0 引言
森林资源是陆地生态系统的主体[1],在环境保护中发挥着巨大的保障作用。习近平总书记强调,要把生态文明建设摆在更加突出的位置,守护好高原的生灵草木、万水千山,把青藏高原打造成为全国乃至国际生态文明高地。西藏自治区地形复杂多样,平均海拔在4 000 m以上,进行野外实地调查困难。根据第九次全国森林资源清查结果,西藏森林面积在各省中排名第五[2]。墨脱县是西藏自治区中森林资源较为丰富的地区,森林资源资产负债表可以反映出特定时间段下墨脱县森林资源资产状况,厘清特定时期内森林资源的存量及变化情况,将有助于国家对该地区森林资源可持续发展做出科学合理的决策。森林资源统计数据是进行森林资源资产负债表编制的基础,而相关部门关于墨脱县的森林统计数据较少,现有的遥感数据产品也无法满足负债表编制的数据要求,且墨脱县地形复杂,实地野外调查困难,因此需要进行数据获取新方法的探索研究。
随着中高分辨率遥感对地观测系统实现对陆地表面的实时、动态观测,这使得基于遥感数据的森林信息提取与建模迅速发展,形成了多套全球尺度的森林覆盖产品。如马里兰大学的Global Forest Watch在线全球森林变化网站[3],可以提供2000年以来的全球森林覆盖变化数据,为全球森林监测提供了有力的工具。但是,由于其从全球尺度出发,在中国区域应用时存在明显的分类不一致问题; 此外,其描述的是全球森林的变化,在森林类型方面并没有进行细分,这也限制了其应用价值。日本航天局也发布了全球森林/非森林覆盖产品[4],其空间分辨率达到了25 m,为全球森林空间分布特征的确定等提供了科学参考。但是,其分类体系依然划分单一,存在没有对森林类型进行细分的缺陷。陈军等生产的GlobeLand30全球土地覆盖产品[5]的分类体系也没有对森林类型进行进一步分划分,林地的划分依然较粗,森林子集部分仅包含一种类型。欧空局的全球土地覆盖产品对森林类型进行了详细的划分[6],但是其空间分辨率为300 m,难以满足区域尺度上对各种森林类型的精细化管理。清华大学全球土地覆盖数据[7]目前有 2010年、2015年与2017年3期,但该数据集从全球尺度出发,在降尺度到中国区域应用时,存在着一些缺陷。另外,中国2010年30 m分辨率森林图利用Landsat和MODIS影像,通过计算光谱特征、EVI时间序列和地形特征等,将林区分为常绿阔叶林、落叶阔叶林、常绿针叶林、落叶针叶林、混交林和竹林6种类型,但是该数据集只有2010年的分类数据[8],不能满足当前对森林的可持续管理数据需求。当前利用遥感数据生产的森林覆盖产品中都无法满足墨脱县森林分类数据的需求,而现有的统计数据《林芝地区统计年鉴》(2015)中只有1986—2014年林芝整个地区的林业生产情况和墨脱县的林业产值总数据[9],缺少2015年墨脱县的县级林业生产情况,2015年作为后续进行森林资源资产负债表编制的起始年,也无法从该年鉴中获取到当年相应的森林分类数据。表1总结了当前主流的包含中国墨脱区域的一些常用的土地覆盖产品、森林专题覆盖产品与统计数据产品。
表1 主要土地覆盖产品、森林覆盖专题产品和统计数据产品
Tab.1
| 森林数据集 | 空间分 辨率/m | 时间分辨率 | 对森林的分类 | 无法满足自然资源资产评价的原因 |
|---|---|---|---|---|
| Global Forest Watch | 30 | 树木覆盖: 2000年/2010年 树木增加: 2000—2012年 树木减少: 2000—2017年 | 常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林与混交林 | 从全球尺度出发,在中国区域应用时存在明显的分类不一致 |
| PALSAR-2/PALSAR forest /Non-Forest Map | 25 | 2007—2010年 | 森林 | 其分类体系依然存在划分单一,存在没有对森林类型进行细分 |
| GlobeLand30 | 30 | 2000年/2010年/2020年 | 森林 | 其对林地的划分依然较粗,森林子集部分仅包含一种类型 |
| GlobCover | 300 | 1992—2015年 | 常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林与混交林 | 空间分辨率太大,无法各种森林类型的精细化管理 |
| FROM-GLC | 30 | 2010年/2015年/2017年 | 林地 | 没有对森林类型进行细分,中国区域应用时,存在着一些缺陷 |
