气候变化与人为干扰双重驱动下印度东北部轮作景观中竹类分布的影响机制研究

本研究针对印度东北部Dima Hasao地区竹类生态系统的空间分布动态，创新性地整合Sentinel-2多时相遥感数据与机器学习算法（RF/SVM/ANN），首次量化了轮作农业（jhum）干扰与气候因子（如VPD）对竹类（Melocanna baccifera等）分布的协同影响。研究揭示78.9%竹区存在高强度干扰，确立NDVIre2为关键分类变量，RF模型精度达87.54%，为联合国可持续发展目标（SDGs）下的景观管理提供科学依据。

　　

在印度东北部郁郁葱葱的山地景观中，竹类作为"绿色黄金"不仅维系着数百万原住民的生计，更是应对气候变化的关键碳汇。然而，传统轮作农业（jhum）的刀耕火种与气候变化的双重压力，正使这片全球生物多样性热点区域的竹类生态系统面临前所未有的挑战。长期以来，高精度竹类分布数据的缺失、人为干扰量化方法的不足，以及气候驱动机制的模糊性，严重制约着该地区生态保护与碳中和发展战略的制定。

印度空间研究组织（ISRO）下属印度遥感研究所（IIRS）的研究团队在《Scientific Reports》发表的最新研究中，开创性地构建了多尺度分析框架。通过融合Sentinel-2卫星多时相光谱特征（3月与11月）与地形数据，采用随机森林（RF）等机器学习算法实现87.54%分类精度；借助LandTrendr算法解析1992-2020年Landsat时间序列，量化轮作干扰强度；结合ERA5-Land和TerraClimate数据，首次揭示蒸汽压差（VPD）是驱动竹类分布的核心气候因子。

关键技术包括：（1）基于Google Earth Engine（GEE）平台的Sentinel-2多时相影像分析，提取植被红边指数（NDVIre₂）等141个特征变量；（2）采用递归特征消除（RFE）优化随机森林模型；（3）利用NBR指数和TimeSync验证干扰历史；（4）通过1km网格化采样关联气候变量与竹类覆盖度。

竹类制图与变量重要性

研究显示，3月（旱季）与11月（轮作焚烧季）影像组合使分类精度提升4.48%，SWIR波段对地类区分贡献最大，而基于红边2波段的NDVIre₂成为竹类识别的决定性特征。GLCM纹理分析中均值参数对竹类簇状结构的表征效果最佳。

竹类再生与轮作模式转变

LandTrendr监测显示78.9%竹区经历高强度干扰，NBR趋势验证轮作周期缩短至5-10年。典型样区显示，竹类（尤其是M. baccifera）通过地下茎系统在焚烧后快速再生，形成"干扰-竹类扩张"循环。值得注意的是，政府政策正促使轮作地向槟榔等经济作物转型，可能改变传统竹类优势格局。

气候因子影响机制

随机森林变量重要性排序揭示：VPD（相对重要性1.0）>降水（0.71）>土壤最低温（0.57）。研究区年均VPD 0.80 kPa的湿润环境最利竹类生长，这与中国毛竹（Phyllostachys edulis）适生区特征形成生态呼应。

这项研究构建了首个印度东北部竹类分布-干扰-气候耦合模型，证实人为干扰与VPD主导的微气候协同塑造竹类生态位。其方法论创新（如NDVIre₂时序应用）为全球竹类监测提供范式，而关于轮作转型影响竹类优势度的发现，则为实现印度2070碳中和目标下的景观规划敲响警钟。研究结果可直接支持UN-REDD+计划下的碳汇评估，并为国家竹类使命（NBM）在退化土地的应用提供空间决策依据。