基于InVEST模型的生态系统服务驱动因子与权衡协同关系：以陕西渭北旱塬为例

引用本文

张锐, 刘京, 霍瑢彦町, 缪慧玲. 基于InVEST模型的生态系统服务驱动因子与权衡协同关系：以陕西渭北旱塬为例[J]. 环境科学, 2026, 47(6): 3941-3954.

ZHANG Rui, LIU Jing, HUO Rong-yan-ting, MIAO Hui-ling. Analyzing Driving Factors and Trade-offs/Synergies of Ecosystem Services Using the InVEST Model: A Case Study from the Weibei Loess Plateau, Shaanxi, China[J]. Environmental Science, 2026, 47(6): 3941-3954.

基于InVEST模型的生态系统服务驱动因子与权衡协同关系：以陕西渭北旱塬为例

张锐^1,2, 刘京^1,2, 霍瑢彦町^1,2, 缪慧玲¹

1. 西北农林科技大学资源环境学院，杨凌 712100;
2. 农业农村部西北旱地农业绿色低碳重点实验室，杨凌 712100

收稿日期: 2025-04-02; 修订日期: 2025-07-21

基金项目: 国家自然科学基金项目（42071240）

作者简介: 张锐（1998~），男，硕士研究生，主要研究方向为生态系统服务，E-mail：zr1998_yz@163.com

通信作者: 刘京, E-mail：jingliu@nwafu.edu.cn

摘要: 阐明生态系统服务之间的权衡与协同机制及其时空演化规律，是干旱区生态安全格局构建及多功能土地利用优化的关键科学问题. 以陕西渭北旱塬区为研究区，基于2002~2022年陕西渭北旱塬5期遥感及社会经济统计数据，集成InVEST、地理探测器、时空地理加权回归（GTWR）模型、XGBoost-SHAP解释框架及空间偏相关分析方法，系统揭示产水量（WY）、生境质量（HQ）和土壤保持（SC）这3类生态系统服务的动态演变及其驱动机制. 结果表明：①研究期内，产水量、生境质量和土壤保持生态系统服务整体均呈显著增长趋势，增量分别为521.87 mm、0.78和275.83 t·km^-2，空间分异显示，延安南部和铜川丘陵地带为生态系统功能提升的核心区；②WY主要受土地利用（LULC）、坡度（SLOPE）和年降水量（PRE）影响；HQ受年均温（TMP）和归一化植被指数（NDVI）影响明显但交互作用趋于下降；SC对SLOPE因子响应稳定，呈“地形主导”结构；除此之外，驱动因子交互作用增强服务响应，能显著提升因子对服务解释力，表现出非线性增强与时序转变特征；③在GTWR模型拟合中，各因子对生态系统服务影响具有空间异质性与动态性；④XGBoost-SHAP模型重要性排序中，不同生态服务的因子重要性顺序存在明显区别，但其重要性排序在研究期未呈现显著的时序分异特征；⑤生态系统服务间交互作用呈现二元分化特征，WY与HQ以权衡关系为主，WY与SC以协同关系为主，HQ与SC则呈现协同与权衡空间均衡格局. 研究通过多模型耦合揭示了干旱区生态系统服务互馈机制的非线性特征和空间异质规律，可为区域生态安全屏障与国土空间精准治理提供量化决策依据.

关键词: InVEST模型地理探测器时空地理加权回归（GTWR）模型 XGBoost 驱动因素权衡协同机制生态系统服务

Analyzing Driving Factors and Trade-offs/Synergies of Ecosystem Services Using the InVEST Model: A Case Study from the Weibei Loess Plateau, Shaanxi, China

ZHANG Rui^1,2 , LIU Jing^1,2 , HUO Rong-yan-ting^1,2 , MIAO Hui-ling¹

1. College of Natural Resources and Environment, Northwest A&F University, Yangling 712100, China;
2. Key Laboratory of Low-carbon Green Agriculture in Northwestern China, Ministry of Agriculture and Rural Affairs, Yangling 712100, China

Abstract: Clarifying the trade-offs and synergies among ecosystem services and their spatiotemporal dynamics is a critical scientific issue for constructing ecological security patterns and optimizing multifunctional land use in arid regions. This study, focusing on the Weibei dry plateau region of Shaanxi Province, integrates the InVEST model, geographic detectors, geographically and temporally weighted regression (GTWR) models, XGBoost-SHAP explanation frameworks, and spatial partial correlation analyses, based on five phases of remote sensing and socioeconomic statistical data from 2002 to 2022. It systematically elucidates the dynamic evolution and driving mechanisms of three ecosystem services: water yield (WY), habitat quality (HQ), and soil conservation (SC). The primary findings include: ① Temporal evolution characteristics revealed that WY, HQ, and SC significantly increased during the study period, with increments of 521.87 mm, 0.78, and 275.83 t·km^-2, respectively. Spatial differentiation identifies southern Yanan and the hilly areas of Tongchuan as core zones of ecosystem service enhancement. ② Driver mechanism analysis indicated spatial variation in explanatory power among different service drivers. WY was mainly influenced by land use (LULC), slope (SLOPE), and annual average precipitation(PRE). HQ was significantly affected by TMP and normalized difference vegetation index (NDVI), though this influence was declining. SC consistently responded to slope, displaying a terrain-dominated structure. Furthermore, interactions between driving factors enhanced service responses, notably increasing explanatory power through nonlinear enhancement and temporal shifts. ③ Spatial heterogeneity verification via GTWR modeling demonstrated that the influence of each factor on ecosystem services exhibited spatial heterogeneity and dynamics. ④ Machine learning interpretation using the XGBoost-SHAP model revealed distinct importance rankings of factors across ecosystem services, though no significant temporal differentiation in importance ranking was observed during the study period. ⑤ Trade-offs and synergies showed binary differentiation among ecosystem services. WY and HQ predominantly displayed trade-offs, WY and SC exhibited synergistic relationships, while HQ and SC maintained a balanced spatial pattern of both synergy and trade-off interactions. By coupling multiple models, this study highlights the nonlinear and spatially heterogeneous interactions among ecosystem services in arid regions, providing a quantitative decision-making basis for regional ecological security barriers and precise territorial governance.

Key words: InVEST model Geodetector geographically and temporally weighted regression (GTWR) models XGBoost driving factors trade-off and synergy mechanism ecosystem services (ESs)

生态系统服务（ecosystem services，ESs）是人类从自然生态中获取的直接或间接的惠益^[1]，包括产水、生境维持、碳固存和土壤保持等关键生态过程，它持续为人类提供物质供给、环境调节和文化支持等多维福祉^[2，3]. 在全球气候变化与高强度人类活动叠加影响的背景下，解析生态系统服务的时空分异规律及其互馈机制，已成为协同推进生态安全保障与区域可持续发展的核心议题^[4].

在生态系统服务定量评估领域，由斯坦福大学开发的InVEST（integrated valuation of ecosystem services and tradeoffs）模型凭借其模块化设计、空间可视化输出等优势，被广泛应用于生物多样性维持、水源涵养、碳固存等关键服务的量化研究^[5，6]，成为当前生态系统服务评估的重要技术范式. 然而，生态系统服务之间并非孤立存在，其通过能量流动、物质循环和信息传递形成复杂的网络化关系. 由于资源竞争、空间利用冲突及管理目标差异，不同服务间常呈现此消彼长的权衡（trade-off）或互利共生的协同（synergy）关系^[7]. 例如，Liu等^[8]在对中国兰州半干旱流域的模拟研究中指出，随着城市化进程推进，3类服务表现出显著的权衡关系，其变化受土地利用结构和发展情景主导，体现出极强的管理响应性和政策敏感性. 这种非线性耦合特征在半干旱区尤为显著——受限于降水变率大、生态系统脆弱性高等自然禀赋，加之人类活动的空间分异，往往导致服务间关系呈现高度的时空异质性^[8，9].

