利用Harmonised PlanetScope和RapidEye影像数据对埃塞俄比亚西北部金合欢种植园的时空动态进行建模

《Travel Medicine and Infectious Disease》：Modelling Spatiotemporal Dynamics of Wattle Plantations in Northwestern Ethiopia Using Harmonised PlanetScope and RapidEye Imagery

　　Celuxolo Michal Dlamini | Trylee Nyasha Matongera | Simon Lawson | Madaline Healey | Agena Tanga | Kumela Regasa | Weldesenbet Kassie | Brett Phillip Hurley | Ilaria Germishuizen
南非夸祖鲁-纳塔尔大学农业与科学学院，彼得马里茨堡，3201

**摘要**
在农林复合系统中，人工林在支持撒哈拉以南非洲地区的农村生计方面发挥着关键作用，但其可持续性正日益受到土地利用变化、人口压力以及新出现的生物威胁的威胁。在埃塞俄比亚的Awi地区，小农户广泛种植金合欢（Acacia spp.）人工林，这些人工林不仅提供木材、薪柴和炭材以及收入，还有助于改善土壤并减少对天然森林的压力。然而，金合欢的入侵性也可能导致生物多样性的丧失，并扰乱超出预期种植区域的生态系统服务。如何在这些益处与生态风险之间取得平衡仍是一个全球性的挑战。本研究评估了2013年至2025年间Awi地区金合欢人工林及其相关土地利用和土地覆盖（LULC）变化的时空动态，特别关注了可能与金合欢锈病（Uromycladium acaciae）出现相关的近期减少现象。通过使用PlanetScope（3-5米）和RapidEye（5米）卫星图像，并在Google Earth Engine（GEE）上应用随机森林分类器，生成了五个时期的LULC地图（2013年、2016年、2019年、2022年和2025年）。分类效果始终较高[总体准确率（OA）0.80-0.93；Kappa值0.70-0.91]。变化检测分析显示，2013年至2016年间金合欢人工林迅速扩张（+181%），随后在2019年至2022年间持续减少，其中总面积减少了181平方公里（24.8%），主要是由于转化为其他植被类型和其他LULC类别。这一趋势一直持续到2025年，金合欢人工林面积进一步减少了27.7%，降至527平方公里。尽管轮作农林复合农业实践可以部分解释这种周期性变化，但最近减少的趋势和时间可能表明金合欢锈病降低了人工林的生存能力，促使人们转向其他土地利用方式。本研究强调了遥感技术在监测疾病风险、土地利用压力和生计可持续性方面的价值。

**1. 引言**
人工林，尤其是在农林复合系统中，对非洲农村生计至关重要。这些人工林主要由桉树和金合欢等外来物种组成，支持木材生产，并为小农户提供能源、建筑材料、饲料和收入（Chamshama和Nwonwu，2004；Jagger和Pender，2000）。除了经济价值外，人工林还参与栖息地恢复，通过提供替代木材资源来减轻对天然森林和林地的压力（Geldenhuys等人，2017；Kimambo和Naughton-Treves，2019）。人口增长、城市化和工业化进一步加剧了对木材和非木材林产品的需求，增加了对天然森林生态系统的压力。人工林作为重要缓冲区，通过限制森林砍伐、缓解气候变化影响和保护生物多样性来减轻这种压力（Kimambo和Naughton-Treves，2019；Deressa等人，2009；Mbow等人，2014）。此外，人工林还能提高土壤肥力和稳定性（Shackleton等人，2019）。金合欢物种尤其因其土地恢复、土壤改良和退化区域稳定作用而受到重视（Hurley等人，2023）。许多金合欢物种能够在贫瘠和受干扰的土壤中快速生长，通过固氮作用、深根系统和有机物质输入来提高土壤肥力（Brockwell等人，2005）。在撒哈拉以南非洲，外来金合欢人工林带来了显著的环境和经济效益（Nel等人，2026）。然而，它们的入侵性也可能导致生物多样性的丧失，并扰乱超出预期种植区域的生态系统服务（Dickie等人，2014）。在金合欢物种广泛种植的地区，如何在这些益处与生态风险之间取得平衡仍是一个全球性挑战（Dickie等人，2014；Wells等人，2023）。20世纪90年代初，埃塞俄比亚中部和西北部高地引入了金合欢物种，以缓解因大规模森林砍伐导致的薪柴短缺问题（Achamyeleh，2015；Chanie和Abewa，2021）。确认引入的物种包括Acacia mearnsii（Pham等人，2024），可能还包括A. decurrens；由于分类学和历史上的不确定性，本文统称为金合欢物种（Acacia spp.）。自引入以来，农民将金合欢纳入轮作农林复合系统中，与苔麸（Eragrostis teff）和蔬菜等作物轮作（Richardson等人，2023）。金合欢已成为阿姆哈拉地区农村经济的重要组成部分，尤其是在Awi地区，它支持多样化的生计并增强了粮食安全（Afework等人，2023；Afework等人，2024；Nigussie等人，2021）。鉴于人工林在这一镶嵌景观中的重要性，监测其时空变化对于评估农林复合系统的可持续性以及管理与入侵物种相关的生态风险至关重要（Feng等人，2025）。

