基于遥感(Remote Sensing)的中亚卡拉库姆(Karakum)与克孜勒库姆(Kyzylkum)沙质荒漠沉积物光释光(Optically Stimulated Luminescence, OSL)测年采样适宜性混合建模及可持续地史重建研究
《Environmental and Sustainability Indicators》:Remote Sensing-Based Hybrid Modeling of Sediment Sampling Suitability for Sustainable Geochronological Reconstruction in the Karakum and Kyzylkum Sandy Deserts, Central Asia
编辑推荐:
摘要:确定最佳沉积物采样点是准确进行地质年代分析及干旱区古气候重建的关键,但大范围荒漠环境中的系统性点位适宜性制图仍较为缺乏。本研究提出一种新颖的大尺度混合建模框架,整合多准则决策分析(层次分析法Analytic Hierarchy Process, AHP及
摘要:确定最佳沉积物采样点是准确进行地质年代分析及干旱区古气候重建的关键,但大范围荒漠环境中的系统性点位适宜性制图仍较为缺乏。本研究提出一种新颖的大尺度混合建模框架,整合多准则决策分析(层次分析法Analytic Hierarchy Process, AHP及熵加权—理想解逼近Technique for Order Preference by Similarity to Ideal Solution, Entropy-TOPSIS)与数据驱动集成机器学习模型(随机森林Random Forest及极端梯度提升eXtreme Gradient Boosting, XGBoost),以优化中亚卡拉库姆与克孜勒库姆沙漠用于光释光(OSL)测年的沉积物采样点适宜性。研究采用包括环境、气候及地貌背景在内的九个关键指示因子构建适宜性图层,并考虑可达性因素以辅助实地采样。研究结果显示,景观被划分为五个适宜性等级:极低(27.4%)、低(18.9%)、中等(23.0%)、高(8.7%)及极高(21.9%)。不确定性分析识别出研究区7.84%的面积为极高置信度适宜区,主要分布在卡拉库姆沙漠北部,而92.16%的区域因模型间未完全达成一致而属低置信度。SHapley加性解释(SHapley Additive exPlanations, SHAP)结果表明,石英矿物含量与热暴露程度对适宜性预测具有显著影响。本研究首次为中亚地区提供了高分辨率沉积物采样适宜性模型,所采用的集成方法具有高预测性能与空间可信度,可为同类地貌背景下采样点优先级排序提供可迁移框架。研究发现可作为靶向野外考察的基础,提升荒漠环境中沉积物基古环境研究的效率与准确性,同时为区域气候韧性与可持续发展相关努力提供支持。
论文解读:基于遥感的中亚卡拉库姆与克孜勒库姆沙质荒漠OSL测年采样适宜性混合建模研究
一、研究背景与立项依据
理解沙漠景观的地貌演化对于重建古气候条件至关重要,光释光(Optically Stimulated Luminescence, OSL)测年是重建沉积物沉积年代序列的强有力手段。然而,OSL测年要求采集到代表性强且含有富石英矿物的未扰动样品,传统采样依赖专家野外踏勘判断,在广袤且交通不便的荒漠区耗时费力且易引入采样偏差。现有基于遥感的采样研究多集中于植被验证或农业土壤,尚无研究利用遥感技术优化大范围沙丘系统中OSL测年沉积物的采样策略。因此,研究人员开展了此项研究,旨在建立空间显式的OSL采样适宜性评估框架,以缩小候选区域、指导野外工作并提升测年可靠性。该论文发表于《Environmental and Sustainability Indicators》。
二、主要技术方法概述
研究人员选取卡拉库姆(Karakum)与克孜勒库姆(Kyzylkum)沙漠为研究区,基于Google Earth Engine平台获取并预处理九项评价指标:环境域(归一化植被指数Normalized Difference Vegetation Index, NDVI、归一化湿度指数Normalized Difference Moisture Index, NDMI、ASTER热红外波段反演石英Quartz含量)、气候约束(陆表温度Land Surface Temperature, LST、TerraClimate风速Wind Speed、CHIRPS降水Precipitation)、地貌/地形(Sentinel-1时序相关性计算地表 temporal stability index, TSI、SRTM DEM坡度Slope与高程Elevation),可达性以距道路距离单独缓冲处理。通过目视解译与地貌评估在30,000个分层空间分布候选点上标注适宜性标签构建训练集(80%)与测试集(20%)。