Landsat与Sentinel-1 SAR多源融合的达卡工业区LULC时空制图与LST投影：消融比较与300 m空间留出验证

《Geocarto International》：Multi-sensor fusion of Landsat and Sentinel-1 SAR for spatiotemporal land use/land cover change mapping and land surface temperature projection in Dhaka Industrial Area

　　

全球南方的快速城市化正在加剧城市热岛（urban heat island, UHI）并导致水体减少，而季风云覆盖限制了光学监测。该研究评估了Landsat 8/9、Sentinel-1合成孔径雷达（synthetic aperture radar, SAR）与全球人类住区层（Global Human Settlement Layer, GHSL）的多传感器融合在孟加拉国达卡工业区土地利用/土地覆盖（land use/land cover, LULC）变化制图与地表温度（land surface temperature, LST）投影（2015—2035年）中的作用，并在Google Earth Engine（GEE）中采用随机森林（Random Forest, RF）和梯度提升树（Gradient Boosted Trees, GBT）。SAR融合将LULC总体精度（overall accuracy, OA）提高至91.7%，并消除了水体错分误差（用户精度（User's Accuracy, UA）：83.3%至100%），但对LST回归贡献可忽略（ΔRMSE = +0.003 °C）。预计到2035年，建成区面积将扩张76.1%，水体将减少68.2%，平均LST升高1.86 °C。GBT模型在空间验证中取得滤波后均方根误差（root mean square error, RMSE）1.711 °C，相较仅光学基线将系统偏差降低54%，对快速城市化的三角洲城市的水体保护与高温劳动政策具有直接意义。

研究背景与问题：全球南方快速城市化将植被与水体转为不透水建成区，改变地表能量分配并形成城市热岛（urban heat island, UHI）；地表温度（land surface temperature, LST）是UHI强度的主要定量指标，与热应激死亡、能耗和户外热舒适直接相关。孟加拉国季风区每年4—5个月光学数据有效可得性极低，仅光学方法形成系统监测缺口。达卡工业区人口超过2200万、年增长3.5%，季风前城市LST常超过40 °C，水体和城郊林地持续损失。原文指出四项方法学空白：无云条件下SAR融合的边际精度增益未通过受控消融量化；SAR特征作为LST回归预测因子未充分探索；既有LST投影缺乏严格空间留出验证，精度易受自相关膨胀；发射率派生预测因子对LST回归精度的贡献未在孟加拉国情境评估。为此，研究人员结合Landsat 8/9、Sentinel-1 SAR与GHSL建成密度，在Google Earth Engine（GEE）中开展2015、2025观测和2035投影的LULC与LST综合研究，采用随机森林（Random Forest, RF）和梯度提升树（Gradient Boosted Trees, GBT），并以300 m空间留出验证控制自相关膨胀。研究意义在于为水体保护、热工作政策和快速城市化三角洲城市的热适应提供可扩展证据。

关键技术方法（≤250字）：数据为Landsat 8/9 Collection 2 Tier 1 Level-2（2015、2025）、Sentinel-1 GRD IW VV/VH（10 m，4月下降轨道）、GHSL P2023A GHS_BUILT_S（2020）和GADM边界。经云/阴影掩膜、反射率转换、SAR dB转换与中值复合、30 m UTM 46N配准；特征含归一化植被指数（Normalized Difference Vegetation Index, NDVI）、归一化建筑指数（Normalized Difference Built-Up Index, NDBI）、改进归一化水体指数（Modified Normalized Difference Water Index, MNDWI）、VV、VH、VV?VH、灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）纹理、植被覆盖度（fractional vegetation cover, FVC）、地表发射率（land surface emissivity, LSE）、GHSL密度。LULC用RF（300棵树；光学9波段 vs 融合15波段；70/30分层留出；消融）；LST用GBT（300棵树，η=0.05，samplingRate=0.70，maxNodes=8；12/18预测因子；15,000像素）；300 m空间留出网格训练n=2430、测试n=1071；2035用像素级转移RF（8000观测）和类均值替代。训练样本来自Google Earth 2023—2025甚高分辨率影像目视解译并与2025 Landsat真彩色交叉参考。

