臺風“摩羯”影響海南島植被變化的關鍵因子及閾值研究

摘" 要：本研究旨在識別臺風“摩羯”影響海南島植被變化的關鍵因子，確定其致災閾值，并為臺風災害預測、評估及防災減災提供科學依據。基于GEE平臺獲取臺風“摩羯”登陸前后（2024年8月19日至9月18日）Sentinel-2 NDVI數據，結合地形與氣象要素（臺風路徑、最大風速、最低氣壓和降水量等），運用XGBoost模型預測臺風后歸一化植被指數（NDVI）變化，并采用SHAP方法解析氣象因子的非線性效應。XGBoost模型擬合結果顯示，決定系數（R²）為0.75，均方根誤差（RMSE）為0.12，表明該模型在預測臺風后NDVI變化方面具有較高精度。XGBoost特征重要性分析表明，臺風前NDVI、臺風距離和最大風速為主要影響因子，而坡度與坡向的影響較弱。進一步SHAP分析表明，臺風距離和最大風速為影響NDVI變化的關鍵氣象因子。當臺風距離lt;76.4 km時，NDVI顯著下降；而當最大風速超過29.3 m/s時，NDVI變化明顯加劇，表明強風對植被破壞具有關鍵作用。臺風距離lt;76.4 km（約11級風圈內）及最大風速超過29.3 m/s的區域內，植被受損尤為嚴重。建議在臺風預警及災前防御措施中重點關注上述高風險區域。

關鍵詞：臺風“摩羯”；致災因子；植被變化；致災閾值；XGBoost模型；SHAP分析中圖分類號：Q948.1 """""文獻標志碼：A

Identifying Key Meteorological Factors and Thresholds for Vegetation Damage in Hainan Island under Typhoon Yagi

LI Weiguang^1，2， LYU Run^1，2， LI Hailiang^3，4*， CHEN Xiaomin^1，2， HOU Wei^1，2， ZOU Haiping^1，2

1. Hainan Climate Center， Haikou， Hainan 570203， China; 2. Hainan Key Laboratory of Meteorological Disaster Prevention and Mitigation in South China Sea， Haikou， Hainan 570203， China; 3. Institute of Scientific and Technical Information， Chinese Academy of Tropical Agricultural Sciences / Key Laboratory of Applied Research on Tropical Crop Information Technology of Hainan Province， Haikou， Hainan 571101， China; 4. Hainan Tang Huajun Academician Workstation， Haikou， Hainan 571101， China

Abstract： This study aimed to identify the key factors influencing vegetation changes on Hainan Island under Typhoon Yagi， determine the disaster thresholds， and provide scientific support for typhoon disaster prediction， assessment， and mitigation. Using the GEE platform， Sentinel-2 NDVI data from August 19 to September 18， 2024， covering the period before and after Typhoon Yagi landfall， were analyzed in conjunction with topographic and meteorological variables （such as typhoon path， maximum wind speed， minimum pressure， and precipitation）. An XGBoost model was applied to predict post-typhoon NDVI changes， and SHAP analysis was used to explore the nonlinear effects of meteorological factors. The XGBoost model yielded a coefficient of determination （R²） of 0.75 and a root mean square error （RMSE） of 0.12， indicating a high prediction accuracy for post-typhoon NDVI changes. Feature importance analysis within the XGBoost model revealed that pre-typhoon NDVI， typhoon distance， and maximum wind speed were the primary influencing factors， while slope and aspect had a weaker effect. Further SHAP analysis confirmed that typhoon distance and maximum wind speed were the key meteorological factors driving NDVI changes. When the typhoon distance was less than 76.4 km， NDVI showed a significant decline， while NDVI changes intensified when the maximum wind speed exceeded 29.3 m/s， highlighting the crucial role of strong winds in vegetation damage. Regions within 76.4 km （approximately within the 11th wind radius） of the typhoon’s path and with maximum wind speeds greater than 29.3 m/s experienced severe vegetation damage. It is recommended that the high-risk areas be prioritized in typhoon warnings and pre-disaster defense measures.

