利用数据融合和机器学习框架量化埃塞俄比亚博拉纳草原的地表生物量动态

《Environmental Challenges》：Quantifying Rangeland Aboveground Biomass Dynamics Using Data Fusion and Machine Learning Framework in the Borana rangelands of Ethiopia

　　贝尔汉·格塞塞（Berhan Gessesse）|泽里洪·切雷（Zerihun Chere）|塔莱马·莫格德（Talema Moged）|格拉娜·达巴（Gelana Daba）|比雷达·阿莱马耶胡（Bireda Alemayehu）|吉扎切乌·卡比特（Gizachew Kabite）|翁迪穆·海马诺特（Wondimu Haimanote）|贝克莱·贝达达（Bekele Bedada）|约瑟夫·梅卡沙（Yoseph Mekasha）|塞缪尔·图法（Samuel Tuffa）|穆罕默德·阿卜杜拉蒂费（Mohammed Abdulatife）|特梅斯根·格贝耶胡（Temesgen Gebeyehu）|吉鲁姆·凯特玛（Girum Ketema）|卡莱阿布·瓦莱林格（Kaleab Walelign）|埃泽丁·阿卜德拉（Ezedin Abdela）|达格纳切乌·卢莱（Dagnachew Lule）|贝拉切乌·采海（Belachew Tsehay）|阿卜迪萨·伊尔马（Abdissa Yilma）

**埃塞俄比亚亚的斯亚贝巴，埃塞俄比亚空间科学和地理空间研究所，遥感部门**

**摘要**
准确且空间明确的地上生物量（AGB）估算对于评估牧草资源、监测草地健康状况以及为半干旱生态系统的恢复提供信息至关重要。在埃塞俄比亚南部的博拉纳（Borana）草原上，由于空间异质性高、季节性变化大、灌木入侵严重以及野外观察数据与遥感数据的整合有限，AGB的估算尤为具有挑战性。此外，依赖单一传感器的地球观测（EO）方法往往无法捕捉植被结构和水分动态的复杂性。为了解决这些问题，本研究开发了一个 multi-sensor 数据融合和机器学习框架，该框架利用了不同 EO 数据来源的互补优势。2025 年生长季（3 月至 6 月）期间，在 93 个系统分布的样地（30 米 × 30 米）中收集了野外 AGB 测量数据。这些数据与捕获植被光谱特性的 Sentinel-2 光学图像相结合，以及提供与云覆盖无关的植被结构和水分信息的 Sentinel-1 SAR 数据，同时还结合了 DEM 派生的地形协变量，以解释地形对生物量分布的影响。在 Google Earth Engine 中实现的随机森林模型表现出强大的预测能力（R2 = 0.80），其中纹理特征、红边植被指数（NDVI_RE2、SLAVI）和 SAR 派生的变量（尤其是 RVI 和 VV/VH 比值）被认为是最具影响力的预测因子。最终的 AGB 地图显示出生物量存在明显空间差异：干旱易发、灌木入侵严重的平原生物量较低，而相对湿润、海拔较高的地区生物量较高。总体而言，本研究强调了多传感器融合在类似博拉纳草原的其他地理环境中显著改善了 AGB 估算，并支持更加科学的草地管理和恢复规划。

**1. 引言**
草地是由草本植物、灌木、稀树草原和开阔林地组成的广阔生态系统，支撑着全球 40% 到 50% 的陆地表面的重要生态和社会经济功能（Yahdjian 等，2015；Briske，2017）。在埃塞俄比亚，草地占全国陆地面积的 60% 以上，通过牲畜生产、生物多样性保护和碳储存维持着数百万牧民和农牧家庭的生活（Angassa，2014；Fenetahun 等，2020）。其中，埃塞俄比亚南部的博拉纳草原是最重要的半干旱牧区系统之一，其特点是气候变异性高、干旱频繁以及以金合欢-乳香木林地、草本植物和灌木为主的植被（Abdulahi 等，2016）。这里的气候介于干旱到半干旱之间，年际和年内变化显著，给牧业和农牧系统带来了巨大挑战。年平均降雨量在 216 至 583 毫米之间，呈双峰分布，3 月至 5 月的降雨量占年总量的约 60%，这与大多数埃塞俄比亚地区以夏季降雨为主的模式（6 月至 8 月）不同（Worku 等，2022；Dalle 等，2006）。

在过去几十年里，博拉纳草原经历了由灌木入侵、入侵物种、频发干旱和农业扩张引起的严重生态退化（Mehari，2015）。这些压力导致了植被结构的显著变化：曾经连续的草原已经变得支离破碎，越来越多地被入侵和入侵的木质物种所占据（Tache 和 Oba，2010；Angassa，2014）。实证研究表明，草地覆盖率从 20 世纪 90 年代的约 54% 至 60% 下降到 2019 年的 40%，而灌木丛和木质植被显著扩展（Fenetahun 等，2020）。因此，地上生物量（AGB）的生产力显著下降，削弱了生态功能以及牧业生产系统的韧性（Angassa，2014；Fenetahun 等，2022）。尽管发生了这些重大变化，但由于缺乏关于博拉纳地区生物量状况和分布的准确、最新的空间明确信息，有效的草地监测和管理仍然受到限制。基于野外的 AGB 评估仍然是最可靠的生物量信息来源；然而，由于其高劳动需求、物流成本和有限的空间覆盖范围，在广阔而异质的草原上的应用受到限制（Fenetahun 等，2025）。相比之下，地球观测（EO）技术能够在区域尺度上非破坏性地估算 AGB，包括难以到达的地区（Naidoo 等，2019）。然而，在使用 EO 数据集进行草地 AGB 估算的方法和操作上仍然存在重大差距，特别是在半干旱生态系统中。埃塞俄比亚及类似干旱地区的现有研究主要依赖于单一传感器的光学数据（Fenetahun 等，2025），通常使用如 NDVI 等植被指数。虽然这些方法有用，但在植被稀疏和结构复杂的草原上存在关键局限性（Eisfelder 等，2012）。光学传感器对叶绿素含量非常敏感，但无法充分捕捉植被冠层结构的异质性和叶面积指数（LAI）的阈值。此外，在生物量低和土壤背景反射率高的情况下，阴影效应会降低反射信号的敏感性（Liu 等，2025），在以草-灌木-树木混合系统为主的异质景观中产生不可靠的估算结果（Zhou，2019）。当反射率对生物量的进一步增加不敏感时，就会发生这种光谱饱和现象，从而降低估算精度（Zhao 等，2016b）。从光学传感器得出的常见植被指数（如 NDVI）特别容易受到这种饱和的影响（Wang 等，2016），限制了它们在植被密集生态系统中的应用。

