基于GEE与随机森林算法的生态环境质量动态建模研究

本研究针对全球生态环境质量(EQ)评估难题，创新性地结合Google Earth Engine(GEE)平台与随机森林(RF)算法，构建了遥感生态指数(RSEI)动态模型。研究人员通过整合地表温度(LST)、植被指数(NDVI)、湿度(WET)和裸土指数(NDBSI)四维指标，揭示了2018-2022年伊朗生态环境的时空分异规律，发现PM2.5和蒸散发是关键驱动因子，为区域生态保护提供科学依据。

　　

在全球气候变化与人类活动双重压力下，如何精准评估生态环境质量(EQ)成为可持续发展的重要命题。传统单指标评估方法难以捕捉生态系统的复杂性，而干旱半干旱地区的生态脆弱性更需多维动态监测。伊朗作为典型干旱区，其多样的气候带与快速城市化进程，使得生态环境质量呈现显著时空异质性。

针对这一科学问题，设拉子大学农业学院土壤科学系的研究团队在《Environmental Surfaces and Interfaces》发表创新性研究。该工作首次将Google Earth Engine(GEE)云计算平台与随机森林(Random Forest, RF)机器学习算法相结合，构建了融合热力、绿度、干湿等多维指标的遥感生态指数(Remote Sensing Ecological Index, RSEI)动态模型。通过2018-2022年时序数据分析，揭示了伊朗生态环境质量的"北优南劣"空间格局，发现PM_2.5和蒸散发(ET)是影响生态质量的关键变量，为区域生态治理提供了靶向策略。

研究采用四大关键技术：1)基于GEE平台提取LST、NDVI、WET和NDBSI四维生态指标；2)通过主成分分析(PCA)构建RSEI指数，首成分贡献率达58-63%；3)采用随机森林算法整合气候、地形、污染等16类驱动因子；4)运用全局/局部Moran's I指数分析空间自相关性。

研究结果
4.1 PCA-RSEI构建
PCA分析显示WET与NDVI对生态质量呈正向贡献，而LST和NDBSI呈负向影响，首成分解释率超58%。2021年RSEI最优，63.6%区域达中等以上生态质量。

4.2 RF模型评估
随机森林预测RSEI的R²达0.71-0.77，北部吉兰省优秀生态区占比从1%(2018)升至6.56%(2022)，而南部布什尔省77%区域持续处于最差等级。

4.3 时空演变特征
2019-2020年生态改善区达34.1%，但2021-2022年恶化区骤增至45.1%。空间自相关分析显示Moran's I指数维持在0.82-0.86，证实生态质量存在显著集聚效应。

4.4 驱动因子解析
变量重要性排序显示PM_2.5和ET贡献度最高，其中PM_2.5浓度在2022年达峰值。GDP与人口增长使社会经济因子影响力提升300%，而植被生产力(GPP)呈持续下降趋势。

结论与展望
该研究开创性地将机器学习引入生态质量评估，证实GEE-RF框架能有效解耦自然与人为因素的协同效应。研究发现伊朗生态质量呈现"北优南劣"的二分格局，北部因植被覆盖与降水维持较高RSEI值(0.6-0.8)，而南部受PM_2.5污染和干旱胁迫导致生态退化。研究建议优先在南部实施污染控制与植被恢复计划，同时强调需建立跨区域的生态补偿机制。未来研究可结合Sentinel-5P更高时空分辨率数据，深化人为活动对生态影响的量化评估。

这项研究为干旱区生态环境管理提供了可推广的技术范式，其创新的"云计算+机器学习"框架，为全球SDGs指标动态监测开辟了新路径。