聚焦干旱区典型生态系统服务研究，产水量（water yield，WY）、生境质量（habitat quality，HQ）与土壤保持（soil conservation，SC）分别表征供给、支持与调节服务的核心功能，构成区域生态安全的核心指标^[9]. 现有研究表明，这3类生态系统服务间存在显著的空间依赖性与过程耦合性：Ding等^[10]在中亚5国干旱区域的广域尺度分析中，基于InVEST模型量化了多项服务的空间格局，结果发现水源产出和土壤保持在高海拔区呈协同关系，在低海拔呈现权衡关系；Geng等对黄河流域的研究也发现，该区域生态服务整体表现为协同趋势，但局部区域存在明显的权衡现象^[11]. 以上发现印证了生态系统服务相互作用机制对地理环境要素的敏感性^[12]，同时也揭示了现有研究在时空动态解析维度仍存在明显不足，多数研究停留在静态空间格局描述，缺乏对驱动因子时空异质效应的系统性解构^[13].

陕西渭北旱塬作为黄土高原向关中平原过渡的生态脆弱带，兼具典型半干旱气候特征与剧烈人地交互作用. 近20 a来，在气候变化与人类活动的双重驱动下，区域生态系统服务供需矛盾日益凸显^[13]，而在渭北旱塬区域表现为水资源短缺加剧、生境破碎化扩展及土壤侵蚀模数波动增大等复合问题^[14，15].

尽管已有研究采用地理探测器^[16~18]和随机森林^[19]等方法开展了单一时相的驱动因子识别，但现有方法体系存在3方面局限：①传统统计模型（如OLS、GWR和MGWR^[20]）难以捕捉多因子交互的非线性效应；②机器学习算法（如XGBoost^[21]）虽具强大预测能力，却缺乏对时空异质影响机制的解释；③现有研究多聚焦截面数据分析，未能揭示驱动因子的时序动态特征及其与服务演变的耦合规律.

基于此，本研究集成地理探测器模型、时空地理加权回归和XGBoost-SHAP解释框架，构建“空间分异-时序演变-机制解析”三位一体的分析范式，通过解构2002~2022年陕西渭北旱塬区WY、HQ和SC的时空演变轨迹，系统揭示自然-人文因子交互作用下生态系统服务的响应阈值与空间依赖特征，进而阐明服务间权衡协同关系的形成机制. 本研究结果旨在为干旱区生态系统多目标协同管理提供理论支撑，也为地理探测器与机器学习模型的耦合应用提供方法创新案例.

1 研究区概况

陕西省渭北旱塬地区是我国生态环境脆弱的地区之一，地处黄土高原丘陵沟壑区与渭河冲积平原的过渡区域（北纬34°22'~36°14'，东经106°29'~110°36'），其中包括宝鸡市、咸阳市、渭南市、延安市以及铜川市5个地市中的23个区县（图 1），总土地面积为3.96万km²，约占陕西省总面积的12.26%，总耕地（包括园地）面积约为1.25 km²，渭北旱塬区海拔为299~2 452 m，地貌特征以高原沟壑为主，沟壑面积约占总面积55%以上. 该区年均气温在8.6~13.5℃之间，年降雨量为520~650 mm，降水量多集中在7~9月，降水量较少且年内分配不均.

图 1 研究区地理位置 Fig. 1 Geographical location of the study area

2 材料与方法 2.1 数据来源

本研究的数据来源如表 1所示，通过ArcGIS和Google Earth Engine对数据进行预处理. 在西北半干旱生态系统服务研究中，多位学者构建了包含耕地、林地、草地、水体、建设用地与未利用地的分类体系^[22，23]，除此之外，Li等^[24]和Rao等^[25]强调在半干旱地区，灌丛和草地用地类型对区域服务贡献度较高. 因此在本研究中，将土地利用数据GLC_FCS30D重新划分7个类别：耕地、林地、灌木、草地、水域、未利用地和建设用地. 通过在地理空间数据云平台获取数字高程模型（DEM）数据，提取得到坡度、坡向数据，通过ArcGIS的水文分析工具提取河流和流域，空间数据都统一为Asia North Albers Equal Area Conic投影坐标系，对InVEST模型的输入栅格数据重采样至30 m空间分辨率，选择2002年、2007年、2012年、2017年和2022年数据进行分析研究.

表 1 数据信息和数据源 Table 1 Data information and sources

在驱动因子数据中，土壤有机质（SOM）与土壤有机碳（SOC）有着可以转换的经验系数1.724，该因子被称为van Bemmelen系数，长期用于国际农业与土壤数据库转换^[26]. Kanagaraj等在研究土壤有机碳定量评价中仍采用1.724为标准因子进行碳估算，强调它是国际通行的估算工具，但并非普适适配所有土壤类型^[27]. 因此在驱动分析中，能用估算的SOM表征土壤有机质对生态系统服务的驱动影响. 结合半干旱区域特征选用0~30 cm土层，耕作、植被根系活动、侵蚀最活跃区域作为驱动因子. 而归一化植被指数（NDVI），是用NASA的中分辨率成像光谱仪（MODIS）产品“MOD13A1”，按16 d最大值合成法生产的“NDVI”500 m分辨率数据，然后按均值合成的年数据. 最后将所有驱动因子数据统一成Asia North Albers Equal Area Conic投影坐标系，栅格数据重采样至500 m，保证驱动分析模型的运行的可行性和数据样本数量.

2.2 研究方法 2.2.1 基于生态模型计算生态系统服务

（1）土壤保持土壤保持（SD）是基于美国通用土壤流失方程（USLE）计算，通过从自然植被保护下的潜在土壤侵蚀（RKLS）中减去人工管理和保护措施下的实际土壤侵蚀（USLE）而获得，通过InVEST模型中的泥沙输送率计算. 公式如下：

R K L S = R \times K \times L S

(1)

U S L E = R \times K \times L S \times P \times C

(2)

S D = R K L S - U S L E

(3)

式中，SD为土壤保持量，R为降雨侵蚀力，利用Wischmeier等提出的月度计算公式计算^[28]；K为土壤可蚀性因子，使用EPIC模型计算，并用校正方法进行修正^[29]；LS为边坡长度梯度系数；C为植被和经营管理因子，是在相同环境条件下，植被覆盖的土地或人类管理的田地的土壤损失量与连续轻耕作的休闲地土壤损失之比^[30]；P为土壤保持措施因子，即在相同条件下，有土壤保持措施的坡耕地土壤损失与没有任何措施的坡耕地的土壤损失的比率.

（2）生境质量生境质量是指某种环境能为个体提供适宜生活的能力，反映了区域生物多样性的维持功能. InVEST模型的该模块主要用于通过不同土地类型对每个威胁源的敏感性和栖息地威胁密度数据来获得研究区域的栖息地质量分布和退化分布，并通过栖息地质量水平来评估生物多样性. 公式如下：

Q_{x j} = H_{j} \times (1 - \frac{D_{x j}^{z}}{D_{x j}^{z} + K^{z}})

(4)

式中， $Q_{x j}$ 为土地利用类型j中栅格x的生境质量得分； $D_{x j}^{z}$ 为栅格x在类型j下受到的累计威胁程度； $H_{j}$ 为土地利用类型j生境适宜度：K为半饱和参数，在生物多样性模型中设置为0.5；z为模型默认参数，通常取值为2.

（3）产水量 InVEST模型的产水量模块是基于Budyko水热耦合平衡原理，结合不同土地利用类型的土壤渗透性、蒸散性的空间差异等因素对径流的影响构建适宜模型，以栅格为单元定量估算水源供给能力^[31]. 公式如下：

Y_{x i} = (1 - \frac{A E T_{x i}}{P_{x}}) \times P_{x}

(5)

式中， $Y_{x i}$ 为土地利用类型为i时栅格x上的年产水量（mm）， $P_{x}$ 为栅格x的年均降水量（mm）， $A E T_{x i}$ 为实际年平均蒸散发量（mm）.

