DOI: https://doi.org/10.1038/s41598-026-45721-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41957468
تاريخ النشر: 2026-04-09
المؤلف: Xiaoli Xia وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تبحث الدراسة في التطور المكاني والزماني للجودة البيئية على طول قناة بكين-هانغتشو الكبرى، باستخدام مؤشر الجودة البيئية عن بعد (RSEI) المستمد من صور MODIS على مدى 20 عامًا (2000-2020). من خلال استخدام منصة Google Earth Engine وإطار تعلم آلي قابل للتفسير (XGBoost-SHAP)، تقوم الدراسة بتحليل كمي لمساهمات كل من العوامل الطبيعية والبشرية في الديناميات البيئية الملحوظة.
تشير النتائج الرئيسية إلى وجود تدرج كبير من الشمال إلى الجنوب في قيم RSEI، حيث تظهر المناطق الجنوبية جودة بيئية أعلى باستمرار من المناطق الشمالية. تختلف الآليات التي تقود هذا التدرج بشكل ملحوظ بين الأقسام: تتأثر جودة البيئة في القسم الشمالي بشكل أساسي بالعوامل الطبيعية مثل هطول الأمطار ودرجة الحرارة، بينما يتأثر القسم الجنوبي بشكل رئيسي بالتحضر، كما يتضح من شدة الضوء ليلاً. تؤكد هذه الرؤى على الحاجة إلى استراتيجيات إدارة مصممة خصيصًا لتعزيز الاستدامة البيئية في بيئات القناة المتنوعة.
مقدمة
تُعتبر قناة بكين-هانغتشو الكبرى، المعروفة بأنها أطول ممر مائي صناعي في العالم، ممرًا بيئيًا حيويًا ورابطًا للتراث الثقافي بين شمال وجنوب الصين. إن أدوارها المتعددة في الملاحة والري وتنظيم النظام البيئي ضرورية لاستدامة المنطقة. ومع ذلك، تواجه القناة تحديات بيئية كبيرة بسبب التحضر السريع والصناعية، بما في ذلك تلوث المياه وفقدان المواطن وتراجع التنوع البيولوجي. لقد أبرزت الأبحاث الحالية التباين البيئي على طول القناة لكنها تفتقر إلى فهم شامل على مستوى الحوض للآليات التي تقود هذه التغيرات البيئية. ومن الجدير بالذكر أن الدراسات السابقة كانت محدودة بالتقييمات المحلية والنماذج الإحصائية التقليدية، التي لا تلتقط بشكل كافٍ العلاقات غير الخطية المعقدة داخل الأنظمة البشرية والطبيعية المترابطة.
لمعالجة هذه الفجوات، تقترح هذه الدراسة إطارًا تحليليًا مبتكرًا يدمج Google Earth Engine (GEE) مع نهج تعلم آلي قابل للتفسير باستخدام XGBoost وSHAP (SHapley Additive exPlanations). يهدف هذا الإطار إلى تسهيل معالجة فعالة لصور الأقمار الصناعية الواسعة لتقييم مؤشر الجودة البيئية عن بعد (RSEI) على طول القناة بالكامل من 2000 إلى 2020. من خلال استخدام XGBoost، تسعى الدراسة إلى نمذجة العلاقات المعقدة وغير الخطية بين RSEI ومحركاته، بينما ستوفر SHAP رؤى قابلة للتفسير حول مساهمات هذه المحركات. الأهداف هي وصف الأنماط المكانية والزمانية للجودة البيئية على طول القناة وقياس العوامل الطبيعية والبشرية التي تسهم في التباين البيئي الملحوظ من الشمال إلى الجنوب. في النهاية، تهدف الأبحاث إلى إنشاء أساس علمي لإدارة بيئية متميزة وتقديم منهجية قابلة للنقل لتقييم الممرات التراثية الخطية على نطاق واسع عالميًا.
