2026, Vol. 47
随着经济持续增长和城镇化进程的迅速推进[1，2]，区域生态环境正面临资源过度消耗、污染加剧以及生态功能退化等一系列严峻挑战[3~5]. 为应对以上问题，“十四五”规划明确提出推动绿色转型战略[6]，强调加快生态文明建设[7]并着力推动经济、社会与环境协同发展. 在绿色转型的不断推进下[8，9]，开展区域景观生态风险评价逐渐成为学界理解人地关系演变、协调空间开发与生态保护之间矛盾的关键[10~12]. 通过识别和量化土地利用变化对生态系统结构与功能的潜在影响，有助于深入识别生态脆弱区域，为优化国土空间格局、增强区域生态韧性及实现可持续发展提供科学支撑.
景观生态风险初期侧重于识别景观格局变化[13]对生态系统稳定性的影响，而随着理论与方法不断发展，逐渐向风险机制解析、空间分异特征及调控策略等方向拓展. 研究方法层面，不同学者通过基于风险评估构建生态安全格局[14，15]、多情景风险预测[16，17]与阈值突变等. 风险表征层面，学者多聚焦于风险等级分区[18]、热点识别[19]及韧性耦合等领域[20]. 空间尺度层面，研究覆盖了流域[21]、省级[22]和国家级生态屏障区[23]等宏观尺度，也包括城市群[24]和县域[25]等中观尺度及村域[26]等微观尺度的探讨. 风险驱动层面，学者多集中于主成分分析（PCA）[27]、相关系数分析[28]、系统动力学模型（SD）[29]、线性回归[30]、DPSIR框架[31]和地理探测器[32]等方法对地形地貌[33]、NDVI[34]、温度[35]、降水[36]和土壤密度[37]等自然因素与人口密度[38]、交通网络[39]和POI[40]等人类活动因素进行研究. 相较于传统基础模型，XGBoost凭借其强大的集成学习框架，能自适应处理复杂非线性关系、智能捕捉特征交互，兼具稳健预测、高效计算、缺失值自动处理及过拟合预防能力，因而为景观生态风险的驱动机制分析提供了不同的思路.
哈尔滨市作为我国重要的商品粮主产区及东北老工业基地的核心城市，当前面临城市扩张与农业活动强度加大等一系列问题，景观格局逐渐转变而导致生态风险随之攀升. 然而，现有研究多依赖空间数据模型分析景观生态风险的驱动因素及机制，对自然变化、土地利用和社会经济等因素复杂交互作用的定量分析仍有一定可提升的空间. 因此，本研究基于2003~2023年土地覆盖数据构建景观生态风险评价模型，识别不同空间类别的变化趋势，并结合XGBoost-SHAP可解释性机器学习模型，探讨各影响因子对景观生态风险演变的驱动机制，揭示哈尔滨市景观生态风险的时空演变特征及关键驱动因子，以期为区域国土空间规划、生态安全格局优化及可持续发展管理提供科学依据.
1 材料与方法 1.1 研究区概况哈尔滨市（44°04′~46°40′N，125°42′~130°10′ E）位于黑龙江省中南部（图 1），地处松嫩平原东缘与长白山余脉过渡带，是我国东北地区的中心城市之一，市域面积约5.31万km2，行政辖区包括9个市辖区、7个县及2个县级市. 区域地势整体呈西南高、东北低的格局，地貌类型以冲积平原、阶地及低丘为主. 主要河流为松花江且自西向东流经市域，对区域生态格局与用地布局具有显著影响. 气候属于中温带大陆性季风气候，年均气温4~5℃，降水多集中在夏季且年总量约500~600 mm，气候条件对地表过程和生态系统格局具有显著调控作用. 随着近年哈尔滨市土地利用格局持续调整和城市空间拓展加剧，区域景观结构趋于复杂与破碎，生态系统连通性减弱、敏感性上升，景观生态风险识别与动态评估对生态安全格局优化和空间管控策略制定具有重要意义.
|
图 1 研究区概况 Fig. 1 Location of study area |
本研究所用的土地覆盖数据[41]来源于武汉大学CLCD数据集（https://doi.org/10.5281/zenodo.4417809）；DEM数据来源于地理空间数据云（https://www.gscloud.cn）；行政边界数据来源于天地图服务中心标准地图（https://cloudcenter.tianditu.gov.cn）；到铁路距离、到快速路、到主干道距离、到次干道距离和到城市中心距离均来源于OpenStreetMap（https://www.openstreetmap.org/）；人口密度数据来源于Worldpop（https://hub.worldpop.org/）；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/）；高程数据来源于地理空间数据云（http://www.gscloud.cn）；NDVI数据来源于国家生态科学数据中心（https://www.nesdc.org.cn/）；年平均温度和年平均降水数据均来源于国家青藏高原科学数据中心（http://data.tpdc.ac.cn/zh-hans/）. 研究统一选取2003~2023年，以5 a为时序间隔，探究哈尔滨近20 a关键区域的动态演化. 后续对所有数据进行统一标准化处理，统一为Krasovsky_1940_Albers投影坐标系，栅格像元大小设定为1km×1km，并对不同量纲的变量数据进行归一化处理，以消除数值范围差异对模型的影响.
1.3 评价单元划分为直观反映哈尔滨市景观生态风险的空间分布特征，结合研究区实际并基于最佳评价小区面积为平均斑块面积的2~5倍[42~44]的相关研究结论，利用ArcGIS 10.8构建3 km×3 km的规则网格将区域划分为6 217个评价单元. 随后，借助Fragstats 4.3软件提取每个单元的景观格局指数，并计算其生态风险值. 最终将结果赋予各网格的中心点，用以反映其对应区域的生态风险水平.
