SCI期刊：Environmental Impact Assessment Review
英文题目：Assessing and predicting land degradation processes using an improved multi-dimension framework based on remote sensing and machine learning approach
中文题目：基于遥感与机器学习的改进型多维框架评估与预测土地退化过程
发表时间：2026年5月16日
文章链接：https://doi.org/10.1016/j.eiar.2026.108512
📌 研究背景
土地退化是指土地生物或经济生产力下降和丧失的过程，由气候变化、人类活动及其他自然过程共同驱动。它直接威胁生物多样性保护、粮食安全、气候变化适应与减缓、环境健康及可持续发展。
2015年联合国通过的《2030年可持续发展议程》，将土地退化列为SDG 15.3.1的核心子指标，明确提出：“到2030年努力实现土地退化零增长（LDN）”。
过去二十年间，研究者构建了大量指标体系：
单指标法：依赖NDVI、NPP、FVC等遥感指数，简单高效但信息片面；
综合指数法：整合多指标，但各研究构建方法差异巨大，难以跨区域比较；
UNCCD Good Practice Guidance：统一了“土地覆盖+土地生产力+土壤有机碳”三指标框架，保障了全球可比性，但简化了生态过程复杂性。
问题在于：上述方法各自为政，始终缺少一个既能满足UNCCD标准化要求，又能灵活适配不同区域、支持未来预测的统一框架。
💡 研究意义
本研究的核心贡献在于：提出了一个连接“历史评估”与“未来预测”的土地退化统一分析框架，同时兼顾了三个关键诉求：
维度全面：从景观、生产力、土壤三个维度综合刻画退化；
标准统一：继承UNCCD Good Practice Guidance的核心逻辑，确保可比性；
可预测性：基于随机森林模型，实现在SSP-RCP情景下的未来预测。
研究选取了中国五个SDGs创新驱动示范区（IDZs for SDGs）作为案例区，这些区域分别位于不同气候带、处于不同发展阶段、面临不同类型的土地退化挑战，非常适合检验框架的适用性。
🎯 研究目的
研究围绕三个核心目标展开：
构建改进型多维土地退化指数（LDI），全面捕捉景观、生产力和土壤三个维度的退化与恢复过程；
量化2000—2020年历史退化格局，识别退化类型和热点区域；
基于随机森林模型预测2021—2030年退化动态，评估不同SSP-RCP情景下实现LDN的可能性。
🗺️ 研究区概况
研究选取了中国五个SDGs创新驱动示范区（IDZs for SDGs）：
这五个区域分别面临：矿产开采（太原）、荒漠化（承德）、高寒生态脆弱（海南州）、快速城镇化与农业开发（湖州）、城市化蚕食生态空间（深圳）——构成了检验土地退化评估框架的理想“实验田”。
📊 数据概况
研究使用了多源遥感与社会经济数据（2000—2020年）：
| | |
|---|
| | |
| | MODIS + TerraClimate + ERA5 |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
所有数据统一重采样至1km空间分辨率，投影为WGS-1984_Albers。
🔧 研究方法
研究构建了三步分析框架：
第一步：构建多维土地退化指数（LDI）
LDI由三个维度加权求和（等权重）构成：
🌿 (1) 景观退化指数（LDI_l）
📈 (2) 生产力退化指数（LDI_p）
🧪 (3) 土壤退化指数（LDI_s）
所有指标采用95%与5%分位数极差归一化，确保各维度可比。
第二步：退化/恢复类型识别
采用Sen's斜率 + Mann-Kendall检验判断每个1km像元在2000—2020年间的变化趋势：
显著上升 → 恢复（LR）
