《The Journal of Arthroplasty》：Estimation of aerodynamic roughness considering non-photosynthetic vegetation features in spring drought steppes and analysis of its spatiotemporal variations
编辑推荐：
空气动力学粗糙度（z0）反映了地表粗糙要素降低风蚀能力的程度，准确监测z0对土壤风蚀模型至关重要。春季是中国干旱和半干旱草原土壤风蚀高风险期。然而，当前z0估算模型大多基于夏季地表粗糙度特征，无法代表实际春季地表条件。研究人员利用四种机器学习方法：极限梯度提升
空气动力学粗糙度（z0）反映了地表粗糙要素降低风蚀能力的程度，准确监测z0对土壤风蚀模型至关重要。春季是中国干旱和半干旱草原土壤风蚀高风险期。然而，当前z0估算模型大多基于夏季地表粗糙度特征，无法代表实际春季地表条件。研究人员利用四种机器学习方法：极限梯度提升（XGBoost）、K近邻（KNN）、随机森林（RF）和偏最小二乘回归（PLSR），评估了基于光合植被（PV）和非光合植被（NPV）参数构建的春季（4-5月）z0估算模型的精度。基于NPV的z0模型优于基于PV的z0模型，其中XGBoost_NPV模型精度最高（R2=0.790, RMSECV=0.113, rRMSECV=0.452）。2010年至2022年，锡林郭勒草原春季日z0呈下降趋势，多年平均值为0.38 cm。空间上，z0自西南向东北递增，稳定性从高到低依次为：荒漠草原、草甸草原、典型草原、沙地草原。这些结果表明NPV参数在估算春季z0中的适用性，并支持土壤风蚀的长期、大尺度监测。
论文解读文章
**研究背景与问题**
空气动力学粗糙度（z0）定义为中性大气稳定度条件下近地面风廓线中风速为零的几何高度，是表征下垫面与大气相互作用的关键参数，直接反映地表粗糙要素削弱风蚀力的程度。z0在土壤风蚀模型中具有核心地位，例如中国全国风蚀调查模型（NWESMC）、风蚀预测系统（WEPS）和综合风蚀模拟系统（IWEMS）均将其作为关键输入。研究表明，z0的不准确估算会导致地表通量模型产生显著偏差。因此，精确估算z0对提升土壤风蚀模型预测精度、防控土地荒漠化和退化、增强地表过程防风固沙能力具有重要意义。
传统z0估算方法主要包括野外测量和风洞实验。野外测量基于现场风速观测并假设中性大气稳定度，通过建立对数风廓线方程反推z0，但自然环境条件和仪器限制会引入较大不确定性。风洞实验则在固定空间尺度、预设植被配置和单向恒定风速下进行，建立z0与植被形态特征的经验关系，但模型植被无法代表真实植被状况，且传统方法局限于站点尺度，难以推广至区域、中尺度或全球尺度及长时间序列。遥感技术克服了时空限制，降低了对气象观测的依赖，为大尺度、长期z0估算提供了可行途径。研究者引入多种植被指数来表征植被结构特征，如绿色植被覆盖度（GVF）、叶面积指数（LAI）、归一化差异植被指数（NDVI）、 frontal area index（FAI）和 hot-darkspot vegetation index（HDVI），并基于地表粗糙要素几何特征建立经验方程，实现了区域或全球z0估算。然而，遥感反演方法主要考虑植被结构特征，常忽略空气动力阻力、大气稳定度和气象条件的影响，且对z0与其众多影响因素间复杂非线性关系的捕捉能力有限。
机器学习方法直接从大规模数据中建立输入与目标变量间的定量关系，在解决复杂非线性结构问题方面具有显著优势。近年来，将地面观测、卫星遥感和再分析数据与机器学习模型相结合，在z0估算中取得了显著进展。但现有基于机器学习的z0估算模型中，用于表征植被生长和物候的输入变量均为光合植被参数（如NDVI、LAI、GVF）。春季是北方干旱半干旱地区土壤风蚀的主要季节，此时期植被从枯黄期过渡到返青期，光合植被（PV）和非光合植被（NPV，包括凋落物、作物残留、枯叶、枝条和茎干）共存。然而，光合植被指数（如NDVI、LAI）无法捕捉NPV信息，导致现有基于夏季PV和气象特征建立的z0模型不能反映春季NPV和气象条件对z0的影响，限制了其在土壤风蚀模型中的适用性。基于NPV在2100 nm波段附近的吸收特征，研究者开发了纤维素吸收指数（CAI）、死燃料指数（DFI）和简单耕作指数（STI）等非光合植被指数，用于表征NPV及其覆盖度（fNPV），这些NPV参数使得评估NPV对z0估算精度的影响成为可能。