1.4 景观生态风险指数构建为衡量各景观类型在自然与人类共同胁迫下的退化程度，建立景观生态风险指数（LERI）. 研究通过多因子耦合法，将景观损失度（Ri）、干扰度（Ei）与脆弱度（Fi）作为核心指标构建综合生态风险指数，具体详情如表 1所示.
|
表 1 景观风险值计算公式 Table 1 Calculation formula of landscape risk value |
1.5 景观生态风险时空分布与类型识别
为更直观地揭示区域生态风险状态的演变趋势，研究构建多时期的风险等级转移矩阵以呈现不同风险等级在各时段间的转移关系. 基于6 217个评价单元的风险演化路径，进一步引入风险变化轨迹分析法. 对其变化过程进行编码，并根据风险值的动态特征将其划分为：生态风险值呈整体增长趋势的“升高性波动”；风险值保持一致且无显著变化的“稳态维持型”；风险值呈整体降低趋势的“降低性波动”；研究期间同时出现生态风险高于或低于研究初期的“跨越性波动”和研究初期与末期生态风险保持一致并呈一定浮动变化的“波动回归型”5类. 计算公式如下所示：
式中，R 表示研究期内某一评价单元的景观生态风险变化轨迹编码；Ek表示第k 个时间节点下景观生态风险不同等级代码.
1.6 XGBoost-SHAP模型XGBoost是一种基于梯度提升树（gradient boosting decision tree，GBDT）的集成学习算法，核心思想是在不断迭代的过程中，利用模型残差对目标变量进行再次拟合进而逐步提升整体预测能力[45，46]. 每一轮迭代都会在当前模型基础上构建一棵新的树，用以修正前一轮的误差，通过逐步累加优化模型表现. 算法的优化目标主要由一个包括两部分内容的完整目标函数决定：一是用于衡量模型预测结果与真实值之间偏差的损失项；二是用于抑制模型复杂度、降低过拟合风险的正则化项[47，48]. 通过对目标函数进行最小化处理，XGBoost可以在保证模型精度的同时，提升其在未见数据上的泛化能力，目标函数如下：
式中，
在本研究中，为进一步解释模型中各驱动因子对景观生态风险预测结果的具体贡献，引入了SHAP（SHapley Additive exPlanations）方法. 该方法源于合作博弈论中的Shapley值思想，能够对每个特征在某一预测中的作用大小进行量化[49~51]. SHAP值不仅能说明某特征对预测值的方向性，还能反映其作用强度，从而实现对黑箱模型的透明化解释. 基本定义如下：
| $ \begin{gathered} \phi_i=\sum_{s \subseteq \mathrm{M}[i]} \frac{|S|!(|F|-|S|-1)!}{|F|!} \times \\ {\left[f_{s \cup[i]}\left(x_{s \cup[i]}\right)-f_s\left(x_s\right)\right]} \end{gathered} $ |
式中，
式中，
2003~2023年间哈尔滨市景观类型结构发生显著转变. 其中，耕地与林地长期占据主导地位，分别维持在总面积的52%和42%左右，侧面反映研究区域长期以来以农业与生态林地为基础的土地利用格局；水域和建设用地面积则在研究期间持续增长，前者受生态修复与政策干预影响逐渐扩展，后者则体现城市化进程持续推进的结果；相比之下，草地和未利用地变化幅度较小，未显示出明显变化趋势. 从空间分布上看（图 2），耕地主要集中于西部平房区与香坊区等地势平坦且农业基础良好的片区；林地则多分布于南岗区、松北区及呼兰区北部等具备较高生态服务价值的区域；水域沿松花江流域分布，部分汇聚于湿地保护区周边；建设用地自2003年后在道里、道外与南岗等核心城区呈现连续扩展态势，空间上表现出明显的向外蔓延特征；未利用地则多处于城市边缘，空间位置较为零散且未形成集中演变区域.
|
图 2 各景观类型空间演变趋势 Fig. 2 Spatial evolution trends of various landscape types |
从面积变化来看（表 2），2003~2023年建设用地增加859.14 km2，是景观类型变化中增幅最大的类别. 其面积在各阶段均持续增加，增幅相对平稳，这一变化与“东北老工业基地振兴战略”[52]及“哈尔滨新区”设立时期相对应. 林地和草地面积分别减少1 412.65 km2和20.85 km2，其中林地在2008年后持续减少，草地总体减少. 分阶段看，建设用地各期均增加；林地2003~2008年增加，随后连续减少；草地在2018年后有所回升；水域在2013年达到阶段高值，之后基本稳定. 水域面积增加272.95 km2，同期“海绵城市”试点[53]和流域生态补偿[54]等政策持续推进；耕地面积呈先减后增，全期净增294.69 km2，同期《黑土地保护法》[55]和高标准农田建设等政策陆续实施；未利用地全期净增6.72 km2，整体变化较小. 总体而言，各景观类型面积在研究期内呈现不同的阶段性变化，建设用地持续增加，林地总体减少，耕地先减后增.
|
|
表 2 各景观类型面积 Table 2 Area of each landscape type |
2.2 景观生态风险时空演变 2.2.1 景观生态风险不同等级时空演变
为更准确刻画景观生态风险的空间连续性，本研究基于2003~2023年不同时期LERI进行克里金插值处理，并以2023年自然断点法所划分的风险等级数值为依据，将研究区划分为极低风险（LERI≤0.021）、低风险（0.021 < LERI≤0.033）、中风险（0.033 < LERI≤0.052）、高风险（0.052 < LERI≤0.094）和极高风险（LERI > 0.094）这5类，具体情况如图 3和表 3所示.
|
图 3 各等级景观生态风险空间特征 Fig. 3 Spatial distribution of different landscape ecological risk levels |
|
|
表 3 不同等级景观生态风险面积 Table 3 Area of landscape ecological risk at different levels |
从风险等级变化来看，哈尔滨市在2003~2023年间整体风险格局相对稳定，未出现剧烈的区域性波动. 其中，极低与低风险区域在空间分布上长期占据主导，两者面积和持续稳定在96%以上，侧面反映研究区域大部分地区生态系统整体保持良好，结构未受到明显破坏，生态连通性相对完善. 空间上看，极低风险区多集中于东南部地势起伏较大的丘陵与山地地带，包括五常市、尚志市和延寿县等林地覆盖率高的典型区域. 而这一典型区域自然植被通常保存较好，土地开发活动受到自然限制，因而有利于维持生态过程的稳定运行. 低风险区广泛分布于双城区、宾县和巴彦县等以农业用地为主的区域，虽然受到一定的人类活动干扰，但由于耕地格局相对集中且变化缓慢，因而生态风险等级表现为整体较低. 相较于风险不高区域，位于城市核心的道里、南岗、香坊、平房和道外等老城区则多表现为高与极高的生态风险等级. 由于长时间受持续城市扩展和高强度开发影响，建设用地不断扩张导致生态斑块被逐步割裂，功能区边界趋于不稳定，生态过程的连贯性因此受到一定限制. 此外，在松北区、呼兰区及阿城区等城市边缘区域，风险等级变化幅度相对较大，中风险等级的空间范围也在各期之间频繁发生扩展与回缩. 由此可见，城乡接合区域在景观扰动下反应迅速，生态系统对外部干预的敏感性较高. 且该类区域多处于耕地与新建建设用地的过渡地带，景观类型转化频繁、格局重组速率较高，也导致生态系统的稳定性也有所弱化.
