《Remote Sensing Applications: Society and Environment》：A multitemporal Sentinel-2 framework leveraging machine learning for urban sealing detection across climatic regions
编辑推荐：
城市扩张代表着对陆地生态系统最普遍的人为压力之一，其中土壤密封作为影响水文动态、碳循环和生物多样性的关键过程而出现。尽管其具有环境重要性，但由于与裸土的光谱混淆、景观异质性以及卫星数据可用性的限制，对不透水面的准确且可扩展的检测仍然具有挑战性。为解决这些问题，
城市扩张代表着对陆地生态系统最普遍的人为压力之一，其中土壤密封作为影响水文动态、碳循环和生物多样性的关键过程而出现。尽管其具有环境重要性，但由于与裸土的光谱混淆、景观异质性以及卫星数据可用性的限制，对不透水面的准确且可扩展的检测仍然具有挑战性。为解决这些问题，本研究开发了一种使用归一化Sentinel-2影像绘制土壤密封图的多时相分类框架。本工作的新颖之处在于结合使用了新开发的密封城市指数（SUI）和多时相、多指数特征空间，旨在增强异质环境中不透水面的判别能力。研究使用了六个光谱指数，包括五个既有指标和所提出的SUI，来表征地表材料的光谱响应。这些特征被集成到两个监督机器学习分类器中，即分类与回归树（CART）和支持向量机（SVM），并在谷歌地球引擎（GEE）云平台中实现。该框架应用于三个具有不同气候和形态特征的城市区域，即意大利巴里、美国波士顿和巴基斯坦伊斯兰堡-开伯尔普赫图赫瓦省，以评估分类精度、空间可转移性和季节稳健性。研究分析了包含巴里地区2018-2024年28幅Sentinel-2影像的多时相数据集，以及波士顿和伊斯兰堡地区2020年的代表性季节影像。单个光谱指数在伊斯兰堡、波士顿和巴里的总体精度分别达到86%以上、85%以上和78%以上，所有研究区域的Kappa系数均超过0.68，尽管各地点之间观察到轻微差异。在机器学习框架内组合使用时，分类性能显著提高，SVM始终优于CART，在所有研究区域（巴里、波士顿和伊斯兰堡）的总体精度均超过90%，Kappa值始终高于0.85。结果表明，所提出的SUI有效减少了不透水面与裸土之间的光谱混淆，而多时相方法减轻了季节性变异性，尤其是在冬季条件下。所得框架为高分辨率土壤密封制图提供了一种可扩展、可转移且计算高效的解决方案，支持数据驱动的城市规划和可持续土地管理。
**论文解读：基于多时相Sentinel-2与机器学习框架的跨气候区城市不透水面检测**
**一、研究背景与现存问题**
城市扩张是陆地生态系统面临的最普遍的人为压力之一，显著改变土壤的物理、化学和生物学性质。其中，土壤密封（soil sealing）——即通过混凝土和沥青等不透水材料永久覆盖土壤——对水文平衡、碳循环和生物多样性构成重大威胁（Pr?v?lie, 2021; Scalenghe and Marsan, 2009）。尽管影响累积，但由于数据可用性和分类精度的限制，土壤密封在全球和区域尺度上仍监测不足（Tardieu et al., 2021; Koroso, 2023）。遥感技术，特别是基于卫星影像的技术，已被证明是监测土地利用/土地覆盖（LULC）变化和评估土壤密封的关键手段（Du et al., 2024; Sannier et al., 2024）。欧洲航天局哥白尼计划下的Sentinel-2星座在空间分辨率（10-60 m）、光谱丰富度（13个波段）和重访频率（5天）之间提供了良好平衡，特别适合检测城市扩张和环境退化（Xiong et al., 2025）。然而，准确的impervious surface detection仍受到若干限制：持续云覆盖和影像可用性受限降低了时间可靠性，而密封表面与裸土之间的光谱相似性持续损害分类精度（Gili? et al., 2023; Guan et al., 2021）。现有方法如面向对象影像分析（OBIA）对分割尺度敏感，传统光谱指数如归一化差值建筑指数（NDBI）等大多针对单一表面特征设计，在多指标集成时增加分析复杂性。深度学习如卷积神经网络（CNN）虽具有强大模式识别能力，但计算成本高且需要大量标注数据。因此，迫切需要一种可扩展、可转移、计算高效且对季节变化稳健的城市不透水面检测方法。
**二、研究目的与意义**
为应对上述挑战，本研究旨在开发一种多时相分类框架，利用归一化Sentinel-2影像、六个光谱指数（包括五个既有指标和新开发的密封城市指数（SUI））以及两个监督机器学习算法（CART和SVM），在谷歌地球引擎（GEE）云平台中实现。该框架应用于三个具有不同气候和形态特征的城市区域：意大利巴里（地中海气候）、美国波士顿（温带气候）和巴基斯坦伊斯兰堡-开伯尔普赫图赫瓦省（半干旱气候），以评估分类精度、空间可转移性和季节稳健性。该研究发表于《Remote Sensing Applications: Society and Environment》。该研究的意义在于：通过整合多时相影像和异质地理测试点，评估分类器在广泛环境和光谱条件下的表现，为大规模城市监测提供可扩展、可复制的方法，支持数据驱动的城市规划、气候敏感性发展和土壤资源管理。
