2026, Vol. 47
2. 江西省生态环境监测中心，南昌 330039
2. Jiangxi Province Ecological Environmental Monitoring Centre, Nanchang 330039, China
生态脆弱性是指生态系统及其组成要素在面对外部干扰时易遭受破坏和损失的性质[1]，是反映生态环境质量与可持续发展能力的重要指标. 近年来，全球变化和人类活动导致生态退化和生物多样性丧失等问题日益凸显[2]，进而加剧了生态脆弱性. 有研究表明，我国中度及以上生态脆弱区占陆地总面积的55%，其中重度和极度脆弱区占比达29.5%[3]，生态脆弱性问题已成为我国可持续发展面临的重要挑战. 2024年11月，我国首次发布《国家生态保护修复公报2024》，彰显了国家对生态环境保护的高度重视. 在此背景下，系统评估生态脆弱性及其驱动机制，有助于明确生态保护与治理方向，为生态安全保障和可持续发展提供科学支撑.
建立科学系统的评价框架是区域生态脆弱性研究的基础. 目前，生态脆弱性评价框架大致可分为3类，一是根据生态脆弱性的各种生态系统特征来诊断生态脆弱性，如生态系统格局-过程-功能框架[4]、格局-质量-功能框架[5]等，此类框架的优势是能够客观反映生态系统的状态. 近年来部分学者基于遥感生态指数RSEI揭示生态脆弱性的演化特征，这类方法大多借助Google Earth Engine云平台，在大规模研究中应用较为广泛[2，6]. 还有一类框架如暴露-敏感-适应（VSD）模型[7]、敏感性-恢复力-压力度（SRP）模型[3]和压力-状态-响应（PSR）模型[8，9]等主要基于生态系统外部特征，强调生态系统与外界干扰之间的关系[5]. 其中，SRP模型整合了生态系统对外部干扰的敏感性、恢复力和压力度，以实现对生态脆弱性的全面评估[3，10]，广泛应用于流域[11，12]和自然保护区[13，14]等地区的生态脆弱性评估.
由于生态系统具有复杂性，涉及的影响因子较多，因此，有必要对生态脆弱性变化背后的驱动机制进行深入解析. 已有研究主要基于地理加权回归模型、地理探测器或者结构方程模型[4，15，16]等来揭示生态脆弱性变化的影响因素. 虽然以上方法具有一定的解释力和各自的优势，但在描述驱动因子与生态脆弱性变化的非线性关系等方面存在局限性，部分方法也难以获得直观的可视化结果[17]. 近年来，机器学习使得该领域传统分析方法的范围得到扩展[18]，揭示生态脆弱性变化复杂关系的驱动力成为可能. 其中，极端梯度提升（eXtreme Gradient Boosting，XGBoost）是一种基于决策树的算法，通过不断耦合弱学习器来减小误差，最终提升预测精度[19]. XGBoost模型非常擅长处理非线性关系、揭示变量间复杂的相互作用等[17]. 然而，机器学习方法的缺陷是缺乏透明度和可解释性[18]. 为此，本研究在XGBoost算法的基础上，引入SHAP模型，即SHapley Additive exPlanations，通过给每个特征分配SHAP值，解释每个样本和特征对预测输出的贡献度，提高结果的可解释性[20]. 目前，已有学者基于XGBoost-SHAP模型取得较好的成果[21~23].
江西省作为我国南方丘陵区重要的生态安全屏障，其生态环境状况维系着长江中下游流域的生态安全. 然而，在气候变化与人类活动的双重胁迫下，区域生态脆弱性持续加剧. 首先，强烈的季风气候波动叠加复杂地貌特征，导致水土流失、滑坡等自然灾害频发. 根据《中国水土保持公报（2023年）》，江西省水土流失面积占比达13.64%，水土保持形势严峻. 其次，尽管江西省森林覆盖率高达63.35%，居全国第2位，但人工林占比较高[24，25]，林分结构单一，自然生态系统质量亟待提升. 此外，快速工业化进程带来的农业面源污染和重金属污染形成复合生态压力[26]. 在此背景下，系统评估江西省生态脆弱性及其影响因素，对于优化生态治理策略、提升区域生态系统韧性具有重要意义. 因此，本研究基于SRP评价框架，系统分析江西省2000~2020年生态脆弱性的时空演变特征，并耦合XGBoost-SHAP模型量化生态脆弱性变化的关键驱动因素，以期为南方丘陵区生态屏障功能提升提供科学依据，助力区域可持续发展.
1 材料与方法 1.1 研究区概况江西省（24°29′14″~30°04′41″ N，113°34′36″~118°28′58″E，图 1）位于长江中下游南岸，东邻浙江、福建，南连广东，西靠湖南，北毗湖北、安徽[27]. 全省面积16.69×104 km2，辖11个地级市. 江西省东、西、南三面环山，中部丘陵起伏，北部为鄱阳湖平原，地势南高北低[28]. 截至2024年，全省森林覆盖率高达63.35%. 赣江、抚河、信江、修河和饶河这五大水系贯穿全省，注入鄱阳湖后流入长江. 鄱阳湖及其周边湿地更是江西重要的生态系统和水源保护区. 然而，江西省是我国典型的红壤区，土壤侵蚀严重，导致土壤肥力下降. 降水时空分布不均，因而旱涝灾害频繁. 此外，城市化侵占耕地和生态用地，加剧了生态压力[25].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
总体而言，江西省自然条件优越，生态功能显著，但局部地区生态较为敏感脆弱. 因此，有必要对全省的生态脆弱性状况进行有效评估.
