近日，陈军院士作为通讯作者，与西南交大、四川师范、四川省国土科研院等多家单位合作，在环境科学顶级期刊《Journal of Environmental Management》发表题为“Optimizing regional ecological security patterns based on interpretable machine learning models: A case study of Huzhou, Zhejiang Province”研究论文，基于可解释机器学习模型的区域生态安全格局优化 —— 以浙江省湖州市为例！
本项目得到了国家自然科学基金重大项目“智能测绘混合计算理论与方法研究”和自然资源部“构建中国三维写实地理空间景观模型总体设计计划”的支持。
亮点
采用贝叶斯优化参数的CatBoost模型评估自然与社会经济指标对生态源地的影响。
应用SHAP阐明阻力因子的贡献，揭示了阈值效应。
CatBoost-SHAP为因地制宜的优化提供了思路。
论文链接：
https://doi.org/10.1016/j.jenvman.2025.126905
1文章摘要
科学划定城市周边生态源地、构建生态阻力面，对于理解景观连通性、提升区域生态安全至关重要，是实现现代城市生态文明建设高质量可持续发展的关键。
本研究选取涵盖自然与社会经济要素的关键指标作为生态阻力因子，结合SHAP（Shapley加法解释）的CatBoost 算法、电路理论，对湖州市生态安全格局进行了系统分析。结果表明：
1）识别出20个生态源地斑块，总面积1117平方公里；2）基于可解释机器学习结果，研究区东北部及中南部高生态阻力区面积为500.75平方公里，占区域总面积的8.6%；3）通过电路理论识别出40条生态廊道、348个生态夹点及11个生态障碍面。
研究结果支撑构建了 “两屏、三带、四廊、五区” 的空间框架。此外，通过三维真实地理空间景观模型（3dRGLm）增强空间认知，为生态关键区域提供可视化的优化规划思路。
本研究为推动区域高质量可持续发展提供了政策指导思路，对生态规划与管理具有重要实践意义。
关键词
生态安全格局；机器学习；生态阻力面；生态系统服务功能重要性；规划与启示
2文章引言
城市化快速扩张加剧了区域景观破碎化、栖息地隔离及物种间信息与物质交换受阻，导致生物多样性减少，引发水土流失、环境污染、土地退化等一系列生态环境问题，威胁人类生存环境与经济社会可持续发展，而城市生态空间作为日常生产生活的重要安全缓冲带，对城镇化中平衡经济发展与环境保护至关重要。
“生态安全” 概念应运而生以应对上述问题，其源于1987年《我们共同的未来》报告中的环境安全理念，1989年国际应用系统分析研究所首次阐释其内涵，强调其与人类社会的关联，且与军事、政治等安全同等重要。生态安全空间是维持生态系统功能、平衡经济发展与生态保护的核心，研究者发现景观格局、生态功能与过程的相互作用促进生态安全格局（ESPs）形成，该格局是保障生态系统功能可持续性的有效措施，其构建框架为 “生态源识别 - 生态阻力面构建 - 生态廊道提取”。
作为高质量发展与共同富裕示范区先行城市，湖州肩负探索共同富裕路径的使命，且拥有联合国全球地理信息知识与创新中心，为可持续发展提供支撑，因此本研究旨在科学自动构建生态安全格局，保障生态城市高质量可持续发展，维持生产与生态空间稳定，分阶段推进自然资源高质量保护、生态文明建设及人居环境转型三大目标。
3研究方法
图1.研究流程图
3.1. 研究区域与数据
