理解城市沿海湿地生态恢复区域内公众对文化生态系统服务的认知：基于社交媒体的大型语言模型方法

《Journal of Environmental Management》：Understanding public perceptions of cultural ecosystem services in urban coastal wetland ecological restoration areas: A social media-based large language model approach

本研究利用大语言模型结合提示工程方法，分析厦门沿海湿地生态修复区社交媒体数据，系统评估公众对九类文化生态系统服务的感知特征及影响因素，揭示娱乐（31.69%）和美学（23.54%）是主要感知类别，生态环境、历史文化和管理实践是核心影响因素，为优化生态修复规划提供依据。

　　

赵子瑞|马志远|陈斌|李萍|于伟伟|胡文佳|张典|廖建基

自然资源部第三海洋研究所海洋生态保护与修复重点实验室，中国厦门，361005

摘要

了解公众对城市沿海湿地生态修复区域中文化生态系统服务（CES）的认知对于沿海资源管理和可持续发展至关重要。尽管社交媒体数据已被越来越多地用于开发CES指标，但在从大量文本评论中智能、准确和高效地评估CES及分析其主要影响因素方面仍存在显著的技术挑战。为应对这些挑战，本研究开发了两种基于人工智能（AI）的方法——使用带有提示工程的大型语言模型——来自动识别CES类别和相关情感，并分析关键影响因素。以中国厦门的沿海湿地生态修复区域为案例研究，结果表明，休闲（31.69%）和美学（23.54%）是最常被感知的CES类别。所有修复区域中九个CES类别的平均情感得分均为正面（4.0–4.6）。三种不同类型的修复区域（红树林、海滩和海湾）之间对CES的认知差异很小。公众认知主要受生态环境、历史文化和管理实践的影响。这些发现为改进城市沿海湿地的修复规划和可持续管理提供了有针对性的建议。本研究展示了计算机科学与海洋生态学的创新跨学科整合，突显了AI在推进CES研究方面的优势，并为理解公众认知提供了新的范式。

引言

沿海地带是陆地与海洋相互作用的过渡区域，为人类提供了多种生态系统服务，如风暴防护、食物供应、休闲和美学价值（Barbier, 2019; Wood et al., 2024），被认为是最具价值的生态系统之一（Liu and Ma, 2024）。然而，人类活动的加剧和全球气候变化给沿海湿地带来了越来越大的压力。自1970年以来，沿海湿地总面积减少了约2800万公顷，这大大降低了它们提供关键生态系统服务的能力，威胁到了可持续发展（Veidemane et al., 2024; 湿地公约, 2025）。生态修复已成为恢复生态系统服务和提升人类福祉的主要策略（Liu and Ma, 2024）。2021年至2030年被指定为联合国生态系统修复十年（Waltham et al., 2020），期间全球启动了许多城市沿海湿地修复项目。然而，大多数项目在实施后缺乏对其生态效果的评估。

评估生态修复的有效性对于优化未来的修复实践至关重要（Wortley et al., 2013）。现有的关于沿海湿地修复效果的研究主要集中在与生态系统结构和功能相关的指标上，而对生态系统服务（特别是文化生态系统服务（CES）的评估仍然有限（Liu and Ma, 2024）。CES作为自然生态系统与人类福祉之间的桥梁，在增强个体的归属感和满意度方面发挥着关键作用（McElwee et al., 2025）。通过CES的视角评估修复成果有助于调整修复策略，以更好地满足公众需求，从而提高福祉并推进环境管理实践（Tan et al., 2021）。

目前的CES评估方法大致分为货币性和非货币性方法（Cheng et al., 2019）。然而，由于某些CES类别（如地方感和精神或宗教价值）的无形性和非市场特性，使用货币方法难以准确评估（Hernández-Morcillo et al., 2013）。非货币性方法主要包括调查、焦点小组访谈和公众参与地理信息系统（Cheng et al., 2019），其中问卷调查通常是主要的数据收集工具（Pouso et al., 2018）。这些非货币性方法提供了对公众对CES认知和需求的更全面理解，尤其是那些经常被忽视的类别（Cheng, 2023）。然而，基于问卷的方法受到实施时间耗时、样本量有限以及在大范围空间应用困难的限制（Ghermandi et al., 2020）。

大数据的进步有助于解决传统调查方法的局限性。社交媒体作为个人表达情感和观点的现代媒介，已成为有价值的数据来源（Cao et al., 2022）。与传统基于问卷的调查相比，社交媒体数据具有实时可访问性、广泛的空间和人口覆盖范围，以及丰富的用户生成内容，可以有效反映公众认知（Reveilhac et al., 2022）。然而，社交媒体数据的庞大体积和非结构化特性继续在高效和准确评估CES及相关公众情感方面带来技术挑战。

