景观生态风险演化及其非线性驱动机制——以地形约束河流谷地盆地汾河流域太原段为例

《Land》：Landscape Ecological Risk Evolution and Its Nonlinear Driving Mechanisms in a Topographically Constrained River-Valley Basin: A Case Study of the Taiyuan Section of the Fen River Basin

　　

在地形约束严重且人类活动密集的区域，景观生态风险（Landscape Ecological Risk, LER）及其空间分异的机制仍未被充分理解。特别是，由复杂自然梯度、城市扩张和政策干预共同作用产生的非线性响应和阈值效应尚未得到充分表征，限制了有效的区域生态管理和政策制定。以汾河流域太原段为研究区域，研究人员利用2014、2019和2024年的土地利用数据构建了LER指数。采用景观指数和空间自相关分析表征LER的时空演化，并利用带有空间块交叉验证的LightGBM-SHAP模型识别自然和社会经济驱动因素的非线性效应。随后开发了一个整合当前风险状态和驱动敏感性的四象限分区框架。结果表明：（1）LER呈现波动趋势，从2014年到2019年上升，从2019年到2024年下降，空间分异明显。低风险和较低风险区约占71%的面积，而中高风险区主要聚集在东北部、南部和西北部部分地区；高风险聚集区逐渐收缩。（2）LER受自然和社会经济因素共同驱动，其中自然因素作用更强。坡度、归一化植被指数（NDVI）、高程和国内生产总值（GDP）是关键驱动因素。（3）这些驱动因素的影响具有强非线性：坡度在5°–13°时增加风险，但在13°以上降低风险；NDVI呈倒U型关系，在0.60–0.75时正贡献最强；高程在1200 m附近从正贡献转为负贡献。基于这些结果，耦合风险状态和驱动敏感性的框架划定了差异化管控单元，为地形约束河流谷地盆地的生态保护、恢复和开发控制提供了精细空间指导。

**论文解读：地形约束河流谷地盆地景观生态风险演化及其非线性驱动机制——以汾河流域太原段为例**

**研究背景与科学问题**
在全球环境变化与快速城镇化背景下，土地利用结构持续重组，景观破碎化、功能退化与风险累积威胁区域生态系统稳定性。景观生态风险（Landscape Ecological Risk, LER）评估是识别生态风险、支撑空间管控的重要工具。然而，现有研究多基于单一风险等级直接划分管理区，忽略了相同风险等级下可能存在的不同驱动机制，导致管理策略缺乏针对性。在强烈地形约束与高强度人类活动交织的区域（如山地-河谷盆地），自然梯度、城市扩张与政策干预的复合影响如何产生非线性响应和阈值效应，尚不清晰。此外，多数研究仅聚焦风险格局或单因素归因，缺乏将风险评估、驱动机制与空间管理直接耦合的分析框架，限制了研究成果向精细国土空间治理的转化。为此，本研究以汾河流域太原段为典型地形约束型河谷盆地，旨在揭示2014–2024年间LER的时空演化特征，识别主导驱动因素及其非线性作用和交互效应，并构建“风险状态-驱动敏感性”四象限分区框架，为差异化空间治理提供决策依据。论文发表于《Land》期刊。

**主要技术方法**
研究人员采用以下关键技术：（1）基于30 m分辨率中国年度土地覆盖数据集（CLCD，武汉大学黄昕团队开发），将土地利用重分类为6类；（2）构建700 m×700 m评价网格，利用景观破碎度、分离度、优势度指数及脆弱度权重计算LER指数；（3）通过FRAGSTATS 4.8计算斑块数（NP）、相似邻接百分比（PLADJ）、分形维数（FRAC）、聚集度指数（CLUMPY）和香农多样性指数（SHDI）表征景观格局变化；（4）采用全局和局部莫兰指数（Moran's I）进行空间自相关分析，判断空间集聚特征；（5）以2024年LER为响应变量，选取坡度、高程（DEM）、NDVI、GDP、人口密度、距水体距离、距道路距离、距城镇距离和年均降水量为驱动因子，利用LightGBM模型拟合非线性关系，结合SHAP进行可解释归因分析，并通过空间块交叉验证（块边长15400 m）避免空间自相关导致的过拟合。

**研究结果**
**3.1 土地利用与景观格局变化**
2014–2024年，林地、建设用地和耕地面积增加，草地、水域和未利用地减少。林地净增284.53 km2，主要来自草地转化；建设用地扩张主要占用耕地；耕地扩张主要取代草地。景观格局指数显示：斑块数（NP）先增后减（2014–2019年增加7.8%，2019–2024年减少15.0%），表明破碎化先加剧后减弱；分形维数（FRAC）先升后降，整体降低2.54%，斑块形状趋于规则；香农多样性指数（SHDI）持续升高3.34%，景观多样性增加。

**3.2 景观生态风险时空演化**
LER波动变化：2014–2019年上升，2019–2024年下降。低风险和较低风险区始终占主导（约71%面积）。低风险区先减后增，2019–2024年扩大457.90 km2（占研究区7.3%）；中高风险区先增后减；较高风险区持续减少2.92%。空间上，低风险区集中在北部和中部；中高风险区主要分布在东北部、南部及西北部小片区域；高风险区与水体紧密相关。2019–2024年生态保护与修复后，高风险区显著收缩，生态条件整体改善。

