基于机器学习技术整合时序光学与合成孔径雷达变量检测南非东开普省坎迪布国家公园土地退化风险

《Journal of Arid Environments》：Detection of land degradation risk by integrating temporal optical and synthetic aperture radar variables using machine learning techniques in Camdeboo National Park, Eastern Cape, South Africa

　　

摘要
在半干旱环境中准确检测土地退化需要能够将持续性的生态系统退化与短期气候变异性区分开来的方法。本研究开发并评估了一个多传感器机器学习框架，整合了 Landsat-8 光学影像、Sentinel-1 合成孔径雷达 (SAR)、环境变量以及长期植被监测数据，以绘制南非卡姆迪布 (Camdeboo) 国家公园的土地退化风险图。来自 52 个永久监测样地的植被覆盖观测数据被整合到随机森林 (RF) 回归框架中，与光谱植被指数、SAR 后向散射、地形属性和气候变量相结合。模型性能通过与逐步多元线性回归 (SMLR) 进行比较进行评估，采用了五折空间交叉验证、独立验证以及多种性能指标，包括 R2、RMSE、相对 RMSE、MAE、MAPE、平均偏差误差、纳什 -Sutcliffe 效率系数、林氏一致相关系数、残差诊断、Bland-Altman 分析和预测区间。RF 模型的性能显著优于 SMLR，解释了约 78% 的观测裸露土壤变异性，而线性基准为 51–55%，同时 consistently 产生较低的预测误差和减少的偏差。季节性分析表明，雨季植被覆盖较高且裸露土壤暴露较少，而旱季条件表现出地表暴露增加。持续性退化热点集中在谷底平原、排水线以及邻近定居点的区域，反映了地形、放牧压力和气候胁迫的综合影响。植被指数 (NDVI、SAVI 和 GNDVI)、Sentinel-1 SAR 后向散射、土壤湿度、温度和地形变量成为最有影响力的预测因子。将季节性气候背景与多传感器观测相结合，降低了将干旱引起的植被衰退与结构性土地退化混淆的风险。所提出的框架为半干旱保护景观的长期土地退化监测和可持续管理提供了一个稳健且可转移的决策支持工具。

引言
土地退化是干旱和半干旱环境中一种空间异质性且持久的过程，其中气候变异性、脆弱土壤和土地利用压力相互作用，降低了生态系统功能和生产力 (Liniger et al., 2019; Nigussie et al., 2017)。联合国防治荒漠化公约 (UNCCD) 将土地退化定义为由人类活动和环境驱动力导致的土地生物或经济生产力下降 (Sommer et al., 2017)。在干旱地区，退化通常表现为植被覆盖损失、土壤暴露、侵蚀和地表结构变化，这些过程因反复干旱和放牧压力而加剧 (Dubovyk, 2017; Nkonya et al., 2013)。南非的半干旱地区尤为脆弱，土壤侵蚀、灌木入侵和牧场条件下降与不可持续的 land 管理密切相关 (Shange, 2020)。全球范围内，每年约有 1000 万至 1200 万公顷的生产性土地退化 (Schieren et al., 2026; Sommer et al., 2017)，这凸显了干旱系统需要可靠且可扩展的监测方法以实现可持续发展目标 (Haren et al., 2019)。

土地退化中性框架旨在平衡退化与恢复，以便在时间上维持生态系统结构和生产力 (Bruggeman et al., 2025; Feng et al., 2022; Reith, 2020)。在干旱和半干旱环境中实现土地退化中性，取决于检测退化早期信号以及表征植被和土壤条件时空变异性的能力 (Cowie et al., 2011; Caspari et al., 2015; Cowie et al., 2018; Cowie et al., 2024; Cowie et al., 2015)。因此，监测系统必须解析干旱地区过程特征性的季节性动态、地表结构和土地覆盖转换 (Devi et al., 2025; Nandi et al., 2025)。

