《Sustainability》：Uncovering Dynamic and Nonlinear Driving Mechanisms of Production–Living–Ecological Space Change in Metropolitan Areas Using Interpretable Machine Learning
编辑推荐：
快速城市化重塑了生产-生活-生态空间（Production–Living–Ecological Space, PLES），给都市区空间规划、生态保护与适应性土地治理带来挑战。然而，PLES变化的时间异质性与非线性机制研究尚不充分。本研究以长株潭都市圈（Chan
快速城市化重塑了生产-生活-生态空间（Production–Living–Ecological Space, PLES），给都市区空间规划、生态保护与适应性土地治理带来挑战。然而，PLES变化的时间异质性与非线性机制研究尚不充分。本研究以长株潭都市圈（Changsha–Zhuzhou–Xiangtan Metropolitan Area, CZXMA）为实证案例，构建综合框架以识别2010年至2025年间阶段性土地转型、动态预测因子重要性及PLES的非线性响应模式。研究旨在阐明PLES转型强度如何随发展阶段变化，以及关键预测因子如何随时间演变。结果表明：（1）PLES演化以生活空间持续扩张与生态空间收缩为特征，生活空间主要侵占生产空间，整体变化强度在2010–2015年间达到峰值。（2）主导驱动力从早期阶段的行政规划与距政府驻地邻近性，转变为后期都市整合阶段的人口与市场导向因素。（3）SHapley Additive exPlanations（SHAP）分析揭示了非线性响应，人口增长与生活空间扩张呈倒U型关联，暗示了土地利用饱和的可能性。与传统静态监测或单一方法驱动因素探测相比，该SIL6框架通过将转型强度与可解释的阶段性预测关联相结合，改进了对土地系统动态变化的诊断。主要政策启示在于，都市区土地治理应从静态分区转向适应性规划，以监测扩张强度、人口压力与生态约束。本研究为快速城市化都市区的韧性高效土地利用策略提供了支持。
本研究聚焦于快速城市化背景下都市区生产-生活-生态空间的动态演化及其驱动机制这一核心议题。研究背景方面，全球快速城市化地区持续的建设用地扩张不断侵蚀耕地与植被覆盖土地，现有城区面临宜居性下降与生产布局低效等问题，导致空间冲突日益加剧。PLES作为协调多功能土地利用与促进可持续发展的核心框架，其 transition 蕴含深层的功能替代与激烈的空间竞争，而非简单的土地覆被转移。然而，现有研究多基于静态空间格局分析，难以捕捉快速城市化都市区中PLES连续的功能替代与政策驱动的重组过程。强度分析虽能有效揭示土地转型的阶段性与方向性特征，但无法解释背后的驱动力及其时间演化；传统统计方法如地理探测器、地理加权回归等虽能识别主导因素，却难以揭示多维驱动因素间的复杂非单调交互作用及精确阈值效应。更为关键的是，现有文献往往将驱动机制视为时间同质且稳定的，忽略了其随社会经济发展阶段、城市化进程与生态保护政策演变的动态特性。长株潭都市圈作为中部地区城市化最快的区域之一，经历了多轮发展规划调整，呈现出清晰的阶段性演化特征，为探索驱动机制的时间演化提供了理想案例。
研究人员开展的研究首先运用强度分析框架，从间隔、类别和转型三个层次系统刻画了2010—2025年CZXMA地区PLES的时空演化与转型模式；进而构建XGBoost多分类模型并结合SHAP解释机制，识别PLES扩张的主导驱动因素，量化其相对贡献，并揭示关键驱动因素的时间演化、非线性关系、阈值效应及交互机制。研究得出以下主要结论：PLES重组以生活与生产空间持续侵占生态空间为特征，转型强度在2010—2015年间达到峰值，反映了都市早期整合阶段的快速空间重构；驱动机制具有显著的时间动态性，从初期阶段的行政规划导向因素转变为后期的人口驱动与市场导向力量，表明区域空间发展逻辑发生了根本性转变；PLES扩张表现出显著的非线性与阈值效应，特别是人口增长与生活空间扩张之间的倒U型关系，揭示了土地承载力约束的出现以及从外延扩张向集约发展的转型。