**2. 材料与方法**
**2.1. 研究区域描述**
本研究在东非埃塞俄比亚西北部的Awi地区进行（坐标范围：纬度10.71-11.17；经度36.67-37.17）（图1）。研究区域面积约为6298平方公里，海拔高度在1799米至2968米之间。Awi地区具有亚热带和温带气候特征，气温介于15°C至24°C之间，年降水量超过1800毫米。Afework等人（2023）报告称，该地区主要为Acrisol、Nitosol和Cambisol土壤类型所主导，支持多种LULC类型，包括金合欢人工林。因此，该地区以人工林和天然森林、灌木、农作物用地、草地和建筑区为主。当地居民严重依赖金合欢人工林来获取炭材、薪柴、动物庇护所和围栏材料（Afework等人，2024）。由于金合欢在人工林和林地中的广泛应用及其向管理区域外的扩散趋势，该地区的金合欢人工林和其他木质作物（如桉树）显著扩展。

**2.2. 数据收集**
**2.2.1. 遥感数据获取与预处理**
卫星图像的选择基于云层覆盖情况和数据提供者的存档情况。由于金合欢人工林的常绿特性，卫星图像每年在11月至12月的旱季获取，此时大多数其他植被处于衰老状态，光合作用较弱。选择这个时间段是为了最小化金合欢人工林与周围植被之间的光谱混淆。此外，这个时期的天空晴朗且降雨量低，从而提高了图像质量并减少了云层覆盖。农林复合活动具有季节性，确保了多年间植被处于相似的物候阶段。将图像限制在这个时间段内还有助于开发适用于不同物候阶段的模型。RapidEye多光谱图像最初由RapidEye AG（德国）提供，后来由BlackBridge收购，从2008年开始运行直至2020年停止，提供了超过11年的EO数据。因此，Planet labs提供的RapidEye数据是在2013年无云条件下获取的（表1）。完成本研究的过程和步骤详见图2所示的流程图。

**表1. 2013年至2025年间用于研究的PlanetScope和RapidEye图像的获取日期和空间分辨率**
| 时间 | RapidEye | PlanetScope |
|-------------|-----------------|-----------------|
| 2013年11月24日 & 12月11日 | 5米 |
| 2016年12月18日、23日、28日 | 3-5米 |
| 2019年12月24日、26日、31日 | 3-5米 |
| 2022年12月17日、20日、23日 | 3-5米 |
| 2025年12月27日、28日 | 3-5米 |

**图2. 埃塞俄比亚Awi地区的研究区域地理位置[Shapefiles从opendatasoft.com下载。PlanetScope图像从Planet labs下载，地图使用ArcGIS Pro 3.1.3创建。]**流程图展示了从数据收集到验证完成本研究所采取的方法步骤[流程图使用draw.io创建]。RapidEye影像的空间分辨率为5米，包含五个光谱波段：蓝光（440-510纳米）、绿光（520-590纳米）、红光（630-680纳米）、红边（690-730纳米）和近红外（NIR；760-850纳米）。然而，在2016年和2019年，研究区域的大部分RapidEye数据集受到了云层覆盖的严重影响，且该卫星星座于2020年3月停止运行。因此，使用了PlanetScope多光谱影像（Planet Labs公司）来补充和延长时间序列，提供了2016年至2025年的覆盖数据（表1）（Mncwabe等人，2025b）。PlanetScope星座由四颗卫星组成，每颗卫星配备了四个多光谱波段，包括蓝光（455-515纳米）、绿光（500-590纳米）、红光（590-670纳米）和近红外（780-860纳米），提供3米的空间分辨率和1天的时间重访周期（Mthiyane等人，2025）。通过Planet的教育和研究计划可以获取PlanetScope和RapidEye影像，用于非商业学术用途。为了保持地面采样距离（GSD）的一致性，使用GEE将PlanetScope影像重采样为5米/像素，以匹配RapidEye数据集的空间分辨率。

考虑到由于可用性和云层覆盖的影响，图像是在不同日期和场景下收集的，首先使用场景级别的云信息及视觉检查来屏蔽受云层和阴影污染的像素，以去除剩余的伪影（Goodwin等人，2013）。然后，将每个时期中重叠场景中的无云像素通过中值合成方法组合成单一的代表性马赛克图像，通过计算所有图像中每个像素的中值反射率来减少残余大气效应的影响（Qiu等人，2017）。在ENVI中使用伪不变特征（PIFs）对图像反射率进行归一化，以调整一个图像的反射率以匹配参考图像（Zhou等人，2016）。选择2022年无云且大气污染最小的PlanetScope场景作为参考图像，而其他场景（2013年、2016年、2019年和2025年）则作为需要调整的目标图像。伪不变特征是通过主成分分析（PCA）方法识别的（Bao等人，2011）。PCA是一种多变量统计技术，它将观测变量转换为新的线性组合变量，捕捉数据集中大部分的方差（Greenacre等人，2022）。PCA应用于参考图像和目标图像对应的光谱波段对，以分析像素反射率值的协方差结构。在结果散点图中，光谱稳定的像素沿主轴对齐，表明两个场景之间的辐射差异最小（Bao等人，2011）。因此，选择偏离主轴最小的像素作为PIFs。这些选定的PIFs随后被用来通过线性变换得出每个波段的增益和偏移量，以调整目标图像的反射率，使其与2022年的参考图像相匹配。归一化后，通过比较归一化前后PIF像素的反射率分布以及视觉检查参考图像和归一化图像之间的直方图对齐情况来评估场景之间的一致性。这些步骤确保了图像场景之间的表面反射率一致性，有助于最小化大气和光照差异的影响（Xu等人，2021）。

