《City and Environment Interactions》：Landscape ecological risk assessment and Multi-Scenario simulation of proluvial plains in Northwest China
编辑推荐：
无计划工业化是快速城市化边缘地区（如Narayanganj City Corporation）农业用地流失和环境退化的主要驱动因素。识别农业-工业增长的适宜区位对于平衡经济扩张与生态保护至关重要。该研究通过将集成树型机器学习（随机森林（Random Fores
无计划工业化是快速城市化边缘地区（如Narayanganj City Corporation）农业用地流失和环境退化的主要驱动因素。识别农业-工业增长的适宜区位对于平衡经济扩张与生态保护至关重要。该研究通过将集成树型机器学习（随机森林（Random Forest）和XGBoost）与地理信息系统（GIS）框架相结合，增强了现有选址分区研究，以定量确定农业-工业适宜性的空间决定因素。研究评估了9个地理空间变量，包括与主要道路、次要道路、河流、水体、居民点、农业用地、流域及地形因子的距离。模型表现良好（随机森林精度：93.94%，XGBoost精度：93.76%；AUC > 0.94）。该研究的一个关键创新在于将这些集成模型与SHAP（SHapley Additive exPlanations）可解释性方法相结合，以明确揭示每个空间因子如何驱动适宜性，提供了在农业-工业分区中极少应用的透明且可解释的见解。最终适宜性图显示，Narayanganj City Corporation（NCC）38%的土地适宜发展农业-工业，而仅13%为高度适宜。约26.7%的土地不适宜，若将水体排除在开发考虑之外，这一比例上升至62%。值得注意的是，仅8.2%的机器学习识别出的适宜区域与NCC详细区域规划（Detailed Area Plan, DAP）中指定的工业区重叠，表明存在显著的空间与政策错位。研究结果进一步识别出与主要道路、居民区和河流的距离为最具影响力的变量，为规划者提供了明确的决策优先级。通过将可解释性机器学习与空间政策比较相结合，该研究提供了一种新颖的数据驱动框架，用于指导环境友好且因地制宜的农业-工业扩张，同时揭示了制度差距和土地利用治理改进的机遇。
该研究聚焦于孟加拉国快速城市化背景下农业-工业用地适宜性评价问题。Narayanganj作为达卡大都市区东南部的工业重镇，自19世纪中期以来经历了快速且无计划的工业扩张，导致严重的土地利用变化与环境退化。研究背景源于以下核心问题：一方面，孟加拉国1980至2010年间流失超过8%的农地，工业用地却增长三倍有余；另一方面，现有规划框架（如详细区域规划DAP）与实际空间需求存在显著脱节，传统多准则决策方法（MCDM）主观性强，而现有机器学习应用又缺乏透明可解释性。为此，研究人员首次在孟加拉国将集成树型机器学习与GIS空间分析相结合，构建了农业-工业用地适宜性评估体系。
研究采用的技术路线主要包括以下环节：基于RAJUK2015年详细区域规划数据构建样本队列，选取1816个农业型工业企业，按70:30比例划分训练集与测试集；运用随机森林（100棵决策树，random_state=42）和XGBoost（经5折交叉验证网格搜索优化，最终参数为n_estimators=200、learning_rate=0.1、max_depth=7）两种集成学习模型进行因子重要性分析，并采用加权平均法融合模型输出；引入SHAP值量化各空间因子对适宜性预测的边际贡献，实现模型可解释性；最后通过加权叠加分析生成最终适宜性图，并与DAP官方工业分区进行空间比对。
研究结果部分，研究按逻辑结构呈现如下发现：
