安徽省生态系统健康的时空演变与驱动机制解析：基于VORS模型与XGBoost-SHAP框架的集成研究

本研究针对快速城市化背景下安徽省生态系统健康退化问题，集成VORS模型与XGBoost-SHAP机器学习框架，系统评估1990–2020年生态系统健康时空分异特征，揭示城市化水平与地形因子成为核心驱动因素，为区域生态管理优化和可持续发展目标实现提供科学依据。

　　

随着经济快速增长和城市扩张，土地利用格局发生根本性改变，加剧土地利用冲突并损害区域生态系统健康，引发土壤退化、森林砍伐和全球变暖等严峻环境问题。中国建成区以全球最高速率扩张，2000至2020年间城镇化水平从36.1%激增至63.9%，森林、草地和耕地面积因城市侵占而显著减少。自然和社会经济条件的显著差异导致各地区生态系统健康呈现不同模式，因此量化评估区域生态系统健康不仅有助于制定科学管理策略以应对环境挑战，还在推进可持续发展目标方面发挥关键作用。

尽管自生态系统健康概念提出以来，研究人员已开展大量相关研究，但针对快速城市化的内陆省份（如安徽省）的区域生态系统健康研究仍有限。现有研究主要集中于时空格局分析，缺乏对驱动机制的深入解析，尤其是在省域等中尺度应用层面，未能提供全面评估。探究生态系统健康驱动因素间的相互作用对于推进区域生态保护至关重要，然而传统方法（如相关分析、主成分分析、多元线性回归等）难以充分反映生态系统健康机制的演变，也无法有效揭示非线性关系和复杂交互作用。

为解决这些局限，本研究采用综合方法，结合VORS模型与XGBoost-SHAP框架评估安徽省生态系统健康并识别其关键驱动因素。研究结果显示，1990至2020年间，生态系统服务（25.6%）、恢复力（6.3%）和活力（4.8%）呈现下降趋势，而组织力（1.8%）略有增加。这些变化凸显了快速城市化和土地利用变化对安徽省生态系统健康的深远影响。生态系统健康呈现出明显的南高北低空间格局，与地貌类型密切相关，并从1990年的0.666下降至2020年的0.633，但仍处于亚健康水平（II级）。此外，不同土地利用类型的生态系统健康顺序为：森林 > 耕地 > 草地 > 水域 > 建设用地。在所有城市中，仅宿州、亳州、蚌埠和阜阳表现出生态系统健康改善，而铜陵、合肥、安庆和芜湖下降幅度最大，共同贡献了全省总下降量的47%。城市化水平和地形因素（高程和坡度）是关键驱动因素。

本研究系统分析了生态系统健康的变化，为制定合理土地利用政策和促进可持续发展目标的实施提供了重要参考。论文发表在《Environmental Toxicology and Pharmacology》期刊。

为开展本研究，作者主要应用了以下关键技术方法：基于资源与环境科学数据云平台获取1990、2000、2010和2020年土地利用数据（30米分辨率）；采用VORS模型评估生态系统健康，其中活力通过归一化植被指数（NDVI）量化，组织力通过景观异质性（LH）、景观连通性（LC）和关键生态系统连通性（CC）衡量，恢复力基于土地利用类型和恢复系数计算，服务功能通过InVEST模型估算碳存储、产水量和生境质量；驱动因素分析选用XGBoost机器学习模型结合SHAP解释框架，涵盖地形（高程、坡度）、气候（温度、降水、蒸散）、社会发展（城市化水平、GDP、人口密度）和环境压力（PM_2.5浓度）等九类因子。

4.1. 生态系统健康的时空动态

4.1.1. 生态系统健康指标

通过分析1990-2020年间生态系统活力、组织力、恢复力和服务功能的时空动态变化，发现安徽省年平均生态系统服务从0.476下降至0.354，降幅达0.122，是指标中下降最显著的。生态系统恢复力从0.747降至0.700，活力波动下降0.035，而组织力呈现波动上升趋势（0.611至0.622）。空间上，生态系统服务在皖西北和皖南山地显著下降，中部和大别山区局部恢复；恢复力低值区分散性增强，中部下降最明显；活力在皖北增幅最大，中部降幅最大；组织力低值区分布于西北部，高值区集中于长江沿岸和南部山区。

4.1.2. 生态系统健康

生态系统健康综合评价显示，安徽省生态系统健康值从1990年0.666逐步下降至2020年0.633，维持亚健康等级（II级），但呈现向普通等级（III级）转变趋势。空间分布呈现显著地理差异，南部山区值较高，西北平原值较低，与地貌特征一致。面积变化分析表明，病态等级（Ⅴ）面积呈U形波动，总体增加1.5%；脆弱等级（Ⅳ）面积占比从9.8%变为11.4%，2010-2020年间趋于稳定；普通等级（Ⅲ）呈N形波动，2000-2010年降幅最大（5.0%），2010-2020年增幅最大（9.9%）；健康等级（I）从23.6%降至22.7%，亚健康等级（II）下降7.5%。不同土地利用类型中，森林健康水平最高，其次为耕地、草地、水域，建设用地最低。各城市变化趋势显示，仅宿州、亳州、蚌埠和阜阳健康值上升，铜陵、合肥、安庆和芜湖下降最显著，贡献全省47%的降幅。

4.2. 驱动因素分析

应用XGBoost-SHAP模型量化驱动因素影响，发现1990-2020年间生态系统健康主导驱动因子从地形（高程、坡度）转变为社会发展（城市化水平）。城市化水平成为主要负向驱动因子，PM_2.5自2000年起成为重要限制因子。SHAP依赖图显示，生态系统健康与高程呈非线性关系，中高程（750-1000米）最有利，低高程（0-250米）受人类活动负面影响；城市化水平超过0.2时健康恶化，超过0.4时显著退化；坡度超过20°时健康持续下降；温度、降水和人口密度具有中等正向影响。

研究结论表明，安徽省生态系统健康总体下降，服务功能贡献最大且负向影响最强，空间上北低南高，森林健康最佳，建设用地最差。驱动机制演化显示，地形因子主导作用逐渐让位于城市化水平。讨论部分强调，评估结果与区域地貌、政策实施和人类活动压力高度相关，南部山区生态稳定性高需优先保护，北部平原应控制城镇扩张并提升农田生态质量。本研究通过耦合VORS评估框架与机器学习解释方法，为区域生态管理提供了精细化决策支持，对推进生态文明建设和实现可持续发展目标具有重要意义。