Идентификация заброшенных сельскохозяйственных угодий и анализ глобально-локальных механизмов воздействия на основе многoисточниковых данных дистанционного зондирования и многокритериальной оптимизации

Identification of Abandoned Cropland and Global–Local Driving Mechanism Analysis via Multi-Source Remote Sensing Data and Multi-Objective Optimization
Side Gui, Jiaming Li, Guoping Chen, Junsan Zhao, Bo‐Hui Tang, Lei Li
2025-09-04

Google Earth EngineNSGA-II-XGBoostинтерпретируемость SHAP и LIMEидентификация заброшенных сельскохозяйственных угодиймультиспектральное дистанционное зондирование
Проблема заброшенных сельскохозяйственных угодий представляет значительную угрозу национальной продовольственной безопасности и устойчивому использованию земельных ресурсов, что подчёркивает острую необходимость в эффективной и интерпретируемой системе их идентификации с использованием данных дистанционного зондирования. В исследовании объединены три авторитетных набора данных о земном покрове: WorldCover Европейского космического агентства (ESA), Land Cover Института исследований окружающей среды (ESRI) и платформа облачных данных о ресурсах и окружающей среде Китая (CRLC). Многoисточниковые признаки дистанционного зондирования были извлечены с использованием платформы Google Earth Engine, а высококачественные обучающие выборки сформированы посредством случайного выбора точек на основе этих признаков в ArcGIS. Для устранения избыточных переменных применён метод рекурсивной перекрёстной проверки признаков, что позволило оптимизировать структуру признаков без снижения точности классификации. Для построения модели предложена стратегия многокритериальной оптимизации, объединяющая генетический алгоритм сортировки по не доминированию II (Non-dominated Sorting Genetic Algorithm II, NSGA-II) и экстремальное градиентное усиление (eXtreme Gradient Boosting, XGBoost). Благодаря включению механизма отсечения вычислительная эффективность существенно повышена: скорость идентификации увеличена максимум на 75% при сохранении точности модели (OA: 0.9817; Kappa: 0.9633; F1-score: 0.9817; recall: 0.9866). Для интерпретации результатов метод аддитивных объяснений на основе значений Шэпли (SHapley Additive exPlanations, SHAP) использован для оценки глобальной важности признаков; установлено, что такие переменные, как SAVG, B3_p25, Road, DEM и Population, вносят наиболее значительный вклад в идентификацию заброшенных сельскохозяйственных угодий. Одновременно метод локальных интерпретируемых модельно-агностических объяснений (Local Interpretable Model-Agnostic Explanations, LIME) применён для анализа локальной интерпретируемости типичных образцов. Результаты показывают, что, хотя некоторые образцы имеют те же доминирующие признаки, что и глобальные результаты, другие характеризуются более сильным локальным влиянием таких признаков, как уклон и SAVG. Сочетание SHAP и LIME для глобально-локальной интерпретируемости позволяет получить представление о неоднородном...
1
Многоцелевой фреймворк NSGA-II–XGBoost с механизмом отсечения ускоряет выявление заброшенных пахотных земель до 75%.
2
Рекурсивная перекрёстная проверка признаков удаляет избыточные переменные и оптимизирует структуру признаков без снижения точности классификации.
3
Метод SHAP определяет SAVG, B3_p25, близость к дорогам, DEM и население как наиболее значимые глобальные признаки, тогда как LIME выявляет специфические для образцов влияния уклона и SAVG.
4
Оптимизированная модель достигает OA 0.9817, Kappa 0.9633, F1-score 0.9817 и полноты 0.9866.
5
Исследование объединяет наборы данных ESA WorldCover, ESRI и CRLC с признаками, извлечёнными через Google Earth Engine, для выявления заброшенных пахотных земель.

заброшенные сельскохозяйственные угодья

идентификация с использованием дистанционного зондирования и глобально-локальные механизмы воздействия на заброшенные сельскохозяйственные угодья, включая важность и неоднородные локальные эффекты природных и социально-экономических признаков

Publication Details
Publication Date
2025-09-04
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Side Gui
Jiaming Li
Guoping Chen
Junsan Zhao
Bo‐Hui Tang
Lei Li
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%