基于XGBoost-SHAP和MGWR模型的生态系统服务影响因素的空间异质研究

Spatial heterogeneity of driving factors of ecosystem services based on XGBoost-SHAP and MGWR models

摘要

目的 探究辽河流域生态系统服务的时空演变规律及其服务变化的关键驱动因子空间异质性特征，为区域社会经济与生态保护协同增效政策制定的空间差异化提供参考。 方法 首先基于InVEST模型对辽河流域2000—2020年碳储量、生境质量、土壤保持量、产水量和粮食生产服务进行测算，然后采用XGBoost-SHAP机器学习模型识别生态系统服务驱动因素的重要性，最后通过多尺度地理加权回归（MGWR）模型解析揭示生态系统服务与潜在核心驱动因子的空间异质性作用。 结果 （1） 近20年间辽河流域的碳储量和生境质量总体呈下降趋势，土壤保持和产水量均呈波动上升趋势，粮食生产服务增幅最大，年均增长率达到4.24%，高值区多集中分布于人类活动较小的东部与西部林草区或地势平坦的辽河中下游平原。（2） SHAP模型解析表明，坡度、降水量以及土地利用强度指数等特征因子起到关键驱动作用，不同年份的特征因子对生态系统服务的影响程度具有显著差异，但作用方向在研究期间均保持一致。（3） MGWR模型进一步揭示不同驱动因子对生态系统服务作用的性质和强度呈现出显著的空间聚类分布模式。 结论 针对辽河流域生态系统服务呈现差异化演变趋势且自然与社会经济驱动因子的空间分布异质性明显，未来需依据生态系统的空间异质性实施分区治理，实施差异化的管控策略提升辽河流域的整体生态系统服务能力。

Abstract

Objective This study aims to investigate the spatiotemporal evolution patterns of ecosystem services and the spatial heterogeneity of their key driving factors in the Liaohe River Basin， providing a scientific basis for spatially differentiated policies aimed at enhancing the synergy and effectiveness of regional socioeconomic development and ecological conservation. Methods Firstly， the InVEST model was employed to estimate carbon storage， habitat quality， soil retention， water yield， and food production services in the Liaohe River Basin from 2000 to 2020. Then， the XGBoost-SHAP machine learning model was applied to identify the importance of ecosystem service driving factors. Finally， a multiscale geographically weighted regression （MGWR） model was employed to reveal the spatial heterogeneity of the effects of ecosystem services and their potential core driving factors. Results （1） Over the past two decades， carbon storage and habitat quality in the Liaohe River Basin showed overall declining trends， while soil retention and water yield exhibited fluctuating upward trends. Food production services had the greatest increase， with an average annual growth rate of 4.24%. High-value areas were mainly distributed in the eastern and western forest-grassland zones with relatively low human activity or the flat plains of the middle and lower reaches of the Liaohe River. （2） SHAP analysis demonstrated that factors such as slope， precipitation， and the land use intensity index played key driving roles. The impact intensity of these factors on ecosystem services showed significant differences across years， though their direction of influence remained consistent throughout the study period. （3） The MGWR model further revealed that the nature and intensity of different driving factors′ effects on ecosystem services exhibited a distinct spatial clustering pattern. Conclusion Given the differentiated evolution trends of ecosystem services in the Liaohe River Basin and the pronounced spatial heterogeneity of natural and socioeconomic driving factors， future efforts should take into account the spatial heterogeneity of ecosystems to implement zoned management. Differentiated control strategies should be adopted to improve the overall ecosystem service capacity of the Liaohe River Basin.

Graphical abstract

关键词

生态系统服务 / XGBoost机器算法 / 多尺度地理加权回归 / 空间异质性 / 辽河流域

Key words

ecosystem services / XGBoost machine learning algorithm / Multiscale Geographically Weighted Regression （MGWR） / spatial heterogeneity / Liaohe River Basin

生态系统服务是人类直接或间接从生态系统中获得的各种惠益，是自然生态系统和人类福祉间联结的核心纽带^［1-2］。联合国《千年生态系统评估》将生态系统服务分为供给、调节、支持与文化四大类^［3］，同时指出由于全球气候变化、人口快速增长和经济的快速发展已导致全球范围内60%的生态系统服务功能正在面临退化或处于不可持续利用状态，对人类福祉构成了严峻的挑战^［3］。党的二十大报告指出必须牢固树立和践行“绿水青山就是金山银山”的理念，“十四五”规划首次将“两山”理念纳入国家五年规划顶层设计，强调了提升生态系统多样性和稳定性，加强生态系统保护和治理，这为推进生态文明建设明确了根本遵循和行动指南。在此背景下，针对生态系统服务开展定量评估，系统阐明其时空动态演变和关键驱动因子及作用机制，对完善区域自然资源动态优化适配管理以及推动区域可持续发展具有重要意义。

随着人们对生态系统服务的重视程度越来越高，生态系统服务的内涵和外延不断加深，国内外学者以不同的视角围绕生态系统服务开展了大量研究，其评估框架主要依赖于各类生态过程模型与量化评估方法。（1） 涉及生态系统服务量化测度方面。在研究方法上，普遍采用了各种模型来评估，如RUSLE模型^［4］、ARIES模型、能值分析^［5］、当量因子法、InVEST模型等^［6］已被广泛应用。而InVEST模型因其可以综合评估量化多种生态系统服务、用户操作友好以及简洁的数据源而得到了广泛和流行的应用。在研究尺度上，相关研究覆盖了流域^［6-7］、行政单元^［8-9］、生态脆弱区^［10］、国家公园^［11］以及全球等^［12］不同空间尺度上的生态系统服务展开量化评估。郑娇琦等^［6］、罗金玲等^［7］分别对辽河流域、南流江流域的生态系统服务功能进行量化评估。Xu^［8］、郭荣中^［9］等则聚焦于内蒙古大兴安岭林区和长株潭城市群的不同生态系统服务的关系和时空演化进行全面探索。Chen等^［11］在国家公园的研究则证实，林地是公园生境质量得到改善的重要用地类型。（2） 关于生态系统服务驱动因素方面。在研究方法上，学者们主要应用主成分分析^［13］、地理探测器^［14］、结构方程模型^［15］、多元线性回归^［16］、GWR^［17］、MGWR^［18］、冗余分析^［19］以及充分考虑地理和时间的加权回归等^［20］多种模型方法，这也从侧面反映了学者们对空间异质性的关注度在不断提升。值得注意的是，在驱动因子识别方面，一类研究侧重于揭示人类活动因子的胁迫效应，梁玉琦^［13］和陈慧敏^［16］等的研究均揭示了人类活动强度对生态系统服务有深刻影响。另一类研究则深入探讨了自然地理因子的基础性作用，如Yang^［14］与梁华秋^［19］等的研究均指出，地形与气候因子对土壤保持、水源涵养等调节服务具有显著正向效应。Xue等^［18］发现土壤保持、生境质量与碳储存分别受地形植被、气候与人为因子的主导，体现了驱动机制的复杂性。此外，还有相关学者采用多情景分析和随机森林相结合的手段，呈现出从单一因子分析向多因子交互作用研究的转变，揭示自然和社会经济活动维度下的驱动因素对生态系统服务的动态驱动机制^［21］。然而，生态系统服务的空间分布和变化是一个由多种因素引起的复杂时空过程，这使得生态系统服务具有非线性的重要特征^［22］。