**三、研究方法**
研究人员在GEE环境中实施了一个包含四个阶段的分类框架，所有数据预处理和模型实现均通过JavaScript API完成。数据处理流程包括：（1）使用QA60波段和云概率层进行云和阴影掩膜，将20 m波段通过双线性插值重采样至10 m统一分辨率，并选取蓝、绿、红、近红外（NIR）、短波红外1（SWIR1）和短波红外2（SWIR2）六个波段；（2）计算六个光谱指数，包括用于建筑区提取的BLFEI、BRBA、NBI、BUI以及互补性的Fe和研究者提出的SUI，所有指数基于归一化后的10 m分辨率表面反射率计算；（3）采用CART与SVM两种监督分类器，其中SVM使用径向基函数（RBF）核，经实验确定成本参数为10，模型针对每个季节和年度合成分别独立训练，输入特征包括光谱指数和反射率波段；（4）基于混淆矩阵计算总体精度（OA）、用户精度（UA）、生产者精度（PA）和Kappa系数进行评估。训练与验证数据方面，巴里地区采用意大利环境保护与研究机构（ISPRA）的CORINE土地覆盖兼容矢量数据作为参考，人工数字化457个样本点；波士顿由于缺乏官方数据集，采用伪升尺度方法，对Sentinel-2影像进行空间重采样增强后通过目视解译和人工勾绘获得103个参考多边形；伊斯兰堡-开伯尔普赫图赫瓦省区域由COMSATS大学气象部门于2019年7月和10月通过全球导航卫星系统（GNSS）测量采集373个地面实况点。四个目标类别包括密封表面、植被、裸地和水体，数据集按70%/30%随机划分为训练和验证子集。
**四、主要研究结果**
**（1）光谱指数在基于指数的分类方法中的表现**
单个光谱指数分类产生中等至极高性能，OA范围65%-95.45%，Kappa介于0.50和0.91。其中SUI始终排名最强，达到最大OA 95.45%，表明其能有效减少不透水面与裸土之间的光谱混淆；BLFEI和BRBA性能稳定；NBI和BUI变异性较大，对季节性植被动态敏感；Fe指数作为补充指标，性能依赖于局部地表组成。类别特异性分析表明，水体精度最高（UA和PA通常超过90%），裸地是最具挑战性的类别，尤其在巴里和波士顿，与密封表面频繁混淆。
**（2）CART分类精度**
单指数输入下，CART分类的OA在巴里最佳超过86.9%、波士顿91.5%、伊斯兰堡-开伯尔普赫图瓦赫省89.9%，Kappa值均高于0.80。SUI是最可靠预测因子，BRBA在伊斯兰堡-开伯尔普赫图瓦赫省表现优异，BUI和Fe相对不稳定。多指数组合显著提升性能：巴里平均OA 92.36%（Kappa 0.88），波士顿OA介于91.1%-94.1%，伊斯兰堡-开伯尔普赫图瓦赫省OA介于92.4%-93.9%（Kappa 0.89-0.91），类别精度普遍改善。
**（3）SVM分类精度**
SVM单指数分类在巴里OA范围80.6%-97.5%，SUI在多个日期保持最高性能（最高OA 97.4%）。波士顿中SUI和BRBA在2020年2月24日均达96.7%，伊斯兰堡-开伯尔普赫图瓦赫省OA普遍高于90%。多指数SVM配置性能稳定：巴里OA在90.1%-95.2%，波士顿91.2%-94.1%，伊斯兰堡-开伯尔普赫图瓦赫省最高达94.2%（Kappa 0.92）。SUI在类别间保持平衡，Fe和NBI在裸地与密封表面间变异性较大。
**五、讨论与结论**
研究讨论表明，多指数配置比单指数方法更稳定且性能更优，SVM在光谱复杂性增加条件下达到等于或优于CART的表现。SUI通过结合可见光和短波红外波段，有效减少了与裸地的混淆；而裸地是所有研究区域中最难分类的类别，反映了不透水面与非植被土壤间固有的光谱相似性。空间分布图比较显示，多时相多指数机器学习框架显著减少了“椒盐”噪声，在城市边界描绘和城乡过渡带的不透水面识别上具有更清晰的视觉效果。研究承认使用异质参考数据集带来的时间一致性差异、地面实况与卫星影像的时间不匹配以及像素级方法缺乏空间上下文等局限性。未来研究方向包括改进参考数据的时间一致性、整合空间特征或混合方法、优化特征空间以及扩展到更广泛的城市环境。总体而言，该框架利用GEE云平台实现多时相数据集的高效处理，为定期监测不透水面提供了成本效益高、模块化和可复现的工具，支持国际土地退化、城市蔓延和土壤密封监测工作，与欧洲《土壤监测法》（COM/2023/416）和LULUCF法规对协调、空间明确且可复现的土地覆盖数据的目标相一致，为数据驱动的城市规划提供了实用解决方案。
