Asymmetric Vegetation Responses to Flood Exposure in the Chi River Basin: A Multi-Temporal Remote Sensing and Machine Learning Investigation
Jiradech Majandang · Patiwat Littidej · Benjamabhorn Pumhirunroj 等 4 人
利用多时相遥感和机器学习揭示泰国湄公河支流流域植被对洪水的非对称响应。
Sentinel-2影像、洪水记录与机器学习，分析23万个空间单元。
重复洪水区植被增加，低洪水区减少，表明洪水可缓冲干旱影响。
可探索洪水-干旱交替下植被恢复机制，并开发基于阈值的差异化预警系统。
基于Sentinel-2与机器学习的多时相洪涝-植被响应研究，数据规模大、结论具体，对农业遥感与灾害风险管理有参考价值，但属区域案例研究，公共影响有限。
在许多热带洪泛平原，洪水与干旱交替发生，但植被如何在多年间同时响应这两种灾害，仍缺乏充分的定量研究。我们以泰国东北部栖河（Chi River）流域为研究区，考察植被与洪水的关联，数据来源包括2020年、2023年和2024年的Sentinel-2影像，2017年、2018年、2021年和2022年的洪水记录，并采用机器学习方法，覆盖230 911个基于点的空间单元。分析中出现了九种不对称形式。其中最显著的是恢复不对称：2017—2022年间至少发生两次洪水的区域，在2020—2023年间植被增加（NDVI平均变化=+0.0270），而洪水暴露很少或没有洪水暴露的区域则植被减少（平均变化=−0.0430）。这一差异具有统计显著性（Cohen’s d=0.5586，p<0.001），表明反复洪水可能缓冲植被对随后干旱的响应。农田的下降幅度（−0.0316）小于森林（−0.0937；ANOVA F=1717.7，p<0.001）。以2020年NDVI衡量的基线植被状况对模型重要性的贡献为32.9%，是海拔贡献（14.5%）的两倍多。光谱指数合计占重要性的76.6%，而地形变量占23.5%。2023年厄尔尼诺年（El Niño year）高洪水区与低洪水区之间的差异最大（+0.0364）；由于每个ENSO相位仅有1年数据，我们将其视为基于个案的比较，而非一般性的ENSO响应。阈值分析识别出两个不同的值：操作性截断值为NDVI=0.05（总体精度82.67%），生态过渡值约为0.25~0.30。空间聚类较弱但显著（Moran’s I=0.2179，p<0.001）。空间分块交叉验证的精度（0.597）低于随机交叉验证（0.627），表明数据中存在空间自相关。高洪水区的脆弱性指数是低洪水区的1.67倍（0.4306对0.2573）。这些格局支持差异化治理：基于海拔的分区、根据当地洪水情势校准的预警系统，以及在热点区域的重点干预。