综上所述，现有研究为本文提供了坚实的理论基础，但也存在着以下一些不足之处，为本研究提供了切入点：（1） 多数研究在驱动机制解析上难以有效捕捉复杂的非线性关系，而XGBoost算法因其强大的非线性建模能力，为揭示生态系统服务复杂的非线性驱动关系和识别关键驱动因子的重要性提供了新视角新方法。（2） 传统的空间全局回归模型难以有效刻画多驱动因子的作用方向和作用强度，尤其在探索多元驱动因素分析时，经常会出现过拟合以及掩盖核心驱动机制问题。而多尺度地理加权回归（Multiscale Geographically Weighted Regression， MGWR）模型最大的优点是放宽了“相同空间尺度”的假设，考虑了空间尺度的异质性，能更准确地揭示其空间异质性。鉴于此，为突破上述研究局限，文章基于2000—2020年辽河流域的土地利用、气象数据及社会经济等数据，最终选取碳储量、产水量、生境质量、粮食生产以及土壤保持服务五项关键生态系统服务为研究对象，借助InVEST模型、XGBoost-SHAP机器学习及MGWR等模型量化评估辽河流域生态系统服务，进而诠释驱动因素的全局重要性及非线性效应，最终进一步探究关键驱动因子在空间位置上的作用方向和强度。本研究不仅旨在为区域社会经济与生态保护协同增效政策制定的空间差异化提供参考依据，更期望能够通过方法论的融合与创新，突破以往研究中生态系统服务驱动因素的非线性关系和空间异质性相结合的局限，为深化理解生态系统服务驱动机制提供一种新的研究范式。

1 研究区概况、数据来源与研究方法

1.1 研究区概况

辽河流域（38°41′—45°10′N，116°31′—128°17′E）地处我国东北地区南部的半干旱半湿润地区，源于河北省光头山并于盘锦市注入渤海，共包括4个省区、22个地市级（盟）、107个县区级行政单位，水系干流全长1 345 km，其面积约21.96万km²，是我国七大水系之一（图1）。总体地势形态分布大体呈北高南低、东西高中部低，地貌类型多样包括山地、丘陵、台地和冲积平原，山地多于平原，土地利用类型以耕地为主。该流域处于中国温带大陆性气候与温带季风气候区的过渡带，区域内气候差异显著，年均气温4~9 ℃。受热带气旋影响，降雨和高温主要集中在夏季，降水变率大，多以暴雨和强降雨的形式出现，由东南向西北递减，降水在时间和空间上分布极不均匀，年均降水量为300~1 000 mm，多年径流量248亿m³。流域内土壤和自然植被类型多样，生物物种资源丰富，为中国典型的由北方游牧区向中原农耕区和东北渔猎区的过渡地带、工业基地、水资源贫困区、水土流失严重区于一体的特殊区域，同时也是中国北方重要的生态安全屏障带。近年来，频繁的人类活动和气候变化显著改变了土地利用方式，使流域生态系统面临多重压力，导致生态系统服务功能呈现不同程度的退化趋势^［23］。

1.2 数据来源及处理

文章选取2000—2020年作为研究时段，每5 a一期，涵盖的基础数据来源详细如下：（1） 土地利用数据来源于中国科学院资源环境科学数据中心一级土地利用类型（http：∥www.resdc.cn），空间分辨率为30 m。（2） 中国多年.nc格式的逐月降水量和逐月气温以及夜间灯光数据来源于国家青藏高原科学数据中心（https：∥data.tpdc.ac.cn/），空间分辨率为1 000 m。（3） 数字高程模型（Digital Elevation Model， DEM）数据来源于地理空间数据云平台（http：∥www.gscloud.cn），空间分辨率为30 m；坡度数据是通过数字高程数据在ArcGIS 10.6中由坡度工具提取获得。（4） 归一化植被指数数据来源于美国国家航天航空局的MODIS产品MOD13A植被指数数据（https：∥lpdaac.usgs.gov），时间分辨率为16 d，空间分辨率为250 m。（5） 潜在蒸散发量数据源自《全球干旱指数和潜在蒸散（ET₀）气候数据库v2》（https：∥figshare.com/）。（6） 根系深度和土壤质地数据来源于Harmonized World Soil Database （HWSD），选取中国1∶100万土壤表层30 cm有机碳含量分布图。土壤数据来源于世界土壤数据库的中国土壤数据集（v1.2）（https：∥data.tpdc.ac.cn/zh-hans/data/3519536a-d1e7-4ba1-8481-6a0b56 637baf/）。（7） 土壤类型、行政边界矢量图以及地均GDP数据来源于中国科学院资源环境科学与数据中心（https：∥www.resdc.cn/），空间分辨率为1 000 m。（8） 河流水系、各等级道路、铁路以及高速公路等矢量数据来源于全国地理信息资源目录服务系统（https：∥www.webmap.cn/）。（9） 人口密度数据来源于World Pop（https：∥www.worldpop.org/），空间分辨率为1 000 m。（10）社会经济数据来源于河北、内蒙古、吉林以及辽宁各省（区）统计年鉴及国民经济和社会发展统计公报。（11）土地利用强度指数是衡量区域人类活动对土地的干预强度，通过将土地利用类型按开发强度赋予4个分级权重值，再结合各类型土地的面积占比计算得出。（12）人类足迹指数能够综合量化人类社会经济活动对自然生态环境干扰程度，主要是通过整合土地利用类型状况、人口密度、夜间灯光数据、道路密度这几类空间数据通过加权叠加模型综合合成，以此来反映地表人类足迹的空间分布。另外，本文所使用的栅格与矢量数据均统一采用Krasovsky_1940_Albers投影坐标系。

1.3 研究方法

1.3.1 生态系统服务评估

在综合考虑辽河流域的土地利用现状特征及生态系统服务系统性的基础上，运用InVEST模型量化估算碳储量、生境质量、土壤保持、产水量四项服务。进而通过利用区域作物产量与NDVI之间的线性相关性，估算粮食生产的空间分布。