同样，微波（雷达）数据由于对植被结构、冠层水分和介电特性的敏感性，具有很强的 AGB 监测潜力（Tan 等，2016）。SAR 传感器可以检测植被元素的散射，并对大小、冠层密度和结构复杂性高度响应（Zhang 等，2024）。特别是极化 SAR 系统的雷达后向散射能够详细表征植被特性，并改善从地表获取的空间信息（Abdel-Hamid 等，2020）。在非洲干旱和半干旱地区的先前研究中，已报告 SAR 后向散射与草地 AGB 和关键生态参数之间存在显著相关性（Abdel-Hamid 等，2020；Rapiya 等，2023）。尽管具有这些优势，SAR 数据在埃塞俄比亚草地研究中很少被独立使用或系统性地与光学数据集结合，这限制了模型的鲁棒性和准确性。此外，尽管机器学习（ML）技术在全球干旱地区生物质建模中表现出强大的预测性能，但在埃塞俄比亚草原的应用主要局限于单一数据集，缺乏与多传感器框架的整合（Fenetahun 等，2025）。此外，ML 方法与更广泛的预测建模研究方法有着共同的方法论基础，例如神经模糊系统、混合 ANN-元启发式模型和极端学习机等，这些方法在岩土工程和结构工程中也被广泛用于处理高维度、非线性和数据噪声问题（Safa 等，2020；Armaghani 等，2020；Shariati 等，2020）。这些研究强调了与环境建模相关的关键原则，包括特征筛选、集成学习、变量重要性评估和高度异质系统中的不确定性降低。最近在多传感器数据融合方面的进展，将光学、雷达和环境变量与 ML 算法相结合，为改善半干旱生态系统的 AGB 估算提供了新的机会（Bangira 等，2023）。例如，Zhang 等（2025）证明，使用多特征融合变压器结合 Sentinel-1（S1）SAR 和 Sentinel-2（S2）光学数据可以显著提高半干旱森林的 AGB 估算精度。同样，Zhou 等（2023）利用高分辨率的时空多源数据融合在半干旱草原中获得了可靠的 AGB 估算结果，而 Rapiya 等（2023）确认了整合 S1 和 S2 数据在异质牧区系统中进行草地 AGB 估算的有效性。

鉴于该地区的高空间异质性和研究区域内日益严重的灌木入侵，将 Sentinel-1、Sentinel-2 和 SRTM DEM 整合到一个稳健的 ML 框架中是一种有前景的方法。然而，这样的综合框架在博拉纳草原上尚未得到系统性的开发和评估，这正是本研究旨在解决的研究空白。这一空白限制了决策者生成及时且空间明确的生物量信息的能力，从而无法有效监测退化情况、规划放牧活动并优先考虑恢复工作。因此，我们假设使用随机森林算法整合多源地球观测数据集（Sentinel-1、Sentinel-2 和 SRTM DEM）将显著提高草地生态系统中地上生物量（AGB）估算的准确性。此外，我们假设特定的光谱、雷达和地形衍生变量是 AGB 的主要预测因子，它们的空间整合可以可靠地划分出高和低牧草生产力的区域，以支持有针对性的草地管理措施。研究结果为半干旱生态系统中的 AGB 估算提供了一个可扩展的框架，支持基于证据的草地管理、放牧和恢复工作。这对于在埃塞俄比亚开发可持续的草地监测系统具有重大意义，并为类似地区提供了可复制的解决方法。

**2. 材料与方法**
**2.1. 研究区域描述**
博拉纳地区位于北纬 3°30′50″ 至 5°19′28″ 和东经 36°38′47″ 至 39°44′45″ 之间（图 1）。该地区的景观以从北向南逐渐倾斜的广阔平原为特征（Abate 和 Angassa，2016）。博拉纳平原主要为低地高原，平均海拔在 1,000 至 1,500 米之间，其间散布着一些孤立的山脉，这些山脉引入了明显的局部地形变化，影响着微气候和水文模式。该地区以红色沙质壤土（53%）为主，其次是黑色粘土和火山粉质粘土（30%），其余 17% 为淤泥和火山土（Angassa 2021；Bikila 等，2016）。

**图 1. 博拉纳地区的地理位置**
博拉纳地区具有干旱到半干旱的气候，年际和年内变化显著，给牧业和农牧系统带来了巨大挑战。年平均降雨量在 216 至 583 毫米之间，呈双峰分布，3 月至 5 月的降雨量占年总量的约 60%，这与大多数埃塞俄比亚地区以夏季降雨为主的模式（6 月至 8 月）不同（Worku 等，2022；Dalle 等，2006）。这种低且不稳定的降水量伴随着年平均温度在 18°C 至 26°C 之间，冬季和秋季较为温暖（Fanta 等，2025）。与气候变化相关的温度升高进一步加剧了水资源短缺和传统畜牧管理的困难（Sintayehu 等，2025）。每五到六年一次的周期性干旱导致牲畜大量损失、牛奶产量减少和作物频繁失败（Desta 和 Coppock，2004）。由于降雨不稳定、温度升高和周期性干旱的共同作用，造成了持久的水资源短缺，削弱了粮食安全和牧业生计的韧性（Shibru 等，2023）。
博拉纳草原覆盖了埃塞俄比亚南部约 95,000 平方公里的面积，是东非最重要的牧区之一。该地区的土地覆盖类型主要是开阔的草原和稀树草原，历史上以多年生草本植物为主，支持多样化的牧业和农牧社区（Fentahun 等，2021）。然而，近年来由于气候变异性、过度放牧和土地利用变化，这一生态系统经历了严重退化，导致牧草资源减少和畜牧业承载能力下降。灌木入侵是这一退化的主要驱动因素，尤其是 Vachellia drepanolobium 和 Senegalia mellifera 等本地物种的入侵，加速了多年生草本覆盖的丧失并恶化了整体草地状况（Abate 和 Angassa，2016；Yeneayehu 等，2023）。