2.2.2 地面真实数据收集
Wattle植物园的地面参考shapefiles由商业林业研究所（ICFR）提供。数据是使用手持式全球导航卫星系统（GNSS）接收器以50厘米的位置精度收集的。鉴于这种位置不确定性远低于本研究中使用的5米空间分辨率，GNSS的精度被认为足以进行可靠的像素标注。进一步通过视觉检查确认参考点位于wattle植物园的均匀区域内，以减少边界相关的不确定性，特别是在小而不规则的林地中。为了最小化边界不确定性，所有参考点都经过视觉检查，并从类别边界明显移动到目标类别的中心。

进行了空间对齐检查，以确保GNSS点位置与图像网格正确配准，从而确保实地数据与图像之间没有系统性的位置偏移。由于GNSS数据的高位置精度以及没有明显的错位，因此没有应用额外的缓冲或事后空间校正。shapefiles与2022年图像中wattle植物园的视觉外观清晰匹配，便于采样训练点（图3）。这种清晰的视觉表示在所有选定的时期都是一致的，使得易于识别wattle植物园像素以训练分类模型。使用可视化技术，利用每个时期的高分辨率图像，通过目的性采样方法获取了其他LULC类别，包括水体、裸露表面、其他植物园和建筑区（Brewer等人，2022）。在LULC分类任务中，目的性采样具有优势，因为它提供了区域调整的准确性、区域变化的不确定性以及用于训练模型的相应类别的精确元素（Mncwabe等人，2025b）。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图3. 研究区域内wattle植物园的可见性 [Wattle植物园用红色圆圈标示，2022年PlanetScope图像来自Planet Labs，地图使用ArcGIS Pro 3.1.3创建]。

表2概述了用于卫星影像监督分类的LULC分类方案及相应的训练样本分布（表2）。定义了五个土地覆盖类别，包括wattle植物园、其他植被、建筑区、水体和裸露表面。每个类别根据其结构和光谱特性进行区分，以便在分类过程中清晰区分。为了确保数据集的平衡性和代表性，每个时期每个类别收集了150个样本像素（表2），采用目的性采样方法。其中70%（n=105）用于模型训练，其余30%（n=45）作为独立测试数据集用于准确性评估。采用基于像素的采样方法，其中单个像素被选为训练和验证样本。由于水体和wattle植物园等类别的高度分散分布，没有进行空间块划分；因此，没有强制训练样本和测试样本之间的严格空间独立性。相反，样本是有目的地分布在每个LULC类别的整个空间范围内，以最小化空间聚类并减少空间自相关的影响。

表2. 本研究中考虑的每个LULC的结构和组成描述以及用于分类的样本点数量
类别 ID 描述
Wattle 由非本地Acacia物种主导的森林，通常以均匀的冠层结构种植，通常以管理良好的块状模式种植
150
其他植被 包括自然植被，如原生森林、灌木、草地和栽培作物，不包括wattle植物园。该类别具有异质结构和多样的光谱特征
150
建筑区 由人造结构组成，如房屋、商业建筑、柏油路和公共设施。建筑区通常由几何形状、高反射率和少量植被覆盖表示
150
水体 水体包括河流、湖泊、池塘和水库，在图像中因强烈的红外吸收而呈现暗色，其大小和范围在空间上和时间上都有变化
150
裸露表面 无植被的区域，暴露出土壤和岩石。包括休耕地、建筑工地、土路、裸露的道路和自然贫瘠区域，具有高反射率值
150

2.2. 使用随机森林分类器进行分类
使用重采样的RapidEye和PlanetScope卫星影像的四个原始光谱波段（蓝光、绿光、红光和近红外）生成了2013-2025年期间的LULC地图。土地覆盖地图的分类是在GEE平台上使用随机森林算法进行的（Magidi等人，2021）。随机森林分类器设置为50棵树，每个分割的变量数量设置为sqrt，最小叶大小为1，bag分数为0.5，随机种子数为0.5。随机森林能够处理大型和噪声数据集，同时最小化过拟合，已被广泛用于执行分类任务（Zafar等人，2024），与其他传统机器学习算法相比，实现了较高的预测准确性（Mohammadpour等人，2022）。随机森林是一种集成学习方法，由多个独立的决策树共同执行分类（Zafar等人，2024）。该算法通过使用训练数据和预测变量的随机子集生成许多决策树，而剩余数据用于验证（Avc?等人，2023）。最终的分类结果是通过汇总所有单个树的预测得出的，通常通过多数投票类别概率（Feng等人，2025）。随机森林被认为是一种稳健且稳定的分类器，因为它能有效减少过拟合，处理噪声数据，并且适用于高维数据集（Zafar等人，2024）。

