基于XGBoost-SHAP模型的城市绿蓝景观格局对碳固存的影响｜附AI精读指令

本文创新性地将XGBoost-SHAP模型应用于城市绿蓝空间格局与碳固存效益的关系研究，克服了传统线性分析方法难以捕捉复杂非线性关系的局限，提供了全局与局部特征的解释性分析。以南京中心城区为研究对象，结合多期遥感数据与景观格局指标，系统揭示了绿蓝空间形态、连接性及聚合度对碳固存效益的影响机制。研究不仅填补了绿蓝空间整体格局与生态效益关系研究的空白，还为优化城市空间规划与实现碳中和目标提供了理论依据与技术支持，具有重要的实践意义。

创新的研究方法：本文将XGBoost-SHAP模型引入绿蓝空间与碳固存效益研究，突破传统线性模型的局限，揭示了复杂非线性关系，并通过特征重要性分析实现模型的全局与局部解释，提升了结果的科学性和可操作性。

多尺度景观分析：通过整合景观格局指标与碳固存效益，系统分析了绿蓝空间的形态特征、连接性和聚合度在不同时间尺度上的动态变化，深入探讨其对碳固存的影响机制。

研究区域与数据优势：以南京中心城区为研究对象，结合2000年、2010年和2020年的多期高分辨率遥感数据，全面覆盖绿蓝空间分布特征，为研究提供了高质量的数据基础。

实践与政策意义：研究成果为优化城市绿蓝空间格局提供了科学依据，支持低碳城市规划与碳中和目标的实现，对提升城市生态功能和应对气候变化具有重要的实践价值。

👉总结来说，本文揭示绿蓝空间格局对碳固存的非线性影响，为低碳城市规划与碳中和目标提供科学依据，具有重要理论与实践意义。

研究区域

本研究以南京市中心城区为例，利用XGBoost-SHAP模型探讨城市绿蓝空间格局对碳固存效益的非线性影响。当前研究多聚焦单一绿地或蓝地的碳固存功能，缺乏对整体空间格局影响机制的系统分析，且多采用线性模型，难以捕捉复杂关系。南京研究区面积804平方公里，绿化覆盖率45.16%，但绿蓝空间分布不均。本文基于2000年、2010年和2020年的多期遥感数据，结合景观格局指标与机器学习模型，揭示了绿蓝空间格局特征对碳固存效益的关键影响因素，并提供全局与局部解释，填补了相关研究空白，为城市绿蓝空间优化与碳中和目标提供了科学依据。

研究框架

STEP1：特征量化与数据处理

研究方法：景观格局分析与遥感数据处理。

所用模型：CASA模型计算净初级生产力（NPP）；Fragstats量化景观格局指标。

目标：获取绿蓝空间的空间格局特征与NPP数据，为后续分析提供基础。

STEP2：模型构建与训练

研究方法：机器学习模型构建。

所用模型：XGBoost模型结合随机采样点，训练绿蓝空间格局特征与NPP之间的关系。

目标：建立准确预测碳固存效益的模型，并验证模型性能。

STEP3：结果解读与机制分析

研究方法：特征重要性与非线性关系解析。

     所用模型：SHAP解释XGBoost模型，全局与局部层面分析特征对NPP的影响。

目标：揭示绿蓝空间格局对碳固存效益的关键影响因素及作用机制。

1.土地利用数据

来源：Landsat-5、Landsat-7、Landsat-8遥感影像（2000、2010、2020年）；

类型：30m分辨率遥感影像，经辐射校正、大气几何校正、条带修复后，分类为绿地、蓝地等。

2.气象数据

来源：地理遥感生态网络；

类型：月平均温度、降水量、太阳辐射，通过ArcGIS克里金插值生成年均栅格数据。

3.植被数据

来源：地理遥感生态网络；

类型：植被类型分布图与归一化植被指数（NDVI），用于支持CASA模型的NPP计算。

4.NPP数据

来源：MODIS MOD17A3HGF.v006数据集；

类型：500m分辨率年均NPP，用于验证CASA模型计算结果的可靠性。

利用ArcGIS 10.7中的重分类工具，利用南京市2000年、2010年和2020年的土地利用分类数据，将森林和草地重分类为绿地，水体重分类为绿地，最终生成南京中心城区三年的城市绿蓝空间分布图。

绿蓝空间的分布图

城市绿蓝景观空间格局分析

基于景观格局指标计算，南京中心城区绿蓝空间从2000年到2020年发生显著变化。斑块层面指标显示面积（AREA）、周长（PERIM）、回旋半径（GYRATE）和分形维数（FRAC）均呈增加趋势，圆形度（CIRCLE）逐年下降，表明斑块形状更加复杂。类型层面指标显示绿蓝空间比例（PLAND）、最大斑块指数（LPI）和斑块聚合度（COHESION）逐年增加，分割指数（SPLIT）显著下降，说明绿蓝空间聚合度提升、破碎化减轻。大斑块（如玄武湖、紫金山等）的连接性显著改善，小型绿蓝空间分布更加均匀。