（1） 碳储量。本文基于InVEST模型对研究区域生态系统的碳储存进行测算，通过陆地生态系统4大碳库的碳密度值乘以各土地利用类型的面积来量化区域生态系统碳储量。其公式如下^［24］：

\mathrm{C}{\mathrm{S}}_{\mathrm{t}\mathrm{o}\mathrm{t}}=\left(\mathrm{C}{\mathrm{D}}_{i_{\_}\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}+\mathrm{C}{\mathrm{D}}_{i_{\_}\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}+\mathrm{C}{\mathrm{D}}_{i_{\_}\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}+\mathrm{C}{\mathrm{D}}_{i_{\_}\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}\right)\times S_i（1）

式中：CS_tot表示碳储量（t）；CD _{i_above}，CD _{i_below}，CD _{i_soil}和CD _{i_dead}分别表示栅格单元i中的地上生物、地下生物、土壤和死亡有机质碳储量值（t/hm²）；i表示第i种土地利用类型；S_i 表示土地利用类型i的面积（hm²）。

年均温和年降水量这两个影响因素对生物量和土壤碳密度值的影响较大，为确保碳密度参数的区域适用性，研究在选取全国四大碳库中不同土地利用类型碳密度数据的基础上，重点参考Giardina^［25］和陈光水^［26］等的研究成果，对辽河流域的碳密度数据进行修正调整，经计算最终确定适用于辽河流域的生物量和土壤碳密度修正系数分别为0.43，0.93，修正后的碳库数值如表1所示。

（2） 生境质量。生境质量模块的主要原理是基于土地利用评价单元、各物种对威胁源因子的相对敏感度、影响距离和威胁空间权重来衡量各种生境质量类型或植被类型的生境适宜性以及每种类型的退化程度^［24］。其公式如下：

{Q_x}_j=H_i\times \left(\mathrm{1}-\frac{D_{xj}^z}{D_{xj}^z+k^z}\right)（2）

式中：Q_xj 表示第j种土地利用评价单元中x栅格单元的生境质量值；H_i 表示第i种土地利用评价单元的生境适宜性；D_xj 表示第j种土地利用评价单元中x栅格单元的生境退化程度；Z为归一化常量；K为半饱和常数值。

生境质量与土地利用变化密切相关，在参考陈慧敏等^［16］、王耕和冯妍^［27］分别于西辽河上游和太子河流域设定的不同土地利用类型上的因子参数，以及结合模型用户指南^［24］的基础上，最终将耕地、建设用地、未利用地、铁路和公路确定为干扰较大的威胁源胁迫因子（表2）。

（3） 土壤保持。土壤保持量采用修订后的通用土壤流失方程（RUSLE）^［24］，该方程模型考虑了样地的沉积物拦截量，以来沙量与泥沙持留率的乘积表示。其公式如下：

\begin{array}{l}\mathrm{S}\mathrm{D}\mathrm{R}=\mathrm{R}\mathrm{K}\mathrm{L}\mathrm{S}-\mathrm{U}\mathrm{S}\mathrm{L}\mathrm{E}\\ =R\times K\times L\times S\times \left(\mathrm{1}-C\times P\right)\end{array}（3）

式中：SDR表示栅格单元i的土壤保持量（（t/hm²）；RKLS和USLE分别表示潜在土壤流失量和实际土壤侵蚀量（t/hm²）；R表示降雨侵蚀力因子〔MJ·mm/（hm²·h）〕；K表示土壤可蚀性因子〔t·hm²·h/（MJ·hm²·mm）〕；L， S表示坡长、坡度因子；C，P则分别表示植被覆盖作物管理和水土保持措施因子，这两个因子均为无量纲。

（4） 产水量。产水量服务遵循Budyko水热耦合平衡假设理论^［24］，即通过计算不同空间单元在一定时间段内每单位面积的降水量与实际蒸散量的差值，从而反映区域不同空间单元的水生产能力。其公式如下：

\mathrm{W}{\mathrm{Y}}_x=\left(\mathrm{1}-\frac{\mathrm{A}\mathrm{E}{\mathrm{T}}_x}{P_x}\right)\times P_x（4）

式中：WY _x 表示栅格单元x的年产水量（mm）；AET _x 表示栅格单元x的实际蒸散发量（mm）；P_x 表示栅格单元x的年均降水量（mm）。

（5） 粮食生产。

G_i=\frac{\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_i}{\mathrm{N}\mathrm{D}\mathrm{V}{\mathrm{I}}_{\mathrm{s}\mathrm{u}\mathrm{m}}}\times G_{\mathrm{s}\mathrm{u}\mathrm{m}}（5）

式中：G_i 为耕地栅格i的粮食产量（t/hm²）；NDVI _i 为耕地栅格i的NDVI值；NDVI_sum为辽河流域内NDVI总值；G_sum为辽河流域的粮食总量（t）。

1.3.2 XGBoost-SHAP

XGBoost是一种改进的梯度提升算法，能够捕获非线性关系并提供更高的预测准确性，在处理多维数据方面具有明显优势。主要是通过学习前一棵树预测的值与真实值之间损失函数的负梯度多次迭代添加树，在训练过程中不断添加树以拟合先前预测的残差，从而逐渐提高模型的科学性和准确性。该算法通过引入损失函数的二阶导数和Lasso正则化学习负梯度多次迭代添加树，从而实现全局最优以及防止数据过度拟合^［28］。虽然XGBoost机器学习模型的预测精度很高，但它无法解释因素的影响程度，因此引入一种基于博弈论的方法——Shapley加法解释（SHAP）。Shapley值可以评估各种特征因子对模型结果的影响，能够公平分配每个特征因子对模型预测结果的贡献值，可以分别从全局和局部两个层面对机器学习模型的预测结果提供解释^［28］。其公式如下：

{\phi }_j=\sum _{S\subseteq F/\left\{j\right\}}\frac{\left|S\right|!\left(\left|F\right|-\left|S\right|-\mathrm{1}\right)!}{\left|F\right|!}〔{}_x\left(S\bigcup \left\{j\right\}\right)-f_x\left(S\right)〕（6）

式中：Ø_j 表示第j个特征因子的贡献；F表示所有特征因子的集合；S表示给定预测的特征因子子集；f_x （S∪｛j｝）和f_x （S）分别表示在给定特征子集S的条件下，包含或不包含第j个特征因子下模型对样本x的模型预测结果。

