山地城市群生态供需失衡的非线性驱动机制：耦合生态供需评估与可解释机器学习

《Ecological Indicators》：Integrating ecological supply–demand assessment and interpretable machine learning to reveal nonlinear mechanisms in the Central Yunnan Urban Agglomeration

　　

摘要专业翻译 快速城市化和日益加剧的气候变化对区域社会-生态系统施加了持续增大的压力，导致资源消耗与环境可持续性之间的冲突更加突出。生态供需（ecological supply-demand, ESD）评估已成为衡量生态系统与人类活动协调性的重要框架。然而，现有研究存在三个关键局限：第一，多数研究将生态系统供给与需求分别考虑，缺乏对其耦合关系的系统整合；第二，传统分析方法以线性模型为主，难以捕捉复杂社会-生态系统中固有的非线性交互与阈值效应；第三，缺乏同时考虑自然约束、人为扰动与生态反馈过程的统一分析框架。针对上述不足，本研究以中国西南部山地高原地区的滇中城市群为案例，构建了整合生态供需评估与可解释机器学习的分析框架。具体而言，研究人员将生态承载力（ecological carrying capacity, ECC）与生态系统服务（ecosystem services, ESS）整合为综合生态供给指数（ecological supply index, ESI），采用灾害-暴露-脆弱性（hazard-exposure-vulnerability, H-E-V）框架构建生态需求指数（ecological demand index, EDI），以二者之差表征供需关系（ESD），并运用核密度估计（kernel density estimation, KDE）分析其分布特征。进一步地，研究人员采用自组织映射（self-organizing map, SOM）识别生态供需类型，结合轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）与累积局部效应（accumulated local effects, ALE）量化非线性驱动机制与阈值响应。研究结果表明：滇中城市群生态供需关系以生态赤字为主导，呈现“西部盈余—中部赤字—东部过渡”的空间梯度格局；SOM聚类识别出生态盈余型、需求压力型、生态脆弱型与过渡错配型四类供需状态；特征重要性分析显示道路密度、降水、海拔与坡度是主导驱动因素；ALE分析揭示了植被覆盖的生态增强阈值、道路密度与坡度等因子的非线性转折点。本研究的主要贡献在于：构建了可推广的生态供需评估与机器学习机制识别整合框架；引入可解释机器学习方法识别传统线性模型无法捕捉的非线性关系与阈值依赖的生态响应；为快速环境变化下山地城市群的生态指标构建与适应性管理提供了可迁移的见解。

论文解读

一、研究背景与问题

快速城市化与气候变化的双重压力使区域社会-生态系统面临日益严峻的资源消耗与环境可持续性冲突。生态供需（ecological supply-demand, ESD）评估作为衡量生态系统供给能力与人类生态需求之间协调性的重要框架，已成为可持续性研究的前沿议题。然而，现有研究存在三方面关键不足：其一，多数研究将生态系统供给与需求分别量化，缺乏对二者耦合关系的系统整合，难以揭示供需失衡的内在机制；其二，传统分析方法多依赖线性统计模型，无法充分捕捉复杂社会-生态系统中固有的非线性交互效应与阈值转折特征；其三，缺乏同时纳入自然约束、人为扰动与生态反馈过程的统一分析框架，尤其在城市群尺度上更为突出。此外，现有生态指标往往依赖预定义的权重方案与线性统计假设，限制了其揭示非线性生态响应与关键转折点的能力。滇中城市群地处中国西南山地高原地区，兼具高生态敏感性与高强度人类活动特征，复杂地形与多样化生态系统产生显著的生态供给空间异质性，快速城市化持续推高生态需求，使其成为研究生态供需关系及其驱动机制的理想案例。

二、研究内容与意义

针对上述研究空白，研究人员构建了整合生态供需评估与可解释机器学习的分析框架，以滇中城市群为实证区域，系统开展了生态供给评估、生态需求评估、供需关系分析、类型识别与驱动机制解析。研究发现：滇中城市群生态供需关系以生态赤字为主导，呈现“西部盈余—中部赤字—东部过渡”的稳定空间梯度格局；SOM聚类识别出生态盈余型、需求压力型、生态脆弱型与过渡错配型四类供需状态，系统呈现多稳态演化特征；道路密度、降水、海拔与坡度是主导驱动因素，其中道路密度在所有研究时段均位列首位；ALE分析揭示了植被覆盖的生态增强阈值、道路密度与坡度等因子的非线性转折点。本研究的意义在于：构建了可推广的生态供需评估与机器学习机制识别整合框架，弥补了传统线性方法在捕捉非线性响应与阈值效应方面的不足，为山地城市群的生态指标构建与适应性管理提供了可迁移的方法论参考。

