铬含量对模拟混凝土孔溶液中钢筋钝化膜及腐蚀行为的影响 路海鹏、 田玉婉、 吴丹梅

《Materials》：Effect of Chromium Content on the Passive Film and Corrosion Behavior of Steel Reinforcement in a Simulated Concrete Pore Solution Haipeng Lu, Yuwan Tian and Danmei Wu

　　摘要 在地理政治上受限地区，定量土地覆盖记录仍然极为稀缺，尤其是在Landsat时代之前。本研究通过将解密的CORONA KH-4全色影像的深度学习彩色化处理与GLC_FCS30D全球30米土地覆盖动态数据集结合，重建了朝鲜民主主义人民共和国（DPRK）平壤地区55年（1967–2022年）内的长期城市土地覆盖变化。GLC_FCS30D的九个时期时间序列（1985–2022年）显示，建成区面积从65.0平方公里（36.0%）扩张到2015年的峰值103.2平方公里（57.1%），这一增长几乎完全是由农业用地转化而来的，到2022年时缩减至92.7平方公里（51.3%）。基于1967年彩色化处理的分类结果显示，建成区比例为35.9%，与1985年的基准值非常接近。这些结果的整合揭示了三个城市化阶段：重建后的巩固期（1967–1985年）、以农业用地为代价的持续扩张期（1985–2015年），以及与国际制裁加剧和疫情相关的隔离期（2015–2022年）。在国家长期粮食不安全的情况下，首都周边农业用地几乎减少了一半，这反映了国家计划经济体中展示性城市现代化与粮食生产需求之间的根本矛盾。作为可能最后一个持续进行国家规划的社会主义城市，平壤的轨迹为市场驱动的城市化进程提供了罕见的实证对比。

1. 引言
土地覆盖变化分析对于理解人类活动与自然环境之间的相互作用至关重要。特别是城市扩张，是土地覆盖变化最显著且不可逆的形式之一，对生态系统服务、粮食安全和区域气候具有深远影响[1]。卫星遥感一直是监测此类变化的主要工具，自1972年以来Landsat计划提供了连续的观测记录[2]。然而，对于世界上许多地区——尤其是像朝鲜民主主义人民共和国（DPRK）这样进入受限的地区——现有的卫星数据的时间跨度不足以捕捉战后城市化的完整轨迹。平壤作为DPRK的首都和最大城市，在城市转型的研究中具有独特性。在朝鲜战争（1950–1953年）期间城市几乎被完全摧毁后，平壤在20世纪50年代末和60年代按照受苏联影响的社会主义城市规划原则进行了系统重建，这一时期受到朝鲜快速工业化和重建运动“Chollima”推动[3]。随后的几十年里，在中央集权规划下城市持续扩张，然后在20世纪90年代的严重饥荒期间经历了“艰苦的步伐”[4]，最近的发展还包括大规模建设项目，如Ryomyong街综合体[5]。尽管这些变化具有地理政治意义，但对平壤土地覆盖变化的定量空间分析仅限于Landsat时代，最早的系统研究大约始于2000年[6,7]。

最近全球土地覆盖制图技术的进步产生了具有前所未有的时间深度的数据集。张等人[8]开发的GLC_FCS30D产品提供了首个涵盖1985年至2022年的全球30米土地覆盖动态监测数据集，包含35个子类别，这些数据来源于密集时间序列的Landsat影像。该产品使得无需在每个时期进行独立分类即可进行一致的多时相分析，从而减少了多传感器比较中的方法论不确定性。然而，即使这个数据集也无法将观测记录延伸到1985年之前的Landsat时代之前。解密的情报卫星影像为弥合这一时间差距提供了独特的机会。由美国中央情报局运营的CORONA计划（1960–1972年）使用KH-1至KH-4B相机系统获取了超过86万张地球表面影像[9]。1995年根据第12951号行政命令解密后，这些影像通过美国地质调查局（USGS）地球资源观测与科学（EROS）中心向公众开放。CORONA KH-4系统达到了大约1.8–7.6米的地面分辨率，提供了与现代高分辨率商业卫星相当的空间细节[10]。然而，所有CORONA影像都是全色的（单波段的），这严重限制了其在基于光谱的土地覆盖分类方法中的实用性。近年来，CORONA影像越来越多地应用于城市土地覆盖变化研究：李等人[11]开发了一种自动方法来识别20世纪60年代上海的城市建成区，米海等人[12]展示了利用Corona KH-4B影像进行多瑙河地区高分辨率景观变化测绘的光度测量处理，里扎耶娃等人[13]使用面向对象的方法从Corona影像为高加索山脉生成了大面积土地覆盖分类。这些研究共同证明了解密影像在历史城市和土地覆盖分析中的日益重要的用途。

深度学习在图像彩色化方面的最新进展为提高历史全色影像的可解释性开辟了新的可能性。阿加皮欧[14]通过应用DeOldify模型对塞浦路斯拉纳卡（1963年）的Corona KH-4影像进行彩色化处理，证明了这种方法的可行性，使用基于对象的图像分析和支持向量机分类器实现了94%的整体分类准确率和0.91的kappa系数。关于卫星图像彩色化的新兴文献进一步探索了各种深度学习架构，将灰度卫星影像转换为适合土地覆盖分析的颜色表示[15]。虽然这些研究确立了历史卫星影像彩色化到分类的过程的有效性，但它们仅限于单时期分析，未将彩色化的历史数据整合到利用现代全球土地覆盖产品进行多时相变化检测的框架中。

DDColor是一种采用双解码器设计的先进图像彩色化架构[16]，目前代表照片级真实色彩化的基准。该架构包括基于UNet结构的像素解码器和利用变换器交叉注意机制的查询式颜色解码器。凭借在ImageNet-22k上预训练的ConvNeXt-Large主干网络[17]，DDColor在色彩丰富度和语义一致性方面优于之前的方法。然而，基于自然照片训练的模型在应用于卫星影像时存在显著的领域差异，因为卫星影像具有独特的光谱特征、天底视角几何形状和传统摄影数据集中不存在的独特土地覆盖模式。本研究解决了三个主要目标：首先，我们应用一个适应特定领域的DDColor模型对1967年获取的平壤解密Corona KH-4影像进行彩色化处理，生成增强土地覆盖特征视觉可解释性的伪彩色合成图像；其次，我们对彩色化影像进行探索性的无监督分类（K-Means），以生成Landsat时代之前的土地覆盖估计；第三，我们将这一探索性的1967年土地覆盖图与GLC_FCS30D全球土地覆盖数据集（1985–2022年）得出的定量时间序列分析相结合，构建了跨越大约五十年的城市转型综合叙述。通过这种方式，本研究力求在基于彩色化的历史分类方法创新与平壤独特发展轨迹的实际城市规划和土地利用政策含义之间取得平衡，从而为遥感和城市研究文献做出贡献。据我们所知，这是首次将深度学习彩色化与全球土地覆盖时间序列产品结合，用于DPRK数十年的变化分析，将平壤城市转型的定量观测记录延伸到Landsat时代之前。