研究结果：
3.1 LULC分类精度：通过2025年分层30%留出评估，融合RF的总体精度（overall accuracy, OA）为91.7%、Kappa为0.871，仅光学为89.5%、Kappa为0.839；融合模型建成区生产者精度（Producer's Accuracy, PA）96.0%、用户精度（User's Accuracy, UA）92.3%，水体UA由83.3%升至100.0%，绿地PA由85.0%升至91.1%；持续混淆为4个水样误分为绿地。特征重要性显示NDVI、SWIR-1和NIR主导，6个SAR特征在无云4月条件下重要性近零。
3.1.1 2015年分类的时间验证：将2025年训练的融合分类器应用于2015年Landsat 8复合，OA为78.1%、Kappa为0.672，较2025年下降13.6个百分点和0.199 Kappa；建成区PA由96.0%降至64.1%，水体和绿地PA分别为80.6%和91.4%。原文将下降归因于训练多边形在2015年并非建成区的标签噪声、城市材料风化差异及Landsat 8/9地表反射率轻微偏移；2015年LULC图不确定性较高。
3.2 2015—2025年LULC变化及2035年投影：通过三时相分类与像素级转移模型得出，2015年绿地192.7 km²（58.7%）、建成区107.1 km²（32.7%）、水体28.3 km²（8.6%）；2025年建成区145.4 km²（44.3%）、绿地161.2 km²（49.1%）、水体21.6 km²（6.6%）；2035年业务照常（business-as-usual, BAU）投影为建成区188.7 km²（57.5%）、绿地130.5 km²（39.8%）、水体9.0 km²（2.7%）。2015—2025年建成区扩张35.7%（38.2 km²），水体和绿地分别减少23.6%和16.4%；2025—2035年建成区再增43.4 km²，水体相对2025年减少58.4%，绿地减少21.1%；2015—2035年水体累计减少68.2%（19.3 km²）。2015年建成区估计不确定性约±15—25 km²，35.7%扩张应视为指示性上限。
3.3 2015—2025—2035年LST动态：通过三时相LST制图得出平均LST由36.26 °C升至37.95 °C（十年增温1.70 °C），2035年投影38.11 °C（较2025年+0.16 °C）。建成区LST最高（38.57、39.52、39.34 °C），绿地居中（35.38、36.98、36.54 °C），水体最低但升温最陡（33.47→34.71→35.16 °C；2015—2035累计+1.69 °C，高于建成区+0.95 °C和绿地+1.16 °C）。UHI强度（建成区减水体）由5.10 °C降至4.81 °C并投影至4.18 °C，收窄源于残余水体不成比例升温而非建成区降温。
3.4 LST回归模型验证：通过300 m空间独立留出测试，融合GBT全范围RMSE为2.562 °C、平均绝对误差（mean absolute error, MAE）1.625 °C、平均偏差?0.049 °C，滤波后RMSE为1.711 °C，低于2.0 °C阈值；相较RF基线（RMSE=2.69 °C，Bias=?0.105 °C），偏差降低54%。仅光学GBT结果几乎相同（RMSE=2.559 °C，滤波RMSE=1.710 °C，Bias=?0.046 °C），SAR融合对LST的ΔRMSE=+0.003 °C。各类平均预测误差均低于0.06 °C；冷尾（<30 °C）高估4—9 °C，热尾（>44 °C）低估3—6 °C。
3.5 SAR融合贡献消融汇总：通过LULC与LST两任务消融得出，SAR融合在无云4月LULC中提高OA 2.2个百分点、Kappa 0.032，并消除水体错分（UA 83.3%→100.0%）；对LST回归贡献在30 m尺度可忽略（ΔRMSE=+0.003 °C，MAE差?0.002 °C，Bias差0.003 °C）。LST主要精度提升来自RF→GBT、发射率预测因子、GHSL密度和训练样本增加；SAR业务价值主要在季风期云独立LULC监测。

