《Environmental and Sustainability Indicators》：Multi-Scenario Machine Learning–Driven LUCC Simulation and InVEST-Based Carbon Sequestration Assessment: A Case Study of Metropolitan Prague, Czech Republic
编辑推荐：
土地利用与土地覆盖变化（LUCC）强烈影响陆地碳封存和气候减缓，因此准确的未来模拟对于可持续土地管理至关重要。然而，许多现有研究分别处理LUCC预测和碳评估，对可解释的多情景框架使用有限。研究人员开发了一个集成框架，结合随机森林（RF）机器学习、CA-Mark
土地利用与土地覆盖变化（LUCC）强烈影响陆地碳封存和气候减缓，因此准确的未来模拟对于可持续土地管理至关重要。然而，许多现有研究分别处理LUCC预测和碳评估，对可解释的多情景框架使用有限。研究人员开发了一个集成框架，结合随机森林（RF）机器学习、CA-Markov空间模拟和InVEST碳存储与封存模型，预测2024年至2050年捷克共和国布拉格大都市区的LUCC动态及相关碳变化。基于地形、气候和人为驱动因素的RF衍生转移潜力被纳入CA-Markov分配过程，以模拟常规发展（Business-as-Usual）、生态优化（Ecological Optimization）和城市增长（Urban Growth）情景。SHAP分析揭示了驱动因素主导的类别特异性梯度：人为可达性因素主导了七种土地覆盖类别中六种的转移（从水域的51.0%到建筑区的75.7%），而仅水文敏感的洪泛植被主要受高程和气候控制。生态优化情景产生了最大的植被覆盖和碳存储增益，而城市增长情景导致了农业用地向建筑区的最大转化。InVEST分析识别了持续的高碳区域，以及与植被恢复和森林扩张相关的总体正向碳封存趋势。所提出的框架为将LUCC动态与生态系统碳存储联系起来提供了一种可解释且可重复的方法，并支持大都市区的可持续土地利用规划和气候减缓策略。
本研究旨在解决土地利用与土地覆盖变化（LUCC）对陆地碳封存和气候减缓的显著影响，但现有研究多将LUCC预测与碳评估分离，且缺乏可解释的多情景框架。研究人员开发了集成随机森林（RF）机器学习、CA-Markov空间模拟和InVEST碳存储与封存模型的统一框架，以布拉格大都市区为案例，模拟2024–2050年LUCC动态及碳封存变化。论文发表在《Environmental and Sustainability Indicators》。研究结论表明：生态优化情景（EOS）通过促进森林扩张和限制城市增长，实现了最高的碳封存潜力；城市增长情景（UGS）则导致农业用地大量转化为建筑区，碳封存效率最低；常规发展情景（BAU）呈现中等正向碳累积。SHAP解释性分析揭示了人为可达性因素主导七种土地覆盖类别中六种的转移，仅洪泛植被受环境因素控制。该框架为链接LUCC动态与生态系统碳存储提供了可解释且可重复的方法，支持可持续土地利用规划与气候减缓策略。
主要关键技术方法包括：随机森林（RF）算法用于生成类别特异性转移概率图，基于地形、气候和人为驱动因素；CA-Markov模型用于空间分配，结合马尔可夫链预测土地利用需求；SHAP（Shapley Additive Explanations）用于量化驱动因素贡献并解释转移机制；InVEST碳存储与封存模块用于评估碳封存动态。数据来源包括ESRI土地覆盖图（2018、2021、2024年）、ASTER GDEM数字高程模型、WorldClim气候数据、OpenStreetMap可达性数据及人口密度数据。未涉及试剂或具体培养操作，样本队列来源为遥感影像和公开地理数据集。
研究结果如下：
**4.1 每种情景的转移矩阵**：通过转移概率矩阵分析，发现所有情景下主导土地覆盖类别（树木、建筑区、农田、水域）具有高对角线值，表明强持久性。生态优化情景（EOS）中农田向树木的转移增强，城市增长情景（UGS）中裸地和农田向建筑区的转移增加。
**4.2 马尔可夫链下的多情景土地利用需求**：基于2018–2021年转移矩阵，BAU情景下树木面积从44,927.02公顷增至55,646.53公顷，农田从78,482.86公顷降至64,997.40公顷，建筑区基本稳定。UGS和EOS情景的需求假设分别偏向城市扩张和生态恢复，导致不同的土地覆盖分配。
**4.3 皮尔逊驱动因素相关性**：驱动因素间相关性普遍较弱，仅高程与温度呈强负相关（r = ?0.93），其余系数低于|0.70|，表明冗余有限，所有变量保留用于建模。
**4.4 方差膨胀因子（VIF）分析**：VIF值范围1.01–12.91，高程（12.91）和温度（12.08）超过阈值，但因其环境意义和随机森林的鲁棒性而保留，其余变量VIF均低于5。
**4.5 转移概率制图（TPM）**
- **3.5.1 随机森林转移概率图**：RF模型通过交叉验证表现出高精度，ROC-AUC值0.949–1.000，有效捕捉非线性关系，为后续模拟提供可靠基础。
