基于遥感与机器学习的土地覆盖分类及变化检测:以斐济西部为例

《Advances in Space Research》:Landcover classification and change detection using remote sensing and machine learning: A case study of Western Fiji

【字体: 大 中 小 】 时间:2026年03月16日 来源:Advances in Space Research 3.2

编辑推荐:

  作为一个发展中国家,斐济正面临快速城市化,其表现为包括住房与道路在内的大规模土木开发项目。在本研究中,研究人员提出了一个基于机器学习的框架,利用遥感数据分析斐济纳迪(Nadi)2013年至2024年的土地利用与土地覆盖变化。研究采用研究区域的Landsat 8

  
作为一个发展中国家,斐济正面临快速城市化,其表现为包括住房与道路在内的大规模土木开发项目。在本研究中,研究人员提出了一个基于机器学习的框架,利用遥感数据分析斐济纳迪(Nadi)2013年至2024年的土地利用与土地覆盖变化。研究采用研究区域的Landsat 8卫星影像,并构建带标注的训练数据集以进行监督式机器学习。研究人员使用Google Earth Engine(GEE)以及经由K-means聚类实现的无监督机器学习生成土地覆盖图。研究进一步采用卷积神经网络(CNN)并与传统机器学习模型进行比较,以对选定区域的土地覆盖类型进行分类。研究给出了变化检测的可视化结果,突出展示城市区域随时间的变化,以监测地图变化。结果表明,CNN模型在分类性能方面与其他机器学习模型表现相近(F1-score为0.96),但经定性分析验证,其对城市区域开发过程的刻画更优。本研究证实,纳迪经历了快速城市化进程,且其扩张呈向外蔓延态势,并侵占了甘蔗农场。
该文发表于《Advances in Space Research》,围绕斐济西部纳迪地区土地利用/土地覆盖变化(LULCC)的长期遥感监测展开,重点关注快速城市化背景下城市扩张的识别、分类与时序演变。研究背景在于,斐济作为南太平洋发展中国家,近年来在旅游业带动、基础设施建设推进以及产业结构由制糖业向旅游业转移的共同作用下,土地开发活动显著增强。纳迪作为维提岛西部的重要城镇,既拥有国际机场和旅游核心区,也保留了大面积甘蔗种植及农业用地,因此成为观察城市扩张与农业景观替代过程的典型区域。现有问题主要体现在三个方面:其一,针对斐济尤其是纳迪地区的LULCC定量研究和长期时序制图相对有限;其二,光学遥感在热带海岛地区易受云和霾干扰,影响多时相地表信息提取;其三,仅凭常规精度指标难以充分反映土地覆盖图在复杂地表条件下的真实判别质量,尤其是城市建设用地、裸地和农业地之间存在光谱混淆。基于上述问题,开展一项结合遥感、监督学习与无监督学习的系统研究,具有为区域土地利用管理、城市扩张监测与后续空间规划提供技术支撑的重要意义。

研究人员构建了一个综合性的机器学习分析框架,对2013—2024年纳迪地区土地覆盖分类与城市扩张进行识别。研究基于Landsat 8 Operational Land Imager(OLI)多光谱影像,利用Google Earth Engine(GEE)进行数据预处理,包括云/云影掩膜、年度中值合成以及多时相影像统一输出;在特征层面,除7个光谱波段外,还计算归一化植被指数(NDVI,反映植被覆盖与健康状况)、归一化水体指数(NDWI)/改进型归一化水体指数(MNDWI)与归一化建设用地指数(NDBI),以增强不同地物类别间的光谱可分性。在分类体系方面,研究以欧洲联盟土地利用/覆盖区域框架调查(LUCAS)方案为基础,结合研究区中分辨率影像特征与实际地貌情境,最终设定城市区域、草地/农业用地、森林、裸土、水体、海岸带和湿地7类土地覆盖。研究还通过人工判读GEE高分辨率历史影像构建监督学习所需标签样本,以支撑模型训练与测试。

