轨迹引导的弱监督学习用于矿区植被退化与恢复时空制图

《Remote Sensing》：Trajectory-Guided Weakly Supervised Learning for Spatiotemporal Mapping of Vegetation Degradation and Restoration in Mining Areas

　　

矿区地表植被动态受人为扰动与生态恢复影响，呈现复杂非线性过程。现有遥感方法难以兼顾时序可解释性与区域尺度长期植被轨迹刻画。为此，研究人员提出一种轨迹引导的弱监督框架，将参数化曲线拟合与深度时序学习融合用于矿区植被监测。基于“开采—复垦”周期特征，预定义六类代表性植被轨迹模式以描述退化与恢复各阶段。利用1990—2023年Landsat时序数据提取长期NDVI轨迹，采用线性与参数化Sigmoid函数建模，自动生成高质量监督样本与时序转折标签。这些受轨迹约束的样本随后被输入多任务BiLSTM-Attention网络，同步实现像元级变化分类与转折点回归。应用于中国洞庭湖流域矿区集群，该框架总体分类精度达86.64%（Kappa=0.83），时序预测误差在2年以内。结果表明，61.20 km2受损土地中28.66%得到有效恢复；恢复活动在2012—2014年激增，与区域土地复垦政策实施相吻合。该框架通过将生态轨迹建模与弱监督时序学习耦合，为大规模矿区恢复监测与生态评估提供了可行途径。

研究背景方面，采矿作为人类获取材料与能源的主要来源，其开发不可避免破坏地表植被，引发水土流失、环境污染等连锁问题，植被监测因此成为矿区工业生产和生态保护的核心环节。星载遥感凭借周期性强、历史数据丰富、覆盖广的优势，尤其是Landsat自1980年代以来的中高分辨率多光谱数据，已成为矿区地表监测标准数据源。现有方法分三类：线性拟合（简单可解释但参数少、难捕非线性）、非线性工具（LandTrendr、CCDC、BFAST可识突变点但难解释成因与全生命周期轨迹）、机器学习（能捕非线性但无监督可解释差、有监督依赖高质量样本）。三者共同瓶颈是：线性拟合力不足、非线性方案缺针对性、机器学习缺解释且赖人工标签。洞庭湖流域系长江中游重要工业基地与生态屏障，矿产丰富但地表损伤突出，亟需兼顾时序解释与区域尺度的监测方案。研究人员据此开展本研究，目的是以全流域矿区为对象，建立“线性回归+曲线拟合+机器学习”耦合的新识别方法，破解大尺度矿区标签稀缺不可靠的根本瓶颈。

关键技术方法上，研究人员以洞庭湖流域六个主要矿区集群（湘西、娄底、衡阳、水口山、萍乡、郴州）为子研究区，主数据源于GEE平台1990—2023年Landsat 5/7/8/9年度中值合成影像，经云掩膜与邻年均值填补缺口，计算NDVI作为植被指标。监督点获取采用Savitzky–Golay滤波后，对六类轨迹（连续退化CDZ、延迟退化DDZ、未恢复退化UDZ、稳定/恢复SRZ、快速恢复RRZ、退化-恢复DRZ）分别施线性或单/双参数化Sigmoid拟合（Levenberg–Marquardt迭代，R²阈值0.8+，每类取前200高拟合点），由Sigmoid拐点自动赋损/恢复年份标签。分类与回归主干为2层BiLSTM（隐藏维128，dropout 0.3）接时间注意力机制（tanh+Softmax加权），并行MLP头做六类分类与至多两个转折点回归，5折分层交叉验证与独立测试集防空间泄漏评估。

研究结果部分，首先“监督点结果与特征”显示六类曲线与理论高度吻合，全体平均R²=0.93，DRZ与UDZ近0.98；CDZ聚于矿心、SRZ布于外围，非线性类空间分散，证明曲线拟合可高质量自动产样。其次“矿区地表变化模式分类”得总体OA 86.64%、Kappa 0.83；全流域采矿占地约74.24 km²，显著受损61.20 km²，其中DRZ占28.66%为有效恢复，SRZ+RRZ合计12.51 km²受生态工程正面影响；湘西因武陵山区湿润连通森林基质恢复率达50%，水口山处衡阳盆地红壤保水差、重金属累积致恢复滞后，空间分异由区域生态韧性解释。再次“地表变化时点识别”中双转折点R²为0.71/0.66，MAE 1.82/1.93年；损伤自1997增、2013达峰，恢复在2012—2014骤升，除郴州呈损伤恢复同步外其余均“先损后治”，与2011《土地复垦条例》及2012湖南复垦通知直接对应。

讨论部分指出，本框架相较LandTrendr在86个敏感点中一致率47.67%、优于人工解译34.88%，损伤/恢复时点MAE分别再降0.42/0.62年，且消除LandTrendr正偏移23.92%而仅余-2.89%微偏；弱监督仅初始六类定义含主观，后续采样至预测无人工干预；局限含NDVI在密冠饱和、煤尘裸岩敏感、30 m混合像元漏小扰动、气候年际波动误判、地下采延迟沉降不适用、静态矿界引入幸存者偏差；转移他域需换土壤调节植被指数并重标定轨迹阈。结论部分翻译如下：本研究核心创新在于利用Sigmoid函数拟合为深度学习模型生成监督点，实现矿区时空变化特征像元级制图。应用于洞庭湖流域主要矿区，地表分类生产者精度超0.8、用户精度约0.7，转折预测R²约0.7、误差2年内。全流域采矿约74.24 km²，61.20 km²显著受损，其中28.66%有效恢复，另有12.51 km²受生态恢复工程正向影响。损伤1997—2013加剧，恢复集中于2012—2014，呈“先损后治”且契合国家环保政策。该框架为湿润地表采矿流域提供可解释低成本筛查方案，但对地下采矿、干旱区及用地叠加干扰的适用性待验。论文发表于《Remote Sensing》。