按照Royimani等人（2019）解释的程序，分类从2022年开始，将提供的wattle植物园shapefiles和其他LULC类别的视觉采样点叠加在非常高分辨率的图像上创建训练数据。2022年的shapefiles提供了wattle植物园块结构和组成的基线，有助于识别早期（2013年、2016年、2019年）和后期（2025年）图像中的相同类别。对于这些其他时期，使用相应的高分辨率图像独立创建了年度特定的训练标签，并在Google Earth Pro中进行了视觉验证以确保准确性。此外，2022年每个光谱波段的反射率范围被用作参考，以指导其他年份正确像素的识别。这一程序确保了每个时期的训练数据准确反映了该年的条件，并避免了类别标签在不同年份之间的无意传播。分类后，将建筑区、水体和裸露表面合并为一个类别，称为“其他LULC”，以保持研究对wattle植物园的关注并简化报告。

本研究指出，合并这些类别导致了一些具体转变的详细信息丢失，例如wattle植物园是否被建筑区或裸露表面取代。合并这些次要类别是有意为之，以便报告特别突出wattle植物园的动态，而不引入次要类别的不必要的复杂性，因为本研究的目的不是提供全面的LULC评估。因此，最终的分类地图包括三个类别：wattle植物园、其他植被和其他LULC。其他植被类别被保留为一个独立类别，以便与wattle植物园进行直接比较，并便于跟踪这两个类别在分类期间的土地覆盖变化。

2.3. 变化检测分析
基于分类分析，量化了2013年至2025年间研究区域内wattle植物园空间范围的时间变化。为了了解这一时期三年间隔内wattle植物园的变化，分别在2013-2016年、2016-2019年、2019-2022年和2022-2025年的LULC地图上进行了变化检测分析。变化检测通过量化两个时期之间类别总面积的变化来进行。变化检测关注净变化，包括总增益、损失、年化率（以平方公里和百分比表示）。

