《Environmental Modelling & Software》：Mapping Four Decades of Change: Deep Learning and Google Earth Engine for Annual LULC Classification in Semi-Arid Regions
编辑推荐：
半干旱地区M'sila通过Landsat数据和DNN框架结合SAM生成1985-2025年连续年度LULC数据，验证模型在相似地理区域的泛化能力，为环境监测提供新方法。
Sadiq Tahmi|Xiaoping Rui|Imen Guechi|Faris Hannache|Xuege Wang|Housseyn Chebika
中国江苏省南京市福城西路8号，河海大学地球科学与工程学院，测绘与地图学系，211100
摘要
在半干旱地区，可靠的长期土地利用和土地覆盖（LULC）数据集仍然十分稀缺。本研究提出了一个可扩展且可转移的深度学习框架，该框架利用Landsat档案和深度神经网络（DNNs）生成了1985年至2025年阿尔及利亚M’sila地区的连续年度LULC数据集，作为代表性的半干旱案例研究。该框架通过集成光谱角映射器（SAM）来生成光谱稳定的训练样本，从而进一步提高了数据质量。结果表明，所提出的框架能够有效捕捉复杂的光谱关系，首次为研究区域生成了覆盖40年的时间一致的年度LULC数据集。此外，在地理条件相似的区域进行的泛化测试表明该框架具有较好的可转移性，尽管存在一些由于土地覆盖模式与不同地理条件相互作用而产生的局限性。这些结果展示了深度学习结合卫星数据在生成用于环境监测的稳健长期LULC数据集方面的潜力。
引言
通过遥感系统获取的卫星图像是时空数据的基本来源（Fu等人，2024年；Lian等人，2025年）。它有助于监测土地覆盖变化、环境和气候变化以及自然灾害（Alawode等人，2025年；Gong等人，2024年；Park等人，2024年）。由于这些图像在空间分辨率、时间频率和光谱特性方面的多样性，它们支持在多个领域（包括农业、资源管理、城市规划和可持续发展）中进行明智的决策（Hargreaves & Watmough，2021年；Sharma等人，2024年；Stamou等人，2025年）。
在这种情况下，对这些图像进行分类是将原始光谱数据转化为关于土地覆盖类型和资源分布的可操作信息的基础（Darem等人，2023年；Fan等人，2026年；Mehmood等人，2022年）。这也为生成一致的长期和年度数据集提供了基础，有助于监测土地覆盖和生态系统动态的变化，同时支持环境评估和可持续空间规划（Zhang等人，2024年；Zhao等人，2019年）。
随着卫星图像的广泛可用性和在各种地理空间应用中的需求增加，迫切需要精确高效的分类技术来充分利用这些数据。这些技术专门设计用于解决现代卫星图像中的显著光谱重叠和内在复杂性，这是传统统计方法无法解决的（Basheer等人，2022年；Manandhar等人，2009年；Phiri & Morgenroth，2017年）。这些技术包括机器学习算法（如决策树、随机森林和支持向量机），以及先进的深度学习方法（如卷积神经网络和深度神经网络（Choi等人，2025年；Hall等人，2022年；Jodhani等人，2025年）。这些方法在分类精度和降低误分类率方面取得了显著改进。此外，它们能够捕捉光谱、空间和时间维度上的复杂模式，从而克服了传统分类器的局限性（Song等人，2019年；Thapa等人，2023年；Wang等人，2023年）。
