本文聚焦于利用卫星遥感数据填补中国1980年前土地覆盖数据稀缺的空白，提出了一种结合改进的“双时相全面变化检测方法”（CCDM）与高分辨率分类模型的技术路径，并构建了首套60米分辨率的1980年中国土地覆盖精细分类数据库（CLC_FCS60_1980）。研究通过多源遥感数据融合、时空变化检测与自适应分类三阶段技术体系，实现了对早期卫星影像（Landsat MSS）的充分利用，为全球性土地覆盖历史数据重建提供了重要参考。
### 一、研究背景与意义
随着全球气候变化与人类活动的双重影响，1980年代的土地覆盖变化对生态系统和区域可持续发展具有关键指示作用。然而，早期卫星数据受限于空间分辨率（120米）与时间序列密度，导致1980年前后全球及中国区域土地覆盖数据严重缺失。现有研究多依赖地面调查或单一影像时相对比，存在空间分辨率低（>30米）、分类体系粗放（如CNLUCC的12类分类）及验证样本不足等问题。本研究通过整合1980-1985年间的Landsat MSS影像与后续GLC_FCS30D全球动态监测产品，构建了具有时空连续性的高精度数据集，为研究1980年代中国土地覆盖演变提供了基础数据支撑。
### 二、技术方法体系
#### （一）多源数据融合与预处理
采用Landsat MSS（1977-1983年）与TM（1985年）影像，通过时间加权平均算法构建1980年与1985年两套综合影像。针对传感器差异（MSS无短波红外波段），开发了基于GNDVI（绿色波段归一化植被指数）的替代指标体系，并运用正交回归与迭代加权多维改变检测（IR-MAD）技术消除大气辐射与传感器差异导致的辐射畸变。通过北京非生长季影像对比实验（图4）证实，该方法可将光谱差异降低40%以上，显著提升分类一致性。
#### （二）改进型双时相变化检测模型
在传统CCDM框架基础上，创新性地引入时空耦合阈值机制（图6）。通过GLC_FCS30D（1985-2022年）的长期变化数据反演，动态调整植被指数阈值：1）建立dNDVI（差值归一化植被指数）与dGNDVI（差值绿色波段植被指数）的联合响应模型，将森林退化强度划分为“轻度”（dNDVI波动1σ内）、“中度”（1-2σ）和“重度”（>2σ）三级；2）结合地形因子（坡度、坡向、高程），构建64×64像元网格的局部自适应阈值系统。实验表明，该机制可将误检率降低至传统方法的1/3（表2），特别在青藏高原等复杂地形区，检测精度提升达25%。
#### （三）时空约束下的自适应分类体系
针对MSS影像的局限性（仅4个波段），开发多时相光谱特征（1980、1985年植被指数时序变化量）与地形特征（分辨率匹配的SRTM 60米数字高程模型）的融合特征集，构建包含21维特征（18光谱+3地形）的本地自适应随机森林分类器（图3）。通过将全国划分为63个5°×5°地理单元，实施空间异质性处理：1）单元内采用面积加权采样策略，确保训练样本与实地地类分布比例（如东北平原单位面积采样量达15个/平方公里）；2）针对特殊地类（如永久积雪区、湿地）设置动态阈值，当样本量低于500个时自动触发地理加权回归（GWR）补正。该设计使森林覆盖区的分类精度从基准模型的78%提升至92%（表4）。
#### （四）后处理优化机制
1. **专家知识约束**：建立 impervious surface（人工地物）时空转化规则库，约束城市扩张方向（如避免1980年已建成区向周边蔓延的误判）；
2. **变化检测反馈**：利用改进CCDM生成的变化热力图（图7），对分类结果实施双向校正（分类后处理准确率提升17%）；
3. **跨时相验证**：通过CNLUCC 1980与1990年地类对比（图10），发现该方法可准确追踪30年间耕地扩张（年均增速0.6%）与森林退化（年均减少0.4%）趋势。
