基于机器学习的澳大利亚维多利亚州土地覆盖映射：开启生态与发展新视野

《Scientific Data》：Remote sensing for land cover mapping across Victoria, Australia – a machine learning application

为解决土地覆盖信息获取难题，研究人员开展 “Remote sensing for land cover mapping across Victoria, Australia – a machine learning application” 主题研究。利用随机森林算法和 Sentinel-2 影像，绘制出 2021/22 年土地覆盖图，整体精度达 86%，为多领域应用提供关键数据。

　　澳大利亚维多利亚州拥有多样的生态环境和复杂的土地利用模式，随着经济发展和环境变化，精准掌握土地覆盖信息变得至关重要。此前的土地覆盖研究存在分辨率低等问题，难以满足当下农业政策制定、气候模型构建以及环境监测等多方面的需求。为了填补这一空白，澳大利亚维多利亚州能源、环境和气候行动部农业维多利亚研究中心（Agriculture Victoria Research, Victorian Department of Energy, Environment and Climate Action）的研究人员 Sabah Sabaghy、Mohammad Abuzar 等人开展了一项关于维多利亚州土地覆盖映射的研究。该研究成果发表在《Scientific Data》上，为深入了解维多利亚州的土地状况提供了有力支持。

研究人员运用了多种关键技术方法。首先，以 FAO 的土地覆盖分类系统（LCCS）为标准进行分类。在数据获取方面，使用 Sentinel-2 Level-1C 影像，从 Google Earth Engine 下载并处理，分析光谱波段和植被指数相关性筛选数据。采用分层随机抽样获取校准和验证数据，结合实地与桌面分析。通过 Python 的 scikit-learn 库实现随机森林算法进行分类，并利用 Google Earth Engine 平台减少计算量。

土地覆盖空间覆盖

维多利亚州位于澳大利亚东南部，面积约 22.71 万平方千米，气候多样，景观各异，农业用地占比大，还有多种自然和人造景观。其人口主要集中在墨尔本，气候从半干旱到温带，降雨差异大。这样复杂的地理环境为土地覆盖研究带来挑战，也凸显了研究的必要性。

土地覆盖分类方案

依据 LCCS，构建了包含水、植被陆地和非植被陆地三大主要类别的分层分类体系，进一步细分出多个层级的类别，确保分类科学合理，为后续研究奠定基础。

遥感数据

Sentinel-2 影像在研究中发挥关键作用。研究人员分析了多个光谱波段的相关性，如选择绿光（B3）、近红外窄波段（B8a）等作为关键波段，因其对植被和地表特征敏感。同时，纳入增强植被指数（EVI）、归一化植被指数（NDVI）等多种植被指数，综合反映植被和水体信息。对这些数据进行季节性聚合处理，减少分类不确定性。

校准和验证数据

由于实地限制，研究采用桌面分析获取校准和验证数据。通过分层随机抽样，在不同景观类别中采集样本，关联土地覆盖数据与初级生产景观（PPL）层，确保样本代表性。利用目视解译和主动植被分析确定样本，最终获取用于训练和评估的数据。

土地覆盖映射过程

随机森林算法是研究的核心。它通过多棵决策树对 Sentinel-2 影像像素分类，根据多数投票确定类别。为提高效率和精度，研究排除部分类别，利用已有信息创建掩膜覆盖。在 Google Earth Engine 平台上，使用筛选的波段和指数生成数据立方体，经优化的随机森林模型训练和测试，确定 20m 分辨率为最佳选择。

叠加掩膜生成

针对裸地、水体和城市建成区分别生成掩膜。裸地根据 NDVI 值和出现频率确定；水体通过 NDWI 结合 NDVI 阈值识别；城市建成区整合相关数据。验证结果表明这些方法能有效识别相应地物，但也存在一定误差。

数据记录

2021/22 年土地覆盖图以栅格数据集形式存储于维多利亚州土地利用信息系统（VLUIS），可在 PANGAEA 公开获取，每年更新，为多领域应用提供基础数据。

技术验证

通过内部验证和独立验证评估模型准确性。内部验证使用 30% 训练数据，整体精度 86%，kappa 值 0.84；独立验证使用 25% 校准和验证数据，整体精度 83%，kappa 值 0.80。同时进行面积调整精度分析，综合评估模型性能，结果表明模型虽存在部分分类错误，但整体精度良好，适用于土地覆盖研究和决策。

该研究绘制的高分辨率土地覆盖图，为维多利亚州的农业规划、环境保护和气候研究提供了重要依据。通过精准掌握土地覆盖信息，有助于优化农业生产布局，合理制定环保政策，提高对气候变化的应对能力。研究方法和结果也为其他地区的土地覆盖研究提供了参考范例，推动土地覆盖研究领域的发展，在多学科交叉应用中发挥重要作用，促进生态、经济和社会的可持续发展。