基于机器学习与遥感技术的马拉维奇亚泻湖土地利用变化动态分析（2004–2024年）

《BMC Environmental Science》：Machine learning analysis of land use change dynamics in Malawi’s Chia Lagoon

　　

摘要专业翻译 背景：土地利用与土地覆盖（LULC）变化是生态系统退化的主要驱动因素，尤其是在空间显式证据有限的淡水湿地中尤为突出。本研究旨在利用基于机器学习的遥感方法，量化马拉维奇亚泻湖（Chia Lagoon）流域二十年间（2004–2024年）的LULC变化。 方法：采用随机森林（Random Forest）监督分类算法对多时相Landsat影像（2004年、2014年和2024年）进行分类。研究使用三个类别（水体、植被和裸地）评估LULC变化，并辅以归一化植被指数（NDVI）和改进型归一化差异水体指数（MNDWI）分析。分类精度通过混淆矩阵、总体精度、生产者精度和用户精度进行评估，面积估算采用95%置信区间进行调整。 结果：经最终混淆矩阵验证后，随机森林分类在2004年、2014年和2024年分别实现了82.0%、90.0%和96.0%的年度总体精度。2004年至2024年间，植被面积从519 km2（15.4%）减少至330 km2（9.8%），净减少189 km2，流域占比下降5.6个百分点。裸地面积增加208 km2（+6.2个百分点），而水体面积减少约20 km2（?0.6个百分点）。NDVI和MNDWI为解释植被绿度和地表水格局提供了互补的光谱信息，但未作为分类面积变化的独立验证。 结论：分类后的Landsat记录表明，2004年至2024年间土地覆盖组成发生了显著变化，包括植被净减少和非植被地表净增加，尽管2014年至2024年间植被出现部分增加。由于该分析基于三个旱季观测时点和宽泛的三类别分类方案，结果应被解释为制图土地覆盖变化，而非特定因果过程或生态退化的直接证据。机器学习支持的遥感为识别景观变化提供了一个有用的框架，这些变化可随后通过有针对性的实地监测加以调查。 临床试验编号：不适用。

论文解读

一、研究背景与意义

生物多样性保护日益受到土地退化、栖息地转换和气候相关干扰的挑战，这些因素正在全球范围内改变生态系统的结构与功能。土地利用与土地覆盖（LULC）变化是生物多样性丧失的主要驱动因素之一，影响栖息地可用性、生态连通性和生态系统服务。这些影响在淡水湿地中尤为显著，因为周边景观的变化会影响栖息地质量、水文过程和生态系统韧性。在马拉维，湿地和湖泊关联生态系统提供了重要的生态与社会经济价值，包括渔业生产、水资源调节、生物多样性支持以及周边社区的生计机会。然而，这些系统日益受到农业扩张、森林砍伐、聚落增长和气候变率的负面影响。

奇亚泻湖位于马拉维恩科塔科塔县，沿马拉维湖西岸分布，是马拉维最大的泻湖，作为马拉维湖的半封闭延伸部分，支持水生栖息地、湿地关联生物多样性、渔业和当地农业活动。该泻湖及周边洪泛平原于2024年被认定为关键生物多样性区域（Key Biodiversity Area），因其对受威胁特有鱼种的重要性。然而，土地利用变化、植被丧失和气候变率带来的日益增长的压力正威胁着该湿地系统的生态功能。尽管已有更广泛的研究考察了马拉维湖及其他流域的环境变化，但专门针对奇亚泻湖的详细评估仍然稀缺，缺乏关于泻湖流域内LULC变化幅度、分布和时间进程的空间显式证据。这一知识空白限制了确定恢复活动优先级、评估景观压力以及支持国家生物多样性监测承诺的能力。因此，本研究旨在利用基于机器学习的遥感框架，量化和解释奇亚泻湖流域的长期LULC动态，提供空间显式证据以支持湿地保护规划、恢复优先级确定和可持续生态系统管理。

二、关键技术方法

研究人员采用了一套系统化的方法框架，主要包括以下关键技术：多时相Landsat影像获取与预处理，使用2004年Landsat 5专题制图仪（TM）影像以及2014年和2024年Landsat 8陆地成像仪（OLI）影像，所有影像均选择旱季（5–10月）获取，采用Landsat Collection 2 Level-2地表反射率产品并进行云影掩膜、几何配准和30米空间分辨率重采样；随机森林（Random Forest）监督分类算法，以500棵树（ntree=500）和平方根规则设置mtry参数，对水体、植被和裸地三个类别进行分类；归一化植被指数（NDVI）和改进型归一化差异水体指数（MNDWI）计算，用于补充解释植被绿度和地表水动态；分类精度评估采用独立验证样本、混淆矩阵、总体精度、生产者精度和用户精度，并依据Olofsson等人（2014）的概率精度评估框架对面积估算进行95%置信区间调整。训练和验证数据集来源于GPS实地观测以及Google Earth和ESRI World Imagery高分辨率影像的目视解译，每个类别约150个样本，按70%训练和30%验证比例划分。

