《Cogent Social Sciences》：Land use and forest dynamic in Kunar Province, Eastern Afghanistan: a multidisciplinary approach utilizing Google Earth Engine and TerrSet
编辑推荐：
本研究分析了2003年至2023年间阿富汗东部库纳尔省的森林动态和土地利用/土地覆被变化，特别关注森林覆被变化和城市扩张。研究人员在谷歌地球引擎（Google Earth Engine, GEE）平台内处理了Landsat影像以生成土地利用/土地覆被（LULC
本研究分析了2003年至2023年间阿富汗东部库纳尔省的森林动态和土地利用/土地覆被变化，特别关注森林覆被变化和城市扩张。研究人员在谷歌地球引擎（Google Earth Engine, GEE）平台内处理了Landsat影像以生成土地利用/土地覆被（LULC）图，随后使用TerrSet中的土地变化模型（Land Change Modeler, LCM）进行变化检测和未来转移分析。根据LCM得出的结果，建设用地和草地分别扩张至50.39平方公里和3,654.11平方公里，而密林覆盖面积从2003年的1,194.67平方公里减少到2023年的1,134.75平方公里。相比之下，基于汉森全球森林变化数据集（Hansen Global Forest Change dataset）的分析表明，密林面积的减少更为显著，从2003年的大约450平方公里降至2023年的36.44平方公里。这些差异源于基于LCM的土地利用/土地覆被制图与汉森数据集中像素级森林损失检测在数据分辨率、分类方法和森林定义标准上的不同，其中汉森数据集将森林定义为树冠高度≥5米的木本植被。通过整合基于云计算的遥感、统计变化分析和空间建模，本研究为阿富汗的森林变化提供了最全面的评估之一。研究结果突显了库纳尔省快速的森林砍伐和城市扩张压力，并强调需要基于证据的土地管理政策、森林保护战略和可持续发展规划，以减轻环境退化和气候相关影响。
**论文解读：阿富汗库纳尔省森林动态与土地利用变化的多源遥感评估**
**研究背景与问题**
森林生态系统在阿富汗东部库纳尔省扮演着至关重要的角色，它们提供生物多样性保护、碳封存、气候调节和生计支持等关键服务。然而，该地区的森林正面临着日益加剧的压力，包括非法采伐、农业扩张、基础设施建设和无计划的城市增长。特别是在库纳尔省，作为阿富汗森林资源最丰富但生态最脆弱的区域之一，社会政治不稳定进一步加剧了森林退化，叛乱团体和非法网络通过非法砍伐木材资源，破坏了环境完整性和当地生计。这些活动与贫困和有限的替代收入机会相结合，导致了不可持续的土地利用实践，加剧了生态失衡、土壤侵蚀和滑坡易发性，并恶化了诸如气温上升和水文不稳定等气候相关影响。尽管已有一些研究利用遥感和地理信息系统（GIS）工具对阿富汗其他省份（如帕克蒂亚省、努里斯坦省）的森林覆被变化进行了分析，但这些研究大多依赖于传统的变化检测方法，未能整合先进的空间建模或多源数据集来捕捉土地利用转移和精细尺度的森林损失动态。此外，利用稳健的地理空间框架明确量化土地转移路径和城市扩张的研究在库纳尔省仍然代表性不足。因此，迫切需要采用综合方法，结合主题土地利用建模和独立的森林损失数据集，来评估库纳尔省的森林动态。
在此背景下，本研究旨在填补这一研究空白。论文发表在《Cogent Social Sciences》上，研究人员通过整合在GEE中处理的多时相Landsat影像、土地利用/土地覆被分类、土地变化模型（LCM）分析以及汉森全球森林变化数据集，对2003年至2023年间库纳尔省的森林动态进行了考察。通过明确区分土地利用转移和像素级森林损失，该研究为了解阿富汗东部的森林砍伐和城市扩张提供了一个更全面、方法学上更稳健的视角。
**关键研究方法**
为开展研究，研究人员主要采用了以下关键技术方法：首先，确定了位于阿富汗东部（北纬35°00′，东经71°12′）的库纳尔省作为研究区，该地区地形以山地为主，面积约4,339平方公里，气候多样，年平均气温约20°C，年降水量约469毫米。其次，构建了一个基于谷歌地球引擎（GEE）的分析框架，处理了2003年和2023年的多时相Landsat影像（包括Landsat 7 ETM+和Landsat 8 OLI），进行了辐射归一化和云掩膜处理。第三，在GEE中使用随机森林（Random Forest, RF）算法对九个土地利用/土地覆被类别（水体、密林、疏林、灌木、耕地、草地、建设用地、裸地、雪）进行了监督分类，并进行了精度评估。第四，引入了汉森全球森林变化数据集（2013年版）作为补充，该数据集提供了基于像素的森林损失、增益和损失年份信息，其森林定义为树高≥5米的木本植被。第五，利用TerrSet软件中的土地变化模型（LCM）对2003年和2023年的土地利用/土地覆被图进行历史变化检测和转移潜力建模，结合了地形、距离变量和归一化植被指数（NDVI）等驱动因子，并采用马尔可夫链（Markov Chain）分析计算转移概率矩阵。
