使用集合机器学习方法在Google Earth Engine中分析孟加拉国Shibchar地区（2002–2022年）土地利用/植被覆盖（LULC）变化的多传感器数据

《Advances in Space Research》：Multi-Sensor Analysis of LULC Change in Shibchar, Bangladesh (2002–2022) Using Ensemble Machine Learning in Google Earth Engine

　　

• •
  在Google Earth Engine中，集成机器学习方法用于映射多时相的土地利用和土地覆盖（LULC）变化。
• •
  所提出的方法实现了超过91%的总体准确率和0.88的Kappa值。
• •
  LULC映射揭示了2002年至2022年间的重大景观变化。
• •
  研究结果支持在三角洲地区进行可持续的土地管理。

引言

土地是一种基本的自然资源，它支持人类生计并提供重要的生态和经济功能。土地利用和土地覆盖（LULC）变化是指由人类活动驱动的地球表面变化（Johnson和Zuleta，2013）。LULC变化的主要驱动因素包括森林砍伐、农业扩张、工业化、城市化和人口增长，特别是在发展中国家（Kleemann等人，2017）。这些变化影响微气候、生物多样性、生态系统以及水文和生态过程，威胁社会经济稳定和可持续生计（Negash等人，2023）。再加上由气候变化引起的灾害，如洪水和极端降雨，生态系统退化进一步增加了农业社区的脆弱性，导致全球范围内的流离失所、失业和粮食不安全（Gondwe等人，2021）。

帕德玛河与贾穆纳河和梅格拉纳河共同形成了高度动态的恒河-布拉马普特拉三角洲，该地区极易受到LULC变化和河岸侵蚀的影响（Hasan等人，2024；Islam等人，2021）。孟加拉国的希布查尔是一个高度动态的三角洲环境，由于帕德玛河、城市扩张和帕德玛大桥的建设，该地区的景观发生了快速变化。湿地减少、洪水模式改变、耕地转换以及河岸侵蚀影响了尼洛基、马德巴雷查尔和班达尔科拉等地区的农业、渔业和当地生计（Roy等人，2024）。然而，这一快速变化地区的空间-时间LULC动态尚未得到充分量化，这突显了系统化LULC绘图以支持可持续土地和水资源管理的必要性。

遥感（RS）技术对于LULC分析至关重要，因为它提供了连续的、多时相的和空间广泛的数据。然而，传统的视觉解释和基于像素的分类方法在处理异质景观和大规模RS数据集时往往遇到困难（Foody，2002）。各种RS传感器包括中分辨率成像光谱仪（MODIS）、卫星观测地球（SPOT）、Landsat和Sentinel-2（Wulder等人，2008；Xiang等人，2005）。其中，Landsat已经提供了超过四十年的连续地球观测数据，具有30米的空间分辨率和16-8天的时间分辨率，支持环境管理和研究所需的详细长期地表监测（Koschke等人，2012）。同样，Sentinel-2图像也被广泛用于土地利用和土地覆盖（LULC）研究（Abida等人，2022）。其高空间和时间分辨率（10米）支持多样化的应用，包括岩石类型测绘、作物类型分类和考古遗迹的检测（Azzari等人，2021；Rangzan等人，2023；Schulthess等人，2023）。

Google Earth Engine（GEE）是一个基于云的地理空间平台，可以整合多源和多尺度的遥感数据用于大面积分析（Kaur等人，2023）。它提供了庞大的全球数据集以及先进的在线可视化和分析工具（Tamiminia等人，2020）。它还提供免费的卫星图像访问，允许用户根据需要过滤、预处理和下载多时相数据。该平台已被广泛用于植被监测、城市制图、地表温度和LULC分析（Rahman等人，2024）。其长期的卫星档案和内置的机器学习算法使其成为制作大规模LULC地图和监测景观变化的重要工具（Parashar等人，2024）。

卫星传感器分辨率、云计算和机器学习的最新进展显著提高了LULC的监测、建模和预测能力（Maxwell等人，2018；Wambugu等人，2021）。机器学习分类器，包括随机森林（RF）、梯度提升树（GBT）、支持向量机（SVM）、K最近邻（KNN）、分类与回归树（CART）和朴素贝叶斯（NB），能够高效处理复杂的高维遥感数据。RF因其集成结构、抗过拟合能力和比CART、NB和SVM更高的准确率而在土地利用变化检测中得到广泛应用（Loukika等人，2021；Pan等人，2022）。相反，GBT通过迭代最小化误差、捕捉复杂模式、处理类别不平衡并提供灵活的正则化进一步提高了分类能力（Pelletier等人，2016）。虽然CART简单但准确率较低，而SVM需要仔细调整，RF可能会忽略微妙的类别差异。这些算法在模拟光谱、时间和空间特征之间的非线性关系方面优于传统分类器（Soe Thwal等人，2019）。尽管RF被广泛使用，但与GBT和集成方法的比较仍然有限，特别是在动态河流环境中。最近，深度学习技术，包括人工神经网络（ANNs）、深度神经网络（DNNs）和深度迁移学习（DTL）的应用不断增加，实现了自动特征学习，并提高了LULC分类的准确性和效率（Alzubaidi等人，2021；Naushad等人，2021）。

