基于遥感与机器学习的地中海森林干旱胁迫早期检测：一项降雨控制实验研究

本文通过无人机高光谱成像与机器学习算法（LR/SVM/RF），在地中海混合林个体树水平实现了干旱胁迫的早期精准分类（准确率达0.85）。研究突破了传统生理指标（如叶片水势ψleaf）的局限性，并验证了多光谱卫星数据（如VENμS）在林区干旱风险预警中的迁移应用价值，为气候变暖背景下的森林管理提供了可推广的技术工具。

　　

Highlight

精准检测地中海森林林分中初期的干旱胁迫对于在日益缺水的环境中实施及时干预策略至关重要。本研究证明，高光谱成像与先进机器学习算法相结合，能够在传统生理指标显示干旱条件之前识别水分胁迫特征，代表了精准森林监测领域的重大进展。

Machine learning classification models（机器学习分类模型）

我们测试了三种机器学习分类算法，仅使用高光谱数据构建区分干旱与对照林分的模型：逻辑回归（LR）、支持向量机（SVM）和随机森林（RF）。LR基于输入变量通过线性模型估计结果概率（Cox, 1958），SVM在高维空间中识别最佳分离类别的超平面（Cortes and Vapnik, 1995），而RF构建多个决策树并通过聚合其预测结果进行分类（Breiman, 2001）。所有模型均使用Python中的Scikit-learn库（v1.2.2）实现。

Field observations（野外观测）

在整个观测期间，降雨排除样地的土壤含水量持续较低（图4），平均减少了47.2%。然而，如此大幅的减少似乎并未影响大多数林分的叶片水势（ψ_leaf）（图5），除了橡树在夏季和秋季表现出更负的值（图5c）以及松树在春季显示较低值（图5d）。t检验证实，减少近一半的 incoming water（输入水量）并未影响大多数物种和季节的ψ_leaf、净碳同化速率（A_n）和蒸腾速率（T_r）。

Discussion（讨论）

（内容与Highlight部分重合，此处遵循指令不再重复输出）

Conclusions and implications（结论与启示）

本研究表明，应用于高光谱和多光谱卫星数据的机器学习分类模型能够有效检测地中海森林中干旱胁迫的早期迹象，甚至当传统生理测量未能指示水分相关胁迫时也是如此。我们的发现对森林管理和保护策略具有若干重要启示。我们所展示的早期检测能力可显著改善干预措施的时机和目标定位...