1.3.3 多尺度地理加权回归模型（MGWR）

XGBoost-SHAP机器学习模型识别了时间趋势上5种关键生态系统服务自变量的重要性特征和预测，但未能清晰表征不同变量对生态系统服务的作用方向及作用强度的空间分异特征。而MGWR模型更好地考虑了自变量和因变量之间的关系在不同空间尺度上的变化，能够更好地诠释局部空间作用关系的集聚与分异特征^［18］。其公式如下：

Y_i={\beta }_{\mathrm{0}}(u_i,{\nu }_i)+{\displaystyle \sum _{i=\mathrm{1}}^k}{\beta }_k(u_i,{\nu }_i)X_{ik}+{\epsilon }_i（7）

式中：Y_i 表示i点上的因变量；（u_i， v_i ）表示第i个自变量点的投影坐标系；β₀（u_i， v_i ）是地理坐标位置（u_i， v_i ）处的常数项；β_k （u_i， v_i ）是第k个影响因素变量在i点处的局部回归系数值，自变量数据集X_ik 是第i个点在第k个自变量X处的实测值，k是自变量总数量，ε_i 为随机误差项。

2 结果与分析

2.1 生态系统服务时空动态变化

2.1.1 生态系统服务时间变化

运用InVEST模型对2000—2020年期间辽河流域5种关键生态系统服务进行测度分析，同时为进一步揭示时间动态情况，绘制随时间演化的箱线图，如图2所示。

具体来看，单位面积碳储量由研究初期的136.17 t/hm²下降到研究末期的135.58 t/hm²，碳储量降幅为0.43%，主要原因在于快速城镇化带来的土地利用类型转变所引发的碳密度库的相对置换，具有较高综合碳密度的耕地和草地大量转化为固碳能力微弱的建设用地和未利用地，地上和土壤有机碳的环境发生变化，从而导致碳储功能出现退化。2000—2020年流域内生境质量平均值分别为0.639，0.618，其中2005—2015年的生境质量降低幅度最大，整体降低3.84%，这一时期，经济快速发展导致大量的建设用地占用了农田，从而导致生境质量整体呈小幅下降趋势。产水量在研究期内表现出强烈的年际波动，总体呈上升—下降—上升的波动趋势，全域多年平均产水总量为256.72亿m³，平均单位面积产水量为2 817.51 m³/hm²。分时段来看，2000—2010年产水量呈较大幅度上升态势，其中2005—2010年产水量急剧上升，于2010年达到最大值380.73亿m³，2010—2015年发生急剧下降，降幅达到55.86%，在这一年东辽河和辽河干流的降水量明显减少，其中辽河干流2015年的地表水资源量相较于2010年减少58.95亿m³，极端气候变化引起的产水量锐减，这一现象深刻反映了辽河流域以降水为主要补给方式的产水服务的不稳定性和脆弱性。流域单位面积土壤保持量呈缓慢上升趋势，由研究初期的105.29 t/hm²上升为122.21 t/hm²，增长率达16.07%，其中林地的土壤保持量最高。2000—2005年呈下降趋势，单位面积土壤保持总量于2005年达到最低值91.57 t/hm²，2005—2020年呈上升趋势后逐渐趋于稳定，这主要归因于该时期采取植树造林等生态系统工程，茂密的植被通过林冠截留、枯枝落叶堆积拦截以及根系固土等多种方式有效减轻了降雨侵蚀力，显著缓解了暴雨冲刷引起的水土流失问题。粮食生产能力持续提升，分时间段来看，2000—2005年为快速提升期，单位面积粮食生产能力由1.90 t/hm²迅速增长至3.12 t/hm²，增长率达64.04%，主要得益于农业技术与农业基础设施的加强；2005—2020年进入稳步增长阶段，单位面积粮食生产能力从3.50 t/hm²提升至4.02 t/hm²，年均增速放缓至1.32%，但粮食生产能力的急速提升可能依赖于品种改良以及农药化肥的大量投入，另外耕地的不可持续高强度利用也可能会带来土壤退化的风险。

2.1.2 生态系统服务空间动态变化

图3展示了2000—2020年辽河流域五项生态系统服务的空间分布格局。本研究参考借鉴金贵等^［29］所采用的空间分级思路，采用自然间断法将评估结果划分为不同等级，以客观揭示其空间分异规律。

2000—2020年辽河流域各项生态系统服务具有显著的空间异质性特征（图3）。碳储量在空间上呈“东、西高，中部低”的分布格局，高值区主要分布在流域东、西部地表植被覆盖度高的老哈河、西拉木伦河及乌力吉木仁河附近，冲积平原地区耕地次之，这表明综合碳密度最高的林地、草地是辽河流域重要的碳汇用地类型。低值区主要分布在东辽河、柳河口以及浑河和太子河的部分地区，这些地区主要以水域和建设用地为主，地上、地下生物碳密度明显低于流域东、西林草用地。不同土地利用类型单位面积碳储量变化较小，其中林地的单位面积碳储量最高，达到207.47 t/hm²，固碳能力较弱的水域用地类型评价单元的碳储量下降幅度最大，水域的单位面积碳储量最低仅达到37.55 t/hm²。建设用地增加、水域用地类型大量转为耕地和未利用地，这种土地利用类型间的转变既降低了地上生物量又严重破坏了土壤有机碳的稳定性，从而加速了碳汇的流失。

产水量与年降水量的空间分布形态同趋，总体呈现出自东向西递减的趋势。其中产水量低值区主要分布在西辽河流域，由于产水量与潜在蒸散发、降水量、土壤质地气候变化等影响因素密切相关，西辽河距离海洋较远，天然径流量较低，西辽河上游的降水量仅为350~400 mm，尤其是上游乌力吉木仁河流域年均降水量较低，且更高的潜在蒸散发量使其地表水资源量远远低于东辽河和浑河—太子河，这也是该区域的产水量一直处于低值的原因。高值区主要集中在流域东部山地和辽河平原，该区域距离海洋较近，水汽充足、年均降水量较高，水域分布众多，土地利用类型以林地、耕地、建设用地为主，且由于地势逐渐抬升，气流受地形的抬升而形成坡面雨，因而在辽河干流附近区域形成明显的分界线。由此可知这种先天存在的地形、降水量以及蒸散发量的空间异质性直接决定了辽河流域区域内部产水能力的固有差异。