尽管机器学习在LULC制图中的应用日益增多，但仍存在一些研究空白。大多数研究集中在近期时期，缺乏长期的多十年分析，而像帕德玛河沿岸的希布查尔这样的易受侵蚀地区的研究仍然有限（Al Kafy等人，2020；Arifeen等人，2021；Hossain等人，2023；Islam和Esraz-Ul-Zannat，2023）。此外，许多研究依赖于单一分类器方法，这可能会限制在异质景观中的鲁棒性（Amindin等人，2024；Kombate等人，2022；Pande，2022）。此外，大多数LULC变化分析强调了增减模式，而稳定和无变化的动态仍然没有得到充分探索（Das和Angadi，2022；Seyam等人，2023）。

本研究通过使用多源卫星数据和集成机器学习技术，评估了2002年至2022年间快速演变的三角洲环境中的LULC变化，以提高分类的鲁棒性（Elmahdy和Mohamed，2023；Wagle等人，2020）。开发了一个全面的转换框架，以量化增减、稳定区域和无变化动态，从而更好地理解土地转换过程。本研究旨在：（i）生成并比较2002年和2022年的基于集成的LULC地图；（ii）使用独立验证数据评估分类准确性；（iii）量化主要LULC类别之间的空间转换；（iv）识别增减、稳定和无变化区域。研究结果为动态三角洲环境中的可持续土地管理、农业保护、水资源规划和气候适应性发展提供了空间依据。

章节片段

研究区域

图1显示了位于孟加拉国马达里普尔县、北纬23.33°、东经90.19°的希布查尔县，该县与马达里普尔萨达尔、蒙希甘杰、沙里亚特普尔和法里德普尔县接壤。帕德玛大桥增强了与达卡及21个西南地区的连通性，加速了城市化和经济活动以及土地利用变化（Morshed和Das，2025）。该地区位于恒河下游泛滥平原，受到帕德玛河、阿里尔·汗河、库马尔河和梅纳卡塔河的影响

使用RF和GBT模型的LULC分类图（2002–2022年）

图3显示了使用RF和GBT模型生成的希布查尔县的LULC分类图。这两种模型识别出了五种土地覆盖类型，包括森林、耕地、水体、休耕地和建成区。区域统计数据总结在表3中。2002年，耕地主导了景观（130.25–132.06平方公里），其次是森林（82.50–82.91平方公里）、水体（46.38–46.90平方公里）、休耕地（22.28–23.73平方公里）和建成区（11.80–12.27平方公里），表明城市化程度较低

LULC分类性能

本研究使用集成机器学习框架在Google Earth Engine (GEE)中，结合Landsat 7（2002年）和Sentinel-2（2022年）图像，为孟加拉国的希布查尔生成了LULC地图。结果显示了高分类性能，两年间的总体准确率均超过91%，Kappa值均超过0.88。由于水体具有强烈的近红外吸收特性，其分类准确率接近完美（100%的精确度（PA）和99%的准确率（UA）（Noi Phan等人，2020；Sawant等人，2023）。森林也是如此

结论

本研究使用Landsat 7和Sentinel-2图像以及Google Earth Engine中的集成机器学习技术，分析了过去二十年希布查尔县的LULC变化。分类的总体准确率超过91%，Kappa系数超过0.88，表明模型表现强劲。结果显示2002年至2022年间发生了显著的土地变化，耕地（减少了27.71平方公里）和森林（减少了8.95平方公里），同时建成区有所增加

未引用的参考文献

参考文献：Guida Johnson和Zuleta，2013；Rouse等人，1972年9月。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或可能影响本文工作的个人关系。

致谢

我要衷心感谢孟加拉国水稻研究所（BRRI）的农业机械和收获后技术（FMPHT）部门一直以来给予的启发和支持。同时，我也感谢美国地质调查局（USGS）和欧洲航天局（ESA）提供卫星图像，以及Google Earth Engine（GEE）在基于云的地理空间分析方面的支持。

数据可用性：数据将根据请求提供。

Md.Mizanur Rahman|Md.Touhidul Islam|Mohammad Kamruzzaman|Md.Golam Kibria Bhuiyan