总增益计算为在给定期间从任何其他类别转变为目标类别的总面积，而总损失则是相反的情况。净变化计算为每个时期最终类别面积与初始类别面积之间的差异。年变化率（ACR）使用Keshtkar等人（2017）提出的公式，通过每年初始面积和最终面积之间的变化率计算得出。其中SC是净变化（包括所有增益和损失），CPB是初始面积，Y是观察的时期，j是类别的名称。最后，使用ArcGIS Pro计算了景观破碎度指标，包括平均斑块大小和边缘密度，如Yaghoobi等人（2022）所述。金合欢种植园的斑块是通过使用八邻域连通性规则来划分的，斑块面积和边缘长度是根据多边形几何形状计算得出的，以计算平均斑块大小和边缘密度相对于总面积的比例，正如Lai等人（2016年）所指出的。为了减少来自小而孤立像素的噪声，采用了0.016平方公里（即640像素）的最小映射单元（MMU），这是根据Knight和Lunetta（2003年）之前研究的建议来平衡有意义的种植园斑块的检测。小于此阈值的斑块被排除在碎片化分析之外。之后，计算了斑块聚集程度，范围从-1（高度分散）到1（高度聚集），以评估种植园的配置，该方法遵循Szabo等人（2012年）的使用方法。(1)ACR（%/年）=[(SCjCPBj)×100]÷Y2.4。准确性评估和不确定性随机森林分类模型的性能是通过混淆矩阵来评估的，从中得出了各种准确性指标，包括生产者（召回率）、用户（精确度）和总体准确性，具体细节由Aziz等人（2024年）提供。混淆矩阵表用于通过将预测的土地覆盖类别与独立验证数据进行比较来评估分类的准确性，显示正确和错误分类的LULC类别（Helmud等人，2024年）。Kappa系数用于衡量分类与训练数据之间的一致性，考虑了超出偶然性的一致性，具体细节由Zhang等人（2021年）提供。接近和远离1的Kappa值分别表示高和低的精确度。为了量化分类和变化检测结果的不确定性，使用标准二项比例计算了每个类别的95%置信区间 [Z=1.96, (CIs)]。对于类别级别的准确性指标，分别使用（2）、（5）计算了分类和变化检测结果的标准误差（SE）。其中n是使用的测试点数量，PA和UA分别是遗漏错误和误报错误。然后使用（3）、（6）分别计算分类和变化检测结果的95% CI，其中A和Aadjusted（方程4）分别代表来自分类和变化检测地图的面积。(2)SE=UA(1?UA)n(3)CI=UA±1.96×SE(4)Aadjusted=Amapped×PA(5)SEA=Aadjusted×PA(1?PA)n(6)CIA=Aadjusted±1.96×A3. 结果3.1. 随机森林分类的准确性从2013年到2025年，整体分类性能持续提高（表3、表4、表5、表6），总体准确性从2013年的0.80（Kappa = 0.70）增加到2025年的0.93（Kappa = 0.91）。随机森林分类器在多年间表现出强大且稳定的性能，特别是在2016年之后，当时总体准确性超过了0.88。建成区始终被高生产者准确性和用户准确性（所有年份均≥0.83）分类，这表明这一类别具有很强的可区分性。金合欢种植园的分类性能随着时间的推移而提高，在2025年达到了非常高的生产者和用户准确性（0.95），表明与其他植被类型的混淆很少或没有。其他植被通常也取得了高准确性，尤其是在2022年和2025年。相比之下，水体在所有年份中始终表现出最低的准确性，表明这一类别的分类不确定性较大。裸露表面的分类准确率在整个研究期间保持在中等到高水平，并在后期有所提高。表3. 2013-2025年随机森林分类器的LULC分类准确性结果。时期类别IDPAUA2013金合欢0.710.73其他植被0.810.76建成区0.830.85水体0.620.69裸露表面0.850.80OA=0.80, Kappa= 0.702016金合欢0.810.87其他植被0.790.73建成区0.940.94水体0.730.76裸露表面0.930.83OA=0.88, Kappa= 0.812019金合欢0.920.85其他植被0.720.84建成区0.970.98水体0.670.69裸露表面0.810.71OA=0.92, Kappa= 0.872022金合欢0.820.83其他植被0.910.80建成区0.980.97水体0.760.74裸露表面0.850.89OA=0.92, Kappa= 0.882025金合欢0.950.95其他植被0.940.94建成区0.980.97水体0.670.80裸露表面0.920.88OA=0.93, Kappa= 0.91[总体准确性= OA, 生产者准确性 = PA, 用户准确性 = UA]表4. 2013-2025年金合欢种植园和其他植被及LULC类别的面积变化。时期2013-20162016-20192019-20222022-2025类别变化面积（km2）面积（km2）面积（km2）面积（km2）金合欢 - 金合欢145.68361.26337.22477.78金合欢 - 其他植被142.09505.20376.24214.41金合欢 - 其他LULC93.49203.56216.1343.22其他植被 - 金合欢97.36155.22319.0989.78其他LULC - 金合欢826.98413.1088.4745.44其他变化4992.44659.674960.855427.373. 2013至2025年LULC类别的面积覆盖情况2019年，随机森林分类器的总体准确率为0.92，Kappa系数为0.87，金合欢种植园类别的生产者和用户准确率分别为0.92和0.85。其他植被类别的生产者准确率为0.72，用户准确率为0.84。建成区的分类性能较高，生产者和用户准确率分别为0.97和0.98。水体的表现中等，生产者和用户准确率分别为0.67和0.69，而裸露表面的生产者和用户准确率分别为0.81和0.71。2022年，总体分类准确率为0.92，Kappa系数为0.88。这一年，其他植被类别的生产者和用户准确率分别为0.91和0.90。