《ISPRS International Journal of Geo-Information》：Capturing Spatial Non-Stationarity in Agricultural Land Sustainability: A Geographically Weighted Logistic Regression Approach
编辑推荐：
稻田可持续性对于稻作依赖型国家的粮食安全至关重要，但其形成过程受到环境、社会与经济因素之间复杂且具有空间异质性的相互作用影响。传统土地利用模型通常假定空间平稳性（spatial stationarity），因而限制了其对局地动态的刻画能力。本研究通过将地理加权
稻田可持续性对于稻作依赖型国家的粮食安全至关重要，但其形成过程受到环境、社会与经济因素之间复杂且具有空间异质性的相互作用影响。传统土地利用模型通常假定空间平稳性（spatial stationarity），因而限制了其对局地动态的刻画能力。本研究通过将地理加权Logistic回归（Geographically Weighted Logistic Regression，GWLR）与多层概率表面分析相结合，提出一种空间显式（spatially explicit）的分析框架，用于稻田可持续性的建模与分类。该框架应用于印度尼西亚Indramayu与Majalengka两个县，使用400个分层样本（53%为稻田，47%为非稻田）以及10,000个预测点。结果表明，GWLR优于全局模型，其偏差解释率为25.5%，而Logistic回归仅为7.4%。更重要的是，该方法揭示了空间非平稳关系：环境变量表现出相对连续的影响，而社会与经济变量则表现出显著的局地异质性。通过将局部系数转换为综合概率表面，本研究提出了一种新的类型学（typology），用于区分稳定稻田、脆弱区域以及具有空间分异特征的可持续性条件。该方法突破了总体精度指标的局限，强调了土地利用分析中空间情境的重要性。所提出的框架提供了一种可迁移的方法，可用于支持复杂地理系统中基于地方特征的农业保护策略。
该文发表于《ISPRS International Journal of Geo-Information》，聚焦于稻田可持续性在复杂地理系统中的空间分异机制。研究背景在于：在高度依赖单一主粮作物的国家，粮食安全与稻田的长期稳定存在直接联系，而快速城市化、工业扩张、基础设施建设及人口压力持续压缩农业空间，使稻田保护面临显著挑战。既有研究多从土壤、水文、地形等生物物理适宜性角度解释稻田持续性，虽然能够识别土地生产潜力，却往往难以揭示社会经济因素如何在物理上适宜的地区推动土地转用。与此同时，多数土地利用模型依赖全局统计框架，默认解释变量与土地利用结果之间关系在空间上保持不变，即空间平稳性（spatial stationarity）。这一假设不适用于具有高度异质性的农业景观，因为环境、社会与经济因素在不同地点对稻田存续的作用方向与强度可能明显不同。正因如此，开展能够识别空间非平稳性（spatial non-stationarity）的研究，对于构建更具针对性的农业保护政策具有重要必要性。
研究人员围绕印度尼西亚西爪哇省Indramayu与Majalengka两县开展研究，这两个地区均为重要稻作区，但地形条件、发展轨迹与土地利用压力存在明显差异：前者以低地灌溉稻田为主，后者则表现出更复杂的地形和更强的发展驱动。研究的核心目标包括三个方面：评估环境、社会与经济因素对稻田可持续性的空间非平稳影响；比较全局模型与局地模型对空间异质土地利用过程的解释能力；在GWLR结果基础上构建综合性的空间类型框架，以支持差异化稻田保护与发展策略。研究结果显示，稻田可持续性并非由单一因素或均一机制控制，而是由多维驱动因素在地方尺度上的耦合作用所决定。与全局Logistic回归和随机森林（Random Forest，RF）相比，GWLR更能识别空间关系的局地变化，不仅提升了偏差解释率，也更有效揭示了环境梯度、社会压力与经济可达性之间在不同空间单元中的差异性作用。研究的重要意义在于，其提出的空间显式框架不仅能提高对农业用地可持续性的解释深度，还能进一步转化为面向地方治理的空间决策支持工具，为稻田保护、农业扩展及粮食安全规划提供更具地域适配性的依据。