2. 材料与方法
2.1. 研究区域
研究区域涵盖朝鲜民主主义人民共和国平壤的中心城区及其周边城郊地带。研究区域（ROI）由坐标125.676°E–125.844°E和38.954°N–39.066°N定义，面积约为180.8平方公里（图1）。ROI边界是根据地理坐标而非行政边界定义的，因为平壤的精确行政边界数据并未公开。选择的研究范围旨在涵盖主要城区、太东河走廊以及紧邻的城郊农业区，从而捕捉构成中心关注现象的城市-农业用地转换的主要区域。平壤位于朝鲜半岛中西部的太东河沿岸，具有明显季节变化的大陆性气候。地形由太东河沿岸相对平坦的冲积平原组成，北部和东部环绕着海拔大约10米至200米的低矮丘陵。ROI内的关键地理特征包括从东北到西南贯穿研究区域的太东河、西侧的浦洞河，以及北部和东侧的周边丘陵地区（均显示在图1中）。

图1. 朝鲜民主主义人民共和国平壤研究区域的位置。红色矩形标出了研究区域边界（125.55°E–125.95°E，38.88°N–39.12°N；大约35公里×27公里）。背景是2024年4月至7月期间以10米空间分辨率获取的Sentinel-2 L2A真彩色合成图像（波段B4、B3、B2）。红星表示平壤的中心位置。插图地图：平壤在朝鲜半岛上的位置（来源：Esri Land Cover）。作为DPRK的政治、经济和文化中心，平壤经历了不同的城市发展阶段：战后重建（1953–1960年代）、Chollima时期的社会主义规划扩张（1960–1970年代）、集中规划下的持续增长（1980年代）、1990年代经济危机期间的收缩和停滞，以及21世纪的新发展[3,5]。这些阶段反映了城市规划的独特集中式方法，国家直接控制了土地分配、建设和人口分布的所有方面。与市场驱动的城市化不同，后者的土地使用是由经济力量和私人决策决定的，平壤的发展完全由国家政策引导——从20世纪50年代受苏联影响的重建总体规划到近几十年的大规模建设运动[5,18]。这使得平壤成为测试基于卫星的城市变化检测方法的特别重要的案例，因为观察到的土地覆盖变化直接反映了有意的政策决策，而非市场过程的结果。据估计，该市人口约为280万至330万，但由于官方统计数据的有限可供性，确切的人口数据难以验证[19]。图2展示了城市发展历史与卫星数据可用性以及本研究使用的分析时期的时间线。

图2. 平壤城市发展历史的时间线，以及卫星数据可用性和分析时期。上部：本研究中使用的卫星数据来源的时间覆盖范围——CORONA KH-1→4B（1960–1972）、Landsat 1–9（1972–现在）、GLC_FCS30D（1985–2022）和Sentinel-2（2015–现在），以水平彩色编码的条带表示。红色三角形表示本研究的十个分析时期（1967、1985、1990、1995、2000、2005、2010、2015、2020、2022）。中部：平壤城市发展的关键历史事件，按类别进行颜色编码（蓝色=政治事件，绿色=发展项目，红色=危机/制裁，棕色=本研究）。建成区百分比趋势线（深红色）显示了从35.9%（1967年）到峰值57.1%（2015年）再到51.3%（2022年）的轨迹，左侧轴为百分比刻度。下部：本研究确定的三个城市化阶段——阶段1：巩固期（约36%，1967–1985年），阶段2：扩张期（36%→57%，1985–2015年），阶段3：稳定期（→51%，2015–2022年）。

2.2. 数据来源
2.2.1. 解密的CORONA KH-4影像（1967年）
主要的历史数据集包括1967年12月16日获取的解密Corona KH-4全色卫星影像（场景ID：DS1105-2134DA168），通过EarthExplorer平台（https://earthexplorer.usgs.gov/）从USGS EROS中心获取。CORONA KH-4系统使用两台J-3全景相机（正面和后方观察）拍摄，焦距为609.6毫米，在70毫米胶片上生成立体图像对。数字化的影像根据相机型号和扫描分辨率的不同，地面分辨率约为1.8–7.6米[9,10]。影像是单波段的（全色的），像素值表示记录在胶片上的可见光谱辐射（表1）。使用六个地面控制点（GCPs）进行了几何校正，这些控制点在Corona影像和Sentinel-2参考影像中都可以识别。应用了包含平移、旋转和缩放的六参数仿射变换，六个GCPs的拟合RMSE约为48米。变换还包括大约12.5度的旋转校正，这与已知的KH-4相机系统的轨道方向一致。为了独立验证几何精度——而不只是依赖于变换中使用的GCPs的拟合残差——在地理参考的Corona影像和2024年Sentinel-2参考影像中可识别的地形特征上测量了13个额外的检查点（CPs），这些检查点均未用于推导仿射参数（附录G，图A5）。在排除2σ异常值（去掉1个数据点）后，独立的RMSE为16.7米（12个控制点），相当于在30米GLC_FCS30D分辨率下大约0.56像素，这证实了土地覆盖比较的亚像素级几何精度。表1总结了本研究中使用的遥感数据集。需要注意的是，解密的CORONA图像是以非正射校正格式提供的。KH-4全景相机系统在扫描过程中引入了几何失真，包括胶片变形、相机设计本身的全景失真以及沿广范围传播的地球曲率效应[9,12]。对CORONA图像进行完整的摄影测量处理——包括内部定向恢复、镜头畸变建模和严格的 bundle adjustment——需要相机校准参数，而这些参数并非所有任务都可用，并且由于朝鲜的地缘政治限制，目前研究区域可获得的地面控制点（GCPs）数量远远不足。鉴于这些限制，采用了简化的几何校正方法。从现代高分辨率Sentinel-2图像中识别出6个GCPs，这些点位于时间上稳定的地标，如交叉路口、河流交汇处和在1967年及现代图像中都能识别的大型建筑物的角落。应用仿射变换后，得到的均方根误差（RMSE）小于50米（见表1）。选择仿射模型而非更高阶的多项式变换，是因为GCPs数量有限（只有六个），使用更复杂的模型可能会导致过拟合。研究区域的地形主要是平坦到轻微起伏的（海拔范围10–200米），这减少了需要完全正射校正的地形位移效应。尽管如此，由于地形起伏和参考特征的时间稳定性不同，几何精度预计会在不同的土地覆盖类型上有所差异。独立检查点评估（附录G，表A5）证实所有地形类别相对于30米GLC_FCS30D网格都达到了亚像素精度（RMSE范围：8.0–22.6米），其中河流沿岸特征的残差最大，因为在57年时间间隔内河岸线的迁移使得特征匹配变得复杂。RMSE小于50米相当于在30米GLC_FCS30D对比产品下大约1.7像素。由于本研究的主要分析方法依赖于类别比例比较而非像素级的空间对应关系，因此这种几何精度水平被认为是足够的。附录G中详细介绍了在不同地形和土地覆盖条件下的几何精度评估。

2.2.2 GLC_FCS30D全球土地覆盖数据集（1985–2022）
GLC_FCS30D数据集[8]通过Google Earth Engine（GEE）平台（资产路径：projects/sat-io/open-datasets/GLC-FCS30D）提供，该数据集以30米的空间分辨率提供全球土地覆盖分类，包含35个子类别，这些分类是从密集时间序列的Landsat图像中提取的。数据集覆盖了1985–2022年的时期，1985–1995年为五年间隔，2000年以后为 annual 解析度。为研究区域提取了九个时间节点：1985年、1990年、1995年、2000年、2005年、2010年、2015年、2020年和2022年（表1）。原来的35个子类别被重新映射为五个类别：水（类别1）、森林（类别2）、建筑区（类别3）和其他（类别5）。详细的重新映射方案见附录B。

