旅游驱动的海岸土地利用变化及栖息地质量建模：基于可解释人工智能的替代发展路径对环境管理的启示

《Ocean & Coastal Management》：Modeling tourism-driven coastal land-use change and habitat quality under alternative development pathways: Implications for environmental management from explainable AI

　　

## 摘要

研究区是一座旅游驱动的沿海城市，是地中海地区开发压力与生态敏感性结合方面最敏感的区域之一。本研究整合了基于随机森林的转换潜力建模、基于马尔可夫的基线需求、基于元胞自动机的空间分配、基于SHAP的驱动因子解释以及InVEST栖息地质量模型，以预测未来土地利用变化并评估其对栖息地质量的影响。研究结果表明，1990年至2025年间，人工地表面积增加了3.5倍，主要集中在沿海和河谷区域，导致半自然植被逐渐破碎化。这是由于旅游开发带来的压力日益增加所致。所选的元胞自动机配置的整体精度为0.715，表明2025年观察到的土地利用格局与模拟结果之间存在中等一致性。到2075年，在SSP1情景下，人工地表面积达到62.6 km2；在BAU情景下为66.8 km2；在SSP5情景下为76.6 km2。平均栖息地质量从2025年的0.566分别下降至0.548、0.530和0.508。这些截然不同的轨迹表明，紧凑开发和加强对旅游驱动型沿海扩张的控制对于可持续的沿海土地管理至关重要。

## 引言

在人类世，人类活动已深刻改变了陆地生态系统。土地利用与土地覆盖变化是全球环境变化的主要驱动力之一，影响着生态过程、景观结构以及系统功能（Foley等，2005；Rockstr?m等，2009；Karadeniz和Sunbul，2023）。自然生态系统大规模转变为农业和城市场地导致栖息地破碎化、生物多样性丧失以及对维持人类福祉的生态系统服务的干扰（Costanza等，2014；Newbold等，2015）。根据最近的全球评估，四分之三的陆地生态系统已受到人类活动的强烈影响，近一百万个物种面临灭绝威胁（IPBES，2019）。理解土地利用与土地覆盖变化的空间模式和生态影响已成为土地利用变化科学和生态信息学中的重要研究课题，其中数据驱动建模在分析复杂的社会-生态系统中发挥着越来越重要的作用（Kiani等，2025）。

这些变化在沿海地区尤为明显，这些地区兼具高生态敏感性和强烈的经济活动。高度生产力的生态系统和生物多样性热点与因旅游驱动型城镇化和基础设施增长而面临重大压力的地区并存。旅游业已成为全球经济增长最快的行业之一，占全球GDP的10%以上，并在沿海地区迅速发展（WTTC，2024）。酒店、第二住宅、码头和交通基础设施均可能导致自然景观转变为城市场地，造成栖息地破碎化、沿海退化及生物多样性丧失（Arabadzhyan等，2020；Smith等，2022）。在某些地区，这一过程——被称为旅游驱动型城镇化——已成为土地利用变化的主要贡献者（Jurado等，2012；Liu等，2021）。

地中海盆地是旅游发展与生态敏感性双重关系的杰出例证。它是地球上最重要的生物多样性热点之一，植物特有性极高（Myers等，2000），但同时也是全球最密集的旅游形式之一的所在地（Plan Bleu，2021）。这在土耳其尤为明显，过去三十年间，该国西南部经历了快速的旅游引发的土地利用变化。博德鲁姆、马尔马里斯和费特希耶是热门旅游目的地，其中后两者因旅游投资和第二住宅所有权而经历了土地利用转变（Cinar等，2024）。

费特希耶地区尤其拥有重要的生态系统，包括奥尔图丹尼兹潟湖和本土东方甜胶树森林（*Liquidambar orientalis*），但同时该地区也因旅游增长和人口增加而承受日益增加的开发压力。这导致农田进一步破碎化和森林-沿海过渡带的退化，影响栖息地质量和系统韧性。要研究此类土地利用转变过程，需要建模方法，以便追溯土地利用开发的历史并预测未来的土地利用发展趋势。传统的土地利用变化模型，如马尔可夫链方法，被广泛用于基于历史转换概率的外推来估计土地利用需求（Kamusoko和Gamba，2015；Sunbul等，2025）。尽管这些模型在估计土地利用变化量方面很有帮助，但它们可能不足以建模环境和社会经济因素之间的空间复杂性和非线性关系。受旅游活动影响的沿海景观代表了极其动态的社会-生态系统，受到可达性、基础设施发展、政策决策和经济激励的影响（Lambin等，2001）。最近，整合机器学习算法和空间模拟模型的混合建模方法越来越多地被用于更好地建模复杂的土地利用转变过程（Jaijit等，2025；Esen等，2026；Karadeniz等，2026a）。

随机森林（RF）算法已成为土地利用建模中最受欢迎的机器学习算法之一，因为它解决了非线性、大数据量以及独立变量多重共线性问题（Breiman，2001；Zhang等，2023）。RF模型可用于学习环境与人为因素之间的复杂相互作用，以预测土地转换概率。尽管机器学习模型具有良好的预测能力，但通常可解释性较低，这也被称为"黑箱"问题。低可解释性限制了机器学习模型在环境规划和决策制定中的应用，这需要对空间变化的潜在机制进行理解。