生境质量整体呈现出由东、西两侧高值区向中部低值区逐渐推进，且高值区斑块日益破碎化。大型斑块高值区主要分布在浑河—太子河流域的东部地区等生态功能区域，这些区域分布有阴山北麓—浑善达克沙地和长白山山地生态功能保护区。其余小型斑块分布于流域西部的草地区域，低值区分布于辽河平原耕地、城镇建成区，由于距离城市和道路附近，生境受到人为活动干扰而形成条状斑块并向西辽河流域呈片状延伸零星分布于西部等区域。五期生境质量处于较低等级的面积占比均高于38%，高级生境质量区域面积占比最低且处于逐期不断降低的状态，这主要归因于城市群的扩张，建设用地和道路作为难以逾越的双重胁迫因子，不仅会直接侵占生物栖息地，更将东西部两大自然生态景观打破成碎片斑块，阻碍了生物群落间的物种流动与基因交流，从而导致区域生物多样性功能的不断退化。

土壤保持强度呈西侧边缘和东部高的空间分布格局，东部浑河和太子河流域低山丘陵山区以林地为主，能够有效抑制以暴雨冲刷为主的水力侵蚀现象。而流域西部边缘的高值区则可能更多地归因于“风沙源治理工程”的开展，从而降低了地表扬尘起沙的风力侵蚀风险。中部地区以耕地和不透水用地为主，植被覆盖率相对较低，地形波动小，人类活动密集，大部分建筑用地是自然裸露的，几乎没有能力阻挡沉积物和减少侵蚀。除较低等级土壤保持量的面积有所降低外，其余等级的土壤保持强度面积均呈不同程度的增加，其中较低等级的面积占比最高，2010年之后面积占比降至60%以下，高等级的土壤保持面积占比最少，总体占比低于1%，研究期间高等级面积仅增加389.6 km²。虽然区域采取“退耕还林”和“风沙源治理工程”等生态项目推进土壤保持能力有所提升，但区域内部差异依旧十分明显。

粮食生产服务具有显著的地域差异，主要与土地利用类型有关，西北部和中部以及辽东山地区域无粮食供给能力，这些地区主要以林草地和未利用地为主。高值区主要分布在地势平坦、土地肥沃的辽河中下游平原，此外辽南丘陵、东部山地、西部山地以及西辽河平原等，也有一定数量的耕地分布，这些地区耕作层良好，交通可达性高，因此粮食生产服务能力较强。低值区主要分布在水土以及农业生产条件相对落后的地区，如吉林南部山地和辽西、冀北低山丘陵地区的部分干旱区域以及西辽河平原的部分盐碱化区域。中等级及以下的面积占比均呈快速降低趋势，其中高等级面积增加最多，于研究末期增加至46 431.21 hm²，占比达到21.37%，这是农业集约化水平不断提高和因地制宜的农业发展策略的直接表现，粮食生产服务功能得到改善和提升。

2.2 驱动因素的空间异质性

2.2.1 SHAP因子可解释性

利用Python3.12.7编程语言建立基于XGBoost-SHAP归因分析框架对辽河流域5种关键生态系统服务的影响因素构建可解释机器学习模型。在参考生态系统服务形成机制和评估模型输入参数的基础上，从自然基底和社会经济方面选取10个具备区域尺度空间栅格数据的驱动因子，类似的驱动因子组合已被广泛应用并验证于全球生态系统服务空间分异驱动机制研究中^{［15-16，23］}。其中DEM（X₁）、坡度（X₂）、地均GDP（X₃）、土地利用强度指数（X₄）、年降水量（X₅）、年平均气温（X₆）、潜在蒸散量（X₇）、归一化植被指数（X₈）、人口密度（X₉）、人类足迹指数（X₁₀）。如表3所示，2000年及2020年5种生态系统服务影响因素特征因子的相对重要程度排序情况。

2.2.2 XGBoost-SHAP的模型解释性时间趋势分析

总体来看，不同年份的特征因子对生态系统服务的影响程度具有显著差异，但作用方向在研究期间均保持一致。碳储量主要受土地利用强度指数、归一化植被指数和坡度的影响，其中土地利用强度指数以30.9%的占比显著高于其他特征因子，这是抑制碳储量提升的最主要负向因子，城市建成区和农业用地面积扩张会抑制碳汇量。人口密度在所有特征因子中占比增加幅度最大并呈负向抑制作用，这主要是由于人口大量增加，城市建设用地增加导致碳储量降低。土地利用强度指数是影响生境质量空间分布的关键抑制因素，该特征因子主要集中分布在负值区域。人口密度因子的重要性贡献率在2020年显著提升，排名跃升至第二名，地均GDP的重要性大幅下降，人口集中地区的社会经济生产活动强度高，工业化用地增加改变了地表用地类型，致使生态环境的破碎化程度严重，对生境质量的抑制作用明显。坡度、降水量、DEM和归一化植被指数等特征因子对土壤保持的重要性贡献率在研究期间排名较稳健，人类足迹指数对土壤保持的影响最弱。其中，坡度的SHAP绝对均值占比最高（52.7%），是影响土壤保持空间分布的关键影响因子。不同地区的坡度分区对土壤保持量的影响差异较大，区域内部地形复杂，再加上降水量充足，植被覆盖率越高，则越有利于土壤保持。年降水量和土地利用强度指数是产水量的关键影响因子，在研究期内对产水量的正向促进作用进一步增强。地均GDP的贡献率持续降低，从10.95（2000年）降低到2.71（2020年），人口密度重要性占比显著增加13.5%，成为产水量相对重要的正向影响因素之一。城市化进程加速，不透水地表面积增加，更有利于产水量的提高。土地利用强度指数是粮食生产最具有影响力的因子，其次是归一化植被指数和高程。至2020年，归一化植被指数的重要性贡献率超过地均GDP成为第二大驱动因子，气温、潜在蒸散发量以及人类足迹指数等特征因子对粮食生产的影响相对有限。

2.2.3 基于MGWR的模型解释性空间格局分析

为进一步探究因变量对生态系统服务影响的作用方向和强度，文章基于XGBoost-SHAP机器学习算法的分析结果，选取贡献显著的自变量并集。随后，利用Stata18.0检验自变量是否存在多重共线性关系，结果显示当方差膨胀因子（Variance Inflation Factor， VIF）介于1.0与9.5之间时，可判定自变量之间不存在多重共线性现象。另外，为验证MGWR模型的优越性，我们同时构建了传统GWR模型作为对比，并从调整R²、AICC值和带宽值等多个维度评估模型的预测能力。如表4所示，MGWR的调整R²值普遍高于GWR模型，且AICC值显著降低，表明MGWR表现出更优的拟合性能（图4）。

