加纳普拉河流域受采矿影响区域基于多光谱观测的土地覆盖变化前向时间预测：一种空间面板学习方法

《Remote Sensing Applications: Society and Environment》：Forward temporal forecasting of land-cover transitions from multispectral observations in mining-influenced zones of the Pra River Basin, Ghana: A spatial panel learning approach

　　

## 摘要

加纳普拉河流域(Pra River Basin)采矿业扩展导致了快速且异质的景观变化，日益增长的需求在于开发能够预判土地覆盖转变的方法，而不仅仅是在变化发生后进行记录。然而，短期预测仍受到空间不一致观测、预测不确定性整合有限以及模型可解释性不足等问题的制约。为应对这些挑战，本研究开发了一种前瞻时间建模框架，该框架整合了空间面板对齐、光谱交互分析和概率机器学习方法，用于该流域采矿影响区的土地覆盖转变预测。对2022至2024年间获取的Landsat 8影像进行网格聚合，得到了一个空间一致的包含2100个时间匹配网格单元的面板。随后使用皮尔逊相关矩阵和图形拉索(Graphical Lasso)偏相关网络对土地覆盖类别的光谱结构进行了分析，为评估各类别及观测时段间光谱关系稳定性提供了依据。在此基础上，采用随机森林分类器从光谱特征和前序类别信息中预测后续土地覆盖状态。采用严格的时序验证方法——以2022–2023转变期作为训练集，以独立的2023–2024转变期作为测试集——对时间分离条件下的前瞻预测性能进行了评估。模型在2024年的平均预测置信度达到0.892，基于熵的不确定性分析表明大多数预测的模糊性较低（平均熵=0.176），仅有1.8%的观测超过高不确定性阈值。SHAP（Shapley加性解释）分析识别出植被敏感指数和短波红外波段为重要预测因子，光谱交互分析揭示了矿区中Band 6与Band 7之间存在的持续耦合关系。将模型应用于后续的2025年时期，预测熵适度增加（均值=0.218；高不确定性比例=3.61%），表明一年期前瞻预测的不确定性更大。研究结果表明，土地覆盖观测的空间一致时间表示能够支持可靠的短期转变预测，同时保留预测置信度和特征贡献的信息。通过将时序验证与可解释性和不确定性感知的预测相结合，该框架为区分高置信度预测转变与需要进一步调查的区域提供了更具信息量的基础。这一能力加强了中分辨率卫星观测在前瞻性土地覆盖评估中的应用，并为优先开展采矿影响型热带景观的环境监测提供了实用依据。

## 引言

理解土地利用和土地覆盖变化的动态模式已成为地球观测领域的核心研究优先事项，特别是在因资源开采而经历快速环境变化的地区。采矿业活动以及相关的基建开发和城市扩张，已被公认为景观变化的重要驱动力，其已记录的影响包括森林覆盖减少、水体改变以及在不同地理背景下农业用地的转化（Bhakat et al., 2025; Sholo et al., 2025）。加纳的普拉河流域(PR B)代表了此类相互交织的环境和人为压力的典型案例，其中手工和工业采矿活动已逐步重塑了土地覆盖类别的空间格局并促成了复杂的转变模式（Boakye et al., 2020; Obodai et al., 2019; Awotwi et al., 2018）。然而，在数据受限的热带环境中监测、建模并最终预测这些土地覆盖动态的能力在方法论上仍然有限。尽管回溯性变化检测已被广泛应用，但附带明确预测不确定性信息的短期前瞻土地覆盖转变预测却相对较少受到关注。因此，本研究旨在回答以下问题：如何利用中分辨率卫星观测数据开发一个鲁棒的、可解释的、且具有不确定性感知能力的框架，用于数据受限的热带集水区中的短期土地覆盖转变预测？

遥感技术长期以来一直是土地覆盖评估的主要数据来源，其提供的综合覆盖范围和可重复观测使得能够监测跨多个时间尺度的景观变化（Bozali, 2026; Sangeetha and Agilandeeswari, 2025）。中分辨率卫星影像日益增加的可获得性，结合计算分析技术的进步，促进了复杂分类和土地覆盖变化方法的发展。然而，将卫星观测转化为时间一致且空间明确的土地覆盖轨迹仍然具有挑战性。从不同传感器或不同获取条件下获得的多时相数据集，可能在光谱响应、几何对齐和时间采样方面表现出不一致性，使得建立不同观测日期之间的直接对应关系变得复杂（Dumeur et al., 2025）。当土地覆盖观测数据源自独立解释或空间采样的数据时，这些挑战尤为重要，因为空间配准误差可能掩盖真实的时序转变或引入虚假变化。在采矿影响的景观中，由于快速且空间异质的扰动，问题更为复杂，这会产生具有重叠光谱特征的过渡性地表。