\frac{A E T_{x i}}{P_{x}} = 1 + \frac{P E T_{x i}}{P_{x}} - {[1 + {(\frac{P E T_{x i}}{P_{x}})}^{w_{x}}]}^{\frac{1}{w_{x}}}

(6)

P E T_{x i} = K_{c} (l_{i}) \times E T_{0 (x)}

(7)

W_{x} = Z \times \frac{A W C_{x}}{P_{x}} + 1.25

(8)

式中， $P E T_{x i}$ 为土地利用类型为i时栅格x上的年均潜在蒸散发量（mm）； $w_{x}$ 为自然气候土壤特性的非物理参数； $K_{c} (l_{i})$ 为土地利用类型i的植被蒸散系数； $E T_{0 (x)}$ 为在栅格x上的植被参考蒸散发量（mm）； $A W C_{x}$ 为栅格x的土壤有效含水量（mm）；Z为Zhang系数，即季节常数，取值在1~30之间.

2.2.2 地理探测器

地理探测器模型被用来识别不同生态系统服务空间异质性的主要驱动因素. 空间统计方法，用于探测地理现象的空间异质性及其驱动因子. 地理探测器模型内核，是指如果自变量X对因变量Y有本质影响，那么它们之间存在相似的空间分布；与一般的因子分析方法相比，它考虑了因子之间的空间异质性^[16~18]. 本研究选取年均降水量、年均气温、高程、坡度、GDP、NDVI和人口密度作为驱动因素. 使用因子检测器来检测自变量X（驱动因子）对因变量Y（生态系统服务）的解释程度. 模型如下：

q = 1 - \frac{\sum_{i = 1}^{n} (K_{i} \times σ_{i}^{2})}{K \times σ^{2}}

(9)

式中，i=1，2，…，K，i指第i个因子变量层，K为因子分层总层数； $K_{i}$ 为第i层因子的单元总数； $σ_{i}^{2}$ 为第i层因子的方差；K和 $σ^{2}$ 为总体因子数量和方差. q值范围在[0，1]，越接近1，解释因子对目标变量的空间分布解释力越强，反之则越弱.

2.2.3 时空地理加权

Fotheringham等^[32]是GTWR理论的提出者，最早从数学形式化和空间建模角度明确了GTWR的参数估计机制. GTWR通过在每个观测点构建局部回归模型，捕捉解释变量的影响在时间和空间上的动态变化，揭示生态系统服务驱动因子的时空分布差异. 公式如下：

y_{i} = β_{0} (μ_{i}, ν_{i}) + \sum_{k = 1}^{m} β_{k} (μ_{i}, ν_{i}) x_{i k} + ε_{i}

(10)

式中，y_i为第i个样本点的响应变量；x_ik为第i个点第k个解释变量；样本点i的地理坐标 $(μ_{i}, ν_{i})$ 为其在空间上的位置；β_k为第k个变量在第i个地理位置上的回归系数；β₀为该变量的整体估计系数，用于衡量其对响应变量的平均影响程度；ε_i为残差项，表示误差或未解释部分；m为自变量的个数.

2.2.4 XGBoost

XGBoost（extreme gradient boosting）是一种基于梯度提升框架的集成学习模型，Chen等^[33]提出因其高效性、正则化能力强和处理非线性关系的能力，在空间建模和生态系统服务研究中得到了广泛应用. XGBoost通过构建一系列弱学习器（通常为回归树），逐步拟合残差项，提升预测性能，适合刻画驱动因子与生态系统服务之间的非线性复杂关系. 其核心表达形式如下：

\hat{y_{i}} = \sum_{t = 1}^{T} f_{t} (x_{i}), f_{t} \in F

(11)

式中， $\hat{y_{i}}$ 为样本i的预测值； $x_{i}$ 为样本的特征向量（即各解释变量）； $f_{t}$ 为第t棵回归树；F为回归树集合空间；T为总树数. XGBoost在每一步迭代中使用二阶泰勒展开对损失函数进行近似，并引入正则项控制模型复杂度，从而提升泛化能力并避免过拟合.

2.2.5 权衡协同分析

在选择的研究时期内，利用ArcGIS，建立500 m×500 m抽取采样点. 最后，应用Spearman相关系数计算非正态分布数据的相关性. 公式如下^[26]：

r_{X Y} = \frac{\sum_{i = 1}^{n} (S_{X i} - \bar{S_{X}}) (S_{Y i} - \bar{S_{Y}})}{\sqrt[]{\sum_{i = 1}^{n} {(S_{X i} - \bar{S_{X}})}^{2}} \sqrt[]{\sum_{i = 1}^{n} {(S_{Y i} - \bar{S_{Y}})}^{2}}}

(12)

式中， $r_{X Y}$ 为两种生态系统服务之间的相关系数；n为采样点数量； $S_{X i}$ 和 $S_{Y i}$ 分别为第1、2个生态系统服务的第i个采样点的值； $\bar{S_{X}}$ 和 $\bar{S_{Y}}$ 分别为第1、2个生态系统服务的均值. $r_{X Y}$ 的绝对值越大，相关性越强. 如果它是正值并通过显著性测试，那么这对生态系统服务之间存在协同关系. 如果它是负值并通过显著性测试，那么这对生态系统服务之间存在权衡关系^[27].

r_{X Y |Z} = \frac{r_{X Y} - r_{X Z} r_{Y Z}}{\sqrt[]{(1 - r_{X Z}^{2}) + (1 - r_{Y Z}^{2})}}

(13)

式中， $r_{X Y | Z}$ 为窗口像元上 $S_{X}$ 和 $S_{Y}$ 之间的偏相关系数，而其他生态系统服务保持不变.

3 结果与分析 3.1 生态系统服务的时空变化

如图 2所示，20 a间渭北旱塬生态系统服务整体水平逐渐优化，而局部差异显著. 在空间范围上，生境质量指数表现为北高南低，在延安市和铜川市北部等高海拔地区指数接近1，而在渭南市南部和宝鸡市西南部的城市边缘区域则低于0.2. 在时间尺度下，2002~2022年间生态系统整体服务质量提高，变化幅度大达0.78，主要集中在延安南部和铜川山区. 下降区域集中在宝鸡、渭南等城市化边缘区域，最大下降值为0.97.

图 2 2002~2022年渭北旱塬生态系统服务时空分布 Fig. 2 Spatiotemporal distribution of ecosystem services in the Weibei dryland from 2002 to 2022

2002~2022年，渭北旱塬产水量都是由北向南递减. 2022年间，延安市和铜川市山区年产水量高达500~600 mm，渭南市东南部和平原区不足200 mm. 相较于2002年，北部森林覆盖较高区域的产水量的最大增长量为521.87 mm，而减少量最大为364.79 mm，集中在渭南南部.

土壤保持服务的空间分布主要受地貌环境影响，呈山地-丘陵-平原梯度递减特征. 2022年，土壤保持量在延安北部达到300~500 t·km^-2，而渭南市东南部和宝鸡市中部平原区却不足50 t·km^-2. 在变化幅度上，2002~2022年间土壤保持能力提升幅度最大值为275.83 t·km^-2，集中在黄土高原沟壑区，如延安南部等区域；而下降值最大为121.28 t·km^-2，位于城市周边区域.

3.2 生态服务空间异质性的驱动因素

驱动因子筛选，为探究渭北旱塬生态系统服务变化的主要驱动机制，结合文献和半干旱地区的区域特征筛选了10种驱动因子：年降水量（PRE）、蒸散发（ET）、年均温（TMP）、坡度（SLOPE）、高程（DEM）、归一化植被指数（NDVI）、土地利用类型（LULC）、夜间灯光指数（NIGHTLIGHT）、人口密度（POP）和土壤有机质（SOM），结合地理探测器、时空地理加权回归和XGBoost定量分析了2002~2022年间驱动因子对WY、HQ和SC这3个生态系统服务的驱动影响，生成空间解释力q值和回归系数空间结构，因子重要性排序成果，如表 2所示.