总的来说，哈尔滨市景观生态风险空间格局呈现出“核心区域敏感，周边相对稳定”的典型格局. 尽管中风险、高风险与极高风险区域总体面积占比相对较少，但由于所处位置多位于生态敏感区，在未来空间利用规划中仍应给予重点关注. 相较之下，低风险和极低风险区域在市域范围内仍占据较大比例，共同构成了维系区域生态稳定性的关键屏障.
2.2.2 景观生态风险转移情况为进一步探究景观生态风险时空转移情况，对研究区域景观风险空间格局与面积演变进行分析，并基于研究需要将其划分为风险降低、风险不变与风险上升这3种类型. 研究期间哈尔滨市景观生态风险空间转移呈显著空间分异，具体表现为主城区风险格局保持稳定，而周边区县波动明显（图 4）. 其中，2003~2008年受快速城市化影响，道里、道外、南岗和香坊等主城区及双城和阿城等近郊区风险升高区域集中；2008~2013年阿城、双城和呼兰等近郊区出现大面积风险降低区域，与同期实施的《松花江流域水污染防治规划》退耕还湿政策高度吻合；2013~2018年间随着《哈尔滨市生态文明建设规划》实施，主城区的风险趋于稳定，而五常和尚志等东南部山区的风险降低区域有所扩大，反映天然林保护工程的积极成效；2018~2023年五常龙凤山、尚志帽儿山等东南部林区风险持续改善，而巴彦和木兰等松花江北岸农业县部分乡镇出现零星风险升高斑块，与黑土区耕地利用强度变化密切相关.
|
图 4 景观生态风险空间转移情况 Fig. 4 Spatial transfer of landscape ecological risk |
面积变化上（表 4），2003~2008年全市区域风险不变面积占据81.39%，11.2%的区域风险升高且主要集中于城乡结合部；2008~2013年，风险降低区域从7.41%跃升至16.28%，直接对应《松花江流域水污染防治规划》[56]实施的5 a攻坚期；2013~2018年，风险不变区域占比提升至88.64%，印证了黑龙江省生态保护红线制度的管控效果. 2018~2023年，黑土地保护工程推动通河等县4 014 km2风险降低，但风险升高面积占比仍有11.58%，这可能是巴彦县局部区域因化肥使用强度未达标所导致，因此需要进一步强化农业面源污染治理.
|
|
表 4 景观生态风险面积转移情况 Table 4 Area transfer of landscape ecological risk levels |
2.2.3 景观生态风险转移波动特征
基于2003~2023年间哈尔滨市各评价单元的景观生态风险等级数据，采用变化轨迹分析法对其时序变化过程进行编码与量化. 通过将不同时期的风险等级转化为数字序列，构建2003~2023年间变化轨迹，用以识别生态风险时空演变模式. 基于轨迹特征，将研究区划分为升高性波动、稳态维持型、波动回归型、跨越性波动和降低性波动5类风险动态类型，具体结果如图 5和表 5所示.
|
图 5 景观生态风险动态系统空间特征 Fig. 5 Spatial characteristics of landscape ecological risk dynamic systems |
|
|
表 5 景观生态风险动态系统分类 Table 5 Classification of landscape ecological risk dynamic systems |
哈尔滨市景观生态风险动态系统类别呈显著差异（图 5和表 5）. 其中，升高性波动区域约占22.9%，主要集中在五常市、尚志市等市域西部和南部区域，以上区域生态风险在研究期内有所上升；道里区、道外区和南岗区等哈尔滨市中心城区稳态维持型生态风险呈稳定态势，面积占比达61.8%，风险等级无变化，生态风险水平维持稳定；波动回归型区域主要分布在呼兰区等中部的城乡结合部，面积仅占0.6%，表现为风险水平虽经历波动，但整体趋于稳定；降低性波动区域占14.6%，主要分布在哈尔滨阿城区、双城区等北部和东北部地区，反映该区域生态风险正逐渐降低；跨越性波动区域占比最小且仅为0.1%，主要分布在哈尔滨北部和部分偏远山区，侧面反映区域的风险波动.
2.3 影响因子效应分析 2.3.1 单因子效应本研究从自然环境、社会经济和可达性这三方面选取12个指标，包括人口（X1，0.009 05）、GDP（X2，0.003 4）、到铁路距离（X3，0.001 78）、到快速路距离（X4，0.001 71）、到主干道距离（X5，0.001 35）、到次干道距离（X6，0.001 77）、到城市中心距离（X7，0.001 45）、到河流距离（X8，0.001 88）、NDVI（X9，0.004 19）、年平均温度（X10，0.004 49）、年平均降水（X11，0.003 43）和高程（X12，0.014 31）构建景观生态风险的影响因子体系. 为提升模型的稳健性与泛化能力，本研究在训练阶段引入多年数据修正并以2023年数据为基础开展因子效应分析，旨在更准确揭示当前时点下主要因子的贡献特征及其交互效应. 同时，借助XGBoost模型与SHAP解释方法，对各因子在生态风险形成过程中的相对贡献和协同关系进行量化分析，为生态风险的精准识别与科学调控提供理论支撑.