Keywords： Typhoon Yagi; disaster-causing factor; vegetation change; disaster thresholds; XGBoost model; SHAP analysis

DOI： 10.3969/j.issn.1000-2561.2025.09.022

全球氣候變化導致超強臺風頻率和強度顯著增加，對沿海陸地生態系統造成嚴重影響^[1-2]。海南島作為全球生物多樣性熱點區域，其陸地生態系統對區域碳匯和生態安全至關重要^[3]。然而，臺風對陸地生態系統的破壞機制及其關鍵閾值仍缺乏系統研究，制約了科學防災減災策略的制定^[4]。準確識別并量化臺風致災因子及其閾值，對災害風險評估和抗災能力提升具有重要的理論與實踐意義^[5]。

近年來，遙感技術在臺風災害監測與評估領域取得了顯著進展。普遍采用歸一化植被指數（NDVI）等遙感指標評估臺風對森林和植被的影響^[6]。臺風主要導致植被覆蓋度下降和NDVI值減小，反映了樹木倒伏、枝條斷裂等物理破壞^[7-9]。沈一凡等^[10]基于MODIS增強型植被指數（EVI）和葉面積指數（LAI），分析了2001—2019年臺風對我國東南沿海植被的影響，揭示了不同等級臺風的影響差異。田韞鈺等^[11]調查發現，強臺風“山竹”對深圳的樹木受損比例高達21.4%。錢麗沙^[12]結合Sentinel-1和Sentinel-2遙感影像，開發了臺風災害監測方法，評估了嶺南地區甘蔗作物損害情況。張旭^[13]基于Google Earth Engine（GEE）平臺，利用隨機森林算法和Landsat 8影像，精確評估了超強臺風“利奇馬”和“威馬遜”對中國東南部森林的損害情況。然而，臺風對不同植被類型的影響存在顯著差異。例如，香港外來單一種植園受臺風影響更嚴重，而本地次生林的NDVI變化較小^[14]。盡管現有研究已評估了臺風對植被的影響，但缺乏針對氣象和地形因子的閾值研究，特別是在遙感技術與機器學習模型結合的背景下的研究。與現有研究相比，本研究結合XGBoost模型和SHAP方法，系統分析臺風“摩羯”對海南島植被變化的影響，并確定關鍵氣象因子的致災閾值，為臺風災害的風險評估和防災減災提供新的科學依據。

1 "材料與方法

1.1" 研究區概況

海南島位于中國南海，屬熱帶季風氣候區，森林覆蓋率高，熱帶農業發達。其獨特的地理與生態環境使其成為臺風災害的高風險區域。海南島的地形以中部高聳、四周低平的地貌，中部的五指山、鸚哥嶺等山脈向外圍逐級下降，形成山地、丘陵、臺地、平原的梯級結構。中部山區以熱帶雨林為主，外圍丘陵和臺地以季雨林和經濟林為主，沿海平原則分布農業種植區、果園和防風林等。海南島年均遭受熱帶氣旋超過6次，其中約2次登陸^[15]。盡管強臺風登陸頻率較低，但其造成的災害性影響極為嚴重。1973年7314號強臺風幾乎摧毀瓊海市，2005年“達維”和2014年超強臺風“威馬遜”分別造成直接經濟損失超百億元。2024年第11號臺風“摩羯”導致海南省直接經濟損失超600億元，進一步凸顯了臺風的破壞力。

1.2" 數據來源及處理

1.2.1" 遙感數據" 本研究基于Google Earth Engine（GEE）平臺的COPERNICUS/S2_SR_ HARMONIZED數據集獲取遙感影像數據。該數據集包含經傳感器校準和大氣校正的Sentinel-2衛星表面反射率（SR）影像，已去除云和云陰影，具有高時空分辨率，廣泛應用于農業、氣候變化和災害管理等領域^[16]。鑒于海南島植被的季節性變化及臺風季節云層覆蓋的影響，本研究選取2024年8月19日至9月18日的影像數據。其中，8月19日、8月24日、8月29日和9月3日的影像覆蓋臺風登陸前，9月8日、9月13日和9月18日的影像則用于臺風登陸后數據合成。合成臺風前后NDVI時，提取云概率波段（MSK_ CLDPRB）值為0的影像，以確保數據質量。對于臺風前后存在多幅云概率值為0影像的區域，取其NDVI平均值進行處理。

