摘要
在东南亚，准确监测油棕种植园对于实现经济发展与环境保护的平衡至关重要。然而，现有的种植园地图往往空间分辨率较低，且缺乏近期时间覆盖数据，这不利于对快速的土地利用变化进行有效监控。在本研究中，我们提出了一种深度学习框架，利用Sentinel-2卫星图像，无需新的手动标注，即可为印度尼西亚和马来西亚生成2020年至2024年的10米分辨率油棕种植园地图。为了解决100米级的粗略历史数据与10米级图像之间的分辨率差异，我们采用了经过基于决定函数的互信息（DMI）优化的U-Net架构。该方法能有效减少标签噪声的影响。我们通过2058个手动验证点对方法进行了验证，2020年、2022年和2024年的整体准确率分别为70.64%、63.53%和60.06%。准确率随时间逐渐下降，这与2016年的历史参考数据与后续预测年份之间的时间差异日益增大相符。从区域范围来看，绘制的油棕种植面积在2022年达到峰值，2024年则有所下降。土地覆盖变化分析还显示，油棕种植区与农田和淹水植被之间存在转换，这些结果需结合报告的准确率和不确定性一起解读。鉴于每年的准确率较为适中，以及2016年的监督数据与后续预测年份之间的时间差异，这些结果应被视为区域尺度上的指标，而非像素级的变化地图。这些生成的地图可用于区域监测、可持续性评估，以及确定需要进一步验证的区域。