SHAP平均绝对值大小衡量了特征对模型输出的影响程度. 本研究结果表明（图 6），哈尔滨市景观生态风险受自然地理格局与社会经济集聚强度共同决定. 自然因子中，高程（平均SHAP值0.014 31）是唯一的强正向驱动力，其主导作用源于高海拔地区固有的生态脆弱性. 年平均温度（0.004 49）、NDVI（0.004 19）与年平均降水（0.003 43）作为次级自然因子，展现出水热条件与植被覆盖对生态系统稳定性的关键支撑作用. 社会经济因子方面，人口密度（0.009 05）与GDP（0.003 4）均表现为强负向驱动力，表明城市核心区因高强度建设与集中管理使得生态过程趋于稳定，整体风险水平较低，而高风险区域主要分布在城乡过渡地带. 相比之下，所有可达性因子的影响均十分有限，到河流、铁路、道路及城市中心的距离等变量的SHAP值均低于0.002，驱动效应明显弱于主要自然与社会经济因子. 整体来看，区域生态风险受自然背景与人类活动格局共同调节，形成复合性空间分布特征.
|
图 6 景观生态风险影响因素贡献度分析 Fig. 6 Analysis of the degree of contribution of landscape ecological risk factors |
SHAP交互效应分析表明（图 7），景观生态风险受到自然环境、人类活动及可达性因素的共同影响，并呈现非线性特征. 综合平均绝对SHAP交互值比较结果，年平均降水（X11）的整体交互响应较为突出，因而选取X11作为核心变量，分析其与不同因子的交互关系. 其中，横轴为标准化X11，纵轴为X11与相应因子的SHAP交互值，颜色由蓝到红表示相应因子取值由低到高. 具体来看，在自然环境方面，NDVI（X9）在X11低值区同时分布有高值点和低值点，而在X11中高值区以高值点为主；高程（X12）呈现较清晰的梯度，低值点主要分布于X11低值区，高值点更多分布于X11中高值区；年平均温度（X10）呈相反特征，高值点主要集中于X11低值区，低值点更多分布于X11高值区；到河流距离（X8）的高低值点存在重叠，但低值点在X11低值区较多，高值点在X11中高值区的比例增加，整体并非严格单调. 这些分布反映降雨梯度下植被、地形和温度背景的差异，与东北森林带生态系统服务协同研究所关注的空间差异相呼应[57]. 在人类活动方面，人口（X1）和GDP（X2）的高值点主要集中于X11低值区，在X11中高值区以低值点为主；到城市中心距离（X7）总体表现为低值点更多分布于X11低值区，高值点更多出现在X11中高值区. 该分布反映不同降水区间的人口、经济和区位背景差异，与黑龙江省县域脆弱性时空分异研究的关注相一致[58]. 在可达性因素方面，到铁路距离（X3）、到快速路距离（X4）、到主干道距离（X5）和到次干道距离（X6）的颜色分布存在重叠，但总体上低值点更多分布于X11低值区，高值点在X11中高值区所占比例增加. 该结果说明交通距离因子的取值随降水区间呈现一定空间差异，与东北地区发展、生态保护和运输协调研究[59]以及综合交通网络空间规划研究[60]所关注的区域差异相呼应.
|
图 7 景观生态风险多因子SHAP交互效应 Fig. 7 SHAP interaction effects of multiple factors on landscape ecological risk |
在分布格局方面，本研究表明哈尔滨市景观生态风险在空间上呈“核心城区高，周边外围低”的空间分异格局. 这与王杰云等[61]对快速城市化区域的研究结论相一致，即城市扩张廊道是生态风险的集中区. 具体来看，哈尔滨市超过96%的区域维持在低风险与极低风险水平，区域生态安全稳定格局较为稳定，这主要得益于其东部张广才岭余脉大面积且结构完整的森林生态系统[62]，以及西部松嫩平原连片分布的耕地景观基质，以上大尺度生态系统具备较强的生态韧性与自我调节能力，有效缓冲了外界干扰. 相较而言，道里、南岗等城市核心区及其扩展带由于高强度的人类活动侵占和分割了自然与半自然生境，削弱了景观连通性的同时阻碍了区域生态流的正常运行，从而形成了风险显著的“热点”区域.
在时空演变方面，哈尔滨市景观生态风险动态变化也反映出了宏观政策对区域生态过程的调控作用. 2008~2013年，松花江沿岸及近郊区风险等级显著降低，这与《松花江流域水污染防治规划》中退耕还湿、生态修复等重大工程的实施时间高度吻合. 而2013~2023年，整体风险格局日趋稳定，反映了黑龙江省划定并严格执行生态保护红线制度[63]的积极成效. 以上变化均表明，有针对性的生态工程与空间管控措施，能够通过优化景观结构与功能直接增强区域的恢复力，成为引导生态风险向好演变的决定性因素.
在驱动机制方面，本研究通过可解释性机器学习模型定量解构了哈尔滨市景观生态风险格局背后的非线性驱动机制. 自然因子中，高程作为首要驱动力，决定了区域生态风险的宏观地理背景，其正向效应反映了高海拔地区因立地条件所固有的生态脆弱性. 而NDVI的强负向驱动则表明植被覆盖是维持区域生态系统健康和稳定性的直接表征. 社会经济因子中，人口密度与GDP在城市核心区与景观生态风险呈负相关，表明在城市化发展到特定阶段后，高密度建成区通过集约化的管理和对绿色基础设施的大规模投入，能够在一定程度上缓解景观破碎化带来的生态压力. 而哈尔滨市主城区近年来对湿地公园、城市绿道等生态空间的建设[64]恰在实践中印证了这一机制，城市发展的相关管理措施提升了区域的生态承载力，使得风险水平并未随人口与经济体量的增长而同步上升.
哈尔滨市景观生态风险格局是自然本底与人类活动等多方力量共同作用的结果，本研究引入XGBoost-SHAP可解释性机器学习模型，将这种复杂的协同与拮抗关系予以量化，为理解其形成机制提供了新的分析范式. 基于本研究结果，未来建议提出以下差异化生态风险调控策略：第一，对于已呈现“管理稳定”的城市核心区，政策重心应从单纯的“增绿”转向生态功能的“提质增效”，通过构建微循环生态网络优化内部生境；第二，对于风险持续增强的城乡结合部，应将其作为生态安全管控的关键区域，以生态缓冲带和绿色廊道严格约束城市边界，引导城市转向“精明增长”的合理发展；第三，对于广大的低风险生态源地，则严格落实《黑土地保护法》[65]等国家战略，从源头保障区域生态系统的完整性与功能的可持续性. 此外，本研究仍有一定的局限和不足，未来可致力于构建耦合水质、土壤等功能性指标的综合评价体系，并借助系统动力学等模型，对不同规划情景下的风险演变进行前瞻性模拟，为区域国土空间规划提供更加科学全面的决策参考.
