基于机器学习的长时序土地利用动态与森林恢复研究——以埃塞俄比亚南部Aweta亚流域（1972–2025）为例

《Scientific African》：Machine Learning-Based Long-Term Land-Use Dynamics and Forest Recovery in Aweta Sub-basin (1972-2025), Southern Ethiopia

　　

热带森林对生态系统健康至关重要，提供栖息地、调节水分并保持土壤。然而，快速的土地利用/覆盖（LUC）变化，尤其是森林丧失，正威胁其稳定性。受限于高分辨率数据不足和分析方法欠缺，长期LUC监测在面临显著森林丧失的热带地区尤为困难。针对上述问题，本研究量化了埃塞俄比亚Aweta亚流域逾53年的LUC动态。研究采用Landsat影像与两种机器学习模型，即统计机器智能与学习引擎（Smile）随机森林（Random Forest）和Smile分类回归树（CART）分类器，二者均在Google Earth Engine（GEE）中实现。为全面评估这些动态，研究评估了五个时间区间（1972–1986、1986–2000、2000–2014、2014–2025及1972–2025）内的变化速率、总增减量、净增减量以及森林丧失的持续性。结果表明：（i）Smile随机森林算法在LUC分类精度上优于Smile CART。（ii）农业用地持续扩张，而森林、湿地、灌木地、草地和水体在研究初期均呈下降趋势。（iii）森林丧失速率最高的两个区间分别为第一个区间（-11%/年，即-31,182.16公顷/年）和最后一个区间（-1.52%/年，即-7,859.3公顷/年）。至第二和第三区间，年森林丧失速率分别降至0.39%/年（474.9公顷/年）和1.9%/年（2,739.2公顷/年），表明森林恢复达到峰值。（v）1972至2025年间，森林覆盖以平均-2.64%/年的速率减少。（vi）森林覆盖净变化显示，第二和第三区间出现森林恢复（44,993.6公顷），而第一和第四区间出现丧失（-592,010.54公顷）。本研究主要支持环境资源管理，能够更准确地检测和监测LUC模式。Smile随机森林模型的优异性能有助于持续开展LUC评估，并凸显了保护举措和造林对森林覆盖的积极影响。

论文解读：基于机器学习的长时序土地利用动态与森林恢复研究——以埃塞俄比亚南部Aweta亚流域（1972–2025）为例

一、研究背景与问题

土地利用/覆盖（LUC）变化通过改变气候、扰乱生物循环、损害生态系统服务，对可持续发展构成重大障碍。森林作为全球生态系统的基本组成部分，为多种物种提供栖息地、调节水文循环、保持土壤完整性，其动态监测对于资源管理和环境研究至关重要。然而，撒哈拉以南非洲地区因人口增长和农业扩张，森林覆盖变化迅速，带来严峻的生态和社会挑战。埃塞俄比亚是非洲和东非森林覆盖变化趋势的典型代表，历史记录显示其35%的土地曾为森林覆盖，但卫星分析显示20世纪70年代天然高森林仅占国土面积的4.75%，至2000年年均毁林面积达163,600公顷。尽管存在这些紧迫问题，目前仍缺乏适合地方和区域尺度决策的高分辨率、综合性的时空数据，以及一致的、详细的LUC变化特征描述和制图。机器学习（ML）方法，特别是Smile随机森林（RF）和Smile分类回归树（CART），在Google Earth Engine（GEE）中为LUC分类提供了高效、可扩展的解决方案，能够处理复杂高维遥感数据。该研究旨在通过比较两种算法性能、量化53年LUC时空变化、分析转移矩阵、估算森林变化速率并评估森林恢复，填补这一监测和管理空白。

二、研究内容与意义

研究以埃塞俄比亚南部Aweta亚流域为对象，该区域位于Adola和Shakiso矿区，面积约7,397.1 km2，兼具高森林覆盖的Jemjem高原、Anferara自然森林以及低地灌木地、草地和矿区，是研究人类活动驱动森林动态的理想区域。研究人员利用Landsat MSS（1972）、TM（1986、2000）、OLI（2014）和OLI-2（2025）影像，在GEE平台采用Smile RF和Smile CART两种机器学习模型进行LUC分类，并评估了五个时间区间（1972–1986、1986–2000、2000–2014、2014–2025、1972–2025）的变化速率、净增减量和森林丧失持续性。研究意义在于：通过比较算法性能，为GEE中LUC制图的算法选择提供优化依据；通过量化长期森林动态，揭示保护举措和造林对森林恢复的积极影响，为环境资源管理和政策制定提供科学支持。

三、关键技术方法

研究人员主要采用以下关键技术方法：一是基于Google Earth Engine（GEE）云平台的遥感影像处理，使用Landsat系列多时相影像（MSS、TM、OLI、OLI-2），经过去云、大气校正和合成等预处理；二是两种机器学习分类算法，即Smile随机森林（RF）和Smile分类回归树（CART），在GEE环境中进行监督分类，其中Smile RF最优参数为ntrees=50、minLeaf=5、bagFraction=0.7；三是分类精度评估，采用分层随机抽样（每年5,000个样本，80%训练、20%验证），通过总体精度（OA）、Kappa系数、生产者精度（PA）和用户精度（UA）评估模型性能；四是LUC变化分析，利用转移矩阵、净变化和速率计算等方法量化各时段土地利用动态。

四、研究结果

（1）模型性能比较：通过总体精度（OA）和Kappa系数评估，Smile随机森林（RF）算法在LUC分类精度上优于Smile分类回归树（CART），成为后续分析所采用的更优模型。

（2）LUC时空变化：农业用地在研究期间持续扩张，而森林、湿地、灌木地、草地和水体在初期阶段呈下降趋势。研究区域以灌木地为主导景观，其次为Anferara自然森林。

（3）森林丧失速率：森林丧失速率最高的区间为1972–1986年，达-11%/年（-31,182.16公顷/年）；2014–2025年区间速率为-1.52%/年（-7,859.3公顷/年）。1986–2000年和2000–2014年区间，年森林丧失速率分别降至0.39%/年（474.9公顷/年）和1.9%/年（2,739.2公顷/年），表明森林恢复达到峰值。

（4）长期森林动态：1972至2025年间，森林覆盖以平均-2.64%/年的速率减少。净变化分析显示，1986–2000年和2000–2014年区间出现森林恢复（合计44,993.6公顷），而1972–1986年和2014–2025年区间出现森林丧失（合计-592,010.54公顷）。

五、讨论与结论

讨论部分指出，农业扩张和人口增长是森林丧失的主要驱动力，而2000年后森林恢复与保护举措和造林活动密切相关。研究结论强调，Smile随机森林模型的优异性能为持续开展LUC评估提供了可靠工具，长期监测揭示了森林动态的复杂性，即前期严重丧失与后期恢复并存。该研究主要支持环境资源管理，能够更准确地检测和监测LUC模式，凸显了保护举措和造林对森林覆盖的积极影响，为热带地区森林保护和可持续发展政策提供了科学依据。