基于机器学习的孟加拉国巴里萨尔地区35年土地利用/覆被变化时空评估及其可持续发展启示

本研究针对孟加拉国巴里萨尔地区缺乏系统性土地利用/覆被(LULC)数据的问题，提出了一种基于Google Earth Engine(GEE)平台的云机器学习框架，整合光谱、纹理和地形特征，评估了1988-2024年间该地区LULC时空动态。研究比较了支持向量机(SVM)、分类回归树(CART)、K近邻(KNN)和随机森林(RF)四种算法的分类性能，发现RF平均精度达99%，最适合异质性景观分类。结果显示：湿地(+0.35%)、建设用地(+1.81%)和植被(+8.48%)呈净增长，而农业用地(-10.33%)和裸地(-0.36%)显著减少。该研究为实施SDG 11(可持续城市)和SDG 15(陆地生态)提供了科学依据。

　　

在气候变化和快速城市化的双重压力下，全球沿海地区正面临前所未有的土地利用/覆被变化(LULC)挑战。作为"稻米、河流与运河之乡"的孟加拉国巴里萨尔地区，既是该国重要的农业经济中心，又是典型的气候脆弱区。然而，该地区长期缺乏高精度、长时序的LULC数据，高景观异质性和遥感数据质量限制使得量化LULC变化异常困难。与此同时，无节制的土地转换导致农业萎缩、湿地退化、城市热岛效应加剧等问题，严重威胁区域可持续发展目标的实现。

针对这一科学问题，国内研究人员在《Environmental Challenges》发表了开创性研究。该团队开发了基于Google Earth Engine(GEE)的云端开源机器学习框架，首次对巴里萨尔地区1988-2024年间的LULC变化进行全面评估。研究整合Landsat系列卫星的光谱数据、灰度共生矩阵(GLCM)纹理特征和SRTM地形数据，系统比较了四种机器学习算法在异质性景观分类中的表现。结果显示随机森林(RF)以99%的精度显著优于其他算法，成功捕捉到建设用地扩张242.11%、农业用地减少10.33%等关键变化趋势。这项研究不仅建立了巴里萨尔首个完整的LULC本底数据库，更为全球复杂海岸带地区的可持续管理提供了可复制的技术范式。

研究采用多源数据融合与机器学习相结合的技术路线。通过GEE平台获取Landsat 5 TM和Landsat 8 OLI/TIRS Collection 2地表反射率数据，构建1988-2024年间五个时期的影像组合。提取7种光谱指数(NDVI、EVI、MSAVI等)、7种GLCM纹理特征和4种地形变量，经共线性检验和特征重要性分析后保留15个关键特征。采用70-30比例划分训练验证集，系统评估RF、SVM、CART和KNN四种算法的分类性能，最终选用RF生成35年时序LULC图谱。

研究结果部分，"LULC分类评估"显示RF算法在五期影像中平均总体精度(OA)和Kappa系数(K)均达0.99。特征重要性分析表明绿光波段、GLCM求和平均和近红外波段对分类贡献最大，而坡度和熵等特征作用较弱。"时空变化格局"部分揭示：建设用地从19 km²增至65 km²，主要沿交通干线扩张；湿地面积保持稳定(395-404 km²)，但自然水系遭人工改造；植被覆盖经历"下降-恢复"过程，2007年后因海岸造林增至846 km²；农业用地从1095 km²缩减至834 km²，主要转为植被和裸地；裸地占比从15.55%降至15.19%，反映新淤积沙洲的植被演替。"可持续管理"部分提出"海绵城市"理念，建议通过绿色基础设施、湿地缓冲区划定和航道疏浚等措施应对水涝危机。

讨论部分深入剖析了Landsat数据在混合像元分类中的局限性，指出植被与农作物、裸地与建设用地的光谱混淆是主要误差来源。尽管未采用深度学习算法，但研究证明在中等分辨率影像下，特征工程优化的传统机器学习仍可取得优异性能。该成果的突出价值在于：首次量化了巴里萨尔35年LULC演变规律，证实RF在异质性景观分类中的优越性；建立的云端工作流为资源受限地区提供了可推广的解决方案；揭示的土地转换机制为实施SDG 11和SDG 15提供了直接依据。特别是提出的"农业-植被"转型(12.27%)、"裸地-建设用地"转化等模式，为气候适应型规划提供了关键科学支撑。未来研究可结合高分辨率影像和深度学习算法，进一步提升复杂海岸带LULC监测的精细度。