引言
生态系统服务是维持人类福祉、经济活动和区域安全的生态功能与效益。自早期概念与价值评估研究及千年生态系统评估以来，研究已从将生态系统服务视为静态生态资产，转向理解服务如何在景观中被生产、转移和消费（Costanza et al., 1997; Daily et al., 2009; Carpenter et al., 2009; de Groot et al., 2012; Reyers et al., 2013）。这一转变对环境影响评价和区域治理日益重要，因为许多生态效应并不局限于其被测量的行政单元之内。山地森林可能为下游城市调节径流，上游植被可能降低下游洪泛区的泥沙风险，农业生产区可能支撑遥远的城市消费者。因此，生态系统服务流（ESFs）提供了一种基于过程的视角，用于评估生态效益如何在空间上产生、传递和接收（Burkhard et al., 2012; Syrbe and Walz, 2012; Villamagna et al., 2013; Bagstad et al., 2013; Goldenberg et al., 2017; Schirpke et al., 2019）。在流域及其他生态-经济过渡区，水文连通性、泥沙输移、土地利用变化和城镇需求相互交织，生态系统服务流有助于生态评估从静态清单走向跨区域诊断、补偿设计和适应性规划。
已有研究在生态系统服务供需评估、生态系统服务流模拟和驱动因子归因方面取得了重要进展。供需研究绘制了生态盈余与赤字区域，揭示了生态承载力与人类需求之间的空间不匹配（Chen et al., 2019; Cui et al., 2019; González-García et al., 2020; Shen et al., 2023; Li et al., 2023a; You et al., 2024）。生态系统服务流研究进一步利用源-汇框架、水文学路由、大气扩散和重力模型模拟了淡水、泥沙保持、碳和食物的流动（Li et al., 2017; Li et al., 2019; Zhang et al., 2021; Wu et al., 2024; Qi et al., 2026）。近年来，可解释的机器学习方法，包括XGBoost、SHAP和偏依赖分析，已被用于刻画非线性生态响应（Friedman, 2001; Elith et al., 2008; Peng et al., 2017; Lundberg et al., 2020; Wu et al., 2022; Qi et al., 2026）。然而，这些研究方向往往在方法论上彼此割裂。因此，许多评估虽然指出了生态系统服务不足或过剩的区域，但对于服务如何流动、传输瓶颈出现在哪里，以及在哪些观测到的驱动因子范围内拟合模型变化最快，则指导不足。
既往研究在绘制生态系统服务供需不匹配格局、模拟单一服务流和识别生态系统服务格局的驱动因子方面已取得重要进展。在此基础上，本研究的方法论增量贡献在于将这些组成部分整合于一个统一的诊断流程中，而非提出新的生态系统服务模型或机器学习算法。首先，该框架将供需核算与服务特定的传输过程相连接，从而将静态的盈余-赤字制图扩展为源-流-汇诊断，揭示服务在哪里产生、如何传输，以及哪些需求中心受益或仍得不到充分满足。其次，它区分了地形控制的水与泥沙保持流、风媒传播的碳服务流和交通网络介导的食物流，而非对所有服务施加单一通用的转移假设。第三，它以共同的生态系统服务供需比作为XGBoost–SHAP–PDP分析的响应变量，使四种服务的主导驱动因子归因具有可比性，并识别出流域特定的统计响应区间。这些输出结果随后被链接到环境影响评价任务中，包括空间筛选、影响范围界定、减缓设计、廊道保护和生态补偿评估。因此，本研究的根本新颖性在于将服务特定的流机制、可解释的驱动因子诊断和面向环境影响评价的解读整合于一个可重复的框架之中。
我们将该框架应用于渭河流域（WRB），该流域是黄河最大支流，也是连接秦岭、关中平原和黄土高原的典型生态-经济过渡区（Zhang et al., 2021; Wu et al., 2020; Luo et al., 2024; Song et al., 2026）。利用2000年、2010年和2020年的多源数据，我们首先定量分析了产水、水土保持、碳固存和食物供给的供给量、需求量及标准化生态系统服务供需比（ESDRs）。随后，我们分别采用水文路由和加权流量累积方法模拟产水和水土保持的服务流，采用风信息比例分配模型模拟碳固存服务流，以及采用交通阻力重力模型模拟食物供给服务流。最后，我们利用XGBoost、SHAP和偏依赖图（PDPs）识别主导驱动因子、交互作用情境和流域特定的统计响应区间。我们评估了这些输出结果如何为生态补偿、廊道保护、需求端调控和环境影响评价提供参考，同时将这些响应区间视为模型推导出的关联性结果，需要本地验证，而非作为因果性临界点。
