基于XGBoost-SHAP模型的生态分区识别与归因分析：以中国成都为例

为解决快速城市化背景下生态系统服务价值（ESV）与景观生态风险（LER）的协同管理问题，研究人员以成都为案例，结合XGBoost-SHAP模型构建了集成生态分区框架。研究揭示了ESV“西北高-中心低”与LER“西北-中心低、东南高”的空间分异规律，提出四类功能分区及精准管理策略，为城市生态安全格局优化提供了数据驱动的科学依据。

　　

随着中国城市化率突破66.16%，成都等快速扩张城市正面临生态系统服务退化与生态风险加剧的双重压力。传统生态分区方法多依赖静态数据，难以解析复杂的人地交互机制。针对这一难题，研究人员创新性地将机器学习与生态评估结合，在《Ecological Indicators》发表了突破性研究成果。

研究团队采用2000-2020年土地利用数据，通过修正当量因子法核算ESV，结合景观脆弱性-干扰指数评估LER，构建2km×2km网格评价单元。运用Z-score标准化与象限分类划定四类生态区，并引入XGBoost-SHAP模型解析16项自然-人文驱动因子的非线性作用机制。

4.1 土地利用时空动态
2000-2020年间耕地减少11.64%，生态用地增加219.68km²，建设用地扩张达211.18%。桑基图显示1021.58km²耕地转为建设用地，反映城镇化与生态政策的博弈。

4.2 ESV演变特征
ESV呈“上升-下降-回升”趋势，净减少7.52亿元。空间上呈现“西北高、中心低”格局，主城区低值区从三环扩展至五环，与植被覆盖度（NPP）和地形（DEM）显著正相关。

4.3 LER分布规律
93.67%区域属中低风险，呈现“西北-中心低、东南高”特征。城市建成区因景观整合使风险降低，而河岸带与高山草甸因人类活动与自然胁迫呈现高风险。

4.4 生态分区结果
生态控制区（ECZ）与改善区（EIZ）占69%，2010-2020年ECZ面积激增336%。SHAP分析显示DEM、坡度和NPP是主导因子，人类干扰（HD）在城市化区域影响显著。

4.5 驱动机制解析
XGBoost模型训练集R²达0.8885，揭示降水与高程的阈值效应：>0.45m降水显著提升LER，而DEM>0.6时风险陡增。地理探测器显示坡度-降水交互会放大生态风险（q=0.3516）。

讨论部分强调，该研究首创的ESV-LER耦合框架突破了传统分区局限：
1）通过四象限分类实现“服务-风险”协同管控，建议对高ESV高LER的生态修复区（ERZ）实施半封闭管理；
2）机器学习揭示了自然因子主导（贡献度53.7%）、人文因子阈值响应的非线性规律；
3）提出的“分区-归因-调控”技术路径，为长江经济带等快速城市化地区提供了可复制的生态管理范式。

研究同时指出需加强微观污染数据的整合，未来可结合CLCD等新型遥感数据拓展多情景预测。这项成果不仅验证了XGBoost-SHAP模型在生态研究的适用性，更为实现“山水林田湖草”系统治理提供了智能决策工具。