通过可解释的机器学习模型揭示土地利用变化驱动因素的多尺度和非线性效应：从“生态成本与经济效益”权衡的角度获得的见解

《Environmental Impact Assessment Review》：Unveiling multiscale and nonlinear effects of land use change drivers through interpretable machine learning model: Insights from “Ecological-cost and Economic-benefit” trade-off perspective

生态系统服务价值成本与土地开发经济利润的空间关联性及非线性驱动机制研究。采用多尺度框架和XGBoost-SHAP模型分析武汉市的生态-经济贸易-off，发现ESVC呈环形分布，LDEP呈同心圆分布，核心区“低成本高收益”，郊区新镇“低收益”特征显著，各因子存在阈值效应及空间异质性交互。

　　在全球城市化进程加速的背景下，城市扩张正导致城市建成区与生态用地之间的动态变化。然而，目前关于土地利用变化所引发的生态系统服务价值成本（ESVC）与土地开发经济利润（LDEP）之间相互依赖关系的研究仍较为有限。本研究通过定量评估ESVC与LDEP的空间相关性特征，构建了一个结合XGBoost与SHAP的可解释机器学习模型，以探讨多维影响因素对这些成本-效益关系的非线性效应。研究发现，高价值ESVC区域形成了围绕中心城区的环形分布，而高价值LDEP区域则呈现出向外辐射的同心圆模式。中心城区主要表现出“低成本-高效益”的特征，而郊区新城镇则以“低成本-低效益”为主。在中心城区中，“低-低”和“高-高”类型的网格聚类较为集中，而在外围郊区区域，“高-低”和“低-低”聚类则更为明显。中心城区的权衡强度较低，而郊区新城镇的权衡强度较高。驱动因素对成本-效益关系的影响是非线性的，并且在不同尺度上表现出差异。例如，香农多样性指数（SHDI）、夜间灯光（NL）、建筑密度（BD）和绿地密度（GD）对成本-效益关系具有显著的负向影响，而聚集指数（Contag）、距离农村区域（Dis_Rur）和工业区域（Dis_Ind）则表现出正向影响。对于某些变量，如SHDI（0.6–0.8）、NL（15–25 nW/cm2/sr）、GD（5%–15%）和BD（10%–15%），还观察到了阈值效应。变量之间的相互作用揭示了协同与对抗关系的存在。通过将多尺度分析框架与可解释机器学习相结合，本研究提出了一种理解环境退化与经济扩张之间权衡的新方法论。研究结果为推动可持续城市土地利用、平衡发展目标与生态保护以及指导城市土地利用规划策略提供了可行的见解。

当前，全球约有55%的人口居住在城市中，预计到2050年这一比例将上升至70%（UN-Habitat, 2024）。这一增长主要集中在亚洲和非洲地区，凸显了这些地区持续的城市化进程。中国作为一个典型代表，过去四十年间由于快速城市化经历了显著且难以逆转的土地利用变化（Peng et al., 2022; Liu et al., 2024）。大规模的城市扩张侵占了生态用地，如森林、农田和草地，导致生态系统服务能力下降。这种转变加剧了诸如栖息地破碎化、城市热岛效应增强以及暴雨期间城市内涝等问题（Liu et al., 2024; Lu et al., 2025; Lin et al., 2025）。虽然土地开发可以带来经济收益，但往往以生态系统服务价值的损失为代价（Banerjee et al., 2025; Borges-Matos et al., 2025）。然而，证据表明，大多数中国城市在大规模开发模式下难以实现平衡的结果，反而面临诸如无序城市蔓延、土地利用效率低下以及生态溢出效益减弱等持续性挑战（Drechsler, 2023）。因此，城市规划中的关键任务之一是确定如何优化土地利用分配，以同时提升生态和经济成果（Liu et al., 2022）。