1.2 数据来源与处理本文采用的数据包括：遥感影像数据、土地利用数据、高程数据、气象数据、土壤数据、社会经济数据以及小流域数据等（表 1）. 数据使用的时段为2000~2020年，所有空间数据在统一至WGS_1984_Albers投影坐标系后，重采样为30 m空间分辨率.
|
表 1 主要数据及其来源 Table 1 Main data and their sources |
在生态脆弱性评估中，选择小流域作为面状评价载体，30 m像元大小的栅格作为各指标因子的数据载体，通过将面状评价单元和栅格评价单元相结合，使结果更加真实可靠. 本研究用到的小流域数据是借助SWAT模型，基于DEM数据提取得到，经过调整，最终将研究区划分为8 061个小流域，各个小流域平均面积为20.71 km2.
1.3 生态脆弱性指数的计算 1.3.1 生态脆弱性评价指标体系构建基于SRP模型，结合江西省的实际情况，参考相关研究[27]，从生态敏感性、生态恢复力和生态压力度这3个方面共选取18个指标，构建江西省生态脆弱性评估指标体系.
生态敏感性是生态系统在面对内外部影响时表现出的不稳定性[3]. 江西省地处季风气候区，降水集中且强度大，山地和丘陵地形普遍，因而水土流失问题较为严重. 地形因子（如高程、坡度、坡向和地形起伏度）是生态敏感性评估中不可忽视的重要因素. 土地利用变化通过改变生态系统格局、过程和功能进而对生态敏感性产生影响. 因此，选取土壤侵蚀强度、中度以上土壤侵蚀强度面积占比、坡度、坡向、高程、地形起伏度、土地利用类型和降雨侵蚀力因子等8个指标，以全面评估江西省的生态敏感性.
生态恢复力是生态系统在受到外界干扰后，通过自我调节能力恢复至稳定状态的能力[36]. 本研究从植被、景观和生态这3个层面选取指标表征生态恢复力. 选择植被覆盖度和森林覆盖率反映植被的生长及分布情况，景观多样性指数和景观破碎度指数则用于评估景观结构的多样性和复杂性，而生境质量指数和水源涵养指数则体现了生态环境的适宜程度和生态系统在水源调节方面的能力[37]. 一般而言，植被-森林覆盖率越高、景观多样性越丰富和破碎度越低，生境质量和水源涵养能力越强，生态系统的恢复力和抗外部干扰的能力就越强，生态脆弱性相应越低.
生态压力度是指外界对生态系统的干扰程度[38]，与人类活动密切相关. 近几十年来，人类社会经济活动愈加频繁，人口密度、人均GDP和人类干扰指数的增加以及道路扩张，一定程度上导致生态压力度和生态脆弱性增加. 因此，本研究选取人口密度、人均GDP、人类干扰指数以及距道路距离这4个指标评估江西省的生态压力度.
生态敏感性和压力度越高，生态脆弱性也越高，而生态恢复力越强，生态脆弱性则越低. 各指标以及相关计算方法如表 2所示.
|
|
表 2 江西省生态脆弱性评价指标体系 Table 2 Ecological vulnerability assessment index system of Jiangxi Province |
1.3.2 评价指标标准化
生态脆弱性评价涉及多个指标，为消除评价指标量纲等方面的差异，解决指标不可比的问题，本研究对各评价指标进行Min-max标准化处理，将指标值处理至0~1范围内，值越接近1表示越脆弱[11].
| $ \text{正向指标：}\ \ \ \ Z_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }} $ | (1) |
| $ \text{负向指标：}\ \ \ \ Z_i=\frac{X_{\max }-X_i}{X_{\max }-X_{\min }} $ | (2) |
式中，
层次分析法（AHP）的原理是通过将目标分解为若干层次，利用两两比较构建判断矩阵，并计算其最大特征值对应的特征向量，以确定权重，同时还需要对判断矩阵进行一致性检验以确保其符合要求[43]. AHP兼具定性与定量特征，能有效解决复杂的决策问题，但也存在一定的主观性. 熵权法是一种客观赋值方法，它根据各指标数值变化对整体的影响，计算指标熵值，进而确定权重[3]. 熵值反映了指标的不确定性，熵值越大，不确定性越大，包含的信息量越少，权重也越小. 熵权法受主观因素影响较小，比较灵活，但它对样本依赖较大，样本变化会导致权重发生变化，同时它无法体现指标之间的关联性.
层次分析法和熵权法各有优缺点，因此本研究在分别用AHP和熵权法计算出权重的基础上，参考以往研究[44]，将AHP与熵权法结合起来，确定最终权重：
| (3) |
式中，
采用综合指数法计算生态脆弱性指数：
| (4) |
式中，
XGBoost极端梯度提升，是对GBDT算法的优化，其基本原理是通过不断构建新的弱模型，对前面模型的残差进行修正，逐步减少预测值与真实值之间的差距，最终构建一个强大的集成模型[46，47]. 该模型还对损失函数进行二阶泰勒展开，并结合正则化项，既能优化目标函数，又能防止过拟合，从而提升模型的稳健性和泛化效果[48]. 目标函数定义如下：
| (5) |
式中，
SHAP是一种加性解释模型，用于解释机器学习模型预测结果. 它通过计算每个特征对预测结果的贡献值（即SHAP值）来解释模型的输出[21，49]，若SHAP为正值表示该特征对预测结果具有正向影响，反之则表示负向影响. SHAP模型的优势在于能够将复杂的黑箱模型转化为易于解释的形式，增强模型的透明度. 将XGBoost模型和SHAP模型相结合，可提取生态脆弱性变化驱动因素的重要性排序及边际效应等.
