基于OWA与可解释机器学习的吉林西部农业-湿地景观生态安全格局优化：比较生态源地识别与阻力面建模

《Landscape Ecology》：Optimizing ecological security patterns in western Jilin, China: comparative ecological source identification and explainable machine-learning resistance modeling

　　

农业扩张和景观破碎化正在改变农林牧交错区的生态连通性。生态安全格局（ecological security patterns, ESP）可支持景观保护与修复，但其可靠性受到生态源地识别和阻力面构建不确定性的制约。本研究识别了在生态脆弱农业景观中构建ESP的适宜方法。研究人员比较了三种生态源地识别方法和五种机器学习模型用于阻力面构建，并评估其对中国吉林西部生态网络优化的启示。研究人员评估了五项生态系统服务，并比较了有序加权平均（ordered weighted averaging, OWA）、形态学空间格局分析（morphological spatial pattern analysis, MSPA）和生态系统服务重要性评价（ecosystem service significance assessment, ESS）用于生态源地识别。研究人员比较了五种机器学习模型以构建生态阻力面。基于选定的源地和阻力面，研究人员使用最小累积阻力（minimum cumulative resistance, MCR）和电路理论识别廊道、夹点和障碍区。生态系统服务呈现空间异质性，多数服务自东向西递减。OWA第4情景（Scenario 4 of OWA, OWA4）在生物多样性、Ramsar湿地和自然保护区方面取得最高保护效率，而MSPA对这些要素提供最大覆盖。鉴于其更高保护效率和对多项生态系统服务更均衡的代表性，OWA4被选用于后续连通性规划。RF和XGBoost表现出最强的总体性能；RF获得更高的AUC（area under the receiver operating characteristic curve，受试者工作特征曲线下面积），而XGBoost提供了更均衡的阻力因子代表性。两者均被保留用于阻力面构建。最终生态安全格局包括23个生态源地，覆盖3719.62 km²，30条廊道，243个夹点和31个障碍区。城市区、耕地、道路和盐碱地是生态流的主要约束。整合比较源地识别、基于机器学习的阻力建模和电路理论，降低了生态安全格局构建中的不确定性。由此形成的“两廊、两带、三区”框架可指导农业-湿地景观中的湿地修复、廊道保护和景观规划。

研究背景与问题：全球人口增长、粮食需求与资源环境矛盾加剧，农业扩张通过土地利用变化引起森林砍伐、湿地侵占和生境丧失，削弱生态系统服务。生态安全格局（ESP）可通过识别生态源地、廊道和节点调和人地冲突，但其构建仍受生态源地识别和阻力面构建不确定性制约。MSPA偏重景观结构，ESS偏重生态系统服务叠加且常隐含服务可替代假设，难以充分反映服务权衡与人类偏好；OWA可模拟不同风险偏好，但系统比较OWA、MSPA和ESS用于源地识别的研究较少。吉林西部是生态脆弱农林牧交错区，既承担粮食增产任务，又位于东亚-澳大利西亚迁飞路线，包含向海和莫莫格Ramsar湿地，湿地萎缩与景观破碎化突出。已有研究较少关注该区ESP构建，尤其服务权衡下的源地识别。因此，研究人员构建整合框架，比较源地识别与阻力面建模方法，并识别廊道、夹点和障碍，为区域生态保护与国土空间规划提供依据。

关键技术方法：研究人员评估水源涵养、生境质量、土壤保持、碳固存和食物生产五项生态系统服务；比较OWA九种风险情景、MSPA和ESS（ESS4、ESS5）识别源地；用Logistic Regression（LR）、Random Forest（RF）、XGBoost、Support Vector Machine（SVM）和Decision Tree（DT）构建阻力面，训练样本为潜在源地内、外各10000个随机点，最小间隔大于100 m，采用嵌套空间块交叉验证，主块50 km并检验10—100 km敏感性；用SHAP解释预测因子；基于选定源地和RF-XGBoost集成阻力面，使用Linkage Mapper、MCR模型和电路理论识别廊道、夹点与障碍，CWD设为50,000，障碍搜索半径600 m。独立验证来源为2018—2022年鸟监测数据。

研究结果：
一、生态系统服务与生态源地空间格局。通过五项服务评估发现，生态系统服务空间异质性明显，除生境质量无明显格局外，水源涵养、土壤保持、碳固存和食物生产总体自东向西递减。OWA风险权衡分析显示，九种情景的权衡值呈倒U形，情景6最高，情景1和9最低；综合服务空间从聚集低值转向均衡分布，再转向高低分异。不同OWA情景下，前20%为优先保护区；情景1—3集中于莫莫格、查干湖、嫩江和向海，生态用地超过99%；情景4纳入少量高价值耕地，生态用地仍高于90%；情景5生态覆盖下降；情景6—9耕地覆盖超过98%，生态保护效率低于10%。综合生态用地保护效率、土地利用组成和服务保护效率，OWA4在20%阈值下最优。方法比较表明，OWA4面积9056.70 km²，以湿地和森林为主；MSPA面积最大，为11884.68 km²，斑块少、平均斑块大；ESS5以耕地为主；ESS4以森林和草地较均衡。OWA4对生物多样性、Ramsar湿地和自然保护区保护效率最高，分别为368.22%、269.97%和202.13%；MSPA覆盖最大；ESS5平均服务保护效率较好但生态保护弱；ESS4水源涵养相关指标较高但生态保护效率低于OWA4。综合选择OWA4。

