《Land Use Policy》：Landscape character assessment of Nigeria: A machine-assisted learning approach
编辑推荐：
景观特征评估（Landscape Character Assessment, LCA）是一种用于识别和理解区域独特性的方法，通常超越传统行政区划边界。尽管LCA在欧洲及其他地区已较为成熟，但在非洲尤其是快速城市化国家的应用仍显不足。本研究聚焦尼日利亚全国尺度的
景观特征评估（Landscape Character Assessment, LCA）是一种用于识别和理解区域独特性的方法，通常超越传统行政区划边界。尽管LCA在欧洲及其他地区已较为成熟，但在非洲尤其是快速城市化国家的应用仍显不足。本研究聚焦尼日利亚全国尺度的LCA，采用开放获取地理空间数据集与机器辅助学习方法。研究人员借鉴并改进LANMAP分类体系，在1?km分辨率下将气候、母岩物质与高程作为地形要素，以土地覆盖作为文化要素的代理指标。通过K-means聚类、Gap统计量、轮廓系数及景观结构指标对所得景观单元进行分析，共识别出24种地形类型与131种景观特征类型（Landscape Character Typologies, LCTs）。对所得类型与输入要素的内部一致性检验，以及包含利益相关者反馈的定性评估，均显示一致性超过74%。同时，在类型水平上计算的景观结构指标揭示了该国景观的空间异质性差异。此外，本研究构建了一个灵活且符合FAIR原则的开放式LCA框架，并开发了交互式仪表盘用于成果共享与用户反馈收集，可为尼日利亚及类似缺乏LCA体系的地区开展景观生态评估、规划、保护、资源管理与宏观政策制定提供基础支撑。
本研究发表于《Land Use Policy》，针对非洲特别是尼日利亚在景观特征评估领域的空白，结合开放地理空间数据与机器学习方法，构建了可复现的国家尺度LCA框架。研究背景显示，全球景观类型及其生态系统服务正经历快速变化或消失，气候变化、人口增长、城市化及土地资源不合理利用是主要驱动因素。尽管欧洲自20世纪90年代起已形成多种LCA方法，但非洲尤其是尼日利亚尚未建立系统化、数据驱动的景观评估体系，而该国复杂的自然与文化景观及快速环境变化迫切需要此类工具支持可持续管理。研究人员通过开展全国尺度的LCA，旨在提供透明、可更新的分类结果，并通过交互式平台促进多方参与，弥补现有研究的不足。
在技术方法上，研究人员采用四组开放数据集：气候数据来自Eludoyin等人（2014）与Ugwu等人（2023）；地质数据来自Nkwunonwo等人（2020）；高程数据源自CGIAR-CSI SRTM（1?km分辨率）；土地覆盖采用欧空局WorldCover 2021产品。所有数据统一重采样至1?km并重分类为标准类别。分析采用两阶段策略：第一阶段基于地形要素（气候、地质、高程）进行无监督K-means聚类，确定最优聚类数（k=25）后生成地形LCTs；第二阶段引入土地覆盖数据，形成综合LCTs，并通过空间滤波消除小斑块噪声。研究人员利用Gap统计量与轮廓系数优化聚类数量，并使用PyLandStats计算类型水平的景观结构指标，包括景观比例（Proportion of Landscape, PLAND）、斑块密度（Patch Density, PD）、边缘密度（Edge Density, ED）、总边缘长度（Total Edge, TE）、最大斑块指数（Largest Patch Index, LPI）及景观形状指数（Landscape Shape Index, LSI）。验证环节结合定量（Cohen’s Kappa、混淆矩阵、总体精度）与定性（视觉交叉检验、利益相关者反馈）方法，确保结果的内部一致性与现实解释性。
研究结果分为多个部分。在景观要素分布方面，尼日利亚气候以热带干湿季为主（占49.13%），地质以沉积岩为主（52.59%），高程以低海拔（101–500?m）为主（71.36%），土地覆盖以农田为主（42.43%）。这些要素的组合反映了该国自然环境的多样性。在LCT识别方面，地形聚类得到25个类型，面积最大的为北部平原类型（22.27%），局部高地如乔斯高原与东南高地形成独立类型。综合LCTs在初始生成182个后经简化保留131个，分布于4591个斑块，体现了南北景观差异：北方以农田、灌丛与草地为主，南方以林地与红树林为主。在空间结构分析中，大型LCTs表现出较低的PD与ED，显示连续性强；小型LCTs则具有较高的LSI与TE，反映破碎化程度高。全国范围内，东北与西北地区景观异质性较高，南部则相对均匀。在验证结果中，总体精度为74.41%（κ=0.7342），达到“高度一致”水平；利益相关者对LCA结果与仪表盘的可用性评分平均为4.2/5，表明成果在实际应用中具有较高认可度。
在讨论部分，研究人员指出，该LCA框架通过明确规则与可重复流程解决了传统方法透明度不足与主观性强的问题，并可在新数据发布时快速更新。与欧洲及国际同类研究相比，其精度与可靠性处于同等水平。框架在不同尺度上具有灵活性，可根据需要调整输入要素与分辨率。研究同时承认局限性：1?km分辨率难以捕捉细微过渡带，缺乏地面真值验证，且未完全纳入本土景观名称与社会文化变量。未来应融合更高分辨率数据与参与式制图，以衔接科学分类与地方知识体系。
结论部分强调，该研究提供了一个透明、开放且可复现的LCA协议，不仅适用于尼日利亚，也可推广至其他缺乏景观评估体系的地区。研究成果可直接支持国家及区域景观规划、生态保护与环境管理，并为跨学科研究与跨国界生态分析提供数据基础。研究人员建议将该框架纳入尼日利亚地理空间数据基础设施（Geospatial Data Infrastructure, GSDI），以提升景观资源的可持续管理水平。