地形數據來源于GEE平臺的USGS/SRTM-GL1_003數據集，基于SRTM雷達系統測量，空間分辨率為1弧秒（約30 m）。在GEE平臺上隨機生成50 000個數據點，其中28 083個位于海南陸地，提取這些點在臺風前后各時間點的NDVI、土地覆蓋類型、高程（DEM）、坡度和坡向等數據。

1.2.2 "氣象數據" 本研究采用海南省氣象信息中心2024年9月4日20時至9月7日16時的逐小時極大風速、最低氣壓和降水量數據。基于該數據，計算累積降水量和極大風速超過10級的持續時間。數據來自499個經質量控制的氣象站點，采用反距離加權插值（IDW）方法轉換為100"m× 100 m網格數據。基于GEE平臺生成的隨機點經緯度，提取相應氣象要素值，并計算各點到臺風路徑的最短距離。

1.3" XGBoost建模

本研究采用XGBoost模型構建多源環境變量（氣象和地形）與臺風前后NDVI變化間的非線性關系，預測臺風后NDVI值。同時，利用SHAP歸因分析解釋模型結果，揭示變量與預測目標間的關系。XGBoost是一種高精度機器學習模型，可通過特征重要性揭示環境變量的影響，但無法直接解釋變量與目標間的關系。通過Shapley值量化單一變量與因變量間的非線性關系進行SHAP歸因分析^[17]。本研究使用Python中的XGBoost 2.1.3包構建模型，并通過SHAP 0.46.0包分析致災因子與NDVI損失間的部分依賴關系。

模型使用的環境變量包括地形（DEM、坡度、坡向）和氣象因子（臺風路徑距離、最低氣壓、最大風速、小時降水強度、累積降水量、大風持續時間）。預測目標為臺風后的NDVI值。有效樣本為海南島上臺風前后均有高質量NDVI數據的點，隨機劃分為訓練集和驗證集。采用決定系數（R²）和均方根誤差（RMSE）評估模型效果^[18]，計算公式如下：

決定系數（R²）反映XGBoost模型解釋的NDVI變異量占總變異量的比例。R²越接近1，表明模型的擬合效果越好，預測結果與真實值越接近。均方根誤差（RMSE）衡量預測值與真實值的差異，值越小表明模型預測精度越高。

1.4" 關鍵因子及致災閾值

參考干旱致災閾值確定方法^[19]，本研究采用分段回歸模型描述致災因子（如最大風速、臺風路徑距離）與植被指數變化量間的關系。當致災因子超過閾值時，其對植被的影響由輕微轉變為顯著。回歸模型公式如下：

2" 結果與分析

2.1 "臺風“摩羯”路徑與氣象因子狀況

臺風“摩羯”是有氣象記錄以來秋季登陸我國的最強臺風，其強度和影響范圍均創歷史紀錄。2024年9月6日16：20，以超強臺風級別在海南省文昌市沿海登陸，登陸后穿過文昌、海口市移入瓊州海峽，于6日22時20分前后在廣東省徐聞縣角尾鄉再次登陸，隨后移入北部灣海面，其影響于9月7日逐漸結束文昌市馮坡鎮最低氣壓降至918.4 "hPa，龍樓鎮最大陣風達66.7 m/s（17級以上），分別創下我國陸地臺風影響下的最低氣壓和最強風速紀錄。臺風“摩羯”自進入海南島防區至離開北部灣，對海南島持續影響45 h。登陸文昌市后，臺風路徑經過海口市，海南島東北部普遍遭遇12級以上大風，海口、文昌、澄邁、定安、臨高等市（縣）陣風達15～17級。內陸多個鄉（鎮）監測到12級及以上風力，持續時間超過3 h。監測數據顯示，16個鄉（鎮）的15級及以上風力持續超過3 h。9月4日20：00至9月7日14：00，全省大部分地區經歷暴雨至大暴雨，局部地區出現特大暴雨。

