1990年至今，中南半岛（越南、老挝、柬埔寨、泰国、缅甸）的土地利用发生了翻天覆地的变化——森林锐减、橡胶园扩张、红树林退化……这些变化不仅影响着当地生态，更牵动着全球气候。近期，中国科学院地理所胡云锋课题组在Land上发表综述：A Review of Land Use and Land Cover in Mainland Southeast Asia over Three Decades (1990–2023)。团队通过文献计量学和关键论文解读方法，分析了1990-2023年间发表的1956篇相关论文，系统梳理了这片土地的变迁史。论文第一作者为刘佳，中国科学院地理所博士研究生。
中南半岛的30年：从高山到海岸的生态变奏曲
第一乐章：农业扩展与森林消退
中南半岛的传统农业经济以刀耕火种为主，其特点是耕种和休耕周期循环。农民通常在旱季砍伐植被并通过焚烧清理土地，用燃烧产生的灰烬提高土壤肥力，然后在雨季早期种植作物并持续耕作一到三个季节。当土壤肥力下降，土地进入长期休耕，以确保土壤恢复和植被再生。随着人口增长和市场需求的驱动，许多地区的净人口密度达到临界值，土地休耕期逐渐缩短。特别是当人口增长所创造的有利条件得到土地所有权、基础设施的发展等措施的加强时，轮垦会逐渐转向更集约化的农业模式，包括一年生作物（水稻、玉米）、多年生作物（咖啡、茶）和单一种植园（油棕、橡胶和各种果树）等。
这种大规模的农业扩张和集约化逐渐延伸到越来越陡峭的山坡，迫使大片成熟森林被转化为农业用地，其速度之快引发了环境忧虑。森林的大面积消失不仅意味着树木被砍光，也造成水土流失和栖息地破坏，许多地方“光山秃岭”，生态承载力亮起红灯。各国政府意识到问题的严重性，纷纷出台禁伐令、天然林保护和造林等政策扭转颓势。政策实施后，森林覆盖率经历了显著的变化。以越南为例，1991-1993年森林覆盖率下降到全国面积的25-31%，在1999-2001年又回升到32-37%，经历了由净毁林到净重新造林的巨大转变。相比之下，泰国在1960年至1990年间森林覆盖率下降了50%，即使该国在1980年代之后因重新造林使得森林消退速度有所放缓，但新种植的人工林有几年到几十年的生长时间，短时间内无法弥补原始森林的生态价值。
第二乐章：橡胶热潮下的生态账单
橡胶原产于巴西，历来种植在北纬10°至-10°之间的赤道地区，中南半岛并不是天然橡胶的自然种植区。从20世纪50年代开始，中国开发了适合东南亚高原环境的橡胶品种，促使橡胶种植扩大到北纬22°和更高的海拔。进入21世纪，随着全球汽车工业和其他制造业的发展，全球市场对天然橡胶的需求猛增。遥远的商品市场刺激了东南亚地区大规模经济土地特许权的激增，在国家机构的推动下，中南半岛大面积传统农地和次生林改造成规整的橡胶树种植园。据统计，2003-2014年，中南半岛高地新增了约9.4万平方公里的橡胶种植园，其中约5.2万平方公里的橡胶园直接来自对森林的砍伐。在老挝、柬埔寨、泰国东北、越南西北乃至中国云南西双版纳，山坡上原本郁郁葱葱的森林逐渐被整齐划一的橡胶林所取代。
橡胶树种植园的无节制扩张虽然带来了显著的经济效益，如增加就业机会和提升收入水平，但同时也引起了人们对生态环境的担忧。首先，橡胶种植园的迅速扩张增加了淡水消耗。研究表明，橡胶树的需水量与森林相当，却远高于灌木丛植被和其他农作物的需水量，且橡胶树的蒸散量还高于其他土地利用类型。因此，当天然林或农田转化为橡胶种植园后，容易造成流域水储存的更大消耗，还会增加山体滑坡的风险。据估计，到2050年橡胶种植园将取代中南半岛约425万公顷的现有植被，这种转变可能会严重影响局部到区域规模的水文，特别是在旱季结束时。其次，橡胶树的土壤侵蚀量显著高于传统农田和天然森林，这意味着无论是森林还是农田，一旦转化为橡胶种植园，都会强烈加剧土壤侵蚀。再次，单一树种结构削减了生态系统服务和生物多样性。虽然橡胶种植园在形式上也是“森林”，但其单一树种结构不足以恢复原生林地所提供的生态系统功能和服务。例如，西双版纳勐仑的橡胶种植园面积从占土地总覆盖率的12.10%增加到45.63%，生态系统服务损失价值约1140万美元。最后，将森林或农业转变为单一种植橡胶对鸟类、蝙蝠和无脊椎动物的生物多样性产生了负面影响。遗憾的是，东南亚一些地区的橡胶农林几乎没有保留天然林的景观中的森林生物多样性子集。
