通过可解释机器学习模型揭示土地利用变化驱动因素的多尺度与非线性效应：基于“生态成本与经济效益”权衡视角的见解

文章基本信息

期刊：Environmental Impact Assessment Review（中科院一区TOP）
英文题目：Unveiling multiscale and nonlinear effects of land use change drivers through interpretable machine learning model: Insights from “Ecological-cost and Economic-benefit” trade-off perspective
中文题目：通过可解释机器学习模型揭示土地利用变化驱动因素的多尺度与非线性效应：基于“生态成本与经济效益”权衡视角的见解
发表时间：2026年
文章链接：https://doi.org/10.1016/j.eiar.2025.108254

摘要

在全球快速城市化进程中，城市扩张导致城市建成区与生态用地之间发生动态变化。然而，鲜有研究探讨土地利用变化所引发的生态系统服务价值成本（ESVC）与土地开发经济利润（LDEP）之间的相互依存关系。本研究通过定量方法评估了生态系统服务价值成本与土地开发经济利润之间的空间相关性特征。随后，通过结合XGBoost与SHAP构建可解释机器学习模型，多尺度下多维影响因素对成本效益关系的非线性效应。研究发现：高价值生态系统服务成本区域呈环状分布于中心城市周边，而高价值土地开发经济利润区域则呈现向外辐射的同心圆格局。中心城区主要呈现“低成本-高收益”模式，郊区新城镇则以“低成本-低收益”格局为主。“低-低”与“高-高”类型的网格聚类主要分布于中心区域，而“高-低”与“低-低”聚类则集中于外围郊区。中心区域的权衡强度较低，郊区新城镇则较高。驱动因素对成本效益关系的影响呈非线性特征，且随尺度变化而异。香农多样性指数(SHDI)、夜间灯光(NL)、建筑密度(BD)、绿地密度(GD)等变量具有显著负向影响，而传染指数(Contag)、距乡村(Dis_Rur)及工业区(Dis_Ind)距离则呈现正向效应。香农多样性指数（[0.6–0.8]）、夜间光照（[15–25] nW/cm²/sr）、绿地密度（[5%–15%]）、建筑密度（[10%–15%]）均呈现阈值效应。变量间交互作用揭示了协同与拮抗的双重关系。本研究通过整合多尺度分析框架与可解释机器学习，为理解环境退化与经济扩张的权衡关系提供了创新方法论。研究成果为促进可持续城市土地利用、平衡发展目标与生态保护、指导城市土地利用规划策略提供了可操作性见解。

Highlights

•提出土地利用动态中生态成本与经济效益的权衡视角。

•识别十年尺度生态成本与经济效益的时空模式及空间关联性。

•开发可解释机器学习模型，揭示成本效益权衡的非线性驱动因素。

•建立多尺度分析框架，考察空间层次间的因素效应。

•为平衡生态与经济的可持续土地利用提供精准见解。

研究框架

本研究遵循包含三个阶段的逻辑框架：（1）定量测量：基于2010至2020年土地利用数据，建立评估“生态成本-经济效益”权衡关系的定量体系。该体系采用生态系统服务等值因子法与产业经济系数法，评估十年间生态系统服务价值成本（ESVC）与土地开发经济利润（LDEP）。通过最小-最大归一化方法将两套体系输出结果标准化，转化为可比的单位面积值。(2) 空间相关性分析：运用斯皮尔曼相关系数与莫兰指数评估“生态成本-经济效益”权衡的空间关联性。通过LISA聚类、象限匹配及均方根误差法，揭示空间聚类模式、匹配类型及权衡程度。(3) 多尺度探索：构建可解释机器学习模型，分析多尺度（含“城市-区县-网格”层级，见图2）“生态成本-经济效益”权衡空间相关性中各因素的重要性、阈值效应及交互作用。

值得注意的是，本研究运用经典成本效益理论评估动态土地利用变化的生态与经济结果。在此框架下，“生态成本”指空间演替导致的生态系统服务损失，而“经济效益”则指土地开发带来的直接货币收益（如附加经济价值和土地相关金融回报），明确排除污染、拥堵、栖息地退化及社会动荡等外部负面影响。土地利用变化的负面影响被量化为生态系统服务价值成本（ESVC），该指标构成与“经济效益”直接对立的“生态成本”维度。

未来展望

本研究探讨了多维因素如何非线性地影响土地利用变化中生态成本与经济效益的多尺度关系。然而，仍存在若干局限性。(1) 土地利用变化往往涉及效益再分配，并可能产生外部效应。评估土地利用变化的社会经济结果需全面考量其经济、社会、生态影响及相关外部性。由于多数外部效应难以量化，准确货币化评估仍具挑战。因此本研究聚焦“土地开发经济利润”指标，该指标仅明确纳入土地开发的直接财务收益，排除所有正负外部效应。(2) 受数据限制及政策变量量化固有难度的制约，结合因子多重共线性检测结果，本研究仅能将城市交通规划作为城市政策影响的替代变量纳入分析。更广泛的城市政策维度，如城市发展战略、土地使用法规及环境保护政策等，未能纳入因子分析范畴。尽管如此，城市政策体系对土地利用变化具有显著影响，尤其在中国，国家、区域和地方各级的发展政策在引导土地利用转型中发挥着关键作用。未来研究应整合归纳与演绎推理，深入剖析土地利用变化背后的政策驱动机制。(3) SHAP值能有效揭示特征与模型输出间的非线性阈值关系。但其反映的是特征贡献或关联性而非确定性因果效应。在缺乏随机对照实验的情况下，本研究仅聚焦影响因素与成本效益权衡间的关联性。未来研究可采用因果推断方法，如因果发现算法和深度因果模型，以更准确地估算这些因素如何影响观测数据中的权衡强度，同时谨慎处理混杂变量以避免虚假因果结论。

文章主要图表

点击蓝字

关注我们

声明：本推送内容仅代表个人对文章的理解，烦请有兴趣的同学阅读原文。

原文请见：Lu, J., Liu, X., Zhu, D., & Zhang, S. (2026). Unveiling multiscale and nonlinear effects of land use change drivers through interpretable machine learning model: Insights from “Ecological-cost and Economic-benefit” trade-off perspective. Environmental Impact Assessment Review, 118, 108254.

END

以上内容来源于土地科学院研究，为学术分享，仅供科研交流，如有错误/侵权等，请联系修改或删除。联系方式：Novel_2020