利用RapidEye和PlanetScope影像对南非夸祖鲁-纳塔尔省海豚海岸地区的土地利用动态进行地理时间分析

《Frontiers in Environmental Science》：Geo-temporal analysis of land use dynamics in the Dolphin Coast, KwaZulu-Natal, South Africa, using RapidEye and PlanetScope imagery

本研究利用高分辨率RapidEye和PlanetScope卫星影像，结合随机森林算法在Google Earth Engine平台对南非Dolphin Coast地区2009-2024年的土地利用与覆盖变化进行分类，整体精度达88%-95%。分析显示建成区面积翻倍（11.01%增至22.30%），森林面积显著增长（8.31%增至32.21%），而植被覆盖大幅下降（63.15%降至37.16%）。通过结构化变化分析，量化了土地转化的数量、交换和空间位移三要素，揭示了城市扩张与生态退化的核心矛盾，为海岸带可持续发展规划提供依据。

　　在南非的海豚海岸地区，土地利用与土地覆盖（LULC）的变化引起了广泛关注。近年来，由于快速的城市化进程和日益加剧的环境压力，该地区的土地使用和覆盖类型经历了显著的转变。理解这些变化的时空动态，对于在生态敏感的沿海生态系统中进行有效的土地管理具有重要意义。本研究利用高分辨率的RapidEye和PlanetScope卫星影像，结合Google Earth Engine（GEE）平台中的随机森林（Random Forests, RF）算法，对五种主要的土地利用与覆盖类别进行了分类，包括建成区、裸地、森林、植被和水域。通过这种方法，研究实现了总体分类准确率在88%到95%之间，证实了预测结果与参考数据之间存在良好的一致性。此外，研究还采用了结构化的变化分析方法，量化了土地转变的规模、交换和转移等三个核心要素。结果表明，植被向建成区的转化面积最大，达到9.0平方公里，其次是裸地向建成区的转化（3.6平方公里）以及植被向森林的转化（5.6平方公里）。建成区的面积在时间上持续扩大，而植被则经历了明显的增减，反映了绿色空间在城市化压力下的复杂变化。该研究强调了景观变化的明确轨迹，并突出了空间明确的变化指标对于监测动态沿海环境的重要性。这些发现为政策制定者和城市规划者提供了有价值的参考，以设计可持续的土地利用框架，控制无计划的城市扩张，并保护生态敏感区域。

随着全球范围内土地覆盖变化的加速，土地利用与覆盖变化分析已成为自然资源管理和监测的重要工具。这种变化不仅影响地球系统的运行，还对生物多样性产生深远影响，是栖息地破坏和土地退化的主因之一。此外，土地覆盖变化还对局部和区域气候以及全球气候变暖产生影响。这些变化主要由城市开发、农业扩张和森林砍伐等人类活动驱动。城市化作为LULC变化的主要驱动力，减少了植被覆盖率，并将农业用地转化为建成区。因此，对LULC变化的监测和分析，对于理解人类活动对自然环境的影响至关重要。

近年来，地理信息系统（GIS）和遥感技术的结合，为土地利用变化的空间分析提供了重要工具，包括土地覆盖分类和变化检测。传统的土地覆盖分类方法往往受到分辨率和数据质量的限制，而现代遥感技术的进步使得高分辨率数据的获取更加容易和经济。例如，Landsat和Sentinel等中等分辨率卫星数据已被广泛用于南非的土地覆盖变化监测，但在城市环境中其准确性仍存在不确定性，主要是因为它们难以有效区分不同土地覆盖类别，如住宅区和工业区。相比之下，小型卫星（SmallSats）使用商用现成（COTS）技术，借助电子元件的微型化，实现了更小、更轻、更经济且更容易获取的系统。这种技术进步为研究人员提供了更多机会，采用全面的方法进行土地覆盖分析。

在土地覆盖分类中，监督分类方法，如支持向量机（SVM）、随机森林（RF）、决策树（DT）、K-最近邻（KNN）、多层感知机（MLP）、朴素贝叶斯（NB）和最大似然分类器（MLC）等，已被广泛应用于LULC研究。这些算法各有优劣，但近年来，研究显示集成方法和基于内核的方法，如RF和SVM，比传统分类器表现出更高的准确性。随机森林算法因其处理高维数据、减少过拟合风险以及能够处理非线性关系的能力，被认为是LULC分类中的一种强大且可靠的方法。例如，一些研究发现，在南非的城市地区，RF算法在分类准确率方面优于其他传统方法，如SVM、CART和GTB，这表明其在处理复杂景观变化中的有效性。

