基于可解释机器学习的方法，什么因素主导了采矿活动对生态韧性的影响？——以中国典型的资源型城市为例

《Ecological Modelling》：What dominates the variation of Mining footprint ecological resilience based on explainable machine learning-Evidence from the typical resource-based city, China

　　李克奇|严青武|李飞|郭安东|易明浩|田嘉琪|吴子豪|李桂娥
中国矿业大学公共与管理学院，徐州，221116，中国

**摘要**
准确评估采矿足迹（MER）的生态韧性并阐明其驱动机制对于实现资源型城市（RBC）的可持续转型至关重要。然而，传统方法难以捕捉MER动态中固有的复杂非线性关系。为了解决解析这些复杂非线性关系的局限性，本文开发了一个多维度评估框架，称为ARTS框架。将该框架应用于中国的典型资源型城市，并结合梯度提升决策树（GBDT）建模和SHAP分析，以识别MER的关键驱动因素及其非线性相互作用。研究结果揭示了三个关键发现：
（1）从2000年到2023年，MER总体上呈现波动但上升的趋势，其时间演变经历了缓慢增长、加速增强和高度波动三个阶段。从空间上看，MER从东南沿海向西北内陆逐渐下降。中国南部的MER平均值最高，为10.10，其次是西南部（8.56）和东北部（8.10）。
（2）GBDT模型的表现显著优于传统线性模型。AOD和LUCC是MER的最关键驱动因素，其特征重要性得分分别为0.4323和0.2872。这些因素表现出明显的阈值效应。有利于较高MER的条件包括NDVI高于0.6、平均温度接近20°C、GDP密度超过7000单位/平方公里、人口密度在1666至2797人/平方公里之间以及以森林为主的土地利用模式。
（3）此外，驱动因素之间存在显著的交互作用。值得注意的是，AOD与NPP、PRE和NDVI等生态基线因素之间的协同作用产生了资源密集型景观特有的复合生态压力。本研究提出了一个新的评估框架，增强了对资源型城市MER机制的理解。通过将可解释机器学习与生态分析相结合，该研究不仅为人类-自然系统的非线性动态提供了理论见解，还为实施基于阈值的差异化恢复策略提供了实际指导。该框架和发现为全球其他资源依赖地区的MER评估提供了可借鉴的参考。