表 2 驱动因子筛选 Table 2 Selection and classification of driving factors

3.2.1 地理探测器

地理探测器是一种用于探测空间分异现象及其驱动因素的方法，广泛应用于地理、生态、环境和社会经济等研究中. 其核心是通过因素与某种现象具有空间一致性，判定因素是该现象的驱动因素. 而在本研究中，地理探测模型处理结果如下.

从驱动因子影响解释力q值可知（表 3），WY的整体q值水平显著高于HQ和SC.

表 3 驱动因子影响解释力q值 Table 3 The q-statistic measuring the influence of driving factors

在WY中，因子整体q值较高，LULC、SLOPE和PRE等因子的解释力较强，LULC在2017年达最高值0.846，SLOPE最高值为0.372，PRE在2022年为0.319. PRE和NDVI的q值波动较大，最高分别为0.438和0.340.

HQ的驱动因子空间解释力q值在3个生态系统服务中表现中等，TMP、NDVI和ET为主要因子，但均呈下降趋势：TMP从2002年的0.256降至2022年的0.183，NDVI从0.225降至0.108，ET从0.259降至0.166.

SC中驱动因子q值整体较低，SLOPE是唯一相对稳定的主导因子，空间解释力q值约为0.10，其他因子大多低于0.03.

由图 3可知，在2002年，WY服务的交互作用解释力整体最高，其中PRE与LULC的空间解释力交互作用最高，q值为0.960；其次为LULC与ET和DEM与LULC. HQ服务的交互作用解释力普遍低于WY，以PRE与TMP组合最高，为0.432，其次为ET与PRE组合的0.427，气候因子之间的明显协同效应. SC服务的整体交互作用解释力最低，PRE与SLOPE组合最高也仅为0.113.

X1~X10分别表示PRE、ET、TMP、SLOPE、DEM、NDVI、LULC、NIGHTLIGHT、POP和SOM 图 3 2002与2022年驱动因子交互影响解释力q值 Fig. 3 The q-values of interaction effects between driving factors in 2002 and 2022

到2022年，WY服务的最高交互作用依旧是PRE与LULC组合的0.959，其次是ET与NDVI的0.795及TMP与LULC的0.761. HQ服务中，PRE与TMP组合的交互作用最高，为0.337，其次为PRE与ET的0.324. SC服务在2022年同样以PRE与SLOPE组合最高（0.114），表明这两个因子在20 a间持续维持着较为稳定的交互影响.

相较于单因子空间解释力q值，交互作用下的驱动因子的空间解释力都有着提升，不同生态系统服务的交互作用模式存在显著差异，其中WY服务明显高于HQ和SC服务，尤其是PRE与LULC的协同效应在20 a间始终最为突出，显示出产水服务受到降水和土地利用方式协同作用的显著影响.

3.2.2 时空地理加权回归

为确保GTWR模型的空间适用性，本研究通过莫兰指数（Moran's I）检验变量的空间自相关性. 从表 4可见，大多数变量在2002~2022年间莫兰指数均为正值，且除POP的P值小于0.01外，其他P值均小于0.001，表明其空间分布存在显著正自相关性. 因此，上述结果验证了生态系统服务及其驱动因子在空间上的非随机性，支持引入GTWR模型来揭示其时空异质影响机制.

表 4 生态系统服务变量及驱动因子的莫兰指数与空间自相关显著性检验结果 Table 4 Moran's I and significance tests of spatial autocorrelation for ecosystem service variables and driving factors

利用普通最小二乘法（OLS）对模型变量进行检验，通过方差膨胀因子（VIF < 7.5）以及显著性检验（P），剔除掉冗余变量PRE和TMP，以ET、SLOPE、DEM、NDVI、LULC、NIGHTLIGHT、POP和SOM为自变量，建立时空加权回归模型.

采用时空地理加权回归（GTWR）模型分析驱动因子对生态系统服务的影响特征，GTWR模型的拟合度，如表 5所示. GTWR模型的R²分别为0.68、0.56和0.41，其中WY和HQ的拟合度较良好.

表 5 生态系统服务与驱动因子的GTWR模型拟合度 Table 5 GTWR fitting results for ecosystem services and driving factors

而GTWR模型系数反映了驱动因子对生态系统服务影响的空间差异性，如图 4所示，WY服务中，模型系数较高的因子为LULC、NIGHTLIGHT、SLOPE和SOM. LULC因子的系数范围为-3.26~13.12，呈现东部地区显著负向、西部地区强烈正向影响的明显空间分异. NIGHTLIGHT因子对WY服务的整体表现为正向影响，空间差异主要表现为东北高西南低. 与之相反的是，DEM在全域范围内都呈现负向关，而在空间结构上，反映为中部低两端高. 而SOM因子系数表现为，中部走廊为负向影响，而东北和西南地区呈现正向驱动.

图 4 2002~2022年多时段均值系数空间效应 Fig. 4 Spatiotemporal pattern of GTWR-derived mean coefficients from 2002 to 2022

相较于WY，HQ驱动因子的系数都较低，其中最突出的因子为NIGHTLIGHT、LULC和SOM. NIGHTLIGHT因子在全域中都呈现正向影响，强度由西南向东北逐渐上升，在中部北端达到最高值系数为0.47；LULC因子的正向影响主要集中在东北边缘区域，中部走廊负相关驱动最为显著；SOM因子的负向影响明显集中于中部廊道，东北和西南地区表现为弱正向.

SC与HQ相似，模型系数较高的因子也是LULC、NIGHTLIGHT和SOM，但相较于后者，SC中的LULC系数和空间分布都有明显差别. LULC因子空间分布差异显著，负向影响主要集中在东部北端地区，系数最低-0.75，而区域其他位置都不同程度呈正向驱动，中部廊道区域系数最高达到1.55. NIGHTLIGHT因子的负向影响集中在中部廊道和东北端，东部南正向影响最高；SOM因子在东北部地区负向明显，系数最低为-0.16，西南部区域主要呈现正向影响，在中部廊道正向驱动最为突出.

在图 5中，WY服务的驱动因子中，LULC因子回归系数的波动最为剧烈，在2017年达到峰值，均值大于6，随后在2022年快速下降至2左右. NIGHTLIGHT因子的系数总体呈正值，但在2017年后表现出轻微下降趋势. SLOPE因子在整个观测期间持续表现出稳定的负相关，而DEM、ET、NDVI、POP和SOM因子的系数接近于0，未表现出显著变化趋势.

图 5 2002~2022年趋势性年度变化的回归系数均值 Fig. 5 Mean annual regression coefficients showing temporal trends from 2002 to 2022

对比WY，在HQ中，SOM因子的系数数值在研究期间始终保持相对较高，但整体呈现逐年下降趋势，从2002年的约0.002 5降至2022年的逼近0.001 5. NIGHTLIGHT因子在观测期间的回归系数则呈现逐渐上升的趋势，从最初的负值（< -0.001）逐渐趋近于零. 其余因子SLOPE、DEM、ET、NDVI、LULC和POP的系数较为接近0且无明显趋势性变化.

而在SC服务中，SLOPE因子在各年份内均表现出显著正相关，趋势稳定；而LULC因子从2002年的正值（约0.10）逐渐下降，在2022年接近于0. NIGHTLIGHT因子的负向影响随时间逐渐增强，表现为回归系数逐年下降趋势. 而DEM、ET、NDVI、POP和SOM因子均保持接近0的水平，变化趋势不明显.

