利用可解释的机器学习方法揭示中国东北地区湿地生态系统健康的时空动态及非线性相互作用驱动机制

《Ecological Indicators》：Revealing the spatiotemporal dynamics and nonlinear interaction-driven mechanisms of wetland ecosystem health in Northeast China using interpretable machine learning

湿地生态系统健康评估及驱动机制研究

　　在全球变化与人类活动的共同影响下，湿地生态系统健康（WEH）面临着诸多挑战。理解湿地生态系统健康状态的时空演变模式及其关键驱动机制，对于推动科学的湿地保护与可持续发展具有重要意义。然而，以往的研究往往忽视了多个驱动因素之间复杂的非线性关系和相互作用。本研究通过整合驱动因素-压力-状态-影响-响应-管理（DPSIRM）模型和脆弱性-机会-韧性-可持续性（VORS）模型，构建了湿地生态系统健康综合指数（WEHI），以评估2000年至2020年间中国东北地区湿地健康动态演变。结合极端梯度提升（XGBoost）和SHapley Additive exPlanations（SHAP）人工智能技术，分析了驱动因素的非线性效应、相互作用及阈值效应。通过偏最小二乘结构方程模型（PLS-SEM），探讨了驱动因素对WEHI的直接和间接路径。沼泽是东北地区的主要湿地类型，湿地类型之间频繁转换。WEHI的平均值为0.4448，表明湿地生态系统处于中等健康水平，南方地区条件较差，而西北地区条件较好。总水资源和耕地面积是主要的驱动因素，具有显著的非线性和阈值效应。总水资源与自然人口增长之间的相互作用最为明显——当水资源低于150亿立方米时，人口增长显著加剧湿地退化。管理水平作为一个中介变量，间接削弱了其他驱动因素的正向影响。结合XGBoost-SHAP和PLS-SEM提供了探索生态系统健康驱动因素的一种创新且互补的分析框架，为科学制定湿地保护和管理政策提供了坚实的理论支持，并有助于精准识别和应用多维驱动因素效应。

湿地生态系统作为全球三大生态系统之一，与森林和海洋并列，是地球生态安全屏障的重要组成部分，具有重要的生态、经济和社会价值。湿地通常被称为“地球之肾”和“自然宝库”，在调节全球水循环、气候、生物多样性保护以及可持续人类发展方面发挥着不可替代的作用。然而，这些生态系统正面临快速经济发展、加剧的气候变化和人类活动带来的压力。自1700年以来，由于土地利用的变化，全球约有340万平方公里，即世界内陆湿地的21%，已经消失。其中，欧洲、美洲和中国等地区出现大幅减少，这种面积减少和土地利用变化导致湿地生态系统结构被破坏，引发水体质量下降、生物多样性急剧减少和水资源枯竭等问题。因此，明确湿地损失和转化的特征，探索生态系统健康演变趋势，并分析其背后的非线性驱动机制，对于理解湿地生态系统如何应对环境压力具有重要意义。

WEH是生态系统管理领域的一个较新的发展，关注人类活动与湿地生态系统之间的复杂相互作用。自20世纪70年代以来，WEH已成为湿地研究的核心主题。Larson和Mazzareset（1994）率先开发了一个全球模型来评估湿地生态系统，并为后续研究奠定了基础。此后，世界各地开展了大量关于WEH的研究。评估WEH涉及对社会经济、生态和自然资源系统的综合分析，以确定湿地生态系统内部物质和能量平衡受到自然因素或人类活动破坏的程度，并提供潜在退化预警。此类评估为管理者和政策制定者提供了科学依据，以制定或调整管理与保护策略，鼓励湿地资源的可持续利用，并通过有效的WEH管理提升生态系统服务。

