鸟类多样性对空气污染物敏感性的空间分布

《Journal of Cleaner Production》：Spatial distribution of bird diversity sensitivity to air pollutants

本研究基于长江三角洲城市群，整合多源环境数据与鸟类观测，构建1km分辨率鸟类多样性空间分布图，运用CNN-GCN融合深度学习模型结合SHAP可解释性分析，揭示九种大气污染物对鸟类多样性的非线性及空间异质性影响，划分出四个敏感性治理区，提出差异化环境管理策略。

　　

Kui Yang|Dongge Cui|Chao Zhan

武汉大学资源与环境科学学院，中国武汉，430079

摘要

空气污染物作为一个全球性的环境问题，需要深入研究它们影响鸟类多样性的机制和空间模式。现有研究往往依赖于分辨率较低的数据或有限的生态污染物指标，这限制了管理建议的适用性。本研究以中国的长江三角洲城市聚落作为代表性区域，整合了多源环境数据与鸟类观测结果，并采用CNN-GCN加权融合深度学习模型，推断出1公里分辨率的鸟类多样性地图。结合SHAP可解释性，我们分析了九种空气污染物的非线性影响。研究结果表明，臭氧前体NMVOC和CO的敏感性最高，且效应方向相反；NOx和NH₃显示出明确的生态阈值或区间效应；PM_2.5在大多数地区通常具有弱负效应，而NMVOC和CO等颗粒物则倾向于产生负效应。通过对GridSHAP栅格应用K-means聚类，我们将网格划分为4个敏感区域，揭示了共同的污染驱动因素，并制定了针对各区域的治理策略。在不同区域，我们确定了最有效的优先管理措施；例如，在第3个区域，应优先减少CO排放。本研究实现了对污染物对鸟类多样性影响的空间明确化治理，为生态保护和环境管理提供了精确、区域化且差异化的指导。

引言

鸟类因其广泛的分布、高检测率（Blair, 1996）以及对环境变化的强烈敏感性（Shirley and Smith, 2005），被广泛认为是城市生态状况的理想指标（Murgui, 2007）。它们多样的形态、生理和行为特征为理解生态功能和评估生态系统健康提供了多维视角（Villéger et al., 2008）。因此，鸟类多样性已成为评估生物多样性状况和指导快速城市化地区生态保护的关键指标。

关于城市鸟类的研究主要集中在三个方面：（1）基础生态学研究，探讨鸟类群落的空间-时间分布模式（Zhai et al., 2024）及其对绿地、建成环境和水体等不同城市生境的响应（Kontsiotis et al., 2019）；（2）研究城市压力因素（如噪音（Liordos et al., 2021）、交通污染（Kang et al., 2015）、人工光（Cabrera-Cruz et al., 2018）、道路网络（Amaya-Espinel et al., 2019）、热岛效应（Cai et al., 2023; K. Yang et al., 2025b）和建筑密度（Loss et al., 2014）如何作为生态过滤器（Morelli et al., 2021），从而影响物种存在、行为模式和生态群落的整体组成（Filloy et al., 2019）；（3）探索城市设计和规划如何通过基于自然的解决方案（Paemelaere et al., 2023; Suárez-Castro et al., 2022; Zhang et al., 2024）和生态网络恢复（Xu et al., 2024）来提高栖息地质量和连通性。

在城市中的众多环境压力因素中，空气污染已成为对鸟类最具普遍性但研究最少的威胁之一。PM_2.5、NO₂、SO₂和O₃等污染物不仅通过改变植被结构和食物资源（Oropeza-Sánchez et al., 2024）影响生态系统，还通过直接影响鸟类的生理机能（包括呼吸系统损伤、免疫抑制、行为紊乱和繁殖成功率降低（Grunst et al., 2023）产生影响。越来越多的证据表明，鸟类多样性对污染梯度的响应是非线性的（Seress and Liker, 2015），并与景观配置有很强的交互作用（Burkett et al., 2005）。然而，现有研究通常将空气污染物作为更广泛生态分析中的辅助变量，或仅关注众多污染物中的一个，导致得出的结论过于笼统，无法确定哪些污染物最重要、影响最强烈，以及什么阈值会引发显著的生态响应。

