Net Primary Productivity (NPP) is a critical metric for assessing terrestrial carbon sequestration and ecosystem health. While advancements in NPP modeling have enabled estimation at various scales, hidden anomalies within NPP time series necessitate further investigation to understand the driving forces. This study focuses on Shandong Province, China, generating a high-resolution (250 m) monthly NPP product for 2000–2019 using the Carnegie–Ames–Stanford Approach (CASA) model, integrated with satellite remote sensing and ground observations. We employed the Seasonal Mann–Kendall (SMK) Test and the Breaks For Additive Season and Trend (BFAST) algorithm to differentiate between gradual declines and abrupt losses, respectively. Beyond analyzing land use and land cover (LULC) transitions, we utilized Random Forest models to elucidate the influence of environmental factors on NPP changes. The findings revealed a significant overall increase in annual NPP across the study area, with a moderate average of 503.45 gC/(m2·a) during 2000–2019. Although 69.67% of the total area displayed a substantial monotonic increase, 3.89% of the area experienced abrupt NPP losses, and 8.43% exhibited gradual declines. Our analysis identified LULC transitions, primarily driven by urban expansion, as being responsible for 55% of the abrupt loss areas and 33% of the gradual decline areas. Random Forest models effectively explained the remaining areas, revealing that the magnitude of abrupt losses and the intensity of gradual declines were driven by a complex interplay of factors. These factors varied across vegetation types and change types, with explanatory variables related to vegetation status and climatic factors—particularly precipitation—having the most prominent influence on NPP changes. The study suggests that intensified land use and extreme climatic events have led to NPP diminishment in Shandong Province. Nevertheless, the prominent positive vegetation growth trends observed in some areas highlight the potential for NPP enhancement and carbon sequestration through targeted management strategies.

Inland aquaculture ponds, as an important land use type, have brought great economic benefits to local people but at the same time have caused many environmental problems threatening regional ecology security. Therefore, understanding the spatiotemporal pattern of aquaculture ponds and its potential influence on water quality is vital for the sustainable development of inland lakes. In this study, based on Landsat5/8 images, three types of land features, namely spectral features, index features, and texture features, and five machine learning algorithms, namely random forest (RF), extreme gradient boosting (XGBoost), artificial neural network (ANN), k-nearest neighbor (KNN), and Gaussian naive Bayes (GNB), were combined to identify aquaculture ponds and some other primary land use types around a typical inland lake of China. The results demonstrated that the XGBoost algorithm that integrated the three features performed the best among all groups of the five machine learning algorithms and the three features, with an overall accuracy of up to 96.15%. In particular, the texture features provided additional useful information besides the spectral features to allow more accurately separation of aquaculture ponds from other land use types and thus improve the land use mapping ability in complex inland lakes. Next, this study examined the tendency of aquaculture ponds and found a segmented increase mode, namely sharp increase during 1984–2003 and then slow elevation since 2003. Further positive correlation detected between the area of aquaculture ponds and the phytoplankton population dynamics suggest a likely influence of aquaculture activity on the lake water quality. This study provides an important scientific basis for the sustainable management and ecological protection of inland lakes.

Deep learning has garnered increasing attention in human activity detection due to its advantages, such as not relying on expert knowledge and automatic feature extraction. However, the existing deep learning-based approaches are primarily confined to recognizing specific types of human activities, which hinders scientific decision-making and comprehensive environmental protection. Therefore, there is an urgent need to develop a deep learning model to address multiple-type human activity detection with finer-resolution images. In this study, we proposed a new multi-task learning model (named PE-MLNet) to simultaneously achieve change detection and land use classification in GF-6 bitemporal images. Meanwhile, we also designed a pooling enhancement module (PEM) to accurately capture multi-scale change details from the bitemporal feature maps through combining differencing and concatenating branches. An independent annotated dataset at Yellow River Delta was taken to examine the effectiveness of PE-MLNet. The results showed that PE-MLNet exhibited obvious improvements in both detection accuracy and detail handling compared with other existing methods. Further analysis uncovered that the areas of buildings, roads, and oil depots has obviously increased, while the farmland and wetland areas largely decreased over the five years, indicating an expansion of human activities and their increased impacts on natural environments.