一系列方法已应用于土地退化评估，包括专家意见、生物物理建模、野外测量和遥感。基于专家的方法仍然主观且难以重现 (Reed et al., 2011)，而生物物理模型通常估计的是潜在退化而非观测退化。野外测量提供详细的过程信息，但在异质性干旱景观中成本高昂且空间受限 (Al-Bukhari et al., 2018; Change, 2022; Cowie et al., 2011)。因此，遥感已成为土地退化监测的核心，提供大区域和长时期的空间连续且可重复的观测 (Dubovyk, 2017)。

基于遥感的土地退化评估通常使用植被指数，如归一化植被指数 (NDVI)、土壤调节植被指数 (SAVI)、绿归一化植被指数 (GNDVI) 和绿比率植被指数 (GRVI)，来表征植被状况和地表暴露。光学传感器捕捉植被的物候和生化特性，但其性能受云层污染和土壤背景效应限制。相比之下，合成孔径雷达 (SAR) 对地表粗糙度和植被结构敏感，且独立于照明和大气条件运行 (Bazi et al., 2005)。这些特性在半干旱环境中尤为宝贵，因为间歇性降雨、云层出现和地表结皮会影响信号行为。因此，整合光学和 SAR 观测为提高土地退化检测的一致性和稳健性提供了潜力。

多传感器融合已被证明优于单传感器方法 (Joshi et al., 2016)。机器学习算法，特别是随机森林 (RF)，被广泛使用，因为它们能容纳非线性关系和混合数据类型，同时保持计算效率 (Boroughani et al., 2023)。然而，挑战依然存在。光学数据仍然容易受到大气和土壤背景效应的影响，分类器可能难以处理高维度和时间可变的特征空间，且多传感器融合框架可能带来巨大的计算需求。关于捕捉干旱景观退化过程的适当空间和时间分辨率，不确定性仍然存在 (Maestre et al., 2016)。

尽管取得了这些进展，干旱地区土地退化监测中仍存在一个连贯的缺口。许多研究仍然依赖单传感器数据集或有限的特征表示，未能充分利用来自结合光学和 SAR 观测的互补光谱、时间和结构信息。此外，明确捕捉季节性植被动态和地表结构变异性且具有可扩展性的机器学习框架，在半干旱系统中仍然发展不足。因此，现有方法往往无法表征干旱地区退化特征性的空间异质性和过程变异性。解决这一缺口需要整合光学-SAR 融合策略，以计算高效且可转移的方式将时间植被信号与地表结构信息相结合。

因此，SAR 和光学数据之间的互补相互作用在半干旱环境中特别相关。SAR 提供对地表粗糙度和植被结构的敏感性，并在受云层影响的情况下确保时间连续性，而光学数据捕捉植被活力和物候变化。它们的整合提高了退化信号的季节一致性和空间区分度 (Azzouzi et al., 2018)，支持对干旱地区土地退化风险更可靠的评估。

本研究通过整合机器学习框架内的时间光学和 SAR 变量，以评估半干旱环境中的土地退化风险，从而解决了上述缺口。以南非东开普省卡姆迪布国家公园为案例研究，目标包括：(i) 量化植被覆盖损失的空间分布和季节性动态，以明确捕捉季节性退化信号；(ii) 分析裸露土壤暴露的时间模式及其对土地退化风险变异性的影响，以更好地表征地表过程；(iii) 评估多传感器光学-SAR 数据融合结合机器学习技术在提高土地退化风险检测准确性和稳健性方面的有效性，以满足可扩展和集成监测框架的需求。这种方法为干旱和半干旱景观的土地退化监测贡献了一种可转移的方法论。

部分片段

研究区概况
本研究在南非半干旱的东卡鲁 (东开普省) 进行，位于卡姆迪布国家公园内 (图 1)，距离伊丽莎白港以北约 250 公里，环绕历史城镇格拉夫 - 赖内特。公园有两个地理区域：东区 (7900 公顷) 和西区 (6600 公顷)，以 R57 和 N9 高速公路为界。

