最新更新Ecological Indicators近期发表题为“Progressive strengthening of urban vegetation offset Effects: Spatiotemporal dynamics in china, 1985-2024”的文章。第一单位为中南林业科技大学。
doi: https://doi.org/10.1016/j.ecolind.2025.114444
数据(代码)链接: https://doi.org/10.1016/j.ecolind.2025.114444
作者邮箱：jianlun.zhao@csuft.edu.cn
标签：#城市生态 #植被动态 #抵消效应 #时空分析 #随机森林 #SHAP
本文内容速览：
1. 提出科学问题
2. 文章的主要结论
3. 分析过程和方法
4. 研究的局限性
城市化通常导致植被覆盖减少，这是一个普遍的认知。然而，城市环境的独特性，如城市热岛效应，也可能为剩余植被的生长创造更有利的微气候条件，从而在一定程度上促进其生长。这种现象被称为“抵消效应”（offset effect, τ）。现有研究已经证实了这一效应在特定城市或区域的存在，但对于其在宏观尺度上的普遍性、时空演变规律以及背后的驱动机制，尤其是在像中国这样经历快速且长期城市化的国家，仍缺乏系统性的评估。目前的研究多为静态快照或短期趋势分析，对于抵消效应在数十年尺度下的演变轨迹及其与城市发展阶段的关系尚不明确。此外，气候、地形、社会经济等多重因素如何共同作用于抵消效应，其相对重要性也未得到清晰的解析。
• 问题 1: 在中国快速城市化的背景下，城市植被生长的抵消效应的总体强度和空间分布格局是怎样的？它在多大程度上补偿了因城市扩张导致的植被损失？
• 问题 2: 从1985年到2024年这近四十年间，该抵消效应的强度是增强、减弱还是保持稳定？其时间演变轨迹呈现出怎样的特征？
• 问题 3: 影响城市植被抵消效应的关键驱动因素是什么？这些因素（如气候、地形、城市化强度、人口密度等）的相对重要性在不同气候区是否存在差异？
这项研究旨在系统性地揭示中国城市生态系统在长期、高强度人为干扰下的响应和适应过程。理论上，它深化了对城市生态系统恢复力和动态演变机制的理解。现实意义在于，通过量化抵消效应的时空动态并识别其关键驱动力，研究结果可以为城市规划和管理提供科学依据。例如，在制定绿地规划、生态恢复策略时，可以更有针对性地利用或改善特定环境条件，以最大化城市植被的生态功能，从而支持可持续的城市发展和生态文明建设。
• 结论 1: 城市植被的抵消效应在中国是一种普遍现象。研究覆盖的806个城市中，约86%的城市表现出积极的抵消效应。平均而言，城市内部的植被生长补偿了约69.7%由城市化直接导致的绿地损失。空间上，该效应存在显著异质性，华北平原等湿润地区效应最强，而干旱的西北和内蒙古地区则较弱。
• 结论 2: 在1985-2024年间，抵消效应呈现出持续增强的趋势。同时，一个关键的转变是，达到最大抵消效应所需的城市化强度阈值随时间推移而下降，这表明城市生态系统在较低的发展压力下就能实现更高效的植被补偿，反映了其适应能力的提升。
• 结论 3: 抵消效应的驱动因素具有多尺度依赖性。在全国尺度上，海拔是影响抵消效应的最重要因素，低海拔促进而高海拔抑制该效应。在不同气候区，主导驱动因素各不相同：在北温带，人口密度影响最大；而在高原气候区，只有城市化强度本身表现出积极贡献，其他自然因素多为限制性。
本文的研究框架遵循“定义问题-数据准备-模型构建-时空分析-归因分析”的逻辑。核心在于构建一个能够量化城市化对植被生长净影响的指标，即抵消效应指数（τ），并探究其时空变化和驱动力。
第一步：研究单元和概念框架的界定
研究选取了中国806个建成区面积大于50平方公里的城市作为研究单元。为进行城乡对比，每个城市建成区外围设置了3公里的缓冲区作为郊区参考。
本文方法论的核心是其概念框架（见下图）。该框架旨在将城市化对植被指数（本文使用增强型植被指数EVI）的影响分解为直接和间接两部分。
• 直接影响：指城市不透水面（如建筑、道路）直接取代原有植被，导致EVI降低。
• 间接影响：指城市环境（如热岛效应、CO₂浓度升高等）改变了剩余植被的生长条件，从而影响其EVI。
为了量化这两种影响，作者构建了“城市化强度-EVI”关系图。城市化强度（UI）定义为1km²网格内不透水面的面积比例，从0（完全植被）到1（完全不透水）。
1. 首先，定义一条“零影响线”（zero-impact line）。这条线代表了只有直接影响（植被被替换）而没有任何间接影响（剩余植被生长未受促进或抑制）的理论情况。其EVI值（Vzi）是完全植被区的EVI（Vv）和完全不透水区的EVI（Vnv）根据UI比例的线性组合。
