土壤保护措施能否提升景观的韧性?来自中国黄河流域梯田的因果证据

《Journal of Environmental Management》:Do soil conservation practices enhance landscape resilience? Causal evidence from terracing in China's Yellow River Basin

【字体: 大 中 小 】 时间:2026年07月11日 来源:Journal of Environmental Management 9.2

编辑推荐:

  Gadisa Fayera Gemechu|魏伟摘要梯田建设是土壤保护的重要措施,但由于存在各种环境梯度因素,要量化其在提升景观恢复力方面的作用仍面临挑战。本研究探讨了梯田是否以及在多大程度上能够提升中国黄河流域的景观生态恢复力。我们采用一种可解释的因果机器学习框架,将因果推断与

  
Gadisa Fayera Gemechu|魏伟

摘要

梯田建设是土壤保护的重要措施,但由于存在各种环境梯度因素,要量化其在提升景观恢复力方面的作用仍面临挑战。本研究探讨了梯田是否以及在多大程度上能够提升中国黄河流域的景观生态恢复力。我们采用一种可解释的因果机器学习框架,将因果推断与可解释人工智能技术相结合,从而实现从预测相关性到明确空间管理效应归因的转变。首先,我们利用35年(1990–2025年)的完整年度地球观测数据,构建了景观生态恢复力指数,用以量化生态系统在抵御干扰、恢复能力以及适应能力方面的长期变化。梯田带来的侵蚀减少通过一种考虑梯田因素的RUSLE模型以连续形式表示。为区分管理措施的影响与其他气候、地形及生态因素的干扰,我们运用双重机器学习方法和因果森林双重机器学习方法,分别估算平均效应和差异性效应。研究结果表明,1990年至2025年间,整个流域的景观恢复力提升了约20%,在80.12%的研究区域内都观察到了梯田带来的积极恢复效果。土壤侵蚀量每减少10吨/公顷·年,就能带来可测量的恢复力提升,这一提升在2010年时达到了0.67个百分点的峰值。不过,梯田的效果存在非线性的环境依赖性,在地形复杂的半干旱地区效益最为显著,这表明在基于工程的生态修复方面存在一个理想的生物物理条件区间。总体而言,这些研究结果为有针对性的、适应气候变化的土地管理提供了有力的、具有空间明确性的证据。该可解释因果机器学习框架可广泛应用于不同流域,也可用于其他基于自然的干预措施,为精准的生态修复规划及生态系统服务评估奠定了坚实基础。

引言

气候变化以及日益加剧的人为压力正在全球范围内加速土壤侵蚀,降低生态系统功能(Borrelli等,2017;He和Silliman,2019)。这些现象会削弱景观生态恢复力,即生态系统抵抗干扰、从冲击中恢复并维持基本功能的能力。随着恢复力在全球气候适应和可持续土地管理中的重要性日益凸显(Folke等,2010;Gunderson,2000;Wang和Pan,2024),我们迫切需要有效的框架,来量化特定干预措施在脆弱的干旱区和山区系统中对提升这些能力的贡献。
梯田是全球范围内应用最广泛的土壤保护措施之一,尤其是在中国黄河流域这类易受侵蚀的地区。梯田通过改变坡面几何形态、重新分配水文路径,降低径流速度、拦截沉积物、稳定坡面,从而促进植被恢复和生态系统稳定(Shi和Wei,2025;Tarolli等,2014;Wei等,2012,2019)。黄河流域是评估这些效果的最佳场所,这里存在明显的气候和地貌梯度,还包括极易受侵蚀的黄土高原,那里已经大规模实施了梯田工程以应对土地退化问题(Shen等,2025;Wu等,2025;Xiao等,2021)。然而,尽管梯田被广泛认为是有效的保护措施,但从因果角度来看,其对景观生态恢复力的长期大规模贡献尚未得到充分量化。
尽管地球观测数据日益丰富,但大多数遥感分析仍然属于相关性分析范畴(Reichstein等,2019;Runge等,2019;Ikkala等,2026)。传统的机器学习方法虽能有效地绘制和预测生态系统动态,但往往难以区分所观察到的改善是由特定的干预措施如梯田建设所致,还是仅仅因为环境条件良好。虽然像LightGBM-SHAP这样的可解释人工智能技术通过识别关键预测因子及其相对重要性提升了模型的透明度(Lundberg和Lee,2017),但它们主要解释的是统计关联而非因果机制。对于基于证据的环境管理而言,关键问题不仅在于景观生态恢复力是否发生了变化,还在于在何种地点、为何以及在怎样的环境条件下,保护措施才能发挥最大作用。要解答这些问题,就需要一种能够区分管理措施影响与潜在气候、生态及地形梯度因素的因果框架,从而超越单纯的预测,实现因果归因(Pearl,2009,2019)。
为弥补这一不足,我们开发了一种可解释的因果机器学习框架,将该框架与地理空间可解释人工智能技术相结合,推动基于地球观测的分析从模式识别向因果归因发展。在我们之前开发并验证的景观生态恢复力指数基础上,我们进一步拓展了这个框架,构建了基于过程的LEREI-X指数(1990–2025年),用以反映黄河流域在抵御能力、恢复能力和适应能力方面的长期变化。LEREI-X指数是通过贝叶斯结构方程模型来构建的,该模型能够描述各恢复力组成部分之间的非线性相互作用及相关不确定性。梯田带来的侵蚀减少则是通过一种考虑梯田因素的修正版通用土壤流失方程来量化,并作为连续的管理干预措施来处理。随后,我们运用双重/去偏机器学习方法,在考虑多维度的气候、地形、生态及人为因素干扰的情况下,估算因果效应。此外,结合SHAP分析的因果森林双重机器学习方法还能帮助我们理解处理效果的空间异质性,从而明确在何种环境条件下梯田最能有效提升景观恢复力。
因此,本研究旨在回答四个研究问题:(1)过去35年来,黄河流域的景观生态恢复力经历了怎样的变化?(2)梯田带来的侵蚀减少是否真的能提升景观恢复力?(3)环境梯度如何影响梯田在不同时间和地点的效力?(4)在何种环境条件下,不同的梯田建设强度会对易受侵蚀地区的恢复力产生不同的提升效果?我们提出了以下假设:H1:由于大规模的保护措施,景观生态恢复力随时间逐渐提升。H2:梯田带来的侵蚀减少对景观恢复力有显著的积极因果效应。H3:梯田的效力存在空间差异,且会受到干旱程度、地形以及植被状况等环境因素的系统性影响。H4:在易受侵蚀的环境中,更高的梯田建设强度能带来更大的恢复力提升,但这些提升会受到环境阈值的限制。
通过整合的可解释因果机器学习框架,我们对这四个假设进行了系统评估,该框架包括基于贝叶斯结构方程模型的恢复力评估(H1)、考虑梯田因素的RUSLE量化分析及双重机器学习因果估算(H2)、基于因果森林的差异性效应分析(H3),以及针对易受侵蚀区域的基于SHAP的环境阈值分析(H4)。通过提供具有流域尺度、可进行因果解读的证据,本研究推动了基于地球观测的环境管理从描述性监测向基于证据的、具有空间针对性的生态修复规划发展,为在不断变化的环境背景下实现适应气候变化的土地管理提供了支持。