不同生态系统服务的驱动因子回归系数在时序尺度上呈现出显著的差异，但在模型系数上，大小为：WY > SC > HQ，其中HQ远小于前者，这反映了各因子对生态系统服务影响的异质性与动态性.

3.2.3 XGBoost-SHAP

图 6展示了基于XGBoost模型的SHAP值对2002年与2022年生态系统服务（WY、HQ和SC）驱动因素重要性排序的变化情况.

图 6 2002年和2022年驱动因素特征排序变化 Fig. 6 Changes in the ranking of driving factors in 2002 and 2022

2002年，WY的驱动因子影响大小顺序为：LULC > PRE > ET > TMP > DEM > SOM > NDVI > POP > SLOPE > NIGHTLIGHT，其中贡献程度最大的驱动因子为LULC，其次为PRE和ET，其中LULC的SHAP值分布范围较大，正负方向均较为明显，体现出较高的贡献和异质性. HQ服务的驱动因素排序为：PRE > NDVI > ET > TMP > DEM > POP > LULC > SOM > NIGHTLIGHT > SLOPE，其中PRE、NDVI和ET贡献最高，其中PRE的SHAP值相对较高，表明其贡献作用明显. SC服务驱动因子排序为：DEM > SLOPE > TMP > PRE > NDVI > ET > SOM > LULC > POP > NIGHTLIGHT，其影响因素以DEM和SLOPE占主导地位，揭示地形因子在该服务中的显著作用.

至2022年，WY服务中LULC因子仍然表现出最高的重要性，且PRE和ET依旧为次重要的驱动因子，反映出土地利用与气候因子对产水服务的持续显著影响. HQ服务的主要驱动因子有所变化，TMP在该年份的影响超过了PRE和ET，表明年均温的影响有所增强. SC服务的主要驱动因子排序未发生明显变化，仍以DEM和SLOPE因子为主，持续体现出地形因子对土壤保持功能的重要作用.

总体来看，不同生态系统服务的驱动因素重要性排序存在显著差异，且在2002~2022年期间，WY和SC服务的主导驱动因素较为稳定，而HQ服务的主导因素排序发生了一定变化，气温影响有所提升.

3.3 生态系统服务权衡协同分析

本研究采用偏相关分析方法，对2002~2022年的5期生态系统服务的时序数据进行处理. 在消除其他变量干扰的基础上，结合窗口滑动技术提取像素级时间序列，并依据公式（12）与公式（13）计算不同生态系统服务之间的局域偏相关系数. 相关结果通过Python进行可视化分析，展示了渭北旱塬区域服务间协同与权衡的时空格局（见图 7）.

强权衡对应r < -0.5，权衡对应-0.5 < r < -0.2，弱权衡对应-0.2 < r < 0，弱协同作用对应0 < r < 0.2，协同作用对应0.2 < r < 0.5，强协同作用对应r > 0.5 图 7 生态系统服务权衡协同空间分布 Fig. 7 Spatial distribution of trade-offs and synergies among ecosystem services

HQ与SC之间的权衡协同关系相对平衡. 图 7（a）显示，权衡及强权衡区域合计占比为42.15%，协同及弱协同区域共占比为40.70%，弱权衡和弱协同分别占比8.36%和8.78%. 总体而言，HQ与SC之间主要呈现“平衡态”空间结构. 其中，黄土高原丘陵区多为强协同型，集中分布于延安南部与铜川，而延安北部和东部山区则是以权衡和强权衡为主，而中部城郊交错区域则以弱协同或弱权衡为主，空间异质性显著.

WY和SC之间主要表现为协同关系. 如图 7（b）所示，正相关区域占比为74.17%，其中强协同区域达49.59%；相对而言，权衡型区域仅占25.83%. WY与SC在区域尺度上存在较强耦合性. 强协同区分布广泛，尤其是渭南、铜川特征明显，而延安东南部和宝鸡西部边缘则呈现权衡.

在WY和HQ的权衡协同空间分布图中，权衡区域占比为66.55%. 其中，强权衡型区域占比高达42.04%，而强协同区仅占16.81%. 整体空间格局以权衡关系为主，在渭南和咸阳等地分布最为集中，而协同关系集中出现在宝鸡北部和延安东部边缘区域，在区域中部零散分布.

4 讨论 4.1 不同生态系统服务对驱动因子的敏感性差异

本研究中关于驱动因子筛选，与生态系统模型的输入数据存在重合，对于研究输入因子与模型结果的驱动机制是存在合理性的. 首先，所选因子涵盖自然环境类（如降水、气温、归一化植被指数）、人类活动类（如夜间灯光、人口密度、土地利用）与地形变量（如海拔、坡度），符合大量研究中对生态系统服务驱动机制的构建框架^[34~48]. 其次，NDVI、LULC和SLOPE这类变量在InVEST模型参与建模，但它们并未直接线性作用于结果输出，而是通过植被因子权重系数、土壤保持力曲线、多层栅格叠加计算与降雨量或流向模型共同作用. 因此，这些变量与服务输出之间的关系并非线性和透明. 地理探测器、GTWR和XGBoost模型用于驱动因子研究，是对InVEST黑盒输出的外部解析，属于后验数据挖掘工具，用于揭示InVEST输出的空间驱动特征. 因此，即便变量重合，其生态函数和统计函数作用路径是不同层面的因果表达.

模型结果表明，3类服务整体呈增长趋势，尤其HQ和SC提升显著，生态系统服务的演变受自然因子与人类干预共同驱动^[30].

从地理探测器模型的空间解释力差异看，各服务对自然因子的空间响应机制存在显著不同. SLOPE和DEM在3类服务中均为稳定驱动因子，尤其SLOPE是SC的主导变量，高坡度区域对应水土流失风险上升，对土壤保持影响显著. 而WY对LULC、SLOPE和TMP敏感，这反映了在半干旱地区，受降水量限制的条件下，城市扩张带来的地面硬化对径流的汇积和滞留作用，明显强于自然条件下的径汇量^[49]，这反映了人类扩张对于产水量具有显著的提升. HQ则长期受NDVI、TMP和ET驱动，表现出在半干旱地区生境服务的稳定性与植被结构和热能条件紧密相关^[50].

除此之外，驱动因子之间的交互作用显著增强了服务响应强度. WY和SC中的PRE∩LULC、ET∩LULC等组合q值均超过0.70，明显优于单因子，体现出典型的“非线性响应+耦合机制”. 驱动因子的复合作用显著增强了服务响应机制的复杂性^[32]. HQ驱动机制则是由PRE∩TMP主导，这反映了在半干旱地区的气候条件对与生境质量服务的强限制作用^[51].

而在GTWR模型中，SC服务与驱动因子拟合度较差，这主要受两个方向的影响：第一，Rong等在研究中发现，SC的空间异质性较其他生态服务更弱，且在驱动因子中缺少了降雨侵蚀因子^[52]的影响，但在本研究中纳入了降雨量因子、坡度和植被覆盖度，考虑到区域的半干旱气候以及东部黄土高原的区域特性，因此主要的缺失因子是土质因子. 第二，Yang等在研究中指出SC拟合度有限主要因其非线性与局部小尺度扰动难以通过GTWR捕捉^[53]；除此之外，Wen等学者也在金沙江流域生态系统服务的研究中，发现GTWR拟合SC服务时R²明显低于HQ与WY，强调了模型对“聚集型地貌单元”中SC空间变异刻画不足^[54]. GTWR能从线性回归上放映驱动因子与生态系统服务的空间时序特征，但是对于不同的生态系统服务，它的刻画准确度差异较大，因此模型通过结合地理探测器和XGBoost，从多个角度观测驱动因子的驱动影响，补足单一模型在刻画某一生态系统服务的驱动响应的不足.

