《Land》：Spatiotemporal Heterogeneity of Ecosystem Service Interactions and Their Driving Factors Across Different Spatial Scales in China’s Coastal Cities: An XGBoost–SHAP Analysis
编辑推荐：
准确理解生态系统服务（ESs）及其跨多个时空尺度的驱动机制是有效生态治理和区域可持续发展的关键。为解决以往ES研究中长期动态、跨尺度差异和非线性驱动效应同时考虑不足的问题，研究人员开发了一个综合多时间多尺度框架，以揭示ES交互和簇的时空动态及尺度依赖模式，并进
准确理解生态系统服务（ESs）及其跨多个时空尺度的驱动机制是有效生态治理和区域可持续发展的关键。为解决以往ES研究中长期动态、跨尺度差异和非线性驱动效应同时考虑不足的问题，研究人员开发了一个综合多时间多尺度框架，以揭示ES交互和簇的时空动态及尺度依赖模式，并进一步识别其关键驱动因素和阈值效应。采用InVEST模型量化了六类ESs，并在2 km、5 km、10 km网格和县级尺度上，从1990年至2020年检验了它们的权衡/协同关系和簇。进一步采用XGBoost–SHAP模型识别每个空间尺度上ESs的关键驱动因素及其相关阈值。主要结论如下：（1）六种ESs表现出空间异质性，并在不同空间尺度上呈现大致一致的下隆趋势。从1990年至2020年，土壤保持（SR）在四个空间尺度上降幅最大（14.56–14.57%），其次是产水量（WY；11.20–11.29%）和食物生产（FP；7.52%），而景观美学（LA）降幅最小（1.36%）。（2）ESs之间的交互模式在各空间尺度上大致一致。协同关系主要出现在生境质量（HQ）、SR、碳储存（CS）和LA之间，Spearman相关系数通常在0.49至0.92之间（多数p < 0.001），而权衡关系主要出现在FP与其他ESs之间。（3）ES簇在不同空间尺度上存在差异，分别识别出8、6、6和5种簇类型；然而，在给定空间尺度内，其空间分布在四个研究时期内相对稳定，并观察到不同簇类型之间的转换。（4）驱动因素的相对重要性在不同ESs、时间阶段和空间尺度之间存在显著差异。不同景观类型的面积比例是生境质量、碳储存、食物生产和景观美学的主要驱动因素，而土壤保持和产水量主要受生物物理指标影响。主要驱动因素在不同时空背景下均表现出相对稳定的阈值效应。这些发现加深了对ESs多尺度交互及其驱动机制的理解，并为中国沿海城市及全球其他沿海地区的可持续发展提供了科学依据和决策支持。
**论文解读：中国沿海城市生态系统服务交互的时空异质性及其跨尺度驱动机制——一项基于XGBoost–SHAP的多尺度分析**
**研究背景与问题**
沿海城市作为陆海生态系统的关键界面，承受着快速城市化、土地利用变化和气候变化的叠加压力，导致生态系统服务（Ecosystem Services, ESs）持续退化。以往研究多聚焦于单一时间或空间尺度，难以揭示ESs长期动态、跨尺度差异及非线性驱动效应的复杂交互。例如，权衡/协同关系在网格与行政尺度上可能呈现不同模式，而驱动因素（如景观比例、社会经济指标）对ESs的影响常存在阈值效应，但传统线性模型（如多元回归、地理探测器）无法准确捕捉这些非线性关系。因此，亟需一个整合多时间、多尺度的分析框架，以系统揭示ESs交互的时空异质性及其关键驱动机制，为区域可持续空间规划提供科学依据。
**研究内容与结论**
针对上述问题，研究人员以中国53个沿海城市（因数据限制排除台湾、澳门、香港）为研究区，构建了1990–2020年四个时期（1990、2000、2010、2020）的跨尺度分析框架。采用InVEST模型量化了六类ESs：生境质量（Habitat Quality, HQ）、土壤保持（Soil Retention, SR）、碳储存（Carbon Storage, CS）、产水量（Water Yield, WY）、食物生产（Food Production, FP）和景观美学（Landscape Aesthetics, LA）。在2 km、5 km、10 km网格和县级四个空间尺度上，通过Spearman相关和地理加权回归（Geographically Weighted Regression, GWR）分析权衡/协同关系的空间异质性，利用自组织映射（Self-Organizing Map, SOM）识别ES簇，并应用XGBoost–SHAP模型（Extreme Gradient Boosting结合Shapley Additive exPlanation）识别关键驱动因素及其非线性阈值效应。
主要结论表明：（1）六种ESs在空间上呈现“北低南高”（HQ、CS、WY、LA）或“北高南低”（FP）的格局，1990–2020年间均呈下降趋势，其中SR降幅最大（14.56–14.57%），LA降幅最小（1.36%）。（2）协同关系主要存在于HQ、SR、CS、LA之间，权衡关系集中在FP与其他ESs之间；尺度增大时，涉及WY的协同增强，而FP相关权衡在县级尺度减弱。（3）不同尺度分别识别出8、6、6、5种ES簇，簇内服务组成具尺度依赖性，但同一尺度内簇的空间分布相对稳定，并观察到簇类型间的转换。（4）HQ、CS、FP、LA主要受景观比例（如森林覆盖比例FOREST、耕地比例CROP）驱动，而SR和WY主要受生物物理因子（如坡度SLOP、降水PRE）影响；关键驱动因素均表现出明确的非线性阈值效应（如FOREST对HQ的正向效应在覆盖率>30%时显著增强）。