2.2.3 Sentinel-2 L2A（2024）
现代参考图像是通过GEE从Copernicus Sentinel-2 Level-2A表面反射率产品（COPERNICUS/S2_SR_HARMONIZED）获取的。选择了2024年4月至7月期间云量小于30%的图像，并使用中值还原器进行合成。Sentinel-2提供13个光谱波段，空间分辨率分别为10米（波段2、3、4、8）、20米（波段5、6、7、8A、11、12）和60米（波段1、9、10）。这些图像用于视觉参考以及生成研究区域图1（表1）。

2.2.4 着色模型的训练数据
DDColor模型的领域适应需要大量的灰度-颜色卫星图像对。训练数据集由四个公开可用的高分辨率多光谱卫星图像集合组成：（1）WorldView-3超高分辨率训练图像，覆盖朝鲜半岛[20]，包含512 × 512像素的3波段RGB图像；（2）SpaceNet 2建筑物检测挑战图像（全景锐化的多光谱图像，8波段，650 × 650像素；可访问地址：https://registry.opendata.aws/spacenet/，访问日期为2026年4月3日）；（3）SpaceNet 3道路检测挑战图像（全景锐化的多光谱图像，8波段，1300 × 1300像素）；以及（4）SpaceNet 4建筑物检测挑战图像（全景锐化的，4波段，900 × 900像素）。对于SpaceNet多光谱数据集，提取了第5、3和2波段（分别对应红色、绿色和蓝色）来构建RGB合成图像。所有图像都使用Lanczos插值方法重采样到256 × 256像素。对于每个RGB图像块，通过从RGB颜色空间转换到CIE L*a*b*颜色空间并提取L（亮度）通道来生成合成灰度版本，以模拟CORONA图像的全色外观。16位图像使用第2和第98百分位拉伸进行8位归一化，以保持辐射对比度同时避免异常值饱和。经过质量过滤后，共有大约51,000对图像对被保留下来，其中超过50%的黑色像素（所有通道的像素值<10）的图像块被剔除，最终保留出33,711对图像对，分为训练集（32,026对，占95%）和验证集（1,685对，占5%）。

2.3 方法
方法论框架包括三个连续的组成部分：（1）CORONA图像的领域适应着色和探索性K-Means分类，（2）基于GLC_FCS30D的多时相土地覆盖提取，以及（3）整合分析，将1967年的探索性分类与1985–2022年的定量时间序列结合起来（图3）。图3显示了本研究的方法论框架。第一阶段：数据采集（CORONA KH-4 1967年、DDColor训练对、GLC_FCS30D 1985–2022年、Sentinel-2 2024年、GCPs和独立检查点）。第二阶段：DDColor领域适应和基于图像块的CORONA场景着色。第三阶段：双分支分类——在着色后的1967年图像上进行无监督K-Means（k = 5）分类，并对九个时相的GLC_FCS30D地图进行五类重映射——同时交叉验证像素级精度和类别比例。第四阶段：结合1967年的探索性分类与1985–2022年的时间序列进行综合55年分析，以得出城市化的三阶段演变（巩固、扩张、稳定）。

2.3.1 DDColor架构和领域适应
DDColor是一个端到端的图像着色框架，采用双解码器架构，是深度学习着色领域中最先进的方法之一[16]。编码器基于ConvNeXt-Large主干网络架构[17]，在ImageNet-22K上进行预训练，该网络从输入的灰度图像中提取多尺度特征表示。这些特征由两个并行解码器处理：一个具有UNet类似架构的像素解码器，逐步放大特征图以重建空间细节；另一个基于查询的颜色解码器，利用可学习的颜色查询（N = 100），通过九个Transformer解码器层处理这些特征，并通过跨注意力机制建立图像内容与颜色分布之间的语义对应关系。为了适应卫星图像，预训练的DDColor模型（最初在自然照片上训练）在第2.2.4节描述的卫星图像数据集上进行了微调。经过预处理和质量过滤（剔除含有超过50%黑色像素的图像块）后，共保留了33,711对图像对，并分为训练集（32,026对，占95%）和验证集（1,685对，占5%）。微调过程使用了标准的优化配置，初始学习率为1 × 10?4，权重衰减为1 × 10?2。采用了加热-然后-余弦学习率调度策略，前5个周期采用线性加热，随后进行余弦退火。混合精度训练（BF16）结合梯度检查点优化GPU内存使用。复合损失函数[21]包含三个部分：（1）其中L1表示CIE L*a*b*颜色空间中预测值和真实值a*b*通道之间的像素级L1损失（λ1 = 1.0），L_perceptual使用深度特征表示计算的感知损失（λ2 = 5.0），L_colorfulness是一个鼓励输出色彩多样性的正则化项（λ3 = 0.5）。简单来说，这三个损失组件实现了互补的目标：L1惩罚像素级的颜色偏差，L_perceptual确保着色输出在视觉上真实，L_colorfulness防止模型产生饱和结果。权重系数反映了感知质量（λ2 = 5.0）相对于严格像素级精度（λ1 = 1.0）的优先级，这与生成视觉上可解释的伪彩色图像的目标一致。训练在配备NVIDIA A100 80 GB GPU（DELL PowerEdge XE8545，AMD EPYC 7763处理器，240 GiB RAM）的高性能计算（HPC）集群上进行，批量大小为64。着色输出的质量在验证集（n = 1,685）上使用三个互补指标进行评估：峰值信噪比（PSNR）、结构相似度指数（SSIM）[23]和学习的感知图像块相似性（LPIPS）。结果总结在表2中。

2.3.2 大图像推理和着色
CORONA图像的全景格式覆盖范围约为16公里×217公里，明显超过了DDColor模型的256 × 256像素输入尺寸。为了处理这些大格式图像，采用了基于图像块的推理策略。输入图像被分割成256 × 256像素的重叠块，步长为192像素（重叠部分为64像素）。每个块由模型独立着色，然后在重叠区域使用高斯加权融合方法重新组装结果块，以最小化边界伪影。应用了Sigma校正（σ = 1）来优化着色输出的对比度。