郊区化与农村城市化之间的双向影响导致了土地利用变化呈现出碎片化、渐进式和过渡性等特征（Afuye et al., 2024; Liang et al., 2023）。这些模式反映了建设主导的人工系统与生态主导的自然系统之间的持续更替。一方面，通过扩大建设用地以追求经济收益的做法往往忽视了生态价值的流失，导致大规模城市扩张下的整体效益受限（Xia et al., 2024）。另一方面，当前的规划实践通常将生态空间视为开发的被动限制，依赖于刚性的“红线”边界和静态的保护措施。这种缺乏弹性的做法削弱了生态空间的溢出效益，并逐渐降低了其长期资源价值（Liu et al., 2022; Liu et al., 2024）。这种片面的策略在建成区与生态区之间制造了虚假的对立，未能认识到生态成本与经济收益之间的内在权衡（Oppio et al., 2024; Banerjee et al., 2025）。真正优化土地利用需要在减少这些权衡的同时增强协同效应，从而促进生态保护与经济增长的平衡整合（Zhang and Xu, 2024; Li et al., 2024a, Li et al., 2024b）。因此，城市规划范式正逐步从将生态视为扩张的被动约束转向将生态与经济协同作为指导原则。这种基于成本-效益理论的方法旨在重构人工环境与自然环境之间的空间互动，以提升生态与经济价值（Campos et al., 2021; Liang et al., 2023; Liang et al., 2021）。

已有研究广泛运用定量方法，如转移矩阵、标准差椭圆、重心迁移分析和景观格局指数，深入探讨了土地利用变化的时空特征（Baldi et al., 2025; Wu et al., 2025）。基于成本-效益分析，从供给端评估生态系统服务价值成本（ESVC）的两种主要方法是等效因子法和功能价值法（Frélichová et al., 2014; Xie et al., 2017）。等效因子法通过将每种土地类型乘以其单位面积的服务价值来估算生态系统服务价值（Xie et al., 2017）。相比之下，功能价值法根据现有的市场条件将估值方法分为直接、间接和假设市场三类，为生态系统服务价值赋予经济价值（Frélichová et al., 2014）。从需求端来看，土地开发经济利润（LDEP）通常采用行业经济系数法进行评估。这种方法捕捉了土地利用对不同行业的影响，使研究人员能够量化土地利用类型与财务产出之间的相互依赖关系（Gao et al., 2021; Liu et al., 2025）。它从而揭示了土地利用模式如何通过行业联系塑造经济生产力。

城市土地利用变化是一个复杂的动态过程，受到自然条件、社会经济驱动因素以及交通和地理位置因素的共同作用（Liu et al., 2025; Fu et al., 2025; Li et al., 2025）。自然因素如气候、地形和土壤类型在很大程度上决定了土地利用的基本分布（Guan et al., 2024; Dem et al., 2025）。例如，热带雨林地区由于降水丰富，往往拥有广阔的森林覆盖；而平坦且坡度缓和的地形则有利于大规模基础设施建设，通常形成人口密集的城市区域（Li et al., 2024a, Li et al., 2024b）。社会经济力量同样是城市土地利用变化的关键驱动因素。人口增长增加了对住房、基础设施和公共服务的需求，推动了城市扩张（Fu et al., 2025; Dem et al., 2025）。同样，经济发展促使产业结构调整，例如从农业向工业和服务业转变，往往导致农田向建设用地的转化（Li et al., 2025）。交通和地理位置因素在城市土地利用变化中发挥直接作用。靠近主要交通走廊的区域通常具有更好的可达性和更高的土地价值，促使低强度土地利用（如农田或森林）向高强度利用（如工业或建设用地）转变（Guan et al., 2024; Fu et al., 2025）。这些自然、社会经济和地理位置因素并非孤立存在，而是相互协同，共同塑造土地利用模式的持续演变（Liu et al., 2025）。