二、生态源地方案选择与阻力面构建。OWA4潜在源地9056.70 km²，占研究区18.95%；经面积大于10 km²和dPC大于1筛选，得到23个生态源地，覆盖3719.62 km²，占7.78%，最大斑块986.24 km²；湿地和水体分别占52.34%和23.02%，生态用地合计93.46%，耕地仅6.54%。模型性能评价中，RF和XGBoost总体最佳；RF平均AUC为0.743，precision为0.689，specificity为0.732；XGBoost AUC为0.742，recall为0.627，NPV为0.655，F1-score为0.649；LR最低，AUC为0.654。10—100 km块大小下，RF和XGBoost均优于其他模型。SHAP显示POP、WD和GDP最重要，相对重要性分别为0.2475、0.2342和0.1616，NL贡献可忽略。阻力面空间分布显示，高阻力集中于城市核心、道路密集和人类干扰强区域；中阻力位于县城、交通走廊和盐碱地；低阻力位于自然保护区、湿地和水体。鸟监测点平均阻力为RF 17.02、XGBoost 16.74、集成阻力面16.88，低于全域44.07—44.45和随机点44.20—44.64。

三、生态廊道与优先修复区。通过电路理论和Linkage Mapper识别30条生态廊道，总长215.98 km，最长24.3 km，最短0.085 km，主要分布于镇赉、大安和洮南。廊道宽度评估显示，30 m宽时生态用地占比最高，为40.78%，随宽度增加生态用地比例下降，推荐实施宽度为30—300 m。通过CWD敏感性分析选择50,000，识别243个生态夹点，覆盖21.99 km²，主要土地类型为盐碱地25.14%、耕地24.02%、湿地23.7%和草地11.02%；识别31个障碍区，覆盖33.33 km²，以耕地71.08%和盐碱地18.12%为主。

讨论总结：基于源地、廊道、夹点和障碍，研究人员提出吉林西部“两廊、两带、三区”生态安全格局。两廊为松花江生态廊道和洮儿河生态廊道；两带为中部湖沼湿地生态修复带和西部湿地-河流生态安全屏障带；三区为莫莫格湿地生态修复区、查干湖生态保护区和向海湿地生态修复区。三区合计覆盖2044.89 km²，占源地总面积54.98%。其中莫莫格区包括9条廊道、152个夹点和7个障碍，查干湖区包括8条廊道、148个夹点和10个障碍，向海区包括6条廊道、15个夹点和2个障碍。管理应重视河流-湿地连续性、夹点保护、污染控制、水文连通、生态补水和沙地东扩屏障。方法比较表明，OWA整体保护效率最高，能整合多目标，但空间结构约束较弱且对参数敏感；MSPA有利于保持结构完整性，但可能忽略小湿地，对食物生产等供给服务考虑不足；ESS平均服务保护效率较好，但敏感于服务组成，难以充分刻画服务协同与权衡，空间格局和生态保护表现较弱。重叠分析显示，OWA4∩MSPA生物多样性保护效率高但更破碎；OWA4∩ESS4水源涵养和碳固存较高但食物生产热点代表性较低；OWA4∩ESS5平均服务效率较高但高度破碎；三方法重叠区域较不破碎，并保留生物多样性优先区和Ramsar覆盖。局限包括仅纳入五项生态系统服务、缺少文化服务；方法设置、输入数据和尺度不确定性仅部分检验；30 m数据难以捕捉沼泽、盐滩和盐碱地细尺度动态；重采样不能恢复细尺度异质性；阻力模型预测因子与源地划定输入相关可能带来内生性；生物多样性验证主要依赖鸟监测数据。

结论翻译：研究人员以吉林西部为案例，通过整合OWA生态源地识别、RF和XGBoost集成生态阻力建模、MCR模型和电路理论构建ESP，并提出以“两廊、两带、三区”为核心的生态保护与优化发展策略。OWA、MSPA和ESS比较表明，在吉林西部复杂人地系统中，OWA相对更适合生态源地识别，因为它联合纳入生态系统服务、生态保护和空间格局特征。结论如下：（1）OWA情景4被选为优先保护区识别最优方案，因其保持高生态用地覆盖、与现有自然保护区高度一致并平衡多项生态系统服务。基于该情景并进一步按面积和dPC筛选，识别23个生态源地，覆盖3719.62 km²，占研究区7.78%，以湿地为主导。（2）从五种机器学习模型中选择RF和XGBoost集成构建生态阻力面，因其预测性能高且阻力因子权重结构较均衡。基于RF-XGBoost集成阻力面和电路理论，识别30条生态廊道总长215.98 km、243个生态夹点覆盖21.99 km²、31个生态障碍点覆盖33.33 km²。这些关键区主要分布于镇赉县、大安市和洮南市，与耕地、草地和盐碱地密切相关。（3）生态源地、廊道、夹点和障碍点的空间配置支持“两廊、两带、三区”ESP框架。两廊为松花江和洮儿河生态廊道；两带为中部湖沼湿地生态修复带和西部湿地-河流生态安全屏障带；三区为莫莫格湿地生态修复区、查干湖生态保护区和向海湿地生态修复区。总体而言，本研究为吉林西部湿地保护、生态修复、廊道优化和国土空间规划提供科学依据。通过整合生态系统服务权衡、生态源地优化、可解释机器学习阻力建模和连通性分析，所提方法为区域ESP构建提供系统透明框架。“两廊、两带、三区”策略可支持鹤乡国家公园建设等生态保护实践，并为其他生态脆弱农业-湿地地区ESP优化提供参考。