融合时空多维特征的干旱承灾体精细分类方法及其在生态脆弱区监测中的应用

针对干旱胁迫下作物与草地亚类光谱混淆难题，中科院团队提出融合季节物候时序特征与空间约束的多维分类框架，基于Sentinel-2影像与269个实地采样点构建优化随机森林模型，总体精度达91.9%（Kappa=0.89），较传统光谱方法提升18.9%，为干旱灾害链防控提供新范式。

　　

在全球气候变化加剧干旱威胁的背景下，干旱已成为影响农业和生态系统的首要自然灾害。联合国防治荒漠化公约（UNCCD）报告显示，2000年以来全球干旱事件频率增加29%，直接经济损失超1240亿美元。作为干旱直接作用对象的作物和草地（统称干旱承灾体），其类型识别精度直接影响灾害风险评估的可靠性。然而，现有遥感分类方法依赖单一光谱特征，难以克服小麦/玉米光谱混淆和草地亚类同质化问题，传统方法精度仅73%。这一瓶颈严重制约着干旱暴露评估、脆弱性建模等关键环节的科学性。

针对这一挑战，中国科学院团队以中国西北干旱区典型流域——伊犁河流域（42°14′-44°50′N, 80°09′-84°56′E）为研究区，整合第三次新疆科考269个采样点与2023年Sentinel-2时序影像，创新性地构建了融合季节物候时序特征与空间约束的多维分类框架。研究首次提出基于抗旱机制的草地三级分类体系：天然草甸（高保水能力）、退化干旱草地（弱抗旱性）和人工灌溉草地（规则纹理），突破了传统"重形态轻机制"的分类局限。

关键技术方法包括：（1）基于Google Earth Engine（GEE）平台构建包含光谱指数（如NDVI）、纹理特征（GLCM）和地形因子的多维特征集；（2）采用动态时间规整（DTW）算法量化物候轨迹相似性；（3）通过特征重要性分析优化随机森林模型；（4）结合形态学后处理提升分类图斑连续性。实验数据来自2023年生长季8景Sentinel-2影像和30m分辨率DEM数据。

研究结果
Map results
模型总体精度达91.9%（Kappa=0.89），实地验证精度83.6%。特征重要性分析揭示季节物候特征贡献率达44.4%，空间特征占21%，证实多维特征融合的有效性。相比传统方法，小麦/玉米分类用户精度提升26.3%，草地亚类生产者精度提高19.8%。

Research limitations and future directions
当前方法在异质性极强的山地-荒漠过渡带仍存在10-15%错分率，未来拟融合无人机高光谱与Sentinel-1雷达数据提升混合像元分解能力。

Conclusion
该研究建立的时空多维特征分类体系，首次实现抗旱功能性状驱动的承灾体精细制图，为干旱灾害链防控提供了"机理-形态"协同的新范式。分类结果可直接支持生态脆弱性评估，如研究发现人工灌溉草地的干旱敏感性较天然草甸低37.2%，这一量化指标为生态修复优先级划定提供了科学依据。

该成果发表于《Journal of Arid Environments》，其创新性体现在：（1）突破传统二维特征组合范式，构建"时序物候-空间约束-抗旱机理"三维分类框架；（2）首次将草地抗旱功能性状（如根系深度）纳入分类标准；（3）开发适用于GEE平台的自动化分类流程，单次训练耗时仅1小时。研究不仅为伊犁河流域灾害防控提供技术支撑，其方法论对全球干旱区生态管理具有普适价值。