建成区再次显示出较高的分类准确性，生产者和用户得分分别为0.98和0.97。水体的生产者准确率为0.76，用户准确率为0.74。裸露表面的分类性能有所提高，生产者和用户准确率分别为0.85和0.89。最后，在2025年，总体准确率和Kappa系数分别为0.93和0.91。金合欢种植园类别的生产者和用户准确率均为0.95。其他植被的生产者和用户准确率均为0.94。建成区的表现依然强劲，生产者和用户准确率分别为0.98和0.97。水体的生产者和用户准确率分别为0.67和0.80。另一方面，裸露表面的生产者准确率为0.92，用户准确率为0.88。2013至2025年LULC类别的面积覆盖结果如图4所示。2013年，其他LULC的面积覆盖最大，为5333平方公里，而金合欢（373平方公里）和其他植被（592平方公里）的覆盖面积相对较小，后者略高于金合欢种植园。2016年，金合欢的覆盖面积显著增加，达到1048平方公里，其他植被增加到778平方公里，而其他LULC减少到4472平方公里，但仍占主导地位。2019年，其他植被大幅增加至2191平方公里，超过了金合欢的910平方公里。其他LULC进一步减少到3196平方公里。2022年，金合欢种植园和其他植被分别减少到729平方公里和1969平方公里，其他LULC略微增加到3599平方公里。最后，在2025年，金合欢种植园和其他植被分别减少到527平方公里和1845平方公里，而其他LULC略微增加到大约3926平方公里。总体而言，金合欢种植园从2013年到2016年有所扩展，随后在2025年前逐渐减少。其他LULC在所有年份中始终覆盖最大面积，金合欢和其他植被的覆盖面积在每个时期都有波动。下载：下载高分辨率图像（129KB）下载：下载全尺寸图像图4. 分类期间各类别的面积覆盖情况。[为了报告目的，将建成区、水体和裸露表面合并为一个类别“其他LULC”，因为研究的重点是金合欢种植园]。3.3. 金合欢种植园的时空分布图图5展示了2013年至2025年Awi地区LULC类别的时空动态，突出了金合欢种植园、其他植被和其他LULC类别之间的转换。2013年，金合欢种植园在该地区的中部和东部分布较为均匀（373平方公里），特别是在Injibara和Addis Kidam城镇附近，而其他植被（592平方公里）和其他LULC类别（5333平方公里）占据了Awi地区的大部分西部和南部。到2016年，金合欢种植园大幅扩展到1048平方公里，增加了181%，特别是在该地区的东部和东南部。这种扩展表现为其他植被和其他LULC类别大量转化为金合欢种植园。2019年，金合欢种植园的面积减少到910平方公里，比2016年减少了13%，表明金合欢种植园向其他植被和其他LULC类别的转化增加。这一下降趋势在2022年变得更加明显，金合欢种植园的覆盖面积进一步减少到729平方公里（减少了20%），特别是在Awi地区的南部和中部，其他植被和其他LULC类别扩展到了之前金合欢种植园所占的区域。这一趋势持续到2025年，金合欢种植园的面积进一步减少了27.7%，降至527平方公里，同时其他植被和其他LULC类别的分布变得更加分散。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图5. 2013-2025年Awi地区金合欢种植园的时空分布。[分类地图从GEE导出，最终地图使用ArcGIS Pro 3.1.3创建]。3.4. 变化检测变化检测分析显示了2013-2016年、2016-2019年、2019-2022年和2022-2025年的类别转换情况，如图6的地图和图7的Sankey图所示。2013年至2016年间，金合欢种植园在Awi地区的东部和东北部的现有分布相对稳定。相比之下，在南部和中部地区观察到了明显的空间减少，金合欢种植园主要转化为其他植被。尽管有这些损失，但金合欢种植园的整体空间扩展仍然存在，同时其他植被也有一定程度地转化为金合欢种植园。此外，还记录了其他LULC类别大量转化为金合欢种植园，特别是在Awi地区的东部。2016年至2019年期间，金合欢种植园在其已建立的分布区域内保持相对稳定。然而，金合欢种植园向其他LULC类别（包括其他植被）的转化增加。从2019年到2022年，金合欢种植园在其既定分布区域内继续保持相对稳定。然而，金合欢种植园向其他LULC类别（包括其他植被）的转化在整个景观中增加。从2019年到2022年，金合欢种植园在Awi地区的扩展较为明显，特别是在东部地区。从2022年到2025年，金合欢种植园主要向西部扩展为其他植被，而其他LULC类别向金合欢种植园的转化较少。尽管有这种局部扩展，但金合欢种植园向其他LULC类型（包括其他植被）的转化变得越来越明显。总体而言，从2016年到2025年，金合欢种植园在Awi地区逐渐减少，主要是由于其他LULC类别和其他植被的压力增加。值得注意的是，2019年至2022年间观察到的显著减少可能与之前报道的金合欢锈病爆发有关（Pham等人，2024年），这降低了种植园的生产力和盈利能力，促使农民转向其他土地利用方式（Yallew和Abtew，2025年）。2022年至2025年期间，金合欢种植园的保留更加明显，并且更多地转化为其他植被。在整个研究区域内也观察到其他植被向金合欢的零星转换。值得注意的是，在此期间没有显著的金合欢种植园扩展，特别是从其他LULC类别。4. 讨论本研究首次提供了埃塞俄比亚Awi地区12年（2013-2025年）金合欢种植园动态的林分级、多时相量化，使用了应用于 harmonised 高分辨率（3-5米）PlanetScope和RapidEye卫星图像的随机森林分类框架。结果表明，金合欢种植园的面积从2013年的373平方公里扩展到2016年的1048平方公里，增加了181%。随后在2019年持续并逐渐减少到910平方公里（减少了13.2%），2022年减少到729平方公里（减少了19.9%），2025年减少到527平方公里（减少了27.7%），主要是由于转化为其他植被和其他LULC类别。