2.3.3 着色后的CORONA图像的探索性土地覆盖分类
与需要手动收集训练样本的监督分类器不同（这种方法在没有真实数据的情况下会引入主观不确定性），着色后的1967年图像使用了基于RGB颜色空间的无监督K-Means聚类进行分类。这样做的理由是，DDColor模型通过学习数百万张自然和卫星图像的颜色-语义关联，为不同的土地覆盖类型分配了光谱上合理的颜色（例如，水为蓝色，植被为绿色，建筑区为灰褐色）。这些颜色差异虽然不代表真实的光谱反射率，但足以满足无监督聚类的需求。与手动视觉解释聚类图（这会引入主观偏差并降低可重复性）以及需要从伪彩色图像本身获取训练样本的监督或半监督标记方法不同，这两种方法会产生一个循环依赖关系，即分类精度反映了操作者对合成颜色的解释而非真实的土地覆盖特征。自动化的启发式规则利用了DDColor模型学习到的颜色-语义关联，这些关联在自然图像领域内总体上是一致的，为类别标记提供了客观和可重复的基础，无需人工干预。分类过程如下：首先，将着色图像裁剪到与GLC_FCS300提取区域匹配的研究ROI。为了管理计算需求（全分辨率图像包含约3370万个像素），在图像的25%降采样版本上训练K-Means质心（重复5次），然后将得到的质心逐行应用于全分辨率图像以节省内存。生成了五个簇（k = 5），并根据每个簇质心的颜色特征自动分配到相应的土地覆盖类别：蓝色主导性最高的簇（B ? (R + G)/2）被分配给水；绿色主导性最高的簇（G ? R）被分配给森林；饱和度最低的簇（R、G、B值范围最小）被分配给建筑区；剩余最亮的簇被分配给农业；其余的簇被分配给其他类别。详细的分类参数见附录D。本研究中使用的五个土地覆盖类别定义如下：水包括所有开放水域，包括太东河及其支流和任何静水体；森林包括山坡和河岸的所有树木覆盖区域，不考虑物种构成；农业包括城市中心周边所有耕种的土地，包括稻田和旱地；建筑区包括与城市发展相关的所有不透水面——住宅区、工业设施、道路和其他 constructed基础设施。“其他”是一个剩余类别，包含了过渡地带、裸露的土壤、稀疏的植被，以及那些伪彩色输出无法产生足够色彩差异以进行明确分类的区域。这些类别的相对宽泛定义反映了无监督聚类在伪彩色图像上的局限性，并旨在与GLC_FCS30D五类重新映射方案（附录B）保持最大程度的可比性。需要注意的是，K-Means算法仅基于RGB颜色值进行操作，不考虑空间背景或纹理信息，可能无法可靠地区分光谱相似的类别——特别是在冬季图像中，建筑物表面和裸露的农田之间的区分尤为困难，这导致1967年的分类中“其他”类别占比高达29.3%。选择k=5的K-Means算法是为了与GLC_FCS30D五类重新映射方案直接对比。尽管默认的平方欧几里得距离度量和随机初始化是K-Means的标准参数，但选定特定的配置（最大迭代次数500次，25%下采样图像上的5次重复实验，随机种子42）是为了在计算效率和分类稳定性之间取得平衡。使用5次重复实验可以确保最终结果不会过于依赖于随机初始质心的位置（附录D）。

2.3.4 GLC_FCS30D土地利用覆盖提取
平壤研究区域的土地利用覆盖数据是从GLC_FCS30D数据集中使用GEE工具提取的。年度数据和五年数据被拼接在一起，并为每个分析年份选择了合适的波段。原始分类代码被重新映射到五类方案中：代码10–20（农田类型）→ 农业；代码51–92（森林和灌木类型）→ 森林；代码190（不透水面）→ 建筑物；代码210、220（水体和永久性冰/雪）→ 水体；其余所有代码→ 其他。完整的重新映射表格见附录B。对于每个时期，通过在研究区域内对像素面积进行求和来计算每个类别的面积（以平方公里为单位），并相对于总研究区域面积180.8平方公里计算类别比例。

2.3.5 综合分析
1967年的基于色彩化的分类结果通过两种方法与GLC_FCS30D产品进行了比较。首先，将1967年K-Means分类的类别比例与1985年和2022年的GLC_FCS30D比例进行了对比，以评估基于色彩化的方法是否能够捕捉到有意义的土地利用覆盖信息。其次，通过最近邻插值将1967年的分类结果重采样为GLC_FCS30D 1985年产品的30米分辨率，从而计算了像素级的整体准确率（OA）。需要注意的是，这个OA指标反映了17年间实际土地利用变化、色彩化模型的不确定性以及分辨率差异的综合影响，因此作为一个参考指标而非严格的准确性评估。

3. 结果
3.1 色彩化结果
针对具体域适应的DDColor模型成功地为1967年CORONA全色图像中可见的主要土地利用类型分配了光谱上合理的外观颜色（图4）。城市区域呈现出特征性的灰褐色调，农田呈现黄绿色调，森林覆盖的山坡呈现较深的绿色，而太东河及其支流呈现蓝棕色调。与基线ImageNet预训练模型相比，域适应版本产生了更真实的植被着色和更一致的水体表示。彩色化图像在不同土地利用类型之间展现了足够的视觉对比度，支持了视觉解释和无监督分类。为了说明不同土地利用类型下的色彩化效果，附录G.2（图A5和图A6）展示了四个代表性区域的放大对比图：（i）城市核心区，（ii）农业区，（iii）太东河流域，以及（iv）山坡/森林区。这些图表表明，尽管DDColor模型无法完全再现真实的光谱反射率，但它生成了足够的色彩差异，以支持随后的无监督分类，其中水体表面的色彩保真度最高，而农田/建筑物的边界由于冬季休耕期的光谱模糊性而最具挑战性。

3.2 1967年图像的探索性土地利用覆盖分类
对彩色化的1967年CORONA图像进行的K-Means分类产生了五类土地利用覆盖地图。五个聚类中心及其自动分配的类别在表3中呈现。分类结果显示以下土地利用比例：建筑物35.9%，水体15.0%，农业12.4%，森林7.3%，其他29.3%。其他类别占比较大（29.3%）表明五类方案可能无法完全捕捉伪彩色图像的光谱复杂性，特别是在城市和农业表面之间的过渡地带。所有图像处理和K-Means聚类均使用MATLAB R2025b（The MathWorks, Inc., Natick, MA, USA）完成。1967年分类的空间分布将在综合分析部分（第3.4节）中展示。

3.3 GLC_FCS30D土地利用覆盖时间序列（1985–2022）
GLC_FCS30D提取的数据为平壤研究区域（180.8平方公里）提供了连续九个时期的土地利用覆盖时间序列。图5展示了四个代表性时期的土地利用覆盖地图（1985年、2000年、2015年、2022年），完整的九个时期地图见附录A。所有地图都包含图形比例尺和北箭头作为空间参考。图5显示了平壤研究区域四个代表性时期的GLC_FCS30D土地利用覆盖地图：（a）1985年，（b）2000年，（c）2015年，（d）2022年。建筑物面积从1985年的65.0平方公里（36.0%）增加到2015年的峰值103.2平方公里（57.1%），然后到2022年下降到92.7平方公里（51.3%），扩张主要集中在太东河流域，以牺牲农田为代价。五类重新映射方案的详细信息见附录B。表4总结了所有九个时期的每类面积和比例。主要土地利用类别从1985年的农业（54.3%，98.2平方公里）转变为2015年的建筑物（57.1%，103.2平方公里），表明城市化主要是通过 converting 农田实现的。这两个类别的时间趋势在图6中得到体现，显示出明显的反比关系：随着建筑物面积在三十年间稳步扩张，农业面积以几乎相同的速度收缩，两者之间的交叉点发生在1995年至2000年间，建筑物面积首次超过农业面积。

3.4 GLC_FCS30D土地利用覆盖时间序列（1985–2022）
GLC_FCS30D提取的数据为平壤研究区域提供了连续九个时期的土地利用覆盖时间序列（180.8平方公里）。图5展示了四个代表性时期的土地利用覆盖地图，完整的时间序列地图见附录A。所有地图均包含图形比例尺和北箭头作为空间参考。