南非的海豚海岸地区，作为生物多样性丰富的沿海区域，正面临城市化、气候变化和生物多样性丧失等多重挑战。快速的城市扩张增加了对自然生态系统的压力，特别是在物种多样性高且特有性强的区域。例如，夸祖鲁-纳塔尔海岸线对于旅游和生态保护具有重要意义，但近年来，由于气候变化、洪水和城市扩展，自然再生受到阻碍。此外，沿海地区的不均衡开发模式也导致了资源过度开发和土地污染问题。例如，居民从北部的eThekwini迁移到Ballito，推动了该地区住房需求的激增，这与北部Durban，特别是Umhlanga和King Shaka国际机场周边的快速经济增长密切相关。然而，目前关于该地区土地利用变化的研究仍显不足，因此需要对海岸线的LULC变化范围和速度进行评估。

许多研究在评估土地覆盖变化时，往往仅关注不同时间点上各类别的面积变化，并量化时间间隔内的变化量。这种方法通常假设分类准确率高于85%或Kappa统计量较高即为可接受的结果，尽管这些指标存在一定的局限性。为了解决这一问题，一些研究提出了更精确的方法，用于量化分类误差与实际变化之间的差异。这些方法能够区分出变化的规模与误差的影响，从而提供更全面的评估。本研究采用了一种基于分解变化的框架，将变化分为三个关键组成部分：数量、交换和转移。这种分析方法能够揭示土地覆盖变化的复杂性，特别是在不同时间区间内的动态过程。

研究结果表明，植被是建成区、森林和裸地变化的主要来源，反映出其在土地开发压力下的关键作用。空间分析进一步确认了广泛的土地转化，尤其是在郊区和沿海区域。植被的减少和建成区的扩张，显示出城市化对自然景观的深远影响。同时，森林覆盖面积的增加可能与该地区森林保护状况的改善有关。然而，植被的变化也表明了土地系统在面对城市扩张时的不稳定性。此外，裸地的变化较为复杂，初期减少但随后出现轻微回升，而水域的面积则基本保持稳定。

分类准确率的评估结果显示，随着数据分辨率的提高，分类性能有所改善。2024年的分类准确率达到94.8%，这是由于采用了更高分辨率的PlanetScope影像，而2009年和2014年则使用了RapidEye影像，其分辨率较低。这种趋势与近年来其他地区的LULC研究结果一致，表明高分辨率影像在捕捉细微的土地覆盖变化方面具有显著优势。此外，质量分歧（Quantity Disagreement, QD）和分配分歧（Allocation Disagreement, AD）指标进一步支持了分类质量的评估，其中2024年的QD和AD值最低，表明分类结果在质量和空间分配上更加一致。

尽管随机森林算法在所有时间点上都表现出良好的分类能力，但其在强度分析中显示出较高的交换成分，尤其是在植被和森林之间，这可能反映了光谱相似类别之间的混淆。因此，未来的研究可以考虑引入时间或辅助变量（如NDVI轨迹或高程数据）来减少这种误分类。同时，本研究建议采用如Zhang等人（2025）提出的方法，例如DynamicPATCH，以捕捉传统净变化指标可能忽略的详细土地覆盖变化，从而更好地理解复杂的景观转变。

本研究的发现对于土地变化监测和未来规划具有重要启示。虽然本研究并未直接建模政策、人口或生态结果，但观察到的土地利用与覆盖变化，特别是植被的减少和城市扩张的加速，指出了未来规划中的潜在问题。这些变化可能影响区域内的生态系统服务和生物多样性，因此，将定期的土地利用与覆盖监测纳入区域规划框架中显得尤为重要。此外，将空间明确的变化指标应用于土地管理，有助于更精确地识别土地利用冲突和制定相应的缓解措施。通过整合高分辨率卫星数据和强大的分类技术，本研究为海豚海岸地区提供了详细的LULC变化评估，为未来的可持续发展和韧性规划奠定了基础。