| Forest Map for China | 30 | 2010年 | 常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林与混交林 | 与所需年份时间不同 |
| 《林芝地区统计年鉴》(2015年) | 1986—2014年 | 林芝地区的林业生产情况、墨脱县林业产值总数据 | 缺少县级的森林统计数据 |
随着技术的发展,谷歌云计算平台(Google Earth Engine,GEE)可以通过编程方式获取所需的遥感影像和地形数据,已成为遥感数据处理和结果分析的云端计算平台,大大提高了数据处理效率 [10]。徐晗泽宇等[11]基于GEE平台,利用Landsat影像对赣南地区进行了柑橘果园的提取。Wang等[12]在GEE平台上基于像素和物候的制图算法绘制了1984—2010年红杉林分布图,并对红衫入侵草原的轨迹进行了追踪。GEE平台在野火监测[13]、水体提取[14]、稻田分布[15]、城市扩张[16]、森林类型提取[17]、土地利用类型[18]等领域都有很好的应用。应用机器学习进行遥感信息提取与分类在近几年已经发展成为了遥感领域的一个重要的研究方向[19⇓⇓-22],且很多研究表明,机器学习算法分类精度更高[22⇓⇓⇓-26]。在森林信息提取方面,比较常用的主要包括随机森林算法(random forest,RF)、分类回归树算法(classification and reqression tree,CART)、支持向量机算法(support vector machine,SVM)和K最邻近算法(K-nearest neighbor,KNN),如Vega等[27]比较了RF,SVM和KNN算法在安第斯山区划分森林类型的精度,结果显示SVM与RF在划分森林与灌木类型方面并没有表现出明显的区别,但2种方法均明显优于KNN算法。Liu等[28]利用面向对象的RF算法,成功的划分出了武汉市8种森林类型。Wang等[29]同样采用了RF算法,比较了多种不同类型的数据在提取红树林方面的精度。
森林资源资产负债表的编制需要森林资源面积、林地价格、森林蓄积量等数据。本文研究的目的是通过GEE并结合大数据手段进行墨脱县森林资源的分类,探索创新森林资源资产负债表编制所需数据的获取方法,获取森林资源分类面积数据,为全国类似数据匮乏地区进行负债表编制提供方法参考。本文将基于多源遥感影像和地形数据,构建森林分类的光谱、纹理及地形辅助等特征集,采用机器学习算法得到墨脱县2015年和2020年森林类型分布数据,并对森林分类结果进行评价和分析。
1 研究区概况及数据源
1.1 研究区概况
墨脱县位于西藏东南部,地处雅鲁藏布江下游,东邻察隅县,南与印度交界(部分区域在藏南地区),西接米林县、隆子县、错那县,北连波密县、巴宜区。介于93°45'~96°05'E,27°33'~29°55'N之间,总面积3.4万km2。墨脱县属喜马拉雅山东侧亚热带湿润气候区,四季如春,雨量充沛。墨脱气候与中国华南沿海的气候比较相似,巨大的海拔高差,使墨脱县有中国最完整的山地垂直气候带谱,同时具有热带、亚热带、高山温带、高山寒带等立体气候。墨脱县植物种类繁多、植被结构复杂,在40 km的水平距离内,从高山寒带植物到热带植物几乎都能生长,原始森林类型众多,有常绿阔叶林、针阔叶混交林、暗针叶林等。生长着樟木、楠木、乌木、铁木、红豆杉和桫椤等80多种国家级重点保护珍稀植物[30]。
1.2 数据源
本文利用的数据主要有墨脱县遥感数据、30 m空间分辨率的DEM数据、行政区划数据、地表覆盖产品数据集以及野外调查数据。其中来自GEE平台的Landsat8遥感影像作为基础数据,数字地形高程模型DEM、行政区划数据、中国2010年30 m空间分辨率森林地图等作为辅助数据,2021年4月底对墨脱县进行实地野外考察,所得的具有经纬度位置、海拔高度、土地覆盖二级类型等属性的14个野外样本点数据作为森林遥感分类的参考和验证数据之一。本研究还参考全球土地覆盖数据以及Google Earth,结合野外考察数据选择了225个非森林样点、262个针叶林样点、384个阔叶林样点以及68个针阔混交林样点作为分类的样本点数据集。
2 研究方法
2.1 森林分类体系
根据森林资源资产负债表编制需要,构建墨脱县森林类型分类体系。一级分类分为森林与非森林; 再对一级分类中的林地进一步划分为针叶林、阔叶林和针阔混交林作为森林二级分类。
2.2 研究方法
