基于多源遥感与机器学习的泰国东北部湄公河流域植被-洪涝非对称响应特征研究
《Symmetry》:Asymmetric Vegetation Responses to Flood Exposure in the Chi River Basin: A Multi-Temporal Remote Sensing and Machine Learning Investigation
【字体:
大
中
小
】
时间:2026年09月26日
来源:Symmetry 2.2
摘要
在许多热带洪泛区,洪涝与干旱交替发生,但植被对这两种灾害在多年尺度上的响应仍有待量化。我们利用2020年、2023年和2024年的哨兵-2影像数据,2017年、2018年、2021年和2022年的洪涝记录,以及跨230,911个基于点的空间单元的机器学习方法,考察了泰国东北部湄公河流域的植被—洪涝关联。分析揭示了九种不对称形式。其中最引人注目的是恢复不对称性:2017至2022年间至少发生两次洪涝的区域,在2020至2023年间植被有所增长(平均NDVI变化 = +0.0270),而洪涝暴露极少或无的区域则植被减少(平均变化 = ?0.0430)。这一差距具有统计显著性(Cohen's d = 0.5586,p < 0.001),表明反复洪涝可能使植被免受后续干旱的影响。农田植被下降幅度(?0.0316)小于林地(?0.0937;ANOVA F = 1717.7,p < 0.001)。基线植被状况(以2020年NDVI衡量)对模型重要性的贡献为32.9%,超过海拔(14.5%)贡献的两倍。光谱指数合计贡献了76.6%的重要性,而地形变量为23.5%。2023年厄尔尼诺年产生了高洪涝区与低洪涝区之间最大的差异(+0.0364);由于每个ENSO阶段仅有一年数据,我们将此视为基于案例的比较,而非一般性的ENSO响应。阈值分析确定了两个不同数值:一个运行截断值为NDVI = 0.05(总体准确率82.67%),以及一个生态转型值约在0.25–0.30之间。空间聚类较弱但显著(Moran's I = 0.2179,p < 0.001)。空间块交叉验证的准确率(0.597)低于随机交叉验证(0.627),表明数据中存在空间自相关。高洪涝区的脆弱性指数是低洪涝区的1.67倍(0.4306 vs. 0.2573)。这些模式支持差异化管理:基于海拔的分区、针对本地洪涝格局校准的预警系统,以及在热点区域的重点干预。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号