《Environmental Impact Assessment Review》:A spatially-explicit framework for landscape optimization integrating nonlinear trade-offs and critical thresholds of ecosystem services
编辑推荐:
摘要明确景观格局对生态系统服务的影响及其相互之间的权衡关系,探索适应性景观优化方案,对于景观格局规划与管理以及提升生态系统服务价值具有重要意义。然而,目前关于景观格局与生态系统服务之间关系的研究仍然不足,尤其是在山区。不同景观格局与生态系统服务之间的响应机制也需要进一步探讨。传统
摘要
明确景观格局对生态系统服务的影响及其相互之间的权衡关系,探索适应性景观优化方案,对于景观格局规划与管理以及提升生态系统服务价值具有重要意义。然而,目前关于景观格局与生态系统服务之间关系的研究仍然不足,尤其是在山区。不同景观格局与生态系统服务之间的响应机制也需要进一步探讨。传统的景观规划方法通常只考虑单一类型的生态系统服务,且缺乏明确的空间定位。为填补这些关键知识缺口,本研究提出了一个结合可解释机器学习与多目标优化的综合空间显式框架。对中国中部生态屏障——秦岭地区的五种关键生态系统服务进行了量化分析。通过随机森林模型结合偏依赖图分析,揭示了景观指标与生态系统服务之间的非线性及阈值依赖关系;同时运用非支配排序遗传算法II,在多种政策约束下生成帕累托最优的景观配置方案。研究结果表明,2000年至2020年间,森林用地在景观中占据主导地位,空间稳定性较高。景观格局指数与生态系统服务呈现出非线性和阶段性特征。与现有景观格局相比,最优方案不仅符合政策要求,还能显著提升水分产出(0.05%)、碳封存量(0.02%)以及土壤保持能力(0.26%)。该研究方案提供了一种可验证且具有可扩展性的规划方法,为制定山区科学生态保护策略及跨尺度可持续景观管理提供了参考。
引言
持续的人口增长和气候变化导致全球多达40%的陆地出现退化现象(Maestre等人,2025年),影响了近一半的全球人口,尤其是山区等脆弱地区(Dang等人,2025年)。联合国生态系统恢复十年(2021?2030年)行动计划旨在防止、停止并扭转全球生态系统的丧失(Strassburg等人,2020年)。作为全球约三分之一人口的饮用水源地以及生物多样性热点区域,山区也出现了生态系统退化现象,这不仅威胁到当地居民的生存安全,还会通过水文循环和物质迁移影响下游广阔平原地区的生态安全与经济发展。为实现联合国的可持续发展目标,有必要从单一目标的生态恢复转向多目标协同的景观优化(Fu等人,2025a,2025b)。因此,亟需研究景观如何影响生态系统服务,并战略性地优化景观格局(Liu等人,2023a,2023b;Wu等人,2025a,2025b;Ascenzi等人,2025年)。
可持续景观格局被定义为特定的景观要素组成与配置组合,这类组合能够使社会生态过程持续提供稳定的生态系统服务,进而提升特定区域的人类福祉(Huang等人,2022年;Dong等人,2022年;Wang等人,2025年)。景观格局的变化会对能量流动、水文循环、初级生产力以及物种群落等核心生态系统过程产生深远的级联效应,从而改变生态系统服务的供给量、规模及稳定性(Fu等人,2025a,2025b)。由于土地覆盖变化,1996年至2016年间全球红树林的碳储量减少了1.584亿吨(Richards等人,2020年)。实证研究表明,景观格局的变化已成为全球范围内影响生态系统服务动态的最普遍、最持久且最重要的人为因素之一。具体而言,景观构成的变化是导致生态系统服务发生变化最直接、最易检测的因素,主要表现为某一区域内各种竞争性生态系统服务之间的权衡关系加剧。例如,为扩大耕地面积以提高粮食产量而进行的大规模砍伐,虽然增加了与食物供应相关的供给服务,但却损害了木材供给的长期可持续性,同时还影响了包括气候调节和水分保持在内的重要调节服务功能(Leite-Filho等人,2025年)。此外,景观结构的变化,表现为碎片化程度增加和生态连通性降低,已被广泛认为会削弱生态系统的恢复能力,使其难以持续提供各种服务。相反,基于证据的景观管理干预措施可以有效减轻这些负面影响,提升景观的整体多功能性。例如,稻田景观的空间布局被证明在支持多种调节服务方面发挥着重要作用,尤其是洪水缓解和微气候调节功能(Lee等人,2015年)。总体而言,大量涵盖不同生物群落和不同空间尺度的实证研究已经充分表明,景观格局在决定各类生态系统服务的供给方面起着关键作用(Huang等人,2024年;Li等人,2020年;Zhang等人,2024年)。这为基于证据的景观规划、管理和保护决策提供了坚实的科学依据(Zhang等人,2025年)。