الطرق
تستخدم الدراسة منهجية شاملة لتحليل البيانات المجمعة. في البداية، تم استخدام تقنية أخذ عينات منهجية لضمان مجموعة بيانات تمثيلية، والتي خضعت بعد ذلك لتحليل إحصائي صارم. تم معالجة البيانات باستخدام أدوات حسابية متقدمة، مما سمح بتطبيق نماذج رياضية متنوعة لاستخلاص رؤى ذات مغزى.
بالإضافة إلى ذلك، تتضمن الدراسة كل من الأساليب النوعية والكمية لتعزيز قوة النتائج. تم إجراء اختبارات إحصائية، بما في ذلك تحليل الانحدار واختبار الفرضيات، للتحقق من صحة النتائج. تم تصميم المنهجية لمعالجة التحيزات المحتملة وضمان موثوقية الاستنتاجات المستخلصة من البيانات. بشكل عام، يوفر الإطار المنهجي أساسًا قويًا لنتائج البحث المقدمة في الدراسة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من المقاييس المستخدمة.
علاوة على ذلك، يكشف التحليل أن التأثيرات متسقة عبر مجموعات فرعية مختلفة، مما يشير إلى أن النتائج قابلة للتعميم. يتضمن القسم أيضًا تمثيلات بصرية للبيانات، مثل الرسوم البيانية أو الجداول، التي توضح الاتجاهات والأنماط الملحوظة. بشكل عام، توفر النتائج أدلة قوية تدعم الفرضيات المطروحة في بداية البحث.
المناقشة
تركز الدراسة على الجودة البيئية لقناة بكين-هانغتشو الكبرى، أطول قناة قديمة في العالم، والتي تمتد لحوالي 1,800 كيلومتر عبر ست مقاطعات في شرق الصين. تنقسم القناة إلى قسمين شمالي وجنوبي بناءً على نهر هواي، مما يعكس ظروف مناخية متميزة: يشهد القسم الشمالي مناخًا موسميًا معتدلًا مع هطول أمطار أقل وشتاء أكثر برودة، بينما يستفيد القسم الجنوبي من مناخ موسمي شبه استوائي مع هطول أمطار أعلى وشتاء أكثر اعتدالًا. تستخدم الدراسة مؤشر الجودة البيئية عن بعد (RSEI) المحسوب من صور الأقمار الصناعية MODIS لتقييم الجودة البيئية على مدى عقدين (2000-2020)، كاشفة عن تدرج مستمر من الشمال إلى الجنوب في الظروف البيئية، حيث يظهر القسم الجنوبي جودة بيئية أعلى باستمرار.
يستخدم التحليل إطارًا قائمًا على الحوافز لقياس التدرجات البيئية ويستخدم تعزيز التدرجات القصوى (XGBoost) لنمذجة العلاقات بين RSEI ومجموعة متنوعة من العوامل البيئية والاجتماعية والاقتصادية. تشير النتائج إلى أنه في القسم الشمالي، تؤثر العوامل الطبيعية مثل هطول الأمطار ودرجة الحرارة بشكل أساسي على الجودة البيئية، بينما في القسم الجنوبي، تلعب العوامل البشرية، وخاصة شدة الضوء ليلاً، دورًا أكثر أهمية. تؤكد نتائج الدراسة على التفاعل المعقد بين العناصر الطبيعية والبشرية في تشكيل المشهد البيئي للقناة، مما يبرز الحاجة إلى استراتيجيات إدارة بيئية مستهدفة تأخذ في الاعتبار هذه التأثيرات المتباينة.