在GEE平台根据需求完成2015年和2020年2期生长季的Landsat8遥感影像的筛选,并对少数云层覆盖区进行去云处理,利用墨脱县的行政区划矢量数据对影像进行裁剪。之后根据墨脱县森林资源的分布特征,并结合地形数据构建光谱、地形等分类特征。在Google Earth以及中国2010年30 m空间分辨率森林地图中完成样本点的选择,结合野外实地考察数据,形成样本点数据集,利用RF和CART算法对墨脱县进行森林资源的分类,得到2015年和2020年的二级森林分类数据,之后对森林分类结果进行分析。分类技术流程如图1所示。
图1
1)预处理。基于GEE遥感大数据云平台,选取2015年和2020年森林植被生长期且云量小于5%的Landsat8卫星遥感影像,空间分辨率为30 m,利用行政区划矢量图对选择的影像进行裁剪,得到墨脱县的实验基础影像。对云层覆盖区进行去云处理后会出现影像空值地区。针对此空值问题,选择与目标年相近前后各一年的影像进行合成,填补信息缺失部分,提高影像质量,为之后的分类工作奠定基础。
2)特征集建立。本研究中主要建立时间、空间、光谱以及辅助特征集。
时间特征: 进行影像预处理时,由于以上去云处理中出现有影像空值问题,需要选择目标年份相邻年份的影像与目标影像进行合成,填补影像空缺部分。因此将进行影像筛选及预处理时存在的时间选择问题作为时间特征。
空间特征: 以获取影像森林类型分类的纹理特征为主,建立空间特征集。纹理特征能够反映图像灰度模式的空间分布,兼顾了图像的宏观结构与微观结构[31]。灰度共生矩阵是提取纹理特征最常用的方法,通过计算相对位置固定的像素对的灰度频率来提取纹理[32],通过灰度共生矩阵可以计算出很多反映纹理特征的指标。经查阅文献,选取了对遥感分析效果最为明显的4种纹理特征参数为: 对比度(contrast ratio,CON)、相关性(correlation,COR)、熵(entropy,ENT)和方差(variance,VAR)[33]。CON反映影像中局部变化情况,体现影像的清晰程度和纹理的沟纹深浅; COR主要强调不同方向影像灰度的相似程度,其值大小反映了图像中局部灰度的相关性; ENT度量遥感纹理的随机性,反映了其随机变化程度; VAR用于反映像元值与均值的偏差。不同森林类型的纹理特征存在差异,阔叶林纹理尺度较大,而针叶林纹理尺度较小,利用纹理特征可以对针、阔叶林进行区分。
光谱特征: 确定的影响森林类型分类的光谱特征主要包括可见光波段中的蓝(blue)、绿(green)、红(red)、近红外(near infrared,NIR)、归一化植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI)、归一化水体指数(normalized difference water index,NDWI)与修正型土壤调节指数(modified soil adjusted vegetation index,MSAVI)。其中NDVI,EVI及MSAVI属于传统的植被指数,在前人的很多研究中都得到了应用,且也证明在森林植被提取中可以发挥较大的作用。NDVI植被指数在不同地物中的分类应用效果较好,能够较好地区分植被与非植被,可应用于本研究的林地与非林地覆盖区的区分。EVI指数对土壤和气溶胶的影响更不敏感,在植被覆盖度高的地区也更不易饱和。
辅助特征: 青藏高原地区海拔高,特别是墨脱所在的藏东南地区,地形起伏大,坡度信息对于森林的分类具有重要作用。因此,在特征集中增加DEM数据提供的地表高程(elevation)、坡度(slope)与坡向(aspect)等信息作为辅助特征。汇总见表2。
表2 森林遥感分类的特征集
Tab.2
| 类型 | 指标 |
|---|---|
| 时间特征 | 目标年份相邻年份同一时期的影像选择 |
| 空间特征 | con, cor, ent, var |
| 光谱特征 | blue, green, red, NIR, NDVI, EVI, NDWI, MSAVI |
| 辅助特征 | elevation, aspect, slope |
3)分类方法。RF算法是机器学习中的一种常用方法,是基于决策树的集成算法[34]。RF的分类过程大致可以分为以下3个部分: 首先从原始数据集中随机抽取若干子集并进行替换,不同子数据集的元素可以重复,同一子集的元素也可以重复; 其次,通过每一个子数据集建立一个子决策树,并输出一个分类结果; 最后得到所有子决策树的输出结果,并输出一个大多数决策树的分类结果,即最终分类结果。
CART是一种可用于分类或回归预测建模问题的决策树算法。CART算法对输入数据无任何统计分布的假设要求,能够清晰快速地判断出变量对于分类的影响程度,方法简便容易实现[35]。
