克鲁格国家公园及周边区域2005–2025年多时序土地利用/土地覆被动态与机器学习算法比较

《Frontiers in Remote Sensing》：Multi-temporal land use/land cover dynamics (2005–2025) and machine learning algorithm comparison in and around kruger national park

　　

土地利用/土地覆被（LULC）变化检测是理解景观动态和支撑可持续环境管理的基础，尤其在克鲁格国家公园（Kruger National Park）这类生态敏感且跨境的保护区。快速的城市扩张、农业集约化与环境变化加速了景观转型，凸显了准确可靠监测LULC的必要性。研究人员利用多时序Landsat影像与四种机器学习分类器——随机森林（RF）、支持向量机（SVM）、梯度树提升（GTB）和K近邻（KNN）——评估了2005、2015和2025年该区域长期LULC动态，并采用基于RF的转移矩阵量化长期土地覆被转换。结果表明，RF分类器始终优于其他算法，各年份总体精度最高达92%、Kappa系数0.87；GTB与KNN结果满意，SVM表现相对较低。空间分析显示林地/灌木地虽仍占主导，但持续破碎化并转为草地、农用地和裸地；建成区在2005–2015年大幅扩张，农用地增加，水体呈下降趋势，反映水文与环境压力上升。研究证明以RF为代表的集成机器学习可稳健监测异质稀树草原景观，强调持续地理空间监测对生物多样性保护、可持续土地管理及循证环境规划的重要性。

研究背景方面，LULC变化是全球环境变化的关键组分，影响生态系统结构、生物多样性和生物地球化学循环。在撒哈拉以南非洲，稀树草原生态系统对气候变率与人为压力高度敏感；克鲁格国家公园作为非洲大型保护地，其内部及缓冲带仍受土地转型、人口增长与资源开发影响。现有研究多聚焦单期分类或有限算法比较，缺乏长时序多算法系统比对。为此，研究人员在《Frontiers in Remote Sensing》发表研究，开展2005–2025年克鲁格国家公园及周边约59 677.403 km²区域（涵盖南非、津巴布韦、莫桑比克境内大林波波跨境保护区GLTFCA）的多时序LULC制图与变化检测，并系统比较RF、SVM、GTB、KNN四类机器学习算法性能。

关键技术方法上，研究人员以Google Earth Engine为平台，选用Landsat 5 TM（2005）、Landsat 8 OLI/TIRS（2015）、Landsat 9 OLI-2/TIRS-2（2025）地表反射率产品，经LEDAPS与LaSRC大气校正后提取蓝绿红近红外短波红外波段及NDVI、SAVI、EVI、NDBI、NDWI等指数；基于野外GPS点、高分辨率影像与专家解译建立8类LULC（水体、农用地、建成区、林地/灌木地、草地、裸地、天然林、人工林）共1163个样本，按70%训练、30%验证统一划分；在GEE内部署RF、SVM（RBF核）、GTB、KNN四类分类器，以混淆矩阵、总体精度（OA）、Kappa、生产者/用户精度评估，并采用分类后比较法构建2005–2015、2015–2025、2005–2025转移矩阵。

研究结果部分，3.1节分类性能比较显示，RF在三年OA分别为0.92、0.89、0.89，Kappa均为0.87，稳定最优；GTB次之（OA 0.88–0.87，Kappa 0.82–0.85）；KNN再次（OA 0.86–0.84，Kappa 0.79–0.81）；SVM最低（OA 0.73–0.72，Kappa 0.55–0.667）。3.1.2节用户与生产者精度热图表明RF对水体、人工林、农用地及建成区UA/PA多高于0.85，SVM在草地、林地/灌木地、天然林存在明显混淆。3.2节空间分布显示，2005年景观由林地/灌木地主导（RF估31 129.60 km²），农用地与建成区初现于聚落周边；2015年建成区与农用地扩张，KNN估建成区达2 879.91 km²、SVM估林地/灌木地虚高达39 121.10 km²；2025年农用地继续增加（KNN 3 612.99 km²，RF 2 403.34 km²），水体缩减（RF 333.57 km²），裸地减少而草地与天然林在RF/GTB/KNN下净增。基于RF的2005–2015转移矩阵表明林地/灌木地转出至农用地、草地、裸地显著，建成区自农用地与林地转入。

讨论与结论部分，研究人员指出集成方法尤其是RF对异质稀树草原LULC制图具备鲁棒性，SVM因光谱混淆在植被过渡带表现不稳。2005–2025年林地/灌木地渐进破碎化、水体下降、建成区与农用地扩张，印证保护地外 anthropogenic pressure 上升；而公园核心区植被相对稳定，反映管理成效。研究提供的“多传感器Landsat+一致特征集+四算法同样本比对+RF转移矩阵”框架可迁移至同类敏感生态区。结论确认：RF以最高OA（达92%）与Kappa（0.87）成为最优分类器；GTB与KNN满意，SVM较弱；研究区20年间自然植被遭转化、水体承压、人类用地增长，持续地理空间监测是支持生物多样性保护与土地管理的必要手段。