- **3.5.2 随机森林模型中驱动因素的重要性**：SHAP分析显示人为可达性因素在六种土地覆盖类别中占主导（51.0%–75.7%），仅洪泛植被受环境因素（高程、温度）控制。距离道路是建筑区转移的最重要因素（16.7%），距离村庄主导农田（12.1%），距离郊区主导草地（15.0%）。
- **3.5.3 转移概率制图**：高概率区域集中于特定空间：水域沿河岸，树木在高海拔区，农田在平坦低地，建筑区围绕现有定居点，草地分布在过渡带。
- **3.5.4 精度TPM图**：RF模型总体ROC-AUC高，但少数类别（如洪泛植被）因样本量小需谨慎解释；树木类F1得分最低（0.823），反映其过程复杂性。
**4.6 土地利用变化模拟过程**：模拟采用离散时间、空间显式过程，年步长迭代，基于RF概率、邻域效应和需求约束分配土地覆盖，直到2050年。
**4.7 情景参数比较分析**：UGS中建筑区转移速度最高（0.75）且保护系数最低（0.10），EOS中树木保护系数最高（0.98）且转移速度提升（0.45），BAU为中间状态。
- **3.7.1 常规发展情景（BAU）动态（2024–2050）**：农田减少约9,856公顷，建筑区增加约4,122公顷，树木扩大4,359公顷，显示农田向建筑区和半自然类的再分配。
- **3.7.2 生态优化情景（EOS）动态（2024–2050）**：树木面积增加约5,517.4公顷（+12.1%），农田减少约9,503公顷，建筑区仍增6.0%，但城市扩张受限，生态恢复主导。
- **3.7.3 城市增长情景（UGS）动态（2024–2050）**：建筑区增加约8,069.55公顷，农田减少约16,206.82公顷，树木增加约6,026.07公顷，显示城市扩张对农业的强烈竞争。
**4.8 2024年LUCC模拟验证**：BAU情景下模拟与观测的2024年地图对比，总体精度（OA）0.96，Kappa系数0.94，表明模型高预测性能，但少数类别因不平衡性表现较低。
**4.9 多情景LUCC模拟下的碳封存动态**：InVEST分析表明，EOS情景下碳存储最高，因树木扩展和城市增长受限；UGS情景下碳存储最低，尽管树木适度增加，但城市扩张和农田损失导致碳封存效率下降；BAU情景居中。森林为碳汇主导，农田和建筑区变化为碳损失主要驱动因素。敏感性分析显示，碳密度系数±10%扰动下，情景排序不变（EOS > UGS > BAU），但EOS与UGS差异较小。
讨论部分强调：1）土地覆盖持久性高，但城市扩张具不可逆性，对碳规划有直接影响；2）SHAP分析揭示人为驱动因素主导多数类别，交通基础设施规划是碳治理的关键工具；3）RF-CA-Markov框架高精度，但少数类别和参数假设需进一步改进；4）碳封存趋势显示森林为主要碳汇，保护现有高碳土地优于单纯造林。研究结论翻译如下：本研究开发了集成RF、CA-Markov、SHAP和InVEST的LUCC-碳建模框架，在布拉格大都市区通过2050年评估了BAU、EOS和UGS情景下的未来土地利用动态和碳响应。结果表明，未来景观变化以农田减少、城市渐进扩张和森林/半自然土地部分恢复为主要特征，其平衡由政策假设决定。情景比较揭示了具有直接规划意义的碳差异：EOS情景通过增强森林扩张和限制城市增长，产生最高碳封存潜力，符合欧盟生物多样性和碳中和目标；BAU情景维持适度正向碳累积，但依赖植被恢复对城市碳损失的补偿；UGS情景显示加速城市化导致可测量的生态系统服务权衡。SHAP解释表明人为可达性因素主导六种土地覆盖类别的转移，距离道路是建筑区扩张的最重要预测因子，这提示交通基础设施规划是城市增长管理的核心手段。森林为所有情景下的主要碳汇，保护现有高碳景观比单纯造林更有效。RF-CA-Markov框架实现高预测性能（OA=0.96），但少数类别需野外评估支持。未来研究应纳入动态社会经济变量、深度学习架构、不确定性量化和本地碳密度校准，以增强框架适用性。
