《Journal of Environmental Management》：An AI-based geospatial framework for farmland suitability assessment in the Omo sub-basin, Ethiopia
编辑推荐：
本研究提出了一种人工智能辅助的地理空间框架，用于在埃塞俄比亚Omo子流域的可持续土地管理计划（Sustainable Land Management Program, SLMP）框架内开展农田适宜性评估。研究利用Google Earth Engine（GEE）
本研究提出了一种人工智能辅助的地理空间框架，用于在埃塞俄比亚Omo子流域的可持续土地管理计划（Sustainable Land Management Program, SLMP）框架内开展农田适宜性评估。研究利用Google Earth Engine（GEE），从多时相卫星数据中提取了十二个关键生物物理变量，并通过基于大语言模型（LLM）的代码生成脚本进行处理、优化与验证。土壤侵蚀采用修正通用土壤流失方程（Revised Universal Soil Loss Equation, RUSLE）进行量化，该方程综合了地形、降雨、植被覆盖和土壤数据集。多准则决策分析采用层次分析法（Analytic Hierarchy Process, AHP）实施，其一致性比率为8.1%，证实了专家判断的可靠性。在各变量中，降水量（24.1%）、土壤湿度（17.4%）和土壤有机碳（15.2%）被确定为农业潜力的最具影响力决定因素。通过加权线性组合（Weighted Linear Combination）计算所得的农田适宜性指数（Farmland Suitability Index, FSI）范围为0.16至0.697。空间分类结果显示，研究区域内26.93%的面积属于低适宜性，33.75%为中等适宜性，28.68%为高适宜性，仅10.65%为极高适宜性。该混合方法将人工智能驱动的自动化与专家参与式优化相结合，以提高可重复性。研究结果强调了在以雨养为主的农业系统中，水资源可用性和土壤健康在塑造农业生态可持续性方面的关键作用。通过提供空间明确的适宜性地图，该框架为政策制定者、规划者和资源管理者提供了一个实用的决策支持工具，以优化土地分配、指导气候智慧型农业投资，并优先安排土地恢复工作。更广泛而言，本研究展示了人工智能增强的地球观测在数据稀缺、气候脆弱地区实现精准土地评估的变革潜力。
**基于AI的地理空间框架在埃塞俄比亚Omo子流域农田适宜性评估中的应用**
**一、研究背景与意义**
农业是人类生存、经济发展和环境管理的基础。全球约38%的陆地表面为农业用地，耕地和牧场面积超过48亿公顷，养活着超过80亿人口，并吸纳了全球25%以上的劳动力。在撒哈拉以南非洲地区，超过60%的人口直接依赖农业维持生计和获取收入，然而该地区约8.74亿公顷农业用地的全部生产潜力远未得到充分发挥。土地生产力低下归因于土壤肥力下降、水资源短缺、气候变率、侵蚀以及低效的土地利用方式等多重因素的综合作用，加之制度障碍、空间规划不足和现代技术获取渠道有限等问题的叠加影响。
埃塞俄比亚是一个以农业为主的国家，农业贡献了国内生产总值（GDP）的33%以上，并雇用了约65-70%的劳动力。然而，超过75%的农业用地依赖雨养，使其极易受到气候和生物物理胁迫的影响。主要制约因素包括土壤退化、水蚀、养分耗竭以及人口增长导致的土地利用压力加剧。在高地和流域地区，边缘土地上的不可持续耕作加剧了土地退化、生产力下降和对气候冲击的恢复力丧失。因此，保障埃塞俄比亚的粮食和水安全亟需稳健的、空间明确的方法来在流域尺度上评估和管理土地适宜性。
传统的土地评估方法往往受限于数据稀缺、空间分辨率低、人工处理和主观评估等因素，降低了评估的准确性和可重复性。近年来，基于云计算的遥感、机器学习和人工智能（AI）的进步正在改变空间分析的格局。Google Earth Engine（GEE）平台提供了跨大范围地理区域获取、处理和分析多时相卫星数据集的可扩展且高效的手段。此外，生成式AI工具的出现为通过自然语言界面自动化代码开发提供了新途径，显著降低了技术门槛，提高了可重复性并加速了地理空间工作流程的实施。本研究旨在开发和验证一个将GEE中的AI辅助编码与专家驱动的层次分析法（AHP）相结合的新型半自动化地理空间框架，以实现农田适宜性的高分辨率制图。
**二、研究区域与主要技术方法**
研究区域位于埃塞俄比亚西南部的Omo-Gibe流域内的Omo子流域，属于可持续土地管理计划（SLMP）下的集水区，总面积约22,638.74 km2。气候从南部的炎热干旱气候过渡到北部和西北部高地的热带湿润气候，年平均降水量为1140 mm，高原地带年平均气温低于17°C，而南部低地则超过29°C。
该研究采用的主要关键技术方法包括：（1）在GEE云平台中获取和预处理多源地理空间数据，包括云掩膜、大气校正、重采样和空间归一化处理；（2）从Sentinel-2、CHIRPS、SRTM DEM、ISDASOIL Africa、TerraClimate和ESA WorldCover等多源遥感数据中提取十二个关键生物物理变量，涵盖归一化植被指数（NDVI）、降水量、高程、坡度、土壤有机碳（SOC）、土壤质地、土地利用与土地覆盖（LULC）、土壤湿度、最高温度、排水模式、土壤pH和土壤侵蚀潜力；（3）利用由Gemini模型驱动的GEE AI助手扩展程序生成JavaScript代码，并通过与专家人工编写代码的系统比较进行验证、优化和适配，以提升工作流程的可重复性和准确性；（4）采用修正通用土壤流失方程（RUSLE）模型量化土壤侵蚀潜力；（5）基于层次分析法（AHP）进行多准则决策分析，通过专家两两比较确定各指标的相对权重；（6）采用加权线性组合（WLC）模型计算农田适宜性指数（FSI）；（7）运用蒙特卡洛模拟方法分析AHP权重的不确定性；（8）使用R语言中的alluvial包构建Sankey-type Alluvial Diagram以可视化权重分配结构。