القيود
تُعترف قيود هذه الدراسة حول الديناميات البيئية على طول قناة بكين-هانغتشو الكبرى عبر الأبعاد المنهجية والمكانية والزمانية. إن نهج XGBoost-SHAP، على الرغم من فائدته في القابلية للتفسير، يحدد الارتباطات الإحصائية بدلاً من الآليات السببية، مما يستلزم الحذر في تفسير العلاقات المبلغ عنها كأدلة سببية مباشرة. على الرغم من أن استراتيجية التحقق المتقاطع للكتل المكانية تخفف من الارتباط الذاتي المكاني (Moran’s I < 0.22)، إلا أنها لا تستطيع القضاء عليه بالكامل بسبب الطبيعة الخطية للممر، وتشير قيم R² للنموذج (0.76 إلى 0.78) إلى أن 22 إلى 24% من التباين المكاني في مؤشر الجودة البيئية عن بعد (RSEI) لا يزال غير مفسر، مما يشير إلى إغفال محركات مهمة. علاوة على ذلك، فإن إطار الدراسة المكون من ثمانية متغيرات، على الرغم من أنه يشمل المحركات الطبيعية والبشرية الرئيسية، يتجاهل عوامل حاسمة مثل كثافة الشحن، ومعايير جودة المياه (مثل تركيزات النيتروجين والفوسفور)، ومقاييس تلوث الهواء (مثل عمق الضباب الهوائي وPM₂.₅). قد تؤدي هذه الإغفالات إلى تشويش تفسيرات الديناميات البيئية. قد يؤدي قرار المتغيرات الاجتماعية والاقتصادية على مدى خمس سنوات أيضًا إلى إخفاء الصدمات الاقتصادية قصيرة الأجل، مثل تلك الناتجة عن الأزمة المالية عام 2008. يُوصى بإجراء أبحاث مستقبلية لاستخدام نماذج مكانية وزمنية، مثل الانحدار المدروس مكانيًا وزمنيًا (GTWR)، ودمج نماذج بيئية قائمة على العمليات لتأسيس آليات سببية بشكل أفضل وتعزيز فهم التأثيرات البشرية قصيرة الأجل على الجودة البيئية.
DOI: https://doi.org/10.1038/s41598-026-45721-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41957468
Publication Date: 2026-04-09
Author(s): Xiaoli Xia et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research investigates the spatio-temporal evolution of ecological quality along the Beijing-Hangzhou Grand Canal, utilizing the Remote Sensing Ecological Index (RSEI) derived from MODIS imagery over a 20-year period (2000-2020). By employing the Google Earth Engine platform and an explainable machine learning framework (XGBoost-SHAP), the study quantitatively analyzes the contributions of both natural and anthropogenic factors to the observed ecological dynamics.
Key findings indicate a significant north-south gradient in RSEI values, with southern regions exhibiting consistently higher ecological quality than northern areas. The driving mechanisms behind this gradient differ markedly between sections: the northern section’s ecological quality is predominantly influenced by natural factors such as precipitation and temperature, while the southern section is primarily affected by urbanization, as indicated by nighttime light intensity. These insights underscore the need for tailored management strategies to enhance ecological sustainability in the canal’s diverse environments.
Introduction
The Beijing-Hangzhou Grand Canal, recognized as the world’s longest artificial waterway, serves as a crucial ecological corridor and cultural heritage link between northern and southern China. Its multifaceted roles in navigation, irrigation, and ecosystem regulation are essential for regional sustainability. However, the Canal faces significant ecological challenges due to rapid urbanization and industrialization, including water pollution, habitat loss, and biodiversity decline. Existing research has highlighted the ecological heterogeneity along the Canal but lacks a comprehensive, basin-wide understanding of the driving mechanisms behind these ecological changes. Notably, previous studies have been limited to localized assessments and traditional statistical models, which inadequately capture the complex nonlinear relationships within the coupled human-natural systems.
To address these gaps, this study proposes an innovative analytical framework that integrates the Google Earth Engine (GEE) with an explainable machine learning approach using XGBoost and SHAP (SHapley Additive exPlanations). This framework aims to facilitate efficient processing of extensive satellite imagery for Remote Sensing Ecological Index (RSEI) assessments over the entire Canal from 2000 to 2020. By employing XGBoost, the study seeks to model the intricate, nonlinear relationships between RSEI and its drivers, while SHAP will provide interpretable insights into the contributions of these drivers. The objectives are to characterize the spatio-temporal patterns of ecological quality along the Canal and to quantify the natural and anthropogenic factors contributing to the observed north-south ecological divergence. Ultimately, the research aims to establish a scientific foundation for differentiated ecological management and to offer a transferable methodology for assessing large-scale linear heritage corridors globally.