就碳储量而言，高程对碳储量的正响应地区主要集中分布在流域东、西部两侧的中低起伏山地和丘陵地带，这些地区由于海拔高度限制了人类的开发活动，再加上具有良好的土壤和水热条件，因此林、草生态系统具有持续、稳定的碳库功能。而在低海拔的浑河和太子河下游区域，高强度的人类土地利用开发活动，高程对碳储量具有负向效应。土地利用强度指数正响应作用在流域东北部区域呈现出一定的空间聚集特征且呈小幅增长的态势，负效应区域未显著扩张。这可能与退耕还林政策有关，通过将生产能力低的农田转化为综合高碳密度的林、草用地，从而实现碳储服务功能的增加。归一化植被指数在研究期内对碳储量的强正向效应稳定分布在西辽河上游的草原地带与东南部千山山脉的森林覆盖区。相比之下在中部以农业为主的耕地区具有较低正向作用，这表明归一化植被指数的提升意味着地上生物量的直接增加，耕地生态系统因受到其短期、循环的耕种模式限制，无法像林、草生态系统那样提供持续稳定的碳储服务。

在决定生境质量的驱动因子中，流域中部和东南部大部分区域的坡度因子强正向抑制作用有所增强，强正效应回归系数比例达到23.89%。陡坡限制了人类活动，强负效应区域有所降低，水土保持工程以及植被恢复等系列生态工程的开展使植被覆盖率提升，生态环境改善，由此降低了坡度对生境质量的抑制作用。而在西部丘陵和农牧交错带坡度因子表现为负效应，主要是因为该区域生态本底环境相对脆弱，过度放牧和农业生产活动会因坡度地形而加剧水土流失，从而加剧生境的退化。土地利用强度指数对研究区90%以上的区域（2000年92.55%；2020年98.4%）具有较显著负向效应，负向抑制作用增强最明显的地区主要集中分布在流域中部城镇连绵区域。2000—2020年地均GDP的正向效应程度在逐渐减弱，强负效应回归系数占比由2000年的40.82%增加至53.67%，表现出由西辽河上游向东辽河横向延伸的特点。这直观体现了人类经济建设活动，深刻改变了生态系统的连通性，从而加剧了生境栖息地的破碎化，最终导致生境质量在结构与功能上的双重退化。

对于土壤保持，归一化植被指数在研究期内具有较稳定的正向影响。在降水充沛、植被茂密的东部山区，坡度因子表现出显著的强正效应，这归因于陡坡地形与森林生态系统的协同作用得以有效抑制土壤流失。年降水量等气候因子在湿润的东南部千山山脉对土壤保持能力呈现出显著的正效应，这一现象不仅得益于陡坡地形与森林生态系统自然协同的优越自然本底条件，更深受区域实施的生态工程人为干预因素影响，共同提升了该区域的土壤保持能力。水土流失核心区域主要集中分布在距离海洋较远的西北部，如平泉市、元宝山区、克什克腾旗以及巴林左旗等河北省和内蒙古的部分县区，这些区域由于生态环境相对脆弱，再加上受季风气候的影响导致该区域降水相对集中在夏季且强度大，因此会极易加剧水土流失生态问题。由此可见，驱动因子的作用方向与强度，并非独立存在，而是深受区域水热条件和植被覆盖状况的制约，从而决定了生态效应具有显著的空间异质性。

对于产水量，坡度的强正效应增加显著（2000年：13.19%；2020年；31.15%），坡度较高的东、西部区域正向效应最为明显。东、西部低山丘陵的林地区之所以形成高产水空间格局，主要归因于林冠截留与坡度的协同作用。其中，坡度的作用尤为关键，它不仅可以减少雨水下渗，而且还能够快速将其转化为地表径流。土地利用强度驱动因子呈东部正向效应增加、西部负向效应弱化、中部动态稳定的空间分布格局。强正向效应区域在2000年零星分散在本溪、抚顺等城市，至2020年强正向效应进一步增大，面积扩大到辽河中下游平原，强正向效应的回归系数占比达到43.84%，西部和中部地区的负向效应在逐渐减弱。年降水量与产水量正相关但存在显著的空间异质性，乌吉利木仁河和西辽河上游区域呈现小幅度的正相关，降水量较高的东南部山区和丘陵地带的正向效应最为明显，得益于该区域植被覆盖度高，生态保育工程的实施改变了地表覆盖类型，共同创造了高产水的区域条件，使得降水能有效转化为地表径流，从而提高了产水量。

在作用于粮食生产的因子中，地均GDP对粮食生产的正向效应呈块状集聚增长态势，从40.38%（2000年）增长到50.72%（2020年），分布范围覆盖辽河中下游平原主要商品粮基地，强正效应揭示了生产要素升级如农机、灌溉设施等的投入使用能够有效提升土地生产率。2000—2020年土地利用强度指数与粮食生产正向相关效应持续强化，整体空间格局分布较稳定，两期回归系数的正向效应值占比均达到96%以上，正向效应主要集中在平原地区，主要集中在水热和耕作条件良好的平原地区，土地利用强度的提升意味着灌溉、施肥、农药和机械等农业投入的增加，从而直接提高了单位面积的粮食产量。归一化植被指数对粮食生产的响应在平原地区多为正向效应，山地和丘陵地区多为正负效应交织的空间分布格局，东部山地及西部沙地空间回归系数为0.00~0.74，处于负向效应核心区。2000—2020年部分地区归一化植被指数的正向促进作用增强，回归系数的区域间差异在逐渐缩小。东、西两侧的山地与丘陵地带虽地势陡峭难以开垦、农业潜力有限，但却是高归一化植被指数值的生态高地与重要水源涵养区，其生态屏障功能远大于有限的农业生产价值。

3 讨论与建议

3.1 讨 论

为确保研究结果的准确性和合理性，将模拟结果与多位学者的研究结论进行交叉对比。在参考前人研究的基础上，本研究模拟的产水量均值与《2000—2020年松辽水资源公报》的实际水资源量误差仅为3.52%，误差源于未考虑地表水与地下水之间的转换。模拟的碳储量“东—西高、中部低”空间分布格局以及模拟的土壤保持强度值，也分别与孙才志^［23］、严岩^［30］等在辽河流域的研究结果高度吻合。生境质量高值区分布于山地、丘陵和湖泊地区，而低值区集中在城镇和未利用地，这与陈慧敏^［16］、孙才志^［23］等在西辽河及辽河流域的空间分布一致，其中道路威胁因子会引发生境的破碎与退化，严重威胁着区域本底生态环境，这也与陈慧敏等^［16］的发现一致。由此可见，这些对比在一定程度上充分证明了本研究的参数设置与评估结果的相对合理性。