4)精度评价。精度评价指标有总体精度和Kappa系数,这些精度指标从不同的侧面反映了图像分类的精度。它是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。总体分类精度表示每个随机样本所分类的结果与参考数据所对应区域的实际类型相一致的概率; Kappa系数评估了分类与随机分配值相比的表现。
3 结果与分析
3.1 精度评价
在GEE中完成森林分类后对其进行精度评价,评价结果见表3。由表3可知,通过RF算法得到的2期森林分类结果总体精度分别为88.24%和87.43%,而通过CART算法得到的分类结果精度相对低一些,分别为81.59%和82.38%。2种算法得到的结果其Kappa系数均大于0.7,且RF算法得到的结果Kappa系数都超过了0.8。通过精度评价结果可以看出,采用RF算法得到的墨脱县森林分类结果精度相对高一些。结合野外实地考察数据、高分一号影像、谷歌影像等选取了551个验证点作为验证数据(其中包括利用格网创建生成的487个规则点、50个随机点以及14个野外考察样点),对分类结果进行了总体精度评价,分类的总体精度为71.43%。
表3 基于GEE的墨脱县森林资源遥感分类精度评价
Tab.3
| 类别 | 2015年 | 2020年 | ||
|---|---|---|---|---|
| RF算法 | CART算法 | RF算法 | CART算法 | |
| 总体精度 | 0.88 | 0.82 | 0.87 | 0.82 |
| Kappa系数 | 0.83 | 0.74 | 0.81 | 0.74 |
3.2 分类结果
将GEE中的森林分类结果导入到ArcGIS中,并对森林分类结果进行重编码以及显示符号系统处理,得到墨脱县2015年和2020年森林空间分布如图2所示。图中(a)(b)为利用RF算法得到的森林分类,(c)(d)为利用CART算法得到的分类结果。从整体看,墨脱县的森林覆盖呈现南部、中部丰富密集,西北、东北高山地区稀疏量少的特点。
图2
图2
2015年、2020年墨脱县森林分布
Fig.2
Forest distribution in Motuo County in 2015 and 2020
由图2中也可看出,墨脱县的森林类型以阔叶林为主,主要分布在南部及中部的雅鲁藏布江大峡谷及低海拔地区,针叶林主要分布在南迦巴瓦峰和加拉白垒峰等高海拔地区。
由精度评价结果可知,利用RF算法得到的森林分类结果精度较高,因此,后文只对采用RF算法得到的森林分类结果数据进行详细的分析。在ArcGIS中对分类结果进行计算得到墨脱县森林总面积以及各森林类型的面积,如表4所示。从表4中可以看出,与2015年相比,2020年森林总面积减少了2%,针叶林和针阔混交林分别减少了12.46%和18.1%,而阔叶林的面积增长了2.14%。2015年和2020年阔叶林面积分别占总森林面积的72.27%和75.37%,针叶林面积分别占森林总面积的25.96%和23.19%。对分类结果进行进一步计算森林覆盖率得到,2015年和2020年墨脱县的森林覆盖率分别为84.63%和82.94%,远高于我国总体的森林覆盖率[2] 。
表4 2015年、2020年墨脱县森林资源
Tab.4
| 森林资源 | 2015年/km2 | 2020年/km2 | 变化量/km2 | 变化率/% |
|---|---|---|---|---|
| 针叶林 | 7 470.08 | 6 539.40 | -930.68 | -12.46 |
| 阔叶林 | 20 794.67 | 21 240.65 | 445.98 | 2.14 |
| 针阔混交林 | 510.35 | 418.00 | -92.35 | -18.10 |
3.3 时空分析
图3
基于分类结果进一步对森林内部和非林地之间进行转移矩阵计算,得到2015—2020年墨脱县森林资源类型转移矩阵如表5所示。从表中可以发现,林地与非林地以及林地内部之间的变化相对比较明显,2015—2020年期间,大约有2 487 km2的非林地转化为林地,约占非林地的6.33%,林地转化为非林地的面积约为3 064 km2。
表5 2015—2020年墨脱县森林资源类型转移矩阵
Tab.5
| 森林类型 | 针叶林 | 阔叶林 | 针阔混交林 | 非林地 |
|---|---|---|---|---|
| 针叶林 | 5 106.60 | 532.91 | 126.34 | 1 704.24 |
| 阔叶林 | 336.6 | 318 983.02 | 164.75 | 1 310.26 |
