《Geomatics, Natural Hazards and Risk》：Integrated ecological risk assessment with composite risk index and machine learning: spatiotemporal analysis of Beshilo Watershed, Northwest Ethiopia
编辑推荐：
气候变化与人为活动对陆地生态系统功能与过程构成显著威胁，大幅抬升生态风险。因此，探究贝希洛河流域生态风险的时空动态及其驱动因素，对评估生态状况与支撑可持续生态系统管理至关重要。研究人员将复合生态风险指数（ERI）与机器学习（ML）及集成学习（EL）方法相融合以
气候变化与人为活动对陆地生态系统功能与过程构成显著威胁，大幅抬升生态风险。因此，探究贝希洛河流域生态风险的时空动态及其驱动因素，对评估生态状况与支撑可持续生态系统管理至关重要。研究人员将复合生态风险指数（ERI）与机器学习（ML）及集成学习（EL）方法相融合以评估生态风险，并采用地理探测器（Geodetector）与夏普利加性解释（SHAP）分析10个驱动因子对生态风险的影响。结果表明，高生态风险主要集聚于流域西部与中部；ML与EL模型在预测精度上优于ERI，其中随机森林-极端梯度提升（RF-XGBoost）集成模型表现最佳（R2=0.976，RMSE=0.0028，MAE=0.0024）。基于Mann-Kendall检验与Sen斜率的趋势分析显示，尽管研究期内存在明显时序波动，生态风险呈统计显著的下降趋势。归一化植被指数（NDVI）、叶面积指数（LAI）、高程、土壤与降水被识别为主导驱动因子。该研究为流域生态修复与保护策略制定提供了有价值见解。
研究背景方面，生态风险被定义为自然过程与人为活动叠加导致生态系统结构、功能与稳定性可能丧失的程度。全球范围内，毁林、无序城市化、土地利用/覆被（LULC）变化、农业扩张及气候变化正加剧栖息地退化与生物多样性丧失。埃塞俄比亚既有研究多聚焦水体重金属与农药污染，缺乏流域尺度陆地生态风险时空动态及机器学习驱动机制探索。贝希洛河流域（BRW）面积约12239.56 km2，海拔1201至4260 m，涵盖Kola、Weyna Dega、Dega与Wurch四类农业生态区，此前尚无系统性评估。为此，研究人员集成ERI与ML/EL框架，旨在回答风险时序趋势、主导驱动因子及最优预测模型三个科学问题，成果发表于《Geomatics, Natural Hazards and Risk》。
关键技术方法上，研究人员以2001至2024年为研究期，构建2 km×2 km网格共3241个评价单元，将MODIS衍生的NDVI、LAI、净初级生产力（NPP）、ALOS PALSAR 12.5 m DEM派生高程坡度、CHIRPS降水、TerraClimate气温、WorldPop人口与道路城镇河网欧氏距离等统一重采样至500 m网格；以PCA确定ERI权重，以RF、XGBoost、LightGBM及四种stacking集成（RidgeCV元学习器）作目标预测，采用滚动与扩展窗口时空交叉验证，并用全局Moran's I与LISA做空间自相关、Mann-Kendall与Sen斜率做趋势检验、Geodetector做因子与交互探测、SHAP做贡献解析。
研究结果部分，3.1节时空分布显示高生态风险沿贝希洛河干支流沟谷与中西部集中，中高风险区占流域31%至45%，低风险区长期低于1%；3.2节空间格局中全局Moran's I达0.819至0.898且集成模型高于ERI，LISA的H-H簇稳定落于Sede Muja、Mekdela、Tach Gayint等 woreda；3.3节趋势分析表明ERI与所有ML/EL模型均值在0.946至0.961间波动，MK检验均呈显著负向（p<0.05），XGBoost-LightGBM下降斜率最陡；3.4节驱动因子中Geodetector的q值排序为LAI（0.794）>NDVI（0.707）>高程（0.388）>降水（0.232）>土壤（0.218）>距道路（0.152）>人口密度（0.092）>距河流（0.087）>距城镇（0.064）>坡度（0.032），LAI∩NDVI交互q=0.899，SHAP印证植被指数负向主导、土壤与高程次之、降水呈非线性、人为因子单独贡献低但与人居要素协同放大风险。
讨论与结论翻译：研究人员指出，贝希洛流域生态风险呈现“中西部河谷高、周边高地低”的稳态聚类，2001至2024年总体显著下降源于植被条件改善与气候调节增强，但2019年后略有反弹；RF-XGBoost以R2=0.976居首，证明集成学习较单一ERI更鲁棒地刻画非线性与空间依赖；LAI、NDVI、高程、土壤与降水为五大主导因子，其两两非线性增强交互揭示植被-水文-地形耦合机制。该研究填补了埃塞俄比亚流域尺度陆地生态风险ML建模空白，为BRW及数据稀缺生态复杂区提供了可迁移框架，并对标联合国可持续发展目标（SDG 2、3、6、13、15）给出定量佐证。
