在提升城市植被增长抵消量方面，渐进式资源分配优于均等策略：来自中国19个城市群的DSTFormer-SHAP建模证据

《Environmental Impact Assessment Review》：Progressive resource allocation outperforms uniform strategies in enhancing urban vegetation growth offset: Evidence from DSTFormer-SHAP modeling across China's 19 urban agglomerations

　　

摘要

城市化通过直接的用地转换方式破坏植被，同时通过间接的环境改变刺激残存植被的生长。增长补偿系数（GO）用于衡量间接增强对直接损失的补偿程度，是评估植被增长补偿能力的关键指标；然而，GO所蕴含的非线性响应机制、时间滞后结构以及最优管理策略目前尚缺乏深入理解。本研究开发了一种将时空Transformer与SHAP分析相结合的DSTFormer模型，并将其应用于中国19个主要城市群中227个城市2001年至2022年的面板数据。结果表明，GO以0.0043 yr^?1的速率上升，其中间接增强（Ind）的增速（0.0065 yr^?1）快于直接损失（DI）的加深速率（?0.0021 yr^?1），但在整个研究期间，城市化对植被的净效应仍为负值。SHAP归因分析发现，森林景观连通性（FLCOHESION）是GO变化的首要正向预测因子，不透水面斑块数量（IMNP）则是与GO变化相关的主要破碎化约束因子。时间滞后结构在不同城市群类型间呈现系统性差异：全样本和优化提升型城市群表现出较强的近期贡献，而培育发展型城市群则保留了较强的历史贡献。在相同的总调整预算下，渐进式时间分配方式与更大的预测GO增益相关联，而均匀分配方式则效果较差。空间聚类分析进一步识别出三种需要差异化干预的调控机制：景观组成与基础设施环境混合型、连通性-破碎化约束型，以及建成环境形态与管理环境耦合型。这些发现表明，提高GO与发挥非线性杠杆效应、追求协同协同优化以及采取时间渐进、因地制宜的绿化策略密切相关。

引言

城市化正以前所未有的速度重塑陆地生态系统（Sun等人，2025）。全球超过一半的人口现在居住在城市地区，预计到2050年这一比例将达到三分之二（联合国，2025），不透水面扩张已成为最普遍的人类土地利用变化形式之一（Chen等人，2026；Li等人，2023）。在中国，城市建成区面积从2001年的2.4万km²扩大到2023年的6.45万km²，二十年间增长了2.7倍（中华人民共和国住房和城乡建设部，2025）。这种物理转变深刻地改变了区域气候、大气成分和水文过程（Pei等人，2025；Sethi和Vinoj，2024；S. Wang等人，2025；Xia等人，2025；F. Yang等人，2025），并对城市植被产生级联效应——城市植被是城市生态系统服务的基础层，负责调节热量、固碳、支持生物多样性并维持人类宜居性（Chen等人，2025a；Dallimer等人，2016）。因此，阐明城市化与植被动态之间相关性的预测途径，既是一个基本的生态学问题，也是可持续城市规划的重要需求。

城市化对植被的影响通过直接和间接两条途径发挥作用（S. Zhao等人，2016）。直接影响主要呈负面：不透水面扩张侵占生态用地，降低植被覆盖度并抑制光合作用（Kang等人，2025；Liu等人，2025a）。间接影响则源于城市热岛效应、CO₂浓度升高以及对绿色基础设施的人工管理，通常表现出促生长的效果（Chen等人，2025b）。汇聚性的证据表明这些间接正面效应广泛存在：在中国32个主要城市（S. Zhao等人，2016）、美国377个大都市区（W. Jia等人，2018）以及全球672个城市中，97%的城市表现出了城市化驱动的植被生长间接刺激作用（Zhang等人，2025a、Zhang等人，2025b）。增长补偿系数（GO），定义为间接植被增长增强与直接植被损失之比，为城市化压力下城市植被的补偿能力提供了一个无量纲度量。较高的GO值表示残存植被补偿土地转换导致的绿色损失的能力更强，而较低或负值则表明补偿能力有限或植被进一步退化。例如，GO值为0.5表明间接植被增长增强可补偿城市扩张造成的直接绿色损失约一半，而接近1的值则表示植被绿色度实现近乎完全的补偿。现有证据表明GO在不同城市、时间以及城市群类型之间存在差异；然而，这种异质性背后的模式及其潜在的管理应用尚未得到充分理解，这促使了本研究的开展。

