《Ecosystem Services》：Harnessing Machine learning to quantify ecosystem services in coastal Wetlands: A case study of the Bohai economic Rim
编辑推荐：
渤海经济圈高精度湿地地图与生态系统服务评估研究，通过Google Earth Engine平台整合知识规则与机器学习算法，将湿地划界精度提升至93.76%，系统分析碳存储、栖息地质量、土壤保持及水产四大服务的空间异质性、权衡协同关系及驱动因子（前两位为森林比例和降水量），为复杂沿海湿地管理提供科学依据。
卢婷|王雅萍|金继元|朱世兵|高建华|胡丁|吴青龙|王福|高超
中国南京大学地理与海洋科学学院海岸与岛屿发展重点实验室，南京210023
摘要
沿海湿地生态系统对沿海地区的可持续经济发展至关重要。尽管以往的研究已经探讨了湿地与人类活动在多个时空尺度上的相互作用，但当前的生态系统服务（ES）评估主要依赖于现有的土地覆盖数据产品，这些产品的空间精度仅约为80%，不足以捕捉到细尺度的ES空间变化。这一限制阻碍了对湿地环境科学中复杂关系的准确描述，并影响了后续保护和管理决策的可靠性。为了解决这一关键问题，本研究旨在通过一种综合技术方法将沿海湿地划定的精度和ES量化的精度提高到90%以上。本研究选取了气候变化与人类活动相互作用频繁的渤海经济区（BER）作为研究案例，对该区域的四种关键ES类型（碳储存、栖息地质量、土壤保护和水资源产出）进行了高精度湿地制图和量化。通过将基于知识的规则应用于Google Earth Engine（GEE）平台，并结合机器学习算法，我们识别出了ES的空间热点和冷点，分析了这四种ES之间的权衡和协同关系，并进一步使用随机森林模型评估了驱动因素（包括气候变量和人类活动指标）的相对重要性。结果显示，总ES指数范围为0.02至0.82（归一化到0-1），所有六对ES都表现出显著的正相关性，表明存在强烈的协同效应。随机森林模型显示，森林比例和降水量是影响ES空间变化的两大主要因素。本研究为复杂的沿海湿地系统提供了一个可扩展的高精度ES评估框架，精度从约80%提高到了93.76%，为渤海经济区沿海湿地生态系统的保护和可持续管理提供了宝贵的科学见解和有针对性的政策建议。
引言
生态系统是通过各种服务为人类提供众多利益的典型复杂系统，包括供给服务、调节服务、支持服务和文化服务（Costanza等人，2017年）。在可持续发展科学领域，生态系统服务（ESs）的管理受到了高度重视，特别是在研究周围景观中的社会生态相互作用方面（Hodder等人，2014年；Chen等人，2021a年；Wang等人，2024年）。湿地是全球受威胁最严重的生态系统之一，特别容易受到大规模不可持续开垦活动的影响，这些活动危及沿海湿地生态系统并降低其相关ES的价值（Yang等人，2018年）。因此，迫切需要恢复和改善沿海湿地ES的有效管理。
在不可持续开垦导致的沿海湿地退化背景下，理解ES的异质性并厘清其权衡/协同关系对于实现有针对性的保护和管理、平衡生态完整性和人类福祉至关重要（Cord等人，2017年；Xia等人，2023a年）。一种ES的改善可能会导致另一种ES的减少，这被称为权衡；相反，一种服务的改善可能会提升另一种服务，这被称为协同效应（Yang等人，2018年；Xia等人，2023a年）。权衡和协同效应都表现出时间动态性和空间异质性，权衡主要发生在供给服务、调节服务和支持服务之间（Chisholm，2010年；Martín-López等人，2012年），而协同效应可能出现在所有四种类型的ES中（Yang等人，2018年）。目前，已经开发出多种方法来阐明ES之间的复杂关系。相关性分析（Lyu等人，2019年；Gou等人，2021年；Xia等人，2023a年）通常用于量化ES之间的权衡和协同效应，而地理加权回归（GWR）（Nakaya和Fotheringham，2019年；Zuo和Gao，2021年；Oshan等人，2022年）通常用于描绘这些关系的空间显式模式。
气候变化（例如温度和降水量变化）以及加剧的人为活动（包括经济发展和社会监管调整）是多个时空尺度上土地利用/覆盖变化的关键驱动因素（Feher等人，2017年）。这些扰动直接改变了湿地的水文连通性、植被组成和土壤性质，从而对ES的供给产生连锁效应（Tolessa等人，2017年）。例如，温度上升通过加速有机物分解降低了湿地的碳封存能力（Navarro等人，2023年；Han等人，2025年），而密集的开垦和污染则损害了栖息地质量和净水服务（Krebs等人，2018年；Ellis等人，2024年）。尽管对气候和人为驱动因素进行了广泛研究（Navarro等人，2023年；Ellis等人，2024年），但仍存在关键的研究空白：大多数研究仅关注单一驱动因素的影响，忽视了它们对湿地ES的交互和非线性效应（Feher等人，2017年），并且驱动因素相互作用与ES变化之间的机制联系尚未得到充分阐明（Wu等人，2021年；Han等人，2025年）。这种缺乏综合性和机制性的研究阻碍了制定有效管理策略以减轻累积的人为和气候对沿海湿地ES的影响（Gopal，2010年）。
