利用双机器学习的因果推断方法，确定海南热带雨林国家公园生态环境质量的关键驱动因素

《Environmental and Sustainability Indicators》：Identification of key driving factors for ecological environmental quality in Hainan Tropical Rainforest National Park using causal inference with double machine learning

本研究采用RSEI模型结合双机器学习因果推断方法，评估海南热带雨林国家公园2019-2024年生态环境质量（EEQ），发现EEQ保持高位稳定，97.58%区域无显著变化，主要驱动因素包括土壤和水保持能力协同作用、地形复杂性与景观结构互动，为科学管理提供依据。

　　生态环境质量（EEQ）是国家公园保护工作中的核心议题，其水平直接关系到区域生态安全和生物多样性保护目标。本研究通过遥感生态指数（RSEI）评估了海南热带雨林国家公园（HNTRNP）2019年至2024年间EEQ的空间分布模式和时间变化趋势，并采用双机器学习（DML）模型识别了土地覆盖类型、景观格局指标、地形特征、土壤分类、气象参数和生态系统服务功能等关键驱动因素。这种方法能够精准测量环境因素对EEQ分布模式和稳定性的影响。研究结果表明，HNTRNP的EEQ始终保持在较高水平，平均RSEI为0.75，显示出从2019年到2024年总体稳定且略有上升的趋势（Sen's slope≈0.003）；此外，97.58%的区域维持了稳定的生态状况。EEQ的空间分布主要由土壤保持能力（SCC）和水资源保持能力（WCC）的相互作用驱动，而坡度（Slp）与坡长因子（LS）之间的相互作用，以及景观异质性（Het）与形状边缘效应（SE）之间的相互作用也起到了重要作用。RSEI的稳定性主要受到生物多样性（Bio）、降水量（Prec）和土壤类型（Soil）的影响，其中LS和SCC对生态质量有显著的正向增强作用。研究结果表明，多因素协同作用和景观结构复杂性共同调控了EEQ。景观结构特征直接影响生态系统的动态变化，而多个要素之间的协同作用则显著影响EEQ的稳定性。DML模型为识别影响国家公园EEQ的关键因素提供了创新的技术支持，并为基于科学的保护与管理策略奠定了理论基础。

### 1. 引言

近年来，海南自由贸易港的建立为区域发展带来了诸多机遇，同时也加剧了自然环境的挑战。建立以国家公园为核心的自然保护区体系已被证明是中国提升生态系统服务和保护生态景观真实性和完整性的最有效策略。国家公园作为主要的生态保护区域，通过其环境质量显著影响区域生态安全和生物多样性保护目标。作为人类与自然互动网络中的核心节点，高质量的国家公园能够将生态系统的完整性转化为稳定的生态服务和可衡量的社会效益，从而增强自然、社会和经济的耦合关系。中国已经建立了以国家公园空间布局规划为中心的制度框架，明确了分区管理和恢复策略。然而，物种栖息地碎片化和人类活动带来的干扰仍然是显著挑战。因此，识别和量化影响国家公园EEQ的关键驱动因素对于实现保护目标和可持续管理国家公园生态系统至关重要。

### 2. 研究区域与数据来源

本研究选择了海南热带雨林国家公园（HNTRNP）作为研究对象，该公园位于海南岛中央南部的喀斯特山地地区，总面积约为4269平方公里。该地区是中国现存面积最大、保存最完整的热带雨林生态系统，是极危物种海南长臂猿的唯一栖息地。公园内包括七个不同的管理区，分别是建丰岭（JFL）、巴旺岭（BWL）、盈江岭（YGL）、里姆山（LMS）、五指山（WZS）、大辽山（DLS）和毛瑞（MR）。公园的海拔范围从45米到1867米，表现出明显的地形梯度变化。土壤组成从低于400米的红壤转变为高于750米的黄壤。该地区具有热带季风气候，年均气温在22.5至26.0摄氏度之间，年均降水量为1759毫米，伴有频繁的台风活动。森林覆盖率达到了95.56%，其中热带雨林植被占比高达71.63%。作为印度-马来西亚热带雨林生物群落的北部边界，该生态系统既具有普遍的热带雨林特征，又表现出独特的过渡性生物属性，因此对全球生物多样性保护具有重要意义。