**研究开展与结论**
本研究聚焦于中国内蒙古锡林郭勒草原，整合了2011年春季原位测量的z0数据、MODIS MCD43A4日产品数据、气象和地形数据，并引入人口分布数据作为变量，采用四种机器学习方法（随机森林RF、极限梯度提升XGBoost、偏最小二乘回归PLSR、K近邻KNN），实现了z0的高时空分辨率估算。主要贡献包括：（1）系统评估了PV和NPV参数对春季草原z0的敏感性；（2）利用机器学习方法建立了春季干旱半干旱草原区域的非线性z0估算模型；（3）基于多源数据分析了2010-2022年研究区z0的时空变化及稳定性。该研究将提升土壤风蚀模型的精度，为区域风蚀模拟、防风固沙实践和草原生态系统可持续发展提供科学依据。
**关键技术方法**
（1）数据采集：利用2011年春季（4-5月）在锡林郭勒草原69个样点原位测量的z0数据（基于10 m高度风速观测和中性大气稳定度假设，通过对数风廓线方程计算），并获取MODIS MCD43A4日产品（500 m分辨率，包含7个波段反射率）以计算PV和NPV参数。（2）NPV参数提取：基于MCD43A4的第6和7波段反射率计算简单耕作指数（STI)）；基于第5、6、7波段反射率计算归一化差值衰老植被指数（NDSVI)）；基于第2、5、6、7波段反射率计算土壤调节植物衰老指数（SAVI)）；基于第2、3、5、6、7波段反射率计算修正土壤调节植物衰老指数（MSAVI)）。（3）PV参数提取：计算归一化差异植被指数（NDVI），并从MOD15A2H产品获取叶面积指数（LAI)）。（4）机器学习方法：采用RF、XGBoost（两者均为集成树模型）、PLSR（线性降维回归）和KNN（基于邻近样本的非参数回归），输入变量包括植被参数、气象因子（风速、降水量、气温）、地形因子（海拔、坡度、坡向）和人口密度，以z0实测值为目标变量，通过十折交叉验证评估模型性能。
**研究结果**
**1. 基于PV和NPP参数的z0估算模型精度对比**
在输入变量、训练和验证方法一致的前提下，利用四种机器学习方法分别构建了基于PV参数的z0模型和基于NPV参数的z0模型。在所有方法中，基于NPV的z0模型表现更优（平均R2=0.728, RMSECV=0.129, rRMSECV=0.513），而基于PV的z0模型精度较低（平均R2=0.603, RMSECV=0.160, rRMSECV=0.600）。最优模型为XGBoost_NPV模型（R2=0.790, RMSECV=0.113, rRMSECV=0.452）。这表明引入NPV参数显著提高了春季z0估算精度。
**2. NPV特征对春季z0估算模型的改进**
通过对比基于传统PV和NPV参数构建的z0模型，发现所有机器学习算法中基于NPV的z0模型R2均高于0.65，显著优于PV模型（R2均低于0.65）。NPV参数的加入使模型能够捕捉春季地表枯死植被对空气动力的贡献，从而提升了干旱半干旱草原春季z0的估算能力。
**3. 2010-2022年锡林郭勒草原春季z0时空变化**
基于最优模型（XGBoost_NPV）估算的每日z0数据显示：（1）时间上，2010-2022年锡林郭勒草原春季平均z0呈下降趋势（平均每年减少0.003 cm），多年平均值为0.38 cm。（2）空间上，z0自西南向东北递增，高值区（>0.50 cm）集中分布在东北部草甸草原，低值区（<0.20 cm）分布在西南部荒漠草原。（3）稳定性方面，荒漠草原z0年际波动最小（变异系数CV<0.3），草甸草原次之（CV=0.3-0.5），典型草原和沙地草原波动最大（CV>0.5）。该空间格局与植被类型和气候条件密切相关。
**4. 讨论与结论**
讨论部分指出，NPV参数通过表征枯死植被（凋落物、枯茎等）对地表粗糙度的贡献，弥补了传统光合植被指数（NDVI、LAI）在春季植被过渡期的不足。XGBoost模型因其对特征交互作用的强大捕捉能力和正则化机制，在非线性关系建模中表现最优。研究还表明，人口密度与z0呈负相关，可能源于人类活动（如过度放牧）导致植被退化。锡林郭勒草原春季z0的下降趋势与气候变暖、降水减少和人类活动加剧有关，这可能进一步增加土壤风蚀风险。
结论：本研究利用野外实测数据、MCD43A4数据产品及气象、地形等辅助数据，结合四种机器学习方法（XGBoost、KNN、RF、PLSR）构建了基于PV和NPV的z0估算模型，并选择最优模型分析了锡林郭勒草原z0的空间分布和时间动态。主要发现：（1）基于NPV的z0模型在所有机器学习方法中均优于基于PV的z0模型，表明NPV参数在春季草原z0估算中具有更高的适用性和敏感性。（2）XGBoost_NPV模型精度最高（R2=0.790, RMSECV=0.113, rRMSECV=0.452），可用于春季z0的长期大尺度监测。（3）2010-2022年锡林郭勒草原春季z0呈下降趋势，空间上从西南到东北递增，稳定性依次为：荒漠草原>草甸草原>典型草原>沙地草原。研究证实了NPV参数在春季干旱半干旱草原z0估算中的关键作用，为改进土壤风蚀模型和区域生态管理提供了依据。