2 结果与分析 生态敏感性 恢复力和压力度指数的时空变化特征生态敏感性指数高值区主要分布在江西省东北、西北和西南部山区，低值区主要位于鄱阳湖平原. 2000~2020年高敏感性区域显著缩减，同时低敏感性区域的分布范围明显扩大. 2000年、2010年和2020年生态敏感性指数平均值分别为0.189 3、0.178 3和0.163 4. 整体来看，近20 a江西省的生态敏感性指数呈下降趋势，且该指数降低的区域面积达78.15%.
由于生态恢复力指标在生态脆弱性框架中是负向指标，标准化处理后的指标数值越低则代表恢复能力越强. 如图 2所示，生态恢复力指数的高值区集中于鄱阳湖平原区以及“五河”沿岸地区，低值区广泛分布于东部、西部和南部的山区地带. 此外，2000~2020年生态恢复力指数的高值区域明显减少，而低值区域的范围有所扩张. 2000年、2010年和2020年的生态恢复力指数平均值分别为0.334、0.323 4和0.299. 因此，生态恢复力指数整体呈现下降趋势，且降低的区域面积占总面积的73.98%，表明恢复能力增强.
|
图 2 2000~2020年江西省生态敏感性、恢复力和压力度指数空间格局 Fig. 2 Spatial patterns of sensitivity, resilience, and pressure indices in Jiangxi Province from 2000 to 2020 |
2000~2020年生态压力度指数空间分布格局变化不大，生态压力度指数高值区主要位于平原及河谷地区，如鄱阳湖平原、城镇中心等，低值区主要分布于受人类活动干扰较低的山区. 2000~2010年，生态压力度指数的高值区在鄱阳湖平原附近显著扩展，而在2010~2020年，该区域的高值范围有所缩小. 2000年、2010年和2020年的生态压力度指数平均值分别为0.189 3、0.200 4和0.196 4. 总体来看，2000~2020年的生态压力度指数呈增加趋势，其中，95.27%的区域压力度指数有所增加.
2.2 生态脆弱性变化特征基于SRP模型计算江西省生态脆弱性指数并进行分级. 2000年、2010年和2020年的生态脆弱性指数平均值分别为0.224、0.219和0.206，生态脆弱性指数呈下降趋势，降低的区域面积占75.75%. 生态脆弱性空间分异特征明显（图 3），微度和轻度脆弱区主要位于江西省东北部、西北部以及南部山区，而中度、重度甚至极度脆弱区则集中分布在人类活动密集的平原及河流沿线，如赣抚平原等，还零星分布在山地地区. 从图 3可以明显看出，2000~2020年，微度脆弱区在南部、东北和西北部山区扩张尤为明显，而人口密集区如城区附近是重度-极度脆弱区扩张的主要区域.
|
图 3 2000~2020年江西省生态脆弱性指数及分级 Fig. 3 Ecological vulnerability index and classification of Jiangxi Province from 2000 to 2020 |
为更直观地理解生态脆弱性各等级的变化，统计了2000~2020年间各等级面积比例（图 4）. 2000~2020年，微度脆弱区面积占比由20.77%增加至30.59%；轻度和中度脆弱区面积占比均有所下降，分别由51.72%和25.69%降至46.29%和20.30%，中度脆弱区面积占比降幅最大；重度、极度脆弱区面积占比分别由1.783%和0.027%增至2.784%和0.034%. 因此，2000~2020年，微度脆弱区和重度、极度脆弱区的面积占比均有所增加，表明生态脆弱性的变化趋势呈现两极化特征，即生态状况较好的区域持续向优发展，而生态状况较差的区域脆弱性进一步恶化.
|
图 4 2000~2020年江西省生态脆弱性面积比例 Fig. 4 Proportion of ecological vulnerability areas in Jiangxi Province from 2000 to 2020 |
生态脆弱性的变化与其评估指标的变化密切相关. 以生态脆弱性指数的变化量作为因变量Y，以13个评估指标为自变量X，利用XGBoost-SHAP模型分析生态脆弱性变化的影响因素，揭示各因素对生态脆弱性变化的相对重要性及边际效应.
根据SHAP重要性排序（图 5），土壤侵蚀强度、植被覆盖度、中度以上土壤侵蚀强度占比和土地利用变化的影响最大，其重要性占比分别为34.66%、25.99%、10.83%和10.63%；人均GDP、景观多样性指数和人口密度的重要性占比不足1%，对生态脆弱性变化的影响最小.
|
括号内的百分数表示各影响因子重要性占比，其计算方式为：每个因子的SHAP平均绝对值占全部因子SHAP平均绝对值总和的百分比. 该值越大，表明因子对生态脆弱性变化的影响越显著 图 5 基于SHAP值的影响因子重要性排序 Fig. 5 Importance ranking of influencing factors based on SHAP values |
蜂群摘要图展示了各个指标的作用方向（图 6），其中每个点代表一个样本，SHAP < 0的特征值表示该指标对结果有负向贡献，SHAP > 0表示正向贡献. 图 6中的颜色代表特征值的大小. 对于土壤侵蚀强度，特征值较高的样本点（红色）集中在右侧，值较低的样本点集中在左侧，表明土壤侵蚀强度变化与生态脆弱性是呈同向变化趋势，类似指标还有中度以上土壤侵蚀强度占比、土地利用变化、降雨侵蚀力因子、人类干扰指数和景观破碎度指数. 对于植被覆盖度、生境质量指数、水源涵养指数和森林覆盖率等4个变量，其大部分高值样本SHAP < 0，低值样本的SHAP > 0，表明以上指标与生态脆弱性之间呈现出逆向变化趋势. 人均GDP、景观多样性指数和人口密度等指标对生态脆弱性变化影响不明显.
