基于机器学习识别长江中上游地区净初级生产力(NPP)的关键景观格局特征

《Forests》:Identifying Key Landscape Pattern Characteristics Associated with NPP in the Upper and Middle Yangtze River Using Machine Learning

【字体: 大 中 小 】 时间:2026年07月07日 来源:Forests 3.1

编辑推荐:

  植被净初级生产力(Net Primary Productivity, NPP)的时空变化直接反映了生态系统功能,而景观格局演变是其分异的关键空间关联因素。阐明这种关系对于区域生态管理至关重要。本研究聚焦于长江中上游地区,利用2000–2020年土地利用和NPP

  
植被净初级生产力(Net Primary Productivity, NPP)的时空变化直接反映了生态系统功能,而景观格局演变是其分异的关键空间关联因素。阐明这种关系对于区域生态管理至关重要。本研究聚焦于长江中上游地区,利用2000–2020年土地利用和NPP数据,分析了整体景观格局如何与不同植被类型的NPP产生差异关联,并识别了与NPP相关的关键景观格局特征。研究结果显示:(1)基于4102个10 km × 10 km空间粒度的网格单元和8:2随机训练-测试集划分验证程序,极端梯度提升(XGBoost)模型在所有机器学习模型中表现最优,其测试集决定系数(R2)达到0.78。(2)在研究期间,89.58%的区域归一化植被指数(Normalized Difference Vegetation Index, NDVI)呈增加趋势,并伴随着广泛的草地和灌丛向森林的转化。区域平均NPP增加了51.57 g C m?2 yr?1。(3)景观格局与NPP的关联在不同植被类型间存在差异。斑块数量(Number of Patches, NP)与森林和整体NPP的关联最强;最大斑块指数(Largest Patch Index, LPI)与灌丛NPP的关联最密切;相似邻接比例(Proportion of Like Adjacency, PLADJ)则与草地NPP的关联最强。综合植被演变趋势以及景观格局与NPP的植被特异性关联,研究人员提出,未来的生态恢复和国土空间治理可以基于关键关联的景观指标,采取有针对性的景观优化策略,以支持区域生态系统生产力的可持续提升。
**论文解读:长江中上游地区景观格局与净初级生产力关联的机器学习识别研究**

**一、 研究背景与问题**

陆地净初级生产力(NPP)是衡量植被通过光合作用固定的净有机碳量的关键指标,直接反映了生态系统的碳汇能力和功能状态,是全球物质与能量循环的基础。然而,不可持续的土地利用变化正在损害陆地NPP,威胁依赖生态系统服务的生物多样性与人类福祉。以往研究多关注土地利用类型的数量变化对NPP动态的影响,例如通过改变水文、碳储量和微气候等途径。然而,这种对土地利用数量的狭隘关注,很大程度上忽略了景观的空间配置(即景观格局)。即使各类土地利用总面积保持不变,其空间配置的差异也可能显著改变生态过程并影响NPP。因此,识别与NPP关联的关键景观格局特征,是景观生态学的一个核心焦点。

长江流域在过去二十年间经历了快速城市化和大规模生态恢复(如退耕还林工程),形成了前所未有的景观异质性,导致了NPP响应的高度复杂性和空间变异性。以往研究多采用皮尔逊相关分析和多元线性回归来探索景观-NPP关系。然而,这些关系本质上是非线性、尺度依赖且具有植被特异性的,线性模型无法充分表征这些特征,也难以在存在强多重共线性的情况下,解开景观指标间的协同或拮抗交互效应,或产生稳健的变量重要性排序。这解释了为何先前研究未能一致地识别出关键驱动指标。

基于树的机器学习方法为解决这些局限提供了强大框架。它们能够捕捉非线性的生态响应、复杂的交互效应和空间异质性,这对于理解景观格局如何影响NPP至关重要。更重要的是,即使在预测变量高度相关的情况下,这些模型也能产生稳健的变量重要性排序,使研究人员能够可靠地解析不同景观指标对NPP动态的相对贡献。然而,现有的NPP驱动因子机器学习研究几乎完全集中于气候、地形和人类活动,而很大程度上忽略了直接反映植被空间组织的景观格局。更为关键的是,现有研究很少使用非线性框架评估NPP对景观配置的植被特异性响应,尽管不同植被类型具有截然不同的结构和功能性状,介导了其对景观变化的响应。这一研究空白在长江流域尤为突出,该区域共存的森林、灌丛和草地在生态恢复和城市化的双重驱动下正经历快速的景观转变。

长江中上游地区生态系统脆弱,人地关系复杂,其稳定对流域乃至全国的生态安全至关重要。该区域地形气候复杂,生态系统类型空间异质性强,同时也是中国人口最密集的区域之一。近几十年来,密集的城市扩张和资源开发改变了其景观格局。到21世纪初,部分中上游地区出现了严重的生态系统退化,威胁国家粮食和生态安全。随后实施的大规模生态恢复工程(如天然林保护和退耕还林)不仅恢复了植被覆盖,也重塑了景观配置和植被空间连通性,创造了新的NPP动态驱动因素。因此,系统识别与NPP变化相关的关键景观指标,对于支持维持该区域生态平衡至关重要。