在方法实施上,研究同时引入无监督学习和监督学习进行对比。无监督部分采用K-means聚类,用于在GEE环境下完成多类土地覆盖初步分类;监督学习部分则分别构建随机森林(Random Forest)、多层感知机(MLP)和卷积神经网络(CNN)模型。研究将原始影像切分为9 × 9像素图像块(chip),使模型不仅利用单像素光谱信息,而且能够结合局部空间上下文。研究人员通过样本规模实验比较不同训练样本数对分类效果的影响,最终选取1750个样本作为较优规模,即每类175个训练样本与75个测试样本;其中海岸带样本因天然狭窄而相对稀少,采用上采样方式平衡数据。模型评估则采用10折交叉验证,以Accuracy、Precision、Recall和F1-score对分类结果进行量化检验,并结合混淆矩阵、ROC-AUC曲线与制图结果开展定量—定性联合分析。

就研究结论而言,研究人员发现,随着样本量增加,CNN分类性能持续提升,说明训练样本规模对复杂土地覆盖识别具有显著作用。在监督模型比较中,MLP、随机森林和CNN的总体分类指标十分接近,三者的F1-score均处于较高水平;其中CNN平均Accuracy为0.9697,平均F1-score为0.9639,虽然数值上未显著超过其他模型,但在土地覆盖图的空间表达和城市边缘开发区的识别上表现更优。与之相比,K-means聚类容易高估城市面积,尤其在内陆和山地地区将烧蚀裸地、红色土壤等误分为城市区域,显示无监督方法在缺乏先验标签约束时难以稳定处理复杂地表光谱混杂。研究因此认为,仅依赖Accuracy或F1-score并不足以保证制图结果在空间上真实可靠,尤其当同一地类内部存在材料差异、颜色差异和开发阶段差异时,更需要结合地图可视化和定性判读进行综合评价。

在变化检测方面,研究基于CNN分类结果构建了2014—2024年纳迪土地覆盖图和城市扩张图,直观呈现城市区域的时序演变。结果表明,纳迪在研究时段内总体呈现快速城市化趋势,扩张形态表现为沿既有城市边缘向外扩展,而非孤立式跳跃增长。城市增长最明显的区域位于纳迪城区及靠近海岸线地带,这一过程伴随着草地/农业用地显著减少,反映出传统甘蔗农业景观正被居住和建设用地逐步替代。研究还观察到,靠近山地的农村区域裸地面积有所下降,而纳迪湾的红树林湿地区域自2016年以来也逐步被城市建设侵占。按年度面积统计,城市面积在多个年份出现波动,但总体上较研究初期明显扩大,说明该区土地开发进程具有持续性和扩张性。论文据此确认,纳迪的城市化不仅速度较快,而且空间上沿既有建成区周边持续外推,展现出明显的边缘蔓延特征。

用于开展本研究的主要技术方法可概括为以下几类:首先,基于Google Earth Engine(GEE)的Landsat 8 OLI年度影像预处理,包括利用QA_PIXEL波段进行云和云影剔除,并通过一年时间窗的中值合成降低云污染;其次,构建多源光谱—指数特征集,联合7个光谱波段与NDVI、NDWI/MNDWI、NDBI等指数增强类别可分性;再次,采用人工判读历史高分辨率影像建立监督训练样本,并以9 × 9像素图像块生成空间上下文输入;最后,使用K-means、随机森林、MLP和CNN开展分类建模,并通过10折交叉验证、混淆矩阵、ROC-AUC和时序变化制图进行评估与比较。样本来源为研究人员基于GEE高分辨率历史影像人工选取和标注的地面真实值近似样本。

以下结合论文结果部分的小标题,对主体发现作进一步浓缩解读。

3.1. Data Selection
该部分主要讨论训练样本规模对分类结果的影响。研究人员分别测试了490、700、1050、1400和1750个样本的CNN分类表现,结果显示随着样本量增加,Accuracy、Precision、Recall和F1-score总体持续提高。尤其在1750个样本条件下,CNN测试集Accuracy达到0.9943,F1-score达到0.9949,制图结果在城市区域的识别上也最接近人工参考图像。该结果说明,中等分辨率遥感影像下的复杂城郊地类识别对样本多样性具有较强依赖,尤其城市区域内部异质性高,若样本不足,难以充分刻画其光谱和空间变异。研究据此最终确定每类175个训练样本与75个测试样本的配置,并指出海岸带样本因空间狭窄而较难充分采集。