 NPP估算结果及比较

该图展示南京中心城区在2000年、2010年和2020年NPP的空间分布变化。结果表明，研究区内NPP总体呈现逐年上升趋势，尤其是核心绿蓝空间（如紫金山、玄武湖周边）增长显著，表明绿蓝空间优化有效提升了碳固存效益。同时，外围区域的NPP增幅相对较小，空间差异显现。NPP的提升反映了绿蓝空间面积增加、连接性增强及破碎化减轻对生态功能的正向作用，为低碳城市规划提供了支持。

南京中心城区NPP计算结果

基于XGBoost模型和SHAP解释的相关性分析

整体模型精度

通过XGBoost模型构建绿蓝空间格局特征与NPP的关系模型，训练集与测试集的R²分别达到0.981和0.976，表明模型预测精度较高，能够有效捕捉复杂非线性关系。相比传统线性回归模型，XGBoost能够更准确地反映多维景观特征对碳固存效益的综合影响，为进一步解释关键影响因素提供可靠基础。

XGBoost模型的SHAP总结图

(a) 斑块层面特征：面积（AREA）、连接度（CONTIG）和分形维数（FRAC）对NPP具有显著正向作用，圆形度（CIRCLE）和回旋半径（GYRATE）负向作用明显，表明更大、更复杂且高连接性的斑块能有效提升碳固存效益。
(b) 类型层面特征：面积比例（PLAND）、聚合度（COHESION）和边缘密度（ED）对NPP贡献显著，分割指数（SPLIT）呈负向作用，说明更高的空间聚合度与分布均匀性对碳固存的提升具有关键作用。

XGBoost模型的SHAP汇总图-(a)补丁级的特征(b)类级的特征

特性依赖分析

该图展示斑块层面特征对NPP的非线性影响。面积（AREA）与周长（PERIM）显著正向提升NPP，但在500公顷和2500米以上趋于饱和，表现出阈值效应。分形维数（FRAC）和周长-面积比（PARA）正向影响显著，说明形状复杂的斑块能更有效提升碳固存效益。圆形度（CIRCLE）负相关，表明规则形状可能限制生态功能。连接度（CONTIG）对NPP正向影响显著，尤其在高连接性（>0.8）时，生态效益显著增强。

补丁级特征的依赖图

该图展示类型层面特征对NPP的非线性影响。面积比例（PLAND）和聚合度（COHESION）对NPP具有显著正向作用，尤其当面积比例接近30%时，碳固存效益达到最佳。边缘密度（ED）显示边界效应能有效提升碳固存功能。分割指数（SPLIT）与NPP呈显著负相关，表明破碎化不利于碳固存效益。景观形状指数（LSI）在中等复杂性（1.2-1.3）时对NPP有正向促进作用，过于复杂可能降低效益。

类级特征的依赖关系图

研究创新点

*非线性关系揭示：创新性地引入XGBoost-SHAP模型，突破传统线性分析方法，全面揭示绿蓝空间格局特征与碳固存效益之间的非线性关系，并实现全局与局部层面的模型可解释性。

*综合多维特征分析：结合斑块层面和类型层面景观格局指标，通过特征重要性排序与依赖性分析，系统探讨绿蓝空间形态、连接性及聚合度对碳固存效益的多维影响机制。

*实践导向的优化路径：基于南京中心城区2000至2020年的格局变化与碳固存效益评估，提出科学的绿蓝空间优化建议，为城市低碳发展和碳中和目标提供实践指导。

研究结论

（1）绿蓝空间格局特征对碳固存效益的显著影响。研究表明，绿蓝空间的形态特征、连接性和聚合度对碳固存效益具有显著影响。斑块层面上，面积（AREA）、分形维数（FRAC）和连接度（CONTIG）正向促进碳固存，而圆形度（CIRCLE）和回旋半径（GYRATE）呈负相关。类型层面上，面积比例（PLAND）、聚合度（COHESION）和边缘密度（ED）显著提升NPP，而分割指数（SPLIT）负向作用明显。这表明，优化绿蓝空间格局、增强空间聚合性和减少破碎化是提升碳固存效益的关键路径。

（2）非线性影响与优化策略。通过XGBoost-SHAP模型揭示了绿蓝空间特征与碳固存效益的非线性关系。特征对NPP的影响存在阈值效应，例如面积和周长的效益增长在一定范围后趋于平缓，说明绿蓝空间的碳固存能力并非无限增长。基于结果，建议优化绿蓝空间比例至30%左右，提升核心斑块的连接性与复杂形状，并减少空间破碎化，为提升城市生态系统服务功能提供科学依据。

（3）方法与实践意义。本文构建的XGBoost-SHAP模型框架成功捕捉了复杂非线性关系，并提供全局与局部解释，为研究绿蓝空间格局与生态效益的关系提供了新视角。结果为低碳城市规划和碳中和目标实现提供了科学指导，强调通过合理配置绿蓝空间、增强生态网络连通性，提升城市整体碳固存效益的实践意义。