**研究结果**
**1. 土地利用/土地覆被制图与变化**
通过对2003年和2023年的土地利用/土地覆被分类图（精度均超过97%）进行分析，研究人员量化了各类土地覆被的面积变化。结果显示，在2003年至2023年间，建设用地从29.10平方公里显著增加至50.39平方公里，草地从3,589.12平方公里增加至3,654.11平方公里。与此同时，密林面积从1,194.67平方公里减少至1,134.75平方公里，疏林面积从4.83平方公里减少至1.55平方公里。水体、耕地、裸地和雪的面积则略有下降。这些变化表明，城市扩张和草地增长是主要的土地利用变化趋势，而森林覆盖正在减少。
**2. 基于汉森数据集的森林动态**
利用汉森全球森林变化数据集进行的独立分析揭示了更为严峻的森林损失情况。数据显示，符合树高≥5米定义的森林面积从2003年的大约450平方公里急剧减少到2023年的36.44平方公里。这一损失量远大于土地利用/土地覆被分类中显示的密林减少量，突显了像素级检测对森林退化（特别是林冠高度降低或破碎化）具有更高的敏感性。森林损失区域在空间上呈点状分布（图中以红点标示）。
**3. 土地变化模型（LCM）分析**
LCM分析提供了土地利用类别之间具体的转移路径和空间格局。模型验证显示总体精度超过85%，Kappa值大于0.82，表明模型预测结果可靠。转移潜力图显示，密林向草地或建设用地转移的可能性较高。交叉表分析具体量化了类别间的像素转移，例如，有1,621,527个像素从密林转变为草地，3,723个像素从密林转变为建设用地。桑基图（Sankey Diagram）直观展示了主要土地利用类别在20年间的转移情况，强调了草地和密林的持久性，以及建设用地扩张和森林减少的主导趋势。
**4. 相关性分析与驱动因素**
趋势分析进一步揭示了不同数据集指标与时间及彼此之间的相关性。建设用地扩张与时间呈极强的正相关（R = 0.99），证实了快速的城市化进程。汉森森林覆被与时间呈极强的负相关（R ≈ -0.94），而土地利用/土地覆被分类得出的密林面积与时间仅呈中度负相关（R ≈ -0.36）。此外，汉森森林覆被与建设用地扩张之间也表现出极强的负相关（R = -0.94），表明城市化是导致大规模森林损失的主要驱动因素。相比之下，土地利用/土地覆被分类的密林与建设用地扩张的负相关较弱，这再次说明传统分类可能低估了森林退化的强度。
**讨论与结论**
**讨论部分**总结指出，本研究通过整合土地利用/土地覆被分析、LCM输出和汉森全球森林数据集，全面评估了库纳尔省2003年至2023年的森林动态。结果揭示了土地覆被组成的显著时空变化，反映了人为活动对森林景观日益增加的压力。土地利用/土地覆被分类与汉森数据集在森林损失量级上的差异，凸显了将基于像素的森林覆被数据集与主题分类及LCM分析相结合的重要性，以便更准确地刻画森林砍伐过程和土地转化动态。这种综合方法能够捕捉从主题土地类型转换到精细尺度森林结构丧失的全谱变化。研究发现，快速的城市扩张与森林损失高度相关，是生态退化的关键驱动力。持续的森林砍伐可能导致土壤侵蚀加剧、野生动物栖息地丧失和碳封存能力下降，从而恶化气候变化的影响。这些发现强调了在库纳尔省实施有效的土地利用规划、加强森林治理和制定针对性保护战略的紧迫性，以减缓持续的生态退化、生物多样性丧失和不断升级的环境风险。
**研究结论**部分翻译如下：本研究通过明确结合基于土地利用/土地覆被的LCM输出和来自汉森全球森林变化数据集的像素级森林损失信息，对阿富汗东部库纳尔省的森林动态和土地利用/土地覆被变化进行了综合评估。LCM结果揭示了2003年至2023年间土地覆被的实质性空间重构，其特征是建设用地和草地的扩张以及密林面积的净减少。这些土地利用/土地覆被转移突显了城市化和土地转化过程对森林景观日益增长的影响，并为省级尺度的土地转化路径提供了空间明确的见解。相比之下，汉森全球森林变化分析表明森林覆盖的下降更为显著，定义为树高≥5米的区域从2003年的大约450平方公里缩小到2023年的36.44平方公里。这种差异强调了两套数据的互补性：LCM捕捉主题类别间的土地覆被转移，而汉森数据则在像素水平上检测森林的替代性损失。两者共同提供了对森林退化动态比单独使用任何一种方法都更稳健、更细致的理解。通过整合基于云计算的遥感、土地利用/土地覆被分类、变化检测和空间建模，本研究为阿富汗的森林变化提供了首批全面的、多源评估之一。研究结果为这个数据稀缺且环境脆弱的地区的国家森林监测、土地利用规划和气候相关政策制定提供了关键的基线信息。未来的工作应纳入社会经济驱动因素、实地验证和气候变量，以加强预测建模，并为阿富汗的可持续土地管理、森林保护和生态恢复支持基于证据的战略。