|
图 6 基于SHAP值的蜂群摘要图 Fig. 6 Beeswarm plot based on SHAP values |
SHAP值的空间格局能够反映指标在不同空间位置的贡献程度. 因此，通过绘制SHAP空间分布（图 7），揭示不同指标的变化对生态脆弱性影响的空间差异. 本研究重点关注8个对生态脆弱性变化具有显著影响的关键驱动因素，并对其影响进行了详细分析. 结果表明，土壤侵蚀强度和中度以上土壤侵蚀强度占比变化在江西省西北、东北和西南部山区对生态脆弱性产生了显著的负向影响，即导致生态脆弱性降低，而在其他地区则表现出正向作用，即加剧了生态脆弱性. 植被覆盖度变化对生态脆弱性的负向影响范围较广. 土地利用变化对生态脆弱性的促进作用集中在城市及人口密集区域，在大多数其他地区表现出削弱作用. 降雨侵蚀力因子主要加剧江西省东北部的生态脆弱性，但抑制其他地区的生态脆弱性. 生境质量指数和人类干扰指数变化的SHAP空间分布格局相似，且大多数区域的SHAP < 0，表明两者均对大部分区域的生态脆弱性产生了削弱作用，而在城市扩张区域、人类活动干扰强度大的区域则表现出促进作用. 景观破碎度指数变化的SHAP空间分布呈现出正负值交替的特征，未体现出明显的空间分布规律.
|
图 7 SHAP值空间分布 Fig. 7 Spatial distribution of SHAP values |
部分依赖图能够揭示各指标变化对生态脆弱性的边际效应，并有助于识别生态脆弱性和各指标之间的关系是线性的、单调的还是更复杂的（图 8）. 总体而言，生态脆弱性变化对以上关键指标的响应呈线性模式，并且各个指标对生态脆弱性变化表现出明显的阈值效应，该阈值接近于0. 土壤侵蚀强度、中度以上土壤侵蚀强度占比、土地利用变化、降雨侵蚀力因子、人类干扰指数和景观破碎度指数变化与生态脆弱性变化呈正相关关系，当以上指标大于0时，SHAP值为正，表明它们促进生态脆弱性增加. 而植被覆盖度和生境质量指数变化与生态脆弱性是负相关，当这两个指标大于0时，SHAP值小于0，对生态脆弱性起到削弱作用. 另外，植被覆盖度变化超过0.5以后、景观破碎度指数的变化超过10以后，SHAP值变化趋缓，表明景观破碎度指数和植被覆盖度变化到达临界值后，对生态脆弱性变化的贡献趋缓.
|
横坐标表示指标的变化量 图 8 各影响因子部分依赖图 Fig. 8 Partial dependence plots of influencing factors |
江西省生态脆弱性在空间上整体呈现由北部鄱阳湖平原区向东、西、南三面逐渐降低的分布格局，这与廖元群[27]对江西省生态脆弱性的研究结果一致. 具体而言，平原及河流沿线地势低平，水系发达，耕地和建设用地分布广泛. 频繁的人类社会经济活动对生态环境的干扰大，导致生态压力度高，抵抗外界干扰的能力弱，表现出较为显著的生态脆弱性. 相比之下，东、西、南部地区林地广布，森林覆盖率高，构成了重要的生态屏障，并且以上地区人类活动相对较少，因而生态环境较好，生态脆弱性低. 综合来看，江西省整体以微度和轻度脆弱为主，自然环境构成了生态脆弱性空间异质性的基础，而人类不合理的活动则进一步加剧了生态脆弱性.
从时间变化来看，2000年、2010年和2020年的生态脆弱性指数平均值分别为0.224、0.219和0.206，表明江西省生态脆弱性总体呈下降趋势，生态环境有所改善，这与余文波[50]的研究结果较为相似. 此外，2000~2020年微度脆弱区和重度、极度脆弱区的面积占比均有所增加，说明尽管生态脆弱性整体呈下降趋势，但部分区域的生态脆弱性却在加剧. 具体来看，生态脆弱性等级降低的区域占19.62%，以上区域主要分布于西南部、西部和东部山区. 该变化与近年来的植树造林、退耕还林还草工程等密切相关[24]. 另一方面，生态脆弱性等级增加的区域占6.66%，以上区域集中在人类活动密集、建设用地扩张区域，频繁的人类活动对生态环境造成了显著压力，加剧了生态脆弱性. 此外，73.72%的区域生态脆弱性等级稳定，表明以上区域的生态环境较为稳定.
3.2 生态脆弱性变化驱动因子及对策近年来，针对生态脆弱性变化的驱动因素研究，已提出多种方法，如地理探测器、地理加权回归模型等. 然而，以上方法在驱动因子作用机制分析、非线性效应探测及关键阈值识别方面存在一定局限性. 为此，本研究引入XGBoost-SHAP模型，定量解析江西省生态脆弱性变化的关键驱动因素及其作用机制. 本研究表明，土壤侵蚀强度、植被覆盖度、中度以上土壤侵蚀强度占比和土地利用变化是江西省生态脆弱性变化的主要驱动因子，其重要性占比分别为34.66%、25.99%、10.83%和10.63%. 近年来，江西省积极推进水土流失综合治理并取得显著成效[51]. 例如，2022年新增水土流失治理面积1 350.70 km2，水力侵蚀面积较2021年减少1.18%，有效降低了土壤侵蚀强度. 此外，造林绿化和退化林修复工作进一步增强了生态屏障功能[52]，江西省已连续多年人工造林面积超过666.67 km2（约100万亩），以上措施共同推动了生态系统稳定性的提升，降低了区域生态脆弱性. 从SHAP空间分布来看（图 7），尽管土地利用变化在城市扩张区对生态脆弱性产生一定正向影响，但整体上对生态脆弱性的影响以负向作用为主. 这表明，2000~2020年江西省在推动城市化进程的同时，通过退耕还林还草等生态保护政策，推动实施更加可持续的土地开发模式，有效缓解了城市扩张对生态系统的压力. 此外，降雨侵蚀力因子、生境质量指数、人类干扰指数和景观破碎度指数的变化是生态脆弱性变化的次重要影响因子，进一步揭示了江西省生态脆弱性演变的复杂性.
