马萨丘科利湖盆地湿地多模型生态系统风险评估方法

《Ecological Informatics》：A multi-model ecosystem risk assessment methodology for the Massaciuccoli Lake basin wetland

　　

湿地是最易受到退化影响的生态系统之一，其退化源于人为压力和气候相关胁迫因子的协同作用，尤其在高度人工化景观中更为突出。本研究提出了一种多模型比较方法（multi-model comparative methodology），用于评估和绘制湿地环境中森林和草地生境退化及相关生物多样性丧失的风险。该方法整合了三种互补的无监督模型（unsupervised models），应用于统一的地理空间数据集：（i）确定性累积重叠指数（deterministic cumulative overlap index）；（ii）多变量聚类模型（multivariate clustering model）；以及（iii）基于变分自编码器（Variational Autoencoder, VAE）与聚类分析相结合的预测性深度学习模型（predictive deep learning model）。该方法应用于意大利托斯卡纳的马萨丘科利湖盆地（Massaciuccoli Lake basin），这是一个拉姆萨尔湿地（Ramsar-listed wetland），以高强度土地利用压力和高度生态价值为特征。研究人员使用12个胁迫因子变量（stressor variables），描述了生态脆弱性和有害驱动力，空间分辨率约为50米，模型生成了与先前局部研究一致的空间显式风险热点分布图。结果还突出了模型之间的互补方面：确定性制图识别出胁迫因子强烈共存的区域；聚类分析揭示了结构上同质的生态条件；深度学习捕捉了与新兴生态系统风险相关的非线性模式和异常构型。多个模型一致分类为中或高风险的区域勾勒出稳健的优先热点，而分歧分类则识别出需要进一步研究的过渡性或不确定性条件。所提出的方法可能重新应用于其他湿地，以增强生态系统风险评估的稳健性和可解释性。它提供了一种可重复、可扩展的工具，支持受复杂互动胁迫因子影响的湿地中的保护规划、环境管理和空间决策。

**论文解读：马萨丘科利湖盆地湿地多模型生态系统风险评估方法**

**研究背景与问题**
湿地生态系统是全球最易退化的生态系统之一，其结构和功能受到人为压力（如土地利用集约化、生境破碎化、污染和水文改变）与气候相关胁迫因子的双重威胁。特别是在地中海地区，水资源短缺和强烈的人类活动加剧了森林和草地生境的脆弱性。然而，传统的生态系统风险评估（Ecosystem Risk Assessment, ERA）方法多依赖确定性、专家驱动的模型，存在主观性强、假设简化、难以捕捉非线性关系等局限。尽管近年来地理空间数据与机器学习方法日益丰富，但单一模型方法在可解释性、可比性和稳健性方面仍面临挑战。为此，本研究旨在开发一种多模型比较分析框架，以整合不同范式（确定性、统计、深度学习）的评估能力，提高对湿地森林和草地生境退化及生物多样性丧失风险的识别准确性和可靠性。

**研究内容与结论**
研究人员提出并验证了一种多步骤、多模型的方法论，应用于意大利马萨丘科利湖盆地（Massaciuccoli Lake basin），该盆地为拉姆萨尔国际重要湿地，具有高生态价值但受强烈人为压力。通过整合12个胁迫因子变量（描述生态脆弱性与有害驱动力），在约50米空间分辨率下，三种互补模型（确定性累积重叠指数、多变量聚类模型、基于变分自编码器的预测模型）分别生成风险热点图，并进行系统比较。结果发现：累积分析识别出胁迫因子高共现区域；结构分析（Multi K-means）揭示出同质的生态条件空间模式；预测分析（VAE+聚类）捕捉到非线性异常构型，标记潜在的新兴生态风险。多模型一致分类为中或高风险的区域被定义为稳健优先热点，而分歧区域则指示需要进一步调查的过渡或不确定性条件。定量评估（成对比较与同步分析）表明，模型间具有中等至较低的一致性，但相互补充，联合使用可增强结果的全面性和可靠性。该方法的可重复性和可扩展性使其适用于其他湿地生态系统，为保护规划、环境管理和空间决策提供了科学工具。该论文发表在《Ecological Informatics》上。

