城市鸟类多样性对景观特征的非线性响应机制：基于机器学习的多尺度分析与生态规划启示

为探究高密度城市中鸟类多样性与景观特征的复杂关系，南京研究团队整合公民科学数据(eBird)与机器学习算法(BRT/XGBoost/SHAP)，首次揭示900 m为最优研究尺度，发现夜间照明(>62 lux)、建筑密度(>0.15)和道路密度(>5)的抑制阈值，以及地形因子(海拔50-150 m)与生态条件(RSEI>0.5)的协同促进作用，为可持续城市规划提供量化依据。

　　

随着中国城市化进程加速，南京这类高密度城市正面临严峻的生物多样性挑战。城市扩张导致自然栖息地碎片化，夜间光污染和交通噪声干扰鸟类行为，而传统研究多局限于单一尺度或线性分析，难以捕捉景观特征与鸟类群落的复杂互动。更棘手的是，公民科学平台如中国观鸟记录中心虽积累海量数据，但存在观测偏差和尺度选择争议。这些瓶颈制约着"生态城市"建设——究竟多大范围的景观规划最能影响鸟类？哪些关键参数存在作用阈值？

针对这些难题，同济大学联合团队以南京主城区为实验室，创新性地融合多尺度分析(300-1500 m)与机器学习建模。研究首先通过186470条观鸟记录构建物种数据库，发现275种鸟类中77%为雀形目，其空间分布呈现小尺度(300-700 m)随机性特征。随后采用提升回归树(Boosted Regression Trees, BRT)锁定900 m为关键尺度——在此范围内，地形因子(海拔50-150 m、坡向100°-200°、坡度<5°)与生态遥感指数(Remote Sensing Ecological Index, RSEI>0.5)形成协同效应，能有效缓解建筑密度(>0.15)和道路密度(>5 km/km²)的负面影响。

关键技术包括：1) 公民科学数据清洗与空间标准化；2) 7个梯度半径(300-1500 m)的景观特征提取；3) BRT模型优化与SHAP值解释；4) 功能多样性指数计算。

【研究结果】

1. 鸟类组成与空间分布
   记录显示雀形目占绝对优势(143690只)，其物种丰富度随尺度扩大递增，但功能多样性保持稳定。空间自相关分析(Moran's I=0.24)证实小尺度分布更具随机性。

2. 尺度选择的重要性
   BRT模型显示900 m尺度解释力最强，该范围内景观特征对两种多样性指数的贡献率达峰值。夜间照明强度(>62 μmol/m²/s)在此尺度显现显著抑制作用。

3. 景观特征的非线性效应
   XGBoost-SHAP分析揭示地形因子的"缓冲效应"：当海拔处于50-150 m区间时，能削弱建筑密度30%的负面影响。道路密度与RSEI的交互作用表明，生态质量提升可部分抵消交通网络的生态压力。

【结论与意义】
该研究首次系统量化了中国高密度城市中景观特征对鸟类多样性的尺度依赖性影响，突破性地发现：

1. 900 m是城市规划的最小生态单元，建议在此尺度优化绿地配置；
2. 提出"夜间照明62 lux"的生态警戒值，为光污染治理提供新标准；
3. 揭示地形-RSEI的协同机制，证明生态修复可缓解建设压力。

这些发现直接支撑《生物多样性公约》第十五次缔约方大会(COP15)倡议，为长三角城市群开展"基于自然的解决方案"(Nature-based Solutions, NbS)提供实证案例。未来研究可结合声景生态学方法，进一步探索噪声-光照复合污染的跨尺度效应。