讨论总结：原文认为2015—2025年建成区35.7%扩张处于达卡内城2.8—4.1%年增长率上限，2035年188.7 km²与RAJUK（Rajdhani Unnayan Kartripakkha）无监管干预的致密化情景一致；水体68.2%累计损失最值得警惕，且小而孤立水体缺乏大河通道法律保护、更易被填埋。LST十年增1.70 °C（0.17 °C year^?1）与东南亚超大城市0.10—0.25 °C year^?1一致；2035年38.11 °C因类均值替代抑制类内异质性而为保守下限。UHI收窄由残余水体热污染、周边建成区长波辐射与感热平流、天空视域因子降低及破碎化后周长面积比增大驱动。SAR 2.2个百分点OA提升与43项SAR光学研究2.8个百分点中位提升一致，水体UA消除源于C-band VV对平静水面与挺水植被的区分；LST零贡献表明30 m尺度C-band后向散射与像元LST主导变量解耦，GHSL密度可能预先提供了SAR理论贡献的形态信息。GBT+发射率+GHSL使偏差降54%，Sobrino等（2004）LSE提供场景同期发射率校正；滤波RMSE 1.711 °C满足Parastatidis等（2017）阈值，全范围RMSE偏高与工业区热极端表面密度有关。政策建议包括：0.1 km²以上水体依《孟加拉国水法2013》设为保护区和MNDWI年度监测；用LST栅格指导不小于15 m宽连通绿廊；建成区LST超过39 °C接近户外劳动生理阈值，应依据LST监测在《孟加拉国劳动法2006》中加入高温户外作业限制。局限包括三类LULC无法解析建成区内部热异质性、2015年分类不确定性、BAU假设转移动态稳定、类均值替代抑制类内异质性、GHSL 2020与后续年份存在时间错配。

研究结论（原文第5节）翻译：该研究在达卡工业区Thana开展首个亚区尺度、经空间验证的多传感器LULC变化与LST动态分析，在GBT回归和RF分类框架中整合Landsat 8/9光学影像、Sentinel-1 C-band SAR和GHSL建成密度，得出五项结论。其一，快速复合城市化：建成区2015—2025年扩张35.7%，BAU到2035年投影增长76.1%，伴随水体不成比例消除（累计?68.2%），在规划时间尺度上不可逆。其二，加速热强化被UHI收窄掩盖：平均LST 2015—2025年升高1.70 °C（0.17 °C year^?1）；UHI强度由5.10 °C投影收窄至4.18 °C，反映残余水体因感热平流和天空视域因子降低而热污染，并非城市热应激下降；保护较大连片水体比同等面积小碎片具有更大热收益。其三，SAR融合对水体判别有意义、对LST回归可忽略：SAR消除全部水体错分（UA 83.3%→100.0%），无云条件下OA提高2.2个百分点；30 m尺度LST回归ΔRMSE=+0.003 °C，SAR业务价值在4—5个月季风期云独立LULC监测。其四，GBT结合发射率和密度预测因子推进LST回归方法：纳入FVC、LSE和GHSL建成密度的GBT框架取得空间验证滤波RMSE 1.711 °C，相较仅光学RF基线将系统偏差降低54%，表明发射率派生和形态密度预测因子对城市LST精度有实质贡献。其五，框架可操作可扩展并具政策效用：基于GEE的全可复现方法可以极低边际成本扩展至达卡所有分区，输出直接支持水体保护分区、绿色廊道连通性要求和劳动法高温作业限制三项政策行动，以在孟加拉国现行结构规划期限内降低达卡工业区人口热风险。