该研究的重要意义在于：方法论上，将强度分析与可解释机器学习相 integrated，能够同时识别转型强度、驱动因素重要性的时间转移以及非线性阈值效应，突破了静态空间分析或单一方法驱动因素探测的局限；实践层面，为快速城市化地区的适应性土地利用规划、生态保护和阶段性治理提供了动态视角与决策支持。论文发表于《Sustainability》。
在技术方法层面，研究人员采用了以下核心技术路径：基于CLCD数据集（30 m空间分辨率）的土地利用数据，依据中国国家标准与PLES理论重分类为生产空间、生活空间与生态空间；运用强度分析（Intensity Analysis）从间隔、类别、转型三个层次量化多期土地转型的阶段性特征与方向性；构建三期（2010—2015、2015—2020、2020—2025）XGBoost多分类模型（梯度提升决策树集成算法，含正则化项），以PLES扩张类型为因变量、以多维度驱动因子为自变量，通过网格搜索与5折交叉验证优化超参数，以总体精度（OA）和Kappa系数评估模型性能；引入SHAP（基于博弈论的特征归因方法）解释XGBoost模型输出，量化各驱动因素贡献的 magnitude 与 direction，生成全局重要性排序（SHAP beeswarm图）、非线性响应曲线（SHAP dependence图）及交互效应分析；样本构建基于PLES转型事件（共30万 transition samples），采用分层抽样按8:2划分训练集与测试集。
研究结果方面，"结构分析"显示：CZXMA地区PLES呈现显著的结构转型，以城市扩张与生态收缩为特征。生态空间比例从2010年的54%降至2025年的50%，净减少约4个百分点，主要发生在城市边缘区；生活空间从4%增至7%，相对增长超过75%，呈现以长沙为中心的径向扩张模式，三市建成区逐步融合形成一体化都市走廊；生产空间相对稳定，在42%–44%间窄幅波动。
"强度分析——间隔层次"结果表明：2010—2015年间年均变化强度达6.31%，超过均匀强度线（5.85%）0.46个百分点，为快速转型期；2015—2020年（5.42%）和2020—2025年（5.81%）均低于均匀线，进入相对稳定阶段，表明初期快速空间重组后土地转型趋于可控。
"强度分析——类别层次"结果表明：生活空间为最活跃类别，其增益强度在三期均显著超过均匀强度，但呈逐渐下降趋势，反映从快速外向扩张向控制型增长的转变；其损失强度始终可忽略，表明一旦转为生活空间极少再逆向转化。生态空间增益始终低于均匀强度，为"休眠"获得者；其损失强度在2010—2015和2020—2025年超过均匀线，为"活跃"损失者，仅在2015—2020年为"休眠"状态。生产空间增益强度在第一、三期活跃，第二期低于均匀线；而其损失强度在2015—2020年达到峰值，超过均匀强度5.42%，表明该时期存在显著的耕地调整。
"强度分析——转型层次"结果表明：转向生产空间方面，生态空间为持续"目标"类别，转型强度在所有时期中最高，解释生产空间比例相对稳定的现象；该转换强度在2010—2015年最高，2015—2020年最低。转向生活空间方面，生产空间为一致的"目标"类别，但该特定转型强度随时间稳步下降，暗示土地利用集约化或耕地转换管制趋严；生态空间向生活空间转型强度始终低于均匀线且后期进一步降低。转向生态空间方面，生产空间为生态恢复的恒定"目标"，2015—2020年最显著，其次为2020—2025年；生活空间向生态空间转型总体被"回避"，但在2010—2015年达到最大强度，反映"绿心"保护政策初期对特定开发区域的生态恢复要求。
"基于可解释机器学习的驱动机制——模型性能与验证"结果表明：三期XGBoost模型的总体精度为0.804–0.840，Kappa系数为0.647–0.713，表明模型具有稳健一致的预测能力；各空间类型扩张的f1分数为0.698–0.894，生态空间在某些时期表现相对较低，可能反映其更高的异质性与情境依赖性。