尽管已有相当大的进展，三个关键的知识空白制约了机制性理解和基于证据的植被管理。第一，现有研究大多通过线性或准线性框架分析城市化-植被关系（W. Chen和Chi，2022；You等人，2024），未能捕捉驱动因子之间固有的非线性剂量-响应动态和交互效应。近期研究已开始着手解决这一问题——使用机器学习（Wei等人，2021）和SHAP来识别非线性预测因子（G. Jia等人，2025；Kang等人，2025；Zhang等人，2025a、Zhang等人，2025b），或使用空间机器学习来考虑地理异质性（T. Gu等人，2025；Z. Zhao等人，2025）。然而，尚无研究在统一框架内同时整合时间滞后结构、城市间空间依赖关系和非线性特征交互。这一局限性十分重要：时间滞后效应决定了景观干预的效益是在单个生长季节内实现还是跨多个年份逐步显现，直接影响分时段管理策略的成本效益。第二，先前分析主要聚焦于单个城市或单一城市群（Liu等人，2025a、Liu等人，2025b；Shen等人，2022），限制了研究结果在真实城市化所具有的多样气候、发展治理背景中的可推广性。中国19个国家城市群——容纳超过75%的城市人口并贡献超过80%的国家GDP——为检验预测模式的可推广性提供了有价值的场景，但文献中尚缺乏对GO的系统性跨城市群比较分析。第三，现有归因研究尚未推进到基于场景的定量优化阶段：将驱动因子重要性排序转化为可操作的、目标导向的管理策略——考虑非线性响应阈值、交互协同效应和时间资源配置效率——鲜有探索。综合而言，这些空白意味着当前知识无法回答对城市规划师至关重要的两个问题：在什么时间、以何种组合实施哪些干预措施，才能最高效地提高城市植被补偿能力？

为解决上述问题，本研究基于一种新型时空Transformer架构开发了集成的DSTFormer-SHAP分析框架，并将其应用于中国19个主要城市群中227个城市的面板数据（2001?2022年），设定四个研究目标：（1）量化GO的时空动态；（2）识别GO的主要关联预测因子并刻画其非线性模式、时间滞后效应和空间异质性；（3）通过情景模拟确定资源的最优时序和配置路径；（4）推导定制化、分群化的植被管理建议，从而为可持续城市规划提供可规模化的决策支持框架。在追求这些目标的过程中，本研究做出了三项贡献。第一，DSTFormer架构在统一框架内联合建模时间滞后效应、城市间空间相关性和非线性特征交互，克服了现有基于树的机器学习方法在表征序列依赖和空间上下文方面的结构性不足。第二，基于该架构，本研究系统地量化了GO预测因子中的时间滞后效应，揭示了滞后结构在不同城市群类型间存在系统性差异，这一发现对管理干预的时机选择具有直接启示。第三，本研究通过主导因子驱动的情景模拟和目标导向优化，将预测因子归因与管理应用相衔接，同时比较了在相同资源约束下渐进式与均匀式时间分配策略的有效性。

各节摘要

材料与方法

图1展示了本研究的整体工作流程。我们首先量化了城市化对植被的直接（DI）和间接（Ind）效应及其补偿系数（GO）。然后选择关键预测因子构建多个机器学习模型；经过性能比较后，选取性能最优的DSTFormer进行SHAP分析。我们进一步刻画了非线性响应模式、时间归因模式和空间模式

DI、Ind和GO的时空模式

2001年至2022年，227个研究城市的不透水面面积增加了69.4%（从5.59 × 10⁴ ha增至9.47 × 10⁴ ha），而KNDVI呈现微弱的上升趋势（0.46至0.49），其中不透水面扩张最显著的区域为长三角地区，KNDVI下降最剧烈的区域为东部沿海地区。优化提升型城市群的不透水面增长率最高，而培育发展型城市群在整个研究期间始终表现出最低的KNDVI水平。

GO的时空模式

2001年至2022年，中国227个城市的GO以平均年率0.0043的速率上升，这一增长由非对称动态驱动——Ind以0.0065 yr^?1的速率增加，而DI同时以?0.0021 yr^?1的速率加剧。这种基于轨迹的特征刻画超越了以往主导的横截面评估：现有研究已确立间接植被增强在全球城市系统中近乎普遍存在（W. Jia等人，2018；S. Zhang等人，2025），但是

结论

本研究开发了DSTFormer-SHAP框架，并将其应用于中国19个主要城市群中227个城市（2001–2022年），以考察城市植被增长补偿（GO）的预测因子、非线性响应模式和时间动态。得出三个主要结论。第一，尽管GO呈现持续上升趋势，其驱动力为间接正面效应超过直接负面效应的加剧，但城市化对植被的净效应仍为

利益冲突声明

作者声明不存在任何已知的竞争性财务利益或个人关系，这些情况可能影响本文所报告的工作。

致谢

本研究主要由国家自然科学基金资助（项目编号：42071228）。

数据可用性

数据和代码可向通讯作者合理索取。

刘琦 | 李梦娟 | 范怡荣 | 乔嘉骏 | 李博

北京师范大学地理科学学部，北京 100875，中国