| 针阔混交林 | 202.13 | 159.98 | 98.36 | 49.88 |
| 非林地 | 894.04 | 1 564.74 | 28.55 | 3826.65 |
4 讨论
4.1 方法分析
机器学习算法在遥感影像分类中已经得到了广泛的应用,并取得了较好的分类效果。由于机器学习中的非参数类算法拥有在通常情况下对数据的分布不做任何要求,可以对高维、复杂的数据进行建模,对于多分类系统具有很强的适应性等特点,使其相较传统的参数分类方法具有更好的性能。RF算法在进行分类时有较高的准确率,具有集合多分类器的特点,能够解决分类与回归两种类型的问题,在分类过程中可以有效避免数据特征之间的过拟合问题,与其他分类方法相比有明显的优势,且可以快速地对数据量较大的数据集处理[36]。当存在分类不平衡的情况时,能提供平衡数据集误差的有效方法,但是在噪声较大的分类或者回归问题上会过拟合。CART算法基本不需要预处理,不需要提前归一化和处理缺失值,既可以处理离散值也可以处理连续值,对于异常点的容错能力好,但在做特征选择的时候都是选择最优的一个特征来做分类决策,且容易过拟合,导致泛化能力不强,如果样本发生一点点的改动,就会导致树结构的剧烈改变。
本研究采用了机器学习算法中的RF算法和CART算法对墨脱县进行森林分类,并对其分类结果进行了精度评价。结果表明了采用RF算法得到的森林分布与实际情况较相符,且其分类精度较高,因此相比之下更适用于青藏高原的森林分类。本研究采用的2种方法相对于其他分类法具有更好的可行性和操作性,今后将结合更多的分类方法进行研究。
4.2 特征集分析
现有的中高分辨率土地覆盖分类产品中,一般只对森林进行一级分类,而后续进行森林资源资产负债表编制则需要以二级森林分类作为数据基础。相较于采用单一的特征值进行分类[37],本文基于遥感图像,通过建立时间、空间、光谱特征以及DEM数据提供的地表高程、坡度与坡向等辅助特征组成的特征集,进行森林资源的分类。
NDVI,EVI,MSAVI等已被证明在森林植被提取中可以发挥较大的作用。遥感影像的空间特征可以反映地区的基本纹理、形状等信息,纹理特征可以反映植被的冠层内部阴影、树叶的大小、密度等基本属性及树木的分枝情况,这有利于对针叶林和阔叶林进行区分。墨脱北部山地山势陡峭,相对高差达3 000~4 000 m,南部中低山坡度较缓,相对高差500~1 000 m,其高程变化可以为区分针阔叶林提供分类依据。在今后的研究中将继续完善特征集中各类特征的种类及数量,并对其进行最优特征值组合的筛选,为进行更为细致的森林分类奠定基础。
4.3 驱动力分析
本文研究结果表明,与2015年相比,2020年的森林总面积是相对减少的。造成此结果的原因是多方面的,其中人为因素和自然力可能是主要影响因素。随着社会的发展,修建公路及城市发展等是必不可少的,此等举措定会使部分林地转为建筑用地等其他非林地,因此人为因素对森林资源的变化有一定的影响。由图3可以看出,森林资源的变化主要分布在墨脱南部的低海拔地区和北部的高海拔区域,导致此结果的原因可能是包括雅鲁藏布江在内的南部低海拔地区是居民生活的主要区域,人们对于生活的需求会导致林地的开垦,使得林地转化为耕地或者建筑用地等。北部高海拔地区的自然条件对森林的生长有一定的限制,而且坡度较高的地区还会发生滑坡泥石流等自然灾害,会导致森林资源的数量产生变化。
5 结论
本文通过调用GEE平台中的Landsat8遥感影像,结合相关的历史资料以及行政区划等基础地理数据,构建了时间、空间、光谱以及地形辅助特征,采用RF算法和CART算法分别对森林资源进行分类,并对分类结果进行分析,得到了墨脱县2015年和2020年森林资源的时空分布以及变化。RF算法在分类过程中可以有效地避免数据特征之间的过拟合问题,在进行墨脱县的森林分类时,采用RF算法得到的森林分类结果精度更高。墨脱县地势起伏大,辅助特征集中的高程、坡度与坡向等对于森林分类具有重要作用。相较于2015年,2020年墨脱县森林总面积是呈轻微下降趋势,但是墨脱县的森林覆盖率远高于全国,这为本区域SDGs 15.1可持续森林管理奠定良好的基础。
本研究将利用RF算法得到的总体精度较高的森林分类结果作为后续森林负债表编制的基础数据,拟用于墨脱县森林资源实物量表和价值量表的编制,为林业工作决策、发展规划及开展林业可持续管理和经营提供参考依据。
参考文献
Global forest resources assessment 2010:Options and recommendations for a global remote sensing survey of forests
[J].
