基于人工智能的河流文化生态系统服务评估：以伊比利亚半岛为例

《Journal of Environmental Management》：Modelling cultural ecosystem services of river landscapes in the Iberian Peninsula with deep learning and social media images

本研究针对河流景观文化生态系统服务（CES）评估缺乏可扩展方法的问题，开发了一个结合卷积神经网络（CNN）和极端梯度提升（XGBoost）的框架，利用Flickr照片自动分类和建模伊比利亚半岛的河流CES。结果表明，人口密度和Natura 2000保护区是CES空间分布的关键预测因子，该框架为大规模环境管理和保护规划提供了有效工具。

　　

河流，作为地球上最富生命力的生态系统之一，不仅为人类提供饮用水、灌溉和运输等物质供给，更承载着深厚的文化内涵与精神价值。人们在河边散步、垂钓、观赏风景或探寻历史遗迹，这些活动所获得的美学享受、休闲乐趣和文化认同，共同构成了河流提供的“文化生态系统服务”（Cultural Ecosystem Services, CES）。然而，与供给服务或调节服务相比，CES的“非物质”特性使其难以量化和空间化，这给将CES有效纳入环境管理和保护决策带来了巨大挑战。传统的评估方法，如问卷调查和实地访谈，虽然深入但成本高昂、耗时费力，难以应用于大尺度区域。随着社交媒体和人工智能（AI）技术的兴起，利用海量的用户生成内容（如地理标记照片）来揭示人们对自然环境的偏好，为大规模、低成本地评估CES提供了新的可能。

在此背景下，发表在《Journal of Environmental Management》上的这项研究，旨在开发一个可扩展的评估框架，以精确识别和空间化表征河流景观中的CES。研究人员选择生物多样性热点区域兼受强烈人类活动影响的伊比利亚半岛作为案例区，创新性地结合了深度学习图像分类和生物物理空间建模技术，系统地回答了河流CES“有哪些”、“在哪里”以及“受何种因素影响”等关键科学问题，为河流景观的可持续管理提供了科学依据。

本研究主要运用了几个关键技术方法：首先，研究从Flickr平台获取了2022至2024年间在伊比利亚半岛河流缓冲区（1公里）内发布的超过75万张地理标记照片作为数据基础。其次，研究构建了一个基于ResNet-152架构的卷积神经网络（CNN）模型，该模型使用包含6911张手动标注的Flickr图像（涵盖美学价值、休闲价值、文化遗产价值、动植物魅力及非河流CES相关等6个类别）的训练集进行预训练和微调，并在一组独立的、来自特尔河流域的1351张未见过的图像上进行了验证，以实现对海量照片的自动、高精度CES分类。第三，应用照片-用户-天数（Photo-User-Day, PUD）过滤器对数据进行清洗，以消除单个用户在单日内发布多张照片造成的空间偏差。第四，针对分类后的CES照片出现点数据，研究采用极端梯度提升（XGBoost）机器学习算法，构建了物种分布模型（Species Distribution Model-like），以探究自然性（基于Hemeroby指数）、可达性（距主要道路距离）、河流等级（Strahler顺序）、Natura 2000保护状态和人口密度（WorldPop数据）这五个关键生物物理变量对各类CES空间分布的影响。最后，通过分析仅使用人口密度预测的模型的残差空间分布，识别出超越人口压力预期的、具有“附加CES价值”的热点区域。

CNN模型性能卓越

研究开发的ResNet-152 CNN模型在独立测试集上表现出色，总体分类准确率高达91%，F1分数为0.91。模型对不同CES类别的识别能力存在差异，其中“动植物魅力”类别识别精度最高（F1分数分别为0.93和0.97），而“休闲价值”和“美学价值”类别由于视觉特征更复杂、与其他类别易混淆，表现稍逊（F1分数分别为0.82和0.89），但仍属优秀。这表明该模型能够可靠地用于大规模社交媒体图像的CES内容识别。

CES空间分布呈现规律

经过CNN分类和PUD过滤后，最终从伊比利亚半岛河流区域筛选出40,743张有效CES照片。“美学价值”和“文化遗产价值”是数量最多、分布最广的CES类别，反映了人们对河流景观视觉吸引力和历史人文元素的普遍青睐。“动植物魅力”类照片更多出现在人口稀少的自然区域，而“休闲价值”类照片则相对较少，且多分布于杜罗河等特定河段及河口区域。所有CES照片的空间分布整体上呈现出围绕城市区域和特定自然保护区的聚集态势。

生物物理变量驱动CES分布

XGBoost模型成功揭示了影响CES空间分布的生物物理驱动因子，模型整体预测准确率达到85%。人口密度是预测CES出现的最强变量，解释了大部分方差，这反映了社交媒体数据本身的人口基数效应和城市河流作为日常休闲空间的重要性。紧随其后的重要预测变量是Natura 2000保护状态，特别是在预测“美学价值”时贡献最大（33%），表明受保护的自然区域因其优美的景观而备受青睐。自然性、可达性和河流等级也对模型预测有稳定但相对较小的贡献。通过仅使用人口密度进行预测并分析其残差，研究发现残差在空间上具有显著的自相关性（Moran‘s I 最高达0.47），并且Natura 2000区域内的残差值显著高于外部区域，这清晰地标识出那些超越单纯人口分布影响、具有“附加CES价值”的热点区域，例如一些生态优美但人口相对稀少的河谷地带。

本研究结论表明，河流景观中的CES供给受到人口分布和生态保护状况的共同塑造。城市河流因其可及性而成为日常CES的重要提供者，而Natura 2000等保护区则因其高自然度而承载着独特的美学和生物相关CES价值。讨论部分进一步强调了本研究的双重意义：在方法论上，所开发的AI驱动框架证明了利用社交媒体和机器学习进行大尺度、低成本CES评估的可行性和有效性，为环境管理提供了新工具。在实践应用上，研究结果能为空间规划和保护决策提供直接支持。识别出的城市河流CES热点强调了提升城市河流生态质量对改善居民福祉的重要性；而发现的受保护自然区域内的高CES价值，则强化了自然保护地与人类福祉之间的正向关联，有助于提升公众对保护工作的支持。此外，通过残差分析识别的、目前尚未受到充分保护但具有高CES价值的区域，可为未来保护地的规划和新保护策略的制定提供科学依据，从而更有效地协调保护与利用的关系，促进河流景观的可持续发展。