一个可解释的INVEST-XGB-LGB融合模型，用于指导生态系统恢复：解析青藏高原东部生态系统服务的长期权衡因素和驱动因素

《Ecological Engineering》：An explainable InVEST-XGB-LGB fusion model to inform ecosystem restoration: Deciphering long-term trade-offs and drivers of ecosystem services in the Eastern Qinghai-Tibet Plateau

本研究基于InVEST-XGBoost-LightGBM框架，系统评估了1990-2020年甘孜藏族自治州东部青藏高原生态系统服务的时空演变及驱动机制。通过分析碳储存、栖息地质量、水土保持和水产供给五大指标，揭示气候因子（温度主导碳汇及生物量，降水驱动径流量）与人类活动对生态服务协同与权衡的动态影响，为高原生态修复提供科学依据。

　　在当今社会，生态系统服务（Ecosystem Services, ESs）的研究已成为理解自然环境与人类社会之间复杂关系的重要途径。生态系统服务不仅涉及生态系统的自我调节能力，还与人类社会的可持续发展密切相关。随着全球人口的增长和城市化进程的加快，对生态系统服务的研究显得尤为重要，尤其是在生态保护和修复方面。本文聚焦于青藏高原东部的甘孜藏族自治州，探讨该地区生态系统服务的时空演变及其驱动机制。通过综合应用InVEST模型、XGBoost和LightGBM算法，研究团队成功构建了一个分析框架，以揭示生态系统服务的变化趋势及其背后的因素。

生态系统服务的概念源于对自然环境所提供功能的广泛认知。它不仅包括提供清洁水源、维持生物多样性等基本服务，还涵盖了土壤保持、碳储存等调节服务。这些服务对于维持生态平衡和促进社会经济的稳定发展具有不可替代的作用。然而，随着人类活动的加剧，生态系统服务面临诸多挑战，如土地利用变化、气候变化等。这些问题不仅影响了生态系统的健康，也对人类社会产生了深远的影响。

在甘孜藏族自治州，生态系统服务的变化尤为显著。该地区位于青藏高原的东部边缘，是连接青藏高原与周边生态区域的重要生态走廊。由于其特殊的地理位置和自然条件，甘孜的生态系统服务对区域生态安全和可持续发展具有重要影响。近年来，随着全球变暖和人类活动的增加，甘孜地区的生态系统服务出现了明显的时空变化。例如，碳储存（CS）在1990年至2010年间呈现出持续下降的趋势，但在2010年至2020年间则出现了显著的增加。这一变化可能与冰川融化和“退耕还林”政策等自然和人为因素有关。尽管如此，2020年的碳储存总量仍比1990年低约270万吨。

除了碳储存，甘孜地区的其他生态系统服务也表现出不同的变化趋势。例如，水资源产出（Water Yield, WY）和净初级生产力（Net Primary Productivity, NPP）总体上呈现上升趋势，而土壤保持（Soil Conservation, SC）和栖息地质量（Habitat Quality, HQ）则表现出一定的波动。这些变化不仅反映了自然环境的动态演变，也揭示了人类活动对生态系统服务的深远影响。值得注意的是，尽管自然因素如NDVI和降水在生态系统服务的驱动中占据主导地位，但人类活动，特别是农业现代化和城市化进程，对生态系统服务的空间分布产生了显著的负面影响。

为了更全面地理解这些变化的驱动机制，研究团队采用了一种结合InVEST模型和机器学习方法的综合分析框架。InVEST模型用于评估四个生态系统服务指标：碳储存、栖息地质量、土壤保持和水资源产出。随后，通过Spearman相关分析，研究团队探讨了生态系统服务与14个变量之间的相互关系，这些变量涵盖了气象条件、人类干扰和自然环境等多个维度。这种方法不仅有助于识别生态系统服务的主要驱动因素，还能揭示这些因素之间的复杂互动关系。

在驱动因素的分析中，研究团队进一步引入了XGBoost和LightGBM两种机器学习算法。这两种算法在处理高维数据和捕捉非线性关系方面表现出色，能够有效识别生态系统服务的多维驱动因素。通过结合这两种算法，研究团队能够更准确地量化九个驱动因素对五个生态系统服务指标（碳储存、栖息地质量、土壤保持、水资源产出和净初级生产力）的贡献。此外，研究团队还比较了不同时期驱动因素的重要性，以揭示生态系统服务驱动机制的时空动态变化。

研究结果表明，气候因素是过去30年间生态系统服务变化的主要驱动因素。温度对碳储存、栖息地质量、土壤保持和净初级生产力的影响尤为显著，而降水则是水资源产出的主要驱动因素。这一发现强调了气候变化在生态系统服务演变中的核心作用，同时也揭示了人类活动在某些特定区域和时间段内的显著影响。例如，农业现代化和城市化进程对生态系统服务的空间分布产生了较强的负面影响，而这些活动在某些情况下也可能带来一定的生态效益。

在方法论上，研究团队采用了InVEST、XGBoost和LightGBM的综合应用，为生态系统服务的研究提供了新的思路和技术手段。这种方法不仅提高了模型的预测准确性，还增强了对生态系统服务驱动机制的理解。通过结合不同模型的优势，研究团队能够更全面地分析生态系统服务的多维驱动因素，并揭示这些因素之间的复杂关系。此外，这种方法也为其他类似区域的生态系统服务研究提供了科学参考，特别是在高原生态系统的研究中。

研究的另一个重要贡献在于对甘孜地区生态系统服务的时空变化进行了深入分析。通过对1990年至2020年间数据的系统评估，研究团队揭示了该地区生态系统服务的变化趋势及其背后的因素。这些结果不仅有助于理解甘孜地区的生态动态，也为制定区域生态保护和修复策略提供了科学依据。特别是在应对生态系统服务退化和生态系统失服务（Ecosystem Disservices, EDS）方面，研究团队的方法具有重要的应用价值。

此外，研究团队还指出，当前关于生态系统服务的研究在某些方面仍存在局限性。首先，许多研究在评估生态系统服务驱动机制时，往往采用综合指数作为单一目标变量，而忽略了对个体变量的深入分析。这种做法可能导致对生态系统服务之间相互作用的理解不够全面，从而影响生态管理政策的制定。其次，现有的可解释机器学习方法在分析生态系统服务驱动机制时，往往缺乏对时间维度的动态分析，导致对生态系统服务变化的解释不够充分。最后，研究区域的选择可能存在一定的地理偏倚，大多数研究集中在城市区域，而对高原生态系统的研究相对较少。

为了克服这些局限性，研究团队在甘孜地区进行了详细的分析，结合了自然、社会和经济因素，探讨了生态系统服务的多维驱动机制。这种方法不仅提高了对生态系统服务变化的理解，也为未来的研究提供了新的方向。特别是在高原生态系统的研究中，这种方法能够更有效地捕捉复杂的非线性关系，从而为生态保护和修复提供更科学的依据。

总之，本文的研究为理解生态系统服务的时空演变及其驱动机制提供了重要的科学依据。通过对甘孜地区生态系统服务的系统评估，研究团队揭示了气候变化和人类活动在生态系统服务变化中的关键作用。同时，研究团队还提出了一个结合InVEST、XGBoost和LightGBM的综合分析框架，为未来的研究和实践提供了新的方法和技术手段。这些成果不仅有助于提高对生态系统服务变化的认识，也为制定科学的生态保护和修复策略提供了有力支持。