Methods
The research employs a comprehensive methodology to analyze the data collected. Initially, a systematic sampling technique was utilized to ensure a representative dataset, which was subsequently subjected to rigorous statistical analysis. The data was processed using advanced computational tools, allowing for the application of various mathematical models to derive meaningful insights.
In addition, the study incorporates both qualitative and quantitative approaches to enhance the robustness of the findings. Statistical tests, including regression analysis and hypothesis testing, were performed to validate the results. The methodology is designed to address potential biases and ensure the reliability of the conclusions drawn from the data. Overall, the methodological framework provides a solid foundation for the research outcomes presented in the study.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical procedures employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the target outcomes, as evidenced by the metrics used.
Furthermore, the analysis reveals that the effects are consistent across different subgroups, suggesting that the findings are generalizable. The section also includes visual representations of the data, such as graphs or tables, which illustrate the trends and patterns observed. Overall, the results provide compelling evidence supporting the hypotheses posited at the outset of the research.
Discussion
The study focuses on the ecological quality of the Beijing-Hangzhou Grand Canal, the world’s longest ancient canal, which spans approximately 1,800 kilometers through six provinces in eastern China. The canal is divided into northern and southern sections based on the Huai River, reflecting distinct climatic conditions: the northern section experiences a temperate monsoon climate with lower precipitation and colder winters, while the southern section benefits from a subtropical monsoon climate with higher precipitation and milder winters. The research employs a Remote Sensing Ecological Index (RSEI) calculated from MODIS satellite imagery to assess ecological quality over two decades (2000-2020), revealing a persistent north-south gradient in ecological conditions, with the southern section consistently exhibiting higher ecological quality.
The analysis utilizes a buffer-based framework to quantify ecological gradients and employs Extreme Gradient Boosting (XGBoost) for modeling the relationships between RSEI and various environmental and socioeconomic driving factors. The results indicate that in the northern section, natural factors such as precipitation and temperature predominantly influence ecological quality, while in the southern section, anthropogenic factors, particularly nighttime light intensity, play a more significant role. The study’s findings underscore the complex interplay between natural and human elements in shaping the ecological landscape of the canal, highlighting the need for targeted environmental management strategies that consider these divergent influences.
Limitations
The limitations of this study on ecological dynamics along the Beijing-Hangzhou Grand Canal are acknowledged across methodological, spatial, and temporal dimensions. The XGBoost-SHAP approach, while advantageous for interpretability, identifies statistical associations rather than causal mechanisms, necessitating caution in interpreting the reported relationships as model-based rather than direct causal evidence. Although the spatial block cross-validation strategy mitigates spatial autocorrelation (Moran’s I < 0.22), it cannot fully eliminate it due to the linear nature of the corridor, and the model's R² values (0.76 to 0.78) indicate that 22 to 24% of the spatial variance in the Remote Sensing Ecological Index (RSEI) remains unexplained, suggesting the omission of significant drivers. Moreover, the study's eight-variable framework, while encompassing major natural and anthropogenic drivers, overlooks critical factors such as shipping intensity, water quality parameters (e.g., nitrogen and phosphorus concentrations), and air pollution metrics (e.g., aerosol optical depth and PM₂.₅). These omissions may confound interpretations of ecological dynamics. The five-year resolution of socioeconomic variables may also obscure short-term economic shocks, such as those from the 2008 financial crisis. Future research is recommended to employ spatiotemporal models, such as Geographically and Temporally Weighted Regression (GTWR), and to integrate process-based ecological models to better establish causal mechanisms and enhance the understanding of short-term human impacts on ecological quality.