基于多时相PlanetScope影像与深度学习CNN模型的土地利用/覆盖变化高精度制图研究

本研究针对欧盟农业补贴管理核心系统LPIS（Land Parcel Identification System）更新需求，创新性地结合8波段3米分辨率PlanetScope影像与卷积神经网络（CNN）模型，实现了土耳其Gediz平原土地利用/覆盖（LULC）的高精度分类（总体精度93.14%）。通过对比2015年LPIS数据与2023年分类结果，精准识别了湿地转农田等重大变化，为自动化LPIS更新提供了可扩展框架，对全球农业政策实施与土地资源管理具有重要实践价值。

　　

在全球气候变化与人类活动加剧的背景下，土地利用/覆盖（Land Use and Land Cover, LULC）变化监测已成为地球观测技术的核心议题。传统LPIS（Land Parcel Identification System）系统依赖人工勘测和中等分辨率影像，面临更新周期长、成本高昂的困境。尤其在欧洲共同农业政策（CAP）框架下，欧盟要求成员国每五年更新LPIS数据，但土耳其等国土面积广阔的国家亟需更高效的自动化解决方案。

针对这一挑战，研究人员开展了一项突破性研究，通过融合多时相高分辨率PlanetScope影像与深度学习技术，建立了LULC分类新范式。研究选取土耳其Gediz平原为示范区，该区域包含农田、湿地、森林等多样性地类，且存在马尔马拉湖干涸等典型生态变迁现象。

研究团队采用三大关键技术：首先，获取2023年9个时相的8波段PlanetScope SuperDove影像（3米分辨率），结合LPIS物理区块（1:5000比例尺）作为地面真值；其次，构建2D-CNN模型，通过卷积层、批量归一化层和Dropout层（0.2/0.5比率）优化特征提取；最后，采用光谱角度差异法进行2015-2023年变化检测。

研究结果揭示：

1. 分类精度突破：CNN模型总体精度达93.14%，其中水体（96.3% F1-score）和森林（93.4%）分类最优，而草地（89%）与乔木作物（89.8%）因光谱相似性存在轻微混淆。
2. 土地利用剧变：对比LPIS（2015）数据，马尔马拉湖6000公顷湿地完全转化为农田（+8.4%），人工地表因新建高速公路扩张195公顷（+3.2%），葡萄园面积缩减25.2%。
3. 技术优势验证：多时相8波段数据显著提升光谱相似地类区分能力，较Sentinel-2等中分辨率影像的既往研究（如Simsek 2023年86.07%精度）实现质的飞跃。

讨论部分强调，该研究首次将LPIS物理区块与CNN深度学习结合，创建了可全国推广的自动化更新框架。其创新性体现在：

• 数据层面：利用PlanetScope的8波段（含海岸蓝、黄、红边波段）与日覆盖优势，克服了Sentinel-2在细小地物识别上的局限；
• 方法层面：通过负缓冲（6米侵蚀）处理LPIS矢量边界，有效消除混合像元干扰；
• 应用层面：为欧盟IACS（Integrated Administration and Control System）系统提供变更区域优先更新策略，如监测显示土耳其葡萄园转农田等动态变化需重点核查。

这项发表于《Paddy and Water Environment》的研究，不仅为农业补贴精准发放提供技术支撑，更开创了深度学习驱动的大尺度土地管理新模式。未来可结合Sentinel-1雷达数据应对云层干扰，或引入地形因子进一步区分光谱相近类别，持续优化分类效能。