综述：依赖地下水的入侵外来物种监测与评估：卫星技术、云计算和机器学习算法的进展

《Remote Sensing Applications: Society and Environment》：Groundwater-dependent invasive alien species monitoring and assessment: Advancements in satellite techniques, cloud-computing and machine learning algorithms

地下水依赖入侵物种（GDIAS）威胁生态与水资源，传统监测方法效率低。本文系统分析2000-2023年668篇文献，发现仅6%聚焦GDIAS，而69.4%研究入侵物种（IAS）和24.6%研究地下水依赖生态系统（GDEs），二者长期割裂。卫星遥感与机器学习技术虽在IAS和GDEs监测中应用广泛（R2≥0.68），但GDIAS相关研究增长缓慢（R2=0.23），暴露方法论与主题缺口。填补此空白对提升早期监测、优化管理策略及保护GDEs至关重要。

　　

Mmasechaba L. Moropane|Cletah Shoko|Mhosisi Masocha|Timothy Dube

南非西开普大学水资源研究所，开普敦

摘要

依赖地下水的入侵外来物种（GDIAS）对全球生物多样性、生态系统完整性和地下水资源构成了严重威胁。虽然基于实地的方法在检测GDIAS方面非常准确，但它们劳动密集且往往缺乏足够的空间和时间覆盖范围。最近在卫星遥感（RS）、云计算和机器学习（ML）技术方面的进展为解决这些挑战提供了有希望的方案。本系统综述首次探讨了这些创新技术在识别GDIAS方面的进展，并指出了现有的知识空白。此外，该综述还阐明了目前用于快速检测和划定依赖地下水的生态系统（GDEs）和入侵外来物种（IAS）的RS技术的基本原理和方法。通过对668篇文章的系统回顾，只有6%（n=40）专注于GDIAS，而69.4%（n=464）和24.6%（n=164）分别关注IAS和GDEs。研究结果显示，尽管对IAS和GDEs进行了广泛的研究，但GDIAS仍被忽视。线性趋势分析进一步表明，基于RS和ML的关于IAS和GDEs的研究显著增加（R2 ≥ 0.68，p < 0.0001），而GDIAS的相关研究增长较为缓慢（R2 = 0.23），这凸显了方法论和主题上的显著差距。解决这一差距对于提高早期检测能力、制定管理策略以及推进GDEs的保护工作至关重要。

引言

入侵外来物种（IAS）通过排挤本地物种和破坏生态平衡，对全球生态系统构成了严重威胁。根据Tuberlin等人（2017）的研究，IAS已蔓延至243个国家，记录了1517种不同的物种，其中62%仅为植物。许多IAS是出于经济、娱乐或美观目的而被引入的（Py?ek等人，2020）。在这些入侵者中，依赖地下水的入侵外来物种（GDIAS）尤其令人担忧（Dzikiti等人，2017；Howari等人，2022）。这些植物通过其深根或浅根系利用地下水资源，在依赖地下水的生态系统（GDEs）中繁衍（Miyazawa等人，2016；Shiferaw等人，2019）。

研究表明，GDEs的生产力和恢复力依赖于持续的地下水供应（Gxokwe等人，2023；meijerink等人，2007）。然而，GDIAS由于增加的蒸腾作用和水分吸收，往往会降低GDEs中的地下水位，从而限制了本地物种的用水（Van Wilgen等人，2021；Dzikiti等人，2017）。此外，它们还会改变土壤养分动态和植被结构，导致本地物种的数量和多样性以及长期生态系统服务发生变化（Doody等人，2011；Albhaisi等人，2013）。例如，在埃塞俄比亚，Prosopis juliflora森林从1990年的0.2平方公里扩展到2019年的16平方公里，并在2019年消耗了约2200万升地下水（Howari等人，2022）。Jovanovic等人（2009）发现，像Acacia saligna这样的GDIAS会导致地下水中氮含量增加，进一步恶化水质，需要昂贵的净化措施（Jovanovic等人，2009）。这些生态和水文变化凸显了有效监测和管理策略的紧迫性，以保护地下水资源。

传统上，监测GDEs和IAS主要依赖于基于实地的方法，这些方法能够提供准确的结果（Pérez Hoyos等人，2016）。然而，这些技术往往劳动密集、成本高昂，并且在空间和时间尺度上受到限制。因此，遥感（RS）和机器学习（ML）已成为解决这些挑战的有效工具，可以实现大规模监测（Van Wilgen等人，2021）。在GDEs中，RS提高了对生态系统范围、健康状况和服务（如栖息地提供、碳封存和水质净化）的理解（Rambhunjun等人，2024；Rampheri等人，2023；Howard等人，2023）。像Google Earth Engine（GEE）、Dunia和Digital Earth Africa这样的云计算平台可以访问高分辨率的多时相卫星数据。然而，Chiloane等人（2023）的最新研究表明，只有少数研究（约0.06%）充分利用了这些技术来研究GDEs。ML在GDEs中的应用主要集中在数据丰富的地区，如中国和美国，而在干旱和半干旱地区的应用较少（Chiloane等人，2023；Rampheri等人，2023a）。Glanville等人（2023）的最新研究揭示了GDEs研究中的显著地理偏见，其中50.7%的研究集中在沙漠和干旱景观上。