章节节选

研究区域

本研究在中国北部的黄河流域开展,该流域位于东经95°53′至119°20′、北纬32°09′至41°49′之间,面积约为809,488平方公里,涵盖九个省份(见图1)。该流域存在明显的环境梯度,从青藏高原的高山源头,经过极易受侵蚀的黄土高原,一直延伸到下游的冲积平原(Wu等,2025)。这里的海拔范围从负4米到6102米不等,气候则从湿润型逐渐过渡到半干旱型和干旱型,年平均降水量为

基准恢复力与干预强度

在黄河流域,LEREI-X指数的平均值从1990年的0.452上升至2025年的0.543,这意味着整个流域的恢复力提升了约20%(见图3)。该模型具有很强的预测可靠性,交叉验证后的R2值平均为0.81(见图S5)。对该指数成分的分析显示,不同区域存在明显的差异:在稳定的高地森林中,系统的抵御能力最强(平均值为0.61);在黄土高原中部,由于有大量的生态修复项目,该地区的恢复能力达到最高(平均值为0.39);而适应能力在

景观生态恢复力的时空演变

1990年至2025年间,LEREI-X指数提升了约20%(见图3),这表明整个流域的景观恢复力得到了显著增强,这一趋势与1999年后中国黄河流域在大规模生态修复工程实施后出现的绿化进程相符(Bai等,2024;Wei等,2016;Xia等,2025;Wang等,2025)。对LEREI-X指数的分解显示,恢复能力是推动这一提升的主要因素,其数值在

结论

本研究构建了一个综合框架,该框架结合了基于过程的地球观测指标、考虑梯田因素的侵蚀建模方法、双重机器学习技术以及可解释人工智能技术,从而超越基于相关性的分析,实现与干预措施相关的因果推断。通过将该框架应用于黄河流域35年的数据,我们得出了四点对流域可持续管理具有重要意义的见解:首先,基于过程的LEREI-X指数显示出明显的空间异质性,自1990年以来,整个流域的恢复力提升了约20%

关于写作过程中使用生成式人工智能及人工智能辅助技术的声明

在撰写本稿时,作者们使用了人工智能辅助语言编辑工具(包括Grammarly)来提升文本的语法水平、可读性以及整体清晰度。这些工具仅用于语言优化和代码改进。在使用这些工具之后,作者们对内容进行了必要的审阅和修改,并对最终发表的文章内容承担全部责任。

CRediT作者贡献说明

Gadisa Fayera Gemechu:概念构思、数据整理、正式分析、研究调查、方法设计、软件应用、结果验证、可视化处理、初稿撰写、文章修订与润色。魏伟:资金筹集、方法设计、项目管理、监督指导、结果验证、文章修订与润色。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了中国国家自然科学基金联合重点项目(编号U21A2011)以及中国国家重点研发计划(编号2022YFF1300403、2024YFF1306304)的资助。第一作者还衷心感谢中国科学院(CAS)以及国际科学组织联盟(ANSO)通过CAS-ANSO青年人才博士奖学金项目所提供的资金支持。
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