《Journal of Applied Ecology》:Advancing multi-objective optimization in spatial planning
编辑推荐:
对食物、能源、矿产和其他自然资源日益增长的需求正在加剧生态系统压力。在满足这些需求的同时减少生物多样性丧失(biodiversity loss),需要决策确定哪些区域能够同时支持可持续发展、保护生物多样性并维持或恢复生态系统服务(ecosystem servi
对食物、能源、矿产和其他自然资源日益增长的需求正在加剧生态系统压力。在满足这些需求的同时减少生物多样性丧失(biodiversity loss),需要决策确定哪些区域能够同时支持可持续发展、保护生物多样性并维持或恢复生态系统服务(ecosystem services, ES)。
现有规划情境中的空间优化(spatial optimization)工具在容纳多目标方面支持有限,例如最大化农业生产与生物多样性成果,因为它们依赖预定义公式,缺乏灵活性以纳入多部门目标并显式刻画目标间权衡(trade-offs)和协同(synergies)。
在此,研究人员提出一个面向空间规划的多目标优化(multi-objective optimization, MOO)框架。该框架用于将多个规划目标和要求表达为优化问题,识别同时满足多个目标的解,并探索目标间权衡。它提供灵活结构以指定部门内和跨部门目标,并支持多种多目标优化方法——加权和(weighted-sum)、层次(hierarchical)和参考点(reference point)方法。为促进可及性,研究人员将该框架实现为prioritizr R包的更新。
使用欧盟多用途案例研究,研究人员展示该框架如何支持识别平衡生态系统修复(ecosystem restoration)、农业和林业生产之间权衡的解。
综合与应用。该框架使保护科学家、规划者和从业者能够识别实现多目标的空间规划方案。它旨在帮助探索广泛领域中的权衡,包括陆地、海洋和淡水领域。通过降低技术壁垒,该框架促进在不同生态、经济和社会规划情境中探索权衡并识别协同效益(co-benefits)。
研究背景:人口增长、经济发展和消费模式变化推动自然资源需求上升,给陆地、淡水和海洋生态系统带来压力。支持可持续发展并减少生物多样性丧失,需要有效空间管理(spatial management),在保护生物多样性与农业、可再生能源等多部门目标之间取得平衡,并处理利益相关者和权利持有者的优先事项。跨部门规划需导航权衡(trade-offs)并识别协同(synergies)机会。昆明-蒙特利尔全球生物多样性框架(Global Biodiversity Framework, GBF)目标1要求所有区域处于参与式、集成和生物多样性包容的空间规划(spatial planning)之下。空间优化(spatial optimization)广泛用于空间规划和系统保护规划(systematic conservation planning, SCP)以支持决策,但许多应用将复杂规划问题通过把多个目标合并为单一公式来操作化,而目标常是不同且竞争性的,应显式优化。现有工具可容纳多目标但限于预定义整合方式,常将某一目标作为约束而非同时优化并刻画权衡,造成数学公式与现实多维规划情境不匹配。多目标优化(multi-objective optimization, MOO)在计算机科学与工程成熟,但在空间优化中因技术门槛高、研究特定且缺乏可及工具而利用不足。因此需要通用、可及的高层框架,将多目标优化算法嵌入空间优化。
研究内容与结论:研究人员提出面向系统保护规划的新型多目标优化框架,使多目标显式且直接地整合到空间优化,支持加权和(weighted-sum)、层次(hierarchical)和参考点(reference point)方法,用户可选择适合规划情境的方法。框架实现为prioritizr R包的新扩展,并用于欧盟多用途案例,展示导航协同与权衡的实用价值。结论:框架可帮助保护科学家、规划者和从业者制定更好反映陆地、海洋和淡水领域真实决策复杂性的空间规划方案。