High-resolution global maps of 21st-century forest cover change
[J].
DOI:10.1126/science.1244693
PMID:24233722
[本文引用: 1]
Quantification of global forest change has been lacking despite the recognized importance of forest ecosystem services. In this study, Earth observation satellite data were used to map global forest loss (2.3 million square kilometers) and gain (0.8 million square kilometers) from 2000 to 2012 at a spatial resolution of 30 meters. The tropics were the only climate domain to exhibit a trend, with forest loss increasing by 2101 square kilometers per year. Brazil's well-documented reduction in deforestation was offset by increasing forest loss in Indonesia, Malaysia, Paraguay, Bolivia, Zambia, Angola, and elsewhere. Intensive forestry practiced within subtropical forests resulted in the highest rates of forest change globally. Boreal forest loss due largely to fire and forestry was second to that in the tropics in absolute and proportional terms. These results depict a globally consistent and locally relevant record of forest change.
New global forest/non-forest maps from ALOS PALSAR data (2007—2010)
[J].DOI:10.1016/j.rse.2014.04.014 URL [本文引用: 1]
全球30m地表覆盖遥感数据产品-Globe Land30
[J].
30-Meter global land cover data product-globeLand30/GEOMATICS WORLD
[J].
Improving 30 m global land-cover map FROM-GLC with time series MODIS and auxiliary data sets:A segmentation-based approach
[J].DOI:10.1080/01431161.2013.798055 URL [本文引用: 1]
A circa 2010 thirty meter resolution forest map for China
[J].DOI:10.3390/rs6065325 URL [本文引用: 1]
Google Earth Engine在地球科学与环境科学中的应用研究进展
[J].
Research progress on the application of Google Earth Engine in geoscience and environmental sciences
[J].
Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究
[J].
DOI:10.12082/dqxxkx.2018.170553
[本文引用: 1]
赣南地区是中国柑橘主产区,柑橘种植产业经数十年发展已具较大规模。本文利用Google Earth Engine平台,使用2140景Landsat影像进行像元级融合,重构目标年份季节最小云量影像集,构建多维分类特征集,利用随机森林分类算法,实现了1990、1995、2000、2005、2010和2016年赣南柑橘果园的分布制图。结果表明：利用Google Earth Engine平台可实现大量遥感影像数据的高效处理;最小云量影像合成方法能够有效解决多云多雨地区高质量光学影像获取困难的问题;以最小云量影像合成构建的数据集,使用随机森林分类算法能够有效提取赣南柑橘果园,分类平均总体精度和Kappa系数分别为93.15%和0.90,分类效果良好;赣南柑橘果园面积由1990年9.77 km<sup>2</sup>扩大为2016年2200.34 km<sup>2</sup>,2005年以后呈大规模扩张趋势,果园分布由零星分布,逐步形成连片化的聚集分布特点,柑橘果园用地的主要来源为林地、灌丛和耕地。
Study on extraction of citrus orchard in Gannan region based on Google Earth Engine platform
[J].