### 3. 方法论

本研究采用了四个关键数据集，包括多光谱数据、土地覆盖分类数据库和环境因子数据。所有数据集均被标准化为WGS1984 UTM Zone 50N坐标系统，以确保地理一致性和可比性。通过Google Earth Engine平台，从2019年至2024年的Sentinel-2 L2A和Landsat 8/9数据中提取了RSEI的四个生态指标，即归一化植被指数（NDVI）、湿润度（WET）、归一化裸露土壤指数（NDBSI）和地表温度（LST）。年度RSEI组成和多年平均值通过主成分分析（PCA）和数学计算生成。Sen's slope和Mann-Kendall检验用于精确评估趋势变化和统计显著性。此外，本研究还采用了景观格局指标，通过景观生态学理论，使用移动窗口方法从HNTRNP的土地覆盖分类数据库中提取了10个典型景观格局指标。这些指标被分类为四个维度：景观破碎度综合指数（FACI）、景观异质度综合指数（HACI）、形状-边缘效应综合指数（SECI）和景观连通性综合指数（CACI）。通过这一方法，本研究能够系统评估景观格局的变化，并对其进行全面分析。

### 4. 结果

从2019年至2024年，HNTRNP的EEQ显示出微妙但一致的改善趋势，这在不同保护区域中呈现出明显的空间异质性。多光谱数据和地形参数被用于计算RSEI，其结果表明，第一主成分（PC1）能够充分捕捉RSEI计算所需的主要生态信息。在每个年份，PC1表现出最高的特征值和方差贡献，范围从57.93%到68.18%。PC1有效提取了原始生态指标中的主导信息，从而支持了其作为RSEI提取基础的合理性。特征向量系数显示，NDVI和WET通常具有正向贡献，而NDBSI和LST则表现出负向贡献。这种模式与RSEI的生态解释一致。特征向量的稳定性进一步强化了使用PC1进行RSEI计算的科学性。这些系数在不同年份的相对一致性表明，四个指标之间的关系及其对生态质量的影响在时间上保持稳定。

### 5. 讨论

研究结果表明，RSEI在HNTRNP中的空间分布和变化呈现出复杂的动态特征。高和极高等级的RSEI区域主要集中在Wuzhishan（WZS）、Limushan（LMS）和Diaoluoshan（DLS），其中WZS和LMS的极高等级区域超过60%。相比之下，Bawangling（BWL）和Jianfengling（JFL）的极高等级区域比例较低，分别为45%和70%。这些发现支持了Li et al.（2022b）关于高生态系统服务值主要集中在原始热带雨林区域的观点。

此外，景观异质性与连通性（Het-Con）以及形状边缘效应与连通性（SE-Con）之间的相互作用被确认为影响EEQ空间分布的核心因素。这些相互作用不仅揭示了多因素协同作用对生态质量的调控机制，还强调了景观结构复杂性在生态系统动态变化中的关键作用。同时，土壤保持能力（SCC）和水资源保持能力（WCC）之间的相互作用对RSEI稳定性具有显著影响。地形特征、土壤性质和景观结构等因素在EEQ的调控中发挥着决定性作用。

### 6. 结论

本研究利用遥感生态指数（RSEI）评估了海南热带雨林国家公园（HNTRNP）2019年至2024年间生态环境质量（EEQ）及其发展轨迹。研究开发了一种双机器学习（DML）因果推断模型，以量化景观格局指标、地形条件、气象因素、土壤类型和生态系统服务能力对HNTRNP内EEQ空间分布和稳定性的影响。结果表明，HNTRNP的EEQ呈现出适度改善的趋势，显示出时间上的局部周期性波动。具体而言，多光谱数据的多年平均RSEI达到0.75，从2019年到2024年表现出微妙的上升趋势。Sen's slope约为0.003，表明EEQ有轻微的上升趋势，几乎98%的区域维持了相对稳定的生态状况。EEQ的空间分布主要由土壤保持能力（SCC）和水资源保持能力（WCC）的相互作用驱动，而坡度（Slp）与坡长因子（LS）之间的相互作用，以及景观异质性（Het）与形状边缘效应（SE）之间的相互作用也显示出高度显著的影响（p ≤ 0.01）。RSEI的稳定性受到多个因素的调控，包括生物多样性（Bio）、降水量（Prec）和土壤类型（Soil）。坡长因子（LS）和土壤保持能力对EEQ的提升具有显著的正向作用。研究确认了多因素协同作用和景观结构复杂性对HNTRNP的EEQ具有调控作用。所提出的双机器学习因果推断方法为识别和量化HNTRNP的EEQ驱动因素提供了新的技术路径。该方法有助于阐明生态系统结构和功能变化的机制，为科学制定保护和管理策略奠定了理论基础。