4 结论（1）哈尔滨市景观生态风险2003~2023年间呈现时空显著差异. 随着城市化进程的迅速推进，市区核心区域的生态风险逐渐增加，建设用地增加859.14 km2而导致生态系统破碎化，进而增加了区域的生态风险；相较之下，农业区域及山区的生态风险水平较低且在整个研究期间保持相对稳定.
（2）从空间分布来看，哈尔滨市的极低风险和低风险区域分别约占全市总面积的40.97%和55.59%，以上区域主要分布在松花江流域和湿地公园及五常市和尚志市等山区；高风险区域集中在道里区、道外区、南岗区及香坊区等城市扩展地带和工业化地区，以上区域在研究期间生态风险水平较高，反映出城市化和工业活动对生态环境的影响.
（3）哈尔滨市景观生态风险的动态变化表现出不同的波动趋势，变化轨迹分析表明，稳态维持型风险区占全市总面积的61.8%，而升高性波动区和降低性波动区分别占22.9%和14.6%，这表明，在部分区域，由于城市扩展、土地利用变化等因素，生态风险逐渐增加，而在其他一些区域，由于自然修复、政策干预等影响，生态风险有所降低.
（4）高程、年平均温度、NDVI和年平均降水等自然因子，以及人口密度和GDP等社会经济因子，共同影响哈尔滨市景观生态风险. 高程和人口密度的平均绝对SHAP值居前，是模型识别的主要影响因子；年平均温度、NDVI、年平均降水和GDP具有一定贡献；到河流、铁路、道路及城市中心距离等距离类因子的平均绝对SHAP值相对较低，年平均降水及其他因子的交互关系呈现非线性特征.
| [1] |
高爽, 王少剑, 莫惠斌. 全球视角下中国城镇化进程及其碳排放效应的比较研究[J]. 地理科学, 2024, 44(2): 204-215. Gao S, Wang S J, Mo H B. A comparative study of China's urbanization process and its carbon emission effect from a global perspective[J]. Scientia Geographica Sinica, 2024, 44(2): 204-215. |
| [2] |
刘海龙, 王改艳, 张鹏航, 等. 汾河流域新型城镇化与生态韧性耦合协调时空演变及协调影响力研究[J]. 自然资源学报, 2024, 39(3): 640-667. Liu H L, Wang G Y, Zhang P H, et al. Spatio-temporal evolution and coordination influence of coupling coordination between new urbanization and ecological resilience in Fenhe River Basin[J]. Journal of Natural Resources, 2024, 39(3): 640-667. |
| [3] | Wei Y Q, Li Z X, Ding D S, et al. Ecological risk assessment of heavy metals in seawater and sediments in Jinghai Bay: evidence for ecosystem degradation in a coastal bay of the Yellow Sea[J]. Marine Pollution Bulletin, 2025, 219. DOI:10.1016/J.MARPOLBUL.2025.118256 |
| [4] |
王文静, 逯非, 欧阳志云. 国土空间生态修复与保护空间识别——以北京市为例[J]. 生态学报, 2022, 42(6): 2074-2085. Wang W J, Lu F, Ouyang Z Y. Spatial identification of territory space ecological conservation and restoration: a case study of Beijing[J]. Acta Ecologica Sinica, 2022, 42(6): 2074-2085. |
| [5] |
刘晓曼, 侯鹏, 高吉喜, 等. 基于区域生态学我国流域可持续发展面临的问题及应对策略[J]. 生态学报, 2024, 44(12): 4956-4963. Liu X M, Hou P, Gao J X, et al. Problems and countermeasures of watershed sustainable development based on regional ecology[J]. Acta Ecologica Sinica, 2024, 44(12): 4956-4963. |
| [6] | Yang Y, Xie Z Y, Wu H, et al. Ecological degradation and green development at crossroads: incorporating the sustainable development goals into the regional green transformation and reform[J]. Environment, Development and Sustainability, 2024. DOI:10.1007/s10668-024-05544-y |
| [7] |
王金南, 秦昌波, 薛强, 等. 生态文明视角下的美丽中国建设研究: 回顾与展望[J]. 中国环境科学, 2025, 45(2): 1136-1147. Wang J N, Qin C B, Xue Q, et al. Research on the beautiful China initiative from the perspective of ecological civilization: a review and future prospects[J]. China Environmental Science, 2025, 45(2): 1136-1147. |
| [8] |
张旖琳, 吴相利. 国家重点生态功能区城市与毗邻非生态功能区城市绿色发展水平测度与时空差异[J]. 生态学报, 2022, 42(14): 5761-5777. Zhang Y L, Wu X L. Urban green development level and spatio-temporal difference of cities in the National Key Ecological Function Zones and adjacent non-ecological function zones[J]. Acta Ecologica Sinica, 2022, 42(14): 5761-5777. |
| [9] | Ju X Y, Liang Q Y, Yao P. Water resource tax reform promotes the green transformation of resource-based cities in the Yellow River basin[J]. Water Economics and Policy, 2025, 11(3). DOI:10.1142/S2382624X25400181 |
| [10] |
王腾雯, 程俊豪, 熊航, 等. 融合生态安全格局和基于自然解决方案的山水林田坝草一体化保护和系统治理[J]. 生态学报, 2025, 45(3): 1210-1225. Wang T W, Cheng J H, Xiong H, et al. Integrated conservation and systematic management of mountain-river-forest-farmland-dam-grass based on the ecological security pattern and Nature-based Solutions (NbS)[J]. Acta Ecologica Sinica, 2025, 45(3): 1210-1225. |
| [11] | Zhan D, Quan B, Liao J. The spatiotemporal evolution and coupling coordination of lucc and landscape ecological risk in ecologically vulnerable areas: a case study of the Wanzhou–Dazhou–Kaizhou region[J]. Sustainability, 2025, 17(10). DOI:10.3390/su17104399 |
| [12] | Qiao B, Yang H, Cao X Y, et al. Driving mechanisms and threshold identification of landscape ecological risk: a nonlinear perspective from the Qilian Mountains, China[J]. Ecological Indicators, 2025, 173. DOI:10.1016/j.ecolind.2025.113342 |
| [13] |
赵冰雪, 胡海涛. 安徽省湿地景观格局变化及生态风险评价[J]. 水生态学杂志, 2026, 47(3): 138-148. Zhao B X, Hu H T. Changes in landscape patterns and ecological risk assessment of wetlands in Anhui Province[J]. Journal of Hydroecology, 2026, 47(3): 138-148. |
| [14] |
可凯勒, 彭建松, 苗雪, 等. 基于生态风险评价的昆明市多层次生态安全格局构建[J]. 西南林业大学学报, 2025, 45(3): 110-120. Ke K L, Peng J S, Miao X, et al. Construction of multi-level ecological security pattern in Kunming based on ecological risk assessment[J]. Journal of Southwest Forestry University, 2025, 45(3): 110-120. |