第三乐章：红树林的危与机
中南半岛沿海分布着广袤的红树林生态系统，这是一种生长于海岸潮间带的特殊森林。红树林有“海岸卫士”之称，不仅孕育着丰富的水产和独特的生物多样性，还拥有惊人的固碳能力——中南半岛红树林土壤碳密度高达每公顷505 Mg C，显著高于全球森林平均水平。健康的红树林可以长期储存大量碳，对缓解气候变暖大有裨益。然而，上世纪末到本世纪初，沿海红树林正在以惊人的速度被砍伐或退化。研究表明，2000-2015年间，全球红树林砍伐导致表层土壤有机碳损失30-122 Tg C，超过75%的损失发生在东南亚地区。受影响最严重的是印度尼西亚、马来西亚和缅甸，其次是柬埔寨和泰国，而越南的砍伐率相对较低。大片红树林已被改造用于水产养殖、水稻种植、油棕和橡胶种植园、城市和其他陆地森林等用途。此外，这些重要的生态系统还面临着污染、营养沉积物不足和海岸侵蚀等生存威胁。因此，保护和恢复该地区的红树林生态系统迫在眉睫。
红树林保护面临的一个主要挑战是与养虾业的冲突，养虾业是许多沿海国家的重要经济活动，经常侵占红树林地区。为此，各国政府正努力通过政策和监管措施，试图在水产养殖和红树林之间形成一种有益平衡，即红树林-水产养殖复合养殖系统。一个成功的例子是泰国的昆克拉班湾，通过重新种植红树林，提高了虾类养殖效率的同时也实现了生态恢复。此外，政府和非政府组织资助的红树林恢复项目表明，人工干预（种植单种红树林属人工林）可以有效促进红树林的恢复。来自柬埔寨的案例表示，恢复红树林似乎可以使红树林在未来的25-30年内继续应对气候变化。最新研究还证实，在20年的恢复工作中，人工恢复的红树林可以达到自然成熟红树林70%以上的碳储存能力。
技术革新驱动研究突破
1. 从单一数据源到多源数据融合
遥感影像是土地覆被变化（LUCC）研究的核心基础。早期研究多依赖单一传感器数据（如NOAA AVHRR、Landsat 5/7），时间分辨率高，但空间精度受限。随着高分辨率影像（如Landsat 8、Sentinel-2）的普及，空间细节显著增强。然而，在中南半岛等热带地区，云遮干扰常导致光学遥感数据缺失。为弥补这一不足，SAR等微波影像凭借全天候观测优势被广泛应用，尤其适用于稻田等农作物季节性监测。进一步，研究逐步走向光学+雷达的多源数据融合，通过集成不同传感器的光谱、极化、时序特征，有效提升了复杂地类（如橡胶园、湿地）识别的精度与稳定性，成为当前LUCC研究的主流趋势。
2. 从手工特征提取到自动提取
特征提取是遥感分类的关键环节。传统方法依赖人工构建特征，通过构建光谱指数或统计指标，从原始影像中提取如光谱反射率、颜色、纹理、形状等低层次特征。其中，植被指数常配合监督分类算法（如RF、SVM）完成地类识别。典型植被指数包括NDVI、EVI和LSWI，用于提高植被、水体、土壤等类别的可分性。针对特定地类的识别，还衍生出MVI、CMRI、NVI、NDFI等增强型指数，用于提升红树林、湿地和农作物分类效果。但手工特征提取依赖经验，泛化能力有限。随着深度学习的发展，研究进入自动化语义特征提取阶段。卷积神经网络（CNN）可从遥感图像中学习多层次、高维度特征，显著提高地物识别的泛化能力。U-Net等结构被广泛用于土地分类中的精细分割任务，在稻田、矿区、湿地等识别中表现优异。
3. 从双时相变化检测到连续时间序列分析
传统的LUCC检测多基于双时相“前后对比”，如分类后比较法，即对两个时间节点影像分别进行土地类型分类，并通过像素级对比生成变化矩阵，揭示地类转换路径（如森林➝农田）。该方法可直观展示变化路径，但无法捕捉连续演变过程，且易受误差放大影响。当前研究已转向基于连续遥感时间序列的动态监测，通过VCT、LandTrendr、BFAST、CCDC-SMA等算法，对长期遥感影像序列（如Landsat、MODIS、Sentinel等）进行拟合与分段，提取年际变化指标和年度物候指标。其中，年际变化指标用于捕捉“扰动-恢复”事件，如森林采伐、城市扩张等快速LUCC过程；年度物候指标反映植被在一个生长周期内的变化规律，常用于水稻、橡胶等季节性变化明显的地类。
