《Geographies》：CBERS 4A/WPM Image Classification for Mapping Land Use and Land Cover in TCRAs
编辑推荐：
热带恢复区域具有较高的光谱异质性和空间破碎化特征，这使得土地利用与土地覆盖（LULC）分类面临挑战，尤其是在使用中分辨率卫星影像时。尽管光谱混合分析、面向对象影像分析和机器学习方法已被广泛单独探索，但利用免费获取的中巴地球资源卫星4A宽视场全色多光谱（CBER
热带恢复区域具有较高的光谱异质性和空间破碎化特征，这使得土地利用与土地覆盖（LULC）分类面临挑战，尤其是在使用中分辨率卫星影像时。尽管光谱混合分析、面向对象影像分析和机器学习方法已被广泛单独探索，但利用免费获取的中巴地球资源卫星4A宽视场全色多光谱（CBERS-4A/WPM）影像，将其集成应用于环境恢复承诺协议（TCRAs）监测的研究仍然有限。本研究探讨了线性光谱混合模型（LSMM）分量、面向地理对象影像分析（GEOBIA）与机器学习算法的集成是否能够改进巴西圣保罗州TCRAs的LULC分类。研究将全色锐化后的CBERS-4A/WPM影像衍生的光谱、纹理和亚像元属性整合为统一特征数据集，并评估了随机森林、XGBoost、多层感知器和支持向量机分类器的性能。随机森林取得了最佳分类性能，总体精度约为0.66，显示出优于其他测试算法的预测能力。特征重要性分析表明，LSMM衍生的植被和阴影分量对类别判别贡献显著。光谱、空间与机器学习方法的集成为高度破碎化的热带恢复景观中的LULC制图提供了一种可解释且经济高效的框架，为环境监测和恢复评估提供了支撑。
**基于CBERS 4A/WPM影像的TCRA区域土地利用与土地覆盖分类研究解读**
**一、研究背景与意义**
环境恢复已成为缓解生物多样性丧失、气候变化和生态系统退化的全球优先事项，波恩挑战和联合国生态系统恢复十年等国际倡议均对此予以支持。大规模恢复有助于生物多样性保护、碳固存、侵蚀控制、水文调节及生态系统服务的恢复，同时增强景观对环境变化的韧性。在巴西，环境恢复承诺协议（TCRAs）——原称Termos de Compromisso de Recupera??o Ambiental——是根据环境立法建立的法律工具，用于规范退化区域的恢复。在圣保罗州，这些协议规定了强制性恢复行动、实施时间表和监测要求，以确保环境合规性。除法律功能外，TCRAs还通过促进原生植被再生、生物多样性保护、景观连通性、侵蚀控制和退化景观中生态系统服务的恢复发挥着重要的生态作用。
对恢复轨迹的系统监测对于评估恢复成效、量化植被恢复、支持适应性管理和指导环境政策至关重要。然而，热带景观因其高度空间破碎化、光谱异质性以及小空间单元内植被、裸露土壤、城市区域和水体的共存，对遥感应用构成了挑战。这些特征增加了像元混合，降低了类别可分性，并可能降低传统基于像元的分类方法的性能，尤其是在使用中分辨率卫星影像时。在破碎化的热带环境中，单个像元的光谱响应通常代表多种土地覆盖组分的组合，限制了对复杂类别的判别并增加了分类不确定性。
在此背景下，监测高度破碎化的恢复区域需要能够整合来自卫星影像的互补信息（包括光谱、亚像元、空间和纹理属性）的方法。以往研究已分别证明了光谱混合分析、面向对象影像分析和机器学习方法的潜力，但将LSMM衍生的分量、GEOBIA属性和多种机器学习算法整合到统一分类框架中，利用免费获取的中分辨率CBERS-4A/WPM影像进行高度破碎化TCRA区域的LULC分类研究仍然有限。这一研究空白促使研究人员开展集成分类方法研究，以支持环境恢复监测和决策。
该研究发表在《Geographies》期刊上。研究评估了LSMM分量、GEOBIA属性和机器学习算法集成用于巴西圣保罗州TCRAs土地利用与土地覆盖分类的潜力，为热带破碎化恢复景观的LULC制图提供了可解释且经济高效的框架。
**二、关键技术与方法**
研究区域位于巴西圣保罗州，涵盖47个市，主要处于大西洋森林生物群落内。TCRA矢量数据来自圣保罗州环境、基础设施和物流秘书处（SEMIL），参考时间为2025年6月。影像数据为2025年2月至9月期间获取的CBERS-4A/WPM多光谱影像，覆盖轨道/路径组合141/202、142/203和143/204。WPM传感器提供4个8米空间分辨率的多光谱波段（蓝、绿、红、近红外）和1个2米全色波段。研究首先对影像进行辐射和几何校正，然后应用全色锐化处理将多光谱信息与全色波段空间细节融合，生成2米空间分辨率的多光谱影像。随后应用线性光谱混合模型（LSMM）估计每个像元内土壤、植被和阴影的比例。采用面向地理对象影像分析（GEOBIA），使用Orfeo ToolBox 9.1.1（OTB）在QGIS 4.0环境中进行影像分割，分割参数为尺度=10、形状=0.05、紧致度=0.5，生成空间和光谱上同质的影像对象。从影像对象中提取光谱、分量和纹理属性，包括多光谱波段和LSMM分量的最小值、最大值、均值、标准差及第5、25、50、75、95百分位数，共生成了63个属性。特征选择后，将统一特征数据集输入四种监督机器学习分类器：随机森林（RF）、极端梯度提升（XGB）、支持向量机（SVM）和多层感知器（MLP）。RF配置为500棵树；XGBoost学习率为0.1，最大深度为6；SVM使用径向基函数（RBF）核；MLP包含一个含100个神经元的隐藏层。训练集与验证集按约70%和30%划分，仅对训练集进行类别平衡处理，验证集保持原始类别分布。采用总体精度（OA）、F1分数和混淆矩阵评估性能，并应用SHapley Additive exPlanations（SHAP）分析特征重要性。