同时，诸如保护区（Cai et al., 2024）、生态红线（J. Zhang et al., 2025）、栖息地适宜性（例如针对单一或多种物种）（Wang et al., 2024）和生态敏感性（例如生态系统服务功能及其重要性，如水资源保护、碳储存和土壤保持）（Wang et al., 2023; Yang et al., 2024）或MaxEnt–InVEST评估等保护框架，为识别生态来源提供了有价值的工具（H. Yang et al., 2025）。然而，这些工具的有效性受到生物多样性监测不足、数据覆盖不完整以及缺乏以污染物为导向的评估指标的限制。

这些空白提出了关键问题：（1）对人类有害的污染物是否同样影响鸟类？（2）这些影响的强度如何？（3）哪些污染物具有优先影响，应针对哪些区域采取缓解措施？这些问题尚未得到系统性的解答。为应对这些挑战，本研究将焦点放在中国城市化程度最高、工业化最强的长江三角洲地区，进行以污染为中心的鸟类多样性数据驱动评估。利用深度学习算法，我们基于观鸟站的数据重建了高分辨率（1公里×1公里）的鸟类多样性空间分布图。随后，采用可解释的机器学习方法量化空气污染物的非线性和空间异质性影响。最后，通过应用基于GridSHAP的聚类分析，我们识别出不同的管理区域并制定了针对性的治理策略。

我们关于多种污染物非线性和异质性耦合效应的研究发现，不仅挑战了传统上针对单一污染物的线性管理范式，还为构建“空间明确的生态风险评估框架”提供了新的理论基础。本文的主要贡献如下：

• （1）利用深度学习从稀疏监测数据构建高分辨率的鸟类多样性地图；
• （2）识别污染物对鸟类多样性的特定阈值及其空间异质性影响；
• （3）提出将空气质量管理与生物多样性保护直接联系起来的分区化缓解策略。

研究区域

长江三角洲地区包括四个省级行政区：安徽省、浙江省、江苏省和上海市，涵盖41个地级及以上城市，总面积约为3.58×${10}^5{km}^2$（见图1）。截至2024年，该地区常住人口接近2.38亿，地区生产总值超过31万亿。尽管仅占中国总面积的约4%，但它产生的

鸟类多样性预测结果

变量的共线性诊断结果见表2。我们移除了三个变量，即TEM、PRS和DEM，因为它们的共线性值超过了7.5。CNN-GCN模型在此任务中表现最佳，实现了最高的训练和测试集拟合精度（表3）。我们还仅使用2020年的观鸟数据集进行了模型拟合，该数据集包含3050个样本点。将CNN-GCN模型的性能与几种主流模型进行了比较。

研究贡献

本研究通过整合多源环境数据、深度学习建模和可解释的机器学习方法，系统阐明了多种空气污染物对长江三角洲地区鸟类多样性的影响机制、空间模式和敏感性分区。这是首次在区域尺度上量化各种空气污染物对鸟类多样性的非线性影响和空间异质性。开发的CNN-GCN混合模型表现出优越的性能

结论

本研究通过整合多源环境数据与机器学习方法，系统揭示了长江三角洲地区鸟类多样性对空气污染物的响应机制和空间差异模式。研究发现，基于CNN-GCN的鸟类多样性反演模型优于传统的机器学习方法以及单独的CNN和GCN网络。不同污染物对鸟类多样性的影响存在显著差异

CRediT作者贡献声明

Kui Yang：撰写 – 审稿与编辑，撰写 – 原稿，方法论，调查，正式分析，数据管理，概念化。Dongge Cui：撰写 – 审稿与编辑，监督，调查，数据管理。Chao Zhan：撰写 – 审稿与编辑，调查。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

我们感谢所有提供数据的机构，包括资源与环境科学数据平台（https://www.resdc.cn/）、中国观鸟记录中心（http://birdreport.cn/）和地球系统科学数据（https://www.earth-system-science-data.net/）。