### 三、核心发现与验证
#### （一）分类精度评估
基于全国6580个验证样本（空间分布覆盖17类地物），总体分类精度达85.56%（Kappa系数0.82）。其中：
- **基本地类**（10类）：OA=85.56%，Kappa=0.82。城市建成区（impervious surface）分类准确率达94.7%，主要得益于TM影像辅助下的光谱匹配；
- **精细地类**（17类）：OA=69.11%，Kappa=0.65。主要误差集中在：阔叶林（DBF）与常绿林（EBF）光谱混淆（错分率23%）、灌溉耕地（ICP）与旱作耕地（RCP）纹理相似（错分率34%）。通过引入2010年MODIS植被指数时序数据，可将此类误判降低至12%。
#### （二）土地覆盖动态分析
1980-1985年间全国土地覆盖变化率仅0.82%，但空间分布极不均衡：
1. **森林退化**：累计减少32,100平方公里（占全国森林面积1.32%），其中：
- 56.7%转为耕地（图10 Sankey图）
- 41.2%退化至灌木林（NDVI下降量达2.3σ）
2. **耕地扩张**：新增30,500平方公里（+1.64%），主要源于草地（35.3%）与林地（43.9%）的转换；
3. **人工地物增长**：城市建设面积增加1,470平方公里（+1.82%），其中87%源自耕地侵占。
#### （三）方法创新性验证
通过对比CNLUCC（1980年）与本研究结果（图13散点图R²>0.75），发现两套数据在森林（空间一致性R²=0.89）与耕地（R²=0.82）分布上高度吻合，但在精细分类层（如DBF与EBF）存在显著差异（混淆矩阵显示错分率高达28%）。通过引入1985年GLC_FCS30D的验证样本（占全国验证点的38%），可修正此类系统性误差。
### 四、应用价值与局限性
#### （一）实践意义
1. **生态研究**：为研究1980年代三江源地区（NDVI年变率>15%）森林退化对水土保持的影响提供基础数据；
2. **政策评估**：1985-2020年间耕地面积变化趋势（本研究1980年基准）与联合国粮农组织（FAO）统计结果吻合度达92%；
3. **模型校准**：为机器学习模型（如SWAT、InVEST）的参数反演提供历史基准。
#### （二）现存挑战
1. **光谱分辨率限制**：MSS缺乏短波红外波段，导致湿地（WET）与水体（WTR）的区分精度不足（OA=44.19%）；
2. **时间序列断层**：1980-1985年间仅2个时相影像，难以捕捉季节动态变化（如北方冬季积雪覆盖导致的植被指数异常）；
3. **地形干扰**：在横断山脉等陡坡区域（坡度>25°），地形阴影导致分类误差率高达18%。
#### （三）未来研究方向
1. **数据融合**：整合AVHRR（1980-1985年月度数据）与Sentinel-2（2015年后）影像，构建连续时相特征库；
2. **深度学习集成**：应用RS-Net等超分辨率模型重建MSS影像（目标分辨率30米），通过SimPoolFormer（Roy等，2025）提升分类精度；
3. **知识图谱构建**：将CNLUCC中1980-1990年的地类变化路径（如林地→灌木→草地）转化为时空约束的图神经网络输入。
### 五、结论
本研究通过改进的CCDM与时空自适应分类体系，成功构建了1980年中国60米分辨率土地覆盖数据库，为全球性历史土地覆盖数据集的填补提供了方法论范本。成果显示：1980年代中国土地覆盖变化呈现“低速率、高空间异质性”特征，森林退化与耕地扩张构成主要动因，其中北方农牧交错带（内蒙古、新疆）的植被指数年变率达12.7%，是土地覆盖转型敏感区。研究建立的“双时相变化检测-局部自适应分类-多源知识约束”技术框架，可扩展至其他区域（如南美草原）与时段（如1960-1975年）的土地覆盖重建，对全球变化研究具有重要支撑价值。