**2.2. 数据获取与处理**
本研究结合了 EO 数据集和野外测量的 AGB 数据。EO 数据集的来源及获取和整理野外测量数据的程序详见 2.2.1 节。此外，对 EO 数据和野外数据预处理的步骤在 2.2.2 节中有详细描述。

**2.2.1. 野外数据**
野外数据是在 2025 年生长季（3 月至 6 月）期间在奥罗米亚地区的博拉纳地区收集的。采用了三阶段聚类抽样设计以确保代表性覆盖和可重复性。在第一阶段，有意选择了五个“Woreda”（Yabelo、Dhas、Dubuluk、Miyo 和 Dire）作为分层，以捕捉博拉纳草原的空间异质性。选择标准包括：i) 考虑该地区的降雨、海拔和温度梯度的农业生态代表性；ii) 植被结构和草地条件的多样性（从开阔草原到林地系统）；iii) 土地利用和管理强度的变化；iv) 物流可行性和数据可用性，优先选择有历史记录数据和野外可访问性的区域。这些"Woredas"共同代表了Borana地区内广泛的生态和社会管理条件。在第二阶段，使用系统随机抽样方法选择了每个Woreda内的Kebeles（最小的行政单位）。在第三阶段，通过系统随机抽样方法确定了每个Kebele内的采样单元。共建立了93个野外样地，这些样地按照两个主要植被层的比例进行分配：51个在草地区域，42个在木质植被区域（基于比例覆盖率）。为了避免空间自相关并捕捉生态变异，每个层内的采样点之间保持至少5公里的距离。最终的样地位置还考虑了实地可行性因素，包括可访问性、地形难度和后勤限制，以确保数据收集的安全性和效率，同时保持空间代表性。每个样地的面积为30米×30米，其中草地区域系统地放置了5个1米×1米的方格（每个角落一个，中间一个），木质植被区域放置了5个5米×5米的方格（Liu等人，2023年）。每个方格内的所有草本植物都被剪至地面，并使用便携式天平测量新鲜重量，同时记录下采样日期、GPS坐标（海拔、经度、纬度）和植被类型。样本被装袋、标记并运送到实验室，在70°C下烘干24小时以获得干重。将五个方格的干重平均后，得出每个样地的地上生物量（AGB），单位为克/平方米，然后转换为单位公顷的千克数。93个样地的地上生物量平均值在236到6,883.7千克/公顷之间。这些野外AGB数据集被随机分为训练集（70%，n=65）和验证集（30%，n=28），分别用于模型开发和性能评估。

2.2.2. EO数据和预处理

本研究中考虑的模型预测变量来自：（1）S2 Level-2A光学波段、植被指数和纹理度量；（2）S1 SAR后向散射系数和比率；（3）地形衍生变量。由于S1（雷达）和S2（光学）数据集在描述干旱和半干旱牧场环境的植被和地表条件方面具有互补优势（Rapiya等人，2025年；Xu等人，2025年），因此两者都被使用。为了确保与野外AGB采集时间（2025年5月至6月）一致，所有无云的地球观测图像都是在2025年生长季节（3月至5月）期间获取的，并生成了季节性中值合成图像，以代表与野外调查相吻合的稳定光谱和后向散射条件。表1提供了所有预测变量的总结。

表1. 用于AGB估算模型开发的预测变量总结。

传感器名称 | 公式 | 参考文献
****************************|
| SAR (S1) | 垂直发射-垂直通道 (VV) | Torres de Almeida等人，2022年；Chere等人，2023年 |
| | 垂直发射-水平通道 (VH) | |
| | 雷达归一化差异指数 (RNDI) | (VV?VH)/(VV+VH) |
| Radar Vegetation Index (RVI) | 4×VH/(VV+VH) | Holtgrave等人，2020年 |
| | | |
| Ratio VV/VH | Vreugdenhil等人，2018年；Torres de Almeida等人，2022年 |
| | | |
| VH/VM | |
| | Wang等人，2025年 |
| VH和VV之和 (sum) | VH+VV | Vaglio Laurin等人，2016年 |
| VH和VV之差 (dif) | VH?VH | Torres de Almeida等人，2022年 |

光学（Sentinel-2）：
| 光谱波段 (B2, B3, B4, B5, B6, B7, B8, B8A, B11, B12) | 归一化差异植被指数 (NDVI) | NDVI=B8?B4+B8+B4 | Xu等人，2025年 |
| Difference Vegetation Index (DVI) | B8?B4 | Nitu等人，2025年 |
| Enhanced Vegetation Index (EVI) | Rezzouk等人，2020年 |
| Green Normalized Difference Vegetation Index (GNDVI) | GNDVI=B8?B3+B8+B3 | Torres de Almeida等人，2022年 |
| Soil Adjusted Vegetation Index (SAVI) | SAVI=(1+0.5)*B8?B4+B8+B4+0.5 | Ren等人，2018年 |
| Green Difference Vegetation Index (GDVI) | GDVI=NIR?RF | Fan等人，2022年 |
| Optimized Soil-Adjusted Vegetation Index (OSAVI) | OSAVI=(NIR - RED) / (NIR + RED + X) | Xu等人，2021年 |
| Modified Soil Adjusted Vegetation Index (MSAVI) | MSAVI=0.5 * ((2 * NIR + 1) - sqrt((2 * NIR + 1)^2 - 8 * (NIR - RED))) | Xu等人，2021年 |
| Modified Simple Ratio (MSR) | MSR=(NIR / RED - 1) / sqrt(NIR / RED + 1) | Fan等人，2022年 |
| Normalized Difference Infrared Index (NDII) | NDII=(B8A?B11)/(B8A?B11) | |
| Normalized Difference Phenology Index (NDPI) | NDPI=(NIR - (0.74*RED + 0.26*SWIR)) / (NIR + (0.74*RED + 0.26*SWIR) | |
| Specific Leaf Area Vegetation Index (SLAVI) | SLAVI=B8A/(B5+B12) | Novanda等人，2025年 |
| Simple Ratio Red Edge (SRRE1) | SRRE1=B5/B4 | |
| Modified Chlorophyll Absorption Ratio Index (MCARI) | ((B5?B4)?0.2×(B5?B3))×(B5?B4) | |
| Green Chlorophyll Index (GCI) | GCI=(NIR / GREEN) - 1 | |
| Clover Green Index (CGM) | CGM=NIR / G | |
| Transformed Difference Vegetation Index (TDVI) | TDVI=√(0.5 + (NIR - RED) / (NIR + RED) | |
| Red Edge 2 NDVI (NDVIRE2) | NDVIRE2=(NIR - RE2) / (NIR + RE2) | |
| Red Edge 3 NDVI (NDVIRE3) | NDVIRE3=(NIR - RE3) / (NIR + RE3) | |
| Red Edge 8a NDVI (NDVIRE8a) | NDVIRE8a=(NIR - RE8a) / (NIR + RE8a) | |
| Texture factors | 灰度共生矩阵、均值/方差/均匀性/对比度/差异性/熵/上述所有波段的第二矩/相关性 | Fremout等人，2022年 |
| Topographic factor | 根据DEM生成的海拔 | Wang等人，2023年 |

