研究背景与意义

生态质量是衡量生态系统结构稳定性和功能完整性的核心指标，直接关系到区域生态安全和社会经济可持续发展。自20世纪末以来，中国实施了一系列重大生态保护与修复工程，在控制水土流失、恢复植被覆盖和改善生态环境方面取得了显著成效。然而，在全国尺度上，生态质量的空间格局、演变趋势及其驱动机制仍缺乏系统、连续和客观的刻画，制约了对生态治理成效的全面评估与精准施策。传统生态质量评价方法在权重设定、数据获取和尺度一致性方面存在明显局限，难以支撑长期、大范围的生态质量动态监测。基于遥感数据的生态质量评估方法为克服上述问题提供了重要手段，但生态质量演变往往受到多种自然与人类因素的共同影响，呈现出显著的空间异质性和非线性特征，单一统计模型难以有效揭示其复杂作用机制。随着人工智能技术的发展，具备高泛化能力和可解释性的模型为生态系统综合分析提供了新的契机。因此，构建融合遥感监测、空间分析和可解释人工智能的综合评估框架，对于系统揭示中国生态质量的时空演变规律、识别关键驱动因素，并为分区生态治理和生态文明建设提供科学支撑，具有重要理论意义和现实价值。

研究内容

基于遥感数据构建了2000—2024 年中国七大区域的年度遥感生态指数（RSEI）时间序列，系统分析生态质量的时空变化趋势。

结合趋势分析与空间自相关方法，揭示生态质量变化的空间集聚特征及其区域差异。

引入TabPFN 模型并结合SHAP 解释框架，构建可解释的人工智能分析体系，定量识别自然因素和人类活动对生态质量变化的影响及其空间异质性。

对比评估TabPFN 与随机森林、XGBoost和TabNet 等主流机器学习模型的预测性能，验证所构建方法在全国尺度生态质量分析中的适用性与优势。

研究结果

2000—2024 年间，中国整体生态质量呈现波动上升趋势，但不同区域在改善幅度和时序特征上存在显著差异，生态质量的空间分布表现出明显的区域集聚特征。

本研究首次将TabPFN 模型应用于生态质量研究，并与SHAP 方法相结合，构建了高效、稳定且具备良好可解释性的分析框架；与RF、XGBoost和TabNet 相比，TabPFN在各区域的预测精度均显著提升，R²提高幅度为6.3%–14.7%。

驱动因素分析表明，生态质量变化是多种自然因素和人类活动共同作用的结果，其中NPP、土地覆被类型和气温等自然因素在大多数区域中发挥主导作用，并总体上对生态质量具有正向影响。

经济发展水平（GDP）等人类活动因子在部分快速城镇化区域对生态质量产生显著负面影响，生态退化压力较为突出，反映出社会经济发展与生态保护之间的矛盾。

研究结果强调了自然过程与人类扰动交互作用对生态质量演变的关键影响，凸显了实施差异化、区域化生态治理策略的必要性。

所提出的TabPFN-SHAP 综合框架为全国尺度生态质量长期监测和驱动机制解析提供了新的技术路径，对精准生态管理和可持续发展决策具有重要参考价值。

原文链接：

https://www.sciencedirect.com/science/article/pii/S0022169425021900#s0110