圖1為臺風“摩羯”影響期間海南島氣象要素的空間分布特征。最大風速分布（圖1A）顯示，海南島北部風速顯著高于其他區域，部分地區超過50"m/s；南部和東南部風速較低，其分布與臺風路徑基本一致。大風持續時間分布（圖1B）顯示，北部沿海持續時間較長，部分地區超過15 h；東部和西部沿海也受短暫大風影響。最大小時降水量分布（圖1C）呈現從小到大的漸變趨勢，降水量空間分布不明顯，反映出臺風降水的復雜性。累計降水量分布（圖1D）顯示，大部分區域降水量為200～500 mm，北部和山區較高，空間分布不明顯。最低氣壓分布（圖1E）顯示，低氣壓值主要出現在北部和中部，北部低氣壓分布與臺風路徑相關，中部低氣壓則與山區地形有關。

2.2" 臺風前后海南島NDVI變化

圖2體現了臺風前后歸一化植被指數（NDVI）及其變化的空間分布，反映臺風對地表植被的影響。臺風前NDVI分布顯示，海南島大部分區域NDVI值較高，植被覆蓋豐富；較低NDVI值主要出現在裸露地帶或人類活動密集區域，植被覆蓋較少（圖2A）。臺風后NDVI分布顯示，北部地區NDVI值下降，反映臺風導致的植被損失或破壞（圖2B）。臺風前后NDVI變化分布顯示，藍色區域（NDVI值下降）主要分布在海南島北部。紅色區域（NDVI值回升）分布在中部和南部，可能與大氣校正誤差、雨后植被生長等因素有關（圖2C）。XGBoost建模的采樣點分布如圖2D所示，海南島共有28 083個樣本，其中14 148個樣本在臺風前后云覆蓋率為0，具有高質量NDVI值（綠色點）。采樣點分布均勻，覆蓋主要地理特征，可有效反映臺風對不同土地覆蓋類型的影響。

2.3" XGBoost模型結果與評價

圖3為XGBoost模型的特征重要性得分及其排序，得分反映了各變量對預測目標的貢獻程度。臺風距離是最重要特征，得分為0.27，明顯高于其他特征，表明其預測能力最高；臺風前NDVI值次之，得分為0.23，表明其對模型預測影響較大；最大風速得分為0.12，位居第三，表明其對預測結果影響大；高程和大風持續時間的得分分別為0.07和0.06，表明地形和風持續性對預測結果有一定影響；累計降雨量、最低氣壓、坡度、最大小時降雨量和坡向的得分均較低，表明這些變量對模型貢獻較小。

圖4為XGBoost模型預測的臺風后NDVI值與實際NDVI值的散點圖。散點分布接近參考線，表明預測值與實際值相關性較強。模型決定系數（R²）為0.45，表明預測值與實際值擬合度高，

約75%的變異可由模型解釋。均方根誤差（RMSE）為0.12，表明預測誤差較小且在可接受范圍內。總體而言，XGBoost模型性能良好，適用于NDVI值預測。

2.4 "致災因子及閾值

SHAP分析的致災因子重要性結果如圖5所示，圖5反映了各特征對模型預測的影響方向和程度。SHAP分析表明，臺風前NDVI值是最重要特征，高NDVI值區域在臺風后下降幅度較大，低NDVI值區域受影響較小；臺風距離是第二重要因子，較短距離（藍色）對NDVI下降影響更顯著；最大風速是第三重要因子，風速越大（紅色），NDVI下降越顯著。高程等地形因素表明，低海拔地區NDVI下降更顯著。大風持續時間和最低氣壓等特征的SHAP值分布集中，表明其對模型預測影響較小。總體而言，臺風前NDVI、臺風距離和最大風速等氣象特征重要性較高，地理特征（如坡度和坡向）影響較小。