基本研究以浙江省湖州市（面积5820km²）为研究区，采用多源数据开展研究，包括30m分辨率土地利用、高程等基础数据，500m夜间灯光、100m人口密度等社会经济数据，以及河流、降水、植被覆盖度（FVC）等自然地理数据，数据经栅格化处理后统一至30×30m分辨率，投影坐标标准化为 WGS_1984_UTM_Zone50N。
图1. 研究地理位置。
3.2. 生态源地提取
先通过MSPA模型从森林、灌木林等生态功能强、人为干扰小的前景数据中提取核心区作为初步源地；
再评估碳汇（以植被净初级生产力为指标）、水源涵养、土壤保持、栖息地质量四项生态系统服务功能，采用CRITIC法加权得到生态功能综合质量指数，结合景观形态特征，通过自然断点法选取面积大于10km²的高功能区域作为最终生态源地。
3.3. 生态源地提取生态阻力因子选取
选取海拔、距河流距离、地表温度、植被覆盖度、人口密度、距道路距离、夜间灯等9项；
采用CatBoost算法构建阻力面，以生态源地（低阻力，正样本）和低生态服务功能区（高阻力，负样本）各8000个样点（样点间距 > 30m）为训练数据（按7:3划分训练集与测试集），通过分层5折交叉验证结合贝叶斯优化确定最优参数，以准确率、召回率、F1 分数及 AUC 评估模型性能。
最后，基于生态源地和阻力面，运用电路理论，通过Circuitscape的Linkage Mapper模块提取生态廊道，并识别夹点与障碍。
图3. 生态阻力因子。 (a) 数字高程模型（DEM）；(b) 地形起伏度；(c) 坡度；(d) 距河流距离；(e) 地表温度（LST）；(f) 植被覆盖度（FVC）；(g) 人口密度；(h) 距道路距离；(i) 夜间灯光。
4研究结果
4.1 生态系统服务功能（ESs）分析
2022年湖州市四项生态系统服务功能（碳汇、土壤保持、水源涵养、栖息地质量）空间异质性显著。其中，碳汇高及极高值区面积2616.04km²（占44.88%），主要分布在西南天目山、龙王山及支流、中南部莫干山和北部顾渚山；土壤保持高及极高值区2513.66km²（43.21%），集中于西南高森林覆盖率山区；水源涵养高及极高值区较小，为1124.36km²（19.34%），主要在中南部，与土壤黏粒含量高导致保水能力强但渗透性差相关；栖息地质量低及极低区仅588.1km²（10.1%）。
碳汇、土壤保持、栖息地质量空间分布整体呈现 “西南高、东北低”，水源涵养则为 “西南高、中部低”。
经MSPA初步筛选结合CRITIC法加权的四项服务功能评估，最终确定20个生态源地斑块（面积1117km²，占19.19%），主要位于安吉、德清、长兴县；低生态服务功能区面积1703.53km²（29.27%），集中在南浔区。
图4. 生态系统服务功能（ESs）重要性及服务功能提取能力分区。（a）碳汇功能；（b）土壤保持功能；（c）水源涵养功能；（d）栖息地质量功能；（e）生态源地与低生态服务功能区的空间分布。
4.2 生态阻力面
阻力因子特征分析显示，DEM与其他因子交互最显著（与LST、夜间灯光、人口呈负相关，与FVC呈正相关），且各因子无共线性，样本分离度高。
对比七种机器学习算法，CatBoost表现最优，训练集AUC达0.998，测试集AUC为0.992，准确率、召回率等指标均超0.93。
特征重要性排序为：DEM（24.46）> 距道路距离（15.85）> 夜间灯光（11.77）> 距河流距离（11.38）>FVC（11.1）等。
SHAP分析揭示各因子阈值效应：如DEM在97.5m时影响反转（高于此值对生态源地为正效应），LST在26.13℃以上负面影响增强，FVC超0.75 时正效应更显著，人口密度超1.7 人/像素、距道路越近则负面影响越大等。
图5. 阻力因子间的配对图（蓝色 0 代表低生态功能区；橙色 1 代表生态源地）
图6. 机器学习模型的比较与选择