当前WEH的评估方法因研究目标和方法的不同而有所差异，需要针对不同湿地类型制定特定的指标。WEH评估已从单维度发展为多维度的跨学科方法，通常采用生物评估、指标系统和遥感技术等手段。尽管这些方法各有优势，但它们通常未能充分考虑生态系统的动态变化和社会生态互动。在本研究中，我们提出了一种综合方法，结合多源数据和先进建模技术，以提供更动态的湿地生态系统健康评估。然而，生态系统结构和功能的复杂性给WEH评估带来了挑战。为应对这些挑战，本研究结合了DPSIRM模型和VORS模型，构建了一个更详细的评估框架，展示了生态系统的复杂联系和基本健康特征，为湿地保护和管理提供了科学依据。

WEH的研究范式从静态评估转向了对驱动机制的多维分析。识别关键驱动因素对于制定生态恢复策略和推动区域可持续发展至关重要。传统研究主要使用线性统计方法，如主成分分析、地理探测器、相关分析和空间分析技术等。Yang等（2024）基于DPSIR模型结合加权方法和TOPSIS模型构建了评估指标系统，用于评估新疆地区的生态系统健康，并利用地理探测器和地理加权回归模型识别关键驱动因素。然而，这些方法未能有效揭示驱动因素之间的非线性关系和复杂互动。线性假设无法捕捉驱动因素对WEH的非线性响应。多重共线性问题影响了多元分析的可靠性。此外，它们还无法量化驱动因素的大小、方向、阈值和协同关系。

随着机器学习的发展，探索WEH驱动因素的非线性和交互机制的新途径逐渐显现。机器学习不需要预定义的数据分布，可以表征解释变量和目标变量之间的复杂非线性关系。它适用于结构化和非结构化数据的分析，并已被广泛应用于生态安全模式、景观模式、土地利用权衡和生态承载力研究中，优于传统方法。然而，机器学习的“黑箱”性质限制了其在归因分析中的应用。SHapley additive exPlanations（SHAP）解释器的结合解决了这一问题。本研究将XGBoost与SHAP相结合，构建了WEH与驱动因素之间的功能关系，从而识别了每个驱动因素的重要性和非线性响应特征。可解释机器学习有潜力揭示多个WEH驱动因素的交互机制。

中国东北地区拥有丰富的湿地资源，总面积约为75,357.4平方公里，占全国湿地总面积的14.1%。这些湿地对于确保生态安全和维持区域生态平衡至关重要。然而，该地区的生态环境受到气候变化、不可持续的人类活动和过度放牧的严重破坏。这些因素加剧了盐碱化，加速了湿地的损失，显著影响了WEH。因此，研究各种WEH驱动因素的相互作用机制，对于确保湿地生态系统的可持续发展至关重要。

本研究克服了传统方法中使用县级行政区域作为评估单元的局限性，采用了高精度的网格化评估方法。通过将DPSIRM-VORS理论框架与机器学习算法和PLS-SEM模型相结合，我们评估了2000年至2020年间中国东北地区WEH的时空模式和复杂的驱动机制。本研究旨在揭示东北地区湿地类型的时空特征；构建多维评估系统，分析WEH的时空动态；使用XGBoost-SHAP方法量化驱动因素对WEH的相对贡献，识别关键驱动因素的非线性响应阈值，并阐明这些驱动因素对WEH的相互作用机制；通过路径分析量化每个驱动因素对WEH的直接和间接影响。我们的研究加深了对WEH动态演变的理解，为生态系统健康评估研究提供了方法论范式，为制定湿地修复和管理政策提供了实践启示。

研究框架包括数据预处理、湿地变化的时空分析、生态系统健康评估以及非线性相互作用机制的分析。首先，整合了多源异构数据（包括土地利用、社会经济、生态环境和道路数据），并进行了标准化处理，以提供识别湿地退化、评估生态系统健康和分析驱动因素的坚实基础。其次，基于时间序列土地利用数据，从整个东北地区及其七个生态功能区的角度，分析了湿地时空动态和类型转换模式。第三，生态系统健康评估模型结合DPSIRM框架和VORS模型，定量评估了湿地健康的空间分布和时间演变。最后，结合XGBoost-SHAP算法和PLS-SEM模型，分析了湿地健康变化的非线性驱动效应，包括驱动因素的重要性排序、非线性相互作用影响、关键阈值识别以及直接和间接因果路径。