3.5 1967年图像的探索性土地利用覆盖分类
对彩色化的1967年CORONA图像进行的K-Means分类生成了一个五类土地利用覆盖地图。五个聚类中心及其自动分配的类别在表3中呈现。分类结果显示以下土地利用比例：建筑物35.9%，水体15.0%，农业12.4%，森林7.3%，其他29.3%。其他类别占比较大（29.3%）表明五类方案可能无法完全捕捉伪彩色图像的光谱复杂性，尤其是在城市和农业表面之间的过渡地带。所有图像处理和K-Means聚类均使用MATLAB R2025b（The MathWorks, Inc., Natick, MA, USA）完成。

3.6 综合分析
为了将时间基线扩展到GLC_FCS30D系列（1985–2022）之外，使用第2.3.3节描述的无监督K-Means方法（k=5）对彩色化的1967年CORONA KH-4全色图像进行了分类，并与GLC_FCS30D的九个时期的产品进行了对比。这种整合方法实现了从1967年到2022年的连续55年土地利用覆盖轨迹，衔接了Landsat时代之前的数据和现代卫星记录。图7展示了从原始灰度CORONA图像（1967年12月16日）到DDColor色彩化和K-Means分类的完整处理流程，同时提供了GLC_FCS30D 1985年和2022年的参考地图，以便直观比较三个关键时间点的土地利用覆盖分布。

3.7 结论
最显著的发现是1967年K-Means估计的建筑物比例（35.9%）与1985年GLC_FCS30D的数值（36.0%）非常接近。尽管由于方法和17年的时间差距，精确的数值对应可能是巧合，但这表明平壤的建筑物足迹在20世纪60年代末已经相当可观，并在整个80年代保持相对稳定。这一解释与历史记载一致，即平壤核心地区的战后重建在20世纪60年代中期基本完成，而主要的外围扩张发生在70年代及以后，为诸如1989年第13届世界青年和学生节等活动做准备。1967年的估计值与2022年的最终值相比，建筑物比例大幅增加（从35.9%上升到51.3%），同时农业面积相应减少。图8比较了三个关键时期的土地利用比例，展示了这些阶段转换。1967年的建筑物估计值（35.9%）与1985年的值（36.0%）非常接近，而农业和其他类别则存在显著差异，反映了伪彩色方法的局限性和17年的时间间隔。土地利用变化的时间轨迹可以与平壤城市规划历史中的关键事件紧密相关，如注释趋势图（图6）所示。建筑物扩张巩固期（1967–1985年，约36%）对应于战后重建的完成和Chollima时代。快速扩张期（1985–2015年，升至57.1%）包括了为1989年第13届世界青年和学生节所做的准备，“艰苦的三月”饥荒（1994–1998年）期间城市扩张暂时停滞，以及随后的恢复，包括诸如Ryomyong街道（约2012年开始）等重大项目。2015年后的稳定期与联合国制裁加剧（2016年）和COVID-19边境关闭（2020年）相吻合。这些子区域（1967–2022年）的多时相土地覆盖面板见附录H（图A7），显示从1985年起，中央核心区域的建设密度一直保持较高（70–82%）；太东河沿岸地区扩张最快（从1985年的52.8%增加到2015年的70.0%）；而西南部城郊地区则表现出最明显的从农业用地向城市用地的转变（从1985年的20.6%增加到2015年的66.2%，然后在2022年略有下降至59.8%）。这些子区域的模式证实了图6中观察到的总体趋势在空间上是异质的，扩张主要由河滨和城郊发展驱动，而非均匀的密度增加。图9显示了平壤研究区域（180.8平方公里）在1967年的CORONA KH-4 K-Means土地覆盖分类（k = 5），其中三个代表性的子区域用不同颜色的矩形标出：（a）中央核心区（红色），（b）太东河沿岸区（蓝色），以及（c）西南部城郊区（黄色）。这些子区域的多时相土地覆盖面板（1967年、1985年、2000年、2015年、2022年）见附录H（图A7）。颜色说明：蓝色 = 水体，绿色 = 森林，黄色/金色 = 农用地，深红色 = 建设用地，灰色 = 其他用地。比例尺：2公里。附有北向箭头指示。

4. 讨论
4.1 基于色彩化的历史土地覆盖重建的有效性和局限性
1967年K-Means分类与1985年GLC_FCS30D产品之间的像素级总体准确性（OA）为17.2%，按传统遥感标准来看较低。然而，直接解读这一指标可能会产生误导，因为其受到三个无法通过现有数据分离的独立因素的干扰：（a）17年时间段内的真实土地覆盖变化；（b）伪彩色生成的内在局限性，后者更注重视觉自然感而非光谱真实性；（c）CORONA影像（约2米分辨率，感兴趣区域约有3370万像素）与GLC_FCS30D产品（30米分辨率，约20万像素）之间的分辨率差异。这些因素共同使得严格的像素级比较不适合作为分类质量的独立衡量标准。通过分析色彩化到分类的误差传播路径，可以获得更有信息量的视角。 domaine-adapted DDColor模型在验证时获得了32.61 dB的PSNR和0.974的SSIM（表2），证明输入和输出之间的结构保真度较高。然而，K-Means聚类中心点的饱和度值非常低（范围：0.004–0.040），表明伪彩色输出主要基于亮度对比度而非强烈的色彩区分度。实际上，该色彩化模型生成的图像在视觉上看起来是合理的——水体呈现深色，植被略带绿色，建筑表面为灰褐色——但类间颜色差异相对于类内亮度变化来说很小。因此，K-Means算法主要是沿着亮度梯度而非真实光谱边界对图像进行划分，这解释了为什么像素级别的分类结果经常与基于光谱的GLC_FCS30D分类不符，而整体亮度分布仍能与广泛的土地覆盖比例相关。

尽管存在这一局限性，类比例比较仍揭示了更有意义的信息。1967年K-Means分类与1985年GLC_FCS30D产品之间的逐类比例比较显示出高度可变的类间可靠性。建筑用地比例紧密一致（35.9% vs. 36.0%），而其他类别则存在显著差异：1967年水中用地被高估（15.0% vs. 7.2%），可能是因为DDColor模型的蓝色渲染延伸到了阴影区和黑暗的河岸地带；森林用地也被高估（7.3% vs. 1.8%），可能反映了被阴影覆盖的山坡像素；农业用地被严重低估（12.4% vs. 54.3%）；其他类别吸收了剩余的差异（29.3% vs. 0.7%）。这些特定类别的模式表明，由于伪彩色影像中休耕地在光谱上的模糊性，1967年输出中大量真正的农业用地被归类为其他类别。因此，该模型的可靠性取决于类别：建筑用地提供了最可靠的比例估计，而农业用地则被大幅低估，其差额主要转移到了其他类别。

虽然精确的数字对应关系可能是偶然的，但这种一致性符合更广泛的统计原则，即尽管个别预测存在噪声，总体估计仍可以保持稳健[2]。这一发现扩展了Agapiou [14]的工作，他使用基于监督的对象分析对塞浦路斯的CORONA影像进行了基于色彩化的分类，获得了94%的OA。本研究中观察到的较低准确性可以归因于三个方法论差异：使用了无监督分类而非监督分类；平壤复杂的城市形态与拉纳卡地中海沿海景观不同；以及1967年12月CORONA影像采集条件的特殊挑战性，当时落叶植被枯萎，农田处于休耕状态，降低了可用于色彩化的光谱对比度。

