喀斯特地区生态系统服务多尺度驱动因子与非线性响应的可解释集成框架

《Ecological Indicators》:An integrated interpretable framework for multiscale drivers and nonlinear responses of ecosystem services in karst regions

【字体: 大 中 小 】 时间:2026年07月18日 来源:Ecological Indicators 8.7

编辑推荐:

  喀斯特生态系统服务(Ecosystem Services, ESs)具有强空间异质性、尺度依赖性和对环境与人为变化非线性响应的特征。然而现有研究常依赖固定空间尺度和线性分析方法,限制了对多尺度控制、交互耦合效应及具生态意义的非线性响应区间的识别。为解决此缺口,

  
喀斯特生态系统服务(Ecosystem Services, ESs)具有强空间异质性、尺度依赖性和对环境与人为变化非线性响应的特征。然而现有研究常依赖固定空间尺度和线性分析方法,限制了对多尺度控制、交互耦合效应及具生态意义的非线性响应区间的识别。为解决此缺口,研究人员开发了一个可解释集成框架,以中国典型喀斯特流域漓江流域为研究区,探讨生态系统服务的多尺度驱动与非线性响应。研究人员分别使用InVEST和SWAT模型估算碳储量(Carbon Storage, CS)与产水量(Water Yield, WY)。随后使用最优多元分层地理探测器(Optimal Multivariate-Stratification Geographical Detector, OMGD)识别尺度依赖的驱动因子及其交互/耦合效应,同时应用XGBoost-SHAP量化因子贡献并解释非线性响应模式。结果显示生态与水文控制存在显著尺度依赖差异。CS主要与植被生长、水分可用性和人类管理相关的中尺度过程(1000–2000 m)有关,遵循“水分调节–植被响应”路径。相比之下,WY主要与地形结构、坡度驱动径流生成及地表–地下连通性相关的大尺度过程(2000–4000 m)有关,表现为“地形主导–地表调节”模式。此外,CS对灌溉强度和植被覆盖度表现出强非线性敏感性,而WY显示体制特异性非线性响应,坡度梯度和土地利用类型关联着不同的非线性响应区间。通过整合多尺度检测与可解释非线性分析,该研究证明了可解释建模在揭示高度异质喀斯特景观中生态系统服务耦合驱动路径与非线性响应模式的价值。所提出框架可转移至其他复杂社会生态系统,并能支持更具针对性的生态评估与空间管理。
研究背景与问题提出
喀斯特生态系统服务(Ecosystem Services, ESs)在全球生态安全屏障中具有重要地位,其供给受强烈岩溶化、高度破碎的地下系统及水文时空变异性影响,表现出强空间异质性、尺度依赖性和非线性响应特征。现有研究多依赖固定空间尺度和线性统计方法,难以捕捉多因子交互、非线性响应及生态阈值效应,尤其在地貌复杂且人为干扰强烈的区域,限制了针对性管理策略的制定。为弥补这一不足,研究人员选取中国西南部典型喀斯特流域漓江流域(Lijiang River Basin,面积约为5510 km2,海拔上游超2000 m至下游低于100 m,属亚热带湿润季风气候,年均降水1000–1800 mm)为研究对象,构建一个集成生态系统服务模拟、多尺度地理空间检测、交互耦合分析与可解释机器学习的框架,旨在阐明碳储量(Carbon Storage, CS)与产水量(Water Yield, WY)的多尺度驱动机制与非线性响应模式。该研究发表于《Ecological Indicators》,其成果可为高度异质流域提供可转移的分析途径,支撑空间显式生态评估与管理。
主要关键技术方法
研究人员整合2000–2020年多源数据集(包括土地利用/覆盖LUC、GDP、DEM、土壤数据、气象站观测、气温TEM、降水PCP、PM2.5、人口密度POP、归一化植被指数NDVI、农田灌溉率CM,统一重采样为30 × 30 m并投影至WGS 1984 UTM Zone 49N),依次采用四类关键技术:首先使用InVEST模型碳储量模块估算CS(划分地上生物量、地下生物量、土壤有机碳及死有机质四个碳库,依据本地化碳密度值计算Ctotal = Cabove + Cbelow + Csoil + Cdead);其次使用SWAT(Soil and Water Assessment Tool,半分布式水文模型)模拟WY(WY = SW + LATQ + GWQ ? TLOSS,其中SW为地表径流、LATQ为侧流、GWQ为地下水贡献、TLOSS为传输损失,利用SUFI-2算法校准,R2与NSE均超0.7);继而应用最优多元分层地理探测器(OMGD,扩展的传统地理探测器,引入自适应分层与多尺度搜索,通过q统计量评估因子解释力,q = 1 ? Σh=1L Nh σh2 / N σ2)在500–4000 m尺度识别主导驱动及其交互;最后构建XGBoost-SHAP-QCL(Extreme Gradient Boosting结合Shapley Additive Explanations与分位数约束线Quantile Constraint Lines)框架量化因子贡献与非线性响应,前置方差膨胀因子(Variance Inflation Factor, VIF)检验确保共线性可控(VIF < 5)。
