一种用于城市化亚热带地区生态质量评估的结构-功能综合生态指数

吕泽英|陈晓红|杨新月|袁泽|姜福轩|陈一琳|刘光明

中山大学土木工程学院与南方海洋科学与工程广东实验室（珠海），中国珠海，519082

摘要

传统的遥感生态评估方法在应用于植被覆盖密集的亚热带高生物量区域时存在局限性，因为绿色指数容易饱和，无法充分捕捉生态系统的结构和功能。以中国广东省为例，我们开发了一种改进的遥感生态指数（IRSEI），通过整合核归一化差异植被指数（kNDVI）来缓解植被饱和问题，利用丰富度指数（AI）表征结构复杂性，并通过净初级生产力（NPP）来反映生态系统的功能活力。随后，我们评估了2001年至2022年的生态质量变化，并使用XGBoost-SHAP方法识别关键的自然和人为驱动因素及其非线性阈值效应。广东省的生态质量总体上有所改善，65.98%的区域实现了恢复，19.00%的区域出现了退化。生态质量较高的区域主要集中在北部生态屏障区，而退化区域则集中在珠江三角洲以及广东东部和西部的河口地带。未来趋势分析表明，该省60.48%的区域可能会持续改善，16.41%的区域面临持续退化的风险，5.50%的区域可能从改善状态转变为退化状态。地形因素主导了生态质量的空间差异，而气候和人为因素则表现出明显的非线性和阈值效应。这些发现表明，IRSEI能够减少由饱和引起的偏差，为亚热带高生物量区域的生态质量评估提供了更可靠的方法，为生态监测、早期预警和差异化空间管理提供了科学依据。

引言

城市化是土地利用变化和生态系统转变的主要驱动力。近年来，中国的快速城市化深刻改变了区域土地系统，加速了自然景观向人工表面的转化，加剧了栖息地的破碎化和生态退化（Wang等人，2023a；Xie等人，2024）。这些变化重塑了生态系统的结构和功能，对区域生态安全和人类福祉构成了日益严重的威胁。因此，对生态质量进行可靠的评估和监测对于理解生态系统对城市化的响应以及支持可持续发展政策至关重要（Bai等人，2017；Li等人，2021）。

在现有的遥感方法中，遥感生态指数（RSEI）因其将多个环境维度整合到一个统一的生态评估框架中而得到广泛应用。然而，当应用于以湿润水热条件、密集植被覆盖、高森林生物量和相对较高生态系统生产力为特征的亚热带高生物量区域时，传统的RSEI存在显著局限性（Peng等人，2023；Zhu等人，2021）。首先，通常由NDVI表示的绿色成分在密集树冠条件下容易饱和，从而降低其对细微生态变化的敏感性。尽管使用了EVI和SAVI等替代植被指数来缓解部分这些局限性，但它们仍然主要是线性的，不足以检测亚热带森林冠层的细微变化（Gong等人，2023；Liu等人，2023）。其次，传统的RSEI框架主要依赖于光谱信息，往往无法同时捕捉生态系统的结构和功能。特别是，它们通常缺乏结构复杂性和生态系统生产力的指标，这使得难以区分高质量的天然森林和结构同质的种植园，可能导致对生态质量的过高估计（Ustin和Middleton，2021）。为了解决这些局限性，本研究开发了一种改进的遥感生态指数（IRSEI），通过整合核归一化差异植被指数（kNDVI）、丰富度指数（AI）和净初级生产力（NPP）。在该框架中，kNDVI用于缓解植被复杂性，AI用于表征生态系统的结构特征，NPP用于反映生态系统的功能活力，从而加强了生态系统结构和功能的综合评估（Cao等人，2025；Feng等人，2024）。