显著下降 → 退化（LD）
不显著 → 稳定（Stable）
最终分类采用 “One-Out-All-Out（1OAO）”决策规则：只要三个维度中任一维度发生退化，该像元即判定为退化；若没有退化但任一维度发生恢复，判定为恢复；仅当所有维度均稳定时，才判定为稳定。
第三步：未来多情景预测（2021—2030）
预测模型：随机森林（Random Forest）
驱动变量：气温、降水、蒸散发、人口、GDP、高程、坡度
未来情景：SSP119（SSP1-RCP1.9）、SSP245（SSP2-RCP4.5）、SSP585（SSP5-RCP8.5）
建模策略：针对三个LDI子维度分别建立三个RF模型；总样本27,300个（每个区域按面积比例分层随机采样）；70%训练、30%验证；5折交叉验证优化超参数
📈 研究结果
🔹 历史退化格局（2000—2020）：区域差异显著
🔹 退化类型分解：景观退化是主因
景观退化：占总退化面积4.8%，分布最广、最分散
生产力退化：占总退化面积3%，主要集中于湖州
土壤退化：占比最小
恢复的主要形式是生产力恢复（占总面积16.2%），集中分布在海南州、承德和太原——受益于退耕还林、三北防护林等国家生态工程。
🔹 时段比较：2000—2010 vs 2010—2020
第一阶段退化的区域中，80%在第二阶段要么恢复、要么稳定。这表明：早期的生态退化并未持续恶化，多数区域已出现拐点——这是中国大规模生态修复成效的有力证据。
🔹 随机森林模型验证
预测值与观测值的R²：
LDI_l：0.58
LDI_p：0.72
LDI_s：0.73
RMSE均在0.11—0.12之间，模型稳健性良好。
变量重要性排序：高程 > 气温 > 降水 > 蒸散发 > GDP ≈ 人口
说明自然地理因素是土地退化最主要的关联因子，社会经济因素影响相对间接。
🔹 未来预测（2021—2030）：情景差异明显
海南州：SSP585下退化最严重（21.27%），SSP245下恢复最显著（7,273 km²）
承德：SSP245下退化最重（2,930 km²），SSP585下恢复最好（7,070 km²）
太原：SSP119下退化最多（788 km²），SSP245下恢复最多（936 km²）
湖州：SSP245下退化最重（1,163 km²）
深圳：所有情景下退化均远超恢复，实现LDN希望渺茫
县尺度评估：
深圳：仅少数区县可能在SSP119/SSP585下实现LDN
海南州：大部分县可在SSP119/SSP245下实现LDN（德格、共和、兴海除外）
湖州：大部分县可达到LDN（长兴、南浔除外）
承德：主要在SSP119/SSP585下实现LDN
太原：全部县可在SSP245/SSP585下实现LDN
💬 主要讨论
🔹 驱动机制：自然与人为的博弈
气候因子（降水、温度、蒸散发）通过影响光合效率、水分利用效率、土壤水分有效性、养分循环等机制长期作用于植被与土壤。极端气候事件（暴雨、热浪、干旱）则会触发突发性退化。
人类活动的影响是双重的：
值得注意的是，GDP和人口在RF模型中重要性相对较低，可能是因为宏观社会经济代理变量对退化过程的影响是间接而非直接的。实际决策中，更精细的人类活动数据（如具体工程位置、施肥强度、灌溉面积等）会提供更直接的解释力。
🔹 框架的优势与可迁移性
本研究的框架相较传统方法有三个提升：
多维度：不只看植被绿度，同时关注景观结构和土壤属性，避免“绿了就是好了”的片面判断；
可扩展：框架允许灵活替换各维度的具体指标（如未来可加入LiDAR冠层高度、日光诱导叶绿素荧光SIF、土壤侵蚀强度等新指标）；
可预测：RF模型的强泛化能力让“未来不同情景下的退化风险”变得可量化、可视化管理。
🔹 对LDN目标的政策启示
类型导向治理：不同退化类型需针对性施策——景观退化主导区应优先增强栖息地连通性；生产力退化区应关注植被恢复和可持续农业；土壤退化区应重点提升有机碳和水分。