| [15] | Yan J X, Li J, Yao X D, et al. Ecological security pattern construction based on landscape ecological risk assessment in the Yellow River basin[J]. Frontiers in Environmental Science, 2025, 13. DOI:10.3389/fenvs.2025.1514599 |
| [16] | Kang L X, Yang X, Gao X, et al. Landscape ecological risk evaluation and prediction under a wetland conservation scenario in the Sanjiang Plain based on land use/cover change[J]. Ecological Indicators, 2024, 162. DOI:10.1016/J.ECOLIND.2024.112053 |
| [17] |
于目良, 刘悦俊, 张燕杰. 青藏高原未来土地利用变化与景观生态风险多情景预测[J]. 长江流域资源与环境, 2024, 33(10): 2204-2218. Yu M L, Liu Y J, Zhang Y J. Multi-scenario prediction of future land use change and landscape ecological risk on the Qingzang Plateau[J]. Resources and Environment in the Yangtze Basin, 2024, 33(10): 2204-2218. |
| [18] |
王玲, 汪淼. 成渝城市群景观生态风险演变分析[J]. 长江流域资源与环境, 2023, 32(3): 626-637. Wang L, Wang M. Chengdu-Chongqing urban landscape ecological risk evolution analysis[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 626-637. |
| [19] |
何钊全, 尚雪, 张铜会, 等. 近20年陕北黄土丘陵区景观生态风险时空变化及冷热点格局[J]. 生态学杂志, 2023, 42(10): 2514-2525. He Z Q, Shang X, Zhang T H, et al. Spatiotemporal variations of landscape ecological risk and its cold-hot spot pattern in the loess hills of northern Shaanxi over the past 20 years[J]. Chinese Journal of Ecology, 2023, 42(10): 2514-2525. |
| [20] | Rina S, Bole Y, Tong Z J, et al. Ecological zoning study on the coupling of land use intensity and landscape ecological risk in western Jilin: a production–living–ecological space perspective[J]. Sustainability, 2024, 16(24). DOI:10.3390/su162410992 |
| [21] |
张雪茂, 董廷旭, 杜华明, 等. 基于景观生态风险评价的涪江流域景观格局优化[J]. 生态学报, 2021, 41(10): 3940-3951. Zhang X M, Dong T X, Du H M, et al. Optimization of landscape pattern in Fujiang River Basin based on landscape ecological risk assessment[J]. Acta Ecologica Sinica, 2021, 41(10): 3940-3951. |
| [22] |
刘敏, 蔡海生, 张学玲, 等. 基于Geodetector-GTWR的江西省景观生态风险及驱动因素[J]. 环境科学, 2025, 46(10): 6455-6464. Liu M, Cai H S, Zhang X L, et al. Landscape ecological risk and its driving factors in Jiangxi Province based on Geodetector-GTWR[J]. Environmental Science, 2025, 46(10): 6455-6464. DOI:10.13227/j.hjkx.202409113 |
| [23] |
王洁, 摆万奇, 田国行. 青藏高原景观生态风险的时空特征[J]. 资源科学, 2020, 42(9): 1739-1749. Wang J, Bai W Q, Tian G H. Spatiotemporal characteristics of landscape ecological risks on the Tibetan Plateau[J]. Resources Science, 2020, 42(9): 1739-1749. |
| [24] | Sun J L, Che M L, Yang F, et al. Temporal and spatial variability of landscape ecological risk in the Yangtze River Midstream Urban Agglomeration in the context of climate change[J]. Human and Ecological Risk Assessment: An International Journal, 2025, 31(1-2): 165-194. DOI:10.1080/10807039.2025.2450357 |
| [25] | Xu F, Yan S N, Wang X R, et al. Ecological management zoning through integration of ecosystem service and landscape ecological risk: a case study in Chongli, China[J]. Land, 2025, 14(6). DOI:10.3390/land14061133 |
| [26] | Liu S, Bai M, Yao M. Integrating ecosystem function and structure to assess landscape ecological risk in traditional village clustering areas[J]. Sustainability, 2021, 13(9). DOI:10.3390/su13094860 |
| [27] |
何洋, 赵喜萍. 基于SRSEI的汾河流域生态评价与驱动因素分析[J]. 节水灌溉, 2025(9): 22-29. He Y, Zhao X P. Ecological evaluation and driving factors analysis of Fenhe river basin based on SRSEI[J]. Water Saving Irrigation, 2025(9): 22-29. |
| [28] |
李承航, 张文春, 林楠, 等. 基于土地利用变化的沈阳市景观生态风险评价及驱动力分析[J]. 内蒙古大学学报(自然科学版), 2022, 53(4): 383-393. Li C H, Zhang W C, Lin N, et al. Landscape ecological risk assessment and driving force analysis based on Shenyang land use changes[J]. Journal of Inner Mongolia University (Natural Science Edition), 2022, 53(4): 383-393. |
| [29] |
罗紫元, 曾坚. 资源环境保护下天津市用地空间增长模拟[J]. 地理研究, 2022, 41(2): 341-357. Luo Z Y, Zeng J. Spatial growth simulation of land use in Tianjin from the perspective of resource and environmental protection[J]. Geographical Research, 2022, 41(2): 341-357. |
| [30] | Li J Z, Feng P, Wei Z Z. Incorporating the data of different watersheds to estimate the effects of land use change on flood peak and volume using multi-linear regression[J]. Mitigation and Adaptation Strategies for Global Change, 2013, 18(8): 1183-1196. DOI:10.1007/s11027-012-9416-0 |