SHAP分析的部分依賴圖揭示了預測因子與NDVI變化間的定量關系。圖6A顯示，臺風距離與NDVI變化幅度呈負相關。臺風距離較小時，NDVI下降幅度較大，臺風經過區域NDVI平均下降0.16。分段回歸分析（紅色虛線）顯示，NDVI變化隨臺風距離增大而逐漸減小。臺風距離超過76.4 km時，NDVI變化趨于平穩，表明在76.4 km范圍內臺風對植被影響顯著，超過該距離后影響減弱。由圖6B可知，最大風速與NDVI下降幅度呈正相關。分段回歸分析顯示，風速超過29.3 m/s（約11級風）時，NDVI變化明顯加劇，且隨風速增大，下降趨勢持續加深。通過部分依賴圖可直觀觀察臺風距離和最大風速在不同閾值下對NDVI變化的影響，超出閾值后，NDVI變化出現明顯轉折。因此，防災減災措施應重點關注這些臨界值，以提升災害預警和應對能力。

3" 討論

3.1 "NDVI在植被變化監測中的不確定性分析

盡管NDVI在植被健康和生態變化監測中應用廣泛^[20]，但在災害監測中仍存在顯著不確定性。高分辨率影像可提供更細致的植被變化信息，但其時間分辨率不足是影響NDVI精度的關鍵因素^[21]。特別是臺風等極端天氣事件發生時，植被可能在短時間內劇烈變化，而高分辨率遙感影像的時間間隔難以有效捕捉這些變化^[22]。低分辨率影像在時間重訪周期上具有優勢，但其空間分辨率不足導致細節喪失，降低變化監測精度^{[16， 23]}。此外，云層、大氣環境變化及傳感器觀測角度差異可能顯著影響NDVI值的準確性^[24]。尤其是臺風過后，云層覆蓋和大氣條件不穩定可能對NDVI

的準確性產生負面影響。本研究采用多時相影像合成部分緩解了這一問題，但臺風前后云系較多、大氣水汽變化大，仍對NDVI變化的監測造成干擾。EVI指數在反映高生物量區時具有一定優勢^[25]，PSRI指數反映了植被脅迫程度^[26]，可以結合后續植被恢復情況，進一步評估災害的長期損失與恢復能力。本研究通過空間上大量隨機點采樣，結合大數據、機器學習模型及SHAP分析，有效克服了這些不確定性。

3.2" 臺風致災閾值的普適性

臺風是中國東部及華南沿海地區的重要自然災害，其風速、降水量和路徑直接影響植被破壞程度。分析表明，臺風“摩羯”對海南島植被的影響中，風速和距離是關鍵因子，與前人研究一致^[27-29]。研究表明，距離臺風“摩羯”路徑小于76.4 km時，植被變化顯著；超過該距離后，植被變化趨于穩定。其次，最大風速是植被變化的重要因子。分析表明，臺風最大風速超過29.3"m/s（11級風）時，植被變化顯著加劇，風速較強區域植被破壞更嚴重。臺風“摩羯”登陸海南島時，10級風半徑為120 km，12級風半徑為60 km。臺風距離和最大風速2個致災因子的覆蓋范圍基本一致。對浙江蒼南地區的研究也表明，12級以上大風范圍受災嚴重^[26]。因此，臺風預警和防災減災工作中，風速閾值可作為重要參考因素，大風范圍內需提前采取高等級防護措施。此外，盡管降水量在本研究中未作為主要影響因子，但其災害影響不可忽視。大量降水可能引發洪澇和山洪等次生災害，對山區和低洼地區尤為重要^[30]。本研究認為地形重要性較小，因臺風“摩羯”主要經過地形變化較小的瓊北平原。在特定地形區域（如山地或丘陵地帶），地形影響可能增強。特別是在臺風強降水和強風影響下，地形因素可能加劇植被破壞或地質災害風險^[31]。因此，未來研究應綜合考慮氣象因子與地形特征的交互作用，為臺風災害預防和應對提供更精確的預測模型。

