《Ecological Indicators》：Unveiling nonlinear driving mechanisms and ecological thresholds of natural and tourism cultural ecosystem services in oasis cities: Insights from an XGBoost-SHAP framework
编辑推荐：
在生态承载力有限的绿洲旅游城市，快速城市化加剧了经济发展与生态保护之间的竞争。理解旅游文化生态系统服务（TCES）与自然生态系统服务（ESs）之间的非线性权衡关系对于可持续管理至关重要。本研究以丝绸之路典型绿洲城市酒泉市为例，综合运用InVEST模型与核密度估
在生态承载力有限的绿洲旅游城市，快速城市化加剧了经济发展与生态保护之间的竞争。理解旅游文化生态系统服务（TCES）与自然生态系统服务（ESs）之间的非线性权衡关系对于可持续管理至关重要。本研究以丝绸之路典型绿洲城市酒泉市为例，综合运用InVEST模型与核密度估计（Kernel Density Estimation, KDE）量化了产水量（WY）、土壤保持（SR）、碳储量（CS）、生境质量（HQ）及TCES的时空演变。研究人员进一步构建了基于地理探测器（Geographical Detector）和XGBoost-SHAP模型的诊断框架，以识别非线性驱动机制与生态阈值。结果表明：(1) ESs呈现显著的空间异质性，以稳定的“南高北低”格局为特征。TCES持续增长并集聚，在空间上与调节服务分离，揭示了旅游与保护之间的激烈竞争。(2) 权衡关系结构上保持稳定，WY普遍与其他服务呈权衡关系，而HQ、CS和SR表现出强协同性；然而，地理加权回归（Geographically Weighted Regression, GWR）显示这些交互的强度和方向存在显著的空间异质性，大致对应山地-绿洲地形梯度。(3) “地理探测器—XGBoost-SHAP”框架揭示，自然因素主导调节服务，而旅游设施驱动TCES。关键的是，关键因子表现出显著的非线性阈值效应：降雨量对产水量的影响存在饱和点，而旅游设施密度在突破特定阈值后对TCES呈现指数增长特征。本研究证实了基于阈值的非线性管理的重要性，为解决干旱绿洲旅游城市“资源依赖与生态约束”的冲突，开展分区管理和阈值预警提供了科学依据。
绿洲旅游城市面临着生态承载力有限与快速城市化带来的经济发展和生态保护竞争加剧的严峻挑战。理解旅游文化生态系统服务（Tourism Cultural Ecosystem Services, TCES）与自然生态系统服务（Ecosystem Services, ESs）之间的非线性权衡关系，对于实现可持续管理至关重要。然而，现有研究多将TCES简化为孤立的社会经济指标，未能将其置于“自然-社会”耦合系统的统一框架中与传统服务进行等尺度的权衡与协同分析。同时，生态系统服务驱动机制的识别传统上依赖线性模型，难以捕捉生态过程固有的高度非线性和阈值效应。此外，对生态系统服务的研究主要集中在湿润地区、沿海城市群或森林生态系统，而对水资源约束刚性的绿洲旅游城市关注不足。这类生态系统本底脆弱，对人为干扰高度敏感，旅游城市化在依赖自身生态稳定性的同时，人类活动又深刻影响着这种稳定性，极易在边际扰动下触发生态系统服务的状态跃迁。
为应对这些挑战，研究人员以丝绸之路经济带关键节点酒泉市为案例，构建了“服务量化—关系识别—驱动诊断—阈值提取”的综合研究框架。首先，通过耦合InVEST模型与核密度估计（Kernel Density Estimation, KDE），量化了2013年至2023年间四种自然服务和TCES的时空演变，揭示了其稳定的全局权衡与协同关系及空间非平稳性特征。接着，采用地理加权回归（Geographically Weighted Regression, GWR）模型分析了服务间交互作用的空间异质性。在驱动机制诊断上，研究人员构建了地理探测器与XGBoost-SHAP互补诊断系统。地理探测器用于探测空间分层异质性并识别宏观尺度的主导因子。XGBoost（Extreme Gradient Boosting）算法则用于捕捉高维非线性关系，并结合SHAP（SHapley Additive exPlanations）模型进行解释，以精确识别驱动贡献和生态阈值。为确保阈值的实际管理意义，研究实施了5折空间交叉验证与15次网格搜索的超参数优化，并在SHAP解释阶段将标准化变量恢复为原始物理单位。数据来源包括武汉大学提供的30米分辨率中国土地覆盖数据集（CLCD）、国家青藏高原科学数据中心的降水数据、和谐世界土壤数据库（HWSD）的土壤数据、ASTER GDEM数字高程模型以及酒泉市统计年鉴和高德地图、百度地图、携程、去哪儿、马蜂窝等平台的POI与评论数据。
