河南省土地利用转型下生态系统服务价值动态：基于XGBoost-SHAP与GWR的非线性人—自然关联与空间异质性

《Land》：Ecosystem Service Value Dynamics Under Land-Use Transition in Henan Province, China

　　

土地利用快速转型和城市化日益与农业区域生态系统服务的时空格局变化相关，但其中涉及的非线性和空间变异关系仍未得到充分理解。研究人员整合生态系统服务评估、空间统计分析、可解释机器学习（interpretable machine learning）和地理加权回归（geographically weighted regression, GWR），以探究中国河南省1990—2020年生态系统服务价值（ecosystem service value, ESV）动态及其与人文和自然因素的空间变异关联。ESV采用当量因子法（equivalent factor method）估算，标准当量值使用区域粮食产量和价格数据调整。进一步整合多源地形、气候、植被、社会经济、基础设施和土地利用强度变量，以检验与ESV变化相关的因素。空间统计分析用于刻画时间变化和空间分异；XGBoost结合SHapley Additive exPlanations（SHAP）用于识别非线性关联和相对预测因子贡献；GWR用于检验预测因子—ESV关系的空间异质性。总ESV呈下降—恢复—缓慢增长轨迹，从1990年的1807.99 billion CNY降至2000年的1725.90 billion CNY，随后增至2020年的1818.07 billion CNY。高ESV区域持续集中于西部和西南部山区，而低ESV区域主要分布在东部和北部平原。土地利用强度、碳排放、夜间灯光强度、人口密度和GDP密度表现出相对较高的预测重要性，尽管其与ESV的关联为非线性且情境依赖。GWR进一步揭示这些关系存在显著空间变异。这些发现强调，在评估生态系统服务动态和制定差异化土地管理策略时，需考虑非线性人—自然关联和空间异质性。

陆地生态系统提供粮食生产、气候调节、水源涵养、土壤保持、生物多样性维持和文化效益等基本服务，生态系统服务价值（ecosystem service value, ESV）评估可量化生态系统贡献并将生态考虑纳入区域规划与环境管理。然而，生态系统服务（ecosystem services, ES）并非空间均质，持续受到自然条件、生态系统特征、土地利用转型和人类活动交互影响。快速城市化、农业集约化和基础设施扩张深刻改变区域土地利用结构，加剧生态保护、粮食生产与经济发展之间的权衡，农业区域尤为突出。已有评估方法包括市场法、过程法和当量因子法（equivalent factor method），其中当量因子法因透明、数据可及和适合区域尺度而广泛应用。已有研究表明，生态用地扩张通常增强ES供给，建设用地扩张常降低生态系统服务能力；ES动态还与自然条件、植被生产力、社会经济发展、基础设施扩张、碳排放和土地利用强度（land-use intensity, LUI）相关。但既有研究仍存在不足：许多研究侧重描述ES时空变化，对人—自然关系与空间分异考察不足；ES响应常以线性假设评估，但耦合人—自然系统可能呈非线性、阈值型和交互效应；全局评估可能掩盖空间异质性。因此，有必要联合考虑时空格局、非线性关联和空间变异关系。河南省作为中国中部重要粮食主产区和黄河流域重要组成部分，经历土地利用重构、快速城市扩张和生态恢复，并具有西部与西南山区、东部与北部平原的显著地理对比，适合研究长期ESV动态及空间变异预测因子—ESV关系。研究人员旨在：刻画长期土地利用转型下ESV时空格局与地理分异；识别主要人文和自然因素与ESV的相对重要性及非线性关联；检验主导预测因子—ESV关系的空间异质性，并讨论差异化生态管理意义。

关键技术方法不超过250字：研究人员使用1990、2000、2010和2020年CLCD（China Land Cover Dataset）土地利用数据，粮食产量和价格来自《河南统计年鉴》和《全国农产品成本收益资料汇编》。依据Xie et al.的当量因子框架估算ESV，标准当量值用小麦、玉米和水稻播种面积、产量及价格调整并折算为2020年不变价。预测变量涵盖DEM、坡度、年均温、年降水量、NDVI、NPP、夜间灯光指数、GDP密度、人口密度、碳排放、道路密度和LUI等。空间统计采用Global Moran’s I、LISA和SDE；基于2020年10 km×10 km网格，以XGBoost-SHAP识别非线性关联，以GWR检验空间异质性。

研究结果：3.1 土地利用转型及其对ESV变化的影响。通过面积变化、年动态度和土地利用转移矩阵分析得出，1990—2020年河南省耕地持续损失、建设用地快速扩张、草地退化，林地和水量适度增加。耕地面积从119,999 km²降至108,421 km²，净损失11,577 km²，年动态度为?0.32%，占比从72.45%降至65.46%。建设用地从12,302 km²增至23,587 km²，净增11,284 km²，年动态度为3.06%，增加91.72%，占比从7.43%升至14.24%；扩张主要集中在郑州—开封都市区、洛阳城市边缘和新乡—许昌发展带。林地先由28,040 km²降至27,260 km²，后增至29,623 km²，净增1583.84 km²，主要见于西部和西南山区三门峡、洛阳和南阳。草地从3482 km²降至1945 km²，净损失1536 km²，负年动态度最高。水域波动但略增，从1794 km²增至2056 km²。总体主导过程为耕地和生态用地转为建设用地，伴随局部林水恢复。