S1 Ground Range Detected (GRD)数据是2025年生长季节（3月至5月）使用干涉仪宽模式（IW）和双极化（垂直-垂直（VV）和垂直-水平（VH）方式从Google Earth Engine (GEE)获取的。这些S1数据用于推导对植被结构、土壤湿度和地表粗糙度敏感的后向散射系数和基于雷达的指数（Baghdadi等人，2018年；Graldi等人，2023年）。这些雷达属性在Borana牧场特别有用，因为高植被异质性和频繁的云层覆盖限制了生长季节光学观测的效果。在GEE中，S1数据经过标准预处理后以分析格式提供，包括边界和热噪声去除、辐射校准、地形正射校正和斑点过滤，以减少固有的颗粒噪声，同时保留结构特征（Vizzari，2022年；Chere等人，2026年）。为了生成季节性后向散射指标，我们从生长季节内的所有可用图像中创建了中值合成图像。2025年3月至5月期间，该合成图像包含了111个VV和111个VH场景，来源于2个采集日期。S2多光谱图像提供了高分辨率的光谱观测，能够捕捉与生物量相关的植被结构和状况变化（Wang等人，2025年）。该传感器的红边波段对叶绿素浓度和冠层结构非常敏感，增强了植被区分能力和植被状况评估（Sharifi和Felegari，2023年）。S2 Level-2A表面反射率数据以大气底部（BOA）反射率的形式提供，已经经过大气、辐射和几何校正，使用Sen2Cor处理器处理（Kanmegne等人，2023年）。我们选择了云层覆盖小于10%的场景，与S1采集期间（2025年3月至5月）相吻合，并应用QA60波段来屏蔽卷云和不透明云层（Li等人，2021年）。Multi-spectral Instrument (MSI)在13个光谱波段中采集数据；本研究使用了十个反射率波段，三个可见光波段、三个红边波段、两个近红外（NIR）波段和两个短波红外（SWIR）波段，分辨率范围从10米到20米（Wang等人，2024年）。经过预处理和过滤后，从生长季节内所有高质量S2观测中生成了一个季节性中值合成图像。该合成图像包含了121个采集日期的413,229个场景，确保了与野外生物量采样时期（2025年5月至6月）一致的光谱条件。此外，还从Shuttle Radar Topography Mission (SRTM)数字高程模型（DEM）中获取了影响植被生产力的关键环境梯度和地形参数，包括海拔、坡度和朝向（Wang等人，2023年）。这些地形变量在塑造植被分布、土壤特性和整体牧场生产力方面起着重要作用。结合DEM衍生的地形因素显著提高了机器学习模型对AGB估算的预测性能。海拔、坡度和朝向等相关地形参数有助于捕捉影响植被生长的水分、太阳辐射和土壤特性的空间变化。通过将这些地形属性与光谱和雷达预测变量结合起来，模型能够更好地反映环境异质性，减少不确定性，并在复杂的景观中生成更可靠的生物量估计。此外，使用随机森林（RF）分类器生成了30米分辨率的LULC地图，总体准确率为92.6%。随后，其他土地覆盖类别如侵入者、森林、耕地和建筑物被屏蔽掉，而草地和开阔林地类别被保留下来，以表示净牧场地图。最后，为了确保数据集之间的空间一致性，使用ee.Image.resample函数（https://developers.google.com/earth-engine/apidocs/ee-image-resample）将通过双线性插值将S1、S2和SRTM DEM层重采样到30米的空间分辨率。所有数据集都使用EPSG:4326坐标参考系统进行处理。数据处理工作流程的总结见图2。

图2. 用于AGB建模的方法流程图。

3. 方法
3.1. 预测变量提取
本研究结合了来自S1、S2和SRTM DEM数据集的122个预测变量（表1）。除了VV和VH极化后向散射系数外，还从SAR（S1）影像中计算了几种雷达衍生指标，用于牧场生长季节，包括总和（VV + VH）、差异（VV-VH）、比率（VV/VH和VH/VH）、乘积项（VV × VH）、雷达归一化差异指数（RNDI）和雷达植被指数（RVI）。这些指标已被广泛用于描述与AGB估算相关的植被结构和生物物理特性（Vreugdenhil等人，2018年；Holtgrave等人，2020年，Torres de Almeida等人，2022年；Chere等人，2023年；Wang等人，2025年）。另一方面，使用了十个表面反射率波段以及二十个从Sentinel-2光学传感器选出的与生物量和植被状况相关的光谱指数，因为它们显示出对这些指标的敏感性。主要的光谱指数包括NDVI、DVI、EVI、GNDVI、SAVI、MSAVI、MSR、NDII、NDPI、SLAVI、SRRE1、MCARI、GCI、CGM、TDVI、NDVIRE2、NDVIRE3和NDVIRE8a（Forkuor等人，2020年，Guerini等人，2020年，Vawda等人，2024年，Zhang等人，2024年，Novanda等人，2025年）。为了捕捉植被的空间异质性，这是物种分化和饲料生物量估算的关键因素，使用灰度共生矩阵（GLCM）方法从十个S2光谱波段中提取了纹理特征（Fremout等人，2022年）。计算的纹理度量包括均值（savg）、方差（svar）、逆差矩（idm）、对比度（con）、差异性（diss）、熵（ent）、第二矩（asm）和相关性（corr）。根据先前的研究，较小的窗口能够更好地检测细尺度的空间变异性（Kelsey和Neff，2014年），所有指标都是使用3×3移动窗口计算的。GLCM方法通过评估像素强度之间的空间关系来表征纹理（Zhang等人，2024年）。

3.2. 变量选择
变量选择通过减少多重共线性、识别最具信息量的预测变量、简化模型结构和最小化过拟合风险来提高模型性能和鲁棒性（Naik等人，2021年）。我们采用了两阶段变量选择策略来减少多重共线性，并提高AGB建模过程的效率和可靠性。首先，我们根据候选预测变量与实地测量的AGB的关联程度进行筛选。使用皮尔逊相关性分析来识别与AGB显著相关的变量（p < 0.05），这遵循了基于遥感的AGB估算的常见做法（Lu等人，2016年；Liu等人，2024年）。在第二步中，最小化了同类型变量之间的共线性。当两个或多个预测变量之间的相关性很强（|r| ≥ 0.8）时，只保留与AGB相关性最高的预测变量。这种方法与先前的研究一致，这些研究表明保留每个高相关性组中与AGB最相关的变量有助于减少预测变量集的冗余（Chen等人，2019年；Liu等人，2024年）。基于保留的预测变量相关性筛选和共线性减少，训练了RF模型，并使用节点纯度量化了每个变量的贡献。这一程序使我们能够评估所有选定预测变量的相对重要性，从而明确它们对AGB估算的影响（Chen等人，2025年）。