近年来，自然语言处理（NLP）技术的快速发展使得评估CES的智能解决方案更加高效和准确。主要采用的技术包括基于词典的方法（Yu et al., 2024）、机器学习（Li et al., 2025）和深度学习方法（Havinga et al., 2024）。其中，基于词典的方法可以自动快速地对文本进行分类（Yu et al., 2024）；然而，它们需要耗时的手动词典注释，并且缺乏上下文理解，可能导致文本误解，最终影响CES评估结果。机器学习中的主题建模方法能够自动进行主题分类，但仍难以处理非结构化文本的复杂性（Albalawi et al., 2020）。深度学习中的小参数预训练语言模型在提取文本特征方面表现出强大能力（Havinga et al., 2024）。然而，它们的性能在很大程度上依赖于训练数据的质量（Guo et al., 2024），通常需要大量的手动注释。CES标记数据集的稀缺进一步限制了这些模型在CES评估中的应用（Guo et al., 2024; Luo et al., 2025）。总之，这些方法面临与上下文理解、数据可用性、可解释性和大规模文本数据高效处理相关的未解决问题。

AI的进步深刻影响了社会的各个领域，包括科学研究。利用大规模参数和庞大的预训练数据集，大型语言模型（LLMs）能够在无需额外训练或微调的情况下执行文本理解、摘要和生成（Marvin et al., 2023; Zhao et al., 2023）。LLMs在上下文推理和大规模数据处理方面表现出显著优势，是深度学习领域的重大突破（Han et al., 2021）。这些模型在自然语言指令的指导下可以执行多种任务——这一过程称为提示工程（Marvin et al., 2023）。有效的提示工程可以提高模型输出的准确性并改善结果的可解释性（Luo et al., 2025; Marvin et al., 2023），相比早期的NLP技术具有明显优势。这种方法已被应用于从非结构化文本中提取信息和支持环境决策研究（Nie and Liu, 2025）。因此，使用LLMs在提示工程的指导下自动分析大规模社交媒体文本为CES评估提供了有前景的新范式。

厦门是中国第一个实施综合沿海区域管理的城市（Fang et al., 2021），在过去三十年中进行了许多沿海湿地生态修复项目。这些努力不仅改善了生态环境，还显著促进了旅游业的发展，2024年厦门接待了超过1.28亿国内外游客。尽管厦门现在已被国际公认为生态旅游目的地，但在区域层面上，CES的有效性及其在修复后的沿海湿地中的认知影响因素仍不清楚。为解决这一差距，本研究开发了两个基于提示工程的LLMs，以分析社交媒体大数据，目标是：1）评估公众对城市沿海湿地生态修复区域中CES的认知；2）分析不同类型修复地点之间CES认知的空间差异；3）识别影响CES认知差异的关键因素。

研究区域

厦门位于中国东南海岸（北纬24°23′–24°54′，东经117°53′–118°26′），包含约330平方公里的海域面积。该市拥有多样的沿海湿地生态系统，以其独特的海岸景观和丰富的旅游资源而闻名（Yang et al., 2021）。然而，近几十年来，快速的经济发展对其沿海湿地造成了巨大压力，从而对可持续发展构成了挑战。

模型性能验证

宏观平均和微观平均指标被用作CES分类和情感分析性能的总体评估指标。宏观平均强调所有CES类别的平衡性能，而微观平均反映所有单个样本的分类性能。表1展示了基于提示工程的LLMs在CES评估中的性能结果。微观平均F1分数达到了0.85，这是一个强有力的结果，表明整体性能较高

生物多样性和管理对CES认知的影响

根据LLMs对社交媒体评论数据的评估，研究区域内对CES的积极认知受到三个关键因素的共同影响：生态环境、历史文化和管理实践。相比之下，负面认知主要源于生态维护不足和管理实践的缺陷。

结论

基于社交媒体大数据的传统CES认知评估方法往往由于处理大量非结构化文本数据的技术限制而忽略了评论文本中嵌入的多样化信息。从公众认知的角度来看，本研究开发了一个基于提示工程的LLM框架，利用社交媒体文本数据实现九个CES类别的自动化、定量评估及其关键影响因素的分析。

CRediT作者贡献声明

赵子瑞：撰写——原始草稿、方法论、概念化。马志远：撰写——原始草稿、方法论、概念化。陈斌：撰写——审阅与编辑、监督。李萍：验证。于伟伟：撰写——审阅与编辑、概念化。胡文佳：撰写——审阅与编辑、概念化。张典：数据整理。廖建基：撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国国家重点研发计划（项目编号：2024YFF1306803）、厦门自然科学基金（项目编号：3502Z202473088）、第三海洋研究所科学研究基金（项目编号：2025048和2025045）以及国家自然科学基金（项目编号：42206238）的支持。