多源遥感工作流（PlanetScope和Sentinel-1/2）应用于哥伦比亚SDERM-CGSM拉姆萨尔湿地的LULCC分析（2016–2024）

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Multi-source remote sensing workflow (PlanetScope and Sentinel-1/2) applied to LULCC analysis (2016–2024) in the SDERM-CGSM Ramsar Site, Colombia

　　

拉姆萨尔湿地“Sistema Delta Estuarino del Río Magdalena Ciénaga Grande de Santa Marta”（SDERM-CGSM）位于哥伦比亚加勒比地区，因其生态和环境价值而具有国际重要地位。然而，可用于支持领土决策的专题制图有限，需要替代方法进行土地覆盖监测和评估。因此，研究人员提出了一种多源遥感方法，整合PlanetScope（PS）、Sentinel-1（S1）和Sentinel-2（S2）卫星数据，对SDERM-CGSM在2016–2024年期间进行土地利用与土地覆盖变化（LULCC）分析。数据处理使用Google Colab（GC）、ArcGIS Pro和Google Earth Engine（GEE）进行。利用基于S2数据的多元线性回归（MLR），为每幅PS影像估算了合成短波红外1（～1610 nm）和红边1（～740 nm）波段，R²值介于0.85和0.96之间。分类流程通过使用遗传算法（GA）进行变量选择，并应用具有三阶段时间交叉验证训练方法的随机森林（RF）模型，实现了92.99%的总体精度（OA）和92.36%的Kappa指数（K）。最后，通过设计和实施方向空间相似性指数（DSSI）进行LULCC诊断，该指数通过考虑所评估土地覆盖之间的比例空间关系，突出分类时间序列中的潜在异常变化。研究人员发现，拉姆萨尔湿地约8%的面积可能对应表现出异常变化的区域。由此，本研究提出了一种利用多源数据进行多时相分析的方法流程，为理解特定地点的土地覆盖轨迹提供了基础输入，为制定领土规划工具提供了初步支持。

论文解读

**研究背景与问题**

SDERM-CGSM拉姆萨尔湿地位于哥伦比亚加勒比地区，是国际重要湿地，拥有丰富的生物多样性和关键生态系统功能。然而，该湿地长期面临自然和人为双重压力，包括土地转化、水流改变、沉积物失衡、侵蚀和海岸挤压等。历史上，水文改变曾导致该区域约70%的红树林在1956至1995年间死亡，系统弹性显著降低。尽管多时相卫星数据日益丰富，但在高动态湿地系统中进行稳健的LULCC监测仍具挑战性。热带沿海环境常受持续云层覆盖、光谱异质性和快速生态转变影响，限制了光学数据的时间连续性和可靠性。此外，多传感器数据整合引入了额外的不确定性。当地决策亟需更新、一致的土地动态信息，而传统分类后对比方法难以绘制研究区内高或低变异性区域。为此，研究人员提出了一种整合多源遥感数据的完整方法流程，旨在对SDERM-CGSM进行2016–2024年的LULCC分析，为领土规划提供支持。

**研究内容与结论**

研究人员构建了融合PlanetScope（PS）、Sentinel-1（S1）和Sentinel-2（S2）数据的多源数据集，利用多元线性回归（MLR）生成PS合成波段，采用遗传算法（GA）进行特征选择，应用随机森林（RF）模型进行分类，并设计了方向空间相似性指数（DSSI）识别异常的覆盖变化。最终分类总体精度（OA）达到92.99%，Kappa指数（K）为92.36%。研究发现约8%的区域可能表现出异常变化。研究成果发表在《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》。

**关键技术与方法**

研究采用的主要技术方法包括：一、基于S2数据，通过MLR为PS影像估算合成SWIR-1（～1610 nm）和RedEdge-1（～740 nm）波段，以弥补PS光谱信息不足；二、应用GA作为包装式特征选择策略，评估39个候选变量，优化分类输入；三、采用RF机器学习算法进行监督分类，该算法对过拟合具有稳健性，能够处理大量数据；四、设计并实施DSSI指数，通过二进制掩膜的空间共现关系量化土地覆盖类别之间的方向性空间相似性。研究中使用的样本来自2018、2021和2024年六个时期的PS影像人工目视解译，共10,800个训练和验证点，均匀分布（每类每学期150个）。研究区域为SDERM-CGSM拉姆萨尔湿地（面积约5,286 km²），分析采用了官方边界并包含2 km缓冲区。