研究结果
3.1. Spatiotemporal patterns of WY and CS
研究人员通过2000–2020年模拟发现,WY空间配置总体稳定但年际变异显著(623.403–1266.433 mm),高值集中于流域南北部水文汇流有利区,对气候波动敏感;CS空间格局高度稳定,高值持续分布于连片林地与生态修复区,时间上呈缓慢下降趋势(由165.803 Mg ha?1降至162.494 Mg ha?1),表明CS对短期环境波动响应弱于WY,体现“快慢变量”差异。
3.2. Single-factor scale effects and identification of optimal analysis scales
基于OMGD在500–4000 m尺度计算q值,CS在细尺度(500–1000 m)q值快速上升,中尺度(1000–3000 m)下降,最优分析尺度稳定在1000 m(2020年为2000 m);WY在细尺度q值趋降,中尺度呈单峰,最优尺度一般为2000 m(2015年为4000 m)。时间演变上,CS主导因子为灌溉强度CM(q = 0.269–0.339),辅以DEM与坡度,社会经济因子GDP与POP解释力渐增;WY始终以坡度为主导(q = 0.495–0.594),DEM与LUC亦重要,土壤属性CLAY、ORG、AWC后期增强,社会经济因子减弱。
3.3. Factor interactions and coupling effects
交互检测显示CS中CM与NDVI、DEM、坡度组合解释力强(q = 0.30–0.40),CM–POP在2010与2020年最高;增强效应由2000年GDP–TEM转为后期坡度–GDP。WY中坡度组合占优,坡度–LUC在2000–2010年最高,2015年为坡度–DEM,2020年为坡度–ORG;增强效应年际异质显著。成对耦合分析确认CS以CM–DEM、CM–坡度为主,WY以DEM–坡度、LUC–坡度、AWC–坡度为主,支持上述路径推断。
3.4. Nonlinear responses and threshold-related sensitivity patterns of key driving factors
XGBoost-SHAP表明CS中CM平均绝对SHAP值最高,正向贡献随CM由零转正急剧上升;NDVI在0.75–0.82区间SHAP值显著增加后趋于饱和。WY中坡度SHAP值散布最广,低坡度(<5°)贡献受限,5°–15°变异最大,>23°趋稳;LUC呈类别间显著差异。分位数约束线辅助识别出各因子稳定敏感区间,跨年份形态一致。
讨论与结论翻译
讨论部分指出CS与WY形成典型快慢双速过程:CS为慢变量,依赖长期土地利用配置、植被恢复与农业水资源管理累积;WY为快变量,受岩溶地表–地下强连通性与降水异常直接驱动。OMGD揭示CS最优中尺度(1000–2000 m)关联植被–水分–管理过程,WY最优大尺度(2000–4000 m)受地形–水文连通广域控制。交互与耦合分析推断CS遵循“水分调节–植被响应”路径,WY遵循“地形主导–地表调节”路径。XGBoost-SHAP-QCL识别的稳定非线性区间应理解为生态意义敏感区而非严格阈值,需过程模型与野外观测进一步验证。OMGD与XGBoost-SHAP在空间分层异质性与样本级非线性贡献上互补。不确定性源于InVEST碳密度泛化、部分驱动因子分辨率不足及SWAT对岩溶管道流简化,未来可耦合KARSTMOD、提升分辨率与扩展服务类型。
结论部分翻译如下:
以典型喀斯特流域漓江流域为对象,研究人员开发了一个结合生态系统服务模拟、多尺度地理空间检测、交互耦合分析与可解释机器学习的可解释集成框架,以探究碳储量(CS)与产水量(WY)的驱动与响应机制,主要结论如下。
第一,CS与WY呈现对比鲜明的时空动态。CS表现相对稳定的空间格局与渐进时间变化,反映长期生态累积过程;而WY显示显著年际变异及对气候波动更强敏感性。第二,两生态系统服务间识别到清晰尺度分化。CS主要在中间空间尺度(1000–2000 m)受植被生长、水分可用性与人类管理相关因子调节,而WY在更大尺度(2000–4000 m)对地形结构、径流生成与水文连通主导的因子响应更强。第三,交互与耦合分析识别出独特复合驱动路径。CS关联由统计分析推断的“水分调节–植被响应”路径,而WY关联“地形主导–地表调节”路径,凸显喀斯特地区生态系统服务形成的过程特异性。最后,XGBoost-SHAP-QCL分析识别关键驱动因子稳定的非线性响应模式与具生态意义的敏感区间。碳储量对CM与NDVI表现强非线性响应,而产水量主要显示关联坡度与土地利用类型的阶段依赖响应,凸显非线性控制在生态系统服务形成中的重要性。这些发现证明了可解释建模在揭示高度异质喀斯特景观中多尺度控制与非线性生态系统响应之价值。所提框架可转移至其他环境复杂地区,并能支撑更具可解释性与空间显式的生态系统服务动态分析。
需要我帮你把这篇论文解读浓缩成一份适合汇报用的简明摘要吗?
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