除了指数构建之外，识别生态变化的驱动因素对于生态治理同样重要。传统的统计方法，如线性回归、地理检测器和地理和时间加权回归（GTWR），为生态驱动因素提供了有价值的见解，但它们往往难以捕捉气候波动和人为干扰之间的复杂非线性相互作用（Chen等人，2025；Zhou等人，2025）。机器学习方法，特别是极端梯度提升（XGBoost），在建模此类非线性关系方面提供了更大的灵活性，但其内部决策过程往往难以解释，导致“黑箱”困境（Wang等人，2022；Xie等人，2022）。为了提高可解释性，本研究结合了Shapley加性解释（SHAP），这是一种量化单个变量边际贡献的博弈论框架（Du等人，2025；Forzieri等人，2022）。XGBoost和SHAP的结合不仅提高了变量贡献的可解释性，还有助于识别非线性生态阈值，从而更深入地了解生态系统在稳定状态和退化状态之间的转变机制（Chen等人，2021；Goodwin等人，2022）。

广东省是一个理想的测试框架的案例，因为它结合了密集的亚热带植被和快速的城市化进程。在这种条件下，生态退化可能被高绿色背景所掩盖。基于此，本研究将提出的IRSEI框架应用于广东省，以改进快速城市化的亚热带地区的生态质量评估。本研究的主要目标如下：（1）通过整合kNDVI、AI和NPP来构建改进的遥感生态指数（IRSEI），以缓解植被饱和问题并更好地表征生态系统的结构和功能；（2）分析2001年至2022年的生态质量时空动态，并使用赫斯特指数评估其长期持续性；（3）使用XGBoost–SHAP框架识别关键的自然和人为驱动因素，并进一步检测潜在的非线性生态阈值。这些发现有望为快速城市化的亚热带高生物量区域的生态监测和差异化保护策略提供更加精细和数据驱动的基础。

章节片段

研究区域

广东省位于中国南部海岸（20°13′–25°31′N，109°39′–117°19′E），面积约为179,700平方公里。该省包含21个地级市，珠江三角洲（PRD）构成了该省的核心城市聚集区（图1）。该地区地形复杂，从北部的南岭山脉逐渐过渡到南部的沿海平原。广东省具有温暖湿润的亚热带季风气候。

IRSEI模型的合理性分析

对六个生态指标的PCA结果显示，PC1始终解释了75.3%–80.9%的总方差，表明该综合指数有效捕捉了主要的生态信息。如表4所示，加载值表明在亚热带广东省，AI和NPP对IRSEI的贡献大于绿色成分（kNDVI）。具体来说，生产力和结构特征的整合使IRSEI能够有效缓解

IRSEI的理论依据和优势

可靠的生态监测工具对于评估快速城市化地区的环境变化至关重要（Duo等人，2023；Lv等人，2023）。在广东省，基于NDVI的绿色指标在叶面积指数（LAI）超过某个阈值后往往会进入平台期，这意味着进一步的生物量增加无法得到很好的捕捉（Camps-Valls等人，2021b；Huete等人，2002a）。这种饱和问题部分解释了为什么传统的RSEI在城市绿地和单一栽培系统中会产生伪高的生态值

结论

本研究开发了一种改进的遥感生态指数（IRSEI），以解决亚热带高生物量区域常见的绿色饱和问题。通过整合抗饱和核归一化差异植被指数（kNDVI）与结构和功能生态指标（包括丰富度指数（AI）和净初级生产力（NPP），所提出的框架提供了更全面的生态质量评估。基于多源数据集和机器学习分析，

CRediT作者贡献声明

吕泽英：数据整理、正式分析、调查、方法论、可视化、初稿撰写。陈晓红：资金获取、方法论、项目管理、资源协调、审稿与编辑。杨新月：数据整理、方法论、可视化。袁泽：概念构思、数据整理、监督。姜福轩：正式分析、软件使用、可视化。陈一琳：数据整理、正式分析、方法论。刘光明：数据整理、监督，

利益冲突声明

我们声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（U25A20356）、广东省水资源科技创新项目（2026-02）以及珠海市洪涝灾害复合灾害快速预警与防控系统研究（SML2024SP014）的财政支持。