因子层面影响分析：通过机器学习模型识别出主要道路距离（16.78%）、居民区距离（16.19%）和河流距离（16.60%）为最具影响力的三大因子。SHAP分析揭示，与主要道路和居民区的距离呈正相关关系（即距离越远越适宜），这与传统认知中"靠近道路利于工业物流"的假设形成反差，研究人员推测这是由于快速城市化导致道路周边已被商住用地占据；河流距离的负相关关系（即越近越适宜）反映了农业-工业对水源的工艺需求，但也存在环境风险；农业用地距离呈负相关，暴露了现有规划对农田保护重视不足的问题。
适宜性空间分布：加权叠加结果显示，NCC地区38%土地（20.65 km2）适宜农业-工业发展，其中仅13%为高度适宜；26.7%为不适宜，若计入水体缓冲则升至62%。空间上，西北部和中央河流走廊为最优发展区，南部河岸地带因洪涝风险被列为不适宜。
与规划政策的空间错位：仅8.2%的机器学习识别适宜区与DAP规划工业区重叠，覆盖DAP适宜区的30.81%；反之，DAP规划工业区中69.19%在研究中被评为不适宜。尤为突出的是，DAP工业区多沿河流布局，而研究表明这并非农业-工业的最优选址。
讨论部分，研究人员从三个维度展开深入分析：在比较分析维度，研究结果与印度、伊朗等全球南方国家有共性（如道路连通性重要），但因Narayanganj的三角洲地貌而显示出坡度和高程重要性较低的特异性；与全球北方严格环境规制下河岸工业限制形成鲜明对比，反映了当地对水资源的经济依赖与监管薄弱并存。仅8.2%的空间重叠率与孟加拉达卡Savar、中国沿海等城市研究相呼应，揭示了快速发展地区普遍存在的规划-现实错位。该研究指出，DAP作为政策文件需兼顾城市密度、混合用地和政治经济等多重目标，其沿河工业带布局虽利用了现有基础设施，却忽视了环境风险与特定产业类型的空间需求差异。ML方法相对传统层次分析法（AHP）的改进体现在处理非线性关系、降低主观偏差方面，但训练数据本身嵌入的历史 zoning 决策偏见可能持续产生影响。
在局限性陈述部分，研究人员坦陈以下不足：数据层面，采用2015年静态数据难以捕捉快速变化，缺失产权、社会接受度等微观信息；变量层面，未纳入就业、运输成本、污染等社会经济维度，空气水质、土壤健康、生物多样性、地下水位和洪水风险等关键环境指标亦有待完善；方法层面，非空间机器学习忽视空间自相关，随机森林存在过拟合风险，XGBoost计算需求高且无法直接建模时空动态，未来可引入地理加权回归、空间自回归模型或图神经网络等方法改进。
研究结论部分，研究人员明确指出：Narayanganj City Corporation经历了快速且基本无计划的工业扩张，对土地资源和城市环境造成显著压力。该研究应用集成树型机器学习结合GIS，基于9个空间因子评估农业-工业用地适宜性，是孟加拉国首次将可解释性集成机器学习应用于农业-工业分区，为空间决策提供了透明的数据驱动框架。主要发现包括：与主要道路、居民区和河流的距离是最具影响力的适宜性决定因子；SHAP分析揭示距居民区和农业用地的距离增加通常提升适宜性，而河流和水体的邻近性具有复杂但常为正的影响；适宜性制图显示38%的土地适宜发展，但仅13%高度适宜，26.7%不适宜（计入水体后为62%）；空间上最适宜区域集中于西北部和中央河流走廊，但与官方工业区的空间错位显著——仅8.2%重叠。这些发现凸显了数据驱动规划对于防止农业和生态资产进一步流失的关键需求，同时揭示了空间政策脱节的严重性，强调需将数据驱动空间分析纳入城市-工业治理框架以促进更有效和可持续的土地利用规划。
基于上述结论，研究提出以下政策含义：土地利用规划应聚焦适宜性评价识别的最优区域以改善物流并减少环境损害；亟需更新分区法规以缩小数据驱动适宜区与指定工业区之间的错位；机构协调层面应将空间适宜性数据纳入土地使用许可审批流程，确保基础设施项目建于研究识别的最佳区位；在现有交通路线附近发展产业同时保护水体和农田等敏感区域，将支撑可持续增长；对适宜区内工业活动进行定期监测并辅以灵活政策，可防止无序扩张并促进均衡的土地利用管理。未来研究应通过引入空间感知技术解决非空间机器学习的局限，以充分考量空间自相关性和异质性。