关键技术方法:框架以决策者偏好为输入,实现加权和(weighted-sum)、层次(hierarchical)和参考点(reference point)三类多目标优化方法,分别采用权重线性组合、按优先序贯优化并以相对容差限制高优先级目标退化、以参考点和权重最小化加权短缺。软件上将框架集成到prioritizr R包,沿用混合整数线性规划(mixed integer linear programming, MILP)与精确求解器(HiGHS、Gurobi)。案例数据与方法遵循Chapman et al. (2025)并扩展:欧盟27国10 km×10 km陆地网格(n=41,046),24个管理区(zones;保护7、修复10、生产7)加锁定城市区;生物多样性特征为729种EU Habitats and Birds Directives物种当前和潜在分布(物种分布模型,species distribution model, SDM);生产特征为子国家尺度农田、牧场和林业,目标基于2030需求;约束包括修复上限30%(并报告14.1%)、保护上限为当前自然覆盖等;以层次方法组合两目标,用50个相对容差近似Pareto前沿(Pareto front),Gurobi求解至20%最优性。
研究结果:3.1 案例研究结果。与Chapman et al. (2025)将生产目标作为固定、不可协商要求不同,层次公式允许生产结果被优化而非严格执行,扩大可行解空间。近似Pareto前沿显示修复与生产目标之间存在显著权衡,以相对短缺(relative shortfall)量化各特征目标未满足程度。生产聚焦解(相对容差=1)使生产短缺接近零(≈27),但修复短缺最大(≈5854);修复聚焦解(相对容差=0)修复短缺最低(≈2927),但生产短缺增至≈857;平衡解(相对容差=0.12)两者中等(修复≈3285、生产≈100)。空间分配上,生产聚焦解以生产区为主且较均质;修复聚焦解将大量区域用于修复至30%上限,生产分配减少;平衡解修复与生产交错。城市区固定,保护区在各解中相对稳定,但生产聚焦下保护分配减少。生产聚焦与修复聚焦解的空间一致性最低(Cohen's Kappa Coefficient κ=0.27);平衡解与修复聚焦(κ=0.57)和生产聚焦(κ=0.38)一致性较高。前沿中心附近,一方适度改善仅使另一方短缺小幅增加;接近极端时,进一步改善需另一方不成比例损失。权衡还受多目标方法、空间数据、问题公式和约束影响。
讨论总结:研究人员在prioritizr中实现支持多种多目标算法的框架,语法沿用既有约定并保持向后兼容,允许同时纳入多个目标函数,以透明可重复方式量化、比较和评估替代空间规划方案之间的权衡,支持生物多样性包容的空间规划,不替代基于目标的方法而作补充。案例表明框架使竞争性土地利用目标之间的权衡更可测量和空间可解释,极端解分离量化优先不同目标的后果,中间解展示折中;空间配置连接Pareto前沿结构与地理规划后果。框架连接系统保护规划概念与决策者目标,保留现有功能,并用线性约束确保最低部门需求。政策实践上,降低技术门槛,支持GBF目标1及其他目标,适合参与式规划,并可跨陆地、淡水、海洋系统和生态、社会、经济目标组合应用。局限包括:多目标问题计算需求大,尤其大数据集;数据密集,每增目标增加特征与约束;超过三个目标的可视化沟通困难;结果依赖目标、约束和输入数据定义;公平、负担分担和空间正义难纳入且依赖规范选择;不同目标函数适用性不同,预算有限方法更灵活适合平衡多目标,最小集公式更难求解且适合避免特定目标不可接受表现。未来可扩展目标规划(goal programming)和epsilon约束方法,并嵌入交互或网络平台。
研究结论翻译:空间优化日益需要在部门内外平衡多个竞争目标,但多数优化问题仍集中于受限的问题公式,如满足生物多样性和生态系统服务目标下最小化社会成本。研究人员的多目标优化框架通过将既有概念扩展为显式多目标架构,使多个独立定义目标同时优化,弥补这一空白。通过将重点从识别单一“最佳”解转向探索结构化权衡集,框架使空间优化与真实决策情境和过程一致。该框架不是识别单一结果,而是支持评估反映不同优先事项和约束的行动空间分配备选方案,为更集成的空间规划提供可扩展基础。