《Ecological Indicators》：Urban EcoScore index-based assessment of biophilic potential and habitat-structural condition of the Kolkata metropolitan area
编辑推荐：
城市可持续性评估对于应对快速城市化与环境压力至关重要，尤其是在加尔各答都会区（Kolkata Metropolitan Area, KMA），该区域的土地利用变化正导致生态退化。本研究开发并评估了城市生态系统评分指数（Urban EcoScore Index,
城市可持续性评估对于应对快速城市化与环境压力至关重要，尤其是在加尔各答都会区（Kolkata Metropolitan Area, KMA），该区域的土地利用变化正导致生态退化。本研究开发并评估了城市生态系统评分指数（Urban EcoScore Index, UESI），作为一种评估KMA亲生物潜力与栖息地结构状况的方法，整合了三个维度的六项生态指标：生态完整性、人为压力以及自然要素空间邻近性。每项指标在聚合前均先验地导向共同的生态方向，指标权重通过主成分分析（Principal Component Analysis, PCA）推导而非依赖专家判断。该评估采用遥感和机器学习技术来模拟生态关系，并使用可解释人工智能（Explainable AI, XAI）方法（如SHAP）来解读这些模型。UESI评估显示KMA存在显著的空间分异，21.9%（384 km2）的区域被归类为“差”（Poor），集中在城市核心区。相比之下，24.7%（433 km2）属于“良”（Good）类别，而8.6%（151 km2）达到“优”（Excellent）状况（UESI > 0.8），主要集中在生态敏感区。中间的“一般”（Fair，445 km2，25.4%）和“中等”（Moderate，339 km2）区域表示可通过恢复提升生态功能的过渡地带。基于SHAP的分解识别出潜在物种丰富度和人类干扰是对综合指数空间变异性贡献最大的指标，这与城市生态学中关于生物多样性和土地利用的更广泛证据一致。UESI可作为亲生物潜力的筛选级诊断工具，但未评估实际的人与自然互动、生物多样性或分配公平性，因为评估这些需要实地调查和社会人口数据，而非本研究采用的遥感替代指标。
**城市生态系统评分指数框架下的加尔各答都会区亲生物潜力与栖息地结构状况评估：一项综合遥感与机器学习研究**
**一、研究背景与问题提出**
快速城市化已成为全球生态系统退化的主要驱动因素之一，据估算全球10%的生态区内集中了预测物种损失的80%，其根源在于自然景观被不断转化为建成环境。此类影响具有复杂性和空间不均衡性：经济驱动型和创新驱动型城市化虽可能最终产生生态效益，但景观城市化通常通过土地退化、污染和资源枯竭导致生态系统退化。作为印度新兴经济体中的典型代表，加尔各答都会区（Kolkata Metropolitan Area, KMA）正经历快速的城市蔓延，非建成区持续转化为建成环境，围绕紧凑的城市核心形成碎片化增长格局，对区域生态健康产生深远影响。
在应对这一挑战的理论范式中，亲生物城市主义（biophilic urbanism）将自然重新定义为嵌入城市肌理的关键基础设施，而非单纯的美学点缀，旨在通过城市绿化、栖息地恢复、绿色屋顶、生态墙和城市森林等手段增强环境韧性与社会健康。然而，现有城市亲生物潜力评估方法存在显著不足：诸如归一化植被指数（NDVI）和遥感生态指数（Remote Sensing Ecological Index, RSEI）等广义遥感指数虽能提供有价值的生态存在与状况信息，但无法捕捉亲生物功能；压力-状态-响应（Pressure–State–Response）模型虽能刻画社会-生态动态，却缺乏空间粒度，且无法表征指标间的非线性交互。此外，现有框架未能解决城市空间为人类-自然接触提供物理机会的程度问题——这区别于单纯的植被覆盖。自然空间的可达性配置及其在都市区的邻近性与分布仍未得到充分表征，这一缺口在高密度聚居环境中尤为关键。为此，本研究提出并评估了城市生态系统评分指数（Urban EcoScore Index, UESI），旨在整合生态完整性、人为压力和空间邻近性三个维度的六项指标，为KMA的亲生物潜力和栖息地结构状况提供空间显式的诊断工具。
