基于可解释机器学习与云遥感技术的山地梯田退化与生态修复动态监测研究

本研究针对黄河流域梯田退化量化不足的问题，通过融合多源遥感数据与可解释机器学习（SHAP算法），构建了GEE-Colab云端处理框架。团队采用随机森林/LightGBM模型（F1>0.96）揭示地貌特征（37.2%）与SAR纹理（27.6%）是关键预测因子，发现2015-2024年间农业梯田减少20%，首次实现退化过程的可解释性监测。

　　

通过可解释机器学习（Explainable Machine Learning）与云端遥感技术，研究人员构建了山地梯田退化与修复监测框架。该研究整合哨兵系列卫星影像（Sentinel-1/2）、数字高程模型（DEM）衍生地形特征与土地覆盖产品，依托谷歌地球引擎（Google Earth Engine）与Colab平台实现高效数据处理。采用集合特征选择（EFS）方法结合基尼重要性（Gini importance）与递归特征消除（RFECV）进行特征优化，通过随机森林（Random Forest）和轻量梯度提升机（LightGBM）模型达成超过91%的分类精度（F1-score>0.96）。SHAP（SHapley Additive exPlanations）算法解析显示，地貌特征（贡献度37.2%）与合成孔径雷达纹理特征（SAR texture，27.6%）是主导预测因子。研究发现2015-2024年间农业梯田面积减少超20%，其中2018-2021年退化最为显著，这些区域持续呈现低C波段雷达后向散射系数（VV/VH），反映结构退化与植被覆盖波动。相反，草本植被覆盖的梯田在凸坡扩张，暗示部分生态修复进程。该框架为侵蚀敏感区域的可持续土地管理提供了可量化、可解释的技术路径。