Multi-feature fusion for grassland information extraction and temporal change monitoring

方法

融合光学、Sentinel-1 SAR、植被指数、纹理、地形与时序特征，用随机森

发现

多特征融合总体精度达93.79%，草地面积稳定但局部FVC显著下降，存在退化风险。

机会点

可引入因果推断或时序深度学习，区分气候与人为驱动，并迁移至其他亚热带山区草地监测。

草地对于维护生态安全和支持可持续发展具有重要作用，但在复杂山区进行准确的草地提取和动态监测仍面临挑战。本研究以湖南省城步苗族自治县为研究区，在Google Earth Engine平台上构建了多特征融合框架，综合光学影像、Sentinel-1 SAR数据、植被指数、纹理特征、地形因子和时间序列特征。采用随机森林模型进行高精度草地提取，并利用2000年至2025年间选取的无云年份的多时相遥感观测数据，分析草地的长期空间分布与时间动态。引入植被覆盖度（FVC）评估草地生态状况，并选取南山牧场研究地形、人类活动和气候因素对草地变化的影响。结果表明，多特征融合显著提高了分类精度，在最优特征组合方案中总体精度（OA）达到93.79%，Kappa系数为0.7165，光学与SAR数据在复杂地形条件下表现出较强的互补性。2000年至2025年间，城步县草地面积保持相对稳定，年际变化范围为47.32至52.15 km²，未呈现显著的长期变化趋势。FVC均值表现出相对稳定的年际波动，多数年份数值一般在0.59至0.72之间。然而，FVC趋势的空间分析揭示了较大的异质性，在局部区域观察到显著下降趋势，尤其是南山牧场西南部，表明存在潜在的植被退化风险。在南山牧场，FVC与DEM（r = −0.2839）和降水（r = −0.589）呈显著负相关，而与人类活动和地表温度的相关性相对较弱。总体而言，研究区草地动态可能反映了环境条件与人类活动的综合影响，尽管本研究所识别的关系主要代表统计关联而非因果机制。所提出的框架为亚热带山区草地监测、生态评估和可持续管理提供了有效的方法参考。