3.2 ESV空间分异与聚类。通过ESV空间分布和LISA分析得出，高ESV区域主要集中于西部和西南山区，特别是洛阳西部、三门峡和南阳部分地区；低ESV区域主要分布在东部和北部平原，该空间格局在研究期内相对稳定。四类服务中，调节服务（regulating services, RS）占总ESV比例最大，其次为支持服务（supporting services, SS）、供给服务（provisioning services, PS）和文化服务（cultural services, CS）。RS和SS在山地集中，PS在农业和水相关景观分布更广。LISA显示西部和西南山区持续存在High–High聚集，东部和北部平原存在Low–Low聚集，空间异常值主要位于山地、农业和城市化过渡区。

3.3 ESV时间演变与空间位移。通过ESV估算和标准偏差椭圆（standard deviational ellipse, SDE）分析得出，总ESV呈下降—恢复—缓慢增长轨迹。1990—2000年下降4.54%，2000—2010年增加4.38%，2010—2020年增加0.92%；全期微增0.56%，净增10.08 billion CNY。四类服务在1990—2000年均下降，2000—2010年均增加，2010—2020年PS、RS和CS继续增加而SS略降。全期PS、RS和CS分别增加5.10%、0.85%和1.35%，SS下降1.72%。SDE显示PS、RS、SS、CS和总ES加权质心位于河南中部，迁移有限，椭圆覆盖西部、中部和南部，与林地、水域和高值调节服务集中一致，说明2000年后ESV恢复未根本改变全省空间供给结构。

3.4 ESV与地理因素之间的线性关联。通过Pearson相关分析得出，多数驱动因子与ESV呈弱线性相关。DEM、坡度和LUI具有统计相关，但系数较低。DEM和坡度与ESV弱正相关，系数分别为0.087和0.082；年降水量、年均温、NDVI和NPP无显著线性相关；LUI与ESV相关系数相对最高，为?0.168，但幅度仍低，且因ESV和LUI均与土地利用结构相关，应解释为土地利用结构性关联而非独立因果效应。NLI、GDPD、PD、CE和RD呈弱且不显著线性相关。解释变量间存在共线性，因此Pearson分析未用于变量排除，而支持后续XGBoost-SHAP识别非线性、阈值型和交互依赖关联。

3.5 ESV对人—自然驱动因子的非线性地理响应。通过XGBoost-SHAP分析得出，优化后XGBoost模型训练集和测试集R²分别为0.824和0.809，MSE分别为175,646.79和1,248,297.55，RMSE分别为419.10和1117.27。SHAP排序不同于Pearson结果：LUI平均绝对SHAP值最大，为201.029，其次为碳排放（carbon emissions, CE）、夜间灯光指数（nighttime light index, NLI）、人口密度（population density, PD）和GDP密度（gross domestic product density, GDPD）。高LUI主要对应负SHAP值，但LUI与ESV均源自土地利用组成，反映结构耦合；CE总体呈负贡献；NLI、PD和GDPD在不同样本中呈正负SHAP值，说明影响并非空间或发展情境下均一。SHAP依赖和交互分析显示，CE、NLI、PD和GDPD贡献随LUI变化，应解释为条件统计关联而非独立因果效应。

3.6 驱动因子—ESV关系的空间异质性。通过地理加权回归（geographically weighted regression, GWR）分析得出，LUI、CE、NLI、PD、GDPD、NPP、AT和坡度与ESV的局部关系存在空间异质性。LUI和CE在土地开发密集、工业活动或高人类干扰区域通常呈负局部关联，但LUI结果需谨慎解释。NLI、PD和GDPD在不同区域呈正、负或近中性系数，关系情境依赖。NPP、AT和坡度也呈空间分化，表明植被生产力、气候背景和地形条件调节局部ESV响应。GWR补充了XGBoost-SHAP，显示同一预测因子在不同土地利用结构、生态背景和发展强度下与ESV关联不同，支持区域差异化生态管理。

讨论部分总结：4.1 土地利用转型与ESV地理分异方面，ESV阶段演化反映土地利用重构、生态恢复和持续发展压力共同影响。固定当量值下，时间变化主要反映土地利用组成而非货币估值波动；2000年后恢复应视为对早期生态系统服务损失的补偿，而非生态条件均匀改善。该轨迹与中国生态恢复和土地保护背景一致，退耕还林工程（Grain for Green Program）促进植被恢复和森林恢复，可能部分解释调节和供给服务增加；同时耕地保护和城市扩张限制生态恢复土地，河南粮食生产、生态保护和城市发展在有限土地资源中竞争，2010年后ESV增长缓慢。山地—平原对比持续，西部和西南山区因林地和生态用地集中保持较高ESV，东部和北部平原以农业生产和城市发展为主。总ESV微增代表对比土地利用过程的空间补偿而非生态压力根本逆转，SS持续下降表明栖息地维持、土壤保持、生态系统稳定和生物多样性相关功能仍脆弱。