在IAS研究方面也取得了进展，包括Perna等人（2023）在内的多项研究表明，自2015年以来相关研究数量有所增加，研究重点从检测转向了建模。随机森林和支持向量机等算法，在高分辨率多光谱、高光谱、LiDAR和无人机图像的支持下，将入侵植物的绘制精度提高到了90%以上（Zaka等人，2024；Rakgoale等人，2024；Jensen等人，2020）。许多研究人员报告了新兴无人机技术在检测和绘制植物入侵方面的有效性和稳健性（Gxokwe等人，2020）。然而，Singh等人（2024）的最新系统综述指出，缺乏关于野外调查设计、飞行设计、无人机系统、图像处理和分析的标准化报告，阻碍了这些方法的复制性和可扩展性。尽管技术取得了进步，但大多数研究仍将IAS和GDEs视为独立的领域，很少关注直接依赖地下水的入侵物种。

目前关于IAS研究的文献综述通常侧重于植被制图和物种识别，而GDEs研究则关注水文响应和生态系统功能（Zaka等人，2024；Yan等人，2021；Song等人，2020）。这些领域的有限整合限制了人们对地下水依赖性如何影响入侵动态和生态系统恢复力的理解。目前还没有专门针对GDIAS的综述。解决这一差距对于改进GDIAS监测和制定管理策略非常重要。因此，本文旨在回顾基于卫星的技术和ML在识别和监测GDIAS方面的进展，同时考虑相关的GDEs和IAS研究。该综述分析了方法论趋势、相似性、局限性，并指出了未来研究的方向。改进GDIAS的识别对于保护GDEs、加快清除工作以及改善水资源保护至关重要。

方法论

本研究进行了为期24年的文献分析，以了解基于卫星的技术和ML在监测GDIAS方面的使用模式和进展。

结果

后续结果对比分析了2000年至2023年间关于GDIAS、GDEs和IAS的研究。结果还指出了用于检测和监测GDIAS的卫星数据，并揭示了哪些国家专门进行了针对GDIAS的研究。这些结果提供了关于使用卫星和非卫星技术进行GDIAS、GDEs和IAS研究的长期模式的见解。

讨论

本综述旨在综合当前RS和ML在监测GDIAS方面的应用，同时考虑了关于IAS和GDEs的相关研究，以识别现有的差距和方法论趋势。总体而言，尽管全球对入侵物种管理和GDEs的兴趣日益增加，但直接针对GDIAS的研究仍然有限。大多数研究分别关注IAS或GDEs，表明这两个领域之间的交叉研究较少。

结论

总体而言，本综述首次系统地研究了GDEs、入侵植物以及依赖地下水的入侵外来物种这一新兴概念。通过系统分析二十年的文献，本研究揭示了专门针对GDIAS的研究存在显著差距，尽管遥感和机器学习技术取得了显著进展。本研究的主要贡献在于整合了跨学科的研究成果。

信息可用性声明

本工作完全基于元数据分析（文献回顾）。

作者贡献声明

Timothy Dube：撰写——审稿与编辑、验证、方法论、资金获取、正式分析。Mmasechaba Lebogang Moropane：撰写——初稿撰写、可视化、验证、方法论、调查、资金获取、概念构思。Moses Masocha：撰写——审稿与编辑、验证、方法论。Cletah Shoko：撰写——审稿与编辑、验证、监督、方法论、调查

未引用参考文献

Barron等人，2014；Chiloane等人，2025；Cutter等人，2000；Glenn等人，2005；Khanna等人，2011；Kumar Rai和Singh，2020；Liu等人，2021；Malhi等人，2020；Masocha和Skidmore，2011；Mucina和Rutherford，2004；Neumann和Cardon，2012；Richardson和Brown，1986；Turbelin等人，2017；Van Wilgen和Wilson，2018；Villalobos Perna等人，2023；Yasuda等人，2014。

利益冲突声明

作者声明他们没有任何已知的财务利益或个人关系可能影响本文所述的工作。

数据可获取性

本研究分析的文献数据可应要求提供。

利益冲突声明

? 作者声明他们没有任何已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢南部非洲发展共同体（SADC）- 地下水管理研究所（GMI）和国家研究基金会（NRF）对这项项目的财政支持。他们还感谢Elizaveta Kovaleva博士、Siyamthanda Gxokwe博士和Munashe Mashabatu先生对本文的审稿工作。