基于深度学习代理模型的生态系统服务空间优化：城市绿色基础设施多目标规划新方法

《Environmental Modelling & Software》：Spatially Explicit Optimization of Urban Green Infrastructure for Multiple Ecosystem Services Using Deep Learning Surrogates

本研究创新性地将UNet和Attention UNet深度学习模型作为InVEST生态服务评估工具的代理模型，成功构建了高效的空间优化框架。该方案在保持R2>0.9精度的同时，将巴尔的摩市绿色基础设施优化耗时降低95%，为多生态系统服务（ES）协同规划提供了突破性技术路径。

　　

研究亮点

通用工作流程

我们提出了一种通过土地利用和土地覆盖（LULC）配置来预测和优化生态系统服务（ES）供给的方法。本研究聚焦于三个关键ES——城市降温、栖息地质量和城市自然可达性，这些指标因其适合图像到图像学习任务及其生态与社会重要性而被选中。首先，这些指标的空间显式特性使其非常适合深度学习模型，这些模型不仅考虑位置，还考虑了非线性空间相互作用。

优化案例研究

我们在巴尔的摩市的一个地块展示了多目标优化过程，旨在通过闲置地块上的绿色基础设施（GI）配置来最大化选定的ES。如前所述，我们通过对比InVEST的直接评估结果与训练好的深度学习代理模型的评估结果，来验证代理模型的有效性。

代理模型性能

模型在128GB P100 GPU上训练耗时约144分钟（UNet）和158分钟（Attention UNet）。训练和验证损失变化如图4所示。两个模型在30个训练周期内均表现出稳定的损失下降且过拟合最小，大约在第10个周期收敛。UNet在第28个周期达到最佳验证损失0.0120，略优于Attention UNet的最佳结果0.0143。

如图5和性能指标所示，Attention UNet和UNet模型在测试集上对所有三个生态系统服务指标均表现出优异的预测性能，决定系数（R²）超过0.9，均方根误差（RMSE）低于0.05。UNet在栖息地质量和城市自然可达性指标上略胜一筹，而Attention UNet在城市热缓解指标上表现稍好。总体而言，两个模型都成功捕捉到了生态系统服务供给的空间格局。

基于代理模型的绿色基础设施优化

本文提出了一个集成基于深度学习的InVEST模型代理的绿色基础设施优化框架。我们的框架有效替代了参数特定的栖息地质量、城市热缓解和城市自然可达性模型，在显著减少时间的同时获得了与使用完整InVEST模型相近的最优解。

虽然已有一些研究利用代理辅助方法探索绿色基础设施布局优化，但多数仅关注成本效益或单一生态系统服务。我们的方法通过同时优化多个具有空间显式特性的生态系统服务，解决了现有研究的局限性。

结论

我们开发了一个可扩展且高效的绿色基础设施配置框架，在保持可靠生态系统服务预测的同时，显著减少了计算量。通过在马里兰州全境数据集上训练基于UNet的代理模型，我们实现了栖息地质量、热缓解和城市自然可达性指数R² > 0.9的预测精度，并将优化时间缩短了95.5%。在巴尔的摩市一个地块的测试中，这些代理产生的帕累托前沿与基于InVEST的方法结果相近，证明了其在支持数据驱动的土地利用决策方面的实用性。