大多数先前的研究都假设这种关系在空间和时间上是均匀的(Petroni等人,2022年)。然而,真实的生态系统是一个具有自我调节能力的复杂系统,它表现出非线性特征和多个稳定状态,因此很难用线性模型准确预测其演变趋势(Rietkerk等人,2021年;Riva等人,2023年)。相比之下,机器学习模型通常不需要预先设定假设,能够有效捕捉生态过程中变量之间的复杂非线性关系。但是,传统的“黑箱”型机器学习模型无法清晰展现自变量与因变量之间的具体关联机制,这使得阈值分析变得十分困难(Rudin,2019年)。其次,目前的景观规划和管理往往侧重于针对单个场景的独立优化方案,对多功能性的考量仍然有限(Lungarska和Chakir,2024年;Wang等人,2023年)。这样的优化方案无法满足当前景观供需的需求,从而增加了系统性风险。因此,只有通过科学调整生态系统服务体系内的协同关系与权衡关系,才能在尊重自然规律的前提下,有效扭转全球生态系统服务水平下降的趋势(Shifaw等人,2024年;Cui等人,2025年)。这有助于实现以提升多目标生态系统服务为导向的景观规划与管理。
为应对这些挑战,本研究以中国秦岭地区为案例,探讨在生态系统服务最大化但景观调整受限的条件下,是否存在能够满足更广泛优化目标的适应性景观格局模型。本研究创新性地解决了三个问题:(Ascenzi等人,2025年)系统量化了五种关键生态系统服务对景观格局变化的非线性及阶段性响应,确定了山区生态系统核心景观指标的关键控制阈值;(Bayer等人,2023年)构建了一个结合可解释机器学习与NSGA-II的新型空间显式优化框架,克服了传统单一生态系统服务规划方法的局限性;(Bennett等人,2009年)制定了符合山区生态保护政策的帕累托最优景观规划方案,为区域景观管理提供了具体的空间指导。所提出的分析框架也可应用于其他地区。
章节节选
研究框架
流程图(图1)展示了确定景观布局配置的过程。首先计算五种类型的生态系统服务,同时分析它们之间的权衡关系与协同效应,随后计算景观格局指数。本研究首次引入了可解释机器学习模型(Zhang等人,2024年),通过将随机森林模型与偏依赖图相结合,分析了景观格局对生态系统综合效益的驱动机制。
景观的空间格局
秦岭地区景观格局指数的平均结果见附录3。从面积来看,森林的PLAND值最高,其次是灌木丛,而不透水表面的数值最低;其中森林的CA值最大,为700.74公顷,其次是草地,灌木丛的CA值最小,仅为176.68公顷;LPI值的情况也是如此。从密度来看,不同土地利用类型的PD值相近,整体景观值为0.23公顷。
景观格局对生态系统服务的多维度调节效应
在过去20年里,从景观视角来看,CONTAG值平均下降了0.91,这说明景观中各斑块的连通性与聚集度有所降低,可能导致景观碎片化加剧。这意味着不同景观类型之间的连通性减弱,可能会阻碍物种迁移和生态流等生态过程的发生。从边缘视角来看,ED值平均下降了0.39,表明
结论
基于生态系统服务评估对生态系统进行整合与优化,是实现景观可持续发展的有效途径。不过,各种生态系统服务之间通常存在权衡关系。多目标优化能够平衡各种竞争性目标之间的矛盾,同时解决多项生态环境问题,从而实现整体优化。本文提出的框架通过探究非线性关系,为决策者提供了宝贵的参考依据。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究得到了以下机构的支持:中国国家自然科学基金(项目编号:72349002、42371297),中央高校基本科研业务费(项目编号:GK202601057),西安科学技术协会青年人才基金(项目编号:0959202613162),以及西安市自然科学基金(项目编号:2026JH-SZRJ-0336)。
Hui Dang|Da Lü|Jing Li|Yihe Lü|Qi Feng|Bojie Fu
陕西师范大学地理与环境学院,中国陕西省西安市710062