全球土地变化近实时监测系统DIST-ALERT的构建与2023年地表扰动分析

《Nature Communications》：Rapid monitoring of global land change

语 为应对人类活动与气候变化驱动的全球土地变化，本研究开发了基于Landsat 8/9和Sentinel-2A/B/C的30米分辨率近实时监测系统DIST-ALERT。该系统通过植被覆盖损失异常与光谱异常双算法，精准捕捉农业扩张、火灾、干旱等动态，2023年数据显示人类直接转化土地28.6±7.6 Mha，火灾转化面积14.9±4.3 Mha，总面积相当于加利福尼亚州。该成果为全球环境协议（如EUDR）提供关键数据支撑，推动土地可持续管理。

　　

随着人类活动与自然动态（如火灾、干旱）对地球表层的干扰日益加剧，全球土地覆盖变化已成为威胁生物多样性、影响气候系统及水文循环的核心因素。据统计，土地利用变化贡献了全球净人为碳排放的12%，且极端气候事件频发进一步放大了生态系统的脆弱性。尽管热带地区已有森林扰动预警系统，但全球尺度的多生态系统高频率监测仍存在空白。在此背景下，美国马里兰大学研究团队在《Nature Communications》发表了题为“Rapid monitoring of global land change”的研究，构建了全球首套30米分辨率近实时土地变化监测系统DIST-ALERT，并基于2023年数据揭示了人类与自然驱动下的地表扰动格局。

本研究依托NASA Harmonized Landsat Sentinel-2 (HLS)数据集，整合五颗卫星的遥感影像，实现1-4天重访周期。DIST-ALERT系统采用双算法并行策略：一是基于K近邻模型的植被覆盖分数估算，检测低于三年滚动基线的最小植被覆盖异常；二是基于马氏距离的光谱异常检测，捕捉非植被相关变化（如建筑拆除、岩浆流动）。系统通过时间序列追踪算法对异常事件进行状态标记（初始/持续/确认/结束），并生成年度总结产品DIST-ANN。验证环节采用概率分层抽样法，结合无人机航拍与多源遥感数据构建参考数据集，评估系统精度与延迟。

2023年土地变化面积与驱动因素

通过概率样本估算，2023年人类直接土地转化面积为28.6±7.6 Mha，其中半数（15.7±6.0 Mha）为长寿命自然植被的转化。农业扩张、采伐、采矿及城市建设是主要驱动因素。火灾导致的土地覆盖转化面积为14.9±4.3 Mha，加拿大创纪录的火灾年份是主因。若考虑亚像元比例，自然植被转化面积修正为12.8±5.9 Mha。此外，气候变化引起的自然变异（如干旱、物候偏移）占变化总面积的三分之二（1371±280 Mha），作物管理变动（如种植期偏移）占280±27 Mha。

系统性能评估

DIST-ALERT对高植被损失（≥50%）的用户精度与生产者精度均超过93%。对于低幅度事件（≥10%损失），精度降至90.6%，召回率为62.1%。光谱异常算法的精度较低（66.6%），但能有效补充植被损失未覆盖的变化类型（如建筑拆除）。系统平均检测延迟为9.9天（高损失事件），云覆盖区域延迟显著增加。年度产品DIST-ANN对持续≥35天的事件召回率高达99.5%。

应用案例展示

系统成功捕获多种扰动类型：刚果的采伐、巴西的采矿、马拉维滑坡、澳大利亚干旱等事件均通过植被损失算法识别；而巴西农业集约化与叙利亚绿色增茂事件则通过光谱异常算法检测。此外，美国小石城龙卷风灾害的植被破坏路径也被精准记录，体现了系统在灾害评估中的潜力。

结论与展望

DIST-ALERT系统填补了全球多生态系统近实时监测的空白，其高精度与低延迟特性为土地保护政策（如EUDR、30×30倡议）提供了技术支撑。未来可通过扩展基线年限区分常态与异常事件，并增加正植被异常追踪功能。该系统的长期运行为全球环境数据记录、气候变化建模及灾害管理提供了宝贵资源。

方法概要

研究基于HLS表面反射率数据，采用三年滚动基线（±15天窗口）检测异常。植被覆盖分数通过K近邻模型估算，训练数据源自6个生物群系、24个生态区的232次无人机航拍；光谱异常通过马氏距离量化。系统以2-3天延迟公开数据，并通过分层随机抽样（1649个样本像素）进行面积估算与精度验证。