基于可解释机器学习与PLS-SEM路径分析的中国东北多尺度生态系统服务（ES）权衡与协同量化研究

《Global Ecology and Conservation》：Quantifying multiscale ecosystem service trade-offs and synergies in Northeast China using explainable machine learning and PLS-SEM path analysis

　　

理解生态系统服务（ecosystem services, ES）交互如何随空间尺度变化，对于制定有效的、尺度敏感的管理策略至关重要。然而，多数已有研究在单一尺度并采用孤立方法考察ES权衡与协同，限制了其捕捉ES动态及其潜在驱动因子完整复杂性的能力。本研究提出一个结构化、多方法分析框架，并将其应用于三个互补空间尺度——像元（1 km）、县和子流域——以考察中国东北2000年至2020年尺度依赖的ES交互。评估了五类生态系统服务：粮食产量（grain production, GP）、碳储量（carbon storage, CS）、土壤保持（soil conservation, SC）、产水量（water yield, WY）和生境质量（habitat quality, HQ）。首先使用Spearman相关分析刻画总体成对关联模式，随后使用地理加权回归（geographically weighted regression, GWR）刻画其空间异质性。然后采用偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM）估计ES间模型隐含的直接和间接路径。最后，使用地理探测器（Geo-Detector）和XGBoost-SHAP（eXtreme Gradient Boosting-SHapley Additive exPlanations）刻画外部驱动因子间的交互，并量化其对各生态系统服务跨空间尺度的相对预测贡献和非线性关联。在三个采样年份中，2020年WY、GP和SC值高于其对应2000年值，而CS和HQ在2020年低于2000年。若干服务呈非单调变化，包括2010年峰值。ES交互模式表现出显著尺度依赖：协同在山区占优，而权衡在低地农业平原占优，尤其在三江平原。若干关联在强度与方向上均表现出尺度依赖变化。例如，PLS-SEM显示子流域尺度WY→GP关联持续为负，而像元尺度关联弱正，县尺度关联在采样年份间变化。驱动因子分析进一步揭示显著的服务特异和尺度特异预测因子结构：NDVI持续主导GP预测，降水主导WY预测，而HQ呈现更分散且尺度依赖的预测因子结构，人为预测因子在子流域尺度尤为重要。这些SHAP模式被解释为基于模型的预测关联，而非因果生态效应。总体而言，研究发现强调在评估ES交互时明确考虑尺度效应的重要性。所提出框架表明，尺度依赖的ES关系可能不仅涉及强度变化，还涉及方向反转，而互补的驱动因子分析揭示与这些变化相关的非线性和交互因子，以支持尺度敏感的环境管理和土地利用决策。

研究背景与问题：生态系统服务（ecosystem services, ES）是人类从生态系统获得的直接和间接收益，依赖生态系统结构、过程和功能。集约人类活动和气候变化导致全球近60%生态系统服务受损，不可持续土地利用是主因。ES权衡与协同是多目标景观管理的核心。已有方法包括Spearman/Pearson相关、地理加权回归（geographically weighted regression, GWR）、机器学习（如XGBoost）结合SHAP、结构方程模型（structural equation modeling, SEM），但多孤立应用，缺乏将成对关联、空间异质性、非线性驱动和结构依赖统一于同一框架的研究。尺度问题突出：像元尺度由局部管理、微地形和植被异质性主导；县尺度政策和社会经济因素增强；子流域尺度水文连通和区域生态过程主导。多数研究仅考察单尺度，尚不清楚ES关系方向、强度和关键驱动跨像元、县、子流域如何变化。中国东北（NEC）黑土肥沃、生态农业重要，但农业现代化和气候变化加剧粮食生产与生态保护矛盾，尤其三江平原粮食-生态权衡最突出。因此，研究人员开展多尺度ES交互研究。

研究设计与结论意义：研究人员在2000、2010、2020三个年份，对中国东北五类ES——粮食产量（grain production, GP）、碳储量（carbon storage, CS）、土壤保持（soil conservation, SC）、产水量（water yield, WY）和生境质量（habitat quality, HQ）——在1 km像元、县和子流域三个尺度进行分析。结论为：2020年WY、GP、SC高于2000年，CS和HQ低于2000年，部分服务2010年出现非单调峰值；协同主要出现在山区，权衡集中在低地农业平原，尤其三江平原；ES关系强度和方向具有尺度依赖性，如WY→GP在子流域持续为负、像元弱正、县尺度随年份变化；驱动因子呈服务特异和尺度特异结构，NDVI主导GP，降水主导WY，HQ在子流域人为因子重要。其意义在于支持尺度敏感环境管理和土地利用决策，表明ES权衡与协同并非跨尺度固定不变。