SHAP值的空间分布结果表明，不同区域的生态脆弱性驱动因子及其贡献度存在差异，反映出生态脆弱性变化的复杂性和区域性特征. 因此，生态管理和保护措施应因地制宜，针对不同区域的主导因子采取精准治理策略. 具体而言，江西省西北、东北及南部山区由于土壤侵蚀强度较大，应优先加强水土流失治理，持续推进生态修复工程，如植被恢复、坡地水土保持等. 城市及周边地区面临高强度开发对生态系统的破坏，应加强城市绿地、湿地等关键生态区域的保护，并推广绿色基础设施，如建设城市公园和生态廊道，以提升城市生态系统韧性. 同时，应优化建设用地布局，避免无序扩张. 对于生态脆弱性较低的森林生态系统，应将其作为优先保护区域，严格控制人为干扰和过度开发，确保其生态系统的稳定性和自我调节能力，为江西绿色崛起提供坚实保障.
3.3 不足与展望本研究基于SRP框架，从敏感性-恢复力-压力度这3个角度遴选指标，系统揭示了2000~2020年江西省生态脆弱性的时空变化特征，并耦合XGBoost-SHAP模型量化不同因子对生态脆弱性变化的贡献程度及空间差异，有助于提出针对性的对策，为机器学习在生态脆弱性研究中的应用提供了新的思路. 然而，本研究仍存在局限性. 首先，生态脆弱性的客观准确评估依赖于合理的评价框架，本研究采用的SRP框架虽在分析生态系统与外部干扰的关系方面具有优势，但在一定程度上简化了生态系统的动态演变过程. 其次，评价指标体系考虑还不够全面，未纳入土壤水分、气象灾害和地质灾害等可能对生态脆弱性产生重要影响的因子. 最后，本研究使用的人口密度、GDP、降水等数据的空间分辨率为1 km，数据精度不够高，可能会导致一定的估算误差. 综上，未来研究需要进一步完善生态脆弱性评价体系，优化指标选取，并提升数据精度，以更全面、精准地刻画生态脆弱性变化特征.
4 结论（1）江西省生态脆弱性在空间上呈现由北部鄱阳湖平原区向东、西、南三面逐渐降低的格局，整体以微度和轻度脆弱为主.
（2）2000~2020年间，江西省生态脆弱性总体呈下降趋势，其中生态脆弱性等级降低的区域占19.62%，等级增加的面积占6.66%，而73.72%的区域脆弱性等级保持稳定. 但同时生态脆弱性的变化呈两极化特征，即生态脆弱性较低的区域持续改善，而生态脆弱性较高的区域，其脆弱性水平进一步加剧.
（3）XGBoost-SHAP模型结果表明，土壤侵蚀强度、植被覆盖度、中度以上土壤侵蚀强度占比和土地利用变化是江西省生态脆弱性变化的主要驱动因子，且不同因子对生态脆弱性变化的影响程度存在明显的空间差异性.
| [1] | Beroya-Eitner M A. Ecological vulnerability indicators[J]. Ecological Indicators, 2016, 60: 329-334. DOI:10.1016/j.ecolind.2015.07.001 |
| [2] | Lan G X, Jiang X L, Xu D H, et al. Ecological vulnerability assessment based on remote sensing ecological index (RSEI): a case of Zhongxian County, Chongqing[J]. Frontiers in Environmental Science, 2023, 10. DOI:10.3389/fenvs.2022.1074376 |
| [3] |
赵宗泽, 马倩, 王一, 等. 基于SRP模型的中原城市群生态脆弱性分析与预测[J]. 环境科学, 2025, 46(3): 1621-1632. Zhao Z Z, Ma Q, Wang Y, et al. Analysis and prediction of ecological vulnerability of the Central Plains Urban Agglomeration based on the SRP model[J]. Environmental Science, 2025, 46(3): 1621-1632. |
| [4] | Zhao Z Y, Fu B J, Lü Y H, et al. Variable climatic conditions dominate decreased wetland vulnerability on the Qinghai-Tibet Plateau: insights from the ecosystem pattern-process-function framework[J]. Journal of Cleaner Production, 2024, 458. DOI:10.1016/j.jclepro.2024.142496 |
| [5] |
李子辉, 苏湘媛, 田甜, 等. 基于格局-质量-功能的高寒草甸区生态脆弱性分析——以云南迪庆为例[J]. 中国环境科学, 2024, 44(4): 2273-2285. Li Z H, Su X Y, Tian T, et al. Ecological vulnerability analysis of alpine meadow area based on pattern-quality-function ratio: take Diqing in Yunnan as an example[J]. China Environmental Science, 2024, 44(4): 2273-2285. |
| [6] | Boori M S, Choudhary K, Paringer R, et al. Spatiotemporal ecological vulnerability analysis with statistical correlation based on satellite remote sensing in Samara, Russia[J]. Journal of Environmental Management, 2021, 285. DOI:10.1016/j.jenvman.2021.112138 |
| [7] |
龚佳丽, 李红波, 杨和平. 生态安全格局与生态脆弱性视角下的武汉城市圈国土空间生态修复区识别与分类[J]. 地理科学, 2024, 44(10): 1809-1817. Gong J L, Li H B, Yang H P. Identification and classification of ecological restoration areas in territorial land space of Wuhan metropolitan area under the perspective of ecological security patterns and ecological vulnerability[J]. Scientia Geographica Sinica, 2024, 44(10): 1809-1817. |
| [8] |
武帅, 田冰, 顾世杰, 等. 基于PSRM模型的京津冀地区生态脆弱性时空演变[J]. 环境科学, 2023, 44(10): 5630-5640. Wu S, Tian B, Gu S J, et al. Spatial-temporal evolution of ecological vulnerability in Beijing-Tianjin-Hebei Region based on PSRM model[J]. Environmental Science, 2023, 44(10): 5630-5640. |
| [9] |
马骏, 李昌晓, 魏虹, 等. 三峡库区生态脆弱性评价[J]. 生态学报, 2015, 35(21): 7117-7129. Ma J, Li C X, Wei H, et al. Dynamic evaluation of ecological vulnerability in the Three Gorges Reservoir Region in Chongqing Municipality, China[J]. Acta Ecologica Sinica, 2015, 35(21): 7117-7129. |
| [10] |