1967年分类中相对较大的“其他”类别（29.3%）值得特别关注。而在1985年GLC_FCS30D产品中，相应的“其他”类别仅占0.7%，表明1967年的“其他”类别并不代表真实的土地覆盖类型，而是一种方法学上的产物。对“其他”像素的空间分布进行分析发现，它们集中在城市和农业用地之间的过渡地带，伪彩色输出产生了模糊的灰褐色色调——这些色调既不够深以便归类为建筑用地（该类别对应最低饱和度的聚类），也不够亮以便归类为农业用地（该类别对应最亮剩余的聚类）。因此，“其他”类别的比例可以作为色彩化模型区分能力的一个反向指标：较低的“其他”比例意味着更好的色彩区分度。未来在卫星特定色彩化方面的改进——特别是提升伪彩色输出的饱和度和光谱真实性——可能会减少“其他”类别的数量，并提高像素级和比例级的准确性。使用更大的k值或包含纹理和空间上下文特征的更复杂的聚类算法也可能在未来的应用中提高类别区分能力。

目前的结果证实，深度学习色彩化可以扩展到Landsat时代之前的历史观测记录，但同时也表明这种方法目前主要作为一种探索性工具，用于近似土地覆盖估计——适合于推导比例级基线和限制变化轨迹——而不是作为多光谱分类的替代品。

4.2 平壤五十年的城市转型
跨越大约55年（1967–2022年）的综合分析揭示了复杂的城市变化轨迹，这一轨迹可以在朝鲜民主主义人民共和国更广泛的政治、经济和社会历史背景下得到有意义的解释。所有时相期间的年度土地覆盖变化率总结在附录E中，土地覆盖趋势与关键历史事件之间的关系在图6（带注释的趋势图）和图2（时间线）中进行了可视化。

第一阶段：重建后的巩固期（1967–1985年，约36%）。1967年的彩色CORONA影像提供了平壤重建后城市范围的最早卫星记录。估计的建筑用地比例为35.9%，与1985年的GLC_FCS30D值36.0%非常接近，表明这一时期的平壤市中心区域相对稳定。这种稳定性与历史记录一致，历史记载显示1950年代末和1960年代的“革命运动”期间重建工作集中在市中心和关键工业区[3]。这意味着1970年代和1980年代初的发展主要是密集化和垂直增长（例如，用公寓楼替换低层建筑），而不是向外扩展——这一发现无法仅从Landsat时代的数据中得出，是基于CORONA分析的新贡献。

第二阶段：持续扩张期（1985–2015年，36.0%→57.1%）。1985年至1995年期间，建筑用地比例从36.0%增长到38.4%（年增长率：+0.41至+0.49平方公里/年；附录E）。这种缓慢的增长速度与苏联解体后经济危机的加深以及1988年后优惠贸易安排的停止密切相关。1994–1998年的灾难性饥荒被称为“艰难的行进”，估计造成60万至100万人死亡[4]，不仅摧毁了农业部门，也削弱了国家的资本建设能力。Haggard和Noland [24]记录了饥荒如何从根本上破坏了维持平壤作为展示性首都的中央分配系统。这一时期的城市扩张几乎停滞，反映了更广泛的系统危机，而不仅仅是建筑活动的放缓。

1995年至2000年间出现了急剧加速，建筑用地面积从69.5平方公里（38.4%）增加到89.6平方公里（49.5%），年增长率约为+4.0平方公里/年——比前一个十年快一个数量级。这一快速增长需要谨慎解读，因为它与GLC_FCS30D方法从五年间隔转为年度间隔的时间点相吻合，这可能在检测到的变化率中引入了不连续性。尽管如此，2000年至2015年期间扩张仍以较为温和但持续的节奏进行，建筑用地面积达到103.2平方公里（57.1%）。这种增长的空间模式在连续的GLC_FCS30D地图（附录A）中可见，并在变化地图（图9）中得到了综合，显示扩张从历史上的城市核心区沿太东河走廊向外延伸到之前的农业用地。这一模式与已知的国家主导的发展项目一致，包括为第13届世界青年和学生节（1989年）做准备以及后来的龙明街住宅综合体[5,25]的建设。在整个30年的扩张期间，建筑用地面积增加了38.2平方公里（净增长约为59%），几乎完全由农业用地从98.2平方公里（54.3%）转变为59.9平方公里（33.1%）驱动。

研究区域内农业用地面积减少近一半的影响超出了土地覆盖统计的范围。自1990年代以来，朝鲜民主主义人民共和国一直面临长期的食物不安全问题，联合国世界粮食计划署反复将该国列为亚洲最不安全的食物国家之一。将首都周边38.3平方公里的农业用地转为城市用途——这是该国政治上最优先的区域——表明在扩张阶段，城市现代化优先事项可能超过了当地的食品生产能力。然而，缺乏政策文件和地面级的农业生产力数据，无法明确归因于因果关系，因此仍有可能其他地方的农业集约化或重新分配部分抵消了该区域内的损失。

第三阶段：经济孤立下的稳定期（2015–2022年，57.1%→51.3%）。2015年的建筑用地面积从103.2平方公里下降到2022年的92.7平方公里，同时农业用地部分恢复到70.8平方公里（39.2%），这需要特别谨慎的解释。必须考虑两种解释：地缘政治解释认为，联合国安理会2016年后加强的国际制裁大幅限制了建筑材料和重型设备的进口；COVID-19大流行迫使朝鲜几乎完全关闭边境，进一步抑制了经济活动[25]。Lee [26]指出，经济制裁导致经济活动过度集中于平壤，表明首都的发展轨迹与国家的外部经济关系密不可分。在这种解释下，农业用地的恢复可能反映了向食物自给自足的刻意政策调整——这是对之前几十年主导的城市现代化议程的强制转变。然而，方法论因素也不能完全排除。GLC_FCS30D分类继承了底层Landsat时间序列的不确定性，2020–2022年期间可能受到朝鲜半岛Landsat数据可用性减少、大气条件变化或连续变化检测算法敏感性变化的影响。2020年至2022年间建筑用地面积的显著下降（年下降率为-4.78平方公里/年；附录E）比之前的任何变化都要快得多，因此需要怀疑。使用高分辨率商业卫星影像（如Planet、Maxar）进行独立验证，以确定观察到的下降是否代表建筑用地真正恢复为农业用途或分类误差。无论如何解释2015年之后的时期，从36%增加到超过50%的建筑用地面积的总体趋势仍然稳健。

在整个研究期间，水域和森林面积保持惊人稳定，水域面积在12.4至13.1平方公里（6.9–7.2%）之间波动，森林面积在2.9至3.4平方公里（1.6–1.9%）之间波动（附录C）。山坡上森林斑块的持续存在表明，城市扩张几乎完全是以牺牲农业用地为代价的——这一模式与其他东亚快速城市化的城市不同，在那些地方，森林砍伐通常伴随城市扩张，而平壤的扩张区域地形相对平坦。#### 几何学考量
将来自具有根本不同几何属性的互补传感器的数据整合起来需要明确讨论。CORONA KH-4全景相机系统引入了几何变形，包括胶片变形、全景扫描变形以及宽成像范围内的地球曲率效应[9,12]。相比之下，GLC_FCS30D产品继承了Landsat系列的出色地理定位精度（约12米）。本研究中应用于CORONA图像的仿射几何校正（使用6个地面控制点，均方根误差<50米）是一种简化的方法，没有考虑到CORONA相机几何结构的全部复杂性。