研究人员构建了四种模型进行混合建模:层次分析法(Analytic Hierarchy Process, AHP)—理想解逼近(Technique for Order Preference by Similarity to Ideal Solution, TOPSIS)、熵(Entropy)—TOPSIS、随机森林(Random Forest)及极端梯度提升(eXtreme Gradient Boosting, XGBoost);采用特征重要性、Shapley加性解释(SHapley Additive exPlanations, SHAP)进行变量贡献解析,通过去除单因子与权重扰动法进行敏感性分析,Bootstrap重抽样评估预测不确定性,并以受试者工作特征—曲线下面积(Receiver Operating Characteristic-Area Under the Curve, ROC-AUC)验证模型精度,最终利用模糊逻辑γ算子融合四模型输出生成综合适宜性图。
三、研究结果
3.1. Variable selection through correlation heat map and variance inflation factor(通过相关系数热图与方差膨胀因子进行变量筛选)
Pearson相关系数分析显示任意两变量间|r|均小于0.8,方差膨胀因子(Variance Inflation Factor, VIF)均小于5,表明九项指标无严重多重共线性,全部予以保留。
3.2. Criterion weight and individual model suitability scores(评价因子权重与各模型适宜性得分)
不同模型赋权存在差异:AHP中石英权重最高(0.2898),其次为NDVI(0.1994);熵法中陆表温度LST权重最高(0.2405),其次为石英(0.2345);Random Forest与XGBoost中石英与LST亦为最重要预测因子。跨模型统计表明石英平均权重最高(0.249)、变异系数最低(19.7%),是最稳健的主导因子。各独立模型划分的适宜区比例略有差异,融合后全区分为五级:极低27.4%、低18.9%、中23.0%、高8.7%、极高21.9%。
3.3. Feature importance and SHAP interpretability in Random Forest and XGBoost(Random Forest与XGBoost的特征重要性与SHAP可解释性分析)
SHAP分析显示石英含量高对适宜性呈正向贡献(R2=0.92),适中LST具正向影响但过高LST降低适宜性,高NDVI、高NDMI及高降水呈负向贡献(不利于暴露与保存),坡度增大降低适宜性,地表时序稳定性(TSI)越高越有利,高程直接影响微弱。两模型SHAP结论高度一致。
3.4. Comparison of model performance and distribution of suitability scores(模型性能比较与适宜性分值分布)
十折交叉验证表明XGBoost AUC=0.91±0.08最优,Random Forest AUC=0.89±0.12,熵?TOPSIS AUC=0.86,AHP?TOPSIS AUC=0.85。模糊融合模型取得最高判别能力ROC?AUC=0.972±0.027,准确率0.905。极高适宜区集中分布于卡拉库姆沙漠北部及克孜勒库姆沙漠西南部,与高石英含量、稳定沙丘地貌吻合;叠加坡道路50 km缓冲区可识别出具野外可达性的优先采样带。不同沙丘类型中,植被覆盖沙地与线形沙丘在高中适宜类中占比最大。
3.5. Model sensitivity and Uncertainty outcomes(模型敏感性与不确定性结果)
AHP?TOPSIS移除石英使适宜性得分变化最大(敏感性指数SI≈4.92%),熵?TOPSIS移除坡度影响最显著(SI≈4.57%)。单因子权重±10%扰动下各模型SI均<1%,表明模型对微小权重波动具鲁棒性。Bootstrap 500次重抽样Random Forest预测标准差均值0.024,AUC密集分布于0.997。四模型完全一致的高置信度适宜区占研究区7.84%(约36,356 km2),位于卡拉库姆北部典型沙丘场。
四、讨论与结论总结
讨论指出石英矿物含量与热暴露是控制OSL采样适宜性的首要因素,低植被、低湿度、地表稳定亦为关键;混合建模兼顾专家知识与数据驱动,融合结果优于单一模型并可降低选择偏差;敏感性分析与不确定性量化增强了框架可信度,模型间一致区域可作为优先验证靶区。研究局限在于遥感数据源分辨率无法完全反映微尺度地层扰动,未来需结合便携式OSL筛检及无人机(UAV)或激光雷达(LiDAR)数据进一步完善。
结论:研究人员建立了可迁移的大尺度OSL采样前预筛查框架,集成多源遥感因子、多准则决策与集成机器学习,证明沉积物矿物学(石英)、热条件及地貌稳定性联合可有效预测采样适宜性,能显著提升荒漠区OSL测年野外考察的效率与科学性,为干旱区地貌演化与古气候重建提供决策支持工具。