公园位于莎拉·巴特曼地区行政区的北部，海拔在 740 至 1480 米之间。

野外数据收集
2014–2023 年期间的植被覆盖评估 (VCA) 野外数据来源于南非国家公园管理局 (SANParks) 科学服务单元的卡姆迪布国家公园数据。监测计划包括 52 个永久监测样地，战略性地分布在公园主要的地球地貌和植被环境中，以支持长期生态系统状况评估。在分析之前，监测数据库经过质量控制，通过协调...

植被指数获取
光谱植被指数 (表 4) 被计算并用作随机森林模型 (RF) 中的监测变量，以检测和绘制 LD 风险并监测 SLM 的影响 (Nzuza et al., 2021)。选择这些指数是因为它们具有测量植被覆盖范围、活力和动态的高潜力。NDVI 基于光合活性植被/生物量 (Rouse et al., 1974)，并利用红光和近红外波长波段 (Pettorelli et al., 2005; Xue...

环境机器学习建模
环境系统的特点是自然和人为驱动力引起的非线性相互作用、多重共线性、空间异质性和不确定性 (Gibert et al., 2018)。因此，传统统计方法往往难以表征这些复杂关系，而机器学习 (ML) 方法可以直接从数据中建模模式，而无需严格的分布假设 (Zhang and Xu, 2020b)。

ML 的最新进展已扩大了其在植被覆盖估计中的应用使用 Landsat-8 光学和 Sentinel-1 SAR 数据的时间序列融合，结合随机森林回归框架，量化了卡姆迪布国家公园不同季节植被覆盖的空间分布和范围。考虑了四个关键景观单元：裸地、草地覆盖、灌木覆盖和树木覆盖 (Nzuza et al., 2021)。植被覆盖估计源自光谱波段 3 (绿光)、4 (红光) 和 5 (近红外，NIR)，结合 SAR C 波段和 L 波段...

随机森林变量重要性及合并情景
在本研究中，随机森林框架内的递归特征消除结合留一法交叉验证，被用于按重要性对预测变量进行排名。分析识别了在合并季节情景下对裸露土壤、光合植被 (PV) 和非光合植被 (NPV) 分类有显著贡献的关键光谱和环境变量。

对于裸露土壤，最重要的预测变量是植被覆盖...

讨论
本研究展示了整合多源遥感数据与机器学习技术在异质性半干旱景观中检测和绘制土地退化风险的有效性。通过将 Landsat-8 光学影像、Sentinel-1 SAR 观测、环境协变量和长期野外植被监测数据整合在随机森林 (RF) 框架内，本研究提供了一种稳健的方法，用于量化卡姆迪布...

CRediT 作者贡献声明
David Sengani: 概念化，数据管理，形式分析，资金获取，调查，方法论，项目管理，资源，软件，验证，可视化，撰写 – 初稿，撰写 – 审查与编辑。Abel Ramoelo: 监督。Emma Archer: 监督。Hugo Bezuidenhout: 数据管理。

利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系，可能会影响本报告工作中所述工作的出现。

致谢
我要向我的导师 Emma Archer 教授和 Abel Ramoelo 教授致以衷心的感谢，他们在我这段旅程的挑战和不确定性中始终支持着我；向我神奇的家庭成员 Rendani Sengani 和 Mosibudi Wendy Cherane 致以感谢，他们的爱、善意和支持对我取得成功起到了重要作用；最后，向 Phumulani Pollen Nzuza 致以感谢，他是一位鼓舞人心的同事和卓越的朋友。David Sengani 获得了比勒陀利亚大学的研究生奖学金...

David Sengani|Abel Ramoelo|Emma Archer|Hugo Bezuidenhout
环境研究中心，地理、地理信息和气象学系，比勒陀利亚大学，私立信箱 X20，比勒陀利亚，0028，南非