4.2 非线性人—自然关联方面，XGBoost-SHAP表明ESV与人文—自然因素关系非线性和情境依赖，弱线性相关变量也可能有大量预测贡献。LUI因与ESV均部分源自土地利用组成，高预测重要性可能反映结构耦合而非独立因果。CE一般与预测ESV负相关，NLI、PD和GDPD呈非单调响应，说明社会经济发展并非均匀有害或有益。自然和植被因素提供生态背景。SHAP识别的转换区间应视为模型依赖响应区间而非普适生态阈值。

4.3 空间变异预测因子—ESV关系方面，空间异质性显示生态系统服务响应具有强地理依赖。西部和西南山区ESV更与植被生产力和生态背景条件相关，东部和北部平原更与LUI及农业—城市发展压力相关。郑州—开封都市区等快速城市化区域，社会经济和土地利用变量与ESV关系可能反映建设用地扩张、人口集中、经济活动和碳排放组合背景。相同发展强度在建设用地替代生态用地处可能伴随ESV损失，但在其他情境可能与城市绿化或土地利用效率并存，因此全省因子排序不应直接转化为统一管理处方。

4.4 差异化生态管理方面，统一生态规制难以应对河南对比环境和发展条件。西部和西南山区高ESV和High–High聚集持续，应优先维持森林连续性、保护水源调节和生物多样性功能，限制过度建设和旅游开发，作为生态保护和补偿优先区。东部和北部平原低ESV聚集且耕地主导，应增强农田生态系统功能，控制分散建设用地扩张，恢复河岸缓冲带和小型湿地，加强田缘植被。快速城市化地区尤其郑州—开封都市区，应推进紧凑城市发展、低碳土地利用和连通蓝绿基础设施，减少建设扩张、碳排放、人口集中和密集经济活动压力。高ESV山区可视为潜在生态服务源区，人口密集和集约开发平原可能有更大生态需求和恢复紧迫性；但本研究未显式建模生态系统服务流或受益者网络，这些解释应视为规划假设而非服务转移直接证据。LUI和CE可作为土地开发和环境压力指标，但不应全省统一解释；NLI、PD和GDPD不应视为固有负面，其生态意义取决于土地利用结构、发展形式和地方治理能力。

4.5 局限与未来研究方面，当量因子法实用且空间一致，但土地利用系数不能完全代表同一土地利用类别内生态系统状况、生态质量或服务供给差异；ESV和LUI均部分来自土地利用组成，LUI高贡献可能反映结构耦合并可能贡献XGBoost预测性能。SHAP解释模型预测和非线性关联，但不建立因果；SHAP依赖图的响应区间为模型隐含转换范围而非统计验证生态阈值，交互模式为拟合模型内条件依赖而非因果协同或拮抗。模型调参和评估基于常规随机划分和十折交叉验证而非空间分块交叉验证，相邻网格可能存在空间依赖，报告预测性能可能偏乐观。土地利用和ESV分析覆盖1990—2020年，但XGBoost-SHAP和GWR仅基于2020年截面数据，因此识别关系是2020年特定回顾性关联，而非时间演化或当前社会经济—ESV关系评估。未来应整合生物物理ES指标与货币估值，显式建模ES供给、需求和流网络，开展多尺度和时间分层分析，并使用排除LUI和空间分块交叉验证的替代模型评估预测因子重要性排序和模型性能稳健性。

结论翻译：本研究量化了1990—2020年河南省土地利用转型下生态系统服务价值（ESV）的长期动态。总ESV从1990年的1807.99 billion CNY降至2000年的1725.90 billion CNY，2010年恢复至1801.57 billion CNY，2020年达到1818.07 billion CNY，全期净增10.08 billion CNY（0.56%）。该轨迹伴随显著土地利用重构：耕地减少11,577 km²，建设用地增加11,284 km²（91.72%）；林地增加1583.84 km²，水域面积略增。服务类别中，供给、调节和文化服务分别增加5.10%、0.85%和1.35%，支持服务下降1.72%。空间上，高ESV和High–High聚集仍集中于西部和西南山区，低ESV和Low–Low聚集主要分布在东部和北部平原。XGBoost模型测试集R²为0.809；SHAP分析确定LUI为最大预测贡献因子（平均绝对SHAP值=201.029），其次为CE、NLI、PD和GDPD，GWR显示这些预测因子—ESV关系符号和幅度在全省变化。总之，这些结果表明，这一快速城市化的农业区域ESV变化既反映土地利用重构，也反映地理异质性人—自然关联。管理应优先保护西部和西南山区生态，增强东部和北部平原农田生态系统功能，并在快速城市化地区推进紧凑、低碳发展和连通蓝绿基础设施。