本研究采用了DPSIRM-VORS模型进行湿地生态系统健康评估。该模型优化了指标选择过程，增强了指标系统的准确性和适用性，从而更精确地反映生态系统健康状态和演变趋势。模型包括五个层次的指标：驱动因素层，涵盖湿地演变的基本驱动因素，如人口动态、社会经济因素、农业活动和景观破碎度；压力层，指的是由驱动因素引起的对湿地资源的直接压力，如社会经济活动、农业和气候因素，包括湿地区域的人口密度和污染排放强度；状态层，使用VORS模型来表征在驱动因素和压力影响下湿地结构、功能和景观状态的直接变化；影响层，反映了湿地状态变化对人类生存和社会发展的反馈效应；响应和管理层，指的是社会对生态系统变化所采取的补救、调控和生态修复措施。通过将DPSIRM与VORS模型的多维评估能力相结合，该耦合模型强化了各种要素之间的内在联系和协调机制，使模型能够更准确地捕捉WEH的动态变化，为湿地保护和管理提供科学决策支持。

为了评估湿地生态系统健康，我们选择了32个指标，涵盖了关键影响因素，并符合区域生态特征。这些指标包括驱动因素、压力、状态、影响和响应与管理层。基于DPSIRM-VORS模型，并考虑地形、湿地资源、社会经济发展和相关文献，我们构建了一个评估系统。指标的选取遵循代表性、可获得性、科学性和可操作性原则。在本研究中，我们采用自然断点分类法，将东北地区的WEHI划分为五个等级：极健康、健康、亚健康、不健康和病理状态。该方法有效减少了主观影响，准确揭示了WEH的内部和空间变化。

在本研究中，我们采用了XGBoost算法进行湿地健康变化的驱动因素分析。XGBoost是一种基于梯度提升决策树框架的高效、灵活和可扩展的机器学习算法。它通过迭代构建多个决策树来优化预测性能，能够有效捕捉多个解释变量之间的非线性关系和阈值效应。XGBoost在分类、回归和排序任务中表现出色。与传统方法相比，XGBoost在加权数据分布处理、防止过拟合的正则化、并行计算以加速训练以及处理缺失值方面都有显著改进。在本研究中，XGBoost回归模型被用于探索WEH与多维驱动因素数据集之间的功能关系，并为基于SHAP的驱动机制分析奠定基础。

为了探讨WEH变化的驱动机制，我们利用SHAP方法对XGBoost模型的预测结果进行了解释。通过绘制每个驱动因素的SHAP值与对应WEHI值的二维散点图，这种方法能够直观识别主导驱动因素，明确影响方向（正向或负向），探索部分依赖关系，分析交互协同效应，并检测潜在的阈值效应。分析表明，总水资源和耕地面积是影响WEH的主要因素，且两者之间存在显著的非线性关系和阈值效应。此外，不同驱动因素之间的相互作用也对WEH产生了重要影响，这些相互作用模式在不同年份有所变化。通过这些分析，我们揭示了湿地健康变化背后的复杂机制，并为科学制定湿地保护和管理政策提供了依据。

研究还发现，某些驱动因素在单独作用时影响较弱，但当与其他因素相互作用时，其影响显著增强。这种现象进一步强调了多因素交互在评估WEH中的重要性。此外，研究还揭示了驱动因素之间的非线性关系和阈值效应。例如，当总水资源低于150亿立方米时，人口增长显著加剧了湿地退化。这些结果为湿地健康变化的动态驱动机制提供了新的见解，并为未来研究提供了方向。通过本研究，我们不仅识别了主要驱动因素及其相互作用，还揭示了它们对湿地健康的具体影响，为制定有效的生态恢复和管理策略提供了科学依据。