在实际应用中，基于物候的时序分析已成为中南半岛橡胶种植园识别的核心方法。由于橡胶树具有显著的季节性落叶特征，研究者可通过植被指数（如NDVI、EVI）的时间轨迹识别其种植区域。早期使用MODIS数据虽具时间分辨率优势，但空间分辨率（250m）较低，易引入混合像元误差。Landsat系列数据于2008年免费开放后，凭借30m分辨率和较长时序，有效完成橡胶园边界提取、林龄估算与生长阶段识别。近年来，Sentinel-2数据因其10–20m空间分辨率和5天重访周期，进一步提升了识别精度。尤其是其新增的红边波段（RE1、RE2、RE3）对物候差异更敏感，为天然林与橡胶林的判别提供了新的光谱依据。
4. 从小尺度案例研究到GEE云端分析
研究尺度决定结论的适用范围。早期，多数研究聚焦于村庄、县域或流域，依靠实地调查、航拍影像和GIS数据，分析局部土地变化及其驱动机制。这类“放大镜式”的研究虽细致入微，却难以揭示区域尺度的整体格局与趋势。2008年，Landsat数据全面开放，显著提升了历史遥感影像的获取便利性。此后，众多全球或区域尺度的土地覆盖产品陆续推出，如MCD12Q1、GlobeLand30、GLC_FCS30等，分辨率提升至10-30米，使分析尺度迅速扩展至省域、国家乃至跨国层面。2015年，Google Earth Engine（GEE）上线，标志着遥感研究迈入云计算时代。研究者可在全球范围内调用海量遥感数据与算法工具，快速生成中高分辨率的土地覆盖图，识别耕地、橡胶园等典型地类，并量化森林丧失等关键LUCC过程的时空演变及其驱动机制。从“单机分析一张图”到“云端处理千万图”，技术革新让研究视野更广、结论更具区域代表性。
5. 从规则模拟到智能预测
模拟土地变化不仅有助于理解变化过程，也为政策评估与未来预判提供支持。早期，主要依靠多尺度模型和系统动力学方法来模拟土地变化过程。这类模型能描绘出不同空间和时间尺度下的人地相互作用，比如：以个体决策为核心的Agent-Based模型，模拟农民、政府或企业的行为如何影响土地利用格局；强调空间变化规则的模型，如CLUE-s、Markov-CA，可在像素级别模拟“哪一块地可能变成什么类型”。随着数据驱动方法兴起，研究逐渐转向空间统计与机器学习模型，通过逻辑回归、决策树等方法识别驱动因子、预测易变区域。近年来，深度学习与集成算法广泛应用于滑坡、森林火灾等风险预测中，具备更强的建模能力与泛化性能，为LUCC模拟提供了更高精度与更强适应力的工具体系。
学术力量与国际合作
这一领域的国际合作呈现出鲜明的全球合作和区域特色。全球有485家科研机构参与其中，其中美国机构占有较大比例，紧随其后的是中国、法国和日本。在发表论文数量排名前十的机构中，中国科学院（CAS）、法国发展研究院（IRD）、泰国亚洲理工学院（AIT）、越南科学院（VAST）等赫然在列，堪称这一领域的主力军。
图 全球合作网络
然而，深入分析合作网络可以发现，目前跨国合作的深度仍有提升空间。一方面，只有少数高产作者形成了较大的合作团队，不少研究团队仍以各自国家内部合作为主。例如，中国学者之间常组成自己的合作小组；另一方面，国际合作主要集中在少数组合上，如老挝-法国、泰国-德国、越南-挪威等双边科研伙伴关系。这些合作推动了知识交流，但总体来看，各研究群体之间的联系还不够紧密，尚未形成覆盖整个区域的协同网络。国际组织（如全球土地计划GLP、未来地球计划等）也在倡导加强这方面的合作，以实现“众人拾柴火焰高”的效果。
图 作者和机构合作网络
中南半岛的30年变迁，是一部人类与自然博弈的史诗。科学研究的价值，不仅在于记录变化，更在于为可持续发展提供智慧方案。
“每一寸土地的改变，都在重塑地球的命运”。