A remote sensing–based approach to the regionalization of socioeconomic indicators in an agricultural headwater catchment in Northern Benin

方法

迭代主成分分析与条件拉丁超立方采样，结合37个遥感变量和多元线性回归。

发现

区域模型稳健，决定系数超70%，p值小于0.01，可预测作物社会经济指标。

机会点

可探索将遥感区域化社会经济指标方法迁移至其他流域，并耦合农户决策行为模型。

沃尔特河流域苏丹-萨赫勒地区农村连续体的农业生态系统正在经历严重退化，导致生态系统服务能力严重下降，社区生计日益脆弱，而农业仍是该地区的主要收入来源。这种退化主要由水文气候风险管理不善、以大量使用化肥和农药为特征的非适应性农业实践，以及决策过程中对空间异质性考虑不足所驱动。本研究的目标是：(i) 识别一个30米分辨率网格单元网络（Network of 30 m resolution Grid Cells, NGC），以代表所研究农业生态系统的空间异质性——达萨里源头集水区（550平方公里），位于贝宁北部沃尔特河的一条支流；以及 (ii) 将地块尺度的社会经济数据进行区域化，以支持改进决策。NGC通过将迭代主成分分析（Iterative Principal Component Analysis, IPCA）与条件拉丁超立方采样（Conditioned Latin Hypercube Sampling, CLHS）方法相结合，利用37个卫星衍生变量（如归一化植被指数、饱和度指数、着色指数）得出，最终选取了150个网格单元。实地和实验室调查提供了土壤属性（如质地、碳、田间持水量、氮含量）和社会经济数据（如收获量、投入成本、总生产成本和总收入），这些数据经过标准化处理，并针对主要作物（小米、高粱、玉米和棉花）进行了分析。结果表明，NGC网格单元之间的自然空间差异转化为额外的劳动力和投入成本，对农民而言可能难以承受。研究针对每种作物类型建立了多元线性回归模型，将社会经济指标与土壤和遥感变量相关联，所得区域模型表现稳健，预测值与观测值在95%置信区间内高度吻合，决定系数超过70%，p值低于0.01。