"基于可解释机器学习的驱动机制——驱动因素全局重要性"结果表明：2010—2015年，生产空间扩张主要由GDP（11.2%）和DEM（10.6%）主导，高GDP水平集中于负SHAP轴，表明生产空间扩张更活跃于发展中的产业边缘区而非饱和经济核心；生活空间扩张对行政和可达性因素（DGov、DEM、D1Road）高度敏感，高特征值与负SHAP结果对齐，确认城市化集中于低海拔政府驻地附近；生态空间扩张主要受PRE（12.8%）和DGov（11.1%）限制，正SHAP值表明生态增益被限制在远离城市干扰的偏远地区。2015—2020年，人口驱动型扩张凸显，与CZXMA加速整合同步：生活空间方面POP重要性骤升至16.7%，呈现清晰正相关，凸显人口引领的城市化；该增长遵循已建交通走廊的"填充"模式，D1Road、D3Road和D2Road呈负SHAP值；生产空间在高密度区呈现边际递减，POP（11.3%）施加负边际效应；SLP（10.3%）和DMway（8.3%）的持续正向影响凸显工业活动向高速公路可达外围区迁移；生态空间扩张日益受自然基线和人类压力约束，POP（9.9%）的负SHAP值揭示城市蔓延与区域生态缓冲（如"绿心"）之间的冲突加剧。2020—2025年，驱动机制反映向高质量发展的转变：生产空间方面，SLP（12.1%）和TEM（11.6%）成为主导因素，TEM和POP的异质性SHAP分布表明工业转移日益受局部微气候和人口阈值而非简单空间梯度影响；生活空间维持对POP（14.3%）的依赖，但呈现双峰分布——高人口总体驱动增长，但过度拥挤核心区的极值产生负SHAP值，预示土地承载力极限；DEM和道路因素的持续负影响表明不透水表面扩张现受生态红线严格约束；生态空间机制回归自然约束主导，由DEM（10.2%）和PRE（10.0%）引领；DGov（8.5%）的正SHAP值表明近期生态扩张——由恢复计划驱动——战略性地发生在远离行政中心的区域，以优化区域生态安全。
"基于可解释机器学习的驱动机制——关键驱动因素非线性效应"结果表明：生产空间对SLP的响应呈"上升后平台"模式，2010—2015年SLP正向驱动在约8°达峰，这么多的新垦耕地位于中等坡度区，但2020—2025年该驱动更加波动，反映寻找适宜农业补偿土地日益困难；DEM影响呈尖锐"V形"波动，极低海拔区SHAP值显著低（优先用于城市建设），中海拔（100–200 m）存在最优生产空间扩张区，与城市发展竞争较少。生活空间方面，POP驱动机制发生戏剧性转变：2010—2015年SHAP值相对平坦，后两期呈尖锐"倒U型"，人口增长对城市扩张的正贡献在特定增量阈值后迅速达到峰值，随后边际效应骤降，确认了关键效率阈值——超过该点，进一步人口流入不再按比例驱动空间蔓延，可能转向高密度集约垂直开发；DEM对生活空间呈一贯陡峭衰减效应，扩张概率在近零海拔达峰后迅速下降，2020—2025年基线SHAP值最低，表明地形和规划约束在新城建中更趋严格。生态空间方面，DEM和POP的非线性响应揭示了自然基线和人为压力的权衡：DEM影响呈对数增长模式，生态空间扩张在低海拔平原区强烈受抑，但在100 m以上人干扰自然受限区域急剧增长后趋稳；POP对生态空间的响应呈独特"U型"谷，中度人口增长施加强负SHAP影响，但极端人口增长区（U型右侧）SHAP值略有反弹，反映系统性城市绿化和"绿心"保护举措的正向成果——高强度人口增长和生态保护通过战略空间优化共存；然而中度人口增长下的强负SHAP值也表明生态空间仍受城市发展压力约束。