预测能力有限的环境管理后果具有重要意义。在没有后续土地覆盖转变可能方向的信息的情况下，环境评估主要停留在回溯阶段，提供已发生变化的证据，但对于预测进一步转变可能出现的地点却提供有限的指导。在普拉河流域，采矿和其他人为活动已与大规模土地覆盖变化以及水文和水文地质过程的变化相关联（Boakye et al., 2022; Awotwi et al., 2019; Awotwi et al., 2018），仅靠回溯性制图为优先安排未来监测和实地验证提供的信息有限。前瞻能力可以补充历史评估，通过识别转变更可能发生的区域，以及指示预测不确定程度足以需要额外调查的地方。在快速变化的景观中，环境管理资源有限且无法在所有地点同等强度地实施监测时，此类信息尤其相关。

多种方法已被应用于土地覆盖动态建模，包括元胞自动机-马尔可夫模型和机器学习方法。例如，普拉河流域近期的研究将Landsat观测与机器学习和CA-Markov建模相结合，以刻画历史土地覆盖变化并预测未来土地覆盖情景（Agbenorhevi et al., 2024）。此类基于情景的方法为长期景观轨迹提供了有价值的信息，但它们与短期转变预测有所不同——后者使用先前时期的观测数据在严格时间分离条件下预测后续观测时期。更广泛地，基于机器学习的LULCC（土地利用和土地覆盖变化）建模综述已识别出时空转变过程的表征以及训练数据的可获得性和一致性作为持续存在的挑战（Wang et al., 2024b; Wang et al., 2024a）。随机森林分类器在土地覆盖分类中表现出强大的性能，因为它们能够表征非线性关系并容纳异质预测变量（Belgiu and Dr?gu?, 2016）。然而，强大的分类性能本身并不能建立模型是否能推广到真正未来的观测时期。此外，传统分类指标关于预测置信度的空间变异性信息有限。基于概率的不确定性度量可以通过识别竞争土地覆盖状态获得相似预测概率的位置来补充总体精度评估（Valle et al., 2023; Shadman Roodposhti et al., 2019）。

可解释性是机器学习环境应用的另一考量因素。仅凭预测性能不能确定哪些光谱特征对模型决策的贡献最大，特别是在植被、裸土、采矿面、农业用地和局部受扰动区域可能表现出重叠光谱响应的异质景观中。可解释机器学习方法（如SHAP）提供了一种量化单个预测因子对模型输出贡献的途径（Lundberg et al., 2020; Lundberg and Lee, 2017）。互补的光谱依赖性分析可以通过检查各土地覆盖类别内部及不同观测年度之间光谱波段与衍生指数之间的关系，为预测变量空间的统计结构提供额外信息。此类分析有助于确定用于区分土地覆盖类别的光谱关系是否随时间保持稳定，从而支持对后续转变建模的解释。

本研究通过开发和评估一种整合空间面板对齐、光谱交互分析、概率机器学习、模型解释和不确定性量化的前瞻时间建模框架来填补这些空白，用于预测普拉河流域采矿影响区的土地覆盖转变。该框架做出四项相关贡献。第一，通过将独立数字化点观测聚合到公共网格单元中，建立了空间一致的时间面板，从而在减少原始观测中位置不一致的同时实现时间比较。第二，使用皮尔逊相关和图形拉索偏相关网络表征光谱关系的统计结构及其时间稳定性，为土地覆盖区分所依赖的光谱特征空间提供互补评估。第三，利用前序观测时期信息开发随机森林转变模型，并通过严格的时序验证评估其预测能力——以2022–2023转变期为训练基础，以独立的2023–2024转变期为评估对象。第四，将基于SHAP的特征归因与基于熵的不确定性分析相结合，以检查模型决策背后的预测因子并识别预测置信度的空间变异。因此，该框架通过将前瞻转变预测与可解释和具有不确定性感知的模型输出相结合，扩展了传统的回溯性土地覆盖评估。

本研究的具体目标如下：

i. 建立一个空间一致的多年度土地覆盖观测面板，并检查土地覆盖类别之间光谱关系的时间稳定性；

ii. 开发并验证一个随机森林模型，用于利用光谱特征和先前土地覆盖状态进行一步前置的土地覆盖转变预测；

iii. 使用基于模型的可解释性分析识别对转变预测贡献的主要光谱变量；

iv. 量化预测不确定性的空间变异，并生成2025年的一年期土地覆盖预报。

请注意，这些目标直接源于已识别的方法论问题：不一致的空间对应限制了可靠的时序转变分析，总体分类指标不能完全描述单个预测的可靠性，而缺乏解释的预测关于模型决策背后光谱特征的信息有限。

