近实时（NRT）监测土地扰动对于提供紧急援助、减轻负面社会和生态影响、以及分配资源进行灾后恢复具有重要意义。许多过去的NRT技术是基于检查光谱异常的整体变化幅度，并设定预定义的阈值，即无监督方法，然而，它们缺乏对光谱变化方向、变化日期和扰动前条件的充分考虑，这通常导致检测灵敏度低、误报率高，特别是在早期扰动阶段只有少量卫星观测数据可用时，最终导致生产可靠扰动图的延迟较长。为此，该研究开发了一种新的监督机器学习方法，利用历史扰动数据集加速土地扰动监测，这种新方法包括两个阶段，在第一阶段，监督方法对2015年至2021年的历史Harmonized Landsat Sentinel-2（HLS）数据集进行了回顾性分析，结合了几个开放的扰动产品，针对每个连续异常数量的条件构建了扰动模型，旨在增强早期扰动区域的特异性，然后，这些阶段性模型在NRT场景下应用于2022年的HLS图像，每周递增地预测扰动概率。
为了展示这种新方法的能力，该研究开发了一个操作性的NRT系统，结合了无监督和监督方法。研究根据从2022年美国五起最具影响力的扰动事件中随机选择的3000个样本，基于从PlanetScope每日图像解释的标签和扰动日期，评估了延迟和准确性。评估结果显示，监督方法需要15天（自扰动事件开始起）才能达到其F1曲线的高峰期（其中大多数扰动像素被高置信度地检测出来），比无监督方法提前了7天，F1分数提升约0.2（0.733对0.546），进一步分析显示，改进主要是由于误报率显著减少（17.7%对44.4%）。延迟组成部分分析表明，在其最快的每日更新速度下，监督方法平均仅需4.1天即可生成第一个扰动警报，这归功于其减少的灵敏度滞后。这一发现突显了利用过去知识和机器学习来减少NRT监测任务中的检测延迟的重要性。
图1|本研究中用于2022年土地扰动事件NRT监测的五个选定站点，对于每个事件，使用了四个相邻的HLS瓦片进行测试
图2|该项研究提出的监督近实时监测方法的两阶段工作流程：在第一阶段，针对每个中心瓦片，使用来自3x3移动窗口邻近瓦片的异常样本建立了八个基于阶段的模型，这些样本通过结合历史扰动数据集和HLS时间序列（2015-2021年）的断点检测进行标记。在第二阶段，使用基于阶段的回顾性模型，逐周对2022年进行了NRT监测的实施
叶粟，浙江大学环境与资源学院“百人计划”研究员（第一类），博士生导师。2020年12月毕业于美国克拉克大学获得地理学博士学位。研究方向为基于遥感大数据的环境资源监测算法和生态研究。以第一作者或通讯作者身份发表论文10余篇，篇均影响因子>10。主导开发了全美土地扰动近实时监测系统，高精度非洲农田绘制平台，地理信息软件TerrSet（原名IDRISI）中的机器学习模块和部分土地变化预测模块等。曾获得美国摄影测量与遥感协会William A. Fisher奖、美国地理协会遥感组荣誉论文竞赛第一名、美国Enda Bailey Sussman研究基金和美国Geller研究基金等奖项。（该信息来自浙江大学环境与资源学院官网）