**二、数据来源与技术方法**
本研究的数据来源涵盖多个公开平台与政府机构：道路和铁路数据来自OpenStreetMap（OSM）；空气质量与噪声数据来自中央污染控制委员会（CPCB）和西孟加拉邦污染控制委员会（WBPCB）；生物多样性信息来自KMA发展局（KMDA）和加尔各答市政公司（KMC）；Landsat-8 OLI/TIRS多光谱卫星数据（30 m分辨率）、SRTM DEM（30 m）来自USGS地球资源观测与科学中心；夜间灯光（NTL）强度与能源消费（EC）来自NOAA-VIIRS数据集（1000 m分辨率）；全球人类居住层（GHSL）提供建筑高度、人口集中度和聚落特征数据；Sentinel-5P（约7.5 km网格化）用于大气污染物分析。所有时变数据统一配准至2025参考年，土地利用/覆盖（LULC）分类采用随机森林（Random Forest, RF）分类器，基于2500个参考样本训练，独立验证样本500个，总体精度93%，Kappa系数0.84。研究采用六阶段分析流程：指标计算（HDI、ERS、MRSEI、BEI、PII、SR）、PCA权重确定与UESI生成、UESI分类、RF-SHAP分解、空间自相关分析（全局Moran's I、LISA、Getis-Ord Gi*）以及稳健性检验（相关分析与权重对比）。
**三、研究结果**
**3.1 各指标空间分异特征**
MRSEI由GNDVI、MNDWI、IBI、MBSI、LST和AQI六项子指标通过PCA整合而成，空间分析显示一致的核心-边缘梯度：生态条件从外围和半乡村地带向高密度城市化的KMA中部和南部逐渐恶化。GNDVI值范围-0.16至0.47，高值集中在包含农业用地、公园和绿地的外围及半乡村区域；MNDWI值范围-0.54至0.32，胡格利河沿线最高；IBI值范围-0.38至0.48，高值集中在KMA中部和南部，表明高强度城市化；MBSI在南部较高，反映不透水面和热岛效应脆弱性；LST范围21.22°C至39.31°C，最高值集中在密集建成区；AQI范围54至143，中部和北部较高。
HDI整合了人口集中度（PC）、道路密度（RD）、能源消费（EC）和土地利用/覆盖（LULC）四项指标。KMC中心PC最高达每平方公里30542人；中心区RD最高达36.5 km/km2；EC通过夜间灯光强度估算（EC = 0.2268 × TDN + 7022.8）。LULC分析显示建成区占50.46%（884 km2），农业用地占31.56%（553 km2），植被覆盖占10.27%（180 km2），水体占7.48%（131 km2），开放土地仅占0.23%（4 km2）。
PII整合四个距离指标：距建成区距离（DBU）、距交通网络距离（DTR）、距植被距离（DVJ，范围0–9.5 km）和距水体距离（DWA，范围0–14 km）。各层在聚合前经方向校正：距植被和水体距离取反（近者高分），距建成区和交通距离直接输入（远者高分），使PII成为净生态邻近性的正指标。
ERS由LULC（权重0.5）、NTL（0.3）、噪声（0.2）、坡度（0.1）和海拔（0.1）构成，其中海拔在整个KMA范围内（-42至62 m）被赋予单一均匀阻抗值，因此不贡献空间变化。BEI整合建筑高度（BH，最高可达59 m）、建筑密度（BD）和建筑特征（BC），其中非住宅高层（>30 m）效应强度为1.0。SR基于景观破碎度（LF）和生物完整性指数（Biodiversity Intactness Index, BII）估算，核心自然栖息地（91 km2）得分1.0，人类改造区（1441 km2）得分0.1。
**3.2 UESI分类与空间格局**
UESI分类结果显示：差（Poor）类384 km2（21.9%），集中于高度城市化的中部核心区；一般（Fair）类445 km2；中等（Moderate）类339 km2；良（Good）类433 km2（24.7%）；优（Excellent）类151 km2，主要分布在生态敏感区，以东加尔各答湿地（East Kolkata Wetlands, EKW）核心区为代表。横断面分析（AB西-东、CD西北-东南）呈现一致的U形趋势：UESI值从边缘约0.9降至城市中心低于0.2，再向另一侧上升，印证城市化强度与UESI所捕获的生物物理条件呈反向关系。
