《Ecological Indicators》：Geospatial heterogeneity-constrained diversity regularization ensemble learning framework for ecotourism suitability mapping: Insights from Shennongjia National Park, China
编辑推荐：
生态旅游适宜性制图对于平衡保护区的保护与发展至关重要；然而，现有方法常常忽视地理空间异质性，限制了其在生态指标评估和空间规划中的有效性。本研究旨在使用一种地理空间异质性约束的多样性正则化集成学习（Geospatial Heterogeneity-constra
生态旅游适宜性制图对于平衡保护区的保护与发展至关重要；然而，现有方法常常忽视地理空间异质性，限制了其在生态指标评估和空间规划中的有效性。本研究旨在使用一种地理空间异质性约束的多样性正则化集成学习（Geospatial Heterogeneity-constrained Diversity Regularization Ensemble Learning, GSH-DREL）框架，为中国神农架国家公园绘制生态旅游适宜性地图，该框架整合了全局和局部空间信息。研究人员构建了一个综合评估体系，纳入了区域文化、濒危物种和地方民俗（例如“野人”传说）。训练样本来源于全球定位系统（GPS）坐标、高德兴趣点（POI）和地理标记照片。GSH-DREL框架结合了地理加权逻辑回归（Geographically Weighted Logistic Regression, GWLR）、空间加权集成神经网络（Spatially Weighted Ensemble Neural Network, SWENN）以及基于互信息（mutual information）层次聚类的多样性正则化机制。适宜性地图将研究区域分为四类：高度适宜（1158.38平方公里，占35.83%）、中度适宜（790.41平方公里，占24.45%）、边际适宜（520.81平方公里，占16.11%）和不适宜（763.17平方公里，占23.61%）。适宜区域沿交通廊道和河谷呈线性分布，其形态受资源独特性和地形约束共同塑造。特征重要性和SHAP（SHapley Additive exPlanations）分析确定了归一化植被指数（Normalized Difference Vegetation Index, NDVI）、土壤保持能力、土地覆盖和降水是主要驱动因素。因此，GSH-DREL框架为生态旅游适宜性制图提供了一种稳健且可解释的方法，为生态敏感地区的可持续发展、环境保护和土地利用管理提供了实践见解。这些发现直接支持了基于生态指标的规划和保护区的保护决策。
在全球生物多样性丧失日益严重的背景下，生态旅游作为平衡环境保护与经济发展的重要途径，其在保护区内的空间布局规划至关重要。传统评估方法多依赖主观赋权或单一模型，难以有效捕捉环境系统固有的地理空间异质性，导致制图精度和空间决策支持能力受限。针对这一挑战，研究人员提出了一个地理空间异质性约束的多样性正则化集成学习（GSH-DREL）框架，应用于中国神农架国家公园的生态旅游适宜性制图。该研究旨在通过融合全局与局部空间信息，构建一个更稳健、可解释的评估模型，为保护区的可持续土地利用管理提供科学依据。
为实现上述目标，研究人员首先构建了综合评价指标体系，涵盖自然环境、地质地貌、社会经济、资源禀赋、土地承载力及区域特色六大维度，具体指标包括NDVI、海拔、坡度、人口分布、土壤保持能力、距“野人”出没区距离等共24项地理空间特征。训练样本整合了GPS轨迹、高德POI及现场拍摄的地理标记照片作为正样本，并从城镇建成区、农田、裸地等区域系统选取负样本以确保空间代表性。所有空间数据统一重采样为30米分辨率栅格。
GSH-DREL框架的核心技术创新包含两方面。其一是空间加权集成神经网络（SWENN），它利用神经网络的非线性映射能力，学习空间邻近性与各基学习器（Base Learner）集成权重之间的复杂关系，使得每个基学习器的贡献度能随地理位置自适应变化。其二是基于互信息和层次聚类的多样性正则化机制，通过计算各基学习器预测结果间的互信息系数并进行聚类分析，剪除高度相关的冗余模型，以增强集成模型的泛化能力。研究对比了投票（Voting）、堆叠（Stacking）、混合（Blending）及SWENN四种集成策略，并评估了包含决策树（DT）、支持向量机（SVM）、极端梯度提升（XGBoost）、人工神经网络（ANN）等在内的十种候选基学习器。评估指标采用准确率、精确率、召回率、F1分数、马修斯相关系数（MCC）及受试者工作特征曲线下面积（AUC）。
研究结果表明，引入地理空间异质性约束后，模型性能显著提升。基于验证后的模型，生成了神农架国家公园生态旅游适宜性地图。结果显示，高度适宜区面积为1158.38平方公里（35.83%），主要分布在神农顶、大九湖等核心景区，并沿交通干线和河谷呈“F”型条带状集中；中度适宜区为790.41平方公里（24.45%），分布于木鱼、下谷坪等镇域；边际适宜区为520.81平方公里（16.11%），处于过渡地带；不适宜区为763.17平方公里（23.61%），多为人类活动密集或生态系统破碎化区域。空间自相关分析揭示了以“点-轴”模式为主的集聚与扩散格局。
在驱动因素分析中，随机森林（RF）特征重要性排序显示，NDVI（14.56%）、土地覆盖（12.05%）、降水（7.87%）和海拔（7.71%）是最重要的影响因子。SHAP分析进一步证实，NDVI在全球和局部解释中均占据首位，其次是养分循环（MANC）、土地覆盖和降水。Sobol敏感性分析则指出，NDVI、降水、养分循环、生物多样性和温度对模型输出的总效应指数最高。研究还通过空间交叉验证和迁移性测试（在未参与训练的东新华、北阳日区域MCC达0.79），验证了模型良好的空间泛化能力。
讨论部分指出，GSH-DREL框架通过显式建模地理空间异质性，克服了传统方法和常规集成学习的局限，其生成的连续适宜性梯度信息为保护区的差异化空间管制（如高度适宜区引导低强度生态旅游、不适宜区严格执行生态限制）提供了精细依据。然而，研究也存在一定局限性：模型输出依赖本地化校准，可迁移性受限；受数据获取限制，未完全整合生态红线等政策性边界；集成结构训练耗时较长；样本数据（尤其地理标记照片）可能存在空间偏差。未来工作可探索领域自适应技术、更高效的集成剪枝方法，并加强与公园管理部门的合作以纳入多规合一的空间管控数据。总体而言，该研究为生态敏感区的可持续旅游规划与国土空间治理提供了方法论工具和实证参考。
本研究提出的GSH-DREL框架在神农架国家公园的应用取得了显著成效。该框架通过空间加权集成神经网络和多样性正则化机制，有效融合了全局与局部地理空间信息，实现了生态旅游适宜性的高精度制图。研究结论主要包括：第一，适宜性等级划分清晰，高度适宜区与核心景观资源和交通可达性密切相关；第二，适宜区域的空间分布呈现沿交通廊道和河谷的条带状集聚特征；第三，以NDVI为代表的生态指标是决定适宜性的关键驱动因素；第四，模型具备良好的空间泛化能力。尽管模型存在区域依赖性且未完全纳入政策性边界约束，但其作为一种可转移的方法论模板，能够通过调整输入特征和训练数据，为其他保护区的空间规划、生态保护优先序设定及生态旅游治理提供有力的决策支持。
