基于XGBoost-SHAP方法的黄土高原生态质量演变及驱动因素分析

doi:10.7522/j.issn.1000-694X.2026.00032

摘要/Abstract

摘要：

为研究黄土高原生态质量的长期演变并揭示其驱动机制，本文以2000—2025年为研究期，基于遥感生态指数（RSEI）构建生态质量时空序列，开展等级结构与转移特征分析，并结合Sen趋势估计与Mann-Kendall检验识别变化方向及显著性；在驱动机制方面，选取2000、2010、2020年为代表年份，整合气候、地形、土地利用及人类活动等因子，构建XGBoost模型并引入SHAP实现贡献分解与非线性响应识别。结果表明：（1）黄土高原多年RSEI均值为0.449，生态质量空间格局呈东南高、西北低的梯度分异，等级结构以一般与较差为主体，高等级区域呈带状或斑块状集聚；（2）2000—2025年生态质量整体改善，RSEI年均值由0.395升至0.474，低等级面积占比由53.86%降至35.40%，等级结构向中高等级方向调整；（3）5 a尺度等级转移以稳定保持为主，稳定比例为65.99%~80.32%，转移以相邻等级间的渐进转换为主要形式，不同阶段改善与退化强度存在差异；（4）驱动因素中水分相关因子稳定主导，年降水量与水分亏缺贡献居前，关键因子存在阈值与分段响应特征，表现为坡度约在10°附近由弱负贡献转为正贡献、年降水量约在400 mm附近由抑制转为促进、水分亏缺约在50 mm附近由正向或近零贡献跃迁为稳定负贡献。研究结果可为黄土高原生态质量的长期监测评估、分区治理与生态工程优化提供定量依据与机制参考。

关键词: 黄土高原, RSEI, 时空演变, 等级转移, XGBoost, SHAP, 驱动因素

Abstract:

To characterize long-term changes in eco-environment quality on the Loess Plateau and to reveal the underlying drivers， we constructed a spatiotemporal series of eco-environment quality for 2000-2025 using the Remote Sensing Ecological Index （RSEI）. Class structure and transitions were analyzed， and Sen's slope estimation and the Mann-Kendall test were applied to identify change direction and significance. For mechanism interpretation， three representative years （2000， 2010， and 2020） were selected. Climate， topography， land use， and human-activity factors were integrated to develop XGBoost models， and SHAP was employed to decompose contributions and identify nonlinear responses. The results show that：（1） The multi-year mean RSEI was 0.449， with a distinct southeast-northwest gradient （higher in the southeast and lower in the northwest）； the class composition was dominated by the “moderate” and “poor” categories， while higher-quality classes exhibited banded or patchy clustering. （2） Eco-environment quality improved overall from 2000 to 2025， with the annual mean RSEI increasing from 0.395 to 0.474 and the areal proportion of low-quality classes decreasing from 53.86% to 35.40%， indicating a structural shift toward medium-to-high classes. （3） Five-year class transitions were dominated by persistence， with stable proportions of 65.99%-80.32%， and changes mainly occurred as gradual shifts between adjacent classes， although the relative strength of improvement and degradation varied among periods. （4） Water-related factors consistently played a dominant role， with annual precipitation and water deficit ranking highest in contribution， and key drivers exhibited threshold and segmented responses， including a transition of slope effects from weakly negative to positive at approximately 10°， a shift of precipitation effects from inhibiting to promoting at around 400 mm， and a shift of water-deficit effects from positive or near-zero to persistently negative at about 50 mm. These findings provide quantitative evidence and mechanistic insights to support long-term monitoring and assessment， zoned management， and optimization of ecological restoration projects on the Loess Plateau.

Key words: Loess Plateau, RSEI, spatiotemporal dynamics, class transition, XGBoost, SHAP, driving factors

中图分类号:

X826

李晓鹏, 李康, 徐静, 贾富贵, 雷双. 基于XGBoost-SHAP方法的黄土高原生态质量演变及驱动因素分析[J]. 中国沙漠, 2026, 46(3): 175-186.

Xiaopeng Li, Kang Li, Jing Xu, Fugui Jia, Shuang Lei. Eco-environment evolution and driving factors of the Loess Plateau based on the XGBoost-SHAP approach[J]. Journal of Desert Research, 2026, 46(3): 175-186.

