生态系统服务关系是多种服务对相同生物物理和人类驱动因子做出响应时产生的协同与权衡是决策相关的直接结果。然而现有研究大多仅间接地、且主要使用线性工具来处理ESR难以揭示真实的非线性生态过程。为填补这一空白本研究以中国山东省为案例区旨在(1) 在1公里网格尺度上绘制六项生态系统服务及其15对ESR以明确其空间异质性和非线性协同/权衡模式(2) 阐明气候、地形、景观结构和人类压力如何影响ESR结合全省模式和局部GWR结果(3) 识别主要的阈值行为并为主导驱动因子推导出面向综合协同概率的最优区间(4) 将这些ESR模式转化为可支持分区、生态保护或农业升级的管理建议。本研究构建了一个可解释的“空间ESR-非线性驱动推断”框架通过耦合地理加权回归与可解释机器学习模型将ESR本身作为待解释对象并将其与行为发生变化的空间位置及驱动这些变化的因子联系起来从而为管理提供可操作的、基于概率的、区间化的指导。数据与方法1、研究区山东省位于中国东部沿海、黄河下游总面积约15.7万平方公里地形包括中部的山地丘陵系统如泰山、蒙山和胶东半岛以及西北部和西南部广阔的平原。气候为暖温带季风气候四季分明年均温约11-14°C年均降水量约550-950毫米对应原文图1研究区地理位置与气候特征图。该图展示了山东省的行政区划、地形、水系、主要城市及年均温和年降水量的空间分布。2、数据与处理研究整合了2000-2020年的多源数据包括土地利用、气象变量、土壤、地形、社会经济指标、夜间灯光和参考蒸散量。所有数据均统一到Krasovsky_1940_Albers投影并重采样至1公里×1公里网格以确保跨数据集的一致性详细信息见支持信息表ST1。3、生态系统服务量化根据与千年生态系统评估分类的一致性、研究区生物物理和社会经济条件的代表性以及模型实施和验证的可操作性选取了六项生态系统服务进行量化碳储存、粮食供给、土壤保持、水源涵养、生境质量和休闲服务对应原文表1生态系统服务的选择、内容与测量方法表。该表详细列出了各项服务的类别、指标、量化方法和单位。4、生态系统服务关系构建与综合协同概率基于1公里网格上六项ES的标准化值构建了15对唯一的服务关系将每对相互作用视为明确的分析结果。正相关解释为协同负相关解释为权衡。为总结多个ESR沿主导驱动因子的总体趋势本研究推导了综合协同概率PCS。具体而言基于训练好的XGBoost模型获得所有15对ESR的非线性响应曲线然后将这些曲线叠加生成一条综合响应曲线其中较低的值表示权衡的总体可能性较低相应地综合协同的概率较高。5、ESR与生物物理-社会经济因子的关联分析研究选取了27个生物物理-社会经济因子作为候选驱动因子分为四类。为刻画非线性依赖关系和潜在的阈值行为采用极端梯度提升作为主要学习器并以梯度提升决策树、广义可加模型和多元线性回归作为基准模型进行对比。6、地理加权回归为反映ESR相互作用的空间非平稳性采用GWR对ESR-驱动因子关系进行空间显式建模。GWR为每个位置拟合一个局部回归允许系数的方向和幅度随空间变化从而更清晰地捕捉气候、地形或人类压力的局部效应。结 果1、ESR的空间异质性GWR分析揭示了ESR在山东省内显著的空间异质性原文中提及了ESR空间分布图用以展示15对服务关系协同与权衡的空间格局。协同关系如碳储存与生境质量主要集中在山地丘陵和森林覆盖区而权衡关系如粮食供给与水源涵养则多出现在高强度农业区和城市扩张区域。2、主导驱动因子XGBoost模型分析表明在27个“自然-景观-人类”因子中气候变量温度、降水、日照与高程和夜间灯光强度共同主导了ESR的变化对应原文中“图4集成重要性剖面图”及“图5基于相似驱动因子组合的ESR分组雷达图”。图4展示了各驱动因子的全局重要性排序图5则以雷达图形式展示了不同ESR组共享的主导驱动因子组合表明背景环境能量和人类干扰共同制约着服务是协同还是竞争。3、ESR-驱动因子关联的非线性与阈值区间更重要的是ESR-驱动因子的关联明显是非线性的。通过叠加15对ESR的部分响应曲线本研究识别出了面向概率的最优区间对应原文图6关键驱动因子的综合响应曲线与PCS最优区间图。该图应展示了温度、降水、夜间灯光、高程、日照等关键因子与PCS的非线性关系曲线并以黄色矩形高亮标出了最大化综合协同概率的最优值范围。例如年均温高于约15.5°C、年降水量在约484-549毫米之间、夜间灯光强度低于约1.03、高程高于约90米、日照时数在约2379至2427小时之间时综合协同的可能性最大。4、模型性能比较与MLR、GAM和GBDT相比XGBoost取得了最高的预测精度对应原文表3四种模型MLR, GAM, GBDT, XGBoost预测15对ESR的性能对比表。该表列出了各模型在每一项ESR预测上的RMSE和R²并计算了平均值显示XGBoost平均R²最高0.82RMSE最低0.28这证实了ESR更适合用高维的、存在阈值的响应来描述而非全局线性设定。讨 论1、方法贡献本研究提出的集成GWR与可解释机器学习XGBoost的框架成功将绘制的ESR模式转化为可操作的、基于概率的区间化指导。与依赖线性可加性的传统方法相比该框架能更好地识别非线性约束和阈值区间为空间管理提供了更精细的工具。2、管理启示识别出的最优区间为快速发展省份的分区、农业升级、城乡界面控制和生物多样性友好型保护提供了直接的量化依据。例如在年均温低于15.5°C的区域可能需要通过植被恢复或土地利用调整来增强服务协同在夜间灯光强度高于1.03表征人类活动强度高的区域则需严格控制城市扩张保护生态空间。这些区间可作为生态保护红线划定和土地利用规划中的参考阈值。3、研究的局限性本研究中的“阈值”并非指突变的生态临界点而是在给定时空背景下与生态系统服务协同可能性较高相关的驱动因子值范围。这些区间来源于非线性响应曲线旨在提供参考范围而非确定性的生态极限。结 论本研究在山东省1公里网格尺度上构建了一个可解释的“空间ESR-非线性驱动推断”框架以探究生态系统服务关系的驱动机制与阈值。主要结论如下ESR在山东省内表现出显著的空间异质性协同与权衡格局并存。气候变量温度、降水、日照、高程和夜间灯光强度是主导ESR变异的关键因子反映了环境本底与人类活动的共同约束。ESR与驱动因子之间存在清晰的非线性关联。通过叠加分析识别出了最大化综合协同概率的最优区间如年均温15.5°C降水484-549毫米夜间灯光1.03等。在对比的模型中XGBoost模型精度最高证实了ESR更适合用非线性、高维的模型来描述。本研究的主要贡献在于将绘制的ESR模式转化为可操作的、基于概率的、区间化的管理指导可直接用于快速发展省份的空间分区、农业升级、城乡界面控制和生物多样性友好型保护为实现可持续的生态管理提供了新的科学工具。原文来自https://doi.org/10.1016/j.ecolind.2026.114849