提前预警：预测结果可帮助决策者识别“在哪个情景下、哪些区县无法达成LDN”，从而提前调整规划。
灵活监测：框架的标准化结构使不同年份、不同区域之间的退化评估具有可比性，便于国家层面对标SDG 15.3.1。
✨ 创新点
框架创新：首次将UNCCD Good Practice Guidance的“三指标”逻辑与多维综合指数方法融合，既保持了全球可比性，又提升了对生态过程复杂性的刻画能力。
方法创新：
引入kNDVI替代传统NDVI，解决了高植被覆盖区的信号饱和问题；
引入景观破碎化与多样性指数，弥补了单纯依赖土地覆盖变化的不足；
将历史趋势评估与SSP-RCP情景下的机器学习预测有机衔接，实现了“回溯”与“前瞻”的统一。
应用创新：选取了中国五个各具特色的SDGs示范区，系统比较了不同发展阶段、不同生态背景下土地退化与恢复的差异性响应，为LDN目标的区域差异化路径提供了实证支撑。
决策创新：提出“1OAO（One-Out-All-Out）”退化判定规则，强调
“任何一维退化即整体退化”的保守原则，避免低估生态风险——这一原则对政策制定具有重要的预警意义。
⚠️ 不足与展望
🔹 时间序列对突发事件的敏感性不足
Sen's斜率基于长期趋势判断，难以捕捉野火、台风、滑坡、极端干旱等突发事件的瞬间影响。未来可引入变化点检测算法或年度异常值分析进行补充。
🔹 人类活动数据颗粒度不够
模型中的GDP和人口为宏观网格数据，未能直接反映造林、围栏封育、灌溉、施肥、土地整治等具体管理措施的空间分布。未来应探索将工程项目空间数据和土地利用政策时空轨迹纳入模型。
🔹 归一化策略的区域差异
采用全区域95%/5%分位数归一化，可能导致不同退化程度区域之间的量级不可直接比较。未来可探索参照区归一化或相对阈值法等更标准化的策略。
🔹 区域特异性模型受限
当前为五区“池化模型”，未来有条件时应开发分区专属模型，以更好反映各区域独特的退化驱动机制。这需要进一步完善不同SSP-RCP情景下区域尺度的驱动变量预测数据。
📝 总结
这篇研究给我们带来了三个重要认知：
第一，土地退化不是“非黑即白”的过程。 在2000—2020年间，中国的SDGs示范区既有退化的局部热点（如湖州东部、深圳边缘），也有恢复的显著成就（如太原近半数区域恢复）——退化与恢复往往是空间并存的“双线叙事”。
第二，“绿了”不等于“好了”。 只看植被指数增长会掩盖景观破碎化和土壤质量下降等隐性退化。多维评估不是锦上添花，而是避免误判的底线要求。
第三，未来不是确定的，但可以预见。 SSP119、SSP245、SSP585三种情景给出了截然不同的退化轨迹——哪一个未来将成为现实，取决于今天的选择。深圳在所有情景下都难以实现LDN的现实提醒我们：超大城市实现土地退化零增长，可能是最棘手但最不能回避的挑战。
框架的最终价值，不在于它给出了多少精确的数字，而在于它提供了一个兼具标准化与灵活性、连接过去与未来、支持差异化决策的分析工具。对于正在推进国土空间规划和生态修复的中国而言，这恰恰是最需要的。
📖 引用信息
Li, K., Wang, Q., Sun, B., Xiong, Y., Yuan, J., Lu, Y. Assessing and predicting land degradation processes using an improved multi-dimension framework based on remote sensing and machine learning approach. Environmental Impact Assessment Review 2026, 121, 108512.
https://doi.org/10.1016/j.eiar.2026.108512
以上内容来源于NUGIS，为学术分享，仅供科研交流，如有错误/侵权等，请联系修改或删除。
联系方式：Novel_2020