图7. CatBoost模型中的特征贡献度与AUC表现
图8. 基于CatBoost模型的SHAP特征依赖图
4.3 生态阻力面（ERS）空间分布
DEM、夜间灯光、LST 等为正阻力因子（值越高阻力越强），距河流、道路距离及FVC为负阻力因子（值越高阻力越弱）。
经自然断点分类与特征重要性加权叠加，高生态阻力区面积500.75km²（占8.6%），主要分布在东北部（城市交通枢纽，人类活动频繁、河网密集，阻碍生物迁移）和中南部（受地形影响，海拔高、坡度陡、地形起伏大）。
CatBoost模型预测的阻力面与实际现象高度吻合，可靠性强，体现出湖州市生态阻力面显著的空间异质性。
图9. 基于CatBoost模型构建的湖州市生态阻力面（ERS）
4.4 生态修复关键区域
生态源地按生态流中心性分为关键（占 50.68%）、重要（28.26%）、一般（21.06%）三类，关键区主要在天目山、龙王山、莫干山，物种丰富且形成稳定生态屏障。
基于电路理论提取40条生态廊道（总长298.826km），分关键、重要、一般三类，关键廊道集中在天目山等区域，有效连接破碎化源地。生态连通性显示，天目山 - 龙王山 - 莫干山连通性最强，牟山 - 顾渚山最弱（受人类活动影响大）。识别348个生态夹点（总面积 22.87km²），最大者位于天目山 - 莫干山连接带（4.15km²）；11个最高级生态障碍面（0.6km²）分散于天目山 - 莫干山区域，部分与夹点相邻，为亟需修复的关键区域。
图10. 各生态要素的提取与分级
5研究讨论
通过整合MSPA和InVEST模型识别生态源地，结合景观形态与多项生态系统服务，较传统方法更全面，且识别的1117km²生态源地超过规划目标，与政策及文献一致，验证了可靠性。
贝叶斯优化的CatBoost 模型处理高维、非线性空间数据能力强，测试集AUC达0.992，结合SHAP揭示了DEM、FVC等因子的阈值效应，如DEM超97.5m 对生态源地呈正效应，LST超26.13℃负面影响增强等，印证了生态阻力的阈值特性。
基于此，湖州构建了 “两屏、三带、四廊、五区” 生态安全格局，“两屏” 为天目山和顾渚山生态屏障，“三带” 起缓冲整合作用，“四廊” 保障生态连通，“五区” 各有侧重，呼应当地规划。
图11. 湖州市生态安全格局
3dRGLm通过三维虚拟空间增强人地关系认知，结合SHAP分析为生态空间建设提供定制建议，辅助决策。
图12. 3dRGLm促进了湖州生态空间的优化。
研究存在局限性：碳储量评估未涵盖土壤碳汇及微尺度单元，数据分辨率不一致可能影响结果，生态廊道等需实地验证，模型普适性待考。
未来研究将向三维空间转型，细化城市绿色空间结构与生态过程，推动自然与社会经济协调发展，助力高质量可持续城市建设。
6研究结论
本研究整合MSPA-InVEST模型、贝叶斯优化的CatBoost算法及电路理论，对湖州市生态安全格局进行分析，旨在平衡区域保护与发展。研究结果为制定适宜的管理措施提供了可推广的科学理论依据。研究表明：
所选生态阻力因子未呈线性关系，且样本间存在显著分离。研究发现，CatBoost在处理非线性关系方面具有显著优势，模型预测精度较高。
影响生态源地的三个主要特征为数字高程模型（DEM）、距道路距离和夜间灯光。运用SHAP阐明各阻力因子的贡献值时，发现存在阈值效应；具体而言，当阻力因子超过某一阈值时，会对预测结果产生正向或负向影响。
基于包含生态源地、生态廊道及生态夹点的湖州市生态安全格局，划定了 “两屏、三带、四廊、五区” 的生态分区治理方案。此外，通过结合可解释机器学习与三维真实地理空间景观模型（3dRGLm），为优化区域生态安全提供了实践参考。
京公网安备 11010802031220号