奥里萨邦海岸带土地利用分类：基于 Sentinel-2 与随机森林的遥感大数据处理实践

本文介绍LULC_ODISHA项目，该项目针对印度奥里萨邦海岸带（47054平方公里），利用Sentinel-2遥感影像与平衡随机森林算法实现自动化土地利用分类，处理超4700万空间像素。项目由GOURGOPAL618开发，开源于GitHub（链接：https://github.com/GOURGOPAL618/LULC_ODISHA），发布时间2026年6月10日。其技术管道为大规模遥感数据处理提供参考范例。

土地利用与覆盖（LULC）分类是遥感核心应用，对环境监测、城市规划、农业管理和生态保护至关重要，尤其在生态敏感的海岸带。印度奥里萨邦海岸带面临城市化扩张、农业用地变化、湿地退化等压力，亟需高精度LULC数据支撑科学决策。LULC_ODISHA项目开发高通量地理空间处理管道，为大规模遥感处理提供参考。

数据源：采用欧洲航天局（ESA）Sentinel-2多光谱成像仪（MSI）Level-2A地表反射率产品，其优势包括：

• 空间分辨率：10米（可见光/近红外）、20米（短波红外）、60米（大气校正）
• 重访周期：5天（双星组网）
• 光谱覆盖：13个波段（可见光、近红外、短波红外）

处理规模：

• 空间覆盖：约47054.3平方公里
• 像素数量：超4700万（原始矩阵25604×18412）
• 网格分辨率：10m×10m

项目通过创新分块处理策略解决大规模数据挑战。

分类引擎：平衡随机森林算法，具有抗过拟合、支持特征重要性评估、优化类别不均衡问题等特点。

分块处理策略：

1. 网格分块：将原始影像划分为512×512像素瓦片，平衡计算效率与内存占用；
2. NoData优化：通过np.all(block == 0)丢弃深海/未映射区域，减少一半计算负载；
3. NVMe缓存：预测结果页式写入高速存储，避免内存溢出。

波段应用：

• 可见光波段（B2蓝、B3绿、B4红）：识别建筑用地、沙质地层、沿海城市布局；
• 近红外波段（B8 NIR）：捕捉叶绿素吸收峰值，识别三角洲红树林群；
• 短波红外波段（B11 SWIR）：区分泥泞水道、湿润农田和裸露河床。

分类结果：共8类地物，面积统计如下：

LULC类别	面积(平方公里)	覆盖率
孟加拉湾/深水区	17339.95	36.85%
水稻田/耕地	12976.33	27.58%
农业湿地/混合区	12784.59	27.17%
河流与内陆水道	1527.20	3.25%
沿海沙滩/沙嘴	1277.09	2.71%
红树林/密集沿海森林	796.56	1.69%
居民点/城市建成区	283.14	0.60%
休耕地/开阔地	69.43	0.15%

该区域以水体（36.85%）和农业用地（54.75%）为主，自然植被和建成区占比小。

QGIS实地验证：分类结果通过QGIS与实时地球观测底图验证，奇利卡湖（印度最大咸水泻湖）边界划分与实际地形高度吻合。

数据治理：含DATA_GOVERNANCE.md记录传感器辐射定标溯源，stac_catalog.json提供时空数据库规范，保障数据质量与可重复性。

技术启示：内存管理（分块+NVMe缓存）、计算优化（NoData过滤）、波段选择、验证策略。

区域应用：支持海岸带管理（沙滩侵蚀监测）、农业规划（耕地分布）、生态保护（红树林监测）、灾害评估（洪水制图）、城市规划（建成区扩张）。

展望：项目框架可移植至其他海岸带区域，开源共享促进遥感应用发展，为环境监测等领域提供优秀实践范例。