4 "結論

本研究利用臺風“摩羯”影響海南島前后的Sentinel-2 NDVI影像和氣象數據，結合XGBoost模型與SHAP分析，研究氣象因子對植被變化的影響。研究結果表明，臺風距離和最大風速是影響NDVI變化的關鍵因子，并確定了其致災閾值。臺風“摩羯”路徑經過的區域NDVI值顯著下降，表明臺風對植被造成了顯著破壞。XGBoost模型預測結果表明，臺風距離、臺風前NDVI值和最大風速是影響NDVI變化的主要因子，風速持續時間和氣壓也有一定影響。模型R2值為0.75，表明約75%的植被變化可通過環境變量解釋，預測效果較為理想。SHAP分析進一步表明，臺風前NDVI值、臺風距離和最大風速對預測結果影響最為顯著，NDVI較高區域下降程度較大。部分依賴圖分析確定了臺風距離和最大風速對NDVI變化的關鍵閾值：臺風距離的閾值為76.4 kn（約11級風圈范圍內），低于此值時，臺風對植被的影響顯著；超過該距離后，影響減弱。最大風速的閾值為29.3 m/s（11級風），風速超過此值時，NDVI下降顯著加劇。

本研究結合遙感、氣象數據和機器學習模型，分析了臺風“摩羯”對海南島植被的影響，識別出關鍵致災因子及其閾值。關鍵致災因子及其閾值的識別對臺風災害評估與防御策略的制定具有重要意義，在此基礎上可根據閾值構建臺風植被損害早期預警指標體系，繪制臺風生態危險性區劃圖。