三、研究结果

土地利用与土地覆盖图（2004年、2014年和2024年）：随机森林分类生成了奇亚泻湖流域三个年份的LULC图，区分了水体、植被和裸地三个类别。分类图显示各类别在流域内的空间分布和相对优势存在显著的时间变化。2004年裸地主导景观，2014年植被减少而裸地增加，2024年植被相对2014年部分增加，而水体面积相对2004年和2014年均有所减少。

制图面积统计与净变化（2004–2024年）：2004年植被覆盖518.84 km2（15.41%），裸地2700.86 km2（80.21%），水体147.60 km2（4.38%）。2014年植被降至260.88 km2（7.75%），裸地增至2952.20 km2（87.67%），水体略增至154.22 km2（4.58%）。2024年植被部分恢复至329.94 km2（9.80%），裸地略降至2909.01 km2（86.39%），水体降至128.35 km2（3.81%）。整个研究期间，植被净减少188.90 km2（?5.61个百分点），裸地净增208.15 km2（+6.18个百分点），水体净减19.25 km2（?0.57个百分点）。

十年尺度LULC变化动态：2004–2014年间，植被从519 km2降至261 km2，净损失约258 km2（?7.6个百分点），裸地从2701 km2增至2952 km2，水体从148 km2略增至154 km2。2014–2024年间，植被从260.88 km2增至329.94 km2（+2.05个百分点），裸地从2952.20 km2降至2909.01 km2（?1.28个百分点），水体从154.22 km2降至128.35 km2（?0.77个百分点）。

NDVI与MNDWI空间格局：2004年NDVI范围为?0.09至0.47（均值0.21），2014年为?0.12至0.49（均值0.23），2024年为?0.12至0.48（均值0.25）。MNDWI在2004年范围为?0.36至0.15（均值?0.05），2014年为?0.68至0.15（均值?0.04），2024年为?0.53至0.19（均值?0.02）。指数空间分布与分类结果相互印证。

精度评估及其对面积估算的影响：分类性能随年份提高，总体精度从2004年的82.0%升至2014年的90.0%和2024年的96.0%。450个独立验证样本中402个正确分类，合并总体精度为89.3%。误分类主要发生在植被和裸地之间，尤其以2004年为甚，水体始终以高精度被分类。生产者精度范围为裸地78–96%、植被70–94%、水体96–98%；用户精度范围分别为72.2–94.1%、77.8–94.0%和96.1–100%。

四、讨论与结论

讨论部分指出，研究结果与撒哈拉以南非洲更广泛的景观退化趋势一致，但裸地类别的增加应谨慎解释，因为该类别涵盖裸露土壤、退化区域、收获田地、休耕地等多种非植被表面，不能直接归因于单一过程。2004–2014年植被下降和2014–2024年部分恢复表明景观动态受多种相互作用因素影响，但遥感分类无法区分具体驱动机制，需要结合实地、社会经济、气候和土地管理数据。随机森林分类结合NDVI和MNDWI分析为数据有限的湿地环境提供了有效的长期LULC动态评估方法，但30米空间分辨率带来的混合像元和光谱混淆仍是主要不确定性来源。植被覆盖的下降凸显了加强流域管理、保护剩余植被和恢复退化区域的必要性。

研究结论为：本研究利用2004年、2014年和2024年旱季Landsat影像结合随机森林分类，量化了奇亚泻湖流域的土地利用与土地覆盖格局。制图结果表明三个观测时点的流域土地覆盖组成发生了显著变化。植被在2004年至2014年间大幅下降，随后在2014年至2024年间有所增加，但其2024年的制图范围仍低于2004年水平。裸地始终是研究期间的主导类别，而2024年的水体范围低于2004年。因此，研究提供了制图土地覆盖变化的证据，但未直接确定其原因，也未量化生物多样性、水文、沉积物动态、渔业或生计的相关变化。所得地图和不确定性调整的面积估算为确定需要进一步调查的地点和趋势提供了有用的基线。未来研究应整合更高分辨率和更频繁的遥感观测与实地生态、水文、气候、沉积物、社会经济和土地管理数据，以更好地理解驱动湿地变化的机制，并支持基于证据的管理决策。