Integrating Vegetation Health Indices and Machine Learning for Early Prediction of Agricultural Drought
Gbolahan S. Badru · Shakirudeen Odunuga · Michael Adebisi Adeyemi
基于多源遥感与机器学习构建尼日利亚萨赫勒地区农业干旱早期预测框架。
GEE整合NDVI、EVI、VCI等7个指标，用LSTM、随机森林、XGBoos
XGBoost预测精度最高（86.9%），北部LGAs为2030年前最高风险区。
可探索多模型集成与迁移学习，将干旱预警框架推广至其他萨赫勒地区并耦合作物产量预测。
基于多源遥感与机器学习构建萨赫勒地区农业干旱早期预警框架，方法扎实、结论明确，对干旱监测预警有参考价值。
农业干旱威胁着尼日利亚萨赫勒地区的粮食安全，但该地区基于机器学习且具有空间显式特征的预测研究仍然有限。本研究在Google Earth Engine平台上，以3 km分辨率构建了约贝州（2000—2025年）的时空干旱监测与预测框架，集成了七种遥感指标：归一化植被指数（NDVI）、增强植被指数（EVI）、植被条件指数（VCI）、温度条件指数（TCI）、土壤水分指数（SMI）、地表温度（LST）和降雨量。所有指标均呈现出持续的南北干旱梯度，北部地方政府辖区在整个研究期内表现出长期的植被胁迫、土壤水分亏缺和地表温度升高。研究以植被健康指数（VHI）衍生的干旱严重程度等级为标签，训练了三种机器学习模型：长短期记忆网络（LSTM）、随机森林（Random Forest）和极端梯度提升（XGBoost）。XGBoost取得了最高的预测性能（准确率=86.9%；Kappa=0.829；RMSE=2.26），其中降雨量和植被状况为主要预测因子。三种模型一致预测，到2030年北部地方政府辖区将成为最高风险区，这为萨赫勒地区有针对性的预警部署和气候智慧型农业投资提供了依据。