Mapping the dynamics of eastern redcedar encroachment into grasslands during 1984—2010 through PALSAR and time series Landsat images
[J].DOI:10.1016/j.rse.2016.12.025 URL [本文引用: 1]
Monitoring wildfires in the northeastern peruvian amazon using Landsat8 and Sentinel-2 imagery in the GEE platform
[J].
DOI:10.3390/ijgi9100564
URL
[本文引用: 1]
During the latest decades, the Amazon has experienced a great loss of vegetation cover, in many cases as a direct consequence of wildfires, which became a problem at local, national, and global scales, leading to economic, social, and environmental impacts. Hence, this study is committed to developing a routine for monitoring fires in the vegetation cover relying on recent multitemporal data (2017–2019) of Landsat-8 and Sentinel-2 imagery using the cloud-based Google Earth Engine (GEE) platform. In order to assess the burnt areas (BA), spectral indices were employed, such as the Normalized Burn Ratio (NBR), Normalized Burn Ratio 2 (NBR2), and Mid-Infrared Burn Index (MIRBI). All these indices were applied for BA assessment according to appropriate thresholds. Additionally, to reduce confusion between burnt areas and other land cover classes, further indices were used, like those considering the temporal differences between pre and post-fire conditions: differential Mid-Infrared Burn Index (dMIRBI), differential Normalized Burn Ratio (dNBR), differential Normalized Burn Ratio 2 (dNBR2), and differential Near-Infrared (dNIR). The calculated BA by Sentinel-2 was larger during the three-year investigation span (16.55, 78.50, and 67.19 km2) and of greater detail (detected small areas) than the BA extracted by Landsat-8 (16.39, 6.24, and 32.93 km2). The routine for monitoring wildfires presented in this work is based on a sequence of decision rules. This enables the detection and monitoring of burnt vegetation cover and has been originally applied to an experiment in the northeastern Peruvian Amazon. The results obtained by the two satellites imagery are compared in terms of accuracy metrics and level of detail (size of BA patches). The accuracy for Landsat-8 and Sentinel-2 in 2017, 2018, and 2019 varied from 82.7–91.4% to 94.5–98.5%, respectively.
High-resolution mapping of global surface water and its long-term changes
[J].DOI:10.1038/nature20584 [本文引用: 1]
Mapping paddy rice with sentinel-1/2 and phenology-,object-based algorithm-A implementation in Hangjiahu plain in China using GEE platform
[J].
DOI:10.3390/rs13050990
URL
[本文引用: 1]
In tropical/subtropical monsoon regions, accurate rice mapping is hampered by the following factors: (1) The frequent occurrence of clouds in such areas during the rice-growing season interferes strongly with optical remote sensing observations; (2) The agro-landscape in such regions is fragmented and scattered. Rice maps produced using low spatial resolution data cannot well delineate the detailed distribution of rice, while pixel-based mapping using medium and high resolutions has significant salt-and-pepper noise. (3) The cropping system is complex, and rice has a rotation schedule with other crops. Therefore, the Phenology-, Object- and Double Source-based (PODS) paddy rice mapping algorithm is implemented, which consists of three steps: (1) object extraction from multi-temporal 10-m Sentinel-2 images where the extracted objects (fields) are the basic classification units; (2) specifying the phenological stage of transplanting from Savitzky–Golay filtered enhanced vegetation index (EVI) time series using the PhenoRice algorithm; and (3) the identification of rice objects based on flood signal detection from time-series microwave and optical signals of the Sentinel-1/2. This study evaluated the potential of the combined use of the Sentinel-1/2 mission on paddy rice mapping in monsoon regions with the Hangzhou-Jiaxin-Huzhou (HJH) plain in China as the case study. A cloud computing approach was used to process the available Sentinel-1/2 imagery from 2019 and MODIS images from 2018 to 2020 in the HJH plain on the Google Earth Engine (GEE) platform. An accuracy assessment showed that the resultant object-based paddy rice map has a high accuracy with a producer (user) accuracy of 0.937 (0.926). The resultant 10-m paddy rice map is expected to provide unprecedented detail, spatial distribution, and landscape patterns for paddy rice fields in monsoon regions.
Expansion of urban impervious surfaces in Xining City based on GEE and Landsat time series data
[J].DOI:10.1109/Access.6287639 URL [本文引用: 1]
基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究
[J].
Forest types classification of Shangri-La based on Google Earth Engine and landsat time-series data
[J].