该研究发表在《Land》期刊，其多尺度分析框架为理解ESs交互的时空动态提供了新视角，对沿海城市及全球类似区域的生态系统管理和空间规划具有重要启示。
**主要技术方法**（不超过250字）
研究人员采用InVEST模型量化六种ESs（HQ、SR、CS、WY、FP、LA），数据来源包括土地利用、气象、数字高程模型（DEM）等，所有栅格重采样至1 km×1 km以统一尺度。通过Spearman相关分析全局权衡/协同，并用GWR揭示空间异质性；利用SOM识别ES簇。关键驱动因素分析基于XGBoost–SHAP模型：选取16个候选驱动因子（景观比例、景观格局指数、生物物理指标、社会经济指标），通过R2、RMSE、MAE比较XGBoost、随机森林等模型后，选择XGBoost建立ESs与驱动因子的关系，并用SHAP值量化因子贡献度及方向，进一步通过SHAP依赖图识别非线性阈值效应。研究时段覆盖1990–2020，空间尺度涵盖2 km、5 km、10 km网格和县级。
**研究结果**
**3.1 ESs的时空变化**
通过InVEST模型计算各时期ESs值，发现六种ESs在1990–2020年间空间分布格局相对稳定，但存在明显南北梯度。SR、WY、FP在2000–2010年间出现阶段性回升，但整体均呈净下降趋势；下降幅度随尺度微小变化（如SR在四个尺度下降14.56–14.57%），表明ESs变化趋势对尺度不敏感，而空间异质性由土地利用和地形主导。
**3.2 ES对之间的权衡与协同**
Spearman相关分析显示，HQ、SR、CS、LA之间多为协同（相关系数0.49–0.92，p<0.001），而FP与其余ESs多为权衡（最强为FP-HQ，r=-0.63，p<0.001）。GWR结果表明，空间上协同区域集中在高海拔森林覆盖的南方沿海，权衡区域主要在FP相关对中，且随尺度变粗，FP相关权衡的空间集中度下降，而WY相关协同增强。1990–2020年间，多数ES对交互关系随时间变化，如FP-HQ的权衡区域比例在县级尺度上升。
**3.3 ES簇的时空格局**
SOM识别显示，2 km、5 km、10 km网格和县级尺度分别有8、6、6、5种ES簇类型。高值协同簇、城市簇、CS–HQ–LA协同簇在不同尺度间空间分布相似，而生态过渡簇（2 km网格）和水簇（县级）具有尺度特异性。同一尺度内，簇类型在四个时期的空间分布相对稳定，但存在簇间转换（如部分区域从生产簇转向生态退化簇）。
**3.4 ESs关键驱动因素的时空识别**
XGBoost–SHAP分析揭示，驱动因素的重要性随ES类型、时期和尺度变化。HQ、CS、FP、LA的主要驱动因素为景观比例（如FOREST、CROP、BUILD），而SR和WY主要受生物物理指标（SLOP、PRE）控制。在县级尺度，社会经济指标（如夜间灯光NIL、人口密度POP）的重要性显著上升。SHAP摘要图表明，FOREST对HQ、CS、LA呈正向效应，CROP和BUILD对HQ、LA呈负向效应；PRE对WY和SR正向贡献显著。
**3.5 关键驱动因素的非线性关系与阈值效应**
SHAP依赖图显示，所有ESs的关键驱动因素均存在非线性关系及阈值。例如，HQ的FOREST阈值约为30%（覆盖率低于30%时负向影响，高于30%时正向增强）；SR的SLOP阈值在网格尺度约为3.9°，县级约2.7°；CS的NDVI阈值约40%；WY的PRE阈值约1180 mm（网格）和1129.69 mm（县级）；FP的CROP阈值随时间从1990年的50.01%降至2020年的42.02%。这些阈值在不同时期和尺度间相对稳定，表明其具有普遍指导意义。
**讨论与结论**
讨论部分指出，ESs的时空动态与土地利用变化及人类活动密切相关，FOREST、SLOP、PRE等因子通过阈值效应影响ESs，为空间规划提供了可操作的管理节点。例如，在森林覆盖率低于30%的区域应优先实施造林以提高HQ和CS；在坡度大于3.9°的区域应加强水土保持措施。研究还强调，多尺度评估有助于协调不同行政级别的管理需求，并建议将ESs权衡/协同信息纳入空间管控，以平衡生态保护与生产功能。
研究结论部分翻译如下：
（1）1990–2020年间，中国沿海城市六种ESs的空间分布相对稳定，呈现明显的南北梯度：HQ、CS、WY、LA呈“北低南高”格局，FP相反。
（2）协同关系主要存在于HQ、SR、CS、LA之间，集中在高海拔森林区域；权衡主要发生在FP与其他ESs之间，且随尺度向县级变粗，ESs权衡/协同的空间集中度减弱（尤其FP相关），而WY相关协同增强。
（3）四个空间尺度分别识别出8、6、6、5种ES簇，簇组成随尺度而异，且研究期间存在簇类型转换。
（4）XGBoost–SHAP模型揭示，HQ、CS、FP、LA主要受景观比例因子影响，SR和WY主要受生物物理因子驱动；不同尺度上关键驱动因素的重要性存在差异，并在县级尺度变化更显著。该模型有效识别了多时空维度上ESs关键驱动因素的阈值效应，克服了传统方法在捕捉复杂生态系统动态方面的局限。