图/表 11

图1 黄土高原土地利用

Fig.1 Land use on the Loess Plateau

表1 Sen+M-K变化趋势分类

Table 1 Classification of change trends based on Sen+M-K methods

$β$	Z	变化趋势
$β$ >0	2.58<Z	极显著增加
	1.96<Z≤2.58	显著增加
	1.65<Z≤1.96	微显著增加
	Z≤1.65	不显著增加
$β$ =0		无变化
$β$ <0	Z>-1.65	不显著减少
	-1.96<Z≤-1.65	微显著减少
	-2.58<Z≤-1.96	显著减少
	Z≤-2.58	极显著减少

表1 Sen+M-K变化趋势分类

Table 1 Classification of change trends based on Sen+M-K methods

$β$	Z	变化趋势
$β$ >0	2.58<Z	极显著增加
	1.96<Z≤2.58	显著增加
	1.65<Z≤1.96	微显著增加
	Z≤1.65	不显著增加
$β$ =0		无变化
$β$ <0	Z>-1.65	不显著减少
	-1.96<Z≤-1.65	微显著减少
	-2.58<Z≤-1.96	显著减少
	Z≤-2.58	极显著减少

图2 黄土高原RSEI均值分布

Fig.2 Spatial distribution of mean RSEI on the Loess Plateau

图3 黄土高原RSEI 5 a间隔空间分布

Fig.3 Spatial distribution of RSEI at five-year intervals on the Loess Plateau

图4 黄土高原RSEI各等级面积占比

Fig.4 Area proportions of RSEI classes on the Loess Plateau

图5 2000—2025年黄土高原RSEI各等级面积转移桑基图

Fig.5 RSEI class transitions on the Loess Plateau in 2000-2025

图6 黄土高原生态质量Sen趋势和M-K检验结果

Fig.6 Sen trend and M-K test results of ecological quality on the Loess Plateau

表2 XGBoost模型评估指标

Table 2 Evaluation metrics of the XGBoost model

评价指标	2000年	2010年	2020年
R²	0.842	0.823	0.871
MAE	0.024	0.027	0.022
RMSE	0.031	0.034	0.029

