干旱区生态系统服务关键阈值响应识别：融合因果推断与机器学习的协同分析框架

《Agronomy》：Identifying Critical Threshold Responses of Ecosystem Services in Arid Areas: A Synergistic Approach of Causal Inference and Machine Learning Xiumei Tang, Yukun Zhang, Peiyu Du, Zhe Hao, Heju Huai, Wen Liu, Dongyuan Zhang and Jianhong Qiu

为解决干旱区生态系统服务在自然-社会经济耦合驱动下非线性阈值响应难以精准识别的问题，本研究以塔里木河流域为例，构建了融合因果推断、交互项构建、可解释机器学习与分段回归的集成分析框架。研究揭示了降水与人口密度交互是驱动四类生态系统服务变化的关键协同因子，明确了不同服务在自然-社会驱动下的具体耦合阈值，为干旱区生态风险预警与分区管理提供了定量依据。

　　

在广袤而脆弱的干旱区，水资源极度匮乏，人类活动与自然环境紧密交织。这里的生态系统，如同行走在钢丝上，对外界变化异常敏感。长期以来，人们知道生态系统服务，如水源涵养、土壤保持、防风固沙和生物栖息地质量，会受到气候和人类活动的双重影响。但这些影响并非简单的线性加减，它们常常在悄无声息中积累，直到某个临界点突然引发生态功能的急剧变化，即所谓的“阈值响应”。识别这些潜在的生态“引爆点”，对于防范生态风险、实现可持续发展至关重要。然而，现有研究面临着三重挑战：驱动因子筛选的因果基础薄弱，自然与社会因素的交互效应考虑不足，以及阈值识别结果与管理实践的脱节。为了破解这些难题，一项发表在《Agronomy》上的研究，以中国最大的内陆河流域——塔里木盆地为“天然实验室”，展开了一场深入探索。

研究人员为了回答上述问题，主要采用了五项关键技术方法：首先，利用InVEST模型和修正风蚀方程评估了栖息地质量、土壤保持、防风固沙和产水量这四项关键生态系统服务。其次，运用PC算法和DoWhy框架进行因果推断，筛选出具有稳健因果关系的驱动因子。接着，基于筛选结果构建自然-社会经济交互项。然后，采用可解释机器学习方法，具体是XGBoost-SHAP，来建模生态系统服务的非线性响应并解释特征重要性。最后，对SHAP依赖关系进行分段线性回归，以精确量化阈值区间。研究数据来源于多源数据集，并统一处理至1公里分辨率。

研究结果

1. 生态系统服务时空变化趋势

从2000年到2023年，四项生态系统服务呈现出分异趋势。栖息地质量和产水量整体呈下降态势，而土壤保持和防风固沙服务则逐渐提升。这直观反映了研究期内，人类活动加剧（如农业扩张）对水相关服务产生了压力，而一些生态工程或自然恢复过程则可能增强了土壤保持能力。

2. 关键驱动因子与交互效应

通过因果筛选和交互建模发现，降水与人口密度的交互项是驱动四项生态系统服务变化的关键协同因子。生态系统服务及其驱动过程均表现出显著的非线性特征，并在特定的阈值区间内发生明显的趋势转变。这意味着，在干旱区，人口压力在特定降水条件下会被放大或改变其对生态服务的影响模式。

3. 生态系统服务的耦合阈值识别

研究明确了不同生态系统服务在自然-社会驱动下的精确耦合阈值。例如，对于栖息地质量，当降水与人口密度交互项的值低于某个阈值时，服务水平维持相对稳定；一旦超过该阈值，栖息地质量会随交互项增强而急剧下降。类似的阈值行为在土壤保持、防风固沙和产水量服务中也被识别出来，直观揭示了各类服务的耦合阈值特征。

4. 方法论贡献与管理启示

将因果推断与可解释机器学习相结合，增强了阈值识别的可靠性，并揭示了不同服务的异质性响应机制。这为区域生态系统的分区管控和差异化管理提供了定量基础。例如，对于接近或已超过阈值的区域，需要实施严格的生态保护或修复措施；而对于尚处于安全阈内的区域，则可探索发展与保护相协调的可持续路径。

研究结论与意义

本研究成功开发并应用了一个集成的分析框架，将生态系统服务评估、因果驱动筛选、交互效应建模、非线性响应刻画与阈值定量识别有机结合。该框架克服了传统研究在因果性、交互性和非线性表征方面的局限。研究发现，在塔里木河流域，降水与人口密度的交互作用是主导生态系统服务非线性变化的核心驱动力，并且不同服务对此外力耦合的响应存在明确的阈值区间。这些具体的阈值点为区域生态风险预警提供了精准的“标尺”。更重要的是，该研究所构建的方法论框架具有可移植性，能够为全球其他干旱半干旱地区的生态系统治理提供一套强有力的分析工具，支持在气候变化和人类活动加剧背景下，实现基于科学证据的生态保护与可持续土地管理决策。