基于此,本研究聚焦长江中上游地区,利用2000–2020年土地利用和NPP数据,旨在解决三个核心科学问题:(1)表征不同植被类型下植被覆盖、景观格局和NPP的时空变化特征;(2)比较六种机器学习模型,以确定解析非线性景观-生产力关系的最稳健方法;(3)揭示与NPP相关的植被特异性景观格局特征,并对不同景观指标的相对重要性进行排序。

**二、 关键技术方法**

研究区域涵盖四川、重庆、湖北、湖南、云南和贵州六省市,总面积约180万平方公里。数据来源包括2000–2020年逐年土地利用数据(源自Landsat衍生的中国土地覆盖产品)、同期归一化植被指数(NDVI)数据,以及由美国国家航空航天局中分辨率成像光谱仪(MODIS)遥感数据基于卡内基-艾姆斯-斯坦福方法(Carnegie–Ames–Stanford Approach, CASA)模型生成的逐年NPP数据。所有数据在ArcGIS Pro中进行预处理,统一空间分辨率、范围和投影,采用阿尔伯斯等积圆锥(Albers Equal Area)坐标系,并以500米像素大小裁剪至研究区边界。

植被覆盖动态通过两种互补方法量化:一是基于NDVI计算植被覆盖度(Fractional Vegetation Cover, FVC),并利用非参数曼-肯德尔(Mann–Kendall, MK)趋势检验分析NDVI和FVC时间序列的长期变化;二是构建土地利用转移矩阵,量化2000–2020年间植被类型转换的方向和规模。景观格局分析采用Fragstats 4.2软件,在10 km × 10 km网格尺度上计算了八个代表性景观指数,涵盖面积-边缘、形状、聚集度和多样性四个核心维度,包括斑块数量(NP)、最大斑块指数(LPI)、景观形状指数(Landscape Shape Index, LSI)、蔓延度指数(Contagion Index, CONTAG)、相似邻接比例(PLADJ)、散布与并列指数(Interspersion and Juxtaposition Index, IJI)、聚集指数(Aggregation Index, AI)和香农多样性指数(Shannon's Diversity Index, SHDI)。

机器学习建模部分,以八个景观指标为预测变量,年NPP为连续响应变量,比较了六种算法:随机森林(Random Forest, RF)、极端梯度提升(XGBoost)、梯度提升回归(Gradient Boosting Regression, GBR)、CatBoost、K-最近邻(K-Nearest Neighbors, KNN)和分类决策树(Decision Tree, DT)。数据集按8:2比例随机划分为训练集和测试集。模型性能通过决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)进行评估。基于性能最优的模型,通过增益(gain)指标计算变量重要性,并将八个指标综合为三个更广泛的景观维度(破碎化、聚集与连通性、组成异质性)进行后续分析。

**三、 研究结果**

**3.1 植被覆盖动态变化**
2000–2020年间,长江中上游NDVI呈现显著空间异质性。总体而言,89.58%的研究区域NDVI呈增加趋势,其中47.34%为显著增加(p < 0.05),增加趋势集中在西部和东部山地丘陵区,减少趋势主要出现在中部平原和盆地核心区,高原和喀斯特过渡带NDVI相对稳定。FVC变化的空间格局与NDVI高度一致。植被类型转换分析显示,草地转森林是主导变化,占总转换面积的37.95%;灌丛转森林次之,占28.39%。两者合计占所有植被转换的66.34%。

**3.2 不同植被类型下NPP的时空变异特征**
区域平均NPP从2000年的599.52 g C m?2 yr?1稳步增长至2020年的651.09 g C m?2 yr?1,净增51.57 g C m?2 yr?1(增幅8.60%)。区域总NPP同期增长52.65 Tg C(增幅8.45%),而植被总面积稳定在约103–104万平方公里。空间上,NPP增加集中在南部河谷、高原和喀斯特山区,显著减少仅限于西部高海拔高原和孤立的山地边缘地区,其他大部分地区NPP水平稳定。

森林作为主导植被类型,NPP增益最为明显,平均NPP增加50.56 g C m?2 yr?1,总NPP增长54.37 Tg C,森林面积在研究期间扩张了2.18%。然而,在2015–2020年间出现了不同趋势:森林平均NPP从762.26降至737.35 g C m?2 yr?1,而灌丛和草地的平均NPP分别从405.36增至436.92 g C m?2 yr?1和从276.64增至282.80 g C m?2 yr?1。灌丛和草地的平均单位面积生产力分别提升了12.60%和5.48%,但由于面积减少,其总NPP均略有下降。总体而言,森林是唯一在面积和单位面积生产力上同时增长的植被类型,驱动了区域整体NPP的增长。

