基于历史植被与气候数据的随机森林模型在东萨赫勒地区初级生产力预测研究

为解决东萨赫勒地区因气候和社会不稳定导致的粮食安全问题，研究人员利用历史植被指数（NDVI）、降雨、蒸散发、温度等环境数据，通过随机森林模型成功预测了1-6个月内的初级生产力（NDVI），预测相关性均超过0.91。该研究为区域资源管理和早期预警提供了高精度工具，对缓解粮食危机具有重要意义。

　　

东萨赫勒地区是非洲最不发达的区域之一，长期面临低初级生产力、气候波动和社会冲突的多重挑战。该地区降雨量少且不可预测，而气候变化加剧了温度上升和降雨模式的紊乱，进一步威胁以农业和畜牧业为主的生计方式。尽管降雨是植被生长的关键驱动因素，但其未来变化的高度不确定性使得传统农业生产难以规划。如何提前预测植被生产力，成为缓解粮食短缺和资源冲突的关键科学问题。

针对这一需求，研究人员开展了一项创新性研究，通过整合多源遥感与环境数据，利用机器学习方法预测东萨赫勒地区的初级生产力。研究以归一化植被指数（Normalized Difference Vegetation Index, NDVI）作为初级生产力的替代指标，结合历史NDVI、降雨（CHIRPS数据）、土壤含水量（SWI）、实际蒸散发（WaPOR数据）、温度（ERA5-Land）、黏土含量和土地利用/覆盖（LULC）等7类预测因子，构建了随机森林（Random Forest）回归模型。该模型成功实现了1-6个月内的NDVI高精度预测，相关成果发表在《Scientific African》期刊上。

研究采用了三项关键技术方法：一是多源数据融合，将Sentinel-2衍生的NDVI（10米分辨率）与其他环境数据统一降尺度至12.5公里网格；二是时间滞后分析，通过方程NDVI_t = (NDVI_t-n + RF_t-n + T°_t-n + SWI_t-n + aET_t-n + Clay + LULC)建立预测模型；三是基于基尼系数的变量重要性评估，量化各因子对预测的贡献度。数据覆盖2016-2022年，并按75%:25%划分训练集与验证集。

研究结果
预测精度分析
模型在所有月份的预测中均表现出色，观测值与预测值的Pearson相关系数（r）均超过0.91。但随着预测时间从1个月延长至6个月，精度呈现轻微下降趋势，其中干旱季节（1-3月）的预测稳定性优于雨季（5-8月）。值得注意的是，8月的预测误差最高，这与雨季植被绿度骤增导致历史数据参考价值降低有关。

变量重要性排序
历史NDVI是最关键的预测因子，贡献率达42%-54%，凸显植被生长的自相关性。蒸散发（22%-25%）和降雨（2%-27%）分列二三位，其中降雨的重要性在雨季显著提升。土地利用类型（LULC）贡献稳定（9%-15%），而温度和黏土含量影响较弱。空间分析显示，南部湿润区植被对降雨响应更强，而北部干旱区则更多受土壤水分缓冲作用影响。

土地利用类型的影响
不同LULC类型的预测误差差异显著：农田在8-9月误差最大，反映作物生长对降雨的高度敏感性；洪水淹没植被因持续高土壤水分而预测稳定；建筑区因混合像元效应导致结果波动。森林由于对降雨变化不敏感，预测精度高于灌木和农田。

讨论与意义
该研究首次在东萨赫勒地区实现了长达半年的初级生产力高精度预测，突破了过去仅能预测2-4个月的技术局限。通过揭示历史NDVI的主导作用（其本身隐含气候因子信息），研究为"植被记忆效应"提供了实证支持。模型在作物关键生长期（6-9月）的可靠表现，可直接指导高粱、粟类等主粮作物的种植决策——这些作物约需120天从播种到成熟，与6个月预测期完美匹配。

研究也存在三方面局限：一是土壤数据仅考虑表层（5厘米）黏土含量，未探究深层特性；二是未分离预测因子间的交互效应（如降雨与土壤水分的共线性）；三是静态LULC数据可能低估土地利用动态的影响。未来可通过融合雷达（RADAR）和激光雷达（LiDAR）数据提升干旱季植被监测能力，并引入更多土壤指标（如有机质）优化模型。

这项成果为撒哈拉以南非洲的粮食安全预警系统提供了可扩展的技术框架。在气候变暖导致降雨格局持续改变的背景下，该模型能帮助当地社区提前调整种植计划、优化牧区管理，从而增强应对气候风险的韧性。研究揭示的环境因子时空异质性规律，也为全球干旱区生态系统建模提供了重要参考。