喻春哲, 于欢, 项清, 等. 四川省生态脆弱性时空分异及其驱动机制[J]. 环境科学, 2024, 45(12): 6922-6934. Yu C Z, Yu H, Xiang Q, et al. Spatio-temporal differentiation and its driving mechanism of ecological vulnerability in Sichuan Province[J]. Environmental Science, 2024, 45(12): 6922-6934. |
| [11] |
肖成志, 计扬, 李建忠, 等. 岷江上游生态脆弱性时空分异及驱动因子交互效应分析——以杂谷脑河流域为例[J]. 生态环境学报, 2023, 32(10): 1760-1770. Xiao C Z, Ji Y, Li J Z, et al. Spatial and temporal differentiation of ecological vulnerability and interaction effects of driving factors in the upper reaches of the Minjiang River: a case study of the Zagunao River basin[J]. Ecology and Environmental Sciences, 2023, 32(10): 1760-1770. |
| [12] |
贾晶晶, 赵军, 王建邦, 等. 基于SRP模型的石羊河流域生态脆弱性评价[J]. 干旱区资源与环境, 2020, 34(1): 34-41. Jia J J, Zhao J, Wang J B, et al. Ecological vulnerability assessment of Shiyang River basin based on SRP model[J]. Journal of Arid Land Resources and Environment, 2020, 34(1): 34-41. |
| [13] |
高文明, 宋芊, 张皓翔, 等. 三江源区生态脆弱性时空演变及驱动因素分析[J]. 生态环境学报, 2024, 33(10): 1648-1660. Gao W M, Song Q, Zhang H X, et al. Analysis of spatial and temporal changes and driving factors of ecological vulnerability in Sanjiangyuan Region[J]. Ecology and Environmental Sciences, 2024, 33(10): 1648-1660. |
| [14] |
刘佳茹, 赵军, 沈思民, 等. 基于SRP概念模型的祁连山地区生态脆弱性评价[J]. 干旱区地理, 2020, 43(6): 1573-1582. Liu J R, Zhao J, Shen S M, et al. Ecological vulnerability assessment of Qilian Mountains region based on SRP conceptual model[J]. Arid Land Geography, 2020, 43(6): 1573-1582. |
| [15] | Xie W L, Zhao X S, Fan D Q, et al. Assessing spatio-temporal characteristics and their driving factors of ecological vulnerability in the northwestern region of Liaoning Province (China)[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2023.111541 |
| [16] |
张良侠, 樊江文, 张海燕, 等. 黄土高原地区生态脆弱性时空变化及其驱动因子分析[J]. 环境科学, 2022, 43(9): 4902-4910. Zhang L X, Fan J W, Zhang H Y, et al. Spatial-temporal variations and their driving forces of the ecological vulnerability in the Loess Plateau[J]. Environmental Science, 2022, 43(9): 4902-4910. |
| [17] | Zhou B, Chen G P, Yu H R, et al. Revealing the nonlinear impact of human activities and climate change on ecosystem services in the Karst Region of Southeastern Yunnan using the XGBoost-SHAP model[J]. Forests, 2024, 15(8). DOI:10.3390/f15081420 |
| [18] | Tian Y C, Zhang Q, Tao J, et al. Use of interpretable machine learning for understanding ecosystem service trade-offs and their driving mechanisms in karst peak-cluster depression basin, China[J]. Ecological Indicators, 2024, 166. DOI:10.1016/j.ecolind.2024.112474 |
| [19] | Nachappa T G, Piralilou S T, Gholamnia K, et al. Flood susceptibility mapping with machine learning, multi-criteria decision analysis and ensemble using Dempster Shafer Theory[J]. Journal of Hydrology, 2020, 590. DOI:10.1016/j.jhydrol.2020.125275 |
| [20] | Li Z Q. Extracting spatial effects from machine learning model using local interpretation method: an example of SHAP and XGBoost[J]. Computers, Environment and Urban Systems, 2022, 96. DOI:10.1016/j.compenvurbsys.2022.101845 |
| [21] | He J J, Shi Y J, Xu L H, et al. Exploring the scale effect of urban thermal environment through XGBoost model[J]. Sustainable Cities and Society, 2024, 114. DOI:10.1016/j.scs.2024.105763 |
| [22] | Yuan Y Y, Guo W, Tang S Q, et al. Effects of patterns of urban green-blue landscape on carbon sequestration using XGBoost-SHAP model[J]. Journal of Cleaner Production, 2024, 476. DOI:10.1016/j.jclepro.2024.143640 |
| [23] |
潘梦瑶, 任瑛, 王思源, 等. 基于梯度提升算法和SHAP的石家庄PM2.5和臭氧浓度预测及影响因素分析[J]. 环境科学学报, 2024, 44(7): 402-409. Pan M Y, Ren Y, Wang S Y, et al. Prediction of PM2.5 and ozone concentration in Shijiazhuang and analysis of influencing factors based on gradient boosting algorithm and SHAP[J]. Acta Scientiae Circumstantiae, 2024, 44(7): 402-409. |