全球范围内，大量的学术努力提高了湿地制图和ES评估的方法学严谨性，机器学习已成为提高空间制图效率和客观性的主流分析工具——尤其是在处理高维遥感数据和复杂景观变量方面（Murray等人，2022年；Hou等人，2023年）。这些实证研究有效地证明了监督式机器学习算法（如随机森林和支持向量机）在区分细粒度湿地类型和量化关键ES方面的实用性，在准确性和可重复性方面优于传统的基于像素的分类方法（Zhu等人，2023年；Zhang等人，2024年）。此外，将多源遥感数据（例如Sentinel-2、Landsat-9）与基于过程的或统计的空间模型相结合的综合分析框架，为不同湿地生态系统（如沿海潮滩）中的ES空间异质性及其潜在驱动因素（例如气候、土地利用）提供了有价值的机制性和相关性见解（Li等人，2023a年；Zhao等人，2024年）。
然而，当前研究中仍存在一些关键空白。尽管机器学习被广泛应用，但很少有研究针对沿海景观的固有复杂性对这些技术进行了调整——沿海景观的特点是动态的土地-海洋相互作用和人为干扰，这常常导致湿地和非湿地类型之间的错误分类，从而将空间精度限制在约80%（Murray等人，2022年；Hou等人，2023年）。现有的ES评估框架很少将基于知识的空间规则（例如植被特征、水频率）与机器学习相结合以提高精度，导致在复杂沿海系统中无法充分捕捉到细尺度的ES变化（≤30米）（Chen等人，2023年；Liu等人，2024b年）。尽管对ES与驱动因素关系的关注日益增加，但大多数研究缺乏系统地将ES的协同效应/权衡与社会环境因素相结合，这阻碍了将评估结果转化为可操作的管理策略（Li等人，2023a年；Zhao等人，2024年）。这些空白突显了需要一种基于情境优化的高精度方法来推进沿海湿地ES评估，并为基于证据的保护实践提供支持。
本研究的总体目标是验证并应用一种可复制的高精度沿海湿地制图方法——将ES与社会环境条件相结合——以生成特定地区的见解和可操作的管理建议（详细的技术方法在附录中提供）。三个具体目标是：（1）开发一个基于GEE的综合框架，结合知识规则和机器学习，将湿地划定/ES量化的精度提高到90%以上；（2）绘制四种关键ES（碳储存、栖息地质量、土壤保护、水资源产出）的地图，以识别空间热点/冷点及其权衡/协同关系；（3）使用随机森林评估社会环境驱动因素的重要性，并揭示ES空间变化机制。鉴于北京-天津-河北发展对渤海经济区（BER）湿地的影响（Zong等人，2022年；Zong等人，2023年），提出了有针对性的管理建议，为管理部门提供战略指导。
研究区域
渤海经济区以其多样的河口三角洲类型和丰富的沿海湿地资源而闻名，包括莱州湾、渤海湾和辽东湾（图1）。近年来，相关政府机构正式采纳了BER的概念，并启动了具体的区域规划工作。这一经济发展为探索与沿海湿地相关的各种ES的机制提供了重要机会。
改进的湿地制图分辨率：比较分析
基于5000个验证样本，分类准确性评估（混淆矩阵）显示总体准确率为93.76%，Kappa系数为0.923，表明分类结果与实际土地覆盖之间的可靠性高且一致性优异（表3）。不同土地覆盖类型之间的生产者准确性（PA）和用户准确性（UA）存在显著差异。水体由于独特的光谱特征，实现了最高的PA（98.24%）和UA（97.67%）。
高精度沿海湿地地图在支持生态系统服务评估中的作用
为了开发一种可重复使用的高精度沿海湿地制图方法，并将ES与BER的社会环境条件相结合，本文提出的基于知识规则的优化框架具有完全自动化特点——这不仅确保了方法的可重复性，还便于大规模适应（Zhong等人，2022年；Li等人，2024年）。这种可扩展性得益于其依赖于公开可获取的土地数据。
结论
本研究采用基于Google Earth Engine平台的机器学习方法，利用基于知识的规则来绘制沿海湿地并量化与土地-海洋相互作用相关的ES。我们的研究评估了ES的权衡、协同效应以及热点和冷点，并使用随机森林方法对ES变化的关键驱动因素进行了排名。通过应用基于知识规则的机器学习技术，我们生成了一张详细地图，区分了沿海湿地与其他类型。
CRediT作者贡献声明
卢婷：写作——审稿与编辑，撰写初稿，可视化，验证，软件，方法论，正式分析，数据管理。王雅萍：写作——审稿与编辑，撰写初稿，监督，软件，资源，项目管理，方法论，调查，资金获取，概念化。金继元：撰写初稿，可视化，验证，资源，方法论，正式分析，数据管理。朱世兵：撰写初稿，
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究得到了国家自然科学基金（资助编号：42293261）的支持。作者感谢Cong Lin、Jian Jin以及三位匿名审稿人的宝贵意见和建议，这些意见极大地提高了本手稿的质量。
