揭示非线性景观格局对生境质量的影响机制：基于长江三角洲的数据驱动管理研究

《Journal of Environmental Management》：Unraveling nonlinear landscape pattern effects on habitat quality: A Yangtze river delta case study for data-driven management

本研究创新性地融合可解释机器学习（LightGBM-SHAP）与空间聚类（GMM），系统解析了景观格局（LP）对生境质量（HQ）的非线性作用机制，识别关键生态阈值与空间模式，为长江三角洲（YRD）生态系统管理提供了数据驱动的科学路径。

　　

Section snippets

Study area

长江三角洲（YRD）位于中国东部（东经119°45′–123°25′，北纬29°02′–33°25′），覆盖上海、江苏、浙江和安徽三省一市，总面积约350,000 km2（图1）。该区域地处长江流域下游，以太湖流域为核心，拥有密布的河流、湖泊和受东海影响的潮汐通道，构成高度连通的水文系统。气候属亚热带季风性，年均气温15–18°C，降水量1000–1400 mm。复杂的水文气候条件与快速城市化进程，使YRD成为研究景观格局与生态过程相互作用的理想区域。

Study framework

本研究框架旨在系统解析景观格局（LP）如何非线性影响生境质量（HQ）及人类健康（图2）。框架包含四个阶段：（1）生态数据整合与评估：融合多源环境数据，基于InVEST模型和FRAGSTATS量化HQ与景观指标，构建建模基础；（2）模型构建与SHAP分析：比较多种算法后优选LightGBM建模，采用TreeSHAP分解特征贡献，揭示非线性机制与交互效应；（3）景观模式聚类与验证：通过高斯混合模型（GMM）聚类主导景观模式，辅以局部莫兰指数（Local Moran’s I）验证空间聚集性；（4）管理策略生成：整合阈值分析与空间模式，提出数据驱动的适应性管理方案。

Model comparison

多项机器学习模型在验证集与测试集上表现如表2所示。ElasticNet性能最差，表明其线性框架难以捕捉城市景观-生境相互作用的复杂非线性动力学。随机森林（Random Forest）表现中等，虽能建模非线性，但被梯度提升方法超越。梯度提升类模型中，LightGBM经网格搜索优化后表现最优，其R2达0.872，RMSE为0.041，显著优于对照模型，证明其处理高维非线性数据的强大能力。

Further interpretation

景观格局（LP）深刻塑造生物多样性与生态系统服务（ESS）。因此，理解LP与HQ间的复杂关系对建设生态可持续城市、促进社会长期韧性至关重要。越来越多研究表明，LP对生态系统服务存在非线性与交互效应（如Lyu等，2022b；Istanbuly等，2024a）。然而，当前研究多受限于线性假设或“黑箱”模型，难以捕捉突变阈值与空间异质性。本研究通过可解释机器学习（如SHAP值分析）揭示：景观聚集度（AI）与斑块密度（PD）存在显著U型关系，且城市化强度与HQ间存在临界阈值（如建设用地占比＞30%时HQ急剧下降）。这些发现为“中度干扰假说”（IDH）提供了定量支持，表明适度景观动态可更有效支撑生态系统服务。

Conclusions

既往关于景观格局（LP）与生态系统服务（ESS）关系的研究，在捕捉非线性关系、阈值效应及指标间复杂交互作用方面存在局限。且尽管部分研究提出了管理建议，却鲜少将其转化为可操作的空间显式策略。本研究以YRD为案例，采用250米网格为分析单元，整合土地利用数据与InVEST生境质量模型，构建了透明、可解释的机器学习框架（LightGBM-SHAP），成功量化了关键景观指标的非线性效应与动态范围，并通过GMM聚类识别出高聚集-低破碎化景观模式对区域生态的强正向效应。成果将以往的方向性建议（如考虑景观交互、设定阈值）转化为可行动的管理路径，为决策者提供了推进当代环境管理的具体指南。