《Frontiers in Remote Sensing》：Scaling agroforestry land suitability analysis in Odisha, India: a machine learning approach
编辑推荐：
摘要：农林复合（agroforestry）实践是自然资源管理（Natural Resources Management, NRM）的重要支柱之一，能通过改善环境条件、社会经济状况、土壤健康、生物多样性和气候韧性带来显著效益。尽管具有多维效益，但缺乏用于区域规划
摘要：农林复合（agroforestry）实践是自然资源管理（Natural Resources Management, NRM）的重要支柱之一，能通过改善环境条件、社会经济状况、土壤健康、生物多样性和气候韧性带来显著效益。尽管具有多维效益，但缺乏用于区域规划和有效实施的可靠数据，特别是结合现有土地管理实践的数据；此外，以往分析常使用特定参考数据集而未验证其可扩展性（scalability）。本研究旨在利用预训练的基于机器学习（Machine Learning, ML）的多准则评价（Multi-Criteria Evaluation, MCE）模型评估印度奥里萨邦（Odisha）的农林复合土地利用适宜性，并使用独立区域的参考数据验证结果，以填补上述研究空白。研究人员利用多时相Sentinel-2数据生成土地利用/土地覆被（Land Use Land Cover, LULC）及种植强度图，其中随机森林（Random Forest, RF）分类精度达94%以上，优于支持向量机（Support Vector Machine, SVM；93%以上）。与传统专家赋权相比，研究人员将RF模型导出的变量重要性（variable importance）集成到模糊多准则评价（fuzzy-MCE）方法中用于农林复合场地适宜性分析。研究采用地形、土壤参数、气候条件和社会经济因素等多样化数据数组，其中邻近度变量（proximity variables）贡献了约70%的总权重。使用具有相似农业实践和社会经济特征的另一个区域的野外数据进行独立验证，显示高平均适宜性（＞0.87；范围0.71–0.95）。此外，生成的受试者工作特征（Receiver Operating Characteristic, ROC）曲线分析表明曲线下面积（Area Under the Curve, AUC）为0.89，显示模型性能强且具备识别适宜农林复合场地的能力。干预专项分析表明，＞94%的双季和单季耕地、～96%的居民区以及＞90%的永久休耕地和荒地分别高度适宜于(i)田埂与边界种植及间作、(ii)家庭园地（home gardens）和(iii)块状/成片种植农林复合模式。此外，研究人员通过Web平台发布了场地适宜性图层。开发的WebGIS门户支持开放数据访问、空间查询及干预规划，为邦级农林复合规划与实施提供了实用的决策支持工具。
论文解读：《Scaling agroforestry land suitability analysis in Odisha, India: a machine learning approach》发表于《Frontiers in Remote Sensing》
一、研究背景与意义
在印度，为满足快速增长人口的需求而进行的集约化单作加剧了土壤退化、地下水枯竭和生物多样性丧失，周期性林地转非林地也破坏了生态系统。农林复合系统（Agroforestry，即木本多年生植物与作物/牲畜整合的土地利用方式）被视为解决上述问题的可行方案，能恢复土壤健康、增加生物多样性、提升气候变化韧性和碳固存能力，助力印度实现国家自主贡献（NDC）目标及"到2050年扩大农林复合面积至50 Mha"的计划。尽管印度出台了国家农林复合政策（NAP 2014）、绿色印度使命（GIM）、RKVY、MIDH及NITI Aayog的GROW倡议等，但农林复合干预的实施仍面临缺乏可靠规划数据与现状兼容性评估的问题。传统GIS辅助多准则决策分析（MCDA/MCE）多采用专家打分赋权，主观性强；近期虽有机器学习（ML）应用于适宜性评价的探索，但在印度多元景观中应用尚少，且多数模型未检验跨区域可扩展性（scalability/transferability）。为此，研究人员以印度奥里萨邦（Odisha，热带气候、依赖季风降水、森林覆盖变化显著、农业社区依赖性强）为研究区，利用预训练RF-MCE模型进行全邦尺度农林复合适宜性评价，并用独立区域野外数据验证模型可扩展性，最终开发WebGIS决策支持平台。
二、主要关键技术方法
研究人员选取奥里萨邦全境为研究区，收集多时相（2020年5月Zaid季、10月Kharif季、2021年1月Rabi季）Sentinel-2 Level-1C多光谱影像（10 m分辨率可见光-近红外波段）；ALOS-PALSAR 12.5 m数字高程模型（DEM）；印度国家土壤调查与土地利用规划局（NBSS&LUP）土壤数据库（土质、深度、质地、排水、pH）；WorldClim气候数据库（年均温、最高/最低温，1970–2000基准）；CHIRPS降水数据（0.05°）；奥里萨邦空间应用中心（ORSAC）道路数据。利用实地采集的1888个LULC参照点（含单/双/三熟耕地、居民点、水体、森林、草地、灌丛、休耕地、荒地、红树林）和275个现有农林复合样点（Belpada区块200个含单/混交种，Nuapada区块75个）进行训练与验证。