图7 黄土高原RSEI影响因子SHAP值排序

Fig.7 SHAP-based ranking of RSEI drivers on the Loess Plateau

图8 黄土高原RSEI驱动因子贡献差异SHAP蜂群图

Fig.8 SHAP beeswarm plot of RSEI drivers on the Loess Plateau

图9 驱动因子交互作用

Fig.9 Interaction effects among driving factors

参考文献 33

[1]	石学瑾，张彪，郭家龙，等.黄土高原典型小流域土壤侵蚀时空演变［J］.地理学报，2024，79（7）：1787-1803.
[2]	Feng X， Fu B， Piao S，et al.Revegetation in China's Loess Plateau is approaching sustainable water resource limits［J］.Nature Climate Change，2016，6（11）：1019-1022.
[3]	张琨，吕一河，傅伯杰，等.黄土高原植被覆盖变化对生态系统服务影响及其阈值［J］.地理学报，2020，75（5）：949-960.
[4]	Zhang B， Tian L， Yang Y，et al.Revegetation does not decrease water yield in the Loess Plateau of China［J］.Geophysical Research Letters，2022，49（9）：e2022GL098025.
[5]	王明宇，吴成永，陈克龙.青海湖流域植被绿度时空变化及影响因素［J］.中国沙漠，2025，45（5）：289-300.
[6]	顾杨旸，赵文吉，吴舒祺.1980-2020年黄河流域气象干旱时空变化特征［J］.中国农业气象，2025，46（8）：1192-1205.
[7]	徐涵秋.城市遥感生态指数的创建及其应用［J］.生态学报，2013，33（24）：7853-7862.
[8]	Kang S， Jia X， Zhao Y，et al.Spatiotemporal variation and driving factors of ecological environment quality on the Loess Plateau in China from 2000 to 2020［J］.Remote Sensing，2024，16（24）：4778.
[9]	王卫国，谢欢，冯国庆，等.京津风沙源治理工程区生态环境质量及驱动力［J］.中国沙漠，2025，45（4）：139-152.
[10]	白萌，莫兴国，莫淑红，等.生态恢复背景下陕北黄土高原水碳平衡演变及驱动机制研究［J］.地理研究，2025，44（11）：3180-3200.
[11]	刘健松，蔡音飞，王雅茹，等.黄土高原典型矿区生态脆弱性时空特征与驱动分析［J］.水土保持研究，2025，32（4）：217-226.
[12]	Chen T， Guestrin C.XGBoost：A scalable tree boosting system［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2016：785-794.
[13]	杨佳，斛如媛，赵海平，等.基于XGBoost-SHAP的三峡库区生态屏障区生态系统服务权衡及驱动力分析［J］.水土保持学报，2025，39（6）：127-138.
[14]	孟飞，钱鑫彤，田浩.黄河流域改进遥感生态指数的多模型对比分析［J］.生态学杂志，2025，44（11）：3830-3840.
[15]	季翔林，阎跃观，郭伟，等.耦合遥感生态指数模型的山西省及规划矿区生态环境评价［J］.煤田地质与勘探，2023，51（3）：103-112.
[16]	Lundberg S M， Erion G， Chen H，et al.From local explanations to global understanding with explainable AI for trees［J］.Nature machine intelligence，2020，2（1）：56-67.
[17]	Xia J， Zhang G， Ma S，et al.Spatial heterogeneity of driving factors in multi-vegetation indices RSEI based on the XGBoost-SHAP model：a case study of the Jinsha River Basin，Yunnan［J］.Land，2025，14（5）：925.
[18]	许银，袁江，符素华.黄土高原切沟汇水区植被恢复模式对土壤饱和导水率的影响及机制［J］.水土保持学报，2025，39（5）：138-146.
[19]	潘占冬，王轶夫，王可月，等.基于改进型遥感生态指数的将乐县生态质量评估及驱动分析［J］.环境科学，2025，46（10）：6419-6431.
[20]	李晓鹏，李康，雷双，等.基于TVDI的新疆地区干旱时空变化特征［J］.干旱区研究，2025，42（4）：589-599.
[21]	Lundberg S M， Lee S I.A unified approach to interpreting model predictions［C］//Advances in Neural Information Processing Systems，2017，30：4765-4774.
[22]	Liu M H， Luo X L， Qi L A，et al.Simulation of the spatiotemporal distribution of PM_2.5 concentration based on GTWR-XGBoost two stage model：a case study of Chengdu Chongqing economic circle［J］.Atmosphere，2023，14（1）：115.
[23]	陈宜欣，宁晓刚，张翰超，等.遥感生态指数（RSEI）模型及应用综述［J］.自然资源遥感，2024，36（3）：28-40.
[24]	李双双，段生勇，胡佳岚，等.黄土高原植被变化主导空间模态及其影响因素［J］.地理学报，2024，79（7）：1768-1786.
[25]	Zhang J， Yang G， Yang L，et al.Dynamic monitoring of environmental quality in the Loess Plateau from 2000 to 2020 using the Google Earth Engine platform and the remote sensing ecological index［J］.Remote Sensing，2022，14（20）：5094.
[26]	李慧，张少伟，赵阳.黄河流域黄土高原生态质量时空演变格局及其驱动因素［J］.水土保持研究，2024，31（4）：233-240.
[27]	王经宇，杨丽萍，王美，等.陕北黄土高原生态环境质量时空变化监测及驱动力分析［J］.环境科学，2025，46（7）：4522-4533.
[28]	Wu S， Yue Z， Wang W.Three-dimensional identification and characterization of drought events in the Loess Plateau［J］.Remote Sensing，2025，17（17）：3049.
[29]	Zhou X， Liu G， Wu Y，et al.XGBoost-SHAP based multi-scale evaluation and nonlinear response of river health in Guangdong Province［J］.Ecological Indicators，2025，178：114138.
[30]	Xiong Y， Sun Z， Shen H，et al.Spatiotemporal dynamics of annual precipitation and future projections of China's 400 mm isohyet［J］.Remote Sensing，2025，17（17）：3078.
[31]	吴向莹，游智，杨曾慧子，等.长江中下游矿冶流域生态系统服务价值时空演变与多情景模拟［J］.环境科学与技术，2025，48（S1）：179-193.
[32]	郑金涛，金晓媚，李晴，等.基于地理探测器的张承地区表层土壤湿度变化的驱动因素分析［J］.水文地质工程地质，2024，51（2）：204-214.
[33]	雷可欣，张怀清，邱汉清，等.国家公园生态系统服务时空变化特征及其影响因素［J］.生态学报，2025，45（23）：11442-11462.