农田树木对集约化农业系统中生态系统服务的影响

《Ecological Indicators》：Impacts of farmland trees on ecosystem services in intensive agricultural systems

　　

研究人员将农田树木定义为农业景观中森林以外的树木，它们在集约化农业景观中提供关键的生态系统服务，但由于小型、线性和破碎化的树木元素难以通过传统遥感进行制图，其区域分布和生态贡献仍未被充分量化。本研究聚焦于中国东北集约化耕作平原（约469,000 km²），提出了一种集成面向对象分割（object-based segmentation）和空间语义（spatial semantics）的层次分类框架（hierarchical classification framework），利用多时相Sentinel-1和Sentinel-2数据生产精细尺度的农田树木地图，并评估其与生态系统服务的关联。该框架首先生成基于时间序列植被频率分析（time-series vegetation-frequency analysis）的植被掩膜，然后在对象层面进行植被类型分类，最后通过结合形态特征及其与农田的邻接关系，精细识别和分离嵌入森林区域内的农田树木。该方法实现了81%的总体精度（Kappa = 0.62），估计农田树木总面积为2033.62 km²。此外，研究人员使用分段线性回归（segmented linear regression）量化了农田树木密度与关键生态系统服务之间的非线性关系。水分产量（water yield）与密度呈正相关，直至约30%，之后增长减弱。沙尘暴预防（sandstorm prevention）与密度呈正相关，直至约40%，之后增长加速。土壤保持（soil retention）在密度低于约15%时无显著关联，在更高密度水平上呈下降趋势。总体而言，该框架为在大规模、异质性农田景观中实现可扩展和可解释的农田树木制图提供了方法支持，并通过识别服务响应的密度阈值，为平衡农业生产力和生态效益的可持续土地管理提供了科学依据。

本研究聚焦于集约化农业景观中农田树木（即农业景观内森林以外的树木）的生态作用，现有研究多依赖高分辨率影像或粗分辨率数据，难以在区域尺度上精确量化其分布与功能。中国东北平原作为典型集约化农业区，面临生态功能退化与生物多样性下降等风险，农田树木作为关键生态基础设施，对协调农业生产与生态可持续性至关重要。为此，研究人员开发了集成面向对象分割（object-based segmentation）与空间语义（spatial semantics）的层次分类框架，利用多时相Sentinel-1和Sentinel-2数据，绘制东北平原（约469,000 km²）农田树木精细分布图，并评估其与水分产量、沙尘暴预防和土壤保持等生态系统服务的关联。该研究发表于《Ecological Indicators》，为可持续土地管理提供了科学依据。

主要关键技术方法包括：基于时间序列植被频率分析（vegetation frequency analysis，采用归一化差异红边指数NDRE）生成植被掩膜；利用简单非迭代聚类（Simple Non-Iterative Clustering，SNIC）算法进行面向对象分割，结合随机森林（Random Forest，RF）分类器，基于多维度特征（物候、冠层结构、空间纹理）识别四类植被（农田、湿地、草地、森林）；通过提取形态特征（伸长率、形状指数）和空间语义特征（邻接农田比率），用随机森林算法区分农田树木与常规森林；采用分段线性回归（segmented linear regression）量化密度与生态系统服务间的非线性关系。样本来源：基于高分辨率Google Earth影像随机生成点，目视解译标注；二分类样本22,238个，四类植被分类样本16,745个，农田树木识别样本1,000个森林对象，均按70%训练、30%测试划分，样本间保持至少10 km距离以避免空间依赖。

**4.1 植被类型分类**：通过二分类（植被/非植被）获得总体精度93.66%（Kappa=0.86），植被用户精度94.97%、生产者精度95.50%。四类植被分类总体精度84.87%（Kappa=0.78），各植被类型F1-score介于0.82~0.87，其中农田最高（0.87），湿地最低（0.82）。该结果表明层次分类框架能有效区分主要植被类型，为后续农田树木提取奠定基础。

**4.2 农田树木提取**：基于空间语义特征的随机森林分类，以0.31为最优概率阈值，实现农田树木与常规森林的区分，总体精度81%（Kappa=0.62），农田树木生产者精度84.4%、用户精度74.2%。研究区域农田树木总面积2033.62 km²，空间上呈现北高南低、中部西侧稀疏的分布格局，北部和东北部为高密度核心区，南部为次高密度聚集区。该结果揭示了大尺度农田树木的空间异质性。

**4.3 与生态系统服务指标的关系**：采用10 km网格计算农田树木密度与三种生态系统服务的均值，分段线性回归显示：水分产量在密度≤30%时呈显著正相关（β=11.27，p<0.001），超过30%后增长减缓（β=8.73，p<0.05）；沙尘暴预防在密度≤40%时显著正相关（β=5.71，p<0.001），超过40%后加速上升（β=14.35，p<0.05）；土壤保持在密度<15%时无显著关系（β=11.85，p=0.20），超过15%后呈下降趋势（β=-1.81，p=0.08）。多元线性回归控制环境协变量后，农田树木密度仍与沙尘暴预防（β=0.64，p<0.001）和水分产量（β=0.26，p<0.05）显著关联，而与土壤保持关联不显著（β=-0.13，p=0.54），表明这些关系为条件性关联而非直接因果。

讨论部分指出，空间语义框架通过伸长率、形状指数和邻接农田比率三个可解释规则，实现了农田树木与常规森林的客观区分，区别于依赖光谱差异的传统方法，且具有潜在可迁移性。农田树木密度与生态系统服务的非线性关联存在潜在协同与权衡：低至中等密度时可能改善微气候，但高密度下水分竞争可能削弱土壤保持。研究存在不确定性，如用户精度较低（74.2%）可能影响网格级密度估计，且生态系统服务模型与植被分类共享植被信息，部分关联可能反映共同植被信息而非独立效应。因此，管理策略应权衡多种服务，而非单一功能。

研究结论翻译如下：研究人员提出了一种渐进式分类框架，整合了面向对象分割与空间语义。首先，利用空间纹理、冠层结构和物候特征，实现了研究区四种典型植被类型的高精度提取，并将“森林”作为初始大类。随后，为区分农田树木与常规森林，引入了三个空间语义指标（即伸长率、形状指数和邻接农田比率），并通过回归分析计算阈值，作为识别农田树木的标准。最后，研究人员检验了农田树木密度与三个生态系统服务指标之间的关联，揭示了与水分产量和沙尘暴预防的显著正相关。总体而言，本研究构建了一个结合遥感数据与空间语义的稳健框架，用于监测农田树木并评估其生态系统服务价值，为优化农业生态系统治理提供了可操作的基础，并为区域农田树木管理提供了关键数据支持。