使用可解释机器学习揭示“山-丘-平”大都市区快速发展相关的碳储量响应:边际模式和交互作用

《Ecological Indicators》:Using interpretable machine learning to reveal carbon storage responses associated with rapid development in a “mountain-plain-hill” metropolitan area: Marginal patterns and interactions

【字体: 大 中 小 】 时间:2026年07月31日 来源:Ecological Indicators 8.7

编辑推荐:

  快速城市化重塑了土地利用和碳储量,然而在“山-丘-平”大都市区中,非线性解释模式和规划启示仍未被充分理解。本研究选取成都都市圈,构建了一个综合的“过去-未来”分析框架。通过耦合系统动力学(SD)、斑块生成土地利用模拟(PLUS)模型、生态系统服务与权衡综合评估

  
快速城市化重塑了土地利用和碳储量,然而在“山-丘-平”大都市区中,非线性解释模式和规划启示仍未被充分理解。本研究选取成都都市圈,构建了一个综合的“过去-未来”分析框架。通过耦合系统动力学(SD)、斑块生成土地利用模拟(PLUS)模型、生态系统服务与权衡综合评估(InVEST)模型和可解释机器学习(IML),研究人员量化了碳储量的时空演变,并探讨了主要解释因素的边际模式和非线性交互作用。结果表明:(1)2000年至2020年,碳储量减少了6.28 Tg,空间变化主要发生在耕地、林地和建设用地之间。到2050年,在SSP126和SSP245情景下,碳储量预计分别增加52.19 Tg和39.47 Tg,但在SSP585情景下减少23.16 Tg。(2)高程(DEM)、坡度(SLOPE)和人口密度(POP)被一致确定为模型中与碳储量相关的主要解释因素。DEM和SLOPE与碳储量呈正边际关联,而POP呈负边际关联。(3)基于SHapley加法解释(SHAP)的非线性交互作用在主要解释因素之间被清晰检测到。这些发现表明,碳储量管理应遵循地形梯度。低海拔平原应优先考虑紧凑城市增长、耕地保护和绿色网络建设,而中高海拔地区应加强林地保护和生态恢复。
大气CO2浓度升高是全球变暖的主要驱动因素,增强碳储量及自然碳汇是调节碳循环的关键途径。土地利用变化是人为温室气体排放的重要来源,对陆地碳储量产生显著影响。中国已承诺2030年碳达峰、2060年碳中和,迫切需要科学评估碳储量并优化空间格局。然而,现有研究多聚焦历史评估,对未来情景下碳储量的非线性解释模式及规划启示探讨不足,尤其在具有复杂地形梯度(如“山-丘-平”)的大都市区。成都都市圈作为中西部首个国家级都市圈,位于盆地-山地过渡带,地形起伏显著,城市化与生态保护矛盾突出,亟需综合框架揭示碳储量变化特征及其驱动机制。为此,研究人员耦合系统动力学(SD)模型、斑块生成土地利用模拟(PLUS)模型、生态系统服务与权衡综合评估(InVEST)模型和可解释机器学习(IML),构建了“过去-未来”分析框架,量化碳储量时空演变,并探索主要解释因素的边际模式与非线性交互。研究表明,碳储量历史期减少,未来在低排放情景下增加;高程(DEM)、坡度(SLOPE)和人口密度(POP)是核心解释因素,且存在非线性交互。该成果为基于地形梯度的碳储量管理提供了科学依据,发表于《Ecological Indicators》。

**主要技术方法**:本研究采用系统动力学(SD)模型预测未来土地利用需求,基于共享社会经济路径-代表性浓度路径(SSP-RCP)情景(SSP126、SSP245、SSP585),结合社会经济和气候数据;斑块生成土地利用模拟(PLUS)模型进行空间分配,利用随机森林算法提取土地转换规则,并设置生态源地和水域为禁止开发区;生态系统服务与权衡综合评估(InVEST)模型基于碳密度参数(经区域文献和气候校正)估算碳储量;可解释机器学习(IML)选用极端梯度提升(XGBoost)模型,结合SHapley加法解释(SHAP)值分析解释因素的重要性、边际关联和交互作用。数据来源包括土地利用、环境、社会经济、可达性和未来气候数据集,统一重采样至1km分辨率,样本队列来源于成都都市圈(约33,000 km2)。

**研究结果**:

**4.1 2000-2020年碳储量的时空分布**:通过InVEST模型计算,碳储量从2000年575.53 Tg降至2020年569.25 Tg,净损失6.28 Tg。耕地碳储量减少29.15 Tg,是主要损失来源;林地碳储量增加18.76 Tg,抵消了50.6%的耕地损失。建设用地碳储量增加,但因其碳密度低,扩张反映的是城市化替代高碳土地的过程。空间上,高值区与林地分布高度吻合,低值区以建设用地为主。2000-2010年碳储量下降显著,尤其在成都中心城区及西部;2010-2020年,中心区域减少幅度收缩,西部出现明显恢复。

