柬埔寨2000–2020年土地利用/覆被变化制图及其关联预测因子：基于Landsat的SVM分类与随机森林分析

《Frontiers in Environmental Science》：Mapping land-use/land-cover change and associated predictors in Cambodia from 2000 to 2020: Landsat-based SVM mapping and random forest analysis

　　

摘要 引言： 柬埔寨的土地利用/覆被（LULC）变化对湄公河下游地区的森林保护与土地管理具有重要意义。 方法： 本研究利用Landsat TM/ETM+/OLI影像、监督支持向量机（SVM）分类、分类后转移矩阵及随机森林（RF）预测因子重要性分析，描述了三个全国性LULC快照期（2000年、2010年和2020年）之间的制图变化。 结果： 制图结果显示，耕地面积从2000年的57,972.40 km2增加到2020年的71,281.39 km2，而林地/森林面积则从103,756.88 km2减少到89,428.94 km2。2000–2020年间最大的制图转变路径是林地/森林转为耕地（13,426.25 km2）。由于水体和人造地表/不透水面两个类别在可用的2020年验证矩阵中的F1分数均为0，因此排除了对这两类转变的实质性解释。人类足迹、地形和生态系统生产力在RF模型中排名最高，这表明的是特定模型的预测因子关联性，而非因果效应。 讨论： 本研究在国家尺度上提供了一个经验性综合，涵盖了制图转变、预测因子排序和类别特定的精度约束。三个快照期无法解析连续的土地系统轨迹，且未经校准的适宜性表面应被视为探索性可视化结果，而非经过验证的管理分区依据。

论文解读：柬埔寨2000–2020年土地利用/覆被变化及其关联预测因子研究

一、研究背景与目的

柬埔寨地处湄公河下游地区，其土地利用/覆被（LULC）变化对于区域森林保护和土地管理至关重要。已有国家尺度的证据表明，2000至2020年间，柬埔寨经历了显著的耕地扩张和森林减少，同时不透水面大幅增加。尽管已有研究探讨了柬埔寨的LULC变化，但仍缺乏一项将转变面积、自然与人为预测因子的重要性排序以及类别特定的精度约束整合在同一框架内的国家尺度综合分析。因此，本研究旨在实现两个目标：（1）绘制并量化柬埔寨的LULC组成、各类别面积变化及主要的分类后转变；（2）评估与制图LULC格局和林地/森林向耕地转化适宜性相关的自然与人为预测因子的相对重要性。

二、研究方法

研究人员采用的主要关键技术方法包括：

1. 1.
   监督支持向量机（SVM）分类：利用经过预处理（辐射定标、大气校正、几何校正等）的Landsat TM/ETM+/OLI影像，通过SVM算法对2000、2010和2020年三个时期的LULC进行分类，区分出耕地、林地/森林、草地、湿地、水体和建成区/不透水面六大类。
2. 2.
   分类后转移矩阵分析：将三个时期的LULC分类图导入ArcGIS进行栅格交叉制表，定量计算2000–2010、2010–2020和2000–2020各时段内各类别之间的转移面积，并识别主导的转变路径。
3. 3.
   随机森林（RF）预测因子重要性分析：选取全球人类足迹（GHF）、地形/高程（TERRAIN）、总初级生产力（GPP）、坡度、人口密度（DP）、电力消耗（EC）、净初级生产力（NPP）、年均降水量（MAP）、年均温（MAT）和VIIRS夜间灯光（NTL）共十个预测因子，构建多类别RF模型（以LULC类别为响应变量）和转变特异性RF模型（以林地/森林向耕地转变为正样本），评估各预测因子的相对重要性，并生成探索性的转化适宜性分布图。

三、研究结果

3.1 土地利用变化的时空分析

• •
  LULC面积变化：制图结果显示，耕地面积显著增加，从2000年的57,972.40 km²增至2020年的71,281.39 km²，增幅达22.96%；而林地/森林面积则大幅下降，从103,756.88 km²减至89,428.94 km²，降幅为13.81%。草地面积减少10.92%，湿地面积增加8.64%。由于水体和人造地表在2020年验证矩阵中F1分数为0，其面积变化不被视为可靠结果。
• •
  转变路径：2000–2020年期间，最大的制图转变路径是林地/森林转化为耕地，面积达13,426.25 km²，林地/森林是主要的供体类别，耕地是主要的受体类别。其他主要路径包括林地/森林转草地、草地转林地/森林、草地转耕地等。值得注意的是，2010–2020年间的制图变化面积（19,140.42 km²）远大于2000–2010年（9,041.53 km²），表明后期变化速率加快。

3.2 分类精度与关联预测因子

• •
  分类精度：2020年LULC图的总体精度为75.1%（Kappa系数=0.512）。林地/森林的分类效果最好（F1分数=0.83），其次是耕地（F1=0.70）和湿地（F1=0.56）。草地分类效果极差（F1=0.01），而水体和人造地表的F1分数均为0，表明这两个类别在该分类体系中未能得到有效识别。
• •
  预测因子重要性：RF模型输出的归一化重要性权重和节点纯度指数显示，全球人类足迹（GHF）、地形/高程（TERRAIN）和总初级生产力（GPP）构成了重要性最高的第一梯队；坡度、人口密度（DP）和电力消耗（EC）构成第二梯队；净初级生产力（NPP）、年均降水量（MAP）和年均温（MAT）构成背景层。这些结果是模型内部的相对排序，不代表因果效应。

四、讨论与结论

讨论部分总结：

本研究的制图结果与先前关于柬埔寨耕地扩张和森林退化的研究在方向上一致，但在具体数值上存在差异，这归因于数据集、类别定义和研究范围的差异。RF分析揭示的人类活动、地形和生态系统生产力是高关联度的预测因子组，但这仅是描述性关联，不能推断因果关系。分类精度的巨大差异（尤其是水体和人造地表类别完全失效）强调了类别特定验证的重要性。研究中生成的林地/森林向耕地转化的适宜性分布图是一个探索性可视化结果，因其原始数据包含单位区间外的值，且未经独立校准，故不能作为概率或管理阈值使用。

研究结论翻译：

本研究比较了2000、2010和2020年的全国LULC快照，并结合了分类后转变总结与探索性RF预测因子重要性分析。制图结果显示，耕地从57,972.40 km²增加到71,281.39 km²，而林地/森林从103,756.88 km²减少到89,428.94 km²。2000–2020年间最大的制图转变路径是林地/森林转为耕地（13,426.25 km²），这表明林地/森林是主要的制图供体类别，耕地是主要的受体类别。由于水体和人造地表在2020年验证矩阵中的F1分数均为0，因此排除了对这两类转变的实质性结论。人类足迹、地形和生态系统生产力在存档的RF摘要中排名最高，但这些是模型特定的关联性而非因果效应，且未证明其对共线性具有稳健性。本研究的贡献在于提供了一个谨慎的国家尺度综合，涵盖了制图变化、预测因子排序和精度约束，但它并未解析连续的土地系统过程。季节性和水文差异仍未量化，遗留的适宜性分布图及其可视化截断值并非经过验证的概率或管理阈值。