3.3. 模型开发
我们采用了RF模型进行AGB估算。RF是一种集成学习方法，它使用随机选择的样本和特征子集构建多个决策树，并汇总它们的预测结果以提高稳定性和准确性（Breiman，2001年）。其鲁棒性和建模复杂非线性关系的能力使其在AGB估算中得到了广泛应用（Li等人，2021年，Fan等人，2022年，Vahidi等人，2023年，Wang等人，2023年，Bartold等人，2024年，Chen等人，2025年，Zurqani，2025年）。考虑到我们数据集的结构，选择RF特别合适。首先，RF是一种非参数方法，能够模拟AGB与环境预测变量之间的复杂非线性关系，这些关系适用于异质半干旱牧场（Azma等人，2026年；Gao等人，2020年）。其次，尽管RF在高维设置和样本量较少的情况下可能会遇到挑战（Cantor等人，2024年），但通过两阶段变量选择程序（第2.3.2节）减少了初始的122个预测变量，将其简化为一组生态学上有意义的变量，从而缓解了“大p，小n”的限制。此外，算法在每次分割时随机选择预测变量子集，有助于降低树的相关性并减少过拟合（Fan等人，2022年）。第三，RF对噪声和异常值相对不敏感（Zhao等人，2019年；Gao等人，2020年），这在基于现场测量的AGB中具有空间异质性的牧场环境中是一个重要优势。这些属性——非线性建模能力、在降维情况下的鲁棒性以及对噪声观测的容忍度——共同使得随机森林（RF）成为本研究的合理且方法上合适的选择。同样，Zhang等人（2024年）、Eslaminezhad等人（2022年）和Morais等人（2021年）也推荐使用基于树的模型，并展示了随机森林在环境敏感性制图中的优化性能。他们将海拔和坡度识别为关键预测因子，这与我们使用数字高程模型（DEM）衍生的地形变量来解释生物量分布以及草原景观的做法是一致的。Borana案例中的随机森林模型是使用Google Earth Engine（GEE）中的ee.Classifier.smileRandomForest()函数实现的。随机森林超参数的选择是基于理论考虑和先前研究的证据，并通过初步测试进行了验证。特别是，树的数量（numberOfTrees = 100）被选为确保模型稳定性和减少方差，因为通常情况下，随着树的数量增加，准确性会提高，但超过某个饱和点后，增益相对于计算成本来说变得微不足道（Torre-Tojal等人，2023年；Yin等人，2021年）。每次分割时考虑的变量数量（variablesPerSplit）保持为其默认值（null），这是一种广泛推荐的设置，它平衡了偏差-方差权衡并促进了树的多样性（Hojas Gascon等人，2019年）。最小叶节点数（minLeafPopulation）保持为1，最大节点数（maxNodes）保持未限制（null），以使模型能够完全捕捉异质草原环境的非线性关系（Kaveh等人，2023年）。装袋比例（bagFraction）设置为0.7，以在自助抽样中引入足够的随机性，从而减少过拟合，同时为每棵树保留足够的训练数据（Carreiras等人，2013年）。随机种子（seed = 0）被固定，以确保结果的可重复性。在总的数据集中，70%（65个点）被随机选用于模型训练，剩余的30%（28个点）用于独立验证。为了减少空间依赖性，在野外采样期间强制执行了至少5公里的图间距离（第2.2.1节），这有助于限制样本间的空间自相关。然而，在数据分割期间没有应用明确的空间分组，因此可能仍存在一些残余的空间依赖性。

3.4 模型评估
使用剩余的30%（28个点）参考数据集来评估AGB模型的预测性能。模型准确性使用三个常用指标进行评估：决定系数（R2），它反映了模型解释的AGB方差的百分比；均方根误差（RMSE），它量化了预测误差的平均大小；以及平均绝对误差（MAE），它表示观测值和预测值之间的平均绝对差异（Morais等人，2021年）。这些指标共同提供了对模型性能和效率的全面评估（Chen等人，2025年）。

4. 结果与讨论
4.1 变量选择分析
从最初的122个预测因子中，根据它们与AGB的统计显著关联（p < 0.05），保留了43个候选变量（表2）。在这些变量中，13个变量的变量间相关性较低（|r| < 0.8），并被选为进一步分析。在选定的13个预测因子中，sum（VH + VV）、VH、VV、NDVIRE2、TDVI和MSR与AGB呈正相关，相关系数范围从0.21到0.51。相比之下，包括B3、B4、B5、B12、B2和S1比率（VH/VV）在内的几个光谱带和聚合的S2指标与AGB呈负相关，相关系数从-0.23到-0.51不等。这主要是因为增加的AGB、冠层密度和植被覆盖增强了光的吸收并降低了反射率，特别是在可见光和近红外（SWIR）区域。这与Liu等人（2024年）的发现一致，他们报告称光谱变量与AGB呈负相关。在13个最终预测因子中，11个来自S2光学数据，包括植被指数、光谱带和纹理矩阵，而2个来自S1 SAR数据，即VH+VV和VH-VV。这些预测因子共同捕捉了与AGB估算相关的互补结构和生化特性。

表2. 用于AGB模型构建的选定变量。
与AGB显著相关的预测因子（p < 0.05）
经过多重共线性过滤的预测因子（|r| ≤ 0.80）
VH*VV, B3, B12, B4, B2, B12_savg, B5, B3_savg, B4_savg, B2_savg, B6, B5_savg, B11, B7, B8A, B8, B11_savg, B6_savg, B7_savg, B8_savg, B8A_savg, B11_idm, B12_idm, B12_ent, B12_diss, SRRE1, SAVI, SLAVI, NDVIRE3, NDPI, CGM, GCI, OSAVI, GNDVI, VH-VV, MSR, NDVI, TDVI, NDVIRE2, VV, VH, VH+VV
VH+VV, NDVIRE2, VH-VV, GNDVI, TDVI, NDVIRE3, MSR, B12_diss, B12_ent, B11_idm, B8A_savg, B2_savg, B11_savg

本研究确定的最终预测因子集与早期AGB估算研究中的模式一致（Nandy等人，2021年；Liu等人，2024年）。包含VH+VV和VH-VV突显了S1 SAR后向散射对AGB估算的贡献，反映了其对冠层结构和生物量的敏感性（Rapiya等人，2025年）。Liu等人（2024年）的近期研究也记录了C波段后向散射组合与植被结构之间的类似关系，支持了这些SAR指标在混合草地-灌木环境中的相关性。红边指数（例如NDVI_RE2、NDVI_RE3、MSR和TDVI）的强劲表现与早期研究的结果一致（Guerini等人，2020年；Sibanda等人，2015年），这些研究报告了草地生物量与MSI S2光谱带之间的强相关性，特别是红光、近红外（NIR）和红边（red-edge）及近红外（SWIR）区域。这些波段对光合作用、叶绿素含量和整体冠层活力特别敏感，这些都是与生物量积累密切相关的生物物理特性（Castillo等人，2017年）。此外，包含B12衍生的纹理指标与先前的发现一致，证明了SWIR波长在表征植被生物物理特性方面的效用（Li等人，2021年）。Nandy等人（2021年）强调，第12波段的较长波长提高了对植被含水量和林分结构属性的敏感性，从而增强了其在生物量估算中的有效性。同样，本研究中选择的基于B11的纹理指标（B11_idm和B11_savg）强调了SWIR光谱带在AGB建模中的重要性。

4.2 模型性能评估
使用RF模型预测的AGB与观测到的AGB之间的相关性如图3所示。该模型表现出强大的预测能力，训练指标为R2 = 0.83、RMSE = 470.31 kg/ha和MAE = 367.61 kg/ha。当使用独立验证数据集进行评估时，性能仍然一致（R2 = 0.80、RMSE = 499.94 kg/ha、MAE = 389.31 kg/ha），这表明了模型的鲁棒性及其超越训练样本进行泛化的能力。