而除此之外，GTWR模型模拟的系数空间均值效应图中，其回归系数能从另一个维度分析驱动因子的空间驱动差异，对比地理探测器，GTWR可以可视化驱动因子空间影响程度，但是，两者在因子的重要性因子中的表现因子并不完全重合，其因子的影响力描述角度不同，两者在因子交互和空间可视化上都各具优势. 因而在因子重要性上识别需要引入新的识别模型. 而相较于线性模型，XGBoost在因子重要性表达方面更具优势，模型属于集成学习中的梯度提升决策树（GBDT）框架，可自动捕捉因子与响应变量之间的非线性关系与门槛效应，自动识别非线性关系与变量间交互作用^[55]. 除此之外，XGBoost在每棵树的分裂过程中，自动选择最具解释力的特征节点，具有变量自动选择与降维能力，相比线性回归等方法更能突出“真正重要”的驱动因子. 在此基础上，模型与SHAP方法兼容，量化各因子在不同样本下的边际贡献，可以提升模型解释能力与实用价值^[56，57]，对于刻画区域内的驱动因子复杂交互中的因子重要作用更具优势.

4.2 生态系统服务权衡与协同关系

从空间尺度上看，从2002~2022年，WY与SC的权衡协同格局，与地形分布相关. 权衡区域主要出现在延安市北部和东部山区，咸阳与宝鸡中部山脉和宝鸡西部高海拔山地区域，其他区域呈现大范围的协同关系. Yang等^[58]和Liu等^[59]指出延安北部丘陵沟壑和宝鸡以西的高海拔地区，地形起伏剧烈，降水集中，水土流失作用强烈形成典型的“功能互斥区”，平原与低丘陵区域如咸阳至西安周边则表现为显著协同关系.

HQ与SC权衡协同的空间结构在分布范围上比较平衡，延安南部丘陵与铜川地区生态安全格局改善显著，HQ与SC呈现更强的相应趋势^[60]；延安北部与东部山区因地形起伏大，水土流失剧烈，HQ与SC呈现强烈的服务冲突性^[61]；而在咸阳与铜川交界的城郊过渡带，土地利用变化频繁，建设强度高，形成弱协同与弱权衡并存的混合结构^[62].

渭北中部平原区（如咸阳）与关中盆地东缘（如渭南），由于开发强度大、水资源竞争激烈，WY与HQ之间呈现出显著负相关或权衡状态；而宝鸡北部的山地林地，由于人为干扰较小、生境完整性较高，生态服务间的协同强度更大^[58].

图 7结果表明，生态系统服务之间的权衡协同结构并非静态，其具有动态演变特征，除此之外，其区域空间分布差异也较为显著. 如生境质量与产水量在东南部城市扩张区呈现强权衡，表现出土地开发对自然生态空间的侵占；而土壤保持与产水量在北部山地表现出强协同，指向“森林涵养水源-控制侵蚀”的复合生态机制^[63，64].

5 结论

（1）渭北旱塬生态系统服务整体明显改善，空间分布异质性显著. 20a间，WY、HQ和SC最大增量分别为521.87 mm、0.78和275.83 t·km^-2，分布在延安南部和铜川山地丘陵区. 而在宝鸡和渭南等城市边缘区，WY和SC功能下降明显，最大值为364.79 mm和121.28 t·km^-2，生态系统服务呈现出“北高南低、城郊削弱”的时空结构.

（2）不同驱动因子对不同生态服务空间解释力的存在显著差异，且驱动因子之间的交互作用显著增强了空间解释力；WY整体q值水平最高，主要受LULC、SLOPE和PRE驱动. HQ对NDVI、TMP和ET响应明显，但整体呈下降趋势；SC对驱动因子响应最弱，长期以SLOPE为主导，q值稳定、波动小，呈现“地形主导”的结构特征；2002年与2022年双因子交互分析结果，WY中LULC与其他因子的交互作用提升最为显著，HQ和SC中则是气候因子交互作用更明显.

（3）GTWR模型拟合结果中，各因子对生态系统服务影响具有空间异质性与动态性. WY服务中，模型系数较高的因子为LULC、NIGHTLIGHT、SLOPE和SOM；SC与HQ相同，模型系数较高的因子为LULC、NIGHTLIGHT和SOM. 除此之外，不同生态系统服务的驱动因子回归系数在时序尺度上呈现出显著的变化差异，且在模型系数上：WY > SC > HQ.

（4）XGBoost-SHAP模型重要性排序中，不同生态服务的因子重要性顺序存在明显区别. WY的驱动因子影响大小顺序为LULC > PRE > ET > TMP > DEM > SOM > NDVI > POP > SLOPE > NIGHTLIGHT；HQ服务的驱动因素排序为PRE > NDVI > ET > TMP > DEM > POP > LULC > SOM > NIGHTLIGHT > SLOPE；SC服务驱动因子排序为DEM > SLOPE > TMP > PRE > NDVI > ET > SOM > LULC > POP > NIGHTLIGHT.

（5）生态系统服务间存在明显的协同与权衡差异. WY与SC以协同关系为主，正相关区占74.17%，强权衡集中于宝鸡西部、延安东部. WY与HQ则以权衡关系为主，权衡区达66.55%，强权衡集中于渭南、咸阳等中低坡度区，反映出水资源与生境质量的竞争关系. HQ与SC协同与权衡占比相近，空间上呈“北强南弱、中部复杂”特征. 整体上，渭北旱塬生态系统服务空间互动格局可概括为“WY-SC协同主导、WY-HQ权衡显著和HQ-SC基本平衡”，体现出显著的空间异质性与区域差异性.