**3.3 空间自相关分析**
全局Moran's I为0.3949（z = 10.5486，p < 0.001），表明中等的、统计显著的正空间自相关。LISA分析识别出KMA中部的低-低（Low-Low）簇、外围（特别是EKW核心区）的高-高（High-High）簇、城市退化基质中的高-低（High-Low）生态飞地以及EKW缓冲区内的低-高（Low-High）压力区。热点分析在95%和99%置信水平上确认了中部和南部KMA的显著生态退化热点及北部和外围地区的显著冷点。
**3.4 SHAP分解与模型评估**
SHAP分析显示SR（平均绝对SHAP值最高）和HDI（中高排名）对UESI空间变异贡献最大，PII和BEI呈现局部化影响，ERS和MRSEI整体值最低但均呈非线性趋势。子因子层面：LULC是ERS和HDI的主要驱动因子；IBI和LST是MRSEI最有影响的子因子；BH和BD是BEI的主驱动因子；DVJ和DBU是PII的最强预测因子；LF对SR影响最大。RF模型在测试集上达到95.00%准确率、95.92%精确率、94.00%召回率、96.00%特异性和F1分数94.95%，AUC-ROC为0.961；5折交叉验证回归模型平均R2为0.940，RMSE为0.041，MAE为0.017。
**3.5 相关性与稳健性检验**
Pearson相关矩阵显示UESI与SR（0.84）和MRSEI（0.71）强正相关，与HDI（-0.84）和ERS（-0.83）强负相关，与BEI中等负相关（-0.69），与PII中等正相关（0.49）。与等权重方案相比，PCA权重分类在“退化”（差+一般）面积上几乎一致（47.3%对47.7%），“高质量”（良+优）面积略有差异（33.3%对36.6%），整体空间格局对权重选择具有合理稳健性。
**四、讨论与结论**
**4.1 讨论**
本研究发现KMA存在显著的城市-乡村生态梯度，该梯度由土地利用强度和人为压力塑造。SHAP分解显示SR和HDI构成UESI内部变异的最大来源，与独立生态证据一致。研究将机器学习与可解释人工智能（XAI）相结合，突破了传统黑箱模型的局限，使规划者能够识别哪些组成指标对综合得分贡献最大。政策应用方面，UESI分类为KMA提供了差异化的生态干预基础：差类区域需要强化城市绿化和热岛缓解；一般和中等区域适合生态恢复和绿色廊道连通；良和优类区域应进行保护性区划。
研究存在若干方法学限制：RF-SHAP模型属于内部结构分解而非独立生态因果验证；随机的70:30训练-测试划分未采用空间分块，反映的是研究区内预测一致性而非空间可迁移性；多源数据统一至30 m网格未创造真实精细尺度信息；PII基于欧氏距离而非实际可达性；SR通过景观代理而非实地调查估算。未来需优先推进空间分块交叉验证、尺度敏感性分析、分类和权重方案对比、实地生物多样性调查验证SR、以及RF-SHAP与外部非构成性生态结果的对照测试。
**4.2 结论**
本研究开发并内部验证了UESI作为KMA亲生物和栖息地结构潜力的筛选级、空间显式诊断框架。通过PCA权重和RF-ML建模整合环境完整性指标（SR, MRSEI）、人为压力指标（HDI, BEI, ERS）和空间邻近性指标（PII），UESI相比传统单参数指数实现了更高的诊断深度。SHAP分析表明SR和HDI构成内部变异的最大份额，这与关于生物多样性和土地利用管理的更广泛证据一致，而非确立因果驱动因素。研究结果揭示了显著生态梯度：城市核心区和工业区在超过800 km2范围内退化（UESI < 0.4），而外围和半乡村地带（特别是EKW）在584 km2范围内达到良至优表现（UESI 0.6–1.0）。该梯度要求分区干预：退化核心区实施密集绿化和基于自然的解决方案，敏感外围区进行保护性区划，过渡区实施生态恢复。UESI可定位为治理支持工具，其融入区划、环境影响评价和监测框架能够支持与可持续发展目标（SDGs）11、13、14和15相契合的绩效导向规划。该框架可适应于其他全球南方城市，但需进行本地化重新校准而非直接复用：PCA权重、夜间灯光-能源系数和分类阈值均须根据当地条件重新推导。UESI为识别优先区域提供了科学基础工具，但要实现其对居民实际福祉的潜在贡献，仍需补充本研究范围之外的社会、健康和行为数据。