在Google Earth Engine（GEE）平台上用RF与SVM分类器生成LULC及种植强度图。引用已发表研究中Belpada区块预训练RF模型得出的15个因子（土壤类、深度、质地、排水、pH；坡度；均温、最低温、最高温；降水；距居民点/道路/水体/耕地/林地欧氏距离）变量重要性值归一化为MCE相对权重，对各因子做模糊化（fuzzification，如坡度为S形递减函数、温度为单调增线性函数）后代入模糊MCE叠加得到适宜性指数（0–1）。用Nuapada独立样点验证适宜性值，绘制ROC曲线计算AUC。将适宜性图层与LULC叠置按规则划分干预类型：双熟耕地→田埂与边界种植（bund and boundary plantation）；单熟耕地→田埂、边界种植及间作（intercropping）；居民点周边→家庭园地（home gardens）；永久休耕地及荒地→块状/成片种植（block/bulk plantation）。基于开源GeoServer搭建三层级客户端—服务器架构WebGIS应用，发布WMS/WFS服务，集成适宜性、LULC、行政区界及苗圃点位查询功能。
三、研究结果
5.1 土地利用/土地覆被（LULC）分类与种植强度
研究人员用1524个训练点和364个验证点基于多时相Sentinel-2数据分类，RF总体精度（Overall Accuracy, OA）94.78%、Kappa系数0.94，SVM为OA 93.68%、Kappa 0.93。RF对用户精度（User's Accuracy, UA）中单季作物达98.34%（SVM 96.21%），其余类别两者相近。奥里萨邦耕地约占32.21%，其中单季作物22.34%（34663.25 km2）、双季6.8%（10554.95 km2）、三季2.12%（3293.53 km2）；森林占33.46%；居民点2.46%；水体3.45%；草地14.85%；灌丛11.15%；休耕地0.95%；荒地1.79%；红树林0.62%。单季耕地集中分布于沿海带及马尤布汉杰（Mayurbhanj）、孙达加尔（Sundargarh）、巴拉吉尔（Balangir）等西部区县；双季耕地多见于巴尔格尔（Bargarh）、巴莱斯瓦尔（Baleshwar）、贾杰布尔（Jajpur）；三季耕地卡兰汉迪（Kalahandi）最多。结论：RF较SVM略优，多时相Sentinel-2可有效区分作物季节性与LULC类别。
5.2 奥里萨邦适宜农林复合干预措施的尺度扩展
将Belpada预训练RF导出的权重应用于全邦模糊MCE生成适宜性图（等间距分为低、中、高、极高四级）。Nuapada独立农林复合样点叠置显示平均适宜性＞0.87（范围0.71–0.95），证实权重跨区域适用性。ROC分析AUC=0.89（＞0.5对角线显著），表明模型能有效区分适宜与非适宜区。将适宜性与LULC叠置生成干预分区图。结论：基于局部训练RF权重结合模糊MCE的适宜性评价模型具良好可扩展性（scalability），可推广至相似农业热带景观。
5.3 各类农林复合干预措施的适宜性制图
5.3.1 田埂与边界种植及间作
双季耕地（106251.9 ha）中＞94%（1007800 ha）为极高适宜，4%为高适宜，仅0.97%为中/低适宜，推荐田埂与边界种植；最高适区在巴尔吉尔与马尤布汉杰。单季耕地（3493326 ha，雨季种稻、其余季因缺灌溉休耕）中约94%为极高适宜，约5%高适宜，0.75%中/低适宜，推荐田埂、边界种植及间作；高适区在甘贾姆（Ganjam）及纳哈兰加普尔（Naharangapur）。结论：绝大部分雨养单/双季耕地具备农林复合种植高潜力。
家庭园地（Home Gardens）：约96.29%居民点区（384817 ha）为极高适宜，仅3.71%中/低适宜，推荐房前屋后家庭园地；最大适区在孙达加尔（52200 ha）。结论：聚落区极适合推广家庭农林复合园地。
块状/成片种植（Block/Bulk Plantation）：永久休耕地（148529 ha）中约93.01%为极高适宜，荒地（120548 ha）中约90.58%为极高适宜，分别推荐块状/成片种植及竹类种植；主要适区在巴拉吉尔、卡兰汉迪、贾杰布尔。结论：休耕地与荒地是成片造林恢复及农林复合优先区。
5.4 农林复合适宜性WebGIS门户
基于GeoServer与HTML/CSS/JavaScript（Leaflet库）开发WebGIS应用，具显示管理器、图例、缩放、按属性/图形选择、测距测面、像素值查看、底图切换（Google街景/卫星）功能。上传LULC、适宜性、干预分区及行政区矢量层，用户可通过点击或选择行政单元查询适宜性指数与推荐干预类型；集成奥里萨邦苗圃点位数据库可按2–10 km半径检索最近优质苗木供应点。结论：WebGIS为决策者、推广人员及农户提供直观、交互式的邦级农林复合规划工具。
四、讨论与结论总结
讨论指出：多时相Sentinel-2影像对LULC及种植强度制图的可靠性与既往研究一致；邻近度变量（距耕地31%+距道路28%+距居民点8%=合计约70%）主导权重反映当地对可达性、便于管护的现实偏好，土壤因子权重低因区域内土质变异小且多在适宜范围，微灌溉设施弥补距水体远的影响。＞90%耕地、聚落、休耕地及荒地呈高适宜性印证奥里萨邦农林复合潜力巨大，与卡纳塔克邦及全印评估结果趋势相符，高适宜区亦暗示较高碳汇潜力（文献报本地Belpada区块5年碳储达15 Mg/ha）。预训练模型权重经Nuapada独立验证支持跨区域迁移适用，为热带农业