多个因素减轻了这种几何限制对研究结论的影响。首先，主要的分析指标是在整个感兴趣区域（180.8平方公里）内计算出的类别比例，这种方法对中等程度的位置误差具有内在的鲁棒性，因为随机位移在汇总层面会相互抵消。其次，研究区域主要是平坦的（大同河冲积平原，海拔10-200米），限制了地形位移仅发生在占总面积很小一部分的边缘丘陵地区，且这些地区的土地覆盖变化很小。第三，50米的均方根误差对应于30米GLC_FCS30D分辨率下的大约1.7个像素，这与早期Landsat场景的地理定位不确定性相当，代表了多时相分析中一个众所周知的误差来源。

地形分层精度评估（附录G，表A5）显示，所有四种地形类别相对于30米GLC_FCS30D网格均达到了亚像素精度：平坦建筑区（均方根误差=13.9米，样本量=3）、平坦农业区（16.1米，样本量=3）、山坡特征（8.0米，样本量=3）和河岸特征（22.6米，样本量=3）。河岸区域略高的均方根误差可归因于57年间的海岸线和河渠迁移，而非几何模型的缺陷。重要的是，平坦建筑区和农业区——大部分城市-农业土地覆盖变化发生的地方——其均方根误差值远低于一个GLC_FCS30D像素（30米），这证实了几何不确定性不会实质性影响主要关注区域的基于比例的变化估计。

对于未来在地形更复杂地区应用CORONA图像的研究，进行完整的光谱测量处理——包括立体对分析、基于DEM的正射校正、内部定向恢复以及更大范围的地面控制点网络——将是必不可少的[12,13]。此处采用的简化方法之所以合理，是因为该地区主要是平坦地形，基于比例的分析方式，以及朝鲜难以进入从而无法收集地面真实数据的限制。

独立检查点分析（附录G，表A5和表A6）确认，残余几何误差（在剔除2σ异常值后，均方根误差=16.7米，12个控制点）远低于一个GLC_FCS30D像素（30米），表明位置不确定性不会实质性影响本研究中报告的土地覆盖比例估计。被剔除的异常值（CP02，145.3米）位于大同河岸附近，57年间的河渠迁移可能改变了明显的海岸线位置。地形分层结果显示，所有四个类别都达到了亚像素精度：平坦建筑区（13.9米）、平坦农业区（16.1米）和山坡区（8.0米）的均方根误差值均显著低于30米分析分辨率，而河岸特征（22.6米）尽管河流地标存在时间不稳定性，但仍处于可接受范围内。

#### CORONA KH-4与多光谱数据的协同作用
将CORONA KH-4全息图像与GLC_FCS30D多光谱衍生产品整合起来，引发了关于三个维度上数据兼容性的问题：空间分辨率、几何精度和类别定义一致性。

关于空间分辨率，CORONA图像（约2米）提供的空间细节大约是GLC_FCS30D产品（30米）的15倍。当1967年的分类结果重采样到30米进行像素级比较时，会损失大量信息，30米尺度上的混合像素效应可能解释了大部分像素级不一致性。相反，CORONA分类的更高分辨率意味着比例级估计来自约3370万个独立像素，而30米分辨率下只有约20万个像素，从统计上讲，这有利于更稳定的汇总估计。

关于几何精度，独立检查点评估得出的总体均方根误差为16.7米（附录G，表A6），相当于大约0.56个GLC_FCS30D像素——远在一个30米参考网格的范围内。对于像素级比较，这引入了一个系统误差下限，即使分类完美，也会限制可实现的一致性。然而，对于比例级比较，随机位置误差在感兴趣区域内会相互抵消，只要误差不会系统性地偏向特定的土地覆盖类型——仿射变换模型满足了这一条件，它将残余误差相对均匀地分布在图像上。

关于类别定义一致性，五类方案是故意设计的，以适应伪彩色K-Means分类的有限区分能力，同时保持与GLC_FCS30D重新映射的有意义对应关系（附录B）。水域和建筑区显示出最强的数据集间一致性，因为它们在亮度空间（伪彩色）和光谱空间（Landsat衍生）中占据独特的位置。农业和其他类别的一致性最弱，因为着色模型倾向于在冬季图像中将光谱上模糊的灰褐色色调分配给裸露的农田，导致与伪彩色输出中的城市表面色调重叠。

CORONA KH数据在城市土地利用规划分析中的独特重要性在于其不可替代的时间定位。没有其他卫星数据集能够在1960年代提供低于10米的空间分辨率信息——这一时期对于理解战后重建和平壤等城市的社会主义城市形态建立至关重要。虽然全息图像的分类精度本质上低于多光谱数据，但比例级估计提供了限制后续变化轨迹起点的基准信息。这种时间延伸——从1985年回溯到1967年——揭示了否则在Landsat时代分析中无法看到的巩固阶段，表明建筑区轮廓在1960年代末已经形成，而1985年后观察到的快速扩张代表了一个质量不同的发展阶段。

#### 与以往研究的比较
本研究的结果可以与以往关于平壤土地覆盖动态的研究进行比较，但必须仔细考虑研究区域范围、数据来源和分类方法的差异。附录F提供了总结性比较。Piao等人[6]报告称，使用Landsat数据进行随机森林分类后发现，平壤的建筑区从2000年的8.26%增加到2020年的9.49%，整体分类准确率为97.66%。在另一项相关研究中，同一研究小组[7]记录了2000-2018年期间的类似模式。这些研究中报告的建筑区比例显著较低——大约是此处观察值的六分之一——这反映了他们使用了整个平壤市区（约600平方公里），其中包含了广泛的周边农业和森林区域，大大稀释了城市比例。尽管空间范围有所不同，但两项研究都一致认为2000-2015年间建筑区呈增长趋势，从而相互支持了观察到的城市化轨迹。Kang等人[19]使用夜间灯光数据（DMSP/OLS）研究了1987年至2010年间朝鲜全国范围的城市土地覆盖变化，其结果与当前发现基本一致。

除了遥感文献之外，本研究中确定的城市化轨迹也可以纳入更广泛的社会主义和后社会主义城市转型讨论中。Hirt [18] 描述了社会主义城市的独特空间逻辑——集中规划、宏伟的公共空间和功能分区——这些特征从根本上将其形态演变与市场驱动的城市化区分开来。平壤观察到的三阶段轨迹部分反映了东欧后社会主义城市的模式，但在一个关键方面有所不同：虽然大多数后社会主义城市在政治自由化后经历了快速的市场驱动转型，但平壤的城市变化在整个研究期间完全由国家主导[5]。因此，平壤可能是最后一个持续由国家规划的社会主义城市的例子，使其转型轨迹对城市研究学界特别具有吸引力。

2015年之后的衰退也可以放在国际制裁的政治经济背景下进行理解。Lee [26] 表明，经济制裁导致经济活动在平壤相对集中。Ahn等人[27] 使用机器学习模型结合卫星图像预测了朝鲜全国范围内的经济发展，揭示了显著的空间异质性。来自不同方法论传统（遥感分类、夜间灯光分析和基于机器学习的经济预测）的证据之间的共识加强了这样的解释：2015年后的稳定反映了对发展的真正限制，同时考虑了第4.2节中讨论的方法论注意事项。

