A scalable framework for agricultural drought hazard mapping in data-scarce arid regions: Case study of Jiroft plain, Iran
本研究通过整合遥感数据、原位土壤水分测量与机器学习模型，提出了一种用于绘制数据匮乏的伊朗吉罗夫特平原农业干旱灾害图的可扩展框架，并证明了支持向量机方法能够利用植物可用水量和土壤水分作为关键预测因子，有效地识别干旱风险。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在世界那些干旱、被烈日灼烧的角落里，农业正处于生死存亡的边缘。当降雨未能按时到来时，土壤会变得干枯，农作物也会枯萎，粮食安全也随之岌岌可危。对于农民和规划者而言，准确了解土地何时何地会出现缺水情况，是关乎生存的大事。测量这一情况最直接的方法是检测土壤中的水分，但在偏远的干旱地区，地面往往过于广阔，气象站也过于稀少，无法提供完整的图景。长期以来，科学家们一直利用卫星来填补这些空白，使用能够从太空观测植物健康状况和地面温度的传感器。通过观察植被的绿度以及地表的热度，研究人员可以推断出隐藏在作物脚下的水分有多少，从而创造出一种无需在每一块农田中都放置传感器的监测干旱的方法。
一支研究团队将注意力集中在伊朗东南部的吉罗夫特平原（Jiroft plain），这是一个水资源匮乏且详细气象记录有限的广袤农业区。该地区面积超过2200平方公里，高度依赖灌溉来种植小麦、玉米和柑橘类水果，却经常遭受严重干旱的袭击。挑战在于，仅利用现有的有限数据，创建一个可靠的农业干旱灾害图——即一种预测该景观中哪些部分最容易受到水分胁迫的方法。为此，团队将十五年间的卫星图像与少量从地面采集的实际土壤样本相结合。他们使用了一种将植物绿度与地表热量之间的关系视为“三角形”的方法，从而能够估算出整个平原表层土壤的含水量。
研究人员收集了2007年至2022年的数据，重点观察了干旱情况特别严重的八个特定年份。他们测量了深度达30厘米的土壤水分，这是植物根系汲取水分的关键区域。通过将卫星数据与他们在2021年和2022年采集的73份土壤样本进行对比，他们建立了一个模型，用以计算每年的土壤水分较长期平均值下降了多少。这种下降程度，或称“相对偏差”，成为了识别干旱实际发生位置的标尺。在绘制出这些干旱事件的地图后，他们利用计算机算法来寻找背后的规律。他们测试了三种不同的机器学习模型，以观察哪一个能根据十种不同的环境因素（包括坡度、土壤类型、河流密度和降雨量）最好地预测干旱风险。
结果显示，一种被称为支持向量机（support vector machine）的特定计算机模型，在预测干旱发生地方面远优于其他模型。该模型达到了极高的准确度，在几乎所有的测试案例中都能正确识别易受干旱影响的区域。分析表明，决定干旱风险的最重要因素不仅是降雨量的大小，更是土壤保持水分的能力。具体而言，土壤向植物提供可用水分的能力是驱动干旱灾害的主导因素。当土壤呈沙质且无法留住水分，以及植被覆盖稀疏时，干旱风险就会飙升。有趣的是，整个地区的总降雨量并没有出现足够的差异来解释为什么某些地区比其他地区更干燥；相反，是当地的土壤和景观条件决定了最终的结果。
该团队制作的最终地图将吉罗夫特平原划分为不同的风险区，显示该地区超过一半的区域面临极高的农业干旱灾害。这些危险区域集中在具有沙质土壤、低植被覆盖和较少水道的地区。相比之下，平原的中部由于土壤保水能力较强且植被较密，则相对安全。这种方法为地面监测设备稀缺的地区提供了一种实用的解决方案。通过证明卫星数据结合少量地面样本可以准确绘制干旱风险图，这项研究提供了一个可以在危机发生前向农民发出预警的工具。它将关注点从单纯的统计降雨量，转向理解土地、其所持有的水分以及依赖水分的植物之间复杂的物理关系，为在日益干旱的世界中管理水资源提供了更清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。