摩洛哥半干旱地区的季节性农业脆弱性:结合遥感与农民知识以指导气候适应

4.2 数据来源

地理空间数据：Google Earth Engine提取2010至2024年间的MODIS归一化植被指数（NDVI）以及ERA5-Land的降水和温度数据 。计算2010至2023年间各项指标的变异系数（CV），以此量化各地气候与环境不稳定性 。

微观调查数据：来源于2024年10月对全国主要农业区3591名小农户进行的随机问卷调查 。调查核心收集了农民自身对冬季、夏季及整体气候脆弱性的评估等级，以及相关的农场管理实践和社会经济条件。

4.3 数据预处理与整合

对调查问卷的反馈进行标准化编码，随后通过农户提供的地理坐标，提取对应位置的遥感CV图层数值，将两套数据整合为一个统一的分析数据集 。清理数据后，为捕捉季节性动态，研究人员分别构建了用于模拟夏季、冬季和整体脆弱性的三个子数据集。

4.4 建模方法

研究采用监督式多分类机器学习框架，旨在结合环境指标和问卷变量预测脆弱性等级。选用能够处理非线性和高维数据的随机森林和XGBoost算法作为核心模型，并以多项逻辑回归和多数类分类器作为评估基准。在训练过程中，采用SMOTE和随机过采样（ROS）技术克服了样本类别分布不平衡的问题。

为了防止空间聚集导致的性能高估，研究摒弃了常规交叉验证，创新性地使用了空间分块交叉验证，按网格将农户分组验证，以获得更真实的模型泛化能力。

4.5 基于SHAP的模型解释

研究引入SHAP方法来解释模型输出 。该方法通过计算并生成全局特征重要性排序，直观揭示了诸如降水波动、植被变异等客观环境因素与灌溉手段、气候信息服务获取等主观适应能力是如何协同影响农民脆弱性感知的 。

5.2 模型结果

在更严谨的空间交叉验证（Spatial CV）框架下，随机森林（RF）和XGBoost等集成学习模型在所有脆弱性目标的预测上均一致优于传统的逻辑回归和多数类基线模型 。其中，夏季脆弱性模型的预测表现最佳（宏观F1得分超过0.70），而冬季模型表现稍弱，这反映出冬季由于气候暴露和管理策略的异质性更强，导致预测难度相对增加 。模型的主要误判集中在相邻的脆弱性等级之间 。

5.3 基于SHAP的关键驱动因素解释

由SHAP模型解释发现，决定农民气候脆弱性感知的驱动因素具有明显的季节性差异 。冬季脆弱性主要受水文气候等自然环境指标（如冬季土壤水分、降水和温度变异性）主导 ；而夏季脆弱性则呈现出高度的综合性，除干旱和热胁迫外，诸如灌溉实践、地下水深度、作物产量以及气候信息的使用等代表农民适应能力的主观管理变量发挥了更加突出的作用 。

图2 RF模型（左）和XGB模型（右）预测总体气候脆弱性的最重要预测因子的SHAP摘要图

图3 RF模型（左）和XGB模型（右）预测冬季气候脆弱性的最重要预测因子的SHAP摘要图

图4 RF模型（左）和XGB模型（右）预测夏季气候脆弱性的最重要预测因子的SHAP摘要图

5.4 调查问卷数据与观测数据的贡献对比

在解释农民感知的气候脆弱性时，仅基于调查问卷的主观变量模型一致优于仅使用地球观测（遥感）客观指标的模型 。这说明农民的实际感知、管理手段和制度环境等因素占据了主导地位 。不过，将这两种数据源结合使用能够获得最佳的互补增益，特别是对于受环境因素主导的冬季脆弱性模型，结合数据的预测精度达到了最高（F1=0.69） 。

图5 农民报告的夏季和冬季作物分布

图6 按教育水平划分的接收气候信息的首选渠道

6.2 结论

将地球观测数据与农民感知调查结合，并通过具备空间感知的机器学习模型进行分析，是评估摩洛哥小农系统气候脆弱性的一种极具价值且科学严谨的方法。脆弱性并非一种静态状态，而是具有显著的季节性分化。冬季的脆弱性主要受环境气候暴露过程主导，而夏季则明显转变为由农户的管理手段和适应性响应所驱动 。

尽管卫星遥感指标为环境变异性提供了不可或缺的空间宏观背景，但农民自身关于土壤水分、水资源获取途径、种植实践和制度支持的报告数据，才是预测气候脆弱性最强有力的核心因子 。地球观测数据是对当地农民知识体系的重要补充，但绝对无法直接替代它 。本研究提出并验证的这套综合评估框架，为面临水资源短缺、气候变异且适应能力受限的其他半干旱地区，提供了一种具有高度可转移性的精准适应规划工具。

Agricultural systems in semi-arid regions are increasingly exposed to climate variability, yet the drivers of seasonal vulnerability remain insufficiently understood. This study examines whether perceived vulnerability during winter and summer cropping seasons is shaped by distinct mechanisms climatic exposure during the wet season and adaptive capacity during the dry season. Using Morocco as a representative case for North African agriculture, we integrate long-term Earth observation indicators of environmental variability (precipitation, temperature, and NDVI) with survey data from 3,591 smallholder farmers and apply machine learning classification models evaluated under spatially explicit cross-validation. Model performance was benchmarked against multinomial logistic regression and majority-class baselines. While standard cross-validation yielded optimistic estimates, spatial cross-validation produced more conservative and policy-relevant results. Under spatial validation, Random Forest and XGBoost consistently outperformed simpler models, with macro F1 scores ranging from approximately 0.53 for overall vulnerability to over 0.70 for seasonal outcomes. Comparative experiments showed that survey-based predictors explain a larger share of perceived vulnerability than Earth observation indicators alone, while their combination provides complementary gains, particularly for winter vulnerability. Explainable model analysis revealed clear seasonal contrasts: winter vulnerability was dominated by hydroclimatic variability and soil moisture conditions, whereas summer vulnerability was more strongly shaped by adaptive capacity, including groundwater access, irrigation practices, and climate information use. The proposed framework offers a transferable approach for assessing climate vulnerability and informing targeted adaptation strategies in semi-arid farming systems.