下载：下载高分辨率图像（413KB）
下载：下载完整尺寸图像
图3. 比较观测值和预测值的AGB散点图。
训练误差和验证误差之间的相对较小差异表明过拟合最小，表明选定的预测变量捕捉到了研究区域内生物量变化的关键生物物理驱动因素。这些准确性水平与使用RF或类似机器学习模型的类似半干旱草原研究报告中报告的水平相当或更高，这强调了整合多传感器EO数据用于生物量估算的有效性。这一结果支持了越来越多的证据，强调了多源数据整合在提高地上生物量密度（AGBD）估算精度方面的关键作用（Chere等人，2026年；Liu等人，2023年）。考虑到干旱生态系统的高空间异质性和混合植被结构，观察到的误差范围也是可以接受的。总体而言，性能指标证实了RF模型适用于操作性AGB制图以及支持Borana景观中的草原监测和决策。

这些发现与之前的草原生态系统研究结果一致。例如，Fenetahun等人（2025年）使用遥感预测因子应用线性回归模型，在埃塞俄比亚南部雨季获得了R2值为0.71，在旱季获得了0.63的结果，显示出观测值和预测值之间的强相关性。同样，Rapiya等人（2023年）报告称RF模型在南非草原的季节性AGB估算中表现最佳，尽管他们的R2值较低（0.33-0.52）。此外，Zeng等人（2019年）发现的R2值范围为0.69至0.86，RMSE为43.60至63.72 g/m2，而Fan等人（2022年）使用NDPI、NDII、海拔、温度和PDSI等遥感指数获得了R2 = 0.88和RMSE = 35.05 g/m2的最佳模型性能。总体而言，本研究的结果与文献一致，表明RF是一种使用遥感数据预测AGB的有效方法。然而，这些验证统计数据反映了单个生长季节（2025年3月至6月）的情况。在半干旱系统中，降雨和植被生产力的年际和季节内变化很大，单个季节的快照可能无法完全代表长期的生物量动态（Snyder和Tartowski，2006年）。因此，在非典型的降雨条件或相反的物候阶段，模型的绝对准确性可能会较低，需要多季节验证来评估所报告指标的泛化能力。此外，模型是使用单一的70/30训练-验证划分进行评估的，而不是重复的k折交叉验证或空间分层的交叉验证程序。虽然5公里的图间最小距离（第2.2.1节）减少了空间依赖性，但单一划分可能产生的性能估计部分取决于特定的划分方式，可能无法完全捕捉模型在替代数据配置下的稳定性（Roberts等人，2017年）。结合第3.3节讨论的混合像素效应和稀疏植被区域中的信号灵敏度降低，所报告的准确性指标应解释为基于所使用的季节窗口、空间粒度及数据划分策略的条件。未来工作结合多季节图像和重复的或空间明确的交叉验证将增强对模型泛化能力的信心。

4.3 变量重要性
多传感器数据的整合代表了监测干旱生态系统的范式转变，提供了单传感器方法通常缺乏的多维视角。在Borana的干旱和半干旱草原中，由草、灌木和裸露土壤组成的景观复杂性要求一个复杂的分析框架。我们研究中观察到的AGB估算的改进部分归因于多传感器数据提供的互补生态信息，这使模型能够克服单个数据流的限制。变量重要性排名（图4）显示，在Borana的干旱和半干旱草原中，光谱指数是预测AGB的最强预测因子。红边指数、基于近红外的指数和与水分相关的指数始终表现优于其他预测因子组，这与它们对叶绿素含量、冠层活力和植被水分状态的强敏感性一致，这些生物物理属性与干旱生态系统中的生物量积累紧密相关。

特别是，NDVIRE2显示出最高的重要性值，支持了先前的发现，即红边指数能够检测到干旱地区斑块状植被中生物量和叶绿素含量的微妙变化（Sharif和Felegari，2023年；Wang等人，2025年）。红边指数已知会对叶内结构和光合作用活性的变化做出反应，即使在冠层发生可见变化之前，这表明它们特别适合检测半干旱条件下的草本和灌木生物量（Delegido等人，2011年；Clevers和Gitelson，2013年）。虽然标准指数在密集的斑块中可能饱和或在稀疏区域受到土壤背景的干扰，但红边波段可能对冠层的“绿色”提供更敏感的响应。其他指标如MSR和TDVI进一步表明，捕捉冠层结构和光合作用活动的指标是草本和灌木生物量的可靠代理（Melillos等人，2020年；Fensholt等人，2004年）。这些指数有效地线性化了反射率与生物量之间的关系，允许更精确地跟踪季节性生长周期。然而，仅从变量重要性本身无法解析这些经验关系背后的确切生理机制。雷达衍生指标在重要预测因子中名列前茅，表明SAR后向散射提供了关于植被结构特性、冠层水分和土壤-植被相互作用的信息，特别是对于木质组分（Yu等人，2024年；Mao等人，2025年；Rapiya等人，2023年）。与主要测量上层叶片生理状态的光学传感器不同，雷达信号能够穿透冠层，与茎、枝条和下面的土壤表面相互作用，这可能是它们在这个系统中附加值的原因。这些指标还显示出与植被物候、降水和温度变化相对应的明显季节动态，提供了生态系统对环境变化的洞察（Rapiya等人，2023年）。在博拉纳（Borana）地区的背景下，木质与草本生物量的比例已知会随着土地利用和气候变化而波动。通过纳入雷达后向散射数据，可以确保在叶片衰老或水分胁迫期间不会低估灌木和树木的实际体积，尽管这种解释超出了单纯通过重要性排名所能确认的范围。此外，来自Sentinel-2短波红外（SWIR）波段的光谱纹理指标也为模型提供了支持，表明它们有助于捕捉精细尺度的异质性和非光合植被，这些特征正是博拉纳草原草地-灌木镶嵌体的特点（Wang等人，2018年）。纹理分析能够识别像素邻域内的空间模式和变异性，这对于区分均匀的草地和零散的灌木丛至关重要。景观的空间异质性，表现为稀疏的草本覆盖、木质入侵和裸露的土壤斑块，在本研究中使用的30米分辨率下引入了混合像素效应（Yang和Crews，2019年）。这种亚像素混合是半干旱环境遥感中公认的不确定性来源之一（Yu等人，2018年）。尽管引入了GLCM纹理指标和雷达后向散射数据有助于减轻这些效应，但在单个像素内草地、灌木和裸露土壤共存的情况下，仍可能导致低估或高估，从而可能模糊对目标管理至关重要的细尺度生物量分布。光学指数如GLI和GDVI，以及红边波段（B6），进一步提供了补充信息，可能反映了叶绿素含量、叶面积和光合作用活性，而它们对水分和遮荫效应的敏感性可能增强了对细微生理和结构变化的检测（Rapiya等人，2023年）。通过结合基于SWIR的指标，模型还可能对干物质和凋落物具有更强的敏感性，这些都是半干旱地区总生物量（AGB）的关键组成部分，尽管这一途径并未经过明确测试。

