生态所在干旱区荒漠化风险综合评估方面取得重要进展

图1：研究路线图

图2：环塔里木盆地荒漠化风险（1990—2020）

精准评估荒漠化风险及其驱动机制是干旱区生态安全维系与可持续发展的核心科学问题。传统评估方法难以全面捕捉多维度、非线性的复杂驱动机制特征，而高性能机器学习模型的“黑箱”特性，限制了其在需透明决策依据的生态管理领域的应用。

针对此困境，生态所冯益明研究员团队以环塔里木盆地典型生态敏感区为研究靶区，创新提出并构建了“荒漠化风险综合评价—机器学习高精度预测—SHAP可解释性归因”的三步式研究框架。研究先基于“危险性-暴露性-脆弱性”理论，融合气候条件、土地利用、人类活动等16项核心表征指标，构建主客观耦合的荒漠化风险综合评价指数（CEI）；系统解析了1990—2020年CEI的时空动态格局；最后引入SHAP（SHapley Additive exPlanations）可解释人工智能框架，量化识别了驱动荒漠化风险空间分异与动态演化的关键要素。

研究结果表明，近30年来环塔里木盆地荒漠化风险总体呈“前期快速改善—后期趋于稳定”的时序特征，在2000年前后出现显著转折。研究采用的机器学习模型成功捕捉到荒漠化风险的复杂非线性特征。SHAP可解释性分析进一步揭示，土地利用类型是主导风险空间分异的首要驱动因子，贡献度显著高于其他驱动要素；耕地扩张、载畜量增加及植被覆盖度变化等人类活动，对荒漠化风险的发生与演化具有持续且显著的驱动效应。荒漠化风险重心的时空迁移轨迹进一步佐证，高风险区域的动态迁移主要源于人类活动在绿洲—荒漠过渡带等关键脆弱区域的异质性干扰，而非单一宏观气候要素变化的主导作用。上述发现系统揭示了该区域荒漠化风险“总体改善、局部恶化”的双向演变特征，证实人为土地利用强度是调控风险格局演变的核心机制，同时验证了耦合机器学习与可解释性人工智能解析干旱区荒漠化驱动机制的可行性，为全球同类干旱区构建数据驱动、透明可信的荒漠化风险管理与调控范式提供了方法支撑。

相关成果以“An Explainable Machine Learning Approach (SHAP) to Assessing Desertification Risk and Its Drivers in the Ring-Tarim Basin, 1990–2020”为题，于2025年12月发表于国际学术期刊《Environmental Impact Assessment Review》（中科院一区，IF=11.2）。生态所博士研究生席磊为第一作者，冯益明研究员为通讯作者。研究获新疆第三次科考课题（2021xjkk0304）资助。