| [31] | Chanie Wubetie K, Alemayehu A, Melaku E. Identification of direct and indirect drivers of land use and land cover changes from agriculture to Eucalyptus plantation using the DPSIR framework in Sinan and Mecha Districts of northwestern Ethiopia[J]. Trees, Forests and People, 2025, 19. DOI:10.1016/j.tfp.2024.100759 |
| [32] | Wang M Y, Wang X T. A study of eco-culture-tourism coupling and coordinated development and influencing mechanism in the Yellow River Basin based on spatial production theory[J]. Ecological Indicators, 2025, 176. DOI:10.1016/j.ecolind.2025.113689 |
| [33] |
李涛, 鄢继选, 张金峰, 等. 基于地形梯度的靖远矿区景观生态风险评价[J]. 中国矿业, 2025, 34(6): 142-153. Li T, Yan J X, Zhang J F, et al. Landscape ecological risk assessment of Jingyuan mining area based on terrain gradient[J]. China Mining Magazine, 2025, 34(6): 142-153. |
| [34] | Yu H, Hu X Y, Yao L. Vegetation restoration reduces landscape ecological risk in the Loess Plateau[J]. Geography and Sustainability, 2025, 6(5). DOI:10.1016/j.geosus.2025.100320 |
| [35] |
邱元霖, 陈杰, 陈德亮. 2000~2022年青藏高原湖泊表面温度变化及其驱动因素[J]. 中国科学: 地球科学, 2025, 68(5): 1699-1715. Qiu Y L, Chen J, Chen D L. Changes in lake surface temperature on the Tibetan Plateau from 2000 to 2022 and their driving factors[J]. Science China Earth Sciences, 2025, 68(5): 1641-1655. |
| [36] |
黎珩, 朱冰冰, 边熇, 等. 1970-2020年黄土高原水蚀风蚀交错区极端降水时空变化研究及驱动因素分析[J]. 干旱区地理, 2024, 47(4): 539-548. Li H, Zhu B B, Bian H, et al. Temporal and spatial changes in extreme precipitation and its driving factors in the water-wind erosion crisscross region of the Loess Plateau from 1970 to 2020[J]. Arid Land Geography, 2024, 47(4): 539-548. |
| [37] |
李育虹, 王文娟, 费龙, 等. 吉林西部生态系统服务时空变化特征及其驱动因素[J]. 生态学杂志, 2025, 44(1): 240-249. Li Y H, Wang W J, Fei L, et al. Spatial-temporal variations and driving factors of ecosystem services in western Jilin Province[J]. Chinese Journal of Ecology, 2025, 44(1): 240-249. |
| [38] |
马晓敏, 张志斌, 郭倩倩, 等. 2000-2020年兰州市人口时空格局演变及驱动因素分析[J]. 干旱区地理, 2025, 48(1): 168-178. Ma X M, Zhang Z B, Guo Q Q, et al. Spatial and temporal evolution and driving factors of population in Lanzhou City from 2000 to 2020[J]. Arid Land Geography, 2025, 48(1): 168-178. |
| [39] |
王兆峰, 赵松松, 杨显. 交通网络与城市群旅游地耦合协调演化研究——以长株潭城市群为例[J]. 世界地理研究, 2020, 29(5): 962-972. Wang Z F, Zhao S S, Yang X. Study on the evolvement of coupling coordination between transportation network and tourism resort of urban agglomeration——a case study of Chang-Zhu-Tan urban agglomeration[J]. World Regional Studies, 2020, 29(5): 962-972. |
| [40] |
兰峰, 林振宇, 黄歆. 基于POI数据的西安市多中心空间结构演变特征与驱动因素研究[J]. 干旱区资源与环境, 2023, 37(11): 57-66. Lan F, Lin Z Y, Huang X. Evolution characteristics of multi-center spatial structure in Xi'an city and driving factors: a POI data-based analysis[J]. Journal of Arid Land Resources and Environment, 2023, 37(11): 57-66. |
| [41] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [42] |
张利平, 曲建光. 松花江流域(哈尔滨段)景观格局粒度效应[J]. 测绘工程, 2021, 30(1): 51-59. Zhang L P, Qu J G. Spatial grain size effect on landscape pattern in Songhua River Basin (Harbin section)[J]. Engineering of Surveying and Mapping, 2021, 30(1): 51-59. |
| [43] | Wang X, Zhu T K, Jiang C Z. Landscape ecological risk based on optimal scale and its tradeoff/synergy with human activities: a case study of the Nanjing metropolitan area, China[J]. Ecological Indicators, 2025, 170. DOI:10.1016/j.ecolind.2024.113040 |
| [44] | Yang N J, Zhang T, Li J Z, et al. Landscape ecological risk assessment and driving factors analysis based on optimal spatial scales in Luan River Basin, China[J]. Ecological Indicators, 2024, 169. DOI:10.1016/j.ecolind.2024.112821 |
| [45] |
刘东岳, 董文卓, 勾容, 等. 基于InVEST模型和XGBoost-SHAP的重庆市生态系统服务供需时空演变及驱动因素分析[J]. 环境科学, 2026, 47(5): 3312-3323. Liu D Y, Dong W Z, Gou R, et al. Spatial and temporal evolution of ecosystem service supply and demand and analysis of driving factors in Chongqing based on InVEST model and XGBoost-SHAP[J]. Environmental Science, 2026, 47(5): 3312-3323. DOI:10.13227/j.hjkx.202504257 |
| [46] |
赵慧, 刘茜, 张敏, 等. 基于XGBoost-SHAP模型的北京市生态系统服务空间格局及驱动因素分析[J]. 环境科学, 2026, 47(2): 1025-1037. Zhao H, Liu Q, Zhang M, et al. Analysis of spatial patterns and driving factors of ecosystem services in Beijing based on XGBoost-SHAP model[J]. Environmental Science, 2026, 47(2): 1025-1037. DOI:10.13227/j.hjkx.202501166 |
| [47] |