在技术方法上，研究主要采用四类关键方法。其一，整合环境、社会、经济三类空间变量，在25 m × 25 m统一网格下完成地理信息系统（GIS）预处理，包括坐标统一、栅格标准化、坡度建模、地形湿度指数（Topographic Wetness Index，TWI）推导和距离分析。其二，基于研究区实际土地构成，采用分层随机抽样获得400个样本点，并划分为训练集与测试集，同时设置10,000个系统分布的预测点用于连续概率表面推演。其三，构建RF、全局Logistic回归（LR）与GWLR三类模型进行比较，利用核函数与带宽优化实现局部参数估计。其四，将GWLR局部系数转换为环境、社会、经济多层概率表面，并结合现状稻田数据建立空间类型学分类。样本来源为Indramayu与Majalengka两县的空间土地利用与相关社会经济数据。
在研究结果部分，论文首先给出“3.1. Model Performance Comparison”的结果。研究表明，RF在训练、测试与预测中的精度分别为71.50%、62.50%和61.84%，全局LR分别为62.50%、63.75%和62.86%。虽然RF与LR在传统分类精度上各有表现，但GWLR的优势并不主要体现为简单的总体精度提升，而是体现在对空间结构的解释能力上。GWLR将偏差解释率提高至25.5%，显著高于LR的7.4%，表明局地模型更适于识别土地利用过程中的空间异质机制。
在“3.2. Spatial Classification Patterns”部分，研究通过空间分类结果比较不同模型的误差分布。RF倾向于在沿海水产养殖区域过度预测稻田，表现出对主导训练模式的敏感性；全局LR则在高强度耕作区域低估稻田分布，体现出在空间异质条件下的保守性。相比之下，GWLR在农业与非农业过渡带展现出更均衡的误差分布，说明局地建模能够更好地适应复杂土地利用情境。
在“3.3. GWLR Kernel Selection and Model Diagnostics”部分，研究比较了Fixed Gaussian、Fixed bi-Square、Adaptive bi-Square和Adaptive Gaussian四种核函数。结果显示，Fixed Gaussian核函数在偏差、AIC、AICc以及BIC/MDL等诊断指标上表现最佳，同时取得最高的25.5%偏差解释率。这说明在该研究区内，连续衰减型空间加权方式比自适应邻域型核函数更适合描述地方关系变化。进一步的Moran’s I残差分析显示，环境、社会与经济变量组的残差仅表现出较弱的正向空间自相关，表明GWLR已捕捉到数据中的主要空间结构，但仍保留少量局部残差依赖。
在“3.4. Spatial Probability Surfaces”部分，研究构建了环境、社会与经济变量组的GWLR概率表面。环境变量呈现平滑且结构化的空间梯度，与地形地貌条件高度一致，说明其影响更具连续性；社会变量形成碎片化且局部反差强烈的概率格局，反映出显著的空间局地依赖；经济变量则表现为介于两者之间的中间梯度，主要受交通可达性与发展压力塑造。这一结果证明，不同维度驱动因素在不同空间尺度上发挥作用，不能由单一尺度模型充分解释。
在“3.5. Local Coefficient Patterns”部分，研究展示了GWLR局部系数在方向与强度上的显著空间变化，直接验证了空间非平稳性的存在。论文选取土壤质地、人口密度和距道路距离三个变量进行详细可视化。土壤质地作为环境变量代表，在低地灌溉区表现为正系数，在高地区域则为负系数，反映出地形梯度下土壤—水分—作物相互作用的变化。人口密度作为社会变量代表，在农业强化区可呈正向作用，而在城乡过渡区则可能转为负向作用，显示同一人口压力在不同治理和发展背景下具有不同后果。距道路距离作为经济变量代表，在偏远农业区呈正系数，说明隔离性有助于保护稻田；而在城市附近则呈负系数，说明高可达性增强了土地增值与转用风险。研究据此表明，局部系数图能够提供全局模型无法揭示的地方性解释。
