《Ecological Indicators》:Assessing the impact of natural environment and human activities on the ecological environmental quality based on RSEI in Inner Mongolia from 2000 to 2020
编辑推荐:
内蒙古的生态环境质量是维持区域环境健康和维护人类福祉的根本基础。尽管其至关重要,但近年来该地区面临不断升级的生态挑战,然而其生态系统动态及变化的潜在驱动因素仍未得到充分探索。研究人员旨在评估内蒙古的生态环境质量,并利用遥感数据和机器学习调查总共十七种自然和人为
内蒙古的生态环境质量是维持区域环境健康和维护人类福祉的根本基础。尽管其至关重要,但近年来该地区面临不断升级的生态挑战,然而其生态系统动态及变化的潜在驱动因素仍未得到充分探索。研究人员旨在评估内蒙古的生态环境质量,并利用遥感数据和机器学习调查总共十七种自然和人为因素的影响。研究人员使用遥感生态指数(RSEI)揭示生态环境质量,并分析了2000年至2020年的时空变化。然后采用一个可解释的机器学习框架,该框架整合了Shapley Additive Explanations (SHAP)和eXtreme Gradient Boosting Trees (XGBoost),以揭示影响生态环境质量的复杂驱动机制。结果显示,在这二十年间,生态环境质量呈现轻微但明显的改善趋势,并伴有显著的空间异质性。值得注意的是,净改善的特征是中等和良好区域显著扩大,同时较差和最差区域收缩。XGBoost-SHAP模型识别出气候因素是主要驱动因素,其中降水是最具影响力的正向因素(超过273.79 mm),而温度变量是主要的负向因素(在超过3.02 °C和11.71 °C时抑制生态环境质量)。关系主要是非线性的,并具有关键阈值。交互作用分析进一步表明,任何单一因素的影响高度依赖于其他因素。至关重要的是,这些发现表明,总体区域植被恢复从根本上是一个气候驱动的过程,其中人为恢复努力起次要作用。通过阐明这些非线性和阈值依赖机制,该研究为有针对性的生态恢复和管理策略提供了一个稳健、可转移的基础,为内蒙古和全球干旱生态系统提供了关键见解。
内蒙古作为中国北方重要的生态屏障和农牧业生产区,其生态环境质量(EEQ)对区域环境健康和人类福祉至关重要。然而,近年来气候变化和人类活动加剧,导致土地荒漠化、生态系统退化等问题日益严峻。尽管已有研究关注EEQ,但对内蒙古EEQ的时空动态及其复杂的驱动机制,尤其是多因素间的非线性关系和阈值效应,仍缺乏深入理解。传统线性回归方法难以捕捉这些复杂关系,且现有研究多忽略可解释人工智能方法的应用。为此,本研究基于遥感生态指数(RSEI)评估内蒙古2000–2020年EEQ的时空变化,并利用可解释机器学习框架(XGBoost-SHAP)揭示17个自然和人文因素的驱动作用,为区域生态恢复和管理提供科学依据。论文发表在《Ecological Indicators》。
研究人员开展了一项系统性研究,首先利用Google Earth Engine(GEE)平台,基于MODIS数据(MOD13A1、MOD11A2、MOD09A1)计算RSEI,该指数通过主成分分析(PCA)整合绿度(NDVI)、湿度(WET)、干度(NDSI)和热度(LST)四个指标,并划分为五个等级。采用Sen's斜率估计和Mann-Kendall(M-K)趋势检验分析RSEI的时空变化趋势,同时利用土地覆盖转移矩阵量化生态恢复的物理足迹。在驱动机制分析中,构建XGBoost回归模型,以RSEI为因变量,以17个因子(包括气候变量:最高/最低/平均温度、降水、风速、相对湿度、地表气压、日照时数;地形变量:高程、坡度、地表粗糙度、地形湿度指数、起伏度、坡向;人为变量:人口计数、到城市距离、人类足迹指数)为自变量,模型性能通过R
2、MAE和RMSE评估。随后,采用SHAP方法解释模型输出,量化每个特征的重要性、方向性、非线性关系及交互效应。所有数据重采样至4 km统一分辨率,共提取594,975个像素样本,70%用于训练,30%用于测试。
研究结果分以下部分呈现:
**4.1 Spatiotemporal evolution characteristics of RSEI in Inner Mongolia**
**4.1.1 Spatiotemporal distribution patterns of RSEI**:通过RSEI空间分布图发现,内蒙古EEQ呈现显著的东西梯度,东北部(如呼伦贝尔、兴安盟)水热条件优越,EEQ较高(良好和优秀等级),而西南部(如阿拉善、巴彦淖尔)干旱少雨,EEQ较差(最差和较差等级)。2000–2020年,较差等级面积持续下降,从62.98%降至57.82%,而中等和良好等级面积合计从26.01%增至39.83%,优秀等级则波动变化,2010年达到峰值。
**4.1.2 Dynamic transitions of RSEI**:通过桑基图分析五级RSEI的动态转换,发现整体向改善方向转移,中等和良好区域显著扩大,最差和较差区域收缩。2000–2005年,大量最差区域转为较差和中等;2005–2010年,较差向中等、良好向中等转换;2010–2015年,较差向中等、中等向良好转换;2015–2020年,改善趋势更明显,优秀向良好、较差向中等转换。
**4.2 Identification of dominant influencing factors for RESI**:基于XGBoost回归模型(R
2=0.967,MAE=0.029,RMSE=0.041),SHAP特征重要性排序显示,降水是影响EEQ的最关键因素(平均|SHAP|值约0.13),其次为平均温度、最高温度、风速、地表气压、人类足迹指数等。气候因素整体占主导,人为因素(人类足迹指数、人口计数)贡献中等,地形因素(高程、起伏度等)影响较弱。SHAP值方向性表明,高降水正向贡献,极端温度(高最高温、低最低温)负向贡献。
**4.3 Nonlinear relationships and effectiveness thresholds for dominant factors**:通过SHAP依赖图揭示非线性阈值效应:降水在超过约273.79 mm时SHAP值转为正向,EEQ改善;平均温度超过约3.02
°C时负向抑制;最高温度超过11.71
°C时负向加剧;风速超过2.75 m/s后负向影响微弱;地表气压超过891.07 hPa时正向增强;人类足迹指数超过10.88后负向显著,但在低扰动区域(<1)影响中性。
**4.4 Interaction effects of influencing factors**:通过SHAP交互值分析,发现降水与其他因素的交互效应显著增强。例如,降水低于约300 mm时,高平均温度(>10
°C)导致交互值正向(可能缓解冷胁迫),但超过300 mm后,高温度使交互值转为负向;降水与风速交互:低降水时高风速加剧负向;降水与相对湿度交互:低降水时高湿度负向。结果表明,单因素效应高度依赖其他因素,呈现非线性协同作用。
讨论部分总结:研究指出,内蒙古EEQ的总体改善主要受气候驱动,降水增加和温度适度有利于植被恢复,而人为生态项目(如退耕还林、阿拉善治沙)仅在局部起次要作用。非线性阈值和交互效应揭示了复杂驱动机制,如低降水条件下高温加剧水胁迫,高降水条件下高温影响减弱。人类足迹指数超过10.88后导致显著退化,但政策干预可缓解局部压力。研究同时指出局限性:RSEI仅为生物物理代理指标,未包含生物多样性等;数据驱动方法具有相关性而非因果性;人为变量有限;MODIS 500 m分辨率导致混合像素效应。未来需结合地面调查和高分辨率遥感数据。
研究结论部分翻译如下:
(1) 内蒙古的EEQ在二十年间呈现轻微但明显的改善趋势,但空间异质性显著。东北部因水热条件优越保持较高EEQ,而中西部干旱半干旱区EEQ较差。动态转换分析显示整体净改善,表现为中等和良好区域显著扩大,最差和较差区域收缩,表明生态恢复具有积极效应,但固有的东西气候梯度仍是主导空间格局的因素。
(2) 气候因素是EEQ的主要驱动因素,且关系强烈非线性。降水是最关键的正向指标,在约273.79 mm阈值后贡献显著正向;温度变量(平均和最高温度)是主要负向指标,分别在超过3.02
°C和11.71
°C后转为抑制效应。人为压力(人类足迹指数)在超过10.88后显示显著非线性负向影响。
(3) 交互作用分析表明,任何单一因素对EEQ的影响高度依赖于其他因素。降水与温度的交互作用尤其显著:在低降水环境(<300 mm)中,高温加剧水胁迫导致严重负向生态后果;在干燥条件下,高风速的负向影响被显著放大。这些复杂交互作用表明EEQ驱动因素并非孤立作用,强调有效生态管理需采取整体视角,考虑关键因子交互以减轻复合风险。