**三、研究结果**
**3.1 生物物理模式分析**
研究选取的十二个关键生物物理变量呈现出显著的时空异质性，表明研究区域内农业生态条件具有高度多样性。排水面积从0.009 m2到80,197,695 m2，反映地表水积累的显著差异；海拔从325 m到3387 m，涵盖低地和高地两种农业生态类型；土壤侵蚀量范围为0.001至17.575吨/公顷/年；土地利用与土地覆盖（LULC）值范围为0至90；最高温度介于17.326°C至36.683°C之间；NDVI值范围为-0.576至0.912；年降水量范围为527.597 mm至2763.962 mm；坡度变化从0.001°到78.991°；土壤有机碳（SOC）含量范围为1.101%至3.500%；土壤湿度值为13.334至2085.250 mm；土壤pH范围为4.801至8.600；土壤质地（砂粒加粉粒比例）为0.101至0.900。
**3.2 农田适宜性评估**
层次分析法（AHP）的两两比较矩阵包含66次比较，主特征值为13.375，一致性比率（CR）为8.1%，低于10%的公认阈值，表明专家判断具有可接受的一致性水平。特征向量解在6次迭代后收敛，Delta值为6.3×10??，反映了推导优先级权重的高计算精度和算法稳定性。
**3.2.1 生物物理变量权重贡献**
在十二个生物物理变量中，降水量以24.1%的权重成为影响农田适宜性的首要因素；土壤湿度以17.4%的权重位居第二；土壤有机碳（SOC）以15.2%的权重排名第三；土壤pH以11.4%的权重位列第四；土壤质地以10.3%的权重排名第五。相比之下，NDVI（3.1%）、坡度（2.0%）、高程（1.7%）、最高温度（1.9%）和侵蚀（1.7%）获得了较低的优先级权重。
**3.2.2 农田适宜性指数空间分布**
归一化的农田适宜性指数（FSI）范围为0.16至0.697，呈现异质性空间格局。根据等间隔分类方案，研究区域划分为四个适宜性等级：低适宜性区域占26.93%（6070.67 km2），主要分布在陡坡、低土壤肥力或水分可用性有限的区域；中等适宜性区域占33.75%（7605.84 km2），为面积最大的类别，构成过渡地带；高适宜性区域占28.68%（6463.82 km2），集中在土壤、气候和地形条件组合较为有利的地区；极高适宜性区域仅占10.65%（2398.41 km2），呈集群状分布，代表环境条件最优、可持续农业集约化潜力最高的区域。值得注意的是，没有任何区域达到FSI=1.0的理想状态，表明整个流域存在固有的生物物理约束。
**3.2.3 环境数据类别的AHP权重分布**
Sankey-type Alluvial Diagram可视化展示了个体指标（C1-C12）到环境类别（气候、水、土壤、植被和地形）的权重流动。气候类别中，降水量（C2）以0.2415的权重占主导地位；水类别中，土壤湿度（C8）以0.1739的权重为核心；土壤类别中，SOC（C5）为0.1518、土壤pH（C11）为0.1139、土壤质地（C6）为0.1028；植被类别中，LULC（C7）以0.0700的权重居首；地形类别的整体权重份额最小，侵蚀（C12）为0.0195、高程（C3）为0.0170。总体重要性排序为：气候>土壤>水>植被>地形。
**3.2.4 AHP权重不确定性分析**
基于AHP权重蒙特卡洛模拟的不确定性分析显示，绝对不确定性（标准差）和相对不确定性（变异系数）的空间变异性均较低。标准差值为0.01-0.15，变异系数为0-0.05，表明在权重扰动下模型高度稳定。农田适宜性类别的空间格局对AHP权重变化具有稳健性，这为土地利用规划与决策提供了高水平的信心。
**四、讨论与结论**
研究表明，AHP框架和专家判断具有良好的可靠性和统计稳健性。各变量的权重分配反映了水资源可用性和土壤肥力在雨养农业系统中的主导作用。水分和降水的关键作用与区域雨养农业的现实高度一致；SOC的高权重与有机碳在改善土壤结构、保水能力、养分循环和微生物活性中的根本性作用相符；土壤pH和土壤质地的重要性凸显了全面土壤表征对土地利用规划的必要性。研究还发现超过60%的研究区域属于低至中等适宜性类别，表明当前的生物物理条件对农业生产力和恢复力施加了显著约束。空间适宜性地图为政策制定者和土地管理者提供了确定农业集约化、保护和恢复优先区域的空间决策支持工具，其应用需要与现有土地利用规划框架和发展计划进行制度性整合、利益相关者参与以及地方社会经济条件的综合考量。研究的局限性包括：未纳入社会经济变量（如土地权属、市场准入等）、输入数据集存在不确定性（如CHIRPS降水数据在地形复杂区域的精度限制）、AHP权重过程固有的主观性，以及缺乏多年际气候变率评估和实地验证数据。未来研究应整合基于实地（地面真值）的数据、社会经济因素和敏感性分析，以进一步提高模型的准确性、稳健性和实际适用性。总体而言，本研究展示了人工智能增强的地球观测在数据稀缺、气候脆弱地区实现精准土地评估的变革潜力，为埃塞俄比亚及非洲类似农业生态区的气候智慧型农业、土地恢复和可持续流域发展提供了战略基础。
