一种基于纯在线算法集成框架的植被损失驱动因子连续监测与归因新方法——面向森林与半自然地类的应用

《International Journal of Applied Earth Observation and Geoinformation》：A new ensemble framework of online algorithms for continuous monitoring and attribution of vegetation loss agents

　　

本研究提出一种完全由在线时间序列算法(online time-series algorithms)构成的集成框架(ensemble framework)，用于森林与半自然植被区植被损失驱动因子(vegetation loss agents)的归因(attribution)。研究区域为希腊东北部，该地区受野火(wildfire)、干旱(drought)及人为活动(anthropogenic activities)三种植被损失驱动因子影响，且过去二十年缺乏系统性记录。为应对不同驱动因子在各植被类型上引起的光谱变异性(spectral variability)，该框架融合三种Landsat光谱指数——核归一化植被指数(kernel Normalized Difference Vegetation Index, kNDVI)、归一化燃烧比(Normalized Burn Ratio, NBR)及归一化水分指数(Normalized Difference Moisture Index, NDMI)，以及三种在线监测算法——BFAST Monitor (BFM)、指数加权移动平均变化检测(Exponentially Weighted Moving Average Change Detection, EWMACD)和连续变化检测与分类(Continuous Change Detection and Classification, CCD；此处仅用其CCD组件)，对2000–2024年每年16天合成的观测值进行监测。每种算法–指数组合构成一个基学习器(base learner, BL)，共九个BL，将其提取的变化指标( breakpoint、magnitude、fitting error、trend、intercept )输入CatBoost元学习器(meta-learner)进行四分类一步法(one-step attribution)归因。同时亦构建了各BL单独驱动的CatBoost模型作对比。集成模型总体归因精度达75.6%，较最优单BL提升6.2%；在扰动检测(disturbance detection)中总体误差降至14.8%，误差平衡性改善7.8%。特征重要性(feature importance)分析表明扰动幅度(magnitude)是植被损失归因中最关键指标。野火归因主要受BFM与CCD支持，干旱归因依赖BFM与EWMACD联合响应，人为扰动由BFM及kNDVI特征主导识别，无扰动类主要由CCD特征表征。结果表明，通过结合对突变与渐变均敏感的在线算法，可平衡整体检测误差并在无需离线(offline)分析前提下提升植被损失驱动因子归因能力。

论文解读：《A new ensemble framework of online algorithms for continuous monitoring and attribution of vegetation loss agents》发表于《International Journal of Applied Earth Observation and Geoinformation》

一、研究背景与意义

遥感长时序密集 Landsat 影像已被广泛用于土地扰动监测，主流方法分为离线(offline)算法（如 LandTrendr）与在线(online)算法（如 BFAST Monitor (BFM)、指数加权移动平均变化检测(Exponentially Weighted Moving Average Change Detection, EWMACD)、连续变化检测与分类(Continuous Change Detection and Classification, CCD)）。现有植被损失驱动因子归因(vegetation loss agent attribution)面临三方面问题：①不同扰动 agent（野火 wildfire、干旱 drought、人为活动 anthropogenic activities）可产生相似光谱响应，低强度渐变扰动难以识别；②单一在线算法对突变/渐变敏感性各有局限——BFM擅长突发大幅变化但对季节趋势区分弱、EWMACD敏于细微渐变但对缺失数据敏感、CCD对多类变化稳健但对渐变不敏感；③已有集成方法多混用离线算法或仅做投票聚合(voting aggregation)，尚无纯在线算法特征层堆叠(feature-level stacking)集成用于植被损失 agent 一步法归因(one-step attribution)。希腊东北部东马其顿和色雷斯(Eastern Macedonia and Thrace, EMT)区域受上述三类扰动共同影响但缺乏历史系统记录，适合作为研究区。研究人员据此构建纯在线算法集成框架，验证其对扰动检测误差平衡及四分类归因精度的提升效果，并探讨各时序变化指标(change metrics)与光谱指数对不同 agent 的诊断价值。