**引言**
资源型城市是国家工业化和经济增长的重要引擎，其发展轨迹与“资源诅咒”现象密切相关。矿产资源的开采不可避免地导致生态退化和环境污染。因此，在这些地区平衡生态保护与社会经济发展已成为一个紧迫且关键的问题（Omer等人，2021；Yang等人，2022）。同时，全球气候变化增加了极端天气事件和其他外部冲击的频率和强度，进一步加剧了资源型城市的固有脆弱性，对其环境可持续性构成了严重威胁（Turner等人，2022）。在这种背景下，提高采矿足迹（MER）的生态韧性已成为应对风险和指导可持续转型的核心策略。MER指的是生态系统在外部干扰后恢复到原始状态或转变为另一种稳定状态的能力；因此，它强调了生态系统在保持基本结构和功能的同时所能承受的干扰程度（Holling等人，1996；Dakos等人，2022）。生态韧性现在是评估生态系统能力和状况的重要指标。随着对ER定性研究的进展，定量评估方法也取得了显著进步（Gao等人，2025）。学者们开发了一系列丰富的测量框架，从多个角度和维度评估韧性能力（Lee等人，2024）。
一方面，许多研究致力于开发评估框架和方法。例如，先前的研究开发了多种评估框架，包括RSEI-GEE模型（Xu等人，2024）、增益-损失方法（Shamsipour等人，2024）以及脆弱性、敏感性、自组织框架（Feng等人，2024）。这一研究方向逐渐形成了一系列方法论方法，包括压力-状态-响应（PSR）框架（Mallick等人，2021）、基于MSPA的资源型地区生态韧性评估（Pan等人，2024）、使用抵抗-适应性-恢复框架的评估（Li等人，2025）以及使用DPSIR模型的分析（Hu等人，2024）。另一方面，研究强调了分析时空变化及其关键影响因素。例如，Huang等人（2026）使用OPGD-XGBoost-SHAP框架量化了城市形态如何影响生态韧性指数（ERI），测量了城市形态特征对生态韧性的非线性影响（Huang等人，2026）；Ouyang等人研究了长江中游生态韧性的时空差异化和演变机制（Ouyang等人，2025）；Zhong等人利用Dagum基尼系数、全局和局部Moran’s I、收敛强度和统一阈值、马尔可夫链及地理检测器等方法揭示了中国城市聚集区的生态韧性区域差异、动态演变和驱动因素（Zhong等人，2025）。尽管已经开发出相对成熟的评估系统，但对生态韧性（特别是在资源型城市中）的测量和演变模式的探索仍不足（Li和Yang，2024；Zhang等人，2026）。特别是，构建资源型城市中ER内在含义的指标系统的研究相对较少。很少有研究开发出能够捕捉资源型城市生态韧性核心属性的指标系统。相反，文献大多从经济角度来定义韧性，侧重于社会经济和基础设施维度，忽视了资源型城市发展的生态基础。
为了解决这些差距，本研究提出了“采矿足迹生态韧性（MER）”的概念。MER是指一个区域生态系统在长期矿产资源开采的影响下，通过自然调节和人类干预的综合作用，抵抗、吸收、适应并从外部干扰中恢复的能力。这一概念将生态韧性理论扩展到了退化地区。虽然现有研究主要集中在健康或轻度受干扰的生态系统上，但MER明确针对的是由长期采矿形成的退化区域生态系统。它将自然和人类干预整合到一个韧性分析框架中，并考虑了该地区的未来发展潜力。MER还克服了单一矿山规模或通用城市规模分析的局限性，后者往往无法捕捉到特定于资源开采的退化模式。因此，MER为识别区域生态脆弱性和区分自然恢复潜力与人类辅助恢复需求提供了明确的理论工具。这一概念关注资源型城市中的典型采矿足迹，有助于更精确地识别和评估这些地区特有的生态问题。为了系统地分析MER，本研究引入了一种可解释的机器学习方法。以一个典型的资源型城市为例，我们构建了一个多维度韧性评估指标系统，并使用GBDT模型进行定量评估。此外，我们还采用了SHAP和部分依赖图（PDPs）等可解释方法来研究MER的潜在驱动因素。现有研究表明，梯度提升决策树（GBDT）因其强大的预测准确性和计算效率而受到广泛关注（Liu等人，2025；Tang等人，2025）。SHAP是一种基于博弈论的局部加性解释方法，通过根据特征的绝对Shapley值对特征进行排序来识别最具影响力的特征。PDPs通过展示特征对预测结果的平均边际效应来补充SHAP。这种方法已在多个领域得到成功应用，Liu等人（Liu等人，2025）使用GBDT-SHAP分析了城市LUCC模式与空气之间的相互作用；Li等人基于GBDT揭示了交通发展对中国苏南-陕北地带农村定居点转型的非线性影响（Li等人，2024）；Qiu等人探讨了不同气候区域生态系统服务权衡的差异和驱动因素，证实了GBDT模型在揭示驱动因素的非线性影响方面的有效性（Qiu等人，2021）。
本文旨在识别影响MER的关键因素，并揭示这些因素与韧性之间的复杂非线性和阈值关系。研究结果旨在为资源型城市的领土空间生态恢复提供科学基础和精确指导，帮助决策者制定差异化的、有针对性的恢复策略，从而促进区域生态系统的可持续恢复和绿色转型。

**研究区域**
根据《资源型城市国家可持续发展计划（2013–2020）》和数据可用性的原则，我们选择了116个代表性城市（图1）。这些城市主要位于生态敏感区域，具有脆弱的自然环境，气候从干旱到半干旱不等，年降水量较低。由于掠夺性资源开采，许多城市经历了严重的生态退化和新的地质灾害风险的出现。

**基于ARTS的采矿足迹生态韧性（MER）评估**
为了系统地评估资源型城市的MER，本研究开发了ARTS评估框架。该框架在四个维度上进行系统测量（表2）：生态脆弱性、生态系统健康、景观连通性和生态系统潜力。每个维度被赋予0.25的权重，以实现MER多维度特征的全面和平衡评估。

**2000–2023年MER的时空变化**
根据中国的传统自然地理划分方案，本研究中的116个资源型城市被划分为七个地理区域：东北部（NE）、西北部（NW）、北部（NC）、中部（CC）、南部（SC）、东部（EC）和西南部（SW）。

**结论**
本研究将机器学习与时空分析相结合，系统地揭示了资源型城市MER的演变模式和驱动机制。研究结果突出了几个需要进一步深入探讨的关键问题。首先，MER的三阶段演变路径与适应性循环的生态理论高度一致。观察到的缓慢增长、加速增强和高度波动的顺序反映了从某一阶段到另一阶段的系统转变。

**讨论**
本研究整合了机器学习与时空分析，系统地揭示了资源型城市MER的演变模式和驱动机制。研究结果强调了几个需要进一步研究的关键问题。首先，MER的三阶段演变路径与适应性循环的生态理论高度一致。观察到的缓慢增长、加速增强和高度波动的顺序反映了从某一阶段到另一阶段的系统转变。