三、主要技术方法

研究人员采用多源数据构建分析框架，数据来源包括：DMSP-OLS与VIIRS-DNB夜间灯光数据（美国国家地球物理数据中心）、30米分辨率数字高程模型（DEM，USGS）、降水与潜在蒸散量数据集（国家青藏高原科学数据中心，1公里分辨率）、土壤分布数据（FAO/GAEZ）、中国土地覆盖数据集（CLCD v1.0，武汉大学，30米分辨率，1985–2024年）、人口密度与GDP密度数据（云南省人民政府）以及路网数据（天地图）。所有栅格数据统一重采样至30米分辨率。生态供给指数（ecological supply index, ESI）由生态承载力（ecological carrying capacity, ECC）与四项生态系统服务（生态系统服务，ecosystem services, ESS）指标（生境质量、碳储存、水源涵养、土壤保持，均基于InVEST模型计算）等权整合而成；生态需求指数（ecological demand index, EDI）基于灾害-暴露-脆弱性（hazard-exposure-vulnerability, H-E-V）框架构建。供需关系以ESD = ESI ? EDI表征，采用核密度估计（kernel density estimation, KDE）分析分布特征，自组织映射（self-organizing map, SOM）进行类型识别，轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）结合累积局部效应（accumulated local effects, ALE）量化非线性驱动机制与阈值响应。

四、研究结果

生态供需的时空演化特征。 生态承载力（ECC）呈现显著空间异质性，高值区集中于昆明及周边坝区并沿河谷向北延伸，低值区分布于楚雄西部及周边山区，时空格局保持相对稳定，反映地形作为自然约束的路径依赖效应。生态系统服务（ESS）各组分空间分布存在差异但总体格局相似，生境质量与碳储存在西部楚雄、南部玉溪及红河县区形成连续高值带，水源涵养与土壤保持受水文过程与地形条件影响呈现更复杂的空间分异；时间上多数指标呈2000–2020年下降、2024年回升趋势。综合生态供给指数（ESI）呈现“先升后降”趋势，表明人类活动增强背景下生态系统服务改善不足以完全抵消生态承载力下降。生态需求指数（EDI）呈现显著空间集聚，高需求区集中于昆明及沿交通走廊向曲靖延伸的连续核心带，低需求区分布于楚雄西部等山区；时间上呈2000–2010年快速增长、2010–2020年达峰、2024年适度回落的阶段性特征。生态供需关系（ESD）以生态赤字为主导，呈现“西部盈余—中部赤字—东部过渡”的空间梯度，KDE分析显示各年份ESD分布集中于负值区间且呈多峰特征，反映多种供需状态共存与强空间异质性。

生态供需类型划分。 基于SOM聚类，研究区划分为四类供需类型：生态盈余型（ESI质心0.2957，EDI质心0.3872，面积占比35.75%）、需求压力型（ESI质心0.2716，EDI质心0.5141，面积占比28.31%）、生态脆弱型（ESI质心0.2728，EDI质心0.3996，面积占比19.11%）与过渡错配型（ESI质心0.2907，EDI质心0.4614，面积占比16.82%）。空间上四类类型形成“盈余—过渡—约束—脆弱”的清晰东西向梯度；时间上呈现从“过渡主导”向“极化分化”的演化路径，生态脆弱型持续扩张并逐步成为主导类型。

供需关系驱动机制。 LightGBM模型预测精度在各研究时段均优于随机森林（2000年R2=0.7809，2010年R2=0.6674，2020年R2=0.7719，2024年R2=0.7347）。特征重要性分析显示道路密度在所有时段均位列首位（2000年19.45%，2010年18.04%，2020年16.74%，2024年18.09%），降水在2024年升至首位（18.33%），海拔与坡度持续位列前列。ALE分析揭示了关键非线性阈值：道路密度阈值在2010年为0.192、2020年为0.266，超过阈值后边际效应由负转正；NDVI阈值在2000–2024年间介于0.308–0.679之间，超过阈值后正向效应显著增强；坡度阈值稳定在11.6°–11.7°，低于阈值时呈正效应、超过后转负；海拔阈值约在2242–2388米，超过后边际效应减弱但仍保持正向贡献；降水在2000年识别出910.90毫米阈值，超过后边际效应转负。

五、讨论与结论

讨论部分指出，滇中城市群生态供需关系以生态赤字为主导并呈现核心-边缘结构，与快速城市化地区的普遍规律一致；但与低地或沿海城市群相比，山地高原地区生态供给受地形条件强约束且时间上相对稳定，而生态需求高度动态且集中于城市中心，这种不对称性产生了持续的空间错配。时间上供需关系遵循“加剧—部分缓解—压力再现”的演化轨迹，表明短期生态修复措施难以从根本上逆转供需失衡。KDE多峰分布与多类供需状态共存表明系统具有多稳态特征，符合社会-生态系统（social-ecological system, SES）理论中多平衡态共存与状态转换的认知。驱动机制分析证实自然约束与人为扰动的耦合效应：海拔与坡度确立系统空间框架并约束生态供给格局，降水呈现非线性双重作用；道路密度与人口密度作为生态需求扩张的主导驱动力，基础设施的“双刃剑”效应得到确认。研究将供需关系形成过程解释为三层耦合框架：自然约束层（地形与气候）决定基线空间格局与边界条件，人为扰动层（交通与人口）推动需求扩张并直接驱动失衡，生态调节层（植被与生态系统服务）提供缓冲与恢复能力但存在明确阈值限制。

研究结论表明，滇中城市群生态供需关系不应被视为供给与需求的简单冲突，而应理解为具有多因素交互、非线性响应与多稳态动态特征的复杂耦合系统。研究构建的整合框架与可解释机器学习方法为山地城市群生态指标构建与适应性管理提供了可迁移的方法论支撑，所识别的阈值效应为区域生态管理策略制定提供了科学依据。