关键技术方法：基于InVEST（Integrated Valuation of Ecosystem Services and Tradeoffs）模型估算五类ES；数据来源包括DEM、气候、土壤、土地利用/土地覆盖（land use/land cover, LULC）、NDVI、统计、生物物理和社会经济因子（人口密度、NTL、距道路距离、GDP），统一至WGS_1984_Albers和1 km网格。研究区为中国东北，年份为2000、2010、2020，涉及258个县和53个子流域，其中254个县和全部53个子流域在参考1 km网格上有有效像元中心。方法包括Spearman相关、GWR、PLS-SEM、Geo-Detector和XGBoost-SHAP；比较XGBoost、随机森林（Random Forest, RF）、LightGBM和Lasso，采用五折空间GroupKFold（50 km块）交叉验证，最多使用5,000个有效观测。

研究结果：
3.1 中国东北生态系统服务时空格局：通过InVEST估算和空间聚合，2020年SC在所有尺度高于2000年，CS略低，2010年最高，WY在2020年较高，HQ呈非单调变化，GP具尺度依赖，子流域2010至2020年下降。空间上，SC在中部平原降低、丘陵升高；WY在东、南部较高并向内蒙古低地降低；CS和HQ西低东高，与草地和林地重合。所有ES均具显著正空间自相关，WY在1 km最强，CS和HQ在子流域最强。
3.2 复杂权衡与协同关系：3.2.1 动态交互：Spearman相关显示多数ES对正相关，WY与CS、HQ负相关；GP、CS、SC形成强正相关组；WY相关对尺度依赖，HQ–WY随聚合更负，CS–WY随聚合减弱，SC–WY符号随尺度不同；CS–HQ在像元近完美，主要因共享LULC，η²显示LULC解释CS全部和HQ 97.8%空间变异。中位数聚合下93.3%关系方向稳定。3.2.2 GWR空间异质性：双变量GWR显示县尺度HQ–CS局部R²最高，WY相关较弱；子流域HQ–CS等强正，WY相关符号变化。像元图中中心平原负、山区正，但为描述性结果。
3.3 跨尺度ES交互：PLS-SEM显示WY→GP在像元弱正或不显著，县尺度2000年正、2010年负、2020年弱，子流域持续负；WY→CS在所有尺度为负；SC→GP正向且随聚合增强；CS→HQ最强正向；间接效应尺度依赖；Bootstrap支持显著路径。
3.4 尺度依赖关系：3.4.1 模型性能：45个ES–年–尺度组合比较中，树模型性能相近，XGBoost一致性最好并被选为SHAP共同模型；子流域R²高，像元较低；指标为空间交叉验证模型选择性能。3.4.2 社会生态交互：Spearman和Geo-Detector显示NDVI主导GP，降水主导WY，DEM主导像元HQ，SC在像元由坡度主导、粗尺度由NDVI主导；HQ人为因子在粗尺度增强；交互多为双因子增强。3.4.3 SHAP贡献：NDVI主导GP和CS，降水主导WY；SC和HQ尺度依赖，HQ在子流域由距道路、人口主导；阈值包括NDVI零交叉、降水648/691/629 mm、人口密度约44；SHAP为预测贡献，非因果效应。

讨论部分总结：4.1 尺度依赖机制：聚合影响方差但方向大体稳定，未消除可变面积单元问题（MAUP）；CS–HQ共享LULC；像元尺度局部土地转换影响明显，粗尺度管理/水文过程使关系再对齐；WY–GP反转与三江平原湿地开垦和水库调节有关。4.2 预测结构与非线性阈值：GP、CS、WY由生物物理因子主导，SC和HQ尺度依赖强；阈值服务特异和尺度特异，非生态临界点。4.3 政策含义：像元尺度宜精准干预，县尺度宜生态补偿和制度协调，子流域宜以水平衡整合，跨尺度保护尚未逆转HQ和CS下降。4.4 局限：ES为模型估计且无独立验证，共享输入，三年为快照，MAUP未消除，53个子流域使粗尺度结果具探索性，PLS-SEM为模型隐含关系，交叉验证用于模型选择，SHAP不代表生态机制。

研究结论：本研究对中国东北五类关键生态系统服务在多空间尺度上的时空动态与交互进行了综合评估。在三个采样年份中，2020年WY、GP和SC值总体高于其对应2000年值，而HQ和CS在2020年低于2000年。若干服务在采样年份间呈非单调变化，包括2010年峰值。空间上，较强协同主要出现在山区，而权衡更集中在低地农业区，尤其三江平原。PLS-SEM与XGBoost-SHAP的联合应用进一步揭示，ES关系及其主导驱动因子随空间尺度变化。生物物理因素，包括高程、植被、降水和坡度，在较细尺度更具影响，而社会经济因素在较广尺度日益重要。PLS-SEM还识别出ES间尺度依赖的直接和间接关系，包括某些关系方向跨空间尺度变化。重要的是，这些发现表明ES权衡与协同不应被视为跨空间尺度固定不变，因为其强度和方向均可能随空间聚合而改变。这一尺度依赖视角为其他生态和社会经济过程跨多个空间尺度运行的地区的ES研究提供了有用参考。总体而言，该研究强调将尺度效应纳入生态系统管理和土地利用规划的重要性，并为制定平衡生态保护与人类需求的尺度敏感策略提供了实践基础。