开放大数据分析平台的进步，结合了机器学习和深度学习技术，使得能够生成具有扩展时间覆盖范围的众多全球开放访问的土地覆盖分类产品。这些产品包括MODIS（Friedl & Sulla-Menashe，2019年）、GLANCE（Friedl等人，2022年）、GLC_FCS30D（Zhang等人，2024年）和NLCD（Yang等人，2018年）。此外，一些研究使用机器学习方法和时间序列卫星数据（特别是Landsat数据）对较长时间段进行了LULC制图。这些研究涵盖了突尼斯的半干旱地区（Kadri等人，2023年）、青藏高原（Li等人，2025年）和长江三角洲（Ai等人，2020年），以及美国的大规模多传感器深度学习实验（Mountrakis & Heydari，2023年）。表1总结了基于Landsat数据生成年度或半年度土地覆盖分类的选定研究。
尽管在LULC制图方面取得了显著进展，但现有数据集在时间频率和地理覆盖范围上仍存在局限性。例如，GLC_FCS30D产品提供的是30米的空间分辨率的全球LULC信息，但其2000年之前的时间频率仅限于五年间隔，这限制了早期时期的年度分析的可行性。同样，特定地区的数据集（如国家土地覆盖数据库（NLCD）仅限于美国。北非环境敏感的半干旱地区，由于土地动态迅速和植被持续退化，缺乏时间一致、连续、全面和准确的长期LULC数据集。
本研究提出了一种新的框架，该框架利用Landsat档案和深度神经网络（DNNs）的能力，捕捉光谱和空间关系，生成了1985年至2025年阿尔及利亚M’sila地区的连续年度LULC数据集，作为半干旱地区的代表案例。该框架通过集成光谱角映射器（SAM）来生成具有更高光谱一致性的稳定训练样本，进一步提高了样本质量，并评估了该模型在具有类似特征的其他环境中的适用性。
研究区域
阿尔及利亚北部的M’sila市镇位于东经4.43°–4.60°和北纬35.57°–35.87°之间，如图1所示，被选为实施所提出方法的研究区域。选择该地点是因为其区域重要性、当地土地覆盖类型的多样性以及研究团队对该地区的深入了解，这有助于编制可靠的数据集。此外，这一选择也解决了历史土地数据的稀缺问题
监督分类和准确性评估（五年间隔）
由于从1985年到2025年，每五年间隔对Landsat 5、7和8图像进行随机森林分类生成了大量地图，因此附录中的图A4提供了九张结果地图。为了简洁起见，表4仅报告了总体准确性、Kappa系数和混淆矩阵，以及研究期间LULC变化的时间分析，如图4所示。
总体准确性保持在较高水平，范围从93.62%（2010年）到
五年间隔的分类准确性和土地覆盖动态
五年间隔的监督分类混淆矩阵显示了一个一致的模式：水体和密集植被是最容易分类的类别，不透水表面的分类表现中等，而稀疏植被、裸地和偶尔的农业用地则相对更具挑战性。这种模式突显了某些土地覆盖类别之间的微妙光谱重叠，特别是在半干旱地区
结论
本研究提出了一种新的深度学习框架，使用多十年的Landsat图像和全连接深度神经网络（DNNs）生成了1985年至2025年半干旱环境中的连续年度LULC地图。该框架的一个关键改进是集成了光谱角映射器（SAM），以生成具有更高光谱一致性的光谱稳定训练样本，从而显著提高了模型的可靠性。在Landsat 8数据上训练的模型取得了更好的
CRediT作者贡献声明
Xiaoping Rui：撰写 – 审稿与编辑，撰写 – 原稿，监督，资源，调查。Sadiq Tahmi：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，方法论，正式分析，数据管理，概念化。Faris Hannache：可视化，软件，数据管理。Imen Guechi：撰写 – 审稿与编辑，监督，资源，调查。Housseyn Chebika：撰写 – 审稿与编辑，可视化，验证，正式分析。Xuege手稿准备中使用的AI工具
在准备这项工作时，作者使用了ChatGPT来改进写作风格。使用该工具后，作者仔细审查并编辑了内容，以确保文章内容的准确性，并对发表的文章内容负全责。
利益冲突声明
作者声明他们没有已知的财务或非财务利益可能会影响本文报告的工作。
致谢
作者衷心感谢支持机构及其研究设施为这项研究提供的资源。特别感谢指导者在整个研究过程中提供的指导、建设性反馈和持续鼓励。