**研究结果**

**合成波段估算**：MLR模型成功估算了PS影像的合成波段。RedEdge-1波段R²介于0.91–0.96，SWIR-1波段R²介于0.85–0.92。RedEdge-1模型表现最佳（2019–1学期R²=0.960，BIAS接近零），SWIR-1模型在2018–2学期表现较优（R²=0.854），但整体误差略高。

**多源数据集**：整合了39个预测变量，包括PS原始波段、S2光谱波段、S1雷达后向散射、两个MLR合成波段以及十个光谱指数。通过双三次重采样生成了10 m/px和4.77 m/px两种空间分辨率的数据集，用于评估分辨率影响。

**RF分类**：GA特征选择优先将变量维度降至17–29个变量（平均22个）。两种分辨率下模型性能均稳定在0.90以上。4.77 m/px分辨率配置以23个变量达到OA=92.34%、K=91.64%，被选为最优方案。阶段二的时间交叉验证中，实验3（验证期2021–1）取得最佳表现，OA=92.99%、K=92.36%。变量重要性分析显示，S1雷达数据（VV_S1、VH_S1、VV_VH_diff_S1）具有最高判别能力。最终分类18幅半年度影像，独立目视验证OA为76%。

**LULCC估算**：通过累积掩膜控制数据缺失像素后，LULCC分析显示：红树林覆盖从约184 km²持续增长至约407.7 km²；其他红树林类别显著减少（从约353.6 km²降至约206.4 km²）；海滩面积呈持续下降趋势（从约26 km²降至约8.9 km²）；作物和草地表现出明显的季节波动，草地始终是面积主导类别（超过1,600 km²）；水体相对稳定（2017年后超过1,100 km²），而水生植被总体呈增加趋势（从约44.5 km²升至最大约404.8 km²）。

**DSSI指数计算与解释**：DSSI矩阵揭示类别间方向性相似性。Waves→Water方向相似性极高（0.96），而反方向极低（0.07），表明波浪是水体内部状态。Bare Soil→Grass（0.88）和Crops→Grass（0.72）表明草本植被是许多类别的反复出现状态。红树林向其他植被形态的相似性（0.61）高于向非植被类别，体现其生态交错带性质。约70%区域表现出中高DSSI值，其中高值类占42.26%，低值类仅占1.73%。DSSI有效识别了约8%的中低相似性区域，作为潜在的异常变化区域。

**讨论与结论**

讨论部分指出，研究提出工作流程成功整合了多源遥感数据，克服了研究区域高分辨率专题制图不足的问题。RF模型的高精度支持其在复杂湿地环境中的可靠性。基于PS影像的分块采样策略平衡了时间代表性和空间分布，但模型在时间序列中段表现最佳，向两端略有下降，表明对训练数据时间分布有一定敏感性。合成波段估算克服了PS传感器光谱局限性，其中RedEdge-1模型保真度较高，而SWIR-1模型在数据离散度较大时需额外验证。GA特征选择有效优化了变量组合，S1雷达数据在变量重要性中占主导，显示结构信息对复杂环境地物判别的价值。空值处理策略确保了区域估算的一致性，但牺牲了部分空间域。LULCC分析显示活跃的系统动态，红树林增加与其他红树林减少相一致，表明结构固化和生态恢复过程。DSSI模式揭示景观的层级和方向性组织，其低值可能同时代表真实土地覆盖动态和分类误差，需结合独立验证指标综合分析。

研究结论部分（翻译）：
“Sentinel-1（S1）、Sentinel-2（S2）和PlanetScope（PS）数据的整合被证明是监测复杂湿地（如SDERM-CGSM拉姆萨尔湿地）的有效策略。使用遗传算法（GA）进行特征选择和随机森林（RF）进行分类，实现了92.99%的总体精度（OA）。该流程优化了数据维度，并使模型具有时间可转移性，从而能够监测2016年至2024年的历史时期，并减少对每年详尽实地数据的依赖，这对于难以进入的区域至关重要。通过多元线性回归（MLR）为PS生成合成RedEdge-1和SWIR-1波段（R²介于0.85和0.96之间），克服了传感器的光谱限制。4.77 m/px数据集的优越性能证实了高空间分辨率与来自S1的结构雷达信息相结合，改善了对相关类别（如不同红树林状态和水生植被）的判别，这些类别在较粗空间分辨率下经常被混淆。方向空间相似性指数（DSSI）超越了传统的变化检测方法，揭示了景观的层级组织。约70%的区域表现出中高空间一致性，DSSI表明系统总体稳定。然而，其最相关的贡献在于能够识别近8%的中低相似性区域，作为异常检测工具，区分真正的生态转变和异常模式或方法上的不一致。这凸显了分类质量以及在时间分析中正确处理累积误差的重要性。”