钱敏, 张虹, 潘明辰, 等. 成渝城市群生态系统调节服务与不同文化服务的权衡协同及驱动机制[J]. 环境科学, 2026, 47(7): 4928-4941. Qian M, Zhang H, Pan M C, et al. Trade-offs/synergies and driving mechanism between ecosystem regulation services and various ecosystem cultural services in Chengdu-Chongqing urban agglomeration[J]. Environmental Science, 2026, 47(7): 4928-4941. DOI:10.13227/j.hjkx.202506009 |
| [48] |
解德威, 刘健, 魏俐宏, 等. 基于机器学习的粮食产量大省净初级生产力未来趋势模拟[J]. 环境科学, 2025, 46(10): 6356-6365. Xie D W, Liu J, Wei L H, et al. Simulation of future trends of net primary productivity in major grain-producing provinces based on machine learning[J]. Environmental Science, 2025, 46(10): 6356-6365. |
| [49] |
王元庆, 李佳玥, 刘备, 等. 基于XGBoost-SHAP方法的建设项目碳排放空间异质性分析[J]. 环境科学, 2025, 46(7): 4090-4100. Wang Y Q, Li J Y, Liu B, et al. Spatial heterogeneity of carbon emissions from construction projects based on XGBoost-SHAP[J]. Environmental Science, 2025, 46(7): 4090-4100. DOI:10.13227/j.hjkx.202406040 |
| [50] | Tao Y, Fan G D, Liu F N, et al. Precision prediction of trihalomethanes in drinking water and three-stage regulation mechanism: a study based on XGBoost-SHAP framework[J]. Journal of Environmental Chemical Engineering, 2025, 13(6). DOI:10.1016/J.JECE.2025.119316 |
| [51] | Lü F C, Zhang Y J, Song S J, et al. Forest expansion reduces landscape fragmentation and improves habitat quality: an XGBoost-SHAP driver analysis in the Qinhe River basin (1990-2022)[J]. Ecological Indicators, 2025, 179. DOI:10.1016/j.ecolind.2025.114213 |
| [52] | Ren W X, Xue B, Yang J, et al. Effects of the northeast China revitalization strategy on regional economic growth and social development[J]. Chinese Geographical Science, 2020, 30(5): 791-809. DOI:10.1007/s11769-020-1149-5 |
| [53] |
刘珺, 樊博. 地方政府何以实现技术嵌入性制度创新——以海绵城市实践为例[J]. 中国行政管理, 2024, 40(3): 138-150. Liu J, Fan B. What contributes to technology embedding institutional innovation: a case study of sponge city practice in China[J]. Chinese Public Administration, 2024, 40(3): 138-150. |
| [54] | 马铁民. 加快生态松辽建设推动东北高质量发展[J]. 中国水利, 2020(15): 56-58. |
| [55] | 董雪, 何建龙. 黑土地保护政策的发展历程、现实困境及对策[J]. 农业经济, 2025(7): 99-100. |
| [56] |
田恬, 李红华, 郭晓, 等. 松花江流域水污染防治规划决策支持系统构建与应用[J]. 环境保护, 2016, 44(21): 63-66. Tian T, Li H H, Guo X, et al. Study on the construction and application of Songhua River basin water pollution prevention and control planning decision support system[J]. Environmental Protection, 2016, 44(21): 63-66. |
| [57] | Zhu Q, Tran L T, Wei W. Understanding synergistic ecosystem services in China's Northeast Forest Belt: a blueprint for spatially targeted management[J]. Ecological Indicators, 2024, 166. DOI:10.1016/j.ecolind.2024.112434 |
| [58] | Yu T T, Leng H, Yuan Q, et al. Spatial-temporal patterns and driving mechanism of rural vulnerability at county level: a case study of 117 counties in Heilongjiang Province, China[J]. Journal of Rural Studies, 2025, 113. DOI:10.1016/j.jrurstud.2024.103475 |
| [59] | 周思杨, 尤晓光, 周芳, 等. 东北三省工农业发展及生态环境保护与水路运输的协调发展[J]. 水运管理, 2024, 46(8): 19-25. |
| [60] | Yang H Y, Huang W, Yang D, et al. Innovation in comprehensive transportation network planning in the context of national spatial development: institutional constraints and policy responses[J]. Land, 2025, 14(5). DOI:10.3390/land14051046 |
| [61] |
王杰云, 罗志军, 齐松. 城镇空间扩张与景观生态风险的耦合关联——以江西省袁州区为例[J]. 水土保持研究, 2021, 28(5): 142-151. Wang J Y, Luo Z J, Qi S. Coupling relationship between urban spatial expansion and landscape ecological risk-a case study of Yuanzhou District in Jiangxi Province[J]. Research of Soil and Water Conservation, 2021, 28(5): 142-151. |
| [62] |
郭芙, 王亚飞, 段文标, 等. 张广才岭不同针阔比天然林林分空间结构特征[J]. 生态学报, 2025, 45(19): 9615-9624. Guo F, Wang Y F, Duan W B, et al. Stand spatial structure characteristics of natural forests with different needle-width ratios in Zhangguangcailing Mountains[J]. Acta Ecologica Sinica, 2025, 45(19): 9615-9624. |
| [63] |
莫张勤. 生态保护红线法律责任的实践样态与未来走向[J]. 中国人口•资源与环境, 2018, 28(11): 112-119. Mo Z Q. The practice and future tendency of legal responsibility in the red line of ecological protection[J]. China Population, Resources and Environment, 2018, 28(11): 112-119. |
| [64] |
刘宇舒, 王振宇, 曲艺. 生态系统服务测度下市域生态空间管控体系构建[J]. 中国园林, 2019, 35(8): 77-82. Liu Y S, Wang Z Y, Qu Y. Construction of ecological spatial control system based on ecosystem services measurement[J]. Chinese Landscape Architecture, 2019, 35(8): 77-82. |
| [65] |
李政宏, 牛子昂, 吕晓. 全面依法治国视域下黑土地保护法治化进程探讨[J]. 环境保护, 2023, 51(20): 27-29. Li Z H, Niu Z A, Lv X. Exploration of legalization of black land protection under the view of comprehensive rule of law[J]. Environmental Protection, 2023, 51(20): 27-29. |