參考文獻

1. 陳雨菲， 林孝松， 猶伊然， 李宏偉. 海南島臺風災害綜合危險評價[J]. 科學技術與工程， 2021， 21（18）： 7467-7475.CHEN Y F， LIN X S， YOU Y R， LI H W. Comprehensive risk assessment of typhoon disaster in Hainan Island[J]. Science Technology and Engineering， 2021， 21（18）： 7467-7475. （in Chinese）
2. 姜露露， 馬仁鋒， 袁海紅. 臺風災害經濟損失評估研究進展[J]. 生態科學， 2022， 41（3）： 252-263.JIANG L L， MA R F， YUAN H H. Research progress on the assessment of economic losses from typhoon disasters[J]. Ecological Science， 2022， 41（3）： 252-263. （in Chinese）
3. 楊思琪. 海南儋州橡膠園生態系統碳氮循環及其耦合特征[D]. 海口： 海南大學， 2024.YANG S Q. Carbon and nitrogen cycling and its coupling characteristics in the ecosystem of rubber plantations in Danzhou， Hainan[D]. Haikou： Hainan University， 2024. （in Chinese）""
4. 鐘雯. 臺風災害風險下深圳西海岸帶脆弱性評價研究[D]. 哈爾濱： 哈爾濱工業大學， 2023.ZHONG W. Vulnerability assessment of the west coast zone of Shenzhen under typhoon disaster risk[D]. Harbin： Harbin Institute of Technology， 2023. （in Chinese）
5. TANG J S， FU D J， SU F Z， YU H， WANG X H. Drivers， trends， and patterns of changing vegetation-greenness in Nansha Islands， China from 2016 to 2022[J]. Chinese Geographical Science， 2024， 34（4）： 662-673.
6. NANDI G， NEOGY S， ROY A K， DATTA D. Immediate disturbances induced by tropical cyclone Fani on the coastal forest landscape of eastern India： a geospatial analysis[J]. Remote Sensing Applications： Society and Environment， 2020， 20： 100407.
7. PEEREMAN J， HOGAN J A， LIN T C. Assessing typhoon-induced canopy damage using vegetation indices in the Fushan Experimental Forest， Taiwan[J]. Remote Sensing， 2020， 12（10）： 1654.
8. MANDAL M S H， HOSAKA T. Assessing cyclone disturbances （1988—2016） in the Sundarbans mangrove forests using Landsat and Google Earth Engine[J]. Natural Hazards， 2020， 102： 133-150.
9. CHU H J. Spatiotemporal analysis of vegetation index after typhoons in the mountainous watershed[J]. International Journal of Applied Earth Observation and Geoinformation， 2014， 28： 20-27.
10. 沈一凡， 舒浩然， 李安潔， 王佩堯， 代欣哲， 耿一琳， 張琦悅， 剛成誠. 2001—2019年臺風干擾下我國東南沿海地區植被抵抗力和恢復力評估[J]. 生態學報， 2024， 44（9）： 3802-3813.SHEN Y F， SHU H R， LI A J， WANG P Y， DAI X Z， GENG Y L， ZHANG Q Y， GANG C C. Assessment of typhoon disturbance on the resistance and resilience of coastal vegetation in southeastern China during 2001—2019[J]. Acta Ecologica Sinica， 2024， 44（9）： 3802-3813. （in Chinese）
11. 田韞鈺， 周偉奇， 錢雨果， 鄭重， 潘雪蓮. 臺風“山竹”對深圳城市綠地及生物量的影響[J]. 生態學報， 2020， 40（8）： 2589-2598.TIAN Y Y， ZHOU W Q， QIAN Y G， ZHENG Z， PAN X L. The influence of typhoon Mangkhut on urban green space and biomass in Shenzhen， China[J]. Acta Ecologica Sinica， 2020， 40（8）： 2589-2598. （in Chinese）
12. 錢麗沙. 嶺南地區甘蔗作物種植面積監測和臺風災害遙感評估方法[D]. 廣州： 中國科學院大學（中國科學院廣州地球化學研究所）， 2022.QIAN L S. Monitoring of sugarcane cultivation area and remote sensing assessment methods for typhoon disasters in the Lingnan region[D]. Guangzhou： University of Chinese Academy of Sciences （Guangzhou Institute of Geochemistry， Chinese Academy of Sciences）， 2022. （in Chinese）
13. 張旭. 基于機器學習的超強臺風對中國東南部森林影響的遙感監測[D]. 杭州： 浙江農林大學， 2021.ZHANG X. Remote sensing monitoring of the impact of super typhoons on forests in southeastern China based on machine learning[D]. Hangzhou： Zhejiang A amp; F University， 2021. （in Chinese）
14. ABBAS S， NICHOL J E， FISCHER G A， WONG M S， TRTEZA S M. Impact assessment of a super-typhoon on Hong Kong’s secondary vegetation and recommendations for restoration of resilience in the forest succession[J]. Agricultural and Forest Meteorology， 2020， 280： 107784.
15. 吳勝安， 邢彩盈， 朱晶晶. 海南島強臺風事件的氣候特征[J]. 自然災害學報， 2021， 30（6）： 244-252.WU S A， XING C Y， ZHU J J. Climate characteristics of violent typhoon events on Hainan Island[J]. Journal of Natural Disasters， 2021， 30（6）： 244-252. （in Chinese）
16. LIU Z， CHEN G K， TANG B， WEN Q K， TAN R， YAN H. Regional scale terrace mapping in fragmented mountainous areas using multi-source remote sensing data and sample purification strategy[J]. Science of the Total Environment， 2024， 925： 171366.