本研究仅量化了5项生态系统服务功能，没有考虑气候调节和文化服务以及水质净化服务，并不能完全反映辽河流域的生态价值和功能。尽管我们已参考其他具有相似环境条件的区域参数，并对模型参数进行了本地化修正，但评估结果的准确性难免存在一定程度的偏差，如生物物理参数、半饱和度参数。虽然本文对生态系统服务间的时空演变以及驱动因素进行探究，但不同生态系统服务之间仍然存在潜在的复杂相互作用，尤其是了解生态系统服务在不同尺度（子流域、县区、市级）上的相关性以及空间聚类特征，可以帮助识别生态环境管理中的潜在冲突，这将更有利于帮助不同利益相关者和管理者在区域可持续发展的框架下做出科学决策。因此未来探究长时间序列上多空间尺度的生态系统服务相互间的关系将成为研究的重点方向。

3.2 政策建议

鉴于辽河流域生态系统服务演变以及影响因素的差异，加强辽河流域生态和经济可持续性要求，从而根据实地情况对流域提出一些针对性的建议。

（1） 首先，辽河中下游具有重要的商品粮基地，流域东、西地区的林、草地综合碳密度最高，同时兼具生境栖息地、水土保持和水源涵养等生态功能，不同土地利用类型间的矛盾凸显。应明确生态、生产和生活3类用地的空间分布，合理划定建设用地和耕地规模的增长边界，保障林地、草地以及水域用地等重要生态用地不被侵占，确保区域生态安全与可持续发展。

（2） 其次，辽河流域是东北地区南部生态安全的重要组成部分，东部低山区域要优化林分结构，严格控制矿产开采与坡地开发活动，保护生态系统的原真性与完整性。西部丘陵草地要严格保护原生灌草植被的同时还要降低土地利用强度，严格执行“休耕轮牧”与“禁垦”政策，稳定并扩大自然植被覆盖，严守生态保护红线。

（3） 最后，依托国家永久基本农田保护政策，在水源充足的核心粮产区推行农业高质量绿色发展，升级作物栽培技术，采取农业集约化措施，如因地制宜发展“农林复合”“稻渔综合种养”等生态农业模式，保障粮食稳定供给。同时要避免滥用农药和化肥，推广精准施肥与绿色病虫害防控技术以减少面源污染。

4 结 论

本研究运用InVEST模型、XGBoost-SHAP机器算法以及MGWR模型，对辽河流域2000—2020年五项关键生态系统服务的时空演变及其驱动机制进行了系统探究，主要得出以下结论：

（1） 辽河流域生态系统服务时空分异格局与演变趋势显著，总体来看，研究期内供给服务能力在波动中提升，而调节服务如碳储量和生境质量呈现小幅度退化的趋势。碳储量、生境质量和土壤保持等调节服务的高值区稳定集中分布于辽河流域人类活动干扰较少的东、西部林草地区，而产水量和粮食生产等供给服务的高值区则主要分布在辽河中下游平原。

（2） 通过XGBoost-SHAP机器算法模型解析发现，自然环境和社会经济特征因子间的非线性交互作用共同影响着生态系统服务功能的分布与演化，但自然环境特征因子在整体上起着主导作用。坡度对土壤保持的正向效应在西部丘陵地区显著，土地利用强度显著影响碳储量、生境质量与粮食生产，降水量是产水量的关键因子。

（3） MGWR模型解析有效地揭示了驱动因子的作用方向和强度的空间异质性，如归一化植被指数对碳储量的强正向作用稳定分布在西部和流域东南部地区；土地利用强度在流域中部城镇建设用地以及边缘地带自然条件较差的未利用地对生境质量形成较显著的负向胁迫，而在部分生态功能保护区则呈现弱正向效应。

参考文献

[1] Daily E B G C. Nature′s Services： Societal Dependence on Natural Ecosystems［M］. Washington D C： Island Press， 1997.

[2] Costanza R， d′Arge R， de Groot R， et al. The value of the world’s ecosystem services and natural capital［J］. Ecological Economics， 1998，25（1）：3-15.

[3] Reid W V， Mooney H A， Cropper A， et al. Ecosystems and human well-being-Synthesis：a report of the Millennium Ecosystem Assessment［M］. Washington D C： Island Press， 2005.

[4] 何佳瑛，蒋晓辉，雷宇昕.黄土高原生态工程对关键生态系统服务时空变化的影响：以延河流域为例［J］.生态学报，2023，43（12）：4823-4834.

[5] He J Y， Jiang X H， Lei Y X. Effects of ecological engineering on spatio-temporal changes of key ecosystem services on the Loess Plateau： A case study in the Yanhe River Basin， China［J］. Acta Ecologica Sinica， 2023，43（12）：4823-4834.

[6] 李志龙，陈慧灵，刘迪.基于能值理论武陵山片区旅游生态化水平测度与空间异质性分析［J］.自然资源学报，2021，36（12）：3203-3214.

[7] Li Z L， Chen H L， Liu D. Measurement of tourism ecological level based on the emergy value theory and spatial heterogeneity in Wuling Mountain Area［J］. Journal of Natural Resources， 2021，36（12）：3203-3214.

[8] 郑娇琦，王华斌，刘伟玲，等.2000—2010年辽河流域生态系统功能变化评估［J］.水土保持研究，2015，22（6）：245-249.

[9] Zheng J Q， Wang H B， Liu W L， et al. Evaluation on the change of ecosystem functions in Liao River Basin during the preriod from 2000 to 2010［J］. Research of Soil and Water Conservation， 2015，22（6）：245-249.

[10] 罗金玲，谢余初，刘秋华，等.流域生态系统服务权衡/协同关系时空格局及热点区识别：以南流江流域为例［J］.水土保持研究，2023，30（5）：397-407.

[11] Luo J L， Xie Y C， Liu Q H， et al. Spatiotemporal patterns and hot-spots of the trade-off and synergy relationship among ecosystem services in Nanliujiang River Basin［J］. Research of Soil and Water Conservation， 2023，30（5）：397-407.

[12] Xu L X， He Y J， Zhang L， et al. Spatial variation in ecosystem service relationships in Alpine ecosystems： a case study of the Daxing′anling forest area， Inner Mongolia［J］. Ecological Indicators， 2024，166：112351.

[13] 郭荣中，申海建，张阔，等.长株潭城市群生态系统服务变化及其权衡协同研究［J］.水土保持研究，2025，32（4）：365-374.

[14] Guo R Z， Shen H J， Zhang K， et al. Ecosystem services and their trade-offs and synergies in Chang-Zhu-Tan urban agglomeration［J］. Research of Soil and Water Conservation， 2025，32（4）：365-374.

[15] 肖武，张文凯，吕雪娇，等.西部生态脆弱区矿山不同开采强度下生态系统服务时空变化：以神府矿区为例［J］.自然资源学报，2020，35（1）：68-81.