3.2. Model comparison
该部分对三种监督学习模型进行系统比较。按10折交叉验证结果,MLP取得最高平均Accuracy,随机森林与CNN表现接近;但若综合Precision、Recall与F1-score,三者总体差异很小,说明在本研究设定下,不同监督学习模型均可实现较高精度分类。混淆矩阵分析显示,海岸带与湿地类别识别较稳定,而草地/农业用地、森林和水体之间更容易出现混淆。此外,城市区域与裸土之间也存在误分,尤其在山地区域,由于裸土与建设用地具有相似反射特征,增加了分类难度。该部分结论强调,单一数值精度并不能完全解释地图质量,必须结合类别间混淆特征和地理空间分布进行解释。

3.3. Analysis of Maps
该部分通过地图对比揭示不同方法在空间表达上的差异。K-means聚类明显高估城市面积,并在东部山地和内陆地区产生碎片化城市斑块,说明其难以准确区分裸土、烧蚀地表与真正的建成区。监督学习模型在裸土与草地/农业用地的分离上表现较一致,且能够较好识别稠密建成区、海岸带以及复杂小尺度地物格局。尽管三种监督模型的F1-score相近,研究人员基于制图质量的定性分析,最终选择CNN用于后续年份土地覆盖分类,原因在于CNN能够通过空间上下文学习提高城镇扩张边界和开发带的刻画能力。基于CNN结果生成的城市扩张图进一步证明,2013—2024年纳迪城市区域沿现有边缘持续向外增长,城区和滨海地区的扩张与草地/农业用地减少密切对应,同时部分红树林湿地也被逐渐替代。该部分直接支撑了论文关于快速城市化及其空间扩展模式的核心判断。

在讨论部分,研究人员首先指出,年度中值合成影像有助于减轻云和霾对热带地区光学遥感分类的干扰,从而支撑逐年土地覆盖图的稳定生成。但研究也明确承认,人工标注参考样本时仍不可避免存在人为误差,尤其当年度中值合成图与高分辨率参考影像并非完全同一时刻时,标签与真实地表状态之间可能存在偏差。其次,研究认为在复杂多地类区域中,高精度指标并不必然对应高质量制图结果,随机森林与K-means的比较尤其说明,若忽视地类空间格局和类别语义,量化分数可能掩盖实际误判。再次,论文指出本研究使用的分类体系已覆盖主要地类,但城市与裸土的边界仍不够清晰,因为部分开发中地块在组成上仍以土壤为主,却在功能上已偏向建设用地。这种模糊地类在太平洋岛国和发展中国家较为常见,后续研究需进一步细化类别定义或引入更精细的子类划分。最后,研究讨论了光学遥感自身限制,认为Landsat影像虽广泛适用于变化检测,但无法穿透云层,未来若融合雷达(SAR)等主动遥感数据,并通过多源数据融合技术联合利用,有望进一步提升复杂天气条件下的分类稳健性。

研究结论部分可译述如下:本研究为斐济纳迪地区生成了土地覆盖图,并检测了城市区域变化。当前相关研究在土地覆盖分类所需样本数量方面尚缺乏统一标准。研究人员基于斐济纳迪2013年卫星影像比较了三种监督学习模型,结果显示三者具有相近的分类精度;同时与K-means聚类进行比较,发现后者对城市扩张的表征并不准确。研究进一步表明,Accuracy和F1-score等评价指标并不必然保证土地覆盖图结果准确,尤其当研究区内同一土地覆盖类别包含由材料和颜色差异引起的光谱变化时更是如此。CNN模型能够整合空间上下文信息,因此在本研究区的土地覆盖制图中表现更优。变化检测结果表明,纳迪正经历快速城市化过程,其扩张特征表现为沿既有边缘向外延伸。

总体而言,该研究的学术价值在于将GEE、多光谱指数、监督与无监督机器学习模型以及时序变化检测整合为适用于海岛发展中地区的LULCC分析框架,并通过纳迪案例揭示旅游发展与农业地转化背景下的典型城市扩张路径。研究不仅为斐济西部土地开发和生态空间演变提供了量化证据,也表明在中分辨率遥感场景中,引入空间上下文的CNN虽未必显著提升常规精度指标,却能够在关键地类的空间制图真实性方面体现优势。这一认识对于后续城市增长监测、土地资源管理及多源遥感融合研究具有现实意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号