17. 劉瑞雪， 李佳軒， 李云. 水庫消落帶植物多樣性空間格局預測模型及環境解釋—基于XGBoost-SHAP模型框架[J]. 生態學報， 2024， 44（21）： 9652-9669.LIU R X， LI J X， LI Y. Prediction model and environmental interpretation for the spatial pattern of plant diversity in the water-level fluctuation zone of reservoir based on XGBoost and SHAP[J]. Acta Ecologica Sinica， 2024， 44（21）： 9652-9669. （in Chinese）
18. RODRíGUEZ-VEIGA P， QUEGAN S， CARREIRAS J， PERSSON H J， FRANSSON J E S， HOSCILO A， ZIó?KOWSKI D， STERE?CZAK K， LOHBERGER S， ST?NGEL M， BERNINGER A， SIEGERT F， AVITABILE V， HEROLD M， MERMOZ S， BOUVET A， LE TOAN T， CARVALHAIS N， SANTORO M， CARTUS O， RAUSTE Y， MATHIEU R， ASNER G P， THIEL C， PATHE C， SCHMULLIUS C， SEIFERT F M， TANSEY K， BALZTER H. Forest biomass retrieval approaches from earth observation in different biomes[J]. International Journal of Applied Earth Observation and Geoinformation， 2019， 77： 53-68.
19. LI X， PIAO S L， HUNTINGFORD C， PE?UELAS J， YANG H， XU H， CHEN A P， FRIEDLINGSTEIN P， KEENAN T K， SITCH S， WANG X H， ZSCHEISCHLER J， MAHECHA M D. Global variations in critical drought thresholds that impact vegetation[J]. National Science Review， 2023， 10（5）： nwad049.
20. 琚旺龍， 詹正豪， 秦震宇， 張軍. 基于LandTrendr的老撾橡膠林遙感識別及擴張監測[J]. 熱帶作物學報， 2024， 45（8）： 1742-1750.JU W L， ZHAN Z H， QIN Z Y， ZHANG J. Remote sensing identification and expansion monitoring of rubber forests in Laos based on LandTrendr[J]. Chinese Journal of Tropical Crops， 2024， 45（8）： 1742-1750. （in Chinese）
21. 劉軒， 周杰， 盧靜， 賈立， 熊旭倩， 崔祎霖. 多源植被遙感產品應用于干旱監測的不確定性分析[J]. 遙感學報， 2024， 28（9）： 2383-2404.LIU X， ZHOU J， LU J， JIA L， XIONG X Q， CUI Y L. Analyzing the uncertainty of the multisource remote sensing-based vegetation products for drought monitoring[J]. National Remote Sensing Bulletin， 2024， 28（9）： 2383-2404. （in Chinese）
22. 梁爽， 宮兆寧， 趙文吉， 關鴻亮， 梁亞囡， 陸麗， 趙雪. 基于多季相Sentinel-2影像的白洋淀濕地信息提取[J]. 遙感技術與應用， 2021， 36（4）： 777-790.LIANG S， GONG Z N， ZHAO W J， GUAN H L， LIANG Y N， LU L， ZHAO X. Information extraction of Baiyangdian wetland based on multi-season Sentinel-2 images[J]. Remote Sensing Technology and Application， 2021， 36（4）： 777-790. （in Chinese）
23. 羅紅霞， 戴聲佩， 李茂芬， 李海亮， 胡盈盈， 鄭倩， 禹萱. 基于Gaofen-2影像和面向對象的椰子林分類研究[J]. 熱帶作物學報， 2024， 45（5）： 1021-1030."LUO H X， DAI S P， LI M F， LI H L， HU Y Y， ZHENG Q， YU X. Object-oriented classification of coconut palms based on Gaofen-2 imagery[J]. Chinese Journal of Tropical Crops， 2024， 45（5）： 1021-1030. （in Chinese）
24. DE PETRIS S， SARVIA F， BORGOGNO-MONDINO E. Uncertainty assessment of Sentinel-2-retrieved vegetation spectral indices over Europe[J]. European Journal of Remote Sensing， 2023， 57（1）： 1-14.
25. JIANG Z， HUETE A R， DIDAN K， MIURA T. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment， 2008， 112（10）： 3833-3845.
26. HOLTGRAVE A K， R?DER N， ACKERMANN A， ERASMI S， KLEINSCHMIT B. Comparing Sentinel-1 and -2 data and indices for agricultural land use monitoring[J]. Remote Sensing， 2020， 12（18）： 2919.
27. WANG T， YANG L， WU S， GAO J B， WEI B G. Quantitative assessment of natural disaster coping capacity： an application for typhoons[J]. Sustainability， 2020， 12（15）： 5949.
28. XU S， ZHU X， HELMER E H， TAN X P， TIAN J Q， CHEN X H. The damage of urban vegetation from super typhoon is associated with landscape factors： evidence from Sentinel-2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation， 2021， 104： 102536.
29. REZAEI R， GHAFFARIAN S. Monitoring forest resilience dynamics from very high-resolution satellite images in case of multi-hazard disaster[J]. Remote Sensing， 2021， 13： 4176.
30. WANG Y， XU D， YANG Y， ZHOU M L， CHEN W Q， LIN W. A typhoon-induced debris flow warning model integrating rainfall thresholds with geological factors[J]. Frontiers in Earth Science， 2024， 12： 1-15."
31. QIN X C， WU Y L， LIN T S， GAO L. Urban flood dynamic risk assessment based on typhoon rainfall process： a case study of typhoon “Lupit” （2019） in Fuzhou， China[J]. Remote Sens， 2023， 15： 3116.