在“3.6. Spatial Typology of Paddy Field Sustainability”部分，研究整合现状稻田数据及环境、社会、经济三类概率输出，构建四维类型学，共形成16种可能组合，并进一步归并为保护优先或扩展优先类别。对于现有稻田，保护优先级取决于内在可持续性，尤其是环境适宜性与社会经济压力的交互关系；对非稻田区域而言，扩展优先级则建立在环境适宜性前提及社会经济实施条件之上。该类型框架可以识别多维支撑较强的稳定区，也能定位环境适宜但社会经济支撑较弱、因而更易受转用影响的脆弱区，从而服务于差异化农业空间治理。
讨论部分首先强调局地空间建模的附加价值。研究认为，RF与全局LR虽提供了合理的总体分类能力，但由于其参数设定在整个研究区内保持一致，难以揭示空间异质农业景观中的真实过程。GWLR通过允许系数在空间上变化，使环境适宜性、社会压力与经济可达性之间的地方性交互得以显化，因此其价值并不仅仅在于数值精度提升，更在于提升了解释性与空间可读性。
其次，讨论指出环境、社会与经济因素具有差异化的空间角色。环境变量遵循较连续的生态梯度；社会变量则高度破碎化，受人口密度、脆弱性与地方制度环境共同影响；经济变量通过道路、建成区与加工设施的距离关系体现发展梯度与市场接近性。研究同时说明了不确定性来源，包括不同数据集分辨率差异、村级社会数据的空间转化、基于距离的影响变量构造，以及多源数据时间参照不完全一致等。因此，论文特别强调结果应被理解为稻田可持续性的空间截面表征，而非动态时序变化模型。
再次，研究在方法论上讨论了局部系数与空间非平稳性的解释意义。相同变量在不同地点可产生相反作用，例如基础设施邻近性在灌溉网络完善地区可能有利于稻田维持，而在快速城市化区域则会加速土地转用。这种双重行为正是空间情境差异的体现，也是GWLR相对于全局模型最重要的方法学贡献之一。
此外，论文指出由多维概率输出构建的空间类型学在规划层面具有实际意义。该类型学并非僵化分区工具，而是反映地理复杂性的空间决策支持框架，有助于识别应严格保护的稻田区、可实施适应性管理的区域，以及具备扩展潜力的区域。研究还将此结果与印度尼西亚可持续农业用地保护政策（LP2B）联系起来，说明在基础设施扩张和可达性提升显著的近郊地区，即使环境上适宜种稻，社会经济与市场因素仍可能带来较高转用压力，因此更需要空间分区管控与农业激励的联合干预。
关于方法局限，论文指出GWLR虽能显著增强对空间异质性的刻画，但其解释力仍属中等，表明土地利用系统还受到制度、文化与政策等未观测因素影响。研究并未纳入时间维度，也未采用多尺度GWLR或空间机器学习混合模型，因此未来可进一步引入时序变化、制度变量和多尺度建模，以增强解释能力。然而，就当前研究而言，该框架已为农业土地可持续性的空间显式分析奠定了坚实基础，并展示了其在地理系统研究中的可迁移价值。
研究结论部分可译为：本研究表明，稻田可持续性受空间异质性过程支配，无法由全局模型加以充分刻画。环境变量形成与地形地貌条件一致的连续空间格局，社会变量表现出反映人口压力的强烈局地异质性，经济变量则呈现情境依赖的双重行为，即在某些区域支持可持续性，而在其他区域诱发土地转用。因此，土地利用可持续性必须在基于地方的框架下加以解释。采用Fixed Gaussian核函数的地理加权Logistic回归（GWLR）通过刻画空间非平稳性，优于全局模型，包括随机森林与Logistic回归，将偏差解释率由7.4%提升至25.5%。同时，单纯依赖总体精度不足以评价空间模型，局部系数格局与误差分布能够提供更具实质性的认知。最终形成的空间类型学整合了不同变量维度上的概率表面，可用于区分稳定稻田、脆弱区域和具有发展潜力的地带，并可作为决策支持框架。对于地理系统研究而言，本研究推进了农业可持续性建模中的局地回归技术；对于政策实践而言，结果强调应采用与地方具体条件相匹配的空间差异化策略，而非统一规制。未来研究应进一步纳入时间动态、制度变量及多尺度模型。