| [24] | Zhang S Y, Yu J, Xu H Z Y, et al. Mapping the age of subtropical secondary forest using dense Landsat time series data: an ensemble model[J]. Remote Sensing, 2023, 15(8). DOI:10.3390/rs15082067 |
| [25] |
蔡海生, 刘木生, 陈美球, 等. 基于GIS的江西省生态环境脆弱性动态评价[J]. 水土保持通报, 2009, 29(5): 190-196. Cai H S, Liu M S, Chen M Q, et al. Dynamic evaluation of ecological frangibility of Jiangxi Province based on GIS[J]. Bulletin of Soil and Water Conservation, 2009, 29(5): 190-196. |
| [26] |
吴昌华, 徐昌旭, 池泽新. 江西省耕地重金属污染防治问题及治理策略[J]. 环境监测管理与技术, 2019, 31(4): 1-3, 37. Wu C H, Xu C X, Chi Z X. Problems and strategies of heavy metal pollution control in cultivated land in Jiangxi Province[J]. The Administration and Technique of Environmental Monitoring, 2019, 31(4): 1-3, 37. |
| [27] |
廖元群. 基于SRP模型的江西省生态脆弱性评价[D]. 南昌: 江西师范大学, 2021. Liao Y Q. Evaluation of ecological vulnerability in Jiangxi Province based on SRP model[D]. Nanchang: Jiangxi Normal University, 2021. |
| [28] | Ouyang X H, Wang J B, Chen X, et al. Applying a projection pursuit model for evaluation of ecological quality in Jiangxi Province, China[J]. Ecological Indicators, 2021, 133. DOI:10.1016/j.ecolind.2021.108414 |
| [29] | 徐新良, 刘纪远, 张树文, 等. 中国多时期土地利用遥感监测数据集(CNLUCC)[J]. 资源环境科学数据注册与出版系统, 2018. DOI:10.12078/2018070201 |
| [30] | 徐新良. 中国GDP空间分布公里网格数据集[J]. 资源环境科学数据注册与出版系统, 2017. DOI:10.12078/2017121102 |
| [31] |
彭守璋. 中国1 km分辨率逐月降水量数据集(1901-2023)[EB/OL]. https://www.tpdc.ac.cn/zh-hans/data/faae7605-a0f2-4d18-b28f-5cee413766a2, 2024-07-17. Peng S Z. 1-km monthly precipitation dataset for China (1901-2023)[EB/OL]. https://www.tpdc.ac.cn/zh-hans/data/faae7605-a0f2-4d18-b28f-5cee413766a2, 2024-07-17. |
| [32] | Peng S Z, Ding Y X, Liu W Z, et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J]. Earth System Science Data, 2019, 11(4): 1931-1946. DOI:10.5194/essd-11-1931-2019 |
| [33] | Peng S Z, Ding Y X, Wen Z M, et al. Spatiotemporal change and trend analysis of potential evapotranspiration over the Loess Plateau of China during 2011-2100[J]. Agricultural and Forest Meteorology, 2017, 233: 183-194. DOI:10.1016/j.agrformet.2016.11.129 |
| [34] | Peng S Z, Gang C C, Cao Y, et al. Assessment of climate change trends over the Loess Plateau in China from 1901 to 2100[J]. International Journal of Climatology, 2018, 38(5): 2250-2264. DOI:10.1002/joc.5331 |
| [35] | Ding Y X, Peng S Z. Spatiotemporal trends and attribution of drought across China from 1901-2100[J]. Sustainability, 2020, 12(2). DOI:10.3390/su12020477 |
| [36] |
王晓峰, 郑媛元, 孙泽冲, 等. 青藏高原自然保护区生态脆弱性演化与模拟[J]. 环境科学, 2025, 46(3): 1633-1644. Wang X F, Zheng Y Y, Sun Z C, et al. Evolution and simulation of ecological vulnerability in Qinghai-Xizang Plateau Nature Reserve[J]. Environmental Science, 2025, 46(3): 1633-1644. |
| [37] |
张昌顺, 范娜, 刘春兰, 等. 1990-2018年中国生态系统水源涵养功能时空格局与演变[J]. 生态学报, 2023, 43(13): 5536-5545. Zhang C S, Fan N, Liu C L, et al. Spatio-temporal pattern and evolution of ecosystem water conservation in China from 1990 to 2018[J]. Acta Ecologica Sinica, 2023, 43(13): 5536-5545. |
| [38] |
朱琪, 周旺明, 贾翔, 等. 长白山国家自然保护区及其周边地区生态脆弱性评估[J]. 应用生态学报, 2019, 30(5): 1633-1641. Zhu Q, Zhou W M, Jia X, et al. Ecological vulnerability assessment on Changbai Mountain National Nature Reserve and its surrounding areas, Northeast China[J]. Chinese Journal of Applied Ecology, 2019, 30(5): 1633-1641. |
| [39] |
彭大力, 张斌, 吴林蓬, 等. 龙川江流域近20年土壤侵蚀时空变化及驱动因素分析[J]. 水土保持学报, 2024, 38(4): 29-37. Peng D L, Zhang B, Wu L P, et al. Analysis of spatial and temporal changes and driving factors of soil erosion in Longchuan River Basin in recent 20 years[J]. Journal of Soil and Water Conservation, 2024, 38(4): 29-37. |