2. 然后，将观测到的EVI值（Vobs）与零影响线进行比较。两者之差（Vobs - Vzi）即代表了间接影响的大小。
3. 最后，将这个差值用城市化造成的最大可能EVI损失（Vv - Vzi）进行标准化，得到抵消效应指数τ。
τ = (Vobs - Vzi) / (Vv - Vzi) × 100%
• 当 τ > 0 时，表示城市环境促进了剩余植被的生长，产生了积极的抵消效应。
• 当 τ < 0 时，表示城市环境抑制了剩余植被的生长，加剧了植被损失。
第二步：数据收集与处理
研究整合了多源遥感和社会经济数据：
• 城市边界与不透水面：使用GAIA和GUB数据集确定2024年的城市边界，并以此为基础提取历年的城市范围和计算城市化强度。
• 植被指数：构建了1985-2024年的长时序EVI数据。1985-2000年数据源于Landsat 5，2000-2024年数据源于MODIS。
• 驱动因素：涵盖气候（气温、降水、干旱指数等）、地形（海拔）、人为因素（人口密度、城市面积、城市热岛强度等）多个方面的数据。
第三步：时空动态分析
通过对每个城市每年的τ值进行计算，文章从空间和时间两个维度展开分析。
• 空间格局分析：计算了1985-2024年间每个城市的平均τ值，并将其绘制在地图上，以揭示全国范围内的空间分布特征。结果显示，τ值呈现出显著的空间异质性，华北平原的城市普遍具有较高的τ值，而西北干旱区和内蒙古的城市τ值较低甚至为负。研究还分析了τ值随海拔、纬度和不同气候区的变化规律，发现τ值在海拔2000米以下随高度轻微增加，之后急剧下降；在纬度30°N至35°N之间达到峰值。
• 时间演变分析：
1. 在国家尺度上，文章展示了不同年份“UI-τ”关系曲线的动态变化。可以清晰地看到，从1985年到2024年，曲线整体上移，表明τ值在所有UI水平上都普遍增强。
2. 对全国平均τ值和最大τ值进行时间序列分析，发现两者均呈现显著的线性增长趋势。
3. 一个重要的发现是，达到最大τ值所需的UI阈值呈现指数下降趋势，并在2000年后趋于稳定，这说明城市发展模式可能从早期的粗放扩张转向了更注重生态效益的集约发展。
4. 在城市尺度上，通过对每个城市τ值的时间序列进行线性回归，计算其变化斜率，从而识别出τ值增强或减弱的城市。结果表明，大部分城市（尤其是北方城市）的τ值在增强，而少数城市（集中在南方，特别是30°N附近）呈现减弱趋势。
第四步：驱动力归因分析
为揭示影响τ值空间异质性的原因，研究采用了*随机森林（Random Forest, RF）回归模型，并结合SHAP（SHapley Additive exPlanations）*方法进行解释。
• 随机森林模型：RF是一种集成学习算法，能够有效处理自变量之间复杂的非线性关系和交互作用，适合用于地理和生态学研究中的驱动力分析。
• SHAP分析：传统的特征重要性方法只能告诉我们哪个变量重要，但无法说明该变量是如何影响结果的（促进还是抑制）。SHAP方法源于博弈论，它能将模型的预测结果公平地分配给每个特征，从而为每个样本的每个特征计算出一个SHAP值。这个值不仅表示了特征的贡献大小，还包含了方向性（正或负）。
全国尺度的SHAP分析结果（上图）清晰地展示了各驱动因素的复杂影响：
• DEM（海拔）：影响最强。蓝色的点（低海拔）主要分布在x轴正侧，红色的点（高海拔）则在负侧，表明低海拔促进τ，高海拔抑制τ。
• SRAD（太阳辐射）：高辐射值（红点）倾向于促进τ。
• PR（降水）和UHI（城市热岛效应）：普遍表现为正向贡献。
• UI（城市化强度）和POP（人口）：同样表现为正向影响，说明在一定范围内，更高的人类活动强度反而与更强的抵消效应相关。
研究进一步在不同气候区内部分别进行SHAP分析，发现主导驱动因素存在明显的地域差异，这为制定因地制宜的城市生态管理政策提供了直接的科学支持。
文章在讨论部分明确指出了当前研究存在的局限性，并为未来研究提供了方向：
1. 数据源的限制：研究依赖于中低分辨率的遥感产品（如MODIS EVI），其固有的分类误差、混合像元问题和空间分辨率限制可能影响结果在局地尺度的精度。未来研究可整合更高分辨率的影像（如Sentinel-2）或地面调查数据进行验证和校准。
2. 驱动因素的简化：分析中虽然包含了多种生物物理和人为因素，但未能完全纳入具体的城市管理政策（如绿地规划法规）和社会经济因素（如环保投入）。未来的研究应尝试将这些政策变量纳入模型，以揭示“政策-驱动力-响应”的完整因果链。
3. 方法的局限性：本研究的驱动力分析本质上是相关性分析，而非严格的因果推断。未来可以结合过程为基础的生态模型（如BIOME-BGC）和长期定位观测，从机理上阐明城市环境如何影响植被的光合作用、呼吸和物候，从而更深入地理解抵消效应的内在机制。
热文排行