参考文献

[1]	Costanza R, Arge R, De Groot R, et al. The value of the world's ecosystem services and natural capital[J]. Nature, 1997, 387(6630): 253-260. DOI:10.1038/387253a0
[2]	Huang L S, Du Y, Tang Y. Ecosystem service trade-offs and synergies and their drivers in severely affected areas of the Wenchuan earthquake, China[J]. Land Degradation & Development, 2024, 35(12): 3881-3896.
[3]	Li S H, Yu D Y, Li X Y. Exploring the impacts of ecosystem services on human well-being in Qinghai Province under the framework of the sustainable development goals[J]. Journal of Environmental Management, 2023, 345. DOI:10.1016/j.jenvman.2023.118880
[4]	Mengist W, Soromessa T, Feyisa G L. Responses of soil and water-related ecosystem services to landscape dynamics in the eastern Afromontane biodiversity hotspot[J]. Heliyon, 2023, 9(12). DOI:10.1016/j.heliyon.2023.e22639
[5]	Wang X J, Liu G X, Lin D R, et al. Water yield service influence by climate and land use change based on InVEST model in the monsoon hilly watershed in South China[J]. Geomatics, Natural Hazards and Risk, 2022, 13(1): 2024-2048. DOI:10.1080/19475705.2022.2104174
[6]	Huang Y, Chen X S, Zhu L L. Exploring trade-offs/synergies and drivers of ecosystem services in the Dongting Lake area, China[J]. Sustainability, 2025, 17(4). DOI:10.3390/su17041650
[7]	Cord A F, Bartkowski B, Beckmann M, et al. Towards systematic analyses of ecosystem service trade-offs and synergies: main concepts, methods and the road ahead[J]. Ecosystem Services, 2017, 28: 264-272. DOI:10.1016/j.ecoser.2017.07.012
[8]	Liu J M, Pei X T, Zhu W Y, et al. Scenario modeling of ecosystem service trade-offs and bundles in a semi-arid valley basin[J]. Science of the Total Environment, 2023, 896. DOI:10.1016/j.scitotenv.2023.166413
[9]	Secretariat of the Convention on Biological Diversity, Global Mechanism of the United Nations Convention to Combat Desertification, Consortium Oslo. Valuing the biodiversity of dry and sub-humid lands[M]. Montreal: Secretariat of the Convention on Biological Diversity, 2013.
[10]	Ding Q, Wang L, Fu M C. Spatial characteristics and trade-offs of ecosystem services in arid Central Asia[J]. Ecological Indicators, 2024, 161. DOI:10.1016/j.ecolind.2024.111935
[11]	Geng W L, Li Y Y, Zhang P Y, et al. Analyzing spatio-temporal changes and trade-offs/synergies among ecosystem services in the Yellow River Basin, China[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108825
[12]	Yuan Z R, Liang Y L, Zhao H, et al. Trade-offs and synergies between ecosystem services on the Tibetan Plateau[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2023.111384
[13]	Zhou Y, Chen T, Wang J J, et al. Analyzing the factors driving the changes of ecosystem service value in the Liangzi Lake Basin-a GeoDetector-based application[J]. Sustainability, 2023, 15(22). DOI:10.3390/su152215763
[14]	Guo J, Feng P, Xue H, et al. A framework of ecological security patterns in arid and semi-arid regions considering differences socioeconomic scenarios in ecological risk: Case of Loess Plateau, China[J]. Journal of Environmental Management, 2025, 373. DOI:10.1016/j.jenvman.2024.123923
[15]	Wei C W, Zeng J Q, Wang J P, et al. Assessing the impact of climate and human activities on ecosystem services in the Loess Plateau Ecological Screen, China[J]. Remote Sensing, 2023, 15(19). DOI:10.3390/rs15194717
[16]	Zhou X, Ji G H, Wang F, et al. Analysis of the environmental benefits and driving forces of the development of the "Production–Living–Ecological Space" pattern based on the ERI-ESV Geodetector[J]. Land, 2024, 13(7). DOI:10.3390/land13071059
[17]	Wu L, Luo Y K, Pang S J, et al. Factor analysis of hydrologic services in water-controlled grassland ecosystems by InVEST model and geodetector[J]. Environmental Science and Pollution Research, 2024, 31(13): 20409-20433. DOI:10.1007/s11356-024-32383-1
[18]	Zhang X Q, Yin Q W, Zheng Z W, et al. Dynamic changes and key drivers of ecosystem service values in populous zones on the Tibetan Plateau: a 35-year analysis[J]. Ecological Indicators, 2024, 167. DOI:10.1016/j.ecolind.2024.112620
[19]	Li W S, Jing W J, Tian Y X, et al. Prediction and trade-off analysis of forest ecological service in Hunan Province on explainable deep learning[J]. Forests, 2025, 16(4). DOI:10.3390/f16040604
[20]	Shi T L, Xu H. Study on ecosystem service values of urban green space systems in Suzhou City based on the extreme gradient boosting geographically weighted regression method: spatiotemporal changes, driving factors, and influencing mechanisms[J]. Land, 2025, 14(3). DOI:10.3390/land14030564
[21]	Qu J S, Xu Z L, Dong B, et al. Analyzing trade-offs, synergies, and driving factors of ecosystem services in Anhui Province using spatial analysis and XG-boost modeling[J]. Ecological Indicators, 2025, 171. DOI:10.1016/j.ecolind.2025.113098
[22]	Qiu J Q, Huang T, Yu D Y. Evaluation and optimization of ecosystem services under different land use scenarios in a semiarid landscape mosaic[J]. Ecological Indicators, 2022, 135. DOI:10.1016/j.ecolind.2021.108516
[23]	Wei R H, Fan Y M, Wu H Q, et al. The value of ecosystem services in arid and semi-arid regions: a multi-scenario analysis of land use simulation in the Kashgar region of Xinjiang[J]. Ecological Modelling, 2024, 488. DOI:10.1016/j.ecolmodel.2023.110579
[24]	Li J Y, Zhang C, Zhu S H. Relative contributions of climate and land-use change to ecosystem services in arid inland basins[J]. Journal of Cleaner Production, 2021, 298. DOI:10.1016/j.jclepro.2021.126844
[25]	Rao Y X, Zhou M, Ou G L, et al. Integrating ecosystem services value for sustainable land-use management in semi-arid region[J]. Journal of Cleaner Production, 2018, 186: 662-672. DOI:10.1016/j.jclepro.2018.03.119
[26]	Heaton L, Fullen M A, Bhattacharyya R. Critical analysis of the van Bemmelen conversion factor used to convert soil organic matter data to soil organic carbon data: comparative analyses in a UK loamy sand soil[J]. Espaço Aberto, 2016, 6(1): 35-44.
[27]	Kanagaraj A, Kaliappan S B, Shanmugam T, et al. Quantification techniques of soil organic carbon: an appraisal[J]. Analytical Sciences, 2025, 41(6): 759-776. DOI:10.1007/s44211-025-00746-4
[28]	Wischmeier W H, Smith D D. Prediction rainfall erosion losses from cropland east of the rocky mountains: a guide for selection of practices for soil and water conservation[R]. Washington D C: U.S. Department of Agriculture, 1965.
[29]	Williams J R. The Erosion-Productivity Impact Calculator (EPIC) model: a case history[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 1990, 329(1255): 421-428. DOI:10.1098/rstb.1990.0184
[30]	张岩, 袁建平, 刘宝元. 土壤侵蚀预报模型中的植被覆盖与管理因子研究进展[J]. 应用生态学报, 2002, 13(8): 1033-1036. Zhang Y, Yuan J P, Liu B Y. Advance in researches on vegetation cover and management factor in the soil erosion prediction model[J]. Chinese Journal of Applied Ecology, 2002, 13(8): 1033-1036.
[31]	Xu J, Xiao Y, Xie G D. Analysis on the spatio-temporal patterns of water conservation services in Beijing[J]. Journal of Resources and Ecology, 2019, 10(4): 362-372. DOI:10.5814/j.issn.1674-764x.2019.04.003
[32]	Fotheringham A S, Crespo R, Yao J. Geographical and temporal weighted regression (GTWR)[J]. Geographical Analysis, 2015, 47(4): 431-452. DOI:10.1111/gean.12071
[33]	Chen T, Guestrin C. XGBoost: a scalable tree boosting system[A]. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco, USA: Association for Computing Machinery, 2016. 785-794.
[34]	Wang X Q, Wang B J, Cui F Q. Exploring ecosystem services interactions in the dryland: socio-ecological drivers and thresholds for better ecosystem management[J]. Ecological Indicators, 2024, 159. DOI:10.1016/j.ecolind.2024.111699