需要注意的是，变量重要性排名反映了每个预测因子在随机森林（RF）模型框架内的统计贡献，但可能无法捕捉到所有生态学上重要的AGB驱动因素。一些排名较低的预测因子可能在生物学上仍然重要，但与排名较高的变量部分重叠；而其他预测因子可能通过未测量的协变量间接起作用。因此，此处提供的生态解释尽可能区分了由变量重要性结果直接支持的模式和基于对博拉纳草原系统更广泛理解的推断性模式。

总体而言，地形驱动变量、结构雷达指标和响应性光学指数的结合使得RF模型能够捕捉地形、植被结构和物候之间的相互作用效应。结果表明，这种多传感器方法在草本和木质生物量在空间和季节梯度上分布不均的异质干旱和半干旱景观中提高了AGB估算的准确性（Liu等人，2023年）。通过利用每种传感器类型的优势，我们朝着更稳健、可扩展的监测系统迈进，能够在气候不确定性面前支持可持续的草原管理。进一步的研究如果包含对放牧强度、土壤湿度和土地使用历史的明确测量，将有助于验证此处推断的生态机制。

4.4. 总生物量（AGB）的空间分布

使用随机森林模型成功描述并绘制了博拉纳地区的AGB空间分布图，AGB是衡量草原生产力和健康状况的重要指标。通过整合多源光学、雷达、地形和基于现场的数据集，模型捕捉到了半干旱草原系统的显著空间异质性。所得到的AGB估计值从最退化和植被稀疏地区的329.75公斤/公顷到相对肥沃且植被茂盛地区的6100.06公斤/公顷不等，平均值为3773.51公斤/公顷（图5）。

本研究得到的AGB估计值与之前在博拉纳草原进行的研究结果相符（Fenetahun等人，2025年；Gilo和Kelkay，2017年）。例如，Fenetahun等人（2022年）报告称，在雨季草原生物量在1456至3456公斤/公顷之间，而在旱季为968至1906公斤/公顷，这些数值位于我们模型输出的较低到中等范围内。同样，Gilo和Kelkay（2017年）记录在不同管理系统下草本生物量在300至1200公斤/公顷之间，灌木生物量在900至5700公斤/公顷之间，这些数值与我们观察到的灌木丛和草地主导区域的变异性一致。此外，Dabasso等人（2014年）报告称，树木覆盖的公共放牧区域的生物量为4630公斤/公顷，进一步支持了我们研究区域中生产力较高区域的生物量水平。这些研究共同证实了我们AGB估计的可靠性，并表明观察到的空间变异性与博拉纳草原生态系统的已知模式相符。这种广泛的生物量分布反映了景观中存在的生态状态镶嵌体，这种镶嵌体受到降雨量、土壤性质、地形位置和局部放牧压力的影响。异质性还强调了博拉纳草原对气候变异性和人为干扰的敏感性，因此需要空间明确的监测工具来支持有针对性的管理和恢复干预。

在空间上，较低的AGB值出现在埃塞俄比亚-肯尼亚边境的西南部地区以及该区域的西部尖端，这些地方的海拔较低。这样的低AGB值是草原退化的指标，其原因可能是多方面的生物物理和人为因素共同作用的结果。根据Daba和Mamo（2024年）的研究，博拉纳草原的退化主要是由气候变化模式、人口增长、频繁干旱、不利政府政策以及传统资源管理系统的削弱等因素驱动的。相反，通过规定性防火和过度放牧管理的草原具有更高的生物量（Bikila等人，2016年）。另一方面，博拉纳某些地区的较高AGB值表明那里存在高容量的草原，具有有利的地形和气候条件、土壤湿度、相对较低的放牧密度或更好的管理措施（Bahadur等人，2024年）。这与肯尼亚管理良好的半干旱稀树草原的研究结果一致，Amara等人（2020年）报告称，在密集的灌木丛和草地中AGB值相当，强调了如果得到适当管理，这些生态系统具有显著的碳封存潜力。AGB值的明显空间分布表明，东部地区的生物量值较高，并在从中部到西部地区形成连续带状（图5）。这种分布可能反映了环境条件的变化，如降雨梯度、土壤肥力和地形，这些都影响了景观中的植被生产力。被限制在干季放牧范围的草原具有更高的生物量（Bikila等人，2016年）。此外，Fenetahun等人（2021年）还指出，长期实施的放牧围栏使博拉纳地区的植物群落异质性更大。总体而言，研究区域的AGB值表明该地区经历了适度但广泛的利用，通过改进 management措施有很大的恢复潜力。因此，包括控制放牧和围栏（Kalo系统）、土地恢复和重建以及制度和社会经济措施在内的改进草原管理策略对于博拉纳地区的适当管理非常重要。此外，根据Akbari等人（2022年）的建议，可以在不适宜和边缘土地上推广草原和农林复合土地利用系统，以提高土地生产力、降低退化风险并增强生态系统的韧性。

4.5. 含义

本研究通过整合多传感器EO数据与RF模型，建立了一种用于估算半干旱草原AGB的稳健技术框架。这种创新方法结合了多源EO和现场数据集，克服了单一传感器数据和传统野外调查的局限性，提供了准确、可靠、及时、高分辨率且可扩展的AGB地图（Fenetahun等人，2022年）。这一能力的影响深远，将在生态、社会经济和政策领域彻底改变草原管理方式。对于草原健康和管理而言，AGB估算是最基本的诊断工具，帮助管理者准确设定可持续的放牧密度，从而防止过度放牧（Keno和Suryabhagavan，2018年）。高分辨率地图使管理者和牲畜养殖者能够从大规模管理转向精准管理，实现可持续放牧密度的精确和频繁计算。此外，AGB的监测有助于追踪生态退化和恢复情况，为管理干预措施（如实施放牧围栏）的成功提供关键证据（Gilo和Kelkay，2017年；Fenetahun等人，2021年）。这种方法还充当预警系统，通过遥感检测到的急剧下降可以及时采取行动，如在干旱期间减少牲畜数量和提供援助（Fenetahun等人，2022年）。空间细节使得有针对性的恢复成为可能，使管理者能够将 efforts 集中在恢复成本效益比最高的退化热点区域，如播种或集水。此外，这一发现对气候变化适应和缓解策略具有重大意义。特别是，AGB的量化评估了草原的碳封存潜力，将牧民与环境服务支付联系起来，从而多样化解牧民的收入来源（Amara等人，2020年）。这将这些生态系统转变为可验证的资产，用于国家气候变化缓解报告。此外，机构层面的AGB监测能力为政策制定提供了定量触发机制，可以在区域AGB估计值低于预定义的临界水平时自动释放紧急资金或饲料供应，确保及时和公平的援助分配。最后，这项研究为数据驱动的政策和经济规划提供了无可辩驳的定量证据。政策制定者可以根据科学验证的、可重复的数据制定决策，而不是基于传闻报告或昂贵的、不频繁的调查。这加强了土地使用规划、干旱救济分配和环境保护方面的政策制定。随着时间的推移，准确追踪AGB有助于开发基于绩效的激励方案，并为经济风险管理工具（如基于指数的牲畜保险IBLI）提供必要的数据。因为IBLI的赔付通常依赖于与AGB相关的植被指数，改进的监测为牧民在气候冲击期间提供了重要的安全网（Gilo和Kelkay，2017年）。最终，这一框架为引导韧性强的草原管理提供了所需的基础数据。通过提高生态变化的检测能力、提供基于证据的干预措施和支持适应性决策，它有助于推动草原系统向更加可持续、繁荣和气候安全的方向发展。

