基于多时相随机森林与梯度提升树模型的尼日利亚Itagunmodi矿区土地退化动态模拟与预测研究

本研究针对尼日利亚Osun州Itagunmodi地区采矿活动引发的土地退化问题，采用多时相机器学习方法（SRF和SGTB模型），结合Landsat卫星影像与DEM等辅助数据，量化了2002-2024年间LULC变化（植被覆盖率下降17.65%，采矿用地增至4.59%），预测2034年采矿用地将达5.15%，为SDG 15（陆地生物）和SDG 11（可持续城市）目标实现提供数据支撑。

　　

在尼日利亚Osun州的Itagunmodi地区，长期的金矿开采活动正在引发严重的生态环境危机。这片位于热带雨林带的土地，历史上以丰富的植被和农业为主导，如今却因无序的小规模采矿（ASGM）面临前所未有的挑战。卫星影像清晰记录了过去二十年的剧变：郁郁葱葱的森林让位于裸露的矿坑，农田与矿场犬牙交错，废弃矿洞积水成湖改变着区域水文格局。这种转变不仅威胁着当地以农业为主的生计模式，更通过破坏碳储存能力加剧了气候变化的影响。然而，传统研究方法难以精确量化这种动态变化，更缺乏预测未来趋势的能力，这严重制约了制定有效干预措施的时效性。

为了破解这一难题，研究人员开展了一项开创性的多时相机器学习研究。通过整合2002-2024年间Landsat 7/8/9卫星影像数据，结合数字高程模型（DEM）、道路网络和降水数据等多元信息，研究团队构建了Smile随机森林（SRF）和Smile梯度提升树（SGTB）预测模型。这些模型在Google Earth Engine平台上运行，不仅实现了高达88%的总体分类精度，更成功捕捉到土地覆盖变化的非线性特征。研究特别关注了地质构造、道路可达性和坡度等关键驱动因子，为理解采矿景观演变机制提供了新视角。

技术方法上，研究采用分层抽样策略选取10,000个训练样本点，SRF模型配置500棵树和100个最大节点，SGTB则设置35棵树和0.04的学习率。通过计算欧氏距离分析道路/水系邻近效应，并利用CHIRPS降水数据集量化气候影响。验证阶段采用70-30%的训练-测试集划分，使用混淆矩阵和Kappa系数（0.84）评估模型性能。

研究结果揭示出令人警醒的变化趋势：

1. 土地覆盖变化：2002-2024年间，植被覆盖率从55.11%骤降至37.46%，而采矿用地从零增长至4.59%（695.88公顷）。 cultivated land（耕地）扩张至55.51%， built-up areas（建成区）增长至2.01%。
2. 变化检测：2016-2024年 transition matrix（转移矩阵）显示，2787.49公顷植被和368.7公顷耕地转为采矿用地， abandoned mining pits（废弃矿坑）形成32.3公顷新增水体。
3. 驱动因素：地质图分析证实，含金矿的片岩带（schist belt）与采矿热点高度重合，距离道路<500米的区域发生83%的土地转化。
4. 2034年预测：SGTB模型显示采矿用地将增至4.8%（727.48公顷），SRF预测达5.15%，植被覆盖率持续下降至36.6%。

这些发现为可持续发展目标（SDGs）的实现提供了关键科学依据。研究首次量化了采矿活动通过"植被-耕地-采矿用地"的级联转化路径（占全部变化的61%），揭示出地质可及性（variable importance值95,722.77）比气候因素更主导土地退化。讨论部分强调，若不采取干预措施，按照current trajectory（当前轨迹），到2034年该地区将失去另外9.45%的植被覆盖，直接影响SDG 15（陆地生态系统）目标的实现。研究建议采取"采矿生态红线"制度，将敏感地质单元划为禁止开发区，同时在废弃矿场实施phytoremediation（植物修复）技术。

这项研究的创新性在于将 ensemble learning（集成学习）应用于热带采矿景观模拟，其构建的预测框架可扩展至西非其他矿业热点地区。论文中展示的transition layer（过渡图层）和persistent layer（持续图层）分析方法，为识别生态恢复优先区提供了空间明确的决策工具。这些成果已发表于《Trees, Forests and People》，为平衡资源开发与环境保护提供了量化基准，对全球南方国家（Global South）的可持续土地管理具有示范意义。