《Land》：Monitoring Land Use Land Cover Changes in Mirzapur, Northern India Using Machine Learning and Cloud-Computing Based Geospatial Approach
编辑推荐：
摘要：土地利用和土地覆盖（LULC）动态是环境变迁和区域景观上人为压力的关键指标。米尔扎普尔位于印度北部印度河-恒河平原与温迪亚山地的过渡地带，是一个以生态敏感性、矿产工业、农业依赖性和快速基础设施增长为特征的地区。近几十年来，印度北部经历了加速的城市化、人口
摘要：土地利用和土地覆盖（LULC）动态是环境变迁和区域景观上人为压力的关键指标。米尔扎普尔位于印度北部印度河-恒河平原与温迪亚山地的过渡地带，是一个以生态敏感性、矿产工业、农业依赖性和快速基础设施增长为特征的地区。近几十年来，印度北部经历了加速的城市化、人口压力、土地破碎化和环境胁迫，因此系统的LULC监测对于可持续资源管理和政策规划至关重要。本研究考察了米尔扎普尔2004年、2014年和2024年土地利用和土地覆盖的时空变化。研究采用基于云计算的平台和随机森林（Random Forest, RF）算法对多时相卫星影像进行监督分类。生成了LULC地图，并采用分类后比较法评估所选年份间的变化。使用包括Kappa系数在内的标准验证指标进行精度评估，以评价分类结果。从2004年到2024年，城市地区相对增长了169.36%，主要通过农田的转换实现，尽管由于研究区其他部分的农业扩张，总体农田面积略有增加。在此期间，森林覆盖也略有增加。水体和裸地减少，表明该地区的生态压力。这些变化反映了该地区快速的城市化、人口压力以及不断演变的社会经济活动。LULC分类的总体精度分别为96.50%（2004年）、97.52%（2014年）和96.08%（2024年），显示出所生成地图的可靠性。研究证明了基于云的地理空间分析与机器学习算法相结合在长期LULC监测中的有效性，并为可持续土地管理和区域规划提供了有价值的见解。
论文解读：基于机器学习与云计算地理空间方法的米尔扎普尔土地利用/土地覆盖变化监测
土地利用与土地覆盖（Land Use and Land Cover, LULC）动态是反映区域环境变化和人类活动压力的关键指标。印度北部作为人口密集且农业集约化程度高的地区，在过去几十年中经历了显著的土地利用转型。米尔扎普尔（Mirzapur）位于印度北部恒河平原与温迪亚（Vindhyan）山地的过渡带，兼具生态敏感性、矿产工业、农业依赖和快速基础设施增长的特点。然而，以往针对该地区的研究多局限于特定行政单元、较短时段或单一土地覆盖组分，缺乏对整个区域的长时序、多类别系统评估。因此，研究者开展这项研究，旨在利用先进的遥感分类技术和云计算平台，对米尔扎普尔全区2004年、2014年和2024年的土地利用/土地覆盖变化进行一致性监测，并定量刻画各类别间的转换关系，为可持续土地管理和区域规划提供科学依据。该论文发表在《Land》期刊。
研究人员使用了基于谷歌地球引擎（Google Earth Engine, GEE）云平台的随机森林（Random Forest, RF）监督分类方法。采用的遥感数据包括Landsat 5 TM（2004年）、Landsat 8 OLI/TIRS（2014年）和Landsat 9 OLI/TIRS（2024年）的Collection 2 Tier 1 Level-2地表反射率产品，空间分辨率30米。影像选取时间为每年2月至3月，并通过中值合成生成无云复合影像。训练和验证样本中，2024年参考点通过实地GPS调查获取，2004年和2014年参考点则基于历史Google Earth影像目视解译。分类体系依据Anderson分类系统，划分出建设用地、水体、农田、裸地、森林和沙洲六类。精度评估采用混淆矩阵，计算总体精度、生产者精度、用户精度和Kappa系数。变化检测采用分类后比较法，通过转移矩阵量化类别间转换。
研究结果部分，分六个小节呈现。第一，在土地利用/土地覆盖分析中，研究者对三个年份的LULC地图进行面积统计，发现2004年至2024年建设用地从33.04 km2（0.75%）增至89.00 km2（2.01%），水体从168.58 km2（3.82%）降至153.07 km2（3.46%），农田从2024.25 km2（45.82%）增至2170.99 km2（49.14%），裸地从1203.34 km2（27.24%）降至898.13 km2（20.33%），森林从914.08 km2（20.69%）增至1072.75 km2（24.28%），沙洲面积则先增后减，2024年为34.01 km2。第二，在变化分析中，研究计算了各时段相对变化率，建设用地的相对增幅最大，达169.36%；农田相对增加7.25%；裸地相对减少25.36%；森林相对增加17.36%；水体相对减少9.20%；沙洲相对减少54.44%。第三至第五，通过2004—2014年、2014—2024年和2004—2024年三个时段的转移矩阵分析，研究发现最显著的转换是裸地向农田和森林的转化，农田向建设用地的转换也较为突出。具体而言，2004—2014年，农田转为建设用地38.45 km2，裸地转为森林113.70 km2；2014—2024年，裸地转为农田139.01 km2；2004—2024年累计，裸地转农田188.49 km2，裸地转森林126.35 km2，农田转建设用地51.37 km2。第六，在精度评估部分，三个年份的总体精度分别为96.50%、97.52%和96.08%，Kappa系数分别为0.9519、0.9672和0.9504，表明分类结果具有较高的可靠性。其中森林和水体类精度较高，农田和沙洲类相对存在一定混淆。
在讨论部分，研究人员认为，LULC变化的主要特征是农田和森林面积增加、裸地减少，同时建设用地扩张和水体退缩。农田的净增长是农业扩张与建设用地占用农田之间的平衡结果；森林的增加可能与管理措施或植被恢复有关，但仅凭LULC数据不能区分自然再生与人工造林。水体的持续减少可能反映水文变异和人为压力的综合作用，沙洲的波动则指示河流系统的动态调整。建设用地大量占用农田，可能加剧不透水面增加、径流改变和对农业及水资源的压力。研究还指出，结果受到传感器差异、季节变化和历史参考数据局限性等不确定性影响，但总体上与印度北部地区的土地利用变化趋势一致。研究结论指出，2004年至2024年间，农田仍是主导类别，其面积占比从45.82%增至49.14%；森林从20.69%增至24.28%；建设用地绝对增加55.96 km2，相对增加169.36%；水体从3.82%降至3.46%；裸地从27.24%降至20.33%；沙洲面积波动明显。这些变化主要表现为农田、森林和建设用地扩张，以及裸地和地表水体范围缩减。森林和农田的增加可能与土地管理、农业扩张和植被恢复有关，但具体驱动因素需进一步研究；建设用地扩张和水体减少与人口压力、水文胁迫及社会经济因素的关系也需要更多证据支持。总体而言，研究提供了对研究区LULC时空动态的基于证据的评估，强调持续进行地理空间监测的必要性。未来研究应整合人口、社会经济、气候、水文和政策相关数据，并结合实地观测，以识别变化背后的驱动机制，为可持续土地利用规划和环境管理提供更坚实的基础。