为了探讨各种影响因素对城市土地利用变化的驱动机制，研究人员开发了一系列定量模型（Fan et al., 2022; Lehto et al., 2024）。多元线性回归（MLR）、地理加权回归（GWR）以及机器学习模型提供了互补的方法来分析空间数据，每种方法都有其独特的优点和局限性。MLR直观且易于解释，能够直接展示每个变量的边际效应，但其假设变量关系在空间上是恒定的，无法捕捉空间异质性或非线性交互作用（Gou et al., 2024）。GWR在MLR的基础上进行了改进，允许回归系数在空间上变化，有效应对空间非平稳性；然而，它在建模复杂的非线性地理过程方面仍存在局限（Xu et al., 2025）。机器学习模型，包括随机森林和神经网络，在捕捉非线性关系和复杂模式方面表现出色，为分析空间异质性数据提供了更灵活的框架（Lehto et al., 2024; Xu et al., 2025; Gou et al., 2024; Wang et al., 2025a, Wang et al., 2025b）。尽管这些模型具有优势，但它们也存在一定的局限性（Lv et al., 2024; Gou et al., 2024）。随机森林由于其分段常数结构，往往只能捕捉局部数据特征（Xu et al., 2025）。神经网络虽然能够通过分层结构和激活函数有效建模非线性关系，但容易出现过拟合的问题（Gou et al., 2024）。为了提高预测精度和泛化能力，研究人员开始转向更先进的机器学习算法，如GBDT、LightGBM和XGBoost（Sun et al., 2024; Alam et al., 2025）。这些基于梯度提升的集成方法通过迭代构建决策树，利用特征选择和分割来识别最佳的分割点，从而逐步减少误差并提高模型的逼近能力（Sun et al., 2024）。然而，其复杂的架构常常使它们成为“黑箱”模型，缺乏对决策过程透明性的理解（Alam et al., 2025）。为了增强可解释性，SHapley Additive exPlanations（SHAP）框架被广泛采用。SHAP能够详细可视化模型输出，并提供对独立变量非线性效应的深入见解，从而实现对模型行为的更透明理解（Lv et al., 2024; Alam et al., 2025）。

空间尺度效应在塑造各种因素对土地利用变化的影响方面起着关键作用（Wan et al., 2025; He et al., 2024）。这些影响机制在不同的空间层级上表现出差异，表明从一个尺度得出的见解不能直接应用于另一个尺度，而需要进行调整（Baldi et al., 2025; Shen et al., 2022）。空间尺度效应主要体现在两个方面。首先，因素影响的强度会随着尺度的变化而变化（Branne et al., 2024）。例如，在宏观尺度上，气候因素通常对土地利用变化的影响更为显著，因为气候变化直接改变了大尺度的生态系统结构和功能。相比之下，在微观尺度上，气候影响往往被地形、土壤特征和人类活动等局部条件所调节（Zhu et al., 2024a, Zhu et al., 2024b; Rodrigues et al., 2025）。其次，因素的作用模式也会在不同尺度上发生变化。在宏观城市尺度上，公园及其周边生态用地可能被视为一个单一的大块区域，从而导致斑块密度较低和聚集指数较高。而在中观尺度上，公园与相邻土地利用类型的边界变得更加明显，形成更小、更破碎的斑块。这种变化增加了斑块密度并降低了聚集指数，因为空间差异性更大。尽管将多尺度框架与可解释机器学习模型相结合的研究仍较为有限，但这种整合在应对土地利用管理中生态成本与经济收益之间的权衡问题方面具有巨大的潜力。

综上所述，已有研究在探讨城市土地利用变化及其内在机制方面取得了显著进展。然而，仍有几个领域需要进一步探索：首先，当前研究主要关注土地利用模式的时空特征，对生态成本和经济收益及其与动态土地利用变化的空间相关性的测量关注较少；其次，大多数研究采用单一尺度视角，忽视了影响因素在多个空间尺度上的差异性影响；第三，需要进一步研究多因素对土地利用变化的非线性效应。总的来说，很少有研究从土地利用变化的成本-效益视角出发，构建一个整合多尺度与可解释机器学习模型的分析框架。因此，本研究采用土地利用动态视角，聚焦于生态系统服务价值成本（ESVC）与土地开发经济利润（LDEP）之间的权衡，旨在系统地探讨社会、经济和自然驱动因素在不同空间尺度上对ESVC和LDEP关系的非线性影响。本研究的贡献主要体现在三个方面：首先，分析了ESVC和LDEP的空间模式及其空间相关性；其次，构建了一个包含城市、区和网格层级的多尺度分析框架，以揭示不同空间层级上影响因素的变化；第三，开发了一个可解释的空间机器学习模型——XGBoost-SHAP，以识别各种因素的非线性影响，包括其相对重要性、阈值效应以及相互作用。

从动态土地利用变化的成本-效益分析角度来看，本研究开发了一个多尺度空间分析框架，并采用可解释的XGBoost和SHAP机器学习模型来探究驱动土地利用变化的复杂机制。这种方法使得研究人员能够在不同空间尺度上进行细致的分析，并为准确的土地利用模拟、可持续的城市土地利用规划以及高质量的城市空间发展提供有价值的见解。