Scale-dependent biases in systematic land cover maps undermine freshwater ecological assessment

方法

随机森林分类与Google Earth Engine，对比CORINE、SIOS

发现

监督分类精度更高，系统图在更细尺度偏差增大且时间一致性差，可能误导淡水生态评估。

机会点

可研究多尺度遥感分类产品在河岸带等异质景观中的偏差校正，并开发面向淡水生态的尺度自适应土地覆盖指标。

摘要 土地覆盖是跨时空尺度上景观结构和生态过程的关键决定因素。在淡水生态系统中，河岸带和流域土地覆盖调节着水文过程、养分输入和栖息地质量，而大多数生态评估依赖于系统性生产的土地覆盖图，其可靠性随尺度和背景而变化。尽管这些产品被广泛使用，但其在生态相关尺度上准确表征景观格局和长期动态的程度仍鲜为人知。本研究评估了系统性土地覆盖图的可靠性，并检验基于Landsat的监督分类（supervised classification, SC）是否能更准确、更具时间一致性地表征汇水流域和河岸带的土地覆盖格局。我们分析了西班牙北部Natura 2000保护区内五个源头流域（< 70 km²），利用在Google Earth Engine中实现的随机森林分类重建了四十年（1984–2023）的土地覆盖动态。SC结果在三个与淡水生态过程相关的空间尺度——流域、河岸廊道和河段——上与CORINE土地覆盖、SIOSE和西班牙国家森林清查进行了比较。SC在所有时期均达到了持续较高的精度（平均总体精度 = 87.8%），优于CORINE和SIOSE，仅在森林类别上与NFI相当。SC与系统性地图之间的差异在更精细的空间尺度上增大，并随景观背景而变化，尤其是在异质性河岸环境中。系统性地图还表现出有限的时间一致性，相对于SC频繁错误表征土地覆盖趋势。这些尺度依赖性和背景特异性的偏差可能改变对河岸植被和景观组成及其时间动态的估计，从而可能导致对淡水生态系统状况的误导性评估。我们的研究结果表明，依赖粗尺度土地覆盖产品可能扭曲生态推断，尤其是对于生态状况强烈依赖于流域和河岸景观结构的淡水生态系统。整合可重复的、基于遥感的分类为提升景观生态研究中土地覆盖指标的准确性和可解释性提供了一条实用途径。