**4.2 2030-2050年碳储量变化特征**:基于SD-PLUS模拟三种情景。SSP126下,碳储量呈持续上升趋势,至2050年较2020年增加52.19 Tg,主要因限制草地和林地转为低碳密度地类。SSP245下增幅略缓,增加39.47 Tg。SSP585下,受高城市化与土地开发强度压力,碳储量减少23.16 Tg。空间上,SSP126和SSP245下碳储量增加区域主要集中于东部丘陵,而SSP585下减少区域显著扩大,且范围超过历史期。

**4.3.1 预测模型性能**:比较线性回归、随机森林和XGBoost三种模型,XGBoost在所有五个时间场景(2000年、2020年、SSP126-2050、SSP245-2050、SSP585-2050)中均表现最优(平均R2=0.663,RMSE=3.9587),因此被选用于后续的因子重要性、边际关联和交互分析。

**4.3.2 解释因素的相对重要性**:基于XGBoost-SHAP分析,DEM、SLOPE和POP在五个场景中始终排名前三,但重要性存在波动。DEM在2000年和2020年贡献最大(48.2%和47.2%),在SSP585下仍为38.6%,显示其与碳储量空间分布的稳定关联。在SSP126和SSP245下,SLOPE重要性超过DEM(34.5%和33.4%),因为未来林地扩张和碳储量增加主要发生在东部丘陵(坡度较陡的区域)。POP的重要性在2000年和2020年较低(10.6%和8.0%),但在未来情景中上升,SSP585下达14.6%,反映了城市化压力对碳储量的负关联。

**4.3.3 主要解释因素的边际关联**:通过偏依赖图(PDP)分析,DEM与碳储量呈非线性增加,在约1000 m以下增长迅速,超过该阈值后趋于饱和,表明中高海拔生态系统碳汇潜力达到稳定。SLOPE在0°-30°范围内正关联显著增强,超过30°后趋于平稳。POP呈非线性负相关,在低密度区间(约0-600人/km2)碳储量急剧下降,之后波动减弱,说明从低密度到中等密度的人口增长与碳储量快速损失相关联,高强度城市化后额外损失递减。

**4.3.4 主要解释因素之间的交互作用**:基于SHAP交互图,DEM与SLOPE的交互呈“增加-平台-下降”模式。低海拔(<1000 m)时,SHAP值随DEM上升快速增加,SLOPE贡献有限;中海拔(1000-3000 m)时,高SLOPE(红点)密集,SHAP值维持高位;高海拔(>3000 m)时,即使坡度陡,SHAP值也显著下降。DEM与POP的交互中,低海拔高POP地区SHAP值低,中海拔低POP地区SHAP值高,高海拔区域SHAP值整体下降。SLOPE与POP的交互显示,低坡度(<5°)高POP地区SHAP值负向,中坡度(5-30°)低POP地区SHAP值达到峰值,高坡度(>30°)时趋于稳定,且未来情景下交互模式更稳定,尤其在SSP126和SSP245下。

**讨论总结**:研究表明,DEM、SLOPE和POP与碳储量存在非线性关联,受地形约束显著。DEM和SLOPE的正关联主要反映成都都市圈林地集中于高海拔、陡坡区域,而耕地和建设用地分布于低平区域,因此地形对碳储量空间分布起结构性作用,但该模式不应推广至其他地区。POP的负关联在SSP585下最严重,而SSP126和SSP245下缓解,表明可持续策略可缓冲人口压力。交互分析揭示中海拔、中高坡度区域碳储量优势,但高海拔(>3000 m)因环境限制而碳储量下降,这与“退耕还林”工程中25°以上坡地退耕的阈值一致。与长三角、珠三角相比,成都都市圈地形对碳储量的调控作用更强。基于此,研究人员提出梯度管理建议:低海拔(<1000 m)应紧凑发展、保护耕地、建设绿色网络;中海拔(1000-3000 m)加强林地保护;高海拔(>3000 m)恢复植被并防治水土流失。同时,需动态权衡土地利用转换的碳代价,如1 km2林地转建设用地需近3 km2耕地补偿。研究亦指出框架不确定性,包括SD-PLUS参数、碳密度参数、DOM忽略及静态碳池假设,但敏感性分析表明这些不影响历史趋势和情景比较结论。

**研究结论**:(1)过去二十年,成都都市圈碳储量损失6.28 Tg,主要与耕地减少和建设用地扩张相关,但部分被林地恢复抵消。在SSP126和SSP245情景下,碳储量预计分别增加52.19 Tg和39.47 Tg,增加主要发生在东部丘陵地区;在SSP585情景下,碳储量减少23.16 Tg,损失主要与建设用地扩张相关。(2)通过XGBoost-SHAP模型,DEM、SLOPE和POP被确定为与碳储量相关的主要解释因素,DEM和SLOPE呈正关联,POP呈负关联,且这些因素在不同时间场景下表现出非线性交互。(3)基于这些发现,研究人员建议优先保护林地、规范建设用地空间扩张、优化生态恢复工作,以支持成都都市圈及类似大都市区的长期碳储量可持续性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号