**3.3 景观生态风险空间归因**
**3.3.1 空间自相关分析**
全局莫兰指数（Moran's I）在2014、2019、2024年分别为0.184、0.203、0.134，均显著（p<0.01），表明LER存在显著正空间自相关。局部空间关联指标（LISA）图显示高-高和低-低聚类为主，高-高聚类主要分布于耕地，低-低聚类集中于林地和建设用地。高-高网格数减少179个，低-低网格数减少387个，表明高风险聚集区收缩，低风险聚集区稳定性减弱。

**3.3.2 主导驱动因素**
LightGBM模型5折空间交叉验证的平均R2为0.7805±0.0272，RMSE为0.0037±0.0005，解释性能良好。SHAP全局重要性排序为：坡度 > NDVI > 高程 > GDP，自然因素主导。坡度对LER呈非线性效应：5°–13°时正贡献（增加风险），>13°时负贡献（降低风险）。NDVI呈倒U型：0.60–0.75时正贡献最强，<0.60或>0.75时负贡献。高程在约1200 m以下正贡献，以上负贡献。GDP贡献空间异质性大，但趋势不如前三者明显。

**3.3.3 主导驱动因素交互作用**
坡度与NDVI、高程的交互显示：低坡度（<8°）区域风险随坡度增加而升高，但超过13°后风险降低；高海拔与陡坡组合进一步限制人类活动，降低风险。NDVI与高程交互：低NDVI区高海拔样本SHAP值较高，高NDVI区高海拔样本SHAP值迅速转负，表明完整植被覆盖在高海拔地区显著缓解风险。低海拔（<1200 m）低GDP区域对LER的正贡献较大，反映经济欠发达平原和盆地边缘大规模土地扩张导致自然斑块破碎化。GDP与其他因素的交互模式不清晰，故未进一步分析。

**讨论总结与结论**
**讨论部分**：本研究揭示了地形约束河谷盆地LER的非单调演化轨迹（2014–2019上升，2019–2024下降），与城市化、生态修复和空间管控的阶段性响应相关，但无法直接归因于单一过程，缺乏土地利用转换直接驱动数据是重要局限。空间分异沿“地形-水体-城市”梯度呈现：低风险区集中于高海拔、高植被覆盖、开发成本高的生态屏障区；高风险区位于河谷平原、城乡过渡带及汾河沿岸，突出城市边缘效应和土地竞争。自然因素（坡度、NDVI、高程）主导LER空间分异，而社会经济因素如GDP作用区域化且较弱，与平原快速城市化流域不同。非线性阈值效应（坡度13°、NDVI 0.60–0.75、高程1200 m）表明LER并非简单累积，而是受地形屏障、建成区稳定性和竞争性土地利用混合的梯度结构调控。基于风险状态（当前LER值）和驱动敏感性（主导因素平均|SHAP|值）的四象限分区框架，将研究区划分为高风险-高敏感（I）、低风险-高敏感（II）、低风险-低敏感（III）、高风险-低敏感（IV）四类。负效应（Bi<0）占60.12%，低风险区稳定或改善；正效应（Bi>0）占39.88%，主要集中于城市边缘耕地、汾河沿岸和城市扩张前沿，需优先管控。该框架将传统静态风险分级转向机制导向的动态前瞻管理。

**研究结论**（翻译）：
(1) 土地利用和景观结构遵循“先破碎后整合”的轨迹。2014–2024年间，林地、建设用地和耕地分别增加284.53 km2、115.58 km2和106.72 km2，而草地、水域和未利用地减少。斑块数（NP）先增后减，表明破碎化先加剧后减弱。香农多样性指数（SHDI）增加约3.3%，景观多样性提高。总体而言，景观从不规则、破碎化配置向规则、整合化转变。
(2) LER呈波动时间格局和清晰空间分异。低风险和较低风险区占主导，覆盖71%的研究区。低风险区先减后增，2019–2024年扩大457.90 km2；中高风险区呈相反轨迹；较高风险区持续减少2.92%。低风险和较低风险区主要集中于北部和中部，中高风险区主要出现在东北部、南部及西北部小片区域。高风险区与水体紧密相关。2019–2024年生态保护与修复后，许多高风险区向低风险级转换，表明LER总体缓解。
(3) 自然因素主导LER空间分异，并呈现显著非线性效应。主导驱动因素排序为：坡度 > NDVI > 高程 > GDP。坡度主要在5°–13°范围内增加LER，在5°以下和13°以上降低LER。NDVI呈倒U型关系，在0.60–0.75时正贡献最大；高程在约1200 m以下增加风险，高于该阈值降低风险。因素间交互凸显地形对人类活动的约束：高海拔植被密集区风险最低，而低海拔低GDP地区因大规模土地扩张产生较大正贡献。
(4) 将当前风险与驱动敏感性整合可实现更精准的分区管理。研究区景观生态风险主要受负效应影响（占60.12%），大部分区域风险水平较低且趋于稳定或改善；正效应占39.88%，主要集中于城市边缘耕地、汾河沿岸和城市扩张前沿，生态风险较高且呈上升趋势，需优先管理。通过整合风险等级、变化幅度和影响方向，“状态-驱动”分区框架克服了传统风险分区的局限性，促进景观生态风险的差异化、前瞻性管理。