快速城市化已成为全球现象，对城市生态系统造成了前所未有的压力和干扰（Claris Fisher等人，2021年）。随着建成区的不可持续扩张，自然资源迅速减少，从而削弱了生态系统的结构、功能和适应能力（Yang等人，2025年）。由于过度强调经济增长，土地利用效率（LUE）一直被忽视（Yi等人，2025年），导致景观破碎化（Hou等人，2025年）和空间资源分配不平衡（Zhang & Yang，2024年）。这种低效的土地利用模式不仅阻碍了可持续的城市发展，也对生态韧性构成了重大挑战（Folke，2006年；Xie等人，2021年）。为了解决这些冲突，LUE优化被认为是一种实用且有效的策略（Li等人，2023年）。LUE不仅强调每单位土地的经济产出最大化，还强调了功能结构的合理组织、社会资源的优化分配、土地承载能力的评估以及生态系统适应恢复能力的提升（Jialv等人，2025年；Xie等人，2021年）。因此，探索LUE与生态韧性之间的相互作用机制对于促进城市系统和生态系统之间的协调发展至关重要（Feng, Zhang等人，2024年）。
韧性最初由Holling（1973年）提出，指的是生态系统在面对干扰时恢复和适应的能力。生态韧性是评估复杂生态系统如何应对环境和人为干扰的关键指标，特别是在快速城市化的地区，其中土地利用模式构成了社会经济活动与生态系统之间的主要界面（Hu等人，2024年）。在这种情况下，土地利用模式决定了人类活动的强度和空间组织，从而调节了对生态系统施加的压力及其维持或恢复关键功能的能力。土地利用效率衡量的是每单位建成土地的社会经济产出（He等人，2020年），它同时捕捉了土地利用强度和空间聚集效率，提供了一个系统地考察土地开发过程对生态韧性影响的实用视角（Huang等人，2024年）。阐明这种联系为分析在不同土地利用效率条件下的差异化生态韧性结果提供了概念基础。
尽管LUE对生态韧性的重要性已被广泛认可，但其背后的机制仍没有得到充分探索（Li, Li等人，2025年）。（1）大多数现有研究依赖于线性和静态模型，忽视了生态韧性的非线性阈值效应和对土地利用变化的复杂反馈（Yin等人，2024年；Zhu, Xia等人，2025年），导致理解片面和简化。（2）分析通常关注单一因素，土地利用效率和景观模式的联合作用经常被分割，缺乏对其相互作用的系统整合（Xie等人，2021年）。此外，研究单位通常局限于城市或县级尺度，限制了分析精度并掩盖了更深层次的影响（Li, Li等人，2025年）。（3）空间异质性经常被忽略，降低了研究结果在差异化区域治理中的实用性（Wu, Cao等人，2025年；Zhao等人，2025年）。这一限制严重限制了可持续城市发展的明智决策，并阻碍了有效土地利用政策的制定和实施，突显了创新理论框架和技术工具的迫切需求以实现突破（Asghar等人，2025年；Wu, Zhou等人，2025年）。
近年来，规模–密度–形态（SDM）理论在生态韧性研究中显示出巨大潜力。SDM理论最初由Xiu等人（2018年）为城市韧性评估而开发，它基于景观生态学的核心原则，并与生态韧性的空间结构和功能机制相吻合（Li, Li等人，2025年）。最近的研究将SDM理论扩展到区域生态韧性分析（Jin & Xiu，2025年；Wang等人，2021年），证实了其在复杂自然生态系统中的适应性。然而，现有的基于SDM的研究往往受到静态和线性分析方法的限制（Xiu等人，2018年），对规模、密度和形态维度的处理过于碎片化，对空间异质性的考虑也有限（Wang等人，2022年），从而限制了它们完全揭示土地利用与生态韧性之间动态机制的能力。
作为回应，机器学习（ML）可以为解决上述知识空白提供新的途径。ML在捕捉城市和环境研究中的复杂非线性关系方面已被证明非常有效。诸如随机森林（RF）、XGBoost和LightGBM等模型已被广泛应用于城市热岛（Guan等人，2025年）、空气污染（Wang等人，2025年）、土地利用（Jialv等人，2025年）和城市洪水（Zhou等人，2024年）等领域，显示出强大的预测准确性和稳健的泛化性能。为了解决这些模型的“黑箱”问题（Masrur等人，2022年），可解释的人工智能（XAI）提供了必要的工具（Barredo Arrieta等人，2020年）。其中，基于合作博弈论的Shapley Additive exPlanations（SHAP）方法能够精确量化变量的边际贡献，并提供全局和局部可解释性（Lundberg & Lee，2017年）。最近，人们越来越关注空间依赖性在提高模型可解释性中的作用（Foroutan等人，2025年）。新兴的GeoShapley技术结合了地理加权来构建空间异质性贡献模型（Li，2022年），进一步增强了ML捕捉空间效应和提升政策相关性的能力（Li，2024年），显示出未来研究的广泛潜力（Chen等人，2025年）。
中国的城市化率已超过70%，加剧了城市发展与生态系统之间的冲突（Jiang等人，2024年）。太行山地区（TMR）的城市就是这种快速城市化的典型例子。在京津冀协同发展战略的推动下，TMR正在经历剧烈的土地功能转变，面临城市扩张和景观破碎化的双重威胁（Wang等人，2026年）。因此，TMR为研究生态韧性的驱动机制提供了理想的案例。
总之，本研究聚焦于TMR的22个城市，开发了一个地理空间可解释的人工智能（GeoXAI）框架，整合了规模–密度–形态理论来揭示影响生态韧性的机制。该框架基于多种机器学习模型的最优选择，结合了SHAP和GeoShapley，增强了机制可解释性和空间识别能力。主要贡献有三个方面：（1）我们提出了第一个用于生态脆弱地区生态韧性评估的GeoXAI框架，通过在一个六边形网格中整合Boruta、CatBoost、SHAP和GeoShapley，形成了一个完整的链式流程，用于非线性效应检测、空间异质性分析和机制解释，比传统方法具有更高的效率和定量严谨性。（2）我们揭示了LUE对生态韧性的多阈值和空间异质性效应，从而扩展了SDM理论在韧性研究中的应用范围。（3）我们使用K-means聚类来识别生态韧性响应机制类型，解决了关键的研究空白，并支持差异化的、基于地点的策略。总体而言，本研究不仅仅是简单结合现有方法；它在SDM理论和GeoXAI框架的理论和技术层面实现了跨尺度和跨模型的整合，从而建立了可转移的研究范式，用于GeoAI驱动的生态韧性评估和符合SDG 11.3的区域可持续发展。