本研究与环境管理 agencies、流域管理局、土地利用规划师以及关注采矿相关景观转型的研究人员相关。所得预报可以补充回溯性监测，帮助识别土地覆盖转变更可能发生的地点，同时不确定性估计可以区分预测高度确定的区域与需要额外实地验证或更高分辨率观测的区域。因此，该框架旨在作为决策支持方法，而非替代基于实地调查的环境评估。其应用于普拉河流域也与可持续发展目标6相关——通过改进的环境信息支持集成的土地和水资源管理——以及与可持续发展目标15相关——通过改进的陆地生态系统和土地覆盖转型监测（Water et al., 2018; Assembly, 2015）。在大陆层面，本研究与非洲联盟2063年议程愿景1，特别是目标7一致，该目标强调环境可持续和气候适应型经济与社区以及生物多样性、森林、土地和水的可持续管理（Union, 2015）。更广泛地说，该框架为数据受限的热带环境中预测性土地覆盖建模方法的发展做出了贡献，在这些环境中，空间一致的观测数据和具有不确定性感知的预测仍然是重要的方法论挑战。

本文其余部分组织如下。第2节描述研究区域及其环境背景。第3节详细说明卫星数据、预处理程序和光谱指数的推导。第4节呈现方法论框架，包括土地覆盖类别定义、类别平衡、光谱交互分析和转变建模。第5节报告时序验证、特征贡献分析和不确定性量化的结果。第6节结合现有研究讨论研究结果及其对环境监测的意义。第7节以主要贡献的总结和未来工作方向作为结论。

## 小节摘要

### 研究区域

普拉河流域是加纳南部的主要沿海集水区之一，向南流入几内亚湾，面积约为23,256.4平方公里。该流域横跨阿散蒂(Ashanti)、东部(Eastern)、西部(Western)和中部(Central)行政区域的部分地区，大致位于北纬5°00′至7°30′、西经0°30′至2°30′之间。从水文角度看，该流域由普拉河(Pra)、比里姆河(Birim)和奥菲河(Offin)相关的三个主要子流域组成，共同构成一个广阔的……

### 卫星数据

本研究的实证基础依赖于Landsat 8卫星获取的多光谱观测数据，该卫星自2013年起投入运行，搭载操作型陆地成像仪(OLI)和热红外传感器(TIRS)。本研究选择Landsat 8是因为其连续的获取记录、适合景观尺度评估的适中空间分辨率，以及通过公共档案馆可获得的良好标定数据产品。

具体而言，土地覆盖类别定义：本研究采用的分类方案包含与普拉河流域环境动态相关的六类土地覆盖类别。第0类对应水体，包括河流、水库和常年河流。第1类代表建成区，涵盖居民点、基础设施和交通网络。第2类指代活跃矿区，其特征为裸露土壤、开挖区域以及与手工采矿和工业采矿相关的尾矿库。时间验证性能：过渡模型的预测性能通过严格的时间验证程序进行评估，其中随机森林分类器使用2022—2023年过渡期的观测数据进行训练，随后在独立的2023—2024年数据集上进行测试。时间验证比传统的随机交叉验证构成了更为严格的评估框架，因为模型必须实现跨时间泛化，而非跨随机划分样本泛化。这一方法表明，讨论部分：本研究的成果提供了关于普拉河流域受采矿影响景观中光谱动态、土地覆盖过渡以及基于机器学习的预测可靠性的若干见解。通过将光谱相互作用分析、过渡建模和不确定性诊断结合在空间一致的面板框架内，分析揭示了物理地表过程如何在多光谱观测中表现出来，以及这些信号如何被加以利用。结论部分：本研究开发了一个前瞻性时间框架，用于分析和预测普拉河流域受采矿影响景观中的土地覆盖过渡。该框架整合了空间面板对齐、光谱相互作用分析、概率机器学习、模型解释和不确定性量化，以解决数据受限的热带环境中多时相遥感分析所面临的若干方法论挑战。该方法能够直接进行……贡献声明：Kow Ahor Essel-Yorke：撰写——初稿、可视化、正式分析、数据整理、概念构思。Theophilus Ansah-Narh：撰写——初稿、软件、项目管理、方法论、正式分析。P?nar Pamuk?u Albers：撰写——审阅与编辑。Joseph Bremang Tandoh：撰写——审阅与编辑、资源、调查。Benjamin Kofi Nyarko：撰写——审阅与编辑、监督。伦理声明：本研究完全基于遥感卫星数据和公开可获得的环境数据集，不涉及人类受试者、动物或敏感个人数据。所有数据来源均按照相关准则和许可协议使用。作者声明本研究的进行不存在任何伦理问题。利益冲突声明：作者声明不存在任何已知的竞争性经济利益或个人关系，这些因素可能影响本文所报道的工作。致谢：作者衷心感谢匿名审稿人提出的富有洞察力的评论和建设性建议，这些建议极大地改进了本手稿。本研究的全部支持由GSSTI高性能计算设施提供的计算资源提供。Kow Ahor Essel-Yorke | Theophilus Ansah-Narh | P?nar Pamuk?u Albers | Joseph Bremang Tandoh | Benjamin Kofi Nyarko | 加纳空间科学与技术研究所，加纳原子能委员会，邮政信箱LG 80，阿克拉，加纳。