通过利用一致的光谱和时间数据、分层准确性评估和严格的变化检测框架，本研究提供了对金合欢种植园轨迹的稳健和可解释的评估。五阶段时间序列分析能够分解总收益和损失，清楚地表明2016年观察到的金合欢种植园面积峰值并未持续下去。4.1 随机森林分类模型在土地利用类型（LULC）分类中的准确性和可靠性所采用的分类协议包括基于像素的分层采样、面积调整的准确性指标以及基于保留样本的验证，每个类别至少有45个测试像素点。两种协调一致的传感器之间使用相同的光谱波段以及对每个分类单独进行验证，进一步支持了报告的LULC面积覆盖估计和变化的可靠性。基于此，随机森林分类结果显示，总体分类准确性从2013年的0.80提高到了2025年的0.93，Kappa系数始终大于0.70，表明有相当高的一致性。金合欢种植园的分类精度显著提高，生产者准确性分别从2013年的0.71、2016年的0.81、2019年的0.92、2022年的0.82增加到2025年的0.95。其他类别也始终保持了高用户和生产者准确性水平，多个时期几乎达到了0.98的完美分数。然而，在早期年份观察到了金合欢与其他植被类别的误分类现象，但在后期有所减少。尽管如此，这些结果证实了随机森林算法和高分辨率卫星遥感数据在LULC分类中的稳健性（Adam等人，2014年；Phinzi等人，2023年）。4.2 2013年至2025年Awi地区金合欢种植园的时空分布金合欢的净覆盖面积从2013年的373平方公里增加到2025年的527平方公里（增加了154平方公里；总体增加了41.3%）。这一净增长主要受到2013年至2016年间的急剧增加（增加了675平方公里；增加了181.0%）的推动，随后从2016年至2019年减少了138平方公里（减少了13.2%），从2019年至2022年减少了181平方公里（减少了19.9%），以及从2022年至2025年减少了202平方公里（减少了27.7%），这表明2016年之后出现了持续的收缩。这些发现得到了现有文献的支持（Nigussie等人，2021年；Afework等人，2024年；Zerga等人，2024年），这些文献报告了Awi地区农村家庭对金合欢种植园的严重依赖。此外，在此期间还观察到年降水量（TAP）的减少和平均气温（MAT）的升高（2013年：TAP=1052.67毫米，MAT=23.35°C；2016年：TAP=957.99毫米，MAT=24.11°C；2019年：TAP=1137.43毫米，MAT=23.86°C；2022年：TAP=783.28毫米，MAT=23.98°C；2025年：TAP=1037.62毫米，MAT=24.05°C，WorldClim），这些因素可能抑制了其他植被的生长，迫使农民大量种植金合欢，因为金合欢能够在恶劣条件下茁壮成长（de Neergaard等人，2005年）。Afework等人（2023年）报告称，土壤pH值、土地退化、金合欢种植园与其他LULC类别的相对适宜性以及燃料木需求的增加都促进了Awi地区金合欢种植园的显著扩张。此外，金合欢物种的固氮能力在改善土壤方面起着重要作用，因为农民通常将金合欢纳入轮作系统中以提高土壤肥力。2013年至2016年间观察到的扩张之后出现了急剧逆转，2016年至2025年间金合欢种植园的净损失最大，主要是由于金合欢种植园转变为其他植被和其他LULC类别。2022年至2025年间金合欢种植园的最大净损失达到了202平方公里（减少了27.7%），相当于每年大约67平方公里的损失。2019年至2022年间，金合欢种植园减少了181平方公里（减少了19.89%），相当于每年大约60平方公里的损失。未来可能需要进行进一步分析，如未来进展预测，以评估潜在的严重损失及其不可逆转的临界点。总体而言，这些趋势表明从2016年开始金合欢种植园面积的加速下降，主要与向其他植被和其他LULC类别的转变有关。然而，在这种背景下应谨慎解释“净损失”的概念，因为Awi地区的土地利用动态受到轮作系统的强烈影响。农民通常在金合欢种植园和苔麸（Eragrostis tef）之间交替种植，导致年度种植园面积和LULC评估的周期性变化（Richardson等人，2023年；Melese等人，2025年；Tegene等人，2016年）。2025年，大约40.6%的金合欢损失归因于转变为其他植被，而8.2%转变为其他LULC类别。这些转变表明，在2016年金合欢面积峰值之后，土地利用动态发生了显著变化，对生态条件和当地生计产生了重要影响。从空间上看，2013年至2016年期间金合欢的扩张主要集中在Awi地区的东部和东南部，而2016年至2025年间的损失在中部和南部最为明显。2016年至2025年期间的碎片化指标表明景观异质性增加，表现为平均金合欢斑块面积减少了23.5%，边缘密度增加了18.1%，丛生度减少了0.17%，反映了金合欢种植园的更大空间分散。这些模式与埃塞俄比亚人口从2016年的1.067亿增加到2025年的1.297亿的快速增长一致，这推动了其他LULC类别的扩张，包括建成区和道路网络的扩展，以适应人类居住（Abebe等人，2025年）。这些趋势也可能部分归因于Uromycladium acaciae的传播，这种病原体自2020年以来一直在Awi地区西南部导致金合欢种植园发生严重的枝条和叶锈病（Pham等人，2024年）。与金合欢锈病相关的高树木死亡率可能降低了种植园的生产力和经济可行性，促使农民将受影响的金合欢改种为其他作物和土地利用方式。在此期间，金合欢种植园和其他森林类型的面积分别减少了3.9%和15.2%，估计每年造成的财务损失在558.54美元至9,514.35美元之间（Yallew和Abtew，2025年）。观察到的金合欢种植园动态具有重要的管理意义。十年早期的扩张可能反映了经济激励、重新造林努力和土地管理政策的影响，而2016年之后的稳定下降则表明由于农业扩张、农村发展和潜在的土地所有权变化，土地利用竞争加剧。值得注意的是，金合欢恢复为非耕地的地区，特别是在中东部，可能通过有针对性的干预措施提供低成本恢复的机会。