**主要关键技术方法（不超过250字）**
本研究采用三种互补的无监督模型：（i）确定性累积重叠指数，通过对所有标准化胁迫因子变量求和并基于四分位数划分风险等级；（ii）多变量聚类模型，基于Multi K-means算法自动确定最优聚类数（K^*），通过卡方检验（χ²）评估聚类质量，并根据质心向量值相对于数据集百分位数（75th, 50th）分配关注水平（Closer/Medium/Lower attention）；（iii）预测深度学习模型，利用变分自编码器（VAE）学习数据隐含生成结构，以重建概率的50百分位阈值筛选异常向量，再对异常子集进行结构分析（Multi K-means）以细化风险评估。所有模型共享一套来自马萨丘科利湖盆地Atlas（Vannini et al., 2025）的12个胁迫因子变量，包括脆弱条件（如物种丰富度、树冠密度）和有害驱动力（如荒野压力、不透水面增加），经标准值转化和标准化处理（z-standardisation）后，在约50米网格上进行空间对齐和分析。

**研究结果**
**3.1 定性结果**
- **累积分析（Cumulative analysis）**：将12,346个像元（占总像元25%）分类为高风险，主要分布于湖周沼泽区、农业区、混合农林区及交通走廊附近。由于不考量变量间相互作用，该模型倾向于识别大范围、高胁迫共现区域。
- **结构分析（Structural analysis）**：Multi K-means识别出21个聚类（K^*=21），其中15个聚类（38,632个像元）需更高关注。高风险像元（7,381个）集中在湖周农业带、Levante松林（Pineta di Levante）及Serchio河曲区域，这些区域表现为高生物多样性与强人为/气候胁迫的共存，尤其是草地退化与干旱化加剧。
- **预测分析（Predictive analysis）**：VAE筛选出24,674个异常向量，随后结构分析识别出27个聚类，其中7个聚类（7,855个像元）属于更高关注，最终1,814个像元被定为高风险。热点集中在松林、高速公路沿线及Serchio河曲区域，显示高树冠覆盖与生产力同时面临降水减少和草地缩减的压力。该模型的风险区域最聚焦且可靠性最高。
- **与其他研究的一致性**：预测分析识别的热点与文献中报道的湖周农业脆弱带、基础设施边缘生境破碎区、橄榄园集约化管理区、沿海松林病害区以及Serchio河岸退化地等高度吻合，验证了结果的生态合理性。

**3.2 定量评价结果**
- **成对分析**：累积分析与结构分析间Kappa系数仅为0.12（细胞级）和0.21（热点级），表明两者互补性强；累积分析与预测分析间Kappa系数为0.29（细胞级）和0.35（热点级），预测分析的高风险几乎完全被累积分析覆盖；结构分析与预测分析间Kappa为0.16（细胞级）和0.33（热点级），预测分析的高风险几乎全部包含在结构分析中。
- **同步分析**：三个模型同时判定为中/高风险的像元仅占3.40%（热点占9.92%），而仅一个模型判定的占30.56%（热点占31.42%），表明模型间存在显著差异，联合使用可更完整地刻画风险梯度。

**讨论与结论**
讨论部分指出，三个模型具有不同的内在逻辑：累积分析提供宏观概览但可能高估风险；结构分析揭示同质生态条件，但产出偏谨慎；预测分析聚焦于非线性异常，可靠性高但范围保守。这些差异并非矛盾，而是互补视角，联合分析可识别风险梯度（从最大一致区到过渡区），指导管理优先级。局限性包括：风险依赖于所选胁迫因子变量（未涵盖生态系统服务指标，如旅游压力、洪水削减能力）；缺乏独立地面真值验证，但通过模型间一致性和专家研究比较确立了评估的合理性；方法在多个时间步长的推广应用需进一步开发。结论部分翻译如下：“总之，从生态学与可持续发展的新兴技术视角来看，所提出的方法在集成性、可扩展性和适用性方面代表了一种颠覆性的思路。通过将确定性、统计和深度学习模型统一在单一框架内，它能够在不依赖标注数据或强先验假设的情况下分析复杂生态系统——这在数据异质或不完整（如快速变化环境）的情况下尤为重要。总体而言，该方法有助于弥合先进计算方法与生态应用之间的鸿沟，符合开发可扩展、情境感知解决方案以支持可持续生态系统管理的发展方向。”