讨论部分，研究人员首先分析了多时间尺度上驱动因素非线性和阈值效应对PLES变化的影响。关于主导驱动因素的时间演化，DEM和道路网络在整个研究期间保持稳健主导地位，始终位列前五位驱动因素，表明基本物理约束和可达性走廊与模型预测的PLES变化强相关。DGov在初期阶段影响最显著，但此后迅速下降，反映CZXMA建立早期自上而下的政府规划将行政中心邻近地区指定为核心发展区的集中式发展模式。后两期人口动态成为PLES演化的主要模型预测指标，表明主导预测关联从规划导向转向市场需求导向。最后时刻TEM成为主要驱动因素，表明公众对都市区生态环境质量的敏感度提升。关于阈值和敏感性的转变，SHAP依赖图揭示了PLES演化对驱动因素的敏感性不仅非线性，而且三期存在明显阈值转移。生活空间对POP的响应呈尖锐"倒U型"曲线，2010—2015年模型预测的人口增长与生活空间扩张关联相对平坦，后两期敏感性急剧增加，在人口增加约1500至2000时出现明显正峰，超过此模型指示范围后人口增长对生活空间扩张的边际贡献开始下降；需注意该阈值缺乏普适性和直接因果意涵，需外部验证后方可政策采纳。生产空间对SLP亦呈现显著阈值，其扩张避开4°以下坡度，这些最优生产区被迫让位于更激进扩张的生活空间，5–10°较陡坡度区成为生产空间扩张主要区域。关于不同PLES驱动非线性的比较，生态空间对低DEM值极高敏感，100 m以下低洼区生态空间因城市扩张面临严重损失风险，超过100 m后影响转为边际正贡献，高海拔地形屏蔽效应成为城市蔓延的自然屏障；生活空间与DEM呈负相关且该负相关随时间强化，2015—2020年曲线在低海拔段较2010—2015年更陡峭，表明城市发展 Buh 发展、粮食安全与生态保护之间的竞争加剧；生态空间对POP的响应在2015—2025年以人口增长为中心呈现深V型负影响，揭示了关键权衡——尽管人口增长与生活空间扩张正相关，却同时与生态保护呈非线性负关联。
在政策启示方面，针对生态土地周期性但持续的侵占，"绿心"保护策略应从刚性静态分区转向响应性时空治理框架，整合实时空间数据建立早期预警系统，使生态红线成为动态保障而非仅行政边界。非线性人口阈值的识别要求脱离传统扩张型土地供给模式，一旦超过临界拐点，城市规划应转向土地利用集约化和垂直致密化而非外向蔓延，将土地配额与简单人口增长预测脱钩，推动存量更新和高质量空间优化。随着区域整合驱动力从自上而下政策指令转向市场引领的人口流动，CZXMA治理需要精致制度协同，超越碎片化市政管理建立统一区域平台，针对跨界基础设施、同步产业链和共享生态补偿基金，缓解城市间零和竞争。将自然地形约束与基础设施规划整合，避免生态敏感低海拔区开发，可解释机器学习的应用可将原始空间数据转化为可操作情报，精准校准土地利用规制，这不仅优化资源配置，还直接促进联合国可持续发展目标。
研究局限性方面，研究人员指出：驱动因素选择可能存在偏差，变量选择未完全由定量筛选方法指导，未来可整合Mantel检验和Pearson相关分析；未显式考虑CZXMA内部空间异质性，未来可引入地理加权回归或空间分层分析；模型验证与数据处理存在不确定性，基于transition的采样虽减少空间冗余，但训练-测试划分仍可能受相邻样本空间依赖影响，应引入空间分块交叉验证；未系统比较XGBoost与逻辑回归、随机森林、地理探测器、地理加权回归等基线模型；CLCD数据集为基于模型的分类产品，存在分类误差可能影响transition事件采样；2025年GDP和人口数据基于官方增长预测估算，虽仅用作变化量，仍可能引入近期阶段驱动机制解释的不确定性。未来研究可整合情景模拟方法评估PLES潜在未来轨迹，并扩展至多都市区比较研究以提高发现的一般性。
研究结论部分翻译如下：本研究提出了一个将强度分析与XGBoost-SHAP模型相结合的综合分析框架，用以考察2010年至2025年CZXMA地区PLES演化的时空动态与驱动机制。首先，PLES重组以生活与生产空间持续侵占生态空间为特征，转型强度在2010—2015年间达到峰值，反映了都市早期整合阶段的快速空间重构。其次，PLES驱动机制具有时间动态性，从初期阶段的行政和规划导向因素转变为后期的人口驱动和市场导向力量，表明了区域空间发展逻辑的根本性转变。第三，PLES扩张表现出显著的非线性和阈值效应，特别是人口增长与生活空间扩张之间的倒U型关系，揭示了土地承载力约束的出现以及从外延扩张向集约发展的转变。这些发现强调了将时间动态、非线性响应和阈值效应纳入土地系统分析的重要性。方法论上，本研究展示了将强度分析与可解释机器学习相结合以捕捉复杂、阶段依赖型土地利用转型的有效性，为快速城市化地区提供了可转移的方法。