最近，XAI（可解释人工智能）为该问题提供了新的可能性（Wang等，2025）。例如，SHAP（SHapley加性解释）具有计算机器学习模型中独立变量相对重要性并解释复杂模型结果的能力（Lundberg和Lee，2017）。了解土地利用变化如何发生、在哪里发生以及为什么发生是很重要的。理解土地利用变化背后的潜在驱动因素有助于确定适当的政策来管理土地利用变化并确保可持续发展。然而，仅预测土地利用变化是不够的。即使地图显示仍有自然植被覆盖，某些地块可能仍因破碎化、边缘效应以及靠近人类活动而遭受严重的生态功能退化（Heilmayr等，2020）。尽管许多土地利用与土地覆盖建模研究主要关注城镇化或郊区化的空间模式，而忽略了生物多样性及生态系统功能的潜在风险，但生态系统服务建模框架有助于将土地利用变化与生物多样性风险联系起来。例如，InVEST栖息地质量模型可提供栖息地质量评估、优先保护生物多样性区域以及量化不同土地利用情景下栖息地退化方面的有用信息（Terrado等，2015；Cong等，2020；Natural Capital Project，2026）。

未来在不同社会经济路径下的空间转变如何预测仍是一个未解的问题。然而，以历史趋势为基础来预测未来土地利用在像沿海地区这样的旅游主导环境中可能过于简化。基于情景的建模提供了一种更好的替代方案，可以纳入可能的未来，从而使我们能够评估不同社会经济路径对土地利用和环境问题的潜在影响。IPCC开发的共享社会经济路径（SSPs）用于评估不同的社会经济轨迹如何影响土地利用和环境结果（Popp等，2017；Li等，2025；O'Neill等，2014）。通过SSPs整合空间建模技术和全球社会经济叙事，研究人员可以研究不同政策和开发情景的长期生态效应。

然而，尽管土地利用变化建模取得了最新进展，但仍存在几个重要的研究空白需要解决。大多数现有研究集中于预测土地利用变化模式或评估生态系统服务的响应，很少有研究试图将两者结合到一个统一的建模框架中。机器学习技术越来越多地用于分析土地利用变化问题，但大多数研究的可解释性不强，特别是在考虑具有复杂社会经济和环境因素相互作用的旅游驱动型沿海地区时。我们开发了一个广泛的建模框架，将机器学习、可解释人工智能、空间模拟和生态系统服务评估整合在一个分析框架中。本研究在三个方面做出了贡献。首先，本研究结合了基于随机森林的转换建模和SHAP可解释人工智能，以分析和解释旅游引发的土地利用转变的驱动力。其次，本研究结合了RF-CA混合模拟模型和InVEST栖息地质量模型，将土地利用变化预测与生物多样性相关的生态影响直接联系起来。第三，本研究建立了基于马尔可夫的常规发展（BAU）参照，并将其与SSP1（可持续性）和SSP5（化石燃料驱动发展）路径进行比较，以评估不同的发展轨迹如何重塑地中海沿海旅游系统中的土地利用模式和栖息地质量。通过将可解释机器学习与生态系统服务建模相结合，该框架为可持续的沿海土地管理提供了一个透明且空间明确的决策支持平台。

## 研究区域

费特希耶位于土耳其西南部的穆拉省，地处西地中海盆地的边界。它是一个地形复杂的典型地区，由西部塔乌斯造山带的陡峭碳酸盐岩块经过构造运动转变为曲折的海岸线组成。根据柯本气候分类法，该地区属于Csa气候类型，呈现地中海地区的典型气候，即夏季炎热干燥，冬季……

## 生物物理与人为驱动因子的空间结构

土地利用变化建模框架中使用的八个独立驱动变量的空间模式清楚地揭示了费特希耶地区的层次结构（图2）。地形属性如海拔（从海平面0 m到1962 m，图2a）和坡度（从0°到72.27°，图2b）在低海拔且易于到达的海岸线和河谷与坡度较陡、不易受人类活动影响的山地高原地区之间形成了明确的界限。

## 旅游驱动型城镇化的特征与区域比较

结果表明，人工地表面积从1990年的14 km2增加到2025年的48 km2。扩张速率快于Liu等（2021b）在中国研究旅游城镇化问题时所报告的速率，该研究表明增长率已达到平台期。这表明费特希耶在研究期间的发展压力尚未停滞，并遵循旅游目的地承载力的原则……

## 结论

本研究整合了基于随机森林的转换潜力建模、元胞自动机分配、SHAP解释、基于马尔可夫的情景需求和InVEST栖息地质量模型，以研究费特希耶的旅游驱动的沿海土地利用变化。1990年至2025年间，人工地表面积从14 km2扩展到48 km2，混合植被从291 km2减少到250 km2，森林从73 km2增加到135 km2。空间交叉验证表明，XGBoost在某些分类上表现优于……

## CRediT作者贡献声明

Enes Karadeniz：撰写-初稿、验证、软件、方法学、调查、形式分析、数据管理、概念化。Fatih Ad?güzel：撰写-审阅与编辑、撰写-初稿、验证、监督、方法学、调查、数据管理。Maomao Zhang：撰写-审阅与编辑、撰写-初稿、软件、方法学、形式分析、概念化。Xi Wei：可视化、验证、软件、数据管理。Handan Ucun ?zel：资助。

## 资助

本研究未获得公共、商业或非营利部门的任何专项资助。

## 利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。

Enes Karadeniz | Fatih Ad?güzel | Maomao Zhang | Xi Wei | Handan Ucun ?zel | Halil Bar?? ?zel