结合多时相遥感和地理背景的可解释机器学习方法精准绘制肯尼亚旱地入侵物种仙人掌（Opuntia stricta）分布图

本研究针对入侵物种仙人掌（Opuntia stricta）在肯尼亚旱区光谱特征与原生植被相似、难以精准识别的难题，开发了一种融合多时相Sentinel-2影像与地理环境因子的可解释随机森林模型，实现了10米分辨率的高精度土地利用分类（总体精度0.91）和入侵热点制图，揭示了干季干旱、湿季降雨与人类活动共同驱动入侵格局的生态机制，为旱地生态系统针对性治理提供了科学依据。

　　

在广袤的肯尼亚旱地上，一种来自美洲的入侵物种——直立仙人掌（Opuntia stricta）正悄然改变着当地生态格局。这种被列为"全球百大入侵物种"的多年生灌木状仙人掌，凭借其耐旱特性、多重繁殖方式和对贫瘠土壤的适应力，在过去几十年里快速蔓延，吞噬牧场，威胁着当地36%人口和70%牲畜赖以生存的生态系统。更严重的是，它每年给该地区48%的家庭造成500-1000美元的经济损失，成为 pastoral livelihoods（牧民生计）的隐形杀手。

传统上，监测这种入侵植物主要依靠实地调查和路边勘察，但这些方法成本高昂且覆盖范围有限。虽然遥感技术提供了大尺度监测的可能，但直立仙人掌在光谱特征上与原生灌木、草地极为相似，使得基于单一时相影像的分类精度大打折扣。早期的研究如Muthoka等人使用单时相Sentinel-2影像仅实现了82%的分类精度，特别是在区分仙人掌与灌木方面存在明显困难。

为了突破这一瓶颈，来自佛罗里达大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》上发表了一项创新研究，他们开发了一种结合多时相遥感和地理环境因子的可解释机器学习框架，成功实现了对直立仙人掌的高精度测绘和驱动机制解析。

研究团队综合运用了多源数据融合技术、时空特征工程、网格化空间验证和SHAP可解释性分析等关键技术方法。数据来源包括2023年全年月度Sentinel-2影像、CHIRPS降水数据、MODIS地表温度数据集，以及地形、景观结构和人类活动等多类地理环境变量。样本数据通过野外调查（2024年11月在Dol-Dol至Nanyuki公路沿线）结合Google街景和地图的人工标注获取，共2056个标记点。采用递归特征消除与交叉验证（RFECV）进行变量筛选，最终保留236个特征变量建立随机森林分类模型。

研究结果

3.1. 光谱和时序可分离性分析

通过计算Jeffries–Matusita（JM）和Transformed Divergence（TD）指数，发现直立仙人掌与灌木类在整个年度都表现出最低的光谱可分离性，特别是在5月（JM = 0.81，TD = 0.65）和11月（JM = 0.86，TD = 0.75）。动态时间规整（DTW）分析显示，短波红外波段（Band 11和12）和气候变量（降水、白天地表温度和蒸散量）的时间序列最能区分仙人掌与树木覆盖，但仙人掌与草地、灌木在可见光、短波红外和植被指数时间序列上表现出高度相似性。

3.2. 模型性能评估

研究测试了50米至1000米不同网格尺度的空间分区验证方案，发现多时相模型在100米网格分区下表现最佳，验证集总体精度达0.91，F1分数0.92；在独立测试集上精度为0.86，F1分数0.85。相比之下，12个单月模型的测试精度仅为0.62–0.79，F1分数0.67–0.82，其中2月份（干季）的单月模型表现最好，证实了多时相数据整合的显著优势。

3.3. 直立仙人掌空间格局

生成的10米分辨率分布图显示，直立仙人掌主要集中在Laikipia东北部的干旱半干旱地区，特别是其最初引入点Dol-Dol周围。核密度分析和Getis-Ord Gi*热点分析表明，入侵热点集中在Dol-Dol及退化的群体牧场（group ranches），而私人牧场和保护区的入侵程度较低。按土地所有权类型分析，群体牧场的仙人掌密度和覆盖率最高（24.68%），其次是城市区域（3.36%），私人牧场（3.95%）、森林保护区（5.59%）、大型农场（1.87%）和政府土地（0.19%）的入侵水平显著较低。

3.4. 变量选择和SHAP值

通过SHAP分析发现，7月降水量是最重要的预测因子，与仙人掌存在呈负相关关系，表明干季干旱促进其入侵。4月降水量（长雨季）则显示正相关，表明湿季降雨有利于仙人掌种子萌发和营养生长。人口密度是第二重要的预测因子，证实人类活动在物种传播中的关键作用。夜间地表温度（LST_Night）的最小值、最大值和2月均值也位列前20重要特征，反映了仙人掌的CAM光合作用特性对温暖夜间条件的适应性。

研究结论与讨论表明，这种可解释机器学习框架不仅实现了直立仙人掌的高精度制图（10米分辨率，总体精度0.91），更重要的是揭示了干季干旱、湿季降雨和人类活动共同塑造入侵格局的生态机制。7月降水量作为最重要的预测因子，体现了干季干旱通过抑制竞争对手而间接促进仙人掌生长的生态过程；而4月降水量的正效应则反映了充足雨水对其繁殖和扩散的直接助力。人口密度的高重要性凸显了人类活动在物种引入和传播中的核心作用，与当地牧民定居化、过度放牧和土地用途改变的历史背景高度一致。

该研究的重要意义在于首次将多时相遥感数据与地理环境因子融入可解释机器学习框架，解决了干旱半干旱地区入侵植物光谱混淆难题，为精准监测提供了方法学突破。生成的10米分辨率分布图和热点分析为当地管理者提供了明确的空间靶点，特别是发现群体牧场入侵最严重的结论，指引了社区参与式治理的优先方向。SHAP分析揭示的干湿季降水差异化影响机制，不仅深化了对仙人掌入侵生态学的理解，也为预测气候变化背景下入侵动态提供了科学依据。这套方法论可推广至其他入侵物种乃至全球旱地生态系统的监测保护中，对实现联合国可持续发展目标中的陆地生物保护子目标具有实践价值。