二、主要技术方法概述

研究人员以希腊 EMT 区域为研究区，选取 2000–2024 年 Landsat Collection-2 Level-2 地表反射率(surface reflectance)构建 Open Data Cube 区域数据立方体，经亚像元配准(AROSICS)、双向反射分布函数(Bidirectional Reflectance Distribution Function, BRDF) 归一化及地形校正(SCS+C)后计算 kNDVI、NBR、NDMI 三指数并做 16 天径向基函数(Radial Basis Function, RBF)正则化。采用 4 年历史窗口对各指数分别运行 BFM、EWMACD、CCD 三种在线算法得 9 个基学习器(base learner, BL)，提取各像素 breakpoint (BPS)、change magnitude (MGN)、trend、intercept、fitting error 构成特征向量。通过分层目视解译结合 PlanetScope / Google Earth 建 13 641 个训练样本（无扰动 9 616、野火 2 429、干旱 445、人为 1 151）及 2023 年分层随机 796 个验证样本。将 9 个 BL 的全部变化指标拼接后输入 CatBoost 元学习器(meta-learner)做四分类一步法归因，并用贝叶斯优化调参及 10 折交叉验证；同时训练各 BL 单独 CatBoost 模型及 k-of-9 投票集成作对照。精度评估含总体精度(Overall Accuracy, OA)、用户精度(User's Accuracy, UA)、生产者精度(Producer's Accuracy, PA)、宏平均 F1(macro-averaged F1, F1_M)及漏报率(omission error)、虚警率(commission error)；用 Tree Shapley Additive exPlanations (TreeSHAP) 做特征重要性分析。

三、研究结果

4.1. Accuracy assessment of attribution models（归因模型精度评估）

特征层堆叠集成模型总体归因精度 OA = 75.6%，较最优单 BL（CCD?kNDVI，OA = 69.5%）提高 6.2%；宏平均 F1_M= 70.6%（+5.0%）。各类别 F1：无扰动 84.3%、野火 79.9%、干旱 62.8%、人为扰动 55.5%。相比最优 BL，集成在无扰动漏报降低 9.7% 但虚警升 6.3%，野火虚警降 8.1% 但漏报升 14.5%，干旱漏报降 2.1% 但虚警升 22.7%，人为扰动漏报大降 18.7% 但虚警微升 0.9%。单 BL 中 CCD?kNDVI OA 最高（69.5%），BFM?kNDVI 在野火上 F1 最高（80.1%），EWMACD 系列 BL 整体 OA 最低（50.6%–52.0%）但在干旱上生产者精度(Producer's Accuracy, PA) 与 CCD 相当。二元扰动检测中集成总体误差 14.8%（漏报 7.7%，虚警 19.6%），较 CCD?kNDVI（22.6%）误差平衡改善 7.8%；k-of-9 投票集成以 6-of-9 最均衡（22.9%）但不及特征层堆叠与 CCD?kNDVI。

4.2. Importance of features in the ensemble model（集成模型特征重要性）

TreeSHAP 分析显示 change magnitude (MGN) 与 breakpoint (BPS) 为最重要特征。无扰动类倾向 CCD?kNDVI / CCD?NDMI 高幅值或缺失幅值及无 BPS、高 trend；野火类倾向 BFM?NBR / BFM?NDMI BPS 阳性及 CCD?NBR / CCD?NDMI 大幅负幅值（MGN < ?0.1 ~ ?0.3）；干旱类倾向 BFM 无 BPS（未检出突变）及 EWMACD?NBR / EWMACD?NDMI 中间负幅值（≈ ?0.2 ~ 0）；人为扰动类倾向 BFM?kNDVI 中间负至近零幅值、低 kNDVI trend 及 BFM?NBR 较大负幅值。kNDVI 相关特征与 trend 对区分人为扰动和无扰动尤为关键。

四、讨论与结论总结

讨论指出，纯在线算法特征层堆叠集成较单算法–指数组合及简单投票改善误差平衡，归因于 CatBoost 能非线性融合各 BL 互补敏感性；虽离线或混合集成报道更大误差降幅，但本研究保留在线监测的近实时(near-real-time)适用性。归因精度符合文献预期——高 severity 野火与稳定植被精度高，渐变干旱与扩散人为扰动因信号弱致 F1 偏低。特征重要性印证 MGN 为核心判别依据，BPS 存在与否及 trend 具算法–指数特异性诊断价值。局限性含干旱与人为扰动样本少、Landsat 30 m 像元对细碎人为扰动欠敏感（建议面向对象(object-based)扩展）、固定历史窗口与参数未动态适应、验证限于 2023 年及单一生态区需跨区验证。

结论：研究人员通过将 BFM、EWMACD、CCD 三种在线算法与 kNDVI、NBR、NDMI 三指数组合得到的九组变化指标输入 CatBoost 元学习器进行特征层堆叠，构建了纯在线植被损失 agent 归因集成框架。该框架将扰动检测总体误差降至 14.8%，归因 OA 达 75.6%（较最佳单 BL +6.2%），证明多算法–多指数在线集成可平衡检测灵敏度与 agent 判别力，为异质景观下可常规更新的植被损失驱动因子归因提供了可扩展方案。