《Environmental and Sustainability Indicators》：Spatiotemporal Assessment of Forest Dynamics to Decipher Landscape Ecological Insights on Forest Fragmentation in Kangra region (2019-2025) using FRAGSTATS and Geospatial AI Techniques
编辑推荐：
在人为压力与气候变化日益加剧的背景下，植被与森林变化的动态对可持续发展至关重要。本研究提出了一种结合云计算地理空间分析与景观生态指标的新方法，用于量化2019至2025年间印度喜马偕尔邦坎格拉地区的森林动态、干扰及破碎化过程。研究人员采用多时相分类并结合景观指
在人为压力与气候变化日益加剧的背景下，植被与森林变化的动态对可持续发展至关重要。本研究提出了一种结合云计算地理空间分析与景观生态指标的新方法，用于量化2019至2025年间印度喜马偕尔邦坎格拉地区的森林动态、干扰及破碎化过程。研究人员采用多时相分类并结合景观指标（如森林覆盖比例、连通性指数）来测量森林结构与破碎化的时空变化。利用GIS生物物理数据集与景观指标（包括类别面积(CA)、斑块密度(PD)、最大斑块指数(LPI)、聚集指数(AI)及CLUMPY），揭示了研究期间显著的生态与破碎化相关变化。时序趋势分析显示森林结构、破碎化与连通性均发生转变：2019–2025年间，密林与低覆盖林分别增加了2.02%与3.19%，而中覆盖林与草地分别减少了1.47%与1.38%。分类精度经Kappa系数检验，由2019年的0.84提升至2025年的0.93，表明结果可靠。回归分析验证了显著的再植被过程，决定系数(r2)介于0.78至0.95之间。研究结果表明，森林区域受到显著干扰，包括破碎化、砍伐及植被廊道变化，这些过程响应于城市扩张、土地转换及气候变率。该综合框架提升了喜马拉雅西部地区的研究水平，实现了基于云计算与景观指标的多年可扩展破碎化动态监测，为识别干扰热点及支持可持续森林管理提供了更强的能力。
研究背景方面，森林在维持生态系统稳定、调节气候及提供生物多样性栖息地方面具有不可替代的作用。然而，在喜马拉雅西部等生态敏感区，农业扩张与城市化导致连续森林景观被道路与聚落切割成孤立的小斑块，引发栖息地破碎化，降低生态过程的效率与物种多样性。现有研究虽已应用景观生态学指标，但缺乏结合云计算与高分辨率遥感数据的长期动态监测体系，难以全面揭示破碎化过程及其驱动机制。因此，研究人员选择坎格拉地区，利用Sentinel-2卫星影像与景观指标量化2019–2025年间的森林动态变化，旨在为生态保护与管理决策提供科学依据。该研究发表于《Environmental and Sustainability Indicators》。
在研究方法上，研究人员依托Google Earth Engine(GEE)云计算平台，获取并处理2019–2025年的Sentinel-2多光谱影像（空间分辨率10米），采用随机森林(Random Forest, RF)分类器进行土地利用/土地覆盖(LULC)分类，并通过地面调查数据验证分类精度。景观破碎化分析使用FRAGSTATS 4.2软件计算类别面积(CA)、斑块密度(PD)、最大斑块指数(LPI)、聚集指数(AI)、团聚度(CLUMPY)等指标，并结合气象数据探讨气候因子对植被动态的影响。
研究结果分为多个部分。首先，LULC分类结果显示，密林占比从2019年的35.42%增至2025年的37.44%，低覆盖林由22.82%增至23.21%；中覆盖林与草法则分别下降1.47%与1.38%。农业用地与聚落小幅增长，裸地、河流、雪盖面积略有缩减。其次，精度评估表明RF分类总体精度由82.4%（2019）升至90.4%（2025），Kappa系数由0.84升至0.93，F1分数同步提高，验证了方法的可靠性。统计趋势分析显示，密林与低覆盖林呈显著线性增长（斜率分别为671.11与214.671，r2=0.97与0.52），中覆盖林与草地显著减少（斜率分别为-486.57与-443.77，r2≥0.96）。相关性分析发现，聚落扩张与密林呈强正相关（r=+0.96），与中覆盖林及草地呈强负相关（r=-0.96与-0.94），表明城市增长伴随不同森林类型的差异化变化。景观指标统计显示，斑块数量(NP)由73,039降至11,093，斑块密度(PD)由21.57降至3.27，聚集指数(AI)由65.40升至79.57，团聚度(CLUMPY)由0.64升至0.79，边缘密度(ED)由61.53降至36.25，反映了森林斑块的聚合与破碎化程度降低。相关性矩阵进一步证实，NP与PD完全相关(r=1.00)，LPI与邻近度指标呈强相关，AI与CLUMPY亦高度相关。
讨论部分指出，尽管整体森林覆盖有所恢复，但中覆盖林与草地的减少可能导致栖息地异质性下降，影响依赖开放生境的物种。气候变化（高温与降水异常）与人类活动共同驱动景观变化。与全球及喜马拉雅其他区域的趋势一致，生态边缘带更易受干扰。研究提出的集成框架结合了云计算、机器学习与景观生态学方法，提高了破碎化监测的时空分辨率与可扩展性，为区域生态管理与政策制定提供了量化依据。
结论部分总结，2019–2025年间坎格拉地区森林景观经历了显著的结构重组，密林与低覆盖林增加，破碎化程度降低，斑块连通性增强。这一变化既反映了自然再生与人工造林的成效，也揭示了城市化与农业扩张带来的潜在生态风险。研究强调需要在促进森林恢复的同时，兼顾半自然栖息地的保护，以维持长期的生态稳定性与生物多样性。
