Integrating Geospatial Information and Artificial Intelligence for Irrigation Planning in Kwali Area Council, Federal Capital Territory, Nigeria

尼日利亚农业日益受到气候变率、降雨不规律、水资源管理效率低下和土地退化的威胁，这些因素共同影响着粮食安全和农村生计。本研究采用地理空间技术与人工智能相结合的GeoAI综合框架，对尼日利亚联邦首都特区（FCT）夸利地区委员会瓦科灌溉区进行了灌溉适宜性评价，以服务于精准灌溉规划。研究分析并整合了包括坡度、土壤湿度指数（SMI）、排水密度以及以归一化植被指数（NDVI）表示的植被状况等环境变量，并采用多层感知器人工神经网络（MLP-ANN）进行集成分析。地形分析表明，研究区以近水平地形为主，面积8.72平方公里（占58.23%），缓坡和中坡分别占4.68平方公里（31.22%）和1.58平方公里（10.55%）。土壤湿度分析显示，湿润区为主导类别，面积6.52平方公里（占43.52%），其次为潮湿区4.96平方公里（33.13%）和干燥区3.50平方公里（23.35%）。低排水密度为主导排水类别，面积6.62平方公里（占44.19%），中等和极低排水密度分别覆盖4.85平方公里（32.38%）和3.51平方公里（23.43%）。NDVI值介于0.031至0.473之间，表明植被状况从无植被到低植被不等，其中达加拉周边地区观测值相对较高。MLP-ANN模型整合了各环境变量以划分灌溉适宜性分区。高度可灌区为主导类别，占14.98平方公里研究区的9.91平方公里（66.20%）。中度可灌区占3.68平方公里（24.50%），低度可灌区占1.39平方公里（9.27%）。利用100个实地参考观测点进行模型验证，总体精度为79.00%，敏感性为80.00%，特异性为76.00%，ROC–AUC为0.780，表明模型预测性能可接受且具有合理均衡性。研究结果表明，基于GeoAI的灌溉适宜性建模能够支持循证灌溉规划，提高用水效率，并促进尼日利亚气候智慧型农业发展。