**3.3 景观指标的变量重要性**
基于选定的XGBoost模型,量化了不同景观指标对NPP变异的相对预测重要性。在整体景观尺度上,破碎化维度指标与NPP的关联最强,其中NP是排名最高的个体预测因子。然而,不同景观维度的相对重要性在不同植被类型间差异显著,揭示了其对景观配置的敏感性不同。

* **对于森林**:破碎化是与NPP动态关联最强的景观维度,NP的预测重要性超过任何其他指标的两倍。聚集与连通性指标具有次要重要性,而组成异质性影响最弱。
* **对于灌丛**:聚集与连通性是最重要的景观维度,LPI是主导的个体指标。破碎化指标具有中等重要性,组成异质性影响最小。
* **对于草地**:聚集与连通性同样是主导景观维度,但最关键的单体指标是PLADJ而非LPI。组成异质性具有次要重要性,而破碎化影响最弱。

总体而言,没有一个单一的景观指标或维度能够普遍解释所有植被类型的NPP动态。森林NPP与景观破碎化的关联最强,灌丛NPP与主导斑块大小的关联最密切,草地NPP则与相似斑块的空间聚集关联最强。

**四、 讨论与结论**

讨论部分深入分析了植被动态转换与分异、景观格局变化与NPP关联的机制以及研究的局限性。

研究发现,2000–2020年间研究区的植被类型变化与景观格局演变高度一致。NDVI和FVC显著增加的区域集中在山地丘陵区,其空间分布与景观格局变化紧密匹配。NP的先降后升可能反映了生态恢复的两个不同阶段:退耕还林工程初期通过整合退化土地减少了斑块数量,后期草地和灌丛向森林的转化则因新森林斑块的形成增加了斑块数量。草地和灌丛向森林的转化,而非简单的植被覆盖增加,显示出与区域NPP持续改善的最强关联。这很可能反映了在起伏较大的地形区,森林生态系统更强的竞争优势和更稳定的群落动态。森林面积的扩张对应于研究区单位面积NPP和区域总NPP的增加,观察到的LPI增加进一步表明森林在区域景观中的主导地位得到加强。相比之下,草地和灌丛表现出单位面积NPP增加但总NPP下降。值得注意的是,2015–2020年间森林平均NPP下降,而灌丛和草地NPP持续增加,这种分异可能反映了日益增加的气候压力(如区域变暖和更频繁的干旱事件),以及随着恢复森林逐渐成熟,生产力增长可能放缓。PLADJ的下降趋势和IJI的波动表明,森林扩张并非完全连续,而是伴随着景观异质性和破碎化的增加。

研究结果证实景观配置与NPP动态显著相关,但不同景观维度的相对预测重要性在不同植被类型间差异巨大。XGBoost优于传统线性模型的性能证实了景观-NPP关系是高度非线性且涉及指标间复杂交互作用的。研究揭示了三种不同的关联模式:森林NPP与破碎化关联最强,草地NPP与斑块聚集关联最强,灌丛NPP与核心斑块大小关联最强。这种景观响应的植被特异性异质性,为理解景观-NPP关系和设计更有效的生态恢复策略提供了新框架。具体而言,恢复实践应优先考虑灌丛和草地主导斑块的完整性和空间连续性,而对于森林生态系统则应侧重于减少过度破碎化。

研究也指出了若干局限性,包括分析框架识别的是统计关联而非直接因果关系,未明确纳入气候、地形和人类活动等环境协变量;随机划分训练-测试集可能因空间自相关性导致模型性能估计过于乐观;景观-NPP关系具有尺度依赖性,在10 km空间粒度上获得的结论在不同空间尺度下可能变化;基于增益的变量重要性反映了每个预测因子对模型预测性能的贡献,并不等同于潜在生态机制的强度;土地覆盖分类精度、MODIS空间分辨率限制、CASA模型估算NPP的不确定性及误差传播可能影响结果。

**研究结论**:本研究分析了2000–2020年间长江中上游流域植被覆盖、景观格局和NPP的时空动态,并利用机器学习方法探讨了不同植被类型下景观格局与NPP的关系。结果表明,景观配置与NPP动态显著相关,但关联的强度和模式在不同植被类型间差异很大。森林NPP与破碎化的关联最密切,草地NPP主要与斑块聚集和连通性相关,而灌丛NPP则与主导斑块的大小和稳定性关联最强。此外,景观格局与NPP之间的关联表现出强烈的非线性特征,表明机器学习方法能有效捕捉复杂的生态统计关系。因此,未来长江中上游流域的生态恢复工作应采取植被特异性的景观优化策略,更加注重减少森林破碎化、提高草地连通性以及维持稳定的灌丛核心斑块。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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