**三、研究结果分析**
**3.1 TCRA识别与土地利用与土地覆盖图**
TCRA面积统计显示多边形空间尺度差异显著，小型TCRA可能更易受边缘效应和光谱混合影响，而较大区域可能表现出更高的内部同质性。LULC图显示TCRAs空间分布异质，多边形大小、形状和破碎化程度各异。较大的TCRA，尤其是与森林 Formation相关的区域，表现出更连续和同质的覆盖，而较小或更破碎的区域如城市区域、农田和牧场则表现出更大的空间复杂性。这种结构变异性对自动分类构成挑战，如类别间光谱混淆增加和稀有类别在分类器训练中代表性不足。研究通过训练集平衡技术缓解了样本不平衡的影响，但内部异质性更强的类别仍存在性能限制。LSMM与监督分类的集成为类别判别提供了额外的亚像元信息。
**3.2 分类模型精度比较**
随机森林（RF）模型表现出最佳整体性能，精度约为0.66。精度随属性数量（Top-k）的变化呈非线性模式，从k=1时约0.40迅速提升至k≈10时超过0.60，最大性能在k≈30附近达到，之后精度稳定并略有下降，表明增加预测变量带来的判别信息有限。SHAP重要性分析表明，LSMM衍生的属性是最重要的预测因子之一，其中最小植被分量（LSMM_vegetation_min）影响尤为显著。植被和阴影分量对区分森林 Formation特别重要，而水体类别与近红外属性密切相关。城市区域和湿地的SHAP值分布较为分散，反映了这些类别内多种光谱组分的共存。Top-20属性的相关矩阵显示同一变量组内的统计描述符之间存在强关联，表明部分预测因子含有重叠信息。SVM表现最低，可能与特征空间高维性、类别间光谱重叠和研究区域的非线性变异性有关。
分类器比较显示RF和XGBoost实现了最高的总体精度，分别约为0.66和0.63，MLP约为0.62，SVM显著较低约为0.10。RF达到最高精确度（约0.58），XGBoost的Kappa（约0.41）和F1分数（约0.41）最高，SVM尽管召回率较高（约0.43），但精确度较低（约0.24），F1分数仅约0.14，Kappa约0.06，表明SVM在产生可靠的类别分配方面存在较大困难。ROC曲线分析显示，XGBoost模型对Water（AUC=0.99）、Silviculture（0.93）和Crops（0.90）的判别能力最强，而Land-use mosaic和Wetland最低（均为0.67）。类别特定SHAP分析显示，森林 Formation中LSMM分量特别是植被和阴影影响强烈，水体类别由近红外属性主导，Silviculture显示植被相关属性集中，城市和湿地类别SHAP值分散。SHAP依赖图显示LSMM_vegetation_min呈近似单调增加的贡献，而LSMM_solo_p95呈现非线性的反向关系。
**四、结论与讨论**
**讨论总结**：研究结果表明，分类性能不仅取决于预测因子的数量，还取决于其判别价值、互补性和冗余程度。LSMM表征了像元的亚像元组成，GEOBIA纳入了空间和纹理特征，机器学习实现了这些属性的集成用于类别判别。这一组合适用于复杂热带恢复景观的土地覆盖分类。类别不平衡可能影响分类器性能，尽管对训练集进行了平衡处理，但类别层面的性能差异表明该程序不足以完全补偿类别代表性和可分性的变化。基于树的集成模型（RF和XGB）比SVM具有更强的类别判别能力。使用单一训练-验证划分限制了性能变异性评估和统计稳健性，建议未来研究采用交叉验证和空间分层验证。LSMM和GEOBIA属性的集成提供了互补的空间和亚像元信息，特别适用于小空间单元内包含多种植被阶段和土地覆盖配置的TCRA环境。
**研究结论**：本研究评估了线性光谱混合模型（LSMM）分量、纹理属性、面向地理对象影像分析（GEOBIA）和机器学习算法集成用于巴西圣保罗州环境恢复承诺协议（TCRAs）土地利用与土地覆盖（LULC）分类的效果。在评估的分类器中，随机森林实现了最佳整体性能（0.66），其次是XGBoost（0.63）和多层感知器（0.62），而支持向量机表现显著较低（0.10）。水体和森林 Formation表现出更高的类别可分性，而更异质的类别表现出更大的分类不确定性。这些结果表明，结合光谱、亚像元、纹理和面向对象信息可以改善异质和破碎化恢复景观的表征。分类性能受光谱和结构变异性、类别不平衡和景观复杂性的影响。LSMM分量提供了亚像元组成信息，GEOBIA纳入了空间和纹理特征，补充了分类器使用的光谱信息。然而，使用单一训练-验证划分和中分辨率影像限制了结果的统计稳健性和泛化性。从应用角度看，所提出的框架显示出利用免费CBERS-4A/WPM影像支持TCRAs LULC监测的潜力，其互补影像属性和机器学习的结合为表征破碎化恢复区域提供了一种经济有效的方法，支持环境监测和决策。未来研究应评估空间分层交叉验证、时间序列影像、更高空间分辨率数据以及替代机器学习和深度学习方法，以增强异质恢复景观中LULC分类的稳健性和泛化能力。