| [40] |
章文波, 付金生. 不同类型雨量资料估算降雨侵蚀力[J]. 资源科学, 2003, 25(1): 35-41. Zhang W B, Fu J S. Rainfall erosivity estimation under different rainfall amount[J]. Resources Science, 2003, 25(1): 35-41. |
| [41] |
张景华, 封志明, 姜鲁光, 等. 澜沧江流域植被NDVI与气候因子的相关性分析[J]. 自然资源学报, 2015, 30(9): 1425-1435. Zhang J H, Feng Z M, Jiang L G, et al. Analysis of the correlation between NDVI and climate factors in the Lancang River Basin[J]. Journal of Natural Resources, 2015, 30(9): 1425-1435. |
| [42] |
何利平, 简季. 四川省2009-2020年植被覆盖度时空变化遥感动态监测[J]. 水土保持通报, 2022, 42(2): 203-209. He L P, Jian J. Remote sensing dynamic monitoring on temporal and spatial changes of vegetation coverage in Sichuan Province from 2009 to 2020[J]. Bulletin of Soil and Water Conservation, 2022, 42(2): 203-209. |
| [43] |
于国强, 杜保佳, 刘吉平. 1986~2012年吉林省西部湿地生态系统脆弱性评价[J]. 湿地科学, 2016, 14(3): 439-445. Yu G Q, Du B J, Liu J P. Ecosystem vulnerability assessment of wetlands in western Jilin province from 1986 to 2012[J]. Wetland Science, 2016, 14(3): 439-445. |
| [44] |
常溢华, 蔡海生. 基于SRP模型的多尺度生态脆弱性动态评价——以江西省鄱阳县为例[J]. 江西农业大学学报, 2022, 44(1): 245-260. Chang Y H, Cai H S. Dynamic assessment of multi-scale eco-environmental vulnerability based on SRP model in Poyang County[J]. Acta Agriculturae Universitatis Jiangxiensis, 2022, 44(1): 245-260. |
| [45] |
马丽莎, 郑江华, 彭建, 等. 新疆生态脆弱性特征及其驱动力[J]. 生态学报, 2024, 44(20): 9053-9066. Ma L S, Zheng J H, Peng J, et al. Research on the characteristics and driving forces of ecological vulnerability in Xinjiang[J]. Acta Ecologica Sinica, 2024, 44(20): 9053-9066. |
| [46] | Hao L N, He S, Zhou J L, et al. Prediction of the landscape pattern of the Yancheng Coastal Wetland, China, based on XGBoost and the MCE-CA-Markov model[J]. Ecological Indicators, 2022, 145. DOI:10.1016/j.ecolind.2022.109735 |
| [47] |
刘瑞雪, 李佳轩, 李云. 水库消落带植物多样性空间格局预测模型及环境解释——基于XGBoost-SHAP模型框架[J]. 生态学报, 2024, 44(21): 9652-9669. Liu R X, Li J X, Li Y. Prediction model and environmental interpretation for the spatial pattern of plant diversity in the water-level fluctuation zone of reservoir based on XGBoost and SHAP[J]. Acta Ecologica Sinica, 2024, 44(21): 9652-9669. |
| [48] | Shim S H, Choi J H. Building an XGBoost model based on landscape metrics and meteorological data for nonpoint source pollution management in the Nakdong river watershed[J]. Ecological Indicators, 2024, 165. DOI:10.1016/j.ecolind.2024.112156 |
| [49] |
谭洁, 危千骏, 廖朝阳, 等. 基于XGBoost-SHAP可解释机器学习模型的城市形态与地表温度的关系[J]. 应用生态学报, 2025, 36(3): 659-670. Tan J, Wei Q J, Liao Z Y, et al. Relationship between urban form and surface temperature based on XGBoost SHAP interpretable machine learning model[J]. Chinese Journal of Applied Ecology, 2025, 36(3): 659-670. |
| [50] |
余文波. 江西省土地生态脆弱性动态评价及其调控对策研究[D]. 南昌: 江西农业大学, 2018. Yu W B. Study on the dynamic evaluation of land ecological vulnerability and its control measures in Jiangxi province[D]. Nanchang: Jiangxi Agricultural University, 2018. |
| [51] |
莫明浩, 谢颂华, 聂小飞, 等. 南方红壤区水土流失综合治理模式研究——以江西省为例[J]. 水土保持通报, 2019, 39(4): 207-213. Mo M H, Xie S H, Nie X F, et al. Research on patterns of soil and water loss comprehensive harness in red soil region of Southern China——A case study in Jiangxi province[J]. Bulletin of Soil and Water Conservation, 2019, 39(4): 207-213. |
| [52] |
黄麟, 邵全琴, 刘纪远. 江西省人工造林碳蓄积的时空过程[J]. 生态学报, 2015, 35(7): 2105-2118. Huang L, Shao Q Q, Liu J Y. The spatial and temporal patterns of carbon sequestration by forestation in Jiangxi Province[J]. Acta Ecologica Sinica, 2015, 35(7): 2105-2118. |