5. 结论

博拉纳草原曾经是东非最富生产力的牧区之一，但现在由于气候变化加剧、频繁干旱、灌木入侵、过度放牧和快速的土地覆盖变化而经历了显著的生态退化。理解这种退化的程度和驱动因素需要可靠、可扩展和可重复的监测工具。研究表明，整合多源EO数据与辅助环境变量和RF机器学习（ML）建模为估算AGB提供了稳健的框架，AGB是衡量草原健康状况和生产力的核心指标。从最初的122个预测因子中，确定了13个关键变量，其中Sentinel-2光谱波段和植被指数是AGB变异性的最强决定因素。RF模型具有高预测准确性（训练集R2=0.83，验证集R2=0.80），凸显了其适用于以高度空间异质性为特征的半干旱生态系统的适用性。这些发现强调了先进的EO和ML技术支持在快速生态变化面前进行实时草原监测和早期预警评估的潜力。AGB估计显示出博拉纳草原的显著空间异质性，西南部和西部地区的生物量持续较低，而东部和中部地区的生物量相对较高。这些空间变异模式反映了生物物理因素（如降雨变化、土壤质地和地形控制）以及人为压力（包括过度放牧、定居点入侵和土地利用方式变化）的共同影响。持续低生物量区域与中等生产力区域的并存表明，尽管退化明显，但通过适当的管理干预仍然可以实现显著恢复。为了增强生态系统的恢复力并阻止进一步的退化，研究建议优先实施控制性和轮牧制度，恢复严重退化的土地，改善饮水点和牧道的管理，并加强传统治理结构与正式治理结构之间的协调。另一方面，本研究开发的方法框架和高分辨率的土地覆盖类型（AGB）产品为博拉纳地区的长期生态监测、基于证据的规划和可持续草原管理提供了科学可靠的基准。多传感器数据的整合以及机器学习方法的应用表明，这些方法也可能适用于具有相似生态和环境条件的其他半干旱生态系统。然而，模型的空间适用性可能受到植被组成、气候类型和景观异质性的影响。因此，在将这种方法应用于新区域时，建议对模型进行适应性调整、重新校准或加入特定地区的训练数据。这些考虑因素既突出了机器学习模型在多样化生态背景下应用的可扩展性，也指出了其局限性。未来的研究应通过整合多时间序列数据来捕捉物候变化，以提高模型的稳健性。此外，探索替代的特征选择方法（如带交叉验证的递归特征消除，RFECV）以及测试其他机器学习算法（如极端梯度提升、支持向量回归）可以进一步优化预测因子集和模型性能。系统性的实验比较不同的输入情景——仅使用光学数据、仅使用雷达数据、同时使用光学和雷达数据，以及包含纹理和地形变量的完整数据集——将定量展示每种数据源的附加价值。

**信息披露**
作者声明：本研究的所有作者目前或过去均没有任何竞争性的财务或非财务利益关系，包括在我们提交论文的期刊中担任编辑职务。

**数据和代码的可用性**
数据和代码将上传至GitHub的代码共享/归档平台，供学术和研究用途按需使用。

**作者贡献**
Berhan Gessesse：撰写原始草稿、审阅和编辑、数据可视化、研究设计、方法论制定、资金筹措、正式分析、概念构思
Zerihun Chere：撰写原始草稿、数据可视化、使用软件进行数据处理、方法论制定、正式分析和数据管理
Talema Moged：野外数据收集、使用软件进行数据处理和数据可视化
Gelana Daba：野外数据收集、使用软件进行数据处理和数据可视化
Bireda Alemeyahu：撰写原始草稿、审阅和编辑
Gizachew Kabite：撰写原始草稿、审阅和编辑、方法论制定、正式分析
Wondimu Haimanote：野外数据收集、使用软件进行数据处理和数据可视化
Bekele Bedada：野外数据收集、使用软件进行数据处理和数据可视化
Yoseph Mekasha：审阅和编辑、研究监督、资金筹措、概念构思
Samuel Tuffa：审阅和编辑、研究监督、野外数据收集
Mohammed Abdulatife：野外数据收集、撰写原始草稿
Temesgen Gebeyehu：使用软件进行数据处理、研究监督和概念构思
Girum Ketema：数据可视化、研究监督、资金筹措
Kaleab Walelign：数据可视化
Ezedin Abdela：野外数据收集、使用软件进行数据处理和数据可视化
Dagnachew Lule：审阅和编辑、研究监督、资金筹措
Belachew Tsihay：审阅和编辑、研究监督、资金筹措
Abdissa Yilma：审阅和编辑、研究监督、资金筹措

**未引用的参考文献**
Fan等人，2022年；Abdulahi等人，2019年；Li等人，2020年；Naik等人，2022年；Tian等人，2023年；Torre-Tojal等人，2022年；Vaglio等人，2016年；Yin等人，2019年；Zhu等人，2015年

**CRediT作者贡献声明**
Berhan Gessesse：撰写、审阅和编辑、撰写原始草稿、数据可视化、研究监督、方法论制定、研究设计、资金筹措、正式分析、概念构思
Zerihun Chere：撰写原始草稿、数据可视化、方法论制定、正式分析、数据管理
Talema Moged：数据可视化、软件应用和数据管理
Gelana Daba：数据可视化、软件应用和数据管理
Bireda Alemeyehu：撰写、审阅和编辑
Gizachew Kabite：撰写、审阅和编辑、撰写原始草稿、方法论制定、正式分析
Wondimu Haimanote：数据可视化、软件应用和数据管理
Bekele Bedada：数据可视化、软件应用和数据管理
Yoseph Mekasha：撰写、审阅和编辑、项目管理工作、资金筹措、概念构思
Samuel Tuffa：审阅和编辑、项目管理工作、数据管理
Mohammed Abdulatife：撰写原始草稿、数据管理
Temesgen Gebeyehu：项目管理工作、资金筹措
Girum Ketema：数据可视化
Kaleab Walelign：数据可视化
Ezedin Abdela：数据可视化、软件应用和数据管理
Dagnachew Lule：审阅和编辑、研究监督、资金筹措
Belachew Tsihay：审阅和编辑、研究监督、资金筹措
Abdissa Yilma：审阅和编辑、研究监督、资金筹措