基于GEE的1998—2018年京津冀土地利用变化对生态系统服务价值的影响
[J].
Influence of land use change on ecosystem service value based on GEE in the Beijing-Tianjin-Hebei region from 1998 to 2018
[J].
Random forest in remote sensing:A review of applications and future directions
[J].DOI:10.1016/j.isprsjprs.2016.01.011 URL [本文引用: 1]
Support vector machines in remote sensing:A review
[J].DOI:10.1016/j.isprsjprs.2010.11.001 URL [本文引用: 1]
An assessment of the effectiveness of decision tree methods for land cover classification
[J].DOI:10.1016/S0034-4257(03)00132-9 URL [本文引用: 1]
Random forest classifier for remote sensing classification
[J].DOI:10.1080/01431160412331269698 URL [本文引用: 2]
An evaluation of bagging,boosting,and random forests for land-cover classification in cape cod,massachusetts,USA
[J].
Support vector machines for classification in remote sensing
[J].DOI:10.1080/01431160512331314083 URL [本文引用: 1]
Land-cover change monitoring with classification trees using Landsat TM and ancillary data
[J].
Classification trees:An alternative to traditional land cover classifiers
[J].DOI:10.1080/01431169608949069 URL [本文引用: 1]
Natural forest mapping in the Andes (Peru):A comparison of the performance of machine-learning algorithms
[J].DOI:10.3390/rs10050782 URL [本文引用: 1]
Forest type identification with random forest using Sentinel-1A,Sentinel-2A,multi-temporal Landsat-8 and DEM data
[J].DOI:10.3390/rs10060946 URL [本文引用: 1]
Evaluating the performance of Sentinel-2,Landsat8 and Pléiades-1 in mapping mangrove extent and species
[J].
DOI:10.3390/rs10091468
URL
[本文引用: 1]
Mapping mangrove extent and species is important for understanding their response to environmental changes and for observing their integrity for providing goods and services. However, accurately mapping mangrove extent and species are ongoing challenges in remote sensing. The newly-launched and freely-available Sentinel-2 (S2) sensor offers a new opportunity for these challenges. This study presents the first study dedicated to the examination of the potential of original bands, spectral indices, and texture information of S2 in mapping mangrove extent and species in the first National Nature Reserve for mangroves in Dongzhaigang, China. To map mangrove extent and species, a three-level hierarchical structure based on the spatial structure of a mangrove ecosystem and geographic object-based image analysis is utilized and modified. During the experiments, to conquer the challenge of optimizing high-dimension and correlated feature space, the recursive feature elimination (RFE) algorithm is introduced. Finally, the selected features from RFE are employed in mangrove species discriminations, based on a random forest algorithm. The results are compared with those of Landsat 8 (L8) and Pléiades-1 (P1) data and show that S2 and L8 could accurately extract mangrove extent, but P1 obviously overestimated it. Regarding mangrove species community levels, the overall classification accuracy of S2 is 70.95%, which is lower than P1 imagery (78.57%) and slightly higher than L8 data (68.57%). Meanwhile, the former difference is statistically significant, and the latter is not. The dominant species is extracted basically in S2 and P1 imagery, but for the occasionally distributed K. candel and the pioneer and fringe mangrove A. marina, S2 performs poorly. Concerning L8, S2, and P1, there are eight (8/126), nine (9/218), and eight (8/73) features, respectively, that are the most important for mangrove species discriminations. The most important feature overall is the red-edge bands, followed by shortwave infrared, near infrared, blue, and other visible bands in turn. This study demonstrates that the S2 sensor can accurately map mangrove extent and basically discriminate mangrove species communities, but for the latter, one should be cautious due to the complexity of mangrove species.
西藏墨脱县产业发展研究
[J].
Study on industrial development of Motuo County,Xizang Province
[J].
Urban impervious surface extraction based on multi-features and random forest
[J].DOI:10.1109/Access.6287639 URL [本文引用: 1]
遥感影像纹理分析方法综述与展望
[J].
Remote Sensing image texture analysis:A review and prospect
[J].
随机森林理论浅析
[J],
A brief theoretical overview of random forests
[J].
基于影像多种特征的CART决策树分类方法及其应用
[J].
CART-based decision tree classifier using multi-feature of image and its application
[J].
气候变化对大兴安岭北部森林生态系统的影响
[J].
Effects of climate change on forest ecosystem in northern Daxing’an mountains
[J].
