Integrating multi-source data and support vector machine to assess the spatio-temporal pattern of land degradation in the Eastern Cape of South Africa

方法

Landsat时序数据、SVM分类，结合VIF与SHAP做特征解释。

发现

退化面积先降后升，2025年达328km²，土壤光谱指标比NDVI更关键。

机会点

可将该SVM-SHAP框架迁移到其他半干旱区，并耦合气候与土地利用驱动做退化预警。

土地退化仍然是一项重大环境挑战，尤其是在半干旱和异质性景观中，植被丧失与土壤裸露之间的相互作用复杂且具有空间动态性。因此，本研究旨在利用Landsat数据序列和支持向量机（SVM），评估南非Keiskamma集水区2005—2025年间土地退化的空间范围及其驱动因素。退化土地呈非单调变化轨迹：从2005年的约197 km²下降至2015年的约157 km²（暂时收缩20.3%，与短期恢复和土地利用变化相一致），随后急剧且不可持续地上升至2025年的约328 km²（较2015年增加108.9%，在整个二十年期间净增加66.5%），且主要以草地和农用地为代价。此外，研究结果表明，土壤敏感指标，尤其是BSI和SWIR光谱波段，在判定退化土地方面发挥着关键作用。相比之下，NDVI等植被指数在退化条件下贡献较小，因为退化区域严重以裸露土壤为主，而非植被。相关矩阵分析进一步揭示，到2025年，光谱关系由土壤—植被混合关系向强烈的土壤主导反射模式发生时间转变，表明退化已进入后期阶段。总体而言，将SVM分类与VIF和SHAP相结合，为监测土地退化提供了一个透明、可靠且具有空间显式性的框架。研究结果支持土地退化零增长监测，并为支持可持续发展目标（SDG）15.3的可持续土地管理规划提供了关键见解。