使用可解释的机器学习方法评估马来西亚城市化进程与生态完整性之间的耦合关系

《Scientific Reports》：Assessing urbanisation and ecological integrity coupling in Malaysia using interpretable machine learning

　　

摘要

城市化与环境的相互作用日益呈现出非线性的特征，然而传统的耦合协调度（CCD）框架往往依赖于静态的、线性的假设，这些假设无法捕捉到复杂的反馈循环。本研究提出了一个综合框架，将CRITIC加权CCD评估方法与可解释的机器学习技术（随机森林和XGBoost）相结合，以解析城市化与生态完整性之间的共同演化过程。以马来西亚为例——这个国家以快速的城市扩张和高空间差异为特征——我们利用了来自16个州的多源遥感和纵向统计数据进行分析。我们的XGBoost模型（测试R2值约为0.87）的表现优于传统的回归方法，证实了显著的非线性和动态耦合效应。通过应用SHAP（Shapley Additive Explanations）技术，我们不仅实现了预测，还识别出了系统中的可持续性“临界点”。主要研究结果包括：（1）北部和东海岸地区存在明显的空间脱钩现象；（2）在建筑扩张过程中存在一个“驼峰形”的阈值效应，即协调度在达到峰值后开始下降；（3）森林和水资源作为非线性生态缓冲区发挥了关键作用。这些结果表明，可持续转型更多地依赖于空间结构和资产管理，而不仅仅是收入增长。这一可解释的AI-CCD框架为低收入和中等收入国家提供了一个可扩展的、基于证据的工具包，帮助他们在发展与生态保护之间做出权衡。