研究结果表明，生态系统服务呈现显著的时空异质性。自然调节服务维持稳定的空间配置：产水量（WY）集中于西南部，生境质量（HQ）集中于中南部，碳储量（CS）集中于东南部，土壤保持（SR）集中于东北部。时间上，WY和SR呈“先增后减”趋势，均在2018年达到峰值。TCES则经历了从稀疏散点到密集集聚格局的深刻演变，数值从2013年的0.02激增至2023年的2.40，反映了文化服务功能的持续增强。
在生态系统服务权衡与协同分析方面，全局相关性分析与GWR结果揭示，2013至2023年间服务间的交互结构在全局上保持稳定。WY普遍与CS、SR和TCES呈显著负相关，构成权衡关系。HQ、CS和SR之间则维持强协同关系，尤其在南部山地及邻近过渡带表现更为显著。GWR系数图明确显示这些交互存在强烈的空间非平稳性，其强度和方向大致对应于山地-绿洲地形梯度。值得注意的是，TCES与调节服务（如HQ和CS）在全球尺度上关联较弱，但在局部地区显示出明确的分化：在低海拔绿洲基础设施集中区出现局部协同，而在南部高海拔脆弱地带则更常出现权衡。
为识别驱动机制，研究人员建立了“地理探测器-XGBoost”互补框架。地理探测器的q值与SHAP重要性对比分析揭示了驱动机制的“共识”与“互补”。对于CS和HQ，土地利用/覆盖（Land Use/Cover, LUCC）被两种方法一致确认为主导因子，验证了干旱区植被群落与生境适宜性之间的生物物理联系。对于WY和SR，降水（P）和海拔（DEM）成为核心驱动因子。对于TCES，两种方法提供了互补见解：地理探测器捕获了宏观空间解释力，而XGBoost-SHAP则在微观尺度上识别出餐饮娱乐（DE）和旅游景点（TA）设施密度为主要驱动因素，凸显了“热点驱动”机制。交互探测表明，所有驱动因子间均存在“双因子增强”或“非线性增强”效应。
在驱动因素方向性影响方面，SHAP蜂群图分析显示，2013年驱动机制在“土地利用主导”和“气候主导”的服务间存在明显分化。草地（LUCC_X4）对CS和HQ有强正贡献，而对WY有负影响；降水（P）主要驱动WY。到2018年，降水对WY的影响显著增强；TCES的驱动因素发生结构性转变，旅游景点（TA）密度超越餐饮娱乐（DE）成为首要驱动因素。至2023年，驱动因素配置趋于稳定，草地（LUCC_X4）持续作为CS、HQ的正向关键驱动因子和WY的负向调节因子，TA则保持为TCES的首要驱动因子。
对关键驱动因子非线性效应与阈值的识别是本研究的核心。SHAP依赖图分析揭示：对于SR，植被覆盖度（FVC）在2013和2018年是主要驱动因子，其最优贡献范围分别为25%–55%和30%–60%；到2023年，降水（P）成为主导因子，在180–200毫米范围内土壤保持能力随降水增加而提升，但在200–220毫米区间急剧下降，表明土壤保持功能对过量降水高度敏感。HQ对植被覆盖度呈现一致的单峰响应，其最优范围随时间收窄。CS随FVC增加而持续上升，但在2023年，当植被覆盖度超过70%后增长显著放缓，表明碳封存趋于饱和。WY对降水呈现典型的阈值和饱和效应，正向贡献通常在降水超过80-100毫米后出现，但超过特定阈值（如2023年的160-220毫米）后进入饱和阶段。TCES的驱动阈值变化最为显著：2013年主要由餐饮娱乐（DE）密度驱动，其贡献在密度超过0.03-0.05单位/平方公里后显著增加；而在2018和2023年，旅游景点（TA）密度成为首要驱动因子，其贡献在密度超过0.003单位/平方公里后出现，并在超过0.006-0.007单位/平方公里后急剧增长，但高密度时SHAP值离散度增加，表明TCES响应的空间异质性和不稳定性增强。
土地利用变化（LUCC）分析进一步证实了其核心驱动作用。2013-2023年间，研究区建设用地持续扩张，主要通过侵占耕地、草地和未利用地实现；草地面积因与未利用地的相互转换而减少。这些多方向流动构成了区域ESs波动的根本驱动力。LUCC决定了“WY与其他服务普遍权衡、HQ-CS-SR高协同”的稳定结构。
综上，本研究通过整合生态系统服务评估、空间关系诊断和可解释机器学习，开发了一个可迁移的分析框架，用于识别绿洲旅游城市的非线性驱动机制与生态阈值。研究系统揭示了酒泉市2013-2023年间自然生态系统服务和旅游文化生态系统服务的时空演变、权衡/协同关系、驱动机制及阈值效应。研究确认了基于阈值的非线性管理在干旱绿洲旅游城市的重要性，为通过分区管理和阈值预警解决“资源依赖与生态约束”的冲突，支持全球干旱区绿洲城市的可持续发展提供了科学依据。
