度对比对应的广域贡献梯度,而不透水面变化和夜间灯光变化在城市化和基础设施密集区呈现局部化负贡献。

## 四、讨论与结论

**RSEI生态质量时空分异。** 长江三角洲未呈现简单的区域:
![](https://i.imgur.com/placeholder.png)
性下降或恢复模式,区域平均RSEI变化微弱但年际波动显著。大范围的良好等级扩张与优秀等级锐减并存,表明变化特征为向良好条件的再分配而非高RSEI水平的持续扩展。区域均值掩盖了局部差异,“轻微下降”与“多数六边形正趋势”的表象矛盾可通过标准化方法差异解释:区域均值反映年际标准化对比和短期波动,而Sen's斜率概括局部长期趋势。2008年和2020—2021年的异常与长江流域重大水文气候扰动(干旱、极端降水、梅雨洪水)时间吻合,但研究未进行事件特定归因分析。

**低质量聚类递recurrence与SHAP预测因子关联。** FDR校正的空间聚类分析表明,生态压力应通过低–低RSEI聚类的递recurrence和持续性来理解,而非单一年份快照。递recurrence分析区分了偶发低生态质量区与2000—2025年持续低质量聚类区,后者需持续干预而非短期修复。XGBoost–SHAP分析将递recurrent空间模式与背景条件关联:高程和平均土壤湿度为最强背景预测因子,表明水文地形背景与RSEI趋势的空间敏感性密切相关;低洼平原的RSEI响应可能对湿度变异性和排水条件敏感,而丘陵山地地形可约束土地利用强度并支持更稳定的植被条件。不透水面变化和夜间灯光变化作为最重要的人为预测因子,主要与模型中较弱的改善或退化相关,与地表密封、栖息地破碎化、热胁迫和社会经济活动增强的效应一致。自然与人为因子作为相互作用的条件而非独立解释,相似发展压力在不同区域可能产生不同RSEI响应,支持基于递recurrent压力、趋势方向和土地系统情境的差异化管理。

**差异化土地管理启示。** 研究将三项关联发现转化为差异化监测和管理优先度:区域平均RSEI掩盖局部生态分异、低–低聚类递recurrence揭示持续性生态压力、SHAP关联指示RSEI趋势的景观敏感性条件。生态管理应从统一区域目标转向基于递recurrent压力、趋势方向和土地系统情境的空间化优先排序。对于以农田为主的低质量聚区,关键在于区分生态压力下的 productive 农业景观与城市化侵蚀区,优先开展农田质量监测、水土保持、灌溉排水改善、邻近不透水面扩张控制。对于城市边缘区,递recurrent低–低聚类与不透水面增长、夜间灯光扩展的负SHAP贡献的结合,指示需加强监测的区域,具体措施需结合本地土地利用、水文和政策证据评估。对于水文敏感景观,土壤湿度和蒸散发的重要性表明修复规划不应仅关注植被覆盖,还需考虑水文调节、土壤保护、排水连通性和热缓解。1 km2六边形框架为自然资源、农业、流域管理和环境部门提供了统一的监测和比较单元。

**研究结论。** 本研究开发了整合年度RSEI追踪、Sen's斜率与Mann–Kendall趋势分析、空间聚类递recurrence和可解释XGBoost–SHAP建模的1 km2六边形诊断框架,评估了2000—2025年长江三角洲长期生态动态。核心发现为:区域平均RSEI仅轻微变化,但64.77%六边形呈正趋势,显著改善和显著退化分别覆盖15.08%和5.47%;空间递recurrence分析识别出递recurrent压力模式,持续性低质量聚类(10.0%)集中于农田–不透水面景观,稳定生态优势区(7.8%)集中于森林;空间分组验证的XGBoost–SHAP揭示双层关联特征,水文地形条件(尤其土壤湿度和高程)与背景景观敏感性相关,而土地利用动态(包括不透水面扩张和夜间灯光变化)与局部压力信号相关。该六边形框架为生态恢复、农田保护和城市边缘监测从统一区域评估向空间差异化管理的转变提供了可扩展的网格级诊断工具。该论文发表于《Land》。
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