相比之下，Awi地区西南部由于病原体导致的金合欢严重衰退（Yallew和Abtew，2025年；Pham等人，2024年），需要紧急的系统性监测和有效的管理干预，以限制疾病的进一步传播和影响，保护当地农民的生计。金合欢种植园在农村经济中发挥着关键作用，特别是在替代生计和就业机会有限的地区（Afework等人，2023年；Afework等人，2024年；Nigussie等人，2021年）。管理的林地为建筑、家庭能源需求的燃料木和木炭提供了必要的木材来源，以及一系列支持生计和小型商业活动的收入生成产品。在许多农村地区，基于金合欢的价值链直接促进了家庭收入、当地就业和经济韧性，突显了它们对社区福祉的重要性。同时，种植和管理的林地减少了自然木质植被的压力，否则由于对木材和燃料木的需求，这些植被可能会进一步退化（Kimambo和Naughton-Treves，2019年）。因此，金合欢种植园的减少不仅对农村生计有影响，也对本地植被的保护和更广泛的生态系统完整性有影响。明确了解金合欢减少的驱动因素至关重要，无论是与金合欢锈病等疾病爆发、人口增长和建成区扩张还是更广泛的土地利用变化有关。为了维持依赖金合欢种植园的农村经济，需要制定基于对种植园动态的生物物理和社会经济驱动因素的清晰理解的管理策略。定期监测害虫和疾病（如金合欢锈病）是必要的，因为高死亡率和相关的经济损失可能会抑制继续种植的积极性。同时，应优先开发和采用耐病金合欢品种、替代林业物种，以及生物控制和综合害虫管理方法。还需要考虑减少金合欢种植的更广泛的社会经济驱动因素，包括土地利用优先级的变化。全面解决这些因素对于支持农村生计、粮食安全和基于社区的农林系统的长期可持续性至关重要。4.3 限制和建议本研究提供了关于Awi地区金合欢种植园时空动态的宝贵见解；然而，它也存在一些局限性。金合欢与其他木质植被的光谱相似性可能在混合和退化地区引入了分类混淆。尽管进行了光谱协调，RapidEye和PlanetScope传感器之间的残余差异也可能影响了分类结果。此外，图像采集之间的三年时间间隔需要使用年化变化率估计，这可能掩盖了短期土地覆盖变化。将建成区、水体和裸露表面聚合为单一的“其他LULC”类别也限制了空间特异性，并降低了将变化归因于特定土地利用驱动因素的能力。由于水体和金合欢种植园等类别的高度分散分布，本研究中用于训练和测试的数据在空间上没有进行分组，这限制了各个组内样本的充足性。虽然这种方法提高了样本的代表性，但仍可能存在一定程度的空间依赖性，可能导致过于乐观的准确性估计。强制使用空间独立的组可能会导致上述类别的代表性不足和排除，从而影响分类性能和准确性评估的稳健性。因此，在空间分散和足够的类别代表性之间保持了平衡，但报告的准确性指标应理解为可能存在一定的残余空间自相关性。最后，尽管本研究中使用的图像都是11月至12月期间收集的，以确保季节一致性，但年际降雨量和金合欢物候的变化仍可能影响光谱响应和类别可分性，从而在变化检测结果中引入偏差。从分类图像得出的面积估计可能包含不确定性，这是由于可能的分类错误、验证数据中的采样限制以及金合欢种植园与其他木质植被之间的光谱混淆。此外，分析中使用的图像是在私人GEE资产中许可和处理的，这限制了数据的可重复性，并限制了外部验证的机会。此外，地面真实数据的有限可用性进一步限制了LULC分类的验证过程，可能影响准确性评估。此外，该研究没有纳入社会经济、政策相关和地形变量以及气候数据，这限制了对观察到的LULC变化背后确切驱动因素的理解。为了解决这些限制，未来的研究应整合详细的实地验证数据以提高分类准确性。将分类输入变量扩展到社会经济、生态和地形数据，可以提供对Awi地区观察到的LULC变化动态的更全面理解。5. 结论本研究提供了2013年至2025年Awi地区金合欢种植园及其相关LULC变化的全面分析。研究结果揭示了金合欢种植园的初期扩张期，随后由于逐渐转变为其他植被和其他LULC类别而逐渐减少。尽管轮作农林实践部分解释了周期性变化，但最近下降的时间和幅度与确认的金合欢锈病引起的高死亡率相吻合，这降低了种植园的生产力和可行性。然而，金合欢种植园作为土地利用类型的观察到的减少只能部分且假设性地归因于锈病，因为它也可能受到其他压力（包括农业扩张、农村发展和更广泛的土地利用动态）的影响。本研究的结果为土地管理者和政策制定者提供了实用指导，有助于早期发现种植园的减少，改进疾病监测，并为小农户农林系统的可持续土地利用规划提供信息。本研究建议未来的研究将高分辨率遥感数据集与基于实地的验证相结合，同时结合社会经济和地形数据，以便更全面地评估金合欢种植园和其他LULC类别的变化。这种综合方法将有助于解决本研究中发现的限制和问题，并为政策制定者和土地管理者提供强有力的证据，以做出明智和平衡的决策。这些决策应认识到金合欢种植园的经济价值和可持续性，以及它们在农业林业系统中的作用，这些系统是农村生计的基础。同时，也需要考虑到金合欢种植园的入侵性及其对自然生态系统和本地土地覆盖类型的潜在影响。

未引用的参考文献：
DOBRINIC等人，2018年

CRediT作者贡献声明：
Celuxolo Michal Dlamini：撰写——审稿与编辑、撰写——初稿、可视化、验证、软件使用、方法论、调查、形式分析、数据管理、概念化。
Trylee Nyasha Matongera：撰写——审稿与编辑、项目管理、方法论、概念化。
Simon Lawson：撰写——审稿与编辑、资源获取、资金筹措、概念化。
Madaline Healey：撰写——审稿与编辑、资源获取、资金筹措、概念化。
Agena Tanga：撰写——审稿与编辑、概念化。
Kumela Regasa：撰写——审稿与编辑、概念化。
Weldesenbet Kassie：撰写——审稿与编辑、概念化。
Brett Phillip Hurley：撰写——审稿与编辑、概念化。
Ilaria Germishuizen：撰写——审稿与编辑、撰写——初稿、监督、资源获取、项目管理、方法论、资金筹措、概念化。