[16] Xiao W， Zhang W K， Lyu X J， et al. Spatio-temporal patterns of ecological capital under different mining intensities in an ecologically fragile mining area in Western China： a case study of Shenfu mining area［J］. Journal of Natural Resources， 2020，35（1）：68-81.

[17] Chen X， Yu L， Cao Y， et al. Habitat quality dynamics in China′s first group of National Parks in recent four decades： Evidence from land use and land cover changes［J］. Journal of Environmental Management， 2023，325（Pt A）：116505.

[18] Wang J N， Wu W J， Yang M， et al. Exploring the complex trade-offs and synergies of global ecosystem services［J］. Environmental Science and Ecotechnology， 2024，21：100391.

[19] 梁玉琦，危小建，江平，等.基于力学平衡模型的生态系统服务协同与权衡关系研究：以长江中游城市群为例［J］.中国环境科学，2023，43（11）：5974-5986.

[20] Liang Y Q， Wei X J， Jiang P， et al. Study on trade-offs and synergies of ecosystem services based on mechanical equilibrium model： a case of the Middle Reaches of the Yangtze River Urban Agglomerations［J］. China Environmental Science， 2023，43（11）：5974-5986.

[21] Yang L P， Liu Y S， Liu Y Q， et al. Spatial-temporal dynamics and drivers of ecosystem service interactions along the Yellow River area in Shaanxi Province［J］. Journal of Cleaner Production， 2025，496：145095.

[22] 刘迪，陈海，张行，等.黄土丘陵沟壑区生态系统服务对人类福祉的影响及其群体差异［J］.地理研究，2022，41（5）：1298-1310.

[23] Liu D， Chen H， Zhang H， et al. The impact of ecosystem services on human well-being and its group differences in the loess hilly and Gully Region［J］. Geographical Research， 2022，41（5）：1298-1310.

[24] 陈慧敏，赵宇，付晓，等.西辽河上游生境质量时空演变特征与影响机制［J］.生态学报，2023，43（3）：948-961.

[25] Chen H M， Zhao Y， Fu X， et al. Characteristics of spatio-temporal evolution and influence mechanism of habitat quality in the upper reaches of the West Liaohe River［J］. Acta Ecologica Sinica， 2023，43（3）：948-961.

[26] 王建鹏，彭叶林，郑亮，等.长江黄河流域生态系统服务时空特征及驱动因素［J］.水土保持研究，2025，32（5）：341-351.

[27] Wang J P， Peng Y L， Zheng L， et al. Spatiotemporal characteristics and driving factors of ecosystem services in Yangtze River and Yellow River Basins［J］. Research of Soil and Water Conservation， 2025，32（5）：341-351.

[28] Xue C L， Chen X H， Xue L R， et al. Modeling the spatially heterogeneous relationships between tradeoffs and synergies among ecosystem services and potential drivers considering geographic scale in Bairin Left Banner， China［J］. Science of the Total Environment， 2023，855：158834.

[29] 梁华秋，李松.基于生态系统服务功能的汉江流域中下游生态分区演变特征及驱动能力研究［J］.水土保持通报，2023，43（4）：256-266.

[30] Liang H Q， Li S. Evolutionary characteristics and driving capacity of ecological zoning in middle and lower reaches of Hanjiang River Basin based on ecosystem service functions［J］. Bulletin of Soil and Water Conservation， 2023，43（4）：256-266.

[31] Dai X H， Zheng H， Yang Y Z， et al. A new method to quantify the impacts of human activity on soil conservation service［J］. Journal of Environmental Management， 2024，368：122257.

[32] 任玥颖，贾夏，赵永华，等.未来气候变化情景下河西走廊生态系统服务变化及其驱动力［J］.生态学报，2025，45（18）：8821-8836.

[33] Ren Y Y， Jia X， Zhao Y H， et al. The changes of ecosystem services in the Hexi Corridor and their driving forces under future climate change scenarios［J］. Acta Ecologica Sinica， 2025，45（18）：8821-8836.

[34] Li K， Hou Y， Andersen P S， et al. An ecological perspective for understanding regional integration based on ecosystem service budgets， bundles， and flows： a case study of the Jinan metropolitan area in China［J］. Journal of Environmental Management， 2022，305：114371.

[35] 孙才志，于涵，郝帅.辽河流域生态系统服务权衡-协同效应及其驱动因素［J］.生态学报，2025，45（6）：2952-2967.

[36] Sun C Z， Yu H， Hao S. Analysis of the trade-off synergy effect and driving factors of ecosystem services in the Liaohe River Basin［J］. Acta Ecologica Sinica， 2025，45（6）：2952-2967.

[37] Sharp R， Tallis H T， Ricketts T， et al. InVEST User′s Guide［M］. The Natural Capital Project： Stanford， Ca， Usa， 2015.

[38] Giardina C P， Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature［J］. Nature， 2000，404（6780）：858-861.

[39] 陈光水，杨玉盛，刘乐中，等.森林地下碳分配（TBCA）研究进展［J］.亚热带资源与环境学报，2007，2（1）：34-42.

[40] Chen G S， Yang Y S， Liu L Z， et al. Research review on total belowground carbon allocation in forest ecosystems［J］. Journal of Subtropical Resources and Environment， 2007，2（1）：34-42.

[41] 王耕，冯妍.辽宁太子河流域生态系统服务权衡/协同关系时空变化与情景预测［J］.生态学报，2024，44（1）：96-106.

[42] Wang G， Feng Y. Spatio-temporal variation and scenario prediction of ecosystem service tradeoffs/synergies in the Taizi River Basin， Liaoning Province［J］. Acta Ecologica Sinica， 2024，44（1）：96-106.

[43] Chen M Y， Xin J Z， Tang Q Z， et al. Explainable machine learning model for load-deformation correlation in long-span suspension bridges using XGBoost-SHAP［J］. Developments in the Built Environment， 2024，20：100569.

[44] 金贵，邓祥征，赵晓东，等.2005—2014年长江经济带城市土地利用效率时空格局特征［J］.地理学报，2018，73（7）：1242-1252.

[45] Jin G， Deng X Z， Zhao X D， et al. Spatio-temporal patterns of urban land use efficiency in the Yangtze River Economic Zone during 2005-2014［J］. Acta Geographica Sinica， 2018，73（7）：1242-1252.

[46] 严岩，吴钢，许东，等.辽河流域生态系统评估［M］.北京：科学出版社，2017.

[47] Yan Y， Wu G， Xu D. Ecosystem Assessment of Liaohe River Basin［M］. Beijing： Science Press， 2017.

基金资助

国家社会科学基金项目(19AJY010)

辽宁省经济社会发展研究课题(2024LSLQNKT-007)