阿多大象国家公园土地覆盖分类研究：变量、分类器与对象化方法对生态保护的影响分析

本研究针对阿多大象国家公园(AENP)土地覆盖动态监测需求，创新性结合Landsat时序数据、光谱混合分析(SMA)和机器学习技术，对比了随机森林(RF)、支持向量机(SVM)与UNet++算法的性能，发现基于像素的RF模型(准确率91.9%)最优，揭示了公园内外草地与灌丛的相互转化规律(<3%)，为南非生物多样性热点区的保护决策提供了高精度数据支撑。

　　

在南非东开普省广袤的生态画卷中，阿多大象国家公园(AENP)作为第三大国家公园和Maputaland-Pondaland-Albany生物多样性热点区的核心组成部分，承载着保护600头大象和特有多肉灌丛植被的重要使命。然而，这个始建于193年的保护区正面临双重挑战：内部，大象种群活动导致灌丛退化；外部，农业扩张不断侵蚀生态边界。更棘手的是，公园长期缺乏高精度的土地覆盖(LULC)动态数据，传统监测方法难以捕捉30米分辨率下灌丛与草地的微妙转化。这些"看不见的渐变"恰恰是评估保护成效、预警生态失衡的关键指标。

针对这一科学难题，来自美国佛罗里达大学等机构的研究团队在《Ecological Informatics》发表创新成果。研究人员构建了2002-2022年间Landsat时序数据集，开创性地将光谱混合分析(SMA)生成的灌丛/裸地/草地端元丰度图作为分类变量，通过Google Earth Engine(GEE)云平台对比了像素级与对象化分类效果，并首次在非洲保护区场景中系统评估了RF、SVM与UNet++算法的适应性。研究发现，整合地形数据(高程、坡度)、时序归一化差异指数(NDIs)和SMA端元变量的RF模型表现最优(2022年OA 91.9%)，显著优于UNet++(82.5%)和对象化方法。

关键技术方面，研究采用多时相Landsat 7/8数据(2002/2014/2022)，通过GEE计算两月间隔的NDIs和纹理特征(GLCM)；使用SNIC算法进行对象化分割；构建包含91个变量的RF模型，采用MDA方法评估变量重要性；同时利用PyTorch框架实现UNet++深度学习模型，采用ResNet-152预训练骨架和Dice损失函数。

【研究结果】
3.1 光谱混合分析：通过严格筛选的灌丛、裸地、草地端元(反射光谱无重叠)，生成0-1范围的丰度分布图，有效解决30米混合像元问题。北部高海拔区和海岸带的裸地端元丰度显著偏高(>0.6)。

3.2 精度评估：RF模型在加入SMA端元变量后准确率提升至95.1%，关键变量贡献度显示高程(17.3%)和NDI时序(14.8%)最具判别力。灌丛分类F1-score达99%，但草地因光谱变异性仅87.9%。

3.3 土地覆盖格局：公园内灌丛稳定占31%(561.6 km²
)，外围农业用地持续扩张(2022年占15.1%)。海岸带裸地面积十年间增长1.33%，与大象活动轨迹高度吻合。

3.4 变化轨迹分析：公园内2.81%区域呈现"灌丛-灌丛-草地"退化序列，北部退化热点区与海拔梯度显著相关(p<0.01)；外围2.31%草地转为农用地，主要分布在西侧缓坡带。

【结论与意义】
这项研究确立了中分辨率遥感在保护区精细监测中的方法论范式：首先证实SMA端元变量能有效提升ML模型在异质地貌的分类性能，其生成的厚灌丛丰度图可直接用于评估大象活动影响；其次揭示AENP虽有效遏制了外部城市化渗透(<1.5%)，但内部植被退化呈现海拔梯度分异，建议对北部高海拔区实施差异化保护策略。研究创新的两月间隔NDIs时序分析法，为其他半干旱区保护地的植被物候监测提供了可复用的技术模板。

值得关注的是，团队发现外围农用地与公园内部退化区存在空间耦合性，暗示局地气候因子可能跨边界影响植被动态。未来研究可结合Lidar数据提升灌丛三维结构表征，并引入大象GPS追踪数据建立"植被-动物"响应模型，这将为南非国家公园管理局(SANParks)的生态廊道规划提供更精准的科学依据。