[35]	Yan X, Li L H. Spatiotemporal characteristics and influencing factors of ecosystem services in Central Asia[J]. Journal of Arid Land, 2023, 15(1): 1-19. DOI:10.1007/s40333-022-0074-0
[36]	王佳琪, 邢艳秋, 常晓晴, 等. 东北地区生态系统服务空间分布及其驱动因子分析[J]. 环境科学, 2024, 45(9): 5385-5394. Wang J Q, Xing Y Q, Chang X Q, et al. Analysis of spatial distribution of ecosystem services and driving factors in Northeast China[J]. Environmental Science, 2024, 45(9): 5385-5394. DOI:10.13227/j.hjkx.202311022
[37]	何刘洁, 郑博福, 万炜, 等. 长江经济带生态系统服务权衡与协同及其驱动因素[J]. 环境科学, 2024, 45(6): 3318-3328. He L J, Zheng B F, Wan W, et al. Trade-off and synergy of ecosystem services in the Yangtze River economic belt and its driving Factors[J]. Environmental Science, 2024, 45(6): 3318-3328. DOI:10.13227/j.hjkx.202307135
[38]	王奕淇, 孙学莹. 黄河流域生态系统服务价值时空演化及影响因素[J]. 环境科学, 2024, 45(5): 2767-2779. Wang Y Q, Sun X Y. Spatiotemporal evolution and influencing factors of ecosystem service value in the Yellow River Basin[J]. Environmental Science, 2024, 45(5): 2767-2779. DOI:10.13227/j.hjkx.202306163
[39]	徐文彬, 饶良懿. 土地利用和气候变化对农牧交错带生态系统服务的影响[J]. 环境科学, 2023, 44(9): 5114-5124. Xu W B, Rao L Y. Impacts of land use and climate change on ecosystem services in agro-pastoral ecotone[J]. Environmental Science, 2023, 44(9): 5114-5124. DOI:10.13227/j.hjkx.202210002
[40]	Xie L, Wang H W, Liu S H. The ecosystem service values simulation and driving force analysis based on land use/land cover: a case study in inland rivers in arid areas of the Aksu River Basin, China[J]. Ecological Indicators, 2022, 138. DOI:10.1016/j.ecolind.2022.108828
[41]	Li Y G, Liu W, Feng Q, et al. Quantitative assessment for the spatiotemporal changes of ecosystem services, tradeoff–synergy relationships and drivers in the semi-arid regions of China[J]. Remote Sensing, 2022, 14(1). DOI:10.3390/rs14010239
[42]	杨杰, 高凡, 徐海量, 等. 阿克苏河流域生态系统服务价值时空演变及其驱动因素[J]. 环境科学, 2025, 46(4): 2385-2397. Yang J, Gao F, Xu H L, et al. Spatial and temporal evolution of ecosystem service value and its driving factors in the Aksu River Basin[J]. Environmental Science, 2025, 46(4): 2385-2397. DOI:10.13227/j.hjkx.202403026
[43]	Wang X Z, Wu J Z, Liu Y L, et al. Driving factors of ecosystem services and their spatiotemporal change assessment based on land use types in the Loess Plateau[J]. Journal of Environmental Management, 2022, 311. DOI:10.1016/j.jenvman.2022.114835
[44]	解铭威, 周慧荻, 贾文贞, 等. 太原市生态系统服务时空变化及其驱动因素[J]. 环境科学, 2025, 46(3): 1597-1607. Xie M W, Zhou H D, Jia W Z, et al. Spatiotemporal changes and driving factors of ecosystem services in Taiyuan City[J]. Environmental Science, 2025, 46(3): 1597-1607. DOI:10.13227/j.hjkx.202404020
[45]	Gao F J, Cui J F, Zhang S, et al. Spatio-temporal distribution and driving factors of ecosystem service value in a fragile hilly area of North China[J]. Land, 2022, 11(12). DOI:10.3390/land11122242
[46]	Mirghaed F A, Souri B. Contribution of land use, soil properties and topographic features for providing of ecosystem services[J]. Ecological Engineering, 2023, 189. DOI:10.1016/j.ecoleng.2023.106898
[47]	张亚丽, 陈亮, 田义超, 等. 模拟多情景下桂西南峰丛洼地流域土地利用变化及生态系统服务价值的空间响应[J]. 环境科学, 2024, 45(12): 6935-6948. Zhang Y L, Chen L, Tian Y C, et al. Land use change and ecosystem service value measurement in the peak cluster depression basin in southwest Guangxi under simulated multiple scenarios[J]. Environmental Science, 2024, 45(12): 6935-6948. DOI:10.13227/j.hjkx.202312159
[48]	王耕, 张芙榕. 近30年辽河三角洲生态系统服务价值时空演变及影响因素分析[J]. 环境科学, 2024, 45(1): 228-238. Wang G, Zhang F R. Spatial and temporal evolution and impact factors analysis of ecosystem service value in the Liaohe River Delta over the past 30 Years[J]. Environmental Science, 2024, 45(1): 228-238. DOI:10.13227/j.hjkx.202301081
[49]	Lyu X, Jia Y W, Qiu Y Q, et al. Influence of human-induced land use change on hydrological processes in semi-humid and semi-arid region: a case in the Fenhe River Basin[J]. Journal of Hydrology: Regional Studies, 2024, 51. DOI:10.1016/j.ejrh.2023.101605
[50]	Liu Y T, Zhen Z, Zhao Y H. The response mechanism of ecosystem service trade-offs along an aridity gradient in humid and semi-humid regions: a case study of Northeast China[J]. Remote Sensing, 2025, 17(9). DOI:10.3390/rs17091624
[51]	Ge Y S, Li C Z, Zhang T, et al. Temporal and spatial change of habitat quality and its driving forces: the case of Tacheng region, China[J]. Frontiers in Environmental Science, 2023, 11. DOI:10.3389/fenvs.2023.1118179
[52]	Rong Y J, Li K, Guo J W, et al. Multi-scale spatio-temporal analysis of soil conservation service based on MGWR model: a case of Beijing-Tianjin-Hebei, China[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108946
[53]	Yang Z, Gu T C, Zeng Y Y, et al. Spatially non-stationary relationships between landscape fragmentation and soil conservation services in China, 2000-2018[J]. Ecological Indicators, 2024, 160. DOI:10.1016/j.ecolind.2024.111913
[54]	Wen B, Liu C X, Tian X, et al. Interactive effects of ecological land agglomeration and habitat quality on soil erosion in the Jinsha River Basin, China[J]. Land, 2024, 13(2). DOI:10.3390/land13020229
[55]	Xu C G, Xiong W, Zhang S M, et al. Research on the nonlinear relationship between carbon emissions from residential land and the built environment: a case study of Susong County, Anhui Province using the XGBoost-SHAP model[J]. Land, 2025, 14(3). DOI:10.3390/land14030440
[56]	Li X W, Shi L X, Shi Y, et al. Exploring interactive and nonlinear effects of key factors on intercity travel mode choice using XGBoost[J]. Applied Geography, 2024, 166. DOI:10.1016/j.apgeog.2024.103264
[57]	Ponce-Bobadilla A V, Schmitt V, Maier C S, et al. Practical guide to SHAP analysis: Explaining supervised machine learning model predictions in drug development[J]. Clinical and Translational Science, 2024, 17(11). DOI:10.1111/cts.70056
[58]	Yang Y, Yuan X F, An J J, et al. Drivers of ecosystem services and their trade-offs and synergies in different land use policy zones of Shaanxi Province, China[J]. Journal of Cleaner Production, 2024, 452. DOI:10.1016/j.jclepro.2024.142077
[59]	Liu J M, Wang H, Tang B T, et al. Analysis of temporal and spatial dynamics of ecosystem services and trade-offs/synergies during urbanization in the Loess Plateau, China[J]. Land, 2023, 12(12). DOI:10.3390/land12122136
[60]	Luo M Y, Jia X, Zhao Y H, et al. The temporal and spatial characteristics of ecological security pattern in the Loess Plateau, China[J]. Land, 2024, 13(5). DOI:10.3390/land13050570
[61]	Zhu Z Y, Mei Z K, Xu X Y, et al. Landscape ecological risk assessment based on land use change in the Yellow River Basin of Shaanxi, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(15). DOI:10.3390/ijerph19159547
[62]	Xing J C, Zhang J J, Wang J, et al. Ecological restoration in the Loess Plateau, China necessitates targeted management strategy: evidence from the Beiluo River Basin[J]. Forests, 2023, 14(9). DOI:10.3390/f14091753
[63]	张静静, 朱文博, 朱连奇, 等. 伏牛山地区森林生态系统服务权衡/协同效应多尺度分析[J]. 地理科学, 2020, 75(5): 975-988. Zhang J J, Zhu W B, Zhu L Q, et al. Multi-scale analysis of trade-off/synergy effects of forest ecosystem services in the Funiu Mountain Region[J]. Acta Geographica Sinica, 2020, 75(5): 975-988.
[64]	Shi J X, Liang X Y, Wei Z, et al. Spatial–temporal heterogeneity in the influence of landscape patterns on trade-offs/synergies among ecosystem services: a case study of the Loess Plateau of northern Shaanxi[J]. Environmental Science and Pollution Research, 2024, 31(4): 6144-6159.


环境科学 2026, Vol. 47 Issue (6): 3941-3954	PDF