基于强化学习的湖盔盆地可持续土地利用配置

不可持续的土地利用实践威胁生态敏感区域的生物多样性、水资源及数百万人的生计。本文提出一种深度强化学习（RL）框架，用于优化湖盔盆地的土地利用配置，以最大化总生态系统服务价值（ESV）。基于 Costanza 等人的效用转移方法，我们赋予每个生态系统特定的 ESV 系数——以马拉维湿地估值贴近本地为依据——并应用来自 Sentinel-2 影像的九种土地覆盖类别。RL 环境以 50×50 单元格网格（分辨率为 500 米）建模，Proximal Policy Optimization（PPO）智能体通过动作掩码依次在可修改的土地覆盖类别之间转移土地像素。奖励函数将每个单元格的生态价值与空间连贯性目标相结合：为生态连接的土地利用块（森林、农作物、建筑区等）提供连通性奖励，为靠近水体的高影响开发区施加缓冲区惩罚。我们在三个情景下评估该框架：（i）纯 ESV 最大化，（ii）ESV 加上空间奖励塑造，（iii）再生农业政策情景。结果表明，智能体有效学习了如何增加总 ESV；空间奖励塑造成功引导配置趋向生态合理的模式，包括形成均匀的土地利用聚类区及靠近水体的森林轻度Consolidation；该框架对政策参数变更作出有意义的响应，证明其作为环境规划情景分析工具的实用性。