#### 变化空间模式：子区域分析
为了补充整个感兴趣区域的定量分析，并将统计发现与图像中的物理证据联系起来，研究了三个代表不同城市化过程的子区域。这些子区域的位置在1967年的CORONA K-Means分类图上确定（图9），多时相分类面板见附录H（图A7）。

大同河走廊在1985年至2015年间经历了最密集的建筑扩张。综合地图显示，新建筑从历史城市核心向外延伸，沿着河流两岸逐步转化相邻的农业地块，这种模式与国家主导的沿河建造示范住宅综合体的策略一致。连续的GLC_FCS30D地图（附录A）证实，这一走廊占农业向城市转化的最大连续区块，特别是在2000-2015年期间，年扩张率超过了+1.0平方公里/年。

西南部郊区显示出更复杂的模式。2000-2015年间，建筑区扩展到了以前的农业用地，但2022年的分类表明该区域部分重新转为农业用途。如果这一模式得到独立数据的证实，这将符合在制裁限制下优先发展农业生产的政策调整——优先考虑从首都可到达但距离示范城市景观较远的地区。

北部山坡边缘在整个研究期间变化很小。这些斜坡上持续的森林覆盖证实，平壤的城市扩张几乎完全发生在平坦的农业地上，而非通过山坡开发。这一模式反映了地形限制和社会主义城市扩张的规划特性，即优先发展平坦、易于建设的地块，而不是崎岖的山坡地区。这与市场驱动的城市化形成对比——后者的投机性开发通常会扩展到山坡地区——进一步突显了平壤国家主导的发展模式的独特性。

这些空间模式提供了定量分类结果与政策驱动转型定性叙述之间的证据联系。沿河走廊和平坦农业区的扩张集中、山坡区域的未侵入以及2015年后收缩的空间分散性，都与集中规划决策一致，而非市场驱动的过程。

#### 方法论意义和政策相关性
本研究提出的方法——结合深度学习对解密的全息图像的彩色化处理与全球土地覆盖产品——提供了一种可复制的方法，可用于将城市变化分析扩展到Landsat时代之前。使用无监督分类（K-Means）而非监督方法是一个实际的选择，避免了在对合成光谱属性的图像手动标记训练样本时可能出现的循环推理。通过比例级比较而非像素级精度评估进行整合，是一种合适的方法论策略，既承认了基于彩色化分类的探索性质，同时仍能提取有意义的历史信息。

除了方法论贡献外，本研究还展示了基于卫星的监测在那些由于地缘政治限制而无法进行传统地面数据收集的区域中的关键作用。朝鲜仍然是世界上数据最匮乏的国家之一，几乎没有公开的普查、地籍或土地使用调查数据。在这种背景下，结合解密的历史图像、全球土地覆盖产品和新兴的深度学习技术，为重建长期城市和环境变化轨迹提供了少数可行的途径。这种能力对人道主义评估具有重要意义，因为基于卫星的土地覆盖变化数据可以作为城市压力、农业生产力趋势和人口流动模式的代理指标，尤其是在直接观察受阻的地区。

研究结果还对封闭经济体中的城市可持续性讨论具有启示意义。建筑区扩张与农业用地损失之间的反向关系揭示了国家规划城市化的根本矛盾：建设现代化示范城市的动力与维持长期粮食不安全国家的农业生产力的必要性之间存在冲突。2015年后这一趋势的明显逆转，如果得到独立的高分辨率数据验证，可能代表了在外部约束下这种平衡的被迫重新调整，这可能提供了一个实证案例研究，说明国际制裁和与疫情相关的隔离如何以不同于市场驱动的城市化进程的方式重塑城市土地利用轨迹。4.8. 局限性和未来方向 应该承认几个局限性。首先，彩色化模型生成的伪彩色表示并不对应于真实的光谱反射值，而1967年12月的冬季采集条件对彩色化和分类都特别具有挑战性。因此，1967年影像的K-Means分类应被视为探索性的，而不是决定性的。其次，GLC_FCS30D产品虽然提供了前所未有的时间 consistency（连续性），但其分类不确定性仍来源于底层的Landsat时间序列。2020-2022年间观察到的明显波动可能反映了方法上的误差，由于朝鲜几乎缺乏地面真实数据，无法对其进行独立验证。第三，CORONA影像的几何校正依赖于一个简化的仿射模型和六个地面控制点（GCPs），这并没有完全考虑全景相机的畸变特性。对于主要为平坦的研究区域，地形分层精度评估（附录G）显示出可接受的性能，但对于地形起伏较大的地区，这种方法在没有额外处理步骤的情况下是不够的。第四，1967年的分类结果与1985年的GLC_FCS30D产品之间的像素级比较因17年的时间差距而产生了无法修复的混淆。未来的研究可以通过纳入额外的档案资料（如历史地图、解密的KH-7 GAMBIT影像（1963-1967年有更高分辨率）或关于城市空间范围的当代文字描述）来部分解决这一问题。未来的研究应该同时追求技术改进和更广泛的分析整合。在技术层面上，使用卫星特定的光谱目标来微调彩色化模型，而不是仅仅基于感知的自然度；在分类步骤中结合纹理和空间背景特征以及RGB值；应用深度学习的语义分割模型可以提高分类的可靠性。在分析层面，将土地覆盖变化数据与来自夜间光照影像的社会经济指标[26,27]、人口估计和经济活动代理结合起来，将有助于更全面地理解朝鲜物理城市转型与人类发展成果之间的关系。5. 结论 本研究通过将深度学习彩色化处理后的解密CORONA KH-4影像与GLC_FCS30D全球土地覆盖时间序列数据集相结合，重建了平壤55年（1967-2022年）的城市土地覆盖轨迹。经过领域适应的DDColor模型估计1967年的建成区比例为35.9%，与1985年的GLC_FCS30D基线36.0%非常接近，表明尽管像素级精度较低（17.2%），深度学习彩色化仍能捕获来自历史全色影像的有效总体土地覆盖信息。综合分析识别出三个城市化阶段：重建后的巩固期（1967-1985年，约为36%）、以牺牲农业用地为代价的持续扩张期（1985-2015年，最高达到57.1%）以及经济隔离下的稳定期（2015-2022年，51.3%）。第一个阶段是一个仅凭Landsat时代数据无法得出的新发现。在长期粮食不安全的情况下，首都周边农业用地几乎减半，这突显了国家计划经济中炫耀性城市化与粮食生产之间的根本矛盾。这项研究的实际意义涵盖三个领域。对于遥感方法论而言，彩色化-分类流程证明了可以从历史全色影像中提取有意义的地利用盖信息，将分析记录扩展到了Landsat时代之后的近二十年。对于城市规划研究而言，这个三阶段的城市化轨迹提供了平壤战后发展的第一个定量卫星证据，既证实了历史记载，又为之前的定性叙述增加了空间精度。对于人道主义评估而言，记录了在长期国家粮食不安全期间首都周边农业用地的转换情况，为理解封闭经济中国家主导的城市化与粮食安全成果之间的关系提供了实证依据。该方法论可以转移到其他数据稀缺的地区，这些地区拥有解密的全色影像但缺乏多光谱数据。未来的工作应提高彩色化的准确性，开发更稳健的分类方法，并整合社会经济指标，以更全面地理解地缘政治受限地区的城市转型。